CN111899061A - 订单推荐方法、装置、设备及存储介质 - Google Patents
订单推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111899061A CN111899061A CN202010163825.0A CN202010163825A CN111899061A CN 111899061 A CN111899061 A CN 111899061A CN 202010163825 A CN202010163825 A CN 202010163825A CN 111899061 A CN111899061 A CN 111899061A
- Authority
- CN
- China
- Prior art keywords
- service
- order
- matched
- orders
- historical
- 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 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012163 sequencing technique Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 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]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- G06Q50/40—
Abstract
本发明提供了一种订单推荐方法、装置、设备及存储介质,涉及数据处理技术领域。本发明可以采用预设排序模型对多个待匹配服务订单进行排序,得到待匹配服务订单排序列表,并将待匹配服务订单排序列表发送给服务提供终端。预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取,样本集合包括服务提供终端对应的历史服务订单列表,每个历史服务订单列表包括多个历史服务订单,每个历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值,可以使得服务提供者更有意向承接的服务订单会优先推荐给服务提供者,从而优化了服务提供者的服务体验。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种订单推荐方法、装置、设备及存储介质。
背景技术
随着共享出行的发展,利用应用程序调用车辆资源解决大众日益增长的出行需求,越来越成为大众化的出行方式。在顺风车服务、网约车服务等业务场景中,服务请求者(如:乘客)可以通过应用程序发起出行订单,服务平台可以将出行订单推荐给服务提供者(如:司机),服务提供者可以选择承接出行订单,为对应的服务请求者提供服务。
目前,服务平台向服务提供者推荐订单的方式通常为:根据服务提供者的位置信息,为服务提供者推荐附近的出行订单;或者,在可拼单服务中,当服务提供者已经承接有订单时,还可以根据已经承接的出行订单的起点、终点等,为服务提供者推荐距离订单起点或终点较劲的其他出行订单。
但是,上述现有的服务平台为服务提供者推荐订单的方式中,通常是基于订单特征进行订单推荐,服务提供者常常无法优先选择更有意向的出行订单,导致服务提供者的体验较差。
发明内容
基于上述现有技术存在的现有的服务平台为服务提供者推荐订单的方式中,服务提供者常常无法优先选择更有意向的出行订单,导致服务提供者的体验较差的问题,本发明实施例提供一种订单推荐方法、装置、设备及存储介质,可以使得服务提供者更有意向承接的服务订单会优先推荐给服务提供者,从而优化了服务提供者的服务体验。
第一方面,本发明实施例提供一种订单推荐方法,所述方法包括:
获取多个待匹配服务订单;采用预设排序模型对多个所述待匹配服务订单进行排序,得到待匹配服务订单排序列表;其中,所述预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;所述样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个所述历史服务订单列表包括多个历史服务订单,每个所述历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值;将所述待匹配服务订单排序列表发送给服务提供终端。
可选地,所述历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
可选地,所述采用预设排序模型对多个所述待匹配服务订单进行排序之前,所述方法还包括:
获取所述样本集合;采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型。
可选地,所述采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型,包括:
通过神经网络获取所述历史服务订单列表中各历史服务订单分别对应的预测权重值;根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵;根据所述历史服务订单列表中每两个历史服务订单的交叉熵,对所述历史服务订单列表中的历史服务订单进行排序;根据所述历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取所述预设排序模型。
可选地,所述根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵,包括:
对于所述历史服务订单列表中的任意两个历史服务订单:根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率;根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率;根据所述第一概率和所述第二概率,计算两个历史服务订单的交叉熵。
可选地,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,所述获取多个待匹配服务订单,包括:
获取服务提供终端的位置信息;从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
可选地,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,所述获取多个待匹配服务订单,包括:
获取已匹配服务订单的特征信息;根据所述已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
可选地,所述特征信息包括:订单起点的位置信息、订单出发时间、以及订单终点的位置信息中的至少一种。
第二方面,本发明实施例提供一种订单推荐装置,所述装置包括:第一获取模块,用于获取多个待匹配服务订单;排序模块,用于采用预设排序模型对多个所述待匹配服务订单进行排序,得到待匹配服务订单排序列表;其中,所述预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;所述样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个所述历史服务订单列表包括多个历史服务订单,每个所述历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值;发送模块,用于将所述待匹配服务订单排序列表发送给服务提供终端。
可选地,所述历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
可选地,所述装置还包括:第二获取模块和训练模块;在所述排序模块采用预设排序模型对多个所述待匹配服务订单进行排序之前,所述第二获取模块用于获取所述样本集合;所述训练模块用于采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型。
可选地,所述训练模块包括:预测子模块,用于通过神经网络获取所述历史服务订单列表中各历史服务订单分别对应的预测权重值;计算子模块,用于根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵;排序子模块,用于根据所述历史服务订单列表中每两个历史服务订单的交叉熵,对所述历史服务订单列表中的历史服务订单进行排序;优化子模块,用于根据所述历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取所述预设排序模型。
可选地,所述计算子模块具体用于,对于所述历史服务订单列表中的任意两个历史服务订单:根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率;根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率;根据所述第一概率和所述第二概率,计算两个历史服务订单的交叉熵。
可选地,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,所述第一获取模块具体用于,获取服务提供终端的位置信息;从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
可选地,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,所述第一获取模块具体用于,获取已匹配服务订单的特征信息;根据所述已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
可选地,所述特征信息包括:订单起点的位置信息、订单出发时间、以及订单终点的位置信息中的至少一种。
第三方面,本发明实施例提供一种订单推荐设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述订单推荐设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如第一方面所述的订单推荐方法的步骤。
第四方面,本发明实施例提供一种存储介质,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第一方面所述的订单推荐方法的步骤。
本发明实施例中,通过获取多个待匹配服务订单;采用预设排序模型对多个待匹配服务订单进行排序,得到待匹配服务订单排序列表;将待匹配服务订单排序列表发送给服务提供终端,可以为使用服务提供终端的服务提供者推荐待匹配服务订单。其中,所述预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取,样本集合包括服务提供终端对应的至少一个历史服务订单列表,每个历史服务订单列表包括多个历史服务订单,每个历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值,可以使得通过预设排序模型对待匹配服务订单进行排序时,能够考虑到服务提供者的自身特征,使得待匹配服务订单排序列表中,服务提供者更有意向承接的服务订单排序会更靠前。当待匹配服务订单排序列表发送给服务提供终端时,可以使得服务提供者更有意向承接的服务订单会优先推荐给服务提供者,从而优化了服务提供者的服务体验,同时,可以有效提高服务订单匹配成功率。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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示出了本发明实施例提供的服务系统的结构示意图;
图2示出了本发明实施例提供的订单推荐方法的流程示意图;
图3示出了本发明实施例提供的订单推荐方法的另一流程示意图;
图4示出了本发明实施例提供的订单推荐方法的又一流程示意图;
图5示出了本发明实施例提供的订单推荐方法的又一流程示意图;
图6示出了本发明实施例提供的订单推荐方法的又一流程示意图;
图7示出了本发明实施例提供的订单推荐方法的又一流程示意图;
图8示出了本发明实施例提供的订单推荐装置的结构示意图;
图9示出了本发明实施例提供的订单推荐装置的另一结构示意图;
图10示出了本发明实施例提供的训练模块的结构示意图;
图11示出了本发明实施例提供的订单推荐设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,本发明中附图仅起到说明和描述的目的,并不用于限定本发明的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明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发明内容的指引下,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,本发明所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,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,都属于本发明保护的范围。
需要说明的是,本发明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。还应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中,还需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1示出了本发明实施例提供的服务系统的结构示意图。
如图1所示,本发明实施例提供一种服务系统,可以包括:服务平台110、服务请求终端120和服务提供终端130,服务平台110可以通过网络分别与服务请求终端120和服务提供终端130通信连接。
其中,服务平台110可以是顺风车服务平台、出租车调度平台、网约车服务平台、外卖配送服务平台、快递配送服务平台等。
服务请求终端120可以是服务请求者的手机、平板电脑等终端设备,服务请求终端120中可以安装有服务平台110提供的服务应用程序(Application,App),服务请求者可以指代向服务平台110请求服务的个人、实体或工具,如:服务请求者可以是指使用服务请求终端120中的服务应用程序(Application,App)的用户。
服务提供终端130可以是服务提供者的手机、平板电脑等终端设备。当服务请求者通过服务请求终端120向服务平台110发起服务请求时,服务平台110可以根据服务请求终端120发起的服务请求,生成对应的服务请求订单发送给服务提供终端130,服务提供者可以根据服务提供终端130收到的服务请求订单为服务请求者提供相应的服务。
例如,服务请求者可以通过服务请求终端120向外卖服务平台发起外卖配送请求,服务提供者(如外卖配送员)可以提供相应的外卖配送服务。或者,服务请求者可以通过服务请求终端120向顺风车服务平台发起乘车服务请求,服务提供者(如司机)可以提供相应的乘车服务等。
可选地,当服务平台110为顺风车服务平台、出租车调度平台、网约车服务平台等乘车服务平台时,服务提供终端130还可以是设置于服务车辆中的电子控制单元(Electronic Control Unit,ECU)、行车电脑等,本发明在此不作限制。
可选地,服务平台110可以基于能够与服务请求终端120和服务提供终端130进行通信的服务器、计算机等设备实现。在一些实施例中,服务器可以是单个服务器,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,服务器可以是分布式系统)。在一些实施例中,服务请求者可以通过手机、电脑等终端向服务器发起服务请求,服务器相对于终端,可以是本地的、也可以是远程的。例如,服务器可以经由网络访问存储在服务请求终端或数据库中的信息或数据。在一些实施例中,服务器还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。
基于上述图1所示的服务系统,本发明实施例提供一种订单推荐方法,该方法可以应用于服务系统中的服务平台,例如,该方法的执行主体可以是服务平台的服务器、计算机等设备。通过该订单推荐方法可以为服务提供者优先推荐服务提供者更有意向承接的服务订单,优化服务提供者的服务体验。
为了使得本领域技术人员能够使用本发明内容,本发明将结合特定应用场景“顺风车服务”,给出以下实施方式。但需要说明,本发明实施例虽然以“顺风车服务”作为特定应用场景进行描述,但是应该理解,这仅是一个示例性实施例,对于本领域技术人员来说,在不脱离本发明的精神和范围的情况下,也可以将这里下述实施例中所定义的一般原理,应用于其他实施例、“网约车服务”、“外卖配送服务”、“快递配送服务”等其他应用场景中。对于本发明实施例提供的订单推荐方法的应用场景,本发明不作限定。
图2示出了本发明实施例提供的订单推荐方法的流程示意图。
如图2所示,该订单推荐方法,可以包括:
S201、获取多个待匹配服务订单。
其中,待匹配服务订单可以是指服务请求者向服务平台发起服务请求后,由服务平台生成的待服务提供者承接的服务订单。
以顺风车服务为例:当乘客(服务请求者)通过服务请求终端向顺风车服务平台发起乘车服务请求后,顺风车服务平台可以根据乘车服务请求生成对应的服务订单。该服务订单中可以包括:乘车起点、乘车终点、乘车时间等信息。顺风车服务平台生成服务订单后,可以等待司机(服务提供者)承接。
S202、采用预设排序模型对多个待匹配服务订单进行排序,得到待匹配服务订单排序列表。
其中,预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个历史服务订单列表包括多个历史服务订单,每个历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值。
同样以顺风车服务为例,历史服务订单列表可以是指服务提供终端对应的搜索订单列表,该搜索订单列表中包含与司机匹配成功的历史服务订单和与司机匹配失败的历史服务订单。
假设存在某个搜索订单列表包含:历史服务订单1、历史服务订单2、历史服务订单3、历史服务订单4,其中,历史服务订单2为与司机匹配成功的订单,则历史服务订单2的标注权重值大于历史服务订单1、历史服务订单3、以及历史服务订单4的标注权重值。
可选地,历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
S203、将待匹配服务订单排序列表发送给服务提供终端。
上述步骤S202中,预设排序模型是根据样本集合进行训练获取,而样本集合中与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值,所以通过预设排序模型对待匹配服务订单进行排序时,能够考虑到服务提供者的自身特征,使得待匹配服务订单排序列表中,服务提供者更有意向承接的服务订单排序会更靠前。当待匹配服务订单排序列表发送给服务提供终端时,可以使得服务提供者更有意向承接的服务订单会优先推荐给服务提供者,从而优化了服务提供者的服务体验,同时,可以有效提高服务订单匹配成功率。
图3示出了本发明实施例提供的订单推荐方法的另一流程示意图。
可选地,如图3所示,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,上述获取多个待匹配服务订单的步骤,可以包括:
S301、获取服务提供终端的位置信息。
S302、从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
其中,预设阈值可以是1公里、2公里、5公里等数值,本发明对预设阈值的具体大小不作限制。
以顺风车服务为例,当司机还未承接任何服务订单时,可以先获取司机的手机、平板电脑等设备的位置信息作为司机的位置信息,然后从待匹配服务订单中,获取订单起点的位置信息与司机的位置信息之间的距离小于预设阈值的待匹配服务订单。
图4示出了本发明实施例提供的订单推荐方法的又一流程示意图。
可选地,如图4所示,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,上述获取多个待匹配服务订单的步骤,可以包括:
S401、获取已匹配服务订单的特征信息。
其中,已匹配服务订单是指:服务提供者已经确定承接的服务订单。
可选地,特征信息可以包括:订单起点的位置信息、订单出发时间、订单终点的位置信息等。
S402、根据已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
可选地,符合预设要求可以是指待匹配服务订单的特征信息与已匹配服务订单的特征信息相同或相近。例如,可以是订单起点或终点的位置信息相距小于一定距离,如:500米、1公里等;或者,也可以是订单出发时间相差小于一定时长,如:5分钟、10分钟、20分钟等;又或者,还可以是前述多种不同要求均满足即为符合预设要求。
图5示出了本发明实施例提供的订单推荐方法的又一流程示意图。
可选地,如图5所示,上述采用预设排序模型对多个待匹配服务订单进行排序,得到待匹配服务订单排序列的步骤之前,该订单推荐方法还可以包括:
S501、获取样本集合。
如上所述,样本集合可以包括服务提供终端对应的至少一个历史服务订单列表;每个历史服务订单列表可以包括多个历史服务订单,每个历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值。
S502、采用样本集合,并根据预设算法对神经网络进行训练,获取预设排序模型。
图6示出了本发明实施例提供的订单推荐方法的又一流程示意图。
可选地,如图6所示,上述采用样本集合,并根据预设算法对神经网络进行训练,获取预设排序模型的步骤,可以包括:
S601、通过神经网络获取历史服务订单列表中各历史服务订单分别对应的预测权重值。
S602、根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵。
图7示出了本发明实施例提供的订单推荐方法的又一流程示意图。
可选地,如图7所示,上述根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵的步骤,可以包括:
对于历史服务订单列表中的任意两个历史服务订单:
S701、根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率。
例如,对于历史服务订单A和B,可以先根据A和B分别对应的标注权重值,计算A和B的标注分差;然后可以根据A和B的标注分差,用sigmoid函数估计A和B顺序和逆序的第一概率。
S702、根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率。
类似的,也可以先根据A和B分别对应的预测权重值,计算A和B的预测分差;然后可以根据A和B的预测分差,用Sigmoid函数估计A和B顺序和逆序的第二概率。
Sigmoid函数的好处在于它允许机器学习得到的分值是任意实数值,只要预测分差和标注分差一致,第二概率就趋近于第一概率。
S703、根据第一概率和第二概率,计算两个历史服务订单的交叉熵。
该交叉熵即为代价函数(cost function),交叉熵越低,表明神经网络输出的预测权重值越趋近于标注权重值。
可选地,为了体现归一化折损累计增益(Normalized Discounted cumulativegain,NDCG)还可以在cost function中乘以NDCG,在此不作限制。
在获取到历史服务订单列表中每两个历史服务订单的交叉熵后,可以执行下述步骤S603。
S603、根据历史服务订单列表中每两个历史服务订单的交叉熵,对历史服务订单列表中的历史服务订单进行排序。
如上所述,交叉熵即为cost function,而cost function与各个历史服务订单的当前预测权重值相关,虽然不知道cost function的全局最优方向,但可以对costfunction求导梯度(Gradient),Gradient即为每个历史服务订单得分的一个下降方向组成的N维向量,N为历史服务订单的个数。梯度方向为每一步最优方向,累加的步数过了,总能走到局部最优点。每个历史服务订单通过shrinkage累加都会得到一个最终得分,可以按分数从大到小对历史服务订单进行排序。
S604、根据历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取预设排序模型。
可选地,可以通过lambdaMART模型对历史服务订单列表进行成对(pairwise)的排序,训练获取预设排序模型。
基于前述方法实施例中所述的订单推荐方法,对应的,本发明实施例还提供一种订单推荐装置,图8示出了本发明实施例提供的订单推荐装置的结构示意图。
如图8所示,该订单推荐装置可以包括:第一获取模块10,用于获取多个待匹配服务订单;排序模块20,用于采用预设排序模型对多个待匹配服务订单进行排序,得到待匹配服务订单排序列表;其中,预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个历史服务订单列表包括多个历史服务订单,每个历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值;发送模块30,用于将待匹配服务订单排序列表发送给服务提供终端。
可选地,历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
图9示出了本发明实施例提供的订单推荐装置的另一结构示意图。
可选地,如图9所示,该订单推荐装置还可以包括:第二获取模块40和训练模块50;在排序模块20采用预设排序模型对多个待匹配服务订单进行排序之前,第二获取模块40用于获取样本集合;训练模块50用于采用样本集合,并根据预设算法对神经网络进行训练,获取预设排序模型。
图10示出了本发明实施例提供的训练模块的结构示意图。
可选地,如图10所示,训练模块50可以包括:预测子模块51,用于通过神经网络获取历史服务订单列表中各历史服务订单分别对应的预测权重值;计算子模块52,用于根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵;排序子模块53,用于根据历史服务订单列表中每两个历史服务订单的交叉熵,对历史服务订单列表中的历史服务订单进行排序;优化子模块54,用于根据历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取预设排序模型。
可选地,计算子模块52具体可以用于,对于历史服务订单列表中的任意两个历史服务订单:根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率;根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率;根据第一概率和第二概率,计算两个历史服务订单的交叉熵。
可选地,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,第一获取模块10具体可以用于,获取服务提供终端的位置信息;从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
可选地,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,第一获取模块10具体可以用于,获取已匹配服务订单的特征信息;根据已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
可选地,特征信息可以包括:订单起点的位置信息、订单出发时间、以及订单终点的位置信息中的至少一种。
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,该订单推荐装置的具体工作过程,可以参考前述方法实施例中所述的订单推荐方法的对应过程,本发明中不再赘述。
应该理解,以上所描述的装置实施例仅仅是示意性的,本发明实施例所揭露的装置和方法,也可以通过其它的方式实现。例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,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。另外,在本发明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,本发明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服务请求终端或车载终端执行本发明各个实施例所述方法的全部或部分步骤。
也即,本领域内的技术人员应明白,本发明实施例可以采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式中的任一种实现。
基于此,本发明实施例还提供一种程序产品,该程序产品可以是U盘、移动硬盘、ROM、RAM、磁碟或者光盘等存储介质,存储介质上可以存储有计算机程序,计算机程序被处理器运行时执行如前述方法实施例中所述的订单推荐方法的步骤。具体实现方式和技术效果类似,在此不再赘述。
可选地,本发明实施例还提供一种订单推荐设备,该订单推荐设备可以是服务器、计算机等设备,图11示出了本发明实施例提供的订单推荐设备的结构示意图。
如图11所示,该订单推荐设备可以包括:处理器210、存储介质220和总线230,存储介质220存储有处理器210可执行的机器可读指令,当订单推荐设备运行时,处理器210与存储介质220之间通过总线通信,处理器210执行机器可读指令,以执行时执行如前述实施例中所述的订单推荐方法的步骤。具体实现方式和技术效果类似,在此不再赘述。
为了便于说明,在上述订单推荐设备中仅描述了一个处理器。然而,应当注意,一些实施例中,本发明中的订单推荐设备还可以包括多个处理器,因此本发明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。
以上仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种订单推荐方法,其特征在于,所述方法包括:
获取多个待匹配服务订单;
采用预设排序模型对多个所述待匹配服务订单进行排序,得到待匹配服务订单排序列表;其中,所述预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;所述样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个所述历史服务订单列表包括多个历史服务订单,每个所述历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值;
将所述待匹配服务订单排序列表发送给服务提供终端。
2.根据权利要求1所述的方法,其特征在于,所述历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
3.根据权利要求2所述的方法,其特征在于,所述采用预设排序模型对多个所述待匹配服务订单进行排序之前,所述方法还包括:
获取所述样本集合;
采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型。
4.根据权利要求3所述的方法,其特征在于,所述采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型,包括:
通过神经网络获取所述历史服务订单列表中各历史服务订单分别对应的预测权重值;
根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵;
根据所述历史服务订单列表中每两个历史服务订单的交叉熵,对所述历史服务订单列表中的历史服务订单进行排序;
根据所述历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取所述预设排序模型。
5.根据权利要求4所述的方法,其特征在于,所述根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵,包括:
对于所述历史服务订单列表中的任意两个历史服务订单:
根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率;
根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率;
根据所述第一概率和所述第二概率,计算两个历史服务订单的交叉熵。
6.根据权利要求1-5任一项所述的方法,其特征在于,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,所述获取多个待匹配服务订单,包括:
获取服务提供终端的位置信息;
从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
7.根据权利要求1-5任一项所述的方法,其特征在于,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,所述获取多个待匹配服务订单,包括:
获取已匹配服务订单的特征信息;
根据所述已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
8.根据权利要求7所述的方法,其特征在于,所述特征信息包括:订单起点的位置信息、订单出发时间、以及订单终点的位置信息中的至少一种。
9.一种订单推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个待匹配服务订单;排序模块,用于采用预设排序模型对多个所述待匹配服务订单进行排序,得到待匹配服务订单排序列表;其中,所述预设排序模型通过采用样本集合,并根据预设算法对神经网络进行训练获取;所述样本集合包括服务提供终端对应的至少一个历史服务订单列表;每个所述历史服务订单列表包括多个历史服务订单,每个所述历史服务订单具有对应的标注权重值、且与服务提供者匹配成功的历史服务订单的标注权重值大于与服务提供者匹配失败的历史服务订单的标注权重值;发送模块,用于将所述待匹配服务订单排序列表发送给服务提供终端。
10.根据权利要求9所述的装置,其特征在于,所述历史服务订单列表中,与服务提供者匹配成功的历史服务订单之前的历史服务订单的标注权重值依次增大,与服务提供者匹配成功的历史服务订单之后的历史服务订单的标注权重值均相同。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:第二获取模块和训练模块;在所述排序模块采用预设排序模型对多个所述待匹配服务订单进行排序之前,所述第二获取模块用于获取所述样本集合;所述训练模块用于采用所述样本集合,并根据预设算法对神经网络进行训练,获取所述预设排序模型。
12.根据权利要求11所述的装置,其特征在于,所述训练模块包括:预测子模块,用于通过神经网络获取所述历史服务订单列表中各历史服务订单分别对应的预测权重值;计算子模块,用于根据预设算法、各历史服务订单分别对应的预测权重值和标注权重值,计算每两个历史服务订单的交叉熵;排序子模块,用于根据所述历史服务订单列表中每两个历史服务订单的交叉熵,对所述历史服务订单列表中的历史服务订单进行排序;优化子模块,用于根据所述历史服务订单列表中历史服务订单的排序结果,对神经网络的进行参数优化,获取所述预设排序模型。
13.根据权利要求12所述的装置,其特征在于,所述计算子模块具体用于,对于所述历史服务订单列表中的任意两个历史服务订单:根据两个历史服务订单分别对应的标注权重值,计算获取两个历史服务订单顺序和逆序的第一概率;根据两个历史服务订单分别对应的预测权重值,计算获取两个历史服务订单顺序和逆序的第二概率;根据所述第一概率和所述第二概率,计算两个历史服务订单的交叉熵。
14.根据权利要求9-13任一项所述的装置,其特征在于,当服务平台中不存在与服务提供终端已经匹配的已匹配服务订单时,所述第一获取模块具体用于,获取服务提供终端的位置信息;从待匹配服务订单中,获取订单起点的位置信息与服务提供终端的位置信息之间的距离小于预设阈值的多个待匹配服务订单。
15.根据权利要求9-13任一项所述的装置,其特征在于,当服务平台中存在与服务提供终端已经匹配的已匹配服务订单时,所述第一获取模块具体用于,获取已匹配服务订单的特征信息;根据所述已匹配服务订单的特征信息,从待匹配服务订单中获取符合预设要求的多个待匹配服务订单。
16.根据权利要求15所述的方法,其特征在于,所述特征信息包括:订单起点的位置信息、订单出发时间、以及订单终点的位置信息中的至少一种。
17.一种订单推荐设备,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,当所述订单推荐设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至8任一项所述的订单推荐方法的步骤。
18.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至8任一项所述的订单推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010163825.0A CN111899061B (zh) | 2020-03-10 | 2020-03-10 | 订单推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010163825.0A CN111899061B (zh) | 2020-03-10 | 2020-03-10 | 订单推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899061A true CN111899061A (zh) | 2020-11-06 |
CN111899061B CN111899061B (zh) | 2024-04-16 |
Family
ID=73169816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010163825.0A Active CN111899061B (zh) | 2020-03-10 | 2020-03-10 | 订单推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899061B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734280A (zh) * | 2021-01-20 | 2021-04-30 | 树根互联技术有限公司 | 生产订单配送方法、装置及电子设备 |
CN112766650A (zh) * | 2020-12-31 | 2021-05-07 | 北京嘀嘀无限科技发展有限公司 | 一种调度方案的确定方法和装置 |
CN113205391A (zh) * | 2021-05-24 | 2021-08-03 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
CN114629675A (zh) * | 2020-12-10 | 2022-06-14 | 国际商业机器公司 | 做出安全推荐 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715285A (zh) * | 2015-03-31 | 2015-06-17 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
US20160078521A1 (en) * | 2014-09-17 | 2016-03-17 | Koninklijke Philips N.V. | Systems and methods for recommending a service for use by a particular user |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及系统 |
US20170323264A1 (en) * | 2016-05-05 | 2017-11-09 | Rent The Runway, Inc. | System and method of just-in time reverse logistics management |
CN107357852A (zh) * | 2017-06-28 | 2017-11-17 | 镇江五八到家供应链管理服务有限公司 | 一种货运司机对订单意愿的判断方法 |
US20180012151A1 (en) * | 2016-02-03 | 2018-01-11 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
CA3034405A1 (en) * | 2016-09-23 | 2018-03-29 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
US10068267B1 (en) * | 2015-09-04 | 2018-09-04 | Amazon Technologies, Inc. | Programmatic selection of service provider |
US20180268324A1 (en) * | 2016-11-02 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for on-demand services |
US20180270610A1 (en) * | 2015-12-22 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating sequence of services |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN108805411A (zh) * | 2018-05-18 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 网约车订单分配方法、装置、服务器、终端和可读存储介质 |
CN109146451A (zh) * | 2018-07-05 | 2019-01-04 | 麒麟合盛网络技术股份有限公司 | 一种支付渠道推荐方法和装置 |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN110119784A (zh) * | 2019-05-16 | 2019-08-13 | 重庆天蓬网络有限公司 | 一种订单推荐方法及装置 |
US20190262721A1 (en) * | 2018-02-27 | 2019-08-29 | DraftKings, Inc. | System and methods for prioritizing content packets based on a dynamically updated list of profile attributes |
CN110782301A (zh) * | 2019-02-25 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种拼单方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-03-10 CN CN202010163825.0A patent/CN111899061B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160078521A1 (en) * | 2014-09-17 | 2016-03-17 | Koninklijke Philips N.V. | Systems and methods for recommending a service for use by a particular user |
CN104715285A (zh) * | 2015-03-31 | 2015-06-17 | 北京嘀嘀无限科技发展有限公司 | 处理订单的方法和设备 |
US10068267B1 (en) * | 2015-09-04 | 2018-09-04 | Amazon Technologies, Inc. | Programmatic selection of service provider |
US20180270610A1 (en) * | 2015-12-22 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating sequence of services |
US20180012151A1 (en) * | 2016-02-03 | 2018-01-11 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及系统 |
US20170323264A1 (en) * | 2016-05-05 | 2017-11-09 | Rent The Runway, Inc. | System and method of just-in time reverse logistics management |
CN110678884A (zh) * | 2016-09-23 | 2020-01-10 | 欧佩科技股份公司 | 用于交通运输服务的可订制的预先派单调度的系统和方法 |
CA3034405A1 (en) * | 2016-09-23 | 2018-03-29 | Operr Technologies, Inc. | System and method for customizable prescheduled dispatching for transportation services |
US20180268324A1 (en) * | 2016-11-02 | 2018-09-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for on-demand services |
CN109417767A (zh) * | 2017-04-27 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN107357852A (zh) * | 2017-06-28 | 2017-11-17 | 镇江五八到家供应链管理服务有限公司 | 一种货运司机对订单意愿的判断方法 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN108182268A (zh) * | 2018-01-16 | 2018-06-19 | 浙江工商大学 | 一种基于社会网络的协同过滤推荐方法及系统 |
US20190262721A1 (en) * | 2018-02-27 | 2019-08-29 | DraftKings, Inc. | System and methods for prioritizing content packets based on a dynamically updated list of profile attributes |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN108805411A (zh) * | 2018-05-18 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 网约车订单分配方法、装置、服务器、终端和可读存储介质 |
CN109146451A (zh) * | 2018-07-05 | 2019-01-04 | 麒麟合盛网络技术股份有限公司 | 一种支付渠道推荐方法和装置 |
CN110782301A (zh) * | 2019-02-25 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种拼单方法、装置、电子设备及计算机可读存储介质 |
CN110119784A (zh) * | 2019-05-16 | 2019-08-13 | 重庆天蓬网络有限公司 | 一种订单推荐方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114629675A (zh) * | 2020-12-10 | 2022-06-14 | 国际商业机器公司 | 做出安全推荐 |
CN114629675B (zh) * | 2020-12-10 | 2023-10-27 | 国际商业机器公司 | 做出安全推荐的方法、系统和存储介质 |
US11811520B2 (en) | 2020-12-10 | 2023-11-07 | International Business Machines Corporation | Making security recommendations |
CN112766650A (zh) * | 2020-12-31 | 2021-05-07 | 北京嘀嘀无限科技发展有限公司 | 一种调度方案的确定方法和装置 |
CN112734280A (zh) * | 2021-01-20 | 2021-04-30 | 树根互联技术有限公司 | 生产订单配送方法、装置及电子设备 |
CN112734280B (zh) * | 2021-01-20 | 2024-02-02 | 树根互联股份有限公司 | 生产订单配送方法、装置及电子设备 |
CN113205391A (zh) * | 2021-05-24 | 2021-08-03 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
CN113205391B (zh) * | 2021-05-24 | 2022-08-23 | 长沙市到家悠享家政服务有限公司 | 基于历史订单匹配度的派单方法、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111899061B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899061B (zh) | 订单推荐方法、装置、设备及存储介质 | |
US11586992B2 (en) | Travel plan recommendation method, apparatus, device and computer readable storage medium | |
CN107945503B (zh) | 顺风车的拼车方法和系统 | |
CN111428137B (zh) | 一种电动汽车充电设施的推荐方法及推荐装置 | |
CN110782301A (zh) | 一种拼单方法、装置、电子设备及计算机可读存储介质 | |
CN111353092B (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
CN110910180B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111523932A (zh) | 一种网约车服务的评分方法、装置、系统及存储介质 | |
CN110245288A (zh) | 一种基于多维评价系统的车辆匹配方法及装置 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN111932330A (zh) | 服务位置推荐方法、装置、电子设备及可读存储介质 | |
CN111292105B (zh) | 一种业务需求确定方法以及装置 | |
CN110363611B (zh) | 网约车用户匹配方法、装置、服务器及存储介质 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
CN112989188B (zh) | 推荐订单的确定方法、装置和服务器 | |
CN113516332B (zh) | 信息处理装置,非暂时性存储介质和评估方法 | |
CN112488806A (zh) | 一种预测订单意愿的方法、装置、计算机设备及计算机可读存储介质 | |
CN111611353B (zh) | 筛选方法、装置、电子设备及计算机可读存储介质 | |
CN111353093A (zh) | 问题推荐方法、装置、服务器及可读存储介质 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 | |
CN115759307A (zh) | 一种订单派送方法、装置、电子设备及存储介质 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
CN111445371A (zh) | 运输路线生成方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |