CN114841776A - 订单处理方法、服务提供方法、系统及电子设备 - Google Patents
订单处理方法、服务提供方法、系统及电子设备 Download PDFInfo
- Publication number
- CN114841776A CN114841776A CN202210531403.3A CN202210531403A CN114841776A CN 114841776 A CN114841776 A CN 114841776A CN 202210531403 A CN202210531403 A CN 202210531403A CN 114841776 A CN114841776 A CN 114841776A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- target
- information
- order
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 title claims description 56
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 72
- 230000006399 behavior Effects 0.000 claims description 67
- 238000005457 optimization Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 206010012186 Delayed delivery Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种订单处理方法、服务提供方法、系统及电子设备。其中，订单处理方法包括：获取多个目标订单；确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。本申请实施例将各项服务对用户的行为结果的影响考虑进来，这样做出的决策更能保证服务投入到更适合的用户，避免打扰到不希望被服务触达的用户，服务效果更优。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种订单处理方法、服务提供方法、系统及电子设备。
背景技术
目前，很多电商平台都实施了主动服务策略。即在电商平台中出现可能影响消费者体验的目标订单(如延迟发货、长时间未到货等)时，消费者向商家或平台投诉、咨询、取消订单或退款等行为之前，主动触达消费者以向消费者解释异常原因、向消费者提供解决方案、或提供补偿等，以达到安抚消费者的一种服务方式。
现有主动服务策略是挑选咨询、投诉、退款可能性最高的一部分订单进行主动服务。
发明内容
本申请提供一种不同于现有主动服务策略、智能化程度高的解决方案。
在本申请的一个实施例中，提供了一种订单处理方法。该方法包括：
获取多个目标订单；
确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；
根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
在本申请的另一个实施例中，提供了一种服务提供方法。该方法包括：
获取目标订单；
确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响；
根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务；
若适于提供服务，则确定适配所述目标用户的服务项；
向所述目标用户对应的客户端发送所述服务项对应的服务信息。
在本申请的一个实施例中，还提供了一种服务系统。该服务系统包括：
服务端，用于获取多个目标订单；确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项；向所述服务对象对应的客户端发送相应服务项对应的服务信息；
客户端，用于接收并显示所述服务端发送的服务信息。
在本申请的另一实施例中，提供了另一种服务系统。该服务系统包括：
服务端，用于获取目标订单；确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响；根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务；若适于提供服务，则确定适配所述目标用户的服务项；向所述目标用户对应的客户端发送所述服务项对应的服务信息；
客户端，用于接收并显示所述服务端发送的服务信息。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括：处理器及存储器；其中，所述存储器，用于存储一条或多条计算机指令；所述处理器，与所述存储器耦合，用于所述一条或多条计算机指令，以用于实现上述各方法实施例中的步骤。
本申请实施例还提供了一种计算机程序产品。该计算机程序产品包括计算机程序，当所述计算机程序被计算机执行时，致使所述计算机能够实现上述各方法实施例中的步骤。
本申请实施例提供的一个技术方案中，先确定各目标订单分别对应的影响信息，然后根据多个目标订单分别对应的影响信息，从多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。其中，影响信息包括至少一项服务对应的信息项，服务对应的信息项表征了该项服务提供给目标订单对应的用户对用户的行为结果的影响。也就是说，本实施例将各项服务对用户的行为结果的影响考虑进来，这样最后做出的决策更能保证服务投入到更适合的用户，避免打扰到不希望被服务触达的用户；其次，对多个目标订单进行统筹规划，以从多个目标订单中选择部分订单的用户提供服务，适于提供服务数量有限或预算有限的场景。可见，本实施例提供的技术方案，主动服务策略更智能，能达到较优的服务效果。
本申请实施例提供的另一个技术方案，从单个目标订单角度切入，先确定目标订单对应的影响信息，然后根据目标订单对应的影响信息，判定是否适于向目标用户提供服务；如果适于提供服务再为目标用户确定其适配的服务项。其中，影响信息包括至少一项服务对应的信息项，服务对应的信息项表征了该项服务提供给目标订单对应的用户对用户的行为结果的影响。同样的，本实施例将各项服务对用户的行为结果的影响考虑进来，来判定该目标用户是否适于提供服务，更能保证服务投入到更适合的用户，避免打扰到不希望被服务触达的用户。可见，本实施例提供的技术方案，主动服务策略更智能，能达到较优的服务效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1a为本申请一实施例提供的服务系统的结构示意图；
图1b为为本申请另一实施例提供的服务系统的结构示意图；
图2为本申请一实施例提供的订单处理方法的流程示意图；
图3a为本申请一实施例提供的方法中通过训练第一估计模型得到第一训练样本的原理性示意图；
图3b为本申请一实施例提供的方法中通过训练第二估计模型得到第二训练样本的原理性示意图；
图3c为本申请一实施例提供的方法中分别利用第一训练样本训练第一子预测模型和利用第二训练样本训练第二子预测模型，再基于第一子预测模型和第二子预测模型得到增益预测模型的原理性示意图；
图4为本申请一实施例提供的服务提供方法的结构示意图；
图5为本申请一实施例提供的订单处理装置的结构框图；
图6为本申请一实施例提供的服务提供装置的结构框图；
图7为本申请一实施例提供的电子设备的结构框图。
具体实施方式
比如，在大促销的场景下，由于单量的激增导致订单的履约过程可能出现发货延迟、包裹停滞、配送延迟等异常情况，这些异常情况严重影响了消费者的购买体验，致使用户的咨询量、投诉量、订单退款量增加。实际上，商家、电商平台以及仓配服务商可以比消费者更早的感知订单的异常，因此可以针对发生异常的订单采取主动服务的方式，通过电话、短信、应用内推送消息、提供补偿等方式主动触达消费者，提供解释、安抚，降低异常对消费者体验的负面影响，尽可能降低进线咨询率、投诉率和/或退款率。
而现有主动服务策略是挑选咨询、投诉、退款可能性最高的一部分订单进行主动服务。这样的策略其所能带来的有益效果是有限的。那些咨询、投诉、退款可能性最高的一部分订单，可能是发货延迟时长、包裹滞留或配送延迟(比如丢失)等过长的，超出大多数人所能承受的时长，这类订单，即便是提供了主动服务，用户可能还是会做出投诉、退款等行为。又比如，一些用户对商品发货、物流要求比较高，他们对时间非常敏感，其容忍度低，对于该类用户即便是为其提供了主动服务，还是有极大概率做出投诉、退款等行为的。可见，现有方案没有考虑主动服务对于消费者的影响，无法避免对一些对主动服务不敏感消费者的服务，致使最终一部分接受主动服务的消费者并没有因为主动服务得到消费体验提升，同时也浪费了这部分主动服务所付出的成本。
为此，本申请提出了如下各实施例，以解决或改善现有技术存在的问题。为了使本技术领域人员更好地理解本申请方案，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。本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的操作、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。此外，下述的各实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动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。
本申请各方法实施例可基于图1a所示的系统架构实现。图1a示出了本申请一实施例提供的服务系统的结构示意图。如图1a所示，所述服务系统包括：服务端101及客户端102。其中，服务端101可包括但不限于：服务器、服务器集群、在实体设备上形成的虚拟服务器、云端等等。客户端102可包括但不限于：计算机、平板电脑、智能手机、智能穿戴设备等等。具体的，
服务端101，用于获取多个目标订单；确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项；向所述服务对象对应的客户端发送相应服务项对应的服务信息；
客户端102，用于接收并显示所述服务端101发送的服务信息。
其中，目标订单可以是异常订单，当然也不仅限于异常订单，也可以是一些符合预设要求的订单。预设要求可人为设定，比如，某一批商品相关的订单等等，本实施例对此不作限定，具体实施时可根据任务需要来设定预设要求，以挑选出订单作为本实施例中的目标订单。
为目标订单对应的用户提供的服务可包括但限于：电话服务(如电话语音)、短信服务、应用内推送消息服务、提供补助或优惠券等服务。不同用户对不同服务的反映可能会不同，比如，有的用户在自己的订单长期未发货时，接到商家或平台主动打来的电话，听到电话解释，可能就会理解，再等等；而有些用户可能就会做出退款，取消订单的行为。又比如，有的用户在自己的订单长期未到货时，接到商家或平台主动发送的短信，看到短信中解释文字，还是会发起退款；而若该用户接收到商家或平台发送的补助，可能就会再等等。
因此，本实施例中在具有多项解决目标订单问题的主动服务时，可确定出每一项服务对应的信息项。一项服务对应的信息项表征了(或反映出)该项服务对用户行为结果的影响。即本实施例通过信息项来量化这种影响，例如，未向目标订单对应用户提供任一项服务时，用户做出了退款行为；若向目标订单对应用户提供了一项服务后，该维持目标订单状态不变，服务提供前后用户行为的改变就是该服务对用户行为的影响。但是在实际场景中，不可能出现对同一用户同时提供服务和不提供服务这两种情况。为了克服这一反事实的情况，本实施例中可利用因果推断技术来估计一目标订单对应用户在面对有服务和无服务两种场景下的用户行为改变，并将这个改变量化为信息项。比如，利用增益模型来估计一目标订单对应用户在面对有服务和无服务两种场景下分别做出维持目标订单状态不变 (即不取消订单、不退款等)行为的概率差，这个概率差可称为增益值。用增益值来表征一项服务对应的信息项。
即在一具体实施方案中，该信息项可包括增益值，即通过增益值来体现该服务对行为结果的影响。特定的主动服务方式对于订单个体的影响可量化为该种方式对于订单个体的“增益”，比如对于某一个延迟发货的目标订单，如果不对其发起主动服务方式，用户不退款的概率为30％，而采用主动服务方式A后，用户不退款的概率变为90％，那么主动服务A对于该目标订单的增益值可表达为90％-30％＝0.6。
增益值(或因果效应，uplift)可定义为：
τi＝Yi(1)-Yi(0)
其中，τi为第i个目标订单对应用户接受一项服务前后对应的增益值；Yi(1)为第i个目标订单对应用户接受一项服务后的行为结果outcome；Yi(0)为第i个目标订单对应用户未接受任一项服务时的行为结果outcome。
具体实施时，服务对用户行为结果outcome可选择如上文例子中提及的用户不退款行为概率来表征，或者服务对用户行为结果outcome可选择用户未来是否再次下单的概率来表征，又或者选择其他参数来表征，本实施例对此不作限定。
出于服务效益成本考虑，商家或电商平台用于主动服务的预算是有限的，对所有出现异常的订单进行主动服务是不经济且不必要的，主要是因为消费者中存在一部分对某种主动服务方式不敏感的人群，即是否接受了这种主动服务并不会影响其后续消费行为，甚至主动服务有可能唤醒一部分消费者，增加其不满情绪或促使其进行投诉、退款等行为。因此，在预算有限的条件下，选取哪一部分订单、采取何种主动服务方式，才能达到较优的整体服务效果。为此，本申请实施例中服务端在根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项时，具体用于：
获取预算信息；
根据所述预算信息及所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
实施时，可基于预算信息及多个目标订单分别对应的影响信息构建优化模型。其中，预算信息可作为该优化模型的一个优化条件，即在该预算信息对应的预算上限条件下，计算出优化的解决方案，给哪些目标订单对应用户提供服务，以及为用户提供哪种服务更适合。
这里需要说明的是：有关构建优化模型及优化模型的求解内容将在下文中有详细说明，可参见下文中的内容。
上述实施例是从多个目标订单统一规划的角度提供的方案，即综合评定多个目标订单，从中选取提供主动服务收益最大化的至少一个目标订单对应的用户作为服务对象。
在另一种可实现的实施例中，也可从单个订单角度来确定该订单对应用户是否适于提供服务。因为有些用户对主动服务并不敏感，不管是否接受了主动服务，该用户的用户行为都不会改变。所以可先确定该用户是否适于提供服务，如果适于在考虑为其提供何种服务比较合适，以达到较优的效果。参见图1b，即本实施例提供的服务系统包括：
服务端101，用于获取目标订单；确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响；根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务；若适于提供服务，则确定适配所述目标用户的服务项；向所述目标用户对应的客户端发送所述服务项对应的服务信息；
客户端102，用于接收并显示所述服务端发送的服务信息。
本实施例中服务端从单个目标订单角度切入，先确定目标订单对应的影响信息，然后根据目标订单对应的影响信息，判定是否适于向目标用户提供服务；如果适于提供服务再为目标用户确定其适配的服务项。其中，影响信息包括至少一项服务对应的信息项，服务对应的信息项表征了该项服务提供给目标订单对应的用户对用户的行为结果的影响。同样的，本实施例将各项服务对用户的行为结果的影响考虑进来，来判定该目标用户是否适于提供服务，更能保证服务投入到更适合的用户，避免打扰到不希望被服务触达的用户。
上述各系统实施例中的服务端除具有上述功能外，还可实现如下各方法实施例中一些步骤对应的功能，详细内容可参见下文中的描述。
图2示出了本申请一实施例提供的订单处理方法的流程示意图。如图2所示，所述订单处理方法的执行主体可以是上述系统实施例中的服务端。具体的，所述订单处理方法包括：
201、获取多个目标订单。
202、确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响。
203、根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
上述201中，目标订单可为拣货异常、揽收异常、发货异常、物流异常或配送延迟等的订单。具体实施时，可周期性地根据过滤条件获取所述目标订单。获取目标订单的周期可自定义设置。其中，过滤条件可包括但不限于：用户下单后商家或平台未在第一预设时长内发货的订单、订单对应商品成功发货后未在第二预设时长内达到目的地或目的中转站、或订单到配送站后未在第三预设时长内送达等等。其中，第一预设时长、第二预设时长和第三预设时长可自定义设置，或基于历史订单的数据信息计算得到，本实施例对此不作限定。
进一步的，如果已知一些用户属于服务不敏感用户，则该类用户对应的订单，也可作为本实施例中的目标订单。即上述过滤条件中还可包括：订单对应用户是否为服务不敏感用户。其中，判定用户是否为服务不敏感用户可通过分析大量的历史订单的数据信息得到。比如，通过大数据分析，分析出某一用户或具有某一项特征属性的用户属于服务不敏感用户。本实施例对如何判定用户对服务是否敏感不作限定。
再进一步的，过滤条件还可包括：订单对应的商品不属于设定商品。其中，设定商品可包括但不限于：定制商品、预售商品等。这类商品不能像其他商品那样及时发货，因此设定商品对应的订单不属于本实施例中的目标订单。过滤条件还可包括：订单金额超过第一阈值等等，本实施例对此不作限定。
上述202中，为目标订单对应的用户提供的服务可包括但不限于：电话服务、短信服务、应用内推送消息服务、提供补助或优惠券等服务。相应的，一个目标订单对应的影响信息包括：电话服务对应的信息项、短信服务对应的信息项、应用内推送消息服务对应的信息项、提供补助或优惠券等服务对应的信息项。电话服务对应的信息项表征了电话服务对用户行为结果的影响，如用户不做出指定行为的概率，其中，指定行为可包括但不限于：电话咨询、投诉、退款等。同样的，短信服务对应的信息项表征了短信服务对用户行为结果的影响；应用内推送消息服务对应的信息项表征了应用内推送消息服务对用户行为结果的影响；提供补助或优惠券等服务对应的信息项表征了提供补助或优惠券等服务对用户行为结果的影响。
简单理解，本实施例中的信息项反映了：服务与用户行为结果间的因果关系。即量化一项服务对用户行为结果的影响。其目的就是：通过量化各项服务对用户行为结果的影响，来了解用户是否需要介入主动服务，以降低用户做出指定行为(如投诉、退款等)概率。
在一具体的可实现的技术方案中，可采用增益值这个概念来表征信息项。该信息项可以评估出来，评估该项服务对应的增益值属于因果推断的问题范畴。在具体实现时，可使用到机器学习模型，如通过训练得到增益预测模型来得到各服务对应增益值。这是一个因果问题是因为这需要估计一个用户接受了商家或平台提供的互斥行为(接受平台或商家提供的服务，以及没接受平台或商家提供的服务，这两个互斥行为)的两种情况对应行为结果的差异。
上述203中，可通过构建优化模型的方式来规划出哪些目标订单对应的用户适于提供服务，以及各目标订单对应用户适于的服务项。例如，根据所述多个目标订单分别对应的影响信息构建优化模型。进一步的，如若有服务总体预算，即预算信息，可基于预算信息及所述多个目标订单分别对应的影响信息构建优化模型，求解该优化模型，便可得到服务规划方案。该服务规划方案包括：从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
本实施例提供的技术方案中，先确定各目标订单分别对应的影响信息，然后根据多个目标订单分别对应的影响信息，从多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。其中，影响信息包括至少一项服务对应的信息项，服务对应的信息项表征了该项服务提供给目标订单对应的用户对用户的行为结果的影响。也就是说，本实施例将各项服务对用户的行为结果的影响考虑进来，这样最后做出的决策更能保证服务投入到更适合的用户，避免打扰到不希望被服务触达的用户；其次，对多个目标订单进行统筹规划，以从多个目标订单中选择部分订单的用户提供服务，适于提供服务数量有限或预算有限的场景。可见，本实施例提供的技术方案，主动服务策略更智能，能达到较优的服务效果。
如上文提及的，本实施例中在确定目标订单对应的影响信息时可利用增益预测模型。即本申请实施例中步骤202“确定一个目标订单对应的影响信息”可包括如下步骤：
2021、获取增益预测模型；
2022、获取所述目标订单的特征信息；
2023、将所述目标订单的特征信息输入所述增益预测模型，执行所述增益预测模型得到所述至少一项服务对应的增益值；
其中，所述信息项包括所述增益值。
其中，上述步骤2021“获取增益预测模型”可包括如下步骤：
S1、获取历史时段内的多个历史订单的数据信息。
其中，历史订单的数据信息可包括但不限于：订单属性、商品属性、商家属性、用户属性四个方面，并对相应特征进行预处理。订单属性可包括但不限于：订单状态等。商品属性包括但不限于：商品品名、价格、数量等。商家属性可包括但不限于：商家名称、商家级别等。用户属性可包括但不限于：用户登录名、用户偏好(可以是用户自定义配置的或是在用户授权的情况下通过获取用户授权的信息分析得到的)等等。这些属性可通过特征提取技术，提取出相应特征，并组成特征向量。比如，Xi为第i个历史订单对应的特征向量，i＝1,2，……n。
S2、对所述多个历史订单的数据信息进行分组，得到实验组和对照组。
具体的，可将历史订单对应用户接受过一项服务的历史订单的数据信息，分到所述实验组；将历史订单对应用户未接受过任一项服务的历史订单的数据信息，分到所述对照组。
S3、基于所述实验组，训练第一估计模型；
S4、基于所述对照组，训练第二估计模型；
S5、利用完成训练的所述第一估计模型，计算所述对照组中各历史订单的数据信息对应的估计增益得到第一计算结果，并根据所述对照组及所述第一计算结果，构建第一训练样本；
S6、利用完成训练的所述第二估计模型，计算所述实验组中各历史订单的数据信息对应的估计增益得到第二计算结果，并根据所述实验组及所述第二计算结果，构建第二训练样本；
S7、根据所述第一训练样本，训练第一预测子模型；
S8、根据所述第二训练样本，训练第二预测子模型；
S9、基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型。
上述步骤S1～S9可以是针对一项服务训练得到的对应的增益预测模型，即上述步骤 S2中将历史时期，接受过同一项服务A的历史订单的数据信息归为该项服务A对应的实验组。进一步的，还可通过上述S1～S9训练出另一项服务对应的增益预测模型。即在上述步骤S2中，将历史时期，接受过另一项服务B的历史订单的数据信息归为该项服务B对应的实验组，然后经过上述S1～S9训练出服务B对应的增益预测模型。可将多项服务分别对应的增益预测模型组成一个模型组。相应的，上文中步骤2023具体实施时可具体为：将所述目标订单的特征信息分别输入该模型组中各服务对应的增益预测模型，计算出一个目标订单对应的影响信息(即至少一项服务对应的信息项)。
实质上，本实施例中在提供服务时，也可仅提供一项服务。当商家或平台只向目标订单对应的用户提供一项服务时，就只利用该项服务对应的增益预测模型便可确定出多个目标订单分别对应的影响信息。
在一可实现的技术方案中，所述对照组中包含有第一历史订单的数据信息，所述第一历史订单的数据信息包括：第一历史订单的特征信息以及所述第一历史订单所属用户接受一项服务后用户行为对应的第一结果。相应的，“S5、利用完成训练的所述第一估计模型，计算所述对照组中的所述第一历史订单的数据信息对应的估计增益”，包括：
将所述第一历史订单的特征信息输入完成训练的所述第一估计模型，执行所述第一估计模型得到第二结果；所述第二结果为假设结果，用以估计所述第一历史订单所属用户未接受所述服务时可能发生的用户行为；
基于所述第一结果和所述第二结果，计算所述第一历史订单对应的估计增益。
在另一可实现的技术方案中，所述实验组中包含有第二历史订单的数据信息，所述第二历史订单的数据信息包括：第二历史订单的特征信息以及所述第二历史订单所属用户未接受任一项服务时用户行为对应的第三结果。相应的，“S6、利用完成训练的所述第二估计模型，计算所述实验组中所述第二历史订单的数据信息对应的估计增益”，可包括：
将所述第二历史订单的特征信息输入完成训练的所述第二估计模型，执行所述第二估计模型得到第四结果；所述第四结果为假设结果，用以估计所述第二历史订单所属用户接受一项服务时可能发生的用户行为；
基于所述第三结果和所述第四结果，计算所述第二历史订单对应的估计增益。
进一步的，步骤S9、“基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型”，可包括：
S91、确定所述第一预测子模型对应的第一权重函数；
S92、基于所述第一权重函数，确定所述第二预测子模型对应的第二权重函数；
S93、根据所述第一权重函数、所述第二权重函数、完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，得到所述增益预测模型。
为方便理解上述步骤S1～S9的内容，下面结合附图3a～3c对一项服务对应的增益预测模型的训练过程进行说明。其他服务对应的增益预测模型的训练过程类似，不作赘述。
(1)对多个历史订单的数据信息进行分组得到实验组和对照组。其中，实验组为
对照组为
其中，
为实验组中第i个历史订单的数据信息对应的特征向量。
为实验组第i个历史订单对应用户接受一项服务后对应的用户行为结果。
为对照组中第i个历史订单的数据信息对应的特征向量。
为对照组第i个历史订单对应用户未接受服务对应的用户行为结果。
(2)利用实验组，对第一估计模型进行训练。
其中，第一估计模型可表征为但不限于：
如图3a所示，训练过程：在某一轮次训练中，可将一个或多个
输入
中，得到对应的预测结果，再基于该预测结果及一个或多个
对应的
确定训练损失；根据训练损失，采用反向传播算法调整该第一估计模型的模型参数。在一些可实现的实施例中，第一估计模型可是基于深度神经网络(Deep Neural Networks，DNN)或卷积神经网络(Convolutional Neural Networks，CNN)等神经网络算法实现。
(3)利用对照组，对第二估计模型进行训练。
其中，第二估计模型可表征为但不限于：
如图3b所示，训练过程：在某一轮次训练中，可将一个或多个
输入
中，得到对应的预测结果，再基于该预测结果及一个或多个
对应的
确定训练损失；根据训练损失，采用反向传播算法调整该第二估计模型的模型参数。在一些可实现的实施例中，第二估计模型也可以是基于DNN或CNN等神经网络算法实现，还可基于其他机器学习算法实现，本实施例对此不作限定。
(4)利用完成训练的所述第一估计模型，计算对照组中各历史订单的数据信息对应的估计增益得到第一计算结果，并根据所述对照组及所述第一计算结果，构建第一训练样本。
如图3a所示，将对照组中各历史订单对应的特征向量
输入完成训练的第一估计模型中，计算得到预测行为结果。然后，将对照组中历史订单的特征向量
对应的
与该预测行为结果做减法计算，便可得到该历史订单对应的估计增益。即上述过程可表征为如下公式：
随后将
与计算得到的
构成一个训练样本项，其中
作为
对应的标签。这样就得到了第一训练样本
(5)利用完成训练的所述第二估计模型，计算所述实验组中各历史订单的数据信息对应的估计增益得到第二计算结果，并根据所述实验组及所述第二计算结果，构建第二训练样本。
如图3b所示，将实验组中各历史订单对应的特征向量
输入完成训练的第二估计模型中，计算得到预测行为结果。然后，将实验组中历史订单的特征向量
对应的
与该预测行为结果做减法计算，便可得到该历史订单对应的估计增益。即上述过程可表征为如下公式：
随后将
与计算得到的
构成一个训练样本项，其中
作为
对应的标签。这样就得到了第二训练样本
(6)、根据所述第一训练样本，训练第一预测子模型。
其中，第一预测子模型可表征为
第一训练样本为
如图3c所示，训练过程：在某一轮次训练中，可将一个或多个
输入
中，得到对应的一个或多个预测值，再基于该一个或多个预测值及分别对应的一个或多个
对应的
确定训练损失；根据训练损失，采用反向传播算法调整该第一预测子模型的模型参数。在一些可实现的实施例中，第一预测子模型可基于DNN或CNN等神经网络算法实现，还可基于其他机器学习算法实现，本实施例对此不作限定。
(7)根据所述第二训练样本，训练第二预测子模型。
其中，第一预测子模型可表征为
第二训练样本为
如图3c所示，训练过程：在某一轮次训练中，可将一个或多个
输入
中，得到对应的一个或多个预测值，再基于该一个或多个预测值及分别对应的一个或多个
对应的
确定训练损失；根据训练损失，采用反向传播算法调整该第二预测子模型的模型参数。在一些可实现的实施例中，第二预测子模型可基于DNN或CNN等神经网络算法实现，还可基于其他机器学习算法实现，本实施例对此不作限定。
(8)确定第一预测子模型对应的第一权重函数及第二预测子模型对应的第二权重函数。
如第一预测子模型对应的权重函数为g(x)；相应的，第二权重函数为：1-g(x)。
(9)根据所述第一权重函数、所述第二权重函数、完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，得到所述增益预测模型。
在一具体的方案中，如图3c所示，所述增益预测模型可表征为如下公式：
进一步的，本实施例中步骤203“根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项”，包括：
2031、获取预算信息；
2032、确定优化问题；
2033、基于所述预算信息、所述多个目标订单分别对应的影响信息及所述优化问题，构建优化模型；
2034、求解所述优化模型，得到服务规划方案；
其中，所述服务规划方案包括：从所述多个目标订单中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项。
通过上述各步骤可知，本实施例方案可解决在预算有限的情况下，如何在订单维度决策采用何种主动服务方式服务哪些订单，以取得较优的服务效果。具体的，预算信息可理解为：商家或平台预算为用户提供主动服务的总成本。优化问题可以是但不限于：最大化主动服务效能，比如将服务提供给能产生显著效益的目标订单对应用户，且服务成本适配，以达到商家或平台付出的总成本能达到最大效能。
例如，在一具体实现方案中，设定每个目标订单最多只能提供一项服务。然后根据预算信息，构建类似于如下的优化模型：
其中，ΔUik为第i个目标订单对应的影响信息包括的第k项服务对应的增益值；K为服务项的数量，k＝1,2,……K；Cik为每单位增益值带来的效益；Bk为预算信息中的服务总预算成本；bk为第k项服务的单均成本。
如果为第i个目标订单对应的用户提供了第k项服务，则xik＝1，否则xik＝0。
上述Gik、bk可以是已知值，比如基于经验值或通过数据分析得到。
进一步的，如果目标订单数量不多，直接求解上述优化模型，不断迭代便可得到优化结果。当目标订单数量比较多的时候，上述优化模型的迭代计算速度就变慢。比如，促销期、购物节等订单会很多，异常订单数量级最多的时候可能高达几十万，此时直接求解上述优化模型效率会很低。因此，在具体实施时，可采用DW分解(列生成算法)原理对上述优化模型求解进行加速。
其中，DW分解，其本质是用子问题的极点表示主问题。具体的如下：
a)构建主问题对应的第一优化子模型：
其中，Pi为第i个目标订单对应的子问题可行域的极点集合。pi为Pi集合中的第i个极点；
为Pi集合中的第i个极点对应的xik：若极点pi被选择，则
否则
上述条件：
表征为：每次迭代计算选择的极点数量最多智只能选一个。
b)构建第i个目标订单对应的子问题，该子问题对应的第二优化子模型：
其中，πk为上述式：
对应的对偶变量；
ti为上述式：
对应的对偶变量。
c)根据列生成的原理不断迭代求解子问题对应的第二优化子模型和主问题对应的第一优化子模型，以获得优化模型对应的优化解。
求解过程大体为：求解主问题对应的第一优化子模型可得到πk及ti；将πk及ti代入子问题对应的第二优化子模型得出第i个目标订单对应的子问题可行域的极点集合Pi；再求解主问题，不断迭代，最终得到优化解。
综上可知，本申请实施例提供的技术方案，考虑了接受服务与用户行为结果之间的因果关系，即确定出的各目标订单对应各项服务的增益值，然后基于各目标订单对应各项服务的增益值构建优化模型，以最大化主动服务的整体增益效果为目标，求解优化解。可见，本实施例提供的方案，主动服务策略更智能，能达到较优的服务效果。
上述方法实施例是从多个目标订单统一规划的角度提供的方案，即综合评定多个目标订单，从中选取提供主动服务收益最大化的至少一个目标订单对应的用户作为服务对象。本申请还提供一种从单个目标节点角度切入的方案，即对于单个目标节点如何进行服务的提供的方案。即，参见图4所示的流程图，本申请另一实施例提供的服务提供方法的流程示意图。本申请实施例提供的服务提供方法的执行主体可以是上述系统实施例中服务端。如图4所示，本实施例提供的服务提供方法包括如下步骤：
301、获取目标订单。
302、确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响。
303、根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务。
304、若适于提供服务，则确定适配所述目标用户的服务项。
305、向所述目标用户对应的客户端发送所述服务项对应的服务信息。
在一种可实现的实施方案中，上述步骤304中的“确定适配所述用户的服务项”可包括：
3041、确定目标订单集，其中，所述目标订单在所述目标订单集内；
3042、根据预算信息、优化问题及所述目标订单集中所有目标订单对应的影响信息，构建优化模型；
3043、求解所述优化模型，得到服务规划方案；其中，所述服务规划方案包括：从所述目标订单集中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项标识；
3044、若所述服务规划方案中含有所述目标用户的用户标识，则从所述服务规划方案中获取所述目标用户的用户标识对应的服务项。
上述步骤3042及3044的具体实现可参见上述中的相应内容，此处不作赘述。
在另一种可实现的技术方案中，上述步骤304中的“确定适配所述用户的服务项”可包括：
3041’、获取所述用户相关的属性信息；
3042’、基于所述属性信息及所述目标订单对应的影响信息，确定适配所述用户的服务项。
其中，所述用户相关的属性信息可包括但不限于如下至少一项：
通过统计历史时期用户相关的历史订单，在接受了相应项服务后对应的行为结果，分析得出的用户对至少一项服务的行为特征；
用户通过应用程序提供的功能自定义配置的有关服务提供的配置参数(如接受主动服务，或拒绝主动服务)；
通过对至少一个渠道收集来信息分析得出的用户相关的画像数据。
这里需要说明的是：上述有关用户的数据和信息，均是在用户授权的条件下获取或收集到的。
相较于上述步骤3041～3044的方案，步骤3041’～3042’的方案，综合用户相关的属性信息及用户的目标订单对应的影响信息，为所述用户确定适配的服务项。
图5示出了本申请一实施例提供的订单处理装置的结构示意图。如图5所示，所述订单处理装置包括：获取模块11、确定模块12及规划模块13。其中，获取模块11用于获取多个目标订单。所述确定模块12用于确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响。所述规划模块13用于根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
进一步的，所述确定模块12在确定一个目标订单对应的影响信息时，具体用于：
获取增益预测模型；
获取所述目标订单的特征信息；
将所述目标订单的特征信息输入所述增益预测模型，执行所述增益预测模型得到所述至少一项服务对应的增益值；
其中，所述信息项包括所述增益值。
进一步的，所述确定模块12在获取所述增益预测模型时具体用于：
获取历史时段内的多个历史订单的数据信息；
对所述多个历史订单的数据信息进行分组，得到实验组和对照组；
基于所述实验组，训练第一估计模型；
基于所述对照组，训练第二估计模型；
利用完成训练的所述第一估计模型，计算所述对照组中各历史订单的数据信息对应的估计增益得到第一计算结果，并根据所述对照组及所述第一计算结果，构建第一训练样本；
利用完成训练的所述第二估计模型，计算所述实验组中各历史订单的数据信息对应的估计增益得到第二计算结果，并根据所述实验组及所述第二计算结果，构建第二训练样本；
根据所述第一训练样本，训练第一预测子模型；
根据所述第二训练样本，训练第二预测子模型；
基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型。
进一步的，所述确定模块12在对所述多个历史订单的数据信息进行分组，得到实验组和对照组时，具体用于：
将历史订单对应用户接受过一项服务的历史订单的数据信息，分到所述实验组；
将历史订单对应用户未接受过任一项服务的历史订单的数据信息，分到所述对照组。
进一步的，所述对照组中包含有第一历史订单的数据信息，所述第一历史订单的数据信息包括：第一历史订单的特征信息以及所述第一历史订单所属用户接受一项服务后用户行为对应的第一结果。相应的，所述确定模块12在利用完成训练的所述第一估计模型，计算所述对照组中的所述第一历史订单的数据信息对应的估计增益时，具体用于：
将所述第一历史订单的特征信息输入完成训练的所述第一估计模型，执行所述第一估计模型得到第二结果；所述第二结果为假设结果，用以估计所述第一历史订单所属用户未接受所述服务时可能发生的用户行为；基于所述第一结果和所述第二结果，计算所述第一历史订单对应的估计增益。
进一步的，所述实验组中包含有第二历史订单的数据信息，所述第二历史订单的数据信息包括：第二历史订单的特征信息以及所述第二历史订单所属用户未接受任一项服务时用户行为对应的第三结果。相应的，所述确定模块12在利用完成训练的所述第二估计模型，计算所述实验组中所述第二历史订单的数据信息对应的估计增益时，具体用于：
将所述第二历史订单的特征信息输入完成训练的所述第二估计模型，执行所述第二估计模型得到第四结果；所述第四结果为假设结果，用以估计所述第二历史订单所属用户接受一项服务时可能发生的用户行为；基于所述第三结果和所述第四结果，计算所述第二历史订单对应的估计增益。
进一步的，所述确定模块12在基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型时，具体用于：
确定所述第一预测子模型对应的第一权重函数；
基于所述第一权重函数，确定所述第二预测子模型对应的第二权重函数；
根据所述第一权重函数、所述第二权重函数、完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，得到所述增益预测模型。
进一步的，所述规划模块13在根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项时，具体用于：
获取预算信息；确定优化问题；基于所述预算信息、所述多个目标订单分别对应的影响信息及所述优化问题，构建优化模型；求解所述优化模型，得到服务规划方案；
其中，所述服务规划方案包括：从所述多个目标订单中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项。
这里需要说明的是：上述实施例提供的订单处理装置可实现上述订单处理方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述订单处理方法实施例中的相应内容，此处不再赘述。
图6示出了本申请另一实施例提供的服务提供装置的结构示意图。如图6所示，所述服务提供装置包括：获取模块21、确定模块22、判定模块23及发送模块24。其中，所述获取模块21用于获取目标订单。所述确定模块22用于确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响。所述判定模块23用于根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务。所述确定模块还用于在所述目标用户适于提供服务时，确定适配所述目标用户的服务项。所述发送模块34用于向所述目标用户对应的客户端发送所述服务项对应的服务信息。
进一步的，所述确定模块22在确定适配所述用户的服务项时，具体用于：
确定目标订单集，其中，所述目标订单在所述目标订单集内；
根据预算信息、优化问题及所述目标订单集中所有目标订单对应的影响信息，构建优化模型；
求解所述优化模型，得到服务规划方案；其中，所述服务规划方案包括：从所述目标订单集中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项标识；
若所述服务规划方案中含有所述目标用户的用户标识，则从所述服务规划方案中获取所述目标用户的用户标识对应的服务项。
或者，所述确定模块在确定适配所述用户的服务项时，具体用于：获取所述用户相关的属性信息；基于所述属性信息及所述目标订单对应的影响信息，确定适配所述用户的服务项。
这里需要说明的是：上述实施例提供的服务提供装置可实现上述服务提供方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述服务提供方法实施例中的相应内容，此处不再赘述。
图7示出了本申请一实施例提供的电子设备的原理性结构示意图。所述电子设备包括处理器32及存储器31。其中，所述存储器31用于存储一条或多条计算机指令；所述处理器 32，与所述存储器31耦合，用于一条或多条计算机指令(如实现数据存储逻辑的计算机指令)，以用于实现上述各方法实施例中的步骤。
存储器31可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
进一步，如图7所示，电子设备还包括：通信组件33、电源组件35及显示器34等其它组件。图7中仅示意性给出部分组件，并不意味着电子设备只包括图7所示组件。
本申请还有一实施例提供一种计算机程序产品(说明书附图中无相应附图示出)。该计算机程序产品包括计算机程序或指令，当所述计算机程序或指令被处理器执行时，致使所述处理器能够实现上述各方法实施例中的步骤。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的方法步骤或功能。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种订单处理方法，其特征在于，包括：
获取多个目标订单；
确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；
根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项。
2.根据权利要求1所述的方法，其特征在于，确定一个目标订单对应的影响信息，包括：
获取增益预测模型；
获取所述目标订单的特征信息；
将所述目标订单的特征信息输入所述增益预测模型，执行所述增益预测模型得到所述至少一项服务对应的增益值；
其中，所述信息项包括所述增益值。
3.根据权利要求2所述的方法，其特征在于，获取增益预测模型，包括：
获取历史时段内的多个历史订单的数据信息；
对所述多个历史订单的数据信息进行分组，得到实验组和对照组；
基于所述实验组，训练第一估计模型；
基于所述对照组，训练第二估计模型；
利用完成训练的所述第一估计模型，计算所述对照组中各历史订单的数据信息对应的估计增益得到第一计算结果，并根据所述对照组及所述第一计算结果，构建第一训练样本；
利用完成训练的所述第二估计模型，计算所述实验组中各历史订单的数据信息对应的估计增益得到第二计算结果，并根据所述实验组及所述第二计算结果，构建第二训练样本；
根据所述第一训练样本，训练第一预测子模型；
根据所述第二训练样本，训练第二预测子模型；
基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型。
4.根据权利要求3所述的方法，其特征在于，对所述多个历史订单的数据信息进行分组，得到实验组和对照组，包括：
将历史订单对应用户接受过一项服务的历史订单的数据信息，分到所述实验组；
将历史订单对应用户未接受过任一项服务的历史订单的数据信息，分到所述对照组。
5.根据权利要求3所述的方法，其特征在于，所述对照组中包含有第一历史订单的数据信息，所述第一历史订单的数据信息包括：第一历史订单的特征信息以及所述第一历史订单所属用户接受一项服务后用户行为对应的第一结果；以及
利用完成训练的所述第一估计模型，计算所述对照组中的所述第一历史订单的数据信息对应的估计增益，包括：
将所述第一历史订单的特征信息输入完成训练的所述第一估计模型，执行所述第一估计模型得到第二结果；所述第二结果为假设结果，用以估计所述第一历史订单所属用户未接受所述服务时可能发生的用户行为；
基于所述第一结果和所述第二结果，计算所述第一历史订单对应的估计增益。
6.根据权利要求3所述的方法，其特征在于，所述实验组中包含有第二历史订单的数据信息，所述第二历史订单的数据信息包括：第二历史订单的特征信息以及所述第二历史订单所属用户未接受任一项服务时用户行为对应的第三结果；以及
利用完成训练的所述第二估计模型，计算所述实验组中所述第二历史订单的数据信息对应的估计增益，包括：
将所述第二历史订单的特征信息输入完成训练的所述第二估计模型，执行所述第二估计模型得到第四结果；所述第四结果为假设结果，用以估计所述第二历史订单所属用户接受一项服务时可能发生的用户行为；
基于所述第三结果和所述第四结果，计算所述第二历史订单对应的估计增益。
7.根据权利要求3所述的方法，其特征在于，基于完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，确定所述增益预测模型，包括：
确定所述第一预测子模型对应的第一权重函数；
基于所述第一权重函数，确定所述第二预测子模型对应的第二权重函数；
根据所述第一权重函数、所述第二权重函数、完成训练的所述第一预测子模型及完成训练的所述第二预测子模型，得到所述增益预测模型。
8.根据权利要求1至7中任一项所述的方法，其特征在于，根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项，包括：
获取预算信息；
确定优化问题；
基于所述预算信息、所述多个目标订单分别对应的影响信息及所述优化问题，构建优化模型；
求解所述优化模型，得到服务规划方案；
其中，所述服务规划方案包括：从所述多个目标订单中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项。
9.一种服务提供方法，其特征在于，包括：
获取目标订单；
确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响；
根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务；
若适于提供服务，则确定适配所述目标用户的服务项；
向所述目标用户对应的客户端发送所述服务项对应的服务信息。
10.根据权利要求9所述的方法，其特征在于，确定适配所述用户的服务项，包括：
确定目标订单集，其中，所述目标订单在所述目标订单集内；
根据预算信息、优化问题及所述目标订单集中所有目标订单对应的影响信息，构建优化模型；
求解所述优化模型，得到服务规划方案；其中，所述服务规划方案包括：从所述目标订单集中选取出的至少一个目标订单对应用户的用户标识，以及各用户标识对应的服务项标识；
若所述服务规划方案中含有所述目标用户的用户标识，则从所述服务规划方案中获取所述目标用户的用户标识对应的服务项。
11.根据权利要求10所述的方法，其特征在于，确定适配所述用户的服务项，包括：
获取所述用户相关的属性信息；
基于所述属性信息及所述目标订单对应的影响信息，确定适配所述用户的服务项。
12.一种服务系统，其特征在于，包括：
服务端，用于获取多个目标订单；确定所述多个目标订单分别对应的影响信息；其中，一个目标订单对应的影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应的用户对所述用户的行为结果的影响；根据所述多个目标订单分别对应的影响信息，从所述多个目标订单中选取至少一个目标订单对应的用户作为服务对象，并为服务对象制定适配的服务项；向所述服务对象对应的客户端发送相应服务项对应的服务信息；
客户端，用于接收并显示所述服务端发送的服务信息。
13.一种服务系统，其特征在于，包括：
服务端，用于获取目标订单；确定所述目标订单对应的影响信息；其中，所述影响信息包括至少一项服务对应的信息项，一项服务对应的信息项表征了该项服务提供给所述目标订单对应目标用户对所述目标用户的行为结果的影响；根据所述目标订单对应的影响信息，判定是否适于向所述目标用户提供服务；若适于提供服务，则确定适配所述目标用户的服务项；向所述目标用户对应的客户端发送所述服务项对应的服务信息；
客户端，用于接收并显示所述服务端发送的服务信息。
14.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，存储一条或多条计算机指令；
所述处理器，与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于实现上述权利要求1至8中任一项所述方法中的步骤，或实现上述权利要求9至11中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531403.3A CN114841776A (zh) | 2022-05-16 | 2022-05-16 | 订单处理方法、服务提供方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531403.3A CN114841776A (zh) | 2022-05-16 | 2022-05-16 | 订单处理方法、服务提供方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841776A true CN114841776A (zh) | 2022-08-02 |
Family
ID=82571092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210531403.3A Pending CN114841776A (zh) | 2022-05-16 | 2022-05-16 | 订单处理方法、服务提供方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841776A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116709224A (zh) * | 2023-08-09 | 2023-09-05 | 深圳博瑞天下科技有限公司 | 一种提升智能消息触达率的方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009154A (zh) * | 2019-04-03 | 2019-07-12 | 深圳威狮物流网络科技有限公司 | 一种退款预测方法、装置、终端设备及存储介质 |
| CN111861502A (zh) * | 2020-04-03 | 2020-10-30 | 上海寻梦信息技术有限公司 | 信息处理方法、系统、电子设备及存储介质 |
| CN113888184A (zh) * | 2021-09-18 | 2022-01-04 | 阿里巴巴（中国）有限公司 | 订单服务方法、装置及设备 |
-
2022
- 2022-05-16 CN CN202210531403.3A patent/CN114841776A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009154A (zh) * | 2019-04-03 | 2019-07-12 | 深圳威狮物流网络科技有限公司 | 一种退款预测方法、装置、终端设备及存储介质 |
| CN111861502A (zh) * | 2020-04-03 | 2020-10-30 | 上海寻梦信息技术有限公司 | 信息处理方法、系统、电子设备及存储介质 |
| CN113888184A (zh) * | 2021-09-18 | 2022-01-04 | 阿里巴巴（中国）有限公司 | 订单服务方法、装置及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116709224A (zh) * | 2023-08-09 | 2023-09-05 | 深圳博瑞天下科技有限公司 | 一种提升智能消息触达率的方法和装置 |
| CN116709224B (zh) * | 2023-08-09 | 2023-11-17 | 深圳博瑞天下科技有限公司 | 一种提升智能消息触达率的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108351999B (zh) | 用于为零售商提供多渠道库存分配途径的系统和方法 | |
| US11188928B2 (en) | Marketing method and apparatus based on deep reinforcement learning | |
| CN109672795A (zh) | 呼叫中心资源管理方法及装置、电子设备、存储介质 | |
| CN111292149A (zh) | 一种生成退货处理信息的方法和装置 | |
| CA2855731A1 (en) | System, method and computer program for forecasting energy price | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN108108933B (zh) | 仓储位置分配方法及装置 | |
| CN110505165A (zh) | 一种基于双向拍卖机制的边缘计算任务卸载方法及装置 | |
| CN109325808A (zh) | 基于Spark大数据平台的商品需求预测与物流分仓规划方法 | |
| Zhang et al. | A vehicle routing problem with distribution uncertainty in deadlines | |
| CN114841776A (zh) | 订单处理方法、服务提供方法、系统及电子设备 | |
| CN112950267A (zh) | 一种信息生成方法、装置、终端设备及存储介质 | |
| CN112784212B (zh) | 一种优化库存的方法和装置 | |
| CN107688901B (zh) | 数据调整方法及装置 | |
| Araman et al. | Intertemporal price discrimination with time-varying valuations | |
| CN110266770B (zh) | 基于博弈论的闲置云资源调度方法和装置 | |
| CN114186903A (zh) | 仓库选品方法、装置、计算机设备和存储介质 | |
| CN111445032A (zh) | 利用业务决策模型进行决策处理的方法及装置 | |
| CN116645134A (zh) | 一种信用卡分期的推荐方法、装置、设备及介质 | |
| Zhou et al. | Dynamic decision-making analysis of Netflix's decision to not provide ad-supported subscriptions | |
| Dahbi et al. | Supply chain efficient inventory management as a service offered by a cloud-based platform | |
| CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
| Burnetas et al. | Inventory policies for two products under Poisson demand: Interaction between demand substitution, limited storage capacity and replenishment time uncertainty | |
| US11232483B2 (en) | Marketing attribution capturing synergistic effects between channels | |
| CN113887772A (zh) | 订货周期优化方法、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 |