本发明专利技术涉及根据多维数据进行信用评价的资源匹配方法及系统，通过用户和商家的历史回收记录信息来确定用户和回收商的交易偏好，通过用户的基础信用信息和历史回收记录来确定用户的用户信用，并通过回收商的历史回收记录和评价信息来确定回收商信用。最后基于交易偏好以及信用来对用户和回收商进行匹配。本申请运用在回收平台中，利用交易偏好和信用来对交易双方进行匹配，可以最大限度确保双方的交易需求和信用水平一致，为高信用水平的交易用户带来更好的体验。
2、现有技术中，回收物的估价一般默认对于客户填报的信息真实，在进行回收后，回收商进行鉴定并进行打款。但是这个过程中，如果鉴定结果与客户填报信息相差较大，会造成最后的打款与估价相差较大，造成客户不满或者浪费回收成本。
4、获取用户的历史回收记录和基础信用信息，并获取回收商的历史回收记录和评价信息，其中，所述历史回收记录包括回收业务的数量、物品类型、评估价格、打款价格和成交时长；
6、基于用户的基础信用信息和历史回收记录对用户进行回收信用评价，得到用户的初始信用，并基于回收商的历史回收记录和评价信息对回收商进行回收信用评价，得到回收商的初始信用；使用所述回收商的初始信用对所述用户的初始信用进行修正，得到用户信用，并使用所述用户的初始信用对所述回收商的初始信用进行修正，得到回收商信用；
>7、在进行回收交易时，基于所述交易偏好、所述用户信用和所述回收商信用对用户和回收商进行匹配。8、在本申请一实施例中，基于历史回收记录确定用户和回收商的交易偏好，包括：
9、统计历史回收记录中的回收业务数量；
10、对于回收业务数量小于或者等于预设值的用户，获取用户信息，并基于所述用户信息和偏好推荐模型来确定用户的交易偏好，其中，所述偏好推荐模型由经过偏好标注的训练数据训练对人工神经网络进行训练得到，所述训练数据包括用户信息；
11、对于回收商以及回收业务数量大于预设值的用户，基于所述历史回收记录的每笔回收业务确定回收商或者用户的偏好种类、偏好价格段和偏好成交时长范围。
12、在本申请一实施例中，基于所述历史回收记录的每笔回收业务确定回收商或者用户的偏好种类、偏好价格段和偏好成交时长范围，包括：
13、提取每笔回收业务中的物品类型、评估价格、打款价格和成交时长，其中，为回收业务序号；
14、将频次最高的种物品类型作为回收商或者用户的偏好种类；
15、计算每笔回收业务中评估价格、打款价格的平均价格，并计算多笔回收业务中平均值的平均值和标准差，基于所述平均值和所述标准差构建回收商或者用户的偏好价格段，其中，为第一范围调节参数；
16、计算每笔回收业务中成交时长的平均值和标准差，基于所述平均值和所述标准差构建回收商或者用户的偏好成交时长范围，其中，为第二范围调节参数。
17、在本申请一实施例中，基于用户的基础信用信息和历史回收记录对用户进行回收信用评价，得到用户的初始信用，包括：
18、从所述用户的历史回收记录中确定回收业务数量；
19、在所述回收业务数量小于或者等于预设值时，将所述基础信用信息作为用户的评价信息；
20、在所述回收业务数量大于预设值时，计算所述用户的历史回收记录中每一笔回收业务的评估价格和打款价格的偏差率，其中；
21、将偏差率大于预设阈值的回收业务标记为第一目标回收业务，并基于所述第一目标回收业务的数量计算用户的初始信用，其中，所述初始信用的数学表达式为：
22、；
23、式中，为所述基础信用信息对应的基础信用分数，为第一比例参数，为第二比例参数，为第三比例参数，为用户的历史回收记录中回收业务的数量，为第一目标回收业务的数量。
24、在本申请一实施例中，基于回收商的历史回收记录和评价信息对回收商进行回收信用评价，得到回收商的初始信用，包括：
25、计算所述回收商的历史回收记录中每一笔回收业务的评估价格和打款价格的偏差率，其中；并基于预先构建的情感识别模型对所述评价信息中每个评价文本进行情感识别，得到每条评价文本的识别结果，其中，所述识别结果包括正面、中性和负面，所述情感识别模型基于预先进行情感状态标注的训练数据对人工神经网络训练得到，为评价文本的序号；
26、将偏差率大于预设阈值的回收业务标记为第二目标回收业务，并基于所述第二目标回收业务的数量和每条评价文本的识别结果计算回收商的初始信用，其中，所述回收商的初始信用的数学表达式为：
27、；
28、式中，为设定的初始信用分，为第四比例参数，为回收商的历史回收记录中回收业务的数量，为第二目标回收业务的数量，识别结果为正面时，，识别结果为中性时，，识别结果为负面时，。
29、在本申请一实施例中，使用所述回收商的初始信用对所述用户的初始信用进行修正，得到用户信用，包括：
30、筛选出初始信用低于预设信用阈值的目标商家；
31、将存在目标商家的第一目标回收业务去除，并重新利用公式（1）计算用户的信用分，得到第一信用分；
32、对所有用户的第一信用分进行归一化处理，得到用户信用。
33、在本申请一实施例中，使用所述用户的初始信用对所述回收商的初始信用进行修正，得到回收商信用，包括：
34、筛选出初始信用低于预设信用阈值的目标用户；
35、将存在目标用户的第二目标回收业务去除，并重新利用公式（2）计算回收商的信用分，得到第二信用分；
36、对所有回收商的第二信用分进行归一化处理，得到回收商信用。
37、在本申请一实施例中，基于所述交易偏好、所述用户信用和所述回收商信用对用户和回收商进行匹配，包括：
38、基于所述交易偏好计算当前用户与每个回收商的偏好匹配度；并选择匹配度最高的多个回收商作为目标回收商；
39、确定所述当前用户的用户信用的所属区间，并将所述所属区间内的目标回收商作为所述当前用户的匹配回收商，其中，预先将信用分划分为多个区间。
40、在本申请一实施例中，基于所述交易偏好计算用户与每个回收商的偏好匹配度，包括：
41、确定用户与每个回收商的共同偏好种类的数量、偏好价格重合率和偏好成交时长重合率，所述偏好价格重合率为重合价格区段的长度与偏好价格区段的长度的比值，偏好成交时长重合率为重合时间区段的长度与偏好成交区段的长度的比值，为回收商序号；
42、对所述共同偏好种类的数量、所述偏好价格重合率和所述偏好成交时长重合率进行加权求和，得到用户与每个回收商的偏好匹配度，所述偏好匹配度的数学表达式为：
43、；
44、式中，为第一权重，为第二权重，为第三权重。<本文档来自技高网...
【技术保护点】
1.根据多维数据进行信用评价的资源匹配方法，其特征在于，包括步骤：
2.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于历史回收记录确定用户和回收商的交易偏好，包括：
3.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于所述历史回收记录的每笔回收业务确定回收商或者用户的偏好种类、偏好价格段和偏好成交时长范围，包括：
4.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于用户的基础信用信息和历史回收记录对用户进行回收信用评价，得到用户的初始信用，包括：
5.根据权利要求4所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于回收商的历史回收记录和评价信息对回收商进行回收信用评价，得到回收商的初始信用，包括：
6.根据权利要求5所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，使用所述回收商的初始信用对所述用户的初始信用进行修正，得到用户信用，包括：
7.根据权利要求6所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，使用所述用户的初始信用对所述回收商的初始信用进行修正，得到回收商信用，包括：
8.根据权利要求5所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于所述交易偏好、所述用户信用和所述回收商信用对用户和回收商进行匹配，包括：
9.根据权利要求8所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于所述交易偏好计算用户与每个回收商的偏好匹配度，包括：
10.根据多维数据进行信用评价的资源匹配系统，其特征在于，包括：
...
【技术特征摘要】
1.根据多维数据进行信用评价的资源匹配方法，其特征在于，包括步骤：
2.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于历史回收记录确定用户和回收商的交易偏好，包括：
3.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于所述历史回收记录的每笔回收业务确定回收商或者用户的偏好种类、偏好价格段和偏好成交时长范围，包括：
4.根据权利要求1所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于用户的基础信用信息和历史回收记录对用户进行回收信用评价，得到用户的初始信用，包括：
5.根据权利要求4所述的根据多维数据进行信用评价的资源匹配方法，其特征在于，基于回收商的历史回收记录和评价信息对回收商进行回收信用评价，得到回收商的初...
【专利技术属性】
技术研发人员：刘秉钧，王健，
申请(专利权)人：深圳市小绿人环境科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。