排序网络的训练方法、排序方法及电子设备技术

本实施例提供一种排序网络的训练方法、排序方法及电子设备，涉及人工智能技术，包括：利用初始排序网络对至少两个订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果；利用评价网络对位置序列进行处理，得到第二预测排序结果；其中，评价网络中的参数基于初始排序网络中的参数确定；根据第一预测排序结果和第二预测排序结果训练初始排序网络；其中，训练完毕的初始排序网络用于根据待处理订单的信息确定接送驾顺序。这种实现方案中，可以通过机器学习的方式自动生成接送驾序列，从而提高生成接送驾序列的排序速度，还能够减小服务器的处理压力。还能够减小服务器的处理压力。还能够减小服务器的处理压力。

【技术实现步骤摘要】
排序网络的训练方法、排序方法及电子设备


[0001]本公开涉及人工智能技术，尤其涉及一种排序网络的训练方法、排序方法及电子设备。

技术介绍

[0002]目前，很多打车软件中都具有拼车功能，后台服务器根据各个订单确定可以绑定在一起的若干个订单。例如，存在订单1和订单2符合拼单条件，可以再确定订单3能否和订单1和订单2绑定到一起。
[0003]通常，服务器根据多个订单的起点和终点位置，枚举出可能的接送驾顺序，枚举过程耗时较长。并且每一种接送驾顺序依赖下游的若干系统支撑作合理性的验证，再基于合理性验证结果判断这三个订单能否绑定。例如，存在三个订单时，能够枚举出多达几十种接送驾顺序，那么会为服务器增加几十倍的处理压力。
[0004]因此，现有技术的方案中，存在生成接送驾顺序的耗时较长，且由于枚举的接送驾顺序数量过多，导致服务器侧的处理压力较大的问题。

技术实现思路

[0005]本公开提供一种排序网络的训练方法、排序方法及电子设备，以解决现有技术中存在生成接送驾顺序的耗时较长，且由于枚举的接送驾顺序数量过多，导致服务器侧的处理压力较大的问题。
[0006]本公开的第一个方面是提供一种排序网络的训练方法，包括：
[0007]获取训练数据集，所述训练数据集中包括多个订单信息，所述订单信息包括起点位置和终点位置；
[0008]利用初始排序网络对至少两个所述订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果；
[0009]利用评价网络对所述位置序列进行处理，得到第二预测排序结果；其中，所述评价网络中的参数基于所述初始排序网络中的参数确定；
[0010]根据所述第一预测排序结果和所述第二预测排序结果训练所述初始排序网络；其中，训练完毕的所述初始排序网络为目标排序网络，所述目标排序网络用于根据待处理订单的信息确定接送驾顺序。
[0011]本公开的第二个方面是提供一种接送驾顺序生成方法，包括：
[0012]获取多个待处理订单的信息，并根据所述多个待处理订单的信息确定位置序列；
[0013]将所述位置序列输入到预设的目标排序网络中，得到目标位置序列；其中，所述目标排序网络是基于第一方面所述的方法训练得到的。
[0014]本公开的第三个方面是提供一种排序网络的训练装置，包括：
[0015]数据获取单元，用于获取训练数据集，所述训练数据集中包括多个订单信息，所述订单信息包括起点位置和终点位置；
[0016]预测单元，用于利用初始排序网络对至少两个所述订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果；
[0017]所述预测单元还用于利用评价网络对所述位置序列进行处理，得到第二预测排序结果；其中，所述评价网络中的参数基于所述初始排序网络中的参数确定；
[0018]训练单元，用于根据所述第一预测排序结果和所述第二预测排序结果训练初始排序网络；其中，训练完毕的所述初始排序网络为目标排序网络，所述目标排序网络用于根据待处理订单的信息确定接送驾顺序。
[0019]本公开的第四个方面是提供一种接送驾顺序生成装置，包括：
[0020]订单获取单元，用于获取多个待处理订单的信息，并根据所述多个待处理订单的信息确定位置序列；
[0021]排序单元，用于将所述位置序列输入到预设的目标排序网络中，得到目标位置序列；其中，所述目标排序网络是基于第三方面所述的装置训练得到的。
[0022]本公开的第五方面是提供一种电子设备，包括：
[0023]存储器；
[0024]处理器；以及
[0025]计算机程序；
[0026]其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的排序网络的训练方法，或第二方面所述的接送驾顺序生成方法。
[0027]本公开的第六方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的排序网络的训练方法，或第二方面所述的接送驾顺序生成方法。
[0028]本公开提供的排序网络的训练方法、排序方法及电子设备的技术效果是：
[0029]本实施例提供的排序网络的训练方法、排序方法及电子设备，包括：获取训练数据集，训练数据集中包括多个订单信息，订单信息包括起点位置和终点位置；利用初始排序网络对至少两个订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果；利用评价网络对位置序列进行处理，得到第二预测排序结果；其中，评价网络中的参数基于初始排序网络中的参数确定；根据第一预测排序结果和第二预测排序结果训练初始排序网络；其中，训练完毕的初始排序网络为目标排序网络，目标排序网络用于根据待处理订单的信息确定接送驾顺序。这种实现方案中，可以通过机器学习的方式自动生成接送驾序列，从而提高生成接送驾序列的排序速度，还能够减小服务器的处理压力。
附图说明
[0030]图1为本公开一示例性实施例示出的排序网络的训练方法的流程示意图；
[0031]图2为本公开一示例性实施例示出的网络结构示意图；
[0032]图3为本公开另一示例性实施例示出的排序网络的训练方法的流程示意图；
[0033]图4为本公开一示例性实施例示出的网络结构图；
[0034]图5为本公开一示例性实施例示出的排序网络的训练装置的结构示意图；
[0035]图6为本公开一示例性实施例示出的电子设备的结构图。
具体实施方式
[0036]目前，很多打车软件中都具有拼车功能，用户可以在打车软件中发出拼车订单，服务器接收到拼车订单后，在其中确定符合拼车流程的多个拼车订单，从而绑定这些拼车订单。
[0037]通常，需要先枚举出多个拼车订单的接送驾顺序，再判断这些接送驾顺序是否符合拼车流程，若符合，则可以确定这些拼车订单可以绑定在一起。例如，三个订单能够生成多达几十种接送驾顺序，针对每种接送驾顺序，均需要下游系统对其进行合理性验证，以确定接送驾顺序是否符合拼车流程。
[0038]但是，这种实现方案中在枚举接送驾顺序时需要耗费较长时间，且会导致服务器的处理压力较大。
[0039]为了解决上述技术问题，本公开提供的方案中，利用机器学习技术得到排序模型，利用排序模型对多个订单的起点位置和终点位置进行排序处理，得到较为合理的接送驾顺序，再判断该接送驾顺序是否符合拼单流程，这种方案既能够降低枚举接送驾顺序的时间，又能够减小下游系统的处理压力。
[0040]图1为本公开一示例性实施例示出的排序网络的训练方法的流程示意图。
[0041]如图1所示，本公开提供的排序网络的训练方法，包括：
[0042]步骤101，获取训练数据集，训练数据集中包括多个订单信息，订单信息包括起点位置和终点位置。
[0043]本公开提供的方法可以由具备计算能力的电子设备执行，例如可以是计算机。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排序网络的训练方法，其特征在于，包括：获取训练数据集，所述训练数据集中包括多个订单信息，所述订单信息包括起点位置和终点位置；利用初始排序网络对至少两个所述订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果；利用评价网络对所述位置序列进行处理，得到第二预测排序结果；其中，所述评价网络中的参数基于所述初始排序网络中的参数确定；根据所述第一预测排序结果和所述第二预测排序结果训练所述初始排序网络；其中，训练完毕的所述初始排序网络为目标排序网络，所述目标排序网络用于根据待处理订单的信息确定接送驾顺序。2.根据权利要求1所述的方法，其特征在于，所述初始排序网络包括第一编码模块和第一解码模块；所述利用初始排序网络对至少两个所述订单信息的起点位置和终点位置所组成的位置序列进行处理，得到第一预测排序结果，包括：将至少两个所述订单信息的起点位置和终点位置所组成的位置序列，输入所述初始排序网络的第一编码模块，得到第一特征序列；将所述第一特征序列输入所述初始排序网络的所述第一解码模块，得到所述第一预测排序结果。3.根据权利要求2所述的方法，其特征在于，所述第一解码模块的结构是指针网络结构。4.根据权利要求2所述的方法，其特征在于，所述评价网络包括第二编码模块和第二解码模块；利用评价网络对所述位置序列进行处理，得到第二预测排序结果，包括：将至少两个所述订单信息的起点位置和终点位置所组成的位置序列，输入所述评价网络的第二编码模块，得到第二特征序列；将所述第二特征序列输入所述初始排序网络的所述第二解码模块，得到所述第二预测排序结果。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述根据所述第一预测排序结果和所述第二预测排序结果训练所述初始排序网络，包括：根据所述第一预测排序结果，确定第一接送驾距离；根据所述第二预测排序结果，确定第二接送驾距离；根据所述第一接送驾距离和所述第二接送驾距离训练所述初始排序网络。6.根据权利要求5所述的方...

【专利技术属性】
技术研发人员：姚亦周，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：