本發(fā)明涉及大數(shù)據(jù)信息推薦領(lǐng)域，尤其涉及到注塑機電商平臺中的信息流推薦方法和注塑機選型服務(wù)平臺的選型方法，具體涉及一種精確的注塑機選型方法。

背景技術(shù)：

塑料超過了鋼鐵，成為全世界的第一大工業(yè)材料，而我國如今成為全球塑料消費量級最大的國家，規(guī)模達2.6萬億。但是，由于注塑機器械的智能化正處于起步階段，整個注塑行業(yè)的信息化水平較低和行業(yè)資源缺乏統(tǒng)一的規(guī)劃，導(dǎo)致注塑機上下游產(chǎn)業(yè)出現(xiàn)人力成本高、效率低、產(chǎn)品附加值低等問題，嚴(yán)重制約了中國制造2025的整體發(fā)展。

當(dāng)前，傳統(tǒng)注塑行業(yè)對注塑機的選型還停留在人工主觀分析，即消耗人員和技術(shù)人員當(dāng)面和客戶溝通，根據(jù)客戶需求通過人為的經(jīng)驗和主觀分析從而給客戶進行注塑機的選型并進行銷售。

這樣的注塑機選型方式不僅效率低、耗費大量的資源(人力、物力和時間資源)，同時沒辦法根據(jù)用戶的個性化需求進行個性化注塑機的選型，嚴(yán)重制約了傳統(tǒng)注塑行業(yè)和中國制造2025的整體發(fā)展。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決在傳統(tǒng)注塑行業(yè)在注塑機選型上現(xiàn)有技術(shù)中的上述缺陷，提供一種精確的注塑機選型方法。

本發(fā)明的目的可以通過采取如下技術(shù)方案達到：

一種精確的注塑機選型方法，所述方法包括以下步驟：

將終端采集的用戶的大量關(guān)于注塑機選型和購買行為和數(shù)據(jù)發(fā)送至服務(wù)器端；

將采集到的注塑機用戶數(shù)據(jù)進行除噪、過濾；

將采集到的注塑機用戶數(shù)據(jù)進行歸一化處理；

對注塑機用戶數(shù)據(jù)進行選型特征偏好提取；

在服務(wù)器端通過基于Spark大數(shù)據(jù)平臺執(zhí)行基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型方法進行個性化的注塑機選型；

從服務(wù)器端返回注塑機選型結(jié)果至終端并顯示。

進一步地，所述的將采集到的注塑機用戶數(shù)據(jù)進行除噪、過濾的具體過程包括：

以注塑機用戶為鍵，對應(yīng)用戶關(guān)于注塑機選型系統(tǒng)和商城行為記錄數(shù)為值，進行統(tǒng)計；

將注塑機用戶提取出來，u的大小代表數(shù)據(jù)記錄的用戶個數(shù)，利用Spark Mllib的user.filter(line＝>line.contains(a))函數(shù)方法將原始數(shù)據(jù)中的所有關(guān)于注塑機用戶a的記錄篩選出來，并構(gòu)造關(guān)于用戶a的鍵值對；

移除注塑機行為數(shù)據(jù)記錄中的噪聲數(shù)據(jù)，所述噪聲數(shù)據(jù)包括用戶的惡意刷單、失誤操作。

進一步地，所述的將采集到的注塑機用戶數(shù)據(jù)進行歸一化處理額具體過程包括：

采用Z-score標(biāo)準(zhǔn)化方法對不同注塑機選型行為和注塑機商城購買行為的數(shù)值取值進行歸一化處理，具體方法為：

其中，u為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

進一步地，所述的對注塑機用戶數(shù)據(jù)進行選型特征偏好提取的具體過程包括：

將原始數(shù)據(jù)中的所有關(guān)于用戶a的注塑機行為記錄篩選出來，并構(gòu)造關(guān)于用戶a的鍵值對；

將用戶選型參數(shù)中選擇、瀏覽、收藏、加購物車、與購買的基礎(chǔ)評分分別設(shè)置為1、2、3、4、5；

對用戶的關(guān)于注塑機行為基礎(chǔ)評分分別在其基礎(chǔ)上加上不同適當(dāng)權(quán)值分數(shù)加成，最后得到所有與用戶a相關(guān)注塑機商品的評價；

循環(huán)上述步驟流程，將其他剩余用戶的內(nèi)容提取出來。

進一步地，所述的在服務(wù)器端通過基于Spark大數(shù)據(jù)平臺執(zhí)行基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型方法進行個性化的注塑機選型的具體過程包括：

采用皮爾遜相關(guān)系數(shù)計算注塑機用戶之間的相似度；

描述用戶對注塑機選型需求問題；

采用交替最小二乘法預(yù)測用戶的注塑機選型需求；

在Spark大數(shù)據(jù)平臺實現(xiàn)基于采用交替最小二乘法預(yù)測用戶的注塑機選型需求。

進一步地，所述的采用皮爾遜相關(guān)系數(shù)計算注塑機用戶之間的相似度的具體過程如下：

利用兩個注塑機用戶之間的協(xié)方差和標(biāo)準(zhǔn)差計算皮爾遜相關(guān)系數(shù)：

其中，Cov(X_user1,X_user2)代表兩個注塑機用戶之間的協(xié)方差，σX_user1和σX_user2分別代表兩個注塑機用戶的標(biāo)準(zhǔn)差；

若需要對樣本的協(xié)方差和標(biāo)準(zhǔn)差進行估算，可得到樣本相關(guān)系數(shù)，即樣本皮爾遜系數(shù)：

其中：

是X_i樣本的標(biāo)準(zhǔn)分數(shù)，是Y_i樣本的標(biāo)準(zhǔn)分數(shù)；

是X_i的樣本平均數(shù)，是Y_i的樣本平均數(shù)；

σx是X_i的樣本標(biāo)準(zhǔn)差，σy是Y_i的樣本標(biāo)準(zhǔn)差。

進一步地，所述的描述用戶對注塑機選型需求問題的具體過程如下：

用戶u對商品i的興趣偏好可以表示為：

其中X_u，k是用戶u的興趣和第k個隱類的關(guān)系，而Y_i，k是第i個物品和第k個隱類直接的關(guān)系；

求解X和Y的過程可以轉(zhuǎn)化為求損失函數(shù)最小的問題：

其中λ是正則化項的系數(shù)，式中右邊兩項的引入是為了防止過擬合。

進一步地，所述的采用交替最小二乘法預(yù)測用戶的注塑機選型需求的具體過程如下：

利用最小二乘法求解X，然后固定X，求解Y，如此交替往復(fù)直至收斂，即所謂交替最小二乘法；

先固定Y，將Y帶入損失函數(shù)L(X，Y)并對X_u求偏導(dǎo)，令導(dǎo)數(shù)＝0，得到：

X_u＝(Y^TY+λI)^-1Y^Tr_u，

同理固定X，可得：

Y_u＝(X^TX+λI)^-1X^Tr_i，

迭代步驟，首先隨機選取Y，利用固定Y的公式更新得到X，然后利

用固定X的公式更新Y，直到均方根誤差很小或達到迭代次數(shù)：

進一步地，所述的在Spark大數(shù)據(jù)平臺實現(xiàn)基于采用交替最小二乘法預(yù)測用戶的注塑機選型需求具體過程如下：

定義參數(shù)rank：模型中隱語義因子的個數(shù)；

定義參數(shù)iterations：迭代的次數(shù)，所述參數(shù)iterations的取值范圍為：10-20；

定義參數(shù)lambda：懲罰函數(shù)的因數(shù)，是ALS的正則化參數(shù)，所述參數(shù)lambda的取值范圍為：0.005-0.02；

通過調(diào)整上述參數(shù)，從而優(yōu)化注塑機商品的選型算法，使注塑機選型結(jié)果的均方差逐漸變小。

進一步地，所述的在Spark大數(shù)據(jù)平臺實現(xiàn)基于采用交替最小二乘法預(yù)測用戶的注塑機選型需求在Spark MLlib中實現(xiàn)步驟如下：

使用ALS訓(xùn)練的注塑機行為數(shù)據(jù)通過函數(shù)方法ALS.train()建立注塑機選型模型；

通過model.predict()方法使用注塑機選型模型對用戶對注塑機進行預(yù)測評分，得到預(yù)測評分的數(shù)據(jù)集；

使用ratings.map{case Rating(user,item,rate)}方法將真實注塑機評分數(shù)據(jù)集與注塑機預(yù)測評分數(shù)據(jù)集進行合并；

利用ratesAndPreds.map()計算均方差；

注塑機選型的結(jié)果可以以用戶id為key，結(jié)果為value存入hbase中；

使用predictions.collect.sortB()對注塑機預(yù)測選型的結(jié)果按預(yù)測的評分排序；

對注塑機預(yù)測結(jié)果按用戶進行分組，然后合并選型結(jié)果。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果：

1、本發(fā)明運用皮爾遜相關(guān)系數(shù)聚類算法計算用戶的相似度，有效提高了用戶相似度的準(zhǔn)確性，同時用戶的注塑機需求挖掘能力強，不但保留了用戶的感興趣的注塑機，還能通過用戶在注塑選型和注塑商城過程中產(chǎn)生的行為數(shù)據(jù)挖掘潛在注塑機需求。

2、本發(fā)明運用交替最小二乘法計算用戶對注塑機的評分和最小均方誤差，從而對注塑機選型進行有效的預(yù)測，大大提高的預(yù)測的準(zhǔn)確性和有效性。

3、本發(fā)明結(jié)合運用Spark并行計算框架，結(jié)合當(dāng)前大數(shù)據(jù)趨勢與技術(shù)特點，大大提高注塑機選型的選型效率。

附圖說明

圖1是本發(fā)明公開的精確的注塑機選型方法的原理圖；

圖2是本發(fā)明公開的精確的注塑機選型方法的流程步驟圖；

圖3是本發(fā)明中基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型算法的流程圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

實施例一

本實施例公開了一種基于皮爾遜系數(shù)和最小二乘法的精確的注塑機選型方法，流程步驟圖參照附圖2所示，由附圖2可知，該精確的注塑機選型方法具體包括以下步驟：

S1、將終端采集的用戶的大量關(guān)于注塑機選型和購買的行為數(shù)據(jù)發(fā)送至服務(wù)器端；

S2、將采集到的注塑機用戶數(shù)據(jù)中噪聲數(shù)據(jù)進行除噪、過濾；

具體實施方式中，所述的將采集到的注塑機用戶數(shù)據(jù)進行除噪、過濾具體為：

以注塑機用戶為鍵，對應(yīng)用戶關(guān)于注塑機選型系統(tǒng)和商城行為記錄數(shù)為值，進行統(tǒng)計；將注塑機用戶提取出來，u的大小代表數(shù)據(jù)記錄的用戶個數(shù)；利用user.filter(line＝>line.contains(a))函數(shù)方法將原始數(shù)據(jù)中的所有關(guān)于注塑機用戶a的記錄篩選出來，并構(gòu)造關(guān)于用戶a的鍵值對；

用戶的個人數(shù)據(jù)和行為數(shù)據(jù)是在用戶使用注塑選型系統(tǒng)和注塑商城的過程中產(chǎn)生的，可能包含大量噪聲數(shù)據(jù)，比如用戶的惡意刷單、失誤操作等，通過注塑機行為數(shù)據(jù)記錄中的噪聲數(shù)據(jù)進行移除，可以使我們的分析更加精確，避免受到注塑機行為數(shù)據(jù)噪聲的干擾。經(jīng)過實驗分析，將除噪的閾值設(shè)為50。

S3、將采集到的注塑機用戶數(shù)據(jù)進行歸一化處理；

具體實施方式中，所述的將采集到的注塑機用戶數(shù)據(jù)進行歸一化處理具體為：

采用Z-score標(biāo)準(zhǔn)化方法對不同注塑機選型行為和注塑機商城購買行為的數(shù)值取值進行歸一化處理，具體方法為：

其中，u為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

這種方法給予原始數(shù)據(jù)的均值(mean)和標(biāo)準(zhǔn)差(standard deviation)進行數(shù)據(jù)的標(biāo)準(zhǔn)化。經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，能有效將不同注塑機選型行為和注塑機商城購買行為的數(shù)據(jù)進行歸一化。

S4、對注塑機用戶數(shù)據(jù)進行選型特征偏好提??；

具體實施方式中，所述的對注塑機用戶數(shù)據(jù)進行選型特征偏好提取具體為：

將原始數(shù)據(jù)中的所有關(guān)于用戶a的注塑機行為記錄篩選出來，并構(gòu)造關(guān)于用戶a的鍵值對；

將用戶選型參數(shù)中選擇、瀏覽、收藏、加購物車、與購買的基礎(chǔ)評分分別設(shè)置為1、2、3、4、5；

對用戶的關(guān)于注塑機行為基礎(chǔ)評分分別在其基礎(chǔ)上加上不同適當(dāng)權(quán)值分數(shù)加成，最后得到所有與用戶a相關(guān)注塑機商品的評價(喜好程度)；

循環(huán)上述步驟流程，將其他剩余用戶的內(nèi)容提取出來。

S5、在服務(wù)端的Spark大數(shù)據(jù)平臺執(zhí)行基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型算法；

具體實施方式中，所述的在服務(wù)端的Spark大數(shù)據(jù)平臺執(zhí)行基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型算法包括：

S501、采用皮爾遜相關(guān)系數(shù)計算注塑機用戶之間的相似度。

為了更好的度量兩個隨機變量的相關(guān)程度，引入了皮爾遜相關(guān)系數(shù)：利用兩個注塑機用戶之間的協(xié)方差和標(biāo)準(zhǔn)差計算皮爾遜系數(shù)：

其中，Cov(X_user1，X_user2)代表兩個注塑機用戶之間的協(xié)方差，σX_user1和σX_user2分別代表兩個注塑機用戶的標(biāo)準(zhǔn)差。

容易得出，皮爾遜系數(shù)是一個介于-1和1之間的值，當(dāng)兩個變量的線性關(guān)系增強時，相關(guān)系數(shù)趨于1或-1；當(dāng)一個變量增大，另一個變量也增大時，表明它們之間是正相關(guān)的，相關(guān)系數(shù)大于0；如果一個變量增大，另一個變量卻減小，表明它們之間是負相關(guān)的，相關(guān)系數(shù)小于0；如果相關(guān)系數(shù)等于0，表明它們之間不存在線性相關(guān)關(guān)系。

若需要對樣本的協(xié)方差和標(biāo)準(zhǔn)差進行估算，可得到樣本相關(guān)系數(shù)，即樣本皮爾遜系數(shù)：

其中：

是X_i樣本的標(biāo)準(zhǔn)分數(shù)，是Y_i樣本的標(biāo)準(zhǔn)分數(shù)；

是X_i的樣本平均數(shù)，是Y_i的樣本平均數(shù)；

σx是X_i的樣本標(biāo)準(zhǔn)差，σy是Y_i的樣本標(biāo)準(zhǔn)差。

S502、描述用戶對注塑機選型需求問題：用戶u對注塑機i的興趣偏好可以表示為：

其中X_u，k是用戶u的興趣和第k個隱類的關(guān)系，而Y_i，k是第i個物品和第k個隱類直接的關(guān)系。

求解X和Y的過程可以轉(zhuǎn)化為求損失函數(shù)最小的問題：

其中λ是正則化項的系數(shù)，式中右邊兩項的引入是為了防止過擬合。

S503、采用交替最小二乘法預(yù)測用戶的注塑機選型需求，具體為：利用最小二乘法求解X，然后固定X，求解Y，如此交替往復(fù)直至收斂，即所謂交替最小二乘法。

先固定Y，將Y帶入損失函數(shù)L(X,Y)并對X_u求偏導(dǎo)，令導(dǎo)數(shù)＝0，得到：

X_u＝(Y^TY+λI)^-1Y^Tr_u

同理固定X，可得：

Y_u＝(X^TX+λI)^-1X^Tr_i

迭代步驟，首先隨機選取Y，利用固定Y的公式更新得到X，然后利

用固定X的公式更新Y，直到均方根誤差很小或達到迭代次數(shù)：

S504、在Spark大數(shù)據(jù)平臺實現(xiàn)基于采用交替最小二乘法預(yù)測用戶的注塑機選型需求：

rank：模型中隱語義因子的個數(shù)；

iterations：迭代的次數(shù)，推薦值：10-20；

lambda：懲罰函數(shù)的因數(shù)，是ALS的正則化參數(shù)，推薦值：0.01。

通過調(diào)整上述參數(shù)，從而優(yōu)化注塑機商品的選型算法，使注塑機選型結(jié)果的均方差逐漸變小。在Spark MLlib中實現(xiàn)步驟如下：

使用ALS訓(xùn)練的注塑機行為數(shù)據(jù)通過函數(shù)方法ALS.train()建立注塑機選型模型；

通過model.predict()方法使用注塑機選型模型對用戶對注塑機進行預(yù)測評分，得到預(yù)測評分的數(shù)據(jù)集；

使用ratings.map{case Rating(user,item,rate)}方法將真實注塑機評分數(shù)據(jù)集與注塑機預(yù)測評分數(shù)據(jù)集進行合并；

利用ratesAndPreds.map()計算均方差；

注塑機選型的結(jié)果可以以用戶id為key，結(jié)果為value存入hbase中；

使用predictions.collect.sortB()對注塑機預(yù)測選型的結(jié)果按預(yù)測的評分排序

對注塑機預(yù)測結(jié)果按用戶進行分組，然后合并選型結(jié)果。

S6、從服務(wù)器端返回注塑機選型結(jié)果至終端并顯示。

實施例二

本實施例將一種基于皮爾遜相關(guān)系數(shù)和最小二乘法的精確注塑機選型方法應(yīng)用于具體注塑機選型系統(tǒng)。用Android設(shè)備采集用戶在使用注塑機時的行為數(shù)據(jù)和個人信息數(shù)據(jù)。

附圖2給出了該注塑機選型方法進行注塑機選型的流程圖，說明整個注塑機選型過程的步驟，而附圖3是本發(fā)明提出的注塑機選型方法的算法流程圖，為了具體介紹整個定位實施通過以下實現(xiàn)進行描述：

步驟S1、將Andorid終端采集到的用戶關(guān)于注塑機選型行為和個人信息數(shù)據(jù)發(fā)送至服務(wù)器端。

S2、將采集到的注塑機用戶數(shù)據(jù)進行除噪、過濾；

S3、將采集到的注塑機用戶數(shù)據(jù)進行歸一化處理；

S4、對注塑機用戶數(shù)據(jù)進行選型特征偏好提取；

S5、在服務(wù)器端通過基于Spark大數(shù)據(jù)平臺執(zhí)行基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型方法進行個性化的注塑機選型；

S501、采用皮爾遜相關(guān)系數(shù)計算注塑機用戶之間的相似度。

為了更好的度量兩個隨機變量的相關(guān)程度，引入了皮爾遜相關(guān)系數(shù)：利用兩個注塑機用戶之間的協(xié)方差和標(biāo)準(zhǔn)差計算皮爾遜系數(shù)：

其中，Cov(X_user1,X_user2)代表兩個注塑機用戶之間的協(xié)方差，σX_user1和σX_user2分別代表兩個注塑機用戶的標(biāo)準(zhǔn)差。

容易得出，皮爾遜系數(shù)是一個介于-1和1之間的值，當(dāng)兩個變量的線性關(guān)系增強時，相關(guān)系數(shù)趨于1或-1；當(dāng)一個變量增大，另一個變量也增大時，表明它們之間是正相關(guān)的，相關(guān)系數(shù)大于0；如果一個變量增大，另一個變量卻減小，表明它們之間是負相關(guān)的，相關(guān)系數(shù)小于0；如果相關(guān)系數(shù)等于0，表明它們之間不存在線性相關(guān)關(guān)系。

若需要對樣本的協(xié)方差和標(biāo)準(zhǔn)差進行估算，可得到樣本相關(guān)系數(shù)，即樣本皮爾遜系數(shù)：

其中：

是X_i樣本的標(biāo)準(zhǔn)分數(shù)，是Y_i樣本的標(biāo)準(zhǔn)分數(shù)；

是X_i的樣本平均數(shù)，是Y_i的樣本平均數(shù)；

σx是X_i的樣本標(biāo)準(zhǔn)差，σy是Y_i的樣本標(biāo)準(zhǔn)差。

S502、描述用戶對注塑機選型需求問題：用戶u對注塑機i的興趣偏好可以表示為：

其中X_u，k是用戶u的興趣和第k個隱類的關(guān)系，而Y_i，k是第i個物品和第k個隱類直接的關(guān)系。

求解X和Y的過程可以轉(zhuǎn)化為求損失函數(shù)最小的問題：

其中λ是正則化項的系數(shù)，式中右邊兩項的引入是為了防止過擬合。

S503、采用交替最小二乘法預(yù)測用戶的注塑機選型需求，具體為：利用最小二乘法求解X，然后固定X，求解Y，如此交替往復(fù)直至收斂，即所謂交替最小二乘法。

先固定Y，將Y帶入損失函數(shù)L(X，Y)并對X_u求偏導(dǎo)，令導(dǎo)數(shù)＝0，得到：

X_u＝(Y^TY+λI)^-1Y^Tr_u

同理固定X，可得：

Y_u＝(X^TX+λI)^-1X^Tr_i

迭代步驟，首先隨機選取Y，利用固定Y的公式更新得到X，然后利

用固定X的公式更新Y，直到均方根誤差很小或達到迭代次數(shù)：

S504、在Spark大數(shù)據(jù)平臺實現(xiàn)基于采用交替最小二乘法預(yù)測用戶的注塑機選型需求：

rank：模型中隱語義因子的個數(shù)；

iterations：迭代的次數(shù)，推薦值：10-20；

lambda：懲罰函數(shù)的因數(shù)，是ALS的正則化參數(shù)，推薦值：0.01。

通過調(diào)整上述參數(shù)，從而優(yōu)化注塑機商品的選型算法，使注塑機選型結(jié)果的均方差逐漸變小。在Spark MLlib中實現(xiàn)步驟如下：

使用ALS訓(xùn)練的注塑機行為數(shù)據(jù)通過函數(shù)方法ALS.train()建立注塑機選型模型；

通過model.predict()方法使用注塑機選型模型對用戶對注塑機進行預(yù)測評分，得到預(yù)測評分的數(shù)據(jù)集；

使用ratings.map{case Rating(user,item,rate)}方法將真實注塑機評分數(shù)據(jù)集與注塑機預(yù)測評分數(shù)據(jù)集進行合并；

利用ratesAndPreds.map()計算均方差；

注塑機選型的結(jié)果可以以用戶id為key，結(jié)果為value存入hbase中；

使用predictions.collect.sortB()對注塑機預(yù)測選型的結(jié)果按預(yù)測的評分排序

對注塑機預(yù)測結(jié)果按用戶進行分組，然后合并選型結(jié)果。

S6、從服務(wù)器端返回注塑機選型結(jié)果至Android終端并顯示。

至此實現(xiàn)了注塑機選型的整個過程。

綜上所述，該實施例是采用注塑機選型系統(tǒng)工作流程和基于皮爾遜相關(guān)系數(shù)和最小二乘法的注塑機選型算法執(zhí)行流程結(jié)合的方式全面地描述實施例中注塑機選型的過程。該方法利用皮爾遜相關(guān)系數(shù)和最小二乘法對注塑機選型進行精確的個性化選型，不僅提高了注塑機選型的匹配效率、節(jié)省選型成本，同時實現(xiàn)了根據(jù)不同用戶對注塑機的不同需求進行個性化注塑機選型。將傳統(tǒng)注塑行業(yè)與當(dāng)今互聯(lián)網(wǎng)和大數(shù)據(jù)緊密聯(lián)系在一起，為傳統(tǒng)注塑機下游企業(yè)在銷售、采購、交易決策、后續(xù)增值服務(wù)等整個產(chǎn)業(yè)鏈條方面提供了有力的支持。同時基于皮爾遜系數(shù)和最小二乘法的大數(shù)據(jù)注塑機選型方法將會使整個注塑行業(yè)從產(chǎn)品制造往產(chǎn)品服務(wù)轉(zhuǎn)型，提升行業(yè)的信息化智能化水平，為注塑機制造行業(yè)提供了新的發(fā)展點。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。