CN110111186A - 信息处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
信息处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110111186A CN110111186A CN201910390490.3A CN201910390490A CN110111186A CN 110111186 A CN110111186 A CN 110111186A CN 201910390490 A CN201910390490 A CN 201910390490A CN 110111186 A CN110111186 A CN 110111186A
- Authority
- CN
- China
- Prior art keywords
- data
- order
- information
- target user
- candidate item
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 127
- 230000015654 memory Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 235000021185 dessert Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 235000012027 fruit salads Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息处理方法、装置、电子设备及计算机可读存储介质，通过将目标用户信息输入二次推荐预测模型来确定推荐信息，并将推荐信息发送至目标客户端，以使得在目标用户查询对应的状态显示页面时，在状态显示页面上显示至少部分推荐信息，由此，可以在订单的状态显示页面上显示用户可能感兴趣的信息，提高了用户的体验感。
Description
技术领域
本发明公开涉及信息处理领域，具体涉及一种信息处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网的不断发展，O2O(on l i ne to off l i ne，线上到线下)交易也变得越来越普及。用户在通过购物应用软件对商品进行下单后，通常会通过订单的状态显示页面查看订单的配送详情，也即用户位置、商户位置、配送运力的位置(其中，配送运力位置会实时变化)以及订单状态(例如，准备中、已取单、配送中等)和订单预计送达时间等。该过程为购物应用程序带来了较大的流量，在订单的状态显示页面中增加物品的搭售推荐，能够在提升用户体验的同时增加购物平台下单量。
目前，根据经验选取了搭售商户品类，并按照经验对搭售商品排序，显示在订单地图应用程序中，便于用户继续购物。
然而，由于搭售商品是根据经验来选择和排序的，因而无法较好地满足各用户的实际需求，用户体验感较低。
发明内容
有鉴于此,本发明实施例提供一种信息处理方法、装置、存储介质和电子设备，以在订单的状态显示页面上显示用户可能感兴趣的信息，并能够快速响应用户的二次下单需求，从而提高用户的体验感。
第一方面，本发明实施例提供一种信息处理方法，所述方法包括：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
进一步地，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
进一步地，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
进一步地，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
进一步地，所述方法还包括：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
进一步地，根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
将所述多个用户的首次订单数据确定为第一负样本数据；
将所述多个用户的二次订单数据确定为第一正样本数据；
根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
进一步地，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
进一步地，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
进一步地，根据所述多个用户的首次订单数据、二次订单数据和所述第二数据训练所述第二模型包括：
将所述多个用户的二次订单数据确定为第三正样本数据；
将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
第二方面，本发明实施例提供一种信息处理装置，所述装置包括：
信息获取单元，被配置为获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
推荐信息确定单元，被配置为基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
信息发送单元，被配置为将所述推荐信息发送给所述目标用户。
进一步地，所述推荐信息确定单元包括：
候选项获取子单元，被配置为获取至少一个候选项；
得分获取子单元，被配置为将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
推荐信息确定子单元，被配置为响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
进一步地，所述二次推荐预测模型包括第一模型和第二模型；
所述得分获取子单元包括：
第一参数获取模块，被配置为所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
第二参数获取模块，被配置为所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
得分获取模块，被配置为根据所述第一参数和所述第二参数获取所述候选项的得分。
进一步地，所述得分获取模块包括：
得分获取子模块，被配置为根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
进一步地，所述装置还包括：
日志数据获取单元，被配置为获取多个用户的订单日志数据；
训练单元，被配置为根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
进一步地，所述训练单元包括：
第一负样本确定子单元，被配置为将所述多个用户的首次订单数据确定为第一负样本数据；
第一正样本确定子单元，被配置为所述多个用户的二次订单数据确定为第一正样本数据；
二次推荐预测模型训练子单元，被配置为根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
进一步地，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
所述训练单元包括：
第一模型训练子单元，被配置为根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
第二模型训练子单元，被配置为根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
进一步地，所述第一模型训练子单元包括：
第二正样本确定模块，被配置为将所述多个用户的第一数据确定为第二正样本数据；
第二负样本确定模块，被配置为将所述多个用户的第二数据确定为第二负样本数据；
第一模型训练模块，被配置为根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
进一步地，所述第二模型训练子单元包括：
第三正样本确定模块，被配置为将所述多个用户的二次订单数据确定为第三正样本数据；
第三负样本确定模块，被配置为将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
第二模型训练模块，被配置为根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
进一步地，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
进一步地，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
进一步地，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
进一步地，所述步骤还包括：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
进一步地，根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
将所述多个用户的首次订单数据确定为第一负样本数据；
将所述多个用户的二次订单数据确定为第一正样本数据；
根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
进一步地，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
进一步地，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
进一步地，根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型包括：
将所述多个用户的二次订单数据确定为第三正样本数据；
将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上所述的方法。
本发明实施例的技术方案通过将目标用户信息输入二次推荐预测模型来确定推荐信息，并将推荐信息发送至目标客户端，以使得在目标用户查询对应的状态显示页面时，在状态显示页面上显示至少部分推荐信息，由此，可以在订单的状态显示页面上显示用户可能感兴趣的信息，提高了用户的体验感。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的信息处理方法的流程图；
图2是本发明实施例的确定推荐信息的方法的流程图；
图3是本发明实施例的获取候选项得分的方法的流程图；
图4和图5是本发明实施例的二次推荐预测模型的训练方法的流程图；
图6是本发明实施例的数据流向图；
图7是本发明实施例的场景示意图；
图8是本发明第二实施例的信息处理装置的示意图；
图9是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明实施例的信息处理方法的流程图。如图1所示，该方法包括：
步骤100，获取目标用户信息。其中，目标用户信息包括目标用户当前的订单信息，订单信息包括当前订单对应的商品信息、地址信息、时间信息等，商品信息包括商品的类别、口味、价格等信息。
步骤200，基于目标用户信息和二次推荐预测模型，确定推荐信息。其中，二次推荐预测模型根据多个用户的订单日志数据预先训练获得。订单日志数据包括首次订单数据和二次订单数据。其中，首次订单和二次订单的下单时间在同一时间区间内，首次订单和二次订单具有同一个配送地址，首次订单和二次订单对应的商品类别不同。
在用户在用过正餐后，可能会购买餐后水果或餐后甜点等，可选的，将购买正餐作为首次订单，餐后水果或甜点作为二次订单。由于正餐和餐后水果或甜点的时间相差较短，因此，首次订单和二次订单的下单时间在同一时间区间内，例如，正餐的下单时间和二次订单的下单时间相差不超过1个小时。多个用户的订单日志数据包括多个用户的首次订单数据(正餐数据)及二次订单数据(餐后水果或甜点数据)。首次订单数据包括首次订单的类别、口味及价格等，二次订单数据包括首次订单的类别、口味及价格等。由此，可以根据多个用户的订单日志数据获取用户的首次订单和二次订单之间的关联关系，例如，在具有二次订单的用户中，用户的首次订单为“麻辣香锅”，二次订单通常为“水果沙拉”。由此，本实施例的二次推荐预测模型在根据多个用户的订单日志数据预先训练后，可以根据用户的首次订单数据预测该用户可能会复购的商品的类别，并进行推荐。例如，该用户的首次订单数据对应的商品为“麻辣香锅”，其可能会购买“水果沙拉”，由此，可以将“水果沙拉”的相关信息推荐给该用户。
步骤S300，将推荐信息发送给目标用户，以在目标用户的客户端的订单状态显示页面上显示至少部分该推荐信息。以外卖为例，订单的状态显示页面可以为目标用户的订单对应的配送运力位置的地图页面。页面信息可以包括用户位置、商户位置以及配送运力的位置(其中，配送运力位置会实时变化)，还可以显示订单状态(例如，准备中、已取单、配送中等)和订单预计送达时间。
用户在下单后会经常点击订单的状态显示页面以查看订单的配送状态，因此，在本实施例中，将推荐信息发送给目标用户的客户端，以使得在目标用户的客户端的订单状态显示页面上显示至少部分推荐信息，由此，在订单的状态显示页面上增加与该订单匹配的搭售推荐，可以提升用户的体验感。在一种可选的实现方式中，响应于目标用户查询订单的状态显示页面的消息，将推荐信息发送给目标用户的客户端。在另一种可选的实现方式中，在确定推荐信息后，将推荐信息发送给目标用户的客户端，以在目标用户查询订单的状态显示页面时，在订单状态显示页面上显示至少部分推荐信息。
本实施例通过将目标用户信息输入二次推荐预测模型来确定推荐信息，并将推荐信息发送至目标用户的客户端，以使得在目标用户查询对应的状态显示页面时，在状态显示页面上显示至少部分推荐信息，由此，可以在订单的状态显示页面上显示用户可能感兴趣的信息，提高了用户的体验感。
图2是本发明实施例的确定推荐信息的方法流程图。如图2所示，在一种可选的实现方式中，基于目标用户的订单信息和二次推荐预测模型，确定推荐信息具体包括如下步骤：
步骤S210，获取至少一个候选项。可选的，从目标用户的当前订单对应的地址范围内(也即目标用户的地址对应的配送范围内)，选择与该订单对应的商品类型相匹配的商品类型作为候选项。以餐饮外卖为例，假设目标用户已经在外卖平台上订过正餐，则可以将配送范围内的餐后甜点、水果或饮料等作为候选项。
步骤S220，将目标用户信息和至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分。可选的，候选项的信息可以包括候选项的销量、评价、口味及所属商户信息等。在另一种可选的实现方式中，目标用户信息还可以包括目标用户的偏好信息(可以通过目标用户的历史订单日志数据获得)，比如，目标用户喜欢的水果类型、甜点类型等，由此，可以更为精确地为目标用户推荐信息。
步骤S230，响应于候选项的得分满足预定条件，将该候选项的信息区确定为推荐信息。在一种可选的实现方式中，候选项的得分满足预定条件具体为候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。具体地，将各候选项的得分按照高低进行排序，将得分最高的n个候选项的信息确定为推荐信息。其中，候选项的得分越高，表明该候选项越符合目标用户的需求。例如，选择得分最高的前3个候选项的信息最为推荐信息。推荐信息中可以包括商品图片、价格等信息。在另一种可选的实现方式中，候选项的得分满足预定条件具体为候选项的得分大于预定阈值。具体地，将各候选项的得分按照高低进行排序，将得分大于预定阈值的候选项的信息确定为推荐信息。
本实施例通过目标用户信息和候选项的信息获取各候选项的得分，以确定目标用户可能二次下单的候选项，由此，可以使得目标用户能够在查看订单的状态显示页面时，查看相关推荐信息，以在目标用户想要二次下单时无需重回首页重新搜索，这提高了用户的体验感。
图3是本发明实施例的获取候选项得分的方法的流程图。如图3所示，在一种可选的实现方式中，二次推荐模型包括第一模型和第二模型。将目标用户信息和至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分具体可以包括以下步骤：
步骤S221，第一模型根据目标用户信息和至少一个候选项的信息计算各候选项对应的第一参数。其中，第一参数用于表征目标用户点击查看对应的候选项的概率。也就是说，第一模型用于获取目标用户在下单后，若在客户端页面上推荐该候选项的信息，用户点击查看该推荐信息的概率。
步骤S222，第二模型根据目标用户信息和至少一个候选项的信息计算各候选项对应的第二参数。其中，第二参数用户表征目标用户对对应的候选项下单的概率。也就是说，第二模型用于获取目标用户在下单后，若在客户端页面上推荐该候选项的信息，用户对该候选项下单的概率。
步骤S223，根据第一参数和第二参数获取对应的候选项的得分。可选的，根据预先设置的权重计算第一参数和第二参数的加权和以获取对应的候选项的得分。其中，第一参数和第二参数的权重是预先设置的。
可选的，各候选项的得分Score的计算公式如下所示：
Score＝w1*XG_c l i ck(X)+w2*XG_order(X)
其中，w1和w2分别为第一参数和第二参数的权重，XG_c l ick(X)为第一模型输出的第一参数，XG_order(X)为第二模型输出的第二参数，X为目标用户信息和候选项的信息。可选的，第一参数和第二参数的权重值均为0.5。在一种可选的实现方式中，为了进一步提高各候选项的得分Score的准确定，可以将第一参数和第二参数扩大预定倍数后，再进行加权和运算以获取各候选项的得分Score。
本实施例根据预测用户可能点击查看候选项的概率以及可能下单的候选项的概率来确定各候选项的得分，由此，可以更准确地获取用户更感兴趣的商品，从而提高用户的体验感。
在一种可选的实现方式中，本实施例的信息处理方法还包括：根据多个用户的订单日志数据训练获取二次推荐预测模型。
图4和图5是本发明实施例的二次推荐预测模型的训练方法的流程图。如图4所示，根据多个用户的订单日志数据训练获取二次推荐预测模型具体包括以下步骤：
步骤S410，获取多个用户的订单日志数据。其中，订单日志数据包括首次订单数据和二次订单数据。其中，首次订单和二次订单的下单时间在同一时间区间内，首次订单和二次订单具有同一个配送地址，首次订单和二次订单对应的商品类别不同。
可选的，从历史用户中选择在预定时间区间内(例如一个小时)二次下单，且两次订单的配送地址相同、订单对应的商品类别不同的用户，获取这些用户的订单日志数据。由此，可以根据二次下单的用户的订单日志数据训练二次推荐预测模型，以使得二次推荐预测模型能够根据目标用户信息和候选项的信息预测目标用户是否对该候选项感兴趣，由此，可以将预测的目标用户最感兴趣的候选项推荐给目标用户，从而提高用户的体验感。
步骤S420，根据多个用户的订单日志数据获取二次推荐预测模型。具体地，在一种可选的实现方式中，将多个用户的首次订单数据确定为第一负样本数据，将多个用户的二次订单数据确定为第一正样本数据，根据第一正样本数据和第一负样本数据训练二次推荐预测模型。由此，二次推荐预测模型可以预测在目标用户的当前订单为某商品时，目标用户可能会对各候选项下单的概率。
如图5所示，在另一种可选的实现方式中，多个用户的订单日志数据还包括第一数据和第二数据。第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据。第二数据为所述召回数据的未被点击查看的数据。二次推荐预测模型包括第一模型和第二模型。根据多个用户的订单日志数据获取二次推荐预测模型具体包括以下步骤：
步骤S421，根据多个用户的首次订单数据、第一数据和第二数据训练第一模型。具体地，将多个用户的第一数据确定为第二正样本数据，将多个用户的第二数据确定为第二负样本数据，根据多个用户的首次订单数据、第二正样本数据和第二负样本数据训练第一模型。由此，第一模型可以预测在目标用户当前订单为某商品时，目标用户可能会点击查看各候选项的概率。
步骤S422，根据多个用户的首次订单数据，二次订单数据和第一数据训练第二模型。具体地，将多个用户的二次订单数据确定为第三正样本数据，将多个用户的第一数据中未被下单的数据确定为第三负样本数据，根据多个用户的首次订单数据、第三正样本数据和第三负样本数据训练第二模型。由此，第二模型可以预测在目标用户当前订单为某商品时，目标用户可能会对各候选项下单的概率。
应理解，步骤S421和步骤S422并没有执行的先后顺序，也就是说，步骤S421可以在步骤S422之前执行，也可以在步骤S422之后执行，还可以与步骤S422同时执行。
在一种可选的实现方式中，本实施例的二次推荐预测模型为XGBoost模型。XGBoost模型是一种监督模型，将各个部分的预测值(例如本实施例的第一模型和第二模型的预测值)经过加权和计算后，获取最终的预测值。
本发明实施例通过基于多个用户订单日志数据训练获取的二次推荐预测模型，根据目标用户信息确定推荐信息，并将该推荐信息发送给目标用户的客户端，以在目标用户查看当前订单的状态显示页面时，在状态显示页面上显示该推荐信息，从而便于目标用户进行二次下单，由于本实施例综合考虑了多个用户的订单日志数据，因而可以较为准确地为目标用户推荐相关信息，相比于现有技术中的根据经验来为用户推荐商品，本发明实施例推荐的商品较准确，更符合用户需求，从而可以提高用户的体验感。
图6是本发明实施例的数据流向图。在一种可选的实现方式中，如图6所示，将目标用户和候选项信息输入至二次推荐训练模型61中。其中，二次推荐训练模型61包括第一模型611和第二模型612。第一模型611根据目标用户信息和候选项信息输出第一参数，第二模型612根据目标用户信息和候选项信息输出第二参数。二次推荐训练模型61根据预先设置的权重计算第一参数和第二参数的加权和以获取候选项的得分。将各候选项的得分按高低进行排序获得得分序列62。选择得分序列62中的前n个候选项的信息作为推荐信息发送给目标客户端63，或选择得分大于预定阈值的候选项的信息最为推荐信息发送给目标客户端63，以便在目标用户查看当前订单的状态显示页面时，在状态显示页面上显示至少部分该推荐信息。其中，n为大于等于1的整数。可选的，n为3，也即将得分序列排在前3位的候选项的信息作为推荐信息发送给目标客户端。
图7是本发明实施例的场景示意图。如图7所示，目标客户端7的状态显示页面上显示了推荐信息71，推荐信息71包括三种不同的水果的信息，分别为商品1、商品2和商品3的名称和图片。在另一种可选的实现方式中，推荐信息可以包括多个候选项信息，目标客户端7选取得分排名前3位的候选项信息显示在状态显示页面。目标客户端7的状态显示页面可以包括“更多”的链接72，点击连接72可以跳转到对应的页面，在该页面中显示所有的推荐信息。目标客户端7的状态显示页面还可以包括关闭控件“x”，用户可以通过点击关闭控件“x”使得目标客户端7接收到关闭推荐的指令，由此可以停止显示推荐信息。
图8是本发明第二实施例的信息处理装置的示意图。如图8所示，本实施例的信息处理装置8包括信息获取单元81、推荐信息确定单元82和信息发送单元83。
信息获取单元81被配置为获取目标用户信息。其中，所述目标用户信息包括目标用户的当前订单信息。推荐信息确定单元82被配置为基于所述目标用户信息和二次推荐预测模型，确定推荐信息。其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据。其中，首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同。信息发送单元83被配置为将所述推荐信息发送给所述目标用户，以在所述目标用户的客户端的订单状态显示页面显示至少部分所述推荐信息。
在一种可选的实现方式中，所述推荐信息确定单元82包括候选项获取子单元821、得分获取单元822和推荐信息获取子单元823。
候选项获取子单元821被配置为获取至少一个候选项。得分获取子单元822被配置为将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分。推荐信息确定子单元823被配置为响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。在一种可选的实现方式中，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。在另一种可选的实现方式中，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
在一种可选的实现方式中，所述二次推荐预测模型包括第一模型和第二模型。得分获取子单元822包括第一参数获取模块8221、第二参数获取模块8222和得分获取模块8223。
第一参数获取模块8221被配置为所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率。第二参数获取模块8222被配置为所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率。得分获取模块8223被配置为根据所述第一参数和所述第二参数获取所述候选项的得分。
在一种可选的实现方式中，得分获取模块8223包括得分获取子模块8223a。得分获取子模块8223a被配置为根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
进一步地，信息处理装置8还包括日志数据获取单元84和训练单元85。
日志数据获取单元84被配置为获取多个用户的订单日志数据。训练单元85被配置为根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
在一种可选的实现方式中，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型。在一种可选的实现方式中，训练单元85包括第一模型训练子单元851和第二模型训练子单元852。
第一模型训练子单元851被配置为根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型。第二模型训练子单元852被配置为根据所述多个用户的首次订单数据、二次订单数据和首所述第一数据训练所述第二模型。
在一种可选的实现方式中，第一模型训练子单元851包括第二正样本确定模块8511、第二负样本确定模块8512和第一模型训练模块8513。
第二正样本确定模块8511被配置为将所述多个用户的第一数据确定为第二正样本数据。第二负样本确定模块8512被配置为将所述多个用户的第二数据确定为第二负样本数据。第一模型训练模块8513被配置为根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
在一种可选的实现方式中，所述第二模型训练子单元852包括第三正样本确定模块8521、第三负样本确定模块8522和第二模型训练模块8523。
第三正样本确定模块8521被配置为将所述多个用户的二次订单数据确定为第三正样本数据。第三负样本确定模块8522被配置为将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据。第二模型训练模块8523被配置为根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
在另一种可选的实现方式中，训练单元85还包括第一负样本确定子单元853、第一正样本确定子单元854和二次推荐预测模型训练子单元855。第一负样本确定子单元853被配置为将所述多个用户的首次订单数据确定为第一负样本数据。第一正样本确定子单元854被配置为所述多个用户的二次订单数据确定为第一正样本数据。二次推荐预测模型训练子单元855被配置为根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
本实施例通过将目标用户信息输入二次推荐预测模型来确定推荐信息，并将推荐信息发送至目标客户端，以使得在目标用户查询对应的状态显示页面时，在状态显示页面上显示至少部分推荐信息，由此，可以在订单的状态显示页面上显示用户可能感兴趣的信息，提高了用户的体验感
图9是本发明第三实施例的电子设备的示意图。在本实施例中，电子设备9包括服务器、终端等。如图9所示，该电子设备9：至少包括一个处理器901；以及，与至少一个处理器901通信连接的存储器902；以及，与扫描装置通信连接的通信组件903，通信组件903在处理器901的控制下接收和发送数据；其中，存储器902存储有可被至少一个处理器901执行的指令，指令被至少一个处理器901执行以实现如下步骤：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
进一步地，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
进一步地，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
进一步地，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
进一步地，所述电子设备用于还用于实现如下步骤：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
进一步地，根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
将所述多个用户的首次订单数据确定为第一负样本数据；
将所述多个用户的二次订单数据确定为第一正样本数据；
根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
进一步地，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
进一步地，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
进一步地，根据所述多个用户的首次订单数据、二次订单数据和所述第二数据训练所述第二模型包括：
将所述多个用户的二次订单数据确定为第三正样本数据；
将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
进一步地，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
具体地，该电子设备包括：一个或多个处理器901以及存储器902，图9中以一个处理器901为例。处理器901、存储器902可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器902作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器901通过运行存储在存储器902中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述信息处理方法。
存储器902可以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、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器902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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被一个或者多个处理器901执行时，执行上述任意方法实施例中的信息处理方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本实施例通过将目标用户的订单信息输入二次推荐预测模型来确定推荐信息，并在目标用户查询对应的订单的状态显示页面时，将推荐信息发送至目标客户端显示，由此，可以在订单的状态显示页面上显示用户可能感兴趣的信息，并能够快速响应用户的二次下单需求，以提高用户的体验感
本发明的第五实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-On lyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本发明实施例公开了A1、一种信息处理方法，其中，所述方法包括：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
A2、根据A1所述的信息处理方法，其中，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
A3、根据A2所述的信息处理方法，其中，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
A4、根据A3所述的信息处理方法，其中，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
A5、根据A1所述的信息处理方法，其中，所述方法还包括：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
A6、根据A5所述的信息处理方法，其中，根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
将所述多个用户的首次订单数据确定为第一负样本数据；
将所述多个用户的二次订单数据确定为第一正样本数据；
根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
A7、根据A5所述的信息处理方法，其中，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
A8、根据A7所述的信息处理方法，其中，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
A9、根据A7所述的信息处理方法，其中，根据所述多个用户的首次订单数据、二次订单数据和所述第二数据训练所述第二模型包括：
将所述多个用户的二次订单数据确定为第三正样本数据；
将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
A10、根据A2所述的信息处理方法，其中，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
A11、根据A2所述的信息处理方法，其中，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
本发明实施例还提供了B1、一种信息处理装置，其中，所述装置包括：
信息获取单元，被配置为获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
推荐信息确定单元，被配置为基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
信息发送单元，被配置为将所述推荐信息发送给所述目标用户。
B2、根据B1所述的信息处理装置，其中，所述推荐信息确定单元包括：
候选项获取子单元，被配置为获取至少一个候选项；
得分获取子单元，被配置为将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
推荐信息确定子单元，被配置为响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
B3、根据B2所述的信息处理装置，其中，所述二次推荐预测模型包括第一模型和第二模型；
所述得分获取子单元包括：
第一参数获取模块，被配置为所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
第二参数获取模块，被配置为所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
得分获取模块，被配置为根据所述第一参数和所述第二参数获取所述候选项的得分。
B4、根据B3所述的信息处理装置，其中，所述得分获取模块包括：
得分获取子模块，被配置为根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
B5、根据B1所述的信息处理装置，其中，所述装置还包括：
日志数据获取单元，被配置为获取多个用户的订单日志数据；
训练单元，被配置为根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
B6、根据B5所述的信息处理装置，其中，所述训练单元包括：
第一负样本确定子单元，被配置为将所述多个用户的首次订单数据确定为第一负样本数据；
第一正样本确定子单元，被配置为所述多个用户的二次订单数据确定为第一正样本数据；
二次推荐预测模型训练子单元，被配置为根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
B7、根据B5所述的信息处理装置，其中，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
所述训练单元包括：
第一模型训练子单元，被配置为根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
第二模型训练子单元，被配置为根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
B8、根据B7所述的信息处理装置，其中，所述第一模型训练子单元包括：
第二正样本确定模块，被配置为将所述多个用户的第一数据确定为第二正样本数据；
第二负样本确定模块，被配置为将所述多个用户的第二数据确定为第二负样本数据；
第一模型训练模块，被配置为根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
B9、根据B7所述的信息处理装置，其中，所述第二模型训练子单元包括：
第三正样本确定模块，被配置为将所述多个用户的二次订单数据确定为第三正样本数据；
第三负样本确定模块，被配置为将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
第二模型训练模块，被配置为根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
B10、根据B2所述的信息处理装置，其中，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
B11、根据B2所述的信息处理装置，其中，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
本发明实施例还提供了C1、一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
C2、根据C1所述的电子设备，其中，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
C3、根据C2所述的电子设备，其中，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
C4、根据C3所述的电子设备，其中，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
C5、根据C1所述的电子设备，其中，所述步骤还包括：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
C6、根据C5所述的电子设备，其中，根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
将所述多个用户的首次订单数据确定为第一负样本数据；
将所述多个用户的二次订单数据确定为第一正样本数据；
根据所述第一正样本数据和第一负样本数据训练所述二次推荐预测模型。
C7、根据C5所述的电子设备，其中，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
C8、根据C7所述的电子设备，其中，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
C9、根据C7所述的电子设备，其中，根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型包括：
将所述多个用户的二次订单数据确定为第三正样本数据；
将所述多个用户的第一数据中未被下单的数据确定为第三负样本数据；
根据所述多个用户的首次订单数据、所述第三正样本数据和所述第三负样本数据训练所述第二模型。
C10、根据C2所述的电子设备，其中，所述候选项的得分满足预定条件具体为所述候选项的得分位于排序后的得分序列的前n位，其中，n为大于等于1的整数。
C11、根据C2所述的电子设备，其中，所述候选项的得分满足预定条件具体为所述候选项的得分大于预定阈值。
本发明实施例还公开了D1、一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如A1-A11中任一项所述的方法。
Claims (10)
1.一种信息处理方法，其特征在于，所述方法包括：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
2.根据权利要求1所述的信息处理方法，其特征在于，基于所述目标用户信息和二次推荐预测模型，确定推荐信息包括：
获取至少一个候选项；
将所述目标用户信息和所述至少一个候选项的信息输入所述二次推荐预测模型，以获取各候选项的得分；
响应于所述候选项的得分满足预定条件，将所述候选项的信息确定为推荐信息。
3.根据权利要求2所述的信息处理方法，其特征在于，所述二次推荐预测模型包括第一模型和第二模型；
将所述目标用户信息和所述至少一个候选项的信息输入二次推荐预测模型，以获取各候选项的得分包括：
所述第一模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第一参数，所述第一参数用于表征所述目标用户点击查看所述候选项的概率；
所述第二模型根据所述目标用户信息和所述至少一个候选项的信息计算所述各候选项对应的第二参数，所述第二参数用于表征所述目标用户对所述候选项下单的概率；
根据所述第一参数和所述第二参数获取所述候选项的得分。
4.根据权利要求3所述的信息处理方法，其特征在于，根据所述第一参数和所述第二参数获取所述各候选项的得分包括：
根据预先设置的权重计算所述第一参数和所述第二参数的加权和，以获取所述各候选项的得分。
5.根据权利要求1所述的信息处理方法，其特征在于，所述方法还包括：
获取多个用户的订单日志数据；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型。
6.根据权利要求5所述的信息处理方法，其特征在于，所述订单日志数据还包括第一数据和第二数据，所述第一数据为用户在首次订单后、二次订单前的召回数据中点击查看的数据，所述第二数据为所述召回数据的未被点击查看的数据，所述二次推荐预测模型包括第一模型和第二模型；
根据所述多个用户的订单日志数据训练获取所述二次推荐预测模型包括：
根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型；
根据所述多个用户的首次订单数据、二次订单数据和所述第一数据训练所述第二模型。
7.根据权利要求6所述的信息处理方法，其特征在于，根据所述多个用户的首次订单数据、所述第一数据和第二数据训练所述第一模型包括：
将所述多个用户的第一数据确定为第二正样本数据；
将所述多个用户的第二数据确定为第二负样本数据；
根据所述多个用户的首次订单数据、所述第二正样本数据和所述第二负样本数据训练所述第一模型。
8.一种信息处理装置，其特征在于，所述装置包括：
信息获取单元，被配置为获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
推荐信息确定单元，被配置为基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
信息发送单元，被配置为将所述推荐信息发送给所述目标用户。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
获取目标用户信息，所述目标用户信息包括目标用户的当前订单信息；
基于所述目标用户信息和二次推荐预测模型，确定推荐信息；其中，所述二次推荐预测模型根据多个用户的订单日志数据预先训练获得，所述订单日志数据包括首次订单数据和二次订单数据，其中，所述首次订单和二次订单的下单时间在同一时间区间内，所述首次订单和二次订单具有同一个配送地址，所述首次订单和二次订单对应的商品类别不同；
将所述推荐信息发送给所述目标用户。
10.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910390490.3A CN110111186A (zh) | 2019-05-10 | 2019-05-10 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910390490.3A CN110111186A (zh) | 2019-05-10 | 2019-05-10 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110111186A true CN110111186A (zh) | 2019-08-09 |
Family
ID=67489339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910390490.3A Pending CN110111186A (zh) | 2019-05-10 | 2019-05-10 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111186A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766510A (zh) * | 2019-09-18 | 2020-02-07 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
| CN111144974A (zh) * | 2019-12-04 | 2020-05-12 | 北京三快在线科技有限公司 | 一种信息展示方法及装置 |
| CN112581205A (zh) * | 2019-09-30 | 2021-03-30 | 阿里巴巴集团控股有限公司 | 订单处理方法和装置、电子设备以及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104731830A (zh) * | 2013-12-24 | 2015-06-24 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置及服务器 |
| CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
| CN107105031A (zh) * | 2017-04-20 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
-
2019
- 2019-05-10 CN CN201910390490.3A patent/CN110111186A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104731830A (zh) * | 2013-12-24 | 2015-06-24 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置及服务器 |
| CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
| CN107105031A (zh) * | 2017-04-20 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766510A (zh) * | 2019-09-18 | 2020-02-07 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
| CN112581205A (zh) * | 2019-09-30 | 2021-03-30 | 阿里巴巴集团控股有限公司 | 订单处理方法和装置、电子设备以及计算机可读存储介质 |
| CN111144974A (zh) * | 2019-12-04 | 2020-05-12 | 北京三快在线科技有限公司 | 一种信息展示方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107481114B (zh) | 商品推荐方法、装置、电子商务系统及存储介质 | |
| US11921802B2 (en) | Methods, systems, and apparatus for generating search results | |
| US10176508B2 (en) | System, method, and non-transitory computer-readable storage media for evaluating search results for online grocery personalization | |
| US10430854B2 (en) | System, method, and non-transitory computer-readable storage media for evaluating search results for personalized product substitutions | |
| CN109635198B (zh) | 在商品展示平台上呈现用户搜索结果的方法、装置、介质及电子设备 | |
| CN108596695B (zh) | 实体推送方法及系统 | |
| WO2014138648A2 (en) | Systems, methods and computer readable media for online shopping | |
| AU2022203839A1 (en) | Recommendation apparatus and method | |
| CN110111186A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
| JP5047378B1 (ja) | 情報処理システム、情報処理方法、プログラム及び情報記録媒体 | |
| US20200410573A1 (en) | Computer-implemented method for generating a suggestion list and system for generating an order list | |
| US20130144759A1 (en) | Product purchase device and product purchase method | |
| US10417688B2 (en) | System, method, and non-transitory computer-readable storage media for evaluating search results for matching ingredients to products | |
| KR20170118297A (ko) | 기상 정보에 기반한 상품 추천 방법 | |
| KR20190018369A (ko) | 상품기획서버를 이용한 상품 기획 시스템 및 방법. | |
| JP5403809B2 (ja) | 顧客情報管理サーバ、及び顧客情報管理プログラム | |
| JPWO2017203631A1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| JP2019215717A (ja) | マッチングシステム、マッチング方法、及びコンピュータプログラム | |
| JP2021043690A (ja) | 情報処理システム、および、情報処理方法 | |
| JP2023004817A (ja) | 販売支援装置、販売支援システム、販売支援方法、およびプログラム | |
| CN114493779A (zh) | 订单推荐方法、装置、可读存储介质及电子设备 | |
| CN103455566B (zh) | 信息展示方法及装置 | |
| CN110059279B (zh) | 商品套餐信息的生成方法及装置 | |
| JP5507747B1 (ja) | 電子商取引装置、電子商取引プログラム、及び電子商取引方法 | |
| JP2019109587A (ja) | 情報提供装置、情報提供方法、およびプログラム |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |