订单处理方法、装置及介质与流程

本公开涉及互联网技术领域，更具体地，涉及一种订单处理方法、装置及介质。

背景技术：

随着互联网的发展，广告的类型(包括投放渠道、展示方式等)越来越多样化。用户最终的购买行为可能会受到多种类型的广告中某一种、或者某几种的影响，而且不同类型的广告的影响程度也可能有所不同。现有技术中为了分析各种类型的广告是如何影响用户的最终购买行为以及影响程度，通常通过浅层模型(例如马尔可夫模型)或者规则模型(例如自定义模型，诸如基于时间衰减、平均分配原则等)进行分析。

在实现本发明构思的过程中，发明人发现现有技术中至少存在如下问题：浅层模型对于各种类型的广告与用户的最终购买行为之间的数据的深层关联特征提取较弱，表达能力受限；规则模型无法挖掘各种类型的广告与用户的最终购买行为之间的数据内在的特征，从而无法提供更深层次的数据关联信息。可见，现有技术中对于各种类型的广告与用户的最终购买行为之间的关联关系的分析不够准确深入。

技术实现要素：

有鉴于此，本公开提供了一种能够深入地预测各种类型的广告与用户的最终购买行为之间的关联关系的订单处理方法、装置及介质。

本公开的一个方面提供了一种订单处理方法。所述方法包括：获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购；获取用户广告行为数据，所述用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据，其中：每一个所述有订单用户广告行为数据中对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据；每一个所述无订单用户广告行为数据对应于在所述特定时期内没有任何订单产生的一个无订单用户，表征所述无订单用户查阅与满足所述预设条件的物品相关的所述m种类型的广告的行为数据，m为大于等于2的正整数；以所述用户广告行为数据作为神经网络的输入，并以所述用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练所述神经网络以预测是否有订单生成，直到所述神经网络的预测与所述预设答案的一致性达到预定标准时训练完成；输出训练完成的神经网络。

根据本公开的实施例，所述方法还包括针对每一个订单，确定所述m种类型的广告中每一种类型的广告的贡献率。具体包括对于每一种类型的广告，在该种类型的广告作为待分析类型广告时，执行以下操作：将该订单对应的用户广告行为数据中与所述待分析类型广告之外的其他类型的广告相关的数据设置为零，得到用户待分析类型广告行为数据；将所述用户待分析类型广告行为数据输入至所述训练完成的神经网络；获取训练完成的神经网络的输出，其中，所述训练完成的神经网络的输出对应于所述待分析类型广告对所述订单的贡献率。

根据本公开的实施例，所述方法还包括将满足预设条件的物品的所有订单中每一个订单的每一种类型的广告的贡献率按照广告类型对应汇总，以获得所述每一种类型的广告对满足所述预设条件的物品的销售贡献率。

根据本公开的实施例，所述表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据，包括在所述特定时期内不晚于该订单生成当天、以及所述特定时期之前连续n天内，所述下单用户在与该订单的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，所述表征所述无订单用户查阅与满足所述预设条件的物品相关的m种类型的广告的行为数据，包括在所述特定时期以及所述特定时期之前连续n天内，所述无订单用户在与满足所述预设条件的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，在所述有订单用户广告行为数据的数据量小于所述无订单用户广告行为数据的数据量时，按照预设规则缩减所述无订单用户广告行为数据的数据量，以使在所述有订单用户广告行为数据的数据量与所述无订单用户广告行为数据的数据量相当。

根据本公开的实施例，所述神经网络是卷积神经网络。

根据本公开的实施例，所述卷积神经网络包括多个卷积层、整流层、和池化层的组合，和/或多个全连接层和整流层的组合。

本公开的另一方面还提供了一种订单处理装置，包括订单数据获取模块、用户广告行为数据获取模块、神经网络训练模块和输出模块。订单数据获取模块用于获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购。用户广告行为数据获取模块用于获取用户广告行为数据，所述用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据，其中：每一个所述有订单用户广告行为数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据；每一个所述无订单用户广告行为数据对应于在所述特定时期内没有任何订单产生的一个无订单用户，表征所述无订单用户查阅与满足所述预设条件的物品相关的所述m种类型的广告的行为数据，m为大于等于2的正整数。神经网络训练模块用于以所述用户广告行为数据作为神经网络的输入，并以所述用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练所述神经网络以预测是否有订单生成，直到所述神经网络的预测与所述预设答案的一致性达到预定标准时训练完成。输出模块用于输出训练完成的神经网络。

根据本公开的实施例，所述装置还包括订单的广告贡献率确定模块。订单的广告贡献率确定模块用于针对每一个订单，确定所述m种类型的广告中每一种类型的广告的贡献率。具体包括对于每一种类型的广告，在该种类型的广告作为待分析类型广告时，执行以下操作：将该订单对应的用户广告行为数据中与所述待分析类型广告之外的其他类型的广告相关的数据设置为零，得到用户待分析类型广告行为数据；将所述用户待分析类型广告行为数据输入至所述训练完成的神经网络；获取训练完成的神经网络的输出，其中，所述训练完成的神经网络的输出对应于所述待分析类型广告对所述订单的贡献率。

根据本公开的实施例，所述装置还包括总销售的广告贡献率计算模块。总销售的广告贡献率计算模块用于将满足预设条件的物品的所有订单中每一个订单的每一种类型的广告的贡献率按照广告类型对应汇总，以获得所述每一种类型的广告对满足所述预设条件的物品的销售贡献率。

根据本公开的实施例，所述表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据，包括在所述特定时期内不晚于该订单生成当天、以及所述特定时期之前连续n天内，所述下单用户在与该订单的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，所述表征所述无订单用户查阅与满足所述预设条件的物品相关的m种类型的广告的行为数据，包括在所述特定时期以及所述特定时期之前连续n天内，所述无订单用户在与满足所述预设条件的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，在所述有订单用户广告行为数据的数据量小于所述无订单用户广告行为数据的数据量时，按照预设规则缩减所述无订单用户广告行为数据的数据量，以使在所述有订单用户广告行为数据的数据量与所述无订单用户广告行为数据的数据量相当。

根据本公开的实施例，所述神经网络是卷积神经网络。

根据本公开的实施例，所述卷积神经网络包括多个卷积层、整流层、和池化层的组合，和/或多个全连接层和整流层的组合。

本公开的另一方面提供了一种订单处理装置，包括一个或多个处理器，以及存储器。所述存储器用于存储一个或多个程序。其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的订单处理方法。

本公开的另一方面提供了一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上所述的订单处理方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的订单处理方法。

根据本公开的实施例，可以至少部分地解决现有技术中无法准确地深入分析用户广告行为数据与订单数据之间的关联性的问题，并通过神经网络深度学习大量的用户广告行为数据与订单数据之间的关联关系，可以实现根据用户广告行为数据更为准确地预测用户是否会最终购买的技术效果。并且，通过神经网络的深度学习以及基于大量数据的归纳分析，使得对用户购买行为的分析更具弹性、灵活性，可以提供更为准确的预测。

根据本公开的一些实施例，可以至少部分地根据用户广告行为数据分析出每一种类型的广告是如何影响每一个订单的生成以及对应的影响程度。

根据本公开的一些实施例，可以至少部分地分析出各种类型的广告对一定时期内满足预设条件的物品的销售量的贡献情况。从而，对于经营者的营销手段评估与预算分配、以及营销的预测都有很大帮助，极大地提高了广告效果评估的准确性和完备性。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的订单处理方法、装置和介质的系统性架构；

图2示意性示出了根据本公开实施例的订单处理方法的流程图；

图3示意性示出了根据本公开实施例的订单处理方法的构思示意图；

图4示意性示出了根据本公开另一实施例的订单处理方法的流程图；

图5示意性示出了根据本公开实施例的订单处理方法中确定订单的广告贡献率的方法流程图；

图6示意性示出了根据本公开再一实施例的订单处理方法的流程图；

图7示意性示出了根据本公开实施例的订单处理装置的框图；以及

图8示意性示出了根据本公开实施例的订单处理计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“a或b”应当被理解为包括“a”或“b”、或“a和b”的可能性。

本公开的实施例提供了一种订单处理方法、装置及介质。所述方法包括：获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购；获取用户广告行为数据，该用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据；以该用户广告行为数据作为神经网络的输入，并以该用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练该神经网络以预测是否有订单生成，直到该神经网络的预测与该预设答案的一致性达到预定标准时训练完成；输出训练完成的神经网络。其中，该有订单用户广告行为数据中的每一个数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据；该无订单用户广告行为数据的每一个数据对应于在该特定时期内没有任何订单产生的一个无订单用户，表征该无订单用户查阅与满足该预设条件的物品相关的该m种类型的广告的行为数据，m为大于等于2的正整数。

根据本公开的实施例，可以至少部分地解决现有技术中无法准确深入分析用户广告行为数据与订单数据之间的关联性的问题，并通过神经网络深度学习大量的用户广告行为数据与订单数据之间的关联关系，可以实现根据用户广告行为数据更为准确地预测用户是否会最终购买的技术效果。根据本公开的实施例，基于大量数据的归纳分析和深度学习，为分析用户的购买行为提供了更具弹性、灵活性以及更为准确的预测结果。

图1示意性示出了根据本公开实施例的订单处理方法、装置和介质的系统性架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103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101、102、103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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的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用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

在一些实施例中，用户可以使用终端设备101、102、103查阅(例如浏览或点击)包括各种类型的广告的网页、邮件、或者搜索引擎等。在另一些实施例中，用户可以通过终端设备101、102、103进行下单。

在一些实施例中，服务器105可以分析、处理并记录终端设备101、102、103发送的用户请求数据中所包括广告类型的数据，并可以对应生成用户广告行为数据。在一些实施例中，服务器105可以分析、处理并记录终端设备101、102、103发送的用户请求数据中所包括的各种订单数据。

需要说明的是，本公开实施例所提供的订单处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的订单处理装置一般可以设置于服务器105中。本公开实施例所提供的订单处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的订单装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1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。

图2示意性示出了根据本公开实施例的订单处理方法的流程图。

如图2所示，根据本公开实施例的订单处理方法包括操作s210～操作s240。

在操作s210，获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购。

满足预设条件的物品可以是例如某一特定品牌的物品、或者某一行业的物品、或者某一电商平台的物品等。具体可以根据实际分析的需要确定。

该特定时期可以是根据分析需要预先选定的一段时期。

每一个订单数据对应于一种物品的一次订购。具体地，例如将同一品牌的不同款物品视为不同种物品。在这种情况下，例如，用户在一次下单中购买了多个同款的华为手机，在这种情况下仅产生一个订单数据，即该款华为手机的一个订单。又例如，用户在一次下单中同时购买了两个不同款的华为手机和一个海尔冰箱，在这种情况下将产生三个订单数据，即两个不同款的华为手机各对应一个订单数据，海尔冰箱则对应为另一个订单数据。

在操作s220，获取用户广告行为数据，该用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据。

其中，每一个该有订单用户广告行为数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据。每一个该无订单用户广告行为数据对应于在该特定时期内没有任何订单产生的一个无订单用户，表征该无订单用户查阅与满足该预设条件的物品相关的该m种类型的广告的行为数据，m为大于等于2的正整数。

具体地，m种类型的广告根据不同的方式或不同的分析需要进行分类。

在一些实施例中，确定广告类型时，例如可以先将所有的广告根据向用户的呈现方式分为展示广告(例如，用户浏览网页时在网页上显示的广告)和搜索广告(例如，用户在搜索框中进行关键字搜索后查找到的广告)两大类。然后在此基础上再根据广告的投放渠道进一步细分，其中，投放渠道例如可以是门户网站、社交网络、邮件、导航页等。

根据本公开的实施例，每一个该有订单用户广告行为数据中数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据。具体地，可以包括在该特定时期内不晚于该订单生成当天、以及该特定时期之前连续n天内，该下单用户在与该订单的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。例如，如表1所示。

表1示例性示出了一个有订单用户广告行为数据。

如表1所示，该特定时期选择为某年的11月1日～11月11日，n取值为30。该有订单用户广告行为数据所针对的订单(例如订单a)在11月9日产生。从而，该有订单用户广告行为数据包括了11月1日到11月9日当天、以及10月2日至10月31日之间的订单a的下单用户的在与订单a的物品相关的m种不同类型的广告的曝光次数和/或点击次数。具体的，表1中11月1日到11月9日当天、以及10月2日至10月31日之间的表格中的数据例如可以是该下单用户在对应类型的广告的曝光次数(如表1所示)。当然，表1所举的曝光次数仅是一种示例，该有订单用户广告行为数据也可以是该下单用户点击对应类型的广告的次数，或者也可以是该下单用户在对应类型的广告的曝光次数和点击次数之和。

表1中订单a的下单日期为11月9日，故11月9日之后的该下单用户的任何广告行为数据对该订单没有任何贡献。因此，该订单a对应的该有订单用户广告行为数据中11月10日和11月11日没有数据(表中以长短线表示该表格中的数据为空)。

表1有订单用户广告行为数据

当然，可以理解，同一个用户在该特定时期内有多个订单产生时，对于多个单会相应存在有多个有订单用户广告行为数据。

根据本公开的实施例，每一个该无订单用户广告行为数据对应于在该特定时期内没有任何订单产生的一个无订单用户，表征该无订单用户查阅与满足该预设条件的物品相关的该m种类型的广告的行为数据，包括在该特定时期以及该特定时期之前连续n天内，该无订单用户在与满足该预设条件的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。例如如表2所示。

表2示例性示出了一个无订单用户广告行为数据。

具体如表2所示，为便于描述，该特定时期仍选择为某年的11月1日～11月11日，n取值为30。该无订单用户广告行为数据所针对是11月1日～11月11日之间没有任何订单产生的一个无订单用户(例如用户w)。该无订单用户广告行为数据包括了11月1日到11月11日(即该特定时期)、以及10月2日至10月31日(该特定时期之前30天)之间的用户w的在与满足该预设条件的物品(例如，某一特定品牌的物品)相关的m种不同类型的广告的曝光次数和/或点击次数。

具体地，用户w的广告行为数据包括了用户w在11月1日到11月11日该特定时期内、以及10月2日至10月31日所有天数中的每一天的广告行为数据(表格中以省略号示出)。

类似的，用户w的广告行为数据可以是用户w在对应类型的广告的曝光次数(如表2所示)。当然，表2所举的曝光次数仅是一种示例，该无单用户广告行为数据也可以是用户w点击对应类型的广告的次数，或者也可以是该用户w在对应类型的广告的曝光次数和点击次数之和。

表2用户w对应的无订单用户广告行为数据

在操作s230，以该用户广告行为数据作为神经网络的输入，并以该用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练该神经网络以预测是否有订单生成，直到该神经网络的预测与该预设答案的一致性达到预定标准时训练完成。

该神经网络可以是任意一种神经网络，例如循环神经网络、卷积神经网络或者bp神经网络等。

例如，在训练神经网络时，可以设定每一个有订单用户广告行为数据对应的预设答案为1，每一个无订单用户广告行为数据对应的预设答案为0。将操作s220获取的所有用户广告行为数据(包括有订单用户广告行为数据和无订单用户广告行为)输入至神经网络对该神经网络进行反复训练，直到该神经网络的预测输出与预设的答案的一致性达到预定标准(例如该神经网络的预测输出与预设的答案一致的概率达到一定程度，例如90％)时，该神经网络训练完成。以此方式，使得神经网络深度可以学习用户广告行为数据与最终生成的订单数据之间的关系。

根据本公开的实施例，在该有订单用户广告行为数据的数据量小于该无订单用户广告行为数据的数据量时，，按照预设规则缩减所述无订单用户广告行为数据的数据量，以使在该有订单用户广告行为数据的数据量与该无订单用户广告行为数据的数据量相当。

例如，在一些情景下，例如从一个商城获取用户广告行为数据。此时，有可能在特定时期内生成订单的用户仅限于少数用户，这样极有可能导致有订单用户广告行为数据的数据量远小于无订单用户广告行为数据的数据量。然而，有订单用户广告行为数据的数据量对于分析用户广告行为数据与最终生成的订单数据之间的关系又至关重要。此时，为了提高神经网络学习预测的准确率，避免大量的无订单用户广告行为数据过分地稀释用户广告行为数据与最终生成的订单数据之间的关系，可以按照预设规则缩减所述无订单用户广告行为数据的数据量。例如，从所有的无订单用户广告行为数据中通过随机抽样的方法抽样出与有订单用户广告行为数据的数据量相当(例如相等、或数量级相同、或达到预定的比例值)的无订单用户广告行为数据。

再或者，又例如，在另一些情景下，有订单用户广告行为数据的数据量远小于无订单用户广告行为数据的数据量极端得少，一方面小于无订单用户广告行为数据的数据量，另一方面也不能够满足数据分析的需要(例如，如果分析预计需要获取的有订单用户广告行为数据的数据量达到十万个才能够满足分析需要，而实际中可能只有八万个数据)。此时，也可以通过按照相应的规则(例如随机复制等)扩充该有订单用户广告行为数据的数据量，使得该有订单用户广告行为数据的数据量满足分析需求，以及使得该有订单用户广告行为数据的数据量与该无订单用户广告行为数据的数据量相当。

然后，在操作s240，输出训练完成的神经网络。该训练完成的神经网络可以用于根据用户的广告行为数据预测用户最终是否会购买。

根据本公开的实施例，可以至少部分地解决现有技术中无法准确深入分析用户广告行为数据与订单数据之间的关联性的问题，并通过神经网络深度学习大量的用户广告行为数据与订单数据之间的关系，从而可以根据用户广告行为数据更为准确地预测用户是否会最终购买，为分析用户的购买行为提供了更具弹性、灵活性以及更为准确的归纳与预测结果。

根据本公开的实施例，该神经网络是卷积神经网络。

根据本公开的实施例，该卷积神经网络包括多个卷积层、整流层、和池化层的组合，和/或多个全连接层和整流层的组合。

图3示意性示出了根据本公开实施例的订单处理方法的构思示意图。

如图3所示，根据本公开实施例的订单处理方法中，将用户的广告行为数据(包括有订单用户广告行为数据，例如表1所示的数据，和无订单用户广告行为数据，例如表2所示的数据)输入至卷积神经网络的输入层。然后经过该卷积神经网络内部层层传递，获得该卷积神经网络的输出层的预测输出。当该卷积神经网络的预测输出与预设的答案的一致性不满足预定标准时，反复对该卷积神经网络进行训练，直到该卷积神经网络的预测输出与预设的答案的一致性达到预定标准，该卷积神经网络训练完成。此后，就可以利用该卷积神经网络根据用户的广告行为数据预测用户最终是否会购买。

如图3所示，该卷积神经网络由输入层a、卷积层b、整流层c、池化层d、全连接层e、整流层f、损耗层g、输出层h组成。

输入层a主要目的是读取矩阵特征，直接输出到卷积层b。

卷积层b可以用于设置卷积过滤器，卷积过滤器参数由反向传播算法优化后给出。

整流层c可以采用非线性sigmoid函数进行整流，能够有效提取用户广告行为数据跟订单数据之间的多种非线性的关系。

池化层d可以进行数据清洗，避免过拟合，控制参数数量等。

在一些实施例中，卷积层b、整流层c、池化层d的组合可以重复出现多次。在一些实施例中，可以使用3～4组重复，其中第一组组合一般用于提取低级局部特征，后面的组合中卷积层b可以用于提取整体特征。

全连接层e可以用于对池化层d的输入做线性变换，例如，全连接层e的每个神经元可以连接到池化层d的所有矩阵点。

整流层f与整流层c的功能不同。整流层f的目的主要是对全连接层e的输出进行非线性变化(例如可以同样采用sigmoid函数)。

在一些实施例中，可以重复设置多个全连接层e和整流层f的组合。在一些实施例中，全连接层e和整流层f的组合可以是两个。

损耗层g是图3所示的卷积神经网络的最后一层，用于惩罚卷积神经网络的预测值与预设答案的差异。在一些实施例中，卷积神经网络的预测结果以概率形式表示。在这种情况下，损耗层g采用sigmoid交叉熵损失函数。

输出层h即为g损耗层的输出值，是该卷积神经网络的预测结果。

图4示意性示出了根据本公开另一实施例的订单处理方法的流程图。

如图4所示，该订单处理方法除操作s210～操作s240外，还包括操作s250。

在操作s250，针对每一个订单，确定该m种类型的广告中每一种类型的广告的贡献率。

根据本公开的实施例，操作s250包括对于每一种类型的广告，在该种类型的广告作为待分析类型广告时，执行参考图5所示的操作流程。

图5示意性示出了根据本公开实施例的订单处理方法中确定订单的广告贡献率的方法流程图。

如图5所示，在操作s250中针对每一个订单，确定该m种类型的广告中每一种类型的广告的贡献率包括对于每一种类型的广告，在该种类型的广告作为待分析类型广告时执行操作s251～操作s253。

在操作s251，将该订单对应的用户广告行为数据中与该待分析类型广告之外的其他类型的广告相关的数据设置为零，得到用户待分析类型广告行为数据。

例如，当待分析广告类型为表1中所示的“广告1：邮件广告”时，可以将表1中的除“广告1：邮件广告”这一列之外的其他有数据的表格均设置为零，从而得到“广告1：邮件广告”对应的用户待分析类型广告行为数据。

在操作s252，将该用户待分析类型广告行为数据输入至该训练完成的神经网络。

在操作s253，获取训练完成的神经网络的输出，其中，该训练完成的神经网络的输出对应于该待分析类型广告对该订单的贡献率。

例如，将上述举例得到的“广告1：邮件广告”对应的用户待分析类型广告行为数据，输入至该训练完成的神经网络，并获取到该训练完成的神经网络的输出层h的输出。在一些实施例中，该训练完成的神经网络的输出可以以概率形式表现，从而可以将该概率值作为“广告1：邮件广告”对订单a的贡献率。在另一些实施例中，该训练完成的神经网络的输出会以其他形式表达，然后可以根据具体情况进行相应的数据处理方法可得到“广告1：邮件广告”对订单a的贡献率。

根据本公开的一些实施例，可以至少部分地根据用户广告行为数据分析出每一种类型的广告是如何影响每一个订单的生成以及对应的影响程度。

图6示意性示出了根据本公开再一实施例的订单处理方法的流程图。

如图6所示，该订单处理方法除操作s210～操作s250之外，还包括操作s260。

在操作s260，将满足预设条件的物品的所有订单中每一个订单的每一种类型的广告的贡献率按照广告类型对应汇总，以获得该每一种类型的广告对满足该预设条件的物品的销售贡献率。

例如，海尔品牌的物品在该特定时期内产生了十万个订单。在操作s250中已经对应分析出了广告类型“广告1：邮件广告”对每个订单的贡献率，然后在操作s260中将“广告1：邮件广告”对该十万个订单的贡献率逐个累加，可以得到“广告1：邮件广告”与海尔品牌的物品之间的关联数据。在一些实施例中，可以将该十万个订单对应的m种类型的关联数据进行归一化概率后，得到该每一种类型的广告对满足该预设条件的物品的销售贡献率。

根据本公开的一些实施例，可以至少部分地分析出各种类型的广告对一定时期内满足预设条件的物品的销售量的贡献情况。从而，对于经营者的营销手段评估与预算分配、以及营销的预测都有很大帮助，极大地提高了广告效果评估的准确性和完备性。

图7示意性示出了根据本公开实施例的订单处理装置的框图。

如图7所示，根据本公开实施例的订单处理装置700包括订单数据获取模块710、用户广告行为数据获取模块720、神经网络训练模块730以及输出模块740。

根据本公开实施例的订单处理装置700可以用于实现参考图2～图6的订单处理方法。

订单数据获取模块710用于获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购。

用户广告行为数据获取模块720用于获取用户广告行为数据，该用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据，其中：每一个该有订单用户广告行为数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据；每一个该无订单用户广告行为数据对应于在该特定时期内没有任何订单产生的一个无订单用户，表征该无订单用户查阅与满足该预设条件的物品相关的该m种类型的广告的行为数据，m为大于等于2的正整数。

神经网络训练模块730用于以该用户广告行为数据作为神经网络的输入，并以该用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练该神经网络以预测是否有订单生成，直到该神经网络的预测与该预设答案的一致性达到预定标准时训练完成。

输出模块740用于输出训练完成的神经网络。

根据本公开的实施例，可以至少部分地解决现有技术中无法准确深入分析用户广告行为数据与订单数据之间的关联性的问题，并通过神经网络深度学习大量的用户广告行为数据与订单数据之间的关系，可以实现根据用户广告行为数据更为准确地预测用户是否会最终购买的技术效果，提供了更具弹性、灵活性以及更为准确的归纳与预测结果。

根据本公开的实施例，该订单处理装置700还包括订单的广告贡献率确定模块750。

订单的广告贡献率确定模块750用于针对每一个订单，确定该m种类型的广告中每一种类型的广告的贡献率。具体包括，对于每一种类型的广告，在该种类型的广告作为待分析类型广告时，执行参考图5所示的操作流程。

根据本公开的一些实施例，可以至少部分地根据用户广告行为数据分析出每一种类型的广告是如何影响每一个订单的生成以及对应的影响程度。

根据本公开的实施例，该订单处理装置700还包括总销售的广告贡献率计算模块760。

总销售的广告贡献率计算模块760用于将满足预设条件的物品的所有订单中每一个订单的每一种类型的广告的贡献率按照广告类型对应汇总，以获得该每一种类型的广告对满足该预设条件的物品的销售贡献率。

根据本公开的一些实施例，可以至少部分地分析出各种类型的广告对一定时期内满足预设条件的物品的销售量的贡献情况。从而，对于经营者的营销手段评估与预算分配、以及营销的预测都有很大帮助，极大地提高了广告效果评估的准确性和完备性。

根据本公开的实施例，每一个有订单用户广告行为数据可参考表1。该有订单用户行为数据可以表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据，包括在该特定时期内不晚于该订单生成当天、以及该特定时期之前连续n天内，该下单用户在与该订单的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，每一个无订单用户广告行为数据可参考表2。该无无订单用户广告行为数据可以表征该无订单用户查阅与满足该预设条件的物品相关的m种类型的广告的行为数据，包括：在该特定时期以及该特定时期之前连续n天内，该无订单用户在与满足该预设条件的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，在该有订单用户广告行为数据的数据量小于该无订单用户广告行为数据的数据量时，按照预设规则扩充该有订单用户广告行为数据的数据量，以使在该有订单用户广告行为数据的数据量与该无订单用户广告行为数据的数据量相当。

根据本公开实施例，该神经网络是卷积神经网络。

根据本公开实施例，该卷积神经网络包括：多个卷积层、整流层、和池化层的组合，和/或多个全连接层和整流层的组合。

可以理解的是，订单数据获取模块710、用户广告行为数据获取模块720、神经网络训练模块730、输出模块740、订单的广告贡献率确定模块750、以及总销售的广告贡献率计算模块760可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，订单数据获取模块710、用户广告行为数据获取模块720、神经网络训练模块730、输出模块740、订单的广告贡献率确定模块750、以及总销售的广告贡献率计算模块760中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，订单数据获取模块710、用户广告行为数据获取模块720、神经网络训练模块730、输出模块740、订单的广告贡献率确定模块750、以及总销售的广告贡献率计算模块760中的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。

图8示意性示出了根据本公开实施例的订单处理计算机系统的方框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行参考图2～图6描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在ram803中，存储有系统800操作所需的各种程序和数据。处理器801、rom802以及ram803通过总线804彼此相连。处理器801通过执行rom802和/或ram803中的程序来执行以上参考图2～图6描述的订单处理方法的各种操作。需要注意，该程序也可以存储在除rom802和ram803以外的一个或多个存储器中。处理器801也可以通过执行存储在该一个或多个存储器中的程序来执行以上参考图2～图6描述的订单处理方法的各种操作。

根据本公开的实施例，系统800还可以包括输入/输出(i/o)接口808，输入/输出(i/o)接口805也连接至总线804。系统800还可以包括连接至i/o接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口805。可拆卸介质811，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810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本公开的实施例，上文参考流程图描述的方法可以被实现为计算机软件程序。例如，本公开的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流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

需要说明的是，本公开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、或半导体的系统、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。在本公开中，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系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的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、光信号或上述的任意合适的组合。计算机可读的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系统、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。根据本公开的实施例，计算机可读介质可以包括上文描述的rom802和/或ram803和/或rom802和ram803以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，这依所涉及的功能而定。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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本公开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。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一个该设备执行时，使得该设备执行根据本公开实施例的订单处理方法。

根据本公开的实施例，该方法包括：获取特定时期内的满足预设条件的物品的订单数据，每一个订单数据对应于一种物品的一次订购；获取用户广告行为数据，该用户广告行为数据包括有订单用户广告行为数据和无订单用户广告行为数据，其中：该有订单用户广告行为数据中的每一个数据对应于一个订单，表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据；该无订单用户广告行为数据的每一个数据对应于在该特定时期内没有任何订单产生的一个无订单用户，表征该无订单用户查阅与满足该预设条件的物品相关的该m种类型的广告的行为数据，m为大于等于2的正整数；以该用户广告行为数据作为神经网络的输入，并以该用户广告行为数据中每一个数据对应的订单实际生成值的相应值为预设答案，训练该神经网络以预测是否有订单生成，直到该神经网络的预测与该预设答案的一致性达到预定标准时训练完成；输出训练完成的神经网络。

根据本公开的实施例，该方法还包括针对每一个订单，确定该m种类型的广告中每一种类型的广告的贡献率。具体包括对于每一种类型的广告，在该种类型的广告作为待分析类型广告时，执行以下操作：将该订单对应的用户广告行为数据中与该待分析类型广告之外的其他类型的广告相关的数据设置为零，得到用户待分析类型广告行为数据；将该用户待分析类型广告行为数据输入至该训练完成的神经网络；获取训练完成的神经网络的输出，其中，该训练完成的神经网络的输出对应于该待分析类型广告对该订单的贡献率。

根据本公开的实施例，该方法还包括将满足预设条件的物品的所有订单中每一个订单的每一种类型的广告的贡献率按照广告类型对应汇总，以获得该每一种类型的广告对满足该预设条件的物品的销售贡献率。

根据本公开的实施例，该表征该订单的下单用户查阅与该订单的物品相关的m种类型的广告的行为数据，包括在该特定时期内不晚于该订单生成当天、以及该特定时期之前连续n天内，该下单用户在与该订单的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，该表征该无订单用户查阅与满足该预设条件的物品相关的m种类型的广告的行为数据，包括在该特定时期以及该特定时期之前连续n天内，该无订单用户在与满足该预设条件的物品相关的m种不同类型的广告的曝光次数和/或点击次数，其中，n为大于等于0的整数。

根据本公开的实施例，在该有订单用户广告行为数据的数据量小于该无订单用户广告行为数据的数据量时，按照预设规则缩减该无订单用户广告行为数据的数据量，以使在该有订单用户广告行为数据的数据量与该无订单用户广告行为数据的数据量相当。

根据本公开的实施例，该神经网络是卷积神经网络。

根据本公开的实施例，该卷积神经网络包括多个卷积层、整流层、和池化层的组合，和/或多个全连接层和整流层的组合。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。