CN111831927A - 信息推送装置、方法、电子设备和计算机可读存储介质 - Google Patents

信息推送装置、方法、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN111831927A
CN111831927A CN201910785399.1A CN201910785399A CN111831927A CN 111831927 A CN111831927 A CN 111831927A CN 201910785399 A CN201910785399 A CN 201910785399A CN 111831927 A CN111831927 A CN 111831927A
Authority
CN
China
Prior art keywords
probability
feature
candidate destination
history
destination
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
CN201910785399.1A
Other languages
English (en)
Other versions
CN111831927B (zh
Inventor
刘磊
陈欢
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 CN201910785399.1A priority Critical patent/CN111831927B/zh
Publication of CN111831927A publication Critical patent/CN111831927A/zh
Application granted granted Critical
Publication of CN111831927B publication Critical patent/CN111831927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种信息推送装置、方法、电子设备和计算机可读存储介质，该方法包括：针对每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和请求端选择该候选目的地的初始概率；对请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的多个历史出行行为特征、高维抽取特征和初始概率进行不同种组合方式下的特征组合，并确定在每种组合方式下，请求端选择该候选目的地的概率；基于候选目的地集中各候选目的地分别对应的在每种组合方式下，请求端选择该候选目的地的概率，为请求端选择推荐目的地，并将选择的推荐目的地推送给请求端。本申请能够提高推送的目的地的准确度。

Description

信息推送装置、方法、电子设备和计算机可读存储介质
技术领域
本申请涉及信息技术领域，具体而言，涉及一种信息推送装置、方法、电子设备和计算机可读存储介质。
背景技术
目前，随着汽车电子技术的持续快速发展，乘坐出租车出行和预约乘坐私家车出行等出行方式得到了长足发展，在人们日常生活出行中起到了不可替代的作用，为广大人民的日常生活、交通出行带来了极大方便。
乘客在使用平台出行时，乘客可以通过手动输入方式在乘客端的出行界面中输入目的地，导致乘客端生成出行订单的时长比较长，或者根据乘客的历史出行记录中的目的地，为用户推荐多个目的地，以供乘客在推荐的多个目的地中选择，但是，采用上述推荐方法为乘客推荐的多个目的地可能均不是乘客实际目的地，从而无法保证推荐目的地的准确性，进而无法有效提升平台服务质量。
发明内容
有鉴于此，本申请的目的在于提供一种信息推送装置、方法、电子设备和计算机可读存储介质，以提高推送的目的地的准确度。
第一方面，本申请实施例提供了一种信息推送装置，该装置包括：
获取模块，用于获取发起服务请求的请求端的候选目的地集；
特征处理模块，用于针对所述获取模块获取的所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
概率确定模块，用于对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述特征处理模块确定的所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
目的地确定模块，用于基于所述概率确定模块确定的所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
可选地，所述特征处理模块具体用于：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
可选地，所述概率确定模块具体用于：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
可选地，该装置包括第一训练模块，所述第一训练模块具体用于根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
可选地，该装置包括第二训练模块，所述第二训练模块具体用于根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
可选地，所述第二训练模块具体用于根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
可选地，所述目的地确定模块具体用于：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
可选地，所述目的地确定模块具体用于：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
可选地，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
第二方面，本申请实施例提供了一种信息推送方法，该方法包括：
获取发起服务请求的请求端的候选目的地集；
针对所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
可选地，所述基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率，包括：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
可选地，所述将所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率，包括：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
可选地，根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
可选地，根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
可选地，根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
可选地，所述基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，包括：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
可选地，所述根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度，包括：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
可选地，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述信息推送方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述信息推送方法的步骤。
本申请实施例提供的信息推送方法，在获取到针对请求端的候选目的地集后，针对每个候选目的地，基于该候选目的地的多个历史出行行为特征，确定该候选目的地的高维抽取特征以及请求端选择目的地的初始概率，将请求端的属性特征、候选目的地对应的多个历史出行行为特征、高维抽取特征以及初始概率进行不同组合方式下的特征组合，使得组合后的特征能够更好的反应请求端选择目的地的倾向，基于每种组合方式下分别得到的组合特征，确定每种组合方式下的请求端选择该候选目的地的概率，提高了得到的请求端选择候选目的地的概率，进而基于每种组合方式下的请求端选择该候选目的地的概率，确定最终为请求端推荐的目的地，这样，提高了出行服务平台为请求端推荐的目的地的准确度，使得出行服务平台能够更好的满足请求端的需求，提高了出行服务平台的服务质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种信息推送系统的架构示意图；
图2示出了本申请实施例提供的一种信息推送方法的第一种流程示意图；
图3示出了本申请实施例提供的一种信息推送方法的第二种流程示意图；
图4示出了本申请实施例提供的一种信息推送方法的第三种流程示意图；
图5示出了本申请实施例提供的一种信息推送装置的第一种结构示意图；
图6示出了本申请实施例提供的一种信息推送装置的第二种结构示意图；
图7示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“出行场景”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕对出行场景进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请实施例可以服务于出行服务平台，该出行服务平台用于根据接收的客户端的出行服务请求为用户提供相应的服务。出行服务平台可以包括多个打车系统，如包括出租车打车系统、快车打车系统、专车打车系统、顺风车打车系统等。
本申请实施例的信息推荐方法可以应用于出行服务平台的服务器，也可以应用于其它任意具有处理功能的计算设备。在一些实施例中，上述服务器或计算设备可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。
目前，乘客在使用出行服务平台出行时，一般是乘客通过手动方式在服务请求端的出行界面中输入目的地，当乘客通过手动方式输入目的地时，耗费的时长比较久，进而导致生成出行订单的时长比较长，或者，出行服务平台根据乘客的历史出行记录中的目的地或者乘客的历史搜索记录，以目的地列表的形式为乘客推荐多个目的地，乘客可以在推荐的多个目的地中选择实际要去的目的地，如，乘客的历史订单中具有A、B、C三个目的地，乘客的历史搜索记录包括D和E两个目的地，则将A、B、C、D和E以列表形式展示给乘客，乘客从中选择要去的目的地，但是，采用上述推荐目的地的方式为乘客推荐的多个目的地可能均不是乘客实际要去的目的地，此时，乘客需要通过手动方式输入目的地，既浪费了时间，也无法保证为乘客推荐的目的地的准确性，进而也无法有效提升出行服务平台的服务质量。
为了便于描述，本申请通过对特征进行不同种组合方式下的特征组合，预测请求端选择各候选目的地的概率，基于预测的概率确定为请求端推荐的目的地，提高了出行服务平台推荐的目的地的准确度。本申请针对发起服务请求的请求端，在获取到针对请求端的候选目的地集后，针对每个候选目的地，基于该候选目的地的多个历史出行行为特征，确定该候选目的地的高维抽取特征以及请求端选择目的地的初始概率，将请求端的属性特征、候选目的地对应的属性特征、多个历史出行行为特征、高维抽取特征以及初始概率进行不同组合方式下的特征组合，使得组合后的特征能够更好的反应请求端选择目的地的倾向，基于每种组合方式下分别得到的组合特征，确定每种组合方式下的请求端选择该候选目的地的概率，进而基于每种组合方式下的请求端选择该候选目的地的概率，确定最终为请求端推荐的目的地，这样，提高了出行服务平台为请求端推荐的目的地的准确度，使得出行服务平台能够更好的满足请求端的需求，提高了出行服务平台的服务质量。
图1是本申请实施例提供的一种信息推送系统100的架构示意图。例如，信息推送系统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。信息推送系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140、和数据库150中的一种或多种。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
在一些实施例中，服务请求方终端130和服务提供方终端140对应的设备类型可以是移动设备，比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中，数据库150可以连接到网络120以与信息推送系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)通信。信息推送系统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可以直接连接到信息推送系统100中的一个或多个组件，或者，数据库150也可以是服务器110的一部分。
下面结合上述图1示出的信息推送系统100中描述的内容，对本申请实施例提供的信息推送方法进行详细说明。
本申请实施例提供了一种信息推送方法，如图2所示，该方法应用于出行服务平台的服务器中，该方法具体包括以下步骤：
S201，获取发起服务请求的请求端的候选目的地集。
这里，发起服务请求的请求端一般为使用出行服务平台的服务请求方的移动终端；候选目的地集为基于请求端对应的历史出行订单中的目的地和请求端中的历史搜索记录确定的，请求端对应的历史出行订单一般为该请求端在历史时间段已完成的订单，历史出行订单中包括历史起始点和历史目的地，可以从历史出行订单中提取历史目的地，在提取历史目的地时，提取的历史目的地对应的历史起始点可以与当前起始点相同，也可以不同，除了通过从历史出行订单中提取历史目的地外，还可以根据请求端的历史搜索记录确定，历史搜索记录可以是请求端在历史时间段搜索过的地址，例如，请求端在历史时间段搜索过的地址为“中关村南”，该“中关村南”可以作为候选目的地。其中，历史时间段一般为在发起服务请求的时间之前的时间段，历史时间段可以为发起服务请求的时间之前的连续几天、一个星期、一个月、一个季度等，可以根据实际情况确定。
S202，针对所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率。
这里，历史出行行为特征一般是从请求端的历史出行订单中抽取的特征，历史出行行为特征可以为请求端去候选目的地的次数、候选目的地在候选目的地集中所占的比例、历史出行订单与发起服务请求之间的时间差等，在具体实施中，历史出行行为特征的数目一般为78个，上述示例仅仅是示意，不一一针对每个历史出行行为特征进行示意，实际应用中应视具体情况而定。其中，请求端去候选目的地的次数为请求端在历史时间段去候选目的地的次数，如，请求端在历史时间段去候选目的地A共10次，则请求端去候选目的地的次数为10；候选目的地在候选目的地集中所占的比例为请求端去候选目的地的次数与候选目的地集中所有候选目的地的次数的总和的比值，如，候选目的地集包括候选目的地A和B，请求端在历史时间段去候选目的地A的次数为8次、去候选目的地B的次数为2次，则候选目的地A对应的比例为0.8，候选目的地B对应的比例为0.2；历史出行订单与发起服务请求之间的时间差为历史出行订单对应的出行时间与发起服务请求的时间的时间差，例如，历史出行订单对应的出行时间为8：00，发起服务请求的时间为10：00，时间差为2小时。
如图3所示，在基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率时，具体包括以下步骤：
S301，将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
S302，将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
高维抽取特征一般是通过多个历史出行行为特征进行特征组合得到的，高维抽取特征表征组合后的特征对请求端选择候选目的地的倾向的影响，在对特征进行特征组合时一般可以通过第一概率预测模型实现，该第一概率预测模型通过组合后的特征可以预测请求端选择候选目的地的初始概率。
第一概率预测模型中一般包括特征组合模块和概率预测模块，特征组合模块用于对模型输入特征进行组合，以使得得到的组合特征能够表征请求端选择候选目的地的倾向，概率预测模块用于基于特征组合模块输出的组合后的特征预测候请求端选择候选目的地的概率。
在具体应用中，第一概率预测模型可以是梯度提升树(Gradient BoostingDecison Tree，GBDT)模型，第一概率预测模型中预先设置有设定数目棵树，每一棵树为输入模型的多个历史出行行为特征的组合，每棵树进行组合的历史出行行为特征的数目是预先设置的，不同的树进行组合的特征的数目可以相同，也可以不同，每棵树进行组合的特征的数目一般不超5，例如，多个历史出行行为特征分别为M1、M2、M3、……、M10，第一棵树可以为M1和M2特征的组合，第二棵树可以为M2、M3和M5特征的组合，不一一针对每棵树进行举例；第一概率预测模型中的特征组合模块输出的组合特征的维度于GBDT模型中预先设置的树的数目相同，例如，GBDT模型中预先设置有200棵树，则特征组合模块输出的组合特征的纬度为200维。
在具体实施过程中，针对候选目的地集中的每个候选目的地，将该候选目的地的多个历史出行行为特征以特征向量形式输入到预先训练的第一概率预测模型的特征组合模块中对多个历史出行行为特征中的部分特征进行组合，得到该候选目的地的高维抽取特征，随后，将该候选目的地的高维抽取特征以特征向量的形式输入到第一概率预测模型的概率预测模块中，进而预测得到请求端选择该候选目的地的初始概率。
第一概率预测模型一般是预先训练得到的，根据以下步骤训练得到第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
这里，第一训练样本库中的历史出行订单一般为发起服务请求的请求端的历史出行订单，每个历史出行订单在历史出行时，对应多个历史候选目的地和一个历史实际目的地，历史候选目的地、历史实际目的地分别对应的多个历史出行行为特征、与候选目的地的历史出行行为特征的确定过程相同，此处不再进行赘述；出行选择结果表征请求端在历史时间选的选择结果，可以通过数字表示，对于同一个历史出行订单而言，该历史出行订单对应的历史实际目的地的出行选择结果为1，历史候选目的地的出行选择结果为0。
在具体实施过程中，在构建完第一训练样本库后，将历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征作为第一概率预测模型的输入特征，将对应的出行选择结果作为第一概率预测模型的输出特征，也就是，将历史候选目的地的多个历史出行行为特征以特征向量的形式、历史实际目的地的多个历史出行行为特征以特征向量的形式、以及历史候选目的地对应的出行选择结果、历史实际目的地的对应的选择结果输入到初始第一概率预测模型中，对初始第一概率预测模型进行训练，得到第一概率预测模型。
在具体应用中，由于第一概率预测模型在进行特征组合时，仅仅考虑了候选目的地的多个历史出行行为特征，输入到模型中的特征的数量有限，使用有限数量的特征进行特征组合，在一定程度上限制了组合后特征对请求端选择目的地的倾向的影响，并不能很好的表达请求端选择候选目的地的倾向，因此，通过组合后的特征预测得到的请求端选择目的地的初始概率的准确度也比较低。为了提高预测得到的请求端选择候选目的地的概率的准确度，本申请对特征进行扩展，以及对特征组合方式进行扩展，从而提高通过组合后的特征预测请求端选择候选目的地的概率。
S203，对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率。
这里，请求端的属性特征包括请求端的历史出行时间特征、请求端选择出行目的地的偏好特征、请求端的标识等，其中，请求端的标识为请求端对应的用户账户的标识，请求端选择出行目的地的偏好特征表征请求端在历史时间段对出行目的地的偏好，历史出行时间特征表征请求端在历史时间段出行时对出行时间的偏好；候选目的地的属性特征包括该候选目的地的历史出行时间特征、经纬度特征等，其中，历史出行时间特征表征请求端在相应出行时间对该目的地的偏好，经纬度特征表征候选目的地的位置特征。不同种组合方式表征不同的模型在对模型输入特征进行特征组合的方式，本申请包括两种组合方式，第一种组合方式为对每两个模型输入特征进行组合，可以通过第二概率预测模型(下文详述)的特征组合模块实现；第二种组合方式为对所有模型输入特征进行组合，可以通过第三概率预测模型(下文详述)的特征组合模块实现；在不同种组合方式下，得到的请求端选择候选目的地的概率与该种组合方式组合后的特征相关，若组合后的特征对于表示请求端选择候选目的地的倾向性越高，则相应的概率越高。
如图4所示，在对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率时，具体包括以下步骤：
S401，将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征。
这里，输入到预先预先的第二概率预测模型中的特征以特征向量的方式输入，在输入时，对请求端的属性特征、候选目的地对应的属性特征、多个历史出行行为特征、高维抽取特征和初始概率进行拼接处理，将拼接处理后的特征输入到第二概率预测模型的特征组合模型对每两个特征进行特征组合，例如，模型输入特征包括A1-A10，针对每个模型输入特征，将该特征与其它特征一一进行组合。其中，初始概率作为一个特征输入到预先训练的第二概率预测模型，在对特征进行拼接处理时，可以通过concat实现。
S402，将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率。
S403，将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征。
这里，输入到预先预先的第三概率预测模型中的特征以特征向量的方式输入，在输入时，对请求端的属性特征、候选目的地对应的属性特征、多个历史出行行为特征、高维抽取特征和初始概率进行拼接处理，将拼接处理后的特征输入到第三概率预测模型的特征组合模型对所有输入特征进行特征组合，例如，在对所述输入特征进行组合时，为每个输入特征设置权重，不同次组合时，需要组合的特征的权重不同。其中，初始概率作为一个特征输入到预先训练的第三概率预测模型，在对特征进行拼接处理时，可以通过concat实现。
S404，将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
这里，第二概率预测模型包括特征组合模块和概率预测模块，特征组合模块之后连接有概率预测模块，在具体应用中，第二概率预测模型模型可以是分解机(Factorization Machine，FM)模型；第三概率预测模型包括特征组合模块和概率预测模块，特征组合模块之后连接有概率预测模块，在具体应用中，第三概率预测模型模型可以是深度神经网络(Deep Neural Network，DNN)模型。
在具体实施过程中，将拼接后的请求端的属性特征、候选目的地对应的属性特征、多个历史出行行为特征、高维抽取特征和初始概率输入到预先训练的第二概率预测模型的特征组合模块中，对模型输入特征中的每两个特征进行特征组合，得到候选目的地的第一组合特征，将该候选目的地的第一组合特征输入到第二概率预测模型的概率预测模型，通过概率预测模块基于输入的第一组合特征预测请求端选择该候选目的地的第一概率。
将拼接后的请求端的属性特征、候选目的地对应的属性特征、多个历史出行行为特征、高维抽取特征和初始概率输入到预先训练的第三概率预测模型的特征组合模块中，对模型输入特征中的所有特征进行特征组合，得到候选目的地的第二组合特征，将该候选目的地的第二组合特征输入到第三概率预测模型的概率预测模型，通过概率预测模块基于输入的第二组合特征预测请求端选择该候选目的地的第二概率。
例如，请求端的属性特征包括A1，候选目的地对应的多个历史出行行为特征包括B1-B78，高维抽取特征包括C1-C200，初始概率为D，候选目的地的属性特征包括F1-F10，将A1、B1-B78、C 1-C200、D、F1-F10进行拼接处理，将拼接后的A1、B1-B78、C 1-C200、D、F1-F10输入到预先训练的第二概率预测模型的特征组合模块中，对模型输入特征中的每两个特征进行特征组合，得到候选目的地的第一组合特征[E1,E 2,……，En]，将该候选目的地的[E1,E 2,……，En]输入到第二概率预测模型的概率预测模型，通过概率预测模块基于输入的第一组合特征预测请求端选择该候选目的地的第一概率，第二概率的处理过程与第一概率的处理过程相同，此处不再赘述。
第二概率预测模型和第三概率预测模型均为通过历史出行订单构建的第二训练样本库训练得到，以下分别针对两个模型的训练过程进行介绍：
根据以下步骤训练得到第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
这里，第二训练样本库中的历史出行订单一般为发起服务请求的请求端的历史出行订单(该历史出行订单与第一训练样本库中的历史出行订单相同)，每个历史出行订单在历史出行时，对应多个历史候选目的地和一个历史实际目的地，历史候选目的地、历史实际目的地分别对应的属性特征和多个历史出行行为特征，与候选目的地的属性特征和历史出行行为特征的确定过程相同，此处不再进行赘述；历史候选目的地对应的历史高维抽取特征是通过将历史候选目的地的多个历史出行行为特征输入到第一概率预测模型中的特征组合模块进行特征组合得到，历史候选目的地对应的历史预测概率是通过将历史候选目的地的组合后的特征输入到第一概率预测模型的概率预测模块得到的；出行选择结果表征请求端在历史时间段的选择结果，可以通过数字表示，对于同一个历史出行订单而言，该历史出行订单对应的历史实际目的地的出行选择结果为1，历史候选目的地的出行选择结果为0。
在具体实施过程中，在构建完第二训练样本库后，将历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为第二概率预测模型的输入特征，将对应的出行选择结果作为第二概率预测模型的输出特征，也就是，将历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率进行拼接处理，将历史请求端的属性特征、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率进行拼接处理，将上述两个拼接处理后的特征以及历史候选目的地的出行选择结果、历史实际目的地的出行选择结果输入到初始第二概率预测模型，对初始第二概率预测模型进行训练，得到第二概率预测模型。
根据以下步骤训练得到第三概率预测模型，在训练得到第三概率预测模型时，可以使用第二概率预测模型的第二训练样本库：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
在具体实施过程中，在构建完第二训练样本库后，将历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为第三概率预测模型的输入特征，将对应的出行选择结果作为第三概率预测模型的输出特征，也就是，将历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率进行拼接处理，将历史请求端的属性特征、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率进行拼接处理，将上述两个拼接处理后的特征以及历史候选目的地的出行选择结果、历史实际目的地的出行选择结果输入到初始第三概率预测模型，对初始第三概率预测模型进行训练，得到第三概率预测模型。
S204，基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
在执行步骤S204，也就是，在基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地时，包括：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
具体地，将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
这里，选择度表征请求端选择相应候选目的地的概率，选择度越大，表示请求端选择相应候选目的地的概率越大。
在具体实施过程中，针对候选目的地集中的每个候选目的地，在通过第二概率预测模型得到请求端选择该候选目的地的第一概率，在通过第三概率预测模型得到请求端选择该候选目的地的第二概率，为第一概率设置第一权重，为第二概率设置第二权重，分别计算第一概率与第一权重的第一乘积值、第二概率与第二权重的第二乘积值，将第一乘积值与第二乘积值的和值作为选择度，在得到各个候选目的地的选择度后，将最大选择度对应的候选目的地确定为推荐目的地，将最终确定的推荐目的地推送到请求端，推荐目的地在请求端显示时，可以悬浮显示在输入窗口中。其中，第一权重和第二权重可以相同，也可以不同，在具体应用中，第一权重一般与第二权重相同，如，均为1。
例如，针对候选目的地S，请求端选择候选目的地S的第一概率为α10，请求端选择候选目的地S的第二概率为α20，第一权重为1，第二权重为1，请求端选择候选目的地S的选择度为α10+α20，候选目的地集中其它候选目的地的选择度的计算方式与候选目的地S的计算方式相同；若各个候选目的地对应的选择度分别为α10+α20、α11+α21、α12+α22等，且选择度α10+α20为最大的选择度，则候选目的地S为最终推荐的目的地。
基于同一发明构思，本申请实施例中还提供了与信息推送方法对应的信息推送装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述信息推送方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图5所示，为本申请实施例五提供的一种信息推送装置的示意图，所述装置包括：
获取模块51，用于获取发起服务请求的请求端的候选目的地集；
特征处理模块52，用于针对所述获取模块51获取的所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
概率确定模块53，用于对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述特征处理模块52确定的所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
目的地确定模块54，用于基于所述概率确定模块53确定的所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
可选地，所述特征处理模块52具体用于：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
可选地，所述概率确定模块53具体用于：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
可选地，所述目的地确定模块54具体用于：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
可选地，所述目的地确定模块54具体用于：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
可选地，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
本申请实施例还提供了一种信息推送装置，如图6所示，该装置与图5中的装置相比，还包括第一训练模块55和第二训练模块56。
所述第一训练模块55具体用于根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
可选地，所述第二训练模块56具体用于根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
可选地，所述第二训练模块56具体用于根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
本申请实施例还提供了一种计算机设备70，如图7所示，为本申请实施例提供的计算机设备70结构示意图，包括：处理器71、存储器72、和总线73。所述存储器72存储有所述处理器71可执行的机器可读指令(比如，图5中的装置中获取模块51、特征处理模块52、概率确定模块53和目的地确定模块54对应的执行指令等)，当计算机设备70运行时，所述处理器71与所述存储器72之间通过总线73通信，所述机器可读指令被所述处理器71执行时执行如下处理：
获取发起服务请求的请求端的候选目的地集；
针对所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
一种可能的实施方式中，处理器71执行的指令中，所述基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率，包括：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
一种可能的实施方式中，处理器71执行的指令中，所述将所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率，包括：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
一种可能的实施方式中，处理器71执行的指令中，根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
一种可能的实施方式中，处理器71执行的指令中，根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
一种可能的实施方式中，处理器71执行的指令中，根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
一种可能的实施方式中，处理器71执行的指令中，所述基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，包括：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
一种可能的实施方式中，处理器71执行的指令中，所述根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度，包括：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
一种可能的实施方式中，处理器71执行的指令中，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述信息推送方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述信息推送方法，从而解决现有技术中推送的目的地的准确度低的问题，在获取到针对请求端的候选目的地集后，针对每个候选目的地，基于该候选目的地的多个历史出行行为特征，确定该候选目的地的高维抽取特征以及请求端选择目的地的初始概率，将请求端的属性特征、候选目的地对应的多个历史出行行为特征、高维抽取特征以及初始概率进行不同组合方式下的特征组合，使得组合后的特征能够更好的反应请求端选择目的地的倾向，基于每种组合方式下分别得到的组合特征，确定每种组合方式下的请求端选择该候选目的地的概率，提高了得到的请求端选择候选目的地的概率，进而基于每种组合方式下的请求端选择该候选目的地的概率，确定最终为请求端推荐的目的地，这样，提高了出行服务平台为请求端推荐的目的地的准确度，使得出行服务平台能够更好的满足请求端的需求，提高了出行服务平台的服务质量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(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 (20)

1.一种信息推送装置，其特征在于，该装置包括：
获取模块，用于获取发起服务请求的请求端的候选目的地集；
特征处理模块，用于针对所述获取模块获取的所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
概率确定模块，用于对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述特征处理模块确定的所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
目的地确定模块，用于基于所述概率确定模块确定的所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
2.根据权利要求1所述的信息推送装置，其特征在于，所述特征处理模块具体用于：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
3.根据权利要求1所述的信息推送装置，其特征在于，所述概率确定模块具体用于：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
4.根据权利要求2所述的信息推送装置，其特征在于，该装置包括第一训练模块，所述第一训练模块具体用于根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
5.根据权利要求3所述的信息推送装置，其特征在于，该装置包括第二训练模块，所述第二训练模块具体用于根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
6.根据权利要求5所述的信息推送装置，其特征在于，所述第二训练模块具体用于根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
7.根据权利要求3所述的信息推送装置，其特征在于，所述目的地确定模块具体用于：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
8.根据权利要求7所述的信息推送装置，其特征在于，所述目的地确定模块具体用于：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
9.根据权利要求1所述的信息推送装置，其特征在于，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
10.一种信息推送方法，其特征在于，该方法包括：
获取发起服务请求的请求端的候选目的地集；
针对所述候选目的地集中的每个候选目的地，基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率；
对所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率；
基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，并将选择的推荐目的地推送给所述请求端。
11.根据权利要求10所述的信息推送方法，其特征在于，所述基于该候选目的地对应的多个历史出行行为特征，确定该候选目的地的高维抽取特征和所述请求端选择该候选目的地的初始概率，包括：
将所述候选目的地的多个历史出行行为特征输入到预先训练的第一概率预测模型的特征组合模块，得到所述候选目的地的所述高维抽取特征；
将所述候选目的地的所述高维抽取特征输入到所述第一概率预测模型的概率预测模块，确定所述请求端选择该候选目的地的初始概率。
12.根据权利要求10所述的信息推送方法，其特征在于，所述将所述请求端的属性特征、该候选目的地的属性特征、该候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率进行不同种组合方式下的特征组合，基于在每种组合方式下分别得到的组合特征，确定在每种组合方式下，所述请求端选择该候选目的地的概率，包括：
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第二概率预测模型的特征组合模块中对每两个特征进行特征组合，得到所述候选目的地的第一组合特征；
将所述第一组合特征输入到所述第二概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第一概率；
将所述请求端的属性特征、所述候选目的地的属性特征、所述候选目的地对应的所述多个历史出行行为特征、所述高维抽取特征和所述初始概率输入到预先训练的第三概率预测模型的特征组合模块中对所有特征进行特征组合，得到所述候选目的地的第二组合特征；
将所述第二组合特征输入到所述第三概率预测模型的概率预测模块中，得到所述请求端选择该候选目的地的第二概率。
13.根据权利要求11所述的信息推送方法，其特征在于，根据以下步骤训练得到所述第一概率预测模型：
构建第一训练样本库，所述第一训练样本库包括历史出行订单对应的历史候选目的地的多个历史出行行为特征、历史实际目的地的多个历史出行行为特征和对应的出行选择结果；
将所述历史候选目的地的多个历史出行行为特征、所述历史实际目的地的多个历史出行行为特征作为所述第一概率预测模型的输入特征，将对应的出行选择结果作为所述第一概率预测模型的输出特征，训练得到所述第一概率预测模型。
14.根据权利要求12所述的信息推送方法，其特征在于，根据以下步骤训练得到所述第二概率预测模型：
构建第二训练样本库，所述第二训练样本库包括历史出行订单对应的历史请求端的属性特征、历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率，以及对应的出行选择结果；
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第二概率预测模型的输入特征，将对应的出行选择结果作为所述第二概率预测模型的输出特征，训练得到所述第二概率预测模型。
15.根据权利要求14所述的信息推送方法，其特征在于，根据以下步骤训练得到所述第三概率预测模型：
将所述历史请求端的属性特征、所述历史候选目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率、所述历史实际目的地对应的属性特征、多个历史出行行为特征、历史高维抽取特征和历史预测概率作为所述第三概率预测模型的输入特征，将对应的出行选择结果作为所述第三概率预测模型的输出特征，训练得到所述第三概率预测模型。
16.根据权利要求12所述的信息推送方法，其特征在于，所述基于所述候选目的地集中各候选目的地分别对应的在每种组合方式下，所述请求端选择该候选目的地的概率，从所述候选目的地集中为所述请求端选择推荐目的地，包括：
针对所述候选目的地集中的每个候选目的地，根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度；
将最大选择度对应的候选目的地作为推荐目的地。
17.根据权利要求16所述的信息推送方法，其特征在于，所述根据所述请求端选择该候选目的地的第一概率和第二概率，确定所述请求端选择该候选目的地的选择度，包括：
将所述第一概率和所述第二概率的加权值作为所述候选目的地的选择度。
18.根据权利要求10所述的信息推送方法，其特征在于，所述候选目的地集为基于所述请求端对应的历史出行订单中的目的地和所述请求端中的历史搜索记录确定的。
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，以执行如权利要求10至18任一所述信息推送方法的步骤。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求10至18任一所述信息推送方法的步骤。
CN201910785399.1A 2019-08-23 2019-08-23 信息推送装置、方法、电子设备和计算机可读存储介质 Active CN111831927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910785399.1A CN111831927B (zh) 2019-08-23 2019-08-23 信息推送装置、方法、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910785399.1A CN111831927B (zh) 2019-08-23 2019-08-23 信息推送装置、方法、电子设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111831927A true CN111831927A (zh) 2020-10-27
CN111831927B CN111831927B (zh) 2024-05-14

Family

ID=72911671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910785399.1A Active CN111831927B (zh) 2019-08-23 2019-08-23 信息推送装置、方法、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111831927B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798024A (zh) * 2016-09-07 2018-03-13 北京嘀嘀无限科技发展有限公司 一种出行目的地推荐处理方法及装置
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
WO2019015600A1 (en) * 2017-07-20 2019-01-24 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION
WO2019037549A1 (en) * 2017-08-24 2019-02-28 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEM AND METHOD FOR DESTINATION PREDICTION

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798024A (zh) * 2016-09-07 2018-03-13 北京嘀嘀无限科技发展有限公司 一种出行目的地推荐处理方法及装置
WO2019015600A1 (en) * 2017-07-20 2019-01-24 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION
WO2019037549A1 (en) * 2017-08-24 2019-02-28 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEM AND METHOD FOR DESTINATION PREDICTION
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张东;蔡国永;夏彬彬;: "一种提高推荐多样性的概率选择模型", 计算机科学, no. 02 *
肖春景;夏克文;乔永卫;张宇翔;: "基于动态聚类的旅游线路推荐", 计算机应用, no. 08 *

Also Published As

Publication number Publication date
CN111831927B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
US10971001B2 (en) Artificial intelligent systems and methods for predicting traffic accident locations
US20200134648A1 (en) Methods and systems for preventing user churn
CN111324824B (zh) 一种目的地推荐方法、其装置、电子设备及可读存储介质
CN111831897B (zh) 一种出行目的地推荐方法、装置、电子设备及存储介质
EP3229152A1 (en) Distributed online learning for privacy-preserving personal predictive models
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN107862339B (zh) 用于输出信息的方法和装置
CN111326015A (zh) 一种停车点推荐方法及装置
CN111858873B (zh) 一种推荐内容的确定方法、装置、电子设备及存储介质
CN112041858B (zh) 提供出行建议的系统和方法
CN110910180A (zh) 信息推送方法、装置、电子设备和存储介质
CN111831967A (zh) 一种到店识别方法、装置、电子设备及介质
CN111861178B (zh) 服务匹配模型的训练方法、服务匹配方法、设备及介质
CN113095889A (zh) 一种保险定价方法、装置、服务器及存储介质
JP2021047184A (ja) ナビゲーションに用いられる方法、装置、デバイス、及びコンピュータが読み取り可能な記憶媒体
CN111523933A (zh) 一种下单概率预测方法、装置、电子设备及可读存储介质
CN112243487A (zh) 用于按需服务的系统和方法
CN111866073A (zh) 服务站点推送分析方法、装置、电子设备及存储介质
CN111860904A (zh) 上车点排序的方法及装置
CN114118582A (zh) 目的地预测方法、装置、电子终端及存储介质
CN113255952A (zh) 信息推送方法、装置、电子设备和存储介质
CN111859176A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111199239B (zh) 通过打车订单识别醉酒乘客的人工智能系统和方法
CN111831927A (zh) 信息推送装置、方法、电子设备和计算机可读存储介质
CN111833080A (zh) 信息推送的方法、装置、电子设备和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TG01 Patent term adjustment
TG01 Patent term adjustment