CN110188908A - 用户收发物品方式的预测方法和装置 - Google Patents
用户收发物品方式的预测方法和装置 Download PDFInfo
- Publication number
- CN110188908A CN110188908A CN201810153846.7A CN201810153846A CN110188908A CN 110188908 A CN110188908 A CN 110188908A CN 201810153846 A CN201810153846 A CN 201810153846A CN 110188908 A CN110188908 A CN 110188908A
- Authority
- CN
- China
- Prior art keywords
- order
- article
- user
- mode
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户收发物品方式的预测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。该实施方式能够根据订单信息准确预测用户收发物品的方式,从而提升用户体验。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种用户收发物品方式的预测方法和装置。
背景技术
随着计算机技术与物流技术的快速发展,用户会遇到越来越多的通过接收物品的订单(以下简称为接收订单)提取物品或者通过发送物品的订单(以下简称为发送订单)递送物品的场景。为了满足用户需求,服务方设置大量的自助设施提供于用户,用户可在接收贵重物品、易碎物品时,以自助方式从自助设施自行提取预先存放的物品;或在发送上述物品时,以自助方式将物品自行携带到自助设施进而完成递送,以避免常规方式中由职业快递人员上门收发物品产生的风险,还有助于提高物流运作效率。
为了提升用户体验,服务方需要在用户提交订单前,根据用户填写的信息预测其收发物品方式为上门收发方式还是自助方式,并将预测结果向用户推送。现有技术中,上述预测一般仅通过分析用户在订单中地址周围的自助设施的历史使用次数来实现,其精度较低,易影响用户体验。
发明内容
有鉴于此,本发明实施例提供一种用户收发物品方式的预测方法和装置,能够根据订单信息准确预测用户收发物品的方式,从而提升用户体验。
为实现上述目的,根据本发明的一个方面,提供了一种用户收发物品方式的预测方法。
本发明实施例的用户收发物品方式的预测方法包括:获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;以及,结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
可选地,用户收发订单中物品的方式包括:上门收发方式与自助方式。
可选地,第一预测结果和第二预测结果均包括:用户收发订单中物品的方式是自助方式的概率值。
可选地,所述方法进一步包括:确定订单信息中的地址数据对应的自助设施分布信息,将所述自助设施分布信息输入第一预测模型;其中,所述自助设施分布信息包括以下至少一种:以订单中地址为中心的预设范围内的自助设施数量、该范围内每一自助设施与订单中地址的距离。
可选地,所述方法进一步包括:获取与订单信息中的用户标识数据和地址数据对应的用户历史收发信息,将所述用户历史收发信息输入第一预测模型;其中,所述用户历史收发信息包括:用户使用以订单中地址为中心的预设范围内的自助设施的次数。
可选地,所述结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果包括:在第一预测结果中的概率值大于预设阈值、且基于订单中每一种物品的第二预测结果中的概率值均大于预设阈值时,最终预测结果为自助方式;否则,最终预测结果为上门收发方式。
可选地,所述预设阈值是0.5。
可选地,所述订单信息进一步包括以下至少一种:订单金额数据、运费数据、总重量数据、总体积数据、易碎物标记数据;所述用户属性信息包括以下至少一种:性别数据、身份数据、历史交互数据;所述特征信息包括以下至少一种:物品的类别标识数据、单件物品的重量数据、单件物品的价格数据、单件物品的体积数据。
可选地,订单具体为:接收订单或发送订单;以及,在订单为接收订单时,用户为接收者,订单中的地址为接收者地址;在订单为发送订单时,用户为发送者,订单中的地址为发送者地址。
可选地,第一预测模型与第二预测模型均为深度神经网络DNN模型。
为实现上述目的,根据本发明的又一方面,提供了一种用户收发物品方式的预测装置。
本发明实施例的用户收发物品方式的预测装置可包括:第一准备单元,可用于获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;第二准备单元,可用于确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;以及,预测单元,可用于结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的用户收发物品方式的预测方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的用户收发物品方式的预测方法。
根据本发明的技术方案,上述发明中的一个实施例具有如下优点或有益效果:利用订单信息获取用户属性信息,将订单信息与用户属性信息输入预先建立的第一预测模型,计算出与用户属性及订单详情关联的收发方式第一预测结果;从订单信息中确定其中任一物品的特征信息,将特征信息输入预先建立的第二预测模型,计算得到与订单中物品特征关联的收发方式第二预测结果;将第一预测结果与第二预测结果按照预设的判别策略结合,从而获得准确性较高的用户收发物品方式的最终预测结果;在利用第一预测模型计算时,除输入订单信息与用户属性信息之外,还根据订单信息获取自助设施分布信息以及用户历史收发信息输入模型进行计算,并通过设置合理的判别策略以融合两方面的预测结果,实现预测精度的进一步提升。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例中用户收发物品方式的预测方法的主要步骤示意图;
图2是根据本发明实施例中用户收发物品方式的预测装置的主要部分示意图;
图3是根据本发明实施例可以应用于其中的示例性***架构图;
图4是用来实现本发明实施例的用户收发物品方式的预测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
本发明实施例的技术方案利用订单信息获取用户属性信息,将订单信息与用户属性信息输入预先建立的第一预测模型,计算出与用户属性及订单详情关联的收发方式第一预测结果;从订单信息中确定其中任一物品的特征信息,将特征信息输入预先建立的第二预测模型,计算得到与订单中物品特征关联的收发方式第二预测结果;将第一预测结果与第二预测结果按照预设的判别策略结合,从而获得准确性较高的用户收发物品方式的最终预测结果;在利用第一预测模型计算时,除输入订单信息与用户属性信息之外,还根据订单信息获取自助设施分布信息以及用户历史收发信息输入模型进行计算,并通过设置合理的判别策略以融合两方面的预测结果,实现预测精度的进一步提升。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例中用户收发物品方式的预测方法的主要步骤示意图。
如图1所示,本发明实施例的用户收发物品方式的预测方法可根据以下步骤执行:
步骤S101:获取订单信息中的用户标识数据对应的用户属性信息,将订单信息和用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果。
在本发明实施例中,订单可以是用于提取物品的接收订单或用于投递物品的发送订单。例如:用户在互联网欲购买多件物品时,需确定包括接收者名称、接收者地址、物品信息等内容的接收订单向互联网服务方提交;用户欲投递多件物品,需填写包括发送者名称、发送者地址、接收者名称、接收者地址、物品信息等内容的发送订单向物流服务方提交。本发明即用于在用户提交接收订单或发送订单之前,预测用户接收或发送物品的方式向其推送,避免其遗忘选择收发方式,提升其体验度。
实际应用中,服务方设置大量的自助设施供用户使用,借助于自助设施,用户收发物品时可选择上门收发方式或自助方式。上门收发方式指的是传统的通过职业快递人员全程收发的方式,而在自助方式中:用户接收物品时,职业快递人员提前将物品放置于自助设施,用户自行到自助设施进行提取;用户发送物品时,自行将物品放置于自助设施,职业快递人员完成递送的其余过程。作为上门收发方式的有益补充,自助方式适用于物品为贵重品或易碎品、职业快递人员数量不足等情形。
可以理解的是,本发明实施例中的订单、用户、收发物品以及订单中的地址是相互关联的。其中,收发物品指的是接收或者发送物品。在订单为接收订单时:用户特指接收者,不是指发送者;收发物品指的是接收物品,订单中的地址是接收者地址。在订单为发送订单时:用户特指发送者,不是指接收者;收发物品指的是发送物品,订单中的地址是发送者地址。本发明的用户收发物品方式的预测方法可适用于用户通过接收订单接收物品的场景以及用户通过发送订单发送物品的场景。
特别地,在本发明实施例中,步骤S101中的订单信息指的是用户提交订单前,体现在该订单中的信息。用户标识数据用于将不同用户加以区别,实际应用中可采用用户设备的标识,如用户手机的国际移动设备身份码IMEI(International Mobile EquipmentIdentity)。具体场景中,订单信息可包括以下至少一种:订单标识数据、用户标识数据、订单金额数据、运费数据、总重量数据、总体积数据、地址数据、易碎物标记数据。示例性地,订单信息可如下表所示:
在上表中,第一列为订单标识数据,第二列为用户标识数据、第三、四列为订单金额数据,第五列为运费数据、第六列为总重量数据、第七列为总体积数据、第八列为地址数据、第九列为易碎物标记数据。在上述订单号为9的订单信息中:用户标识为3333,物品优惠前后的金额为2000元、1500元,运费40元,总重量为25KG,总体积为44体积单位,用户地址编号为1256,物品中含有易碎物。
用户属性信息可由业务数据库提供,其可包括以下至少一种:用户标识数据、性别数据、身份数据、历史交互数据。其中,身份数据可以是表征用户是否为校园用户的数据,历史交互数据可以是用户的历史交易数据。
例如:某用户的用户属性数据如下:
用户标识 | 是否校园用户 | 性别 | 交易次数 | 交易金额 |
3333 | 1 | 1 | 569 | 8963 |
在上表中,第一列为用户标识数据,第二列为身份数据,第三列为性别数据,第四、五列为历史交互数据。该标识为3333的用户为校园用户、男性、历史交易569次,交易金额8963元。
在本步骤中,将订单信息与用户属性信息中均含有的用户标识数据关联,即可获取对应于用户标识数据的用户属性数据。之后,将订单信息与获取到的用户属性信息输入预先建立的第一预测模型。
作为一个优选方案,第一预测模型可以是利用深度神经网络DNN(Deep NeuralNetwork)算法构建的数学模型。第一预测模型在使用前,利用从业务数据库中获取的大量训练数据进行训练从而建立。可以理解的是,本发明实施例中的每一数学模型的每一训练数据均含有待预测信息各维度的数据,且含有确定的用户收发物品的方式。同时,如果待预测信息增加了一个或多个维度的数据,则预测模型可采用增加该维度数据的训练数据重新训练。例如:上述第一预测模型采用的每一训练数据即含有订单信息与用户属性信息所有维度的数据以及确定的用户收发物品的方式。实际应用中,第一预测模型也可采用其它分类算法如随机森林算法等建立,本发明对此不作限制。
可以理解,本发明所使用的术语“第一”、“第二”等在本文中仅用于指示。举例而言,在不脱离本发明范围的情况下,可以将第一预测模型称为第二预测模型,也可以将第二预测模型称为第一预测模型,第一预测模型与第二预测模型都是预测模型,但二者不是同一预测模型。
在本步骤中,将订单信息与用户属性信息输入第一预测模型之后,可以计算出第一预测结果。较佳地,第一预测结果可以是:用户收发订单中物品的方式是自助方式的概率值。
为了进一步提高预测精度,在一可选实现方式中,可选取更多的与用户收发物品方式相关的信息作为第一预测模型的输入。具体地,可利用订单信息中的地址数据从业务数据库中获取对应于该地址数据的自助设施分布信息,将其输入第一预测模型。其中,自助设施分布信息可包括以下至少一种:以订单中地址为中心的预设范围内的自助设施数量、该范围内每一自助设施与订单中地址的距离。具体应用中,预设范围可以是圆形或矩形区域。
此外,在本发明实施例中,还可从业务数据库中获取与订单信息中的用户标识数据和地址数据对应的用户历史收发信息,将其输入第一预测模型。其中,用户历史收发信息可以是:预设时间间隔内用户使用以订单中地址为中心的预设范围内的自助设施的次数。
可以理解的是,对于第一预测模型来说,若其输入信息为订单信息、用户属性信息、自助设施分布信息以及用户历史收发信息,则第一预测模型建立时,需要利用包含上述四种信息所有维度的训练数据进行训练。
通过步骤S101,本发明可获取多种与用户收发物品方式相关的信息:订单信息、用户属性信息、自助设施分布信息以及用户历史收发信息,将其输入第一预测模型,从而计算出精度较高的用户收发物品方式的第一预测结果。
步骤S102:确定订单中包含的任一种物品的特征信息,将该特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果。
实际场景中,订单中一般包含多种物品,不同种类的物品可通过库存量单位SKU(Stock Keeping Unit)加以区别。在本步骤中,可针对订单中包含的任一种物品,从业务数据库获取其特征信息。较佳地,某种物品的特征信息可包括以下至少一种:该种物品的类别标识数据、单件物品的重量数据、单件物品的价格数据、单件物品的体积数据。特征信息可如下表所示:
类别 | 单件重量 | 单件价格 | 单件体积 |
56 | 5 | 98 | 8 |
在上表中:第一列为类别标识数据,第二列为单件物品的重量数据,第三列为单件物品的价格数据,第四列为单件物品的体积数据。表中物品的类别标识为56,单件重量为5KG,单件价格为98元,单件体积为8体积单位。
在本步骤中,获取到任一种物品的特征信息之后,将其输入预先建立的第二预测模型。其中,第二预测模型可以是利用深度神经网络DNN(Deep Neural Network)算法构建的数学模型。第二预测模型在使用前,利用从业务数据库中获取的大量训练数据进行训练从而得以建立。上述第二预测模型采用的每一训练数据含有特征信息所有维度的数据以及确定的用户收发物品的方式。实际应用中,第二预测模型也可采用其它分类算法如随机森林算法等建立,本发明对此不作限制。
在本步骤中,将订单中任一种物品的特征信息输入第二预测模型之后,可计算出基于该种物品的、用户收发物品方式的第二预测结果。第二预测结果可以是:用户收发订单中物品的方式是自助方式的概率值。
具体应用中,为了进一步提高预测精度,可将订单中包含的每一种物品均按照步骤S102处理,得到基于每一种物品的多个第二预测结果。
经过步骤S102,可以获得用户收发订单中物品方式在物品特征方面的第二预测结果,可以理解的是,具体执行时,步骤S102可在步骤S101之前、之后或同时执行。
步骤S103:结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
在本步骤中,可将前面获取的两方面的预测结果按照预设的判别策略加以融合,得到用户收发订单中物品方式的最终预测结果。
较佳地,实际应用中可执行以下判别策略:在第一预测结果中的概率值大于预设阈值如0.5,同时基于订单中每一种物品的第二预测结果中的概率值均大于预设阈值时,最终预测结果为自助方式;否则,最终预测结果为上门收发方式。
例如:订单中含有三种SKU的物品,其第二预测结果分别是:0.55、0.7、0.8,而第一预测结果为0.6,则最终预测结果为:用户收发订单中物品的方式是自助方式。若第一预测结果或者某一第二预测结果小于等于0.5,则最终预测结果为:用户收发订单中物品的方式是上门收发方式。
这样,在本步骤中通过设置合理的判别策略以融合两方面的预测结果,可实现预测精度的进一步提升。
在本发明实施例的技术方案中,可选取多个维度的相关数据分别输入预先建立的面向用户属性及订单详情的第一预测模型、以及面向订单中物品特征的第二预测模型,从两个方面全面考虑与用户收发物品方式有关的信息并加以融合,获得准确性较高的最终预测结果,将此结果向用户推送从而提升用户体验。
图2是本发明实施例中用户收发物品方式的预测装置的主要部分示意图。
如图2所示,本发明实施例的用户收发物品方式的预测装置200可包括:第一准备单元201、第二准备单元202以及预测单元203。其中:
第一准备单元201可用于获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;
第二准备单元202可用于确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;
预测单元203可用于结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
实际应用中,用户收发订单中物品的方式包括:上门收发方式与自助方式。
在本发明实施例中,第一预测结果和第二预测结果均可包括:用户收发订单中物品的方式是自助方式的概率值。
较佳地,第一准备单元201可进一步用于:确定订单信息中的地址数据对应的自助设施分布信息,将所述自助设施分布信息输入第一预测模型;其中,所述自助设施分布信息包括以下至少一种:以订单中地址为中心的预设范围内的自助设施数量、该范围内每一自助设施与订单中地址的距离。
作为一个优选方案,第一准备单元201可进一步用于:获取与订单信息中的用户标识数据和地址数据对应的用户历史收发信息,将所述用户历史收发信息输入第一预测模型;其中,所述用户历史收发信息包括:用户使用以订单中地址为中心的预设范围内的自助设施的次数。
具体应用中,预测单元203可进一步用于:在第一预测结果中的概率值大于预设阈值、且基于订单中每一种物品的第二预测结果中的概率值均大于预设阈值时,最终预测结果为自助方式;否则,最终预测结果为上门收发方式。
示例性地,所述预设阈值是0.5。
此外,在本发明实施例中,所述订单信息进一步包括以下至少一种:订单金额数据、运费数据、总重量数据、总体积数据、易碎物标记数据;所述用户属性信息包括以下至少一种:性别数据、身份数据、历史交互数据;所述特征信息包括以下至少一种:物品的类别标识数据、单件物品的重量数据、单件物品的价格数据、单件物品的体积数据。以及,订单具体可为:接收订单或发送订单;在订单为接收订单时,用户为接收者,订单中的地址为接收者地址;在订单为发送订单时,用户为发送者,订单中的地址为发送者地址。第一预测模型与第二预测模型均为深度神经网络DNN模型。
在本发明实施例的技术方案中,可选取多个维度的相关数据分别输入预先建立的面向用户属性及订单详情的第一预测模型、以及面向订单中物品特征的第二预测模型,从两个方面全面考虑与用户收发物品方式有关的信息并加以融合,获得准确性较高的最终预测结果,将此结果向用户推送从而提升用户体验。
图3示出了可以应用本发明实施例的用户收发物品方式的预测方法或用户收发物品方式的预测装置的示例性***架构300。
如图3所示,***架构300可以包括终端设备301、302、303,网络304和服务器305(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的用户收发物品方式的预测方法一般由服务器305执行,相应地,用户收发物品方式的预测装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的用户收发物品方式的预测方法。
下面参考图4,其示出了适于用来实现本发明实施例的电子设备的计算机***400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机***400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有计算机***400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元401执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,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,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以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,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一准备单元、第二准备单元以及预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一准备单元还可以被描述为“向预测单元发送第一预测结果的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;以及,结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
在本发明实施例的技术方案中,可选取多个维度的相关数据分别输入预先建立的面向用户属性及订单详情的第一预测模型、以及面向订单中物品特征的第二预测模型,从两个方面全面考虑与用户收发物品方式有关的信息并加以融合,获得准确性较高的最终预测结果,将此结果向用户推送从而提升用户体验。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (13)
1.一种用户收发物品方式的预测方法,其特征在于,包括:
获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;
确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;以及
结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
2.根据权利要求1所述的方法,其特征在于,用户收发订单中物品的方式包括:上门收发方式与自助方式。
3.根据权利要求2所述的方法,其特征在于,第一预测结果和第二预测结果均包括:用户收发订单中物品的方式是自助方式的概率值。
4.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
确定订单信息中的地址数据对应的自助设施分布信息,将所述自助设施分布信息输入第一预测模型;
其中,所述自助设施分布信息包括以下至少一种:以订单中地址为中心的预设范围内的自助设施数量、该范围内每一自助设施与订单中地址的距离。
5.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
获取与订单信息中的用户标识数据和地址数据对应的用户历史收发信息,将所述用户历史收发信息输入第一预测模型;
其中,所述用户历史收发信息包括:用户使用以订单中地址为中心的预设范围内的自助设施的次数。
6.根据权利要求3所述的方法,其特征在于,所述结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果包括:
在第一预测结果中的概率值大于预设阈值、且基于订单中每一种物品的第二预测结果中的概率值均大于预设阈值时,最终预测结果为自助方式;否则,最终预测结果为上门收发方式。
7.根据权利要求6所述的方法,其特征在于,所述预设阈值是0.5。
8.根据权利要求1-7任一所述的方法,其特征在于,
所述订单信息进一步包括以下至少一种:订单金额数据、运费数据、总重量数据、总体积数据、易碎物标记数据;
所述用户属性信息包括以下至少一种:性别数据、身份数据、历史交互数据;
所述特征信息包括以下至少一种:物品的类别标识数据、单件物品的重量数据、单件物品的价格数据、单件物品的体积数据。
9.根据权利要求1-7任一所述的方法,其特征在于,
订单具体为:接收订单或发送订单;以及
在订单为接收订单时,用户为接收者,订单中的地址为接收者地址;
在订单为发送订单时,用户为发送者,订单中的地址为发送者地址。
10.根据权利要求1-7任一所述的方法,第一预测模型与第二预测模型均为深度神经网络DNN模型。
11.一种用户收发物品方式的预测装置,其特征在于,包括:
第一准备单元,用于获取订单信息中的用户标识数据对应的用户属性信息,将所述订单信息和所述用户属性信息输入预先建立的第一预测模型,得到用户收发订单中物品方式的第一预测结果;
第二准备单元,用于确定订单中包含的任一种物品的特征信息,将所述特征信息输入预先建立的第二预测模型,得到基于该种物品的、用户收发订单中物品方式的第二预测结果;以及
预测单元,用于结合第一预测结果和第二预测结果,获得用户收发订单中物品方式的最终预测结果。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810153846.7A CN110188908A (zh) | 2018-02-22 | 2018-02-22 | 用户收发物品方式的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810153846.7A CN110188908A (zh) | 2018-02-22 | 2018-02-22 | 用户收发物品方式的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188908A true CN110188908A (zh) | 2019-08-30 |
Family
ID=67704634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810153846.7A Pending CN110188908A (zh) | 2018-02-22 | 2018-02-22 | 用户收发物品方式的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188908A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488199A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 物流配送方式预测方法、***、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160502A (zh) * | 2015-07-01 | 2015-12-16 | 浪潮集团有限公司 | 一种基于云计算的快递配送装置及方法 |
WO2017035970A1 (zh) * | 2015-08-31 | 2017-03-09 | 北京百度网讯科技有限公司 | 信息推送的方法和装置 |
CN107248012A (zh) * | 2017-06-08 | 2017-10-13 | 北京惠赢天下网络技术有限公司 | 配送订单的处理方法、装置及终端设备 |
CN107301576A (zh) * | 2016-04-14 | 2017-10-27 | 苏宁云商集团股份有限公司 | 一种订单信息的处理方法及*** |
CN107330647A (zh) * | 2017-05-18 | 2017-11-07 | 中科富创(北京)科技有限公司 | 快递调度方法、存储设备、处理*** |
CN107341640A (zh) * | 2017-07-14 | 2017-11-10 | 递易(上海)智能科技有限公司 | 一种工作站快递派件方法 |
CN107622369A (zh) * | 2017-09-29 | 2018-01-23 | 绿源美味(天津)网络科技有限公司 | 一种快递寄件方法 |
-
2018
- 2018-02-22 CN CN201810153846.7A patent/CN110188908A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160502A (zh) * | 2015-07-01 | 2015-12-16 | 浪潮集团有限公司 | 一种基于云计算的快递配送装置及方法 |
WO2017035970A1 (zh) * | 2015-08-31 | 2017-03-09 | 北京百度网讯科技有限公司 | 信息推送的方法和装置 |
CN107301576A (zh) * | 2016-04-14 | 2017-10-27 | 苏宁云商集团股份有限公司 | 一种订单信息的处理方法及*** |
CN107330647A (zh) * | 2017-05-18 | 2017-11-07 | 中科富创(北京)科技有限公司 | 快递调度方法、存储设备、处理*** |
CN107248012A (zh) * | 2017-06-08 | 2017-10-13 | 北京惠赢天下网络技术有限公司 | 配送订单的处理方法、装置及终端设备 |
CN107341640A (zh) * | 2017-07-14 | 2017-11-10 | 递易(上海)智能科技有限公司 | 一种工作站快递派件方法 |
CN107622369A (zh) * | 2017-09-29 | 2018-01-23 | 绿源美味(天津)网络科技有限公司 | 一种快递寄件方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488199A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 物流配送方式预测方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019095883A1 (zh) | 信息生成方法和装置 | |
CN109003028A (zh) | 用于划分物流区域的方法和装置 | |
CN107105031A (zh) | 信息推送方法和装置 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN109063935B (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN107909261A (zh) | 订单推送方法和装置 | |
CN107908666A (zh) | 一种识别设备标识的方法和装置 | |
CN110371560A (zh) | 自动盘点的方法和装置 | |
CN107463675B (zh) | 数据处理方法及其*** | |
CN111311147B (zh) | 包装箱回收方法、客户端、服务端和*** | |
CN107506958A (zh) | 信息生成方法、介质、***和计算设备 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN109684624A (zh) | 一种自动识别订单地址路区的方法和装置 | |
CN110858347A (zh) | 一种用于物流配送分单的方法和装置 | |
CN109961306A (zh) | 一种物品的库存分配方法和装置 | |
CN109961299A (zh) | 数据分析的方法和装置 | |
CN110304385A (zh) | 一种仓库上架方法和装置 | |
CN107908662A (zh) | 搜索***的实现方法和实现装置 | |
CN110276065A (zh) | 一种处理物品评论的方法和装置 | |
CN109345166A (zh) | 用于生成信息的方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN110232487A (zh) | 一种任务分派方法和装置 | |
CN109902986A (zh) | 用于输出信息的方法和装置 | |
CN109784407A (zh) | 确定表字段的类型的方法和装置 | |
KR101410873B1 (ko) | 지도 기반의 택배 물품 위치 조회 시스템 및 방법 |
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 |