CN109948773A - 生成信息的方法和装置 - Google Patents
生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109948773A CN109948773A CN201711385395.1A CN201711385395A CN109948773A CN 109948773 A CN109948773 A CN 109948773A CN 201711385395 A CN201711385395 A CN 201711385395A CN 109948773 A CN109948773 A CN 109948773A
- Authority
- CN
- China
- Prior art keywords
- information
- sequence
- target
- network
- related 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
本申请实施例公开了生成信息的方法和装置。该方法的一具体实施方式包括:提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;对该关联信息序列中的关联信息进行预处理,生成与该关联信息序列相对应的目标信息序列;将该目标信息序列输入至预先训练的信息预测模型,得到该目标物品的预测信息。该实施方式提高了信息预测的灵活性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及生成信息的方法和装置。
背景技术
随着计算机技术的发展,电子商务平台营运而生。通常,为了便于对物品进行管理,需要对物品的销量等信息进行预测。
现有的方式通常是人工依据经验从与物品相关联的各种信息中筛选该物品的特征信息,或者人工统计该物品的各个信息的均值、方差、中位数等数据作为该物品的特征信息,进而基于该物品的特征信息对该物品的销量等信息进行预测。
发明内容
本申请实施例提出了生成信息的方法和装置。
第一方面,本申请实施例提供了一种生成信息的方法,该方法包括:提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;对关联信息序列中的关联信息进行预处理,生成与关联信息序列相对应的目标信息序列;将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息,其中,信息预测模型用于表征目标信息序列与预测信息的对应关系。
在一些实施例中,信息预测模型由第一神经网络和第二神经网络构成,第一神经网络用于从目标信息中提取特征,第二神经网络用于表征特征信息序列与预测信息的对应关系,所述特征信息序列是由用于对所提取的特征进行表征的特征信息所构成的序列。
在一些实施例中,第一神经网络通过以下步骤训练得到:提取预置的训练样本,其中,训练样本包括多个物品的目标信息序列;利用机器学习方法,将训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。
在一些实施例中,训练样本还包括多个物品中的各个物品的实测信息,第二神经网络通过以下步骤训练得到:利用机器学习方法,将第一神经网络的输出作为输入,将训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。
在一些实施例中,在得到目标物品的预测信息之后,该方法还包括:获取包含目标物品的多个物品的实测信息和预测信息;确定所获取的实测信息和预测信息的平均绝对误差百分比和/或平方根误差,将平均绝对误差百分比和/或平方根误差确定为信息预测模型的评价信息。
在一些实施例中,关联信息序列中的关联信息包括目标物品对应的以下至少一项:物品信息、日期信息、质量信息、目标属性信息、推广信息、用户行为信息或网络舆情信息。
第二方面,本申请实施例提供了一种生成信息的装置,该装置包括:第一提取单元,配置用于提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;预处理单元,配置用于对关联信息序列中的关联信息进行预处理,生成与关联信息序列相对应的目标信息序列;输入单元,配置用于将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息,其中,信息预测模型用于表征目标信息序列与预测信息的对应关系。
在一些实施例中,信息预测模型由第一神经网络和第二神经网络构成,第一神经网络用于从目标信息中提取特征,第二神经网络用于表征特征信息序列与预测信息的对应关系,所述特征信息序列是由用于对所提取的特征进行表征的特征信息所构成的序列。
在一些实施例中,该装置还包括:第二提取单元,配置用于提取预置的训练样本,其中,训练样本包括多个物品的目标信息序列;第一训练单元,配置用于利用机器学习方法,将训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。
在一些实施例中,训练样本还包括多个物品中的各个物品的实测信息,该装置还包括:第二训练单元,配置用于利用机器学习方法,将第一神经网络的输出作为输入,将训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。
在一些实施例中,该装置还包括:获取单元,配置用于获取包含目标物品的多个物品的实测信息和预测信息;确定单元,配置用于确定所获取的实测信息和预测信息的平均绝对误差百分比和/或平方根误差,将平均绝对误差百分比和/或平方根误差确定为信息预测模型的评价信息。
在一些实施例中,关联信息序列中的关联信息包括目标物品对应的以下至少一项:物品信息、日期信息、质量信息、目标属性信息、推广信息、用户行为信息或网络舆情信息。
第三方面,本申请实施例提供了一种服务器,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如生成信息的方法中任一实施例的方法。
第四方面,本申请实施例提供了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如生成信息的方法中任一实施例的方法。
本申请实施例提供的生成信息的方法和装置,通过提取目标物品在多个预设时间中的各个预设时间的关联信息,以便归入关联信息序列,而后对关联信息序列中的关联信息进行预处理,生成目标信息序列,最后将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息,从而不需要人工从与目标物品相关联的关联信息中选取特征信息,可实现特征信息的自动选取,从而提高了信息预测的灵活性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的生成信息的方法的一个实施例的流程图;
图3是根据本申请的生成信息的方法的一个应用场景的示意图;
图4是根据本申请的生成信息的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的生成信息的方法或生成信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103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。
终端设备101、102、103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、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如电子商务平台的后台管理服务器。后台管理服务器可以对所管理的物品的各种信息进行存储、分析等处理,也可以进行销量等信息的预测。
需要说明的是,本申请实施例所提供的生成信息的方法一般由服务器105执行,相应地,生成信息的装置一般设置于服务器105中。
应该理解,图1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。
继续参考图2,示出了根据本申请的生成信息的方法的一个实施例的流程200。所述的生成信息的方法,包括以下步骤:
步骤201,提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列。
在本实施例中,生成信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以提取目标物品在多个预设时间(例如一周中的每一天的同一时刻)中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列。其中,关联信息可以是与上述目标物品相关的各种信息,例如名称、型号、产地、库存、品牌、评价、日期、价格、折扣等信息。
实践中,关联信息可以存储在与上述电子设备中,此时,上述电子设备可以直接从本地提取上述目标物品的关联信息。此外,关联信息也可以存储在与上述电子设备相连接的其他设备中(例如用于存储信息的存储服务器),此时,上述电子设备可以通过有线连接或者无线连接方式,从该设备中提取关联信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,上述关联信息序列中的关联信息可以包括上述目标物品对应的以下至少一项:物品信息(例如产地、税率、销量、供货、库存、品牌等)、日期信息(例如季节、日期、节假日等)、质量信息(例如换货次数、复购次数、退款次数、评价、退货次数等)、目标属性信息(例如零售价格、交易税率、交易价格等)、推广信息(例如优惠信息、广告等)、用户行为信息(例如用户点击次数、浏览次数、关注数量、支付数量、加入购物车的数量等)、网络舆情信息(例如竞争对手动态、新闻热点、口碑、随机事件等非技术音素)。需要说明的是,上述关联信息序列中的关联信息不限于以上列举,还可以包含其他信息。
步骤202,对关联信息序列中的关联信息进行预处理,生成与关联信息序列相对应的目标信息序列。
在本实施例中,上述电子设备可以对上述关联信息序列中的关联信息进行预处理,生成与关联信息序列相对应的目标信息序列。具体地,对于上述关联信息序列中的每一个关联信息,上述电子设备可以对该关联信息进行缺值处理(例如邻近差值、线形差值等)和数据便转换(例如对数变换、Box-Cox变换等)等处理,得到与该关联信息相对应的目标信息。实践中,Box-Cox变换是统计建模中常用的一种数据变换,用于连续的响应变量不满足正态分布的情况,Box-Cox变换之后,可以一定程度上减小不可观测的误差和预测变量的相关性。需要说明的是,上述对数据进行预处理的各种方法是目前广泛研究和应用的公知技术,在此不再赘述。
需要说明的是,上述目标信息序列可以用矩阵来表示。矩阵中的每一行为一个向量,对应一个目标信息。每一个向量中的每一个维度对应与关联信息或目标信息中的一个信息。
步骤203,将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息。
在本实施例中,上述电子设备可以将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息(例如销量),其中,上述信息预测模型可以用于表征目标信息序列与预测信息的对应关系。作为示例,上述信息预测模型可以是技术人员基于大量数量统计后制定的目标信息序列与预测信息的对应关系表。
在本实施例的一些可选的实现方式中,上述信息预测模型可以由第一神经网络和第二神经网络构成。其中,上述第一神经网络可以用于从目标信息中提取特征,上述第二神经网络可以用于表征特征信息序列与预测信息的对应关系。此处,从目标信息中提取的特征可以是用于表征各个目标信息的多个数值。特征信息可以是对所提取的特征进行表征的信息(例如向量)。特征信息序列可以是由特征信息所构成的序列,特征信息序列中的每一个特征信息与目标信息序列中的一个目标信息相对应。实践中,上述第一神经网络可以通过机器学习方法,对现有的、用于提取特征的各种模型(例如受限玻尔兹曼机(RestrictedBoltzmann Machine,RBM)、时间限制玻尔兹曼机(Temporal Restricted Boltzmann,Machine,TRBM)、深度玻尔兹曼机(Deep Boltzmann Machine,DBM)等)进行训练得到。上述第二神经网络可以通过机器学习方法,对现有的、可用作判别模型的模型或神经网络结构(例如长短期记忆网络(Long Short-Term Memory,LSTM)、双向长短期记忆网络(Bidirectional Long Short-Term Memory,BLSTM)、循环神经网络(Recurrent neuralNetwork,RNN)等)进行训练得到。
在本实施例的一些可选的实现方式中,上述第一神经网络通过以下步骤训练得到:首先,可以提取预置的训练样本,其中,上述训练样本包括多个物品的目标信息序列。此处,获得上述训练样本所包括的目标信息序列的方法可以与步骤201-202所使用的方法相同,在此不再赘述。而后,可以利用机器学习方法,将上述训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。实践中,受限玻尔兹曼机是一种可通过输入数据集学习概率分布的随机生成神经网络,其在降维、分类、协同过滤、特征学习等方面有广泛应用。受限玻尔兹曼机由一个可见神经元层和一个隐神经元层组成,由于隐层神经元之间没有相互连接并且隐层神经元独立于给定的训练样本,这使直接计算依赖数据的期望值变得容易,可见层神经元之间也没有相互连接,通过从训练样本得到的隐层神经元状态上执行马尔可夫链抽样过程,来估计独立于数据的期望值,并行交替更新所有可见层神经元和隐层神经元的值。因此,可以利用受限玻尔兹曼机自动提取特征,同时去掉无用或干扰的特征。此处,所述受限玻尔兹曼机所输出的特征可以以矩阵的形式进行表示。
在本实施例的一些可选的实现方式中,上述训练样本还可以包括上述多个物品中的各个物品的实测信息(例如实际销量)。上述电子设备可以利用机器学习方法,将上述第一神经网络的输出作为输入,将上述训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。实践中,长短期记忆网络是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆网络在循环神经网络(Recurrent neural Network、RNN)的基础上加入了一个判断信息有用与否的处理模块(cell),一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入长短期记忆网络中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
在本实施例的一些可选的实现方式中,在得到上述预测信息之后,上述电子设备还可以执行如下操作:首先,可以获取包含上述目标物品的多个物品的实测信息(例如实际销量)和预测信息(例如预测销量)。需要说明的是,上述包含上述目标物品的多个物品的预测信息均通过上述信息预测模型得到。而后,上述电子设备可以确定所获取的实测信息和预测信息的平均绝对误差百分比(Mean Absolute Percent Deviation,MAPD)和/或平方根误差(Root-Mean-Square Error,RMSE),将上述平均绝对误差百分比和/或上述平方根误差确定为上述信息预测模型的评价信息,并输出上述评价信息。
实践中,上述平均绝对误差百分比可以通过以下公式计算:
此外,上述平方根误差可以通过以下公式计算:
此处,上述电子设备可以将上述包含上述目标物品的多个物品确定为待检测物品,i为不小于1且不大于待检测物品的数量的整数,用于表示待检测物品的次序;yi为第i个待检测物品的实测信息,yi'为第i个待检测物品的预测信息。
在本实施例的一些可选的实现方式中,还可以使用均方误差(Mean-SquareError,MSE)作为上述信息预测模型的评价信息。其中,上述均方误差可以通过以下公式计算:
继续参见图3,图3是根据本实施例的生成信息的方法的应用场景的一个示意图。在图3的应用场景中,后台管理服务器首先可以提取目标物品(例如某手机)在多个预设时间中的各个预设时间(例如过去一周中的每天12点)的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列301。而后,上述后台管理服务器可以对关联信息序列中的关联信息进行预处理,生成由目标信息构成的目标信息序列302。最后,上述后台管理服务器可以将上述目标信息序列302输入至预先训练的信息预测模型,得到所述目标物品的预测信息303。
本申请的上述实施例提供的方法,通过提取目标物品在多个预设时间中的各个预设时间的关联信息,以便归入关联信息序列,而后对关联信息序列中的关联信息进行预处理,生成目标信息序列,最后将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息,从而不需要人工从与目标物品相关联的关联信息中选取特征信息,可实现特征信息的自动选取,从而提高了信息预测的效率。另外,人工选取信息通常仅选取直接影响到预测信息的特征,但通常这些特征较为片面,本实施例所提供的生成信息的方法可以自动选取各种直接或间接影响到预测信息的特征,从而提高了信息预测的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的生成信息的装置400包括:第一提取单元401,配置用于提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;预处理单元402,配置用于对上述关联信息序列中的关联信息进行预处理,生成与上述关联信息序列相对应的目标信息序列;输入单元403,配置用于将上述目标信息序列输入至预先训练的信息预测模型,得到上述目标物品的预测信息,其中,上述信息预测模型用于表征目标信息序列与预测信息的对应关系。
在本实施例中,上述第一提取单元401可以提取目标物品在多个预设时间(例如一周中的每一天的同一时刻)中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列。其中,关联信息可以是与上述目标物品相关的各种信息,例如名称、型号、产地、库存、品牌、评价、日期、价格、折扣等信息。
在本实施例中,上述预处理单元402可以对上述关联信息序列中的关联信息进行预处理,生成与关联信息序列相对应的目标信息序列。具体地,对于上述关联信息序列中的每一个关联信息,上述电子设备可以对该关联信息进行缺值处理和数据便转换等处理,得到与该关联信息相对应的目标信息。
在本实施例中,上述输入单元403可以将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息(例如销量),其中,上述信息预测模型可以用于表征目标信息序列与预测信息的对应关系。
在本实施例的一些可选的实现方式中,上述信息预测模型可以由第一神经网络和第二神经网络构成。其中,上述第一神经网络可以用于从目标信息中提取特征,上述第二神经网络可以用于表征特征信息序列与预测信息的对应关系。
在本实施例的一些可选的实现方式中,上述生成信息的装置400还可以包括第二提取单元和第一训练单元(图中未示出)。其中,上述第二提取单元可以配置用于提取预置的训练样本,其中,上述训练样本包括多个物品的目标信息序列。上述第一训练单元可以配置用于利用机器学习方法,将上述训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。
在本实施例的一些可选的实现方式中,上述训练样本还可以包括上述多个物品中的各个物品的实测信息。上述生成信息的装置400还可以包括第二训练单元(图中未示出)。其中,上述第二训练单元可以配置用于利用机器学习方法,将上述第一神经网络的输出作为输入,将上述训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。
在本实施例的一些可选的实现方式中,上述生成信息的装置400还可以包括获取单元和确定单元(图中未示出)。其中,上述获取单元科技园配置用于获取包含上述目标物品的多个物品的实测信息和预测信息。上述确定单元可以配置用于确定所获取的实测信息和预测信息的平均绝对误差百分比和/或平方根误差,将上述平均绝对误差百分比和/或上述平方根误差确定为上述信息预测模型的评价信息,并输出上述评价信息。
在一些实施例中,上述关联信息序列中的关联信息可以包括上述目标物品对应的以下至少一项:物品信息、日期信息、质量信息、目标属性信息、推广信息、用户行为信息、网络舆情信息。
本申请的上述实施例提供的装置,通过第一提取单元401提取目标物品在多个预设时间中的各个预设时间的关联信息,以便归入关联信息序列,而后预处理单元402对关联信息序列中的关联信息进行预处理,生成目标信息序列,最后输入单元403将目标信息序列输入至预先训练的信息预测模型,得到目标物品的预测信息,从而不需要人工从与目标物品相关联的关联信息中选取特征信息,可实现特征信息的自动选取,从而提高了信息预测的效率。另外,人工选取信息通常仅选取直接影响到预测信息的特征,但通常这些特征较为片面,本实施例所提供的生成信息的方法可以自动选取各种直接或间接影响到预测信息的特征,从而提高了信息预测的准确性。
下面参考图5,其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请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RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、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,以便于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,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的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流程图所示的方法的程序代码。在这样的实施例中,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(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述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。在本申请中,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。而在本申请中,计算机可读的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、光信号或上述的任意合适的组合。计算机可读的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,图示了按照本申请各种实施例的系统、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,该模块、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,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请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:一种处理器包括第一提取单元、预处理单元和输入单元。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,第一提取单元还可以被描述为“提取目标物品在多个预设时间中的各个预设时间的关联信息的单元”。
作为另一方面,本申请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装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;对该关联信息序列中的关联信息进行预处理,生成与该关联信息序列相对应的目标信息序列;将该目标信息序列输入至预先训练的信息预测模型,得到该目标物品的预测信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种生成信息的方法,包括:
提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;
对所述关联信息序列中的关联信息进行预处理,生成与所述关联信息序列相对应的目标信息序列;
将所述目标信息序列输入至预先训练的信息预测模型,得到所述目标物品的预测信息,其中,所述信息预测模型用于表征目标信息序列与预测信息的对应关系。
2.根据权利要求1所述的生成信息的方法,其中,所述信息预测模型由第一神经网络和第二神经网络构成,所述第一神经网络用于从目标信息中提取特征,所述第二神经网络用于表征特征信息序列与预测信息的对应关系,所述特征信息序列是由用于对所提取的特征进行表征的特征信息所构成的序列。
3.根据权利要求2所述的生成信息的方法,其中,所述第一神经网络通过以下步骤训练得到:
提取预置的训练样本,其中,所述训练样本包括多个物品的目标信息序列;
利用机器学习方法,将所述训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。
4.根据权利要求3所述的生成信息的方法,其中,所述训练样本还包括所述多个物品中的各个物品的实测信息,所述第二神经网络通过以下步骤训练得到:
利用机器学习方法,将所述第一神经网络的输出作为输入,将所述训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。
5.根据权利要求1所述的生成信息的方法,其中,在所述得到所述目标物品的预测信息之后,所述方法还包括:
获取包含所述目标物品的多个物品的实测信息和预测信息;
确定所获取的实测信息和预测信息的平均绝对误差百分比和/或平方根误差,将所述平均绝对误差百分比和/或所述平方根误差确定为所述信息预测模型的评价信息。
6.根据权利要求1-5之一所述的生成信息的方法,其中,所述关联信息序列中的关联信息包括所述目标物品对应的以下至少一项:物品信息、日期信息、质量信息、目标属性信息、推广信息、用户行为信息或网络舆情信息。
7.一种生成信息的装置,包括:
第一提取单元,配置用于提取目标物品在多个预设时间中的各个预设时间的关联信息,并按照时间先后顺序将所提取的关联信息归入关联信息序列;
预处理单元,配置用于对所述关联信息序列中的关联信息进行预处理,生成与所述关联信息序列相对应的目标信息序列;
输入单元,配置用于将所述目标信息序列输入至预先训练的信息预测模型,得到所述目标物品的预测信息,其中,所述信息预测模型用于表征目标信息序列与预测信息的对应关系。
8.根据权利要求7所述的生成信息的装置,其中,所述信息预测模型由第一神经网络和第二神经网络构成,所述第一神经网络用于从目标信息中提取特征,所述第二神经网络用于表征特征信息序列与预测信息的对应关系,所述特征信息序列是由用于对所提取的特征进行表征的特征信息所构成的序列。
9.根据权利要求8所述的生成信息的装置,其中,所述装置还包括:
第二提取单元,配置用于提取预置的训练样本,其中,所述训练样本包括多个物品的目标信息序列;
第一训练单元,配置用于利用机器学习方法,将所述训练样本中的目标信息序列作为输入,训练预先建立的受限玻尔兹曼机得到第一神经网络。
10.根据权利要求9所述的生成信息的装置,其中,所述训练样本还包括所述多个物品中的各个物品的实测信息,所述装置还包括:
第二训练单元,配置用于利用机器学习方法,将所述第一神经网络的输出作为输入,将所述训练样本中的实测信息作为输出,训练预先建立的长短期记忆网络得到第二神经网络。
11.根据权利要求7所述的生成信息的装置,其中,所述装置还包括:
获取单元,配置用于获取包含所述目标物品的多个物品的实测信息和预测信息;
确定单元,配置用于确定所获取的实测信息和预测信息的平均绝对误差百分比和/或平方根误差,将所述平均绝对误差百分比和/或所述平方根误差确定为所述信息预测模型的评价信息。
12.根据权利要求7-11之一所述的生成信息的装置,其中,所述关联信息序列中的关联信息包括所述目标物品对应的以下至少一项:物品信息、日期信息、质量信息、目标属性信息、推广信息、用户行为信息或网络舆情信息。
13.一种服务器,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,其中,该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 |
---|---|---|---|
CN201711385395.1A CN109948773A (zh) | 2017-12-20 | 2017-12-20 | 生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385395.1A CN109948773A (zh) | 2017-12-20 | 2017-12-20 | 生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948773A true CN109948773A (zh) | 2019-06-28 |
Family
ID=67005248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711385395.1A Pending CN109948773A (zh) | 2017-12-20 | 2017-12-20 | 生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948773A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379436A (zh) * | 2020-03-09 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、计算设备及介质 |
CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN114792258A (zh) * | 2022-06-27 | 2022-07-26 | 北京京东振世信息技术有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7246079B2 (en) * | 2000-12-22 | 2007-07-17 | Fujitsu Limited | Method of predicting initial input of new product, system for predicting initial input of new product, and recording medium |
CN101082972A (zh) * | 2007-05-30 | 2007-12-05 | 华为技术有限公司 | 预测用户对商品的兴趣的方法、装置和广告发布方法 |
CN101763401A (zh) * | 2009-12-30 | 2010-06-30 | 暨南大学 | 一种网络舆情的热点预测和分析方法 |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
CN105654211A (zh) * | 2016-03-10 | 2016-06-08 | 北京小米移动软件有限公司 | 信息推送方法及装置 |
CN106327240A (zh) * | 2016-08-11 | 2017-01-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于gru神经网络的推荐方法和系统 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
CN107133202A (zh) * | 2017-06-01 | 2017-09-05 | 北京百度网讯科技有限公司 | 基于人工智能的文本校验方法和装置 |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
-
2017
- 2017-12-20 CN CN201711385395.1A patent/CN109948773A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7246079B2 (en) * | 2000-12-22 | 2007-07-17 | Fujitsu Limited | Method of predicting initial input of new product, system for predicting initial input of new product, and recording medium |
CN101082972A (zh) * | 2007-05-30 | 2007-12-05 | 华为技术有限公司 | 预测用户对商品的兴趣的方法、装置和广告发布方法 |
CN101763401A (zh) * | 2009-12-30 | 2010-06-30 | 暨南大学 | 一种网络舆情的热点预测和分析方法 |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
CN105654211A (zh) * | 2016-03-10 | 2016-06-08 | 北京小米移动软件有限公司 | 信息推送方法及装置 |
CN106327240A (zh) * | 2016-08-11 | 2017-01-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于gru神经网络的推荐方法和系统 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
CN107133202A (zh) * | 2017-06-01 | 2017-09-05 | 北京百度网讯科技有限公司 | 基于人工智能的文本校验方法和装置 |
Non-Patent Citations (3)
Title |
---|
F.M. THIESING ET AL: "Sales forecasting using neural networks", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE ON NEURAL NETWORKS (ICNN"97)》 * |
毕建涛: "改进的BP神经网络及其在销量预测中的应用", 《山东理工大学学报(自然科学版).》 * |
王志峰等: "多特征神经网络微博转发预测", 《辽宁石油化工大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379436A (zh) * | 2020-03-09 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、计算设备及介质 |
CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN114792258A (zh) * | 2022-06-27 | 2022-07-26 | 北京京东振世信息技术有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN114792258B (zh) * | 2022-06-27 | 2022-12-27 | 北京京东振世信息技术有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN107609890A (zh) | 一种订单跟踪的方法和装置 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108921323A (zh) | 用于生成信息的方法和装置 | |
CN109214730A (zh) | 信息推送方法和装置 | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN105488163B (zh) | 信息推送方法和装置 | |
CN109544076A (zh) | 用于生成信息的方法和装置 | |
CN109634833A (zh) | 一种软件缺陷预测方法和装置 | |
CN107517251A (zh) | 信息推送方法和装置 | |
CN108897853A (zh) | 生成推送信息的方法和装置 | |
CN110070382A (zh) | 用于生成信息的方法和装置 | |
CN110348921A (zh) | 门店物品选取的方法和装置 | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN108985808A (zh) | 一种进行商品选择的方法和装置 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
CN110020112A (zh) | 对象推送方法及其系统 | |
CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
CN109785072A (zh) | 用于生成信息的方法和装置 | |
CN110473042A (zh) | 用于获取信息的方法及装置 | |
CN108573054A (zh) | 用于推送信息的方法和装置 | |
CN109934523A (zh) | 信息处理方法和装置 |
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: 20190628 |