下车点推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及出行技术领域，特别是涉及一种下车点推荐方法、装置、计算机设备和存储介质。


背景技术：

2.点位推荐系统是上下车的必备服务，通过点位推荐，能减少诸如司机绕路或违停、用户对目的地了解不足等问题，因此点位推荐系统是网约车等互联网叫车服务的核心服务。
3.目前的点位推荐系统的推荐流程还存在一些问题(比如推荐流程复杂、不清晰等)，上述问题会导致向用户推荐的下车点不够准确，即无法满足用户需求。因而，如何更准确地向用户推荐下车点成为了亟需解决的问题。


技术实现要素：

4.本技术针对上述不足或缺点，提供了一种下车点推荐方法、装置、计算机设备和存储介质，本技术实施例能够更准确地向用户推荐下车点，从而提高用户的打车体验。
5.本技术根据第一方面提供了一种下车点推荐方法，在一个实施例中，该方法包括：
6.接收用户发送的下车点推荐请求；下车点推荐请求包括用户选定的初始下车点；
7.根据初始下车点生成点位召回列表，点位召回列表包括多个候选下车点；
8.从预构建的特征库中获取每个候选下车点的点位特征；
9.将每个候选下车点的点位特征输入下车点推荐模型，得到下车点推荐模型输出的每个候选下车点的推荐值；
10.从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户。
11.在一个实施例中，候选下车点的点位特征包括热度特征和距离特征。
12.在一个实施例中，下车点推荐模型的训练过程，包括：
13.获取多个历史订单；
14.获取每个历史订单对应的点位特征，历史订单对应的点位特征包括热度特征和距离特征；
15.对每个历史订单进行标注处理，得到每个历史订单对应的标签数据；
16.基于上述多个历史订单对应的点位特征和标签数据，对构建好的初始下车点推荐模型进行训练，得到训练好的下车点推荐模型。
17.在一个实施例中，对每个历史订单进行标注处理，包括：
18.计算每个历史订单的订单终点和完单点的距离；
19.根据每个历史订单的订单终点和完单点的距离，将每个历史订单标注为正样本或负样本，并通过降采样将上述多个历史订单的正负样本比例调整为指定比例。
20.在一个实施例中，使用以下一个或多个指标对训练好的下车点推荐模型进行评
估：auc、gauc、50米定点率和200米不定点率。
21.在一个实施例中，获取每个历史订单对应的点位特征之前还包括：
22.获取过往预定时长内的订单，分别统计每个订单中的订单终点和完单点在各个预设时空维度下的绝对热度值和相对热度值；以及每个订单中的订单终点和完单点的距离；
23.将统计得到的数据存入特征库。
24.在一个实施例中，上述方法还包括：
25.将训练好的最新下车点推荐模型保存为指定格式的模型文件；
26.将模型文件推送到文件系统中，以及将最新下车点推荐模型的模型信息注册到数据库中，并通知master服务，使得master服务和worker服务进行一次更新会话；其中，master服务和worker服务进行更新会话的过程包括：master服务读取最新下车点推荐模型所属服务器的信息，并将信息发送到worker服务中，使得worker服务根据信息读取最新下车点推荐模型来进行更新，并在完成更新后将更新状态发送给master服务，master服务在接收到更新状态后记录并关闭本次更新会话。
27.本技术根据第二方面提供了一种下车点推荐装置，在一个实施例中，该装置包括：
28.接收模块，用于接收用户发送的下车点推荐请求；下车点推荐请求包括用户选定的初始下车点；
29.列表生成模块，用于根据初始下车点生成点位召回列表，点位召回列表包括多个候选下车点；
30.点位特征获取模块，用于从预构建的特征库中获取每个候选下车点的点位特征；
31.推荐值获得模块，用于将每个候选下车点的点位特征输入下车点推荐模型，得到下车点推荐模型输出的每个候选下车点的推荐值；
32.推荐模块，用于从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户。
33.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。
34.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。
35.在本技术实施例中，通过推荐服务器接收用户发送的下车点推荐请求，其中，下车点推荐请求包括用户选定的初始下车点；推荐服务器会根据初始下车点生成包括多个候选下车点的点位召回列表，之后从预构建的特征库中获取每个候选下车点的点位特征，并将每个候选下车点的点位特征输入下车点推荐模型，以得到下车点推荐模型输出的每个候选下车点的推荐值，最后从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户。本技术实施例能够更准确地向用户推荐下车点，从而提高用户的打车体验。
附图说明
36.图1为一个实施例中一种下车点推荐方法的流程示意图；
37.图2为一个实施例中离线模型训练的全过程示意图；
38.图3为一个实施例中线上模型使用的全流程示意图；
39.图4为一个实施例中一种下车点推荐装置的结构框图；
40.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
41.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。
42.本技术提供了一种下车点推荐方法。在一个实施例中，上述下车点推荐方法包括如图1所示的步骤，下面以该方法应用于用于提供下车点推荐服务的服务器(以下简称为推荐服务器)为例进行说明。
43.s110：接收用户发送的下车点推荐请求；下车点推荐请求包括用户选定的初始下车点。
44.其中，用户可以通过诸如手机、平板电脑等计算设备向推荐服务器发送下车点推荐请求。
45.进一步地，用户可以在下单时，选定初始的下车点，在提交订单时，触发下车点推荐请求，当接收到推荐服务器推荐的下车点之后，再从中选择一个下车点作为最终使用的下车点。
46.s120：根据初始下车点生成点位召回列表，点位召回列表包括多个候选下车点。
47.其中，推荐服务器可以根据该初始下车点进行召回计算，以从预先构建的点库(即包含多个点位的数据库)中召回多个下车点(召回的下车点即是候选下车点)。
48.s130：从预构建的特征库中获取每个候选下车点的点位特征。
49.其中，候选下车点的点位特征包括热度特征和距离特征。
50.每个候选下车点的热度特征可以包括该候选下车点在过去n天内，在m米范围内的绝对热度和相对热度值。其中，n和m的值可以根据实际情况来取。优选地，n的值可以分别取为1，3，7，14，30，60和180，m的值可以分别取为3，10，20，30，40，50和100。
51.每个候选下车点的距离特征包括该候选下车点和初始下车点间的距离。
52.s140：将每个候选下车点的点位特征输入下车点推荐模型，得到下车点推荐模型输出的每个候选下车点的推荐值。
53.s150：从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户。
54.其中，推荐服务器在筛选出推荐值最高的若干个候选下车点之后，可以只将筛选出的候选下车点推荐给用户，也可以将筛选出的候选下车点连同用户之前选定的初始下车点一起推荐在用户。
55.本实施例中，推荐服务器在接收到用户发送的包括初始下车点的下车点推荐请求后，根据初始下车点生成包括多个候选下车点的点位召回列表，之后从预构建的特征库中获取每个候选下车点的点位特征，并将每个候选下车点的点位特征输入下车点推荐模型，以得到下车点推荐模型输出的每个候选下车点的推荐值，最后从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户，能够更准确地向用户推荐下车点，从而提高用户的打车体验。
56.在一个实施例中，上述的下车点推荐模型的训练过程，包括：获取多个历史订单；获取每个历史订单对应的点位特征，上述历史订单对应的点位特征包括热度特征和距离特征；对每个历史订单进行标注处理，得到每个历史订单对应的标签数据；基于上述多个历史订单对应的点位特征和标签数据，对构建好的初始下车点推荐模型进行训练，得到训练好的下车点推荐模型。
57.其中，历史订单对应的点位特征包括热度特征和距离特征。每个历史订单对应的热度特征可以包括该历史订单的完单点在过去n天内，在m米范围内的绝对热度和相对热度值。其中，n和m的值可以根据实际情况来取。优选地，n的值可以分别取为1，3，7，14，30，60和180，m的值可以分别取为3，10，20，30，40，50和100。每个历史订单对应的距离特征可以包括该历史订单的订单终点和完单点的距离。
58.进一步地，上述的下车点推荐模型可以用xgboost(extreme gradient boosting，极端梯度增强算法)模型来实现。
59.在一个实施例中，上述的对每个历史订单进行标注处理，包括：计算每个历史订单的订单终点和完单点的距离；根据每个历史订单的订单终点和完单点的距离，将每个历史订单标注为正样本或负样本，并通过降采样将上述多个历史订单的正负样本比例调整为指定比例。
60.在一个实施例中，推荐服务器可以在训练模型的过程中或训练完模型后，使用以下一个或多个指标对训练好的下车点推荐模型进行评估：auc(指roc曲线下的面积)、gauc(指group auc)、50米定点率和200米不定点率。
61.在一个实施例中，上述的获取每个历史订单对应的点位特征之前还包括：获取过往预定时长内的订单，分别统计每个订单中的订单终点和完单点在各个预设时空维度下的绝对热度值和相对热度值；以及每个订单中的订单终点和完单点的距离；将统计得到的数据存入特征库。
62.其中，上述的预设时空维度可以是在过去n天内，在m米范围内的绝对热度和相对热度值(n和m的定义可参见上述实施例中的说明)。
63.本技术还提供了下车点推荐模型的更新过程。以下对上述模型更新过程进行说明。
64.在一个实施例中，上述方法还包括：将训练好的最新下车点推荐模型保存为指定格式的模型文件；将模型文件推送到文件系统中，以及将最新下车点推荐模型的模型信息注册到数据库中，并通知master服务，使得master服务和worker服务进行一次更新会话；其中，master服务和worker服务进行更新会话的过程包括：master服务读取最新下车点推荐模型所属服务器的信息，并将信息发送到worker服务中，使得worker服务根据信息读取最新下车点推荐模型来进行更新，并在完成更新后将更新状态发送给master服务，master服务在接收到更新状态后记录并关闭本次更新会话。
65.通过使用上述实施例，可以实现线上推荐流程更加清晰，问题排查和模型迭代更加高效，大大提升了用户的打车体验。
66.以下通过一个更具体的实施例(以下称为应用例)来对上述实施例进行说明。
67.本应用例可以分为以下三个部分：
68.一、离线模型训练
69.本部分主要用于生成特征、召回集合和下车点推荐模型。离线模型训练的全过程可参见图2。
70.1.特征主要分为两类：热度特征和距离特征：
71.热度特征：使用过往一年的订单，以point(指点位)和poi(指兴趣点，point of interest) point为维度，分别计算在过去1，3，7，14，30，60，180天内，在3米，10米，20米，30米，40米，50米，100米范围内的绝对热度和相对热度值。
72.距离特征：订单终点和完单点的距离、初始下车点和候选下车点的距离
73.2.召回集合生成：使用第t-1天的订单数据关联点库，生成召回索引表，作为推荐候选集合。
74.3.模型的生成。主要包含数据集合生成(或称为训练数据生成)-模型训练和参数调节-模型评估-序列化等四个过程。以下进行详细说明。
75.(1)数据集合生成
76.本应用例使用召回集合中的兴趣点标识(如poi_id)和兴趣点标识 点位标识(如point_id)，关联已经生成的统计特征(指上述的热度特征)，计算完单点和用户下车点之间的距离，如果小于等于50米，那么认为该数据为正样本，否则为负样本，通过降采样使正负样本比例在1:3。按照用户标识切分出训练集，验证集，切分比例可以设定为2:8。此外，还需使用第t天的订单数据作为测试集，生成方式与上述制作训练集/验证机的方式相同，在此不做赘述。
77.(2)模型训练
78.本应用例使用xgboost树模型对上述数据集合进行拟合。在模型参数调节的时候，使用python自带的multiprocessing包进行并行调参计算。
79.(3)模型评估
80.使用auc，gauc，50米定点率和200米不定点率，评估生成的模型，评估数据参照数据集合生成。
81.(4)模型文件生成
82.本应用例使用sklearn2pmml包来将生成的xgboost树模型，转化成pmml(predictive model markup language,预言模型标记语言)文件，并存储到文件系统中。
83.二、模型的注册和更新
84.本部分主要用于保证线上模型的稳定性。
85.当模型保存成pmml文件后，推荐服务器把模型训练结果文件推送到文件系统中，然后把模型信息注册到数据库中，然后通知master服务，从而master服务会和worker服务进行更新会话。
86.其中，master服务读取该模型所属服务器信息，然后将读取到的信息发送到worker服务中，从而worker服务可以读取到最新模型并进行更新，完成更新操作后将更新状态发送给master服务，以便master服务记录并关闭本次更新会话。
87.需要注意的是，在一次更新会话中，需要确保所涉及到的服务都更新成功，才会改变状态，否则整体状态回滚到更新前状态。
88.三、线上模型使用
89.本部分主要用于实时处理用户请求。其中，线上模型使用的全流程可参见图3。
90.其中，用户发出下车推荐请求；推荐服务器根据请求中携带的初始下车点生成点位召回列表，使用列表中的poi和point点位信息，在特征库中获取到相应的点位特征；将获取到的点位输入上述第二部分生成的下车点推荐模型，以便通过该模型计算每一个候选下车点的分数(即推荐值)，然后根据分数从高到低排序，获取到top3推荐点，进行业务过滤后即可返回给用户。
91.图1为一个实施例中下车点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。
92.基于相同的发明构思，本技术还提供了一种下车点推荐装置。在本实施例中，如图4所示，该下车点推荐装置包括以下模块：
93.接收模块110，用于接收用户发送的下车点推荐请求；下车点推荐请求包括用户选定的初始下车点；
94.列表生成模块120，用于根据初始下车点生成点位召回列表，点位召回列表包括多个候选下车点；
95.点位特征获取模块130，用于从预构建的特征库中获取每个候选下车点的点位特征；
96.推荐值获得模块140，用于将每个候选下车点的点位特征输入下车点推荐模型，得到下车点推荐模型输出的每个候选下车点的推荐值；
97.推荐模块150，用于从上述多个候选下车点中筛选出推荐值最高的若干个候选下车点，并推荐给用户。
98.在一个实施例中，候选下车点的点位特征包括热度特征和距离特征。
99.在一个实施例中，上述装置还包括用于训练下车点推荐模型的训练模块。其中，训练模块，包括：
100.订单获取子模块，用于获取多个历史订单；
101.获取子模块，用于获取每个历史订单对应的点位特征，历史订单对应的点位特征包括热度特征和距离特征；
102.标注子模块，用于对每个历史订单进行标注处理，得到每个历史订单对应的标签数据；
103.训练子模块，用于基于上述多个历史订单对应的点位特征和标签数据，对构建好的初始下车点推荐模型进行训练，得到训练好的下车点推荐模型。
104.在一个实施例中，标注子模块，用于：
105.计算每个历史订单的订单终点和完单点的距离；
106.根据每个历史订单的订单终点和完单点的距离，将每个历史订单标注为正样本或负样本，并通过降采样将上述多个历史订单的正负样本比例调整为指定比例。
107.在一个实施例中，上述装置还包括评估模块。其中，评估模块，用于使用以下一个
或多个指标对训练好的下车点推荐模型进行评估：auc、gauc、50米定点率和200米不定点率。
108.在一个实施例中，上述装置还包括：
109.统计模块，用于获取过往预定时长内的订单，分别统计每个订单中的订单终点和完单点在各个预设时空维度下的绝对热度值和相对热度值；以及每个订单中的订单终点和完单点的距离；
110.存入模块，用于将统计得到的数据存入特征库。
111.在一个实施例中，上述装置还包括：
112.保存模块，用于将训练好的最新下车点推荐模型保存为指定格式的模型文件；
113.更新模块，用于将模型文件推送到文件系统中，以及将最新下车点推荐模型的模型信息注册到数据库中，并通知master服务，使得master服务和worker服务进行一次更新会话；其中，master服务和worker服务进行更新会话的过程包括：master服务读取最新下车点推荐模型所属服务器的信息，并将信息发送到worker服务中，使得worker服务根据信息读取最新下车点推荐模型来进行更新，并在完成更新后将更新状态发送给master服务，master服务在接收到更新状态后记录并关闭本次更新会话。
114.关于下车点推荐装置的具体限定可以参见上文中对于下车点推荐方法的限定，在此不再赘述。上述下车点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。
115.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下车点推荐方法。
116.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。
117.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。
118.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。
119.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。
120.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。
121.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。