CN110400184A - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开的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：获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；将待定价商品信息集合输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定各待定价商品信息对应的价值调整系数；根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。该实施方式可以依托云计算技术实现对商品的批量定价。

Description

用于生成信息的方法和装置

技术领域

本公开的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

随着互联网技术的飞速发展，越来越多的电商平台依赖人工智能(ArtificialIntelligence，AI)技术对商品进行定价。

相关的方式中，其一通常是仅根据商品自身的信息来确定商品的定价，其二通常是根据商品自身的信息以及浏览商品信息的用户的相关信息或相似商品的价格来确定商品的定价。

发明内容

本公开的实施例提出了用于生成信息的方法和装置。

第一方面，本公开的实施例提供了一种用于生成信息的方法，该方法包括：获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数；根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

在一些实施例中，上述获取待定价商品信息集合，包括：从预设的商品信息集合中选取第一目标数目条商品信息，其中，商品信息包括商品属性信息和商品历史记录信息；从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息；获取第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为待定价商品信息集合。

在一些实施例中，上述从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息，包括：利用机器学习算法，确定商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数；根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。

在一些实施例中，上述基础价值确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息；将训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到基础价值确定模型。

在一些实施例中，上述采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数，包括：根据与价值相关联的商品属性信息和商品历史记录信息，将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组；基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

在一些实施例中，上述采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数，包括：根据定价调整信息确定目标函数和约束条件；利用遗传算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

第二方面，本公开的实施例提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；第一生成单元，被配置成将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；确定单元，被配置成基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数；第二生成单元，被配置成根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

在一些实施例中，上述获取单元包括：选取模块，被配置成从预设的商品信息集合中选取第一目标数目条商品信息，其中，商品信息包括商品属性信息和商品历史记录信息；确定模块，被配置成从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息；获取模块，被配置成获取第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为待定价商品信息集合。

在一些实施例中，上述确定模块包括：确定子模块，被配置成利用机器学习算法，确定商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数；选取子模块，被配置成根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。

在一些实施例中，上述基础价值确定模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息；将训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到基础价值确定模型。

在一些实施例中，上述确定单元包括：划分模块，被配置成根据与价值相关联的商品属性信息和商品历史记录信息，将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组；确定模块，被配置成基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

在一些实施例中，上述确定模块进一步被配置成：根据定价调整信息确定目标函数和约束条件；利用遗传算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

第三方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；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第一方面中任一实现方式描述的方法。

第四方面，本公开的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，该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。

本公开的实施例提供的用于生成信息的方法和装置，首先，获取待定价商品信息集合和定价调整信息。其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息。上述定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息。而后，将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息。之后，基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数。最后，根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。从而可以根据更多的影响因子实现对商品定价的批量生成。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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，本公开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公开。

图1示出了可以应用本公开的用于生成信息的方法或用于生成信息的装置的示例性架构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。

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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、社交平台软件、文本编辑类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持信息传输的各种电子设备，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。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上显示的商品定价信息提供支持的后台服务器，也可以是云端服务器。后台服务器可以对所获取的待定价商品信息和定价调整信息进行分析等处理，并生成处理结果(例如商品定价信息)。可选地，后台服务器还可以将处理结果反馈给终端设备。

需要说明的是，上述待定价商品信息集合和定价调整信息也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待定价商品信息集合和定价调整信息并进行处理，此时，可以不存在终端设备101、102、103和网络104。

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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的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，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法包括以下步骤：

步骤201，获取待定价商品信息集合和定价调整信息。

在本实施例中，用于生成信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待定价商品信息集合和定价调整信息。作为示例，上述执行主体可以获取预先存储于本地的待定价商品信息集合和定价调整信息。作为又一示例，上述执行主体也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的待定价商品信息集合和定价调整信息。

在本实施例中，上述待定价商品信息可以包括与价值相关联的商品属性信息和商品历史记录信息。其中，上述商品属性信息可以用于描述商品自身的属性。作为示例，上述商品属性信息可以包括但不限于以下至少一项：品牌、颜色、型号、出厂日期、配置等。对于具体的商品(例如二手车)，上述商品属性信息可以进一步包括以下至少一项：排量，车龄，驱动方式，变速箱类型，发动机类型，上述商品历史记录信息可以用于描述商品的购买或使用等信息。作为示例，上述商品历史记录信息可以包括但不限于以下至少一项：商品购买地，过户次数，车辆维修保养记录，车辆里程，原驾驶人基本信息(如年龄、性别等)，车辆理赔信息(历年出险次数、去年出险次数以及上年出险金额等)。通常，可以根据经验或统计数据从上述商品属性信息中预先确定与价值相关联的若干个商品属性信息。从而，上述执行主体可以通过前述方式获取待定价商品信息集合。

在本实施例中，上述定价调整信息可以包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息。其中，上述定价目标信息可以包括用于指示上述优化目标的目标函数。上述定价约束条件信息可以包括用于指示上述约束条件的等式或不等式。

在本实施例中，上述优化目标可以用于表征待定价商品信息集合的整体收益。也就是说，上述优化目标需要考虑上述待定价商品信息集合中各待定价商品信息之间的相互作用，而不仅仅是追求某个待定价商品信息的收益最大化。需要说明的是，上述整体收益可以包括经济方面和非经济方面的收益。例如，经济方面的收益可以包括整体利润。再例如，非经济方面的收益可以包括总销量。

在本实施例中，上述约束条件可以根据实际需要而设定。作为示例，上述约束条件可以包括但不限于以下至少一项：成本上限，利润上、下限，优化目标对应的优化结果的上、下限，销量下限。其中，上述成本、利润、销量可以包括待定价商品信息集合中各待定价商品信息所指示的商品各自对应的成本、利润、销量；也可以包括待定价商品信息集合整体的成本、利润、销量，此处不作限定。可选地，上述约束条件还可以根据外部宏观市场数据(例如汽车保有量、汽车全国销量等)而设定。

从而，上述执行主体可以通过前述方式获取上述定价调整信息。

步骤202，将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息。

在本实施例中，上述执行主体可以将步骤201所获取的待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，从而生成待定价商品信息各自对应的基础价值信息。其中，上述基础价值确定模型可以用于表征待定价商品信息与基础价值信息之间的对应关系。作为示例，上述基础价值确定模型可以是技术人员基于大量历史数据的统计而预先设置的计算公式。例如，上述计算公式可以是：

其中，p可以用于表征待定价商品信息所对应的基础价值。p₀可以用于表征待定价商品信息所指示的相同或近似商品的市场价。其中，上述商品的市场价可以包括指定地域的市场均价，也可以包括预先指定的电商平台的平均定价。n可以用于表征待定价商品信息中与价值相关联的商品属性信息和商品历史记录信息的总信息条数。w_i可以用于表征待定价商品信息中第i项与价值相关联的商品属性信息和商品历史记录信息对应的折价率。其中，上述折价率可以是用于表征价值减损的百分比，例如1％、3.5％。作为示例，上述各项与价值相关联的商品属性信息和商品历史记录信息对应的折价率可以根据预设的对应关系表而确定。上述对应关系表可以是技术人员基于大量历史数据的统计而预先制定的。例如，上述对应关系表可以包括“车龄1年—8％，车龄3年—15％”。

在本实施例的一些可选的实现方式中，上述基础价值确定模型可以通过如下步骤训练得到：

第一步，获取训练样本集合。

在这些实现方式中，上述训练样本可以包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息。上述样本基础价值信息可以用于表征样本待评估商品信息所指示的商品的价值基数。

实践中，上述训练样本集合可以通过多种方式得到。作为示例，可以由技术人员对商品历史交易数据进行加工，将商品的商品信息与所确定的商品的实际价值关联存储。其中，上述商品的商品信息可以作为样本待评估商品信息。上述样本待评估商品信息对应的样本基础价值信息可以用于表征上述所确定的商品的实际价值。上述商品的商品信息可以包括与价值相关联的商品属性信息和商品历史记录信息。例如，二手车的型号、地域、里程、车况等。可选地，训练步骤的执行主体还可以根据预设的样本时间区间(例如3个月内、半年内)从商品历史交易数据中选取上述训练样本。通过大量的数据形成大量的训练样本，进而组成训练样本集合。

第二步，将训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到基础价值确定模型。

在这些实现方式中，上述执行主体可以首先获取初始基础价值确定模型。其中，上述初始基础价值确定模型可以包括各种人工神经网络(Artificial Neutral Network，ANN)。例如，卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks，RNN)、长短期记忆网络(Long-Short Term Memory，LSTM)。之后，训练步骤的执行主体可以将训练样本集合中的训练样本的样本待评估商品信息输入至初始基础价值确定模型，得到该训练样本的基础价值信息。而后，上述执行主体可以利用预设的损失函数计算所得到的基础价值信息与该训练样本的样本基础价值信息之间的差异程度。之后，基于所得到的差异程度，调整上述初始基础价值确定模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。最后，将训练得到的初始基础价值确定模型确定为基础价值确定模型。

需要说明的是，上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异程度小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。

步骤203，基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数。

在本实施例中，以上述待定价商品信息集合中各待定价商品信息对应的价值调整系数为优化变量，根据定价调整信息所指示的优化目标和约束条件，上述执行主体可以采用各种优化算法求解上述优化变量的值。其中，上述优化算法可以包括启发式算法。其可以包括但不限于以下至少一项：模拟退火算法(simulated annealing，SA)，遗传算法(genetic algorithm，GA)，进化规划(evolutionary programming，EP)，进化策略(evolution strategy，ES)，蚁群算法(ant colony algorithm，ACA)，人工神经网络(artificial neural network，ANN)。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定待定价商品信息集合中各待定价商品信息对应的价值调整系数：

第一步，根据与价值相关联的商品属性信息和商品历史记录信息，将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组。

在这些实现方式中，上述执行主体可以根据所获取的与价值相关联的商品属性信息和商品历史记录信息，通过各种方式将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组。其中，上述第三目标数目可以根据与价值相关联的商品属性信息和商品历史记录信息的取值范围而确定。作为示例，上述执行主体首先可以根据与价值相关联的商品属性信息和商品历史记录信息的取值进行离散化。例如，可以将排量分成“1.6-2.0L”、“2.0-2.5L”；可以将去年出险次数分成“未出险”、“1-3次”、“4-8次”等。然后，可以根据离散化后的分组将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组。其中，上述第三目标数目可以利用笛卡尔积而得到。例如与排量和去年出险次数相关的分组数为6。上述分组可以为“1.6-2.0L、未出险”、“1.6-2.0L、1-3次”、“1.6-2.0L、4-8次”、“2.0-2.5L、未出险”、“2.0-2.5L、1-3次”、“2.0-2.5L、4-8次”。可选地，上述第三目标数目也可以根据实际需要进行调整。例如，可以将去年出险次数属于“未出险”或“1-3次”的待定价商品信息划分为同组，则上述与排量和去年出险次数相关的分组数可以为4。

第二步，基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

在这些实现方式中，以上述第三目标数目个待定价商品信息组各自对应的价值调整系数为优化变量，根据定价调整信息所指示的优化目标和约束条件，上述执行主体可以采用如前述的优化算法求解上述优化变量的值，此处不再赘述。可以理解，属于同一待定价商品信息组的待定价商品信息可以对应有同一价值调整系数。

可选地，基于上述可选的实现方式，上述执行主体还可以根据定价调整信息确定目标函数和约束条件。而后，上述执行主体还可以利用遗传算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。其中，上述目标函数可以基于基础价值信息与价值调整系数所确定的商品信息价格确定。作为示例，上述目标函数可以包括待定价商品信息集合的总利润函数。其中，上述待定价商品信息集合中各待定价商品信息对应的利润函数可以通过商品售价与成本之间的差值来确定。上述商品售价例如可以通过基础价值信息所指示的值与价值调整系数之间的乘积而确定。可选地，上述目标函数还可以包括成本函数、销量函数等。需要说明的是，上述遗传算法的适应度函数可以根据上述目标函数而确定。

基于上述可选的实现方式，一方面可以充分发挥遗传算法在众多约束条件下的优化能力，另一方面可以利用遗传算法的可并行性。从而可以更加准确、快速地确定待定价商品信息集合中各待定价商品信息对应的价值调整系数。

步骤204，根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

在本实施例中，根据步骤202所生成的基础价值信息和步骤203所确定的价值调整系数，上述执行主体可以生成与待定价商品信息集合对应的待定价商品价格信息集合。其中，上述待定价商品价格信息集合中的待定价商品价格信息可以与上述待定价商品信息集合中的待定价商品信息一一对应。作为示例，上述执行主体可以将待定价商品信息集合中各待定价商品信息对应的基础价值信息和价值调整系数相乘，将所得到的乘积作为各待定价商品信息对应的待定价商品价格信息。

在本实施例的一些可选的实现方式中，上述执行主体还可以对所生成的待定价商品价格信息集合进行展示。作为示例，上述执行主体还可以将上述待定价商品价格信息集合发送至通信连接的显示终端，以使显示终端显示各待定价商品信息对应的价格。

在本实施例的一些可选的实现方式中，上述执行主体还可以获取执行间隔信息。其中，上述执行间隔信息可以用于表征每个预定时间间隔执行一次上述用于生成信息的方法。从而，上述执行主体可以按照预设的时间间隔(例如每个月、每15天)自动执行上述用于生成信息的方法，以实现对商品定价的自动更新。

在本实施例的一些可选的实现方式中，上述执行主体还可以获取待定价商品信息所指示的商品的售价与销量、库存量之间的价格弹性关系。可选地，上述执行主体还可以进一步获取上述商品的售价与利润、售价与成本之间的相关关系。进而，结合所生成的待定价商品价格信息集合，上述执行主体还可以利用时间序列预测算法来确定上述所生成的待定价商品价格信息集合对应的预期盈利情况。其中，上述时间序列预测算法可以包括但不限于LSTM、prophet算法。从而，可以实现对电商平台未来某时间段内整体利润进行预测。

在本实施例的一些可选的实现方式中，上述执行主体还可以针对运行时的系统资源使用情况进行监控，以防发生宕机。通过实时查看日志来保证运行过程的流畅性。上述执行主体还可以对历史数据进行监控，以发现历史数据中的异常值，从而避免由于数据原因导致的系统故障。

在本实施例的一些可选的实现方式中，上述执行主体还可以存储所生成的待定价商品价格信息集合，以便日后查看和方案复用。

继续参见图3，图3是根据本公开的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3的应用场景中，用户301可以将二手车相关信息输入终端设备302。而且，用户301可以选择“平台利润最大”作为优化目标，并输入相关的约束条件。终端302可以根据用户301所输入的信息，生成信息集合304。其中，上述信息集合304可以包括二手车信息集和指示优化目标、约束条件的定价调整信息。之后，后台服务器303可以从终端设备302获取信息集合304。接下来，后台服务器303可以根据信息集合304中的二手车信息确定各二手车的基础定价305。而后，后台服务器303可以根据信息集合304中的优化目标和约束条件确定各二手车的调整系数306。之后，后台服务器303可以根据所确定的基础定价305和调整系数306生成二手车信息所对应的价格信息集合307。可选地，上述后台服务器303还可以将上述价格信息集合307发送至终端设备302，以通过终端设备302的显示器将各二手车信息对应的二手车的价格展示给用户301。

目前，现有技术之一通常是根据商品自身的信息来确定商品的定价，导致无法有效利用成本、需求、市场策略等外部因素对大规模商品平台的定价策略的影响。而本公开的上述实施例提供的方法，利用定价优化的目标函数和约束条件将商品之外的影响因素(例如市场因素、电商平台整体收益、总成本上限等)纳入到考量范围，从而可以根据更多的影响因子实现对商品定价的批量生成。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，从预设的商品信息集合中选取第一目标数目条商品信息。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过各种方式从预设的商品信息集合中选取第一目标数目条商品信息。其中，上述预设的商品信息集合可以包括利用大数据分析技术进行整合的、与商品相关的各种信息。上述商品信息可以包括商品属性信息和商品历史记录信息。上述第一目标数目可以是预先指定的任意数值，也可以是根据规则而定的数值(例如商品信息集合中的商品信息的总数目的10％)。需要说明的是，对上述商品属性信息和商品历史记录信息的描述可以与前述实施例中步骤201的描述一致，此处不再赘述。

在本实施例中，上述预设的商品信息集合可以存储于上述执行主体的本地，也可以存储于与上述执行主体通信连接的电子设备(例如数据库服务器)。

步骤402，从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息。

在本实施例中，上述执行主体可以利用各种用于特征选择的方法从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息。其中，上述用于特征选择的方法可以包括但不限于以下至少一项：过滤法(Filter)，包装法(Wrapper)，嵌入法(Embedded)。其中，上述过滤法可以按照特征发散性和相关性对各商品属性信息和商品历史记录信息进行评分；上述包装法可以根据预设的选择目标函数(例如预测效果评分)对商品属性信息和商品历史记录信息中的相关性进行评分。而后，上述执行主体可以根据评分结果由高至低的顺序进行选取，或者选取评分大于预设阈值的商品属性信息和商品历史记录信息。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下步骤确定与价值相关联的商品属性信息和商品历史记录信息：

第一步，利用机器学习算法，确定商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数。

在这些实现方式中，上述执行主体可以利用各种基于机器学习算法进行特征选择，从而确定出商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数。其中，上述算法可以包括但不限于以下至少一项：lightGBM(LightGradient Boosting Machine)算法，随机森林(Random forest)算法，决策树(DecisionTree)，支持向量机(Support Vector Machine,SVM)。作为示例，上述执行主体可以首先获取预设的训练数据。其中，上述训练数据可以包括商品属性信息、商品历史记录信息以及对应的商品基础价值信息。上述训练数据的商品属性信息、商品历史记录信息可以作为特征因子。根据上述训练数据，上述执行主体可以利用上述算法对特征因子(例如商品属性信息、商品历史记录信息)的打分机制，得到各特征因子与商品基础价值信息的价值关联系数。

第二步，根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。

在这些实现方式中，上述执行主体可以根据上述第一步所确定的价值关联系数，通过各种方式选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。其中，上述第二目标数目可以是预先指定的任意数值。从而，上述执行主体可以按照价值关联系数从高至低的顺序选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。上述第二目标数目还可以是根据规则而定的数目。例如，大于预设阈值的价值关联系数的数目。从而，上述执行主体可以选取大于预设阈值的价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。

步骤403，获取第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为待定价商品信息集合。

在本实施例中，上述执行主体可以从上述第一目标数目条商品信息中获取步骤402所确定的与价值相关联的商品属性信息和商品历史记录信息作为待定价商品信息集合。

步骤404，获取待定价商品信息集合和定价调整信息。

步骤405，将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息。

在本实施例的一些可选的实现方式中，上述基础价值确定模型可以通过如下步骤训练得到：获取训练样本集合，其中，上述训练样本可以包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息。将训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到基础价值确定模型。

步骤406，基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定待定价商品信息集合中各待定价商品信息对应的价值调整系数：

第一步，根据与价值相关联的商品属性信息和商品历史记录信息，将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组。

第二步，基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

可选地，基于上述可选的实现方式，根据定价调整信息确定目标函数和约束条件，上述执行主体还可以利用遗传算法确定第二目标数目个待定价商品信息组各自对应的价值调整系数。其中，上述目标函数可以基于基础价值信息与价值调整系数所确定的商品信息价格确定。上述遗传算法的适应度函数可以根据上述目标函数而确定。

步骤407，根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

在本实施例的一些可选的实现方式中，上述执行主体还可以对所生成的待定价商品价格信息集合进行展示。作为示例，上述执行主体可以将上述待定价商品价格信息集合发送至通信连接的显示终端，以使显示终端显示各待定价商品信息所指示的商品的价格。

上述步骤404、步骤405与前述实施例中的步骤202一致，步骤406、步骤407分别与前述实施例中的步骤203、步骤204一致，上文针对步骤202、步骤203和步骤204的描述也适用于步骤404、步骤405、步骤406和步骤407，此处不再赘述。

从图4中可以看出，本实施例中的用于生成信息的方法的流程400细化了获取待定价商品信息集合的步骤。由此，本实施例描述的方案可以从预设的商品信息集合中选取与定价相关联的信息作为待定价商品信息，从而减少了数据获取量和数据处理量，提升了待定价商品信息集合的生成速度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了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，本实施例提供的用于生成信息的装置500包括获取单元501、第一生成单元502、确定单元503和第二生成单元504。其中，获取单元501，被配置成获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；第一生成单元502，被配置成将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；确定单元503，被配置成基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数；第二生成单元504，被配置成根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

在本实施例中，用于生成信息的装置500中：获取单元501、第一生成单元502、确定单元503和第二生成单元504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、步骤203和步骤204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，上述获取单元501可以包括选取模块(图中未示出)、确定模块(图中未示出)、获取模块(图中未示出)。其中，上述选取模块，可以被配置成从预设的商品信息集合中选取第一目标数目条商品信息，其中，商品信息包括商品属性信息和商品历史记录信息。上述确定模块，可以被配置成从商品属性信息和商品历史记录信息中确定出与价值相关联的商品属性信息和商品历史记录信息。上述获取模块，可以被配置成获取第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为待定价商品信息集合。

在本实施例的一些可选的实现方式中，上述确定模块可以包括：确定子模块(图中未示出)、选取子模块(图中未示出)。其中，上述确定子模块，可以被配置成利用机器学习算法，确定商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数。上述选取子模块，可以被配置成根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为与价值相关联的商品属性信息和商品历史记录信息。

在本实施例的一些可选的实现方式中，上述基础价值确定模型可以通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息；将训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到基础价值确定模型。

在本实施例的一些可选的实现方式中，上述确定单元503可以包括：划分模块(图中未示出)、确定模块(图中未示出)。其中，上述划分模块，可以被配置成根据与价值相关联的商品属性信息和商品历史记录信息，将待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组。上述确定模块，可以被配置成基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数。

在本实施例的一些可选的实现方式中，上述确定模块可以进一步被配置成：根据定价调整信息确定目标函数和约束条件，利用遗传算法确定第三目标数目个待定价商品信息组各自对应的价值调整系数，其中，目标函数基于基础价值信息与价值调整系数所确定的商品信息价格确定。

本公开的上述实施例提供的装置，首先通过获取单元501获取待定价商品信息集合和定价调整信息。其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息。上述定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息。而后，第一生成单元502将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息。之后，基于定价调整信息所指示的优化目标和约束条件，确定单元503采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数。最后，根据基础价值信息和价值调整系数，第二生成单元504生成与待定价商品信息集合对应的待定价商品价格信息集合。从而可以根据更多的影响因子实现对商品定价的批量生成。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；将待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；基于定价调整信息所指示的优化目标和约束条件，采用优化算法确定待定价商品信息集合中各待定价商品信息对应的价值调整系数；根据基础价值信息和价值调整系数，生成与待定价商品信息集合对应的待定价商品价格信息集合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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。

描述于本公开的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、第一生成单元、确定单元、第二生成单元。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，获取单元还可以被描述为“获取待定价商品信息集合和定价调整信息的单元”。

以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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：

获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，所述定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；

将所述待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；

基于所述定价调整信息所指示的优化目标和约束条件，采用优化算法确定所述待定价商品信息集合中各待定价商品信息对应的价值调整系数；

根据基础价值信息和价值调整系数，生成与所述待定价商品信息集合对应的待定价商品价格信息集合。

2.根据权利要求1所述的方法，其中，所述获取待定价商品信息集合，包括：

从预设的商品信息集合中选取第一目标数目条商品信息，其中，商品信息包括商品属性信息和商品历史记录信息；

从商品属性信息和商品历史记录信息中确定出所述与价值相关联的商品属性信息和商品历史记录信息；

获取所述第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为所述待定价商品信息集合。

3.根据权利要求2所述的方法，其中，所述从商品属性信息和商品历史记录信息中确定出所述与价值相关联的商品属性信息和商品历史记录信息，包括：

利用机器学习算法，确定所述商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数；

根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为所述与价值相关联的商品属性信息和商品历史记录信息。

4.根据权利要求1所述的方法，其中，所述基础价值确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息；

将所述训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到所述基础价值确定模型。

5.根据权利要求1-4之一所述的方法，其中，所述采用优化算法确定所述待定价商品信息集合中各待定价商品信息对应的价值调整系数，包括：

根据所述与价值相关联的商品属性信息和商品历史记录信息，将所述待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组；

基于所述定价调整信息所指示的优化目标和约束条件，采用优化算法确定所述第三目标数目个待定价商品信息组各自对应的价值调整系数。

6.根据权利要求5所述的方法，其中，所述采用优化算法确定所述第三目标数目个待定价商品信息组各自对应的价值调整系数，包括：

根据所述定价调整信息确定目标函数和约束条件；

利用遗传算法确定所述第三目标数目个待定价商品信息组各自对应的价值调整系数。

7.一种用于生成信息的装置，包括：

获取单元，被配置成获取待定价商品信息集合和定价调整信息，其中，待定价商品信息包括与价值相关联的商品属性信息和商品历史记录信息，所述定价调整信息包括用于指示优化目标的定价目标信息和用于指示约束条件的定价约束信息；

第一生成单元，被配置成将所述待定价商品信息集合中的待定价商品信息输入至预先训练的基础价值确定模型，生成各待定价商品信息对应的基础价值信息；

确定单元，被配置成基于所述定价调整信息所指示的优化目标和约束条件，采用优化算法确定所述待定价商品信息集合中各待定价商品信息对应的价值调整系数；

第二生成单元，被配置成根据基础价值信息和价值调整系数，生成与所述待定价商品信息集合对应的待定价商品价格信息集合。

8.根据权利要求7所述的装置，其中，所述获取单元包括：

选取模块，被配置成从预设的商品信息集合中选取第一目标数目条商品信息，其中，商品信息包括商品属性信息和商品历史记录信息；

确定模块，被配置成从商品属性信息和商品历史记录信息中确定出所述与价值相关联的商品属性信息和商品历史记录信息；

获取模块，被配置成获取所述第一目标数目条商品信息中与价值相关联的商品属性信息和商品历史记录信息作为所述待定价商品信息集合。

9.根据权利要求8所述的装置，其中，所述确定模块包括：

确定子模块，被配置成利用机器学习算法，确定所述商品信息集合中的商品信息的商品属性信息和商品历史记录信息各自对应的价值关联系数；

选取子模块，被配置成根据所确定的价值关联系数，选取第二目标数目个价值关联系数对应的商品属性信息和商品历史记录信息作为所述与价值相关联的商品属性信息和商品历史记录信息。

10.根据权利要求7所述的装置，其中，所述基础价值确定模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括样本待评估商品信息和与样本待评估商品信息对应的样本基础价值信息；

将所述训练样本集合中的样本待评估商品信息作为输入，将与输入的样本待评估商品信息对应的样本基础价值信息作为期望输出，训练得到所述基础价值确定模型。

11.根据权利要求7-10之一所述的装置，其中，所述确定单元包括：

划分模块，被配置成根据所述与价值相关联的商品属性信息和商品历史记录信息，将所述待定价商品信息集合中的待定价商品信息划分为第三目标数目个待定价商品信息组；

确定模块，被配置成基于所述定价调整信息所指示的优化目标和约束条件，采用优化算法确定所述第三目标数目个待定价商品信息组各自对应的价值调整系数。

12.根据权利要求11所述的装置，其中，所述确定模块进一步被配置成：

根据所述定价调整信息确定目标函数和约束条件；

利用遗传算法确定所述第三目标数目个待定价商品信息组各自对应的价值调整系数。

13.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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。