本申请实施例提供了一种信息处理方法、装置、电子设备及计算机可读存储介质，该方法包括：响应于针对目标商户的下单请求，获取目标商户的商户订单信息；对商户订单信息进行特征提取，得到商户订单特征；基于商户订单特征，通过预先训练好的神经网络模型得到商户履约压力，商户履约压力与商户及时备餐完成的能力成反比；基于商户履约压力，生成下单请求的反馈信息。本申请实施例可以实现实时地对用户下单行为进行引导，可有效改善用户下单体验以及进一步提升骑手配送效率。一步提升骑手配送效率。一步提升骑手配送效率。
【技术实现步骤摘要】
信息处理方法、装置、电子设备及计算机可读存储介质
[0001]本申请涉及互联网应用
，具体而言，本申请涉及一种信息处理方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着互联网应用技术在餐饮业的蓬勃发展，用户可以便捷地针对目标商户下单点餐。当商户处于用户集中下单的高峰期或促销活动期间，出现爆单场景的可能性变大。此时商户及时备餐完成的能力有限，容易导致用户长时间等待商户出餐或外卖骑手在门店聚集等餐等后果。
[0003]然而对于商户能够及时出餐，目前仍缺乏统一判断方法。现有技术中，主要通过商户的订单数量、骑手等餐数量等数据，从商户和骑手的视角来刻画商户是否处于繁忙状态，以此判定商户能否及时出餐。但通过对事后数据进行验证，发现用这种方式来判断商户能否及时出餐的准确率偏低。
技术实现思路
[0004]本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中无法正确地判断商户能否及时出餐的技术缺陷。
[0005]根据本申请的一个方面，提供了一种信息处理方法，该方法包括：
[0006]响应于针对目标商户的下单请求，获取目标商户的商户订单信息；
[0007]对商户订单信息进行特征提取，得到商户订单特征；
[0008]基于商户订单特征，通过预先训练好的神经网络模型得到商户履约压力，商户履约压力与商户及时备餐完成的能力成反比；
[0009]基于商户履约压力，生成下单请求的反馈信息。
[0010]在一种可选的实现方式中，对商户订单信息进行特征提取，得到商户订单特征，包括：
[0011]根据商户订单信息，确定订单特征序列；
[0012]基于自注意力机制，生成订单特征序列对应的商户订单特征。
[0013]在一种可选的实现方式中，获取商户订单信息，包括：
[0014]获取预定时间内的商户订单信息；
[0015]根据商户订单信息，确定订单特征序列，包括：
[0016]在预定时间内的商户订单信息中确定预定订单数量的订单信息；
[0017]基于预定订单数量的订单信息，确定订单特征序列。
[0018]在一种可选的实现方式中，基于预定订单数量的订单信息，确定订单特征序列，包括以下至少一项：
[0019]若预定时间内的商户订单信息中的实际订单数量不小于预定订单数量，则基于最新的预定订单数量的订单信息，确定订单特征序列；
[0020]若在预定时间内的商户订单信息中实际订单数量小于预定订单数量，则使用默认订单特征将订单数量填充为预定订单数量，并根据实际订单数量的订单信息和默认订单特征，确定订单特征序列。
[0021]在一种可选的实现方式中，基于预定订单数量的订单信息，确定订单特征序列，包括：
[0022]基于预定订单数量的订单信息，确定预定订单数量的订单特征；
[0023]将预定订单数量的订单特征按照预定顺序进行排列，得到订单特征序列。
[0024]在一种可选的实现方式中，根据商户订单信息，确定订单特征序列，包括：
[0025]根据商户订单信息中包含的以下至少一项，确定订单特征序列：
[0026]订单价格；
[0027]订单品类；
[0028]订单菜品数量；
[0029]订单预计备餐时长。
[0030]在一种可选的实现方式中，基于商户订单特征，通过预先训练好的神经网络模型得到商户履约压力，包括：
[0031]基于商户订单特征，通过预先训练好的多任务学习网络得到商户履约压力，多任务学习网络包括多个专家网络，每个专家网络用于预测商户出现一种履约困难的压力概率。
[0032]在一种可选的实现方式中，履约困难包括以下至少一种情形：
[0033]出餐慢报备；
[0034]承诺送达超时预定时长；
[0035]商责取消；
[0036]出餐慢导致的商责取消。
[0037]在一种可选的实现方式中，基于商户订单特征，通过预先训练好的多任务学习网络得到商户履约压力，包括：
[0038]基于商户订单特征，通过预先训练好的多任务学习网络得到各个专家网络对应的候选商户履约压力；
[0039]将各个候选商户履约压力中的至少一个候选商户履约压力确定为商户履约压力。
[0040]在一种可选的实现方式中，多任务学习网络是通过以下方式训练得到的：
[0041]获取多个训练样本，每个训练样本包括商户订单特征正样本及其标注信息、或商户订单特征负样本及其标注信息，商户订单特征正样本的标注信息表征了商户订单特征正样本对应无履约压力，商户订单特征负样本的标注信息表征了商户订单特征样本对应的履约困难；
[0042]利用机器学习方法，将商户订单特征正样本和/或商户订单特征负样本作为输入，将对应的标注信息作为相应的输出，训练得到多任务学习网络。
[0043]根据本申请的另一个方面，提供了一种信息处理装置，该装置包括：
[0044]获取模块，用于响应于针对目标商户的下单请求，获取目标商户的商户订单信息；
[0045]特征提取模块，用于对商户订单信息进行特征提取，得到商户订单特征；
[0046]确定模块，用于基于商户订单特征，通过预先训练好的神经网络模型得到商户履
约压力，商户履约压力与商户及时备餐完成的能力成反比；
[0047]生成模块，用于基于商户履约压力，生成下单请求的反馈信息
[0048]在一种可选的实现方式中，特征提取模块在用于对商户订单信息进行特征提取，得到商户订单特征时，具体用于：
[0049]根据商户订单信息，确定订单特征序列；
[0050]基于自注意力机制，生成订单特征序列对应的商户订单特征。
[0051]在一种可选的实现方式中，获取模块在用于获取商户订单信息时，截图用于：
[0052]获取预定时间内的商户订单信息；
[0053]特征提取模块在用于根据商户订单信息，确定订单特征序列时，具体用于：
[0054]在预定时间内的商户订单信息中确定预定订单数量的订单信息；
[0055]基于预定订单数量的订单信息，确定订单特征序列。
[0056]在一种可选的实现方式中，特征提取模块在用于基于预定订单数量的订单信息，确定订单特征序列时，具体用于以下至少一项：
[0057]若预定时间内的商户订单信息中的实际订单数量不小于预定订单数量，则基于最新的预定订单数量的订单信息，确定订单特征序列；
[0058]若在预定时间内的商户订单信息中实际订单数量小于预定订单数量，则使用默认订单特征将订单数量填充为预定订单数量，并根据实际订单数量的订单信息和默认订单特征，确定订单特征序列。
[0059]在一种可选的实现方式中，特征提取模块在用于基于预定订单数量的订单信息，确定订单特征序列时，具体用于：
[0060]基于预定订单数量的订单信息，确定预定订单数量的订单本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：响应于针对目标商户的下单请求，获取所述目标商户的商户订单信息；对所述商户订单信息进行特征提取，得到商户订单特征；基于所述商户订单特征，通过预先训练好的神经网络模型得到所述商户履约压力，所述商户履约压力与商户及时备餐完成的能力成反比；基于所述商户履约压力，生成所述下单请求的反馈信息。2.根据权利要求1所述的信息处理方法，其特征在于，所述对所述商户订单信息进行特征提取，得到商户订单特征，包括：根据所述商户订单信息，确定订单特征序列；基于自注意力机制，生成所述订单特征序列对应的所述商户订单特征。3.根据权利要求2所述的信息处理方法，其特征在于，获取商户订单信息，包括：获取预定时间内的商户订单信息；所述根据所述商户订单信息，确定订单特征序列，包括：在预定时间内的商户订单信息中确定预定订单数量的订单信息；基于所述预定订单数量的订单信息，确定所述订单特征序列。4.根据权利要求3所述的信息处理方法，其特征在于，所述基于所述预定订单数量的订单信息，确定所述订单特征序列，包括以下至少一项：若预定时间内的商户订单信息中的实际订单数量不小于所述预定订单数量，则基于最新的预定订单数量的订单信息，确定所述订单特征序列；若在预定时间内的商户订单信息中实际订单数量小于所述预定订单数量，则使用默认订单特征将订单数量填充为预定订单数量，并根据所述实际订单数量的订单信息和所述默认订单特征，确定所述订单特征序列。5.根据权利要求3所述的信息处理方法，其特征在于，所述基于所述预定订单数量的订单信息，确定所述订单特征序列，包括：基于所述预定订单数量的订单信息，确定所述预定订单数量的订单特征；将所述预定订单数量的订单特征按照预定顺序进行排列，得到所述订单特征序列。6.根据权...
【专利技术属性】
技术研发人员：余维，朱麟，王星，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。