CN112258268A - 确定推荐模型和确定物品价格的方法、装置、设备和介质 - Google Patents
确定推荐模型和确定物品价格的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112258268A CN112258268A CN202011114531.5A CN202011114531A CN112258268A CN 112258268 A CN112258268 A CN 112258268A CN 202011114531 A CN202011114531 A CN 202011114531A CN 112258268 A CN112258268 A CN 112258268A
- Authority
- CN
- China
- Prior art keywords
- determining
- value
- price
- historical
- recommendation model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000015654 memory Effects 0.000 claims description 21
- 230000002441 reversible effect Effects 0.000 claims description 3
- 108010014172 Factor V Proteins 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 230000002860 competitive effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- 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
- G06Q30/02—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
- 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
- G06Q30/0283—Price estimation or determination
Landscapes
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种确定推荐模型的方法和装置,以及一种确定物品价格的方法和装置,应用于大数据领域和智能推荐领域。具体实现方案为:获取包括物品的历史销量的多个样本数据;确定针对多个样本数据中每个样本数据的需求预测值;基于针对每个样本数据的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系;以及基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。
Description
技术领域
本申请涉及计算机技术领域,具体涉及大数据领域和智能推荐领域,更具体地涉及一种确定推荐模型和确定物品价格的方法、装置、设备和介质。
背景技术
为了适应市场需求,物品价格需要随着市场需求的动态变化而变化。在相关技术中,一般由人工根据市场需求来设定物品价格。但人工对市场需求反应迟钝,不能实时调整物品价格。
发明内容
提供了一种用于确定推荐物品价格的推荐模型的方法和装置,以及基于确定的推荐模型确定物品价格的方法和装置。
根据第一方面,提供了一种确定推荐模型的方法,包括:获取包括物品的历史销量的多个样本数据;确定针对多个样本数据中每个样本数据的需求预测值;基于针对每个样本数据的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系;以及基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。
根据第二方面,提供了一种确定物品价格的方法,包括:获取在预设时段内针对物品的历史数据,该历史数据包括物品的历史销量;确定针对历史数据的需求预测值;以及基于针对历史数据的需求预测值,利用预先确定的推荐模型确定物品的推荐价格,其中,预先确定的推荐模型由前述的确定推荐模型的方法获得。
根据第三方面,提供了一种确定推荐模型的装置,包括:第一数据获取模块,用于获取包括物品的历史销量的多个样本数据;第一需求确定模块,用于确定针对多个样本数据中每个样本数据的需求预测值;关系确定模块,用于基于针对每个样本的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系;以及数值确定模块,用于基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。
根据第四方面,提供了一种确定物品价格的装置,包括:第二数据获取模块,用于获取在预设历史时段内针对物品的历史数据,历史数据包括物品的历史销量;第二需求确定模块,用于确定针对历史数据的需求预测值;以及价格推荐模块,用于基于针对历史数据的需求预测值,利用预先确定的推荐模型确定物品的推荐价格,其中,预先确定的推荐模型由前述的确定推荐模型的装置获得。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:前文提供的确定推荐模型的方法;或者前文提供的确定物品价格的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行:前文提供的确定推荐模型的方法;或者前文提供的确定物品价格的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的确定推荐模型和确定物品价格的方法、装置、设备和介质的应用场景图;
图2是根据本申请实施例的确定推荐模型的方法的流程示意图;
图3是根据本申请实施例的确定目标参数的数值的流程图;
图4是根据本申请另一实施例的确定目标参数的数值的原理示意图;
图5是根据本申请实施例的确定物品价格的方法的流程示意图;
图6是根据本申请实施例的确定推荐模型的装置的结构框图;
图7是根据本申请实施例的确定物品价格的装置的结构框图;以及
图8是根据本申请实施例的适于执行确定推荐模型的方法或确定物品价格的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
本申请提供了一种确定推荐模型的方法。该方法包括:获取包括物品的历史销量的多个样本数据;确定针对多个样本数据中每个样本数据的需求预测值;基于针对每个样本数据的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系;以及基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。
以下将结合图1对本申请提供的方法和装置的应用场景进行描述。
图1是根据本申请实施例的确定推荐模型和确定物品价格的方法、装置、设备和介质的应用场景图。
如图1所示,该实施例的应用场景100例如可以为前向付费场景,用于确定推荐价格的推荐模型,以及基于确定的推荐模型进行价格推荐。
根据本申请的实施例,可以预先设定有推荐模型,该推荐模型例如以物品的历史价格、物品的历史销量或物品的市场需求预测值等作为自变量,以物品的推荐价格作为因变量。
根据本申请的实施例,推荐模型例如可以具有数值未知的参数。该参数的数值可以通过以下方式得到:先根据多个物品的样本数据和具有该参数的推荐模型,来得到由参数表示的多个预测推荐价格。随后将多个预测推荐价格与物品的实际历史价格相比较,来确定预测推荐价格与实际历史价格相差值最小时参数的数值。示例性地,如图1所示,确定推荐模型中参数数值的方法例如可以由第一设备120执行。其中,具有参数的推荐模型111例如可以预先存储于第一设备120中,或者可以由第一设备120自数据库或服务器等其他设备中获取。物品的样本数据112例如可以由物品供应商140或电商等提供。第一设备120根据具有参数的推荐模型111和物品的样本数据112得到参数确定的推荐模型113。
示例性地,多个物品的样本数据112可以包括物品的历史价格、历史销量、销售时间等信息。在推荐模型以物品的历史价格或物品的历史销量为自变量时,可以通过将多个物品的样本数据112代入推荐模型来得到由参数表示的预测推荐价格。
示例性地,在推荐模型以物品的市场需求预测值为自变量时,第一设备120例如可以先以多个物品的样本数据112作为需求预测模型的输入,输出得到预测市场需求。
示例性地,第一设备120例如可以为具有处理功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。其中,服务器例如可以为应用程序服务器、分布式系统的服务器,或者是结合了区块链的服务器。示例性地,该服务器例如还可以为虚拟服务器或云服务器等。
在得到参数确定的推荐模型113后,可以利用该推荐模型进行物品的推荐价格的预测,以向物品供应商140或电商设定物品价格提供参考。如图1所示,该实施例的应用场景100中还可以包括第二设备130,该第二设备130用于基于物品的历史数据114获得参数确定的推荐模型113的输入,由参数确定的推荐模型113输出得到物品的推荐价格115。
示例性地,第二设备130例如可以为具有处理功能的各种电子设备,该第二设备130例如可以与第一设备120为不同设备。或者,第二设备130与第一设备120可以为同一设备中用于执行不同操作的两个功能模块。
示例性地,该第二设备130例如可以为向应用程序提供服务的后台服务器等。其中,应用程序可以为物品供应商或电商的终端设备中安装的用于确定推荐价格的应用程序。如此,该第二设备130可以将其输出的物品的推荐价格115反馈给物品供应商140的终端设备或电商的终端设备150等。
示例性地,物品的历史数据114例如可以由第二设备130通过与供应商或电商的终端设备交互得到,该物品的历史数据114例如可以包括当前时刻之前的预设时段内物品的销量、物品的价格等。
在一使用场景中,若供应商或电商需要设定物品A的价格,该供应商或电商可以将物品A在第一预设时段内的历史数据提供给第一设备120。该第一设备120例如可以根据该第一预设时段内的历史数据分为第一子时段的历史数据和第二子时段的历史数据,以将第一子时段的历史数据作为训练样本数据,第二子时段的历史数据作为用于预测推荐价格的历史数据。随后根据训练样本数据训练得到针对物品A的参数确定的推荐模型。将参数确定的推荐模型和用于预测推荐价格的历史数据发送给第二设备130。第二设备130根据接收的历史数据和推荐模型得到物品A的推荐价格。其中,第一子时段早于第二子时段,以保证确定的物品A的推荐价格的实时性。在推荐模型的参数确定后,供应商或电商还可以实时地向第二设备130提供最新的历史数据,得到第二设备130反馈的实时的推荐价格,从而实时地更新为物品A设定的价格。
需要说明的是,推荐模型的参数根据不同物品的样本数据会得到不同的取值,以此保证确定的推荐模型具有针对性,提高各物品的推荐价格的准确性。
应该理解,本申请实施例提供的确定推荐模型的方法一般可以由第一设备120执行,本申请实施例提供的确定物品价格的方法一般可以由第二设备130执行。相应地,本申请实施例提供的确定推荐模型的装置一般可以由第一设备120执行,本申请实施例提供的确定物品价格的装置一般可以由第二设备130执行。图1中的第一设备、第二设备和终端设备的数目和类型仅仅是示意性的。根据实现需要,可以具有任意数目和类型的第一设备、第二设备和终端设备。
以下将结合图1,通过图2~图4对本申请实施例提供的确定推荐模型的方法进行详细描述。
图2是根据本申请实施例的确定推荐模型的方法的流程示意图。
如图2所示,该实施例的确定推荐模型的方法200包括操作S210、操作S230、操作S250和操作S270。
在操作S210,获取包括物品的历史销量的多个样本数据。
根据本申请的实施例,该操作S210例如可以先获取第一预设时段内物品的历史数据,该历史数据包括物品的历史销量。随后,将该第一预设时段分为多个周期时段,并根据该多个周期时段,将获取的历史数据划分为多个样本数据。每个历史数据对应一个周期时段。
根据本申请的实施例,多个样本数据可以由供应商等根据实际需求以数据列表的形式提供,数据列表中一行数据或预设行数的数据组成一个样本数据。其中,一行数据对应一个周期时段。
示例性地,每个样本数据中的历史销量可以包括相邻的不同时段的多个历史销量。例如,可以获取近30天内物品的历史数据,将30天分为10个周期时段,每个周期时段的时长为3天。随后将该获取的历史数据分为10个样本数据,每个样本数据包括相邻三天中每天的历史数据。
在操作S230,确定针对多个样本数据中每个样本数据的需求预测值。
根据本申请的实施例,该操作S230可以根据每个样本数据包括的历史销量,预测得到针对每个样本数据的需求预测值。该需求预测值可以为在历史销量对应时段之后的周期时段内的预测销量。或者,该需求预测值也可以为历史销量对应时段之后的周期时段内的市场需求预测概率。其中,若每个样本数据包括相邻三天中每天的历史销量,则预测得到的需求预测值可以表征该相邻三天之后的第一天的市场预测需求。
根据本申请的实施例,可以采用预先训练的循环神经网络模型来确定针对多个样本数据中每个样本数据的需求预测值。操作S230可以先将多个样本数据中每个样本数据转换为循环神经网络模型的输入向量,得到多个输入向量。随后将多个输入向量分别输入循环神经网络模型,输出得到针对多个样本数据的多个需求预测值。
示例性地,可以采用预先训练的长短期记忆网络模型(Long-Short-Term Memory,LSTM)来确定针对多个样本数据中每个样本数据的需求预测值,以此使得操作S230在确定需求预测值时考虑时间信息,提高确定的需求预测值的准确性。相应地,每个样本数据中除了包括物品的历史销量外,还可以包括针对物品的历史销量的时间信息,该时间信息包括日期信息。
示例性地,该时间信息除了日期信息外,例如还可以包括针对物品的历史销量的时段类别,该类别包括休息日、工作日、传统节日等。在输入长短期记忆网络模型之前,该时段类型例如可以采用独热编码(one-hot编码)方法转换为向量,以作为输入向量的一部分。通过时段类别的输入,可以使得长短期记忆网络模型学习到特殊日期的特殊销量,从而进一步提高输出的需求预测值的准确性。
根据本申请的实施例,卷积神经网络可以预先训练得到,也可以在根据多个样本数据得到多个需求预测值的同时,根据得到的周期时段内的需求预测值指示的预测销量与周期时段内的实际销量的差值来进行参数回调,从而提升卷积神经网络的准确性。
在操作S250,基于针对每个样本数据的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系。
根据本申请的实施例,推荐模型包括目标参数,推荐模型以需求预测值为自变量,以推荐价格为因变量。在该推荐模型中,目标参数的取值未知。操作S250可以是将每个样本数据的需求预测值赋值给推荐模型的自变量,得到推荐价格与目标参数之间的关系。通过依次将多个样本数据的需求预测值赋值给推荐模型的自变量,可以得到推荐价格与目标参数之间的多个关系,每个关系对应一个样本数据。
示例性地,若推荐模型采用公式:Psug=V(θ,q)表示,得到的推荐价格与目标参数之间的关系例如可以表示为Psug=U(θ)。其中,Psug为推荐价格,θ为目标参数,q为需求预测值。
在操作S270,基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。
根据本申请的实施例,预设损失模型例如可以为平方损失函数模型,该预设损失模型能够体现出实际价格与推荐价格之间差距的平方和。操作S270可以将前述表示推荐价格与目标参数之间的多个关系中的U(θ)赋值给预设损失函数中的推荐价格。示例性地,预设损失模型可以采用以下公式表示:
通过将U(θ)赋值后,损失函数模型Lloss即为关于θ的函数。操作S270可以采用梯度下降算法确定使Lloss的取值最小的θ的取值,并将此时θ的取值作为目标参数的数值。可以理解的是,上述平方损失函数模型仅作为预设损失模型的一种示例,在其他实施例中,例如可以采用绝对值损失函数,或者采用合页损失函数等。该预设损失模型的具体形式可以根据实际需求进行设定。
根据本申请的实施例,在确定了目标参数的数值后,将目标参数的数值代入包含目标参数的推荐模型后,得到仅自变量为未知量的推荐模型。代入目标参数的取值后的推荐模型可以用于确定物品的推荐价格。
本申请实施例通过先根据样本数据得到物品的需求预测值,再根据针对多个样本的需求预测值和预设损失函数来确定推荐模型中目标参数的取值,可以使得最终得到的推荐模型能够贴合物品的实际市场需求,准确表达物品的推荐价格与市场因素之间的关系,从而便于提高根据得到的推荐模型确定的推荐价格的准确性。
根据本申请的实施例,前述操作获取的样本数据除了历史销量外,例如还可以包括针对物品的历史热点信息。热点信息例如可以为热门电影的信息、热点新闻信息、微博热搜等信息。该些信息可以通过独热编码方法转换为向量,以作为输入向量的一部分。通过热点信息的输入,可以在通过操作S230确定需求预测值时进一步考虑市场热度,从而进一步提高输出的需求预测值的准确性。例如,在物品为热门电影的周边产品时,市场需求量较大,确定的需求预测值为较大的值,而在物品为冷门电影的周边产品时,市场需求量较小,确定的需求预测值为较小的值。
根据本申请的实施例,前述操作获取的样本数据除了历史销量外,例如还可以包括历史销量对应的时段内,针对物品的竞争物品的历史价格。竞争物品的价格在一定程度上会影响物品的销量,通过在输入向量中加入该竞争物品的历史价格,可以进一步提高确定的需求预测值的准确性。示例性地,除了竞争物品的历史价格外,样本数据例如还可以包括竞争物品与当前物品的相似度等,以此在卷积神经网络确定需求预测值时,可以根据该相似度决定竞争物品的历史价格影响需求预测值的比重。
根据本申请的实施例,通过在获取历史销量的同时,获取热点信息和竞争物品的历史价格、竞争物品与物品的相似度,可以使得确定需求预测值的循环神经网络模型能够表达物品需求与市场中除物品外的其他动因之间的关系,从而可以使得确定的需求预测值更为精准,并因此保证后续确定的推荐模型的准确性。
图3是根据本申请实施例的利用预设损失模型确定目标参数的数值的操作流程图。
根据本申请的实施例,前文描述的推荐模型除了包含数值未知的目标参数外,例如还可以包括超参数,以此使得推荐模型能够表达推荐价格与需求预测值之间更为复杂的关系,并因此使得确定的推荐模型更精准。
在设置有超参数的情况下,该实施例在确定目标参数的取值,从而确定推荐模型时,可以对超参数进行优化,以提高推荐模型学习的性能和效果。如图3所示,该实施例的利用预设损失模型确定目标参数的数值的操作例如可以包括循环执行的操作S371~操作S374,直至确定的推荐模型满足预设条件,以及在确定的推荐模型满足预设条件时执行的操作S375。
在操作S371,获取超参数的数值。
根据本申请的实施例,该超参数的数值例如可以由人工输入,从而使得第一设备响应于人工输入获得超参数的取值。在每次循环结束后,人工还可以根据确定的推荐模型对该超参数的数值进行调整,以使得下次循环得到的推荐模型更精准。
根据本申请的实施例,例如可以由学习机预先选择一组超参数的数值,操作S371可以为从该一组超参数的数值中按顺序获取一个超参数的数值。
根据本申请的实施例,操作S371可以采用网格搜索(Grid Search)技术获取所述超参数的取值。网格搜索技术本质是一种穷举法,可以人工先选择一个较小的有限的数集,随后第一设备使用穷举法来将数集中所有的数值都运行一遍。
根据本申请的实施例,在推荐模型还包括超参数的情况下,前述确定的多个关系不仅能够表示推荐价格与目标参数之间的关系,还可以表示推荐价格与超参数之间的关系。相应地,推荐模型例如可以采用公式: 表示,其中,为超参数。
在操作S372,基于多个关系和超参数的数值,利用预设损失模型确定目标参数的数值。
根据本申请的实施例,该操作S372可以将表示推荐价格与目标参数之间的多个关系中的赋值给损失函数中的推荐价格,将超参数的数值赋值给中的此时预设损失函数为关于θ的函数,采用梯度下降算法或反向梯度算法等可以确定使损失函数的取值最小的θ的取值,并将此时θ的取值作为目标参数的数值。
在操作S373,基于超参数的数值和目标参数的数值确定推荐模型。
在获得超参数的数值,并确定了目标参数的数值之后,可以将超参数的数值和目标参数的数值代入包含目标参数和超参数的推荐模型中,从而得到仅自变量为未知量的推荐模型。
在操作S374,判断确定的推荐模型是否满足预设条件。
根据本申请的实施例,预设条件例如可以包括:相邻两次循环中确定的两个目标参数的数值之间的差值小于第一预设差值。若相邻两次循环确定的目标参数的数值相近,则可以判定推荐模型中目标参数的数值已接近最优,确定当前目标参数的取值为准确取值。从而确定代入该目标参数的取值的推荐模型的准确性能够满足需求。其中,第一预设差值可以根据实际需求进行设定,本申请对此不作限定。
根据本申请的实施例,预设条件例如可以包括:根据相邻两次循环确定的推荐模型确定的推荐价格之间的差值小于第二预设差值。该实施例可以在操作S373得到推荐模型后获取测试数据,该测试数据与样本数据类似。通过根据测试数据得到需求预测值,并将需求预测值代入推荐模型,可以得到针对测试数据的推荐价格。对于同一测试数据,若采用相邻两次循环确定的推荐模型得到的两个推荐价格之间的差值小于第二预设差值,则确定相邻两次循环中较后的循环得到的推荐模型满足预设条件。其中,第二预设差值例如可以根据实际需求进行设定,本申请对此不作限定。
根据本申请的实施例,预设条件例如可以包括:确定的预设损失模型的最小取值小于第三预设值。该实施例可以在操作S372得到目标参数的数值后,确定该目标参数的数值确定的预设损失模型的最小取值是否小于预设值。若差值小于预设值,确定推荐模型满足预设条件。其中,预设值例如可以根据实际需求进行设定,本申请对此不作限定。示例性地,该第三预设差值例如可以为10的负n次方,n为正整数,该n的取值可以根据实际需求进行设定。
若操作S374判断得到确定的推荐模型满足预设条件,则执行操作S375,以当前目标参数的取值作为最终确定的数值。
若操作S374判断得到确定的推荐模型不满足预设条件,则返回执行操作S371,以重新获取超参数的数值,并重新确定推荐模型。
本申请实施例通过在包含目标参数的推荐模型中加入超参数,可以使得最终确定的推荐模型能够更精准的表达推荐价格与市场动因之间的关系,从而可以提高使用推荐模型确定的推荐价格的准确性。
根据本申请的实施例,推荐模型例如还可以包括预定价格P,该预定价格可以为人工设定的,前述包含需求预测值和目标参数的V(θ,q)可以作为调整因子,用于对人工设定的预定价格进行调整。例如,推荐模型可以采用以下公式表示:
Psug=P*V(θ,q)。
示例性地,为了更好的表达推荐价格与市场需求之间的复杂关系,调整因子V与需求预测值q之间例如可以为非线性关系。例如,V与q之间的关系可以表示如下。可以理解的是,该V与q之间的非线性关系仅作为示例以利于理解本申请,本申请对此不作限定。
Vθ∝θ*(q-θ)。
根据本申请的实施例,在推荐模型还包括超参数的情况下,推荐模型可以表示为:
根据本申请的实施例,在确定目标参数的数值时,例如还可以考虑物品的历史销量的平均值,以此使得最终确定的推荐模型能够更精准的表达推荐价格与市场需求之间的关系。
示例性地,前文利用预设损失模型确定目标参数的取值的操作可以先确定多个样本数据包括的多个历史销量的平均值。随后基于平均值和多个历史销量,确定预设损失模型的取值与多个关系之间的关联关系。最后基于关联关系,利用反向梯度算法确定预设损失模型的取值最小时目标参数的取值。
示例性地,若多个样本数据中某个样本数据中的历史销量明显高于历史销量,则可以弱化根据针对该某个样本数据的关系确定的推荐价格在预设损失模型的取值中的比重。以保证推荐模型的稳定性,使得推荐模型能够适用于更长时段内的价格预测。相应地,前述预设损失模型在计算推荐价格与实际价格之间的平方和时,例如可以为该平方和分配权重,该权重根据样本数据中历史销量与平均值之间的差值确定。基于平均值和多个历史销量确定预设损失模型的取值与多个关系之间的关联关系可以包括:若某个样本数据与平均值的差值较大,则向预设损失模型中基于针对该样本数据的推荐价格的平方和分配较小的权重。
图4是根据本申请另一实施例的利用预设损失模型确定目标参数的数值的原理示意图。
根据本申请的实施例,在确定预设损失模型的取值时,例如还可以考虑预设价格上限和预设价格下限,以使得根据推荐模型确定的推荐价格能够被限定在该预设价格上限和预设价格下限之间,从而使得推荐价格不会因过低而使供应商亏损,且不会因过高而使得物品滞销。其中,预设价格上限和预设价格下限可以根据物品的成本价、竞争物品的价格等实际需求进行设定,本申请对此不作限定。
示例性地,预设损失模型例如可以由两部分组成,一部分为预设价格上限与由目标参数表示的推荐价格之间的差值,另一部分为目标参数表示的推荐价格与预设价格下限之间的差值。相应地,预设损失模型的取值为第一数值和第二数值之和。其中,第一数值为预设价格上限与由目标参数表示的推荐价格之间的差值,第二数值为目标参数表示的推荐价格与预设价格下限之间的差值。
示例性地,在基于所述平均值和所述多个历史销量,确定所述预设损失模型的取值与所述多个关系之间的关联关系时,可以针对多个样本数据中包括的历史销量大于等于平均值的第一样本数据,确定预设损失模型的取值与针对第一样本数据的第一关系之间的关联关系为:根据预设价格上限与第一关系确定的推荐价格之间的第一差值确定第一数值。针对多个样本数据中包括的历史销量小于平均值的第二样本数据,确定预设损失模型的取值与针对第二样本数据的第二关系之间的关联关系为:根据第二关系确定的推荐价格与预设价格下限之间的第二差值确定第二数值。这是由于在样本数据中的历史销量大于等于平均值时,一般认为可以适当提高物品价格,以提高供应商的利润。而在样本数据中的历史销量大于等于平均值时,一般认为可以适当降低物品价格,以利于完成销量目标。
示例性地,如图4所示的原理示意400,利用损失模型确定目标参数的数值之前,例如可以先根据物品的历史销量确定售卖满足线410,以便于确定预设损失模型的取值与多个关系之间的关联关系。其中,该售卖满足线410为根据物品当前时刻前的第二预设时段中,包括的多个周期时段的历史销量的平均线。
示例性地,可以通过确定前文获取的多个样本数据包括的多个历史销量的平均值,并以该平均值作为S-t坐标系中S轴的取值,在平行于t轴的方向划线得到售卖满足线410。其中,S轴表示销量,t轴表示时间。
在得到该售卖满足线后,可以根据多个样本中的历史销量是否低于售卖满足线410,将多个样本数据420归类为正样本数据421和负样本数据422。其中,正样本数据421为历史销量不低于售卖满足线410的样本,负样本数据422为历史销量低于售卖满足线410的样本。随后,可以通过前述确定需求预测值和确定推荐价格与目标参数之间的关系的操作,得到针对正样本数据421的第一关系431,并得到针对负样本数据422的第二关系432。随后再将第一关系431确定的由目标参数表示的推荐价格、预设价格上限、第二关系432确定的由目标参数表示的推荐价格、预设价格下限代入以下预设损失模型中。其中,l为预设价格上限,u为预设价格下限。其中,将第一关系431确定的由目标参数表示的推荐价格赋值给以下公式中第一部分的Psug,将第二关系432确定的由目标参数表示的推荐价格赋值给以下公式中第二部分的Psug。
在确定以上损失模型的取值时,根据预设价格上限441与第一关系431确定的由目标参数表示的推荐价格的差值确定得到第一数值451,根据第一关系432确定的由目标参数表示的推荐价格值与预设价格下限442的差值确定得到第二数值452。最终将所有的第一数值和第二数值相加,可以得到由目标参数表示的预设损失模型的取值450。例如,若有10个样本数据,其中包括6个正样本数据和4个负样本数据,则根据前述损失模型,可以得到6个第一数值和4个第二数值,最终将6个第一数值和4个第二数值相加,得到损失模型的取值。
根据本申请的实施例,前述第一差值和第二差值例如可以为绝对差值,以保证损失模型的取值能够更为准确地体现推荐价格与预设价格上限之间的距离,以及推荐价格与预设价格下限之间的距离。
根据本申请的实施例,前述根据预设价格上限与所述第一关系确定的推荐价格之间的第一差值确定第一数值例如可以包括:确定第一数值为零与第一差值中较大的值。前述根据第二关系确定的推荐价格与预设价格下限之间的第二差值确定所述第二数值包括:确定第二数值为零与第二差值中较大的值。相应地,预设损失模型可以表示如下。
本申请通过在第一差值为负数时使第一数值取零,在第二差值为负数时使第二数值取零,可以避免确信度较高的过高推荐价格或过低推荐价格对损失函数的取值的影响,从而使得最终确定的推荐模型给出的推荐价格能够更大程度上满足市场需求。
基于确定了参数取值的推荐模型,可以用于根据物品的历史数据进行价格的推荐。以下将通过图5对本申请提供的确定物品价格的方法进行详细描述。
图5是根据本申请实施例的确定物品价格的方法的流程示意图。
如图5所示,该实施例的确定物品价格的方法500可以包括操作S520、操作S540和操作S560。
在操作S520,获取在预设历史时段内针对物品的历史数据,历史数据包括物品的历史销量。
根据本申请的实施例,该历史数据与前文描述的样本数据类似,区别在于该操作S520获取的历史数据为实时获取的当前时刻之前的预设个数的周期时段内的历史数据。而前文描述的样本数据不要求数据的实时性。该操作S520获取的历史数据的数据量与每个样本数据的数据量相等。其中,预设历史时段为预设个数的周期时段。其中,周期时段的长度及预设个数可以根据实际需求进行设定,本申请对此不作限定。示例性地,一个周期时段内的数据以拼接形成的一条数据的形式被获取。
示例性地,该预设历史时段内针对物品的历史数据例如还可以包括以下信息的至少之一:针对物品的历史热点信息;针对物品的竞争物品的历史价格;针对物品的历史销量的时间信息。该些信息与前文描述的相应信息类似,在此不再赘述。
在操作S540,确定针对历史数据的需求预测值。
根据本申请的实施例,该操作S540可以先将操作S520获取的历史数据转换为卷积神经网络模型的输入,输出得到需求预测值。该需求预测值可以反映物品在未来一个周期时段内的市场需求。该操作S540与前述确定针对样本数据的需求预测值的操作类似,在此不再赘述。
示例性地,在一个周期时段内的数据以一条数据的形式被获取时,通过对获取的历史数据进行转换,例如可以得到多个向量。通过将该多个向量按时间先后顺序依次拼接,可以得到输入向量。
在操作S560,基于针对历史数据的需求预测值,利用预先确定的推荐模型确定物品的推荐价格。
根据本申请的实施例,该操作S560为将针对历史数据的需求预测值赋值给预先确定的推荐模型中的自变量,从而得到推荐模型中因变量的值,并以该因变量的值作为物品的推荐价格。
根据本申请的实施例,该操作S560利用的推荐模型为通过前文描述的确定推荐模型的方法确定得到。从而可以保证确定的推荐价格能够较好的满足市场需求,为供应商设定物品价格提供较大的参考价值。
图6是根据本申请实施例的确定推荐模型的装置的结构框图。
如图6所示,该实施例的确定推荐模型的装置600可以包括第一数据获取模块610、第一需求确定模块630、关系确定模块650和数值确定模块670。
第一数据获取模块610用于获取包括物品的历史销量的多个样本数据。在一实施例中,第一数据获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
第一需求确定模块630用于确定针对多个样本数据中每个样本数据的需求预测值。在一实施例中,第一需求确定模块630可以用于执行前文描述的操作S230,在此不再赘述。
关系确定模块650用于基于针对每个样本的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对多个样本数据的多个关系。在一实施例中,关系确定模块650可以用于执行前文描述的操作S250,在此不再赘述。
数值确定模块670用于基于多个关系,利用预设损失模型确定目标参数的数值,以得到推荐模型。在一实施例中,数值确定模块670可以用于执行前文描述的操作S270,在此不再赘述。
图7是根据本申请实施例的确定物品价格的装置的结构框图。
如图7所示,该实施例的确定物品价格的装置700可以包括第二数据获取模块720、第二需求确定模块740和价格推荐模块760。
第二数据获取模块720用于获取在预设历史时段内针对物品的历史数据,该历史数据包括物品的历史销量。在一实施例中,第二数据获取模块720可以用于执行前文描述的操作S520,在此不再赘述。
第二需求确定模块740用于确定针对历史数据的需求预测值。在一实施例中,第二需求确定模块740可以用于执行前文描述的操作S540,在此不再赘述。
价格推荐模块760用于基于针对历史数据的需求预测值,利用预先确定的推荐模型确定物品的推荐价格。在一实施例中,价格推荐模块760可以用于执行前文描述的操作S560,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的适于执行确定推荐模型的方法或确定物品价格的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备800包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的确定推荐模型的方法或确定物品价格的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的确定推荐模型的方法或确定物品价格的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的确定推荐模型的方法或确定物品价格的方法对应的程序指令/模块(例如,附图6所示的第一数据获取模块610、第一需求确定模块630、关系确定模块650和数值确定模块670,或图7所示的第二数据获取模块720、第二需求确定模块740和价格推荐模块760)。处理器801通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的确定推荐模型的方法或确定物品价格的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据适于执行确定推荐模型的方法或确定物品价格的方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至适于执行确定推荐模型的方法或确定物品价格的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
适于执行确定推荐模型的方法或确定物品价格的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与适于执行确定推荐模型的方法或确定物品价格的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种确定推荐模型的方法,包括:
获取包括物品的历史销量的多个样本数据;
确定针对多个样本数据中每个样本数据的需求预测值;
基于针对每个样本数据的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对所述多个样本数据的多个关系;以及
基于所述多个关系,利用预设损失模型确定所述目标参数的数值,以得到所述推荐模型。
2.根据权利要求1所述的方法,其中,所述推荐模型还包含超参数;利用预设损失模型确定所述目标参数的数值包括循环执行以下操作,直至确定的推荐模型满足预设条件:
获取所述超参数的数值;
基于所述多个关系和所述超参数的数值,利用预设损失模型确定所述目标参数的数值;以及
基于所述超参数的数值和所述目标参数的数值确定所述推荐模型。
3.根据权利要求1或2所述的方法,其中,利用预设损失模型确定所述目标参数的数值包括:
确定所述多个样本数据包括的多个历史销量的平均值;
基于所述平均值和所述多个历史销量,确定所述预设损失模型的取值与所述多个关系之间的关联关系;以及
基于所述关联关系,采用反向梯度算法确定所述预设损失模型的取值最小时所述目标参数的取值。
4.根据权利要求3所述的方法,其中,所述预设损失模型的取值为第一数值和第二数值之和;利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系包括:
针对所述多个样本数据中包括的历史销量大于等于所述平均值的第一样本数据,确定所述预设损失模型的取值与针对所述第一样本数据的第一关系之间的关联关系为:根据预设价格上限与所述第一关系确定的推荐价格之间的第一差值确定所述第一数值;
针对所述多个样本数据中包括的历史销量小于所述平均值的第二样本数据,确定所述预设损失模型的取值与针对所述第二样本数据的第二关系之间的关联关系为:根据所述第二关系确定的推荐价格与预设价格下限之间的第二差值确定所述第二数值。
5.根据权利要求4所述的方法,其中:
根据预设价格上限与所述第一关系确定的推荐价格之间的第一差值确定所述第一数值包括:确定所述第一数值为零与所述第一差值中较大的值;
根据所述第二关系确定的推荐价格与预设价格下限之间的第二差值确定所述第二数值包括:确定所述第二数值为零与所述第二差值中较大的值。
6.根据权利要求1或2所述的方法,其中,所述推荐模型采用以下公式表示:
Psug=P*V(θ,q);
其中,Psug为推荐价格,P为预定标定价格,V(θ,q)为调节因子,θ为所述目标参数,q为所述需求预测值;其中,所述调节因子V与所述需求预测值q之间为非线性关系。
7.根据权利要求1或2所述的方法,其中,所述多个样本数据还包括以下信息中的至少之一:针对所述物品的历史热点信息;针对所述物品的竞争物品的历史价格;针对所述物品的历史销量的时间信息。
8.根据权利要求2所述的方法,其中,获取所述超参数的取值包括:采用网格搜索技术获取所述超参数的取值。
9.一种确定物品价格的方法,包括:
获取在预设历史时段内针对物品的历史数据,所述历史数据包括所述物品的历史销量;
确定针对所述历史数据的需求预测值;以及
基于针对所述历史数据的需求预测值,利用预先确定的推荐模型确定所述物品的推荐价格,
其中,所述预先确定的推荐模型由权利要求1~8中任一项所述的确定推荐模型的方法获得。
10.根据权利要求9所述的方法,其中,所述历史数据还包括以下信息的至少之一:针对所述物品的历史热点信息;针对所述物品的竞争物品的历史价格;针对所述物品的历史销量的时间信息。
11.一种确定推荐模型的装置,包括:
第一数据获取模块,用于获取包括物品的历史销量的多个样本数据;
第一需求确定模块,用于确定针对多个样本数据中每个样本数据的需求预测值;
关系确定模块,用于基于针对每个样本的需求预测值,利用包含目标参数的推荐模型确定推荐价格与目标参数之间的关系,得到针对所述多个样本数据的多个关系;以及
数值确定模块,用于基于所述多个关系,利用预设损失模型确定所述目标参数的数值,以得到所述推荐模型。
12.一种确定物品价格的装置,包括:
第二数据获取模块,用于获取在预设历史时段内针对物品的历史数据,所述历史数据包括所述物品的历史销量;
第二需求确定模块,用于确定针对所述历史数据的需求预测值;以及
价格推荐模块,用于基于针对所述历史数据的需求预测值,利用预先确定的推荐模型确定所述物品的推荐价格,
其中,所述预先确定的推荐模型由权利要求11所述的确定推荐模型的装置获得。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:权利要求1~8中任一项所述的方法;或者权利要求9~10中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行:权利要求1~8中任一项所述的方法;或者权利要求9~10中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114531.5A CN112258268B (zh) | 2020-10-16 | 2020-10-16 | 确定推荐模型和确定物品价格的方法、装置、设备和介质 |
KR1020210123490A KR102678144B1 (ko) | 2020-10-16 | 2021-09-15 | 추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 |
JP2021152382A JP7263463B2 (ja) | 2020-10-16 | 2021-09-17 | 推奨モデルを決定し、物品価格を決定する方法、装置、電子機器、記憶媒体およびコンピュータプログラム |
US17/500,999 US20220036394A1 (en) | 2020-10-16 | 2021-10-14 | Method of determining suggestion model, method of determining price of item, device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114531.5A CN112258268B (zh) | 2020-10-16 | 2020-10-16 | 确定推荐模型和确定物品价格的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258268A true CN112258268A (zh) | 2021-01-22 |
CN112258268B CN112258268B (zh) | 2023-11-07 |
Family
ID=74244665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114531.5A Active CN112258268B (zh) | 2020-10-16 | 2020-10-16 | 确定推荐模型和确定物品价格的方法、装置、设备和介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220036394A1 (zh) |
JP (1) | JP7263463B2 (zh) |
KR (1) | KR102678144B1 (zh) |
CN (1) | CN112258268B (zh) |
Cited By (2)
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 |
CN113313562A (zh) * | 2021-07-29 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 产品数据处理方法、装置、计算机设备和存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102445085B1 (ko) * | 2022-07-18 | 2022-09-22 | 주식회사 랜디컴퍼니 | 아이템 중고 거래 플랫폼을 제공하는 전자 장치의 제어 방법 |
KR102481347B1 (ko) * | 2022-08-16 | 2022-12-27 | 최재석 | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 |
TW202424858A (zh) * | 2022-12-09 | 2024-06-16 | 敦謙國際智能科技股份有限公司 | 用於預測營運指標之方法及系統 |
CN117745321A (zh) * | 2023-12-20 | 2024-03-22 | 浙江极氪智能科技有限公司 | 充电场站服务费定价方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108094A1 (en) * | 2012-06-21 | 2014-04-17 | Data Ventures, Inc. | System, method, and computer program product for forecasting product sales |
CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
CN110135878A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 用于确定销售价格的方法及装置 |
JP6752369B1 (ja) * | 2018-11-30 | 2020-09-09 | 三菱電機株式会社 | 取引価格予測装置および取引価格予測方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374906B1 (en) * | 2008-09-30 | 2013-02-12 | Zilliant Incorporated | Method and system for generating pricing recommendations |
US20140258016A1 (en) * | 2013-03-08 | 2014-09-11 | Ebay Inc. | System and method for generating recommendations |
JP2018063484A (ja) | 2016-10-11 | 2018-04-19 | 凸版印刷株式会社 | ユーザ評価予測システム、ユーザ評価予測方法及びプログラム |
EP3594859A1 (en) | 2018-07-09 | 2020-01-15 | Tata Consultancy Services Limited | Failed and censored instances based remaining useful life (rul) estimation of entities |
KR20200108521A (ko) * | 2019-03-04 | 2020-09-21 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
JP6758450B1 (ja) * | 2019-04-16 | 2020-09-23 | 楽天株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
US20200402077A1 (en) * | 2019-06-20 | 2020-12-24 | Saudi Arabian Oil Company | Model predictive control using semidefinite programming |
EP3943890B1 (en) * | 2020-07-23 | 2023-05-03 | Fujitsu Limited | A computer-implemented method of predicting energy use for a route |
-
2020
- 2020-10-16 CN CN202011114531.5A patent/CN112258268B/zh active Active
-
2021
- 2021-09-15 KR KR1020210123490A patent/KR102678144B1/ko active IP Right Grant
- 2021-09-17 JP JP2021152382A patent/JP7263463B2/ja active Active
- 2021-10-14 US US17/500,999 patent/US20220036394A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108094A1 (en) * | 2012-06-21 | 2014-04-17 | Data Ventures, Inc. | System, method, and computer program product for forecasting product sales |
US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
CN110135878A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 用于确定销售价格的方法及装置 |
JP6752369B1 (ja) * | 2018-11-30 | 2020-09-09 | 三菱電機株式会社 | 取引価格予測装置および取引価格予測方法 |
US20210264483A1 (en) * | 2018-11-30 | 2021-08-26 | Mitsubishi Electric Corporation | Transaction price prediction device and transaction price prediction method |
Cited By (2)
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 |
CN113313562A (zh) * | 2021-07-29 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 产品数据处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7263463B2 (ja) | 2023-04-24 |
US20220036394A1 (en) | 2022-02-03 |
KR20210120934A (ko) | 2021-10-07 |
JP2021192308A (ja) | 2021-12-16 |
KR102678144B1 (ko) | 2024-06-26 |
CN112258268B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258268A (zh) | 确定推荐模型和确定物品价格的方法、装置、设备和介质 | |
US11551239B2 (en) | Characterizing and modifying user experience of computing environments based on behavior logs | |
AU2020203862B2 (en) | Artificial intelligence (ai) based predictions and recommendations for equipment | |
CN111695695B (zh) | 用户决策行为量化分析方法及装置 | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
CA2944652A1 (en) | Inference model for traveler classification | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN112825178B (zh) | 一种预测用户性别画像的方法和装置 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN111563202B (zh) | 资源数据处理方法、装置、电子设备和介质 | |
CN117573973A (zh) | 资源推荐方法、装置、电子设备以及存储介质 | |
CN113269575B (zh) | 计算时序队列的方法和装置 | |
US20220198487A1 (en) | Method and device for processing user interaction information | |
CN112925723A (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 | |
CN112541145B (zh) | 一种页面展现方法、装置、设备及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN113240487B (zh) | 流量调控方法和装置 | |
CN112288146A (zh) | 页面显示方法、装置、系统、计算机设备以及存储介质 | |
CN113379436A (zh) | 信息处理方法、装置、计算设备及介质 | |
Kumari et al. | A Cloud Native Framework for Real-time Pricing in e-Commerce | |
CN113762992A (zh) | 一种处理数据的方法和装置 |
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 |