CN111831930A - 目的地信息的推送方法、装置、电子设备及可读存储介质 - Google Patents
目的地信息的推送方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111831930A CN111831930A CN201910906463.7A CN201910906463A CN111831930A CN 111831930 A CN111831930 A CN 111831930A CN 201910906463 A CN201910906463 A CN 201910906463A CN 111831930 A CN111831930 A CN 111831930A
- Authority
- CN
- China
- Prior art keywords
- destination
- recommended
- historical
- information
- order
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 70
- 230000006399 behavior Effects 0.000 claims description 36
- 238000005315 distribution function Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 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
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Navigation (AREA)
Abstract
本申请涉及数据处理技术领域,尤其是涉及目的地信息的推送方法、装置、电子设备及可读存储介质。本申请在监测到终端设备打开目标应用程序时,通过获取的历史行为数据得到多个待推荐目的地,并基于与每个待推荐目的地对应的当前预发单信息和历史出行订单,可以确定该待推荐目的地对应的特征向量,这里,特征向量包括往返特征元素,并基于特征向量和目的地预测模型,可以确定向终端设备推送的目的地的信息。本申请可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及目的地信息的推送方法、装置、电子设备及可读存储介质。
背景技术
随着网约车在各个城市的普及,用户可以便捷地通过终端设备上安装的出行应用程序(打车软件)寻求出行服务,在用户使用出行应用程序叫车时,需要手动输入目的地的地址或名称,这在一定程度上浪费了用户的时间。
现有的目的地推送方法,主要依赖大量的历史出行数据,并通过上述大量历史出行数据预测出用户要去往的目的地,但是,对于出行频率不高(只有少量历史出行数据)的用户进行目的地推荐的准确率较低。
发明内容
有鉴于此,本申请的目的在于提供目的地信息的推送方法、装置、电子设备及可读存储介质,用以提升推送目的地信息的准确率。
本申请实施例提供了一种目的地信息的推送方法,所述推送方法包括:
当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
基于所述历史行为数据,获取多个待推荐目的地;
针对每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,所述历史行为数据包括历史出行数据和所述历史搜索数据;所述基于所述历史行为数据,获取多个待推荐目的地,包括:
从所述历史出行数据中提取出多个出行终点,以及,从所述历史搜索数据中提取出多个搜索出行地点;
将提取出的所述多个出行终点和所述多个搜索出行地点,作为所述多个待推荐目的地。
在一种可能的实施方式中,针对每个待推荐目的地,所述往返特征元素包括以下信息中的多种:
所述当前时间与所述历史目标订单的目标发单时间的时间差、该待推荐目的地与所述历史目标订单的起点之间的路面距离、该待推荐目的地与所述历史目标订单的终点之间的路面距离、该待推荐目的地是否为所述历史目标订单的起点、该待推荐目的地是否为所述历史目标订单的终点、当前地点与所述历史目标订单的起点之间的路面距离、所述当前地点与所述历史目标订单的终点之间的路面距离、所述当前地点是否为所述历史目标订单的起点、所述当前地点是否为所述历史目标订单的终点;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,所述特征向量中还包括非往返特征元素,所述非往返特征元素用于表征所述当前预发单信息与所述终端设备的其他历史出行订单的订单信息之间的关联关系。
在一种可能的实施方式中,针对每个待推荐目的地,所述非往返特征元素包括以下信息中的多种:
从所述当前时间去往该待推荐目的地的概率、从当前地点去往该待推荐目的地的概率、所述终端设备平均发单的时间间隔、所述终端设备发单时间间隔的方差、所述当前地点与每个待推荐目的地的路面距离、该待推荐目的地为所述终端设备对应用户的第一常驻地址的置信度、该待推荐目的地为所述终端设备对应用户的第二常驻地址的置信度、所述历史出行订单中历史发单时间与所述当前时间之间的时间差小于或等于第一预设阈值对应的出行订单出现的次数、所述历史出行订单中历史出行起点与所述当前地点之间的路面距离差小于或等于第二预设阈值对应的出行订单出现的次数;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,针对每个待推荐目的地,根据以下步骤计算从所述当前时间去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史发单时间;
计算所述多个历史发单时间的平均值和方差,并根据所述均值和所述方差,生成正态分布函数;所述正态分布函数用于表示在每个历史发单时间去往该待推荐目的地的概率分布;
根据所述正态分布函数,计算从所述当前时间去往该待推荐目的地的概率。
在一种可能的实施方式中,针对每个待推荐目的地,根据以下步骤计算从当前地点去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史出行起点;
统计从所述多个历史出行起点去往该待推荐目的地的总次数,以及从所述当前地点去往该待推荐目的地的目标次数;
将所述目标次数与所述总次数相除得到的商值,确定为从所述当前地点去往该待推荐目的地的概率。
在一种可能的实施方式中,所述基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将所述特征向量输入预先训练好的目的地预测模型,得到每个待推荐目的地对应的评分;
基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,所述基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将所述多个待推荐目的地对应的多个评分进行比较,确定出最高评分;
确定所述最高评分对应的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
在一种可能的实施方式中,所述基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将每个待推荐目的地对应的评分与预设评分进行比较;
确定评分高于所述预设评分的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
本申请实施例还提供了一种目的地信息的推送装置,所述推送装置包括:
第一获取模块,用于当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
第二获取模块,用于基于所述第一获取模块获取的所述历史行为数据,获取多个待推荐目的地;
第一确定模块,用于针对所述第二获取模块获取的每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
第二确定模块,用于基于所述第一确定模块确定的所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,所述历史行为数据包括历史出行数据和所述历史搜索数据;所述第二获取模块,用于根据以下步骤获取多个待推荐目的地:
从所述历史出行数据中提取出多个出行终点,以及,从所述历史搜索数据中提取出多个搜索出行地点;
将提取出的所述多个出行终点和所述多个搜索出行地点,作为所述多个待推荐目的地。
在一种可能的实施方式中,针对每个待推荐目的地,所述往返特征元素包括以下信息中的多种:
所述当前时间与所述历史目标订单的目标发单时间的时间差、该待推荐目的地与所述历史目标订单的起点之间的路面距离、该待推荐目的地与所述历史目标订单的终点之间的路面距离、该待推荐目的地是否为所述历史目标订单的起点、该待推荐目的地是否为所述历史目标订单的终点、当前地点与所述历史目标订单的起点之间的路面距离、所述当前地点与所述历史目标订单的终点之间的路面距离、所述当前地点是否为所述历史目标订单的起点、所述当前地点是否为所述历史目标订单的终点;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,所述特征向量中还包括非往返特征元素,所述非往返特征元素用于表征所述当前预发单信息与所述终端设备的其他历史出行订单的订单信息之间的关联关系。
在一种可能的实施方式中,针对每个待推荐目的地,所述非往返特征元素包括以下信息中的多种:
从所述当前时间去往该待推荐目的地的概率、从当前地点去往该待推荐目的地的概率、所述终端设备平均发单的时间间隔、所述终端设备发单时间间隔的方差、所述当前地点与每个待推荐目的地的路面距离、该待推荐目的地为所述终端设备对应用户的第一常驻地址的置信度、该待推荐目的地为所述终端设备对应用户的第二常驻地址的置信度、所述历史出行订单中历史发单时间与所述当前时间之间的时间差小于或等于第一预设阈值对应的出行订单出现的次数、所述历史出行订单中历史出行起点与所述当前地点之间的路面距离差小于或等于第二预设阈值对应的出行订单出现的次数;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,所述推送装置还包括第一计算模块;所述第一计算模块,用于针对每个待推荐目的地,根据以下步骤计算从所述当前时间去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史发单时间;
计算所述多个历史发单时间的平均值和方差,并根据所述均值和所述方差,生成正态分布函数;所述正态分布函数用于表示在每个历史发单时间去往该待推荐目的地的概率分布;
根据所述正态分布函数,计算从所述当前时间去往该待推荐目的地的概率。
在一种可能的实施方式中,所述推送装置还包括第二计算模块;所述第二计算模块,用于针对每个待推荐目的地,根据以下步骤计算从当前地点去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史出行起点;
统计从所述多个历史出行起点去往该待推荐目的地的总次数,以及从所述当前地点去往该待推荐目的地的目标次数;
将所述目标次数与所述总次数相除得到的商值,确定为从所述当前地点去往该待推荐目的地的概率。
在一种可能的实施方式中,所述第二确定模块包括:
输入单元,用于将所述特征向量输入预先训练好的目的地预测模型,得到每个待推荐目的地对应的评分;
确定单元,用于基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,所述确定单元,用于根据以下步骤确定向所述终端设备推送的目的地的信息:
将所述多个待推荐目的地对应的多个评分进行比较,确定出最高评分;
确定所述最高评分的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
在一种可能的实施方式中,所述确定单元,用于根据以下步骤确定向所述终端设备推送的目的地的信息:
将每个待推荐目的地对应的评分与预设评分进行比较;
确定评分高于所述预设评分对应的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
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进行通信,所述机器可读指令被所述处理器执行时执行如上述的目的地信息的推送方法的步骤。
本申请实施例还提供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如上述的目的地信息的推送方法的步骤。
在本申请实施例中,当监测到终端设备打开目标应用程序时,通过获取的历史行为数据,可以获取多个待推荐目的地,并基于与每个待推荐目的地对应的当前预发单信息和历史出行订单,可以确定该待推荐目的地对应的特征向量,这里,特征向量包括往返特征元素,往返特征元素用于表征当前预发单信息与最近一次发起的历史目标订单之间的关联关系,并基于特征向量和目的地预测模型,可以确定向终端设备推送的目的地的信息。本申请可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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目的地信息的推送方法的流程图;
图2示出了本申请实施例所提供的一种目的地信息的推送装置的结构示意图之一;
图3示出了本申请实施例所提供的一种目的地信息的推送装置的结构示意图之二;
图4示出了本申请实施例所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,本申请中的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。应当理解,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全部其他实施例,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“用户打开出行应用程序时,向用户推送目的地信息”,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。
值得注意的是,在本申请提出之前,现有方案中目的地推送方法,主要依赖大量的历史出行数据,并通过上述大量历史出行数据预测出用户要去往的目的地,但是,对于出行频率不高的用户进行目的地推荐的准确率较低。
基于此,本申请实施例提供了一种目的地信息的推送方法,可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
请参阅图1,图1为本申请实施例所提供的一种目的地信息的推送方法的流程图,执行目的地信息的推送方法的设备可以是与用户端进行交互的云平台或服务器。下面从执行主体为服务器的角度,对本申请实施例所提供的目的地信息的推送方法加以说明。如图1所示,本申请实施例提供的目的地信息的推送方法,包括以下步骤:
S101:当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据。
在该步骤中,当监测到用户操作终端设备打开目标应用程序时,说明用户可能要通过目标应用程序寻求出行服务,为避免用户手动在目标应用程序中输入要去往的目的地的目的地的信息(地址或名称),减少用户操作目标应用程序所花费的时间,本申请先获取到该用户的终端设备对应的历史行为数据,并通过上述历史行为数据预测出该用户要去往的目的地,进而向该终端设备推送的该目的地的目的地信息,这样,该用户可以直接点击推送的目的地信息,而不必在手动输入目的地,可以为用户节省操作目标应用程序的时间。
这里,可以只获取在当前时间之前的预设时间段内该终端设备对应的历史行为信息,这样,一方面可以减少在进行目的地预测时所需计算的数据量,另一方面通过过滤掉距离当前时间较长时间的历史行为信息,可以避免由于该用户很久以前的历史行为信息中,存在经常去往的地址(家庭位置、公司位置)发生变动、习惯性的出行时间的变动等情况造成的干扰,可以提升预测目的地的准确性,进而提升向用户推送目的地的准确性。
其中,终端设备包括移动终端设备和个人电脑(personal computer,PC);目标应用程序可以为出行应用程序;当前时间为监测到用户操作终端设备打开目标应用程序时对应的时间;预设时间段可以根据实际需要进行设置,通常可以设为12个月~24个月之间的一个时间段,优选设为12个月;历史行为信息为该用户历次通过该终端设备操作目标应用程序产生的信息。
S102:基于所述历史行为数据,获取多个待推荐目的地。
在该步骤中,可以从该用户的终端设备对应的历史行为数据中,获取出多个地点,并将多个出行地点均作为待推荐的目的地。
这里,出行地点可以为该用户历史订单中的出行终点、也可以为该用户通过目标应用程序搜索过的出行地点。
进一步地,所述历史行为数据包括历史出行数据和所述历史搜索数据;步骤S102中基于所述历史行为数据,获取多个待推荐目的地,包括以下步骤:
从所述历史出行数据中提取出多个出行终点,以及,从所述历史搜索数据中提取出多个搜索出行地点;将提取出的所述多个出行终点和所述多个搜索出行地点,作为所述多个待推荐目的地。
这里,历史出行数据可以为该用户通过终端设备操作目标应用程序产生的历史出行订单对应的订单信息,历史出行数据可以包括历史出行订单中的出行起点、出行终点、出行时间等,可以从各个历史出行订单中提取出多个出行起点,并将该多个出行起点都作为待推荐目的地;历史搜索数据可以为该用户通过终端设备操作目标应用程序进行搜索的数据,搜索的数据可以为出行地点。
S103:针对每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系。
在该步骤中,对于每个待推荐目的地,都进行以下操作:计算出该待推荐目的地的特征向量,该待推荐目的地的特征向量是根据该待推荐目的地对应的当前预发单信息,以及该用户的历史出行订单的订单信息共同进行计算得到的。
这里,当前预发单信息是指该用户通过操作终端设备打开目标应用程序时对应的数据(如当前时间、当前地点)所形成的当前预发单信息,当前预发单信息包括预发单时间(当前时间)、预发单的起始位置(当前地点)。
其中,历史出行订单的订单信息可以包括历史发单时间、历史出行起点、历史出行终点等。
这里,特征向量中的元素除了常规元素(非往返特征元素)之外,还包括多个往返特征元素,其中,每个往返特征元素都可以表征出当前预发单信息与终端设备最近一次发起的历史目标订单(与当前时间最近的订单)的订单信息之间的关联关系,即引入该用户当前预发单的订单与历史目标订单的交互特征的元素,这样,可以找出该用户当前预发单信息与历史目标订单之间存在的规律,即可以用特征来刻画出行规律,出行规律比如当前预发单的订单与历史目标订单为往返场景对应的两个订单,通过在特征向量中引入往返特征元素,可以提升对该用户推送目的地信息的准确率。
需要说明的是,对于拥有大量历史行为数据的用户,本申请可以通过上述大量历史行为数据,预测出用户要去往的目的地;对于出行频率不高的用户,即只有少量历史行为数据的用户,本申请通过在特征向量中增加了往返特征元素,可以找出该用户的出行规律(比如往返出行场景),可以提升对用户推送目的地信息的准确率。
进一步地,针对每个待推荐目的地,所述往返特征元素包括以下信息中的多种:
所述当前时间与所述历史目标订单的目标发单时间的时间差、该待推荐目的地与所述历史目标订单的起点之间的路面距离、该待推荐目的地与所述历史目标订单的终点之间的路面距离、该待推荐目的地是否为所述历史目标订单的起点、该待推荐目的地是否为所述历史目标订单的终点、当前地点与所述历史目标订单的起点之间的路面距离、所述当前地点与所述历史目标订单的终点之间的路面距离、所述当前地点是否为所述历史目标订单的起点、所述当前地点是否为所述历史目标订单的终点;其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在具体实施中,通过在每个待推荐目的地的特征向量中增加往返特征元素,可以找出用户的当前预发单信息与终端设备最近一次发起的历史目标订单的订单信息之间的关联关系,以用特征来刻画出预发单的订单与历史目标出行订单之间的规律,并通过找出该用户的出行规律预测该用户即将去往的目的地,进而可以提升对用户推送目的地信息的准确率。
进一步地,所述特征向量中还包括非往返特征元素,所述非往返特征元素用于表征所述当前预发单信息与所述终端设备的其他历史出行订单的订单信息之间的关联关系。
在具体实施中,特征向量中的元素除了往返特征元素之外,还应包括非往返特征元素,非往返特征元素可以表征出当前预发单信息与终端设备的除历史目标订单之外的其他历史出行订单的订单信息之间的关联关系,这样,通过找出当前预发单信息与其他历史出行订单之间关系,可以找出该用户的出行规律,进而根据上述历史出行订单的订单信息和出行规律,对用户在当前时间可能去往的目的地进行预测,进而确定向终端设备推送的目的地的信息。
进一步地,针对每个待推荐目的地,所述非往返特征元素包括以下信息中的多种:
从所述当前时间去往该待推荐目的地的概率、从当前地点去往该待推荐目的地的概率、所述终端设备平均发单的时间间隔、所述终端设备发单时间间隔的方差、所述当前地点与每个待推荐目的地的路面距离、该待推荐目的地为所述终端设备对应用户的第一常驻地址的置信度、该待推荐目的地为所述终端设备对应用户的第二常驻地址的置信度、所述历史出行订单中历史发单时间与所述当前时间之间的时间差小于或等于第一预设阈值对应的出行订单出现的次数、所述历史出行订单中历史出行起点与所述当前地点之间的路面距离差小于或等于第二预设阈值对应的出行订单出现的次数;其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在具体实施中,对于获取到的全部待推荐目的地中的每个待推荐目的地,都要计算出该待推荐目的地的特征向量,具体地,先计算出该待推荐目的地特征向量中的每个元素,进而将全部计算出的元素进行汇总,得到对应的特征向量。这个,特征向量中包括往返特征元素和非往返特征元素。
进一步地,针对每个待推荐目的地,根据以下步骤计算从所述当前时间去往该待推荐目的地的概率:
步骤A1:从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史发单时间。
在该步骤中,对于每个待推荐目的地,都需要计算该待推荐目的地对应特征向量中的每个非往返特征元素时,若一个元素用从当前时间去往该待推荐目的地的概率进行表示,则可以从历史出行订单的订单信息中获取出与该待推荐目的地对应的多个历史发单时间,这里,该待推荐目的地对应的多个历史发单时间为历史出行订单中终点的地理位置与该待推荐目的地地理位置相同的订单中的历史发单时间。
一示例中,历史出行订单1的终点为地点a、历史发单时间为9:00,历史出行订单2的终点为地点b、历史发单时间为13:00,历史出行订单3的终点为地点a、历史发单时间为9:02,历史出行订单4的终点为地点c、历史发单时间为15:00,若待推荐目的地为地点a,则需要获取与该待推荐目的地相同的终点对应的历史出行订单中的历史发单时间,即获取的历史发单时间为9:00、9:02。
步骤A2:计算所述多个历史发单时间的平均值和方差,并根据所述均值和所述方差,生成正态分布函数;所述正态分布函数用于表示在每个历史发单时间去往该待推荐目的地的概率分布。
在该步骤中,在获取到与该待推荐目的地对应的多个历史发单时间之后,对该多个历史发单时间求解平均值和方差,这样,可以根据该平均值和方差,生成历史发单时间的正态分布函数。这里,根据生成的正态分布函数可以计算出在任意一个发单时间下,去往该待推荐目的地的概率。
步骤A3:根据所述正态分布函数,计算从所述当前时间去往该待推荐目的地的概率。
在该步骤中,可以将当前时间输入正态分布函数,得到从当前时间去往该待推荐目的地的概率。
进一步地,针对每个待推荐目的地,根据以下步骤计算从当前地点去往该待推荐目的地的概率:
步骤B1:从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史出行起点。
在该步骤中,对于每个待推荐目的地,都需要计算该待推荐目的地对应特征向量中的每个非往返特征元素时,若一个元素用从当前地点去往该待推荐目的地的概率进行表示,则可以从历史出行订单的订单信息中获取出与该待推荐目的地对应的多个历史出行起点,这里,该待推荐目的地对应的多个历史出行起点,即历史出行订单中终点的地理位置与该待推荐目的地地理位置相同的订单中起点。
一示例中,历史出行订单1中终点为地点a、起点为地点b,历史出行订单2中终点为地点a、起点为地点c,历史出行订单3中终点为地点a、起点为地点d,历史出行订单4中终点为地点c、起点为地点e,若待推荐目的地为地点a,则需要获取终点为地点a的多个历史出行订单中对应的起点,即获取的起点为地点b、地点c、地点d。
步骤B2:统计从所述多个历史出行起点去往该待推荐目的地的总次数,以及从所述当前地点去往该待推荐目的地的目标次数。
在该步骤中,统计获取到的多个历史出行起点一共去往该待推荐目的地的总次数,及将多个历史出行起点中从每个历史出行起点去往该待推荐目的的次数进行求和得到总次数,并统计出与当前地点相同的历史出行起点去往待推荐目的地的目标次数。
步骤B3:将所述目标次数与所述总次数相除得到的商值,确定为从所述当前地点去往该待推荐目的地的概率。
在该步骤中,将目标次数与总次数相除得到一个商值,可以将该商值确定为从当前地点去往该待推荐目的地的概率。
S104:基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在该步骤中,将获取到的多个待推荐目的地中每个待推荐目的地对应的特征向量,分别输入至预先训练好的目的地预测模型中,可以得到对每个待推荐目的地的评价,进而根据上述评价确定出向终端设备推送的目的地,其中,被推送的目的地为之前获取的多个待推荐目的地中的一个。
这里,目的地预测模型可以为梯度下降树模型、逻辑回归模型。
进一步地,步骤S104中基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括以下步骤:
步骤1041:将所述特征向量输入预先训练好的目的地预测模型,得到每个待推荐目的地对应的评分。
在该步骤中,将获取到的多个待推荐目的地中每个待推荐目的地对应的特征向量,分别输入至预先训练好的目的地预测模型中,可以得到每个待推荐目的地的评分。
步骤1042:基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在该步骤中,在确定出各个待推荐目的地的评分后,可以根据各个待推荐目的地对应的评分,从多个待推荐目的中确定出一个用户最可能在当前时间、当前地点下去往的一个待推荐目的地,并将最可能去往的该待推荐目的地的目的地信息推送给终端设备。
进一步地,向待终端设备推送的目的地可以为评分最高的待推荐目的地,也可以为评分高于预设分值的待推荐目的地,还可以为评分最高且评分大于预设分值的待推荐目的地。
进一步地,步骤1042中基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,可以包括:
将所述多个待推荐目的地对应的多个评分进行比较,确定出最高评分;确定所述最高评分对应的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
进一步地,步骤1042中基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,还可以包括:
将每个待推荐目的地对应的评分与预设评分进行比较;
确定评分高于所述预设评分的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
本申请实施例提供的目的地信息的推送方法,在监测到终端设备打开目标应用程序时,通过获取的历史行为数据,可以获取多个待推荐目的地,并基于与每个待推荐目的地对应的当前预发单信息和历史出行订单,可以确定该待推荐目的地对应的特征向量,这里,特征向量包括往返特征元素,往返特征元素用于表征当前预发单信息与最近一次发起的历史目标订单之间的关联关系,并基于特征向量和目的地预测模型,可以确定向终端设备推送的目的地的信息。本申请可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
基于同一申请构思,本申请实施例中还提供了与上述实施例中提供的目的地信息的推送方法对应的目的地信息的推送装置,由于本申请实施例中的装置解决问题的原理与本申请上述实施例中提供的目的地信息的推送方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图2、图3,图2为本申请实施例所提供的一种目的地信息的推送装置的结构示意图之一,图3为本申请实施例所提供的一种目的地信息的推送装置的结构示意图之二。
如图2和图3所示,所述目的地信息的推送装置200包括:
第一获取模块210,用于当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
第二获取模块220,用于基于所述第一获取模块210获取的所述历史行为数据,获取多个待推荐目的地;
第一确定模块230,用于针对所述第二获取模块220获取的每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
第二确定模块240,用于基于所述第一确定模块230确定的所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,所述历史行为数据包括历史出行数据和所述历史搜索数据;如图2和图3所示,所述第二获取模块220,用于根据以下步骤获取多个待推荐目的地:
从所述历史出行数据中提取出多个出行终点,以及,从所述历史搜索数据中提取出多个搜索出行地点;
将提取出的所述多个出行终点和所述多个搜索出行地点,作为所述多个待推荐目的地。
在一种可能的实施方式中,针对每个待推荐目的地,所述往返特征元素包括以下信息中的多种:
所述当前时间与所述历史目标订单的目标发单时间的时间差、该待推荐目的地与所述历史目标订单的起点之间的路面距离、该待推荐目的地与所述历史目标订单的终点之间的路面距离、该待推荐目的地是否为所述历史目标订单的起点、该待推荐目的地是否为所述历史目标订单的终点、当前地点与所述历史目标订单的起点之间的路面距离、所述当前地点与所述历史目标订单的终点之间的路面距离、所述当前地点是否为所述历史目标订单的起点、所述当前地点是否为所述历史目标订单的终点;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,所述特征向量中还包括非往返特征元素,所述非往返特征元素用于表征所述当前预发单信息与所述终端设备的其他历史出行订单的订单信息之间的关联关系。
在一种可能的实施方式中,针对每个待推荐目的地,所述非往返特征元素包括以下信息中的多种:
从所述当前时间去往该待推荐目的地的概率、从当前地点去往该待推荐目的地的概率、所述终端设备平均发单的时间间隔、所述终端设备发单时间间隔的方差、所述当前地点与每个待推荐目的地的路面距离、该待推荐目的地为所述终端设备对应用户的第一常驻地址的置信度、该待推荐目的地为所述终端设备对应用户的第二常驻地址的置信度、所述历史出行订单中历史发单时间与所述当前时间之间的时间差小于或等于第一预设阈值对应的出行订单出现的次数、所述历史出行订单中历史出行起点与所述当前地点之间的路面距离差小于或等于第二预设阈值对应的出行订单出现的次数;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
在一种可能的实施方式中,如图3所示,所述目的地信息的推送装置200还包括第一计算模块250;所述第一计算模块250,用于针对每个待推荐目的地,根据以下步骤计算从所述当前时间去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史发单时间;
计算所述多个历史发单时间的平均值和方差,并根据所述均值和所述方差,生成正态分布函数;所述正态分布函数用于表示在每个历史发单时间去往该待推荐目的地的概率分布;
根据所述正态分布函数,计算从所述当前时间去往该待推荐目的地的概率。
在一种可能的实施方式中,如图3所示,所述目的地信息的推送装置200还包括第二计算模块260;所述第二计算模块260,用于针对每个待推荐目的地,根据以下步骤计算从当前地点去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史出行起点;
统计从所述多个历史出行起点去往该待推荐目的地的总次数,以及从所述当前地点去往该待推荐目的地的目标次数;
将所述目标次数与所述总次数相除得到的商值,确定为从所述当前地点去往该待推荐目的地的概率。
在一种可能的实施方式中,如图3所示,所述第二确定模块240包括:
输入单元242,用于将所述特征向量输入预先训练好的目的地预测模型,得到每个待推荐目的地对应的评分;
确定单元244,用于基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在一种可能的实施方式中,如图3所示,所述确定单元244,用于根据以下步骤确定向所述终端设备推送的目的地的信息:
将所述多个待推荐目的地对应的多个评分进行比较,确定出最高评分;
确定所述最高评分对应的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
在一种可能的实施方式中,如图3所示,所述确定单元244,用于根据以下步骤确定向所述终端设备推送的目的地的信息:
将每个待推荐目的地对应的评分与预设评分进行比较;
确定评分高于所述预设评分的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
本申请实施例提供的目的地信息的推送装置200,在监测到终端设备打开目标应用程序时,通过获取的历史行为数据,可以获取多个待推荐目的地,并基于与每个待推荐目的地对应的当前预发单信息和历史出行订单,可以确定该待推荐目的地对应的特征向量,这里,特征向量包括往返特征元素,往返特征元素用于表征当前预发单信息与最近一次发起的历史目标订单之间的关联关系,并基于特征向量和目的地预测模型,可以确定向终端设备推送的目的地的信息。本申请可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
基于同一申请构思,参见图4所示,为本申请实施例提供的一种电子设备400的结构示意图,包括:处理器410、存储器420和总线430,所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过所述总线430进行通信,所述机器可读指令被所述处理器410运行时执行如上述实施例中所述的目的地信息的推送方法的步骤。
具体地,所述机器可读指令被所述处理器410执行时可以执行如下处理:
当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
基于所述历史行为数据,获取多个待推荐目的地;
针对每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
在本申请的实施例中,在监测到终端设备打开目标应用程序时,通过获取的历史行为数据,可以获取多个待推荐目的地,并基于与每个待推荐目的地对应的当前预发单信息和历史出行订单,可以确定该待推荐目的地对应的特征向量,这里,特征向量包括往返特征元素,往返特征元素用于表征当前预发单信息与最近一次发起的历史目标订单之间的关联关系,并基于特征向量和目的地预测模型,可以确定向终端设备推送的目的地的信息。本申请可以基于待推荐目的地对应的包含了往返特征元素的特征向量来预测最有可能命中的待推荐目的地,且对于出行频率较低的用户,可以不受历史出行数据的限制,可以提升推送目的地信息的准确率。
本申请实施例还提供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可以执行如上述图1所示方法实施例中的目的地信息的推送方法的步骤,具体实现方式可参见方法实施例,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、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,多个单元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,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,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 (13)
1.一种目的地信息的推送方法,其特征在于,所述推送方法包括:
当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
基于所述历史行为数据,获取多个待推荐目的地;
针对每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
2.根据权利要求1所述的推送方法,其特征在于,所述历史行为数据包括历史出行数据和所述历史搜索数据;所述基于所述历史行为数据,获取多个待推荐目的地,包括:
从所述历史出行数据中提取出多个出行终点,以及,
从所述历史搜索数据中提取出多个搜索出行地点;
将提取出的所述多个出行终点和所述多个搜索出行地点,作为所述多个待推荐目的地。
3.根据权利要求1所述的推送方法,其特征在于,针对每个待推荐目的地,所述往返特征元素包括以下信息中的多种:
所述当前时间与所述历史目标订单的目标发单时间的时间差、该待推荐目的地与所述历史目标订单的起点之间的路面距离、该待推荐目的地与所述历史目标订单的终点之间的路面距离、该待推荐目的地是否为所述历史目标订单的起点、该待推荐目的地是否为所述历史目标订单的终点、当前地点与所述历史目标订单的起点之间的路面距离、所述当前地点与所述历史目标订单的终点之间的路面距离、所述当前地点是否为所述历史目标订单的起点、所述当前地点是否为所述历史目标订单的终点;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
4.根据权利要求1所述的推送方法,其特征在于,所述特征向量中还包括非往返特征元素,所述非往返特征元素用于表征所述当前预发单信息与所述终端设备的其他历史出行订单的订单信息之间的关联关系。
5.根据权利要求4所述的推送方法,其特征在于,针对每个待推荐目的地,所述非往返特征元素包括以下信息中的多种:
从所述当前时间去往该待推荐目的地的概率、从当前地点去往该待推荐目的地的概率、所述终端设备平均发单的时间间隔、所述终端设备发单时间间隔的方差、所述当前地点与每个待推荐目的地的路面距离、该待推荐目的地为所述终端设备对应用户的第一常驻地址的置信度、该待推荐目的地为所述终端设备对应用户的第二常驻地址的置信度、所述历史出行订单中历史发单时间与所述当前时间之间的时间差小于或等于第一预设阈值对应的出行订单出现的次数、所述历史出行订单中历史出行起点与所述当前地点之间的路面距离差小于或等于第二预设阈值对应的出行订单出现的次数;
其中,所述当前地点为所述终端设备打开所述目标应用程序时所在的地点。
6.根据权利要求5所述的推送方法,其特征在于,针对每个待推荐目的地,根据以下步骤计算从所述当前时间去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史发单时间;
计算所述多个历史发单时间的平均值和方差,并根据所述均值和所述方差,生成正态分布函数;所述正态分布函数用于表示在每个历史发单时间去往该待推荐目的地的概率分布;
根据所述正态分布函数,计算从所述当前时间去往该待推荐目的地的概率。
7.根据权利要求5所述的推送方法,其特征在于,针对每个待推荐目的地,根据以下步骤计算从当前地点去往该待推荐目的地的概率:
从所述历史出行订单的订单信息中获取与该待推荐目的地对应的多个历史出行起点;
统计从所述多个历史出行起点去往该待推荐目的地的总次数,以及
从所述当前地点去往该待推荐目的地的目标次数;
将所述目标次数与所述总次数相除得到的商值,确定为从所述当前地点去往该待推荐目的地的概率。
8.根据权利要求1所述的推送方法,其特征在于,所述基于所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将所述特征向量输入预先训练好的目的地预测模型,得到每个待推荐目的地对应的评分;
基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
9.根据权利要求8所述的推送方法,其特征在于,所述基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将所述多个待推荐目的地对应的多个评分进行比较,确定出最高评分;
确定所述最高评分对应的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
10.根据权利要求8所述的推送方法,其特征在于,所述基于每个待推荐目的地对应的评分,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息,包括:
将每个待推荐目的地对应的评分与预设评分进行比较;
确定评分高于所述预设评分的待推荐目的地,并向所述终端设备推送该待推荐目的地的目的地信息。
11.一种目的地信息的推送装置,其特征在于,所述推送装置包括:
第一获取模块,用于当监测到终端设备打开目标应用程序时,获取在当前时间之前的预设时间段内所述终端设备对应的历史行为数据;
第二获取模块,用于基于所述第一获取模块获取的所述历史行为数据,获取多个待推荐目的地;
第一确定模块,用于针对所述第二获取模块获取的每个待推荐目的地,基于与该待推荐目的地对应的当前预发单信息,以及历史出行订单的订单信息,确定该待推荐目的地对应的特征向量;所述特征向量中包括往返特征元素,所述往返特征元素用于表征所述当前预发单信息与所述终端设备最近一次发起的历史目标订单的订单信息之间的关联关系;
第二确定模块,用于基于所述第一确定模块确定的所述特征向量和预先训练好的目的地预测模型,从所述多个待推荐目的地中确定向所述终端设备推送的目的地的信息。
12.一种电子设备,其特征在于,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所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至10任一所述的目的地信息的推送方法的步骤。
13.一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1至10任一所述的目的地信息的推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906463.7A CN111831930B (zh) | 2019-09-24 | 2019-09-24 | 目的地信息的推送方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906463.7A CN111831930B (zh) | 2019-09-24 | 2019-09-24 | 目的地信息的推送方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831930A true CN111831930A (zh) | 2020-10-27 |
CN111831930B CN111831930B (zh) | 2023-11-07 |
Family
ID=72911632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906463.7A Active CN111831930B (zh) | 2019-09-24 | 2019-09-24 | 目的地信息的推送方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831930B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055553A (zh) * | 2023-01-09 | 2023-05-02 | 中国第一汽车股份有限公司 | 车辆推送信息的处理方法、系统和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034250A1 (ko) * | 2015-08-21 | 2017-03-02 | 주식회사 크루메이트 | 팔로우 항공 검색 시스템 및 방법 |
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 |
CN108022140A (zh) * | 2016-11-02 | 2018-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种用车订单推荐方法、装置及服务器 |
WO2019015600A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION |
-
2019
- 2019-09-24 CN CN201910906463.7A patent/CN111831930B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034250A1 (ko) * | 2015-08-21 | 2017-03-02 | 주식회사 크루메이트 | 팔로우 항공 검색 시스템 및 방법 |
CN108022140A (zh) * | 2016-11-02 | 2018-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种用车订单推荐方法、装置及服务器 |
WO2019015600A1 (en) * | 2017-07-20 | 2019-01-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR RECOMMENDING A DESTINATION |
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)
Title |
---|
姚迪;张超;黄建辉;陈越新;毕经平;: "时空数据语义理解:技术与应用", 软件学报, no. 07 * |
熊丽荣;王玲燕;黄玉柱;: "一种联合LTR和社交网络的Top-k推荐方法", 小型微型计算机系统, no. 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055553A (zh) * | 2023-01-09 | 2023-05-02 | 中国第一汽车股份有限公司 | 车辆推送信息的处理方法、系统和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111831930B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101999471B1 (ko) | 정보 추천 방법 및 장치 | |
EP3404556A1 (en) | Information recommendation method and apparatus, and server | |
KR101932608B1 (ko) | 자전거 대여 시스템 관리 방법, 자전거 대여 시스템의 관리 서버, 및 컴퓨터 판독가능 기록 매체 | |
CA2922065A1 (en) | System and method for determining a sequence for performing a plurality of tasks | |
CN108154252A (zh) | 用于预估流程完成时间的方法和装置 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN111612400A (zh) | 一种配送时长的预测方法及装置 | |
CN110298508A (zh) | 行为预测方法、装置及设备 | |
CN106033574B (zh) | 一种作弊行为的识别方法及装置 | |
CN108921587B (zh) | 一种数据处理方法、装置及服务器 | |
KR20130012198A (ko) | 사용자 친밀도 기반의 주소록 생성을 위한 시스템, 서버 장치, 단말 장치, 기록매체 및 사용자 친밀도 기반의 주소록 생성 방법 | |
JP5508941B2 (ja) | 滞在目的推定装置、方法及びプログラム | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN111831930A (zh) | 目的地信息的推送方法、装置、电子设备及可读存储介质 | |
EP3182738B1 (en) | Method and means for triggering at least one action based on geolocation and user information, places and user habits | |
CN110470310A (zh) | 自动地图生成 | |
CN114692002A (zh) | 预测模型的更新方法、装置、电子设备及存储介质 | |
CN109246623B (zh) | 一种通信号码补全方法、装置及存储介质 | |
CN111078522A (zh) | 页面待优化区域的识别方法、装置、电子设备及存储介质 | |
CN111861625A (zh) | 一种异常订单确定方法及装置 | |
CN110852807A (zh) | 用户确定方法、装置、计算机设备及存储介质 | |
CN111832310A (zh) | 一种文本处理方法及装置 | |
CN110245063B (zh) | 用户行为统计方法及装置 | |
CN111757247B (zh) | 一种基于可穿戴设备的数据共享方法及可穿戴设备 | |
CN115617392B (zh) | 一种版本号的确定方法及装置 |
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 |