CN107403345A - 畅销商品预测方法及系统、存储介质及电子终端 - Google Patents
畅销商品预测方法及系统、存储介质及电子终端 Download PDFInfo
- Publication number
- CN107403345A CN107403345A CN201710865567.9A CN201710865567A CN107403345A CN 107403345 A CN107403345 A CN 107403345A CN 201710865567 A CN201710865567 A CN 201710865567A CN 107403345 A CN107403345 A CN 107403345A
- Authority
- CN
- China
- Prior art keywords
- data
- data table
- merging
- decision
- commodity
- 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.)
- Pending
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及数据处理技术领域,具体涉及一种畅销商品预测方法、一种畅销商品预测系统、一种存储介质以及一种电子终端。所述方法包括:在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;以所述合并数据表的属性标签作为输入变量建立决策树模型。本公开通过将能够影响商品销量水平的各变量作为输入变量,从而准确的分析商品以及对应商家的数据,使所述决策树的对畅销商品和非畅销商品的预测更加可靠,进而使决策人员在选择商品时拥有充分的数据依据,辅助决策人员进行决策。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种畅销商品预测方法、一种畅销商品预测系统、一种存储介质以及一种电子终端。
背景技术
随着电子商务的迅速发展,对购物网站来说,商品和商家的选择变得越来越重要。当出现商品备货不足,商品质量或商家服务质量参差不齐等情况时,在一定程度上会影响用户体验,最终导致用户的流失。如何选择合适的商家和商品成为保持用户粘度、决定网站兴衰的关键。现有的选择商品和商家的方法主要通过人工选择的方式,即通过开发商家或商家主动报名,由人工对商品及商家的各方面指标进行审核,从中选择合适的商品。但现有的方法存在消耗人力较多的问题,当待审核的商品达到一定数量时导致审核工作量巨大,对人力资源的消耗会急剧增加,并且人工审核经常会由于存在经验判断而忽略对既有规则的运用,存在选择失误的情况发生。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种畅销商品预测方法、一种畅销商品预测系统、一种存储介质以及一种电子终端,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种畅销商品预测方法,包括:
在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
以所述合并数据表的属性标签作为输入变量建立决策树模型。
在本公开的一种示例性实施例中,所述对合并后的数据表按预设规则进行清理包括:
计算合并后的数据表中各所述标签与所述决策树模型的输出变量的相关系数,删除所述合并后的数据表中与所述输出变量的相关系数小于预设值的标签及对应数据。
在本公开的一种示例性实施例中,所述对合并后的数据表按预设规则进行清理还包括:
计算合并后的数据表中各所述标签之间的相关度,对于所述相关度大于预设值的多个所述标签,保留任意一个所述标签及对应数据,并删除所述多个标签中的其余标签及对应数据。
在本公开的一种示例性实施例中,所述方法还包括:对按预设规则进行清理后的所述合并数据表进行数据离散化处理。
在本公开的一种示例性实施例中,所述以所述合并数据表的属性标签作为输入变量建立决策树模型包括:
选择所述属性标签作为输入变量以及选择训练数据集;
计算各所述输入变量的信息增益率;
选取信息增益率最大的所述输入变量作为划分节点,并按该所述划分节点划分训练数据集;
判断剩余的所述训练数据集是否存在新的所述划分节点,在判断存在新的所述划分节点时,重复以上步骤;
在判断不存在新的所述划分节点时,结束所述决策树的生长,得到初始决策树。
在本公开的一种示例性实施例中,所述方法还包括:
对所述初始决策树按照预设置信度进行修剪以获取所述决策树模型。
在本公开的一种示例性实施例中,所述以所述合并数据表的属性标签作为输入变量建立决策树模型包括:
选择所述合并数据表中的多个或全部属性标签作为所述决策树模型的输入变量。
根据本公开的第二方面,提供一种畅销商品预测系统,包括:
数据合并模块,用于在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
数据处理模块,用于对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
决策树生成模块,用于以所述合并数据表的属性标签作为输入变量建立决策树模型。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的畅销商品预测方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
以所述合并数据表的属性标签作为输入变量建立决策树模型。
本公开的一种实施例所提供的畅销商品预测方法中,将原始数据库中商品数据表和商家数据表中的数据及信息进行整合,利用合并数据表的属性标签作为输入变量建立决策树。通过将能够影响商品销量水平的各变量作为输入变量,从而准确的分析商品以及对应商家的数据,使所述决策树的对畅销商品和非畅销商品的预测更加可靠,进而使决策人员在选择商品时拥有充分的数据依据,辅助决策人员进行决策。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种畅销商品预测方法的示意图;
图2示意性示出本公开示例性实施例中一种建立决策树模型的方法示意图;
图3示意性示出本公开示例性实施例中一种决策树的示意图;
图4示意性示出本公开示例性实施例中一种畅销商品预测系统的组成示意图;
图5示意性示出本公开示例性实施例中一种畅销商品预测装置的一种示意图;
图6示意性示出本公开示例性实施例中一种畅销商品预测装置的再一种示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种畅销商品预测方法,利用决策树对购物形式的电子商务网站上的畅销商品及非畅销商品进行预测。决策树的分类方法是使用较为广泛的有指导的分类预测,它要求参与建模的变量包括:作为输入角色的输入变量以及作为输出角色的输出变量。分类预测模型可以理解为一个递归的过程,算法重点在于确定分支准则,因为影响目标变量的属性变量有许多,不同的分支属性形成的分类规则相差较大。基于决策树分类模型的树状结构简单直观,可以将决策树中到达每个叶节点的路径转化为IF-THEN形式的分类规则,易于理解和应用。参考图1中所示,上述的畅销商品预测方法可以包括以下步骤:
S1,在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表。
S2,对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表。
S3,以所述合并数据表的属性标签作为输入变量建立决策树模型。
本示例实施方式所提供的畅销商品预测方法,通过将原始数据库中商品数据表和商家数据表中的数据及信息进行整合,并且将能够影响商品销量水平的各变量作为输入变量,从而准确的分析商品以及对应商家的数据,使所述决策树的对畅销商品和非畅销商品的预测更加可靠,进而使决策人员在选择商品时拥有充分的数据依据,辅助决策人员进行决策。
下面,将结合附图及实施例对本示例实施方式中的畅销商品预测方法的各个步骤进行更详细的说明。
步骤S1,在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表。
本示例实施方式中,上述的商品数据表和商家数据表可以来自购物网站的数据库中,作为待分析的原始数据。举例来说,上述的商品数据表可以包含以下主要标签字段:商品编码、卖家编码、商品名称、所属类目、销售时间、折扣、销售价、原价、是否包邮、是否入仓、历史销量、累计收藏数、历史浏览数、当日销量以及商品URL等。通过上述的各标签字段能够充分表述各商品的详细信息。
上述的商家数据表的标签字段可以包括:卖家编码、卖家名称、卖家分级、开店时间、店铺好评率以及店铺收藏数等。通过上述的各标签及对应数据可以详细的表述各商家的详细信息。
在获取商品数据表和商家数据表后,可以根据所述商品数据表及所述商家数据表中的一关联标签将上述的两个数据表合并形成一个新的数据表。其中,所述的关联标签为所述商品数据表和商家数据表中共有的一标签字段,如上述标签中的“卖家编码”。同时,可以将上述标签中的“商品编码”作为合并后数据表的主键,形成一个新的合并后数据表。通过该合并后的数据表,可以清楚的描述该购物网站中各商品与对应商家的详细信息及关联关系。
在本公开的其他示例中,上述的商品数据表及商家数据表也可以包含其他的标签字段;同时,也可以利用其他的关联标签对所述商品数据表及商家数据表进行和并及整理。本公开对此不做特殊限定。
步骤S2,对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表。
本示例实施方式中,由于合并后的数据表的中包含的部分数据不适宜进行数据挖掘、数据分析及后续的建立决策树模型,所以需要对合并后的数据表进行清理、变化等操作。
具体来说,上述的对合并后的数据表按预设规则进行清理可以包括:计算合并后的数据表中各所述标签与所述决策树模型的输出变量的相关系数,删除所述合并后的数据表中与所述输出变量的相关系数小于预设值的标签及对应数据。
在对合并后的数据表进行清理时,可以首先删除与决策树的输出变量没有必然联系的标签及对应数据。例如,在所述输出变量为“畅销品”以及“非畅销品”时,可以将合并后表格中的商品上柜时间、商家开店时间等与输出变量明显不相关的标签及对应数据删除。然后,可以对合并后数据表中的其他标签与输出变量进行相关性计算,对于相关性系数小于预设值的标签及对应数据进行删除。例如可设置相关性系数为0.4~0.6,从而使得最终保留下的标签及对应数据是对商品销量水平影响较大或有直接影响的数据。
此外,本示例实施方式中,上述的对合并后的数据表按预设规则进行清理还可以包括:计算合并后的数据表中各所述标签之间的相关度,对于所述相关度大于预设值的多个所述标签,保留任意一个所述标签及对应数据,并删除所述多个标签中的其余标签及对应数据。
对于合并后的数据表中,可能存在多个具有相同或相近含义的标签,此时,可对合并后数据表中各标签之间的相关度进行计算。对于相关度大于预设值的多个标签,如:历史购买人数、历史购买件数、历史交易笔数,上述各标签相关性较高,具有基本相同的含义及数据。此时,可选择任意一个标签及对应数据保留,同时删除其他两组标签及对应数据。通过对合并后的数据表进行有效的清理,可以避免后续的数据分析过程中存在冗余数据,进而保证数据分析结果的准确性。
基于上述内容,在本公开的其他示例性实施例中,上述的畅销商品预测方法还可以包括:对按预设规则进行清理后的所述合并数据表进行数据离散化处理。
由于商品数据多数为连续数据,在构建决策树是,使用离散数据可以获得更快的处理速度,因此有必要对数据进行离散化处理。
举例来说,输入变量包括:收藏数量,可以将收藏数量分为2组:收藏数量<600,以及收藏数量≥600。输出变量可以为“畅销”、“非畅销”,销量≤1000为非畅销,销量>1000为畅销。
步骤S3,以所述合并数据表的属性标签作为输入变量建立决策树模型。
本示例实施方式中,参考图2所示,上述的以所述合并数据表的属性标签作为输入变量建立决策树模型具体可以包括:
S31,选择所述属性标签作为输入变量以及选择训练数据集;
S32,计算各所述输入变量的信息增益率;
S33,选取信息增益率最大的所述输入变量作为划分节点,并按该所述划分节点划分训练数据集;
S34,判断剩余的所述训练数据集是否存在新的所述划分节点,在判断存在新的所述划分节点时,重复以上步骤;
在判断不存在新的所述划分节点时,结束所述决策树的生长,得到初始决策树。
在本示例性实施例中,在计算各属性标签的信息增益率时,具体可以通过以下步骤。举例来说,将来自某购物网站的商品数据表和商家数据表进行合并,所述合并数据表的属性标签包括:商品折扣、商品销售价、商品采购价、是否包邮、是否入仓、收藏量、卖家等级以及好评率;此时可以选取所有的属性标签作为输入变量,或选取上述的部分属性标签作为输入变量。输出变量(目标属性)为销售情况分为“畅销”及“非畅销”。若样本S中输出变量包括2个分类,其中包含410条“畅销”商品记录,以及440条“非畅销”商品记录,根据C4.5算法的信息熵公式:
其中,S为样本集,c为样本集中类别个数,pi为第i各类别的概率。
则所述样本集的信息熵为:
当属性标签“收藏量”为“多”的商品有480条数据信息,其中销售情况为“畅销”的商品有334条数据信息,“非畅销”的商品有146条数据信息;属性标签“收藏量”为“少”的商品有370条数据信息,其中销售情况为“畅销”的商品有76条数据信息,“非畅销”的商品有294条数据信息。
根据C4.5算法的条件熵公式:
其中,T为集合S中某一属性(即所述合并数据表中属性标签),n为该属性的分类个数。
则:
根据C4.5算法的信息增益计算公式:
Gain(T)=Entropy(S)-Entropy(T) (3)
则属性标签“收藏量”的信息增益为:
Gain(T)=Entropy(S)-Entropy(T)=0.999-0.819=0.180
根据C4.5算法的属性变量T的分裂信息计算公式:
则属性标签“收藏量”的分裂信息为:
根据C4.5算法的属性T的信息增益率计算公式:
则属性标签“收藏量”的信息增益率为:
重复以上步骤,可以分别计算出其他各所述属性标签的信息增益率。
当“收藏量”具有最大信息增益率时,则选择该属性标签作为决策树的第一个划分节点。在确定第一个划分节点后,判断剩余数据集是否存在新的划分节点。在判断存在新的划分节点时,重复以上步骤继续进行划分;若不存在新的划分节点,则结束决策树的生长,得到初始决策树。
在本公开的其他示例性实施方式中,为了进一步的优化分析结果,提高商品预测的准确性,上述的畅销商品预测方法还可以包括:
S35,对所述初始决策树按照预设置信度进行修剪以获取所述决策树模型。
通过依据预设的置信度对上述的初始决策树进行剪枝,得到修剪后的决策树模型。参考图3所示,为最终获取的决策树示意图。举例而言,可以设置置信度为50%-60%。
通过分类规则解读最终生成的决策树可以得出,历史收藏数会最大程度上反应一件商品的销量水平,网站店铺和商品的历史记录数据对分析营销方案和预测销量至关重要。同时用户对价格较为敏感,价格在99元以下的商品成为畅销的概率较大,从卖家分级上看相比之下普通卖家,高级卖家的用户信任度更高,商品更有竞争力。如果高级卖家的商品选择入仓,也就是用更为快捷的物流,则对消费者更有吸引力。商品好评率较高(大于99.5%)的情况下,也能获得较好的市场反应。参见图3所示,基于修剪后的决策树,从其根到树叶的路径可以创建规则,以IFTHEN的形式表示,在图3所示的决策树中可以提取对应的6条规则,并都可找到相应的解释,具体包括:
规则1
If收藏量=多
And销售价>99
And店铺等级=高级
And是否入仓=否
And好评<=0.995
Then非畅销
表示为:如果商品收藏数大,且销售价大于99元,不选择入仓,同时卖家是高级卖家,但好评率在99.5%以下,则对应商品是非畅销款。
规则2
If收藏量=多
And销售价>99
And店铺等级=高级
And是否入仓=否
And好评>0.995
Then畅销
表示为:对于收藏量多,价格相对高的商品,如果卖家为高级,商品好评率更好,即使没有入仓,商品也会畅销。
规则3
If收藏量=多
And销售价>99
And店铺等级=高级
And是否入仓=是
Then畅销
表示为:如果商品收藏量多,价格高于99元,商家是高级商家且商品参加入仓,则商品会是畅销款。
规则4
If收藏量=少
Then非畅销
表示为:如果商品收藏数小,则对应的商品很大可能将会是非畅销款。
规则5
If收藏量=多
And销售价<99
Then畅销
表示为:商品被收藏量多,且商品价格较低的商品更容易获得好的市场反应。
规则6
If收藏量=多
And销售价>99
And店铺等级=普通
Then非畅销
表示为:收藏量多的高价商品,如果卖家分级为普通,则商品更可能不畅销。
为了评估分类算法的准确率,定义变量P为样本预测的总体正确率,则
其中,K为被正确分类的实例数,H为测试样本的实例总数,本示例中文采取全样本测试。
利用上述公式(6)对决策树总体以及生成的六条规则进行正确性评估。参见表1、表2所示,分别为对某购物网站的决策树正确识别率、规则正确统计率。
样本类别 | 样本数 | 错误识别数 | 正确率 | 平均识别率 |
非畅销 | 440 | 36 | 91.8% | 84.5% |
畅销 | 410 | 96 | 76.6% | 84.5% |
表1
表2
通过以上的表1及表2可以明显的看出,上述的决策树对畅销品和非畅销品的预测具有较高的正确率。
本公开提供的畅销商品预测方法,通过将商品数据表和商家数据表整合并进行清理,从而保留影响商品销量水平的各项有效数据,并通过上述的各项数据生成可读的决策树,从而筛选出优质商品,对畅销商品做出预测;进而使决策人员在选择商品和商家时不仅可以依靠经验,同时能够为决策人员提供有效的数据依据,辅助决策人员进行决策,进而实现对畅销商品的自动预测,减轻决策人员的工作压力。进一步的,在通过决策树对畅销商品进行预测后,进而可以在选择商家时做出正确的判断,使决策人员可以主动寻找适合在购物平台经营的商家。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图4所示,本示例的实施方式中还提供畅销商品预测系统2,包括:数据合并模块21、数据处理模块22以及决策树生成模块23。其中:
所述数据合并模块21可以用于在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表。
所述数据处理模块22可以用于对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表。
所述决策树生成模块23可以用于以所述合并数据表的属性标签作为输入变量建立决策树模型。
上述的畅销商品预测系统中各模块的具体细节已经在对应的畅销商品预测方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600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5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S1:在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;步骤S2:对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;步骤S3:以所述合并数据表的属性标签作为输入变量建立决策树模型。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种畅销商品预测方法,其特征在于,包括:
在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
以所述合并数据表的属性标签作为输入变量建立决策树模型。
2.根据权利要求1所述的畅销商品预测方法,其特征在于,所述对合并后的数据表按预设规则进行清理包括:
计算合并后的数据表中各所述标签与所述决策树模型的输出变量的相关系数,删除所述合并后的数据表中与所述输出变量的相关系数小于预设值的标签及对应数据。
3.根据权利要求1所述的畅销商品预测方法,其特征在于,所述对合并后的数据表按预设规则进行清理还包括:
计算合并后的数据表中各所述标签之间的相关度,对于所述相关度大于预设值的多个所述标签,保留任意一个所述标签及对应数据,并删除所述多个标签中的其余标签及对应数据。
4.根据权利要求2或3所述的畅销商品预测方法,其特征在于,所述方法还包括:
对按预设规则进行清理后的所述合并数据表进行数据离散化处理。
5.根据权利要求1所述的畅销商品预测方法,其特征在于,所述以所述合并数据表的属性标签作为输入变量建立决策树模型包括:
选择所述属性标签作为输入变量以及选择训练数据集;
计算各所述输入变量的信息增益率;
选取信息增益率最大的所述输入变量作为划分节点,并按该所述划分节点划分训练数据集;
判断剩余的所述训练数据集是否存在新的所述划分节点,在判断存在新的所述划分节点时,重复以上步骤;
在判断不存在新的所述划分节点时,结束所述决策树的生长,得到初始决策树。
6.根据权利要求5所述的畅销商品预测方法,其特征在于,所述方法还包括:
对所述初始决策树按照预设置信度进行修剪以获取所述决策树模型。
7.根据权利要求1所述的畅销商品预测方法,其特征在于,所述以所述合并数据表的属性标签作为输入变量建立决策树模型包括:
选择所述合并数据表中的多个或全部属性标签作为所述决策树模型的输入变量。
8.一种畅销商品预测系统,其特征在于,包括:
数据合并模块,用于在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
数据处理模块,用于对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
决策树生成模块,用于以所述合并数据表的属性标签作为输入变量建立决策树模型。
9.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至7中任一项所述的畅销商品预测方法。
10.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
在原始数据库中获取一商品数据表以及一商家数据表,并根据一关联标签合并所述商品数据表和所述商家数据表;
对合并后的数据表按预设规则进行清理以获取包含多个属性标签的合并数据表;
以所述合并数据表的属性标签作为输入变量建立决策树模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710865567.9A CN107403345A (zh) | 2017-09-22 | 2017-09-22 | 畅销商品预测方法及系统、存储介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710865567.9A CN107403345A (zh) | 2017-09-22 | 2017-09-22 | 畅销商品预测方法及系统、存储介质及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107403345A true CN107403345A (zh) | 2017-11-28 |
Family
ID=60388850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710865567.9A Pending CN107403345A (zh) | 2017-09-22 | 2017-09-22 | 畅销商品预测方法及系统、存储介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403345A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198042A (zh) * | 2018-01-25 | 2018-06-22 | 刘文侠 | 一种商品或服务与商家的精准匹配和关联展示及其工作方法 |
CN108960719A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 选品方法和装置以及计算机可读存储介质 |
CN109871856A (zh) * | 2017-12-04 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 一种优化训练样本的方法和装置 |
CN109934604A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 获取畅销品名单的方法、系统、存储介质及电子设备 |
CN109978306A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据处理方法及装置 |
CN110335090A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(南京)科技有限公司 | 基于商品销量分布预测的补货方法及系统、电子设备 |
CN110490682A (zh) * | 2018-05-15 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 分析商品属性的方法和装置 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN111062477A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种数据处理方法、装置及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN115660733A (zh) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | 一种基于人工智能的销量预测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139963A1 (en) * | 2000-12-08 | 2003-07-24 | Chickering D. Maxwell | Decision theoretic approach to targeted solicitation by maximizing expected profit increases |
CN101783004A (zh) * | 2010-03-03 | 2010-07-21 | 陈嵘 | 快速智能化的商品推荐系统 |
CN107103514A (zh) * | 2017-04-25 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 商品性别标签确定方法和装置 |
CN107180362A (zh) * | 2017-05-03 | 2017-09-19 | 浙江工商大学 | 基于深度学习的零售商品销售预测方法 |
-
2017
- 2017-09-22 CN CN201710865567.9A patent/CN107403345A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139963A1 (en) * | 2000-12-08 | 2003-07-24 | Chickering D. Maxwell | Decision theoretic approach to targeted solicitation by maximizing expected profit increases |
CN101783004A (zh) * | 2010-03-03 | 2010-07-21 | 陈嵘 | 快速智能化的商品推荐系统 |
CN107103514A (zh) * | 2017-04-25 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 商品性别标签确定方法和装置 |
CN107180362A (zh) * | 2017-05-03 | 2017-09-19 | 浙江工商大学 | 基于深度学习的零售商品销售预测方法 |
Non-Patent Citations (1)
Title |
---|
费斐等: "决策树算法在团购商品销售预测中的应用", 《计算机系统应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871856B (zh) * | 2017-12-04 | 2022-03-04 | 北京京东尚科信息技术有限公司 | 一种优化训练样本的方法和装置 |
CN109871856A (zh) * | 2017-12-04 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 一种优化训练样本的方法和装置 |
CN109934604B (zh) * | 2017-12-15 | 2021-09-07 | 北京京东尚科信息技术有限公司 | 销量数据的处理方法、系统、存储介质及电子设备 |
CN109934604A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 获取畅销品名单的方法、系统、存储介质及电子设备 |
CN109978306A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据处理方法及装置 |
CN109978306B (zh) * | 2017-12-28 | 2021-11-02 | 北京京东尚科信息技术有限公司 | 数据处理方法及装置 |
CN108198042A (zh) * | 2018-01-25 | 2018-06-22 | 刘文侠 | 一种商品或服务与商家的精准匹配和关联展示及其工作方法 |
CN110490682A (zh) * | 2018-05-15 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 分析商品属性的方法和装置 |
CN110490682B (zh) * | 2018-05-15 | 2024-02-09 | 北京京东尚科信息技术有限公司 | 分析商品属性的方法和装置 |
CN108960719A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 选品方法和装置以及计算机可读存储介质 |
CN110782266B (zh) * | 2018-07-31 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN110335090A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(南京)科技有限公司 | 基于商品销量分布预测的补货方法及系统、电子设备 |
CN111062477A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种数据处理方法、装置及存储介质 |
CN111062477B (zh) * | 2019-12-17 | 2023-12-08 | 腾讯云计算(北京)有限责任公司 | 一种数据处理方法、装置及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN111626821B (zh) * | 2020-05-26 | 2024-03-12 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN115660733A (zh) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | 一种基于人工智能的销量预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403345A (zh) | 畅销商品预测方法及系统、存储介质及电子终端 | |
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
Kotu et al. | Predictive analytics and data mining: concepts and practice with rapidminer | |
Chen et al. | Strategic decisions using the fuzzy PROMETHEE for IS outsourcing | |
CN109636430A (zh) | 对象识别方法及其系统 | |
Holmbom et al. | Customer portfolio analysis using the SOM | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN107609060A (zh) | 资源推荐方法及装置 | |
Shobana et al. | E-commerce customer churn prevention using machine learning-based business intelligence strategy | |
CN106600039A (zh) | 一种电商商品消息推送优化方法 | |
Parthiban et al. | An integrated multi-objective decision making process for the performance evaluation of the vendors | |
Singh et al. | E-commerce system for sale prediction using machine learning technique | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
CN104657878A (zh) | 用于对数据集进行推荐和定价的方法和系统 | |
Rostamzadeh | A new approach for supplier selection using fuzzy MCDM | |
CN110704803A (zh) | 目标对象的评估值计算方法及装置、存储介质、电子设备 | |
CN112767114A (zh) | 企业多元化决策方法、装置、电子设备及存储介质 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
Yang et al. | Sequential clustering and classification approach to analyze sales performance of retail stores based on point-of-sale data | |
Matawale et al. | Agility appraisement and identification of agile barriers in a supply chain | |
KR101853555B1 (ko) | Sw 시장 정보 서비스 시스템 | |
Kiran et al. | Analysis on the prediction of sales using various machine learning testing algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171128 |
|
RJ01 | Rejection of invention patent application after publication |