CN111695919A - 评价数据处理方法、装置、电子设备及存储介质 - Google Patents
评价数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111695919A CN111695919A CN201910181867.4A CN201910181867A CN111695919A CN 111695919 A CN111695919 A CN 111695919A CN 201910181867 A CN201910181867 A CN 201910181867A CN 111695919 A CN111695919 A CN 111695919A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- evaluated
- preset
- sample
- question
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 376
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- -1 commodities Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
Abstract
本申请提供了一种评价数据处理方法、装置、电子设备及存储介质,涉及数据处理技术领域。该方法包括获取样本对象的特征信息,样本对象包括:待评价方和/或评价方;根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,计算模型为根据预设时间段内的样本特征信息及待评价对象多个预设评价问题的历史评价结果训练获得;根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题。实现了通过样本对象的多个历史特征信息综合进行评估,结合待评价对象评价问题的实际评价结果来预测回答概率,有效提高了评价数据处理效率及准确性,使得平台维护与优化更加便利。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种评价数据处理方法、装置、电子设备及存储介质。
背景技术
目前,各种服务类应用平台因其存在较好的便利性得到了迅速发展,通常在完成每次服务后,被服务方和服务方均可以为对方做出评价,对于平台来说,根据评价结果可以及时获取评价信息,从而提高服务平台的服务质量,也可对用户进行优化。
现有的评价方式可以包含以下两种:一是在服务结束后,平台随机弹出问题,用户根据自己意愿选择预设选项;另一种是五星评价,用户可以任意选择1-5星作为评价,并根据选择星级的不同,在给出的评价标签中选择一个或多个进行评价。
但是,上述现有评价方式中,平台提供的选项或标签均是根据大数据或者开发商经验建立,与实际被评价对象没有关联,导致评价方做出评价的意愿较低,会发生误评或是放弃评价的情况,从而平台收集到的有效评价数据也相对较少。
发明内容
有鉴于此,本申请实施例的目的在于提供一种评价数据处理方法、装置、电子设备及存储介质,以解决现有技术中存在的评价问题不具有针对性,平台收集有效评价数据较少的问题。
第一方面,本申请实施例提供了一种评价数据处理方法,该方法包括:
获取样本对象的特征信息,该样本对象包括:待评价方和/或评价方;
根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,计算模型为根据预设时间段内的样本特征信息及待评价对象多个预设评价问题的历史评价结果训练获得;
根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题。
在一些实施例中,样本对象的特征信息包括:样本对象的历史特征信息和当前服务的特征信息。
在一些实施例中,根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率之前,还包括:
采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果;
根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率;
根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系;
根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型。
在一些实施例中,根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型,包括:
根据特征信息与预设评价问题的预测回答概率的映射关系,将特征信息划分为正样本和负样本,其中,正样本中的特征信息对应预设评价问题的负向回答概率,负样本中的特征信息对应预设评价问题的正向回答概率;
根据正样本及负样本,训练获取计算模型。
在一些实施例中,根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题,包括:
根据多个预设评价问题的预测回答概率,确定待评价对象的预测回答概率最大值对应的评价问题为待评价对象的待推送评价问题。
在一些实施例中,根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
采用预设算法,对样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息;
根据离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
采用预设规则,将离散的特征信息进行组合,获取目标组合特征;
根据离散的特征信息、目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,采用预设规则,将离散的特征信息进行组合,获取目标组合特征,包括:
根据预设的特征相关性,将离散的特征信息进行组合,获取目标组合特征。
在一些实施例中,根据预设评价问题的预测回答概率,确定样本对象的待推送评价问题之后,还包括:
向评价方终端发送待评价对象的待推送评价问题。
第二方面,本申请实施例提供了一种评价数据处理装置,包括:获取模块、计算模块及确定模块;
获取模块,用于获取样本对象的特征信息,样本对象包括:待评价方和/或评价方;计算模块,用于根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,计算模型为根据预设时间段内的样本特征信息及待评价对象多个预设评价问题的历史评价结果训练获得;确定模块,用于根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题。
在一些实施例中,样本对象的特征信息包括:样本对象的历史特征信息和当前服务的特征信息。
在一些实施例中,还包括:建立模块及训练模块;
获取模块,还用于采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果;根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率;建立模块,用于根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系;训练模块,用于根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型。
在一些实施例中,训练模块,具体用于根据特征信息与预设评价问题的预测回答概率的映射关系,将特征信息划分为正样本和负样本,其中,正样本中的特征信息对应预设评价问题的负向回答概率,负样本中的特征信息对应预设评价问题的正向回答概率;根据正样本及负样本,训练获取计算模型。
在一些实施例中,确定模块,具体用于根据多个预设评价问题的预测回答概率,确定待评价对象的预测回答概率最大值对应的评价问题为待评价对象的待推送评价问题。
在一些实施例中,建立模块,具体用于采用预设算法,对样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息;根据离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,建立模块,具体用于采用预设规则,将离散的特征信息进行组合,获取目标组合特征;根据离散的特征信息、目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,建立模块,具体用于根据预设的特征相关性,将离散的特征信息进行组合,获取目标组合特征。
在一些实施例中,还包括:推送模块;推送模块,用于向评价方终端发送待评价对象的待推送评价问题。
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,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行时执行如第一方面或第二方面中提供的评价数据处理方法的步骤。
第四方面,本申请实施例提供了一种存储介质,该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第一方面或第二方面提供的评价数据处理方法的步骤。
基于上述任一方面,本申请实施例提供的评价数据处理方法,能够采用样本对象的预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,训练计算模型,根据样本对象的特征信息及训练好的计算模型,计算各待评价对象每个预设评价问题的预测回答概率,从而根据预测回答概率确定待评价对象对应的待推送问题。实现了通过样本对象的多个历史特征信息综合进行评估,结合待评价对象评价问题的实际评价结果来预测回答概率,从而确定更合适的问题进行评价,有效提高了评价数据处理效率及准确性,使得平台维护与优化更加便利。
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是本申请一些实施例的评价数据处理系统的框图;
图2示出了本申请的一些实施例的电子设备的示例性硬件和软件组件的示意图;
图3示出了本申请实施例提供的一种评价数据处理方法流程示意图;
图4示出了本申请实施例提供的另一种评价数据处理方法流程示意图;
图5示出了本申请实施例提供的又一种评价数据处理方法流程示意图;
图6示出了本申请实施例提供的另一种评价数据处理方法流程示意图;
图7示出了本申请实施例提供的又一种评价数据处理方法流程示意图;
图8示出了本申请实施例提供的一种评价数据处理装置结构示意图;
图9示出了本申请实施例提供的另一种评价数据处理装置结构示意图;
图10示出了本申请实施例提供的又一种评价数据处理装置结构示意图;
图11示出了本申请实施例提供的又一种评价数据处理装置结构示意图。
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“网约车服务”,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服务进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于其他服务平台,例如,用于发送和/或接收快递的系统、用于买卖双方交易的服务系统、订外卖等服务中。
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“评价方”和“待评价方”可互换使用,评价方可以指代可以请求或订购服务的个人、实体或工具,也可以指代可以提供服务或接收请求的个人、实体或工具。本申请中的术语“司机”和“乘客”也可互换使用。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。
在本申请提出申请之前,现有的技术方案为:一是在服务结束后,平台随机弹出问题,用户根据自己意愿选择预设选项;另一种是五星评价,用户可以任意选择1-5星作为评价,并根据选择星级的不同,在给出的评价标签中选择一个或多个进行评价。
其所导致的技术问题为:平台提供的选项或标签均是根据大数据或者开发商经验建立,与实际被评价对象没有关联,导致评价方做出评价的意愿较低,会发生误评或是放弃评价的情况,从而平台收集到的有效评价数据也相对较少。
为了解决上述技术问题,本发明实施例提供一种评价问题处理方法。其改进点在于:通过样本对象的历史特征信息及评价问题的实际评价结果,训练模型,利用训练好的模型,计算待评价对象各评价问题的预测回答概率,从而确定待评价对象的待推送问题。下面通过可能的实现方式对本发明的技术方案进行说明。
图1是本申请一些实施例的评价数据处理系统的框图。例如,评价数据处理系统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。评价数据处理系统100可以包括服务器110、网络120、评价方终端130、待评价方终端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访问存储在评价方终端130、待评价方终端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可以直接连接到评价方终端130、待评价方终端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(communitycloud)、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,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 Specific Integrated 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 ProgrammableGate 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,评价数据处理系统100中的一个或多个组件(例如,服务器110,评价方终端130,待评价方终端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从评价方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,评价数据处理系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,评价方终端130的用户可以是除服务实际需求者之外的其他人。例如,评价方终端130的用户A可以使用评价方终端130来为服务实际需求者B发起服务请求(比如,用户A可以为自己的朋友B叫车),或者从服务器110接收服务信息或指令等。在一些实施例中,待评价方终端140的用户可以是服务实际提供者,也可以是除服务实际提供者之外的其他人。例如,待评价方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单),和/或来自服务器110的信息或指令。在一些实施例中,“评价方”和“评价方终端”可以互换使用,“待评价方”和“待评价方终端”可以互换使用。
在一些实施例中,评价方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备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,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、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。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(Personal DigitalAssistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。
在一些实施例中,待评价方终端140可以是与评价方终端130类似或相同的设备。在一些实施例中,待评价方终端140可以是具有定位技术的设备,用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中,评价方终端130和/或待评价方终端140可以与其他定位设备通信以确定评价方、评价方终端130、待评价方、或待评价方终端140、或其任意组合的位置。在一些实施例中,评价方终端130和/或待评价方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从评价方终端130和/或待评价方终端140获得的数据。在一些实施例中,数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic Random AccessMemory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDRSDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-BasedRandom Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。在一些实施例中,数据库150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、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与评价数据处理系统100(例如,服务器110,评价方终端130,待评价方终端140等)中的一个或多个组件通信。评价数据处理系统100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可以直接连接到评价数据处理系统100中的一个或多个组件(例如,服务器110,评价方终端130,待评价方终端140等);或者,在一些实施例中,数据库150也可以是服务器110的一部分。
在一些实施例中,评价数据处理系统100中的一个或多个组件(例如,服务器110,评价方终端130,待评价方终端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,评价数据处理系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、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。
在一些实施例中,可以通过请求服务来实现评价数据处理系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中,产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等,或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等,或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等,或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等,或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant,PDA)、智能手表、销售点(Point of sales,POS)设备、车载电脑、车载电视、或可穿戴设备等,或其任意组合。例如,互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等,或其任意组合。在一些实施例中,与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中。
图2示出了本申请的一些实施例的电子设备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评价问题处理方法。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示出了本申请实施例提供的一种评价数据处理方法流程示意图,该方法包括:
S101、获取样本对象的特征信息,该样本对象包括:待评价方和/或评价方。
需要说明的是,在本申请实施例中,样本对象可以是单独的待评价方、也可以是单独的评价方,还可以是待评价方和评价方。以打车服务为例:待评价方可以是司机,评价方可以是乘客,在乘客完成一次乘车服务后,其付款完成后,可以根据乘客终端弹出的评价问题对司机的本次服务进行评价。可选地,上述的评价方和待评价方身份可以互换,待评价方可以是乘客,评价方可以是司机,司机也可以根据司机终端弹出的评价问题,对乘客此处乘车的行为进行评价,服务平台可以根据司机或是乘客的评价结果,对司机的服务进行优化,提升服务质量,同时也可以对乘客进行筛选,对于乘车过程中有不良行为的乘客,可以进行相应的乘车限制,从而对服务平台进行有效维护。
可选地,还以打车服务为例:在乘客发送服务请求后,司机接收请求,并提供服务,服务器可以根据司机及乘客的标识信息,从服务器后台数据库中获取与该司机和乘客相对应的特征信息。其中,标识信息可以是用户终端的标识(ID)或是终端编码。
可选地,本申请提供的方法不限于应用于打车服务中,在不同的应用场景中,评价方与待评价方可以不同。以送外卖服务为例:评价方可以是买家,待评价方可以是外卖骑手或是外卖商家,或者评价方可以为外卖骑手或是外卖商家,而待评价方可以为买家;以房屋合租为例:评价方可以是租客,待评价方可以是房东,或者评价方可以是房东,待评价方可以是租客等,本申请中不做具体限制,针对不同的应用场景,获取的样本对象的特征信息可以不同,具体根据实际需要进行获取。
S102、根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率。
其中,计算模型为根据预设时间段内的样本特征信息及待评价对象多个预设评价问题的历史评价结果训练获得。
上述获取到样本对象的特征信息后,服务器可以根据训练获取的计算模型,计算出待评价对象针对不同预设评价问题的预测回答概率。
需要说明的是,上述计算模型可以根据服务器获取到的样本对象的历史特征信息及待评价对象针对多个预设评价问题的历史实际评价结果训练获得。假设待评价对象为A司机,要确定A司机的待评价问题,可以获取A司机在过去的7天或是14天或是30天等任意一段天数内的相关服务数据及被评价数据等。另外,除了获取A司机过去一段时间的相关服务数据外,还可以获取A司机在该时间段内服务的乘客的特征信息,可选地,乘客可以存在多个,对任意一个客户,同样的,获取该乘客在预设时间段内的乘车数据及投诉数据等,可以将上述获取到的A司机的相关数据、乘客的相关数据和一些实时特征进行综合,来对计算模型进行训练。
需要说明的是,在一次司乘服务中,针对某一评价问题,司机得到的评价结果可以仅与司机的特征信息相关,例如:司机A生活习惯邋遢,则,其车内环境较差的可能性就比较大,当该司机对应的评价问题为车内环境是否较差时,其得到“是”的概率就相对较大。而在一些情况中,例如:乘客B出于某种原因,不论乘坐的车内环境好坏,其均喜欢评价环境价差,那么,当司机A接收乘客B的服务请求后,在服务结束后,司机对应的评价问题为车内环境是否较差时,司机A得到“是”的概率就会增大。将评价方与待评价方的特征信息进行综合,其得到的评价结果相对更为准确。
另外,还需要获取各待评价对象多个预设评价问题的历史评价结果,可选地,对司机A在预设时间段内完成的订单获得的评价结果进行获取,根据上述的样本对象的特征信息及该多个评价结果,对模型进行训练。
需要说明的是,上述多个评价结果为司机在历史时刻的评价问题的真实评价结果,其对于模型的训练具有较好的指导性。
S103、根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题。
上述通过样本对象的特征信息及计算模型,计算获取到待评价对象预设评价问题的预测回答概率,该预设评价问题可以是服务器后台数据库中存储的多个评价问题,针对每个评价问题,采用上述计算模型,计算其预测回答概率。
需要说明的是,上述预测回答概率可以表示针对某一评价问题,服务器想要得到的期望回答的概率,为了根据评价结果对服务平台进行优化升级,通常通过该期望回答一定程度上可以获知待评价对象的一些较差行为,从而有助于平台进行优化。可选地,针对不同的问题,其想要的期望回答是不同的,可以是正向回答,也可以是负向回答。例如:司机在驾车期间是否抽烟了,其对应的期望回答为“是”;司机在驾车期间没有抽烟,其对应的期望回答是“否”;司机车内环境整洁吗,其对应的期望回答为“否”;司机车内环境较差吗,其对应的期望回答为“是”等,具体地,每类评价问题的预测回答概率根据评价问题的问题方式,可以存在不同。
可选地,通过上述计算可以获取到待评价对象针对数据库中存储的任意一评价问题的预测回答概率,预测回答概率越大,其对应的待评价乘客与该预测回答概率对应的评价问题的相关性越大,例如:司机A针对问题“司机在驾车过程中抽烟吗”计算得到的预测概率最大,则该司机所服务的乘客在完成订单后,给予司机该评价问题差评的概率越大,那么该司机在驾车过程中经常抽烟的可能性也较大。将其作为该司机对应的待推送问题,相对来说具有一定的针对性,乘客评价的意愿也相对较高,并且服务器获取到的评价结果也相对较准确,对于平台的优化升级指导意义也较高。现假设待评价对象有5个评价问题:A、B、C、D、E,问题A对应的预测回答概率为30%,问题B对应的预测回答概率为36%,问题C对应的预测回答概率为48%,问题D对应的预测回答概率为66%,问题E对应的预测回答概率为79%,则确定问题E为该待评价对象的待推送问题。
本申请实施例提供的评价数据处理方法,能够采用样本对象的预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,训练计算模型,根据样本对象的特征信息及训练好的计算模型,计算各待评价对象每个预设评价问题的预测回答概率,从而根据预测回答概率确定待评价对象对应的待推送问题。实现了通过样本对象的多个历史特征信息综合进行评估,结合待评价对象评价问题的实际评价结果来预测回答概率,进而确定更合适的问题,有效提高了评价数据处理效率及准确性,使得平台维护与优化更加便利。
进一步地,样本对象的特征信息包括:样本对象的历史特征信息和当前服务的特征信息。
可选地,样本对象的特征信息还可以包括当前服务的特征数据,也即当前服务订单的实时特征。还以上述的打车服务为例:由于乘客在对司机进行评价时,不仅会受客观因素影响,也可能受主观因素影响,例如,当前服务的一些实时特征等,例如:司机接驾距离、订单时长、等待时长、订单费用等。当司机接驾距离较远,乘客等待时间过长时,乘客心情一定程度上会被影响,当司机的评价问题为“司机接驾很快吗”,该乘客给司机评价问题的回答偏向差评的概率较大,即司机接驾很慢,而该司机通常情况下均是很快到达目的地接驾的,其并无刻意接驾慢的问题,这样,乘客的回答可能与实际情况不符,从而影响了平台对司机的判断。
可选地,将样本对象的特征信息与当前服务的特征信息进行共同作为特征进行模型训练,其对于后期模型计算的准确性有较好的提高。
图4示出了本申请实施例提供的另一种评价数据处理方法流程示意图;进一步地,根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率之前,还包括:
S201、采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果。
需要说明的是,在利用计算模型,计算待评价对象不同预设评价问题的预测回答概率之前,先要对计算模型进行训练,以使其具备相应的计算功能。
可选地,以打车服务为例,假设待评价方为司机,针对不同的司机,获取其在历史预设时间段内的特征信息,其中,特征信息可以包括:被投诉数、被差评数、完单数、司机的年龄、性别、司龄及服务分等,同时获取每个司机在其预设时间段内服务的乘客的特征信息,乘客的特征信息可以包括:投诉数、差评数、完单数、乘客对其他服务平台的使用情况、乘客的年龄、职业、学历等,另外,还获取每个司机在其预设时间段内每个服务订单的服务数据,例如:服务订单的费用、订单时长、接驾距离、等待时长等。
进一步地,获取每个待评价方在其预设时间段内的每个服务订单,其在订单完成后获得的实际评价结果。每个待评价方其样本对象特征信息是不同的,其对应的实际评价结果也不同,其与样本对象特征信息之间存在相关性。
S202、根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率。
可选地,将上述获取的样本对象的历史特征信息作为计算模型的模型输入,通过其与待评价对象不同预设评价问题的评价结果的相关性,可以计算出各待评价对象每个预设评价问题的预测回答概率。
可选地,假设待评价对象为司机A,司机A在其任意一次服务中服务对象为乘客B,该服务结束后,乘客B终端分别弹出问题1、问题2,假设获取到的司机A包含有特征信息a、b、c,乘客B的特征信息有c、d、e及本次服务的服务特征信息为f、g,根据模型计算可得,当司机A拥有特征a、b、c时,乘客B拥有特征c及本次服务特征信息为g时,该司机问题1得到差评,差评的概率为70%,问题2得到差评,差评的概率为88%;当司机A拥有特征b、c时,乘客B拥有特征c及本次服务特征信息为g时,该司机问题1得到好评,其对应差评的概率为20%,问题2得到差评,其差评的概率为88%;当司机A拥有特征b、c时,乘客B拥有特征d及本次服务特征信息为f时,该司机问题1得到好评,其对应差评的概率为30%,问题2得到好评,其对应差评的概率为25%,故可以得出乘客B拥有特征a时,司机A问题1得到预测回答概率相比较大,而司机A拥有特征c及本次服务特征信息为g时,司机问题2得到预测回答概率较大。综上,可以计算出不同样本特征信息对应不同评价问题的预测回答概率。
S203、根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
S204、根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型。
通过上述的分析过程,可以构建特征信息与预设评价问题的预测回答概率的映射关系。
可选地,可以通过创建表格的方式构建特征信息与预设评价问题的预测回答概率的映射关系,服务器后台数据库中存储有特征信息与预设评价问题的预测回答概率的映射关系表,当司机A拥有特征a、b,乘客B拥有特征c、d、当前服务特征信息为g时,待评价对象(可以为司机A,也可以为乘客B)对应问题1的预测回答概率40%,问题2的预测回答概率为60%,问题3的预测回答概率为80%,这样,当获取到司机A的特征a、b,乘客B的特征c、d及当前服务特征信息g时,服务器根据该综合特征信息,从其后台服务器中存储的映射关系表中,查找并获取该待评价对象预设问题的预测回答概率。
可选地,也可以通过设定标签的方式构建特征信息与预设评价问题的预测回答概率的映射关系,本申请不做具体限制。
通过上述构建的映射关系,将特征信息作为模型的输入,将预设评价问题的预测回答概率作为模型的输出,对模型进行训练。
图5示出了本申请实施例提供的又一种评价数据处理方法流程示意图;进一步地,根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型,包括:
S301、根据特征信息与预设评价问题的预测回答概率的映射关系,将特征信息划分为正样本和负样本,其中,正样本中的特征信息对应预设评价问题的负向回答概率,负样本中的特征信息对应预设评价问题的正向回答概率。
具体地,对于不同的评价问题,等比例获取一定数量的正样本和负样本,正样本中的特征信息对应评价问题的负向回答概率,也即,针对某一评价问题,评价方给出差评的概率,而相应的,负样本中的特征信息,对应评价方给出好评的概率,本实施例中对于待评价方得到差评的评价问题的收集,对平台的优化具有一定指导意义。可选地,对于待评价方得到好评的评价问题的收集,对平台的进行人员奖励也具有一定指导意义。
S302、根据正样本及负样本,训练获取计算模型。
上述将获取到的样本对象的历史特征信息进行分类,即相应的分为正样本特征信息及负样本特征信息,将该分类结果作为训练参数,对上述计算模型进行训练,以使得利用该训练后的计算模型,可以对输入的待评价对象的特征信息进行准确分类,并相应获取其评价问题的预测负向回答概率。
可选地,本申请中,采用的计算模型可以为对数线性模型,其能较好的解决输入变量混杂的问题,即当模型中输入的特征信息种类较多时,其也能较好的进行概率预测。当然,本申请中计算模型不限于采用对数线性模型,也可以根据实际参数进行选择,此处不做具体限制。
进一步地,根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题,可以包括:根据多个预设评价问题的预测回答概率,确定待评价对象的预测回答概率最大值对应的评价问题为待评价对象的待推送评价问题。
上述通过计算模型及样本对象的特征信息,可以计算出待评价对象每个评价问题的预测回答概率,假设数据库中存储有20个问题,利用该计算模型,可以分别计算出待评价对象针对该20个评价问题的预测回答概率,而预测回答概率最大值对应的评价问题,可以作为该待评价对象获得差评最多的评价问题被服务器进行推送。
需要说明的是,待评价对象获得差评最多的评价问题,一定程度上说明了该待评价对象在进行服务或是享受服务的过程中,容易存在该问题,将该问题进行推送,这样,当完成服务后,评价方发现该待评价方在此次服务中存在该问题,其评价意愿也相对较高,评价结果相对较准确,便于平台获取到有意义的评价数据。
图6示出了本申请实施例提供的另一种评价数据处理方法流程示意图;进一步地,根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
S401、采用预设算法,对样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息。
通常,上述进行样本对象历史特征信息采集时,采集到的特征信息中总会存在因某些因素干扰模型训练的异常特征,例如:司机在进行应用软件注册时,不想将真实年龄暴漏,其随意填写,导致可能存在几百岁年龄的司机,属于异常信息,这样,将该司机的特征信息输入模型进行模型训练时,就会对模型的正常训练造成干扰,导致训练结果不准确。在采集到特征信息后,先对这些特征信息进行处理,将一定程度上提高模型的计算准确度。
可选地,可以对上述样本对象的特征信息进行离散化处理,即将采集到的每一个原始特征信息离散化为N个,N为大于0的整数。离散化可以有效地克服数据中隐藏的缺陷,使训练出的模型结构更加稳定。例如,数据中的极端值是影响模型效果的一个重要因素,极端值导致模型参数过高或过低,或导致模型被异常数据干扰,把原来不存在的关系作为重要模式来学习。而离散化,尤其是等距离散,可以有效地减弱极端值和异常值的影响。例如,针对年龄特征,可以将年龄分为多个特征区间:20岁~30岁之间,30岁~40岁之间,40岁~50岁之间,50岁~60岁之间,大于60岁等。这样,当采集到的某样本对象的年龄为300岁,则可以将其划分为大于60岁这个特征中,而不会直接采用300岁这个特征,对模型造成较大干扰。
S402、根据离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
利用上述离散化后的样本对象的特征信息及各待评价对象不同预设评价问题的评价结果,建立出优化后的特征信息与预设评价问题的预测回答概率的映射关系,从而使得训练出的计算模型计算准确性更高,计算得到的数据更具参考价值。
图7示出了本申请实施例提供的又一种评价数据处理方法流程示意图;进一步地,根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
S501、采用预设规则,将离散的特征信息进行组合,获取目标组合特征。
需要说明的是,在进行样本对象特征信息采集时,有些特征可以直接采集,而有些特征可以通过多个特征进行组合来获取,通过特征组合来获取,一定程度上可以降低特征信息采集的复杂度,加快采集效率。
例如:假设已经获取到样本对象的特征信息有:被差评数及完单数,将该两个特征进行组合,可以直接得到被差评率,而无需去从大量历史数据中获取。可选地,可以根据不同的组合规则,将多个单独特征进行组合,以获取期望的特征信息。
S502、根据离散的特征信息、目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
通过将上述离散化的特征信息,按照预设的组合规则进行组合,获取到目标组合特征,根据该目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,从而加快了模型训练的速度。
进一步地,采用预设规则,将离散的特征信息进行组合,获取目标组合特征,包括:
根据预设的特征相关性,将离散的特征信息进行组合,获取目标组合特征。
可选地,根据需要的特征信息,将上述获取到的多个离散化特征信息进行组合,获取期望的目标特征。
另外,某些单独的特征与评价结果没有直接的相关性,但是交叉之后将得到较好的相关性,例如:司机服务分高或是乘客信用分高,其对应的服务订单得到好评的概率并不一定较大,而将司机服务分与乘客信用分进行交叉,其对应的服务订单得到好评的概率将更大。
需要说明的是,在进行特征组合时,每个单独的特征对于每个评价问题的相关性是不同的,故需要将每个单独特征均与各个评价问题进行匹配,以得到准确的计算概率。例如:司机服务分与司机服务态度好坏有较大的相关性,但其与司机车内是否干净整洁相关性并不大。单纯的根据某一特征去预测所有问题的评价结果,其准确性相对较低。
进一步地,根据预设评价问题的预测回答概率,确定样本对象的待推送评价问题之后,还包括:
向评价方终端发送待评价对象的待推送评价问题。
可选地,通过本申请提供的方法确定出待评价对象的待推送评价问题后,当完成任意一次服务之后,服务器可以将该待评价对象对应的待推送问题发送至待评价对象对应的评价方的终端,以便于评价方对待评价对象进行评价。
可选地,以打车服务为例,评价方为司机时,待评价方可以为乘客,待评价方与评价方也可以进行身份互换,即待评价方可以为司机,评价方可以为乘客。以外卖服务为例,评价方为买家时,待评价方可以为商家、骑手等。本实施例中对于待评价方与待评价方的身份不做限制。
本申请实施例提供的评价数据处理方法,能够采用样本对象的预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,训练计算模型,根据样本对象的特征信息及训练好的计算模型,计算各待评价对象每个预设评价问题的预测回答概率,从而根据预测回答概率确定待评价对象对应的待推送问题。另外,采用离散化处理对获取的特征信息进行优化,提高了计算模型的鲁棒性,同时,对于离散化后的特征信息根据预设规则进行组合,避免了从大量历史数据中获取特征信息,降低了特征信息获取的复杂度,提高了训练效率。综上,本申请提供的方法实现了通过样本对象的多个历史特征信息综合进行评估,结合待评价对象评价问题的实际评价结果来预测回答概率,有效提高了评价数据处理效率及准确性,使得平台维护与优化更加便利。
图8示出了本申请实施例提供的一种评价数据处理装置结构示意图,该评价数据处理装置实现的功能对应上述方法执行的步骤。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8所示,本申请实施例提供了一种评价数据处理装置,包括:获取模块601、计算模块602及确定模块603。
获取模块601,用于获取样本对象的特征信息,样本对象包括:待评价方和/或评价方;计算模块602,用于根据样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,计算模型为根据预设时间段内的样本特征信息及待评价对象多个预设评价问题的历史评价结果训练获得;确定模块603,用于根据预设评价问题的预测回答概率,确定待评价对象的待推送评价问题。
在一些实施例中,样本对象的特征信息包括:样本对象的历史特征信息和当前服务的特征信息。
在一些实施例中,如图9所示,还包括:建立模块604及训练模块605;
获取模块601,还用于采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果;根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率;建立模块604,用于根据样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系;训练模块605,用于根据特征信息与预设评价问题的预测回答概率的映射关系,训练获取计算模型。
在一些实施例中,训练模块605,具体用于根据特征信息与预设评价问题的预测回答概率的映射关系,将特征信息划分为正样本和负样本,其中,正样本中的特征信息对应预设评价问题的负向回答概率,负样本中的特征信息对应预设评价问题的正向回答概率;根据正样本及负样本,训练获取计算模型。
在一些实施例中,确定模块603,具体用于根据多个预设评价问题的预测回答概率,确定待评价对象的预测回答概率最大值对应的评价问题为待评价对象的待推送评价问题。
在一些实施例中,建立模块604,具体用于采用预设算法,对样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息;根据离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,建立模块604,具体用于采用预设规则,将离散的特征信息进行组合,获取目标组合特征;根据离散的特征信息、目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
在一些实施例中,建立模块604,具体用于根据预设的特征相关性,将离散的特征信息进行组合,获取目标组合特征。
在一些实施例中,如图10所示,还包括:推送模块606;推送模块606,用于向评价方终端发送待评价对象的待推送评价问题。
上述装置可用于执行上述方法实施例提供的方法,关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
图11示出了本申请实施例提供的又一种评价数据处理装置结构示意图,如图11所示,该装置包括:处理器701和存储器702,其中:存储器702用于存储程序,处理器701调用存储器702存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
该装置可以集成于终端或服务器等设备,本申请中不作限制。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
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。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。
需要说明的是,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
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 (20)
1.一种评价数据处理方法,其特征在于,包括:
获取样本对象的特征信息,所述样本对象包括:待评价方和/或评价方;
根据所述样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,所述计算模型为根据预设时间段内的样本特征信息及所述待评价对象多个预设评价问题的历史评价结果训练获得;
根据所述预设评价问题的预测回答概率,确定所述待评价对象的待推送评价问题。
2.根据权利要求1所述的方法,其特征在于,所述样本对象的特征信息包括:所述样本对象的历史特征信息和当前服务的特征信息。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述样本对象的特征信息及计算模型,计算获取所述待评价对象不同预设评价问题的预测回答概率之前,还包括:
采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果;
根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率;
根据所述样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系;
根据所述特征信息与预设评价问题的预测回答概率的映射关系,训练获取所述计算模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述特征信息与预设评价问题的预测回答概率的映射关系,训练获取所述计算模型,包括:
根据所述特征信息与预设评价问题的预测回答概率的映射关系,将所述特征信息划分为正样本和负样本,其中,所述正样本中的特征信息对应预设评价问题的负向回答概率,所述负样本中的特征信息对应预设评价问题的正向回答概率;
根据所述正样本及所述负样本,训练获取所述计算模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述预设评价问题的预测回答概率,确定所述待评价对象的待推送评价问题,包括:
根据多个预设评价问题的预测回答概率,确定所述待评价对象的预测回答概率最大值对应的评价问题为所述待评价对象的待推送评价问题。
6.根据权利要求3所述方法,其特征在于,所述根据所述样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
采用预设算法,对所述样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息;
根据所述离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系,包括:
采用预设规则,将所述离散的特征信息进行组合,获取目标组合特征;
根据所述离散的特征信息、所述目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
8.根据权利要求7所述的方法,其特征在于,所述采用预设规则,将所述离散的特征信息进行组合,获取目标组合特征,包括:
根据预设的特征相关性,将所述离散的特征信息进行组合,获取目标组合特征。
9.根据权利要求1所述的方法,其特征在于,所述根据所述预设评价问题的预测回答概率,确定所述样本对象的待推送评价问题之后,还包括:
向评价方终端发送所述待评价对象的待推送评价问题。
10.一种评价数据处理装置,其特征在于,包括:获取模块、计算模块及确定模块;
所述获取模块,用于获取样本对象的特征信息,所述样本对象包括:待评价方和/或评价方;
所述计算模块,用于根据所述样本对象的特征信息及计算模型,计算获取待评价对象不同预设评价问题的预测回答概率,所述计算模型为根据预设时间段内的样本特征信息及所述待评价对象多个预设评价问题的历史评价结果训练获得;
所述确定模块,用于根据所述预设评价问题的预测回答概率,确定所述待评价对象的待推送评价问题。
11.根据权利要求10所述的装置,其特征在于,所述样本对象的特征信息包括:所述样本对象的历史特征信息和当前服务的特征信息。
12.根据权利要求10或11所述的装置,其特征在于,还包括:建立模块及训练模块;
所述获取模块,还用于采集多个样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果;根据各待评价对象不同预设评价问题的评价结果,获取各待评价对象每个预设评价问题的预测回答概率;
所述建立模块,用于根据所述样本对象预设时间段内的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系;
所述训练模块,用于根据所述特征信息与预设评价问题的预测回答概率的映射关系,训练获取所述计算模型。
13.根据权利要求12所述的装置,其特征在于,所述训练模块,具体用于根据所述特征信息与预设评价问题的预测回答概率的映射关系,将所述特征信息划分为正样本和负样本,其中,所述正样本中的特征信息对应预设评价问题的负向回答概率,所述负样本中的特征信息对应预设评价问题的正向回答概率;根据所述正样本及所述负样本,训练获取所述计算模型。
14.根据权利要求13所述的装置,其特征在于,所述确定模块,具体用于根据多个预设评价问题的预测回答概率,确定所述待评价对象的预测回答概率最大值对应的评价问题为所述待评价对象的待推送评价问题。
15.根据权利要求12所述装置,其特征在于,所述建立模块,具体用于采用预设算法,对所述样本对象预设时间段内的特征信息进行离散处理,获取离散的特征信息;根据所述离散的特征信息及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
16.根据权利要求15所述的装置,其特征在于,所述建立模块,具体用于采用预设规则,将所述离散的特征信息进行组合,获取目标组合特征;根据所述离散的特征信息、所述目标组合特征及各待评价对象不同预设评价问题的评价结果,建立特征信息与预设评价问题的预测回答概率的映射关系。
17.根据权利要求16所述的装置,其特征在于,所述建立模块,具体用于根据预设的特征相关性,将所述离散的特征信息进行组合,获取目标组合特征。
18.根据权利要求10所述的装置,其特征在于,还包括:推送模块;
所述推送模块,用于向评价方终端发送所述待评价对象的待推送评价问题。
19.一种电子设备,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9任一所述的评价数据处理方法的步骤。
20.一种存储介质,其特征在于,所述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1至9任一所述的评价数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181867.4A CN111695919B (zh) | 2019-03-11 | 2019-03-11 | 评价数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181867.4A CN111695919B (zh) | 2019-03-11 | 2019-03-11 | 评价数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695919A true CN111695919A (zh) | 2020-09-22 |
CN111695919B CN111695919B (zh) | 2024-04-26 |
Family
ID=72474712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181867.4A Active CN111695919B (zh) | 2019-03-11 | 2019-03-11 | 评价数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695919B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530415A (zh) * | 2021-02-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 负向回复识别模型获取及负向回复识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572734A (zh) * | 2013-10-23 | 2015-04-29 | 腾讯科技(深圳)有限公司 | 问题推荐方法、装置及系统 |
CN104991887A (zh) * | 2015-06-18 | 2015-10-21 | 北京京东尚科信息技术有限公司 | 提供信息的方法及装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
US20170364933A1 (en) * | 2014-12-09 | 2017-12-21 | Beijing Didi Infinity Technology And Development Co., Ltd. | User maintenance system and method |
US20180218432A1 (en) * | 2017-01-31 | 2018-08-02 | International Business Machines Corporation | Recommendation integrated online digital sales service chat system |
CN108805595A (zh) * | 2017-04-28 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 提供定向问题数据的方法、装置及计算机存储介质 |
-
2019
- 2019-03-11 CN CN201910181867.4A patent/CN111695919B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572734A (zh) * | 2013-10-23 | 2015-04-29 | 腾讯科技(深圳)有限公司 | 问题推荐方法、装置及系统 |
US20170364933A1 (en) * | 2014-12-09 | 2017-12-21 | Beijing Didi Infinity Technology And Development Co., Ltd. | User maintenance system and method |
CN104991887A (zh) * | 2015-06-18 | 2015-10-21 | 北京京东尚科信息技术有限公司 | 提供信息的方法及装置 |
CN106530188A (zh) * | 2016-09-30 | 2017-03-22 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中司机的接单意愿评价方法和装置 |
US20180218432A1 (en) * | 2017-01-31 | 2018-08-02 | International Business Machines Corporation | Recommendation integrated online digital sales service chat system |
CN108805595A (zh) * | 2017-04-28 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 提供定向问题数据的方法、装置及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530415A (zh) * | 2021-02-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 负向回复识别模型获取及负向回复识别方法和装置 |
CN112530415B (zh) * | 2021-02-10 | 2021-07-16 | 北京百度网讯科技有限公司 | 负向回复识别模型获取及负向回复识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111695919B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107465741B (zh) | 信息推送方法和装置 | |
GB2547395A (en) | User maintenance system and method | |
CN109003131B (zh) | 基于用户场景属性信息的精准营销方法及装置 | |
CN111353092B (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
CN111105120B (zh) | 一种工单处理方法及装置 | |
CN110073382A (zh) | 用于显示商家位置处的库存数据的图形用户界面 | |
CN108876465B (zh) | 一种对商户进行经营模式分群的方法、装置和服务器 | |
CN112884224A (zh) | 实体对象的选址方法、装置、计算设备及计算机存储介质 | |
CN111367575B (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN112288552A (zh) | 拼单方法、服务器、客户端及系统 | |
CN111274472A (zh) | 信息推荐方法、装置、服务器及可读存储介质 | |
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 | |
CN111105244B (zh) | 基于退款的服务方案确定方法及装置 | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 | |
CN111274471B (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 | |
CN111291253A (zh) | 模型训练方法、咨询推荐方法、装置及电子设备 | |
CN113761398B (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
JP2017191500A (ja) | 携帯端末に対して地点情報を提供する装置、方法、およびプログラム | |
CN111222932B (zh) | 订单周期计算方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |