本发明涉及信息处理技术领域，尤其涉及一种车友推荐方法及系统。
背景技术：
随着网络及生活水平的快速发展，汽车交友已成为人们日常生活中的一种娱乐方式，而现阶段基于汽车相关信息的交友，一般都是通过线下的本地车友汇来实现的。
而对于已有的线上交友方式，在推荐车友前，一般需要用户在注册账号时，输入繁多的个人基本文字信息，从而导致车友大多以游客的身份登陆，且在推荐车友时，仅以车友之间的距离远近作为推荐依据，从而导致车友的推荐成功率较低，降低了用户的使用体验。
技术实现要素：
本发明实施例提供了一种车友推荐方法及系统，用于获取每个车友的多维度数据，并根据该多维度数据生成每个车友的特征向量，并在车友间特征向量的相似度超过预设阈值时，进行相互推荐，实现了车友间的精准推荐，提高了推荐的成功率。
本发明实施例第一方面提供了一种车友推荐方法，包括：
从车辆数据库中获取至少两个车友对应的多维度数据；
分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
优选的，多维度数据至少包括：车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息中的一种或多种。
优选的，分别根据多维度数据，生成第一车友的第一特征向量，及第二
车友的第二特征向量，包括：
预先设置车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
优选的，计算相似度的方法包括：协同过滤算法；
协同过滤算法，包括：余弦相似度或杰卡德相似度；
计算第一特征向量与第二特征向量之间的相似度，包括：
通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度。
优选的，在通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度之后，该方法还包括：
预先设置与距离相关的权重函数，并获取第一车友和第二车友之间的距离；
根据权重函数及距离，获取距离对应的权重系数；
计算第一特征向量和第二特征向量之间余弦值与权重系数的乘积，以乘积作为第一车友和第二车友之间的相似度。
优选的，在从车辆数据库中获取至少两个车友对应的多维度数据之前，该方法还包括：
接收车友的图像注册信息，图像注册信息为车友在车辆数据库中的唯一身份标识。
本发明实施例第二方面提供了一种车友推荐系统，包括：
获取单元，用于从车辆数据库中获取至少两个车友对应的多维度数据；
生成单元，用于分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算推荐单元，用于计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
优选的，生成单元，包括：
预设模块，用于预先设置车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
生成模块，用于根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
组成模块，用于将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
优选的，计算相似度的方法包括：协同过滤算法；
协同过滤算法，包括：余弦相似度或杰卡德相似度；
计算推荐单元，包括：
计算推荐模块，用于通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度，并在相似度大于预设阈值时，在第一车友和第二车友之间相互推荐。
优选的，该系统还包括：
距离预设单元，用于预先设置与距离相关的权重函数，并获取第一车友和第二车友之间的距离；
权重获取单元，用于根据权重函数及距离，获取距离对应的权重系数；
相似度计算单元，用于计算第一特征向量和第二特征向量之间余弦值与权重系数的乘积，以该乘积作为第一车友和第二车友之间的相似度。
优选的，该系统还包括：
接收单元，用于接收车友的图像注册信息，图像注册信息为车友在车辆数据库中的唯一身份标识。
本发明实施例还提供了一种计算机装置，包括处理器，该处理器在处理存储于存储器上的计算机程序时，用于实现本发明实施例第一方面提供的车友推荐方法。
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，用于实现本发明实施例第一方面提供的车友推荐方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，获取至少两个车友对应的多维度数据，根据多维度数据，分别生成第一车友的第一特征向量和第二车友的第二特征向量，计算第一特征向量和第二特征向量之间的相似度，并在该相似度大于预设阈值时，在两个车友间进行相互推荐。因为本发明中，在获取车友对应的多维度数据后，根据该多维度数据，生成每个车友的特征向量，并以特征向量之间的相似度来度量车友的相似度，继而在相似度大于预设阈值时，进行相互推荐，从而实现了车友间的精准推荐，提高了推荐的成功率。
附图说明
图1为本发明实施例中一种车友推荐方法的一个实施例示意图；
图2为本发明实施例中一种车友推荐方法的另一个实施例示意图；
图3为本发明实施例中一种车友推荐方法的另一个实施例示意图；
图4为本发明实施例中一种车友推荐系统的一个实施例示意图；
图5为本发明实施例中一种车友推荐系统的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种车友推荐方法及系统，用于实现车友间的精准推荐，提高车友推荐的成功率。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为方便理解，下面详细描述本发明实施例中的车友推荐方法，请参阅图1，本发明实施例中车友推荐方法的一个实施例，包括：
101、从车辆数据库中获取至少两个车友对应的多维度数据；
为了实现车友间的精准推荐，本发明实施例在车友间进行相互推荐时，从车辆数据库中获取至少两个车友对应的多维度数据，其中，多维度数据包括：车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息中的一种或多种。
具体的，车辆基本信息包括车辆的车型信息、车系信息等，从而组成车辆“车”的信息，且车友推荐系统可以直接通过车载TBOX从车辆数据库中获取车辆的VIN码，并通过车辆的VIN码来自动识别车辆基本信息；车主基本信息包括：车主的个人信息，其中车主的个人信息包括：身高、体重、年龄、性别、脸型、声纹、工作性质等，而车主的兴趣信息包括：车主的体育兴趣、音乐兴趣、读书兴趣等，从而组成“人”的信息，且车友推荐系统可以通过车辆数据库直接获取车主的个人信息和兴趣信息；车主常去地点的位置信息包括：车主的家庭位置、工作位置及车主出去游玩地点的位置信息等，从而组成了“地点”信息，车友推荐系统也可以通过车辆数据库获取车主常去地点的位置信息。
需要说明的是，多维度数据还可以包括车主的教育经历、车主的婚姻状况等，此处对多维度数据的具体内容不做具体限制。
102、分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
车友推荐系统在获取到每个车友对应的多维度数据后，分别根据每个车友的多维度数据，生成每个车友对应的特征向量，即根据第一车友对应的多维度数据，生成第一车友的第一特征向量，根据第二车友对应的多维度数据生成第二车友的第二特征向量。
具体的，对于根据多维度数据，生成对应特征向量的方式，在下面的实施例中详细描述。
103、计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
在得到第一车友的第一特征向量和第二车友的第二特征向量后，可以计算第一特征向量和第二特征向量之间的相似度，并以该相似度作为度量第一车友和第二车友之间相似度的方式，在该相似度大于预设阈值时，即第一车友和第二车友各方面的信息较为相似时，在第一车友和第二车友之间进行相互推荐。
具体的，可以通过协同过滤算法来计算第一特征向量和第二特征向量之间的相似度，而协同过滤算法又包括但不限于余弦相似度计算法、杰卡德相似度计算法等，此处不做具体限制。
具体的，通过余弦相似度来计算第一特征向量和第二特征向量之间相似度的过程可以如下所述：
假设第一车友的第一特征向量为第二车友的第二特征向量为则根据向量之间的计算余弦值的公式：
得到第一特征向量和第二特征向量之间的余弦值后，根据余弦值的取值范围[-1,1],当该余弦值越接近于1，则说明第一特征向量和第二特征向量之间的方向越接近相同，即第一车友和第二车友的数据越相似；而当该余弦值越接近-1，则说明第一特征向量和第二特征向量之间的方向越接近于相反，即第一车友和第二车友的数据越不相似，也即差异越大。
本发明实施例中，获取至少两个车友对应的多维度数据，根据多维度数据，分别生成第一车友的第一特征向量和第二车友的第二特征向量，计算第一特征向量和第二特征向量之间的相似度，并在该相似度大于预设阈值时，在两个车友间进行相互推荐。因为本发明中，在获取车友对应的多维度数据后，根据该多维度数据，生成每个车友的特征向量，并以特征向量之间的相似度来度量车友的相似度，继而在相似度大于预设阈值时，进行相互推荐，从而实现了车友间的精准推荐，提高了推荐的成功率。
基于图1所述的实施例，下面详细描述图1所述实施例中的步骤102，即如何根据各车友的多维度数据，生成各车友对应的特征向量的过程，请参阅图2，本发明实施例中车友推荐方法的另一个实施例，包括：
201、预先设置所述车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
为了将车友的多维数据转化为对应的特征向量，下面详细描述将多维数据转化为特征向量的过程：
假设车友的多维数据包括：车辆基本信息(车型信息、车系信息)、车主基本信息(年龄、性别)、车主兴趣信息(音乐爱好、体育爱好)及车主常去地点的位置信息(深圳罗湖、深圳龙岗)，可以预先设置各数据的分类条件及各分类条件对应的特征值，具体的，各分类条件及各分类条件对应的特征值如下表所示：
表1
根据上述表格中的分类条件，及各分类条件分别对应的特征值，即可将各车友的多维度数据转化为对应的特征值。
需要说明的是，上述表格只是对分类条件及各分类条件对应特征值的举例说明，并不对其构成限制，其中分类条件及其对应的特征值还可以根据多维数据的内容自行调节，如在车主的基本信息中添加身高项目、学历项目等，也可将车型1的特征值设为1或其他数字，将车型2的特征值设为0或其他数字，只需在设置特征值时，保证1个分类条件对应一个唯一的特征值，且不同类型的特征值互不相同即可。
202、根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
获取各车友的多维度数据后，即可根据表1中对应的分类条件及特征值，将各车友的多维度数据，转化表2所示对应的特质值。
假设从车辆数据库中获取的车友1的多维度数据为：车型1，车系2，年龄区间1，性别男，兴趣1，常去地点1；从车辆数据库中获取的车友2的多维度数据为：车型2，车系1，年龄区间2，性别女，兴趣2，常去地点2，则根据表1所述的分类条件及分类条件对应的特征值，获取到车友1和车友2的特征值分别如表2所示。
表2
根据表2所述，得到车友1的特征值对应为：0,0,0,1,1,1；车友2的特征值对应为：1,1,1,0,0,0。
203、将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
根据表2所述，假设车友1的特征向量为A,车友2的特征向量为B,则车友1的第一特征向量A＝{0,0,0,1,1,1},车友2的第二特征向量B＝{1,1,1,0,0,0}。
至此，通过步骤201至203，即可将各车友的多维度数据转化为各自的特征向量。
上述实施例中，详细描述了如何根据各车友的多维度数据，得到各车友对应的特征向量，且本实施例中通过定义分类条件及分类条件对应的特征值的方法，可以方便直接的将各多维度数据转换为特征向量，提高了本发明实施例的可操作性。
基于各车友在注册车辆数据库时，需要输入繁琐文字信息的问题，及在参加活动时，基于各车友之间实际距离所带来的问题，本发明实施例提出了一种车友推荐的方法，请参阅图3，本发明实施例中车友推荐方法的另一个实施例，包括：
301、接收车友的图像注册信息，该图像注册信息为车友在车辆数据库中的唯一身份标识；
为了增加车辆数据库中车友信息的真实性，同时避免注册信息时，繁琐的文字输入过程，车友推荐系统的车辆数据库在接收车友的注册信息时，可以通过图像信息来完成车友的注册过程。
具体的，如车友在注册过程中，可以通过人脸图像、眼睛的虹膜图像、声纹信息图像或手掌图像来作为车友的身份标识，而为了保证身份标识的唯一性，要求人脸图像、眼睛的虹膜图像、声纹信息图像或手掌图像可以在各车友间相互区别，即实现图像信息对身份信息的唯一标识。
同时，车友推荐系统的车辆数据库中车友的其他信息，如车辆基本信息、车主基本信息、车主兴趣信息、车主常去地点的位置信息也可以通过语音系统来输入，从而提高信息输入的便捷性。
302、从车辆数据库中获取至少两个车友对应的多维度数据；
303、分别根据所述多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
304、通过余弦相似度计算第一特征向量与第二特征向量之间的余弦值；
需要说明的是，本实施例中的步骤302至304与图1所述实施例中的步骤101至103类似，此处不再赘述。
305、预先设置与距离相关的权重函数，并获取所述第一车友和第二车友之间的距离；
为了考虑在推荐车友时，车友间的实际距离对推荐成功率的影响，可以余弦设置一个与距离相关的权重函数，同时获取第一车友和第二车友之间的距离。
如设距离之间的权重函数如下所示：
需要说明的是，上述权重函数S(AB)只是对距离和权重系数之间对应关系的举例说明，并不对该权重函数造成任何限制。
306、根据所述权重函数及所述距离，获取所述距离对应的权重系数；
根据权重函数S(AB)和车友间的相互距离，即可获取该距离对应的权重系数，如设第一车友和第二车友间的距离为18KM，则根据权重函数S(AB)，可以得到该距离对应的权重值为0.5。
307、计算第一特征向量和所述第二特征向量之间余弦值与权重系数的乘积，以该乘积作为第一车友和第二车友之间的相似度；
在步骤304中计算出第一特征向量和第二特征向量之间的余弦值后，为了评估车友间的距离在推荐车友时所造成的影响，可以将第一特征向量和第二特征向量之间余弦值与权重系数的乘积，作为第一车友和第二车友之间的相似度。
具体的，设第一车友和第二车友间的相似度为P(AB),则
P(AB)＝cosθ*S(AB)
这样，既可以根据评估车友间多维数据的相似性，又考虑到车友间的距离在推荐车友时所造成的影响，提高了评估车友间相似度的精准度。
308、当相似度大于预设阈值时，将所述两个车友在所述第一车友和所述第二车友之间相互推荐。
容易理解的是，为了实现车友间的精准推荐，可以在计算出任意两个车友间的相似度后，预设一个相似度的阈值，并在计算出的两个车友间的相似度大于该预设阈值时，在第一车友和第二车友间进行相互推荐。
若计算出的相似度小于该预设阈值，则说明第一车友和第二车友间具有明显差异，则执行其他流程，此处不做具体限制。
本发明实施例中，获取至少两个车友对应的多维度数据，根据多维度数据，分别生成第一车友的第一特征向量和第二车友的第二特征向量，计算第一特征向量和第二特征向量之间的相似度，并在该相似度大于预设阈值时，在两个车友间进行相互推荐。因为本发明中，在获取车友对应的多维度数据后，根据该多维度数据，生成每个车友的特征向量，并以特征向量之间的相似度来度量车友的相似度，继而在相似度大于预设阈值时，进行相互推荐，从而实现了车友间的精准推荐，提高了推荐的成功率。
其次，本实施例对于注册车辆数据库的车友，以图像识别的方式作为注册条件，减少了繁琐的文字输入，提高了车友注册的成功率；再次，在计算任意两个车友间的相似度时，考虑了距离参数，给予距离参数对应的权重系数，并以特征向量间的余弦值和权重系统的乘积作为最终的相似度，提高了车友间相似度评判的精准度。
上面描述了本发明实施例中的车友推荐方法，下面来描述本发明实施例中的车友推荐系统，请参阅图4，本发明实施例中的车友推荐系统包括：
获取单元401，用于从车辆数据库中获取至少两个车友对应的多维度数据；
生成单元402，用于分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算推荐单元403，用于计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
需要说明的是，本实施例中各单元的作用与图1所述实施例中的车友推荐系统的作用类似，此处不再赘述。
本发明实施例中，通过获取单元401，获取至少两个车友对应的多维度数据，根据多维度数据，通过生成单元402，分别生成第一车友的第一特征向量和第二车友的第二特征向量，通过计算推荐单元403计算第一特征向量和第二特征向量之间的相似度，并在该相似度大于预设阈值时，在两个车友间进行相互推荐。因为本发明中，在获取车友对应的多维度数据后，根据该多维度数据，生成每个车友的特征向量，并以特征向量之间的相似度来度量车友的相似度，继而在相似度大于预设阈值时，进行相互推荐，从而实现了车友间的精准推荐，提高了推荐的成功率。
基于图4所述的实施例，下面详细描述本发明实施例中的车友推荐系统，请参阅图5，本发明中的车友推荐系统，包括：
获取单元501，用于从车辆数据库中获取至少两个车友对应的多维度数据；
生成单元502，用于分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算推荐单元503，用于计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
优选的，生成单元502，包括：
预设模块5021，用于预先设置车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
生成模块5022，用于根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
组成模块5023，用于将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
优选的，计算相似度的方法包括：协同过滤算法；
协同过滤算法，包括：余弦相似度或杰卡德相似度；
计算推荐单元503，包括：
计算推荐模块5031，用于通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度，并在相似度大于预设阈值时，在第一车友和第二车友之间相互推荐。
优选的，该系统还包括：
距离预设单元504，用于预先设置与距离相关的权重函数，并获取第一车友和第二车友之间的距离；
权重获取单元505，用于根据权重函数及距离，获取距离对应的权重系数；
相似度计算单元506，用于计算第一特征向量和第二特征向量之间余弦值与权重系数的乘积，以该乘积作为第一车友和第二车友之间的相似度。
优选的，该系统还包括：
接收单元507，用于接收车友的图像注册信息，图像注册信息为车友在车辆数据库中的唯一身份标识。
需要说明的是，本实施例中各单元及各模块的作用与图3所述实施例中的车友推荐系统的作用类似，此处不再赘述。
本发明实施例中，通过获取单元501，获取至少两个车友对应的多维度数据，根据多维度数据，通过生成单元502，分别生成第一车友的第一特征向量和第二车友的第二特征向量，通过计算推荐单元503计算第一特征向量和第二特征向量之间的相似度，并在该相似度大于预设阈值时，在两个车友间进行相互推荐。因为本发明中，在获取车友对应的多维度数据后，根据该多维度数据，生成每个车友的特征向量，并以特征向量之间的相似度来度量车友的相似度，继而在相似度大于预设阈值时，进行相互推荐，从而实现了车友间的精准推荐，提高了推荐的成功率。
其次，本实施例对于注册车辆数据库的车友，通过接收单元507以图像识别的方式作为注册条件，减少了繁琐的文字输入，提高了车友注册的成功率；再次，在计算任意两个车友间的相似度时，考虑了距离参数，给予距离参数对应的权重系数，并以特征向量间的余弦值和权重系统的乘积作为最终的相似度，提高了车友间相似度评判的精准度。
上面从模块化功能实体的角度对本发明实施例中的车友推荐系统进行了描述，下面从硬件处理的角度对本发明实施例中的计算机装置进行描述：
该计算机装置用于实现车友推荐系统的功能，本发明实施例中计算机装置一个实施例包括：
处理器以及存储器；
存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序时，可以实现如下步骤：
从车辆数据库中获取至少两个车友对应的多维度数据；
分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
优选的，多维度数据至少包括：车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息中的一种或多种。
在本发明的一些实施例中，处理器，还可以用于实现如下步骤：
预先设置车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
优选的，计算相似度的方法包括：协同过滤算法；
协同过滤算法，包括：余弦相似度或杰卡德相似度；
在本发明的一些实施例中，处理器，还可以用于实现如下步骤：
通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度。
在本发明的一些实施例中，处理器，还可以用于实现如下步骤：
预先设置与距离相关的权重函数，并获取第一车友和第二车友之间的距离；
根据权重函数及距离，获取距离对应的权重系数；
计算第一特征向量和第二特征向量之间余弦值与权重系数的乘积，以乘积作为第一车友和第二车友之间的相似度。
在本发明的一些实施例中，处理器，还可以用于实现如下步骤：
接收车友的图像注册信息，图像注册信息为车友在车辆数据库中的唯一身份标识。
可以理解的是，上述说明的计算机装置中的处理器执行所述计算机程序时，也可以实现上述对应的各装置实施例中各单元的功能，此处不再赘述。示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车友推荐系统的执行过程。例如，所述计算机程序可以被分割成上述车友推荐系统中的各单元，各单元可以实现如上述相应车友推荐系统说明的具体功能。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可包括但不仅限于处理器、存储器。本领域技术人员可以理解，处理器、存储器仅仅是计算机装置的示例，并不构成对计算机装置的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质用于实现车友推荐系统的功能，其上存储有计算机程序，计算机程序被处理器执行时，处理器，可以用于执行如下步骤：
从车辆数据库中获取至少两个车友对应的多维度数据；
分别根据多维度数据，生成第一车友的第一特征向量，及第二车友的第二特征向量；
计算第一特征向量与第二特征向量之间的相似度，并在相似度大于预设阈值时，将所述两个车友在第一车友和第二车友之间相互推荐。
优选的，多维度数据至少包括：车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息中的一种或多种。
在本发明的一些实施例中，计算机可读存储介质存储的计算机程序被处理器执行时，处理器，可以具体用于执行如下步骤：
预先设置车辆基本信息、车主基本信息、车主兴趣信息及车主常去地点的位置信息的分类条件及各分类条件对应的特征值；
根据分类条件及各分类条件对应的特征值，分别将第一车友和第二车友的多维度数据，对应生成第一特征值和第二特征值；
将第一特征值和第二特征值分别组成第一特征向量和第二特征向量。
优选的，计算相似度的方法包括：协同过滤算法；
协同过滤算法，包括：余弦相似度或杰卡德相似度；
在本发明的一些实施例中，计算机可读存储介质存储的计算机程序被处理器执行时，处理器，可以具体用于执行如下步骤：
通过余弦相似度来计算第一特征向量和第二特征向量之间的相似度。
在本发明的一些实施例中，计算机可读存储介质存储的计算机程序被处理器执行时，处理器，可以具体用于执行如下步骤：
预先设置与距离相关的权重函数，并获取第一车友和第二车友之间的距离；
根据权重函数及距离，获取距离对应的权重系数；
计算第一特征向量和第二特征向量之间余弦值与权重系数的乘积，以乘积作为第一车友和第二车友之间的相似度。
在本发明的一些实施例中，计算机可读存储介质存储的计算机程序被处理器执行时，处理器，可以具体用于执行如下步骤：
接收车友的图像注册信息，图像注册信息为车友在车辆数据库中的唯一身份标识。
可以理解的是，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在相应的一个计算机可读取存储介质中。基于这样的理解，本发明实现上述相应的实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上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精神和范围。