CN113724037A - 非正常订单处理方法、装置、存储介质和计算机设备 - Google Patents
非正常订单处理方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN113724037A CN113724037A CN202110881534.XA CN202110881534A CN113724037A CN 113724037 A CN113724037 A CN 113724037A CN 202110881534 A CN202110881534 A CN 202110881534A CN 113724037 A CN113724037 A CN 113724037A
- Authority
- CN
- China
- Prior art keywords
- order
- abnormal
- paired
- probability value
- preset
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 168
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 19
- 230000036651 mood Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007115 recruitment Effects 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
Abstract
本发明提供一种非正常订单处理方法、装置、计算机可读存储介质和计算机设备,该方法包括:获取待配对订单的订单备注信息;根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;根据所述概率值,判断是否达到预置订单干预条件;若是,对所述待配对订单进行预设干预操作。该非正常订单处理方法通过干预高度疑似为非正常订单的待配对订单能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率,从而保证司机的抢单效率和工作心情,提高司机体验,并提高约车平台的订单吞吐效率,有效维持约车平台的正常运营秩序。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,本发明涉及一种非正常订单处理方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着时代的发展,网上约车成为了满足人们通勤、出行或者搬家等用车需求的重要方式。对于司机客户端,通常通过其客户端展示的订单列表进行抢单,司机通过了解订单的用车时间、装卸货位置、备注信息等选择适合自己的订单去提供服务。在实际应用过程中,约车平台会存在有非正常订单的现象,例如在备注信息中发布兼职或者交友的广告,或者备注司机难以完成的夸张需求,这类非正常单基本会如同正常订单一样推送给司机,这类非正常订单容易影响司机的抢单效率和工作心情,司机体验差,且降低约车平台的订单吞吐效率,对约车平台的正常运营秩序造成不良影响。
发明内容
为至少能解决上述的技术缺陷之一,本发明提供了以下技术方案的非正常订单处理方法及对应的装置、计算机可读存储介质和计算机设备。
本发明的实施例根据一个方面,提供了一种非正常订单处理方法,包括如下步骤:
获取待配对订单的订单备注信息;
根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
根据所述概率值,判断是否达到预置订单干预条件;
若是,对所述待配对订单进行预设干预操作。
优选地,所述根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值,包括:
对所述订单备注信息进行分词,得到备注分词;
根据所述备注分词,生成分词特征向量;
将所述分词特征向量输入预置的非正常订单预测模型,得到所述待配对订单为非正常订单的概率值。
优选地,所述对所述订单备注信息进行分词,得到备注分词,包括:
基于jieba分词组件对所述订单备注信息进行分词,得到备注分词。
优选地,所述根据所述概率值,判断是否达到预置订单干预条件,包括:
根据所述概率值,判断所述概率值是否大于预设阈值;或
根据所述概率值,判断所述概率值是否大于预设阈值;若是,随机生成随机概率值,判断所述随机概率值是否大于预设概率值。
优选地,所述对所述待配对订单进行预设干预操作,包括:
从约车平台的待配对订单库中删除所述待配对订单。
优选地,所述非正常订单预测模型通过以下步骤预先训练得到:
获取历史订单的历史订单备注信息和用于表示历史订单是否为非正常订单的标签信息;
对所述历史订单备注信息进行分词,得到历史备注分词;
根据所述历史备注分词,生成历史分词特征向量;
根据所述历史分词特征向量和所述标签信息,生成训练样本;
根据所述训练样本,基于预设算法训练生成所述非正常订单预测模型;所述非正常订单预测模型用于评估订单为非正常订单的概率值。
优选地,所述订单备注信息包括以下至少之一:期望车型、货物信息、是否需要司机提供搬货服务。
此外,本发明的实施例根据另一个方面,提供了一种非正常订单处理装置,包括:
备注获取模块,用于获取待配对订单的订单备注信息;
概率值评估模块,用于根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
干预条件判断模块,用于根据所述概率值,判断是否达到预置订单干预条件;
订单干预模块,用于达到预置订单干预条件时,对所述待配对订单进行预设干预操作。
本发明的实施例根据又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的非正常订单处理方法。
本发明的实施例根据再一个方面,提供了一种计算机设备,所述计算机包括一个或多个处理器;存储器;一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于:执行上述的非正常订单处理方法。
本发明与现有技术相比,具有以下有益效果:
本发明提供的非正常订单处理方法、装置、计算机可读存储介质和计算机设备,通过获取待配对订单的订单备注信息,并基于非正常订单预测模型评估待配对订单为非正常订单的概率值,进而根据概率值确定高度疑似为非正常订单的待配对订单并进行干预操作,通过干预高度疑似为非正常订单的待配对订单能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率,从而保证司机的抢单效率和工作心情,提高司机体验,并提高约车平台的订单吞吐效率,有效维持约车平台的正常运营秩序。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的非正常订单处理方法的方法流程图;
图2为本发明实施例提供的概率值评估过程的方法流程图;
图3为本发明实施例提供的非正常订单预测模型训练过程的方法流程图;
图4为本发明实施例提供的非正常订单处理装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本发明实施例提供了一种非正常订单处理方法,如图1所示,该方法包括:
步骤S110:获取待配对订单的订单备注信息;
对于本实施例,所述待配对订单为在约车平台中,用车人发起的尚未配对有提供用车服务司机的用车订单。
对于本实施例,用车人发起用车订单的界面通常有用于输入备注信息的订单备注栏,在正常实际应用中,用车人会通过订单备注信息表达自己对于用车的个性化需求。通过判断约车平台待配对订单库中的各个待配对订单是否有订单备注信息,若有,则提取待配对订单的订单备注信息以作进一步分析。
步骤S120:根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
对于本实施例,预先训练有非正常订单预测模型,所述非正常订单用于评估待配对订单为非正常订单的可能性。所述非正常订单指没有真实用车需求的订单,或者是借助订单备注信息达到个人交友、招聘、打广告等信息发布目的的订单,又或者是需求不符合实际的订单。该类非正常订单的推荐甚至被司机接单的话,会影响司机的抢单效率和工作心情,司机体验差,且降低约车平台的订单吞吐效率,对约车平台的正常运营秩序造成不良影响。
对于本实施例,所述非正常订单预测模型用于评估各个待配对订单为非正常订单的概率值,具体地,将待配对订单的订单备注信息分割成多个信息片段,并将多个信息片段输入预置的非正常订单预测模型,输出一个介于0到1之间的数值,为该待配对订单为非正常订单的概率值,所述概率值越高,则待配对订单为非正常订单的可能性越大。
在本实施例中,通过从大数据中学习非正常订单的方式,即预先训练有非正常订单预测模型并基于非正常订单预测模型评估待配对订单为非正常订单的概率值,相比于常规的正则提取的方式,具有足够的灵活性、自适应性和泛化能力。
在一个可能的实现方式中,特别是对于物流领域的约车平台,所述订单备注信息包括以下至少之一:期望车型、货物信息、是否需要司机提供搬货服务、跟车人数、搬货时长。其中,所述货物信息包括但不限于货物数量、货物重量、货物类型、是否易燃易爆等货物特性。
步骤S130:根据所述概率值,判断是否达到预置订单干预条件;
对于本实施例,预先设置有非正常单的订单干预条件,所述订单干预条件根据待配对订单为非正常订单的概率值设置。
步骤S140:若是,对所述待配对订单进行预设干预操作。
对于本实施例,当待配对订单为非正常订单的概率值达到预置订单干预条件时,说明该待配对订单高度疑似为非正常订单,需将该达到预置订单干预条件的待配对订单进行预设干预操作。
在一个可能的实现方式中,所述对所述待配对订单进行预设干预操作具体为从约车平台的待配对订单库中删除所述待配对订单,从而避免向约车平台的司机推送高度疑似为非正常订单的待配对订单。
在一个可能的实现方式中,所述对所述待配对订单进行预设干预操作具体为对所述待配对订单在推送给司机的订单列表中的排序进行后置处理。通过将高度疑似为非正常订单进行后置处理能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率。
可选地,后置处理具体为将高度疑似为非正常订单的待配对订单在推送给司机的订单列表中的排序调整至第N位后。其中,N的具体数值可根据实际应用需求确定和调整,本发明实施例对此不作限定。例如,N可以是10、15等数值,也可以订单列表中待配对订单数量的50%、70%、90%等比例对应的数值。
可选地,后置处理具体为将高度疑似为非正常订单的待配对订单在推送给司机的订单列表中的排序调整至末位。
本发明实施例提供的非正常订单处理方法,通过获取待配对订单的订单备注信息,并基于非正常订单预测模型评估待配对订单为非正常订单的概率值,进而根据概率值确定高度疑似为非正常订单的待配对订单并进行干预操作,通过干预高度疑似为非正常订单的待配对订单能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率,从而保证司机的抢单效率和工作心情,提高司机体验,并提高约车平台的订单吞吐效率,有效维持约车平台的正常运营秩序。
在一些实施例中,如图2所示,所述步骤S120,包括:
步骤S1201:对所述订单备注信息进行分词,得到备注分词;
对于本实施例,基于分词算法对所述订单备注信息进行分词,即字符串文本进行分词,得到备注分词,由备注分词组成词语列表。
在一个可能实现的方式中,所述步骤S1201包括:基于jieba分词组件对所述订单备注信息进行分词,得到备注分词。
对于本实施例,通过jieba分词组件对订单备注信息,即字符串文本进行分词,得到备注分词,由备注分词组成词语列表。具体地,采用jieba分词组件的精确模式,能够将句子最精确地切开,实现文本分析。例如,订单备注信息为“要4.2m平板车,一人跟车”,则基于jieba分词组件切分为“要”、“4.2m”、“平板车”、“,”、“一人”和“跟车”。
步骤S1202:根据所述备注分词,生成分词特征向量;
对于本实施例,基于Embedding(嵌入)算法将备注分词转化为分词特征向量。
在一个可能实现的方式中,所述步骤S1202包括:基于Word2vec算法将备注分词转化为分词特征向量。例如,将备注分词“跟车”被转化为[0.231,0.12321,0.232,-0.2121,0.123,…,0.13]的分词特征向量。
步骤S1203:将所述分词特征向量输入预置的非正常订单预测模型,得到所述待配对订单为非正常订单的概率值。
对于本实施例,预先训练有非正常订单预测模型,所述非正常订单用于评估待配对订单为非正常订单的可能性。
对于本实施例,所述非正常订单预测模型用于评估各个待配对订单为非正常订单的概率值,具体地,对所述订单备注信息进行分词,得到备注分词,并将备注分词转化为分词特征向量,将所有备注分词的分词特征向量输入预置的非正常订单预测模型,输出一个介于0到1之间的数值,为该待配对订单为非正常订单的概率值,所述概率值越高,则待配对订单为非正常订单的可能性越大。
在本实施例中,通过从大数据中学习非正常订单的方式,即预先训练有非正常订单预测模型并基于非正常订单预测模型评估待配对订单为非正常订单的概率值,相比于常规的正则提取的方式,具有足够的灵活性、自适应性和泛化能力。
在一些实施例中,如图3所示,所述非正常订单预测模型通过以下步骤预先训练得到:
步骤S310:获取历史订单的历史订单备注信息和用于表示历史订单是否为非正常订单的标签信息;
对于本实施例,历史订单分为非正常订单和正常订单两类订单,获取各个历史订单对应的标签信息,所述标签信息用于标识该历史订单是否为非正常订单。所述标签信息可具体记作1或0,将表示为非正常订单的标签信息记作1,表示为正常订单的标签信息记作0,以用于后续的模型训练。其中,历史订单是否为非正常订单可通过是否被司机举报、语音人工判责等方式确定。
在一个可能的实现方式中,特别是对于物流领域的约车平台,所述历史订单备注信息包括以下至少之一:期望车型、货物信息、是否需要司机提供搬货服务、跟车人数、搬货时长。其中,所述货物信息包括但不限于货物数量、货物重量、货物类型、是否易燃易爆等货物特性。
步骤S320:对所述历史订单备注信息进行分词,得到历史备注分词;
对于本实施例,基于分词算法对各个历史订单的历史订单备注信息进行分词,即字符串文本进行分词,得到历史备注分词,由各个历史订单的历史备注分词组成各个历史订单的词语列表。
在一个可能实现的方式中,所述步骤S320包括:基于jieba分词组件对所述历史订单备注信息进行分词,得到历史备注分词。通过jieba分词组件对历史订单备注信息,即字符串文本进行分词,得到历史备注分词,由历史备注分词组成词语列表。
步骤S330:根据所述历史备注分词,生成历史分词特征向量;
对于本实施例,基于Word2vec等Embedding(嵌入)算法将历史备注分词转化为历史分词特征向量。
步骤S340:根据所述历史分词特征向量和所述标签信息,生成训练样本;
对于本实施例,将步骤S330生成的历史分词特征向量和对应的标签信息生成训练样本,多个历史订单对应的训练样本构成用于训练非正常订单预测模型的训练样本集。
步骤S350:根据所述训练样本,基于预设算法训练生成所述非正常订单预测模型;所述非正常订单预测模型用于评估订单为非正常订单的概率值。
对于本实施例,将训练样本集中的训练样本输入预定算法,例如通过逻辑回归等算法,建立二分类模型,并由算法学习历史分词特征向量与订单是否为非正常订单的关联关系,最终训练得非正常订单预测模型,所述非正常订单预测模型用于评估订单为非正常订单的概率值,即可输出一个介于0到1之间的数值,为该待配对订单为非正常订单的概率值,所述概率值越高,则待配对订单为非正常订单的可能性越大。
在一些实施例中,所述步骤S130包括:根据所述概率值,判断所述概率值是否大于预设阈值;
对于本实施例,预先设置有订单干预条件,即对高度疑似为非正常订单的待配对订单进行预设干预操作的条件,所述订单干预条件为待配对订单为非正常订单的概率值大于预设阈值。具体地,将待配对订单为非正常订单的概率值与所述预设阈值进行比较;若所述概率值大于预设阈值,才对该高度疑似为非正常订单的待配对订单进行预设干预操作;若未达到预置的订单干预条件,即所述概率值小于等于预设阈值,则不进行订单干预操作,将该待配对订单归类为可向司机推荐的待配对订单库中。
对于本实施例,所述预设阈值介于0到1之间,所述预设阈值的具体数值可根据实际应用需求确定和调整,本发明实施例对此不作限定。
例如,预先设置所述预设阈值为0.7,若一个待配对订单为非正常订单的概率值大于0.7,则评估得该待配对订单高度疑似为非正常订单,需对该待配对订单进行预设干预操作。
在本实施例中,基于非正常订单预测模型评估待配对订单为非正常订单的概率值,并根据概率值是否大于预设阈值来确定待配对订单是否高度疑似为非正常订单,并对高度疑似为非正常订单的待配对订单进行干预操作,通过干预高度疑似为非正常订单的待配对订单能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率,从而保证司机的抢单效率和工作心情,提高司机体验,并提高约车平台的订单吞吐效率,有效维持约车平台的正常运营秩序。
在一些实施例中,所述步骤S130包括:根据所述概率值,判断所述概率值是否大于预设阈值;若是,随机生成随机概率值,判断所述随机概率值是否大于预设概率值。
对于本实施例,预先设置有订单干预条件,即对高度疑似为非正常订单的待配对订单进行预设干预操作的条件,所述订单干预条件为待配对订单为非正常订单的概率值大于预设阈值,且随机概率值大于预设概率值。具体地,将待配对订单为非正常订单的概率值与所述预设阈值进行比较;若所述概率值大于预设阈值,则进一步基于随机函数生成一个随机概率值;若随机概率值也大于预设概率值,才对该高度疑似为非正常订单的待配对订单进行预设干预操作;若未达到预置的订单干预条件,即所述概率值小于等于预设阈值或者所述概率值大于预设阈值但随机概率值小于等于预设概率值,则不进行订单干预操作,将该待配对订单归类为可向司机推荐的待配对订单库中。
对于本实施例,所述预设阈值和所述预设概率值介于0到1之间,所述预设阈值和所述预设概率值的具体数值可根据实际应用需求确定和调整,本发明实施例对此不作限定。
例如,预先设置所述预设阈值为0.7,所述预设概率值为0.1,若一个待配对订单为非正常订单的概率值大于0.7,且所述随机概率值大于0.1,则评估得该待配对订单高度疑似为非正常订单,需对该待配对订单进行预设干预操作。
在本实施例中,基于非正常订单预测模型评估待配对订单为非正常订单的概率值,并根据概率值是否大于预设阈值来确定待配对订单是否高度疑似为非正常订单,并以一定概率对高度疑似为非正常订单的待配对订单进行干预操作,通过干预高度疑似为非正常订单的待配对订单能够减少非正常单的曝光度,降低非正常订单被司机抢单的概率,从而保证司机的抢单效率和工作心情,提高司机体验,并提高约车平台的订单吞吐效率,有效维持约车平台的正常运营秩序。
此外,本发明实施例提供了一种非正常订单处理装置,如图4所示,所述装置包括:
备注获取模块41,用于获取待配对订单的订单备注信息;
概率值评估模块42,用于根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
干预条件判断模块43,用于根据所述概率值,判断是否达到预置订单干预条件;
订单干预模块44,用于达到预置订单干预条件时,对所述待配对订单进行预设干预操作。
在一个实施例中,所述概率值评估模块42,具体用于:
对所述订单备注信息进行分词,得到备注分词;
根据所述备注分词,生成分词特征向量;
将所述分词特征向量输入预置的非正常订单预测模型,得到所述待配对订单为非正常订单的概率值。
在一个实施例中,所述概率值评估模块42用于对所述订单备注信息进行分词,得到备注分词时,具体用于:
基于jieba分词组件对所述订单备注信息进行分词,得到备注分词。
优选地,所述根据所述概率值,判断是否达到预置订单干预条件,包括:
根据所述概率值,判断所述概率值是否大于预设阈值;或
根据所述概率值,判断所述概率值是否大于预设阈值;若是,随机生成随机概率值,判断所述随机概率值是否大于预设概率值。
在一个实施例中,所述订单干预模块44,具体用于:
从约车平台的待配对订单库中删除所述待配对订单。
在一个实施例中,所述非正常订单预测模型通过以下步骤预先训练得到:
获取历史订单的历史订单备注信息和用于表示历史订单是否为非正常订单的标签信息;
对所述历史订单备注信息进行分词,得到历史备注分词;
根据所述历史备注分词,生成历史分词特征向量;
根据所述历史分词特征向量和所述标签信息,生成训练样本;
根据所述训练样本,基于预设算法训练生成所述非正常订单预测模型;所述非正常订单预测模型用于评估订单为非正常订单的概率值。
在一个实施例中,所述订单备注信息包括以下至少之一:期望车型、货物信息、是否需要司机提供搬货服务。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现以上任一实施例所述的非正常订单处理方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSSMemory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明方法实施例的内容均适用于本存储介质实施例,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,本发明实施例还提供了一种计算机设备,本实施例所述的计算机设备可以是服务器、个人计算机以及网络设备等设备。所述计算机设备包括:一个或多个处理器,存储器,一个或多个计算机程序,其中所述一个或多个计算机程序被存储在存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于执行以上任一实施例所述的非正常订单处理方法。
本发明方法实施例的内容均适用于本计算机设备实施例,本计算机设备实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种非正常订单处理方法,其特征在于,包括如下步骤:
获取待配对订单的订单备注信息;
根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
根据所述概率值,判断是否达到预置订单干预条件;
若是,对所述待配对订单进行预设干预操作。
2.根据权利要求1所述的非正常订单处理方法,其特征在于,所述根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值,包括:
对所述订单备注信息进行分词,得到备注分词;
根据所述备注分词,生成分词特征向量;
将所述分词特征向量输入预置的非正常订单预测模型,得到所述待配对订单为非正常订单的概率值。
3.根据权利要求2所述的非正常订单处理方法,其特征在于,所述对所述订单备注信息进行分词,得到备注分词,包括:
基于jieba分词组件对所述订单备注信息进行分词,得到备注分词。
4.根据权利要求1所述的非正常订单处理方法,其特征在于,所述根据所述概率值,判断是否达到预置订单干预条件,包括:
根据所述概率值,判断所述概率值是否大于预设阈值;或
根据所述概率值,判断所述概率值是否大于预设阈值;若是,随机生成随机概率值,判断所述随机概率值是否大于预设概率值。
5.根据权利要求1所述的非正常订单处理方法,其特征在于,所述对所述待配对订单进行预设干预操作,包括:
从约车平台的待配对订单库中删除所述待配对订单。
6.根据权利要求1所述的非正常订单处理方法,其特征在于,所述非正常订单预测模型通过以下步骤预先训练得到:
获取历史订单的历史订单备注信息和用于表示历史订单是否为非正常订单的标签信息;
对所述历史订单备注信息进行分词,得到历史备注分词;
根据所述历史备注分词,生成历史分词特征向量;
根据所述历史分词特征向量和所述标签信息,生成训练样本;
根据所述训练样本,基于预设算法训练生成所述非正常订单预测模型;所述非正常订单预测模型用于评估订单为非正常订单的概率值。
7.根据权利要求1所述的非正常订单处理方法,其特征在于,所述订单备注信息包括以下至少之一:期望车型、货物信息、是否需要司机提供搬货服务。
8.一种非正常订单处理装置,其特征在于,包括:
备注获取模块,用于获取待配对订单的订单备注信息;
概率值评估模块,用于根据所述订单备注信息,基于预置的非正常订单预测模型评估所述待配对订单为非正常订单的概率值;
干预条件判断模块,用于根据所述概率值,判断是否达到预置订单干预条件;
订单干预模块,用于达到预置订单干预条件时,对所述待配对订单进行预设干预操作。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的非正常订单处理方法。
10.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于:执行根据权利要求1至7任一项所述的非正常订单处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881534.XA CN113724037A (zh) | 2021-08-02 | 2021-08-02 | 非正常订单处理方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881534.XA CN113724037A (zh) | 2021-08-02 | 2021-08-02 | 非正常订单处理方法、装置、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724037A true CN113724037A (zh) | 2021-11-30 |
Family
ID=78674607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881534.XA Pending CN113724037A (zh) | 2021-08-02 | 2021-08-02 | 非正常订单处理方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724037A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106539A (zh) * | 2007-08-03 | 2008-01-16 | 浙江大学 | 基于支持向量机的垃圾邮件过滤方法 |
CN103186845A (zh) * | 2011-12-29 | 2013-07-03 | 盈世信息科技(北京)有限公司 | 一种垃圾邮件过滤方法 |
CN106709777A (zh) * | 2015-11-18 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种订单聚类方法及装置,以及反恶意信息的方法及装置 |
CN109388715A (zh) * | 2018-10-25 | 2019-02-26 | 北京小度信息科技有限公司 | 用户数据的分析方法及装置 |
CN109902179A (zh) * | 2019-03-04 | 2019-06-18 | 上海宝尊电子商务有限公司 | 基于自然语言处理的筛选电商垃圾评论的方法 |
CN110069627A (zh) * | 2017-11-20 | 2019-07-30 | 中国移动通信集团上海有限公司 | 短文本的分类方法、装置、电子设备和存储介质 |
CN110532394A (zh) * | 2019-09-11 | 2019-12-03 | 携程计算机技术(上海)有限公司 | 订单备注文本的处理方法及系统 |
CN111104513A (zh) * | 2019-12-13 | 2020-05-05 | 中山大学 | 一种游戏平台用户问答业务的短文本分类方法 |
CN111339305A (zh) * | 2020-03-20 | 2020-06-26 | 北京中科模识科技有限公司 | 文本分类方法、装置、电子设备及存储介质 |
CN111447574A (zh) * | 2018-12-27 | 2020-07-24 | 中国移动通信集团辽宁有限公司 | 短信分类方法、装置、系统和存储介质 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
-
2021
- 2021-08-02 CN CN202110881534.XA patent/CN113724037A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106539A (zh) * | 2007-08-03 | 2008-01-16 | 浙江大学 | 基于支持向量机的垃圾邮件过滤方法 |
CN103186845A (zh) * | 2011-12-29 | 2013-07-03 | 盈世信息科技(北京)有限公司 | 一种垃圾邮件过滤方法 |
CN106709777A (zh) * | 2015-11-18 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种订单聚类方法及装置,以及反恶意信息的方法及装置 |
CN110069627A (zh) * | 2017-11-20 | 2019-07-30 | 中国移动通信集团上海有限公司 | 短文本的分类方法、装置、电子设备和存储介质 |
CN109388715A (zh) * | 2018-10-25 | 2019-02-26 | 北京小度信息科技有限公司 | 用户数据的分析方法及装置 |
CN111447574A (zh) * | 2018-12-27 | 2020-07-24 | 中国移动通信集团辽宁有限公司 | 短信分类方法、装置、系统和存储介质 |
CN109902179A (zh) * | 2019-03-04 | 2019-06-18 | 上海宝尊电子商务有限公司 | 基于自然语言处理的筛选电商垃圾评论的方法 |
CN110532394A (zh) * | 2019-09-11 | 2019-12-03 | 携程计算机技术(上海)有限公司 | 订单备注文本的处理方法及系统 |
CN111104513A (zh) * | 2019-12-13 | 2020-05-05 | 中山大学 | 一种游戏平台用户问答业务的短文本分类方法 |
CN111339305A (zh) * | 2020-03-20 | 2020-06-26 | 北京中科模识科技有限公司 | 文本分类方法、装置、电子设备及存储介质 |
CN112686678A (zh) * | 2020-12-30 | 2021-04-20 | 北京顺达同行科技有限公司 | 一种确定虚假订单的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563722B (zh) | 文本信息的行业分类方法、系统、计算机设备和存储介质 | |
CN107608956B (zh) | 一种基于cnn-grnn的读者情绪分布预测算法 | |
CN110580335B (zh) | 用户意图的确定方法及装置 | |
CN110598847B (zh) | 处理交互序列数据的方法及装置 | |
CN108536800B (zh) | 文本分类方法、系统、计算机设备和存储介质 | |
US20180089152A1 (en) | Message text labelling | |
CN109271627B (zh) | 文本分析方法、装置、计算机设备和存储介质 | |
CN110555469B (zh) | 处理交互序列数据的方法及装置 | |
US20210073671A1 (en) | Generating combined feature embedding for minority class upsampling in training machine learning models with imbalanced samples | |
CN108520041B (zh) | 文本的行业分类方法、系统、计算机设备和存储介质 | |
CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
KR102456148B1 (ko) | 기술 단어 평가 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN109086938B (zh) | 产品sku识别方法、装置及计算机可读存储介质 | |
CN113724037A (zh) | 非正常订单处理方法、装置、存储介质和计算机设备 | |
CN111258469A (zh) | 处理交互序列数据的方法及装置 | |
US20230076149A1 (en) | Methods and apparatus for data imputation of a sparse time series data set | |
CN115880533A (zh) | 基于自适应子集搜索和深度学习的桥梁表观裂缝识别方法 | |
CN116029760A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN112561569B (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
CN110163652B (zh) | 获客转化率预估方法及装置、计算机可读存储介质 | |
CN114298013A (zh) | 一种基于深度学习的虚假收货地址预测方法和装置 | |
CN110888539A (zh) | 输入法中的人名推荐方法、装置、设备及存储介质 |
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 |