CN109767249A - 预测性价比的方法和装置 - Google Patents
预测性价比的方法和装置 Download PDFInfo
- Publication number
- CN109767249A CN109767249A CN201711097113.8A CN201711097113A CN109767249A CN 109767249 A CN109767249 A CN 109767249A CN 201711097113 A CN201711097113 A CN 201711097113A CN 109767249 A CN109767249 A CN 109767249A
- Authority
- CN
- China
- Prior art keywords
- price
- target item
- data
- article
- characteristic information
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测性价比的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。该实施方式能够根据预先建立的价格回归模型确定目标物品的预测价格,进而利用预测价格预测目标物品的性价比向用户提供,从而辅助用户在海量物品中进行决策。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种预测性价比的方法和装置。
背景技术
随着计算机技术的迅速发展,用户在选购某种物品时,常常会面对服务方提供的海量的同类型物品。这些物品往往具有多种功能参数与技术指标,同时价格各异,这给用户的决策带来较大困扰。因此,有必要对服务方提供的物品进行性价比预测并将预测结果展示于用户,以便于用户从中选购。
现有技术中,一般通过向用户展示物品的历史评价信息以便于用户对该物品的性价比进行大致判断。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
1.物品的历史评价信息只能为用户提供较为感性的文字信息,无法提供定量的性价比数据,这使用户在面对海量物品时,仍难以有效决策。同时,物品的历史评价信息中往往含有部分虚假信息与恶意信息,这进一步影响了用户的选购。
2.对于新投入市场的物品来说,历史评价信息较少甚至没有,用户无法判断其性价比。
发明内容
有鉴于此,本发明实施例提供一种预测性价比的方法和装置,能够根据预先建立的价格回归模型确定目标物品的预测价格,进而利用预测价格预测目标物品的性价比向用户提供,从而辅助用户在海量物品中进行决策。
为实现上述目的,根据本发明的一个方面,提供了一种预测性价比的方法。
本发明实施例的预测性价比的方法包括:获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
可选地,所述价格回归模型根据以下步骤建立:对所述多个物品的特征信息进行L次信息提取,获得L个信息集;其中,在每一次信息提取时,在所述多个物品的特征信息中有放回地选取M条特征信息;L为预设的、价格回归模型中的决策树总数;对于所述L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集;对于每一训练集:进行至少一次基于分裂属性的分裂处理,并根据预设的终止条件确定终止节点,形成一棵决策树;利用L棵决策树获得所述价格回归模型;其中,所述分裂属性由预设的分裂规则确定;所述终止节点中包括至少一条特征信息,所述至少一条特征信息中的实际价格的平均值作为所述终止节点的标记价格。
可选地,M为0.5J到J之间的随机整数,N为0.1K到0.9K之间的随机整数;其中,J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数。
可选地,所述确定目标物品的预测价格包括:根据目标物品的属性数据确定目标物品在所述价格回归模型中每一决策树的终止节点,将所述每一决策树的终止节点的标记价格的平均值作为目标物品的预测价格。
可选地,所述根据目标物品的预测价格以及实际价格预测目标物品的性价比包括:将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。
可选地,所述多个物品及目标物品为笔记本电脑,所述多个物品及目标物品的属性数据包括以下至少一种:品牌数据、投入时间数据、CPU数据、硬盘数据、内存数据、显卡数据、屏幕数据、重量数据以及电池数据。
为实现上述目的,根据本发明的又一方面,提供了一种预测性价比的装置。
本发明实施例的预测性价比的装置可包括:模型获取单元,可用于获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;性价比预测单元,可用于将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
可选地,所述装置可进一步包括建模单元,所述建模单元可用于:对所述多个物品的特征信息进行L次信息提取,获得L个信息集;其中,在每一次信息提取时,在所述多个物品的特征信息中有放回地选取M条特征信息;L为预设的、价格回归模型中的决策树总数;对于所述L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集;对于每一训练集:进行至少一次基于分裂属性的分裂处理,并根据预设的终止条件确定终止节点,形成一棵决策树;利用L棵决策树获得所述价格回归模型;其中,所述分裂属性由预设的分裂规则确定;所述终止节点中包括至少一条特征信息,所述至少一条特征信息中的实际价格的平均值作为所述终止节点的标记价格。
可选地,M为0.5J到J之间的随机整数,N为0.1K到0.9K之间的随机整数;其中,J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数。
可选地,所述性价比预测单元可进一步用于:根据目标物品的属性数据确定目标物品在所述价格回归模型中每一决策树的终止节点,将所述每一决策树的终止节点的标记价格的平均值作为目标物品的预测价格。
可选地,所述性价比预测单元可进一步用于:将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。
可选地,所述多个物品及目标物品可为笔记本电脑,所述多个物品及目标物品的属性数据可包括以下至少一种:品牌数据、投入时间数据、CPU数据、硬盘数据、内存数据、显卡数据、屏幕数据、重量数据以及电池数据。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的预测性价比的方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的预测性价比的方法。
根据本发明的技术方案,上述发明中的一个实施例具有如下优点或有益效果:根据同类型的多个物品的特征信息建立该类型物品对应的价格回归模型,利用该价格回归模型确定该类型目标物品的预测价格,并将目标物品的预测价格与实际价格的比值作为目标物品性价比的预测值,从而实现了性价比的精确定量预测,有助于用户据此进行决策,解决了现有技术中性价比数据无法量化、用户体验较差的缺点;同时,价格回归模型基于经多个物品的多种属性数据训练而成的多棵决策树建立,可掌握物品的定价规律,从而实现物品预测价格的准确计算。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的预测性价比的方法的主要步骤示意图;
图2是根据本发明第一实施例的预测性价比的方法的决策树示意图;
图3是根据本发明实施例的预测性价比的装置的主要部分示意图;
图4是根据本发明实施例可以应用于其中的示例性系统架构图;
图5是用来实现本发明实施例的预测性价比的方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案根据同类型的多个物品的特征信息建立该类型物品对应的价格回归模型,利用该价格回归模型确定该类型目标物品的预测价格,并将目标物品的预测价格与实际价格的比值作为目标物品性价比的预测值,从而实现了性价比的精确定量预测,有助于用户据此进行决策,解决了现有技术中性价比数据无法量化、用户体验较差的缺点;同时,价格回归模型基于经多个物品的多种属性数据训练而成的多棵决策树建立,可掌握物品的定价规律,从而实现物品预测价格的准确计算。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的预测性价比的方法的主要步骤示意图。
如图1所示,本发明实施例的预测性价比的方法可根据以下步骤执行:
步骤S101:获取目标物品对应的价格回归模型。
在本步骤中,目标物品指的是当前进行性价比预测的物品。其中,物品可以是服务方提供的、用于用户选购的商品,也可以是其它需要进行性价比预测的实物。实际应用中,目标物品通常属于某一预设类型。例如:笔记本电脑、台式机、平板电脑、路由器、游戏机均可为预设的不同类型。
价格回归模型指的是基于机器学习算法、用于实现价格预测的数学模型,其可以根据目标物品的输入数据计算目标物品的预测价格。在本发明实施例中,在进行性价比预测之前,采用回归算法针对每一类型的物品建立基于多棵决策树的价格回归模型。在本步骤中,目标物品对应的价格回归模型指的即是目标物品所属的类型对应的价格回归模型。可以理解的是,实际应用中也可以采用朴素贝叶斯算法等分类算法建立价格回归模型。
具体地,对应于任一类型物品的价格回归模型可通过以下步骤建立:
1.获取属于该类型的多个物品的特征信息。其中,某一物品的特征信息指的是:与该物品的性价比相关的各种数据,任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格。一般地,一个物品具有一条特征信息,不同物品具有不同的特征信息。
在本发明实施例中,属性数据指的是可反映物品功能、规格、技术指标等属性的数据,每一种属性数据均对应于一种特定属性。例如:对于一种中央处理器CPU(CentralProcessing Unit)型号为i7 7500、内存容量为8G、屏幕规格为15.6英寸的笔记本电脑来说:i7 7500即为对应于CPU型号这种属性的属性数据,8G即为对应于内存容量这一属性的属性数据,15.6英寸即为对应于屏幕规格这一属性的属性数据。实际应用中,为了便于输入,每一属性数据往往需要转化为简单的离散值。例如:可将对应于CPU型号的属性数据i77500转换为c7,i77700K转换为c8。
具体应用中,对于多个物品中不同物品的特征信息,均由相同数量、相同种类的属性数据以及实际价格组成。例如:对于三个不同的笔记本电脑来说,三者的特征信息均由对应于CPU型号的属性数据、对应于内存容量的属性数据、对应于屏幕规格的属性数据以及实际价格组成。在实际应用场景中,可针对任一类型的物品建立一个数据表,对该类型每一物品的特征信息进行存储。在该数据表中,存在至少一个属性字段以及实际价格字段,每一属性字段均包括多个物品对应于该属性的属性数据,每一条记录表示一个物品的特征信息。
2.确定价格回归模型中的决策树总数L(L为大于1的整数)、每一决策树的训练集中的特征信息总数M(M为大于1的整数)、每一决策树的训练集中的属性数据的种类总数N(N为不小于1的整数)、以及价格回归模型的终止条件。
其中,终止条件指的是价格回归模型中每一决策树形成时遵守的终止规则。例如:某价格回归模型的终止条件为:决策树节点包括的特征信息数量小于预设阈值时,将该节点作为终止节点。
在本发明实施例中,为了增加不同决策树之间的差异以提高预测精度,对M、N进行了以下设置:若J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数,则:M为0.5J到J之间(可为左右开区间或左右闭区间)的随机整数,每次确定不同的信息集时M变化一次;N为0.1K到0.9K之间(可为左右开区间或左右闭区间)的随机整数,每次确定不同的训练集时N变化一次。
3.对多个物品的特征信息进行L次信息提取,获得L个信息集。其中,信息提取指的是在所述多个物品的特征信息中选择部分信息的操作。在每一次信息提取时,均在多个物品的特征信息中有放回地选取M条特征信息,这M条特征信息组成一个信息集。其中,有放回地选取指的是:一次从多个物品的特征信息中随机选取一条特征信息,此次选取完成之后,将选取的数据放回,继续下一次随机选取。可以理解的是,经过信息提取形成的一个信息集中往往含有相同的特征信息。
4.对于L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集。其中,对应选取属性数据指的是:对于每一信息集,确定N种属性,并针对该信息集中的每一条特征信息无放回地选取对应于这N种属性的属性数据,即无放回地选取该信息集中的这N种属性字段数据。其中,无放回地选取指的是:一次从信息集中随机选取一个属性字段数据,此次选取完成之后,不将选取的数据放回,继续下一次随机选取。可以理解的是,经过此处理形成的训练集中不会含有相同的属性字段。
5.基于每一训练集建立决策树:将该训练集作为决策树的根节点,根据预设的分裂规则逐一确定每次分裂采用的分裂属性,基于确定的分裂属性从根节点进行至少一次分裂处理,直到分裂处理形成的节点满足终止条件,满足终止条件的节点即为终止节点;当所有终止节点确定后,形成决策树。其中,分裂处理指的是根据对应于分裂属性的属性数据,将训练集中含有N种属性数据的特征信息进行分组的操作,分裂处理形成的每一节点中均包括训练集中的部分特征信息,而分裂属性是作为分裂处理依据的、训练集中特征信息中的属性数据的一个或多个属性。
可以理解的是,针对包括某数据集的父节点进行分裂处理之后,形成的子节点包括的数据集均为父节点数据集的子集。同时,每一终止节点中均包括至少一条特征信息,这些特征信息中的实际价格的平均值作为该终止节点的标记价格。其中,该平均值可以是算数平均值或几何平均值。在进行价格预测时,输入数据指向的终止节点的标记价格可作为决策树的计算结果。一般地,如果某终止节点只包括一条特征信息,则该特征信息中的实际价格的平均值为该实际价格。
6.利用L棵决策树获得价格回归模型。具体地,可在L棵决策树的基础上结合预设运算规则建立价格回归模型。
通过上述步骤,实现了基于同一类型多种物品的价格回归模型的建立。可以理解的是,对于目标物品来说,其对应的价格回归模型是通过与目标物品属于同一类型的多个物品的特征信息建立的。
步骤S102:将目标物品的属性数据输入目标物品对应的价格回归模型,以确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
在本步骤中:首先可将目标物品的属性数据输入目标物品对应的价格回归模型。可以理解的是,输入的属性数据与建立价格回归模型的属性数据对应于相同数量、相同种类的属性。例如:若建立价格回归模型的属性数据对应于CPU型号、内存容量、屏幕规格,则目标物品的属性数据也分别对应于上述三种属性。
之后,在本发明实施例中,分别在价格回归模型的每一决策树中,根据目标物品的属性数据确定目标物品在该决策树中的终止节点,并记录该终止节点的标记价格;在所有决策树中完成记录之后,将记录的标记价格的平均值作为目标物品的预测价格。一般地,上述平均值可以是算数平均值或几何平均值。
最后,在一可选实现方式中,将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。预测值越大,表示系统判断目标物品的性价比越高;预测值越小,表示系统判断目标物品的性价比越低。实际应用中,可以认为性价比预测值大于1的物品,其定价较为合理;性价比预测值小于1的物品,其定价较高。
通过以上步骤,本发明根据历史物品的特征信息实现了对目标物品性价比的准确预测,有利于辅助用户分析目标物品的定价合理性,进而进行决策。
以下介绍本发明第一实施例的预测性价比的方法。在第一实施例中,目标物品为笔记本电脑。本发明第一实施例的预测性价比的方法具体执行如下步骤:
1.首先获取属于笔记本电脑类型的10个物品的10条特征信息,如下表所示。其中,各属性数据均按照预设规则进行了转换。
为了便于说明本发明的技术方案,在上表中共设置9种属性数据:对应于品牌属性的品牌数据、对应于投入时间属性的投入时间数据、对应于CPU型号属性的CPU数据、对应于硬盘容量属性的硬盘数据、对应于内存容量属性的内存数据、对应于显卡型号属性的显卡数据、对应于屏幕规格属性的屏幕数据、对应于重量属性的重量数据以及对应于电池规格属性的电池数据。其中,投入时间指的是投入市场时间,显卡型号指的是显卡芯片的型号,屏幕规格指的是屏幕大小规格,电池规格指的是电池中电芯数量的规格。同时,上表中的每一种属性数据只有两种取值。可以理解的是,实际应用中,为了提高计算精度,可增加内存类型、显存容量、光驱类型或通信功能等属性,同时对应于每一属性的属性数据均存在较多种取值;并且,往往需要获取远大于10条的特征信息进行建模。
2.确定L为3,M为5到10之间(左右闭区间)的随机整数,N为1到9(左右闭区间)之间的随机整数,终止条件为:决策树节点包括的特征信息数量小于3条时,将该节点作为终止节点。
3.对多个物品的特征信息进行3次信息提取,获得3个信息集。其中,在每次信息提取中,均有放回地选取5条以上的数据。3个信息集中之一如下表所示:
4.对于3个信息集中的每一信息集:对应选取该信息集中每一特征信息的1到9(左右闭区间)种属性数据与实际价格,形成一个训练集。这样,可形成3个训练集。其中,对应于上表信息集的训练集如下表所示:
5.基于每一训练集建立决策树:将该训练集作为决策树的根节点,根据预设的分裂规则逐一确定每次分裂采用的分裂属性,基于确定的分裂属性从根节点进行至少一次分裂处理,直到分裂处理形成的节点满足终止条件。
图2是根据本发明第一实施例的预测性价比的方法的决策树示意图,其示出了基于上表训练集建立的一棵决策树。
如图2所示,节点1为该决策树的根节点,其包括上表训练集中的特征信息T1、T5、T7、T8、T10;对根节点进行两次分裂的分裂属性分别为品牌属性与投入时间属性,二者是根据预设的分裂规则如信息增益最大原则确定的;根节点根据品牌数据的不同(a1或a2)分裂为节点2(包括T1、T7)与节点3(包括T5、T8、T10);节点2由于满足终止条件,故为终止节点;节点3根据投入时间数据的不同(b1或b2)分裂为节点4(包括T5、T10)与节点5(包括T8),二者均满足终止条件,为终止节点。其中,节点2的标记价格为T1、T7中实际价格的平均值5985,节点4的标记价格为T5、T10中实际价格的平均值7677.5,节点5的标记价格为T8的实际价格7854。
6.在3棵决策树均建立后,可将3棵决策树的计算结果的算数平均值作为价格回归模型提供的预测价格,这样即建立了价格回归模型。
7.对作为笔记本电脑的目标物品进行预测时,首先获取笔记本电脑的上述价格回归模型,之后将其9种对应的属性数据输入价格回归模型。目标物品的属性数据与实际价格如下表所示:
8.将目标物品的属性数据分别输入3棵决策树进行计算。其中,在图2所示的决策树中,将目标物品对应的属性数据(a2、b1、c2)输入,可知该数据的终止节点是节点4,记录对应的标记价格7677.5。用同样的方法,记录目标物品属性数据在另外两棵决策树得到的标记价格8427、8615,将上述3种标记价格的算数平均值8239.8作为目标物品的预测价格。
9.将目标物品的预测价格8239.8与实际价格15000的比值0.549作为目标物品的性价比的预测值。可见,目标物品的性价比较低。
需要说明的是,本发明实施例提供的上述方法并不仅限于物品性价比的预测,还可用于具有类似需求的其它场景,本发明并不对此进行任何限制。
在本发明的技术方案中,根据同类型的多个物品的特征信息建立该类型物品对应的价格回归模型,利用该价格回归模型确定该类型目标物品的预测价格,并将目标物品的预测价格与实际价格的比值作为目标物品性价比的预测值,从而实现了性价比的精确定量预测,有助于用户据此进行决策,解决了现有技术中性价比数据无法量化、用户体验较差的缺点;同时,价格回归模型基于经多个物品的多种属性数据训练而成的多棵决策树建立,可掌握物品的定价规律,从而实现物品预测价格的准确计算。
图3是本发明实施例的预测性价比的装置的主要部分示意图。
如图3所示,本发明实施例的预测性价比的装置300可包括模型获取单元301与性价比预测单元302。其中:
模型获取单元301可用于获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;
性价比预测单元302可用于将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
在本发明实施例中,所述装置300可进一步包括建模单元,用于:
对所述多个物品的特征信息进行L次信息提取,获得L个信息集;其中,在每一次信息提取时,在所述多个物品的特征信息中有放回地选取M条特征信息;L为预设的、价格回归模型中的决策树总数;
对于所述L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集;
对于每一训练集:进行至少一次基于分裂属性的分裂处理,并根据预设的终止条件确定终止节点,形成一棵决策树;利用L棵决策树获得所述价格回归模型;其中,所述分裂属性由预设的分裂规则确定;所述终止节点中包括至少一条特征信息,所述至少一条特征信息中的实际价格的平均值作为所述终止节点的标记价格。
具体应用中,M为0.5J到J之间的随机整数,N为0.1K到0.9K之间的随机整数;其中,J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数。
在一可选实现方式中,所述性价比预测单元302可进一步用于:根据目标物品的属性数据确定目标物品在所述价格回归模型中每一决策树的终止节点,将所述每一决策树的终止节点的标记价格的平均值作为目标物品的预测价格。
作为一个优选方案,所述性价比预测单元302可进一步用于:将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。
在具体应用场景中,所述多个物品及目标物品可为笔记本电脑,所述多个物品及目标物品的属性数据可包括以下至少一种:品牌数据、投入时间数据、CPU数据、硬盘数据、内存数据、显卡数据、屏幕数据、重量数据以及电池数据。
根据本发明实施例的技术方案,基于同类型的多个物品的特征信息建立该类型物品对应的价格回归模型,利用该价格回归模型确定该类型目标物品的预测价格,并将目标物品的预测价格与实际价格的比值作为目标物品性价比的预测值,从而实现了性价比的精确定量预测,有助于用户据此进行决策,解决了现有技术中性价比数据无法量化、用户体验较差的缺点;同时,价格回归模型基于经多个物品的多种属性数据训练而成的多棵决策树建立,可掌握物品的定价规律,从而实现物品预测价格的准确计算。
图4示出了可以应用本发明实施例的预测性价比的方法或预测性价比的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405(此架构仅仅是示例,具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的预测性价比的方法一般由服务器405执行,相应地,预测性价比的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的预测性价比的方法。
下面参考图5,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,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,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。在本发明中,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,其中承载了计算机可读的程序代码。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、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括模型获取单元以及性价比预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,模型获取单元还可以被描述为“向性价比预测单元发送价格回归模型的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
根据本发明实施例的技术方案,基于同类型的多个物品的特征信息建立该类型物品对应的价格回归模型,利用该价格回归模型确定该类型目标物品的预测价格,并将目标物品的预测价格与实际价格的比值作为目标物品性价比的预测值,从而实现了性价比的精确定量预测,有助于用户据此进行决策,解决了现有技术中性价比数据无法量化、用户体验较差的缺点;同时,价格回归模型基于经多个物品的多种属性数据训练而成的多棵决策树建立,可掌握物品的定价规律,从而实现物品预测价格的准确计算。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (14)
1.一种预测性价比的方法,其特征在于,包括:
获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;
将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
2.根据权利要求1所述的方法,其特征在于,所述价格回归模型根据以下步骤建立:
对所述多个物品的特征信息进行L次信息提取,获得L个信息集;其中,在每一次信息提取时,在所述多个物品的特征信息中有放回地选取M条特征信息;L为预设的、价格回归模型中的决策树总数;
对于所述L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集;
对于每一训练集:进行至少一次基于分裂属性的分裂处理,并根据预设的终止条件确定终止节点,形成一棵决策树;利用L棵决策树获得所述价格回归模型;其中,所述分裂属性由预设的分裂规则确定;所述终止节点中包括至少一条特征信息,所述至少一条特征信息中的实际价格的平均值作为所述终止节点的标记价格。
3.根据权利要求2所述的方法,其特征在于,M为0.5J到J之间的随机整数,N为0.1K到0.9K之间的随机整数;其中,J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数。
4.根据权利要求2所述的方法,其特征在于,所述确定目标物品的预测价格包括:
根据目标物品的属性数据确定目标物品在所述价格回归模型中每一决策树的终止节点,将所述每一决策树的终止节点的标记价格的平均值作为目标物品的预测价格。
5.根据权利要求1所述的方法,其特征在于,所述根据目标物品的预测价格以及实际价格预测目标物品的性价比包括:
将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。
6.根据权利要求1-5任一所述的方法,其特征在于,所述多个物品及目标物品为笔记本电脑,所述多个物品及目标物品的属性数据包括以下至少一种:品牌数据、投入时间数据、CPU数据、硬盘数据、内存数据、显卡数据、屏幕数据、重量数据以及电池数据。
7.一种预测性价比的装置,其特征在于,包括:
模型获取单元,用于获取目标物品对应的价格回归模型;其中,所述价格回归模型是利用与目标物品属于同一类型的多个物品的特征信息建立的,所述多个物品中的任一物品的特征信息包括:该物品的至少一种属性数据以及该物品的实际价格;
性价比预测单元,用于将目标物品的属性数据输入所述价格回归模型,确定目标物品的预测价格;根据目标物品的预测价格以及实际价格预测目标物品的性价比。
8.根据权利要求7所述的装置,其特征在于,所述装置进一步包括建模单元,所述建模单元用于:
对所述多个物品的特征信息进行L次信息提取,获得L个信息集;其中,在每一次信息提取时,在所述多个物品的特征信息中有放回地选取M条特征信息;L为预设的、价格回归模型中的决策树总数;
对于所述L个信息集中的每一信息集:对应选取该信息集中每一特征信息中的N种属性数据与实际价格,形成一个训练集;
对于每一训练集:进行至少一次基于分裂属性的分裂处理,并根据预设的终止条件确定终止节点,形成一棵决策树;利用L棵决策树获得所述价格回归模型;其中,所述分裂属性由预设的分裂规则确定;所述终止节点中包括至少一条特征信息,所述至少一条特征信息中的实际价格的平均值作为所述终止节点的标记价格。
9.根据权利要求8所述的装置,其特征在于,M为0.5J到J之间的随机整数,N为0.1K到0.9K之间的随机整数;其中,J为所述多个物品的特征信息总数,K为所述多个物品的特征信息中属性数据的种类总数。
10.根据权利要求8所述的装置,其特征在于,所述性价比预测单元进一步用于:
根据目标物品的属性数据确定目标物品在所述价格回归模型中每一决策树的终止节点,将所述每一决策树的终止节点的标记价格的平均值作为目标物品的预测价格。
11.根据权利要求7所述的装置,其特征在于,所述性价比预测单元进一步用于:
将目标物品的预测价格与实际价格的比值作为目标物品的性价比的预测值。
12.根据权利要求7-11任一所述的装置,其特征在于,所述多个物品及目标物品为笔记本电脑,所述多个物品及目标物品的属性数据包括以下至少一种:品牌数据、投入时间数据、CPU数据、硬盘数据、内存数据、显卡数据、屏幕数据、重量数据以及电池数据。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一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,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097113.8A CN109767249A (zh) | 2017-11-09 | 2017-11-09 | 预测性价比的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097113.8A CN109767249A (zh) | 2017-11-09 | 2017-11-09 | 预测性价比的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109767249A true CN109767249A (zh) | 2019-05-17 |
Family
ID=66449175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711097113.8A Pending CN109767249A (zh) | 2017-11-09 | 2017-11-09 | 预测性价比的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767249A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639970A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于图像识别的物品价格确定方法及相关设备 |
CN113781091A (zh) * | 2021-04-14 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种物品属性值的监控方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593781A (zh) * | 2012-08-16 | 2014-02-19 | 郑鑫 | 同类非同质商品对性价比进行比较与排序的方法 |
US9665885B1 (en) * | 2016-08-29 | 2017-05-30 | Metadata, Inc. | Methods and systems for targeted demand generation based on ideal customer profiles |
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
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 |
CN107194736A (zh) * | 2017-05-25 | 2017-09-22 | 重庆汇集源科技有限公司 | 一种基于随机森林的房地产估价方法、系统及存储介质 |
-
2017
- 2017-11-09 CN CN201711097113.8A patent/CN109767249A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593781A (zh) * | 2012-08-16 | 2014-02-19 | 郑鑫 | 同类非同质商品对性价比进行比较与排序的方法 |
US9665885B1 (en) * | 2016-08-29 | 2017-05-30 | Metadata, Inc. | Methods and systems for targeted demand generation based on ideal customer profiles |
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 |
CN107194736A (zh) * | 2017-05-25 | 2017-09-22 | 重庆汇集源科技有限公司 | 一种基于随机森林的房地产估价方法、系统及存储介质 |
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639970A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于图像识别的物品价格确定方法及相关设备 |
CN113781091A (zh) * | 2021-04-14 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种物品属性值的监控方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107105031A (zh) | 信息推送方法和装置 | |
CN110119413A (zh) | 数据融合的方法和装置 | |
CN111523010A (zh) | 推荐方法、装置、终端设备及计算机存储介质 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN111444304B (zh) | 搜索排序的方法和装置 | |
CN108446964B (zh) | 一种基于移动流量dpi数据的用户推荐方法 | |
CN110580649A (zh) | 一种商品潜力值的确定方法和装置 | |
CN107590255A (zh) | 信息推送方法和装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN109727047A (zh) | 一种确定数据关联度的方法和装置、数据推荐方法和装置 | |
CN109214730A (zh) | 信息推送方法和装置 | |
CN110427546A (zh) | 一种信息展示方法和装置 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN107832338A (zh) | 一种识别核心产品词的方法和系统 | |
CN109903105A (zh) | 一种完善目标商品属性的方法和装置 | |
CN109711917A (zh) | 信息推送方法和装置 | |
CN107346344A (zh) | 文本匹配的方法和装置 | |
CN109785072A (zh) | 用于生成信息的方法和装置 | |
CN107908662A (zh) | 搜索系统的实现方法和实现装置 | |
CN110473073A (zh) | 线性加权推荐的方法及装置 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN108537291A (zh) | 一种样本分类方法和装置 | |
CN110020876A (zh) | 一种信息生成方法和装置 | |
CN109767249A (zh) | 预测性价比的方法和装置 | |
CN111767459A (zh) | 物品推荐的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |