一种表单处理方法、装置和系统

技术领域

本发明涉及商品交易领域，特别涉及一种表单处理方法、装置和系统。

背景技术

在商品交易业务场景中，因为商品需要定制、购买数量不定等，卖家往往会将商品的价格设置成一定的区间价。在买家填写交易表单时，买家并不能直接给卖家提供一个确定的价格，而是需要与卖家进行反复沟通才能确定单价。此外，在填写交易表单过程中，有些情况需要分首尾款进行支付，买家希望首款比例越低越好，而卖家希望首款比例越高越好，所以如何设置合理的首尾款比例也需要买卖双方多次沟通。

传统的商品交易业务场景，买家下单时需要自己手工填充订单的所有信息，包含数量、单价、首尾款等等，当单价和首尾款等信息不确定时，买家往往不清楚应该如何填写，往往会填写对自己最有利的表单信息。这样导致买家在下完订单之后，需要和买家反复沟通修改，因此经常因为订单的信息无法达成共识，或者会出现卖家看到质量差的订单直接就拒绝掉。

因此，如何为买家提供合适的单价、设置合理的首尾款比例，进而降低沟通成本、提高买家直接下单的订单质量，顺利完成交易成了本领域技术人员亟需解决的难题。

发明内容

鉴于现有技术中存在的技术缺陷和技术弊端，本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种表单处理方法、装置和系统。

作为本发明实施例的第一方面，涉及一种表单处理方法，可以包括：

服务器对历史订单中的字段数据进行预处理，得到标准化字段数据以及具有相同标准化字段数据的历史订单的支付成功概率；

将多个所述历史订单的标准化字段数据和支付成功概率按照预设的比例拆分成训练用数据和验证用数据；

以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量进行模型训练得到订单结果预测模型；

通过所述验证用数据对所述订单结果预测模型进行验证和优化，得到优化后的订单结果预测模型；

将优化后的所述订单结果预测模型部署到终端设备上。

作为本发明实施例的第二方面，涉及另一种表单处理方法，可以包括：

终端设备将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率；

将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据；

根据所述剩余字段数据填写所述表单。

作为本发明实施例的第三方面，涉及一种服务器，可以包括：

预处理模块，用于对历史订单中的字段数据进行预处理，得到标准化字段数据以及具有相同标准化字段数据的历史订单的支付成功概率；

拆分模块，用于将多个所述历史订单的标准化字段数据和支付成功概率按照预设的比例拆分成训练用数据和验证用数据；

训练模块，用于以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量进行模型训练得到订单结果预测模型；

验证模块，用于通过所述验证用数据对所述订单结果预测模型进行验证和优化，得到优化后的订单结果预测模型；以及

部署模块，用于将优化后的所述订单结果预测模型部署到终端设备上。

作为本发明实施例的第四方面，涉及一种终端设备，可以包括：

概率预测模块，用于将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率；

字段确定模块，用于将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据；

表单填写模块，用于根据所述剩余字段数据填写所述表单。

作为本发明实施例的第五方面，涉及一种表单处理系统，可以包括上述第三方面的服务器和上述第四方面的终端设备。

作为本发明实施例的第六方面，涉及一种订单结果预测模型的构建方法，可以包括：根据历史订单中的字段数据与该历史订单的支付结果确定所述历史订单成功支付的概率；以及

以所述字段数据为输入量并以所述概率为输出量进行模型训练得到所述订单结果预测模型。

作为本发明实施例的第七方面，涉及一种表单填写方法，可以包括：

将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率；

将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据；

根据所述剩余字段数据填写所述表单。

作为本发明实施例的第八方面，涉及一种订单结果预测装置，可以包括：

概率确定模块，用于根据历史订单中的字段数据与该历史订单的支付结果确定所述历史订单成功支付的概率；以及

模型构建模块，用于以所述字段数据为输入量并以所述概率为输出量进行模型训练得到所述订单结果预测模型。

作为本发明实施例的第九方面，涉及一种表单填写装置，可以包括：

概率预测模块，用于将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率；

字段确定模块，用于将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据；以及

表单填写模块，用于根据所述剩余字段数据填写所述表单。

作为本发明实施例的第十方面，涉及一种交易表单填写系统，可以包括：上述第八方面的订单结果预测装置和第九方面的表单填写装置。

本发明实施例至少实现了如下技术效果：

本发明实施例公开一种表单处理方法、装置和系统，其中，该方法包括：根据历史订单中的字段数据与该历史订单的支付结果确定历史订单成功支付的概率；以及以字段数据为输入量并以概率为输出量进行模型训练得到订单结果预测模型。交易表单填写方法包括：将待填写的交易表单中的已有字段数据输入到订单结果预测模型中，得到多个表示订单成功支付的概率；根据多个概率中的最高概率确定剩余字段数据；根据剩余字段数据填写交易表单。该方法在买家填写表单实时，根据预测的买家支付概率，智能填写表单默认信息，使得填写表单操作简单化，降低沟通成本，减少计算机资源占用，提高了录入信息的准确性，优化订单质量，从而增高了买家直接下单的订单质量，促进买家完成支付。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例1提供的表单处理方法的流程图；

图2为本发明实施例1提供的表单处理方法具体实现示意图；

图3为本发明实施例1提供的服务器与终端设备交互的结构示意图；

图4为本发明实施例1提供的服务器的结构示意图；

图5为本发明实施例2提供的另一种表单处理方法的流程图；

图6为本发明实施例2提供的终端设备的结构示意图；

图7为本发明实施例3提供的表单处理系统的结构示意图；

图8为本发明实施例4提供的订单结果预测方法的流程图；

图9为本发明实施例4提供的订单结果预测装置的结构示意图；

图10为本发明实施例5提供的表单填写方法的流程图；

图11为本发明实施例5提供的表单填写装置的结构示意图；

图12为本发明实施例6提供的表单填写系统的结构示意图。

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。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

实施例1

本发明实施例1提供了一种表单处理方法，该方法通过服务器执行完成，参照图1所示，该方法可以包括以下步骤：

步骤S11、服务器对历史订单中的字段数据进行预处理，得到标准化字段数据以及具有相同标准化字段数据的历史订单的支付成功概率。

服务器对大量的历史订单通过现有的字段提取技术提取历史订单中的字段数据，然后对字段数据经过预处理得到计算机能够进行模型训练的标准化字段数据，同时通过统计分析得到标准化字段数据相同的历史订单支付成功的概率。将所述标准化字段数据和对应的支付成功概率作为训练模型的训练样本。

步骤S12、将多个所述历史订单的标准化字段数据和支付成功概率按照预设的比例拆分成训练用数据和验证用数据。

上述步骤S11中得到的训练样本按照预设的比例进行数据拆分，分成训练用数据和验证用数据，以用于训练和验证。

步骤S13、以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量进行模型训练得到订单结果预测模型。

本步骤基于历史订单中的字段数据与用户是否会成功支付之间的对应关系，分别将标准化字段数据作为输入量，并以该标准化字段数据对应的支付成功概率作为输出量，通过模型训练得到对应关系模型，即订单结果预测模型。

步骤S14、通过所述验证用数据对所述订单结果预测模型进行验证和优化，得到优化后的订单结果预测模型。

使用验证数据对上述步骤S13中得到的订单结果预测模型进行验证和优化，最终得到优化后的订单结果预测模型。

步骤S15、将优化后的所述订单结果预测模型部署到终端设备上。

本发明实施例提供的上述订单处理方法，首先对大量的历史订单中的字段数据进行预处理，得到标准化字段数据以及统计出具有标准化字段数据的历史订单的支付成功概率，然后基于大量历史订单中的字段数据与用户是否会成功支付之间的对应关系，并采用预设的训练模型进行模型训练和验证，得到历史订单中的字段数据与用户支付概率之间的对应关系模型。该方法通过对历史订单中的字段数据进行预处理和分类，能够直观地表示出同类订单用户支付成功的概率，然后预测不同的表单填写信息支付成功的概率反推出未填写的表单数据。

参照图2和图3所示，以下是对本发明实施例中的每个步骤进行的详细说明：

上述步骤S11中，服务器对历史订单中的字段数据进行预处理，得到标准化字段数据以及具有相同标准化字段数据的历史订单的支付成功概率。

本发明实施例中所有在交易平台上产生的历史订单作为订单的总集合，历史订单包括交易数据原始表和沟通数据原始表，可以将大量的历史订单从交易平台上导出成SQL脚本文件，通过随机采样的方式在上述SQL脚本中选出样品集合，使用样品集合中的样品来完成订单结果预测模型的构建。

本发明实施例中的上述历史订单可以是在B2B(Business-to-Business，企业与企业开展交易活动的商业模式)、B2C(Business-to-Consumer，面向消费者销售产品和服务商业零售模式)或C2C(Customer to Customer，个人与个人之间的电子商务)等交易业务场景下产生的订单，买卖双方可以是企业、大商家或个人用户等，适用于通过网络进行批量交易的商业模式中。

本发明实施例中的上述历史订单中的字段数据可以是不同维度、不同方面的字段数据，例如可以包括：是否首单(f1)、买家国家(f2)、卖家国家(f3)、地址国家(f4)、运输方式(f5)、发货时间(f6)、商品单价(f7)、商品数量(f8)、商品最低购买单价(f9)、商品最低购买数量(f10)、订单总金额(f11)、订单首款金额(f12)、订单首款比例(f13)、是否包含规格属性(f14)、是否与卖家沟通(f15)以及此订单是否完成支付(c1)等表单数据。本发明实施例中的上述表单数据包含并不仅限于上述维度，其他可能对支付结果产生影响的维度也可以包含在内，本发明实施例对此不作具体限定。

其中，上述规格属性是指商品的颜色、型号或者SKU(Stock Keeping Unit，库存量单位，即库存进出计量的基本单元，可以是以件，盒，托盘等为单位)等信息，本发明实施例中只是使用是否包含上述属性信息，并不具体到该属性是什么类型，当然具体到更细致的属性信息也能够实现本发明的目的，本发明实施例对此不作具体限定。

在此需要说明的是，该步骤中的所述历史订单中的字段数据包括所述历史订单在提交前是否经过沟通的沟通数据，该沟通数据只是记录该订单在提交之前是否与卖家进行过沟通，而不是一个沟通订单。所以，本发明中的沟通数据作为一个影响订单是否成功支付的维度参数，例如与卖家进行沟通之后，可以更好的了解商品的性能或者更好地了解商品的单价，方便用户填写单价、数量等数据，进而可以影响用户成功支付的概率。

在一个可选的实施例中，本步骤中所述服务器对历史订单中的字段数据进行预处理可以包括：对所述历史订单中的字段数据进行填充缺失值、字符转数值、和/或归一化处理。

本发明实施例中是对字段数据进行统一处理，使字段数据成为能够应用于机器学习训练的数值数据。例如，字段数据类型转换，将字段数据中的字符转换成数值，从而方便计算机读取和使用。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。本发明实施例中的上述标准化预处理的方法举例说明如下：买家没有填写发货时间时，默认填充-1；运输方式从字符转成数字，“快递”转成1，“空运”转成2；订单金额进行归一化，y＝(x-MinValue)/(MaxValue-MinValue)，x为订单金额，y为归一化结果，MaxValue、MinValue分别为样本的最大值和最小值。

上述步骤S12中，将多个所述历史订单的标准化字段数据和支付成功概率按照预设的比例拆分成训练用数据和验证用数据。

本发明实施例中可以对随机采集的样品集合按照预设的比例进行数据拆分，例如4:1的比例拆分出训练用样品和验证用样品，也可以在总集合中随机筛选出一组历史订单进行订单结果预测模型的训练，筛选出另一组历史订单对订单结果预测模型进行评估(验证和优化)。

上述步骤S13中，以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量进行模型训练得到订单结果预测模型。

本发明实施例中可以使用已有的训练模型以标准化字段数据为输入量并以该输入量对应的支付成功概率为输出量进行模型训练。具体的，以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量输入到逻辑回归二分类训练模型中进行训练，得到所述订单结果预测模型。所述逻辑回归是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。通过上述模型训练最终得到订单结果预测模型，该模型可以预测不同表单(历史订单)填写的字段数据可能会成功支付的概率，即通过步骤S11中的(f1-f15)维度来预测完成支付(c1)的概率。

本步骤中使用机器学习/人工智能的方式进行大量的模型训练，所述机器学习是使用已有的数据或以往的经验值，来模拟人类的学习行为，以此优化技术或者业务。

上述步骤S14中，通过所述验证用数据对所述订单结果预测模型进行验证和优化，得到优化后的订单结果预测模型。

本步骤是使用上述步骤S12中拆分得到的验证用数据对步骤S13得到的订单结果预测模型进行验证和优化，当然，也可以使用另一组历史订单对订单结果预测模型进行评估(验证和优化)。

在一个可选的实施例中，所述通过所述验证用数据对所述订单结果预测模型进行验证和优化，包括：将所述验证用数据输入到所述订单结果预测模型中，使用二分类评估方法对所述订单结果预测模型进行验证和优化，具体的，可以使用混淆矩阵对订单结果预测模型进行验证和优化。例如，若所述评估结果的精确率和召回率的调和平均值大于预设的阈值，则将所述预测模型确定为最终预测模型；否则，对所述样品集合进行去燥处理和/或对所述订单结果预测模型中的参数进行调整，直至确定出最终预测模型。本发明实施例中预设的阈值可以是0.5，或者可以根据实际的需求进行调整。

本发明实施例中提供的上述订单结果预测模型是通过机器学习评估用户(买家)历史订单中的字段数据与用户是否完成支付行为之间的关系，预测不同历史订单中的不同字段数据是否会完成支付的概率，可以使用该模型反推出最合适的字段数据，帮助用户(买家)填写最合适的单价、最合适的收尾款比例等，进而降低沟通成本、提高买家直接下单的订单质量。

基于同一发明构思，本发明实施例还提供了一种服务器，参照图4所示，该服务器可以包括：预处理模块11、拆分模块12、训练模块13、验证模块14和部署模块15，其工作原理如下：

预处理模块11对历史订单中的字段数据进行预处理，得到标准化字段数据以及具有相同标准化字段数据的历史订单的支付成功概率。具体的，预处理模块11对所述历史订单中的字段数据进行填充缺失值、字符转数值、和/或归一化处理。其中，所述历史订单中的字段数据包括所述历史订单在提交前是否经过沟通的沟通数据。

拆分模块12将多个所述历史订单的标准化字段数据和支付成功概率按照预设的比例拆分成训练用数据和验证用数据。训练模块13以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量进行模型训练得到订单结果预测模型。具体的，训练模块13以所述训练用数据中的标准化字段数据为输入量，以与该输入量对应的支付成功概率为输出量输入到逻辑回归二分类训练模型中进行训练，得到所述订单结果预测模型。

验证模块14通过所述验证用数据对所述订单结果预测模型进行验证和优化，得到优化后的订单结果预测模型。具体的，验证模块14将所述验证用数据输入到所述订单结果预测模型中，使用混淆矩阵对所述订单结果预测模型进行验证和优化。部署模块15将优化后的所述订单结果预测模型部署到终端设备上。

本实施例所述服务器的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

基于同一发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述表单处理方法。本实施例所述计算机可读存储介质的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

实施例2

本发明实施例2提供了另一种表单处理方法，该方法通过终端设备执行完成，参照图5所示，该方法可以包括以下步骤：

步骤S51、终端设备将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率。

上述已有字段数据为上述不同维度的表单数据，例如上述f1-f15等维度的字段数据。具体的，所述已有字段数据为所述表单的固有字段数据和/或由用户填写的指定字段数据。

其中，所述固有字段数据是指交易表单中自带的不需用户(买家)填写的字段数据。例如交易表单中的买家国家(f2)、卖家国家(f3)、地址国家(f4)、商品最低购买单价(f9)、商品最低购买数量(f10)等。所述用户填写的指定字段数据是指用户(买家)在交易表单中填写的字段数据。例如交易表单中的运输方式(f5)、发货时间(f6)、商品单价(f7)、订单首款比例(f13)、是否包含规格属性(f14)等。

本步骤中根据输入已有字段数据，订单结果预测模型会预测出剩余的字段数据和已有字段数据组成订单后，该订单成功支付的概率。该剩余的字段数据会有多种组合方式，例如本发明实施例中交易表单的维度信息为实施例1中的f1-f15，输入的已有的字段数据包括：是否首单(f1)、买家国家(f2)、卖家国家(f3)、地址国家(f4)、商品数量(f8)、商品最低购买单价(f9)、商品最低购买数量(f10)、订单总金额(f11)、订单首款金额(f12)、是否包含规格属性(f14)、是否与卖家沟通(f15)，则剩余的字段数据包括：运输方式(f5)、发货时间(f6)、商品单价(f7)、订单首款比例(f13)。

剩余的字段数据中运输方式(f5)、发货时间(f6)等均会有不同的组合方式，下面举例三种不同的组合方式，如组合1为：汽车运输/每天18点前发货/单价50元/首款比例30％；组合2：航空运输/次日15点发货/单价53元/首款比例50％；组合3：轮船运输/每周四13点发货/单价48元/首款比例25％。上述每种组合方式与已有的字段数据组合成的交易表单，会形成三种不同的订单，每个订单会有不同的成功支付的概率(例如上述三组概率分别是70％、90％、55％)，本步骤的目的就是将已有字段数据输入到订单结果预测模型中，得到多个表示订单成功支付的概率。

需要说明的是，本步骤中的所述订单结果预测模型是根据实施例1中所述构建方法构建的。

步骤S52、将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据。

本步骤中，根据上述步骤S51得到的多个表示订单成功支付的概率，每种概率会对应着不同的订单，上述不同的订单就可以反推出每个概率对应的剩余的字段数据(例如步骤S51中的组合1、组合2、组合3)。当然，本步骤中也可以只选择多个表示订单成功支付的概率中最高概率对应的剩余字段数据的组合方式(如步骤S51中组合2的概率最高，可以直接选取组合2对应的剩余字段数据)，也可以以列表的形式将所有概率对应的剩余字段数据的组合推荐给用户，方便用户自己选择。步骤S53、根据所述剩余字段数据填写所述表单。

将步骤S52中获得的剩余字段数据在用户(买家)没有填写时，为用户默认填写，实现智能填写表单。当然，上述默认填写的剩余字段数据，也可以根据用户的实际需求进行修改，本发明实施例对此不作具体限定。参照图3所示，终端设备使用模型和表单已填写内容决策最佳填写内容，然后根据决策结果自动优化表单。

本发明提供的上述表单处理方法，在用户填写表单过程中遇到单价不确定、首付款比例不确定等情景时，使用已有的字段数据确定出多个表示订单成功支付的概率，从而推断出最合理的剩余字段数据并使用推荐的方式为用户默认填充。这样填写完成的订单的质量更好，在用户下单之后与卖家沟通的成本更低，从而卖家更愿意为用户服务，促进交易的达成。而且有效的避免了用户不知填写而形成恶意订单或者无效订单等情况的发生。这样用户在填写商品单价和商品数量时，交易表单中智能为用户默认填写最合理的首尾款比例，并且用户修改商品单价或商品数量时，也会重新填写更加合理的首尾款比例，实现智能填写交易表单的目的。同时能够使得填写表单操作简单化，降低沟通成本，减少计算机资源占用，提高了录入信息的准确性，优化订单质量，从而增高了买家直接下单的订单质量，促进买家完成支付。

基于同一发明构思，本发明实施例还提供了一种终端设备，参照图6所示，可以包括：概率预测模块51、字段确定模块52和表单填写模块53，其工作原理如下：

概率预测模块51将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率。其中，所述已有字段数据为所述表单的固有字段数据和/或由用户填写的指定字段数据。

字段确定模块52将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据。表单填写模块53根据所述剩余字段数据填写所述表单。其中，需要说明的是，所述订单结果预测模型是由实施例1中的所述服务器部署到该终端设备上的。

本实施例所述终端设备的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

基于同一发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述表单处理方法。本实施例所述计算机可读存储介质的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

实施例3

本发明实施例提供了一种表单处理系统，参照图7所示，该系统可以包括服务器1和终端设备2，其中，所述服务器1为上述实施例1中的服务器，所述终端设备2为上述实施例2中的终端设备，该系统实现表单处理可以参照图3所示，具体内容在此不再描述。

本发明实施例中所述系统的技术效果及相关举例说明可参见上述实施例1和实施例2中的相关内容，此处不再赘述。

实施例4

本发明实施例4提供了一种订单结果预测方法，该方法包括：根据历史订单中的字段数据与该历史订单的支付结果确定所述历史订单的成功支付概率；以及以所述字段数据为输入量并以所述概率为输出量进行模型训练得到订单结果预测模型。该方法中上述步骤的具体说明参照上述实施例1中的相关内容，在此不再赘述。

以下是本实施例中的一个具体的实施例，参照图8所示，该方法可以包括以下步骤：

步骤S81、对历史订单进行筛选，去除异常的历史订单。

其中，所述历史订单是指在买卖双方交易平台上产生的订单数据，也包括进行订单数据测试过程中产生的订单。所述异常的历史订单是指数量低于最低购买数量、单价低于最低购买单价等，或者恶意刷单产生的订单。通过去除异常的历史订单，获得有效的历史订单。

步骤S82、提取历史订单中的字段数据。

上述步骤S81和步骤S82执行不分先后，可以先去除异常的历史订单后对有效的历史订单进行字段数据提取，也可以先提取历史订单中的字段数据，再去除异常的历史订单，当然也可以同时执行上述步骤，只要能够完成对异常历史订单的去除和对历史订单中字段数据的提取即可，本发明实施例对此不作具体限定。

步骤S83、对字段数据进行标准化预处理。

步骤S84、根据历史订单中的字段数据与该历史订单的支付结果确定历史订单成功支付的概率。

使用上述步骤S83中标准化预处理后的字段数据和支付结果，将字段数据和相同的样品进行统计，并将所有样品对应的支付结果进行统计，从而确定出同一类型的订单成功支付的概率。

步骤S85、以字段数据为输入量并以概率为输出量进行模型训练得到订单结果预测模型。

步骤S86、使用另一组历史订单对订单结果预测模型进行评估。

本发明实施例中上述步骤S82-S86中的术语解释、举例说明以及有益效果参照上述实施例1中步骤S11-S13中的内容，在此不再赘述。

本步骤中使用机器学习/人工智能的方式进行大量的模型训练，所述机器学习是使用已有的数据或以往的经验值，来模拟人类的学习行为，以此优化技术或者业务。本发明实施例中是使用已有的历史订单数据，来实现如何智能填写表单。

本发明实施例中提供的上述订单结果预测模型是通过机器学习评估用户(买家)历史订单中的字段数据与用户是否完成支付行为之间的关系，预测不同历史订单中的不同字段数据是否会完成支付的概率，可以使用该模型反推出最合适的字段数据，帮助用户(买家)填写最合适的单价、最合适的收尾款比例等，进而降低沟通成本、提高买家直接下单的订单质量。

基于同一发明构思，本发明实施例提供了一种订单结果预测装置，参照图9所示，可以包括：订单获取模块81、字段提取模块82、字段处理模块83、概率确定模块84、模型构建模块85和模型评估模块86，其工作原理如下：

订单获取模块81对历史订单进行筛选，去除异常的历史订单；字段提取模块82提取历史订单中的字段数据；字段处理模块83对字段数据进行标准化预处理；概率确定模块84根据历史订单中的字段数据与该历史订单的支付结果确定所述历史订单成功支付的概率；模型构建模块85以所述字段数据为输入量并以所述概率为输出量进行模型训练得到所述订单结果预测模型；模型评估模块86使用另一组历史订单对订单结果预测模型进行评估。

本实施例所述装置的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

基于同一发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述订单结果预测方法。本实施例所述计算机可读存储介质的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

实施例5

本发明实施例提供了一种交易表单填写方法，参照图10所示，该方法可以包括：

步骤S101、将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率。

步骤S102、将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据。

步骤S103、根据所述剩余字段数据填写所述表单。

将步骤S102中获得的剩余字段数据在用户(买家)没有填写时，为用户默认填写，实现智能填写表单。当然，上述默认填写的剩余字段数据，也可以根据用户的实际需求进行修改，本发明实施例对此不作具体限定。

本发明提供的上述交易表单填写方法，在用户填写表单过程中遇到单价不确定、首付款比例不确定等情景时，使用已有的字段数据确定出多个表示订单成功支付的概率，从而推断出最合理的剩余字段数据并使用推荐的方式为用户默认填充。这样填写完成的订单的质量更好，在用户下单之后与卖家沟通的成本更低，从而卖家更愿意为用户服务，促进交易的达成。而且有效的避免了用户不知填写而形成恶意订单或者无效订单等情况的发生。这样用户在填写商品单价和商品数量时，交易表单中智能为用户默认填写最合理的首尾款比例，并且用户修改商品单价或商品数量时，也会重新填写更加合理的首尾款比例，实现智能填写交易表单的目的。

基于同一发明构思，本发明实施例提供了一种交易表单填写装置，参照图11所示，可以包括：概率预测模块101、字段确定模块102和表单填写模块103，其工作原理如下：

概率预测模块101将待填写的表单中的已有字段数据输入到订单结果预测模型中得到该表单的至少一个支付成功概率。字段确定模块102将最大的支付成功概率对应的历史订单与所述表单进行比较，确定该表单中的剩余字段数据。表单填写模块103根据所述剩余字段数据填写所述表单。

其中，所述订单结果预测模型是根据上述实施例4中的订单结果预测装置构建的。

可选的，上述交易表单填写装置可以设置在终端设备或服务器上，例如，设置在智能手机、电脑上，如使用PMML(Predictive Model Markup Language，全称预测模型标记语言，一种用于描述机器学习的训练模型的语言)模型描述语言定义，离线部署到手机客户端App资源目录中。

本实施例所述装置的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

基于同一发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述交易表单填写方法。本实施例所述计算机可读存储介质的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。

实施例6

本发明实施例提供了一种交易表单填写系统，参照图12所示，该系统可以包括上述实施例4中的订单结果预测装置和实施例5中的表单填写装置。

该系统可以整体安装在终端设备上，例如使用PMML(Predictive ModelMarkupLanguage，全称预测模型标记语言，一种用于描述机器学习的训练模型的语言)模型描述语言定义，离线部署到手机客户端App资源目录中。使用时，在客户端上实现实时决策引擎，根据不同的内容信息输入组合，预测每组组合可能会支付的概率，决策返回最佳的组合方式。在用户没有填写时，为用户智能默认填写，实现智能表单填写。

本实施例所述系统的技术效果及相关举例说明可参见上述实施例4和实施例5的相关内容，此处不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。