[发明专利]货源推荐方法、装置、电子设备、存储介质

说明书

本发明提供一种货源推荐方法、装置、电子设备、存储介质，货源推荐方法包括：实时获取原始特征；调用经训练的货源匹配模型的模型配置文件及特征配置文件，所述模型配置文件及所述特征配置文件于所述货源匹配模型训练后生成；根据所述特征配置文件将所述原始特征转化为特征向量；根据所述模型配置文件建立货源匹配模型对象；以及将所述特征向量输入所述货源匹配模型对象以获得所述货源匹配模型的输出。本发明提供的方法及装置提高特征在模型训练及模型使用时的一致性。

技术领域

本发明涉及互联网技术领域，尤其涉及一种货源推荐方法、装置、电子设备、存储介质。

背景技术

随着大数据时代的到来，对于物流平台，高效匹配找货司机及货物可以极大帮助降低信息搜索成本，提升市场效率。平台具有数据优势，可以根据积累的海量历史数据计算司机历史偏好，并尝试为司机推荐与其偏好相近的货物。然而由于长途货运现实情况的复杂性，仅通过历史数据猜测司机当前偏好有时具有较大误差。因此尽量利用更为实时的司机行为数据猜测其偏好变得非常重要。

目前技术主要通过司机历史上最常关注的货物特性为其推荐货物。缺点在于当前司机所感兴趣的货物并不一定是其历史上最常关注的，影响因素比如司机所在位置，期望搜索路线，同一个车头拉不同长度货车，过去三个月该司机60％运载货物为一条路线上并不能推测本次搜货关注也为此条路线等等，较难仅仅通过历史数据的统计获得有效信息。另一方面，在货源详情页场景仅仅通过本次点击的货源信息由于货源本身特征维数较多难以直接通过简单计算准确推荐。

因此，物流平台的货源匹配的准确预测仍是亟待解决的问题。

在一些现有技术中，会通过开源的机器学习的模型预测来提高物流平台的货源匹配预测的准确率。

目前的模型预测的在线计算主要通过两个方式来实现：

1)将模型整体转写为线上服务支持的语言后进行计算；

但该方式具有如下缺陷：开发工作量大。在已经模型迭代速度日益加快且有许多成熟的开源科学计算库的情况下，人工转写模型的低效率开发方案终将难以满足业务需求。业务逻辑与计算逻辑耦合。即使业务逻辑没有改动，当任意业务场景下的机器学习模型或参数需要更改时，整体服务都需要进行大规模的重新发布。

2)利用部分机器学习库提供的部署接口并进行计算。

而对于直接调用已有的开源机器学习库接口的方案，问题主要是当前不同业务需要利用不同的框架和语言。当对各种框架进行分别调用时，极容易导致线上线下模型不统一、重复进行兼容性设置等问题。

由此可见，现有技术中，如何减少模型在线计算的开发成本、线上线下模型的一致性，从而在应用到货源匹配预测时，提高货源匹配的准确性，是亟待解决的问题。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种货源推荐方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种货源推荐方法，包括：

实时获取原始特征；

调用经训练的货源匹配模型的模型配置文件及特征配置文件，所述模型配置文件及所述特征配置文件于所述货源匹配模型训练后生成，所述模型配置文件唯一对应一特征配置文件；

根据所述特征配置文件将所述原始特征转化为特征向量；

根据所述模型配置文件建立货源匹配模型对象；以及

将所述特征向量输入所述货源匹配模型对象以获得所述货源匹配模型的输出。

可选地，所述特征配置文件根据所述货源匹配模型训练时，获取的原始特征与输入所述货源匹配模型的特征向量的转化生成。