CN114463103A - 一种数据处理方法及设备 - Google Patents
一种数据处理方法及设备 Download PDFInfo
- Publication number
- CN114463103A CN114463103A CN202210367301.2A CN202210367301A CN114463103A CN 114463103 A CN114463103 A CN 114463103A CN 202210367301 A CN202210367301 A CN 202210367301A CN 114463103 A CN114463103 A CN 114463103A
- Authority
- CN
- China
- Prior art keywords
- shop
- time length
- information
- model
- target
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012937 correction Methods 0.000 claims description 45
- 235000012054 meals Nutrition 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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]
- G06Q30/0639—Item locations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据处理方法及设备。所述方法包括:获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成;获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。采用所述方法,解决了店铺的第一预计配送时长与店铺的点单数据对应的第二预计配送时长的一致率较低的问题。
Description
技术领域
本申请涉及计算机处理技术领域,具体涉及一种数据处理方法及设备。
背景技术
随着电子商务的发展,越来越多的用户选择网上购物,例如网上订餐,网上买生活用品等,配送是用户网上购物体验的重要影响因素。为提升用户体验,购物平台在展示店铺列表时会展示店铺的第一预计配送时长;当用户进入其中一个店铺下单时,会在下单信息页面展示该店铺的点单数据的第二预计配送时长。如果店铺的第一预计配送时长和点单数据的第二预计配送时长之间差异很大,则影响用户体验,可能使得下单失败,影响***到实际用户的转化率。因此,第一预计配送时长和第二预计配送时长之间差异在一定范围内尤其重要。
现有技术中,点单数据对应的特征信息与店铺的特征信息相比存在一定不同,若第一预计配送时长与第二预计配送时长之间的差异在一定范围之内,则认为二者一致。一般采用以下方式计算第一预计配送时长:针对不同店铺统计历史不同时段不同距离下的配送时长,取平均值作为当前时间的店铺的第一预计配送时长。但实际上影响配送时长的因素较多,仅按时段及距离统计数据计算店铺的第一预计配送时长并不够准确。因而第一预计配送时长与第二预计配送时长之间可能存在较大差异,使得二者的一致率较低。
因此,如何提高店铺的第一预计配送时长与店铺的点单数据对应的第二预计配送时长的一致率是需要解决的问题。
发明内容
本申请实施例提供的数据处理方法,解决了店铺的第一预计配送时长与店铺的点单数据对应的第二预计配送时长的一致率较低的问题。
本申请实施例提供一种数据处理方法,包括:获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成;获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。
可选的,还包括:获取历史调用日志中店铺的下单信息特征以及与所述下单信息特征对应的预计配送时长;将所述下单信息特征作为输入特征,将与所述下单信息特征对应的预计配送时长作为对应的输出特征,构造用于生成第一模型的所述第一学习样本;使用所述第一学习样本生成所述第一模型;所述第一模型,用于根据店铺的列表信息特征预估所述店铺的第一预计配送时长,和/或,根据与店铺关联的点单数据的下单信息特征预估所述点单数据的第二预计配送时长。
可选的,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:将所述目标店铺的列表信息特征输入所述第一模型,将所述第一模型的输出作为待修正预计配送时长;获取所述目标店铺的列表信息特征,根据所述列表信息特征以及所述待修正预计配送时长,使用修正模型获得所述目标店铺的列表界面配送时长修正值;其中,所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成;根据所述目标店铺的列表界面配送时长修正值对所述待修正预计配送时长修正,得到所述第一预计配送时长。
可选的,还包括:从历史调用日志中提取店铺的列表信息特征及对应的下单信息特征;使用所述店铺的列表信息特征,根据所述第一模型得到所述店铺的第一预计配送时长;使用所述第一模型根据所述店铺的下单信息特征,获得所述店铺的第二预计配送时长;将所述第一预计配送时长与所述第二预计配送时长之间的差异作为所述店铺的时长差异标签;将所述店铺的列表信息特征以及对应的第一预计配送时长作为输入特征,将对应的时长差异标签作为输出特征,构造用于生成所述修正模型的所述第二学习样本,使用所述第二学习样本生成所述修正模型。
可选的,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:将所述目标店铺的列表信息特征作为第一特征;根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征;所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定;使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征;将所述目标店铺的第二特征输入所述第一模型,根据所述第一模型的输出结果获得所述第一预计配送时长。
可选的,所述缺失特征的信息,包括至少以下维度的特征信息:订单的对象数量维度、价格维度、店铺出餐时长维度、用户支付时间维度;所述根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征,包括:将目标店铺的历史时段的对象数量平均值,作为所述目标店铺对应于所述对象数量维度的缺失特征数据;和/或,将目标店铺的历史时段的价格平均值,作为所述目标店铺对应所述价格维度的缺失特征数据;和/或,将当前时刻相邻上一指定时段的目标店铺的平均出餐时长,作为所述目标店铺对应于所述出餐时长维度的缺失特征数据;和/或,将用户访问包含所述目标店铺的店铺列表信息的访问时间,作为所述目标店铺对应于所述用户支付时间维度的缺失特征数据;所述使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征,包括:使用上述至少一种缺失特征数据对所述第一特征进行填充,得到所述第二特征。
可选的,所述店铺的下单信息特征,包括与下单信息对应的至少以下维度的特征:店铺的历史配送时长维度、配送区域的历史配送时长维度、配送区域的实时配送压力维度、店铺的实时出餐压力维度、配送距离维度、天气维度、订单的对象数量维度、订单的价格维度、店铺出餐时长维度、用户支付时间维度。
可选的,还包括:通过相同的模块调用链路,调用所述第一模型计算所述第一预计配送时长,以及所述第二预计配送时长。
可选的,包括:接收目标用户使用的客户端获取店铺列表的请求,将包含所述目标店铺的店铺列表以及所述第一预计配送时长,发送给所述客户端,以使所述目标店铺与所述第一预计配送时长关联展示于所述客户端的第一显示界面;接收所述目标用户针对点单数据的结算请求,将所述第二预计配送时长发送给所述客户端,以使所述第二预计配送时长与所述点单数据的结算信息展示于所述客户端的第二显示界面。
本实施例还提供一种数据处理方法,包括:在第一显示界面展示一个或多个店铺的店铺基本信息,以及所述店铺的第一预计配送时长;接收用户从所述店铺中选择触发目标店铺,根据针对所述目标店铺的点单行为信息确定所述用户在所述目标店铺的点单数据;获得所述点单数据对应的第二预计配送时长,将所述第二预计配送时长展示于第二显示界面;其中,所述第一预计配送时长与所述第二预计配送时长,分别根据第一模型获得,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件;所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
可选的,所述第一预计配送时长,为将所述店铺的列表信息特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;或者,所述第一预计配送时长,为将所述店铺的列表信息特征作为第一特征,使用所述店铺的缺失特征对所述第一特征进行填充得到第二特征,将所述第二特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;其中,所述店铺的缺失特征,根据预先确定的缺失特征的信息确定,所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定。
可选的,所述第二预计配送时长,为将所述点单数据的下单信息特征输入所述第一模型得到第二输出结果,根据所述第二输出结果获得。
可选的,所述店铺的第一预计配送时长,为:根据所述店铺的列表界面配送时长修正值对所述第一输出结果修正后得到的值;其中,所述列表界面配送时长修正值,根据所述店铺的列表信息特征以及所述第一输出结果,使用修正模型预估得到;所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成。
可选的,所述在第一显示界面展示店铺的店铺基本信息,以及所述店铺的第一预计配送时长,包括:获得待展示于所述第一显示界面的店铺列表中每个店铺的店铺基本信息以及每个店铺的第一预计配送时长;在所述第一显示界面根据所述店铺基本信息展示所述店铺列表中的店铺,将所述店铺的第一预计配送时长与所述店铺关联展示。
本申请实施例还提供一种电子设备,包括:存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行本申请实施例提供的所述方法。
本申请实施例还提供一种存储设备,存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的一种数据处理方法、装置及设备,通过获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成;获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。由于第一预计配送时长与第二预计配送时长使用相同模型获得,该模型为根据下单信息特征学习生成,因而使得两种预计配送时长之间的差异尽量降低。进一步,通过缺失特征填充使得计算两种预计配送时长所使用的特征尽量一致,并且采用相同模块调用链路,从而解决了两种预计配送时长一致率较低的问题。
本申请实施例提供的一种数据处理方法、装置及设备,通过在第一显示界面展示一个或多个店铺的店铺基本信息,以及所述店铺的第一预计配送时长;接收用户从所述店铺中选择触发目标店铺,根据针对所述目标店铺的点单行为信息确定所述用户在所述目标店铺的点单数据;获得所述点单数据对应的第二预计配送时长,将所述第二预计配送时长展示于第二显示界面;其中,所述第一预计配送时长与所述第二预计配送时长,分别根据第一模型获得,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件;所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。由于第一预计配送时长与第二预计配送时长使用相同模型获得,该模型为根据下单信息特征学习生成,因而使得两种预计配送时长之间的差异尽量降低。进一步,通过缺失特征填充使得计算两种预计配送时长所使用的特征尽量一致,从而解决了两种预计配送时长一致率较低的问题。
附图说明
图1是本申请第一实施例提供的一种数据处理方法的处理流程图。
图2是本申请第二实施例提供的另一种数据处理方法的处理流程图。
图3是本申请第二实施例提供的一种配送预计时长显示示意图。
图4是本申请第三实施例提供的一种数据处理装置示意图。
图5是本申请第四实施例提供的另一种数据处理装置示意图。
图6是本申请提供的电子设备示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请实施例提供两种数据处理方法、装置、电子设备及存储设备。在下面的实施例中逐一进行说明。
为便于理解,首先给出本申请实施例提供的数据处理方法的场景。实际应用中,用户使用客户端通过购物平台进行网上购物,客户端显示界面展示店铺列表,供用户选择目标店铺。店铺列表中的每个店铺的第一预计配送时长与对应店铺关联展示于店铺列表显示界面,供用户参考以便做出选择,第一预计配送时长可以理解为店铺在当前时间向该用户提供对象并配送的大致配送时长。对象可以为商品对象,也可以为服务对象。例如,外卖场景中的菜品为对象的一个例子。当用户选择其中的目标店铺,进入该目标店铺选择对象下单时,在下单信息显示界面显示与当前点单数据对应的第二预计配送时长,第二预计配送时长一般可以作为店铺针对本次点单数据的承诺配送时长。当第一预计配送时长与第二预计配送时长之间的差异满足预设阈值条件,则认为二者一致。由于第一预计配送时长会给用户一定的心理预期,使得用户才进入店铺选购对象,因此,如果二者不一致或者说差异超出预设阈值条件,则可能导致用户体验较差,甚至使得下单失败,影响***到实际用户的转化率。本申请实施例提供一种数据处理方法,使用共用的第一模型预估第一预计配送时长,以及第二预计配送时长,尽量减小二者的差异,提高了第一预计配送时长与第二预计配送时长之间的一致率。
以下结合图1对本申请第一实施例提供的数据处理方法进行说明。图1所示的数据处理方法,包括:步骤S101至步骤S102。
步骤S101,获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
所述列表信息特征,可以是在店铺列表中展示店铺可获取到的店铺基本信息的特征数据。所谓店铺列表,可以是按特定条件查询到的店铺集合,也可以是指特定店铺类型下的店铺集合。例如,按照位置条件查询到的一个或多个店铺的基本信息的特征,或者,在某店铺类别下显示的一个或多个店铺的基本信息的特征。所谓店铺基本信息,可以包括但不限于:店铺标识、店铺封面图像、店铺位置、店铺营业时间、店铺位置与加载客户端的用户所在位置的距离;其中用户所在位置可以是用户允许情况下获取大用户当前位置也可以是用户指定的位置。所述客户端,是指为店铺提供交易链路的购物平台对应的用户侧使用客户端。当然,所述列表信息特征,也可以是与下单信息特征相对而言的特征,指未获得下单信息时所能获取到的店铺信息的特征数据。
所谓下单信息特征,是指与店铺的下单信息相关的特征数据。可以从历史调用日志中获取到下单行为信息和/或订单数据,当然也可以从历史订单记录中获取到订单数据,根据所述下单为信息和/或订单数据,确定店铺的下单信息特征。进一步,还可以获取与所述下单行为信息和/或订单数据对应的当时店铺信息和/或当时配送环境信息,根据下单为信息和/或订单数据,以及对应的当时店铺信息和/或当时配送环境信息,确定店铺的下单信息特征。根据店铺的列表信息特征预估得到的店铺的配送时长,为店铺的第一预计配送时长,可以给用户提供参考,以便用户做出是否在该店铺进行点单的决策。店铺的第一预计配送时长可以理解为针对店铺浏览场景预估的配送时长。可以理解的是,可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,是指根据目标店铺的列表信息特征预估得到的目标店铺的配送时长,将其与所述目标店铺关联展示,便于用户做出是否进入或者是否在目标店铺进行购物。
所述第一显示界面,在本实施例中,是指客户端可以关联显示店铺及店铺的第一预计配送时长的显示界面。优选的,第一显示界面,为店铺列表页的显示界面。当然,第一显示界面也可以指用户进入店铺列表中其一店铺(如目标店铺)后的店铺首页,在店铺首页展示店铺基本信息以及店铺的第一预计配送时长。从而,用户浏览店铺列表或者浏览店铺信息时,能及时获知店铺的预计配送时长,辅助进行购物决策。
所述第一模型,是通过学***均绝对误差)为损失函数,采用relu激活函数。将第一学习样本的输入特征输入Deep部分以及FM部分的输入层,对所述初始模型进行训练,将训练得到的目标模型作为第一模型。其中,Deep部分以及FM部分共享输入特征;adam优化器用于根据机器学习模型训练过程中历史梯度的震荡情况和过滤震荡后的真实历史梯度对变量进行更新,从而缓解机器学习过程中的梯度震荡。训练时,按预设数量的样本(如4096个)作为一个批次(batch),进行迭代训练,达到预设迭代次数如20000个batch或者损失函数满足收敛条件后得到所述目标模型。优选的,获取店铺的订单的相关信息,具体可以从历史调用日志中提取多个订单的相关信息;从多个维度针对每个订单提取下单信息特征。例如,从运力维度,提取运力紧张程度、网格骑手数量、网格骑手的当前总背单量、周边骑手数量、周边骑手的指派概率及背单量、周边骑手的当前订单的顺路程度等运力特征;其中,所谓网格骑手,是指配送区域的配送资源,即按照网格化划分区域后得到一个或多个网格化的配送区域,执行配送区域中订单配送任务的配送资源为网格骑手。所谓周边骑手,是指配送区域周边配送资源,即每个配送区域相邻的周边配送区域的网格骑手。再如,从店铺维度,提取历史出餐时长、当前店铺需出餐订单量、店铺繁忙程度、骑手等待数据等店铺繁忙程度特征。再如,从订单维度,提取距离、客单价、菜品等订单特征。再如,从配送环境维度,提取天气恶劣程度、道路拥堵程度等配送环境特征。再如,从配送位置维度,提取配送困难程度等配送难度特征。根据运力特征、店铺繁忙程度特征、订单特征、配送环境特征、配送难度特征至少之一,确定所述下单信息特征,再根据所述下单信息特征以及与所述下单信息特征对应的预计配送时长,生成所述第一学习样本,使用第一学习样本训练所述初始模型得到第一模型。
本步骤为使用所述第一模型获得所述目标店铺的第一预计配送时长。实施时,根据特定条件和/或按照店铺类型获得店铺列表,针对店铺列表中的每个店铺,基于该店铺的列表信息特征使用第一模型获得该店铺的第一预计配送时长。店铺列表中其一店铺为目标店铺。当所述方法应用于客户端,则包括:接收目标用户使用的客户端获取店铺列表的请求,将包含所述目标店铺的店铺列表以及所述第一预计配送时长,发送给所述客户端,以使所述目标店铺与所述第一预计配送时长关联展示于所述客户端的第一显示界面。由于店铺列表中可以包括多个店铺,因而可以通过批量数据接口,获取各店铺的店铺基本信息,使用map数据结构存储店铺基本信息,计算每个店铺的第一预计配送时长时,从map中取对应店铺的店铺基本信息,生成对应店铺的列表信息特征,输入第一模型,输出结果作为对应店铺的第一预计配送时长。由于不同用户可能在不同位置浏览店铺,针对不同用户,列表信息特征中至少与配送位置相关的特征数据可能不同,因而需要针对不同用户计算店铺的第一预计配送时长。客户端在所述第一显示界面根据所述店铺基本信息展示所述店铺列表中的店铺,并将所述店铺的第一预计配送时长与所述店铺关联展示。
步骤S102,获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。
所谓点单数据,是指用户进入店铺选择店铺的对象的数量及属性信息,确定所述数量及属性信息后进行结算生成的数据。所述第二预计配送时长,是针对所述点单数据预估得到的配送时长,可以理解为针对用户在店铺下单的下单场景预估的配送时长。由于预估第二预计配送时长能够使用的下单信息特征更丰富、更充分,因而更接近于实际的配送时长,实施时可以将其作为承诺配送时长展示在客户端的第二显示界面。所述第二显示界面,可以为客户端的下单信息页面的显示界面。
本实施例中,所述第一模型,用于根据店铺的列表信息特征预估所述店铺的第一预计配送时长,和/或,根据与店铺关联的点单数据的下单信息特征预估所述点单数据的第二预计配送时长。由于使用共用模型计算第一预计配送时长与第二预计配送时长,并且,计算时输入该共用模型的列表信息特征与下单信息特征一定程度上存在相似或相同的特征数据,因而二者可以比较接近,即所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。当所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件时,可以判断二者一致。例如,预设阈值为5分钟,则二者差异在5分钟以内,认为一致。
实施时,列表信息特征与下单信息特征虽然一定程度上存在相似或相同的特征数据,但是也存在一定差异。下单信息特征一般会比列表信息特征更丰富,因为当下单时,根据店铺基本信息以及用户的个性化的点单数据可以得到下单信息特征,而生成列表信息特征时则不包含用户的个性化的点单数据。由于相比于下单信息特征,列表信息特征存在一定维度的特征缺失,因此,针对缺失特征采用缺失特征数据填充,使得第一模型的输入特征比较一致,预估得到更加接近的所述第一预计配送时长与所述第二预计配送时长。具体的,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:将所述目标店铺的列表信息特征作为第一特征;根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征;所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定;使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征;将所述目标店铺的第二特征输入所述第一模型,根据所述第一模型的输出结果获得所述第一预计配送时长。其中,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定所述缺失特征的信息,是指分析购物平台的历史调用日志,从中提取各店铺的列表信息特征以及与对应店铺的列表信息特征相对应的订单数据的下单信息特征,比较相对应的列表信息特征与下单信息特征之间的维度差异,确定缺失特征的信息。按照缺失特征的信息对应的不同维度,确定目标店铺的缺失特征的各维度特征数据,填充至列表信息特征,扩充为目标店铺的下单信息特征,将其输入第一模型,预估得到目标店铺的第一预计配送时长。
优选的,所述店铺的下单信息特征,包括与下单信息对应的至少以下维度的特征:店铺的历史配送时长维度、配送区域的历史配送时长维度、配送区域的实时配送压力维度、店铺的实时出餐压力维度、配送距离维度、天气维度、订单的对象数量维度、订单的价格维度、店铺出餐时长维度、用户支付时间维度。与下单信息特征相比,店铺的列表信息特征对应的缺失特征的信息,包括至少以下维度的特征信息:订单的对象数量维度、价格维度、店铺出餐时长维度、用户支付时间维度;相应的,所述根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征,包括:将目标店铺的历史时段的对象数量平均值,作为所述目标店铺对应于所述对象数量维度的缺失特征数据;和/或,将目标店铺的历史时段的价格平均值,作为所述目标店铺对应所述价格维度的缺失特征数据;和/或,将当前时刻相邻上一指定时段的目标店铺的平均出餐时长,作为所述目标店铺对应于所述出餐时长维度的缺失特征数据;和/或,将用户访问包含所述目标店铺的店铺列表信息的访问时间,作为所述目标店铺对应于所述用户支付时间维度的缺失特征数据;所述使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征,包括:使用上述至少一种缺失特征数据对所述第一特征进行填充,得到所述第二特征。上述缺失特征数据,能尽量接***均意义上该维度特征的值,因而使得第二特征尽量接近下单信息特征,从而输入第一模型得到的第一预计配送时长,与第二预计配送时长一致。
请参考表1缺失特征填充值,表1给出了餐厅A的缺失特征数据的例子,用于填充到该餐厅的列表信息特征,将其扩充到与下单信息特征的维度一致,且缺失特征数据与该餐厅的对应维度特征平均值接近,从而扩充后的列表信息特征与下单信息特征从维度以及特征数值都比较一致。餐厅为店铺的一个例子。
表1缺失特征填充值
缺失特征 | 填充值 |
菜品数量 | 餐厅A历史7天平均值 |
价格 | 餐厅A历史7天平均值 |
出餐时长 | 当前时刻过去10分钟餐厅A平均出餐时长 |
用户支付时间 | 用户访问时间 |
当然,也可以在根据第一学习样本生成第一模型时,根据可获得的店铺的列表信息特征对下单信息特征的维度进行处理,以选择比较合理的下单信息特征构造第一学习样本,使得生成的第一模型的输入特征的维度更合理。例如,删除下单信息特征中的部分特征,以尽可能的保证列表信息特征与下单信息特征的共有特征在一定程度上一致。
本实施例中,还包括:通过相同的模块调用链路,调用所述第一模型计算所述第一预计配送时长,以及所述第二预计配送时长。使用相同的链路、共用第一模型,能够使得预估得到第一预计配送与第二预计配送时长一致,进一步,再使用合理的缺失特征值对列表信息特征填充,使其接近下单信息特征,则能够提高预估得到第一预计配送与第二预计配送时长的一致程度。
本实施例中,为保证所述第一预计配送时长与第二预计配送时长的一致性,还使用修正模型对由第一模型根据预估出的店铺的第一预计配送时长进行修正,将修正后的值,作为与店铺关联展示于第一显示界面的预计配送时长。具体的,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:将所述目标店铺的列表信息特征输入所述第一模型,将所述第一模型的输出作为待修正预计配送时长;获取所述目标店铺的列表信息特征,根据所述列表信息特征以及所述待修正预计配送时长,使用修正模型获得所述目标店铺的列表界面配送时长修正值;其中,所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成;根据所述目标店铺的列表界面配送时长修正值对所述待修正预计配送时长修正,得到所述第一预计配送时长。其中,通过下述处理得到所述修正模型:从历史调用日志中提取店铺的列表信息特征及对应的下单信息特征;使用所述店铺的列表信息特征,根据所述第一模型得到所述店铺的第一预计配送时长;使用所述第一模型根据所述店铺的下单信息特征,获得所述店铺的第二预计配送时长;将所述第一预计配送时长与所述第二预计配送时长之间的差异作为所述店铺的时长差异标签;将所述店铺的列表信息特征以及对应的第一预计配送时长作为输入特征,将对应的时长差异标签作为输出特征,构造用于生成所述修正模型的所述第二学习样本,使用所述第二学习样本生成所述修正模型。所述修改模型,可以理解为第一模型的后处理模型。由于相比于下单信息特征,列表信息特征存在特征缺失的问题,即使进行了缺失特征填充,在店铺浏览及下单这两个场景中,使用第一模型预估得到的预计配送时长存在一定差异。为了进一步消除该差异,在计算各店铺的第一预计配送时长时增加所述修正模型,使得各店铺的第一预计配送时长更准确,也更接近第二预计配送时长,从而提高店铺的第一预计配送时长与第二预计配送时长的一致率。
例如,生成修正模型的第二学习样本,为从当前时刻之前14天同时存在店铺的第一预计配送时长以及点单数据的第二预计配送时长的历史调用日志中提取信息。用如下公式确定标签:
标签 = 第一预计配送时长-第二预计配送时长;
并且,由店铺的列表信息特征以及第一预计配送时长构成输入特征,通过学习该标签,获得所述修正模型,用于预估店铺的由第一模型预估的第一预计配送时长与第二预计配送时长之间的差值。则显示于第一显示界面的第一预计配送时长为:
显示的第一预计配送时长= 第一模型预估的第一预计配送时长+修正模型预估的所述差值;
从而使得显示于第一显示界面的第一预计配送时长与显示于第二显示界面的第二预计配送时长的一致程度更高。
本实施例中,可以用一致率从整体上衡量购物平台各店铺的第一预计配送时长与第二预计配送时长的一致性。本实施例提供的方法能提高该一致率,从而可以能提升购物平台的用户体验,增加用户黏性。所述一致率具体采用如下公式定义:
一致率=第一预计配送时长与第二预计配送时长之间的差异小于5分钟的订单数量/订单总数量。
本实施例提供的方法可以应用于服务端,若应用于服务端,则还包括:接收目标用户使用的客户端获取店铺列表的请求,将包含所述目标店铺的店铺列表以及所述第一预计配送时长,发送给所述客户端,以使所述目标店铺与所述第一预计配送时长关联展示于所述客户端的第一显示界面;接收所述目标用户针对点单数据的结算请求,将所述第二预计配送时长发送给所述客户端,以使所述第二预计配送时长与所述点单数据的结算信息展示于所述客户端的第二显示界面。其中,第一预计配送时长体现的是店铺的一般意义上的大致配送时长,不具体针对某个用户的点单数据。第二预计配送时长体现的是店铺的比较具体的预估配送时长,具体针对某个用户的点单数据,可以理解为针对该店铺的用户的预计配送时长。第一预计配送时长对用户做出购买决策具有参考意义,而第二预计配送时长,用户点单后一般可作为店铺针对该订单的承诺配送时长。
可以理解的是,本实施例的所述第一模型,可以基于下单信息日志提取下单信息特征而生成。在用户的下单场景中,根据点单数据的下单信息特征使用第一模型,预估得到第二预计配送时长,并显示于客户端的第二显示界面,具体可以作为针对点单数据的承诺配送时间显示。在用户浏览店铺的场景中,根据店铺的列表信息特征使用第一模型,输出第一预计配送时长。优选的,将该列表信息特征与第一模型输出的第一预计配送时长,输入到修正模型,得到修正值,将修正值与第一模型输出的第一预计配送时长相加得到修正后的第一预计配送时长,将其显示于客户端的第一显示界面,修正后的第一预计配送时长可以更接近于第二预计配送时长,从而提高二者一致率。共用第一模型可以一定程度上保证第一预计配送时长与第二预计配送时长的一致率,通过修正模型,可以提高一致率,从而提升用户体验,增加用户的购买意愿,提高***到实际用户的用户转化率。
需要说明的是,在不冲突的情况下,在本实施例和本申请的其他实施例中给出的特征可以相互组合,并且步骤S101和S102或类似用语不限定步骤必须先后执行。
至此,对本实施例提供的方法进行了说明,所述方法中第一预计配送时长与第二预计配送时长使用相同模型获得,该模型为根据下单信息特征学习生成,因而使得两种预计配送时长之间的差异尽量降低。进一步,通过缺失特征填充使得计算两种预计配送时长所使用的特征尽量一致,并且采用相同模块调用链路,从而解决了两种预计配送时长一致率较低的问题。
以上述实施例为基础,本申请第二实施例提供另一种数据处理方法,以下结合图2和图3对所述方法进行说明,相关的部分请参见对应部分的说明即可。请参考图2,图中所示的数据处理方法,包括:步骤S201至步骤S203。
步骤S201,在第一显示界面展示一个或多个店铺的店铺基本信息,以及所述店铺的第一预计配送时长。
本实施例提供的所述方法应用于客户端。本步骤为展示所述第一预计配送时长。具体的,可以店铺列表页面展示店铺时与店铺关联展示其对应的第一预计配送时长。店铺列表页面是店铺浏览的一种场景,可以辅助用户做出是否进入该店铺的决策。若用户选择其一店铺,进入该店铺的店铺页面,也可以在店铺页面中显示第一预计配送时长,便于用户获知该店铺的一般性的配送时长,辅助做出在该店铺购物的决策。其中,所述在第一显示界面展示店铺的店铺基本信息,以及所述店铺的第一预计配送时长,包括:获得待展示于所述第一显示界面的店铺列表中每个店铺的店铺基本信息以及每个店铺的第一预计配送时长;在所述第一显示界面根据所述店铺基本信息展示所述店铺列表中的店铺,将所述店铺的第一预计配送时长与所述店铺关联展示。
本实施例中,所述第一预计配送时长,为将所述店铺的列表信息特征输入第一模型得到第一输出结果,根据所述第一输出结果获得;或者,所述第一预计配送时长,为将所述店铺的列表信息特征作为第一特征,使用所述店铺的缺失特征对所述第一特征进行填充得到第二特征,将所述第二特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;其中,所述店铺的缺失特征,根据预先确定的缺失特征的信息确定,所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定。其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
进一步,所述店铺的第一预计配送时长,为:根据所述店铺的列表界面配送时长修正值对所述第一输出结果修正后得到的值;其中,所述列表界面配送时长修正值,根据所述店铺的列表信息特征以及所述第一输出结果,使用修正模型预估得到;所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成。修正后的第一预计配送时长可以更接近于后续步骤中显示的第二预计配送时长,从而提高二者一致率,提升用户体验。
步骤S202,接收用户从所述店铺中选择触发目标店铺,根据针对所述目标店铺的点单行为信息确定所述用户在所述目标店铺的点单数据。
本步骤为获得用户在目标店铺的点单数据。实施时,用户可以参考第一显示界面展示的店铺的第一预计配送时长,根据自己的需求选择触发目标店铺,进入目标店铺。在客户端展示的目标店铺的点单页面接收用户针对所述目标店铺的点单行为信息,确定所述点单数据。
步骤S203,获得所述点单数据对应的第二预计配送时长,将所述第二预计配送时长展示于第二显示界面;其中,所述第一预计配送时长与所述第二预计配送时长,分别根据第一模型获得,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件;所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
本步骤为展示点单数据对应的第二预计配送时长。实施时,用户将本次点单选择的对象加入购物车,触发结算,向服务端发送结算请求,服务端向客户端返回所述第二预计配送时长,客户端将其显示于第二显示界面。服务端也可以将第二预计配送时长与确认点单数据的信息一起提供给客户端,在下单信息页面显示点单数据以及其对应的第二预计配送时长,该预计配送时长可以作为该单的承诺配送时长进行展示。优选的,所述第二预计配送时长,为将所述点单数据的下单信息特征输入所述第一模型得到第二输出结果,根据所述第二输出结果获得。
本实施例中,共用第一模型预估所述第一预计配送时长以及第二预计配送时长,可以在一定程度上保证第一预计配送时长与第二预计配送时长的一致率。进一步通过修正模型对由第一模型预估的第一预计配送时长进行修正,修正后作为显示的第一预计配送时长,可以提高两种显示的预计配送时长的一致率,从而可以增加用户的购买意愿,提高***到实际用户的用户转化率。
请参考图3,图中示出了第一预计配送时长与第二配送时长的显示示意图,包括:第一预计配送时长301,以及第二预计配送时长302。其中,第一预计配送时长301为店铺列表页面显示一个或多个店铺,并将显示的店铺与该店铺的第一预计配送时长关联显示,图中还显示有距离,距离信息是在使用客户端的用户所在位置与店铺位置之间的距离。用户所在位置是指,用户允许的情况下获取的用户当前位置,或者,用户指定的所在位置或配送位置。店铺列表页面是店铺浏览的一种场景,可以辅助用户做出是否进入该店铺的决策。若用户选择其一店铺,进入该店铺的店铺页面,也可以在店铺页面中显示第一预计配送时长,便于用户获知该店铺的一般性的配送时长,辅助做出在该店铺购物的决策。第二预计配送时长302,为用户的下单信息页面显示的预计配送时长,该预计配送时长为针对该点单数据预估的配送时长,可以作为该单的承诺配送时长。
可以理解的是,图3中所展示的界面布局及各界面元素的尺寸、形状、外观样式等均为示意性的例子,不作为对本申请实施例提供的方法的限定。
至此,对本实施例提供的方法进行了说明,所述方法中第一预计配送时长与第二预计配送时长使用相同模型获得,该模型为根据下单信息特征学习生成,因而使得两种预计配送时长之间的差异尽量降低。进一步,通过缺失特征填充使得计算两种预计配送时长所使用的特征尽量一致,从而解决了两种预计配送时长一致率较低的问题。
与第一实施例对应,本申请第三实施例提供一种数据处理装置,相关的部分请参见对应方法实施例的说明即可。请参考图4,图中所示的数据处理装置,包括:
第一预估单元401,用于获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成;
第二预估单元402,用于获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。
可选的,所述装置还包括第一模型生成单元,所述第一模型生成单元用于:获取历史调用日志中店铺的下单信息特征以及与所述下单信息特征对应的预计配送时长;将所述下单信息特征作为输入特征,将与所述下单信息特征对应的预计配送时长作为对应的输出特征,构造用于生成第一模型的所述第一学习样本;使用所述第一学习样本生成所述第一模型;所述第一模型,用于根据店铺的列表信息特征预估所述店铺的第一预计配送时长,和/或,根据与店铺关联的点单数据的下单信息特征预估所述点单数据的第二预计配送时长。
可选的,所述第一预估单元,具体用于:将所述目标店铺的列表信息特征输入所述第一模型,将所述第一模型的输出作为待修正预计配送时长;获取所述目标店铺的列表信息特征,根据所述列表信息特征以及所述待修正预计配送时长,使用修正模型获得所述目标店铺的列表界面配送时长修正值;其中,所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成;根据所述目标店铺的列表界面配送时长修正值对所述待修正预计配送时长修正,得到所述第一预计配送时长。
可选的,所述装置还包括修正模型生成单元,所述修正模型生成单元用于:从历史调用日志中提取店铺的列表信息特征及对应的下单信息特征;使用所述店铺的列表信息特征,根据所述第一模型得到所述店铺的第一预计配送时长;使用所述第一模型根据所述店铺的下单信息特征,获得所述店铺的第二预计配送时长;将所述第一预计配送时长与所述第二预计配送时长之间的差异作为所述店铺的时长差异标签;将所述店铺的列表信息特征以及对应的第一预计配送时长作为输入特征,将对应的时长差异标签作为输出特征,构造用于生成所述修正模型的所述第二学习样本,使用所述第二学习样本生成所述修正模型。
可选的,所述第一预估单元,具体用于:将所述目标店铺的列表信息特征作为第一特征;根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征;所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定;使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征;将所述目标店铺的第二特征输入所述第一模型,根据所述第一模型的输出结果获得所述第一预计配送时长。
可选的,所述缺失特征的信息,包括至少以下维度的特征信息:订单的对象数量维度、价格维度、店铺出餐时长维度、用户支付时间维度;所述第一预估单元,具体用于:将目标店铺的历史时段的对象数量平均值,作为所述目标店铺对应于所述对象数量维度的缺失特征数据;和/或,将目标店铺的历史时段的价格平均值,作为所述目标店铺对应所述价格维度的缺失特征数据;和/或,将当前时刻相邻上一指定时段的目标店铺的平均出餐时长,作为所述目标店铺对应于所述出餐时长维度的缺失特征数据;和/或,将用户访问包含所述目标店铺的店铺列表信息的访问时间,作为所述目标店铺对应于所述用户支付时间维度的缺失特征数据;使用上述至少一种缺失特征数据对所述第一特征进行填充,得到所述第二特征。
可行的,所述店铺的下单信息特征,包括与下单信息对应的至少以下维度的特征:店铺的历史配送时长维度、配送区域的历史配送时长维度、配送区域的实时配送压力维度、店铺的实时出餐压力维度、配送距离维度、天气维度、订单的对象数量维度、订单的价格维度、店铺出餐时长维度、用户支付时间维度。
可选的,所述装置还包括调用单元,所述调用单元用于:通过相同的模块调用链路,调用所述第一模型计算所述第一预计配送时长,以及所述第二预计配送时长。
可选的,所述装置还包括通信单元,所述通信单元用于接收目标用户使用的客户端获取店铺列表的请求,将包含所述目标店铺的店铺列表以及所述第一预计配送时长,发送给所述客户端,以使所述目标店铺与所述第一预计配送时长关联展示于所述客户端的第一显示界面;接收所述目标用户针对点单数据的结算请求,将所述第二预计配送时长发送给所述客户端,以使所述第二预计配送时长与所述点单数据的结算信息展示于所述客户端的第二显示界面。
与第二实施例对应,本申请第四实施例提供一种数据处理装置,相关的部分请参见对应方法实施例的说明即可。请参考图5,图中所示的数据处理装置,包括:
第一显示单元501,用于在第一显示界面展示一个或多个店铺的店铺基本信息,以及所述店铺的第一预计配送时长;
点单单元502,用于接收用户从所述店铺中选择触发目标店铺,根据针对所述目标店铺的点单行为信息确定所述用户在所述目标店铺的点单数据;
第二显示单元503,获得所述点单数据对应的第二预计配送时长,将所述第二预计配送时长展示于第二显示界面;
其中,所述第一预计配送时长与所述第二预计配送时长,分别根据第一模型获得,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件;所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
可选的,所述第一预计配送时长,为将所述店铺的列表信息特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;或者,所述第一预计配送时长,为将所述店铺的列表信息特征作为第一特征,使用所述店铺的缺失特征对所述第一特征进行填充得到第二特征,将所述第二特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;其中,所述店铺的缺失特征,根据预先确定的缺失特征的信息确定,所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定。
可选的,所述第二预计配送时长,为将所述点单数据的下单信息特征输入所述第一模型得到第二输出结果,根据所述第二输出结果获得。
可选的,所述店铺的第一预计配送时长,为:根据所述店铺的列表界面配送时长修正值对所述第一输出结果修正后得到的值;其中,所述列表界面配送时长修正值,根据所述店铺的列表信息特征以及所述第一输出结果,使用修正模型预估得到;所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成。
可选的,所述第一显示单元501,具体用于:获得待展示于所述第一显示界面的店铺列表中每个店铺的店铺基本信息以及每个店铺的第一预计配送时长;在所述第一显示界面根据所述店铺基本信息展示所述店铺列表中的店铺,将所述店铺的第一预计配送时长与所述店铺关联展示。
以上述实施例为基础,本申请第五实施例提供一种电子设备,相关的部分请参见上述实施例的对应说明即可。请参考图6,图中所示的电子设备包括:存储器601,以及处理器602;所述存储器用于存储计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
以上述实施例为基础,本申请第六实施例提供一种存储设备,相关的部分请参见上述实施例的对应说明即可。所述存储设备的示意图类似图6。所述存储设备存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (16)
1.一种数据处理方法,其特征在于,包括:
获取目标店铺的列表信息特征,根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长;其中,所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成;
获得用户在所述目标店铺的点单数据,根据所述点单数据的下单信息特征,使用所述第一模型获得可显示于第二显示界面的第二预计配送时长;
其中,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取历史调用日志中店铺的下单信息特征以及与所述下单信息特征对应的预计配送时长;
将所述下单信息特征作为输入特征,将与所述下单信息特征对应的预计配送时长作为对应的输出特征,构造用于生成第一模型的所述第一学习样本;
使用所述第一学习样本生成所述第一模型;所述第一模型,用于根据店铺的列表信息特征预估所述店铺的第一预计配送时长,和/或,根据与店铺关联的点单数据的下单信息特征预估所述点单数据的第二预计配送时长。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:
将所述目标店铺的列表信息特征输入所述第一模型,将所述第一模型的输出作为待修正预计配送时长;
获取所述目标店铺的列表信息特征,根据所述列表信息特征以及所述待修正预计配送时长,使用修正模型获得所述目标店铺的列表界面配送时长修正值;其中,所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成;
根据所述目标店铺的列表界面配送时长修正值对所述待修正预计配送时长修正,得到所述第一预计配送时长。
4.根据权利要求3所述的方法,其特征在于,还包括:
从历史调用日志中提取店铺的列表信息特征及对应的下单信息特征;
使用所述店铺的列表信息特征,根据所述第一模型得到所述店铺的第一预计配送时长;
使用所述第一模型根据所述店铺的下单信息特征,获得所述店铺的第二预计配送时长;
将所述第一预计配送时长与所述第二预计配送时长之间的差异作为所述店铺的时长差异标签;
将所述店铺的列表信息特征以及对应的第一预计配送时长作为输入特征,将对应的时长差异标签作为输出特征,构造用于生成所述修正模型的所述第二学习样本,使用所述第二学习样本生成所述修正模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标店铺的列表信息特征,使用第一模型获得可与所述目标店铺关联展示于第一显示界面的第一预计配送时长,包括:
将所述目标店铺的列表信息特征作为第一特征;
根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征;所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定;
使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征;
将所述目标店铺的第二特征输入所述第一模型,根据所述第一模型的输出结果获得所述第一预计配送时长。
6.根据权利要求5所述的方法,其特征在于,所述缺失特征的信息,包括至少以下维度的特征信息:
订单的对象数量维度、价格维度、店铺出餐时长维度、用户支付时间维度;
所述根据预先确定的缺失特征的信息确定所述目标店铺的缺失特征,包括:
将目标店铺的历史时段的对象数量平均值,作为所述目标店铺对应于所述对象数量维度的缺失特征数据;和/或,
将目标店铺的历史时段的价格平均值,作为所述目标店铺对应所述价格维度的缺失特征数据;和/或,
将当前时刻相邻上一指定时段的目标店铺的平均出餐时长,作为所述目标店铺对应于所述出餐时长维度的缺失特征数据;和/或,
将用户访问包含所述目标店铺的店铺列表信息的访问时间,作为所述目标店铺对应于所述用户支付时间维度的缺失特征数据;
所述使用所述目标店铺的缺失特征对所述第一特征进行填充,得到所述目标店铺的第二特征,包括:
使用上述至少一种缺失特征数据对所述第一特征进行填充,得到所述第二特征。
7.根据权利要求1所述的方法,其特征在于,所述店铺的下单信息特征,包括与下单信息对应的至少以下维度的特征:
店铺的历史配送时长维度、配送区域的历史配送时长维度、配送区域的实时配送压力维度、店铺的实时出餐压力维度、配送距离维度、天气维度、订单的对象数量维度、订单的价格维度、店铺出餐时长维度、用户支付时间维度。
8.根据权利要求1所述的方法,其特征在于,还包括:
通过相同的模块调用链路,调用所述第一模型计算所述第一预计配送时长,以及所述第二预计配送时长。
9.根据权利要求1所述的方法,其特征在于,包括:
接收目标用户使用的客户端获取店铺列表的请求,将包含所述目标店铺的店铺列表以及所述第一预计配送时长,发送给所述客户端,以使所述目标店铺与所述第一预计配送时长关联展示于所述客户端的第一显示界面;
接收所述目标用户针对点单数据的结算请求,将所述第二预计配送时长发送给所述客户端,以使所述第二预计配送时长与所述点单数据的结算信息展示于所述客户端的第二显示界面。
10.一种数据处理方法,其特征在于,包括:
在第一显示界面展示一个或多个店铺的店铺基本信息,以及所述店铺的第一预计配送时长;
接收用户从所述店铺中选择触发目标店铺,根据针对所述目标店铺的点单行为信息确定所述用户在所述目标店铺的点单数据;
获得所述点单数据对应的第二预计配送时长,将所述第二预计配送时长展示于第二显示界面;
其中,所述第一预计配送时长与所述第二预计配送时长,分别根据第一模型获得,所述第一预计配送时长与所述第二预计配送时长之间的差异满足预设阈值条件;所述第一模型,根据基于店铺的下单信息特征构建的第一学习样本生成。
11.根据权利要求10所述的方法,其特征在于,所述第一预计配送时长,为将所述店铺的列表信息特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;或者,
所述第一预计配送时长,为将所述店铺的列表信息特征作为第一特征,使用所述店铺的缺失特征对所述第一特征进行填充得到第二特征,将所述第二特征输入所述第一模型得到第一输出结果,根据所述第一输出结果获得;其中,所述店铺的缺失特征,根据预先确定的缺失特征的信息确定,所述缺失特征的信息,根据店铺的列表信息特征与店铺的下单信息特征之间的维度差异确定。
12.根据权利要求10所述的方法,其特征在于,所述第二预计配送时长,为将所述点单数据的下单信息特征输入所述第一模型得到第二输出结果,根据所述第二输出结果获得。
13.根据权利要求10所述的方法,其特征在于,所述店铺的第一预计配送时长,为:
根据所述店铺的列表界面配送时长修正值对所述第一输出结果修正后得到的值;
其中,所述列表界面配送时长修正值,根据所述店铺的列表信息特征以及所述第一输出结果,使用修正模型预估得到;所述修正模型,根据基于店铺的列表信息特征及对应的下单信息特征构建的第二学习样本生成。
14.根据权利要求10所述的方法,其特征在于,所述在第一显示界面展示店铺的店铺基本信息,以及所述店铺的第一预计配送时长,包括:
获得待展示于所述第一显示界面的店铺列表中每个店铺的店铺基本信息以及每个店铺的第一预计配送时长;
在所述第一显示界面根据所述店铺基本信息展示所述店铺列表中的店铺,将所述店铺的第一预计配送时长与所述店铺关联展示。
15.一种电子设备,其特征在于,包括:
存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行权利要求1-14任意一项所述的方法。
16.一种存储设备,其特征在于,存储有计算机程序,所述计算机程序被处理器运行后,执行权利要求1-14任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367301.2A CN114463103B (zh) | 2022-04-08 | 2022-04-08 | 一种数据处理方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367301.2A CN114463103B (zh) | 2022-04-08 | 2022-04-08 | 一种数据处理方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463103A true CN114463103A (zh) | 2022-05-10 |
CN114463103B CN114463103B (zh) | 2022-07-15 |
Family
ID=81418006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367301.2A Active CN114463103B (zh) | 2022-04-08 | 2022-04-08 | 一种数据处理方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463103B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207813A1 (ja) * | 2013-06-24 | 2014-12-31 | 楽天株式会社 | リスト提示装置、リスト提示方法およびプログラム |
CN110415077A (zh) * | 2019-07-24 | 2019-11-05 | 万翼科技有限公司 | 基于日期的数据处理方法、服务器、终端及存储介质 |
CN110490356A (zh) * | 2019-07-02 | 2019-11-22 | 北京星选科技有限公司 | 界面显示方法、装置、电子设备 |
CN112036800A (zh) * | 2020-09-07 | 2020-12-04 | 上海明略人工智能(集团)有限公司 | 餐品配送方法和装置 |
CN112770187A (zh) * | 2020-12-23 | 2021-05-07 | 口碑(上海)信息技术有限公司 | 店铺数据处理方法及装置 |
CN112862133A (zh) * | 2019-11-12 | 2021-05-28 | 北京三快在线科技有限公司 | 订单处理的方法、装置、可读存储介质及电子设备 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113888229A (zh) * | 2021-10-19 | 2022-01-04 | 拉扎斯网络科技(上海)有限公司 | 一种门店数据处理及订单处理方法及装置 |
CN114239977A (zh) * | 2021-12-21 | 2022-03-25 | 北京三快在线科技有限公司 | 确定预估配送时长的方法、装置、设备和存储介质 |
-
2022
- 2022-04-08 CN CN202210367301.2A patent/CN114463103B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207813A1 (ja) * | 2013-06-24 | 2014-12-31 | 楽天株式会社 | リスト提示装置、リスト提示方法およびプログラム |
CN110490356A (zh) * | 2019-07-02 | 2019-11-22 | 北京星选科技有限公司 | 界面显示方法、装置、电子设备 |
CN110415077A (zh) * | 2019-07-24 | 2019-11-05 | 万翼科技有限公司 | 基于日期的数据处理方法、服务器、终端及存储介质 |
CN112862133A (zh) * | 2019-11-12 | 2021-05-28 | 北京三快在线科技有限公司 | 订单处理的方法、装置、可读存储介质及电子设备 |
CN112036800A (zh) * | 2020-09-07 | 2020-12-04 | 上海明略人工智能(集团)有限公司 | 餐品配送方法和装置 |
CN112770187A (zh) * | 2020-12-23 | 2021-05-07 | 口碑(上海)信息技术有限公司 | 店铺数据处理方法及装置 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113888229A (zh) * | 2021-10-19 | 2022-01-04 | 拉扎斯网络科技(上海)有限公司 | 一种门店数据处理及订单处理方法及装置 |
CN114239977A (zh) * | 2021-12-21 | 2022-03-25 | 北京三快在线科技有限公司 | 确定预估配送时长的方法、装置、设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
CHUANPENG WANG: "Customer Satisfaction Evaluation of Food Delivery Platforms-Taking Meituan as an Example", 《2020 INTERNATIONAL CONFERENCE ON BIG DATA ECONOMY AND INFORMATION MANAGEMENT (BDEIM)》 * |
曹珍等: "基于SSM框架的商户管理平台设计与实现", 《计算技术与自动化》 * |
翁莹晶等: "基于BP神经网络的网店销售预测模型研究", 《闽江学院学报》 * |
赵道致等: "O2O外卖配送预计送达时间决策模式的选择策略", 《工业工程与管理》 * |
陈正军等: "基于C2C网上陶瓷店铺平台的设计与实现", 《电脑知识与技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114463103B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180371B (zh) | 使用优惠券购买商品的方法、***和计算机可读存储介质 | |
US20200065750A1 (en) | Inventory management system and method thereof | |
US8019643B2 (en) | System and method for incorporating packaging and shipping ramifications of net profit/loss when up-selling | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN111612594A (zh) | 本地化电商零售*** | |
US20160283881A1 (en) | System and method for forecast driven replenishment of merchandise | |
US10198762B1 (en) | Ordering search results to maximize financial gain | |
CN109711917B (zh) | 信息推送方法和装置 | |
CN111861605B (zh) | 业务对象推荐方法 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
US20210109906A1 (en) | Clustering model analysis for big data environments | |
CN111325587A (zh) | 用于生成信息的方法和装置 | |
CN113793081A (zh) | 仓储监控方法、装置、计算机可读介质及电子设备 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN109978421B (zh) | 信息输出方法和装置 | |
JP5794881B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US10096045B2 (en) | Tying objective ratings to online items | |
CN113298610A (zh) | 信息推荐与获取方法、设备及存储介质 | |
CN114463103B (zh) | 一种数据处理方法及设备 | |
US20170249697A1 (en) | System and method for machine learning based line assignment | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN116595390A (zh) | 商品信息处理方法及电子设备 | |
CN108256981B (zh) | 服务推荐方法、装置、电子设备及计算机可读存储介质 | |
WO2017095371A1 (en) | Product recommendations based on selected user and product attributes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |