CN104715285A - 处理订单的方法和设备 - Google Patents

Abstract

本公开的各实施方式涉及处理订单的方法以及设备。该方法包括：获取用户接收的近期订单的特征；获取当前订单的特征；以及根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度；以及基于确定的相似度，选择向用户呈现的当前订单。利用本公开的实施方式的处理订单的方法和设备，能够根据司机的实时行为调整订单分配策略从而提升订单分配准确性。

Description

处理订单的方法和设备

技术领域

本公开的各实施方式总体上涉及订单的处理，特别地，本公开的各实施方式涉及处理订单的方法和设备。

背景技术

随着使用打车软件的司机和乘客数量日益增多，如何实现对同时在线的大规模订单和司机进行快速的最佳匹配，对算法和架构是一个极具挑战性的问题。最佳匹配是指向每个司机呈现(例如，通过语音播送或者画面显示)在当前合适并且司机感兴趣的订单。

现有的订单匹配方案可以基于大量司机对订单的偏好来执行匹配，例如考虑到订单特征、司机特征、周围司机量、时间、路况等诸多因素来向司机呈现订单。在某些情况下，还可以通过个体司机的长期行为而考虑到个体司机对订单的长期偏好。

然而，现有的订单匹配方案依赖于对数据的长期积累和学习，因而并不能够准确反映出个体司机对订单的实时或者近期的偏好，从而根据个体司机的近期的偏好变化而快速调整。这有可能导致向司机多次呈现司机当前并不感兴趣的订单。作为示例，通过匹配过程，确定一个订单为司机的最佳匹配，然而在向司机呈现该订单之后，司机对该订单不感兴趣从而取消了该订单。然而仍然可能向司机推荐与该订单相似的订单。作为另一示例，在司机有抢单行为后(有可能抢单失败，因为订单被其他司机抢到)，没有优先向司机呈现与司机想抢的订单相似的订单。

因此，现有的订单匹配方案在实际应用中不够精确。因而，行之有效的处理订单的方法和设备具有良好的市场前景和客观的市场价值。

发明内容

本公开的示例性实施方式涉及处理订单的方法和设备。

本公开的基本构思在于，可以在长期运营的过程中在服务器中积累大量用户数据。利用这些数据可以了解精确的个体司机的偏好。在订单分配的过程中，给司机精确地呈现最适合该司机的订单。目前打车软件的司机客户端的功能日益丰富，司机在收听订单的过程中，会实时做出许多行为，例如取消不愿意接受的订单以切换至下一订单、选择愿意接受的订单、设置接收订单选项，例如设置载客/空车模式以及设置听单选项等。这些实时行为反应了司机的实时或者近期的偏好，在掌握了司机的近期偏好的情况下，在后续给司机的订单分配的过程中，可以给司机呈现当前司机感兴趣的订单，从而实现更精准的订单分配，提升订单的成交率，让订单分配变得更加智能和“通情达理”。

根据本公开的实施方式，提供了一种处理订单的方法，包括：获取用户接收的近期订单的特征；获取当前订单的特征；以及根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度；以及基于确定的相似度，选择向用户呈现的当前订单。

可选地，在该方法中，根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度包括：根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的余弦相似度。

可选地，在该方法中，获取用户接收的近期订单的特征包括：获取用户选择的近期订单的特征以及用户取消的近期订单的特征。

可选地，在该方法中，根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度包括：根据接收的近期订单的特征、接收的近期订单的新近性以及当前订单的特征，确定当前订单与用户选择的近期订单的相似度，并且确定当前订单与用户取消的近期订单的相似度。

可选地，在该方法中，基于确定的相似度，选择向用户呈现的当前订单包括：基于确定的相似度和当前订单的特征，确定用户选择当前订单的概率，并且基于概率选择向用户呈现的当前订单。

可选地，在该方法中，基于确定的相似度和当前订单的特征，确定用户选择当前订单的概率包括：利用机器学习模型，将当前订单与用户选择的近期订单的相似度、当前订单与用户取消的近期订单的相似度、以及当前订单的特征分别作为机器学习特征，来确定用户选择当前订单的概率。

可选地，在该方法中，所述特征包括以下各项中的至少一项：发送订单的位置与用户的距离、订单的目的地、订单的目的地种类、订单的目的地周围的路况以及订单的加价。

根据本公开的实施方式，提供了一种处理订单的设备，包括：第一获取装置，用于获取用户接收的近期订单的特征；第二获取装置，用于获取当前订单的特征；以及第一确定装置，用于根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度；以及选择装置，用于基于确定的相似度，选择向用户呈现的当前订单。

可选地，在该设备中，还包括：第二确定装置，用于根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的余弦相似度。

可选地，在该设备中，还包括：第三获取装置，用于获取用户选择的近期订单的特征以及用户取消的近期订单的特征。

可选地，在该设备中，还包括：第三确定装置，用于根据接收的近期订单的特征、接收的近期订单的新近性以及当前订单的特征，确定当前订单与用户选择的近期订单的相似度，并且确定当前订单与用户取消的近期订单的相似度。

可选地，在该设备中，还包括：第四确定装置，用于基于确定的相似度和当前订单的特征，确定用户选择当前订单的概率，并且基于概率选择向用户呈现的当前订单。

可选地，在该设备中，还包括：第五确定装置，用于利用机器学习模型，将当前订单与用户选择的近期订单的相似度、当前订单与用户取消的近期订单的相似度、以及当前订单的特征分别作为机器学习特征，来确定用户选择当前订单的概率。

可选地，在该设备中，所述特征包括以下各项中的至少一项：发送订单的位置与用户的距离、订单的目的地、订单的目的地种类、订单的目的地周围的路况以及订单的加价。

本公开的实施方式具有能够根据司机的实时行为来快速地调整订单分配策略从而提升订单分配准确性的优点。

附图说明

结合附图并参考以下详细说明，本公开各实施方式的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施方式。在附图中：

图1为根据本公开的示例性实施方式的处理订单的方法的流程图；

图2为根据本公开的示例性实施方式的处理订单的设备的框图；以及

图3为适于用来实践本公开的示例性实施方式的移动终端的示意性框图；以及

图4为适于用来实践本公开的示例性实施方式的计算机的示意性框图。

具体实施方式

以下参考附图详细描述本公开的各个示例性实施方式。附图中的流程图和框图示出了根据本公开的各种实施方式的方法和***的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施方式中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以使用专用硬件与计算机指令的组合来实现。

应当理解，给出这些示例性实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。

本公开的实施方式的处理订单的方法和设备至少可以适用于客运和货运两者。同时，尽管本公开主要适用于出租车叫车服务，但应当理解，本公开还可适用于已经存在或者将会出现的任何其他运送工具，这些运送工具包括水体运送工具(包括诸如船舶之类的水面运送工具盒诸如潜水艇之类的水下运送工具)、飞行器(包括仅在地球环境中运行的飞机和可以在太空环境中运行的飞行器)以及具有运送货物和人员能力的任何运送工具。

以下仅以出租车叫车服务为例对本公开的处理订单的方法和设备进行详细描述。

参照图1，其为根据本公开的示例性实施方式的处理订单的方法100的流程图。

根据本公开的各种示例性实施方式，本公开可以按照客户端-服务器架构被实施。具体而言，待乘坐出租车的乘客可以使用能够发送订单的客户端来向服务器发送订单。然后，服务器可以处理订单并且向与订单相关联的用户(例如司机)发送订单。之后订单可以按照某排序在用户的能够接收订单的客户端上呈现。客户端可以安装在客户携带的移动设备上或者其它电子设备上，如在下文将详细进行描述。

根据图1所示，在步骤S110中，可以获取用户接收的近期订单的特征。步骤S110可以包括步骤S111，获取用户选择的近期订单的特征以及用户取消的近期订单的特征。

根据本公开的实施方式，近期订单可以是在预定时间段(例如，1天、1个小时、10分钟甚至更短时间)内已经向用户呈现的订单。根据一些实施方式，近期订单也可以是最近已经向用户呈现的预定数量的订单，例如最新呈现的20个订单。在呈现近期订单期间，取决于用户是否对该近期订单感兴趣，用户可以实时地对近期订单做出各种响应，包括选择、取消该近期订单，或者建立与选择订单的偏好相关联的设置。在一些实施方式中，用户对近期订单不做出响应可以视为取消该近期订单。由于近期订单和用户响应的实时性，用户对近期订单的响应能够反映出用户对订单的实时偏好。在用户对近期订单做出响应之后，客户端可以将该响应发送至在线服务器。

根据本公开的实施方式，可以在在线服务器中执行这些步骤。具体而言，在线服务器可以将关于近期订单的信息和用户选择或者取消该近期订单的响应相关联地存储在抢单日志中。随后在线服务器可以在存储的众多抢单日志中获取与该用户相关联的抢单日志。可以将所获取的近期抢单日志存储在在线服务器的高速缓存中，例如只在高速缓存中存储包含近20次用户响应的抢单日志作为近期抢单日志。在线服务器还可以按预定周期来更新所存储的近期抢单日志，例如每15分钟添加最新的抢单日志并消除过旧的抢单日志。这样可以让近期抢单日志反映出用户对订单的实时偏好。

接着，可选地对抢单日志进行预处理。预处理可以包括文本处理。通过文本处理，能够从与抢单日志相关联的近期订单中识别出近期订单中的文本并将其以特定形式呈现。

然后，可以针对用户接收的近期订单，提取近期订单的特征以获取近期订单的特征，并且提取用户选择或者取消近期订单的响应。近期订单的特征可以包括以下各项中的至少一项：发送订单的位置与用户的距离或者待乘坐出租车的人员等待出租车时所在的位置与用户的距离、订单中将要前往的目的地，订单的目的地种类(例如，机场、医院或者学校)、订单的目的地周围的路况或者订单的加价(即乘客愿意支付的小费)。近期订单的特征还可以包括：愿意等待的时间、乘坐人数、是否携带大件行李等。用户选择或者取消近期订单的响应可以用抢单日志中的条目的比特标记来表示。

应当理解，上述待乘坐出租车的人员可以是使用打车软件来呼叫出租车的软件用户，也可以是该软件用户代为呼叫出租车的其他人员。发送订单的位置可以由全球定位***(GPS)坐标表示，也可以在适当的情况下以其他可以用来表示确定的位置的信息表示，这些信息包括但不限于公交车站、地铁站、某个路口以及某个特定建筑物等。当发送订单的位置由除了全球定位***坐标以外的信息表示时，可以由订单的接收方(例如，服务器)或者第三方(例如，诸如某个专业网站的其他地址解译机构)将其转换为全球定位***坐标以便于进行后续操作。另外，路况可以从政府部门发布的信息获得，或者按照通过卫星视图或者道路监控获得的道路车辆密度来获得。

此外，近期订单的特征可以是从抢单日志中所提取的内容直接确定的，或者可以是利用在线服务器对所提取的内容进行处理而进一步间接确定的。作为示例，可以直接从近期订单的文本信息中确定订单的目的地；作为另一示例，可以结合发送订单的位置与用户的位置才能确定发送订单的位置与用户的距离；作为又一示例，可以对识别出的关于目的地的文本信息进行处理从而确定目的地的种类。

参照图1，在步骤S110之后执行步骤S120。在步骤S120中，可以获取当前订单的特征。

根据本公开的实施方式，可以在在线服务器中执行步骤S120。

当前订单是指有待向用户呈现或者正在呈现的订单。例如，当前订单可以是尚未向用户呈现的订单，或者是正在向一些用户呈现而尚未向其他用户呈现的订单。可以由在线服务器中获取当前订单。获取订单的方式可以包括直接从发出订单的待乘坐出租车的人员接收订单或者接收由其他中间机构(例如，某个网站等)转发的订单。

在获取当前订单之后，可以在众多用户中选择与当前订单相关联的一个或多个用户作为将向其呈现当前订单的候选用户。作为示例，可以选择处于发送当前订单的位置某范围内的用户作为候选用户。还可以根据利用其它因素、例如用户的行驶方向等来选择候选用户。另外，还可以对所选择的候选用户进行进一步的过滤。

注意到，在获取多个当前订单之后，可以有多个当前订单与单个用户相关联，例如在该用户处于多个当前订单的发送位置的特定范围内的情况下。因而，可以选择多个当前订单中的一个优选订单向该用户呈现。

为了获取当前订单的特征，可以如以上在步骤S110中、针对在上文关于提取近期订单的特征所描述的方式来获取当前订单的特征。

当前订单的特征可以是与近期订单的特征相对应的特征。因而，当前订单的特征可以也包括：发送订单的位置与用户的距离或者待乘坐出租车的人员等待出租车时所在的位置与用户的距离、订单中将要前往的目的地，订单的目的地种类、订单的目的地周围的路况或者订单的加价。当前订单和用户的特征还可以包括：愿意等待的时间、乘坐人数、是否携带大件行李等。此外，如关于近期订单进行描述的，当前订单的特征可以是从当前订单所确定的内容直接确定的，或者可以是利用服务器对所确定的内容进行处理而进一步间接确定的。

参照图1，在步骤S120之后执行步骤S130。在步骤S130中，可以根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度。步骤S130可以包括步骤S131，根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的余弦相似度。步骤S130还可以包括步骤S132，根据接收的近期订单的特征、接收的近期订单的新近性以及当前订单的特征，确定当前订单与用户选择的近期订单的相似度，并且确定当前订单与用户取消的近期订单的相似度。

根据本公开的实施方式，在步骤S130中，可以用向量来表示一个近期订单或者当前订单中的多个特征。因此，可以通过计算与当前订单相关联的向量和与近期订单相关联的向量的相似度来确定当前订单与近期订单的相似度。

具体地，可以根据已知的方式，利用余弦相似性公式来计算两个向量之间的余弦相似度。还可以利用其他方式来计算相似度。

此外，优选地，可以分别地确定当前订单与用户选择的近期订单的相似度，以及当前订单与用户取消的近期订单的相似度。

具体而言，可以针对每个当前订单，分别确定与该当前订单相关联的向量和与每个用户选择的订单的相关联的向量之间的相似度。例如，存在10个用户选择的订单，则针对每个当前订单，计算该当前订单与10个用户选择的订单相对应的10个相似度。

类似地，可以针对每个当前订单，分别确定与该当前订单相关联的向量和与每个用户取消的订单的相关联的向量之间的相似度。

通过分别确定分别地确定当前订单与用户选择和取消的近期订单的相似度，能够根据当前订单与用户感兴趣的订单的相似度以及与用户不感兴趣的订单的相似度来调整当前订单的排序。

在分别地确定当前订单与用户选择和取消的近期订单的相似度之后，可以将所确定的多个相似度归一化以便在之后的步骤中使用。例如，对于当前订单与用户选择的近期订单的相似度，可以针对每个当前订单，将确定的多个余弦相似度，例如按照基于时间衰减的系数整合为一个0-1之间的值作为用户选择的订单相似度特征值，例如以便代入机器学习模型。对于当前订单与用户取消的近期订单的相似度能够相似地进行归一化。在某些实施方式中，可以针对每个当前订单，将当前订单与用户选择和取消的近期订单的相似度两者整合为一个订单相似度特征值。

参照图1，在步骤S130之后执行步骤S140。在步骤S140中，可以基于确定的相似度，选择向用户呈现的当前订单。步骤S140可以包括步骤S141，基于确定的相似度和当前订单的特征，确定用户选择当前订单的概率，并且基于该概率选择向用户呈现的当前订单。步骤S140还可以包括步骤S142，利用机器学习模型，将当前订单与用户选择的近期订单的相似度、当前订单与用户取消的近期订单的相似度、以及当前订单的特征分别作为机器学习特征，来确定用户选择当前订单的概率。

在执行步骤S140之前，可以利用机器学***台)中进行。在此之后，例如在步骤S140中，能够应用预测模型从而预估出关于司机选择当前订单的抢单概率。然后可以将预估的司机抢单概率用于订单分配，尤其是订单分配的排序阶段，实现高抢单概率的订单优先于低抢单概率的订单进行呈现。

具体而言，根据本公开的实施方式，可以利用历史订单的特征和用户对历史订单的响应进行训练。历史订单可以是过期的当前订单，即已经向用户呈现并且用户对其做出响应的当前订单。历史近期订单为与历史订单相关联的过期的近期订单。因而历史订单和历史近期订单已经经过上文关于当前订单和近期订单所描述的处理。将之前获取的历史订单与用户选择的历史近期订单的相似度、之前获取的历史订单与用户取消的历史近期订单的相似度以及之前获取的订单的特征一起作为训练特征，并且将接收的用户对历史订单的响应(例如选择或者取消该订单)作为目标特征，代入机器学习模型进行训练，从而生成预测模型。根据某些实施方式，预测模型为上述训练特征的权重。

根据本公开的实施方式，机器学习模型可以是逻辑回归模型或者支持向量机模型。

根据本公开的实施方式，在训练之后，可以利用训练结果来进行应用。具体而言，可以将当前订单与用户选择的近期订单的相似度、当前订单与用户取消的近期订单的相似度、以及当前订单的特征分别作为机器学习特征，利用预测模型或者确定的上述特征的权重，来预估或者确定用户选择当前订单的概率。对于每个当前订单，该当前订单与用户选择或者取消的近期订单的相似度可以是在步骤S130中所确定的一个或者两个订单相似度特征值。

根据本公开的实施方式，根据一些实施方式，在线服务器可以根据用户选择多个当前订单的概率，对这些当前订单进行排序，然后选择被用户选择的概率最高的当前订单作为将向用户呈现的当前订单。

备选地，根据一些实施方式，可以在机器学习的训练和应用期间仅将当前订单的特征作为机器学习特征，从而仅考虑当前订单的特征而不考虑当前订单与近期订单的相似度。根据未考虑相似度的概率进行排序之后，再根据预定的算法、利用所确定的相似度来调整排序。例如，当前订单与用户选择的近期订单相似度高则适当调高该订单的排序，反之则适当调低该订单的排序。然后选择被用户选择的排序最高的当前订单作为将向用户呈现的当前订单。

根据一些实施方式，在选择将向用户呈现的当前订单之后，可以将当前订单发送给用户的客户端以向用户呈现。例如，可以在用户的客户端(例如，移动设备)上，通过语音播送或者在用户接口(例如，触敏显示器等)上以画面显示的方式来呈现当前订单。用户可以取决于其是否对该当前订单感兴趣，而通过用户接口选择该当前订单作为响应。

可选地，根据一些实施方式，在线服务器可以将多个当前订单与用户选择当前订单的概率一起发送给用户，并且在用户的客户端实现多个当前订单的排序。

根据以上所描述的内容可见，可以优先呈现与司机之前抢的订单相似的订单，可以显著体征订单分配的精准性。

参照图1，在步骤S140之后可选地执行步骤S150。在步骤S150中，如关于近期订单进行描述的，可以记录用户是否选择向其呈现的每个当前订单的响应。继而可以将当前订单，以及包括当前订单的特征和被呈现当前订单的用户选择或者取消了当前订单的响应的相关数据存储在抢单日志中。注意在此处，当前订单可以成为近期订单。

之后该方法回到步骤S120。

以上参照图1描述了根据本公开的示例性实施方式的处理订单的方法。应当理解，尽管按照特定顺序(步骤S110、步骤S111、步骤S120、步骤S130、步骤S131、步骤S132、步骤S140、步骤S141、步骤S142、步骤S150)描述了该方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。例如，在某些实施方式中，步骤S110和S120可以按照任意顺序或者同时执行，可以省略步骤S131至S132中的一个或者两个步骤，可以将步骤S141与S142合并为一个步骤执行，和/或将步骤S142分解。

参照图2，其为根据本公开的示例性实施方式的处理订单的设备的框图。

根据图2所示，处理订单的设备200包括第一获取装置201、第二获取装置202、第一确定装置203、第一选择装置204、第二确定装置205、第三获取装置206、第三确定装置207、第四确定装置208以及第五确定装置209。

根据本公开的示例性实施方式，在处理订单的设备200中，第一获取装置201，用于获取用户接收的近期订单的特征；第二获取装置202，用于获取当前订单的特征；第一确定装置203，用于根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的相似度；第一选择装置204，用于基于确定的相似度，选择向用户呈现的当前订单；第二确定装置205，用于根据接收的近期订单的特征以及当前订单的特征，确定当前订单与接收的近期订单的余弦相似度；第三获取装置206，用于获取用户选择的近期订单的特征以及用户取消的近期订单的特征；第三确定装置207，用于根据接收的近期订单的特征、接收的近期订单的新近性以及当前订单的特征，确定当前订单与用户选择的近期订单的相似度，并且确定当前订单与用户取消的近期订单的相似度；第四确定装置208，用于基于确定的相似度和当前订单的特征，确定用户选择当前订单的概率，并且基于概率选择向用户呈现的当前订单；以及第五确定装置209，用于利用机器学习模型，将当前订单与用户选择的近期订单的相似度、当前订单与用户取消的近期订单的相似度、以及当前订单的特征分别作为机器学习特征，来确定用户选择当前订单的概率。

另外，在处理订单的设备200中，所述特征包括以下各项中的至少一项：发送订单的位置与用户的距离、订单的目的地、订单的目的地种类、订单的目的地周围的路况以及订单的加价。

应当注意，本公开的示例性实施方式可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本公开的***及其模块不仅可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如固件)来实现。

应当注意，尽管在上文的详细描述中提及了设备的若干装置或子装置，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的示例性实施方式，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化，例如第一获取装置201和第二获取装置202可以位于不同的设备中。

下面参考图3，其示出了适于用来实践本公开实施方式的移动终端300的更为详细的示意性框图。

根据本公开的示意性实施方式，移动终端300通常可以由用户220使用。但是，应当理解，本公开并不排除将移动终端300作为处理订单的设备200使用的情况。

在图3所示的示例中，移动终端300是一个具有无线通信功能的移动设备。然而，可以理解，这仅仅是示例性而非限制性的。其他类型的移动终端也可以容易地采用本公开的实施方式，诸如便携式数字助理(PDA)、寻呼机、移动计算机、移动电视、游戏设备、膝上型计算机、照相机、录像机、GPS设备以及其他类型的语音和文本通信***。诸如车载式移动终端之类的固定式移动终端同样可以容易地使用本公开的实施方式。

移动终端300包括一个或多个天线311，其可操作地与发射机314和接收机316进行通信。移动终端300还包括处理器312或者其他处理元件，其分别提供去往发射机314的信号和接收来自接收机316的信号。信号包括按照适当蜂窝***的空中接口标准的信令信息，并且还包括用户语音、接收的数据和/或用户生成的数据。在此方面，移动终端300能够利用一个或多个空中接口标准、通信协议、调制类型以及接入类型来进行操作。作为示范，移动终端300能够根据多个第一代、第二代、第三代和/或***通信协议等中的任何协议来进行操作。例如，移动终端300可以能够按照第二代(G)无线通信协议IS-136(TDMA)、GSM和IS-95(CDMA)来进行操作，或者按照诸如UMTS、CDMA2000、WCDMA和TD-SCDMA的第三代(G)无线通信协议来进行操作，或者按照***(4G)无线通信协议和/或类似协议进行操作。

可以理解，处理器312包括实现移动终端300的功能所需的电路。例如，处理器312可以包括数字信号处理器设备、微处理器设备、各种模数转换器、数模转换器和其他支持电路。移动终端300的控制和信号处理功能按照这些设备各自的能力在其间分配。处理器312由此还可以包括在调制和传输之前对消息和数据进行卷积编码和交织的功能。处理器312还可以另外包括内部语音编码器，并且可以包括内部数据调制解调器。此外，处理器312可以包括对可以存储在存储器中的一个或多个软件程序进行操作的功能。例如，处理器312可以能够操作连接程序，诸如传统的Web浏览器。连接程序继而可以允许移动终端300例如按照无线应用协议(WAP)、超文本传输协议(HTTP)等来发射和接收Web内容(诸如基于位置的内容和/或其他web页面内容)。

移动终端300还可以包括用户接口，其例如可以包括耳机或者扬声器324、振铃器322、麦克风326、显示屏328以及输入接口331，所有这些设备都耦合至处理器312。移动终端300可以包括小键盘330。小键盘330可以包括传统的数字键(0-9)和相关键(#、*)，以及用于操作移动终端300的其他键。备选地，小键盘330可以包括传统的QWERTY小键盘布置。小键盘330还可以包括与功能相关联的各种软键。移动终端300还可以包括相机模块336，用于捕获静态和/或动态图像。

特别地，显示屏328可以包括触摸式屏幕和/或邻近式屏幕，用户可以通过直接操作屏幕而操作移动终端300。此时，显示屏328同时充当输入设备和输出设备二者。在这样的实施方式中，输入接口331可以配置用于接收用户通过例如普通的笔、专用触笔和/或手指在显示屏328上提供的输入，包括指点输入和手势输入。处理器312可配置用于检测此类输入，并且识别出用户的手势。

此外，移动终端300可以包括诸如操纵杆的接口设备或者其他用于输入接口。移动终端300还包括电池334，诸如振动电池组，用于为操作移动终端300所需的各种电路供电，以及可选地提供机械振动作为可检测输出。

移动终端300可以进一步包括用户标识模块(UIM)338。UIM 338通常是具有内置处理器的存储器设备。UIM 338例如可以包括订户标识模块(SIM)、通用集成电路卡(UICC)、通用订户标识模块(USIM)、可移动用户标识模块(R-UIM)等。UIM 338通常存储与移动订户相关的信元。

移动终端300还可以具有存储器。例如，移动终端300可以包括易失存储器340，例如包括用于数据临时存储的高速缓存区域的易失随机存取存储器(RAM)。移动终端300还可以包括其他非易失存储器342，其可以是嵌入式的和/或可移动的。非易失存储器342可以附加地或者可选地包括例如EEPROM和闪存等。存储器可以存储移动终端300所使用的多个信息片段和数据中的任意项，以实现移动终端300的功能。例如，存储器340和342可以配置用于存储用于实现上文结合图1描述的实时处理订单的方法的计算机程序指令。

应当理解，图3所述的结构框图仅仅为了示例的目的而示出的，而不是对本公开范围的限制。在某些情况下，可以根据具体情况而增加或者减少某些设备。

下面参考图4，其示出了适于用来实践本公开实施方式的计算机***400的示意性框图。如图4所示，计算机***400可以包括：CPU(中央处理单元)401、RAM(随机存取存储器)402、ROM(只读存储器)403、总线***404、硬盘控制器405、键盘控制器406、串行接口控制器407、并行接口控制器408、显示控制器409、硬盘410、键盘411、串行外设412、并行外设413和显示器414。在这些设备中，与***总线404耦合的有CPU 401、RAM 402、ROM 403、硬盘控制器405、键盘控制器406、串行控制器407、并行控制器408和显示控制器409。硬盘410与硬盘控制器405耦合，键盘411与键盘控制器406耦合，串行外部设备412与串行接口控制器407耦合，并行外部设备413与并行接口控制器408耦合，以及显示器414与显示控制器409耦合。应当理解，图4所述的结构框图仅仅为了示例的目的而示出的，而不是对本公开范围的限制。在某些情况下，可以根据具体情况而增加或者减少某些设备。

虽然已经参考若干具体实施方式描述了本公开，但是应该理解，本公开并不限于所公开的具体实施方式。本公开旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (14)

1.一种处理订单的方法，包括：

获取用户接收的近期订单的特征；

获取当前订单的特征；以及

根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的相似度；以及

基于所述确定的相似度，选择向所述用户呈现的当前订单。

2.根据权利要求1所述的方法，其中根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的相似度包括：

根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的余弦相似度。

3.根据权利要求1所述的方法，其中获取用户接收的近期订单的特征包括：

获取所述用户选择的近期订单的特征以及所述用户取消的近期订单的特征。

4.根据权利要求2所述的方法，其中根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的相似度包括：

根据所述接收的近期订单的特征、所述接收的近期订单的新近性以及所述当前订单的特征，确定所述当前订单与所述用户选择的近期订单的相似度，并且确定所述当前订单与所述用户取消的近期订单的相似度。

5.根据权利要求4所述的方法，其中基于所述确定的相似度，选择向所述用户呈现的当前订单包括：

基于所述确定的相似度和所述当前订单的特征，确定所述用户选择所述当前订单的概率，并且基于所述概率选择向所述用户呈现的当前订单。

6.根据权利要求5所述的方法，其中基于所述确定的相似度和所述当前订单的特征，确定所述用户选择所述当前订单的概率包括：

利用机器学习模型，将所述当前订单与所述用户选择的近期订单的相似度、所述当前订单与所述用户取消的近期订单的相似度、以及所述当前订单的特征分别作为机器学习特征，来确定所述用户选择所述当前订单的概率。

7.根据权利要求1所述的方法，其中所述特征包括以下各项中的至少一项：

发送订单的位置与用户的距离、订单的目的地、订单的目的地种类、订单的目的地周围的路况以及订单的加价。

8.一种处理订单的设备，包括：

第一获取装置，用于获取用户接收的近期订单的特征；

第二获取装置，用于获取当前订单的特征；以及

第一确定装置，用于根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的相似度；以及

选择装置，用于基于所述确定的相似度，选择向所述用户呈现的当前订单。

9.根据权利要求8所述的设备，还包括：

第二确定装置，用于根据所述接收的近期订单的特征以及所述当前订单的特征，确定所述当前订单与所述接收的近期订单的余弦相似度。

10.根据权利要求8所述的设备，还包括：

第三获取装置，用于获取所述用户选择的近期订单的特征以及所述用户取消的近期订单的特征。

11.根据权利要求9所述的设备，还包括：

第三确定装置，用于根据所述接收的近期订单的特征、所述接收的近期订单的新近性以及所述当前订单的特征，确定所述当前订单与所述用户选择的近期订单的相似度，并且确定所述当前订单与所述用户取消的近期订单的相似度。

12.根据权利要求11所述的设备，还包括：

第四确定装置，用于基于所述确定的相似度和所述当前订单的特征，确定所述用户选择所述当前订单的概率，并且基于所述概率选择向所述用户呈现的当前订单。

13.根据权利要求12所述的设备，还包括：

第五确定装置，用于利用机器学习模型，将所述当前订单与所述用户选择的近期订单的相似度、所述当前订单与所述用户取消的近期订单的相似度、以及所述当前订单的特征分别作为机器学习特征，来确定所述用户选择所述当前订单的概率。

14.根据权利要求8所述的设备，其中所述特征包括以下各项中的至少一项：

发送订单的位置与用户的距离、订单的目的地、订单的目的地种类、订单的目的地周围的路况以及订单的加价。