CN114663135A - 一种信息发送方法、装置、设备和可读介质 - Google Patents
一种信息发送方法、装置、设备和可读介质 Download PDFInfo
- Publication number
- CN114663135A CN114663135A CN202210202397.7A CN202210202397A CN114663135A CN 114663135 A CN114663135 A CN 114663135A CN 202210202397 A CN202210202397 A CN 202210202397A CN 114663135 A CN114663135 A CN 114663135A
- Authority
- CN
- China
- Prior art keywords
- information
- sales
- merchant
- commodity
- target merchant
- 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.)
- Pending
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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种信息发送方法、装置、设备和可读介质。方案可以包括:获取目标商户的第一商品销售日志信息;获取所述目标商户的周边商户的第二商品销售日志信息;基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;将所述第一销量预测信息发送至所述目标商户的商户终端。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种信息发送方法、装置、设备和计算机可读介质。
背景技术
对于线下商户而言,由于缺乏对于各种商品的市场销售情况的了解,导致商家无法及时调整商品的进货策略,由此,容易造成市场上部分商品出现缺货,为用户日常购物带来不便,另一方面,也对商家经营造成损失。
目前,一些商品代理商会为商户提供进货建议,但是这些进货建议往往具有较强的主观意识,无法有效克服市场上商品缺货以及商家经营损失的问题。另外,现有的热品推荐场景下的热品榜单,都是针对历史数据的统计记录来进行推荐,且都是针对一个全局统计指标(例如,销量、价格等)来进行推荐,并没有考虑到商户周围环境的影响,例如,并没有考虑周围商户的商品销售情况,因此,对于具体的一个商户而言,这样的热品榜单对于商户进货策略的调整并不具有很好的推荐性和实用性。
发明内容
本说明书实施例提供一种信息发送方法、装置、设备和计算机可读介质,以解决现有技术中无法为商户进行有效的信息推荐以指导商户进货的问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种信息发送方法,包括:获取目标商户的第一商品销售日志信息;获取所述目标商户的周边商户的第二商品销售日志信息;基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;将所述第一销量预测信息发送至所述目标商户的商户终端。
本说明书实施例提供的一种信息发送装置,包括:第一获取模块,用于获取目标商户的第一商品销售日志信息;第二获取模块,用于获取所述目标商户的周边商户的第二商品销售日志信息;销量预测模块,用于基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;信息发送模块,用于将所述第一销量预测信息发送至所述目标商户的商户终端。
本说明书实施例提供的一种信息发送设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取目标商户的第一商品销售日志信息;获取所述目标商户的周边商户的第二商品销售日志信息;基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;将所述第一销量预测信息发送至所述目标商户的商户终端。
本说明书实施例提供的一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现一种信息发送方法。
本说明书一个实施例至少能够达到以下有益效果:通过使用多任务模型,基于目标商户的第一商品销售日志信息和所述目标商户的周边商户的第二商品销售日志信息,来得到目标商户对应的销量预测信息,并发送至目标商户的商户终端,由此,能够在考虑目标商户的周边环境的情况下对目标商户的商品销售情况进行预测,预测的准确性高,能够针对目标商户进行个性化的热品推荐,至少能够为商户调整进货提供依据,进而达到指导商家增益的目的,且客观上可以为购买商品的用户提供便利。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种向商户进行信息发送的方法的应用场景的示意图;
图2为本说明书实施例提供的一种信息发送方法的流程示意图;
图3为本说明书实施例提供的一种多任务模型的结构示意图;
图4为本说明书实施例提供的一种推荐信息生成方法的流程示意图;
图5为本说明书实施例提供的另一种信息发送方案的流程示意图;
图6为本说明书实施例提供的IODE模块的一种具体实施场景的示意图;
图7为本说明书实施例提供的一种用于确定向商户发送信息的时机的方法的流程示意图;
图8为本说明书实施例提供的一种获取当前时刻的销售特征信息的方法的示意图;
图9为本说明书实施例提供的一种实际应用场景下,热品推荐信息的发送和接收方法的流程示意图;
图10为本说明书实施例提供的对应于图2的一种信息发送装置的结构示意图;
图11为本说明书实施例提供的对应于图2的一种信息发送设备的结构示意图。
具体实施方式
在实际的商品销售场景中,鉴于商家往往缺乏对于周边的商品售卖情况的客观了解,导致商家无法及时对进货进行调整,以至对商家经营造成潜在损失;另外,一些商品代理商对商家所提的进货建议具有主观意识,并不是出于对商家利益的考虑,不具有指导进货的实际价值。
为了解决此问题,本说明书的实施例考虑到线下商店的商家区域分布不均匀、每个商家的商品销售数据稀疏等特点,提出了一种新的热品推荐方案。本说明书实施例的方案通过向商家提供相关热品推荐信息,至少能够达到指导商家增益的目的,且客观上可以为购买商品的用户提供便利。
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书一个或多个实施例保护的范围。
应当理解,尽管在本申请文件中可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例中一种向商户进行信息发送的方法的应用场景的示意图。
如图1所示,服务器可以向商户终端发送基于本说明书实施例的方案确定的推荐信息,以便商户通过商户终端获知所述推荐信息。在可选的实施例中,服务器可以根据预设的信息发送规则主动向商户终端发送推荐信息。在另外可选的实施例中,商户可以通过商户终端向服务器请求推荐信息,从而,服务器响应于商户终端的请求来向商户终端发送所确定的推荐信息。
在本说明书的实施例中,服务器可以包含商品推荐引擎(CommodityRecommendation Engine,CRE)模块,用于确定推荐信息。具体地,商品推荐引擎模块可以基于目标商户的商品销售日志信息以及该目标商户的周边商户的商品销售日志信息,来预测目标商户对应的销量预测信息,作为推荐信息发送至目标商户的商户终端。
现有技术中传统的热品推荐榜单,通常都是基于历史数据的统计记录进行推荐,并不会在考虑周围环境影响的情况下来对指定商户的商品销售情况进行预测,因此不具有用于指导进货的推荐特性;而且,传统方案都是针对一个全局统计指标(例如,销量、价格等)得到的热品推荐榜单,并未针对各商户进行个性化推荐,因此也不具备影响某个商家进出货的条件。
在本说明书的实施例中,在历史统计数据的基础上,综合考虑了各商户的周边商户的销售情况,即,考虑到各商户周边环境中的消费者的整体消费情况,为各商户提供适合于自身的热品预测推荐信息,能够为商家进出货提供更为准确的参考信息。
可选地,在本说明书的实施例中,服务器还可以包含智能编排下发引擎(Intelligent Orchestration Delivery Engine,IODE)模块,用于确定向商户终端发送推荐信息的时机。
尽管,图1示出了一个服务器设备,但是,可以理解,在实际应用时,此处的服务器可以表示任何具有计算、处理能力的装置、设备、平台、设备集群等。
尽管,图1中将商户终端示出为智能盒子,但是在实际应用时,用于从服务器接收推荐信息以提供给商户,以及,用于从商户获取查询信息并发送给服务器的商户终端,也可以是其他形式,例如,可以为计算机、笔记本电脑、移动终端等,不限于此。
如图1中所述,当所述商户终端为智能盒子时,该智能盒子可以包含信息输出模块,还可以包含信息接收模块。具体地,所述信息接收模块可以包括信息显示屏、信息播报器等,所述信息接收模块可以包括扫码单元、按键单元等。另外,智能盒子的功能可以不限于上述功能,例如,还可以具有时钟功能。
此外,尽管在图1中将商户终端示出为硬件形式,但是,并不构成对商户终端的范围的限定。本说明书实施例中的商户终端还可以包括软件形式,例如,可以是安装于硬件设备中的应用程序,更具体地,可以是独立的应用程序(APP)或小程序等。
接下来,将针对说明书实施例提供的一种信息发送方法结合附图进行具体说明:
图2为本说明书实施例提供的一种信息发送方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序。更具体地,可以是服务器中的CRE。
如图2所示,该流程可以包括以下步骤:
步骤202:获取目标商户的第一商品销售日志信息。
步骤204:获取所述目标商户的周边商户的第二商品销售日志信息。
步骤206:基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息。
步骤208:将所述第一销量预测信息发送至所述目标商户的商户终端。
下面对各步骤进行具体说明。
在本说明书的实施例中,当服务器向目标商户进行信息发送前,需要对目标商户的销量预测信息进行计算。考虑到线下店铺的商品信息及商品销售信息比较稀疏,因此可以综合利用目标商户的商品销售信息及其周边商户的商品销售信息,来进行目标商户的销量预测信息的计算。
在步骤202中,服务器可以获取目标商户对应的商品销售日志信息,称为,第一商品销售日志信息。
具体地,所述商品销售日志信息可以包括订单信息,所述第一商品销售日志信息可以包括与目标商户对应的订单信息。所述订单信息中,可以包含商户信息(例如,商户标识信息、商户位置信息、商户规模信息等)、商品信息(例如,商品标识信息、商品名称信息、商品规格信息、商品价格信息、商品数量信息等)、订单时间信息、订单金额信息、订单支付方式信息等,不限于此。
可选地,所述第一商品销售日志信息可以是从目标商户的商户终端获取的;或者,可以是从日志系统中获取的,该日志系统中可以存储有由目标商户的商户终端上传的第一商品销售日志信息。
在步骤204中,服务器可以进一步获取目标商户的周边商户对应的商品销售日志信息,称为,第二商品销售日志信息。
具体地,所述第二商品销售日志信息,可以包括目标商户的至少一个周边商户所对应的订单信息。所述订单信息中,可以包含商户信息(例如,商户标识信息、商户位置信息、商户规模信息等)、商品信息(例如,商品标识信息、商品名称信息、商品规格信息、商品价格信息、商品数量信息等)、订单时间信息、订单金额信息、订单支付方式信息等,不限于此。
在本说明书的实施例中,目标商户的周边商户,可以是根据周边商户对目标商户的商品销售情况的影响程度来确定的。例如,鉴于在地理位置上邻近的商户之间的商品销售情况会彼此影响,因此,在一些实施例中,目标商户的周边商户,可以包括与所述目标商户在地理位置上相邻的商户。可选地,目标商户的周边商户,可以包括与所述目标商户的直线距离小于第一预设距离阈值的商户。另外可选地,目标商户的周边商户,可以包括与所述目标商户的路线距离小于第二预设距离阈值的商户。再者可选地,目标商户的周边商户,可以包括与所述目标商户位于同一地域且直线距离和/或路线距离小于预设阈值的商户。目标商户的周边商户的具体确定方式不限于前述示例,可以根据实际情况来确定。
在实际应用时,在获取所述目标商户的周边商户的第二商品销售日志信息之前,还可以包括:获取目标商户的位置信息;基于所述目标商户的所述位置信息,确定所述目标商户的周边商户。具体地,当第一商品销售日志信息中包含有商户位置信息时,目标商户的位置信息可以是从目标商户的第一商品销售日志信息中直接获取的;或者,当第一商品销售日志信息中未包含有商户位置信息时,目标商户的位置信息可以是基于目标商户的第一商品销售日志信息中的信息(例如,商户标识信息)来通过查询数据库间接获取的。
在步骤206中,服务器可以基于所获取的目标商户的第一商品销售日志信息以及所述目标商户的周边商户的第二商品销售日志信息,通过使用多任务模型,来得到目标商户对应第一销量预测信息。与此同时,还可以得到与所述目标商户的周边商户对应的第二销量预测信息。
具体地,可以由服务器中的商品推荐引擎(即,CRE模块)来进行商品销量预测。在本说明书的实施例中,CRE的主体框架可以为多任务学习框架,主要分为2个任务,分别是目标商户销量预测任务和周边商户销量预测任务。使用多任务学习框架主要是考虑到,线下店铺商品信息和商品销售信息比较稀疏,使用周边销量任务作为辅助任务,可以对主任务商店销量预测任务进行补充,能够提升预测结果的准确性。
在一个或多个实施例中,步骤206具体可以包括:步骤206-1,根据所述第一商品销售日志信息与所述第二商品销售日志信息,确定商品销售特征向量;步骤206-2,基于所述商品销售特征向量以及各商户销量预测任务对应的门控权重,确定所述目标商户对应的第一销量预测信息。可以理解的是,在确定所述目标商户对应的第一销量预测信息的同时,还可以确定所述周边商户对应的第二销量预测信息。
其中,在步骤206-1中,可以首先从系统日志中解析出商家订单信息,然后构建CRE模型所需要的特征。由于订单信息涵盖了某人在某地某商户购买了某商品等信息,由此,通过在数据上层进行数据聚合,可以得到所需的特征信息。例如,可以在商品维度进行聚合,得到售卖该商品的商户数量、购买该商品的用户数量、购买该商品的用户年龄段占比等。
在步骤206-2中,可以将步骤206-1商品销售特征向量输入至多任务模型,进行商品销量的预测。该多任务模型的主要学习任务可以分为两个,一个是目标商户的销量值,一个是周边商户的销量值,这两个任务可以共享输入数据,该多任务模型的输出数据包括目标商户的销量预测结果和周边商户的销量预测结果。
在可选的实施例中,该多任务模型可以采用MMoE算法框架(Modeling TaskRelationships in Multi-task Learning with Multi-gate Mixture-of-Experts)。
具体地,CRE模块的多任务模型可以包含输入层、嵌入层、连接层、MMoE层以及输出层。如图3,示出了本说明书实施例中使用的多任务模型的结构示意图。
在输入层,可以根据所述第一商品销售日志信息与所述第二商品销售日志信息,构建用于输入至商品销量预测模型的原始特征向量;并根据当前业务场景,将所述商品销售原始特征向量划分为稠密(dense)特征向量、稀疏(sparse)特征向量和序列(sequence)特征向量。
在嵌入层,可以依据不同的特征类型,采用不同的嵌入策略对各特征进行处理。可以根据稠密特征向量、稀疏特征向量和序列特征向量各自对应的嵌入方式,分别对所述稠密特征向量、所述稀疏特征向量和所述序列特征向量进行映射,得到相应的商品销售子特征向量。其中,所述稠密特征向量、稀疏特征向量和序列特征向量各自对应的嵌入方式可以是预先确定的。例如,可以使用lookup机制对稀疏特征进行嵌入处理,可以使用transformer机制对序列特征进行嵌入处理等。
在连接层,可以基于所述稠密特征向量、所述稀疏特征向量和所述序列特征向量各自对应的商品销售子特征向量,得到与所述商品销售原始特征向量对应的商品销售特征向量。具体地,可以将用DCN(Deep&Cross Network)模型对稀疏和稠密特征进行处理的结果、lookup操作之后的结果以及transformer化的嵌入结果进行连接。
在MMoE层,MMoE框架主要分为门控网络(又称,门控模型)以及专家网络(又称,专家模型),其中门控网络中的各门(gate)主要用于学习专家网络中各专家(expert)的权重系数。在本说明书的实施例中,可选地,在基本的MMoE算法框架的基础上,可以融合注意力机制(即,Attention机制),来对不同任务进行门结构(即,gate权重)偏重权重学习,最终达到辅助任务和主任务同时优化。通过使用注意力机制进行学习,能够修正针对商户预测销量情况的偏差,提升预测准确性。
具体地,在MMoE层可以执行如下步骤:将所述商品销售特征向量输入至多个专家模型,得到所述多个专家模型各自对应的隐特征向量;将所述商品销售特征向量输入至各商户销量预测任务对应的门控模型,得到各商户销量预测任务的注意力门控权重;对于各商户销量预测任务中的目标商户销量预测任务,基于所述目标商户销量预测任务的注意力门控权重以及所述多个专家模型各自对应的隐特征向量,进行加权求和,得到所述目标商户销量预测任务的综合隐特征向量。
在实际应用时,由于对于不同的任务,模型的权重选择是不同的,所以可以为每个任务配备一个门控模型gk(x),其中,k表示任务k。门控模型的输入是商品销售特征向量,门控模型的输出是所有专家模型的权重。
一个任务对应的门控模型的输出,用于表示,对于该任务而言不同的专家模型的输出结果被选择的概率,因此,可以将多个专家模型的输出进行加权求和,得到与该任务对应的综合隐输出。具体可以通过下式计算:
其中,k表示任务k;i取自1至n,n表示n个专家模型;fi(x)表示专家模型i的输出,gi k(x)表示对于任务k,专家模型i的权重。
在可选的实施例中,通过使用注意力机制学习的关于专家的权重参数,来修正针对店铺预测销量情况的偏差。将所述商品销售特征向量输入至各商户销量预测任务对应的门控模型,得到各商户销量预测任务的注意力门控权重,具体可以包括:计算各商户销量预测任务的原始门控权重;然后使用注意力函数,计算带权重的注意力值向量;再基于所述原始门控权重和所述带权重的注意力值向量,得到各商户销量预测任务的注意力门控权重。
具体地,以主任务为例,可以通过下式计算目标商户的销量预测任务的注意力门控权重:
其中,等式右侧的gate主为原始MMoE网络对应的原始门控权重,即,是使用全连接网络进行学习得到的关于专家的权重参数;表示基于注意力机制对商户预测销量情况的偏差的修正;等式左侧的gate主为本说明书实施例提出的注意力门控权重,即,表示使用注意力机制进行学习得到的关于专家的权重参数。
在本说明书的可选的示例中,查询向量Q、键向量K和值向量V可以由下述式子表示:
Q=w1g'(r),k=w2g'(r),K=w3g'(r)。
其中,w1、w2和w3表示可以学习的权重参数;g'(r)表示将主任务和辅任务的门控权重参数进行连接的结果,即,可以是g'(r)=[gate主,gate辅]。其中,gate主表示主任务对应的门控权重参数,即,目标商户的销量预测任务对应的门控权重参数;gate辅表示辅任务对应的门控权重参数,即,目标商户的周边商户的销量预测任务对应的门控权重参数。
在输出层,可以将所述目标商户销量预测任务的综合隐特征向量输入至所述目标商户对应的塔模型,得到所述目标商户对应的第一销量预测信息。
具体地,得到各任务对应的综合隐输出后,可以将该综合隐输出提供给相应的塔模型,以用于得到各任务的最终输出。更具体地,可以通过下式计算:
yk=hk(fk(x))。
其中,k表示任务k;hk表示与任务k对应的塔模型。塔模型hk的输入为MMoE层的输出信息,塔模型hk的输出为多任务模型对于各任务的预测信息。例如,在本说明书的实施例中,可以输出目标商户对应的销量预测信息,以及周边商户对应的销量预测信息。
在步骤208中,可以将CRE模块的多任务模型得到的预测结果作为推荐信息发送给商户的商户终端。即,可以将目标商户对应的第一销量预测信息发送至所述目标商户的商户终端。由此,所述商户终端可以向所述目标商户显示、播报或者显示并播报所述第一销量预测信息。
在实际应用中,由商户终端显示或播报的信息,具体可以是销量预测列表信息,或者可以称为,热品预测列表信息。
图2中的方法,通过使用多任务模型,基于目标商户的第一商品销售日志信息和所述目标商户的周边商户的第二商品销售日志信息,来得到目标商户对应的销量预测信息,并发送至目标商户的商户终端,由此,能够在考虑目标商户的周边环境的情况下对目标商户的商品销售情况进行预测,预测的准确性高,能够针对目标商户进行个性化的热品推荐,至少能够为商户调整进货提供依据,进而达到指导商家增益的目的,且客观上可以为购买商品的用户提供便利。
应当理解,本说明书一个或多个实施例所述的方法中,部分步骤的顺序可以根据实际需要调整,或者可以省略部分步骤。
基于图2的方法,本说明书实施例还提供了该方法的一些具体实施方式,下面进行说明。
在本说明书的实施例中,当执行步骤206获得所述目标商户对应的第一销量预测信息的同时,还可以基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述周边商户对应的第二销量预测信息。
在实际应用时,所述第一销量预测信息和所述第二销量预测信息通常应当满足一些预设的约束条件。例如,考虑到主任务输出第一销量预测信息是针对目标商户这一单个商户的,而辅任务输出的第二销量预测信息是针对目标商户周边的多个商户的,由此,对于某品类的商品,目标商户的销量预测值应当小于周边商户的销量预测值。
在可选的实施例中,在步骤208中将所述第一销量预测信息发送至所述目标商户的商户终端之前,还可以:判断所述第一销量预测信息和所述第二销量预测信息是否满足预设约束条件,得到第一判断结果。那么,步骤208具体可以包括:若所述第一判断结果表示所述第一销量预测信息和所述第二销量预测信息满足预设约束条件,则将所述第一销量预测信息发送至所述目标商户的商户终端。
其中,所述预设约束条件可以包括:对于任一目标品类,所述第一销量预测信息中所述目标品类的预测值,小于所述第二销量预测信息中所述目标品类的预测值。
在实际应用时,由CRE模型给出的所述第一销量预测信息可以是对应于商品类别的销量预测信息。例如,可以给出的是(水果;蔬菜;零食;生鲜;日用品)等品类分别对应的销量预测信息(A;B;C;D;E)。
在这种情况下,则可以进一步结合各类别中各种商品的历史销量占比,来得到各类别商品对应的热品推荐列表。因此,在可选的实施例中,所述将所述第一销量预测信息发送至所述目标商户的商户终端,具体可以包括:先根据所述第一销量预测信息,以及所述第一销量预测信息所涉及的各商品类别中各商品的历史销量占比信息,确定所述各商品类别对应的热品推荐列表信息;然后将所述热品推荐列表信息发送至所述目标商户的商户终端。
其中,所述历史销量占比信息可以是基于预定区域内、预设时间段的订单信息统计得到的。例如,所述预定区域可以是包含所述目标商户以及所述目标商户的周边商户所在的区域,可以根据实际需要设置。所述预设时间段可以是当前时间的前24小时内、前一个自然日内、前一个星期内、前一个自然月内等等,可以根据实际需要设置。
沿用上例,可以基于(水果;蔬菜;零食;生鲜;日用品)等品类分别对应的销量预测信息(A;B;C;D;E),来得到各品类各自对应的热品推荐列表信息。例如,对于水果品类,结合各种水果的历史销量占比,并基于水果品类的销量预测值A,作为示例,可以得到按照销量由高到低排列的(苹果;桃子;香蕉……)等水果分别对应的销量预测值(a1;a2;a3……)。又如,对于蔬菜品类,结合各种蔬菜的历史销量占比,并基于蔬菜品类的销量预测值B,作为示例,可以得到按照销量由高到低排列的(豆角;白菜;茄子……)等蔬菜分别对应的销量预测值(b1;b2;b3……)。
在可选的实施例中,若所述第一判断结果表示所述第一销量预测信息和所述第二销量预测信息不满足预设约束条件,则将历史销量统计信息发送给所述目标商户的商户终端;所述历史销量统计信息是基于所述目标商户和所述目标商户的周边商户的在此前预设时段内的商品销售情况统计得到的。
如图4,示出了本说明书实施例中的推荐信息生成方法的流程示意图。
如图4所示,服务器可以先从日志系统中获取商品销售日志信息;然后进行特征解析,构建多任务模型所需要的特征;将特征输入至CRE模块的多任务模型进行预测,得到多任务对应的销量预测结果;再判断销量预测结果是否满足预设的约束条件,在满足预设约束条件的情况下,可以结合类别维度的商品历史销量占比信息,得到各商品类别对应的热品推荐列表信息,作为推荐信息发送至商户终端;在不满足预设约束条件的情况下,可以将历史销量统计信息作为推荐信息发送至商户终端。
如图4所示,服务器在将推荐信息发送给商户终端后,商户终端可以向商户提供所述推荐信息。为了保持系统的持续更新,在一些实施例中,商户终端可以响应于商户对推荐信息的操作生成反馈日志信息,并发送回服务器,以用于对日志信息进行更新。
具体地,服务器将所述第一销量预测信息发送至所述目标商户的商户终端之后,还可以包括:获取所述目标商户针对所述热品推荐列表信息的反馈日志信息;所述反馈日志信息是响应于目标商户对所述热品推荐列表信息的操作生成的;所述反馈日志信息用于标记更新的商品销售原始特征向量。在实际应用中,目标商户对热品推荐列表信息的操作具体可以包括列表切换操作、列表浏览操作、列表关注操作、列表中商品浏览操作、列表中商品关注操作等,不限于此。
在实践中,在服务器向商户终端下发推荐信息时,为了进一步提升商户的使用体验,一方面,需要满足信息下发的及时性需求,另一方面,也需要避免给商户带来不必要的打扰,例如,应当避免打扰商户的商品售卖过程。鉴于此,在本说明书的实施例中,可以通过服务器中的智能编排下发引擎(IODE)模块,来确定向商户终端发送推荐信息的时机,以便在商户空闲时刻及时发送商品推荐信息。
如图5,示出了本说明书实施例的改进的信息发送方案的流程示意图。如图5中所示,在服务器中,先由CRE模块生成商品销量预测信息,然后,由IODE模块确定信息发送时机,随后根据IODE模块确定的信息发送时机向商户终端发送商品销量预测信息,进而,由商户终端向商户进行信息显示、播报。
下面对IODE模块中确定信息发送时机的方案进行具体说明。
在本说明书的实施例中,为了针对不同商户进行个性化、针对性地信息下发,可以采用强化学习的构思和方式,来为商户确定合适的信息下发时机,从而达到及时且低打扰的商户体验。
强化学习是一种基于序列行为的反馈进行的无标注的学习方法,通过不断“试错”的方式进行策略的学习。强化学习系统包括智能体和执行环境,智能体通过与执行环境的交互和反馈,不断进行学习,优化其策略。具体而言,智能体观察并获得执行环境的状态(state),根据一定策略,针对当前执行环境的状态确定要采取的行为或动作(action)。这样的行为作用于执行环境,会改变执行环境的状态,同时产生一个反馈给智能体,该反馈又称为奖励分数(reward)。智能体根据获得的奖励分数来判断,之前的行为是否正确,策略是否需要调整,进而更新其策略。通过反复不断地观察状态、确定行为、收到反馈,使得智能体可以不断更新策略,最终目标是能够学习到一个策略,使得获得的奖励分数累积最大化。
图6示出本说明书实施例的IODE模块的一种具体实施场景的示意图。
如图6所示,在本说明书的一个或多个实施例中,可以获取商户的与当前时刻相关的时间段内的销售量信息(相当于获取执行环境的状态s);然后,采用一定的信息发送策略,确定当前时刻是否进行信息发送并执行(相当于确定出采取的动作a并执行);再然后,根据预设的奖惩函数,计算奖励分数r,以此作为学习样本来更新信息发送策略。如此反复学习,通过不断摸索和“试错”,可以优化信息发送策略。于是,优化的信息发送策略即可用于,为各商户确定出合适的信息发送时机。
图7示出本说明书实施例的向商户发送信息的时机确定方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序。更具体地,可以是服务器中的IODE。
如图7所示,该流程可以包括以下步骤702至步骤710。
步骤702:获取目标商户在当前时刻的销售特征信息;所述销售特征信息反映所述当前时刻的商品销售情况。
具体地,所述获取所述目标商户在当前时刻的销售特征信息,具体可以包括:获取所述目标商户在当前时刻前第一预设时段内的第一销售情况信息,所述第一预设时段以所述当前时刻为终点;确定所述当前时刻对应的历史当前时刻,并获取所述历史当前时刻后第二预设时段内的第二销售情况信息,所述第二预设时段以所述历史当前时刻为起点;然后,基于所述第一销售情况信息和第二销售情况信息,得到与所述当前时刻对应的销售特征信息。
在实际应用时,可以是在目标商户的商户终端处于开启状态的情况下,来获取目标商户在当前时刻的销售特征信息。更具体地,由于需要获取目标商户在当前时刻的前一预设时段内的第一销售情况信息,因此,可以在目标商户的商户终端处于开启状态至少第一预设时段后,来获取目标商户在当前时刻的销售特征信息。
在本说明书的实施例中,可选地,所述当前时刻对应的历史当前时刻,可以是以自然时间为参照的历史当前时刻。作为示例,若当前时刻为今天8:00,则历史当前时刻可以是例如昨天8:00。在实际应用时,可以统计每个小时的商品销售量,以用于在确定当前时刻的销售特征信息时使用。当然,以1小时为单位仅是示例,也可以以0.5小时为单位、15分钟为单位、2小时为单位等,可以根据商品销售数据的疏密情况来确定。
另外可选地,所述当前时刻对应的历史当前时刻,可以是以商户终端开启时间为参照的历史当前时刻。作为示例,若当前时刻为商户终端本次开启a时长后对应的时刻,则历史当前时刻可以为例如商户终端上一次开启a时长后对应的时刻。在实际应用时,可以统计商户终端每次开启后每个小时的商品销售量,以用于在确定当前时刻的销售特征信息时使用。当然,以1小时为单位仅是示例,也可以以0.5小时为单位、15分钟为单位、2小时为单位等,可以根据商品销售数据的疏密情况来确定。
如图8,示出了本说明书实施例中当前时刻的销售特征信息的获取方法示意图。
如图8所示,将当前时刻记为A,可以统计当前时刻前第一预设时段内的第一销售情况信息。可选地,第一预设时段可以包括第一子预设时段和第二子预设时段,由此,可以统计当前时刻前第一子预设时段内的订单量Y以及第一子预设时段前的第二子预设时段内的订单量X。
由于当前时刻之后的销售情况还未发生,因此,可以获取当前时刻对应的历史当前时刻后第二预设时段内的第二销售情况信息。可选地,第二预设时段可以包括第三子预设时段和第四子预设时段,由此,可以统计历史当前时刻后第三子预设时段内的订单量M以及第三子预设时段后的第四子预设时段内的订单量N。
在实际应用时,可选地,第一子预设时段、第二子预设时段、第三子预设时段和第四子预设时段的时长可以相同。例如,可以均为0.5小时。在另外可选的实施例中,第一子预设时段、第二子预设时段、第三子预设时段和第四子预设时段的时长中的一个或多个也可以彼此不同。
在方案具体实施时,可以在到达当前时刻时,来统计得到订单量X、订单量Y、订单量M和订单量N这些销售特征信息,并把这些信息上传IODE。
这些获得的商品销售特征信息即相当于强化学习系统中执行环境的当前状态s。接下来,可以根据信息发送策略,来确定当前状态s下应该采取的动作a。即,进入步骤704。
步骤704:基于所述销售特征信息,根据信息发送策略,确定信息发送决策信息;所述信息发送决策信息包括,在当前时刻发送所述第一销量预测信息,或者不在当前时刻发送所述第一销量预测信息。
在本说明书的实施例中,针对任一个当前时刻,根据信息发送策略来进行决策的目的,是确定当前时刻是否适合给商户发送销量预测信息。
在实际应用时,所述信息发送策略,可以通过各种机器学习模型来实现,例如,逻辑回归模型、梯度提升决策树GBDT模型、深度神经网络模型等。
初始地,该信息发送策略可以是随机策略,通过随机方式决策当前时刻是否进行信息发送。当然,该随机策略是初始进行“试错”和策略摸索过程中的临时策略。信息发送策略会通过环境反馈不断进行优化和更新调整。
在步骤704中产出相关决策之后,在进入步骤706,执行该决策。
步骤706:执行所述信息发送决策信息对应的操作。
步骤706中,对于决策的执行操作,相当于向执行环境发出了执行动作a。
步骤708:基于所述当前时刻距所述目标商户的商户终端的开机时刻的第一时长,以及所述当前时刻后符合指定条件的售货时刻距所述当前开机时刻的第二时长,计算奖惩信息。
其中,所述奖惩信息可以是奖励分数r。
可以理解,强化学习中的奖励分数r是对之前做出的动作a是否正确的一种衡量,也是后续策略调整的主要依据。策略调整的目标就是使得,做出的动作a获得的奖励分数的累积最大化。
在本说明书实施例的推荐信息发送的场景中,策略训练的目的是使得,信息发送策略能够在及时且不打扰商户的情况下进行推荐信息的发送。因此,可以将奖励分数设定为,通过当前时刻距商户终端的开机时刻的第一时长来反映信息发送的及时性,可以理解的是,第一时长越短则越及时;并通过当前时刻后的售货时刻距当前开机时刻的第二时长来反映信息发送对商户的打扰情况,可以理解的是,第二时长越长,则打扰性越低。
在一个具体的实施例中,可以将本次信息发送决策结果的奖励分数确定为,第一时长和第二时长的加权求和。更具体地,结合图8,所述基于所述当前时刻距所述目标商户的商户终端的开机时刻的第一时长,以及所述当前时刻后符合指定条件的售货时刻距所述当前开机时刻的第二时长,计算奖惩信息,具体可以包括,基于如下奖惩函数计算奖惩信息:
f=α(A-S)+β(K-A)。
其中,f表示奖励分数;A表示当前时刻,S表示目标商户的商户终端的开机时刻,K表示当前时刻后符合指定条件的售货时刻;α和β为加权系数,其中,α小于0,β大于0。其中,符合指定条件的售货时刻可以是当前时刻后的首次订单。
根据上述奖惩函数,可以理解的是,A-S能够体现信息发送的及时性,该差值越小越好;而K-A可以反映信息发送的低打扰性,即,尽量不打扰商户的商品售卖过程,该差值越大越好。结合加权系数α小于0,β大于0,在越满足及时性以及低打扰性的情况下,奖励分数则越高。
步骤710:根据至少所述奖惩信息,采用强化学习算法更新所述信息发送策略;所述更新后的信息发送策略用于确定信息发送决策信息。
根据强化学习中策略更新的构思,在本说明书实施例中,根据反馈信息(即,奖励分数r)来不断更新信息发送策略,更新的目标是使得,对于同样的商品销售特征信息(环境状态s),信息发送策略确定出的信息发送决策信息(动作a)可以获得更多的预期累积奖励分数。
为了达到这样的目标,在可选的实施例中,可以每获取到一个商户对应的奖励分数,就执行一次策略更新。在另外可选的实施例中,可以收集多个商户对应于多个信息发送决策信息的反馈信息作为训练样本集,利用训练样本集训练信息发送策略,对信息发送策略进行更新。
具体地,对于目标商户,可以在执行信息发送决策信息后获取目标商户的销售情况信息并计算得到本次信息发送决策信息对应的奖励分数后,可以将目标商户的商品销售特征信息(相当于环境状态s)、信息发送决策信息(相当于动作a)以及奖励分数(r)共同作为一条训练样本,添加到训练样本集中。如此,训练样本集中可以包含多条<s,a,r>形式的训练样本。
可选地,在持续交互的场景下,还可以继续获取当前商户在执行了信息发送决策信息对应操作的情况下得到的新的商品销售特征信息,这相当于获取到执行动作a后执行环境迁移到的新的状态s'。如此,形成<s,a,r,s'>形式的训练样本。
基于上述得到的训练样本,可以采用强化学习算法,利用训练样本集更新信息发送策略,直至模型收敛。
在本说明书的实施例中,考虑到订单量是一个大小值差距较大的量,计算复杂度极高,因此,所述强化学习算法可以采用基于神经网络的强化学习算法。例如,可以包括基于模糊神经网络的Q-learning算法、基于BP神经网络的Sarsa算法等。
图7中的方法,通过使用基于深度强化学习的信息智能下发方案,可以在商家空闲时刻及时显示/播报商品推荐信息。基于该方案,在参数极少的情况下,达到了对于商户进行信息推荐的过程及时且低打扰的效果,能够提升商户的使用体验。
根据上面的说明,本说明书实施例提供的一种实际应用场景下,热品推荐信息的发送和接收方法的流程示意图,如图9所示。
返回参照图1,所述服务器可以提供软件即服务(SaaS),在实践中,商户可以通过订阅来获得本说明书实施例的方案对应的服务。在本说明书的实施例中,SaaS服务可以包括商品推荐引擎(CRE)和智能编排下发引擎(IODE),在实际应用时,可以将推荐信息下发至硬件商户终端和/或软件商户终端。
所述商户终端可以包括硬件终端和软件终端。其中,硬件终端可以包括智能盒子,例如,智能盒子可以兼具时钟的功能和信息显示/播报的功能,可选地,还可以具有从商户进行信息接收的功能,在本说明书的实施例中,通过对现有的智能盒子的功能进行改进和丰富,使得商户在无需更新终端硬件设备的情况下能够使用本说明实施例的方案对应的服务,为商户提供便利且节约成本。软件终端可以包括安装在移动终端中的手机APP或小程序,在本说明书的实施例中,通过软件终端来接收服务器下发的推送信息,能够克服传统的因智能盒子位置固定导致信息接收不便的缺陷,使得商户可以随时随地接收推送信息,也为信息接收的及时性提供保障。
如图9中所示,在可选的示例中,当商户打开商户终端(硬件;例如,商品时钟),商品时钟可以进行时钟显示。在实际应用时,商品时钟的显示屏平时可以用于显示时钟信息,当接收到服务器下发的热品推荐信息时,可以显示热品推荐信息。商品时钟还可以具有智能播报功能,用于对服务器下发的热品推荐信息进行语音播报。
可选地,商品时钟还可以具有扫码区,用于获取商品信息。
在一个具体的应用场景中,商户可以在扫码区按照商品唯一标识码(例如,条形码、二维码等)进行商品查询操作,商品时钟可以将商品唯一标识码(或基于所述商品唯一标识码得到的商品名称)以及商品时钟的位置信息提交给SaaS服务,随后,SaaS服务可以向商品时钟返回相关商品信息(例如,商品周边销量排名、商品销量品类排名、商品销量品类上升榜、商品销量上升榜等热品推荐信息),然后,商品时钟可以播报并显示相关商品信息给商户。在实际应用时,基于商户的主动查询获得的相关商品信息中,可以将所查询商品进行特殊标记显示。
在本说明书的可选实施例中,服务器在获取目标商户的第一商品销售日志信息之前,还可以包括:获取目标商户的位置信息以及所述目标商户查询的目标商品信息;由此,得到的第一销量预测信息中,可以包含所述目标商品所属商品类别对应的热品推荐列表信息。
在另一个具体的应用场景中,当商户打开与硬件的商户终端账号绑定的相应的终端软件时,然后终端软件可以将商户位置信息发送给SaaS服务,以便SaaS服务提供热品推荐信息。具体地,所述热品推荐信息可以包含针对不同的品类的商品的多种商品推荐方案,商户可以在手机终端进行多种方案的切换操作,并且也可以进行评论、推荐、收藏等操作。另外,在实际应用时,商户在点击打开相应的终端软件后,可以自动接收到SaaS服务下发的热品推荐信息;或者,也可以通过商品搜索等功能来主动获取SaaS服务提供的热品推荐信息。
在又一个具体的应用场景中,当SaaS服务判断当前时刻为合适的信息下发时刻时,SaaS服务可以主动将推荐方案进行编排下发,以借助于商品时钟显示并播报所述推荐方案。
基于本说明书实施例提供的上述方法,一方面,提出了一种基于Attention的多任务学习框架,考虑到线下店铺的商品分布和销量稀疏的等问题,通过主辅任务相结合的方式协同优化来预测商品销量信息,最终可达到“千店千面”的效果,满足线下商户及时调整进货方案的需求。另一方面,提出了一种基于深度强化学习的编排下发方案,在参数极少的情况下,可以达到及时低打扰的用户体验。再一方面,提出了在商品时钟基础上做商品推荐的方案,不仅可以完成时钟显示的功能还可以播报以及显示商品信息,加厚了时钟的功能。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置。图10为本说明书实施例提供的对应于图2的一种信息发送装置的结构示意图。如图10所示,该装置可以包括:
第一获取模块1002,用于获取目标商户的第一商品销售日志信息;
第二获取模块1004,用于获取所述目标商户的周边商户的第二商品销售日志信息;
销量预测模块1006,用于基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;
信息发送模块1008,用于将所述第一销量预测信息发送至所述目标商户的商户终端。
可以理解,上述的各模块是指计算机程序或者程序段,用于执行某一项或多项特定的功能。此外,上述各模块的区分并不代表实际的程序代码也必须是分开的。
基于同样的思路,本说明书实施例还提供了上述方法对应的设备。
图11为本说明书实施例提供的对应于图2的一种信息发送设备的结构示意图。如图11所示,设备1100可以包括:
至少一个处理器1110;以及,
与所述至少一个处理器通信连接的存储器1130;其中,
所述存储器1130存储有可被所述至少一个处理器1110执行的指令1120,所述指令被所述至少一个处理器1110执行,以使所述至少一个处理器1110能够:
获取目标商户的第一商品销售日志信息;
获取所述目标商户的周边商户的第二商品销售日志信息;
基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;
将所述第一销量预测信息发送至所述目标商户的商户终端。
基于同样的思路,本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现以下方法:
上述对本说明书特定实施例进行了描述,在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可。
本说明书实施例提供的装置、设备与方法是对应的,因此,装置、设备也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序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、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种信息发送方法,包括:
获取目标商户的第一商品销售日志信息;
获取所述目标商户的周边商户的第二商品销售日志信息;
基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;
将所述第一销量预测信息发送至所述目标商户的商户终端。
2.如权利要求1所述的方法,所述获取所述目标商户的周边商户的第二商品销售日志信息之前,还包括:
获取目标商户的位置信息;
基于所述目标商户的所述位置信息,确定所述目标商户的周边商户。
3.如权利要求1所述的方法,所述基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息,具体包括:
根据所述第一商品销售日志信息与所述第二商品销售日志信息,确定商品销售特征向量;
基于所述商品销售特征向量以及各商户销量预测任务对应的门控权重,确定所述目标商户对应的第一销量预测信息。
4.如权利要求3所述的方法,所述根据所述第一商品销售日志信息与所述第二商品销售日志信息,确定商品销售特征向量,具体包括:
根据所述第一商品销售日志信息与所述第二商品销售日志信息,构建用于输入至商品销量预测模型的原始特征向量;
将所述商品销售原始特征向量划分为稠密特征向量、稀疏特征向量和序列特征向量;
确定所述稠密特征向量、稀疏特征向量和序列特征向量各自对应的嵌入方式;
根据所述各自对应的嵌入方式,分别对所述稠密特征向量、所述稀疏特征向量和所述序列特征向量进行映射,得到相应的商品销售子特征向量;
基于所述稠密特征向量、所述稀疏特征向量和所述序列特征向量各自对应的商品销售子特征向量,得到与所述商品销售原始特征向量对应的商品销售特征向量。
5.如权利要求3所述的方法,所述基于所述商品销售特征向量以及各商户销量预测任务对应的门控权重,确定所述目标商户对应的第一销量预测信息,具体包括:
将所述商品销售特征向量输入至多个专家模型,得到所述多个专家模型各自对应的隐特征向量;
将所述商品销售特征向量输入至各商户销量预测任务对应的门控模型,得到各商户销量预测任务的注意力门控权重;
对于各商户销量预测任务中的目标商户销量预测任务,基于所述目标商户销量预测任务的注意力门控权重以及所述多个专家模型各自对应的隐特征向量,进行加权求和,得到所述目标商户销量预测任务的综合隐特征向量;
将所述目标商户销量预测任务的综合隐特征向量输入至所述目标商户对应的塔模型,得到所述目标商户对应的第一销量预测信息。
6.如权利要求5所述的方法,所述将所述商品销售特征向量输入至各商户销量预测任务对应的门控模型,得到各商户销量预测任务的注意力门控权重,具体包括:
计算各商户销量预测任务的原始门控权重;
使用注意力函数,计算带权重的注意力值向量;
基于所述原始门控权重和所述带权重的注意力值向量,得到各商户销量预测任务的注意力门控权重。
7.如权利要求1所述的方法,所述获取所述目标商户的周边商户的第二商品销售日志信息之后,还包括:
基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述周边商户对应的第二销量预测信息;
所述将所述第一销量预测信息发送至所述目标商户的商户终端之前,还包括:
判断所述第一销量预测信息和所述第二销量预测信息是否满足预设约束条件,得到第一判断结果;
所述将所述第一销量预测信息发送至所述目标商户的商户终端,具体包括:
若所述第一判断结果表示所述第一销量预测信息和所述第二销量预测信息满足预设约束条件,则将所述第一销量预测信息发送至所述目标商户的商户终端。
8.如权利要求7所述的方法,所述预设约束条件包括:对于任一目标品类,所述第一销量预测信息中所述目标品类的预测值,小于所述第二销量预测信息中所述目标品类的预测值。
9.如权利要求7所述的方法,所述第一销量预测信息为对应于商品类别的销量预测信息;
所述将所述第一销量预测信息发送至所述目标商户的商户终端,具体包括:
根据所述第一销量预测信息,以及所述第一销量预测信息所涉及的各商品类别中各商品的历史销量占比信息,确定所述各商品类别对应的热品推荐列表信息;
将所述热品推荐列表信息发送至所述目标商户的商户终端。
10.如权利要求9所述的方法,所述将所述第一销量预测信息发送至所述目标商户的商户终端之后,还包括:
获取所述目标商户针对所述热品推荐列表信息的反馈日志信息;所述反馈日志信息是响应于目标商户对所述热品推荐列表信息的操作生成的;所述反馈日志信息用于标记更新的商品销售原始特征向量。
11.如权利要求1所述的方法,所述将所述第一销量预测信息发送至所述目标商户的商户终端,具体包括:
获取所述目标商户在当前时刻的销售特征信息;所述销售特征信息反映所述当前时刻的商品销售情况;
基于所述销售特征信息,根据信息发送策略,确定信息发送决策信息;所述信息发送决策信息包括,在当前时刻发送所述第一销量预测信息,或者不在当前时刻发送所述第一销量预测信息;
执行所述信息发送决策信息对应的操作;
基于所述当前时刻距所述目标商户的商户终端的开机时刻的第一时长,以及所述当前时刻后符合指定条件的售货时刻距所述当前开机时刻的第二时长,计算奖惩信息;
根据至少所述奖惩信息,采用强化学习算法更新所述信息发送策略;所述更新后的信息发送策略用于确定信息发送决策信息。
12.如权利要求11所述的方法,所述获取所述目标商户在当前时刻的销售特征信息,具体包括:
获取所述目标商户在当前时刻前第一预设时段内的第一销售情况信息;所述第一预设时段以所述当前时刻为终点;
确定所述当前时刻对应的历史当前时刻;
获取所述历史当前时刻后第二预设时段内的第二销售情况信息;所述第二预设时段以所述历史当前时刻为起点;
基于所述第一销售情况信息和第二销售情况信息,得到与所述当前时刻对应的销售特征信息。
13.如权利要求11所述的方法,所述基于所述当前时刻距所述目标商户的商户终端的开机时刻的第一时长,以及所述当前时刻后符合指定条件的售货时刻距所述当前开机时刻的第二时长,计算奖惩信息,具体包括:
基于如下奖惩函数计算奖惩信息:
f=α(A-S)+β(K-A)
其中,f表示奖励分数;A表示当前时刻,S表示目标商户的商户终端的开机时刻,K表示当前时刻后符合指定条件的售货时刻;α和β为加权系数,其中,α小于0,β大于0。
14.如权利要求11所述的方法,所述强化学习算法包括基于神经网络的强化学习算法。
15.如权利要求1所述的方法,所述获取目标商户的第一商品销售日志信息之前,还包括:
获取目标商户的位置信息以及所述目标商户查询的目标商品信息;
所述第一销量预测信息中包含所述目标商品所属商品类别对应的热品推荐列表信息。
16.一种信息发送装置,包括:
第一获取模块,用于获取目标商户的第一商品销售日志信息;
第二获取模块,用于获取所述目标商户的周边商户的第二商品销售日志信息;
销量预测模块,用于基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;
信息发送模块,用于将所述第一销量预测信息发送至所述目标商户的商户终端。
17.一种信息发送设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取目标商户的第一商品销售日志信息;
获取所述目标商户的周边商户的第二商品销售日志信息;
基于所述第一商品销售日志信息与所述第二商品销售日志信息,使用多任务模型,确定所述目标商户对应的第一销量预测信息;
将所述第一销量预测信息发送至所述目标商户的商户终端。
18.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1至15中任一项所述的信息发送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202397.7A CN114663135A (zh) | 2022-03-03 | 2022-03-03 | 一种信息发送方法、装置、设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202397.7A CN114663135A (zh) | 2022-03-03 | 2022-03-03 | 一种信息发送方法、装置、设备和可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663135A true CN114663135A (zh) | 2022-06-24 |
Family
ID=82027989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210202397.7A Pending CN114663135A (zh) | 2022-03-03 | 2022-03-03 | 一种信息发送方法、装置、设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663135A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738081A (zh) * | 2023-08-08 | 2023-09-12 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
-
2022
- 2022-03-03 CN CN202210202397.7A patent/CN114663135A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738081A (zh) * | 2023-08-08 | 2023-09-12 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
CN116738081B (zh) * | 2023-08-08 | 2023-10-27 | 贵州优特云科技有限公司 | 一种前端组件绑定方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phillips | Pricing and revenue optimization | |
US11017422B2 (en) | Dynamically generating digital product notifications over time based on product expiration data | |
Ng et al. | Mirror, mirror on the wall, are we ready for Gen-Z in marketplace? A study of smart retailing technology in Malaysia | |
Rossi et al. | The value of purchase history data in target marketing | |
Simchi-Levi et al. | Powering retailers’ digitization through analytics and automation | |
Panda et al. | Optimal pricing and lot-sizing for perishable inventory with price and time dependent ramp-type demand | |
US11816588B2 (en) | Forecasting demand using hierarchical temporal memory | |
Goodwin et al. | The challenges of pre-launch forecasting of adoption time series for new durable products | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
Cuellar-Fernández et al. | Survival of e-commerce entrepreneurs: The importance of brick-and-click and internationalization strategies | |
KR102409717B1 (ko) | 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 | |
Loshin et al. | Using information to develop a culture of customer centricity: customer centricity, analytics, and information utilization | |
Wolkenfelt et al. | Effects of app pricing structures on product evaluations | |
KR20210144332A (ko) | 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 방법 및 시스템 | |
CN111127074A (zh) | 一种数据推荐方法 | |
Chen et al. | A multiobjective optimization for clearance in walmart brick-and-mortar stores | |
CN114663135A (zh) | 一种信息发送方法、装置、设备和可读介质 | |
Koren et al. | Forecasting in the fashion industry: a model for minimising supply-chain costs | |
Li et al. | The Destiny of Movies’ Box Office Performance in China: An Expectation–Evaluation Model | |
Thobani | Improving e-Commerce sales using machine learning | |
Ravi et al. | Customer-centric marketing: A pragmatic framework | |
JP2021152825A (ja) | 住宅営業支援装置、住宅営業支援システム、住宅営業支援方法および住宅営業支援プログラム | |
US20240104626A1 (en) | Item matching and pricing based on historical pricing data and classification of parties to related transactions | |
KR102545366B1 (ko) | 빅데이터를 처리하여 구매자에게 수면용품을 자동으로 추천하는 오픈마켓 플랫폼의 운영방법 | |
Qu | From purchase, usage, to upgrade—Consumer analytics using large scale transactional data |
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 |