CN110378717B - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110378717B CN110378717B CN201810333595.0A CN201810333595A CN110378717B CN 110378717 B CN110378717 B CN 110378717B CN 201810333595 A CN201810333595 A CN 201810333595A CN 110378717 B CN110378717 B CN 110378717B
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- attribute value
- historical
- scoring
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 114
- 230000006870 function Effects 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000019993 champagne Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:获取目标物品的目标属性的属性值;将属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,操作预测模型用于基于输入的属性值对各个操作选项分别进行打分;输出第一打分值最大的操作选项。该实施方式实现了在输入属性值条件下的操作预测。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于输出信息的方法和装置。
背景技术
产品定价是企业,特别是零售企业最重要的决策之一。现行的定价策略中,主要由采销人员根据商品的销售情况和对未来销量的判断,依据经验对商品进行调价。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,该方法包括:获取目标物品的目标属性的属性值;将属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,操作预测模型用于基于输入的属性值对各个操作选项分别进行打分;输出第一打分值最大的操作选项。
在一些实施例中,操作预测模型通过以下步骤训练得到:获取多个训练样本,训练样本包括:目标属性的第一历史属性值、目标属性的第二历史属性值、第一历史属性值对应的操作选项、第一历史属性值对应的预设指标的历史值,其中,第二历史属性值是执行第一历史属性值对应的操作选项得到的;获取预先建立的第一神经网络和第二神经网络;利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型,其中,损失函数是基于第一神经网络的输出和第二神经网络的输出确定的。
在一些实施例中,利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型,包括:对于多个训练样本中的训练样本,将该训练样本的第一历史属性值作为第一神经网络的输入,得到第一神经网络基于第一历史属性值对至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为第二神经网络的输入,得到第二神经网络基于该训练样本的第二历史属性值对至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对第一神经网络和第二神经网络进行训练。
在一些实施例中,第一神经网络和第二神经的网络结构和初始参数相同。
在一些实施例中,预设指标包括以下至少一项:毛利润、成交总额。
第二方面,本申请实施例提供了一种用于输出信息的装置,该装置包括:获取单元,配置用于获取目标物品的目标属性的属性值;操作预测单元,配置用于将属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,操作预测模型用于基于输入的属性值对各个操作选项分别进行打分;输出单元,配置用于输出第一打分值最大的操作选项。
在一些实施例中,该装置还包括训练单元,配置用于:获取多个训练样本,训练样本包括:目标属性的第一历史属性值、目标属性的第二历史属性值、第一历史属性值对应的操作选项、第一历史属性值对应的预设指标的历史值,其中,第二历史属性值是执行第一历史属性值对应的操作选项得到的;获取预先建立的第一神经网络和第二神经网络;利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型,其中,损失函数是基于第一神经网络的输出和第二神经网络的输出确定的。
在一些实施例中,训练单元在利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型时,进一步配置用于:对于多个训练样本中的训练样本,将该训练样本的第一历史属性值作为第一神经网络的输入,得到第一神经网络基于第一历史属性值对至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为第二神经网络的输入,得到第二神经网络基于该训练样本的第二历史属性值对至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络作为操作预测模型。
在一些实施例中,第一神经网络和第二神经的网络结构和初始参数相同。
在一些实施例中,预设指标包括以下至少一项:毛利润、成交总额。
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;当上述一个或多个程序被上述一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,上述计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出信息的方法和装置,首先,获取目标物品的目标属性的属性值。之后,将该属性值输入预先训练的操作预测模型,得到在该属性值条件下,各个操作选项的第一打分值。最后,输出第一打分值最大的操作选项,实现了在该属性值条件下的操作预测。
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是本申请实施例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输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的一个应用场景的示意图;
图4是根据本申请的操作预测模型的训练的一个实施例的流程图;
图5是根据本申请的损失函数的一个实施例的构造流程图;
图6是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图7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实施例的用于输出信息的方法或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,例如将属性值发送至服务器105。终端设备101、102、103上可以安装有各种客户端应用,例如搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是支持属性值存储的各种电子设备,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,例如对终端设备101、102、103所发送的属性值进行处理的后台处理服务器。后台处理服务器可以对上述属性值进行各种处理。需要说明的是,本申请实施例所提供的用于输出信息的方法可以由服务器105执行,也可以由终端设备101、102、103执行。相应地,用于输出信息的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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。当上述属性值存储于服务器本地是,也可以不设终端设备和网络。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。用于输出信息的方法,包括以下步骤:
步骤201,获取目标物品的目标属性的属性值。
在本实施例中,用于输出信息的方法运行于其上的执行主体(如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标物品的目标属性的属性值。另外,上述目标物品的目标属性的属性值也可以存储于上述执行主体本地。此时,上述执行主体可以直接从本地获取上述目标物品的目标属性的属性值。其中,目标物品可以是满足某些条件(例如显示在上述终端设备页面中)的物品,可以是由技术人员指定的物品。目标物品的目标属性可以是目标物品的各种属性。实践中,可以通过由技术人员指定的方式确定目标属性。也可以选取符合某些条件(影响物品的价格)的属性作为目标属性。
需要说明的是,目标物品的目标属性不仅包括目标物品自身的属性(例如:价格、尺寸、颜色等),还可以包括目标物品的各种外部属性(例如:库存、是否有赠品、用户浏览量等)。实践中,可以由技术人员指定上述目标物品的目标属性。另外,目标属性的属性值可以是该目标属性的实际值(例如价格值),也可以是目标属性的量化值。作为示例,用数字“1”表示目标物品有赠品;用数字“0”表示无赠品。那么,是否有赠品这个属性的属性值可以为1或0。
步骤202,将上述属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值。
本实施例中,操作预测模型用于基于属性值对各个操作选项分别进行打分。其中,操作可以是可以由智能体(例如机器人、人)执行的各种动作。作为示例,可以是调价(例如上调5%)。作为示例,也可以是前进、后退等。操作选项可以是技术人员预先设定的用于表示不同操作的选项。
作为示例,上述操作预测模型可以是技术人员基于大量数据的统计而预先设置并存储至上述执行主体中的矩阵。作为示例,该矩阵的行表示各个操作选项,该矩阵的列表示不同的属性值。矩阵中存储的数据为各个操作选项在不同属性值时,对应的第一打分值。这样,上述执行主体可以通过查询该矩阵,得到操作预测模型对于各个操作选项的第一打分值。
作为示例,上述操作预测模型可以是DQN(Deep Q-Network,深度Q网络)。DQN将传统增强学习中的Q矩阵用深度神经网络表示。深度神经网络通常由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(又叫做参数)。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。实践中,可以采用包括三个卷积层和两个全连接层的卷积神经网络。其中,最后一层全连接层的神经元的个数与操作选项的个数相等。这里,可以将属性值从卷积神经网络的输入侧输入,依次经过卷积神经网络中的各层的参数的处理,并从卷积神经网络的输出侧输出,输出侧输出的信息即为针对各个操作选项的第一打分值。
实践中,可以通过多种方式训练出可以用于基于输入的属性值对各个操作选项分别进行打分的操作预测模型。
作为示例,上述操作预测模型可以通过以下步骤训练得到:
第一步,获取多个训练样本。训练样本包括:目标属性的第一历史属性值、第一历史属性值对应的操作选项、第一历史属性值对应的预设指标的历史值和目标属性的第二历史属性值。其中,第二历史属性值是执行第一历史属性值对应的操作选项得到的。
第二步,将第一历史属性值输入上述卷积神经网络,得到第一历史属性值条件下针对各个操作选项的打分值。之后,确定第一历史属性值对应的操作选项所对应的打分值。
第三步,将第二历史属性值输入上述卷积神经网络,得到第二历史属性值条件下针对各个操作选项的打分值。确定第二历史属性值条件下打分值中的最大值。
第四步,基于所确定的第一历史属性值对应的操作选项所对应的打分值、第二历史属性值条件下打分值中的最大值和第一历史属性值对应的预设指标的历史值确定损失函数。基于损失函数,利用机器学习方法(例如反向传播算法)训练上述卷积神经网络,训练得到操作预测模型。
在本实施例的一些可选的实现方式中,操作预测模型通过以下步骤训练得到:获取多个训练样本,训练样本包括:目标属性的第一历史属性值、目标属性的第二历史属性值、第一历史属性值对应的操作选项、第一历史属性值对应的预设指标的历史值,其中,第二历史属性值是执行第一历史属性值对应的操作得到的;获取预先建立的第一神经网络和第二神经网络;利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型,其中,损失函数是基于第一神经网络的输出和第二神经网络的输出确定的。
步骤203,输出第一打分值最大的操作选项。
在本实施例中,上述执行主体基于步骤202得到的各个操作选项的第一打分值,输出第一打分值最大的操作选项。
继续参考图3,图3是根据本实施例用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中,目标物品为手机,技术人员确定的目标属性为价格、颜色、内存。操作选项包括:涨价5%、涨价10%、不变、降价5%和降价10%。获取目标手机的属性值301为6000(元),香槟色(用“01”表示),32G。将上述属性值301输入至预先训练的操作预测模型302,得到针对五个操作选项中的各个操作选项的第一打分值。五个第一打分值分别为50,30,100,150,200。最后,输出第一打分值最大的操作选项303,即降价10%。
本申请的上述实施例提供的方法首先将目标物品的目标属性的属性值输入预先训练的操作预测模型,得到在该属性值条件下,各个操作选项的第一打分值。最后,输出第一打分值最大的操作选项,实现了在该属性值条件下的操作预测。
进一步参考图4,其示出了操作预测模型的训练的一个实施例的流程400。同时参考图5,其示出了损失函数的一个示例性构造方法。
在本实施例中,操作预测模型的训练流程400,包括以下步骤:
步骤401,获取多个训练样本。
在本实施例中,训练样本包括:目标属性的第一历史属性值s、目标属性的第二历史属性值s′、第一历史属性值s对应的操作选项ai、第一历史属性值s对应的预设指标的历史值r,第二历史属性值s′是执行第一历史属性值s对应的操作选项ai得到的。
需要说明的是,实践中目标属性的历史属性值往往在时间上具有连续性。因而,各个训练样本之间并不是相互独立的。为了解决这个问题,可以采用经验回放策略。具体的,将每个四元组(s,ai,r,s′)作为一个训练样本存储;训练时,每次随机从多个训练样本选取一个训练样本进行训练。这样可以降低训练样本的关联度。
步骤402,获取预先建立的第一神经网络和第二神经网络。
在本实施例中,第一神经网络和第二神经网络可以是各种类型的神经网络。作为示例,第一神经网络和第二神经网络可以是未经训练的卷积神经网络。作为示例,第一神经网络和第二神经网络也可以是未经训练的卷积神经网络与LSTM(Long Short-TermMemory,时间递归神经网络)组合后得到的网络。
在本实施例的一些可选的实现方式中,第一神经网络和第二神经的网络结构和参数相同。
步骤403,对于多个训练样本中的训练样本,将该训练样本的第一历史属性值作为第一神经网络的输入,得到第一神经网络基于第一历史属性值对至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为第二神经网络的输入,得到第二神经网络基于该训练样本的第二历史属性值对至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络作为操作预测模型。
具体的,在本实施例中,如图5所示,可以通过以下步骤得到损失函数:对于一个训练样本(s,ai,r,s′),将s输入第一神经网络。得到第一神经网络分别针对a1,a2…ai…an共n个操作选项进行打分而得到的第二打分值Q(a1),Q(a2)…Q(ai)…Q(an)。确定操作选项ai所对应的第二打分值Q(ai)。之后,将s′输入第二神经网络。得到第二神经网络分别针对a1,a2…ai…an共n个操作选项进行打分而得到的第三打分值Q′(a1),Q′(a2)…Q′(ai)…Q′(an),选取其中的最大值,记为maxQ′(a)。基于Q(ai)、maxQ′(a)和r构造损失函数。作为示例,损失函数L可以表示为L=(r+γmaxQ′(a)-Q(ai))2。其中,γ为一个人为规定大于0小于1的参数。最后,基于确定的损失函数L,可以利用反向传播算法训练第一神经网络和第二神经网络,将训练后的第一神经网络作为操作预测模型。
需要说明的是,在上述训练过程中,可以在一定次数内只调整第一神经网络的参数而保持第二神经网络参数不变。从而使训练平稳。
本实施例中,通过加入第二神经网络并基于第二神经网络输出的打分值中的最大值确定损失函数,辅助第一神经网络的训练。
在如图2所示的实施例或者如图4所示的实施例的一些可选的实现方式中,预设指标包括以下至少一项:毛利润、成交总额。
进一步参考图6,作为针对上述各图所示方法的实现,本申请提供了一种用于输出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6所示,本实施例的用于输出信息的装置600包括:获取单元601、操作预测单元602和输出单元603。其中,获取单元601配置用于获取目标物品的目标属性的属性值;操作预测单元602,配置用于将属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,操作预测模型用于基于输入的属性值对各个操作选项分别进行打分;输出单元603,配置用于输出第一打分值最大的操作选项。
在本实施例中,用于输出信息的装置600中获取单元601、操作预测单元602和输出单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该装置还可以包括训练单元(图中未示出),配置用于:获取多个训练样本,训练样本包括:目标属性的第一历史属性值、目标属性的第二历史属性值、第一历史属性值对应的操作选项、第一历史属性值对应的预设指标的历史值,其中,第二历史属性值是执行第一历史属性值对应的操作选项得到的;获取预先建立的第一神经网络和第二神经网络;利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型,其中,损失函数是基于第一神经网络的输出和第二神经网络的输出确定的。
在本实施例的一些可选的实现方式中,训练单元(图中未示出)在利用机器学习方法,基于多个训练样本和损失函数对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络确定为操作预测模型时,可以进一步配置用于:对于多个训练样本中的训练样本,将该训练样本的第一历史属性值作为第一神经网络的输入,得到第一神经网络基于第一历史属性值对至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为第二神经网络的输入,得到第二神经网络基于该训练样本的第二历史属性值对至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对第一神经网络和第二神经网络进行训练,将训练后的第一神经网络作为操作预测模型。
在本实施例的一些可选的实现方式中,第一神经网络和第二神经的网络结构和初始参数相同。
在本实施例的一些可选的实现方式中,预设指标包括以下至少一项:毛利润、成交总额。
在本实施例中,操作预测单元602将获取单元601所述获取的目标物品的目标属性的属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值。输出单元603基于上述得到的各个操作选项的第一打分值,输出第一打分值最大的操作选项,实现在输入属性值条件下的操作预测。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备(例如服务器或终端设备)的计算机系统700的结构示意图。图7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7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请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,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:一种处理器包括获取单元、操作预测单元和输出单元。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,获取单元还可以被描述为“获取目标物品的目标属性的属性值的单元”。
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:获取目标物品的目标属性的属性值;将属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,操作预测模型用于基于输入的属性值对各个操作选项分别进行打分;输出第一打分值最大的操作选项。
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所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 (8)
1.一种用于输出信息的方法,所述方法包括:
获取目标物品的目标属性的属性值;
将所述属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,所述操作预测模型用于基于输入的属性值对所述各个操作选项分别进行打分;
输出第一打分值最大的操作选项;
其中,所述操作预测模型通过以下步骤训练得到:获取多个训练样本,训练样本包括:所述目标属性的第一历史属性值、所述目标属性的第二历史属性值、所述第一历史属性值对应的操作选项和所述第一历史属性值对应的预设指标的历史值,其中,所述第二历史属性值是执行所述第一历史属性值对应的操作选项得到的;获取预先建立的第一神经网络和第二神经网络;对于所述多个训练样本中的训练样本,将该训练样本的第一历史属性值作为所述第一神经网络的输入,得到所述第一神经网络基于第一历史属性值对所述至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为所述第二神经网络的输入,得到所述第二神经网络基于该训练样本的第二历史属性值对所述至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对所述第一神经网络和所述第二神经网络进行训练,将训练后的所述第一神经网络作为所述操作预测模型。
2.根据权利要求1所述的方法,其中,所述第一神经网络和所述第二神经的网络结构和初始参数相同。
3.根据权利要求1-2中任一所述的方法,其中,所述预设指标包括以下至少一项:毛利润、成交总额。
4.一种用于输出信息的装置,所述装置包括:
获取单元,配置用于获取目标物品的目标属性的属性值;
操作预测单元,配置用于将所述属性值输入至预先训练的操作预测模型,得到针对至少两个操作选项中的各个操作选项的第一打分值,其中,所述操作预测模型用于基于输入的属性值对所述各个操作选项分别进行打分;
输出单元,配置用于输出第一打分值最大的操作选项;
所述装置还包括训练单元,配置用于:获取多个训练样本,训练样本包括:所述目标属性的第一历史属性值、所述目标属性的第二历史属性值、所述第一历史属性值对应的操作选项、所述第一历史属性值对应的预设指标的历史值,其中,所述第二历史属性值是执行所述第一历史属性值对应的操作选项得到的;获取预先建立的第一神经网络和第二神经网络;对于所述多个训练样本中的训练样本,将该训练样本的第一历史属性值作为所述第一神经网络的输入,得到所述第一神经网络基于第一历史属性值对所述至少两个操作选项中的各个操作选项的第二打分值;确定该训练样本对应的操作选项的第二打分值;将该训练样本的第二历史属性值作为所述第二神经网络的输入,得到所述第二神经网络基于该训练样本的第二历史属性值对所述至少两个操作选项中的各个操作选项的第三打分值;基于第三打分值中的最大值、所确定的该训练样本对应的操作选项的第二打分值和该训练样本的预设指标的历史值确定损失函数,利用机器学习方法对所述第一神经网络和所述第二神经网络进行训练,将训练后的所述第一神经网络作为所述操作预测模型。
5.根据权利要求4所述的装置,其中,所述第一神经网络和所述第二神经的网络结构和初始参数相同。
6.根据权利要求4-5中任一所述的装置,其中,所述预设指标包括以下至少一项:毛利润、成交总额。
7.一种电子设备,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1-3中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810333595.0A CN110378717B (zh) | 2018-04-13 | 2018-04-13 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810333595.0A CN110378717B (zh) | 2018-04-13 | 2018-04-13 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378717A CN110378717A (zh) | 2019-10-25 |
CN110378717B true CN110378717B (zh) | 2024-03-05 |
Family
ID=68243371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810333595.0A Active CN110378717B (zh) | 2018-04-13 | 2018-04-13 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378717B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112187945A (zh) * | 2020-09-30 | 2021-01-05 | 北京有竹居网络技术有限公司 | 信息推送方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005157836A (ja) * | 2003-11-27 | 2005-06-16 | Toshiba Corp | 商品販売量予測装置、商品販売量予測方法及びモデル学習方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106778867A (zh) * | 2016-12-15 | 2017-05-31 | 北京旷视科技有限公司 | 目标检测方法和装置、神经网络训练方法和装置 |
CN106997488A (zh) * | 2017-03-22 | 2017-08-01 | 扬州大学 | 一种结合马尔科夫决策过程的动作知识提取方法 |
CN107369049A (zh) * | 2017-07-28 | 2017-11-21 | 国信优易数据有限公司 | 一种商品价格预测方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262900A1 (en) * | 2016-03-11 | 2017-09-14 | Wipro Limited | System and method for generating promotion data |
-
2018
- 2018-04-13 CN CN201810333595.0A patent/CN110378717B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005157836A (ja) * | 2003-11-27 | 2005-06-16 | Toshiba Corp | 商品販売量予測装置、商品販売量予測方法及びモデル学習方法 |
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106778867A (zh) * | 2016-12-15 | 2017-05-31 | 北京旷视科技有限公司 | 目标检测方法和装置、神经网络训练方法和装置 |
CN106997488A (zh) * | 2017-03-22 | 2017-08-01 | 扬州大学 | 一种结合马尔科夫决策过程的动作知识提取方法 |
CN107369049A (zh) * | 2017-07-28 | 2017-11-21 | 国信优易数据有限公司 | 一种商品价格预测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110378717A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330715B (zh) | 选择图片广告素材的方法和装置 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN109565452A (zh) | 用于确定最优策略的系统和方法 | |
CN114004425B (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
CN109816283B (zh) | 用于确定物品出库时间的方法和装置 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN111325587A (zh) | 用于生成信息的方法和装置 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN110309142B (zh) | 规则管理的方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN110738508A (zh) | 一种数据分析方法和装置 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN110378717B (zh) | 用于输出信息的方法和装置 | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
CN112102043A (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN111598597A (zh) | 用于发送信息的方法和装置 | |
CN113327147A (zh) | 一种物品信息展示的方法及装置 | |
CN111897910A (zh) | 信息推送方法和装置 | |
CN111626805B (zh) | 信息展示方法和装置 | |
CN111475630B (zh) | 一种信息处理的方法、装置及电子设备 | |
CN113705594B (zh) | 一种识别图像的方法和装置 | |
CN112348587B (zh) | 信息推送方法、装置和电子设备 | |
CN110689159B (zh) | 一种商品补货的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |