物流对象分拨方法和装置、电子设备以及计算机可读存储介质

技术领域

本申请涉及物流技术领域，尤其涉及一种物流对象分拨方法和装置、电子设备以及计算机可读存储介质。

背景技术

在目前的物流行业中，通常是在用户下单后，根据用户的收货地址来对物流对象进行分拨和运输。一般，物流对象会途经多个物流站点(仓库等)，最后由末端站点(收货地址所在区域的物流配送站点)的配送员配送到收货地址。

但是，受限于运输工具、路况、突发事件等各种不确定因素，现有技术中这样的根据用户的实际订购行为来进行物流对象的传输，往往会导致用户在下单之后需要等待较长的时间才能够收到所订购的物流对象。尤其在节假日或商品促销等物流运输量剧增时，运送超时的情况会变得更加严重，大大降低了用户的购物体验。

发明内容

本申请实施例提供一种物流对象分拨方法和装置、电子设备以及计算机可读存储介质，以解决现有技术中用户在下单之后物流对象运送时间过长的缺陷。

为达到上述目的，本申请实施例提供了一种物流对象分拨方法，包括：

获取针对多个用户与多个物流对象的历史数据，其中，所述历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；

根据所述历史数据，获取用于预测至少一个所述用户针对至少一个所述物流对象的购买行为的预测数据；

根据所述预测数据，对所述物流对象进行分拨处理。

本申请实施例还提供了一种物流对象分拨装置，包括：

第一获取模块，用于获取针对多个用户与多个物流对象的历史数据，其中，所述历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；

第二获取模块，用于根据所述历史数据，获取用于预测至少一个所述用户针对至少一个所述物流对象的购买行为的预测数据；

分拨处理模块，用于根据所述预测数据，对所述物流对象进行分拨处理。

本申请实施例还提供了一种电子设备，包括：

存储器，用于存储程序；

处理器，用于运行所述存储器中存储的所述程序，以用于：

获取针对多个用户与多个物流对象的历史数据，其中，所述历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；

根据所述历史数据，获取用于预测至少一个所述用户针对至少一个所述物流对象的购买行为的预测数据；

根据所述预测数据，对所述物流对象进行分拨处理。

本申请实施例还提供了一种计算机可读存储介质，在所述计算机可读存储介质上存储有指令，所述指令包括：

获取针对多个用户与多个物流对象的历史数据，其中，所述历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；

根据所述历史数据，获取用于预测至少一个所述用户针对至少一个所述物流对象的购买行为的预测数据；

根据所述预测数据，对所述物流对象进行分拨处理。

本申请实施例提供的物流对象分拨方法和装置、电子设备以及计算机可读存储介质，基于用户的历史购买行为，来预测目标物流对象是否会被目标用户购买，进而以该预测结果来提前对物流对象进行分拨处理，从而能够减少用户购物之后的等待时间，提升用户体验，同时，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例提供的物流对象分拨方法的场景示意图；

图2为本申请提供的物流对象分拨方法一个实施例的流程图；

图3为本申请提供的物流对象分拨方法另一个实施例的流程图；

图4a为本申请提供的物流对象分拨方法实施例的应用示意图一；

图4b为本申请提供的物流对象分拨方法实施例的应用示意图二；

图4c为本申请提供的物流对象分拨方法实施例的应用示意图三；

图5为本申请提供的物流对象分拨装置一个实施例的结构示意图；

图6为本申请提供的物流对象分拨装置另一个实施例的结构示意图；

图7为本申请提供的电子设备实施例的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

本申请实施例提供的物流对象分拨方法可应用于任何具有数据处理能力的业务系统。图1为本申请实施例提供的物流对象分拨方法的场景示意图，图1所示的场景仅仅是本申请的技术方案可以应用的场景的示例之一。如图1所示，在用户网上购物的场景中，用户通过购物平台下单(订购物流对象)，商家从服务器获取到用户的订单信息之后，针对用户订单信息将相应的物流对象发货，物流对象通过物流传输系统传输到末端节点，再由派送人员派送至用户。在物流传输系统中，物流对象由仓库(如图1中所示的仓库1、仓库2、…、仓库m)出库，再经过一个或多个中间节点(如图1中所示的中间节点1、中间节点2、…、中间节点n)进行分拨和运输，最后被运送至距用户最近的末端节点(如图1中所示的末端节点1、末端节点2、…、末端节点p)。但是由于通常物流运输需要从物流对象所存放的仓库出发，途径多个中间节点，才能到达用户所在区域的物流配送站点(末端节点)并完成到用户的配送。因此，现有技术中这样的根据用户的实际订购行为来进行物流对象的传输，往往导致了用户在完成物流对象的订购之后需要等待较长的时间才能够收到所订购的物流对象，从而降低了用户的购物体验。

因此，本申请实施例提出一种物流对象分拨方案，在用户许可的范围内，获取用户的历史订购数据及用户信息，通过对多个用户针对多个物流对象的动态行为(包括但不限于，购买行为、搜索行为、浏览行为、收藏行为或加购物车行为等)、用户的静态信息(包括但不限于，职业信息、性别信息、年龄信息或地域信息等)、以及物流对象的静态信息(包括但不限于，类别信息、生产方信息或出售方信息等)进行分析，来判断目标物流对象是否会被目标用户购买，并以该判断结果来提前进行物流对象的分拨和传输。如果预测目标用户将会购买目标物流对象，则可以在目标用户下单之前，预先将目标对象从仓库发货，例如，可以将目标物流对象运送至末端节点(也可以是物流传输链路中的某个物流节点)进行暂存。当目标用户下单购买该目标物流对象后，能够快速地从暂存的物流节点继续进行传输，因此，能够减少用户购物之后的等待时间，尤其针对将目标物流对象暂存于末端节点的情况，可以直接将其派送给目标用户，因此，能够大大提升用户体验；同时，还可以基于订购数据确定物流对象传输路径上的物流各节点的存储和运送情况，从而将目标物流对象分拨到仓储压力较小的物流节点，以对整个传输路径进行优化，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

上述实施例是对本申请实施例的技术原理和示例性的应用框架的说明，下面通过多个实施例来进一步对本申请实施例具体技术方案进行详细描述。

实施例二

图2为本申请提供的物流对象分拨方法一个实施例的流程图，该方法的执行主体可以为具有数据处理能力的各种终端或服务器设备，也可以为集成在这些设备上的装置或芯片。如图2所示，该物流对象分拨方法包括如下步骤：

S201，获取针对多个用户与多个物流对象的历史数据。

在本申请实施例中，针对用户与物流对象的历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据。该第一动态数据标识了多个用户与多个物流对象之间的一对一、一对多、或多对一的购买关系。通过对大数据进行分析，根据已完成的购买行为的历史数据，能够预测出将要进行的购买行为。

S202，根据历史数据，获取用于预测至少一个用户针对至少一个物流对象的购买行为的预测数据。

在本申请实施例中，可以基于历史数据首先确定用户之间的相似度或物流对象之间的相似度，然后，再基于相似度预测用户针对物流对象的购买行为。举例说明，例如，如果根据历史数据判断用户A与用户B在兴趣或购物习惯方面相似，则用户A购买过的物流对象中有用户B还没有购买的物流对象，则该物流对象被购买的几率就会较高；或者，如果根据历史数据判断物流对象C与物流对象D在属性或购买人群方面有相似，则如果物流对象C已经被购买，则物流对象D将要被购买的可能性就会较高。

S203，根据预测数据，对物流对象进行分拨处理。

在本申请实施例中，在获取到预测数据后，根据预测数据显示的内容对物流对象进行分拨处理。例如，预测数据显示，用户A将要购买物流对象C的概率较高，则可以根据用户A的常用地址信息获取物流对象传输链路的末端节点，并将物流对象C预先运送至该末端节点，在用户A真正下单后，直接从末端节点向用户进行派送，这将大大减少用户购物之后的等待时间。

本申请实施例提供的物流对象分拨方法，基于用户的历史购买行为，来预测目标物流对象是否会被目标用户购买，进而以该预测结果来提前对物流对象进行分拨处理，从而能够减少用户购物之后的等待时间，提升用户体验，同时，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

实施例三

图3为本申请提供的物流对象分拨方法另一个实施例的流程图。如图3所示，在上述图2所示实施例的基础上，本实施例提供的物流对象分拨方法还可以包括以下步骤：

S301，获取针对多个用户与多个物流对象的历史数据。

S302，根据历史数据，计算多个用户之间的相似度。

在本申请实施例中，针对用户与物流对象的历史数据除了包含上述第一动态数据以外，还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据。因此，可以根据该第二动态数据计算多个用户之间的相似度，即，根据多个用户的搜索行为、浏览行为、收藏行为或加购物车行为等确定用户相似度。

另一方面，在本申请实施例中，针对用户与物流对象的历史数据除了包含上述第一动态数据以外，还可以包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据。因此，可以根据该第一属性数据计算多个用户之间的相似度，即，根据多个用户的职业、性别、年龄或地域等信息确定用户相似度。

再一方面，在本申请实施例中，针对用户与物流对象的历史数据可以包含上述第一动态数据、第二动态数据和第一属性数据。因此，可以结合用户的搜索行为、浏览行为、收藏行为或加购物车行为等行为，以及用户的职业、性别、年龄或地域等信息，来计算多个用户之间的相似度。

S303，获取相似度高于第一预设阈值的至少一组用户组。

在本申请实施例中，每组用户组至少包括相似度较高的两个用户，即第一用户和第二用户。

S304，根据与第一用户相关的第一动态数据，计算第二用户预计购买第一动态数据所针对的第一物流对象的概率值。

图4a为本申请提供的物流对象分拨方法实施例的应用示意图一。在本申请实施例中，上述步骤S302至S304描述了从用户维度计算相似度并进行购买行为预测的应用实例。如图4a所示，假设历史数据中的第一动态数据中至少标识了用户1已购买物流对象1，用户2已购买物流对象3，以及用户3已购买物流对象2。并且，通过上述方式确定了一组用户组，即，相似度较高的用户1和用户2(可能在兴趣或购物习惯方面相似)，由用户1的第一动态数据可以看出用户1购买过的物流对象1，因此，可以推断用户2可能购买物流对象1的概率较高，参见图4a中的箭头方向。

图4b为本申请提供的物流对象分拨方法实施例的应用示意图二。在本申请实施例中，上述步骤S302至S304的从用户维度计算相似度并进行购买行为预测的方案可以替代为，根据历史数据，计算多个物流对象之间的相似度；获取相似度高于第二预设阈值的至少一组物流对象组，其中，每组物流对象组至少包括相似度较高的两个物流对象，即第一物流对象和第二物流对象；根据针对第一物流对象的第一动态数据，计算与第一动态数据相关的第一用户预计购买第二物流对象的概率值。也就是说，本申请实施例提供的物流对象分拨方法可以从物流对象维度计算相似度并进行购买行为预测。如图4b所示，假设历史数据中的第一动态数据中至少标识了用户1已购买物流对象1，用户2已购买物流对象3，以及用户3已购买物流对象2。并且，通过上述方式确定了一组物流对象组，即相似度较高的物流对象2和物流对象3(可能属性或购买人群方面相似)，由物流对象2的第一动态数据可以看出用户3购买过的物流对象2，因此可以推断用户3可能购买物流对象3的概率较高，参见图4b中的箭头方向。

另外，在图4b所示应用实例所提供的方案中，针对用户与物流对象的历史数据除了包含上述第一动态数据以外，还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据。因此，可以根据该第二动态数据计算多个物流对象之间的相似度，即，根据多个物流对象所对应的搜索行为、浏览行为、收藏行为或加购物车行为等确定物流对象的相似度。另一方面，在本申请实施例中，针对用户与物流对象的历史数据除了包含上述第一动态数据以外，还可以包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。因此，可以根据该第二属性数据计算多个物流对象之间的相似度，即，根据多个物流对象的类别、生产方或出售方等信息确定物流对象的相似度。再一方面，在本申请实施例中，针对用户与物流对象的历史数据可以包含上述第一动态数据、第二动态数据和第二属性数据。因此，可以结合物流对象所对应的搜索行为、浏览行为、收藏行为或加购物车行为等行为，以及物流对象的类别、生产方或出售方等信息，来计算多个物流对象之间的相似度。

图4c为本申请提供的物流对象分拨方法实施例的应用示意图三。在本申请实施例中，上述步骤S302至S304的从用户维度计算相似度并进行购买行为预测的方案还可以替代为，根据历史数据，计算多个用户之间的相似度和多个物流对象之间的相似度；获取相似度高于第一预设阈值的至少一组用户组和相似度高于第二预设阈值的至少一组物流对象组，其中，每组用户组至少包括相似度较高的两个用户，即第一用户和第二用户，物流对象组至少包括相似度较高的两个物流对象，即第一物流对象和第二物流对象；根据标识第一用户针对第一物流对象的购买行为的第一动态数据，计算第二用户预计购买第二物流对象的概率值。也就是说，本申请实施例提供的物流对象分拨方法可以从用户维度和物流对象维度两个维度计算相似度并进行购买行为预测。如图4c所示，假设历史数据中的第一动态数据中至少标识了用户1已购买物流对象1，用户2已购买物流对象3，以及用户3已购买物流对象2。并且，通过上述方式确定了一组用户组(用户1和用户2)，以及一组物流对象组(物流对象3和物流对象4)。由用户2的第一动态数据可以看出用户2购买过的物流对象3，因此可以推断用户1可能购买物流对象4的概率较高，参见图4c中的箭头方向。

另外，在图4c所示应用实例所提供的方案中，根据历史数据计算多个用户之间的相似度和多个物流对象之间的相似度的步骤，可以采用下述九种方式中的任一种进行：

方式一、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据。

计算相似度采用：

根据第二动态数据，计算多个用户之间的相似度；

根据第二动态数据，计算多个物流对象之间的相似度。

方式二、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。

计算相似度采用：

根据第二动态数据，计算多个用户之间的相似度；

根据第二属性数据，计算多个物流对象之间的相似度。

方式三、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。

计算相似度采用：

根据第二动态数据，计算多个用户之间的相似度；

根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

方式四、历史数据还包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据。

计算相似度采用：

根据第一属性数据，计算多个用户之间的相似度；

根据第二动态数据，计算多个物流对象之间的相似度。

方式五、历史数据还包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，

计算相似度采用：

根据第一属性数据，计算多个用户之间的相似度；

根据第二属性数据，计算多个物流对象之间的相似度。

方式六、历史数据还包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。

计算相似度采用：

根据第一属性数据，计算多个用户之间的相似度；

根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

方式七、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据。

计算相似度采用：

根据第二动态数据和第一属性数据，计算多个用户之间的相似度；

根据第二动态数据，计算多个物流对象之间的相似度。

方式八、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。

计算相似度采用：

根据第二动态数据和第一属性数据，计算多个用户之间的相似度；

根据第二属性数据，计算多个物流对象之间的相似度。

方式九、历史数据还包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据。

计算相似度采用：

根据第二动态数据和第一属性数据，计算多个用户之间的相似度；

根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

在本申请实施例中，还可以将历史数据作为训练数据，例如，将一部分历史数据作为输入样本，将另一部分历史数据作为输出样本，然后，输入到机器学习模型进行训练，以生成训练模型。具体地，可以采用批量训练的方式，也可以采用流式训练的方式进行训练。因此，在本申请的各个实施例中，在根据历史数据获取预测数据时，可以将历史数据输入到训练模型中，以获取相应的预测数据。最终，符合预测结果的新的订单数据还可以再输入训练模型，以完善训练模型，形成闭环。

另外，在本申请实施例中，还可以针对历史数据进行统计计算；并根据统计计算结果，获取用于预测至少一个物流对象被分拨至目标物流节点的预测数据。也就是说，可以针对多个用户的多次购买行为进行统计，并根据统计结果来提前进行预测目标物流对象将要被某些区域的用户进行购买的概率较高，因此可以提前备货，将目标物流对象预先分拨至目标物流节点。

另外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的换货行为的第三动态数据。在根据历史数据进行预测时，可以根据该第三动态数据，计算至少一个用户预计将第三物流对象换为第四物流对象的概率值。例如，某物品的瑕疵率较高，已购买用户的换货率较高，则可以根据预测数据提前进行备货。或者，根据历史数据预测到用户将已购买的物流对象换为不同存货单位(Stock Keeping Unit；简称：SKU)的物流对象(例如，换款式、换颜色、换尺码等)的概率较高，则可以提前备货，将被更换的第四物流对象预先分拨至目标物流节点。

另外，在本申请实施例中，历史数据还可以包含标识用户针对不同物流对象的不同送货地址的第三属性数据。在根据历史数据进行预测时，可以根据该第三属性数据及物流对象的属性，计算至少一个用户预计将物流对象寄到目标送货地址的概率值。例如，用户A为年轻男士，其收藏或浏览的物品为适用于老年人的物流对象(如，保健品、老年女装等)，可以预测用户A将购买该物流对象并寄到父母的收货地址，因此可以从用户A的历史订单中获取其曾给父母购买物品的收货地址，并根据该预测结果进行提前备货。

进一步地，在根据预测数据，对物流对象进行分拨处理时，本申请实施例提供的物流对象分拨方法还可以包括：

S305，在预测数据所针对的用户的历史订单中，获取标识末端物流节点的节点信息。

S306，向预测数据所针对的物流对象分配该节点信息，以将该物流对象分拨至该末端物流节点。

在本申请实施例中，可以将将目标物流对象直接调拨到离用户最近的末端节点进行暂存。当目标用户下单购买该目标物流对象后，能够快速地直接将其派送给目标用户，因此，能够大大减少用户购物之后的等待时间。

另外，在本申请实施例中，上述步骤S305至S306的根据预测数据对物流对象进行分拨处理的方案可以替代为，在多个预测数据所针对的用户的历史订单中，获取标识各物流节点的节点信息；根据多个物流节点的可用仓储量，在多个物流节点中选取一个，确定为预测数据所针对的物流对象的目标物流节点；向预测数据所针对的物流对象分配目标物流节点的节点信息，以将该物流对象分拨至该目标物流节点。也就是说，在本申请实施例中，可以基于历史订购数据确定物流对象传输路径上的各物流节点的存储和运送情况，然后，将目标物流对象分拨到仓储压力较小的物流节点，以对整个路径进行优化，合理入库及分仓铺货。

本申请实施例提供的物流对象分拨方法，基于用户的历史购买行为、搜索行为、浏览行为、收藏行为或加购物车行为、用户的职业信息、性别信息、年龄信息或地域信息、及物流对象的类别信息、生产方信息或出售方信息，利用机器学习的方式来预测目标物流对象是否会被目标用户购买，进而以该预测结果来提前对物流对象进行分拨处理，从而能够减少用户购物之后的等待时间，提升用户体验，同时，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

实施例四

图5为本申请提供的物流对象分拨装置一个实施例的结构示意图，可用于执行如图2所示的方法步骤。如图5所示，该物流对象分拨装置可以包括：第一获取模块51、第二获取模块52和分拨处理模块53。

其中，第一获取模块51用于获取针对多个用户与多个物流对象的历史数据，其中，历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；第二获取模块52用于根据历史数据，获取用于预测至少一个用户针对至少一个物流对象的购买行为的预测数据；分拨处理模块53用于根据预测数据，对物流对象进行分拨处理。

在本申请实施例中，第一获取模块51获取到针对多个用户与多个物流对象的历史数据后，第二获取模块52则根据第一获取模块51获取到的历史数据，获取用于预测至少一个用户针对至少一个物流对象的购买行为的预测数据。例如，第二获取模块52可以基于历史数据首先确定用户之间的相似度或物流对象之间的相似度，然后，再基于相似度预测用户针对物流对象的购买行为。最后，在第二获取模块52获取到预测数据后，分拨处理模块53则根据第二获取模块52获取到的预测数据所显示的内容对物流对象进行分拨处理。

本申请实施例提供的物流对象分拨装置中各模块的功能，详见上述方法实施例中的具体描述，在此不再赘述。

本申请实施例提供的物流对象分拨装置，基于用户的历史购买行为，来预测目标物流对象是否会被目标用户购买，进而以该预测结果来提前对物流对象进行分拨处理，从而能够减少用户购物之后的等待时间，提升用户体验，同时，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

实施例五

图6为本申请提供的物流对象分拨装置另一个实施例的结构示意图，可以用于执行如图3所示的方法步骤。如图6所示，在上述图5所示实施例的基础上，本申请实施例提供的物流对象分拨装置中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，第二获取模块52可以包括：第一计算单元521、第一获取单元522和第二计算单元523。

其中，第一计算单元521可以用于根据第二动态数据，计算多个用户之间的相似度；第一获取单元522可以用于获取相似度高于第一预设阈值的至少一组用户组，其中，用户组至少包括第一用户和第二用户；第二计算单元523可以用于根据与第一用户相关的第一动态数据，计算第二用户预计购买第一动态数据所针对的第一物流对象的概率值。

另外，在本申请实施例中，历史数据还可以包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，第二获取模块52还可以包括：第三计算单元(图中未示出)。该第三计算单元可以用于根据第一属性数据，计算多个用户之间的相似度。

另外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，第二获取模块52还可以包括：第四计算单元(图中未示出)，该第四计算单元可以用于根据第二动态数据和第一属性数据，计算多个用户之间的相似度。

另一方面，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，第二获取模块52还可以包括：第五计算单元524、第二获取单元525和第六计算单元526。

其中，第五计算单元524可以用于根据第二动态数据，计算多个物流对象之间的相似度；第二获取单元525可以用于获取相似度高于第二预设阈值的至少一组物流对象组，其中，物流对象组至少包括第一物流对象和第二物流对象；第六计算单元526可以用于根据针对第一物流对象的第一动态数据，计算与第一动态数据相关的第一用户预计购买第二物流对象的概率值。

另外，在本申请实施例中，历史数据还可以包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第二获取模块52还可以包括：第七计算单元(图中未示出)，该第七计算单元可以用于根据第二属性数据，计算多个物流对象之间的相似度。

另外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第二获取模块52还可以包括：第八计算单元(图中未示出)，该第八计算单元可以用于根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

再一方面，在本申请实施例中，第二获取模块52还可以包括：第九计算单元527、第三获取单元528和第十计算单元529。

其中，第九计算单元527可以用于根据历史数据，计算多个用户之间的相似度和多个物流对象之间的相似度；第三获取单元528可以用于获取相似度高于第一预设阈值的至少一组用户组和相似度高于第二预设阈值的至少一组物流对象组，其中，用户组至少包括第一用户和第二用户，物流对象组至少包括第一物流对象和第二物流对象；第十计算单元529可以用于根据标识第一用户针对第一物流对象的购买行为的第一动态数据，计算第二用户预计购买第二物流对象的概率值。

具体地，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，第九计算单元527可以具体用于，根据第二动态数据，计算多个用户之间的相似度；以及用于，根据第二动态数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第二动态数据，计算多个用户之间的相似度；以及用于，根据第二属性数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第二动态数据，计算多个用户之间的相似度；以及用于，根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，第九计算单元527可以具体用于，根据第一属性数据，计算多个用户之间的相似度；以及用于，根据第二动态数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第一属性数据，计算多个用户之间的相似度；以及用于，根据第二属性数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第一属性数据，计算多个用户之间的相似度；以及用于，根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，第九计算单元527可以具体用于，根据第二动态数据和第一属性数据，计算多个用户之间的相似度；以及用于，根据第二动态数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第二动态数据和第一属性数据，计算多个用户之间的相似度；以及用于，根据第二属性数据，计算多个物流对象之间的相似度。

此外，在本申请实施例中，历史数据还可以包含标识用户针对物流对象的搜索行为、浏览行为、收藏行为和加购物车行为中的至少一种行为的第二动态数据，以及包含标识用户的职业信息、性别信息、年龄信息和地域信息中的至少一种信息的第一属性数据，以及包含标识物流对象的类别信息、生产方信息和出售方信息中的至少一种信息的第二属性数据，第九计算单元527可以具体用于，根据第二动态数据和第一属性数据，计算多个用户之间的相似度；以及用于，根据第二动态数据和第二属性数据，计算多个物流对象之间的相似度。

另外，本申请实施例提供的物流对象分拨装置还可以包括：训练模块61，该训练模块61可以用于将历史数据作为训练数据，输入机器学习模型进行训练，以生成用于获取预测数据的训练模型。

另外，在本申请实施例中，分拨处理模块53可以具体用于，在预测数据所针对的用户的历史订单中，获取标识末端物流节点的节点信息；以及用于，向预测数据所针对的物流对象分配所述节点信息，以将物流对象分拨至末端物流节点。

进一步地，在本申请实施例中，分拨处理模块53还可以具体用于，在多个预测数据所针对的用户的历史订单中，获取标识各物流节点的节点信息；以及用于，根据多个物流节点的可用仓储量，在多个物流节点中选取一个，确定为预测数据所针对的物流对象的目标物流节点；以及用于，向预测数据所针对的物流对象分配目标物流节点的节点信息，以将物流对象分拨至目标物流节点。

本申请实施例提供的物流对象分拨装置中各模块的功能，详见上述方法实施例中的具体描述，在此不再赘述。

本申请实施例提供的物流对象分拨装置，基于用户的历史购买行为、搜索行为、浏览行为、收藏行为或加购物车行为、用户的职业信息、性别信息、年龄信息或地域信息、及物流对象的类别信息、生产方信息或出售方信息，利用机器学习的方式来预测目标物流对象是否会被目标用户购买，进而以该预测结果来提前对物流对象进行分拨处理，从而能够减少用户购物之后的等待时间，提升用户体验，同时，便于仓配规划，在物流运输量较大的情况下，能够缓解仓储压力，提高运送效率。

实施例六

以上描述了物流对象分拨装置的内部功能和结构，该装置可实现为一种电子设备。图7为本申请提供的电子设备实施例的结构示意图。如图7所示，该电子设备包括存储器71和处理器72。

存储器71，用于存储程序。除上述程序之外，存储器71还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

存储器71可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

处理器72，不仅仅局限于中央处理器(CPU)，还可能为图形处理器(GPU)、现场可编辑门阵列(FPGA)、嵌入式神经网络处理器(NPU)或人工智能(AI)芯片等处理芯片。处理器72，与存储器71耦合，执行存储器71所存储的程序，以用于：

获取针对多个用户与多个物流对象的历史数据，其中，历史数据至少包含标识用户针对物流对象的购买行为的第一动态数据；

根据历史数据，获取用于预测至少一个用户针对至少一个物流对象的购买行为的预测数据；

根据预测数据，对物流对象进行分拨处理。

进一步，如图7所示，电子设备还可以包括：通信组件73、电源组件74、音频组件75、显示器76等其它组件。图7中仅示意性给出部分组件，并不意味着电子设备只包括图7所示组件。

通信组件73被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G，3G，4G或5G，或它们的组合。在一个示例性实施例中，通信组件73经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件73还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

电源组件74，为电子设备的各种组件提供电力。电源组件74可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。

音频组件75被配置为输出和/或输入音频信号。例如，音频组件75包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器71或经由通信组件73发送。在一些实施例中，音频组件75还包括一个扬声器，用于输出音频信号。

显示器76包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。