【技术实现步骤摘要】
本申请涉及个性化推荐，具体而言，本申请涉及一种装卸货点推荐方法、装置、设备及存储介质。
技术介绍
1、目前的装卸货点推荐方法都是基于兴趣点历史货运订单的装卸货点进行推荐的，基于兴趣点历史货运订单的装卸货点划分为基于兴趣点历史货运订单的个性化装卸货点(简称个性化装卸货点)和基于兴趣点历史货运订单的通用装卸货点(简称通用装卸货点)。例如，用户张三在11月20号在上海广场有一个历史货运订单，此单在上海广场北门卸货；用户李四在11月21号在上海广场有一个历史货运订单，此单在上海广场南门卸货。那么张三在12月10号再次在上海广场下单，此时我们称11月20号的张三历史货运订单的卸货点为个性化装卸货点(相同的下单用户)，称11月21号的李四历史货运订单的卸货点被称为通用装卸货点(不同的下单用户)。直觉上容易理解，12月10号订单的卸货点在北门的概率比南门更大，因为司机曾经在此处卸货。
2、但是，基于兴趣点历史货运订单的装卸货点进行推荐时，只使用了相同下单用户的个性化装卸货点，在当前下单用户没有个性化装卸货点时，则难以推荐合适的装卸货点，导致装卸货点的推荐准确性较低，用户体验较差。
技术实现思路
1、本申请的主要目的为提供一种装卸货点推荐方法、装置、设备及存储介质，实现在当前下单用户没有个性化装卸货点时，仍能推荐合适的装卸货点，以提高装卸货点的推荐准确性，进而提高用户体验。
2、为了实现上述专利技术目的，本申请提供一种装卸货点推荐方法，包括：
3、获取预设时间段
4、对所述历史货运订单数据进行预处理后，得到训练样本；
5、根据所述历史货运订单数据挖掘相似用户并构建相似用户索引，根据所述相似用户索引及历史货运订单数据构建训练样本特征；
6、利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型；
7、确定待测样本及待测样本特征；
8、将所述待测样本及待测样本特征输入所述装卸货点推荐模型，得到所述待测样本的目标装卸货点。
9、优选地，所述对所述历史货运订单数据进行预处理后，得到训练样本，包括：
10、将所述历史货运订单数据转化为点位数据；
11、利用不同召回索引召回所述点位数据，并经过去重融合后，选取预设数量的目标点位数据；
12、对所述预设数量的目标点位数据进行打分后，筛选出分数排在前n位的目标点位数据作为训练样本；其中，所述n为正整数。
13、优选地，所述训练样本特征包括通用装卸货点热度特征及相似用户个性化装卸货点热度特征，所述根据所述相似用户索引及历史货运订单数据构建训练样本特征，包括：
14、基于所述相似用户索引及历史货运订单数据，在不同时间或空间维度下，分别计算点位数据预设范围内所有历史货运订单的装卸货点的热度、点位数据预设范围内所选址兴趣点下所有历史货运订单的装卸货点的热度，得到通用装卸货点热度特征；
15、基于所述相似用户索引及历史货运订单数据，在不同时间或空间维度下，分别计算点位数据预设范围内相似用户的所有历史货运订单的装卸货点热度、点位数据预设范围内所选址兴趣点下相似用户的所有历史货运订单的装卸货点的热度，得到相似用户个性化装卸货点热度特征。
16、优选地，所述利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型，包括：
17、利用粗排模型确定各所述训练样本的粗排候选点位；
18、将粗排候选点位与订单实际装卸货点的距离小于或等于预设距离的训练样本作为正样本；
19、将粗排候选点位与订单实际装卸货点的距离大于预设距离的训练样本作为负样本；
20、利用所述正样本、负样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型。
21、优选地，所述利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型，包括：
22、利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到每个所述训练样本的预测值；
23、分别计算每个所述训练样本的预测值与真实值之间的分类误差；
24、根据每个所述训练样本的分类误差及预设的误差损失函数对所述gbdt分类器进行梯度更新，直至各所述分类误差都小于预设误差，得到装卸货点推荐模型。
25、优选地，所述将所述待测样本及待测样本特征输入所述装卸货点推荐模型，得到所述待测样本的目标装卸货点，包括：
26、将所述待测样本及待测样本特征输入所述装卸货点推荐模型，得到多个候选装卸货点及每个候选装卸货点的得分；
27、按照得分从高到低的顺序对多个所述候选装卸货点进行排序，选取排在前m位的候选装卸货点作为目标装卸货点；其中，所述m为正整数。
28、优选地，所述gbdt分类器为集成树模型，所述集成树模型由多棵二叉树依序连接组成，所述集成树模型的根节点用于存放训练样本特征及分裂条件，所述集成树模型的左、右子节点分别用来存放满足分裂条件的训练样本和不满足分裂条件的训练样本。
29、本申请还提供一种装卸货点推荐装置，所述装置包括：
30、获取模块，用于获取预设时间段内的历史货运订单数据；
31、预处理模块，用于对所述历史货运订单数据进行预处理后，得到训练样本；
32、挖掘模块，用于根据所述历史货运订单数据挖掘相似用户并构建相似用户索引，根据所述相似用户索引及历史货运订单数据构建训练样本特征；
33、训练模块，用于利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型；
34、确定模块，用于确定待测样本及待测样本特征；
35、输入模块，用于将所述待测样本及待测样本特征输入所述装卸货点推荐模型，得到所述待测样本的目标装卸货点。
36、本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
37、本申请还提供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，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
38、本申请所提供的一种装卸货点推荐方法、装置、设备及存储介质，通过获取预设时间段内的历史货运订单数据，对历史货运订单数据进行预处理后，得到训练样本；根据历史货运订单数据挖掘相似用户并构建相似用户索引，根据相似用户索引及历史货运订单数据构建训练样本特征，利用训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型；确定待测样本及待测样本特征，将待测样本及待测样本特征输入装卸货点推荐模型，得到待测样本的目标装卸货点，以在当前下单用户没有个性化装卸货点时，通过挖掘下单用户的相似用本文档来自技高网...
【技术保护点】
1.一种装卸货点推荐方法，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，所述对所述历史货运订单数据进行预处理后，得到训练样本，包括：
3.根据权利要求2所述的方法，其特征在于，所述训练样本特征包括通用装卸货点热度特征及相似用户个性化装卸货点热度特征，所述根据所述相似用户索引及历史货运订单数据构建训练样本特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本及训练样本特征对预先构建的GBDT分类器进行训练，得到装卸货点推荐模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本及训练样本特征对预先构建的GBDT分类器进行训练，得到装卸货点推荐模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述待测样本及待测样本特征输入所述装卸货点推荐模型，得到所述待测样本的目标装卸货点，包括：
7.根据权利要求1所述的方法，其特征在于，所述GBDT分类器为集成树模型，所述集成树模型由多棵二叉树依序连接组成，所述集成树模型的根节点用于存放训练样本特征及分裂条
8.一种装卸货点推荐装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-7任一项所述的装卸货点推荐方法。
...【技术特征摘要】
1.一种装卸货点推荐方法，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，所述对所述历史货运订单数据进行预处理后，得到训练样本，包括：
3.根据权利要求2所述的方法，其特征在于，所述训练样本特征包括通用装卸货点热度特征及相似用户个性化装卸货点热度特征，所述根据所述相似用户索引及历史货运订单数据构建训练样本特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本及训练样本特征对预先构建的gbdt分类器进行训练，得到装卸货点推荐模型，包括：
6.根据...
【专利技术属性】
技术研发人员：贾涛，赵骥，强成仓，
申请(专利权)人：深圳依时货拉拉科技有限公司，
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。