一种推荐相似机型的推荐方法和系统与流程

1.本发明涉及人工智能领域，具体涉及一种新上市产品推荐相似机型推荐装置和方法。


背景技术：

2.在当今快速发展的经济社会中，新机型上市几个月后，企业需要根据新机型的特征预先采购备件，应对日后的维修需求。采购备件首先需要确认新机型的相似机型，参考相似机型的故障率，预估新机型的出货量，最终确认备件的备货数量。提前了解未来的备件需求，及时做出合理规划和决策，最终提高企业整体竞争优势和经济效益。
3.当前的新机型推荐相似机型大多有人工根据经验推荐，简单地认为机型的所有配件的特征都是一样的，实际上，不同备件的价格、材质等都会有差异，在做备件采购时，不能根据不同备件的特征，购买相应的数量，导致购买的配件过多或过少，影响业务正常运营。因此针对影响相似机型的因素大量存在且复杂多变的情况，提出更加准确有效的高精度的相似机型推荐方法，对方便决策者做出更加合理的计划和提高企业整体竞争力具有重要的意义。


技术实现要素：

4.本发明要解决的技术问题在于，提供一种针对新机型推荐相似机型的方法、装置，提高推荐机型准确率，合理确定备件备货数量，降低成本。
5.本发明的第一方面，提供一种推荐相似机型的推荐方法，机型推荐装置获取机型特征信息，该特征信息包括机型信息、机型耗用信息、机型属性权重中的至少一个，然后，机型推荐装置将获取到的特征信息输入到预先训练好的机型推荐的人工智能模型，获取机型间相似度,该相似度用于表示机型是否能成为新机型的推荐机型；最后，机型推荐装置根据相似度值，向终端推送推荐结果。
6.进一步的，获取到所述终端每个大类的价格、材质、每个月的耗用和总激活数，耗用除以总激活数为故障率，再根据相关系数矩阵计算出每个属性的权重，并根据价格、材质、故障率、权重，计算出所述终端每个大类之间的皮尔逊相关系数，获取机型每个大类最相似的机型；基于各所述机型的皮尔逊相关系数，确认机型的推荐机型，将所述推荐机型发送至所述终端。
7.进一步的，所述推荐相似机型的推荐方法，具体步骤如下：
8.s001：获取所有机型每个大类的产品线、系列、大类、价格、月耗用数、每个月累计的总激活数，月耗用数除以总激活数为故障率；
9.s002：使用爬虫工具爬取机型上市时间、材质数据；
10.s003：使用热图显示出材质、价格、上市日期和故障率之间的相关性，通过相关系数矩阵计算产品线、系列、大类、材质、价格、上市日期和故障率的权重；
11.s004：使用一热编码将数据按照产品线、系列、大类、材质、价格转换为产品线(向
量l)、系列(向量s)、大类(向量c)、材质(m)、价格(p)；
12.s005：l、s、c、m、p向量分别乘以其对应的权重，合并这些向量为向量f；
13.s006：将每个机型每个大类前6个月的故障率归一化处理之后和向量f合并，根据新机型上市时间过滤参考机型，计算新机型和满足条件的参考机型的皮尔逊相关系数，值越接近1，表示相关程度就越强。最终筛选出最大的3个机型为推荐机型。
14.第二方面，提供一种推荐相似机型的推荐系统，该系统包括：获取单元，获取机型特征信息，该特征信息包括机型信息、机型耗用信息、机型属性权重中的至少一个。确定单元，用于将获取单元获取的特征信息输入到预先训练好的机型推荐的人工智能模型，获取机型间相似度,该相似度用于表示机型是否能成为新机型的推荐机型。发送单元，用于根据相似度值，向终端推送推荐结果。
15.进一步的，所述系统包括：接收模块，用于接收终端发送的针对机型推荐请求后，所述获取请求携带的终端标识；获取模块，用于根据所述终端标识，获取所述终端每个大类的价格、材质、每个月的耗用和总激活数，耗用除以总激活数为故障率，再根据相关系数矩阵计算出每个属性的权重，并根据所述终端价格、材质、故障率、权重，计算出每个机型每个大类之间的皮尔逊相关系数，获取各所述每个大类的皮尔逊相关系数；推荐模块，用于基于所述每个大类的皮尔逊相关系数，确定各所述机型大类的推荐机型，并基于所述机型的推荐机型，将所述机型发送至所述终端。
16.本发明还提出一种推荐相似机型的推荐方法的服务器，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法或上述系统的步骤。
17.本发明还一处一种推荐相似机型的推荐方法的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法或上述系统的步骤。
18.与现有人工为新机型指定相似机型相比，本发明的有益效果是：根据新机型的属性和已经表现出来的特征，使用相关系数矩阵计算属性和特征的权重，通过one-hot encoding和pearson correlation coefficient确定机型之间的相似性，能够很大程度上提高推荐参考机型的准确性，使公司备货更加合理，减少货物积压和过期报废，提高公司的效益。
附图说明
19.图1为使用heatmap计算产品线、系列、大类、材质、价格、上市日期和故障率的权重。
20.图2为推荐相似机型的流程图。
21.图3为推荐相似机型推荐系统图。
具体实施方式
22.下面，用实施例来进一步说明本发明内容，但本发明的保护范围并不仅限于实施例。对本领域的技术人员在不背离本发明精神和保护范围的情况下做出的其它的变化和修改，仍包括在本发明保护范围之内。
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完
整地描述，应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
24.当前的新机型推荐相似机型大多有人工根据经验推荐，简单地认为机型的所有配件的特征都是一样的，实际上，不同配件根据价格、材质等都会有差异，在做配件采购时，不能根据不同配件的特征，购买相应的数量，导致购买的配件过多或过少，影响业务正常运营。
25.如图1为使用heatmap计算产品线、系列、大类、材质、价格、上市日期和故障率的权重。图2为推荐相似机型的流程图。图3为推荐相似机型推荐系统图。本实施例提供了一种机型推荐方法，在该方法中，通过接收终端发送的针对机型推荐请求后，根据获取请求携带的终端标识，获取到终端每个大类的价格、材质、每个月的耗用和总激活数，耗用除以总激活数为故障率，再根据相关系数矩阵计算出每个属性的权重，然后，根据价格、材质、故障率、权重，计算出每个机型每个大类之间的pearson correlation coefficient，这样，基于每个机型每个大类的pearson correlation coefficient能够找到和新机型每个大类最相似的机型。有利于提高推荐机型的准确率。
26.下面结合具体实施过程对本技术方案作进一步详细地说明。
27.s001：获取所有机型每个大类的产品线、系列、大类、价格、月耗用数、每个月累计的总激活数，月耗用数除以总激活数为故障率；
28.s002：使用爬虫工具爬取机型上市时间、材质数据；
29.s003：使用热图heatmap显示出材质、价格、上市日期和故障率之间的相关性，通过相关系数矩阵计算产品线、系列、大类、材质、价格、上市日期和故障率的权重；
30.s004：使用一热编码one-hot encoding将数据按照产品线、系列、大类、材质、价格转换为产品线(向量l)、系列(向量s)、大类(向量c)、材质(m)、价格(p)；
31.s005：l、s、c、m、p向量分别乘以其对应的权重，合并这些向量为向量f；
32.s006：将每个机型每个大类前6个月的故障率归一化处理之后和向量f合并，根据新机型上市时间过滤参考机型(新机型上市时间要晚于推荐机型上市时间)，计算新机型和满足条件的参考机型的皮尔逊相关系数pearson correlation coefficient，值越接近1，表示相关程度就越强。最终筛选出pearson correlation coefficient最大的3个机型为推荐机型。