CN111242554B - 拣货方式类型确定方法和装置 - Google Patents

拣货方式类型确定方法和装置 Download PDF

Info

Publication number
CN111242554B
CN111242554B CN202010054201.5A CN202010054201A CN111242554B CN 111242554 B CN111242554 B CN 111242554B CN 202010054201 A CN202010054201 A CN 202010054201A CN 111242554 B CN111242554 B CN 111242554B
Authority
CN
China
Prior art keywords
order
target
type
account
picking mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010054201.5A
Other languages
English (en)
Other versions
CN111242554A (zh
Inventor
李青
陆杰
吴明辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Miaozhen Information Technology Co Ltd
Original Assignee
Miaozhen Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Miaozhen Information Technology Co Ltd filed Critical Miaozhen Information Technology Co Ltd
Priority to CN202010054201.5A priority Critical patent/CN111242554B/zh
Publication of CN111242554A publication Critical patent/CN111242554A/zh
Application granted granted Critical
Publication of CN111242554B publication Critical patent/CN111242554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种拣货方式类型确定方法和装置。其中，该方法包括：获取待确定拣货方式的类型的目标订单的订单信息；根据订单信息，生成目标订单的知识图谱；将知识图谱输入到目标识别模型中，其中，目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别目标订单的拣货方式的类型的模型，样本数据中包括样本订单的样本知识图谱，样本订单标注有拣货方式的类型；获取目标识别模型输出的识别结果，其中，识别结果用于指示目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。本发明解决了确定拣货方式效率低的技术问题。

Description

拣货方式类型确定方法和装置
技术领域
本发明涉及自动化领域，具体而言，涉及一种拣货方式类型确定方法和装置。
背景技术
现有技术中，在产生了一个订单后，通常需要对订单进行拣货。在确定使用何种拣货方式的过程中，通常需要通过订单中的属性如顾客的类型来人工确定拣货方式，然后根据确定的拣货方式，将订单分配给对应的员工，由员工进行拣货。
然而，上述确定拣货方式的方法需要消耗较大的人力，确定拣货方式的效率低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种拣货方式类型确定方法和装置，以至少解决确定拣货方式效率低的技术问题。
根据本发明实施例的一个方面，提供了一种拣货方式类型确定方法，包括：获取待确定拣货方式的类型的目标订单的订单信息；根据上述订单信息，生成上述目标订单的知识图谱；将上述知识图谱输入到目标识别模型中，其中，上述目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别上述目标订单的拣货方式的类型的模型，上述样本数据中包括样本订单的样本知识图谱，上述样本订单标注有拣货方式的类型；获取上述目标识别模型输出的识别结果，其中，上述识别结果用于指示上述目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
作为一种可选的示例，上述根据上述订单信息，生成上述目标订单的知识图谱包括：将上述订单信息中的每一个名词确定为上述知识图谱中的一个实体；将上述订单信息中每两个名词之间的关系确定为上述知识图谱中的知识；将具备上述知识的两个实体以线段连接。
作为一种可选的示例，在获取上述目标识别模型输出的上述识别结果之后，上述方法还包括：在上述识别结果指示上述目标订单的拣货方式的类型为摘果式拣货方式的情况下，将上述识别结果发送给第一账号组中的第一账号，其中，上述第一账号组中包括多个账号，上述第一账号组中的账号对应的对象用于采用摘果式拣货方式对上述目标订单进行拣货；在上述识别结果指示上述目标订单的拣货方式的类型为播种式拣货方式的情况下，将上述识别结果发送给第二账号组中的第二账号，其中，上述第二账号组中包括多个账号，上述第二账号组中的账号对应的对象用于采用播种式拣货方式对上述目标订单进行拣货。
作为一种可选的示例，在将上述知识图谱输入到上述目标识别模型中之前，上述方法还包括：获取N个上述样本知识图谱；将上述N个上述样本知识图谱输入到上述原始识别模型中，得到N个上述识别结果，其中，上述N个上述识别结果中，识别正确的识别结果为M个；在M/N大于第一阈值的情况下，将上述原始识别模型确定为上述目标识别模型；在上述M/N小于或等于上述第一阈值的情况下，调整上述原始识别模型，直到上述M/N大于上述第一阈值，其中，上述N与上述M为正整数。
作为一种可选的示例，上述订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。
根据本发明实施例的另一方面，还提供了一种拣货方式类型确定装置，包括：第一获取单元，用于获取待确定拣货方式的类型的目标订单的订单信息；生成单元，用于根据上述订单信息，生成上述目标订单的知识图谱；第一输入单元，用于将上述知识图谱输入到目标识别模型中，其中，上述目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别上述目标订单的拣货方式的类型的模型，上述样本数据中包括样本订单的样本知识图谱，上述样本订单标注有拣货方式的类型；第二获取单元，用于获取上述目标识别模型输出的识别结果，其中，上述识别结果用于指示上述目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
作为一种可选的示例，上述生成单元包括：第一确定模块，用于将上述订单信息中的每一个名词确定为上述知识图谱中的一个实体；第二确定模块，用于将上述订单信息中每两个名词之间的关系确定为上述知识图谱中的知识；连接模块，用于将具备上述知识的两个实体以线段连接。
作为一种可选的示例，上述装置还包括：第一发送单元，用于在获取上述目标识别模型输出的上述识别结果之后，在上述识别结果指示上述目标订单的拣货方式的类型为摘果式拣货方式的情况下，将上述识别结果发送给第一账号组中的第一账号，其中，上述第一账号组中包括多个账号，上述第一账号组中的账号对应的对象用于采用摘果式拣货方式对上述目标订单进行拣货；第二发送单元，用于在上述识别结果指示上述目标订单的拣货方式的类型为播种式拣货方式的情况下，将上述识别结果发送给第二账号组中的第二账号，其中，上述第二账号组中包括多个账号，上述第二账号组中的账号对应的对象用于采用播种式拣货方式对上述目标订单进行拣货。
作为一种可选的示例，上述装置还包括：第三获取单元，用于获取N个上述样本知识图谱；第二输入单元，用于将上述N个上述样本知识图谱输入到上述原始识别模型中，得到N个上述识别结果，其中，上述N个上述识别结果中，识别正确的识别结果为M个；确定单元，用于在M/N大于第一阈值的情况下，将上述原始识别模型确定为上述目标识别模型；调整正单元，用于在上述M/N小于或等于上述第一阈值的情况下，调整上述原始识别模型，直到上述M/N大于上述第一阈值，其中，上述N与上述M为正整数。
作为一种可选的示例，上述订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。
在本发明实施例中，采用获取待确定拣货方式的类型的目标订单的订单信息；根据上述订单信息，生成上述目标订单的知识图谱；将上述知识图谱输入到目标识别模型中，其中，上述目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别上述目标订单的拣货方式的类型的模型，上述样本数据中包括样本订单的样本知识图谱，上述样本订单标注有拣货方式的类型；获取上述目标识别模型输出的识别结果，其中，上述识别结果用于指示上述目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式的方式，由于在上述方式中，可以获取目标订单的订单信息，然后根据订单信息生成知识图谱，并通过识别模型识别知识图谱，从而实现了根据目标订单的知识图谱自动识别对目标订单执行的拣货方式的类型的目的，提高了确定拣货方式的效率。进而解决了确定拣货方式效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的拣货方式类型确定方法的流程示意图；
图2是根据本发明实施例的一种可选的拣货方式类型确定方法的示意图；
图3是根据本发明实施例的一种可选的拣货方式类型确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种拣货方式类型确定方法，可选地，作为一种可选的实施方式，如图1所示，上述拣货方式确定方法包括：
S102，获取待确定拣货方式的类型的目标订单的订单信息；
S104，根据订单信息，生成目标订单的知识图谱；
S106，将知识图谱输入到目标识别模型中，其中，目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别目标订单的拣货方式的类型的模型，样本数据中包括样本订单的样本知识图谱，样本订单标注有拣货方式的类型；
S108，获取目标识别模型输出的识别结果，其中，识别结果用于指示目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
可选地，上述拣货方式类型确定方法可以但不限于应用于物流拣货过程中，以物流过程为例，在获取到目标订单并需要对目标订单进行拣货时，首先可以获取目标订单中的订单信息。此步骤可以由机器对目标订单进行识别，得到目标订单中的订单信息。然后，根据订单信息生成目标订单的知识图谱，将目标订单的知识图谱输入到目标识别模型中，由目标识别模型输出识别结果，识别结果中包括了目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
通过上述方法，实现了自动对目标订单的拣货方式的类型进行确定，提高了确定目标订单的拣货方式的类型的效率。
可选地，本方案中订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。此外，还可以包括其他信息，本实施例不做限定。
例如，目标订单的订单信息包括了商品的编号，商品的数量，商品的体积，商品的重量，则获取到订单信息后，可以根据订单信息确定订单信息中的实体，然后在两个实体存在关系的情况下，将两个实体连接。例如，如图2所示，图2为一种可选的知识图谱。知识图谱中记录了订单信息。商品编号为1002，体积为3立方米，重量两百千克，数量10个。通过识别知识图谱，可以获取到对该目标订单的拣货方式的类型。
可选地，本方案中可以预先设置不同的组别，不同的组别中的工作人员使用不同的拣货方式拣货。如设置第一组与第二组，第一组工作人员对应的第一账号组，第二组工作人员对应的第二账号组。在确定对目标订单的拣货方式的类型为摘果式拣货方式的情况下，将识别结果发送给第一账号组中的第一账号，可以从第一账号组中随机抽取第一账号，或者将第一账号组中处于空闲状态时间最长的账号确定为第一账号。第一账号对应的工作人员使用摘果式拣货方式拣货。若是识别结果指示目标订单的拣货方式的类型为播种式拣货方式，将识别结果发送给第二账号组中的第二账号，其中，第二账号组中包括多个账号，可以从第二账号组中随机抽取第二账号，或者将第二账号组中处于空闲状态时间最长的账号确定为第二账号。第二账号组中的账号对应的对象用于采用播种式拣货方式对目标订单进行拣货。
可选地，本方案中的目标识别模型需要经过预训练。可以获取样本数据，样本数据包括了样本订单的样本知识图谱，样本知识图谱被标注有拣货方式的类型。将样本指示图谱输入到原始识别模型中，对原始识别模型进行训练。当原始识别模型的识别准确度大于第一阈值时，确定原始识别模型为目标识别模型。并将目标识别模型投入使用。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述拣货方式类型确定方法的拣货方式类型确定装置。如图3所示，该装置包括：
(1)第一获取单元302，用于获取待确定拣货方式的类型的目标订单的订单信息；
(2)生成单元304，用于根据订单信息，生成目标订单的知识图谱；
(3)第一输入单元306，用于将知识图谱输入到目标识别模型中，其中，目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别目标订单的拣货方式的类型的模型，样本数据中包括样本订单的样本知识图谱，样本订单标注有拣货方式的类型；
(4)第二获取单元308，用于获取目标识别模型输出的识别结果，其中，识别结果用于指示目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
可选地，上述拣货方式类型确定装置可以但不限于应用于物流拣货过程中，以物流过程为例，在获取到目标订单并需要对目标订单进行拣货时，首先可以获取目标订单中的订单信息。此步骤可以由机器对目标订单进行识别，得到目标订单中的订单信息。然后，根据订单信息生成目标订单的知识图谱，将目标订单的知识图谱输入到目标识别模型中，由目标识别模型输出识别结果，识别结果中包括了目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式。
通过上述装置，实现了自动对目标订单的拣货方式的类型进行确定，提高了确定目标订单的拣货方式的类型的效率。
可选地，本方案中订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。此外，还可以包括其他信息，本实施例不做限定。
例如，目标订单的订单信息包括了商品的编号，商品的数量，商品的体积，商品的重量，则获取到订单信息后，可以根据订单信息确定订单信息中的实体，然后在两个实体存在关系的情况下，将两个实体连接。例如，如图2所示，图2为一种可选的知识图谱。知识图谱中记录了订单信息。商品编号为1002，体积为3立方米，重量两百千克，数量10个。通过识别知识图谱，可以获取到对该目标订单的拣货方式的类型。
可选地，本方案中可以预先设置不同的组别，不同的组别中的工作人员使用不同的拣货方式拣货。如设置第一组与第二组，第一组工作人员对应的第一账号组，第二组工作人员对应的第二账号组。在确定对目标订单的拣货方式的类型为摘果式拣货方式的情况下，将识别结果发送给第一账号组中的第一账号，可以从第一账号组中随机抽取第一账号，或者将第一账号组中处于空闲状态时间最长的账号确定为第一账号。第一账号对应的工作人员使用摘果式拣货方式拣货。若是识别结果指示目标订单的拣货方式的类型为播种式拣货方式，将识别结果发送给第二账号组中的第二账号，其中，第二账号组中包括多个账号，可以从第二账号组中随机抽取第二账号，或者将第二账号组中处于空闲状态时间最长的账号确定为第二账号。第二账号组中的账号对应的对象用于采用播种式拣货方式对目标订单进行拣货。
可选地，本方案中的目标识别模型需要经过预训练。可以获取样本数据，样本数据包括了样本订单的样本知识图谱，样本知识图谱被标注有拣货方式的类型。将样本指示图谱输入到原始识别模型中，对原始识别模型进行训练。当原始识别模型的识别准确度大于第一阈值时，确定原始识别模型为目标识别模型。并将目标识别模型投入使用。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种拣货方式类型确定方法，其特征在于，包括：
获取待确定拣货方式的类型的目标订单的订单信息；
根据所述订单信息，生成所述目标订单的知识图谱；
将所述知识图谱输入到目标识别模型中，其中，所述目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别所述目标订单的拣货方式的类型的模型，所述样本数据中包括样本订单的样本知识图谱，所述样本订单标注有拣货方式的类型；
获取所述目标识别模型输出的识别结果，其中，所述识别结果用于指示所述目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式；
将所述识别结果发送给处于空闲状态时间最长的目标账号，所述账号对应的对象根据所述识别结果对所述目标订单进行拣货，其中，所述目标账号为与所述识别结果对应的账号组中的账号；
在将所述知识图谱输入到所述目标识别模型之前，所述方法还包括获取N个样本知识图谱；
将所述N个所述样本知识图谱输入到所述原始识别模型中，得到N个所述识别结果，其中，所述N个所述识别结果中，识别正确的识别结果为M个;
在M/N大于第一阈值的情况下，将所述原始识别模型确定为所述目标识别模型;
在所述M/N小于或等于所述第一阈值的情况下，调整所述原始识别模型，直到所述M/N大于所述第一阈值，其中，所述N与所述M为正整数。
2.根据权利要求1所述的拣货方式类型确定方法，其特征在于，所述根据所述订单信息，生成所述目标订单的知识图谱包括：
将所述订单信息中的每一个名词确定为所述知识图谱中的一个实体；
将所述订单信息中每两个名词之间的关系确定为所述知识图谱中的知识；
将具备所述知识的两个实体以线段连接。
3.根据权利要求1所述的拣货方式类型确定方法，其特征在于，在获取所述目标识别模型输出的所述识别结果之后，所述方法还包括：
在所述识别结果指示所述目标订单的拣货方式的类型为摘果式拣货方式的情况下，将所述识别结果发送给第一账号组中的第一账号，其中，所述第一账号组中包括多个账号，所述第一账号组中的账号对应的对象用于采用摘果式拣货方式对所述目标订单进行拣货；
在所述识别结果指示所述目标订单的拣货方式的类型为播种式拣货方式的情况下，将所述识别结果发送给第二账号组中的第二账号，其中，所述第二账号组中包括多个账号，所述第二账号组中的账号对应的对象用于采用播种式拣货方式对所述目标订单进行拣货。
4.根据权利要求1至3任意一项所述的拣货方式类型确定方法，其特征在于，所述订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。
5.一种拣货方式类型确定装置，其特征在于，包括：
第一获取单元，用于获取待确定拣货方式的类型的目标订单的订单信息；
生成单元，用于根据所述订单信息，生成所述目标订单的知识图谱；
第一输入单元，用于将所述知识图谱输入到目标识别模型中，其中，所述目标识别模型为使用样本数据对原始识别模型进行训练得到的用于识别所述目标订单的拣货方式的类型的模型，所述样本数据中包括样本订单的样本知识图谱，所述样本订单标注有拣货方式的类型；
第二获取单元，用于获取所述目标识别模型输出的识别结果，其中，所述识别结果用于指示所述目标订单的拣货方式的类型为摘果式拣货方式或者播种式拣货方式；
所述拣货方式确定装置还用于，将所述识别结果发送给处于空闲状态时间最长的目标账号，所述账号对应的对象根据所述识别结果对所述目标订单进行拣货，其中，所述目标账号为与所述识别结果对应的账号组中的账号；
所述拣货方式确定装置还包括：第三获取单元，用于获取N个样本知识图谱；
第二输入单元，用于将所述N个所述样本知识图谱输入到所述原始识别模型中，得到N个所述识别结果，其中，所述N个所述识别结果中，识别正确的识别结果为M个；
确定单元，用于在M/N大于第一阈值的情况下，将所述原始识别模型确定为所述目标识别模型；
调整正单元，用于在所述M/N小于或等于所述第一阈值的情况下，调整所述原始识别模型，直到所述M/N大于所述第一阈值，其中，所述N与所述M为正整数。
6.根据权利要求5所述的拣货方式类型确定装置，其特征在于，所述生成单元包括：
第一确定模块，用于将所述订单信息中的每一个名词确定为所述知识图谱中的一个实体；
第二确定模块，用于将所述订单信息中每两个名词之间的关系确定为所述知识图谱中的知识；
连接模块，用于将具备所述知识的两个实体以线段连接。
7.根据权利要求5所述的拣货方式类型确定装置，其特征在于，所述装置还包括：
第一发送单元，用于在获取所述目标识别模型输出的所述识别结果之后，在所述识别结果指示所述目标订单的拣货方式的类型为摘果式拣货方式的情况下，将所述识别结果发送给第一账号组中的第一账号，其中，所述第一账号组中包括多个账号，所述第一账号组中的账号对应的对象用于采用摘果式拣货方式对所述目标订单进行拣货；
第二发送单元，用于在所述识别结果指示所述目标订单的拣货方式的类型为播种式拣货方式的情况下，将所述识别结果发送给第二账号组中的第二账号，其中，所述第二账号组中包括多个账号，所述第二账号组中的账号对应的对象用于采用播种式拣货方式对所述目标订单进行拣货。
8.根据权利要求5至7任意一项所述的拣货方式类型确定装置，其特征在于，所述订单信息包括以下信息的至少之一：订单类型，订单商品行、订单商品数量、商品体积、商品重量、商品库存，商品位置，顾客类型，订单约定配送时间，配送方式，订单约定配送抵达时间。
CN202010054201.5A 2020-01-17 2020-01-17 拣货方式类型确定方法和装置 Active CN111242554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010054201.5A CN111242554B (zh) 2020-01-17 2020-01-17 拣货方式类型确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010054201.5A CN111242554B (zh) 2020-01-17 2020-01-17 拣货方式类型确定方法和装置

Publications (2)

Publication Number Publication Date
CN111242554A CN111242554A (zh) 2020-06-05
CN111242554B true CN111242554B (zh) 2023-10-17

Family

ID=70864804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010054201.5A Active CN111242554B (zh) 2020-01-17 2020-01-17 拣货方式类型确定方法和装置

Country Status (1)

Country Link
CN (1) CN111242554B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113680713B (zh) * 2021-07-30 2023-05-30 广州佳帆计算机有限公司 一种商品分拣方法及装置

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008133509A1 (en) * 2007-04-25 2008-11-06 Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno Machine learning hyperparameter estimation
JP2011194287A (ja) * 2010-03-17 2011-10-06 Toshiba Corp 集中情報処理装置及び集中情報処理システム
CN104174599A (zh) * 2013-05-22 2014-12-03 吴宁飞 适合于货物和货主数量较大的情况的物流分拣方法及装置
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN205217388U (zh) * 2015-11-04 2016-05-11 武汉理工大学 基于条码与射频识别电子标签的自动分拣装置
CN106844658A (zh) * 2017-01-23 2017-06-13 中山大学 一种中文文本知识图谱自动构建方法及系统
CN107464169A (zh) * 2017-08-10 2017-12-12 北京小度信息科技有限公司 信息输出方法和装置
CN107545282A (zh) * 2016-06-27 2018-01-05 宣邦智能科技（上海）有限公司 一种边摘边播拣货系统、方法及智能终端
CN107609052A (zh) * 2017-08-23 2018-01-19 中国科学院软件研究所 一种基于语义三角的领域知识图谱的生成方法及装置
CN107705066A (zh) * 2017-09-15 2018-02-16 广州唯品会研究院有限公司 一种商品入库时信息录入方法及电子设备
CN108415916A (zh) * 2017-02-10 2018-08-17 北京京东尚科信息技术有限公司 货物分拣提示方法、装置与电子设备
CN108875725A (zh) * 2018-06-05 2018-11-23 华南理工大学 一种基于视觉识别的邮件自动分拣装置及方法
WO2019006583A1 (zh) * 2017-07-03 2019-01-10 北京极智嘉科技有限公司 接力式货物拣选系统和拣选方法
CN109241983A (zh) * 2018-09-13 2019-01-18 电子科技大学 一种图像处理与神经网络结合的条烟图像识别方法
CN109544081A (zh) * 2018-12-08 2019-03-29 武汉普罗格集成科技有限公司 物流拣选模式匹配方法及系统
CN109711780A (zh) * 2018-12-26 2019-05-03 秒针信息技术有限公司 运输消息通知方法和装置
CN109969178A (zh) * 2019-03-26 2019-07-05 齐鲁工业大学 基于多元传感器多物料自主搬运装置及方法
CN110070197A (zh) * 2018-01-22 2019-07-30 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN110197309A (zh) * 2019-06-05 2019-09-03 北京极智嘉科技有限公司 订单处理方法、装置、设备和存储介质
WO2019165891A1 (zh) * 2018-03-02 2019-09-06 北京京东尚科信息技术有限公司 用户选购商品识别方法、装置以及智能货架系统
CN110210408A (zh) * 2019-06-04 2019-09-06 黑龙江省七星农场 基于卫星与无人机遥感结合的作物生长预测系统及方法
CN110516625A (zh) * 2019-08-29 2019-11-29 华育昌(肇庆)智能科技研究有限公司 一种垃圾识别分类的方法、系统、终端及存储介质
WO2019227948A1 (zh) * 2018-05-28 2019-12-05 广州极飞科技有限公司 目标区域作业的规划方法、装置、存储介质及处理器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038183B (zh) * 2017-12-08 2020-11-24 北京百度网讯科技有限公司 结构化实体收录方法、装置、服务器和存储介质

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008133509A1 (en) * 2007-04-25 2008-11-06 Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno Machine learning hyperparameter estimation
JP2011194287A (ja) * 2010-03-17 2011-10-06 Toshiba Corp 集中情報処理装置及び集中情報処理システム
CN104174599A (zh) * 2013-05-22 2014-12-03 吴宁飞 适合于货物和货主数量较大的情况的物流分拣方法及装置
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN205217388U (zh) * 2015-11-04 2016-05-11 武汉理工大学 基于条码与射频识别电子标签的自动分拣装置
CN107545282A (zh) * 2016-06-27 2018-01-05 宣邦智能科技（上海）有限公司 一种边摘边播拣货系统、方法及智能终端
CN106844658A (zh) * 2017-01-23 2017-06-13 中山大学 一种中文文本知识图谱自动构建方法及系统
CN108415916A (zh) * 2017-02-10 2018-08-17 北京京东尚科信息技术有限公司 货物分拣提示方法、装置与电子设备
WO2019006583A1 (zh) * 2017-07-03 2019-01-10 北京极智嘉科技有限公司 接力式货物拣选系统和拣选方法
CN107464169A (zh) * 2017-08-10 2017-12-12 北京小度信息科技有限公司 信息输出方法和装置
CN107609052A (zh) * 2017-08-23 2018-01-19 中国科学院软件研究所 一种基于语义三角的领域知识图谱的生成方法及装置
CN107705066A (zh) * 2017-09-15 2018-02-16 广州唯品会研究院有限公司 一种商品入库时信息录入方法及电子设备
CN110070197A (zh) * 2018-01-22 2019-07-30 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
WO2019165891A1 (zh) * 2018-03-02 2019-09-06 北京京东尚科信息技术有限公司 用户选购商品识别方法、装置以及智能货架系统
WO2019227948A1 (zh) * 2018-05-28 2019-12-05 广州极飞科技有限公司 目标区域作业的规划方法、装置、存储介质及处理器
CN108875725A (zh) * 2018-06-05 2018-11-23 华南理工大学 一种基于视觉识别的邮件自动分拣装置及方法
CN109241983A (zh) * 2018-09-13 2019-01-18 电子科技大学 一种图像处理与神经网络结合的条烟图像识别方法
CN109544081A (zh) * 2018-12-08 2019-03-29 武汉普罗格集成科技有限公司 物流拣选模式匹配方法及系统
CN109711780A (zh) * 2018-12-26 2019-05-03 秒针信息技术有限公司 运输消息通知方法和装置
CN109969178A (zh) * 2019-03-26 2019-07-05 齐鲁工业大学 基于多元传感器多物料自主搬运装置及方法
CN110210408A (zh) * 2019-06-04 2019-09-06 黑龙江省七星农场 基于卫星与无人机遥感结合的作物生长预测系统及方法
CN110197309A (zh) * 2019-06-05 2019-09-03 北京极智嘉科技有限公司 订单处理方法、装置、设备和存储介质
CN110516625A (zh) * 2019-08-29 2019-11-29 华育昌(肇庆)智能科技研究有限公司 一种垃圾识别分类的方法、系统、终端及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙凯 ; 刘玉华 ; 张成海 ; 王长波 ; .基于网络数据的企业知识图谱可视化.东华大学学报(自然科学版).2016,(第04期),第473-477页. *
李诗珍,王转,陶仲卿.配送中心拣货方式决策模型及应用.江汉石油学院学报(社科版).2002,(第02期),第52-53页. *
熊晶.《甲骨学知识图谱构建方法研究》.科学技术文献出版社,2019,(第1版),第171页. *
蒋峻 ; 李津宇 ; 郑继华 ; .基于Demo3D的快递分拣系统优化与仿真研究.物流技术.2017,(第01期),第77-83页. *
黄恒琪 ; 于娟 ; 廖晓 ; 席运江 ; .知识图谱研究综述.计算机系统应用.2019,(第06期),第3-15页. *

Also Published As

Publication number Publication date
CN111242554A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN110990546B (zh) 智能问答语料库更新方法和装置
CN112860676B (zh) 应用于大数据挖掘和业务分析的数据清洗方法及云服务器
CN110795584A (zh) 一种用户标识生成方法、装置及终端设备
CN110717189A (zh) 数据泄露识别方法、装置及设备
CN111242554B (zh) 拣货方式类型确定方法和装置
CN101604273B (zh) 指纹识别系统的自动测试方法
CN103475532B (zh) 硬件检测方法和系统
CN108182444A (zh) 基于场景分类的视频质量诊断的方法及装置
CN109165947B (zh) 账户信息确定方法、装置及服务器
CN110209575A (zh) 测试文档生成方法、装置、电子设备及存储介质
CN111429061A (zh) 订单分配方法和装置
CN101587511A (zh) 一种计算机辅助考试系统中简答题的判分方法
CN112231272B (zh) 基于远程在线办公的信息处理方法及计算机设备
JP6574310B2 (ja) 評価情報のマッチング方法、装置及びサーバー
CN109600428A (zh) 一种自动化上传附件并匹配关联的方法和装置
CN114612897A (zh) 一种智能果蔬称重打票方法、装置、电子设备及存储介质
CN108701390B (zh) 一种收银机测试厨打功能的方法及系统
CN113707254A (zh) 体检数据处理方法、装置、设备及存储介质
CN112184493A (zh) 基于大数据和装配式建筑平台的数据处理方法、系统及存储介质
CN110570933B (zh) 在没有mpps服务下计算影像学检查时长的系统及方法
CN110209920A (zh) 媒体资源的处理方法和装置、存储介质及电子装置
CN211577949U (zh) 半导体测试设备的扩展装置以及利用其的系统
CN113342816B (zh) 目录上报方法和装置
CN110688997B (zh) 一种图像处理方法及装置
CN110019543A (zh) 一种时序聚类的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant