CN110503498B - 一种订单推荐方法及装置 - Google Patents

一种订单推荐方法及装置 Download PDF

Info

Publication number
CN110503498B
CN110503498B CN201810469970.4A CN201810469970A CN110503498B CN 110503498 B CN110503498 B CN 110503498B CN 201810469970 A CN201810469970 A CN 201810469970A CN 110503498 B CN110503498 B CN 110503498B
Authority
CN
China
Prior art keywords
user
merchant
similarity
commodity
target
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.)
Active
Application number
CN201810469970.4A
Other languages
English (en)
Other versions
CN110503498A (zh
Inventor
高玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201810469970.4A priority Critical patent/CN110503498B/zh
Publication of CN110503498A publication Critical patent/CN110503498A/zh
Application granted granted Critical
Publication of CN110503498B publication Critical patent/CN110503498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • 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
    • 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)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种订单推荐方法及装置，所述方法包括：获取目标订单，并提取用户信息、商家信息及商品识别信息，包括处于取消状态的订单；用户信息包括待配送位置和用户识别信息，商家信息包括商家位置和商家识别信息；根据待配送位置和所述商家位置确定目标用户集；采用用户信息对应的第一用户特征信息、商家信息对应的第一商家特征信息及商品识别信息对应的第一商品特征信息，计算目标用户集中各用户与目标订单的匹配度；将匹配度满足预设条件的目标订单推荐给目标用户集中各用户。解决了无法取消订单导致用户体验差的问题，将取消的订单推荐给其他用户，提高用户体验。

Description

一种订单推荐方法及装置
技术领域
本发明实施例涉及网络技术领域，尤其涉及一种订单推荐方法及装置。
背景技术
随着网络技术领域的迅速发展，用户可以在即时配送应用平台上下订单。而在下订单之后，用户往往会由于各种原因需要取消订单。
现有技术中，用户取消订单的流程主要包括：首先，用户在即时配送应用平台上进行取消订单操作；然后，当平台接收到用户的取消订单操作时，判断订单对应的商家是否已经出订单。若出订单，则提示用户已出订单无法取消订单，且订单继续运行直至订单配送至目标位置；若未出订单，则取消订单，并通知订单对应的商家。
可以看出，在商家已经出订单之后用户无法取消订单，导致用户体验差。
发明内容
本发明提供一种订单推荐方法及装置，以解决现有技术即时配送的上述问题。
根据本发明的第一方面，提供了一种订单推荐方法，所述方法包括：
获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；
根据所述待配送位置和所述商家位置确定目标用户集；
采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；
将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
根据本发明的第二方面，提供了一种订单推荐装置包括：
订单获取模块，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；
目标用户集确定模块，用于根据所述待配送位置和所述商家位置确定目标用户集；
匹配度计算模块，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；
订单推荐模块，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
根据本发明的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述所述的订单推荐方法。
根据本发明的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述所述的订单推荐方法。
本发明实施例提供了一种订单推荐方法及装置，所述方法包括：获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；根据所述待配送位置和所述商家位置确定目标用户集；采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。解决了现有技术中无法取消订单导致用户体验差的问题，可以将取消的订单推荐给其他未下单用户，从而提高了用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种订单推荐方法的具体步骤流程图；
图2是本发明实施例二提供的一种订单推荐方法的具体步骤流程图；
图3是本发明实施例三提供的一种订单推荐装置的结构图；
图4是本发明实施例四提供的一种订单推荐装置的结构图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
参照图1，其示出了本发明实施例一提供的一种订单推荐方法的具体步骤流程图。
步骤101，获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置。
其中，目标订单可以为取消的订单，也可以为顺利完成的订单。
本发明实施例可以将取消的订单推荐给其他用户。具体地，周期性的获取处于取消状态的订单，从而将处于当前周期内的所有取消订单批量进行推荐。在实际应用中，取消的订单被存储至指定缓存区，当该取消的订单被成功推荐至其他用户时，将该订单从指定缓存区中删除；还可以在预设时间之后，将取消的订单删除，从而可以将推荐不成功的订单删除。
此外，本发明实施例也可以将顺利完成的订单推荐给其他用户。具体地，周期性的获取处于完成状态的订单，从而将处于当前周期内的所有完成订单批量进行推荐。在实际应用中，完成订单被存储至指定缓存区，当该完成的订单未被推荐至其他用户时，表明该其他用户对该订单不感兴趣，从而将该订单从指定缓存区中删除；当该完成的订单被成功推荐至其他用户，则将不删除该订单，可以后续继续推荐。
其中，待配送位置默认为用户下订单的当前位置，在用户访问平台时通过定位系统获取；用户还可以在下订单时在地图界面上修改待配送位置。
商家位置在商家在平台上注册时在地图上确定的位置信息，注册成功后该商家入驻该平台，用户可以在该平台上对该商家下单。
商品识别信息为商家在平台上添加出售的商品时生成的商品识别码，为了区别不同商家的商品，可以将商家识别信息作为商品识别信息的前缀。
步骤102，根据所述待配送位置和所述商家位置确定目标用户集。
具体地，可以将待配送位置周边一定范围内的用户作为目标用户集，也可以将商家位置周边一定范围内的用户作为目标用户集。
可以理解，在实际应用中，可以将上述两种情况得到的目标用户集取并集得到目标用户集。
步骤103，采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度。
具体地，首先，分别将目标用户集中各用户的用户特征信息与用户信息对应的用户特征信息进行对比，目标用户集中各用户的商家特征信息与商家信息对应的商家特征信息进行对比，目标用户集中各用户的商品特征信息与商品识别信息对应的商品特征信息进行对比，得到用户相似度、商家相似度、商品相似度，从而确定目标用户集中各用户与所述目标订单的匹配度。
可以理解，用户相似度越大，商家相似度越大，商品相似度越大，则用户与目标订单的匹配度越大；用户相似度越小，商家相似度越小，商品相似度越小，则用户与目标订单的匹配度越小。
步骤104，将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
其中，预设条件用于确定推荐用户。在实际应用中，预设条件可以为经过经验确定的匹配度阈值。
本发明实施例将订单推荐给与该订单匹配度较高的用户，从而可以有效提高推荐成功率。
综上所述，本发明实施例提供了一种订单推荐方法，所述方法包括：获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；根据所述待配送位置和所述商家位置确定目标用户集；采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。解决了现有技术中无法取消订单导致用户体验差的问题，可以将取消的订单推荐给其他未下单用户，从而提高了用户体验。
实施例二
参照图2，其示出了本发明实施例二提供的一种订单推荐方法的具体步骤流程图。
步骤201，获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置。
该步骤可以参照步骤101的详细说明，在此不再赘述。
步骤202，根据所述待配送位置和所述商家位置确定目标范围。
具体地，可以将待配送位置周边一定范围作为第一参考范围，将商家位置周边一定范围作为第二参考范围，从而目标范围为第一参考范围和第二参考范围的并集。
可以理解，在实际应用中，第一参考范围和第二参考范围可以根据实际应用设定大小，本发明实施例对其不加以限制。
步骤203，获取访问当前平台、且未下单的用户的位置信息。
在实际应用中，当用户登录平台时用户的状态会更新为登录状态，从而将处于登录状态的用户作为访问平台的用户。
未下单的用户可以通过获取用户下单的数目确定。当下单的数目为0，则用户未下单；若下单的数目不为0，则用户下单。
步骤204，根据所述位置信息确定处于所述目标范围内的用户，得到目标用户集。
在实际应用中，对于获取到的多个访问当前平台、且未下单的用户，判断该用户的位置是否属于目标范围；若是，则将该用户添加至目标用户集中；若否，则不该用户添加至目标用户集中。
步骤205，分别根据所述用户识别信息获取用户特征信息，根据所述商家识别信息获取商家特征信息，根据所述商品识别信息获取商品特征信息，作为第一用户特征信息、第一商家特征信息及第一商品特征信息。
其中，用户特征信息包括但不限于：用户消费等级、用户偏好口味、用户偏好品类、用户偏好食材等。用户消费等级可以根据用户历史消费总额确定，消费总额越大，消费等级越高；总额越小，消费等级越低。消费等级越接近的用户喜欢相同商品的概率越大，消费等级差别越大的用户喜欢相同商品的概率越小；用户偏好口味代表用户偏好辣、甜、酸、等；用户偏好品类表示用户喜欢蒸、煮、炒、炸的菜品；用户偏好食材表示用户喜欢猪肉、牛肉、鸡肉、青菜等食材。
可以理解，用户消费等级可以根据用户识别信息直接从平台系统数据中获取，用户偏好口味、用户偏好品类、用户偏好食材均可以根据用户历史订单进行综合判断得到。例如对于用户偏好口味，首先，根据用户识别信息获取用户的历史订单；然后，从历史订单中分别统计口味为辣、甜、酸等的菜品数目；最后，将出现次数最多的口味作为用户偏好口味。可以理解，用户特征信息还可以包括其他代表用户特征的信息，本发明实施例对其不加以限制。
商家特征信息包括但不限于：商家星级、商家类型等。其中，商家星级代表商家的服务等级，可以通过用户对商家的评论和打分得到；商家类型为商家提供哪种类型的餐点，例如，米饭、面食、火锅等，可以在商家进行注册时提供，从而保存至平台系统数据中。从而可以根据商家识别信息从平台系统数据库中读取对应的商品特征信息。可以理解，商家特征信息还可以包括其他代表商家特征的信息，本发明实施例对其不加以限制。
商品特征信息包括但不限于：商品口味、商品主要食材等。其中，商品口味包括但不限于：酸、辣、甜、咸等，商品主要食材包括但不限于猪肉、鸡肉、鱼肉、青菜、豆类等。可以理解，上述商品特征信息均可以在商家添加商品信息时提供，从而保存至平台系统数据中。从而可以根据商品识别信息从平台系统数据库中读取对应的商品特征信息。可以理解，商品特征信息还可以包括其他代表商品特征的信息，本发明实施例对其不加以限制。
步骤206，采用预设的相似度预测模型，根据所述第一用户特征信息、第一商家特征信息及第一商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度。
该步骤可以参照步骤103中的详细说明，在此不再赘述。
可选地，在本发明的另一种实施例中，步骤206包括子步骤2061至2065：
子步骤2061，获取所述目标用户集中各用户的第二用户特征信息，并采用所述用户相似度预测模型根据所述第二用户特征信息与第一用户特征信息，计算所述各用户与所述目标订单的用户相似度。
其中，第二用户特征信息与第一用户特征信息包含的内容相同，详细说明可以参照步骤205中用户特征信息的详细说明。
用户相似度预测模型用于根据用户特征信息计算两个用户之间的相似度。可以理解，用户相似度预测模型的输入为两个用户的用户特征信息，输出为用户相似度。
具体地，根据目标用户集中各用户的用户识别信息获取第二用户特征信息。可选地，在本发明的另一种实施例中，步骤2061包括子步骤20611至20613：
子步骤20611，从所述第一用户特征信息中提取至少一个第一用户特征参数。
对于步骤205中的第一用户特征信息，提取用户消费等级、用户偏好口味、用户偏好品类、用户偏好食材。
子步骤20612，从所述第二用户特征信息中提取至少一个第二用户特征参数。
由于第二用户特征信息与第一用户特征信息相同，从而从第二用户特征信息中提取第二用户特征参数为提取用户消费等级、用户偏好口味、用户偏好品类、用户偏好食材。
子步骤20613，针对所述目标用户集中各用户，采用所述用户相似度预测模型根据所述第一用户特征参数和第二用户特征参数，生成各用户与所述目标订单的用户相似度。
在实际应用中，第一用户特征参数和第二用户特征参数分别组成两个向量，例如，第一用户特征参数组成的向量为[A1,A2,A3,A4]和[B1,B2,B3,B4]，其中，A1和B1分别为用户消费等级对应的数值，A2和B2分别为用户偏好口味对应的数值，A3和B3分别为用户偏好品类对应的数值、A4和B4分别为用户偏好食材对应的数值。可以理解，A1和B1、A2和B2、A3和B3、A4和B4的差值越大，用户相似度越大；A1和B1、A2和B2、A3和B3、A4和B4的差值越小，用户相似度越小。
本发明实施例通过训练预测模型计算用户相似度，在实际应用中，还可以采用其他方式计算用户相似度。例如，欧氏距离相似度，杰卡德相似度，余弦相似度等。
可选地，在本发明的另一种实施例中，子步骤20613包括子步骤206131：
子步骤206131，针对所述目标用户集中各用户，分别将所述第一用户特征参数和第二用户特征参数输入至预先训练得到的用户相似度预测模型，得到各用户与所述目标订单的用户相似度。
其中，用户相似度预测模型的输入参数为各用户特征参数对应的对比值和参考值，输出为用户与目标订单的用户相似度。可以理解，可以将第一用户特征参数作为用户特征参数对应的对比值，将第二用户特征参数作为用户特征参数对应的参考值。在实际应用中，还可以将两者顺序调换，本发明实施例对其顺序不加以限制。
本发明实施例可以通过预先训练得到的用户相似度模型预测用户相似度，从而可以灵活调整用户相似度的定义及数值范围。
可选地，在本发明的另一种实施例中，针对子步骤206131，本发明实施例还包括如下步骤：
步骤A1，确定用户相似度预测模型，并初始化所述用户相似度预测模型中各用户特征参数对应的系数。
其中，用户相似度预测模型可以采用逻辑回归模型或其他模型，本发明实施例对其不加以限制。
初始化用户相似度预测模型的各用户特征参数对应的系数。例如，对于逻辑回归模型，模型公式如下：
Figure BDA0001663041980000091
其中，M为非常数系数的数目，根据用户特征信息包括的用户特征参数数目决定。例如，步骤205中的用户特征信息包括用户消费等级、用户偏好口味、用户偏好品类、用户偏好食材，则M＝5。
Figure BDA0001663041980000092
为第i个用户特征参数的参考值，
Figure BDA0001663041980000093
为第i个用户特征参数的对比值。可以理解，在实际应用中，第i个用户特征参数的对比值和参考值的顺序可以调换，本发明实施例对其顺序不加以限制。
wi为非常数系数，b为常数参数。
可以理解，训练就是确定wi和b的值。
具体地，可以根据经验值初始化系数wi和b，也可以通过分析初始化为其他值。可以理解，当初始化系数的值不恰当时，将会增大训练时间；当初始化系数的值接近于最优参数组时，将会减少训练时间。
步骤A2，针对用户相似度样本集中的各样本，将所述样本中各用户特征参数对应的参考值、对比值输入至所述用户相似度预测模型，得到用户相似度的预测值，所述样本包括：至少一个用户特征参数对应的参考值、对比值及用户相似度的样本值。
具体地，当用户特征参数为用户消费等级、用户偏好口味、用户偏好品类、用户偏好食材时，对于一个样本，将用户消费等级对应的参考值和对比值、用户偏好口味对应的参考值和对比值、用户偏好品类对应的参考值和对比值、用户偏好食材对应的参考值和对比值，输入至公式(1)，得到用户相似度的预测值。
步骤A3，根据所述各样本对应的用户相似度的预测值以及样本值确定损失值。
其中，损失值可以根据预测值和样本值之间的均方差确定。具体公式如下：
Figure BDA0001663041980000101
其中，L为损失值，N为商家相似度的样本数目，yi为第i个用户相似度样本的样本值，yi'为第i个用户相似度样本的预测值。
可以理解，损失值还可以根据其他公式计算，本发明实施例对其不加以限制。
步骤A4，若所述损失值不满足预设条件，则根据所述损失值调整所述各用户特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到用户相似度预测模型。
具体地，当损失值小于等于第一预设值时，损失值满足预设条件，训练结束，此时对应的各用户特征参数对应的系数为目标系数；当损失值大于第一预设值时，损失值不满足预设条件，调整系数，以继续进行训练，直至损失值满足预设条件。
可以理解，第一预设值可以根据实际应用场景设定，本发明实施例对其不加以限制。第一预设值越小，训练结果越准确，训练时间越长；第一预设值越大，训练结果越粗糙，训练时间越短。
子步骤2062，从所述目标用户集中去除所述用户相似度小于预设阈值的用户。
其中，预设阈值可以根据实际应用场景设定，本发明实施例对其不加以限制。本发明实施例将订单推荐给用户相似度大于等于预设阈值的用户。可以理解，预设阈值越大，大于等于预设阈值的用户越少，推荐成功率越小；预设阈值越小，大于等于预设阈值的用户越多，推荐成功率越大。
子步骤2063，获取所述目标用户集中各用户的第二商家特征信息，并采用所述商家相似度预测模型根据所述第二商家特征信息与第一商家特征信息，计算所述各用户与所述目标订单的商家相似度。
其中，第二商家特征信息与第一商家特征信息包含的内容相同，详细说明可以参照步骤205中商家特征信息的详细说明。
商家相似度预测模型可以根据两个商家的商家特征信息，计算得到两个商家的相似度。可以理解，商家相似度预测模型的输入为两个商家的商家特征信息，输出为两个商家的相似度。
具体地，首先，获取目标用户集中各用户浏览的商家对应的标识，可以理解，用户浏览的商家至少包括一个；然后，根据上述至少一个商家标识信息获取对应的商家特征信息，得到第二商家特征信息。
可选地，在本发明的另一种实施例中，步骤2063包括子步骤20631至20633：
子步骤20631，从所述第一商家特征信息中提取至少一个第一商家特征参数。
对于步骤205中的第一商家特征信息，提取商家星级、商家类型等信息。
子步骤20632，从所述第二商家特征信息中提取至少一个第二商家特征参数。
由于第二商家特征信息与第一商家特征信息相同，从而从第二商家特征信息中提取第二商家特征参数为商家星级、商家类型。
子步骤20633，针对所述目标用户集中各用户，采用所述商家相似度预测模型根据所述第一商家特征参数和第二商家特征参数，生成各用户与所述目标订单的商家相似度。
在实际应用中，第一商家特征参数和第二商家特征参数分别组成两个向量，例如，第一商家特征参数组成的向量为[C1,C2]和[D1,D2]，其中，C1和D1分别为商家星级对应的数值，C2和D2分别为商家类型对应的数值。可以理解，C1和D1、C2和D2的差值越大，商家相似度越大；C1和D1、C2和D2的差值越小，商家相似度越小。
本发明实施例通过训练商家相似度预测模型计算商家相似度，在实际应用中，还可以采用其他方式计算商家相似度。例如，欧氏距离相似度，杰卡德相似度，余弦相似度等。
可选地，在本发明的另一种实施例中，子步骤20633包括子步骤206331：
子步骤206331，针对所述目标用户集中各用户，分别将所述第一商家特征参数和第二商家特征参数输入至预先训练得到的商家相似度预测模型，得到各用户与所述目标订单的商家相似度。
其中，商家相似度预测模型的输入参数为各商家特征参数对应的对比值和参考值，输出为用户与目标订单的商家相似度。可以理解，可以将第一商家特征参数作为商家特征参数对应的对比值，将第二商家特征参数作为商家特征参数对应的参考值。在实际应用中，还可以将两者顺序调换，本发明实施例对其顺序不加以限制。
本发明实施例可以通过预先训练得到的商家相似度模型预测商家相似度，从而可以灵活调整商家相似度的定义及数值范围。
可选地，在本发明的另一种实施例中，针对子步骤206331，本发明实施例还包括如下步骤：
步骤B1，确定商家相似度预测模型，并初始化所述商家相似度预测模型中各商家特征参数对应的系数。
其中，商家相似度预测模型可以采用逻辑回归模型或其他模型，本发明实施例对其不加以限制。
可以理解，商家相似度预测模型可以采用公式(1)的模型。
其中，M为非常数系数的数目，根据商家特征信息包括的商家特征参数数目决定。例如，步骤205中的商家特征信息包括商家星级、商家类型，则M＝2。
Figure BDA0001663041980000121
为第i个商家特征参数的对比值，
Figure BDA0001663041980000122
为第i个商家特征参数的参考值。可以理解，在实际应用中，第i个商家特征参数的对比值和参考值的顺序可以调换，本发明实施例对其顺序不加以限制。
对公式的其他详细说明可以参照步骤A1的详细说明，在此不再赘述。
步骤B2，针对商家相似度样本集中的各样本，分别将所述样本中各商家特征参数对应的参考值、对比值输入至所述商家相似度预测模型，得到商家相似度的预测值，所述样本包括：至少一个商家特征参数对应的参考值、对比值及商家相似度的样本值。
具体地，当商家特征参数为商家星级、商家类型时，对于一个样本，将商家星级对应的参考值和对比值、商家类型对应的参考值和对比值，输入至公式(1)，得到商家相似度的预测值。
步骤B3，根据所述各样本对应的商家相似度的预测值以及样本值确定损失值。
其中，损失值可以根据商家相似度的预测值和样本值之间的均方差确定。具体公式可以参照公式(2)，其中，L为损失值，N为样本数目，yi为第i个商家相似度样本的样本值，yi'为第i个商家相似度样本的预测值。
可以理解，损失值还可以根据其他公式计算，本发明实施例对其不加以限制。
步骤B4，若所述损失值不满足预设条件，则根据所述损失值调整所述各商家特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商家相似度预测模型。
具体地，当损失值小于等于第二预设值时，损失值满足预设条件，训练结束，此时对应的各商家特征参数对应的系数为目标系数；当损失值大于第二预设值时，损失值不满足预设条件，调整系数，以继续进行训练，直至损失值满足预设条件。
可以理解，第二预设值可以根据实际应用场景设定，本发明实施例对其不加以限制。第二预设值越小，训练结果越准确，训练时间越长；第二预设值越大，训练结果越粗糙，训练时间越短。
子步骤2064，获取所述目标用户集中各用户的第二商品特征信息，并采用所述商品相似度预测模型根据所述第二商品特征信息与第一商品特征信息，计算所述各用户与所述目标订单的商品相似度。
其中，第二商品特征信息与第一商品特征信息包含的内容相同，详细说明可以参照步骤205中第一商品特征信息的详细说明。
商品相似度预测模型可以根据两个商品的商品特征信息，计算得到两个商品的相似度，从而，商品相似度预测模型的输入为两个商品的商品特征信息，输出为两个商品的相似度。
具体地，首先，获取目标用户集中各用户浏览的商品对应的标识，可以理解，用户浏览的商品至少包括一个；然后，根据上述至少一个商品标识信息获取对应的商品特征信息，得到第二商品特征信息。
可选地，在本发明的另一种实施例中，子步骤2064包括子步骤20641至20643：
子步骤20641，从所述第一商品特征信息中提取至少一个第一商品特征参数。
对于步骤205中的第一商品特征信息，提取商品口味、商品主要食材等信息。
子步骤20642，从所述第二商品特征信息中提取至少一个第二商品特征参数。
由于第二商品特征信息与第一商品特征信息相同，从而从第二商品特征信息中提取第二商品特征参数为提取商品口味、商品主要食材。
子步骤20643，针对所述目标用户集中各用户，采用所述商品相似度预测模型根据所述第一商品特征参数和第二商品特征参数，生成各用户与所述目标订单的商品相似度。
在实际应用中，第一商品特征参数和第二商品特征参数分别组成两个向量，例如，第一商品特征参数组成的向量为[E1,F2]和[E1,F2]，其中，E1和F1分别为商品口味对应的数值，E2和F2分别为商品主要素材对应的数值。可以理解，E1和F1、E2和F2的差值越大，商品相似度越大；E1和F1、E2和F2的差值越小，商品相似度越小。
本发明实施例通过训练商品相似度预测模型计算商品相似度，在实际应用中，还可以采用其他方式计算商品相似度。例如，欧氏距离相似度，杰卡德相似度，余弦相似度等。
可选地，在本发明的另一种实施例中，子步骤20643包括子步骤206431：
子步骤206431，针对所述目标用户集中各用户，分别将所述第一商品特征参数和第二商品特征参数输入至预先训练得到的商品相似度预测模型，得到各用户与所述目标订单的商品相似度。
其中，商品相似度预测模型的输入参数为各商品特征参数对应的对比值和参考值，输出为用户与目标订单的商品相似度。可以理解，可以将第一商品特征参数作为商品特征参数对应的对比值，将第二商品特征参数作为商品特征参数对应的参考值。在实际应用中，还可以将两者顺序调换，本发明实施例对其顺序不加以限制。
本发明实施例可以通过预先训练得到的商品相似度模型预测商品相似度，从而可以灵活调整商品相似度的定义及数值范围。
可选地，在本发明的另一种实施例中，针对子步骤206431，本发明实施例还包括如下步骤：
步骤C1，确定商品相似度预测模型，并初始化所述商品相似度预测模型中各商品特征参数对应的系数。
其中，商品相似度预测模型可以采用逻辑回归模型或其他模型，本发明实施例对其不加以限制。
可以理解，商品相似度预测模型可以采用公式(1)的模型。
其中，M为非常数系数的数目，根据商品特征信息包括的商品特征参数数目决定。例如，步骤205中的商品特征信息包括商品口味、商品主要食材，则M＝2。
Figure BDA0001663041980000151
为第i个商品特征参数的对比值，
Figure BDA0001663041980000152
为第i个商品特征参数的参考值，可以理解，在实际应用中，第i个商品特征参数的对比值和参考值的顺序可以调换，本发明实施例对其顺序不加以限制。
对公式的其他详细说明可以参照步骤A1的详细说明，在此不再赘述。
步骤C2，针对商品相似度样本集中的各样本，分别将所述样本中所述商品特征参数对应的对比值和参考值输入至所述商品相似度预测模型，得到商品相似度的预测值，所述样本包括：至少一个商品特征参数对应的参考值、对比值及商品相似度的样本值。
具体地，当商品特征参数为商品口味、商品主要食材时，对于一个样本，将商品口味对应的参考值和对比值、商品主要食材对应的参考值和对比值，输入至公式(1)，得到商品相似度的预测值。
步骤C3，根据所述各样本对应的商品相似度的预测值以及样本值确定损失值。
其中，损失值可以根据商品相似度的预测值和样本值之间的均方差确定。具体公式可以参照公式(2)，其中，L为损失值，N为商品相似度样本数目，yi为第i个商品相似度样本的样本值，yi'为第i个商品相似度样本的预测值。
可以理解，损失值还可以根据其他公式计算，本发明实施例对其不加以限制。
步骤C4，若所述损失值不满足预设条件，则根据所述损失值调整所述各商品特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商品相似度预测模型。
具体地，当损失值小于等于第三预设值时，损失值满足预设条件，训练结束，此时对应的各商品特征参数对应的系数为目标系数；当损失值大于第三预设值时，损失值不满足预设条件，调整系数，以继续进行训练，直至损失值满足预设条件。
可以理解，第三预设值可以根据实际应用场景设定，本发明实施例对其不加以限制。第三预设值越小，训练结果越准确，训练时间越长；第三预设值越大，训练结果越粗糙，训练时间越短。
可以理解，第三预设值与步骤A4、B4中的第一预设值、第二预设值不同。
子步骤2065，依据所述各用户与所述目标订单的用户相似度、商家相似度、商品相似度，生成各用户与所述目标订单的匹配度。
具体地，对于其中一个用户，将用户与目标订单的用户相似度、商家相似度、商品相似度相乘，得到该用户与目标订单的匹配度。
步骤207，将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
该步骤可以参照步骤104的详细说明，在此不再赘述。
综上所述，本发明实施例提供了一种订单推荐方法，所述方法包括：获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；根据所述待配送位置和所述商家位置确定目标用户集；采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；将所述匹配度满足预设条件的特征订解决了现有技术中无法取消订单导致用户体验差的问题，可以将取消的订单推荐给其他未下单用户，从而提高了用户体验。此外，此外，还可以通过预先训练模型灵活预测用户相似度、商家相似度及商品相似度。
实施例三
参照图3，其示出了本发明实施例三提供的一种订单推荐装置的结构图，具体如下。
订单获取模块301，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置。
目标用户集确定模块302，用于根据所述待配送位置和所述商家位置确定目标用户集。
匹配度计算模块303，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度。
订单推荐模块304，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
综上所述，本发明实施例提供了一种订单推荐装置，所述装置包括：订单获取模块，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；目标用户集确定模块，用于根据所述待配送位置和所述商家位置确定目标用户集；匹配度计算模块，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；订单推荐模块，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。解决了现有技术中无法取消订单导致用户体验差的问题，可以将取消的订单推荐给其他未下单用户，从而提高了用户体验。
实施例四
参照图4，其示出了本发明实施例四提供的一种订单推荐装置的结构图，具体如下。
订单获取模块401，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置。
目标用户集确定模块402，用于根据所述待配送位置和所述商家位置确定目标用户集。可选地，在本发明实施例中，上述目标用户集确定模块402，包括：
目标范围确定子模块4021，用于根据所述待配送位置和所述商家位置确定目标范围。
位置信息获取子模块4022，用于获取访问当前平台、且未下单的用户的位置信息。
目标用户集确定子模块4023，用于根据所述位置信息确定处于所述目标范围内的用户，得到目标用户集。
匹配度计算模块403，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度，可选地，在本发明实施例中，上述匹配度计算模块403，包括：特征信息获取子模块4031，用于分别根据所述用户识别信息获取用户特征信息，根据所述商家识别信息获取商家特征信息，根据所述商品识别信息获取商品特征信息，作为第一用户特征信息、第一商家特征信息及第一商品特征信息。
匹配度计算子模块4032，用于采用预设的相似度预测模型，根据所述第一用户特征信息、第一商家特征信息及第一商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度。
订单推荐模块404，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。
可选地，在本发明实施例中，上述匹配度计算子模块4032，包括：
用户相似度计算单元，用于获取所述目标用户集中各用户的第二用户特征信息，并采用所述用户相似度预测模型根据所述第二用户特征信息与第一用户特征信息，计算所述各用户与所述目标订单的用户相似度。
非目标用户去除单元，用于从所述目标用户集中去除所述用户相似度小于预设阈值的用户。
商家相似度计算单元，用于获取所述目标用户集中各用户的第二商家特征信息，并采用所述商家相似度预测模型根据所述第二商家特征信息与第一商家特征信息，计算所述各用户与所述目标订单的商家相似度。
商品相似度计算单元，用于获取所述目标用户集中各用户的第二商品特征信息，并采用所述商品相似度预测模型根据所述第二商品特征信息与第一商品特征信息，计算所述各用户与所述目标订单的商品相似度。
匹配度生成单元，用于依据所述各用户与所述目标订单的用户相似度、商家相似度、商品相似度，生成各用户与所述目标订单的匹配度。
可选地，在本发明的另一种实施例中，上述用户相似度计算单元，包括：
第一用户特征参数提取子单元，用于从所述第一用户特征信息中提取至少一个第一用户特征参数。
第二用户特征参数提取子单元，用于从所述第二用户特征信息中提取至少一个第二用户特征参数。
第一用户相似度生成子单元，用于针对所述目标用户集中各用户，采用所述用户相似度预测模型根据所述第一用户特征参数和第二用户特征参数，生成各用户与所述目标订单的用户相似度。
可选地，在本发明的另一种实施例中，上述第一用户相似度生成子单元，包括：
第二用户相似度生成子单元，用于针对所述目标用户集中各用户，分别将所述第一用户特征参数和第二用户特征参数输入至预先训练得到的用户相似度预测模型，得到各用户与所述目标订单的用户相似度。
可选地，在本发明的另一种实施例中，针对上述第二用户相似度生成子单元，本发明实施例还包括：
用户相似度预测模型初始化模块，用于确定用户相似度预测模型，并初始化所述用户相似度预测模型中各用户特征参数对应的系数。
用户相似度预测模块，用于针对用户相似度样本集中的各样本，将所述样本中各用户特征参数对应的参考值、对比值输入至所述用户相似度预测模型，得到用户相似度的预测值，所述样本包括：至少一个用户特征参数对应的参考值、对比值及用户相似度的样本值。
第一损失值确定模块，用于根据所述各样本对应的用户相似度的预测值以及样本值确定损失值。
第一训练完成模块，用于若所述损失值不满足预设条件，则根据所述损失值调整所述各用户特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到用户相似度预测模型。
可选地，在本发明的另一种实施例中，上述商家相似度计算单元，包括：
第一商家特征参数提取子单元，用于从所述第一商家特征信息中提取至少一个第一商家特征参数。
第二商家特征参数提取子单元，用于从所述第二商家特征信息中提取至少一个第二商家特征参数。
第一商家相似度生成子单元，用于针对所述目标用户集中各用户，采用所述商家相似度预测模型根据所述第一商家特征参数和第二商家特征参数，生成各用户与所述目标订单的商家相似度。
可选地，在本发明的另一种实施例中，上述第一商家相似度生成子单元，包括：
第二商家相似度生成子单元，用于针对所述目标用户集中各用户，分别将所述第一商家特征参数和第二商家特征参数输入至预先训练得到的商家相似度预测模型，得到各用户与所述目标订单的商家相似度。
可选地，在本发明的另一种实施例中，针对上述第二商家相似度生成子单元，本发明实施例还包括：
商家相似度预测模型初始化模块，用于确定商家相似度预测模型，并初始化所述商家相似度预测模型中各商家特征参数对应的系数。
商家相似度预测模块，用于针对商家相似度样本集中的各样本，分别将所述样本中各商家特征参数对应的参考值、对比值输入至所述商家相似度预测模型，得到商家相似度的预测值，所述样本包括：至少一个商家特征参数对应的参考值、对比值及商家相似度的样本值。
第二损失值确定模块，用于根据所述各样本对应的商家相似度的预测值以及样本值确定损失值。
第二训练完成模块，用于若所述损失值不满足预设条件，则根据所述损失值调整所述各商家特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商家相似度预测模型。
可选地，在本发明的另一种实施例中，商品相似度计算单元，包括：
第一商品特征参数提取子单元，用于从所述第一商品特征信息中提取至少一个第一商品特征参数。
第二商品特征参数提取子单元，用于从所述第二商品特征信息中提取至少一个第二商品特征参数。
第一商品相似度生成子单元，用于针对所述目标用户集中各用户，采用所述商品相似度预测模型根据所述第一商品特征参数和第二商品特征参数，生成各用户与所述目标订单的商品相似度。
可选地，在本发明的另一种实施例中，上述第一商品相似度生成子单元，包括：
第二商品相似度生成子单元，用于针对所述目标用户集中各用户，分别将所述第一商品特征参数和第二商品特征参数输入至预先训练得到的商品相似度预测模型，得到各用户与所述目标订单的商品相似度。
可选地，在本发明的另一种实施例中，针对上述第二商品相似度生成子单元，本发明实施例还包括：
商品相似度预测模型初始化模块，用于确定商品相似度预测模型，并初始化所述商品相似度预测模型中各商品特征参数对应的系数。
商品相似度预测模块，用于针对商品相似度样本集中的各样本，分别将所述样本中所述商品特征参数对应的对比值和参考值输入至所述商品相似度预测模型，得到商品相似度的预测值，所述样本包括：至少一个商品特征参数对应的参考值、对比值及商品相似度的样本值。
第三损失值确定模块，用于根据所述各样本对应的商品相似度的预测值以及样本值确定损失值。
第三训练完成模块，用于若所述损失值不满足预设条件，则根据所述损失值调整所述各商品特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商品相似度预测模型。
综上所述，本发明实施例提供了一种订单推荐装置，所述装置包括：订单获取模块，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；目标用户集确定模块，用于根据所述待配送位置和所述商家位置确定目标用户集；匹配度计算模块，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；订单推荐模块，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户。解决了现有技术中无法取消订单导致用户体验差的问题，可以将取消的订单推荐给其他未下单用户，从而提高了用户体验。此外，还可以通过预先训练模型灵活预测用户相似度、商家相似度及商品相似度。
本发明实施例还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述订单推荐方法。
本发明实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述订单推荐方法。
对于装置实施例而言，由于其与方法实施例基本相似，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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的订单推荐设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
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。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种订单推荐方法，其特征在于，所述方法包括：
获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；
根据所述待配送位置和所述商家位置确定目标用户集；
采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；
将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户；
其中，所述目标订单为商家已出单且收到了取消订单操作的订单，所述目标用户集中的用户为未下单的用户。
2.根据权利要求1所述的方法，其特征在于，所述用户信息包括用户识别信息，所述商家信息包括商家识别信息，所述采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度的步骤，包括：
分别根据所述用户识别信息获取用户特征信息，根据所述商家识别信息获取商家特征信息，根据所述商品识别信息获取商品特征信息，作为第一用户特征信息、第一商家特征信息及第一商品特征信息；
采用预设的相似度预测模型，根据所述第一用户特征信息、第一商家特征信息及第一商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度。
3.根据权利要求2所述的方法，其特征在于，所述相似度预测模型包括用户相似度预测模型、商家相似度预测模型及商品相似度预测模型，所述采用预设的相似度预测模型，根据所述第一用户特征信息、第一商家特征信息及第一商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度的步骤，包括：
获取所述目标用户集中各用户的第二用户特征信息，并采用所述用户相似度预测模型根据所述第二用户特征信息与第一用户特征信息，计算所述各用户与所述目标订单的用户相似度；
从所述目标用户集中去除所述用户相似度小于预设阈值的用户；
获取所述目标用户集中各用户的第二商家特征信息，并采用所述商家相似度预测模型根据所述第二商家特征信息与第一商家特征信息，计算所述各用户与所述目标订单的商家相似度；
获取所述目标用户集中各用户的第二商品特征信息，并采用所述商品相似度预测模型根据所述第二商品特征信息与第一商品特征信息，计算所述各用户与所述目标订单的商品相似度；
依据所述各用户与所述目标订单的用户相似度、商家相似度、商品相似度，生成各用户与所述目标订单的匹配度。
4.根据权利要求3所述的方法，其特征在于，所述采用所述用户相似度预测模型根据所述第二用户特征信息与第一用户特征信息，计算所述各用户与所述目标订单的用户相似度的步骤，包括：
从所述第一用户特征信息中提取至少一个第一用户特征参数；
从所述第二用户特征信息中提取至少一个第二用户特征参数；
针对所述目标用户集中各用户，采用所述用户相似度预测模型根据所述第一用户特征参数和第二用户特征参数，生成各用户与所述目标订单的用户相似度。
5.根据权利要求3所述的方法，其特征在于，所述采用所述商家相似度预测模型根据所述第二商家特征信息与第一商家特征信息，计算所述各用户与所述目标订单的商家相似度的步骤，包括：
从所述第一商家特征信息中提取至少一个第一商家特征参数；
从所述第二商家特征信息中提取至少一个第二商家特征参数；
针对所述目标用户集中各用户，采用所述商家相似度预测模型根据所述第一商家特征参数和第二商家特征参数，生成各用户与所述目标订单的商家相似度。
6.根据权利要求3所述的方法，其特征在于，所述采用所述商品相似度预测模型根据所述第二商品特征信息与第一商品特征信息，计算所述各用户与所述目标订单的商品相似度的步骤，包括：
从所述第一商品特征信息中提取至少一个第一商品特征参数；
从所述第二商品特征信息中提取至少一个第二商品特征参数；
针对所述目标用户集中各用户，采用所述商品相似度预测模型根据所述第一商品特征参数和第二商品特征参数，生成各用户与所述目标订单的商品相似度。
7.根据权利要求4所述的方法，其特征在于，所述针对所述目标用户集中各用户，采用所述用户相似度预测模型根据所述第一用户特征参数和第二用户特征参数，生成各用户与所述目标订单的用户相似度的步骤，包括：
针对所述目标用户集中各用户，分别将所述第一用户特征参数和第二用户特征参数输入至预先训练得到的用户相似度预测模型，得到各用户与所述目标订单的用户相似度。
8.根据权利要求5所述的方法，其特征在于，所述针对所述目标用户集中各用户，采用所述商家相似度预测模型根据所述第一商家特征参数和第二商家特征参数，生成各用户与所述目标订单的商家相似度的步骤，包括：
针对所述目标用户集中各用户，分别将所述第一商家特征参数和第二商家特征参数输入至预先训练得到的商家相似度预测模型，得到各用户与所述目标订单的商家相似度。
9.根据权利要求6所述的方法，其特征在于，所述针对所述目标用户集中各用户，采用所述商品相似度预测模型根据所述第一商品特征参数和第二商品特征参数，生成各用户与所述目标订单的商品相似度的步骤，包括：
针对所述目标用户集中各用户，分别将所述第一商品特征参数和第二商品特征参数输入至预先训练得到的商品相似度预测模型，得到各用户与所述目标订单的商品相似度。
10.根据权利要求7所述的方法，其特征在于，所述方法还包括：
确定用户相似度预测模型，并初始化所述用户相似度预测模型中各用户特征参数对应的系数；
针对用户相似度样本集中的各样本，将所述样本中各用户特征参数对应的参考值、对比值输入至所述用户相似度预测模型，得到用户相似度的预测值，所述样本包括：至少一个用户特征参数对应的参考值、对比值及用户相似度的样本值；
根据所述各样本对应的用户相似度的预测值以及样本值确定损失值；
若所述损失值不满足预设条件，则根据所述损失值调整所述各用户特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到用户相似度预测模型。
11.根据权利要求8所述的方法，其特征在于，所述方法还包括：
确定商家相似度预测模型，并初始化所述商家相似度预测模型中各商家特征参数对应的系数；
针对商家相似度样本集中的各样本，分别将所述样本中各商家特征参数对应的参考值、对比值输入至所述商家相似度预测模型，得到商家相似度的预测值，所述样本包括：至少一个商家特征参数对应的参考值、对比值及商家相似度的样本值；
根据所述各样本对应的商家相似度的预测值以及样本值确定损失值；
若所述损失值不满足预设条件，则根据所述损失值调整所述各商家特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商家相似度预测模型。
12.根据权利要求9所述的方法，其特征在于，所述方法还包括：
确定商品相似度预测模型，并初始化所述商品相似度预测模型中各商品特征参数对应的系数；
针对商品相似度样本集中的各样本，分别将所述样本中所述商品特征参数对应的对比值和参考值输入至所述商品相似度预测模型，得到商品相似度的预测值，所述样本包括：至少一个商品特征参数对应的参考值、对比值及商品相似度的样本值；
根据所述各样本对应的商品相似度的预测值以及样本值确定损失值；
若所述损失值不满足预设条件，则根据所述损失值调整所述各商品特征参数对应的系数以继续训练，直至所述损失值满足预设条件，得到商品相似度预测模型。
13.根据权利要求1所述的方法，其特征在于，所述根据所述待配送位置和所述商家位置确定目标用户集的步骤，包括：
根据所述待配送位置和所述商家位置确定目标范围；
获取访问当前平台、且未下单的用户的位置信息；
根据所述位置信息确定处于所述目标范围内的用户，得到目标用户集。
14.一种订单推荐装置，其特征在于，所述装置包括：
订单获取模块，用于获取目标订单，并从所述目标订单中提取用户信息、商家信息以及商品识别信息，所述用户信息包括待配送位置，所述商家信息包括商家位置；
目标用户集确定模块，用于根据所述待配送位置和所述商家位置确定目标用户集；
匹配度计算模块，用于采用预设的相似度预测模型，根据所述用户信息对应的用户特征信息、商家信息对应的商家特征信息及商品识别信息对应的商品特征信息，计算所述目标用户集中各用户与所述目标订单的匹配度；
订单推荐模块，用于将所述目标订单推荐给所述目标用户集中与所述目标订单的匹配度满足预设条件的用户；
其中，所述目标订单为商家已出单且收到了取消订单操作的订单，所述目标用户集中的用户为未下单的用户。
15.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-13中一个或多个所述的订单推荐方法。
16.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-13中一个或多个所述的订单推荐方法。
CN201810469970.4A 2018-05-16 2018-05-16 一种订单推荐方法及装置 Active CN110503498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810469970.4A CN110503498B (zh) 2018-05-16 2018-05-16 一种订单推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810469970.4A CN110503498B (zh) 2018-05-16 2018-05-16 一种订单推荐方法及装置

Publications (2)

Publication Number Publication Date
CN110503498A CN110503498A (zh) 2019-11-26
CN110503498B true CN110503498B (zh) 2021-07-20

Family

ID=68583893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810469970.4A Active CN110503498B (zh) 2018-05-16 2018-05-16 一种订单推荐方法及装置

Country Status (1)

Country Link
CN (1) CN110503498B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311150B (zh) * 2020-02-10 2020-12-22 拉扎斯网络科技（上海）有限公司 配送任务分组方法、平台、电子设备及存储介质
CN111489245B (zh) * 2020-04-28 2023-05-05 上海风秩科技有限公司 数据处理方法、装置、计算机设备和可读存储介质
CN111652477B (zh) * 2020-05-19 2024-01-23 拉扎斯网络科技（上海）有限公司 订单处理、相似度计算模型获得方法、装置及电子设备
CN112053028A (zh) * 2020-07-24 2020-12-08 长沙市到家悠享家政服务有限公司 订单分配方法、装置、设备和存储介质
CN115099885A (zh) * 2022-03-31 2022-09-23 日日顺供应链科技股份有限公司 一种商品匹配推荐方法及系统
CN115983932B (zh) * 2022-11-25 2023-10-24 上海景同信息科技有限公司 一种基于互联网的供应商订单管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105824963A (zh) * 2016-03-31 2016-08-03 北京小度信息科技有限公司 订单推荐方法和装置
CN107203866A (zh) * 2017-06-26 2017-09-26 北京京东尚科信息技术有限公司 订单的处理方法以及装置
CN107220852A (zh) * 2017-05-26 2017-09-29 北京小度信息科技有限公司 用于确定目标推荐用户的方法、装置和服务器
CN107239987A (zh) * 2017-04-24 2017-10-10 北京小度信息科技有限公司 订单处理方法及装置
CN107679945A (zh) * 2017-09-27 2018-02-09 北京小度信息科技有限公司 建立消费对象推荐模型的方法以及相关方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715285B (zh) * 2015-03-31 2018-06-22 北京嘀嘀无限科技发展有限公司 处理订单的方法和设备
US10650438B2 (en) * 2016-01-16 2020-05-12 International Business Machiness Corporation Tracking business performance impact of optimized sourcing algorithms
CN105894359A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 订单推送方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105824963A (zh) * 2016-03-31 2016-08-03 北京小度信息科技有限公司 订单推荐方法和装置
CN107239987A (zh) * 2017-04-24 2017-10-10 北京小度信息科技有限公司 订单处理方法及装置
CN107220852A (zh) * 2017-05-26 2017-09-29 北京小度信息科技有限公司 用于确定目标推荐用户的方法、装置和服务器
CN107203866A (zh) * 2017-06-26 2017-09-26 北京京东尚科信息技术有限公司 订单的处理方法以及装置
CN107679945A (zh) * 2017-09-27 2018-02-09 北京小度信息科技有限公司 建立消费对象推荐模型的方法以及相关方法及装置

Also Published As

Publication number Publication date
CN110503498A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503498B (zh) 一种订单推荐方法及装置
CN109087177B (zh) 向目标用户推荐商品的方法、装置及计算机可读存储介质
JP5662620B2 (ja) ユーザ行動に基づく内容情報推薦
US10176508B2 (en) System, method, and non-transitory computer-readable storage media for evaluating search results for online grocery personalization
CN108460618B (zh) 一种资源配置方法及装置，电子设备
WO2016015444A1 (zh) 一种目标用户的确定方法、设备和网络服务器
CN110196904B (zh) 一种获取推荐信息的方法、装置及计算机可读存储介质
US20230410175A1 (en) Method and system of food product comparison
CN107092616B (zh) 一种对象排序方法及装置
US20160350832A1 (en) Method and system for automatically generating recommendations for a client shopping list
WO2020038351A1 (zh) 信息推送方法
CN107092647B (zh) 一种提供资源组合的方法及装置
US20180211139A1 (en) System and method for providing a recipe
CN110555750B (zh) 用餐人数预测方法、装置、电子设备及可读存储介质
CN116228360A (zh) 外卖场景下商家菜品推荐方法及存储介质
CN106027585A (zh) 食品推荐方法及装置
CN113689258A (zh) 一种商品推荐热度生成方法及系统
JP2020537220A (ja) ユーザの外形に基づいて小売店の衣服在庫を最適化するためのコンピュータシステム
CN110852299A (zh) 顾客饮食习惯确定方法及装置
CN110555752A (zh) 个性化推荐方法、装置、电子设备及可读存储介质
JP6211683B2 (ja) 購買履歴分類システム及び購買履歴分類方法
CN110851702B (zh) 信息推送的方法、装置、终端及计算机可读介质
WO2021183999A1 (en) Value based commodity selection
CN111275493B (zh) 榜单数据的处理方法、装置、服务器和非易失性存储介质
CN110019983B (zh) 标签结构的扩展方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant