[发明专利]货源匹配方法、系统、设备及存储介质

说明书

本发明提供了一种货源匹配方法、系统、设备及存储介质，该方法包括：获取用户行为数据，从所述用户行为数据中得到用户行为关联的货源标志信息；根据所述用户行为关联的货源标志信息得到用户的货源偏好特征向量；根据用户的货源偏好特征向量与待匹配的货源的特征向量，计算用户与货源的匹配度。本发明实现了用户行为和货源的快速匹配，快速为用户确定货源匹配排序，可复制性强，实现成本低，节省计算资源，采用的模型具有特征丰富和存储特征量级小的特点，适用于大规模的计算逻辑计算。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种货源匹配方法、系统、设备及存储介质。

背景技术

现有的货源匹配方法中，一般需要将货源特征输入到货源匹配模型中，输出匹配结果，从而确定推荐的货源的展示方式。现有技术中，一般是通过人工生成货源特征或者FM(Factorization Machines，因子分解机)/FFM(Field-aware Factorization Machines，场感知分解机)生成货源特征，这些方法都需要大量人力维护。此外，根据经验生成货源匹配模型需要的特征，迭代周期长，组合特征比较单一，不能多维度去考虑用户偏好。

现有技术中，货源匹配模型存在有多种构建方式，然而均存在有很多缺陷。(1)基于深度学习模型构建货源匹配模型时，对基础架构和公司算力都有很高的要求，实现成本高，特征准备和在线运算都比较繁琐，对于需要迅速返回的排序问题，深度学习模型的优势不能充分发挥。(2)使用GBDT(Gradient Boosting Decision Tree，梯度下降树)模型构建货源匹配模型，来减少人工特征、自动生成特征筛选工作，但是模型特征不能过大，过大会导致树的深度、树的棵数都迅速增长，对于在线运算，影响时效性。(3)现有使用大规模模型对底层架构要求严格，中小型公司使用简单模型，例如逻辑回归模型，特征维数不能太多，导致因为性能问题，模型不能太过复杂，而现有的逻辑回归模型使用大量人工特征，需要的架构非常庞大，特征维度高达几十万维以上，通过分布式本地特征缓存，计算用户对货物的偏好，模型使用特征分为不同维度，需要多次筛选，才能做最后模型的预测。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种货源匹配方法、系统、设备及存储介质，实现货源特征和用户特征快速匹配，架构简单。

本发明实施例提供一种货源匹配方法，包括如下步骤：

获取用户行为数据，从所述用户行为数据中得到用户行为关联的货源标志信息；

根据所述用户行为关联的货源标志信息得到用户的货源偏好特征向量；

根据用户的货源偏好特征向量与待匹配的货源的特征向量，计算用户与货源的匹配度。

可选地，所述方法还包括如下步骤：

获取创建的货源数据，将所述货源数据输入货源特征模型，得到所述货源特征模型输出的货源的特征向量，将所述货源的特征向量存储于特征向量数据库。

可选地，所述根据所述用户行为关联的货源标志信息得到用户的货源偏好特征向量，包括如下步骤：

根据所述用户行为关联的货源标志信息，从所述特征向量数据库中查询得到用户行为关联的货源特征向量；

根据所述用户行为关联的货源特征向量得到用户的货源偏好特征向量。

可选地，根据所述用户行为关联的货源特征向量得到用户的货源偏好特征向量，包括对同一用户的行为关联的多个货源特征向量求平均，得到用户的货源偏好特征向量。

可选地，采用Flink计算引擎从所述特征向量数据库中查询得到用户行为关联的货源特征向量之后，采用Flink计算引擎对同一用户的行为关联的多个货源特征向量求平均，得到用户的货源偏好特征向量。