到店预测方法、装置、可读存储介质及电子设备制造方法及图纸

本申请实施例提供了一种到店预测方法、装置、可读存储介质及电子设备，该方法包括：获得用户终端发起的搜索请求；对所述搜索请求进行特征提取，确定所述用户终端的用户的特征、所述搜索请求对应的店铺列表中各个店铺的特征以及用户‑店铺交叉特征；将所述用户的特征、所述各个店铺的特征以及所述用户‑店铺交叉特征输入预先训练的到店概率预测模型，确定所述用户到达所述各个店铺的概率；根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺。本申请通过到店概率预测模型输出的各个店铺的概率确定出用户到达的目标店铺，实现了对用户的当前位置的准确定位，提高了用户终端向用户推荐的当前位置附近的店铺的可靠性。

Arrival prediction method, device, readable storage medium and electronic equipment

The embodiment of the application provides a store arrival prediction method, device, readable storage medium and electronic device, the method includes: obtaining a search request initiated by a user terminal; extracting the characteristics of the search request, determining the characteristics of the user of the user terminal, the characteristics of each store in the store list corresponding to the search request and the cross characteristics of the user \u2011 store; and The characteristics of the user, the characteristics of each shop and the cross characteristics of the user \u2011 shop are input into the pre-trained prediction model of the probability of arriving at the shop to determine the probability of the user arriving at the shop; according to the probability of the user arriving at the shop to determine whether the user arrives at the target shop. The application determines the target store that the user arrives at through the probability of each store output by the store arrival probability prediction model, realizes the accurate positioning of the current location of the user, and improves the reliability of the store near the current location recommended by the user terminal to the user.

【技术实现步骤摘要】
到店预测方法、装置、可读存储介质及电子设备
本申请涉及信息处理
，尤其涉及一种到店预测方法、装置、可读存储介质及电子设备。
技术介绍
随着移动互联网的发展，人们可以很方便地通过移动设备访问网络以获取服务，由此兴起了一批O2O(Online-to-Offline)本地生活化服务(例如：O2O附近搜索)，极大的方便了人们的生活。以O2O附近搜索为例，用户通过该搜索功能可以查看前位置附近的美食、娱乐等生活资讯，该搜索功能的具体实现过程为：预先搜集各个商户的经纬度标注，实时获取用户的定位，计算用户的定位与已标注经纬度的各个商户的距离，将距离满足用户的筛选范围的商户按照一定的算法进行排序后得到筛选结果，并将筛选结果返回到用户使用的移动设备进行显示。然而，上述搜索功能的具体实现过程存在一个问题：筛选结果过度依赖于用户的定位，当用户的定位未达到一定的准确度时，计算得到的用户的位置与各个商户的距离存在偏差，导致一部分商户无法被作为筛选结果并返回给用户，严重影响了用户的决策与使用体验。因而，为使得计算得到的用户的定位与已标注经纬度的各个商户的距离满足一定的准确度，需保证用户的定位满足较高的精度要求。在实际情况中，用户的实时定位受网络状况影响较大，当用户在一些大型建筑物内(例如：在商场内)发起O2O附近搜索时，由于普通的定位技术无法定位大型建筑物的楼层信息，并且移动设备在室内无法接收到GPS信号，只能依赖网络运营商的基站实现用户的实时定位，而依赖网络运营商的基站获得的用户的实时定位存在漂移现象，无法保证用户在室内的实时定位满足较高的精度要求。因此，如何更精确地对用户的当前位置进行定位是本领域急需解决的问题。
技术实现思路
本申请实施例提供一种到店预测方法、装置、可读存储介质及电子设备，能实时地预测用户是否到达店铺，实现了对用户的当前位置的精准定位。本申请实施例第一方面提供了一种到店预测方法，所述方法包括：获得用户终端发起的搜索请求；对所述搜索请求进行特征提取，确定所述用户终端的用户的特征、所述搜索请求对应的店铺列表中各个店铺的特征以及用户-店铺交叉特征，所述用户-店铺交叉特征是对所述用户的特征与所述各个店铺的特征进行特征交叉得到的；将所述用户的特征、所述各个店铺的特征以及所述用户-店铺交叉特征输入预先训练的到店概率预测模型，确定所述用户到达所述各个店铺的概率；根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺，所述目标店铺为所述各个店铺中的一个。可选地，所述根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺的步骤，包括：在所述用户到达所述目标店铺的概率大于预设的概率阈值的情况下，确定所述用户到达所述目标店铺；或在所述用户到达所述目标店铺的概率大于预设的概率阈值，且所述搜索请求对应的参数值在预设的生效参数值范围内的情况下，确定所述用户到达所述目标店铺。可选地，所述方法还包括：确定与用户到店相关联的用户行为类型；从所述用户终端的搜索日志中提取第一类搜索记录和第二类搜索记录，所述第一类搜索记录为符合所述用户行为类型的搜索记录，所述第二类搜索记录为对应的搜索时刻与所述第一类搜索记录的搜索时刻的时间差在预设时长内的搜索记录；将所述第一类搜索记录和所述第二类搜索记录中符合所述用户行为类型的搜索记录标记为正样本，以及，将所述第二类搜索记录中不符合所述用户行为类型的搜索记录标记为负样本；根据所述正样本和所述负样本，对预设模型进行训练，得到所述到店概率预测模型。可选地，所述根据所述正样本和所述负样本，对预设模型进行训练，得到所述到店概率预测模型的步骤，包括：对所述正样本和所述负样本分别进行特征提取，确定所述正样本和所述负样本各自对应的样本用户的特征、所述正样本和所述负样本各自对应的店铺列表中各个样本店铺的特征以及样本用户-样本店铺交叉特征，所述样本用户-样本店铺交叉特征是对所述样本用户的特征与所述各个样本店铺的特征进行特征交叉得到的；以所述样本用户的特征、所述各个样本店铺的特征以及所述样本用户-样本店铺交叉特征为训练样本，对所述预设模型进行训练，得到所述到店概率预测模型。可选地，在所述确定所述用户到达所述目标店铺的步骤之后，所述方法还包括：从所述用户终端的搜索日志中提取对应的搜索时刻在确定所述用户到达所述目标店铺之后的搜索记录；在提取的搜索记录是针对所述目标店铺的搜索记录的情况下，将所述提取的搜索记录标记为正样本，并增加所述正样本的权重；若所述提取的搜索记录不是针对所述目标店铺的搜索请求，将所述提取的搜索记录标记为负样本，并减少所述负样本的权重；以及根据增加权重后的正样本和减少权重后的负样本，对所述到店概率预测模型进行更新。可选地，所述用户的特征包括以下至少一者：所述用户终端扫描或连接到的WIFI名称及相应的信号强度、所述用户终端的设备类型、所述用户终端的经纬度、所述用户终端的IP地址、所述用户的用户画像、以及所述用户的消费偏好。可选地，所述各个店铺的特征包括以下至少一者：所述各个店铺的标识、所述各个店铺的WIFI名称、所述各个店铺的WIFI平均连接或扫描强度、所述各个店铺的经纬度、所述各个店铺所属的类目、所述各个店铺售卖的商品的价格区间、所述各个店铺的点击率以及所述各个店铺的访购率。可选地，所述用户-店铺交叉特征是通过以下至少一种方式得到的：根据所述用户终端的经纬度和所述各个店铺的经纬度，确定所述用户终端与所述各个店铺的直线距离；对所述用户终端扫描或连接到的店铺的WIFI的信号强度，与所述用户终端扫描或连接到的店铺的WIFI平均连接或扫描强度进行特征交叉；对所述用户终端扫描或连接到的店铺的WIFI的信号强度，与所述用户终端与所述用户终端扫描或连接到的店铺的直线距离进行特征交叉；和/或对所述用户终端的用户点击或消费价格与所述各个店铺的人均价格进行特征交叉。本申请实施例第二方面提供一种到店预测装置，所述装置包括：获得模块，用于获得用户终端发起的搜索请求；特征提取模块，用于对所述搜索请求进行特征提取，确定所述用户终端的用户的特征、所述搜索请求对应的店铺列表中各个店铺的特征以及用户-店铺交叉特征，所述用户-店铺交叉特征是对所述用户的特征与所述各个店铺的特征进行特征交叉得到的；概率预测模块，用于将所述用户的特征、所述各个店铺的特征以及所述用户-店铺交叉特征输入预先训练的到店概率预测模型，确定所述用户到达所述各个店铺的概率；以及确定模块，用于根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺，所述目标店铺为所述各个店铺中的一个。可选地，所述确定模块包括：第一确定模块，用于在所述用户到达所述目标店铺的概率大于预设的概率阈值的情况下，确定所述用户到达所述目标店铺；或第二确定模块，用于在所述用户到达所述目标店铺的概率大于预设的概本文档来自技高网...

【技术保护点】
1.一种到店预测方法，其特征在于，所述方法包括：/n获得用户终端发起的搜索请求；/n对所述搜索请求进行特征提取，确定所述用户终端的用户的特征、所述搜索请求对应的店铺列表中各个店铺的特征以及用户-店铺交叉特征，所述用户-店铺交叉特征是对所述用户的特征与所述各个店铺的特征进行特征交叉得到的；/n将所述用户的特征、所述各个店铺的特征以及所述用户-店铺交叉特征输入预先训练的到店概率预测模型，确定所述用户到达所述各个店铺的概率；/n根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺，所述目标店铺为所述各个店铺中的一个。/n

【技术特征摘要】
1.一种到店预测方法，其特征在于，所述方法包括：
获得用户终端发起的搜索请求；
对所述搜索请求进行特征提取，确定所述用户终端的用户的特征、所述搜索请求对应的店铺列表中各个店铺的特征以及用户-店铺交叉特征，所述用户-店铺交叉特征是对所述用户的特征与所述各个店铺的特征进行特征交叉得到的；
将所述用户的特征、所述各个店铺的特征以及所述用户-店铺交叉特征输入预先训练的到店概率预测模型，确定所述用户到达所述各个店铺的概率；
根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺，所述目标店铺为所述各个店铺中的一个。


2.根据权利要求1所述的方法，其特征在于，所述根据所述用户到达所述各个店铺的概率，确定所述用户是否到达目标店铺的步骤，包括：
在所述用户到达所述目标店铺的概率大于预设的概率阈值的情况下，确定所述用户到达所述目标店铺；或
在所述用户到达所述目标店铺的概率大于预设的概率阈值，且所述搜索请求对应的参数值在预设的生效参数值范围内的情况下，确定所述用户到达所述目标店铺。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定与用户到店相关联的用户行为类型；
从所述用户终端的搜索日志中提取第一类搜索记录和第二类搜索记录，所述第一类搜索记录为符合所述用户行为类型的搜索记录，所述第二类搜索记录为对应的搜索时刻与所述第一类搜索记录的搜索时刻的时间差在预设时长内的搜索记录；
将所述第一类搜索记录和所述第二类搜索记录中符合所述用户行为类型的搜索记录标记为正样本，以及，将所述第二类搜索记录中不符合所述用户行为类型的搜索记录标记为负样本；
根据所述正样本和所述负样本，对预设模型进行训练，得到所述到店概率预测模型。


4.根据权利要求3所述的方法，其特征在于，所述根据所述正样本和所述负样本，对预设模型进行训练，得到所述到店概率预测模型的步骤，包括：
对所述正样本和所述负样本分别进行特征提取，确定所述正样本和所述负样本各自对应的样本用户的特征、所述正样本和所述负样本各自对应的店铺列表中各个样本店铺的特征以及样本用户-样本店铺交叉特征，所述样本用户-样本店铺交叉特征是对所述样本用户的特征与所述各个样本店铺的特征进行特征交叉得到的；
以所述样本用户的特征、所述各个样本店铺的特征以及所述样本用户-样本店铺交叉特征为训练样本，对所述预设模型进行训练，得到所述到店概率预测模型。


5.根据权利要求2所述的方法，其特征在于，在所述确定所述用户到达所述目标店铺的步骤之后，所述方法还包括：
从所述用户终端的搜索日志中提取对应的搜索时刻在确定所述用户到达所述目标店铺之后的搜索记录；
在提取的搜索记录是针对所述目标店铺的搜索记...

【专利技术属性】
技术研发人员：张凯，王丛超，杨一帆，张弓，
申请(专利权)人：汉海信息技术上海有限公司，
类型：发明
国别省市：上海;31