CN105580044A

CN105580044A - 产品推荐设备、产品推荐方法和记录介质

Info

Publication number: CN105580044A
Application number: CN201480051774.5A
Authority: CN
Inventors: 本桥洋介; 落合光太郎; 后藤范人
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2013-09-20
Filing date: 2014-08-21
Publication date: 2016-05-11
Also published as: US20160210681A1; WO2015040789A1; JP6459968B2; JPWO2015040789A1

Abstract

本发明公开了一种产品推荐设备，该产品推荐设备推荐在许多店铺中将销售得很好的产品而非仅在一些店铺中销售得很好的产品。针对在多个店铺处销售的多个产品中的每个产品，得分计算单元(90)计算随着出货量和正被销售的相关产品所在的店铺的数目二者而增加的得分。产品推荐单元(91)推荐具有比正在做出推荐的店铺处销售的产品更高得分的产品。

Description

产品推荐设备、产品推荐方法和记录介质

技术领域

本发明涉及一种产品推荐设备、一种产品推荐方法以及一种记录介质。

背景技术

如NPL1中所公开的，ABC分析是用于推荐在店铺处要被销售的产品的技术中的一种技术。利用ABC分析，基于销售对店铺处要被销售的产品进行排名，并且基于排名结果来推荐新产品。

NPL2公开了用于通过近似代表隐变量模型的混合模型的完整的边际似然函数并且然后最大化其下界(下限)来确定观测概率的类型的方法。

[引文列表]

[专利文献]

[PTL1]日本专利第4139410号

[PTL2]日本未审查的专利申请公开第2010-128779号

[PTL3]国际公布WO2012/128207

[非专利文献]

[NPL1]"ABCanalysis"，[在线]，维基百科，[在2013年9月19日搜索的]因特网<URL:http://en.wikipedia.org/wiki/ABC_analysis)>

[NPL2]RyoheiFujimaki、SatoshiMorinaga：FactorizedAsymptoticBayesianInferenceforMixtureModeling。

Proceedings_of_the_fifteenth_international_conference_on_Artificial_Intelligence_and_Statistics(AISTATS)，2012年3月。

发明内容

[技术问题]

ABC分析具有如下问题：例如，在推荐指导多个店铺处要被销售的产品的商品的分类时，推荐仅在多个店铺销售并且仅在一些店铺销售得很好的产品。

本发明的主要目的是提供一种解决上文所描述的问题的产品推荐设备、一种产品推荐方法以及一种记录介质。

[问题方案]

第一方面是一种产品推荐设备，该产品推荐设备推荐要在店铺处被交易的产品，该设备包括：

得分计算装置，该得分计算装置用于针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分；以及

产品推荐装置，该产品推荐装置用于推荐产品，该产品的得分高于正被做出推荐的店铺处正被交易的产品的得分。

第二方面是一种产品推荐方法，包括：

使用信息处理装置针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分；并且由此推荐产品，该产品的得分高于正被做出推荐的店铺处正被交易的产品的得分。

第三方面是一种记录介质，该记录介质记录用于使得计算机执行以下各项的程序：

针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分的得分计算功能；以及

推荐产品的产品推荐功能，该产品的得分高于正被做出推荐的店铺处正被交易的产品的得分。

[发明的有利影响]

根据上文所提到的方面，可以推荐在许多店铺中热销的产品，而不是仅在一些店铺中销售得好的产品。

附图说明

[图1]图1是图示根据本发明的至少一个示例性实施例的出货量预测系统的示例性配置的框图。

[图2A]图2A是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的示例的表。

[图2B]图2B是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的另一示例的表。

[图2C]图2C是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的又一示例的表。

[图2D]图2D是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的又一示例的表。

[图2E]图2E是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的又一示例的表。

[图2F]图2F是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的又一示例的表。

[图2G]图2G是图示根据本发明的至少一个示例性实施例的被存储在学习数据库中的信息的又一示例的表。

[图3]图3是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计设备的示例性配置的框图。

[图4]图4是图示根据本发明的至少一个示例性实施例的分层隐变量变分概率计算单元的示例性配置的框图。

[图5]图5是图示根据本发明的至少一个示例性实施例的门函数优化单元的示例性配置的框图。

[图6]图6是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计设备的示例性操作的流程图。

[图7]图7是图示根据本发明的至少一个示例性实施例的分层隐变量变分概率计算单元的示例性的流程图。

[图8]图8是图示根据本发明的至少一个示例性实施例的门函数优化单元的示例性操作的流程图。

[图9]图9是图示根据本发明的至少一个示例性实施例的出货量预测设备的示例性配置的框图。

[图10]图10是图示根据本发明的至少一个示例性实施例的出货量预测设备的示例性操作的流程图。

[图11]图11是图示根据本发明的至少一个示例性实施例的另一分层隐变量模型估计设备的示例性配置的框图。

[图12]图12是图示根据本发明的至少一个示例性实施例的分层隐结构优化单元的示例性配置的框图。

[图13]图13是图示根据本发明的至少一个示例性实施例的分层隐变量模型估计设备的示例性操作的流程图。

[图14]图14是图示根据本发明的至少一个示例性实施例的分层隐结构优化单元的示例性操作的流程图。

[图15]图15是图示根据本发明的至少一个示例性实施例的另一门函数优化单元的示例性配置的框图。

[图16]图16是图示根据本发明的至少一个示例性实施例的门函数优化单元的示例性操作的流程图。

[图17]图17是图示根据本发明的至少一个示例性实施例的另一出货量预测设备的示例性配置的框图。

[图18A]图18A是图示根据本发明的至少一个示例性实施例的出货量预测设备的示例性操作(1/2)的流程图。

[图18B]图18B是图示根据本发明的至少一个示例性实施例的出货量预测设备的另一示例性操作(2/2)的流程图。

[图19]图19是图示根据本发明的至少一个示例性实施例的又一出货量预测设备的示例性配置的框图。

[图20]图20是图示根据本发明的至少一个示例性实施例的另一出货量预测系统的示例性配置的框图。

[图21]图21是图示根据本发明的至少一个示例性实施例的产品推荐设备的示例性配置的框图。

[图22]图22是图示聚类中的产品的销售的示例性趋势的图表。

[图23]图23是图示根据本发明的至少一个示例性实施例的产品推荐设备的示例性操作的流程图。

[图24]图24是图示产品推荐设备的基本配置的框图。

[图25]图25是图示根据本发明的至少一个示例性实施例的计算机的配置的示意性框图。

具体实施方式

在本说明书中提到的分层隐变量模型被定义为具有由分层结构(例如，树形结构)表示的隐变量的概率模型。将表示概率模型的成分分配给分层隐变量模型的最低层处的节点。将作为用于根据输入信息选择节点的准则的门函数(门函数模型)分派给节点(中间节点；在下文中将被称为“分支节点”，出于方便的缘故，将树形结构当作示例)，而不是最低层处的节点。

在下文中，将参考当作示例的两层分层隐变量模型来描述出货量预测设备的过程和其他细节。出于描述方便的缘故，分层结构被假定为树形结构。然而，在通过将以下示例性实施例当作示例待阐述的本发明中，分层结构不总是树形结构。

当分层结构被假定为树形结构时，因为树形结构没有回路，所以从根节点到某个节点的过程仅是一次。分层隐结构中的从根节点到某个节点的过程(链路)在下文中将被称为“路径”。通过跟踪针对每个路径的隐变量，确定路径隐变量。例如，最低层路径隐变量被定义为针对从根节点到最低层处的节点的每个路径所确定的路径隐变量。

以下描述假定输入数据序列xⁿ(n＝1,...,N)。假定每个xⁿ被定义为M维多变量数据序列(xⁿ＝x₁ ⁿ,...,x_M ⁿ)。数据序列xⁿ有时还用作观测变量。如下定义了观测变量xⁿ的第一层分支隐变量Z_i ⁿ、最低层分支隐变量Z_j|i ⁿ和最低层路径隐变量Z_ij ⁿ。

z_i ⁿ＝1表示当基于根节点的xⁿ输入来选择节点时，到第一层处的第i个节点的分支发生。z_i ⁿ＝0表示当基于根节点的xⁿ输入来选择节点时，没有到第一层处的第i个节点的分支发生。Z_j|i ⁿ＝1表示当基于第一层处的第i个节点的xⁿ输入来选择节点时，到第二层处的第j个节点的分支发生。Z_j|i ⁿ＝0表示当基于第一层处的第i个节点的xⁿ输入来选择节点时，没有到第二层处的第j个节点的分支发生。

z_ij ⁿ＝1表示当基于根节点的xⁿ输入来选择节点时，通过穿过第一层处的第i个节点和第二层处的第j个节点所跟踪的成分的分支发生。z_ij ⁿ＝0表示当基于根节点的xⁿ输入来选择节点时，没有通过穿过第一层处的第i个节点和第二层处的第j个节点所跟踪的成分的分支发生。

由于满足∑_iz_i ⁿ＝1、∑_jZ_j|i ⁿ＝1和z_ij ⁿ＝Z_i ⁿ-Z_j|i ⁿ，我们具有Z_i ⁿ＝∑_jz_ij ⁿ。x和最低层路径隐变量Z_ij ⁿ的表示值z的组合被称为“完全变量”。与此相反，x被称为不完全变量。

等式1表示针对完全变量的深度2的分层隐变量模型联合分布。

换句话说，等式1中的P(x,y)＝P(x,z_1st,Z_2nd)表示针对完全变量的深度2的分层隐变量模型联合分布。在等式1中，z_1st ⁿ是Z_i ⁿ的表示值，并且Z_2nd ⁿ是Z_j|i ⁿ的表示值。针对第一层分支隐变量Z_j|i ⁿ的变分分布被表示为q(z_i ⁿ)，并且针对最低层隐变量z_ij ⁿ的变分分布被表示为q(z_ij ⁿ)。

在等式1中，K₁是第一层中的节点的数目，并且K₂是从第一层处的每个节点分支的节点的数目。在这种情况下，最低层处的成分表达为K₁·K₂。令θ＝(β,β₁,……,β_k1,φ₁,……φ_K1·K2)为模型参数，其中，β是根节点的分支参数，β_k是第一层处的第k个节点的分支参数，并且φ_k是第k个成分的观测参数。

令S₁,……,S_K1·K2为φ_k的观测概率的类型。在例如多变量数据生成概率的情况下，针对S₁至S_K1·K2的候选的示例可以包括{正态分布,对数正态分布,指数分布}。备选地，当例如输出多项式曲线时，针对S₁至S_K1·K2的候选的示例可以包括{零次曲线,线性曲线,二次曲线,三次曲线}。

深度2的分层隐变量模型在下文中将被当作特定示例。然而，根据至少一个示例性实施例的分层隐变量模型不限于深度2的分层隐变量模型并且可以被定义为深度1或者3或者更多的分层隐变量模型。在这种情况下，以及深度2的分层隐变量模型，仅需要导出等式1和(稍后将被描述的)等式2至4，从而实现具有类似配置的估计设备。

在下文中将描述具有X作为目标变量的分布。然而，与回归或者确定中相同，适于观测分布用作条件模型P(Y|X)(Y是目标概率变量)的情况。

在本发明的示例性实施例的描述之前，下文将描述根据任何这些实施例的估计设备与NPL2中所描述的混合隐变量模型的估计方法之间的基本差异。

NPL2中所公开的方法假定具有隐变量作为用于每个成分的指示器的一般混合模型。然后，导出优化准则，如NPL2的等式10中所呈现的。然而，考虑到被表达为NPL2中的等式6的Fisher信息矩阵，NPL2中所描述的方法假设用作针对每个成分的指示器的隐变量的概率分布仅取决于混合模型中的混合比例。因此，由于不能根据输入切换成分，因而该优化准则是不适当的。

为了解决该问题，设定分层隐变量和执行根据适当的优化准则所涉及的计算是必要的，如将在以下示例性实施例中所示的。以下示例性实施例假定用于根据输入选择相应的分支节点处的分支的多层单个模型用作这样的适当的优化准则。

下文将参考附图描述示例性实施例。

<<第一示例性实施例>>

图1是图示根据至少一个示例性实施例的出货量预测系统的示例性配置的框图。根据该示例性实施例的出货量预测系统10包括分层隐变量模型的估计设备100(分层隐变量模型估计设备100)、学习数据库300、模型数据库500和出货量预测设备700。出货量预测系统10生成用于基于涉及产品的过去出货的信息来预测出货量的模型，以使用模型预测出货量。

分层隐变量模型估计设备100估计用于使用呗存储在学习数据库300中的数据来预测产品的出货量的模型，并且将模型存储在模型数据库500中。

图2A至2G是图示根据至少一个示例性实施例的被存储在学习数据库300中的信息的示例的表。

学习数据库300存储与产品和店铺相关联的数据。

学习数据库300可以存储能够存储与产品的出货相关联的数据的出货表。出货表存储例如销售量、单价、小计和与日期和时间的组合相关联的产品的收据号、产品标识符(在下文中将缩写为“ID”)、店铺ID和客户ID，如图2A中所图示的。客户ID是允许个体客户的唯一标识的信息并且可以通过例如赠送会员卡或者奖励卡而被指定。

学习数据库300还可以存储能够存储与气象相关联的数据的气象表。气象表存储例如气温、日最高气温、日最低气温、降水量、天气和与日期和时间相关联的不适指数，如图2B中所图示的。

学习数据库300还可以存储能够存储与已经购买商品的客户相关联的数据的客户表。客户表存储例如年龄、邮政地址和与客户ID相关联的家族结构，如图2C中所图示的。在该示例性实施例中，响应于注册例如会员卡或者奖励卡，存储这些类型的信息。

学习数据库300还可以存储能够存储与产品的库存相关联的数据的库存表。库存表存储例如库存和来自与日期和时间的组合相关联的先前时间的库存的变化和产品ID，如图2D中所图示的。

学习数据库300还可以存储能够存储与店铺相关联的数据的店铺属性表。店铺属性表存储例如店铺名称、邮政地址、类型、空间和与店铺ID相关联的停车场的数目，如图2E中所图示的。店铺类型的示例可以包括店铺位于车站前面的车站前的类型和店铺位于居住街道中的居住街道类型，以及作为与诸如加油站的其他设施组合的复杂设施的复杂类型。

学习数据库300还可以存储能够存储与日期和时间相关联的数据的日期和时间属性表。日期和时间属性表存储例如指示日期和时间的属性的信息类型、价格、产品ID和与该日期和时间相关联的店铺ID，如图2F中所图示的。信息类型的示例可以包括指示感兴趣日是否是国庆节的信息、指示活动是否在进行中的信息和指示在店铺周围是否举办事件的信息。日期和时间属性表的值取1或者0。当值取1时，与该值相关联的日期和时间具有由与该值相关联的信息类型指示的属性。当值取0时，与该值相关联的日期和时间不具有由与该值相关联的信息类型指示的属性。产品ID和店铺ID的必要性/非必要性取决于信息类型而变化。例如，当信息类型指示活动时，产品ID和店铺ID是必要的，这是因为实践活动的店铺和活动中针对的产品需要被标识。另一方面，当信息类型指示国庆节时，产品ID和店铺ID是不必要的，这是因为单独的店铺与产品的类型之间的区别与指示感兴趣日是否是国庆节的信息无关。

学习数据库300还存储能够存储与产品相关联的数据的产品属性表。产品属性表存储例如产品名称和产品的大、中、小分类、单价和与产品ID相关联的成本价，如图2G中所图示的。

模型数据库500存储用于预测由分层隐变量模型估计设备估计的产品的出货量的模型。利用诸如硬盘驱动或者固态驱动的非暂态有形介质来实现模型数据库500。

出货量预测设备700接收与产品和店铺相关联的数据，并且基于这些数据和被存储在模型数据库500中的模型来预测产品的出货量。

图3是图示根据至少一个示例性实施例的分层隐变量模型估计设备的示例性配置的框图。根据该示例性实施例的分层隐变量模型估计设备100包括数据输入设备101、分层隐结构的设定单元102(分层隐结构设定单元102)、初始化单元103、分层隐变量的变分概率的计算处理单元104(分层隐变量变分概率计算单元104)和成分的优化单元105(成分优化单元105)。分层隐变量模型估计设备100还包括门函数的优化单元106(门函数优化单元106)、最优性确定单元107、最优模型选择单元108和模型估计结果的输出设备109(模型估计结果输出设备109)。

在接收到基于被存储在学习数据库300中的数据所生成的输入数据111时，分层隐变量模型估计设备100优化分层隐结构和针对输入数据111的观测概率的类型。分层隐变量模型估计设备100然后输出优化结果作为模型估计结果112并且将其存储在模型数据库500中。在该示例性实施例中，输入数据111举例说明了学习数据。

图4是图示根据至少一个示例性实施例的分层隐变量变分概率计算单元104的示例性配置的框图。分层隐变量变分概率计算单元104包括最低层路径隐变量的变分概率的计算处理单元104-1(最低层路径隐变量变分概率计算单元104-1)、分层设定单元104-2、更高层路径隐变量的变分概率的计算处理单元104-3(更高层路径隐变量变分概率计算单元104-3)和分层计算处理的结束的确定单元104-4(分层计算结束确定单元104-4)。

分层隐变量变分概率计算单元104基于输入数据111和(稍后将被描述的)成分的成分优化单元105中的估计的模型104-5，输出分层隐变量变分概率104-6。稍后将更详细地描述分层隐变量变分概率计算单元104。该示例性实施例中的成分被定义为指示适于每个解释变量的权重的值。出货量预测设备700可以通过计算解释变量分别乘以由成分指示的权重的和来获得目标变量。

图5是图示根据至少一个示例性实施例的门函数优化单元106的示例性配置的框图。门函数优化单元106包括分支节点的信息获取单元106-1(分支节点信息获取单元106-1)、分支节点的选择单元106-2(分支节点选择单元106-2)、分支参数的优化单元106-3(分支参数优化单元106-3)和总分支节点的优化的结束的确定单元106-4(总分支节点优化结束确定单元106-4)。

在接收到输入数据111、分层隐变量变分概率104-6和估计的模型104-5时，门函数优化单元106输出门函数模型106-6。(稍后将被描述的)分层隐变量变分概率计算单元104计算分层隐变量变分概率104-6。成分优化单元105计算估计的模型104-5。稍后将更详细地描述门函数优化单元106。该示例性实施例中的门函数被用于确定输入数据111中的信息是否满足预先确定的条件。将门函数设定在分层隐结构的内部节点处。在跟踪从根节点到最低层处的节点的路径中，出货量预测设备700确定根据基于门函数的确定结果接下来将被跟踪的节点。

数据输入设备101接收输入数据111。数据输入设备101基于被存储在学习数据库300的出货表中的数据，计算表示针对每个预先确定的时间范围(例如，一个小时或六个小时)的产品的已知出货量的目标变量。目标变量的示例可以包括针对每个预先确定的时间范围的一个店铺中的一个产品的销售量、针对每个预先确定的时间范围的所有店铺中的一个产品的销售量和针对每个预先确定的时间范围的一个店铺中的所有产品的销售收入。数据输入设备101基于被存储在例如学习数据库的气象表、客户表、店铺属性表、日期和时间属性表和产品属性表中的数据，还针对每个目标变量，生成作为被期望影响目标变量的信息的至少一个解释变量。然后，数据输入设备101接收目标变量和解释变量的多个组合作为输入数据111。数据输入设备101在接收输入数据111的同时，接收针对模型估计所要求的参数，诸如观测概率的类型和针对成分的数目的候选。在该示例性实施例中，数据输入设备101举例说明了学习数据输入单元。

分层隐结构设定单元102根据输入的观测概率的类型和输入的针对成分的数目的候选，选择并且设定分层隐变量模型的结构作为用于优化的候选。在该示例性实施例中所使用的隐结构是树形结构。令C为成分的设定数目。令针对以下描述所使用的方程式为用于深度2的分层隐变量模型的方程式。分层隐结构设定单元102可以将分层隐变量模型的所选择的结构存储在内部存储器中。

假定例如使用二叉树模型(具有每个分支节点处的分叉的模型)并且树形结构的深度是2，分层隐结构设定单元102选择第一层处的两个节点和第二层处的四个节点(在该示例性实施例中，最低层处的节点)的分层隐结构。

初始化单元103执行用于估计分层隐变量模型的初始化过程。初始化单元103可以通过任意的方法来执行初始化过程。初始化单元103可以例如随机地设定针对每个成分的观测概率的类型并且进而根据设定类型来随机地设定针对每个观测概率的参数。初始化单元103还可以随机地设定针对分层隐变量的最低层路径变分概率。

分层隐变量变分概率计算单元104计算针对每个分层的层的隐变量变分概率。通过初始化单元103或者成分优化单元105和门函数优化单元106计算参数θ。因此，分层隐变量变分概率计算单元104基于所获得的值来计算变分概率。

分层隐变量变分概率计算单元104获得边际对数似然函数相对于针对完全变量的估计(例如，最大似然估计或者最大后验概率估计)的拉普拉斯(Laplace)近似并且最大化其下界以计算变分概率。因此，所计算的变分概率在下文中将被称为优化准则A。

将通过将深度2的分成隐变量模型当作示例，将描述计算优化准则A的过程。边际对数似然函数通过以下给出：

其中，log表示例如自然对数。代替自然对数，具有除了Napier值的其他值作为其底的对数也是适用的。同样适于在下文中将被呈现的等式。

首先，将考虑等式2中所呈现的边际对数似然函数的下界。在等式2中，当最大化最低层路径隐变量变分概率q(zⁿ)时，等式保持真。根据针对完全变量的最大似然估计导出分子的完全变量的边际似然的拉普拉斯近似产生边际对数似然函数的近似表达，其通过以下给出：

在等式3中，放在字母上方的条象征针对完全变量的最大似然估计，并且D_*是下标参数*的维度。

使用最大似然估计具有最大化边际对数似然函数的特性并且对数函数被表达为凹函数的事实，等式3中所呈现的下界被计算为如下表示的等式4。

通过针对相应的变分分布最大化等式4，计算第一层分支隐变量的变分分布q'和最低层路径隐变量的变分分布q"。注意，q"＝q^{t-1}并且θ＝θ^{t-1}是固定的，并且q'被固定为由等式A给定的值。

注意，上标(t)表示分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106和最优性确定单元107的迭代计算中的第t个迭代。

下文将参考图4描述分层隐变量变分概率计算单元104的示例性操作。

最低层路径隐变量变分概率计算单元104-1接收输入数据111和估计的模型104-5，并且计算最低层隐变量变分概率q(z^N)。分层设定单元104-2设定将计算变分概率的最低层。更特别地，最低层路径隐变量变分概率计算单元104-1针对输入数据111中的目标变量和解释变量的每个组合，计算每个估计的模型104-5的变分概率。通过将输入数据111中的解释变量代入估计的模型104-5中所获得的解与输入数据111的目标变量之间的比较，计算变分概率的值。

更高层路径隐变量变分概率计算单元104-3计算针对紧邻更高层的路径隐变量变分概率。更特别地，更高层路径隐变量变分概率计算单元104-3计算具有与父节点相同分支节点的当前层的隐变量变分概率的和，并且将所获得的和设定为针对紧邻更高层的路径隐变量变分概率。

分层计算结束确定单元104-4确定是否剩余将被计算变分概率的任何更高层。如果确定存在任何更高层，则分层设定单元104-2设定将要被计算变分概率的紧邻更高层。随后地，更高层路径隐变量变分概率计算单元104-3和分层计算结束确定单元104-4重复以上所提到的过程。如果确定不存在任何更高层，则分层计算结束确定单元104-4确定已经计算针对所有层的路径隐变量变分概率。

成分优化单元105优化针对等式4的每个成分(参数θ和其类型S)的模型并且输出经优化的估计的模型104-5。在深度2的分层隐变量模型的情况下，成分优化单元105将q和q"固定到由分层隐变量变分概率计算单元104计算的最低层路径隐变量的变分概率q^t。成分优化单元105还将q'固定到在等式A中所呈现的更高层路径隐变量变分概率。然后，成分优化单元105计算用于最大化等式4中所呈现的G值的模型。

由等式4定义的G允许针对每个成分的优化函数的分解。因此，在不关心成分的类型的组合(例如，S₁至S_K1·K2中的任一个的指派)的情况下，独立地优化S₁至S_K1·K2和参数至是可能的。在该过程中，将重要性放置在使能这样的优化上。这使得优化成分的类型同时避免组合展开成为可能。

下文将参考图5描述门函数优化单元106的示例性操作。分支节点信息获取单元106-1使用成分优化单元105中的估计的模型104-5来提取分支节点的列表。分支节点选择单元106-2从所提取的分支节点的列表选择一个分支节点。在下文中，所选择的节点有时被称为“选择节点”。

分支参数优化单元106-3基于输入数据111和从分层隐变量变分概率104-6所获得的选择节点的隐变量变分概率来优化选择节点的分支参数。选择节点的分支参数在上文所提到的门函数中。

总分支节点优化结束确定单元106-4确定是否已经优化由分支节点信息获取单元提取的所有分支节点。如果已经优化所有分支节点，则门函数优化单元106结束该序列中的过程。如果尚未优化所有分支节点，则由分支节点选择单元106-2执行过程，并且由分支参数优化单元106-3和总分支节点优化结束确定单元106-4执行后续过程。

在下文中，将通过将基于针对二叉树分层模型的伯努利(Bernoulli)分布的门函数当作特定示例来描述门函数。在下文中，基于伯努利分布的门函数有时将被称为“伯努利门函数”。令X_d为x的第d个维度，g-是当该值等于或者小于阈值w时左下角的二叉树的分支的概率，并且g+是当该值大于阈值w时左下角的二叉树的分支的概率。分支参数优化单元106-3基于伯努利分布来优化上文所提到的优化参数d、w、g-和g+。这使能更快速的优化，这是因为每个参数具有与基于NPL2中所描述的效用函数(logitfunction)的门函数不同的解析解。

最优性确定单元107确定使用等式4计算的优化准则A是否已经收敛。如果优化准则A尚未收敛，则重复分层隐变量变分概率计算单元104、成分优化单元106、门函数优化单元106和最优性确定单元107的过程。最优性确定单元107可以确定当例如优化准则A的增量小于预先确定的阈值时，优化准则A已经收敛。

在下文中，分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106和最优性确定单元107的过程将有时简单地被称为分层隐变量变分概率计算单元104到最优性确定单元107的过程。可以通过重复分层隐变量变分概率计算单元104到最优性确定单元107的过程并且更新变分分布和模型来选择适当的模型。重复这些过程确保优化准则A的单调增加。

最优模型选择单元108选择最优模型。假定例如使用分层隐变量变分概率计算单元104到最优性确定单元107的过程计算的优化准则A大于针对由分层隐结构设定单元102设定的隐藏状态的数目C的当前设定的优化准则A。然后，最优模型选择单元108将该模型选择为最优模型。

模型估计结果输出设备109优化关于根据观测概率的输入类型所设定的分层隐变量模型的结构的候选和针对成分的数目的输入候选的模型。如果优化完成，则模型估计结果输出设备109输出例如最优隐藏状态的数目、观测概率的类型、参数和变分分布作为模型估计结果112。如果任何候选剩余要被优化，则分层隐结构设定单元102执行上文所提到的过程。

根据程序(分层隐变量模型估计程序)操作的计算机的中央处理单元(在下文中将被缩写为“CPU”)实现以下相应的单元：

-分层隐结构设定单元102；

-初始化单元103；

-分层隐变量变分概率计算单元104(更特别地，最低层路径隐变量变分概率计算单元104-1、分层设定单元104-2、更高层路径隐变量变分概率计算单元104-3和分层计算结束确定单元104-4)；

-成分优化单元105；

-门函数优化单元(106)(更特别地，分支节点信息获取单元106-1、分支节点选择单元106-2、分支参数优化单元106-3和总分支节点优化结束确定单元106-4)；

-最优性确定单元107；以及

-最优模型选择单元108。

例如，程序被存储在分层隐变量模型估计设备100的存储单元(未示出)中，并且CPU读取该程序并且在以下相应的单元中执行根据该程序的过程：

-分层隐结构设定单元102；

-初始化单元103；

-成分优化单元105；

-最优性确定单元107；以及

-最优模型选择单元108。

专用硬件可以被用于实现以下相应的单元：

-分层隐结构设定单元102；

-初始化单元103；

-分层隐变量变分概率计算单元104；

-成分优化单元105；

-门函数优化单元106；

-最优性确定单元107；以及

-最优模型选择单元108。

下文将描述根据该示例性实施例的分层隐变量模型估计设备的示例性操作。图6是图示根据至少一个示例性实施例的分层隐变量模型估计设备的示例性操作的流程图。

数据输入设备101首先接收输入数据111(步骤S100)。分层隐结构设定单元102然后将剩余要被优化的分层隐结构选择并且设定在分层隐结构的输入候选值中(步骤S101)。初始化单元103初始化隐变量变分概率和针对所设定的分层隐结构的、用于估计的参数(步骤S102)。

分层隐变量变分概率计算单元104计算每个路径隐变量变分概率(步骤S103)。成分优化单元105估计观测概率的类型和用于每个成分的参数以优化成分(步骤S104)。

门函数优化单元106优化每个分支节点的分支参数(步骤S105)。最优性确定单元107确定优化准则A是否已经收敛。(步骤S106)。换句话说，最优性确定单元107确定模型最优性。

如果在步骤S106中确定优化准则A尚未收敛，即模型不是最优的(在步骤S106a中的否)，则重复步骤S103至S106中的过程。

如果在步骤S106中确定优化准则A已经收敛，即模型是最优的(在步骤S106a中的是)，则最优模型选择单元108执行以下过程。换句话说，最优模型选择单元108将基于当前所设定的最优模型所获得的优化准则A(例如，成分的数目、观测概率的类型和参数)与基于当前设定为最优模型的模型所获得的优化准则A的值相比较。最优模型选择单元108选择具有最大值的模型作为最优模型(步骤S107)。

最优模型选择单元108确定针对分层隐结构的任何候选是否剩余被估计。如果任何候选剩余(是，在步骤S108中的是)，则重复步骤S102至S108中的过程。如果没有候选剩余(否，在步骤S108中的否)，则模型估计结果输出设备109输出模型估计结果112并且结束过程(步骤S109)。模型估计结果输出设备109将由成分优化单元105优化的成分和由门函数优化单元106所优化的门函数存储到模型数据库500中。

下文将描述根据该示例性实施例的分层隐变量变分概率计算单元104的示例性操作。图7是图示根据至少一个示例性实施例的分层隐变量变分概率计算单元104的示例性操作的流程图。

最低层路径隐变量变分概率计算单元104-1计算最低层路径隐变量变分概率(步骤S111)。分层设定单元104-2设定已经计算路径隐变量的最新层(步骤S112)。更高层路径隐变量变分概率计算单元104-3基于由分层设定单元104-2所设定的层的路径隐变量变分概率，来计算针对紧邻更高层的路径隐变量变分概率(步骤S113)。

分层计算结束确定单元104-4确定是否已经针对所有层计算路径隐变量(步骤S114)。如果要被计算的路径隐变量的任何层剩余(在步骤S114中的否)，则重复步骤S112和S113中的过程。如果已经针对所有层计算路径隐变量，则分层隐变量变分概率计算单元104结束过程。

下文将描述根据该示例性实施例的门函数优化单元106的示例性操作。图8是图示根据至少一个示例性实施例的门函数优化单元106的示例性操作的流程图。

分支节点信息获取单元106-1确定所有分支节点(步骤S121)。分支节点选择单元106-2选择要被优化的一个分支节点(步骤S122)。分支参数优化单元106-3优化所选择的分支节点的分支参数(步骤S123)。

总分支节点优化结束确定单元106-4确定是否任何分支节点剩余要被优化(步骤S124)。如果任何分支节点剩余要被优化，则重复步骤S122和S123中的过程。如果没有分支节点剩余要被优化，则门函数优化单元106结束过程。

如上文所描述的，根据该示例性实施例，分层隐结构设定单元102设定分层隐结构。在分层隐结构中，隐变量由分层结构(树形结构)表示，并且将表示概率模型的成分分配给分层结构的最低层处的节点。

分层隐变量变分概率计算单元104计算路径隐变量变分概率(即，优化准则A)。分层隐变量变分概率计算单元104可以进而计算来自最低层处的节点的、针对分层结构的每个层的隐变量变分概率。此外，分层隐变量变分概率计算单元104可以计算变分概率以便最大化边际对数似然。

成分优化单元105优化针对所计算的变分概率的成分。门函数优化单元106基于分层隐结构的节点处的隐变量变分概率来优化门函数。门函数充当用于根据分层隐结构的节点处的多变量数据(例如，解释变量)来确定分支方向的模型。

由于用于多变量数据的分层隐变量模型是使用上文所提到的配置而被估计，因而在不失去理论论证的情况下，可以利用足够的计算量来估计包括分层隐变量的分层隐变量模型。此外，分层隐变量模型估计设备100的使用排除手动地设定适于选择成分的准则的需要。

分层隐结构设定单元102设定具有以例如二叉树结构表示的隐变量的分层隐结构。门函数优化单元106可以根据节点处的隐变量变分概率来优化基于伯努利分布的门函数。这使能更快速的优化，这是因为每个参数具有解析解。

利用这些过程，分层隐变量模型估计设备100可以将用于这样的模式的最优成分确定为定义在相对低或者高气温处所期望的较好销售的模式、定义在上午或者下午所期望的较好销售的模式、以及定义在周末或者下一周的开始所期望的较好销售的模式。

下文将描述根据该示例性实施例的出货量预测设备。图9是图示根据至少一个示例性实施例的出货量预测设备的示例性配置的框图。

出货量预测设备700包括数据输入设备701、模型获取单元702、成分确定单元703、出货量预测单元704和预测的结果的输出设备705(预测结果输出设备705)。

数据输入设备701接收作为被期望影响出货量的信息的至少一个解释变量来作为输入数据711(即，预测信息)。输入数据711由与形成输入数据111的那些相同类型的解释变量形成。在该示例性实施例中，数据输入设备701举例说明了预测数据输入单元。

模型获取单元702获取来自模型数据库500的门函数和成分作为用于出货量的预测模型。门函数由门函数优化单元106优化。成分由成分优化单元105优化。

成分确定单元703基于输入到数据输入设备701的输入数据711和由模型获取单元702获取的门函数来跟踪分层隐结构。成分确定单元703选择与分层隐结构的最低层处的节点相关联的成分作为用于预测出货量的成分。

出货量预测单元704通过将输入到数据输入设备701的输入数据711代入由成分确定单元703选择的成分中来预测出货量。

预测结果输出设备705输出用于由出货量预测单元704预测的出货量的预测结果712。

下文将描述根据该示例性实施例的出货量预测设备的示例性操作。图10是图示根据至少一个示例性实施例的出货量预测设备的示例性操作的流程图。

数据输入设备701首先接收输入数据711(步骤S131)。数据输入设备701可以接收多个输入数据711而不是仅一个输入数据711。例如，数据输入设备701可以接收针对某个店铺中的某个日期的每个时刻(定时)的输入数据711。当数据输入设备701接收多个输入数据711时，出货量预测单元704预测针对每个输入数据711的出货量。模型获取单元702获取来自模型数据库500的门函数和成分(步骤S132)。

出货量预测设备700逐个选择输入数据711并且针对所选择的输入数据711执行步骤S134至S136中的以下过程(步骤S133)。

首先，成分确定单元703通过根据由模型获取单元702获取的门函数来跟踪从根节点到分层隐结构中的最低层处的节点的路径，来选择用于预测出货量的成分(步骤S134)。更特别地，成分确定单元703根据以下步骤选择成分。

成分确定单元703针对分层隐结构的每个节点，读取与该节点相关联的门函数。成分确定单元703确定输入数据711是否满足所读取的门函数。成分确定单元703然后根据确定结果来确定要被跟踪的节点。在通过该过程到达最低层处的节点到分层隐结构的节点时，成分确定单元703选择与该节点相关联的成分作为用于出货量的预测的成分。

当在步骤S134中成分确定单元703选择用于预测出货量的成分时，出货量预测单元704通过将在步骤S133中所选择的输入数据711代入成分中来预测出货量(步骤S135)。预测结果输出设备705输出针对由出货量预测单元704获得的出货量的预测结果712(步骤S136)。

出货量预测设备700针对所有输入数据711执行步骤S134至S136中的过程并且结束过程。

如上文所描述的，根据该示例性实施例，出货量预测设备700可以基于门函数使用适当的成分来准确地预测出货量。特别地，由于在不失去理论论证的情况下由分层隐变量模型估计设备100估计门函数和成分，因而出货量预测设备700可以使用根据适当的准则所选择的成分来预测出货量。

<<第二示例性实施例>>

然后将描述出货量预测系统的第二示例性实施例。根据该示例性实施例的出货量预测系统与前面的实施例中出货量预测系统10不同，利用分层隐变量模型的估计设备200(分层隐变量模型估计设备200)来替换分层隐变量模型估计设备100。

图11是图示根据至少一个示例性实施例的分层隐变量模型估计设备的示例性配置的框图。与图3中相同的附图标记表示与第一示例性实施例中相同的配置，并且将不给出其描述。根据该示例性实施例的分层隐变量模型估计设备200与分层隐变量模型估计设备100不同，这是因为分层隐结构的优化单元201(分层隐结构优化单元201)连接到前者，而最优模型选择单元108不连接到前者。

在第一示例性实施例中，分层隐变量模型估计设备100优化关于针对分层隐结构的候选的成分和门函数的模型，来选择最大化优化准则A的分层隐结构。另一方面，利用根据该示例性实施例的分层隐变量模型估计设备200，用于通过分层隐结构优化单元201移除具有从模型减少的其隐变量的路径的过程被添加到分层隐变量变分概率计算单元104的过程的后续阶段。

图12是图示根据至少一个示例性实施例的分层隐结构优化单元201的示例性配置的框图。分层隐结构优化单元201包括路径隐变量的求和操作单元201-1(路径隐变量求和操作单元201-1)、路径移除的确定单元201-2(路径移除确定单元201-2)和路径的移除执行单元201-3(路径移除执行单元201-3)。

路径隐变量求和操作单元201-1接收分层隐变量变分概率104-6并且计算每个成分中的最低层路径隐变量变分概率的和(在下文中将被称为“样本和”)。

路径移除确定单元201-2确定样本和是否等于或者小于预先确定的阈值ε。连同输入数据111一起输入阈值ε。更特别地，由路径移除确定单元201-2确定的条件可以表达为，例如：

更特别地，路径移除确定单元201-2确定每个成分中的最低层路径隐变量变分概率q(z_ij ⁿ)是否满足等式5中所呈现的准则。换句话说，路径移除确定单元201-2确定样本和是否足够小。

路径移除执行单元201-3将被确定为具有足够小的样本和的路径的变分概率设定为0。路径移除执行单元201-3基于针对剩余路径(即，其变分概率未设定到0的路径)归一化的最低层路径隐变量变分概率来重新计算和输出每个分层处的分层隐变量变分概率104-6。

下文将描述该过程的论证。迭代优化中的q(z_ij ⁿ)示例性更新方程式通过以下给出：

在等式6中，指数部分包括负项，并且前述过程中计算的q(z_ij ⁿ)充当该项的分母。因此，该分母的值越小，经优化的q(z_ij ⁿ)的值越小，使得小路径隐变量的变分概率在迭代计算时逐渐减少。

分层隐结构优化单元201(更特别地，路径隐变量求和操作单元201-1、路径移除确定单元201-2和路径移除执行单元201-3)由根据程序(分层隐变量模型估计程序)操作的计算机的CPU来实现。

下文将描述根据该示例性实施例的分层隐变量模型估计设备200的示例性操作。图13是图示根据至少一个示例性实施例的分层隐变量模型估计设备200的示例性操作的流程图。

数据输入设备101首先接收输入数据111(步骤S200)。分层隐结构设定单元102将隐藏状态的数目的初始状态设定为分层隐结构(步骤S201)。

在第一示例性实施例中，通过执行针对成分的数目的所有多个候选来搜索最优解。在第二示例性实施例中，可以仅通过一个过程来优化分层隐结构，这是因为还优化成分的数目。因此，在步骤S201中，隐藏状态的数目的初始值仅需要设定一次，而不是从多个候选选择剩余要被优化的候选，如第一示例性实施例的步骤S102。

初始化单元103初始化隐变量变分概率和针对所设定的分层隐结构的、用于估计的参数(步骤S202)。

分层隐变量变分概率计算单元104计算每个路径隐变量变分概率(步骤S203)。分层隐结构优化单元201估计成分的数目以优化分层隐结构(步骤S204)。换句话说，因为将成分分配给最低层处的相应的节点，所以当优化分层隐结构时，还优化了成分的数目。

成分优化单元105估计观测概率的类型和针对每个成分的参数以优化成分(步骤S205)。门函数优化单元106优化每个分支节点的分支参数(步骤S206)。最优性确定单元107确定优化准则A是否已经收敛(步骤S207)。换句话说，最优性确定单元107确定模型最优性。

如果在步骤S207中确定优化准则A尚未收敛，即模型不是最优的(在步骤S207a中的否)，则重复步骤S203至S207中的过程。

如果在步骤S106中已经确定优化准则A已经收敛，即模型是最优的(在步骤S207中的是)，则模型估计结果输出设备109输出模型估计结果112并且结束过程(步骤S208)。

下文将描述根据该示例性实施例的分层隐结构优化单元201的示例性操作。图14是图示根据至少一个示例性实施例的分层隐结构优化单元201的示例性操作的流程图。

路径隐变量求和操作单元201-1首先计算路径隐变量的样本和(步骤S211)。路径移除确定单元201-2确定所计算的样本和是否足够小(步骤S212)。在将被确定为产出最够小的样本和的最低层路径隐变量变分概率设定到0之后，路径移除执行单元201-3输出所重新计算的分层隐变量变分概率，并且结束过程(步骤S213)。

如上文所描述的，在该示例性实施例中，分层隐结构优化单元201通过从模型移除具有等于或者小于预先确定的阈值的经计算的变分概率的路径来优化分层隐结构。

利用这样的配置，除第一示例性实施例的效果外，针对分层隐结构的多个候选不需要被优化，如在分层隐变量模型估计设备100中，并且也可以通过仅一个执行过程优化成分的数目。因此，可以通过同时估计成分的数目、观测概率的类型、参数和变分分布，将计算成本保持低。

<<第三示例性实施例>>

接下来将描述出货量预测系统的第三示例性实施例。根据该示例性实施例的出货量预测系统在分层隐变量模型估计设备的配置方面与根据第二示例性实施例的出货量预测系统不同。根据该示例性实施例的分层隐变量模型估计设备与前面的分层隐变量模型估计设备200不同，利用门函数的优化单元113(门函数优化单元113)来替换门函数优化单元106。

图15是图示根据第三示例性实施例的门函数优化单元113的示例性配置的框图。门函数优化单元113包括有效分支节点的选择单元113-1(有效分支节点选择单元113-1)和分支参数的优化的并行处理单元113-2(分支参数优化并行处理单元113-2)。

有效分支节点选择单元113-1从分层隐结构选择有效分支节点。更特别地，考虑到通过由成分优化单元105估计的模型104-5的使用从模型所移除的路径，有效分支节点选择单元113-1选择有效分支节点。有效分支节点在本文中表示未从分层隐结构移除的路径上的分支节点。

分支参数优化并行处理单元113-2执行用于并行优化针对有效分支节点的分支参数的过程并且输出门函数模型106-6。更特别地，分支参数优化并行处理单元113-2使用输入数据111和由分层隐变量变分概率计算单元104计算的分层隐变量变分概率104-6，来优化针对所有有效分支节点的所有分支参数。

分支参数优化并行处理单元113-2可以通过例如并行布置根据第一示例性实施例的分支参数优化单元106-3而被形成，如图15中所图示的。这样的配置允许同时针对所有门函数的分支参数的优化。

换句话说，分层隐变量模型估计设备100和200逐个执行门函数优化过程。根据该示例性实施例的分层隐变量模型估计设备使能更快速的估计，这是因为其可以并行执行门函数优化过程。

门函数优化单元113(更特别地，有效分支节点选择单元113-1和分支参数优化并行处理单元113-2)是由根据程序(分层隐变量模型估计程序)操作的计算机的CPU来实现。

下文将描述根据该示例性实施例的门函数优化单元113的示例性操作。图16是图示根据至少一个示例性实施例的门函数优化单元113的示例性操作的流程图。有效分支节点选择单元113-1首先选择所有有效分支节点(步骤S301)。分支参数优化并行处理单元113-2并行优化所有有效分支节点并且结束过程(步骤S302)。

如上文所描述的，根据该示例性实施例，有效分支节点选择单元113-1从分层隐结构的节点选择有效分支节点。分支参数优化并行处理单元113-2基于针对有效分支节点的隐变量变分概率来优化门函数。这样做，分支参数优化并行处理单元113-2并行处理有效分支节点的每个分支参数的优化。这使能用于优化门函数的并行过程，并且因此除前述示例性实施例的效果之外，还使能模型的更快速的估计。

<<第四示例性实施例>>

接下来将描述本发明的第四示例性实施例。

根据第四示例性实施例的出货量预测系统基于目标店铺中的产品的出货量估计来执行目标店铺的订单管理。更特别地，出货量预测系统基于在发送产品订单时的时间点处的产品的出货量估计来确定订货量。根据第四示例性实施例的出货量预测系统举例说明了订货量确定系统。

图17是图示根据至少一个示例性实施例的出货量预测设备的示例性配置的框图。在根据该示例性实施例的出货量预测系统中，与出货量预测系统10相比较，利用出货量的预测设备800(出货量预测设备800)来替换出货量预测设备700。出货量预测设备800举例说明了订货量预测设备。

出货量预测设备800包括除了根据第一示例性实施例的配置之外的分类单元806、聚类估计单元07、安全量计算处理单元808(安全量计算单元808)和订货量确定单元809。出货量预测设备800在模型获取单元802、成分确定单元803、出货量的预测单元804(出货量预测单元804)和预测的结果的输出设备805(预测结果输出设备805)的操作方面与第一示例性实施例不同。

分类单元806从学习数据库300中的店铺属性表获取多个店铺的店铺属性并且基于这些店铺属性将店铺分类为聚类。分类单元806根据例如k-均值算法和各种类型的分层聚类算法将店铺分类为聚类。k-均值算法将相应的个体分类为随机生成的聚类，并且迭代地执行用于基于经分类的个体的信息来更新每个聚类的中心的过程，从而将个体聚类。

聚类估计单元807基于由分类单元806获得的分类结果，来估计充当用于出货量的预测的目标的店铺属于的聚类。

安全量计算单元808基于由成分确定单元803确定的每个成分的估计误差来计算库存的安全量。安全量在本文中表示例如不太可能耗尽的库存。

订货量确定单元809基于目标店铺中的产品的库存、由出货量预测单元804预测的产品的出货量和由安全量计算单元808计算的安全量来确定订货量。

下文将描述根据该示例性实施例的出货量预测系统的示例性操作。

分层隐变量模型估计设备100首先估计门函数和成分，门函数和成分形成用于针对每个店铺、每个产品和每个时间帧而预测在时间帧期间店铺中的产品的出货量的基础。在该示例性实施例中，分层隐变量模型估计设备100在通过将一天分为24个相等部分所获得的每个时间帧(即，设定为每小时的时间帧)期间估计门函数和成分。在该示例性实施例中，分层隐变量模型估计设备100根据第一示例性实施例中所描述的方法来计算门函数和成分。在其他示例性实施例中，分层隐变量模型估计设备100可以根据第二示例性实施例或者第三示例性实施例中所描述的方法来计算门函数和成分。

在该示例性实施例中，分层隐变量模型估计设备100计算每个估计的成分的预测误差散布。预测误差散布的示例可以包括预测误差的标准偏差、方差和范围以及预测误差率的标准偏差、方差和范围。预测误差可以被计算作为例如基于估计的模型104-5所计算的目标变量的值与在生成成分(估计的模型104-5)中所涉及的目标变量的值之间的差。

分层隐变量模型估计设备100将所估计的门函数、成分和这些成分的预测误差散布存储到模型数据库500中。

当将所估计的门函数、成分和每个成分的预测误差散布被存储在模型数据库500中时，出货量预测设备800开始用于预测订货量的过程。

图18A和18B是图示根据至少一个示例性实施例的出货量预测设备的示例性操作的流程图。

出货量预测设备800中的数据输入设备701接收输入数据711(步骤S141)。更特别地，数据输入设备701接收信息作为输入数据711，该信息诸如目标店铺的店铺属性和日期和时间属性、在目标店铺处交易的每个产品的产品属性和现在时间与当靠近当前订单订货的产品将由目标店铺接受时的时间之间的气象现象。在该示例性实施例中，在当前订货的产品将由目标店铺接受时的时间将被定义为“第一时刻”。换句话说，第一时刻是未来时间。在靠近当前订单订货的产品将由目标店铺接受时的时间被定义为“第二时刻”。数据输入设备701接收目标店铺中的现在时间的库存和现在时间与第一时刻之间的时段期间的产品的接受量。

模型获取单元802确定目标店铺是否是新的店铺(步骤S142)。模型获取单元802确定当例如没有涉及中的目标店铺的门函数、成分和预测误差散布被存储在模型数据库500中时，目标店铺是新的店铺。模型获取单元802确定当例如在学习数据库300内的出货表中未找到与目标店铺的店铺ID相关联的信息时，目标店铺是新的店铺。

如果模型获取单元802确定目标店铺是现有店铺(否，在步骤S142中)，则其从模型数据库500(步骤S143)获取针对目标店铺的门函数、成分和预测误差散布。出货量预测设备800逐个选择输入数据711，并且针对所选择的输入数据711，执行步骤S145和S146(下文要被描述)中的过程(步骤S144)。换句话说，出货量预测设备800在现在时间与目标店铺处交易的每个产品的第二时刻之间的每个小时执行步骤S145和S146中的过程。

成分确定单元803首先根据由模型获取单元802获取的门函数，通过跟踪从根节点到分层隐结构中的最低层处的节点的节点，确定用于预测出货量的成分(步骤S145)。出货量预测单元804通过将步骤S144中所选择的输入数据711的值设定为成分的输入来预测出货量(步骤S146)。

如果模型获取单元802确定目标店铺是新的店铺(在步骤S142中的是)，则分类单元806从学习数据库300的店铺属性表读取多个店铺的店铺属性。分类单元806基于所读取的店铺属性将店铺分类为聚类(步骤S147)。分类单元806可以将店铺分类为包括目标店铺的聚类。聚类估计单元807基于由分类单元806所获得的分类结果来估计包括目标店铺的特定聚类(步骤S148)。

出货量预测设备800逐个选择输入数据711并且针对所选择的输入数据711执行步骤S150至S154(在下文中将描述)中的过程(步骤S149)。

出货量预测设备800逐个选择特定聚类中的现有店铺并且针对所选择的现有店铺执行步骤S151至S153(在下文中将描述)中的过程(步骤S150)。

模型获取单元802首先从模型数据库500读取针对步骤S150中所选择的现有店铺的门函数、成分和预测误差散布(步骤S151)。成分确定单元803根据由模型获取单元802读取的门函数，通过跟踪从根节点到分层隐结构中的最低层处的节点的节点，来预测出货量的成分(步骤S152)。换句话说，在这种情况下，成分确定单元803通过将门函数应用到输入数据711中的信息来选择成分。出货量预测单元804通过将步骤S151中所选择的输入数据711的值设定为成分的输入来预测出货量(步骤S153)。

换句话说，针对包括目标店铺的聚类中的所有现有店铺，执行步骤S151至S153中的过程。因此，针对特定聚类中的现有店铺预测产品的出货量。

出货量预测单元804针对每个产品正被计算交易的相关产品所在的每个店铺中的出货量的平均值作为目标店铺中的该产品的所预测的出货量(步骤S154)。因此，即在没有针对新店铺的出货量的所累积的过去信息的情况下，出货量预测设备800甚至针对新店铺，预测产品的出货量。

当出货量预测设备800针对所有输入数据711执行步骤S145和S146中的过程或者步骤S149至S154中的过程时，订货量确定单元809估计第一时刻的产品的库存(步骤S155)。更特别地，订货量确定单元809计算输入到数据输入设备701的、目标店铺的现在时间的产品的库存与现在时间与第一时刻之间的时段的产品的接受量的和。根据所计算的和，订货量确定单元809通过减去现在时间与第一时刻之间的时段期间由出货量预测单元804预测的产品的所预测的出货量的总和，来估计第一时刻的产品的库存。

订货量确定单元809通过将第一时刻与第二时刻之间的时段期间由出货量预测单元804预测的产品的所预测的出货量的总和添加到第一时刻的产品的所估计的库存，来计算产品的参考订货量(步骤S156)。

安全量计算单元808从模型获取单元802读取由步骤S145或者S152中的分层隐变量模型估计设备100确定的每个成分的预测误差散布(步骤S157)。安全量计算单元808基于所获取的预测误差散布来计算产品的安全量(步骤S158)。当预测误差散布是预测误差的标准偏差时，安全量计算单元808可以通过例如将标准偏差的总和乘以预先确定的系数来计算安全量。当预测误差散布是预测误差率的标准偏差时，安全量计算单元808可以通过例如将第一时刻与第二时刻之间的时段期间的所预测的出货量乘的总数以标准偏差和预先确定的系数的平均值来计算安全量。

订货量确定单元809通过将步骤S158中所计算的安全量添加到步骤S156中所计算的参考订货量来确定产品的订货量(步骤S159)。预测结果输出设备705输出由订货量确定单元809确定的订货量812(步骤S160)。通过这种方式，出货量预测设备800可以通过选择基于门函数的适当的成分来确定适当的订货量。

如上文所描述的，根据该示例性实施例，出货量预测设备800可以准确地预测出货量并且确定适当的订货量，而不管目标店铺是新的店铺还是现有店铺。这是因为出货量预测设备800选择与目标店铺类似(或者相同)的现有店铺并且根据例如针对现有店铺的门函数来确定出货量。

该示例性实施例假定出货量预测单元804基于用于预测现在时间与第二时刻之间的时段期间的现有店铺的出货量的成分来预测新的店铺中的出货量，但是本发明不限于此。例如，在其他示例性实施例中，出货量预测单元804可以基于利用现有店铺中的产品的销售数据优化的成分来预测在开放新的店铺的时候的新的店铺中的出货量。在这种情况下，出货量预测单元804可以更精确地预测出货量。

此外，该示例性实施例假定当出货量预测单元804预测目标新的店铺的出货量时，其计算与目标新店铺相同的聚类中的现有店铺的所预测的出货量的平均值，但是本发明不限于此。例如，在其他示例性实施例中，出货量预测单元804可以应用指示目标店铺与现有店铺之间的类似度的权重并且可以根据权重计算加权平均值。出货量预测单元804可以使用其他表示值(诸如中值或者最大值)来计算出货量。

此外，该示例性实施例假定当目标店铺是新的店铺时，基于针对现有店铺的模型来预测出货量，但是本发明不限于此。例如，在其他示例性实施例中，即使当目标店铺是现有店铺时，出货量预测单元804也可以根据照得与该目标店铺相同的聚类的另一现有店铺的模型来预测由该目标店铺发起的新产品的出货量。

该示例性实施例假定第二时刻是靠近当前订单订货的产品将被目标店铺接受的时间，但是本发明不限于此。例如，在其他示例性实施例中，当针对产品设定诸如最佳使用日期或者最迟使用日期(时间)的最迟销售日期(时间)时，出货量预测设备800可以通过将当前订货产品的最迟销售日期(时间)设定到第二时刻来确定订货量。因此，出货量预测设备800可以确定订货量以便不会由于产品已过其最迟销售日期(时间)而引起库存损失。在其他示例性实施例中，出货量预测设备800可以通过将靠近当前订单订货的产品将被目标店铺接受时的时间或当前订货产品的最迟销售日期(时间)中的较早时间设定到第二时刻来确定订货量。

该示例性实施例假定出货量预测设备800将参考订货量和安全量的和确定为订货量以便不引起销售机会的损失，但是本发明不限于此。例如，在其他示例性实施例中，为了防止过量库存，出货量预测设备800可以将从参考订货量减去基于预测误差散布的数量的结果确定为订货量。

<<第五示例性实施例>>

接下来将描述出货量预测系统的第五示例性实施例。

图19是图示根据至少一个示例性实施例的出货量预测设备的示例性配置的框图。在根据该示例性实施例的出货量预测系统中，与根据第四示例性实施例的出货量预测系统相比较，利用出货量的预测设备820(出货量预测设备820)来替换出货量预测设备800。在出货量预测设备820中，与出货量预测设备800相比较，利用分类单元826来替换分类单元806，并且利用聚类估计单元827来替换聚类估计单元807。

分类单元826基于与出货量相关联的信息将现有店铺分类为多个聚类。分类单元826根据例如k均值算法或者各种类型的分层聚类算法将现有店铺分类为聚类。分类单元826基于例如表示由模型获取单元802获取的成分或者另一类型的信息(学习结果模型)的系数将现有店铺分类为聚类。成分是用于预测现有店铺中的出货量的信息。换句话说，分类单元826基于针对现有店铺的学习结果模型的相似性将多个现有店铺分类为多个聚类。这保持相同聚类中的每个店铺的出货的趋势的小变化。

聚类估计单元827估计将用于分类单元826的分类所使用的聚类与存储属性相关联的关系。

出于方便的缘故，假定每个聚类与允许该聚类的唯一标识的聚类标识符相关联。

利用上文所提到的过程，聚类估计单元827接收店铺属性(即，解释变量)和聚类标识符(即，目标变量)作为输入，并且估计将解释变量映射到目标变量的函数。聚类估计单元827根据例如监督式学习(诸如c4.5决策树算法或者支持向量机)的过程来估计函数。聚类估计单元827基于所估计的关系与新的店铺的店铺属性来估计包括新店铺的聚类的聚类标识符。换句话说，聚类估计单元827估计包括新店铺的特定聚类。

如上文所描述的，根据该示例性实施例，出货量预测设备820可以基于包括在出货的趋势方面与新的店铺类似(或者相同)的现有店铺的聚类来预测产品的出货量。

该示例性实施例假定分类单元826基于例如表示由模型获取单元802获取的成分的系数将现有店铺分类为聚类，但是本发明不限于此。例如，在其他示例性实施例中，分类单元826可以根据被存储在学习数据库300内的出货表中的信息，计算每个现有店铺中的每个产品类别(例如，文具和饮料)的每客户的出货率(例如，PI(购买指数)值)，并且基于据所获得的出货率将现有店铺分类为聚类。

<<第六示例性实施例>>

接下来将描述出货量预测系统的第六示例性实施例。

图20是图示根据至少一个示例性实施例的出货量预测系统的示例性配置的框图。通过将产品推荐设备900添加到根据第五示例性实施例的出货量预测系统，来提供根据该示例性实施例的出货量预测系统20。

图21是图示根据至少一个示例性实施例的产品推荐设备的示例性配置的框图。

产品推荐设备900包括模型获取单元901、分类单元902、出货量获取单元903、得分计算处理单元904(得分计算单元904)、产品推荐单元905和推荐的结果的输出设备906(推荐结果输出设备906)。

模型获取单元901从模型数据库500获取针对每个店铺的成分。

分类单元902基于例如表示由模型获取单元901获取的成分的系数，将现有店铺分类为多个聚类。

出货量获取单元903从学习数据库300中的出货表获取在包括用于推荐的目标店铺的聚类中的店铺处交易的相应的产品的出货量。包括店铺的聚类还包括用于推荐的该目标店铺。

得分计算单元904计算针对聚类中的店铺处交易的产品的得分，其包括由分类单元902分类的用于推荐的目标店铺。得分根据出货量和正被交易的相关产品所在的店铺的数目而增加(单调增加)。得分的示例可以包括：PI值和正被交易的相关产品所在的店铺的数目的积，以及归一化的PI值和正被交易的相关产品所在的店铺的归一化的数目的和。

图22是图示聚类中的产品的销售的示例性趋势的图表。

基于PI值和正被交易的相关产品所在的店铺的数目，可以将多个店铺处交易的产品分类为图22中所示。图22示出水平轴上的正被交易的相关产品所在的店铺的数目和垂直轴上的PI值。与图22的左上角的A-1至A-2或者B-1至B-2相关联的产品是相对热销的。与图22的右上角的A-4至A-5或者B-4至B-5相关联的产品仅在一些店铺中是热销的。换句话说，与后者区域相关联的产品不必适合每个人的品味。与较下区域中的D-1至D-5或者E-1至E-5相关联的产品是货架取暖品。

得分计算单元904计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的值作为得分。得分可以被表达为例如将PI值乘以预先确定的系数的结果和将正被交易的相关产品的所在店铺的比例乘以预先确定的系数的结果的和。正被交易的相关产品所在的店铺的比例是将正被交易的相关产品所在的店铺的数目除以店铺的总数目的结果。这表示与更靠近图22的左上角的区域相关联的产品具有较高的得分，而与更靠近图22的右下角的区域相关联的产品具有较低的得分。因此，展示较高的得分的产品销售得更好。

产品推荐单元905从目标店铺处交易的产品选择被推荐替换另一产品的产品，该另一产品的出货量由出货量获取单元903获取并且等于或者小于预先确定的阈值。更特别地，产品推荐单元905推荐应当利用具有高于产品的得分的另一产品来替换具有小出货量的前者产品。在该示例性实施例中，产品推荐单元905推荐例如其由出货量获取单元903、占所有产品的底部20％的获取的出货量的产品的替换。

推荐结果输出设备906输出表示从产品推荐单元905输出的信息的推荐结果911。

图23是图示根据至少一个示例性实施例的产品推荐设备的示例性操作的流程图。

模型获取单元901首先从模型数据库500获取针对所有现有店铺的成分(步骤S401)。分类单元902基于表示由模型获取单元901获取的成分的系数，将现有店铺分类为多个聚类(步骤S402)。例如，分类单元902基于成分系数来计算现有店铺中间的类似度。

出货量获取单元903从学习数据库300获取包括目标店铺的聚类中的现有店铺处正被交易的产品的出货量(步骤S403)。得分计算单元904计算针对其出货量已经由出货量获取单元903获取的每个产品的得分。产品推荐单元905基于由出货量获取单元903获取的出货量来指定具有小于预先确定的阈值的出货量的产品(占所有产品的底部20％的产品)(步骤S4405)。

产品推荐单元905将例如具有高于与另一产品相同类别的另一产品的得分的得分的产品确定为推荐的产品，以替换具有占底部20％的出货量的目标产品。推荐结果输出设备906输出由产品推荐单元905获得的推荐结果911(步骤S407)。目标店铺的监督员或者另一类型的人员根据推荐结果911来确定在该目标店铺处要被交易的产品。对于基于推荐结果911所确定的待交易的产品而言，出货量的预测设备810(出货量预测设备810)执行用于预测出货量的过程和用于确定订货量的过程，如第一示例性实施例至第五示例性实施例所示。

如上文所描述的，根据该示例性实施例，产品推荐设备900可以推荐在许多店铺中热销的产品，而不是仅在一些店铺中交易得很好的产品。

该示例性实施例假定产品推荐设备900推荐产品来替换在现有店铺处交易的另一产品，但是本发明不限于此。例如，在其他示例性实施例中，产品推荐设备900可以推荐附加地待引入到现有店铺中的产品。例如，在其他示例性实施例中，产品推荐设备900可以推荐在新的店铺处要被交易的产品。

此外，该示例性实施例假定分类单元902基于被存储在模型数据库500中的成分来执行分类为聚类，但是本发明不限于此。例如，在其他示例性实施例中，分类单元902可以基于店铺属性来执行聚类。例如，在其他示例性实施例中，分类单元902可以基于针对每个产品类别的PI值来执行聚类。

此外，该示例性实施例假定得分计算单元904基于出货量和正被交易的相关产品所在的店铺的数目来计算得分，但是本发明不限于此。例如，在其他示例性实施例中，得分计算单元904可以存储由多个先前的推荐操作获得的、针对每个产品的得分，并且基于所存储的得分的变化来更新当前得分。换句话说，得分计算单元904可以计算例如将当前得分与过去得分之间的差乘以预先确定的系数所获得的校正值添加到基于出货量和正被交易的相关产品所在的店铺的数目所计算的当前得分的结果作为得分。得分可以被计算为，例如：

得分＝当前得分+a₁×(当前得分－第一先前的得分)+a₂×(当前得分－第二先前的得分)++a_n×(当前得分－第n先前的得分)...(等式B),

其中，系数a₁至a_n是提前确定的值。

<>基本配置>>

下文将描述产品推荐设备的基本配置。图24是图示产品推荐设备的基本配置的框图。

产品推荐设备包括得分计算单元90和产品推荐单元91。

得分计算单元90针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品的店铺的数目而增加(单调增加)的得分。得分计算单元90的示例可以包括得分计算单元904。

产品推荐单元91推荐具有高于在店铺处正被交易的产品的得分的得分的产品。产品推荐单元91的示例可以包括产品推荐单元905。

利用这样的配置，产品推荐设备可以推荐在许多店铺中热销的产品，而不是仅在一些店铺中销售得很好的产品。

图25是图示根据至少一个示例性实施例的计算机的配置的框图。

计算机1000包括CPU1001、主存储设备1002、辅助存储设备1003和接口1004。

在计算机1000中实现上文所提到的分层隐变量模型估计设备和出货量预测设备中的每个分层隐变量模型估计设备和每个出货量预测设备。装备有分层隐变量模型估计设备的计算机1000可以与装备有订货量预测设备的计算机1000不同。上文所提到的处理单元中的每个处理单元的操作以程序的形式(分层隐变量模型估计程序或者出货量预测程序)被存储在辅助存储设备1003中。CPU1001从辅助存储设备1003读取程序并且将其散布到主存储设备1002中，以执行根据该程序的上文所提到的过程。

在至少一个示例性实施例中，辅助存储设备1003示例为非暂态有形介质。非暂态有形介质的其他示例可以包括经由接口1004连接的磁盘、磁光盘、CD(压缩光盘)-ROM(只读存储器)、DVD(数字多用光盘)-ROM和半导体存储器。当程序经由通信线被分布到计算机1000时，计算机1000可以响应于分布而将该程序散布到主存储设备1002中并且执行上文所提到的过程。

程序可以实现上文所提到的功能中的一些功能。此外，程序可以充当结合已经被存储在辅助存储设备1003中的其他程序(即所谓的差异文件(差分程序))实现上文所提到的功能的程序。

上文已经通过将上文所描述的示例性实施例当作示例性示例来描述本发明。然而，本发明不限于上文所描述的示例性实施例。换句话说，在不脱离本发明的范围的情况下，本发明可以采取将由本领域技术人员所理解的各种模式。

本申请要求基于在2013年9月20日提交的日本专利申请第2013-195966号的优先权，其公开内容容通过引用整体并入本文。

[参考标记列表]

10：出货量预测系统

20：出货量预测系统

100：分层隐变量模型估计设备

101：数据输入设备

102：分层隐结构设定单元

103：初始化单元

104：分层隐变量变分概率计算单元

105：成分优化单元

106：门函数优化单元

107：最优性确定单元

108：最优模型选择单元

109：模型估计结果输出设备

111：输入数据

112：模型估计结果

104-1：最低层路径隐变量变分概率计算单元

104-2：分层设定单元

104-3：更高层路径隐变量变分概率计算单元

104-4：分层计算结束确定单元

104-5：估计的模型

104-6：分层隐变量变分概率

106-1：分支节点信息获取单元

106-2：分支节点选择单元

106-3：分支参数优化单元

106-4：总分支节点优化结束确定单元

106-6：门函数模型

113：门函数优化单元

113-1：有效分支节点选择单元

113-2：分支参数优化并行处理单元

200：分层隐变量模型估计设备

201：分层隐结构优化单元

201-1：路径隐变量求和操作单元

201-2：路径移除确定单元

201-3：路径移除执行单元

300：学习数据库

100：分层隐变量模型估计设备

500：模型数据库

700：出货量预测设备

701：数据输入设备

702：模型获取单元

703：成分确定单元

704：出货量预测单元

705：预测结果输出设备

711：输入数据

712：预测结果

800：出货量预测设备

820：出货量预测设备

802：模型获取单元

803：成分确定单元

804：出货量预测单元

805：预测结果输出设备

806：分类单元

826：分类单元

812：订货量

810：出货量预测设备

807：聚类估计单元

827：聚类估计单元

808：安全量计算单元

809：订货量确定单元

900：产品推荐设备

901：模型获取单元

902：分类单元

903：出货量获取单元

904：得分计算单元

905：产品推荐单元

906：推荐结果输出设备

911：推荐结果

90：得分计算单元

91：产品推荐单元

1000：计算机

1001：CPU

1002：主存储设备

1003：辅助存储设备

1004：接口

Claims

1.一种产品推荐设备，所述产品推荐设备推荐要在店铺处被交易的产品，所述设备包括：

得分计算装置，所述得分计算装置用于针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分；以及

产品推荐装置，所述产品推荐装置用于推荐产品，所述产品的所述得分高于正被做出所述推荐的所述店铺处正被交易的产品的所述得分。

2.根据权利要求1所述的产品推荐设备，还包括：

分类装置，所述分类装置用于将所述多个店铺分类为多个聚类，其中所述得分计算装置针对属于聚类的店铺处正被交易的多个产品中的每个产品，计算关于所述出货量和正被交易的所述相关产品所在的店铺的所述数目的所述得分，所述聚类与正被做出所述推荐的所述店铺属于的聚类相同。

3.根据权利要求2所述的产品推荐设备，其中所述分类装置基于用于预测所述产品的所述出货量的概率模型来将所述多个店铺分类为多个聚类。

4.根据权利要求1至3中的任一项所述的产品推荐设备，其中所述产品推荐装置推荐：具有小于正被做出所述推荐的所述店铺处正被交易的所述产品的预先确定的阈值的出货量的产品应当被另一产品替换，所述另一产品的所述得分高于具有较小的所述出货量的所述产品的所述得分。

5.根据权利要求1至4中的任一项所述的产品推荐设备，其中所述得分计算装置通过将校正值添加到基于所述出货量和正被交易的所述相关产品所在的店铺的所述数目而被计算出的主得分来计算所述得分，所述校正值通过将所述主得分与过去得分之间的差乘以预先确定的系数而被获得。

6.一种产品推荐方法，包括：

使用信息处理装置针对在多个店铺处正被交易的多个产品中的每个产品，计算根据出货量和正被交易的相关产品所在的店铺的数目而增加的得分；并且由此推荐产品，所述产品的所述得分高于正被做出所述推荐的店铺处正被交易的产品的所述得分。

7.一种记录介质，所述记录介质记录用于使得计算机执行以下各项的程序：

推荐产品的产品推荐功能，所述产品的所述得分高于正被做出所述推荐的所述店铺处正被交易的产品的所述得分。