候选装卸货点位推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及智能地图技术领域，特别是涉及一种候选装卸货点位推荐方法、装置、计算机设备和存储介质。


背景技术：

2.装卸货点位推荐是智能地图提供的核心基础能力，其在用户选址下单时，通过向用户推荐装货地的点位和卸货地的点位，以期降低司货（指司机和客户）碰面的沟通成本，提高用户（客户端和司机端）体验，同时提高平台运转效率。所以装货点位和卸货点位推荐的准确与否，直接关系着用户使用应用程序的用户体验的好坏。
3.目前，推荐系统普遍采用“召回-排序”分层架构，其中，召回是该架构中的关键模块，主要负责降低候选集规模，同时提高排序效果的天花板。
4.具体地，对于点位召回推荐，用户在客户端进行选址操作而确定出一个装卸货点位后，如何快速高效地从点库中过滤得到一批最合适的点位候选集合，并推荐给下游精排模型进行后续的排序推荐，这是关键问题。
5.对于上述问题，目前常采用召回 规则硬截断的方式来获得候选装卸货点位，然而，通过这种方式获得的候选装卸货点位的质量不够高。


技术实现要素：

6.本技术针对上述不足或缺点，提供了一种候选装卸货点位推荐方法、装置、计算机设备和存储介质，本技术实施例能够提升召回候选装卸货点位的质量，提升整体的召回策略提升空间。
7.本技术根据第一方面提供了一种候选装卸货点位推荐方法，在一个实施例中，该方法包括：响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息；根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位；使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值；根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位；将所有候选装卸货点位推荐给下游的精排业务方。
8.在一个实施例中，根据装卸货点位对应的目标信息进行多路召回，包括：根据装卸货点位对应的目标信息构建多个索引键；使用该多个索引键从索引表中查找对应的点位，得到各个索引键对应的召回点位集；将所有索引键对应的召回点位集进行融合去重处理，得到该多个召回点位。
9.在一个实施例中，装卸货点位对应的目标信息包括该用户的用户id和联系号码、
装卸货点位的点位id和点位名称；根据目标信息构建多个索引键，包括：根据该用户id和联系号码、点位id和点位名称构建多个索引键；该多个索引键包括由该用户id和点位名称构成的第一索引键，由联系号码和点位id构成的第二索引键，由该用户id和点位id构成的第三索引键，由点位id构成的第四索引键。
10.在一个实施例中，响应于用户使用特定的下单选址方式选定装卸货点位之前，还包括：构建索引表，点位库表和订单宽表；将每个点位存于点位库表，将每个订单信息存于订单宽表；订单信息包括推荐点位和多个挖掘点位；为点位库表中的每个点位扩展多层h3点位集，得到扩展点库集；以点位id为维度，将扩展点库集与订单宽表进行关联；获取每个订单信息中的与推荐点位间的距离最小且该距离小于预设距离阈值的挖掘点位；根据该多个索引键和获取的所有挖掘点位生成各个索引键对应的索引，并存入索引表。
11.在一个实施例中，使用粗排模型为每个召回点位打分，包括：获取每个召回点位对应的目标信息；根据每个召回点位对应的目标信息查询特征库,获取每个召回点位对应的所有特征；拼接每个召回点位对应的所有特征，得到每个召回点位对应的模型输入特征；将每个召回点位对应的模型输入特征输入粗排模型，得到粗排模型输出的每个召回点位对应的分值。
12.在一个实施例中，粗排模型的训练过程包括：获取t日的订单信息；根据t日的订单信息构建正负样本集；根据t日的订单信息构建特征库，特征库包括在不同时间尺度下的与第一特征键关联的点位订单热度特征、与第二特征键关联的点位订单热度特征以及与第三特征键关联的点位周边订单热度特征；根据正负样本集、第一特征键、第二特征键和第三特征键构建训练样本；构建初始的粗排模型，根据训练样本对初始的粗排模型进行迭代训练，在满足预设结束训练条件时，结束迭代训练，获取训练好的粗排模型。
13.在一个实施例中，第一特征键由兴趣点id构成，第二特征键由用户id和兴趣点id构成，第三特征键由用户id和点位id构成。
14.本技术根据第二方面提供了一种候选装卸货点位推荐装置，在一个实施例中，该装置包括：目标信息获取模块，用于响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息；
召回模块，用于根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位；打分模块，用于使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值；筛选模块，用于根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位；推荐模块，用于将所有候选装卸货点位推荐给下游的精排业务方。
15.本技术根据第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的实施例的步骤。
16.本技术根据第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一方法的实施例的步骤。
17.在本技术上述实施例中，通过响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息；根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位；使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值；根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位；将所有候选装卸货点位推荐给下游的精排业务方。本技术实施例相比传统的召回加规则硬截断的方式，能够提升召回候选装卸货点位的质量，提升整体的召回策略提升空间。
附图说明
18.图1为一个实施例中一种候选装卸货点位推荐方法的流程示意图；图2为一个实施例中的推荐处理流程图；图3为一个实施例中的索引表构建流程图；图4为一个实施例中一种候选装卸货点位推荐装置的结构框图；图5为一个实施例中计算机设备的内部结构图。
具体实施方式
19.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
20.本技术提供了一种候选装卸货点位推荐方法。在一个实施例中，该候选装卸货点位推荐方法包括如图1所示的步骤，下面以该方法应用于云服务器为例进行说明。
21.s110：响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息。
22.用户客户端下单时，可以通过指定的下单选址方式选定初始的装卸货点位，其中，指定的下单选址方式可以包括rec历史地址列表、sug（suggestion poi search，地点输入提示检索）检索、拖拽定位（drag-map）和首页地址填充中的一种或多种方式。
23.客户端在用户选定了装卸货点位之后，将用户选定的装卸货点位发送至云服务器
（发送方式可以是将装卸货点位携带于发送给云服务器的请求中），云服务器会获取与用户选定的装卸货点位对应的目标信息。其中，与用户选定的装卸货点位对应的目标信息在不同场景下可能不同。用户选定的装卸货点位可以是装货地的点位和/或卸货地的点位。
24.s120：根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位。
25.召回点位具体是h3点位。其中，h3是美国优步公司(uber technologies inc)使用的六边形网格dggs（discrete global grid system，全球离散网格系统）结构。
26.s130：使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值。
27.其中，粗排模型是预先训练好的。
28.具体地，上述使用粗排模型为每个召回点位打分的步骤，包括：获取每个召回点位对应的目标信息；根据每个召回点位对应的目标信息查询特征库,获取每个召回点位对应的所有特征；拼接每个召回点位对应的所有特征，得到每个召回点位对应的模型输入特征；将每个召回点位对应的模型输入特征输入粗排模型，得到粗排模型输出的每个召回点位对应的分值。其中，召回点位对应的分值用于表示推荐给精排业务方的概率，召回点位对应的分值越高，则最终被推荐给精排业务方的可能性越高。
29.其中，在根据每个召回点位对应的目标信息查询特征库,获取每个召回点位对应的所有特征时，具体可以是循环遍历各个召回点位，根据各个召回点位的目标信息生成多个特征键，然后从特征库中获取各个特征键对应的特征，并将获取的特征进行拼接，得到输入形式能被粗排模型接收的特征即模型输入特征，之后将模型输入特征输入粗排模型，即可获得粗排模型输出的分值。上述多个特征键可以包括由兴趣点id构成的特征键，用户id和兴趣点id构成的特征键以及由用户id和点位id构成的特征键。
30.s140：根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位。
31.具体地，可以基于各召回点位的打分结果进行降序排序，取top n（比如top10）作为候选装卸货点位。
32.s150：将所有候选装卸货点位推荐给下游的精排业务方。
33.需要说明的是，候选装卸货点位是指推荐给精排业务方的点位，而非推荐给用户的点位。精排业务方会利用精排模型对粗排模型筛选出的候选装卸货点位再次进行打分和排序，并将分值最高的若干个（比如top10）点位推荐给用户。
34.本实施例中，推荐服务器通过响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息；根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位；使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值；根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位；将所有候选装卸货点位推荐给下游的精排业务方。本实施例能够统一召回层，使得召回从原来的场景绑定，改进为场景无关，继而使得召回层在指标迭代上实现闭环；并且还能在降低候选装卸货点位的规模的同时，提高了排序天花板（指可定点率这一指标）；此外，本技术实施例相比传统的召回加规则硬截断的方式，能够提升召回候选装卸货点位的质量，同时，基于粗排模型过滤策略，可以极大地放开召回容量，提高了整体的召回策略提升空间。
35.具体地，相比传统的召回加规则硬截断的方式，本技术实施例在可定点率指标上
能够获得较大提升，提升效果如下：（1）装货地：86%
ꢀ‑
》 94%（top30）（2）卸货地：84%
ꢀ‑
》 86%（top30）上述的top30是指得到的候选装卸货点位。
36.其中，可定点率包括召回候选可定点率和粗排候选可定点率。示例性地，假设共有n个订单，每一单的所有召回点位中可能有定点，也可能没有定点，将有定点的订单记为可定点订单，共有m1单，那么召回候选可定点率=m1/n；假设共有n个订单，每一单的粗排后得到的候选装卸货点位中可能有定点，也可能没有定点，将有定点的订单记为可定点订单，共有m2单，那么粗排候选可定点率=m2/n。
37.在一个实施例中，上述根据装卸货点位对应的目标信息进行多路召回的步骤，包括：根据装卸货点位对应的目标信息构建多个索引键；使用该多个索引键从索引表中查找对应的点位，得到各个索引键对应的召回点位集；将所有索引键对应的召回点位集进行融合去重处理，得到该多个召回点位。其中，索引表是预先构建好的，索引表中存有预先从处于预定时间段内的历史订单中挖掘出的点位。
38.进一步地，在一个实施例中，云服务器的处理流程可以参见图2。本实施例中，与用户选定的装卸货点位对应的目标信息包括该用户的用户id（user_id）和联系号码（phone）、装卸货点位的点位id（poi_id）和点位名称（poi_name）。相应地，上述根据目标信息构建多个索引键的步骤，包括：根据该用户id和联系号码、点位id和点位名称构建多个索引键。该多个索引键包括由该用户id和点位名称构成的第一索引键（即user_id poi_name），由联系号码和点位id构成的第二索引键（即phone poi_id），由该用户id和点位id构成的第三索引键（即user_id poi_id），由点位id构成的第四索引键（即poi_id）。
39.在一个实施例中，云服务器预先构建索引表的处理流程可参见图3。具体地，上述响应于用户使用特定的下单选址方式选定装卸货点位的步骤之前，还包括：构建索引表，点位库表和订单宽表；将每个点位存于点位库表，将每个订单信息存于订单宽表；订单信息包括推荐点位和多个挖掘点位；为点位库表中的每个点位扩展多层h3点位集，得到扩展点库集；以点位id为维度，将扩展点库集与订单宽表进行关联；获取每个订单信息中的与推荐点位间的距离最小且该距离小于预设距离阈值的挖掘点位；根据该多个索引键和获取的所有挖掘点位生成各个索引键对应的索引，并存入索引表。
40.其中，点位库表是装卸货点位物料库，具体可以通过离线的数据挖掘算法，基于每个订单中的司机位置定位和轨迹上报数据来进行挖掘而得到的点位，这些点位可以视为真实的装卸货点位。
41.在一个实施例中，粗排模型的训练过程包括：获取t日的订单信息；根据t日的订单信息构建正负样本集；根据t日的订单信息构建特征库，特征库包括在不同时间尺度下的与第一特征键关联的点位订单热度特征、与第二特征键关联的点位订单热度特征以及与第三特征键关联的点位周边订单热度特征；根据正负样本集、第一特征键、第二特征键和第三特征键构建训练样本；构建初始的粗排模型，根据训练样本对初始的粗排模型进行迭代训练，在满足预设结束训练条件时，结束迭代训练，获取训练好的粗排模型。
42.其中，t可以是根据具体情况进行设置，比如180天、360天等，本实施例对此不进行限制。可能地，上述第一特征键由兴趣点id构成，第二特征键由用户id和兴趣点id构成，第
三特征键由用户id和点位id构成。
43.在本实施例中，可以使用hive sql进行计算，取t日的订单信息，先过滤掉一些字段异常的订单，之后基于剩下的订单信息来构建正负样本集（即正样本集和负样本集），其中，正样本是定点点位，负样本是不定点点位。进一步，可以通过对负样本进行降采样来将正负样本的比例控制在指定比例，比如1:5。
44.在完成正负样本集构建之后，即可进行特征生成操作。具体地，可以使用spark（指apache spark，一款计算引擎）进行计算。本实施例中，共有三类特征，分别是不同时间尺度（如180、90、60、30、14、7天）下，poi（即第一特征键）关联的点位订单热度特征，user-poi（即第二特征键）关联的点位订单热度特征，user-point（即第三特征键）关联的点位周边（30、20、10m）订单热度特征。生成的特征可以存入特征库中。
45.在生成特征之后，按特征库的key（即上述的poi、user-poi、user-point），对样本和特征进行拼接，得到最终的训练样本。
46.在使用训练样本训练粗排模型时，可以使用light-gbm（指light-gradient boosting machines算法）来进行训练。训练好的粗排模型可以保存为txt文件，之后将该txt文件做格式转换为pmml（predictive model markup language，预言模型标记语言）文件，之间将pmml文件部署到线上服务器，当需要利用粗排模型进行预测，即为召回点位打分时，可以在java服务中加载pmml文件来进行预测。
47.图1为一个实施例中候选装卸货点位推荐方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
48.基于相同的发明构思，本技术还提供了一种候选装卸货点位推荐装置。在本实施例中，如图4所示，该候选装卸货点位推荐装置包括以下模块：目标信息获取模块110，用于响应于用户使用指定的下单选址方式选定装卸货点位，获取该用户选定的装卸货点位对应的目标信息；召回模块120，用于根据装卸货点位对应的目标信息进行多路召回，获取多个召回点位；打分模块130，用于使用粗排模型为每个召回点位打分，获取每个召回点位对应的分值；筛选模块140，用于根据每个召回点位对应的分值从该多个召回点位中筛选出部分召回点位作为候选装卸货点位；推荐模块150，用于将所有候选装卸货点位推荐给下游的精排业务方。
49.在一个实施例中，召回模块120，用于：根据装卸货点位对应的目标信息构建多个索引键；使用该多个索引键从索引表中查找对应的点位，得到各个索引键对应的召回点位集；
将所有索引键对应的召回点位集进行融合去重处理，得到该多个召回点位。
50.在一个实施例中，装卸货点位对应的目标信息包括该用户的用户id和联系号码、装卸货点位的点位id和点位名称。
51.相应地，召回模块120根据目标信息构建多个索引键时，具体用于：根据该用户id和联系号码、点位id和点位名称构建多个索引键；该多个索引键包括由该用户id和点位名称构成的第一索引键，由联系号码和点位id构成的第二索引键，由该用户id和点位id构成的第三索引键，由点位id构成的第四索引键。
52.在一个实施例中，上述装置还包括以下模块：表构建模块，用于构建索引表，点位库表和订单宽表；第一存储模块，用于将每个点位存于点位库表，将每个订单信息存于订单宽表；订单信息包括推荐点位和多个挖掘点位；点位扩展模块，用于为点位库表中的每个点位扩展多层h3点位集，得到扩展点库集；关联模块，用于以点位id为维度，将扩展点库集与订单宽表进行关联；挖掘点位获取模块，用于获取每个订单信息中的与推荐点位间的距离最小且该距离小于预设距离阈值的挖掘点位；第二存储模块，用于根据该多个索引键和获取的所有挖掘点位生成各个索引键对应的索引，并存入索引表。
53.在一个实施例中，打分模块130，用于：获取每个召回点位对应的目标信息；根据每个召回点位对应的目标信息查询特征库,获取每个召回点位对应的所有特征；拼接每个召回点位对应的所有特征，得到每个召回点位对应的模型输入特征；将每个召回点位对应的模型输入特征输入粗排模型，得到粗排模型输出的每个召回点位对应的分值。
54.在一个实施例中，上述装置还包括训练模块。训练模块，用于：获取t日的订单信息；根据t日的订单信息构建正负样本集；根据t日的订单信息构建特征库，特征库包括在不同时间尺度下的与第一特征键关联的点位订单热度特征、与第二特征键关联的点位订单热度特征以及与第三特征键关联的点位周边订单热度特征；根据正负样本集、第一特征键、第二特征键和第三特征键构建训练样本；构建初始的粗排模型，根据训练样本对初始的粗排模型进行迭代训练，在满足预设结束训练条件时，结束迭代训练，获取训练好的粗排模型。
55.在一个实施例中，第一特征键由兴趣点id构成，第二特征键由用户id和兴趣点id构成，第三特征键由用户id和点位id构成。
56.关于候选装卸货点位推荐装置的具体限定可以参见上文中对于候选装卸货点位推荐方法的限定，在此不再赘述。上述候选装卸货点位推荐装置中的各个模块可全部或部
分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
57.在一个实施例中，提供了一种计算机设备，其内部结构图可以如图5 所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种候选装卸货点位推荐方法。
58.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
59.本实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述任一方法实施例中提供的方法中的步骤。
60.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一方法实施例中提供的方法中的步骤。
61.本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
62.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
63.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。