基于机器学习算法的外卖运营方案生成方法与流程

1.本技术涉及外卖运营方案生成方法的领域，具体而言，涉及基于机器学习算法的外卖运营方案生成方法。


背景技术：

2.随着互联网的飞速发展，也带动着人们的生活节奏加快，电子商务迅猛发展，外卖也已经成为人们生活中的必需品，方便了上班族，学生族等的生活；随着外卖行业的不断扩大，外卖也带给了我们更好的体验和服务。
3.外卖平台的运营显得尤为重要。良好的外卖运营可以通过商户品类细分、用户分层、菜品价格修改，增强成单转化率；通过商户的单量、收入数据，对商户的生命周期进行系统管理；以及，以商户的品类、商圈等基础数据划分，分时段、分区域运营为切口，为商家赋能。
4.然而，以上的外卖运营服务基本是靠人力来做，由运营专家根据经验来提供运营方案，通过外卖平台或接口进行操作。非常依赖人的能力水平，不同人的能力会造成不同的服务效果，同时操作的人需要经常参考不同的数据和门店，效率低下。


技术实现要素：

5.本技术要解决的技术问题是如何不依靠人工来生成外卖运营方案。
6.为解决上述技术问题，根据本技术提供一种基于机器学习算法的外卖运营方案生成方法，方法包括如下步骤：输入数据，输入历史外卖运营数据；数据清洗，将历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注，通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合，将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并；模型训练，基于机器学习算法，针对外卖运营数据进行模型训练；输出方案，输出新生成的外卖运营方案。
7.根据本技术的实施例，输入的外卖运营数据可包括：单量，商户和用户分别对应的生成订单量；收入，包括商户收入和平台收入；商户品类，提供外卖实物的商户依据所提供的实物品类划分，对特定商户标注为某个品类；商户所属商圈，按照商户的地理位置，确定商户所属的商圈，以便用户及时定位，促进购买，其中，输入的外卖运营数据的形式为：api应用程序、截图、excel和表单。
8.根据本技术的实施例，数据清洗步骤还可包括：将外卖运营数据通过消息队列进行推送，推送至数据清洗流程，通过schema数据库映射，将外卖运营数据进行清洗规整，数据清洗后输出清洗后数据库db，其中，如果映射出错，将错误信息通过邮件报警；其中，消息队列为分布式消息发布平台pulsar。
9.根据本技术的实施例，数据标注步骤可集合自然语言处理nlp和自然语言理解nlu算法，对外卖运营数据进行处理。
10.根据本技术的实施例，数据标注步骤可对外卖运营数据按规则拆解，其中，规则包括：文本处理wordseg、word2vec，基于plsa模型的用户兴趣聚类算法topic plsa以及自定义元素。
11.根据本技术的实施例，规则可包括：按父子关系构建规则树，规则由表达式构成，其表达式为groovy语言。
12.根据本技术的实施例，数据标注步骤可按照标注规则输出外卖运营规则，外卖运营规则包括：正负反馈、菜品文本、团购元素，输出的外卖运营规则以模型为维度。
13.根据本技术的实施例，数据融合步骤可包括：增量获取外卖运营数据，使用的方法为从外卖运营数据的数据库中将外卖运营数据通过mongo-shake和canal增量获取；针对不同字段根据配置预处理，其中，配置预处理包括：格式处理、噪点消除、构件查询桶；以及对没有打成标签的数据进行解析及处理，生成原始样本。
14.根据本技术的实施例，模型训练步骤包括：基于模型的协同过滤算法，模型为随机森林的回归模型，回归模型使用scikit-learn中的randomforestregressor；通过生成的原始样本来进行训练，调整最大选择特征数max_features、树的最大深度max_depth、子树数量n_estimators、最大叶子节点数max_leaf_nodes，能达到oob_score最高，即袋外分oob来评估泛化能力；通过网格搜索来确定每一个参数的值；模型训练完成，即可通过外卖运营数据特征，进行运营动作推荐，生成外卖运营方案。
15.根据本技术的实施例，生成外卖运营方案可包括：推荐外卖品类、单量变化的运营动作。
16.因为依据本实施例的机器学习算法的外卖运营方案生成方法的步骤包括：输入数据，输入历史外卖运营数据；数据清洗，将历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注，通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合，将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并；输出方案，输出新生成的外卖运营方案，所以可实现如下有益效果：
17.指导运营人员在外卖平台上进行运营，特别是提供了运营建议和运营方案，运营人员按照系统提供的方案进行操作即可。
附图说明
18.为了更清楚地说明本技术实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本技术的一些实施例，而非对本技术的限制。
19.图1是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的流程图；
20.图2是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据清洗流程图；
21.图3是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据标注流程图；
22.图4是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据融合流程图；
23.图5是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的调参及训练流程图。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例的附图，对本技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于所描述的本技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本技术保护的范围。
25.除非另作定义，此处使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
26.图1是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的流程图。
27.如图1所示，基于机器学习算法的外卖运营方案生成方法的步骤包括：输入数据、数据清洗、数据标注、数据融合和输出方案。
28.输入数据为输入历史外卖运营数据。
29.数据清洗将历史外卖运营数据样本规整，剔除掉不相关的信息。
30.数据标注通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度。
31.数据融合将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并。
32.模型训练基于机器学习算法，针对外卖运营数据进行模型训练；
33.输出方案为输出新生成的外卖运营方案。
34.图2是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据清洗流程图。
35.如图2所示，输入的外卖运营数据可包括：单量，商户和用户分别对应的生成订单量；收入，包括商户收入和平台收入；商户品类，提供外卖实物的商户依据所提供的实物品类划分，对特定商户标注为某个品类；商户所属商圈，按照商户的地理位置，确定商户所属的商圈，以便用户及时定位，促进购买，其中，输入的外卖运营数据的形式为：api应用程序、截图、excel和表单。
36.根据本技术的实施例，数据清洗步骤还可包括：将外卖运营数据通过消息队列进行推送，推送至数据清洗流程，通过schema数据库映射，将外卖运营数据进行清洗规整，数据清洗后输出清洗后数据库db，其中，如果映射出错，将错误信息通过邮件报警；其中，消息队列为分布式消息发布平台pulsar。
37.图3是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据标注流程图。
38.如图3所示，数据标注步骤可集合自然语言处理nlp和自然语言理解nlu算法，对外卖运营数据进行处理。
39.根据本技术的实施例，数据标注步骤可对外卖运营数据按规则拆解，其中，规则包括：文本处理wordseg、word2vec，基于plsa模型的用户兴趣聚类算法topic plsa以及自定义元素。
40.根据本技术的实施例，规则可包括：按父子关系构建规则树，规则由表达式构成，其表达式为groovy语言。
41.根据本技术的实施例，数据标注步骤可按照标注规则输出外卖运营规则，外卖运营规则包括：正负反馈、菜品文本、团购元素，输出的外卖运营规则以模型为维度。
42.图4是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的数据融合流程图。
43.如图4所示，数据融合步骤可包括：增量获取外卖运营数据，使用的方法为从外卖运营数据的数据库中将外卖运营数据通过mongo-shake和canal增量获取；针对不同字段根据配置预处理，其中，配置预处理包括：格式处理、噪点消除、构件查询桶；以及对没有打成标签的数据进行解析及处理，生成原始样本。
44.图5是根据本技术实施例的基于机器学习算法的外卖运营方案生成方法的调参及训练流程图。
45.如图5所示，模型训练步骤包括：基于模型的协同过滤算法，模型为随机森林的回归模型，回归模型使用scikit-learn中的randomforestregressor；通过生成的原始样本来进行训练，调整最大选择特征数max_features、树的最大深度max_depth、子树数量n_estimators、最大叶子节点数max_leaf_nodes，能达到oob_score最高，即袋外分oob(out of bag estimation)来评估泛化能力；通过网格搜索来确定每一个参数的值；模型训练完成，即可通过外卖运营数据特征，进行运营动作推荐，生成外卖运营方案。
46.根据本技术的实施例，生成外卖运营方案可包括：推荐外卖品类、单量变化的运营动作。
47.根据本技术的实施例，另一方面，提供一种基于机器学习算法的外卖运营方案生成系统，其包括如下模块：输入数据模块，用于输入历史外卖运营数据；数据清洗模块，用于将历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注模块，用于通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合模块，用于将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并；模型训练模块，基于机器学习算法，针对外卖运营数据进行模型训练；输出方案模块，用于输出新生成的外卖运营方案。
48.根据本技术的实施例，再一方面，提供一种基于机器学习算法的外卖运营方案生成装置，其包括：cpu处理器、存储单元和显示单元。其中，cpu处理器用于运行基于机器学习算法的外卖运营方案生成方法对应的计算；存储单元用于存储输入历史外卖运营、运算过程中的外卖运营数据，以及输出新生成的外卖运营方案；显示单元用于显示查询的历史外卖运营数据、显示新生成的外卖运营方案。
49.根据本技术的实施例，所述基于机器学习算法的外卖运营方案生成方法可通过媒介加载在计算机或任何移动终端上，所述媒介存储有软件代码，所述软件代码为基于上述机器学习算法用于执行生成外卖运营方案。
50.在基于机器学习算法生成外卖运营方案时，如为推荐外卖品类，首先输入历史外卖运营数据，如用户信息，用户属性是白领用户、学生用户还是社区居民？按照客户历史订单确认，用户口味偏好，是喜辣还是嗜甜？利用上述机器学习算法根据一系列用户特征构建起更加精准的用户画像，对用户进行分层。在商户和用户细分的基础之上，为了供给更好地匹配需求、需求更好地契合供给，平台会对商户进行智能推荐，如针对川菜的商户，会自动推荐喜辣的顾客，而非推荐吃甜品、奶茶的用户。
51.另外，基于上述机器学习算法，外卖运营平台会对商户端进行品类和运营时段的细分。除了传统的中餐、晚餐，早餐、晚餐、下午茶的外卖增速迅猛，不少用户会在不同的时间段分别下单，除去快餐便当之外，还会订诸如下午茶、水果、生活用品等。平台形成了一种分时段运营的模式，以夜宵属性明显的品类“烧烤”为例，如果某一个商户身上被打上了烧烤品类的标签，但却长时间在夜宵时段没产生订单，平台会监测到这一数据，会依据机器学习算法有效促进和推送适合的外卖运营方案，促进商家接单。
52.因为依据本实施例的机器学习算法的外卖运营方案生成方法的步骤包括：输入数据，输入历史外卖运营数据；数据清洗，将历史外卖运营数据样本规整，剔除掉不相关的信息；数据标注，通过机器学习算法，根据标注规则将数据内容打上标签，同时去除人工评估不合理或价值度低的标签，降低维度；数据融合，将未打上标签的无标签进行数据解析和处理，为无标签的数据寻找相似、相近内容，并且将无标签的数据与其相似、相近内容合并；输出方案，输出新生成的外卖运营方案，所以可实现如下有益效果：
53.指导运营人员在外卖平台上进行运营，特别是提供了运营建议和运营方案，运营人员按照系统提供的方案进行操作即可。
54.以上所述仅是本技术的示范性实施方式，而非用于限制本技术的保护范围，本技术的保护范围由所附的权利要求确定。