CN110910180A - 信息推送方法、装置、电子设备和存储介质 - Google Patents
信息推送方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110910180A CN110910180A CN201911216334.1A CN201911216334A CN110910180A CN 110910180 A CN110910180 A CN 110910180A CN 201911216334 A CN201911216334 A CN 201911216334A CN 110910180 A CN110910180 A CN 110910180A
- Authority
- CN
- China
- Prior art keywords
- order
- historical
- training
- poor
- poor evaluation
- 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.)
- Granted
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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种信息推送方法、装置、电子设备和存储介质,该方法包括:获取待评价订单的订单信息,以及待评价订单对应的候选问题集;基于订单信息,生成针对待评价订单对应的请求端的差评特征、针对待评价订单对应的服务端的被差评特征、以及针对待评价订单的订单特征;针对候选问题集中的每个候选问题,基于差评特征、被差评特征、订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对服务端的差评概率;基于候选问题集中各候选问题对应的差评概率,从候选问题集中,为请求端确定待反馈的问题,并将确定的问题推送给所述请求端。本申请能够提高推送的信息的准确度。
Description
技术领域
本申请涉及信息技术领域,具体而言,涉及一种信息推送方法、装置、电子设备和存储介质。
背景技术
目前,随着汽车电子技术的持续快速发展,出租车在人们日常生活出行中起到了不可替代的作用,为广大人民的日常生活、交通出行带来了极大方便。
乘客在使用出行平台出行且完成订单后,乘客端一般会收到平台针对司机的星级评价表,乘客只需要选择针对该司机的星级,即可完成对司机的评价,操作简单,但是,平台无法收集到针对司机的全面的评价。
为了收集针对司机的全面评价,在乘客完成订单后,司机会收到平台推送的针对当前司机的反馈问题,平台在推送问题时,一般是随机推送的,乘客基于接收到的反馈问题对司机进行评价,平台利用接收到的反馈评价中的差评评价对平台的服务质量进行调整,若平台为乘客端推送的问题不合适,那么平台无法采集到的有效的差评评价,也不能对平台的服务质量进行提升。
发明内容
有鉴于此,本申请的目的在于提供一种信息推送方法、装置、电子设备和存储介质,以提高推送的信息的准确度。
第一方面,本申请实施例提供了一种信息推送装置,该装置包括:
获取模块,用于获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
生成模块,用于基于所述获取模块获取的所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
预测模块,用于针对所述获取模块获取的所述候选问题集中的每个候选问题,基于所述生成模块生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
处理模块,用于基于所述预测模块预测得到的所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
在一种实施方式中,所述预测模块用于根据以下步骤预测得到在该候选问题下,针对所述服务端的差评概率:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
在一种实施方式中,所述处理模块用于根据以下步骤从所述候选问题集中,为所述请求端确定待反馈的问题:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
在一种实施方式中,还包括:训练模块,所述训练模块用于根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型。
在一种实施方式中,所述训练模块用于根据以下步骤确定第i次训练对应的差评概率预测模型的第一损失值:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
在一种实施方式中,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
在一种实施方式中,所述训练模块用于根据以下步骤确定第i次训练对应的调整后的差评概率预测模型的第二损失值:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
在一种实施方式中,所述生成模块用于根据以下步骤生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
第二方面,本申请实施例提供了一种信息推送方法,该方法包括:
获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
基于所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
针对所述候选问题集中的每个候选问题,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
在一种实施方式中,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率,包括:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
在一种实施方式中,所述基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,包括:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
在一种实施方式中,根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型。
在一种实施方式中,所述根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值,包括:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
在一种实施方式中,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
在一种实施方式中,所述基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值,包括:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
在一种实施方式中,基于所述待评价订单的订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征,包括:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述信息推送方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述信息推送方法的步骤。
本申请实施例提供的信息推送方法,在获取待评价订单的订单信息,以及待评价订单对应的候选问题集之后,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;针对候选问题集中的每个候选问题,基于差评特征、被差评特征、订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率,从而为所述请求端确定待反馈的问题。这样,在通过差评概率预测模型预测得到在每个候选问题下,针对服务端的差评概率时,考虑服务端、请求端以及订单的特征,提高了预测得到的候选问题的差评概率的准确度,从而提高了推送给请求端的候选问题的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种信息推送系统的架构示意图;
图2示出了本申请实施例提供的一种信息推送方法的第一种流程图;
图3示出了本申请实施例提供的一种信息推送方法的第二种流程图;
图4示出了本申请实施例提供的一种信息推送装置的第一种结构图;
图5示出了本申请实施例提供的一种信息推送装置的第二种结构图;
图6示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“出行场景”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕对出行场景进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请实施例可以服务于出行服务平台,该出行服务平台用于根据接收的客户端的出行服务请求为用户提供相应的服务。出行服务平台可以包括多个打车系统,如包括出租车打车系统、快车打车系统、专车打车系统、顺风车打车系统等。
本申请实施例的信息推荐方法可以应用于出行服务平台的服务器,也可以应用于其它任意具有处理功能的计算设备。在一些实施例中,上述服务器或计算设备可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。
相关技术中,出行服务平台在出行订单完成时,通过订单特征以及司乘特征(司机特征和乘客特征),分析司机在行程中可能出现的差行为,进而决策需要向乘客弹出的星级评价或者提问式评价问题,以期能够得到乘客的真实反馈,扩大对司机差行为的召回率。而在通过模型为乘客推荐提问式评价问题时,可以通过问题推荐模型为乘客推荐问题,而问题推荐模型一般是通过训练集进行训练得到的,在训练问题推荐模型时,训练集中包括正样本和负样本,将差评的历史完成订单作为正样本,将好评的历史完成订单作为负样本,由于司机被差评的概率相对很低,因此在训练模型时,正负样本的比例一般为1:30,这样,出现样本不平衡问题。
另外,乘客在对司机评价时,可能会存在没有看清问题等原因导致的误差评,那么,正样本中加入了误差评样本,也就是,在样本中加入了较多的噪音,最终影响训练得到的问题推荐模型的推荐准确度。
为了解决样本不平衡问题,可以采用随机采样(Random Under Sample)对负样本进行随机抽样,以使得训练集中的正样本和负样本达到平衡,但是,采用上述方式会损失大量的数据里,在模型参数不变的前提下,会出现过拟合问题;也可以通过SMOTE过采样方法对每个正样本对应的特征值和相邻一个正样本的对应特征值进行采样,以增加正样本的数目,但是,这样忽视了每个正样本对模型重要性的不同,当特征稀疏时,以插值为代表的样本合成方法将改变特征的分布,导致识别模型出现偏差;或者采用EasyEnsemble算法,对负样本进行抽样,得到多个与正样本比例较平衡的负样本子集,各自训练一个模型,再整合多个模型的测试结果,相当于进行了多次Random Under Sample方法,通过整合多个模型的结果缓解了过拟合的问题,但是样本损失率依然较高。
为了解决噪音问题,使用验证集与训练集,通过优化噪音样本与无噪音样本的残差,训练得到模型;或者根据模型预测得到的概率,调整训练集样本的权重,以期降低噪音样本的权重,减小对模型训练的影响,在降低噪音样本的权重方面的效果并不显著。
基于此,本申请实施例提出了一种信息推送方法,在获取待评价订单的订单信息,以及待评价订单对应的候选问题集之后,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;针对候选问题集中的每个候选问题,基于差评特征、被差评特征、订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率,从而为所述请求端确定待反馈的问题。这样,在通过差评概率预测模型预测得到在每个候选问题下,针对服务端的差评概率时,考虑服务端、请求端以及订单的特征,提高了预测得到的候选问题的差评概率的准确度,同时提高了推送给请求端的候选问题的准确度。
图1是本申请实施例提供的一种信息推送系统的架构示意图。例如,信息推送系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。信息推送系统可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140、和数据库150中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,服务请求方终端130和服务提供方终端140对应的设备类型可以是移动设备,比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中,数据库150可以连接到网络120以与信息推送系统中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)通信。信息推送系统中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到信息推送系统中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
下面结合上述图1示出的信息推送系统中描述的内容,对本申请实施例提供的信息推送方法进行详细说明。
本申请实施例提供了一种信息推送方法,如图2所示,该方法应用于出行服务平台的服务器中,该方法具体包括以下步骤:
S201,获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
S202,基于所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
S203,针对所述候选问题集中的每个候选问题,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
S204,基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
在S201中,待评价订单为请求端已完成从订单起点到订单终点的行程,但是请求端尚未给出评价的订单;订单信息包括请求端的标识、服务端的标识、订单起点、订单终点、服务城市、订单类型、订单渠道、呼叫车型、抢单车型、抢单车辆品牌、星期几、发单小时、订单实付/预估价、应答时间、实际接乘时长、实际/预估接乘时长、预估行驶时长、实际行驶时长、实际/预估行驶时长、接乘距离、订单预估路面距离、实际行驶路面距离、实际/预估行驶路面距离、到达点距上车点直线距离、结束计费点距终点直线距离、送驾段速度、接驾段速度、预估接驾时长等;候选问题集是预先设置好的,候选问题集中包括针对服务端的提问式问题,候选问题集中包含的问题可以是从历史完成订单中获取的,例如,从差评的历史完成订单中,将差评次数最多的推送问题确定为候选问题集中的问题,候选问题集中包含的问题数目可以根据实际情况确定。
在S202中,请求端对应的差评特征、服务端对应的被差评特征、订单特征一般为特征向量进行表示,特征向量中的特征值一般表征相应特征的特征值。
在基于所述待评价订单的订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征时,具体包括以下步骤:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
这里,历史差评订单信息一般为请求端给出差评的历史完成订单的订单信息,订单信息中一般包括请求端在预设时间段的完单数、差评数、投诉数、被投诉数,以及请求端给出差评的问题数目;历史被差评订单信息一般为服务端被差评的历史完成订单对应的订单信息,该订单信息包括服务端在预设时间段的完单数、被投诉数、被投诉率、被差评数、被差评率,以及服务端被差评的问题的问题数目;其中,预设时间段一般为待评价订单的获取时间之前的时间段,可以为几个星期、几个月等。
在具体实施过程中,在获取请求端的历史差评订单信息,生成请求端对应的差评特征向量,差评特征向量中的特征值可以为差评数、差评率、投诉数、投诉率、差评问题数等,在获取服务端的历史被差评订单信息,生成请求端对应的被差评特征向量,被差评特征向量中的特征值可以为被投诉数、被投诉率、被差评数、被差评率、被差评的问题的数目等。
在生成针对请求端的差评特征和针对服务端的被差评特征后,生成针对待评价订单的订单特征向量,订单特征向量中的特征值可以是服务城市(通过数字标识)、订单类型(通过数字标识)、订单渠道(通过数字标识)、呼叫车型(通过数字标识)、抢单车型(通过数字标识)、抢单车辆品牌(通过数字标识)、星期几、发单小时、订单实付/预估价、应答时间、实际接乘时长、实际/预估接乘时长、预估行驶时长、实际行驶时长、实际/预估行驶时长、接乘距离、订单预估路面距离、实际行驶路面距离、实际/预估行驶路面距离、到达点距上车点直线距离、结束计费点距终点直线距离、送驾段速度、接驾段速度、预估接驾时长等,可以根据实际情况确定。
在S203中,差评概率预测模型可以是卷积神经网络模型、逻辑回归模型(LogisticRegression,LR)、模型性能评价指标模型(Area Under Curve,AUC)等,可以根据实际情况确定;差评概率表征服务端被给予差评的概率,概率越大表征服务端被给予差评的概率越大。
在基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率时,参考图3,具体包括以下步骤:
S301,对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
S302,将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
这里,在对不同特征进行特征组合时,一般采用决策树算法对特征进行组合,可以对差评特征、被差评特征、订单特征和该候选问题对应的问题标识中的两个特征、或两个以上特征分别对应的特征值进行组合,具体可以根据实际情况确定。在利用决策树进行特征组合时可以很方便的处理连续特征和离散特征,加强最终训练得到的模型的鲁棒性。
在具体实施过程中,针对候选问题集中的每个候选问题,在利用决策树算法对评特征、被差评特征、订单特征和该候选问题对应的问题标识中的不同特征进行特征组合后,将组合特征(以特征向量形式进行表示)输入到预先训练好的差评概率预测模型,得到该候选问题下,请求端给予服务端差评的概率。
差评概率预测模型一般是预先训练好的,在训练差评概率预测模型时,根据以下步骤训练得到差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型。其中,所述训练结束条件包括:连续预设数目次训练确定的第二损失值相同;或者,第二损失值小于或者等于预设值。其中,i为正整数。
在根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值时,包括:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
在基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值时,包括:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
这里,训练样本库是基于历史完成订单确定的,历史完成订单一般为待评价订单的获取时间之前的历史时间段的订单,历史完成订单包括好评的订单和差评的订单,将好评的订单作为正样本,将差评的订单作为负样本,历史完成订单对应的历史差评特征可以参考待评价订单对应的差评特征,历史完成订单对应的历史被差评特征可以参考待评价订单对应的被差评特征,历史完成订单对应的订单特征可以参考待评价订单对应的订单特征,此处不进行赘述。
历史完成订单对应的历史反馈问题为历史完成订单中历史请求端进行评价的问题;历史反馈问题的问题标识一般为问题编号,历史反馈问题对应的反馈结果包括好评和差评,其中,差评可以通过数字1进行标识,好评可以通过数字0进行标识;不同次训练对应不同的第一训练集和订单权重集合,订单权重集合中的权重为第一训练集中的历史完成订单的权重,订单权重集合中的订单权重的数目与第一训练集中历史完成订单的数目相同,在首次训练模型时,订单权重结合中的订单权重均为1;第一训练集中订单的数目一般与第二训练集中订单的数目相同。
在具体实施过程中,在构建完样本训练库后,构建差评概率预测模型,该差评概率预测模型可以包括两层,下层为LR模型,目标为最小化训练集加权后的损失函数,上层为AUC模型,目的在于调整下层模型损失函数中订单权重。
在第一次训练差评概率预测模型时,初始差评概率预测模型的模型参数为初始模型参数,初始模型参数可以随机设置,也可以根据历史经验进行设置,本申请对此不予限制。
获取第一训练集,针对第一训练集中的每个历史完成订单,将该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识中的不同特征进行组合,将组合后的特征输入到第一次训练对应的初始差评率预测模型,预测得到在该历史完成订单中的历史反馈问题下,历史请求端给予历史服务端差评的概率(第一差评概率)。
在得到第一次训练对应的各个历史完成订单的第一差评率概率后,针对每个历史完成订单,根据该历史完成订单对应的第一差评概率和对应的反馈结果,以及损失计算公式,确定该历史完成订单对应的第一差值,进一步,分别计算每个历史完成订单对应的第一差评和相应的订单权重的乘积,并将乘积的和值与第一训练集中的订单数目的比值作为第一次训练对应的差评概率预测模型的第一损失值。
第一损失值满足以下公式,以下公式适用于不同次训练对应的第一损失值:
li(θ)=[yi log p(xi;θ)]+(1-yi)log(1-p(xi;θ))
其中,F为第一损失值,li(θ)为第一训练集中第i个历史完成订单在对应历史反馈问题下得到的预测值和实际值之间的差值;wi为第一训练集中第i个历史完成订单的订单权重;n为第一训练集中订单的总数目;为第一训练集中的历史完成订单被预测为差评的概率;xi为第i个历史完成订单在初始差评率预测模型中的输入特征值;yi为第i个历史完成订单对应的历史反馈问题的反馈结果;θ为初始差评率预测模型的模型参数。
在得到第一损失值后,控制订单权重集合中的订单权重不变,使得按照第一损失值最小原则,也就是,初始差评概率预测模型的预测值和实际值之间的距离最小,调整初始差评概率预测模型的模型参数,得到调整后的差评概率预测模型。
随后,针对第二训练集中的每个历史完成订单,将该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识中的不同特征进行组合,将组合后的特征输入到第一次训练对应的调整后的差评率预测模型,预测得到在该历史完成订单中的历史反馈问题下,历史请求端给予历史服务端差评的概率(第二差评概率)。
基于第一次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,以及预设的损失函数,确定第一次训练对应的调整后的差评概率预测模型的第二损失值,基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,调整调整后的差评率预测模型的模型参数,得到第一次训练对应的第一差评概率预测模型。
第二损失值满足以下公式,以下公式适用于不同次训练对应的第二损失值:
其中,为第二损失值,θ*为调整后的差评概率预测模型的模型参数;m+为第二训练集中差评的历史完成订单的数目;m-为第二训练集中好评的历史完成订单的数目,为在模型参数为θ时,模型的第i个正样本订单的输入值为模型预测得到的差评概率;为在模型参数为θ时,模型的第j个负样本订单的输入值为时模型预测得到的差评概率。
订单权重的调整过程可以通过以下公式实现:
其中,perf为调整后的差评概率预测模型的性能;w为订单权重,w∈[0,1];xv为调整后的差评概率预测模型的输入值;yv为第二训练集中历史完成订单对应的历史反馈问题的反馈结果;θ*为针对第一差评概率预测模型的模型参数。
其中,g(w,θ)为第一损失函数对模型参数θ的求导值。
其中,J为雅克比矩阵,也就是,模型参数与订单权重之间的计算关系式;θd为第d个模型参数,wn为第n个订单权重;gd为第一损失函数对第d个模型参数的求导值。
L(θ*)对w做梯度下降,得到调整后的订单权重集合:
perf(θ*,xv,yv)=-L(θ*)
为了降低计算复杂度,可使用梯度下降类方法近似求解第t次训练对应的模型参数和第t次训练对应的订单权重:
其中,θt为第t次训练对应的模型参数;θt-1为第t-1次训练对应的模型参数;λθ为第一预设值;l(θ)为模型参数为θ时的第一损失值;wt为第t次训练对应的订单权重;wt-1为第t-1次训练对应的订单权重;λw为第二预设值;为模型参数为θt时的第二损失值。
在进行第二次训练时,将第一次训练对应的调整后的差评概率预测模型作为第二次训练对应的初始差评概率预测模型(或者将第一差评概率预存模型作为第二次训练对应的初始差评概率预测模型),将第一次训练对应的调整后的订单权重集合作为第二次训练对应的订单权重集合,并获取第二次训练对应的第一训练集和第二训练集,第二次训练的训练过程以及第二次训练之后的训练过程均可以参考第一训练的训练过程,此处不进行赘述。
直到第i次训练得到的第二损失值小于或者等于预设值,训练结束,最终得到差评概率预测模型,或者,连续预设数目次训练对应的第二损失值相同,那么,认为模型参数已调整到最优,结束训练,最终得到差评率预测模型。
在S204中,在基于所述候选问题集中各候选问题对应的差评概率,从候选问题集中,为所述请求端确定待反馈的问题时,可以将最大差评概率对应的候选问题确定为待反馈的问题,也就是,选择最大差评概率值对应的候选问题作为最终确定的待反馈的问题。
例如,候选问题集合中包括8个候选问题,分别为Q1、Q2、Q3……Q8,为每个候选问题预测得到的差评概率分别为α1、α2……α8,若α3为最大的差评概率,则将α3对应的候选问题Q3确定为待反馈的问题,并将候选问题Q3推送给请求端。
基于同一发明构思,本申请实施例中还提供了与信息推送方法对应的信息推送的装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述信息推送方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本申请实施例提供的一种信息推送装置的示意图,所述装置包括:
获取模块41,用于获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
生成模块42,用于基于所述获取模块41获取的所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
预测模块43,用于针对所述获取模块41获取的所述候选问题集中的每个候选问题,基于所述生成模块42生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
处理模块44,用于基于所述预测模块43预测得到的所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
在一种实施方式中,所述预测模块43用于根据以下步骤预测得到在该候选问题下,针对所述服务端的差评概率:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
在一种实施方式中,所述处理模块44用于根据以下步骤从所述候选问题集中,为所述请求端确定待反馈的问题:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
在一种实施方式中,所述生成模块42用于根据以下步骤生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
参照图5所示,为本申请实施例提供的一种信息推送装置的示意图,所述装置还包括:训练模块45,所述训练模块45用于根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型,其中,i为正整数。
在一种实施方式中,所述训练模块用于根据以下步骤确定第i次训练对应的差评概率预测模型的第一损失值:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
在一种实施方式中,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
在一种实施方式中,所述训练模块用于根据以下步骤确定第i次训练对应的调整后的差评概率预测模型的第二损失值:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
本申请实施例还提供了一种电子设备60,如图6所示,为本申请实施例提供的电子设备60结构示意图,包括:处理器61、存储器62、和总线63。所述存储器62存储有所述处理器61可执行的机器可读指令(比如,图4中的装置中获取模块41、生成模块42、预测模块43和处理模块44对应的执行指令等),当电子设备60运行时,所述处理器61与所述存储器62之间通过总线63通信,所述机器可读指令被所述处理器61执行时执行如下处理:
获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
基于所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
针对所述候选问题集中的每个候选问题,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
一种可能的实施方式中,处理器61执行的指令中,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率,包括:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
一种可能的实施方式中,处理器61执行的指令中,所述基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,包括:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
一种可能的实施方式中,处理器61执行的指令中,根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型,其中,i为正整数。
一种可能的实施方式中,处理器61执行的指令中,所述根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值,包括:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
一种可能的实施方式中,处理器61执行的指令中,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
一种可能的实施方式中,处理器61执行的指令中,所述基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值,包括:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
一种可能的实施方式中,处理器61执行的指令中,基于所述待评价订单的订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征,包括:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
本申请实施例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上存储有计算机程序,该计算机程序被处理器运行时执行上述信息推送方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述信息推送方法,从而解决现有技术中推送的服务终点的准确度低的问题,本申请实施例提供的信息推送方法,通过服务请求方输入的服务起点和服务请求方对应的候选服务终点集,构建针对每个候选服务终点的候选订单,基于候选订单的订单特征和第一历史出行订单的订单特征,确定第一历史出行订单和候选订单之间的匹配度,通过考虑候选订单的订单特征和服务请求方的第一历史出行订单的订单特征之间的关联性,提高了得到的匹配度的准确度,基于确定的候选订单和服务请求方的各个第一历史出行订单之间的匹配度,为服务请求方推荐服务终点,这样,提高了出行服务平台推荐的服务终点的准确度,更好的满足服务请求方的需求,提高了出行服务质量。
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,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。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。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,多个模块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通信接口,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块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,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种信息推送装置,其特征在于,该装置包括:
获取模块,用于获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
生成模块,用于基于所述获取模块获取的所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
预测模块,用于针对所述获取模块获取的所述候选问题集中的每个候选问题,基于所述生成模块生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
处理模块,用于基于所述预测模块预测得到的所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
2.如权利要求1所述的装置,其特征在于,所述预测模块用于根据以下步骤预测得到在该候选问题下,针对所述服务端的差评概率:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
3.如权利要求1所述的装置,其特征在于,所述处理模块用于根据以下步骤从所述候选问题集中,为所述请求端确定待反馈的问题:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
4.如权利要求1所述的装置,其特征在于,还包括:训练模块,所述训练模块用于根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型。
5.如权利要求4所述的装置,其特征在于,所述训练模块用于根据以下步骤确定第i次训练对应的差评概率预测模型的第一损失值:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
6.如权利要求4所述的装置,其特征在于,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
7.如权利要求4所述的装置,其特征在于,所述训练模块用于根据以下步骤确定第i次训练对应的调整后的差评概率预测模型的第二损失值:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
8.如权利要求1所述的装置,其特征在于,所述生成模块用于根据以下步骤生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
9.一种信息推送方法,其特征在于,该方法包括:
获取待评价订单的订单信息,以及所述待评价订单对应的候选问题集;
基于所述订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征;
针对所述候选问题集中的每个候选问题,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率;
基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,并将确定的问题推送给所述请求端。
10.如权利要求9所述的方法,其特征在于,基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识,以及预先训练的差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评概率,包括:
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合,得到组合特征;
将所述组合特征输入到所述差评概率预测模型,预测得到在该候选问题下,针对所述服务端的差评率。
11.如权利要求9所述的方法,其特征在于,所述基于所述候选问题集中各候选问题对应的差评概率,从所述候选问题集中,为所述请求端确定待反馈的问题,包括:
将最大差评概率对应的候选问题确定为所述待反馈的问题。
12.如权利要求9所述的方法,其特征在于,根据以下步骤训练得到所述差评概率预测模型:
构建训练样本库,所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果;
从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集;
针对所述第一训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的差评概率预测模型,预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第一差评概率;
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值;
按照第i次训练对应的第一损失值最小原则,对第i次训练对应的初始差评概率预测模型的模型参数进行调整,得到第i次训练对应的调整后的差评概率预测模型;
针对所述第二训练集中的每个历史完成订单,基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识,以及第i次训练对应的调整后的差评概率预测模型,预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下,针对对应历史服务端的第二差评概率;
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值;
基于第i次训练对应的第二损失值,以及预设的模型参数与订单权重之间的计算关系,对第i次训练对应的订单权重集合中的权重进行调整;
令i+1,将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型,将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合,返回执行从所述训练样本库中,获取第i次训练对应的第一训练集和第二训练集的步骤,直到第二损失值满足训练结束条件为止,得到所述差评概率预测模型。
13.如权利要求12所述的方法,其特征在于,所述根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值,以及第i次训练对应的订单权重集合,确定第i次训练对应的差评概率预测模型的第一损失值,包括:
针对所述第一训练集中的每个历史完成订单,确定该历史完成订单对应的第一差值和对应订单权重之间的乘积;
将所述第一训练集中各个历史完成订单对应的乘积值的平均值,作为所述第一损失值。
14.如权利要求12所述的方法,其特征在于,所述训练结束条件包括:
连续预设数目次训练确定的第二损失值相同;或者,
第二损失值小于或者等于预设值。
15.如权利要求12所述的方法,其特征在于,所述基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评率和对应的反馈结果,确定第i次训练对应的调整后的差评概率预测模型的第二损失值,包括:
从所述第二训练集中,将反馈结果为差评的历史完成订单确定为正样本订单,将反馈结果为好评的历史完成订单确定为负样本订单;
基于所述正样本订单对应的第二差评率,以及所述负样本订单对应的第二差评率,确定所述第二损失值。
16.如权利要求9所述的方法,其特征在于,基于所述待评价订单的订单信息,生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征,包括:
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息;
基于所述请求端的历史差评订单信息,生成针对所述待评价订单对应的请求端的差评特征;
基于所述服务端的历史被差评订单信息,生成针对所述待评价订单对应的服务端的被差评特征。
17.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求9至16任一所述信息推送方法的步骤。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求9至16任一所述信息推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216334.1A CN110910180B (zh) | 2019-12-02 | 2019-12-02 | 信息推送方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216334.1A CN110910180B (zh) | 2019-12-02 | 2019-12-02 | 信息推送方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910180A true CN110910180A (zh) | 2020-03-24 |
CN110910180B CN110910180B (zh) | 2021-02-26 |
Family
ID=69821601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911216334.1A Active CN110910180B (zh) | 2019-12-02 | 2019-12-02 | 信息推送方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910180B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598307A (zh) * | 2020-04-24 | 2020-08-28 | 杭州飞步科技有限公司 | 乘车订单调度系统的优化方法及设备 |
CN111861538A (zh) * | 2020-06-02 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN111860858A (zh) * | 2020-04-15 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种模型更新参数的确定方法、确定装置及可读存储介质 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN112734462A (zh) * | 2020-12-30 | 2021-04-30 | 北京字跳网络技术有限公司 | 一种信息推荐方法、装置、设备及介质 |
CN113763018A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用户评价管理的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171515A1 (en) * | 2012-03-19 | 2016-06-16 | Uber Technologies, Inc. | Enabling a user to verify a price change for an on-demand service |
CN108805594A (zh) * | 2017-04-27 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109102332A (zh) * | 2018-08-06 | 2018-12-28 | 北京小度信息科技有限公司 | 一种数据处理的方法、装置和电子设备 |
CN109492837A (zh) * | 2018-12-29 | 2019-03-19 | 携程旅游网络技术(上海)有限公司 | 机票订单保险推送方法、装置、电子设备、存储介质 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN110111010A (zh) * | 2019-05-10 | 2019-08-09 | 山东大学 | 一种基于众智网络的问答任务分配方法及系统 |
CN110490412A (zh) * | 2019-07-12 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 一种电力系统动态等值误差评估方法 |
-
2019
- 2019-12-02 CN CN201911216334.1A patent/CN110910180B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171515A1 (en) * | 2012-03-19 | 2016-06-16 | Uber Technologies, Inc. | Enabling a user to verify a price change for an on-demand service |
CN108805594A (zh) * | 2017-04-27 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109102332A (zh) * | 2018-08-06 | 2018-12-28 | 北京小度信息科技有限公司 | 一种数据处理的方法、装置和电子设备 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109492837A (zh) * | 2018-12-29 | 2019-03-19 | 携程旅游网络技术(上海)有限公司 | 机票订单保险推送方法、装置、电子设备、存储介质 |
CN110111010A (zh) * | 2019-05-10 | 2019-08-09 | 山东大学 | 一种基于众智网络的问答任务分配方法及系统 |
CN110490412A (zh) * | 2019-07-12 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 一种电力系统动态等值误差评估方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860858A (zh) * | 2020-04-15 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种模型更新参数的确定方法、确定装置及可读存储介质 |
CN111598307A (zh) * | 2020-04-24 | 2020-08-28 | 杭州飞步科技有限公司 | 乘车订单调度系统的优化方法及设备 |
CN111861538A (zh) * | 2020-06-02 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
CN112734462A (zh) * | 2020-12-30 | 2021-04-30 | 北京字跳网络技术有限公司 | 一种信息推荐方法、装置、设备及介质 |
CN112734462B (zh) * | 2020-12-30 | 2024-04-05 | 北京字跳网络技术有限公司 | 一种信息推荐方法、装置、设备及介质 |
CN113763018A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用户评价管理的方法和装置 |
CN113763018B (zh) * | 2021-01-22 | 2024-04-16 | 北京沃东天骏信息技术有限公司 | 用户评价管理的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110910180B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910180B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
US11315170B2 (en) | Methods and systems for order processing | |
US20210232984A1 (en) | Order allocation system and method | |
WO2021081962A1 (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
US20170364933A1 (en) | User maintenance system and method | |
US10475106B1 (en) | Generating a product recommendation based on a user reaction | |
Lughofer et al. | On employing fuzzy modeling algorithms for the valuation of residential premises | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN111292105B (zh) | 一种业务需求确定方法以及装置 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
US20220036411A1 (en) | Method and system for joint optimization of pricing and coupons in ride-hailing platforms | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
CN111274471A (zh) | 信息推送方法、装置、服务器及可读存储介质 | |
CN111353093A (zh) | 问题推荐方法、装置、服务器及可读存储介质 | |
CN111292106A (zh) | 一种业务需求影响因素确定方法以及装置 | |
CN114399352A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN114872718A (zh) | 车辆轨迹预测方法、装置、计算机设备和存储介质 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 |
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 |