CN112330415A - 直播场景物品销量数据预测方法、模型的训练方法及介质 - Google Patents

直播场景物品销量数据预测方法、模型的训练方法及介质 Download PDF

Info

Publication number
CN112330415A
CN112330415A CN202011304874.8A CN202011304874A CN112330415A CN 112330415 A CN112330415 A CN 112330415A CN 202011304874 A CN202011304874 A CN 202011304874A CN 112330415 A CN112330415 A CN 112330415A
Authority
CN
China
Prior art keywords
article
live broadcast
sales data
data
item
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
Application number
CN202011304874.8A
Other languages
English (en)
Inventor
王鑫
申作军
郭旭波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Shangke Information Technology Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Shangke Information Technology Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Shangke Information Technology Co Ltd
Priority to CN202011304874.8A priority Critical patent/CN112330415A/zh
Publication of CN112330415A publication Critical patent/CN112330415A/zh
Pending legal-status Critical Current

Links

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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种直播场景物品销量数据预测方法、模型的训练方法及介质，在直播场景物品销量数据预测方法中，通过从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据。之后根据直播资源以及物品数据，获取待直播推荐的物品对应的物品数据矩阵，并将物品数据矩阵输入销量数据预测模型中进行处理。得到每种物品的预测销量数据后，输出预测销售数据。该销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的。本方案中，根据物品的销售特征，利用销量数据预测模型进行预测处理，相较于人工预测，有效缩短了预测过程所需时间，提高了预测销量数据的准确性。

Description

直播场景物品销量数据预测方法、模型的训练方法及介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种直播场景物品销量数据预测方法、模型的训练方法及介质。
背景技术
随着技术发展，用户通过在商场或者超市中获取需要的物品的方式已经逐渐被网络购物取代，伴随着直播行业的日渐火爆，主播通过在直播间里向用户推荐物品，主播能够向用户介绍不同物品的信息。用户可以根据需要进行获取，然而，由于无法准确预测需要的物品数量，经常造成物品数量不足或者准备物品过多的问题。
现有技术中，在直播之前，需要预测直播过程中的物品销量数据，以便进行物品准备，目前主要通过人工经验判断。具体的，在直播之前，工作人员需要通过调查了解物品的受欢迎度、适用时段与当下时段的匹配度、市场饱和度等等，结合多方面因素预测物品的销量数据。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：上述预测物品销量数据的方法，工作人员无法了解所有需要的信息，无法有效处理得到的数据，其预测过程所需时间较长，并且预测得到的数据准确度较低。
发明内容
本申请提供一种直播场景物品销量数据预测方法、模型的训练方法及介质，以解决现有预测物品销量数据的方法，工作人员无法了解所有需要的信息，无法有效处理得到的数据，其预测过程所需时间较长，并且预测得到的数据准确度较低的问题。
第一方面，本申请实施例提供一种直播场景物品销量数据预测方法，包括：
从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据，所述直播资源包括直播时间和/或直播入口资源信息；
根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵；所述物品数据矩阵用于表示待直播推荐的每种物品的销售特征的矩阵；
将所述物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据；其中，所述销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型；
输出所述预测销售数据。
在第一方面的一种可能设计中，所述待直播推荐的物品包括多种物品，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵，包括：
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
在第一方面的另一种可能设计中，所述方法还包括：
根据每种物品的已有数量以及预测销量数据，输出备货指示；所述备货指示用于指示每种物品的补货量。
第二方面，本申请实施例提供一种物品的销量数据预测模型的训练方法，包括：
根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播；
获取物品销量数据预测训练集，其中，所述物品销量数据预测训练集中包括：每个目标主播的直播资源以及sku列表，每个目标主播对应的sku列表中包括所述目标主播历史直播的每种物品的物品数据；
根据所述销量数据预测训练集进行模型训练，得到所述销量数据预测模型。
在第二方面的一种可能设计中，所述根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播，包括：
根据当前主播的个人信息以及历史直播物品的物品数据，构建得到所述当前主播的信息模型；
获取多个主播的信息模型；
根据所述当前主播的信息模型以及所述多个主播的信息模型，从所述其他多个主播中确定出所述多个目标主播；其中，每个目标主播的信息模型与所述当前主播的信息模型之间的余弦距离小于预设值。
在第二方面的另一种可能设计中，所述根据所述销量数据预测训练集进行模型训练，得到所述销量数据预测模型，包括：
根据所述销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵；所述物品数据矩阵是用于表示每种物品的销售特征的矩阵；
根据所述物品特征矩阵以及每种物品的实际销量数据进行模型训练，得到所述销量数据预测模型。
可选的，所述销量数据预测训练集中，所述直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，所述根据所述销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵，包括：
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
第三方面，本申请实施例提供一种直播场景物品销量数据预测装置，包括：获取模块、处理模块以及输出模块；
所述获取模块，用于从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据，所述直播资源包括直播时间和/或直播入口资源信息；
所述获取模块，还用于根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵；所述物品数据矩阵用于表示待直播推荐的每种物品的销售特征的矩阵；
所述处理模块，用于将所述物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据；其中，所述销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型；
所述输出模块，用于输出所述预测销售数据。
在第三方面的一种可能设计中，所述待直播推荐的物品包括多种物品，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
所述获取模块，具体用于：
获取本次直播的直播资源以及待直播推荐的所有物品的物品数据；其中，所述直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
在第三方面的另一种可能设计中，所述处理模块，还用于根据每种物品的已有数量以及预测销量数据，输出备货指示；所述备货指示用于指示每种物品的补货量。
第四方面，本申请实施例提供一种物品的销量数据预测模型的训练装置，包括：获取模块和训练模块；
所述获取模块，用于根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播；
所述获取模块还用于获取物品销量数据预测训练集，其中，所述物品销量数据预测训练集中包括：每个目标主播的直播资源以及sku列表，每个目标主播对应的sku列表中包括所述目标主播历史直播的每种物品的物品数据；
所述训练模块，用于根据所述销量数据预测训练集进行模型训练，得到所述销量数据预测模型。
在第四方面的一种可能设计中，所述获取模块，具体用于：
根据当前主播的个人信息以及历史直播物品的物品数据，构建得到所述当前主播的信息模型；
获取多个主播的信息模型；
根据所述当前主播的信息模型以及所述多个主播的信息模型，从所述其他多个主播中确定出所述多个目标主播；其中，每个目标主播的信息模型与所述当前主播的信息模型之间的余弦距离小于预设值。
在第四方面的另一种可能设计中，所述训练模块，具体用于：
根据所述销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵；所述物品数据矩阵是用于表示每种物品的销售特征的矩阵；
根据所述物品特征矩阵以及每种物品的实际销量数据进行模型训练，得到所述销量数据预测模型。
可选的，所述销量数据预测训练集中，所述直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，获取模块，具体用于：
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
第五方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现第一方面以及各可能设计提供的方法。
第六方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现第二方面以及各可能设计提供的方法。
第七方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第一方面以及各可能设计提供的方法。
第八方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令被处理器执行时用于实现第二方面以及各可能设计提供的方法。
本申请提供一种直播场景物品销量数据预测方法、模型的训练方法及介质，在直播场景物品销量数据预测方法中，通过从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据。之后根据直播资源以及物品数据，获取待直播推荐的物品对应的物品数据矩阵，并将物品数据矩阵输入销量数据预测模型中进行处理。得到每种物品的预测销量数据后，输出预测销售数据。该销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的。本方案中，根据物品的销售特征，利用销量数据预测模型进行预测处理，相较于人工预测，有效缩短了预测过程所需时间，提高了预测销量数据的准确性。
附图说明
图1为本申请实施例提供的直播场景物品销量数据预测方法的一种应用场景示意图；
图2为本申请实施例提供的直播场景物品销量数据预测方法实施例一的流程示意图；
图3为本申请实施例提供的物品的销量数据预测模型的训练方法实施例一的流程示意图；
图4为本申请实施例提供的物品的销量数据预测模型的训练方法实施例二的流程示意图；
图5为本申请实施例提供的物品的销量数据预测模型的训练方法实施例三的流程示意图；
图6为本申请实施例提供的销量数据预测模型单颗树训练过程的流程示意图；
图7为本申请实施例提供的物品的销量数据预测模型的训练方法的一实施例的流程示意图；
图8为本申请实施例提供的直播场景物品销量数据预测装置的结构示意图；
图9为本申请实施例提供的物品的销量数据预测模型的训练装置的结构示意图；
图10为本申请实施例提供的电子设备实施例一的结构示意图；
图11为本申请实施例提供的电子设备实施例二的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本申请的实施例之前，首先对本申请的背景技术进行解释说明。
随着技术发展，用户通过在商场或者超市中获取需要的物品的方式已经逐渐被网络购物取代。用户可以在网络购物平台上浏览物品，并根据自己的需求对物品进行下单，填写接收物品的地址，就可以在家里足不出门接收到商家通过物流寄送到的物品。伴随着直播行业的日渐火爆，越来越多的用户选择通过观看直播获取知识或者娱乐生活。其中，在部分直播间中，主播向用户介绍不同的物品信息，并根据不同用户群体针对性推荐适合其的物品。用户可以根据物品的优缺点，并结合自身的需求在直播间进行下单购买。由于主播可以通过介绍物品的特征让用户更全面的了解到物品，有效的激发了用户的购买欲，从而能够有效的推动物品的销量数据。然而，由于无法准确预测需要的物品数量，当物品数量不足或者准备物品过多可能会造成销量数据的损失或者货物积压的问题。
现有技术中，在直播之前，需要预测直播过程中的物品销量数据，以便进行物品准备，目前主要通过人工经验判断。具体的，在直播之前，工作人员需要通过调查了解物品的受欢迎度、适用时段与当下时段的匹配度、市场饱和度等等，结合多方面因素预测物品的销量数据。然而，由于工作人员无法了解所有需要的信息，收集到的信息不够完整，分析的因素不够全面，导致工作人员无法有效处理得到的数据。不仅如此，由于需要人工对数据进行处理，人工成本较高，且其预测过程需要耗费较长的时间，不能保证预测得到的数据的准确度。
针对上述问题，本申请的发明构思如下：在预测物品销量数据时，在目前的方案中，由于人工没有办法保证处理过程的严谨性，导致预测销量数据准确性不能得到保证。基于此，发明人发现，如果能获取一个销量数据预测模型，该销量数据预测模型能够代替人工处理过程，则可以解决人工处理的预测销量数据准确度低的问题，从而也可以节约计算时间，提高计算效率。
下面，对本申请实施例所涉及的名词进行解释：
最小物品单位(Stock Keeping Unit，sku)列表：sku指的是库存进出计量的不可分割的最小物品单位，通常是以件、盒、托盘等为单位。每种物品均对应有唯一的sku号，举例来说，在纺织品中一个sku通常表示：规格、颜色、款式。一件M码(共有4个尺码：S码、M码、L码、X码)的粉色(共有3种颜色：粉色、黄色、黑色)女士风衣，其中M码、粉色就是一组sku的组合。sku列表指的是将所有sku汇总整理形成的列表。
余弦距离：余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度，距离越短相似度越高。
示例性的，本申请实施例提供的直播场景物品销量数据预测方法可以应用于图1所示的一种应用场景示意图中。图1为本申请实施例提供的直播场景物品销量数据预测方法的一种应用场景示意图，用以解决上述技术问题。如图1所示，如图1所示，电子设备可通过运行软件等方式在屏幕上显示销量数据预测界面，便于用户获取销量数据预测的结果。常规的处理方式，电子设备可以从自身储存的数据中选取销量数据预测过程所需要的数据，或者，也可以是用户输入进行销量数据预测所需要的数据，还可以从云端或者服务器中下载并存储这些数据，在下载这些数据的过程中，云端或者服务器可以对这些数据进行预处理，根据需求提取相关数据发送给电子设备进行预测处理。也可以是电子设备在下载该所有相关数据之后根据自身的需求进行处理，提取需要的数据。电子设备在获取了数据之后，根据销量数据预测模型对获取到的数据进行处理，从而获取每种物品的预测销量数据。
综上所述，作为本申请提供的技术方案的执行主体的电子设备可以是手机、平板电脑、电脑，其他智能终端等等任一具备数据处理以及人机交互能力的设备，也可以是云端，或者服务器等具有处理功能实体，本申请对此不做过多限制。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的直播场景物品销量数据预测方法实施例一的流程示意图。如图2所示，该直播场景物品销量数据预测方法可以包括如下步骤：
S101：从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据。
在本步骤中，电子设备可以从直播服务器获取数据，对获取到的数据进行处理，解析获取直播资源。具体的，电子设备可以向直播服务器发送获取直播资源指令，直播服务器接收到指令后，将直播资源发送给电子设备，方便电子设备对其进行处理。直播服务器也可以主动向电子设备发送直播资源，电子设备接收到直播服务器发送的直播资源并对其进行处理。
进一步的，电子设备可以从待直播推荐的物品所属平台获取物品数据，具体的，电子设备可以向待直播推荐的物品所属平台发送获取物品数据指令，直播服务器接收到指令后，将物品数据发送给电子设备，方便电子设备对其进行处理。该平台也可以主动向电子设备发送物品数据，电子设备接收到该平台的物品数据并对其进行处理。
具体的，物品数据以及直播资源可以携带在电子设备从外部接收到的数据中。其中，该数据可以是一个实时的消息队列(message queue，MQ)消息，也可以是通过网络爬虫按照一定规律自动抓取万维网中的数据。本申请实施例不对数据的具体表现形式进行限定，其可以根据实际需求确定。
其中，直播资源主要用于表征推荐物品时的直播信息，包括直播时间和/或直播入口资源信息。物品数据主要用于表征待直播推荐的物品信息，包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格。
S102：根据直播资源以及物品数据，获取待直播推荐的物品对应的物品数据矩阵。
在本步骤中，电子设备获取到待直播推荐的多种物品的直播资源以及物品数据，根据直播资源和每种物品的物品数据对其进行分析处理，获取每种物品的销售特征，并根据每种物品的销售特征得到物品数据矩阵。物品数据矩阵是根据多种物品的物品数据以及直播资源确定的、主要用于表示每种物品的销售特征的矩阵。
其中，每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。应理解，上述每种物品的销售特征还可以包括物品的其他销售特征，本申请实施例对此不进行限定。
具体的，物品基本信息包括物品的名称，品类，用途，也可以包括其他物品信息，本申请实施例对此不进行具体限制。价格与销量数据交叉相关系数主要用于表征物品价格与销量数据的交叉相关性，可以利用公式(1)计算得出。
corr＝cov(X,Y)/√(Var(X)Var(Y)) (1)
其中，cov(X,Y)代表协方差，Var代表协方差，X代表销量数据，Y代表价格。
销量数据统计特征包括历史1周、1个月以及2个月，历史同期1个月以及2个月的销量数据的均值、最大值、最小值、方差、中位数、回归系数、最大值位置、差分和、自相关系数以及小波系数。
价格统计特征包括历史1周、1个月以及2个月，历史同期1个月以及2个月的价格的均值、最大值、最小值、方差、中位数、回归系数、最大值位置、差分和、自相关系数以及小波系数。
销量数据与销量数据中位数比值信息包括近1至7天单日销量数据与历史1个月销量数据中位数比值。
示例型的，物品数据矩阵是根据多种物品的物品数据以及直播资源确定的、主要用于表示表示每种物品的销售特征的矩阵，可以通过以下矩阵(a)进行表示。
矩阵(a)：
Figure BDA0002788040820000111
其中，在矩阵(a)中，baseinfo代表物品基本信息，saleprice_cross代表价格与销量数据交叉相关系数，saleTimeseries代表销量数据统计特征，priceTimeseries代表价格统计特征，priceTimeseries代表销量数据与销量数据中位数比值信息，priceTimeseries代表直播资源。
应理解，除上述矩阵格式以外，每种物品的销售特征还可以通过列表，集合等其他格式进行表示，本申请实施例对此不进行限定。
S103：将物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据。
本方案中，销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型，用于根据表示每种物品的销售特征的矩阵预测每种物品销量数据的模型。
在本步骤中，电子设备获取到物品数据矩阵后，将物品数据矩阵输入销量数据预测模型中，销量数据预测模型根据物品数据矩阵对其进行分析处理，获取每种物品的预测销量数据。其中，预测销量数据指的是根据销量数据预测模型预测得到的该物品的销量数据。
示例性的，可以将物品数据矩阵通过销量数据预测界面的输入框输入到销量数据预测模型中进行处理，也可以由电子设备的系统自动获取物品数据矩阵，并输入销量数据预测模型中进行处理，销量数据预测模型对输入的该物品数据矩阵进行分析处理，得到每种物品的预测销量数据。
可选的，还可以将物品数据矩阵保存在文档中，通过销量数据预测界面的选择控件将文档导入到销量数据预测界面。销量数据预测模型接收并读取该文档，获取文档中携带的物品数据矩阵，通过处理该物品数据矩阵得到每种物品的预测销量数据。
本申请实施例不对销量数据预测模型获取物品数据矩阵的具体方式进行限定，其可以根据实际需求确定。
S104：输出预测销售数据。
在本步骤中，电子设备通过销量数据预测模型获取物品的预测销售数据，并将该预测销售数据在销量数据预测界面上进行显示。
进一步的，电子设备在预测得到每种物品的预测销量数据之后，还可以根据每种物品的已有数量以及预测销量数据，输出备货指示。其中，备货指示用于指示每种物品的补货量，提醒工作人员根据备货指示进行备货。
示例性的，补货量可以通过常规目标周转库存，预测销量数据以及现有库存，利用公式(2)计算得到。
H＝A+saleslive-B (2)
其中，H代表补货量，A代表常规目标周转库存，saleslive代表预测销量数据，B代表及现有库存。
本申请实施例提供的直播场景物品销量数据预测方法，通过从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据。之后根据直播资源以及物品数据，获取待直播推荐的物品对应的物品数据矩阵，并将物品数据矩阵输入销量数据预测模型中进行处理。得到每种物品的预测销量数据后，输出预测销售数据。该销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的。根据物品的销售特征，利用销量数据预测模型进行预测处理，相较于人工预测，有效缩短了预测过程所需时间，提高了预测销量数据的准确性。
在上述实施例的基础上，为了保证利用销量数据预测模型得到的每种物品的预测销量数据的准确性，还需要对销量数据预测模型进行训练，减小预测销量数据与实际销量数据间的误差，有利于工作人员对物品进行预先备货。
图3为本申请实施例提供的物品的销量数据预测模型的训练方法实施例一的流程示意图。如图3所示，该物品的销量数据预测模型的训练方法可以包括如下步骤：
S201：根据当前主播的个人信息以及历史直播物品的物品数据，获取与当前主播的相似度达到预设值的多个目标主播。
在本实施例中，由于当前主播历史直播物品的数量有限，如果仅对当前主播的历史直播物品进行分析，可能会导致根据当前主播历史直播物品的物品数据进行训练的物品的销量数据预测模型准确度较低。因此需要获取与当前主播相似的目标主播，利用目标主播的历史直播物品的物品数据对物品的销量数据预测模型进行训练，来达到提高销量数据预测模型准确度的目的。
具体的，电子设备可以从自身储存的数据中获取需要的数据，进而对其进行分析，获取当前主播的个人信息以及历史直播物品的物品数据。电子设备还可以从云端或者服务器中获取数据，对获取到的数据进行处理，解析获取当前主播的个人信息以及历史直播物品的物品数据。
在本步骤中，电子设备获取到当前主播的个人信息以及历史直播物品的物品数据，对获取到的数据进行处理分析，得到与当前主播的相似度达到预设值的多个目标主播。
其中，当前主播的个人信息主要包括主播的职业(举例来说，如演员、商人、职业带货、厂家带货员等)，主播的基本信息(举例来说，如年龄、性别、地域、知名度等)，应理解，当前主播的个人信息还可以包括其他个人信息，本方案对此不进行限制。
S202：获取物品销量数据预测训练集。
在本步骤中，电子设备在获得多个目标主播后，根据目标主播对应的直播资源以及sku列表获取物品销量数据预测训练集。也就是说，物品销量数据预测训练集中包括每个目标主播的直播资源以及sku列表。
其中，直播资源包括直播时间和/或直播入口资源信息。每种物品的物品数据包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格。
示例性的，每个目标主播对应的sku列表中包括目标主播历史直播的每种物品的物品数据。其中该物品数据可以通过从储存在电子设备中的数据中获取，也可以从储存在云端或者服务器中的数据获取，本申请实施例不对获取目标主播历史直播的每种物品的物品数据的方式进行限定。
示例性的，电子设备获取到多个目标主播历史直播的每种物品的物品数据，并将该数据进行处理形成对应的sku列表。当电子设备无法获取构成sku列表的全部物品数据时，需要对sku列表中缺失的物品数据进行补充。可以通过工作人员人工将缺失的物品数据补充到sku列表中，也可以通过网络爬虫按照一定规律自动抓取万维网中需要的sku列表中缺失的物品数据并填入sku列表中，形成完整的sku列表。
S203：根据销量数据预测训练集进行模型训练，得到销量数据预测模型。
在本步骤中，由于上述步骤中已经通过多个目标主播获取到销量数据预测训练集，电子设备需要对该销量数据预测训练集进行多次训练，使得获得的销量数据预测模型的准确度较高。
电子设备在获取到销量数据预测训练集之后，针对其进行多次训练。训练目标是每次直播时的销量数据，销量数据在训练中是标准化的。有效的标准化方法是通过对当日销量数据除以历史60天中位数，预测训练目标变为直播相对日常销量数据倍数。在预测后，在乘以历史60天中位数进行销量数据还原。根据训练结果获取销量数据预测模型，使得用户可以根据物品数据矩阵利用销量数据预测模型处理得到每种物品的预测销量数据。
在本实施例提供的物品的销量数据预测模型的训练方法，通过根据当前主播的个人信息以及历史直播物品的物品数据，获取与当前主播的相似度达到预设值的多个目标主播，并根据多个目标主播获取物品销量数据预测训练集。根据销量数据预测训练集进行模型训练，得到销量数据预测模型。通过多个目标主播获取物品销量数据预测训练集，并根据物品销量数据预测训练集进行训练得到销量数据预测模型，使得销量数据预测模型精准度更高，为后续应用销量数据预测模型获取每种物品的预测销量数据打下基础，提高了后续预测工作的准确性。
示例性的，在上述实施例的基础上，图4为本申请实施例提供的物品的销量数据预测模型的训练方法实施例二的流程示意图。如图4所示，上述S201可以通过如下步骤实现：
S301：根据当前主播的个人信息以及历史直播物品的物品数据，构建得到当前主播的信息模型。
在本申请的实施例中，为了确认与当前主播相似的多个目标主播，首先电子设备需要构建当前主播的信息模型。
在本步骤中，电子设备需要获取当前直播的个人信息以及历史直播物品的物品数据，并根据获取到的数据进行处理，得到当前主播的信息模型。
示例性的，当前主播的信息模型可以通过以下矩阵(b)表示。
[B]＝[name cate sales price ...] 矩阵(b)
其中，B代表当前主播姓名，name代表物品名称，cate代表物品的品类，sales代表物品的销量数据，price代表物品的价格。
应理解，除上述矩阵格式以外，当前主播的信息模型还可以通过其他矩阵格式进行表示，本申请实施例对此不进行限定。
S302：获取多个主播的信息模型。
在本步骤中，电子设备获取多个主播的个人信息以及历史直播物品的物品数据，对获取到的数据进行处理分析，获取多个主播的信息模型。
其中，多个主播的个人信息主要包括主播的职业(举例来说，如演员、商人、职业带货、厂家带货员等)，主播的基本信息(举例来说，如年龄、性别、地域、知名度等)，应理解，多个主播的个人信息还可以包括其他个人信息，本申请实施例对此不进行限制。
示例性的，多个主播的信息模型可以通过以下矩阵(c)表示。
Figure BDA0002788040820000151
其中，A代表多个主播的姓名，name代表物品名称，cate代表物品的品类，sales代表物品的销量数据，price代表物品的价格。
应理解，除上述矩阵格式以外，多个主播的信息模型还可以通过其他矩阵格式进行表示，本申请实施例对此不进行限定。
S303：根据当前主播的信息模型以及多个主播的信息模型，从其他多个主播中确定出多个目标主播。
在本步骤中，电子设备根据上述步骤电子设备已经获取到当前主播的信息模型以及多个主播的信息模型，通过对两者进行对比就可以确定出多个目标主播。其中，目标主播指的是多个主播中与当前主播的相似度达到预设值的主播。
示例性的，可以通过计算当前主播的信息模型与多个主播的信息模型间的余弦距离确定多个目标主播。具体的，可以通过以下公式(3)计算余弦距离。
Figure BDA0002788040820000161
其中，A代表多个主播，B代表当前主播。
在一种具体的实施方式中，可以预先设置一个预设余弦距离，预设余弦距离为一个具体数值，如1，2，3等，本申请对此不做具体限制。将计算得出的当前主播的信息模型和多个主播的信息模型间的余弦距离与预设余弦距离进行对比，当该余弦距离小于预设余弦距离时，则认为该主播为与当前主播相似的目标主播。
其中，目标主播的数量小于等于100。若根据上述方法选取的主播数量大于100，则根据这些主播的余弦距离大小选取余弦距离最小的100个主播作为目标主播。
在另一种具体的实施方式中，可以预先设置一个目标主播数量，目标主播数量为一个具体数值，小于等于100，如1，2，3等，本申请对此不做具体限制。计算出的当前主播的信息模型和多个主播的信息模型间的余弦距离，余弦距离最小的数量为目标主播数量的主播作为目标主播。
在本实施例提供的物品的销量数据预测模型的训练方法，通过根据当前主播的个人信息以及历史直播物品的物品数据，构建得到当前主播的信息模型。获取多个主播的信息模型，并根据当前主播的信息模型以及多个主播的信息模型，从其他多个主播中确定出多个目标主播。通过对获取当前主播的信息模型以及多个主播的信息模型进行对比，使得可以确认出多个目标主播，为接下来根据目标主播确认物品销量数据预测训练集奠定了基础。
示例性的，在上述实施例选取的基础上，图5为本申请实施例提供的物品的销量数据预测模型的训练方法实施例三的流程示意图。如图5所示，上述S202可以通过如下步骤实现：
S401：根据销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵。
在本步骤中，电子设备获取到销量数据预测训练集，并对其中的直播资源以及每种物品的物品数据进行分析处理，获取物品特征矩阵。其中直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格。
具体的，电子设备根据直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到物品数据矩阵。物品数据矩阵是根据多种物品的物品数据以及直播资源确定的、主要用于表示每种物品的销售特征的矩阵。
其中，每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
S402：根据物品特征矩阵以及每种物品的实际销量数据进行模型训练，得到销量数据预测模型。
在本步骤中，电子设备根据获取的物品特征矩阵以及每种物品的实际销量数据进行训练，每种物品的实际销量数据主要用于与训练结果进行对比，验证模型的准确性，经过多次训练，得到销量数据预测模型。
具体的，可以通过梯度下降树回归方法进行训练，也可以通过最小二乘法，牛顿法等方法进行训练，本申请实施例对此不进行限制。
示例性的，本方案以梯度下降树回归方法进行模型训练为例进行举例说明，在矩阵(a)中随机选取M个特征，寻找最佳切割点。最佳切割点指的是连续性变量如[1,100]需在训练过程中寻找此区间内切割点，使损失函数最小，即在[1,100]之间找到一个使损失函数最小的值。其中，以均方误差(Mean Square Error，MSE)为例进行说明，在第t颗树时形式可以用公式(4)进行表示。
Figure BDA0002788040820000171
其中，
Figure BDA0002788040820000181
代表在t颗树的物品的实际销量数据，
Figure BDA0002788040820000182
代表在t颗树的物品的预测销量数据，
Figure BDA0002788040820000183
代表第i个在t-1颗树的物品的预测销量数据，ft(xi)代表第t颗树的物品的拟合销量数据。
通过泰勒二阶展式，即公式(5)：
Figure BDA0002788040820000184
Figure BDA0002788040820000185
对公式(4)进行转换，可以将公式(4)转换为公式(5)表示。
Figure BDA0002788040820000186
其中，gi代表损失函数的一阶导数，hi代表损失函数的二阶导数。
重复上述过程，电子设备计算获取预测训练集中物品的预测销量数据会随着训练逐渐接近真实值。同时通过销量数据预测训练集的数据监督销量数据预测模型拟合情况，模型在不断迭代过程中不断接近真实值且销量数据预测训练集上预测效果也没有变差，则可继续训练，当销量数据预测训练集数据预测效果不再变好则说明可以停止训练了，模型训练完成。
具体的，训练好的销量数据预测训练集可以用公式(6)进行表示。
Figure BDA0002788040820000187
其中，
Figure BDA0002788040820000188
代表训练好的销量数据预测模型，saleslive代表预测销量数据，inputDatapredic代表物品数据矩阵。
图6为本申请实施例提供的销量数据预测模型单颗树训练过程的流程示意图。如图6所示，首先向销量数据预测模型输入物品数据矩阵，销量数据预测模型对物品数据矩阵进行分析处理，进入第1步判断物品是否有促销，若有促销则执行第2步，判断是否有满减；若无则执行第3步，判断是否有赠品。在第2步中，若物品有促销则进入第4步，判断是否满足满199-100；若无则进入第5步，分析产品的满减力度。针对第4步，若物品满足满199-100，则输出预测训练集中物品的预测销量数据为13；若不满足则输出预测训练集中物品的预测销量数据为5。将输出的预测训练集中物品的预测销量数据与预测训练集中的数据进行对比，判断模型的训练情况。若预测销量数据与预测训练集中的数据一致，且模型在不断迭代过程中不断接近真实值，则可继续训练。当销量数据预测训练集数据预测效果不再变好则说明可以停止训练了，模型训练完成。
图7为本申请实施例提供的物品的销量数据预测模型的训练方法的一实例的流程示意图。如图7所示：
第1步，根据主播的个人信息以及历史直播物品的物品数据构建当前主播的信息模型以及多个主播的信息模型。
第2步，通过获取当前主播的信息模型，获取能够表示当前主播的信息模型的数据矩阵，并进入第3步。
第3步，获取与当前主播的相似度达到预设值的多个目标主播。之后进入第4步。
第4步，获取多个目标主播的直播资源以及sku列表，并根据获取到的数据进入第5步。
第5步，创建物品销量数据预测训练集。
第6步，根据物品销量数据预测训练集进行训练，获取销量数据预测模型。
第7步，对销量数据预测模型进行储存，在实际使用中，进入第8步。
第8步，读取销量数据预测模型。
第9步，电子设备通过当前主播的信息模型获取待直播推荐的物品对应的物品数据矩阵，将物品数据矩阵输入销量数据预测模型中进行处理，对待直播推荐的物品的销量数据进行预测，获取到每种物品的预测销量数据。
最后，第10步，根据预测销量数据进行物品备货。
在本实施例提供的物品的销量数据预测模型的训练方法，通过根据销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵。使得能够根据物品特征矩阵以及每种物品的实际销量数据进行训练，得到销量数据预测模型，保证了模型的准确性，为接下来根据目标主播确认物品销量数据预测训练集奠定了基础。
结合上述实施例，在本申请提供的技术方案的实现中，应理解，进行销量数据预测的电子设备和物品的销量数据预测模型训练的电子设备可以是同一电子设备，也可以是不同的电子设备，也就是说模型训练过程可以在其他的设备上进行训练，在需要使用的电子设备上进行预测，对此本申请不做限制。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图8为本申请实施例提供的直播场景物品销量数据预测装置的结构示意图。如图8所示，该装置包括：获取模块81、处理模块82和输出模块83；
获取模块81，用于从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据，直播资源包括直播时间和/或直播入口资源信息；
获取模块81，还用于根据直播资源以及物品数据，获取待直播推荐的物品对应的物品数据矩阵；物品数据矩阵用于表示待直播推荐的每种物品的销售特征的矩阵；
处理模块82，用于将物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据；其中，销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型；
输出模块83，用于输出预测销售数据。
在本申请实施例一种可能设计中，待直播推荐的物品包括多种物品，每种物品的物品数据包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
获取模块81，具体用于：
获取本次直播的直播资源以及待直播推荐的所有物品的物品数据；其中，直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
根据直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到物品数据矩阵；
其中，每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
在本申请实施例另一种可能设计中，处理模块82，还用于根据每种物品的已有数量以及预测销量数据，输出备货指示；备货指示用于指示每种物品的补货量。
本申请实施例提供的装置，可用于执行上述实施例中的直播场景物品销量数据预测方法，其实现原理和技术效果类似，在此不再赘述。
图9为本申请实施例提供的物品的销量数据预测模型的训练装置的结构示意图。如图9所示，该装置包括：获取模块91和训练模块92；
获取模块91，用于根据当前主播的个人信息以及历史直播物品的物品数据，获取与当前主播的相似度达到预设值的多个目标主播；
获取模块91还用于获取物品销量数据预测训练集，其中，物品销量数据预测训练集中包括：每个目标主播的直播资源以及sku列表，每个目标主播对应的sku列表中包括目标主播历史直播的每种物品的物品数据；
训练模块92，用于根据销量数据预测训练集进行模型训练，得到销量数据预测模型。
在本申请实施例一种可能设计中，获取模块91，具体用于：
根据当前主播的个人信息以及历史直播物品的物品数据，构建得到当前主播的信息模型；
获取多个主播的信息模型；
根据当前主播的信息模型以及多个主播的信息模型，从其他多个主播中确定出多个目标主播；其中，每个目标主播的信息模型与当前主播的信息模型之间的余弦距离小于预设值。
在本申请实施例另一种可能设计中，训练模块92，具体用于：
根据销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵；物品数据矩阵是用于表示每种物品的销售特征的矩阵；
根据物品特征矩阵以及每种物品的实际销量数据进行模型训练，得到销量数据预测模型。
可选的，销量数据预测训练集中，直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，获取模块91，具体用于：
根据直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到物品数据矩阵；
其中，每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
本申请实施例提供的装置，可用于执行上述实施例中的物品的销量数据预测模型的训练方法，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图10为本申请实施例提供的电子设备实施例一的结构示意图。如图10所示，该电子设备可以包括：处理器101、存储器102及存储在所述存储器102上并可在处理器101上运行的计算机程序指令，所述处理器101执行所述计算机程序指令时实现前述任一实施例提供的直播场景物品销量数据预测方法。
可选的，电子设备还可以包括与其他设备进行交互的接口。
可选的，该电子设备的上述各个器件之间可以通过系统总线连接。
存储器102可以是单独的存储单元，也可以是集成在处理器101中的存储单元。处理器101的数量为一个或者多个。
本申请实施例提供的电子设备，可用于执行上述任一方法实施例提供的直播场景物品销量数据预测方法，其实现原理和技术效果类似，在此不再赘述。
图11为本申请实施例提供的电子设备实施例二的结构示意图。如图11所示，该电子设备可以包括：处理器111、存储器112及存储在所述存储器112上并可在处理器111上运行的计算机程序指令，所述处理器111执行所述计算机程序指令时实现前述任一方法实施例提供的物品的销量数据预测模型的训练方法。
可选的，电子设备还可以包括与其他设备进行交互的接口。
可选的，该电子设备的上述各个器件之间可以通过系统总线连接。
存储器112可以是单独的存储单元，也可以是集成在处理器11中的存储单元。处理器111的数量为一个或者多个。
本申请实施例提供的电子设备，可用于执行上述任一方法实施例提供的物品的销量数据预测模型的训练方法，其实现原理和技术效果类似，在此不再赘述。
在上述任一电子设备的具体实现中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(英文：read-only memory，简称：ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetic tape)、软盘(英文：floppydisk)、光盘(英文：optical disc)及其任意组合。
本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述直播场景物品销量数据预测方法。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述物品的销量数据预测模型的训练方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的，将可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (13)

1.一种直播场景物品销量数据预测方法，其特征在于，包括：
从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据，所述直播资源包括直播时间和/或直播入口资源信息；
根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵；所述物品数据矩阵用于表示待直播推荐的每种物品的销售特征的矩阵；
将所述物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据；其中，所述销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型；
输出所述预测销售数据。
2.根据权利要求1所述的方法，其特征在于，所述待直播推荐的物品包括多种物品，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵，包括：
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据每种物品的已有数量以及预测销量数据，输出备货指示；所述备货指示用于指示每种物品的补货量。
4.一种物品的销量数据预测模型的训练方法，其特征在于，包括：
根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播；
获取物品销量数据预测训练集，其中，所述物品销量数据预测训练集中包括：每个目标主播的直播资源以及sku列表，每个目标主播对应的sku列表中包括所述目标主播历史直播的每种物品的物品数据；
根据所述销量数据预测训练集进行模型训练，得到所述销量数据预测模型。
5.根据权利要求4所述的方法，其特征在于，所述根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播，包括：
根据当前主播的个人信息以及历史直播物品的物品数据，构建得到所述当前主播的信息模型；
获取多个主播的信息模型；
根据所述当前主播的信息模型以及所述多个主播的信息模型，从所述其他多个主播中确定出所述多个目标主播；其中，每个目标主播的信息模型与所述当前主播的信息模型之间的余弦距离小于预设值。
6.根据权利要求4或5所述的方法，其特征在于，所述根据所述销量数据预测训练集进行模型训练，得到所述销量数据预测模型，包括：
根据所述销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵；所述物品数据矩阵是用于表示每种物品的销售特征的矩阵；
根据所述物品特征矩阵以及每种物品的实际销量数据进行模型训练，得到所述销量数据预测模型。
7.根据权利要求6所述的方法，其特征在于，所述销量数据预测训练集中，所述直播资源包括直播时间和/或直播入口资源信息，每种物品的物品数据包括：所述物品的名称、品类、用途、在至少一个历史时间段内的销售价格、销量数据、流量、购买次数、加购次数以及竞品平台价格；
相应的，所述根据所述销量数据预测训练集中直播资源以及每种物品的物品数据，获取物品特征矩阵，包括：
根据所述直播资源和每种物品的物品数据，获取每种物品的销售特征，并根据每种物品的销售特征得到所述物品数据矩阵；
其中，所述每种物品的销售特征包括：物品基本信息，价格与销量数据交叉相关系数，销量数据统计特征，价格统计特征，销量数据与销量数据中位数比值信息以及直播资源。
8.一种直播场景物品销量数据预测装置，包括：获取模块、处理模块以及输出模块；
所述获取模块，用于从直播服务器获取本次直播的直播资源，并从待直播推荐的物品所属平台获取物品数据，所述直播资源包括直播时间和/或直播入口资源信息；
所述获取模块，还用于根据所述直播资源以及所述物品数据，获取待直播推荐的物品对应的物品数据矩阵；所述物品数据矩阵用于表示待直播推荐的每种物品的销售特征的矩阵；
所述处理模块，用于将所述物品数据矩阵输入预先获取到的销量数据预测模型中进行处理，得到每种物品的预测销量数据；其中，所述销量数据预测模型是根据多个物品在不同直播资源时的销售特征以及实际销量数据训练得到的预测模型；
所述输出模块，用于输出所述预测销售数据。
9.一种物品的销量数据预测模型的训练装置，包括：获取模块和训练模块；
所述获取模块，用于根据当前主播的个人信息以及历史直播物品的物品数据，获取与所述当前主播的相似度达到预设值的多个目标主播；
所述获取模块还用于获取物品销量数据预测训练集，其中，所述物品销量数据预测训练集中包括：每个目标主播的直播资源以及sku列表，每个目标主播对应的sku列表中包括所述目标主播历史直播的每种物品的物品数据；
所述训练模块，用于根据所述销量数据预测训练集进行训练，得到所述销量数据预测模型。
10.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现如上述权利要求1-3任一项所述的方法。
11.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现如上述权利要求4-7任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至3任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求4至7任一项所述的方法。
CN202011304874.8A 2020-11-19 2020-11-19 直播场景物品销量数据预测方法、模型的训练方法及介质 Pending CN112330415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304874.8A CN112330415A (zh) 2020-11-19 2020-11-19 直播场景物品销量数据预测方法、模型的训练方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304874.8A CN112330415A (zh) 2020-11-19 2020-11-19 直播场景物品销量数据预测方法、模型的训练方法及介质

Publications (1)

Publication Number Publication Date
CN112330415A true CN112330415A (zh) 2021-02-05

Family

ID=74321665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304874.8A Pending CN112330415A (zh) 2020-11-19 2020-11-19 直播场景物品销量数据预测方法、模型的训练方法及介质

Country Status (1)

Country Link
CN (1) CN112330415A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627846A (zh) * 2021-08-10 2021-11-09 北京沃东天骏信息技术有限公司 一种库存调整方法、装置、电子设备及计算机可读介质
CN114139825A (zh) * 2021-12-09 2022-03-04 国连科技(浙江)有限公司 一种基于商品易货稳定性的易货库存管理方法及装置
CN115660733A (zh) * 2022-11-04 2023-01-31 鹏展万国电子商务(深圳)有限公司 一种基于人工智能的销量预测系统及方法
CN117974217A (zh) * 2024-03-29 2024-05-03 北京京东乾石科技有限公司 直播销量预测的方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086822A (zh) * 2018-08-01 2018-12-25 广州虎牙信息科技有限公司 一种主播用户分类方法、装置、设备及存储介质
CN110555713A (zh) * 2018-05-31 2019-12-10 北京京东尚科信息技术有限公司 一种确定销量预测模型的方法和装置
CN110689157A (zh) * 2018-07-04 2020-01-14 北京京东尚科信息技术有限公司 一种确定调拨关系的方法和装置
CN111538955A (zh) * 2020-04-17 2020-08-14 北京小米松果电子有限公司 货品销量的预测方法、装置及存储介质
CN111882358A (zh) * 2020-07-30 2020-11-03 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置
KR102177463B1 (ko) * 2020-01-02 2020-11-11 주식회사 에스티씨 기계 학습 기반 판매량 예측 모델 생성 장치, 판매량 예측 장치 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555713A (zh) * 2018-05-31 2019-12-10 北京京东尚科信息技术有限公司 一种确定销量预测模型的方法和装置
CN110689157A (zh) * 2018-07-04 2020-01-14 北京京东尚科信息技术有限公司 一种确定调拨关系的方法和装置
CN109086822A (zh) * 2018-08-01 2018-12-25 广州虎牙信息科技有限公司 一种主播用户分类方法、装置、设备及存储介质
KR102177463B1 (ko) * 2020-01-02 2020-11-11 주식회사 에스티씨 기계 학습 기반 판매량 예측 모델 생성 장치, 판매량 예측 장치 및 그 방법
CN111538955A (zh) * 2020-04-17 2020-08-14 北京小米松果电子有限公司 货品销量的预测方法、装置及存储介质
CN111882358A (zh) * 2020-07-30 2020-11-03 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627846A (zh) * 2021-08-10 2021-11-09 北京沃东天骏信息技术有限公司 一种库存调整方法、装置、电子设备及计算机可读介质
CN114139825A (zh) * 2021-12-09 2022-03-04 国连科技(浙江)有限公司 一种基于商品易货稳定性的易货库存管理方法及装置
CN115660733A (zh) * 2022-11-04 2023-01-31 鹏展万国电子商务(深圳)有限公司 一种基于人工智能的销量预测系统及方法
CN117974217A (zh) * 2024-03-29 2024-05-03 北京京东乾石科技有限公司 直播销量预测的方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN112330415A (zh) 直播场景物品销量数据预测方法、模型的训练方法及介质
CN108280749B (zh) 服务功能入口的展示方法及装置
CN103971170B (zh) 一种用于对特征信息的变化进行预测的方法和装置
CN106408341A (zh) 货品销量的预测方法及装置、电子设备
CN112365283B (zh) 一种优惠券发放方法、装置、终端设备及存储介质
Shriver et al. Demand expansion and cannibalization effects from retail store entry: A structural analysis of multichannel demand
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
US20170345071A1 (en) Planning device and planning method
CN110555578A (zh) 一种销量预测方法和装置
CN109711866B (zh) 一种银行广告投放方法、装置及系统
CN114117216A (zh) 推荐概率预测方法及装置、计算机存储介质和电子设备
CN111161104A (zh) 一种社区用户画像的生成方法及装置
CN108985808A (zh) 一种进行商品选择的方法和装置
CN112053211A (zh) 商品的铺货方法、铺货装置、电子设备及可读存储介质
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN109978421B (zh) 信息输出方法和装置
Simchi-Levi et al. Online learning and optimization for revenue management problems with add-on discounts
KR102023090B1 (ko) 유형 및 무형의 물품을 배송하기 위한 서비스를 제공하는 전자 상거래 시스템 및 방법
CN110827102B (zh) 用于调货比价的方法和装置
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN115796984A (zh) 物品推荐模型的训练方法、存储介质及相关设备
KR20220153133A (ko) 원가 예측 기반 밀키트용 식재료 발주 방법
KR20220076094A (ko) 글로벌 오픈 마켓 기반의 관리 서비스 시스템 및 그 동작 방법
CN113763080A (zh) 推荐物品的确定方法、装置、电子设备和存储介质
CN110084541B (zh) 用于预测供应商送货时长的方法和装置

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