车辆推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及深度学习领域，特别是涉及一种车辆推荐方法、装置、计算机设备和存储介质。

背景技术

随着电子商务的蓬勃发展，在整个社会商品零售额中，线上消费的占比越来越高。网络购物给消费者提供的巨大的购物优势主要体现在突破时空限制、购物方便、更多的商品选择、有竞争力的价格、丰富的商品信息、个性化和定制化上。其中，利用用户的行为数据提高电商运营和广告投放效率，被越来越多的电商企业和广告主所关注。

汽车B2B的营销场景下，DMP(Data Management Platform，数据管理平台)根据用户对车辆的浏览点击，产生用户对车型、品牌的偏好作为车商的画像，帮助平台对车商进行个性化营销。在营销过程中，当进行短信或者推送营销时，为了推销高意向的车型，往往会使用以下标签：近期成交车型，近期浏览车型，近期点击车型。但是这些标签不够灵活，近期的购买浏览，不一定代表未来的偏好，同时这些标签过于简单粗暴，用户的长尾偏好在这个过程中被忽略，比如用户没有交互的车辆并不是没有购买意愿，只是暂时的市场行情所致，最后导致用户的推荐列表越推越窄，同时让B2B平台上的其他车型曝光度不够。

目前针对相关技术中车辆推荐准确度低的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种车辆推荐方法、装置、计算机设备和存储介质，以至少解决相关技术中车辆推荐准确度低的问题。

第一方面，本申请实施例提供了一种车辆推荐方法，包括：

获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；

通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；

读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。

在其中一些实施例中，所述获取待推荐的第一车辆的第一车辆信息包括：

获取所述第一车辆的车型、车系以及品牌中的至少一种信息作为所述车型信息；

获取所述第一车辆的车辆图像；

将所述车辆图像输入经训练的神经网络模型，得到所述第一车辆的外观信息，所述外观信息包括表征车辆外观相似度的外观向量。

在其中一些实施例中，所述通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量包括：

基于所述历史流量信息生成用户点击行为序列；

通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量。

在其中一些实施例中，所述基于所述历史流量信息生成用户点击行为序列包括：

基于所述历史流量信息构建有向无权图，所述有向无权图包括车辆信息以及车辆点击顺序；

在所述有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。

在其中一些实施例中，所述通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量包括：

将所述第一车辆信息作为输入，将所述用户点击行为序列中第一车辆的相邻车辆作为输出，对所述向量表征模型进行训练，得到隐层向量，将所述隐层向量作为所述第一车辆的第一特征向量。

在其中一些实施例中，所述读取存储的第二特征向量之前还包括：

基于所述用户点击行为序列、第二车辆的历史交易信息对所述向量表征模型进行训练，得到第二车辆的隐层向量；

基于所述第二车辆的隐层向量获取所述第二车辆的隐层向量的平均值，得到所述第二特征向量。

在其中一些实施例中，所述基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆包括：

获取所述第一特征向量与第二特征向量的余弦相似度；

基于所述余弦相似度对所述第一车辆进行排序；

基于排序从高到低选取预设数量的第一车辆进行推荐。

第二方面，本申请实施例提供了一种车辆推荐装置，包括：

获取模块，用于获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；

第一处理模块，用于通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；

推荐模块，用于读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆推荐方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的车辆推荐方法。

相比于相关技术，本申请实施例提供的车辆推荐方法、装置、计算机设备和存储介质，通过获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签解决了相关技术中车辆推荐准确度低的缺点和不足，提高了车辆推荐的准确度。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的车辆推荐方法的流程示意图；

图2是根据本申请实施例的车辆推荐方法的经训练的神经网络模型的结构图；

图3是根据本申请实施例的车辆推荐方法的有向无权图的示意图；

图4是根据本申请实施例的车辆推荐方法的向量表征模型的结构图；

图5是根据本申请优选实施例的车辆推荐方法的流程示意图；

图6是根据本申请实施例的车辆推荐装置的结构框图；

图7是根据本申请实施例的计算机设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

在对本申请的实施例进行描述和说明之前，先对本申请中使用的相关技术进行说明如下：向量表征模型，为采用word2vec算法的神经网络模型。采用word2vec算法的神经网络模型，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后，word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络之隐藏层。

图1是根据本申请实施例的车辆推荐方法的流程示意图。如图1所示，该流程包括：

步骤S101，获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，第一车辆信息包括第一车辆的车型信息以及外观信息。

示例性地，用户的历史流量信息即预设时间内，用户对推荐车辆进行浏览点击时产生的交互数据，例如用户点击查看的车辆的车型、车系、品牌，用户点击查看车辆的顺序等。可以理解的，用户的历史流量信息可以通过在用户端的埋点获得。在本实施例中，第一车辆为车商需要进行推送营销的车辆，其具体范围可以根据实际情况具体确定，此处不做限定。

步骤S102，通过预设的向量表征模型对第一车辆信息和历史流量信息进行处理，得到第一车辆的第一特征向量。

在本实施例中，可以采用word2vec算法的神经网络模型作为向量表征模型，将第一车辆信息作为输入，用户的历史流量信息作为输出进行联合训练，得到第一车辆的第一特征向量。在其他实施例中，也可以采用其他神经网络模型进行训练得到第一特征向量，此处不做具体限定。

步骤S103，读取存储的第二特征向量，并基于第一特征向量和第二特征向量对第一车辆进行排序，根据排序结果确定推荐的车辆，其中，第二特征向量由向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。

示例性地，第二车辆的历史交易信息即用户在预设时间内购买车辆的数据，其中包括购买车辆的车型信息以及外观信息，将历史交易信息作为输入，用户的历史流量信息作为输出，对同样采用word2vec算法的神经网络模型进行联合训练，得到第二车辆的第二特征向量。可以理解的，此步骤采用的神经网络模型只需与步骤S102采用的神经网络模型一致即可。

可以理解的，第一特征向量表征第一车辆的综合特征，第二特征向量表征第二车辆的综合特征，将第一特征向量与第二特征向量进行比对，即可得出第一车辆中哪些车辆与用户的购买需求与偏好更加接近，量化后进行排序并将排序靠前的车辆推荐给用户。

通过上述步骤S101至步骤S103，通过获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，第一车辆信息包括第一车辆的车型信息以及外观信息；通过预设的向量表征模型对第一车辆信息和历史流量信息进行处理，得到第一车辆的第一特征向量；读取存储的第二特征向量，并基于第一特征向量和第二特征向量对第一车辆进行排序，根据排序结果确定推荐的车辆，其中，第二特征向量由向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。的方式，通过向量表征模型，将车辆的多个模态的特征转化为表征相似度的向量语句，并与用户的购买车型进行比对，以进行推荐，而不仅是依赖车型进行推荐，比对更加全面，解决了原先营销过程中只能对用户交互过的车型进行推荐的缺点和不足，推动了长尾汽车商品的营销和曝光，提升了整体的营销效果，提高了车辆推荐的准确度。

在其中一些实施例中，获取待推荐的第一车辆的第一车辆信息包括如下步骤：

步骤1，获取第一车辆的车型、车系以及品牌中的至少一种信息作为车型信息。

步骤2，获取第一车辆的车辆图像；将车辆图像输入经训练的神经网络模型，得到第一车辆的外观信息，外观信息包括表征车辆外观相似度的外观向量。

该实施例获取车型、车系以及品牌中的至少一种信息作为车型信息，在车辆未被销售过的情况下，可以利用车系或品牌代替车型特征，和图片向量进行拼接，解决商品的冷启动问题；另外，先对车辆图像进行预处理，得到表征车辆外观相似度的外观向量作为外观信息，使车辆推荐更加准确。

在本实施例中，根据第一车辆的车型，对平台上的汽车图片进行标注，首先通过汽车检测模型将汽车展示页的banner图进行标准化，将前景和后景分开，将汽车的后景图片作为车辆图像，输入到经训练的神经网络模型中，得到图片向量。在本实施例中，可以采用resnet-34深度学习模型作为神经网络模型进行训练。请参阅图2，图2是根据本申请实施例的车辆推荐方法的经训练的神经网络模型的结构图。在传统的softmax损失情况下，在本实施例的神经网络模型中加入center loss作为惩罚项使得外观特征相似的车辆的图片向量的距离近；外观特征不同的车辆图片向量的距离远。具体的，损失函数如下：

其中，L

最终产生的512维向量作为汽车外观信息。在其他实施例中，可以采用其他深度学习模型对车辆图片进行处理，只需能够得到表征车辆相似度的图片向量即可。

可以理解的，第一车辆的外观信息可以为车辆图片，也可以为基于车辆图片进行处理得到的图片向量。

其中一些实施例中，通过预设的向量表征模型对第一车辆信息和历史流量信息进行处理，得到第一车辆的第一特征向量包括如下步骤：

步骤1，基于历史流量信息生成用户点击行为序列。

步骤2，通过预设的向量表征模型对第一车辆信息和用户点击行为序列进行处理，得到第一车辆的第一特征向量。

示例性地，基于用户的历史流量信息，即预设时间内，用户对推荐车辆进行浏览点击时产生的交互数据，例如用户点击查看的车辆的车型、车系、品牌，用户点击查看车辆的顺序等，可以得到多条用户点击行为序列，即以车辆的车型信息为节点，以用户的点击顺序为连接线形成的序列，用以表征用户的偏好情况。

其中一些实施例中，基于历史流量信息生成用户点击行为序列包括如下步骤：

步骤1，基于用户的历史流量信息构建有向无权图，有向无权图包括车辆信息以及车辆点击顺序。

步骤2，在有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。

本实施例通过建立有向无权图，并进行随机游走的方式生成用户点击行为序列，得到的用户点击行为序列反映的数据更加全面，数据量更大，对神经网络训练效果更好，使车辆推荐的准确度更高。

请参阅图3，图3是根据本申请实施例的车辆推荐方法的有向无权图的示意图。示例性地，将有向无权图定义为G＝(V，ε)，其中V和ε分别代表着点和边的集合，图向量化的目的是学习一个图向量表征模型Φ：V→R

获得用户对车辆的点击序列，其中点击的序列以天来截断，就会得到每个用户每天的点击序列[car1，car2，car3，...]。

每个车辆作为节点V嵌入到图当中，遍历点击序列，当点击car1后点击car2，将节点1和节点2连接，并将方向设为节点1到节点2。

遍历所有用户的点击序列，构建关于点击顺序为边，车辆为节点的有向无权图。

示例性地，有向无权图构建完成后，选择任意起始节点进行随机游走，生成多条用户点击行为序列作为训练集。具体的，随机游走的流程如下：

输入参数：图G＝(V，ε)，迭代次数γ，每条路径长度t

输出：路径集合Paths

for i＝0in range(γ):

将顶点随机排列，O

初始化路径集合Paths初始化单条路径Path

for每一个vi∈O do:

for k＝0in range(t):

从v

node＝random(neighbor(v

end for

Paths.append(Path)

end for

end for

示例性地，以任意节点为起始点，t为路径长度，在有向无权图上进行随机游走，游走节点数到达t后得到一条用户点击行为序列，再重新选取任意节点进行迭代，迭代次数为γ，最终得到γ条用户点击行为序列。

其中一些实施例中，通过预设的向量表征模型对第一车辆信息和用户点击行为序列进行处理，得到第一车辆的第一特征向量包括如下步骤：将第一车辆信息作为输入，将用户点击行为序列中第一车辆的相邻车辆作为输出，对向量表征模型进行训练，得到隐层向量，将隐层向量作为第一车辆的第一特征向量。

本实施例通过向量表征模型将车辆的多种特征进行综合，得到综合表征车辆特征的特征向量，使特征表达更加准确，车辆推荐的准确度更高。

请参阅图4，图4是根据本申请实施例的车辆推荐方法的向量表征模型的结构图。

车辆的车型信息包括车辆特征、品牌特征以及车系特征，图片特征即为外观信息。

在本实施例中，向量表征模型的输入为第一车辆的第一车辆信息，即车型信息以及外观信息，具体的，车型信息可以为车辆的品牌、车系或是具体车型，也可以将三者与外观信息同时作为输入；输出为用户点击行为序列中作为输入的第一车辆的相邻两车辆，即第一车辆在用户点击行为序列中的上游车辆及下游车辆。

采用第一车辆的车辆信息、外观信息以及用户点击行为序列作为训练集，对向量表征模型进行训练，即可得到每一输入对应的隐层向量，可用来表示词对词之间的关系，即第一特征向量。

在其他实施例中，可以采用其他神经网络模型，只需能够基于输入的特征综合得到特征向量即可。

其中一些实施例中，读取存储的第二特征向量之前还包括如下步骤：

步骤1，基于用户点击行为序列、第二车辆的历史交易信息对向量表征模型进行训练，得到第二车辆的隐层向量。

步骤2，基于第二车辆的隐层向量获取第二车辆的隐层向量的平均值，得到第二特征向量。

本实施例通过对用户历史交易信息中的车辆采用与第一车辆同样的向量转换方式，得到表征车辆综合特征的特征向量，在后续与第一车辆进行特征比对时更加匹配，使车辆的推荐准确度更高。

示例性地，对第二车辆采用同样的向量转换方式，先获取第二车辆的历史交易信息，即车型信息与外观信息，再将品牌、车系或车型以及外观信息作为输入，将用户点击行为序列作为输出，对向量表征模型进行训练，以得到每一输入的第二车辆对应的隐层向量，对所有第二车辆的隐层向量求平均值，即得到第二特征向量。

可以理解的，对于每辆车辆，可以通过提取连续型嵌入特征来表征，例如，车辆的车型、车系、品牌以及外观信息均为512维表征向量，通过神经网络进行加权拼接后，即得到1024维或1536维或2048维的隐层向量，用于综合表示车辆的特征。

其中一些实施例中，基于第一特征向量和第二特征向量对第一车辆进行排序，根据排序结果确定推荐的车辆包括如下步骤：

步骤1，获取第一特征向量与第二特征向量的余弦相似度。

步骤2，基于余弦相似度对第一车辆进行排序。

步骤3，基于排序从高到低选取预设数量的第一车辆进行推荐。

本实施例通过计算第一特征向量与第二特征向量的余弦相似度来比较第一车辆与第二车辆的相似度，对特征向量进行量化比较，更加直观，便于排序推荐，推荐准确度更高。

示例性地，运营B端厂商营销时，根据历史的购买，构建了推荐列表。根据该推荐列表，获取每个第二车辆的隐向量，求平均后获得中心向量，然后计算每一第一车辆的隐向量，计算第一车辆的隐向量与中心向量的余弦相似度，通过相似度对第一车辆进行排序，选择top-N的车辆放入营销列表中，增加推荐列表的鲁棒性和长尾效应。具体的，选择多少车辆进行推荐可以根据实际情况进行设定。

其中一些实施例中，第一神经网络模型的训练集的输入可以为车型或品牌或车系中的一种或多种以及外观信息，车型或品牌或车系中的一种或多种与外观信息共同作为多模态特征。当第一车辆的车型是新上车型时，此时并没有积累一定的浏览点击，无法基于车型特征得到特征向量，此时我们可以利用品牌或者车系特征代替车型特征构成隐层向量，并和外观信息进行拼接，得到1024维向量作为特征向量，这样很好的解决了商品的冷启动问题。

请参阅图5，图5是根据本申请优选实施例的特征向量获取方法的流程示意图。如图5所示，该流程包括：

步骤S501，车辆外观信息提取。

示例性地，可以根据车辆图像提取车辆外观信息，外观信息表征车辆外观相似度。

步骤S502，获取用户历史流量信息。

示例性的，用户的历史流量信息即预设时间内，用户对推荐车辆进行浏览点击时产生的交互数据，例如用户点击查看的车辆的车型、车系、品牌，用户点击查看车辆的顺序等。

步骤S503，构建有向无权图。

示例性地，基于用户的历史流量信息，遍历所有用户的点击序列，构建关于点击顺序为边，车辆为节点的有向无权图。

步骤S504，随机游走，产生用户点击行为序列。

示例性地，在有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。

步骤S505，输入车辆的车型信息和外观信息。

示例性地，将车辆的车型信息、外观信息输入向量表征模型。

步骤S506，训练向量表征模型。

示例性地，将车辆的车型信息、外观信息作为输入，第一车辆在用户点击行为序列中的上游车辆及下游车辆作为输出对向量表征模型进行训练。

步骤S507，生成特征向量。

示例性地，获取向量表征模型中的隐层向量作为特征向量。

本实施例通过向量表征模型将车辆的多种特征进行综合，得到综合表征车辆特征的特征向量，使特征表达更加准确，车辆推荐的准确度更高。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例还提供了一种车辆推荐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是根据本申请实施例的车辆推荐装置的结构框图，如图6所示，该装置包括：

获取模块10，用于获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，第一车辆信息包括第一车辆的车型信息以及外观信息。

第一处理模块20，与获取模块10耦合连接，用于通过预设的向量表征模型对第一车辆信息和历史流量信息进行处理，得到第一车辆的第一特征向量。

推荐模块30，与第一处理模块20耦合连接，用于读取存储的第二特征向量，并基于第一特征向量和第二特征向量对第一车辆进行排序，根据排序结果确定推荐的车辆，其中，第二特征向量由向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。

其中一些实施例中，获取模块10，还用于获取第一车辆的车型、车系以及品牌中的至少一种信息作为车型信息；获取第一车辆的车辆图像；将车辆图像输入经训练的神经网络模型，得到第一车辆的外观信息，外观信息包括表征车辆外观相似度的外观向量。其中一些实施例中，第一处理模块20用于基于历史流量信息生成用户点击行为序列；通过预设的向量表征模型对第一车辆信息和用户点击行为序列进行处理，得到第一车辆的第一特征向量。

其中一些实施例中，第一处理模块20用于基于用户的历史流量信息构建有向无权图，有向无权图包括车辆信息以及车辆点击顺序；在有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。

其中一些实施例中，第一处理模块20用于将第一车辆信息作为输入，将用户点击行为序列中第一车辆的相邻车辆作为输出，对向量表征模型进行训练，得到隐层向量，将隐层向量作为第一车辆的第一特征向量。

其中一些实施例中，推荐模块30用于获取第一特征向量与第二特征向量的余弦相似度；基于余弦相似度对第一车辆进行排序；基于排序从高到低选取预设数量的第一车辆进行推荐。

其中一些实施例中，车辆推荐装置还用于基于用户点击行为序列、第二车辆的历史交易信息对向量表征模型进行训练，得到第二车辆的隐层向量；基于第二车辆的隐层向量获取第二车辆的隐层向量的平均值，得到第二特征向量。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

另外，结合图1描述的本申请实施例的车辆推荐方法可以由计算机设备来实现。图7为是根据本申请实施例的计算机设备的硬件结构示意图。

计算机设备可以包括处理器71以及存储有计算机程序指令的存储器72。

具体地，上述处理器71可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器72可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器72可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器72可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器72可在数据处理装置的内部或外部。在特定实施例中，存储器72是非易失性(Non-Volatile)存储器。在特定实施例中，存储器72包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器72可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器71所执行的可能的计算机程序指令。

处理器71通过读取并执行存储器72中存储的计算机程序指令，以实现上述实施例中的任意一种车辆推荐方法。

在其中一些实施例中，计算机设备还可包括通信接口73和总线70。其中，如图7所示，处理器71、存储器72、通信接口73通过总线70连接并完成相互间的通信。

通信接口73用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口73还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线70包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线70包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线70可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线70可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以基于获取到的计算机程序指令，执行本申请实施例中的车辆推荐方法，从而实现结合图1描述的车辆推荐方法。

另外，结合上述实施例中的车辆推荐方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆推荐方法。

上述车辆推荐方法、装置、计算机设备和存储介质，通过获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，第一车辆信息包括第一车辆的车型信息以及外观信息；通过预设的向量表征模型对第一车辆信息和历史流量信息进行处理，得到第一车辆的第一特征向量；读取存储的第二特征向量，并基于第一特征向量和第二特征向量对第一车辆进行排序，根据排序结果确定推荐的车辆，其中，第二特征向量由向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。的方式，通过向量表征模型，将车辆的多个模态的特征转化为表征相似度的向量语句，并与用户的购买车型进行比对，以进行推荐，而不仅是依赖车型进行推荐，比对更加全面，解决了原先营销过程中只能对用户交互过的车型进行推荐的缺点和不足，推动了长尾汽车商品的营销和曝光，提升了整体的营销效果，提高了车辆推荐的准确度。同时，可以利用车系或品牌代替车型特征，和图片向量进行拼接，很好的解决了商品的冷启动问题。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。