CN110276495A - 基于人工智能的商品订购方法、装置、计算机和存储介质 - Google Patents
基于人工智能的商品订购方法、装置、计算机和存储介质 Download PDFInfo
- Publication number
- CN110276495A CN110276495A CN201910561434.1A CN201910561434A CN110276495A CN 110276495 A CN110276495 A CN 110276495A CN 201910561434 A CN201910561434 A CN 201910561434A CN 110276495 A CN110276495 A CN 110276495A
- Authority
- CN
- China
- Prior art keywords
- end article
- user
- data
- historical data
- raw material
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于人工智能的商品订购方法、装置、计算机和存储介质。该方法包括：获取用户的行为历史数据；解析行为历史数据，获得用户的特征向量；获取目标商品的特征信息；将用户的特征向量以及目标商品的特征信息导入概率预测模型中计算，得到预测概率；根据预测概率计算得到目标商品的需求量。通过将用户的特征向量和目标商品的特征信息导入至预测模型中，计算得到目标商品的需求量，使得商家能够根据目标商品的需求量进行商品的备货，根据目标商品的需求量进行原料的采购和订单，有效提高了目标商品的需求量精度，避免商家对需求较少的商品进行大量备货以及原料采购，使得商家的备货成本下降。
Description
技术领域
本申请涉及商品订购技术领域，特别是涉及一种商品订购方法、装置、计算机和存储介质。
背景技术
随着互联网的高速的发展，尤其是移动互联网的高速发展，移动互联网的各种应用极大丰富了人们的业余生活。人们可以足不出户地进行购物、娱乐和消费。
不同地区的不同用户群体的购买需求不同。商家生产商品时，需要为不同的用户地区的不同用户群体备货。因此，往往商家需要对各类商品都进行大量备货，以避免商品的货源不充足的情况。然而，这种大量备货的做法却导致了商家的生产成本较高，商家需要为商品采购较多的原料，并且，对于一些需求量不高的商品，如果也大量备货，将会导致商家的商品积压，进而影响商家的资金回流，造成商家的资金压力较大。传统的供需关系无法满足商家的需求，无法精确地让商家根据商品需求合理地采购原料。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能的商品订购方法、装置、计算机和存储介质。
一种基于人工智能的商品订购方法，所述方法包括：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
在其中一个实施例中，所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
在其中一个实施例中，所述获取用户的行为历史数据的步骤之后还包括：
获取目标商品；
基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据；
所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
在其中一个实施例中，还包括步骤：
获取所述目标商品的历史数据；
解析所述目标商品的历史数据，获得原料数据和生产时间数据；
所述根据所述预测概率计算得到目标商品的需求量的步骤之后还包括：
根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
在其中一个实施例中，所述根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据的步骤之后还包括：
根据所述原料需求量和所述生产时间数据生成订单。
在其中一个实施例中，所述解析所述目标商品的历史数据，获得原料数据和生产时间数据的步骤包括：
基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
在其中一个实施例中，还包括步骤：
获取原料数据；
将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式；
所述根据所述原料需求量和所述生产时间数据生成订单的步骤包括：
根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
一种基于人工智能的商品订购装置，其特征在于，所述装置包括：
行为历史数据获取模块，用于获取用户的行为历史数据；
特征向量获取模块，用于解析所述行为历史数据，获得用户的特征向量；
特征信息获取模块，用于获取目标商品的特征信息；
预测概率模块，用于将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
需求量计算模块，用于根据所述预测概率计算得到目标商品的需求量。
一种计算机，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计算机程序时实现以下步骤：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
上述基于人工智能的商品订购方法、装置、计算机和存储介质，通过用户的行为历史数据解析获得用户的特征向量，通过将用户的特征向量和目标商品的特征信息导入至预测模型中，计算得到目标商品的需求量，从而使得商家能够根据目标商品的需求量进行商品的备货，以及根据目标商品的需求量进行原料的采购和订单，有效提高了目标商品的需求量精度，避免商家对需求较少的商品进行大量备货以及原料采购，使得商家的备货成本下降。
附图说明
图1为一个实施例中基于人工智能的商品订购方法的应用环境图；
图2为一个实施例中基于人工智能的商品订购方法的流程示意图；
图3为一个实施例中基于人工智能的商品订购装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于人工智能的商品订购方法，可以应用于如图1所示的应用环境中。其中，终端102通过与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102上安装互联网应用程序，用户通过终端102上的互联网应用程序进行操作，该操作即为用户行为，并且用户通过终端102上的互联网应用程序操作并且访问服务器104，实现商品的购买，服务器104通过与终端102通信，获取用户的行为历史数据；解析所述行为历史数据，获得用户的特征向量；获取目标商品的特征信息；将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；根据所述预测概率计算得到目标商品的需求量。
在一个实施例中，如图2所示，提供了一种基于人工智能的商品订购方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤210，获取用户的行为历史数据。
具体地，该行为历史数据即用户行为的历史数据，该行为历史数据也可以称为历史行为数据。该用户行为即用户在终端上对商品信息的浏览、收藏、转发，对商品的付款、购买等操作，而该行为历史数据则是用户的多个历史的用户行为的集合。
本步骤中，获取大量的用户的行为历史数据，比如，获取多个用户的行为历史数据，又如，获取一个用户的多个行为历史数据。由于用户在一段时间内将多次登录进行购买等操作，那么，将会产生多个用户行为，从而被采集记录为行为历史数据。
步骤220，解析所述行为历史数据，获得用户的特征向量。
本实施例中，用户为商品采购的平台的用户，即用户为在商品采购平台进行商品采购的所有的用户。具体地，用户的特征向量也可以称为用户的多维特征，或者称之为用户的特征信息。本实施例中，获取一个用户的大量的行为历史数据后，通过对该用户大量的行为历史数据进行解析，获得该用户的特征向量，该用户的特征向量用于表现用户浏览商品信息的特征、购买商品的特征，比如，购买的商品的价格、购买的商品的种类、购买的商品的型号、购买的商品的品牌。通过用户的特征向量，能够明确用户的购买商品的倾向。
步骤230，获取目标商品特征信息。
本实施例中，获取目标商品，进而获取目标商品的特征信息。一个实施例是，获取目标商品的信息，解析所述目标商品的信息，获取目标商品的特征信息。目标商品的特征信息也可以称为目标商品的特征。值得一提的是，目标商品的信息包括商品的种类、型号、品牌、价格、生产日期、生产批次、有效期、尺寸、毛重、净重、颜色等信息，应该理解的是，目标商品的信息不限于上述的信息，针对商品的种类的不同，目标商品的特征信息还可以包括其他信息，比如，当商品的种类为家用电器时，该商品的特征信息还包括额定功率，比如，当商品的种类为塑料时，该商品的特征信息还包括材质。
应该理解的是，目标商品的特征信息与用户的特征向量为相同属性的字段，目标商品的特征信息与用户的特征向量具有相同属性。例如，目标商品的特征信息中的商品价格能够与用户的特征向量中的购买价格对应，目标商品的特征信息中的商品种类能够与用户的特征向量中的购买商品的种类对应。因此，目标商品的特征信息与用户的特征向量能够进行相互匹配。
步骤240，将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率。
本步骤中，将所述用户的特征向量以及所述目标商品的特征信息输入至已构建的概率预测模型中进行计算，得到预测概率。该预测概率为用户购买某个商品的概率。该概率预测模型为深度神经网络模型。本实施例中，预先构建一个深度神经网络(DNN，DeepNeural Network)模型，利用大量的样本数据对构建的深度神经网络模型进行训练，训练完成后可以得到一个训练好的深度神经网络模型。该样本数据即为用户的行为历史数据。由于用户的特征向量包含了用户的个人特征和行为的特征，个人特征包括职业、年龄、性别，行为特征包括已购买的商品的种类、价格、型号等，这样，通过该概率预测模型的预测，即可得到用户的特征向量与目标商品的特征信息的匹配度，进而预测得到该用户购买目标商品的概率。
值得一提的是，构建深度神经网络模型可采用现有技术实现，并且该深度神经网络模型的架构也可以采用现有技术。比如，该深度神经网络模型可采用如中国专利201611228253.X中公开的方式进行构建，且该深度神经网络模型的结构也可采用如中国专利201611228253.X中公开的架构。本实施例中对此不累赘描述。
具体地，该构建的深度神经网络模型能够对用户的特征向量以及所述目标商品的特征信息的匹配度进行预测，从而计算得到每个目标商品的预测概率。该预测概率即为用户购买目标商品的概率，进而使得用户购买目标商品的概率也能够被计算得到。
步骤250，根据所述预测概率计算得到目标商品的需求量。
具体地，通过用户购买目标商品的预测概率，能够计算得到目标商品的需求量。例如，根据预测概率与用户购买商品的数量的乘积，计算得到单个用户购买的商品的期望值，根据每个用户购买的商品的期望值之和计算得到平台用户的购买需求量，从而计算得到目标商品的需求量。通过计算得到目标商品的需求量，即可使得商家能够获得每个商品的需求量，进而根据商品的需求量精确获得原料数量和商品备货的数量，准确地进行原料的采购以及商品的生产，避免商家对需求较少的商品进行大量备货以及原料采购，使得商家的备货成本下降。
例如，根据单个用户的预测概率，计算获得多个用户的平均预测概率，根据平均预测概率与用户数量的乘积，计算得到目标商品的需求量。具体地，采集具有代表性的部分用户数据，所述代表性特征包括年龄、性别、注册账户时间等用户账户的基本信息特征，其中，代表性的用户数据为符合预设规则的用户数据。将其中单个用户的历史行为信息导入用户模型，获取用户的特征向量，将用户的特征向量和目标商品的特征信息导入深度神经网络模型预测当前用户购买目标商品的预测数量和预测概率，通过用户购买目标商品的预测数量和预测概率的乘积，计算得到用户购买目标商品的期望值，以此预测具有代表性的部分用户中的每个用户的期望值，将所述具有代表性的部分用户中的每个用户的期望值相加之和除以所述具有代表性的部分用户的数量得到平均预测概率。在得到平均预测概率之后，计算平均预测概率与用户总数量的乘积，即可得到目标商品的需求量。
上述实施例中，通过用户的行为历史数据解析获得用户的特征向量，通过将用户的特征向量和目标商品的特征信息导入至预测模型中，计算得到目标商品的需求量，从而使得商家能够根据目标商品的需求量进行商品的备货，以及根据目标商品的需求量进行原料的采购和订单，有效提高了目标商品的需求量精度，避免商家对需求较少的商品进行大量备货以及原料采购，使得商家的备货成本下降，减小了商家的资金压力。
在一个实施例中，所述解析所述行为历史数据，获得用户的特征向量的步骤包括：将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
具体地，该用户模型为基于用户行为进行训练获得的模型，该用户模型为预先训练得到的。通过该用户模型对用户行为的学习，能够得到用户的特征向量。该特征向量包括用户行为的特征和用户的个人特征，比如，该用户行为的特征用户购买商品的价格、用户购买商品的频率、用户浏览的商品种类、用户收藏的商品种类、收藏的商品品牌。用户的个人特征包括用户的年龄、性别、职业、所在地理位置等。该用户的特征向量为构成用户行为的主要因素，根据该特征向量，能够获得用户的对商品的购买的倾向和概率。
为了得到更为准确的与目标商品相关的用户的行为历史数据，在一个实施例中，所述获取用户的行为历史数据的步骤之后还包括：获取目标商品；基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据。本实施例中，所述解析所述行为历史数据，获得用户的特征向量的步骤包括：解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
本实施例中，获取目标商品，基于所述目标商品，对所述用户的历史数据进行过滤，剔除与所述目标商品不相关的行为历史数据，获得与所述目标商品相关的行为历史数据。
也就是说，本实施例中，对用户的历史行为数据进行初步的过滤，过滤方式为用户历史行为数据中未涉及到目标商品或未涉及与目标商品关联的其他商品的行为信息将被剔除，这样，用户的历史行为数据中仅保留了与目标商品相关的行为历史数据，这样，能够减小对用户的特征向量的解析的计算量，并且提高了对用户的特征向量的解析效率和解析精度。此外，能够有效提高用户的历史行为数据精度，以提高预测概率的计算精度。
为了实现用户的行为历史数据的过滤，在一个实施例中，获取目标商品的信息，解析所述目标商品的信息，获取目标商品的特征信息，解析所述行为历史数据，获得用户的特征向量，基于所述目标商品的特征信息和用户的特征向量，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据，剔除与所述目标商品不相关的行为历史数据。
本实施例中，通过目标商品的特征信息和用户的特征向量的匹配程度，来判断用户的行为历史数据与目标商品是否相关，并且还能够判断用户的行为历史数据与目标商品关联的其他商品是否相关，从而获得与目标商品相关的行为历史数据。值得一提的是，当用户的特征向量与目标商品的特征信息匹配时，表明用户曾经收藏、浏览或者购买该目标商品，因此，该用户的这一用户行为与目标商品相关，而由于同类产品有多个型号或者多个的细分种类产品，因此，目标商品具有关联的其他商品，这些关联的其他商品与目标商品为同类产品或者为细分种类产品，或者在某一特征上具有相同属性，因此，也能够判断该用户的用户行为与目标商品的关联的其他商品相关。这样，通过比较目标商品的特征信息和用户的特征向量的匹配程度，即可判定用户的行为历史数据与目标商品是否相关。一个实施例是，对比目标商品的多个特征信息和用户的多个特征向量的匹配的个数是否大于预设个数，是则判定用户的特征向量对应的行为历史数据与目标商品相关，一个实施例是，对比目标商品的特征信息和用户的特征向量的差值比是否小于预设阈值，是则判定用户的特征向量对应的行为历史数据与目标商品相关。
为了精确获得商品备货所需的原料的数量和生产制程，在一个实施例中，基于人工智能的商品订购方法还包括步骤：获取所述目标商品的历史数据；解析所述目标商品的历史数据，获得原料数据和生产时间数据。本实施例中，所述根据所述预测概率计算得到目标商品的需求量的步骤之后还包括：根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
具体地，该生产制程即生产时间数据，为商品由原料采购到生产至出厂的时间，该时间包括起始时间和出厂时间。通过该生产时间数据，可获知商品的生产的起始时间和出厂时间，并且根据该起始时间能够获知原料的采购时间。而该原料数据包括但不限于原料的种类、原料的型号、原料的数量、预测的原料的价格和预测的原料的供求关系。
该目标商品的历史数据包括目标商品的历史销售数据和历史生产数据，历史销售数据包括销售数量、销售时长、库存时长、运输时长以及销售价格；历史生产数据包括但不限于生产周期、原料的种类、原料的型号、原料的数量、原料的价格和原料的供求关系。值得一提的是，原料的供求关系为过往原料在供需两端的量，并且该原料的供求关系为供求两端随时间变化的量，原料的供求关系可在一段时间内反映出市场中对该原料的供应和需求情况，进而可根据该原料的供求关系做出预测。这样，通过目标商品的大量的历史数据，即可解析获得目标商品生产所需的原料数据和生产时间数据，根据原料数据和生产时间数据，使得解析获得的原料价格和原料数量能够适应预测的原料的供求关系，以使得在原料价格较低的情况下，在符合生产时间数据的情况下，采购更多的原料数量，从而降低成本，并且提高生产效率。
也就是说，根据目标商品的历史数据，能够解析获得对该目标商品的原料数据和生产时间数据的预测，比如，获得预测的原料的价格、预测的原料的供求关系，以及预测的排产数据。
为了精确获得原料数据和生产时间数据，在一个实施例中，所述解析所述目标商品的历史数据，获得原料数据和生产时间数据的步骤包括：基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
具体地，该生产数据库为记录生产商品所需的原料、原料用量、生产过程中所需的工艺数据的数据库。一个实施例是，该生产数据库为ERP((Enterprise ResourcePlanning，企业资源计划)系统的数据库。通过访问读取该生产数据库，即可获得目标商品的历史数据，解析从生产数据库中获得的目标商品的历史数据，即可获得原料数据和生产时间数据。
值得一提的是，每种新的商品品类都会在ERP系统里面建立它的生产工艺数据，即每种商品品类的每个规格需要各原料的单位用量、以及目标商品的历史生产数据，在商品工艺模型中匹配到对应的工艺数据均存储在生产数据库中。如目标商品是新的商品品类，则依据商品生产工艺用量建立该品类的工艺数据，存储在生产数据库中。通过读取生产数据库中的数据，即可获得目标商品的原料用量生产时间数据。
在一个实施例中，所述根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据的步骤之后还包括：根据所述原料需求量和所述生产时间数据生成订单。
本实施例中，订单包括原料需求量和生产时间数据。具体地，该订单为用于指导生产和原料订购的货单，商家通过该订单内的信息，能够清楚获知原料的采购时间、采购数量、采购价格等。这样，商家通过订单能够准确的进行原料的采购和备货，以及指导商品的生产，避免造成原料的浪费，避免造成商品的过多的囤积备货，从而有效提高了商家对商品的备货精度，降低商家的成本。通过该目标商品的需求量和所述原料数据能够计算得到所需的原料的数量，根据原料数据和所述生产时间数据，能够计算得到原料的采购时间和成本。从而通过该订单能够准确采购原料。
在一个实施例中，基于人工智能的商品订购方法还包括步骤：获取原料数据；将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式。本实施例中，所述根据所述原料需求量和所述生产时间数据生成订单的步骤包括：根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
具体地，原料行情模型为深度神经网络模型。本实施例中，预先构建一个原料行情模型，利用大量的样本数据对构建的原料行情模型进行训练，训练完成后可以得到一个训练好的深度神经网络模型。该样本数据即为原料数据。
本实施例中，订单包括原料需求量、生产时间数据以及原料价格与时间的函数式。具体地，该以及原料价格与时间的函数式为用于反映原料价格与时间的关系的函数式，即该函数式为原料价格随时间变化的特性，用于反映原料价格在未来一段时间内的变化趋势，由于历史生产数据包括了原料的供求关系，因此，根据历史生产数据可预测出未来一段时间里的原料的供求关系，进而预测原料价格在未来一段时间内的变化趋势。由于生成的订单包括原料价格与时间的函数式，通过该以及原料价格与时间的函数式，即可获知在原料价格较低的时间点，结合商品的生产时间数据，找到适合采购原料的时间点，一方面降低原料的采购成本，另一方面，能够避免对生产排期造成影响，有效提高商品的生产效率，并提高商品的销售量。
在一个实施例中，在一个实施例中，所述解析所述目标商品的历史数据，获得原料数据和生产时间数据的步骤包括：将所述目标商品的历史数据导入至商品模型进行解析，获得原料数据和生产时间数据。
具体地，该商品模型为深度神经网络模型。本实施例中，预先构建一个商品模型，利用大量的样本数据对构建的商品模型进行训练，训练完成后可以得到一个训练好的深度神经网络模型。该样本数据即为原料数据和生产时间数据。本实施例中，预先通过大量的原料数据和生产时间数据训练，获得商品模型，这样，将目标商品的历史数据导入至该商品模型，即可解析获得原料数据和生产时间数据。
值得一提的是，上述实施例中的用户模型、商品模型和原料行情模型均可通过大量样本数据训练得到。
一个实施例是，将用户的行为历史数据导入至初始用户模型中，训练得到的用户模型。这样，该用户模型即可用于后续对用户的行为历史数据的解析，获得用户的特征向量。值得一提的是，随着用户的持续浏览、购买商品，用户的行为历史数据将会得到不断更新，而更新后的用户的行为历史数据也将导入至用户模型再次训练，使得用户模型能够持续校正或者更新。一个实施例是，将商品的历史销售数据和历史生产数据导入至初始商品模型中，训练得到的商品模型。这样，该商品模型即可用于后续对目标商品的解析，获得目标商品的原料数据和生产时间数据。随着商品的持续销售，商品的历史销售数据和历史生产数据将会得到不断更新，而更新后的历史销售数据和历史生产数据也将导入至商品模型再次训练，使得商品模型能够持续校正或者更新。
一个实施例是，将原料数据导入至初始用户模型中，训练得到的原料行情模型。这样，该原料行情模型即可用于后续对原料数据的解析，获得目标商品的原料价格与时间的函数式。值得一提的是，随着商品的持续生成，商品的原料数据将会得到不断更新，而更新后的原料数据也将导入至原料模型再次训练，使得原料模型能够持续校正或者更新。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
值得一提的是，各实施例中，基于人工智能的商品订购方法也可以称为商品订购方法，基于人工智能的商品订购装置也可以称为商品订购装置。
在一个实施例中，如图3所示，提供了一种基于人工智能的商品订购装置，包括：
行为历史数据获取模块310，用于获取用户的行为历史数据；
特征向量获取模块320，用于解析所述行为历史数据，获得用户的特征向量；
特征信息获取模块330，用于获取目标商品的特征信息；
预测概率模块340，用于将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
需求量计算模块350，用于根据所述预测概率计算得到目标商品的需求量。
在一个实施例中，特征向量获取模块还用于将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
在一个实施例中，基于人工智能的商品订购装置还包括：
目标商品获取模块，用于获取目标商品；
过滤模块，用于基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据；
所述特征向量获取模块还用于解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
在一个实施例中，基于人工智能的商品订购装置还包括：
商品历史数据获取模块，用于获取所述目标商品的历史数据；
商品历史数据解析模块，用于解析所述目标商品的历史数据，获得原料数据和生产时间数据；
需求量计算模块，用于根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
在一个实施例中，基于人工智能的商品订购装置还包括：
订单生成模块，用于根据所述原料需求量和所述生产时间数据生成订单。
在一个实施例中，商品历史数据解析模块还用于基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
在一个实施例中，基于人工智能的商品订购装置还包括：
原料数据获取模块，用于获取原料数据；
函数式获取模块，用于将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式；
订单生成模块还用于根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
关于信息推送装置的具体限定可以参见上文中对于商品订购方法的限定，在此不再赘述。上述信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备即计算机，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户模型、深度神经网络模型和推送消息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品订购方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标商品；
基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据；
所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述目标商品的历史数据；
解析所述目标商品的历史数据，获得原料数据和生产时间数据；
所述根据所述预测概率计算得到目标商品的需求量的步骤之后还包括：
根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述原料需求量和所述生产时间数据生成订单。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取原料数据；
将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式；
所述根据所述原料需求量和所述生产时间数据生成订单的步骤包括：
根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取目标商品；
基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据；
所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述目标商品的历史数据；
解析所述目标商品的历史数据，获得原料数据和生产时间数据；
所述根据所述预测概率计算得到目标商品的需求量的步骤之后还包括：
根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述原料需求量和所述生产时间数据生成订单。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取原料数据；
将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式；
所述根据所述原料需求量和所述生产时间数据生成订单的步骤包括：
根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的商品订购方法，所述方法包括：
获取用户的行为历史数据；
解析所述行为历史数据，获得用户的特征向量；
获取目标商品的特征信息；
将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
根据所述预测概率计算得到目标商品的需求量。
2.根据权利要求1所述的方法，其特征在于，所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
将所述行为历史数据导入至用户模型进行解析，获得所述用户的特征向量。
3.根据权利要求1所述的方法，其特征在于，所述获取用户的行为历史数据的步骤之后还包括：
获取目标商品；
基于所述目标商品，对所述用户的行为历史数据进行过滤，获得与所述目标商品相关的行为历史数据；
所述解析所述行为历史数据，获得用户的特征向量的步骤包括：
解析与所述目标商品相关的所述行为历史数据，获得用户的特征向量。
4.根据权利要求1所述的方法，其特征在于，还包括步骤：
获取所述目标商品的历史数据；
解析所述目标商品的历史数据，获得原料数据和生产时间数据；
所述根据所述预测概率计算得到目标商品的需求量的步骤之后还包括：
根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标商品的需求量、所述原料数据和所述生产时间数据，计算得到原料需求量和生产时间数据的步骤之后还包括：
根据所述原料需求量和所述生产时间数据生成订单。
6.根据权利要求4所述的方法，其特征在于，所述解析所述目标商品的历史数据，获得原料数据和生产时间数据的步骤包括：
基于生产数据库，获取所述目标商品的历史数据，解析所述目标商品的历史数据，获得原料数据和生产时间数据。
7.根据权利要求5所述的方法，其特征在于，还包括步骤：
获取原料数据；
将所述原料数据导入至原料行情模型进行解析，获得原料价格与时间的函数式；
所述根据所述原料需求量和所述生产时间数据生成订单的步骤包括：
根据所述原料需求量、所述生产时间数据以及原料价格与时间的函数式生成订单。
8.一种基于人工智能的商品订购装置，其特征在于，所述装置包括：
行为历史数据获取模块，用于获取用户的行为历史数据；
特征向量获取模块，用于解析所述行为历史数据，获得用户的特征向量；
特征信息获取模块，用于获取目标商品的特征信息；
预测概率模块，用于将所述用户的特征向量以及所述目标商品的特征信息导入概率预测模型中计算，得到预测概率；
需求量计算模块，用于根据所述预测概率计算得到目标商品的需求量。
9.一种计算机，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计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561434.1A CN110276495A (zh) | 2019-06-26 | 2019-06-26 | 基于人工智能的商品订购方法、装置、计算机和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561434.1A CN110276495A (zh) | 2019-06-26 | 2019-06-26 | 基于人工智能的商品订购方法、装置、计算机和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110276495A true CN110276495A (zh) | 2019-09-24 |
Family
ID=67963323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910561434.1A Pending CN110276495A (zh) | 2019-06-26 | 2019-06-26 | 基于人工智能的商品订购方法、装置、计算机和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276495A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659946A (zh) * | 2019-10-09 | 2020-01-07 | 成都九洲电子信息系统股份有限公司 | 一种产品采购量分析方法 |
| CN110910199A (zh) * | 2019-10-16 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 项目信息的排序方法、装置、计算机设备及存储介质 |
| CN110969481A (zh) * | 2019-11-26 | 2020-04-07 | 东莞市盟大塑化科技有限公司 | 产品数据预测方法、装置、计算机设备和存储介质 |
| CN111260444A (zh) * | 2020-01-16 | 2020-06-09 | 苏宁云计算有限公司 | 一种无货商品的下单方法、装置及计算机系统 |
| CN111415195A (zh) * | 2020-03-17 | 2020-07-14 | 京东数字科技控股有限公司 | 一种广告推荐方法、装置、终端设备及存储介质 |
| CN111783513A (zh) * | 2019-11-18 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 货物补充方法、装置和系统 |
| CN112990743A (zh) * | 2021-03-31 | 2021-06-18 | 珠海必要工业科技股份有限公司 | 一种用于确定商品的生产周期的方法、装置及存储介质 |
| CN113450042A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东乾石科技有限公司 | 一种确定补货量的方法和装置 |
| CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
| WO2022228426A1 (zh) * | 2021-04-27 | 2022-11-03 | 广州工商学院 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
| CN117495504A (zh) * | 2023-11-20 | 2024-02-02 | 广州市翎泷科技有限公司 | 数字商品的订单数据分析方法、系统、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278707A1 (en) * | 2013-03-12 | 2014-09-18 | Sap Ag | Commodity Procurement System |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN108428153A (zh) * | 2018-03-12 | 2018-08-21 | 上海哔哩哔哩科技有限公司 | 预售商品的策略调整方法、服务器及策略调整系统 |
| CN108764704A (zh) * | 2018-05-24 | 2018-11-06 | 浪潮软件集团有限公司 | 一种基于人工智能的货源分配的方法 |
| CN109919710A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 一种自动生成商品采购清单的方法、电子设备及存储介质 |
-
2019
- 2019-06-26 CN CN201910561434.1A patent/CN110276495A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278707A1 (en) * | 2013-03-12 | 2014-09-18 | Sap Ag | Commodity Procurement System |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN108428153A (zh) * | 2018-03-12 | 2018-08-21 | 上海哔哩哔哩科技有限公司 | 预售商品的策略调整方法、服务器及策略调整系统 |
| CN108764704A (zh) * | 2018-05-24 | 2018-11-06 | 浪潮软件集团有限公司 | 一种基于人工智能的货源分配的方法 |
| CN109919710A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 一种自动生成商品采购清单的方法、电子设备及存储介质 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659946A (zh) * | 2019-10-09 | 2020-01-07 | 成都九洲电子信息系统股份有限公司 | 一种产品采购量分析方法 |
| CN110659946B (zh) * | 2019-10-09 | 2023-07-21 | 成都九洲电子信息系统股份有限公司 | 一种产品采购量分析方法 |
| CN110910199A (zh) * | 2019-10-16 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 项目信息的排序方法、装置、计算机设备及存储介质 |
| CN110910199B (zh) * | 2019-10-16 | 2024-05-28 | 中国平安人寿保险股份有限公司 | 项目信息的排序方法、装置、计算机设备及存储介质 |
| CN111783513A (zh) * | 2019-11-18 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 货物补充方法、装置和系统 |
| CN110969481A (zh) * | 2019-11-26 | 2020-04-07 | 东莞市盟大塑化科技有限公司 | 产品数据预测方法、装置、计算机设备和存储介质 |
| CN110969481B (zh) * | 2019-11-26 | 2023-11-21 | 东莞盟大集团有限公司 | 产品数据预测方法、装置、计算机设备和存储介质 |
| CN111260444B (zh) * | 2020-01-16 | 2022-11-18 | 苏宁云计算有限公司 | 一种无货商品的下单方法、装置及计算机系统 |
| CN111260444A (zh) * | 2020-01-16 | 2020-06-09 | 苏宁云计算有限公司 | 一种无货商品的下单方法、装置及计算机系统 |
| CN111415195A (zh) * | 2020-03-17 | 2020-07-14 | 京东数字科技控股有限公司 | 一种广告推荐方法、装置、终端设备及存储介质 |
| CN111415195B (zh) * | 2020-03-17 | 2024-04-16 | 京东科技控股股份有限公司 | 一种广告推荐方法、装置、终端设备及存储介质 |
| CN113450042A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东乾石科技有限公司 | 一种确定补货量的方法和装置 |
| CN112990743B (zh) * | 2021-03-31 | 2024-04-09 | 珠海必要工业科技股份有限公司 | 一种用于确定商品的生产周期的方法、装置及存储介质 |
| CN112990743A (zh) * | 2021-03-31 | 2021-06-18 | 珠海必要工业科技股份有限公司 | 一种用于确定商品的生产周期的方法、装置及存储介质 |
| WO2022228426A1 (zh) * | 2021-04-27 | 2022-11-03 | 广州工商学院 | 基于人工智能和区块链的电商大数据物流供应链控制系统 |
| CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
| CN117495504A (zh) * | 2023-11-20 | 2024-02-02 | 广州市翎泷科技有限公司 | 数字商品的订单数据分析方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276495A (zh) | 基于人工智能的商品订购方法、装置、计算机和存储介质 | |
| CN109509054B (zh) | 海量数据下商品推荐方法、电子装置及存储介质 | |
| Mousavi et al. | A modified particle swarm optimization for solving the integrated location and inventory control problems in a two-echelon supply chain network | |
| Wu | Quantity flexibility contracts under Bayesian updating | |
| JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
| CN108230057A (zh) | 一种智能推荐方法及系统 | |
| CN108416625A (zh) | 营销产品的推荐方法和装置 | |
| Ghasemy Yaghin et al. | Enhanced joint pricing and lotsizing problem in a two-echelon supply chain with logit demand function | |
| CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
| CN107332910A (zh) | 信息推送方法和装置 | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| CN109300003A (zh) | 企业推荐方法、装置、计算机设备和存储介质 | |
| Wu et al. | Optimal manufacturing and delivery schedules in a supply chain system of deteriorating items | |
| CN112148973A (zh) | 一种信息推送的数据处理方法及装置 | |
| CN114757630B (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
| CN104915440A (zh) | 一种商品排重方法和系统 | |
| US20220414579A1 (en) | Salesperson evaluation apparatus, salesperson evaluation method, and salesperson evaluation program | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| CN113298546A (zh) | 销量预测方法及装置、商品处理方法及装置 | |
| CN111127074A (zh) | 一种数据推荐方法 | |
| CN109754104B (zh) | 应用人工智能优化企业供应链的方法、系统、设备及介质 | |
| Ravulapati et al. | A reinforcement learning approach to stochastic business games | |
| CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| Ekka et al. | Big data analytics tools and applications for modern business world | |
| CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190924 |