CN114445167A - 用于项目的列表的状况预测 - Google Patents

Abstract

描述了用于项目的列表的状况预测。初始地，从基于网络的列表平台的列表获得信息，例如从基于网络的列表平台的存储设备或者从接收到的用于创建列表的列表输入获得信息。在一个或更多个实现方式中，所获得的信息包括与由列表列出的项目相关联的图像和/或文本，例如项目的图像、描述项目的文本以及/或者列表的文本标题，仅举几例。确定在列表中缺少发布需求，其中发布需求对应于项目的状况。为了满足发布需求，使用机器学习对图像和/或文本进行处理以预测状况。然后，输出包括所预测的状况的经更新的列表。

Description

用于项目的列表的状况预测

技术领域

本申请涉及用于项目列表的状况预测。

背景技术

服务提供商系统继续在计算技术上取得进步，这使得能够向客户端设备显现各种列表。随着这些进步，服务提供商和相关联应用的数量不断增加，从而针对各种列出的“项目”向客户端设备显现列表。由这些服务提供商列出的项目的示例包括产品和服务，例如消费产品(新的和使用过的)、金融工具、不动产、物业租赁、服务提供(例如，房屋清洁、临时保姆、环境美化等)、分类提供等。此外，一些服务提供商可以显现涵盖如下各种类别的消费产品的列表，其通过示例而非限制的方式包括：汽车、时装、电子产品、收藏品、艺术品、家居和园艺、体育用品、玩具、商业和工业以及音乐，仅举几例。

由于服务提供者显现(例如，发布)针对新的项目的列表和针对使用过的项目的列表两者，因此许多服务提供商还使得用户能够指定所列出项目的状况(例如，新的或使用过的)。然后，这些服务提供商可以发布项目的状况作为该项目的列表的一部分，例如当输出该项目的列表时，可以显示或以其他方式呈现该状况。然而，一些服务提供商可以限制用户从预定义状况的有限列表中选择状况。对于一些类别的项目例如收藏品和艺术品，服务提供商的列表中的有限状况可能无法准确地传达许多项目的实际状况。对于收藏品和艺术品，例如，这些类别中的许多项目在某种意义上可能是“使用过的”，然而，项目中的一些可能已经过一段时间的护理或处理，使得这些项目更像是“新的”项目而不是像使用过的项目。由于这种脱节，服务提供商系统所允许的有限状况可能会阻止用户——其创建针对收藏品和艺术品的列表——指定与其列表相关的状况。因此，服务提供商系统可能发布很多缺少所列出的项目的指定状况的列表。

发明内容

为了克服这些问题，在数字媒体环境中利用了用于项目的列表的状况预测。初始地，从基于网络的列表平台的列表获得信息，例如从基于网络的列表平台的存储设备或者从接收到的用于创建列表的列表输入获得信息。在一个或更多个实现方式中，所获得的信息包括与由列表列出的项目相关联的图像和/或文本，例如项目的图像、描述项目的文本以及/或者列表的文本标题，仅举几例。确定在列表中缺少发布需求，其中发布需求对应于项目的状况。例如，这可能在与列表相关联的用户在提供用于创建列表的列表输入时未指定状况时发生。为了满足发布需求，使用机器学习对图像和/或文本进行处理以预测状况。然后，输出包括所预测的状况的经更新的列表。

根据一种实施方式，提供了一种方法，该方法包括：从基于网络的列表平台的列表获得信息，所述信息包括与由所述列表列出的项目相关联的图像或文本中至少之一；确定在所述列表中缺少发布需求，所述发布需求对应于所述项目的状况；使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述状况；以及输出包括所预测的状况的经更新的列表。

根据一种实施方式，提供了一种系统，该系统包括：至少一个存储设备，其用于存储基于网络的列表平台的列表，所述列表包括与由所述列表列出的项目相关联的图像或文本中至少之一；状况预测系统，其用于：响应于确定在所述列表中缺少发布需求，使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述项目的状况，所述发布需求对应于所述状况；以及输出包括所预测的状况的经更新的列表。

根据一种实施方式，提供了一种存储有指令的计算机可读存储介质，所述指令能够由一个或更多个处理器执行以执行操作，所述操作包括：从基于网络的列表平台的列表获得信息，所述信息包括与由所述列表列出的项目相关联的图像或文本中至少之一；确定在所述列表中缺少发布需求，所述发布需求对应于所述项目的状况；使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述状况；以及输出包括所预测的状况的经更新的列表。

本发明内容以简化形式介绍了一些构思，这些构思将在下面的详细描述中进一步描述。因此，本发明内容既不旨在识别所要求保护的主题的必要特征，也不旨在用作帮助确定所要求保护的主题的范围。

附图说明

参照附图描述具体实施方式。

图1是可操作以采用本文所描述的技术的示例实现方式中的环境的图示。

图2描绘了如下场景的示例：经由用户接口针对列表指定发布需求；以及如下场景的示例：未针对列表指定发布需求。

图3是其中图1的状况预测系统预测由列表列出的项目的状况并且用所预测的状况更新列表的示例实现方式。

图4描绘了用于预测所列出的项目的状况的机器学习的示例实现方式。

图5描绘了显示如下列表的用户接口的示例，该列表被更新以包括使用机器学习预测的状况。

图6描绘了其中预测由列表列出的项目的状况的示例实现方式中的过程。

图7示出了包括示例设备的各种部件的示例系统，该示例设备可以被实现为参照图1至图6描述和/或利用的任何类型的计算设备以实现本文所描述的技术的实施方式。

具体实施方式

概述

服务提供商系统继续在计算技术上取得进步，这使得各种项目列表能够发布到客户端设备和第三方平台，例如搜索引擎平台。此外，一些服务提供商可以针对涵盖如下各种类别的产品发布列表，其通过示例而非限制的方式包括：汽车、时装、电子产品、收藏品、艺术品、家居和园艺、体育用品、玩具、商业和工业以及音乐，仅举几例。由于这些列表中的一些针对新的项目而一些针对使用过的项目，因此许多服务提供商还使得由与该列表相关联的用户指定该项目的状况(例如，新的或使用过的)。

然而，服务提供商可能使用户限于从预定义状况的有限列表中选择状况。对于一些类别的项目例如收藏品和艺术品，这些有限状况可能无法准确地传达许多项目的实际状况。对于收藏品和艺术品，例如，这些类别中的许多项目在某种意义上可能是“使用过的”，然而，项目中的一些可能已经过一段时间的护理或处理，使得这些项目更像是“新的”项目而不是使用过的项目。由于这种脱节，服务提供商系统所允许的有限状况可能会阻止用户——其创建针对收藏品和艺术品的列表——指定与其列表相关的状况。因此，服务提供商系统可以发布许多缺少所列出的项目的指定状况的列表。

尽管由列表平台发布的许多列表可能缺少状况，但是列表被发布至的第三方平台可能需要该状况。例如，这样的第三方平台可能需要该状况以便发布与列表对应的数字内容，例如经由第三方平台可访问的一个或更多个发布通道来发布数字内容。例如，在一个或更多个实现方式中，第三方平台可能需要该状况以便经由第三方平台可访问的各种通道来发布针对列表的数字内容(例如，搜索结果或广告)。第三方平台可以经由其发布列表平台的列表的通道的示例包括专用计算机应用、搜索引擎接口、经由搜索引擎接口获得的搜索结果、被包括为网页的一部分的广告位等。

就第三方平台要求状况以便进一步传播列表(例如，通过搜索结果、广告等中的列表发布)而言，该状况可以被称为“发布需求”。当列表不包括状况或包括无效状况时，列表可以被认为“缺少”发布需求。常规方法可以仅针对检测到的缺少状况(例如，“使用过的”)选择默认值，并且然后将项目的状况设置为默认值。这样的方法可能导致传播关于所列出的项目的不准确信息。

为了克服这些问题，在数字媒体环境中利用了针对项目列表的状况预测。初始地，基于网络的列表平台获得与平台的列表相关的信息。基于网络的列表平台可以从平台的存储设备或者从接收到的用于创建列表的列表输入获得信息，例如，该信息是通过网络从计算设备接收到的。不管如何获得，信息都包括与由列表列出的项目相关联的图像或文本中至少之一。例如，该信息可以包括将被包括为列表的一部分的项目的一个或更多个图像。另外或可替选地，该信息可以包括与项目相关联的文本，例如列表的标题、项目的描述、关于列表和/或项目的卖方的注释、以及与针对列表选择或以其他方式指定的属性对应的文本字符串，仅举几例。

列表平台的状况预测系统确定列表缺少发布需求。根据所描述的技术，缺少发布需求对应于由列表列出的项目的状况。状况预测系统可以通过处理列表信息并识别出未针对列表指定状况来确定列表缺少发布需求。状况预测系统还可以识别出已针对如下状况对值进行选择，该状况指示没有对描述项目的状况的值的选择或指定例如“均未被选择”。可替选地或另外地，状况预测系统可以接收列表缺少发布需求的通知。例如，状况预测系统可以从第三方平台接收这样的通知，例如第三方平台由于缺少状况而拒绝发布列表或列表的一部分的通知。

状况预测系统可以使用机器学习对列表的图像或文本中至少之一进行处理以预测状况。尽管项目的状况在确定状况在列表中缺少时被预测，但是在一个或更多个实现方式中，还可以在其他场景中预测状况。例如，状况预测系统还可以被配置成处理列表的图像或文本中至少之一以验证用户指定的状况。以这种方式，状况预测系统可以校正不正确地指定的状况。例如，如果用户针对实际使用的项目选择了“新的”状况，则状况预测系统可以处理该项目的列表的图像和文字，并且预测该项目被使用。然后，该状况可以在列表中被更新以反映项目的实际状况，而不是由用户不正确地指定的状况。

在一个或更多个实现方式中，机器学习涉及多个机器学习模型以生成状况的预测。然后，这些模型中的至少两个的输出可以通过集合体(ensemble)来组合以生成状况的整体预测。作为示例而非限制，一个或更多个模型可以包括处理项目的图像的深度学习模型、处理列表的文本的多个深度学习模型、处理从列表的文本确定的词频-逆文档频率(TF-IDF)统计的基于TF-IDF的分类器、处理从列表的文本确定的熵统计的统计分类器、以及组合这些模型的输出并生成状况的整体预测的集合体。

一旦状况被预测，就输出包括所预测的状况的经更新的列表。以这种方式，列表平台不仅发布包括所列出的项目的状况的列表，而不是缺少这样的状况的列表，而且还发布具有准确地传达项目实际状况的状况值的列表。此外，状况预测系统无需用户指定状况就可以预测状况并且更新列表。反而，使用机器学习自动地预测状况。这样的一个优点是可以对数百、数千或更多个列表来预测状况，而不涉及与那些列表相关联的用户更新其状况。这样，与当未使用机器学习来预测所述状况时相比，列表平台可以将其列表中的更多列表发布到需要列表的第三方平台。通过确保传播更多数量的列表，列表平台还可以实现其列表的更高转换。另外地，机器学习可以将状况分配给被分类在如下类别中的项目的列表，其中预定列表可能不会明显地向人类用户传达该项目的状况，从而使得该状况的选择对列表用户具有挑战性。因此，机器学习可以预测收藏品例如交易卡、硬币和纸币、艺术品等的状况。

在以下讨论中，首先描述可以采用本文所描述的技术的示例环境。然后描述可以在示例环境以及其他环境中执行的示例实现方式的细节和过程。因此，示例过程的执行不限于示例环境并且示例环境不限于示例过程的执行。

示例环境

图1是可操作以采用如本文所述的针对项目列表的状况预测的示例实现方式中的数字媒体环境100的图示。所示出的环境100包括计算设备102、列表平台104和第三方平台106。计算设备102、列表平台104和第三方平台106经由网络108例如因特网彼此通信地耦接。

可以以各种方式配置可用于实现计算设备102、列表平台104和第三方平台106的设备。例如，合适的设备可以被配置为台式计算机、膝上型计算机、移动设备(例如，假设诸如平板电脑或移动电话的手持配置)、可穿戴设备、一个或更多个服务器设备等。因此，合适的设备的范围可以从具有大量存储器和处理器资源的全资源设备(例如，个人计算机、游戏控制台)到具有有限存储器和/或处理资源的低资源设备(例如，可穿戴设备)。另外地，这些设备可以表示多个不同的设备，例如由企业用来“在云上”执行操作的多个服务器，如有关图7进一步描述的。就这些设备可以表示多个不同的设备而言，如有关图7所描述的，不同的设备可以经由网络108或不同的网络通信地耦接以“在云上”处理操作。这样，列表平台104和第三方平台106因此可以被认为是“基于网络”的平台。

计算设备102被示出为包括应用110。应用110表示计算设备102的提供各种功能的各种计算机应用。应用110的一个示例是浏览器，该浏览器使得计算设备102的用户112能够在网络108(例如，因特网)上例如通过导航到网页来访问信息，所述网页由具有基于网络的平台的各种服务提供商来提供。应用110的其他示例包括移动应用，例如电子商务应用、梦幻体育应用、金融工具交易应用、社交网络应用、在线约会应用等。应当理解，在不脱离所描述的技术的精神或范围的情况下，应用110可以包括计算设备102上的或计算设备102能够以其他方式访问的各种计算机应用。

广义地说，应用110中的一个或更多个被配置成使得能够经由与计算设备102相关联的显示设备114来显示数字视觉内容。在所示出的环境100中，显示设备114被描绘为并入计算设备102的外壳内，然而；应当理解，在各种实现方式中，显示设备114可以不被并入计算设备102的外壳内，而是能够例如通过可有线通信的耦接或可无线通信的耦接通信地耦接至计算设备102。

根据所描述的技术，应用110使得能够经由用户接口116的显示设备114来显示。用户112可以经由用户接口116的用户接口元素提供输入，以用列表平台104列出一个或更多个项目。作为示例，用户112可以提供各种输入以指定关于要列出的项目的信息，例如针对列表的图像、针对列表的标题、针对列表的描述、针对列表的卖方的注释、以及针对列表选择属性，仅举几例。用户接口116可以包括用于输入这样的信息的各种用户接口元素，包括例如用于添加图像的按钮(例如，所述按钮当被选择时使得显示用于选择文件例如上载的图像的对话框，使得显示用于选择和上载的图像的库，使得显示用于捕获可以随后上载的新图像的不同接口等)、用于文本输入字段的按钮(例如，用于输入标题、描述和卖方的注释，仅举几例)、可选择以指定针对列表的属性(例如，项目的类别、状况、价格、运输、接受的付款方式或退货信息)的按钮或其他元件(例如，下拉菜单、单选按钮等)等。可替选地或另外，可以使用语音功能例如经由基于语音的用户接口来提供针对列表的信息。应当理解，在所描述的技术的精神或范围内，可以结合生成针对列表的平台104提供各种信息。例如，在不脱离所描述的技术的精神或范围的情况下，用户可以仅提供上述信息中的一些，上述所有信息和/或不同的信息生成列表。

所示出的环境100包括作为信息的一个示例的列表输入118，计算设备102可以将列表输入118提供至列表平台104以生成列表。计算设备102可以响应于用户112例如与用户接口116、与基于语音的用户接口和/或与计算设备102的摄像装置——仅举几例——的交互而将列表输入118提供至列表平台104。此处，列表输入118包括图像120、文本122以及用于列出相应项目的状况124的字段。然而，与图像120和文本122相比，状况124以阴影线描绘。该阴影线指示状况124是如下属性，其可以针对列表平台104的列表来指定，但是其尚未由用户112结合列表输入118来指定，例如用户112可能没有针对状况124选择值，可能针对状况124选择“空”或其他空白值，可能已经跳过了可以指定状况124的列表过程的一部分等。

如上面和下面所述，可以针对项目的状况124选择或以其他方式指定的值的示例在一个或更多个实现方式中可以包括“新的”、“使用过的”或“翻新的”。尽管通常相对于状况“新的”、“使用过的”和“翻新的”来描述用于项目列表的状况预测，但是应当理解，列表平台104在不脱离根据所描述的技术的精神或范围的情况下可以支持针对项目的状况的其他值。例如，结合交易卡，列表平台104可以在一些实现方式中被配置成支持值例如“GemMint”、“Mint”、“Near Mint-Mint”、“Near Mint”、“Excellent-Mint”、“‘Excellent”、“VeryGood-Excellent”、“Very Good”、“Good”、“Fair”和“Poor”，仅举几例。作为另一示例，列表平台104可以在一些实现方式中被配置成支持针对状况的数值，例如可以用于传达硬币的状况的1至70。

不管列表平台104支持状况的特定值如何，列表平台104都被配置成基于列表输入118生成列表126。所示出的环境100包括列表数据128，所述列表数据被示出为存储在存储设备130中并且所述列表数据包括列表126。存储设备130可以表示一个或更多个数据库并且还可以表示能够存储列表的其他类型的存储装置。存储设备130还可以存储各种其他数据，例如描述用户112和列表平台104的其他用户的数据、账户信息(例如，用户名和密码)、支付信息、支付存款信息、用户偏好、隐私信息、对由特定用户列出的项目的引用、关于与特定用户相关联的“存储”或“组”的信息、与特定用户相关联的特权(例如，“解锁”或能够以其他方式访问特定用户的列表平台104的功能)等。

此处，列表数据128用省略号示出以表示列表数据128可以包括针对项目的多个列表。实际上，列表数据128可以包括数千、数十万或者甚至数百万个列表(或更多)。列表平台104可以发布列表数据128的列表，使得列表可以由计算设备102和其他客户端设备经由网络108查看。例如，当列表平台104对应于电子商务平台时，列表可以被发布以被客户端设备查看，并且列表平台104可以(例如，经由用户接口)提供使得那些客户端设备的用户能够购买经由列表列出的项目的功能。

列表数据128的列表也可以经由网络108向第三方平台106提供或另外地被第三方平台106访问。例如，第三方平台106可以包括搜索引擎，并且搜索引擎可以返回列表数据128的列表中的一个或更多个作为与搜索相应项目相关的搜索结果。然而，为了返回列表平台104的作为搜索结果的列表，第三方平台106可以要求列表与某些信息(例如，由列表平台104)一起发布或者以其他方式包括某些信息。例如，第三方平台106可以要求列表平台104的列表(以及任何其他发布平台的列表)包括状况，以经由第三方平台106向客户端设备显现。在不存在状况的情况下，第三方平台106可能不会例如经由第三方平台106的用户接口向客户设备用户显现列表。鉴于此，由列表列出的项目的状况可以被认为第三方平台106的“发布需求”。

如本文所使用的，术语“发布需求”是指列表的属性，其必须被指定，以便经由需要指定该属性的实体将列表或列表的一部分发布或以其他方式提供至一个或更多个客户端设备。除了状况之外，各种实体可能还要求列表包括其他信息，例如图像。在实体要求列出项目的图片的情况下，图像因此可以被视为发布需求。应当理解，发布需求可以源自各种实体。例如，在第三方平台106需要某些信息以经由第三方平台106的用户接口进行发布的情况下，这样的信息可以是源自第三方平台106的发布需求。可替选地或另外地，列表平台104可能需要某些信息以经由列表平台104的用户接口发布至客户端设备。在这种情况下，这样的信息是列表平台104的发布需求。因此，应当理解，“发布需求”在不脱离所描述技术的精神或范围的情况下可以源自各种实体。

就所列出的项目的状况在一个或更多个场景中可能是发布需求而言，列表平台104包括状况预测系统132。通常，状况预测系统132被配置成预测正在列出的项目的状况，而不管该状况是否由用户指定，并且不管该状况是否为发布需求。在一个或更多个实现方式中，状况预测系统132被配置成使用机器学习对图像120或文本122中至少之一进行处理以预测状况124。一旦状况124被预测，则状况预测系统132被配置成更新列表126以包括如使用机器学习预测的状况124。

在所示出的环境100中，描绘了状况预测系统132以输出状况124。与列表输入118和列表数据128中所描绘的状况124相反，然而，所示出的由状况预测系统132正在输出的状况124没有阴影线。这表示由状况预测系统132预测的状况124对应于状况124的指定值(例如，“新的”或“使用过的”而不是空值或未指定值)。由状况预测系统132预测的状况124因此可以通过替换或以其他方式更新未指定的状况124而被并入列表126中。如所预测的，状况124还被配置成满足发布需求，使得需要状况124具有指定值的实体将允许发布具有所预测的状况124的列表126。下面更详细地讨论其中状况预测系统132被配置成生成状况124的预测的方式的细节。

在考虑了示例环境之后，现在考虑根据一个或更多个实现方式的用于针对项目列表的状况预测的技术的一些示例细节的讨论。

用于项目的列表的状况预测

图2在200处描绘了其中经由用户接口针对列表指定发布需求的场景的示例以及其中未针对列表指定发布需求的场景的示例。

所示出的示例200描绘了用户接口116，该用户接口包括用于提供信息以生成列表例如列表126的各种用户接口元素。所示出的示例200包括用户接口116的如下三个呈现，包括第一呈现202、第二呈现204和第三呈现206。

在该示例200中，用户接口116的第一呈现202表示与用户接口116的第二呈现204和第三呈现206对应的时间之前的时间点。此外，用户接口116的第二呈现204和第三呈现206表示替选场景。如果用户112在第一呈现202处经由用户接口116选择或以其他方式指定状况，则显示用户接口的第二呈现204。可替选地，如果用户112没有选择状况或选择与状况的指定不对应于的选项，则显示用户接口116的第三呈现206。

此处，用户接口116包括经由用户接口116提供的用于创建列表例如列表126的信息的示例。作为示例，如在该示例200中描绘的用户接口116包括标题208、类别210、图像120、描述212和状况指定元素214。根据所描述的技术，标题208和描述212对应于文本122。另外地，类别210的值可以从列表126的属性字段中提取并且转换成文本122。以这种方式，类别210可以像标题208和描述212一样作为文本处理。用户接口116还包括列表编辑元素216，所述列表编辑元素被配置成接收用户输入以改变或以其他方式指定针对列表126的信息，例如改变或指定标题208、类别210、图像120和描述212。应当理解，在不脱离所描述的技术的精神或范围的情况下，用户接口116可以包括不同类型的列表编辑元素，以改变或指定针对列表的信息。另外地或可替选地，在不脱离所描述的技术的精神或范围的情况下，这样的用户接口可以包括编辑元素，以改变和指定针对列表的与标题、类别、图像、描述和状况相同或不同的信息。

在一个或更多个实现方式中，一个或更多个状况指定元素214被配置成接收用户输入以指定针对列表126的状况124。此处，用户(例如，用户112)的手218被描述成表示：用户可以经由状况指定元素214提供输入以针对状况124选择或以其他方式指定多个预定值中的一个。如上所述，用户可以根据所描述的技术例如经由基于语音的接口以其他方式针对状况124选择或以其他方式指定多个预定值中的一个。该示例200对应于如下场景，其中，针对该状况可选择的预定值包括“新的”、“使用过的”和“翻新的”。然而，如上所述，在不脱离所描述技术的精神或范围的情况下，可以针对该状况使用不同的值。

在用户112经由状况指定元素214针对状况124选择预定值之一的情况下，第二呈现204对应于用户接口116的显示。特别地，与第二呈现204相关，用户112已经选择了“新的”值，使得状况124被设置为值“新的”。在这种情况下，列表126可能不会缺少与状况124对应的发布需求，并且因此状况预测系统132可以不用于预测状况124。

作为对比，在用户112没有经由状况指定元素214针对状况124选择预定值中的一个或选择与状况的指定不对应于的选项的情况下，第三呈现206对应于用户接口116的显示。为了表示这一点，在第三呈现206中以“--------”描绘状况指定元素214。在这种情况下，可以确定列表126缺少与状况124对应的发布需求，例如列表输入118可能缺少指定状况124，如图1所示。由于结合第三呈现206未指定状况124，因此列表126可以由列表平台104生成，其中状况124未被初始地指定。在这种情况下，状况预测系统132可以用于预测状况124并且更新列表以包括所预测的状况124。在生成所列出项目的状况的预测的上下文中，考虑以下对图3的讨论。

图3描绘了其中图1的状况预测系统预测由列表列出的项目的状况并且用所预测的状况更新列表的实现方式的示例300。

所示出的示例300根据图1包括具有图像120、文本122和状况124的列表126，该状况在列表126中以阴影线描绘。这表示初始状况124未被指定或者以其他方式由状况预测系统132预测。阴影线还表示状况124要由状况预测系统132预测的状况124替换和/或更新。在该示例300中，描绘了状况预测系统132获得列表126作为输入。

示出了状况预测系统132，该状况预测系统包括发布需求引擎302、机器学习模型304、文本统计引擎306和列表更新引擎308。尽管示出了具有这些各种部件的状况预测系统132，但是应该理解，在实现方式中，在不脱离本文所描述的技术的精神或范围的情况下，状况预测系统132可以包括更少、更多和/或不同的部件。例如，状况预测系统132可以接收在列表中缺少发布需求的指示，而不是包括确定是否在列表中缺少发布需求的发布需求引擎302。然后，状况预测系统132可以响应于接收这样的指示而开始对状况124的预测。

不管怎样，发布需求引擎302包括确定列表是否缺少发布需求的功能。发布需求引擎302可以获得列表126或列表126的各种信息作为输入，例如未指定的状况属性。在该示例300中，描绘了发布需求引擎302输出缺少发布需求310，该缺少发布需求指示列表126缺少发布需求。根据所描述的技术，缺少发布需求310对应于由列表126列出的项目的状况124。在不脱离本文所描述的技术的精神或范围的情况下，发布需求引擎302可以被配置成确定列表缺少其他发布需求(例如，一个或更多个图像、标题、描述等)。

机器学习模型304被配置成处理列表126的图像120或文本122中至少之一以预测状况124。为此，列表126的图像120和文本122被描绘为对机器学习模型304的输入。如有关图4所讨论的，机器学习模型304可以包括一个或更多个模型。这些模型可以均被配置成生成项目的状况的单独预测。然后，由多个模型中的每一个输出的中间状况预测可以作为输入提供至集合体(或输出模型)。然后，集合体可以通过处理由上游模型输出的中间预测的组合来生成状况124的整体预测。除了图像120和文本122之外，机器学习模型304中的一个或更多个可以被配置成处理从列表126提取的其他信息或者基于列表126的信息确定的其他信息。在一个或更多个实现方式中，例如，上游机器学习模型304中的至少一个可以被配置成处理文本统计312以生成状况124的中间预测。

在所示出的示例300中，描绘了文本统计引擎306获得列表126的文本122。然后，文本统计引擎306被配置成使用一种或更多种技术对文本进行处理以确定并输出文本统计312。关于确定文本统计312中的一个或更多个，文本统计引擎306可以在计算相应的文本统计之前对文本122进行预处理。例如，文本统计引擎306可以从文本中去除一个或更多个单词(例如，“是(is)”、“为(are)”、“一个(a)”和“该(the)”)，并且连接其余单词。然后，文本统计引擎306使用在没有去除单词的情况下的文本122来计算相应的统计。文本统计312的其他统计可以在不从文本122去除单词的情况下与文本122有关地确定。在一个或更多个实现方式中，文本122至少包括列表126的标题、列表126的描述、与列表126相关联的卖方的注释(如果有的话)以及与列表126的各种属性(例如，类别、关键字等)的值对应的文本字符串，仅举几例。

在一个或更多个实现方式中，文本统计引擎306可以通过将文本122划分成多个组例如两个组——其中一个对应于“使过用的”组，而另一个对应于“新的”组——对文本122进行处理。如下所讨论的，文本统计312可以包括词频-逆文档频率(TF-IDF)。例如，文本统计引擎306可以针对两个组中的每个特征计算TF-IDF，其中列表126的每个文本特征被视为针对TF-IDF计算的“文档”。文本统计引擎306还可以通过两个TF-IDF表针对每个文本特征计算“使用过的”信息熵和“新的”信息熵。因此，文本统计312可以根据所描述的技术被提供至机器学习模型304作为输入。

如上面和下面所讨论的，机器学习模型304预测状况124并且输出它用以与列表126合并。在所示出的示例300中，描绘了机器学习模型304输出所预测的状况124。作为示例，机器学习模型304输出与“新的”或“使用过的”对应的值，使得列表126可以被更新成包括代替未指定或不正确的值(例如，当用户选择“新的”但是机器学习模型的分析指示所列出的项目更像“使用过的”项目时)的输出值。为了更新列表126，状况预测系统132可以使用列表更新引擎308。

列表更新引擎308表示状况预测系统132输出经更新的列表314的功能，该经更新的列表包括使用机器学习模型304预测的状况124。列表更新引擎308可以通过将所预测的状况124并入列表126中来生成经更新的列表314，例如通过用所预测的状况124替换未指定的状况124或者将未指定的状况124的值设置为所预测的状况124的值来生成经更新的列表314。然后，可以将经更新的列表314代替列表126作为列表数据128的一部分存储在存储设备130中。

列表平台104还可以经由一个或更多个客户端设备输出(例如，发布)经更新的列表314用以显示，使得一个或更多个客户端设备显示具有所预测的状况124的经更新的列表314，而不是显示未指定的状况。可替选地或附加地，列表平台104可以将经更新的列表314输出(例如，发布)至第三方平台106，这可以使得经更新的列表314或其部分经由第三方平台106的接口被显示到一个或更多个客户端设备。例如，经更新的列表314或包括所预测的状况124的一部分可以经由第三方平台106的接口被显示到一个或更多个客户端设备。在使用机器学习模型304预测状况124的上下文中，考虑以下对图4的讨论。

图4描绘了其中机器学习用于预测由基于网络的列表平台维护的列表的项目的状况的实现方式的示例400。

在所示出的示例400中，机器学习模型304包括一个或更多个图像深度学习模型402、一个或更多个文本深度学习模型404、TF-IDF分类器406、统计分类器408和集合体410。尽管用这些模型402至410示出，但是应当理解，在不脱离所描述的技术的精神或范围的情况下，机器学习模型304可以在实现方式中包括更少、更多或不同的模型。例如，机器学习模型304可以包括多个文本深度学习模型404，例如六(6)个文本深度学习模型404。可替选地或附加地，机器学习模型304可以包括一个或更多个“基于规则的”模型(未示出)。这样的模型可以被配置成基于列表126的各种特征例如各种信息的存在或不存在来生成针对状况的“使用过的”或“新的”的预测。例如，如果列表包括卖方的注释，则基于规则的模型可能输出“使用过的”的预测，并且如果列表不包括卖方的注释，则可能输出“新的”的预测。在不脱离所描述的技术的精神或范围的情况下，不同的基于规则的模型可以基于列表的各种特征来生成状况的预测。

在示出的示例400中，描绘了一个或更多个图像深度学习模型402接收图像120作为输入，描绘了一个或更多个文本深度学习模型404接收文本122作为输入，描绘了TF-IDF分类器406接收一个或更多个文本统计312作为输入(例如，该分类器可以接收文本统计312的子集作为输入)，并且描绘了统计分类器408接收文本统计312作为输入(例如，该分类器可以接收文本统计312的不同子集作为输入)。另外，描绘了一个或更多个图像深度学习模型402输出中间状况预测412，描绘了一个或更多个文本深度学习模型404输出中间状况预测414，描绘了TF-IDF分类器406输出中间状况预测416，并且描绘了统计分类器408输出中间状况预测418。中间状况预测412至418中的每一个对应于可以针对状况124预测的多个预定值的值。例如，在预定值是“新的”和“使用过的”的情况下，中间状况预测412至418中的每一个对应于由相应的模型预测的“新的”或“使用过的”。因此，中间状况预测412可以对应于“新的”或“使用过的”中的一个，中间状况预测414可以对应于“新的”或“使用过的”中的一个，中间状况预测416可以对应于“新的”或“使用过的”中的一个，并且中间状况预测418可以对应于“新的”或“使用过的”中的一个。

集合体410被配置成接收中间状况预测412至418作为输入，并且基于中间状况预测412至418的组合输出状况124的整体预测。通过使用多个模型的中间状况预测412至418，集合体410可以比仅使用单个模型时更准确地预测列表126的项目的状况124。这是因为集合体410利用将中间状况预测412至418作为输入提供至集合体410的不同模型中的每一个的准确性。

在不脱离所描述的技术的精神或范围的情况下，集合体410可以以各种方式生成其对状况124的预测。例如，集合体410可以通过对中间预测中的每一个进行加权来组合中间状况预测412至418。在一个或更多个实现方式中，可以训练集合体410或者以其他方式学习集合体410的基础模型。这样的训练或学习可以包括通过将在训练或学习期间由集合体410生成的状况预测与作为用于训练或学习的数据集的一部分而包括的预期状况预测进行比较来调整集合体410的内部权重。基于该比较，可以例如根据成本函数、学习函数和/或策略来调整集合体410的内部权重。在一个或更多个实现方式中，集合体410及其内部权重一旦被部署用于操作，例如如果集合体410利用一种或更多种强化学习技术，则可以被更新。

在不脱离所描述的技术的精神或范围的情况下，一个或更多个图像深度学习模型402、一个或更多个文本深度学习模型404、TF-IDF分类器406以及统计分类器408可以以各种方式进行配置和训练，或者基础模型以各种方式以其他方式进行学习。以下讨论描述了一些示例配置以及那些模型的训练和/或学习，但是应当理解，可以根据所描述的技术在实现方式中不同地配置和/或学习所述模型。

关于图像深度学习模型402，例如其可以被配置成接收图像120作为输入，确定图像120的一个或更多个特征，生成表示一个或更多个经确定的特征的向量，提供该向量作为用于基础模型或学习(例如，深度学习)的输入，根据基础模型或学习处理向量(例如，将内部权重应用于嵌入在向量中的特征)，并且输出指示由列表126列出的项目的状况的中间状况预测412。作为示例，一个或更多个特征可以包括图像120的质量的度量，例如图像120的分辨率。通常，具有“新的”状况的项目更有可能由具有较高分辨率图像(或较高质量图片)的列表而不是具有较低分辨率图像(或较低质量图像)的列表列出。另外地或可替选地，一个或更多个特征可以包括美学得分，该美学得分可以指示所描绘的项目如何与一个或更多个新的项目的图像进行比较，使得较高的得分指示所描绘的项目与具有“使用过的”状况的项目相比更类似于具有“新的”状况的项目的描述。

给定这两个示例，可以将图像质量向量和美学得分向量作为输入提供至图像深度学习模型402，然后图像深度学习模型402可以基于其训练和/或学习使用至少一个训练集的历史数据对这些向量进行处理，并且然后图像深度学习模型402可以输出中间状况预测412，该中间状况预测指示由列表126列出的项目的状况(例如，“新的”或“使用过的”)。由图像深度学习模型402输出的中间状况预测412可以以各种方式配置，例如可以被解释为指示预测状况的得分(例如，该状况是对应于“新的”还是“使用过的”)，指示预测状况的数字标签(例如，“0”指示该项目被预测为“使用过的”，“1”指示该项目被预测为“新的”，并且可以输出其他数字以指示其他可预测状况，例如“3”指示该项目被预测为“翻新的”)，或者指示预测状况的文本标签(例如，模型可以仅输出文本标签“新的”或“使用过的”)，仅举几例。

在一个示例中，可以使用一种或更多种迁移学习技术来训练图像深度学习模型402以用作状况预测系统132的一部分。例如，图像深度学习模型402可以初始地被配置为大图像深度学习模型，其通过使用图像的大数据集例如来学习检测图像中描绘的场景和/或对象的特征而被训练。因此，图像深度学习模型402初始地被配置有从图像的大数据集学习的内部权重。“迁移学习”可以涉及使用包括项目的图像的数据集来进一步训练图像深度学习模型402的该初始版本，其中图像被标记有所描绘的项目的状况(例如，图像均与“新的”标签或“使用过的”标签相关联)。因此，可以基于该附加的迁移学习训练来进一步调整图像深度学习模型402的内部权重。在这样的训练期间，图像深度学习模型402可以从训练数据集中接收标记的图像作为输入，并且预测图像中描绘的项目的状况。然后，将该预测状况与图像的标签进行比较，并且可以基于比较调整模型的内部权重。

在这种情况下，图像深度学习模型402可以被配置有：第一层，其对应于要预测的图像的输入层；中间层，其将会从大训练集学习的初始权重开始进行微调并且使用特定状况预测图像数据集进一步调整；以及最后层，其是被配置成输出项目状况的分类的输出层。以这种方式，图像深度学习模型402被配置成重新使用从图像的初始大数据集学习的图像特征中的至少一些。在一个或更多个实现方式中，由图像深度学习模型402输出的二进制输出得分可以用作向其他机器学习预测算法的特征输入，例如对集合体410的输入。

关于文本深度学习模型404，这些一个或更多个模型可以被配置成接收文本122作为输入，确定文本122的特征(例如，自然语言处理(NLP)特征)，根据基础模型或学习来处理文本(例如，将模型的内部权重应用于在文本122中确定的特征)，并且输出指示由列表126列出的项目的状况的中间状况预测414。如上所述，机器学习模型304可以包括多个文本深度学习模型404(例如，在一个示例中，6个文本深度学习模型)，每个文本深度学习模型被配置成接收文本122作为输入并且输出相应的中间状况预测。例如，如果机器学习模型304包括六个文本深度学习模型404，则那些模型生成六个中间状况预测414，由模型中的每一个输出一个预测。

在一个示例中，可以基于从列表的历史文本数据中识别出的NLP特征，将文本深度学习模型404训练为深度学习模型(例如，神经网络)。该训练可以涉及使用包括与项目的列表相关联的文本的编译的数据集。编译中的每一个可以对应于项目的单独列表，并且包括例如列表的标题、所列出的项目的描述、卖方的注释以及与列表的可选属性或可指定属性对应的文本信息。此外，编译可以对应于这些基于文本的属性中的每一个的级联。此处，每个编译可以标记有相应项目的状况(例如，编译均与“新的”标签或“使用过的”标签相关联)。在训练期间，文本深度学习模型404可以从训练数据集接收标记的编译作为输入，并且预测与该编译对应的项目的状况作为输出。然后，将该预测状况与编译的标签进行比较，并且可以基于比较调整模型的内部权重。通过以这种方式利用基于NLP特征生成的文本深度学习模型404(例如，神经网络)，列表的每个基于文本的特征可以由文本深度学习模型404处理，并且文本深度学习模型404中的每一个可以自动识别最能指示相应项目的状况(例如，“新的”或“使用过的”)的文本特征，并且无需用户干预。

如上所述，TF-IDF分类器406可以接收文本统计312的至少一个子集或者诸如指示文本统计312的子集的向量的数据作为输入，并且输出指示由列表126列出的项目的状况的中间状况预测416。在一个或更多个实现方式中，可以通过将文本122的特征(例如，标题、描述、卖方的注释和属性的文本)划分成组例如“新的”组和“使用过的”组来计算由TF-IDF分类器406接收为输入的文本统计312。可以针对这些特征中的每一个计算TF-IDF得分，使得每个特征被视为针对TF-IDF计算的“文档”，例如标题被视为文档，描述被视为文档等。基于TF-IDF得分，TF-IDF分类器406被配置成将输入(例如，特定列表的文本统计)分类为多个类别(例如，其对应于状况属性的可选值)中的一个，并且输出预测类别。因此，中间状况预测416对应于如下预测类别，其由TF-IDF分类器406基于处理从列表126的文本122确定的TF-IDF得分而输出。

同样，统计分类器408也可以接收文本统计312的至少一个子集或者诸如指示文本统计312的子集的向量的数据作为输入。然而，由统计分类器408接收为输入的文本统计312的子集可以与由TF-IDF分类器406接收为输入的统计不同。例如，统计分类器408可以接收从文本122确定的熵信息。这可以包括通过两个TF-IDF表接收针对文本特征(例如标题、描述、卖方的注释和属性的文本)中的每一个的“使用过的”熵信息和“新的”熵信息。基于熵信息，统计分类器408被配置成将输入(例如，特定列表的文本统计)分类为多个类别(例如，其对应于状况属性的可选值)中的一个，并且输出预测类别。因此，中间状况预测418对应于统计分类器408基于处理从列表126的文本122确定的熵信息(例如，“使用过的”信息熵和“新的”信息熵)而输出的预测类别。

不管所使用的模型的特定组合如何，集合体410组合上游模型的中间状况预测，并且基于来自上游模型的输出来输出整体状况124。集合体410可以被认为是来自一个或更多个图像深度学习模型402、一个或更多个文本深度学习模型404、TF-IDF分类器406以及统计分类器408的“下游”模型。这是因为集合体410接收那些模型的输出作为输入——上游模型的输出像流一样流入下游模型(即，集合体410)作为输入。在输出项目的预测状况的上下文中，考虑以下对图5的讨论。

图5描绘了显示被更新成包括使用机器学习预测的状况的列表的用户接口的示例500。

所示出的示例500包括显示项目的列表504的用户接口502。此处，用户接口502显示列表504的标题506、列表504的类别508、列表504的状况510以及其他信息512。应当理解，根据所描述的技术，列表可以与其他信息一起显示。然而，所显示的列表504的状况510对应于由机器学习模型304生成的预测，例如状况510可以对应于由机器学习模型304输出的状况124，并且列表504可以对应于经更新的列表314。

此处，用户接口502可以对应于列表平台104的用户接口，例如由相应的应用110经由计算设备102的显示设备114显示。尽管在该示例500中，状况被显示为列表504的一部分，但是状况510和/或列表504的一部分可以在不脱离所描述的技术的精神或范围的情况下以其他方式输出，例如经由通过第三方平台106向客户端设备显现的广告输出。列表504的包括状况的一部分可以在不脱离所描述的技术的精神或范围的情况下以其他方式输出(例如，显示或可听地输出)。

在讨论了用于针对项目列表的状况预测的技术的示例细节之后，现在考虑一些示例过程来说明该技术的附加方面。

示例过程

本部分描述了在一个或更多个实现方式中用于针对项目列表的状况预测的示例过程。该过程的各方面可以以硬件、固件或软件或其组合来实现。该过程被示出为指定由一个或更多个设备执行的操作的一组框，并且不必限于所示的用于由各个框执行操作的顺序。在至少一些实现方式中，该过程由适当配置的设备例如具有应用110的图1的计算设备102或者具有状况预测系统132的列表平台104来执行。

图6描绘了其中预测由列表列出的项目的状况的示例过程600。

从基于网络的平台的列表获得信息(框602)。根据本文讨论的原理，该信息包括与由列表列出的项目相关联的图像或文本中至少之一。作为示例，列表126或来自列表126的信息由状况预测系统132例如从存储设备130获得。在该示例中，信息包括列表126的图像120或文本122中至少之一。此处，图像120和文本122与由列表126列出的项目相关联，例如图像120描绘了该项目，并且文本122口头传达了关于针对列表126的项目的信息。可替选地或另外地，列表平台104从具有图像120和文本122的计算设备102获得列表输入118。

确定在列表中缺少发布需求(框604)。根据本文讨论的原理，发布需求对应于项目的状况。作为示例，发布需求引擎302确定列表126缺少发布需求并且输出指示发布需求缺少的缺少发布需求310。根据所描述的技术，缺少发布需求310对应于由列表126列出的项目的状况。换句话说，状况124在列表126中缺少，例如状况124尚未由与列表相关联的用户112指定或者状况124将由机器学习模型304进行验证以确保列表平台104不向访问列表平台104的客户端设备显现不正确的状况。因此，在一个或更多个场景中，状况124可能尚未由与列表126相关联的用户指定。此外地，状况124可以由第三方平台106要求。

使用机器学习对列表的图像或文本中至少之一进行处理以预测状况(框606)。作为示例，机器学习模型304处理图像120或文本122中至少之一以预测状况124，如图3中所描绘的。在一个或更多个实现方式中，机器学习模型304处理图像120和文本122两者以预测状况124，如有关图3和图4详细描述的。机器学习模型304还可以使用其他信息例如文本统计312来预测状况124，该文本统计可以包括针对文本122的一个或更多个部分的TF-IDF得分以及针对文本122的一个或更多个部分确定的熵信息。此外，机器学习模型304可以被用来响应于在框604处确定在列表126中缺少发布需求对图像120和/或文本122进行处理。

输出包括所预测的状况的经更新的列表(框608)。作为示例，列表更新引擎308输出包括所预测的状况124的经更新的列表314。为了输出经更新的列表314，列表更新引擎308通过用由机器学习模型304预测的状况124替换未指定或未验证的状况124来更新列表126。列表更新引擎308还可以被配置成通过将未指定的状况124设置为由机器学习模型304预测的状况来更新列表126。

在一个或更多个实现方式中，列表平台104可以通过发布经更新的列表314来进一步输出经更新的列表314以与所预测的状况124一起显示，例如经由列表平台104的用户接口进行显示。可替选地或另外地，列表平台104可以将具有所预测的状况124的经更新的列表314提供至第三方平台106。以这种方式，第三方平台106可以例如经由第三方平台106的用户接口、经由由第三方平台106向客户端设备显现的广告等使经更新的列表314(或经更新的列表314的一部分)输出至一个或更多个客户端设备。

已经描述了根据一个或更多个实现方式的示例过程，现在考虑可以用于实现本文所描述的各种技术的示例系统和设备。

示例系统和设备

图7示出了包括示例计算设备702的一般地在700处的示例系统，该示例计算设备表示可以实现本文所描述的各种技术的一个或更多个计算系统和/或设备。这通过包括应用110和状况预测系统132来示出。计算设备702可以是例如服务提供商的服务器、与客户端相关联的设备(例如，客户端设备)、芯片上系统和/或任何其他合适的计算设备或计算系统。

所示出的示例计算设备702包括处理系统704、一个或更多个计算机可读介质706以及彼此通信地耦接的一个或更多个I/O接口708。尽管未示出，但是计算设备702还可以包括将各种部件彼此耦接的系统总线或者其他数据和命令传输系统。系统总线可以包括如下不同总线结构中任一种或其组合，例如存储器总线或存储器控制器、外围总线、通用串行总线以及/或者利用各种总线架构中的任何一种的处理器总线或本地总线。还考虑了各种其他示例，例如控制线和数据线。

处理系统704表示使用硬件执行一个或更多个操作的功能。因此，处理系统704被示出为包括可以被配置为处理器、功能块等的硬件元件710。这可以包括在硬件中实现为使用一种或更多种半导体形成的专用集成电路或其他逻辑器件。硬件元件710不受形成它们的材料或其中所采用的处理机制的限制。例如，处理器可以包括半导体和/或晶体管(例如，电子集成电路(IC))。在这种情况下，处理器可执行指令可以是电子可执行指令。

计算机可读存储介质706被示出为包括存储器/存储装置712。存储器/存储装置712表示与一个或更多个计算机可读介质相关联的存储器/存储装置容量。存储器/存储装置部件712可以包括易失性介质(例如，随机存取存储器(RAM))和/或非易失性介质(例如，只读存储器(ROM)、闪存、光盘、磁盘等)。存储器/存储装置部件712可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移除介质(例如，闪存、可移除硬盘驱动器、光盘等)。如下面进一步描述的，计算机可读介质706可以以各种其他方式配置。

输入/输出接口708表示允许用户向计算设备702输入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或其他部件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，电容或其他传感器，其被配置成检测物理触摸)、摄像装置(例如，其可以采用可见波长或不可见波长例如红外频率以将运动识别为不涉及触摸的手势)等。输出设备的示例包括显示设备(例如，监视器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，如下面进一步描述的，计算设备702可以以各种方式配置以支持用户交互。

本文可以在软件、硬件元件或程序模块的一般上下文中描述各种技术。通常，这样的模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、部件、数据结构等。如本文所使用的术语“模块”、“功能”和“部件”通常表示软件、固件、硬件或其组合。本文所描述的技术的特征与平台无关，这意味着可以在具有各种处理器的各种商业计算平台上实现本技术。

所描述的模块和技术的实现方式可以存储在一些形式的计算机可读介质上或者在一些形式的计算机可读介质上传输。计算机可读介质可以包括可以由计算设备702访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

“计算机可读存储介质”可以指与仅信号传输、载波或信号本身相比能够实现信息的持久和/或非暂态存储的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性介质和非易失性介质、可移除介质和不可移除介质的硬件以及/或者以下述方法和技术实现的存储设备：该方法和技术适于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的信息。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字多功能磁盘(DVD)或其他光学存储装置、硬盘、磁带盒、磁带、磁盘存储设备或其他磁性存储设备、或其他存储设备、有形介质或适于存储所需信息且可以由计算机访问的制品。

“计算机可读信号介质”可以指信号承载介质，其被配置成例如经由网络将指令传输至计算设备702的硬件。信号介质通常可以在诸如载波、数据信号或其他传输机制的调制数据信号中包括计算机可读指令、数据结构、程序模块或其他数据。信号介质还包括任何信息传递介质。术语“调制数据信号”意味着如下信号，其特征中的一个或更多个以对信号中的信息进行编码的方式被设置或改变。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接的有线介质以及诸如声学、RF、红外和其他无线介质的无线介质。

如先前所描述的，硬件元件710和计算机可读介质706表示以硬件形式实现的模块、可编程设备逻辑和/或固定设备逻辑，其可以在一些实施方式中被采用以实现本文所描述的技术的至少一些方面例如执行一个或更多个指令。硬件可以包括集成电路的部件或片上系统的部件、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及在硅或其他硬件中的其他实现方式。在该上下文中，硬件可以操作为处理设备，该处理设备执行如下程序任务，其由硬件所体现的指令和/或逻辑以及用于存储用于执行的指令的硬件例如先前所描述的计算机可读存储介质来限定。

也可以采用前述的组合来实现本文所描述的各种技术。因此，软件、硬件或可执行模块可以被实现为如下一个或更多个指令和/或逻辑，其体现在某种形式的计算机可读存储介质上以及/或者由一个或更多个硬件元件710实现。计算设备702可以被配置成实现与软件和/或硬件模块对应的特定指令和/或功能。因此，可以例如通过使用计算机可读存储介质和/或处理系统704的硬件元件710来至少部分地以硬件实现由计算设备702作为软件可执行的模块的实现方式。指令/或功能可以由一个或更多个制品(例如，一个或更多个计算设备702和/或处理系统704)可执行/可操作，以实现本文所描述的技术、模块和示例。

本文所描述的技术可以由计算设备702的各种配置支持，并且不限于本文所描述的技术的特定示例。如下所述，还可以通过使用分布式系统例如经由平台716在“云”714上全部或部分地实现该功能。

云714包括和/或表示用于资源718的平台716。平台716提取(abstract)云714的硬件(例如，服务器)和软件资源的基础功能。资源718可以包括在远离计算设备702的服务器上执行计算机处理时可以利用的应用和/或数据。资源718还可以包括在因特网上和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。

平台716可以提取资源和功能以将计算设备702与其他计算设备连接。平台716还可以用来提取对资源的缩放，以向经由平台716实现的资源718遇到的需求提供相应的缩放级别。因此，在互连的设备实施方式中，本文所描述的功能的实现可以分布在整个系统700中。例如，该功能可以部分地在计算设备702上以及经由平台716来实现，该平台提取云714的功能。

结论

尽管已经以特定于结构特征和/或方法动作的语言描述了系统和技术，但是应当理解，所附权利要求书中限定的系统和技术不必限于所描述的特定特征或动作。反而，特定特征和动作被公开为实现所要求保护的主题的示例形式。

Claims (20)

1.一种方法，包括：

从基于网络的列表平台的列表获得信息，所述信息包括与由所述列表列出的项目相关联的图像或文本中至少之一；

确定在所述列表中缺少发布需求，所述发布需求对应于所述项目的状况；

使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述状况；以及

输出包括所预测的状况的经更新的列表。

2.根据权利要求1所述的方法，还包括由所述基于网络的列表平台发布所述经更新的列表以与所述预测的状况一起显示。

3.根据权利要求1所述的方法，还包括由所述基于网络的列表平台向需要所述状况用以发布的第三方平台提供具有所述预测的状况的所述经更新的列表。

4.根据权利要求1所述的方法，其中，使用所述机器学习对所述列表的所述图像和所述文本两者进行处理以预测所述状况。

5.根据权利要求1所述的方法，其中，所述状况尚未由与所述列表相关联的用户指定。

6.根据权利要求5所述的方法，其中，在未接收到用于指定所述状况的用户输入的情况下，所述经更新的列表与所述预测的状况一起输出。

7.根据权利要求1所述的方法，其中，所述项目是可收藏项目。

8.根据权利要求1所述的方法，其中，所述项目的状况被预测为新的或使用过的其中之一。

9.根据权利要求1所述的方法，还包括确定关于所述文本的至少部分的一个或更多个文本统计，所述项目的状况部分地基于所述一个或更多个文本统计来预测。

10.根据权利要求1所述的方法，其中，部分地基于所述文本的至少部分的词频-逆文档频率来预测所述项目的状况。

11.根据权利要求1所述的方法，其中，所述机器学习包括多个机器学习模型，并且所述项目的状况被预测为所述多个机器学习模型的输出的组合。

12.根据权利要求11所述的方法，其中，所述多个机器学习模型至少包括第一模型和第二模型，所述第一模型基于所述图像输出所述状况的第一预测，并且所述第二模型基于所述文本输出所述状况的第二预测。

13.根据权利要求1所述的方法，还包括响应于确定在所述列表中缺少所述发布需求，使用所述机器学习对所述列表的所述至少一种图像或文本进行处理。

14.一种系统，包括：

至少一个存储设备，其用于存储基于网络的列表平台的列表，所述列表包括与由所述列表列出的项目相关联的图像或文本中至少之一；

状况预测系统，其用于：

响应于确定在所述列表中缺少发布需求，使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述项目的状况，所述发布需求对应于所述状况；以及

输出包括所预测的状况的经更新的列表。

15.根据权利要求14所述的系统，其中，所述基于网络的列表平台被配置成发布所述经更新的列表以与所述预测的状况一起显示。

16.根据权利要求14所述的系统，其中，所述基于网络的列表平台被配置成向需要所述状况用以发布的第三方平台提供具有所述预测的状况的所述经更新的列表。

17.根据权利要求14所述的系统，其中，所述状况预测系统还被配置成使用所述机器学习对所述列表的所述图像和所述文本两者进行处理以预测所述状况。

18.一种存储有指令的计算机可读存储介质，所述指令能够由一个或更多个处理器执行以执行操作，所述操作包括：

从基于网络的列表平台的列表获得信息，所述信息包括与由所述列表列出的项目相关联的图像或文本中至少之一；

确定在所述列表中缺少发布需求，所述发布需求对应于所述项目的状况；

使用机器学习对所述列表的所述图像或所述文本中至少之一进行处理以预测所述状况；以及

输出包括所预测的状况的经更新的列表。

19.根据权利要求18所述的计算机可读存储介质，其中，所述操作还包括由所述基于网络的列表平台发布所述经更新的列表以与所述预测的状况一起显示。

20.根据权利要求18所述的计算机可读存储介质，其中，所述操作还包括由所述基于网络的列表平台向需要所述状况用以发布的第三方平台提供具有所述预测的状况的所述经更新的列表。

Images