CN111222903B - 用于处理来自在线按需服务平台的数据的系统和方法 - Google Patents
用于处理来自在线按需服务平台的数据的系统和方法 Download PDFInfo
- Publication number
- CN111222903B CN111222903B CN201811429012.0A CN201811429012A CN111222903B CN 111222903 B CN111222903 B CN 111222903B CN 201811429012 A CN201811429012 A CN 201811429012A CN 111222903 B CN111222903 B CN 111222903B
- Authority
- CN
- China
- Prior art keywords
- service
- categories
- behavioral
- orders
- average
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003542 behavioural effect Effects 0.000 claims abstract description 260
- 238000012549 training Methods 0.000 claims abstract description 118
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims description 44
- 230000036961 partial effect Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 description 51
- 230000006870 function Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000009471 action Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 241001122315 Polites Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- 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]
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/61—Network streaming of media packets for supporting one-way streaming services, e.g. Internet radio
- H04L65/612—Network streaming of media packets for supporting one-way streaming services, e.g. Internet radio for unicast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了用于在线按需服务平台处理数据的系统和方法。所述方法包括:获取在线按需服务平台提供的在第一时间段的至少两个第一组订单;确定所述至少两个第一组订单中的每一组的至少两个服务提供者的第一行为特征和服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者在所述第一时间段相对于第二时间段的行为变化;基于至少两对第一行为特征和第二行为特征确定至少两个训练样本;以及使用所述至少两个训练样本确定服务评估的特征权重。所述用于在线按需服务平台处理数据的系统和方法能够将服务提供者的服务质量映射到与服务提供者相关联的服务请求者的行为改变,可以有效确定服务评估的特征权重和为服务提供者执行服务评估。
Description
技术领域
本申请一般涉及在线按需服务平台,具体地,涉及用于处理来自在线按需平台的数据的系统和方法。
背景技术
随着互联网技术的发展,在线按需服务或线上到线下服务,如在线出租车服务和送货服务,在人们的日常生活中发挥着越来越重要的作用。在线按需服务中的服务提供者的效率和/或质量可能受到服务提供者在服务会话期间的行为的影响。在某些情况下,服务提供者的效率和/或质量可以由服务分来表示。可以基于行为特征和对应于行为特征的特征权重来确定服务提供者的服务分。通常,特征权重是基于经验值确定的,其可能不适应不同的条件,因为不能非常及时地进行更新。当服务提供者的服务分数不准确时,诸如服务提供者与服务请求者的配对和不同订单的分配等许多因素会受到影响,导致意想不到的后果。
因此,期望提供用于在在线按需服务平台中更有效和准确地确定服务评估的特征权重和为服务提供者执行服务评估的系统和方法。
发明内容
针对服务评估的特征权重基于经验值确定常常导致服务分不准确,本发明提供了一种在在线按需服务平台中确定服务评估的特征权重和为服务提供者执行服务评估的系统和方法,可以更有效和更准确地确定服务评估的特征权重及服务分,以提升用户的服务体验。
为达到上述发明目的,本发明提供的技术方案如下:
在本发明的第一方面,提供了一种用于在线按需服务平台处理数据的方法,所述方法包括:获取所述在线按需服务平台提供的按需服务在第一时间段的至少两个第一组订单,所述至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关;对于所述至少两个第一组订单中的每一组,确定所述至少两个服务提供者的第一行为特征;以及确定所述服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者于所述按需服务中在所述第一时间段相对于第二时间段的行为变化,所述第二时间段在第一时间段之前;基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,所述至少两对第一行为特征和第二行为特征的每一对对应于所述至少两个第一组订单中的每一组;以及使用所述至少两个训练样本确定服务评估的特征权重。
在本发明中,使用所述至少两个训练样本确定服务评估的特征权重包括使用所述至少两个训练样本训练神经网络模型。
在本发明中,所述服务请求者的第二行为特征包括所述服务请求者在所述第一时间段相对于所述第二时间段的订单量的变化或所述服务请求者在所述第一时间段相对于所述第二时间段的订单流水金额的变化中的至少一个。
在本发明中,基于至少两对第一行为特征和第二行为特征确定至少两个训练样本包括:将对应于所述至少两个第一组订单中的每一组的所述每一对第一服务特征和第二行为特征分类到至少两个类别中;以及基于所述至少两个类别确定所述至少两个训练样本。
在本发明中,基于所述至少两个类别确定所述至少两个训练样本包括:对于所述至少两个类别中的每一个类别,基于所述每一个类别中的第一行为特征确定所述每一个类别的平均第一行为特征;基于所述每一个类别中的第二行为特征确定所述每一个类别的平均第二行为特征;以及基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本。
在本发明中,基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本包括:基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个类别中的部分类别;以及指定与所述至少两个类别中的部分类别相关的平均第一行为特征和平均第二行为特征作为所述至少两个训练样本。
在本发明中,确定所述至少两个类别中的部分类别包括:对与所述至少两个类别中的每一个类别相关的所述平均第二行为特征进行排序;基于与所述至少两个类别中的每一个类别相关的所述平均第二行为特征的排序确定所述至少两个类别中的所述部分类别,与所述至少两个类别中的所述部分类别相关的平均第二行为特征大于第一阈值或小于第二阈值。
在本发明中,所述方法还包括:获取所述在线按需服务平台提供的按需服务在第三时间段的至少两个第二组订单,所述第三时间段在所述第一时间段之后;基于所述第三时间段的所述至少两个第二组订单更新所述至少两个训练样本;以及使用所述更新的至少两个训练样本更新所述特征权重。
在本发明中,所述方法还包括:从移动设备获取与用户相关的一个或以上的订单;基于所述一个或以上的订单识别所述用户的第三行为特征;以及基于所述特征权重和所述第三行为特征确定所述用户的服务分。
在本发明中,所述方法还包括:传输信号到所述移动设备,其中所述信号包括所述服务分,所述信号用于使所述移动设备显示所述服务分。
在本发明的第二方面,提供了一种用于在线按需服务平台处理数据的装置,所述装置包括处理器,所述处理器用于执行上述用于在线按需服务平台处理数据的方法。
在本发明的第三方面,提供了一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被计算机执行时,计算机运行上述用于在线按需服务平台处理数据的方法。
在本发明的第四方面,提供了一种用于服务评估的装置,所述装置包括至少一个通信端口以及处理电路。所述通信端口用于和与用户相关的移动设备通信,其中所述移动设备可以与在线按需服务平台通信。所述处理电路与所述通信端口具有信号连接,用于:获取在线按需服务平台提供的按需服务与用户相关的一个或以上的订单;通过使用训练好的神经网络模型处理与所述一个或多个订单相关的数据确定所述用户的服务分,其中所述训练好的模型通过执行上述用于在线按需服务平台处理数据的方法提供。
在本发明的第五方面,提供了一种用于在线服务平台处理数据的系统,所述系统包括采集模块、样本确定模块和训练模块。所述采集模块用于获取所述在线按需服务平台提供的按需服务在第一时间段的至少两个第一组订单,所述至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关。所述样本确定模块用于:对于所述至少两个第一组订单中的每一组,确定所述至少两个服务提供者的第一行为特征;以及确定所述服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者于所述按需服务中在所述第一时间段相对于第二时间段的行为变化,所述第二时间段在第一时间段之前;基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,所述至少两对第一行为特征和第二行为特征的每一对对应于所述至少两个第一组订单中的每一组。所述训练模块用于使用所述至少两个训练样本确定服务评估的特征权重。
在本发明中,所述训练模块进一步用于使用所述至少两个训练样本训练神经网络模型。
在本发明中,所述服务请求者的第二行为特征包括所述服务请求者在所述第一时间段相对于所述第二时间段的订单量的变化或所述服务请求者在所述第一时间段相对于所述第二时间段的订单流水金额的变化中的至少一个。
在本发明中,所述样本确定模块还用于:将对应于所述至少两个第一组订单中的每一组的所述每一对第一服务特征和第二行为特征分类到至少两个类别中;以及基于所述至少两个类别确定所述至少两个训练样本。
在本发明中,所述样本确定模块进一步用于:对于所述至少两个类别中的每一个类别,基于所述每一个类别中的第一行为特征确定所述每一个类别的平均第一行为特征,以及基于所述每一个类别中的第二行为特征确定所述每一个类别的平均第二行为特征;以及基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本。
在本发明中,所述样本确定模块进一步用于:基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个类别中的部分类别;以及指定与所述至少两个类别中的部分类别相关的平均第一行为特征和平均第二行为特征作为所述至少两个训练样本。
在本发明中,所述样本确定模块进一步用于:对与所述至少两个类别中的每一个类别相关的所述平均第二行为特征进行排序;基于与所述至少两个类别中的每一个类别相关的所述平均第二行为特征的排序确定所述至少两个类别中的所述部分类别,与所述至少两个类别中的所述部分类别相关的平均第二行为特征大于第一阈值或小于第二阈值。
在本发明中,所述采集模块还用于获取所述在线按需服务平台提供的按需服务在第三时间段的至少两个第二组订单,所述第三时间段在所述第一时间段之后;所述样本确定模块还用于基于所述第三时间段的所述至少两个第二组订单更新所述至少两个训练样本;以及所述训练模块还用于使用所述更新的至少两个训练样本更新所述特征权重。
在本发明中,所述系统还包括服务评估模块,所述服务评估模块用于:从移动设备获取与用户相关的一个或以上的订单;基于所述一个或以上的订单识别所述用户的第三行为特征;以及基于所述特征权重和所述第三行为特征确定所述用户的服务分。
在本发明中,所述系统还包括传输模块,所述传输模块用于:传输信号到所述移动设备,其中所述信号包括所述服务分,所述信号用于使所述移动设备显示所述服务分。
在本发明的第六方面,提供了一种用于在线服务平台处理数据的系统。所述系统包括至少一个存储介质和至少一个处理器。所述至少一个存储介质用于存储指令。所述至少一个处理器可以与所述至少一个存储介质通信。当所述至少一个处理器执行所述指令时,所述至少一个处理器触发所述系统执行:获取所述在线按需服务平台提供的按需服务在第一时间段的至少两个第一组订单,所述至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关;对于所述至少两个第一组订单中的每一组,确定所述至少两个服务提供者的第一行为特征;以及确定所述服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者于所述按需服务中在所述第一时间段相对于第二时间段的行为变化,所述第二时间段在第一时间段之前;基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,所述至少两对第一行为特征和第二行为特征的每一对对应于所述至少两个第一组订单中的每一组;以及使用所述至少两个训练样本确定服务评估的特征权重。
本发明的有益效果表现如下:
将服务提供者的服务质量映射到与服务提供者相关联的服务请求者的行为改变,利用机器学习模型确定服务评估的特征权重,有效和准确地为服务提供者执行服务评估,提升了用户的服务体验。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考图示进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的组件符号表示相同的结构,其中:
图1示出的是根据本申请的一些实施例的示例性在线按需服务系统的示意图;
图2示出的是根据本申请的一些实施例的计算设备的示例性硬件和软件组件的示意图;
图3示出的是根据本申请的一些实施例的可在其上实现终端的移动设备的示例性硬件和/或软件组件的示意图;
图4示出的是根据本申请的一些实施例的示例性处理引擎的框图;
图5示出的是根据本申请的一些实施例的用于处理来自在线按需服务平台的数据的示例性过程的流程图;以及
图6示出的是根据本申请的一些实施例的用于确定至少两个训练样本的示例性过程的流程图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。然而,本领域技术人员应该明白,可以在没有这些细节的情况下实施本申请。在其他情况下,为了避免不必要地模糊本申请的一些方面,本申请已经相对高级别地描述了公知的方法、程序、系统、组件和/或电路。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的精神及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例,并不限制本申请的范围。如本文使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或多个其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
应当理解,这里使用的术语“系统”、“引擎”、“单元”、“模块”和/或“块”是以升序的形式区分不同组件、元件、部件、不同级别的部分或组件的一种方法。然而,如果它们实现相同的目的,则可以通过另一种表达来替换这些术语。
通常,这里使用的词语“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑,或者是软件指令的集合。本文描述的模块、单元或块可以实现为软件和/或硬件,并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中,可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解,软件模块可以从其他模块/单元/块或从它们自身调用,和/或可以响应于检测到的事件或中断来调用。配置用于在计算设备上执行的软件模块/单元/块可以在计算机可读介质上提供,例如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质,或者作为数字下载(并且最初可以以压缩或可安装的格式存储,在执行之前需要安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中,并应用在计算设备的操作之中。软件指令可以嵌入固件中,例如可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)。还应当理解,硬件模块/单元/块可以包括在连接的逻辑组件中,例如门和触发器,和/或可以包括可编程单元,例如可编程门阵列或处理器。本文描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块,但是可以用硬件或固件表示。通常,这里描述的模块/单元/块指的是逻辑模块/单元/块,其可以与其他模块/单元/块组合或者分成子模块/子单元/子块,尽管它们的物理组织或存储。该描述可适用于系统,引擎或其部分类别。
应当理解,当单元、发动机、,模块或块被称为“位于”、“连接到”或“耦合到”另一个单元、引擎、模块或块时,除非上下文另有明确说明,它可以直接位于、连接或耦合到或与另一单元、引擎、模块或块通信,或存在于其他中间单元、引擎、模块或块。在本申请中,术语“和/或”可包括任何一个或多个相关所列条目或其组合。
参照附图并考虑以下描述,本申请的这些和其他特征以及相关的结构元件以及制造的部件和经济的结合的操作和功能的方法可以变得更加明显,且都构成本申请的部分类别。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本发明的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用了流程图用于说明根据本申请的一些实施例的系统所执行的操作。应当明确理解,流程图中的操作可以不按顺序实施。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或多个其他操作添加到这些流程图中,一个或多个操作也可以从流程图中删除。
本申请的系统或方法可以应用于不同环境的运输系统,包括但不限于陆地、海洋、航空航天等,或其任何组合。运输系统的车辆可包括人力车、行程工具、出租车、配有司机的汽车、顺风车、公共汽车、铁路运输(例如,火车、动车、高速铁路和地铁)、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等,或其任何组合。运输系统还可以包括应用管理和/或分发的任何运输系统,例如,用于发送和/或接收快递的系统。
本申请的不同实施例应用场景可以包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解,本文公开的系统和方法的应用场景仅是一些示例或实施例。在没有进一步创造性努力的情况下具有本领域普通技能的人可以将这些附图应用于其他应用场景。例如,其他类似的服务器。
本申请中的术语“乘客”、“请求者”、“服务请求者”和“客户”可用于表示请求或订购一服务的个人、实体或工具,并且可互换使用。此外,本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可用于表示提供服务或协助提供服务的个人、实体或工具,并且可互换使用。本申请中的术语“用户”可表示用于请求服务、订购服务、提供服务或协助提供服务的个人、实体或工具。例如,用户可以是请求者、乘客、司机、操作员等,或其任何组合。在本申请中,“请求者”和“请求者终端”可以互换使用,“提供者”和“提供者终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可用于表示由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等或其任意组合发起的请求,并且可互换使用。该服务请求可以被乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者或供应者中的任一方接受。服务请求可以是计费的或免费的。
本申请提供了用于处理来自在线按需服务平台的数据的系统和方法,用于在线按需服务平台中对服务提供者进行服务评估。该系统和方法可以将服务提供者的服务质量映射到与服务提供者相关联的服务请求者的行为改变。具体地,该系统和方法可以从在线按需服务平台获得来自按需服务的第一时间段的至少两个订单组。至少两个订单组中的每个组可以与一个服务请求者和至少两个服务提供者相关联,并且该系统和方法可以确定至少两个服务提供者的第一行为特征和该组服务请求者的第二行为特征。第二行为特征可以通过供需服务中服务请求者在所述第一时间段相对于第二时间段的行为变化来反映,所述第二时间段在所述第一时间段之前。该系统和方法可基于第一行为特征和第二行为特征来确定至少两个训练样本,用于训练神经网络模型以确定用于服务评估的特征权重。在从用户(例如,服务提供者)获得由在线按需服务平台提供的一个或以上按需服务的订单之后,该系统和方法可以基于用于服务评估的特征权重来确定用户的服务分。
图1示出的是根据本申请的一些实施例的示例性在线按需服务系统100的框图。例如,在线按需系统100可以是用于运输服务的在线运输服务平台。在线按需系统100可以包括服务器110、网络120、请求者终端130、提供者终端140、车辆150、存储设备160和导航系统170。
在线按需系统100可以提供至少两个服务。示例性的服务可以包括出租车呼叫服务、代驾服务、快递服务、拼车服务、公交车服务、司机招聘服务和接送服务。在一些实施例中,在线按需服务可以是任何在线服务,诸如预订餐、购物等,或其任何组合。
在一些实施例中,服务器110可以是单一服务器或服务器组。所述服务器组可以是集中式的或分布式的(例如,服务器110可以是一分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以经由网络120访问存储在请求者终端130、提供者终端140和/或存储设备160中的信息和/或数据。又例如,服务器110可以直接连接到请求者终端130、提供者终端140和/或存储设备160以访问存储信息和/或数据。在一些实施例中,服务器110可以在一云平台上实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或上述举例的任意组合。在一些实施例中,服务器110可以在图2中描述的包含了一个或者多个组件的计算设备200上执行。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如,处理引擎112可以基于用于服务评估的特征权重和在线按需服务的一个或以上订单来确定用户的服务分数。又例如,处理引擎112可以基于在一段时间内获得的在线按需服务的至少两个订单组来确定服务评估的特征权重。再例如,处理引擎112能够基于至少两个订单组来确定至少两个训练样本。处理引擎112可以通过使用至少两个训练样本训练神经网络模型来确定服务评估的特征权重。在一些实施例中,所述处理引擎112可包括一个或者多个处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理引擎112可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application-Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application-Specific Instruction-setProcessor,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、精简指令集计算机(ReducedInstruction-Set Computer,RISC)、微处理器等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,在线按需系统100的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140、车辆150、存储设备160和导航系统170)可以通过网络120将信息和/或数据发送到在线按需系统100的其他组件。例如,服务器110可以通过网络120从用户终端130接收服务请求。在一些实施例中,网络120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网路120可以包括有线或无线网路接入点,如基站和/或网路接入点120-1、120-2、……,通过该网络接入点,按需服务系统100的至少一个部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,乘客可以是请求者终端130的所有者。在一些实施例中,请求者终端130的所有者可以是除乘客之外的其他人。例如,请求者终端130的所有者A可以使用请求者终端130来发送针对乘客B的服务请求或者从服务器110接收服务确认和/或信息或指令。在一些实施例中,服务提供者可以是提供者终端140的用户。在一些实施例中,提供者终端140的用户可以为除该提供者之外的其他人。例如,服务提供者终端140的用户C可以使用服务提供者终端140为用户D接收一个服务请求和/或从服务器110接收信息或指示。在一些实施例中,“乘客”和“乘客终端”可以交换使用,“服务提供者”和“服务提供者终端”可以交换使用。在一些实施例中,服务提供者终端可以与一个或多个服务提供者(例如,夜班服务提供者,或白班服务提供者)相关联。
在一些实施例中,用户设备130可以包括移动设备130-1、平板电脑130-2、手提电脑130-3、机动车辆中的内置设备130-4、可穿戴设备130-5等,或者或其任意组合。在一些实施例中,移动设备130-1可以包括智能家居设备、智能移动设备、虚拟现实设备、混合现实设备等或其任何组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任何组合。在一些实施例中,智能移动设备可以包括一智能手机、个人数字助理(Personal Digital Assistance,PDA)、游戏设备、导航设备、销售点(Point of Sale,POS)设备等或其任何组合。在一些实施例中,虚拟现实设备和/或混合现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、混合现实头盔、混合现实眼镜、混合现实眼罩等或其任意组合。例如,虚拟现实设备和/或混合现实设备可以包括Google眼镜、Oculus Rift头戴式显示装置、全息透镜、VR头盔等。在一些实施例中,机动车辆中的内置设备130-4可以包括车载计算机、车载电视等。在一些实施例中,用户设备130可以是为服务请求者和/或用户设备130的存储订单的设备。在一些实施例中,用户设备130可以是具有定位服务请求者和/或用户设备130的位置的定位技术的设备。在一些实施例中,可穿戴设备130-5可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等或其任何组合。
提供者终端140可以包括至少两个提供者终端140-1、140-2...140-n。在一些实施例中,提供者终端140可以是与请求者终端130相似,或与请求者终端130相同的装置。在一些实施例中,可以定制提供者终端140以能够实现按需运输服务100。在一些实施例中,提供者终端140可以是具有定位技术的设备,用于定位服务提供者、提供者终端140和/或与提供者终端140相关联的车辆150。在一些实施例中,请求者终端130和/或提供者终端140可以与另一个定位设备通信以确定乘客、请求者终端130、服务提供者和/或提供者终端140的位置。在一些实施例中,请求者终端130和/或提供者终端140可以周期性地将定位信息发送到服务器110。在一些实施例中,提供者终端140还可以周期性地将可用性状态发送到服务器110。所述可用状态可以表明与服务提供者终端140相关的车辆150是否可以接载乘客。例如,请求者终端130和/或提供者终端140可以每30分钟将定位信息和可用性状态发送到服务器110。又例如,每当用户登录到与按需运输服务100相关联的移动应用时,请求者终端130和/或提供者终端140可以将定位信息和可用性状态发送到服务器110。
在一些实施例中,提供者终端140可以对应于一个或以上的车辆150。车辆150可以接载乘客并送至目的地。车辆150可以包括多个车辆150-1、150-2......150-n。一个车辆可以对应一种类型的服务(例如,叫车服务、代驾服务、快递服务、拼车服务、公交车服务、司机招聘服务和接送服务)。
在一些实施例中,提供者终端140可以经由用户界面向服务器110发送和/或从服务器110接收与在线按需服务有关的信息。用户界面可以是在提供者终端140上实现的在线按需服务的应用程序的形式。用户界面可以被配置用于促进提供者终端140与同提供者终端140相关联的用户(例如,司机)之间的通信。在一些实施例中,用户界面可以通过例如用户界面屏幕从用户接收用于执行服务评估的请求的输入。提供者终端140可以经由用户界面向服务器110发送用于执行服务评估的请求。处理装置120可以基于特征权重和与用户在线按需服务相关联的一个或以上订单来确定用户的服务分。
在一些实施例中,服务器110可以经由用户界面向提供者终端140发送一个或以上信号。信号可以包括服务分。信号也可以是配置用于使提供者终端140向用户显示服务分。在一些实施例中,信号可以包括用户是否可接受服务分的询问。如果用户接受服务分,则用户可以通过用户界面输入指示服务分是可接受的指令。提供者终端140可以向服务器110发送表明服务分是可接受的指令。服务器110可以通过响应于指示服务分是可接受的服务分来更新用户的先前服务分。如果用户不接受服务分,则用户可以通过用户界面输入指示服务分不可接受的指令。此外,来自用户的指令还可以包括来自用户的关于服务分的原因的询问。提供者终端140可以向服务器110发送指示服务分不可接受的指令以及来自用户的询问。在一些实施例中,服务器110可以通过用户界面提供关于服务分的原因的总结来响应用户的查询。
在一些实施例中,用户可以经由用户界面输入用于查询在过去时段(例如,过去一周、过去一个月等)中一个或以上历史服务分的指令。提供者终端140可以将用于查询在过去时段中一个或以上历史服务分的指令发送到服务器110。服务器110可以经由用户界面将包括一个或以上历史服务分的一个或以上信号发送到提供者终端140。包括一个或以上历史服务分的一个或以上信号可以被配置用于使提供者终端140向用户显示一个或以上历史服务分。
在一些实施例中,用户可以经由用户界面输入用于查询的指令,诸如服务分的等级、导致服务分减少的因素等。提供者终端140可以向服务器110发送用于查询的指令,例如服务分的等级、导致服务分减少的因素等。服务器110可以经由用户界面向提供者终端140发送包括对查询响应的一个或以上信号。一个或以上信号可以被配置用于使提供者终端140向用户显示服务分的等级、导致服务分减少的因素等。
存储设备160可以存储数据和/或指令。例如,存储设备160可以存储在一段时间内由在线按需平台获取的至少两个订单。又例如,存储设备160可以存储用于服务评估的特征权值。在一些实施例中,存储设备160可以存储从请求者终端130和/或提供者终端140获得的数据。在一些实施例中,存储设备160可以存储服务器110将执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中,存储器160可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RandomAccess Memory,RAM)。示例性的RAM可以包括动态RAM(Dynamic RAM,DRAM)、双倍数据速率同步动态RAM(Double Date Rate Synchronous Dynamic RAM,DDR SDRAM)、静态RAM(Static RAM,SRAM),晶闸管RAM(Thyristor RAM,T-RAM)和零电容器RAM(Zero-capacitorRAM,Z-RAM)等。示例性ROM可以包括屏蔽式堆读内存(Mask ROM,MROM)、可编程存储器(Programmable ROM,PROM)、可擦除可编程ROM(Erasable Programmable ROM,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable ROM,EEPROM)、光盘ROM(CompactDisk,CD-ROM)和数字多功能盘ROM等。在一些实施例中,存储设备160可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或上述举例的任意组合。
在一些实施例中,存储设备160可以连接到网络120与在线按需系统100的一个或以上组件(例如,服务器110、请求者终端130或提供者终端140)通信。在线按需系统100的一个或以上组件可以经由网络120访问存储设备160中存储的数据或指令。在一些实施例中,存储设备160可以直接连接到在线按需系统100(例如,服务器110、请求者终端130、提供者终端140)的一个或以上组件或与之通信。在一些实施例中,存储设备160可以是服务器110的部分类别。
导航系统170可以确定与对象相关联的信息,例如,请求者终端130、提供者终端140、车辆150等的一个或以上。在一些实施例中,导航系统170可以是全球定位系统(GlobalPositioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)、罗盘导航系统(Compass Navigation System,COMPASS)、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)等。信息可包括对象的位置、高度、速度或加速度或当前时间。该信息可以包括物体的位置、海拔、速度、加速度或当前时间。导航系统170可以包括一个或多个卫星,例如,卫星170-1、卫星170-2和卫星170-3。卫星170-1至170-3可以独立地或共同地确定上述信息。卫星导航系统170可以经由无线连接将上述信息发送到网络120、请求者终端130、提供者终端140或车辆150。
在一些实施例中,在线按需系统100的一个或以上组件(例如,服务器110、请求者终端130、提供者终端140)可以具有访问存储设备160的许可。在一些实施例中,当满足一个或以上条件时,在线按需系统100的一个或以上组件可以读取和/或修改与乘客,服务提供者和/或公众有关的信息。例如,一个服务结束后,服务器110可以读取和/或修改一个或多个乘客的信息。又例如,一个服务完成后,服务器110可以读取和/或修改一个或多个服务提供者的信息。
本领域普通技术人员将理解,当在线按需系统100的元件(或组件)执行时,该元件可以通过电信号和/或电磁信号执行。例如,当请求者终端130向服务器110发送服务请求时,请求者终端130的处理器可以生成编码该请求的电信号。然后,请求者终端130的处理器可以将电信号发送到输出端口。如果服务请求者终端130经由有线网络与服务器110通信,则输出端口可以物理地连接到电缆,电缆再将电信号发送到服务器110的输入端口。如果服务请求者终端130通过无线网络与服务器110通讯,服务请求者终端130的输出端口可以是一个或多个天线,所述天线可以将电信号转换为电磁信号。类似地,提供者终端130可以经由电信号或电磁信号从服务器110接收指令和/或服务请求。在电子装置中,如服务请求者终端130、服务提供者终端140和/或服务器110,当其处理器处理指令、发出指令和/或执行操作时,该指令和/或该操作通过电信号来执行。例如,当处理器从存储介质检索或保存数据时,其可以将电信号发送到存储介质的读/写设备,该读/写设备可以在存储介质中读取或写入结构化数据。结构化数据可以电信号的形式经由电子装置的总线传输至处理器。此处,电信号可以指一个电信号、一系列电信号和/或多个不连续的电信号。
图2示出了根据本申请的一些实施例的示例性计算设备的示意图。计算设备可以是计算机,例如图1中的服务器110和/或具有特定功能的计算机,被配置用于实现根据本申请的一些实施例的任何特定系统。计算设备200可以被配置用于实现执行本申请中公开的一个或以上功能的任何组件。例如,服务器110可以以诸如计算设备200之类的计算机的硬件设备、软件程序、固件或其任何组合来实现。为简洁起见,图2仅描绘了一个计算设备。在一些实施例中,计算设备的功能可以由分布式模式中的一组类似平台来实现,以分散系统的处理负荷。
计算设备200可以包括通信终端250,其可以与能够实现数据通信的网络连接。计算设备200还可以包括处理器220,其被配置用于执行指令并且包括一个或以上处理器。示例性计算机平台可以包括内部通信总线210,不同类型的程序存储单元和数据存储单元(例如,硬盘270、只读存储器(ROM)230、随机存取存储器(RAM)240),适用于计算机处理和/或通信的各种数据文件,以及可能由处理器220执行的一些程序指令。计算设备200还可以包括I/O设备260,其可以支持计算设备200与其他组件之间数据流的输入和输出。此外,计算设备200可以经由通信网络接收程序和数据。
图3是示出根据本申请的一些实施例的可以在其上实现终端的示例性移动设备的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可以包括相机305、通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、存储器360、移动操作系统(Operating System,OS)370、应用程序和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),亦可包括于移动装置300内。
在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可以从存储器390加载到存储器360中以便被CPU340执行。应用程序380可包括浏览器或任何其他合适的移动应用,用于接收和呈现来自按需服务系统100的与图像处理或其他信息相关的信息。用户与信息流的交互可以通过输入/输出(I/O)350实现,并提供给数据库130、服务器105和/或在线按需系统100的其他组件。在一些实施例中,移动设备300可以是与请求者终端130或提供者终端140相对应的示例性实施例。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本申请中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。如果适当编程,计算机也可以充当系统。
图4示出了根据本申请的一些实施例的示例性处理引擎的框图。在一些实施例中,处理引擎112可以在图2所示的计算设备200(例如,处理器220)或如图3所示的CPU 340上实现。如图4所示,处理引擎112可包括采集模块410、样本确定模块420、训练模块430、服务评估模块440、存储模块450和传输模块460。
采集模块410可以被配置用于获得与在线按需服务系统100的一个或以上组件有关的信息。例如,采集模块410可以经由网络120和/或数据交换端口从存储设备160获得按需服务在第一时间段的至少两个第一组订单。至少两个第一组订单的每个组可以与服务请求者和至少两个服务提供者相关联,并且至少两个第一组订单的每个组可以包括由在第一时间段内服务请求者发起的并由至少两个服务提供者接收的一个或以上的订单。又例如,采集模块410可以从与用户相关联的移动设备(例如,提供者终端140)、存储设备160或在线按需服务平台的任何其他组件获得与用户相关联的第四时间段内的一个或以上订单。所述第四时间段在第一时间段之后又例如,采集模块410可以获取在第三时间段内的至少两个第二组订单用于更新至少两个训练样本。所述第三时间段在第一时间段之后。
样本确定模块420可以被配置用于确定至少两个训练样本以进一步确定用于服务评估的特征权重。在一些实施例中,样本确定模块420可以确定至少两个第一组订单中的每一组的至少两个服务提供者的第一行为特征和服务请求者的第二行为特征。单个第一组订单的至少两个服务提供者的第一行为特征与至少两个服务提供者的一个或以上行为想干。单个第一组订单的服务请求者的第二行为特征可以通过服务请求者于所述供需服务中在第一时间段相对于第二时间段的行为变化来反映。所述第二时间段在所述第一时间段之前。在一些实施例中,样本确定模块420可将每对第一行为特征和第二行为特征分类为至少两个类别,并基于至少两个类别确定至少两个训练样本。
训练模块430可以被配置用于使用至少两个训练样本确定用于服务评估的特征权重。服务评估的特征权重可以表示服务提供者的不同行为特征对服务提供者的服务评估做出的贡献。在一些实施例中,训练模块430可以使用至少两个训练样本训练神经网络模型。训练好的神经网络模型可以包括一个或以上优化的参数。训练模块430可以将一个或以上优化的参数指定为服务评估的特征权重。在一些实施例中,训练模块430可以通过更新神经网络模型周期性地更新特征权重,例如每周、每月、每季度等。
服务评估模块440可以被配置用于基于特征权重确定用户的服务分。在一些实施例中,服务评估模块440可以基于用户的第三行为特征和特征权重来确定服务分。用户的第三行为特征与在用户执行与用户相关联的一个或以上订单期间发生的用户的一个或以上行为相关。例如,正如在本申请的其他地方所描述的,用户的第三行为特征可以由用户的一个或以上行为以及用户在执行一个或以上订单期间发生的一个或以上行为中的每一个的概率或(频率)来反映。在一些实施例中,服务评估模块440可以基于与第四时间段之前的时间段相关联的与用户相关联的历史订单来评估服务分。基于在第四时间段之前的时间段与用户相关联的历史订单来评估服务分。在一些实施例中,服务评估模块440可以将一个或以上信号发送到与用户相关联的移动设备。信号可以包括用户的服务分、关于服务分是否可接受的查询、服务分的原因总结等,或其任何组合。
存储模块450可以被配置用于存储由处理引擎112的一个或以上组件生成的信息。例如,存储模块450可以存储由样本确定模块420确定的至少两个训练样本。又例如,存储模块450可以存储由训练模块430确定的服务评估的特征权重。再例如,存储模块450可以存储由服务评估模块440确定的服务分区。
传输模块460(也称为数据交换端口)可以在处理引擎112与在线按需服务系统100的一个或以上组件之间建立连接。该连接可以是有线连接、无线连接、能够进行数据发送和/或接收的任何其他通信连接和/或这些连接的任何组合。例如,采集模块410可以通过传输模块460从存储设备160获得至少两个第一组订单。又例如,服务评估模块440可以通过传输模块460向移动设备发送一个或以上信号。再例如,服务评估模块440可以通过传输模块460接收包含用户是否接受服务分的信息的信号。
这些模块可以是处理引擎112的全部或部分的硬件电路。这些模块也可以作为一个应用程序或一组由处理引擎读取和执行的指令实现。此外,模块可以是硬件电路和应用/指令的任何组合。例如,当处理引擎112执行应用程序/一组指令时,模块可以是处理引擎112的部分类别。
应当注意以上对处理引擎112的描述是出于说明的目的而提供的,并且不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本公开的指导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。在一些实施例中,上述任何模块可以以两个或以上单独的单元实现。例如,样本确定模块420的功能可以在两个单独的单元中实现,其中一个被配置用于确定至少两个第一组订单中每一组的至少两个服务提供者的第一行为特征和服务请求者的第二行为特征,而另一组则被配置用于确定至少两个训练样本。
图5是示出根据本申请的一些实施例的用于处理来自在线按需服务平台的数据的示例性过程的流程图。过程500的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中,过程500的一个或以上操作可以在在线按需系统100中实现,如图1所示。在一些实施例中,过程500中的一个或以上操作可以作为指令的形式存储在存储设备(例如,存储设备160、ROM 230、RAM 240、存储器390)中,并且被服务器110(例如,服务器110中的处理引擎112或计算设备200的处理器220)调用和/或执行。在一些实施例中,指令可以以电子电流或电信号的形式传输。
在510中,处理引擎112(例如,采集模块410)可以获取在线按需服务平台(例如在线按需服务系统100)提供的按需服务在第一时间段的至少两个第一组订单。示例性在线按需服务可以包括出租车服务、司机服务、快车服务、拼车服务、公共汽车服务、司机租用服务、班车服务、外卖服务或类似物,或其任何组合。在一些实施例中,在线按需服务可以是任何线上到线下服务,例如餐饮预订服务,在线购物服务等,或其任何组合。
至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关,并且至少两个第一组订单中的每一组可以包括在第一时间段期间由服务请求者发出并由至少两个服务提供者接收的一个或以上订单。第一时间段可以是恰好在当前时间之前的时间段,例如,过去一周、过去一个月、过去半年或过去一年。至少两个服务提供者可以完成或没有完成所述一个或以上订单。在一些实施例中,可以从在线按需系统100的一个或以上组件获得至少两个第一组订单。仅作为示例,至少两个第一组订单可以存储在存储设备160中。采集模块410可以经由网络120和/或数据交换端口从存储设备160采集至少两个第一组订单。数据交换端口可以在处理引擎112与在线按需系统100中的一个或以上其他组件之间建立连接,例如存储设备160。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接,和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等,或其任何组合。在一些实施例中,数据交换端口可以类似于图2中描述的COM 250,这里不再重复其描述。
在一些实施例中,在线按需服务可以是运输服务。可以通过与服务请求者和服务提供者相关联的行程相关的一个或以上参数来反映运输服务的订单。与行程相关的示例性参数可包括估计的行程持续时间、估计的到达时间(ETA)、估计的行程路线、实际的行程持续时间、实际的行程路线、实际的到达时间、服务提供者的位置和服务请求者的位置的距离、服务提供者接到服务请求者花费的时间(也称为接送时间)、订单的估计费用、订单的实际费用等等。在一些实施例中,服务请求者可以评估、表扬和/或投诉行程、订单和/或服务提供者以生成与订单相关联的用户反馈。在一些实施例中,与订单相关联的用户反馈可以包括在服务期间(即提供运输服务的持续时间内)关于服务提供者的一个或以上行为的评价、表扬和/或投诉。服务提供者在服务期间的示例性一个或以上行为可以包括服务提供者取消订单、服务提供者履行订单、服务提供者在行程期间与服务请求者保持谈话、服务提供者在行程期间打了一次或以上电话、服务提供者和/或与服务提供者相关联的车辆在行程期间具有异味、服务提供者绕路、服务提供者未根据估计的与订单相关联的接驾时间到达上车位置、服务提供者未根据ETA到达与订单相关联的目的地、服务提供者没有将服务请求者送达目的地、服务提供者与服务请求者发生了冲突(例如,打架、争吵、骚扰等)、服务提供者不保持车辆整洁、服务提供者违反交通规则等。在一些实施例中,服务提供者在提供运输服务期间的行为可以包括服务提供者帮助服务请求者、服务提供者是礼貌和专业等等。
在一些实施例中,与订单相关联的评估可以是积极的或消极的。例如,与订单相关联的评价可以包括肯定或满意的评论。又例如,与订单相关联的评价可包括否定或不满意的评论。在一些实施例中,与订单相关联的评价可以被分类为例如一星级、二星级、三星级等。在一些实施例中,服务提供者在服务期间的一个或以上行为可以从服务请求者经由客户端终端(例如,请求者终端130或提供者终端140)的用户界面生成的用户反馈(例如,评估或投诉)获得。在一些实施例中,可以基于一个或以上的行程参数来确定服务提供者的一个或以上行为。例如,可以基于与订单相关联的ETA和实际到达时间来确定服务提供者是否在ETA之前将服务请求者送达目的地。
在520中,处理引擎112(例如,样本确定模块420)可以确定至少两个第一组订单的每一组的至少两个服务提供者的第一行为特征。在一些实施例中,单个第一组订单的至少两个服务提供者的第一行为特征可以与至少两个服务提供者的一个或以上行为相关。例如,三个第一组订单的至少两个服务提供者的第一行为特征可以由至少两个服务提供者的一个或以上行为中每一个可能会发生的概率(或频率)来反映。在本申请中,特定行为的概率(或频率)可以由至少两个服务提供者执行单个第一组订单时特定行为发生的次数与至少两个服务提供者的所有行为发生的总次数的比率来反映。在一些实施例中,单个第一组订单的至少两个服务提供者的第一行为特征通过与单个第一组订单相关联的一个或以上评价以及一个或以上评估中每次评价的概率(或频率)来反映。在本申请中本申请中,与单个第一组订单相关联的特定评价的概率(或频率)可以通过与单个第一组订单相关联的特定评价发生的次数与至少两个服务提供者执行单个第一组订单期间发生所有评价的总次数的比率来反映。
对于单个第一组订单,可以基于至少两个服务提供者的行为特征来确定至少两个服务提供者的第一行为特征。例如,处理引擎112可以获得至少两个服务提供者在执行单个第一组订单期间至少两个服务提供者的一个或以上行为。处理引擎112还可以计算一个或以上行为发生的总次数以及一个或以上行为中的每一个发生的次数。处理引擎112可以确定一个或以上行为发生的总次数以及一个或以上行为中的每一个发生的次数。在一些实施例中,第一行为特征可以由包括至少两个元素的N维特征向量表示。例如,第一行为特征可以由xm表示,例如,其中,m指的是服务请求者,n指的是至少两个服务提供者的特定行为,并且指的是至少两个服务提供者的特定行为发生的概率或(频率)。
在530中,处理引擎112(例如,样本确定模块420)可以确定至少两个第一组订单中每一组的服务请求者的第二行为特征。在本申请中,单个第一组订单的服务请求者的第二行为特征可以通过所述服务请求者于所述供需服务中在第一时间段相对于第二时间段的行为变化来反映,所述第二时间段在所述第一时间段之前来反映。与服务请求者的按需服务相关的行为可以包括在一段时间(例如,一周、一个月、四分之一、一年等)内的订单量、总订单流水金额、平均订单流水金额等。在本申请中,订单量可以指服务请求者在该时间段内请求按需服务所产生的订单总数。总订单流水金额可以指服务请求者在该时间段内请求按需服务的订单总费用。平均订单流水金额可以指服务请求者在该时间段内请求按需服务的每个订单的平均费用。单个第一组的服务请求者的第二行为特征可以至少包括与服务请求者相关的订单量在第一时间段相比于第二时间段的变化、与服务请求者相关的总订单流水金额在第一时间段相比于第二时间段的变化、或与服务请求者相关的平均订单流水金额在第一时间段相对于第二时间段变化等中的一个。
在一些实施例中,与服务请求者的按需服务相关的行为的改变(即,第二行为特征)可以是正的或负的。如果与服务请求者相关的行为的改变超过0,则处理引擎112可以确定与服务请求者相关的行为的改变是正的。如果与服务请求者相关的行为的改变小于0,则处理引擎112可以确定与服务请求者相关的行为的改变是负的。例如,当第一时间段中与服务请求者相关联的订单量为300且第二时间段中的与服务请求者相关联的订单量为250时,则与请求者服务相关联的订单量的变化是正的。又例如,当与第一时间段相关联的服务请求者的总订单流量金额为1000美元且与服务请求者相关联的订单流水金额在第二时间段为1500美元时,则与服务请求者相关的订单总费用的变化为负的。
在一些实施例中,与服务请求者的按需服务(即,第二行为特征)相关的行为的改变可以由与服务请求者关联的第一时间段的订单量、总订单流水金额、或者平均订单流水金额相对于第二时间段中与服务请求者相关的总订单量、总订单流水金额或平均订单流水金额的变化的比率来表示。比率的绝对值越大,与服务请求者的按需服务相关的行为变化就越大,这意味着与服务请求者的按需服务相关的行为可能会受到一些因素的影响。例如至少两个服务提供者的行为。
在一些实施例中,第二行为特征可以表示为ym。第二行为特征可以根据等式(1)确定,如下所示:
其中m指的是第m个服务请求者,n1指的是在第二时间段内与服务请求者相关行为的值(例如,与服务请求者相关的订单总数、订单总流水金额或平均订单流量金额),且n2指的是第一时间段内与服务请求者相关行为的值(例如,与服务请求者相关的订单总数、订单总流水金额或平均订单流量金额)。可选地或另外地,当n2>n1时,第二行为特征ym是正的。
在540中,处理引擎112(例如,样本确定模块420)可基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,每对对应于至少两个第一组订单中的每一组。对于至少两个第一组订单的每一组,服务请求者的第二行为特征可以对应于至少两个服务提供者的第一行为特征。在一些实施例中,样本确定模块420可以将每对第一行为特征和第二行为特征分类到至少两个类别,例如,通过使用聚类算法。示例性聚类算法可以包括基于原型的聚类算法(例如,K均值算法)、基于密度的聚类算法(例如,基于密度的具有噪点的应用的空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法)、层次聚类算法(例如,凝聚性NESting(Agglomerative NESting,AGNES)算法)等。至少两个类别中的每一个可包括一个或以上对的第一行为特征和第二行为特征。样本确定模块420可以基于至少两个类别来确定至少两个训练样本。在一些实施例中,样本确定模块420可以基于一个类别确定一个或以上对的第一行为特征和第二行为特征。样本确定模块420可以进一步基于一个或以上对的第一行为特征和第二行为特征来确定至少两个训练样本中的一个。例如,样本确定模块420可以将一对第一行为特征和第二行为特征确定为至少两个训练样本中的一个,其中所述对中的第二行为特征是该类别中第二行为特征的最大值或最小值。
在一些实施例中,样本确定模块420可以基于类别确定第一行为特征的平均值(即,平均第一行为特征)和第二行为特征的平均值(即,平均第二行为特征)。样本确定模块420可以进一步基于该类别的平均第一行为特征和平均第二行为特征来确定至少两个训练样本中的一个。例如,样本确定模块420可以将该类别中的平均第一行为特征和平均第二行为特征指定为至少两个训练样本中的一个。又例如,样本确定模块420可以确定至少两个类别的部分类别,其平均第二行为特征满足作为至少两个训练样本的条件。确定至少两个训练样本的细节可以在本申请的其他地方找到,例如,在图6及其描述中。
在550中,处理引擎112(例如,训练模块430)可以使用所诉至少两个训练样本确定用于服务评估的特征权重。在本申请中,用于服务评估的特征权重可以表示服务提供者的不同行为特征对服务提供者的服务评估的贡献。具有较大特征权值的行为特征比具有较低特征权值的行为特征对服务提供者的服务评估贡献的贡献更大。在一些实施例中,服务提供者的服务评估可以由服务分区分。服务分可以表示服务提供者的服务质量。服务提供者的服务分越大,服务提供者的服务质量可能越好。在一些实施方案中,服务分可以在例如0至100、或0至10、或-100至100、或-10至10等的范围内。
在一些实施例中,训练模块430可以使用至少两个训练样本通过训练神经网络模型来确定服务评估的特征权重。示例性神经网络模型可以包括前馈神经网络模型、径向基函数(Radial Basis Function,RBF)神经网络模型、Kohonen自组织神经网络模型、递归神经网络(Recurrent Neural Network,RNN)模型、卷积神经网络(Convolutional NeuralNetwork,CNN)模型,模块化神经网络模型等。在一些实施例中,神经网络模型可以包括多个层,例如,输入层、多个隐藏层和输出层。多个隐藏层可包括一个或以上卷积层、一个或以上批归一化层、一个或以上激活层、全连接层、代价函数层等。多个层中的每一个可以包括至少两个节点。一个或以上激活层可以配置有激活功能。激活功能可以由激活层(例如,整流线性单元层)使用以约束激活层的输出。示例性激活函数可以包括线性函数、斜坡函数、阈值函数、Sigmoid函数等。代价函数层或输出层可以配置有代价函数(即,损失函数(或训练损失))。代价函数可用于评估测试值与神经网络模型的期望值之间的差异。正则化可以被配置用于测量神经网络模型的复杂度,例如,L2正则化可以避免训练模型的过度拟合。
在一些实施例中,神经网络模型可以由至少两个参数来反映。神经网络模型的示例性参数可以包括卷积核的大小、层数、每层中的节点数、两个连接节点之间的连接权值、与节点相关的偏置矢量等。两个连接节点之间的连接权限可以被配置用于表示节点的输出值的比例作为另一个连接节点的输入值。与节点相关的偏置矢量可以被配置用于控制偏离原点的节点的输出值。神经网络模型的参数可以具有在线按需系统100的默认设置(例如,一个或以上初步参数),或者可以在不同情况下调整。例如,训练模块430可以将服务评估的特征权重指定为神经网络模型的两个连接节点之间的连接权重。训练模块430可以使用至少两个训练样本训练神经网络模型,以基于神经网络训练算法更新和/或调整神经网络模型的参数。示例性神经网络训练算法可包括梯度下降算法、牛顿算法、准牛顿算法、Levenberg-Marquardt算法、共轭梯度算法等,或其组合。
在一些实施例中,可以通过执行至少两次迭代来训练神经网络模型。在至少两次迭代之前,可以初始化神经网络模型的参数。例如,可以将神经网络模型的连接权重(即,服务评估的特征权重)初始化为基于例如高斯随机算法、Xavier算法等的范围中的随机值。然后,可以执行至少两次迭代以更新神经网络模型的参数,直到满足条件。该条件可以提供神经网络模型是否被充分训练的指示。例如,如果与神经网络模型相关联的代价函数的值最小或小于阈值(例如,常数),则可以满足条件。如果代价函数的值收敛,则可以满足条件。如果在两个或以上连续迭代中代价函数的值的变化小于阈值(例如,常数),则可以认为已经发生了收敛。又例如,当在训练过程中执行指定数量的迭代时,可以满足条件。
对于至少两次迭代中的每一次,可以将包括第一行为特征和第二行为特征的训练样本输入到神经网络模型中。可以通过神经网络模型的一个或以上层来处理第一行为特征,以生成估计的第二行为特征。可以基于神经网络模型的代价函数将估计的第二行为特征与训练样本中的第二行为特征(也称为参考第二行为特征)进行比较。神经网络模型的代价函数可以被配置用于评估神经网络模型的估计的第二行为特征与参考第二行为特征之间的差异。如果代价函数的值在当前迭代中超过阈值,则可以调整和更新神经网络模型的参数以使得对应于第一行为特征的代价函数的值(即估计的第二行为特征和参考第二行为特征之间的差异)小于阈值。因此,在下一次迭代中,可以将另一个训练样本输入到神经网络模型中以训练神经网络模型以更新如上所述的神经网络模型的参数,直到满足条件。训练好的神经网络模型可以包括一个或以上优化和/或更新的参数。训练模型430可以将一个或以上优化的参数指定为服务评估的特征权重。
在一些实施例中,可以根据由操作员生成的指令或在线按需服务系统100的默认设置来更新特征权重。例如,处理引擎112可以周期性地更新特征权重,例如每周、每月、每季度等。处理引擎112可以通过更新至少两个训练样本来更新特征权重。例如,处理引擎112可以在第三时间段中获得由在线按需服务平台提供的至少两个第二组订单,第三时间段在第一时间段之后。处理引擎112可以基于第三时间段中的至少两个第二组订单来更新至少两个训练样本。处理引擎112可以进一步使用至少两个更新的训练样本来进一步训练神经网络模型或所述训练好的神经网络模型以更新特征权重。
在560中,处理引擎112(例如,采集模块410)可以获得与用户相关联的一个或以上订单。用户可以是在线按需服务的服务提供者。可以在第一时间段之后的第四时间段中生成与用户相关联的一个或以上命令。例如,如果第一时间段是第二季度,则第四时间段可以是第三季度。在一些实施例中,处理引擎112(例如,采集模块410)可以从与用户相关联的移动设备(例如,提供者终端140)、存储设备160或在线按需服务平台等获得一个或以上订单。采集模块410可以根据用户的指令或在线按需系统100的默认设置获得与用户相关联的一个或以上订单。例如,用户可以生成用于由移动设备(例如,用户界面)更新服务分的请求或指令。然后,采集模块410可以获得与用户相关联的第三时间段内的一个或以上订单用于服务评估。又例如,采集模块410可以周期性地获得与用户相关联的一个或以上订单,例如,每月、每季度等。
在570中,处理引擎112(例如,服务评估模块440)可以基于特征权重来确定用户的服务分。服务评估模块440可以基于用户的第三行为特征和特征权重来确定服务分。用户的第三行为特征与用户执行一个或以上订单期间发生的用户的一个或以上行为相关。在一些实施例中,如本申请中其他地方所述,用户的第三行为特征可以由用户的一个或以上行为以及用户在执行一个或多个以上订单期间发生的一个或以上行为中的每一个的概率或(频率)来反映。在一些实施例中,服务评估模块440可以从一个或以上订单识别用户的第三行为特征。例如,处理引擎112可以获得用户在执行一个或以上订单中的每一个期间发生的用户的一个或以上行为。处理引擎112可以进一步计算一个或以上行为发生的总次数以及一个或以上行为中的每一个发生的次数。处理引擎112可以基于发生一个或以上行为中的每一个的次数与发生一个或以上行为的总次数的比率来确定第三行为特征。
在一些实施例中,服务评估模块440可以确定一个或以上行为中的每一个的概率(或频率)与对应的特征权重的乘积。然后,服务评估模块440可以确定一个或以上行为中的每一个的概率(或频率)与对应特征权重的乘积之和作为服务分。例如,第三行为特征可以由第一矢量表示,例如,[x1,x2,…,xn],其中,n指的是与一个或以上的订单相关的用户的行为,并且xn指的是行为n的概率(或频率)。特征权重可以由第二矢量表示,例如,[w1,w2,…,wn],服务评估模块440可以通过执行第一矢量和第二矢量之间的点积运算来确定服务分。此外,服务分可以等于(x1.w1+x2.w2+,…,+xn.wn)。
在一些实施例中,服务评估模块440可以向移动设备发送一个或以上信号。信号可以包括用户的服务分。信号也可以是配置用于使移动设备向用户显示服务分。在一些实施例中,信号可以包括用户是否可接受服务分数的询问。如果用户接受服务分,则用户可以通过移动设备输入指示服务分是可接受的指令。移动设备可以发送指示服务分数可接受的指令到服务评估模块440。服务评估模块440可以通过更新用户的先前服务分来响应服务分是可接受的指令。如果用户不接受服务分,则用户可以通过移动设备输入指示服务分不可接受的指令。另外,来自用户的指令还可以包括来自用户的关于服务分原因的询问。移动设备可以将指示服务分不可接受的指令以及来自用户的询问发送到服务评估模块440。在一些实施例中,服务评估模块440可以经用户界面提供关于服务分的原因的总结来响应用户的询问。
在一些实施例中,服务评估模块440可以基于与第四时间段之前的时间段相关联的与用户相关联的历史订单来评估服务分。例如,服务评估模块440可以将第三行为特征与从历史订单识别的参考行为特征进行比较。如果第三行为特征与参考行为特征之间的差异小于阈值,则服务评估模块440可以不更新用户的先前服务分,并且将先前的服务分发送到移动设备。如果第三行为特征与参考行为特征之间的差异超过阈值,则服务评估模块440可以更新用户的先前服务分,并将更新的服务分发送到移动设备。
应当注意,以上关于过程500的描述仅仅是出于说明的目的而提供的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本公开的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。在一些实施例中,可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如,可以省略操作560和操作570。又例如,可以同时执行操作520和操作530。
图6示出的是根据本申请的一些实施例的用于确定至少两个训练样本的示例性过程的流程图。流程600的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中,流程600的一个或以上操作可以在如图1所示的在线按需系统100中实现。在一些实施例中,流程600中的一个或以上操作可以作为指令的形式存储在存储设备(例如,存储设备160、ROM 230、RAM 240、存储器390等)中,并且由服务器110(例如,服务器110中的处理引擎112或计算设备200的处理器220)调用和/或执行。在一些实施例中,可以根据如图6所示的流程600来执行如结合图5所描述的操作540。
在610中,处理引擎112(例如,样本确定模块420)可以将至少两对第一行为特征和第二行为特征分类到至少两个类别。每对可包括对应于至少两个第一组订单的每个组的第一行为特征和对应的第二行为特征。可以如图5中所描述的那样确定一对第一行为特征和第二行为特征。至少两个类别中的每一个可包括一个或以上对的第一行为特征和第二行为特征。
在一些实施例中,样本确定模块420可以使用本申请中其他地方描述的(例如,图5及其描述)聚类算法将至少两对第一行为特征和第二行为特征的聚类到至少两个集群,也称为至少两个类别。样本确定模块420可以基于不同对中的第一行为特征之间的相似性来聚类至少两对第一行为特征和第二行为特征。两个第一行为特征之间的相似性可以由两个第一行为特征之间的距离来表示。距离越小,相似性越高。用于表示相似性的示例性距离可以包括明可夫斯基距离、欧几里德距离、曼哈顿距离、切比雪夫距离等。例如,如果两个或以上对的第一行为特征之间满足标准(例如大于相似阈值),则样本确定模块420可以将两个或以上对的第一行为特征和第二行为特征的聚类到相同的类别。
又例如,使用K均值算法,至少两对第一行为特征和第二行为特征可以被分类为第一部分和第二部分。至少两对第一行为特征和第二行为特征的第一部分中的每一对可以被分类到至少两个类别中的一个(即K个集合)。K的值(即至少两个类别的数量)可以在在线按需系统100中预先确定。例如,K的值可以等于至少两对的总数的一半。然后,样本确定模块420可以将第二部分中的每个对分类到目标集群。第二部分中的特定对的目标集群可以基于第一部分中属于目标集群的一对的第一行为特征与第二部分特定对的第一行为特征之间的相似性来确定。例如,第一部分中属于目标集群的对的第一行为特征可以与第二部分中的特定对的第一行为特征具有最小距离。
在620中,处理引擎112(例如,样本确定模块420)可以基于所述至少两个类别中的每一个类别中的第一行为特征确定所述每一个类别的平均第一行为特征。在一些实施例中,单个对的第一行为特征可以由包括至少两个元素的向量表示,例如,可以通过对单个类别中每一对的第一行为特征中的至少两个元素求平均来确定与单个类别相关联的平均第一行为特征。例如,如果单个类别包括三对第一行为特征和第二行为特征,表示为 和可以确定该类别的平均第一行为特征为
在630中,处理引擎112(例如,样本确定模块420)可以基于所述至少两个类别中的每一个类别中的第二行为特征确定所述每一个类别的平均第二行为特征。在一些实施例中,可以通过对单个类别中的第二行为特征求平均来确定与单个类别相关联的平均第二行为特征。例如,如果单个类别包括三对第一行为特征和第二行为特征,表示为和 该类别中的平均第二行为特征可以确定为(y1+y2+y3)/3。
在640中,处理引擎112(例如,样本确定模块420)可以基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定至少两个训练样本。在一些实施例中,样本确定模块420可以将与至少两个类别中的每一个相关联的平均第一行为特征和平均第二行为特征确定为至少两个训练样本。至少两个训练样本中的每一个可包括与至少两个类别中的一个相关联的一对平均第一行为特征和平均第二行为特征。例如,与至少两个类别中的每一个相关联的平均第一行为特征和平均第二行为特征可以分别表示为(X1,Y1),(X2,Y2),(X3,Y3),…,(XK,YK),其中XK表示第K类的平均第一行为特征,YK表示第K类的平均第二行为特征。可指定(X1,Y1),(X2,Y2),(X3,Y3),…,(XK,YK)作为至少两个训练样本。
在一些实施例中,样本确定模块420可以基于与至少两个类别中的每一个相关联的平均第二行为来确定至少两个类别的部分类别作为至少两个训练样本。在一些实施例中,与至少两个类别的部分类别中每个类别相关联的平均第二行为满足一定条件。例如,如果与特定类别相关联的平均第二行为特征大于第一阈值或小于第二阈值,则样本确定模块420可以确定与特定类别相关联的平均第一行为特征和平均第二行为作为训练样本之一。第一阈值和/或第二阈值可以由操作者或根据在线按需服务系统100的默认设置来设置。又例如,样本确定模块420可以按升序或降序对与至少两个类别中的每一个相关联的平均第二特征进行排名。样本确定模块420可以将至少两个类别的部分类别确定为至少两个训练样本,其平均第二行为特征排序在靠前范围中,例如,前10%、前20%、前30%等,和/或靠后范围,例如,后10%、后20%、后30%等。在一些实施例中,样本确定模块420可以将与至少两个类别的部分类别相关联的平均第一行为特征和平均第二行为特征指定为至少两个训练样本。在一些实施方案中,样本确定模块420可指定至少两个类别的部分类别中的一个或以上对第一行为特征和第二行为特征为至少两个训练样本。
又例如,可以以降序的方式对与至少两个类别中的每一个相关联的平均第二行为特征进行排序。至少两个类别的部分类别可以包括在前20%和后20%中排名的平均第二行为特征的类别。与排在前20%中的平均第二行为特征的类别相关联的一对平均第一行为特征和平均第二行为特征也可以被称为正训练样本。与排在底部20%中排名的平均第二行为特征的类别相关联的一对平均第一行为特征和平均第二行为特征也可以被称为负训练样本。
根据本申请的一些实施例,至少两对第一行为特征和第二行为特征可以聚类成至少两个类别。可以基于与至少两个类别中的每一个相关联的平均第一行为特征和平均第二行为特征确定该至少两个训练样本,其可以降低处理的数据量。此外,可以通过对与至少两个类别中的每一个相关联的平均第二行为特征进行排序来确定至少两个训练样本。与至少两个类别的部分类别相关的至少两对平均第一行为特征和平均第二行为特征,其中平均第二行为特征排行在靠前部分和/或靠后部分可以被指定为至少两个训练样本,可以降低训练样本的噪点水平。
应当注意以上对流程600的描述仅出于说明的目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本公开的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。在一些实施例中,可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如,620和630可以组合在一个操作中。又例如,可以省略操作620。在样本确定模块420针对至少两个类别中的每一个基于至少两个类别的每一个中的第二行为特征确定平均第二行为特征之后,样本确定模块420可以基于排名后的第二行为特征确定至少两个类别的部分类别。样本确定模块420还可以指定包括在至少两个类别的部分类别中的多对第一行为特征和第二行为特征对作为至少两个训练样本。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可以进行各种变更、改良和修改。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的制程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可以呈现为位于一个或多个计算机可读媒体中的计算机产品,该产品具有计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播讯号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python或类似的常规程序编程语言,如“C”编程语言、Visual Basic、Fortran1703、Perl、COBOL 1702、PHP、ABAP、动态编程语言如Python、Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
然而,这些修正和改变仍然在本申请的保护范围之内。此外,处理元素或者序列的列举顺序、数字、字母或者其他名称的使用不是用于限制要求的过程和方法的。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解,此类细节仅起说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例精神和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请揭示的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,此揭示方法并不意味着本申请所需的特征比申请专利范围中涉及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (23)
1.一种用于在线按需服务平台处理数据的方法,其特征在于,所述方法包括:
获取所述在线按需服务平台提供的按需服务在第一时间段的至少两个第一组订单,所述至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关;
对于所述至少两个第一组订单中的每一组,
确定所述至少两个服务提供者的第一行为特征;以及
确定所述服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者于所述按需服务中在所述第一时间段相对于第二时间段的行为变化,所述第二时间段在第一时间段之前;
基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,所述至少两对第一行为特征和第二行为特征的每一对对应于所述至少两个第一组订单中的每一组;以及
使用所述至少两个训练样本确定服务评估的特征权重。
2.如权利要求1所述的方法,其特征在于,使用所述至少两个训练样本确定服务评估的特征权重包括使用所述至少两个训练样本训练神经网络模型。
3.如权利要求1所述的方法,其特征在于,所述服务请求者的第二行为特征包括所述服务请求者在所述第一时间段相对于所述第二时间段的订单量的变化或所述服务请求者在所述第一时间段相对于所述第二时间段的订单流水金额的变化中的至少一个。
4.如权利要求1所述的方法,其特征在于,基于至少两对第一行为特征和第二行为特征确定至少两个训练样本包括:
将对应于所述至少两个第一组订单中的每一组的所述每一对第一服务特征和第二行为特征分类到至少两个类别中;以及
基于所述至少两个类别确定所述至少两个训练样本。
5.如权利要求4所述的方法,其特征在于,基于所述至少两个类别确定所述至少两个训练样本包括:
对于所述至少两个类别中的每一个类别,
基于所述每一个类别中的第一行为特征确定所述每一个类别的平均第一行为特征,以及
基于所述每一个类别中的第二行为特征确定所述每一个类别的平均第二行为特征;以及
基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本。
6.如权利要求5所述的方法,其特征在于,基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本包括:
基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个类别中的部分类别;以及
指定与所述至少两个类别中的部分类别相关的平均第一行为特征和平均第二行为特征作为所述至少两个训练样本。
7.如权利要求6所述的方法,其特征在于,确定所述至少两个类别中的部分类别包括:
对与所述至少两个类别中的每一个类别相关的所述平均第二行为特征进行排序;
基于与所述至少两个类别中的每一个类别相关的所述平均第二行为特征的排序确定所述至少两个类别中的所述部分类别,与所述至少两个类别中的所述部分类别相关的平均第二行为特征大于第一阈值或小于第二阈值。
8.如权利要求1任意一项所述的方法,其特征在于,所述方法还包括:
获取所述在线按需服务平台提供的按需服务在第三时间段的至少两个第二组订单,所述第三时间段在所述第一时间段之后;
基于所述第三时间段的所述至少两个第二组订单更新所述至少两个训练样本;以及
使用所述更新的至少两个训练样本更新所述特征权重。
9.如权利要求1任意一项所述的方法,其特征在于,所述方法还包括:
从移动设备获取与用户相关的一个或以上的订单;
基于所述一个或以上的订单识别所述用户的第三行为特征;以及
基于所述特征权重和所述第三行为特征确定所述用户的服务分。
10.如权利要求9所述的方法,其特征在于,所述方法还包括:
传输信号到所述移动设备,其中所述信号包括所述服务分,所述信号用于使所述移动设备显示所述服务分。
11.一种用于在线按需服务平台处理数据的装置,其特征在于,包括至少一个处理器以及存储介质;
所述存储介质用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令以实现如权利要求1-10中任意一项所述的方法。
12.一种计算机可读存储介质,其特征在于所述存储介质存储计算机指令,当所述计算机指令被计算机执行时,计算机运行如权利要求1-10中任意一项所述的方法。
13.一种用于服务评估的装置,其特征在于,包括至少一个通信端口以及处理电路;
所述通信端口用于和与用户相关的移动设备通信,其中所述移动设备可以与在线按需服务平台通信;
所述处理电路与所述通信端口具有信号连接,用于:
获取在线按需服务平台提供的按需服务与用户相关的一个或以上的订单;
通过使用训练好的神经网络模型处理与所述一个或多个订单相关的数据确定所述用户的服务分,其中所述训练好的模型通过执行如权利要求1-10中任意一项所述的方法提供。
14.一种用于在线按需服务平台处理数据的系统,其特征在于,所述系统包括采集模块、样本确定模块和训练模块,其中,所述采集模块用于获取所述在线按需服务平台提供的按需服务在第一时间段的至少两个第一组订单,所述至少两个第一组订单中的每一组与一个服务请求者和至少两个服务提供者相关;
所述样本确定模块用于:
对于所述至少两个第一组订单中的每一组,
确定所述至少两个服务提供者的第一行为特征;以及
确定所述服务请求者的第二行为特征,所述第二行为特征反映所述服务请求者于所述按需服务中在所述第一时间段相对于第二时间段的行为变化,所述第二时间段在第一时间段之前;
基于至少两对第一行为特征和第二行为特征确定至少两个训练样本,所述至少两对第一行为特征和第二行为特征的每一对对应于所述至少两个第一组订单中的每一组;以及
所述训练模块用于使用所述至少两个训练样本确定服务评估的特征权重。
15.如权利要求14所述的系统,其特征在于,所述训练模块进一步用于使用所述至少两个训练样本训练神经网络模型。
16.如权利要求14所述的系统,其特征在于,所述服务请求者的第二行为特征包括所述服务请求者在所述第一时间段相对于所述第二时间段的订单量的变化或所述服务请求者在所述第一时间段相对于所述第二时间段的订单流水金额的变化中的至少一个。
17.如权利要求14所述的系统,其特征在于,所述样本确定模块还用于:
将对应于所述至少两个第一组订单中的每一组的所述每一对第一服务特征和第二行为特征分类到至少两个类别中;以及
基于所述至少两个类别确定所述至少两个训练样本。
18.如权利要求17所述的系统,其特征在于,所述样本确定模块进一步用于:
对于所述至少两个类别中的每一个类别,
基于所述每一个类别中的第一行为特征确定所述每一个类别的平均第一行为特征,以及
基于每一个类别中的第二行为特征确定所述每一个类别的平均第二行为特征;以及
基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个训练样本。
19.如权利要求18所述的系统,其特征在于,所述样本确定模块进一步用于:
基于与所述至少两个类别中的每一个类别相关的所述平均第一性为特征和所述平均第二行为特征确定所述至少两个类别中的部分类别;以及
指定与所述至少两个类别中的部分类别相关的平均第一行为特征和平均第二行为特征作为所述至少两个训练样本。
20.如权利要求19所述的系统,其特征在于,所述样本确定模块进一步用于:
对与所述至少两个类别中的每一个类别相关的所述平均第二行为特征进行排序;
基于与所述至少两个类别中的每一个类别相关的所述平均第二行为特征的排序确定所述至少两个类别中的所述部分类别,与所述至少两个类别中的所述部分类别相关的平均第二行为特征大于第一阈值或小于第二阈值。
21.如权利要求14所述的系统,其特征在于,
所述采集模块还用于获取所述在线按需服务平台提供的按需服务在第三时间段的至少两个第二组订单,所述第三时间段在所述第一时间段之后;
所述样本确定模块还用于基于所述第三时间段的所述至少两个第二组订单更新所述至少两个训练样本;以及
所述训练模块还用于使用所述更新的至少两个训练样本更新所述特征权重。
22.如权利要求14所述的系统,其特征在于,所述系统还包括服务评估模块,所述服务评估模块用于:
从移动设备获取与用户相关的一个或以上的订单;
基于所述一个或以上的订单识别所述用户的第三行为特征;以及
基于所述特征权重和所述第三行为特征确定所述用户的服务分。
23.如权利要求22所述的系统,其特征在于,所述系统还包括传输模块,所述传输模块用于:
传输信号到所述移动设备,其中所述信号包括所述服务分,所述信号用于使所述移动设备显示所述服务分。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811429012.0A CN111222903B (zh) | 2018-11-27 | 2018-11-27 | 用于处理来自在线按需服务平台的数据的系统和方法 |
JP2020569785A JP7123186B2 (ja) | 2018-11-27 | 2018-12-05 | オンライン・オンデマンドサービス・プラットフォームからのデータを処理するためのシステムおよび方法 |
PCT/CN2018/119407 WO2020107509A1 (en) | 2018-11-27 | 2018-12-05 | Systems and methods for processing data from an online on-demand service platform |
US17/131,652 US11140531B2 (en) | 2018-11-27 | 2020-12-22 | Systems and methods for processing data from an online on-demand service platform |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811429012.0A CN111222903B (zh) | 2018-11-27 | 2018-11-27 | 用于处理来自在线按需服务平台的数据的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222903A CN111222903A (zh) | 2020-06-02 |
CN111222903B true CN111222903B (zh) | 2023-04-25 |
Family
ID=70827452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811429012.0A Active CN111222903B (zh) | 2018-11-27 | 2018-11-27 | 用于处理来自在线按需服务平台的数据的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11140531B2 (zh) |
JP (1) | JP7123186B2 (zh) |
CN (1) | CN111222903B (zh) |
WO (1) | WO2020107509A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521014B2 (en) * | 2019-02-04 | 2022-12-06 | International Business Machines Corporation | L2-nonexpansive neural networks |
CN112528159B (zh) * | 2020-12-24 | 2024-03-26 | 北京百度网讯科技有限公司 | 一种特征质量评估方法、装置、电子设备及存储介质 |
EP4040364A1 (en) * | 2021-02-09 | 2022-08-10 | Koninklijke Philips N.V. | An analysis device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9491035B1 (en) * | 2012-06-29 | 2016-11-08 | EMC IP Holding Company LLC | Cloud services directory protocol |
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN106997577A (zh) * | 2016-01-26 | 2017-08-01 | 滴滴(中国)科技有限公司 | 一种订单策略动态调整方法及装置 |
CN108650121A (zh) * | 2018-05-04 | 2018-10-12 | 南京信息工程大学 | 一种多属性Web服务需求与提供者综合评分与分配方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7590739B2 (en) * | 1999-11-22 | 2009-09-15 | Akamai Technologies, Inc. | Distributed on-demand computing system |
US8095858B2 (en) * | 2008-02-07 | 2012-01-10 | International Business Machines Corporation | File error identification, reporting, and replacement of media files |
JP5936224B2 (ja) * | 2011-10-18 | 2016-06-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | サービス・プロバイダを動的に選択する方法、コンピュータ・システム、コンピュータおよびプログラム |
JP5615857B2 (ja) | 2012-02-22 | 2014-10-29 | 日本電信電話株式会社 | 分析装置、分析方法及び分析プログラム |
JP6082564B2 (ja) | 2012-10-16 | 2017-02-15 | 株式会社日立製作所 | データ統合分析システム |
US20140114876A1 (en) | 2012-10-23 | 2014-04-24 | ReviewBuzz Inc. | Systems and methods for obtaining and utilizing online customer service reviews of individual employees |
JP5855290B2 (ja) | 2014-06-16 | 2016-02-09 | パナソニックIpマネジメント株式会社 | 接客評価装置、接客評価システム及び接客評価方法 |
US11551135B2 (en) * | 2017-09-29 | 2023-01-10 | Oracle International Corporation | Techniques for generating a hierarchical model to identify a class among a plurality of classes |
US10671434B1 (en) * | 2017-10-19 | 2020-06-02 | Pure Storage, Inc. | Storage based artificial intelligence infrastructure |
US10595101B2 (en) * | 2018-03-15 | 2020-03-17 | International Business Machines Corporation | Auto-curation and personalization of sports highlights |
US11170183B2 (en) * | 2018-09-17 | 2021-11-09 | International Business Machines Corporation | Language entity identification |
US11436481B2 (en) * | 2018-09-18 | 2022-09-06 | Salesforce.Com, Inc. | Systems and methods for named entity recognition |
-
2018
- 2018-11-27 CN CN201811429012.0A patent/CN111222903B/zh active Active
- 2018-12-05 WO PCT/CN2018/119407 patent/WO2020107509A1/en active Application Filing
- 2018-12-05 JP JP2020569785A patent/JP7123186B2/ja active Active
-
2020
- 2020-12-22 US US17/131,652 patent/US11140531B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9491035B1 (en) * | 2012-06-29 | 2016-11-08 | EMC IP Holding Company LLC | Cloud services directory protocol |
CN106997577A (zh) * | 2016-01-26 | 2017-08-01 | 滴滴(中国)科技有限公司 | 一种订单策略动态调整方法及装置 |
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN108650121A (zh) * | 2018-05-04 | 2018-10-12 | 南京信息工程大学 | 一种多属性Web服务需求与提供者综合评分与分配方法 |
Also Published As
Publication number | Publication date |
---|---|
US11140531B2 (en) | 2021-10-05 |
JP7123186B2 (ja) | 2022-08-22 |
CN111222903A (zh) | 2020-06-02 |
JP2021526696A (ja) | 2021-10-07 |
WO2020107509A1 (en) | 2020-06-04 |
US20210112387A1 (en) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180240045A1 (en) | Systems and methods for allocating sharable orders | |
US11631027B2 (en) | Systems and methods for allocating service requests | |
JP6737805B2 (ja) | 将来の輸送サービス時点の予測分布を求めるシステム及び方法 | |
US11079244B2 (en) | Methods and systems for estimating time of arrival | |
AU2017410523A1 (en) | System and method for determining safety score of driver | |
US20200300650A1 (en) | Systems and methods for determining an estimated time of arrival for online to offline services | |
JP6632723B2 (ja) | サービスの順序列を更新するためのシステム及び方法 | |
US11140531B2 (en) | Systems and methods for processing data from an online on-demand service platform | |
CN110832284A (zh) | 用于目的地预测的系统和方法 | |
US20210042817A1 (en) | Methods and systems for order allocation | |
US20200167812A1 (en) | Systems and methods for determining a fee of a service request | |
CN111274472A (zh) | 信息推荐方法、装置、服务器及可读存储介质 | |
CN111133484A (zh) | 用于评估与指定的驾驶服务相关的调度策略的系统和方法 | |
US11017340B2 (en) | Systems and methods for cheat examination | |
US20220129967A1 (en) | Systems and methods for providing transaction services | |
CN112036774A (zh) | 服务策略的评估方法、装置、设备及存储介质 | |
CN111275232A (zh) | 生成未来价值预测模型的方法和系统 | |
US10990500B2 (en) | Systems and methods for user analysis |
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 |