酒店优惠信息的推送及装置、电子设备、存储介质的制作方法

本发明涉及计算机应用技术领域，尤其涉及一种酒店优惠信息的推送及装置、电子设备、存储介质。

背景技术：

随着ota(onlinetravelagent,在线旅行社)的迅猛发展，越来越多的酒店可以在互联网上方便快捷地进行预订。随着ota行业竞争越来越激烈，用户对价格的感受、认知不同，单一的价格已不能满足收益和用户心理的需求。旅游商品作为一个特殊的商品，更需要特殊的优惠方法，以提供给用户个性化的体验。

现有的优惠方法，主要面向所有用户，根据酒店底价与收益需求，一般只适合宏观调控，比价用户易选择竞争对手，从而造成流失。当今商业社会中，精细化划分用户并对部分有需求用户给予优惠信息的推送有望大幅度提升收益。而现有的优惠区分方式，如新老客区分，方法单一，涉及范围较广，成本代价较高，效果有限，且无法实现针对性的优惠信息的推送。

技术实现要素：

本发明为了克服上述现有技术存在的缺陷，提供一种酒店优惠信息的推送及装置、电子设备、存储介质，以能够提高用户预订酒店的用户体验，提高用户的下单率及佣金收益。

根据本发明的一个方面，提供一种酒店优惠信息的推送方法，包括：向第一用户组推送同一酒店优惠信息，并且不向第二用户组推送该酒店优惠信息，所述第一用户组及所述第二用户组分别具有n个不同的用户，每个用户具有多个属性，每个属性依据该用户的历史预订数据和/或实时预订数据设置有两个或多个标签，n为大于50的整数；针对不同的标签计算第一用户组和第二用户组的的下单率；于多个所述标签中选取多个场景标签，所述第一用户组中具有该场景标签的用户的下单率大于所述第二用户组中具有该场景标签的用户下单率；将多个所述场景标签组成一个或多个场景；当一用户搜索酒店时，获取该用户的多个标签或根据该用户的历史预订数据和/或实时预订数据设置该用户的多个标签，将该用户的标签与所述一个或多个场景中的多个场景标签进行匹配，当所述用户的标签与任一场景中的多个场景标签完全匹配，则将所述用户作为目标用户；向所述目标用户推送所述酒店优惠信息；以及获取多个目标用户的下单率，依据所述目标用户的下单率筛选所述场景标签或所述场景。

可选地，所述第一用户组及所述第二用户组中具有所述场景标签的用户的下单率超过50％。

可选地，至少部分属性设有m个标签，且所述属性的m个标签为场景标签，所述场景中没有两个场景标签属于同一属性，且所述场景的个数至少为m个，其中，m为大于2的整数，m为大于等于2小于等于m的整数。

可选地，所述多个属性中至少两个属性相关联，将多个所述场景标签组成一个或多个场景还包括：将每个场景中关联的属性的场景标签在第一用户组的下单率按不同的权重计算一关联下单率；计算每个场景中相互不关联的属性场景标签在第一用户组的下单率和所述关联下单率的和作为总下单率；保留总下单率最高的场景。

可选地，所述向所述目标用户推送所述酒店优惠信息还包括：向第三用户组推送第一类酒店优惠信息；向第四用户组推送第二类酒店优惠信息，所述第三用户组及所述第四用户组分别具有p个不同的目标用户，p为大于50的整数；计算所述第三用户组和第四用户组的下单率；依据所述第三用户组和第四用户组的下单率计算所述第三用户组和第四用户组的收益；以及选择收益较高的用户组的酒店优惠信息作为向下一目标用户推送的酒店优惠信息。

可选地，当一用户搜索酒店时还包括：提取该用户的特征信息，将所述特征信息输入至一机器学习模型，所述机器学习模型输出所述用户的预测下单率；当该用户的预测下单率大于70％或者当该用户的标签与任一场景中的多个场景标签完全匹配时，将所述用户作为目标用户。

可选地，所述属性包括如下属性中的一个或多个：时间属性，所述时间属性依据用户的浏览时间与输入的预订时间的时间差设置两个或多个标签；地点属性，所述地点属性依据用户的浏览实时定位与输入的预订地点的位置关系设置两个或多个标签；星级属性，所述星级属性依据用户的历史预订酒店的平均星级设置两个或多个标签；评分属性，所述评分属性依据用户的历史预订酒店的平均评分设置两个或多个标签；价格属性，所述价格属性依据用户的历史预订酒店的平均价格设置两个或多个标签。

可选地，所述星级属性和所述价格属性为关联属性、所述星级属性和所述评分属性为关联属性或者所述评分属性和所述价格属性为关联属性。

根据本发明的又一方面，还提供一种酒店优惠信息的推送装置，包括：第一推送模块，用于向第一用户组推送同一酒店优惠信息，并且不向第二用户组推送该酒店优惠信息，所述第一用户组及所述第二用户组分别具有n个不同的用户，每个用户具有多个属性，每个属性依据该用户的历史预订数据和/或实时预订数据设置有两个或多个标签，n为大于50的整数；第一计算模块，用于针对不同的标签计算第一用户组和第二用户组的下单率；场景标签选取模块，用于在多个所述标签中选取多个场景标签，所述第一用户组中具有该场景标签的用户的下单率大于所述第二用户组中具有该场景标签的用户下单率；场景生成模块，用于将多个所述场景标签组成一个或多个场景；目标用户确定模块，用于当一用户搜索酒店时，获取该用户的多个标签或根据该用户的历史预订数据和/或实时预订数据设置该用户的多个标签，将该用户的标签与所述一个或多个场景中的多个场景标签进行匹配，当所述用户的标签与任一场景中的多个场景标签完全匹配，则将所述用户作为目标用户；第二推送模块，用于向所述目标用户推送所述酒店优惠信息；以及筛选模块，用于获取多个目标用户的下单率，依据所述目标用户的下单率筛选所述场景标签或所述场景。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述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上所述的步骤。

相比现有技术，本发明的优势在于：

通过用户分组作为样本，并根据用户属性的不同标签的下单率进行比较和筛选，获得用于筛选目标用户的场景，基于该一个或多个场景筛选目标用户以向目标用户推送酒店优惠信息，由此实现精准的优惠信息推送。此外，本发明还通过目标用户的下单率检测场景及场景标签是否合适，由此可实现场景的迭代优化，以进一步提高目标用户的下单率。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的酒店优惠信息的推送方法的流程图。

图2示出了根据本发明实施例的酒店优惠信息的推送装置的示意图。

图3示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

图4示意性示出本公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决现有技术的缺陷，提高用户预订酒店的用户体验，提高用户的下单率及佣金收益，本发明提供一种酒店优惠信息的推送方法及装置、电子设备、存储介质。

首先参见图1，图1示出了根据本发明实施例的酒店优惠信息的推送方法的流程图。具体而言，图1共示出了7个步骤。

步骤s110：向第一用户组推送同一酒店优惠信息，并且不向第二用户组推送该酒店优惠信息，所述第一用户组及所述第二用户组分别具有n个不同的用户，每个用户具有多个属性，每个属性依据该用户的历史预订数据和/或实时预订数据设置有两个或多个标签，n为大于50的整数。

例如，在一些实施例中，n为100，则第一用户组包括100个用户，第二用户组包括100和第一用户组不同的用户。收集该200个用户的历史预订数据和/或实时预订数据。

具体而言，步骤s110中每个用户的属性可以包括时间属性、地点属性、星级属性、评分属性、价格属性中的一个或多个属性。

时间属性可依据用户的浏览时间与输入的预订时间的时间差设置两个或多个标签。例如，时间属性可以设置两个标签：当日用户和非当日用户，当日用户的浏览时间与输入的预订时间为同一天，非当日用户浏览时间与输入的预订时间不为同一天。又例如，时间属性可以设置三个标签：当日用户、当周用户、及非当周用户，当日用户的浏览时间与输入的预订时间为同一天，当周用户浏览时间与输入的预订时间的时间差大于一天且小于一周，非当周用户浏览时间与输入的预订时间的时间差大于等于一周。

地点属性可依据用户的浏览实时定位与输入的预订地点的位置关系设置两个或多个标签。例如，地点属性可以设置两个标签：当地用户和非当地用户，当地用户的浏览实时定位与输入的预订地点为同一城市，非当地用户浏览实时定位与输入的预订地点不为同一城市。又例如，地点属性可以设置三个标签：当地用户、当国用户、及非当国用户，当地用户的浏览实时定位与输入的预订地点为同一城市，当国用户浏览实时定位与输入的预订地点不为同一城市，但位于同一国家，非当国用户浏览实时定位与输入的预订地点不为同一国家。

星级属性可依据用户的历史预订酒店的平均星级设置两个或多个标签。例如，星级属性可以设置两个标签：低星用户和高星用户，低星用户的历史预定酒店的平均星级小于等于3，高星用户的历史预定酒店的平均星级大于3。又例如，星级属性可以设置五个标签：一星用户至五星用户，一星用户的历史预定酒店的平均星级小于等于1，两星用户的历史预定酒店的平均星级大于1小于等于2，三星用户的历史预定酒店的平均星级大于2小于等于3，四星用户的历史预定酒店的平均星级大于3小于等于4，五星用户的历史预定酒店的平均星级大于4。

评分属性可依据用户的历史预订酒店的平均评分设置两个或多个标签。例如，评分属性可以设置两个标签：低评分用户和高评分用户，低评分用户的历史预定酒店的平均评分小于等于4(评分最高为5)，高评分用户的历史预定酒店的平均评分大于4。又例如，评分属性可以设置三个标签：低评分用户、一般评分用户及高评分用户，低评分用户的历史预定酒店的平均评分小于等于4，一般评分用户的历史预定酒店的平均评分大于4小于等于4.5，高评分用户的历史预定酒店的平均评分大于4.5小于等于5。

价格属性可依据用户的历史预订酒店的平均价格设置两个或多个标签。例如，价格属性可以设置两个标签：低价用户和高价用户，低价格用户的历史预定酒店的平均价格小于等于200，高价格用户的历史预定酒店的平均价格大于200。又例如，价格属性可以设置三个标签：低价用户、一般用户及高价用户，低价用户的历史预定酒店的平均价格小于等于200，一般价格用户的历史预定酒店的平均价格大于200小于等于500，高价用户的历史预定酒店的平均价格大于500。

以上仅仅示意性的描述多个属性，本发明并非以此为限，本发明还可以实现更多不同的属性，例如房型属性、地段属性等等，且每个属性的标签数量也并非以此为限。

步骤s120：针对不同的标签计算第一用户组和第二用户组的下单率。

在一个具体实施例中，各个用户具有时间属性、地点属性及星级属性。时间属性设置有当日用户和非当日用户两个标签，地点属性设置有当地用户和非当地用户两个标签，星级属性设置有一星至五星用户五个标签。第一用户组包括100个用户，第二用户组包括100和第一用户组不同的用户。

例如，第一用户组的100个用户中，50个用户为当日用户，50个用户为非当日用户。第一用户组的50个当日用户中，45个当日用户下单，则第一用户组的当日用户下单率为45/50＝90％，第一用户组的50个非当日用户中，23个当日用户下单，则第一用户组的非当日用户下单率为23/50＝46％。类似地，可计算第二用户组的当日用户的下单率，例如为75％，非当日用户的下单率，例如为40％。可计算第一用户组的当地用户的下单率，例如为80％；非当地用户的下单率，例如为60％；第二用户组的当地用户的下单率，例如为75％，非当地用户的下单率，例如为45％。可计算第一用户组的一星用户的下单率，例如为2％，二星用户的下单率，例如为8％，三星用户的下单率，例如为60％，四星用户的下单率，例如为22％，五星用户的下单率，例如为8％；第二用户组的一星用户的下单率，例如为2％，二星用户的下单率，例如为10％，三星用户的下单率，例如为55％，四星用户的下单率，例如为20％，五星用户的下单率，例如为13％。

以上各组数据皆为举例，并不对本案产生任何限制。

步骤s130：于多个所述标签中选取多个场景标签，所述第一用户组中具有该场景标签的用户的下单率大于所述第二用户组中具有该场景标签的用户下单率。

步骤s140：将多个所述场景标签组成一个或多个场景。

在一些实施例中，每个属性都只包括两个标签，则在步骤s1:40中可仅生成一个场景。在一些变化例中，至少部分属性(例如具有五个标签的星级属性)设有m个标签，且所述属性的m个标签为场景标签，所述场景中没有两个场景标签属于同一属性，且所述场景的个数至少为m个，其中，m为大于2的整数，m为大于等于2小于等于m的整数。例如，多个属性中仅一个属性设有5个标签，且其中3个为场景标签，则由于场景中每个属性仅保留一个标签，因此，在步骤s130中生成3个场景；又例如，多个属性中有两个属性设有5个标签，且其中一个属性的3个为场景标签，另一个属性的4个为场景标签，则由于场景中每个属性仅保留一个标签，因此，在步骤s140中生成3*4＝12个场景。换言之，若有q个属性，每个属性的场景标签的数量为s1、s2、……sq、则在步骤s130中生成个场景，其中q为大于1的整数。

具体而言，在上述的具体实施例中，标签可包括当日用户、非当日用户、当地用户、非当地用户、一星用户至五星用户。在这些标签中选取组成场景的场景标签。

第一用户组中具有当日用户标签的用户的下单率大于第二用户组中具有当日用户标签的用户的下单率，则将当日用户作为一场景标签；第一用户组中具有当地用户标签的用户的下单率大于第二用户组中具有当地用户标签的用户的下单率，则将当地用户作为一场景标签；第一用户组中具有三星用户标签的用户的下单率大于第二用户组中具有三星用户标签的用户的下单率，则将三星用户作为一场景标签；第一用户组中具有四星用户标签的用户的下单率大于第二用户组中具有四星用户标签的用户的下单率，则将四星用户作为一场景标签。由此，可在步骤s140中生成两个场景{当日用户、当地用户、三星用户}以及{当日用户、当地用户、四星用户}。

在一些实施例中，可在生成的场景中进行筛选，通过使场景标签的用户的下单率超过50％来筛选场景标签进而筛选场景。例如，在上述实施例中，四星用户的下单率不足50％，则将该四星用户从场景标签中删除。这样，就仅剩一个场景{当日用户、当地用户、三星用户}。

在又一些实施例中，部分属性相互关联，例如，所述星级属性可与所述价格属性为关联属性、所述星级属性可与所述评分属性为关联属性、所述评分属性可与所述价格属性为关联属性、或者上述三个属性相关关联。由于上述属性相互关联，可将每个场景中关联的属性的场景标签在第一用户组的下单率按不同的权重计算一关联下单率，计算每个场景中相互不关联的属性的场景标签在第一用户组的下单率和所述关联下单率的和作为总下单率，并保留总下单率最高的场景。在一个具体实施例中，若有三个场景：{当日用户(第一用户组中的下单率为90％)、当地用户(第一用户组中的下单率为80％)、三星用户(第一用户组中的下单率为60％)、一般用户(第一用户组中的下单率为66％)}、{当日用户、当地用户、三星用户、高价用户(第一用户组中的下单率为23％)}、{当日用户、当地用户、四星用户(第一用户组中的下单率为20％)、高价用户}。其中，星级属性可与价格属性为关联属性。则计算每个场景中的关联下单率，例如，第一个场景中关联下单率＝a*60％+b*66％；第二个场景中关联下单率＝c*60％+d*23％；第三个场景中关联下单率＝e*20％+f*23％。由于星级属性可与价格属性为关联属性，可以劣迹，星级越高价格越高，而当场景中出现趋势相反或不相匹配的标签时，使其权重的合小于1，且趋势越相反，权重的合越小，例如，在本实施例中，三星用户和(价格)一般用户相匹配，四星用户和高价用户相匹配，三星用户和高价用户较为不匹配，则a+b≥e+f>c+d。在一些实施例中，可设置a＝b，c＝d，e＝f。由此，可计算得第一个场景中的关联下单率最大，并且第一场景中的下单率之和最大，因此，保留第一场景{当日用户、当地用户、三星用户、一般用户}以进行后续匹配。

步骤s150：当一用户搜索酒店时，获取该用户的多个标签或根据该用户的历史预订数据和/或实时预订数据设置该用户的多个标签，将该用户的标签与所述一个或多个场景中的多个场景标签进行匹配，当所述用户的标签与任一场景中的多个场景标签完全匹配，则将所述用户作为目标用户。

具体而言，当前搜索酒店的用户，根据历史预定数据确定的标签例如可以储存在服务器中，当用户搜索酒店时，直接自服务器中获取所储存的标签，同时根据用户当前的实时预订数据(例如当前浏览时间、预订时间、当前实时定位、预订地点等)确定其他标签。

在一些变化例中，步骤s150还可以提取用户的特征信息，将所述特征信息输入至一机器学习模型，所述机器学习模型输出所述用户的预测下单率；当该用户的预测下单率大于70％或者当该用户的标签与任一场景中的多个场景标签完全匹配时，将所述用户作为目标用户。

机器学习模型可首先确立模型预测目标，确定以用户当日是否下单为目标变量，预测用户当日流失概率，为划分高低流失率用户做准备。确定以统一精度下召回率作为模型评价标准。每一个来访用户及其当日浏览信息组成了一个样本。对于每一个样本，可提取特征包括：来访用户过去一定期间内消费情况，来访用户浏览酒店与竞争对手价差情况，来访用户目的地城市该访问日期转化情况等。提取的特征输入已生成的机器学习模型中进行预测，预测用户当日不下单的概率。本实施例中，模型可为分类预测模型，总类数为2(流失或者下单)，例如，使用xgboost算法进行训练，生成用于预测客户不下单概率

步骤s160：向所述目标用户推送所述酒店优惠信息。

步骤s170：获取多个目标用户的下单率，依据所述目标用户的下单率筛选所述场景标签或所述场景。

具体而言，步骤s170用于对场景标签或场景进行修正，以实现更精准的优惠信息的推送。

进一步地，上述步骤s160之后还可通过向不同的目标用户推送不同的酒店优惠信息，计算不同酒店优惠信息的下单率进而确定所要推送的酒店优惠信息。

具体而言，可向第三用户组推送第一类酒店优惠信息，向第四用户组推送第二类酒店优惠信息，所述第三用户组及所述第四用户组分别具有p个不同的目标用户，p为大于50的整数。之后，计算所述第三用户组和第四用户组的下单率。然后，依据所述第三用户组和第四用户组的下单率计算所述第三用户组和第四用户组的收益。最后，选择收益较高的用户组的酒店优惠信息作为向下一目标用户推送的酒店优惠信息。上述步骤也可以通过迭代修正或迭代修改的方式，进而实现针目标用户提供精准的酒店优惠信息。

下面参见图2，图2示出了根据本发明实施例的酒店优惠信息的推送装置的示意图。

酒店优惠信息的推送装置200包括第一推送模块210、第一计算模块220、场景标签选取模块230、场景生成模块240、目标用户确定模块250、第二推送模块260及筛选模块270。

第一推送模块210用于向第一用户组推送同一酒店优惠信息，并且不向第二用户组推送该酒店优惠信息，所述第一用户组及所述第二用户组分别具有n个不同的用户，每个用户具有多个属性，每个属性依据该用户的历史预订数据和/或实时预订数据设置有两个或多个标签，n为大于50的整数。第一计算模块220用于针对不同的标签计算第一用户组及所述第二用户组的下单率。场景标签选取模块230用于在多个所述标签中选取多个场景标签，所述第一用户组中具有该场景标签的用户的下单率大于所述第二用户组中具有该场景标签的用户下单率。场景生成模块240用于将多个所述场景标签组成一个或多个场景。目标用户确定模块250用于当一用户搜索酒店时，获取该用户的多个标签或根据该用户的历史预订数据和/或实时预订数据设置该用户的多个标签，将该用户的标签与所述一个或多个场景中的多个场景标签进行匹配，当所述用户的标签与任一场景中的多个场景标签完全匹配，则将所述用户作为目标用户。第二推送模块260用于向所述目标用户推送所述酒店优惠信息。筛选模块270用于获取多个目标用户的下单率，依据所述目标用户的下单率筛选所述场景标签或所述场景。

在本实施例中酒店优惠信息的推送装置200还包括机器学习模块280。机器学习模块280用于提取用户的特征信息，将所述特征信息输入至一机器学习模型，所述机器学习模型输出所述用户的预测下单率。目标用户确定模块250还用于当该用户的预测下单率大于70％或者当该用户的标签与任一场景中的多个场景标签完全匹配时，将所述用户作为目标用户。

相比现有技术，本发明的优势在于：

通过用户分组作为样本，并根据用户属性的不同标签的下单率进行比较和筛选，获得用于筛选目标用户的场景，基于该一个或多个场景筛选目标用户以向目标用户推送酒店优惠信息，由此实现精准的优惠信息推送。此外，本发明还通过目标用户的下单率检测场景及场景标签是否合适，由此可实现场景的迭代优化，以进一步提高目标用户的下单率。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图3所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储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、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600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，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。