CN109949079A - 基于贝叶斯网络模型的产品市场报告生成方法、装置 - Google Patents
基于贝叶斯网络模型的产品市场报告生成方法、装置 Download PDFInfo
- Publication number
- CN109949079A CN109949079A CN201910160103.7A CN201910160103A CN109949079A CN 109949079 A CN109949079 A CN 109949079A CN 201910160103 A CN201910160103 A CN 201910160103A CN 109949079 A CN109949079 A CN 109949079A
- Authority
- CN
- China
- Prior art keywords
- product
- market report
- bayesian network
- feature data
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007476 Maximum Likelihood Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000013501 data transformation Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 11
- 238000012356 Product development Methods 0.000 abstract description 10
- 239000000047 product Substances 0.000 description 245
- 238000010586 diagram Methods 0.000 description 12
- 238000009434 installation Methods 0.000 description 10
- 235000013405 beer Nutrition 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 235000015170 shellfish Nutrition 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000020015 schwarzbier Nutrition 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供基于贝叶斯网络模型的产品市场报告生成方法、装置,通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
Description
技术领域
本申请涉及数据分析领域,具体涉及一种基于贝叶斯网络模型的产品市场报告生成方法、装置。
背景技术
随着科技飞速发展,人工智能已经越来越多地应用于各种领域,但是在市场分析方面,由于需要对产品特征数据进行大量的归类和总结,目前大多采用人工分析产品的市场情况,费时费力。
发明内容
针对目前仍然采用人工分析产品的市场情况,本申请提供一种基于贝叶斯网络模型的产品市场报告生成方法、装置。
本发明的第一方面提供一种基于贝叶斯网络模型的产品市场报告生成方法,包括:
基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据;
将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果;
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
在某些实施例中,还包括:
根据多种产品特征数据及其对应的市场报告,生成训练样本集;
应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构;
基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
在某些实施例中,所述根据多种产品特征数据及其对应的市场报告,生成训练样本集,包括:
从已存在的市场报告中提取产品的特征数据;
结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系;
对提取的所述产品特征数据进行预处理;
基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
在某些实施例中,所述对提取的所述产品特征数据进行预处理,包括:
对提取的所述产品特征数据进行数据清洗;
将经数据清洗后的所述产品特征数据进行数据变换。
本发明第二方面提供一种基于贝叶斯网络模型的产品市场报告生成装置,包括:
产品特征数据调取模块,基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据;
市场报告生成模块,将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果;
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
在某些实施例中,还包括:
训练模块,根据多种产品特征数据及其对应的市场报告,生成训练样本集;
拓扑结构建立模块,应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构;
概率表生成模块,基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
在某些实施例中,所述训练模块包括:
提取单元,从已存在的市场报告中提取产品的特征数据;
对应关系建立单元,结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系;
预处理单元,对提取的所述产品特征数据进行预处理;
训练样本集生成单元,基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
在某些实施例中,所述预处理单元包括:
数据清洗单元,对提取的所述产品特征数据进行数据清洗;
数据交换单元,将经数据清洗后的所述产品特征数据进行数据变换。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现基于贝叶斯网络模型的产品市场报告生成方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于贝叶斯网络模型的产品市场报告生成方法的步骤。
由上述技术方案可知,本申请提供一种基于贝叶斯网络模型的产品市场报告生成方法及装置,通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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为本发明实施例中的基于贝叶斯网络模型的产品市场报告生成方法的流程示意图。
图2为本发明实施例中的服务器S1与客户端设备B1之间的构架示意图。
图3为本发明实施例中的服务器S1、客户端设备B1与终端装置B2之间的构架示意图。
图4为本发明实施例中的包含有步骤001至步骤003的基于贝叶斯网络模型的产品市场报告生成方法的流程示意图。
图5为本发明实施例中的基于贝叶斯网络模型的产品市场报告生成方法中步骤001的流程示意图。
图6为本发明实施例中的基于贝叶斯网络模型的产品市场报告生成方法中步骤001c的流程示意图。
图7为本发明实施例中的基于贝叶斯网络模型的产品市场报告生成装置的结构示意图。
图8为本发明实施例中的包含有模型建立模块00的基于贝叶斯网络模型的产品市场报告生成装置的结构示意图。
图9为本发明实施例中模型建立模块00的结构示意图。
图10为本发明实施例中的基于贝叶斯网络模型的产品市场报告生成方法中训练样本集生成模块01的结构示意图。
图11为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
由于产品的类型和决定产品的市场表现的因素繁多,甚至一个产品的商标名称的不同,都会产生极大的市场影响。而产品市场报告中不仅需要体现产品本身的特性,还需要体现出产品在未来的市场表现,例如产品的销售周期中的销售量、增长性、收益等,市场报告中还需要统计目前对于该产品的市场需求等客观信息,因此需要大量人力搜索和总结,效率低下,本申请提供一种基于贝叶斯网络模型的产品市场报告生成方法、基于贝叶斯网络模型的产品市场报告生成装置、用于实现基于贝叶斯网络模型的产品市场报告生成方法的电子设备和计算机存储介质。其中,基于贝叶斯网络模型的产品市场报告生成方法通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
本申请第一方面提供一种基于贝叶斯网络模型的产品市场报告生成方法,如图1所示,包括:
步骤100:基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据。
步骤200:将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果。
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
本申请提供一种基于贝叶斯网络模型的产品市场报告生成方法及装置,通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
在一种模型训练场景中,本申请还提供一种基于贝叶斯网络模型的产品市场报告生成装置,该装置可以为一种服务器S1,参见图2,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以在线将市场报告生成指令发送至所述服务器S1,所述服务器S1可以在线接收市场报告生成指令。所述服务器S1可以与内置的或者其他服务器中的预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据,并根据调取的产品特征数据与对应的市场报告之间的对应关系建立市场报告生成体系,对所述市场报告生成体系对应的特征数据进行预处理,而后根据经预处理后的产品特征数据生成训练样本集,应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构,基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表,进而完成贝叶斯网络模型的建立。
基于上述描述,所述服务器S1也可以替换为一用于被所述服务器S1访问的数据库,即,所述服务器S1可以分时或定时自该数据库中获取产品特征数据。
在一种模型预测场景中,参见图3,所述服务器S1还可以与至少一个终端装置B2通信连接,所述终端装置B2在线将市场报告生成指令发送至所述服务器S1,所述服务器S1在线接收市场报告生成指令并在线或离线自市场报告生成指令中提取得到对应的产品特征数据,其后,所述服务器S1将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,而后,所述服务器S1将所述市场报告在线发送至终端装置B2,使得终端装置B2可以打印或者转化为语音播报。
基于上述内容,所述客户端设备B1可以具有显示界面,并且可以具有市场报告生成指令的输入界面以及市场报告的显示界面,使得用户能够根据界面查看所述服务器S1发送的市场报告生成指令对应产品特征数据的市场报告。
可以理解的是,所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
并可以理解的是,所述终端装置B2可以为机器人装置、接收器、打印机装置等可以通过语音、文字表述等方式反馈出从服务器接收到的市场报告。例如智能播报机器人,智能打印机等,此时市场报告生成指令可以不是通过界面输入的方式获取,例如可以通过会议中的口述的形式,智能播报机器人通过语音识别技术识别出市场报告生成指令。
在实际应用中,进行基于贝叶斯网络模型的产品市场报告生成的部分可以在如上述内容所述的服务器S1侧执行,即,如图2或图3所示的架构,也可以所有的操作都在所述客户端设备B1或者终端装置B2中完成。具体可以根据所述客户端设备B1或者终端装置B2的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行基于贝叶斯网络模型的产品市场报告生成的具体处理。
所述服务器与所述客户端设备或者服务器与终端装置之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
在本申请的一个或多个实施例中,终端装置为智能机器人,该智能机器人用户会议时,通过语音识别出特定身份的使用者(例如预设为公司中高层人员),通过音色的识别可以识别出语音发出的对象,进而可以二次确认是否是市场报告生成指令。
在本申请的一个或多个实施例中,市场报告生成指令具有特殊的识别格式,以语音为例,市场报告生成指令需要具备“生成”、“产品名称”和“产品预设型号”等信息,例如“生成X1啤酒的市场报告”,此时与预设的数据库建立连接,从数据库中调取X1啤酒的特征数据。
在本申请的一个或多个实施例中,产品特征数据可以为产品的颜色、外部图案、口感、产品组成成分、产品的商标信息等能够反映产品特性的数据,这些数据通常具有一些分类,可以利用归类算法进行数据归纳,例如X1啤酒的产品特征数据中包含了红色的啤酒盖、黄色的商标信息、绿色的啤酒瓶、黑色的啤酒产品,这些具有颜色信息的数据,可以归纳进入颜色数据分类器中。
在本申请的一个或多个实施例中,产品的市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果,更具体的,市场报告需要预测出该产品在未来可能的市场表现,在一个具体实施例中,市场报告的格式如下:
产品:X1啤酒
产品的需求趋势:根据xxxx年-xxxx年的历史数据可以知晓,对该产品的需求以每年6%的趋势增长。
产品的供应量:目前以xx啤酒制作厂、xx啤酒制造厂等年产量在xxx,总年产量为xxxx。
产品的预期销售增长量(一年内):增长30%的概率为40%,增长40%的概率为30%,增长50%的概率为30%。
产品的预期收益增长量(一年内):增长20%的概率为45%,增长25%的概率为35%,增长30%的概率为20%。
当然,对于一份具体的市场报告格式往往比上述格式复杂很多,本申请不限于此,但在本申请中,市场报告需要产品的预期销售增长量和产品的预期收益增长量的概率统计。
可以理解的是,贝叶斯网络BN(Bayesian network model),又称为信度网,由一个有向无环图(Directed Acylic Graph,DAG)和产品销售增长量概率表(ConditionalProbability Table,CPT)组成。在贝叶斯网络中,两个变量X和Y如果直接相连,则表示它们之间有直接依赖关系,对X的了解会影响关于Y的信度,反之亦然。在这种意义下,我们称信息能够在两个直接相连的节点之间传递。另一方面,如果两个变量X和Y不直接相连,那么信息需要通过其它变量才能在两者之间传递。如果X和Y之间的所有信息通道都被阻塞,那么信息就无法在它们之间传递。这时,对其中一个变量的了解不会影响对另一个变量的信度,因而X和Y相互条件独立。如果考虑两个变量X和Y通过第三个变量Z间接相连这一基本情况,则可将贝叶斯网络分解成三种基本的结构,即顺连、分连和汇连。
其中,贝叶斯网络的优点主要体现在:
(1)贝叶斯网络使用图形的方法描述数据间的相互关系,语义清晰,易于理解。图形化的知识表示方法使得保持概率知识库的一致性和完整性变得容易,可以方便地针对条件的改变进行网络模块的重新配置。
(2)贝叶斯网络易于处理不完备数据集。对于传统标准的监督学习算法而言必须知道所有可能的数据输入,如果缺少其中的某一输入就会对建立的模型产生偏差,贝叶斯网络的方法反映的是整个数据库中数据间的概率关系模型,缺少某一数据变量仍然可以建立精确的模型。
(3)贝叶斯网络允许学习变量间的因果关系。在以往的数据分析中,一个问题的因果关系在干扰较多时,系统就无法做出精确的预测。而这种因果关系己经包含在贝叶斯网络模型中。贝叶斯方法具有因果和概率性语义,可以用来学习数据中的因果关系,并根据因果关系进行学习。
(4)贝叶斯网络与贝叶斯统计相结合能够充分利用领域知识和样本数据的信息。贝叶斯网络用弧表示变量间的依赖关系,用概率分布表来表示依赖关系的强弱,将先验信息与样本知识有机结合起来,促进了先验知识和数据的集成,这在样本数据稀疏或数据较难获得的时候特别有效。
从上述描述可知,本申请提供一种基于贝叶斯网络模型的产品市场报告生成方法及装置,通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
为了能够提供更为准确且有针对性的贝叶斯网络模型,以进一步提高市场分析的准确性,在本申请的一实施例中,本申请的基于贝叶斯网络模型的产品市场报告生成方法还包含有模型建立步骤,参见图4,所述模型建立步骤具体包括如下内容:
步骤001:根据多种产品特征数据及其对应的市场报告,生成训练样本集。
步骤002:应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构。
步骤003:基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
为了能够进一步电桩故障原因诊断的准确性和可靠性,在本申请的一实施例中还提供基于贝叶斯网络模型的产品市场报告生成方法中步骤001的具体实现方式,参见图5,所述步骤001具体包括如下内容:
步骤001a:从已存在的市场报告中提取产品的特征数据。
可以理解的是,已存在的市场报告为其他公司或者本公司的,可以查询到的市场报告,通过对市场报告进行文字识别,提取产品的特征数据。
步骤001b:结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系。
在一种具体举例中,上述对应关系可以总结为:产品的颜色对产品的销售的影响对应关系,例如通过对大量市场报告进行录入,选取最相似的多个产品,通过对比找出该些最相似的产品中的不同产品特征,例如对于A和B产品,其区别仅在于颜色特征的不同,根据该颜色特征的不同,结合A和B产品的市场表现,可以获得市场对于颜色的认可关系,例如啤酒的瓶身颜色为暗红色时,市场认可度高,销售量为M,瓶身颜色为绿色时,市场认可度低,销售量为N,并且暗红色对应的价格认可度更高,销售价格更高,绿色对应的价格认可度更低,对应的销售价格更低。
当然,上述举例仅仅示出了最简单的场景,对于复杂的场景需要借助于本申请的贝叶斯网络的拓扑结构中的条件概率分析。
步骤001c:对提取的所述产品特征数据进行预处理。
步骤001d:基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
为了能够进一步贝叶斯网络模型建立的准确性和可靠性,在本申请的一实施例中还提供基于贝叶斯网络模型的产品市场报告生成方法中步骤001c的具体实现方式,参见图6,所述步骤001c具体包括如下内容:
步骤001c-1:对提取的所述产品特征数据进行数据清洗。
步骤001c-2:将经数据清洗后的所述产品特征数据进行数据变换。
对所述产品特征数据进行预处理。可以理解的是,所述预处理的方式至少可以包含有数据清洗、属性规约及数据变换等方式。可以理解的是,其中的数据清洗方式至少可以包含有:异常值识别、缺失值插补及数据去重等处理手段。具体来说:
(1)数据清洗:
对所述产品特征数据进行异常值识别,并将识别出的异常值自所述产品特征数据中删除,以及,对所述产品特征数据进行缺失识别,并将缺失值插补到所述产品特征数据中的对应位置,另外,对产品特征数据进行重复数据识别,并将识别出的重复数据自所述产品特征数据中删除。
(2)数据变换:
对经上述数据清洗的产品特征数据进行数据变换,具体可以应用离散化处理的方式或者应用独热编码One-Hot-Encoder的方式进行数值化处理。所述独热编码方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。
例如,可以对颜色特征数据进行离散化处理。
贝叶斯网络拓扑结构建立:
基于评分和搜索的算法进行贝叶斯网络拓扑结构的学习,找到和样本数据集合匹配度最好的贝叶斯网络结构,也就是说,贝叶斯网络拓扑结构学习的目标是找到和样本数据集合匹配度最好的贝叶斯网络结构。贝叶斯网络结构的学习包含基于评分和搜索的算法、基于约束的算法和混合算法。其中,基于评分和搜索的算法采用某个评分标准,评判网络结构反映出的独立及依赖关系和数据的匹配程度,再选择某一搜索算法搜索分值最高的网络模型。该算法过程简单、规范,且可通过禁忌搜索达到全局最优,故选择该算法进行贝叶斯网络拓扑结构的学习。
贝叶斯网络结构的建立需要解决的两个主要问题分别为评分函数的选取和搜索方法的选择,具体如下:
(1)确定评分函数:
根据训练样本集确定贝叶斯网络对应的评分函数。
常用的评分函数基于信息论准则,此类准则将学习问题等效为一个数据压缩任务,学习的目标是找到一个能以最短编码长度描述训练数据的模型,此时编码的长度包括了描述模型自身所需的字节长度和使用该模型描述数据所需的字节长度。对贝叶斯网络学习而言,模型就是一个贝叶斯网络,同时,每个贝叶斯网络描述了一个在训练数据上的概率分布,自有一套编码机制能使那些经常出现的样本有更短的。因此,应选择那个综合编码长度(包括描述网络和编码数据)最短的贝叶斯网络,上述即为最小描述长度(MinimalDescription Length,简称MDL)准则。
给定训练集D={x1,x2...,xm},贝叶斯网络B=<G,θ>在D上的评分函数可写为:
s(B|D)=f(θ)|B|-LL(B|D) (1)
式(1)中,|B|是贝叶斯网络的参数个数;f(θ)表示描述每个参数θ所需的字节数;其中的是贝叶斯网络B的对数似然。显然,式(1)的第一项f(θ)|B|是计算编码贝叶斯网络所需的字节数,第二项LL(B|D)是计算B所对应的概率分布PB需多少字节来描述D。于是,学习任务就转化为一个优化任务,即寻找一个贝叶斯网络B使评分函数s(B|D)最小。
若f(θ)=1,即每个参数用1字节描述,则得到赤池信息量准则AIC(Akaikeinformation criterion)评分函数AIC(B|D)为:
AIC(B|D)=|B|-LL(B|D)
若即每个参数用个字节描述,则得到贝叶斯信息规则BIC(Bayesian Information Criterions)评分函数BIC(B|D)为:
显然,若f(θ)=0,即不计算对网络进行编码的长度,则评分函数退化为负对数似然,相应的,学习任务退化为极大似然估计。
(2)搜索算法:
在确定了评分函数的情况下,贝叶斯网络的学习问题就变成了一个搜索问题。搜索算法是为了搜索在某个评分函数下分值最高的贝叶斯网络结构。当变量数目增加时,搜索空间将以节点数目的指数级别增加,寻找最优的模型是存在多项式算法能够解决的非决定性问题NP(Non-Deterministic Polynomial Problems)。目前常采用启发式搜索,如贪婪搜索、模拟退火、最优最先搜索等算法。
最常用的搜索方法是连续变动网络结构中的有向边,评判每次变动对分值的影响。如果两个变量之间存在有向边,那么变动方向可以是删除有向边或逆转有向边;如果两个变量间不存在有向边,则变动方式可以是增加任意方向的有向边,但在变动时,不能产生有向回路。
最简单的搜索算法是贪婪搜索(Greedy Search)。令E表示所有可能添加到网络结构中的候选边集,Δ(e)表示E中的边e加入到网络结构中后评分函数的变化值。那么搜索算法可描述为:
1)选择一个初始网络结构;
2)选择候选边集中的边e,使得Δ(e)>Δ(e'),其中,e'为E中除了e的任意边,并且Δ(e)>0,如果找不到满足条件的边,则停止,否则转3);
3)加e到网络结构中,并从候选集E中删除该边,转2);
该算法中,初始网络结构可以是空网、随机网或利用经验知识建造的先验网。贪婪搜索策略是一种局部搜索策略,存在陷入局部极值和鞍点的问题。一种解决的方法是当陷入局部极值或者鞍点时,随机改变网络的结构,可能会跳出鞍点或从一个局部极值区域跳到另一个极值区域。
(3)基于评分函数及搜索算法确定贝叶斯网络的拓扑结构:
基于极大似然估计进行贝叶斯网络参数的学习,即在给定贝叶斯网络拓扑结构的情况下,确定各结点处的条件概率。
贝叶斯网络参数学习的目标是给定网络拓扑结构G和训练样本集D,利用先验知识,确定贝叶斯网络模型各结点处的条件概率密度,记为:p(θ|D,G)。常见的参数学习方法有极大似然估计算法及贝叶斯估计算法等。极大似然估计算法适用于数据大量,估计的参数能够较好的反映实际情况。因此,在本申请的一个实施例中,选择极大似然估计作为贝叶斯网络参数的学习。
(1)极大似然估计:
在极大似然估计过程中,参数是通过计算给定父结点集的值时,结点不同取值的出现频率,并以之作为该结点的条件概率参数。最大似然估计的基本原理就是试图寻找使得似然函数最大的参数。最大似然估计就是要用似然函数取到最大值时的参数作为估计值,似然函数可以表示为:
由于有连乘运算,通常对似然函数取对数的计算更为简便,即对数似然函数,最大似然估计问题可以写成:
这是一个关于θ的函数,求解这个优化问题通常对θ求导,得到导数为0的极值点。该函数取得最大值时,θ对应的取值就是我们估计得模型参数。
(2)网络结点的产品销售增长量概率表:
在给定网络拓扑结构G和训练样本集D的条件下,运用极大似然估计学习得到的网络各结点的产品销售增长量概率表如下:
瓶身颜色的产品销售增长量概率表如下所示:
需要说明的是,上表中,0.4221692表示42.21692%,即暗红色增长在一年内销售量增长30%的概率是42.21692%。
(二)模型预测场景
S1:获取市场报告生成指令。
S2:从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据。
S3:将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告。具体处理方式如下:
根据贝叶斯网络的拓扑结构及其产品销售增长量概率表,计算某些特征结点取值的概率,从而得到产品销售增长量概率表和对应的产品预期收益增长量概率表。
从上述描述可知,本申请提供的基于贝叶斯网络模型的产品市场报告生成方法,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
本申请实施例提供一种用于实现基于贝叶斯网络模型的产品市场报告生成方法中全部内容的基于贝叶斯网络模型的产品市场报告生成装置的具体实施例,参见图7,所述基于贝叶斯网络模型的产品市场报告生成装置具体包括如下内容:
产品特征数据调取模块10,基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据。
市场报告生成模块20,将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果。
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
本申请提供的基于贝叶斯网络模型的产品市场报告生成装置的实施例具体可以用于执行上述实施例中的基于贝叶斯网络模型的产品市场报告生成方法的各个实施例的全部处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本申请实施例提供的基于贝叶斯网络模型的产品市场报告生成装置,通过产品特征数据调取模块10将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并通过市场报告生成模块20将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
为了能够提供更为准确且有针对性的贝叶斯网络模型,以进一步提高诊断过程的效率和诊断结果的准确性,参见图8,在本申请的一实施例中,本申请的基于贝叶斯网络模型的产品市场报告生成装置还包含有模型建立模块00,具体如图9示出的,所述模型建立模块00具体包括如下内容:
训练模块01,根据多种产品特征数据及其对应的产品市场报告,生成训练样本集。
拓扑结构建立模块02,应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构。
概率表生成模块03,基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
为了能够进一步电桩故障原因诊断的准确性和可靠性,在本申请的一实施例中还提供基于贝叶斯网络模型的产品市场报告生成装置中训练样本集生成模块01的具体实现方式,参见图10,所述训练样本集生成模块01具体包括如下内容:
提取单元01a,从已存在的市场报告中提取产品的特征数据。
对应关系建立单元01b,结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系。
预处理单元01c,对提取的所述产品特征数据进行预处理。
训练样本集生成单元01d,基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
为了能够进一步贝叶斯网络模型建立的准确性和可靠性,在本申请的一实施例中还提供基于贝叶斯网络模型的产品市场报告生成装置中数据预处理单元01c的具体实现方式,所述数据预处理单元01c具体用于:对提取的所述产品特征数据进行数据清洗;将经数据清洗后的所述产品特征数据进行数据变换。
从上述描述可知,本申请提供的基于贝叶斯网络模型的产品市场报告生成装置,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
本申请的实施例还提供能够实现上述实施例中的基于贝叶斯网络模型的产品市场报告生成方法中全部步骤的一种电子设备的具体实施方式,参见图11,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现基于贝叶斯网络模型的产品市场报告生成装置、客户终端、终端装置以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于贝叶斯网络模型的产品市场报告生成方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据。
步骤200:将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果。
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
从上述描述可知,本申请提供的电子设备,通过将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告,其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
本申请的实施例还提供能够实现上述实施例中的基于贝叶斯网络模型的产品市场报告生成方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于贝叶斯网络模型的产品市场报告生成方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据。
步骤200:将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果。
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
从上述描述可知,本申请提供的计算机可读存储介质,能够实现根据市场报告生成指令,自动形成对应产品的市场报告,且生成速度快,预测准确,不需要人工对产品特征数据进行大量的归类和总结,在会议中能够及时根据市场报告生成指令生成市场报告,方便使用者在会议上使用和讨论产品开发可行性,提高了会议效率和人力资源利用率。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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。本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种基于贝叶斯网络模型的产品市场报告生成方法,其特征在于,包括:
基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据;
将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果;
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
2.根据权利要求1所述的产品市场报告方法,其特征在于,还包括:
根据多种产品特征数据及其对应的市场报告,生成训练样本集;
应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构;
基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
3.根据权利要求2所述的产品市场报告方法,其特征在于,所述根据多种产品特征数据及其对应的市场报告,生成训练样本集,包括:
从已存在的市场报告中提取产品的特征数据;
结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系;
对提取的所述产品特征数据进行预处理;
基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
4.根据权利要求3所述的产品市场报告生成方法,其特征在于,所述对提取的所述产品特征数据进行预处理,包括:
对提取的所述产品特征数据进行数据清洗;
将经数据清洗后的所述产品特征数据进行数据变换。
5.一种基于贝叶斯网络模型的产品市场报告生成装置,其特征在于,包括:
产品特征数据调取模块,基于获取的市场报告生成指令,与预设数据库建立链接,并从该预设数据库中调取与所述市场报告生成指令对应的产品特征数据;
市场报告生成模块,将调取的产品特征数据作为预测样本输入预设的贝叶斯网络模型,并将该贝叶斯网络模型的输出作为该产品特征数据对应的市场报告;所述市场报告包括有对应产品的销售增长趋势预测结果和预期收益增长结果;
其中,所述贝叶斯网络模型包含有贝叶斯网络的拓扑结构及对应的产品销售增长量概率表和对应的产品预期收益增长量概率表,该贝叶斯网络模型的拓扑结构用于表示调取的数据与对应的市场报告之间的对应关系。
6.根据权利要求1所述的产品市场报告装置,其特征在于,还包括:
训练模块,根据多种产品特征数据及其对应的市场报告,生成训练样本集;
拓扑结构建立模块,应用所述训练样本集,基于评分函数和搜索算法建立贝叶斯网络的拓扑结构;
概率表生成模块,基于极大似然估计方法确定所述贝叶斯网络的拓扑结构中的各结点处的条件概率,得到各个所述结点的产品销售增长量概率表和产品预期收益增长量概率表。
7.根据权利要求6所述的产品市场报告装置,其特征在于,所述训练模块包括:
提取单元,从已存在的市场报告中提取产品的特征数据;
对应关系建立单元,结合从已存在的市场报告中提取的产品特征数据,和该些市场报告中的基于该些产品特征数据作出的总结信息,建立各种产品特征数据分别对应市场报告中的总结信息的对应关系;
预处理单元,对提取的所述产品特征数据进行预处理;
训练样本集生成单元,基于所述各种产品特征数据分别对应市场报告中的总结信息的对应关系,结合经预处理后的产品特征数据生成训练样本集。
8.根据权利要求7所述的产品市场报告装置,其特征在于,所述预处理单元包括:
数据清洗单元,对提取的所述产品特征数据进行数据清洗;
数据交换单元,将经数据清洗后的所述产品特征数据进行数据变换。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述基于贝叶斯网络模型的产品市场报告生成方法的步骤。
10.一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,该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于贝叶斯网络模型的产品市场报告生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160103.7A CN109949079A (zh) | 2019-03-04 | 2019-03-04 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160103.7A CN109949079A (zh) | 2019-03-04 | 2019-03-04 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949079A true CN109949079A (zh) | 2019-06-28 |
Family
ID=67007064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910160103.7A Pending CN109949079A (zh) | 2019-03-04 | 2019-03-04 | 基于贝叶斯网络模型的产品市场报告生成方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949079A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184325A (zh) * | 2020-10-13 | 2021-01-05 | 国研软件股份有限公司 | 一种基于贝叶斯网络的农贸市场日画像构建方法 |
CN113496442A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图表征产生系统,图表征产生方法与其图表征智能模块 |
CN117668671A (zh) * | 2024-02-01 | 2024-03-08 | 成都工业学院 | 一种基于机器学习的教育资源治理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078616A1 (ja) * | 2004-02-13 | 2005-08-25 | Inter-Db Co., Ltd. | ベイジアンネットワークを用いた来客数予測システム |
US20170278113A1 (en) * | 2016-03-23 | 2017-09-28 | Dell Products, Lp | System for Forecasting Product Sales Using Clustering in Conjunction with Bayesian Modeling |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN108932636A (zh) * | 2018-07-05 | 2018-12-04 | 上海信颐信息技术有限公司 | 一种商品零售预测方法及设备 |
CN109002928A (zh) * | 2018-08-13 | 2018-12-14 | 中国电力科学研究院有限公司 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
-
2019
- 2019-03-04 CN CN201910160103.7A patent/CN109949079A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078616A1 (ja) * | 2004-02-13 | 2005-08-25 | Inter-Db Co., Ltd. | ベイジアンネットワークを用いた来客数予測システム |
US20170278113A1 (en) * | 2016-03-23 | 2017-09-28 | Dell Products, Lp | System for Forecasting Product Sales Using Clustering in Conjunction with Bayesian Modeling |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN108932636A (zh) * | 2018-07-05 | 2018-12-04 | 上海信颐信息技术有限公司 | 一种商品零售预测方法及设备 |
CN109002928A (zh) * | 2018-08-13 | 2018-12-14 | 中国电力科学研究院有限公司 | 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496442A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图表征产生系统,图表征产生方法与其图表征智能模块 |
CN112184325A (zh) * | 2020-10-13 | 2021-01-05 | 国研软件股份有限公司 | 一种基于贝叶斯网络的农贸市场日画像构建方法 |
CN112184325B (zh) * | 2020-10-13 | 2024-03-29 | 国研软件股份有限公司 | 一种基于贝叶斯网络的农贸市场日画像构建方法 |
CN117668671A (zh) * | 2024-02-01 | 2024-03-08 | 成都工业学院 | 一种基于机器学习的教育资源治理方法 |
CN117668671B (zh) * | 2024-02-01 | 2024-04-30 | 成都工业学院 | 一种基于机器学习的教育资源治理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vesselinova et al. | Learning combinatorial optimization on graphs: A survey with applications to networking | |
CN104731962B (zh) | 一种社交网络中基于相似社团的好友推荐方法及系统 | |
CN112232925A (zh) | 一种融合知识图谱对商品进行个性化推荐的方法 | |
CN109949079A (zh) | 基于贝叶斯网络模型的产品市场报告生成方法、装置 | |
TWI705341B (zh) | 特徵關係推薦方法及裝置、計算設備及儲存媒體 | |
CN110276456A (zh) | 一种机器学习模型辅助构建方法、系统、设备及介质 | |
CN107301229A (zh) | 基于语义分析的反馈指派方法及系统 | |
CN108717601A (zh) | 一种面向企业难题的多创新方法集成与融合方法 | |
CN109902172A (zh) | 案情文本分类方法、装置以及存储介质 | |
CN104008182A (zh) | 社交网络交流影响力的测定方法及系统 | |
CN112330048A (zh) | 评分卡模型训练方法、装置、存储介质及电子装置 | |
CN106294676A (zh) | 一种电子商务政务系统的数据检索方法 | |
Wang et al. | Flexible Job Shop Scheduling via Dual Attention Network-Based Reinforcement Learning | |
Liang et al. | Generative ai-driven semantic communication networks: Architecture, technologies and applications | |
CN116308219B (zh) | 一种基于Tranformer的生成式RPA流程推荐方法及系统 | |
Wen et al. | From generative ai to generative internet of things: Fundamentals, framework, and outlooks | |
da Silva et al. | A Novel Approach to Multi-Provider Network Slice Selector for 5G and Future Communication Systems | |
CN107644042A (zh) | 软件程序点击率预估排序方法及服务器 | |
CN114374708B (zh) | 一种基于协同过滤和mqtt的智能工厂数据自动订阅方法 | |
WO2023065640A1 (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 | |
CN116186309A (zh) | 基于融合用户意图的交互兴趣图的图卷积网络推荐方法 | |
US20150310330A1 (en) | Computer-implemented method and system for digitizing decision-making processes | |
CN113377656B (zh) | 一种基于图神经网络的众测推荐方法 | |
CN115545833A (zh) | 一种基于用户社交信息的推荐方法及系统 | |
CN110569584B (zh) | 一种基于有向图的云制造服务优选数学模型建立方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210514 Address after: West China Normal University, No.1 Shida Road, Nanchong, Sichuan, 637009 Applicant after: CHINA WEST NORMAL University Applicant after: Wang Ruping Address before: No.4, Baimasi street, Jinniu District, Chengdu, Sichuan 610084 Applicant before: Wang Ruping |