CN114757700A - 物品销量预测模型训练方法、物品销量预测方法及装置 - Google Patents
物品销量预测模型训练方法、物品销量预测方法及装置 Download PDFInfo
- Publication number
- CN114757700A CN114757700A CN202210386782.1A CN202210386782A CN114757700A CN 114757700 A CN114757700 A CN 114757700A CN 202210386782 A CN202210386782 A CN 202210386782A CN 114757700 A CN114757700 A CN 114757700A
- Authority
- CN
- China
- Prior art keywords
- preset
- article
- training
- model
- matrix
- 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
- 238000012549 training Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 173
- 239000011159 matrix material Substances 0.000 claims abstract description 170
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 238000004220 aggregation Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种物品销量预测模型训练方法,可应用于数字营销技术领域,该方法包括:从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;基于操作记录训练初始语义模型,得到语义分析模型;对于每个预设物品,基于语义分析模型的目标权重矩阵和由多个预设物品的多个特征向量组成的物品特征矩阵,生成预设物品的聚合特征向量;以及以多个预设物品的聚合特征向量作为训练样本,预设物品在预设时间段内的销量作为训练标签来训练初始网络模型,得到销量预测模型。此外,本公开还提供了一种物品销量预测模型训练装置、物品销量预测方法、物品销量预测装置、电子设备和存储介质。
Description
技术领域
本公开涉及数字营销技术领域,更具体地,涉及一种物品销量预测模型训练方法及装置、物品销量预测方法及装置、电子设备、存储介质和程序产品。
背景技术
随着互联网的普及和互联网技术的发展,电商在目前物品交易的市场份额中占比越来越大,因而,对物品的销量进行准确预测,对于电商平台的营销规划、市场分析、物流规划等具有重要的意义。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中的销量预测模型与物品的固有特征强依赖,在实际应用中鲁棒性较差。
发明内容
有鉴于此,本公开提供了一种物品销量预测模型训练方法及装置、物品销量预测方法及装置、电子设备、可读存储介质和计算机程序产品。
本公开的一个方面提供了一种物品销量预测模型训练方法,包括:从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;基于上述操作记录训练初始语义模型,得到上述语义分析模型;对于每个上述预设物品,基于上述语义分析模型的目标权重矩阵和由多个上述预设物品的多个特征向量组成的物品特征矩阵,生成上述预设物品的聚合特征向量;以及以多个上述预设物品的聚合特征向量作为训练样本,上述预设物品在上述预设时间段内的销量作为训练标签来训练初始网络模型,得到上述销量预测模型。
根据本公开的实施例,上述基于上述操作记录训练初始语义模型,得到上述语义分析模型,包括:基于上述操作记录,生成分别对应于每位用户的多条操作序列;对于每条上述操作序列,基于上述操作序列中上述预设物品的排列顺序,生成相似物品矩阵;以及以多个上述操作序列作为训练样本,与上述操作序列对应的相似物品矩阵作为训练标签来训练上述初始语义模型,得到上述语义分析模型。
根据本公开的实施例,上述初始语义模型包括第一输入层、第一隐藏层和第一输出层,其中,上述第一输入层到上述第一隐藏层之间具有第一权重矩阵,上述第一隐藏层到上述第一输出层之间具有第二权重矩阵。
根据本公开的实施例,上述以多个上述操作序列作为训练样本,与上述操作序列对应的相似物品矩阵作为训练标签来训练上述初始语义模型,包括:基于上述预设物品字典,将上述操作序列转换为多个解释向量;将上述相似物品矩阵按列进行拆分,得到多个标签向量,其中,上述标签向量与上述解释向量一对应;对于每个上述解释向量,将上述解释向量输入上述初始语义模型中,得到输出向量;基于上述输出向量和与上述解释向量对应的上述标签向量,计算得到第一损失值;以及基于与预设数量的上述操作序列对应的多个上述第一损失值调整上述第一权重矩阵和上述第二权重矩阵。
根据本公开的实施例,上述语义分析模型包括第二输入层、第二隐藏层和第二输出层,其中,上述目标权重矩阵表征为上述第二输入层到上述第二隐藏层之间的权重矩阵。
根据本公开的实施例,上述对于每个上述预设物品,基于上述语义分析模型的目标权重矩阵和由多个上述预设物品的多个特征向量组成的物品特征矩阵,生成上述预设物品的聚合特征向量,包括:随机生成第三权重矩阵和第四权重矩阵;使用上述物品特征矩阵分别和上述第三权重矩阵和上述第四权重矩阵进行矩阵运算,得到第一特征矩阵和第二特征矩阵;基于上述预设物品字典,从上述目标权重矩阵中确定与上述预设物品对应的权重向量;以及基于上述权重向量、上述第一特征矩阵和上述第二特征矩阵来生成上述聚合特征向量。
根据本公开的实施例,上述以多个上述预设物品的聚合特征向量作为训练样本,上述预设物品在上述预设时间段内的销量作为训练标签来训练初始网络模型,包括:对于每个上述聚合特征向量,将上述聚合特征向量输入到上述初始网络模型中,得到网络输出值;基于上述网络输出值和与上述聚合特征向量对应的上述预设物品的销量,计算得到第二损失值;以及基于多个上述第二损失值调整上述初始网络模型的模型参数。
根据本公开的实施例,上述方法还包括:基于多个上述第二损失值,调整上述第三权重矩阵和上述第四权重矩阵,以便于在对上述初始网络模型进行下一轮训练之前,基于调整后的第三权重矩阵和调整后的第四权重矩阵生成调整后的聚合特征向量,并使用多个上述调整后的聚合特征向量作为训练样本来训练上述初始网络模型。
本公开的另一个方面提供了一种物品销量预测模型训练装置,包括:第一获取模块,用于从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;第一训练模块,用于基于上述操作记录训练初始语义模型,得到上述语义分析模型;生成模块,用于对于每个上述预设物品,基于上述语义分析模型的目标权重矩阵和由多个上述预设物品的多个特征向量组成的物品特征矩阵,生成上述预设物品的聚合特征向量;以及第二训练模块,用于以多个上述预设物品的聚合特征向量作为训练样本,上述预设物品在上述预设时间段内的销量作为训练标签来训练初始网络模型,得到上述销量预测模型。
本公开的另一个方面提供了一种物品销量预测方法,包括:从上述物品销量预测模型中的语义分析模型中获取目标权重矩阵;基于预设物品字典,从上述目标权重矩阵中确定与目标物品对应的目标权重向量;基于上述预设物品字典中多个预设物品的特征向量,构建物品特征矩阵;基于上述目标权重向量和上述特征矩阵,计算得到上述目标物品的目标聚合特征向量;将上述目标聚合特征向量输入上述物品销量预测模型中的销量预测模型中,得到预设时间段内上述目标物品的预测销量。
本公开的另一个方面提供了一种物品销量预测装置,包括:第二获取模块,用于从上述物品销量预测模型中的语义分析模型中获取目标权重矩阵;确定模块,用于基于预设物品字典,从上述目标权重矩阵中确定与目标物品对应的目标权重向量;构建模块,用于基于上述预设物品字典中多个预设物品的特征向量,构建物品特征矩阵;计算模块,用于基于上述目标权重向量和上述特征矩阵,计算得到上述目标物品的目标聚合特征向量;预测模块,用于将上述目标聚合特征向量输入上述物品销量预测模型中的销量预测模型中,得到预设时间段内上述目标物品的预测销量。
本公开的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个指令,其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,使用初始语义模型对多个预设物品的操作记录进行学习,可以得到多个预设物品与相似物品对的关联特征,即目标权重矩阵;之后,可以使用目标权值矩阵和基于多个预设物品的固有特征生成的物品特征矩阵来对预设物品的特征进行补全,以生成聚合特征向量,并使用聚合特征向量来进行销量预测模型的训练。通过利用物品的相似物品的特征对物品本身的特征进行补全,再利用补全后的特征进行预测模型的训练的技术手段,至少部分地克服了相关技术中存在的销量预测模型与物品的固有特征强依赖,在实际应用中鲁棒性较差的技术问题,从而有效提高了物品销量预测的准确性和可靠性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用物品销量预测模型训练方法或物品销量预测方法的示例性系统架构。
图2示意性示出了根据本公开实施例的物品销量预测模型训练方法的流程图。
图3示意性示出了根据本公开实施例的语义分析模型训练方法的流程图。
图4示意性示出了根据本公开实施例的销量预测模型训练方法的流程图。
图5示意性示出了根据本公开实施例的物品销量预测方法的流程图。
图6示意性示出了根据本公开实施例的物品销量预测系统的框架示意图。
图7示意性示出了根据本公开实施例的物品销量预测模型训练装置的框图。
图8示意性示出了根据本公开实施例的物品销量预测装置的框图。
图9示意性示出了根据本公开实施例的适于实现物品销量预测模型训练方法或物品销量预测方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着移动互联网、云计算、人工智能、物联网等新兴技术的创新和发展,目前营销科学正在从以人为核心的营销3.0向以数字时代为核心的营销4.0迈进。而随着数字营销4.0的日趋成熟,大数据营销成为营销科学的研究重点,而其中,销量的准确预测对于电商平台的营销规划、平台的市场分析、物流规划都有重要意义。
目前,销量的预测大都基于销量预测模型来实现,相关技术中的销量预测模型可以分为三类。其中,第一类是计量统计模型,例如ARIMA等;第二类是机器学习模型,例如基于树的集成机器学习模型等;第三类是深度学习模型,例如LSTM、GRUs等。
由于物品销量的受到的影响因素较为复杂,相关技术中的方案在实际应用时存在较大的缺陷,鲁棒性较差。例如,基于统计的计量模型如时间序列模型等由于对场景的假设情况过多,仅可在与假设场景相似的应用场景中使用;基于树的集成机器学习模型或者深度学习模型往往过度关注于商品本身的固有特征,因此在商品的特征发生变化时,这些模型需要重新训练。
有鉴于此,本公开的实施例提供了一种物品销量的预测方法,在该方法中,利用用户与物品的交互记录来学习物品的特征,并基于此查找与该物品相似的物品的特征来进行该物品特征的补全,再利用补全后的特征进行销量的预测,从而达到更好的预测效果。
具体地,本公开的实施例提供了一种物品销量预测模型训练方法及装置、物品销量预测方法及装置、电子设备、可读存储介质和计算机程序产品。其中,物品销量预测模型训练方法包括从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;基于操作记录训练初始语义模型,得到语义分析模型;对于每个预设物品,基于语义分析模型的目标权重矩阵和由多个预设物品的多个特征向量组成的物品特征矩阵,生成预设物品的聚合特征向量;以及以多个预设物品的聚合特征向量作为训练样本,预设物品在预设时间段内的销量作为训练标签来训练初始网络模型,得到销量预测模型。
在本公开的技术方案中,所涉及的用户个人操作信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人操作信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的可以应用物品销量预测模型训练方法或物品销量预测方法的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。
其中,终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。用户可以通过在终端设备101、102、103上输入信息或指令,以开始模型的训练或物品销量的预测。
网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等。
服务器105可以是提供各种服务的服务器,例如,对用户通过终端设备101、102、103下发的指令提供计算资源的后台服务器。
需要说明的是,本公开实施例所提供的物品销量预测模型训练方法或物品销量预测方法一般可以由服务器105执行。相应地,本公开实施例所提供的物品销量预测模型训练装置或物品销量预测装置一般可以设置于服务器105中。本公开实施例所提供的物品销量预测模型训练方法或物品销量预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的物品销量预测模型训练装置或物品销量预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的物品销量预测模型训练方法或物品销量预测方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的物品销量预测模型训练装置或物品销量预测装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的物品销量预测模型训练方法的流程图。
如图2所示,该方法包括操作S201~S204。
在操作S201,从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录。
在操作S202,基于操作记录训练初始语义模型,得到语义分析模型。
在操作S203,对于每个预设物品,基于语义分析模型的目标权重矩阵和由多个预设物品的多个特征向量组成的物品特征矩阵,生成预设物品的聚合特征向量。
在操作S204,以多个预设物品的聚合特征向量作为训练样本,预设物品在预设时间段内的销量作为训练标签来训练初始网络模型,得到销量预测模型。
根据本公开的实施例,用户的操作数据可以存储在数据仓库中,在获取用户授权后,可以从数据仓库中提取历史操作数据。
根据本公开的实施例,历史操作数据中的每一条操作记录可以包括用户ID、操作时间、操作的物品的skuID等。
根据本公开的实施例,预设时间段的长度可以根据具体应用场景进行设置,在此不作限定。
根据本公开的实施例,预设物品字典中可以是一张数据表,表中可以包括预设物品的名称、预设物品的标识等字段,其中,预设物品的标识可以是该物品在平台中的skuID。
根据本公开的实施例,初始语义模型可以基于任意自然语言处理模型生成,例如Word2vec等。
根据本公开的实施例,目标权重矩阵可以是语义分析模型中预先设定的相邻两层之间的权重矩阵。
根据本公开的实施例,预设物品的特征向量可以基于物品本身的属性确定,例如,根据预设物品的形状、颜色、价格等来生成该预设物品的特征向量。预设物品的特征向量的生成方法和生成规则可以根据具体应用场景进行选择,在此不作限定。
根据本公开的实施例,可以基于反向传播和梯度下降的方法来训练初始语义模型和初始网络模型,具体采用的梯度下降的方法和损失函数在此不作限定。
根据本公开的实施例,使用初始语义模型对多个预设物品的操作记录进行学习,可以得到多个预设物品与相似物品对的关联特征,即目标权重矩阵;之后,可以使用目标权值矩阵和基于多个预设物品的固有特征生成的物品特征矩阵来对预设物品的特征进行补全,以生成聚合特征向量,并使用聚合特征向量来进行销量预测模型的训练。通过利用物品的相似物品的特征对物品本身的特征进行补全,再利用补全后的特征进行预测模型的训练的技术手段,至少部分地克服了相关技术中存在的销量预测模型与物品的固有特征强依赖,在实际应用中鲁棒性较差的技术问题,从而有效提高了物品销量预测的准确性和可靠性。
下面参考图3~图4,结合具体实施例对图2所示的方法做进一步说明。
根据本公开的实施例,物品销量预测模型可以由语义分析模型和销量预测模型组成。
图3示意性示出了根据本公开实施例的语义分析模型训练方法的流程图。
如图3所示,语义分析模型训练方法包括操作S301~S307。
在操作S301,从历史操作数据中获取操作记录。
在操作S302,基于操作记录,生成分别对应于每位用户的多条操作序列。
在操作S303,基于预设物品字典,将操作序列转换为多个解释向量,得到训练样本。
在操作S304,基于操作序列中预设物品的排列顺序,生成训练标签。
在操作S305,基于训练标签,使用训练样本训练初始语义模型。
在操作S306,判断初始语义模型是否训练完毕;在确定该初始语义模型未训练完毕的情况下,返回执行操作S305;在确定该初始语义模型训练完毕的情况下,执行操作S307。
在操作S307,得到语义分析模型。
根据本公开的实施例,操作记录中分别对应于每位用户的操作记录可以如表1所示。在生成操作序列时,可以将每条操作记录对应的物品的skuID作为元素,按操作时间顺序组成操作序列,如表1所示的用户ID为“userA”的用户生成的操作序列可以为:<1000004076,1000004052,1000004040,1000001231>。
表1
序号 | 用户ID | 日期 | 时间 | skuID |
1 | userA | 20XX/XX/XX | 20:30:11 | 1000004076 |
2 | userA | 20XX/XX/XX | 20:31:26 | 1000004052 |
3 | userA | 20XX/XX/XX | 20:34:30 | 1000004040 |
4 | userA | 20XX/XX/XX | 20:35:05 | 1000001231 |
根据本公开的实施例,由于不同的用户的操作记录的数量是不一样的,因而生成的操作序列的长度也不尽相同。为解决该问题,可以使用padding填充机制,即设定一个序列的最大长度值,在生成的操作序列的长度小于该最大长度值的情况下,使用“0”对该操作序列进行填充,直至其长度等于最大长度值。例如,最大长度值设置为6,则如表1所示的用户ID为“userA”的用户生成的操作序列在填充后可以为:<1000004076,1000004052,1000004040,1000001231,0,0>。
根据本公开的实施例,可以通过one-hot expression的方法,基于预设物品字典,将操作序列转换为多个解释向量,以得到训练样本。
以如表1所示的用户ID为“userA”的用户生成的操作序列为例:假定预设物品字典中包含10个预设物品,skuID为1000004076的物品在该预设物品字典中的序号为7,skuID为1000004052的物品在该预设物品字典中的序号为3,skuID为1000004040的物品在该预设物品字典中的序号为1,skuID为1000001231的物品在该预设物品字典中的序号为2;则使用one-hot expression方法,可以转换得到4个解释向量,依次分别为[0,0,0,0,0,0,1,0,0,0]T,[0,0,1,0,0,0,0,0,0,0]T,[1,0,0,0,0,0,0,0,0,0]T和[0,1,0,0,0,0,0,0,0,0]T。
根据本公开的实施例,训练标签可以是一个相似物品矩阵,该相似物品矩阵按列拆分为多个标签向量,标签向量与操作序列中的元素相对应,也因此,该标签向量与解释向量也存在一一对应的关系。
根据本公开的实施例,标签向量可以根据对应的预设物品在操作序列中的排列顺序来确定。
以如表1所示的用户ID为“userA”的用户生成的操作序列为例:与该操作序列中的第一个元素“1000004076”对应的标签向量为[0,1,0,0]T;与该操作序列中的第二个元素“1000004052”对应的标签向量为[0.5,0,0.5,0]1;与该操作序列中的第三个元素“1000004040”对应的标签向量为[0,0.5,0,0.5]T;与该操作序列中的第四个元素“1000001231”对应的标签向量为[0,0,1,0]T。
根据本公开的实施例,初始语义模型可以基于Word2vec网络框架来生成,该初始语义模型由输入层、隐藏层和输出层组成,其中,输入层到隐藏层之间具有第一权重矩阵,隐藏层到输出层之间具有第二权重矩阵。对初始语义模型进行训练的过程实质上是对第一权重矩阵和第二权重矩阵进行参数调节的过程。
根据本公开的实施例,初始语义模型中的第一权重矩阵和第二权重矩阵可以通过随机生成的方法来生成。
根据本公开的实施例,在对初始语义模型进行训练的过程中,可以每输入预设数量的训练样本后,基于该预设数量的训练样本的损失值进行一次第一权重矩阵和第二权重矩阵的参数的调整;对于输入的每一个训练样本,可以将该训练样本中的多个解释向量依次输入到模型中;对于每个解释向量,将该解释向量输入到模型中,可以输出得到输出向量,并基于该输出向量和与该解释向量对应的标签向量计算得到损失值;同一个训练样本的多个损失值可以通过取平均的方法来确定该训练样本的损失值。
根据本公开的实施例,训练初始语义模型时使用的损失函数和参数调整方法在此不作限定。
根据本公开的实施例,语义分析模型同样具有输入层、隐藏层和输出层,在训练得到语义分析模型后,预设物品的特征即可以通过该语义分析模型的目标权重矩阵来表示,该目标权重矩阵可以是输入层到隐藏层之间的权重矩阵。
图4示意性示出了根据本公开实施例的销量预测模型训练方法的流程图。
如图4所示,销量预测模型训练方法包括操作S401~S406。
在操作S401,基于多个预设物品的固有特征,生成物品特征矩阵。
在操作S402,基于目标权重矩阵和物品特征矩阵,分别生成多个预设物品的聚合特征向量作为训练样本。
在操作S403,获取多个预设物品在预设时间段内的销量,得到训练标签。
在操作S404,基于训练标签,使用训练样本训练初始网络模型。
在操作S405,判断初始网络模型是否训练完毕;在确定该初始网络模型未训练完毕的情况下,返回执行操作S404;在确定该初始网络模型训练完毕的情况下,执行操作S406。
在操作S406,得到销量预测模型。
根据本公开的实施例,物品的固有特征可以包括形状、颜色、价格等特征,每一种特征可以由多个数值来表示,这些数值按预设的规律进行排列即可得到物品的特征向量,多个预设物品的特征向量可以组成物品特征矩阵。
根据本公开的实施例,操作S402具体可以包括如下操作:随机生成第三权重矩阵和第四权重矩阵;使用物品特征矩阵分别和第三权重矩阵和第四权重矩阵进行矩阵运算,得到第一特征矩阵和第二特征矩阵;基于预设物品字典,从目标权重矩阵中确定与预设物品对应的权重向量;以及基于权重向量、第一特征矩阵和第二特征矩阵来生成聚合特征向量。
根据本公开的实施例,将目标权重矩阵按行分割,可以得到多个权重向量。
根据本公开的实施例,基于权重向量、第一特征矩阵和第二特征矩阵来生成聚合特征向量可以如公式1所示:
根据本公开的实施例,第三权重矩阵和第四权重矩阵可以随着初始网络模型一并训练,具体地,可以在每一轮初始网络模型训练结束后,使用该轮训练时得到的损失值来调整第三权重矩阵和第四权重矩阵。在对初始网络模型进行下一轮训练之前,可以基于调整后的第三权重矩阵和调整后的第四权重矩阵生成调整后的聚合特征向量,并使用调整后的聚合特征向量作为训练样本来训练初始网络模型。
根据本公开的实施例,初始网络模型可以基于感知机模型框架生成。
根据本公开的实施例,在训练初始网络模型时,可以在每输入预设数量的聚合特征向量后,使用得到的预设数量的损失值进行一次模型参数的调整以及第三权重矩阵和第四权重矩阵的参数的调整。在每一轮训练中,对于每个所述聚合特征向量,将所述聚合特征向量输入到所述初始网络模型中,得到网络输出值;基于所述网络输出值和与所述聚合特征向量对应的所述预设物品的销量,计算得到损失值。
图5示意性示出了根据本公开实施例的物品销量预测方法的流程图。
如图5所示,物品销量预测方法包括操作S501~S505。
在操作S501,从物品销量预测模型中的语义分析模型中获取目标权重矩阵。
在操作S502,基于预设物品字典,从目标权重矩阵中确定与目标物品对应的目标权重向量。
在操作S503,基于预设物品字典中多个预设物品的特征向量,构建物品特征矩阵。
在操作S504,基于目标权重向量和特征矩阵,计算得到目标物品的目标聚合特征向量。
在操作S505,将目标聚合特征向量输入物品销量预测模型中的销量预测模型中,得到预设时间段内目标物品的预测销量。
根据本公开的实施例,物品销量预测模型中语义分析模型和销量预测模型可以根据操作S201~S204、操作S301~S307和操作S401~S406的方法来实现,在此不再赘述。
根据本公开的实施例,目标物品可以是位于预设物品字典中的任意一个物品。
根据本公开的实施例,目标权重向量的选择与目标物品在预设物品字典中的位置相关。例如,目标物品在预设物品字典中的序号为3,则目标权重向量是目标权重矩阵的第3行。
根据本公开的实施例,可以使用如上所示的公式1来构建得到目标聚合特征向量。
根据本公开的实施例,通过使用该物品销量预测模型,可以有效提升物品销量的预测准确度,并提高物品销量预测的实用性。
图6示意性示出了根据本公开实施例的物品销量预测系统的框架示意图。
如图6所示,物品销量预测系统可以用于物品销量预测模型的训练以及该模型的使用。
在物品销量预测系统的训练过程中,首先,可以通过One-hot方法,根据物品601的用户操作序列602来生成解释矩阵603,用以进行语义模型604的训练;在语义模型604训练完成后,可以提取该语义模型604中的权重矩阵605,并从权重矩阵605中选择得到与物品601对应的权重向量606;之后,利用attention机制,可以将权重向量606和物品特征向量607进行聚合,得到聚合特征向量608,并将聚合特征向量608作为训练样本进行网络模型609的训练。
在物品销量预测系统的使用过程中,首先,可以从权重矩阵605中选择得到与物品601对应的权重向量606,并利用attention机制,可以将权重向量606和物品特征向量607进行聚合,得到聚合特征向量608,再将聚合特征向量608输入到网络模型609中,输出得到的值即物品601的预测销量。
图7示意性示出了根据本公开实施例的物品销量预测模型训练装置的框图。
如图7所示,物品销量预测模型训练装置700包括第一获取模块710、第一训练模块720、生成模块730和第二训练模块740。
第一获取模块710,用于从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录。
第一训练模块720,用于基于操作记录训练初始语义模型,得到语义分析模型。
生成模块730,用于对于每个预设物品,基于语义分析模型的目标权重矩阵和由多个预设物品的多个特征向量组成的物品特征矩阵,生成预设物品的聚合特征向量。
第二训练模块740,用于以多个预设物品的聚合特征向量作为训练样本,预设物品在预设时间段内的销量作为训练标签来训练初始网络模型,得到销量预测模型。
根据本公开的实施例,使用初始语义模型对多个预设物品的操作记录进行学习,可以得到多个预设物品与相似物品对的关联特征,即目标权重矩阵;之后,可以使用目标权值矩阵和基于多个预设物品的固有特征生成的物品特征矩阵来对预设物品的特征进行补全,以生成聚合特征向量,并使用聚合特征向量来进行销量预测模型的训练。通过利用物品的相似物品的特征对物品本身的特征进行补全,再利用补全后的特征进行预测模型的训练的技术手段,至少部分地克服了相关技术中存在的销量预测模型与物品的固有特征强依赖,在实际应用中鲁棒性较差的技术问题,从而有效提高了物品销量预测的准确性和可靠性。
根据本公开的实施例,第一训练模块720包括第一训练单元、第二训练单元和第三训练单元。
第一训练单元,用于基于操作记录,生成分别对应于每位用户的多条操作序列。
第二训练单元,用于对于每条操作序列,基于操作序列中预设物品的排列顺序,生成相似物品矩阵。
第三训练单元,用于以多个操作序列作为训练样本,与操作序列对应的相似物品矩阵作为训练标签来训练初始语义模型,得到语义分析模型。
根据本公开的实施例,初始语义模型包括第一输入层、第一隐藏层和第一输出层,其中,第一输入层到第一隐藏层之间具有第一权重矩阵,第一隐藏层到第一输出层之间具有第二权重矩阵。
根据本公开的实施例,第三训练单元包括第一训练子单元、第二训练子单元、第三训练子单元、第四训练子单元和第五训练子单元。
第一训练子单元,用于基于预设物品字典,将操作序列转换为多个解释向量。
第二训练子单元,用于将相似物品矩阵按列进行拆分,得到多个标签向量,其中,标签向量与解释向量一一对应。
第三训练子单元,用于对于每个解释向量,将解释向量输入初始语义模型中,得到输出向量。
第四训练子单元,用于基于输出向量和与解释向量对应的标签向量,计算得到第一损失值。
第五训练子单元,用于基于与预设数量的操作序列对应的多个第一损失值调整第一权重矩阵和第二权重矩阵。
根据本公开的实施例,语义分析模型包括第二输入层、第二隐藏层和第二输出层,其中,目标权重矩阵表征为第二输入层到第二隐藏层之间的权重矩阵。
根据本公开的实施例,生成模块730包括第一生成单元、第二生成单元、第三生成单元和第四生成单元。
第一生成单元,用于随机生成第三权重矩阵和第四权重矩阵。
第二生成单元,用于使用物品特征矩阵分别和第三权重矩阵和第四权重矩阵进行矩阵运算,得到第一特征矩阵和第二特征矩阵。
第三生成单元,用于基于预设物品字典,从目标权重矩阵中确定与预设物品对应的权重向量。
第四生成单元,用于基于权重向量、第一特征矩阵和第二特征矩阵来生成聚合特征向量。
根据本公开的实施例,第二训练模块740包括第四训练单元、第五训练单元和第六训练单元。
第四训练单元,用于对于每个聚合特征向量,将聚合特征向量输入到初始网络模型中,得到网络输出值。
第五训练单元,用于基于网络输出值和与聚合特征向量对应的预设物品的销量,计算得到第二损失值。
第六训练单元,用于基于多个第二损失值调整初始网络模型的模型参数。
根据本公开的实施例,物品销量预测模型训练装置700还包括第三训练模块。
第三训练模块,用于基于多个第二损失值,调整第三权重矩阵和第四权重矩阵,以便于在对初始网络模型进行下一轮训练之前,基于调整后的第三权重矩阵和调整后的第四权重矩阵生成调整后的聚合特征向量,并使用多个调整后的聚合特征向量作为训练样本来训练初始网络模型。
图8示意性示出了根据本公开实施例的物品销量预测装置的框图。
如图8所示,物品销量预测装置800包括第二获取模块810、确定模块820、构建模块830、计算模块840和预测模块850。
第二获取模块810,用于从物品销量预测模型中的语义分析模型中获取目标权重矩阵;
确定模块820,用于基于预设物品字典,从目标权重矩阵中确定与目标物品对应的目标权重向量;
构建模块830,用于基于预设物品字典中多个预设物品的特征向量,构建物品特征矩阵;
计算模块840,用于基于目标权重向量和特征矩阵,计算得到目标物品的目标聚合特征向量;
预测模块850,用于将目标聚合特征向量输入物品销量预测模型中的销量预测模型中,得到预设时间段内目标物品的预测销量。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块710、第一训练模块720、生成模块730和第二训练模块740或者第二获取模块810、确定模块820、构建模块830、计算模块840和预测模块850中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块710、第一训练模块720、生成模块730和第二训练模块740或者第二获取模块810、确定模块820、构建模块830、计算模块840和预测模块850中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块710、第一训练模块720、生成模块730和第二训练模块740或者第二获取模块810、确定模块820、构建模块830、计算模块840和预测模块850中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中物品销量预测模型训练装置部分与本公开的实施例中物品销量预测模型训练方法部分是相对应的,物品销量预测装置部分与本公开的实施例中物品销量预测方法部分是相对应的,物品销量预测模型训练装置部分的描述具体参考物品销量预测模型训练方法部分,物品销量预测装置部分的描述具体参考物品销量预测方法部分,在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现物品销量预测模型训练方法或物品销量预测方法的电子设备的框图。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,根据本公开实施例的计算机电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的物品销量预测模型训练方法。
在该计算机程序被处理器901执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种物品销量预测模型训练方法,其中,物品销量预测模型包括语义分析模型和销量预测模型,所述方法包括:
从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;
基于所述操作记录训练初始语义模型,得到所述语义分析模型;
对于每个所述预设物品,基于所述语义分析模型的目标权重矩阵和由多个所述预设物品的多个特征向量组成的物品特征矩阵,生成所述预设物品的聚合特征向量;以及
以多个所述预设物品的聚合特征向量作为训练样本,所述预设物品在所述预设时间段内的销量作为训练标签来训练初始网络模型,得到所述销量预测模型。
2.根据权利要求1所述的方法,其中,所述基于所述操作记录训练初始语义模型,得到所述语义分析模型,包括:
基于所述操作记录,生成分别对应于每位用户的多条操作序列;
对于每条所述操作序列,基于所述操作序列中所述预设物品的排列顺序,生成相似物品矩阵;以及
以多个所述操作序列作为训练样本,与所述操作序列对应的相似物品矩阵作为训练标签来训练所述初始语义模型,得到所述语义分析模型。
3.根据权利要求2所述的方法,其中,所述初始语义模型包括第一输入层、第一隐藏层和第一输出层,其中,所述第一输入层到所述第一隐藏层之间具有第一权重矩阵,所述第一隐藏层到所述第一输出层之间具有第二权重矩阵。
4.根据权利要求3所述的方法,其中,所述以多个所述操作序列作为训练样本,与所述操作序列对应的相似物品矩阵作为训练标签来训练所述初始语义模型,包括:
基于所述预设物品字典,将所述操作序列转换为多个解释向量;
将所述相似物品矩阵按列进行拆分,得到多个标签向量,其中,所述标签向量与所述解释向量一一对应;
对于每个所述解释向量,将所述解释向量输入所述初始语义模型中,得到输出向量;
基于所述输出向量和与所述解释向量对应的所述标签向量,计算得到第一损失值;以及
基于与预设数量的所述操作序列对应的多个所述第一损失值调整所述第一权重矩阵和所述第二权重矩阵。
5.根据权利要求1所述的方法,其中,所述语义分析模型包括第二输入层、第二隐藏层和第二输出层,其中,所述目标权重矩阵表征为所述第二输入层到所述第二隐藏层之间的权重矩阵。
6.根据权利要求5所述的方法,其中,所述对于每个所述预设物品,基于所述语义分析模型的目标权重矩阵和由多个所述预设物品的多个特征向量组成的物品特征矩阵,生成所述预设物品的聚合特征向量,包括:
随机生成第三权重矩阵和第四权重矩阵;
使用所述物品特征矩阵分别和所述第三权重矩阵和所述第四权重矩阵进行矩阵运算,得到第一特征矩阵和第二特征矩阵;
基于所述预设物品字典,从所述目标权重矩阵中确定与所述预设物品对应的权重向量;以及
基于所述权重向量、所述第一特征矩阵和所述第二特征矩阵来生成所述聚合特征向量。
7.根据权利要求6所述的方法,其中,所述以多个所述预设物品的聚合特征向量作为训练样本,所述预设物品在所述预设时间段内的销量作为训练标签来训练初始网络模型,包括:
对于每个所述聚合特征向量,将所述聚合特征向量输入到所述初始网络模型中,得到网络输出值;
基于所述网络输出值和与所述聚合特征向量对应的所述预设物品的销量,计算得到第二损失值;以及
基于多个所述第二损失值调整所述初始网络模型的模型参数。
8.根据权利要求7所述的方法,还包括:
基于多个所述第二损失值,调整所述第三权重矩阵和所述第四权重矩阵,以便于在对所述初始网络模型进行下一轮训练之前,基于调整后的第三权重矩阵和调整后的第四权重矩阵生成调整后的聚合特征向量,并使用多个所述调整后的聚合特征向量作为训练样本来训练所述初始网络模型。
9.一种利用根据权利要求1~8中任一项所述的方法训练得到的物品销量预测模型实现的物品销量预测方法,包括:
从所述物品销量预测模型中的语义分析模型中获取目标权重矩阵;
基于预设物品字典,从所述目标权重矩阵中确定与目标物品对应的目标权重向量;
基于所述预设物品字典中多个预设物品的特征向量,构建物品特征矩阵;
基于所述目标权重向量和所述特征矩阵,计算得到所述目标物品的目标聚合特征向量;
将所述目标聚合特征向量输入所述物品销量预测模型中的销量预测模型中,得到预设时间段内所述目标物品的预测销量。
10.一种物品销量预测模型训练装置,其中,物品销量预测模型包括语义分析模型和销量预测模型,所述装置包括:
第一获取模块,用于从历史操作数据中获取预设时间段内预设物品字典中的多个预设物品的操作记录;
第一训练模块,用于基于所述操作记录训练初始语义模型,得到所述语义分析模型;
生成模块,用于对于每个所述预设物品,基于所述语义分析模型的目标权重矩阵和由多个所述预设物品的多个特征向量组成的物品特征矩阵,生成所述预设物品的聚合特征向量;以及
第二训练模块,用于以多个所述预设物品的聚合特征向量作为训练样本,所述预设物品在所述预设时间段内的销量作为训练标签来训练初始网络模型,得到所述销量预测模型。
11.一种物品销量预测装置,包括:
第二获取模块,用于从所述物品销量预测模型中的语义分析模型中获取目标权重矩阵;
确定模块,用于基于预设物品字典,从所述目标权重矩阵中确定与目标物品对应的目标权重向量;
构建模块,用于基于所述预设物品字典中多个预设物品的特征向量,构建物品特征矩阵;
计算模块,用于基于所述目标权重向量和所述特征矩阵,计算得到所述目标物品的目标聚合特征向量;
预测模块,用于将所述目标聚合特征向量输入所述物品销量预测模型中的销量预测模型中,得到预设时间段内所述目标物品的预测销量。
12.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至9中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,所述可执行指令被处理器执行时使处理器实现权利要求1至9中任一项所述的方法。
14.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386782.1A CN114757700A (zh) | 2022-04-12 | 2022-04-12 | 物品销量预测模型训练方法、物品销量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386782.1A CN114757700A (zh) | 2022-04-12 | 2022-04-12 | 物品销量预测模型训练方法、物品销量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757700A true CN114757700A (zh) | 2022-07-15 |
Family
ID=82330534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210386782.1A Pending CN114757700A (zh) | 2022-04-12 | 2022-04-12 | 物品销量预测模型训练方法、物品销量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436936A (zh) * | 2023-12-19 | 2024-01-23 | 湖南兴盛优选电子商务有限公司 | 基于销量预测与bom成品加工系统及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180999A1 (en) * | 2012-12-20 | 2014-06-26 | International Business Machines Corporation | Method and apparatus for providing software problem solutions |
CN107633422A (zh) * | 2017-08-24 | 2018-01-26 | 武汉科技大学 | 一种基于用户行为的市场预测方法及装置 |
CN110060090A (zh) * | 2019-03-12 | 2019-07-26 | 北京三快在线科技有限公司 | 推荐商品组合的方法、装置、电子设备及可读存储介质 |
CN110544118A (zh) * | 2019-08-23 | 2019-12-06 | 阿里巴巴(中国)有限公司 | 销量预测方法、装置、介质和计算设备 |
CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN111160968A (zh) * | 2019-12-27 | 2020-05-15 | 清华大学 | Sku级别商品销量预测方法及装置 |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
CN111401409A (zh) * | 2020-02-28 | 2020-07-10 | 创新奇智(青岛)科技有限公司 | 商品品牌特征获取方法、销量预测方法、装置及电子设备 |
US20210012199A1 (en) * | 2019-07-04 | 2021-01-14 | Zhejiang University | Address information feature extraction method based on deep neural network model |
WO2021027256A1 (zh) * | 2019-08-15 | 2021-02-18 | 创新先进技术有限公司 | 处理交互序列数据的方法及装置 |
CN112381303A (zh) * | 2020-11-19 | 2021-02-19 | 北京嘀嘀无限科技发展有限公司 | 一种任务指标数据预测方法和系统 |
CN113610230A (zh) * | 2021-08-16 | 2021-11-05 | 中国工商银行股份有限公司 | 训练方法、预测方法、装置、计算机系统及存储介质 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
CN113722583A (zh) * | 2021-07-31 | 2021-11-30 | 华为技术有限公司 | 推荐方法、推荐模型训练方法及相关产品 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
-
2022
- 2022-04-12 CN CN202210386782.1A patent/CN114757700A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180999A1 (en) * | 2012-12-20 | 2014-06-26 | International Business Machines Corporation | Method and apparatus for providing software problem solutions |
CN107633422A (zh) * | 2017-08-24 | 2018-01-26 | 武汉科技大学 | 一种基于用户行为的市场预测方法及装置 |
CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
CN110060090A (zh) * | 2019-03-12 | 2019-07-26 | 北京三快在线科技有限公司 | 推荐商品组合的方法、装置、电子设备及可读存储介质 |
US20210012199A1 (en) * | 2019-07-04 | 2021-01-14 | Zhejiang University | Address information feature extraction method based on deep neural network model |
WO2021027256A1 (zh) * | 2019-08-15 | 2021-02-18 | 创新先进技术有限公司 | 处理交互序列数据的方法及装置 |
CN110544118A (zh) * | 2019-08-23 | 2019-12-06 | 阿里巴巴(中国)有限公司 | 销量预测方法、装置、介质和计算设备 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN111160968A (zh) * | 2019-12-27 | 2020-05-15 | 清华大学 | Sku级别商品销量预测方法及装置 |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
CN111401409A (zh) * | 2020-02-28 | 2020-07-10 | 创新奇智(青岛)科技有限公司 | 商品品牌特征获取方法、销量预测方法、装置及电子设备 |
CN112381303A (zh) * | 2020-11-19 | 2021-02-19 | 北京嘀嘀无限科技发展有限公司 | 一种任务指标数据预测方法和系统 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
CN113722583A (zh) * | 2021-07-31 | 2021-11-30 | 华为技术有限公司 | 推荐方法、推荐模型训练方法及相关产品 |
CN113610230A (zh) * | 2021-08-16 | 2021-11-05 | 中国工商银行股份有限公司 | 训练方法、预测方法、装置、计算机系统及存储介质 |
CN113888235A (zh) * | 2021-10-22 | 2022-01-04 | 创优数字科技(广东)有限公司 | 一种销量预测模型的训练方法、销量预测方法及相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436936A (zh) * | 2023-12-19 | 2024-01-23 | 湖南兴盛优选电子商务有限公司 | 基于销量预测与bom成品加工系统及方法 |
CN117436936B (zh) * | 2023-12-19 | 2024-05-17 | 湖南兴盛优选电子商务有限公司 | 基于销量预测与bom成品加工系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190325514A1 (en) | Credit risk prediction method and device based on lstm model | |
US20190370659A1 (en) | Optimizing neural network architectures | |
US11861464B2 (en) | Graph data structure for using inter-feature dependencies in machine-learning | |
US8868471B1 (en) | Evaluation of task judging results | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108052979A (zh) | 对模型预测值进行融合的方法、装置和设备 | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
CN112348300A (zh) | 用于推送信息的方法和装置 | |
CN110414690A (zh) | 利用机器学习模型执行预测的方法及装置 | |
CN114708081A (zh) | 信用风险预测方法及装置、电子设备和可读存储介质 | |
CN113837216A (zh) | 数据分类方法、训练方法、装置、介质及电子设备 | |
CN113159877A (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
US10891664B2 (en) | System and method for facilitating non-parametric weighted correlation analysis | |
CN111784377A (zh) | 用于生成信息的方法和装置 | |
EP4293534A1 (en) | Blockchain address classification method and apparatus | |
US20230229793A1 (en) | Intelligent estimation of onboarding times for managed services | |
US20220253690A1 (en) | Machine-learning systems for simulating collaborative behavior by interacting users within a group |
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 |