CN110197382A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN110197382A CN110197382A CN201810157415.8A CN201810157415A CN110197382A CN 110197382 A CN110197382 A CN 110197382A CN 201810157415 A CN201810157415 A CN 201810157415A CN 110197382 A CN110197382 A CN 110197382A
- Authority
- CN
- China
- Prior art keywords
- product
- life cycle
- information
- value
- curve
- 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 55
- 230000006870 function Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 24
- 238000009792 diffusion process Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 claims 63
- 239000006227 byproduct Substances 0.000 claims 1
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:从目标产品的产品信息中提取特征信息;将该特征信息输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的参数信息;基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线。该实施方式提高了生成的生命周期曲线的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
对于零售型企业来说,对于品类的合理管理和有效管理是其提高市场地位、获取竞争优势的一种技术手段。通常,需要确定采购的产品、采购的频率、每次采购的数量、促销时间等信息,因此,对新产品的生命周期进行有效预测,对于零售型企业的发展格外重要。
现有的方法,通常是根据采销人员的主观经验预测新产品的市场表现,进而人为确定其生命周期。
发明内容
本申请实施例提出了用于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用于生成信息的方法,该方法包括:从目标产品的产品信息中提取特征信息;将特征信息输入预先训练的参数信息预测模型,得到目标产品的生命周期曲线的参数信息,其中,参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系;基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成目标产品的生命周期曲线,其中,生命周期模型用于表征产品的生命周期曲线。
在一些实施例中,参数信息预测模型通过如下步骤训练得到:提取预先生成的训练样本,其中,训练样本包括多个指定产品的产品信息和生命周期曲线的参数信息;从各个指定产品的产品信息中提取特征信息;利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。
在一些实施例中,生命周期模型通过如下步骤建立:建立用于表征产品的目标属性的值随时间变化的第一函数;建立用于表征产品的目标属性的值与需求弹性的关系的第二函数;基于第一函数、第二函数和巴斯扩散模型,建立生命周期模型。
在一些实施例中,训练样本通过如下步骤生成:提取多个产品的运营数据,其中,多个产品中的每一个产品的运营数据包括该产品的目标属性的值、目标属性的值对应的时间、该产品的销量值;从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理;对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入生命周期模型,拟合该产品的生命周期曲线;对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
在一些实施例中,对拟合出的生命周期曲线进行校验,包括:对于拟合出的每一个生命周期曲线,确定生命周期曲线对应的至少一个目标时间点;确定至少一个目标时间点中的各个目标时间点对应的销量值;确定拟合该生命周期曲线所使用的运营数据的数量;对目标时间点的大小关系、目标时间点对应的销量值的大小关系和数量分别进行校验。
在一些实施例中,对拟合出的生命周期曲线进行校验,包括:对于拟合出的每一个生命周期曲线,对该生命周期曲线的拟合优度和平均绝对误差进行校验。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:第一提取单元,配置用于从目标产品的产品信息中提取特征信息;输入单元,配置用于将特征信息输入预先训练的参数信息预测模型,得到目标产品的生命周期曲线的参数信息,其中,参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系;生成单元,配置用于基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成目标产品的生命周期曲线,其中,生命周期模型用于表征产品的生命周期曲线。
在一些实施例中,该装置还包括:第二提取单元,配置用于提取预先生成的训练样本,其中,训练样本包括多个指定产品的产品信息和生命周期曲线的参数信息;第三提取单元,配置用于从各个指定产品的产品信息中提取特征信息;训练单元,配置用于利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。
在一些实施例中,该装置还包括:第一建立单元,配置用于建立用于表征产品的目标属性的值随时间变化的第一函数;第二建立单元,配置用于建立用于表征产品的目标属性的值与需求弹性的关系的第二函数;第三建立单元,配置用于基于第一函数、第二函数和巴斯扩散模型,建立生命周期模型。
在一些实施例中,该装置还包括:第四提取单元,配置用于提取多个产品的运营数据,其中,多个产品中的每一个产品的运营数据包括该产品的目标属性的值、目标属性的值对应的时间、该产品的销量值;选取单元,配置用于从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理;拟合单元,配置用于对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入生命周期模型,拟合该产品的生命周期曲线;汇总单元,配置用于对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
在一些实施例中,汇总单元进一步配置用于:对于拟合出的每一个生命周期曲线,确定生命周期曲线对应的至少一个目标时间点;确定至少一个目标时间点中的各个目标时间点对应的销量值;确定拟合该生命周期曲线所使用的运营数据的数量;对目标时间点的大小关系、目标时间点对应的销量值的大小关系和数量分别进行校验。
在一些实施例中,汇总单元进一步配置用于:对于拟合出的每一个生命周期曲线,对该生命周期曲线的拟合优度和平均绝对误差进行校验。
第三方面,本申请实施例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用于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用于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用于生成信息的方法和装置,通过从目标产品的产品信息中提取特征信息,而后将该特征信息输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的参数信息,最后基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线,从而可以基于产品的产品信息、参数信息预测模型和生命周期模型自动生成生命周期曲线,相较于根据采销人员的主观经验而人为确定生命周期等现有方式,提高了生成的生命周期曲线的准确性。
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是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的训练样本的生成方法的一个流程图;
图4是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备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用于生成信息的方法或用于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,例如产品信息管理类应用、网页浏览器应用、购物类应用、搜索类应用等。
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、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,例如电子商务平台中用于对产品进行管理的后台服务器。后台服务器可以存储有各种产品的产品信息。后台服务器可以对目标产品(例如第一次上架销售的新产品)的产品信息进行分析等处理,并生成处理结果(例如生命周期曲线),还可以将处理结果反馈给终端设备101、102、103,以使终端设备101、102、103显示该处理结果。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于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用于生成信息的方法的一个实施例的流程200。所述的用于生成信息的方法,包括以下步骤:
步骤201,从目标产品的产品信息中提取特征信息。
在本实施例中,用于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)可以从目标产品的产品信息中提取特征信息。其中,上述目标产品可以是新产品(例如在某个电子商务平台中首次出售的产品),也可以是技术人员预先指定的需要进行生命周期曲线生成的产品。上述产品信息可以是与上述目标产品相关的各种信息,例如产品名称、产品编号、库存、产品描述信息、属性信息(可以包括上述目标产品的属性和各属性的属性值)等。实践中,产品的属性可以指产品本身所固有的性质,是产品不同于其他产品的性质,例如颜色、品牌、型号、尺寸、储存条件、容量等。需要说明的是,上述特征信息可以是用于对目标产品的特征进行表征的各种形式的信息(例如可以用向量或矩阵的形式进行表征)。其中,目标产品的特征可以包括上述目标产品的多个指定的属性(例如颜色、型号、尺寸、容量等)的属性值(例如,颜色属性的属性值可以是“红色”、“蓝色”、“绿色”等)。此处,上述电子设备可以利用各种特征信息提取方法,从上述产品信息中提取特征信息。
在本实施例的一些可选的实现方式中,对于每一个属性,上述电子设备中可以存储有与该属性的各属性值分别对应的编码。作为示例,属性电视分辨率的属性值可以有“高清”、“全高清”、“超高清”,可分别对应编码“1”、“2”、“3”。由于目标产品的产品信息中可以包括属性信息,因而,上述电子设备可以直接从上述属性信息中提取上述多个指定的属性的属性值;而后,可以检索出与各个指定属性的属性值所对应的编码;最后,可以将所检索出的编码汇总为向量或矩阵的形式,得到上述目标产品的特征信息。
在本实施例的一些可选的实现方式中,上述电子设备可以从上述属性信息中提取上述多个指定的属性的属性值;而后,可以确定各个属性的属性值对应的独热(One-Hot)编码;最后,可以将各独热编码汇总为向量或矩阵的形式,得到上述目标产品的特征信息。实践中,独热编码又称一位有效编码,其方法是使用N(N为正整数)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,对六个状态进行编码:自然顺序码为000、001、010、011、100、101,则独热编码可以是000001、000010、000100、001000、010000、100000。通常,独热编码可以用来处理文本的离散特征,在一定程度上也起到了扩充特征的作用,独热编码可以以向量的形式来表示。需要说明的是,上述独热编码方法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述电子设备可以首先分别从上述属性信息中提取上述多个指定的属性的属性值,并确定与所提取的各属性的属性值对应的编码(或独热编码)。若上述多个指定属性的属性值不全,则可以上述目标产品的产品描述信息中提取中提取特征以进行补充。具体地,可以首先对上述产品描述信息进行分词,而后,可以利用现有的词向量生成工具(例如开源的词向量生成工具word2vec)确定分词后的各个词的词向量。之后,可以将各编码和词向量汇总为向量或矩阵的形式,得到上述目标产品的特征信息。
步骤202,将特征信息输入预先训练的参数信息预测模型,得到目标产品的生命周期曲线的参数信息。
在本实施例中,上述电子设备可以将上述特征信息输入预先训练的参数信息预测模型,得到目标产品的生命周期曲线的参数信息。其中,上述参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系。作为示例,上述参数信息预测模型可以是技术人员基于大量数据统计而预先制定的、特征信息与生命周期曲线的参数信息的对应关系表。需要说明的是,生命周期曲线可以是用于表征产品生命周期(product life cycle)的曲线,可以用于表征产品的销售情况随时间的变化情况。实践中,产品生命周期可以是从产品的构想(此处,可以指产品的开始出售的时间)到产品消失(此处,可以指产品停止销售的时间)的整个过程。产品生命周期可以分为4个主要阶段,分别为导入期、成长期、成熟期和衰退期。需要指出的是,生命周期曲线的参数信息可以是由生命周期曲线的表达式中的各参数的参数值所构成的向量。
在本实施例的一些可选的实现方式中,上述参数信息预测模型可以通过机器学习的方式训练得到。具体地,可以通过如下步骤训练得到:
第一步,提取预先生成的训练样本,其中,上述训练样本可以包括多个指定产品的产品信息和生命周期曲线的参数信息。实践中,上述生命周期曲线的参数信息可以是基于上述指定产品的实际的销售情况随时间的变化情况所预先确定的。
第二步,从各个指定产品的产品信息中提取特征信息。此处,提取特征信息的方法可以与步骤201中提取特征信息的方法相同,在此不再赘述。
第三步,利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。此处,训练上述参数信息预测模型所使用的模型可以是梯度提升回归树(GradientBoosting Regression Tree,GBRT)。实践中,梯度提升回归树也可以成为渐进梯度决策树(Gradient Boost Decision Tree,GBDT)、多决策回归树(Multiple Additive RegressionTree,MART)或决策树网络(Tree Net)。梯度提升回归树是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来得到最终结果,梯度提升回归树中的树是回归树,梯度提升回归树通常用来做回归预测。因此,可以使用梯度提升回归树进行机器学习,将训练后的梯度提升回归树作为参数信息预测模型。需要说明的是,梯度提升回归树是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,生成上述训练样本的步骤可以参见图3。图3给出了根据本申请的训练样本的生成方法的流程图。该训练样本的生成方法300,可以包括以下步骤:
步骤301,提取多个产品的运营数据。
此处,上述多个产品中的每一个产品的运营数据可以包括该产品的目标属性(例如价格)的值、上述目标属性的值对应的时间、该产品的销量值。需要说明的是,每一个产品的运营数据可以有多个,以日进行划分,该产品每日的运营数据均可以包括该产品目标属性的值、该目标属性的值对应的时间(例如日期)和该产品的销量值。实践中,运营数据可以存储上上述电子设备本地,也可以存储在与上述电子设备相连接的其他设备中,此处不作限定。
步骤302,从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理。
此处,上述目标范围可以是技术人员预先指定的数值范围,不同的产品可以指定不同的数值范围。需要说明的是,可以利用各种缩尾处理方法对所选取的运营数据中的销量值进行缩尾处理。例如,对于上述多个产品中的每一个产品,可以该产品的运营数据中的、小于某个指定数值的销量值更新为该指定数值;也可以将该产品的运营数据中的、大于某个指定数值的销量值更新为该指定数值。需要指出的是,可以利用各种平滑处理方法对所选取的运营数据中的销量值进行平滑处理,例如一次指数平滑发、二次指数平滑法等。
可选的,上述目标范围也可以是按照如下步骤确定出来的数值范围:首先,对于上述多个产品中的每一个产品,可以确定该产品的运营数据中的目标属性的值的目标中位数(例如四分之三中位数);而后,可以将上述目标中位数与第一预设数值(例如0.3)的乘积作为第一数值,将上述目标中位数与第二预设数值(例如2)的乘积作为第二数值;最后,可以将大于上述第一数值且不大于上述第二数值的数值范围作为目标范围。实践中,分位数(Quantile)也称分位点,是指将一个随机变量的概率分布范围分为几个等分的数值点。上述四份之三分位点可以是将该产品的运营数据中的目标属性的值按照从小到大的顺序排列后位于75%的位置的数值。需要说明的是,分位数是目前广泛研究和应用的公知技术,在此不再赘述。
可选的,上述缩尾处理可以按照如下步骤执行:首先,对于上述多个产品中的每一个产品,可以确定该产品的运营数据中的销量值的第一目标分位数(例如0.01分位数)和第二目标分位数(例如0.98分位数);而后,可以将该产品的运营数据中的、不大于上述第一目标分位数的销量值更新为上述第一目标分位数,将该产品的运营数据中的、大于上述第二目标分位数的销量值更新为上述第二目标分位数,实现对运营数据中的销量值的缩尾处理。
可选的,上述平滑处理可以按照如下步骤执行:首先,对于上述多个产品中的每一个产品,将该产品的运营数据中的、缩尾处理后的销量值按照运营数据(以n表示运营数据的数量,即销量值的数量)按照对应的时间的先后顺序进行排列,组成销量值序列。此处,可以用S[i]表示上述销量值序列中的第i个销量值,用S’[i]表示平滑处理后的第i个销量值,其中,i为不小于1且不大于n的整数。而后,依次提取上述销量值序列中的销量值S[i],并确定i是否等于1。响应于确定i等于1,另S’[i]=S[i];响应于确定i不等于1,按照如下公式对S[i]进行平滑处理:
S’[i]=a×S[i]+(1-a)×S’[i-1]
从而,得到该产品平滑处理后的销量值。其中,a为技术人员预先设置的平滑系数(例如0.5)。
步骤303,对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入生命周期模型,拟合该产品的生命周期曲线。
需要说明的是,上述生命周期模型可以通过如下步骤预先建立:
第一步,建立用于表征产品的目标属性的值(用pr表示)随时间变化的第一函数(用pr(t)表示),上述第一函数如下所示:
其中,η、b分别为待拟合的参数,t为时间,e为自然常数。
第二步,建立用于表征产品的上述目标属性的值与需求弹性的关系的第二函数(用g(pr)表示),上述第二函数如下所示:
g(pr)=prE
其中,E为需求弹性,是待拟合的参数。实践中,需求弹性是指在一定时期内产品的需求量的相对变动对于该产品的目标属性(例如价格)的值的相对变动的反应程度。
第三步,基于上述第一函数、上述第二函数和巴斯扩散模型,建立生命周期模型。此处,可以将上述第一函数、第二函数与现有的巴斯扩散模型相结合,得到改进的巴斯扩散模型,将该改进的巴斯扩散模型作为用于表征产品的生命周期曲线的生命周期模型。
实践中,巴斯扩散模型(Bass Diffusion Model)是一个现有的用来预测产品销售情况的模型,因此,可以利用巴斯模型拟合产品的生命周期曲线。此处,由于上述第一函数、第二函数均为与目标属性相关的函数,因而,将上述第一函数、第二函数与巴斯扩散模型相结合,得到生命周期模型,可以实现将目标属性作为对销售量的影响因素进行考虑,进一步提高了所拟合的生命周期曲线的准确性。
此处,现有的巴斯扩散模型的基本形式如下所示:
其中,m为市场容量(也可以称为最大市场潜力和采用者的总数,此处的采用者可以指销售量)。p为创新扩散系数(也可以称为外部影响系数),q为模仿扩散系数(也可以称为内部影响系数),m、p和q均为现有的巴斯扩散模型的参数,为公知常识,此处不再赘述。N(t)为t时的采用者的累计数量,此处可以用于表示t时的累计销售量。
将上述第一函数、第二函数与巴斯扩散模型相结合后所得到的生命周期模型如下所示:
需要说明的是,由于该生命周期模型求解复杂,因此,可以直接将上述第一函数、第二函数直接与上述现有的巴斯扩散模型的解相结合,得到如下解:
其中,F(t)表示在t时采用者的累计比例。f(t)表示在t时的采用者数量占采用者的总数比例的概率密度函数。
此处,可以将f(t)作为生命周期曲线的表达式,即生命周期模型。
继续参见步骤303,对于所选取的运营数据所涉及的每一个产品,拟合该产品的生命周期曲线,具体可以执行如下步骤:
第一步,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合上述第一函数。具体地,可以首先提取上述预先建立的第一函数。而后,可以提取预设的参数的初始值(例如,的初始值为100、η的初始值为0.1、b的初始值为max(pr),其中,max(pr)表示该产品的目标属性的值中的最大值)和预设的参数的取值范围(例如,的取值范围为[0,max(pr)]、η的取值范围为[0,+∞]、b的取值范围为[0,max(pr)])。最后,可以将该产品的目标属性的值和该产品的目标属性的值对应的时间代入上述第一函数,按照所提取的参数的初始值和取值范围,利用信赖域算法,拟合得到该产品对应的第一函数,即,得到该产品对应的第一函数的参数值(η、b的值)。实践中,信赖域算法是一种求解方法非线性优化问题的方法,是一种迭代算法,即从给定的初始解出发,通过逐步迭代,不断改进,直到获得满意的接近最优解。
第二步,将该产品的运营数据按照时间区间进行划分。例如,可以将该产品的运营数据以日为单位进行划分,也可以按周或月为单位进行划分。需要说明的是,若单位为日,则可以保留原运营数据中的目标属性的值和销量值,每一日对应一个运营数据。若单位为周,则可以将每周中的各日的目标属性的值求和后计算平均值,将目标属性的值的平均值作为该周对应的运营数据中的目标属性的值;同时,将每周中的各日的销量值求和,将求和后的销量值作为该周对应的运营数据中的销量值。由此,每一周对应一个经过数据统计后的运营数据。若单位为月,则可以将每月中的各日的目标属性的值求和后计算平均值,将目标属性的值的平均值作为该月对应的运营数据中的目标属性的值;同时,将每月中的各日的销量值求和,将求和后的销量值作为该月对应的运营数据中的销量值。由此,每一月对应一个经过数据统计后的运营数据。因此,按照时间区间进行划分的每一个时间区间对应一个运营数据。
第三步,将所拟合的第一函数的参数的值(η、b的值)代入上述生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入预先建立的生命周期模型,拟合该产品的生命周期曲线,即,拟合出生命周期模型中的参数m、p、q、E的值。上述电子设备可以按照如下方式进行拟合:首先,可以提取预设的上述生命周期模型的参数的初始值。例如,m的初始值为max(susales),其中,max(susales)表示该产品的总销售量,即按照时间区间划分后的各运营数据中的销售量的总和。p的初始值为0.03、q的初始值为0.38、E的初始值为0.1)。同时,可以提取预设的上述生命周期模型的参数的取值范围。例如,m的取值范围为[0,+∞]、p的取值范围为[0,2]、q的取值范围为[0,2]、E的取值范围为[-100,+100]。之后,可以将所拟合的第一函数的参数的值(η、b的值)代入上述生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入预先建立的生命周期模型,按照所提取的生命周期模型的参数的初始值和取值范围,利用信赖域方法,拟合得到该产品的生命周期模型的参数的值(即该产品的生命周期曲线的表达式的参数的值),即拟合得到该产品的生命周期曲线。
步骤304,对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
对于所选取的运营数据所涉及的每一个产品,均可以通过上述步骤303得到对应的生命周期曲线,此处,可以利用各种校验方式对拟合出的各生命周期曲线进行校验。例如,可以对生命周期曲线中的多个时间点对应的销量值的大小关系进行校验、对生命周期曲线中的多个时间点的大小关系进行校验等、对拟合生命周期曲线所使用的运营数据的数量进行校验等。
而后,可以将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值(包括m、p、q、E、η、b的值)汇总为该指定产品的生命周期曲线的参数信息(例如将上述参数的值以向量形式进行表示),将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息(各个产品的产品信息可以预先存储在上述电子设备中,也可以预先存储在数据库,此处不再限定)汇总为训练样本。
可选的,对于拟合出的每一个生命周期曲线,可以按照如下步骤进行校验:第一步,确定上述生命周期曲线对应的至少一个目标时间点。具体地,可以首先令该生命周期曲线的一阶导数为0,求得该生命周期曲线顶点对应的时间点t1;而后,令该生命周期曲线的二阶导数为0,求解得到时间点t2和时间点t3,其中,t2<t3;之后,将0.5×(t1+t2)作为时间点t4,将0.5×(t1+t3)作为时间点t5;最后,确定该生命周期曲线的起点对应的时间点t0和终点对应的时间点tend。第二步,确定上述至少一个目标时间点中的各个目标时间点对应的销量值。其中,时间点t1、t2、t3、t4、t5、t0、tend对应的销量值分别为Q1、Q2、Q3、Q4、Q5、Q0、Qend。第三步,确定拟合该生命周期曲线所使用的运营数据的数量。第四步,对目标时间点的大小关系、目标时间点对应的销量值的大小关系和上述数量分别进行校验。此处,可以在以下条件同时满足的情况下,确定该生命周期曲线通过校验:t0<t2<t1<t3<tend、Q1>Q5>Q3>Qend、Q1>Q4>Q0、上述数量大于预设数值(例如10)。需要说明的是,确定生命周期曲线是否通过校验,还可以包括其他判定条件,除上述列举之外,还可以包括其他判定条件,例如时间点的取值范围是否在预设数值范围之内等,此处不再赘述。
可选的,对于拟合出的每一个生命周期曲线,还可以对该生命周期曲线的拟合优度(Goodness of Fit)和平均绝对误差(Mean Absolute Deviation)进行校验。例如,在该生命周期曲线的拟合优度大于某一指定数值(例如0)且平均绝对误差小于某一指定数值(例如0.8)时确定校验通过。实践中,拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)。可决系数最大值为1。可决系数的值越接近1,说明回归直线对观测值的拟合程度越好;反之,可决系数的值越小,说明回归直线对观测值的拟合程度越差。平均绝对误差,又叫平均绝对离差,它是是所有单个观测值与算术平均值的偏差的绝对值的平均。
可选的,对于拟合出的每一个生命周期曲线,可以对该生命周期曲线的表达式积分,得到概率分布函数(即上述F(t))。而后,可以对该生命周期曲线的拟合优度和平均绝对误差进行校验,并对该概率分布函数的拟合优度和平均绝对误差进行校验。例如,在以下条件均满足时确定该生命周期曲线校验通过:该生命周期曲线的拟合优度大于0、该生命周期曲线的平均绝对误差小于0.8、该概率分布函数的拟合优度大于0.7、该概率分布函数的平均绝对误差小于0。
可选的,对于拟合出的每一个生命周期曲线,可以该对生命周期曲线的目标时间点的大小关系、目标时间点对应的销量值的大小关系、拟合该生命周期曲线所使用的运营数据的数量、该生命周期曲线的拟合优度和平均绝对误差、对该生命周期曲线积分后得到的概率分布函数的拟合优度和平均绝对误差均进行校验。若各项均校验通过,则确定该生命周期曲线校验通过。
由于上述训练样本是由各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总而成,且指定产品均为生命周期曲线通过验证的产品,因此,利用该训练样本进行参数信息预测模型的训练,训练得到的参数信息预测模型所生成的参数信息更有效、更准确。
继续参见步骤203。
步骤203,基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成目标产品的生命周期曲线。
在本实施例中,上述电子设备可以基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成上述目标产品的生命周期曲线,其中,上述生命周期模型可以用于表征产品的生命周期曲线。例如,上述生命周期模型可以是现有的巴斯扩散模型。此处,由于参数信息可以是由生命周期曲线的表达式中的各参数的参数值所构成的向量,因而,可以确定该向量中的不同次序的数值对应的参数,得到预先建立的生命周期模型的各参数的值。
在本实施例的一些可选的实现方式中,上述生命周期模型可以通过如下步骤预先建立:第一步,建立用于表征产品的目标属性的值随时间变化的第一函数。第二步,建立用于表征产品的上述目标属性的值与需求弹性的关系的第二函数。第三步,基于上述第一函数、上述第二函数和巴斯扩散模型,建立生命周期模型。此处,可以将上述第一函数、第二函数与现有的巴斯扩散模型相结合,得到改进的巴斯扩散模型,将该改进的巴斯扩散模型作为用于表征产品的生命周期曲线的生命周期模型。需要说明的是,此处的生命周期模型的建立方法已在步骤303中详细阐述,此处不再赘述。
由此,得到目标产品的生命周期曲线之后,可以实现基于该生命周期曲线,在该目标产品上线后,确定该目标产品处于生命周期的哪个阶段、之后将有怎样的走势等,为精确地选取补货、促销等活动的合适时间点提供有力帮助,还可以结合对该目标产品的销量的预测,对该产品的市场表现进行评估。
继续参见图4,图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中,电子商务平台中用于对产品进行管理的后台服务器首先从待上架的新产品的产品信息401中提取特征信息402;而后,将该特征信息402输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的、以向量形式表示的参数信息403;最后,基于所得到的参数信息403,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线404。
本申请的上述实施例提供的方法,通过从目标产品的产品信息中提取特征信息,而后将该特征信息输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的参数信息,最后基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线,从而可以基于产品的产品信息、参数信息预测模型和生命周期模型自动生成生命周期曲线,相较于根据采销人员的主观经验而人为确定生命周期等现有方式,提高了生成的生命周期曲线的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于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5所示,本实施例上述的用于生成信息的装置500包括:第一提取单元501,配置用于从目标产品的产品信息中提取特征信息;输入单元502,配置用于将上述特征信息输入预先训练的参数信息预测模型,得到上述目标产品的生命周期曲线的参数信息,其中,上述参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系;生成单元503,配置用于基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成上述目标产品的生命周期曲线,其中,上述生命周期模型用于表征产品的生命周期曲线。
在本实施例的一些可选的实现方式中,该装置还可以包括第二提取单元和第三提取单元(图中未示出)。其中,上述第二提取单元可以配置用于提取预先生成的训练样本,其中,上述训练样本包括多个指定产品的产品信息和生命周期曲线的参数信息。上述第三提取单元可以配置用于从各个指定产品的产品信息中提取特征信息;训练单元,配置用于利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。
在本实施例的一些可选的实现方式中,该装置还可以包括第一建立单元、第二建立单元和第三建立单元(图中未示出)。其中,上述第一建立单元可以配置用于建立用于表征产品的目标属性的值随时间变化的第一函数。上述第二建立单元可以配置用于建立用于表征产品的上述目标属性的值与需求弹性的关系的第二函数。上述第三建立单元可以配置用于基于上述第一函数、上述第二函数和巴斯扩散模型,建立生命周期模型。
在本实施例的一些可选的实现方式中,该装置还可以包括第四提取单元、选取单元、拟合单元和汇总单元(图中未示出)。其中,上述第四提取单元可以配置用于提取多个产品的运营数据,其中,上述多个产品中的每一个产品的运营数据包括该产品的目标属性的值、上述目标属性的值对应的时间、该产品的销量值。上述选取单元可以配置用于从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理。上述拟合单元可以配置用于对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合上述第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入上述生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入上述生命周期模型,拟合该产品的生命周期曲线。上述汇总单元可以配置用于对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
在本实施例的一些可选的实现方式中,上述汇总单元可以进一步配置用于对于拟合出的每一个生命周期曲线,确定上述生命周期曲线对应的至少一个目标时间点;确定上述至少一个目标时间点中的各个目标时间点对应的销量值;确定拟合该生命周期曲线所使用的运营数据的数量;对目标时间点的大小关系、目标时间点对应的销量值的大小关系和上述数量分别进行校验。
在本实施例的一些可选的实现方式中,上述汇总单元可以进一步配置用于对于拟合出的每一个生命周期曲线,对该生命周期曲线的拟合优度和平均绝对误差进行校验。
本申请的上述实施例提供的装置,通过第一提取单元501从目标产品的产品信息中提取特征信息,而后输入单元502将该特征信息输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的参数信息,最后生成单元503基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线,从而可以基于产品的产品信息、参数信息预测模型和生命周期模型自动生成生命周期曲线,相较于根据采销人员的主观经验而人为确定生命周期等现有方式,提高了生成的生命周期曲线的准确性。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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、输入单元和生成单元。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“从目标产品的产品信息中提取特征信息的单元”。
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:从目标产品的产品信息中提取特征信息;将该特征信息输入预先训练的参数信息预测模型,得到该目标产品的生命周期曲线的参数信息;基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成该目标产品的生命周期曲线。
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)
1.一种用于生成信息的方法,包括:
从目标产品的产品信息中提取特征信息;
将所述特征信息输入预先训练的参数信息预测模型,得到所述目标产品的生命周期曲线的参数信息,其中,所述参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系;
基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成所述目标产品的生命周期曲线,其中,所述生命周期模型用于表征产品的生命周期曲线。
2.根据权利要求1所述的用于生成信息的方法,其中,所述参数信息预测模型通过如下步骤训练得到:
提取预先生成的训练样本,其中,所述训练样本包括多个指定产品的产品信息和生命周期曲线的参数信息;
从各个指定产品的产品信息中提取特征信息;
利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。
3.根据权利要求2所述的用于生成信息的方法,其中,所述生命周期模型通过如下步骤建立:
建立用于表征产品的目标属性的值随时间变化的第一函数;
建立用于表征产品的所述目标属性的值与需求弹性的关系的第二函数;
基于所述第一函数、所述第二函数和巴斯扩散模型,建立生命周期模型。
4.根据权利要求3所述的用于生成信息的方法,其中,所述训练样本通过如下步骤生成:
提取多个产品的运营数据,其中,所述多个产品中的每一个产品的运营数据包括该产品的目标属性的值、所述目标属性的值对应的时间、该产品的销量值;
从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理;
对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合所述第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入所述生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入所述生命周期模型,拟合该产品的生命周期曲线;
对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
5.根据权利要求4所述的用于生成信息的方法,其中,所述对拟合出的生命周期曲线进行校验,包括:
对于拟合出的每一个生命周期曲线,确定所述生命周期曲线对应的至少一个目标时间点;确定所述至少一个目标时间点中的各个目标时间点对应的销量值;确定拟合该生命周期曲线所使用的运营数据的数量;对目标时间点的大小关系、目标时间点对应的销量值的大小关系和所述数量分别进行校验。
6.根据权利要求4或5所述的用于生成信息的方法,其中,所述对拟合出的生命周期曲线进行校验,包括:
对于拟合出的每一个生命周期曲线,对该生命周期曲线的拟合优度和平均绝对误差进行校验。
7.一种用于生成信息的装置,包括:
第一提取单元,配置用于从目标产品的产品信息中提取特征信息;
输入单元,配置用于将所述特征信息输入预先训练的参数信息预测模型,得到所述目标产品的生命周期曲线的参数信息,其中,所述参数信息预测模型用于表征特征信息与生命周期曲线的参数信息的对应关系;
生成单元,配置用于基于所得到的参数信息,确定预先建立的生命周期模型的参数的值,生成所述目标产品的生命周期曲线,其中,所述生命周期模型用于表征产品的生命周期曲线。
8.根据权利要求7所述的用于生成信息的装置,其中,所述装置还包括:
第二提取单元,配置用于提取预先生成的训练样本,其中,所述训练样本包括多个指定产品的产品信息和生命周期曲线的参数信息;
第三提取单元,配置用于从各个指定产品的产品信息中提取特征信息;
训练单元,配置用于利用机器学习方法,将从每一个指定产品的产品信息中所提取的特征信息作为输入,将该指定产品的生命周期曲线的参数信息作为输出,训练得到参数信息预测模型。
9.根据权利要求8所述的用于生成信息的装置,其中,所述装置还包括:
第一建立单元,配置用于建立用于表征产品的目标属性的值随时间变化的第一函数;
第二建立单元,配置用于建立用于表征产品的所述目标属性的值与需求弹性的关系的第二函数;
第三建立单元,配置用于基于所述第一函数、所述第二函数和巴斯扩散模型,建立生命周期模型。
10.根据权利要求9所述的用于生成信息的装置,其中,所述装置还包括:
第四提取单元,配置用于提取多个产品的运营数据,其中,所述多个产品中的每一个产品的运营数据包括该产品的目标属性的值、所述目标属性的值对应的时间、该产品的销量值;
选取单元,配置用于从所提取的运营数据中选取目标属性的值在目标范围内的运营数据,对所选取的运营数据中的销量值进行缩尾处理和平滑处理;
拟合单元,配置用于对于所选取的运营数据所涉及的每一个产品,基于该产品的目标属性的值和该产品的目标属性的值对应的时间,拟合所述第一函数;将该产品的运营数据按照时间区间进行划分;将所拟合的第一函数的参数的值代入所述生命周期模型,分别将划分后的各个时间区间的该产品的销量值代入所述生命周期模型,拟合该产品的生命周期曲线;
汇总单元,配置用于对拟合出的生命周期曲线进行校验,将校验通过的产品作为指定产品,将每一个指定产品的生命周期曲线的参数的值汇总为该指定产品的生命周期曲线的参数信息,将各个指定产品的生命周期曲线的参数信息和各个指定产品的产品信息汇总为训练样本。
11.根据权利要求10所述的用于生成信息的装置,其中,所述汇总单元进一步配置用于:
对于拟合出的每一个生命周期曲线,确定所述生命周期曲线对应的至少一个目标时间点;确定所述至少一个目标时间点中的各个目标时间点对应的销量值;确定拟合该生命周期曲线所使用的运营数据的数量;对目标时间点的大小关系、目标时间点对应的销量值的大小关系和所述数量分别进行校验。
12.根据权利要求10或11所述的用于生成信息的装置,其中,所述汇总单元进一步配置用于:
对于拟合出的每一个生命周期曲线,对该生命周期曲线的拟合优度和平均绝对误差进行校验。
13.一种电子设备,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 |
---|---|---|---|
CN201810157415.8A CN110197382A (zh) | 2018-02-24 | 2018-02-24 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810157415.8A CN110197382A (zh) | 2018-02-24 | 2018-02-24 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197382A true CN110197382A (zh) | 2019-09-03 |
Family
ID=67744036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810157415.8A Pending CN110197382A (zh) | 2018-02-24 | 2018-02-24 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197382A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
US20150254686A1 (en) * | 2014-03-05 | 2015-09-10 | International Business Machines Corporation | End of Life Product Planning |
CN106408217A (zh) * | 2016-11-10 | 2017-02-15 | 北京京东金融科技控股有限公司 | 一种产品生命周期的识别方法和装置 |
CN106897904A (zh) * | 2017-02-24 | 2017-06-27 | 北京金山安全软件有限公司 | 产品生命周期建模方法、装置及电子设备 |
CN106910089A (zh) * | 2017-02-20 | 2017-06-30 | 四川大学 | 一种鞋类产品生命周期的预测方法及预测系统 |
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
-
2018
- 2018-02-24 CN CN201810157415.8A patent/CN110197382A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
US20150254686A1 (en) * | 2014-03-05 | 2015-09-10 | International Business Machines Corporation | End of Life Product Planning |
CN106408217A (zh) * | 2016-11-10 | 2017-02-15 | 北京京东金融科技控股有限公司 | 一种产品生命周期的识别方法和装置 |
CN106910089A (zh) * | 2017-02-20 | 2017-06-30 | 四川大学 | 一种鞋类产品生命周期的预测方法及预测系统 |
CN106897904A (zh) * | 2017-02-24 | 2017-06-27 | 北京金山安全软件有限公司 | 产品生命周期建模方法、装置及电子设备 |
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330445A (zh) | 用户属性的预测方法和装置 | |
CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
CN107465741A (zh) | 信息推送方法和装置 | |
CN108989882A (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN109872796A (zh) | 一种菜谱推荐方法和装置 | |
CN110084627A (zh) | 预测目标变量的方法和装置 | |
CN110400184A (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 | |
CN110020162A (zh) | 用户识别方法和装置 | |
CN110263255A (zh) | 用户属性信息的获取方法、系统、服务器及存储介质 | |
CN110110226A (zh) | 一种推荐算法、推荐系统及终端设备 | |
CN109961299A (zh) | 数据分析的方法和装置 | |
CN109101309A (zh) | 用于更新用户界面方法和装置 | |
CN110473042A (zh) | 用于获取信息的方法及装置 | |
WO2014099571A1 (en) | Systems and methods for rule-based animated content optimization | |
CN108509041A (zh) | 用于执行操作的方法和装置 | |
CN110019425A (zh) | 一种数据展示的方法和装置 | |
CN109934523A (zh) | 信息处理方法和装置 | |
CN110197317A (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
CN110197382A (zh) | 用于生成信息的方法和装置 | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN108805867A (zh) | 用于输出烟叶等级信息的方法和装置 | |
CN109255563A (zh) | 物品的储位区域的确定方法和装置 | |
CN109961161B (zh) | 商品管理方法、系统、电子设备及计算机可读介质 |
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 |