CN109961198B - 关联信息生成方法和装置 - Google Patents

Abstract

本发明公开了一种关联信息生成方法和装置，涉及互联网技术领域。该方法的一具体实施方式包括：获取目标商品当前时间的销量数据；基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；根据所述周转信息，生成所述目标商品的关联信息。该实施方式能够准确确定商品的周转信息，根据该周转信息生成该商品的关联信息，根据该关联信息能够合理的管理库存，进而提高整体运营效率，降低仓储成本和资金占用成本；减少人工干预，降低人力成本。

Description

关联信息生成方法和装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种关联信息生成方法和装置。

背景技术

在库存管理中，从大型零售商或电商的库房将滞销的商品退货给供应商是一种很常见的库存管理手段。一般来讲，正常销售出去相比于退货给供应商是获利更大的行为。但是，由于商品存放在库房，会导致两个主要的成本产生：仓储成本和资金占用成本。因而，适时、适量的退货行为可以直接降低仓储成本和释放资金占用成本，从而达到降低成本，进而增加利润的目的。作为企业管理者，需要在恰当的时间以恰当的数量进行退货。

目前，比较流行的计算滞销库存的方法是根据经验退货或与供应商签订合同的时候设置一个备货周期T，参照商品在过去一段时间内的日均销量，计算出目标库存，当现有库存数量高于目标库存时，将触发退货行为。基本公式如下(以库房A、商品H为例)：

商品H在库房A的目标库存＝(商品H的备货周期)×(商品H在库房A的历史60天日均销量)；

商品H在A库房的滞销库存数＝max[(商品H在A库房的现有库存-商品H在A库房的目标库存)，0]。

具体来说，该方法的流程如下所示：

1.针对每个品类的商品(以商品H为例)，根据业务人员经验与供应商签订备货周期T；

2.统计企业的库房数量n，例如n＝4，分别为库房A、库房B、库房C和库房D；

3.根据历史销量数据计算商品H在不同库房的日均销量，用P表示；

4.根据下式计算商品在某库房的目标库存：

目标库存＝P×T；

5.根据该商品H在库房的现有库存，计算出滞销库存数，公式如下：

滞销库存数＝max[(现有库存-目标库存)，0]

即所有大于目标库存的现有库存都是滞销库存；

6.统计商品在各个仓库的滞销库存数，给予相应的退货行为。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有技术方案没有考虑到季节性商品的销售具有周期性的特点，旺季的销量远高于淡季，使用历史日均量会导致淡季目标库存过高，导致大量滞销，不利于库存管理和成本管理。

由于大型零售商或电商企业的业务覆盖全国，在不同地区都有库房，同一商品在不同地区的销售周期性也不一致(例如空调在北方提前进入销售淡季)，而且每年气候变化也有区别，依靠人工管控或基于历史销量设置固定参数控制都无法准确确定某商品在全国不同地区何时进入销售淡季，也就无法准确确定商品的退货时间。

发明内容

有鉴于此，本发明实施例提供一种关联信息生成方法和装置，该实施方式能够准确确定商品的周转信息，根据该周转信息生成该商品的关联信息，根据该关联信息能够合理的管理库存，进而提高整体运营效率，降低仓储成本和资金占用成本，减少人工干预，降低人力成本，并提高智能化水平。

为实现上述目的，根据本发明实施例的一个方面，提供了一种关联信息生成方法，包括：获取目标商品当前时间的销量数据；基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；根据所述周转信息，生成所述目标商品的关联信息。

可选地，在基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息之前，所述方法还包括：获取所述目标商品的历史销量数据和退货记录；根据所述历史销量数据和退货记录，对预设的估计模型进行训练。

可选地，根据所述历史销量数据和退货记录，对预设的估计模型进行训练包括：根据所述历史销量数据，构建时间-累计销量序列；对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

可选地，所述基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息包括：根据所述销量数据，确定与所述当前时间相对应的参数；将所述参数输入预设的估计模型，以确定所述目标商品的周转信息。

可选地，所述曲线拟合函数如下式所示：

y＝a·x^b

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

可选地，所述曲线拟合函数的多组参数根据如下过程确定：将所述曲线拟合函数做对数转换，以将所述曲线拟合函数转换为线性函数；基于所述时间-累计销量序列和所述线性函数，利用最小二乘法确定所述曲线拟合函数的多组参数。

可选地，所述预设的估计模型为逻辑回归模型。

为实现上述目的，根据本发明实施例的一个方面，提供了一种关联信息生成装置，包括：销量数据获取模块，用于获取目标商品当前时间的销量数据；周转信息确定模块，用于基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；关联信息生成模块，用于根据所述周转信息，生成所述目标商品的关联信息。

可选地，所述装置还包括模型训练模块，用于：获取所述目标商品的历史销量数据和退货记录；根据所述历史销量数据和退货记录，对预设的估计模型进行训练。

可选地，所述模型训练模块还用于：根据所述历史销量数据，构建时间-累计销量序列；对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

可选地，所述周转信息确定模块还用于：根据所述销量数据，确定与所述当前时间相对应的参数；将所述参数输入预设的估计模型，以确定所述目标商品的周转信息。

可选地，所述曲线拟合函数如下式所示：

y＝a·x^b

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

可选地，所述模型训练模块还用于：将所述曲线拟合函数做对数转换，以将所述曲线拟合函数转换为线性函数；基于所述时间-累计销量序列和线性函数，利用最小二乘法，确定所述曲线拟合函数的多组参数。

可选地，所述预设的估计模型为逻辑回归模型。

为实现上述目的，根据本发明实施例的又一方面，提供了一种电子设备，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实施例的关联信息生成方法。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，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实施例的关联信息生成方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用基于目标商品当前时间的销量数据和预设的估计模型，确定该目标商品的周转信息；根据所述周转信息进行库存管理的技术手段，能够合理的管理库存，进而提高整体运营效率，降低仓储成本和资金占用成本，减少人工干预，降低人力成本。

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是根据本发明一实施例的关联信息生成方法的主要流程的示意图；

图2是某季节性商品的历史累计销量曲线图；

图3是本发明实施例对时间-累计销量序列的曲线拟合示意图；

图4是本发明实施例的曲线拟合函数的多组参数的可视化示意图；

图5是根据本发明另一实施例的关联信息生成方法的主要流程的示意图；

图6是根据本发明实施例的关联信息生成装置的主要模块的示意图；

图7是本发明实施例可以应用于其中的示例性系统架构图；

图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

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。

图1是根据本发明实施例的关联信息生成方法的主要流程的示意图。如图1所示，该方法包括：

步骤S101：获取目标商品当前时间的销量数据；

步骤S102：基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；

步骤S103：根据所述周转信息，生成所述目标商品的关联信息。

上述实施方式中，对于步骤S101，当前时间可以以“日”为单位，即获取目标商品当日的销量数据。当前时间也可以以“周”为单位，本发明在此不做限制。

需要说明的是，上述销量数据可以是目标商品在一个库房的销售数据。因为，本发明实施例考虑到同一商品在不同地区可能会出现销量变化差异，例如冬季衣物在南北方的销售差异，所以，上述销量数据都是针对单一库房而言，即同一商品出现在不同库房时，各个库房根据其自身的销量数据进行后续计算，确定该商品在该库房的退货信息，例如在库房A和库房B中都存放着商品H，根据商品H在库房A的销量数据(例如出库量)，确定商品H在库房A的退货信息；根据商品H在库房B的销量数据(例如出库量)，确定商品H在库房B的退货信息。最后可以通过汇总各个库房的退货信息，得到最终退货的商品数据。

在可选的实施例中，上述目标商品可以是季节性商品。在实际应用中，商品在供需层面存在着某些季节性变化特点，即随着季节的转换商品供给或需求的增减趋势相对固定，具有季节性波动特性，将这种波动性特性称为季节性波动规律或季节性特征，将具有季节性特征的商品称为季节性商品。而，季节性商品在一个销售周期内一次或两次达到销售高峰，通常在销售淡季会将多余的库存退给供应商。根据本发明实施例的方法可以确定季节性商品是否进入销售淡季或该季节性商品是否为滞销商品，当确定该季节性商品进入销售淡季或确定该季节性商品为滞销商品之后，可以进一步的确定该季节性商品的退货时间。

对于步骤S102，上述周转信息可以包括该目标商品是否是滞销商品或该目标商品是滞销商品的概率，如果是滞销商品，该周转信息还可以包括销售速度、滞销程度(例如一般滞销、严重滞销)等其他信息。当然，上述周转信息还可以包括该目标商品是否是畅销商品或该目标商品是畅销商品的概率，如果是畅销商品，该周转信息还可以包括销售速度、畅销程度(例如一般畅销、非常畅销)等其他信息。在本实施例中，以目标商品是否是滞销商品为例进行说明，具体的，目标商品是否是滞销商品是通过判断该目标商品是滞销商品的概率是否大于概率阈值来确定的。

在本实施例中，上述预设的估计模型可以是逻辑回归模型。

逻辑回归(logistic regression)是一种广义线性回归(generalized linearmodel)，逻辑回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易理解，本发明实施例的估计模型就是二分类的逻辑回归模型。

二分类的逻辑回归是用来计算“事件＝success”和“事件＝failure”的概率，当因变量的类型属于二元(例如1/0，真/假，是/否)变量时，可以使用逻辑回归。当建立了逻辑回归模型之后，可以利用该模型预测在不同的自变量下，发生某种情况的概率有多大。在实际应用场景中，从销量角度来分析，一件商品要么是滞销商品，要么不是滞销商品。因此，判断一件商品是否为滞销商品的问题可以看作是一个二分类问题，进而，本发明实施例中所用的逻辑回归模型可以是二分类的逻辑回归模型。

在步骤S102中，在计算得出目标商品是滞销商品的概率之后，可以将得到的概率与概率阈值进行比较，若计算得到的概率大于阈值，则可以判定该目标商品是滞销商品，将该目标商品打上滞销标记，以便后续处理；若计算得到的概率小于或等于概率阈值，则可以判定该目标商品不是滞销商品。在可选的实施例中，该概率阈值可以是0.5。

对于步骤S103，目标商品的关联信息可以包括补货信息、退货信息、促销信息等其他信息。例如当确定目标商品的周转信息为该目标商品为畅销商品时，根据该周转信息生成的关联信息可以为是目标商品的补货信息，进一步的可以根据补货信息适当的进行补货；当确定目标商品的周转信息为该目标商品为滞销商品时，根据该周转信息生成的关联信息可以为是目标商品的退货信息，进一步的，退货信息可以包括退货时间点，还可以包括退货数量，从而可以在合适的时间进行适当的退货；当确定目标商品的周转信息为该目标商品为滞销商品时，根据该周转信息生成的关联信息可以为是目标商品的促销信息，进一步的，促销信息可以包括促销持续时间，还可以包括促销方式，从而可以在合适的时间段适当地进行促销。下面以确定目标商品是滞销商品为例进行说明：当确定目标商品是滞销商品时，即计算得出目标商品的的概率大于0.5时，若该概率越大，则该目标商品的退货时间越早。例如，该概率为0.8，则可以将当日作为退货时间通知管理人员以进行退货操作；当该概率为0.5时，可以先不进行退货操作，在下一日(比如当日日期为2017年12月3日，下一日为2017年12月4日)根据新增的销售数据再次计算概率，若概率增大，则可以将下一日(2017年12月4日)作为退货时间通知管理人员以进行退货操作。根据计算得到的概率确定退货时间的具体方式可以根据实际需求灵活设置，本发明在此不做限制。

在可选的实施例中，所述方法还包括保存目标商品当前时间的销量数据，以训练预设的估计模型，从而更新该模型。

本发明实施例的方法，根据目标商品当前时间的销量数据和预设的估计模型，能够准确确定商品的周转信息，根据该周转信息生成该目标商品的关联信息，根据该关联信息能够合理的管理库存，进而提高整体运营效率，降低仓储成本和资金占用成本，减少人工干预，降低人力成本。进一步的，本发明实施例的方法根据商品当前时间的销量数据和预设的估计模型，计算目标商品为滞销商品的概率，根据该概率确定该目标商品的退货时间，能够准确计算出商品的退货时间，减少人工干预，提高智能化水平，提高整体运营效率，降低仓储成本和资金占用成本。而且，上述当前时间的销量数据可以是针对同一库房而言，解决了不同地区季节性不同的问题。

值得说明的是，本发明实施例关联信息生成方法不仅能够应用于电子商务领域，其他具有周期性或季节性特征的对象也可以适用，例如用电量(北方夏季用电量多，冬季用电量下降)、客流量等。以用电量为例，步骤S101可以获取当前时间的用电量，步骤S102可以根据当前时间的用电量和预设的估计模型，确定用电量信息，步骤S103可以根据所述用电量信息进行管理，例如预测下一周期或下一阶段的供电量。

在可选的实施例中，上述预设的估计模型可以根据如下过程获得：

获取所述目标商品的历史销量数据和退货记录；

根据所述历史销量数据和退货记录，对预设的估计模型进行训练。

其中，上述历史销量数据和退货记录都是针对单一库房而言。本发明实施例根据目标商品的历史销量数据和退货记录训练预设的估计模型，根据该估计模型判断该目标商品是否是滞销商品，解决了现有技术中设定固定参数导致的不能准确确定退货时间的问题。

进一步的，根据所述历史销量数据和退货记录，对预设的估计模型进行训练的步骤包括：

根据所述历史销量数据，构建时间-累计销量序列；

对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；

基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；

根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

其中，上述时间-累计销量序列是指将目标商品预设时间段内每一天的累计销量按时间先后顺序排列而成的数列

作为具体的示例，可以获取目标商品在某个库房的近2年内的销量数据，如下表1所示(为了方便计算，假设每月30天)：

表1：

日期	2016-1-1	2016-1-2	2016-1-3	2016-1-4	…	2016-3-1	2016-3-2
								天数	1	2	3	4	…	60	61
销量	S1	S2	S3	S4	…	S60	S61

从第60天起，获取前60天的累计销量，以构建时间-累计销量序列，如下表2所示：

表2：

日期	天数	累计销量序列
			2016-3-1	60	(S1,S1+S2,S1+S2+S3……,S1+S2+……+S60)
2016-3-2	61	(S2,S2+S3,S2+S3+S4……,S2+S3+……+S61)
			2016-3-3	62	(S3,S3+S4,S3+S4+S5……,S3+S4+……+S62)

由表2可知，从第60天起每天都有一个长度为60天的累计销量序列。

然后，将目标商品的历史销量数据描绘在坐标系上，绘制累计销量曲线图，根据这些数据点的分布规律和累计销量的变化趋势选择合适的曲线拟合函数。作为具体的示例，请参考图2。图2是某季节性商品的历史累计销量曲线图。

根据图2，可以将季节性商品的销售周期定义为三个阶段：增长期、下降期和稳定期。另外，从图中可以看出商品在一个销售周期内的旺季和淡季。而且，理想的退货时间是商品旺季结束，累计销量增速下降到一定程度时。由图2可以确定，上述曲线拟合函数如下式(3)所示：

y＝a·x^b (3)

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

对公式(3)左右分别做对数转换，将其转换为线性函数ln(y)＝ln(b)·ln(x)+ln(a)，用最小二乘法(最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配)求解得到系数a和b的值，将该系数a和b作为参数。

则，基于所述时间-累计销量序列和最小二乘法，确定所述线性函数的多组参数如下表3所示：

表3：

日期	天数	累计销量序列	参数(a,b)
				2016-3-1	60	(S1,S1+S2,S1+S2+S3……,S1+S2+……+S60)	(a1,b1)
2016-3-2	61	(S2,S2+S3,S2+S3+S4……,S2+S3+……+S61)	(a2,b2)
				2016-3-3	62	(S3,S3+S4,S3+S4+S5……,S3+S4+……+S62)	(a3,b3)

其中，曲线拟合结果请参考图3，由图3可知，参数a反映出商品过去60天的累计销量，即参数a为表示该商品累计销量的特征，当累计销量越高，a的值越大；参数b则代表累计销量的变化趋势，即参数b为表示该商品累计销量增速的特征，当b约等于0时，销量稳定，当b>0时，b越大累计销量增长速度越快(对应销售旺季销量增长)，b<0时，b越小累计销量增长速度越慢(对应销售淡季销量增长速度下降)。

将获得的多组参数进行可视化，如图4所示。由图4可知，当商品进入销售淡季时，由于过去60天处于旺季时销量急速增长使得a达到峰值，同时因为淡季累计销量增速下降的原因b降到谷值。因此，本发明实施例将进入销售淡季的商品标记为滞销商品，给予相应的退货行为。

根据所述多组参数，对预设的估计模型进行训练的过程如下所示：

从数据仓库中获取该商品近2年内的所有退货记录，若当日有退货记录，则将当日标记为“1”，表示为正样本，没有退货记录的日期标记为“0”，表示为负样本。

然后，将所述多组参数和退货操作标记进行关联，以构建样本训练集。例如，训练样本集D＝[(a1，b1，1)、(a2，b2，0)、(a3，b3，0)、…(aN，bN，1)]，其中，N为大于或等于1的正整数。

在实际应用场景中，可能会出现正负样本数量不平衡的问题，例如负样本的数量远远大于正样本的数量，则可以通过人工标记正负样本的方式或采用过采样算法对正样本进行采样的方式，使正样本的数量与负样本的数量接近。

具体的，可以利用SMOTE算法对正样本进行过采样，以及使用F1score作为性能评价指标。其中，F1score是统计学中用来衡量二分类模型精确度的一种指标，F1score是精确率和召回率的调和均值，当精确率都很高是，F1score也会很高。

基于所述训练样本集训练预设的估计模型的步骤如下：

(1)构建逻辑回归模型，如下式所示：

在本发明实施例中，影响商品退货时间的变量为商品的累计销量特征(即a)和累计销量增速特征(即b)，因此，构建的逻辑回归模型是这2个变量的线性组合，于是得到如(3)式所示的逻辑回归模型。其中，x₁和x₂表示上述两个变量，θ₀、θ₁和θ₂为待确定的系数。

(2)扫描样本训练集，求解模型参数。

具体的，求解模型参数的过程即最小化损失函数的过程，其中，损失函数如下式所示：

不考虑累加和，针对每一个系数求偏导得到系数更新方向：

扫描样本，迭代上述公式可求得系数

其中，j＝0、1、2。将获得的系数代入公式(3)，则得到预设的估计模型。

图5是本发明另一实施例的关联信息生成方法的主要流程的示意图。如图5所示，该方法包括：

步骤S501：获取目标商品当前时间的销量数据；

步骤S502：根据所述销量数据，确定与所述当前时间相对应的参数；

步骤S503：将所述参数输入预设的估计模型，计算所述目标商品为滞销商品的概率；

步骤S504：根据所述概率，确定所述目标商品的退货时间。

上述实施方式中，步骤S501参见图1中的步骤S101，本发明在此不再赘述。

对于步骤S502，根据当前时间的销量数据和当前时间前59天的销量数据，生成与当前时间对应的时间-累计销量序列，计算与当前时间对应的参数。

将计算得到的参数输入预设的估计模型，得到该目标商品为滞销品的概率，然后根据该概率确定该目标商品的退货时间。

本发明实施例的方法能够准确计算出商品的退货时间，减少人工干预，提高智能化水平，提高整体运营效率，降低仓储成本和资金占用成本。而且，上述当前时间的销量数据是针对同一库房而言，因此，本发明实施例的方法可以根据当年季节性商品在不同地区的销售情况，准确识别出该季节性商品在哪些地区进入了销售淡季，哪些地区没有进入销售淡季，进而将进入销售淡季的商品标记为滞销商品，给予相应的退货行为，解决了不同地区季节性不同的问题。

图6是根据本发明实施例的关联信息生成装置的主要模块的示意图。如图6所示，该装置600包括：

销量数据获取模块601，用于获取目标商品当前时间的销量数据；

周转信息确定模块602，用于基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；

关联信息生成模块603，用于根据所述周转信息，生成所述目标商品的关联信息。

可选地，所述装置还包括模型训练模块，用于：获取所述目标商品的历史销量数据和退货记录；根据所述历史销量数据和退货记录，对预设的估计模型进行训练。

可选地，所述模型训练模块还用于：根据所述历史销量数据，构建时间-累计销量序列；对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

可选地，所述周转信息确定模块602还用于：根据所述销量数据，确定与所述当前时间相对应的参数；将所述参数输入预设的估计模型，确定所述目标商品的周转信息。

可选地，所述曲线拟合函数如下式所示：

y＝a·x^b

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

可选地，所述模型训练模块还用于：将所述曲线拟合函数做对数转换，以将所述曲线拟合函数转换为线性函数；基于所述时间-累计销量序列和所述线性函数，利用最小二乘法确定所述曲线拟合函数的多组参数。

可选地，所述预设的估计模型为逻辑回归模型。

上述装置可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

图7示出了可以应用本发明实施例的关联信息生成方法或关联信息生成装置的示例性系统架构700。

如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704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701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703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701、702、703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705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器。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)反馈给终端设备。

需要说明的是，本发明实施例所提供的关联信息生成方法一般由服务器705执行，相应地，关联信息生成装置一般设置于服务器705中。

应该理解，图7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。

下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端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8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

特别地，根据本发明公开的实施例，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，本发明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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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。而在本发明中，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，这依所涉及的功能而定。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模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。

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。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一个该设备执行时，使得该设备包括：

获取目标商品当前时间的销量数据；

基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；

根据所述周转信息，生成所述目标商品的关联信息。

本发明实施例的方法，根据目标商品当前时间的销量数据和预设的估计模型，能够准确确定商品的周转信息，根据该周转信息生成目标商品的关联信息，根据该关联信息能够合理的管理库存，进而提高整体运营效率，降低仓储成本和资金占用成本，减少人工干预，降低人力成本。

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 (12)

1.一种关联信息生成方法，其特征在于，包括：

获取目标商品当前时间的销量数据；

基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；所述周转信息包括所述目标商品是否是滞销商品或所述目标商品是滞销商品的概率，或所述目标商品是否是畅销商品或所述目标商品是畅销商品的概率；所述预设的估计模型可以根据如下过程获得：获取所述目标商品的历史销量数据和退货记录；根据所述历史销量数据和退货记录，对预设的估计模型进行训练；

根据所述周转信息，生成所述目标商品的关联信息；

其中，所述基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息包括：

根据所述销量数据，确定与所述当前时间相对应的参数；

将所述参数输入预设的估计模型，以确定所述目标商品的周转信息。

2.根据权利要求1所述的方法，其特征在于，根据所述历史销量数据和退货记录，对预设的估计模型进行训练包括：

根据所述历史销量数据，构建时间-累计销量序列；

对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；

基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；

根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

3.根据权利要求2要求所述的方法，其特征在于，所述曲线拟合函数如下式所示：

y＝a·x^b

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

4.根据权利要求3所述的方法，其特征在于，所述曲线拟合函数的多组参数根据如下过程确定：

将所述曲线拟合函数做对数转换，以将所述曲线拟合函数转换为线性函数；

基于所述时间-累计销量序列和所述线性函数，利用最小二乘法确定所述曲线拟合函数的多组参数。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述预设的估计模型为逻辑回归模型。

6.一种关联信息生成装置，特征在于，包括：

销量数据获取模块，用于获取目标商品当前时间的销量数据；

周转信息确定模块，用于基于所述销量数据和预设的估计模型，确定所述目标商品的周转信息；所述周转信息包括所述目标商品是否是滞销商品或所述目标商品是滞销商品的概率，或所述目标商品是否是畅销商品或所述目标商品是畅销商品的概率；

关联信息生成模块，用于根据所述周转信息，生成所述目标商品的关联信息；

模型训练模块，用于获取所述目标商品的历史销量数据和退货记录；根据所述历史销量数据和退货记录，对预设的估计模型进行训练；

其中，所述周转信息确定模块还用于：

根据所述销量数据，确定与所述当前时间相对应的参数；

将所述参数输入预设的估计模型，以确定所述目标商品的周转信息。

7.根据权利要求6所述的装置，其特征在于，所述模型训练模块还用于：

根据所述历史销量数据，构建时间-累计销量序列；

对所述时间-累计销量序列进行曲线拟合，确定曲线拟合函数；

基于所述时间-累计销量序列，确定所述曲线拟合函数的多组参数，其中，所述参数与时间相对应；

根据所述多组参数和所述退货记录，对预设的估计模型进行训练。

8.根据权利要求7要求所述的装置，其特征在于，所述曲线拟合函数如下式所示：

y＝a·x^b

其中，x表示时间，y表示时间为x时目标商品的累计销量数据，a和b为待确定的参数。

9.根据权利要求8所述的装置，其特征在于，所述模型训练模块还用于：

将所述曲线拟合函数做对数转换，以将所述曲线拟合函数转换为线性函数；

基于所述时间-累计销量序列和线性函数，利用最小二乘法确定所述曲线拟合函数的多组参数。

10.根据权利要求6-9任一项所述的装置，其特征在于，所述预设的估计模型为逻辑回归模型。

11.一种电子设备，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1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。

Images