Nothing Special   »   [go: up one dir, main page]

CN110140135A - 信息处理方法、信息处理系统和信息处理装置 - Google Patents

信息处理方法、信息处理系统和信息处理装置 Download PDF

Info

Publication number
CN110140135A
CN110140135A CN201880001544.6A CN201880001544A CN110140135A CN 110140135 A CN110140135 A CN 110140135A CN 201880001544 A CN201880001544 A CN 201880001544A CN 110140135 A CN110140135 A CN 110140135A
Authority
CN
China
Prior art keywords
correlated characteristic
user
candidate
vector
recommendation
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
Application number
CN201880001544.6A
Other languages
English (en)
Inventor
李辉捷
王坤
黄泽香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN110140135A publication Critical patent/CN110140135A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • 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
    • 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
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0247—Calculate past, present or future revenues
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于个性化推荐的系统和方法。系统可以实施在用户终端上检测到应用程序的方法。系统可以实施与用户通过用户终端上发送的服务请求相关的应用程序通信的方法。系统可以实施方法以获取关于用户的一个或以上当前场景相关特征和一个或以上当前用户相关特征，以及两个或以上候选推荐项。系统可以基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项并提供目标推荐项到应用程序以在用户的用户终端显示器上生成呈现。

Description

信息处理方法、信息处理系统和信息处理装置
相关申请的交叉引用
本发明要求于2017年8月28日提交的中国申请No.201710751923.4的优先权，其全部内容通过引用结合于此。
技术领域
本发明涉及智能推荐技术领域，具体而言，涉及一种信息处理方法、信息处理系统、计算机装置及计算机可读存储介质。
背景技术
相关技术中的个性化推荐方法是基于推荐算法生成算法模型，该算法主要是离线分析数据，因此无法解决“冷启动”(当有新增产品或新增用户的特征数据稀疏)问题，以及无法自适应持续变化的用户喜好。因此，通过用户与场景环境的组合找到最合适的广告投放策略，在不同的出行场景中提供更优质的、更被用户需要的产品服务将成为今后发展的趋势。
发明内容
根据本发明的第一方面，提供了一种系统。该系统可包括与至少一个存储介质通信的至少一个存储介质和至少一个处理器。至少一个存储介质可以包括用于确定服务请求的推荐信息的一组指令。当执行该组指令时，可指示至少一个处理器执行以下操作的一个或以上。至少一个处理器可以检测在用户终端上执行的应用程序，应用程序通过网络自动与系统的网络服务通信；与用户通过用户终端发送的服务请求相关的应用程序进行通信；获取一个或以上当前与场景相关的特征以及与用户相关的一个或以上当前用户相关特征；获取至少两个候选推荐项；基于一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项；以及向应用程序提供目标推荐项以在用户的用户终端的显示器上生成呈现，呈现提供用户可以交互的用户界面特征。
在一些实施例中，为了从至少两个候选推荐项中选择目标推荐项，对于每个候选推荐项，基于候选推荐项、一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型确定与候选推荐项对应的候选收益；对应至少两个候选推荐项排序至少两个候选收益，以确定至少两个候选收益中的最大候选收益；以及选择与最大候选收益相对应的候选推荐项作为目标推荐项。
在一些实施例中，对于每个候选推荐项，基于候选推荐项、一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型确定与候选推荐项相对应的候选收益。至少一个处理器可以处理以下操作的一个或以上，确定候选推荐项的一个或以上推荐项相关特征；至少基于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征确定与候选推荐项相对应的多维向量，其中多维向量包括至少两个元素，并且每个元素对应于一个或以上候选推荐项的所述推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征之一；以及通过将对应于候选推荐项的多维向量输入推荐模型，确定候选推荐项对应的候选收益。
在一些实施例中，对于每个候选推荐项，为了确定对应于候选推荐项的多维向量，至少一个处理器可以执行以下操作的一个或以上。获取多维向量框架；以及基于获取的多维向量、一个或以上候选推荐项的推荐项相关特征、一个或以上当前场景相关特征、以及一个或以上当前用户相关特征确定多维向量。
在一些实施例中，为了基于获取的多维向量框架、候选推荐项的所述一个或以上推荐项相关特征、一个或以上当前场景相关特征、以及一个或以上当前用户相关特征确定多维向量，至少一个处理器可以执行以下一个或以上操作：对于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征确定相应的值；以及将确定的值填充获取的多维向量框架中以确定多维向量。
在一些实施例中，多维向量是包括至少两个二进制元素的二进制向量。
在一些实施例中，经训练的推荐模型是根据训练过程由至少一个计算装置生成的，并且其中为了实现训练过程，至少一个处理器被配置为：获取用户的至少两个历史订单；对至少两个历史订单中的每一个，确定与历史订单相关的一个或以上样本场景相关特征、与用户相关的样本用户相关特征以及与历史订单相关的一个或以上样本推荐项相关特征；获取初步推荐模型；以及通过将至少两个历史订单的样本场景相关特征、至少两个历史订单的所述样本用户相关特征、至少两个历史订单的样本推荐项相关特征样本输入初步推荐模型，获取经训练的推荐模型。
在一些实施例中，至少一个处理器可以执行以下操作的一个或以上。至少处理器可以从用户终端接收关于目标推荐项的点击收益；以及更新基于点击收益的经训练的推荐模型。
根据本发明的第二方面，提供了一种方法。该方法可以包括以下操作的一个或以上：检测在用户终端上执行的应用程序，应用程序通过网络自动与系统的网络服务通信；与用户通过用户终端发送的服务请求相关的应用程序进行通信；获取一个或以上当前场景相关特征以及与用户相关的一个或以上当前用户相关特征；获取至少两个候选推荐项；基于一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型从至少两个候选推荐项中选择目标推荐项；以及向应用程序提供目标推荐项以在用户的用户终端显示器上生成呈现，呈现提供用户可以交互的用户界面特征。
在一些实施例中，基于一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型从至少两个候选推荐项中选择目标推荐项。包括：对于每个候选推荐项，基于候选推荐项、一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用训练的推荐模型确定与候选推荐项对应的候选收益；对应至少两个候选推荐项排序至少两个候选收益，以确定至少两个候选收益中的最大候选收益；以及选择与最大候选收益相对应的候选推荐项作为目标推荐项。
在一些实施例中，对于每个候选推荐项，基于候选推荐项、一个或以上当前场景相关特征和一个或以上当前用户相关特征，使用经训练的推荐模型确定与候选推荐项相对应的候选收益，包括：确定候选推荐项的一个或以上推荐项相关特征；至少基于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征确定与候选推荐项相对应的多维向量，其中多维向量包括至少两个元素，并且每个元素对应于一个或以上候选推荐项的所述推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征之一；以及通过将对应于候选推荐项的多维向量输入推荐模型，确定候选推荐项对应的候选收益。
在一些实施例中，对于每个候选推荐项，为了确定对应于候选推荐项的多维向量，包括：获取多维向量框架；以及基于获取的多维向量、一个或以上候选推荐项的推荐项相关特征、一个或以上当前场景相关特征、以及一个或以上当前用户相关特征确定多维向量。
在一些实施例中，基于获取的多维向量框架、候选推荐项的所述一个或以上推荐项相关特征、一个或以上当前场景相关特征、以及一个或以上当前用户相关特征确定多维向量，包括：对于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征确定相应的值；以及将确定的值填充获取的多维向量框架中以确定多维向量。
在一些实施例中，多维向量是包括至少两个二进制元素的二进制向量。
在一些实施例中，根据训练过程生成训练的推荐模型，该训练过程包括：获取至少两个历史用户的订单；对至少两个历史订单中的每一个，确定与历史订单相关的一个或以上样本场景相关特征、与用户相关的样本用户相关特征以及与历史订单相关的一个或以上样本推荐项相关特征；获取初步推荐模型；以及通过将至少两个历史订单的样本场景相关特征、至少两个历史订单的样本用户相关特征、至少两个历史订单的样本推荐项相关特征样本输入初步推荐模型，获取经训练的推荐模型。
在一些实施例中，该方法还可以包括以下操作的一个或以上：从所述用户终端接收关于所述目标推荐项的点击收益；以及更新基于所述点击收益的经训练的推荐模型。
根据本发明的第三个方面，提供了一种非暂时性计算机可读介质。非暂时性计算机可读介质可包括可执行指令，当由至少一个处理器执行时，使得至少一个处理器实现包括以下操作的一个或以上的方法。
本发明旨在解决现有技术方案中存在的至少一个技术问题。
为此，本发明的一个方面是提供一种信息处理方法。
本发明的另一方面是提供一种信息处理系统。
本发明的又一个方面是提供信息处理装置。
本发明的再一个方面是提供一种计算机可读存储介质。
鉴于此，根据本发明的一个方面，提出了一种信息处理方法，包括：
建立推荐模型；获取用户的当前出行场景信息及当前用户特征信息；将当前出行场景信息及当前用户特征信息输入推荐模型，获取具有特定特征信息的推荐出行产品；将推荐出行产品的信息发送至用户的终端。
本发明提供的信息处理方法，首先建立推荐模型，通过采用在线学习算法搭建模型，然后收集用户的当前出行场景信息(如天气、目的地、气温、乘车种类…)和当前用户特征信息(如年龄、性别、对价格敏感程度…)
再将用户的当前出行场景信息和当前用户特征信息输入至推荐模型，通过对这些数据的清洗、加工以及聚类降维得到具有特定特征信息的推荐出行产品的信息，其中特定特征信息是与用户的当前出行场景信息和当前用户特征信息相关的。
最后当用户在操作时会触发相应场景，例如触发出行app时，将根据推荐算法模型(或被称为经训练的推荐模型)得到的最优的产品信息(或被称为推荐的运输信息)推荐给用户。
本发明通过收集用户出行大数据，基于大数据、根据在线学习算法搭建的模型预测用户在出行场景中的具有一定实时性的需求，可以精准匹配到有需求的用户，根据用户与场景环境的组合为不同用户找到最合适的产品进行推荐，如进行金融产品、保险产品的推荐，大大提升广告投放的回报，降低用户对广告的反感度。
根据本发明的信息处理方法，还可以具有以下技术特征。
在上述技术方案中，优选地，接收根据推荐出行产品的信息得到的点击收益；根据点击收益对推荐模型进行优化。
在一些实施例中，每一次向用户推荐出行产品的信息后，收集信息处理信息被用户点击的情况，通过推荐出行产品的信息得到的点击收益对算法中的矩阵进行升级，实现推荐模型的优化。
通过此种方式在场景中不断探索创新推荐产品的信息以此提升推荐模型的精确度，为不同用户在不同的出行场景中提供更优质的、更被用户需要的产品服务，提升了用户的使用体验。
在上述任一技术方案中。在一些实施例中，建立一个推荐模型，具体包括：采集用户历史出行样本数据；对用户历史出行样本数据进行聚类降维，获取用户相关信息、场景相关信息和产品相关信息并基于用户相关信息、场景相关信息和产品相关信息建立推荐模型。其中，该推荐模型为其中at为推荐项(或称为目标推荐项)的D维特征向量，D是大于1的整数。在一些实施例中，对于目标推荐项，多维向量包括至少两个元素，并且每个元素对应于目标推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。
同样地，在一些实施例中，对于候选推荐项，多维向量包括至少两个元素，并且每个元素对应于候选推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。在一些实施例中，为了确定推荐项的多维向量(也被称为X向量)，信息处理装置112可以获得多维向量框架，向量框架可能至少部分未填充。信息处理装置112可以基于所获得的多维向量框架、推荐项的一个或以上推荐项相关特征(例如，候选推荐项)、一个或以上当前场景相关特征以及一个或以上当前用户相关特征来确定多维向量。具体地，信息处理装置112可以将上述特征填充到多维向量框架，以获得填充的多维向量，该多维向量是推荐项的多维向量。在一些实施例中，在将上述特征填充到多维向量框架之前，可以将特征的一个或以上二值化。也就是说，信息处理装置112可以针对候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征中的每一个确定相应的值，并将确定的值填充到所获得的多维向量框架中以确定多维向量。在一些实施例中，当由二进制值组成(或被称为二进制元素)时，多维向量也可以被称为二进制向量。a指的是至少两个候选推荐项的特定候选推荐项。At是指至少两个候选推荐项的集合，Xt，a是指在at的第t次迭代中选择特定候选推荐项的特征向量。指的是关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中，和δ是指常数。指的是与候选推荐项相对应的候选收益。
在一些实施例中，为了构造推荐模型，可以获得用户的历史出行样本数据。在一些实施例中，可以从历史出行样本数据中过滤出30个二进制变量。30个二进制变量可包括20个用户特征变量、6个场景特征变量和4个产品特征变量。在一些实施例中，具有用户特征变量的用户的历史出行样本数据可以包括用户是否年龄大于15岁、用户是否年龄大于40岁、用户的性别是否为男性、用户是否对价格敏感，用户在过去3个月内是否曾经坐过20辆豪华车等，或者它们的任何组合。
在一些实施例中，具有场景特征变量的用户的历史出行样本数据可以包括温度是否超过30度、是否下雨、是否有雾、是否正在开车、是否正在坐车、是否乘坐特快列车、是否乘坐豪华轿车、目的地是否是医疗机构、目的地是否是旅游景点、目的地是否是金融机构、目的地是否是学校等，还是其任意组合。
在一些实施例中，具有产品特征变量的用户的历史出行样本数据可以包括它是否是高价产品、是否是财富管理产品、是否是保险产品、是否与汽车相关等等，或其任意组合。
在一些实施例中，可以对20个用户特征变量、6个场景特征变量和4个产品特征变量执行聚类操作和降维操作，以确定包括2个用户特征变量的10维特征向量、6场景特征变量和2个产品特征变量。在一些实施例中，信息处理系统112还可以基于用户相关信息、场景相关信息和产品相关信息建立推荐模型，为后续工作提供保证。
其中，D维矩阵是初始化矩阵，D与用户特征、场景特征和产品特征的维度之和相同。
推荐模型的理论基础是确定置信区间的上限，其中置信区间＝估计点击收益±(关键值×估计点击收益的标准差)。
因此，可以指示特定候选推荐项的广告的估计点击收益。α可以指关键值(可以被视为规则)，其在不考虑经验的情况下确定历史经验的积累和探索选择的程度，并且可以根据经验来设置。
例如，α可以设置为1。当需要推广具有新功能的新产品时，该值将被设置为相对较大的值，以便系统更可能选择新产品作为推荐给用户终端的促销计划。At表示当前可以被选择的促销计划或促销产品的集合。可以参考收益的标准差，这也是收益的平均值。
在一些实施例中，根据指定第一矩阵和第二矩阵后，其中r是推荐产品的点击收益，并且可以根据优化推荐模型。
在一些实施例中，在完成每个推荐之后，可以校正推荐的收益(例如，每个时钟周期的收益)，并且可以根据收集的收益来升级算法中的矩阵。算法中的矩阵被升级以优化推荐模型实现推荐模型的自我校正，这可以进一步被配置用来确认用户的兴趣。
在本发明的一些实施例中，当用户点击推荐产品的信息时，点击收益为1。当用户未点击推荐出行产品的信息时，点击收益为0。
在一些实施例中，当用户点击推荐产品信息时点击收益为1，否则为0。以这种方式，可以基于所获得的点击收益来确定用户对推荐产品信息的兴趣程度，这可以进一步提供优化推荐算法的基础模型(或被称为推荐模型)。
在本发明的一些实施例中，用户特征信息包括用户的年龄是否大于15岁、用户是否对价格敏感的等等或其任何组合。出行场景信息包括温度是否超过30摄氏度、是否下雨、用户是否在汽车服务过程中、目的地是否是医疗机构、目的地是否是医疗机构、目的地是否是旅游景点、目的地是否是学校等等，或其任何组合。出行产品特征信息包括产品是否是保险产品、产品是否与汽车相关等，或其任何组合。
在一些实施例中，用户特征信息包括用户的年龄、用户对价格的敏感度等，或其任何组合。出行场景信息包括温度、天气、骑行模式、目的地等，或其任何组合。出行产品特征信息包括产品属性、类别等。在一些实施例中，基于用户的运输数据，可以在各种场景中为用户推荐最合适的产品。
根据本发明的另一方面，提供了一种信息处理系统。该系统可以包括构造模块，该构造模块被配置用于构造推荐模型。
采集模块被配置用于获取用户的当前场景相关信息和当前用户相关信息，并通过将获得的当前场景相关信息和当前用户相关信息输入推荐模型获取具有特定特征信息的修补产品。
推荐模块被配置为将推荐产品发送给用户的终端。
本发明提供的信息处理系统包括使用在线学习算法建立推荐模型的单元。
采集模块被配置为收集用户的当前出行场景信息(如天气、目的地、温度、乘车类型......)和当前用户特征信息(如年龄、性别、价格敏感度......)。采集模块进一步被配置为将用户的当前出行场景信息和当前用户特征信息输入到推荐模型，并通过清理、处理和聚类以及执行降维操作获得具有特定特征信息的推荐出行产品的信息。对于数据，其中特定特征信息可以与用户的当前出行场景信息和当前用户特征信息相关联。
最后，当用户在操作时，触发相应的场景。例如，当触发运输应用程序时，推荐模块可以被配置为根据推荐算法模型确定用户的最佳产品信息并将其推荐给用户。
本发明可以收集用户运输的大数据，构建基于在线学习算法的推荐模型，并基于构建的推荐模型和收集的大数据预测用户在某个运输环境中的实时需求。构建的推荐模型可以在数千次迭代之后收敛，并且可以在特定时间点准确地匹配具有需求的用户，根据用户和用户所在的运输环境的组合为每个用户推荐合适的产品(例如，金融产品或保险产品等)。本发明可以大大提高广告的回报率，并降低用户对广告的反感度。
根据本发明，信息处理系统可包括以下特征的一个或以上。
在上面说明的技术方案中，优选地，接收模块608被配置用于接收推荐产品的点击收益。优化模块可以被配置用于根据所接收的点击收益来优化推荐模型。
在一些实施例中，每次运输产品的信息均向用户呈现，用户是否点击所呈现的运输产品信息被采集。算法中的矩阵根据推荐产品的信息点击收益进行升级，优化推荐模型。
通过这种方式，不断探索和更新特定环境中的推荐产品，以提高推荐模型的准确性，并为不同运输环境中的不同用户提供更好、更苛刻的产品服务，这可能会进一步改善用户的体验。
在上述任何技术方案中，优选地，构建模块可以包括用于收集用户的历史出行样本数据的收集单元。
构造模块802可以对所收集的用户的历史出行样本数据执行聚类操作和降维操作，以获得用户相关信息、场景相关信息和产品相关信息，并构建基于用户相关信息、场景相关信息和产品相关信息构建推荐模型；
其中经训练的推荐模型是：
其中，at指的是推荐项的D维特征向量(或被称为目标推荐项)，D是大于1的整数在一些实施例中，对于目标推荐项，多维向量包括至少两个元素，并且每个元素对应于目标推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。同样地，在一些实施例中，对于候选推荐项，多维向量包括至少两个元素，并且每个元素对应于候选推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。在一些实施例中，为了确定推荐项的多维向量(也被称为X向量)，信息处理装置112可以获得多维向量框架，向量框架可能至少部分未填充。信息处理装置112可以基于所获得的多维向量框架、推荐项的一个或以上推荐项相关特征(例如，候选推荐项)、一个或以上当前场景相关特征以及一个或以上当前用户相关特征来确定多维向量。具体地，信息处理装置112可以将上述特征填充到多维向量框架，以获得填充的多维向量，该多维向量是推荐项的多维向量。在一些实施例中，在将上述特征填充到多维向量框架之前，可以将特征的一个或以上二值化。也就是说，信息处理装置112可以针对候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征中的每一个确定相应的值，并将确定的值填充到所获得的多维向量框架中以确定多维向量。在一些实施例中，当由二进制值组成(或被称为二进制元素)时，多维向量也可以被称为二进制向量。a指的是至少两个候选推荐项的特定候选推荐项。At是指至少两个候选推荐项的集合，Xt，a是指在at的第t次迭代中选择特定候选推荐项的特征向量。指的是关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中，和δ是指常数。指的是与候选推荐项相对应的候选收益。
在技术方案中，构造模块还包括收集单元。在一些实施例中，为了构造推荐模型，可以获得用户的历史出行样本数据。在一些实施例中，可以从历史出行样本数据中过滤出30个二进制变量。30个二进制变量可包括20个用户特征变量、6个场景特征变量和4个产品特征变量。在一些实施例中，具有用户特征变量的用户的历史出行样本数据可以包括用户是否年龄大于15岁、用户是否年龄大于40岁、用户的性别是否为男性、用户是否对价格敏感、用户在过去3个月内是否曾经做过20辆豪华车等，或者它们的任何组合。
在一些实施例中，具有场景特征变量的用户的历史出行样本数据可包括温度是否超过30度、是否下雨、是否有雾、是否正在开车、是否乘车、是否乘坐特快列车、是否乘坐豪华轿车、目的地是否是医疗机构、目的地是否是旅游景点、目的地是否是金融机构、目的地是否是学校等，还是其任何组合。
在一些实施例中，具有产品特征变量的用户的历史出行样本数据可以包括它是否是高价产品、是否是财富管理产品、是否是保险产品、是否与汽车相关等等，或其任何组合。
在一些实施例中，可以对20个用户特征变量、6个场景特征变量和4个产品特征变量执行聚类操作和降维操作，以确定包括2个用户特征变量的10维特征向量、6场景特征变量和2个产品特征变量。在一些实施例中，还可以基于用户相关信息、场景相关信息和产品相关信息来构建推荐模型，从而为后续工作提供保证。
其中，D维矩阵是初始化矩阵，D与用户特征、场景特征和产品特征的维度之和相同。
推荐模型公式的理论基础是在求置信区间的上极限，置信区间＝点击收益预估±(关键值×点击收益预估的标准差)。
所以，的含义为广告点击收益预估，α为关键值(可认为调控)，α决定了历史经验的积累与不考虑经验的勘探选择的程度，可以根据经验进行设置。
如设置成1，当需要推广新产品时将α的值设置的大一些，这样系统就会大概率选择新上线的具备新特性的产品作为推广计划；At表示当前可以选择的推广计划或推广产品的集合。为收益的标准差，即收益的均值。
在一些实施例中，优化模块810可以被配置为根据指定第一矩阵和第二矩阵，其中r为点击收益，并根据对推荐模型进行优化。
在一些实施例中，优化模块810可以被配置用于优化推荐算法模型。在一些实施例中，每个推荐完成之后，优化模块810可以收集推荐的收益(例如，每时钟的收益)，并根据收集的收益来升级算法中的矩阵。算法中的矩阵被升级以优化推荐模型以实现推荐模型的自校正，这可以进一步被配置以确认用户的兴趣。
在本发明的一些实施例中，当用户点击推荐产品的信息时，点击收益为1。当用户未点击推荐出行产品的信息时，点击收益为0。
在一些实施例中，当用户点击推荐产品信息时点击收益为1，否则为0。以这种方式，可以基于所获得的点击收益来确定用户对推荐产品信息的兴趣程度，这可以进一步提供优化推荐算法的基础模型(或被称为推荐模型)。
在本发明的一些实施例中，用户特征信息包括用户的年龄是否大于15岁、用户是否对价格敏感等，或其任何组合。出行场景信息包括温度是否超过30摄氏度、是否下雨、用户是否在汽车服务过程中、目的地是否是医疗机构、目的地是否是医疗机构、目的地是否是旅游景点、目的地是否是学校等等，或其任何组合。出行产品特征信息包括产品是否是保险产品、产品是否与汽车相关等，或其任何组合。
在一些实施例中，用户特征信息包括用户的年龄、用户对价格的敏感度等，或其任何组合。出行场景信息包括温度、天气、骑行模式、目的地等，或其任何组合。出行产品特征信息包括产品属性、类别等。在一些实施例中，基于用户的运输数据，可以在各种场景中为用户推荐最合适的产品。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器和存储在存储器上并且可在处理器上操作的计算机程序，其中处理器执行计算机程序以实现该方法的一个操作。
本发明提供的信息处理装置通过使用在线学习算法建立推荐模型(或被称为初步推荐模型)，并收集当前场景信息(例如天气、目的地、温度、乘坐类型等等)和当前用户特征信息(如年龄、性别、价格敏感度等)。
处理装置由本发明提供可进一步输入的信息中的用户的当前出行场景信息和当前用户特征信息的推荐模型，和获得的推荐出行产品与特定特征信息通过清洗，处理的信息，以及聚类并对数据执行降维操作，其中特定特征信息可以与用户的当前出行场景信息和当前用户特征信息相关联。
最后，当用户在操作时，触发相应的场景。例如，当触发运输应用程序时，推荐模块可以被配置为根据推荐算法模型确定用户的最佳产品信息并将其推荐给用户。
本发明可以收集用户运输的大数据，构建基于在线学习算法的推荐模型，并根据构建的推荐模型和收集的大数据预测用户在某个运输环境中的实时需求。构建的推荐模型可以在数千次迭代之后收敛，并且可以在特定时间点准确地匹配具有需求的用户，根据每个用户推荐合适的产品(例如，金融产品或保险产品等)。用户和用户所在的运输环境的组合。本发明可以大大提高广告的回报率，并降低用户对广告的反感度。
根据本发明的又一方面，提供了一种计算机可读存储介质。计算机可读存储介质具有存储在其上的计算机程序，当由处理器执行时，该计算机程序实现如本发明中所示的信息处理方法的操作。
本发明提供的计算机可读存储介质，当由处理器执行时，通过使用在线学习算法建立推荐模型(或称为初步推荐模型)，并收集当前场景信息(例如天气、目的地、温度、乘车类型等)和当前用户特征信息(如年龄、性别、价格敏感度等)。
计算机可读存储介质还可以将用户的当前出行场景信息和当前用户特征信息输入到推荐模型，并通过清理、处理和聚类以及执行降维操作来获得具有特定特征信息的推荐出行产品的信息。其中特定特征信息可以与用户的当前出行场景信息和当前用户特征信息相关联。
最后，当用户在操作时，触发相应的场景。例如，当触发运输应用程序时，计算机可读存储介质可以根据推荐算法模型(或被称为训练的推荐模型)确定用户的最佳产品信息(或被称为推荐的运输信息)可能会被推荐给用户。
本发明可以收集用户运输的大数据，构建基于在线学习算法的推荐模型，并根据构建的推荐模型和收集的大数据预测用户在某个运输环境中的实时需求。构建的推荐模型可以在数千次迭代之后收敛，并且可以在特定时间点准确地匹配具有需求的用户，根据用户和用户所在的运输环境的组合向每个用户推荐合适的产品(例如，金融产品或保险产品等)。本发明可以大大提高广告的回报率，并降低用户对广告的反感度。
根据下面说明的本公开的描述，本公开的其他方面和优点将是显而易见的。
其他特征将在以下部分描述中进行阐述，并且在检查一下附图之后，部分特征对于本领域的普通技术人员来讲是显而易见地，或可以通过实例的生产及操作来了解。本发明的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来达成。
附图说明
本发明将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考图示进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的组件符号表示相同的结构，其中：
图1示出了根据本发明的一些实施例的示例性按需服务系统的示意图；
图2示出了根据本发明的一些实施例的按需服务系统中的示例性计算装置的示意图；
图3示出了根据本发明的一些实施例的按需服务系统中的示例性移动设备的示意图；
图4示出了根据本发明的一些实施例的示例性信息处理装置的框图；
图5A示出了根据本发明的一些实施例的用于确定与服务请求相关联的推荐信息的示例性过程的流程图；
图5B示出了根据本发明的一些实施例的用于确定目标推荐项的示例性过程501的流程图；
图5C示出了根据本发明的一些实施例的用于确定候选收益的示例性过程502的流程图；
图6示出了根据本发明的一些实施例的用于确定训练的推荐模型的示例性过程600的流程图。
图7示出了根据本发明的一些实施例的信息处理装置112的示意图；
图8A示出了根据本发明的一些实施例的信息处理系统的示意图；
图8B示出了根据本发明的一些实施例的信息处理系统的示意图；
图8C示出了根据本发明的一些实施例的信息处理系统的示意图；
图9示出了根据本发明的一些实施例的信息处理方法的流程图；
图10示出了根据本发明的一些实施例的信息处理方法的流程图；
图11示出了根据本发明的一些实施例的信息处理方法的流程图；
图12示出了根据本发明的一些实施例的信息处理方法的流程图；
图13A和13B共同示出说明根据本发明的一些实施例的信息处理方法的工作过程的流程图；
图14示出了根据本发明的实施例的用于显示消息的示例性应用程序界面；以及
图15示出了根据本发明的一些实施例的用于显示消息的应用程序界面的屏幕截图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并在特定应用及其要求的场景中提供。对于本领域的普通技术人员来讲，对本发明披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本发明的精神及范围的情况下，可以适用于其他实施例及应用。因此，本发明不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本发明的范围。如本文使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非场景明确提示例外情形。进一步理解的是，当在本发明中使用术语“包括”、“包含”、“包括”和/或“包含”时明确指明所述存在的特征，整体、步骤、操作、元件和/或组件时，并不排除存在或增加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其组件。
在考虑了作为本发明一部分的附图的描述内容后，本发明的这些和其它特征、特点以及操作方法、结构的相关元素的功能、各部分的组合、制造的经济性变得显而易见。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是附图并不是按比例的。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或多个其他操作，一个或多个操作也可以从流程图中删除。
此外，尽管本发明中公开的系统和方法主要是关于按需运输服务来描述，但是还应该理解，这仅是一个示例性实施例。本发明的系统和方法可能适用于其他任一种按需服务。例如，本发明的系统和方法可以应用于不同的运输系统，包括陆地、海洋、航空航天等或上述举例的任意组合。该运输系统中的使用的交通工具可包括一出租车、私家车、顺风车、巴士、列车、动车、高铁、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。运输系统还可以包括任何适用于管理和/或分配的运输系统，例如，用于传输和/或接收快递的系统。本发明的系统或方法的应用场景可以包括网页、浏览器插件、客户端终端、定制系统、内部分析系统、人工智能机器人等或其任意组合。
本发明中的术语“乘客”、“请求者”、“服务请求者”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。同样地，本发明描述的“司机”、“提供者”、“服务提供者”、“供应者”等也是可以互换的，以指代提供服务或者协助提供服务的个人、工具或者其他实体等。在本发明中，术语“用户”可以表示可以请求服务、预定服务、提供服务或促进所述服务提供的个体、实体或工具。例如，用户可以是乘客、司机、操作员等或其任意组合。在本发明中，术语“乘客”和“乘客终端”可以互换使用，术语“司机”和“司机终端”可以互换使用。
本发明中的术语“服务请求”是指由乘客、请求者、服务请求者、顾客、司机、提供者、服务提供者、供应者等发起的请求或其任何组合。所述服务请求可以被乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应者中的任一个接收。所述服务请求可以是收费的或免费的。
本发明中使用的定位技术可以包括全球定位系统(Global Positioning System,GPS)、全球卫星导航系统(Global Navigation Satellite System,GLONASS)、北斗导航系统(Compass Navigation System,COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等中的一种或其任意组合。以上定位技术中的一个或多个可以在本发明中交换使用。
本发明的一个方面提供了用于确定与按需服务(例如出租车服务)的服务请求相关联的推荐信息的在线系统和方法。当乘客向在线按需运输服务平台发送出租车欢呼请求时，平台的服务器可以从乘客终端接收服务请求。服务器可以收集用户的历史运输数据，基于在线学习算法构建推荐模型，并基于构建的推荐模型和收集的数据以相对准确的方式预测用户在某个运输环境中的实时需求。
需要注意的是，在线按需运输服务，例如线上打车，是起源于后互联网时代的一种新的服务方式。它为用户和服务提供者提供技术，只有在后互联网时代才能提出。在互联网之前的时代，当用户在街上打车时，出租车的请求和接收只发生在乘客和看到乘客的出租车司机之间。如果乘客通过电话呼叫出租车，则服务请求和接收可能仅在乘客与服务提供者(例如出租车公司或代理商)之间发生。然而，在线出租车允许一个使用者实时地和自动地向与该使用者相距一段距离的大量的个别服务提供者(例如，出租车)分配服务请求。同时允许多个服务提供者同时和实时对该服务请求进行响应。同时，在现代社会，出租车服务已经成为了巨大规模的产业。成百万的乘客每天通过在线出租车预定平台搭乘出租车。只有通过互联网的帮助才能研究乘客的出行行为。相应地，通过一个乘客的在线出租车预定行为进行出租车预定的预测也是起源于后互联网时代的一种新型服务形式。
图1是根据本发明的一些实施例的示例性按需服务系统100的示意图。例如，按需服务系统100可以是用于运输服务的在线运输服务平台，例如出租车、司机服务、运送车辆、拼车、公共汽车服务、司机租用和班车服务。按需服务系统100可以是包括服务器110、网络120、请求者终端130、提供者终端140和存储器150的在线平台。服务器110可以包括信息处理装置112。
在一些实施例中，服务器110可以是单一服务器或一服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120访问储存在请求者终端130、提供者终端140和/或存储器150中的信息和/或数据。又例如，服务器110可以连接请求者终端130、提供者终端140和/或存储器150以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，服务器110可以在图2中描述的包含了一个或者多个组件的计算设备200上执行。在一些实施例中，服务器110可以包括信息处理装置112。信息处理装置112可以处理与服务请求有关的信息和/或数据，以执行本发明中描述的一个或以上的功能。例如，信息处理装置112可以执行与按需服务的服务请求相关联的推荐信息(例如，推荐的驾驶路线、估计的到达时间)，该服务请求基于至少两个受训的子终点区域。在一些实施例中，所述处理引擎112可包括一个或者多个处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务系统100中的一个或多个组件(例如，服务器110、请求者终端130、提供者终端140以及存储器150)可以通过网络120向按需服务系统100中的其他组件发送信息和/或数据。例如，服务器110可以通过网络120从服务请求者终端130获取/得到服务请求。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅仅举个例子，网络130可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网络(WLAN)、城域网(MAN)、广域网路(WAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或互联网交换点120-1、120-2、......120-n(n是整数)，通过该接入点，按需服务系统100的一个或以上组件可以连接到网络120以在它们之间交换数据和/或信息。
在一些实施例中，请求者可以是请求者终端130的用户。在一些实施例中，请求者终端130的用户可以是除请求者之外的其他人。例如，请求者终端130用户A可以使用请求者终端130来发送针对用户B的服务请求，或者从服务器110接收服务和/或信息或指令。在一些实施例中，提供者可以是提供者终端140的一用户。在一些实施例中，提供者终端130的用户可以为除该提供者之外的其他人。例如，提供者终端140的用户C可以为用户D通过提供者终端140接收服务请求和/或从服务器110处接收信息或指令。在一些实施例中，“请求者”和“请求者终端”可互换使用，“提供者”和“提供者终端”可互换使用。
在一些实施例中，请求者终端130可以包括移动设备130-1、平板电脑130-2、膝上型电脑130-3、內置设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、POS机等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强型虚拟现实头盔、增强型虚拟现实眼镜、增强型虚拟现实补丁等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中，机动车内建装置130-4可以包括车载计算机、车载电视等。在一些实施例中，请求者终端130可以是带有定位技术的设备，用于定位请求者和/或请求者终端130的位置。
在一些实施例中，提供者终端140可以是与请求者终端130相似或相同的设备。在一些实施例中，提供者终端140可以是带有定位技术的设备，用于定位提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以与其他定位设备通讯来确定请求者、请求者终端130、提供者和/或提供者终端140的位置。在一些实施例中，请求方终端130和/或提供方终端140可以将定位信息发送到服务器110。
存储器150可以存储数据和/或指令。在一些实施例中，存储器150可以存储从请求者终端130和/或终端140获得的数据。在一些实施例中，存储器150可以储存服务器110用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，储存器150可包括一大容量储存器、可移动储存器、易失性读写内存、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态驱动等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，存储器150可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储器150可以连接到网络120以与按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140)通信。按需服务系统100中的一个或以上组件可以经由网络120访问存储在存储器150中的数据或指令。在一些实施例中，存储器150可以直接连接到按需服务系统100(例如，服务器110、请求者终端130、提供者终端140)中的一个或以上组件或与之通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140)可以访问存储器150。在一些实施例中，当满足一个或以上条件时，按需服务系统100的一个或以上组件可以读取和/或修改与请求者、提供者和/或公众有关的信息。例如，在完成一个服务后，服务器110可以读取和/或修改一个或以上用户的信息。又例如，当从请求者终端130接收到服务请求时，提供者终端140可以访问与所述请求者相关的信息，但提供者终端140无法修改请求者的相关信息。
在一些实施例中，按需服务系统100的一个或多个组件的信息交换可以通过请求服务的方式实现。服务请求的对象可以为任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。有形产品可以包括食物、药物、日用品、化学产物、电器用品、衣服、汽车、住宅、奢侈品等或其任意组合。无形产品可以包括服务产品、金融产品、知识产品、因特网产品等或其任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或上述举例的任意组合。移动互联网产品可以用于移动终端的软件、程序、系统等或其任意组合。可移动终端可以包括平板计算机，膝上型计算机，移动电话，个人数字助理(PDA)，智能手表，POS装置，机上计算机，机上电视，可穿戴装置等或其任意组合。例如，产品可以是在计算机或移动电话上使用的任一软件及/或应用。软件和/或应用可以与社交，购物，运输，娱乐，学习，投资等或其任意组合相关。在一些实施例中，与运输相关联的所述软件和/或应用可以包括出行软件和/或应用，车辆调度软件和/或应用，地图软件和/或应用等。在车辆调度软件和/或应用中，车辆可包括马、马车、人力车(例如，独轮车、自行车、三轮车)、汽车(例如，出租车、公共汽车、私人汽车)、火车、地铁、船只、飞机(例如，飞机、直升机、航天飞机、火箭、热气球)等，或其任何组合。
图1中所示的应当注意应用场景仅出于说明目的而提供，并非旨在限制本发明的范围。例如，按需系统100可以用作导航系统。导航系统可以包括用户终端(例如，请求者终端130或提供者终端140)和服务器(例如，服务器110)。用户可以经由用户终端输入目标位置(例如，开始位置、目的地)和/或开始时间。因此，导航系统可以根据本公开中描述的过程和/或方法，基于目标位置和/或开始时间来确定推荐信息(例如，推荐驾驶路线，ETA)。
图2是根据申请的一些实施例所示的计算设备200的示例性硬体和软体元件的框图，其上可以实现本发明所述服务器110、请求者终端130和/或提供者终端140相应的功能。例如，信息处理装置112可以在计算装置200上实现，并且被配置用于执行本公开中公开的信息处理装置112的功能。
计算装置200可以是通用计算机或专用计算机；两者都可用于实现本发明的按需系统。计算设备200可以被用于实现当前描述的按需服务系统的任一元件。例如，信息处理装置112可以通过其硬件、软件程序、固件或其组合在计算装置200上实现。图中为了方便起见只绘制了一台计算机，但是本实施例所描述的提供按需服务所需要的信息的相关计算机功能是可以由一组相似的平台以分布的方式所实施来分散系统的处理负荷。
计算装置200，例如，可以包括与网络相连接并促进数据通讯的通讯(COM)端口250。计算装置200还可以包括处理器(例如，处理器220)，其形式为一个或以上处理器，用于执行程序指令。示例性计算装置可以包括内部通信总线210、不同形式的程序存储和数据存储(包括例如盘270、只读存储器(ROM)230或随机存取存储器(RAM)240)、用于由计算装置处理和/或发送的各种数据文件。示例性计算平台还包存储存于ROM 230、RAM 240及/或其他形式的非暂时性储存媒体中的能够被处理器220执行的程序指令。本发明的方法和/或流程可以以程序指令的方式实现。计算装置200还包括I/O组件260，支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收程序设计和数据。
仅仅为了说明，图1中仅示出了一个CPU和/或处理器，多个CPU和/或处理器也将予以考虑；因此，由本发明中描述的一个CPU和/或处理器执行的操作和/或方法步骤也可以由多个CPU和/或处理器联合或单独执行。例如在本发明中，计算设备200的CPU和/或处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤阿和步骤B)。
图3示出了根据本发明的一些实施例的可以在其上实现按需服务的示例性移动设备。
如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，操作系统370(如，iOSTM，AndroidTM，Windows PhoneTM等)和一个或多个应用380可以从存储器390加载到内存360中，以便由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于从信息处理装置112和/或存储器150接收和呈现与服务请求(例如，开始位置、目的地)相关联的信息。用户与信息流的交互可以通过I/O 350实现，并通过网络120提供给信息处理装置112和/或按需服务系统100的其他组件。
本领域普通技术人员应当理解，当按需服务系统100中的组件执行时，该组件可以通过电信号和/或电磁信号执行操作。例如，当请求者终端130处理诸如做出确定，识别或选择对象的任务时，请求者终端130可以在其处理器中操作逻辑电路以处理这样的任务。当请求者终端130向服务器110发送服务请求时，服务请求者终端130的处理器可以生成编码服务请求的电信号。然后，请求者终端130的处理器可以将电信号发送到输出端口。如果请求者终端130通过有线网络与服务器110通信，则输出端口可以物理连接到电缆，电缆可以进一步将电信号传输到服务器110的输入端口。如果请求者终端130经由无线网络与服务器110通信，则请求者终端130的输出端口可以是一个或以上天线，其可以将电信号转换为电磁信号。类似地，提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务，并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在如请求者终端130、提供者终端140电子装置和/或服务器110的电子装置中，当电子装置的处理器处理一指令时，处理器发送指令和/或执行动作，该指令和/或动作经由电信号传导。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储介质中读取或写入结构化数据。结构化数据可以电信号的形式经由电子装置的总线传输至处理器。此处，电信号可以指一个电信号，一系列电信号和/或多个不连续的电信号。
图4示出了根据本发明的一些实施例的示例性信息处理装置112的框图。信息处理装置112可包括采集模块410、训练模块420、选择模块430和通讯模块440、反馈模块450和升级模块460。
采集模块410可以被配置用于从信息处理装置112中的一个或以上其他组件获得数据。在一些实施例中，采集模块410可以被配置以获得服务请求。所述服务请求可以是一个运输服务(例如，出租车服务)请求。在一些实施例中，采集模块410还可以获得与服务请求相关联的信息。该信息可以包括与服务请求相关联的交通信息、与服务请求相关联的天气信息等。例如，采集模块410可以被配置为获得一个或以上当前场景相关特征以及关于用户的一个或以上当前用户相关特征。在一些实施例中，采集模块410还可以获得至少两个候选推荐项。例如，采集模块410可以从存储设备获得至少两个广告。广告可以涉及诸如金融产品、教育产品等的产品。
在一些实施例中，可以将所获得的信息(例如，服务请求、与服务请求相关联的信息或候选推荐项)发送到其他模块(例如，确定模块430)以进一步处理。在一些实施例中，在执行上述功能之前，采集模块410可以检测在用户终端上执行的应用程序，该应用程序通过网络自动与系统的网络服务通信。
训练模块420可以被配置以获得训练的推荐模型。在一些实施例中，训练模块420可以从信息处理装置112中的其他组件获得推荐模型。在一些实施例中，训练模块可以训练具有至少两个样本的初始推荐模型以生成经训练的推荐模型。用于生成训练的推荐模型的训练过程可以在图6及其描述中示出，并且在此不再重复。在一些实施例中，训练模块420可以将经训练的推荐模型发送到其他模块(例如，确定模块430)以进一步处理。
选择模块430可以被配置用于从至少两个候选推荐项中选择目标推荐项。选择模块430可以使用经训练的推荐模型，基于一个或以上当前场景相关特征和一个或以上当前用户相关特征来选择目标推荐项。在一些实施例中，对于每个候选推荐项，选择模块430可以基于候选推荐项、一个或以上当前场景相关特征、一个或以上当前用户相关特征以及经训练的推荐模型确定与候选推荐项对应的候选收益。在一些实施例中，选择模块430可以对与至少两个候选推荐项相对应的至少两个候选收益进行排名，以确定至少两个候选收益的最大候选收益。在一些实施例中，选择模块430可以选择与最大候选收益相对应的候选推荐项作为目标推荐项。
在一些实施例中，可以将目标推荐项发送到其他模块(例如，通讯模块440)以进一步处理。
通讯模块440可以被配置为向请求者终端130、存储器150和/或与按需服务系统100相关联的任何其他设备发送目标推荐项。在一些实施例中，推荐信息可以被发送到请求者终端103和/或提供者终端140以经由用户界面(例如，显示器320)显示。在一些实施例中，推荐信息可以以例如文本、图像、音频、视频等的格式显示。在一些实施例中，通讯模块440可以经由合适的通信协议(例如，超文本传输协议(HTTP)、地址解析协议(ARP)、动态主机配置协议(DHCP)、文件传输协议(FTP)等)将推荐信息发送到任何设备。
反馈模块450可以被配置用于从终端接收收益反馈。用户可以与终端上显示的目标推荐项交互。收益反馈可以涉及用户与目标推荐项的交互。
更新模块460可以更新训练的推荐模型。在一些实施例中，更新模块460可以根据获得的收益反馈更新经训练的推荐模型，其详细描述可以在图12及其描述中找到。
图5A示出了根据本发明的一些实施例的用于确定与服务请求相关联的推荐信息的示例性过程的流程图。过程500可以由按需服务系统100执行。例如，过程500可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220可以执行指令集，并且当执行指令时，处理器220可以被配置用于执行处理500。以下呈现的所示过程的操作旨在说明。在一些实施例中，过程500可以通过未描述的一个或以上附加操作和/或删除讨论过的操作的一个或以上来完成。另外，如图5A中所示和下面描述的过程的操作的顺序不旨在是限制性的。
在510中，信息处理装置112可以获得用户经由终端发送的服务请求。信息处理装置112可以经由网络120从请求者终端130获得服务请求。所述服务请求可以是一个运输服务(例如，出租车服务)请求。
服务请求可以包括实时请求、约会请求和/或对一个或以上类型的服务的任何其他请求。如这里所使用的，实时请求可以指示请求者希望在当前时刻或在对于本领域的普通人来说合理地接近当前时刻的定义时间使用运输服务，从而需要服务提供者立即或基本上立即采取行动提供服务。例如，如果定义的时间短于阈值，例如1分钟、5分钟、10分钟、20分钟等，则请求可以是实时请求。预约请求可以指示请求者希望预先安排运输服务(例如，在对于本领域的普通人来说相当远的当前时刻的定义时间)，以便服务提供者不是要求立即或基本上立即采取行动提供服务。例如，如果所述限定时间大于一个阈值，例如20分钟、2小时、1天等，则所述服务请求可以认为是一个预约请求。在一些实施例中，信息处理装置112可以基于时间阈值来定义实时请求或约会请求。时间阈值可以是按需服务系统100的默认设置，或者可以在不同情况下调整。例如，在交通高峰时段，所述时间阈值可以相对小(例如，10分钟)。在平峰时段，所述时间阈值可以相对大(例如，1小时)。
在520中，信息处理装置112可以获得关于用户的一个或以上当前场景相关特征和一个或以上当前用户相关特征。
例如，当前场景相关特征可以涉及用户发送服务请求的条件和/或服务请求的服务场景。用户发送服务请求的条件可以包括当前温度是否超过30度、是否下雨、是否有雾等，或者它们的任何组合。服务环境可以包括是否正在开车、是否共乘、是否乘坐特快列车、是否乘坐豪华轿车、目的地是否是医疗机构，目的地是否是旅游景点、目的地是否是金融机构、目的地是否是学校等，还是其任何组合。
在530中，信息处理装置112可以获得至少两个候选推荐项。示例性推荐项可以包括推荐产品。示例性产品可包括高价产品、金融产品、保险产品、车辆相关产品等，或其任何组合。
在540中，信息处理装置112可以基于一个或以上当前场景相关特征以及一个或以上当前用户相关特征，使用经训练的推荐模型，从至少两个候选推荐项中选择目标推荐项。如在此使用的，目标推荐项可以是要发送给用户的推荐项。在一些实施例中，为了选择目标推荐项，信息处理装置112可以针对每个候选推荐项，基于候选推荐项确定与候选推荐项相对应的候选收益、一个或以上当前场景相关的功能、一个或以上当前用户相关的功能以及经训练的推荐模型。可以在图9-12及其描述中示出训练的推荐模型的详细描述。信息处理装置112可以对与至少两个候选推荐项相对应的至少两个候选收益进行排名，以确定至少两个候选收益的最大候选收益。然后，信息处理装置112可以选择与最大候选收益相对应的候选推荐项作为目标推荐项
在540中，信息处理装置112可以将目标推荐项发送到终端。信息处理装置112可以经由网络120将目标推荐项发送到请求方终端130。目标推荐项的这种发送可以采用多种形式中的任何一种，包括电磁信号、光信号等，或其任何合适的组合。
在540中，信息处理装置112可以从终端接收收益反馈。在一些实施例中，用户可以与终端上显示的目标推荐项交互。例如，用户可以点击推荐项、滑开推荐项、关闭推荐项等。当用户与推荐项交互时，生成推荐项的相应收益反馈，并且进一步由信息处理装置112接收。例如，当用户没有点击推荐项时，其收益可以是0。当用户点击推荐项时，相应的收益可以是在信息处理装置112中预先存储的预设值，例如1。在550中，反馈模块450可以向终端发送推荐项，并且在560中，从终端接收收益反馈。
在570中，信息处理装置112(例如，更新模块460)可以基于所接收的反馈来更新训练的推荐模型。基于所接收的反馈的经训练的推荐模型的更新可以在图12及其描述中示出。
图5B示出了根据本发明的一些实施例的用于确定目标推荐项的示例性过程501的流程图。过程501中的操作可以被配置以完成过程500中的操作540。过程501可以由按需服务系统100执行。例如，过程501可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220(例如，选择模块430)可以执行指令集，并且当执行指令时，处理器220可以被配置用于执行处理501。以下呈现的所示过程的操作旨在是说明性的。在一些实施例中，过程501可以通过未描述的一个或多个以上附加操作和/或删除所讨论的操作的一个或以上来完成。另外，如图5B中所示和下面描述的过程的操作的顺序不旨在是限制性的。
在541中，对于每个候选推荐项，选择模块430可以基于候选推荐项、一个或以上当前场景相关特征、一个或以上当前用户相关特征以及经训练的推荐模型确定与候选推荐项对应的候选收益。经训练的推荐模型的详细描述可在本发明的其他地方说明，并且在此不再重复。
在542中，选择模块430可以对与至少两个候选推荐项相对应的至少两个候选收益进行排名，以确定至少两个候选收益的最大候选收益。
在543中，选择模块430可以选择与最大候选收益相对应的候选推荐项作为目标推荐项。
图5C示出了根据本发明的一些实施例的用于确定候选收益的示例性过程502的流程图。过程502中的操作可以被配置为在过程501中完成操作541。过程502可以由按需服务系统100执行。例如，过程502可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220(例如，选择模块430)可以执行指令集，并且当执行指令时，处理器220可以被配置用于执行处理502。以下呈现的所示过程的操作旨在是说明性的。在一些实施例中，过程502可以通过未描述的一个或多个以上附加操作和/或没有所讨论的操作的一个或以上来完成。另外，如图5C所示和下面描述的过程中操作的顺序不旨在是限制性的。
在5411中，选择模块430可以确定候选推荐项的一个或以上推荐项相关特征。候选推荐项的示例性推荐项相关特征可以包括候选推荐项的属性，例如，候选推荐项是财务项目还是教育项目等。
在5412中，选择模块430可以至少基于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征来确定与候选推荐项相对应的多维向量以及一个或以上当前用户相关的功能。多维向量的维度可以等于候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前与用户相关的功能的数量之和。多维向量中的每个元素可以对应于特征。
在5413中，选择模块430可以通过将所确定的与候选推荐项对应的多维向量输入到推荐模型中来确定与候选推荐项对应的候选收益。推荐模型的详细描述可以在本发明的其他地方找到，并且这里不再重复。
图6示出了根据本发明的一些实施例的用于确定训练的推荐模型的示例性过程600的流程图。过程600可以由按需服务系统100执行。例如，过程600可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220(例如，选择模块430)可以执行指令集，并且当执行指令时，处理器220可以被配置用于执行处理600。以下呈现的所示过程的操作旨在是说明性的。在一些实施例中，过程600可以通过未描述的一个或多个以上附加操作和/或没有所讨论的操作的一个或以上来完成。另外，如图5C所示和后面描述的过程操作的顺序不是限制性的。
在610中，训练模块420可以获得用户的至少两个历史订单。
在620中，对于至少两个历史订单中的每一个，训练模块420可以确定与历史订单相关联的一个或以上样本场景相关特征、与用户相关联的一个或以上用户相关特征以及与历史订单相关联的一个或以上的样本推荐项相关功能。
在630中，训练模块420可以获得初步推荐模型。
在640中，训练模块420可以通过输入至少两个历史订单的样本场景相关特征、至少两个历史订单的样本用户相关特征以及至少两个历史订单的样本推荐项相关特征至初步推荐模型，获得经训练的推荐模型。获得训练的推荐模型的详细描述可以在本发明的其他地方找到，并且这里不再重复。
本发明的第一方面的一些实施例提供了一种信息处理方法。图9是根据本发明的一些实施例说明一种信息处理方法的流程图。该方法包括一种或以上操作。处理器900可以被按需服务系统100执行。例如，处理器900可以实现为存储在存储器ROM230或RAM240中的指令集(例如，应用程序)。后面呈现的示例性处理器的操作意图是说明性的。在一些实施例中，处理器900可以由没有描述的一个或以上附加操作和/或没有所讨论的操作的一个或以上来完成。此外，图9中所述的处理器的操作和后面描述的过程操作的顺序不是限制性的。
在910中，推荐模型可以被建立。
在920中，当前场景信息(或称为当前场景相关信息，或称为当前场景相关特征)和用户的当前用户特征信息(或称为用户的当前用户相关信息，或称为与用户相关的当前用户相关特征)可以被获取。
在930中，可以通过将当前出行场景信息及当前用户特征信息输入至推荐模型获取具有特定特征信息的推荐产品(例如，推荐出行产品)。
在940中，推荐产品可以被发送至用户的终端。
当前发明提供的信息处理方法首先通过采用在线学习算法搭建推荐模型，然后收集用户的当前出行场景信息(如天气、目的地、气温、乘车种类等)和当前用户特征信息(如年龄、性别、对价格敏感程度等)。
用户的当前出行场景信息和当前用户特征信息将被输入至推荐模型，通过对这些数据的清洗、加工以及聚类降维得到具有特定特征信息的推荐出行产品的信息，其中特定特征信息是与用户的当前出行场景信息和当前用户特征信息相关。
最后，用户在操作时会触发相应场景，例如，触发出行app时，将根据推荐算法模型(或被称为推荐后的训练模型)得到的最优的产品信息(或被称为推荐产品信息)推荐给用户。
本发明通过收集用户出行大数据，基于在线学习算法搭建的模型以及基于搭建的推荐模型和大数据预测用户在特定出行场景中具有的实时性需求。搭建的推荐模型在千次迭代后收敛，可以精准匹配到有需求的用户，根据用户与场景环境的组合为不同用户找到最合适的产品进行推荐(如金融产品、保险产品等)。当前发明可以大大提升广告投放的回报，降低用户对广告的反感度。
图10是根据当前发明的一些实施例示出的信息处理方法的流程图。该方法可以包括后面的一个或以上操作。处理器1000可以被按需服务系统100执行。例如，处理器1000可以实现为存储在存储器ROM230或RAM240中的指令集(例如，应用程序)。处理器220可以执行该组指令，当执行该组指令时，其可以被配置为实施处理器1000。后面呈现的示例性处理器的操作意图是说明性的。在一些实施例中，处理器1000可以由没有描述的一个或以上附加操作和/或没有所讨论的操作的一个或以上来完成。此外，图10中所述的处理器的操作和后面描述的过程操作的顺序不是限制性的。
在1010中，推荐模型可以被建立。
在1020中，用户的当前场景相关信息和当前用户相关信息可以被获取。
在1030中，可以通过将当前出行场景信息及当前用户特征信息输入至推荐模型获取具有特定特征信息的推荐产品。
在1040中，推荐产品可以被发送至用户的终端。
在1050中，推荐产品的的点击收益被接收。点击收益是每一次点击的收益。
在1060中，可以根据接收的点击收益对推荐模型进行优化。
在一些实施例中，每次出行产品(或与出行产品相关的信息)被呈现给用户，当前出行产品是否被用户点击被收集。生成相对应的点击收益。
根据推荐产品的信息得到的点击收益对算法中的矩阵进行升级，实现推荐模型的优化。
通过此种方式在场景中不断探索创新推荐产品的信息以此提升推荐模型的精确度，为不同用户在不同的出行场景中提供更优质的、更被用户需要的产品服务，提升了用户的使用体验。
图11是根据当前发明的一些实施例示出的信息处理方法的流程图。该方法可以包括后面的一个或以上操作。处理器1100可以被按需服务系统100执行。例如，处理器1100可以实现为存储在存储器ROM230或RAM240中的指令集(例如，应用程序)。处理器220可以执行该组指令，当执行该组指令时，其可以被配置为实施处理器1100。后面呈现的示例性处理器的操作意图是说明性的。在一些实施例中，处理器1100可以由没有描述的一个或以上附加操作和/或没有所讨论的操作的一个或以上来完成。此外，图11中所述的处理器的操作和后面描述的过程操作的顺序不是限制性的。
在1110中，用户历史出行样本数据可以被采集。用户的历史出行样本数据还可称为用户的历史订单。
在1120中，信息处理系统112可以对收集到的用户的历史出行样本实施聚类操作和降维操作以获得用户相关信息、场景相关信息及产品相关信息。在一些实施例中，对至少两个历史订单中的每一个，信息处理系统112可以确定一个或以上与历史订单相关的样本场景相关特征、关于用户的一个或以上样本用户相关特征以及关于历史订单的一个或以上样本推荐项相关特征。
在1130中，信息处理系统113可以基于用户相关信息、场景相关信息和产品相关信息搭建推荐模型。
在1140中，可以获取用户的当前场景相关信息和当前用户相关信息。
在1150中，可以通过将当前场景相关信息及当前用户相关信息输入至推荐模型获取具有特定特征信息的推荐产品。
在1160中，推荐产品可以被发送至用户的终端。
在1170中，可以接收推荐产品的点击收益。
在1180中，推荐模型可以根据接收的点击收益被优化。
其中经训练的推荐模型是：
其中，at指的是推荐项的D维特征向量(或被称为目标推荐项)。D是大于1的整数在一些实施例中，对于目标推荐项，多维向量包括至少两个元素，并且每个元素对应于目标推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。同样地，在一些实施例中，对于候选推荐项，多维向量包括至少两个元素，并且每个元素对应于候选推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。在一些实施例中，为了确定推荐项的多维向量(也被称为X向量)，信息处理装置112可以获得多维向量框架，向量框架可能至少部分未填充。信息处理装置112可以基于所获得的多维向量框架、推荐项的一个或以上推荐项相关特征(例如，候选推荐项)、一个或以上当前场景相关特征以及一个或以上当前用户相关特征来确定多维向量。具体地，信息处理装置112可以将上述特征填充到多维向量框架，以获得填充的多维向量，该多维向量是推荐项的多维向量。在一些实施例中，在将上述特征填充到多维向量框架之前，可以将特征的一个或以上二值化。也就是说，信息处理装置112可以针对候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征中的每一个确定相应的值，并将确定的值填充到所获得的多维向量框架中以确定多维向量。在一些实施例中，当由二进制值组成(或被称为二进制元素)时，多维向量也可以被称为二进制向量。a指的是至少两个候选推荐项的特定候选推荐项。At是指至少两个候选推荐项的集合，Xt，a是指在at的第t次迭代中选择特定候选推荐项的特征向量。指的是关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中，和δ是指常数。指的是与候选推荐项相对应的候选收益。At是指至少两个候选推荐项的集合，Xt，a是指在第t次迭代中选择特定候选推荐项的特征向量。指的是at上第t次迭代后关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中并且其中δ是指常数。
在一些实施例中，为了搭建推荐的模型，用户的历史出行样本被采集。在一些实施例中，在历史出行样本中筛选出30个二元变量。30个二元变量包括：20个用户特征变量、6个场景特征变量和4个产品特征变量。在一些实施例中，用户的历史出行样本中的用户特征变量可以包括：年龄是否大于15、年龄是否大于40、性别是否为男、是否对价格敏感、近3个月是否做过豪华车等等或其任意组合。
在一些实施例中，用户的历史出行样本含有的场景特征向量可以包括：气温是否超过30度、是否为雨天、是否有雾霾、是否在乘坐专车、是否在乘坐顺风车、是否在乘坐特快列车、是否在乘坐豪华车、目的是否为医疗机构、目的地是否为旅游景点、目的是否为金融机构、目的地是否为学校等或其任意组合。
在一些实施例中，用户的历史出行样本含有的产品特征变量可以包括是否为高价产品、是否为理财产品、是否为保险产品、是否与车相关等，或其任意组合。
在一些实施例中，可以对20个用户特征变量、4个产品特征变量聚类和6个场景特征变量进行聚类操作和降维操作以确定10维特征向量，包括2个用户特征变量、6个场景特征变量和2个产品特征变量。在一些实施例中，信息处理系统112可以进一步基于用户相关信息、场景相关信息和产品相关信息搭建模型，为后续工作的进行提供了保障。
其中，D维向量矩阵是初始化矩阵，D与用户特征信息、出行场景信息及出行产品特征信息的维度相同。
推荐模型公式的理论基础是在求置信区间的上极限，置信区间＝点击收益预估±(关键值×点击收益预估的标准差)。
所以，的含义为广告点击收益预估，α为关键值(可认为调控)，α决定了历史经验的积累与不考虑经验的勘探选择的程度，可以根据经验进行设置。
例如，α可以设置成1，当需要推广新产品时将α的值设置的大一些，这样系统就会大概率选择新上线的具备新特性的产品作为推广计划；At表示当前可以选择的推广计划或推广产品的集合。为收益的标准差，也是收益的均值。
图12是根据当前发明的一些实施例示出的信息处理方法的流程图。该方法可以包括后面的一个或以上操作。处理器1200可以被按需服务系统100执行。例如，处理器1200可以实现为存储在存储器ROM230或RAM240中的指令集(例如，应用程序)。处理器220可以执行该组指令，当执行该组指令时，其可以被配置为实施处理器1200。后面呈现的示例性处理器的操作意图是说明性的。在一些实施例中，处理器1200可以由没有描述的一个或以上附加操作和/或没有所讨论的操作的一个或以上来完成。此外，图12中所述的处理器的操作和后面描述的过程操作的顺序不是限制性的。
在1210中，采集用户的历史出行样本数据；信息处理系统112可以对用户历史出行样本进行聚类降维，得到用户相关信息、场景相关信息及产品相关信息；根据用户相关信息、场景相关信息及产品相关信息，建立推荐模型；
在1220中，获取用户的当前场景相关信息及当前用户相关信息。
在1230中，将获取的当前场景相关信息及当前用户相关信息输入至推荐模型，获取具有特定特征信息的推荐产品。推荐模型包括第一矩阵Aa,t和第二矩阵
在1240中，将推荐产品的信息发送至用户的终端。
在1250中，接收推荐产品的点击收益。
在1260中，根据指定第一矩阵和第二矩阵，其中r为点击收益。
在1270中，根据对推荐模型进行优化。
其中，经训练的推荐模型为：其中，经训练的推荐模型为：
at为推荐出行产品的信息的D维特征向量，D是大于1的整数在一些实施例中，对于目标推荐项，多维向量包括至少两个元素，并且每个元素对应于目标推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。同样地，在一些实施例中，对于候选推荐项，多维向量包括至少两个元素，并且每个元素对应于候选推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。在一些实施例中，为了确定推荐项的多维向量(也被称为X向量)，信息处理装置112可以获得多维向量框架，向量框架可能至少部分未填充。信息处理装置112可以基于所获得的多维向量框架、推荐项的一个或以上推荐项相关特征(例如，候选推荐项)、一个或以上当前场景相关特征以及一个或以上当前用户相关特征来确定多维向量。具体地，信息处理装置112可以将上述特征填充到多维向量框架，以获得填充的多维向量，该多维向量是推荐项的多维向量。在一些实施例中，在将上述特征填充到多维向量框架之前，可以将特征的一个或以上二值化。也就是说，信息处理装置112可以针对候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征中的每一个确定相应的值，并将确定的值填充到所获得的多维向量框架中以确定多维向量。在一些实施例中，当由二进制值组成(或被称为二进制元素)时，多维向量也可以被称为二进制向量。a指的是至少两个候选推荐项的特定候选推荐项。At是指至少两个候选推荐项的集合，Xt，a是指在at的第t次迭代中选择特定候选推荐项的特征向量。指的是关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中，和δ是指常数。指的是与候选推荐项相对应的候选收益。
在一些实施例中，每一次推荐完成后，收集点击收益后升级算法中矩阵及Aa，通过升级算法中的矩阵，进而优化推荐模型，实现推荐模型的自我修正，可以进一步确认用户的兴趣。
在本发明的一些实施例中，点击收益在推荐出行产品的信息被用户点击时为1；点击收益在推荐出行产品的信息未被用户点击时为0。
在一些实施例中，当推荐的产品信息被用户点击时，点击收益为1，否则为0。通过这种方式获取点击收益，得到用户对推荐的产品信息的感兴趣程度，为推荐算法模型(或被称为推荐模型)的优化提供依据。
在本发明的一些实施例中，用户特征信息包括用户年龄是否大于15岁、用户是否对价格敏感；出行场景信息包括出行场景气温是否超过30摄氏度、出行场景是否为雨天、用户是否在乘坐专车、出行场景目的地是否为医疗机构、出行场景目的地是否为旅游景点、出行场景目的地是否为学校；出行产品特征信息包括产品是否为保险产品、产品是否与车相关等等或其任意组合。
在一些实施例中，用户特征信息包括用户的年龄、对价格的敏感程度；出行场景信息包括出行场景气温、天气、乘车方式、目的地；出行产品特征信息包括产品属性、类别等。在一些实施例中，根据用户的这些出行数据，实现对用户在各种场景中进行最合适的产品的推荐。
本发明第二方面的一些实施例提出一种信息处理系统112，图8A示出了本发明的一些实施例的信息处理系统112的示意框图。信息处理系统112包括：建立模块802、获取模块804和推荐模块806。
建立模块802配置为用于建立推荐模型。
获取模块804，用于获取用户的当前出场景相关信息及当前用户相关信息；以及将获取的当前场景相关信息及当前用户相关信息输入至推荐模型，获取具有特定特征信息的修补产品；
推荐模块806配置为将推荐产品发送至用户的终端。
本发明提供的信息处理系统112，包括建立模块802，通过采用在线学习算法搭建模型。
获取模块804配置为用于收集用户的当前出行场景信息(如天气、目的地、气温、乘车种类…)和当前用户特征信息(如年龄、性别、对价格敏感程度…)，再将用户的当前出行场景信息和当前用户特征信息输入至推荐模型。本发明提供的信息处理方法首先使用在线学习算法建立了一个推荐模型(或称为初始推荐模型)，然后收集当前场景信息(如天气、目的地、气温、乘车种类…)和当前用户特征信息(如年龄、性别、对价格敏感程度…)。
获取模块804可以通过对这些数据的清洗、加工以及聚类降维得到具有特定特征信息的推荐出行产品的信息，其中特定特征信息是与用户的当前出行场景信息和当前用户特征信息相关的。
推荐模块806配置为将推荐出行产品的信息发送给用户，当用户在操作时会触发相应场景，例如触发出行app时，将根据推荐算法模型得到的最优的产品信息推荐给用户。
本发明可以收集用户出行大数据，基于收集的大数据和在线学习算法搭建推荐模型并基于该建立的推荐模型预测用户在出行场景中的具有一定实时性的需求。构建的推荐模型可以在数千次迭代之后收敛，并且可以在特定时间点准确地匹配具有需求的用户，根据用户和用户所在的运输环境的组合为每个用户推荐合适的产品(例如，金融产品或保险产品等)。本发明可以大大提高广告的回报率，并降低用户对广告的反感度。如这里使用的，与候选推荐产品相关的特征(例如，属性)，例如候选推荐项是否是金融产品或保险产品等，可以被称为候选推荐项的推荐项相关特征。
图8B示出了本发明的另一实施例的信息处理系统112的示意框图。信息处理系统112可以包括建立模块802、获取模块804、推荐模块806、接收模块808和优化模块810.
建立模块802可以配置为建立推荐模型。
获取模块804被配置为获取用户的当前场景相关信息及当前用户相关信息；以及将当前场景相关信息及当前用户相关信息输入至推荐模型，获取具有特定特征信息的推荐出行产品。
推荐模块806配置为将推荐产品的信息发送至用户的终端。
接收模块808配置为用于接收点击推荐产品得到的点击收益。
优化模块810配置为根据接收的点击收益对推荐模型进行优化。
在一些实施例中，信息处理系统112还包括接收模块808和优化模块810，每一次向用户推荐出行产品的信息后，收集信息处理的信息被用户点击的情况。
通过推荐出行产品的信息得到的点击收益对算法中的矩阵进行升级，实现推荐模型的优化。
通过此种方式在场景中不断探索创新推荐产品的信息以此提升推荐模型的精确度，为不同用户在不同的出行场景中提供更优质的、更被用户需要的产品服务，提升了用户的使用体验。
图8C根据本发明的一些实施例示出了信息处理系统112的示意框图。信息处理系统112包括：建立模块802、获取模块804、推荐模块806、接收模块808和优化模块810。建立模块802可以包括采集单元8022。
建立模块802被配置为用于建立推荐模型。
建立模块802可以包括：采集单元6022，用于采集用户历史出行样本数据。建立模块802，具体用于对用户历史出行样本数据进行聚类降维，得到用户相关信息、场景相关信息及产品相关信息，以及根据用户相关信息、场景相关信息及产品相关信息，建立推荐模型。
获取模块804，用于获取用户的当前场景信息及当前用户相关信息；以及将当前场景相关信息及当前用户相关信息输入至推荐模型，获取具有特定特征信息的修正产品；
推荐模块806被配置用于将推荐产品的信息发送至用户的终端。
接收模块808，用于接收根据推荐产品的信息得到的点击收益；
优化模块810，用于根据推荐产品给用户后接收到的的点击收益对推荐模型进行优化。更新和Aa。
其中，经训练的推荐模型为：
其中，经训练的推荐模型为：
其中，at为推荐出行产品的信息的D维特征向量，D是大于1的整数在一些实施例中，对于目标推荐项，多维向量包括至少两个元素，并且每个元素对应于目标推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。同样地，在一些实施例中，对于候选推荐项，多维向量包括至少两个元素，并且每个元素对应于候选推荐项的一个或以上推荐项相关特征之一、一个或以上当前场景相关特征以及一个或以上当前用户相关特征。在一些实施例中，为了确定推荐项的多维向量(也被称为X向量)，信息处理装置112可以获得多维向量框架，向量框架可能至少部分未填充。信息处理装置112可以基于所获得的多维向量框架、推荐项的一个或以上推荐项相关特征(例如，候选推荐项)、一个或以上当前场景相关特征以及一个或以上当前用户相关特征来确定多维向量。具体地，信息处理装置112可以将上述特征填充到多维向量框架，以获得填充的多维向量，该多维向量是推荐项的多维向量。在一些实施例中，在将上述特征填充到多维向量框架之前，可以将特征的一个或以上二值化。也就是说，信息处理装置112可以针对候选推荐项的一个或以上推荐项相关特征、一个或以上当前场景相关特征以及一个或以上当前用户相关特征中的每一个确定相应的值，并将确定的值填充到所获得的多维向量框架中以确定多维向量。在一些实施例中，当由二进制值组成(或被称为二进制元素)时，多维向量也可以被称为二进制向量。a指的是至少两个候选推荐项的特定候选推荐项。At是指至少两个候选推荐项的集合，Xt，a是指在at的第t次迭代中选择特定候选推荐项的特征向量。指的是关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中，和δ是指常数。
指的是与候选推荐项相对应的候选收益。
At是指至少两个候选推荐项的集合，Xt，a是指在第t次迭代中选择特定候选推荐项的特征向量。指的是at上第t次迭代后关于某个候选推荐项的点击收益的矩阵，Aa指的是D维矩阵，指的是标准差，其中并且其中δ是指常数。
在一些实施例中，建立模块802还包括采集单元8022。
在一些实施例中，为了构建推荐模型，用户的历史出行样本将被采集单元8022获取。在一些实施例中，将从历史出行样本中筛选30个二元变量，包括：20个用户特征变量、6个场景特征变量、4个产品特征变量。在一些实施例中，用户历史出行样本的用户特征变量包括：年龄是否大于15、年龄是否大于40、性别是否为男、是否对价格敏感、近3个月是否做过豪华车等等，或其任意组合。
在一些实施例中，历史出行样本中的场景特征变量包括：气温是否超过30度、是否为雨天、是否有雾霾、是否在乘坐专车、是否在乘坐顺风车、是否在乘坐快车、是否在乘坐豪华车、目的是否为医疗机构、目的地是否为旅游景点、目的是否为金融机构、目的地是否为学校等，或其任意组合。
在一些实施例中，用户历史出行样本的产品特征变量包括：是否为高价产品、是否为理财产品、是否为保险产品、是否与车相关等，或其任意组合。
在一些实施例中，对用户历史出行样本数据进行聚类降维，经过对20维用户特征变量聚类，4维产品特征变量聚类，最终筛选出2个用户特征变量、6个场景特征变量、2个产品特征变量作为10维特征向量；再根据用户特征信息、出行场景信息及出行产品特征信息，建立推荐模型，为后续工作的进行提供了保障。
其中，D维矩阵是初始化矩阵，D与用户特征、场景特征及出行产品特征的维度相同。
推荐模型公式的理论基础是在求置信区间的上极限，置信区间＝点击收益预估±(关键值×点击收益预估的标准差)。
所以，的含义为广告点击收益预估，α为关键值(可认为调控)，决定了历史经验的积累与不考虑经验的勘探选择的程度，可以根据经验进行设置。
例如，α可以设置成1，当需要推广新产品时将α的值设置的大一些，这样系统就会大概率选择新上线的具备新特性的产品作为推广计划。At表示当前可以选择的推广计划或推广产品的集合。为收益的标准差，即收益的均值。
在一些实施例中，根据指定第一矩阵和第二矩阵，其中r为点击收益。根据对推荐模型进行优化。
在一些实施例中，优化模块810可以被配置为每次推荐完成后，收集推荐的收益(例如，每个时钟的收益)，根据收集的收益升级算法中矩阵，通过升级算法中的矩阵，进而优化推荐模型，实现推荐模型的自我修正，可以进一步确认用户的兴趣。
在本发明的一些实施例中，点击收益在推荐产品的信息被用户点击时为1；点击收益在推荐产品的信息未被用户点击时为0。
在一些实施例中，当推荐的产品信息被用户点击时，点击收益为1，否则为0。通过这种方式获取点击收益，得到用户对推荐的产品信息的感兴趣程度，为推荐算法模型(或被称为推荐模型)的优化提供依据。
在本发明的一些实施例中，用户特征信息包括用户年龄是否大于15岁、用户是否对价格敏感；出行场景信息包括出行场景气温是否超过30摄氏度、出行场景是否为雨天、用户是否在乘坐专车、出行场景目的地是否为医疗机构、出行场景目的地是否为旅游景点、出行场景目的地是否为学校；出行产品特征信息包括产品是否为保险产品、产品是否与车相关等等或其任意组合。
在一些实施例中，用户特征信息包括用户的年龄、对价格的敏感程度；出行场景信息包括出行场景气温、天气、乘车方式、目的地；出行产品特征信息包括产品属性、类别等。在一些实施例中，根据用户的这些出行数据，实现对用户在各种场景中进行最合适的产品的推荐。
图13A和13B根据一些实施例集中示出了说明信息处理方法的工作过程1300-1和1300-2的流程图。图13B示出的操作在图13A中的操作已经执行后执行。该流程包括下述一个或以上操作。处理器可以被按需服务系统100执行。例如，处理器可以实现为存储在存储器ROM230或RAM240中的指令集(例如，应用程序)。处理器220可以执行该组指令，当执行该组指令时，其可以被配置为实施处理器。后面呈现的示例性处理器的操作意图是说明性的。在一些实施例中，处理器可以由没有描述的一个或以上附加操作和/或没有所讨论的操作的一个或以上来完成。此外，图13中所述的处理器的操作和后面描述的过程操作的顺序不是限制性的。
在1301中，接收来自用户的服务请求。服务请求可以包括出行服务方式，包括：乘坐专车1302、乘坐快车1303、呼叫顺风车1304、呼叫代驾1305等，或其任意组合。
在1306中，场景相关信息会被实时采集，例如天气信息和/或目的地信息。
在1307中，用户相关信息将被获取。
在1308中，信息处理系统112能够清洗和二元化处理采集的场景相关信息和获取的用户相关信息以确定至少两个特征，整合生成的至少两个特征给未填充的X向量以生成部分填充的X向量，部分填充的X向量包括至少两个元素，每个元素与至少两个特征的一个特征相对应。在一些实施例中，用户特征信息可以读取。在一些实施例中，数据被清洗和二元化后生成输入向量。
在1309中，信息处理系统112可以获取推荐模型。这里的推荐模型可以是经训练的推荐模型。训练过程如图6所示。
在1310中，信息处理系统112可以清洗和二元化处理采集的场景相关信息和获取的用户相关信息以确定至少两个特征，整合生成的至少两个特征给未填充的X向量以生成部分填充的X向量，部分填充的X向量包括至少两个元素，每个元素与至少两个特征的一个特征相对应。
在一些实施例中，通过遍历产品广告物料，生成产品特征至输入向量并将该输入向量输入推荐模型。信息处理系统112可以根据信息处理算法(或称为推荐模型)确定推荐项。
在1311中，信息处理系统112可以发送广告信息以推荐给终端。
在一些实施例中，推荐项可以被发送至用户出行app消息系统上。
在1312中，信息处理系统112可以接收该推荐信息的用户点击。
在1313中，信息处理系统112可以更新推荐模型。
信息处理系统112可以根据用户点击推荐产品的信息得到的点击收益，更新推荐算法模型。
推荐出行产品的信息被发送至用户出行app消息系统；最终，推荐算法模型根据用户点击新的出行产品的信息得到的点击收益被更新。
图14和图15根据本发明的一些实施例示出了信息处理消息的app页面截图。信息处理消息也可以是一种表示。表示在界面上的项目也可以成为用户界面特征。在一些实施例中，用户点击信息处理消息后显示在图15所示的界面上。在一些实施例中，用户再次点击项目后显示项目详细信息的界面。
图14中示出的信息处理消息在用户出行app的界面上显示。信息处理消息也可以是一种表示。表示在界面上的项目也可以成为用户界面特征。在一些实施例中，用户点击信息处理消息后显示在图15所示的界面上。在一些实施例中，用户再次点击项目后显示项目详细信息的界面。
在本发明的第三个方面，提出一种信息处理装置112，图7示出了本发明的一个实施例的信息处理装置112的示意框图。信息处理装置112包括存储器装置720和处理器740。
在一些实施例中，信息处理装置112包括存储装置720和处理器740以及存储在存储器上并可在处理器上运行的计算机程序。其特征在于，处理器执行计算机程序时视线如上述任一项的信息处理方法的步骤。
本发明提供的信息处理装置112包括处理器740，当处理器740执行计算机程序时，通过采用在线学习算法建立推荐模型(或称为初始推荐模型)，然后收集当前的当前场景信息(如天气、目的地、气温、乘车种类…)和当前用户特征信息(如年龄、性别、对价格敏感程度…)。
将用户的当前出行场景信息和当前用户特征信息输入推荐模型，用过对这些数据的清洗、加工以及聚类降维得到具有特定特征信息的推荐出行产品信息，其中特定特征信息是与用户的当前当前出行场景信息和当前用户特征信息相关的。
最后当用户在操作时会触发相应场景，例如触发出行app时，将根据推荐算法模型得到的最优的产品信息推荐给用户。
本发明通过基于大数据、根据在线学习算法搭建的模型预测用户在出行场景中的具有一定实时性的需求，可以精准匹配到有需求的用户，根据用户与场景环境的组合为不同用户找到最合适的产品进行推荐，如进行金融产品、保险产品的推荐，大大提升广告投放的回报，降低用户对广告的反感度。
本发明第四方面的实施例，提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一项的信息处理方法的步骤。
本发明提供的计算机可读存储介质，计算机程序被处理器执行时建立推荐模型，通过采用在线学习算法搭建模型，然后收集用户的当前出行场景信息(如天气、目的地、气温、乘车种类…)和当前用户特征信息(如年龄、性别、对价格敏感程度…)。
将用户的当前出行场景信息和当前用户特征信息输入至推荐模型，通过对这些数据的清洗、加工以及聚类降维得到具有特定特征信息的推荐出行产品的信息，其中特定特征信息是与用户的当前出行场景信息和当前用户特征信息相关的。
最后当用户在操作时会触发相应场景，例如触发出行app时，将根据推荐算法模型得到的最优的产品信息推荐给用户。
本发明通过收集用户出行大数据，基于大数据、根据在线学习算法搭建的模型预测用户在出行场景中的具有一定实时性的需求，可以精准匹配到有需求的用户，根据用户与场景环境的组合为不同用户找到最合适的产品进行推荐，如进行金融产品、保险产品的推荐，大大提升广告投放的回报，降低用户对广告的反感度。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。例如，“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可以呈现为位于一个或以上计算机可读媒体中的计算机产品，该产品具有计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的媒体进行传播，包括无线电、缆线、光纤电缆、RF、或类似媒体、或任何上述媒体的合适组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，
ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，否则所述处理元素或序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请过程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统元件可以通过硬体装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的伺服器或行动载具上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部。

Claims (30)

1.一种系统，包括：
至少一个存储介质，包括一组个性化推荐指令；
至少一个网络接口，用于与用户的用户终端通信；
至少一个处理器可操作地耦合到所述至少一个网络接口，所述至少一个处理器被配置为：
检测在所述用户终端上执行的应用程序，所述应用程序通过网络自动与所述系统的网络服务通信；
与所述用户通过用户终端发送的服务请求相关的所述应用程序进行通信；
获取一个或以上当前场景相关特征以及与所述用户相关的一个或以上当前用户相关特征；
获取至少两个候选推荐项；
基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项；以及
向所述应用程序提供所述目标推荐项以在所述用户的所述用户终端的显示器上生成呈现，所述呈现提供用户可以交互的用户界面特征。
2.根据权利要求1所述的系统，其特征在于，为从所述至少两个候选推荐项中选择所述目标推荐项，所述至少一个处理器被配置为：
对于每个候选推荐项，基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述经训练的推荐模型确定与所述候选推荐项对应的候选收益；
对应所述至少两个候选推荐项排序所述至少两个候选收益，以确定所述至少两个候选收益中的最大候选收益；以及
选择与所述最大候选收益相对应的候选推荐项作为所述目标推荐项。
3.根据权利要求2所述的系统，其特征在于，对于每个候选推荐项，为基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述经训练的推荐模型确定与所述候选推荐项相对应的所述候选收益，所述至少处理器被配置为：
确定所述候选推荐项的一个或以上推荐项相关特征；
至少基于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征，确定与所述候选推荐项相对应的多维向量，其特征在于，所述多维向量包括至少两个元素，并且每个元素对应于所述一个或以上所述候选推荐项的所述推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征之一；以及
通过将对应于所述候选推荐项的多维向量输入所述推荐模型，确定所述候选推荐项对应的所述候选收益。
4.根据权利要求3所述的系统，其特征在于，对于每个候选推荐项，为了确定对应于所述候选推荐项的多维向量，所述至少一个处理器被配置为：
获取多维向量框架；以及
基于所获取的多维向量框架、所述一个或以上候选推荐项的推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量。
5.根据权利要求4所述的系统，其特征在于，为基于所述获取的多维向量框架、所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量，所述至少一个处理器被配置为：
对于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征中的每一个，确定相应的值；以及
将所述确定的值填充所述获取的多维向量框架中以确定所述多维向量。
6.根据权利要求3所述的系统，其特征在于，所述多维向量是包括至少两个二进制元素的二进制向量。
7.根据权利要求1所述的系统，其特征在于，所述经训练的推荐模型是由至少一个计算装置根据训练过程生成的，其特征在于，为了实现所述训练过程，所述至少一个处理器被配置为：
获取所述用户的至少两个历史订单；
对所述至少两个历史订单中的每一个，
确定与所述历史订单相关的一个或以上样本场景相关特征、与所述用户相关的样本用户相关特征以及与所述历史订单相关的一个或以上样本推荐项相关特征；
获取初步推荐模型；以及
通过将所述至少两个历史订单的所述样本场景相关特征、所述至少两个历史订单的所述样本用户相关特征、所述至少两个历史订单的样本推荐项相关特征样本输入所述初步推荐模型，获取所述经训练的推荐模型。
8.根据权利要求1所述的系统，其特征在于，所述至少一个处理器还被用于：
从所述用户终端接收关于所述目标推荐项的点击收益；以及
基于所述点击收益，更新经训练的推荐模型。
9.根据权利要求1所述的系统，其特征在于，至少一个所述服务请求的所述当前场景相关特征中包括所述服务请求的目的地、所述服务请求的当前天气状况以及所述服务请求的服务类型。
10.根据权利要求1所述的系统，其特征在于，所述训练的推荐模型是：其中at为所述目标推荐项的D维特征向量，a为至少两个候选推荐项中的特定候选推荐项，At为至少两个候选推荐项的集合，Xt，a为当前迭代中选择所述候选推荐项的特征向量，为对at经过t次迭代后关于所述点击收益的矩阵，Aa为D维矩阵，为标准差，其中且δ为常数。
11.一种方法，包括：
检测在用户终端上执行的应用程序，所述应用程序通过网络自动与所述系统的网络服务通信；
与所述用户通过用户终端发送的服务请求相关的所述应用程序进行通信；
获取一个或以上当前场景相关特征以及与所述用户相关的一个或以上当前用户相关特征；
获取至少两个候选推荐项；
基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项；以及
向所述应用程序提供所述目标推荐项以在所述用户的用户终端的显示器上生成呈现，所述呈现提供用户可以交互的用户界面特征。
12.根据权利要求11所述的方法，其特征在于，基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项。包括：
对于每个候选推荐项，基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述训练的推荐模型确定与所述候选推荐项对应的候选收益；
对应所述至少两个候选推荐项排序所述至少两个候选收益，以确定所述至少两个候选收益中的最大候选收益；以及
选择与所述最大候选收益相对应的所述候选推荐项作为所述目标推荐项。
13.根据权利要求12所述的方法，其特征在于，对于每个候选推荐项，基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述经训练的推荐模型确定与所述候选推荐项相对应的所述候选收益，包括：
确定所述候选推荐项的一个或以上推荐项相关特征；
至少基于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征确定与所述候选推荐项相对应的多维向量，其特征在于，所述多维向量包括至少两个元素，并且每个元素对应于所述一个或以上所述候选推荐项的所述推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征之一；以及
通过将对应于所述候选推荐项的多维向量输入所述推荐模型，确定所述候选推荐项对应的所述候选收益。
14.根据权利要求13所述的方法，其特征在于，对于每个候选推荐项，为了确定对应于所述候选推荐项的多维向量，包括：
获取多维向量框架；以及
基于所述获取的多维向量、所述一个或以上候选推荐项的推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量。
15.根据权利要求14所述的方法，其特征在于，为基于所述获取的多维向量框架、所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量，包括：
对于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征确定相应的值；以及
将所述确定的值填充所述获取的多维向量框架中以确定所述多维向量。
16.根据权利要求13所述的方法，其特征在于，所述多维向量是包括至少两个二进制元素的二进制向量。
17.根据权利要求11所述的方法，其特征在于，所述经训练的推荐模型是根据训练过程由至少一个计算装置生成的，所述训练过程包括：
获取所述用户的至少两个历史的订单；
对所述至少两个历史订单中的每一个，
确定与所述历史订单相关的一个或以上样本场景相关特征、与所述用户相关的样本用户相关特征以及与所述历史订单相关的一个或以上样本推荐项相关特征；
获取初步推荐模型；以及
通过将所述至少两个历史订单的所述样本场景相关特征、所述至少两个历史订单的所述样本用户相关特征、所述至少两个历史订单的样本推荐项相关特征样本输入所述初步推荐模型，获取所述经训练的推荐模型。
18.根据权利要求11所述的方法，其特征在于，所述方法还包括：
从所述用户终端接收关于所述目标推荐项的点击收益；以及
更新基于所述点击收益的经训练的推荐模型。
19.根据权利要求11所述的方法，其特征在于，所述训练的推荐模型是其中at为所述目标推荐项的D维特征向量，a为至少两个候选推荐项中的特定候选推荐项，At为至少两个候选推荐项的集合，Xt，a为当前迭代中选择所述候选推荐项的特征向量，为对at经过t次迭代后关于所述点击收益的矩阵，Aa为D维矩阵，为标准差，其中且δ为常数。
20.非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，使所述至少一个处理器实现以下的方法，包括：
检测在用户终端上执行的应用程序，所述应用程序通过网络自动与所述系统的网络服务通信；
与所述用户通过用户终端发送的服务请求相关的所述应用程序进行通信；
获取关于所述用户的一个或以上当前场景相关特征和一个或以上当前用户相关特征；
获取至少两个候选推荐项；
基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项；以及
向所述应用程序提供所述目标推荐项以在所述用户的用户终端显示器上生成呈现，所述呈现提供所述用户可以交互的用户界面特征。
21.一种系统，包括：
采集模块，其被配置为：
检测在用户终端上执行的应用程序，所述应用程序通过网络自动与所述系统的网络服务通信；
与所述用户通过用户终端发送的服务请求相关的所述应用程序进行通信；
获取一个或以上当前场景相关特征以及与所述用户相关的一个或以上当前用户相关特征；
获取至少两个候选推荐项；
选择模块，其被配置为基于所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用经训练的推荐模型从所述至少两个候选推荐项中选择目标推荐项；以及
通讯模块，其被配置为向所述应用程序提供所述目标推荐项以在所述用户的用户终端显示器上生成呈现，所述呈现提供所述用户可以交互的用户界面特征。
22.根据权利要求21所述的系统，其特征在于，为从所述至少两个候选推荐项中选择目标推荐项，所述选择模块被配置为：
对于每个候选推荐项，基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述训练的推荐模型确定与所述候选推荐项对应的候选收益；
对应所述至少两个候选推荐项排序所述至少两个候选收益，以确定所述至少两个候选收益中的最大候选收益；以及
选择与所述最大候选收益相对应的所述候选推荐项作为所述目标推荐项。
23.根据权利要求22所述的系统，其特征在于，对于每个候选推荐项，为了基于所述候选推荐项、所述一个或以上当前场景相关特征和所述一个或以上当前用户相关特征，使用所述经训练的推荐模型确定与所述候选推荐项相对应的所述候选收益，所述选择模块被配置为：
确定所述候选推荐项的一个或以上推荐项相关特征；
至少基于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征确定与所述候选推荐项相对应的多维向量，其特征在于，所述多维向量包括至少两个元素，并且每个元素对应于所述一个或以上所述候选推荐项的所述推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征之一；以及
通过将对应于所述候选推荐项的多维向量输入所述推荐模型，确定所述候选推荐项对应的所述候选收益。
24.根据权利要求23所述的系统，其特征在于，对于每个候选推荐项，为了确定对应于所述候选推荐项的多维向量，所述选择模块被配置为：
获取多维向量框架；以及
基于所述获取的多维向量、所述一个或以上候选推荐项的推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量。
25.根据权利要求24所述的系统，其特征在于，为基于所述获取的多维向量框架、所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征、以及所述一个或以上当前用户相关特征确定所述多维向量，所述选择模块被配置为：
对于所述候选推荐项的所述一个或以上推荐项相关特征、所述一个或以上当前场景相关特征以及所述一个或以上当前用户相关特征确定相应的值；以及
将所述确定的值填充所述获取的多维向量框架中以确定所述多维向量。
26.根据权利要求23所述的系统，其特征在于，所述多维向量是包括至少两个二进制元素的二进制向量。
27.根据权利要求21所述的系统，还包括一个训练模块，其被配置为：
获取所述用户的至少两个历史的订单；
对所述至少两个历史订单中的每一个，
确定与所述历史订单相关的一个或以上样本场景相关特征、与所述用户相关的样本用户相关特征以及与所述历史订单相关的一个或以上样本推荐项相关特征；
获取初步推荐模型；以及
通过将所述至少两个历史订单的所述样本场景相关特征、所述至少两个历史订单的所述样本用户相关特征、所述至少两个历史订单的样本推荐项相关特征样本输入所述初步推荐模型，获取所述经训练的推荐模型。
28.根据权利要求21所述的系统，其特征在于，所述系统还包括：
反馈模块被配置为从所述用户终端接收关于所述目标推荐项的点击收益；以及
升级模块被配置为基于所述点击收益更新所述经训练的推荐模型。
29.根据权利要求21所述的系统，其特征在于，至少一个所述服务请求的所述当前场景相关特征包括所述服务请求的目的地、所述服务请求的当前天气状况以及所述服务请求的服务类型。
30.根据权利要求21所述的系统，其特征在于，所述训练的推荐模型是其中at为所述目标推荐项的D维特征向量，a为至少两个候选推荐项中的特定候选推荐项，At为至少两个候选推荐项的集合，Xt，a为当前迭代中选择所述候选推荐项的特征向量，为对at经过t次迭代后关于所述点击收益的矩阵，Aa为D维矩阵，为标准差，其中且δ为常数。
CN201880001544.6A 2017-08-28 2018-08-22 信息处理方法、信息处理系统和信息处理装置 Pending CN110140135A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710751923.4A CN109426977A (zh) 2017-08-28 2017-08-28 一种信息处理方法、信息处理系统及计算机装置
CN2017107519234 2017-08-28
PCT/CN2018/101659 WO2019042194A1 (en) 2017-08-28 2018-08-22 INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM, AND INFORMATION PROCESSING DEVICE

Publications (1)

Publication Number Publication Date
CN110140135A true CN110140135A (zh) 2019-08-16

Family

ID=65503266

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710751923.4A Pending CN109426977A (zh) 2017-08-28 2017-08-28 一种信息处理方法、信息处理系统及计算机装置
CN201880001544.6A Pending CN110140135A (zh) 2017-08-28 2018-08-22 信息处理方法、信息处理系统和信息处理装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201710751923.4A Pending CN109426977A (zh) 2017-08-28 2017-08-28 一种信息处理方法、信息处理系统及计算机装置

Country Status (4)

Country Link
US (1) US20200202391A1 (zh)
JP (1) JP7014895B2 (zh)
CN (2) CN109426977A (zh)
WO (1) WO2019042194A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767466A (zh) * 2020-09-01 2020-10-13 腾讯科技（深圳）有限公司 基于人工智能的推荐信息推荐方法、装置及电子设备
CN111897861A (zh) * 2020-06-30 2020-11-06 苏宁金融科技(南京)有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN112052380A (zh) * 2020-01-20 2020-12-08 河南紫联物联网技术有限公司 智能终端、智能家居设备的营销推荐方法及系统
CN112069401A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种出行方式的推荐方法、装置、电子设备及存储介质
CN112883291A (zh) * 2021-02-05 2021-06-01 上海钧正网络科技有限公司 目的地位置的推荐方法、装置和服务器
CN113449209A (zh) * 2020-03-27 2021-09-28 丰田自动车株式会社 服务器装置、终端装置、以及记录有服务提供程序的记录介质
CN113537532A (zh) * 2020-04-22 2021-10-22 丰田自动车株式会社 信息处理装置、信息处理方法以及非临时性存储介质
CN115760296A (zh) * 2022-11-24 2023-03-07 阿里巴巴（中国）有限公司 页面数据处理与浏览方法、终端设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659410B (zh) * 2019-08-16 2024-04-02 平安科技（深圳）有限公司 智能推荐方法及装置、电子设备、计算机可读存储介质
CN112667881A (zh) * 2019-10-16 2021-04-16 刘海 用于生成信息的方法和装置
CN112750323A (zh) * 2019-10-30 2021-05-04 上海博泰悦臻电子设备制造有限公司 用于车辆安全的管理方法、装置和计算机存储介质
CN111831900A (zh) * 2019-12-03 2020-10-27 北京嘀嘀无限科技发展有限公司 一种数据处理方法、系统、电子设备及存储介质
CN111259241B (zh) * 2020-01-14 2023-07-28 每日互动股份有限公司 一种信息处理方法及装置、存储介质
CN111382359B (zh) * 2020-03-09 2024-01-12 北京京东振世信息技术有限公司 基于强化学习的服务策略推荐方法、装置、电子设备
CN111753206B (zh) * 2020-06-29 2024-06-14 支付宝(杭州)信息技术有限公司 信息推送的方法和系统
CN112070523B (zh) * 2020-07-23 2024-05-28 盛威时代科技集团有限公司 基于云计算技术在智能交通管理产品中投送广告的方法
CN112883259A (zh) * 2021-01-21 2021-06-01 南京维沃软件技术有限公司 信息推送方法和装置
CN112966182B (zh) * 2021-03-09 2024-02-09 中国民航信息网络股份有限公司 一种项目推荐方法及相关设备
CN113724038A (zh) * 2021-08-02 2021-11-30 泰康保险集团股份有限公司 一种个性化推荐保险产品的方法、装置、设备及介质
CN114500643B (zh) * 2022-04-07 2022-07-12 北京远特科技股份有限公司 一种车载信息推荐方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307323A1 (en) * 2010-06-10 2011-12-15 Google Inc. Content items for mobile applications
US20120166377A1 (en) * 2010-12-27 2012-06-28 Nokia Corporation Method and apparatus for providing recommendations based on a recommendation model and a context-based rule
CN105338054A (zh) * 2015-09-21 2016-02-17 百度在线网络技术（北京）有限公司 一种语音信息的推送方法和装置
WO2016135746A2 (en) * 2015-02-27 2016-09-01 Keypoint Technologies India Pvt. Ltd. Contextual discovery
WO2017028821A1 (zh) * 2015-08-20 2017-02-23 北京嘀嘀无限科技发展有限公司 根据历史订单预测当前订单信息的方法及系统
US9691096B1 (en) * 2013-09-16 2017-06-27 Amazon Technologies, Inc. Identifying item recommendations through recognized navigational patterns

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9318108B2 (en) * 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
CN102956009B (zh) * 2011-08-16 2017-03-01 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
US20160284011A1 (en) * 2015-03-25 2016-09-29 Facebook, Inc. Techniques for social messaging authorization and customization
CN106296281B (zh) * 2016-08-05 2018-08-17 中卓信（北京）科技有限公司 一种用户个性化行程信息推送方法、装置以及系统
CN106909658A (zh) * 2017-02-27 2017-06-30 百度在线网络技术（北京）有限公司 信息流推荐方法、装置和搜索引擎

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307323A1 (en) * 2010-06-10 2011-12-15 Google Inc. Content items for mobile applications
US20120166377A1 (en) * 2010-12-27 2012-06-28 Nokia Corporation Method and apparatus for providing recommendations based on a recommendation model and a context-based rule
US9691096B1 (en) * 2013-09-16 2017-06-27 Amazon Technologies, Inc. Identifying item recommendations through recognized navigational patterns
WO2016135746A2 (en) * 2015-02-27 2016-09-01 Keypoint Technologies India Pvt. Ltd. Contextual discovery
WO2017028821A1 (zh) * 2015-08-20 2017-02-23 北京嘀嘀无限科技发展有限公司 根据历史订单预测当前订单信息的方法及系统
CN105338054A (zh) * 2015-09-21 2016-02-17 百度在线网络技术（北京）有限公司 一种语音信息的推送方法和装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052380A (zh) * 2020-01-20 2020-12-08 河南紫联物联网技术有限公司 智能终端、智能家居设备的营销推荐方法及系统
CN113449209A (zh) * 2020-03-27 2021-09-28 丰田自动车株式会社 服务器装置、终端装置、以及记录有服务提供程序的记录介质
CN113537532A (zh) * 2020-04-22 2021-10-22 丰田自动车株式会社 信息处理装置、信息处理方法以及非临时性存储介质
CN111897861A (zh) * 2020-06-30 2020-11-06 苏宁金融科技(南京)有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN112069401A (zh) * 2020-08-26 2020-12-11 北京百度网讯科技有限公司 一种出行方式的推荐方法、装置、电子设备及存储介质
CN111767466A (zh) * 2020-09-01 2020-10-13 腾讯科技（深圳）有限公司 基于人工智能的推荐信息推荐方法、装置及电子设备
CN112883291A (zh) * 2021-02-05 2021-06-01 上海钧正网络科技有限公司 目的地位置的推荐方法、装置和服务器
CN112883291B (zh) * 2021-02-05 2023-04-07 上海钧正网络科技有限公司 目的地位置的推荐方法、装置和服务器
CN115760296A (zh) * 2022-11-24 2023-03-07 阿里巴巴（中国）有限公司 页面数据处理与浏览方法、终端设备及存储介质
CN115760296B (zh) * 2022-11-24 2023-10-17 阿里巴巴(中国)网络技术有限公司 页面数据处理与浏览方法、终端设备及存储介质

Also Published As

Publication number Publication date
WO2019042194A1 (en) 2019-03-07
US20200202391A1 (en) 2020-06-25
JP7014895B2 (ja) 2022-02-01
JP2020532019A (ja) 2020-11-05
CN109426977A (zh) 2019-03-05

Similar Documents

Publication Publication Date Title
CN110140135A (zh) 信息处理方法、信息处理系统和信息处理装置
US10989548B2 (en) Systems and methods for determining estimated time of arrival
TWI670677B (zh) 用於推薦預估到達時間的系統和方法
US11546729B2 (en) System and method for destination predicting
US10254119B2 (en) Systems and methods for recommending an estimated time of arrival
TWI673659B (zh) 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體
TWI675184B (zh) 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體
US11011057B2 (en) Systems and methods for generating personalized destination recommendations
CN108934181A (zh) 用于路径搜索的系统和方法
CN110291544A (zh) 用于确定用户之间亲密度的系统和方法
CN109863526A (zh) 为按需服务提供信息的系统和方法
CN109313742A (zh) 确定预估到达时间的方法及系统
CN109074396A (zh) 推荐个性化内容的系统和方法
TW201901185A (zh) 用於確定預估到達時間的系統和方法
CN110431573A (zh) 订单分配优化的系统和方法
CN109417767A (zh) 用于确定预估到达时间的系统和方法
CN109313775A (zh) 用于分发服务请求的系统和方法
CN108780562A (zh) 更新服务序列的系统和方法
CN109791731A (zh) 一种预估到达时间的方法和系统
CN108885726A (zh) 服务时间点预测系统和方法
CN110249357A (zh) 用于数据更新的系统和方法
CN110402370A (zh) 用于确定服务请求的推荐信息的系统和方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190816