本发明涉及汽车服务技术领域，具体涉及一种基于主动推荐的养车系统及方法。
背景技术：
随着社会的发展，汽车的使用越来越普遍，而车辆在使用的过程中涉及车辆的维修和保养等，现有技术中，大多需要车主去相应的4s店或者车辆维修店去选择对应的服务；
虽然现在也出现了一些网上的养车平台，但是这些平台都是基于用户请求再进行响应的被动式服务模式，由于不同车主具备的车辆知识的不同，而这些平台上的海量信息也导致了用户选择的难题，以及搜索所花费过多时间的问题，因此，该模式缺乏主动性，影响服务资源的利用率和用户体验。
技术实现要素：
为至少在一定程度上克服现有技术中存在的问题，本发明提供了一种基于主动推荐的养车系统及方法，以克服现有技术中，被动式服务所存在的缺乏主动性的缺陷。
第一方面：一种基于主动推荐的养车系统，所述系统包括服务器端，所述服务器端用于：
获取用户使用养车服务的历史数据；
从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集；
在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。
作为本申请一种可选的实施方式，将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播。
作为本申请一种可选的实施方式，所述最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数。
作为本申请一种可选的实施方式，所述服务器端还用于：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
作为本申请一种可选的实施方式，所述服务器端还用于根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
第二方面：一种基于主动推荐的养车方法，所述方法包括：
获取用户使用养车服务的历史数据；
从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集；
在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。
作为本申请一种可选的实施方式，将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播。
作为本申请一种可选的实施方式，所述最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数。
作为本申请一种可选的实施方式，所述方法还包括：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
作为本申请一种可选的实施方式，所述方法还包括：根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
用户下单时，可单独购买或拼团购买；其中，所述拼团购买包括参与拼团和发起拼团。
采用上述技术方案，具有以下优点：本发明提出的一种基于主动推荐的养车系统及方法，通过对用户历史养车数据的处理，可以得到用户未来使用某一类服务的概率，以此选取概率值较大的服务类别作为该用户的服务需求，并依据预测的用户服务需求，确定满足该需求的候选服务集，在候选服务集内部,按用户历史使用服务的频率并结合服务的评价数据，选择最合适的服务主动推荐给用户，以克服现有技术中，被动式服务所存在的缺乏主动性的缺陷。
附图说明
图1是本发明实施例所提供的一种基于主动推荐的养车系统的结构图；
图2是本发明实施例所提供的一种基于主动推荐的养车方法的流程图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
下面结合附图，对本发明作详细的说明。
参考图1所示，一种基于主动推荐的养车系统，所述系统包括服务器端，所述服务器端用于：
获取用户使用养车服务的数据；
从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集；
在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。
具体地，应用时，该系统与用户使用的客户端配合使用，最终的推荐也是通过用户的客户端进行展示，与服务器端对接的用户数量为多个，可同时进行处理；所述养车服务的数据从多个维度获取数据，包括用户-服务-车辆等，然后再进行分解、提取；实施时，采用基于矩阵分解的提取方法构建所述用户数据矩阵，即用户对所有类型服务的历史使用情况；服务数据矩阵，即某一服务所有用户的历史使用情况。
进一步地，将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；即初始化权重值和偏置值，然后该网络前向传播；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播。
通过所述深度神经网络对输入数据的处理，从而从数据中学习得到输入与输出的关系映射；
在本实施例中，这一步骤即得到用户对不同服务类型的需求概率。
应用时，客户的需求可能存在多个，因此，为了使得主动推荐的更加全面与准确，因此，先得出候选服务集；再根据用户历史使用服务的频率并结合服务的评价数据，选择综合评价最优的服务并主动地推荐给用户。
进一步地，所述最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数，取值范围在0到1之间。
需要说明的是，使用频率、服务评价可从历史数据中获取；其中，服务评价可采用现有的用户评价打分方式；这样就可得到每个候选服务的推荐值，然后将排名靠前的多个服务作为所述综合评价最优的服务主动地推荐给用户。
采用上述方案，通过对用户历史养车数据的处理，可以得到用户未来使用某一类服务的概率，以此选取概率值较大的服务类作为该用户的服务需求，并依据预测的用户服务需求，确定满足该需求的候选服务集，在候选服务集内部,按用户历史使用服务的频率并结合服务的评价数据，选择最合适的服务主动推荐给用户，以克服现有技术中，被动式服务所存在的缺乏主动性的缺陷。
进一步地，应用时，有些车辆的服务有一定的特殊性，其使用频率并不高，例如，变速箱的清洗服务，一般两至三年才需要，若按上述方案，则存在一定服务项目的遗漏，因此，所述服务器端还用于根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
具体地，车辆信息包括车辆的品牌、使用的年限、保养服务等数据。
进一步地，上述技术方案只是考虑到用户的历史数据情况来做出的主动推荐，并未考虑到用户使用时的个人情感、主观偏好，因此，在上述技术方案的基础上，所述服务器端还用于：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
所述产品数据包括品牌名、产品名和规格等信息；例如，米其林，轮胎，18寸；当然在实际应用时，其输入格式并不做限定；这样，在后续的主动推荐过程中，充分将用户的个人情感考虑到其中，例如，有的喜欢德系品牌，有的喜欢日系，还有的喜欢国产品牌等，从而使得主动推荐更加准确，用户的使用体验更高。
基于上述同样的发明构思，参照图2所示，本发明实施例还公开了一种基于主动推荐的养车方法，应用于前文所述的一种基于主动推荐的养车系统，所述方法包括：
s101，获取用户使用养车服务的历史数据；
s102，从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
s103，再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集。
具体地，所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播
s104，在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。具体地，最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数。
需要说明是，上述方法实施例中各步骤的执行主体均为服务器端，即可理解为服务器，后台端等。
实施时，进一步的，所述方法还包括：
根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
上述技术方案只是考虑到用户的历史数据情况来做出的主动推荐，并未考虑到用户使用时的个人情感、主观偏好，因此，在上述技术方案的基础上，所述方法还包括：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
这样，在后续的主动推荐过程中，充分将用户的个人情感考虑到其中，从而使得主动推荐更加准确，用户的使用体验更高。
需要说明的是，在上述方法实施例中的具体实施方式，可参照前文系统实施例中的描述，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
1.一种基于主动推荐的养车系统，其特征在于，所述系统包括服务器端，所述服务器端用于：
获取用户使用养车服务的历史数据；
从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集；
在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。
2.根据权利要求1所述的一种基于主动推荐的养车系统，其特征在于，将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播。
3.根据权利要求1所述的一种基于主动推荐的养车系统，其特征在于，所述最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数。
4.根据权利要求1至3中任一所述的一种基于主动推荐的养车系统，其特征在于，所述服务器端还用于：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
5.根据权利要求4所述的一种基于主动推荐的养车系统，其特征在于，所述服务器端还用于根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
6.一种基于主动推荐的养车方法，其特征在于，所述方法包括：
获取用户使用养车服务的历史数据；
从所述历史数据中提取出用户数据和服务数据，并根据所述用户数据构建用户数据矩阵，根据所述服务数据构建服务数据矩阵；
再将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，以得出用户对不同服务类型的需求概率，并形成候选服务集；
在所述候选服务集中结合使用的服务频率和服务评价，选择出最优的服务并主动推荐给用户。
7.根据权利要求6所述的一种基于主动推荐的养车方法，其特征在于，将所述用户数据矩阵和服务数据矩阵传送至预设的深度神经网络进行处理，具体包括：
初始化所述深度神经网络的参数；
将所述用户数据矩阵和服务数据矩阵加载至所述深度神经网络的输入层；
再依次经过所述深度神经网络的隐含层和输出层，得出用户对不同服务类型的需求概率；
所述深度神经网络再进行反向传播求解最适合的神经网络参数；
再进行迭代训练；
重复进行深度神经网络的前向传播和反向传播。
8.根据权利要求6所述的一种基于主动推荐的养车方法，其特征在于，所述最优的服务通过以下方式进行计算：
t(pi)＝x*f1(pi) (1-x)*f2(pi)；其中，pi表示每个候选服务，f1(pi)表示各服务的使用频率，f2(pi)表示各服务的服务评价，t(pi)表示各服务的推荐值，x表示可变参数。
9.根据权利要求6至8所述的一种基于主动推荐的养车方法，其特征在于，所述方法还包括：
获取所述历史数据中的产品数据；
将所述产品数据和用户数据进行聚类分析，并对分类后的产品和用户进行情感标签的标记；其中，所述情感标签包括品牌、尺寸、材质和颜色；
再将标记后的产品数据和用户数据补入到各自对应的数据矩阵中。
10.根据权利要求9所述的一种基于主动推荐的养车方法，其特征在于，所述方法还包括：
根据用户上传的车辆信息，生成车辆的保养信息并主动推荐给用户。
技术总结