【技术实现步骤摘要】
本专利技术涉及计算机机器学习，尤其是涉及一种出行中转方案的排列方法、装置、电子设备及介质。
技术介绍
1、在中转方案推荐中，需要对中转方案通过精排后截取top n个中转方案展示给用户。现有的中转方案精排方法有两种：一是采用最小价或最多好评(依产品属性决定，在ota领域还有可能是最短耗时)等人工规则进行精排，二是采用一般的机器学习方法预测产品的购买概率，对精排候选列表按购买概率预估值进行从大到小排列。但是现有方法中得到的中转方案的排序不能安全反映出用户的真实偏好，结果不够准确。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种出行中转方案的排列方法、装置、电子设备及介质，以提高了中转方案排序结果的准确性。
2、为了实现上述目的，本专利技术实施例采用的技术方案如下：
3、第一方面，本专利技术实施例提供了一种出行中转方案的排列方法，包括：获取中转方案候选集；其中，中转方案候选集中包括多个中转方案，每个中转方案多个特征参数；基于预先确定的数据处理中间模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；将每个中转方案处理后的特征参数输入至预先训练好的多任务模型中，得到每个中转方案的购买概率预估值；其中，多任务模型是基于中转方案候选集的曝光情况补偿训练得到的；基于购买概率预估值对中转方案候选集中的中转方案进行排序。
4、在一种实施方式中，多任务模型至少包括：第一输出模块和第二输出模块；将每个中转方案处理后的特征参数输入至预先训练好的
5、在一种实施方式中，基于购买概率预估值对中转方案候选集中的中转方案进行排序，包括：按照购买概率预估值从大到小的顺序，将中转方案进行排序；基于排序结果，选择预设数量的中转方案进行列表展示。
6、在一种实施方式中，多任务模型的训练过程包括：获取训练集数据；其中，训练集数据包括：每个中转方案的特征参数、曝光情况补偿参数和购买参数；对训练集数据进行预处理，得到预处理后的训练集数据以及数据处理中间模型；其中，数据处理中间模型用于保存对训练集数据进行预处理时产生的中间变量；基于预处理后的训练集数据对基于补偿学习的神经网络模型进行训练，得到训练好的多任务模型。
7、在一种实施方式中，对训练集数据进行预处理，包括：对训练集数据中的缺失值进行填充处理；和/或，对训练集数据中的连续特征进行归一化处理；和/或，对训练集数据中的离散特征进行编码处理。
8、第二方面，本专利技术实施例提供了一种出行中转方案的排列装置，包括：方案获取模块，用于获取中转方案候选集；其中，中转方案候选集中包括多个中转方案，每个中转方案多个特征参数；数据处理模块，用于基于预先确定的数据处理中间模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；购买概率预估值确定模块，用于将每个中转方案处理后的特征参数输入至预先训练好的多任务模型中，得到每个中转方案的购买概率预估值；其中，多任务模型是基于中转方案候选集的曝光情况补偿训练得到的；排序模块，用于基于购买概率预估值对中转方案候选集中的中转方案进行排序。
9、在一种实施方式中，多任务模型至少包括：第一输出模块和第二输出模块；购买概率预估值确定模块还用于：将每个中转方案处理后的特征参数输入至第一输出模块，得到每个中转方案的曝光情况补偿参数；将每个中转方案的曝光情况补偿参数输入至第二输出模块，得到每个中转方案的购买概率预估值。
10、在一种实施方式中，装置还包括：模型训练模块，用于：获取训练集数据；其中，训练集数据包括：每个中转方案的特征参数、曝光情况补偿参数和购买参数；对训练集数据进行预处理，得到预处理后的训练集数据以及数据处理中间模型；其中，数据处理中间模型用于保存对训练集数据进行预处理时产生的中间变量；基于预处理后的训练集数据对基于补偿学习的神经网络模型进行训练，得到训练好的多任务模型。
11、第三方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
12、第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
13、本专利技术实施例带来了以下有益效果：
14、本专利技术实施例提供的上述出行中转方案的排列方法、装置、电子设备及介质，首先，获取中转方案候选集(包括多个中转方案，每个中转方案多个特征参数)；然后，基于预先确定的数据处理中间模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；接着，将每个中转方案处理后的特征参数输入至预先训练好的多任务模型(多任务模型是基于中转方案候选集的曝光情况补偿训练得到的)中，得到每个中转方案的购买概率预估值；最后，基于购买概率预估值对中转方案候选集中的中转方案进行排序。上述方法通过基于中转方案候选集的曝光情况补偿训练得到的多任务模型得到每个中转方案的购买概率预估值，并根据购买概率预估值进行中转方案的排序，从而能够补偿出每个中转方案的曝光展示情况，得到用户的真实偏好，提高中转方案排序结果的准确性。
15、本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
16、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种出行中转方案的排列方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多任务模型至少包括：第一输出模块和第二输出模块；
3.根据权利要求1所述的方法，其特征在于，基于所述购买概率预估值对所述中转方案候选集中的中转方案进行排序，包括：
4.根据权利要求1所述的方法，其特征在于，所述多任务模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，对所述训练集数据进行预处理，包括：
6.一种出行中转方案的排列装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述多任务模型至少包括：第一输出模块和第二输出模块；
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：模型训练模块，用于：获取训练集数据；其中，所述训练集数据包括：每个中转方案的特征参数、曝光情况补偿参数和购买参数；
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至5任
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
...【技术特征摘要】
1.一种出行中转方案的排列方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多任务模型至少包括：第一输出模块和第二输出模块；
3.根据权利要求1所述的方法，其特征在于，基于所述购买概率预估值对所述中转方案候选集中的中转方案进行排序，包括：
4.根据权利要求1所述的方法，其特征在于，所述多任务模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，对所述训练集数据进行预处理，包括：
6.一种出行中转方案的排列装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述多任务模型...
【专利技术属性】
技术研发人员：王安琪，
申请(专利权)人：苏州创旅天下信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。