订单相关联的用户（例如司机）发送订单。之后订单 可W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W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。
[0041] 根据图1所示，在步骤S110中，可W获取历史订单的至少一个特征W及与历史订 单相关联的用户的响应。步骤S110可W包括步骤S111，获取用户是否选择历史订单的响 应。
[0042] 根据本发明的实施方式，历史订单可W是已经向用户呈现并不再向用户呈现的订 单。在呈现历史订单期间，取决于用户是否对该历史订单感兴趣，用户可能选择或者不选择 该历史订单。在例如在线服务器中处理历史订单之后，可W将历史订单和用户是否选择该 历史订单的响应存储在日志中。
[0043] 根据本发明的实施方式，可W在机器学习过程的训练阶段期间或者之前执行步骤 S110或Sill。可W在在线服务器中或者在大数据平台服务器中执行该些步骤。具体而言， 可W于在线服务器中获取日志并将其存储为历史订单-用户标识配对的形式作为总体样 本。可选地，可W在另一服务器中，例如大数据平台服务器，从在线服务器获取日志并存储 为历史订单-用户标识配对的形式作为总体样本。
[0044] 根据本发明的实施方式，获取历史订单的至少一个特征W及与历史订单相关联的 用户的响应可W包括；首先可选地，在与历史订单的特征相关联的总体样本中选取与特定 地理区域相关联的样本，该特定地理区域与将在应用阶段中出现的当前订单相关联。例如， 选取其中订单的发送位置和用户的位置都在特定城市中的样本。在选取与特定城市相关联 的样本之后从特定城市中的样本选择一部分样本进行训练W供将在同一城市中发送的当 前订单应用。从而历史订单、当前订单W及用户与同一地理区域相关联。
[0045] 接着，在进行训练之前，可选地对选择出的部分样本进行预处理W形成训练样本。 预处理可W包括文本处理。通过文本处理，能够从订单中识别出订单中的文本并将其W特 定形式呈现。
[0046] 然后，可W针对训练样本中的每个历史订单-用户配对，提取历史订单的特征，并 且提取用户是否选择历史订单的响应。历史订单的特征可W包括W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呈现次数。其中，根据一些实施方式，订单的呈现次数可W 是订单对同一用户的重复呈现次数。历史订单的特征还可W包括；愿意支付的额外小费、愿 意等待的时间、乘坐人数、是否携带大件行李等。用户是否选择历史订单的响应可W用样本 中的比特标记来表示。
[0047] 应当理解，上述待乘坐出租车的人员可W是使用打车软件来呼叫出租车的软件用 户，也可W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W由全球定位系 统佑P巧坐标表示，也可W在适当的情况下W其他可W用来表示确定的位置的信息表示， 该些信息包括但不限于公交车站、地铁站、某个路口 W及某个特定建筑物等。当发送订单的 位置由除了全球定位系统坐标W外的信息表示时，可W由订单的接收方（例如，服务器）或 者第=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系统坐标 W便于进行后续操作。另外，路况可W从政府部口发布的信息获得，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。
[0048] 此外，历史订单的特征可W是从训练样本中所提取的内容直接确定的，或者可W 是利用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W直接从历史 订单的文本信息中确定订单的目的地；作为另一示例，可W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W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。
[0049] 参照图1，在步骤S110之后执行步骤S120。在步骤S120中，可W根据与历史订单 相关联的用户的响应，向至少一个特征分配权重。步骤S120可W包括步骤S121，利用机器 学习模型，根据历史订单的至少一个特征W及用户是否选择历史订单的响应，向至少一个 特征分配权重。
[0化0] 根据本发明的实施方式，可W在机器学习过程的训练阶段执行步骤S120或S121。 可W在在线服务器中或者可选地在大数据平台服务器中执行该些步骤，因而训练阶段可W 离线或者在线进行。
[0化1] 根据本发明的实施方式，在步骤S120中，在步骤S110中提取训练样本中的历史订 单的特征并且提取用户是否选择历史订单的响应之后，可W将众多训练样本中的每个历史 订单-用户配对中的至少一个特征的信息，W及与该配对中的司机是否选择该历史订单的 响应两者分别组成两组向量W分别作为预测变量和目标变量，并且将预测变量和目标变量 代入机器学习模型进行训练。利用机器学习模型，根据预测变量和目标变量，能够向历史订 单的至少一个特征（例如，多个预测变量）中的每个特征分配权重。权重的形式可W是与 预测变量的向量相对应的向量。
[0化2] 在某些实施方式中，机器学习模型可W是广泛运用于二分类问题的逻辑回归 (Logistic Regression)模型。在某些实施方式中，机器学习模型可W是支持向量机模型。 在其它实施方式中，还可W根据测试结果来使用其它的机器学习模型。
[0053] 考虑使用逻辑回归模型的情况。假设历史订单的特征、或者预测变量X = X，则用 户是否选择历史订单的响应的布尔表示，即目标变量Y = 1的概率如下公式表示：
[0054]
【主权项】
1. 一种处理订单的方法，包括： 获取历史订单的至少一个特征W及与所述历史订单相关联的用户的响应； 根据与所述历史订单相关联的用户的响应，向所述至少一个特征分配权重； 获取当前订单的特征；W及 根据与所述当前订单的特征相对应的权重，选择所述当前订单中的将向用户呈现的当 前订单。
2. 根据权利要求1所述的方法，其中获取历史订单的至少一个特征W及与所述历史订 单相关联的用户的响应包括： 获取所述用户是否选择所述历史订单的响应。
3. 根据权利要求2所述的方法，其中根据与所述历史订单相关联的用户的响应，向所 述至少一个特征分配权重包括： 利用机器学习模型，根据所述历史订单的至少一个特征W及所述用户是否选择所述历 史订单的所述响应，向所述至少一个特征分配权重。
4. 根据权利要求1所述的方法，其中根据与所述当前订单的特征相对应的权重，选择 所述当前订单中的将向用户呈现的当前订单包括： 利用机器学习模型，根据所述当前订单的特征W及与所述当前订单的特征相对应的权 重，确定用户选择所述当前订单的概率。
5. 根据权利要求4所述的方法，还包括： 选择所述当前订单中的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。
6. 根据权利要求3或4所述的方法，其中所述机器学习模型包括逻辑回归模型或者支 持向量机模型。
7. 根据权利要求1所述的方法，还包括： 利用将向用户呈现的当前订单的特征W及与所述当前订单相关联的用户的响应，更新 与所述当前订单的特征相对应的权重。
8. 根据权利要求1所述的方法，其中所述特征包括W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W及订单的呈现次数。
9. 根据权利要求1所述的方法，其中所述历史订单、所述当前订单W及所述用户与同 一地理区域相关联。
10. -种处理订单的设备，包括： 第一获取装置，用于获取历史订单的至少一个特征W及与所述历史订单相关联的用户 的响应； 第一分配装置，用于根据与所述历史订单相关联的用户的响应，向所述至少一个特征 分配权重； 第二获取装置，用于获取当前订单的特征；W及 第一选择装置，用于根据与所述当前订单的特征相对应的权重，选择所述当前订单中 的将向用户呈现的当前订单。
11. 根据权利要求10所述的设备，还包括： 第=获取装置，用于获取所述用户是否选择所述历史订单的响应。
12. 根据权利要求11所述的设备，还包括： 第二分配装置，用于利用机器学习模型，根据所述历史订单的至少一个特征W及所述 用户是否选择所述历史订单的所述响应，向所述至少一个特征分配权重。
13. 根据权利要求10所述的设备，还包括： 确定装置，用于利用机器学习模型，根据所述当前订单的特征W及与所述当前订单的 特征相对应的权重，确定用户选择所述当前订单的概率。
14. 根据权利要求13所述的设备，还包括： 第二选择装置，用于选择所述当前订单中的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。
15. 根据权利要求12或13所述的设备，其中所述机器学习模型包括逻辑回归模型或者 支持向量机模型。
16. 根据权利要求10所述的设备，还包括： 更新装置，用于利用将向用户呈现的当前订单的特征W及与所述当前订单相关联的用 户的响应，更新与所述当前订单的特征相对应的权重。
17. 根据权利要求10所述的设备，其中所述特征包括W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W及订单的呈现次数。
18. 根据权利要求10所述的设备，其中所述历史订单、所述当前订单W及所述用户与 同一地理区域相关联。
【专利摘要】本发明的各实施方式涉及处理订单的方法以及设备。该方法包括：获取历史订单的至少一个特征以及与历史订单相关联的用户的响应；根据与历史订单相关联的用户的响应，向至少一个特征分配权重；获取当前订单的特征；以及根据与当前订单的特征相对应的权重，选择当前订单中的将向用户呈现的当前订单。利用本发明实施方式的处理订单的方法和设备，可以减少订单呈现对司机的干扰，以及提高了订单呈现媒介的利用效率。
【IPC分类】G06Q50-30, G06Q10-06
【公开号】CN104537502
【申请号】CN201510020526
【发明人】胡涛
【申请人】北京嘀嘀无限科技发展有限公司
【公开日】2015年4月22日
【申请日】2015年1月15日