一種汽車后服務推薦方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及汽車后服務推薦領(lǐng)域，尤其涉及一種基于大數(shù)據(jù)的汽車后服務推薦方 法和系統(tǒng)。
【背景技術(shù)】
[0002] 當今社會有車一族越來越多，很多人選擇自駕去機場，然而，由于機場停車位有限 且價格高昂，而機場周邊停車場又因為距離等原因未得到有效利用，給自駕去機場的車主 帶來較大困擾，機場代泊正好解決了車主的機場停車以及返回取車的困擾。目前的機場代 泊服務流程大致為：車主出行前通過微信平臺或代駕APP下單，系統(tǒng)指派代駕司機按照車 主約定時間于航站樓等待替車主泊車，返程時，車主再預約取車，代駕司機將車開至航站樓 等候車主來取。
[0003]目前，有些國外機場采用機器人等智能手段實現(xiàn)機場代泊，而國內(nèi)的機場代泊服 務也正處于快速發(fā)展階段，但是利用大數(shù)據(jù)和汽車基礎(chǔ)數(shù)據(jù)知識庫為代泊之后提供汽車后 服務推薦的技術(shù)卻不成熟。汽車后服務囊括的范圍甚廣，如自助保養(yǎng)項目（包括更換機油 及濾清器、空調(diào)系統(tǒng)保養(yǎng)、剎車系統(tǒng)保養(yǎng)、雨刮檢查保養(yǎng)、車燈檢查保養(yǎng)、燃油系統(tǒng)養(yǎng)護、發(fā) 動機內(nèi)部養(yǎng)護、進排氣系統(tǒng)養(yǎng)護等）、汽車美容以及汽車專業(yè)維修等更專業(yè)的服務。因此，我 們可以向泊車于機場的用戶推薦合適的汽車后服務，以讓用戶利用出差這段時間，讓自己 停泊于機場的車輛得到保養(yǎng)，可謂省時又省力。然而，怎樣才能在合適的時機向不同的用戶 推薦對其車輛而言最合適、最有價值的汽車后服務，是至今業(yè)界尚未解決的技術(shù)問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于基于大數(shù)據(jù)挖掘技術(shù)，提出一種汽車后服務推薦方法和系 統(tǒng)，以在合適的時機準確地向用戶推薦合適的汽車后服務。
[0005] 本發(fā)明為達上述目的提供的汽車后服務推薦方法，包括以下步驟：
[0006] 利用網(wǎng)絡(luò)爬蟲技術(shù)抓取汽車后服務相關(guān)討論信息；
[0007] 根據(jù)預先構(gòu)建的汽車基礎(chǔ)數(shù)據(jù)知識庫，自動生成抽取規(guī)則，利用所述抽取規(guī)則從 所述汽車后服務相關(guān)討論信息中進行特征提取以產(chǎn)生多條汽車后服務討論數(shù)據(jù)，并對每條 汽車后服務討論數(shù)據(jù)進行規(guī)范化，并將每條汽車后服務討論數(shù)據(jù)都形式化為對應的模式序 列，多個模式序列形成模式序列集合；
[0008] 基于所述模式序列集合，采用ID3決策樹分類器技術(shù)構(gòu)建樹狀決策器；
[0009] 基于所述多條汽車后服務討論數(shù)據(jù)，采用統(tǒng)計信息、假設(shè)驗證和顯著性分析得到 用戶汽車后服務消費的多種分布模式，從所述多種分布模式中選取出現(xiàn)概率大于一閾值的 所有分布模式，構(gòu)成多個對應的用戶喜好矢量，每個用戶喜好矢量及其用戶基本信息構(gòu)成 一個用戶畫像；
[0010] 將預先采集的預定用戶車輛特征集合以及對應的所述用戶畫像輸入到所述樹狀 決策器中，根據(jù)各條路徑的匹配程度高低排序得到ΤορΝ條推薦路徑，產(chǎn)生N種汽車后服務 推薦方案給具有所述預定用戶車輛特征集合的用戶，同時，針對N種汽車后服務推薦方案 中的每項汽車后服務，根據(jù)所述模式序列從汽車后服務實體店數(shù)據(jù)庫中推薦依實體店指標 加權(quán)降序排列的ΤορΜ個實體店給用戶；
[0011] 其中，Μ和Ν為自然數(shù)。
[0012] 本發(fā)明提供的上述汽車后服務推薦方法，具有以下優(yōu)點：
[0013] 1)本發(fā)明利用了專業(yè)的汽車基礎(chǔ)數(shù)據(jù)知識庫，這種領(lǐng)域?qū)＜液蛯I(yè)技師提供的汽 車基礎(chǔ)數(shù)據(jù)知識庫在很大程度上決定了汽車后服務推薦的高質(zhì)量和準確度，也決定了本發(fā) 明的推薦方法不同于常規(guī)的推薦算法。常規(guī)的推薦算法包括協(xié)同過濾、矩陣分解、羅茲曼機 等，利用的是用戶行為數(shù)據(jù)來尋找相似模式，然而每個人的喜好并非一成不變的，時常與時 倶進，因此會導致推薦結(jié)果與用戶喜好不符。而本發(fā)明不僅根據(jù)用戶行為來勾勒用畫像，更 關(guān)鍵的是利用了所述汽車基礎(chǔ)數(shù)據(jù)知識庫，以掌握核心關(guān)鍵信息，使得推薦結(jié)果更權(quán)威。如 果用戶行為很成熟，就會發(fā)現(xiàn)本發(fā)明的推薦完全超出其預期，有一定程度的智能性。
[0014] 2)本發(fā)明采用了樹狀決策器，充分利用大數(shù)據(jù)蘊含的信息，來給用戶推薦TopΝ 條結(jié)果。首先樹狀決策器在現(xiàn)實應用中優(yōu)勢明顯，最類似于人類大腦決策過程。其次，每個 用戶的偏好會有不同，但是大規(guī)模的人群就會顯現(xiàn)統(tǒng)計規(guī)律?；诖笠?guī)模數(shù)據(jù)的樹狀決策 器，能夠充分利用大數(shù)據(jù)的統(tǒng)計規(guī)律，來作出最為可信賴的推薦。
[0015] 3)用戶畫像的構(gòu)建讓我們在利用大數(shù)據(jù)的統(tǒng)計特性之余，能夠充分照顧到每個用 戶喜好的細小不同。大數(shù)據(jù)的統(tǒng)計規(guī)律和個體喜好不同的結(jié)合，不僅提供了高質(zhì)量的推薦， 而且也給出了個性化的推薦。
[0016] 在更優(yōu)選的方案中，所述汽車基礎(chǔ)數(shù)據(jù)知識庫是根據(jù)汽車服務百科信息和專家人 工構(gòu)建的汽車后服務相關(guān)的基礎(chǔ)專業(yè)數(shù)據(jù)來構(gòu)建。
[0017] 在更優(yōu)選的方案中，在進行所述特征提取之前，先對所述汽車后服務相關(guān)討論信 息進行過濾處理。
[0018] 在更優(yōu)選的方案中，所述特征提取具體包括：提取關(guān)鍵詞以及關(guān)鍵詞對應的值； 根據(jù)情感詞詞典抽取情感詞。
[0019] 在更優(yōu)選的方案中，對每條汽車后服務討論數(shù)據(jù)進行規(guī)范化具體包括：將情感詞 按照情感詞詞典定義的極性和強度轉(zhuǎn)化為-10~10之間的值；將關(guān)鍵詞轉(zhuǎn)化為所述汽車基 礎(chǔ)數(shù)據(jù)知識庫中的對應名稱，將關(guān)鍵詞對應的值轉(zhuǎn)化為測度值；將每條汽車后服務討論數(shù) 據(jù)都形式化為對應的模式序列具體采用隱馬爾可夫模型方法以及循環(huán)神經(jīng)網(wǎng)絡(luò)方法。
[0020] 在更優(yōu)選的方案中，所述推薦方法還包括自學習調(diào)整步驟，所述自學習調(diào)整步驟 具體包括：
[0021] 將每次用戶汽車后服務消費信息都加入到構(gòu)建所述用戶畫像以及所述汽車后服 務實體店數(shù)據(jù)庫所需的基礎(chǔ)輸入數(shù)據(jù)中；
[0022] 將每次用戶汽車后服務消費信息都形式化為對應的模式序列加入到所述模式序 列集合中，并利用adaboost方法來更新所述模式序列集合中每個模式序列上每個特征的 權(quán)重，以提高每個模式序列的可信賴度。通過自學習調(diào)整步驟，使得本發(fā)明提供的推薦方法 能夠隨著數(shù)據(jù)特性的漂移和用戶喜好習慣的改變，準確學習到變化后的特性，及時推薦準 確的結(jié)果。
[0023] 在更優(yōu)選的方案中，所述推薦方法還包括根據(jù)用戶的瀏覽足跡、咨詢記錄、問卷調(diào) 查記錄以及主動推薦服務來收集和分析用戶喜好，以為所述模式序列集合和所述用戶畫像 的構(gòu)建新增基礎(chǔ)輸入數(shù)據(jù)。
[0024] 為達上述目的，本發(fā)明另提供了一種汽車后服務推薦系統(tǒng)，包括：包括數(shù)據(jù)采集模 塊、汽車基礎(chǔ)數(shù)據(jù)知識庫構(gòu)建模塊、模式序列生成模塊、樹狀決策器構(gòu)建模塊、用戶畫像構(gòu) 建模塊、后服務推薦模塊以及實體店推薦模塊；
[0025] 所述數(shù)