CN111260383A - 注册概率预估方法及装置、概率预估模型构建方法及装置 - Google Patents

注册概率预估方法及装置、概率预估模型构建方法及装置 Download PDF

Info

Publication number
CN111260383A
CN111260383A CN201811458052.8A CN201811458052A CN111260383A CN 111260383 A CN111260383 A CN 111260383A CN 201811458052 A CN201811458052 A CN 201811458052A CN 111260383 A CN111260383 A CN 111260383A
Authority
CN
China
Prior art keywords
service provider
unregistered
resource information
probability
service
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
Application number
CN201811458052.8A
Other languages
English (en)
Other versions
CN111260383B (zh
Inventor
何龙
杜龙志
刘澍
付俊强
余芳
王志明
范育峰
李奘
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201811458052.8A priority Critical patent/CN111260383B/zh
Publication of CN111260383A publication Critical patent/CN111260383A/zh
Application granted granted Critical
Publication of CN111260383B publication Critical patent/CN111260383B/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0236—Incentive or reward received by requiring registration or ID from user
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0239—Online discounts or incentives

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种注册概率预估方法及装置、概率预估模型构建方法及装置，其中，首先基于获取的未注册的服务提供端对应的服务特征数据，判定未注册的服务提供端是否为目标服务提供端；在未注册的服务提供端为目标服务提供端的情况下，基于获取的未注册的服务提供端对应的服务特征数据和信息获取方式，确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。上述技术方案能够准确的得到未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率，基于得到准确的概率能够为未注册的服务提供端推送与其匹配的激励资源信息。

Description

注册概率预估方法及装置、概率预估模型构建方法及装置
技术领域
本申请涉及计算和预估分析技术领域，具体而言，涉及一种注册概率预估方法及装置、概率预估模型构建方法及装置。
背景技术
目前，随着网约车服务的完善和升级、人们生活水平的提高，越来越多的乘客的出行依赖网约车。但是在网约车平台注册的司机的数量相对较少，这就造成了供需失衡，尤其是在出行高峰期，这种供需不平衡尤其明显，出现了严重的乘客打车难的问题。为了鼓励新的司机在网约车平台上注册，会为未在网约车平台注册的司机推送一些激励资源信息，司机在某些激励资源信息的作用下可能在网约车平台上执行注册操作。注册后，司机利用网约车平台承接出行订单的概率会显著增加。
由于对不同司机的注册行为起作用的激励资源信息可能不同，因此为了最大限度的使未注册的司机在网约车平台上执行注册操作，需要为不同的司机推送与其匹配的激励资源信息。但是当前无法准确的预估在每种激励资源信息的作用下，司机执行注册操作的概率，因此无法为司机推送更加有利于司机执行注册操作的激励资源信息，即无法为司机推送与其匹配的激励资源信息。
发明内容
有鉴于此，本申请实施例的目的在于提供一种注册概率预估方法及装置、概率预估模型构建方法及装置，能够准确的得到未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率，基于得到准确的概率能够为未注册的服务提供端推送与其匹配的激励资源信息。
第一方面，本申请实施例提供了一种注册概率预估方法，包括：
基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端；
在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式；
基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
在一种可能的实施方式中，所述判定所述未注册的服务提供端是否为目标服务提供端，包括：
基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；
在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
在一种可能的实施方式中，注册概率预估方法还包括获取未注册的服务提供端对应的服务特征数据的步骤：
获取与未注册的服务提供端有关联的至少一个已注册的服务提供端；
基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一种可能的实施方式中，所述基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据，包括：
获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数；
基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一种可能的实施方式中，所述已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
在一种可能的实施方式中，所述基于获取的所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，包括：
获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式；
基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
在一种可能的实施方式中，注册概率预估方法还包括建立历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系的步骤：
获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据；
基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
在一种可能的实施方式中，所述历史样本数据为预定区域范围内的数据；所述未注册的服务提供端位于所述预定区域范围内。
在一种可能的实施方式中，注册概率预估方法还包括：
基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
在一种可能的实施方式中，注册概率预估方法利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
在一种可能的实施方式中，注册概率预估方法还包括：
基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息；
将选取的所述目标激励资源信息推送给未注册的服务提供端。
第二方面，本申请实施例提供了一种概率预估模型构建方法，包括：
获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，每个服务提供端得到每种激励资源信息的信息获取方式，和每个服务提供端在每种激励资源信息作用下的注册结果数据；
基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
在一种可能的实施方式中，所述多个服务提供端位于预定区域范围内。
第三方面，本申请实施例提供了一种注册概率预估装置，包括：
目标判定模块，用于基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端；
信息获取模块，用于在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式；
概率预测模块，用于基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
在一种可能的实施方式中，所述目标判定模块具体用于：
基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；
在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
在一种可能的实施方式中，所述信息获取模块包括：
关联用户确定子模块，用于获取与未注册的服务提供端有关联的至少一个已注册的服务提供端；
服务特征数据获取子模块，用于基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一种可能的实施方式中，所述服务特征数据获取子模块具体用于：
获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数；
基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一种可能的实施方式中，所述已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
在一种可能的实施方式中，所述概率预测模块包括：
对应关系获取子模块，用于获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式；
概率预测子模块，用于基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
在一种可能的实施方式中，注册概率预估模型还包括：
历史数据获取模块，用于获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据；
概率确定模块，用于基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
对应关系确定模块，用于将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
在一种可能的实施方式中，所述历史样本数据为预定区域范围内的数据；所述未注册的服务提供端位于所述预定区域范围内。
在一种可能的实施方式中，注册概率预估模型还包括：
转化率确定模块，用于基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
在一种可能的实施方式中，所述转化率确定模块利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
在一种可能的实施方式中，注册概率预估模型还包括：
激励资源信息选择模块，用于基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息；
激励资源信息推送模块，用于将选取的所述目标激励资源信息推送给未注册的服务提供端。
第四方面，本申请实施例提供了一种概率预估模型构建装置，包括：
特征信息获取模块，用于获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，和每个服务提供端得到每种激励资源信息的信息获取方式；
结果数据获取模块，用于获取每个服务提供端在每种激励资源信息作用下的注册结果数据；
概率获取模块，用于基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
模型建立模块，用于将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
在一种可能的实施方式中，所述多个服务提供端位于预定区域范围内。
第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器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器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，第一方面的任一种可能的实施方式中的步骤、第二方面，或第二方面的任一种可能的实施方式中的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质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第一方面，第一方面的任一种可能的实施方式中的步骤、第二方面，或第二方面的任一种可能的实施方式中的步骤。
本申请实施例提供的注册概率预估方法及装置，首先基于获取的未注册的服务提供端对应的服务特征数据，判定未注册的服务提供端是否为目标服务提供端；在未注册的服务提供端为目标服务提供端的情况下，获取未注册的服务提供端得到每种激励资源信息的信息获取方式；之后，基于获取的未注册的服务提供端对应的服务特征数据和信息获取方式，确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。上述技术方案基于获取的未注册的服务提供端对应的服务特征数据和信息获取方式，能够准确的得到未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率，基于得到准确的概率能够为未注册的服务提供端推送与其匹配的激励资源信息，从而能够最大程度的促使未注册的服务提供端执行注册操作。
本申请实施例提供的概率预估模型构建方法及装置，提供了每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式的对应关系，基于该对应关系以及获取的未注册的服务提供端的服务特征数据和信息获取方式，就能够准确的预估未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。继而，基于得到准确的概率能够为未注册的服务提供端推送与其匹配的激励资源信息，从而能够最大程度的促使未注册的服务提供端执行注册操作。
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所提供的一种注册概率预估系统的框图；
图2示出了本申请实施例所提供的一种电子设备的框图；
图3示出了本申请实施例所提供的一种注册概率预估方法的流程图；
图4示出了本申请实施例所提供的另一种注册概率预估方法中，获取未注册的服务提供端对应的服务特征数据的流程图；
图5示出了本申请实施例所提供的另一种注册概率预估方法中，建立多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式，与每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系的流程图；
图6示出了本申请实施例所提供的另一种注册概率预估方法中，为未注册的服务提供端推送激励资源信息的流程图；
图7示出了本申请实施例所提供的一种概率预估模型构建方法的流程图；
图8示出了本申请实施例所提供的一种注册概率预估装置的框图；
图9示出了本申请实施例所提供的一种概率预估模型构建装置的框图。
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“网约车”，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网约车进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，包括陆地，海洋，或航空等，或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等，或其任意组合。本申请还可以适用于用户注册的任何服务系统，例如，用于发送和/或接收快递的系统。本申请的装置或方法的应用可以包括网页、浏览器的插件、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。
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”、“服务请求端”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”、“服务提供端”、“用户”可互换使用，以指代可以提供服务的个人、实体或工具。
本申请的一个方面涉及一种注册概率预估系统。该系统可以基于获取的未注册的服务提供端对应的服务特征数据确定其是否是目标服务提供端，在未注册的服务提供端为目标服务提供端的情况下，基于未注册的服务提供端的服务特征数据和信息获取方式，确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。上述注册概率预估系统提供的预估概率相比于现有技术准确度显著提高。继而，基于得到准确的概率能够为未注册的服务提供端推送与其匹配的激励资源信息，最大程度地促使未注册的服务提供端执行注册操作。
图1是本申请一些实施例的注册概率预估系统100的框图。例如，注册概率预估系统100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。注册概率预估系统100可以包括服务器110、网络120、服务请求端130、服务提供端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求端130、服务提供端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求端130、服务提供端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中，服务器110可以包括处理器220。处理器220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。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(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-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 SignalProcessor,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(Reduced Instruction Set Computing,RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，注册概率预估定系统100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从服务请求端130获取服务请求。
在一些实施例中，注册概率预估系统100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)可以具有访问数据库150的权限。在一些实施例中，当满足一定条件时，注册概率预估系统100中的一个或多个组件可以读取和/或修改与服务请求端、服务提供端、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。作为另一示例，服务提供端140可以在从服务请求端130接收服务请求时访问与服务请求方有关的信息，但是服务提供端140可以不修改服务请求端130的相关信息。
在一些实施例中，可以通过请求服务来实现注册概率预估系统100中的一个或多个组件的信息交换。服务请求的对象为未注册服务提供端执行注册操作的概率。
图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、服务请求端130、服务提供端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器220可以用于电子设备200上，并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的注册概率预估方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。
为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
图3示出本申请的一些实施例的注册概率预估方法，该方法应用于网约车的平台，用于确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。具体地，注册概率预估方法包括：
S300、基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端。
这里，由于网约车平台无法获取未注册的服务提供端的很多数据信息，为了获取到与未注册的服务提供端相关的更多的数据信息，以提高预估概率的准确度，此步骤获取的未注册的服务提供端对应的服务特征数据，不仅仅包括该未注册的服务提供端的数据信息，还包括与该未注册的服务提供端有过互动，例如有红包互动的已注册的服务提供端的数据信息。
这里，服务特征数据包括对应的服务提供端获取到每种激励资源信息的信息获取方式、对应的服务提供端的标识符等，当然服务特征数据还包括其他内容，例如，基于与未注册的服务提供端关联的服务提供端对应的服务特征数据确定的服务特征数据。
这里，基于未注册的服务提供端对应的服务特征数据判断该未注册的服务提供端是否满足预定的条件，如果为满足预定条件的服务提供端，则向该服务提供端推送激励资源信息，促使其执行注册操作，否则，不向该服务提供端推送激励资源信息。
在具体实施例时，可以利用如下步骤判定所述未注册的服务提供端是否为目标服务提供端：基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
上述承接指数根据未注册的服务提供端的各个服务特征数据经过预定的运算后得到的数值，例如，将每个服务特征数据与对应的权重作乘积，在计算所有的服务特征数据对应的乘积的和，得到所述承接指数。上述权重是预先设定的。
S310、在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式。
这里，未注册的服务提供端得到每种激励资源信息的信息获取方式可以包括以下至少一种：被动接收激励资源信息；主动获取激励资源信息。这里的激励资源信息可以包括以下至少一种：基于不同的接单数量的接单奖励、基于不同的接单价格的接单奖励、在某一时间段推送的接单奖励。
S320、基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
这里，具体可以利用预先建立好的多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式，与每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系，确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。具体地，可以利用如下步骤确定未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率：
S3201、获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式。
S3202、基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
在一些实施例中，如图4所示，具体可以通过如下步骤获取未注册的服务提供端对应的服务特征数据：
S410、获取与未注册的服务提供端有关联的至少一个已注册的服务提供端。
这里，与未注册的服务提供端有关联的服务提供端可以是与未注册的服务提供端有过互动的服务提供端。关联关系的获得可以是网约车平台基于各个服务提供端之间的红包接收情况获得，也可以是网约车平台基于各个服务提供端之间的信息互通情况获得。本申请实施例不对关联关系获得的具体方式进行限定。
这里，为了获得更多的服务特征数据，需要获取尽可能多的与未注册的服务提供端有关联的已注册的服务提供端。
S420、基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
上述不同的与未注册的服务提供端有关联的服务提供端，与未注册的服务提供端的关联程度也存在不同，因此不是所有的与未注册的服务提供端有关联的服务提供端的服务特征数据都作为未注册的服务提供端的服务特征数据，而是依据两者的关联程度，获取与未注册的服务提供端有关联的服务提供端的部分服务特征数据，或者是依据两者的关联程度，确定与未注册的服务提供端有关联的服务提供端的服务特征数据的权重，继而基于得到权重计算加权后的服务特征数据。具体地，可以利用如下步骤确定未注册的服务提供端对应的服务特征数据：
S4201、获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数。
这里的关联系数表征了已注册的服务提供端与未注册的服务提供端的关联程度。关联系数可以根据已注册的服务提供端与未注册的服务提供端的互动频率确定。
S4202、基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
这里，根据关联系数，获取与未注册的服务提供端有关联的服务提供端的部分服务特征数据，或确定与未注册的服务提供端有关联的服务提供端的服务特征数据的权重，继而根据确定的权重，计算加权后的服务特征数据。
这里，已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
在具体实施例时，可以利用如下步骤确定所述未注册的服务提供端对应的服务特征数据：
基于每个已注册的服务提供端与未注册的服务提供端的关联系数，确定每个已注册的服务提供端对应的权重，并利用如下公式确定未注册的服务提供端对应的服务特征数据：
Hk＝b1k×c1+b2k×c2+…+bjk×cj
式中，k表示未注册的服务提供端对应的第k个服务特征数据，b1k表示第一个与未注册的服务提供端相关联的已注册的服务提供端的第k个服务特征数据，c1表示第一个与未注册的服务提供端相关联的已注册的服务提供端对应的权重，b2k表示第二个与未注册的服务提供端相关联的已注册的服务提供端的第k个服务特征数据，c2表示第二个与未注册的服务提供端相关联的已注册的服务提供端对应的权重，bjk表示第j与未注册的服务提供端相关联的已注册的服务提供端的第k个服务特征数据，cj表示第j个与未注册的服务提供端相关联的已注册的服务提供端对应的权重。其中，j为未注册的服务提供端相关联的已注册的服务提供端的数量，k的最大值服务特征数据的数量。
应当说明的是，上述的b1k、b2k…bjk是各个已注册的服务提供端对应的服务特征数据，例如b1k为第一个已注册的服务提供端在注册之前承接出行订单的数量时，b2k应该第二个已注册的服务提供端在注册之前承接出行订单的数量，bjk为第j个已注册的服务提供端在注册之前承接出行订单的数量。
上述权重c1、c2…cj为小于1的数值，并且c1、c2…cj的和为1。
此步骤，根据服务提供端之间的关系，通过已注册的服务提供端的服务特征数据反推未注册的服务提供端的服务特征数据，比如服务提供端A和服务提供端B有过互动，A是已注册的服务提供端，B是未注册的服务提供端。利用已注册的服务提供端A的各种服务特征数据，可以用来推测未注册的服务提供端B的服务特征数据。这里，应当强调的是，利用已注册的服务提供端A的各种服务特征数据只包括其在注册之前，网约车平台能够获取的服务特征数据。
应当说明的是，上述未注册的服务提供端对应的服务特征数据还可以包括与未注册的服务提供端有关联的未注册的服务器请求端对应的服务特征数据。
在一些实施例中，如图5所示，上述注册概率预估方法还可以包括建立多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式，与每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系的步骤：
S510、获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据。
这里的历史样本数据可以选取最近的、预定时间长度内的数据，以保证训练得到的对应关系能够很好的适应当前的注册趋势。
S520、基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率。
S530、将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
上述建立的对应关系即为历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下进行注册操作的概率的对应关系。
应当说明的是，上述历史样本数据为预定区域范围内的数据，那么建立的对应关系即为预定区域范围内对应关系。利用该对应关系能够预估位于该预定区域范围内的未注册的服务提供端，在每种激励资源信息的作用下，执行注册操作的概率。
上述预定区域可以是某一个城市，或某一个省，或是具有相似的消费能力和消费习惯的一些区域。由于不同的区域的消费能力和消费习惯不同，因此需要针对某些具有相似的消费能力和消费习惯的区域，单独训练上述对应关系。训练得到的对应关系能够准确的预估对应区域中的注册概率，对其他区域中的注册概率的预估可能存在偏差。
在一些实施例中，上述注册概率预估方法还包括如下步骤：基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
在具体实施时，可以利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
上述单位注册转化率是指未注册的服务提供端，在单位的服务资源作用下，增加的注册概率。在具体实施时，上述公式还可以变形为：
g＝(Pn-P)×LTV/Fn
式中，LTV表示未注册的服务提供端的长期客户价值。
上述长期客户价值包括服务提供端使用网约车带来的平台效益。由于网约车平台获取得到的未注册的服务提供端的数据信息有限，因此这里可以利用与未注册的服务提供端相关联的已注册的服务提供端的数据信息，确定未注册的服务提供端的长期客户价值。在具体实施时，基于与未注册的服务提供端相关联的已注册的服务提供端的长期客户价值，确定未注册的服务提供端的长期客户价值。
当然，在确定未注册的服务提供端的长期客户价值时，还可以基于未注册服务提供端与与其相关联的已注册的服务提供端的关联系数来确定。在具体实施时，可以利用如下公式确定未注册的服务提供端的长期客户价值：
T＝T1×a1+T2×a2+…+Tn×am
式中，T表示未注册的服务提供端的长期客户价值；T1表示第一个与未注册的服务提供端相关联的已注册的服务提供端的长期客户价值；a1表示未注册的服务提供端与与其相关联的第一个已注册的服务提供端的关联系数；T2表示第二个与未注册的服务提供端相关联的已注册的服务提供端的长期客户价值；a2表示未注册的服务提供端与与其相关联的第二个已注册的服务提供端的关联系数；Tm表示第m个与未注册的服务提供端相关联的已注册的服务提供端的长期客户价值；am表示未注册的服务提供端与与其相关联的第m个已注册的服务提供端的关联系数。
上述关联系数是一个小于1的值，并且所有与未注册的服务提供端相关联的已注册的服务提供端的关联系数的和为1。
在一些实施例中，如图6所示，在确定了未注册的服务提供端在每种激励资源信息作用下，进行注册操作的概率，和未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率的情况下，可以利用如下步骤为未注册的服务提供端推送激励资源信息：
S610、基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息。
这里的目标激励资源信息是指能够获得较高的单位注册转化率以及较高的执行注册操作的概率的激励资源信息。
当然，这里的目标激励资源信息也可以是能够获得最高的单位注册转化率的激励资源信息。
S620、将选取的所述目标激励资源信息推送给未注册的服务提供端。
图7是示出本申请的一些实施例的概率预估模型构建方法，该方法构建的模型即是上述实施例中建立的多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式，与每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系。具体的，概率预估模型构建方法包括：
S710、获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，和每个服务提供端得到每种激励资源信息的信息获取方式。
S720、获取每个服务提供端在每种激励资源信息作用下的注册结果数据。
S730、基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率。
S740、将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
在具体实施时，可以利用XGBoost构建概率预估模型。
应当说明的是，上述概率预估模型是基于位于预定区域范围内的多个服务提供端的服务特征数据、信息获取方式以及注册结果数据构建的。对于不同的消费水平和消费习惯的区域可以分别利用上述方法构建对应的概率预估模型。
图8是示出本申请的一些实施例的注册概率预估装置的框图，该注册概率预估装置实现的功能对应上述注册概率预估方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，注册概率预估装置可以包括目标判定模块800、信息获取模块810、概率预测模块820。
目标判定模块800可以用于基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端。
信息获取模块810可以用于在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式。
概率预测模块820可以用于基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
在一些实施例中，目标判定模块800具体用于：
基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；
在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
在一些实施例中，所述信息获取模块810包括：
关联用户确定子模块8101，用于获取与未注册的服务提供端有关联的至少一个已注册的服务提供端。
服务特征数据获取子模块8102，用于基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一些实施例中，所述服务特征数据获取子模块8102具体用于：
获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数；
基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
在一些实施例中，已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
在一些实施例中，所述概率预测模块820包括：
对应关系获取子模块8201，用于获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式；
概率预测子模块8202，用于基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
在一些实施例中，注册概率预估装置还包括：
历史数据获取模块830，用于获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据；
概率确定模块840，用于基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
对应关系确定模块850，用于将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
在一些实施例中，所述历史样本数据为预定区域范围内的数据；所述未注册的服务提供端位于所述预定区域范围内。
在一些实施例中，注册概率预估装置还包括：
转化率确定模块860，用于基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
所述转化率确定模块利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
在一些实施例中，注册概率预估装置还包括：
激励资源信息选择模块870，用于基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息；
激励资源信息推送模块880，用于将选取的所述目标激励资源信息推送给未注册的服务提供端。
图9是示出本申请的一些实施例的概率预估模型构建装置的框图，该概率预估模型构建装置实现的功能对应上述概率预估模型构建方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，概率预估模型构建装置可以包括特征信息获取模块910、结果数据获取模块920、概率获取模块930、模型建立模块940。
特征信息获取模块910可以用于获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，和每个服务提供端得到每种激励资源信息的信息获取方式。
结果数据获取模块920可以用于获取每个服务提供端在每种激励资源信息作用下的注册结果数据。
概率获取模块930可以用于基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率。
模型建立模块940可以用于将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
上述多个服务提供端位于预定区域范围内。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
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任一实施例中的注册概率预估方法的步骤，或执行上述任一实施例中的概率预估模型构建方法的步骤。
本申请实施例还提供了一种计算机程序产品，其包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
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计算机设备(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 (28)

1.一种注册概率预估方法，其特征在于，包括：
基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端；
在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式；
基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
2.根据权利要求1所述的方法，其特征在于，所述判定所述未注册的服务提供端是否为目标服务提供端，包括：
基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；
在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括获取未注册的服务提供端对应的服务特征数据的步骤：
获取与未注册的服务提供端有关联的至少一个已注册的服务提供端；
基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
4.根据权利要求3所述的方法，其特征在于，所述基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据，包括：
获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数；
基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
5.根据权利要求1所述的方法，其特征在于，所述已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
6.根据权利要求1所述的方法，其特征在于，所述基于获取的所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，包括：
获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式；
基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
7.根据权利要求6所述的方法，其特征在于，还包括建立历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系的步骤：
获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据；
基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
8.根据权利要求6所述的方法，其特征在于，所述历史样本数据为预定区域范围内的数据；所述未注册的服务提供端位于所述预定区域范围内。
9.根据权利要求1所述的方法，其特征在于，还包括：
基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
10.根据权利要求9所述的方法，其特征在于，所述方法利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
11.根据权利要求9所述的方法，其特征在于，还包括：
基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息；
将选取的所述目标激励资源信息推送给未注册的服务提供端。
12.一种概率预估模型构建方法，其特征在于，包括：
获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，每个服务提供端得到每种激励资源信息的信息获取方式，和每个服务提供端在每种激励资源信息作用下的注册结果数据；
基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
13.根据权利要求12所述的方法，其特征在于，所述多个服务提供端位于预定区域范围内。
14.一种注册概率预估装置，其特征在于，包括：
目标判定模块，用于基于获取的未注册的服务提供端对应的服务特征数据，判定所述未注册的服务提供端是否为目标服务提供端；
信息获取模块，用于在所述未注册的服务提供端为目标服务提供端的情况下，获取所述未注册的服务提供端得到每种激励资源信息的信息获取方式；
概率预测模块，用于基于所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息的作用下，执行注册操作的概率。
15.根据权利要求14所述的装置，其特征在于，所述目标判定模块具体用于：
基于所述未注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端的承接指数；
在所述承接指数大于预定数值的情况下，判定所述未注册的服务提供端为目标服务提供端。
16.根据权利要求14所述的装置，其特征在于，所述信息获取模块包括：
关联用户确定子模块，用于获取与未注册的服务提供端有关联的至少一个已注册的服务提供端；
服务特征数据获取子模块，用于基于获取的所述至少一个已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
17.根据权利要求16所述的装置，其特征在于，所述服务特征数据获取子模块具体用于：
获取每个所述已注册的服务提供端与所述未注册的服务提供端的关联系数；
基于获取的每个关联系数，和每个关联系数对应的已注册的服务提供端对应的服务特征数据，确定所述未注册的服务提供端对应的服务特征数据。
18.根据权利要求17所述的装置，其特征在于，所述已注册的服务提供端对应的服务特征数据包括以下至少一项：
所述已注册的服务提供端，在注册之前承接出行订单的数量；所述已注册的服务提供端，在注册之前承接出行订单的总收益；所述已注册的服务提供端，在注册之前承接出行订单的总里程；所述已注册服务提供端，在注册之前承接出行订单的评价指数。
19.根据权利要求14所述的装置，其特征在于，所述概率预测模块包括：
对应关系获取子模块，用于获取历史样本数据，与历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率的对应关系；所述历史样本数据包括多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据和信息获取方式；
概率预测子模块，用于基于获取的所述对应关系，和所述未注册的服务提供端对应的服务特征数据和信息获取方式，确定所述未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率。
20.根据权利要求19所述的装置，其特征在于，还包括：
历史数据获取模块，用于获取历史样本数据中的每个服务提供端在每种激励资源信息作用下的注册结果数据；
概率确定模块，用于基于获取的所述注册结果数据，确定历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
对应关系确定模块，用于将历史样本数据中的每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立所述对应关系。
21.根据权利要求20所述的装置，其特征在于，所述历史样本数据为预定区域范围内的数据；所述未注册的服务提供端位于所述预定区域范围内。
22.根据权利要求14所述的装置，其特征在于，还包括：
转化率确定模块，用于基于每种激励资源信息，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，确定未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率。
23.根据权利要求22所述的装置，其特征在于，所述转化率确定模块利用如下公式确定所述单位注册转化率：
g＝(Pn-P)/Fn
式中，g表示所述单位注册转化率；Pn表示在第n种激励资源信息的作用下，未注册的服务提供端进执行注册操作的概率，Fn表示所述第n种激励资源信息，P表示在没有激励资源信息作用下，未注册的服务提供端执行注册操作的概率；其中，n为正整数。
24.根据权利要求22所述的装置，其特征在于，还包括：
激励资源信息选择模块，用于基于未注册的服务提供端在每种激励资源信息作用下，对应的单位注册转化率，和未注册的服务提供端在每种激励资源信息作用下，执行注册操作的概率，从所述每种激励资源信息中选取目标激励资源信息；
激励资源信息推送模块，用于将选取的所述目标激励资源信息推送给未注册的服务提供端。
25.一种概率预估模型构建装置，其特征在于，包括：
特征信息获取模块，用于获取多个服务提供端中的每个服务提供端在未注册时对应的服务特征数据，和每个服务提供端得到每种激励资源信息的信息获取方式；
结果数据获取模块，用于获取每个服务提供端在每种激励资源信息作用下的注册结果数据；
概率获取模块，用于基于获取的所述注册结果数据，确定每个服务提供端在每种激励资源信息作用下执行注册操作的概率；
模型建立模块，用于将每个服务提供端在每种激励资源信息作用下执行注册操作的概率，与对应的服务提供端的服务特征数据和信息获取方式建立对应关系。
26.根据权利要求25所述的装置，其特征在于，所述多个服务提供端位于预定区域范围内。
27.一种电子设备，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，以执行时执行如权利要求1至11任一所述的注册概率预估方法的步骤，或执行如权利要求12或13所述的概率预估模型构建方法的步骤。
28.一种计算机可读存储介质，其特征在于，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如权利要求1至11任一所述的注册概率预估方法的步骤，或执行如权利要求12或13所述的概率预估模型构建方法的步骤。
CN201811458052.8A 2018-11-30 2018-11-30 注册概率预估方法及装置、概率预估模型构建方法及装置 Active CN111260383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811458052.8A CN111260383B (zh) 2018-11-30 2018-11-30 注册概率预估方法及装置、概率预估模型构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811458052.8A CN111260383B (zh) 2018-11-30 2018-11-30 注册概率预估方法及装置、概率预估模型构建方法及装置

Publications (2)

Publication Number Publication Date
CN111260383A true CN111260383A (zh) 2020-06-09
CN111260383B CN111260383B (zh) 2023-08-29

Family

ID=70951853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811458052.8A Active CN111260383B (zh) 2018-11-30 2018-11-30 注册概率预估方法及装置、概率预估模型构建方法及装置

Country Status (1)

Country Link
CN (1) CN111260383B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793195A (zh) * 2021-08-25 2021-12-14 深圳依时货拉拉科技有限公司 网约车订单处理方法、装置、计算机设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163445A (ja) * 2000-11-29 2002-06-07 Daiwa Securities Group Inc 顧客登録システム
JP2016162358A (ja) * 2015-03-04 2016-09-05 Ｌｉｎｅ株式会社 サーバ、サーバの制御方法およびプログラム
CN107369052A (zh) * 2017-08-29 2017-11-21 北京小度信息科技有限公司 用户注册行为预测方法、装置及电子设备
CN107545444A (zh) * 2016-06-23 2018-01-05 腾讯科技（深圳）有限公司 一种业务广告数据推荐方法以及装置
CN107862556A (zh) * 2017-12-04 2018-03-30 北京奇艺世纪科技有限公司 一种vip广告的投放方法和系统
CN108805601A (zh) * 2018-04-03 2018-11-13 阿里巴巴集团控股有限公司 一种识别用户、账号注册的方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163445A (ja) * 2000-11-29 2002-06-07 Daiwa Securities Group Inc 顧客登録システム
JP2016162358A (ja) * 2015-03-04 2016-09-05 Ｌｉｎｅ株式会社 サーバ、サーバの制御方法およびプログラム
CN107545444A (zh) * 2016-06-23 2018-01-05 腾讯科技（深圳）有限公司 一种业务广告数据推荐方法以及装置
CN107369052A (zh) * 2017-08-29 2017-11-21 北京小度信息科技有限公司 用户注册行为预测方法、装置及电子设备
CN107862556A (zh) * 2017-12-04 2018-03-30 北京奇艺世纪科技有限公司 一种vip广告的投放方法和系统
CN108805601A (zh) * 2018-04-03 2018-11-13 阿里巴巴集团控股有限公司 一种识别用户、账号注册的方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113793195A (zh) * 2021-08-25 2021-12-14 深圳依时货拉拉科技有限公司 网约车订单处理方法、装置、计算机设备及可读存储介质
CN113793195B (zh) * 2021-08-25 2024-03-15 深圳依时货拉拉科技有限公司 网约车订单处理方法、装置、计算机设备及可读存储介质

Also Published As

Publication number Publication date
CN111260383B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN112819576B (zh) 充电站推荐模型的训练方法、装置、及充电站的推荐方法
CN104599002B (zh) 预测订单价值的方法及设备
WO2021243568A1 (en) Multi-objective distributional reinforcement learning for large-scale order dispatching
CN110782301A (zh) 一种拼单方法、装置、电子设备及计算机可读存储介质
CN111275470B (zh) 服务发起概率预测方法及其模型的训练方法和装置
CN108806302A (zh) 一种车辆调度方法及装置
CN111433795A (zh) 一种确定线上到线下服务的预估到达时间的系统和方法
CN111192090A (zh) 航班的座位分配方法、装置、存储介质和电子设备
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN112561285A (zh) 网点的推荐方法、装置、电子设备及计算机可读存储介质
CN111292105A (zh) 一种业务需求确定方法以及装置
CN112579910A (zh) 信息处理方法、信息处理装置、存储介质和电子设备
CN110750709A (zh) 一种服务推荐方法及装置
CN111275229B (zh) 资源模型训练方法、资源缺口预测方法、装置及电子设备
Liu et al. Stochastic one-way carsharing systems with dynamic relocation incentives through preference learning
CN112287503B (zh) 用于交通需求预测的动态空间网络构建方法
US11507896B2 (en) Method and system for spatial-temporal carpool dual-pricing in ridesharing
CN111260383A (zh) 注册概率预估方法及装置、概率预估模型构建方法及装置
CN111859289B (zh) 交通工具的交易转化率预估方法、装置、电子设备及介质
CN111798283A (zh) 订单派发方法、装置、电子设备及计算机可读存储介质
CN111612183A (zh) 信息处理方法、装置、电子设备及计算机可读存储介质
CN111242711A (zh) 信息提示方法、装置、电子设备和存储介质
CN111262716A (zh) 注册概率预估方法及装置、概率预估模型构建方法及装置
CN111292106A (zh) 一种业务需求影响因素确定方法以及装置

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