CN114756774A - 出行方案推荐、模型训练方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种出行方案推荐、模型训练方法、装置、设备以及存储介质，涉及计算机技术领域，尤其涉及智能交通技术领域。具体实现方案为：获得根据目标用户的历史出行方案确定的出行行为特征；获得所述目标用户从出发地到目的地的候选出行方案的方案特征；根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。应用本公开实施例提供的方案推荐出行方案，可以提高推荐的准确性。

Description

出行方案推荐、模型训练方法、装置、设备以及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及智能交通技术领域。

背景技术

随着电子地图平台的技术演进，用户想要从出发地前往目的地，可以参考电子地图平台提供的多种出行方案。如果电子地图平台向用户提供的可选择的出行方案过多，用户确定出行方案的决策成本增加。为了降低用户决策出行方案的成本，现有技术中，电子地图平台通常会减少向用户提供的出行方案数量，例如，仅向用户提供出行代价最小的出行方案。

发明内容

本公开提供了一种出行方案推荐、模型训练方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种出行方案推荐方法，包括：

获得根据目标用户的历史出行方案确定的出行行为特征；

获得所述目标用户从出发地到目的地的候选出行方案的方案特征；

根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；

根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。

根据本公开的第二方面，提供了一种模型训练方法，包括：

获得根据样本用户的样本历史出行方案确定的样本出行行为特征；

确定所述样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及所述样本用户在样本候选出行方案中选中的目标出行方案；

将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度；

根据所述目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对所述网络模型进行训练的损失值，其中，所述其它出行方案为：样本候选出行方案中除所述目标出行方案外的方案；

基于所述损失值，调整所述网络模型的模型参数，得到推荐度获得模型。

根据本公开的第三方面，提供了一种出行方案推荐装置，包括：

出行行为特征获得模块，用于获得根据目标用户的历史出行方案确定的出行行为特征；

方案特征获得模块，用于获得所述目标用户从出发地到目的地的候选出行方案的方案特征；

推荐度确定模块，用于根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；

出行方案推荐模块，用于根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。

根据本公开的第四方面，提供了一种模型训练装置，包括：

样本出行行为特征获得模块，用于获得根据样本用户的样本历史出行方案确定的样本出行行为特征；

特征及出行方案确定模块，用于确定所述样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及所述样本用户在样本候选出行方案中选中的目标出行方案；

推荐度获得模块，用于将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度；

损失值生成模块，用于根据所述目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对所述网络模型进行训练的损失值，其中，所述其它出行方案为：样本候选出行方案中除所述目标出行方案外的方案；

模型获得模块，用于基于所述损失值，调整所述网络模型的模型参数，得到推荐度获得模型。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述出行方案推荐或模型训练方法。

根据本公开的第六方面，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述出行方案推荐或模型训练方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述出行方案推荐或模型训练方法。

由上可见，本公开实施例提供的方案中，候选出行方案的推荐度根据历史出行方案确定的出行行为特征和候选出行方案的方案特征得到，这样推荐度能够反映候选出行方案与历史出行方案的关系，由于历史出行方案能够反映用户在曾经出行的过程中表现出的偏好，因此通过推荐度，可以表示候选出行方案与用户偏好的符合程度，按照推荐度优先向用户推荐符合用户偏好的候选出行方案，所推荐的候选出行方案被用户采用的可能性更高，提高了推荐的准确性。

另外，将多个候选出行方案推荐给目标用户的同时，使用推荐度作为参考信息，可以在保证用于决策最终出行方案的出行方案数量充足的情况下，使目标用户可以按照推荐度选择更符合自己需要的出行方案，减少目标用户的决策成本，降低决策难度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例提供的第一种出行方案推荐方法的流程示意图；

图2是本公开实施例提供的第二种出行方案推荐方法的流程示意图；

图3是本公开实施例提供的一种模型训练方法的流程示意图；

图4a是本公开实施例提供的一种模型训练样本获取方法的流程框图；

图4b是本公开实施例提供的一种出行方案推荐、模型训练方法的流程框图；

图5是本公开实施例提供的一种出行方案推荐装置的结构示意图；

图6是本公开实施例提供的一种模型训练装置的结构示意图；

图7是用来实现本公开实施例的出行方案推荐方法或模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面对本公开实施例提供的方案的应用场景进行说明。

本公开实施例提供的出行方案推荐方法可以应用于包含电子地图的应用软件，例如，电子地图平台、导航软件等。

一种场景下，用户可以向自己使用的电子设备安装的导航软件中输入想去的目的地，导航软件通过电子设备中的定位系统获得用户当前所处的出发地。在此情况下上述导航软件可以应用本公开实施例提供的出行方案推荐方法为用户提供多个出行方案，在用户指定出行方案后，导航软件按照所指定的出行方案开始导航。

下面通过具体实施例对本公开实施例提供的出行方案推荐方法进行详细说明。

本公开的一个实施例中，参见图1，提供了第一种出行方案推荐方法的流程示意图，该方法包括以下步骤S101-S104。

步骤S101：获得根据目标用户的历史出行方案确定的出行行为特征。

上述目标用户为出行方案的推荐对象。

历史出行方案可以是目标用户在之前一段时间内曾经采用过的出行方案等。

出行行为特征可以根据目标用户对历史出行方案产生的交互行为获得，例如，交互行为可以是目标用户对各历史出行方案进行浏览的时长，或者目标用户最终选择的出行方案中所采用的出行方式等。

步骤S102：获得目标用户从出发地到目的地的候选出行方案的方案特征。

候选出行方案为待推荐给目标用户的出行方案。一种实现方式中，可以基于已有的路线推荐系统获得从出发地到目的地的各条候选出行方案。另一种实现方式中，可以选择出发地为目标用户指定的出发地、目的地为目标用户指定的目的地的历史出行方案作为候选出行方案。再一种实现方式中，还可以从其它用户采用过的所有历史出行方案中，选择与目标用户具有相同出发地和目的地的历史出行方案作为候选出行方案。

候选出行方案的方案特征可以表征候选出行方案的属性，进一步的可以表征用户采用该候选出行方案需要付出的代价，如，花费方面的代价、时间方面的代价、体力方面的代价等。其中，候选出行方案的属性可以包括价格、出行时间、出行距离、候选出行方案中采用的出行方式、分段步行距离、换乘次数等。

步骤S103：根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度。

推荐度表示各候选出行方案适合目标用户的匹配程度。推荐度可以用评分的分数表示，也可以用顺序概率表示。其中，顺序概率的大小可以理解为具有此推荐度的候选出行方案比其他候选出行方案优先推荐给目标用户的概率。

下面介绍三种确定推荐度的实现方式。

第一种实现方式中，可以将每一个候选出行方案的方案特征与出行行为特征进行对比，得到每一方案特征与各出行行为特征的匹配度，再采用所得匹配度计算平均匹配度，按照平均匹配度设置各候选出行方案的推荐度，平均匹配度越高的候选出行方案的推荐度越高。

匹配度可以通过表示方案特征的特征向量与表示出行行为特征的特征向量之间的相似度计算得到。

第二种实现方式中，可以对出行行为特征进行聚合，根据聚合得到的出行行为子特征与方案特征确定候选出行方案的推荐度，具体可以参考下述图2所示的实施例，此处暂不详述。

第三种实现方式中，在确定各候选方案的推荐度时，除了考虑上述出行行为特征和方案特征之外，还可以考虑目标用户的附加特征，具体实现方式参见后续实施例，此处暂不详述。

需要说明的是，本公开实施例仅仅以上述为例对确定推荐度的方式进行说明，并不对确定推荐度的方式进行限定。

步骤S104：根据各候选出行方案的推荐度，向目标用户推荐各候选出行方案。

本公开的一个实施例中，可以按照推荐度从大到小的顺序为各候选出行方案排序，然后按照排序结果向目标用户推荐各候选出行方案，这样能够使得推荐度靠前的候选出行方案显示位置更加靠前，进而使得目标用户能够更容易关注到推荐度靠前的候选出行方案，这样也就能够将排序靠前的候选出行方案优先推荐给目标用户。

由上可见，本公开实施例提供的方案中，候选出行方案的推荐度根据历史出行方案确定的出行行为特征和候选出行方案的方案特征得到，这样推荐度能够反映候选出行方案与历史出行方案的关系，由于历史出行方案能够反映用户在曾经出行的过程中表现出的偏好，因此通过推荐度，可以表示候选出行方案与用户偏好的符合程度，按照推荐度优先向用户推荐符合用户偏好的候选出行方案，所推荐的候选出行方案被用户采用的可能性更高，提高了推荐的准确性。

另外，将多个候选出行方案推荐给目标用户的同时，使用推荐度作为参考信息，可以在保证用于决策最终出行方案的出行方案数量充足的情况下，使目标用户可以按照推荐度选择更符合自己需要的出行方案，减少目标用户的决策成本，降低决策难度。

从前面的描述可以得知，能够通过不同的方式确定候选出行方案的推荐度。本公开的一个实施例中，参见图2，基于前述第二种确定推荐度的方式，提供了第二种出行方案推荐方法，该方法包括以下步骤S201-S206。

步骤S201：获得根据目标用户的历史出行方案确定的出行行为特征。

步骤S202：获得目标用户从出发地到目的地的候选出行方案的方案特征。

上述步骤S201-S202分别与前述步骤S101-S102相同，此处不再详述。

步骤S203：按照预设的聚合维度对所获得的出行行为特征进行聚合，得到出行行为子特征。

按照聚合维度对所获得的出行行为特征进行聚合，可以理解为：按照聚合维度对所获得的出行行为特征进行分类，得到不同的特征集合，每一特征集合中包括至少一个出行行为特征，然后将每一特征集合中包括的出行行为特征聚合为一个特征，称为一个出行行为子特征。具体的，对一个特征集合中包括的出行行为特征进行聚合时，可以采用特征拼接的方式进行聚合，这样将各个出行行为特征首尾连接成为一个特征，还可以计算各个出行行为特征的平均特征作为聚合后的特征，或者计算各个出行行为特征的和值作为聚合后的特征。

其中，聚合维度可以是出行方案的时间维度，或者出行方案的空间维度。若聚合维度为时间维度，则每一特征集合中的出行行为特征均取自同一时段内的历史出行方案，出行行为特征的共同属性为时间段；若聚合维度为空间维度，则每一特征集合中的出行行为特征均取自同一空间区域内的历史出行方案，出行行为特征的共同属性为空间区域，空间区域可以表示为电子地图上划分出的地理范围。

另外，也可以同时采用时间维度和空间维度对出行行为特征进行聚合，即获得属于同一时段、同一空间区域内的候选出行方案的行为特征进行聚合，得到出行行为子特征。

由上可见，聚合维度可以不同，目标用户的出行行为特征可以按照时间维度进行聚合，使得聚合后的出行行为子特征能够反映不同时间段内用户出行的偏好变化；用户的出行行为特征也可以按照空间维度进行聚合，使得聚合后的出行行为子特征能够反映不同空间区域中目标用户的偏好差异；在以上情况中，出行行为子特征反映的目标用户偏好更符合目标用户在不同条件下体现出的实际偏好，获得的出行行为子特征更为准确。

另外，也可以同时采用时间维度和空间维度进行聚合，使得出行行为子特征同时符合反映不同时间段内、不同空间区域内目标用户出行时的用户偏好，进一步提高准确性。

步骤S204：针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征。

出行行为子特征与候选出行方案的匹配度可以用出行行为子特征与候选出行方案特征的相似度表示。具体的，可以获得表示出行行为子特征的特征向量和表示候选出行方案特征的特征向量，计算所得特征向量之间的相似度，作为上述匹配度。具体的计算方式可以是特征向量之间的余弦相似度、欧氏距离等。

下面对历史出行行为特征的获得方式进行说明。

第一种实现方式中，可以以各出行行为子特征的匹配度为权重，对各出行行为子特征进行加权计算，将加权计算结果作为该候选出行方案对应的历史出行行为特征。

在此情况下，由于匹配度较高的出行行为子特征权重较大，加权后得到历史出行行为特征与匹配度较高的出行行为子特征较为相似，使得历史出行行为特征能够与匹配度较高的出行行为子特征具有一致的表征能力，又由于出行行为子特征能够表征在聚合维度下处于同一维度的出行行为特征所反映出的目标用户出行偏好，因此，历史出行行为特征也能够较为准确地表征目标用户可能具有的出行偏好。

第二种实现方式中，对于每一候选出行方案，可以比较各出行行为子特征与该候选出行方案的匹配度，将匹配度最高的出行行为子特征作为该候选出行方案的历史出行行为特征。

步骤S205：根据各候选出行方案对应的历史出行行为特征和各候选出行方案的方案特征，确定各候选出行方案的推荐度。

由于历史出行行为特征能够反映目标用户的出行偏好，而符合目标用户的出行偏好的出行方案有更大概率被目标用户最终选择，因此符合用户出行偏好的候选出行方案可以被赋予更高的推荐度。

为判断候选出行方案是否符合目标用户的出行偏好，可以对每一候选出行方案，计算历史出行行为特征和方案特征的相似度，相似度越高，可以表示该候选出行方案越符合历史出行行为特征反映的目标用户的出行偏好。

步骤S206：根据各候选出行方案的推荐度，向目标用户推荐各候选出行方案。

上述步骤S206与前述步骤S104相同，此处不再详述。

由上可见，本公开实施例提供的方案中，基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征，这样历史出行行为特征能够基于出行行为子特征反映出目标用户的出行偏好，在使用历史出行行为特征和方案特征确定各候选方案的推荐度的情况下，推荐度与目标用户的出行偏好相关，使得所确定的推荐度对于目标用户更具有参考意义。

下面对前述步骤S103中确定推荐度的第三种实现方式进行说明。

在此种实现方式中可以获得目标用户的附加特征，其中，附加特征可以包括以下特征中的至少一项：

第一种特征：目标用户产生从出发地到目的地的出行请求时所处场景的场景特征。例如目标用户产生出行请求时，所处的场景中具有的天气的特征、目标用户所处位置的特征等。

第二种特征：目标用户的用户特征。上述用户特征可以基于目标用户的属性获得，目标用户的属性可以是性别、年龄等。

第三种特征：反映目标用户的出行偏好的偏好特征。上述偏好特征可以通过用户查询不同出行方式的次数或者比例得到，例如可以通过统计用户在电子地图平台查询打车这一出行方式的次数占查询出行方式总次数的比例，得到偏好特征。

第四种特征：已向目标用户推荐过的出行方案中不同类型方案的比例特征。该特征可以通过统计向目标用户推荐的各类型方案的次数得到，其中，方案的类型可以是根据出行方案中包含的出行方式确定，出行方案中可以包含单一出行方式，也可以包含混合出行方式，如先步行再乘公交等。

第五种特征：表征目标用户选中的出行方案在已推荐出行方案中出现位置的位置特征。例如，若有已存在的出行方案排序序列，则根据目标用户选中的出行方案所在的排序顺位可以确定位置特征。

在获得上述至少一项附加特征的情况下，可以根据所获得的出行行为特征、方案特征和附加特征，确定各候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，在确定各候选出行方案的推荐度时采用附加特征，使得推荐度受到附加特征所表示的目标用户信息、出行方案信息、出行场景信息等多方面信息的影响，使得所确定的推荐度更符合目标用户出行的实际状况，根据推荐度进行出行方案推荐更为准确。

本公开的一个实施例中，前述步骤S103根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度的过程可以基于网络模型实现，实现方式如下：

将所获得的出行行为特征和方案特征输入预先训练的推荐度获得模型，得到推荐度获得模型输出的各候选出行方案的推荐度，其中，推荐度获得模型为：采用样本用户的出行行为特征和样本方案特征，对预设的网络模型进行训练得到的用于获得出行方案推荐度的模型，样本方案特征为：样本用户从样本出发地到样本目的地的样本候选出行方案的方案特征。

其中。样本用户的出行行为特征获得方式与前述步骤S101中目标用户的出行行为特征相似，区别仅在于样本用户与目标用户等名称概念上的替换，此处不再详述。

训练上述推荐度获得模型的具体训练方法可以参见后续实施例，此处暂不详述。

由上可见，本公开实施例中，通过预先训练的推荐度获得模型得到各候选出行方案的推荐度，且推荐度获得模型采用样本用户的出行行为特征和样本方案特征进行训练，学习到了获得推荐度的数据处理能力，因此，使用推荐度获得模型得到的推荐度较为准确。

下面对推荐度获得模型的具体训练方法进行说明。

本公开的一个实施例中，参见图3，提供了一种模型训练方法的流程示意图，该方法包括以下步骤S301-S305。

步骤S301：获得根据样本用户的样本历史出行方案确定的样本出行行为特征。

步骤S302：确定样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及样本用户在样本候选出行方案中选中的目标出行方案。

上述步骤S301-S302与前述步骤S101-S102相似，区别仅在于样本用户与目标用户、样本历史出行方案与历史出行方案、样本出行行为特征与出行行为特征、样本方案特征与方案特征等名称概念上的替换，此处不再详述。

步骤S303：将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到网络模型输出的各个样本候选出行方案的推荐度。

将表示样本出行行为特征的特征向量和表示样本方案特征的特征向量作为参数输入网络模型，由网络模型进行数据处理，输出样本候选出行方案的推荐度。

网络模型的数据处理过程可以参见后续实施例，此处暂不详述。

步骤S304：根据目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对网络模型进行训练的损失值。

其中，其它出行方案为：样本候选出行方案中除目标出行方案外的方案。

数值关系表示目标出行方案与其它出行方案相比推荐给用户的优先程度，推荐度越高的出行方案优先程度越高。

例如，当推荐度的大小表示顺序概率时，可以采用pairwise(成对)方法，将各候选出行方案进行两两对比，数值关系为顺序概率的大小。在此情况下，确定各候选方案与其他候选方案的推荐顺序，并根据所有形成的优先级顺位形成候选出行方案的排序序列。

损失值可以基于实际用户选取出行方案和该出行方案的推荐度之间的差异确定，具体的，可以根据上述计算交叉熵损失，得到损失值。

步骤S305：基于损失值，调整网络模型的模型参数，得到推荐度获得模型。

基于损失值调整网络模型的模型参数，可以是将损失值最小化的情况下网络模型的模型参数具有的参数值确定为训练后推荐度获得模型的模型参数具有的参数值；另外，也可以预设调整模型参数的次数上限，达到次数上限后，将型参数具有的参数值确定为训练后推荐度获得模型的模型参数具有的参数值。

按照上述方法调整过参数的网络模型可以作为推荐度获得模型。

由上可见，本公开实施例提供的方案中，根据目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成损失值，并根据损失值调整网络模型的模型参数，使得调整后的模型输出推荐度损失较小，即输出的推荐度更符合各候选出行方案的推荐度间预期的数值关系，提高了得到的推荐度的准确性。

下面说明前述步骤S303中，将所获得的样本出行行为特征和样本方案特征输入预设的网络模型后，网络模型的数据处理过程。

本公开的一个实施例中，网络模型按照以下方式进行数据处理，并输出各个样本候选出行方案的推荐度：

按照预设的聚合维度对所获得的样本出行行为特征进行聚合，得到样本出行行为子特征；针对每一样本候选出行方案，计算各个样本出行行为子特征与该样本候选出行方案的匹配度，并基于计算得到的匹配度和各样本出行行为子特征，获得该样本候选出行方案对应的样本历史出行行为特征；根据各样本候选出行方案对应的样本历史出行行为特征和各样本候选出行方案的样本方案特征，确定各样本候选出行方案的推荐度。

网络模型进行数据处理的过程与前述步骤S203-S205类似，区别仅在于样本出行行为特征与出行行为特征、样本出行行为子特征与出行行为子特征、样本候选出行方案与候选出行方案、样本历史出行行为特征与历史出行行为特征等名称概念上的替换，此处不再详述。

由上可见，本公开实施例提供的方案中，根据各样本候选出行方案对应的样本历史出行行为特征和各样本候选出行方案的样本方案特征，确定各样本候选出行方案的推荐度，推荐度能够表示各样本候选方案与目标用户的样本历史出行方案反映的出行偏好的符合程度，按照该方案训练的网络模型能够学习到准确获得推荐度的数据处理能力。

本公开的另一个实施例中，在上述网络模型进行数据处理的过程中，基于计算得到的匹配度和各样本出行行为子特征，获得该样本候选出行方案对应的样本历史出行行为特征，包括：

以各样本出行行为子特征的匹配度为权重，对各样本出行行为子特征进行加权计算，将加权计算结果作为该样本候选出行方案对应的样本历史出行行为特征。

获得样本历史出行行为特征的方式与前述步骤S204中第一种实现方式类似，区别仅在于样本出行行为子特征与出行行为子特征、样本历史出行行为特征与历史出行行为特征等名称概念上的替换，此处不再详述。

由上可见，本公开实施例提供的方案中，通过加权，使得加权后得到样本历史出行行为特征与匹配度较高的样本出行行为子特征较为相似，使得样本历史出行行为特征能够与匹配度较高的样本出行行为子特征具有一致的表征能力，又样本出行行为子特征由样本出行行为特征聚合得到，能够反映样本用户的出行偏好，因此样本历史出行行为特征能够较为准确地表征用户可能具有的出行偏好。

本公开的另一个实施例中，在前述实施例说明的数据处理过程中，类似步骤S103，确定样本候选出行方案的推荐度时可以采用样本用户的附加特征，具体如下：

获得样本用户的样本附加特征，其中，样本附加特征包括以下特征中的至少一项：

样本用户产生从样本出发地到样本目的地的出行请求时所处场景的场景特征；

样本用户的用户特征；

反映样本用户的出行偏好的偏好特征；

已向样本用户推荐过的出行方案中不同类型方案的比例特征；

表征样本用户选中的出行方案在已推荐出行方案中出现位置的位置特征。

样本用户的附加特征与前述实施例中目标用户的附加特征类似，区别仅在于样本用户与目标用户等名称概念上的替换，此处不再详述。

将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到网络模型输出的各个样本候选出行方案的推荐度，包括：

将所获得的样本出行行为特征、样本方案特征和附加特征输入预设的网络模型，得到网络模型输出的各个样本候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，在确定各样本候选出行方案的推荐度时采用附加特征，使得推荐度受到附加特征所表示的样本用户信息、出行方案信息、出行场景信息等多方面信息的影响，使得所确定的推荐度更符合样本用户出行的实际状况，所得推荐度更为准确。

下面通过图4a、图4b所示的框图，介绍基于网络模型实现的出行方案推荐、模型训练方法的整体流程。

图4a中，得到的模型训练样本为网络模型在训练时的输入，即前述实施例中样本出行行为特征、样本方案特征及样本用户的附加特征形成的样本。模型训练样本上方为各类型特征的来源。

其中，用户行为样本采集模块用于获取场景短期行为历史，即前述步骤S301中样本用户的样本历史出行方案，以及用户出行选择偏好，即样本用户的出行偏好。根据样本历史出行方案确定的样本出行行为特征按时空行为聚合，即前述实施例中，同时按照时间维度和空间维度聚合，得到样本出行行为子特征；样本用户的出行偏好可以确定偏好特征。

图中用户属性用于获得前述实施例中样本用户的用户特征。

图中请求场景上下文用于样本用户产生从样本出发地到样本目的地的出行请求时所处场景的场景特征。

图中方案属性用于得到已向样本用户推荐过的出行方案中不同类型方案的比例特征、表征样本用户选中的出行方案在已推荐出行方案中出现位置的位置特征。

图4b中，模型训练样本被分为两部分，时空行为特征为按时空行为聚合得到的样本出行行为子特征，行为建模用于按照前述实施例的方法，得到样本历史出行行为特征，其他特征为模型训练样本除样本出行行为子特征之外的其他部分样本。

将样本历史出行行为特征的特征向量和其他特征的特征向量输入模型，可以进行模型训练，按照图3实施例提供的方案，得到推荐度获得模型。

在线预估的过程为用户发出出行请求时，确定各候选出行方案的推荐度的过程，参见S101-S103。方案打分排序所使用的分数即为推荐度的一种表示形式，该模块按照推荐为各候选出行方案排序，并向目标用户推荐各候选出行方案。

与上述出行方案推荐方法相对应，本公开实施例还推荐了一种出行方案推荐装置。

本公开的一个实施例中，参见图5，提供了一种出行方案推荐装置的结构示意图，包括：

出行行为特征获得模块501，用于获得根据目标用户的历史出行方案确定的出行行为特征；

方案特征获得模块502，用于获得所述目标用户从出发地到目的地的候选出行方案的方案特征；

推荐度确定模块503，用于根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；

出行方案推荐模块504，用于根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。

由上可见，本公开实施例提供的方案中，候选出行方案的推荐度根据历史出行方案确定的出行行为特征和候选出行方案的方案特征得到，这样推荐度能够反映候选出行方案与历史出行方案的关系，由于历史出行方案能够反映用户在曾经出行的过程中表现出的偏好，因此通过推荐度，可以表示候选出行方案与用户偏好的符合程度，按照推荐度优先向用户推荐符合用户偏好的候选出行方案，所推荐的候选出行方案被用户采用的可能性更高，提高了推荐的准确性。

另外，将多个候选出行方案推荐给目标用户的同时，使用推荐度作为参考信息，可以在保证用于决策最终出行方案的出行方案数量充足的情况下，使目标用户可以按照推荐度选择更符合自己需要的出行方案，减少目标用户的决策成本，降低决策难度。

本公开的一个实施例中，所述推荐度确定模块503，包括：

子特征获得单元，用于按照预设的聚合维度对所获得的出行行为特征进行聚合，得到出行行为子特征；

历史出行行为特征获得单元，用于针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征；

推荐度确定单元，用于根据各候选出行方案对应的历史出行行为特征和各候选出行方案的方案特征，确定各候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征，使得历史出行行为特征能够基于出行行为子特征反映出目标用户的出行偏好，在使用历史出行行为特征和方案特征确定各候选方案的推荐度的情况下，推荐度与目标用户的出行偏好相关，使得所确定的推荐度对于目标用户更具有参考意义。

本公开的一个实施例中，所述历史出行行为特征获得单元，具体用于针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并以各出行行为子特征的匹配度为权重，对各出行行为子特征进行加权计算，将加权计算结果作为该候选出行方案对应的历史出行行为特征。

在此情况下，由于匹配度较高的出行行为子特征权重较大，加权后得到历史出行行为特征与匹配度较高的出行行为子特征较为相似，使得历史出行行为特征能够与匹配度较高的出行行为子特征具有一致的表征能力，又由于出行行为子特征能够表征在聚合维度下处于同一维度的出行行为特征所反映出的目标用户出行偏好，因此，历史出行行为特征也能够较为准确地表征目标用户可能具有的出行偏好。

本公开的一个实施例中，所述聚合维度包括：出行方案的时间维度和/或出行方案的区域维度。

由上可见，聚合维度可以不同，目标用户的出行行为特征可以按照时间维度进行聚合，使得聚合后的出行行为子特征能够反映不同时间段内用户出行的偏好变化；用户的出行行为特征也可以按照空间维度进行聚合，使得聚合后的出行行为子特征能够反映不同空间区域中目标用户的偏好差异；在以上情况中，出行行为子特征反映的目标用户偏好更符合目标用户在不同条件下体现出的实际偏好，获得的出行行为子特征更为准确。

另外，也可以同时采用时间维度和空间维度进行聚合，使得出行行为子特征同时符合反映不同时间段内、不同空间区域内目标用户出行时的用户偏好，进一步提高准确性。

本公开的一个实施例中，所述装置还包括：

附件特征获得模块，用于获得所述目标用户的附加特征，其中，所述附加特征包括以下特征中的至少一项：

所述目标用户产生从所述出发地到所述目的地的出行请求时所处场景的场景特征；

所述目标用户的用户特征；

反映所述目标用户的出行偏好的偏好特征；

已向所述目标用户推荐过的出行方案中不同类型方案的比例特征；

表征所述目标用户选中的出行方案在已推荐出行方案中出现位置的位置特征；

所述推荐度确定模块503，具体用于根据所获得的出行行为特征、方案特征和附加特征，确定各候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，在确定各候选出行方案的推荐度时采用附加特征，使得推荐度受到附加特征所表示的目标用户信息、出行方案信息、出行场景信息等多方面信息的影响，使得所确定的推荐度更符合目标用户出行的实际状况，根据推荐度进行出行方案推荐更为准确。

本公开的一个实施例中，所述推荐度确定模块503，具体用于将所获得的出行行为特征和方案特征输入预先训练的推荐度获得模型，得到所述推荐度获得模型输出的各候选出行方案的推荐度，其中，所述推荐度获得模型为：采用样本用户的出行行为特征和样本方案特征，对预设的网络模型进行训练得到的用于获得出行方案推荐度的模型，所述样本方案特征为：所述样本用户从样本出发地到样本目的地的样本候选出行方案的方案特征。

由上可见，本公开实施例中，通过预先训练的推荐度获得模型得到各候选出行方案的推荐度，且推荐度获得模型采用样本用户的出行行为特征和样本方案特征进行训练，学习到了获得推荐度的数据处理能力，因此，使用推荐度获得模型得到的推荐度较为准确。

与上述模型训练方法相对应，本公开实施例还提供了一种模型训练装置。

本公开的一个实施例中，参见图6，提供了一种模型训练装置的结构示意图，包括：

样本出行行为特征获得模块601，用于获得根据样本用户的样本历史出行方案确定的样本出行行为特征；

特征及出行方案确定模块602，用于确定所述样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及所述样本用户在样本候选出行方案中选中的目标出行方案；

推荐度获得模块603，用于将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度；

损失值生成模块604，用于根据所述目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对所述网络模型进行训练的损失值，其中，所述其它出行方案为：样本候选出行方案中除所述目标出行方案外的方案；

模型获得模块605，用于基于所述损失值，调整所述网络模型的模型参数，得到推荐度获得模型。

由上可见，本公开实施例提供的方案中，根据目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成损失值，并根据损失值调整网络模型的模型参数，使得调整后的模型输出推荐度损失较小，即输出的推荐度更符合各候选出行方案的推荐度间预期的数值关系，提高了得到的推荐度的准确性。

本公开的一个实施例中，所述推荐度获得模块603，具体用于将所获得的样本出行行为特征和样本方案特征输入预设的网络模型后，所述网络模型进行数据处理，并输出的各个样本候选出行方案的推荐度，所述网络模型包括：

样本出行行为子特征获得模块，用于按照预设的聚合维度对所获得的样本出行行为特征进行聚合，得到样本出行行为子特征；

样本历史出行行为特征获得模块，用于针对每一样本候选出行方案，计算各个样本出行行为子特征与该样本候选出行方案的匹配度，并基于计算得到的匹配度和各样本出行行为子特征，获得该样本候选出行方案对应的样本历史出行行为特征；

样本推荐度确定模块，用于根据各样本候选出行方案对应的样本历史出行行为特征和各样本候选出行方案的样本方案特征，确定各样本候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，根据各样本候选出行方案对应的样本历史出行行为特征和各样本候选出行方案的样本方案特征，确定各样本候选出行方案的推荐度，推荐度能够表示各样本候选方案与目标用户的样本历史出行方案反映的出行偏好的符合程度，按照该方案训练的网络模型能够学习到准确获得推荐度的数据处理能力。

本公开的一个实施例中，所述样本历史出行行为特征获得模块，具体用于针对每一样本候选出行方案，计算各个样本出行行为子特征与该样本候选出行方案的匹配度，并以各样本出行行为子特征的匹配度为权重，对各样本出行行为子特征进行加权计算，将加权计算结果作为该样本候选出行方案对应的样本历史出行行为特征。

由上可见，本公开实施例提供的方案中，通过加权，使得加权后得到样本历史出行行为特征与匹配度较高的样本出行行为子特征较为相似，使得样本历史出行行为特征能够与匹配度较高的样本出行行为子特征具有一致的表征能力，又样本出行行为子特征由样本出行行为特征聚合得到，能够反映样本用户的出行偏好，因此样本历史出行行为特征能够较为准确地表征用户可能具有的出行偏好。

本公开的一个实施例中，所述装置还包括：

附加特征获得模块，用于获得所述样本用户的样本附加特征，其中，所述样本附加特征包括以下特征中的至少一项：

所述样本用户产生从所述样本出发地到所述样本目的地的出行请求时所处场景的场景特征；

所述样本用户的用户特征；

反映所述样本用户的出行偏好的偏好特征；

已向所述样本用户推荐过的出行方案中不同类型方案的比例特征；

表征所述样本用户选中的出行方案在已推荐出行方案中出现位置的位置特征；

所述推荐度获得模块603，具体用于将所获得的样本出行行为特征、样本方案特征和附加特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度。

由上可见，本公开实施例提供的方案中，在确定各样本候选出行方案的推荐度时采用附加特征，使得推荐度受到附加特征所表示的样本用户信息、出行方案信息、出行场景信息等多方面信息的影响，使得所确定的推荐度更符合样本用户出行的实际状况，所得推荐度更为准确。

本公开的技术方案中，所涉及的目标用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

本公开的一个实施例中，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法实施例中所述的出行方案推荐或者模型训练方法。

本公开的一个实施例中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述方法实施例中所述的出行方案推荐或者模型训练方法。

本公开的一个实施例中，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述方法实施例中所述的出行方案推荐或者模型训练方法。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如出行方案推荐方法或者模型训练方法。例如，在一些实施例中，出行方案推荐方法或者模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的出行方案推荐方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行出行方案推荐方法或模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与目标用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向目标用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，目标用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与目标用户的交互；例如，提供给目标用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自目标用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形目标用户界面或者网络浏览器的目标用户计算机，目标用户可以通过该图形目标用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种出行方案推荐方法，包括：

获得根据目标用户的历史出行方案确定的出行行为特征；

获得所述目标用户从出发地到目的地的候选出行方案的方案特征；

根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；

根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。

2.根据权利要求1所述的方法，其中，所述根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度，包括：

按照预设的聚合维度对所获得的出行行为特征进行聚合，得到出行行为子特征；

针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征；

根据各候选出行方案对应的历史出行行为特征和各候选出行方案的方案特征，确定各候选出行方案的推荐度。

3.根据权利要求2所述的方法，其中，所述基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征，包括：

以各出行行为子特征的匹配度为权重，对各出行行为子特征进行加权计算，将加权计算结果作为该候选出行方案对应的历史出行行为特征。

4.根据权利要求2所述的方法，其中，

所述聚合维度包括：出行方案的时间维度和/或出行方案的区域维度。

5.根据权利要求1-4中任一项所述的方法，所述方法还包括：

获得所述目标用户的附加特征，其中，所述附加特征包括以下特征中的至少一项：

所述目标用户产生从所述出发地到所述目的地的出行请求时所处场景的场景特征；

所述目标用户的用户特征；

反映所述目标用户的出行偏好的偏好特征；

已向所述目标用户推荐过的出行方案中不同类型方案的比例特征；

表征所述目标用户选中的出行方案在已推荐出行方案中出现位置的位置特征；

所述根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度，包括：

根据所获得的出行行为特征、方案特征和附加特征，确定各候选出行方案的推荐度。

6.根据权利要求1-4中任一项所述的方法，其中，所述根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度，包括：

将所获得的出行行为特征和方案特征输入预先训练的推荐度获得模型，得到所述推荐度获得模型输出的各候选出行方案的推荐度，其中，所述推荐度获得模型为：采用样本用户的出行行为特征和样本方案特征，对预设的网络模型进行训练得到的用于获得出行方案推荐度的模型，所述样本方案特征为：所述样本用户从样本出发地到样本目的地的样本候选出行方案的方案特征。

7.一种模型训练方法，包括：

获得根据样本用户的样本历史出行方案确定的样本出行行为特征；

确定所述样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及所述样本用户在样本候选出行方案中选中的目标出行方案；

将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度；

根据所述目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对所述网络模型进行训练的损失值，其中，所述其它出行方案为：样本候选出行方案中除所述目标出行方案外的方案；

基于所述损失值，调整所述网络模型的模型参数，得到推荐度获得模型。

8.根据权利要求7所述的方法，其中，所述将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度，包括：

将所获得的样本出行行为特征和样本方案特征输入预设的网络模型后，所述网络模型按照以下方式进行数据处理，并输出的各个样本候选出行方案的推荐度：

按照预设的聚合维度对所获得的样本出行行为特征进行聚合，得到样本出行行为子特征；

针对每一样本候选出行方案，计算各个样本出行行为子特征与该样本候选出行方案的匹配度，并基于计算得到的匹配度和各样本出行行为子特征，获得该样本候选出行方案对应的样本历史出行行为特征；

根据各样本候选出行方案对应的样本历史出行行为特征和各样本候选出行方案的样本方案特征，确定各样本候选出行方案的推荐度。

9.根据权利要求8所述的方法，其中，所述基于计算得到的匹配度和各样本出行行为子特征，获得该样本候选出行方案对应的样本历史出行行为特征，包括：

以各样本出行行为子特征的匹配度为权重，对各样本出行行为子特征进行加权计算，将加权计算结果作为该样本候选出行方案对应的样本历史出行行为特征。

10.根据权利要求7所述的方法，所述方法还包括：

获得所述样本用户的样本附加特征，其中，所述样本附加特征包括以下特征中的至少一项：

所述样本用户产生从所述样本出发地到所述样本目的地的出行请求时所处场景的场景特征；

所述样本用户的用户特征；

反映所述样本用户的出行偏好的偏好特征；

已向所述样本用户推荐过的出行方案中不同类型方案的比例特征；

表征所述样本用户选中的出行方案在已推荐出行方案中出现位置的位置特征；

所述将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度，包括：

将所获得的样本出行行为特征、样本方案特征和附加特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度。

11.一种出行方案推荐装置，包括：

出行行为特征获得模块，用于获得根据目标用户的历史出行方案确定的出行行为特征；

方案特征获得模块，用于获得所述目标用户从出发地到目的地的候选出行方案的方案特征；

推荐度确定模块，用于根据所获得的出行行为特征和方案特征，确定各候选出行方案的推荐度；

出行方案推荐模块，用于根据各候选出行方案的推荐度，向所述目标用户推荐各候选出行方案。

12.根据权利要求11所述的装置，其中，所述推荐度确定模块，包括：

子特征获得单元，用于按照预设的聚合维度对所获得的出行行为特征进行聚合，得到出行行为子特征；

历史出行行为特征获得单元，用于针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并基于计算得到的匹配度和各出行行为子特征，获得该候选出行方案对应的历史出行行为特征；

推荐度确定单元，用于根据各候选出行方案对应的历史出行行为特征和各候选出行方案的方案特征，确定各候选出行方案的推荐度。

13.根据权利要求12所述的装置，其中，

所述历史出行行为特征获得单元，具体用于针对每一候选出行方案，计算各个出行行为子特征与该候选出行方案的匹配度，并以各出行行为子特征的匹配度为权重，对各出行行为子特征进行加权计算，将加权计算结果作为该候选出行方案对应的历史出行行为特征。

14.根据权利要求12所述的装置，其中，

所述聚合维度包括：出行方案的时间维度和/或出行方案的区域维度。

15.根据权利要求11-14中任一项所述的装置，所述装置还包括：

附件特征获得模块，用于获得所述目标用户的附加特征，其中，所述附加特征包括以下特征中的至少一项：

所述目标用户产生从所述出发地到所述目的地的出行请求时所处场景的场景特征；

所述目标用户的用户特征；

反映所述目标用户的出行偏好的偏好特征；

已向所述目标用户推荐过的出行方案中不同类型方案的比例特征；

表征所述目标用户选中的出行方案在已推荐出行方案中出现位置的位置特征；

所述推荐度确定模块，具体用于根据所获得的出行行为特征、方案特征和附加特征，确定各候选出行方案的推荐度。

16.根据权利要求11-14中任一项所述的装置，其中，

所述推荐度确定模块，具体用于将所获得的出行行为特征和方案特征输入预先训练的推荐度获得模型，得到所述推荐度获得模型输出的各候选出行方案的推荐度，其中，所述推荐度获得模型为：采用样本用户的出行行为特征和样本方案特征，对预设的网络模型进行训练得到的用于获得出行方案推荐度的模型，所述样本方案特征为：所述样本用户从样本出发地到样本目的地的样本候选出行方案的方案特征。

17.一种模型训练装置，包括：

样本出行行为特征获得模块，用于获得根据样本用户的样本历史出行方案确定的样本出行行为特征；

特征及出行方案确定模块，用于确定所述样本用户从样本出发地到样本目的地的样本候选出行方案的样本方案特征、以及所述样本用户在样本候选出行方案中选中的目标出行方案；

推荐度获得模块，用于将所获得的样本出行行为特征和样本方案特征输入预设的网络模型，得到所述网络模型输出的各个样本候选出行方案的推荐度；

损失值生成模块，用于根据所述目标出行方案的推荐度与其他出行方案的推荐度间的数值关系，生成对所述网络模型进行训练的损失值，其中，所述其它出行方案为：样本候选出行方案中除所述目标出行方案外的方案；

模型获得模块，用于基于所述损失值，调整所述网络模型的模型参数，得到推荐度获得模型。

18.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6或7-10中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6或7-10中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6或7-10中任一项所述的方法。

Images