基于动态学习的二手车线索智能分配方法、系统及产品与流程

摘要: 本技术涉及数据处理,尤其涉及一种基于动态学习的二手车线索智能分配方法、系统及产品。背景技术:1、在二手车交易行业的数字化流转链路中,线索分发业务是连接前端卖车用...
基于动态学习的二手车线索智能分配方法、系统及产品与流程

本技术涉及数据处理,尤其涉及一种基于动态学习的二手车线索智能分配方法、系统及产品。

背景技术:

1、在二手车交易行业的数字化流转链路中,线索分发业务是连接前端卖车用户与后端各二手车收购平台的核心枢纽。企业通过前端渠道获取大量包含车辆基础信息与卖车意向的线索数据后,需要将这些线索合理地派发至众多具有合作关系的二手车平台上,由各平台完成后续的车辆评估与上架交易。由于不同的二手车平台在收购单价、车型偏好、城市覆盖范围以及消化能力上存在显著差异,为了最大化整个线索分发系统的成交规模与全局经济效益,系统需要对每条线索在不同平台上的转化潜力进行精准的量化评估。

2、相关技术中,通常采用基于各候选平台自身历史交互数据的独立评估方案,即为每个候选平台单独构建专属的上架概率预测模型,将待分发线索特征输入对应平台的专属模型以获得预测结果,进而依据预测结果进行排序并完成线索分配。

3、然而,随着多平台分发业务生态的快速扩张,系统可能面临频繁且动态接入全新候选平台的新需求,这导致系统中长期并存着大量历史交互数据的成熟平台与历史交互数据极度稀疏的新兴平台。在这一新需求场景下,若继续沿用相关技术完全依赖平台自身历史交互数据进行独立评估的实现机制,由于新兴平台能够提供的有效样本量极少,其专属预测模型在构建时缺乏足够的数据支撑。这使得系统在评估个体线索特征与这些数据稀疏平台之间的关系时,会表现出极端的统计学波动,例如仅凭一两条偶然的交互失败记录,模型就可能输出接近于零的极端上架概率,使得系统无法客观刻画稀疏平台真实的业务承接能力,导致概率评估结果严重失真,进而引发系统在执行分发决策时产生严重误判,可能大量错失潜在的高匹配度组合,整体线索数据分配的准确率大幅度衰退。

技术实现思路

1、本技术提供了一种基于动态学习的二手车线索智能分配方法、系统及产品,用于应对在多平台线索分发过程中,当部分候选平台存在历史交互数据稀疏时,如何更准确地评估个体线索特征在各数据稀疏平台上的上架概率,从而提高数据分配的准确率的问题。

2、第一方面,本技术提供一种基于动态学习的二手车线索智能分配方法,应用于二手车线索交付预测系统,所述方法包括:

3、获取待分发的二手车线索数据对应的车辆特征信息,以及各待选平台节点对应的累计交付量;

4、将所述车辆特征信息输入预训练的通用预测模型,得到基础上架概率,所述通用预测模型基于预设时间段内所有所述待选平台节点对应的全部历史样本数据训练得到,所述全部历史样本数据包括历史车辆特征信息以及对应的实际上架结果标签;

5、依据各所述待选平台节点的累计交付量与预设的交付量阈值的比较结果,将所述待选平台节点划分为第一平台节点和第二平台节点,所述第一平台节点对应的累计交付量低于所述交付量阈值,所述第二平台节点对应的累计交付量大于或等于所述交付量阈值;

6、若所述第一平台节点的所述累计交付量不为零,则依据所述基础上架概率和所述第一平台节点对应的第一历史样本数据进行贝叶斯后验概率计算,得到所述第一平台节点对应的预期上架概率;若所述累计交付量为零,则直接将所述基础上架概率作为所述第一平台节点对应的预期上架概率;

7、将所述车辆特征信息输入所述第二平台节点对应的专属预测模型,得到所述第二平台节点对应的预期上架概率,所述专属预测模型基于所述第二平台节点对应的第二历史样本数据训练得到;

8、依据所述预期上架概率和预设的平台单价计算各所述待选平台节点对应的预期收益,并结合预设的约束条件确定所述二手车线索数据分配的目标平台节点。

9、通过采用上述技术方案,系统通过构建通用预测模型预估二手车线索数据的基础上架概率,并根据各平台的累计交付量将平台划分为不同节点。对于数据稀疏的第一平台节点,结合其少量的历史样本与基础概率进行贝叶斯后验计算;对于数据充足的第二平台节点则采用专属模型,该方法使得在二手车线索数据与稀疏平台间的关系时,能借助全局先验知识进行平滑补充,从而缓解因平台样本极少导致的概率预测失真现象,提升了转化概率评估的整体准确性。

10、在一些实施例中,所述依据所述基础上架概率和所述第一平台节点对应的第一历史样本数据进行贝叶斯后验概率计算,得到所述第一平台节点对应的预期上架概率的步骤,具体包括:

11、

12、其中,为所述第一平台节点对应的预期上架概率,为所述通用预测模型输出的基础上架概率,n为先验强度参数,s为所述第一历史样本数据中的历史上架数量,d为所述第一历史样本数据中的历史交付数量,所述先验强度参数依据所述通用预测模型对应的全部历史样本数据确定,所述历史上架数量和所述历史交付数量均依据所述车辆特征信息与所述第一历史样本数据的历史车辆特征信息之间的特征相似度确定。

13、通过采用上述技术方案,系统引入了基于特征相似度筛选出的历史上架与交付数量,并结合通用模型确定的基础上架概率进行贝叶斯后验概率计算,由于历史交互反馈被限定在了具有较高特征相似度的样本子集内,使得先验概率在进行后验更新时,能够针对当前线索的具体车辆属性进行个性化的方向修正,减少了无关历史噪音的干扰,进而使得针对稀疏平台输出的预期上架概率更加贴合实际转化潜力。

14、在一些实施例中,所述先验强度参数依据所述通用预测模型对应的全部历史样本数据确定的步骤,具体包括:

15、从所述全部历史样本数据中划分出目标验证集数据;

16、将所述目标验证集数据输入所述通用预测模型,得到各验证集样本对应的预测上架概率;

17、将所述目标验证集数据按照所述预测上架概率进行等频划分,得到预设数量的概率区间;

18、将各所述概率区间对应的实际样本数量的均值确定为所述先验强度参数。

19、通过采用上述技术方案,系统将全局历史验证集数据按预测上架概率等频划分为多个区间,并提取各区间实际样本数量的均值作为先验强度参数。该过程将模型在不同概率区间的统计可靠性转化为量化的先验约束力,使得先验强度不再依赖主观人工设定。基于此自适应生成的先验参数参与后续计算,能够使得后验概率的更新幅度严格遵循现有训练数据的分布规律与置信水平,提升了预测系统在不同数据规模下的泛化与自适应调整能力。

20、在一些实施例中,所述历史上架数量和所述历史交付数量均依据所述车辆特征信息与所述第一历史样本数据的历史车辆特征信息之间的特征相似度确定的步骤,具体包括:

21、计算所述车辆特征信息与所述第一历史样本数据中各历史样本对应的历史车辆特征信息之间的特征相似度;

22、从所述第一历史样本数据中筛选出所述特征相似度高于预设相似度阈值的历史样本,组成近邻样本子集;

23、将所述近邻样本子集中的样本总数作为参与所述贝叶斯后验概率计算的所述历史交付数量;

24、将所述近邻样本子集中所述实际上架结果标签为上架的样本数量作为参与所述贝叶斯后验概率计算的所述历史上架数量。

25、通过采用上述技术方案,系统计算当前车辆特征信息与历史样本的相似度,从稀疏平台的历史数据中提取出近邻样本子集,并以此子集的统计量作为贝叶斯计算的历史参数。该方法将原本宽泛的平台级历史反馈,聚焦至与当前个体线索高度相近的局部特征空间内。当系统利用该近邻反馈对基础上架概率进行修正时,能够更精准地捕捉到稀疏平台对特定类型车辆的真实偏好,进一步细化了特征维度的概率预测颗粒度。

26、在一些实施例中,所述结合预设的约束条件确定所述二手车线索数据分配的目标平台节点的步骤,具体包括:

27、将各所述待选平台节点按照对应的所述预期收益由高到低的顺序进行排序,得到候选节点序列;

28、获取预先配置的至少一个预设互斥组和独占约束条件,所述预设互斥组为存在业务竞争关系的待选平台节点组成的集合,所述独占约束条件为所述待选平台节点被预先配置为对所述车辆特征信息享有独占接收权限;

29、判断所述候选节点序列中是否存在满足所述独占约束条件的独占平台节点;

30、若是,则将所述独占平台节点确定为唯一的一轮目标平台节点,并将所述候选节点序列中除所述独占平台节点外的其他待选平台节点存入延迟交付队列;

31、若否,则按所述预期收益从高到低依次遍历所述候选节点序列,并将与已确定的目标平台节点不属于同一所述预设互斥组的待选平台节点确定为目标平台节点。

32、通过采用上述技术方案,系统在基于预期收益排序生成候选序列后,引入了互斥组与独占约束条件的逻辑判断。在分配过程中,系统依据收益优先级并结合约束规则,自动过滤掉与已选节点存在业务竞争冲突的平台,或直接保障独占平台的分发权益。这种多条件协同约束的分配机制,能够在保障高预期收益链路优先对接的同时,防止同一条线索在功能重叠的节点间被重复消耗,从而实现了全局资源分配的更优配置。

33、在一些实施例中,所述方法还包括:

34、获取在预设更新周期内新增的历史样本数据,并依据所述新增的历史样本数据进行模型重训练,得到候选预测模型;

35、基于预设的验证集数据分别计算所述候选预测模型的第一性能评分,以及当前在线运行的目标预测模型的第二性能评分,所述目标预测模型为所述通用预测模型或所述专属预测模型中的任意一项;

36、若所述第一性能评分与所述第二性能评分的差值大于预设的容忍偏差阈值,则将对应的所述目标预测模型更新为所述候选预测模型进行上线运行;

37、若所述第一性能评分与所述第二性能评分的差值小于或等于预设的容忍偏差阈值,则放弃使用所述候选预测模型,并维持当前在线运行的所述目标预测模型不变。

38、通过采用上述技术方案,系统按照预设周期利用新增历史数据并行训练候选预测模型,并将其与当前在线模型进行性能评分的差值比对。只有当候选模型在验证集上的性能提升幅度超过设定的容忍阈值时,才执行上线替换操作。这一平滑比对机制在赋予系统随最新业务数据持续自我迭代演进能力的同时,充当了模型质量的缓冲阀,降低了因单次新增数据异常或分布波动导致在线预测性能劣化的风险,保障了线上分配服务的稳定性。

39、在一些实施例中,所述获取待分发的二手车线索数据对应的车辆特征信息的步骤,具体包括:

40、从所述二手车线索数据中解析出多维基础特征,所述多维基础特征包括类别型的车辆品牌特征以及其他车辆属性特征;

41、依据所述全部历史样本数据中的所述实际上架结果标签,统计得到全局历史上架率;

42、统计所述车辆品牌特征在所述全部历史样本数据中出现的品牌历史样本数量,以及对应的品牌历史上架率;

43、基于所述品牌历史样本数量和预设的平滑权重参数,分别确定分配给所述品牌历史上架率的第一权重以及分配给所述全局历史上架率的第二权重,所述品牌历史样本数量与所述第一权重正相关,且与所述第二权重反相关;

44、依据所述第一权重和所述第二权重,对所述品牌历史上架率和所述全局历史上架率进行加权求和,得到所述车辆品牌特征对应的目标编码值;

45、将所述目标编码值作为所述车辆品牌特征对应的特征向量,并与所述其他车辆属性特征对应的特征向量进行拼接组合,生成完整的所述车辆特征信息。

46、通过采用上述技术方案,系统在处理类别型的车辆品牌特征时,综合考量了具体品牌的历史样本数量。针对不同样本量级的品牌,系统动态调配品牌历史上架率与全局历史上架率的平滑权重,使得小样本品牌的编码值向全局均值适度收缩,而大样本品牌则更贴近自身真实转化率。这种平滑目标编码方式在保留高基数分类特征内在差异信息的同时,极大削弱了极端偶然样本对模型权重的误导,提升了预测模型处理长尾特征的鲁棒性。

47、在一些实施例中,在所述依据所述预期上架概率和预设的平台单价计算各所述待选平台节点对应的预期收益的步骤之前,还包括:

48、依据所述基础上架概率以及所述第一历史样本数据,确定所述第一平台节点对应的后验不确定性度量,所述后验不确定性度量与所述第一历史样本数据的样本规模负相关;

49、依据所述预期上架概率、所述后验不确定性度量和预设的探索强度参数,计算所述第一平台节点对应的上置信界概率和下置信界概率;

50、若所述第一平台节点的所述累计交付量小于预设的最小可信样本量阈值,则将所述上置信界概率确定为目标概率,所述目标概率用于替代所述预期上架概率参与所述预期收益的计算;

51、若所述第一平台节点的所述累计交付量大于或等于所述最小可信样本量阈值,则将所述下置信界概率确定为目标概率。

52、通过采用上述技术方案,系统依据历史样本规模量化了第一平台节点的后验不确定性,并计算出上、下置信界概率。当平台处于极度缺乏样本的初期阶段时,系统采用上置信界概率替代原预测值,以偏向探索的策略为该平台引入流量;而在样本量累积跨越可信阈值后,则切换至偏保守的下置信界概率。这种基于不确定性度量的置信区间动态选择机制,促成了新节点冷启动初期的快速数据积累与成熟期平稳预测模型收敛之间的合理平衡。

53、第二方面,本技术提供一种二手车线索交付预测系统,所述系统包括:一个或多个处理器和存储器;

54、所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述系统可以实现上述实施例提供的一种基于动态学习的二手车线索智能分配方法,此处不再赘述。

55、第三方面,本技术提供一种计算机程序产品,包括计算机程序,当所述计算机程序在二手车线索交付预测系统上运行时,使得所述系统可以实现上述实施例提供的一种基于动态学习的二手车线索智能分配方法,此处不再赘述。

56、本技术实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:

57、1、系统摒弃了传统固定先验概率的做法,通过通用预测模型为每条线索生成个性化的基础概率作为先验,并依据全局验证集的统计可靠性自动推导出量化的先验强度参数,不再依赖人工经验设定。在进行后验更新时,系统不仅利用特征相似度筛选近邻样本来过滤历史噪音,还结合不确定性度量(上/下置信界)动态调节探索与利用策略,使得新平台在零样本或极少样本阶段就能获得具备合理区分度的预测结果,并随着数据积累自动且平滑地向真实业务反馈收敛,从根本上解决了稀疏平台概率预测失真的行业痛点。

58、2、系统引入了一种基于历史样本规模动态调配权重的目标编码方式,而非采用传统的独热编码或简单均值编码。针对不同数据量级的车辆品牌,系统自动平衡该品牌历史上架率与全局历史上架率之间的权重比例,使得小样本品牌的特征编码值能够向全局均值适度收缩,而大样本品牌则更贴近自身的真实转化表现。这种平滑特征工程机制在完整保留高基数特征内在业务差异信息的同时,削弱了极端或偶然样本对模型训练权重的误导,提升了预测系统在处理复杂、长尾车辆属性时的鲁棒性与泛化能力。

59、3、系统基于预期收益进行全局贪心排序,并嵌入了互斥组与独占约束条件的逻辑仲裁,在保障高价值链路优先对接的同时,规避了同一线索在功能重叠平台间的无效内耗,实现了全局资源分配的收益最大化;在模型维护端,系统构建了基于容忍偏差阈值的自动化重训练与比对回滚机制,使得系统既能在极其复杂的商业竞争规则下输出最优分发解,又能依靠平滑的自我迭代机制抵御新增数据分布波动的风险。