CN111835810A - 一种目的地推送方法、装置、电子设备及存储介质 - Google Patents

一种目的地推送方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111835810A
CN111835810A CN201910906439.3A CN201910906439A CN111835810A CN 111835810 A CN111835810 A CN 111835810A CN 201910906439 A CN201910906439 A CN 201910906439A CN 111835810 A CN111835810 A CN 111835810A
Authority
CN
China
Prior art keywords
destination
historical
probability
service request
history
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.)
Pending
Application number
CN201910906439.3A
Other languages
English (en)
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 CN201910906439.3A priority Critical patent/CN111835810A/zh
Publication of CN111835810A publication Critical patent/CN111835810A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请提供了一种目的地推送方法、装置、电子设备及存储介质，其中，目的地推送方法包括获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；利用当前时刻和上车位置，确定服务请求端对应的乘车特征向量；针对历史订单对应的每个历史目的地，基于服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；利用乘车特征向量和每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给服务请求端。本申请利用历史订单确定的第一周期特征向量，通过第一周期特征向量可以提高预测得到的目标目的地的准确度。

Description

一种目的地推送方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种目的地推送方法、装置、电子设备及存储介质。
背景技术
目前，用户在利用服务请求端(手机、平板电脑等)打开发布乘车订单的应用程序(Application，APP)时，首页上会展示后台服务器预测并推送的目的地，若该推送的目的地为用户想要前往的目标目的地，则用户可以直接点击该目标目的地，服务器将基于该目标目的地，控制服务请求端跳转至发布订单页面，以使得用户完成订单发布。
通常，APP的后台服务器基于服务请求端的当前时刻和位置信息，提取出服务请求端对应的通用特征，利用DeepFM模型对通用特征进行计算，进而预测目标目的地。但是，仅利用通用特征来预测目标目的地，准确度较低，浪费了服务请求端和服务端的服务资源，同时不利于提高用户的发单效率。
发明内容
有鉴于此，本申请实施例的目的在于提供一种目的地推送方法、装置、电子设备及存储介质，能够提高预测目标目的地的准确度，降低服务请求端和服务端的资源消耗，有利于提高用户的发单效率。
第一方面，本申请实施例提供了一种目的地推送方法，其中，包括：
获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量，包括：
利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；
利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；
将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，包括：
针对每个历史目的地，基于所述稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为所述目标目的地的第一概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率；
基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述第二概率包括第一子概率和第二子概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率，包括：
利用预先训练得到的因子分解机FM模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第一子概率；
利用预先训练得到的深度神经网络DNN模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第二子概率。
结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地，包括：
获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
针对每个历史目的地，利用所述第一子概率、所述第一权重、所述第二子概率以及所述第二权重，确定该历史目的地作为所述目标目的地的第三概率；
基于每个历史目的地对应的第三概率，从所述多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述第一周期特征向量包括第一周期特征子向量；
所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，包括：
获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，所述服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
利用所述第一历史订单数量、所述第二历史订单数量、所述第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
结合第一方面的第五种可能的实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中，所述订单信息包括所述服务请求端发布的，以该历史目的地为目的地的历史订单时的发布时刻；第一周期特征向量还包括第二周期特征子向量；
所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，还包括：
确定所述当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
筛选与所述第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
利用所述第四历史订单数量、所述第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
第二方面，本申请实施例还提供了一种目的地推送装置，其中，包括：
获取模块，用于获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
第一确定模块，用于利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
第二确定模块，用于针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
筛选模块，用于利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从所述多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述第一确定模块，具体用于：
利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；
利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；
将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述筛选模块包括：
第一确定子模块，用于针对每个历史目的地，基于所述稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为所述目标目的地的第一概率；
第二确定子模块，用于针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率；
筛选子模块，用于基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述第二概率包括第一子概率和第二子概率；所述第二确定子模块，具体用于：
利用预先训练得到的因子分解机FM模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第一子概率；
利用预先训练得到的深度神经网络DNN模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第二子概率。
结合第二方面的第三种可能的实施方式，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述筛选子模块，具体用于：
获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
针对每个历史目的地，利用所述第一子概率、所述第一权重、所述第二子概率以及所述第二权重，确定该历史目的地作为所述目标目的地的第三概率；
基于每个历史目的地对应的第三概率，从所述多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
结合第二方面，本申请实施例提供了第二方面的第五种可能的实施方式，其中，所述第一周期特征向量包括第一周期特征子向量；
所述第二确定模块，具体用于：
获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，所述服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
利用所述第一历史订单数量、所述第二历史订单数量、所述第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
结合第二方面的第五种可能的实施方式，本申请实施例提供了第二方面的第六种可能的实施方式，其中，所述订单信息包括所述服务请求端发布的，以该历史目的地为目的地的历史订单时的发布时刻；第一周期特征向量还包括第二周期特征子向量；
所述第二确定模块，还具体用于：
确定所述当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
筛选与所述第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
利用所述第四历史订单数量、所述第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的第一种可能的实施方式至第一方面的第六种可能的实施方式中任一种可能的实施方式中的步骤。
第四方面，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第一方面，或第一方面的第一种可能的实施方式至第一方面的第六种可能的实施方式中任一种可能的实施方式中的步骤。
本申请实施例提供的一种目的地推送方法、装置、电子设备及存储介质，其中，目的地推送方法包括获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；利用当前时刻和上车位置，确定服务请求端对应的乘车特征向量；针对历史订单对应的每个历史目的地，基于服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；利用乘车特征向量和每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给服务请求端。本申请实施例通过历史订单确定第一周期特征向量，通过第一周期特征向量可以提高预测得到的目标目的地的准确度，降低服务请求端和服务端的资源消耗，有利于提高用户的发单效率。
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推送方法的流程图；
图2示出了本申请实施例所提供的另一种目的地推送方法的流程图；
图3示出了本申请实施例所提供的另一种目的地推送方法的流程图；
图4示出了本申请实施例所提供的另一种目的地推送方法的流程图；
图5示出了本申请实施例所提供的另一种目的地推送方法的流程图；
图6示出了本申请实施例所提供的一种目的地推送装置的结构示意图；
图7示出了本申请实施例所提供的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附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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。
现有技术中，APP的后台服务器基于服务请求端的当前时刻和位置信息，提取出服务请求端对应的通用特征，利用DeepFM模型对通用特征进行计算，进而预测目标目的地。但是，仅利用通用特征来预测目标目的地，准确度较低，浪费了服务请求端和服务端的服务资源，同时不利于提高用户的发单效率。针对上述问题，本申请实施例提供的一种目的地推送方法、装置、电子设备及存储介质，能够提高预测目标目的地的准确度，降低服务请求端和服务端的资源消耗，有利于提高用户的发单效率。
为便于对本申请实施例进行理解，首先对本申请实施例所公开的一种目的地推送方法进行详细介绍。具体的，实施例以服务端为执行主体进行介绍。
如图1所示，为本申请实施例提供的目的地推送方法的流程图，具体步骤如下：
S101，获取当前时刻、服务请求端的上车位置和服务请求端的历史订单。
在具体实施中，用户在通过服务请求端登录应用程序之后，服务器可以实时获取使用该应用程序的当前时刻，以及该服务请求端的上车位置，该上车位置可以是该服务请求端当前所处的位置，也可以是服务请求端对应的用户选择的上车位置，本申请实施例对此不做具体限定。
服务器可以将每个用户的所有出行订单进行存储，在用户通过服务请求端登录应用程序之后，服务器可以获取该服务请求端的历史订单，也即用户的历史订单。
S102，利用当前时刻和上车位置，确定服务请求端对应的乘车特征向量。
在具体实施中，乘车特征向量包括稠密向量和稀疏向量，具体的，利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
S103，针对历史订单对应的每个历史目的地，基于服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量。
在具体实施中，每个历史订单均对应有一个历史目的地，也即，该服务请求端去到过的目的地。
在本申请实施例中，针对该服务请求端的历史订单对应的每个历史目的地，基于所有历史订单查找该历史目的地的周期特征，进而确定该历史目的地对应的第一周期特征向量。其中，第一周期特征向量包含有该历史目的地的周期特征。
具体的，针对该服务请求端的历史订单对应的每个历史目的地，基于服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量。
其中，该预设周期可以是一周、十天、两周等，本申请实施例以一周为预设周期进行阐述。
这里，历史订单的订单信息包括订单起始点、订单目的地、发布该历史订单的历史时刻等。
S104，利用乘车特征向量和每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给服务请求端。
在具体实施中，针对每个历史目的地可以确定该历史目的地对应的第一周期特征向量，利用乘车特征向量和该历史目的地对应的第一周期特征向量，可以确定该历史目的地作为当前服务请求端对应的目标目的地的概率。同样的，可以确定出每个历史目的地作为当前服务请求端对应的目标目的地的概率。
在确定每个历史目的地作为当前服务请求端对应的目标目的地的概率之后，从多个历史目的地中筛选出概率值最高的历史目的地，将概率值最高的历史目的地作为目标目的地，并将该目标目的地推送给服务请求端。
本申请实施例通过获取的历史订单对应的每个历史目的地，并提取出每个历史目的地对应的第一周期特征向量；利用第一周期特征向量来计算每个历史目的地为目标目的地的概率，可以提高每个历史目的地为目标目的地的概率的准确度；将概率最高的历史目的地作为目标目的地，并将目标目的地推送给服务请求端，降低了服务请求端和服务端的资源消耗，且有利于提高用户的发单效率。
具体的，可以按照图2所示的方法来筛选目标目的地，其中，具体步骤如下：
S201，针对每个历史目的地，基于稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为目标目的地的第一概率；
S202，针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、稠密向量、稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为目标目的地的第二概率；
S203，基于每个历史目的地对应的第二概率，从多个历史目的地中筛选目标目的地。
在具体实施中，首先针对每个历史目的地，将稠密向量和该历史目的地对应的第一周期特征向量，输入值预先训练好的决策树算法(Gradient Boosting Decision Tree，GDBT)模型中，得到该历史目的地对应的第二周期特征向量，以及该历史目的地作为目标目的地的第一概率。这里，第二周期特征向量也包含有该历史目的地的周期特征。
然后针对每个历史目的地，利用该历史目的地对应的第二周期特征向量、稠密向量、稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为目标目的地的第二概率。其中，第二概率包括第一子概率和第二子概率。
具体的，对该历史目的地对应的第二周期特征向量、稠密向量、稀疏向量和该历史目的地对应的第一概率进行拼接处理，将拼接处理后得到的向量输入至预先训练得到的因子分解机FM模型中，得到该历史目的地作为目标目的地的第一子概率；同时，将拼接处理后得到的向量输入至预先训练得到的深度神经网络DNN模型，得到该历史目的地作为目标目的地的第二子概率。
基于每个历史目的地对应的第一子概率和第二子概率，从多个历史目的地中筛选目标目的地。
具体的，可以按照图3所示的方法来基于每个历史目的地对应的第一子概率和第二子概率，从多个历史目的地中筛选目标目的地，其中，具体步骤如下：
S301，获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
S302，针对每个历史目的地，利用第一子概率、第一权重、第二子概率以及第二权重，确定该历史目的地作为目标目的地的第三概率；
S303，基于每个历史目的地对应的第三概率，从多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
在具体实施中，可以预先分别设置第一子概率和第二子概率对应的权重。在确定第一子概率和第二子概率之后，服务器分别获取第一子概率对应的第一权重，以及第二子概率对应的第二权重。
针对每个历史目的地，利用第一子概率、第一权重、第二子概率以及第二权重进行加权计算，得到该历史目的地作为目标目的地的第三概率。基于每个历史目的地对应的第三概率，从多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
由于上述第三概率值是基于包含历史目的地的周期特征的第二周期特征向量得到的，因此，第三概率值是结合了通用特征和该历史目的地的周期特征得到的，准确度较高。
具体的，第一周期特征向量包括第一周期特征子向量和第二周期特征子向量，接下来，对确定该历史目的地对应的第一周期特征子向量和第二周期特征子向量分别进行详细阐述。
如图4所示，为本申请实施例提供的确定该历史目的地对应的第一周期特征子向量的方法，其中，具体步骤如下：
S401，获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
S402，利用第一历史订单数量、第二历史订单数量、第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
在具体实施中，在获取当前时刻所属的预设周期的上一个预设周期内，与当前时刻所属的时间段相同的历史时间段内，服务请求端发布的第一历史订单数量，服务请求端发布的，以该历史目的地为目的地的第二历史订单数量之后，可以按照如下的公式1来进行计算，得到第一周期特征子向量的一个元素。
其中，公式1如下：
Figure BDA0002213416470000141
其中，P表示第一周期特征子向量的一个元素，N1表示第二历史订单数量，N2表示第一历史订单数量。
在获取M个预设周期内，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量之后，可以按照如下的公式2来进行计算，得到第一周期特征子向量的九个元素。
其中，公式2如下：
Figure BDA0002213416470000151
其中，Pk表示第一周期特征子向量中除P以外的其他元素中的一个元素，K表示小时间隔，hourGap表示当前时刻与当前时刻所属的时间段相同的历史时间段内，服务请求端发布的，以该历史目的地为目的地的历史订单的发布时刻之间的小时间隔，decayFactor表示衰减系数，Nk表示第三订单数量，N1表示第二历史订单数量。
这里，M为当前时刻所属的预设周期之前的预设周期数量，例如，M可以取4、8、12等，在M取4时，decayFactor的取值为0.840896；在M取8时，decayFactor的取值为0.917004；在M取12时，decayFactor的取值为0.943874。并且，分别以K取值为1、2、5时，进行计算，由于，根据上述公式可以得到第一周期特征子向量的九个元素。
综上，通过上述公式1和公式2确定的十个元素，组成10维的第一周期特征子向量。
如图5所示，为本申请实施例提供的确定该历史目的地对应的第二周期特征子向量的方法，其中，具体步骤如下：
S501，确定当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
S502，获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
S503，确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
S504，筛选与第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
S505，利用第四历史订单数量、第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
在具体实施中，获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量，并从所有以该历史目的地为目的地的历史订单的订单信息中，提取该历史订单的发布时刻，确定当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔。其中，预设时间段可以根据需求进行设置。
判断预设时间段内，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔，与第一时间间隔相同的历史订单的第五历史订单数量；按照公式3，利用第四历史订单数量、第五历史订单数量，计算该历史目的地对应的第二周期特征子向量。其中，第二周期特征子向量为1维向量。
其中，公式3如下：
Figure BDA0002213416470000161
其中，Pw表示第二周期特征子向量的元素，NdayGap表示第四历史订单数量，dayGap表示第一时间间隔，N3表示第五历史订单数量。
通过本申请实施例提供的目的地推送方法，通过获取的历史订单对应的每个历史目的地，并提取出每个历史目的地对应的第一周期特征向量；利用第一周期特征向量来计算每个历史目的地为目标目的地的概率，可以提高每个历史目的地为目标目的地的概率的准确度；将概率最高的历史目的地作为目标目的地，并将目标目的地推送给服务请求端，降低了服务请求端和服务端的资源消耗，有利于提高用户的发单效率。
基于同一发明构思，本申请实施例还提供了与目的地推送方法对应的目的地推送装置，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目的地推送方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参见图6所示，本申请又一实施例所提供的目的地推送装置包括：
获取模块601，用于获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
第一确定模块602，用于利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
第二确定模块603，用于针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
筛选模块604，用于利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从所述多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
在一种实施方式中，上述第一确定模块602，具体用于：
利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；
利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；
将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
在另一种实施方式中，上述筛选模块604包括：
第一确定子模块6041，用于针对每个历史目的地，基于所述稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为所述目标目的地的第一概率；
第二确定子模块6042，用于针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率；
筛选子模块6043，用于基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地。
在又一种实施方式中，述第二概率包括第一子概率和第二子概率；上述第二确定子模块6042，具体用于：
利用预先训练得到的因子分解机FM模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第一子概率；
利用预先训练得到的深度神经网络DNN模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第二子概率。
在再一种实施方式中，上述筛选子模块6043，具体用于：
获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
针对每个历史目的地，利用所述第一子概率、所述第一权重、所述第二子概率以及所述第二权重，确定该历史目的地作为所述目标目的地的第三概率；
基于每个历史目的地对应的第三概率，从所述多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
在再一种实施方式中，所述第一周期特征向量包括第一周期特征子向量；上述第二确定模块603，具体用于：
获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，所述服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
利用所述第一历史订单数量、所述第二历史订单数量、所述第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
在再一种实施方式中，所述订单信息包括所述服务请求端发布的，以该历史目的地为目的地的历史订单时的发布时刻；第一周期特征向量还包括第二周期特征子向量；
上述第二确定模块603，还具体用于：
确定所述当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
筛选与所述第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
利用所述第四历史订单数量、所述第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
图7描述了本发明实施例提供的一种电子设备700的结构，该电子设备700包括：至少一个处理器701，至少一个网络接口704或者其他用户接口703，存储器705，至少一个通信总线702。通信总线702用于实现这些组件之间的连接通信。该电子设备700可选的包含用户接口703，包括显示器(例如，触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等)，键盘或者点击设备(例如，鼠标，轨迹球(trackball)，触感板或者触摸屏等)。
存储器705可以包括只读存储器和随机存取存储器，并向处理器701提供指令和数据。存储器705的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中，存储器705存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：
操作系统7051，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
应用程序模块7052，包含各种应用程序，例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。
在本发明实施例中，通过调用存储器705存储的程序或指令，处理器701用于：
获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从所述多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
可选地，处理器701执行的方法中，所述利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量，包括：
利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；
利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；
将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
可选地，处理器701执行的方法中，所述利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从所述多个历史目的地中筛选目标目的地，包括：
针对每个历史目的地，基于所述稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为所述目标目的地的第一概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率；
基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地。
可选地，处理器701执行的方法中，所述第二概率包括第一子概率和第二子概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率，包括：
利用预先训练得到的因子分解机FM模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第一子概率；
利用预先训练得到的深度神经网络DNN模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第二子概率。
可选地，处理器701执行的方法中，所述基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地，包括：
获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
针对每个历史目的地，利用所述第一子概率、所述第一权重、所述第二子概率以及所述第二权重，确定该历史目的地作为所述目标目的地的第三概率；
基于每个历史目的地对应的第三概率，从所述多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
可选地，处理器701执行的方法中，所述第一周期特征向量包括第一周期特征子向量；所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，包括：
获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，所述服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
利用所述第一历史订单数量、所述第二历史订单数量、所述第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
可选地，处理器701执行的方法中，所述订单信息包括所述服务请求端发布的，以该历史目的地为目的地的历史订单时的发布时刻；第一周期特征向量还包括第二周期特征子向量；
所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，还包括：
确定所述当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
筛选与所述第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
利用所述第四历史订单数量、所述第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
本申请实施例所提供的目的地推送方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
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，能够执行上述目的地推送方法，能够提高预测目标目的地的准确度，降低服务请求端和服务端的资源消耗，有利于提高用户的发单效率。
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所述以权利要求的保护范围为准。

Claims (10)

1.一种目的地推送方法，其特征在于，包括：
获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
2.根据权利要求1所述的目的地推送方法，其特征在于，所述利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量，包括：
利用当前时刻和所述上车位置，生成服务请求端对应的稠密向量；
利用当前时刻和所述上车位置，生成服务请求端对应的稀疏向量；
将生成的所述稠密向量和稀疏向量作为所述服务请求端对应的乘车特征向量。
3.根据权利要求2所述的目的地推送方法，其特征在于，所述利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，包括：
针对每个历史目的地，基于所述稠密向量和该历史目的地对应的第一周期特征向量，确定该历史目的地对应的第二周期特征向量和该历史目的地作为所述目标目的地的第一概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率；
基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地。
4.根据权利要求3所述的目的地推送方法，其特征在于，所述第二概率包括第一子概率和第二子概率；
针对每个历史目的地，基于该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率，确定该历史目的地作为所述目标目的地的第二概率，包括：
利用预先训练得到的因子分解机FM模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第一子概率；
利用预先训练得到的深度神经网络DNN模型，对该历史目的地对应的第二周期特征向量、所述稠密向量、所述稀疏向量和该历史目的地对应的第一概率进行处理，得到该历史目的地作为所述目标目的地的第二子概率。
5.根据权利要求4所述的目的地推送方法，其特征在于，所述基于每个历史目的地对应的第二概率，从所述多个历史目的地中筛选目标目的地，包括：
获取第一子概率对应的第一权重，和第二子概率对应的第二权重；
针对每个历史目的地，利用所述第一子概率、所述第一权重、所述第二子概率以及所述第二权重，确定该历史目的地作为所述目标目的地的第三概率；
基于每个历史目的地对应的第三概率，从所述多个历史目的地中筛选第三概率最高的历史目的地作为目标目的地。
6.根据权利要求1所述的目的地推送方法，其特征在于，所述第一周期特征向量包括第一周期特征子向量；
所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，包括：
获取当前时刻所属的预设周期的上一个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的第一历史订单数量；获取当前时刻所属的预设周期的上一个预设周期内的，所述服务请求端发布的，以该历史目的地为目的地的第二历史订单数量；获取M个预设周期内的，与当前时刻所属的时间段相同的历史时间段内，所述服务请求端发布的，以该历史目的地为目的地的第三历史订单数量；M为正整数；
利用所述第一历史订单数量、所述第二历史订单数量、所述第三历史订单数量，确定该历史目的地对应的第一周期特征子向量。
7.根据权利要求6所述的目的地推送方法，其特征在于，所述订单信息包括所述服务请求端发布的，以该历史目的地为目的地的历史订单时的发布时刻；第一周期特征向量还包括第二周期特征子向量；
所述基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量，还包括：
确定所述当前时刻与上一个以该历史目的地为目的地的历史订单的发布时刻之间的第一时间间隔；
获取预设时间段内所有以该历史目的地为目的地的历史订单的第四历史订单数量；
确定在预设时间段内的，所有以该历史目的地为目的地的历史订单中，每相邻的两个历史订单对应的发布时刻之间的第二时间间隔；
筛选与所述第一时间间隔相等的第二时间间隔对应的历史订单，并统计筛选得到的历史订单的数量，得到第五历史订单数量；
利用所述第四历史订单数量、所述第五历史订单数量，确定该历史目的地对应的第二周期特征子向量。
8.一种目的地推送装置，其特征在于，包括：
获取模块，用于获取当前时刻、服务请求端的上车位置和服务请求端的历史订单；
第一确定模块，用于利用当前时刻和所述上车位置，确定所述服务请求端对应的乘车特征向量；
第二确定模块，用于针对所述历史订单对应的每个历史目的地，基于所述服务请求端在至少一个预设周期内发布的，以该历史目的地为目的地的历史订单的订单信息，确定该历史目的地对应的第一周期特征向量；
筛选模块，用于利用所述乘车特征向量和所述每个历史目的地对应的第一周期特征向量，从多个历史目的地中筛选目标目的地，并将筛选得到的目标目的地推送给所述服务请求端。
9.一种电子设备，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总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的目的地推送方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任意一项所述的目的地推送方法的步骤。
CN201910906439.3A 2019-09-24 2019-09-24 一种目的地推送方法、装置、电子设备及存储介质 Pending CN111835810A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910906439.3A CN111835810A (zh) 2019-09-24 2019-09-24 一种目的地推送方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910906439.3A CN111835810A (zh) 2019-09-24 2019-09-24 一种目的地推送方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111835810A true CN111835810A (zh) 2020-10-27

Family

ID=72911625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910906439.3A Pending CN111835810A (zh) 2019-09-24 2019-09-24 一种目的地推送方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111835810A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402931A (zh) * 2016-05-19 2017-11-28 滴滴（中国）科技有限公司 一种出行目的地推荐方法和装置
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
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
US20180181910A1 (en) * 2015-08-20 2018-06-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining information related to a current order based on historical orders

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180181910A1 (en) * 2015-08-20 2018-06-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining information related to a current order based on historical orders
CN107402931A (zh) * 2016-05-19 2017-11-28 滴滴（中国）科技有限公司 一种出行目的地推荐方法和装置
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
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

Similar Documents

Publication Publication Date Title
US11062226B2 (en) Determining a likelihood of a user interaction with a content element
US10108701B2 (en) System and method for determining context
CN110233873B (zh) 基于区块链的虚拟凭证值分配方法、合约运行装置及存储介质
CN103971170A (zh) 一种用于对特征信息的变化进行预测的方法和装置
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
CN109756368B (zh) 设备异常变更的检测方法、装置、计算机可读存储介质及终端
CN110704677A (zh) 一种节目推荐方法、装置、可读存储介质及终端设备
CN110766513A (zh) 信息排序方法、装置、电子设备及可读存储介质
CN111860986A (zh) 一种预测模型的训练方法、广告点击预测方法及装置
CN108804917B (zh) 一种文件检测方法、装置、电子设备及存储介质
CN106528048B (zh) 评估随机数生成器质量的方法及装置
CN105432038A (zh) 应用排名计算装置和使用信息收集装置
CN114119123A (zh) 信息推送的方法和装置
JP2017091435A (ja) 滞在場所予測装置
CN111835810A (zh) 一种目的地推送方法、装置、电子设备及存储介质
CN117193980A (zh) 任务剩余时长的计算方法和装置
CN107305552A (zh) 辅助阅读方法和装置
CN110413946A (zh) 使用交替最小二乘优化来在线训练和更新因子分解机
JP2012014441A (ja) ユーザにアプリケーションを推薦するサーバ及び方法
CN111382557B (zh) 非定长输入数据的批量处理方法、装置、终端及存储介质
CN113760550A (zh) 资源分配方法和资源分配装置
JP5979159B2 (ja) 推薦条件修正装置、推薦条件修正方法、および、推薦条件修正プログラム
CN113468869A (zh) 一种语义分析模型生成方法、语义分析方法、装置及设备
CN110852807A (zh) 用户确定方法、装置、计算机设备及存储介质
JP2020102161A (ja) 推定装置、レコメンドシステム、推定プログラムおよび推定方法

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