CN112801690A - 一种干预特征的确定方法和装置 - Google Patents
一种干预特征的确定方法和装置 Download PDFInfo
- Publication number
- CN112801690A CN112801690A CN202011624616.8A CN202011624616A CN112801690A CN 112801690 A CN112801690 A CN 112801690A CN 202011624616 A CN202011624616 A CN 202011624616A CN 112801690 A CN112801690 A CN 112801690A
- Authority
- CN
- China
- Prior art keywords
- service
- intervention
- determining
- order
- order conversion
- 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 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 179
- 230000001364 causal effect Effects 0.000 claims abstract description 147
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 33
- 230000014759 maintenance of location Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种干预特征的确定方法和装置，该确定方法包括：获取关于目标双端服务的多个阶段的服务信息；对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转换指标具有因果关系的干预特征；针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。根据所述确定方法和装置，可以获取到更加准确的影响用户体验的倾向性特征。
Description
技术领域
本申请涉及双端服务技术领域，具体而言，涉及一种干预特征的确定方法和装置。
背景技术
随着互联网技术的迅猛发展，双端服务已在人群中得到了广泛的应用，能否保留住用户的商业价值以提高服务订单的成交率，是衡量双端服务能否稳定发展的关键因素之一，而用户的商业价值最直接的量化体现的就是用户体验指标，即，用户忠诚度。高质量的用户忠诚度有利于服务订单的促成。
目前，一般衡量双端服务的用户忠诚度的方式是采取与用户忠诚度具有相关性的参考因素来进行判断的，例如，在用户忠诚度为用户留存率时，可根据当月用户使用双端服务的活跃天数来判断次月的用户留存率。但是，由于影响用户是否对双端服务忠诚的参考因素往往是多样的，且每个参考因素影响用户忠诚度的路径极其复杂，仅根据相关性来确定出的影响用户忠诚度的参考因素的准确度不高，而在双端服务中，准确度不高的参考因素往往会导致向服务请求方推荐的服务提供方的准确性下降，进而影响服务订单的成交率。
发明内容
有鉴于此，本申请的目的在于提供一种干预特征的确定方法和装置，可以通过因果推断的方式定量确定出与用户体验相关的订单转换指标具有因果关系的干预特征，并确定出影响用户体验的倾向性特征，依据该倾向性特征对可提供目标双端服务的服务提供方的进行筛选，从而提高了向服务请求方推荐的服务提供方的准确性，提高了服务订单的成交的可能性。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供干预特征的确定方法，所述确定方法包括：获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况；对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征；针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
在一种可能的实施方式中，所述目标双端服务是出行服务，所述确定方法还包括：
响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
在一种可能的实施方式中，所述目标双端服务是外卖配送服务，所述确定方法还包括：
响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
在一种可能的实施方式中，所述对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征的步骤，包括：
构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图，其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点；
获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息；
将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
在一种可能的实施方式中，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径；
确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径；
基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
构建第一初始线性模型、第二初始线性模型和第三初始线性模型，其中，所述第一初始线性模型表征所述订单转化指标和对应的约束条件之间的线性关系；所述第二初始线性模型表征该干预特征和对应的约束条件之间的线性关系；所述第三初始线性模型表征该干预特征、所述订单转化指标和对应的约束条件之间的线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型，
基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型；
基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征的步骤，包括：
将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序；
选取指定排名下的影响程度对应的干预特征作为目标干预特征。
在一种可能的实施方式中，所述订单转化指标包括以下项中的任意一项：用户留存率、用户满意度和用户净推荐值。
第二方面，本申请实施例还提供一种干预特征的确定装置，所述确定装置包括：
获取模块，获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况；
分析模块，对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征；
确定模块，针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；
筛选模块，根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
在一种可能的实施方式中，所述确定装置还包括：
服务提供方确定模块，响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方；
推送模块，向所述服务请求方推送筛选出的服务提供方。
在一种可能的实施方式中，所述确定装置还包括：
服务提供方确定模块，响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方；
推送模块，向所述服务请求方推送筛选出的服务提供方。
在一种可能的实施方式中，分析模块，具体用于：
构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图，其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点；
获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息；
将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
在一种可能的实施方式中，所述确定模块，具体用于：
确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径；
确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径；
基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定模块，具体用于：
构建第一初始线性模型、第二初始线性模型和第三初始线性模型，其中，所述第一初始线性模型表征所述订单转化指标和对应的约束条件之间的线性关系；所述第二初始线性模型表征该干预特征和对应的约束条件之间的线性关系；所述第三初始线性模型表征该干预特征、所述订单转化指标和对应的约束条件之间的线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型，
基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定模块，具体用于：
构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型；
基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述筛选模块，具体用于：
将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序；
选取指定排名下的影响程度对应的干预特征作为目标干预特征。
在一种可能的实施方式中，所述订单转化指标包括以下项中的任意一项：用户留存率、用户满意度和用户净推荐值。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的干预特征的确定方法的步骤。
第四方面，本申请实施例还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运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的干预特征的确定方法的步骤。
本申请实施例提供的干预特征的确定方法，通过在获取关于目标双端服务的多个阶段的服务信息时，对服务信息进行因果分析，以从多个阶段的服务信息中选择出订单转换指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征，这样，可以获取到更加准确的影响用户体验的倾向性特征。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种干预特征的确定方法的流程图；
图2示出了本申请实施例所提供的选择干预特征的步骤的流程图；
图3示出了本申请实施例所提供的因果关系图的示例；
图4示出了本申请实施例所提供的一种干预特征的确定装置的结构示意图；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“干预特征的确定”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行干预特征的确定的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的干预特征的确定方法及装置的方案均在本申请保护范围内。
需要说明的是，双端服务是指云服务平台将服务请求方所下达的服务订单分配给指定的服务提供方，由指定的服务提供方为服务请求方所提供的服务。这里，作为示例，双端服务可以包括但不限于任意一个终端设备上安装的应用程序中所提供的服务，例如，出行服务(即，在线打车服务)、外卖配送服务等，此外，双端服务还可以是任意一个终端设备上安装的综合类应用程序中所提供的服务下的子服务，例如，出行服务下的拼车服务、顺风车服务等。这里，本申请中的术语“服务请求方”可以指代请求双端服务或订购双端服务的个人、实体或工具。本申请中的术语“服务提供方”指代可以提供双端服务的个人、实体或工具。本申请中的术语“服务请求”和“服务订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“服务订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
通常，双端服务的执行流程为：云服务平台建立服务提供方和服务请求方之间的关联关系，云服务平台接收服务请求方向云服务平台下达的服务订单请求，响应于该服务订单请求为服务请求方筛选可提供服务的优选的服务提供方，并将服务订单分配给筛选出的优选的服务提供方，由该优选的服务提供方为服务请求方提供服务，以完成该服务订单。
值得注意的是，在本申请提出之前，在双端服务领域，为了提高服务订单的成交率，通常会选择一个参考因素或多个参考因素的组合作为筛选条件，来筛选出为服务请求方提供双端服务的优选的服务提供方。通常，筛选条件是通过构建在云服务平台的评价体系模型来获取的，例如，评价体系模型可将获取到的与用户忠诚度(即，用户体验)具有相关性的因素作为参考因素，然而，由于影响用户是否对双端服务忠诚的参考因素往往是多样的，且每个参考因素影响用户忠诚度的路径极其复杂，仅根据相关性来确定出的影响用户忠诚度的参考因素的准确度不高，而在双端服务中，准确度不高的参考因素往往会导致向服务请求方推荐的优选的服务提供方的准确性下降，进而影响服务订单的成交率。
针对上述问题，本申请实施例通过在获取关于目标双端服务的多个阶段的服务信息时，对所述多个阶段的服务信息进行因果分析，以从所述多个阶段的服务信息中选择出与订单转化指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。这样，可以通过因果推断的方式定量分析影响用户体验的干预特征，并确定出影响用户体验的倾向性特征，得到更加准确的干预特征。
针对上述问题，本申请实施例通过在获取关于目标双端服务的多个阶段的服务信息时，对服务信息进行因果分析，以从多个阶段的服务信息中选择出订单转换指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征，这样，可以获取到更加准确的影响用户体验的倾向性特征。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
图1为本申请实施例所提供的一种干预特征的确定方法的流程图，执行干预特征的确定方法的装置可以为服务器或者云服务平台，下面以云服务平台为执行主体，对本申请中的干预特征的确定方法进行阐述。如图1所示，本申请实施例提供的干预特征的确定方法，包括以下步骤：
S101：获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况。
在具体实施中，云服务平台可获取过去的预定时间段内执行的目标双端服务的历史服务订单在服务订单被执行的不同阶段的服务订单执行情况。以目标双端服务为在线打车服务为例，云服务平台可获取在线打车服务的历史服务订单在被执行的某些阶段(例如，应答阶段、接驾阶段和送驾阶段)的服务订单执行情况，具体地，多个阶段的服务信息可通过在上述不同的阶段产生的数据来表征。在该示例中，多个阶段的服务信息可以是服务订单在被执行的不同阶段产生的数据，例如，在应答阶段产生的应答时长数据、应答前取消数据等；在接驾阶段产生的接驾时长数据、应答后取消数据等；在送驾阶段产生的绕路时长数据、司机服务评分数据等。
S102：对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转换指标具有因果关系的干预特征。
需要说明的是，订单转换指标是与服务订单转化相关的指标，是用于体现用户对双端服务的忠诚度，这里，服务订单转化可以表征服务订单的完成情况，例如，服务订单成交、服务订单取消、服务订单更新等，服务订单转化可以用于衡量用户对目标双端服务的认可程度，例如，尽可能多的服务订单被完成指示出用户较多的使用双端服务，对双端服务的认可程度较高；较多的服务订单被取消指示用户对双端服务的认可程度不高或者对双端服务的某个阶段的服务存在缺陷。
这里，所述订单转化指标可以包括但不限于以下项中的任意一项：用户留存率、用户满意度和用户净推荐值。
具体地讲，用户留存率可以表示用户在双端服务中留存的概率，往往体现了双端服务的质量和保留用户的能力。例如，可根据当月用户使用双端服务的活跃天数来判断次月的用户留存率，用户留存率高指示使用双端服务的天数较多，进而体现出双端服务的质量较高，且具备的保留用户的能力越高，保留用户的能力越高，相应的服务订单的成交可能越大。
用户满意度用于测量用户对双端服务和双端服务的交互的满意程度。例如，可以通过服务提供方历史完成的服务订单的好评率来获取到用户对双端服务的满意程度。用户的满意度越高，体现双端服务的质量越高，且具备的保留用户的能力越高，保留用户的能力越高，相应的服务订单的成交可能越大。
用户净推荐值表示用户为其他人推荐双端服务的可能性。例如，可根据用户分享双端服务的安装链接的成功率来确定用户净推荐值。用户净推荐值越高，体现双端服务的质量越高，且具备的保留用户的能力越高，保留用户的能力越高，相应的服务订单的成交可能越大。
进一步地，下面将结合图2，对选择与订单转换指标具有因果关系的干预特征的过程进行阐述，也即，根据以下步骤确定订单转换指标具有因果关系的干预特征：
S201：构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图。其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点。
需要说明的是，可通过现有的任何方式构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图。例如，通过构建贝叶斯网络结构从数据中学习因果图谱，以建立出包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图。上述方式仅是示例性的，还可通过其他方式建立因果关系图，本发明在此不做任何限定。
S202：获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息。
S203：将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
图3示出了本申请实施例所提供的因果关系图的示例，在该示例中，多个阶段的服务信息对应的节点为节点A、节点B、节点C、节点D、节点E和节点F，所述订单转化指标对应的节点为节点Y，其中，节点之间的边表示两个节点之间存在因果关系，边的指向表示终止节点对应的信息依赖于边的起始节点的信息来产生，即，边的终止节点受边的起始节点的影响。参照图3可以看出，节点Y作为终止节点，与节点Y具有因果关系的节点为节点A、节点B、节点C和节点D，与节点Y不具有因果关系的节点为节点E和节点F。因此，可分别将节点A、节点B、节点C和节点D对应的服务信息确定为与所述订单转换指标具有因果关系的干预特征。
返回参照图1，S103：针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度。
在具体实施中，存在三种针对干预特征对服务订单转化的影响程度的方式。
在第一个示例中，可以根据以下步骤确定该类干预特征对服务订单转化的影响程度：
首先，确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径。
需要说明的是，因果关系图中两个节点之间通过一条有向边连接，该两个节点中的起始节点直接影响终止节点，连接两个节点的边的通路为该两个节点的直接因果路径，即两个节点对应的信息之间的直接因果路径。例如，以该类干预特征对应于图3所示的因果关系图中节点D为例，节点D作为起始节点通过边直接指向终止节点Y，则节点D对应的该干预特征直接影响所述订单转换指标，连接节点D到节点Y的边的通路为节点D到节点Y的直接因果路径。
然后，确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径。
需要说明的是，在因果关系图中两个节点之间通过至少两条有向边连接时，则该两个节点中的起始节点间接影响终止节点，连接两个节点的边的通路为该两个节点的间接因果路径，即两个节点对应的信息的间接因果路径。例如，以该类干预特征对应于图3所示的因果关系图中节点D为例，节点D作为起始节点通过边直接指向作为终止节点的节点A，而节点A作为起始节点通过边直接指向作为终止节点的节点Y，可见，节点D对应的该干预特征间接影响所述订单转换指标，连接节点D到节点Y的边的通路为节点D到节点A的边和节点A到节点Y的边，则节点D到节点A的边和节点A到节点Y的边共同作为节点D到节点Y的间接因果路径。
最后，基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
需要说明的是，边的权重为在起始节点对应的信息干预下，结束节点对应的信息所对应的事件发生的概率。例如，可以通过节点对应的信息之间的量化数据，来确定两个节点之间的边的权重。以目标双端服务为在线打车服务为例，起始节点对应的信息为“接驾时长”，终止节点对应的信息为“用户留存率”，可以通过估计在给定的“接驾时长”为A的条件下，“用户留存率”Y等于用户留存率的参考值y1时，用户继续使用在线打车服务的事件发生的概率来确定连接这两个节点的边的权重。
需要说明的是，在获取到直接因果路径和间接因果路径后，可以直接将直接因果路径对应的边的权重和间接因果路径对应的边的权重进行聚合处理，并将聚合处理后得到的权重作为该类干预特征对服务订单转化的影响程度。这里，由于边的权重为在起始节点对应的信息干预下，结束节点对应的信息所对应的事件发生的概率，因此聚合处理后得到的权重(即，该类干预特征对服务订单转化的影响程度)也为量化的具体数值。
在第二个示例中，根据以下步骤确定该类干预特征对服务订单转化的影响程度：
首先，构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系。
在具体实施中，构建的第一初始线性模型、第二初始线性模型和第三初始线性模型如下所示：
第一初始线性模型：
Yi＝α1i+β1iXi+ε1i，
其中，Yi表示针对用户i的订单转换指标，α1i、β1i和ε1i表示第一初始线性模型的模型系数，Xi表示针对用户i的约束条件，i表示用户。
第二初始线性模型：
Mi＝α2i+β2iXi+ε2i，
其中，Mi表示针对用户i的干预特征，α2i、β2i和ε2i表示第二初始线性模型的模型系数，Xi表示针对用户i的约束条件，i表示用户。
第三初始线性模型：
Yi＝α3i+β3iXi+γMi+ε3i，
其中，Yi表示针对用户i的订单转换指标，Mi表示针对用户i的干预特征，α3i、β3i、γ和ε3i表示第三初始线性模型的模型系数，Xi表示针对用户i的约束条件，i表示用户。
然后，获取关于目标双端服务的多个阶段的历史服务信息。
接下来，将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型。
在具体实施中，在构建了第一初始线性模型、第二初始线性模型和第三初始线性模型之后，可以获取关于目标双端服务的多个阶段的历史服务信息，该历史服务信息可包括使用目标双端服务的目标用户群体集合中的每个用户对应的历史服务信息，从每个用户的历史服务信息中筛选出干预特征、订单转换指标以及约束条件，针对任意一个用户的不同服务订单，将该不同服务订单中筛选出的干预特征订单转换指标以及约束条件对应的量化值分别代入第一初始线性模型、第二初始线性模型和第三初始线性模型中，使用最小二乘法，可以获取到针对该用户的第一初始线性模型、第二初始线性模型和第三初始线性模型的模型系数，将获取的模型系数分别代入相应的初始模型，即可获取到第一初始线性模型、第二初始线性模型和第三初始线性模型的真实模型，即第一线性模型、第二线性模型和第三线性模型。
最后，基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
在具体实施时，在上述的实现过程中获取到β1i和β3i的情况下，可以计算β1i-β3i的值，即可得到针对用户i，干预特征M对服务订单转化的影响程度。相应地，可以使用相同的方式获取到针对目标用户群体集合中的每个用户，干预特征M对服务订单转化的影响程度。将针对目标用户群体集合中的所有用户获取的干预特征M对服务订单转化的影响程度取平均值，即获得针对目标用户群体集合的干预特征M对服务订单转化的影响程度。
在第三个示例中，根据以下步骤确定该类干预特征对服务订单转化的影响程度：
首先，构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系。
在具体实施中，构建的第一初始非线性模型和第二非线性模型如下所示：
第一初始非线性模型：
Mi(Ti)＝Pr(Mi＝1|Ti，Xi)＝logit-1(α4i+β4iXi+ε4i)，
其中，Mi表示针对用户i的干预特征，Mi为二分类变量，Mi＝1表示对用户i进行干预，Mi＝0表示对用户i不进行干预，Pr(Mi＝1|Ti，Xi)表示在Pr函数下，变量为Ti，Xi的关于Mi的非线性模型，Xi表示针对用户i的约束条件，Ti表示用户i是否受干预特征Mi干预，Ti为二分类变量，Ti＝1表示用户i受干预特征Mi干预，Ti＝0表示用户i不受干预特征Mi干预，i表示用户。
第二初始非线性模型：
Yi(Ti，M(Ti))＝Pr(Yi＝1|Ti，Mi，Xi)＝log it-1(α5i+β5iXi+γMi+ε5i)，
其中，Mi表示针对用户i的干预特征，Mi为二分类变量，Mi＝1表示对用户i进行干预，Mi＝0表示对用户i不进行干预，Pr(Yi＝1|Ti，Mi，Xi)表示在Pr函数下，变量为Ti，Xi，Mi的关于Yi的非线性模型，Xi表示针对用户i的约束条件，Ti表示用户i是否受干预特征Mi干预，Ti为二分类变量，Ti＝1表示用户i受干预特征Mi干预，Ti＝0表示用户i不受干预特征Mi干预，Yi表示针对用户i的订单转换指标，i表示用户。
然后，获取关于目标双端服务的多个阶段的历史服务信息。
接下来，将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型。
在具体实施中，在构建了第一初始非线性模型和第二初始非线性模型之后，可以获取关于目标双端服务的多个阶段的历史服务信息，该历史服务信息可包括使用目标双端服务的目标用户群体集合中的每个用户对应的历史服务信息，从每个用户的历史服务信息中筛选出干预特征、订单转换指标以及约束条件，针对任意一个用户的不同服务订单，将该不同服务订单中筛选出的干预特征订单转换指标以及约束条件对应的量化值分别代入第一初始非线性模型和第二初始非线性模型中，使用梯度下降法，可以获取到针对该用户的第一初始非线性模型和第二初始非线性模型的模型系数，将获取的模型系数分别代入相应的模型，即可获取到第一初始非线性模型和第二初始非线性模型的真实模型，即，第一非线性模型、第二非线性模型和第三非线性模型。
最后，基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
在具体实施时，在上述的实现过程中获取到Mi(Ti)和Yi(Ti，M(Ti))的情况下，可以计算δi(Ti)＝Yi(Ti，M(1))-Yi(Ti，M(0))的值，即可得到针对用户i，干预特征Mi对服务订单转化的影响程度δi(Ti)。相应地，可以使用相同的方式获取到针对目标用户群体集合中的每个用户，干预特征M对服务订单转化的影响程度。将针对目标用户群体集合中的所有用户获取的干预特征M对服务订单转化的影响程度取平均值，即获得干预特征M对服务订单转化的影响程度。
返回参照图1，S104：根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
在具体实施中，可以将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序，然后选取指定排名下的影响程度对应的干预特征作为目标干预特征。
例如，可在将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序后中的第一名的影响程度对应的干预特征作为目标干预特征。
本申请实施例中，通过在获取关于目标双端服务的多个阶段的服务信息时，对服务信息进行因果分析，以从多个阶段的服务信息中选择出订单转换指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征，这样，可以获取到更加准确的影响用户体验的倾向性特征。
此外，在选择出目标干预特征之后，在本申请的一个优选示例中，所述干预特征的确定方法除了包括S101、S102、S103和S104之外，在S104之后，在所述目标双端服务是出行服务的情况下，所述干预特征的确定方法还附加地包括以下步骤(在图1中未示出)：
步骤(A)：响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方。
在具体实施时，如果服务请求方向云服务平台发送针对出行服务的出行服务请求，云服务平台在接收到该出行服务请求后，会将选择出的目标干预特征作为筛选条件对能够提供出行服务的服务提供端进行筛选，并从中筛选出能够为服务请求方提供出行服务的最优选的服务提供方。
步骤(B)：向所述服务请求方推送筛选出的服务提供方。
在具体实施时，可向所述服务请求方推送筛选出的服务提供方，以完成该服务订单。
例如，在出行服务为在线打车服务、订单转换指标为用户留存率时，云服务平台可获取关于在线打车服务的多个阶段的服务信息，例如，在应答阶段产生的应答时长数据、应答前取消数据等；在接驾阶段产生的接驾时长数据、应答后取消数据等；在送驾阶段产生的绕路时长数据、司机服务评分数据。云服务平台对上述服务信息进行因果分析，并从中选择出与“用户留存率”具有因果关系的干预特征“应答时长”和“接驾时长”，确定“应答时长”对“用户留存率”的影响程度和“接驾时长”对“用户留存率”的影响程度，其中，经比较，“应答时长”对“用户留存率”的影响程度大于“接驾时长”对“用户留存率”的影响程度，此时，可将“应答时长”确定为目标干扰特征。终端设备(服务请求方)响应于乘客在终端设备上安装的出行应用程序中的打车界面下输入出发地、目的地、出发时间、行程人数等信息来产生服务订单，并将服务订单发送至云服务平台，云服务平台响应于该服务订单筛选能够完成该服务订单的网约车(即，服务提供方)，在筛选的过程中，可将“应答时长”作为筛选条件之一来筛选能够完成该服务订单的网约车，例如，可将“应答时长”最短的网约车作为提供出行服务的最优选的网约车。同时，云服务平台可向乘客推送将“应答时长”最短的网约车来完成该出行订单。
此外，在选择出目标干预特征之后，在本申请的另一个优选示例中，所述干预特征的确定方法除了包括S101、S102、S103和S104之外，在S104之后，在所述目标双端服务是外卖配送服务的情况下，所述干预特征的确定方法还附加地包括以下步骤(在图1中未示出)：
步骤(a)：响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方。
在具体实施时，如果服务请求方向云服务平台发送针对外卖配送服务的出行服务请求，云服务平台在接收到该外卖配送请求后，会将选择出的目标干预特征作为筛选条件对能够提供外卖配送服务的服务提供端进行筛选，并从中筛选出能够为服务请求方提供外卖配送服务的最优选的服务提供方。
步骤(b)：向所述服务请求方推送筛选出的服务提供方。
在具体实施时，可向所述服务请求方推送筛选出的服务提供方，以完成该服务订单。
例如，在出行服务为外卖配送服务、订单转换指标为用户留存率时，云服务平台可获取关于外卖配送服务的多个阶段的服务信息，例如，在应答阶段产生的应答时长数据、应答前取消数据等；在接单阶段产生的接单时长数据、应答后取消数据、距商家距离等；在送单阶段产生的送单时长数据、外卖员服务评分数据。云服务平台对上述服务信息进行因果分析，并从中选择出与“用户留存率”具有因果关系的干预特征“接单时长”和“应答后取消”，确定“接单时长”对“用户留存率”的影响程度和“应答后取消”对“用户留存率”的影响程度，其中，经比较，“接单时长”对“用户留存率”的影响程度大于“应答后取消”对“用户留存率”的影响程度，此时，可将“接单时长”确定为目标干扰特征。终端设备(服务请求方)响应于用户在终端设备上安装的外卖应用程序中的外卖下单界面下输入选择的商品、配送地点和配送时间等信息后支付订单来产生服务订单，并将服务订单发送至云服务平台，云服务平台响应于该服务订单筛选能够完成该服务订单的外卖配送员(即，服务提供方)，在筛选的过程中，可将“接单时长”作为筛选条件之一来筛选能够完成该服务订单的外卖配送员，例如，可将“接单时长”最短的外卖配送员作为提供出行服务的最优选的外卖配送员。同时，云服务平台可向用户推送将“接单时长”最短的外卖配送员来完成该出行订单。
通过这种方式，可以通过因果推断的方式定量确定出与用户体验相关的订单转换指标具有因果关系的干预特征，并确定出影响用户体验的倾向性特征，依据该倾向性特征对可提供目标双端服务的服务提供方的进行筛选，从而提高了向服务请求方推荐的服务提供方的准确性，提高了服务订单的成交的可能性。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的干预特征的确定方法对应的干预特征的确定装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例的干预特征的确定方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图4示出了本申请实施例所提供的一种干预特征的确定装置的结构示意图。
如图4所示，确定装置400包括：
获取模块401，获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况。
在具体实施中，获取模块401可获取过去的预定时间段内执行的目标双端服务的历史服务订单在服务订单被执行的不同阶段的服务订单执行情况。
分析模块402，对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征。
需要说明的是，订单转换指标是与服务订单转化相关的指标，是用于体现用户对双端服务的忠诚度，这里，服务订单转化可以表征服务订单的完成情况，例如，服务订单成交、服务订单取消、服务订单更新等，服务订单转化可以用于衡量用户对目标双端服务的认可程度，例如，尽可能多的服务订单被完成指示出用户较多的使用双端服务，对双端服务的认可程度较高；较多的服务订单被取消指示用户对双端服务的认可程度不高或者对双端服务的某个阶段的服务存在缺陷。
在一种可能的实施方式中，所述订单转化指标可以包括但不限于以下项中的任意一项：用户留存率、用户满意度和用户净推荐值。
在一种可能的实施方式中，分析模块402，具体用于：
构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图，其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点。
需要说明的是，可通过现有的任何方式构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图。例如，通过构建贝叶斯网络结构从数据中学习因果图谱，以建立出包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图。上述方式仅是示例性的，还可通过其他方式建立因果关系图，本发明在此不做任何限定。
获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息。
将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
确定模块403，针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定模块403，具体用于：
确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径。
需要说明的是，因果关系图中两个节点之间通过一条有向边连接，该两个节点中的起始节点直接影响终止节点，连接两个节点的边的通路为该两个节点的直接因果路径，即两个节点对应的信息之间的直接因果路径。
确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径。
需要说明的是，在因果关系图中两个节点之间通过至少两条有向边连接时，则该两个节点中的起始节点间接影响终止节点，连接两个节点的边的通路为该两个节点的间接因果路径，即两个节点对应的信息的间接因果路径。
基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
需要说明的是，边的权重为在起始节点对应的信息干预下，结束节点对应的信息所对应的事件发生的概率。在获取到直接因果路径和间接因果路径后，可以直接将直接因果路径对应的边的权重和间接因果路径对应的边的权重进行聚合处理，并将聚合处理后得到的权重作为该类干预特征对服务订单转化的影响程度。这里，由于边的权重为在起始节点对应的信息干预下，结束节点对应的信息所对应的事件发生的概率，因此聚合处理后得到的权重(即，该类干预特征对服务订单转化的影响程度)也为量化的具体数值。
在一种可能的实施方式中，所述确定模块403，具体用于：
构建第一初始线性模型、第二初始线性模型和第三初始线性模型，其中，所述第一初始线性模型表征所述订单转化指标和对应的约束条件之间的线性关系；所述第二初始线性模型表征该干预特征和对应的约束条件之间的线性关系；所述第三初始线性模型表征该干预特征、所述订单转化指标和对应的约束条件之间的线性关系。
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型，
基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
在一种可能的实施方式中，所述确定模块403，具体用于：
构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型；
基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
筛选模块404，根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
在一种可能的实施方式中，所述筛选模块404，具体用于：
将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序；
选取指定排名下的影响程度对应的干预特征作为目标干预特征。
在一种可能的实施方式中，所述确定装置400还包括：
服务提供方确定模块，响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方；
推送模块，向所述服务请求方推送筛选出的服务提供方。
在一种可能的实施方式中，所述确定装置400还包括：
服务提供方确定模块，响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方；
推送模块，向所述服务请求方推送筛选出的服务提供方。
在本申请实施例中，通过在获取关于目标双端服务的多个阶段的服务信息时，对服务信息进行因果分析，以从多个阶段的服务信息中选择出订单转换指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征，这样，可以获取到更加准确的影响用户体验的倾向性特征。
基于同一申请构思，参见图5所示，为本申请实施例提供的一种电子设备500的结构示意图，包括：处理器510、存储器520和总线530，所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过所述总线530进行通信，所述机器可读指令被所述处理器510运行时执行如上述实施例中任一所述的干预特征的确定方法的步骤。
具体地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况；
对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征；
针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；
根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图，其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点；
获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息；
将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径；
确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径；
基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
构建第一初始线性模型、第二初始线性模型和第三初始线性模型，其中，所述第一初始线性模型表征所述订单转化指标和对应的约束条件之间的线性关系；所述第二初始线性模型表征该干预特征和对应的约束条件之间的线性关系；所述第三初始线性模型表征该干预特征、所述订单转化指标和对应的约束条件之间的线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型，
基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型；
基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
进一步地，所述机器可读指令被所述处理器510执行时可以执行如下处理：
将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序；
选取指定排名下的影响程度对应的干预特征作为目标干预特征。
本申请实施例中，通过在获取关于目标双端服务的多个阶段的服务信息时，对服务信息进行因果分析，以从多个阶段的服务信息中选择出订单转换指标具有因果关系的干预特征，然后针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度，最后根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征，这样，可以获取到更加准确的影响用户体验的倾向性特征。
基于同一申请构思，本申请实施例还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运行时执行上述实施例提供的干预特征的确定方法的步骤。
具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述干预特征的确定方法，通过因果推断的方式定量分析影响用户体验的干预特征，并确定出影响用户体验的倾向性特征，依据该倾向性特征指导目标双端服务的运营策略，以实现目标双端业务的良性发展。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种干预特征的确定方法，其特征在于，包括：
获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况；
对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征；
针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；
根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
2.如权利要求1所述的确定方法，其特征在于，所述目标双端服务是出行服务，所述确定方法还包括：
响应于接收到服务请求方针对所述出行服务所下达的服务订单，将所述目标干预特征作为筛选条件，筛选出为服务请求方提供所述出行服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
3.如权利要求1所述的确定方法，其特征在于，所述目标双端服务是外卖配送服务，所述确定方法还包括：
响应于接收到服务请求方针对所述外卖配送服务的服务请求，将所述目标干预特征作为筛选条件，筛选出为配送服务请求方提供所述配送服务的服务提供方；
向所述服务请求方推送筛选出的服务提供方。
4.如权利要求1所述的确定方法，其特征在于，所述对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征的步骤，包括：
构建包括表征所述服务信息和所述订单转化指标之间因果关系的因果关系图，其中，所述因果关系图包括多个节点和多条边，存在因果关系的两个节点通过边连接，所述边的指向用于表示边的终止节点对应的信息依赖于边的起始节点的信息来产生，所述多个节点包括用于表示所述服务信息或用于表示所述订单转化指标的节点；
获取所述订单转化指标对应的终止节点的边连接的起始节点对应的服务信息；
将获取的服务信息确定为与所述订单转化指标具有因果关系的干预特征。
5.如权利要求4所述的确定方法，其特征在于，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
确定所述因果关系图中该类干预特征直接影响所述订单转化指标的直接因果路径；
确定所述因果关系图中该类干预特征间接影响所述订单转化指标的间接因果路径；
基于所述直接因果路径对应的边的权重和所述间接因果路径对应的边的权重，确定该类干预特征对服务订单转化的影响程度。
6.如权利要求1所述的确定方法，其特征在于，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
构建第一初始线性模型、第二初始线性模型和第三初始线性模型，其中，所述第一初始线性模型表征所述订单转化指标和对应的约束条件之间的线性关系；所述第二初始线性模型表征该干预特征和对应的约束条件之间的线性关系；所述第三初始线性模型表征该干预特征、所述订单转化指标和对应的约束条件之间的线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始线性模型、所述第二初始线性模型和所述第三初始线性模型中，以得到第一线性模型、第二线性模型和第三线性模型，
基于所述第一线性模型、所述第二线性模型和所述第三线性模型的模型系数，确定该类干预特征对服务订单转化的影响程度。
7.如权利要求1所述的确定方法，其特征在于，所述确定该类干预特征对服务订单转化的影响程度的步骤，包括：
构建第一初始非线性模型和第二初始非线性模型，其中，所述第一初始非线性模型表征该干预特征和对应的约束条件之间的非线性关系；所述第二初始非线性模型表征该干预特征、对应的约束条件和所述订单转化指标之间的非线性关系；
获取关于目标双端服务的多个阶段的历史服务信息；
将所述历史服务信息分别代入所述第一初始非线性模型和所述第二初始非线性模型，以得到第一非线性模型和第二非线性模型；
基于所述第一非线性模型和所述第二非线性模型确定该类干预特征对服务订单转化的影响程度。
8.如权利要求1所述的确定方法，其特征在于，所述根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征的步骤，包括：
将不同类干预特征的对服务订单转化的影响程度按照大小顺序进行排序；
选取指定排名下的影响程度对应的干预特征作为目标干预特征。
9.如权利要求1所述的确定方法，其特征在于，所述订单转化指标包括以下项中的任意一项：用户留存率、用户满意度和用户净推荐值。
10.一种干预特征的确定装置，其特征在于，包括：
获取模块，获取关于目标双端服务的多个阶段的服务信息，其中，所述多个阶段的服务信息用于表征目标双端服务的历史服务订单被执行到不同阶段时的服务订单执行情况；
分析模块，对所述服务信息进行因果分析，以从所述服务信息中选择出与订单转化指标具有因果关系的干预特征；
确定模块，针对每一类干预特征，确定该类干预特征对服务订单转化的影响程度；
筛选模块，根据不同类干预特征对服务订单转化的影响程度，从所述干预特征中选择目标干预特征。
11.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至9任一项所述方法的步骤。
12.一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运行时执行如权利要求1至9任一项所述方法的步骤。
13.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624616.8A CN112801690A (zh) | 2020-12-31 | 2020-12-31 | 一种干预特征的确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624616.8A CN112801690A (zh) | 2020-12-31 | 2020-12-31 | 一种干预特征的确定方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801690A true CN112801690A (zh) | 2021-05-14 |
Family
ID=75807599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011624616.8A Pending CN112801690A (zh) | 2020-12-31 | 2020-12-31 | 一种干预特征的确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801690A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113722471A (zh) * | 2021-08-30 | 2021-11-30 | 上海明略人工智能(集团)有限公司 | 一种文本摘要生成方法、***、电子设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040106645A (ko) * | 2003-06-11 | 2004-12-18 | 한국과학기술원 | 능동적 로열티 경영을 위한 고객 로열티 관리방법 |
| CN108171537A (zh) * | 2017-12-15 | 2018-06-15 | 北京奇艺世纪科技有限公司 | 一种用户体验评估方法、装置、电子设备及存储介质 |
| CN110766509A (zh) * | 2019-05-31 | 2020-02-07 | 口碑(上海)信息技术有限公司 | 服务订单处理、外卖订单推荐方法及装置 |
| CN110839346A (zh) * | 2018-06-19 | 2020-02-25 | 北京嘀嘀无限科技发展有限公司 | 用于分配服务请求的***和方法 |
| CN110869953A (zh) * | 2018-02-06 | 2020-03-06 | 北京嘀嘀无限科技发展有限公司 | 推荐交通出行服务的***和方法 |
| CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
| CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
| CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
| CN111695695A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户决策行为量化分析方法及装置 |
| CN112116433A (zh) * | 2020-09-30 | 2020-12-22 | 拉扎斯网络科技（上海）有限公司 | 订单归因方法及装置 |
-
2020
- 2020-12-31 CN CN202011624616.8A patent/CN112801690A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040106645A (ko) * | 2003-06-11 | 2004-12-18 | 한국과학기술원 | 능동적 로열티 경영을 위한 고객 로열티 관리방법 |
| CN108171537A (zh) * | 2017-12-15 | 2018-06-15 | 北京奇艺世纪科技有限公司 | 一种用户体验评估方法、装置、电子设备及存储介质 |
| CN110869953A (zh) * | 2018-02-06 | 2020-03-06 | 北京嘀嘀无限科技发展有限公司 | 推荐交通出行服务的***和方法 |
| CN110839346A (zh) * | 2018-06-19 | 2020-02-25 | 北京嘀嘀无限科技发展有限公司 | 用于分配服务请求的***和方法 |
| CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
| CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
| CN110766509A (zh) * | 2019-05-31 | 2020-02-07 | 口碑(上海)信息技术有限公司 | 服务订单处理、外卖订单推荐方法及装置 |
| CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
| CN111695695A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户决策行为量化分析方法及装置 |
| CN112116433A (zh) * | 2020-09-30 | 2020-12-22 | 拉扎斯网络科技（上海）有限公司 | 订单归因方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 周明霞;李成铖;林澍;李智;徐清;: "客户认知与忠诚度关系实证研究", 《现代电信科技》, no. 06, 30 June 2010 (2010-06-30), pages 70 - 75 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113722471A (zh) * | 2021-08-30 | 2021-11-30 | 上海明略人工智能(集团)有限公司 | 一种文本摘要生成方法、***、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110582064B (zh) | 一种短信分发方法、装置、设备、介质 | |
| JP2017509947A (ja) | ネットワークサブジェクトの社会的関係タイプの取得 | |
| CN111144941A (zh) | 商户评分的生成方法、装置、设备及可读存储介质 | |
| US20220335359A1 (en) | System and method for comparing enterprise performance using industry consumer data in a network of distributed computer systems | |
| CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
| CN112418341A (zh) | 模型融合方法、预测方法、装置、设备及存储介质 | |
| CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
| CN112801690A (zh) | 一种干预特征的确定方法和装置 | |
| CN107330709B (zh) | 确定目标对象的方法及装置 | |
| US20220327650A1 (en) | Transportation bubbling at a ride-hailing platform and machine learning | |
| CN114219003A (zh) | 样本生成模型的训练方法、装置及电子设备 | |
| CN117273800A (zh) | 营销策略生成方法、装置、设备及存储介质 | |
| CN112819476A (zh) | 风险识别方法、装置、非易失性存储介质和处理器 | |
| CN111753386B (zh) | 一种数据处理方法及装置 | |
| KR101409273B1 (ko) | 사용자의 구매 영향력 지수를 산출하는 방법 및 장치 | |
| CN115731026A (zh) | 一种客户运营策略生成方法、装置及电子设备 | |
| JP2019144775A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN109189805B (zh) | 行为处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111784091A (zh) | 用于处理信息的方法和装置 | |
| CN110858366A (zh) | 一种下单转化率预测方法和装置 | |
| CN112529236A (zh) | 目标对象识别方法、装置、电子设备及存储介质 | |
| CN110310197A (zh) | 金融业运营车辆还款能力计算方法及装置、存储介质 | |
| CN109684549A (zh) | 目标数据预测方法、装置、电子设备及计算机存储介质 | |
| CN115796709B (zh) | 交易业务健康情况的评估方法、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 |