CN111861178B - 服务匹配模型的训练方法、服务匹配方法、设备及介质 - Google Patents
服务匹配模型的训练方法、服务匹配方法、设备及介质 Download PDFInfo
- Publication number
- CN111861178B CN111861178B CN202010670525.1A CN202010670525A CN111861178B CN 111861178 B CN111861178 B CN 111861178B CN 202010670525 A CN202010670525 A CN 202010670525A CN 111861178 B CN111861178 B CN 111861178B
- Authority
- CN
- China
- Prior art keywords
- order
- service provider
- vertex
- service
- convolution layer
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 106
- 239000013598 vector Substances 0.000 claims description 198
- 230000002776 aggregation Effects 0.000 claims description 42
- 238000004220 aggregation Methods 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 42
- 238000013507 mapping Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 230000004931 aggregating effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method 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
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本申请提供了一种服务匹配模型的训练方法、服务匹配方法、设备及介质,涉及计算机模型技术领域。其中,该训练方法通过获取训练数据集,训练数据集包括多个训练样本数据;根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系,进而可以基于多属性异质图充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所获取的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
Description
技术领域
本申请涉及计算机模型技术领域,具体而言,涉及一种服务匹配模型的训练方法、服务匹配方法、设备及介质。
背景技术
“顺风车”平台是一个提升车辆利用率的应用平台,其功能主要为帮助司机车主匹配到顺路的乘客,即方便了乘客,也使司机能够从中得到一定的报酬。其中,通过“顺风车”平台,乘客可以在“顺风车”平台上发布订单需求;司机可以在“顺风车”平台上发布行程路线,并通过“顺风车”平台上浏览乘客发布的订单需求,并邀请至少一个乘客订单作为其行程路线的顺路单。
现有的,为了给司机推荐与其行程路线尽可能匹配的候选乘客订单,现有的订单匹配算法一般是基于长特征建模的方案,即将与目标司机订单和候选乘客订单所有相关的特征组合成一个长向量,然后输入到二分类模型中确定其是否匹配。
但现有的订单匹配算法考虑的元素比较单一,其推荐的准确度较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种服务匹配模型的训练方法、服务匹配方法、设备及介质,用于解决现有技术中存在的问题。
第一方面,本申请实施例提供一种服务匹配模型的训练方法,包括:获取训练数据集,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个服务提供方历史订单对应的服务请求方历史订单,且服务请求方历史订单标注有是否被服务提供方所接收的标签;
根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系;
根据多属性异质图,训练获取服务匹配模型。
可选地,根据训练数据集,构建多属性异质图,包括:将服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单作为顶点,以顶点之间的连线为边,构建订单异质图;根据服务提供方的属性信息、服务提供方的至少一个服务提供方历史订单的属性信息、服务提供方历史订单对应的服务请求方订单的属性信息,添加边属性、顶点属性,构建多属性异质图。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;根据多属性异质图,训练获取服务匹配模型,包括:将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量输入全连接层,训练获取服务匹配模型。
可选地,将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量,包括:
将多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合之前,上述方法还包括:
将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合之前,上述方法还包括:获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
第二方面,本申请实施例提供一种服务匹配方法,包括:获取待匹配的服务提供方订单对应的多属性异质图,其中,多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,边用于表示顶点之间的关系;将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的服务请求方订单;
其中,服务匹配模型由训练数据集训练获取,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个样本服务提供方历史订单对应的样本服务请求方历史订单,且样本服务请求方历史订单标注有是否被样本服务提供方所接收的标签。
可选地,获取待匹配的服务提供方订单对应的多属性异质图,包括:
根据待匹配的服务提供方订单,获取待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单;根据待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,构建待匹配的服务提供方订单对应的多属性异质图。
可选地,将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的服务请求方订单,包括:
将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数;根据待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,包括:
将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图对应的点嵌入向量和边嵌入向量输入全连接层,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数。
可选地,将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量,包括:将待匹配的服务提供方订单对应的多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息融合之前,还包括:
将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;
计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息融合之前,还包括:
获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
第三方面,本申请实施例提供一种服务匹配模型的训练装置,包括:获取模块、构建模块以及训练模块;
获取模块,用于获取训练数据集,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个服务提供方历史订单对应的服务请求方历史订单,且服务请求方历史订单标注有是否被服务提供方所接收的标签;构建模块,用于根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系;训练模块,用于根据多属性异质图,训练获取服务匹配模型。
可选地,构建模块,具体用于将服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单作为顶点,以顶点之间的连线为边,构建订单异质图;根据服务提供方的属性信息、服务提供方的至少一个服务提供方历史订单的属性信息、服务提供方历史订单对应的服务请求方订单的属性信息,添加边属性、顶点属性,构建多属性异质图。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;训练模块,具体用于将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量输入全连接层,训练获取服务匹配模型。
可选地,训练模块,具体用于将多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,训练模块,还用于将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,训练模块,还用于获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
第四方面,本申请实施例提供一种服务匹配装置,包括:获取模块和输出模块;
获取模块,用于获取待匹配的服务提供方订单对应的多属性异质图,其中,多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,边用于表示顶点之间的关系;输出模块,用于将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的服务请求方订单;其中,服务匹配模型由训练数据集训练获取,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个样本服务提供方历史订单对应的样本服务请求方历史订单,且样本服务请求方历史订单标注有是否被样本服务提供方所接收的标签。
可选地,获取模块,具体用于根据待匹配的服务提供方订单,获取待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单;根据待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,构建待匹配的服务提供方订单对应的多属性异质图。
可选地,输出模块,具体用于将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数;根据待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;输出模块,具体用于将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图对应的点嵌入向量和边嵌入向量输入全连接层,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数。
可选地,输出模块,具体用于将待匹配的服务提供方订单对应的多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,装置还包括计算模块,用于将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,计算模块,还用于将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
第四方面,本申请实施例提供一种电子设备,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,以执行上述方法的步骤。
第五方面,本申请实施例提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法的步骤。
本申请的有益效果是:本申请实施例提供的服务匹配模型的训练方法、服务匹配方法、设备及介质中,该训练方法通过获取训练数据集,训练数据集包括多个训练样本数据;根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系,进而可以基于多属性异质图充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所获取的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
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示出了本申请一些实施例的服务匹配系统的框图;
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服务匹配模型的训练方法的流程示意图;
图4示出了本申请实施例提供的另一种服务匹配模型的训练方法的流程示意图;
图5示出了本申请实施例提供的一种多属性异质图;
图6示出了本申请实施例提供的又一种服务匹配模型的训练方法的流程示意图;
图7示出了本申请实施例提供的另一种服务匹配模型的训练方法的流程示意图;
图8示出了本申请实施例提供的一种点卷积操作的示意图;
图9示出了本申请实施例提供的又一种服务匹配模型的训练方法的流程示意图;
图10示出了本申请实施例提供的一种边卷积操作的示意图;
图11示出了本申请实施例提供的一种服务匹配方法的流程示意图;
图12示出了本申请实施例提供的另一种服务匹配方法的流程示意图;
图13示出了本申请实施例提供的又一种服务匹配方法的流程示意图;
图14示出了本申请实施例提供的一种服务匹配模型的训练装置的功能模块示意图;
图15示出了本申请实施例提供的一种服务匹配装置的功能模块示意图;
图16示出了本申请实施例提供的一种服务匹配装置的功能模块示意图。
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。
在介绍本申请实施例之前,以下,先对本申请实施例中的部分术语进行解释说明,以便本领域技术人员理解。
图:由顶点和边组成的结构数据,称为图。
同质图:由一种类型的顶点以及顶点之间的链接关系组成的图,称为同质图。
异质图:由多种类型的顶点以及顶点之间多种类型的链接关系组成的图,称为异质图。例如在顺风车场景中,存在着司机、司机订单、乘客订单等多种类型的实体,而司机与司机订单之间存在着“发单”、“被发单”等链接关系。
属性图:顶点具有属性的图,称为属性图。例如在顺风车场景中,司机实体具有性别、年龄等属性。
多属性图(multi-attributed graph):顶点和边都具有属性的图,称为多属性图。例如在顺风车场景中,司机实体具有性别、年龄等属性,司机与司机订单之间的链接具有画像相似度等属性。
多属性异质图:由多种类型的顶点以及顶点之间多种类型的链接关系组成,且顶点和边都具有属性的图,称为多属性异质图。例如在顺风车场景中,存在着司机、司机订单、乘客订单等多种类型的实体,而司机与司机订单之间存在着“发单”、“被发单”等链接关系,司机实体具有性别、年龄等属性,司机与司机订单之间的链接边具有“创建时间”等属性。
为了使得本领域技术人员能够使用本申请内容,本申请将结合特定应用场景“顺风车服务”给出下述实施方式,其中,服务请求可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具,如用户可以包括为使用顺风车服务应用程序(Application,App)的司机或乘客;顺风车服务App所基于的客户端可以包括电脑端或手机端,本申请对此不做限定。另外,虽然本申请主要围绕顺风车服务进行描述,但是应该理解,这仅仅是一个示例性实施例,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,如应用于购物服务、家政服务、送货服务、外卖服务等服务中,也可以应用到其他网络服务平台,如微信、QQ、支付宝、钉钉、等聊天服务,或为用户提供其他服务的各种网站等。
还需要说明的是,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。
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“顺风车服务”,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顺风车服务进行描述,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网约车服务、购物服务、家政服务、送货服务、外卖服务等场景。本申请还可以包括用于订单匹配的任何服务系统,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。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务人员”、“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。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
本申请的一个方面涉及一种服务匹配系统,该系统可以通过基于多属性异质图充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所得到的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
图1是本申请一些实施例的服务匹配系统的框图。例如,服务匹配系统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、或班车服务之类的服务平台。服务匹配系统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,服务器110中可以包括执行指令操作的处理器112。
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相对于用户终端130,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访问存储在用户终端130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可以直接连接到用户终端130和数据库150中的至少一个,以访问存储的信息和/或数据,在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community-cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备上实现。
在一些实施例中,服务器110可以包括处理器。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。
网络120可以用于信息和/或数据的交换。在一些实施例中,服务匹配系统中的一个或多个组件(例如,服务器110,用户终端130和数据库150)可以向其他组件获取信息和/或数据。例如,服务器110可以经由网络120获取来自用户终端130的信息和/或数据。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(WirelessLocal Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(WideArea Network,WAN)、公共电话交换网(Public Switched Telephone Network,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,服务数据预测系统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。
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可以存储从服务用户终端130获取的信息和/或数据。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 Access Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based RandomAccess Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM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以与服务匹配系统(例如,服务器110、用户终端130等)中的一个或多个组件通信。服务匹配系统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可以直接连接到服务匹配系统中的一个或多个组件(例如,服务器110、用户终端130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。
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,该电子设备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服务匹配模型的训练方法或服务匹配方法。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服务匹配模型的训练方法或服务匹配方法。电子设备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。
需要说明的是,为了简便说明,本申请实施例仅是以“顺风车服务”为例,对本申请提供的服务匹配模型的训练方法、服务匹配方法的具体技术方案进行举例说明,而在实际应用中,本申请实施例对此不做任何限定。
图3示出了本申请实施例提供的一种服务匹配模型的训练方法的流程示意图,该方法的执行主体可以是计算机、上述的服务器、处理器等,本申请在此不作限定,如图3所示,该方法可以包括:
S101、获取训练数据集,训练数据集包括多个训练样本数据。
每个训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个服务提供方历史订单对应的服务请求方历史订单,且服务请求方历史订单标注有是否被该服务提供方所接收的标签。
其中,训练数据集可以通过历史服务数据获取,比如,可以通过某服务的服务平台获取该服务的历史服务数据,所获取的训练数据集可以通过文件导入的方式导入服务器,根据不同的应用场景可以对应不同的历史服务数据。
本申请在此以顺风车服务为例,可以通过顺风车服务平台获取顺风车的历史服务数据,可选地,该历史服务数据可以通过顺风车服务平台的日志数据中获取,根据该历史服务数据获取训练数据集,所获取的训练数据集可以包括多个训练样本数据。其中,每个训练样本数据可以包括:一个司机的至少一个历史司机订单以及该历史司机订单对应的历史乘客订单,且标注有历史乘客订单是否被该司机所接收的标签,也即,是否被该司机所接单的标签。
需要说明的是,由于每个训练样本数据包括的是:服务提供方的至少一个服务提供方历史订单,则服务提供方历史订单包括多个时,该多个服务提供方历史订单在时间上是有先后顺序的,也即某服务提供方历史订单可能又是其他服务提供方历史订单的历史订单。
再者,本申请在此并不限定训练样本数据的数量,根据实际的应用场景可以包括任意数量的训练样本数据,每一训练样本数据可以对应一个服务提供方,以顺风车服务为例,每一训练样本数据可以包括:一个司机、该司机的至少一个历史司机订单以及该历史司机订单对应的历史乘客订单,则多个训练样本数据可以包括:多个司机、该多个司机的至少一个历史司机订单以及该历史司机订单对应的历史乘客订单。
S102、根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系。
其中,对于每个训练样本数据可以构建其对应的多属性异质图,具体地,可以以每个训练样本数据中的服务提供方、该服务提供方的至少一个服务提供方历史订单、该服务提供方历史订单对应的服务请求方历史订单为顶点,并根据各顶点之间的关系进行连线,根据该连线确定对应的边,进而构建多属性异质图。
举例说明,顺风车服务中,由于“顺风车”订单匹配任务涉及了司机、司机订单和乘客订单这三种不同的实体类型,且他们所具有的属性不尽相同,构建时,可以针对每个司机、该司机对应的至少一个历史司机订单、以及该历史司机订单对应的历史乘客订单为顶点,并根据各顶点之间的关系,确定边,其中,历史司机订单与司机之间是被发单和发单的关系、历史司机订单和历史乘客订单之间是浏览和接收的关系,历史司机订单和历史乘客订单之间为接收关系可以理解为该历史司机订单对应的司机进行接单,历史司机订单和历史乘客订单之间为浏览关系,可以理解为该司机订单对应的司机对该历史乘客订单进行了浏览但并未接单;而该司机对应的历史司机订单为多个时,某历史司机订单可能又是其他历史司机订单的历史订单,则根据每个顶点之间的关系,若两个顶点之间存在关系,则可以对该两个顶点进行连线,否则,可以不连线,根据此原理即可构建出对应的多属性异质图。
S103、根据多属性异质图,训练获取服务匹配模型。
在获取到上述多属性异质图后,即可根据该多属性异质图来训练获取服务匹配模型,由于训练过程中可以将服务提供方、服务提供方订单、服务请求方订单之间的语义关系考虑进来,因此,所获取的服务匹配模型用于订单匹配时,可以提高匹配的准确度。
以顺风车服务进行说明,也即可以为司机订单匹配到其行程路线尽可能匹配的乘客订单,提高匹配的准确度。
综上,本申请实施例所提供的服务匹配模型的训练方法,通过获取训练数据集,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个服务提供方历史订单对应的服务请求方历史订单,且服务请求方历史订单标注有是否被服务提供方所接收的标签;根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系,进而可以基于多属性异质图充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所获取的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
图4示出了本申请实施例提供的一种服务匹配模型的训练方法的流程示意图,图5示出了本申请实施例提供的一种多属性异质图。如图4所示,上述根据训练数据集,构建多属性异质图,包括:
S201、将服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单作为顶点,以顶点之间的连线为边,构建订单异质图。
S202、根据服务提供方的属性信息、服务提供方的至少一个服务提供方历史订单的属性信息、服务提供方历史订单对应的服务请求方订单的属性信息,添加边属性、顶点属性,构建多属性异质图。
其中,在构建多属性异质图时,可以先构建订单异质图,然后基于该订单异质图,为各顶点、各边添加相应的属性信息,即可得到对应的多属性异质图,通过该多属性异质图使得可以有效表示服务场景中各顶点之间的语义关系,提升数据表达能力。
以顺风车服务进行说明,对于各顶点来说,司机对应的属性可以包括:司机性别、年龄等;历史司机订单对应的属性可以包括:订单的起点、终点、行程距离、发出时间等;历史乘客订单对应的属性可以包括:乘客性别、年龄等、订单的起点、终点、行程距离、出发时间等;
对于各边来说,根据各顶点之间的关系可以为各边添加属性,比如,根据司机和历史司机订单之间的关系,若由司机指向历史司机订单,对应的边可以称为发单边,若由历史司机订单指向司机,对应的边可以称为被发单边,该发单边/被发单边对应的属性可以包括发单时间(比如,可以以月份、星期、小时等记录)等;对于历史司机订单和该历史司机订单对应的历史乘客订单来说,若由历史司机订单指向历史乘客订单,对应的边可以称为浏览边;若由历史乘客订单指向历史司机订单,对应的边可以称为接收边,该浏览边/接收边对应的属性可以包括出发时间差、司机接客距离、绕路距离等;其中,需要说明的是,司机的至少一个历史司机订单中,任意两个历史司机订单之间边的属性可以包括该两个历史司机订单创建时间的时间差等,如上,根据各顶点、各边、各顶点属性、各边属性即可构建多属性异质图。
举例说明,如图5所示,某司机对应的历史司机订单包括第一历史司机订单、第二历史司机订单以及第三历史司机订单,其中,第三历史司机订单为时间上最近的历史司机订单,第二历史司机订单为时间上较近的历史司机订单,第一历史司机订单为时间上较远的历史司机订单,记第一历史司机订单对应第一历史乘客订单、第二历史司机订单对应第二历史乘客订单、第三历史司机订单对应第三历史乘客订单,则可以以司机、第一历史司机订单、第二历史司机订单、第三历史司机订单、第一历史乘客订单、第二历史乘客订单、第三历史乘客订单为顶点,根据各顶点之间的关系建立边,为各顶点添加顶点属性、为各边添加边属性,即可构建多属性异质图。
当然,需要说明的是,在不同的服务场景下对应所构建的多属性异质图是不同的,比如,顺风车场景下,所构建的多属性异质图即为司机和乘客对应的多属性异质图,外卖场景下,所构建的多属性异质图即为骑手和买家对应的多属性异质图。
图6示出了本申请实施例提供的又一种服务匹配模型的训练方法的流程示意图,服务匹配模型包括至少一个卷积层和至少一个全连接层;如图6所示,上述根据多属性异质图,训练获取服务匹配模型,包括:
S301、将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量。
S302、将多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量输入全连接层,训练获取服务匹配模型。
其中,至少一个卷积层可以用于对多属性异质图进行特征提取、每个卷积层可以用于进行点卷积和边卷积两部分,至少一个全连接层可以基于提取后的特征进行服务匹配,具体内容如下:可以将获取的多属性异质图输入卷积层中,通过该卷积层获取多属性异质图中每个顶点对应的点嵌入向量和每个边对应的边嵌入向量,其中,每个顶点对应的点嵌入向量可以表征各点之间的相关性,每个边对应的边嵌入向量可以表征该边的两个顶点之间的相关性。
将该多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量输入全连接层,通过该全连接层来训练获取服务匹配模型。所训练获取的服务匹配模型用于订单匹配时,可以获取待匹配的服务提供方订单和各个候选服务请求方订单之间的匹配分数,该匹配分数可以指示待匹配的服务提供方订单和各个候选服务请求方订单之间的匹配度,比如,匹配分数越高时,其对应的匹配度也就越高,匹配分数越低时,其对应的匹配度也就越低,则根据该匹配分数可以为待匹配的服务提供方订单推荐对应的候选服务请求方订单(比如,可以推荐匹配分数最高所对应的候选服务请求方订单),在此过程中,由于可以基于多属性异质图充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所获取的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
可选地,上述卷积层和全连接层可以基于图神经网络实现(Graph NeuralNetwork,GNN),其中,GNN作为一种在图域上操作的深度学习方法,可以包括图卷积网络(Graph Convolution Networks,GCN)、图注意力网络(Graph Attention Networks,GAN)、图自编码器(Graph Auto Encoders,GAE)、图生成网络(Graph Generative Networks,GGN)和图时空网络(Graph Spatial-temporal Networks,GSN)等类别,根据实际的应用场景可以基于其中的一种或多种网络实现,本申请在此不作限定。可选地,其中,卷积层的层数可以是3层、5层等,全连接层的层数可以是1层、2层等,申请在此不作限定,根据实际的应用场景可以灵活设置。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层,上述将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量,可以包括:
将多属性异质图输入卷积层,若该卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量。
其中,计算顶点对应的点嵌入向量时,可以根据该顶点所输入的卷积层是否为第一层卷积层来进行区别性计算,其中,该卷积层为第一层卷积层时,可以将该顶点属性信息所对应的特征向量作为该顶点在第一卷积层中的点嵌入向量;而若该卷积层非第一层卷积层时,则该顶点在该卷积层中的点嵌入向量可以根据该顶点在上一卷积层中的点嵌入向量,和该顶点在当前卷积层中聚合得到的邻接信息进行融合得到。
若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
多属性异质图中边对应的边嵌入向量与上述顶点对应的点嵌入向量的计算过程类似,即该卷积层为第一层卷积层时,可以将该边属性信息所对应的特征向量作为该边在第一卷积层中的边嵌入向量;而若该卷积层不为第一层卷积层时,则该边在该卷积层中的边嵌入向量可以根据该边在上一卷积层中的边嵌入向量,和该边在当前卷积层中聚合得到的邻接信息进行融合得到。
其中,需要说明的是,在卷积层中进行融合的过程可参见下述的相关说明,以顶点在当前卷积层中的点嵌入向量为例,每一卷积层中可以包括相应的跳跃链接,该跳跃链接可以解决网络层数较深的情况下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程,通过该跳跃链接来融合顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息,以此得到该顶点在每一卷积层中的点嵌入向量。对于边在卷积层中进行融合的过程与上述顶点在卷积层中融合的过程类型,即,通过该跳跃链接来融合该边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息,以此得到该边在每一卷积层中的边嵌入向量。当然,具体融合过程并不以此为限,根据实际的应用场景可以灵活设置。
其中,顶点在当前卷积层中聚合得到的邻接信息可参见下述的相关过程,具体内容如下:
图7示出了本申请实施例提供的另一种服务匹配模型的训练方法的流程示意图,图8示出了本申请实施例提供的一种点卷积操作的示意图。可选地,如图7所示,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合之前,上述方法还包括:
S401、将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点。
其中,将每个顶点分别作为头顶点和尾顶点时,根据多属性异质图即可确定每个顶点对应的尾顶点和头顶点。
以顶点为服务提供方历史订单进行说明,针对该顶点,可以根据该顶点与其他顶点之间的关系确定头顶点和尾顶点,比如,多属性异质图中,该顶点与其他顶点之间的连线是由该顶点指向其他顶点,则可以认为该顶点为头顶点,而其他顶点为尾顶点,相应地,若该顶点与其他顶点之间的连线是由其他顶点指向该顶点,则可以认为其他顶点为头顶点,而该顶点为尾顶点。如图5所示,以第一历史司机订单的顶点进行说明,其中,若第一历史司机订单与司机之间是由第一历史司机订单指向该司机,则第一历史司机订单即为头顶点,司机即为尾节点;而第一历史司机订单与第一历史乘客订单之间是由该第一历史乘客订单指向该第一历史司机订单,则第一历史司机订单即为尾顶点,司机即为头节点。
S402、计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息。
其中,以服务提供方历史订单为例进行说明,可以将服务提供方历史订单分别作为头顶点和尾顶点,确定服务提供方历史订单对应的尾顶点和头顶点后,即可获取该服务提供方历史订单对应的拼接信息,可选地,该顶点对应的拼接信息可以根据:【尾顶点向量,边向量以及头顶点向量】的顺序进行拼接。其中,尾顶点向量可以根据该尾顶点的属性信息获取,边向量可以根据该边的属性信息获取,头顶点向量可以根据该头顶点的属性信息获取。
如图8所示,举例说明,以第一历史司机订单作为顶点进行说明,其中,若第一历史司机订单与司机之间是由第一历史司机订单指向该司机,则该第一历史司机订单对应的拼接信息可以包括:【司机对应的向量、被发单边对应的向量、第一历史司机订单对应的向量】;若第一历史司机订单与第一历史乘客订单之间是由第一历史乘客订单指向该第一历史司机订单,则该第一历史司机订单对应的拼接信息可以为:【第一历史司机订单对应的向量、接收边对应的向量、司机对应的向量】,根据该方式即可得到每个顶点对应的拼接信息。
S403、将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
其中,基于服务提供方历史订单进一步说明,服务提供方历史订单对应的拼接信息可以包括多个,而该多个拼接信息的信息维度可能不同,因此,需要将服务提供方历史订单对应的拼接信息映射到预设维度空间,将其用相同的信息维度表示即可得到服务提供方历史订单在当前卷积层中聚合得到的邻接信息。比如,可以将每个顶点对应的拼接信息进行线性变换使其映射到维度相同的空间中,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
如图8所示,W被发单指的是将“被发单”链接关系的边映射到相同低维向量空间的映射矩阵、W接收指的是将“接收”链接关系的边映射到相同低维向量空间的映射矩阵,相应地,h被发单、h接收分别为各拼接信息被对应映射矩阵映射为同维度的低维向量表示;hl+1指的是该第一历史司机订单顶点在当前层的聚合向量,其语义为该顶点在当前卷积层中聚合得到的邻接信息。
可选地,边在当前卷积层中聚合得到的邻接信息可参见下述的相关过程,具体内容如下:
图9示出了本申请实施例提供的又一种服务匹配模型的训练方法的流程示意图,图10示出了本申请实施例提供的一种边卷积操作的示意图。可选地,如图9所示,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息融合之前,还包括:
S501、获取每个边对应的头顶点和尾顶点。
其中,根据上述的多属性异质图可以确定每个边对应的头顶点和尾顶点,具体地,确定每个边对应的头顶点和尾顶点时,可以根据顶点之间的指向来确定,若某顶点指向另一顶点时,则该顶点为头顶点,而另一顶点为尾顶点。
S502、根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息。
其中,得到每个边对应的头顶点和尾顶点后,则可以分别以该头顶点和尾顶点作为尾顶点来计算该边对应的拼接信息,可选地,每个边对应的拼接信息可以根据【尾顶点向量,边向量以及头顶点向量】的顺序进行拼接,该拼接后的信息即为该边对应的拼接信息。
如图10所示,举例说明,以第一历史司机订单指向所对应司机之间的边为例,其中,该边对应的头顶点为第一历史司机订单、对应的尾顶点为司机,则可以分别以第一历史司机订单和司机作为尾顶点来获取该边对应的拼接信息,其中,以司机为尾顶点,其对应的拼接信息可以包括:【司机对应的向量、第二历史司机订单指向该司机的边对应的向量、第二历史司机订单对应的向量】;而以第一历史司机订单为尾顶点,其对应的拼接信息可以包括:【第一历史司机订单对应的向量、第一历史乘客订单指向该第一历史司机订单的边对应的向量、第一历史乘客订单对应的向量】。
S503、将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
如上,由于每个边对应的拼接信息可能包括多个,且多个拼接信息对应的信息维度不同,因此,需要将该拼接信息映射到预设维度空间,将其用相同的信息维度表示,进而可以获取到每个边在当前卷积层中聚合得到的邻接信息。其中,对于该融合过程可参见前述的相关部分,本申请在此不再赘述。
如图10所示,W被发单指的是将“被发单”链接关系的边映射到相同低维向量空间的映射矩阵、W接收指的是将“接收”链接关系的边映射到相同低维向量空间的映射矩阵,相应地,h被发单、h接收分别为各拼接信息被对应映射矩阵映射为同维度的低维向量表示;hl+1指的是第一历史司机订单指向司机的边在当前层的聚合向量,其语义为该边在当前卷积层中聚合得到的邻接信息。
基于上述实施例的内容,经过最后一层卷积层处理后,可以得到所有顶点和所有边的最终嵌入表示,而对于服务提供方历史订单来说,可以获取服务提供方历史订单中时间上最近的服务提供方历史订单,其中,以上述图5进行说明,第三历史司机订单为时间上最近的历史司机订单、第三历史司机订单对应第三历史乘客订单,则根据上述实施例可以得到所有第三历史司机订单指向第三历史乘客订单之间边的嵌入向量,该嵌入向量可以包括:尾顶点嵌入向量,边嵌入向量,头顶点嵌入向量,可选地,可以将该嵌入向量按【尾顶点嵌入向量,边嵌入向量,头顶点嵌入向量】的顺序拼接起来,进行训练服务匹配模型。
其中,模型训练时,可以根据损失函数进行训练,损失函数可以定义为:正样本的匹配分数减去负样本的匹配分数要大于0,其中正样本指历史司机订单接收了的历史乘客订单,也即,该历史司机订单进行接单了的历史乘客订单,负样本指历史司机订单只浏览了该历史乘客订单但未接收(接单);当然,而对于服务匹配模型的训练过程可以使用极大似然估计方法进行模型的训练,但不以此为限。
通过训练获取的服务匹配模型在实际应用过程中,可以根据待匹配的服务提供方订单以及该待匹配的服务提供方订单对应的至少一个候选服务请求方订单,确定待匹配的服务提供方订单与至少一个候选服务请求方订单之间的匹配分数,根据该匹配分数为待匹配的服务提供方订单推荐满足预设要求的候选服务请求方订单。
其中,待匹配的服务提供方订单与至少一个候选服务请求方订单之间的匹配分数可以根据上述至少一个全连接层获取,比如,可以将待匹配的服务提供方订单指向候选服务请求方订单的“候选边”的嵌入向量乘以一个参数向量(即全连接层),得到一个值,该值即可作为匹配分数,但不以此为限,该匹配分数可以指示候选服务请求方订单和待匹配的服务提供方订单之间的匹配度。
如上,模型训练后之后即可进行上线应用,具体应用的过程可参见下述的相关内容。
图11示出了本申请实施例提供的一种服务匹配方法的流程示意图,该方法的执行主体可以是与前述相同的执行主体,如计算机、服务器、处理器等,如图11所示,该方法可以包括:
S601、获取待匹配的服务提供方订单对应的多属性异质图。
其中,多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,边用于表示顶点之间的关系。
待匹配的服务提供方订单即要进行推荐的服务提供方订单,待匹配的服务提供方订单对应的候选服务请求方订单即可推荐的候选服务请求方订单,可选地,待匹配的服务提供方订单对应的候选服务请求方订单可以根据预设筛选要求先进行初步筛选,比如,可以先筛选出满足预设筛选要求的候选服务请求方订单,然后基于该筛选得到的候选服务请求方订单与待匹配的服务提供方订单进行匹配,如此,可以提高匹配的效率。
举例说明,顺风车服务中,多属性异质图中的顶点可以包括:待匹配的司机订单、该待匹配的司机订单对应的司机、该待匹配的司机订单对应的历史司机订单、该待匹配的服务提供方订单对应的候选乘客订单,以顶点之间的连线为边,各边用于表示顶点之间的关系,来构建该待匹配的司机订单对应的多属性异质图。可选地,基于待匹配的司机订单可以先筛选出满足预设筛选要求候选乘客订单,比如,可以获取待匹配的司机订单中的出发地点,然后筛选出距离出发地点相距不大于5公里等约束条件的乘客订单作为候选乘客订单,当然,实际筛选候选乘客订单的过程并不以此为限,根据实际的应用场景可以自行设置。
S602、将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的候选服务请求方订单。
其中,服务匹配模型由训练数据集训练获取,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个样本服务提供方历史订单对应的样本服务请求方历史订单,且样本服务请求方历史订单标注有是否被该样本服务提供方所接收的标签。
在得到待匹配的服务提供方订单对应的多属性异质图后,即可将该多属性异质图输入服务匹配模型,通过服务匹配模型来计算获取待匹配的服务提供方订单与各候选服务请求方订单的匹配度,从而可以根据该匹配度输出与待匹配的服务提供方订单匹配的候选服务请求方订单。其中,对于服务匹配模型的相关说明可参见前述的相关内容,本申请在此不再赘述。
应用本申请实施例,由于基于多属性异质图可以充分利用各顶点与各边之间的语义关系训练获取服务匹配模型,所得到的服务匹配模型用于服务匹配时,可以提高匹配的准确度。
可选地,上述获取待匹配的服务提供方订单对应的多属性异质图,包括:
根据待匹配的服务提供方订单,获取待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单。
根据待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,构建待匹配的服务提供方订单对应的多属性异质图。
其中,对于待匹配的服务提供方订单,可以进一步获取与其关联的信息,可选地,包括但不限于可以根据待匹配的服务提供方订单的属性信息获取对应的服务提供方;根据历史服务信息,获取历史服务提供方订单以及该历史服务提供方订单对应的历史服务请求方订单,根据当前服务信息,获取对应的候选服务请求方订单。可选地,属性信息、历史服务信息以及当前服务信息可以通过相应的服务平台获取,但不以此为限。
在获取到上述信息后,即可参见前述的相关构建多属性异质图的过程,构建待匹配的服务提供方订单对应的多属性异质图,本申请在此不再赘述。
图12示出了本申请实施例提供的另一种服务匹配方法的流程示意图。可选地,如图12所示,上述将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的服务请求方订单,包括:
S701、将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数。
S702、根据待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单。
其中,基于前述训练得到的服务匹配模型,可以获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,通过该匹配分数为待匹配的服务提供方订单推荐相应的候选服务请求方订单。可选地,上述预设阈值可以是根据人为经验预设的阈值,所输出的匹配分数满足预设阈值的候选服务请求方订单可以是一个或多个,本申请在此不作限定,输出多个时,可以为服务提供方订单对应的服务提供方提供可选的候选服务请求方订单,提高推荐的智能性。当然,实际推荐方式并不以此为限,根据实际的应用场景,可以是推荐匹配分数最高所对应的候选服务请求方订单。
图13示出了本申请实施例提供的又一种服务匹配方法的流程示意图。可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;如图13所示,上述将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,包括:
S801、将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量。
S802、将多属性异质图对应的点嵌入向量和边嵌入向量输入全连接层,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数。
其中,参见前述服务匹配模型的训练过程,实际应用时,可以根据多属性异质图对应的点嵌入向量和边嵌入向量来获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,具体内容可参见前述相关内容,本申请在此不再赘述。
可选地,上述将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量,可以包括:
将待匹配的服务提供方订单对应的多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量。
若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,上述将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息融合之前,还包括:
将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,上述将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息融合之前,还包括:
获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
对于该部分内容的相关部分可参见前述的相关内容,本申请在此不再赘述。
根据上述实施例,以顺风车服务为例进行说明,通过获取要待匹配的司机订单、该待匹配的司机订单相关的乘客订单(比如,满足出发地点相距不大于5公里等约束条件的乘客订单)作为候选乘客订单,该待匹配的司机订单的司机最近5个接收(也即接单)的订单信息,该订单信息可以包括待匹配的司机订单的历史司机订单、以及该历史司机订单对应的历史乘客订单,从而可以构建该待匹配的司机订单对应的多属性异质图;将该待匹配的司机订单对应的多属性异质图输入已经训练好的服务匹配模型,获取待匹配的司机订单与各候选乘客订单的匹配度分数,进而可以根据该匹配度为待匹配的司机订单进行候选乘客订单推荐。
综上,通过该本申请所构建的多属性异质图,可以充分利用待匹配的司机订单、待匹配的司机订单的历史司机订单、该历史司机订单对应的历史乘客订单、待匹配的司机订单对应的候选乘客订单的语义关系,进而所训练获取的服务匹配模型进行推荐时,可以提升订单匹配推荐的准确度。
图14示出了本申请实施例提供的一种服务匹配模型的训练装置的功能模块示意图,该装置基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。如图14所示,该训练装置300包括:获取模块310、构建模块320以及训练模块330。
获取模块310,用于获取训练数据集,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个服务提供方历史订单对应的服务请求方历史订单,且服务请求方历史订单标注有是否被服务提供方所接收的标签;构建模块320,用于根据训练数据集,构建多属性异质图,其中,多属性异质图中以服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,边用于表示顶点之间的关系;训练模块330,用于根据多属性异质图,训练获取服务匹配模型。
可选地,构建模块320,具体用于将服务提供方、服务提供方的至少一个服务提供方历史订单、服务提供方历史订单对应的服务请求方历史订单作为顶点,以顶点之间的连线为边,构建订单异质图;根据服务提供方的属性信息、服务提供方的至少一个服务提供方历史订单的属性信息、服务提供方历史订单对应的服务请求方订单的属性信息,添加边属性、顶点属性,构建多属性异质图。
可选地,训练模块330,具体用于将多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量输入全连接层,训练获取服务匹配模型。
可选地,训练模块330,具体用于将多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;
若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
可选地,训练模块330,还用于将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,训练模块330,还用于获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
图15示出了本申请实施例提供的一种服务匹配装置的功能模块示意图,该装置基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。如图15所示,该服务匹配装置400包括:获取模块410和输出模块420。
获取模块410,用于获取待匹配的服务提供方订单对应的多属性异质图,其中,多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,边用于表示顶点之间的关系;
输出模块420,用于将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与待匹配的服务提供方订单匹配的服务请求方订单;
其中,服务匹配模型由训练数据集训练获取,训练数据集包括多个训练样本数据,每个训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个样本服务提供方历史订单对应的样本服务请求方历史订单,且样本服务请求方历史订单标注有是否被样本服务提供方所接收的标签。
可选地,获取模块410,具体用于根据待匹配的服务提供方订单,获取待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单;根据待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,构建待匹配的服务提供方订单对应的多属性异质图。
可选地,输出模块420,具体用于将待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数;根据待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单。
可选地,服务匹配模型包括至少一个卷积层和至少一个全连接层;输出模块420,具体用于将待匹配的服务提供方订单对应的多属性异质图输入卷积层,获取多属性异质图中顶点对应的点嵌入向量和边对应的边嵌入向量;将多属性异质图对应的点嵌入向量和边嵌入向量输入全连接层,获取待匹配的服务提供方订单与至少一个候选服务请求方订单的匹配分数。
可选地,输出模块420,具体用于将待匹配的服务提供方订单对应的多属性异质图输入卷积层,若卷积层非第一层卷积层,将顶点在上一卷积层中的点嵌入向量和顶点在当前卷积层中聚合得到的邻接信息进行融合,得到顶点在当前卷积层中的点嵌入向量;若卷积层为第一层卷积层,根据顶点的属性信息确定顶点在第一卷积层中的点嵌入向量;若卷积层非第一层卷积层,将边在上一卷积层中的边嵌入向量和边在当前卷积层中聚合得到的邻接信息进行融合,得到边在当前卷积层中的边嵌入向量;若卷积层为第一层卷积层,根据边的属性信息确定边在第一卷积层中的边嵌入向量。
图16示出了本申请实施例提供的一种服务匹配装置的功能模块示意图。可选地,如图16所示,服务匹配装置400还包括计算模块430,用于将每个顶点分别作为头顶点和尾顶点,获取每个顶点对应的尾顶点和头顶点;计算每个顶点对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个顶点对应的拼接信息映射到预设维度空间,融合获取每个顶点在当前卷积层中聚合得到的邻接信息。
可选地,计算模块430,还用于获取每个边对应的头顶点和尾顶点;根据每个边对应的头顶点和尾顶点分别计算每个边对应的拼接信息,拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;将每个边对应的拼接信息映射到预设维度空间,融合获取每个边在当前卷积层中聚合得到的邻接信息。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
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。
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,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。
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。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 (14)
1.一种服务匹配模型的训练方法,其特征在于,包括:
获取训练数据集,所述训练数据集包括多个训练样本数据,每个所述训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个所述服务提供方历史订单对应的服务请求方历史订单,且所述服务请求方历史订单标注有是否被所述服务提供方所接收的标签;
根据所述训练数据集,构建多属性异质图,其中,所述多属性异质图中以所述服务提供方、所述服务提供方的至少一个服务提供方历史订单、所述服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,所述边用于表示顶点之间的关系;
根据所述多属性异质图,训练获取服务匹配模型;其中,所述服务匹配模型包括至少一个卷积层和至少一个全连接层;所述根据所述多属性异质图,训练获取服务匹配模型,包括:将所述多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量;将所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量输入所述全连接层,训练获取所述服务匹配模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述训练数据集,构建多属性异质图,包括:
将所述服务提供方、所述服务提供方的至少一个服务提供方历史订单、所述服务提供方历史订单对应的服务请求方历史订单作为顶点,以所述顶点之间的连线为边,构建订单异质图;
根据所述服务提供方的属性信息、所述服务提供方的至少一个服务提供方历史订单的属性信息、所述服务提供方历史订单对应的服务请求方订单的属性信息,添加边属性、顶点属性,构建所述多属性异质图。
3.根据权利要求2所述的方法,其特征在于,所述将所述多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量,包括:
将多属性异质图输入所述卷积层,若所述卷积层非第一层卷积层,将所述顶点在上一卷积层中的点嵌入向量和所述顶点在当前卷积层中聚合得到的邻接信息进行融合,得到所述顶点在当前卷积层中的点嵌入向量;若所述卷积层为第一层卷积层,根据所述顶点的属性信息确定所述顶点在第一卷积层中的点嵌入向量;
若所述卷积层非第一层卷积层,将所述边在上一卷积层中的边嵌入向量和所述边在当前卷积层中聚合得到的邻接信息进行融合,得到所述边在当前卷积层中的边嵌入向量;若所述卷积层为第一层卷积层,根据所述边的属性信息确定所述边在第一卷积层中的边嵌入向量。
4.根据权利要求3所述的方法,其特征在于,所述将所述顶点在上一卷积层中的点嵌入向量和所述顶点在当前卷积层中聚合得到的邻接信息进行融合之前,所述方法还包括:
将每个所述顶点分别作为头顶点和尾顶点,获取每个所述顶点对应的尾顶点和头顶点;
计算每个所述顶点对应的拼接信息,所述拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;
将每个所述顶点对应的拼接信息映射到预设维度空间,融合获取每个所述顶点在当前卷积层中聚合得到的邻接信息。
5.根据权利要求3所述的方法,其特征在于,所述将所述边在上一卷积层中的边嵌入向量和所述边在当前卷积层中聚合得到的邻接信息进行融合之前,所述方法还包括:
获取每个所述边对应的头顶点和尾顶点;
根据每个所述边对应的头顶点和尾顶点分别计算每个所述边对应的拼接信息,所述拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;
将每个所述边对应的拼接信息映射到预设维度空间,融合获取每个所述边在当前卷积层中聚合得到的邻接信息。
6.一种服务匹配方法,其特征在于,包括:
获取待匹配的服务提供方订单对应的多属性异质图,其中,所述多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、所述历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,所述边用于表示顶点之间的关系;
将所述待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与所述待匹配的服务提供方订单匹配的服务请求方订单;其中,所述服务匹配模型包括至少一个卷积层和至少一个全连接层;所述将所述待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与所述待匹配的服务提供方订单匹配的服务请求方订单,包括:将所述待匹配的服务提供方订单对应的多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量;将所述多属性异质图对应的点嵌入向量和边嵌入向量输入所述全连接层,获取所述待匹配的服务提供方订单与至少一个所述候选服务请求方订单的匹配分数;根据所述待匹配的服务提供方订单与至少一个所述候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单;
其中,所述服务匹配模型由训练数据集训练获取,所述训练数据集包括多个训练样本数据,每个所述训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个所述样本服务提供方历史订单对应的样本服务请求方历史订单,且所述样本服务请求方历史订单标注有是否被所述样本服务提供方所接收的标签。
7.根据权利要求6所述的方法,其特征在于,所述获取待匹配的服务提供方订单对应的多属性异质图,包括:
根据所述待匹配的服务提供方订单,获取待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、所述历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单;
根据所述待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、所述历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,构建所述待匹配的服务提供方订单对应的多属性异质图。
8.根据权利要求7所述的方法,其特征在于,所述将所述待匹配的服务提供方订单对应的多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量,包括:
将所述待匹配的服务提供方订单对应的多属性异质图输入所述卷积层,若所述卷积层非第一层卷积层,将所述顶点在上一卷积层中的点嵌入向量和所述顶点在当前卷积层中聚合得到的邻接信息进行融合,得到所述顶点在当前卷积层中的点嵌入向量;若所述卷积层为第一层卷积层,根据所述顶点的属性信息确定所述顶点在第一卷积层中的点嵌入向量;
若所述卷积层非第一层卷积层,将所述边在上一卷积层中的边嵌入向量和所述边在当前卷积层中聚合得到的邻接信息进行融合,得到所述边在当前卷积层中的边嵌入向量;若所述卷积层为第一层卷积层,根据所述边的属性信息确定所述边在第一卷积层中的边嵌入向量。
9.根据权利要求8所述的方法,其特征在于,所述将所述顶点在上一卷积层中的点嵌入向量和所述顶点在当前卷积层中聚合得到的邻接信息融合之前,还包括:
将每个所述顶点分别作为头顶点和尾顶点,获取每个所述顶点对应的尾顶点和头顶点;
计算每个所述顶点对应的拼接信息,所述拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;
将每个所述顶点对应的拼接信息映射到预设维度空间,融合获取每个所述顶点在当前卷积层中聚合得到的邻接信息。
10.根据权利要求9所述的方法,其特征在于,所述将所述边在上一卷积层中的边嵌入向量和所述边在当前卷积层中聚合得到的邻接信息融合之前,还包括:
获取每个所述边对应的头顶点和尾顶点;
根据每个所述边对应的头顶点和尾顶点分别计算每个所述边对应的拼接信息,所述拼接信息包括尾顶点属性信息,边属性信息以及头顶点属性信息;
将每个所述边对应的拼接信息映射到预设维度空间,融合获取每个所述边在当前卷积层中聚合得到的邻接信息。
11.一种服务匹配模型的训练装置,其特征在于,包括:获取模块、构建模块以及训练模块;
所述获取模块,用于获取训练数据集,所述训练数据集包括多个训练样本数据,每个所述训练样本数据包括:一个服务提供方的至少一个服务提供方历史订单、至少一个所述服务提供方历史订单对应的服务请求方历史订单,且所述服务请求方历史订单标注有是否被所述服务提供方所接收的标签;
所述构建模块,用于根据所述训练数据集,构建多属性异质图,其中,所述多属性异质图中以所述服务提供方、所述服务提供方的至少一个服务提供方历史订单、所述服务提供方历史订单对应的服务请求方历史订单为顶点,以顶点之间的连线为边,所述边用于表示顶点之间的关系;
所述训练模块,用于根据所述多属性异质图,训练获取服务匹配模型;其中,所述服务匹配模型包括至少一个卷积层和至少一个全连接层;所述根据所述多属性异质图,训练获取服务匹配模型,包括:将所述多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量;将所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量输入所述全连接层,训练获取所述服务匹配模型。
12.一种服务匹配装置,其特征在于,包括:获取模块和输出模块;
所述获取模块,用于获取待匹配的服务提供方订单对应的多属性异质图,其中,所述多属性异质图中的顶点包括:待匹配的服务提供方订单、待匹配的服务提供方订单对应的服务提供方、待匹配的服务提供方订单的历史服务提供方订单、所述历史服务提供方订单对应的历史服务请求方订单以及待匹配的服务提供方订单对应的候选服务请求方订单,以顶点之间的连线为边,所述边用于表示顶点之间的关系;
所述输出模块,用于将所述待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与所述待匹配的服务提供方订单匹配的服务请求方订单;其中,所述服务匹配模型包括至少一个卷积层和至少一个全连接层;所述将所述待匹配的服务提供方订单对应的多属性异质图输入服务匹配模型,输出与所述待匹配的服务提供方订单匹配的服务请求方订单,包括:将所述待匹配的服务提供方订单对应的多属性异质图输入所述卷积层,获取所述多属性异质图中所述顶点对应的点嵌入向量和所述边对应的边嵌入向量;将所述多属性异质图对应的点嵌入向量和边嵌入向量输入所述全连接层,获取所述待匹配的服务提供方订单与至少一个所述候选服务请求方订单的匹配分数;根据所述待匹配的服务提供方订单与至少一个所述候选服务请求方订单的匹配分数,输出匹配分数满足预设阈值的候选服务请求方订单;
其中,所述服务匹配模型由训练数据集训练获取,所述训练数据集包括多个训练样本数据,每个所述训练样本数据包括:一个样本服务提供方的至少一个样本服务提供方历史订单、至少一个所述样本服务提供方历史订单对应的样本服务请求方历史订单,且所述样本服务请求方历史订单标注有是否被所述样本服务提供方所接收的标签。
13.一种电子设备,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1-10任一所述方法的步骤。
14.一种存储介质,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1-10任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670525.1A CN111861178B (zh) | 2020-07-13 | 服务匹配模型的训练方法、服务匹配方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670525.1A CN111861178B (zh) | 2020-07-13 | 服务匹配模型的训练方法、服务匹配方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861178A CN111861178A (zh) | 2020-10-30 |
CN111861178B true CN111861178B (zh) | 2024-06-07 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
CN108765076A (zh) * | 2018-05-24 | 2018-11-06 | 蜜芽宝贝(北京)网络科技有限公司 | 母婴内容推荐方法、装置及可读存储介质 |
CN109146109A (zh) * | 2017-06-16 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 订单的分配、模型的训练方法及装置 |
CN109472626A (zh) * | 2018-11-26 | 2019-03-15 | 浙江大学 | 一种面向手机租赁业务的智能金融风险控制方法及系统 |
CN110751284A (zh) * | 2019-06-06 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种异构信息网络嵌入方法、装置、电子设备及存储介质 |
CN111144577A (zh) * | 2019-12-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 异构图之中节点表示的生成方法、装置和电子设备 |
CN111222563A (zh) * | 2020-01-02 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、数据获取方法以及相关装置 |
CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
CN111310961A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 数据预测方法、装置、电子设备和计算机可读存储介质 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
CN109146109A (zh) * | 2017-06-16 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 订单的分配、模型的训练方法及装置 |
CN108765076A (zh) * | 2018-05-24 | 2018-11-06 | 蜜芽宝贝(北京)网络科技有限公司 | 母婴内容推荐方法、装置及可读存储介质 |
CN109472626A (zh) * | 2018-11-26 | 2019-03-15 | 浙江大学 | 一种面向手机租赁业务的智能金融风险控制方法及系统 |
CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
CN111310961A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 数据预测方法、装置、电子设备和计算机可读存储介质 |
CN110751284A (zh) * | 2019-06-06 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种异构信息网络嵌入方法、装置、电子设备及存储介质 |
CN111144577A (zh) * | 2019-12-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 异构图之中节点表示的生成方法、装置和电子设备 |
CN111222563A (zh) * | 2020-01-02 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、数据获取方法以及相关装置 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
Non-Patent Citations (1)
Title |
---|
服务描述和服务匹配研究;臧志;金蓓弘;李玉明;;计算机科学;25(10);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6784308B2 (ja) | 施設特性を更新するプログラム、施設をプロファイリングするプログラム、コンピュータ・システム、及び施設特性を更新する方法 | |
US10559097B2 (en) | Methods and systems for providing mapping, data management, and analysis | |
CN109635989B (zh) | 一种基于多源异构数据融合的社交网络链路预测方法 | |
US11085792B2 (en) | Systems and methods for determining estimated time of arrival | |
US20150363700A1 (en) | Discovering Functional Groups of an Area | |
CN111831897B (zh) | 一种出行目的地推荐方法、装置、电子设备及存储介质 | |
CN110390415A (zh) | 一种基于用户出行大数据进行出行方式推荐的方法及系统 | |
CN113011282A (zh) | 图数据处理方法、装置、电子设备及计算机存储介质 | |
US20180340787A1 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
US20230049839A1 (en) | Question Answering Method for Query Information, and Related Apparatus | |
CN112884235A (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
WO2023000261A1 (zh) | 一种区域交通的预测方法以及设备 | |
CN112069412B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN111859289B (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
CN111861178B (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
CN112711645A (zh) | 一种位置点信息扩展方法、装置、存储介质和电子设备 | |
CN114385921B (zh) | 一种标书推荐方法、系统、设备及存储介质 | |
CN113656589B (zh) | 对象属性确定方法、装置、计算机设备及存储介质 | |
Wang et al. | Sar: a social-aware route recommendation system for intelligent transportation | |
CN111861178A (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
CN111737374B (zh) | 位置坐标确定方法、装置、电子设备及存储介质 | |
CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
JP6852193B2 (ja) | ソーシャルネットワークにおける中心頂点の確定方法、装置、デバイスおよび記憶媒体 | |
CN111291196A (zh) | 知识图谱的完善方法及装置、数据处理方法及装置 | |
CN116304357B (zh) | 一种医院停车场推荐方法、系统及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |