基于机器学习算法的外卖运营方案生成方法与流程

技术特征：
1.一种基于机器学习算法的外卖运营方案生成方法，所述方法包括如下步骤：输入数据，输入历史外卖运营数据；数据清洗，将所述历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注，通过机器学习算法，根据标注规则将所述数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合，将未打上标签的无标签进行数据解析和处理，为所述无标签的数据寻找相似、相近内容，并且将所述无标签的数据与其相似、相近内容合并；模型训练，基于机器学习算法，针对所述外卖运营数据进行模型训练；输出方案，输出新生成的外卖运营方案。2.根据权利要求1所述的外卖运营方案生成方法，其中，所述输入的外卖运营数据包括：单量，商户和用户分别对应的生成订单量；收入，包括商户收入和平台收入；商户品类，提供外卖实物的商户依据所提供的实物品类划分，对特定商户标注为某个品类；商户所属商圈，按照商户的地理位置，确定商户所属的商圈，以便用户及时定位，促进购买，其中，所述输入的外卖运营数据的形式为：api应用程序、截图、excel和表单。3.根据权利要求1所述的外卖运营方案生成方法，其中，所述数据清洗步骤还包括：将所述外卖运营数据通过消息队列进行推送，推送至数据清洗流程，通过schema数据库映射，将所述外卖运营数据进行清洗规整，所述数据清洗后输出清洗后数据库db，其中，如果映射出错，将错误信息通过邮件报警；其中，所述消息队列为分布式消息发布平台pulsar。4.根据权利要求1所述的外卖运营方案生成方法，其中，所述数据标注步骤集合了自然语言处理nlp和自然语言理解nlu算法，对所述外卖运营数据进行处理。5.根据权利要求4所述的外卖运营方案生成方法，其中，所述数据标注步骤对所述外卖运营数据按规则拆解，其中，所述规则包括：文本处理wordseg、word2vec，基于plsa模型的用户兴趣聚类算法topic plsa以及自定义元素。6.根据权利要求5所述的外卖运营方案生成方法，其中，所述规则包括：按父子关系构建规则树，所述规则由表达式构成，其表达式为groovy语言。7.根据权利要求6所述的外卖运营方案生成方法，其中，所述数据标注步骤按照标注规则输出外卖运营规则，所述外卖运营规则包括：正负反馈、菜品文本、团购元素，所述输出的外卖运营规则以模型为维度。8.根据权利要求1所述的外卖运营方案生成方法，其中，所述数据融合步骤包括：增量获取外卖运营数据，使用的方法为从外卖运营数据的数据库中将外卖运营数据通过mongo-shake和canal增量获取；针对不同字段根据配置预处理，其中，所述配置预处理包括：格式处理、噪点消除、构件查询桶；以及
对没有打成标签的数据进行解析及处理，生成原始样本。9.根据权利要求1所述的外卖运营方案生成方法，其中，所述模型训练步骤包括：基于模型的协同过滤算法，所述模型为随机森林的回归模型，所述回归模型使用scikit-learn中的randomforestregressor；通过所述生成的原始样本来进行训练，调整最大选择特征数max_features、树的最大深度max_depth、子树数量n_estimators、最大叶子节点数max_leaf_nodes，能达到oob_score最高，即袋外分oob来评估泛化能力；通过网格搜索来确定每一个参数的值；模型训练完成，即可通过外卖运营数据特征，进行运营动作推荐，生成所述外卖运营方案。10.根据权利要求1所述的外卖运营方案生成方法，其中，所述生成外卖运营方案包括：推荐外卖品类、单量变化的运营动作。

技术总结
本申请涉及基于机器学习算法的外卖运营方案生成方法，外卖运营方案生成方法的步骤包括：输入数据，输入历史外卖运营数据；数据清洗，将历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注，通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合，将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并；输出方案，输出新生成的外卖运营方案。根据本申请的外卖运营方案生成方法，指导运营人员在外卖平台上进行运营，特别是提供了运营建议和运营方案，运营人员按照系统提供的方案进行操作即可。营人员按照系统提供的方案进行操作即可。


技术研发人员：陈振华 李晓捷 朱辰昊 黄险峰
受保护的技术使用者：再惠（上海）网络科技有限公司
技术研发日：2021.10.14
技术公布日：2022/1/21