CN107292661A - 计算机实现的基于数据分析辅助制定价格的方法及设备 - Google Patents

Abstract

本发明的实施方式提供了一种计算机实现的基于数据分析辅助制定价格的方法，该方法包括：将销售标的各预期价格分别提供给预设的价格销量模型，其中价格销量模型是基于影响销量特征信息建立，并利用销售标的历史影响销量特征信息训练而成的；根据价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；根据各预期价格销量配对以及实际销量需求确定销售标的价格。通过利用基于销售标的历史影响销量特征信息训练而成的价格销量模型来确定预期价格对应的预期销量，有利于及时且低成本的为销售标的制定出较为合理的价格。此外，本发明实施方式还提供了一种介质、装置及计算设备。

Description

计算机实现的基于数据分析辅助制定价格的方法及设备

技术领域

本发明的实施方式涉及计算机领域，更具体地，本发明的实施方式涉及计算机实现的基于数据分析辅助制定价格的方法、装置、计算设备以及介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或者上下文。此处的描述不因为包括在本部分中就承认是现有技术。

为销售标的制定价格，以满足销售方对该销售标的的销售预期，对于销售方而言是一个非常重要的问题。

目前，销售方往往会采用人工制定价格方式或者利用网络爬虫技术跟随竞争对手为销售标的或类销售标的制定的价格的方式来为其销售标的制定价格。

发明内容

但是，人工制定价格由于其过多的依赖于人的经验等主观因素而往往会存在不确定性较强以及价格调整不及时等问题，从而不仅会导致定价的人工成本较高，还可能会存在人工制定的价格不能满足销售预期的风险较大的现象；而随着反爬虫技术的提高，基于网络爬虫技术的跟随定价方式往往无法实现真正意义上的跟随定价，更有甚者，还会使利用跟随定价为销售标的制定的价格由于明显异常而存在较大的风险。

因此在现有技术中，制定价格的方式还无法及时的为销售标的制定出较为合理的价格，这是非常令人烦恼的技术问题。

为此，非常需要一种改进的计算机实现的基于数据分析辅助制定价格的技术方案，在一定程度上避免人工定价存在的不确定性较强以及价格调整及时性较差等问题的同时，还能够避免由于反爬虫技术而产生的无法实现真正意义上的跟随定价等问题，从而有利于及时且低成本的为销售标的制定出较为合理的价格。

在本上下文中，本发明实施方式期望提供一种计算机实现的基于数据分析辅助制定价格的方法、介质、装置以及计算设备。

在本发明实施方式的第一方面中，提供了一种计算机实现的基于数据分析辅助制定价格的方法，包括：将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格。

在本发明的一个实施例中，所述影响销量特征信息包括：销售价格、浏览数量、评论数量以及是否存在促销中的至少一个。

在本发明的另一个实施例中，所述销售价格包括：一天的销售均价；所述浏览数量包括：该天的浏览数量；所述评论数量包括：截止到该天的历史评论数量；所述是否存在促销包括：该天是否存在促销。

在本发明的再一个实施例中，所述价格销量模型包括：针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值以及针对是否存在促销设置的第四权重值中的至少一个；且所述价格销量模型还包括：一个常数。

在本发明的再一个实施例中，所述销售价格归一化后的量值包括：利用截止到当天的历史最低价和历史最高价对当天的销售价格进行归一化处理所获得的量值；所述浏览数量归一化后的量值包括：以e为底的当天的浏览数量的对数；所述评论数量归一化后的量值包括：以e为底的截止到当天的评论数量的对数。

在本发明的再一个实施例中，所述价格销量模型包括：

或者

其中，In(*)表示以e为底的*的对数，sales表示预期销量，price表示预期价格，minHisprice表示历史最低价，maxHisprise表示历史最高价，pv表示浏览数量，comment表示评论数量，promotion表示是否存在促销，intercept表示常数，w₁表示第一权重值且w₁小于零，w₂表示第二权重值，w₃表示第三权重值，w₄表示第四权重值。

在本发明的再一个实施例中，所述方法还包括：形成用于训练和验证所述价格销量模型的多条样本数据的步骤，且形成的样本数据的数量不小于预定数量，所有样本数据各自对应的当天的销售均价存在变化，且所有样本数据各自对应的当天的销量不均低于预定销量。

在本发明的再一个实施例中，形成样本数据的步骤包括：获取所述销售标的在预定时间段内的所有历史销售记录，并滤除历史销售价格异常的历史销售记录；针对所述预定时间段内的每一天而言：根据滤除后获得的历史销售记录统计当天的销量、当天的销售均价、从预定时间段的开始截止到当天的历史最低价以及从预定时间段的开始截止到当天的历史最高价；根据用户浏览日志统计所述销售标的当天的浏览数量；根据评论记录统计从预定时间段的开始截止到当天的评论数量；根据促销记录确定当天是否存在促销；利用所述历史最低价和历史最高价对所述销售均价进行归一化处理，并分别利用以e为底的对数对当天的销量、浏览数量以及评论数量进行归一化处理；利用所述归一化处理后的量值以及当天是否存在促销形成一条样本数据。

在本发明的再一个实施例中，所述方法还包括：将所有样本数据中的前N天的样本数据作为用于训练价格销量模型的样本数据提供给所述价格销量模型，以确定所述价格销量模型中的各权重值以及常数；其中，样本数据中的当天的销售均价被作为预期价格，且在一条样本数据中的当天的销量与价格销量模型输出的预期销量的比值小于预定比值的情况下，该条样本数据被删除。

在本发明的再一个实施例中，所述方法还包括：针对所有样本数据中的除前N天之外的每一天的样本数据而言，将样本数据中的归一化处理后的量值以及当天是否存在促销提供给所述价格销量模型，并确定价格销量模型输出的预期销量与当天的销量之间的误差；其中，所述误差用于判断所述价格销量模型是否验证成功。

在本发明的再一个实施例中，所述根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格的步骤包括：

根据各预期价格销量配对分别计算所述销售标的的不同预期价格各自对应的销售额和毛利额；

利用不同预期价格各自对应的销售额线性拟合出预期价格和销售额之间的第一函数关系；利用不同预期价格各自对应的毛利额线性拟合出预期价格和毛利额之间的第二函数关系；根据所述第一函数关系、第二函数关系以及实际销量需求确定所述销售标的的价格。

在本发明的再一个实施例中，所述根据所述第一函数关系、第二函数关系以及实际销量需求确定所述销售标的的价格的步骤包括：根据所述第一函数关系确定出最优销售额对应的第一价格；根据所述第二函数关系确定出最优毛利额对应的第二价格；根据实际销量需求从所述第一价格和第二价格形成的价格区间中确定所述销售标的的价格。

在本发明的再一个实施例中，所述实际销量需求包括：根据所述销售标的的实际库存情况确定出的实际销量需求。

在本发明实施方式的第二方面中，提供了一种介质，其上存储有程序，该程序被处理器执行时实现上述方法实施方式中的各步骤，例如，将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格。

在本发明实施方式的第三方面中，提供一种装置，包括：提供输入信息模块，用于将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；形成数据配对模块，用于根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；定价模块，用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格。

在本发明实施方式的第四方面中，提供一种计算设备，主要包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，下述指令被运行：用于将销售标的的各预期价格分别提供给预设的价格销量模型的指令，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；用于根据所述价格销量模型的输出确定各预期价格各自对应的预期销量的指令，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格的指令。

在本发明的一个实施例中，所述影响销量特征信息包括：销售价格、浏览数量、评论数量以及是否存在促销中的至少一个。

在本发明的又一个实施例中，所述销售价格包括：一天的销售均价；所述浏览数量包括：该天的浏览数量；所述评论数量包括：截止到该天的历史评论数量；所述是否存在促销包括：该天是否存在促销。

在本发明的再一个实施例中，所述价格销量模型包括：针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值以及针对是否存在促销设置的第四权重值中的至少一个；且所述价格销量模型还包括：一个常数。

在本发明的再一个实施例中，所述销售价格归一化后的量值包括：利用截止到当天的历史最低价和历史最高价对当天的销售价格进行归一化处理所获得的量值；所述浏览数量归一化后的量值包括：以e为底的当天的浏览数量的对数；所述评论数量归一化后的量值包括：以e为底的截止到当天的评论数量的对数。

在本发明的再一个实施例中，所述价格销量模型包括：

或者

其中，In(*)表示以e为底的*的对数，sales表示预期销量，price表示预期价格，minHisprice表示历史最低价，maxHisprise表示历史最高价，pv表示浏览数量，comment表示评论数量，promotion表示是否存在促销，intercept表示常数，w₁表示第一权重值且w₁小于零，w₂表示第二权重值，w₃表示第三权重值，w₄表示第四权重值。

在本发明的再一个实施例中，所述设备还包括：用于形成用于训练和验证所述价格销量模型的多条样本数据的指令，且形成的样本数据的数量不小于预定数量，所有样本数据各自对应的当天的销售均价存在变化，且所有样本数据各自对应的当天的销量不均低于预定销量。

在本发明的再一个实施例中，所述用于形成用于训练和验证所述价格销量模型的多条样本数据的指令包括：用于获取所述销售标的在预定时间段内的所有历史销售记录，并滤除历史销售价格异常的历史销售记录的指令；针对所述预定时间段内的每一天而言：用于根据滤除后获得的历史销售记录统计当天的销量、当天的销售均价、从预定时间段的开始截止到当天的历史最低价以及从预定时间段的开始截止到当天的历史最高价的指令；用于根据用户浏览日志统计所述销售标的当天的浏览数量的指令；用于根据评论记录统计从预定时间段的开始截止到当天的评论数量的指令；用于根据促销记录确定当天是否存在促销的指令；用于利用所述历史最低价和历史最高价对所述销售均价进行归一化处理，并分别利用以e为底的对数对当天的销量、浏览数量以及评论数量进行归一化处理的指令；用于利用所述归一化处理后的量值以及当天是否存在促销形成一条样本数据的指令。

在本发明的再一个实施例中，所述设备还包括：用于将所有样本数据中的前N天的样本数据作为用于训练价格销量模型的样本数据提供给所述价格销量模型，以确定所述价格销量模型中的各权重值以及常数的指令；其中，样本数据中的当天的销售均价被作为预期价格，且在一条样本数据中的当天的销量与价格销量模型输出的预期销量的比值小于预定比值的情况下，该条样本数据被删除。

在本发明的再一个实施例中，所述设备还包括：针对所有样本数据中的除前N天之外的每一天的样本数据而言，用于将样本数据中的归一化处理后的量值以及当天是否存在促销提供给所述价格销量模型，并确定价格销量模型输出的预期销量与当天的销量之间的误差的指令；其中，所述误差用于判断所述价格销量模型是否验证成功。

在本发明的再一个实施例中，所述用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格的指令包括：用于根据各预期价格销量配对分别计算所述销售标的的不同预期价格各自对应的销售额和毛利额的指令；用于利用不同预期价格各自对应的销售额线性拟合出预期价格和销售额之间的第一函数关系的指令；用于利用不同预期价格各自对应的毛利额线性拟合出预期价格和毛利额之间的第二函数关系的指令；用于根据所述第一函数关系、第二函数关系以及实际销量需求确定所述销售标的的价格的指令。

在本发明的再一个实施例中，所述用于根据所述第一函数关系、第二函数关系以及实际销量需求确定所述销售标的的价格的指令包括：用于根据所述第一函数关系确定出最优销售额对应的第一价格的指令；用于根据所述第二函数关系确定出最优毛利额对应的第二价格的指令；用于根据实际销量需求从所述第一价格和第二价格形成的价格区间中确定所述销售标的的价格的指令。

在本发明的再一个实施例中，所述实际销量需求包括：根据所述销售标的的实际库存情况确定出的实际销量需求。

根据本发明实施方式提供的计算机实现的基于数据分析辅助制定价格的方法、介质、装置以及计算设备，通过利用影响销量特征信息来建立价格销量模型，并利用销售标的的历史影响销量特征信息对该模型进行训练，使该模型可以学习到该销售标的的价格-销量特征，这样，本发明实施方式可以利用该价格销量模型针对预期价格更加客观的预测出对应的预期销量，从而本发明实施方式可以在各预期价格-预期销售的基础上，结合实际销量需求(例如，在考虑了实际库存后而确定出的实际销量需求)方便快速的制定出销售标的的价格，在一定程度上避免了人工定价存在的不确定性较强以及价格调整及时性较差等问题的同时，还避免了由于反爬虫技术而产生的无法实现真正意义上的跟随定价等问题；由此可知，本发明实施方式提供的技术方案有利于及时且低成本的为销售标的制定出较为合理的价格。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了根据本发明实施方式的可以在其中实现的应用场景示意图；

图2示意性地示出了根据本发明一实施例的计算机实现的基于数据分析辅助制定价格的方法流程图；

图3示意性地示出了根据本发明一实施例的对价格销量模型进行训练以及有效性验证的流程图；

图4示意性地示出了根据本发明一实施例的预期价格和销售额之间的第一函数关系、预期价格和毛利额之间的第二函数关系的示意图；

图5示意性地示出了根据本发明一实施例的装置的结构示意图；

图6示意性地示出了根据本发明一实施例的计算设备的结构示意图；

图7示意性地示出了根据本发明一实施例的介质的示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件或者完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种计算机实现的基于数据分析辅助制定价格的方法、装置、设备以及介质。

在本文中，需要理解的是，本发明实施方式所涉及的术语销售标的通常是指可以提供给消费者的商品或者服务等；术语预期价格可以理解为假设设定的价格，也可以称为假想价格或者测试价格等；术语预期销量可以理解为针对预期价格推理预测出的销量，也可以称为预测销量或者推测销量等；术语价格销量模型可以理解为用于针对销售标的的一预期价格预测该销售表的的销量的方式方法；术语影响销量特征信息可以理解为在销售标的的销售过程(尤其是电商销售过程)中，会对销售标的的销量产生影响的因素，而历史影响销量特征信息可以理解为在销售标的的历史销售过程中，曾经对销售标的的销量产生影响的因素；术语实际销量需求可以理解为针对销售标的制定的销售的目标，也可以称为实际销量目标或者实际销量计划等；术语销售标的的价格可理解为销售标的的价值，且该价格可以直接使用金钱来表征，也可以使用能够替代金钱使用的分值(例如，金币或者金豆或者钻石或者积分等)来表征。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。下面参考本发明的若干代表性的实施方式，详细阐释本发明的原理和精神。

发明概述

本发明人发现，人工制定价格由于其过多的依赖于人的经验等主观因素而往往会存在不确定性较强以及价格调整不及时等问题，从而不仅会导致定价的人工成本较高，还可能会存在人工制定的价格不能满足销售预期的风险较大的现象；而随着反爬虫技术的提高，基于网络爬虫技术的跟随定价方式往往无法实现真正意义上的跟随定价，更有甚者，还会使利用跟随定价为销售标的制定的价格由于明显异常而存在较大的风险。

因此针对现有技术中存在的制定价格的方式还无法及时的为销售标的制定出较为合理的价格的技术问题，本发明提供了计算机实现的基于数据分析辅助制定价格的方法、介质、装置以及计算设备，通过利用影响销量特征信息来建立价格销量模型，并利用销售标的的历史影响销量特征信息对该模型进行训练，使该模型可以学习到该销售标的的价格-销量特征，这样，本发明实施方式可以利用该价格销量模型针对预期价格更加客观的预测出对应的预期销量，从而本发明实施方式可以在各预期价格-预期销售的基础上，结合实际销量需求(如在考虑了实际库存后而确定出的实际销量需求)方便快速的制定出销售标的的价格，在一定程度上避免了人工定价存在的不确定性较强以及价格调整及时性较差等问题的同时，还避免了由于反爬虫技术而产生的无法实现真正意义上的跟随定价等问题；由此可知，本发明实施方式提供的技术方案有利于及时且低成本的为销售标的制定出较为合理的价格。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

应用场景总览

首先参考图1，示意性地示出了根据本发明实施方式的可以在其中实现的应用场景。

图1中，终端设备1、终端设备2、……终端设备n中均安装有能够访问电商(例如，网易的电商)所提供的页面的应用程序，例如，在终端设备1表现为台式计算机或者笔记型计算机的情况下，终端设备1中安装有能够访问电商所提供的页面的应用客户端或者浏览器等应用程序，再例如，在终端设备2表现为智能移动电话或者平板电脑的情况下，终端设备2中安装有能够访问电商所提供的页面的APP(Application，应用程序)或者浏览器等应用程序；不同用户均可以利用其终端设备中安装的相应应用程序访问相应服务器中电商所提供的页面，从而用户可以查看该电商所提供的各销售标的的价格、评论以及促销活动等信息；进一步的，不同用户可以根据其实际需求以及其了解到的相应销售标的的信息，基于该电商所提供的相应页面执行相应的订购流程操作，以购买该电商所提供的相应销售标的。然而，本领域技术人员完全可以理解，本发明实施方式的适用场景不受到该框架任何方面的限制。

示例性方法

下面结合图1所示的应用场景，参考图2来描述根据本发明示例性实施方式的计算机实现的基于数据分析辅助制定价格的方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

参见图2，示意性地示出了根据本发明一实施例的计算机实现的基于数据分析辅助制定价格的方法的流程图，该方法通常在可以运行计算机程序的设备中执行，例如，在台式计算机或者服务器等设备中执行，当然，也可以在笔记型计算机甚至平板电脑等设备中执行。

本发明实施方式的方法可以包括：步骤S200、步骤S210以及步骤S220；可选的，本发明实施方式的方法还可以包括：步骤S300、步骤S301、步骤S302、步骤S310、步骤S311、步骤S320、步骤S321、步骤S330、步骤S340、步骤S350、步骤S351、步骤S360、步骤S370、步骤S380、步骤S381以及步骤S390。

S200、将销售标的的各预期价格分别提供给预设的价格销量模型。到步骤S210。

作为示例，本发明实施方式的价格销量模型是基于影响销量特征信息建立，并利用销售标的的历史影响销量特征信息训练而成的。本发明实施方式中的影响销量特征信息通常与销售方的实际销售方式相关；例如，对于网络销售方式(即电商销售方式)而言，上述影响销量特征信息可以包括：销售价格、浏览数量、评论数量以及是否存在促销中的至少一个；然而，上述影响销量特征信息所包含的具体内容有可能并不会完全适用于实体店铺销售方式。本发明实施方式允许根据实际销售方式来设置影响销量特征信息所包含的具体内容。

在一个优选的实施方式中，影响销量特征信息可以包括：销售价格、浏览数量、评论数量以及是否存在促销；在一个较为优选的实施方式中，影响销量特征信息可以包括：销售价格、浏览数量以及评论数量；而在另一个较为优选的实施方式中，影响销量特征信息包括：销售价格、评论数量以及是否存在促销。本发明实施方式不限制影响销量特征信息所包含的具体内容。

作为示例，本发明实施方式中的影响销量特征信息可以是以一天为时间单位的影响销量特征信息；具体的，针对任意一天而言，销售价格可以为该天的销售均价，且该销售均价可以使用该天中的针对该销售标的的实际支付费用之和与该销售标的在该天的实际销售数量相除获得，浏览数量可以为该天的浏览数量，评论数量可以为截止到该天的历史评论数量，是否存在促销可以为该天是否存在促销。当然，本发明实施方式也不排除影响销量特征信息以半天或者两天或者一周等为时间单位的可能性。

作为示例，本发明实施方式中的价格销量模型通常为基于影响销量特征信息而建立的多元一次方程，即针对影响销量特征信息所包含的各具体内容分别设置一个权重值从而形成的多元一次方程。

在一个优选的实施方式中，本发明实施方式的基于影响销量特征信息而建立的价格销量模型可以表现为：一个包含有针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值、针对是否存在促销设置的第四权重值以及一个常数的四元一次方程；

在另一个较为优选的实施方式中，本发明实施方式的基于影响销量特征信息而建立的价格销量模型可以表现为：一个包含有针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值以及一个常数的三元一次方程。

作为示例，上述销售价格归一化后的量值可以具体为：利用截止到当天的历史最低价和历史最高价对当天的销售价格进行归一化处理所获得的量值；上述浏览数量归一化后的量值可以具体为：以e为底的当天的浏览数量的对数；上述评论数量归一化后的量值可以具体为：以e为底的截止到当天的评论数量的对数；上述是否存在促销可以通过0或者1来表示，例如，1表示存在促销，0表示不存在促销。

作为示例，本发明实施方式中的表现为四元一次方程的价格销量模型可以通过下述公式(1)来表示：

作为示例，本发明实施方式中的表现为三元一次方程的价格销量模型可以通过下述公式(2)来表示：

在上述公式(1)和公式(2)中，In(*)表示以e为底的*的对数，sales表示预期销量，price表示预期价格，minHisprice表示历史最低价，maxHisprise表示历史最高价，pv表示浏览数量，comment表示评论数量，promotion表示是否存在促销，intercept表示常数，w₁表示第一权重值且w₁小于零，w₂表示第二权重值，w₃表示第三权重值，w₄表示第四权重值。

作为示例，本发明实施方式可以通过对基于影响销量特征信息而建立的价格销量模型进行训练，从而可以学习到价格销量模型中的针对一个特定的销售标的的各权重值以及常数，进而形成一个针对该特定的销售标的价格销量模型；另外，本发明实施方式还可以对训练后的价格销量模型进行有效性验证，且只有通过有效性验证的价格销量模型才能够被用于为销售标的制定价格。本发明实施方式对价格销量模型进行训练以及有效性验证的一个具体例子如下述针对图3的描述。

图3中，S300、获取销售标的在预定时间段内的所有历史销售记录，并滤除所有历史销售记录中的历史销售价格异常的历史销售记录；之后，到步骤S301。

作为示例，上述销售标的在预定时间段内的所有历史销售记录可以具体为：在预定时间段(例如，一年或者半年或者一个季度或者一个月或者X天等)内，购买了该销售标的的所有用户的订单。由于销售标的有可能会以赠品或者加价购等方式销售给用户，因此，历史销售记录可能会存在销售标的的历史销售价格异常的现象，本发明实施方式可以通过为销售标的设置正常价格波动区间或者设置异常价格的条件等方式，来滤除所有历史销售记录中的历史销售价格异常的历史销售记录。本发明实施方式不限制滤除历史销售价格异常的历史销售记录的具体实现方式。

S301、针对预定时间段内的每一个时间单位，对滤除处理后获得的历史销售记录进行销量以及销售均价的统计；之后，到步骤S302。

作为示例，本发明实施方式中的时间单位可以为天，即针对预定时间段内的每一天而言，以滤除处理后获得的历史销售记录为数据基础，统计当天的销量以及当天的销售均价，另外，还可以统计出从预定时间段的开始截止到当天的历史最低价以及从预定时间段的开始截止到当天的历史最高价。

S302、利用历史最低价和历史最高价对上述步骤S301统计出的每一个销售均价分别进行归一化处理，并利用以e为底的对数对上述步骤S301统计出的每一个销量分别进行归一化处理，之后，到步骤S340。

作为示例，在时间单位可以为天的情况下，本发明实施方式可以利用下述公式(3)对上述步骤S301统计出的每一天的销售均价分别进行归一化处理：

在上述公式(3)应用于价格销量模型的训练过程的情况下，price′表示针对一天的销售均价进行归一化处理后所获得的量值，price表示上述步骤S301统计出的一天的销售均价，minHisprice表示从预定时间段的开始截止到当天的历史最低价，maxHisprise表示从预定时间段的开始截止到当天的历史最高价。

作为示例，本发明实施方式可以利用下述公式(4)对上述步骤S301统计出的每一天的销量分别进行归一化处理：

sales′＝In(sales) 公式(4)

在上述公式(4)应用于价格销量模型的训练过程的情况下，sales′表示针对一天的销量进行归一化处理后所获得的量值，sales表示上述步骤S301统计出的一天的销量，In(sales)表示以e为底的一天的销量的对数。

S310、针对预定时间段内的每一个时间单位，根据用户浏览日志统计销售标的在时间单位的浏览数量，例如，根据用户浏览日志统计销售标的在每一天的浏览数量；之后，到步骤S311。

S311、利用以e为底的对数对上述步骤S310统计出的每一个时间单位的浏览数量分别进行归一化处理，例如，对每一天的浏览数量进行归一化处理，之后，到步骤S340。

S320、根据评论记录统计从预定时间段的开始截止到每一个时间单位的评论数量，例如，根据评论记录统计从预定时间段的开始截止到每一天的评论数量，之后，到步骤S321。

S321、利用以e为底的对数对上述步骤S320统计出的每一个评论数量分别进行归一化处理，例如，对从预定时间段的开始截止到每一天的评论数量分别进行归一化处理，之后，到步骤S340。

S330、根据促销记录确定每一个时间单位内是否存在促销，例如，根据促销记录确定每一天是否存在促销，之后，到步骤S340。

S340、利用归一化处理后的量值以及各时间单位内是否存在促销形成一条样本数据。另外，每一条样本数据还可以包括：相应时间单位的销量(例如，当天的销量)、从预定时间段的开始到当前时间单位的历史最低价以及历史最高价；之后，到步骤S350。

S350、判断所有样本数据的数量是否小于预定数量以及各样本数据对应的各时间单位的销售均价是否完全相同，例如，判断所有样本数据的数量是否小于预定数量以及各样本数据对应的当天的销售均价是否完全相同；

如果所有样本数据的数量小于预定数量或者各样本数据对应的各时间单位的销售均价完全相同，则到步骤S351；例如，如果所有样本数据的数量小于预定数量或者各样本数据各自对应的当天的销售均价完全相同，则到步骤S351；

如果所有样本数据的数量不小于预定数量，且各样本数据对应的各时间单位的销售均价存在变化，即各样本数据对应的时间单位的销售均价不完全相同，则到步骤S360；例如，如果所有样本数据的数量不小于预定数量，且各样本数据各自对应的当天的销售均价存在变化，即各样本数据对应的当天的销售均价不完全相同，则到步骤S360。

S351、该销售标的的样本数据不满足训练价格销量模型的要求，目前无法针对该销售标的执行价格销量模型进行训练，即该销售标的无法通过价格销量模型来制定价格，此时可以返回样本数据异常的信息。

S360、将所有样本数据中的前N个(如前N天)的样本数据作为用于训练价格销量模型的样本数据提供给价格销量模型，以通过学习获得价格销量模型中的各权重值以及常数。之后，到步骤S370。

S370、针对所有样本数据中的除前N个样本数据之外的每一个样本数据而言，将样本数据中的归一化处理后的量值以及相应时间单位内是否存在促销提供给价格销量模型，并确定价格销量模型输出的预期销量与该样本数据所对应的相应时间单位的销量之间的误差；例如，针对所有样本数据中的除前N天之外的后M天中的每一个样本数据而言，将样本数据中的归一化处理后的量值以及当天是否存在促销提供给价格销量模型，并确定价格销量模型输出的预期销量与该样本数据中的当天的销量之间的误差；之后，到步骤S380。

S380、根据第一权重值的正负、价格销量模型的拟合程度以及上述获得的各误差判断价格销量模型是否验证成功。

如果第一权重值为正，则可以确定出价格销量模型验证失败；

如果价格销量模型的拟合程度小于0.5，则可以确定出价格销量模型验证失败；

如果误差不满足要求，则可以确定出价格销量模型验证失败；例如，判断所有误差中的最大误差是否满足要求；再例如，判断所有误差之和是否满足要求；再例如，判断所有误差的平均值是否满足要求等；

如果第一权重值为负，价格销量模型的拟合程度不小于0.5，且误差满足要求，则可以确定出价格销量模型验证成功；

如果确定出价格销量模型验证失败，则到步骤S381；

如果确定出价格销量模型验证成功，则到步骤S390。

S381、返回价格销量模型验证失败的信息，即该价格销量模型针对预期价格预测出的预期销量不够准确，最好不要利用当前训练出的价格销量模型为该销售标的制定价格。

S390、返回价格销量模型验证成功的信息，即该价格销量模型针对预期价格预测出的预期销量的准确程度可以满足要求，可以利用当前训练出的价格销量模型为该销售标的制定价格。

针对上述图3的描述需要特别说明的是，用于训练或者用于验证的样本数据可能会由于各种情况而导致其并不适宜被用于训练或者验证，对于这样的样本数据应滤除；一个具体的例子，设定销售标的为热销产品，在该销售标的的历史销售过程中，可能会存在由于库存不足而导致当天的销量为零或者销量非常小的情况，如果利用该天的样本数据对当前训练出的价格销量模型进行验证，则会出现价格销量模型预测的预期销量远远大于该条样本数据中的当天的销量的情况，即该条样本数据中的当天的销量与价格销量模型输出的预期销量的比值小于预定比值，这样的样本数据应被删除。

另外需要特别说明的是，在形成样本数据的过程中，可以不进行归一化处理，而是由价格销量模型来执行归一化处理。

在价格销量模型验证成功的情况下，上述公式(1)中的w₁、w₂、w₃、w₄以及intercept通过学习确定了具体的数值；此时，如果需要制定销售标的明天的销售价格，则可以先将第一预期价格以及今天的样本数据中的相应信息作为输入信息提供给价格销量模型，即第一预期价格会被作为上述公式(1)的price，而今天的样本数据中的相应信息会被作为公式(1)中的minHisprice(不包括由于作为赠品或者加价购等因素而导致的异常价格)、maxHisprise、In(pv)、In(comment)以及promotion；然后，再将第二预期价格以及今天的样本数据中的相应信息作为输入信息提供给价格销量模型；以此类推，直到将最后一个预期价格以及今天的样本数据中的相应信息作为输入信息提供给价格销量模型；

S210、根据价格销量模型的输出确定各预期价格各自对应的预期销量。

作为示例，价格销量模型可以针对每一个输入的预期价格计算出一个预期销量，例如，针对第一预期价格计算出第一预期销量，针对第二预期价格计算出第二预期销量，……，针对最后一个预期价格计算出最后一个预期销量；而每一个预期价格和与其对应的预期销量形成一个预期价格销量配对。

S220、根据各预期价格销量配对以及实际销量需求确定销售标的的价格。

作为示例，本发明实施方式可以直接从各预期价格销量配对中选择一个与实际销量需求最接近的预期销量，并将该最接近的预期销量所对应的预期价格作为销售标的的价格。本发明实施方式中的实际销量需求可以是根据销售标的的实际库存情况而确定出的实际销量需求。当然，实际销量需求也可以是在考虑其他因素(例如，物流量等)的情况下确定出的。本发明实施方式不限制确定实际销量需求的具体实现方式。

在一个优选的实施方式中：

首先，可以先根据各预期价格销量配对分别计算销售标的的不同预期价格各自对应的销售额(即预期价格与预期销量的乘积)和毛利额(即预期价格与预期销量的乘积与销售标的的成本相减所得到的差值)；

其次，利用不同预期价格各自对应的销售额线性拟合出预期价格和销售额之间的第一函数关系(例如，图4中的实线所表示的曲线)；并利用不同预期价格各自对应的毛利额线性拟合出预期价格和毛利额之间的第二函数关系(例如，图4中的虚线所表示的曲线)；需要说明的是，图4的横坐标为价格，纵坐标为金额；

之后，本发明实施方式可以根据第一函数关系、第二函数关系以及实际销量需求确定出销售标的的价格；具体而言：

本发明实施方式可以根据第一函数关系确定出最优销售额对应的第一价格(即图4中的销售额最优价)，通过公式推导可以将销售额最优价BestGmvPrice表示为下述公式(5)所示：

本发明实施方式可以根据第二函数关系确定出最优毛利额对应的第二价格(即图4中的毛利额最优价)，通过公式推导可以将毛利额最优价BestProfitPrice表示为下述公式(6)所示：

本发明实施方式可以根据实际销量需求从第一价格和第二价格形成的价格区间(例如，图4中的销售额最优价和毛利额最优价所形成的价格区间)中确定销售标的的价格；例如，根据实际销量需求设置权重值的大小，从而可以根据该权重值的大小确定出位于价格区间中的一个价格，该价格就是确定出的销售标的的价格。

示例性设备

在介绍了本发明示例性实施方式的方法之后，接下来，参考图5对本发明示例性实施方式的计算机实现的基于数据分析辅助制定价格的装置进行说明。

参见图5，示意性地示出了根据本发明一实施例的计算机实现的基于数据分析辅助制定价格的装置的结构示意图，该装置通常设置于可以运行计算机程序的设备中，例如，本发明实施例中的该装置可以设置于台式计算机或者服务器等设备中，当然，该装置也可以设置于笔记型计算机甚至平板电脑等设备中。

本发明实施方式的装置主要包括：提供输入信息模块500、形成数据配对模块510以及定价模块520；可选的，该装置还可以包括：形成样本数据模块530、模型训练模块540以及模型验证模块550。下面对该装置所包括的各个模块分别进行说明。

提供输入信息模块500主要用于将销售标的的各预期价格分别提供给预设的价格销量模型，其中，价格销量模型是基于影响销量特征信息建立，并利用销售标的的历史影响销量特征信息训练而成的。影响销量特征信息所包括的具体内容以及价格销量模型的具体表现形式等可以参见上述方法实施方式中的公式(1)和公式(2)的相关描述，在此不再重复说明。

形成数据配对模块510主要用于根据价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对。

定价模块520主要用于根据各预期价格销量配对以及实际销量需求确定销售标的的价格。

作为示例，定价模块520可以包括：第一子模块、第二子模块、第三子模块以及第四子模块(图5中未示出)。其中的第一子模块主要用于根据各预期价格销量配对分别计算销售标的的不同预期价格各自对应的销售额和毛利额；第二子模块主要用于利用不同预期价格各自对应的销售额线性拟合出预期价格和销售额之间的第一函数关系；第三子模块主要用于利用不同预期价格各自对应的毛利额线性拟合出预期价格和毛利额之间的第二函数关系；第四子模块主要用于根据第一函数关系、第二函数关系以及实际销量需求确定销售标的的价格。第四子模块确定价格的一个具体例子为：第四子模块可以先根据第一函数关系确定出最优销售额对应的第一价格，然后，根据第二函数关系确定出最优毛利额对应的第二价格，之后，用于根据实际销量需求从第一价格和第二价格形成的价格区间中确定销售标的的价格。上述实际销量需求可以是根据销售标的的实际库存情况确定出的实际销量需求。各子模块所执行的具体操作可以参见上述方法实施方式中针对步骤S220的描述，在此不再重复说明。

形成样本数据模块530主要用于形成用于训练和验证价格销量模型的多条样本数据，如果形成样本数据模块530形成的样本数据的数量不小于预定数量、所有样本数据各自对应的当天的销售均价存在变化，且所有样本数据各自对应的当天的销量不均低于预定销量，则形成样本数据模块530所形成的样本数据可以被用于训练和验证价格销量模型。

作为示例，形成样本数据模块530可以获取销售标的在预定时间段内的所有历史销售记录，并滤除历史销售价格异常的历史销售记录；针对预定时间段内的每一天而言：形成样本数据模块530根据滤除后获得的历史销售记录统计当天的销量、当天的销售均价、从预定时间段的开始截止到当天的历史最低价以及从预定时间段的开始截止到当天的历史最高价；形成样本数据模块530根据用户浏览日志统计销售标的当天的浏览数量；形成样本数据模块530根据评论记录统计从预定时间段的开始截止到当天的评论数量；形成样本数据模块530根据促销记录确定当天是否存在促销；形成样本数据模块530利用历史最低价和历史最高价对销售均价进行归一化处理，并分别利用以e为底的对数对当天的销量、浏览数量以及评论数量进行归一化处理；形成样本数据模块530利用归一化处理后的量值以及当天是否存在促销形成一条样本数据的指令。形成样本数据模块530为形成样本数据所执行的具体操作可以参见上述方法实施方式中的步骤S300-步骤S340的描述，在此不再重复说明。

模型训练模块540主要用于将所有样本数据中的前N天的样本数据作为用于训练价格销量模型的样本数据提供给所述价格销量模型，以确定价格销量模型中的各权重值以及常数；其中，样本数据中的当天的销售均价被作为预期价格，且在一条样本数据中的当天的销量与价格销量模型输出的预期销量的比值小于预定比值的情况下，该条样本数据被删除。模型训练模块540所执行的具体操作可以参见上述方法实施方式中的步骤S360的描述，在此不再重复说明。

模型验证模块550主要用于针对所有样本数据中的除前N天之外的每一天的样本数据而言，将样本数据中的归一化处理后的量值以及当天是否存在促销提供给价格销量模型，并确定价格销量模型输出的预期销量与当天的销量之间的误差，并利用各误差判断价格销量模型是否验证成功。模型验证模块550所执行的具体操作可以参见上述方法实施方式中的步骤S370至步骤S390的描述，在此不再重复说明。

图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器60的框图。图6显示的计算机系统/服务器60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统/服务器60以通用计算设备的形式表现。计算机系统/服务器60的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件(包括系统存储器602和处理单元601)的总线603。

计算机系统/服务器60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)6021和/或高速缓存存储器6022。计算机系统/服务器60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM 6023可以用于读写不可移动的、非易失性磁介质(图6中未显示，通常称为“硬盘驱动器”)。尽管未在图6中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。系统存储器602中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块6024的程序/实用工具6025，可以存储在例如系统存储器602中，且这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块6024通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器60也可以与一个或多个外部设备604(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，计算机系统/服务器60还可以通过网络适配器606与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或者公共网络，例如因特网)通信。如图6所示，网络适配器606通过总线603与计算机系统/服务器60的其它模块(如处理单元601等)通信。应当明白，尽管图6中未示出，可以结合计算机系统/服务器60使用其它硬件和/或软件模块。

处理单元601通过运行存储在系统存储器602中的计算机程序，从而执行各种功能应用以及数据处理，例如，执行用于实现上述方法实施例中的各步骤的指令；具体而言，处理单元601可以执行系统存储器602中存储的计算机程序，且该计算机程序被执行时，下述指令被运行：用于将销售标的的各预期价格分别提供给预设的价格销量模型的指令(可以简称为第一指令)，其中，价格销量模型是基于影响销量特征信息建立，并利用销售标的的历史影响销量特征信息训练而成的；用于根据价格销量模型的输出确定各预期价格各自对应的预期销量的指令(可以简称为第二指令)，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格的指令(可以简称为第三指令)。可选的，被运行的指令还可以包括：用于形成用于训练和验证价格销量模型的多条样本数据的指令(可以简称为第四指令)；用于将所有样本数据中的前N天的样本数据作为用于训练价格销量模型的样本数据提供给价格销量模型，以确定价格销量模型中的各权重值以及常数的指令(可以简称为第五指令)；针对所有样本数据中的除前N天之外的每一天的样本数据而言，用于将样本数据中的归一化处理后的量值以及当天是否存在促销提供给价格销量模型，并确定价格销量模型输出的预期销量与当天的销量之间的误差的指令(可以简称为第六指令)。

第一指令所涉及到的价格销量模型的具体表现形式等可以参见上述方法实施方式中的公式(1)和公式(2)的相关描述，在此不再重复说明。

第三指令可以包括：用于根据各预期价格销量配对分别计算所述销售标的的不同预期价格各自对应的销售额和毛利额的指令；用于利用不同预期价格各自对应的销售额线性拟合出预期价格和销售额之间的第一函数关系的指令；用于利用不同预期价格各自对应的毛利额线性拟合出预期价格和毛利额之间的第二函数关系的指令；用于根据第一函数关系、第二函数关系以及实际销量需求确定销售标的的价格的指令。另外，其中的用于根据所述第一函数关系、第二函数关系以及实际销量需求确定所述销售标的的价格的指令可以包括：用于根据第一函数关系确定出最优销售额对应的第一价格的指令；用于根据第二函数关系确定出最优毛利额对应的第二价格的指令；用于根据实际销量需求(例如，根据销售标的的实际库存情况确定出的实际销量需求)从第一价格和第二价格形成的价格区间中确定销售标的的价格的指令。第三指令所包含的各指令所执行的具体操作可以参见上述方法实施方式中针对步骤S220的描述，在此不再重复说明。

第四指令可以包括：用于获取销售标的在预定时间段内的所有历史销售记录，并滤除历史销售价格异常的历史销售记录的指令；针对预定时间段内的每一天而言：用于根据滤除后获得的历史销售记录统计当天的销量、当天的销售均价、从预定时间段的开始截止到当天的历史最低价以及从预定时间段的开始截止到当天的历史最高价的指令；用于根据用户浏览日志统计销售标的当天的浏览数量的指令；用于根据评论记录统计从预定时间段的开始截止到当天的评论数量的指令；用于根据促销记录确定当天是否存在促销的指令；用于利用历史最低价和历史最高价对销售均价进行归一化处理，并分别利用以e为底的对数对当天的销量、浏览数量以及评论数量进行归一化处理的指令；用于利用归一化处理后的量值以及当天是否存在促销形成一条样本数据的指令。第四指令所包含的各指令为形成样本数据所执行的具体操作可以参见上述方法实施方式中的步骤S300-步骤S340的描述，在此不再重复说明。

另外，第五指令所执行的具体操作可以参见上述方法实施方式中的步骤S360的描述，而第六指令所执行的具体操作可以参见上述方法实施方式中的步骤S370至步骤S390的描述，在此均不再重复说明。

本发明实施方式的介质一个具体例子如图7所示。

图7的介质为光盘700，其上存储有计算机程序(即程序产品)，该程序被处理器执行时，会实现上述方法实施方式中所记载的各步骤，例如，将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格；各步骤的具体实现方式在此不再重复说明。

应当注意，尽管在上文详细描述中提及了计算机实现的基于数据分析辅助制定价格的装置的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种计算机实现的基于数据分析辅助制定价格的方法，包括：

将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；

根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；

根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格。

2.如权利要求1所述的方法，其中，所述影响销量特征信息包括：销售价格、浏览数量、评论数量以及是否存在促销中的至少一个。

3.如权利要求2所述的方法，其中，

所述销售价格包括：一天的销售均价；

所述浏览数量包括：该天的浏览数量；

所述评论数量包括：截止到该天的历史评论数量；

所述是否存在促销包括：该天是否存在促销。

4.如权利要求2所述的方法，其中，所述价格销量模型包括：

针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值以及针对是否存在促销设置的第四权重值中的至少一个；

且所述价格销量模型还包括：一个常数。

5.一种介质，其上存储有程序，该程序被处理器执行时实现上述权利要求1-13中任一项所述的方法。

6.一种装置，包括：

提供输入信息模块，用于将销售标的的各预期价格分别提供给预设的价格销量模型，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；

形成数据配对模块，用于根据所述价格销量模型的输出确定各预期价格各自对应的预期销量，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；

定价模块，用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格。

7.一种计算设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，下述指令被运行：

用于将销售标的的各预期价格分别提供给预设的价格销量模型的指令，其中，所述价格销量模型是基于影响销量特征信息建立，并利用所述销售标的的历史影响销量特征信息训练而成的；

用于根据所述价格销量模型的输出确定各预期价格各自对应的预期销量的指令，且一个预期价格和与其对应的预期销量形成一个预期价格销量配对；

用于根据各预期价格销量配对以及实际销量需求确定所述销售标的的价格的指令。

8.如权利要求7所述的设备，其中，所述影响销量特征信息包括：销售价格、浏览数量、评论数量以及是否存在促销中的至少一个。

9.如权利要求8所述的设备，其中，

所述销售价格包括：一天的销售均价；

所述浏览数量包括：该天的浏览数量；

所述评论数量包括：截止到该天的历史评论数量；

所述是否存在促销包括：该天是否存在促销。

10.如权利要求8所述的设备，其中，所述价格销量模型包括：

针对销售价格归一化后的量值设置的第一权重值、针对浏览数量归一化后的量值设置的第二权重值、针对评论数量归一化后的量值设置的第三权重值以及针对是否存在促销设置的第四权重值中的至少一个；

且所述价格销量模型还包括：一个常数。