信息推送方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种信息推送方法、装置、电子设备和存储介质，该方法包括：获取待评价订单的订单信息，以及待评价订单对应的候选问题集；基于订单信息，生成针对待评价订单对应的请求端的差评特征、针对待评价订单对应的服务端的被差评特征、以及针对待评价订单的订单特征；针对候选问题集中的每个候选问题，基于差评特征、被差评特征、订单特征和该候选问题对应的问题标识，以及预先训练的差评概率预测模型，预测得到在该候选问题下，针对服务端的差评概率；基于候选问题集中各候选问题对应的差评概率，从候选问题集中，为请求端确定待反馈的问题，并将确定的问题推送给所述请求端。本申请能够提高推送的信息的准确度。

Information push method, device, electronic equipment and storage medium

【技术实现步骤摘要】
信息推送方法、装置、电子设备和存储介质
本申请涉及信息
，具体而言，涉及一种信息推送方法、装置、电子设备和存储介质。
技术介绍
目前，随着汽车电子技术的持续快速发展，出租车在人们日常生活出行中起到了不可替代的作用，为广大人民的日常生活、交通出行带来了极大方便。乘客在使用出行平台出行且完成订单后，乘客端一般会收到平台针对司机的星级评价表，乘客只需要选择针对该司机的星级，即可完成对司机的评价，操作简单，但是，平台无法收集到针对司机的全面的评价。为了收集针对司机的全面评价，在乘客完成订单后，司机会收到平台推送的针对当前司机的反馈问题，平台在推送问题时，一般是随机推送的，乘客基于接收到的反馈问题对司机进行评价，平台利用接收到的反馈评价中的差评评价对平台的服务质量进行调整，若平台为乘客端推送的问题不合适，那么平台无法采集到的有效的差评评价，也不能对平台的服务质量进行提升。
技术实现思路
有鉴于此，本申请的目的在于提供一种信息推送方法、装置、电子设备和存储介质，以提高推送的信息的准确度。第一方面，本申请实施例提供了一种信息推送装置，该装置包括：获取模块，用于获取待评价订单的订单信息，以及所述待评价订单对应的候选问题集；生成模块，用于基于所述获取模块获取的所述订单信息，生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征；预测模块，用于针对所述获取模块获取的所述候选问题集中的每个候选问题，基于所述生成模块生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识，以及预先训练的差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评概率；处理模块，用于基于所述预测模块预测得到的所述候选问题集中各候选问题对应的差评概率，从所述候选问题集中，为所述请求端确定待反馈的问题，并将确定的问题推送给所述请求端。在一种实施方式中，所述预测模块用于根据以下步骤预测得到在该候选问题下，针对所述服务端的差评概率：对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合，得到组合特征；将所述组合特征输入到所述差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评率。在一种实施方式中，所述处理模块用于根据以下步骤从所述候选问题集中，为所述请求端确定待反馈的问题：将最大差评概率对应的候选问题确定为所述待反馈的问题。在一种实施方式中，还包括：训练模块，所述训练模块用于根据以下步骤训练得到所述差评概率预测模型：构建训练样本库，所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果；从所述训练样本库中，获取第i次训练对应的第一训练集和第二训练集；针对所述第一训练集中的每个历史完成订单，基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识，以及第i次训练对应的差评概率预测模型，预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下，针对对应历史服务端的第一差评概率；根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值，以及第i次训练对应的订单权重集合，确定第i次训练对应的差评概率预测模型的第一损失值；按照第i次训练对应的第一损失值最小原则，对第i次训练对应的初始差评概率预测模型的模型参数进行调整，得到第i次训练对应的调整后的差评概率预测模型；针对所述第二训练集中的每个历史完成订单，基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识，以及第i次训练对应的调整后的差评概率预测模型，预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下，针对对应历史服务端的第二差评概率；基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果，确定第i次训练对应的调整后的差评概率预测模型的第二损失值；基于第i次训练对应的第二损失值，以及预设的模型参数与订单权重之间的计算关系，对第i次训练对应的订单权重集合中的权重进行调整；令i+1，将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型，将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合，返回执行从所述训练样本库中，获取第i次训练对应的第一训练集和第二训练集的步骤，直到第二损失值满足训练结束条件为止，得到所述差评概率预测模型。在一种实施方式中，所述训练模块用于根据以下步骤确定第i次训练对应的差评概率预测模型的第一损失值：针对所述第一训练集中的每个历史完成订单，确定该历史完成订单对应的第一差值和对应订单权重之间的乘积；将所述第一训练集中各个历史完成订单对应的乘积值的平均值，作为所述第一损失值。在一种实施方式中，所述训练结束条件包括：连续预设数目次训练确定的第二损失值相同；或者，第二损失值小于或者等于预设值。在一种实施方式中，所述训练模块用于根据以下步骤确定第i次训练对应的调整后的差评概率预测模型的第二损失值：从所述第二训练集中，将反馈结果为差评的历史完成订单确定为正样本订单，将反馈结果为好评的历史完成订单确定为负样本订单；基于所述正样本订单对应的第二差评率，以及所述负样本订单对应的第二差评率，确定所述第二损失值。在一种实施方式中，所述生成模块用于根据以下步骤生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征：获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息；基于所述请求端的历史差评订单信息，生成针对所述待评价订单对应的请求端的差评特征；基于所述服务端的历史被差评订单信息，生成针对所述待评价订单对应的服务端的被差评特征。第二方面，本申请实施例提供了一种信息推送方法，该方法包括：获取待评价订单的订单信息，以及所述待评价订单对应的候选问题集；基于所述订单信息，生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征；针对所述候选问题集中的每个候选问题，基于所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识，以及预先训练的差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评概率；基于所述候选问题集中各候选问题对应的差评概率，从所述候选问题集中，为所述请求端确定待反馈的问题，并将确定的问题推送给所述请求端。在一种实施方式中，基于所述差评特征、所述被差评特征、本文档来自技高网...

【技术保护点】
1.一种信息推送装置，其特征在于，该装置包括：/n获取模块，用于获取待评价订单的订单信息，以及所述待评价订单对应的候选问题集；/n生成模块，用于基于所述获取模块获取的所述订单信息，生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征；/n预测模块，用于针对所述获取模块获取的所述候选问题集中的每个候选问题，基于所述生成模块生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识，以及预先训练的差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评概率；/n处理模块，用于基于所述预测模块预测得到的所述候选问题集中各候选问题对应的差评概率，从所述候选问题集中，为所述请求端确定待反馈的问题，并将确定的问题推送给所述请求端。/n

【技术特征摘要】
1.一种信息推送装置，其特征在于，该装置包括：
获取模块，用于获取待评价订单的订单信息，以及所述待评价订单对应的候选问题集；
生成模块，用于基于所述获取模块获取的所述订单信息，生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征；
预测模块，用于针对所述获取模块获取的所述候选问题集中的每个候选问题，基于所述生成模块生成的所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识，以及预先训练的差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评概率；
处理模块，用于基于所述预测模块预测得到的所述候选问题集中各候选问题对应的差评概率，从所述候选问题集中，为所述请求端确定待反馈的问题，并将确定的问题推送给所述请求端。


2.如权利要求1所述的装置，其特征在于，所述预测模块用于根据以下步骤预测得到在该候选问题下，针对所述服务端的差评概率：
对所述差评特征、所述被差评特征、所述订单特征和该候选问题对应的问题标识中的不同特征进行特征组合，得到组合特征；
将所述组合特征输入到所述差评概率预测模型，预测得到在该候选问题下，针对所述服务端的差评率。


3.如权利要求1所述的装置，其特征在于，所述处理模块用于根据以下步骤从所述候选问题集中，为所述请求端确定待反馈的问题：
将最大差评概率对应的候选问题确定为所述待反馈的问题。


4.如权利要求1所述的装置，其特征在于，还包括：训练模块，所述训练模块用于根据以下步骤训练得到所述差评概率预测模型：
构建训练样本库，所述训练样本库包括历史完成订单对应的历史请求端的历史差评特征、所述历史完成订单对应的历史服务端的历史被差评特征、所述历史完成订单的历史订单特征、所述历史完成订单对应的历史反馈问题的问题标识以及所述历史反馈问题对应的反馈结果；
从所述训练样本库中，获取第i次训练对应的第一训练集和第二训练集；
针对所述第一训练集中的每个历史完成订单，基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识，以及第i次训练对应的差评概率预测模型，预测得到在第i次训练对应的第一训练集中该历史完成订单对应的历史反馈问题下，针对对应历史服务端的第一差评概率；
根据第i次训练对应的第一训练集中各历史完成订单分别对应的第一差评率和对应的反馈结果之间的第一差值，以及第i次训练对应的订单权重集合，确定第i次训练对应的差评概率预测模型的第一损失值；
按照第i次训练对应的第一损失值最小原则，对第i次训练对应的初始差评概率预测模型的模型参数进行调整，得到第i次训练对应的调整后的差评概率预测模型；
针对所述第二训练集中的每个历史完成订单，基于该历史完成订单对应的历史差评特征、历史被差评特征、历史订单特征、历史反馈问题的问题标识，以及第i次训练对应的调整后的差评概率预测模型，预测得到在第i次训练对应的第二训练集中该历史完成订单对应的历史反馈问题下，针对对应历史服务端的第二差评概率；
基于第i次训练对应的第二训练集中各历史完成订单对应的第二差评概率和对应的反馈结果，确定第i次训练对应的调整后的差评概率预测模型的第二损失值；
基于第i次训练对应的第二损失值，以及预设的模型参数与订单权重之间的计算关系，对第i次训练对应的订单权重集合中的权重进行调整；
令i+1，将第i次训练对应的调整后的差评概率预测模型作为第i+1次训练对应的初始差评概率预测模型，将第i次训练对应的调整后的订单权重集合作为第i+1次训练对应的订单权重集合，返回执行从所述训练样本库中，获取第i次训练对应的第一训练集和第二训练集的步骤，直到第二损失值满足训练结束条件为止，得到所述差评概率预测模型。


5.如权利要求4所述的装置，其特征在于，所述训练模块用于根据以下步骤确定第i次训练对应的差评概率预测模型的第一损失值：
针对所述第一训练集中的每个历史完成订单，确定该历史完成订单对应的第一差值和对应订单权重之间的乘积；
将所述第一训练集中各个历史完成订单对应的乘积值的平均值，作为所述第一损失值。


6.如权利要求4所述的装置，其特征在于，所述训练结束条件包括：
连续预设数目次训练确定的第二损失值相同；或者，
第二损失值小于或者等于预设值。


7.如权利要求4所述的装置，其特征在于，所述训练模块用于根据以下步骤确定第i次训练对应的调整后的差评概率预测模型的第二损失值：
从所述第二训练集中，将反馈结果为差评的历史完成订单确定为正样本订单，将反馈结果为好评的历史完成订单确定为负样本订单；
基于所述正样本订单对应的第二差评率，以及所述负样本订单对应的第二差评率，确定所述第二损失值。


8.如权利要求1所述的装置，其特征在于，所述生成模块用于根据以下步骤生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征：
获取所述待评价订单对应的请求端的历史差评订单信息和服务端的历史被差评订单信息；
基于所述请求端的历史差评订单信息，生成针对所述待评价订单对应的请求端的差评特征；
基于所述服务端的历史被差评订单信息，生成针对所述待评价订单对应的服务端的被差评特征。


9.一种信息推送方法，其特征在于，该方法包括：
获取待评价订单的订单信息，以及所述待评价订单对应的候选问题集；
基于所述订单信息，生成针对所述待评价订单对应的请求端的差评特征、针对所述待评价订单对应的服务端的被差评特征、以及针对所述待评价订单的订单特征；
针对所述候选问题集中的...

【专利技术属性】
技术研发人员：郄小虎，匡峰，李高乐，刘章勋，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11