发明内容
有鉴于此,本发明实施例提供一种物流仓储服务的报价方法和装置,能够对物流仓储报价体系中的品类实现快速、准确的报价。
为实现上述目的,根据本发明实施例的一个方面,提供了一种物流仓储服务的报价方法,包括获取商品名称数据,将商品名称数据转化为编码;获取商品属性数据,通过神经网络结构对商品属性数据进行处理;根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别。
可选地,还包括:
将商品名称数据的编码与属性数据的神经网络结构的输出进行加权平均;
根据加权平均后的结果,确定报价类别。
可选地,将商品名称数据转化为编码,还包括:
将商品名称数据进行分词处理;
将商品名称数据分词的结果填充为相同长度的词组;
根据不同的卷积窗口分别对每个词组进行卷积,并对卷积后的结果进行池化;
将池化后的卷积结果拼接为一个向量,以形成全连接层并输出。
可选地,根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别包括:
根据商品名称数据的编码与属性数据的神经网络结构的输出,映射到最大概率的报价类别标签。
另外,根据本发明实施例的一个方面,提供了一种物流仓储服务的报价装置,包括获取模块,用于获取商品名称数据,将商品名称数据转化为编码;以及获取商品属性数据,通过神经网络结构对商品物理属性数据进行处理;处理模块,用于根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别。
可选地,所述处理模块,还用于:
将商品名称数据的编码与物理属性数据的神经网络结构的输出进行加权平均;
根据加权平均后的结果,确定报价类别。
可选地,所述获取模块将商品名称数据转化为编码,还包括:
将商品名称数据进行分词处理;
将商品名称数据分词的结果填充为相同长度的词组;
根据不同的卷积窗口分别对每个词组进行卷积,并对卷积后的结果进行池化;
将池化后的卷积结果拼接为一个向量,以形成全连接层并输出。
可选地,所述处理模块根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别包括:
根据商品名称数据的编码与属性数据的神经网络结构的输出,映射到最大概率的报价类别标签。
根据本发明实施例的另一个方面,还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上述任一物流仓储服务的报价实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一基于物流仓储服务的报价实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明通过获取商品名称数据,将商品名称数据转化为编码;获取商品属性数据,通过神经网络结构对商品属性数据进行处理;根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别。从而,本发明基于商品名称信息与商品物理信息来综合评估所属报价类别,实现了对物流仓储报价体系中的品类快速、准确的报价。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的物流仓储服务的报价方法的主要流程的示意图,所述物流仓储服务的报价方法可以包括:
步骤S101,获取商品名称数据,将商品名称数据转化为编码。
较佳地,在将商品名称数据转化为编码的时候,可以将商品名称数据进行分词处理,并将商品名称数据分词的结果填充为相同长度的词组。之后,根据不同的卷积窗口分别对每个词组进行卷积,并对卷积后的结果进行池化。最后,将池化后的卷积结果拼接为一个向量,以形成全连接层并输出。
值得说明的是,本发明将商品名称数据转化为编码的过程中可以采用textCNN、LSTM、BILSTM等方法。其中,textCNN模型是卷积神经网络在自然语言处理中的变体,主要不同在于卷积操作的时候卷积核的宽度是整个词嵌入向量的长度;池化阶段是对全部的卷积结果一次性池化,其他操作与卷积神经网络基本一致。而卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现,它包括卷积层(convolutional layer)和池化层(pooling layer)。LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。BILSTM是双向循环神经网络。
步骤S102,获取商品属性数据,通过神经网络结构对商品属性数据进行处理。
较佳地,通过三层神经网络结构对商品属性数据进行处理。例如,商品属性数据可以包括长、宽、高和重量等等的物理属性,也可以包括固体、液体、气体等等的状态属性,也可以包括酸性、碱性、氧化性、还原性等等的化学属性。值得说明的是,在此不做商品属性的限定,即只要是商品所涉及的任何方面的属性都可以通过神经网络结构进行处理。
步骤S103,根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别。
较佳地,在映射到最大概率的报价类别标签之前,可以将商品名称数据的卷积编码与属性数据的神经网络结构的输出进行加权平均。
根据上面所述的各种实施例,可以看出本发明通过网络模型处理商品名称文本数据与通过浅层神经网络处理商品属性结合起来引入到报价分类模型中,将商品名称数据的输出与属性的输出加权平均,得到一个总体的新的输出,最后对输出使用softmax函数映射到报价类别标签。
图2是根据本发明可参考实施例的物流仓储服务的报价方法的主要流程的示意图,所述物流仓储服务的报价方法可以包括:
步骤S201,获取输入的商品名称数据,将商品名称数据转化为卷积编码。具体地实施过程包括,如图3所示:
步骤S301:将商品名称数据进行分词处理。
较佳地,通过结巴分词包将商品名称数据进行分词处理,而所述的结巴(jieba)分词包基于python,是一个强大的分词库。
例如,商品名称数据为“纯彩手机屏幕防爆钢化玻璃膜”时,使用结巴(jieba)分词包将名称数据分词为:“纯彩”、“手机”、“屏幕”、“防爆”、“钢化玻璃”。
步骤S302:将商品名称数据分词的结果填充为相同长度的词组。
较佳地,分别将商品名称数据分词的结果随机赋值为128维度的位于-1和1之间的随机数。
优选地,使用工具函数将商品名称数据分词的结果填充为相同长度的词组。进一步地,采用的工具函数可以是TensorFlow中的函数,可以将不同长度的商品名称数据分词的结果填充为同一长度。
步骤S303:根据不同的卷积窗口分别对每个词组进行卷积。
在实施例中,由于上下文之间是具有语义相关性的,使用不同卷积窗口来卷积可以尽可能的包含上下文词汇。
步骤S304:对卷积后的结果进行池化。
在实施例中,池化就是对卷积结果进行降维的一个操作。较佳地,采用最大值池化。
步骤S305:将池化后的卷积结果拼接为一个向量,以形成全连接层并输出报价类别。
具体地,步骤四对卷积后的结果进行池化之后的向量为192维度的向量,然后添加一个全连接层,最终输出层的维度是32维度的向量。
值得说明的是,本发明可参考实施例采用了textCNN模型,但是也可以使用LSTM、BILSTM等方法。可参考实施例之所以采用textCNN模型,只不过在测试的时候,分类准确率textCNN模型要比其他LSTM、BILSTM等方法高一些。
步骤S202,获取输入的商品属性数据,通过神经网络结构对商品属性数据进行处理。
较佳地,通过浅层神经网络结构对商品属性数据进行处理。优选地,通过三层神经网络结构将商品属性数据转化为32维度的输出。例如,商品属性数据可以包括长、宽、高和重量等等的物理属性,也可以包括固体、液体、气体等等的状态属性,也可以包括酸性、碱性、氧化性、还原性等等的化学属性。值得说明的是,在此不做商品属性的限定,即只要是商品所涉及的任何方面的属性都可以通过神经网络结构进行处理。
需要说明的是,步骤S202可以在步骤S201之后执行,也可以在步骤S201之前执行,也可以与步骤S201同时执行。
步骤S203,将商品名称数据的卷积编码与属性数据的神经网络结构的输出进行加权平均。
例如:假设商品名称数据的卷积编码为32维度的向量v1,属性数据的浅层神经网络结构的输出为32维度的向量v2,最终的输出向量v=0.7*v1+0.3*v2,其中向量v的维度是32长度的向量。
步骤S204,对加权平均后的结果使用softmax函数映射到报价类别标签。也就是说,通过softmax函数来获取最大概率的报价类别。具体地实施过程包括:
label=softmax(output*w+b)(其中w为权值矩阵,维度为192*32,b为偏置值)
其中,label表示报价类别标签,output表示加权平均后的结果,最后由softmax归一化为每一个类别对应的概率,取最大概率作为报价类别输出。
需要说明的是,softmax函数实际是一个归一化的指数函数:
而softmax把一个k维的real value向量(a1,a2,a3,a4…ai),映射成向量(b1,b2,b3,b4…bi)。其中,bi个0-1的常数,然后可以根据bi的大小来进行多分类的任务,如取权重最大的一维。
根据上面所述可参考的实施例,本发明采用了网络结构与softmax相结合的框架,其中输入商品的名称数据与商品的属性数据,输出相应的商品所处物流报价服务所对应的类别。进一步地,本发明将商品的名称数据通过词嵌入矩阵的方式进行数字化,同时在网络中增加一个输入结构用来接收商品的属性数据;然后将两部分网络的输出通过加权平均作为网络结构的output,然后通过softmax函数处理,最后输出对应的报价类别。
另外,本发明可参考实施例在商品的属性数据的时候,只是构建了浅层神经网络结构,当然也可以构建更加复杂的网络机构或者是其他映射函数。由于商品的属性数据的输入维度较低,可能较复杂的结构可能出现过拟合的情况。
还值得说明的是,本发明能够基于报价系统的完整三级品类商品数据,对三级品类给出报价类别(如表1和表2)。从而,本发明能够更好的服务客户,并且面向全面的三级品类也能够快速实现精准报价。
表1
表2
表1和表2中的第一列为三级品类报价模式的7大报价行业,第二类为每一个行业包含的细分报价类别,共32类。
图4是根据本发明实施例的物流仓储服务的报价装置,如图4所示,所述物流仓储服务的报价装置400包括获取模块401和处理模块402。其中,获取模块401获取商品名称数据,将商品名称数据转化为编码;以及获取商品属性数据,通过神经网络结构对商品属性数据进行处理。之后,处理模块402根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别。
作为另一个实施例,所述处理模块402可以先将商品名称数据的编码与属性数据的神经网络结构的输出进行加权平均,根据加权平均后的结果,确定报价类别。
另外,所述获取模块401在将商品名称数据转化为编码的过程中,可以先将商品名称数据进行分词处理,并将商品名称数据分词的结果填充为相同长度的词组。然后,根据不同的卷积窗口分别对每个词组进行卷积,并对卷积后的结果进行池化。最后将池化后的卷积结果拼接为一个向量,以形成全连接层并输出。
还值得说明的是,处理模块402在根据商品名称数据的编码与属性数据的神经网络结构的输出,确定报价类别的时候,可以根据商品名称数据的编码与属性数据的神经网络结构的输出,映射到最大概率的报价类别标签。
需要说明的是,在本发明所述物流仓储服务的报价方法和所述物流仓储服务的报价装置在具体实施内容上具有相应关系,故重复内容不再说明。
图5示出了可以应用本发明实施例的物流仓储服务的报价方法或物流仓储服务的报价装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的物流仓储服务的报价方法一般由服务器505执行,相应地,物流仓储服务的报价装置一般设置于服务器505中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分408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RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,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,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明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。在本发明中,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。而在本发明中,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,图示了按照本发明各种实施例的系统、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块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模块和处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:获取商品名称数据,将商品名称数据转化为编码;获取商品属性数据,通过神经网络结构对商品属性数据进行处理;根据商品名称数据的编码与属性数据的神经网络结构的输出,映射到最大概率的报价类别标签。
根据本发明实施例的技术方案,能够对物流仓储报价体系中的品类实现快速、准确的报价。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。