本发明属于互联网技术领域，特别适用于互联网分派订单技术领域，更具体的是涉及一种基于历史订单匹配度的派单方法、电子设备和计算机可读介质。
本发明中所称的订单是指用户通过移动端app等方式通过互联网服务平中发布的订购单，需要由相关的服务人员接单并对订单进行处理。订单在本发明中一般是指服务类订单。
背景技术：
随着互联网技术的发展，人们已经习惯于在线上购物或预订服务。对于网上预约的服务，例如交通类服国、外送类服务、家政类服务、维修类服务、月嫂类服务等，都需要将网上发起的订单分派给签约的服务提供者。
常规的订单分配方法是根据订单信息和服务提供者的信息来预测对各服务提供者对于订单的匹配度，并根据该匹配度的值，依照一定的分配规则来分配订单。
然而，现有的派单方法只能利用服务提供者本身的静态信息，导致派单时未考虑到服务提供者当下的真实订单处理质量。当有一些服务提供者的硬性条件很好，但是用户满意度却不高时，现有的派单方法不能进行有效的甄别而仍对其高强度派单，这不利于互联网服务平台的用户体验的提升。
此外，对于特定的服务类型，对于服务提供者对订单是否匹配的评价规则及其权重往往是预先由专家设定，但随着环境、人员、服务类型等的变化，评价规则及其权重不能及时更新，以至于现有的订单匹配方法不能够跟随实际情况进行有效的更新，由此降低了整体派单匹配度。
技术实现要素：
(一)要解决的技术问题
本发明旨在解决现有技术对订单匹配度的计算不准确以至于派单质量不高的问题。
(二)技术方案
为解决上述技术问题，本发明的一方面提出一种基于历史订单匹配度的派单方法，用于将服务订单分派给服务人员，根据其特征在于，所述方法包括如下步骤：设定匹配规则的权重，所述匹配规则是用于评价订单与用户期望是否匹配的指标，所述权重表示匹配规则的重要程度；获取历史订单数据，所述历史订单数据为特定时间段内的历史订单；将所述历史订单与所述匹配规则进行匹配，得到各历史订单对各匹配规则的匹配值；根据所述历史订单的匹配值和匹配规则的权重计算各匹配规则的权重系数，所述权重系数与匹配规则在所述历史订单中的匹配率正相关；根据所述历史订单的匹配值、匹配规则的权重和权重系数计算各历史订单的匹配度；根据所述历史订单的匹配度计算服务人员的历史订单平均匹配度，根据服务人员的平均匹配度为服务人员分派新的服务订单。
根据本发明的优选实施方式，方法还包括：根据匹配规则的权重和权重系数的比值重新设定该权重。
根据本发明的优选实施方式，所述匹配值为二值数据，用于表示订单是否满足匹配规则。
根据本发明的优选实施方式，所述各匹配规则的权重系数按如下公式计算：
其中，ci为第i个匹配规则的权重系数，m为历史订单数量，wi为第i个匹配规则的权重，xii为第j个订单对于第i个匹配规则的匹配值，i和j均为自然数。
根据本发明的优选实施方式，所述各历史订单的匹配度按如下公式计算：
其中，sj是第j个历史订单的匹配度，n为匹配规则的数量。
根据本发明的优选实施方式，所述各历史订单的匹配度按如下公式计算：
其中，sj是第j个历史订单的匹配度，n为匹配规则的数量。
根据本发明的优选实施方式，根据服务人员的平均匹配度为服务人员分派新的服务订单包括：
根据所述平均匹配度为服务人员设置目标派单率；
根据各服务人员的目标派单率为各服务人员分配服务订单。
根据本发明的优选实施方式，根据服务人员的平均匹配度为服务人员分派新的服务订单包括：
基于派单模型来计算新订单与各服务人员的预测匹配度，所述派单模型由历史订单数据训练得到，所述历史订单数据包括服务人员的历史平均匹配度。
本发明第二方面提出一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如上所述的方法。
本发明第三方面提出一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如前所述的方法。
(三)有益效果
本发明一方面提出将历史订单匹配度作为一种服务提供者的属性信息加以应用，以提供预测的准确性。另一方面也对历史订单的匹配度算法进行了改进，以消除匹配规则的权重受人为(专家)主观因素影响，更加真实客观地反映订单匹配的影响因素。
附图说明
图1是本发明的一种基于历史订单匹配度的派单方法的应用场景示意图；
图2是本发明的一个实施例的基于历史订单匹配度的派单方法的流程图；
图3为本发明的一个实施例的基于历史订单匹配度的派单方法的匹配规则的权重及匹配值表；
图4是本发明的一个实施例的电子设备的结构示意图；
图5是本发明的一个实施例的计算机可读记录介质的示意图。
具体实施方式
以下参照实施例来描述本发明。需要注意的时，附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
为解决上述技术问题，本发明提出一种基于历史订单匹配度的派单方法，用于将服务订单分派给服务提供者。图1是本发明的一种基于历史订单匹配度的派单方法的应用场景示意图。如图1所示，用户通过客户端1在互联网服务平台2上订购相关的服务，生成订单，由互联网服务平台2将该订单分配给相应的服务提供者，并下发到服务提供者的客户端3。需要注意的是，图1仅仅是一种示意性的表示，在实际情况中，同一时间侧面内，互联网服务平台2与可能需要与成千上万的客户端1、3等进行信息交互，因此互联网服务平台2需要及时、准确地把相应的订单分派给相应的服务提供者。这就需要互联网服务平台2提供强大的信息处理能力，并且具有足够智能且高效的订单分配策略和/或算法来进行合理的订单分派。
需要说明的是，本发明不限于具体的订单类别及服务平台提供的服务类别，只要需要把订单分派给不同的处理者，都可以适用本发明的方法。本发明所称的订单通常是服务订单，但并不排除商品订单。服务订单可以分配给不同的服务提供商或服务人员，所述的服务可以是外送、家政、市内打车、维修等服务。商品订单则可以分配给入驻店铺或渠道商等，商品则可以是任何可在网上交易的商品。
下面以服务订单为例进行说明。为了解决现有技术的问题，本发明提出利用服务提供者的历史订单匹配度来预测新订单的匹配度。这里需要说明的是，本发明是利用了服务提供者的历史订单匹配度的信息来预测其对于新订单的匹配度，历史订单匹配度通常是指历史订单的平均匹配度，可以作为一个参量，或转换为一个标签数据来进行处理。但是，并不是说本发明预测的新订单的匹配度完全由历史订单的平均匹配度来决定，而通常是根据订单本身的属性信息、服务提供者的属性信息等进行综合计算来确定。服务者的历史订单的平均匹配度作为服务提供者的属性信息的一部分。
现有技术中，历史订单匹配度可以通过判断已完成的历史订单对于特定匹配规则是否匹配来计算。历史订单匹配度往往用于评价服务是供者对订单的完成质量，以对于服务提供者进行评分、考核或调级等。本发明一方面提出将历史订单匹配度作为一种服务提供者的属性信息加以应用，以提供预测的准确性。另一方面也对历史订单的匹配度算法进行了改进，以消除匹配规则的权重受人为(专家)主观因素影响，更加真实客观地反映订单匹配的影响因素。
这里，所述匹配规则是用于评价订单与用户期望是否匹配的指标。显然，评价是否满足用户期望是包含有主观因素的，匹配规则的选定也包含有主观因素。本发明在确定了匹配规则之后，需要预设定匹配规则的权重，通常，权重是由专家来设定的。本发明可以在平台的后台提供用于专家设定权重的界面，并将专家设定的权重进行存储。
以家政类服务为例，专家设定的匹配规则例如包括：rule1:是否为女性；rule2:年龄是否在25-35岁之间；rule3:工作年限是否超过3年；rule4:近一个月接单数量是否大于5次，等等。专家可以是产品经理、客服人员、售后人员等。同时，本发明需要专家在设定匹配规则是一并设置匹配规则的权重。所述权重表示匹配规则的重要程度。
由于人的认知和主观感受的差异，专家在设定匹配规则的权重时难免会有把握不准的情况。例如，有的专家认为“rule2:年龄是否在25-35岁之间”是一个极为重要的指标，“rule4:近一个月接单数量是否大于5次”则是一个不太重要的指标。由此，其可以将rule2的权重设为5，将rule4的权重设为1。为了消除这种主观差异带来的问题，本发明对匹配度的算法进行了改进，这将在后面说明。
为了获取历史订单的匹配度，本发明需要获取历史订单数据，所述历史订单数据为特定时间段内的历史订单。在获取了历史订单数据之后，本发明将所述历史订单与所述匹配规则一一进行匹配，得到各历史订单对各匹配规则的匹配值。优选的，为了方便进行计算，该匹配值是一个二值数据，即“是”或“否”，或者“true”或“false”，其可以用1、0表示。
本发明为了更加精确地计算历史订单的匹配度，为匹配规则的权重引入一个权重系数。并根据所述历史订单的匹配值和匹配规则的权重计算各匹配规则的权重系数，所述权重系数与匹配规则在所述历史订单中的匹配率正相关。在获得了权重系数之后，可以根据所述历史订单的匹配值、匹配规则的权重和权重系数计算各历史订单的匹配度。
优选的方式是，所述权重系数可以是匹配规则在所有历史订单中的匹配值与权重的积的加权值。一种实施方式是，所述各匹配规则的权重系数按如下公式计算：
其中，ci为第i个匹配规则的权重系数，m为历史订单数量，wi为第i个匹配规则的权重，xij为第j个订单对于第i个匹配规则的匹配值，i和j均为自然数。
由此，所述各历史订单的匹配度按如下公式计算：
另一种实施方式中，所述匹配度按如下公式计算。
最后，本发明根据所述历史订单的匹配度计算服务人员的历史订单平均匹配度，再根据服务人员的平均匹配度为服务人员分派新的服务订单。一种分派新服务订单的方式是，根据所述平均匹配度为服务人员设置目标派单率，然后根据各服务人员的目标派单率为各服务人员分配服务订单。也就是说，原则上为匹配度高的尽量多派单，为匹配度低的尽量少派单，以免使匹配度低的派单过高进一步影响用户体验。当然，本发明可以采用预定的策略来进行派单，例如当历史平均匹配度低于一个阈值时，则暂停进行派单，或进行其他措施。
另一种优选的实施方式是，基于派单模型来计算新订单与各服务人员的预测匹配度，所述派单模型由历史订单数据训练得到，所述历史订单数据包括服务人员的历史平均匹配度。所述的派单模型可以是基于机器自学习的模型，该模型由历史订单数据进行训练。由于本发明中获得了各个服务提供者的历史平均匹配率，可以将该历史平均匹配率进行标签化处理，并作为服务提供者的一个属性参数输入模型进行训练，通过机器自学习模型能够学习得到各个参数对匹配度的影响程度。该模型的目标变量可以是历史订单的用户评价等，本发明不限于机器自学习模型的种类和目标变量的选择。
根据本发明的一种优选实施方式，方法还包括根据匹配规则的权重和权重系数的比值重新设定该权重。如前所述，由于专家对于权重的设定具有主观性，为此本发明提出了了使用权重系数对匹配度进行修正。进一步的，可以引用依据该权重系数对权重本身进行调整的机制，以使得权重本身更加偏向于实际。可以定期或者不定期地对权重本身进行修正，在修正时，可以依据预定的权重修正步长进行，或者按照预定的规则进行修正。例如权重和权重系数的比值过高时，表示该权重对应的匹配规则只影响了少量订单，因此可以将该匹配规则的权重下调。反之亦然。
图2是本发明的一个实施例的基于历史订单匹配度的派单方法的流程图。如图2所示，所述方法包括以下步骤：
步骤s1、设定匹配规则的权重，所述匹配规则是用于评价订单与用户期望是否匹配的指标，所述权重表示匹配规则的重要程度。
图3为该实施例的一个匹配规则的权重及匹配值表。如图3所示，为了方便说明，该表中选取了10个匹配规则(rule)：rulel，rule2，rule3...，rule10。各匹配规则的权重由专家统一设定。
步骤s2、获取历史订单数据，所述历史订单数据为特定时间段内的历史订单。如图3所示，该表中还列出了10个订单(order)的数据，但实际上的规则数量可能在几十个或上百个，订单的数量则可能上万个，甚至几十万个。
步骤s3、将所述历史订单与所述匹配规则进行匹配，得到各历史订单对各匹配规则的匹配值。
该实施例中，各匹配规则对应的是二值的数据，由1和0表示，1表示匹配规则，0表示不匹配规则。
步骤s4、根据所述历史订单的匹配值和匹配规则的权重计算各匹配规则的权重系数。该实施例中的匹配规则的权重系数按如下公式计算：
其中，ci为第i个匹配规则的权重系数，wi为第i个匹配规则的权重，xij为第j个订单对于第i个匹配规则的匹配值，i和j均为1至10的自然数据。
步骤s5、根据所述历史订单的匹配值、匹配规则的权重和权重系数计算各历史订单的匹配度。
该实施例中，各历史订单的匹配度按如下公式计算：
或者，所述匹配度按如下公式计算。
步骤s6、根据所述历史订单的匹配度计算服务人员的历史订单平均匹配度，根据服务人员的平均匹配度为服务人员分派新的服务订单。
在该实施例中，采用基于神经网络的机器自学习模型来进行派单。所述模型由历史订单数据进行训练。所述机器学习模型可以为决策模型，决策模型可以包括理性决策模型、有限理性决策模型、渐进决策模型等。机器学习模型可以基于构建时的预设规则和预设算法对多个订单匹配对进行处理，进而确定至少一个匹配订单。匹配订单可以是用于向服务提供者的客户端(例如家政人员的手机)派送的订单。
可以基于家政历史订单数据，将历史的订单数据作为训练集，从历史订单数据中提取订单信息和司机信息的属性特征等作为模型输入，以反映历史订单数据中用户与服务提供者是否构成订单匹配对的标签为正确标准，对决策模型的预设匹配规则进行不断优化。订单信息的属性特征可以包括用户属性特征(例如，用户的家政需求)、时间特征(例如，期望上门时间)等，家政服务提供者属性信息可以包括人员属性特征(例如，接单意愿、当前位置、距离)等。
进一步，在该实施例中，其中步骤s1至s6依照前述的方式依次执行。此外，在步骤s4获得权重系数后，还进行步骤s7，即根据匹配规则的权重和权重系数的比值重新设定该权重。
上述实施例中，出将历史订单匹配度作为一种服务提供者的属性信息加以应用，提高了匹配度预测的准确性。同时，由于对历史订单的匹配度算法进行了改进，以消除匹配规则的权重受人为(专家)主观因素影响，更加真实客观地反映订单匹配的影响因素。
图4是本发明的一个实施例的电子设备的结构示意图，该电子设备包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行基于旋转角监测的车辆智能助力推行方法。
如图4所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(rom)。
可选的，该实施例中，电子设备还包括有i/o接口，其用于电子设备与外部的设备进行数据交换。i/o接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
应当理解，图4显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
图5是本发明的一个实施例的计算机可读记录介质的示意图。如图5所示，计算机可读记录介质中存储有计算机可执行程序，所述计算机可执行程序被执行时，实现本发明上述的基于旋转角监测的车辆智能助力推行方法。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等，本发明也可以由包含上述系统或部件的至少一部分的车辆来实现。本发明也可以由执行本发明的方法的计算机软件来实现，例如由机车端的微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现，例如计算机程序执行的某些方法步骤可以在机车端执行，另一部分可以在移动终端或智能头盔等中执行。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。通过以上对实施方式的描述，本领域的技术人员易于理解，本发明对于大量订单分派的场景，例如消息发布、广告在渠道上的分配等。
以上所述的具体实施例，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，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。
1.一种基于历史订单匹配度的派单方法，用于将服务订单分派给服务提供者，其特征在于，所述方法包括如下步骤：
设定匹配规则的权重，所述匹配规则是用于评价订单与用户期望是否匹配的指标，所述权重表示匹配规则的重要程度；
获取历史订单数据，所述历史订单数据为特定时间段内的历史订单；
将所述历史订单与所述匹配规则进行匹配，得到各历史订单对各匹配规则的匹配值；
根据所述历史订单的匹配值和匹配规则的权重计算各匹配规则的权重系数，所述权重系数与匹配规则在所述历史订单中的匹配率正相关；
根据所述历史订单的匹配值、匹配规则的权重和权重系数计算各历史订单的匹配度；
根据所述历史订单的匹配度计算服务人员的历史订单平均匹配度，根据服务人员的平均匹配度为服务人员分派新的服务订单。
2.根据权利要求1所述的基于历史订单匹配度的派单方法，其特征在于，还包括：根据匹配规则的权重和权重系数的比值重新设定该权重。
3.根据权利要求1所述的基于历史订单匹配度的派单方法，其特征在于，所述匹配值为二值数据，用于表示订单是否满足匹配规则。
4.根据权利要求1所述的基于历史订单匹配度的派单方法，其特征在于，所述各匹配规则的权重系数按如下公式计算：
其中，ci为第i个匹配规则的权重系数，m为历史订单数量，wi为第i个匹配规则的权重，xij为第j个订单对于第i个匹配规则的匹配值，i和j均为自然数。
5.根据权利要求4所述的基于历史订单匹配度的派单方法，其特征在于，所述各历史订单的匹配度按如下公式计算：
其中，sj是第j个历史订单的匹配度，n为匹配规则的数量。
6.根据权利要求4所述的基于历史订单匹配度的派单方法，其特征在于，所述各历史订单的匹配度按如下公式计算：
其中，sj是第j个历史订单的匹配度，n为匹配规则的数量。
7.根据权利要求1所述的基于历史订单匹配度的派单方法，其特征在于，根据服务人员的平均匹配度为服务人员分派新的服务订单包括：
根据所述平均匹配度为服务人员设置目标派单率；
根据各服务人员的目标派单率为各服务人员分配服务订单。
8.根据权利要求1所述的基于历史订单匹配度的派单方法，其特征在于，根据服务人员的平均匹配度为服务人员分派新的服务订单包括：
基于派单模型来计算新订单与各服务人员的预测匹配度，所述派单模型由历史订单数据训练得到，所述历史订单数据包括服务人员的历史平均匹配度。
9.一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-8任一项所述的方法。
10.一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-8中任一项所述的方法。
技术总结