CN114549142A - 一种线上竞价拍卖信息处理方法及系统 - Google Patents
一种线上竞价拍卖信息处理方法及系统 Download PDFInfo
- Publication number
- CN114549142A CN114549142A CN202210260617.1A CN202210260617A CN114549142A CN 114549142 A CN114549142 A CN 114549142A CN 202210260617 A CN202210260617 A CN 202210260617A CN 114549142 A CN114549142 A CN 114549142A
- Authority
- CN
- China
- Prior art keywords
- auction
- commodity
- bidding
- information
- feature
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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]
- G06Q30/0631—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
- G06Q30/08—Auctions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线上竞价拍卖信息处理方法及系统,其中,所述方法包括:根据拍卖特征决策树对发布信息进行特征分类,获得商品拍卖特征信息;根据所述商品拍卖特征信息,确定商品竞价特征信息;构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。解决了现有技术存在对拍卖信息不够准确及时,导致影响商品拍卖效率的技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种线上竞价拍卖信息处理方法及系统。
背景技术
线上竞价拍卖是借助互联网优势进行在线竞拍的交易模式,让多用户同时参与商品竞价,并打破传统线上拍卖模式,让竞拍者都能从中受益,从而提升用户参与度和加快交易循环,最终促进拍品销售,因此对拍卖信息进行高效处理可以将线上拍卖的优势更好发挥。
然而,现有技术存在对拍卖信息不够准确及时,导致影响商品拍卖效率的技术问题。
发明内容
本申请通过提供一种线上竞价拍卖信息处理方法及系统,解决了现有技术存在对拍卖信息不够准确及时,导致影响商品拍卖效率的技术问题,达到通过区块链节点将拍卖信息展示给参与竞拍的用户,对拍卖信息处理更加准确及时,从而提升线上竞拍的公正性和拍卖效率的技术效果。
鉴于上述问题,本发明提供了一种线上竞价拍卖信息处理方法及系统。
第一方面,本申请提供了一种线上竞价拍卖信息处理方法,所述方法包括:获得第一拍卖商品的发布信息;根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;根据所述商品拍卖特征信息,确定商品竞价特征信息;构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
另一方面,本申请还提供了一种线上竞价拍卖信息处理系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一拍卖商品的发布信息;第二获得单元,所述第二获得单元用于根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;第一确定单元,所述第一确定单元用于根据所述商品拍卖特征信息,确定商品竞价特征信息;第三获得单元,所述第三获得单元用于构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;第四获得单元,所述第四获得单元用于对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;第一存储单元,所述第一存储单元用于将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;第一处理单元,所述第一处理单元用于将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请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,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过拍卖特征决策树对拍卖商品的发布信息进行特征分类,并根据分类后的商品拍卖特征信息,确定商品竞价特征信息,将商品竞价特征信息输入商品竞价支持向量机中,获得输出结果即第一商品竞价推荐结果,再对第一拍卖商品的发布信息进行分布式区块链部署,然后将商品拍卖特征信息和第一商品竞价推荐结果,集成存储至所部署的第一拍卖交易单元中,最后将第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖的技术方案。进而达到通过区块链节点将拍卖信息展示给参与竞拍的用户,对拍卖信息处理更加准确及时,从而提升线上竞拍的公正性和拍卖效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种线上竞价拍卖信息处理方法的流程示意图;
图2为本申请一种线上竞价拍卖信息处理方法中确定商品竞价特征信息的流程示意图;
图3为本申请一种线上竞价拍卖信息处理方法中构建商品竞价支持向量机的流程示意图;
图4为本申请一种线上竞价拍卖信息处理方法中获得商品竞价优化支持向量机的流程示意图;
图5为本申请一种线上竞价拍卖信息处理系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一确定单元13,第三获得单元14,第四获得单元15,第一存储单元16,第一处理单元17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意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、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种线上竞价拍卖信息处理方法,所述方法包括:
步骤S100:获得第一拍卖商品的发布信息;
具体而言,线上竞价拍卖是借助互联网优势进行在线竞拍的交易模式,让多用户同时参与商品竞价,并打破传统线上拍卖模式,让竞拍者都能从中受益,从而提升用户参与度和加快交易循环,最终促进拍品销售,因此对拍卖信息进行高效处理可以将线上拍卖的优势更好发挥。所述第一拍卖商品是进行线上竞价拍卖的商品,例如不动产:土地、房产、厂房、商铺、宅基地、烂尾楼等;动产:汽车、机器、设备、古董、字画、烟、酒、金银首饰、玉器、皮草、牛皮等;无形资产:股权、债权、股票、资产包等;生物:鳄鱼、鱼苗、花卉等。所述第一拍卖商品的发布信息是拍卖该商品的商家在线上拍卖平台上发布的商品信息,包括拍卖品的名称、细节描述、拍卖成本价、拍卖的天数、拍卖商品的图片等。
步骤S200:根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;
具体而言,所述拍卖特征决策树是根据商品拍卖特征进行分类的分类器,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。商品拍卖特征可作为所述拍卖特征决策树的内部节点,通过对其进行信息熵的计算,可对熵值最小的特征进行优先分类,直至无法对最后的特征叶节点进行再分,说明分类结束,以此构成了拍卖特征决策树。根据所述拍卖特征决策树对所述发布信息进行特征分类,获得对应的商品拍卖特征信息,包括交易模式、商品类型、商品价值、拍卖时间、加价特征等。
步骤S300:根据所述商品拍卖特征信息,确定商品竞价特征信息;
如图2所示,进一步而言,所所述根据所述商品拍卖特征信息,确定商品竞价特征信息,本申请步骤S300还包括:
步骤S310:根据所述商品拍卖特征信息,确定商品类型特征、商品需求特征和商品价值特征;
步骤S320:获得所述商品类型特征的第一商品卷积特征、所述商品需求特征的第二商品卷积特征,所述商品价值特征的第三商品卷积特征;
步骤S330:对所述第一商品卷积特征、所述第二商品卷积特征和所述第三商品卷积特征进行特征融合,获得所述商品竞价特征信息。
具体而言,根据所述商品拍卖特征信息,确定商品竞价特征信息,所述商品竞价特征信息包括拍卖商品竞价时的起拍价设置、竞价方式、加价特征等。根据所述商品拍卖特征信息,确定商品类型特征、商品需求特征和商品价值特征。所述商品类型特征为拍卖商品的类型,例如不动产、动产、无形资产、生物、服务等;所述商品需求特征为拍卖商品的市场需求,当市场需求较大,而拍卖商品较少时,例如土地拍卖,则该拍卖商品的拍卖价格也就相应提高;所述商品价值特征是拍卖商品的自身价值,包括制作工艺价值、材料价值、收藏价值、所述市场价值等。
卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络,在图像和视频分析领域,比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果,是目前应用最广泛的模型之一。卷积神经网络,从字面上包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器 (卷积) 和后面的分类器 (神经网络)。通过卷积神经网络分别对目标植物特征进行提取分类,获得所对应的所述商品类型特征的第一商品卷积特征、所述商品需求特征的第二商品卷积特征,所述商品价值特征的第三商品卷积特征。通过对所述第一商品卷积特征、所述第二商品卷积特征和所述第三商品卷积特征的卷积计算结果进行特征融合,获得所述商品竞价特征信息。通过卷积网络对商品拍卖特征进行提取计算,使得商品竞价特征提取结果更加准确合理,从而使得后续对商品拍卖价格推荐结果更加准确合理。
步骤S400:构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;
如图3所示,进一步而言,所述构建商品竞价支持向量机,本申请步骤S400还包括:
步骤S410:构建历史商品竞价拍卖数据集,所述历史商品竞价拍卖数据集包括历史商品的竞价特征信息;
步骤S420:按照预定比例对所述历史商品竞价拍卖数据集进行划分,获得第一竞价指标训练样本和第一竞价指标测试样本;
步骤S430:根据所述第一竞价指标训练样本和所述第一竞价指标测试样本,获得第一训练样本竞价推荐标签和第一测试样本竞价推荐标签;
步骤S440:将所述第一竞价指标训练样本和所述第一训练样本竞价推荐标签作为训练数据,构建所述商品竞价支持向量机。
具体而言,构建商品竞价支持向量机,以对拍卖商品起拍竞价进行推荐,支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最优超平面。SVM使用铰链损失函数计算经验风险,并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器。构建历史商品竞价拍卖数据集,所述历史商品竞价拍卖数据集为历史拍卖商品的起拍竞价特征等信息,包括起拍价格、成交价格、加价幅度、竞价方式等。按照预定比例对所述历史商品竞价拍卖数据集进行划分,例如按照训练样本和测试样本6:4的比例进行随机划分,获得划分后对应的第一竞价指标训练样本和第一竞价指标测试样本。
根据所述第一竞价指标训练样本和所述第一竞价指标测试样本,获得第一训练样本竞价推荐标签和第一测试样本竞价推荐标签,包括起拍价格推荐标签、成交价格推荐标签、竞价方式推荐标签等。将所述第一竞价指标训练样本和所述第一训练样本竞价推荐标签作为训练数据,构建所述商品竞价支持向量机。其中,若竞价指标训练样本为线性可分数据,且分类后分别对应竞价推荐标签,则采用所述第一竞价指标训练样本进行训练获得线性分类支持向量机。
若竞价指标训练样本为线性不可分数据,则采用支持向量机内的核函数将各竞价指标训练样本映射至一高维空间,然后训练在该高维空间内采用最优分离超平面将竞价指标训练样本进行分类。通过训练得到所述商品竞价支持向量机,弥补了神经网络收敛速度慢、过拟合等缺点,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得支持向量机的输出结果即第一商品竞价推荐结果,即该拍卖品的商品竞价推荐结果,为拍卖商品竞价推荐提供了一种快速有效的方法,进而快速高效的对拍卖品进行竞价结果的准确推荐的技术效果。
步骤S500:对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;
具体而言,基于区块链数据处理技术,对所述第一拍卖商品的发布信息进行分布式区块链部署,获得对应的区块链存储单元即第一拍卖交易单元。区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账",共同维护一份完整的分布式数据库的新兴技术。由于其不可篡改的特点,区块链存储数据不易丢失和遭到破坏,将拍卖商品的发布信息通过分布式存储至对应的区块链节点单元,从而实现对商品拍卖信息的可追溯性。
步骤S600:将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;
进一步而言,所述将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元,本申请步骤S600还包括:
步骤S610:获得第一拍卖节点信息,将所述商品拍卖特征信息存储至所述第一拍卖节点信息;
步骤S620:获得第二拍卖节点信息,将所述第一商品竞价推荐结果存储至所述第二拍卖节点信息;
步骤S630:将所述第一拍卖节点信息和所述第二拍卖节点信息通过分布式存储,集成存储至所述第一拍卖交易单元。
具体而言,将商品拍卖信息进行去中心化存储,区块链是没有中心化的节点,所述第一拍卖节点信息包含所述商品拍卖特征的存储信息,所述第二拍卖节点信息包含所述第一商品竞价推荐结果的存储信息。将所述第一拍卖节点信息和所述第二拍卖节点信息通过分布式存储,集成存储至所述第一拍卖交易单元,在拍卖时通过区块链节点存储的拍卖信息进行竞价。分布式存储为一种数据存储技术,通过网络使用企业中的每台机器上的磁盘空间,并将这些分散的存储资源构成一个虚拟的存储设备,数据分散的存储在企业的各个角落,通过区块链的方式将信息存储到一个识别码里,达到提升溯源不可更改性和安全性的效果。
步骤S700:将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
具体而言,将所述第一拍卖交易单元存储的拍卖信息包括商品发布基本信息和竞价推荐信息等,通过区块链节点展示给参与竞拍的用户,并基于所述第一拍卖交易单元展示的信息对所述第一拍卖商品进行竞价拍卖,使得对拍卖信息处理更加准确及时,从而提升线上竞拍的公正性和效率。
如图4所示,进一步而言,本申请步骤S440还包括:
步骤S441:将所述第一竞价指标测试样本输入所述商品竞价支持向量机,获得所述第一竞价指标测试样本中各商品竞价推荐结果;
步骤S442:对比所述各商品竞价推荐结果和所述第一测试样本竞价推荐标签,获得所述商品竞价支持向量机的推荐精确度;
步骤S443:如果所述推荐精确度未达到预设精确度,根据所述推荐精确度和所述预设精确度的差值,获得竞价推荐偏差度;
步骤S444:基于PSO算法和所述竞价推荐偏差度,对所述商品竞价支持向量机进行优化训练,获得商品竞价优化支持向量机。
具体而言,为检测所述商品竞价支持向量机准确率,将所述第一竞价指标测试样本输入所述商品竞价支持向量机,获得支持向量机的输出结果即所述第一竞价指标测试样本中各商品竞价推荐结果。对比所述各商品竞价推荐结果和所述第一测试样本竞价推荐标签,当所述各商品竞价推荐结果和所述第一测试样本竞价推荐标签对应一致时,表明所述商品竞价支持向量机评估准确。分别统计所述第一竞价指标测试样本中评估准确和评估错误的样本数量,进而计算得出评估准确样本数量占所述第一竞价指标测试样本总数量的比例即所述商品竞价支持向量机的推荐精确度。
当所述商品竞价支持向量机的评估精确度达到预设精确度标准时,表明支持向量机的推荐评估性能达标,当精确度未达到标准时,基于所述推荐精确度和所述预设精确度的差值,获得竞价推荐偏差度,即需要进行优化的精确度,竞价推荐偏差度越大,向量机输出的商品竞价推荐结果的准确度越低。由于所述商品竞价支持向量机的拟合度较低,无法适应于当前商品竞价推荐,基于PSO算法和所述竞价推荐偏差度,对所述商品竞价支持向量机进行优化训练。PSO算法(Particle swarm optimization,粒子群优化算法),是一种基于种群的随机优化算法,可以模拟并不断迭代最终直到平衡或最优状态,保存平衡或最优状,获得PSO算法优化后的商品竞价优化支持向量机。通过PSO算法优化模型,使得模型输出偏差度减小,提高模型输出结果的精准度和效率,进而提高商品竞价结果的推荐准确性。
进一步而言,本申请步骤S444还包括:
步骤S4441:基于PSO算法初始化粒子群参数,根据所述竞价推荐偏差度和所述粒子群参数迭代计算粒子群适应度函数;
步骤S4442:当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
步骤S4443:将所述最优结果粒子映射到所述商品竞价支持向量机进行优化训练,获得所述商品竞价优化支持向量机。
具体而言,将粒子群优化算法进行初始化,优化的参数为所述商品竞价支持向量机内所有权重的集合。根据所述竞价推荐偏差度和所述粒子群参数迭代计算粒子群适应度函数,所述粒子群适应度函数可以对所述第一商品竞价推荐结果进行优化,以降低所述第一商品竞价推荐结果的偏差度。进一步更新粒子群内粒子的位置和速度,将所有粒子输入模型内进行训练,通过计算粒子群的适应度函数来评估粒子的好坏,以适应度函数来调整每个粒子的位置和速度。当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子。
简单来说,所述PSO算法停止包含两种可能,一种是粒子得到平衡或最优状态,另一种是超过运算限制,对超过运算限制状况不进行具体分析,所述最优结果粒子即为粒子的最优状态;将所述最优结果粒子映射到所述商品竞价支持向量机进行优化训练。优化训练后的所述商品竞价优化支持向量机的输出准确度提高,通过粒子群优化算法对商品竞价支持向量机进行优化训练,使得模型输出偏差度减小,提高模型输出结果的精准度和效率,进而提高商品竞价结果的推荐准确性。
进一步而言,本申请步骤还包括:
步骤S810:根据拍卖商品发布信息库,获得对应的商品拍卖特征信息集;
步骤S820:对所述商品拍卖特征信息集进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
步骤S830:分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
步骤S840:据所述节点特征信息,构建所述拍卖特征决策树。
具体而言,所述拍卖商品发布信息库是历史拍卖商品的发布信息数据库,根据拍卖商品发布信息库,获得对应的商品拍卖特征信息集,以构建拍卖特征决策树。决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。
对所述商品拍卖特征信息集进行主成分分析,主成分分析是最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度,同时保留住较多的原数据点的特性。获得主成分分析降维之后的第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征,例如交易模式、商品类型、商品价值等。降维的目的,就是为了在尽量保证“信息量不丢失”的情况下,对原始特征进行降维,也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影,将原特征投影到这些维度上,使降维后信息量损失最小。
为了具体构建所述拍卖特征决策树,可分别对所述第一特征、所述第二特征以及所述第三特征进行信息熵的运算,即通过信息论编码中的香农公式对其进行信息熵数值的具体计算,进而获得对应的特征信息熵,进一步,信息熵表示信息的不确定度,当不确定性越大时,它所包含的信息量也就越大,信息熵也就越高,纯度也就越低,当集合中的所有样本均匀混合时,信息熵最大,纯度最低。因此,应基于所述数据大小比对模型对所述特征信息熵对其大小数值的比对,继而获得熵值最小的特征,即第一根节点特征信息,通过对熵值最小的特征进行优先分类,继而按照熵值由小到大的顺序,依次对各节点特征进行分类,最终构建所述拍卖特征决策树。使得每个拍卖商品都匹配对应合理的拍卖特征,进而实现对拍卖特征决策树的具体构建。
综上所述,本申请所提供的一种线上竞价拍卖信息处理方法及系统具有如下技术效果:
由于采用了通过拍卖特征决策树对拍卖商品的发布信息进行特征分类,并根据分类后的商品拍卖特征信息,确定商品竞价特征信息,将商品竞价特征信息输入商品竞价支持向量机中,获得输出结果即第一商品竞价推荐结果,再对第一拍卖商品的发布信息进行分布式区块链部署,然后将商品拍卖特征信息和第一商品竞价推荐结果,集成存储至所部署的第一拍卖交易单元中,最后将第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖的技术方案。进而达到通过区块链节点将拍卖信息展示给参与竞拍的用户,对拍卖信息处理更加准确及时,从而提升线上竞拍的公正性和拍卖效率的技术效果。
实施例二
基于与前述实施例中一种线上竞价拍卖信息处理方法同样发明构思,本发明还提供了一种线上竞价拍卖信息处理系统,如图5所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一拍卖商品的发布信息;
第二获得单元12,所述第二获得单元12用于根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;
第一确定单元13,所述第一确定单元13用于根据所述商品拍卖特征信息,确定商品竞价特征信息;
第三获得单元14,所述第三获得单元14用于构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;
第四获得单元15,所述第四获得单元15用于对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;
第一存储单元16,所述第一存储单元16用于将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;
第一处理单元17,所述第一处理单元17用于将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
进一步的,所述系统还包括:
第二确定单元,所述第二确定单元用于根据所述商品拍卖特征信息,确定商品竞价特征信息;
第五获得单元,所述第五获得单元用于获得所述商品类型特征的第一商品卷积特征、所述商品需求特征的第二商品卷积特征,所述商品价值特征的第三商品卷积特征;
第六获得单元,所述第六获得单元用于对所述第一商品卷积特征、所述第二商品卷积特征和所述第三商品卷积特征进行特征融合,获得所述商品竞价特征信息。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于构建历史商品竞价拍卖数据集,所述历史商品竞价拍卖数据集包括历史商品的竞价特征信息;
第七获得单元,所述第七获得单元用于按照预定比例对所述历史商品竞价拍卖数据集进行划分,获得第一竞价指标训练样本和第一竞价指标测试样本;
第八获得单元,所述第八获得单元用于根据所述第一竞价指标训练样本和所述第一竞价指标测试样本,获得第一训练样本竞价推荐标签和第一测试样本竞价推荐标签;
第二构建单元,所述第二构建单元用于将所述第一竞价指标训练样本和所述第一训练样本竞价推荐标签作为训练数据,构建所述商品竞价支持向量机。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于将所述第一竞价指标测试样本输入所述商品竞价支持向量机,获得所述第一竞价指标测试样本中各商品竞价推荐结果;
第十获得单元,所述第十获得单元用于对比所述各商品竞价推荐结果和所述第一测试样本竞价推荐标签,获得所述商品竞价支持向量机的推荐精确度;
第十一获得单元,所述第十一获得单元用于如果所述推荐精确度未达到预设精确度,根据所述推荐精确度和所述预设精确度的差值,获得竞价推荐偏差度;
第十二获得单元,所述第十二获得单元用于基于PSO算法和所述竞价推荐偏差度,对所述商品竞价支持向量机进行优化训练,获得商品竞价优化支持向量机。
进一步的,所述系统还包括:
第一计算单元,所述第一计算单元用于基于PSO算法初始化粒子群参数,根据所述竞价推荐偏差度和所述粒子群参数迭代计算粒子群适应度函数;
第十三获得单元,所述第十三获得单元用于当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
第十四获得单元,所述第十四获得单元用于将所述最优结果粒子映射到所述商品竞价支持向量机进行优化训练,获得所述商品竞价优化支持向量机。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于根据拍卖商品发布信息库,获得对应的商品拍卖特征信息集;
第十六获得单元,所述第十六获得单元用于对所述商品拍卖特征信息集进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
第十七获得单元,所述第十七获得单元用于分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
第三构建单元,所述第三构建单元用于根据所述节点特征信息,构建所述拍卖特征决策树。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于获得第一拍卖节点信息,将所述商品拍卖特征信息存储至所述第一拍卖节点信息;
第十九获得单元,所述第十九获得单元用于获得第二拍卖节点信息,将所述第一商品竞价推荐结果存储至所述第二拍卖节点信息;
第二存储单元,所述第二存储单元用于将所述第一拍卖节点信息和所述第二拍卖节点信息通过分布式存储,集成存储至所述第一拍卖交易单元。
前述图1实施例一中的一种线上竞价拍卖信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种线上竞价拍卖信息处理系统,通过前述对一种线上竞价拍卖信息处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种线上竞价拍卖信息处理系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图6所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请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,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种线上竞价拍卖信息处理方法,其特征在于,所述方法包括:
获得第一拍卖商品的发布信息;
根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;
根据所述商品拍卖特征信息,确定商品竞价特征信息;
构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;
对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;
将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;
将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
2.如权利要求1所述的方法,其特征在于,所述根据所述商品拍卖特征信息,确定商品竞价特征信息,包括:
根据所述商品拍卖特征信息,确定商品类型特征、商品需求特征和商品价值特征;
获得所述商品类型特征的第一商品卷积特征、所述商品需求特征的第二商品卷积特征,所述商品价值特征的第三商品卷积特征;
对所述第一商品卷积特征、所述第二商品卷积特征和所述第三商品卷积特征进行特征融合,获得所述商品竞价特征信息。
3.如权利要求1所述的方法,其特征在于,所述构建商品竞价支持向量机,包括:
构建历史商品竞价拍卖数据集,所述历史商品竞价拍卖数据集包括历史商品的竞价特征信息;
按照预定比例对所述历史商品竞价拍卖数据集进行划分,获得第一竞价指标训练样本和第一竞价指标测试样本;
根据所述第一竞价指标训练样本和所述第一竞价指标测试样本,获得第一训练样本竞价推荐标签和第一测试样本竞价推荐标签;
将所述第一竞价指标训练样本和所述第一训练样本竞价推荐标签作为训练数据,构建所述商品竞价支持向量机。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
将所述第一竞价指标测试样本输入所述商品竞价支持向量机,获得所述第一竞价指标测试样本中各商品竞价推荐结果;
对比所述各商品竞价推荐结果和所述第一测试样本竞价推荐标签,获得所述商品竞价支持向量机的推荐精确度;
如果所述推荐精确度未达到预设精确度,根据所述推荐精确度和所述预设精确度的差值,获得竞价推荐偏差度;
基于PSO算法和所述竞价推荐偏差度,对所述商品竞价支持向量机进行优化训练,获得商品竞价优化支持向量机。
5.如权利要求4所述的方法,其特征在于,所述方法包括:
基于PSO算法初始化粒子群参数,根据所述竞价推荐偏差度和所述粒子群参数迭代计算粒子群适应度函数;
当达到预设终止条件时,获得所述粒子群适应度函数的第一输出结果,所述第一输出结果包括最优结果粒子;
将所述最优结果粒子映射到所述商品竞价支持向量机进行优化训练,获得所述商品竞价优化支持向量机。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
根据拍卖商品发布信息库,获得对应的商品拍卖特征信息集;
对所述商品拍卖特征信息集进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
根据所述节点特征信息,构建所述拍卖特征决策树。
7.如权利要求1所述的方法,其特征在于,所述将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元,包括:
获得第一拍卖节点信息,将所述商品拍卖特征信息存储至所述第一拍卖节点信息;
获得第二拍卖节点信息,将所述第一商品竞价推荐结果存储至所述第二拍卖节点信息;
将所述第一拍卖节点信息和所述第二拍卖节点信息通过分布式存储,集成存储至所述第一拍卖交易单元。
8.一种线上竞价拍卖信息处理系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一拍卖商品的发布信息;
第二获得单元,所述第二获得单元用于根据拍卖特征决策树对所述发布信息进行特征分类,获得商品拍卖特征信息;
第一确定单元,所述第一确定单元用于根据所述商品拍卖特征信息,确定商品竞价特征信息;
第三获得单元,所述第三获得单元用于构建商品竞价支持向量机,将所述商品竞价特征信息输入所述商品竞价支持向量机中,获得第一商品竞价推荐结果;
第四获得单元,所述第四获得单元用于对所述第一拍卖商品的发布信息进行分布式区块链部署,获得第一拍卖交易单元;
第一存储单元,所述第一存储单元用于将所述商品拍卖特征信息和所述第一商品竞价推荐结果,集成存储至所述第一拍卖交易单元;
第一处理单元,所述第一处理单元用于将所述第一拍卖交易单元推送至竞拍用户,并基于所述第一拍卖交易单元进行竞价拍卖。
9.一种线上竞价拍卖信息处理电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一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,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260617.1A CN114549142B (zh) | 2022-03-17 | 2022-03-17 | 一种线上竞价拍卖信息处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260617.1A CN114549142B (zh) | 2022-03-17 | 2022-03-17 | 一种线上竞价拍卖信息处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549142A true CN114549142A (zh) | 2022-05-27 |
CN114549142B CN114549142B (zh) | 2022-07-12 |
Family
ID=81663482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210260617.1A Active CN114549142B (zh) | 2022-03-17 | 2022-03-17 | 一种线上竞价拍卖信息处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549142B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN115293850A (zh) * | 2022-08-08 | 2022-11-04 | 杭州网易云音乐科技有限公司 | 业务处理方法及装置、存储介质、电子设备 |
CN116934438A (zh) * | 2023-04-14 | 2023-10-24 | 济南明泉数字商务有限公司 | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150029483A (ko) * | 2013-09-10 | 2015-03-18 | 이화여자대학교 산학협력단 | 데이터 마이닝을 이용한 공격 탐지 장치 및 방법 |
CN107194722A (zh) * | 2017-05-15 | 2017-09-22 | 马上游科技股份有限公司 | 一种共享经济下的基于数据挖掘的动态定价算法 |
CN112308607A (zh) * | 2020-10-29 | 2021-02-02 | 杭州微拍堂文化创意有限公司 | 一种基于在线拍卖行业的商品人气分预测方法及系统 |
CN112446771A (zh) * | 2020-12-17 | 2021-03-05 | 北京金山云网络技术有限公司 | 在线拍卖系统、方法、装置和电子设备 |
CN113962786A (zh) * | 2021-10-26 | 2022-01-21 | 广州兰汀芷岸信息科技有限公司 | 基于区块链的商品竞价方法、装置、设备及存储介质 |
-
2022
- 2022-03-17 CN CN202210260617.1A patent/CN114549142B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150029483A (ko) * | 2013-09-10 | 2015-03-18 | 이화여자대학교 산학협력단 | 데이터 마이닝을 이용한 공격 탐지 장치 및 방법 |
CN107194722A (zh) * | 2017-05-15 | 2017-09-22 | 马上游科技股份有限公司 | 一种共享经济下的基于数据挖掘的动态定价算法 |
CN112308607A (zh) * | 2020-10-29 | 2021-02-02 | 杭州微拍堂文化创意有限公司 | 一种基于在线拍卖行业的商品人气分预测方法及系统 |
CN112446771A (zh) * | 2020-12-17 | 2021-03-05 | 北京金山云网络技术有限公司 | 在线拍卖系统、方法、装置和电子设备 |
CN113962786A (zh) * | 2021-10-26 | 2022-01-21 | 广州兰汀芷岸信息科技有限公司 | 基于区块链的商品竞价方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN114757724B (zh) * | 2022-06-14 | 2022-09-20 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN115293850A (zh) * | 2022-08-08 | 2022-11-04 | 杭州网易云音乐科技有限公司 | 业务处理方法及装置、存储介质、电子设备 |
CN116934438A (zh) * | 2023-04-14 | 2023-10-24 | 济南明泉数字商务有限公司 | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114549142B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549142B (zh) | 一种线上竞价拍卖信息处理方法及系统 | |
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
WO2020119272A1 (zh) | 风险识别模型训练方法、装置及服务器 | |
WO2020107806A1 (zh) | 一种推荐方法及装置 | |
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN108921569B (zh) | 一种确定用户投诉类型的方法及装置 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN111080360A (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN111680165A (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
CN113254804A (zh) | 一种基于用户属性和行为特征的社会关系推荐方法及系统 | |
CN115860870A (zh) | 一种商品推荐方法、系统、装置及可读介质 | |
CN113144624B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116910373B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN116628349B (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
US20180247246A1 (en) | Method and system for the construction of dynamic, non-homogeneous b2b or b2c networks | |
Thompson et al. | The positronic economist: A computational system for analyzing economic mechanisms | |
US11430033B2 (en) | Methods and systems of utilizing machine learning to provide trust scores in an online automobile marketplace | |
CN114969517A (zh) | 对象推荐模型的训练方法、推荐方法、装置及电子设备 | |
CN112396455A (zh) | 数据资产的定价方法、装置、设备和介质 | |
Navarro-Barrientos et al. | Characterization and analysis of sales data for the semiconductor market: An expert system approach | |
CN111738789A (zh) | 一种物品信息推送方法、装置、设备和存储介质 | |
Mohamed et al. | Price Premiums Prediction using Classification and Regression Trees (CART) Algorithm in eBay Auctions | |
CN114357308B (zh) | 一种基于推荐的制造企业供需对接方法及装置 | |
CN117815674B (zh) | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 | |
US20240046352A1 (en) | Modular blockchain-implemented components for algorithmic trading |
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 |