车型推荐方法、获取车型推荐列表的方法、系统、介质及电子设备

技术领域

本发明涉及计算机网络技术领域，具体涉及一种车型推荐方法、获取车型推荐列表的方法、系统、介质及电子设备。

背景技术

推荐系统主要有三种：协同系统、基于知识的系统以及基于内容的系统。协同系统和基于内容的系统都基于特定的评分，基于知识的系统不是基于用户评分，而是基于用户指定的需求。基于知识的系统在不常购买的物品背景下特别有用，像购买房产、汽车、旅游需求、金融服务或者昂贵奢侈品这样的物品。这是因为，当物品购买率低且有不同类型的详细选择时，对于这种物品，是很难获得足够数量的对于一个特定的实例化（即各类选项的组合）的评分的。此外，消费者对于物品的偏好也可能随着时间的推移而改变。例如，汽车的模型几年后也许会发生变化，相应地，用户的喜好也许会发生变化。在其他一些情况下，也许很难凭借历史评分数据（例如用户的评分）完全抓住用户的兴趣。一个物品可能有着很多的属性，而用户仅仅对物品中的特定属性感兴趣。例如，汽车可能有制造商、模型、颜色、引擎选择和内设选项，用户的兴趣也许仅仅局限于这几个选项的一个特定组合。因此，在这些情况中，物品过多的属性导致很难将足够多的评分和这种庞大的组合建立关联。

另外，针对用户往往会基于社会心理、情感的传染和整合等现象对彼此产生影响的状况，提出了组推荐系统，其针对一组用户而不是单个用户推荐某一特定活动。基于知识的系统特别适合组推荐，因为其不是基于用户评分，而是基于用户指定的需求，而且组推荐系统允许用户群体在实际使用该物品之前以交互方式达成共识。这减少了在最终推荐中不满意的可能性。

现有推荐系统在启动时经常会遇到冷启动问题，其主要根源在于，最初可用评分数据量相对较小。在这种情况下，它难以应用传统的协同过滤模型。并且，现有系统严重依赖于用户提供的历史数据。然而，评分矩阵有时过于稀疏，这给提供有意义的推荐带来挑战。在这种情况下，重要的是要快速获得更多的评分以建立评分矩阵。然而，获取评分的过程是耗时的，并且成本高，因为用户没有感到效益时，通常不愿意自愿提供评分。中国专利申请公布号CN10629638A公开了一种车型推荐系统和方法，该系统由于需要用户注册并填写个人信息，因此存在对用户的隐私数据要求或多而导致冷启动的问题；另一中国专利申请公布号CN110458663A公开了一种车辆推荐方法、装置、设备及存储介质，由于需要利用用户的性别、年龄等基本属性信息或者住址、职业等附加属性信息构建当前用户的用户特征向量，并利用当前用户在先进行的诸如浏览、收藏等交互行为的车辆作为待推荐车辆，来确定待推荐车辆的车辆特征向量，由于该推荐系统在启动之初需要采集用户的个人信息和交互行为信息，同样存在冷启动的问题。

发明内容

本发明的目的在于，提供一种车型推荐方法、获取车型推荐列表的方法、系统、介质及电子设备，不依赖于用户的隐私数据或历史评分数据，以解决在现有车型推荐系统中存在的冷启动问题，并且能够基于各人群类别的社会心理、情感的传染和整合等现象对类别内用户产生影响的状况，对用户做出有效推荐以及实现推荐系统的推荐数据的更新和优化。

根据本发明的一个方案，提供了一种车型推荐方法，包括：接收当前用户对预定义人群类别列表中的第一人群类别的选择，其中所述预定义人群类别列表包括多个人群类别，所述多个人群类别中的每一个各自包括相应的：人群属性标签库、购车属性标签库以及人群类别车型库；响应于所述选择，生成从所述第一人群类别对应的人群类别车型库中选取的包含至少一个推荐车型的车型推荐列表，所述至少一个推荐车型是按照对所述第一人群类别相应的所述人群类别车型库中的各个车型的权重的排序而选出的；收集并统计各个人群类别的用户对多个车辆领域文章的第一多维度行为，根据所述第一多维度行为确定出待分析的车辆领域文章，并且基于所述待分析的车辆领域文章更新相应于各个人群类别的所述人群属性标签库和所述购车属性标签库；基于更新后的所述人群属性标签库及所述购车属性标签库分别与车辆口碑数据的匹配结果，更新相应所述人群类别车型库，从而基于更新的所述人群类别车型库，相应地更新所述车型推荐列表。

发明的另一方案中，还提供一种获取车型推荐列表的系统，包括：人群类别选择模块，其配置为接收当前用户对预定义人群类别列表中的第一人群类别的选择；推荐请求发送模块，其配置为将选定的所述第一人群类别和车型推荐请求发送到服务器；推荐列表接收模块，其配置为接收所述服务器执行根据上述的方法得到的包含至少一个推荐车型的所述车型推荐列表；显示模块，其配置为将所述车型推荐列表显示在用户界面上。本发明的另一方案中，还提供一种非临时性计算机可读介质，包括其上存储有计算机可执行代码，所述计算机可执行代码在被处理器执行时实现根据上述的方法。

本发明的还一方案中，还提供一种电子设备，包括处理器、存储器以及其上存储的计算机可执行代码，其特征在于，当所述处理器执行所述计算机可执行代码时实现上述方法。

本公开的车型推荐方法，在接收到当前用户对人群类别的选择的情况下，确定相应的人群属性标签库、购车属性标签库以及人群类别车型库，并且可以根据统计的各个人群类别的用户对车辆领域文章的第一多维度行为更新人群属性标签库和购车属性标签库，并基于更新后的人群属性标签库和购车属性标签库更新相应的人群类别车型库，从而生成的车型推荐列表可以相应地更新。本公开的车型推荐方法仅需接收用户对人群类别的选择，不依赖于用户的个人隐私数据或历史数据，较好地解决了推荐系统的冷启动问题，并基于人群类别用户对车辆领域文章的多维度行为更新人群属性标签库和购车属性标签库，继而更新了人群类别车型库和相应生成的车型推荐列表，使得所作出的推荐考虑到各人群类别的社会心理、情感的传染和整合，作出了针对各人群类别用户的有效车型推荐，并且由于推荐车型列表可以基于类别用户的对车辆领域文章的多维度行为而持续优化，可以实现推荐的自动更新，并且更贴近各人群类别用户的需求。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在类型的视图中描述相似的部件。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本系统或方法的穷尽或排他实施例。

图1是本发明实施例的一种车型推荐方法的流程示意图。

图2A和图2B是本发明具体示出了实施例的详细步骤示意图。

图3是本发明另一实施例的一种车型推荐方法的流程示意图。

图4是本发明再一实施例的一种车型推荐方法的流程示意图。

图5是本发明实施例的一种获取车型推荐列表的方法的示意图。

图6是本发明实施例的一种获取车型推荐列表的系统的示意图。

图7是本发明实施例的电子设备的应用示例的示意图。

具体实施方式

此处参考附图描述本公开的各种方案以及特征。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。

本说明书可使用词组“在一个实施例中”、“在一些实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或类型实施例中的一个或多个。注意的是，在说明书全文中，相同或相近的附图标记指代相同或相似的元件，并省略不必要的重复描述。此外，具体实施例中，以单数形式出现的元件并不排除可以以多个(复数个)形式出现。

图1是本发明实施例的一种车型推荐方法的流程示意图。如图1所示，车型推荐方法流程100包括：

步骤102，接收当前用户对预定义人群类别列表中的第一人群类别的选择，其中预定义人群类别列表包括多个人群类别，多个人群类别中的每一个各自包括相应的：人群属性标签库、购车属性标签库以及人群类别车型库。

人群属性标签库，包含的是对应于该人群类别的与人相关的属性标签。购车属性标签库，包含的是对应于该人群类别的与车相关的属性标签，表示该人群类别的意向车型的相关属性。

在一些实施例中，预定义的人群类别包括但不限于：职场新人、爱玩一族、奶爸奶妈、事业有成、时尚女性、新能源用户等。在一些实施例中，类别“职场新人”对应包括的人群属性标签库中，包括但不限于如下人群属性标签：毕业、职场新人、学生党、95后、初入社会、基层员工、未婚、低收入、预算低、小白、工薪阶层、打工族、初入职场、创业等，类别“职场新人”对应包括的购车属性标签库中，包括但不限于如下购车属性标签：10万内、入门小车、人生第一辆、入门代步、丐版、小型车等。在另一些实施例中，类别“奶爸奶妈”对应包括的人群属性标签库中，包括但不限于如下人群属性标签：有孩子、宝爸宝妈、80后、家庭、周末游、多子女、家庭成员多、家庭出游、事业稳定、二胎、三代同堂等，对应包括的购车属性标签库中，包括但不限于如下购车属性标签：安全座椅、亲子游、七座、接送孩子、儿童座椅接口、儿童锁、第三排座椅等。预定义的人群类别名称不是固定的，比如类别“奶爸奶妈”也可以改为“有娃家庭”。

在一些实施例中，通过例如大数据挖掘的方式，从互联网上各个数据源爬取车辆评测文章、报告等，通过自然语言处理技术，从这些文章、报告中提取属于人群属性标签和购车属性标签的关键词以及相应车型，并通过领域专家研判，确定出多个人群类别，和初始对应的人群属性标签库、购车属性标签库以及人群类别车型库。

步骤104，响应于选择，生成从第一人群类别对应的人群类别车型库中选取的包含至少一个推荐车型的车型推荐列表，至少一个推荐车型是按照对第一人群类别相应的人群类别车型库中的各个车型的权重的排序而选出的。

在一些实施例中，人群类别车型库中的各个车型具有与其产量和销量相关的一初始权重。从而，当当前用户是该人群类别的第一个或第一批用户（假设人群类别车型库中的车型定期更新，例如按天、周更新）时，所得到的车型推荐列表中，所推荐的车型是例如销产比这一指标上比较优越的车型。在一个实施例中，所推荐的车型销产比的值为近1个月、近3个月或近6个月在相应人群类别车型库所包括的人群类别车型中为较高的值。在另一个实施例中，所推荐的车型销产比的值为近1个月、近3个月或近6个月较高的值，同时产量或销量应满足大于一预定阈值，该阈值可由领域人员根据经验设定。

在另一些实施例中，车型推荐列表所推荐的车型为近1个月、近3个月或近6个月的热门车型，即，人群类别车型库中的各个车型具有与其热门程度关联的一初始权重，例如可以将从各个汽车媒体网站爬取的口碑数据的条数按照车型进行汇总并对各车型按照汇总后的条数设定权重（作为热门程度），将人群类别车型库中权重较大的前n个车型作为推荐车型。n为自然数，例如为3或5等。

在另一些实施例中，人群类别车型库中的各个车型的权重按照上市日期的最新程度赋予权重。即，最新上市的车型，权重越高，反之，则权重越低。

在后文的实施例中，将绘描述人群类别车型库中各个车型的阈值可以被更新，从而车型推荐列表相应更新。

步骤106，收集并统计各个人群类别的用户对多个车辆领域文章的第一多维度行为，根据第一多维度行为确定出待分析的车辆领域文章，并且基于待分析的车辆领域文章更新相应于各个人群类别的人群属性标签库和购车属性标签库。

在一些实施例中，步骤106可以具体包括：收集并统计各个人群类别的用户对多个车辆领域文章的第一多维度行为后，根据第一多维度行为确定出待分析的车辆领域文章。第一多维度行为可以包括：对文章浏览、评论、收藏等维度的行为，每一行为可以赋予不同的预设权重，例如，浏览、评论、收藏的权重依次增大。统计对该人群类别的用户对车辆领域文章的第一多维度行为后，可以分别得到在该人群类别下，这些车辆领域文章的权重，则可以提取前m（m为自然数）个权重较大的文章，并利用这些文章进行人群属性标签库和购车属性标签库的更新。

之后，在步骤106中，对确定出的待分析的车辆领域文章进行分析以得到文章的关键词，基于关键词，更新相应于各个人群类别的人群属性标签库和购车属性标签库。

在一个实施例中，可以利用例如Lda主题分析技术进行文章主题分析，以提取主题关键词，并基于提取的主题关键词，更新人群属性标签库和购车属性标签库。在另一个实施例中，利用PLSA模型进行文章主题分析，以提取主题关键词。在还一个实施例中，利用tf-idf技术提取反映文章主题/特性的关键词。

在一些实施例中，基于提取的关键词，更新人群属性标签库和购车属性标签库的过程可以包括：设置一个车辆相关的白名单，有汽车品牌、车型，和一些车辆的专有名词（安全座椅、四驱系统等）。在提取新的人群属性标签的时候，从提取到的关键词中过滤汽车品牌、车型和专有名词，获取其中的形容词和名词作为新的人群属性标签。在一个实施例中，可以对获取的新的人群属性标签与已有的该人群类别的人群属性标签进行比对去重。在提取购车属性标签的时候，过滤量词和副词、汽车品牌和车型，之后过滤已经作为新的人群属性标签的关键词，将剩余的关键词作为购车属性标签。在一个实施例中，可以对获取的新的购车属性标签与已有的该人群类别的购车人群属性标签进行比对去重。

由此，实现了人群属性标签库和购车属性标签库的更新，并在之后的步骤108中，可以进一步扩充人群类别车型库。

步骤108，基于更新后的人群属性标签库及购车属性标签库分别与车辆口碑数据的匹配结果，更新相应人群类别车型库，从而基于更新的人群类别车型库，相应地更新车型推荐列表。

通过本实施例的车型推荐方法，由于仅需接收用户对人群类别的选择，不依赖于用户的个人隐私数据或历史数据，较好地解决了推荐系统的冷启动问题，并基于人群类别用户对车辆领域文章的多维度行为更新人群属性标签库和购车属性标签库，继而更新了人群类别车型库和相应生成的车型推荐列表，使得所作出的推荐考虑到各人群类别的社会心理、情感的传染和整合，作出了针对各人群类别用户的有效车型推荐，更加贴近各人群类别用户的需求，并且推荐车型列表可以基于类别用户对车辆领域文章的多维度行为而持续优化。

图2A和图2B分别具体示出了本发明实施例的步骤108的详细步骤。在一些实施例中，如图2A所示，步骤108的更新相应人群类别车型库具体可以包括步骤1082，计算更新后的人群属性标签库中的人群属性标签与第一口碑数据之间的相似度，并在相似度大于预定第一阈值（步骤1084）时，获取第一口碑数据对应的第一车型（步骤1086），判断第一车型是否不属于相应的人群类别车型库（步骤1088），如果是，将第一车型更新到相应的人群类别车型库中（步骤1090）。

在一个实施例中，将人群属性标签转化为词embedding（嵌入）向量，将口碑数据分句为一个个短句，每一个短句作为一条口碑token（标记）并对其进行分词后，转化为embedding向量，利用余弦相似度计算出两者的相似度，如果相似度大于某个预定阈值（例如，0.8）则判定该人群属性标签与口碑token相似，则将该口碑token对应的车型丰富到该类人群的人群类别车型库中。例如，类别“职场新人”中含有人群属性标签“95后”，口碑token为“这辆车对于90后的我来说足够了”，针对“95后”构建的embedding向量a为：[a1,a2,a3,a4]，针对口碑token中的“90后”构建的embedding向量b为：[b1,b2,b3,b4]。利用下列公式计算相似度：

Sim=a*b/sqrt(|a|)*sqrt(|b|) （1）

其中，Sim指相似度，sqrt指平方根，|▪|指的是向量的模长。

在一些实施例中，可以从汽车垂媒网站等媒体网站通过爬虫抓取到大量汽车口碑数据，并利用步骤1082至步骤1090实现对人群类别车型库的更新。

在另一些实施例中，如图2B所示，步骤108的更新相应人群类别车型库具体可以包括步骤1282，判断更新后的购车属性标签库中的每一购车属性标签与第二口碑数据是否匹配（步骤1282），并在存在匹配的购车属性标签的情况下，获取第二口碑数据对应的第二车型（步骤1284），判断第二车型是否不属于相应的人群类别车型库（步骤1286），如果是，将第二车型更新到相应的人群类别车型库中（步骤1288）。

例如，“职场新人”类别中包括购车属性标签“10万以内”，口碑数据中包含如下的口碑token“10万以内的车比较适合90后”，则由于口碑token中的关键词“10万以内”可以完全匹配购车属性标签“10万以内”，因此将该口碑token对应的车型增加到“职场新人”这一类别的人群类别车型库中。

由此，通过步骤1282至步骤1290，可以实现对人群类别车型库的更新。

在本发明的一些实施例中，如图3所示，除与图1的实施例对应或类似的步骤之外（这些步骤在图3中已省略），车型推荐方法300还可以包括：在步骤310，收集并统计各个人群类别的用户对第三车型的第二多维度行为；在步骤312，基于对第二多维度行为的统计结果，计算相应于各个人群类别的人群类别车型库中的各个车型的行为权重；在步骤314，基于计算的行为权重更新相应于各个人群类别的人群类别车型库中的各个车型的权重；以及在步骤316，基于更新后的各个车型的权重对车型推荐列表进行更新。

在一个实施例中，在步骤310中，第二多维度行为可以包括但不限于用户的浏览（点击）、收藏、咨询客服等行为，可以针对这些行为给与不同的权重，例如，浏览（点击）、收藏、咨询客服的行为权重依次增大，从而可以计算出各个人群类别的人群类别车型库中的各个车型的行为权重。在另一个实施例中，当人群类别车型库中的各个车型具有与产量和销量相关联（例如，销产比相关联）的初始权重时，可以将上面实施例计算出的行为权重归一化后与销产比（销量与产量之比）的数值一起做加权，得到车型的新的权重值。

具体地，例如，类别为“职场新人”，相应车型库中包含“xxxx 2019款 Plus 1.5L手动全景乐享版”，其中“xxxx”为车辆品牌名。当用户进行点击该车辆的链接等第二多维度行为时，统计该职场新人类别下所有用户对该车型的浏览次数：c1，收藏次数：c2，咨询客服次数：c3，例如，预设浏览权重为d1，收藏权重为d2，咨询客服权重为d3。则该示例车型的行为权重Q的计算方式为：

Q=c1*d1+c2*d2+c3*d3 （2）

对于其他车型，按照同样的方式计算统计后的行为权重。上述数值仅为示例，并非对本发明的限制。

之后，可以例如利用下列公式（3）在该类别对应的人群类别车型库中所有车型进行归一化处理：

x*=（x-min）/max-min （3）

其中，x代表车型的行为权重值，x*代表归一化的行为权重值，min代表该人群类别车型库中所有车型的行为权重的最小值，max代表该人群类别车型库中所有车型的行为权重的最大值。

可以对该人群类别车型库中的所有车型的作为初始权重的销产比数值归一化处理。将车型的归一化的行为权重值和归一化的销产比数值相加，作为车型的新的权重值，由此，当再次推荐时，可以产生新的推荐车型列表，使得所推荐的车型更加贴合用户群体（人群类别）的需要。可以理解，之后当使用推荐系统的用户越来越多时，行为权重值的比重会进一步增大，在比重增至极大的情况下，可以认为车型的权重完全不依赖于销产比，只有行为产生的权重。

在一些实施例中，如图4所示，除与图1、图3中的实施例对应或类似的方法步骤（图中未示出）外，该方法400还可以包括：步骤412，收集当前用户对第四车型的第三多维度行为；步骤414，基于第三多维度行为，获取用户的购车关注点信息。在一个实施例中，第三多维度行为可以例如包括但不限于用户对车型的点击（浏览）、收藏、咨询客服等行为。当收集到当前用户对第四车型的行为时，可以对第四车型在本地数据库或远程数据库或远程服务器中查询，得到预先存储在数据库或服务器上的第四车型的购车关注点信息，例如空间0.9动力0.75外观0.8……等13个购车关注点及数值，其中数值0.9可以表示对第四车型的空间大小的评估指标等。在一些实施例中，可以对这些多维度行为分别设定不同的权重，例如点击（浏览）、收藏、咨询客服的权重依次增大，并且用户对第四车型的购车关注点信息分别乘以相应的权重，从而得到一个用户对第四车型的购车关注点的数组。在第四车型为多个的情况下，可以将多个第四车型的购车关注点的数组对应相加，求得当前用户整体的购车关注点信息。接下来，在步骤416中，可以将当前用户选取的人群类别、购车关注点信息以及当前用户的人口统计学信息（例如年龄、性别等）作为特征数据输入到训练好的机器学习模型中，预测当前用户的购车敏感价格。可以采用tf-idf、独热编码或者类别编码等适合的编码方式对特征数据进行处理，编码后馈送到训练好的如xgboost模型、GBDT模型或其他线性回归模型中，预测得到当前用户的敏感价格。随后，在步骤418中，基于预测出的购车敏感价格更新车型推荐列表。例如，将预测出的购车敏感价格对应的价格区间作为过滤条件，例如在人群类别车型库中先选取位于预测的价格区间内的多个车型，并从这些车型中按照权重进行排序并推荐。本实施例能够使得推荐的车型的价位与当前用户的敏感价格接近，更好的贴近当前用户的需求，实现对推荐车型数据的优化。可以理解的是，实施例的方法步骤可以被部分省略或顺序上进行互换或与其他实施例的方法步骤组合，在不背离本发明精神和实质的范围内，各种组合/等同替换都应落入本发明所附权利要求书的保护范围之内。

在下面的实施例中，如图5所示，提供了一种获取车型推荐列表的方法500，包括：步骤501，接收当前用户对预定义人群类别列表中的第一人群类别的选择；步骤503，将选定的第一人群类别和车型推荐请求发送到服务器；步骤505，接收服务器执行上述的推荐方法得到的包含至少一个推荐车型的车型推荐列表；步骤507，将车型推荐列表显示在用户界面上。该方法可以由用户利用用户设备如电脑、个人计算机、PAD、智能手机执行。具体地，用户可以在其用户设备的界面上输入上述选择，例如其对应的群体是“职场新人”、“爱玩一族”、“宝爸宝妈”、“时尚女性”、“事业有成”或“新能源用户”等等，当在步骤501接收到用户对人群类别的选择后，装载了本发明实施例的推荐装置的用户设备在步骤503向服务器发送所选定的人群类别和车型推荐请求；之后，在步骤505，接收服务器通过执行本发明实施例的车型推荐方法而返回的车型推荐列表；并且在步骤507，将车型推荐列表显示在用户界面上，即，返回用户所选类别的组推荐结果。并且，在一些实施例中，将基于多个类别用户对文章的多维度行为，更新相应的人群属性标签和类别属性标签，继而更新人群类别车型库，由此更新车型推荐列表；在另一些实施例中，将基于多个类别用户对车型的多维度行为，更新人群类别车型库中的相应车型的权重，从而更新车型推荐列表；在又一些实施例中，将当前用户选取的人群类别、第四车型的购车关注点信息以及当前用户的人口统计学信息作为特征数据输入到训练好的机器学习模型中，预测当前用户的购车敏感价格，并基于预测出的购车敏感价格更新车型推荐列表。

本公开的实施例中，如图6所示，还提供了一种获取车型推荐列表的系统600，包括：人群类别选择模块602，其配置为接收当前用户对预定义人群类别列表中的第一人群类别的选择；推荐请求发送模块604，其配置为将选定的第一人群类别和车型推荐请求发送到服务器；推荐列表接收模块606，其配置为接收服务器执行上述方法实施例得到的包含至少一个推荐车型的车型推荐列表；显示模块608，其配置为将车型推荐列表显示在用户界面上。

对于本发明装置实施例的未详尽描述之处，可参考对应的方法实施例。

本发明一个实施例中，还提供了一种非临时性计算机可读介质，其上存储有计算机可执行代码，计算机可执行代码在被处理器执行时能够实现上述的任一方法实施例。计算机可读介质可以包括磁性的、半导体的、磁带的、光学的、可移动的、不可移动的或其他类型的计算机可读介质或计算机可读存储设备。例如，如所公开的，计算机可读介质可以是其上存储有计算机指令的存储设备或存储器模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。

本发明实施例还提供一种电子设备，包括处理器、存储器以及其上存储的计算机可执行代码，当处理器执行计算机可执行代码时实现上述的任一方法实施例及其变形。在一些实施例中，电子设备例如为服务器、桌面计算机等，并且可适用于本发明实施例的车型推荐方法。在另一实施例中，电子设备例如为桌面计算机、平板电脑、智能手机等，并且可适用于本发明实施例的获取车型推荐列表的方法。图7示出了本发明实施例的电子设备的应用示例。用户侧电子设备701，装载了本发明实施例的获取车型推荐列表的系统（例如，APP或微信小程序或浏览器网页访问），应用了本发明实施例的获取车型推荐列表的方法；服务器703上存储了预定义人群类别列表，以及相应的人群属性标签库、购车属性标签库以及人群类别车型库，并能够应用本发明实施例的车型推荐系统和/或方法（例如收集并统计用户对文章或车辆的多维度行为，获取并存储车辆口碑数据，并执行相应的处理），以及基于本发明实施例的系统和/或方法实现推荐数据的更新和优化。

这里描述了各种操作或功能，其可以被实现为软件代码或指令或被定义为软件代码或指令。这样的内容可以是可直接执行的源代码或差异代码(“增量”或“块”代码) (“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中，并且当被执行时，可以使机器执行所描述的功能或操作，并且包括用于以机器可访问的形式存储信息的任何机构(例如，计算设备，电子系统等)，诸如可记录或不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质，闪存设备等)。

与“包括”、“包含”或“特征在于”同义的术语“包括”是非排他性的或者开放性的，不排除另外的、未叙述的要素或方法步骤。“包括”是权利要求语言中使用的本领域的术语，其意味着所命名的要素是必要的，但是能够添加其他要素并且仍然形成权利要求书的范围内的结构。

如本文所使用的，当在实体列表的上下文中使用术语“和/或”时，是指单独或组合出现的实体。因此，例如，短语“A、B、C、和/或D”分别包括A、B、C和D，但也包括A、B、C和D的任何和所有组合和子组合。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。