CN113837492B - 物品供应量的预测方法、设备、存储介质及程序产品 - Google Patents
物品供应量的预测方法、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113837492B CN113837492B CN202111246283.4A CN202111246283A CN113837492B CN 113837492 B CN113837492 B CN 113837492B CN 202111246283 A CN202111246283 A CN 202111246283A CN 113837492 B CN113837492 B CN 113837492B
- Authority
- CN
- China
- Prior art keywords
- article
- vector
- data
- session
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006870 function Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 171
- 230000009467 reduction Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种物品供应量的预测方法、设备、存储介质及程序产品，通过获取多个物品的标识数据、历史销量数据及多段物品咨询会话的会话信息数据，会话信息数据包括同一段物品咨询会话中的物品的标识数据；根据预设的哈希函数及嵌入层对多个物品的标识数据及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据对物品分类；根据任一物品的目标信息数据、历史销量数据及所属目标类别对应的预设供应量预测模型确定该物品的预测供应量。基于哈希函数以及嵌入层挖掘物品的标识数据和会话信息数据中隐含信息，并降到目标维度，使得供应量预测模型的准确度更高，且具有较高的处理效率。
Description
技术领域
本发明实施例涉及计算机技术及人工智能领域，尤其涉及一种物品供应量的预测方法、设备、存储介质及程序产品。
背景技术
随着电子商务的不断发展，各大电商都在供应链技术做出了巨大的投入，而供应链的上游则是供应量预测技术，例如销量预测技术，其是电商补货、调拨等等的基石，所以，供应量预测技术是尤为重要的。
目前供应量预测技术一般可以分为两种方向：一种是采用时间序列模型，比如差分整合移动平均自回归模型(arima)、时间序列预测模型(prophet)等等技术实现，是传统的统计学方法；另一种是采用机器学习、深度学习方法，比如极端梯度提升(xgboost)模型、卷积神经网络(cnn)、循环神经网络(rnn)等等。
现有的供应量预测技术中，单一的模型很难涵盖所有时间序列的特点，比如arima对平稳数据有一个很好的预测，但是对于一些波动较大的数据，则束手无策；此外，预测时只考虑历史销量，考虑的信息不足，忽略了大量的隐藏信息，导致预测结果准确度受限。
发明内容
本发明实施例提供一种物品供应量的预测方法、设备、存储介质及程序产品，用以提高物品供应量预测的准确度。
第一方面，本发明实施例提供一种物品供应量的预测方法，包括：
获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；
根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；
根据各物品的目标信息数据进行分类，确定各物品的目标类别；
根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
第二方面，本发明实施例提供一种物品供应量的预测设备，包括：
获取单元，用于获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；
嵌入层单元，用于根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；
分类单元，用于根据各物品的目标信息数据进行分类，确定各物品的目标类别；
预测单元，用于根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
第三方面，本发明实施例提供一种电子设备，包括：至少一个处理器；以及存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面所述的方法。
第四方面，本发明实施例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，当处理器执行所述计算机执行指令时，实现如第一方面所述的方法。
第五方面，本发明实施例提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。
本发明实施例提供的物品供应量的预测方法、设备、存储介质及程序产品，通过获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据进行分类，确定各物品的目标类别；根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。本发明实施例中可基于哈希函数以及嵌入层挖掘物品的标识数据和会话信息数据中隐含信息，并降维到目标维度，使得供应量预测模型可以考虑更多的信息，提高供应量预测模型对物品供应量预测的准确度，且具有较高的处理效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明一实施例提供的物品供应量的预测方法的应用场景示意图；
图2为本发明一实施例提供的物品供应量的预测方法的流程图；
图3为本发明一实施例提供的哈希函数以及嵌入层的架构图；
图4为本发明另一实施例提供的物品供应量的预测方法的流程图；
图5为本发明一实施例提供的预设供应量预测模型的架构图；
图6为本发明另一实施例提供的物品供应量的预测方法的流程图；
图7为本发明一实施例提供的物品供应量的预测设备的结构图；
图8为本发明一实施例提供的电子设备的结构图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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。
目前供应量预测技术一般可以分为两种方向：一种是采用时间序列模型，比如差分整合移动平均自回归模型(arima)、时间序列预测模型(prophet)等等技术实现，是传统的统计学方法；另一种是采用机器学习、深度学习方法，比如极端梯度提升(xgboost)模型、卷积神经网络(cnn)、循环神经网络(rnn)等等。
现有的供应量预测技术中，单一的模型很难涵盖所有时间序列的特点，比如arima对平稳数据有一个很好的预测，但是对于一些波动较大的数据，则束手无策；此外，预测时只考虑历史销量，考虑的信息不足，忽略了大量的隐藏信息，例如物品咨询会话中包含的大量隐藏信息，导致预测结果准确度受限。
为了解决上述技术问题，本发明实施例中基于对物品的标识(id)、以及多段物品咨询会话进行信息量化，得到物品的标识数据以及会话信息数据，将物品的标识数据、历史销量数据以及会话信息数据作为输入数据，采用预设的预设供应量预测模型进行供应量的预测，考虑了足够丰富的物品信息，提高了预测结果准确度；此外，考虑到电商所涉及的物品众多，因此采用哈希函数以及嵌入层(embedding)进行降维和映射，较少了数据规模、提高了模型预测的效率。
具体的，获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据进行分类，确定各物品的目标类别；根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
本发明实施例的物品供应量的预测方法的一种可能应用场景如图1所示，包括数据库101和服务器102，其中数据库101中存储有多个物品的标识、历史销量数据、以及多段物品咨询会话，服务器102可从数据库101获取到多个物品的标识、历史销量数据、以及多段物品咨询会话，进而可得到多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据，进一步的，服务器102可根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据进行分类，确定各物品的目标类别；根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
下面以具体地实施例对本发明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。下面将结合附图，对本发明的实施例进行描述。
图2为本发明实施例提供的物品供应量的预测方法流程图。本实施例提供了一种物品供应量的预测方法，其执行主体可以为任意电子设备，如服务器、终端设备等，该物品供应量的预测方法具体步骤如下：
S201、获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据。
在本实施例中，物品的标识数据为向量形式，具体的，可以将物品的标识(id)用标识向量进行表示，例如采用one hot(独热)编码方式，将物品的id转化为机器学习算法易于利用的一种形式，假设总共有m种物品，则将各种物品的标识分别转化为1×m维的标识向量，其中仅有1位的数值是1，其余位的数值为0，从而区分各物品，例如总共有3种物品，则这三种物品的id可以转换为标识向量(1,0,0)、(0,1,0)、(0,0,1)。
而对于物品咨询会话，例如某一个用户向电商客服发送的对物品的咨询会话，其中一个用户可能同时咨询了多个物品，则可认为该多个物品可能存在一定的关系，本实施例中可对物品咨询会话进行信息量化，对于任一段物品咨询会话，识别该段物品咨询会话中包括的物品，根据所包括的物品的标识向量拼接生成该段物品咨询会话对应的会话信息向量，例如一段物品咨询会话包括物品1、物品2、物品3，则会话信息向量可以为3×m维的向量，每一行为物品的1×m维的标识向量。
此外，历史销量数据为X(x1，x2，...xt-1)，其中xt-1代表第t-1历史时段的销量，或者历史销量数据也可采用历史供应量数据。
S202、根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据。
在本实施例中，可基于哈希函数以及嵌入层对标识向量、以及多段物品咨询会话的会话信息向量进行学习，发现物品间的关联，挖掘隐含信息，将物品信息降维到目标维度。其中，嵌入层(Embedding)是一种映射分类变量到固定长度的向量的深度学习方法，此处不进行赘述。而考虑到电商场景中所涉及的物品数量众多，可能有几百万级别甚至更多，标识向量和会话信息向量的维度极大，因此采用哈希函数进行降维处理，提高处理效率。
S203、根据各物品的目标信息数据进行分类，确定各物品的目标类别。
在本实施例中，可将各物品按照目标信息数据进行分类，可采用任意的分类算法，例如K-means算法、SinglePass(单通道)聚类算法。
可选的，本实施例中采用SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别，由于SinglePass聚类算法不需要指定类别数量，且分类速度非常快，适用于电商场景对大规模的物品进行分类。
具体的，采用SinglePass聚类算法对物品分类过程如下：
从所有物品中选择第一物品，获取该第一物品与其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第一物品归为第一类别；
从剩余物品中重新选择第二物品，获取第二物品与剩余物品中其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第二物品归为第二类别，重复上述过程，也即继续从剩余物品中重新选择第三物品，获取第三物品与剩余物品中其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第三物品归为第三类别，以此类推，直至所有剩余物品完成分类。
S204、根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
在本实施例中，由于不同类别的物品具有不同的特点、销量具有不同的趋势，因此本实施例中对于不同的物品类别构建训练不同的预设供应量预测模型，其中预设供应量预测模型可以为任意深度学习模型，具体训练过程可采用现有的训练方法，此处不再赘述。
在对某一个物品进行供应量预测时，可采用该物品所属目标类别对应的预设供应量预测模型将上述过程中获取的目标信息数据、以及历史销量数据输入到预设供应量预测模型中，通过预设供应量预测模型来对物品的供应量进行预测。可选的，预设供应量模型可基于输入的目标信息数据、以及历史销量数据获取物品的预测销量，将物品的预测销量作为物品的预测供应量，来指导补货和调拨。
本实施例提供的物品供应量的预测方法，通过获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据进行分类，确定各物品的目标类别；根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。本实施例中可基于哈希函数以及嵌入层挖掘物品的标识数据和会话信息数据中隐含信息，并降维到目标维度，使得供应量预测模型可以考虑更多的信息，提高供应量预测模型对物品供应量预测的准确度，且具有较高的处理效率。
在上述任一的基础上，哈希函数和嵌入层的架构如图3所示，所述根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据，如图4所示包括：
S301、根据预设的第一哈希函数以及第一嵌入层对每一物品的标识向量进行降维处理，获取各物品的权重向量；
S302、根据预设的第二哈希函数以及第二嵌入层对每一会话信息向量进行降维处理，获取各物品的信息向量；
S303、根据预设的第三嵌入层，获取同一物品的权重向量和信息向量的积，确定为该物品的目标信息向量。
在本实施例中，由于标识向量和会话信息向量为稀疏表达，尤其是电商场景中所涉及的物品数量众多，可能有几百万级别甚至更多，标识向量和会话信息向量的维度极大，因此本实施例中通过哈希函数和嵌入层对会话信息向量进行降维，转化为稠密表达，其中哈希函数可以将高维向量压缩成低维向量，且尽量不损失原始向量的表达能力；嵌入层可将哈希函数的结果进一步映射到固定维度的向量，映射后的向量则隐含了大量物品之间的关系信息，从而实现对会话信息数据中信息的学习和挖掘。但考虑到电商场景中所涉及的物品数量众多，在直接通过哈希函数对会话信息向量进行降维时可能存在不同的物品的哈希函数结果相同，也即出现哈希碰撞，为了避免哈希碰撞，本实施例中通过第一哈希函数和第一嵌入层对物品的标识向量进行降维，构建各物品的权重向量，再与通过多个不同的第二哈希函数进行降维、通过嵌入层进行映射后得到的物品的信息向量进行相乘，则可有效的避免出现不同的物品的哈希函数结果相同的发生，避免了哈希碰撞。其具体过程如下：
对于任一物品的标识向量，根据第一哈希函数对该物品的标识向量进行降维，得到降维结果S(w)，并将降维结果输入第一嵌入层进行映射，得到该物品的d维度的权重向量p(w)＝E(S(w))(size：1*d)；
对于任一会话信息向量，根据d个第二哈希函数分别对该会话信息向量分别进行降维，得到d个降维结果s1(w)，s2(w)，...sd(w)，将各会话信息向量的d个降维结果分别输入第二嵌入层进行映射，最终得到各物品的d×k维度的信息向量c(w)＝(E(s1(w))，E(s2(w))，...E(sd(w)))(sized*k)；
根据第三嵌入层获取同一物品的权重向量和信息向量的积，确定为该物品的1×k维度的目标信息向量W(w)＝P(w)*c(w)size(1*k)。
在本实施例中，d个第二哈希函数中的参数不相同，从而输出不同的降维结果，最后经过将不同的降维结果联合后得到1×k维度的目标信息向量，相较于直接通过一次哈希函数和嵌入层得到1×k维度的信息向量可避免出现不同的物品的信息向量相同的发生，有效的避免了哈希碰撞。
在本实施例中，同一个物品可能出现在不同的物品咨询会话中，通过嵌入层对不同的物品咨询会话的学习最终可得到该物品1×k维度的目标信息向量。
在上述任意实施例的基础上，预设供应量预测模型架构如图5所示，其输入为任一物品的目标信息数据、以及历史销量数据，输出为该物品的预测供应量，如图6所示，其确定该物品的预测供应量的具体过程如下：
S401、从该物品的历史销量数据中提取预设数量的连续历史时段内的销量，确定为该物品的历史销量向量；
S402、将该物品的历史销量向量输入预设供应量预测模型的第一全连接层，获取该物品的第一特征向量；
S403、通过预设供应量预测模型的联结层，联结该物品的目标信息向量以及第一特征向量，得到该物品的第二特征向量；
S404、将该物品的第二特征向量输入预设供应量预测模型的第二全连接层，获取该物品的预测供应量。
在本实施例中，该物品的历史销量数据为X(x1，x2，...xt-1)，可以从中提取预设数量的连续历史时段内的销量，其中预设数量为设定的timestep，例如若timestep设定为p，则提取最近p个连续历史时段内的销量，最终得到该物品的历史销量向量为X(xt-1-p，xt-p，...xt-1)。
将该物品的历史销量向量输入第一全连接层进行卷积操作，将历史销量向量映射到该物品的第一特征向量M(w)，再通过联结层将该物品的目标信息向量E(w)以及第一特征向量M(w)进行拼接，得到该物品的第二特征向量k(E(w)，M(w))＝concat(E(w)，M(w))；在将该物品的第二特征向量k(E(w)，M(w))输入第二全连接层，获取该物品的预测供应量yt。
本实施例中预设供应量预测模型考虑了目标信息数据以及历史销量数据，对物品供应量的预测更加准确。
图7为本发明实施例物品供应量的预测设备的结构图。本实施例提供的物品供应量的预测设备可以执行方法实施例提供的处理流程，如图7所示，所述物品供应量的预测设备700包括获取单元701、嵌入层单元702、分类单元703、预测单元704。
获取单元701，用于获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；
嵌入层单元702，用于根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；
分类单元703，用于根据各物品的目标信息数据进行分类，确定各物品的目标类别；
预测单元704，用于根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。
在上述任一实施例的基础上，所述物品的标识数据为标识向量，所述会话信息数据为会话信息向量，其中会话信息向量包括同一段物品咨询会话中所包括的物品的标识向量。
在上述任一实施例的基础上，所述嵌入层单元702在根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据时，用于：
根据预设的第一哈希函数以及第一嵌入层对每一物品的标识向量进行降维处理，获取各物品的权重向量；
根据预设的第二哈希函数以及第二嵌入层对每一会话信息向量进行降维处理，获取各物品的信息向量；
根据预设的第三嵌入层，获取同一物品的权重向量和信息向量的积，确定为该物品的目标信息向量；
在上述任一实施例的基础上，所述嵌入层单元702在根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据时，用于：
对于任一物品的标识向量，根据第一哈希函数对该物品的标识向量进行降维，并将降维结果输入第一嵌入层进行映射，得到该物品的d维度的权重向量；
对于任一会话信息向量，根据d个第二哈希函数分别对该会话信息向量分别进行降维，将各会话信息向量的d个降维结果分别输入第二嵌入层进行映射，最终得到各物品的d×k维度的信息向量；
根据第三嵌入层获取同一物品的权重向量和信息向量的积，确定为该物品的1×k维度的目标信息向量。
在上述任一实施例的基础上，所述获取单元701在获取多个物品的标识数据、以及多段物品咨询会话的会话信息数据时，用于：
获取多个物品的标识、以及多段物品咨询会话；
将各物品的标识分别转化为标识向量；
对于任一段物品咨询会话，识别该段物品咨询会话中包括的物品，根据所包括的物品的标识向量拼接生成该段物品咨询会话对应的会话信息向量。
在上述任一实施例的基础上，所述预测单元704在根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量时，用于：
从该物品的历史销量数据中提取预设数量的连续历史时段内的销量，确定为该物品的历史销量向量；
将该物品的历史销量向量输入预设供应量预测模型的第一全连接层，获取该物品的第一特征向量；
通过预设供应量预测模型的联结层，联结该物品的目标信息向量以及第一特征向量，得到该物品的第二特征向量；
将该物品的第二特征向量输入预设供应量预测模型的第二全连接层，获取该物品的预测供应量。
在上述任一实施例的基础上，所述分类单元703在根据各物品的目标信息数据进行分类，确定各物品的目标类别时，用于：
采用单通道SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别。
在上述任一实施例的基础上，所述分类单元703在采用单通道SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别时，用于：
从所有物品中选择第一物品，获取该第一物品与其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第一物品归为一个类别；
从剩余物品中重新选择第二物品，获取第二物品与剩余物品中其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第二物品归为一个类别，重复上述过程直至所有剩余物品完成分类。
本发明实施例提供的物品供应量的预测设备可以具体用于执行上述图2、4、6所提供的方法实施例，具体功能此处不再赘述。
本发明实施例提供的物品供应量的预测设备，通过获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；根据各物品的目标信息数据进行分类，确定各物品的目标类别；根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量。本实施例中可基于哈希函数以及嵌入层挖掘物品的标识数据和会话信息数据中隐含信息，并降维到目标维度，使得供应量预测模型可以考虑更多的信息，提高供应量预测模型对物品供应量预测的准确度，且具有较高的处理效率。
图8为本发明实施例提供的电子设备的结构示意图。本发明实施例提供的电子设备可以执行物品供应量的预测方法实施例提供的处理流程，如图8所示，电子设备80包括存储器81、处理器82、计算机程序；其中，计算机程序存储在存储器81中，并被配置为由处理器82执行以上实施例所述的物品供应量的预测方法。此外，电子设备80还可具有通讯接口83，用于传输控制指令和/或数据。
图8所示实施例的电子设备可用于执行上述物品供应量的预测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的方法。
另外，本实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上各实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种物品供应量的预测方法，其特征在于，包括：
获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；
根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；
根据各物品的目标信息数据进行分类，确定各物品的目标类别；
根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量；
所述物品的标识数据为标识向量，所述会话信息数据为会话信息向量，其中会话信息向量包括同一段物品咨询会话中所包括的物品的标识向量；
所述根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据，包括：
根据预设的第一哈希函数以及第一嵌入层对每一物品的标识向量进行降维处理，获取各物品的权重向量；
根据预设的第二哈希函数以及第二嵌入层对每一会话信息向量进行降维处理，获取各物品的信息向量；
根据预设的第三嵌入层，获取同一物品的权重向量和信息向量的积，确定为该物品的目标信息向量。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据，包括：
对于任一物品的标识向量，根据第一哈希函数对该物品的标识向量进行降维，并将降维结果输入第一嵌入层进行映射，得到该物品的d维度的权重向量；
对于任一会话信息向量，根据d个第二哈希函数分别对该会话信息向量分别进行降维，将各会话信息向量的d个降维结果分别输入第二嵌入层进行映射，最终得到各物品的d×k维度的信息向量；
根据第三嵌入层获取同一物品的权重向量和信息向量的积，确定为该物品的1×k维度的目标信息向量。
3.根据权利要求1所述的方法，其特征在于，所述获取多个物品的标识数据、以及多段物品咨询会话的会话信息数据，包括：
获取多个物品的标识、以及多段物品咨询会话；
将各物品的标识分别转化为标识向量；
对于任一段物品咨询会话，识别该段物品咨询会话中包括的物品，根据所包括的物品的标识向量拼接生成该段物品咨询会话对应的会话信息向量。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量，包括：
从该物品的历史销量数据中提取预设数量的连续历史时段内的销量，确定为该物品的历史销量向量；
将该物品的历史销量向量输入预设供应量预测模型的第一全连接层，获取该物品的第一特征向量；
通过预设供应量预测模型的联结层，联结该物品的目标信息向量以及第一特征向量，得到该物品的第二特征向量；
将该物品的第二特征向量输入预设供应量预测模型的第二全连接层，获取该物品的预测供应量。
5.根据权利要求1所述的方法，其特征在于，所述根据各物品的目标信息数据进行分类，确定各物品的目标类别，包括：
采用单通道SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别。
6.根据权利要求5所述的方法，其特征在于，所述采用单通道SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别，包括：
从所有物品中选择第一物品，获取该第一物品与其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第一物品归为一个类别；
从剩余物品中重新选择第二物品，获取第二物品与剩余物品中其余物品的目标信息向量相似度，将其中相似度大于预设阈值的其余物品与第二物品归为一个类别，重复上述过程直至所有剩余物品完成分类。
7.一种物品供应量的预测设备，其特征在于，包括：
获取单元，用于获取多个物品的标识数据、历史销量数据、以及多段物品咨询会话的会话信息数据，其中会话信息数据包括同一段物品咨询会话中所包括的物品的标识数据；
嵌入层单元，用于根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据；
分类单元，用于根据各物品的目标信息数据进行分类，确定各物品的目标类别；
预测单元，用于根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量；
所述物品的标识数据为标识向量，所述会话信息数据为会话信息向量，其中会话信息向量包括同一段物品咨询会话中所包括的物品的标识向量；
所述嵌入层单元在根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据时，用于：
根据预设的第一哈希函数以及第一嵌入层对每一物品的标识向量进行降维处理，获取各物品的权重向量；
根据预设的第二哈希函数以及第二嵌入层对每一会话信息向量进行降维处理，获取各物品的信息向量；
根据预设的第三嵌入层，获取同一物品的权重向量和信息向量的积，确定为该物品的目标信息向量。
8.根据权利要求7所述的设备，其特征在于，所述嵌入层单元在根据预设的哈希函数以及嵌入层对多个物品的标识数据、以及多段物品咨询会话的会话信息数据进行学习，获取各物品的目标信息数据时，用于：
对于任一物品的标识向量，根据第一哈希函数对该物品的标识向量进行降维，并将降维结果输入第一嵌入层进行映射，得到该物品的d维度的权重向量；
对于任一会话信息向量，根据d个第二哈希函数分别对该会话信息向量分别进行降维，将各会话信息向量的d个降维结果分别输入第二嵌入层进行映射，最终得到各物品的d×k维度的信息向量；
根据第三嵌入层获取同一物品的权重向量和信息向量的积，确定为该物品的1×k维度的目标信息向量。
9.根据权利要求7所述的设备，其特征在于，所述获取单元在获取多个物品的标识数据、以及多段物品咨询会话的会话信息数据时，用于：
获取多个物品的标识、以及多段物品咨询会话；
将各物品的标识分别转化为标识向量；
对于任一段物品咨询会话，识别该段物品咨询会话中包括的物品，根据所包括的物品的标识向量拼接生成该段物品咨询会话对应的会话信息向量。
10.根据权利要求7-9任一项所述的设备，其特征在于，所述预测单元在根据任一物品的目标信息数据、历史销量数据、以及所属目标类别对应的预设供应量预测模型，确定该物品的预测供应量时，用于：
从该物品的历史销量数据中提取预设数量的连续历史时段内的销量，确定为该物品的历史销量向量；
将该物品的历史销量向量输入预设供应量预测模型的第一全连接层，获取该物品的第一特征向量；
通过预设供应量预测模型的联结层，联结该物品的目标信息向量以及第一特征向量，得到该物品的第二特征向量；
将该物品的第二特征向量输入预设供应量预测模型的第二全连接层，获取该物品的预测供应量。
11.根据权利要求7所述的设备，其特征在于，所述分类单元在根据各物品的目标信息数据进行分类，确定各物品的目标类别时，用于：
采用单通道SinglePass聚类算法，根据各物品的目标信息向量进行分类，确定各物品的目标类别。
12.一种电子设备，其特征在于，包括：至少一个处理器；以及存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-6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，当处理器执行所述计算机执行指令时，实现如权利要求1-6任一项所述的方法。
14.一种计算机程序产品，包括计算机指令，其特征在于，该计算机指令被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246283.4A CN113837492B (zh) | 2021-10-26 | 2021-10-26 | 物品供应量的预测方法、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246283.4A CN113837492B (zh) | 2021-10-26 | 2021-10-26 | 物品供应量的预测方法、设备、存储介质及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837492A CN113837492A (zh) | 2021-12-24 |
| CN113837492B true CN113837492B (zh) | 2024-05-21 |
Family
ID=78966102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111246283.4A Active CN113837492B (zh) | 2021-10-26 | 2021-10-26 | 物品供应量的预测方法、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837492B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049161B (zh) * | 2022-08-12 | 2023-04-18 | 深圳市深信信息技术有限公司 | 基于云计算的智能农贸市场管理方法及处理器 |
| CN116703470B (zh) * | 2023-08-09 | 2024-01-12 | 深圳市土地公网络科技有限公司 | 供应信息的预测方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
| CN109948242A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于特征哈希的网络表示学习方法 |
| CN110070382A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN110503495A (zh) * | 2018-05-16 | 2019-11-26 | 北京京东尚科信息技术有限公司 | 用于获取信息的方法及装置 |
| CN112288457A (zh) * | 2020-06-23 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
| CN112308282A (zh) * | 2019-11-27 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、电子设备和计算机存储介质 |
| CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
| KR20210105009A (ko) * | 2020-02-18 | 2021-08-26 | 주식회사 와이즈패션 | 주문 트렌드 분석 서비스를 제공하는 프로그램 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200133A1 (en) * | 2002-04-19 | 2003-10-23 | Inventec Corporation | Network-based productivity forecast and responding system and method |
| US20210166179A1 (en) * | 2019-02-01 | 2021-06-03 | Target Brands, Inc. | Item substitution techniques for assortment optimization and product fulfillment |
-
2021
- 2021-10-26 CN CN202111246283.4A patent/CN113837492B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
| CN110070382A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN110503495A (zh) * | 2018-05-16 | 2019-11-26 | 北京京东尚科信息技术有限公司 | 用于获取信息的方法及装置 |
| CN109948242A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于特征哈希的网络表示学习方法 |
| CN112308282A (zh) * | 2019-11-27 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、电子设备和计算机存储介质 |
| KR20210105009A (ko) * | 2020-02-18 | 2021-08-26 | 주식회사 와이즈패션 | 주문 트렌드 분석 서비스를 제공하는 프로그램 |
| CN112288457A (zh) * | 2020-06-23 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
| CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| "改进的BP神经网络及其在销量预测中的应用";毕建涛 等;《山东理工大学学报(自然科学版)》;20111231;第25卷(第06期);第29-33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837492A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
| CN113837492B (zh) | 物品供应量的预测方法、设备、存储介质及程序产品 | |
| CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
| CN112381216B (zh) | 混合图神经网络模型的训练、预测方法和装置 | |
| CN110427560A (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
| CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN110825968A (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
| CN108629358B (zh) | 对象类别的预测方法及装置 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN111382190A (zh) | 一种基于智能的对象推荐方法、装置和存储介质 | |
| CN109214407A (zh) | 事件检测模型、方法、装置、计算设备及存储介质 | |
| Song et al. | Gratis: Deep learning graph representation with task-specific topology and multi-dimensional edge features | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| CN114943017A (zh) | 一种基于相似性零样本哈希的跨模态检索方法 | |
| CN110443574B (zh) | 多项目卷积神经网络评审专家推荐方法 | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN113032676B (zh) | 基于微反馈的推荐方法和系统 | |
| CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
| CN112559877A (zh) | 基于跨平台异构数据及行为上下文的ctr预估方法及系统 | |
| JP6927409B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN117011751A (zh) | 使用变换器网络分割视频图像序列 | |
| Nguyen et al. | Mutual information estimation for filter based feature selection using particle swarm optimization | |
| CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| CN115564532A (zh) | 序列推荐模型的训练方法及装置 |
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 |