CN112241904A - 商品销售量预测方法、装置、计算机设备和存储介质 - Google Patents
商品销售量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112241904A CN112241904A CN202011142782.4A CN202011142782A CN112241904A CN 112241904 A CN112241904 A CN 112241904A CN 202011142782 A CN202011142782 A CN 202011142782A CN 112241904 A CN112241904 A CN 112241904A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- commodity
- target commodity
- sales
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 92
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种商品销售量预测方法、装置、计算机设备和存储介质，其中，该商品销售量预测方法包括：获取目标商品信息、目标商品类目信息以及目标社群信息；将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果；将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果。上述商品销售量预测方法、装置、计算机设备和存储介质，采用两个深度卷积神经网络，分别对目标商品类目的销售数量和目标商品在目标商品类目中的竞争力进行预测，并综合得出对目标商品销售数量的预测结果，即使在目标商品数据稀疏的情况下，也能得出较为准确的预测结果。
Description
技术领域
本申请涉及神经网络技术领域，特别是涉及商品销售量预测方法、装置、计算机设备和存储介质。
背景技术
电商手机应用需要对用户进行商品推荐，算法模型起到越来越大的作用。大多数商品推荐的默认用户以点击或购买为目标，也就是C端用户，在此领域内有机器学习-深度学习-多任务学习等一系列发展路径。
而另外一些APP存在大量B端用户，有自己管理的目标社群，以分享，促进粉丝购买为目标，也就是KOL。不同于普通用户的自购需求，KOL希望自己分享推荐的商品能够在粉丝群中引起尽可能多的购买，以使自己的推广收入最大化。KOL经常需要预测评估产品推广后的效果，来决定自己后续的推广行为。
但传统的推广效果预测评估方法需要依靠大量数据来支持，才能得到较为准确的预测结果，而KOL的用户数量以及推广行为，尤其是对同一商品的推广行为，数据相对较少，预测难度较大。
发明内容
本申请实施例提供了一种商品销售量预测方法、装置、计算机设备和存储介质，以至少解决相关技术中KOL的用户数量以及推广行为，尤其是对同一商品的推广行为，数据相对较少，预测难度较大的问题。
第一方面，本申请实施例提供了一种商品销售量预测方法，包括：
获取目标商品信息、目标商品类目信息以及目标社群信息，所述目标商品归属于所述目标商品类目，所述目标商品信息至少包括目标商品的历史销售数据，所述目标商品类目信息至少包括目标商品类目的历史销售数据，所述目标社群信息至少包括目标社群的历史消费数据；
将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，所述第一预测结果为对目标商品类目的销售数量的预测结果；
将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，所述第二预测结果为所述目标商品的销售数量在所述目标商品类目的销售数量中的占比信息；
基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果。
在其中一些实施例中，所述将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中之前还包括：
获取训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量；
基于所述训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量，建立训练集；
基于所述训练集训练第一深度卷积神经网络模型，得到经训练的所述第一深度卷积神经网络。
在其中一些实施例中，所述将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中之前还包括：
获取训练商品信息、训练商品类目信息、训练目标社群信息以及对应的训练商品的销售数量在所述训练商品类目的销售数量中的占比信息；
基于所述训练商品信息、训练商品类目信息、训练目标社群信息以及对应的占比信息，建立训练集；
基于所述训练集训练第二深度卷积神经网络模型，得到经训练的所述第二深度卷积神经网络。
在其中一些实施例中，所述目标商品类目包括同一种类商品集合、同一品牌商品集合或同一价格区间商品集合中的一种。
在其中一些实施例中，所述将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果包括：
将所述目标商品类目信息以及目标社群信息输入第一嵌入层，转化为第一向量；
将所述第一向量输入到第一池化层，进行降维；
将降维后的所述第一向量输入第一多层感知机，得到所述第一预测结果。
在其中一些实施例中，所述将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果包括：
将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二嵌入层，转化为第二向量；
将所述第二向量输入到第二池化层，进行降维；
将降维后的所述第二向量输入第二多层感知机，得到所述第二预测结果。
在其中一些实施例中，所述基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果包括：
将所述第一预测结果与第二预测结果相乘，得到对所述目标商品的销售数量的预测结果。
第二方面，本申请实施例提供了一种商品销售量预测装置，包括：
获取模块，用于获取目标商品信息、目标商品类目信息以及目标社群信息，所述目标商品归属于所述目标商品类目，所述目标商品信息至少包括目标商品的历史销售数据，所述目标商品类目信息至少包括目标商品类目的历史销售数据，所述目标社群信息至少包括目标社群的历史消费数据；
第一输入模块，用于将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，所述第一预测结果为对目标商品类目的销售数量的预测结果；
第二输入模块，用于将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，所述第二预测结果为所述目标商品的销售数量在所述目标商品类目的销售数量中的占比信息；
预测模块，用于基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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如上述第一方面所述的商品销售量预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的商品销售量预测方法。
相比于相关技术，本申请实施例提供的商品销售量预测方法、装置、计算机设备和存储介质，通过获取目标商品信息、目标商品类目信息以及目标社群信息，所述目标商品归属于所述目标商品类目，所述目标商品信息至少包括目标商品的历史销售数据，所述目标商品类目信息至少包括目标商品类目的历史销售数据，所述目标社群信息至少包括目标社群的历史消费数据；将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，所述第一预测结果为对目标商品类目的销售数量的预测结果；将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，所述第二预测结果为所述目标商品的销售数量在所述目标商品类目的销售数量中的占比信息；基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果，采用两个深度卷积神经网络，分别对目标商品类目的销售数量和目标商品在目标商品类目中的竞争力进行预测，并综合得出对目标商品销售数量的预测结果，即使在目标商品数据稀疏的情况下，也能得出较为准确的预测结果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明一实施例的商品销售量预测方法的流程示意图；
图2为本发明一实施例的商品销售量预测方法的神经网络的结构示意图；
图3为本发明一实施例的商品销售量预测装置的结构框图；
图4为本发明一实施例的计算机设备的硬件结构示意图。
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，对本申请进行描述和说明。应当理解，此处所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。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
请参阅图1，图1为本发明一实施例的商品销售量预测方法的流程示意图。
在本实施例中，商品销售量预测方法包括：
步骤S101，获取目标商品信息、目标商品类目信息以及目标社群信息，目标商品归属于目标商品类目，目标商品信息至少包括目标商品的历史销售数据，目标商品类目信息至少包括目标商品类目的历史销售数据，目标社群信息至少包括目标社群的历史消费数据。
示例性地，目标商品类目指一类产品，分类标准可以根据实际情况进行设定，目标商品属于目标商品类目，目标社群为将进行目标商品的推广的社群。具体的，目标商品以及目标商品类目的历史销售数据为目标商品以及目标商品类目的商品在预设时间段内的销售数量、价格，目标社群的历史消费数据为预设时间段内目标社群的购买商品种类、数量、价格。可以理解的，预设时间段可以为7天、15天或其他时间段，可以由用户根据实际情况设定。
步骤S102，将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，第一预测结果为对目标商品类目的销售数量的预测结果。
示例性地，第一预测结果为KOL对目标商品类目进行推荐后，预设时间段内目标商品类目的销售数量的预测结果。
关键意见领袖(Key Opinion Leader，简称KOL)是营销学上的概念，通常被定义为：拥有更多、更准确的产品信息，且为相关群体所接受或信任，并对该群体的购买行为有较大影响力的人。
步骤S103，将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，第二预测结果为目标商品的销售数量在目标商品类目的销售数量中的占比信息。
可以理解的，第二预测结果预测的是目标商品在目标商品类目中的竞争力，通过销售数量的占比信息来表征。
步骤S104，基于第一预测结果以及第二预测结果获取对目标商品的销售数量的预测结果。
示例性地，通过目标商品类目的预测销售数量以及目标商品在目标商品类目中的预测竞争力，可以综合得到目标商品的预测销售数量，目标商品的预测销售数量为KOL对目标商品进行推荐后，预设时间段内目标商品的销售数量的预测结果。
上述商品销售量预测方法，通过获取目标商品信息、目标商品类目信息以及目标社群信息，目标商品归属于目标商品类目，目标商品信息至少包括目标商品的历史销售数据，目标商品类目信息至少包括目标商品类目的历史销售数据，目标社群信息至少包括目标社群的历史消费数据；将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，第一预测结果为对目标商品类目的销售数量的预测结果；将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，第二预测结果为目标商品的销售数量在目标商品类目的销售数量中的占比信息；基于第一预测结果以及第二预测结果获取对目标商品的销售数量的预测结果；采用两个深度卷积神经网络，分别对目标商品类目的销售数量和目标商品在目标商品类目中的竞争力进行预测，并综合得出对目标商品销售数量的预测结果，即使在目标商品数据稀疏的情况下，也能得出较为准确的预测结果。
在另一个实施例中，目标商品信息还可以为商品种类、品牌、价格、历史推广成交数量等信息，目标商品类目信息还可以为该类目商品在目标社群的推广频次、历史成交数量等信息，目标社群信息还可以为社群人数、社群活跃度、社群平均成交价格等信息。可以理解的，目标商品信息、目标商品类目信息以及目标社群信息的具体信息，可以根据实际情况进行选择，只需与预测结果有关即可。
在另一个实施例中，将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中之前还包括获取训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量；基于训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量，建立训练集；基于训练集训练第一深度卷积神经网络模型，得到经训练的第一深度卷积神经网络。其中，训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量均为先验数据，可以从历史数据中获得。
在另一个实施例中，将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中之前还包括获取训练商品信息、训练商品类目信息、训练目标社群信息以及对应的训练商品的销售数量在训练商品类目的销售数量中的占比信息；基于训练商品信息、训练商品类目信息、训练目标社群信息以及对应的占比信息，建立训练集；基于训练集训练第一深度卷积神经网络模型，得到经训练的第一深度卷积神经网络。其中，训练商品信息、训练商品类目信息、训练目标社群信息以及对应的训练商品的销售数量在训练商品类目的销售数量中的占比信息均为先验数据，可以从历史数据中获得。
在另一个实施例中，目标商品类目包括同一种类商品集合、同一品牌商品集合或同一价格区间商品集合中的一种。可以理解的，目标商品类目指一类产品，分类标准可以根据实际情况进行设定，当以商品种类为分类标准时，目标商品类目为同一种类商品的集合；当以商品品牌为分类标准时，目标商品类目为同一品牌商品的集合；当以商品价格为分类标准时，目标商品类目为同一价格区间商品的集合。在其他实施例中，还可以有其他分类标准，可以由用户进行设定。
在另一个实施例中，将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果包括将目标商品类目信息以及目标社群信息输入第一嵌入层，转化为第一向量；将第一向量输入到第一池化层，进行降维；将降维后的第一向量输入第一多层感知机，得到第一预测结果。
在另一个实施例中，将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果包括将目标商品信息、目标商品类目信息以及目标社群信息输入第二嵌入层，转化为第二向量；将第二向量输入到第二池化层，进行降维；将降维后的第二向量输入第二多层感知机，得到第二预测结果。
可以理解的，第一嵌入层以及第二嵌入层共享网络参数，共同训练。
在另一个实施例中，基于第一预测结果以及第二预测结果获取对目标商品的销售数量的预测结果包括将第一预测结果与第二预测结果相乘，得到对目标商品的销售数量的预测结果。
示例性地，KOL在自己社群中分享某款商品i后，7天内会产生的订单数可代表该社群对该商品的偏好程度，记为Pi；KOL在自己社群中分享某商品类目c的任一商品后，7天内会产生的订单数可代表该社群对该类目的偏好程度，记为Pc；Cic表示商品i在类目c中的竞争力，可以量化为商品i的销售数量在商品类目c的销售数量中的占比信息，则有以下公式：Pi＝Pc*Cic。即对Pi的预测可分解为对Pc和Cic的预测。
请参阅图2，图2为本发明一实施例的商品销售量预测方法的神经网络的结构示意图。其中，辅助任务的神经网络为第一深度卷积神经网络，主任务的神经网络为第二深度卷积神经网络，第一深度卷积神经网络的输出为目标社群对目标商品类目的偏好程度的预测值Pc’，第二深度卷积神经网络的输出为目标商品在目标商品类目中的竞争力的预测值Cic’，因此将第一深度卷积神经网络的输出与第二深度卷积神经网络的输出相乘Pc’*Cic’，即可得到目标社群对目标商品的偏好程度的预测结果Pi’。
可以理解的，神经网络需要不断训练学习，并调整内部各层网络的参数，以使预测结果逐渐逼近真实结果。示例性地，Pc的预估值与Cic的预估值相乘得到Pi的预估值Pi’，将Pc的预估值与Pc的真实值对比，得到Pc的损失函数，记为I(Pc，Pc’)，其中I(·)是交叉熵损失函数。将Pi的预估值与Pi的真实值对比，得到Pi的损失函数，记为I(Pi，Pi’)，其中I(·)是交叉熵损失函数。因此损失函数由两部分构成，即预测类目偏好的损失，和预测商品偏好的损失。即Loss＝I(Pc，Pc’)+I(Pi，Pc’*Cic’)。具体的，采用梯度下降法使损失函数最小化，从而学习到各层网络的参数。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种商品销售量预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请实施例的商品销售量预测装置的结构框图，如图3所示，该装置包括：
获取模块10，用于获取目标商品信息、目标商品类目信息以及目标社群信息，目标商品归属于目标商品类目，目标商品信息至少包括目标商品的历史销售数据，目标商品类目信息至少包括目标商品类目的历史销售数据，目标社群信息至少包括目标社群的历史消费数据。
第一输入模块20，用于将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，第一预测结果为对目标商品类目的销售数量的预测结果。
第一输入模块20，还用于：
将目标商品类目信息以及目标社群信息输入第一嵌入层，转化为第一向量；
将第一向量输入到第一池化层，进行降维；
将降维后的第一向量输入第一多层感知机，得到第一预测结果。
第二输入模块30，用于将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，第二预测结果为目标商品的销售数量在目标商品类目的销售数量中的占比信息。
第二输入模块30，还用于：
将目标商品信息、目标商品类目信息以及目标社群信息输入第二嵌入层，转化为第二向量；
将第二向量输入到第二池化层，进行降维；
将降维后的第二向量输入第二多层感知机，得到第二预测结果。
预测模块40，用于基于第一预测结果以及第二预测结果获取对目标商品的销售数量的预测结果。
预测模块40，还用于将第一预测结果与第二预测结果相乘，得到对目标商品的销售数量的预测结果。
商品销售量预测装置，还包括：第一训练模块。
第一训练模块，用于：
获取训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量；
基于训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量，建立训练集；
基于训练集训练第一深度卷积神经网络模型，得到经训练的第一深度卷积神经网络。
商品销售量预测装置，还包括：第二训练模块。
第二训练模块，用于：
获取训练商品信息、训练商品类目信息、训练目标社群信息以及对应的训练商品的销售数量在训练商品类目的销售数量中的占比信息；
基于训练商品信息、训练商品类目信息、训练目标社群信息以及对应的占比信息，建立训练集；
基于训练集训练第二深度卷积神经网络模型，得到经训练的第二深度卷积神经网络。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1描述的本申请实施例商品销售量预测方法可以由计算机设备来实现。图4为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器51以及存储有计算机程序指令的存储器52。
具体地，上述处理器51可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器52可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器52可在数据处理装置的内部或外部。在特定实施例中，存储器52是非易失性(Non-Volatile)存储器。在特定实施例中，存储器52包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令，以实现上述实施例中的任意一种商品销售量预测方法。
在其中一些实施例中，计算机设备还可包括通信接口53和总线50。其中，如图4所示，处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口53还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线50可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的计算机程序指令，执行本申请实施例中的商品销售量预测方法，从而实现结合图1描述的商品销售量预测方法。
另外，结合上述实施例中的商品销售量预测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种商品销售量预测方法。
上述商品销售量预测方法、装置、计算机设备和存储介质，通过获取目标商品信息、目标商品类目信息以及目标社群信息，目标商品归属于目标商品类目，目标商品信息至少包括目标商品的历史销售数据，目标商品类目信息至少包括目标商品类目的历史销售数据，目标社群信息至少包括目标社群的历史消费数据；将目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，第一预测结果为对目标商品类目的销售数量的预测结果；将目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，第二预测结果为目标商品的销售数量在目标商品类目的销售数量中的占比信息；基于第一预测结果以及第二预测结果获取对目标商品的销售数量的预测结果；采用两个深度卷积神经网络，分别对目标商品类目的销售数量和目标商品在目标商品类目中的竞争力进行预测，并综合得出对目标商品销售数量的预测结果，即使在目标商品数据稀疏的情况下，也能得出较为准确的预测结果。
以上所述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)
1.一种商品销售量预测方法，其特征在于，包括：
获取目标商品信息、目标商品类目信息以及目标社群信息，所述目标商品归属于所述目标商品类目，所述目标商品信息至少包括目标商品的历史销售数据，所述目标商品类目信息至少包括目标商品类目的历史销售数据，所述目标社群信息至少包括目标社群的历史消费数据；
将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，所述第一预测结果为对目标商品类目的销售数量的预测结果；
将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，所述第二预测结果为所述目标商品的销售数量在所述目标商品类目的销售数量中的占比信息；
基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果。
2.根据权利要求1所述的商品销售量预测方法，其特征在于，所述将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中之前还包括：
获取训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量；
基于所述训练商品类目信息、训练目标社群信息以及对应的训练商品类目的销售数量，建立训练集；
基于所述训练集训练第一深度卷积神经网络模型，得到经训练的所述第一深度卷积神经网络。
3.根据权利要求1所述的商品销售量预测方法，其特征在于，所述将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中之前还包括：
获取训练商品信息、训练商品类目信息、训练目标社群信息以及对应的训练商品的销售数量在所述训练商品类目的销售数量中的占比信息；
基于所述训练商品信息、训练商品类目信息、训练目标社群信息以及对应的占比信息，建立训练集；
基于所述训练集训练第二深度卷积神经网络模型，得到经训练的所述第二深度卷积神经网络。
4.根据权利要求1所述的商品销售量预测方法，其特征在于，所述目标商品类目包括同一种类商品集合、同一品牌商品集合或同一价格区间商品集合中的一种。
5.根据权利要求1所述的商品销售量预测方法，其特征在于，所述将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果包括：
将所述目标商品类目信息以及目标社群信息输入第一嵌入层，转化为第一向量；
将所述第一向量输入到第一池化层，进行降维；
将降维后的所述第一向量输入第一多层感知机，得到所述第一预测结果。
6.根据权利要求1所述的商品销售量预测方法，其特征在于，所述将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果包括：
将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二嵌入层，转化为第二向量；
将所述第二向量输入到第二池化层，进行降维；
将降维后的所述第二向量输入第二多层感知机，得到所述第二预测结果。
7.根据权利要求1所述的商品销售量预测方法，其特征在于，所述基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果包括：
将所述第一预测结果与第二预测结果相乘，得到对所述目标商品的销售数量的预测结果。
8.一种商品销售量预测装置，其特征在于，包括：
获取模块，用于获取目标商品信息、目标商品类目信息以及目标社群信息，所述目标商品归属于所述目标商品类目，所述目标商品信息至少包括目标商品的历史销售数据，所述目标商品类目信息至少包括目标商品类目的历史销售数据，所述目标社群信息至少包括目标社群的历史消费数据；
第一输入模块，用于将所述目标商品类目信息以及目标社群信息输入第一深度卷积神经网络中，得到第一预测结果，所述第一预测结果为对目标商品类目的销售数量的预测结果；
第二输入模块，用于将所述目标商品信息、目标商品类目信息以及目标社群信息输入第二深度卷积神经网络中，得到第二预测结果，所述第二预测结果为所述目标商品的销售数量在所述目标商品类目的销售数量中的占比信息；
预测模块，用于基于所述第一预测结果以及第二预测结果获取对所述目标商品的销售数量的预测结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至7中任一项所述的商品销售量预测方法。
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，该程序被处理器执行时实现如权利要求1至7中任一项所述的商品销售量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142782.4A CN112241904A (zh) | 2020-10-23 | 2020-10-23 | 商品销售量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142782.4A CN112241904A (zh) | 2020-10-23 | 2020-10-23 | 商品销售量预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112241904A true CN112241904A (zh) | 2021-01-19 |
Family
ID=74169740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011142782.4A Pending CN112241904A (zh) | 2020-10-23 | 2020-10-23 | 商品销售量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241904A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN114387028A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
| WO2023201510A1 (zh) * | 2022-04-19 | 2023-10-26 | 烟台创迹软件有限公司 | 销售预测方法、销售预测装置及销售预测模型的学习方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
| CN106779074A (zh) * | 2017-01-22 | 2017-05-31 | 腾云天宇科技（北京）有限公司 | 一种商场品牌组合预测方法及预测服务器 |
| US20180158078A1 (en) * | 2016-12-05 | 2018-06-07 | Institute For Information Industry | Computer device and method for predicting market demand of commodities |
| CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN109559138A (zh) * | 2017-09-25 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 闪购活动销量预测方法及装置、存储介质、电子设备 |
| CN109949091A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 商品数据分析方法、装置和计算机可读存储介质 |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
| CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
| CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品（横琴）企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
-
2020
- 2020-10-23 CN CN202011142782.4A patent/CN112241904A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
| US20180158078A1 (en) * | 2016-12-05 | 2018-06-07 | Institute For Information Industry | Computer device and method for predicting market demand of commodities |
| CN106779074A (zh) * | 2017-01-22 | 2017-05-31 | 腾云天宇科技（北京）有限公司 | 一种商场品牌组合预测方法及预测服务器 |
| CN109559138A (zh) * | 2017-09-25 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 闪购活动销量预测方法及装置、存储介质、电子设备 |
| CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN109949091A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 商品数据分析方法、装置和计算机可读存储介质 |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
| CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
| CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品（横琴）企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 高春姣;: "基于SAS Forcast Studio的多产品销量数据分类方法的探析", 商场现代化, no. 10, 10 April 2016 (2016-04-10), pages 24 - 25 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN114387028A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
| CN114387028B (zh) * | 2022-01-13 | 2024-02-23 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
| WO2023201510A1 (zh) * | 2022-04-19 | 2023-10-26 | 烟台创迹软件有限公司 | 销售预测方法、销售预测装置及销售预测模型的学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241904A (zh) | 商品销售量预测方法、装置、计算机设备和存储介质 | |
| CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
| CN112330358A (zh) | 产品销量预测的方法和装置、存储介质和电子设备 | |
| CN111160624B (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
| JP2018073349A (ja) | 情報解析装置、情報解析方法、および情報解析プログラム | |
| CN111768258A (zh) | 识别异常订单的方法、装置、电子设备和介质 | |
| CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和系统 | |
| CN109255676B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
| CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
| CN112926090A (zh) | 基于差分隐私的业务分析方法及装置 | |
| CN108734366B (zh) | 用户识别方法及其系统、非易失性存储介质和计算机系统 | |
| CN112214663A (zh) | 获取舆情声量的方法、系统、装置、存储介质及移动终端 | |
| CN111325614A (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN111460282A (zh) | 一种产品内容推送方法、装置、服务器及终端设备 | |
| CN112785391B (zh) | 推荐处理方法、装置及智能设备、存储介质 | |
| CN116228284A (zh) | 货品需求预测方法、训练方法、装置、计算机系统及介质 | |
| CN113657926A (zh) | 一种广告效果预测方法、系统、电子设备及存储介质 | |
| CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN111339432A (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN105719079B (zh) | 信息生成方法和装置 | |
| CN116911913B (zh) | 一种交互结果的预测方法及装置 | |
| CN111598638A (zh) | 点击率确定方法、装置及设备 | |
| US20230360069A1 (en) | System and method for determining potential users and market stock keeping unit in retail e-commerce environment | |
| JP7350953B1 (ja) | 情報処理装置 | |
| US20230120833A1 (en) | System and method for predicting a propensity of a user to install non-installed applications |
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 |