CN110663023A - 使用人工智能来设计产品 - Google Patents

Abstract

在一个实施例中，一种用于优化计算机机器学习的方法包括接收优化目标。优化目标用于搜索基础选项候选者（BOC）的数据库，以标识至少部分地与该目标匹配的匹配BOC。接收在匹配BOC当中对所选基础选项的选择。至少部分地基于该目标来选择（一个或多个）机器学习预测模型，以确定与所选基础选项的替代特征相关联的预测值，其中使用训练数据来训练该（一个或多个）模型，以至少为这些模型标识与替代特征相关联的权重值。基于预测值，对替代特征的至少一部分进行排序以生成有序列表。提供有序列表，以用于在制造具有该有序列表中的（一个或多个）替代特征的所选基础选项的替代版本中使用。

Description

使用人工智能来设计产品

背景技术

设计出满足一个或多个目标的产品可能是困难的。例如，确定产品的什么方面有助于产品的成功可能是具有挑战性的。针对特定成功量度的设计也可能变化。也就是说，可以通过不同的量度或维度来定义成功。用于产品设计的常规技术通常依赖于人类设计者的直觉。然而，人类设计者通常不能完全评估可能收集到的关于可以被添加到产品或可以用其来修改产品的特征的所有数据。常规的计算机辅助产品设计工具不能利用数据来指导设计者做出最佳设计决策。例如，常规的产品设计工具通常关于设计或表现目标方面不能是灵活的。

附图说明

在以下详细描述和附图中公开了本发明的各种实施例。

图1是图示了用于选择和提供产品的过程的实施例的流程图。

图2是图示了用于选择和提供产品的系统的实施例的框图。

图3是图示了用于监督式机器学习来训练一个或多个预测模型的过程的实施例的流程图。

图4是图示了产品的计算机生成的设计的过程的实施例的流程图，该过程包括基础选项确定和特征确定。

图5是图示了用于标识基础选项的过程的实施例的流程图。

图6是图示了用于呈现包含替代特征的示例产品的过程的实施例的流程图。

图7是用于生成产品设计的GUI的示例。

图8示出了用于生成产品设计的设计工具的示例GUI。

图9示出了用于生成产品设计的设计工具的示例GUI。

图10是用于接收优化目标以用于生成产品的GUI的示例。

图11是用于显示一个或多个基础选项并且接收基础选项的选择以用于生成产品的GUI的示例。

图12是用于提供替代特征选择选项并且接收一个或多个替代特征的选择以用于生成产品的GUI的示例。

图13是用于提供替代特征选择选项并且接收一个或多个替代特征的选择以用于生成产品的GUI的示例。

图14是用于提供子特征特征选择选项并且接收一个或多个子特征的选择以用于生成产品的GUI的示例。

图15是与计算机生成的产品相关联的设计表的示例。

图16是用于生成产品预览的GUI的示例。

图17是图示了根据一些实施例的用于生成产品设计的经编程的计算机系统的功能图。

具体实施方式

本发明可以以许多方式来实现，包括作为过程；装置；系统；物质组成；体现在计算机可读存储介质上的计算机程序产品；和/或处理器，诸如被配置成执行存储在耦合到处理器的存储器上和/或由该存储器提供的指令的处理器。在本说明书中，可以将这些实现方式或本发明可以采取的任何其它形式称为技术。一般地，可以在本发明的范围内更改所公开过程的步骤的次序。除非另有说明，否则可以将被描述为被配置成执行任务的诸如处理器或存储器之类的部件实现为暂时地被配置成在给定时间执行任务的通用部件或被制造成执行所述任务的专用部件。如本文中所使用的，术语“处理器”指代被配置成处理诸如计算机程序指令之类的数据的一个或多个设备、电路和/或处理核心。

下面连同图示本发明的原理的附图一起提供对本发明的一个或多个实施例的详细描述。结合这样的实施例对本发明进行描述，但是本发明不限于任何实施例。本发明的范围仅受权利要求书限制，并且本发明涵盖众多替代方案、修改和等同物。在以下描述中阐述了众多具体细节，以便提供对本发明的透彻理解。这些细节被提供用于示例的目的，并且可以根据权利要求书在没有这些具体细节中的一些或全部的情况下实践本发明。为了清晰起见，在与本发明相关的技术领域中已知的技术材料未被详细描述，以免不必要地模糊本发明。

公开了使用人工智能的产品设计。通常将新产品设计成包括基于设计者的直觉选择的产品特征。然而，给定机器学习和人工智能中的技术进步以及大数据分析功能，能够至少部分地使用机器学习和人工智能基于巨大量的经验数据来设计新产品，没有计算机的协助，将不可能分析该巨大量的经验数据。

在各种实施例中，优化计算机机器学习以生成产品设计包括接收优化目标的标识符。例如，目标可以包括设计和/或表现目标。 在一些实施例中，表现目标的示例是“设计新产品，该新产品针对客户区段（Client Segment）1中的顾客在冬季中的使用将是商业上成功的。”客户区段可能是落入该客户区段中的那些客户当中的共享特性。客户区段也可以通过共享的观察到的偏好来被定义。设计目标的示例是产品设计中必须包括的一个或多个特征，诸如“设计包含波尔卡圆点的新产品”。由本文中描述的过程生成的产品可以基于基础选项，该基础选项可以由一个或多个特征的集合来被定义。在一些实施例中，从空白模板开始，可以添加一个或多个特征以定义基础选项。使用“设计包含波尔卡圆点的新产品”的示例，基础选项将“波尔卡圆点”指定为所包括的特征。在一些实施例中，从基础选项开始，可以交换出和/或添加一个或多个特征。例如，基础选项可以是主体和/或由适当规范来被定义。基础选项可以是库存中的样式（例如，现有样式），并且可以从基础选项修改特征。

优化目标可以用于搜索基础选项候选者的数据库，以标识一个或多个匹配的基础选项候选者。例如，搜索基础选项的库存以自动标识最佳地匹配优化目标的候选者。响应于提供候选基础选项，可以接收基础选项的选择。可以由用户（例如，人类设计者）从匹配的基础选项当中进行选择。例如，这表示人与机器学习的合作，并且也被称为“人在回路中的机器学习”。所选的基础选项可以用作所得的人工智能辅助产品设计的基础。例如，基础选项的一个或多个属性/特征可以被对应的（一个或多个）替代特征所替换，和/或可以在机器学习/人工智能的协助下将一个或多个新的替代属性/特征添加至基础选项以创建产品，该产品是优化了优化目标的甚至更好的产品设计。因此，通过选择基础选项而不是从产品特征的空白名单（blank slate）开始，可以迭代地改进已被知晓为成功的产品。

为了确定在基础选项中将添加或替换的属性/特征，利用至少部分地基于优化目标选择的一个或多个机器学习预测模型，以确定与所选基础选项的替代特征相关联的预测值。使用训练数据来训练一个或多个机器学习预测模型，以至少为该一个或多个机器学习预测模型标识与替代特征相关联的机器学习权重值。例如，可以向经训练的机器学习模型提供替代的特征或特征组合，以确定该特征或特征组合相对于优化目标和/或所选基础选项的目标优化预测得分。基于预测值，可以对替代特征的至少一部分进行排序，以生成针对所选基础选项的替代特征的至少一部分的有序列表。例如，可以使用特征的目标优化预测得分，以便相对于关于这些特征被包括在基础选项中将如何积极影响目标优化的预测来对这些特征进行排名。可以提供有序列表，以用于在制造具有该有序列表中的一个或多个替代特征的所选基础选项的替代版本中使用。例如，替代特征中的一个由于其在次序中的高排名而被选择以被包括在基础选项中，并且可以生成标识所选替代特征的设计规范以用于制造所得产品，该产品是所选基础选项的替代版本。

图1是图示了用于选择和提供产品的过程的实施例的流程图。在一些实施例中，选择并且向顾客提供的产品中的至少一些可以是根据本文中描述的过程生成的产品。图1的过程可以至少部分地在图2中所示的系统200的一个或多个部件上实现。例如，可以由数据平台204和推荐引擎202相对于数据库206和设计工具208来执行该过程。在一些实施例中，图1的过程由图17的处理器1702执行。

在102处，接收用于登记的请求。可以从请求推荐和/或产品的潜在顾客接收用于登记的请求。可以向顾客登记产品选择和分配系统，诸如图2的系统。在登记时，潜在的顾客成为顾客，并且可以存储关于该顾客的信息。产品可以一次提供给顾客，或者可以在定期/订阅的基础上提供给顾客。可以基于可以随着时间而被学习的顾客的偏好来为顾客选择产品。在一些实施例中，为顾客选择的产品可以是如下产品：该产品是为了修改现有的基础选项/产品以优化优化目标而在人工智能/机器学习的协助下设计的产品。作为登记的部分，顾客可以提供关于他或她的偏好的信息。例如，顾客可以直接或间接提供信息。可以通过个性化app或第三方样式或消息传递平台来提供信息。该信息可以存储在诸如图2的数据库206之类的数据库中。

在104处，基于用于登记的请求来确定顾客属性。顾客属性可以包括诸如传记信息和测量值之类的客观属性以及其他客户区段。顾客属性可以包括主观属性，诸如对样式、适合度、颜色、设计者/品牌和预算的偏好。例如，顾客可以对具体样式、印花和/或属性（包括库存中的那些产品和来自其他提供商的产品）进行评级（rate）。可以通过第三方app或平台、诸如允许用户指示兴趣和/或与其他用户共享在产品方面的兴趣的app来收集信息。当顾客向系统登记时，可以收集顾客属性。例如，顾客可以完成关于他或她的测量值（身高、体重等）、生活方式和偏好的调查。该信息可以存储到顾客简档。可以从社交媒体和由顾客在诸如Pinterest^®、Instagram^®、Facebook^®、LinkedIn^®等之类的第三方平台上创建或策划的内容来确定顾客属性。

当顾客进行购买并提供关于产品的反馈时，可以更新顾客属性。例如，可以更新顾客简档。顾客可以以各种格式来提供反馈，包括关于一个或多个产品来完成调查、撰写产品评论、发布社交媒体帖子等等。向顾客推荐的产品可以适应于顾客的改变的属性和品味。在一个方面，计算机系统和/或式样设计师可以随着时间学习顾客的品味。

在各种实施例中，可以基于关于与特定顾客共享特性的其他用户的概括来确定顾客属性。可以从个体顾客属性进行关于顾客组的概括。可以通过包括性别、体型、共享的偏好（例如，客户之间的相似性的测量，诸如客户的客观或主观属性或学习到的产品偏好方面的相似性）等的任何特性来对顾客进行分组。

在106处，基于顾客属性来确定产品选项。可以通过处理顾客属性以从库存中的所有产品选择产品的子集来确定产品选项。可以将产品选项提供给式样设计师。在各种实施例中，式样设计师不是直接向顾客提供所有的产品选项，而是首先从产品选项当中选择产品以提供给顾客。

在108处，基于产品选项从式样设计师接收产品选择。式样设计师（例如，人类用户）从产品选项选择产品选择。然后可以将产品选择提供给顾客。假设某个顾客正在寻找短上衣。可以基于顾客的属性从库存中自动选择一个或多个短上衣。式样设计师不是直接将短上衣提供给顾客，而是选择短上衣的子集以提供给顾客。可以存储关于产品选择的统计信息，诸如一项目是否被选择为产品选择的部分、该项目何时被选择为产品选择的部分、针对谁/什么类型的顾客而选择了该项目等等。

在110处，将产品选择提供给顾客。可以将一批装运项目提供给顾客。然后，顾客可以决定保留或退回装运中的项目中的一个或多个。如果顾客决定保留一项目，则顾客购买该项目。可以存储关于项目的统计信息，诸如它们是否被保留或退回、它们何时被保留或退回、谁/什么类型的顾客保留或退回了该项目。

在112处，接收关于产品选择的反馈。顾客可以提供关于产品选择的反馈，诸如顾客为什么保留或不保留产品选择中的一个或多个项目的原因。顾客可以以各种格式提供反馈，包括完成调查、撰写产品评论、发布社交媒体帖子等。反馈可以被存储并且与顾客和/或项目相关联。在各种实施例中，反馈可以用于设计出可能吸引特定顾客群或满足优化目标的产品。

在114处，存储关于产品选择和/或反馈的信息。例如，更新项目的跟踪销售量度。在一些实施例中，与项目相关联的销售和反馈信息可以存储在诸如图2的数据库206之类的数据库中。

图2是图示了用于选择和提供产品的系统的实施例的框图。在一些实施例中，选择并且向顾客提供的产品可以是根据本文中描述的过程生成的产品。图2中所示的示例系统200包括推荐引擎202、数据平台204和数据库206、以及设计工具208。这些部件中的每一个都可以经由网络250而通信地耦合。

推荐引擎202可以被配置成采用自适应机器学习，以向从项目库存中为顾客选择项目的式样设计师提供推荐。例如，该系统可以使用经机器学习训练的模型来对产品进行评分。可以向式样设计师提供最高评分的产品。然后，式样设计师（例如，人类）选择这些最高评分的产品中将提供给顾客的一个或多个。顾客可以购买/保留产品和/或提供关于产品的反馈。该反馈可以用于改进经机器学习训练模型。

数据平台204可以被配置成协调推荐引擎202、数据库206和设计工具208的操作。例如，当通过顾客、式样设计师、设计者和/或供应商与系统200的交互来生成数据时，数据平台204可以确定将存储什么信息。例如，数据平台可以将数据存储为用于机器学习的训练数据集的部分，如本文中进一步所描述。数据平台可以被配置成执行本文中描述的过程，例如，图3中所示的过程。在各种实施例中，设计工具208可以通信地耦合到数据平台204，并且数据平台204可以被配置成基于在设计工具208处接收到的输入来执行图4-6中所示的过程。

数据库206可以被配置成存储关于顾客、产品、销售数据、表现量度和机器学习模型的信息。产品信息可以包括与产品或产品组相关联的数据。产品信息可以包括产品的客观属性，诸如库存单位（SKU）、项目类型、项目性质（例如颜色、图案、材料）等。产品信息可以包括产品的主观属性，诸如对体型、季节的适应性等。产品属性可以由人类或机器来标识。产品信息可以包括产品的表示，诸如文本、图像、视频或其他形式的数据。在一些实施例中，关于项目的信息可以与诸如关于项目的顾客反馈之类的关联信息一起存储。在一些实施例中，关于项目的信息可以与统计信息一起存储，该统计信息诸如：销售量度（例如，与项目或项目组的销售有关的统计信息）、库存量度（例如，与库存有关的统计信息，诸如库存中的单位的数量）、种类（例如，库存多样性的测量和诸如潜在市场之类的相关信息）。在各种实施例中，关于项目的信息可以与一个或多个相关联的评级一起存储，该评级诸如：样式评级（例如，顾客对项目样式的满意度的测量）、大小评级（例如，所标识的项目大小的准确性的测量）、适合度评级（例如，顾客对项目有多适合的满意度的测量）、质量评级（例如，顾客对项目质量的满意度的测量）、保留度测量（例如，产品导致顾客将来购买的可能性的测量）、个性化测量（例如，顾客对项目与顾客的个性和独特性有多匹配的满意度的测量）、样式分组测量（例如，项目被分类在特定组中的可能性）、价格价值评级（例如，项目价值相对于其价格的评级）等等。在各种实施例中，可以存储关于项目的信息，该信息利用聚合量度对样式进行评分，该聚合量度一起表示任何或所有的前述量度的适当权重/值。

在各种实施例中，数据库206存储关于每个项目在库存中有多少单位的信息。可以存储供应链信息，诸如已订购了多少单位的项目，期望何时接收它们以补充该项目的库存等。

如本文中所描述，可以基于基础选项相对于量度的表现来评估其替代特征。如果预测该替代特征对于总体优化目标的所选量度表现良好，则可以高度地对该替代特征进行排名。评估量度可以对应于一个或多个机器学习模型，该机器学习模型对不同特征集合的评估量度值进行量化，以评估在该特征集合中的替代特征的替换/添加是否更好地实现了优化目标。

在各种实施例中，可以至少部分地基于协作过滤和/或客户分段来选择替代特征。例如，可以基于样式将落入集群（例如，潜在市场）中的可能性来选择替代特征。为了确定样式是否将落入集群中，可以分析组成样式的特征集合，以确定该集合是否将导致样式以具体方式被分类（例如，其是否将被分类在特定样式类别中）。该集群可以基于诸如来自第三方app或平台的反馈之类的反馈。

机器学习模型可以包括从诸如图3的过程之类的机器学习过程生成的经训练的模型。可以按类型对经训练的模型进行分类，所述类型诸如销售模型、库存模型、种类模型等。对于模型的每个类别，可以针对一个或多个区段中的每一个生成模型，这些区段诸如基于以下各项中的一个或多个的区段：目标体型、目标季节性、目标会计季度、目标顾客类型或业务线（例如，女性、男性、儿童）、目标生活方式、目标产品类型（例如，短上衣、连衣裙、裤子）、目标样式（例如，前卫、都市、西北太平洋）等。模型可以对应于特定区段，诸如客户区段、时间段等。例如，第一销售模型可以针对具有第一体型、诸如娇小的一组顾客的产品的销售表现，并且第二销售模型可以针对具有第二体型、诸如高的一组顾客的产品的表现。

在一些实施例中，可以利用经机器学习训练的销售模型，来预测具有向该模型指示的特征的产品的销售。可以使用过去的销售数据来训练销售模型。

在一些实施例中，可以利用经机器学习训练的库存模型，来预测与具有向该模型指示的特征的产品相关联的库存量度。可以使用销售数据、当前库存信息、过去库存信息等来训练库存模型。

在一些实施例中，可以利用经机器学习训练的种类模型，来预测如下可能性：具有向该模型指示的特征的产品是否将合期望添加到产品供应的库存以实现库存种类的理想分配。

在一个方面，即使在样式确切地针对谁通常不是可标识的情况下，也可以使用种类模型来标识库存中的种类的价值。种类模型可以根据在全球满足需求的产品来衡量产品。种类模型可以帮助扩展总的潜在市场。也就是说，即使产品确实在当前顾客的情况下表现不佳，该产品在潜在/未来顾客的情况下也可以表现良好。在另一方面，顾客可能偏好具有更多的颜色选择，即使他或她倾向于仅购买一个颜色。顾客可能喜欢增加他或她正在以他或她的颜色来购买独特短上衣的可能性，这是因为该短上衣是以许多颜色选择而提供的。可以使用对库存种类的期望分配的更高级别的指示来训练种类模型。例如，可能必须利用机器学习训练，以基于较高级别的产品类别来确定针对理想库存分配的较高级别模型，并且使用该较高级别模型来训练种类模型，以基于产品特征来确定针对理想库存分配的模型。例如，可以以三个颜色提供特定的短上衣样式。尽管这些颜色中的一个可能不如其他两个颜色销售得那么好，但是提供第三个颜色作为选项可以表示在库存中的价值。

在各种实施例中，可以利用其他模型。示例模型包括：针对样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组和价格价值评级的模型，如本文中关于图2进一步描述的那样。

设计工具208可以被配置成采用自适应机器学习来帮助设计者根据顾客的品味为顾客设计项目。可能是基础选项和一个或多个特征的混合的所设计的项目可能处于式样设计师可以选择提供给顾客的项目之中。设计工具可以被配置成执行本文中描述的过程以设计产品，其中该产品结合了为了满足优化目标而选择的所预测的成功特征，如本文中进一步描述的那样。例如，设计者可以使用设计工具208来创建产品。组成产品的一个或多个特征的选择可以基于优化目标，诸如增加销售率（例如，通过已销售单位来测量）、选择率（例如，通过将针对销售而提供的选择的频率来测量）、对特定市场区段的吸引力、针对特定季节或季度的表现等，如本文中进一步所描述的那样。因此，该产品可以是机器学习/人工智能针对基础选项选择的替代特征的组合的结果，其中该替代特征是被自动确定为处于满足优化目标的最佳选项之中的那些特征。例如，可以根据每个替代特征多好地满足该目标来对替代特征进行排名，并且可以选择并呈现十个最佳特征（或其他阈值数量），以用于作为用以创建产品的基础选项的替换或附加特征来使用。换句话说，产品是与一个或多个替代特征或替代特征组合相组合的基础选项。

在各种实施例中，设计工具可以被配置成执行本文中描述的过程（例如图4-6中所示的过程）以设计产品。设计工具208可以接收输入，使用机器学习/人工智能来自动做出设计推荐，并且生成输出设计规范。可以将设计工具的输出提供给供应商以根据该输出的规范来制造产品。

例如，为了至少部分地自动设计产品，系统聚合了从顾客、式样设计师和/或设计者收集的数据。数据平台可以使用本文中进一步描述的机器学习过程来建立一个或多个经训练的模型。用以训练模型的训练数据可以基于如随时间存储在顾客数据库、推荐数据库和/或库存数据库中的顾客、式样设计师和/或设计者的行为。当设计者经由设计工具提供优化目标时，系统选择一个或多个基础选项并将其提供给设计者。设计者可以选择基础选项之一。作为响应，系统可以利用该模型来针对基础选项自动标识一个或多个替代特征（或替代特征的组合）。可以基于替代特征来修改或扩增基础选项。例如，如果基础选项是短上衣，则替代特征可以标识领口、袖子长度、下摆长度等的替换或类型。也可以由系统基于本文中描述的过程（例如，图5的过程）来自动选择基础选项。

图3是图示了用于监督式机器学习来训练一个或多个预测模型的过程的实施例的流程图。图3的过程可以至少部分地在图2中所示的系统200的一个或多个部件上实现。在一些实施例中，图3的过程由图17的处理器1702执行。在一些实施例中，设计者使用图7的GUI700与图3的过程交互。

在302处，收集和准备训练数据。在监督式机器学习中，可以利用训练数据来训练预测模型，以基于从训练数据“学习”的信息来执行预测。所收集的数据还可以包括验证数据，以验证经训练的预测模型的准确性。

训练数据可以从关于存储在图2的数据库206中的项目的数据而被导出。可以针对不同的预测模型类别或区段来训练不同的预测模型。为了训练不同模型中的每一个，可以特别地针对待训练的不同模型收集不同的训练数据集。例如，针对各种不同的区段收集与使用特定类型的模型预测的量度相关联的过去表现数据，并且可以针对各种不同区段组合中的每一个训练特定类型的不同模型。

可以按类型来对待生成的经训练的模型进行分类，所述类型诸如销售模型、库存模型、种类模型、评级模型等。对于模型的每个类别，可以针对一个或多个客户区段中的每一个生成模型，这些客户区段诸如基于以下各项中的一个或多个的区段：目标体型、目标季节性、目标会计季度、目标顾客类型或业务线（例如，女性、男性、儿童）、目标生活方式、目标样式（例如，前卫、都市、西北太平洋）、目标产品类型（例如，短上衣、连衣裙、裤子）等。

在一些实施例中，可以利用销售模型类型的预测模型来预测具有向该模型指示的特征的产品的成功或销售。为了训练销售类型模型而收集的训练数据包括与产品的过去销售表现相关联的数据、以及关于特定产品（例如，产品的特征）和特定销售的相关联信息。

在一些实施例中，可以利用库存模型类型的预测模型来预测具有向该模型指示的特征的产品是否最终将被提供给顾客的可能性。为了训练库存类型模型而收集的训练数据包括与产品的过去选择表现（例如，式样设计师的选择率）相关联的数据、以及关于特定产品（例如，产品的特征）和特定选择的相关联信息。

在一些实施例中，可以利用种类模型类型的预测模型来预测如下可能性：具有向该模型指示的特征的产品是否将合期望添加到产品供应的库存以实现库存种类的理想分配。为了训练种类类型模型而收集的训练数据包括与库存种类的期望分配的更高级别指示相关联的数据。例如，可以利用机器学习训练来基于较高级别的产品类别来确定针对理想库存分配的较高级别模型，并且使用该较高级别模型来训练种类模型，以基于产品特征来确定针对理想库存分配的模型。

在304处，选择监督式机器学习特征和参数。例如，用户可以设置将用于训练模型的各种机器算法的控制参数。特征的选择指代对机器学习特征或项目的个体可标识性质的选择。可以基于经训练的模型的目的来选择特征和参数。针对服装产品的特征的示例包括类型（例如，短上衣、连衣裙、裤子）、轮廓（例如，服装的形状）、印花（例如，面料上的图案）、材料、下摆线、袖子等。关于图8描述了特征的示例。可以接收特征的标识。将在预测模型中利用的特征的选择可以至少部分地由人类用户来定义，或者至少部分地通过被自动确定来定义。例如，人类或人工智能可以定义待训练的预测模型的特征。

在各种实施例中，特征可以至少部分地基于自然语言处理（NLP）。例如，计算机系统可以根据NLP技术从文本提取信息。NLP系统可以分析诸如在产品评论、评述表格、社交媒体、电子邮件等中由顾客生成的和关于顾客的文本，以确定顾客偏好。例如，当顾客接收到项目时，他们可以提供反馈（例如，文本）（例如，图2的112）。可以利用NLP技术来处理顾客提供的反馈以提取特征。NLP技术包括基于规则的引擎、聚类和分类，以便做出关于可能被视为特征的产品特性的确定。可以通过机器学习或计算机视觉或NLP来标识特征，并且推荐该特征以便被包括在产品设计中。在各种实施例中，可以使用术语频率-逆文档频率（TFIDF）、潜在狄利克雷分配（LDA）、主机托管分析（colocation analyses）等，来创建样式的低维表示或生成表示样式的单词或短语。然后，各种机器学习方法可以使用这些特征来预测量度/优化目标。然后，可以将预测优化目标的特征关联回到代表性样式，以将概念传达给设计者和/或制造商。

在各种实施例中，可以至少部分地基于计算机视觉来选择特征。例如，关于项目（诸如存储在数据库206中的项目）的信息可以具有图像表示。计算机系统可以根据计算机视觉技术从关于项目的信息的图像或视频提取信息。计算机视觉系统可以识别对象、对象性质、共性或关于对象组的概括，以标识对象的图案和特征。在此，计算机视觉系统可以识别项目之间的共同属性，并将它们标识为特征。计算机视觉系统可以标识不可被人类描述的产品的特征。使用面料的示例，计算机视觉系统可以标识人类可能不将其识别为在两件服装之间是共有的特定印花。在一些实施例中，计算机视觉系统可以允许量化各种印花的样式之间的距离。在各种实施例中，可以通过使用颜色值创建独特的聚类空间来发现特征。可以通过边缘检测并定义印花尺度和对比度来创建颜色值。边缘检测可以用于通过量化图案的“繁忙度”来提供样式之间的距离量度。在一些实施例中，可以通过使用神经网络、卷积等来定义颜色值。在一些实施例中，可以在没有神经网络的情况下从图像数据提取颜色值。例如，可以使用潜在维度和/或潜在维度或这些维度内的聚类（k均值）的主成分来预测优化目标。在各种实施例中，特征可以至少部分地基于神经网络。可以使用由RGB或LAB颜色空间内的聚类引起的颜色标签的数字颜色描述来预测优化目标。

在306处，训练一个或多个模型。经训练的模型可以预测/确定具有作为输入被提供到该经训练的模型的特征集合的产品的表现。可以按类型对经训练的模型进行分类，所述类型诸如销售模型、库存模型、种类模型、评级模型等。对于模型的每个类别，可以针对一个或多个区段生成模型。例如，经训练的模型可以接收特征或特征组合作为输入，并且对表现量度进行预测/评分，表现量度诸如销售量度、库存量度、种类量度、样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组和价格价值评级。

在各种实施例中，训练多个模型，并且每个模型对应于相应的表现量度。例如，训练销售模型以确定销售量度，训练库存模型以确定库存量度，训练库存模型以确定库存量度，并且使用评级模型以确定样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组和价格价值评级。可以利用训练数据集来训练模型，其中训练数据集对应于特定的类别和区段。

销售模型可以相对于输入的销售量度对输入进行评分。可以利用销售模型来预测什么特征将具有高的销售量度率。例如，训练销售模型可以包括关于产品的过去销售的信息，在该信息中，产品的特征是已知的。库存模型可以相对于输入的库存量度对输入进行评分。库存模型可以预测特征将被提供给顾客的可能性。种类模型可以相对于其在向库存提供种类或多样性中的价值对输入进行评分。评级模型可以相对于其预测的评级对输入进行评分。通过利用针对仅特定区段的数据进行训练，模型可以专门用于该特定区段。例如，用于特定区段的模型可以预测特征的特定组合是否将针对具体客户区段的顾客销售良好。

可以根据监督式学习或其他机器学习技术来训练模型。在监督式学习中，目的是要确定在优化期望结果的函数中的特征的权重，其中该函数是特征之间的关系的表示。在训练过程中，经由训练确定与模型特征相关联的权重。也就是说，确定每个特征对特征组合的预测结果的贡献。在各种实施例中，可以使用考虑了若干个特征的混合效应模型来训练模型，这些特征中的一些可以是非独立的。可以通过将功劳归因于特定特征的岭回归来训练模型。

在一些实施例中，当训练模型时，确定每个特征对函数的输出的归因。在一些实施例中，特征表示特征的组合。例如，当个体特征与另一个特征组合时，该个体特征可能具有不同的加权。特征或特征集合可以定义基础选项。随着向模型提供更多输入，函数的输出变得更接近目标或验证结果。

在各种实施例中，可以在已经训练了模型之后评估模型。模型的误差是实际表现与所建模的表现之间的差异。在另一方面，在某些情况下，良好训练的模型然而可能与实际结果有所不同。在该情况下，产品可能具有使产品比预期表现得好的方面。例如，该产品可能比由经训练的模型预测的表现得好。针对成功的因素的描述是一方面。如本中文进一步所描述，可以通过将该方面并入产品中来利用该方面。

作为训练的结果，经训练的销售/成功模型可以预测产品中组合的特征集合的表现/成功。例如，给定仅在颜色上不同的两个特征集合，该模型可以预测成功可归因于颜色特征中的差异。因为经训练的模型能够将成功归因于特定的替代特征或替代特征的组合，所以由经训练的模型进行的预测可以用于标识将被包括在产品中的最佳地匹配优化目标的替代特征。

在308处，应用（一个或多个）经训练的模型。可以应用（一个或多个）经训练的模型，以做出关于将在产品设计中包括的特征的推荐。因此，（一个或多个）经训练的模型可以推荐一个或多个替代特征以扩增基础选项（例如，被利用作为设计起始点的现有产品）。也就是说，产品包括使用经训练的模型而被标识为合期望被包括在产品中的特征的一个或多个属性。如本文中进一步描述的，经训练的模型可以用于做出关于一个或多个基础选项的推荐。例如，可以探索基础选项的搜索空间，以使用经训练的模型来选择（例如，根据优化目标）表现良好的基础选项。可以对经训练的模型的结果进行加权，并且将该结果与其他经训练的模型的加权结果进行组合，以对替代特征进行排名。

图4是图示了产品的计算机生成的设计的过程的实施例的流程图，该过程包括基础选项确定和特征确定。图4的过程可以至少部分地在图2中所示的系统200的一个或多个部件上实现。在一些实施例中，图4的过程由图17的处理器1702执行。在一些实施例中，设计者使用图7的GUI 700与图4的过程交互。

在402处，接收优化目标。优化目标可以描述用于产品的设计目标和/或表现目标。优化目标描述了期望由产品实现的目标结果（例如，设计元素或表现），并且可以用作评估基础选项和/或替代特征的基础。优化目标的示例是图8的860。在一些实施例中，表现目标的示例是“设计新产品，该新产品针对一区段中的顾客在冬季中的使用将是商业上成功的。”。设计目标的示例是产品设计中必须包括的一个或多个特征，诸如“设计包含波尔卡圆点的新产品”。

优化目标可以包括一个或多个目标成分。在一些实施例中，目标成分可以标识一个或多个特征，诸如颜色、印花、袖子长度、下摆长度等。在一些实施例中，目标成分可以标识一个或多个优化类型，诸如销售量度（例如，设计出被预测实现最高销售额的产品的目标）、库存量度（例如，设计出被预测针对向顾客的呈现实现最高选择率的产品的目标）、种类量度（例如，设计出被预测优化库存中的产品分配的产品的目标）、样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组和价格价值评级等。目标成分可以具有目标区段。在各种实施例中，目标区段指代当前区段和/或将来的区段或将在其中进行扩展的区域。示例目标区段包括：目标业务线（例如，女性、男性、儿童）、目标产品类型（例如，短上衣、连衣裙、裤子）、客户区段、季节性（例如，春季/夏季、秋季/冬季）等。可以针对优化类型的区段来评估优化目标，例如，针对某客户区段的目标顾客并且在目标产品季节中优化销售。可以经由诸如图7的GUI 700之类的GUI来接收优化目标。

在各种实施例中，用户可以提供一个或多个目标成分。例如，用户可以从若干个目标成分选项当中进行选择。在各种实施例中，可以通过解析字符串来确定一个或多个目标成分。例如，优化目标可以由用户在输入文本框中录入。

在404处，使用优化目标以从可能的基础选项当中标识一个或多个基础选项候选者。在一些实施例中，基础选项候选者以与其关于优化目标的合期望性相关联的排名次序而被呈现给用户/设计者。可以从以下各项中的基础选项当中选择基础选项候选者：产品的目录（例如，产品可以从供应商可获得或可能先前已经被提供给顾客）、一组人工策划的基础选项、和/或机器选择的一组基础选项。在各种实施例中，基础选项候选者是可用于销售的项目。例如，可以基于针对先前被销售的项目的销售数据来选择基础选项候选者。因为该项目针对优化目标中标识的特定区段销售良好，因此可以选择基础选项候选者。在各种实施例中，基于与每个基础选项候选者相关联的过去表现数据来确定基础选项候选者。例如，可以使用针对给定产品区段的最畅销品的排名列表来选择这些最畅销品中的一个或多个以便被包括在基础选项候选者的列表中（例如，售价低于25美元的三个最畅销的短上衣可以被标识为基础选项候选者）。

在各种实施例中，通过评估作为产品的基础选项的实际表现（例如，如通过销售数据衡量的）与预测表现之间的偏差来确定基础选项候选者。基础选项的预测表现可以从一个或多个经训练的模型来确定，该模型诸如通过图3的过程训练的模型。假设产品比预期（例如，如根据通过机器学习（诸如图3的过程）训练的经训练的模型预期的那样）表现得好。可以对实际表现与预测表现之间的这种差异进行评分，并且可以使用与不同基础选项候选者相关联的得分对基础选项候选者进行排名和排序，以帮助选择最佳基础选项。例如，如果实际表现与预测表现之间的偏差明确较大，则产品可能得分更高。例如，产品可能排名较高，这是因为该产品的某些方面导致了该产品实际比预测表现得好。

通过使用比由经训练的模型预测的表现得好的产品的偏差的评分，可以通过使用导致实际表现与预期表现之间的偏差的归因/特征来将使其成功的产品的方面并入到产品中。实际表现与预测表现之间的偏差计及了导致产品比预测的表现得好的未指定的特征，并且模型未计及这些未指定的特征。较大的偏差值指示该产品具有预测模型不能有效建模的属性。通过选择在实际表现与预测表现之间具有最大积极偏差的基础选项作为产品设计的基础，产品设计合并不能由预测模型有效建模的基础选项的积极属性。

连同图5一起提供了与基础选项的选择有关的附加示例细节。

在406处，接收对所选基础选项的选择。基础选项可以由一个或多个特征的集合来定义。该选择可以由设计者/用户进行。例如，用户可以经由GUI来选择基础选项以用作产品设计的基础。图7和图11中示出了用于提供基础选项候选者并且接收选择的示例GUI。

在408处，选择一个或多个经训练的模型，以评估所选基础选项的替代特征。可以至少部分地基于优化目标和/或所选基础选项来选择（一个或多个）经训练的模型。也就是说，可以至少部分地基于优化目标来选择一个或多个机器学习预测模型（也被称为“经训练的模型”），以确定与所选基础选项的替代特征相关联的预测值。例如，根据图3的306，一个或多个机器学习预测模型可能已经使用训练数据而被训练，以至少为该一个或多个机器学习预测模型标识与替代特征相关联的机器学习权重值。

可以选择经训练的模型以限制所使用的经训练的模型的数量，这是因为使用更多的模型增加处理时间。可以选择与优化目标和/或基础选项最相关的经训练的模型，以在减少处理时间的同时最大化预测准确性。在各种实施例中，可以至少部分地基于优化类型来选择经训练的模型的特定类别（例如，销售、库存或种类）。在各种实施例中，可以至少部分地基于优化目标成分来选择特定区段。取决于优化目标，可以对经训练的模型的预测/结果进行加权，并且确定与不同模型相关联的权重。例如，可以对不同经训练的模型的预测结果进行加权和组合，以确定可以用作对替代特征进行排名的基础的整体预测值。

在410处，针对所选基础选项标识合格的替代特征。合格的替代特征可以由用户选择和/或被自动确定。例如，在预测模型的所有可能的特征（例如，在图3的304中确定的特征）当中，标识对于被包括在基础选项中作为替换或附加特征而言适用且合格的特征子集。在一些实施例中，可以根据手动指定的规则或经机器学习的模型来选择对于所选基础选项而言合格的特征。合格的特征包括在给定所选基础选项的已经现有的特征的情况下可以添加或替换的特征。例如，如果基础选项是裙子，则合格的特征可以包括长度、轮廓和面料。将不会选择诸如袖子和领口之类的特征，因为它们不适用于裙子。

在412处，使用所选的（一个或多个）经训练的模型来对特征的一个或多个集合进行评分。例如，特征集合可以由基础选项的特征和替代特征中的至少一个组成，其中替代特征替换基础选项的特征中的一个，或者被添加到基础选项的该特征集合。作为另一个示例，特征集合可以由基础选项的特征和多个替代特征组成，其中该多个替代特征替换基础选项的特征中的一些，或者被添加到基础选项的该特征集合。在各种实施例中，根据图3的过程训练的模型采用该特征集合并输出该特征集合的预测得分。该模型可以用于替代特征与基础选项的所有可能的组合，以生成针对每一个组合的预测。因为针对特征的机器学习权重是已知的，所以加权特征的函数生成表示关于组成产品的特征组合的预测的输出。使用关于特征组合的输出，可以对特征组合进行排名。相应地，可以对个体替代特征或替代特征的组合进行排名。在各种实施例中，利用多于一个经训练的模型。例如，可以对每个所选的经训练的模型的结果进行加权，并且将若干个经训练的模型的加权结果的组合确定为替代特征或特征组合的总得分。

在414处，生成替代特征的有序列表。在各种实施例中，可以通过对替代特征的至少一部分进行排序来基于预测值生成有序列表，以针对所选基础选项生成替代特征的至少一部分的有序列表。对与所选基础选项的不同替代特征相对于在412中确定的优化目标的合期望性相关联的值（例如得分）进行排序和排名，并且在将被利用以修改所选基础选项的设计的替代特征的推荐的有序列表（例如，从最佳到最差）中提供对应的替代特征。例如，可以在排名列表中输出十个最高评分的替代特征或替代特征的组合。该信息可以用于例如通过将至少一些特征并入到基础选项来设计产品。

在416处，提供替代特征的有序列表。替代特征的有序列表允许设计者或计算机处理器对基础选项进行修改并生成产品。可以根据替代特征对预测结果的影响来对替代特征进行排序。例如，有高度影响力的特征可以比有较低影响力的特征排名高。如果优化目标是销售量度，则可以根据如果替代特征被并入到产品中则它们将如何增加产品销售来对它们进行排名。

在各种实施例中，当选择替代特征以便包括在产品设计中时，可以标识和显示具有最佳地满足所指示的优化目标的该替代特征的已经现有的产品的示例。例如，因为在如何实现特定特征（例如，条纹图案的类型）方面可能有细微的变化，因此通过定位最佳目标优化示例来提供关于确切特征实现方式的推荐。图6中示出了示例过程。

在各种实施例中，可以选择第一替代特征以便并入到基础选项中。在并入时，可以重新生成替代特征的有序列表，以反映对替代特征的排名的更新。例如，可以重复406-414，其中基础选项是在并入了（一个或多个）所选替代特征情况下的基础选项。这可以产生替代特征的子集或不同集合，以便与第一并入的替代特征一起并入到基础选项中。在一些实施例中，替代特征的排名可以响应于被并入到基础选项中的特征而改变，这是因为特征可以彼此相互作用以影响产品的成功。也就是说，成功的特征可能不与另一个成功的特征良好地起作用，使得在产品中具有这两个特征可能使该产品不太成功。例如，长袖可能不与波尔卡圆点良好地起作用。作为另一个示例，两个特征（例如，长袖和短袖）可能不兼容。

在一些实施例中，设计者可以从所提供的有序列表选择多个替代特征，以便并入到基础选项中以设计产品。可以将所得的产品输入到经训练的模型中以对该产品进行评分。例如，设计者可以选择特征和基础选项的若干个组合以生成多个产品。可以使用（一个或多个）经训练的模型对每个产品进行评分。然后可以将产品彼此比较以确定相对预测的表现。

在各种实施例中，可以响应于用于并入到基础选项中的替代特征选择来呈现产品的表示。这可以帮助设计者将产品可视化。例如，基础选项的图像可以被更改，以示出所并入的替代特征。基础选项的图像可以与所并入的替代特征的图像组合。例如，如果半截袖用长袖替换，则具有半截袖的基础选项的图片可以被更新为具有长袖的基础选项的图片。在各种实施例中，产品的表示可以与基础选项一起显示以允许进行比较。图9和图16中示出了产品的视觉表示的示例。

图5是图示了用于标识基础选项的过程的实施例的流程图。图5的过程可以至少部分地在图2中所示的系统200的一个或多个部件上实现。在一些实施例中，图5的过程由图17的处理器1702执行。在一些实施例中，图5的过程的至少一部分被包括在图4的404中。

在502处，确定优化目标的一个或多个成分。优化目标可以描述用于产品的设计和/或表现目标。优化目标描述了期望由产品实现的目标结果（例如，设计元素和/或表现），并且可以用作评估基础选项和/或替代特征的基础。优化目标的示例是图8的860。优化目标可以包括一个或多个目标成分。目标成分可以标识一个或多个优化类型，诸如销售量度（例如，设计出被预测实现最高销售额的产品的目标）、库存量度（例如，设计出被预测针对向顾客的呈现实现最高选择率的产品的目标）、种类量度（例如，设计出被预测优化库存中的产品分配的产品的目标）、样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组、价格价值评级等。目标成分可以具有目标区段，诸如目标业务线（例如，女性、男性、儿童）、目标产品类型（例如，短上衣、连衣裙、裤子）、客户区段、季节性（例如，春季/夏季、秋季/冬季）等。可以针对优化类型的区段来评估优化目标，例如，针对某客户区段的目标顾客并且在目标产品季节中优化销售。可以经由诸如图7的GUI 700之类的GUI来接收优化目标。

优化目标允许基础选项彼此比较。例如，“我想增加利润”可以对应于增加销售率和增加选择率的目标。在各种实施例中，用户可以提供一个或多个目标成分。例如，用户可以从若干个目标成分选项当中进行选择。在各种实施例中，可以通过解析字符串来确定一个或多个目标成分。例如，优化目标可以由用户在输入文本框中录入。

在504处，选择合格的基础选项。可以从以下各项中的基础选项当中选择基础选项候选者：产品的目录（例如，产品可以从供应商可获得或可能先前已经提供给顾客）、一组人工策划的基础选项、一个或多个特征的一个或多个集合的组、和/或机器选择的一组基础选项。在各种实施例中，基础选项候选者是可用于销售的项目。例如，可以基于针对先前被销售的项目的销售数据来选择基础选项候选者。因为该项目针对优化目标中标识的特定区段销售良好，因此可以选择基础选项候选者。在各种实施例中，基于与每个基础选项候选者相关联的过去表现数据来确定基础选项候选者。例如，可以使用针对给定产品区段的最畅销品的排名列表来选择这些最畅销品中的一个或多个以便被包括在基础选项候选者的列表中（例如，售价低于25美元的三个最畅销的短上衣可以被标识为基础选项候选者）。在一些实施例中，基础选项是由一个或多个特征的集合来定义的，而不是可用于销售的具体项目。例如，将利用作为起始的特征集合的一个或多个特征的列表定义了基础选项。

在所有可能的基础选项当中，只有满足了优化目标的所标识的区段的基础选项可以被包括在合格的基础选项中。例如，所指示的区段可以缩窄针对合格的基础选项的可能选择。目标可以指示某些区段，并且只有在该区段中的基础选项被选择。使用用以设计出针对第一客户区段的女性将在夏季穿戴的短上衣的优化目标的区段的示例，只有被标识为短上衣的基础选项被包括在合格的基础选项中。

在506处，相对于优化目标的一个或多个成分中的每一个来评估合格的基础选项中的每一个。在各种实施例中，基于表现数据对基础选项进行评分。例如，可以基于销售数据、选择数据和种类数据对合格的基础选项进行排名。表现可以基于历史数据和/或被实际执行的可能基础选项相对于预测表现有多接近的测量值。在一些实施例中，可以基于数据、公式、模型和/或计算来为基础选项做出预测结果。例如，可以从数据库为基础选项选择公式以确定基础选项的方面。

在各种实施例中，模型无法完全预测结果，因为它是预测并且实际表现可能不同。产品可能包括未指定的特征，这些特征导致产品比预测表现得好，但是模型没有计及这些未指定的特征。如果我们知道使用模型针对特定基础选项进行的预测以及实际真实的过去结果，则我们可以将它们进行比较。如果真实结果是更合期望的，则可以通过如下模型来计及这一点：该模型对于该产品是不正确的，并且包括由于某种原因（无法描述该原因）而无法由模型预测的某方面。这一点被考虑在内，以标识展现出无法被建模的积极方面的产品/基础选项。

在各种实施例中，通过评估作为产品的基础选项的实际表现（例如，如通过销售数据衡量的）与预测表现之间的偏差来确定基础选项候选者。基础选项的预测表现可以从一个或多个经训练的模型来确定，该模型诸如通过图3的过程训练的模型。假设产品比预期（例如，如根据通过机器学习（诸如图3的过程）训练的经训练的模型预期的那样）表现得好。可以对实际表现与预测表现之间的这种差异进行评分，并且可以使用与不同基础选项候选者相关联的得分对基础选项候选者进行排名和排序，以帮助选择最佳基础选项。例如，如果实际表现与预测表现之间的偏差明确较大，则产品可能得分更高。例如，产品可能排名较高，这是因为该产品的某些方面导致了该产品实际比预测表现得好。

通过使用比由经训练的模型预测的表现得好的基础选项产品的偏差的评分，可以通过使用导致实际表现与预期表现之间的偏差的归因/特征来将使其成功的产品的方面并入到产品中。实际表现与预测表现之间的偏差计及了导致产品比预测的表现得好的未指定的特征，并且模型未计及这些未指定的特征。较大的偏差值指示该产品具有预测模型不能有效建模的属性。通过选择在实际表现与预测表现之间具有最大积极偏差的基础选项作为产品设计的基础，产品设计合并不能由预测模型有效建模的基础选项的积极属性。

这些各种得分中的一个或多个可以被单独使用和/或加权和组合使用。

在508处，确定针对可能的基础选项中的每一个的总体评估。总体评估可以是每个目标成分的得分指标和/或比由经训练的模型预测的表现得好的基础选项的偏差的得分的静态组合的聚合。

在510处，基于相应的总体评估对合格的基础选项进行排名。可以根据基础选项表现有多好来对基础选项进行排名，所述表现如通过历史数据和/或使用一个或多个经训练的模型对基础选项进行建模所测量。例如，基础选项候选者以与其关于优化目标的合期望性相关联的排名次序被呈现给用户/设计者。

在512处，标识一个或多个候选基础选项。候选基础选项可以是评分高于阈值得分的那些可能的基础选项。候选基础选项可以是最高的预定数量的可能的基础选项。例如，候选基础选项是最高的十个可能的基础选项。可以在GUI上提供候选基础选项，以供用户选择。显示候选基础选项的示例GUI是图7和图11中所示的GUI。

图6是图示了用以呈现包含替代特征的示例产品的过程的实施例的流程图。图6的过程可以至少部分地在图2中所示的系统200的一个或多个部件上实现。在一些实施例中，图6的过程由图17的处理器1702执行。在一些实施例中，图6的过程的至少一部分在图4的416之后执行。

在602处，接收对替代特征的选择。例如，设计者可以选择在替代特征列表中呈现的替代特征。替代特征可以在图4的416中提供，并且可以在诸如图8的GUI 800之类的GUI上提供。

在604处，标识具有所选替代特征的项目的一个或多个示例。在各种实施例中，当选择替代特征以便包括在产品设计中时，可以标识和显示具有最佳地满足所指示的优化目标的该替代特征的现有产品的示例。例如，因为在如何实现特定特征（例如，条纹图案的类型）方面可能有细微的变化，因此通过定位最佳目标优化示例来提供关于确切特征实现方式的推荐。在一些实施例中，在所有可能的示例项目当中，仅标识满足优化目标的所标识的区段并且还展现出所选替代特征的项目。在一些实施例中，相对于优化目标的一个或多个成分中的每一个来评估所标识的项目示例中的每一个。在各种实施例中，基于相对于优化目标的已知过去表现数据对项目进行评分。例如，可以基于销售数据、选择数据和种类数据对示例项目进行排名。在各种实施例中，至少部分地基于同项目相关联的实际表现（例如，如通过销售数据所衡量的）与项目的预测表现（如通过图3的过程训练的一个或多个预测模型所预测的）之间的偏差来对示例项目进行排名。

在606处，将具有替代特征的项目的示例提供给用户。例如，在诸如图9的GUI 900之类的GUI上呈现示例。

图7是用于生成产品设计的GUI的示例。GUI 700可以被提供为用于设计产品的设计工具的部分。在一些实施例中，GUI 700由设计者使用以设计产品。

GUI 700包括：接受关于优化目标的用户输入的输入字段（该输入字段被统称为输入部分702）；基于接收到的输入提供一个或多个响应的输出字段（该输出字段被统称为输出部分704）；以及导航菜单730。设计者可以使用设计工具来设计满足优化目标的产品。例如，设计者可能希望设计出被预测在特定客户区段当中表现良好（例如，销售良好）的服装。

在该示例中，输入部分702经由下拉菜单750接收优化目标。在此，优化目标包括以下成分：业务线（例如，女性、男性、儿童）、产品类型（例如，短上衣、连衣裙、裤子）、客户区段、会计季度或季节性（例如，春季/夏季、秋季/冬季）以及轮廓（例如，服装的形状）。可以经由如示出的下拉菜单或通过其他输入方法（诸如，文本录入、按钮选择等）来选择目标成分。目标成分可以预先填充有默认值。此处，示出了默认选择：“女性”针对业务线、“短上衣”针对类、“区段1”针对客户区段、“Q4”针对会计季度、以及“全部”针对轮廓。目标成分仅仅是示例，并且其他成分/选项也是可能的。

在替代实施例中，可以通过其他选择或输入方法来指示优化目标。图10是用于接收优化目标以便生成产品的GUI的示例。在图10中所示的示例GUI中，用户可以通过点击/触摸目标客户区段（“30岁以下”、“30岁-50岁”或“50岁及以上”）来选择目标客户区段。用户可以通过点击/触摸季节（“Q1”、“Q2”、“Q3”、“Q4”）来选择季节。

返回到图7，在该示例中，输入部分702包括呈现选项740。呈现选项可以确定如何在输出部分704中显示诸如基础选项之类的输出。在此，呈现选项包括：是否仅显示我们待用的供应商（例如，将会在将来可用的供应商）、品牌类型（例如，内部品牌相对其他品牌）、样式或样式上的变体、以及在其上拆分结果的页面的数量。例如，结果可以显示在单个页面上，或者每个页面可以被定义成显示预定数量的结果。

在该示例中，输出部分704包括从优化目标成分750生成的基础选项710。基础选项可以以基于优化目标成分750选择的最佳匹配基础选项的排名次序来显示。在该示例中，显示了八个基础选项。对于每个基础选项，可以显示相关联的信息，诸如排名量度。在各种实施例中，例如当用户点击或触摸基础选项时，可以选择该基础选项。响应于用户对基础选项的选择，可以显示一个或多个替代特征。用于针对给定基础选项选择替代特征的示例过程是图6的过程。在各种实施例中，响应于基础选项的选择，对应于导航菜单730项目“基于样式变体的替换推荐”的信息被自动更新。与“基于样式变体的替换推荐”相对应的输出的示例如图8中所示。

在替代实施例中，输出部分704包括用于选择推荐的基础选项的指令。图11是用于显示一个或多个基础选项并且接收基础选项的选择以用于生成产品的GUI的示例。在该示例中，用户响应于针对先前选择的客户组和时间段选择所推荐的主体（基础选项）的提示而选择基础选项。图11的示例对应于图10，其中选择了目标客户区段“区段3”和季节“Q4”。

在各种实施例中，导航菜单730允许用户查看从优化目标生成的各种不同的输出。在此，菜单包括：“主体推荐”（例如，基础选项）、“基于样式变体的替换推荐”（例如，替代特征）、“具有特征的最佳样式变体”（例如，产品）、“单独的特征成功”、“特征贡献”、“通过轮廓实现的特征成功”、“特征对交互”和“库存漏洞”。在各种实施例中，“主体推荐”包括基于优化目标的一个或多个基础选项的列表。例如，主体推荐可以是图4的404的结果。在各种实施例中，“基于样式变体的替换推荐”包括针对从主体推荐选择的基础选项的一个或多个替代特征的列表。例如，基于样式变体的替换推荐可以是图4的414的结果。在各种实施例中，“具有特征的最佳样式变体”包括：基于来自“基础推荐”的所选基础选项的产品以及从“基于样式变体的替换推荐”选择的一个或多个替代特征的预览。例如，可以在图4的416之后呈现具有特征的最佳样式变体。

响应于经由输入部分702接收的输入，可以在输出部分704中呈现输出。可以基于输入生成不同类型的输出，并且可以对信息进行分组和显示。在各种实施例中，用户可以使用导航菜单730在不同部分之间进行导航。图7示出了在输入部分702处接收到输入之后的GUI的状态，并且在输出部分704中呈现了一个或多个“主体推荐”。图8中示出了在输出部分704中呈现的“基于样式变体的替换推荐”的示例。图9中示出了在输出部分704中呈现的“具有特征的最佳样式变体”的示例。

图8示出了用于生成产品设计的设计工具的示例GUI。在一些实施例中，GUI 800由设计者使用以设计产品。图8示出了在输入部分处接收到输入之后的GUI的状态，并且在输出部分中呈现了一个或多个“基于样式变体的替换推荐”。

可以经由下拉菜单850选择一个或多个优化目标成分。在此，优化目标包括以下成分：业务线、类、客户区段和会计季度。关于图7的优化目标成分750而讨论了优化目标选择/提供的示例。

为了确定将用于确定替代特征的一个或多个经训练的模型（例如，图4的408），可以经由模型选择输入854来接收输入。模型选择输入854可以由用户提供。在该示例中，针对模型的选项为：量度1、量度1和量度2、量度2、量度3、以及全部三个量度（例如，量度1、2和3）。例如，量度1可以是销售模型，量度2可以是库存模型，并且量度3可以是种类模型。关于图4讨论了销售模型、库存模型和种类模型的示例。尽管未示出，但是可以使用其他模型或模型组合，包括但不限于：样式评级、大小评级、适合度评级、质量评级、保留度、个性化、样式分组、价格价值评级或聚合量度。可以通过向（一个或多个）所选模型提供一个或多个优化目标成分来从（一个或多个）所选模型确定替代特征。然后，（一个或多个）经训练的模型可以输出一个或多个替代特征，其中输出的替代特征最佳地满足优化目标。在各种实施例中，替代特征的数量可以是预定义的（例如，输出最高阈值数量的特征）。在图4和图6中示出了选择替代特征的示例过程。在其他实施例中，模型的其他选项/组合是可能的。

在一些实施例中，根据排名选项840来选择用于呈现的输出。排名选项840可以允许用户指示结果如何在用户界面中显示。例如，可以根据经由排名选项840的排名选择来处理经训练的模型的处理结果（经由模型选择输入854所选择的结果）。在该示例中，用户可以选择是否显示具有“颜色和印花”和“供应商和品牌”的特征，以及是否去除价格的影响。“颜色和印花”选项允许显示或不显示颜色和印花推荐。“供应商和品牌”选项允许显示或不显示供应商和品牌推荐。“价格”选项允许用户考虑如下模型：该模型预测什么将在整体上满足该量度、或什么将相对于服装将被销售的价格点而满足该量度。

响应于经由优化目标成分850、模型选择输入854和/或排名选项840接收到的输入，可以呈现输出。可以基于输入生成不同类型的输出，并且可以对信息进行分组和显示。在各种实施例中，用户可以使用导航菜单830在不同部分之间进行导航。在该示例中显示的输出对应于“基于样式变体的替换推荐”。

在该示例中，输出包括针对基础选项814的替代特征820。在此，基础选项以其在852处的名称“样式变体12345”被标识。针对基础选项选择的替代特征可以至少部分地基于优化目标。在此，优化目标860（“针对客户区段1和Q4进行设计，用于替换以提升量度1的最高特征为”）与基础选项814一起显示。优化目标860是经由优化目标成分850选择的成分的概括。在该示例中，部分地基于所选的训练模型（“量度1”）来选择替代特征。

可以显示基础选项的诸如图像/照片、视频或图片之类的表示。在此，显示基础选项“样式变体12345”的图像810。

在该示例中，替代特征820包括轮廓、印花、下摆线、袖子和类型。每个特征可以具有子特征。在此，针对轮廓的子特征是：半截袖、无袖和长袖。针对袖子类型的子特征是：卷边袖、帽袖、细肩带以及其他。针对印花的子特征是：佩斯利图案、花卉图案和抽象图案。针对下摆线的子特征是：标准、高低、弯曲和侧面开叉。替代特征820可以在有序/排名列表中被列出。在此，首先列出“轮廓：半截袖→无袖”，这是因为更改轮廓、并且更具体地利用无袖轮廓来替换基础选项的半截袖将使量度1提升最多。

图9示出了用于生成产品设计的设计工具的示例GUI。在一些实施例中，GUI 900由设计者使用以设计产品。图9示出了在输入部分处接收到输入之后的GUI的状态，并且在输出部分中呈现了具有所选替代特征或特征组合的一个或多个“具有特征的基础样式变体”。“基础样式变体”指代如下产品：其是具有一个或多个替代特征的基础选项的产品。

GUI 900包括替代特征选择部分920，其中用户可以指示所选替代特征以将其添加到基础选项/修改基础选项以生产产品。在该示例中，所选替代特征是图8的替代特征820的替代特征7（“印花名称：图形图案→抽象图案）。

在替代实施例中，用户可以通过选择使用特征选择部分920中的下拉菜单的内部的按钮或除了使用特征选择部分920中的下拉菜单之外的按钮来选择一个或多个替代特征。图12是用于提供替代特征选择选项并且接收一个或多个替代特征的选择以用于生成产品的GUI的示例。在图12的示例中，用户响应于选择为所选主体（基础选项）和时间定制的所推荐的特征变动（替代特征）中的一些的提示而选择“领口”作为替代特征。在此，基础选项的领口是开叉衣领（其针对客户区段1表现低于平均值），基础选项的颜色是藏青色（其在夏季月份中的给定表现下库存过多），并且下摆线是高低下摆（其在无袖轮廓的情况下表现良好）。可以基于对该特征的表现的评估来自动生成针对该基础选项的特征的描述。在此，领口和颜色两者均表现不佳，并且可以提供表现不佳的原因。例如，藏青色库存过多。

在一些实施例中，每个替代特征可以与该替代特征相比于该类型的其他特征的对应图表一起显示。例如，对于“领口”而言，该图表示出了各种领口类型（例如，特征1至特征9）对量度的影响（“量度影响”）。条形图中的每个条形表示领口类型相对于所选替代特征的量度影响。在一些实施例中，该图表可以是用于描述的基础，但是不如所示出的那样被显示在GUI上。

在各种实施例中，替代特征可以包括一个或多个子特征。图13是用于提供替代特征选择选项并且接收一个或多个替代特征的选择以用于生成产品的GUI的示例。在图13的示例中，响应于选择领口，显示了附加的子特征。在此，显示了领口替换的排名列表（例如，领口A、领口B、领口C）。用户选择“领口B”，以便用类型领口B的领口来替换基础选项的领口。

在各种实施例中，替代特征可以包括一个或多个子特征。子特征是以更细粒度做出的特征分类。图14是用于提供子特征特征选择选项并且接收一个或多个子特征的选择以用于生成产品的GUI的示例。在图14的示例中，显示了具有V领领口的四个短上衣。子特征的视觉表示可以帮助设计者将这些子特征可视化。在此，用户选择选项2，即对应于示例2的领口（例如领口B.2）。

返回到图9，GUI 900包括制造选项部分940。在此，制造选项包括：品牌类型选择（示例内部品牌“EB”以及指代典型的市场品牌的“市场”两者）和最小装运数量。制造选项可以用来过滤掉产品。例如，假设特定的面料供应商要求了最小订购量，该最小订购量超过将对应于25批的订购量。来自该供应商的抽象图案面料将被过滤掉，并且使用该抽象图案的任何产品都不被显示在部分960中。

响应于经由替代特征选择部分920和制造选项部分940接收到的输入，可以呈现输出。可以基于输入生成不同类型的输出，并且可以对信息进行分组和显示。在各种实施例中，用户可以使用导航菜单930在不同部分之间进行导航。在该示例中显示的输出对应于“具有特征的基础样式变体”。

在该示例中，基础样式变体是从图8的基础选项814（对应图像810）和替代特征820中的替代特征2（“印花名称：图形图案→抽象图案”）的组合而生成的。也就是说，产品是具有抽象印花的替代特征的基础选项814。在此，显示了八个示例产品960，每个示例产品都是具有抽象印花的基础选项814。附加的示例产品可以在其他页面上被显示，或者当用户向下滚动时被显示。可以从产品的数据库选择这些示例产品。在各种实施例中，示例产品通过优化目标来排序，并且按排名次序来显示。

在各种实施例中，随着选择了替代特征或特征组合以并入到基础选项或产品中，可以实时更新产品的预览。图16是用于生成产品预览的GUI的示例。在该示例中，基于各种特征的选择来呈现产品预览1610。在此，替代特征是领口1620、袖子1630和面料1640。这些替代特征中的每一个还具有如所示出的子特征。在该示例中，选择了子特征1622，选择了子特征1632，并且选择了子特征1642和1644的组合。

在各种实施例中，所生成的产品可以通过具有用于制造该产品的规范的设计表来描述。例如，可以通过图4中所示的过程来生成产品的设计表。设计表可以直接提供给制造商以生产产品。图15是与计算机生成的产品相关联的设计表的示例。在图15的示例中，产品是利用SVID 00000的主体、SVID 00001的领口和SVID 00002的下摆线的短上衣。附加地，可以提供设计者注释。在该示例中，注释反映了优化目标（针对Q4的客户区段1及以上）。在各种实施例中，设计表可以包括产品的视觉表示（未示出）。图16是产品的视觉表示的示例。

图17是图示了根据一些实施例的用于生成产品设计的经编程的计算机系统的功能图。如将清楚的那样，其他计算机系统架构和配置可以用于执行所描述的产品生成技术。包括如下所述的各种子系统的计算机系统1700包括至少一个微处理器子系统（所述微处理器子系统也被称为处理器或中央处理单元（CPU）1702）。例如，处理器1702可以通过单芯片处理器或通过多个处理器来实现。在一些实施例中，处理器1702是控制计算机系统1700的操作的通用数字处理器。在一些实施例中，处理器1702还包括一个或多个协处理器或专用处理器（例如，图形处理器、网络处理器等）。使用从存储器1710检索的指令，处理器1702控制对在输入设备（例如，图像处理设备1706、I/O设备接口1704）上接收到的输入数据的接收和操纵、以及控制在输出设备（例如，显示器1718）上的数据的输出和显示。

处理器1702与存储器1710双向耦合，存储器1710可以包括例如一个或多个随机存取存储器（RAM）和/或一个或多个只读存储器（ROM）。如本领域中公知的，存储器1710可以用作通用存储区、临时（例如暂存式）存储器和/或高速缓存存储器。除了用于在处理器1702上操作的其他数据和指令之外，存储器1710还可以用于以数据对象和文本对象的形式存储输入数据和经处理的数据、以及存储编程指令和数据。还如本领域中公知的，存储器1710通常包括由处理器1702用来执行其功能的基本操作指令、程序代码、数据和对象（例如，经编程的指令）。例如，存储器1710可以包括以下所述的任何合适的计算机可读存储介质，其取决于例如数据访问需要是双向的还是单向的。例如，处理器1702还可以直接地并且非常迅速地在存储器1710中包括的高速缓存存储器中检索和存储频繁需要的数据。

可移除的大容量存储设备1712为计算机系统1700提供附加数据存储容量，并且可选地双向地（读取/写入）或单向地（只读）耦合到处理器1702。固定的大容量存储装置1720还可以例如提供附加的数据存储容量。例如，存储设备1712和/或1720可以包括计算机可读介质，诸如磁带、闪存、PC-CARDS、诸如硬盘驱动器（例如，磁性、光学或固态驱动器）之类的便携式大容量存储设备、全息存储设备和其他存储设备。大容量存储装置1712和/或1720一般存储通常不处于被处理器1702活动使用中的附加编程指令、数据等等。将领会的是，大容量存储装置1712和1720内所保留的信息如果需要的话可以用标准方式作为用作虚拟存储器的存储器1710（例如，RAM）的部分被并入。

除了提供对存储子系统的处理器1702访问之外，总线1714还可以用于提供对其它子系统和设备的访问。如所示出的，这些可以包括显示器1718、网络接口1716、输入/输出（I/O）设备接口1704、图像处理设备1706以及其他子系统和设备。例如，图像处理设备1706可以包括相机、扫描仪等；I/O设备接口1704可以包括用于与触摸屏（例如，支持手势解释的电容式触敏屏）、麦克风、声卡、扬声器、键盘、指针设备（例如，鼠标、手写笔、人类手指）进行交互的设备接口、全球定位系统（GPS）接收器、加速度计、和/或用于与系统1700进行交互的任何其他适当的设备接口。多个I/O设备接口可以结合计算机系统1700一起使用。I/O设备接口可以包括通用和定制的接口，所述通用和定制的接口允许处理器1702发送数据，并且更典型地从其他设备接收数据，所述其他设备诸如键盘、指针设备、麦克风、触摸屏、换能器读卡器、读带器、语音或手写识别器、生物测定读取器、相机、便携式大容量存储设备和其它计算机。

网络接口1716允许处理器1702通过使用如所示的网络连接而耦合到另一计算机、计算机网络或电信网络。例如，通过网络接口1716，处理器1702可以从另一网络接收信息（例如，数据对象或程序指令），或在执行方法/过程步骤的过程中输出信息到另一网络。通常被表示为将在处理器上执行的指令的序列的信息可以从另一网络接收并且输出到另一网络。接口卡或类似的设备、以及通过由处理器1702实现（例如，在处理器1702上执行/施行）的适当软件可以用于将计算机系统1700连接到外部网络并且根据标准协议来传递数据。例如，本文中公开的各种过程实施例可以在处理器1702上执行，或可以结合共享一部分处理的远程处理器跨诸如因特网、内联网网络或局域网之类的网络而被执行。附加的大容量存储设备（未示出）也可以通过网络接口1716而连接到处理器1702。

附加地，本文中公开的各种实施例此外涉及具有计算机可读介质的计算机存储产品，所述计算机可读介质包括用于执行各种计算机实现的操作的程序代码。计算机可读介质包括可以存储此后可以由计算机系统读取的数据的任何数据存储设备。计算机可读介质的示例包括但不限于：磁性介质，诸如磁盘和磁带；光学介质，诸如CD-ROM磁盘；磁光介质，诸如光盘；以及特殊配置的硬件设备，诸如专用集成电路（ASIC）、可编程逻辑设备（PLD）以及ROM和RAM设备。程序代码的示例包括以下二者：如例如由编译器产生的机器代码；或包含较高级代码的文件（例如，脚本），其可以通过使用解译器来执行。

图17中所示的计算机系统仅仅是适合于供本文中所公开的各种实施例使用的计算机系统的示例。适合于这样的使用的其它计算机系统可以包括附加或较少的子系统。在一些计算机系统中，子系统可以共享部件（例如，对于基于触摸屏的设备，诸如智能手机、平板电脑等，I/O设备接口1704和显示器1718共享触敏屏幕部件，该触敏屏幕部件既检测用户输入，又显示输出给用户）。附加地，总线1714说明了用于链接子系统的任何互连方案。还可以利用具有不同子系统配置的其它计算机架构。

虽然出于理解清晰的目的已经比较详细地描述了前述实施例，但是本发明不限于所提供的细节。存在实现本发明的许多替换方法。所公开的实施例是说明性的而不是限制性的。

Claims (20)

1.一种用于优化计算机机器学习的方法，包括：

接收优化目标；

使用所述优化目标来搜索基础选项候选者的数据库，以标识至少部分地与所述优化目标匹配的一个或多个匹配的基础选项候选者；

接收在所述匹配的基础选项候选者当中对所选基础选项的选择；

利用至少部分地基于所述优化目标选择的一个或多个机器学习预测模型，来确定与所选基础选项的替代特征相关联的预测值，其中使用训练数据来训练所述一个或多个机器学习预测模型，以至少为所述一个或多个机器学习预测模型标识与替代特征相关联的机器学习权重值；

基于所述预测值，对替代特征的至少一部分进行排序，以生成针对所选基础选项的替代特征的至少一部分的有序列表；以及

提供所述有序列表，以用于在制造具有所述有序列表中的一个或多个替代特征的所选基础选项的替代版本中使用。

2.根据权利要求1所述的方法，进一步包括：标识优化目标的一个或多个成分，其中所述一个或多个成分包括优化类型和目标区段中的至少一个。

3.根据权利要求1所述的方法，其中使用所述优化目标来标识一个或多个匹配的基础选项候选者至少部分地基于与所述一个或多个匹配的基础选项候选者相关联的过去表现数据。

4.根据权利要求1所述的方法，其中使用所述优化目标来标识一个或多个匹配的基础选项候选者至少部分地基于所述一个或多个匹配的基础选项候选者的种类量度。

5.根据权利要求1所述的方法，其中使用所述优化目标来标识一个或多个匹配的基础选项候选者至少部分地基于所述一个或多个匹配的基础选项的实际表现与所述一个或多个机器学习预测模型预测的所述一个或多个匹配的基础选项的表现之间的偏差。

6.根据权利要求1所述的方法，其中基础选项候选者的数据库包括产品目录，并且由用户做出所选基础选项的选择。

7.根据权利要求1所述的方法，其中所述一个或多个机器学习预测模型的利用包括基于所述优化目标来选择训练数据。

8.根据权利要求1所述的方法，其中对替代特征的至少一部分进行排序包括：基于所述优化目标来选择所述一个或多个机器学习预测模型，以预测包括替代特征的至少一部分的特征集合。

9.根据权利要求1所述的方法，其中所述一个或多个机器学习预测模型的利用包括：确定至少两个特征的组合，并且针对所述至少两个特征的组合来标识相关联的机器学习权重值。

10.根据权利要求1所述的方法，其中所述一个或多个机器学习预测模型的利用包括对所述训练数据的监督式学习。

11.根据权利要求1所述的方法，其中所述一个或多个机器学习预测模型的利用包括确定替代特征在基础选项的预测表现中的作用。

12.根据权利要求1所述的方法，进一步包括：基于自然语言处理和计算机视觉中的至少一个来选择替代特征的至少一部分，其中基于所选基础选项的合格性来过滤替代特征。

13.根据权利要求1所述的方法，进一步包括：

接收对所述有序列表中的替代特征中的至少一个的选择；

标识具有替代特征中的所选的至少一个的一个或多个示例基础选项；以及

提供所述一个或多个示例基础选项。

14.根据权利要求1所述的方法，其中所述优化目标包括关于区段的预测表现。

15.根据权利要求1所述的方法，其中至少部分地基于包括替代特征的特征集合的销售量度，来选择替代特征以便包括在替代特征的有序列表中。

16.根据权利要求1所述的方法，其中至少部分地基于包括替代特征的特征集合的评级量度，来选择替代特征以便包括在替代特征的有序列表中。

17.根据权利要求1所述的方法，其中至少部分地基于具有包括替代特征的特征集合的库存的种类量度，来选择替代特征以便包括在替代特征的有序列表中。

18.根据权利要求1所述的方法，进一步包括：自动生成产品的设计，其中所述产品包括具有所述有序列表中的一个或多个替代特征的所选基础选项的替代版本。

19.一种用于优化计算机机器学习的系统，包括：

通信接口，所述通信接口被配置成：

接收优化目标；以及

接收在匹配的基础选项候选者当中对所选基础选项的选择

处理器，所述处理器被配置成：

利用至少部分地基于所述优化目标选择的一个或多个机器学习预测模型，来确定与所选基础选项的替代特征相关联的预测值，其中使用训练数据来训练所述一个或多个机器学习预测模型，以至少为所述一个或多个机器学习预测模型标识与替代特征相关联的机器学习权重值；

基于所述预测值，对替代特征的至少一部分进行排序，以生成针对所选基础选项的替代特征的至少一部分的有序列表；以及

提供所述有序列表，以用于在制造具有所述有序列表中的一个或多个替代特征的所选基础选项的替代版本中使用。

20.一种用于优化计算机机器学习的计算机程序产品，所述计算机程序产品体现在非暂时性计算机可读存储介质中，并且包括用于以下操作的计算机指令：

接收优化目标；

使用所述优化目标来搜索基础选项候选者的数据库，以标识至少部分地与所述优化目标匹配的一个或多个匹配的基础选项候选者；

接收在所述匹配的基础选项候选者当中对所选基础选项的选择；

利用至少部分地基于所述优化目标选择的一个或多个机器学习预测模型，来确定与所选基础选项的替代特征相关联的预测值，其中使用训练数据来训练所述一个或多个机器学习预测模型，以至少为所述一个或多个机器学习预测模型标识与替代特征相关联的机器学习权重值；

基于所述预测值，对替代特征的至少一部分进行排序，以生成针对所选基础选项的替代特征的至少一部分的有序列表；以及

提供所述有序列表，以用于在制造具有所述有序列表中的一个或多个替代特征的所选基础选项的替代版本中使用。

Images