一种信息处理方法及装置

摘要

本申请提供了一种信息处理方法及装置，其中，该方法包括：获取用户端在预设历史时间段内的历史服务订单信息；根据历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定用户端在不同服务环境下分别发起的服务订单数量；根据用户端在不同服务环境下分别发起的服务订单数量，以及不同历史时间分别对应的服务环境信息，确定用户端在任一种服务环境下发起服务订单的偏好信息，从而可以为用户端提前合理配置服务资源，提高服务效率。

权利要求

1.一种信息处理方法，其特征在于，包括：

获取用户端在预设历史时间段内的历史服务订单信息；

根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量；

根据所述不同历史时间分别对应的服务环境信息，确定所述用户端在所述预设历史时间段内第一次发起服务订单的历史时间开始，至所述预设历史时间段结束为止，每种服务环境对应的历史统计时间；

根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息；

其中，所述不同服务环境包括第一服务环境和第二服务环境，所述偏好信息是根据第一服务环境相对于第二服务环境的历史统计时间的缩放系数确定的。

2.根据权利要求1所述的方法，其特征在于，所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息包括：根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数；

根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度；

根据所述第一服务环境的倾向度、所述用户端在所述第一服务环境和所述第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

3.根据权利要求2所述的方法，其特征在于，所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数 满足下述公式： ；

其中， 表示第一服务环境的历史统计时间， 表示第二服务环境的历史统计时间。

4.根据权利要求2所述的方法，其特征在于，所述用户端在第一服务环境下发起服务订单的倾向度 满足下述公式：；

其中， 表示在第一服务环境下发起的服务订单数量， 表示在第二服务环境下发起的服务订单数量， 表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

5.根据权利要求2所述的方法，其特征在于，所述根据所述第一服务环境的倾向度、所述用户端在所述第一服务环境和所述第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息，包括：根据所述用户端在所述第二服务环境下发起的服务订单数量以及所述第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值；

根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

6.根据权利要求5所述方法，其特征在于，在所述第一服务环境下发起服务订单的惩罚值 满足下述公式：；

其中， 表示在第二服务环境下发起的服务订单数量， 表示第二服务环境的历史统计时间。

7.根据权利要求5所述的方法，其特征在于，所述偏好信息包括偏好度，所述用户端在第一服务环境下发起服务订单的偏好度 满足下述公式：；

其中， 表示在第一服务环境下发起服务订单的倾向度， 表示在第一服务环境下发起服务订单的惩罚值。

8.根据权利要求1所述的方法，其特征在于，根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量，包括：根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量；

所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息，包括：根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量；

将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

9.根据权利要求8所述的方法，其特征在于，通过下述方式训练得到所述偏好信息检测模型：获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息；

根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果；

根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

10.根据权利要求9所述的方法，其特征在于，所述根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型包括：根据各个样本用户端的偏好信息检测结果，以及对应的实际偏好信息，对所述基础检测模型进行一轮训练后，调整所述基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述偏好信息检测模型。

11.根据权利要求10所述的方法，其特征在于，采用下述步骤对所述基础检测模型进行每一轮训练：将本轮还未完成训练的样本用户端中的任意一个样本用户端确定为目标样本用户端，根据该目标样本用户端的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户端在本轮的交叉熵损失；

根据所述目标样本用户端在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

将所述目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户；

使用调整了参数后的所述基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，并重新返回根据该目标样本用户的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

直至所有样本用户端都完成本轮的训练，完成对所述基础检测模型的本轮训练。

12.一种信息处理装置，其特征在于，包括：

获取模块，用于获取用户端在预设历史时间段内的历史服务订单信息；

数量确定模块，用于根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量；

信息确定模块，用于根据所述不同历史时间分别对应的服务环境信息，确定所述用户端在所述预设历史时间段内第一次发起服务订单的历史时间开始，至所述预设历史时间段结束为止，每种服务环境对应的历史统计时间；

根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息；

其中，所述不同服务环境包括第一服务环境和第二服务环境，所述偏好信息是根据第一服务环境相对于第二服务环境的历史统计时间的缩放系数确定的。

13.根据权利要求12所述的装置，其特征在于，所述信息确定模块用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数；

根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度；

根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

14.根据权利要求13所述的装置，其特征在于，所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数 满足下述公式： ；

其中， 表示第一服务环境的历史统计时间， 表示第二服务环境的历史统计时间。

15.根据权利要求13所述的装置，其特征在于，所述用户端在第一服务环境下发起服务订单的倾向度 满足下述公式：；

其中， 表示在第一服务环境下发起的服务订单数量， 表示在第二服务环境下发起的服务订单数量， 表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

16.根据权利要求13所述的装置，其特征在于，所述信息确定模块具体用于采用下述方式根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息包括：根据所述用户端在第二服务环境下发起的服务订单数量以及第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值；

根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

17.根据权利要求16所述的装置，其特征在于，在所述第一服务环境下发起服务订单的惩罚值 满足下述公式：；

其中， 表示在第二服务环境下发起的服务订单数量， 表示第二服务环境的历史统计时间。

18.根据权利要求16所述的装置，其特征在于，所述偏好信息包括偏好度，所述用户端在第一服务环境下发起服务订单的偏好度 满足下述公式：；

其中， 表示在第一服务环境下发起服务订单的倾向度， 表示在第一服务环境下发起服务订单的惩罚值。

19.根据权利要求12所述的装置，其特征在于，所述数量确定模块还用于采用下述方式根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量：根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量；

所述信息确定模块还用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量；

将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

20.根据权利要求19所述的装置，其特征在于，所述装置还包括训练模块；

所述训练模块，用于通过下述方式训练得到所述偏好信息检测模型：

获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息；

根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果；

根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

21.根据权利要求20所述的装置，其特征在于，所述训练模块，具体用于采用下述方式根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型：根据各个样本用户端的偏好信息检测结果，以及对应的实际偏好信息，对所述基础检测模型进行一轮训练后，调整所述基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述偏好信息检测模型。

22.根据权利要求21所述的装置，其特征在于，所述训练模块，具体用于采用下述步骤对所述基础检测模型进行每一轮训练：将本轮还未完成训练的样本用户端中的任意一个样本用户端确定为目标样本用户端，根据该目标样本用户端的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户端在本轮的交叉熵损失；

根据所述目标样本用户端在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

将所述目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户；

使用调整了参数后的所述基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，并重新返回根据该目标样本用户的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

直至所有样本用户端都完成本轮的训练，完成对所述基础检测模型的本轮训练。

23.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的信息处理方法的步骤。

24.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至11任一所述的信息处理方法的步骤。

说明书

一种信息处理方法及装置

技术领域

[0001] 本申请涉及计算机信息技术领域，具体而言，涉及一种信息处理方法及装置。

背景技术

[0002] 随着互联网和移动终端的发展，人们能够通过移动终端和互联网来完成各自的出行，方便了人们的出行。

[0003] 由于人们生活环境、职业以及习惯等方面的不同，每个人都有各自的打车需求，例如：用户在暴雪或者暴雨天气可能会选择打车出行。目前，一般会在用户存在出行需求时，临时进行服务资源调度，为用户提供出行服务。在这种情况下，由于无法预先预测用户在极端天气的出行需求，经常导致在极端天气，服务资源不够分配，导致用户无法出行或出行不便利的问题。

发明内容

[0004] 有鉴于此，本申请实施例提供一种信息处理方法及装置，用以对用户在任一服务环境下发起服务订单的偏好信息进行预测，为用户端提前合理配置服务资源，提高服务效率。

[0005] 第一方面，本申请实施例提供的一种信息处理方法，包括：

[0006] 获取用户端在预设历史时间段内的历史服务订单信息；

[0007] 根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量；

[0008] 根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0009] 在一种可能的实施方式中，所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息，包括：

[0010] 根据所述不同历史时间分别对应的服务环境信息，确定所述用户端在所述预设历史时间段内第一次发起服务订单的历史时间开始，至所述预设历史时间段结束为止，每种服务环境对应的历史统计时间；

[0011] 根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0012] 在一种可能的实施方式中，所述不同服务环境包括第一服务环境和第二服务环境，所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息，包括：

[0013] 根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数；

[0014] 根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度；

[0015] 根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0016] 在一种可能的实施方式中，所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数ratio1,2满足下述公式：

[0017]

[0018] 其中，alive1表示第一服务环境的历史统计时间，alive2表示第二服务环境的历史统计时间。

[0019] 在一种可能的实施方式中，所述用户端在第一服务环境下发起服务订单的倾向度score1满足下述公式：

[0020]

[0021] 其中，size1表示在第一服务环境下发起的服务订单数量，size2表示在第二服务环境下发起的服务订单数量，ratio1,2表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

[0022] 在一种可能的实施方式中，所述根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息包括：

[0023] 根据所述用户端在第二服务环境下发起的服务订单数量以及第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值；

[0024] 根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0025] 在一种可能的实施方式中，在所述第一服务环境下发起服务订单的惩罚值F1满足下述公式：

[0026]

[0027] 其中，size2表示在第二服务环境下发起的服务订单数量，alive2表示第二服务环境的历史统计时间。

[0028] 在一种可能的实施方式中，所述偏好信息包括偏好度，所述用户端在第一服务环境下发起服务订单的偏好度Y1满足下述公式：

[0029] Y1＝F1×score1；

[0030] 其中，score1表示在第一服务环境下发起服务订单的倾向度，F1表示在第一服务环境下发起服务订单的惩罚值。

[0031] 在一种可能的实施方式中，根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量，包括：

[0032] 根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量；

[0033] 所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息，包括：

[0034] 根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量；

[0035] 将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

[0036] 在一种可能的实施方式中，通过下述方式训练得到所述偏好信息检测模型：

[0037] 获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息；

[0038] 根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果；

[0039] 根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

[0040] 在一种可能的实施方式中，所述根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型包括：

[0041] 根据各个样本用户端的偏好信息检测结果，以及对应的实际偏好信息，对所述基础检测模型进行一轮训练后，调整所述基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述偏好信息检测模型。

[0042] 在一种可能的实施方式中，采用下述步骤对所述基础检测模型进行每一轮训练：

[0043] 将本轮还未完成训练的样本用户端中的任意一个样本用户端确定为目标样本用户端，根据该目标样本用户端的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户端在本轮的交叉熵损失；

[0044] 根据所述目标样本用户端在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

[0045] 将所述目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户；

[0046] 使用调整了参数后的所述基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，并重新返回根据该目标样本用户的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

[0047] 直至所有样本用户端都完成本轮的训练，完成对所述基础检测模型的本轮训练。

[0048] 第二方面，一种信息处理装置，包括：

[0049] 获取模块，用于获取用户端在预设历史时间段内的历史服务订单信息；

[0050] 数量确定模块，用于根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量；

[0051] 信息确定模块，用于根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0052] 在一种可能的实施方式中，所述信息确定模块用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：

[0053] 根据所述不同历史时间分别对应的服务环境信息，确定所述用户端在所述预设历史时间段内第一次发起服务订单的历史时间开始，至所述预设历史时间段结束为止，每种服务环境对应的历史统计时间；

[0054] 根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0055] 在一种可能的实施方式中，所述不同服务环境包括第一服务环境和第二服务环境；

[0056] 所述信息确定模块用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息包括：

[0057] 根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数；

[0058] 根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度；

[0059] 根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0060] 在一种可能的实施方式中，所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数ratio1,2满足下述公式：

[0061]

[0062] 其中，alive1表示第一服务环境的历史统计时间，alive2表示第二服务环境的历史统计时间。

[0063] 在一种可能的实施方式中，所述用户端在第一服务环境下发起服务订单的倾向度score1满足下述公式：

[0064]

[0065] 其中，size1表示在第一服务环境下发起的服务订单数量，size2表示在第二服务环境下发起的服务订单数量，ratio1,2表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

[0066] 在一种可能的实施方式中，所述信息确定模块具体用于采用下述方式根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息：

[0067] 根据所述用户端在第二服务环境下发起的服务订单数量以及第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值；

[0068] 根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0069] 在一种可能的实施方式中，在所述第一服务环境下发起服务订单的惩罚值F1满足下述公式：

[0070]

[0071] 其中，size2表示在第二服务环境下发起的服务订单数量，alive2表示第二服务环境的历史统计时间。

[0072] 在一种可能的实施方式中，所述偏好信息包括偏好度，所述用户端在第一服务环境下发起服务订单的偏好度Y1满足下述公式：

[0073] Y1＝F1×score1；

[0074] 其中，score1表示在第一服务环境下发起服务订单的倾向度，F1表示在第一服务环境下发起服务订单的惩罚值。

[0075] 在一种可能的实施方式中，所述数量确定模块还用于采用下述方式根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量：

[0076] 根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量；

[0077] 所述信息确定模块还用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：

[0078] 根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量；

[0079] 将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

[0080] 在一种可能的实施方式中，所述装置还包括训练模块；

[0081] 所述训练模块，用于通过下述方式训练得到所述偏好信息检测模型：

[0082] 获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息；

[0083] 根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果；

[0084] 根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

[0085] 在一种可能的实施方式中，所述训练模块，具体用于采用下述方式根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型：

[0086] 根据各个样本用户端的偏好信息检测结果，以及对应的实际偏好信息，对所述基础检测模型进行一轮训练后，调整所述基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述偏好信息检测模型。

[0087] 在一种可能的实施方式中，所述训练模块，具体用于采用下述步骤对所述基础检测模型进行每一轮训练：

[0088] 将本轮还未完成训练的样本用户端中的任意一个样本用户端确定为目标样本用户端，根据该目标样本用户端的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户端在本轮的交叉熵损失；

[0089] 根据所述目标样本用户端在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

[0090] 将所述目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户；

[0091] 使用调整了参数后的所述基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，并重新返回根据该目标样本用户的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

[0092] 直至所有样本用户端都完成本轮的训练，完成对所述基础检测模型的本轮训练。

[0093] 第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面，或第一方面中任意一种可能的实施方式所述的信息处理方法的步骤。

[0094] 第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面，或第一方面中任意一种可能的实施方式所述的信息处理方法的步骤。

[0095] 本申请实施例提供的信息处理方法及装置，首先获取用户端在预设历史时间段内的历史服务订单信息，然后结合获取的历史服务订单信息和不同历史时间对应的服务环境信息，能够得到用户端在不同服务环境下分别发起的服务订单数量，根据用户端在不同服务环境下分别发起的服务订单数量和不同历史时间分别对应的服务环境信息，得到用户端在任意一种服务环境下发起服务订单的偏好信息。基于该编好信息，可以优化服务资源的配置，提高服务效率。比如，通过预先预测出的用户在特定服务环境(比如极端天气)的出行需求，可以为用户端提前合理配置服务资源(比如车辆)，提高服务效率。

附图说明

[0096] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

[0097] 图1示出了本申请实施例所提供的一种应用场景的系统100结构图；

[0098] 图2示出了本申请实施例所提供的一种信息处理方法的流程图；

[0099] 图3示出了本申请实施例所提供的信息处理方法中，一种确定所述用户端在任一种服务环境下发起服务订单的偏好信息的具体方法的流程图；

[0100] 图4示出了本申请实施例所提供的信息处理方法中，另一种确定所述用户端在所述第一服务环境下发起服务订单的偏好信息的具体方法的流程图；

[0101] 图5示出了本申请实施例所提供的信息处理方法中，又一种确定所述用户端在任一种服务环境下发起服务订单的偏好信息的具体方法的流程图；

[0102] 图6示出了本申请实施例所提供的信息处理方法中，训练偏好信息检测模型的具体方法的流程图；

[0103] 图7示出了本申请实施例所提供的一种信息处理装置的结构示意图；

[0104] 图8示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

[0105] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

[0106] 另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0107] 本申请实施例下述方法或装置可以应用于任何需要生成偏好信息的场景，比如，可以应用于手机应用软件、网页设计平台等。本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的方法生成偏好信息的方案均在本申请保护范围内。

[0108] 需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

[0109] 本申请中的术语“用户端”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户端可以是乘客、驾驶员、操作员等，或其任意组合。

[0110] 本申请中的术语“服务订单”和“服务请求”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的订单。接受该“服务订单”或“请求”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务订单可以是收费的或免费的。

[0111] 本申请实施例中，可以获取用户端在预设历史时间段内的历史服务订单信息，然后可以根据历史服务订单信息，以及预设历史时间段内不同历史时间对应的服务环境信息，确定用户端在不同服务环境下分别发起的服务订单数量，再根据用户端在不同服务环境下分别发起的服务订单数量，以及不同历史时间分别对应的服务环境信息，确定用户端在任一种服务环境下发起服务订单的偏好信息。这样，一方面，在为用户提供一些出行服务的优惠资源信息时，可以根据预测的用户在特定服务环境(比如极端天气)下的偏好信息，有针对性地为用户提供优惠资源，有效、合理利用资源；另一方面，通过预先预测出的用户在特定服务环境(比如极端天气)的出行需求，可以为用户端提前合理配置服务资源(比如车辆)，提高服务效率。

[0112] 图1是本申请实施例的一种应用场景的系统100结构图。例如，系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。系统100可以包括服务器110、网络120、用户端130和数据库140中的一种或多种，服务器110中可以包括执行指令操作的处理器。

[0113] 在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在用户端130、或数据库140、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到用户端130和数据库140中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter‑cloud)、多云(multi‑cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有一个或多个组件的电子设备上实现。

[0114] 在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction‑set Processor，ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。

[0115] 网络120可以用于信息和/或数据的交换。在一些实施例中，系统100中的一个或多个组件(例如，服务器110，用户端130和数据库140)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从用户端130获取服务请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。

[0116] 在一些实施例中，用户端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中，用户端130可以是具有用于定位服务请求方和/或用户端的位置的定位技术的设备。

[0117] 数据库140可以存储数据和/或指令。在一些实施例中，数据库140可以存储从用户端130和/或获得的数据。在一些实施例中，数据库140可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库140可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read‑Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date‑Rate Synchronous RAM，DDR SDRAM)；静态RAM(Static Random‑Access Memory，SRAM)，晶闸管RAM(Thyristor‑Based Random Access Memory，T‑RAM)和零电容器RAM(Zero‑RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read‑Only Memory，MROM)、可编程ROM(Programmable Read‑Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read‑only Memory，PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory，EEPROM)、光盘ROM(CD‑ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库140可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。

[0118] 在一些实施例中，数据库140可以连接到网络120以与系统100(例如，服务器110，用户端130等)中的一个或多个组件通信。系统100中的一个或多个组件可以经由网络120访问存储在数据库140中的数据或指令。在一些实施例中，数据库140可以直接连接到系统100中的一个或多个组件(例如，服务器110，用户端130等)；或者，在一些实施例中，数据库140也可以是服务器110的一部分。

[0119] 在一些实施例中，系统100中的一个或多个组件(例如，服务器110，用户端130，等)可以具有访问数据库140的权限。

[0120] 下述实施例将会对信息处理过程作详细说明。下述信息处理方法可以应用于上述服务器110中实施，具体可以由服务器110中的处理器执行相关方法指令。

[0121] 参见图2所示，为本申请实施例提供的一种信息处理方法的基本流程，包括：

[0122] S201：获取用户端在预设历史时间段内的历史服务订单信息。

[0123] 在具体实施的时候，预设历史时间段可以是从历史某个时间点开始到获取用户端的历史服务订单信息的时刻的时间长度，例如，在2018年3月9日需要获取用户端的历史服务订单信息，预设历史时间段为一年，则获取的历史服务订单信息是从2017年3月9日至2018年3月9日；预设历史时间段也可以是以任何时间为起点或终点的时间长度，例如，预设历史时间段为一年，在2018年3月9日需要获取用户端的历史服务订单信息，获取的历史服务订单信息是从2017年1月9日至2018年1月9日。

[0124] 在一些实施例中，服务器可以在数据库中获取用户端在预设历史时间段内的历史服务订单信息，例如，将用户端每次发起服务订单的数据作为历史服务订单信息保存至数据库中，当服务器需要获取用户端的历史服务订单信息的时候，可以从数据库中调取历史服务订单信息。历史服务订单信息可以包括服务订单内容、用户信息、发起服务订单的时间、订单对应的服务时间等，例如，服务订单为出行服务订单，则历史服务订单信息可以包括出行时间、出行地点，出行地点可以包括出行起点和出行终点。

[0125] 在这里，获取用户端的历史服务订单信息时，可以基于该用户端登录的用户账号，获取对应的历史服务订单信息。

[0126] S202：根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量。

[0127] 在具体实施的时候，服务环境信息是指历史服务订单在服务过程中对应的客观因素，例如，服务订单为出行服务订单，则对应的服务环境信息可以包括出行过程中的天气，如暴雨、暴雪、冰雹、雨夹雪等极端天气，或者晴天、多云、小雨、中雨等正常天气，还可以包括拥堵、交通管制等信息。在获取历史服务订单信息时，服务器可以根据历史服务订单中的订单服务的时间，确定服务订单对应的服务环境信息，例如，2018年11月25日的海淀区天气为晴天，则对应2018年11月25日对应的服务环境信息为晴天。

[0128] 获取到预设历史时间段内历史服务订单信息以及不同历史时间对应的服务环境信息后，根据历史服务订单信息以及服务环境信息，确定用户端在不同服务环境下分别发起的服务订单数量，例如，获取用户端A的出行订单，预设历史时间段为一年，获取的历史服务订单信息为2017年11月1日至2018年11月1日用户端A发起的服务订单对应的出行信息，根据用户端A的出行订单对应的时间、地点、以及出行订单对应的天气，得到用户端A在过去的一年中在极端天气发起出行订单的服务订单数量为98单，在正常天气发起出行订单的服务订单数量为7单。

[0129] S203：根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0130] 在具体实施的时候，偏好信息是指能够反应用户端对在不同服务环境下发起服务订单的信息，可以是一个概率值，也可以是指示是否偏好的字符信息。根据用户端在不同服务环境下分别发起的服务订单数量以及不同历史时间分别对应的服务环境信息，能够确定用户端在任一种服务环境下发起服务订单的偏好信息。根据用户端的偏好信息，为用户端匹配对应的服务资源，例如，对于服务订单为出行订单的情况下，可以向用户端推送与偏好信息对应的优惠资源，比如可以是对应该偏好信息的出行订单的折扣信息、抵扣信息等。另外，根据用户端的偏好信息，可以为用户端预先匹配对应的服务资源，比如为用户提前预备车辆等服务资源，以避免用户无法出行或出行不便利的情况。

[0131] 在一些实施例中，根据不同历史时间对应的服务环境信息，能够确定各个服务环境信息对应的历史统计时间，对于不同的用户而言，例如，新用户，新用户可能并不是在预设历史时间段之前注册的账户信息，那么就存在在预设历史时间段内的一段时间是没有新用户的历史服务订单信息的，而且，对于新用户没有订单的时间段计入至统计时间中会造成新用户与老用户之间历史统计时间的不平衡。因此，在确定不同服务环境对应的历史统计时间的时候，是从用户端在预设历史时间段内第一次发起服务订单的历史时间开始，到预设历史时间段结束为止，每种服务环境对应的历史统计时间，例如，服务订单为出行订单，预设历史时间段为1年，获取的历史服务订单信息为2017年11月26日至2018年11月26日，而用户端A的账户注册时间为2018年2月5日，发起服务订单的时间为2018年3月9日，在这一年中，服务环境为极端天气的天数为28天，而从用户端A服务订单开始到2018年11月26日，服务环境为极端天气的天数为19天，那么服务环境为极端天气的历史统计时间为19天。

[0132] 在一些实施例中，不同的服务环境可以包括第一服务环境以及第二服务环境，例如，服务订单为出行服务订单，服务环境是指天气，那么，第一服务环境为极端天气，如暴雨、暴雪、冰雹、雨夹雪等极端天气，第二服务环境为正常天气，如晴天、多云、小雨等正常天气。

[0133] 在这里，第一服务环境与第二服务环境还可以是其他的服务环境，例如第一服务环境为上下班高峰期，第二服务环境为非上下班高峰期。本申请中的信息处理方法能够确定用户端在任一服务环境下的偏好信息，因此，不同的服务环境中的任意一方都可以作为本申请中的第一服务环境。

[0134] 下面将针对服务环境包括第一服务环境和第二服务环境对本申请进行展开介绍。

[0135] 具体地，参见图3所示，本申请实施例提供了根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息的具体方法，包括：

[0136] S301：根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

[0137] 在具体实施的时候，在确定每种服务环境对应的历史统计时间后，可以根据每种服务环境对应的历史统计时间，确定第一服务环境相对于第二服务环境的历史统计时间的缩放系数。其中，第一服务环境相对于第二服务环境的历史统计时间的缩放系数ratio1,2满足下述公式：

[0138]

[0139] 其中，alive1表示第一服务环境的历史统计时间，alive2表示第二服务环境的历史统计时间。例如，第一服务环境的历史统计时间为28天，第二服务环境的历史统计时间为12天，则第一服务环境相对于第二服务环境的历史统计时间的缩放系数为：

[0140]

[0141] S302：根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度。

[0142] 在具体实现的时候，确定第一服务环境相对于第二服务环境的缩放系数后，基于缩放系数、用户端在第一服务环境发起的服务订单数量、用户端在第二服务环境发起的服务订单数量，得到用户端在第一服务环境下发起服务订单的倾向度，其中，用户端在第一服务环境下发起服务订单的倾向度score1满足下述公式：

[0143]

[0144] 其中，size1表示在第一服务环境下发起的服务订单数量，size2表示在第二服务环境下发起的服务订单数量，ratio1,2表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

[0145] S303：根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0146] 在具体实施的时候，倾向度是指用户端发起服务订单的倾向程度，第一服务环境的倾向度是指用户端在第一服务环境下发起服务订单的倾向程度，第一服务环境的倾向度越高，则用户端越倾向于在第一服务环境下发起服务订单。基于第一服务环境的倾向度、用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定用户端的第一服务环境下发起服务订单的偏好信息。

[0147] 具体地，本申请实施例还提供了根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息的具体方法，包括：

[0148] S401：根据所述用户端在所述第二服务环境下发起的服务订单数量以及所述第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值。

[0149] 在具体实施的时候，在一种服务环境下的惩罚值越低，则表示用户端正在另一种服务环境下发起服务订单越多。根据用户端在第二服务环境下发起的服务订单数量以及第二服务环境对应的历史统计时间，能够确定用户端第一服务环境下发起服务订单的惩罚值，其中，用户端第一服务环境下发起服务订单的惩罚值F1满足下述公式：

[0150]

[0151] 其中，size2表示在第二服务环境下发起的服务订单数量，alive2表示第二服务环境的历史统计时间。

[0152] S402：根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0153] 在具体实施的时候，偏好信息包括偏好度，在确定用户端第一服务环境下发起服务订单的惩罚值，以及在第一服务环境下发起服务订单的倾向度后，根据惩罚值以及倾向度，计算用户端在第一服务环境下发起服务订单的偏好度，其中，用户端在第一服务环境下发起服务订单的偏好度Y1满足下述公式：

[0154] Y1＝F1×score1；

[0155] 其中，score1表示在第一服务环境下发起服务订单的倾向度，F1表示在第一服务环境下发起服务订单的惩罚值。

[0156] 在一些实施例中，步骤S202还可以包括，根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量。

[0157] 在具体实施的时候，预设时间区间是指将预设历史时间段按照一定的时间长度进行划分得到的时间区间，例如，预设历史时间段为2018年1月1日至2018年12月31日这一整年，那么预设时间区间可以是一个月、一个季度或者15天。根据历史服务订单信息以及不同历史时间分别对应的服务环境信息，能够确定用户端在预设历史时间段内预设时间区间中每个预设时间区间内，分别在不同服务环境下发起服务订单数量。

[0158] 基于此，参见图5所示，本申请实施例还提供了另外一种所述根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息的具体方法，包括：

[0159] S501：根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量。

[0160] 在具体实施的时候，对于各个服务环境，将用户端在该服务环境下多个预设时间区间中的每个预设时间区间内发起服务订单数量作为特征值，都贱服务订单特征向量，例如，服务环境为极端天气时，预设历史时间段为2017年6月份至2017年12月份，预设时间区间为一个月，用户端在各个预设时间区间发起的服务订单数量分别为3、3、5、6、4、2，则服务订单特征向量为[3，3，5，6，4，2]。

[0161] S502：将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

[0162] 在具体实施的时候，将构建好的服务订单特征向量输入至预先训练好的偏好信息检测模型中，进而确定用户端在任一种服务环境下发起服务订单的偏好信息，例如，用户端在服务环境为极端天气的情况下，对应的服务订单特征向量为[3，3，5，6，4，2]，则将其输入至预先训练好的偏好信息检测模型中，就能够得到用户在极端天气发起服务订单的偏好信息。

[0163] 具体地，参见图6所示，本申请实施例还提供了训练偏好信息检测模型的具体方法，包括：

[0164] S601：获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息。

[0165] 在具体实施中，样本用户端包括正样本用户端以及负样本用户端，例如，服务环境包括极端天气以及正常天气的时候，预设历史时间段为一年，正样本用户可以是在这一年中样本用户端在极端天气发起服务订单的天数占发起服务订单总天数的98％，在正常天气发起服务订单的天数占发起服务订单总天数的2％作为正样本用户端，还可以是这一年中样本用户端在每一个极端天气都会发起服务订单，在正常天气发起服务订单的天数小于5天的作为正样本用户端。负样本用户端可以是这一年中样本用户端在极端天气发起服务订单的天数占发起服务订单总天数的2％，在正常天气发起服务订单的天数占发起服务订单总天数的98％作为负样本用户端。

[0166] 确定样本用户端后，根据样本用户端的历史服务订单信息，确定每个样本用户端在预设时间区间中每一个预设时间区间内，分别在不同服务环境下发起的服务订单数量，并获取到每一个样本用户端对应的实际偏好信息，实际偏好信息可以是一个标签，也可以是一个数值，例如，正样本用户端的实际偏好信息可以是1，负样本用户端的实际偏好信息可以是0。

[0167] S602：根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果。

[0168] 在构建样本用户端的特征向量的时候，与上述步骤S501相同，详细阐述可见步骤S501。

[0169] 在一些实施例中，基础检测模型可以是由神经网络和分类器构成，如，循环神经网络。神经网络包括多层特征提取层，多层特征提取层能够对构建测特征向量进行特征提取，并将特征提取后的结果输入至分类器中，得到偏好信息检测结果。

[0170] S603：根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

[0171] 在具体实施的时候，得到偏好信息检测结果后，根据偏好信息检测结果以及实际偏好信息对基础检测模型进行训练，在训练的过程中，是根据偏好信息检测结果以及实际偏好信息对基础检测模型的参数进行调整，进而得到偏好信息检测模型，在对基础检测模型进行训练是多次的。

[0172] 在一些实施例中，在对基础检测模型进行每一轮训练的时候，是将本轮还未完成训练的样本用户端中人一个样本用户端作为目标用户端，根据该样本用户端的偏好信息检测结果以及实际偏好信息，能够确定目标样本用户端在本轮偏好信息检测结果与实际偏好信息之间测交叉熵损失，根据样本用户端在本轮的交叉熵损失来调整基础检测模型的训练参数，将目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户，使用调整了参数后的基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，计算该新的目标样本用户的偏好信息检测结果与对应的实际偏好信息交叉熵损失，如此反复，直至所有样本用户端都完成本轮的训练，完成对基础检测模型的本轮训练。

[0173] 本申请实施例提供的一种信息处理方法，首先获取用户端在预设历史时间段内的历史服务订单信息，然后根据获取的历史服务订单信息，并结合不同历史时间对应的服务环境信息，能够得到用户端在不同服务环境下分别发起的服务订单数量，根据用户端在不同服务环境下分别发起的服务订单数量和不同历史时间分别对应的服务环境信息，得到用户端在任意一种服务环境下发起服务订单的偏好信息，进而根据用户的偏好信息，更有针对性的对用户进行服务资源(可以包括优惠资源，也可以包括服务资源，比如车辆)的配置，提高服务资源的服务效率。

[0174] 基于上述信息处理方法，参见图7所示，本申请实施例还提供了一种信息处理装置700，包括：获取模块710、数量确定模块720、信息确定模块730；其中，

[0175] 获取模块710，用于获取用户端在预设历史时间段内的历史服务订单信息；

[0176] 数量确定模块720，用于根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量；

[0177] 信息确定模块730，用于根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0178] 在一些实施方式中，信息确定模块730，用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：

[0179] 根据所述不同历史时间分别对应的服务环境信息，确定所述用户端在所述预设历史时间段内第一次发起服务订单的历史时间开始，至所述预设历史时间段结束为止，每种服务环境对应的历史统计时间；

[0180] 根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息。

[0181] 在一些实施方式中，所述不同服务环境包括第一服务环境和第二服务环境；

[0182] 所述信息确定模块730，用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：

[0183] 根据所述每种服务环境对应的历史统计时间，确定所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数；

[0184] 根据所述缩放系数，以及所述用户端在所述第一服务环境和第二服务环境下分别发起的服务订单数量，确定所述用户端在第一服务环境下发起服务订单的倾向度；

[0185] 根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0186] 在一些实施方式中，所述第一服务环境相对于第二服务环境的历史统计时间的缩放系数ratio1,2满足下述公式：

[0187]

[0188] 其中，alive1表示第一服务环境的历史统计时间，alive2表示第二服务环境的历史统计时间。

[0189] 在一些实施方式中，所述用户端在第一服务环境下发起服务订单的倾向度score1满足下述公式：

[0190]

[0191] 其中，size1表示在第一服务环境下发起的服务订单数量，size2表示在第二服务环境下发起的服务订单数量，ratio1,2表示第一服务环境相对于第二服务环境的历史统计时间的缩放系数。

[0192] 在一些实施方式中，信息确定模块730，具体用于采用下述方式根据所述第一服务环境的倾向度、所述用户端在第一服务环境和第二服务环境下分别发起的服务订单数量，以及每种服务环境对应的历史统计时间，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息：

[0193] 根据所述用户端在第二服务环境下发起的服务订单数量以及第二服务环境对应的历史统计时间，确定在所述第一服务环境下发起服务订单的惩罚值；

[0194] 根据在所述第一服务环境下发起服务订单的惩罚值，以及在所述第一服务环境下发起服务订单的倾向度，确定所述用户端在所述第一服务环境下发起服务订单的偏好信息。

[0195] 在一些实施方式中，在所述第一服务环境下发起服务订单的惩罚值F1满足下述公式：

[0196]

[0197] 其中，size2表示在第二服务环境下发起的服务订单数量，alive2表示第二服务环境的历史统计时间。

[0198] 在一些实施方式中，所述偏好信息包括偏好度，所述用户端在第一服务环境下发起服务订单的偏好度Y1满足下述公式：

[0199] Y1＝F1×score1；

[0200] 其中，score1表示在第一服务环境下发起服务订单的倾向度，F1表示在第一服务环境下发起服务订单的惩罚值。

[0201] 在一些实施方式中，所述数量确定模块720，还用于采用下述方式根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在不同服务环境下分别发起的服务订单数量：

[0202] 根据所述历史服务订单信息，以及不同历史时间分别对应的服务环境信息，确定所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量；

[0203] 信息确定模块730，还用于采用下述方式根据所述用户端在不同服务环境下分别发起的服务订单数量，以及所述不同历史时间分别对应的服务环境信息，确定所述用户端在任一种服务环境下发起服务订单的偏好信息：

[0204] 根据所述用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建服务订单特征向量；

[0205] 将所述服务订单特征向量输入至预先训练的偏好信息检测模型中，确定所述用户端在所述任一种服务环境下发起服务订单的偏好信息。

[0206] 在一些实施方式中，所述信息处理装置700还包括训练模块740；

[0207] 训练模块740，用于通过下述方式训练得到所述偏好信息检测模型：

[0208] 获取多个样本用户端中每个样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，以及该样本用户端对应的实际偏好信息；

[0209] 根据该样本用户端在多个预设时间区间中的每个预设时间区间内，分别在不同服务环境下发起的服务订单数量，构建该样本用户端的特征向量；将所述特征向量输入至基础检测模型中，获得该样本用户端的偏好信息检测结果；

[0210] 根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型。

[0211] 在一些实施方式中，训练模块740，具体用于采用下述方式根据所述偏好信息检测结果以及所述实际偏好信息，对所述基础检测模型进行训练，得到所述偏好信息检测模型：

[0212] 根据各个样本用户端的偏好信息检测结果，以及对应的实际偏好信息，对所述基础检测模型进行一轮训练后，调整所述基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述偏好信息检测模型。

[0213] 在一些实施方式中，训练模块740，具体用于采用下述步骤对所述基础检测模型进行每一轮训练：

[0214] 将本轮还未完成训练的样本用户端中的任意一个样本用户端确定为目标样本用户端，根据该目标样本用户端的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户端在本轮的交叉熵损失；

[0215] 根据所述目标样本用户端在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

[0216] 将所述目标样本用户端作为本轮完成训练的样本用户端，并将本轮还未完成训练的样本用户端中任意一个样本用户端确定为新的目标样本用户；

[0217] 使用调整了参数后的所述基础检测模型，获取该新的目标样本用户端的偏好信息检测结果，并重新返回根据该目标样本用户的偏好信息检测结果，以及对应的实际偏好信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

[0218] 直至所有样本用户端都完成本轮的训练，完成对所述基础检测模型的本轮训练。

[0219] 上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。

[0220] 参见图8所示，本申请实施例还提供了可以实现本申请思想的电子设备800的示例性硬件和软件组件的示意图。处理器820可以用于电子设备800上，并且用于执行本申请中的功能。

[0221] 电子设备800可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的信息推送方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。

[0222] 例如，电子设备800可以包括连接到网络的网络端口810、用于执行程序指令的一个或多个处理器820、通信总线830和不同形式的存储介质840，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备800还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口850。

[0223] 为了便于说明，在电子设备800中仅描述了一个处理器。然而，应当注意，本申请中的电子设备800还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备800的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。

[0224] 在具体实施中，存储介质840存储有所述处理器820可执行的机器可读指令，当电子设备运行时，所述处理器820与所述存储介质840之间通过通信总线830通信，所述机器可读指令被所述处理器820执行时执行上述信息处理方法，从而解决现有技术中服务资源配置不精准的问题，实现为用户端提前合理配置服务资源，提高服务效率的效果。

[0225] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述信息处理方法的步骤。

[0226] 具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述信息处理方法，从而解决现有技术中服务资源配置不精准的问题，实现为用户端提前合理配置服务资源，提高服务效率的效果。

[0227] 本申请实施例所提供的一种信息处理方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

[0228] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0229] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0230] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0231] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0232] 以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。