一种目的地推荐方法和系统技术方案

本申请实施例公开了一种目的地推荐的方法和系统。所述目的地推荐的方法包括：获取当前订单的订单数据，所述订单数据至少包括当前时间、当前位置或出发地信息；获取第一时间段内的用户历史订单；从所述历史订单中提取历史目的地和与所述历史目的地相关的特征参数；基于所述历史目的地和所述当前订单的订单数据确定候选兴趣点；基于所述特征参数确定所述候选兴趣点的概率值；基于所述概率值确定推荐目的地。本申请基于用户历史订单向用户推荐目的地，可以方便用户快速准确的确定订单目的地，提升用户体验。

【技术实现步骤摘要】
一种目的地推荐方法和系统
本申请涉及互联网领域，特别涉及一种目的地推荐方法和系统。
技术介绍
近年来，随着移动通信技术的快速发展，大量基于智能终端的应用软件涌现了出来。叫车类应用是其中很受大众欢迎的一类。乘客在发起用车请求前，通过客户端输入订单起始地和目的地信息。订单发起后，司机根据乘客输入的起始地信息前去接驾，根据目的地信息完成服务请求。目前在发起订单时，通常需要用户自己确定并准确输入目的地的名称来发出服务请求。如果用户经常使用叫车服务，并且有规律的在一定时间点前往某目的地，这样重复的操作会极大的降低用户的体验感。但是，如果系统每次都推荐用户不想要去的地方作为订单的目的地，同样会导致用户每次都自己输入或修改目的地信息，达不到好的效果。因此，希望可以提供一种智能精准的猜到用户想要达到的目的地，并推荐给用户的方法，以避免经常性的重复的进行信息的确定和输入，提升用户体验。
技术实现思路
本申请的一方面提供一种目的地推荐的方法。所述目的地推荐的方法包括：获取当前订单的订单数据，所述订单数据至少包括当前时间、当前位置或出发地信息；获本文档来自技高网...

【技术保护点】
1.一种目的地推荐的方法，其特征在于，包括：/n获取当前订单的订单数据，所述订单数据至少包括当前时间、当前位置或出发地信息；/n获取第一时间段内的用户历史订单；从所述历史订单中提取历史目的地和与所述历史目的地相关的特征参数；/n基于所述历史目的地和所述当前订单的订单数据确定候选兴趣点；/n基于所述特征参数确定所述候选兴趣点的概率值；/n基于所述概率值确定推荐目的地。/n

【技术特征摘要】
1.一种目的地推荐的方法，其特征在于，包括：
获取当前订单的订单数据，所述订单数据至少包括当前时间、当前位置或出发地信息；
获取第一时间段内的用户历史订单；从所述历史订单中提取历史目的地和与所述历史目的地相关的特征参数；
基于所述历史目的地和所述当前订单的订单数据确定候选兴趣点；
基于所述特征参数确定所述候选兴趣点的概率值；
基于所述概率值确定推荐目的地。


2.如权利要求1所述的方法，其特征在于，
所述特征参数包括高维稀疏特征、与用户相关的特征、上下文特征、统计特征、其他稀疏特征、负反馈特征中的一种或几种的组合；
其中，所述高维稀疏特征包括用户名、兴趣点名称和城市名称中的一种或几种的组合；
所述与用户相关的特征包括年龄、性别、职业、兴趣点为家庭住址的置信度、兴趣点为工作地址的置信度、用户是否上班、历史订单的平均距离、历史订单的距离方差、当前位置与兴趣点的距离、出现频率较高的兴趣点中的一种或几种的组合；
所述上下文特征包括：兴趣点出现的时间、兴趣点出现的日期、兴趣点的经纬度、兴趣点的地图坐标中的一种或几种的组合；
所述统计特征包括：兴趣点根据时间的分布概率、根据地址名称的分布概率、根据经纬度的分布概率、根据时间和位置的分布概率中的一种或几种的组合；
所述其他稀疏特征包括：以兴趣点为目的地的频次、一定时间内兴趣点在历史订单中为目的地的频次中的一种或几种的组合；
所述负反馈特征包括：一定时间内用户没有采纳该兴趣点为目的地的负反馈的概率。


3.如权利要求1所述的方法，其特征在于，所述基于所述特征参数确定所述候选兴趣点的概率值，包括:
获取兴趣点推荐模型；
基于兴趣点推荐模型确定所述候选兴趣点的概率值。


4.如权利要求3所述的方法，其特征在于，
获得所述兴趣点推荐模型的方法包括：
获取第二时间段内的用户历史订单；从所述历史订单中提取历史目的地和所述历史目的地的相关的特征参数；
基于所述特征参数和所述历史目的地训练兴趣点推荐模型。


5.如权利要求3所述的方法，其特征在于，
所述兴趣点推荐模型为DeepFM模型。


6.如权利要求5所述的方法，其特征在于，
所述DeepFM模型的输出为：
fusion＝sigmoid(w1×first_order_out+w2×second_order_out+w3×dnn_out)；
其中，w1、w2、w3为权重值，first_order_out为FM模型的一阶输出，second_order_out为FM模型的二阶输出，dnn_out为DNN模型的高阶输出。


7.如权利要求4所述的方法，其特征在于，
确定损失函数；
基于所述损失函数对所述推荐模型进行优化。


8.如权利要求7所述的方法，其特征在于，
所述损失函数为：
Loss＝β1×lr_loss+β2×second_order_out_loss+β3×dnn_out_loss+β4×fusion_loss
其中，β1、β2、β3、β4为权重值；

其中，X为与所述目的地相关的特征参数组成的特征矩阵，θ为X对应的权重值，θT为θ的转置；
fusion＝sigmid(w1×first_order_out+w2×second_order_out+w3×dnn_out)；
lr_loss为lr模型的损失函数计算结果，second_order_out_loss为FM模型二阶输出的损失函数计算结果，dnn_out_loss为DNN模型高阶输出的损失函数计算结果，fusion_loss为fusion模型的损失函数计算结果。


9.如权利要求1所述的方法，其特征在于，基于所述概率值确定推荐目的地，包括：
获取所述概率值中的最大概率值，并且当所述最大概率值大于预设值时，将所述最大概率值对应的候选兴趣点确定为所述推荐目的地。


10.一种兴趣点推荐系统，其特征在于，包括：
获取模块，用于获取当前订单的订单数据，所述订单数据至少包括当前时间、当前位置或出发地信息；还用于获取第一时...

【专利技术属性】
技术研发人员：刘磊，陈欢，宋奇，马利，
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