一种预测用户满意度的方法、系统及计算机设备与流程

本公开实施例涉及数据处理技术领域，具体而言，涉及一种预测用户满意度的方法、系统、计算机设备及计算机可读存储介质。

背景技术：

使用打车软件打车时，会出现用户对订单进行差评和投诉的现象。出现差评和投诉的原因是用户是使用体验不好，而体验不好的原因有很多，比如说用户等的太久了，驾驶员驾驶速度过快，驾驶员绕远路等等。

用户使用体验不好，会影响用户对出租出的再次使用，造成用户流失，更严重的会影响打车平台用户的活跃度，降低打车平台的竞争力。因此，有效、实时的识别用户的满意度是十分重要的。

技术实现要素：

本公开实施例旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本公开实施例的一个方面在于提出了一种预测用户满意度的方法。

本公开实施例的另一个方面在于提出了一种预测用户满意度的系统。

本公开实施例的再一个方面在于提出了一种计算机设备。

本公开实施例的又一个方面在于提出了一种计算机可读存储介质。

有鉴于此，根据本公开实施例的一个方面，提出了一种预测用户满意度的方法，包括：获取当前订单信息，并提取当前订单信息中的订单特征；将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度。

本公开实施例提供的预测用户满意度的方法，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度。

根据本公开实施例的上述预测用户满意度的方法，还可以具有以下技术特征：

在上述技术方案中，优选地，还包括：判断当前订单信息的用户满意度是否小于第一预设阈值；当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该技术方案中，根据预测的用户满意度，采取相应的措施。例如，当用户满意度预测模型预测用户满意度小于第一预设阈值，在用户结束订单行程之前，就可以提示驾驶员该订单对应的用户可能会差评或者投诉以及差评和投诉的原因，驾驶员可以采取措施预防用户不满意的现象。或者是向用户发送消息解释原因，这样可以减少用户的投诉和差评。

在上述技术方案中，优选地，还包括：获取多个历史订单信息；训练多个历史订单信息，得到用户满意度预测模型。

在该技术方案中，采集大量历史订单信息进行训练，建立用户满意度预测模型，提高建模的精确性，保证用户满意度的准确预测。

在上述任一技术方案中，优选地，训练多个历史订单信息，得到用户满意度预测模型的步骤，具体包括：在每个历史订单信息中分别提取订单特征，并根据订单特征对每个历史订单信息的用户满意情况进行标注；将多个历史订单信息划分为训练订单信息；训练训练订单信息和订单特征，得到用户满意度预测模型；利用测试订单信息对用户满意度预测模型进行测试，得到测试准确率；当测试准确率大于第二预设阈值时，停止对训练订单信息的训练。

在该技术方案中，在历史订单信息中提取多个订单特征，也可以将历史订单信息放至具有自动挑选有用特征的模型中挑选出有用特征。再根据提取的订单特征对历史订单信息进行标注。例如差评、app投诉、电话投诉的历史订单标记为0，表示用户不满意；主动5星好评的历史订单标记为1，表示用户满意。进一步地，将历史订单信息分为训练订单信息和测试订单信息，利用训练订单信息对用户满意度预测模型进行训练，再利用测试订单信息对模型进行准确率的测试，在模型的准确率达到第二预设阈值时结束训练，得到最终的用户满意度预测模型，实现通过大量订单信息训练及校验出精准的预测模型。

在上述任一技术方案中，优选地，订单特征包括以下一种或其组合：订单基础特征、订单实时特征、用户特征、驾驶员特征。

在上述任一技术方案中，优选地，订单基础特征包括以下一种或其组合：订单起点、订单终点、订单起始时间、预估价格、预估距离、小费、订单行驶时间、订单行驶距离、或订单价格；订单实时特征包括以下一种或其组合：天气、订单所属时间段、周围订单数量、或周围驾驶员数量；用户特征包括以下一种或其组合：年龄、性别、职业、用户历史订单投诉、量、用户历史订单差评量、用户历史投诉率、用户历史差评率；驾驶员特征包括以下一种或其组合：驾驶员预估到达时间、驾驶员实际到达时间、驾驶员路线熟悉程度。

在该技术方案中，订单特征包括订单的相关特征以及订单对应的驾驶员、用户的特征，分别包括但不限于上述信息，能够通过多种特征对模型进行灵活训练，进而保证对用户的满意度进行准确地预估。

在上述任一技术方案中，优选地，用户满意度预测模型包括以下任一项：xgboost模型、决策树模型、梯度提升树决策模型、线性回归模型、或神经网络模型。

在该技术方案中，用户满意度预测模型可以是extremegradientboosting(xgboost)模型，决策树模型，gbdt(梯度提升树决策)模型、线性回归模型、神经网络模型等。其中xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用cpu(处理器)的多线程进行并行。

根据本公开实施例的另一个方面，提出了一种预测用户满意度的系统，包括：获取单元，用于获取当前订单信息，并提取当前订单信息中的订单特征；预测单元，用于将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度。

本公开实施例提供的预测用户满意度的系统，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度。

根据本公开实施例的上述预测用户满意度的系统，还可以具有以下技术特征：

在上述技术方案中，优选地，还包括：判断单元，用于判断当前订单信息的用户满意度是否小于第一预设阈值；提示单元，用于当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该技术方案中，根据预测的用户满意度，采取相应的措施。例如，当用户满意度预测模型预测用户满意度小于第一预设阈值，在用户结束订单行程之前，就可以提示驾驶员该订单对应的用户可能会差评或者投诉以及差评和投诉的原因，驾驶员可以采取措施预防用户不满意的现象。或者是向用户发送消息解释原因，这样可以减少用户的投诉和差评。

在上述任一技术方案中，优选地，所述获取单元，还用于获取多个历史订单信息；预测用户满意度的系统，还包括：训练单元，用于训练多个历史订单信息，得到用户满意度预测模型。

在该技术方案中，采集大量历史订单信息进行训练，建立用户满意度预测模型，提高建模的精确性，保证用户满意度的准确预测。

在上述任一技术方案中，优选地，训练单元，包括：标注单元，用于在每个历史订单信息中分别提取订单特征，并根据订单特征对每个历史订单信息的用户满意情况进行标注；分类单元，用于将多个历史订单信息划分为训练订单信息和测试订单信息；训练单元，具体用于训练训练订单信息，得到用户满意度预测模型；测试单元，用于利用测试订单信息对用户满意度预测模型进行测试，得到测试准确率；训练单元，还用于当测试准确率大于第二预设阈值时，停止对训练订单信息的训练。

在该技术方案中，在历史订单信息中提取多个订单特征，也可以将历史订单信息放至具有自动挑选有用特征的模型中挑选出有用特征。再根据提取的订单特征对历史订单信息进行标注。例如差评、app投诉、电话投诉的历史订单标记为0，表示用户不满意；主动5星好评的历史订单标记为1，表示用户满意。进一步地，将历史订单信息分为训练订单信息和测试订单信息，利用训练订单信息对用户满意度预测模型进行训练，再利用测试订单信息对模型进行准确率的测试，在模型的准确率达到第二预设阈值时结束训练，得到最终的用户满意度预测模型，实现通过大量订单信息训练及校验出精准的预测模型。

在上述任一技术方案中，优选地，订单特征包括以下一种或其组合：订单基础特征、订单实时特征、用户特征、驾驶员特征。

在上述任一技术方案中，优选地，订单基础特征包括以下一种或其组合：订单起点、订单终点、订单起始时间、预估价格、预估距离、小费、订单行驶时间、订单行驶距离、或订单价格；订单实时特征包括以下一种或其组合：天气、订单所属时间段、周围订单数量、或周围驾驶员数量；用户特征包括以下一种或其组合：年龄、性别、职业、用户历史订单投诉量、用户历史订单差评量、用户历史投诉率、用户历史差评率；驾驶员特征包括以下一种或其组合：驾驶员预估到达时间、驾驶员实际到达时间、驾驶员路线熟悉程度。

在该技术方案中，订单特征包括订单的相关特征以及订单对应的驾驶员、用户的特征，分别包括但不限于上述信息，能够通过多种特征对模型进行灵活训练，进而保证对用户的满意度进行准确地预估。

在上述任一技术方案中，优选地，用户满意度预测模型包括以下任一项：xgboost模型、决策树模型、梯度提升树决策模型、线性回归模型、或神经网络模型。

在该技术方案中，用户满意度预测模型可以是extremegradientboosting(xgboost)模型，决策树模型，gbdt(梯度提升树决策)模型、线性回归模型、神经网络模型等。其中xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用cpu(处理器)的多线程进行并行。

根据本公开实施例的再一个方面，提出了一种计算机设备，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项的预测用户满意度的方法的步骤。

本公开实施例提供的计算机设备，处理器执行计算机程序时实现如上述任一技术方案所述的预测用户满意度的方法的步骤，因此该计算机设备包括上述任一技术方案所述的预测用户满意度的方法的全部有益效果。

根据本公开实施例的又一个方面，提出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项的预测用户满意度的方法的步骤。

本公开实施例提供的计算机可读存储介质，计算机程序被处理器执行时实现如上述任一技术方案所述的预测用户满意度的方法的步骤，因此该计算机设备包括上述任一技术方案所述的预测用户满意度的方法的全部有益效果。

本公开实施例的附加方面和优点将在下面的描述部分中变得明显，或通过本公开实施例的实践了解到。

附图说明

本公开实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了本公开实施例的一个实施例的预测用户满意度的方法的流程示意图；

图2示出了本公开实施例的另一个实施例的预测用户满意度的方法的流程示意图；

图3示出了本公开实施例的再一个实施例的预测用户满意度的方法的流程示意图；

图4示出了本公开实施例的又一个实施例的预测用户满意度的方法的流程示意图；

图5示出了本公开实施例的一个实施例的预测用户满意度的系统的示意框图；

图6示出了本公开实施例的另一个实施例的预测用户满意度的系统的示意框图；

图7示出了本公开实施例的再一个实施例的预测用户满意度的系统的示意框图。

具体实施方式

为了能够更清楚地理解本公开实施例的上述目的、特征和优点，下面结合附图和具体实施方式对本公开实施例进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开实施例，但是，本公开实施例还可以采用其他不同于在此描述的其他方式来实施，因此，本公开实施例的保护范围并不限于下面公开的具体实施例的限制。

本公开实施例第一方面的实施例，提出一种预测用户满意度的方法，图1示出了本公开实施例的一个实施例的预测用户满意度的方法的流程示意图。其中，该方法包括：

步骤102，获取当前订单信息，并提取当前订单信息中的订单特征；

步骤104，将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度。

本公开实施例提供的预测用户满意度的方法，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度。

其中，当前订单信息包括：当前起点、当前终点、当前起始时间(或者所属时间段，例如，高峰期、非高峰期)、当前价格、当前预估价格、当前小费、当前周围订单数量、当前周围驾驶员数量、当前天气、当前用户的年龄、性别、职业、用户历史满意概率，驾驶员预估到达时间、驾驶员实际到达时间、驾驶员是熟悉起终点等。

图2示出了本公开实施例的另一个实施例的预测用户满意度的方法的流程示意图。其中，该方法包括：

步骤202，获取当前订单信息，并提取当前订单信息中的订单特征；

步骤204，将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度；

步骤206，判断当前订单信息的用户满意度是否小于第一预设阈值；

步骤208，当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该实施例中，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度，进一步地根据预测的用户满意度，采取相应的措施。例如，当用户满意度预测模型预测用户满意度小于第一预设阈值，在用户结束订单行程之前，就可以提示驾驶员该订单对应的用户可能会差评或者投诉以及差评和投诉的原因，驾驶员可以采取措施预防用户不满意的现象。或者是向用户发送消息解释原因，这样可以减少用户的投诉和差评。

图3示出了本公开实施例的再一个实施例的预测用户满意度的方法的流程示意图。其中，该方法包括：

步骤302，获取多个历史订单信息；

步骤304，训练多个历史订单信息，得到用户满意度预测模型；

步骤306，获取当前订单信息，并提取当前订单信息中的订单特征，将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度；

步骤308，判断当前订单信息的用户满意度是否小于第一预设阈值；

步骤310，当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该实施例中，采集大量历史订单信息进行训练，建立用户满意度预测模型，提高建模的精确性，保证用户满意度的准确预测。

图4示出了本公开实施例的又一个实施例的预测用户满意度的方法的流程示意图。其中，该方法包括：

步骤402，获取多个历史订单信息；

步骤404，在每个历史订单信息中分别提取订单特征，并根据订单特征对每个历史订单信息的用户满意情况进行标注；

步骤406，将多个历史订单信息分划为训练订单信息和测试订单信息；训练训练订单信息，得到用户满意度预测模型；

步骤408，利用测试订单信息对用户满意度预测模型进行测试，得到测试准确率；当测试准确率大于第二预设阈值时，停止对训练订单信息的训练；

步骤410，获取当前订单信息，并提取当前订单信息中的订单特征，将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度；

步骤412，判断当前订单信息的用户满意度是否小于第一预设阈值；

步骤414，当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该实施例中，对于训练多个历史订单信息得到用户满意度预测模型，首先在历史订单信息中提取多个订单特征，也可以将历史订单信息放至具有自动挑选有用特征的模型中挑选出有用特征。再根据提取的订单特征对历史订单信息进行标注。例如差评、app投诉、电话投诉的历史订单标记为0，表示用户不满意；主动5星好评的历史订单标记为1，表示用户满意。进一步地，将历史订单信息分为训练订单信息和测试订单信息，利用训练订单信息对用户满意度预测模型进行训练，再利用测试订单信息对模型进行准确率的测试，在模型的准确率达到第二预设阈值时结束训练，得到最终的用户满意度预测模型，实现通过大量订单信息训练及校验出精准的预测模型。

优选地，订单特征包括以下一种或其组合：订单基础特征、订单实时特征、用户特征、驾驶员特征。订单基础特征包括订单起点、订单终点、订单起始时间(或者所属时间段，例如，高峰期、非高峰期)、预估价格、预估距离、小费、订单行驶时间、订单行驶距离、或订单价格等；订单实时特征包括天气、订单所属时间段、周围订单数量、或周围驾驶员数量等；用户特征包括年龄、性别、职业、用户历史订单投诉量、用户历史订单差评量、用户历史投诉率、用户历史差评率等；驾驶员特征包括驾驶员预估到达时间、驾驶员实际到达时间、驾驶员路线熟悉程度等。能够通过多种特征对模型进行灵活训练，进而保证对用户的满意度进行准确地预估。

优选地，用户满意度预测模型包括以下任一项：xgboost模型、决策树模型、梯度提升树决策模型、线性回归模型、或神经网络模型。用户满意度预测模型可以是extremegradientboosting(xgboost)模型，决策树模型，gbdt(梯度提升树决策)模型、线性回归模型、神经网络模型等。其中xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用cpu(处理器)的多线程进行并行。利用xgboost模型进行训练的目的为得到提升树(boostingtree)结构，利用提升树结构得到预测函数，从而预测用户满意概率。提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和lossfunction确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。

本公开实施例第二方面的实施例，提出一种预测用户满意度的系统，图5示出了本公开实施例的一个实施例的预测用户满意度的系统500的示意框图。其中，该系统500包括：

获取单元502，用于获取当前订单信息，并提取当前订单信息中的订单特征；预测单元504，用于将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度。

本公开实施例提供的预测用户满意度的系统500，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度。

图6示出了本公开实施例的另一个实施例的预测用户满意度的系统600的示意框图。其中，该系统600包括：

获取单元602，用于获取当前订单信息，并提取当前订单信息中的订单特征；

预测单元604，用于将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度；

判断单元606，用于判断当前订单信息的用户满意度是否小于第一预设阈值；

提示单元608，用于当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该实施例中，在用户下单使用过程中，获取用户的当前订单信息，从当前订单信息中提取出订单特征，根据订单特征通过用户满意度预测模型预测用户对当前订单的满意度，实现在当前订单完成之前就准确地预测出用户的满意度，进一步地根据预测的用户满意度，采取相应的措施。例如，当用户满意度预测模型预测用户满意度小于第一预设阈值，在用户结束订单行程之前，就可以提示驾驶员该订单对应的用户可能会差评或者投诉以及差评和投诉的原因，驾驶员可以采取措施预防用户不满意的现象。或者是向用户发送消息解释原因，这样可以减少用户的投诉和差评。

图7示出了本公开实施例的再一个实施例的预测用户满意度的系统700的示意框图。其中，该系统700包括：

获取单元702，用于获取多个历史订单信息；

训练单元704，用于训练多个历史订单信息，得到用户满意度预测模型；具体包括：标注单元742，用于在每个历史订单信息中分别提取订单特征，并根据订单特征对每个历史订单信息的用户满意情况进行标注；分类单元744，用于将多个历史订单信息分为训练订单信息和测试订单信息；训练单元704，具体用于训练训练订单信息，得到用户满意度预测模型；测试单元746，用于利用测试订单信息对用户满意度预测模型进行测试，得到测试准确率；训练单元704，还用于当测试准确率大于第二预设阈值时，停止对训练订单信息的训练；

获取单元702，还用于获取当前订单信息，并提取当前订单信息中的订单特征；

预测单元706，用于将订单特征输入至用户满意度预测模型，预测当前订单信息的用户满意度；

判断单元708，用于判断当前订单信息的用户满意度是否小于第一预设阈值；

提示单元710，用于当当前订单信息的用户满意度小于第一预设阈值时，发出提示信息。

在该实施例中，在历史订单信息中提取多个订单特征，也可以将历史订单信息放至具有自动挑选有用特征的模型中挑选出有用特征。再根据提取的订单特征对历史订单信息进行标注。例如差评、app投诉、电话投诉的历史订单标记为0，表示用户不满意；主动5星好评的历史订单标记为1，表示用户满意。进一步地，将历史订单信息分为训练订单信息和测试订单信息，利用训练订单信息对用户满意度预测模型进行训练，再利用测试订单信息对模型进行准确率的测试，在模型的准确率达到第二预设阈值时结束训练，得到最终的用户满意度预测模型，实现通过大量订单信息训练及校验出精准的预测模型。

优选地，订单特征包括以下一种或其组合：订单基础特征、订单实时特征、用户特征、驾驶员特征。订单基础特征包括订单起点、订单终点、订单起始时间(或者所属时间段，例如，高峰期、非高峰期)、预估价格、预估距离、小费、订单行驶时间、订单行驶距离、或订单价格等；订单实时特征包括天气、订单所属时间段、周围订单数量、或周围驾驶员数量等；用户特征包括年龄、性别、职业、用户历史订单投诉量、用户历史订单差评量、用户历史投诉率、用户历史差评率等；驾驶员特征包括驾驶员预估到达时间、驾驶员实际到达时间、驾驶员路线熟悉程度等。能够通过多种特征对模型进行灵活训练，进而保证对用户的满意度进行准确地预估。

优选地，用户满意度预测模型包括以下任一项：xgboost模型、决策树模型、梯度提升树决策模型、线性回归模型、或神经网络模型。用户满意度预测模型可以是extremegradientboosting(xgboost)模型，决策树模型，gbdt(梯度提升树决策)模型、线性回归模型、神经网络模型等。其中xgboost模型是一种集成学习模型，该学习模型精度高，能够处理稀疏特征，并且可以自动利用cpu(处理器)的多线程进行并行。利用xgboost模型进行训练的目的为得到提升树(boostingtree)结构，利用提升树结构得到预测函数，从而预测用户满意概率。提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个训练样本特征。得到提升树结构的过程，可以根据训练样本特征和lossfunction确定分裂节点，然后将训练样本特征分配到分裂节点对应的叶子上，多次迭代后，可以得到提升树结构。

本公开实施例第三方面的实施例，提出了一种计算机设备，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项的预测用户满意度的方法的步骤。

本公开实施例提供的计算机设备，处理器执行计算机程序时实现如上述任一技术方案所述的预测用户满意度的方法的步骤，因此该计算机设备包括上述任一技术方案所述的预测用户满意度的方法的全部有益效果。

本公开实施例第四方面的实施例，提出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项的预测用户满意度的方法的步骤。

本公开实施例提供的计算机可读存储介质，计算机程序被处理器执行时实现如上述任一技术方案所述的预测用户满意度的方法的步骤，因此该计算机设备包括上述任一技术方案所述的预测用户满意度的方法的全部有益效果。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本公开实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开实施例的优选实施例而已，并不用于限制本公开实施例，对于本领域的技术人员来说，本公开实施例可以有各种更改和变化。凡在本公开实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开实施例的保护范围之内。