CN112348590A - 一种物品价值确定方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种物品价值确定方法、装置、设备和介质，所述物品价值确定方法包括：确定目标物品的属性信息以及设定权属迁移信息；将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；通过所述价值确定模型输出针对所述目标物品的参考价值。通过本发明实施例的技术方案，提高了物品价值的确定精度与效率。

Description

一种物品价值确定方法、装置、电子设备和存储介质

技术领域

本发明实施例涉及新品定价技术领域，尤其涉及一种物品价值确定方法、装置、电子设备和存储介质。

背景技术

新品的打造与扶持是各大品牌方和电商公司的重点关注项。新品是品牌可持续发展的源动力，运营好新品将有助于提升品牌的销售增长、盈利能力和市场竞争力。

当前主要有两种新品定价策略：其中一种是依靠采销人员根据业务操盘经验进行定价；另一种是通过新品的仿真试投平台，通过锁定目标人群并投放新品调查问卷的形式评估新品的销售表现，从而进行定价决策。

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：

依靠采销人员根据业务操盘经验进行定价的策略严重依赖采销人员的业务操盘经验，不仅效率低下而且过于主观导致最终的定价不够精确，很难达成销售目标。通过新品的仿真试投平台的定价策略中，由于仿真场景毕竟不是现实场景，仿真场景和现实场景之间还是存在一定的差距，同时仿真试投平台能尝试的价格点非常有限，因此准确度较低。

发明内容

本发明实施例提供了一种物品价值确定方法、装置、电子设备和存储介质，提高了物品价值的确定精度与效率。

第一方面，本发明实施例提供了一种物品价值确定方法，该方法包括：

确定目标物品的属性信息以及设定权属迁移信息；

将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

通过所述价值确定模型输出针对所述目标物品的参考价值。

第二方面，本发明实施例还提供了一种物品价值确定装置，该装置包括：

确定模块，用于确定目标物品的属性信息以及设定权属迁移信息；

输入模块，用于将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

输出模块，用于通过所述价值确定模型输出针对所述目标物品的参考价值。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，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如本发明任意实施例所提供的物品价值确定方法。

第四方面，本发明实施例还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本发明任意实施例所提供的物品价值确定方法。

上述发明中的实施例具有如下优点或有益效果：

通过确定目标物品的属性信息以及设定权属迁移信息；将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；通过所述价值确定模型输出针对所述目标物品的参考价值，提高了目标物品参考价值的确定精度与效率。

附图说明

图1是本发明实施例一提供的一种物品价值确定方法的流程图；

图2是本发明实施例二提供的一种物品价值确定方法的流程图；

图3是本发明实施例二提供的一种价值确定模型的总体架构示意图；

图4是本发明实施例二提供的一种参考价值段的确定流程示意图；

图5是本发明实施例二提供的另一种物品价值确定方法的流程示意图；

图6是本发明实施例三提供的一种物品价值确定装置的结构示意图；

图7是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种物品价值确定方法的流程图，本实施例提供的物品价值确定方法可适用于对新品进行定价，通过合理的定价达到吸引消费用户踊跃购买，最终实现销售目标的目的。该方法可以由物品价值确定装置来执行，该装置可以由软件和/或硬件的方式来实现。

如图1所示，该方法具体包括以下步骤：

步骤110、确定目标物品的属性信息以及设定权属迁移信息。

其中，所述目标物品通常指一种新上市的商品，也可以指已经在市场进行销售的商品。所述属性信息指所述目标物品本身的特性、特征或者特点。例如所述目标物品为“显示器”，对应的所述属性信息可以包括：屏幕尺寸、分辨率、是否可升降、是否可旋转等特性、特征或者特点。

可选的，所述设定权属迁移信息包括下述至少一种：权属迁移量以及权属迁移场景。其中，权属迁移量具体指期望的销售量、订单量或者转化率。转化率指购买目标物品的人数占浏览目标物品人数的比重。具体的，CVR＝O/U，CVR表示转化率，O表示权属迁移量(即订单量)，U表示浏览量。比如以一天为时间单位，一天当中浏览目标物品的用户为100个，其中下单购买的用户有50个(对应50个订单)，则转化率为50/100＝0.5。权属迁移场景具体指销售场景，比如秒杀类型的销售场景、满减类型的销售场景(例如每满300-40的销售场景)或者日常销售场景。

步骤120、将所述属性信息以及所述设定权属迁移信息输入至价值确定模型。

其中，所述价值确定模型可以是预先训练好的神经网络模型，该神经网络模型基于所述目标物品的同类物品的历史权属迁移信息进行预先训练获得；其中，所述历史权属迁移信息包括属性信息、价值(实质为物品的价格、售价)、权属迁移量(具体指销售量、订单量或者转化率)以及权属迁移场景(比如秒杀类型的销售场景、满减类型的销售场景(例如每满300-40的销售场景)或者日常销售场景)。进一步的，所述历史权属迁移信息还包括下述至少一种信息：库存数据以及浏览量。

比如所述目标物品为新上市的一种“显示器”，则其同类物品为已经在市场销售的“显示器”；若所述目标物品为新上市的一款化妆水，则其同类物品为已经在市场销售的“化妆水”。通过统计同类物品的历史销售情况，对物品的量价关系(具体指每种价格对应的销售量)进行挖掘，并通过神经网络模型学习所述量价关系，进而针对新上市的目标物品给出参考价格，避免了基于采销人员的业务经验进行定价导致的效率低、准确度低以及主观性强的问题；同时通过利用真实的销售数据进行挖掘，避免了通过仿真试投平台进行定价存在的偏离真实场景的问题。

步骤130、通过所述价值确定模型输出针对所述目标物品的参考价值。

其中，所述参考价值具体指目标物品的参考售价。

本实施例的技术方案，通过使用价值确定模型根据目标物品的属性信息以及设定权属迁移信息针对目标物品给出参考价值，实现了科学地量化价格对销量的影响，可以避免基于采销人员的业务经验进行定价导致的效率低、准确度低以及主观性强的问题；同时所述价值确定模型通过利用真实的销售数据进行量价关系挖掘，避免了通过仿真试投平台进行定价存在的偏离真实场景的问题。本实施例提供的物品价值确定方法可以拓展到多个销售场景中，例如日常销售、秒杀场景等，并可给出参考价格，帮助采销人员在不同的销售场景下进行定价决策。

实施例二

图2为本发明实施例二提供的一种物品价值确定方法的流程图，本实施例在上述实施例的基础上，针对步骤130“所述通过所述价值确定模型输出针对所述目标物品的参考价值”进行了进一步细化。其中与上述实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例提供的物品价值确定方法具体包括以下步骤：

步骤210、确定目标物品的属性信息以及设定权属迁移信息。

步骤220、将所述属性信息以及所述设定权属迁移信息输入至价值确定模型。

步骤230、通过所述价值确定模型中的量价子模型基于目标物品的属性信息以及权属迁移场景确定价值弹性、价值弹性方差项以及截距项。

其中，所述量价子模型包括神经网络模型，所述神经网络模型基于所述目标物品的同类物品的历史权属迁移信息进行预先训练获得；所述历史权属迁移信息包括属性信息、价值、权属迁移量以及权属迁移场景。所述历史权属迁移信息还包括下述至少一种信息：库存数据以及浏览量。

下面对所述量价子模型的算法原理进行说明：

以所述权属迁移量为期望的转化率为例，CVR＝O/U，CVR表示转化率，O表示权属迁移量(即订单量)，U表示浏览量，使用转化率相比于使用销售量，转化率能够减弱浏览量对销售量的影响。量价子模型的本质是寻找不同销售场景下物品的价格与转化率之间的对应关系，比如在秒杀场景下，当物品的价格是50元时，可以实现80％的转化率，当物品的价格是40元时，可以实现85％的转化率。对于一件商品，根据价值(价值的实质为商品的价格、售价)弹性假设，销量与价格服从log-log关系，其中，价值弹性即价格弹性，指价格变动引起的市场需求量的变化程度，用于衡量价格变化幅度对销量变化幅度的影响。

标记销量为S，订单量为O，价格为P，浏览量为U，截距项为C(其中，截距项为线性回归模型中的定义，例如y＝1+2x，其中截距项为1，截距项通常没有明显的物理含义，用于完成模型方程)，销量与价格之间的关系可以表示为：log(S)＝e log(P)+C。当限定销售场景时，可以认为浏览量是在某个定值附近浮动的，同时订单量近似等于销量的某个倍数，因此价值弹性可以假设近似为：log(CVR)＝e log(P)+C。所以对于价格和转化率之间的关系，也可以假设为log-log关系，并通过价值弹性e进行刻画。

在最后的应用中，还做出了两处改动：一是考虑数据分布性质，将log变换调整为Boxcox变换，Boxcox变换具体是y＝log(1+x)，其中，x为变换之前的数据，y为Boxcox变换之后的数据。Boxcox变换是统计建模中常用的一种数据变换，用于连续的响应变量不满足正态分布的情况。通常销售数据中的“价格”数据的分布不满足正态分布，为了符合模型假设的正态分布，需要对销售数据中的“价格”数据进行处理，具体是通过对销售数据中的“价格”进行Boxcox变换，达到使“价格”数据的分布特性接近正态分布的目的。具体是，将“价格”的Boxcox变换值输入至所述神经网络模型，以对所述神经网络模型进行训练。可以理解的是，“价格”与“价值”为同一概念，均表示商品的售价。二是考虑使用场景，将价格作为因变量，转化率作为自变量，建立决策子模型，根据转化率目标确定价格，最后的预设计算公式为：Boxcox(P)＝eCVR+C，其中，P为价格，C为截距项，e为价值弹性，CVR表示转化率。

步骤240、通过所述价值确定模型中的决策子模型基于权属迁移量、价值弹性以及截距项按照预设计算公式确定所述参考价值。

其中，所述预设计算公式为：

Boxcox(P)＝eCVR+C (1)

其中，P表示所述参考价值，e表示所述价值弹性，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项。

参见图3所示的一种价值确定模型的总体架构示意图，价值确定模型包括量价子模型310和决策子模型320，其中，量价子模型310具体为神经网络模型，神经网络模型根据商品的属性特征(具体是属性向量Embedding，Embedding是一种将离散变量转为连续向量表示的方式)和销售场景特征(例如秒杀)估算价值弹性e、截距项C以及方差项σ，之后决策子模型320根据输入的目标转化率、所述价值弹性e、截距项C以及方差项σ，通过上述预设计算公式(1)确定参考价值。在模型的训练阶段，得出的参考价值与真实的销售价值通过损失函数计算误差之后，反馈至神经网络模型进行模型参数调整，最终使神经网络模型的输出与真值之间的误差符合设定误差范围。其中，所述损失函数可以为负对数似然函数，该损失函数为正态分布函数，具体为：

其中，P为神经网络模型输出的参考价值，σ为神经网络模型输出的方差项，

表示价值真值。

需要说明的是，决策子模型输出的参考价值为一具体数值，表示目标物品的平均价值(即平均价格)。为了给采销人员提供一个较宽泛的价格区间，还可以根据所述参考价值确定参考价值段。具体的，所述方法还包括：按照如下公式(2)根据所述参考价值、所述截距项以及所述价值弹性方差项确定参考价值段：

y＝inv_boxcox(αCVR+C)±kσ (2)

其中，y表示参考价值段，d表示预设置信度，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项，σ表示参考价值的标准差，k表示与σ之间的偏离量，k＝PPF(1-α/2)，PPF为百分点函数，是累积分布函数CDF的逆向；inv_boxcox()表示boxcox()的逆函数。定义置信度α，假设希望模拟α/2到(1-α/2)分位数的价格，即给定目标转化率，真实价格落在此区间内的概率为(1-α)。

对应的，可以参考图4所示的一种参考价值段的确定流程示意图，具体为：将目标物品的属性信息以及销售场景信息输入至价值确定模型(图4中示为定价模型)，价值确定模型中的量价子模型输出价值弹性、方差项以及截距项，价值确定模型中的决策子模型基于输入的目标转化率、量价子模型输出的价值弹性、方差项以及截距项按照上述公式(1)确定参考价值，而后按照上述公式(2)根据所述参考价值、所述截距项、所述方差项以及输入的销售目标(具体是目标转化率)确定参考价值段。

进一步的，所述方法还包括：基于属性信息对应的属性向量之间的相似度确定所述目标物品的同类历史物品，其中，属性向量的元素值表示对应维度的属性对价值的影响程度；绘制所述同类历史物品的价值与权属迁移量之间的关系图，以基于所述关系图对所述目标物品的参考价值进行调整。本步骤的主要功能是通过识别新品对应的老品竞品，绘制老品竞品的价格-转化率关系散点图，以佐证价值确定模型的效果，给予采销人员真实历史数据进行更多参考。竞品识别的主要方法是通过属性一致性，属性越相似的商品就越可能发生竞争关系。显然商品的不同属性的重要性不同。可以使用的重要性量化方法是构建属性与价格之间的关系，对价格影响越大的属性其重要性自然也越高。因此每个商品都可以表示为属性向量，向量值即为属性重要程度。通过属性向量间的欧式距离即可评估商品之间的相似性，即竞争关系，取最相似的前5名TOP5竞品，对每个竞品绘制价格-转化率关系散点图，以给予采销人员真实历史数据进行更多参考，辅助对目标物品的参考价值进行调整。

本实施例的技术方案，在上述实施例的基础上，将商品看作是属性的集合，通过属性向量Embedding形式将属性组合到一起组成商品的属性向量并输入至神经网络模型中的进行训练，有效解决了未上市新品无历史数据仅有属性数据的冷启动问题。通过对不同的销售场景构建场景特征，基于此预估不同场景下的价格弹性，实现了适用于多销售场景的物品定价方案。通过预估价格弹性的方差项，实现了对价格段的模拟而不是单个价格点的模拟，同时价格段模拟还对应了概率值，有助于采销人员进行价格决策。通过建立属性与价格之间的关系，得到不同属性的重要性数值，从而建立起商品属性向量，基于该商品属性向量之间的相似性进行竞品识别，通过绘制竞品的价格-转化率关系散点图，给予采销人员真实历史数据进行更多参考，辅助对目标物品的参考价值进行调整。本实施例提供的物品价值方案不局限于新品定价，还可以扩展到日常商品的定价，且不对商品的品类特性做任何限制，可以扩展到全品类商品的定价中。

在上述实施例技术方案的基础上，参见图5所示的另一种物品价值确定方法的流程示意图，所述方法包括如下三部分：数据准备(具体是历史数据加工、新品数据加工、目标条件输入)，核心引擎(具体包括模型训练、建议价格段计算、竞品识别和历史销售统计)，结果展示(具体是展示价格段建议、竞品识别结果和历史销售结果展示)。

其中，历史数据加工主要包括：将原始数据从数据库中提取出来进行加工，历史数据主要包括销售数据(例如价格、销量、浏览量、订单量)、销售场景数据(例如秒杀、日常销售、优惠券满减)、库存数据、商品属性数据。所有历史数据可被加工为日粒度数据，即以一天为时间单位进行统计。新品数据加工是将用户输入的、待定价新品的数据进行加工，新品数据主要包括新品的属性数据，对其加工使其和历史数据的商品属性数据的格式保持一致。目标条件主要指用户输入的销售场景和销售目标(例如销量、订单量或者转化率)，目标条件的功能是作为核心引擎的计算依据。

模型训练是基于历史数据对模型进行训练，训练完成的模型部署至计算引擎，计算引擎通过所述模型基于输入的目标物品的属性信息、销售场景信息以及销售目标为所述目标物品进行定价，输出参考价格，并可进一步基于参考价格输出参考价格段以及对应的概率值，在结果展示模型进行展示，具体是展示参考价格与转化率之间的曲线图，供采销人员参考。分析引擎用于识别新品对应的老品竞品，绘制老品竞品的价格-转化率关系散点图，以佐证价值确定模型的效果，给予采销人员真实历史数据进行更多参考。竞品识别的主要方法是通过属性一致性，属性越相似的商品就越可能发生竞争关系。显然商品的不同属性的重要性不同。可以使用的重要性量化方法是构建属性与价格之间的关系，对价格影响越大的属性其重要性自然也越高。因此每个商品都可以表示为属性向量，向量值即为属性重要程度。通过属性向量间的欧式距离即可评估商品之间的相似性，即竞争关系。

以下是本发明实施例提供的物品价值确定装置以及图片处理装置的实施例，该装置与上述各实施例的物品价值确定方法、属于同一个发明构思，在物品价值确定装置、图片处理装置的实施例中未详尽描述的细节内容，可以参考上述物品价值确定方法、的实施例。

实施例三

图6为本发明实施例三提供的一种物品价值确定装置的结构示意图，该装置具体包括：确定模块610、输入模块620和输出模块630。

其中，确定模块610，用于确定目标物品的属性信息以及设定权属迁移信息；输入模块620，用于将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；输出模块630，用于通过所述价值确定模型输出针对所述目标物品的参考价值。

在上述各技术方案的基础上，所述设定权属迁移信息包括下述至少一种：权属迁移量以及权属迁移场景。

在上述各技术方案的基础上，输出模块630包括：

第一确定单元，用于通过所述价值确定模型中的量价子模型基于目标物品的属性信息以及权属迁移场景确定价值弹性、价值弹性方差项以及截距项；

第二确定单元，用于通过所述价值确定模型中的决策子模型基于权属迁移量、价值弹性以及截距项按照预设计算公式确定所述参考价值。

在上述各技术方案的基础上，所述量价子模型包括神经网络模型，所述神经网络模型基于所述目标物品的同类物品的历史权属迁移信息进行预先训练获得；

其中，所述历史权属迁移信息包括属性信息、价值、权属迁移量以及权属迁移场景。

在上述各技术方案的基础上，所述历史权属迁移信息还包括下述至少一种信息：库存数据以及浏览量。

在上述各技术方案的基础上，所述预设计算公式为：

Boxcox(P)＝eCVR+C

其中，P表示所述参考价值，e表示所述价值弹性，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项。

在上述各技术方案的基础上，所述装置还包括：

参考价值段确定模块，用于按照如下公式根据所述参考价值、所述截距项以及所述价值弹性方差项确定参考价值段：

y＝inv_boxcox(αCVR+C)±kσ

其中，y表示参考价值段，d表示预设置信度，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项，σ表示参考价值的标准差，k表示与σ之间的偏离量，k＝PPF(1-α/2)，PPF为百分点函数，inv_boxcox()表示boxcox()的逆函数。

在上述各技术方案的基础上，输入模块620具体用于：将所述属性信息对应的属性向量的Boxcox变换值，以及所述设定权属迁移信息对应的权属迁移向量的Boxcox变换值输入至价值确定模型。

在上述各技术方案的基础上，所述装置还包括：

识别模块，用于基于属性信息对应的属性向量之间的相似度确定所述目标物品的同类历史物品，其中，属性向量的元素值表示对应维度的属性对价值的影响程度；

绘制模块，用于绘制所述同类历史物品的价值与权属迁移量之间的关系图，以基于所述关系图对所述目标物品的参考价值进行调整。

本实施例的技术方案，将商品看作是属性的集合，通过属性向量Embedding形式将属性组合到一起组成商品的属性向量并输入至神经网络模型中的进行训练，有效解决了未上市新品无历史数据仅有属性数据的冷启动问题。通过对不同的销售场景构建场景特征，基于此预估不同场景下的价格弹性，实现了适用于多销售场景的物品定价方案。通过预估价格弹性的方差项，实现了对价格段的模拟而不是单个价格点的模拟，同时价格段模拟还对应了概率值，有助于采销人员进行价格决策。通过建立属性与价格之间的关系，得到不同属性的重要性数值，从而建立起商品属性向量，基于该商品属性向量之间的相似性进行竞品识别，通过绘制竞品的价格-转化率关系散点图，给予采销人员真实历史数据进行更多参考，辅助对目标物品的参考价值进行调整。本实施例提供的物品价值方案不局限于新品定价，还可以扩展到日常商品的定价，且不对商品的品类特性做任何限制，可以扩展到全品类商品的定价中。

本发明实施例所提供的物品价值确定装置可执行本发明任意实施例所提供的物品价值确定方法，具备执行物品价值确定方法相应的功能模块和有益效果。

实施例四

图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12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7所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及物品价值确定方法，例如实现本发实施例所提供的一种物品价值确定方法，所述方法包括：

确定目标物品的属性信息以及设定权属迁移信息；

将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

通过所述价值确定模型输出针对所述目标物品的参考价值。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的物品价值确定方法的技术方案。

实施例五

本实施例五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本发明任意实施例所提供的物品价值确定方法，所述方法包括：

确定目标物品的属性信息以及设定权属迁移信息；

将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

通过所述价值确定模型输出针对所述目标物品的参考价值。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种物品价值确定方法，其特征在于，包括：

确定目标物品的属性信息以及设定权属迁移信息；

将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

通过所述价值确定模型输出针对所述目标物品的参考价值。

2.根据权利要求1所述的方法，其特征在于，所述设定权属迁移信息包括下述至少一种：权属迁移量以及权属迁移场景。

3.根据权利要求2所述的方法，其特征在于，所述通过所述价值确定模型输出针对所述目标物品的参考价值，包括：

通过所述价值确定模型中的量价子模型基于目标物品的属性信息以及权属迁移场景确定价值弹性、价值弹性方差项以及截距项；

通过所述价值确定模型中的决策子模型基于权属迁移量、价值弹性以及截距项按照预设计算公式确定所述参考价值。

4.根据权利要求3所述的方法，其特征在于，所述量价子模型包括神经网络模型，所述神经网络模型基于所述目标物品的同类物品的历史权属迁移信息进行预先训练获得；

其中，所述历史权属迁移信息包括属性信息、价值、权属迁移量以及权属迁移场景。

5.根据权利要求4所述的方法，其特征在于，在对所述神经网络模型进行训练时，将所述价值的Boxcox变换值输入至所述神经网络模型，以对所述神经网络模型进行训练。

6.根据权利要求4所述的方法，其特征在于，所述历史权属迁移信息还包括下述至少一种信息：库存数据以及浏览量。

7.根据权利要求3所述的方法，其特征在于，所述预设计算公式为：

Boxcox(P)＝eCVR+C

其中，P表示所述参考价值，e表示所述价值弹性，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项。

8.根据权利要求3所述的方法，其特征在于，还包括：按照如下公式根据所述参考价值、所述截距项以及所述价值弹性方差项确定参考价值段：

y＝inv_boxcox(αCVR+C)±kσ

其中，y表示参考价值段，α表示预设置信度，CVR表示转化率，CVR＝O/U，O表示权属迁移量，U表示浏览量，C表示所述截距项，σ表示参考价值的标准差，k表示与σ之间的偏离量，k＝PPF(1-α/2)，PPF为百分点函数，inv_boxcox()表示boxcox()的逆函数。

9.根据权利要求1-8任一项所述的方法，其特征在于，还包括：

基于属性信息对应的属性向量之间的相似度确定所述目标物品的同类历史物品，其中，属性向量的元素值表示对应维度的属性对价值的影响程度；

绘制所述同类历史物品的价值与权属迁移量之间的关系图，以基于所述关系图对所述目标物品的参考价值进行调整。

10.一种物品价值确定装置，其特征在于，包括：

确定模块，用于确定目标物品的属性信息以及设定权属迁移信息；

输入模块，用于将所述属性信息以及所述设定权属迁移信息输入至价值确定模型；

输出模块，用于通过所述价值确定模型输出针对所述目标物品的参考价值。

11.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储器，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如权利要求1-9任一项所述的物品价值确定方法。

12.一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1-9任一项所述的物品价值确定方法。

Images