[发明专利]基于知识表示学习的汽配件询报价优化方法

权利要求书

1.一种基于知识表示学习的汽配件询报价优化方法，其特征在于，包括：

步骤1，获取数据

在平台上，获取供应商录入的可售卖的汽车配件，包含配件所属车型、配件品质、配件描述等数据，获取维修厂录入所需的配件名称、期待品质、是否需要发票等数据，获取同一个维修厂对不同供应商先后进行询价得到的供应商序列；供应商序列中的前后两个供应商构成知识图谱网络中的点或者实体，对应的前后关系则构成了网络中的边，通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系；

步骤2，召回候选供应商

将步骤1中获取的平台已有的配件信息与维修厂意向配件进行匹配，从全平台供应商池中召回出候选供应商；

步骤3，维修厂购买率预估，包括：利用步骤2产生的召回候选集，结合步骤1中的产品行为数据，通过机器学习算法对步骤2中的候选供应商进行购买率预估。

2.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤2中，为了大幅缩小进入下一个步骤进行计算的候选集集合，根据维修厂的偏好信息设置硬性过滤条件对供应商进行过滤，以实现对维修厂一个询价单的初步过滤得到可进行询价的候选供应商列表，然后应用配件单品规则进行次级过滤，其被过滤内容作为排序结果的候补推荐项。

3.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤2包括以下步骤：

步骤2-1，初始召回过程：通过询报价整单过滤规则(包括：黑白名单、车型、品质、地域、是否开启系统人工报价和开票要求)，过滤得到整单最大可分配供应商候选集。

步骤2-2，多级规则约束过程：在步骤2-1的基础上，进一步按SKU规则进行约束过滤，并保留被过滤供应商。当排序后候选集过少时，前面提到的被过滤供应商将作为补位资源进行排序结果的补充。

4.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤3包括：

步骤3-1，特征计算：通过步骤2得到的召回结果的N个后续供应商，采用大数据计算引擎Spark中处理结构化数据的SQL+RDD模块，对维修厂的历史购买行为和买卖双方的交互行为数据进行统计、交叉等数据工程计算，从而获得维修厂偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方的浏览配件的交互行为特征；

步骤3-2，模型训练：对于历史询价单中的候选供应商，根据供应商最后被询价时间，通过步骤3-1计算维修厂的偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方交互行为特征，并基于询价过程中供应商序列构建的知识图谱网络产生的供应商实体表示，以历史候选供应商提供的配件是否在曝光后被“购买”的二元标记作为标签，训练WideDeep模型；

步骤3-3，购买率预估：使用步骤3-2中训练好的WideDeep模型和步骤3-1中维修厂的偏好特征、供应商环境上下文特征、供应商配件特征、供应商实体表示和买卖双方交互行为特征，将上述特征值输入模型中，模型的输出即为该维修厂会在这N个候选供应商进行配件购买的概率，即为购买率)；

步骤3-4，根据步骤3-3中得到的每个候选供应商的购买率对N个候选供应商进行排序，并将降序排序后的候选结果作为询报价排序结果。