本发明涉及计算机技术领域，尤其涉及一种服务质量缺陷诊断方法和装置。
背景技术：
随着电子商务竞争的加剧，服务质量是影响消费者决策的关键因素。以o2o(onlinetooffline(在线离线/线上到线下))门店为例，拥有优质线上服务质量的门店更容易受到消费者的青睐，产生更多的线上至线下转化。对于广告平台而言，帮助广告商户诊断出其门店线上服务缺陷，以提升门店的线上至线下转化率，可以提升广告平台的商户(如cpc(costperclick，每次点击付费广告)商户)的留存率。
目前主要通过点击通过率(ctr)、订单转化率(cvr)、ctr与cvr二者融合的模型或统计方案衡量门店线上服务质量，并使用统计方法诊断门店线上服务质量的缺陷。
现有方案中，ctr模型使用的特征主要包括个人用户特征，涉及门店相关的特征较少；cvr模型交易不闭环，即存在大量实际的转化是平台无法收集到的，在此基础上构建的模型可信度大大降低；ctr与cvr二者融合的模型仍存在交易不闭环的问题，且门店线上服务质量评估不准确，无法针对单一门店给出缺陷诊断；统计方法规则条件众多，复杂无法穷举，导致方法本身笨重且覆盖率不足，且无法对当前门店亟待解决的问题排序，另外，很难预估出商户优化缺陷后的收益，使得面对复杂的经营环境时，无法保证维度的覆盖率和真实度。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有方案模型使用的特征难以满足实际需求，无法对单一评估对象的服务质量进行缺陷诊断，很难预估优化缺陷后的收益，无法对亟需解决的缺陷排序，可信度和准确性低，方法笨重从而可扩展性差，且复杂业务场景下没有很好地考虑缺陷优化的可执行性。
技术实现要素：
有鉴于此，本发明实施例提供一种服务质量缺陷诊断方法和装置，模型使用的特征维度多样，能更好地满足实际需求，能针对单一对象的服务质量进行缺陷诊断，预估出优化缺陷后的收益，并得出特征重要度序列以对缺陷排序，可科学衡量缺陷诊断结果的准确性，诊断准确性和可信度高，业务可扩展性和操作标的性强，并在诊断的准确性和缺陷优化的可执行性之间达到平衡。
为实现上述目的，根据本发明实施例的一个方面，提供了一种服务质量缺陷诊断方法。
一种服务质量缺陷诊断方法，包括：利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估，所述多维特征包括多个可优化特征；根据所述预估结果确定每个所述可优化特征对应的提升收益；根据各可优化特征对应的提升收益，生成所述对象的特征重要度序列，所述特征重要度序列用于诊断所述对象的服务质量缺陷。
可选地，利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估的步骤，包括：利用所述对象的多维特征的第一特征值集合，通过所述质量预估模型对所述对象的服务质量进行预估，得到第一预估值；利用对象的多维特征的多个第二特征值集合，通过所述质量预估模型对所述对象的服务质量进行预估，得到多个第二预估值，每一第二预估值与一个可优化特征相对应，每个第二特征值集合是通过对所述第一特征值集合中的一个可优化特征进行数值提升而得到。
可选地，每个可优化特征对应一竞对均值和竞对最大值，按照如下方式对所述第一特征值集合中的一个可优化特征进行数值提升：当一可优化特征为连续数值特征时：如果可优化特征值小于对应的竞对均值的预设百分比，则将该可优化特征值提升到对应的竞对均值；如果可优化特征值大于对应的竞对均值且小于对应的竞对最大值的预设百分比，则将该可优化特征值提升到对应的竞对最大值；如果可优化特征值大于或等于对应的竞对最大值，则该可优化特征值的提升量为零；当一可优化特征为非连续数值特征时：将该可优化特征值提升至预设值。
可选地，根据所述预估结果确定每个所述可优化特征对应的提升收益的步骤，包括：分别根据每个可优化特征对应的第二预估值与所述第一预估值的差值，确定所述每个可优化特征对应的提升收益。
可选地，所述第一预估值和所述第二预估值为所述对象页面的访问转化率，或者，为所述访问转化率与订单转化率和/或点击通过率的加权和。
可选地，根据各可优化特征对应的提升收益，生成所述对象的特征重要度序列的步骤，包括：按照各可优化特征对应的提升收益从大到小的顺序，对各可优化特征排序，以生成所述对象的特征重要度序列。
可选地，根据各可优化特征对应的提升收益，生成所述对象的特征重要度序列的步骤，包括：按照所述各可优化特征对应的成本系数，对各可优化特征对应的提升收益进行加权；按照各可优化特征对应的加权后的提升收益，对各可优化特征排序，以生成所述对象的特征重要度序列。
根据本发明实施例的另一方面，提供了一种服务质量缺陷诊断装置。
一种服务质量缺陷诊断装置，包括：服务质量预估模块，用于利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估，所述多维特征包括多个可优化特征；提升收益确定模块，用于根据所述预估结果确定每个所述可优化特征对应的提升收益；缺陷诊断模块，用于根据各可优化特征对应的提升收益，生成所述对象的特征重要度序列，所述特征重要度序列用于诊断所述对象的服务质量缺陷。
可选地，所述服务质量预估模块还用于：利用所述对象的多维特征的第一特征值集合，通过所述质量预估模型对所述对象的服务质量进行预估，得到第一预估值；利用对象的多维特征的多个第二特征值集合，通过所述质量预估模型对所述对象的服务质量进行预估，得到多个第二预估值，每一第二预估值与一个可优化特征相对应，每个第二特征值集合是通过对所述第一特征值集合中的一个可优化特征进行数值提升而得到。
可选地，每个可优化特征对应一竞对均值和竞对最大值，所述服务质量预估模块包括数值提升子模块，用于：当一可优化特征为连续数值特征时：如果可优化特征值小于对应的竞对均值的预设百分比，则将该可优化特征值提升到对应的竞对均值；如果可优化特征值大于对应的竞对均值且小于对应的竞对最大值的预设百分比，则将该可优化特征值提升到对应的竞对最大值；如果可优化特征值大于或等于对应的竞对最大值，则该可优化特征值的提升量为零；当一可优化特征为非连续数值特征时：将该可优化特征值提升至预设值。
可选地，所述提升收益确定模块还用于：分别根据每个可优化特征对应的第二预估值与所述第一预估值的差值，确定所述每个可优化特征对应的提升收益。
可选地，所述第一预估值和所述第二预估值为所述对象页面的访问转化率，或者，为所述访问转化率与订单转化率和/或点击通过率的加权和。
可选地，所述缺陷诊断模块包括第一序列生成子模块，用于：按照各可优化特征对应的提升收益从大到小的顺序，对各可优化特征排序，以生成所述对象的特征重要度序列。
可选地，所述缺陷诊断模块包括第二序列生成子模块，用于：按照所述各可优化特征对应的成本系数，对各可优化特征对应的提升收益进行加权；按照各可优化特征对应的加权后的提升收益，对各可优化特征排序，以生成所述对象的特征重要度序列。
根据本发明实施例的又一方面，提供了一种电子设备。
一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明提供的服务质量缺陷诊断方法。
根据本发明实施例的又一方面，提供了一种计算机可读介质。
一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的服务质量缺陷诊断方法。
上述发明中的一个实施例具有如下优点或有益效果：利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估；根据预估结果确定每个可优化特征对应的提升收益；根据各可优化特征对应的提升收益，生成对象的特征重要度序列，以根据特征重要度序列诊断对象的服务质量缺陷。本发明质量预估模型使用的特征维度多样，能更好地满足实际需求，能针对单一对象的服务质量进行缺陷诊断，预估出优化缺陷后的收益，并得出特征重要度序列以对缺陷排序，可科学衡量缺陷诊断结果的准确性，诊断准确性和可信度高，业务可扩展性和操作标的性强，并在诊断的准确性和缺陷优化的可执行性之间达到平衡。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的服务质量缺陷诊断方法的主要步骤示意图；
图2是根据本发明实施例的o2o门店的线上服务质量缺陷诊断一个示例性流程示意图；
图3是根据本发明实施例的服务质量缺陷诊断装置的主要模块示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的服务质量缺陷诊断方法的主要步骤示意图。
如图1所示，本发明实施例的服务质量缺陷诊断方法主要包括如下的步骤s101至步骤s103。
步骤s101：利用对象的多维特征，通过质量预估模型对该对象的服务质量进行预估。
其中，对象的多维特征可以包括多个维度的特征，例如对象的可优化特征和不可优化特征、竞对特征(即与该对象存在竞争关系的其他对象的特征)、对象所属商圈的特征、对象的用户特征等。其中可优化特征为通常为多个。对象的竞对，即与对象存在竞争关系的其他对象，具体可以定义为该对象所属商圈内与该对象二级品类相同的其他对象。
质量预估模型为机器学习模型，具体可以为梯度提升回归树(gradientboostingregressiontree，gbrt)模型，gbrt又称为梯度树提升数，是一种组合算法，它的基分类器是决策树，既可以用来回归，也可以用作分类，本发明实施例使用的是回归树。
质量预估模型还可以是线性回归模型、xgboost(一种boosting(提升)算法)模型、神经网络模型等机器学习模型。
上述质量预估模型均需要训练后再用于预估对象的服务质量。质量预估模型的训练将在下文举例介绍。
步骤s101具体可以包括：
利用对象的多维特征的第一特征值集合，通过质量预估模型对对象的服务质量进行预估，得到第一预估值；
利用对象的多维特征的多个第二特征值集合，通过质量预估模型对对象的服务质量进行预估，得到多个第二预估值，每一第二预估值与一个可优化特征相对应；
其中，每个第二特征值集合是通过对第一特征值集合中的一个可优化特征进行数值提升而得到。
第一特征值集合为采集的对象的多维特征对应的特征值集合，将其中的可优化特征记作：{f1,f2,...fn}，这些可优化特征值(即可优化特征的特征值)为：{f1,f2,...fn}，每次将第一特征值集合中的一个可优化特征值进行提升，得到一个第二特征值集合，例如将第一特征值集合中f1的特征值f1提升为f1'，得到的一个第二特征值集合；将第一特征值集合中f2的特征值f2提升为f2'，得到另一个第二特征值集合，以此类推，得到多个第二特征值集合。
每个可优化特征对应一竞对均值和竞对最大值，竞对均值和竞对最大值属于上述的竞对特征。例如，对象的某一可优化特征为营业时间，则该可优化特征对应的竞对均值为：与该对象存在竞争关系的其他对象的营业时间均值；该可优化特征对应的竞对最大值为：与该对象存在竞争关系的其他对象的营业时间最大值。
可以按照如下方式对第一特征值集合中的一个可优化特征进行数值提升：
当某一可优化特征为连续数值特征时：
如果可优化特征值小于对应的竞对均值的预设百分比，则将该可优化特征值提升到对应的竞对均值；
如果可优化特征值大于对应的竞对均值且小于对应的竞对最大值的预设百分比，则将该可优化特征值提升到对应的竞对最大值；
如果可优化特征值大于或等于对应的竞对最大值，则该可优化特征值的提升量为零；
其中连续数值特征指特征值为连续数值的特征。
当某一可优化特征为非连续数值特征时：
将该可优化特征值提升至某一预设值。
其中，非连续数值特征指特征值为非连续数值的特征，具体地，即该特征值为0或上述的预设值，该预设值例如设为1。当可优化特征值为0或1时，可将该可优化特征值提升至1。
第一预估值和第二预估值可以为对象页面的访问转化率，或者，为访问转化率与订单转化率和/或点击通过率的加权和。
质量预估模型的输出可以访问转化率，或者，访问转化率与订单转化率二者的加权和，或者，访问转化率与点击通过率二者的加权和，或者，访问转化率、订单转化率和点击通过率三者的加权和。
步骤s102：根据预估结果确定每个可优化特征对应的提升收益。
具体地，可以分别根据每个可优化特征对应的第二预估值与第一预估值的差值，确定每个可优化特征对应的提升收益。
步骤s103：根据各可优化特征对应的提升收益，生成该对象的特征重要度序列，以根据特征重要度序列诊断该对象的服务质量缺陷。
在实施方式一中，可以按照各可优化特征对应的提升收益从大到小的顺序，对各可优化特征排序，以生成对象的特征重要度序列。
在实施方式二中，可以按照各可优化特征对应的成本系数，对各可优化特征对应的提升收益进行加权，其中，某一可优化特征对应的成本系数体现对该可优化特征进行优化的操作成本的大小；
按照各可优化特征对应的加权后的提升收益，对各可优化特征排序，以生成对象的特征重要度序列。具体地，可以按照各可优化特征对应的加权后的提升收益从大到小的顺序，对各可优化特征排序。
特征重要度序列反映了该对象的各可优化特征的缺陷的重要程度，该缺陷的重要程度越大，表示越需要改善。例如，按照各可优化特征对应的提升收益从大到小的顺序生成的特征重要度序列中，位于靠前位置的可优化特征的缺陷，相对于位于靠后位置的可优化特征的缺陷而言，是更需要改善的。从而，根据特征重要度序列可以诊断出该对象的服务质量中最需要改善缺陷的可优化特征，即诊断出造成该对象的服务质量缺陷的特征，并且用户可以按照特征重要度序列，根据需要来决定改善其中的一个或多个可优化特征。
本领域技术人员可以理解的是，如果按照各可优化特征对应的提升收益从小到大的顺序，或是按照各可优化特征对应的加权后的提升收益从小到大的顺序，来生成特征重要度序列，则该特征重要度序列中，可优化特征的位置越靠后表明其缺陷的重要程度越大，越需要改善。
下面以对单一o2o门店的线上服务质量进行缺陷诊断为例，介绍本发明实施例的服务质量缺陷诊断方法。
图2是根据本发明实施例的o2o门店的线上服务质量缺陷诊断一个示例性流程示意图。
如图2所示，本发明实施例的o2o门店的线上服务质量缺陷诊断流程可以包括如下的步骤s201至步骤s208。o2o门店可简称门店。
步骤s201：通过机器学习建模，以得到质量预估模型，并利用特征训练该质量预估模型。
使用门店维度的访问转化率作为线上服务质量的落地指标(即质量预估模型的输出)。
访问转化率viewconversion的公式为：
其中，viewuv表示访问商户详情页的用户数量；intentuv表示在门店的商户详情页内对特定模块有点击行为的用户数量，其中特定模块包括但不限于查看评论、收藏、查看地址等页面模块。
在实际建模时，可以选取门店一段时间内的平均访问转化率做为最终的label(标签)，模型输出即各门店对应的label。
本发明实施例使用访问转化率衡量o2o门店线上服务质量，相对于现有技术采用ctr(点击通过率)而言，访问转化率涉及了更多的门店特征，甚至可以说ctr相关的特征是访问转化率相关特征的子集，解决了访问转化率的问题，也就解决了ctr相关特征的问题。另外，现有技术采用cvr(订单转化率)，因为o2o门店有大量的交易是非闭环的，导致无法根据cvr进行精准的建模，且cvr是访问转化率的下层漏斗，即，在网站转化率的漏斗分析模型中，cvr关注的orderuv(下单用户数量)是访问转化率关注的intentuv(在门店的商户详情页内对特定模块有点击行为的用户数量)的下游，换言之，orderuv的值永远小于等于intentuv的值，因此，访问转化率的问题不解决，cvr提升也很难提升，从而现有技术采用cvr无法得到可靠的服务质量预估结果，更无法针对单一门店给出缺陷诊断，而本发明实施例采用访问转化率衡量o2o门店线上服务质量可以克服现有技术的上述缺陷。
门店的多维特征可以包括门店特征、竞对特征、商圈特征、用户特征，门店的多维特征可以组合为向量的形式。其中，门店特征可以分为门店可优化特征(简称可优化特征)和门店不可优化特征(简称不可优化特征)。上述特征的选取周期与标签相同，也是选取门店同一段周期内的特征均值。
门店不可优化特征，是不可以优化的门店特征，即特征值不可提升的门店特征。具体可以包括：城市级别、二级品类、门店是否位于地标附近、门店是否位于地铁附近等；
门店可优化特征，是可以优化的门店特征，即特征值可以提升的门店特征。具体可以包括：星级、口味分、环境分、服务分、评论总数、好评数、优质点评数、差评数、差评率、差评回复率、推荐菜数量、推荐菜图片数量、推荐菜推荐最大数量、推荐菜推荐总数量、价格、商户信息完整度、是否有停车位、是否有wifi、是否开通商户通、是否开通团购、营业时间等；
竞对特征，可以根据门店的可优化特征，对其各竞对门店的相同可优化特征进行统计而得到。竞对可以定义为门店所属商圈内与该门店二级品类相同的其他门店，对应每个门店可优化特征，都会有两个竞对特征，即：对应的均值和对应的最大值。竞对特征包括：竞对星级均值、竞对星级最大值，……，竞对营业时间均值、竞对营业时间最大值，其中，竞对星级均值和竞对星级最大值是与上述门店可优化特征中“星级”对应的两个竞对特征，其他门店可优化特征对应的竞对特征此处不一一列举。
商圈特征，具体可以包括：门店所在商圈一级品类门店数量、门店所在商圈二级品类门店数量、门店所在商圈商业化程度、门店所在商圈流量饱和度、门店所在商圈门店数量等。
用户特征，具体可以包括：门店访问用户的本地化率、门店访问用户的男女比例等。
本例的质量预估模型以gbrt模型为例。gbrt模型结合boosting(提升)的思想，多轮迭代得到最终结果，具体过程如下：
假设前一轮迭代得到的强学习器是ft-1(x)，损失函数为l(y,ft(x))，本轮迭代的目标是找到一个cart回归树(即分类回归树)模型的弱学习器ht(x)，让本轮的损失函数：l(y,ft(x))＝l(y,ft-1(x)+ht(x))最小。
对于训练集t＝{(x1,y1),(x2,y2),...,(xm,ym)}，其中，x1,x2,...,xm分别表示m个训练样本的特征向量(例如m个门店的多维特征构成的向量)，y1,y2,...,ym分别表示该m个训练样本的标签(例如各门店对应的label，label例如是访问转化率)，初始化弱分类器：
对于每一轮迭代，计算残差的负梯度：
利用(xi,rti)(i＝1,2,...,m)，拟合一棵cart回归树，得到第t棵回归树，其对应的叶子节点区域为rtj,j＝1,2,...,j。其中，j为回归树t的叶子节点的个数。对叶子区域j＝1,2,..j，计算最佳拟合值：
γjm＝argmin∑l(yi,fm-1f(xi)+γ)
更新
由于自身算法上的特性，gbrt模型具有以下优点：1、自然而然地处理混合类型的数据；2、预测能力强；3、在输出空间对于异常值的鲁棒性强(通过强大的损失函数)。
上述以gbrt模型为例介绍了本发明实施例的质量预估模型的迭代过程，质量预估模型还可以采用线性回归模型、xgboost(一种boosting(提升)算法)模型、神经网络模型等机器学习模型，上述各机器学习模型都是机器学习领域的经典模型，模型的算法原理不一一赘述。
本发明实施例在选择训练样本时，为避免一些不活跃门店会干扰统计结果，使用了门店周uv>35这一过滤条件来过滤样本。uv即viewuv，表示访问门店的商户详情页的用户数量，该用户数量大于35的门店作为训练样本。
为描述预测值与真实值的偏离程度，质量预估模型的评价指标采用mae这一模型评价指标。mae即meanabsoluteerror，平均绝对误差，其为绝对误差的平均值，平均绝对误差能更好地反映预测值误差的实际情况。具体计算公式如下：
其中，observedt表示训练样本对应的标签(label)的实际值，predictedt表示训练样本对应的标签(label)的预测值。
本发明实施例使用机器学习模型方案诊断服务质量，而不同于现有技术的统计方案。机器学习模型具有可评估、易进化、更加贴近真实世界中的规律等优点。
步骤s202：利用门店的多维特征的第一特征值集合，通过质量预估模型对该门店的服务质量进行预估，得到第一预估值。
质量预估模型训练好之后，可以将被诊断服务质量的门店的多维特征，即上述的门店特征、竞对特征、商圈特征、用户特征作为预测样本输入质量预估模型进行预估，得到第一预估值，记作p。
门店的多维特征的第一特征值集合，是指采集到的门店某个时间段(例如昨日)的多维特征的特征值集合。
其中，由于竞对特征是根据门店的可优化特征，对其各竞对门店的相同可优化特征进行统计而得到的，具体是统计竞对均值和竞对最大值，因此，门店的每个可优化特征均对应一个竞对均值和竞对最大值。
考虑到一些不活跃门店会干扰统计结果，与上文所述一致，使用了门店日uv>35这一过滤条件，来统计竞对均值和竞对最大值，这样可以保证统计数据的可信度。
由于引入多维因素，使得质量预估模型中使用的特征是多维度的，既有门店自身的可优化特征，也有不可优化特征、竞对特征、商圈特征甚至用户特征，对于衡量门店线上服务质量来说，可优化特征固然是重要的影响因子，而就实际业务场景而言，门店服务质量的优劣其实是相对的，不同城市，不同商圈，不同品类之间不能使用唯一的衡量标准，因此，门店的不可优化特征、竞对特征、商圈特征、用户特征也存在相当的影响力，在现有技术的规则模型中，后面这四类特征是很难作为规则的一部分参与规则构建的，而本发明使用机器学习模型则可以把上述各个维度的特征全部考虑进去，更加贴近真实世界中的规律。
此外，本发明实施例的模型可评估，模型的训练数据都是基于历史的真实数据生产的，其准确性是科学可衡量的，特征、参数、模型算法等任一维度的调整都可以直接看到效果，为后面的进化打下很好的基础。
再者，本发明实施例的模型易进化，随着门店详情页特征的变化，本发明的质量预估模型只需要增加或者减少相关的特征，即可应对变化，而且随着对业务的进化也可以挖掘出更多的特征来达到更好的效果，可扩展性强。
步骤s203：分别对第一特征值集合中的每个可优化特征进行数值提升，得到门店的多维特征的多个第二特征值集合。
具体地，对于第一特征值集合中的每个可优化特征，按照如下方式进行数值提升：
当门店的某一可优化特征为连续数值特征时：
如果可优化特征值小于对应的竞对均值的预设百分比，则将该可优化特征值提升到对应的竞对均值；
如果可优化特征值大于对应的竞对均值且小于对应的竞对最大值的预设百分比，则将该可优化特征值提升到对应的竞对最大值；
如果可优化特征值大于或等于对应的竞对最大值，则该可优化特征值的提升量为零，即不做数值提升操作。
本例中预设百分比取90％，也可以根据需求设置其他数值
当门店的某一可优化特征为非连续数值特征时：
将该可优化特征值提升至某一预设值。
非连续数值特征即该可优化特征值为0或上述的预设值，预设值可以设为1，例如对于是否开通商户通这一特征，开通则特征值为1，未开通则特征值为0。当预设值设为1时，即可将该可优化特征值提升至1。
将第一特征值集合中可优化特征f1的特征值f1提升为f1'，得到一个第二特征值集合，将第一特征值集合中f2的特征值f2提升为f2'，得到另一个第二特征值集合，以此类推，得到多个第二特征值集合。
本发明实施例使用对可优化特征进行数值提升的方法来评估特征优化对门店线上质量提升的影响程度。由于提升的方向是商圈均值(即各竞对均值)和商圈最大值(即各竞对最大值)，使得商户后续的优化操作更有标的，结论更加让人信服且目标可见可达。
步骤s204：利用门店的多维特征的多个第二特征值集合，通过质量预估模型对门店的服务质量进行预估，得到多个第二预估值。
每将一个第二特征值集合输入质量预估模型，均可得到一个第二预估值，由于每个第二特征值集合是通过对第一特征值集合中的一个可优化特征值进行数值提升而得到的，因此每一第二预估值与一个可优化特征相对应。将特征f1对应的第二预估值记作p1′，特征f2对应的第二预估值记作p2′，……，以此类推，特征fn对应的第二预估值记作pn′。
步骤s205：分别根据每个可优化特征对应的第二预估值与第一预估值的差值，确定每个可优化特征对应的提升收益。
将各可优化特征f1,f2,...fn对应的提升收益分别记作：i1,i2,...in。则，i1＝p1′-p；i2＝p2′-p；……；in＝pn′-p。其中，p为第一预估值。
ii(i＝1,2,...n)越大说明该可优化特征fi(i＝1,2,...n)的待优化重要程度越高。
步骤s206：按照各可优化特征对应的成本系数，对各可优化特征对应的提升收益进行加权。
在实际操作中，不同的特征缺陷优化起来是有不同的成本的，比如头图(即门店列表中展示的图片)优化的时间成本就比差评率要低，优化推荐菜欠缺的时间成本比口味分要低等等，引入可优化特征对应的成本系数可以体现对该可优化特征进行优化的操作成本的大小。各可优化特征对应的成本系数可以通过统计分析历史操作成本数据，并根据业务情况设置经验值而得到。
可优化特征f1,f2...fn对应的成本系数(costcoefficient)记作c1,c2,...cn，则加权后的提升收益分别为：i1*c1,i2*c2,...in*cn。
使用在计算中加入成本系数的方式来为最终的诊断结论排序，可以在诊断的准确性和建议的可执行性之间达到一个平衡，从而让商户的优化操作能够在一定周期内收到最优的效果。
步骤s207：按照各可优化特征对应的加权后的提升收益从大到小的顺序，对各可优化特征排序，以生成门店的特征重要度序列。
通过引入成本系数对提升收益进行调整，得到门店的特征重要度排序分rankscore：
rankscore＝i*costcoefficient
这里的rankscore将作为展示给用户时使用的排序字段，按照从大到小倒序排列，即得到门店的特征重要度序列(即对i1*c1,i2*c2,...in*cn排序得到的序列)。
步骤s208：根据特征重要度序列诊断门店的服务质量缺陷。
对特征重要度排序后，用户便可以了解门店的主要问题(即服务质量缺陷)，从而有针对性地对可优化特征进行优化。
本发明实施例还可以在向用户提供诊断结果的同时，输出相应的优化建议信息，例如提供相应的优化操作的教程视频、提供教程网址等，从而使得诊断结果中还包括了解决方案。
图3是根据本发明实施例的服务质量缺陷诊断装置的主要模块示意图。
本发明实施例的服务质量缺陷诊断装置300主要包括：服务质量预估模块301、提升收益确定模块302、缺陷诊断模块303。
服务质量预估模块301用于利用对象的多维特征，通过质量预估模型对对象的服务质量进行预估。
其中，多维特征包括多个可优化特征。
质量预估模型为机器学习模型。机器学习模型可以采用梯度提升回归树(gradientboostingregressiontree，gbrt)模型、线性回归模型、xgboost模型、神经网络模型等。
服务质量预估模块301具体可以用于：
利用对象的多维特征的第一特征值集合，通过质量预估模型对对象的服务质量进行预估，得到第一预估值；
利用对象的多维特征的多个第二特征值集合，通过质量预估模型对对象的服务质量进行预估，得到多个第二预估值，每一第二预估值与一个可优化特征相对应；
其中，每个第二特征值集合是通过对第一特征值集合中的一个可优化特征进行数值提升而得到。
第一预估值和第二预估值可以为对象页面的访问转化率，或者，为访问转化率与订单转化率和/或点击通过率的加权和。
每个可优化特征对应一竞对均值和竞对最大值。
服务质量预估模块301可以包括数值提升子模块，用于：
当一可优化特征为连续数值特征时：
如果可优化特征值小于对应的竞对均值的预设百分比，则将该可优化特征值提升到对应的竞对均值；
如果可优化特征值大于对应的竞对均值且小于对应的竞对最大值的预设百分比，则将该可优化特征值提升到对应的竞对最大值；
如果可优化特征值大于或等于对应的竞对最大值，则该可优化特征值的提升量为零；
当一可优化特征为非连续数值特征时：
将该可优化特征值提升至预设值。当非连续数值特征为0或1时，即将该可优化特征值提升至1。
提升收益确定模块302用于根据预估结果确定每个可优化特征对应的提升收益。
提升收益确定模块302具体可以用于：分别根据每个可优化特征对应的第二预估值与第一预估值的差值，确定每个可优化特征对应的提升收益。
缺陷诊断模块303用于根据各可优化特征对应的提升收益，生成对象的特征重要度序列，以根据特征重要度序列诊断对象的服务质量缺陷。
在一个实施方式中，缺陷诊断模块303可以包括第一序列生成子模块，用于：按照各可优化特征对应的提升收益从大到小的顺序，对各可优化特征排序，以生成对象的特征重要度序列。
在另一个实施方式中，缺陷诊断模块303可以包括第二序列生成子模块，用于：按照各可优化特征对应的成本系数，对各可优化特征对应的提升收益进行加权，其中，一可优化特征对应的成本系数体现对该可优化特征进行优化的操作成本的大小；按照各可优化特征对应的加权后的提升收益，对各可优化特征排序，以生成对象的特征重要度序列。具体地，可以按照各可优化特征对应的加权后的提升收益从大到小的顺序对各可优化特征排序。
对于一个cpc(costperclick，每次点击付费广告)广告商户(例如各o2o门店)而言，用户在点击进入门店详情页时就已经向广告平台付费，那么自然广告商户最关心的就是付费之后用户是否能够从线上访问转化至线下到店，如果这个转化效率低下达不到商户的预期效果，商户就会从广告平台流失。使用本发明实施例对广告商户的线上服务质量缺陷进行诊断，可以帮助广告商户诊断出其门店线上服务缺陷、提升其门店的线上服务质量，提升门店的线上至线下转化率，达到让商户感受到广告带来的正向效果的目的，进而提升广告平台的商户留存率。
另外，在本发明实施例中所述服务质量缺陷诊断装置的具体实施内容，在上面所述服务质量缺陷诊断方法中已经详细说明了，故在此重复内容不再说明。
图4示出了可以应用本发明实施例的服务质量缺陷诊断方法或服务质量缺陷诊断装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的网站提供支持的后台管理服务器。后台管理服务器可以对接收到的信息查询请求等数据进行分析等处理，并将处理结果(例如详情页信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的服务质量缺陷诊断方法可以由服务器405或终端设备401、402、403执行，相应地，服务质量缺陷诊断装置可以设置于服务器405或终端设备401、402、403中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备或服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括服务质量预估模块301、提升收益确定模块302、缺陷诊断模块303。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，服务质量预估模块301还可以被描述为“用于利用对象的多维特征，通过质量预估模型对对象的服务质量进行预估的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估，所述多维特征包括多个可优化特征；根据所述预估结果确定每个所述可优化特征对应的提升收益；根据各可优化特征对应的提升收益，生成所述对象的特征重要度序列，所述特征重要度序列用于诊断所述对象的服务质量缺陷。
根据本发明实施例的技术方案，利用对象的多维特征，通过质量预估模型对所述对象的服务质量进行预估；根据预估结果确定每个所述可优化特征对应的提升收益；根据各可优化特征对应的提升收益，生成对象的特征重要度序列，以根据特征重要度序列诊断对象的服务质量缺陷。本发明质量预估模型使用的特征维度多样，能更好地满足实际需求，能针对单一对象的服务质量进行缺陷诊断，预估出优化缺陷后的收益，并得出特征重要度序列以对缺陷排序，可科学衡量缺陷诊断结果的准确性，诊断准确性和可信度高，业务可扩展性和操作标的性强，并在诊断的准确性和缺陷优化的可执行性之间达到平衡。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。