[发明专利]一种基于聚类和余弦相似度的物流推荐方法

权利要求书

1.一种基于聚类和余弦相似度的物流推荐方法，其特征在于，包括如下步骤：

步骤一：对货物数据集和货车数据集进行预处理，并使用AP聚类方法、SDbw聚类衡量方法和K-means聚类方法确定货物数据集和货车数据集的聚类个数最佳K值；

步骤二：根据步骤一中确定的最佳聚类个数，对货物数据集和货车数据集使用K-means聚类，并分别使用货物数据集和货车数据集聚类得到的结果训练出两个分类器；

步骤三：需要货车推荐的货主输入货物信息，货物信息经过归一化处理，使用步骤二中货车数据集训练出的分类器分类，需要货物推荐的车主输入车辆信息，车辆信息经过归一化处理，使用步骤二中车辆数据集训练出的分类器分类；

步骤四：使用余弦相似度方法计算步骤三中货主或车主经过归一化处理的数据与分类器分得的类中所有元素的相似度对货物数据集或货车数据集根据相似度从高到低排列，向用户推荐。

2.根据权利要求1所述的一种基于聚类和余弦相似度的物流推荐方法，其特征在于，所述步骤一中使用AP聚类方法、SDbw聚类衡量方法和K-means聚类方法确定货物数据集和货车数据集的聚类个数最佳K值的步骤如下：

步骤1.1：定义货车和货物数据集、对货车和货物数据集进行预处理；

步骤1.2：对货车和货物数据集使用AP聚类方法，得到类别数量；

步骤1.3：对货车和货物数据集使用K-means聚类方法，设定K值从2到步骤1.2得到的数值，使用SDbw聚类衡量方法衡量聚类效果，得到货车和货物数据的聚类最佳K值。

3.根据权利要求1所述的一种基于聚类和余弦相似度的物流推荐方法，其特征在于，所述步骤二中分别使用货物数据集和货车数据集聚类得到的结果训练出两个分类器的步骤如下：

步骤2.1：使用朴素贝叶斯分类器训练模型ModelA，训练数据为使用K-means聚类方法对货车数据聚类的结果，K值为步骤2确定的货车数据最佳聚类K值；

步骤2.2：使用朴素贝叶斯分类器训练模型ModelB，训练数据为使用K-means聚类方法对货物数据聚类的结果，K值为步骤2确定的货物数据最佳聚类K值。

4.根据权利要求1所述的一种基于聚类和余弦相似度的物流推荐方法，其特征在于，所述步骤三中分别使用货车数据集训练出的分类器和车辆数据集训练出的分类器进行分类的步骤如下：

步骤3.1：需要货车推荐的货主输入货物信息，将货物信息归一化处理后，使用分类器ModelA对货物信息分类，得到分类标签；

步骤3.2：需要货物推荐的车主输入车辆信息，将车辆信息归一化处理后，使用分类器ModelB对车辆信息分类，得到分类标签。

5.根据权利要求1所述的一种基于聚类和余弦相似度的物流推荐方法，其特征在于，所述步骤四中使用余弦相似度方法计算货主或车主经过归一化处理的数据与分类器分得的类中所有元素的相似度对货物数据集或货车数据集根据相似度从高到低排列，向用户推荐的步骤如下：

步骤4.1：使用余弦相似度方法，计算货主经过处理的信息与车辆数据集中与货物信息具有相同标签的信息的相似度，根据相似度从大到小进行推荐；

步骤4.2：使用余弦相似度方法，计算车主经过处理的信息与货物数据集中与车辆信息具有相同标签的信息的相似度，根据相似度从大到小进行推荐。