一种外卖平台差评预测的方法与流程

1.本发明涉及数据处理技术领域，尤其涉及一种外卖平台差评预测的方法。


背景技术：

2.随着科学技术的迅猛发展，各行各业也都发生了很大的改变。其中通过手机订外卖成了生活中十分普遍的行为。通过外卖平台订外卖，通常外卖平台都会有一个自带的评价系统，一般在买家拿到商品后，会给商家一个评价。而买家的评价好坏也直接地影响商家的销售量。如果买家恶意的差评，将对外卖平台的商家造成巨大的损失，同时也有可能对外卖平台的骑手造成经济损失。
3.针对恶意差评的买家，目前并没有一个行之有效的解决办法，有精力的商家会按照账单一个个去对比，查看是谁留的差评，打电话过去跟买家协商，通常情况下是部分退款，或者微信发小红包。
4.由此可见，现如今针对差评都是后期处理，而对于前期预测方面，并没用相关研究，因此，发明一种外卖平台差评预测的方法就非常有必要了。


技术实现要素：

5.本发明的目的在于提供一种外卖平台差评预测的方法，预测买家下单后给出差评概率，同时也可以给商家提醒，做好应对买家差评的准备。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种外卖平台差评预测的方法，包括以下步骤:
8.步骤1、获取外卖平台买家信息以及买家历史订单信息；
9.步骤2、根据买家历史订单信息对买家进行分类；
10.步骤3、建立差评预测模型；
11.步骤4、获取当前订单信息，将订单信息输入差评预测模型；
12.步骤5、输出预测信息，若预测到买家差评的可能性大于阈值，则发出警报信息，通知商家，随时对订单进行跟踪，尽可能降低买家差评的概率。
13.进一步的，买家信息包括买家在外卖平台的id、买家的姓名、买家的电话以及买家的送餐地址，买家历史订单信息包括买家姓名、下单时间、送餐地址、订单备注、骑手名称、骑手接单时长、到店时长、到店等餐时长、送达时长、买家评价内容、买家评分以及买家配送评价标签。
14.进一步的，分类是根据买家历史订单信息，从心理学的角度对买家进行分类，可以划分为多血质买家、黏液质买家、胆汁质买家以及抑郁质买家。
15.进一步的，利用gru网络来建立差评预测模型
16.步骤s1、准备数据集，将数据集划分为训练集与测试集，训练集与测试集的比例为8:2；
17.步骤s2、数据预处理，数据预处理包括对数据集数字化处理，然后将数字化处理后
的数据集进行独热编码；
18.步骤s3、建立gru网络，利用gru网络训练得到差评预测模型，gru网路的前向传播计算为：
19.r
t
＝σ(wr·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀ
(1)
[0020]zt
＝σ(wz·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀ
(2)
[0021][0022][0023]yt
＝σ(wo·ht
)
ꢀꢀꢀꢀꢀ
(5)
[0024]
公式(1)、(2)、(3)、(4)和(5)中，r
t
表示重置门神经元，z
t
表示更新门神经元，表示记忆门神经元，h
t
表示当前时刻的候选集，y
t
表示输出，wr表示重置门的连接权值，wz表示更新门的连接权值，表示记忆门的连接权值， wo表示输出层的连接权值，σ指的是sigmoid函数，x
t
表示t时刻的输入向量， []表示两个向量相连，*表示矩阵的乘积，h
t-1
表示前一时刻候选集。
[0025]
进一步的，阈值取值范围为40％-50％，发出警报信息的途径有发送短信、指示灯或者显示屏显示以及蜂鸣器报警，采用其中一种或者多种相互结合的方式。
[0026]
本发明的有益效果：
[0027]
1、通过获取买家信息以及买家历史订单信息，从心理学的角度，对买家进行分类，为后续对买家差评的预测提供了有力支持。
[0028]
2、通过训练得到差评预测模型，对买家进行了更加全面的分析，提高了预测的准确性。
[0029]
3、通过警报信息提醒了商家，让商家能够及时有效的对当前订单进行跟踪和处理，从而降低买家差评的可能性。
附图说明
[0030]
图1为本发明的一种外卖平台差评预测的方法的流程图。
[0031]
图2为本发明的gur网络结构图。
具体实施方式
[0032]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
实施例1
[0034]
本实施例提供了一种外卖平台差评预测的方法，包括如下步骤：
[0035]
步骤1、获取外卖平台买家信息以及买家历史订单信息；
[0036]
买家信息包括买家在外卖平台的id、买家的姓名、买家的电话以及买家的送餐地
址，买家历史订单信息包括买家姓名、下单时间、送餐地址、订单备注、骑手名称、骑手接单时长、到店时长、到店等餐时长、送达时长、买家评价内容、买家评分以及买家配送评价标签。如表1所示，展示前5条数据：
[0037][0038]
表1
[0039]
步骤2、根据买家历史订单信息对买家进行分类；
[0040]
根据买家历史订单信息，从心理学的角度对买家进行分类，可以划分为多血质买家、黏液质买家、胆汁质买家以及抑郁质买家。
[0041]
步骤3、建立差评预测模型；
[0042]
本发明利用gru网络来建立差评预测模型，差评预测模型建立的步骤如下：
[0043]
步骤s1、准备数据集，将数据集划分为训练集与测试集；
[0044]
数据集即获取到的买家信息、买家历史订单信息以及买家所属的类别，数据集的样本数为1000，将数据集划分为训练集与测试集，比例为8:2。
[0045]
步骤s2、数据预处理；
[0046]
数据预处理包括对数据集数字化处理，然后将数字化处理后的数据集进行独热编码；
[0047]
先对数据集中的数据进行编码，具体如下：
[0048]
姓名用四个数字表示，一个数字对应一个汉字，少于四个用零代替，多于四个则只取前四个，数字来自于预设的第一字典，将汉字预存到第一字典，并对每个汉字进行编号，例如：张继兴，可以编码为“1263,545,65，0”；
[0049]
下单时间转换成一个数字，例如“8:30”可以编码为8.5；
[0050]
对送餐地址编码只需要截取适当的范围地址就可以，例如某某小区、某某大厦，商家附近的地址预存到第二字典中，并进行编号，用预设的第二字典的编号表示送餐地址，例如“阳光小区”，可以编码为“56”；
[0051]
订单备注用四个数字表示，数字来自于预设的第三字典，第三字典包含买家所有的可能备注，并进行编码；
[0052]
骑手名称用四个数字进行编码，少于四个用零代替，多于四个则只取前四个，数字来自第一字典；
[0053]
骑手接单时长、到店时长、到店等餐时长以及送达时长本身就是数字，无需再进一步编码；
[0054]
买家评价内容需要提取内容中的关键内容，用四个数字表示，每个数字代表一个关键内容，不足四个用0代替，多余四个只取前四个，数字来自于预设的第四字典，第四字典包含买家评价的所以关键内容，并进行编号；
[0055]
买家评分本身是数字，无需进一步编码；
[0056]
买家配送评价标签用四个数字表示，每个数字表示一个标签，数字来自于预设的第五字典，第五字典包含所有的标签，并对标签进行编号；
[0057]
买家所属类别用一个数字表示，其中1表示多血质买家，2表示黏液质买家， 3表示胆汁质买家，4表示抑郁质买家；
[0058]
对编码后的数据进行整合，每一条数据用1*28的矩阵表示；
[0059]
对整合后的数据进行独热编码，转换成可放入机器学习算法中的数据。
[0060]
步骤s3、建立gru网络，利用gru网络训练得到差评预测模型；
[0061]
gru网路只有两个门函数：更新门和重置门，通过这两个门函数就可以实现对输入值、记忆值和输出值的控制，其结构如图所示。
[0062]
门控循环单元前向传播：
[0063]
如图所示，gru网路的前向传播计算为：
[0064]rt
＝σ(wr·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀ
(1)
[0065]zt
＝σ(wz·
[h
t-1
,x
t
])
ꢀꢀꢀꢀꢀ
(2)
[0066][0067][0068]yt
＝σ(wo·ht
)
ꢀꢀꢀꢀ
(5)
[0069]
公式(1)、(2)、(3)、(4)和(5)中，r
t
表示重置门神经元，z
t
表示更新门神经元，表示记忆门神经元，h
t
表示当前时刻的候选集，y
t
表示输出，wr表示重置门的连接权值，wz表示更新门的连接权值，表示记忆门的连接权值， wo表示输出层的连接权值，σ指的是
sigmoid函数，x
t
表示t时刻的输入向量， []表示两个向量相连，*表示矩阵的乘积，h
t-1
表示前一时刻候选集；
[0070]
gru的训练过程：
[0071]
从前向传播过程中的公式可以看出要学习的参数有wr、wz、wo。其中前三个参数都是拼接的，所以在训练的过程中需要将他们分割出来：
[0072]
wr＝w
rx
w
rh
ꢀꢀꢀ
(6)
[0073]
wz＝w
zx
w
zh
ꢀꢀꢀ
(7)
[0074][0075]
输出层的输入：
[0076][0077]
输出层的输出：
[0078][0079]
在得到最终的输出后，就可以写出网络传递的损失，单个样本某时刻的损失为：
[0080][0081]
则单个样本的在所有时刻的损失为：
[0082][0083]
采用后向误差传播算法来学习网络，所以先得求损失函数对各参数的偏导：
[0084][0085][0086][0087][0088][0089][0090][0091]
其中各中间参数为：
[0092][0093]
[0094][0095]
δ
t
＝δ
h,t
·zt
·
φ
′ꢀꢀꢀꢀ
(23)
[0096][0097]
计算出了对各参数的偏导之后，进行更新参数，依次迭代直到损失收敛。
[0098]
步骤4、获取当前订单信息，将订单信息输入差评预测模型；
[0099]
步骤5、输出预测信息，若预测到买家差评的可能性大于阈值，则发出警报信息，通知商家，随时对订单进行跟踪，尽可能降低买家差评的概率。
[0100]
作为本发明优选的实施例，阈值取值为50％，发出警报信息的途径有发送短信、指示灯或者显示屏显示以及蜂鸣器报警，可以采用其中一种或者多种相互结合的方式，本实施例中采用指示灯与蜂鸣器相互结合的报警方式。
[0101]
将警报信息通知商家后，商家可以根据实际情况进行处理，例如因为天气的缘故，导致骑手超时，商家可以提前提醒买家，提高服务的质量，降低买家差评的概率。
[0102]
此完成了整个方法的流程。
[0103]
结合具体实施，可以得到本发明的优点是，对采集到数据进行预处理，方便后续对数据的处理，利用gur网络训练得到差评预测模型，大大地提高了预测的准确率。
[0104]
本发明未详述之处，均为本领域技术人员的公知技术。
[0105]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在p本发明的保护范围之内。