CN113692598A - 用于自动对服装使用率模型进行训练和预测的系统和方法 - Google Patents
用于自动对服装使用率模型进行训练和预测的系统和方法 Download PDFInfo
- Publication number
- CN113692598A CN113692598A CN202080028653.4A CN202080028653A CN113692598A CN 113692598 A CN113692598 A CN 113692598A CN 202080028653 A CN202080028653 A CN 202080028653A CN 113692598 A CN113692598 A CN 113692598A
- Authority
- CN
- China
- Prior art keywords
- unique
- garment
- metrics
- identifier
- training
- 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
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
- 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]
- G06Q30/0623—Item investigation
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了用于执行神经网络训练以动态地预测服装使用率的方法、系统和非暂态计算机可读介质。例如,一种方法可以包括:生成训练数据集,该训练数据集包括先前发货的服装的一个或更多个历史数据属性;基于该训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出任意成对的唯一用户标识符和唯一服装标识符的度量;储存一个或更多个训练模型对象;收集包括至少一个预测对的预测数据,该预测对包括唯一用户标识符和唯一服装标识符;预测一个或更多个指示穿戴倾向的预测使用率度量;动态地生成一个或更多个匹配对;以及基于所预测的一个或更多个预测使用率度量来确定针对一个或更多个匹配对中的每个匹配对的匹配使用率度量。
Description
技术领域
本公开的各种实施方式总体上涉及使用机器学习和预测建模来动态地预测服装使用率(apparel wearability),并且更具体地,涉及执行独特训练的神经网络模型对象以使用实时交易数据来动态预测服装使用率。
背景技术
对于基于订购的服务,用于留住订购者和增强用户活动内容的关键驱动因素是确保订购的服务实际上以期望的程度被使用。例如,如果对于订购者明显的是订购者没有在足够程度上实际使用该服务,则服务的订购者不太可能认为订购费用是值得的。可替代地,如果订购者对实际使用量感到满意,则订购者可以保持对服务提供商的忠诚,或者甚至变得更加积极地参与订购活动。因此,对于基于订购的服务提供商而言,可能非常期望提出增大其订购者实际使用服务的可能性的建议,并为尽可能多的用户实现这种可能性的增大,尽管他们的个人品味或偏好存在差异也是如此。
本文中提供的背景描述是为了概括地呈现本公开的上下文。除非本文另有说明,否则本节内容中描述的材料不是本申请中权利要求的现有技术,并且不能通过包含在本节内容中而被承认为现有技术或对现有技术的建议。
发明内容
根据本公开的某些方面,公开了执行神经网络训练以动态地预测服装使用率的系统和方法。
在一个实施方式中,公开了一种用于执行神经网络训练以动态地预测服装使用率的计算机实现的方法。该计算机实现的方法可以包括:由一个或更多个处理器生成训练数据集,该训练数据集包括先前发货的服装的一个或更多个历史数据属性,每个历史数据属性链接到唯一用户标识符和唯一服装标识符;由一个或更多个处理器基于训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对任意成对的唯一用户标识符和唯一服装标识符的度量(metrics);由一个或更多个处理器将一个或更多个训练模型储存为一个或更多个训练模型对象;由一个或更多个处理器收集包括至少一个预测对的预测数据,所述预测对包括唯一用户标识符和唯一服装标识符,每个预测对与入库的服装(closeted apparel)、购买的服装或退回的服装相对应;通过利用预测数据执行所存储的一个或更多个训练模型对象,由一个或更多个处理器预测指示穿戴倾向的一个或更多个预测使用率度量,其中一个或更多个预测使用率度量是通过所执行的一个或更多个训练模型对象而输出的一个或更多个度量;由一个或更多个处理器动态地生成一个或更多个匹配对,每个匹配对包括唯一用户标识符和唯一服装标识符;以及由一个或更多个处理器基于所预测的一个或更多个预测使用率度量来确定针对一个或更多个匹配对中的每个匹配对的匹配使用率度量。
根据另一实施方式,公开了一种用于执行神经网络训练以动态地预测服装使用率的计算机系统。计算机系统可以包括:存储器,所述存储器具有储存在存储器中的处理器可读指令;以及至少一个处理器,所述至少一个处理器被配置成访问存储器并且执行处理器可读指令,所述处理器可读指令当由处理器执行时将处理器配置成执行多个功能,所述多个功能包括下述功能:生成训练数据集,所述训练数据集包括先前发货的服装的一个或更多个历史数据属性,每个历史数据属性链接到唯一用户标识符和唯一服装标识符;基于训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对任意成对的唯一用户标识符和唯一服装标识符的度量;将所述一个或更多个训练模型储存为一个或更多个训练模型对象;收集包括至少一个预测对的预测数据,所述预测对包括唯一用户标识符和唯一服装标识符,每个预测对与入库的服装、购买的服装或退回的服装相对应;通过利用预测数据执行所存储的一个或更多个训练模型对象,由一个或更多个处理器预测指示穿戴倾向的一个或更多个预测使用率度量,其中一个或更多个预测使用率度量是通过所执行的一个或更多个训练模型对象而输出的一个或更多个度量;动态地生成一个或更多个匹配对,每个匹配对包括唯一用户标识符和唯一服装标识符;以及基于所预测的一个或更多个预测使用率度量来确定针对一个或更多个匹配对中的每个匹配的匹配使用率度量。
根据另一实施方式,公开了一种非暂态计算机可读介质,所述非暂态计算机可读介质包含有指令,所述指令用于执行神经网络训练以动态地预测服装使用率。非暂态计算机可读介质可以包括用于执行下述操作的指令:生成训练数据集,所述训练数据集包括先前发货的服装的一个或更多个历史数据属性,每个历史数据属性链接到唯一用户标识符和唯一服装标识符;基于训练数据集来训练神经网络以配置将一个或更多个训练模型,从而输出针对任意成对的唯一用户标识符和唯一服装标识符的度量;将一个或更多个训练模型储存为一个或更多个训练模型对象;收集包括至少一个预测对的预测数据,所述预测对包括唯一用户标识符和唯一服装标识符,每个预测对与入库的服装、购买的服装或退回的服装相对应;通过利用预测数据执行所存储的一个或更多个训练模型对象,由一个或更多个处理器预测指示穿戴倾向的一个或更多个预测使用率度量,其中一个或更多个预测使用率度量是通过所执行的一个或更多个训练模型对象而输出的一个或更多个度量;动态地生成一个或更多个匹配对,每个匹配对包括唯一用户标识符和唯一服装标识符;以及基于所预测的一个或更多个预测使用率度量来确定针对一个或更多个匹配对中的每个匹配对的匹配使用率度量。
附图说明
结合在本说明书中并构成本说明书的一部分的附图示出了各种示例性实施方式并且与描述一起用于解释所公开的实施方式的原理。
图1描绘了其中可以实现本公开的方法、系统和其他方面的示例性环境。
图2描绘了示意性地示出了根据一个或更多个实施方式的使用率设置子系统的示例性实现方式中的系统架构和数据流的框图。
图3描绘了根据一个或更多个实施方式的用于在使用率设置子系统处将具有高级特征的原始数据属性进行转换的示例性方法。
图4描绘了根据一个或更多个实施方式的用于在使用率设置子系统处构建使用率模型的示例性方法。
图5A描绘了根据一个或更多个实施方式的用于在使用率设置子系统处对预测数据进行处理的示例性方法。
图5B描绘了根据一个或更多个替代实施方式的用于在使用率设置子系统处对预测数据进行处理的示例性方法。
图6描绘了根据一个或更多个实施方式的用于使用训练的模型对象来生成预测的使用率度量的示例性方法。
图7描绘了根据一个或更多个替代实施方式的用于使用训练的模型对象来生成预测的使用率度量的示例性方法。
图8描绘了根据一个或更多个实施方式的用于执行针对动态预测服装使用率的神经网络训练的示例性方法的流程图。
图9描绘了其中可以实现本公开的实施方式或其部分的示例性计算机设备或系统。
具体实施方式
下面的实施方式描述了用于执行神经网络训练以动态地预测服装使用率的系统和方法。如上所述,服务提供商(例如,基于订购的服务提供商)需要增大其用户实际使用服务的可能性,并为尽可能多的用户实现这种可能性的增大,尽管他们的个人品味或偏好存在差异也是如此。具有这种目标的服务平台可以包括,例如,使用户能够订购、购买或租用服装的电子平台,该电子平台在关键考虑因素(诸如,例如确定每个订购者是否在特定的租用循环内实际穿戴租用的服装)下操作。如果提供商智能地分配或推荐用户穿戴概率较高的服装,则服务的价值可能会大大提高。
虽然本公开中描述的示例性系统架构涉及用于订购、购买或租用服装的电子交易(例如,衣物即服务(CaaS)或先试后买(TTB)服务),本文中公开的实现方式可以有效地服务于任何其他订购、产品购买或在线交易服务,诸如,例如订购或购买软件服务、清洁服务、送货服务、维修服务、租用产品、租用车辆等,而不脱离本公开的范围。例如,可穿戴的或具有高使用率的度量的特征(例如,具有穿戴服装的倾向)可以对应于在服装之外的环境中可用的特征(例如,具有使用订购的租用产品或服务的倾向)。
根据本公开,可以通过独特配置的机器学习和预测建模来实现分配或推荐具有较高被订购者穿戴百分比的服装和/或服装的虚拟衣橱。鉴于可以从历史交易中收集的大量数据属性,可以形成和/或检索指示每个用户与特定服装的关系的数据集(例如,发货的成衣是否被用户实际穿戴的二进制标志)。此外,计算系统可以将此类数据集转换为训练数据集,并使用该训练数据集运行神经网络模型训练。在这个过程中,专门定制的神经网络训练,结合他们持续地预测使用率度量和为用户提供高度可穿戴服装的实际应用,产生非常规和独特的自动化,这些自动化必然通过下面更详细描述的特定自动化过程实现技术改进。因此,这些自动化过程的非常规和独特的方面与仅为执行手动或脑力任务提供众所周知或常规的环境形成了鲜明的对比。
现在将在下文中参考附图更全面地描述本说明书的主题,这些附图形成本说明书的一部分并且通过图示的方式示出了特定的示例性实施方式。本文中描述为“示例性”的实施方式或实现方式不应被解释为优选的或有利的,例如,优于其他实施方式或实现方式;相反,它旨在反映或指示实施方式是“示例性”实施方式。主题可以以各种不同的形式体现,因此,所涵盖或要求保护的主题旨在被解释为不限于本文中所阐述的任何示例性实施方式;提供示例性实施方式仅仅是为了说明。同样,要求保护或涵盖的主题的范围相当广泛。除个别的以外,例如,主题可以被体现为方法、设备、部件或系统。因此,实施方式可以例如采用硬件、软件、固件或其任何组合(软件本身除外)的形式。因此,下面的详细描述不应被理解为限制性的。
在整个说明书和权利要求中,术语可以具有超出明确陈述的含义的、在上下文中暗示或暗指的细微含义。同样,本文中所使用的短语“在一个实施方式中”不一定指代同一实施方式,并且本文中所使用的短语“在另一实施方式中”不一定指代不同的实施方式。例如,所要求保护的主题旨在整体或部分地包括示例性实施方式的组合。
下面使用的术语可以以其最广泛合理的方式来解释,即使它是结合本公开的某些特定示例的详细描述使用的。事实上,某些术语甚至可以在下面强调;然而,旨在以任何受限方式解释的任何专有名词将在本详细描述部分中公开且具体地定义为如此。前面的一般描述和下面的详细描述都仅是示例性和说明性的,而不是对所要求保护的特征的限制。
如在本公开中所使用的,术语“CaaS”(即,衣服即服务)可以统称为与用户的订购、购买和/或租用服务相关联的计算机实现的服务和功能(例如,定期订购接收服装、服装租用或购买订单、分销、退回处理、TTB服务、帐户管理、营销、客户服务、仓管运营等)。如在本公开中所使用的,术语“服装”可以指用户可以穿戴的任何衣服、服饰、珠宝、帽子、配饰或其他产品。
如在本公开中所使用的,术语“使用率”可以指用户实际穿戴给定成衣的倾向或概率,并且术语“使用率度量”可以是指示使用率水平的度量。如在本公开中所使用的,术语“衣橱”或“到衣橱”可以指将一件或更多件成衣放入虚拟衣橱(例如,购物车、储藏库或任何类型的空间,这些空间可能与用于未来交易的特定的一套或更多套成衣虚拟相关)的计算机实现的操作。此外,“匹配”可以指确定一套或更多套匹配成衣和/或确定给定成衣的使用率度量的计算机实现的操作,并且“分配”可以指确定应分配并发货给一个或更多个特定用户的成衣的计算机实现的操作。
在本公开中,术语“基于”是指“至少部分基于”。除非上下文另有规定,单数形式包括复数所指对象。术语“示例性的”是在“示例”而不是“理想”的意义上使用的。术语“或”意为包括在内,并且指所列项目中的任一个、任何、几个或全部。术语“包含”、“包含有”、“包括”、“包括有”或它们的其他变体旨在涵盖非排他性的包含,使得包含要素列表的过程、方法或产品不一定仅包括那些要素,还可以包括未明确列出的或此类过程、方法、制品或设备固有的其他要素。相对术语,诸如“基本上”和“一般”,用于表示陈述或理解值的±10%的可能变化。
现在参考附图,图1示出了根据本公开的一个或更多个实施方式的示例环境100。如所示出的,示例环境100可以包括一个或更多个用户设备110、网络112、产品在线交易处理(产品OLTP)组件114、发布者136、仓管管理系统(WMS)138以及使用率建模和匹配系统140。
示例环境100的用户可以使用一个或更多个用户设备110(例如,计算设备、移动设备等)来访问和/或应用从使用率建模和匹配系统140生成的结果。一个或更多个用户设备可以使用网络112与产品OLTP组件114、WMS 138和/或用户设备110之中的其他用户设备通信。此外,用户设备110可以允许用户显示网站浏览器、应用程序或任何其他用户接口,以访问由产品OLTP组件114、仓管管理系统138和/或用户设备110之中的其他用户设备生成的信息。例如,一个或更多个用户设备110之中的设备可以加载具有图形用户接口(GUI)的应用程序,并且该应用程序可以在GUI上显示供用户整理的一个或更多个服装推荐。
使用率建模和匹配系统140可以向用户提供各种特征,这些特征必然提供对平台的技术改进,该平台仅向用户提供精选品选择而没有使用率分析功能。在一些实施方式中,使用率建模和匹配系统140连同产品OLTP组件114和/或WMS 138可以向用户提供计算机实现的面向用户的服装推荐。例如,这些计算机实现的推荐可以独特地考虑:(i)特定用户可能穿哪些服装,(ii)与特定用户可能穿的其他服装相似的服装,(iii)对与特定用户相似的其他用户而言具有高使用率的服装,和/或(iv)对与特定用户有类似经历的其他用户而言具有高使用率的服装。在向用户接口做出这样的推荐时,使用率建模和匹配系统140连同产品OLTP组件114和/或WMS 138可以使用使用率度量(例如,如下文详细描述的预测使用率度量和/或匹配使用率度量)作为关键考虑因素。例如,用户设备处的用户接口可以在预测使用率度量和/或匹配使用率度量的排名列表中显示排名高于预设阈值数字的服装。
附加地或可替代地,使用率建模和匹配系统140连同产品OLTP组件114和/或WMS138可以使用使用率度量(例如,如下文详细描述的预测使用率度量和/或匹配使用率度量)作为一项或更多项衣橱管理功能的关键考虑因素。例如,环境100可以基于一个或更多个原因,诸如尺寸、季节性、款式、面料和/或其他高级属性来帮助用户设备110(例如,通过提供通知推荐)清除或更换具有低使用率的服装。在这些实施方式中,使用率建模和匹配系统140连同产品OLTP组件114和/或WMS 138可以选择具有低于预设阈值的低使用率度量(例如,如下文详细描述的预测使用率度量和/或匹配使用率度量)的服装。
产品OLTP组件114可以是一个或更多个计算机实现的数据处理和储存系统,所述数据处理和储存系统被配置成处理来自用户设备110的在线交易。产品OLTP组件114可以处理例如订单条目、销售交易、退回处理、补货支持/处理、以及金融交易。此外,产品OLTP组件114可以与至少补货系统122、发布者136以及具有消息总线或通道的匹配设置引擎126进行通信以与其他连接的系统交换数据。发布者136可以例如从产品OLTP组件114接收信息并将接收到的信息传送到WMS 138。产品OLTP组件114可以包括或者连接到具有表格或包括在其中的任何其他数据结构的一个或更多个数据库。包括在产品OLTP组件114中或者连接到产品OLTP组件114的一个或更多个数据库可以被配置成接收和响应对与交易相关联的数据的查询。附加地或可替代地,产品OLTP组件114中的一个或更多个数据库可以被配置成以有规律的调度间隔传输数据、经由异步调度传输数据、和/或对与读取、写入和/或检索储存在其中的数据相关联的授权请求进行响应。
使用率建模和匹配系统140可以为与预测建模和使用率匹配/分配相关联的多个子过程提供架构,所述多个子过程包括生成分析、使用率训练、使用率预测和使用率匹配。作为子过程的支持架构,使用率建模和匹配系统140可以包括各种组件,例如,BI(商业智能)组件116、使用率设置子系统118、度量数据库120、补货系统122、匹配数据库134、RID信息储存库124、匹配设置引擎126、匹配设置文件储存库128、匹配引擎130和匹配结果文件储存库132。
BI组件116可以储存和/或提供储存在数据仓管中的历史信息,以及在生成新数据时从其他源系统收集的新数据,诸如,例如历史分析和实时预测两者。例如,由BI组件116储存和输出的数据可以包括来自数据仓管的原始属性、历史发货和RN(退回通知)数据、历史衣橱数据以及来自活动衣橱的动态数据馈送,如下面关于图2的更详细描述。BI组件116可以用作对使用率设置子系统118的唯一数据馈送源。附加地或可替代地,使用率设置子系统118可以与产品OLTP组件114通信并从产品OLTP组件114接收数据。
使用率设置子系统118可以与BI组件116和/或产品OLTP组件114通信,并且可以包括执行使用率数据准备、使用率训练和使用率预测的多个模块。可以执行这些功能的各个模块将在下面关于图2进行详细描述。使用率设置子系统118可以从BI组件116接收输入数据,该输入数据可以包括例如原始属性、历史发货和退回通知数据、历史衣橱数据和活动衣橱数据。来自BI组件116的接收或流送或输入数据可以周期性地、异步地或经由推和/或拉操作运行。
使用率设置子系统118可以与度量数据库120通信。度量数据库120可以包括数据管理组件和/或数据库,诸如,例如搜索引擎(Elasticsearch)、分布式数据库(Hbase)、或者能够索引、检索和/或搜索文档或用作键值对储存的任何其他数据搜索/储存组件。使用率设置子系统118可以将输出数据传输到度量数据库120。输出数据可以是例如指示穿戴一件或更多件成衣的倾向的一个或更多个预测使用率度量。这样的一个或更多个预测使用率度量可以例如各自对应于预测对,该预测对包括唯一用户标识符(例如,UUID)和唯一服装标识符(例如,库存单位或“SKU”)。使用率设置子系统118基于输入数据来产生输出数据的具体功能将在下面关于图2进一步详细描述。
补货系统122可以与产品OLTP组件114进行通信,并且可以周期性地、异步地或者经由推和/或拉操作(例如,动态馈送到补货系统122中)从产品OLTP组件114接收输入数据。例如,输入数据可以是用户的返回通知(RN)的RN属性,以及与RN属性相关联的任何其他数据属性。基于输入数据,补货系统122可以针对用户生成补货标识符(RID)以及与每个RID相关联的任何其他数据属性。RID可以是例如由补货系统122响应于用户的RN和/或检测到用户具有开放槽位并且有资格用于下一盒子和发货而生成的标识符。附加地或可替代地,使用率设置子系统118可以在建模数据处理模块216中生成RID,如下面关于图2进一步详细描述的。补货系统122可以将RID连同与每个RID相关联的任何其他数据属性一起发送到匹配数据库134。
匹配数据库134可以与补货系统122通信。匹配数据库134可以包括一个或更多个子组件,诸如,例如RID信息储存库124、匹配设置文件储存库128和匹配结果文件储存库132。匹配数据库134可以接收RID(例如,连同与每个RID相关联的任何其他数据属性)并且将接收到的数据储存到RID信息储存库124。
匹配设置引擎126可以与度量数据库120、匹配数据库134、RID信息储存库124、匹配结果文件储存库132和产品OLTP组件114进行通信。匹配设置引擎126可以基于诸如生成RID的事件而循环运行,例如,周期性的循环(例如,每小时)运行、异步地或者经由推和/或拉操作运行。在每个循环中,匹配设置引擎126可以接收在RID信息储存库124处动态生成的一个或更多个RID。附加地或可替代地,匹配设置引擎126可以从度量数据库120接收所生成的RID。对于接收到的RID,匹配设置引擎126可以从产品OLTP组件114检索与那些RID相关的所有数据属性或元数据,诸如唯一用户标识符(例如,UUID)、唯一服装标识符(例如,SKU信息)以及/或者与唯一用户标识符和/或服装标识符相关联的任何其他数据属性。在一些实施方式中,匹配设置引擎126还可以从产品OLTP组件114接收与活动衣橱或衣橱内的服装相关的数据属性,以便基于活动的衣橱数据生成匹配对。
匹配设置引擎238然后可以动态生成匹配对,每个匹配对包括从产品OLTP组件114检索的唯一用户标识符(例如,UUID)和唯一服装标识符(例如,SKU)。匹配设置引擎238然后可以从度量数据库120中、从储存在度量数据库120的预测使用率度量中检索对应的匹配使用率度量。例如,针对每个匹配对,匹配设置引擎126可以向度量数据库120做出在线请求,以检索对应于匹配对(例如,UUID-SKU)的预测使用率度量,并将其作为针对匹配对的匹配使用率度量储存在匹配数据库134中的匹配设置文件储存库128处。
在一些实施方式中,匹配设置引擎238可以以与由使用率设置子系统118执行的功能分开且独立的循环来执行匹配设置引擎238的功能。例如,使用率设置子系统118可以执行其准备和构建使用率模型、处理预测数据和离线生成预测使用率度量(例如,作为后端操作循环,该后端操作循环与由匹配设置引擎238执行的操作循环相比,可以以不同和独立的调度执行)的功能,以及使用率设置子系统118将输出数据储存在度量中以供匹配设置引擎238进行临时在线检索。与其中使用率设置子系统118和匹配设置引擎238在每个在线请求或每个循环迭代中一起执行操作的实现方式相比,这样的实现方式可以实现减少产生使用率度量的在线执行时间。由使用率设置子系统118实现的离线计算(例如,独立于匹配设置引擎238的在线活动执行的计算)可能导致在匹配设置引擎238处所需的数据的延迟,例如,缺失匹配对。为了补救这种延迟,如果在匹配设置引擎238处存在针对匹配对的缺失的预测使用率度量,则匹配设置引擎238可以生成告警和/或用默认值(例如,中性值,诸如50%,或任何其他预设默认值)填充缺失的数据。
可替代地,使用率设置子系统118和匹配设置引擎238在每个循环迭代中一起执行操作,使得在线生成预测的使用率度量以供匹配设置引擎126立即使用(例如,没有由独立执行的储存操作引起的任何延迟,或者不需要度量数据库120)。在线度量计算的这种实现方式可以消除使用率设置子系统118与匹配设置引擎238之间的数据延迟,并且还使得其他子系统(例如,环境100内的子系统和/或与环境100通信的子系统)能够使用在线检索服务。与上述离线计算实现方式相比,该实现方式可能导致产生使用率度量的更高在线执行时间。
匹配引擎130与匹配设置文件储存库128及匹配结果文件储存库132进行通信。匹配引擎130可以循环运行,诸如周期性循环(例如,每小时)运行,异步地运行、或者经由推和/或拉操作运行。匹配引擎130可以与匹配设置引擎126以相同的、同步循环运行。在每个循环中,匹配引擎130可以从匹配设置文件储存库128接收输入数据,例如,针对一个或更多个匹配对的储存的匹配使用率度量配。基于接收到的数据,匹配引擎可以为每个匹配对生成例如两个结果文件。第一结果文件可以具有与匹配对相关联的使用率度量,诸如,例如预期的使用率概率、平均使用率率、优先成功率、匹配设置时缺失的关键点、以及没有计算度量的选配次数。第二结果文件可能具有匹配优化的成本函数结果,其可以通过下述来计算:例如首先计算调整后的分数作为调整后的分数=I(被优先处理的)*x*匹配使用率度量;然后计算匹配分配的成本为x-调整后的分数。结果文件然后可以被储存在匹配结果文件储存库132中。
匹配结果文件储存库132可以与匹配引擎130和发布者136进行通信。发布者136可以与WMS 138进行通信。发布者136和WMS 138都可以经由网络112与用户设备110进行通信。发布者136可以从储存在匹配结果文件储存库132中的结果文件中检索数据属性,并以特定的预设发布格式或默认发布格式从结果文件中输出数据(例如,使用率度量、平均使用率率、优先成功率、匹配设置时缺失的关键点、以及没有计算度量的选配次数)。例如,发布者136的输出可以由用户设备110或WMS 138直接检索。WMS 138可以经由网络112连接到用户设备110。WMS 138可以执行以下功能,例如,储存和/或传输基于发布者136的输出而导出或生成的仓库管理数据属性。
图1中所示的设备、网络和部件的数目和布置作为示例提供。实际上,与图1中所示的那些相比,可以存在附加的设备和/或部件、更少的设备和/或部件、不同的设备和/或部件、或者以不同方式布置的设备和/或部件。此外,图1中所示的两个或更多个设备或部件可以在单个设备内实现,或图1所示的单个设备可以被实现为多个分布式设备。附加地或可替代地,环境100的设备或部件可以执行被描述为由环境100的另一设备或部件执行的一个或更多个功能。
图2描绘了示意性地示出根据一个或更多个实施方式的使用率设置子系统的示例性环境200中的系统架构和数据流的框图。示例性环境200可以具有在两个计算环境中分别运行的两个进程,诸如模型训练环境201和匹配环境202。模型训练环境201可以使用例如SQL和/或Python来实现。匹配环境202可以使用例如Java或能够进行条件匹配算法的任何其他编程语言来实现。如上面关于图1所描述的,模型训练环境201可以主持预测使用率度量计算的离线过程,该过程可能不需要对匹配环境202的任何操作实时运行,或者不需要与匹配环境202的任何在线过程一起在线执行。可替代地,模型训练环境201和匹配环境202都可以在线运行(例如,在每个在线过程中都运行一个循环),使得在线生成预测的使用率度量,以供立即使用而没有任何数据延迟。
模型训练环境201可以包括使用率设置子系统203,使用率设置子系统203可以执行多个不同的模块(例如,建模数据处理模块216、使用率模型构建模块218、预测数据处理模块222和预测度量生成模块224)。这些模块可以是由与使用率设置子系统203相关联的一个或更多个处理器执行的软件指令。在一些实施方式中,使用率设置子系统203可以对应于图1的使用率设置子系统118。
使用率设置子系统203可以接收各种数据属性以构建用于神经网络训练的训练数据集,并生成预测数据,诸如,例如[UUID,SKU]预测对,每个预测对都与预测使用率度量相结合。接收到的数据属性可以是原始属性210、历史发货和RN 212、历史衣橱数据214和活动衣橱数据220,并且可以从BI组件116和/或产品OLTP组件114接收数据属性。
建模数据处理模块216可以准备和处理建模数据,这是产生预测使用率度量的模型的机器学习过程所需要的。首先,可以从BI组件116和/或产品OLTP组件114接收输入数据,诸如原始属性210、历史发货和RN 212以及历史衣橱数据214。在一些实现方式中,原始属性210可以被收集并放置到高级分析表中,如下面关于图3更详细地描述的。基于高级分析表、原始属性210、历史发货和RN 212、和/或历史衣橱数据214,建模数据处理模块216可以将已发货对的特征向量与RN结合。例如,已发货对的成衣可以形成向量,诸如(UUID、SKU、发货日期),并且该向量可以与具有分析的特征(例如,来自高级分析表的分析,或者从原始属性210、历史发货和RN 212和/或历史衣橱数据214检索的任何其他用户/SKU/服装/衣橱级别属性)相结合。如本文中所使用的,特征可以指在模型训练环境201中使用的任何分析,并且分析可以指任何用户/SKU/服装/衣橱级别属性。
然后,可以将这些结合向量下载到一个或更多个数据文件(例如,一个或更多个csv文件,或者能够储存结合向量的任何其他一种或更多种类型的数据文件)中,并且如果存在预设条件,则这种下载的标准可以受条件限制。例如,可以存在仅在过去x天(例如,90天)内发货的服装可以被加载到csv文件中的条件。利用来自一个或更多个csv文件的数据集,建模数据处理模块216然后可以基于另外的条件来清理数据集。例如,建模数据处理模块216可以检测与来自用户的历史反馈相关联的数据仅在数据具有超过5的RN计数(例如,接收到的关于该服装或该用户的RN的数目)时才能使用的预设条件或任何其他预设阈值。在该示例中,作为清洁过程的一部分,任何小于或等于预设阈值的数据都可以从数据集中清除。
在清理数据之后,建模数据处理模块216然后可以通过将数据集运行到附加筛选和转换中来变换数据集。例如,可以从数据集中移除具有至少x%的缺失数据属性(例如,x是预设数字,诸如50)的特征。此外,分类特征可能会被虚拟化。例如,与属于单个(UUID、SKU)对的属性相比,与服装或用户的类别有关的属性而不是与单个成衣或用户有关的属性可以具有任意、不准确或未填充的值,并且这样的值可以被替换为虚设值。此外,缺失的特征可以通过下述来进行估算:例如从其他地方(例如,BI组件116、产品OLTP组件114或由使用率设置子系统203可访问的任何其他数据库或内部储存装置)搜索缺失的特征值;和/或使用默认的预设值填充缺失的功能。此外,特征还可以通过下述来标准化:基于预设因子对值进行重新对齐或调整、移除异常值和/或根据预设规则或条件以任何方式使值标准化。在一些实施方式中,建模数据处理模块216可以将所得的训练数据集保存为与使用率设置子系统203进行通信的一个或更多个目标数据库中的建模ETL(提取、转换、加载)对象。训练数据集可以针对使用率模型构建模块218变得可用(例如,通过在指定的文件和位置传输或储存),以在神经网络训练过程中使用。
使用率模型构建模块218可以使用从建模数据处理模块216输出的训练数据集来执行用于产生模型的训练过程。如上所述,训练过程可以作为离线过程来执行,并且因此,与匹配环境202的匹配操作相比,可以运行更少的独立循环(例如,每天1-3次而不是每小时1-3次)。在每个训练循环中,可以基于训练数据集来训练神经网络。如本文中所使用的,神经网络可以是例如比传统神经网络具有更多层的深度学习神经网络。使用率模型构建模块218可以训练神经网络,使得经训练的模型可以被配置成输出任意成对的唯一用户标识符和唯一服装标识符的度量(例如,指示穿戴倾向的预测使用率度量,其可以是基于来自训练的预测模型或默认分数的预测使用率分数)。例如,输出度量可以是给定的成衣被报告为由给定的一组用户(对应于UUID的用户,或者基于用户属性与该用户相关联的一组用户)穿戴的平均比率(例如,在用户提供的RN中穿戴与未穿戴的二进制标志)。在训练神经网络的循环之后,由训练产生的一个或更多个训练模型可以作为训练模型对象被储存在与使用率设置子系统203进行通信的一个或更多个数据库中。
在一些实现方式中,使用率设置子系统203还可以通过执行或模拟在使用率模型构建模块218处生成的训练模型对象并评估该对象来评价训练模型对象。例如,评估可以包括预测针对训练对的使用率度量,并计算评估度量,诸如准确度、AUC(曲线下的面积)、精度、召回率等。AUC可以例如用于分类分析中以确定哪个模型对象最能预测类别。
预测数据处理模块222可以收集和准备数据以便预测度量生成模块224生成预测使用率度量。预测数据处理模块222可以尽可能接近实时地收集数据。例如,如果用户刚刚整理了新成衣和/或返回了关于成衣的通知(例如,为其发送了RN),则预测数据处理模块222可以立即捕获与所有这些活动相关联的数据属性,因为获得或缺失了用户的一个数据属性可以对由预测度量生成模块224产生的预测使用率度量具有影响。可以从BI组件116接收活动衣橱数据。可以从例如建模数据处理模块216接收与RN相关的活动数据。此外,预测数据处理模块222不仅可以捕获新的衣橱或RN数据关系(例如,UUID-SKU关系),还可以从BI组件116、建模数据处理模块216或者与环境200进行通信的任何其他数据库收集与该关系相关的数据属性(例如,关于属性级别上的每个SKU的详细信息)。
使用所收集的数据,预测数据处理模块222可以为后续步骤(例如,由预测度量生成模块224执行的步骤)准备预测数据。首先,预测数据处理模块222可以定义入库对的唯一用户标识符和唯一服装标识符的总体。然后它可以为入库对加入高级特征(例如,关于处理建模数据描述的高级分析表)。然后可以将入库的文件下载到一个或更多个csv文件中。利用来自一个或更多个csv文件的数据集,预测数据处理模块222然后可以基于进一步的条件来清理数据集。例如,预测数据处理模块222可以检测与来自用户的历史反馈相关联的数据仅在数据具有超过5的RN计数(例如,接收到的关于该服装或该用户的RN的数目)时才能使用的预设条件或任何其他预设阈值。在该示例中,作为清理过程的一部分,任何小于或等于预设阈值的数据都可以从数据集中清除。
在清理数据之后,预测数据处理模块222然后可以通过将数据集运行到附加筛选和转换中来变换数据集。例如,可以加载模型ETL对象(由建模数据处理模块216保存)。此外,分类特征可能会被虚拟化。例如,在与属于(UUID、SKU)对的属性相比时,属于服装类别或用户而非单个成衣或用户的属性可以具有任意、不准确或未填充的值,并且可以用虚拟值替换这样的值。此外,可以通过例如从其他地方(例如,BI组件116、产品OLTP组件114或者使用率设置子系统203可访问的任何其他数据库或内部存储装置)搜索缺失的特征值来估算缺失的特征,和/或使用默认的预设值填充缺失的特征。此外,还可以通过基于预设因子来对值进行重新对齐或调整、移除异常值和/或根据预设规则或条件以任何方式标准化值来使特征标准化。作为这些变换的结果,预测数据可以被准备并且变得可用于针对预测度量生成模块224的模块。
预测度量生成模块224然后可以通过预测指示穿戴倾向的一个或更多个预测使用率度量来对预测数据运行预测。这种预测可以通过下述来发生:加载储存的一个或更多个训练模型对象;利用预测数据执行训练模型对象;以及生成由训练模型对象的执行产生的预测使用率度量。在一些实现方式中,预测度量生成模块224还可以预测训练对的度量或分数(例如,为了与预测过程相关联的评估或训练的目的)。预测度量生成模块224然后可以将所得到的预测使用率度量储存在度量数据库120中,如上面关于图1所描述的。
在匹配环境202中,可以生成匹配使用率度量和成本函数输出。基于从预测度量生成模块224输出的预测使用率度量以及从产品OLTP组件114和/或RID信息储存库124接收到的实时RID和实时衣橱,匹配环境202可以动态生成具有匹配的使用率度量和成本函数输出的结果文件240。这个过程可以由以上已经关于图1进行了详细描述的匹配设置引擎236和匹配引擎238来执行。例如,在一些实现方式中,匹配设置引擎236可以对应于图1的匹配设置引擎126,并且匹配引擎238可以对应于图1的匹配引擎130。
图2中所示的设备、网络和模块的数目和布置作为示例提供。实际上,与图2中所示的那些相比,可以存在附加的设备和/或模块、更少的设备和/或模块、不同的设备和/或模块、或者以不同的方式布置的设备和/或模块。此外,图2中所示的两个或更多个设备或模块可以在单个设备内实现,或图2所示的单个设备可以被实现为多个分布式设备。附加地或可替代地,环境200的设备或模块可以执行被描述为由环境200的另一设备或模块执行的一个或更多个功能。
图3描绘了用于在使用率设置子系统203处转换具有高级特征的数据属性的示例性方法300。如上面关于图2所描述的,建模数据处理模块216可以从BI组件116处的数据表接收各种输入数据,包括原始属性210、历史发货和RN 212、和/或历史衣橱数据214。建模数据处理模块216可以根据预设标准来收集、分析和/或组织(例如,经由SQL查询)输入数据302(步骤304),以生成和/或追加高级特征306。例如,建模数据处理模块216可以基于原始属性210、历史发货和RN 212和/或历史衣橱数据214来生成一个或更多个模式和/或分布作为高级特征306之中的数据。生成的多个模式和/或分布之一可以是,例如,每件成衣(例如,对应于每个唯一服装标识符的服装)的合身等级,输出为四分位数的分布,并且该分布可以包括基于组的多个分布,诸如不同地理位置的用户或服装属性(例如颜色、下摆长度等)。所生成和/或追加的高级特征可以被使用率设置子系统203储存在例如BI组件116处的数据表处或者与环境100进行通信的、具有写入保护和访问能力的任何其他数据库中。在一些实现方式中,高级特征可以被用作使用率模型构建模块218的训练数据集。高级特征的示例在表1中示出。
表1
图4描绘了用于在使用率设置子系统203处构建使用率模型的示例性方法400。使用率模型构建模块218可以从建模数据处理模块216接收高级特征402。(步骤404)。附加地或可替代地,使用率模型构建模块218可以从BI组件116、与使用率设置子系统203进行通信的数据库和/或建模数据处理模块216下载由建模数据处理模块216生成的训练数据集(步骤404)。使用率模型构建模块218然后可以基于训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对任意成对的唯一用户标识符和唯一服装标识符的度量(步骤408)。训练可以使用例如Python来实现,并且训练可以预测模型,使得该模型预测针对每对的度量。例如,训练可以被配置成使得缺失的数字特征用组平均值、零或预设值来填充,并且缺失的分类特征被处理为新类别。最后,一个或更多个训练模型可以被储存为一个或更多个训练模型对象410。在一些实现方式中,可以针对每个训练模型生成两种类型的模型对象,两种类型的模型对象中的一种用于数据预处理,而两种类型的模型对象的一种用于评分度量。训练模型对象可以被储存在例如使用率设置子系统203内的数据库中,并且被备份在匹配数据库134中。
图5A描绘了用于在使用率设置子系统203处对预测数据进行处理的示例性方法500A。预测数据处理模块222可以接收实时数据502和高级特征504。高级特征可以从建模数据处理模块216接收。实时数据502可以例如从BI组件116、产品OLTP组件114和/或匹配数据库134接收。实时数据502可以包括例如实时RID、活动衣橱数据、交易数据、订购用户反馈数据、用户数据(诸如唯一用户标识符)和/或服装数据(诸如唯一服装标识符)。然后,预测数据处理模块222可以通过将输入数据(例如,实时数据502和高级特征504)收集和组织成可以由预测度量生成模块224使用的预设格式(例如,UUID-SKU格式)来生成预测数据508(步骤506)。在一些实现方式中,预测数据可以在与使用率设置子系统203进行通信的数据库中被保存为一个或更多个csv文件。
图5B描绘了根据一个或更多个替代实施方式的用于在使用率设置子系统203处对预测数据进行处理的示例性方法500B。预测数据处理模块222可以接收实时数据和高级特征514。实时数据可以包括可以例如从BI组件116、产品OLTP组件114和/或匹配数据库134接收的实时RID/用户数据512、实时衣橱数据516和实时库存数据518。可以从建模数据处理模块216接收高级特征。然后,预测数据处理模块222例如通过将预设筛选应用于实时数据来生成匹配候选者522(步骤520)。预测数据处理模块222然后可以结合来自匹配候选者522的数据表和来自高级特征514的数据(步骤524)。例如,匹配候选者的生成可以使用Python来实现,并且步骤520和524可以周期性循环(例如,每天3次)地运行。由数据表的结合产生的数据集可以被保存为预测数据526。在一些实现方式中,预测数据可以被保存为与使用率设置子系统203进行通信的数据库中的一个或更多个csv文件。例如,预测数据526可以是可以由预测度量生成模块224使用的预设格式(例如,UUID-SKU格式)。
图6描绘了根据一个或更多个实施方式的用于使用训练模型对象生成预测使用率度量的示例性方法600。预测度量生成模块224可以接收在使用率模型构建模块218处生成的训练模型对象602和在预测数据处理模块222处生成的预测数据604。预测数据604可以包括与其他属性级别分析链接的数据属性(例如,UUID-SKU对),如上面关于图1和图2详细描述的。然后,预测度量生成模块224可以通过利用预测数据604执行接收到的一个或更多个训练模型对象602来预测指示穿戴倾向的一个或更多个预测使用率度量608(步骤606)。
图7描绘了根据一个或更多个替代实施方式的用于使用训练模型对象生成预测使用率度量的示例性方法700。预测度量生成模块224可以获取在预测数据处理模块222处生成的现有预测数据集702。预测数据604可以包括与其他属性级别分析链接的数据属性(例如,UUID-SKU对),如上面关于图1和图2详细描述的。随后,预测度量生成模块224基于例如下载另一组预测数据的自动或手动提示来下载新的预测数据集706(步骤704)。然后,新的预测数据集706可以增加、替换或以其他方式与现有预测数据集702组合,以形成预测数据。然后,预测度量生成模块224可以通过接收(例如,从使用率模型构建模块218)训练模型对象708并用预测数据执行接收到的一个或更多个训练模型对象708来预测指示穿戴倾向的一个或更多个预测使用率度量712,并生成预测使用率度量712(步骤710)。
图8描绘了根据一个或更多个实施方式的用于执行用于动态地预测服装使用率的神经网络训练的示例性方法的流程图。在示例性方法800中,一个或更多个计算机处理器可以生成训练数据集,该训练数据集包括先前发货的服装的一个或更多个历史数据属性,历史数据属性中每个历史数据属性链接到唯一用户标识符和唯一服装标识符(步骤805)。一个或更多个处理器可以基于训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对任意成对的唯一用户标识符和唯一服装标识符的度量(步骤810)。一个或更多个处理器可以将一个或更多个训练模型储存为一个或更多个训练模型对象(步骤815)。一个或更多个处理器可以收集包括至少一个预测对的预测数据,该预测对包括唯一用户标识符和唯一服装标识符,每个预测对与入库的成衣或退回的成衣相对应(步骤820)。一个或更多个处理器可以通过利用预测数据执行储存的一个或更多个训练模型对象来预测指示穿戴倾向的一个或更多个预测使用率度量,其中一个或更多个预测使用率度量是由执行的一个或更多个训练模型对象输出的一个或更多个度量(步骤825)。一个或更多个处理器可以动态地生成一个或更多个匹配对,每个匹配对包括唯一用户标识符和唯一服装标识符(步骤830)。一个或更多个处理器可以基于预测的一个或更多个使用率度量来确定针对一个或更多个匹配对中的每个匹配对的匹配使用率度量。(步骤835)。
尽管图3至图8示出了过程300至800的示例块。在一些实现方式中,过程300至800与图3至图8中描绘的那些相比可以包括附加块、更少的块、不同的块或不同布置的块。附加地或可替代地,过程300至800的块中的两个或更多个可以并行执行。
图9描绘了示例性计算机设备或系统的高级功能框图,其中可以将本公开的实施方式或其部分实现为例如计算机可读代码。在一些实现方式中,在图1的环境100中或在图2的环境200中所描绘的部件的任何组合都可以对应于设备900。此外,上面关于图1至图8描述的示例性计算机服务器、设备、数据库、用户接口和方法中的每一个可以使用硬件、软件、固件、具有储存在其上的指令的有形计算机可读介质或它们组合在设备900中实现,并且可以在一个或更多个计算机系统或其他处理系统中实现。硬件、软件或它们的任何组合可以实现以上关于图1至图8描述的示例性系统、用户接口和方法中的每一个。
如果使用可编程逻辑,则这种逻辑可以在商用处理平台或专用设备上执行。本领域的普通技术人员可以理解,所公开的主题的实施方式可以用各种计算机系统配置来实践,各种计算机系统配置包括多核多处理器系统、小型计算机、大型计算机、与分布式功能链接或集群的计算机、以及可以嵌入到几乎任何设备中的普遍或微型计算机。
例如,可以使用至少一个处理器设备和存储器来实现上述实施方式。处理器设备可以是单个处理器或多个处理器,或它们的组合。处理器设备可以具有一个或更多个处理器“内核”。
本公开的各种实施方式,如以上在图1至图8的示例中所描述的,可以使用设备900来实现。在阅读了该描述之后,相关领域的技术人员将清楚如何使用其他计算机系统和/或计算机架构来实现本公开的实施方式。尽管操作可以被描述为顺序过程,但是一些操作实际上可以并行、并发和/或在分布式环境中执行,并且具有本地或远程储存的程序代码以供单处理器或多处理器机器访问。此外,在一些实施方式中,可以在不脱离所公开主题的精神的情况下重新排列操作的顺序。
如图9所示,设备900可以包括中央处理单元(CPU)920。CPU 920可以是任何类型的处理器设备,包括例如任何类型的专用或通用微处理器设备。如相关领域的技术人员将理解的,CPU 920也可以是多核/多处理器系统中的单个处理器,这样的系统单独运行,或者在集群或服务器群中运行的计算设备集群中。CPU 920可以连接到数据通信基础设施910,例如总线、消息队列、网络或多核消息传递方案。
设备900还可以包括主存储器940,例如随机存取存储器(RAM),并且还可以包括次级存储器930。次级存储器930,例如只读存储器(ROM),可以是,例如,硬盘驱动器或可移动储存驱动器。这种可移动储存驱动器可以包括例如软盘驱动器、磁带驱动器、光盘驱动器、快闪存储器等。该示例中的可移动储存驱动器以众所周知的方式从可移动储存单元读取和/或向可移动存储单元写入。可移动储存单元可以包括由可移动储存驱动器读取和写入的软盘、磁带、光盘等。如相关领域的技术人员将理解的,这样的可移动储存单元通常包括其中储存有计算机软件和/或数据的计算机可用储存介质。
在替代实现方式中,次级存储器930可以包括用于允许计算机程序或其他指令被加载到设备900中的其他类似装置。这种装置的示例可以包括程序卡盒和卡盒接口(诸如在视频游戏设备中发现的那些)、可移动存储芯片(诸如EPROM或PROM)和相关联的插座、以及其他可移动储存单元和接口,它们允许软件和数据从可移动储存单元转移到设备900。
设备900还可以包括通信接口(“COM”)960。通信接口960允许在设备900与外部设备之间转移软件和数据。通信接口960可以包括调制解调器、网络接口(诸如以太网卡)、通信端口、PCMCIA插槽和卡等。经由通信接口960转移的软件和数据可以是信号的形式,其可以是能够被通信接口960接收的电子的、电磁的、光学的或其他信号。这些信号可以经由设备900的通信路径提供给通信接口960,该设备900的通信路径可以使用例如电线或电缆、光纤、电话线、蜂窝电话链路、RF链路或其他通信信道来实现。
这种装备的硬件元件、操作系统和编程语言本质上是常规的,并且假定本领域技术人员充分熟悉它们。设备900还可以包括输入和输出端口950以连接输入和输出设备,诸如键盘、鼠标、触摸屏、监视器、显示器等。当然,各种服务器功能可以以分布式方式在许多类似的平台上实现,以分配处理负载。可替换地,服务器可以通过一个计算机硬件平台的适当编程来实现。
本文中所公开的系统、装置、设备和方法通过示例并参考附图进行详细描述。本文中讨论的示例仅是示例,并且被提供以帮助解释本文中描述的装置、设备、系统和方法。除非被明确指定为强制性,否则在附图中示出或在下面讨论的特征或部件中的任何一个都不应被视为这些装置、设备、系统或方法中的任何一个的任何特定实现方式的强制性。为便于阅读和清楚起见,某些部件、模块或方法可能仅结合特定图进行描述。在本公开中,特定技术、布置等的任何标识与所呈现的特定示例相关或者仅仅是这种技术、布置等的一般描述。除非特别指定如此,否则特定细节或示例的标识不旨在并且不应被解释为强制性或限制性的。任何未能具体描述部件的组合或子组合不应被理解为表示任何组合或子组合是不可能的。应当理解,可以对所公开和描述的示例、布置、配置、部件、元件、装置、设备、系统、方法等进行修改并且对于特定应用可以是期望的。此外,对于所描述的任何方法,无论该方法是否结合流程图进行描述,应当理解,除非另有说明或上下文要求,否则在方法执行中执行的步骤的任何显式或隐式排序并不暗示这些步骤必须按呈现的顺序执行,但可以以不同的顺序或并行执行。
贯穿本公开,对部件或模块的引用通常是指逻辑上可以组合在一起以执行一个功能或一组相关功能的项目。相似的附图标记通常用于指代相同或相似的部件。部件和模块可以以软件、硬件或软件和硬件的组合来实现。术语“软件”被广泛使用,以不仅包括可执行代码,例如机器可执行或机器可解释的指令,而且包括以任何合适的电子格式(包括固件和嵌入式软件)储存的数据结构、数据储存和计算指令。术语“信息”和“数据”被广泛使用,包括各种电子信息,所述电子信息包括可执行代码;诸如文本、视频数据和音频数据等的内容;以及各种代码或标志。术语“信息”、“数据”和“内容”在上下文允许时有时可以互换使用。
说明书和实施方式旨在仅被视为示例性的,本公开的真实范围和精神由所附权利要求指示。
Claims (17)
1.一种计算机实现方法,所述方法用于执行神经网络训练以在订购电子交易平台中动态地预测服装使用率,所述方法包括:
由一个或更多个处理器生成训练数据集,所述训练数据集包括先前发货的服装的一个或更多个历史数据属性,所述历史数据属性中的每个历史数据属性链接到所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;
由所述一个或更多个处理器基于所述训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对所述订购电子交易平台中使用的任意成对的唯一用户标识符和唯一服装标识符的度量;
由所述一个或更多个处理器将所述一个或更多个训练模型作为一个或更多个训练模型对象储存在所述订购电子交易平台的数据库处;
由所述一个或更多个处理器收集包括至少一个预测对的预测数据,所述预测对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符,每个预测对与通过所述订购电子交易平台入库、购买或退回的服装相对应;
由所述一个或更多个处理器利用所述预测数据执行所储存的一个或更多个训练模型对象,以确定一个或更多个预测使用率度量,所述预测使用率度量指示用户穿戴入库的服装、购买的服装或退回的服装的倾向;
通过储存与第一预测对相关联的第一预测使用率度量,在第一调度下将所述一个或更多个预测使用率度量周期性地储存在订购电子交易平台的度量数据库中,所述第一预测对包括第一唯一用户标识符和第一唯一服装标识符,并且其中,所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的用户穿戴与所述第一唯一服装标识符相关联的服装的倾向;
由所述一个或更多个处理器动态地生成一个或更多个匹配对,每个匹配对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;以及
由所述一个或更多个处理器通过针对包括所述第一唯一用户标识符和所述第一唯一服装标识符的第一匹配对确定第一匹配使用率度量,在不同于所述第一调度的第二调度下基于所储存的一个或更多个预测使用率度量来周期性地确定针对所述一个或更多个匹配对中的每个匹配对的匹配使用率度量,并且确定与所述第一唯一用户标识符和所述第一唯一服装标识符相关联的所储存的第一预测使用率度量,以及将所储存的第一预测使用率度量分配为针对所述第一匹配对的所述第一匹配使用率度量。
2.根据权利要求1所述的方法,其中,生成所述训练数据集还包括:确定与唯一服装标识符相对应的一个或更多个合身等级分布。
3.根据权利要求1所述的方法,其中,基于所预测的一个或更多个预测使用率度量来针对所述一个或更多个匹配对中的每个匹配对确定所述匹配使用率度量包括:
从所述度量数据库中检索所储存的一个或更多个预测使用率度量。
4.根据权利要求1所述的方法,其中,所述度量数据库是被配置成对包括所述一个或更多个预测使用率度量的多个数据文件进行索引、检索和搜索的数据库。
5.根据权利要求3所述的方法,其中,针对所述一个或更多个匹配对中的每个匹配对确定所述匹配使用率度量还包括:在储存于所述度量数据库处的所述一个或更多个预测使用率度量中检索预测使用率度量。
6.根据权利要求1所述的方法,其中,动态地生成所述一个或更多个匹配对是响应于接收到一个或更多个补货标识符而被执行的。
7.一种计算机系统,所述计算机系统用于执行神经网络训练以在订购电子交易平台中动态地预测服装使用率,所述计算机系统包括:
存储器,所述存储器具有储存在所述存储器中的处理器可读指令;以及
至少一个处理器,所述至少一个处理器被配置成访问所述存储器并且执行所述处理器可读指令,所述处理器可读指令在被所述至少一个处理器执行时将所述至少一个处理器配置成执行多个功能,所述多个功能包括下述功能:
生成训练数据集,所述训练数据集包括先前发货的服装的一个或更多个历史数据属性,所述历史数据属性中的每个历史数据属性链接到所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;
基于所述训练数据集来训练神经网络以配置一个或更多个训练模型,从而输出针对所述订购电子交易平台中使用的任意成对的唯一用户标识符和唯一服装标识符的度量;
将所述一个或更多个训练模型作为一个或更多个训练模型对象储存在所述订购电子交易平台的数据库处;
收集包括至少一个预测对的预测数据,所述预测对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符,每个预测对与通过所述订购电子交易平台入库、购买或退回的服装相对应;
利用所述预测数据执行所储存的一个或更多个训练模型对象,以确定一个或更多个预测使用率度量,所述预测使用率度量指示用户穿戴入库的服装、购买的服装或退回的服装的倾向;
通过储存与第一预测对相关联的第一预测使用率度量,在第一调度下将所述一个或更多个预测使用率度量周期性地储存在订购电子交易平台的度量数据库中,所述第一预测对包括第一唯一用户标识符和第一唯一服装标识符,并且其中,所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的用户穿戴与所述第一唯一服装标识符相关联的服装的倾向;
动态地生成一个或更多个匹配对,每个匹配对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;以及
通过针对包括所述第一唯一用户标识符和所述第一唯一服装标识符的第一匹配对确定第一匹配使用率度量,在不同于所述第一调度的第二调度下基于所储存的一个或更多个使用率度量来周期性地确定针对所述一个或更多个匹配对中的每个匹配对的匹配使用率度量,并且确定与所述第一唯一用户标识符和所述第一唯一服装标识符相关联的所储存的第一预测使用率度量,以及将所储存的第一预测使用率度量分配为针对所述第一匹配对的所述第一匹配使用率度量。
8.根据权利要求7所述的系统,其中,生成所述训练数据集还包括:确定与唯一服装标识符相对应的一个或更多个合身等级分布。
9.根据权利要求7所述的系统,其中,基于所预测的一个或更多个预测使用率度量来针对所述一个或更多个匹配对中的每个匹配对确定所述匹配使用率度量包括:
从所述度量数据库中检索所储存的一个或更多个预测使用率度量。
10.根据权利要求7所述的系统,其中,所述度量数据库是被配置成对包括所述一个或更多个预测使用率度量的多个数据文件进行索引、检索和搜索的数据库。
11.根据权利要求9所述的系统,其中,针对所述一个或更多个匹配对中的每个匹配对确定所述匹配使用率度量还包括:在储存于所述度量数据库处的所述一个或更多个预测使用率度量中检索预测使用率度量。
12.根据权利要求7所述的系统,其中,动态地生成所述一个或更多个匹配对是响应于接收到一个或更多个补货标识符而被执行的。
13.一种非暂态计算机可读介质,所述非暂态计算机可读介质包含有指令,所述指令用于执行神经网络训练以在订购电子交易平台中动态地预测服装使用率,包括:
生成训练数据集,所述训练数据集包括先前发货的服装的一个或更多个历史数据属性,所述历史数据属性中的每个历史数据属性链接到所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;
基于所述训练数据集训练神经网络以配置一个或更多个训练模型,从而输出针对所述订购电子交易平台中使用的任意成对的唯一用户标识符和唯一服装标识符的度量;
将所述一个或更多个训练模型作为一个或更多个训练模型对象储存在所述订购电子交易平台的数据库处;
收集包括至少一个预测对的预测数据,所述预测对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符,每个预测对与通过所述订购电子交易平台入库、购买或退回的服装相对应;
由所述一个或更多个处理器利用所述预测数据执行所储存的一个或更多个训练模型对象,以确定一个或更多个预测使用率度量,所述预测使用率度量指示用户穿戴入库的服装、购买的服装或退回的服装的倾向;
通过储存与第一预测对相关联的第一预测使用率度量,在第一调度下将所述一个或更多个预测使用率度量周期性地储存在订购电子交易平台的度量数据库中,所述第一预测对包括第一唯一用户标识符和第一唯一服装标识符,并且其中,所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的用户穿戴与所述第一唯一服装标识符相关联的服装的倾向;
动态地生成一个或更多个匹配对,每个匹配对包括在所述订购电子交易平台中使用的唯一用户标识符和唯一服装标识符;以及
通过针对包括所述第一唯一用户标识符和所述第一唯一服装标识符的第一匹配对确定第一匹配使用率度量,在不同于所述第一调度的第二调度下基于所储存的一个或更多个使用率度量来周期性地确定针对所述一个或更多个匹配对中的每个匹配对的匹配使用率度量,并且确定与所述第一唯一用户标识符和所述第一唯一服装标识符相关联的所储存的第一预测使用率度量,以及将所储存的第一预测使用率度量分配为针对所述第一匹配对的所述第一匹配使用率度量。
14.根据权利要求13所述的非暂态计算机可读介质,其中,生成所述训练数据集还包括:确定与唯一服装标识符相对应的一个或更多个合身等级分布。
15.根据权利要求13所述的非暂态计算机可读介质,其中,基于所预测的一个或更多个预测使用率度量来针对所述一个或更多个匹配对中的每个匹配对确定所述匹配使用率度量包括:
从所述度量数据库中检索所储存的一个或更多个预测使用率度量。
16.根据权利要求13所述的非暂态计算机可读介质,其中,所述度量数据库是被配置成对包括所述一个或更多个预测使用率度量的多个数据文件进行索引、检索和搜索的数据库。
17.根据权利要求13所述的非暂态计算机可读介质,其中,动态地生成所述一个或更多个匹配对是响应于接收到一个或更多个补货标识符而被执行的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211013042.XA CN115471291A (zh) | 2019-02-14 | 2020-02-12 | 用于自动对服装使用率模型进行训练和预测的系统和方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/275,989 US11068772B2 (en) | 2019-02-14 | 2019-02-14 | Systems and methods for automatic apparel wearability model training and prediction |
US16/275,989 | 2019-02-14 | ||
PCT/US2020/017895 WO2020167923A1 (en) | 2019-02-14 | 2020-02-12 | Systems and methods for automatic apparel wearability model training and prediction |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211013042.XA Division CN115471291A (zh) | 2019-02-14 | 2020-02-12 | 用于自动对服装使用率模型进行训练和预测的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113692598A true CN113692598A (zh) | 2021-11-23 |
CN113692598B CN113692598B (zh) | 2022-08-26 |
Family
ID=72042135
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080028653.4A Active CN113692598B (zh) | 2019-02-14 | 2020-02-12 | 用于自动对服装使用率模型进行训练和预测的系统和方法 |
CN202211013042.XA Pending CN115471291A (zh) | 2019-02-14 | 2020-02-12 | 用于自动对服装使用率模型进行训练和预测的系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211013042.XA Pending CN115471291A (zh) | 2019-02-14 | 2020-02-12 | 用于自动对服装使用率模型进行训练和预测的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11068772B2 (zh) |
EP (1) | EP3906481A4 (zh) |
CN (2) | CN113692598B (zh) |
WO (1) | WO2020167923A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902510B2 (en) | 2019-04-11 | 2021-01-26 | Caastle, Inc. | Systems and methods for analysis of wearable items of a clothing subscription platform |
CN116562357B (zh) * | 2023-07-10 | 2023-11-10 | 深圳须弥云图空间科技有限公司 | 点击预测模型训练方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138420A1 (en) * | 2007-11-28 | 2009-05-28 | The Boeing Company | Methods And System For Modeling Network Traffic |
US20140244431A1 (en) * | 2009-10-23 | 2014-08-28 | True Fit Corporation | System and method for providing customers with personalized information about products |
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
US20160140641A1 (en) * | 2012-11-28 | 2016-05-19 | Intel Corporation | Customized Shopping |
CN106021379A (zh) * | 2016-05-12 | 2016-10-12 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
CN107180375A (zh) * | 2017-05-04 | 2017-09-19 | 东华大学 | 一种基于多层神经网络的服装号型推荐系统 |
US20170287044A1 (en) * | 2016-03-31 | 2017-10-05 | Under Armour, Inc. | Methods and Apparatus for Enhanced Product Recommendations |
US20180218436A1 (en) * | 2013-05-18 | 2018-08-02 | Chaya Cooper | Virtual Personal Shopping System |
CN108428166A (zh) * | 2018-02-13 | 2018-08-21 | 东华大学 | 基于卷积神经网络的体貌特征识别分类的服装推荐系统 |
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
CN108960959A (zh) * | 2018-05-23 | 2018-12-07 | 山东大学 | 基于神经网络的多模态互补服装搭配方法、系统及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103551B2 (en) * | 2007-07-31 | 2012-01-24 | Style Du Jour, Inc. | Fashion matching algorithm solution |
US20160171365A1 (en) * | 2014-12-14 | 2016-06-16 | Oleksiy STEPANOVSKIY | Consumer preferences forecasting and trends finding |
US9852234B2 (en) * | 2015-09-16 | 2017-12-26 | Brian Gannon | Optimizing apparel combinations |
US20180308149A1 (en) * | 2017-04-25 | 2018-10-25 | Fashionality Inc. | Systems and methods to curate, suggest and maintain a wardrobe |
CN109146450A (zh) * | 2017-06-16 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 支付方法、客户端、电子设备、存储介质和服务器 |
US11983748B2 (en) * | 2017-09-07 | 2024-05-14 | Stitch Fix, Inc. | Using artificial intelligence to determine a size fit prediction |
US10984342B2 (en) * | 2017-10-10 | 2021-04-20 | Stitch Fix, Inc. | Using artificial intelligence to determine a value for a variable size component |
US11188965B2 (en) * | 2017-12-29 | 2021-11-30 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
-
2019
- 2019-02-14 US US16/275,989 patent/US11068772B2/en active Active
-
2020
- 2020-02-12 EP EP20755494.0A patent/EP3906481A4/en active Pending
- 2020-02-12 WO PCT/US2020/017895 patent/WO2020167923A1/en unknown
- 2020-02-12 CN CN202080028653.4A patent/CN113692598B/zh active Active
- 2020-02-12 CN CN202211013042.XA patent/CN115471291A/zh active Pending
-
2021
- 2021-06-17 US US17/350,082 patent/US20210312259A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138420A1 (en) * | 2007-11-28 | 2009-05-28 | The Boeing Company | Methods And System For Modeling Network Traffic |
US20140244431A1 (en) * | 2009-10-23 | 2014-08-28 | True Fit Corporation | System and method for providing customers with personalized information about products |
US20160140641A1 (en) * | 2012-11-28 | 2016-05-19 | Intel Corporation | Customized Shopping |
US20180218436A1 (en) * | 2013-05-18 | 2018-08-02 | Chaya Cooper | Virtual Personal Shopping System |
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
US20170287044A1 (en) * | 2016-03-31 | 2017-10-05 | Under Armour, Inc. | Methods and Apparatus for Enhanced Product Recommendations |
CN106021379A (zh) * | 2016-05-12 | 2016-10-12 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
CN107180375A (zh) * | 2017-05-04 | 2017-09-19 | 东华大学 | 一种基于多层神经网络的服装号型推荐系统 |
CN108428166A (zh) * | 2018-02-13 | 2018-08-21 | 东华大学 | 基于卷积神经网络的体貌特征识别分类的服装推荐系统 |
CN108960959A (zh) * | 2018-05-23 | 2018-12-07 | 山东大学 | 基于神经网络的多模态互补服装搭配方法、系统及介质 |
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
Non-Patent Citations (1)
Title |
---|
ANDRES BUSTILLOA; LUIS N.LÓPEZ DE LACALLE;ASIER FERNÁNDEZ-VALDIV: "Data-mining modeling for the prediction of wear on forming-taps in the threading of steel components", 《JOURNAL OF COMPUTATIONAL DESIGN AND ENGINEERING》 * |
Also Published As
Publication number | Publication date |
---|---|
US20210312259A1 (en) | 2021-10-07 |
CN113692598B (zh) | 2022-08-26 |
WO2020167923A1 (en) | 2020-08-20 |
EP3906481A1 (en) | 2021-11-10 |
CN115471291A (zh) | 2022-12-13 |
EP3906481A4 (en) | 2022-03-16 |
US11068772B2 (en) | 2021-07-20 |
US20200265292A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410125B2 (en) | Systems and methods for dynamically determining wearable items for a subscription electronics transactions platform | |
CN113811913B (zh) | 用于对可穿戴物品进行交易的电子平台的系统和方法 | |
CN113692598B (zh) | 用于自动对服装使用率模型进行训练和预测的系统和方法 | |
US11762819B2 (en) | Clustering model analysis for big data environments | |
CN103365946A (zh) | 数据库性能分析 | |
US11631092B2 (en) | Methods and apparatus for maintaining and/or updating one or more item taxonomies | |
US10956960B2 (en) | Method, medium, and system for batch-processing and on-demand processing to provide recommendations | |
US11032226B1 (en) | Systems and methods for rapid electronic messaging testing and positional impact assessment in a prospect electronic messaging series | |
US11727466B2 (en) | Systems and methods for garment size recommendation | |
US20230139339A1 (en) | Method and system for adaptive product categorization | |
CN114240201A (zh) | 一种基于供应链背景下的智慧数据中台 | |
CN115136154B (zh) | 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法 | |
US11544666B2 (en) | Systems and methods for electronic platform for inventory sharing | |
Schlosser et al. | Automated repricing and ordering strategies in competitive markets | |
WO2023192735A1 (en) | Systems and methods for providing product data on mobile user interfaces | |
CN117273520A (zh) | 一种it产品的分析方法、装置、电子设备及存储介质 |
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 |