CN108564244A - 订单处理方法、装置、设备和半导体可读存储介质 - Google Patents
订单处理方法、装置、设备和半导体可读存储介质 Download PDFInfo
- Publication number
- CN108564244A CN108564244A CN201810161513.9A CN201810161513A CN108564244A CN 108564244 A CN108564244 A CN 108564244A CN 201810161513 A CN201810161513 A CN 201810161513A CN 108564244 A CN108564244 A CN 108564244A
- Authority
- CN
- China
- Prior art keywords
- order
- order information
- work
- multipotency
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种订单处理方法、装置、设备和半导体可读存储介质,其中订单处理方法包括获取不同多能工处理过的至少一个历史订单信息;对所获取的历史订单信息进行处理,得到多种订单类型;根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型。本申请记载的多能工与各种订单类型之间的匹配模型是基于历史订单信息得到,由于历史订单信息不受人为因素影响,因此所述匹配模型可以降低人为因素或规则的影响,智能化程度高。
Description
技术领域
本申请涉及互联网信息处理技术以及计算机技术领域,尤其涉及一种订单处理方法、装置、设备和半导体可读存储介质。
背景技术
日常生活中往往会产生大量的生活服务需求,随之而来就是O2O即online tooffline(线上到线下)服务性模式的发展,将线上预订、线下服务、支付等流程转移到生活服务场景中,例如:上门维修家电,清洗家电,家居安装等。为了不断提高市场占有率,服务效率和服务质量成为各大供应商的必要考虑问题所在,因此,如何将订单准确地分配给适合该订单的多能工成为有待解决的问题之一。其中,多能工是具备多个工种操作能力的作业人员。
在现有技术中,当收到订单,可以根据订单对应的工种选择多能工,随机或人为指派订单。这种方式受限于人工和规则因素,智能化程度较低,订单处理效率不高。
发明内容
现有技术要解决的技术问题是:现有订单分配方式受限于人工和规则因素,智能化程度较低,订单处理效率不高。
本申请实施例采用下述技术方案:
本申请实施例提供一种订单处理方法,包括:
获取不同多能工处理过的至少一个历史订单信息;
对所获取的历史订单信息进行处理,得到多种订单类型,所述订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的所述至少一种属性的属性值范围不同;
根据所述多能工与所述订单类型之间的映射关系,生成所述多能工与各种订单类型之间的匹配模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,包括:
从所获取的历史订单信息中获取各种所述属性的不同属性值;
基于所获取的属性值生成各种所述属性的不同属性值范围;
基于生成的各种所述属性的不同属性值范围,生成所述多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还包括:
计算每个所述订单类型对获取的各历史订单信息的概率分布;
根据各种所述订单类型的计算结果,生成所述订单类型对各个历史订单信息的第一概率分布模型。
可选地,根据所述多能工处理过的历史订单信息所属的订单类型,生成所述多能工与各种订单类型之间的匹配模型,包括:
计算每个所述多能工对聚类分析得到的各订单类型的概率分布;
根据各个所述多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当多能工的数量更新时,对所获取的历史订单信息进行处理,得到多种订单类型。
可选地,在所述多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
本说明书实施例还提供一种订单处理方法,包括:
在接收到新的订单信息时,从所述新的订单信息中获取工种、地点、时间中的至少一种属性的属性值;
基于所获取的属性值,根据上文所述的订单处理方法得到的多种不同订单类型中确定所述新的订单信息所属的订单类型;
根据上文所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工。
可选地,根据上文所述的订单处理方法得到的多种订单类型中确定所述新的订单信息所属的订单类型,包括:
获取所述多种订单类型对各个历史订单信息的第一概率分布模型;
将所述新的订单信息与所述第一概率分布模型进行匹配,得到各所述订单类型对所述新的订单信息的概率分布;
根据各所述订单类型对所述新的订单信息的概率满足的设定条件,确定所述新的订单信息所属的订单类型。
可选地,若所述匹配模型为多能工对各种订单类型的第二概率分布模型,则根据上文所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工,包括:
将所述新的订单信息所属的订单类型与所述第二概率分布模型进行匹配,得到各多能工对所述新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工。
可选地,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工,包括:
根据匹配得到各多能工对所述新的订单信息所属的订单类型的概率确定满足多能工相似度条件的至少两个多能工;
将满足多能工相似条件的至少两个多能工确定为对所述新的订单信息进行处理的多能工。
本说明书实施例还提供一种订单处理装置,包括:
获取模块,获取不同多能工处理过的至少一个历史订单信息;
处理模块,对所获取的历史订单信息进行处理,得到多种订单类型,所述订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的所述至少一种属性的属性值范围不同;
生成模块,根据所述多能工与所述订单类型之间的映射关系,生成所述多能工与各种订单类型之间的匹配模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,包括:
从所获取的历史订单信息中获取各种所述属性的不同属性值;
基于所获取的属性值生成各种所述属性的不同属性值范围;
基于生成的各种所述属性的不同属性值范围,生成所述多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还包括:
计算每个所述订单类型对获取的各历史订单信息的概率分布;
根据各种所述订单类型的计算结果,生成所述订单类型对各个历史订单信息的第一概率分布模型。
可选地,根据所述多能工处理过的历史订单信息所属的订单类型,生成所述多能工与各种订单类型之间的匹配模型,包括:
计算每个所述多能工对聚类分析得到的各订单类型的概率分布;
根据各个所述多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当多能工的数量更新时,对所获取的历史订单信息进行处理,得到多种订单类型。
可选地,在所述多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
本说明书实施例还提供一种订单处理装置,包括:
获取模块,在接收到新的订单信息时,从所述新的订单信息中获取工种、地点、时间中的至少一种属性的属性值;
确定模块,执行如下步骤:
基于所获取的属性值,根据上文所述的订单处理方法得到的多种不同订单类型中确定所述新的订单信息所属的订单类型;
根据上文所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工。
可选地,根据上文所述的订单处理方法得到的多种订单类型中确定所述新的订单信息所属的订单类型,包括:
获取所述多种订单类型对各个历史订单信息的第一概率分布模型;
将所述新的订单信息与所述第一概率分布模型进行匹配,得到各所述订单类型对所述新的订单信息的概率分布;
根据各所述订单类型对所述新的订单信息的概率满足的设定条件,确定所述新的订单信息所属的订单类型。
可选地,若所述匹配模型为多能工对各种订单类型的第二概率分布模型,则根据上文所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工,包括:
将所述新的订单信息所属的订单类型与所述第二概率分布模型进行匹配,得到各多能工对所述新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定至少一个所述多能工。
可选地,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工,包括:
根据匹配得到各多能工对所述新的订单信息所属的订单类型的概率确定满足多能工相似度条件的至少两个多能工;
将满足多能工相似条件的至少两个多能工确定为对所述新的订单信息进行处理的多能工。
本说明书实施例还提供一种电子设备,其特征在于,包括至少一个处理器及存储器,所述存储器存储有程序,并且被配置成由至少一个所述处理器完成上述任一所述的订单处理方法。
本说明实施例还提供一种半导体可读存储介质,其特征在于,所述计算机可读存储介质包括与电子设备结合使用的程序,程序可被处理器执行以完成上述任一所述的订单处理方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
获取不同多能工处理过的至少一个历史订单信息;对所获取的历史订单信息进行处理,得到多种订单类型,订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的至少一种属性的属性值范围不同;根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型。在这种情况下,本说明书实施例记载的技术方案可以有效利用历史订单信息,分析这些历史订单信息的内在规律,生成多能工与订单类型之间的匹配模型,指导未来的派单策略。之后可以在接单后,根据匹配模型确定合适的多能工。本说明书实施例记载的多能工与各种订单类型之间的匹配模型是基于历史订单信息得到,由于历史订单信息不受人为因素影响,因此所述匹配模型可以降低人为因素或规则的影响,智能化程度高。
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为本说明书实施例提供的一种订单处理方法的流程示意图;
图2为本说明书实施例提供的一种订单处理方法的流程示意图;
图3为本说明书实施例提供的一种订单处理装置的结构示意图;
图4为本说明书实施例提供的一种订单处理装置的结构示意图。
具体实施方式
为了实现本申请的目的,本申请实施例提供了一种订单处理方法、装置、设备和半导体可读存储介质,其中获取不同多能工处理过的至少一个历史订单信息;对所获取的历史订单信息进行处理,得到多种订单类型,订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的至少一种属性的属性值范围不同;根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型。在这种情况下,本说明书实施例记载的技术方案可以有效利用历史订单信息,分析这些历史订单信息的内在规律,生成多能工与订单类型之间的匹配模型,指导未来的派单策略。之后可以在接单后,根据匹配模型确定合适的多能工。对历史订单信息的处理进程可以由机器来完成,可以省略人工参与进程,降低人为因素对订单处理进程的影响,智能化程度高。
另外,本说明书实施例记载的订单信息可以包括工种、地点、时间等多种属性,使得订单类型相比于传统的“订单类型”可以有很高的维度,对多能工的选择也更加精确。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请实施例提供的一种订单处理方法的流程示意图。所述方法可以如下所示。本申请实施例的执行主体可以为具有机器学习能力的订单处理装置。
步骤101:获取不同多能工处理过的至少一个历史订单信息。
历史订单信息可以包括:多能工信息及工种、时间、地点等多种属性,具有可参考性。例如,工种可以包括燃气管道维修、煤气表移位、水表安装、燃气灶安装等,时间可以为订单处理时间,地点可以为订单对应的处理地点。对于不同历史订单信息,这些属性的属性值可能相同或不相同。
步骤102:对所获取的历史订单信息进行处理,得到多种订单类型,订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的所述至少一种属性的属性值范围不同。
以下,工种用g表示,地点用p表示,时间用t表示。这样,每个历史订单信息可以表示为wi:{gi,pi,ti},其中i表示第i个历史订单信息。通过对多个历史订单信息进行分析,每个订单类型可以表示为主题T:{Δgi,Δpi,Δti},其中i表示第i个订单类型,Δg可以表示相似度较高的工种范围,Δp可以表示地点分布集中的地点集,Δt可以表示时间分布集中的时间段。在实际应用中,Δp可以表示包含一定地理范围内的小区、道路等地理信息。不同订单类型所包含的Δg、Δp、Δt中的一种或多种不同。
本说明书实施例记载的订单类型可以包含多种属性,每个多能工都可以使用至少一个订单类型来表征,不同多能工可以对应相同或不同订单类型,以更有效表示多能工之间的内在关系。在实际应用中,从事相同工种范围的不同多能工可以被分配不同时间段的订单和/或处理不同地点的订单,例如每个多能工可能集中服务某个小区,或集中在某一日或某天的一个时间段处理订单服务。
需要说明的是,本说明书实施例记载的所述属性不限于工种、时间、地点这三种属性,可以包括其他种类的属性,在此不再一一列举。
在本说明书实施例中,对所获取的历史订单信息进行处理,得到多种订单类型,可以包括:
对所获取的历史订单信息进行聚类分析,得到多种订单信息;或者,
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
其中,聚类分析可以是对历史订单信息中包含的多种属性的属性值进行分析,直至得到所需的不同种订单类型。
其中,主题模型是对文字隐含主题进行建模的方法,包括LDA(全称:LatentDirichlet Allocation)、潜在语义分析LSA(全称:Latent Semantic Analysis)、或pLSA(全称:Probabilistic Latent Semantic Analysis)。如果说聚类分析是关注于从各历史订单信息中各属性值的相似度,则基于主题类型的文本分析则关注于各历史订单信息之间的主题相关度,使得基于主题类型的文本分析可以包含聚类分析的方法,但又宽于聚类分析的范畴。
具体地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,可以包括:
从所获取的历史订单信息中获取各种所述属性的不同属性值;
基于所获取的属性值生成各种所述属性的不同属性值范围;
基于生成的各种所述属性的不同属性值范围,生成多种订单类型。
在本说明书实施例中,可以对历史订单信息中各种属性的属性值进行分析,确定各种属性的属性值范围。之后,可以将各种属性值范围之间进行组合,例如相同或相近的属性值可以归为同一订单类型。
在确定属性值范围时,可以根据各属性的属性值分布集中度进行确定,可以参考上文关于主题T的描述。
其中,在LDA模型中,每篇文档的主题分布服从一个多项式分布,同时这个主题分布(多项式分布)的参数又服从一个Dirichlet分布。每一篇文档的都对应一个不同的主题分布,即多项式分布;同时,LDA模型中的每个主题下存在一个单词的多项式分布,即每个主题下的单词都服从多项式分布,并且每个主题对应的多项分布的参数都服从一个Dirichlet分布。
因此,LDA是一种生成式模型,深刻地刻画了文档和单词的内在联系。使用LDA建模,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还可以包括:
计算每个订单类型对获取的各历史订单信息的概率分布;
根据各种订单类型的计算结果,生成订单类型对各个历史订单信息的第一概率分布模型。
结合参考下方表格一:
其中,m表示订单类型的数量,n表示历史订单信息的数量,m<<n。Tm对历史订单信息wn的概率分布可表示为:
订单类型Tm所包含的wn的数量占Tm中包含的所有历史订单信息数量的百分比。
基于得到的m*n个计算结果,生成第一概率分布模型。这样,在之后接收到派单时,可以匹配第一概率分布模型,确定所属订单类型。
在本说明书实施例中,LSA也被叫做LSI(全称:Latent Semantic Indexing),LSI是基于奇异值分解(SVD)的方法来得到订单类型对应的主题。而pLSA主要使用的是EM(期望最大化)算法。考虑到本领域技术人员对于LSI和pLSA的具体算法的理解,在本说明书实施例中不作具体展开。
在本说明书实施例中,如果出现多能工的数量有更新,例如减少或增加,可以执行步骤102,对所获取的历史订单信息进行处理,得到多种订单类型。具体地,每当出现多能工数量更新时,则可以重新对获取的历史订单信息进行处理,得到多种订单类型,这可以保持定义概率分布模型的精确性。
优选地,在多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
这可以避免频繁的对历史订单信息进行处理而造成程序冗余,提升处理效率和准确性。
步骤103:根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型。
在这种情况下,每个订单类型可以对应至少一个多能工,使得可以生成多能工与各种订单类型之间的匹配模型。利用该匹配模型,可以为派单分配合适的多能工。
优选地,当根据各种订单类型的计算结果,生成订单类型对各个历史订单信息的第一概率分布模型时,根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型,可以包括:
计算每个多能工对聚类分析得到的各订单类型的概率分布;
根据各个所述多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
参考下述表格二:
其中,表格二反映了各订单类型在不同多能工下的概率,多能工k对各订单类型的概率分布可以表示为:
多能工k所处理的历史订单信息中落入Tm内的数量占Tm所包含的全部历史订单信息的数量的百分比。
当接收到一个新订单信息,可以从表格一中得到其在不同订单类型T下的概率,进而确定最大概率所对应的订单类型。之后根据所确定的订单类型确定其所对应的各多能工的概率,在后续推荐中,可以推荐概率最大的多能工,或者按照概率降序给出一个推荐列表。
参考表格一和表格二,本说明书实施例记载的第一概率分布和第二概率分布基于LDA模型。在LDA模型中,每篇文档的主题分布服从一个多项式分布,同时这个主题分布(多项式分布)的参数又服从一个Dirichlet分布。本说明书实施例使用LDA模型分析多能工和历史订单信息之间的联系,多能工服务对应于文档,订单类型对应于单词。每种订单类型可以对应于一个单词,每个多能工服务可以对应于一篇文档,由多种订单类型表示。其中,订单类型是隐变量,每个订单类型对应着一个不同类型的历史订单信息的多项式分布,每个多能工服务对应着一个不同订单类型的多项式分布,表示该多能工在历史订单信息的潜在语义表达。
同时,对于多能工,根据其在订单类型上的概率分布,可以方便地判断出其处理订单的特点;也可以根据其在订单类型上概率分布之间的相似度(KL divergence或其他一些方法),很容易地计算多能工之间的相似度。这样,可以对用户来说对多能工就有多种选择,而降低因多能工短缺的问题。
另外,本说明书实施例记载的技术方案使用订单类型表示多能工可处理和服务的订单,对其所处理的历史订单信息包含的所有属性进行降维处理,可以更加有效的表示多能工之间的内在关系,比如多能工服务的相似度等。
利用本说明书实施例记载的订单处理方法,可以有效利用起历史订单信息,基于机器学习创建多能工与各种订单类型之间的匹配模型,智能化程度较高。
图2为本说明书实施例提供的一种订单处理方法的流程示意图,所述方法如下所示。
步骤201:在接收到新的订单信息时,从新的订单信息中获取工种、地点、时间中的至少一种属性的属性值。
在实际应用中,工种可以根据新的订单信息中提到的维修对象,如燃气表、燃气灶等。时间为新订单信息中包含的期望上门服务时间,地点为新订单信息中包含的上门服务地点。
其中,所述新的订单信息可以是由服务器下发给各客户端,由客户端执行步骤201。
步骤202:基于所获取的属性值,根据上述订单处理方法得到的多种不同订单类型中确定所述新订单信息所属的订单类型。
在本说明书实施例中,可以是根据各属性值所属的属性值范围来确定最终的订单类型。
在本说明书实施例中,结合表格一的内容,若所述匹配模型为所述订单类型对各个历史订单信息的第一概率分布模型,则从上述订单处理方法得到的多种不同订单类型中确定所述新的订单信息所属的订单类型,包括:
获取不同订单类型对各个历史订单信息的第一概率分布模型;
将所述新的订单信息与第一概率分布模型进行匹配,得到各订单类型对所述新的订单信息的概率分布;
根据各订单类型对所述新的订单信息的概率分布满足的设定条件,确定所述新的订单信息所属的订单类型。
在匹配过程中,可以先根据新的订单信息中包含的各属性的属性值查询其可能对应的具体历史订单信息,之后获取各订单类型对该具体历史订单信息的概率分布,得到各订单类型对新的订单信息的概率分布。
其中,根据各订单类型对所述新的订单信息的概率分布满足的设定条件,确定所述新的订单信息所属的订单类型,可以包括:
将概率分布中最大概率值对应的订单类型作为所述新的订单信息所属的订单类型;或者
将概率值在前的满足设定数量的订单类型推荐给用户,并根据用户选择确定所述新的订单信息所属的订单类型。
步骤203:根据上文所述的订单处理方法得到的多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工。
在本说明书实施例中,结合表格二的内容,若所述匹配模型为多能工对各种订单类型的第二概率分布模型,则根据上文所述的订单处理方法得到的多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工,包括:
将所述新的订单信息所属的订单类型与第二概率分布模型进行匹配,得到各多能工对所述新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定至少一个所述多能工。
其中,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定至少一个所述多能工,可以包括:
将最大概率值对应的多能工确定为处理该新的订单信息的多能工;或者,
将各多能工对所述新的订单信息所属的订单类型的概率反馈给用户,例如以列表的形式反馈给用户,并根据用户选择确定最终的多能工。
利用本说明书实施例提供的订单处理方法,可以实现对多能工的准确派单。由于订单类型是基于历史多能工处理过的历史订单信息得到的,因此可以降低人工或规则的影响,而且派单更符合该多能工的技能、时间等,也能满足用户需求。
图3为本说明书实施例提供的一种订单处理装置的结构示意图,所述结构如下所述。
订单处理装置可以包括:
获取模块301,获取不同多能工处理过的至少一个历史订单信息;
处理模块302,对所获取的历史订单信息进行处理,得到多种订单类型,订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的至少一种属性的属性值范围不同;
生成模块303,根据多能工与订单类型之间的映射关系,生成多能工与各种订单类型之间的匹配模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,包括:
从所获取的历史订单信息中获取各种属性的不同属性值;
基于所获取的属性值生成各种属性的不同属性值范围;
基于生成的各种属性的不同属性值范围,生成多种订单类型。
可选地,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还包括:
计算每个订单类型对获取的各历史订单信息的概率分布;
根据各种订单类型的计算结果,生成订单类型对各个历史订单信息的第一概率分布模型。
可选地,根据多能工处理过的历史订单信息所属的订单类型,生成多能工与各种订单类型之间的匹配模型,包括:
计算每个多能工对聚类分析得到的各订单类型的概率分布;
根据各个多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
可选地,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当多能工的数量更新时,对所获取的历史订单信息进行处理,得到多种订单类型。
可选地,在多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
基于同一发明构思,本说明书实施例还提供一种电子设备,包括至少一个处理器及存储器,存储器存储有程序,并且被配置成由至少一个处理器完成上述任一订单处理方法。
其中,处理器的其他功能还可以参见上述实施例中记载的内容,这里不再一一赘述。
基于同一个发明构思,本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质包括与电子设备结合使用的程序,程序可被处理器完成上述任一订单处理方法。
图4为本说明书实施例提供的一种订单处理装置的结构示意图,所述结构如下所示。
订单处理装置可以包括:
获取模块401,在接收到新的订单信息时,从新的订单信息中获取工种、地点、时间中的至少一种属性的属性值;
确定模块402,执行如下步骤:
基于所获取的属性值,根据上文的订单处理方法得到的多种不同订单类型中确定新的订单信息所属的订单类型;
根据上文的订单处理方法得到的多能工与订单类型之间的匹配模型,确定对新的订单信息进行处理的至少一个多能工。
可选地,根据上文的订单处理方法得到的多种订单类型中确定新的订单信息所属的订单类型,包括:
获取多种订单类型对各个历史订单信息的第一概率分布模型;
将新的订单信息与第一概率分布模型进行匹配,得到各订单类型对新的订单信息的概率分布;
根据各订单类型对新的订单信息的概率满足的设定条件,确定新的订单信息所属的订单类型。
可选地,若匹配模型为多能工对各种订单类型的第二概率分布模型,则根据权利要求1的订单处理方法得到的多能工与订单类型之间的匹配模型,确定对新的订单信息进行处理的至少一个多能工,包括:
将新的订单信息所属的订单类型与第二概率分布模型进行匹配,得到各多能工对新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对新的订单信息所属的订单类型的概率满足的设定条件,确定对新的订单信息进行处理的至少一个多能工。
可选地,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工,包括:
根据匹配得到各多能工对所述新的订单信息所属的订单类型的概率确定满足多能工相似度条件的至少两个多能工;
将满足多能工相似条件的至少两个多能工确定为对所述新的订单信息进行处理的多能工。
基于同一发明构思,本说明书实施例还提供一种电子设备,包括至少一个处理器及存储器,存储器存储有程序,并且被配置成由至少一个处理器完成上述任一订单处理方法。
其中,处理器的其他功能还可以参见上述实施例中记载的内容,这里不再一一赘述。
基于同一个发明构思,本说明书实施例还提供一种计算机可读存储介质,该计算机可读存储介质包括与电子设备结合使用的程序,程序可被处理器完成上述任一订单处理方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (24)
1.一种订单处理方法,其特征在于,包括:
获取不同多能工处理过的至少一个历史订单信息;
对所获取的历史订单信息进行处理,得到多种订单类型,所述订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的所述至少一种属性的属性值范围不同;
根据所述多能工与所述订单类型之间的映射关系,生成所述多能工与各种订单类型之间的匹配模型。
2.如权利要求1所述的订单处理方法,其特征在于,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
3.如权利要求2所述的订单处理方法,其特征在于,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,包括:
从所获取的历史订单信息中获取各种所述属性的不同属性值;
基于所获取的属性值生成各种所述属性的不同属性值范围;
基于生成的各种所述属性的不同属性值范围,生成所述多种订单类型。
4.如权利要求3所述的订单处理方法,其特征在于,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还包括:
计算每个所述订单类型对获取的各历史订单信息的概率分布;
根据各种所述订单类型的计算结果,生成所述订单类型对各个历史订单信息的第一概率分布模型。
5.如权利要求1或4所述的订单处理方法,其特征在于,根据所述多能工处理过的历史订单信息所属的订单类型,生成所述多能工与各种订单类型之间的匹配模型,包括:
计算每个所述多能工对聚类分析得到的各订单类型的概率分布;
根据各个所述多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
6.如权利要求1所述的订单处理方法,其特征在于,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当多能工的数量更新时,对所获取的历史订单信息进行处理,得到多种订单类型。
7.如权利要求6所述的订单处理方法,其特征在于,在所述多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
8.一种订单处理方法,其特征在于,包括:
在接收到新的订单信息时,从所述新的订单信息中获取工种、地点、时间中的至少一种属性的属性值;
基于所获取的属性值,根据权利要求1所述的订单处理方法得到的多种不同订单类型中确定所述新的订单信息所属的订单类型;
根据权利要求1所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工。
9.如权利要求8所述的订单处理方法,其特征在于,根据权利要求1所述的订单处理方法得到的多种订单类型中确定所述新的订单信息所属的订单类型,包括:
获取所述多种订单类型对各个历史订单信息的第一概率分布模型;
将所述新的订单信息与所述第一概率分布模型进行匹配,得到各所述订单类型对所述新的订单信息的概率分布;
根据各所述订单类型对所述新的订单信息的概率满足的设定条件,确定所述新的订单信息所属的订单类型。
10.根据权利要求9所述的订单处理方法,其特征在于,若所述匹配模型为多能工对各种订单类型的第二概率分布模型,则根据权利要求1所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工,包括:
将所述新的订单信息所属的订单类型与所述第二概率分布模型进行匹配,得到各多能工对所述新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工。
11.如权利要求10所述的订单处理方法,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工,包括:
根据匹配得到各多能工对所述新的订单信息所属的订单类型的概率确定满足多能工相似度条件的至少两个多能工;
将满足多能工相似条件的至少两个多能工确定为对所述新的订单信息进行处理的多能工。
12.一种订单处理装置,其特征在于,包括:
获取模块,获取不同多能工处理过的至少一个历史订单信息;
处理模块,对所获取的历史订单信息进行处理,得到多种订单类型,所述订单类型包括工种、地点、时间中的至少一种属性,其中不同种订单类型中的所述至少一种属性的属性值范围不同;
生成模块,根据所述多能工与所述订单类型之间的映射关系,生成所述多能工与各种订单类型之间的匹配模型。
13.如权利要求12所述的订单处理装置,其特征在于,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型。
14.如权利要求13所述的订单处理装置,其特征在于,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,包括:
从所获取的历史订单信息中获取各种所述属性的不同属性值;
基于所获取的属性值生成各种所述属性的不同属性值范围;
基于生成的各种所述属性的不同属性值范围,生成所述多种订单类型。
15.如权利要求14所述的订单处理装置,其特征在于,对获取的历史订单信息进行基于主题模型的文本分析,生成多种订单类型,还包括:
计算每个所述订单类型对获取的各历史订单信息的概率分布;
根据各种所述订单类型的计算结果,生成所述订单类型对各个历史订单信息的第一概率分布模型。
16.如权利要求12或15所述的订单处理装置,其特征在于,根据所述多能工处理过的历史订单信息所属的订单类型,生成所述多能工与各种订单类型之间的匹配模型,包括:
计算每个所述多能工对聚类分析得到的各订单类型的概率分布;
根据各个所述多能工的计算结果,生成多能工对各种订单类型的第二概率分布模型。
17.如权利要求11所述的订单处理装置,其特征在于,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当多能工的数量更新时,对所获取的历史订单信息进行处理,得到多种订单类型。
18.如权利要求17所述的订单处理装置,其特征在于,在所述多能工的数量更新包括增加新的多能工的情况下,对所获取的历史订单信息进行处理,得到多种订单类型,包括:
当新的多能工对应的历史订单信息的数量满足设定条件时,对所获取的历史订单信息进行处理,得到多种订单类型。
19.一种订单处理装置,其特征在于,包括:
获取模块,在接收到新的订单信息时,从所述新的订单信息中获取工种、地点、时间中的至少一种属性的属性值;
确定模块,执行如下步骤:
基于所获取的属性值,根据权利要求1所述的订单处理方法得到的多种不同订单类型中确定所述新的订单信息所属的订单类型;
根据权利要求1所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工。
20.如权利要求19所述的订单处理装置,其特征在于,根据权利要求1所述的订单处理方法得到的多种订单类型中确定所述新的订单信息所属的订单类型,包括:
获取所述多种订单类型对各个历史订单信息的第一概率分布模型;
将所述新的订单信息与所述第一概率分布模型进行匹配,得到各所述订单类型对所述新的订单信息的概率分布;
根据各所述订单类型对所述新的订单信息的概率满足的设定条件,确定所述新的订单信息所属的订单类型。
21.根据权利要求20所述的订单处理装置,其特征在于,若所述匹配模型为多能工对各种订单类型的第二概率分布模型,则根据权利要求1所述的订单处理方法得到的所述多能工与订单类型之间的匹配模型,确定对所述新的订单信息进行处理的至少一个多能工,包括:
将所述新的订单信息所属的订单类型与所述第二概率分布模型进行匹配,得到各多能工对所述新的订单信息所属的订单类型的概率;
根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工。
22.根据权利要求21所述的订单处理装置,其特征在于,根据匹配得到的各多能工对所述新的订单信息所属的订单类型的概率满足的设定条件,确定对所述新的订单信息进行处理的至少一个所述多能工,包括:
根据匹配得到各多能工对所述新的订单信息所属的订单类型的概率确定满足多能工相似度条件的至少两个多能工;
将满足多能工相似条件的至少两个多能工确定为对所述新的订单信息进行处理的多能工。
23.一种电子设备,其特征在于,包括至少一个处理器及存储器,所述存储器存储有程序,并且被配置成由至少一个所述处理器执行权利要求1-11任一项所述的订单处理方法。
24.一种半导体可读存储介质,其特征在于,所述计算机可读存储介质包括与电子设备结合使用的程序,程序可被处理器执行以完成权利要求1-11任一项所述的订单处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161513.9A CN108564244A (zh) | 2018-02-26 | 2018-02-26 | 订单处理方法、装置、设备和半导体可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161513.9A CN108564244A (zh) | 2018-02-26 | 2018-02-26 | 订单处理方法、装置、设备和半导体可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564244A true CN108564244A (zh) | 2018-09-21 |
Family
ID=63531351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810161513.9A Pending CN108564244A (zh) | 2018-02-26 | 2018-02-26 | 订单处理方法、装置、设备和半导体可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564244A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833119A (zh) * | 2019-04-15 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法、装置、电子设备及存储介质 |
CN112699174A (zh) * | 2021-03-23 | 2021-04-23 | 中建电子商务有限责任公司 | 一种大数据建筑用品驱动链图生成方法 |
CN113469710A (zh) * | 2021-07-06 | 2021-10-01 | 携程商旅信息服务(上海)有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012060532A1 (ko) * | 2010-11-02 | 2012-05-10 | (주)광개토연구소 | 특허 평가 모델 생성 방법, 특허 평가 방법, 특허 분쟁 예측 모델 생성 방법, 특허 분쟁 예측 정보 생성 방법, 특허 라이센싱 예측 정보 생성 방법, 특허 리스크 헤징 정보 생성 방법 및 시스템 |
CN104537009A (zh) * | 2014-12-17 | 2015-04-22 | 语联网(武汉)信息技术有限公司 | 译员推荐方法及装置 |
CN107657379A (zh) * | 2017-09-26 | 2018-02-02 | 广州平云小匠科技有限公司 | 任务择优派发方法、装置和系统 |
CN107730131A (zh) * | 2017-10-24 | 2018-02-23 | 北京航空航天大学 | 一种众包软件开发者的能力预测及推荐方法、装置 |
-
2018
- 2018-02-26 CN CN201810161513.9A patent/CN108564244A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012060532A1 (ko) * | 2010-11-02 | 2012-05-10 | (주)광개토연구소 | 특허 평가 모델 생성 방법, 특허 평가 방법, 특허 분쟁 예측 모델 생성 방법, 특허 분쟁 예측 정보 생성 방법, 특허 라이센싱 예측 정보 생성 방법, 특허 리스크 헤징 정보 생성 방법 및 시스템 |
CN104537009A (zh) * | 2014-12-17 | 2015-04-22 | 语联网(武汉)信息技术有限公司 | 译员推荐方法及装置 |
CN107657379A (zh) * | 2017-09-26 | 2018-02-02 | 广州平云小匠科技有限公司 | 任务择优派发方法、装置和系统 |
CN107730131A (zh) * | 2017-10-24 | 2018-02-23 | 北京航空航天大学 | 一种众包软件开发者的能力预测及推荐方法、装置 |
Non-Patent Citations (1)
Title |
---|
胡吉明: "《基于用户资源关联的社会化推荐研究》", 31 December 2017, 武汉大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833119A (zh) * | 2019-04-15 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法、装置、电子设备及存储介质 |
CN112699174A (zh) * | 2021-03-23 | 2021-04-23 | 中建电子商务有限责任公司 | 一种大数据建筑用品驱动链图生成方法 |
CN112699174B (zh) * | 2021-03-23 | 2021-08-17 | 中建电子商务有限责任公司 | 一种大数据建筑用品驱动链图生成方法 |
CN113469710A (zh) * | 2021-07-06 | 2021-10-01 | 携程商旅信息服务(上海)有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
CN113469710B (zh) * | 2021-07-06 | 2022-10-11 | 携程商旅信息服务(上海)有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A sentiment-enhanced personalized location recommendation system | |
WO2022161202A1 (zh) | 多媒体资源分类模型训练方法和多媒体资源推荐方法 | |
Tang et al. | Predicting individual retweet behavior by user similarity: a multi-task learning approach | |
CN103984714B (zh) | 一种基于本体语义的云制造服务供需智能匹配方法 | |
CN111079015B (zh) | 一种推荐方法、装置、计算机设备和存储介质 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
Aldhahri et al. | Towards an effective crowdsourcing recommendation system: A survey of the state-of-the-art | |
CN104636371A (zh) | 信息推荐方法及设备 | |
CN108564244A (zh) | 订单处理方法、装置、设备和半导体可读存储介质 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
Wang et al. | Deep user modeling for content-based event recommendation in event-based social networks | |
CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN108156204A (zh) | 一种目标对象推送系统和方法 | |
CN109146707A (zh) | 基于大数据分析的电力用户分析方法、装置及电子设备 | |
CN109636467A (zh) | 一种品牌的互联网数字资产的综合评估方法及系统 | |
CN104008428A (zh) | 产品服务需求预测和资源优选配置方法 | |
Cao et al. | A Recommendation Approach Based on Product Attribute Reviews: Improved Collaborative Filtering Considering the Sentiment Polarity. | |
Zhang et al. | CRUC: Cold-start recommendations using collaborative filtering in internet of things | |
Wu et al. | A Federated Deep Learning Framework for Privacy-Preserving Consumer Electronics Recommendations | |
EP4116884A2 (en) | Method and apparatus for training tag recommendation model, and method and apparatus for obtaining tag | |
CN111882224A (zh) | 对消费场景进行分类的方法和装置 | |
Wang et al. | Park recommendation algorithm based on user reviews and ratings | |
CN104636489B (zh) | 描述属性数据的处理方法和装置 | |
Fang et al. | Research on intelligent cloud manufacturing resource adaptation methodology based on reinforcement learning | |
Cao et al. | A Novel Hybrid Collaborative Filtering Approach to Recommendation Using Reviews: The Product Attribute Perspective (S). |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |
|
RJ01 | Rejection of invention patent application after publication |