[发明专利]基于知识表示学习的汽配件询报价优化方法

说明书

一种基于知识表示学习的汽配件询报价优化方法，包括：获取供应商录入的可售卖的汽车配件数据、维修厂录入所需的配件数据、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；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；将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；利用召回候选集，结合产品行为数据，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。本发明通过召回规则流程进行初步供应商召回，并在召回的供应商候选集中通过机器学习算法进行购买率预估，最后使用购买率作进一步排序和筛选的依据，简化了维修厂购买流程。

技术领域

本发明涉及搜索匹配领域，特别是指一种基于知识表示学习的汽配件询报价优化方法。

背景技术

电子商务平台是指为企业或者个人提供网上交易、支付结算并通过物流送达商品、完成交易的平台。电子商务平台使得网上商家以一种有序的方式发展，避免了重复建设导致的资源浪费。最重要的是，电子商务平台跨越了地理位置和时间的限制，对于消费者来说，可以帮忙他们在较少的支出下，以最快的速度获得物美价廉的商品。然而，综合性的电子商务平台覆盖范围广，一定程序上很难满足特定服务或者领域的交易需求。因此，近几年也催生了一批包括汽配垂类在内的垂类电子商务平台。这些垂类电子商务平台极大的缩短了消费者对于特殊商品的触达时间。

在汽配垂类电子商务平台上，随着加入的供应商和维修厂的数量逐年增多，如何更有效、准确地为维修厂找到满意的供应商，确保成交率，成为当下的一个重要课题。汽配垂类买卖双方在平台使用过程中，能产生海量的需求和行为线索数据。基于机器学习、数据挖掘和智能供应商推荐，可以提升平台的转化率和报询价的成交率。

有鉴于此，本发明人针对上述问题未臻完善所导致的诸多缺失及不便，而深入构思，且积极研究改良试做而开发设计出本发明。

发明内容

本发明提供了一种基于知识表示学习的汽配件询报价优化方法，以解决至少一个上述技术问题。

为解决上述问题，作为本发明的一个方面，提供了一种基于知识表示学习的汽配件询报价优化方法，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。

优选地，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。

优选地，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。