CN109191192B - 数据估算方法、装置和计算机可读存储介质 - Google Patents
数据估算方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109191192B CN109191192B CN201810953074.5A CN201810953074A CN109191192B CN 109191192 B CN109191192 B CN 109191192B CN 201810953074 A CN201810953074 A CN 201810953074A CN 109191192 B CN109191192 B CN 109191192B
- Authority
- CN
- China
- Prior art keywords
- article
- user
- estimation
- residual value
- estimated
- 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
Links
Images
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
- G06Q30/0278—Product appraisal
Abstract
本发明公开了一种数据估算方法、装置和计算机可读存储介质,涉及数据处理领域。数据估算方法包括:将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中;获取残值估算模型输出的估算结果信息;根据估算结果信息确定待估算物品的残值。本发明的实施例可以基于物品特征、用户特征、用户的描述文本,采用残值估算模型估算物品的残值,从而可以高效、准确地进行自动的残值估计,节约了人力成本,提高了业务处理效率。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种数据估算方法、装置和计算机可读存储介质。
背景技术
为了提高客户服务水平和客户满意度,电商行业存在多种特色售后服务,例如:针对部分商品,在用户提出退换货申请后,无需用户返还商品、直接赔付用户的服务,简称为“全额退款不退货”售后服务;或者,针对部分损坏的商品,根据商品的损坏情况采用部分赔付用户的方式进行售后服务,简称为“部分退款不退货”。
商品残值,指商品被售卖给客户后,被客户退还给电商平台时的剩余价值。商品残值受商品本身的使用、损坏程度等因素影响。为了提供上述售后服务方式,对于待退换货商品的残值数值判断成为了能否提供上述售后服务方式的重要判断标准。例如,当商品的残值小于退货成本时,可以提供全额退款不退货服务。
目前对于商品残值的判断,多采用客服人工审核的方式,通过查看客户提供的文字描述信息、上传的商品图片信息,或者通过与客户进行电话沟通等方式,依靠客服人员的工作经验判断商品的残值。
发明内容
发明人经过分析后发现,由客服人工审核的方式效率较低,主观性强,会导致残值估计不准确。
本发明实施例所要解决的一个技术问题是:如何提高残值估计的效率和准确性。
根据本发明一些实施例的第一个方面,提供一种数据估算方法,包括:将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中;获取残值估算模型输出的估算结果信息;根据估算结果信息确定待估算物品的残值。
在一些实施例中,数据估算方法还包括:将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征。
在一些实施例中,获取残值估算模型输出的估算结果信息包括:采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作,获得第一预设数量个文本特征图;根据物品特征、用户特征、文本特征图构建特征抽取向量,其中,特征抽取向量包括每个文本特征图中的最大值;将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中;获取残值估算模型的分类层输出的估算结果信息。
在一些实施例中,描述文本特征采用矩阵的形式表示,描述文本特征的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数;卷积核的第一维度数小于描述文本特征的第一维度数,卷积核的第二维度数等于描述文本特征的第二维度数。
在一些实施例中,获取残值估算模型输出的估算结果信息还包括:采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作,获得第二预设数量个物品特征图;采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作,获得第三预设数量个用户特征图;其中,特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。
在一些实施例中,数据估算方法还包括:获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,标记值表示物品的残值信息;根据训练数据调整深度学习模型的参数,获得残值估算模型。
在一些实施例中,描述文本特征包括描述文本中每个词的词向量;数据估算方法还包括:根据训练数据调整描述文本特征中的词向量。
在一些实施例中,数据估算方法还包括:响应于用户提交的对待估算物品的描述文本的信息量少于预设值,根据与待估算物品相同的物品的历史残值确定待估算物品的残值。
根据本发明一些实施例的第二个方面,提供一种数据估算装置,包括:特征输入模块,被配置为将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中;结果输出模块,被配置为获取残值估算模型输出的估算结果信息;残值估算模块,被配置为根据估算结果信息确定待估算物品的残值。
在一些实施例中,数据估算装置还包括:描述文本特征生成模块,被配置为将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征。
在一些实施例中,结果输出模块包括:特征图生成单元,被配置为采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作,获得第一预设数量个文本特征图;特征抽取向量构建单元,被配置为根据物品特征、用户特征、文本特征图构建特征抽取向量,其中,特征抽取向量包括每个文本特征图中的最大值;分类层输入单元,被配置为将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中;分类层输出单元,被配置为获取残值估算模型的分类层输出的估算结果信息。
在一些实施例中,描述文本特征采用矩阵的形式表示,描述文本特征的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数;卷积核的第一维度数小于描述文本特征的第一维度数,卷积核的第二维度数等于描述文本特征的第二维度数。
在一些实施例中,特征图生成单元进一步被配置为采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作,获得第二预设数量个物品特征图;采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作,获得第三预设数量个用户特征图;其中,特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。
在一些实施例中,数据估算装置还包括:模型训练模块,被配置为获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,标记值表示物品的残值信息;根据训练数据调整深度学习模型的参数,获得残值估算模型。
在一些实施例中,描述文本特征包括描述文本中每个词的词向量;模型训练模块进一步被配置为根据训练数据调整描述文本特征中的词向量。
在一些实施例中,数据估算装置还包括:基于历史数据的估算模块,被配置为响应于用户提交的对待估算物品的描述文本的信息量少于预设值,根据与待估算物品相同的物品的历史残值确定待估算物品的残值。
根据本发明一些实施例的第三个方面,提供一种数据估算装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行前述任意一种数据估算方法。
根据本发明一些实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现前述任意一种数据估算方法。
上述发明中的一些实施例具有如下优点或有益效果:本发明的实施例可以基于物品特征、用户特征、用户的描述文本,采用残值估算模型估算物品的残值,从而可以高效、准确地进行自动的残值估计,节约了人力成本,提高了业务处理效率。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明一些实施例的数据估算方法的流程示意图。
图2为根据本发明一些实施例的描述文本特征获取方法的流程示意图。
图3为根据本发明一些实施例的残值估算模型计算方法的流程示意图。
图4为根据本发明另一些实施例的残值估算模型计算方法的流程示意图。
图5为根据本发明一些实施例的残值估算模型训练方法的流程示意图。
图6为根据本发明另一些实施例的残值估算方法的流程示意图。
图7为根据本发明一些实施例的残值估算装置的结构示意图。
图8为根据本发明另一些实施例的数据估算装置的示例性结构图。
图9为根据本发明又一些实施例的数据估算装置的示例性结构图。
具体实施方式
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实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为根据本发明一些实施例的数据估算方法的流程示意图。如图1所示,该实施例的数据估算方法包括步骤S102~S106。
在步骤S102中,将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中。待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本例如可以从数据库中读取。
待估算物品例如可以是用户提交了售后申请的物品,也可以是其他应用场景中需要进行残值估算的物品。物品特征例如可以包括物品类型、品类、品牌、价格、重量、体积、材质中的一项或多项,也可以包括其他特征;用户特征例如可以包括信誉等级、历史售后申请信息、下单量、购买总额等表示购买行为的指标中的一项或多项,也可以包括年龄、性别、收入水平、爱好等用户画像信息中的一项或多项,还可以包括其他特征。
用户对待估算物品的描述文本例如可以是用户提交的请求中的文本。例如,对于用户的售后请求,描述文本可以是退货或退款原因,如“还有一个月就过保质期了”、“产品破损,不是真空包装”等等。描述文本特征则是描述文本所对应的特征,该特征例如可以通过数值或向量表示。
残值估算模型是预先训练的模型神经网络模型。例如,可以采用包括待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征的历史数据作为训练数据对神经网络模型进行训练,并且训练数据的标记值为预先确定的待估算物品的残值。该标记值例如可以为该历史数据所对应的残值,或者也可以根据多个人工判断结果的平均值进行标记。
在步骤S104中,获取残值估算模型输出的估算结果信息。估算结果信息可以直接为残值本身,也可以是残值折扣。
在步骤S106中,根据估算结果信息确定待估算物品的残值。例如,当残值估算模型输出的是残值折扣时,待估算物品的残值可以是残值折扣与物品原值的乘积。
通过上述实施例的方法,可以基于物品特征、用户特征、用户的描述文本,采用残值估算模型估算物品的残值,从而可以高效、准确地进行自动的残值估计,节约了人力成本,提高了业务处理效率。
在一些实施例中,待估算物品的描述文本特征可以包括描述文本中的每个词的词向量。下面参考图2描述本发明描述文本特征获取方法的实施例。
图2为根据本发明一些实施例的描述文本特征获取方法的流程示意图。如图2所示,该实施例的描述文本特征获取方法包括步骤S202。
在步骤S202中,将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征。
例如,可以采用独热(one-hot)编码或者基于word2vec的词向量模型获得每个词的词向量,也可以选择其他方式。word2vec基于词语的上下文关系来进行模型训练,并生成词语的词向量。由于在本发明的应用场景中存在大量的描述文本,因此可以基于这些描述文本对word2vec模型进行训练,以使得生成的词向量能够表示该应用场景下的文本特征。
在一些实施例中,还可以先对描述文本进行预处理。例如,可以在去除描述文本中的停用词、标点、感叹词等信息量较少的词语后,再将剩余的词语转换为向量以获得描述文本特征。
通过上述实施例的方法,可以采用数字化的方法表示文本信息。
下面参考图3描述本发明残值估算模型的计算过程的实施例。
图3为根据本发明一些实施例的残值估算模型计算方法的流程示意图。如图3所示,该实施例的数据估算方法包括步骤S302~S308。
在步骤S302中,采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作,获得第一预设数量个文本特征图(Feature Map)。
在一些实施例中,描述文本特征可以采用矩阵的形式表示,矩阵的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数,其中,第一维度表示行、第二维度表示列,或者第一维度表示列、第二维度表示行。例如,设描述文本中词语的词向量为k维,一个描述文本包括n个词语,则描述文本特征可以为n×k维的矩阵。
本领域技术人员可以根据需要选择卷积窗口的尺寸,即卷积核的尺寸。在一些实施例中,卷积核的第一维度数小于描述文本特征的第一维度数,卷积核的第二维度数等于描述文本特征的第二维度数。例如,卷积核的大小可以为m×k,其中,m为卷积窗口中的词语数,k为描述文本中词语的词向量的维度数。卷积核中每个元素的值是预先获取的,例如可以通过预先的训练过程确定。从而,每次进行卷积运算时,卷积窗口中“呈现”的内容为部分词语的完整词向量,使得预测结果更准确。
将描述文本特征与卷积核进行卷积运算后,可以得到与卷积核的数量相等的文本特征图。从而可以生成固定数量的文本特征图。
在步骤S304中,根据物品特征、用户特征、文本特征图构建特征抽取向量,其中,特征抽取向量包括每个文本特征图中的最大值。
构建的特征抽取向量可以包括物品特征、用户特征本身,也可以包括进行特征抽取后的物品特征、用户特征。物品特征和用户特征的维度数是固定的,而文本特征图的数量也是固定的,从而即使在描述文本长度可变的情况下,也可以生成固定尺寸的特征抽取向量。
在步骤S306中,将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中。分类层例如可以为softmax层。
在步骤S308中,获取残值估算模型的分类层输出的估算结果信息。例如,残值估算模型的分类层的输出节点可以为预设数量的节点,其中,每个节点表示一个类别,每个类别代表一种估算结果,每个节点的输出值表示分类结果为该类别的概率。因此,可以直接将概率最高的分类结果作为估算结果,也可以根据各个节点的输出结果确定估算结果。
由于描述文本的长度往往是不固定的,因此本发明在进行分类之前,首先对描述文本特征进行卷积处理、获得文本特征图,然后提取每个文本特征图中的一个最大值、以便用这些最大值来表示描述文本,生成尺寸固定的特征抽取向量。从而,可以将物品特征、用户特征、文本特征进行融合,以准确地估计物品的残值。
在一些实施例中,可以采用与处理描述文本类似的方法来处理物品特征和用户特征。下面参考图4描述本发明残值估算模型的计算过程的实施例。
图4为根据本发明另一些实施例的残值估算模型计算方法的流程示意图。如图4所示,该实施例的数据估算方法包括步骤S402~S414。
在步骤S402中,采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作,获得第一预设数量个文本特征图。
在步骤S404中,采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作,获得第二预设数量个物品特征图。
在步骤S406中,采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作,获得第三预设数量个用户特征图。
步骤S402~S406可以并行进行或者以任意顺序进行。
在步骤S408中,分别提取每个文本特征图中的最大值、每个物品特征图中的最大值、每个用户特征图中的最大值。
在步骤S410中,采用上述提取的最大值构建特征抽取向量。
在步骤S412中,将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中。
在步骤S414中,获取残值估算模型的分类层输出的估算结果信息。
从而,可以对物品特征和用户特征也进行进一步的特征提取,提高估算结果的准确性。
下面参考图5描述本发明残值估算模型的训练方法的实施例。
图5为根据本发明一些实施例的残值估算模型训练方法的流程示意图。如图5所示,该实施例的数据估算方法包括步骤S502~S504。
在步骤S502中,获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,标记值表示物品的残值信息。标记值例如可以根据基于描述文本做出的多个人工评估的结果确定。
在一些实施例中,残值信息可以为残值等级。例如,可以将物品划分为全损、高损、中损、低损、无损、未知几个等级。对于酒类产品,几个残值等级对应的示例性描述文本如下。
全损:拆开后酒瓶碎了;
高损:香精味太大,都不能喝,要求退货;
中损:收到货时防伪密码被刮开了;
低损:少了个螺丝,这个礼品是要送人的,不能有这种小瑕疵;
无损:买错了,度数不对,没有开封。
在步骤S504中,根据训练数据调整深度学习模型的参数,获得残值估算模型。
例如,可以将物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征输入到深度学习模型中,根据模型的输出值与标记值的差距来调整模型的参数。
在一些实施例中,该实施例的残值估算模型训练方法还可以包括步骤S506。
在步骤S506中,根据训练数据调整描述文本特征中的词向量。描述文本特征包括描述文本中每个词的词向量。
一般地,在训练的过程中仅对模型的参数进行调整,例如模型中每个节点的权重等等,而本发明可以将输入特征也作为被调整的一部分,即,描述文本特征可以是动态的。从而随着不断的迭代,词向量也可以得到优化,使得残值估算的结果更准确。
在一些实施例中,用户提交的描述文本可能过短或者均为乱码、标点符号等无意义字符,导致描述文本中信息量过少。此时,可以参考历史残值估算结果对该物品的残值进行估算。下面参考图6描述本发明数据估算方法的实施例。
图6为根据本发明另一些实施例的残值估算方法的流程示意图。如图6所示,该实施例的残值估算方法包括步骤S602~S606。
在步骤S602中,判断用户提交的对待估算物品的描述文本的信息量是否少于预设值。如果是,执行步骤S604;如果不是,执行步骤S606。
在步骤S604中,根据与待估算物品相同的物品的历史残值确定待估算物品的残值。例如,可以获取与待估算物品相同的物品在最近的预设时间段内的已退货信息,并从已退货信息中获取残值,将获取的残值的平均值作为待估算物品的残值。
在步骤S606中,采用残值估算模型确定待估算物品的残值。步骤S606的具体实施方式可以参考前述实施例,这里不再赘述。
从而,可以根据用户提交的描述文本中信息量的多少采用不同的方式估算物品的残值。
下面参考图7描述本发明数据估算装置的实施例。
图7为根据本发明一些实施例的残值估算装置的结构示意图。如图7所示,该实施例的残值估算装置70包括:特征输入模块710,被配置为将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中;结果输出模块720,被配置为获取残值估算模型输出的估算结果信息;残值估算模块730,被配置为根据估算结果信息确定待估算物品的残值。
在一些实施例中,数据估算装置70还包括:描述文本特征生成模块740,被配置为将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征。
在一些实施例中,结果输出模块720包括:特征图生成单元7210,被配置为采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作,获得第一预设数量个文本特征图;特征抽取向量构建单元7220,被配置为根据物品特征、用户特征、文本特征图构建特征抽取向量,其中,特征抽取向量包括每个文本特征图中的最大值;分类层输入单元7230,被配置为将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中;分类层输出单元7240,被配置为获取残值估算模型的分类层输出的估算结果信息。
在一些实施例中,描述文本特征采用矩阵的形式表示,描述文本特征的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数;卷积核的第一维度数小于描述文本特征的第一维度数,卷积核的第二维度数等于描述文本特征的第二维度数。
在一些实施例中,特征图生成单元7210进一步被配置为采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作,获得第二预设数量个物品特征图;采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作,获得第三预设数量个用户特征图;其中,特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。
在一些实施例中,数据估算装置70还包括:模型训练模块750,被配置为获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,标记值表示物品的残值信息;根据训练数据调整深度学习模型的参数,获得残值估算模型。
在一些实施例中,描述文本特征包括描述文本中每个词的词向量;模型训练模块750进一步被配置为根据训练数据调整描述文本特征中的词向量。
在一些实施例中,数据估算装置70还包括:基于历史数据的估算模块760,被配置为响应于用户提交的对待估算物品的描述文本的信息量少于预设值,根据与待估算物品相同的物品的历史残值确定待估算物品的残值。
图8为根据本发明另一些实施例的数据估算装置的示例性结构图。如图8所示,该实施例的数据估算装置80包括:存储器810以及耦接至该存储器810的处理器820,处理器820被配置为基于存储在存储器810中的指令,执行前述任意一个实施例中的数据估算方法。
其中,存储器810例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(BootLoader)以及其他程序等。
图9为根据本发明又一些实施例的数据估算装置的示例性结构图。如图9所示,该实施例的数据估算装置90包括:存储器910以及处理器920,还可以包括输入输出接口930、网络接口940、存储接口950等。这些接口930,940,950以及存储器910和处理器920之间例如可以通过总线960连接。其中,输入输出接口930为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口940为各种联网设备提供连接接口。存储接口950为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现前述任意一种数据估算方法。
本领域内的技术人员应当明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种数据估算方法,包括:
将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征;
将待估算物品的物品特征、所述待估算物品的购买用户的用户特征、用户对所述待估算物品的描述文本特征输入到残值估算模型中;
获取所述残值估算模型输出的估算结果信息,包括:
采用第一预设数量个第一预设尺寸的卷积核对所述描述文本特征进行卷积操作,获得第一预设数量个文本特征图;
根据所述物品特征、所述用户特征、所述文本特征图构建特征抽取向量,其中,所述特征抽取向量包括每个文本特征图中的最大值;
将所述特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中;以及
获取所述残值估算模型的分类层输出的估算结果信息;
根据所述估算结果信息确定所述待估算物品的残值。
2.根据权利要求1所述的数据估算方法,其中,描述文本特征采用矩阵的形式表示,所述描述文本特征的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数;所述卷积核的第一维度数小于所述描述文本特征的第一维度数,所述卷积核的第二维度数等于所述描述文本特征的第二维度数。
3.根据权利要求1所述的数据估算方法,其中,所述获取所述残值估算模型输出的估算结果信息还包括:
采用第二预设数量个第二预设尺寸的卷积核对所述物品特征进行卷积操作,获得第二预设数量个物品特征图;
采用第三预设数量个第三预设尺寸的卷积核对所述用户特征进行卷积操作,获得第三预设数量个用户特征图;
其中,所述特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。
4.根据权利要求1所述的数据估算方法,还包括:
获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,所述标记值表示物品的残值信息;
根据训练数据调整深度学习模型的参数,获得残值估算模型。
5.根据权利要求4所述的数据估算方法,其中,所述描述文本特征包括所述描述文本中每个词的词向量;
所述数据估算方法还包括:
根据训练数据调整所述描述文本特征中的词向量。
6.根据权利要求1所述的数据估算方法,还包括:
响应于用户提交的对所述待估算物品的描述文本的信息量少于预设值,根据与所述待估算物品相同的物品的历史残值确定所述待估算物品的残值。
7.一种数据估算装置,包括:
描述文本特征生成模块,被配置为将用户对待估算物品的描述文本中的每个词映射为词向量,作为描述文本特征;
特征输入模块,被配置为将待估算物品的物品特征、所述待估算物品的购买用户的用户特征、用户对所述待估算物品的描述文本特征输入到残值估算模型中;
结果输出模块,被配置为获取所述残值估算模型输出的估算结果信息,包括:
特征图生成单元,被配置为采用第一预设数量个第一预设尺寸的卷积核对所述描述文本特征进行卷积操作,获得第一预设数量个文本特征图;
特征抽取向量构建单元,被配置为根据所述物品特征、所述用户特征、所述文本特征图构建特征抽取向量,其中,所述特征抽取向量包括每个文本特征图中的最大值;
分类层输入单元,被配置为将所述特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中;以及
分类层输出单元,被配置为获取所述残值估算模型的分类层输出的估算结果信息;
残值估算模块,被配置为根据所述估算结果信息确定所述待估算物品的残值。
8.根据权利要求7所述的数据估算装置,其中,描述文本特征采用矩阵的形式表示,所述描述文本特征的第一维度数为描述文本特征所表示的词语的数量,矩阵的第二维度数为词向量的维度数;所述卷积核的第一维度数小于所述描述文本特征的第一维度数,所述卷积核的第二维度数等于所述描述文本特征的第二维度数。
9.根据权利要求7所述的数据估算装置,其中,
所述特征图生成单元进一步被配置为采用第二预设数量个第二预设尺寸的卷积核对所述物品特征进行卷积操作,获得第二预设数量个物品特征图;采用第三预设数量个第三预设尺寸的卷积核对所述用户特征进行卷积操作,获得第三预设数量个用户特征图;
其中,所述特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。
10.根据权利要求7所述的数据估算装置,还包括:
模型训练模块,被配置为获取训练数据,其中,每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值,所述标记值表示物品的残值信息;根据训练数据调整深度学习模型的参数,获得残值估算模型。
11.根据权利要求10所述的数据估算装置,其中,所述描述文本特征包括所述描述文本中每个词的词向量;
所述模型训练模块进一步被配置为根据训练数据调整所述描述文本特征中的词向量。
12.根据权利要求7所述的数据估算装置,还包括:
基于历史数据的估算模块,被配置为响应于用户提交的对所述待估算物品的描述文本的信息量少于预设值,根据与所述待估算物品相同的物品的历史残值确定所述待估算物品的残值。
13.一种数据估算装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1~6中任一项所述的数据估算方法。
14.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1~6中任一项所述的数据估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953074.5A CN109191192B (zh) | 2018-08-21 | 2018-08-21 | 数据估算方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953074.5A CN109191192B (zh) | 2018-08-21 | 2018-08-21 | 数据估算方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191192A CN109191192A (zh) | 2019-01-11 |
CN109191192B true CN109191192B (zh) | 2021-11-12 |
Family
ID=64919098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810953074.5A Active CN109191192B (zh) | 2018-08-21 | 2018-08-21 | 数据估算方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191192B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657591B1 (en) | 2019-08-16 | 2020-05-19 | Coupang Corp. | Computer-implemented systems and methods for real-time risk-informed return item collection using an automated kiosk |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130311354A1 (en) * | 2012-05-16 | 2013-11-21 | Bby Solutions, Inc. | Product leasing system and method |
TW201426585A (zh) * | 2012-12-25 | 2014-07-01 | Chun-Ming Chen | 可用資源回收再利用並整合產品回收價值返還消費者之交易平台 |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
CN105160406B (zh) * | 2015-09-02 | 2020-03-17 | 中联重科股份有限公司 | 工程机械设备的检测数据的处理方法、装置和系统 |
CN107545447B (zh) * | 2016-06-23 | 2021-02-02 | 斑马网络技术有限公司 | 获取残值的方法、装置、终端设备和用户界面系统 |
CN106204138A (zh) * | 2016-07-11 | 2016-12-07 | 上海安吉星信息服务有限公司 | 一种车辆残值率评估方法及装置 |
KR20180050144A (ko) * | 2016-11-04 | 2018-05-14 | 이법성 | 매장을 통한 가전 제품 렌탈 서비스 시스템 |
CN107688901B (zh) * | 2017-08-24 | 2021-05-11 | 北京星选科技有限公司 | 数据调整方法及装置 |
CN107633435A (zh) * | 2017-10-09 | 2018-01-26 | 广州市万表科技股份有限公司 | 一种二手商品在线估值方法和系统 |
-
2018
- 2018-08-21 CN CN201810953074.5A patent/CN109191192B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109191192A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960719B (zh) | 选品方法和装置以及计算机可读存储介质 | |
CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
CN111695719A (zh) | 一种用户价值预测方法及系统 | |
CN109189921B (zh) | 评论评估模型的训练方法和装置 | |
CN108509458B (zh) | 一种业务对象识别方法及装置 | |
CN107545301B (zh) | 页面展示方法及装置 | |
EP4322031A1 (en) | Recommendation method, recommendation model training method, and related product | |
CN112529663A (zh) | 商品推荐方法、装置、终端设备及存储介质 | |
CN110827086A (zh) | 产品营销预测方法、装置、计算机设备及可读存储介质 | |
CN111738807B (zh) | 用于推荐目标对象的方法、计算设备和计算机存储介质 | |
CN110929764A (zh) | 图片审核方法和装置,电子设备及存储介质 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN109191192B (zh) | 数据估算方法、装置和计算机可读存储介质 | |
KR102276427B1 (ko) | 신규 리뷰 작성에 대한 추정 가치 산출 장치 및 방법 | |
CN113868526A (zh) | 信息推送方法和装置、非瞬时性计算机可读存储介质 | |
CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN110796504B (zh) | 物品推荐方法和装置 | |
CN111026973A (zh) | 一种商品兴趣度预测方法、装置及电子设备 | |
CN114119081A (zh) | 对象预测模型的训练方法、装置、电子设备及存储介质 | |
CN114579854A (zh) | 商品推荐方法、模型训练方法、装置及电子设备 | |
CN114399352A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN111598638B (zh) | 点击率确定方法、装置及设备 | |
CN114202369A (zh) | 一种销量预测方法及装置 | |
CN113177603A (zh) | 分类模型的训练方法、视频分类方法及相关设备 |
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 |