CN115136154B - 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法 - Google Patents

用于优化电子服装订购平台中的可穿戴项目选择的系统和方法 Download PDF

Info

Publication number
CN115136154B
CN115136154B CN202180016369.XA CN202180016369A CN115136154B CN 115136154 B CN115136154 B CN 115136154B CN 202180016369 A CN202180016369 A CN 202180016369A CN 115136154 B CN115136154 B CN 115136154B
Authority
CN
China
Prior art keywords
predicted usage
average
usage
metric
wearable items
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202180016369.XA
Other languages
English (en)
Other versions
CN115136154A (zh
Inventor
张礼薇
格奥尔基·戈尔登贝格
克里希南·维什瓦纳特
蒋东溟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kaishou Co
Original Assignee
Kaishou Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kaishou Co filed Critical Kaishou Co
Publication of CN115136154A publication Critical patent/CN115136154A/zh
Application granted granted Critical
Publication of CN115136154B publication Critical patent/CN115136154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • 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
    • 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]
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions

Abstract

公开了用于在订购电子交易平台中分派可穿戴项目的方法、系统和非暂态计算机可读介质。例如，方法可以包括：基于关于历史发货的可穿戴项目的信息来生成网格，其中该网格包括至少第一单元和第二单元；确定指示已经使用多少可穿戴项目的平均百分比和可穿戴项目的平均预测使用率度量，该平均预测使用率度量指示针对每个单元发货的每多个可穿戴项目中用户使用可穿戴项目的倾向；生成映射，该映射被配置为将预测使用率度量转换为压制的预测使用率度量；以及基于所生成的映射将预测使用率度量转换为压制的预测使用率度量。

Description

用于优化电子服装订购平台中的可穿戴项目选择的系统和 方法
技术领域
本公开的各种实施方式总体上涉及用于优化电子服装订购平台中的可穿戴项目选择的系统和方法，并且更具体地，基于用户满意度来优化可穿戴项目选择。
背景技术
以使用户满意度和业务目标两者最大化的方式来优化服装的选择和交付是租赁服装订购服务的挑战。特别是，确定可穿戴项目选择的与多种类型的业务目标一致的优化目标可能是困难的。一些用于可穿戴项目选择的系统和方法基于有过积极且高使用率体验的用户(例如，其中用户使用过所选可穿戴项目的实例)来优化可穿戴项目选择，因为与其他用户相比，此类用户穿戴高质量衣服的使用率预测可能相对较高。因此，对于此类系统和方法而言，优化可穿戴项目选择使得高质量衣服被发货(ship)到相对满意的用户以便最大化整体使用率可能是最有利的。这可以允许相对满意的用户保持满意，但同样可能使相对不满意的用户保持相对不满意。因此，需要一种优化电子服装订购平台中的可穿戴项目选择的改进方法。
本文提供的背景描述是为了一般地呈现本公开的上下文的目的。除非本文另有说明，否则本节中描述的材料不是相对于本申请中权利要求的现有技术，并且不因包括在本节中而被承认为现有技术或现有技术的暗示。
发明内容
根据本公开的某些方面，公开了用于基于用户满意度在服装订购服务中优化可穿戴项目选择以克服上述传统方法的问题的系统和方法。
在一个实施方式中，一种用于在订购电子交易平台中分派可穿戴项目的计算机实现的方法包括：通过一个或更多个处理器，基于关于历史发货的可穿戴项目的信息来生成网格，其中，该网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，该信息的一部分对应于：(i)百分比的类别，该百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量(wearability metric)的类别，该预测使用率度量指示用户使用可穿戴项目的倾向；通过一个或更多个处理器，确定指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的平均百分比；通过一个或更多个处理器，确定可穿戴项目的平均预测使用率度量，该平均预测使用率度量指示用户使用每个单元的可穿戴项目的倾向；通过一个或更多个处理器，生成映射，该映射被配置为至少基于每个单元的平均百分比和平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成映射包括确定第一差异度量，该第一差异度量指示第一单元和第二单元之间的每平均预测使用率度量差异的平均百分比差异，并且其中，所生成的映射包括第一差异度量以及第一单元的平均百分比和使用率度量；通过所述一个或更多个处理器，获得关于第一配对的信息，该第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，该信息包括：(i)与第一唯一用户标识符和第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，该第一百分比指示发货给第一用户每多个可穿戴项目中该第一用户已经使用了多少可穿戴项目；通过一个或更多个处理器，确定第一预测使用率度量落入第一单元的可穿戴项目的预测使用率度量的类别下；通过一个或更多个处理器，确定第一百分比落入指示针对第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下；通过一个或更多个处理器，基于所生成的映射将第一预测使用率度量转换为第一压制的使用率度量；以及通过一个或更多个处理器，基于第一压制的使用率度量和/或第一预测使用率度量，来确定是否将第一可穿戴项目分派给第一唯一用户标识符。
在另一实施方式中，一种计算机系统包括：数据存储设备，该数据存储设备存储处理器可读指令；处理器，该处理器被配置为执行指令以执行下述方法：该方法可以包括：基于关于历史发货的可穿戴项目的信息来生成网格，其中，该网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，该信息的一部分对应于：(i)百分比的类别，该百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，该预测使用率度量指示用户使用可穿戴项目的倾向；确定平均百分比，该平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的平均百分比；确定可穿戴项目的平均预测使用率度量，该平均预测使用率度量指示用户使用每个单元的所述可穿戴项目的倾向；生成映射，该映射被配置为至少基于每个单元的平均百分比和平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成映射包括确定第一差异度量，该第一差异度量指示第一单元和第二单元之间的每平均预测使用率度量差异的平均百分比差异，并且其中，所生成的映射包括第一差异度量以及第一单元的平均百分比和使用率度量；获得关于第一配对的信息，该第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，所述信息包括：(i)与第一唯一用户标识符和第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，该第一百分比指示发货给第一用户的每多个可穿戴项目中该第一用户已经使用了多少可穿戴项目；确定第一预测使用率度量落入第一单元的可穿戴项目的预测使用率度量的类别下；确定第一百分比落入指示针对第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下；基于所生成的映射将第一预测使用率度量转换为第一压制的使用率度量；以及基于第一压制的使用率度量和/或第一预测使用率度量，来确定是否将第一可穿戴项目分派给第一唯一用户标识符。
在另一实施方式中，提供了一种非暂态计算机可读介质，该非暂态计算机可读介质包括指令，该指令在由处理器执行时，使处理器执行方法。该方法可以包括：基于关于历史发货的可穿戴项目的信息来生成网格，其中，该网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，该信息的一部分对应于：(i)百分比的类别，该百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，该预测使用率度量指示用户使用可穿戴项目的倾向；确定平均百分比，该平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的平均百分比；确定可穿戴项目的平均预测使用率度量，该平均预测使用率度量指示用户使用每个单元的所述可穿戴项目的倾向；生成映射，该映射被配置为至少基于每个单元的平均百分比和平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成映射包括确定第一差异度量，该第一差异度量指示第一单元和第二单元之间的每平均预测使用率度量差异的平均百分比差异，并且其中，所生成的映射包括第一差异度量以及第一单元的所述平均百分比和使用率度量；获得关于第一配对的信息，该第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，所述信息包括：(i)与第一唯一用户标识符和第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，该第一百分比指示发货给第一用户的每多个可穿戴项目中该第一用户已经使用了多少可穿戴项目；确定第一预测使用率度量落入第一单元的可穿戴项目的预测使用率度量的类别下；确定第一百分比落入指示针对第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下；基于所生成的映射将第一预测使用率度量转换为第一压制的使用率度量；以及基于第一压制的使用率度量和/或第一预测使用率度量，来确定是否将第一可穿戴项目分派给第一唯一用户标识符。
附图说明
并入并构成本说明书一部分的附图示出了各种示例性实施方式并且与描述一起用于解释所公开的实施方式的原理。
图1描绘了可以在其中实施本公开的方法、系统和其他方面的示例环境。
图2描绘了示意性地示出根据一个或更多个实施方式的使用率建模和匹配系统的示例性实现方式中的系统架构和数据流的框图。
图3描绘了根据一个或更多个实施方式的使用率建模和匹配的示例性方法。
图4描绘了根据一个或更多个实施方式的使用率建模和匹配的示例性方法。
图5描绘了根据本公开的示例性实施方式的优化电子服装订购平台中的可穿戴项目选择的示例性方法。
图6描绘了根据本公开的示例性实施方式的优化电子服装订购平台中的可穿戴项目选择的示例性方法。
图7描绘了可以在其中实施本公开的实施方式或其部分的示例性计算机设备或系统。
具体实施方式
现在将详细参考本公开的示例性实施方式，这些示例性实施方式的示例在附图中示出。在可能的情况下，将在整个图中使用相同的附图标记来指代相同或类似的部分。
在租赁服装订购服务中，用户可以从租赁服装订购服务提供的一组在线合集中挑选用户可能想要试穿的可穿戴项目。租赁服装订购服务可以选择所选择的可穿戴项目并将所选择的可穿戴项目发货给用户。在一些实施方式中，服务选择的过程可以形式化为数学优化法，其中可以通过深度学习方法来最大化用户穿戴的衣服，该深度学习方法可以对穿戴衣服的用户体验进行建模(也称为“使用率建模”)，计算用户穿戴衣服的概率(以下称为“使用率”)，以及在服务选择中使使用率最大化。例如，确定可穿戴项目的此类使用率度量的多种实施方式在例如2019年2月14日提交的、名称为“Systems and Methods forAutomatic Apparel Wearability Model Training and Prediction”的美国专利申请号16/275,989中公开，该美国专利申请通过引用整体并入本文。
在一些实施方式中，使用率模型可以是通用模型，该通用模型除了可穿戴项目质量之外还可以将用户的历史体验作为输入来预测匹配用户和可穿戴项目对(例如，唯一用户标识符(UUID)和库存单位(SKU)对)的概率。在一些实施方式中，使用率模型可以针对相对满意的用户预测高使用率分数并且针对相对不满意的用户预测低分数。在一些实施方式中，匹配引擎可以接收此类预测的使用率分数作为输入并且确定可以最大化预测的使用率分数的分配计划。例如，匹配引擎可以向相对满意的用户分配相对较好的可穿戴项目(例如，质量相对较高的可穿戴项目，诸如较好的面料、较好的反馈等)，而向相对不满意的用户发送相对较少的较好匹配的可穿戴项目。如上所述，这可以允许相对满意的用户保持满意，但类似地可能导致相对不满意的用户保持不满意。
因此，可穿戴项目选择优化中的常规建模和学习方法可能会偏向于比其他用户和衣服具有更多的历史和体验数据的用户和衣服。在这种情况下，当租赁服装订购服务必须做出不同的选择决策以在有限库存的情况下满足所有当前用户的选择时，使用率的最大化可能会偏向于选择高可穿戴衣服以发货给有过高使用率体验的用户，从而不考虑因低使用率而有过不太理想体验的用户。
在存在库存限制和需求增长的情况下，租赁服装订购服务满足尽可能多的用户可能是重要的。因此，本公开通过不仅基于整体使用率而且基于个体用户满意度进行优化来解决可穿戴项目选择中的偏差。
本公开描述了涉及下述框架的实施方式，该框架除了在可穿戴项目选择的优化目标中使使用率最大化之外还可以允许“压制(squashing)”。在一些实施方式中，压制方法可以基于用户过去和当前的服务满意度状态对用户进行分段，计算用户对可穿戴项目使用率的敏感性，并将使用率转换为可以参考可穿戴项目选择来测量用户满意度的压制的使用率。因此，这种可穿戴项目选择的过程可以形式化为涉及最大化压制的使用率即用户满意度的数学优化法。在本公开的上下文中，压制可以被称为将使用率分数转换为估计的满意度水平的过程，如下面将进一步详细地描述的。在一些实施方式中，转换可以基于用户的满意度水平对使用率分数的敏感程度。对于不同的用户段，转换可能会有所不同，用户段可以基于用户的历史穿戴百分比。在本公开的上下文中，历史穿戴百分比可以指每次发货可穿戴项目给用户被穿戴的可穿戴项目的比率。可以基于用户段所反映的穿戴百分比来估计用户的满意度水平。例如，具有80％或以上的用户穿戴百分比水平的相对满意的用户可能对所选择的可穿戴项目不那么挑剔和/或用户的身体形状可能更容易合身。因此，相对满意的用户可能更有可能穿戴大多数发货的衣服，即使当与发货的衣服和用户相关联的使用率分数不理想时也是如此。在这种情况下，分数压制可以允许匹配引擎分配可能在相对满意的用户的衣橱中的期望的可穿戴项目和对使用率分数相对敏感的用户。在本公开的上下文中，压制的分数可以被称为用户可能穿戴具有特定使用率分数的衣服的概率。
在本公开中，本文描述的实施方式可以涉及确定和实施用于分数压制的转换。在一些实施方式中，匹配引擎可以使用压制的使用率分数来最大化整个电子服装订购平台的整体用户满意度，如下文将进一步详细描述的。由于分数压制可以基于用户的满意度对使用率分数的敏感性，因此基于压制的分数的可穿戴项目选择可以增加租赁服装订购服务的用户的整体满意度，并得到较高的订购者转化和保留。
以下实施方式描述了用于执行神经网络训练以便动态地预测服饰使用率和最大化用户满意度的系统和方法。如上所述，服务提供商(例如，基于订购的服务提供商)需要增加其用户实际使用和满意服务的可能性，并针对尽可能多的用户实现这种可能性的增加，尽管这些用户在个人品味或偏好上存在差异。具有这种目的的服务平台可以包括例如使用户能够订购、购买或租赁服饰的电子平台，该电子平台在关键考虑因素诸如例如确定每个订购者是否在特定租赁循环中实际穿戴租赁的服饰下运行。如果提供商智能地分配或推荐用户穿戴概率较高的服饰，则服务的价值可能会大大提高。
尽管本公开中描述的示例性系统架构涉及用于订购、购买或租赁服饰的电子交易(例如，服装即服务(CaaS)或先试后买(TTB)服务)，但是在不脱离本公开的范围的情况下，本文公开的实现方式可以有效地服务于任何其他订购、产品购买或在线交易服务，诸如例如，订购或购买软件服务、清理服务、交付服务、维护服务、租赁产品、租赁车辆等。例如，可穿戴或者具有高使用率度量(例如，具有穿戴服饰的倾向)和/或用户满意度的特性可以对应于在服饰之外的环境中可用的特性(例如，具有使用订购的租赁产品或服务的倾向)。
根据本公开，可以通过独特配置的机器学习和预测性建模来实现为订购者分配或推荐具有较高用户满意度百分比的服饰和/或虚拟服饰衣橱。鉴于可以从历史交易中收集的大量数据属性，可以形成和/或检索指示每个用户与某些服饰的关系的数据集(例如，发货的衣服是否被用户实际穿戴的二进制标志)。此外，计算系统可以将此类数据集转换为训练数据集，并使用该训练数据集运行神经网络模型训练。在这个过程中，专门定制的神经网络训练，结合它们不断预测使用率度量和为用户提供高度可穿戴的服饰的实际应用，产生了非常规和独特的自动化，这些自动化必然通过下面更详细描述的特定自动化过程实现技术改进。因此，这些自动化过程的非常规和独特的方面代表与仅仅为执行手动或脑力任务提供众所周知的或惯例的环境的鲜明对比。
现在将在下文中参考附图更全面地描述本说明书的主题，附图形成本说明书的一部分并且通过说明的方式示出了特定示例性实施方式。本文描述为“示例性”的实施方式或实现方式不应被解释为例如优选于或优于其他实施方式或实现方式；更确切地说，它旨在反映或表明实施方式是“示例”实施方式。主题可以以多种不同的形式体现，因此，涵盖或要求保护的主题旨在被解释为不限于本文阐述的任何示例性实施方式；提供示例性实施方式仅仅是为了说明。同样，旨在要求保护或涵盖的主题的范围相当广泛。例如，主题尤其可以体现为方法、设备、部件或系统。因此，实施方式可以例如采用硬件、软件、固件或其任意组合的形式(除了软件本身)。因此，以下详细描述不旨在被理解为限制性意义。
在整个说明书和权利要求书中，术语可以具有在上下文中暗示或暗含的、超出了明确陈述的含义的细微含义。同样地，本文中使用的短语“在一个实施方式中”不一定指相同的实施方式，并且本文使用的短语“在另一实施方式中”不一定指不同的实施方式。例如，要求保护的主题旨在包括全部或部分示例性实施方式的组合。
下面使用的术语可以以其最广泛合理的方式来解释，即使它是结合本公开的某些特定示例的详细描述使用的。事实上，某些术语甚至可以在下面强调；然而，旨在以任何受限方式解释的任何术语将在本详细说明部分中公开且具体地定义。前面的一般描述和下面的详细描述都只是示例性和解释性的，而不是对所要求保护的特征的限制。
如在本公开中使用的，术语“CaaS”(即，服装即服务)可以统称为与用户的订购、购买和/或租赁服务相关联的计算机实现的服务和功能(例如，定期订购以接收服饰、服饰租赁或购买订单、分销、退货处理、TTB服务、账户管理、营销、客户服务、仓库运营等)。如在本公开中使用的，术语“服饰”可以指服装、服饰、珠宝、帽子、配饰或用户可以穿戴的其他产品中的任何物品。在本公开的上下文中，术语“服饰”可以与“衣服”和“可穿戴项目”互换使用。
如在本公开中使用的，术语“使用率(wearability)”可以指用户实际穿戴给定衣服的倾向或概率，并且术语“使用率度量”可以是指示使用率水平的度量。如在本公开中使用的，“分数压制”可以被称为将使用率度量转换为估计的用户满意度水平的过程。因此，术语“压制的度量”可以指压制的使用率度量，即，向用户指示估计的用户满意度水平和/或估计值的转换的使用率度量。在本公开的上下文中，未被压制的使用率度量可以被称为“原始使用率度量”。如在本公开中使用的，术语“放入衣橱(closeting)”或“到衣橱”可以指将一件或更多件衣服放入虚拟衣橱(例如，推车、储藏室或可能实际上与一组特定的一件或更多件衣服相关联以供将来交易的任何类型的空间)的计算机实现的操作。另外，“匹配”可以指确定一组一件或更多件匹配衣服和/或确定给定衣服的使用率度量的计算机实现的操作，并且“分配”可以指确定应分派并发货给一个或更多个特定用户的衣服的计算机实现的操作。在本公开的上下文中，用户-衣服对可以被称为唯一用户标识符(UUID)和衣服标识符例如库存单位(SKU)的配对。
在本公开中，术语“基于”是指“至少部分基于”。除非上下文另有说明，否则单数形式的“一”、“一个”和“该”包括复数指示物。术语“示例性”是在“示例”而不是“理想”的意义上使用的。术语“或”是指包括性的，并且是指所列项目中的一个项目、任何一个项目、几个项目或所有项目。术语“包括(comprise)”、“包括(comprising)”、“包括(include)”、“包括(including)”或其其他变型旨在涵盖非排他性的包括，使得包括元素列表的过程、方法或产品不一定仅包括那些元素，而是可以包括未明确列出或此类过程、方法、物品或装置所固有的其他元素。相对性的术语，诸如“基本上”和“一般”，用于表示规定或理解值的±10％的可能变化。
现在参考附图，图1示出了根据本公开的一个或更多个实施方式的示例环境100。如图所示，示例环境100可以包括一个或更多个用户设备110、网络112、产品在线交易处理(产品OLTP)部件114、发布者136、仓库管理系统(WMS)138以及使用率建模和匹配系统140。
示例环境100的用户可以使用一个或更多个用户设备110(例如，计算设备、移动设备等)来访问和/或应用从使用率建模和匹配系统140生成的结果。一个或更多个用户设备可以使用网络112与产品OLTP部件114、WMS 138和/或用户设备110中的其他用户设备进行通信。此外，用户设备110可以允许用户显示用于访问由产品OLTP部件114、仓库管理系统138和/或用户设备110中的其他用户设备生成的信息的网络浏览器、应用或任何其他用户界面。例如，用户设备110中的一个或更多个用户设备中的设备可以加载具有图形用户界面(GUI)的应用，并且该应用可以在GUI上显示一个或更多个服饰推荐以供用户放入衣橱。
使用率建模和匹配系统140可以为用户提供各种特征，这些特征必然提供对平台的技术改进，这些平台仅向用户提供选择抉择而没有使用率分析功能。在一些实现方式中，使用率建模和匹配系统140连同产品OLTP部件114和/或WMS 138可以向用户提供计算机实现的面向用户的服饰推荐。例如，这些计算机实现的推荐可以独特地考虑(i)特定用户可能穿戴哪些服饰，(ii)与特定用户可能穿戴的其他服饰类似的服饰，(iii)对与特定用户类似的其他用户具有高使用率的服饰，(iv)对与特定用户有过类似体验的其他用户具有高使用率的服饰，和/或(v)用户对之前发货给用户的服饰的满意度。在向用户界面做出此类推荐时，使用率建模和匹配系统140连同产品OLTP部件114和/或WMS 138可以使用使用率度量(例如，原始使用率度量和/或压制的度量)作为关键考虑因素。
另外或替代性地，使用率建模和匹配系统140连同产品OLTP部件114和/或WMS 138可以使用使用率度量(例如，原始使用率度量和/或压制的度量)作为一个或更多个衣橱策管特征(curation features)的关键考虑因素。例如，环境100可以基于一个或更多个原因诸如大小、季节性、样式、面料和/或其他高级属性来帮助用户设备110(例如，通过提供通知推荐)清除或更换具有低使用率和/或低用户满意度的服饰。在这些实现方式中，使用率建模和匹配系统140连同产品OLTP部件114和/或WMS 138可以选择具有低于预设阈值的低使用率度量(例如，低原始使用率度量和/或低压制的度量，如下文详细描述)的服饰。
产品OLTP部件114可以是被配置为处理来自用户设备110的在线交易的一个或更多个计算机实现的数据处理和存储系统。产品OLTP部件114可以处理例如订单输入、销售交易、退货处理、补给支持/处理和金融交易。此外，产品OLTP部件114可以至少与补给系统122、发布者136和匹配设置引擎126通过消息总线或通道进行通信以与其他连接的系统交换数据。例如，发布者136可以从产品OLTP部件114接收信息，并将接收到的信息传送到WMS138。产品OLTP部件114可以包括或连接到其中包括表或任何其他数据结构的一个或更多个数据库。包括在产品OLTP部件114中或连接到产品OLTP部件114的一个或更多个数据库可以被配置为接收和响应对与交易相关联的数据的查询。另外或替代性地，产品OLTP部件114中的一个或更多个数据库可以被配置为以定期调度的间隔传输数据，通过异步调度传输数据，和/或响应与读取、写入和/或检索存储在其中的数据相关联的授权请求。
使用率建模和匹配系统140可以为与预测性建模和使用率匹配/分配相关联的多个子过程提供架构，多个子过程包括生成分析、使用率训练、使用率预测和使用率匹配。作为子过程的支持架构，使用率建模和匹配系统140可以包括多种部件，例如BI(业务智能)部件116、使用率设置子系统118、度量数据库120、补给系统122、匹配数据库134、RID信息存储库124、匹配设置引擎126、匹配设置文件存储库128、匹配引擎130、匹配结果文件存储库132。
BI部件116可以存储和/或提供存储在数据仓库中的历史信息，以及在生成时从其他源系统收集的新数据，诸如例如历史分析和实时预测两者。例如，由BI部件116存储和输出的数据可以包括来自数据仓库的原始属性、历史发货和RN(退货通知)数据、历史衣橱数据、以及来自活动衣橱的动态数据馈送，如下面更详细描述的。BI部件116可以用作可穿戴设置子系统118的数据馈送的唯一来源。另外或替代性地，使用率设置子系统118可以与产品OLTP部件114通信并从产品OLTP部件114接收数据。
使用率设置子系统118可以与BI部件116和/或产品OLTP部件114通信，并且可以包括执行使用率数据准备、使用率训练和使用率预测的多个模块。下面详细描述可以执行这些功能的各个模块。使用率设置子系统118可以从BI部件116接收输入数据，输入数据可以包括例如原始属性、历史发货和退货通知数据、历史衣橱数据和活动衣橱数据。来自BI部件116的接收或流式传输或输入数据可以周期性地、异步地或通过推送和/或拉取操作运行。
使用率设置子系统118可以与度量数据库120通信。度量数据库120可以包括数据管理部件和/或数据库，诸如例如Elasticsearch、Hbase，或能够索引、检索和/或搜索文档或用作键值对(key-value-pair)商店的任何其他数据搜索/存储部件。使用率设置子系统118可以将输出数据传输到度量数据库120。例如，输出数据可以是指示穿戴一件或更多件衣服的倾向的一个或更多个预测使用率度量。例如，一个或更多个预测使用率度量可以与用户和服饰对相关联。在一些实施方式中，使用率设置子系统118可以将此类预测使用率度量转换为压制的使用率度量，压制的使用率度量可以指示关于包括在用户和服饰对中的服饰的预测的用户满意度水平。下面更详细地描述使用率设置子系统118基于输入数据产生输出数据的具体功能。
补给系统122可以与产品OLTP部件114通信，并且可以周期性地、异步地或者通过推送和/或拉取操作(例如，动态馈送到补给系统122中)接收来自产品OLTP部件114的输入数据。例如，输入数据可以是用户的退货通知(RN)的RN属性，以及与RN属性相关联的任何其他数据属性。基于输入数据，补给系统122可以为用户生成补给标识符(RID)以及与每个RID相关联的任何其他数据属性。例如，RID可以是补给系统122响应于用户的RN和/或检测到用户有空位(open slot)并且有资格获得下一个盒子和发货而生成的标识符。另外或替代性地，使用率设置子系统118可以在使用率设置训练模块204中生成RID，如下文进一步详细描述的。补给系统122可以将RID连同与每个RID相关联的任何其他数据属性传送到匹配数据库134。
匹配数据库134可以与补给系统122通信。匹配数据库134可以包括一个或更多个子部件，诸如例如RID信息存储库124、匹配设置文件存储库128和匹配结果文件存储库132。匹配数据库134可以接收RID(例如，连同与每个RID相关联的任何其他数据属性)并将接收到的数据存储到RID信息存储库124。
匹配设置引擎126可以与度量数据库120、匹配数据库134、RID信息存储库124、匹配结果文件存储库132和产品OLTP部件114通信。匹配设置引擎126可以循环运行，诸如周期性循环(例如，每小时)、异步地、或者通过基于事件诸如RID的生成事件的推送和/或拉取操作来运行。在每个循环处，匹配设置引擎126可以接收在RID信息存储库124处动态生成的一个或更多个RID。另外或替代性地，匹配设置引擎126可以从度量数据库120接收生成的RID。对于接收到的RID，匹配设置引擎126可以检索与那些RID相关的所有数据属性或元数据，诸如唯一用户标识符(例如，UUID)、唯一服饰标识符(例如，SKU信息)和/或与来自产品OLTP部件114的唯一用户标识符和/或服饰标识符相关联的任何其他数据属性。在一些实现方式中，匹配设置引擎126还可以从产品OLTP部件114接收与活动衣橱或放入衣橱的服饰相关联的数据属性，以便基于活动衣橱数据生成匹配对。
匹配设置引擎126然后可以动态地生成匹配用户和服饰对。在一些实施方式中，每个匹配用户和服饰对可以包括从产品OLTP部件114检索的唯一用户标识符(例如，UUID)和唯一服饰标识符(例如，SKU)。然后匹配设置引擎126可以从存储在度量数据库120处的预测使用率度量中检索与来自度量数据库120的每个匹配用户和服饰对相关联的使用率度量。例如，对于每个匹配用户和服饰对(例如，UUID-SKU)，匹配设置引擎126可以向度量数据库120提出在线请求，以检索可以与匹配用户和服饰对(例如，UUID-SKU)相关联的预测使用率度量，并将检索到的预测使用率度量作为匹配用户和服饰对的匹配使用率度量存储在匹配数据库134中的匹配设置文件存储库128处。
在一些实现方式中，匹配设置引擎126可以在与使用率设置子系统118执行的功能分开且独立的循环中执行其功能。例如，使用率设置子系统118可以执行其准备和构建使用率模型、处理预测数据以及离线生成预测使用率度量的功能(例如，作为后端操作循环，与匹配设置引擎126执行的操作循环相比，该后端操作循环可以以不同的和独立的调度执行)并将输出数据存储在度量中以供匹配设置引擎126进行自组织在线检索。与其中使用率设置子系统118和匹配设置引擎126在每个在线请求或每个循环迭代处一起执行操作的实现方式相比，这样的实现方式可以实现减少产生使用率度量的在线执行时间。由使用率设置子系统118进行的离线计算(例如，独立于匹配设置引擎126的在线活动执行的计算)的实现方式可能导致匹配设置引擎126处所需的数据的延迟，诸如丢失匹配对。为了补救这种延迟，如果在匹配设置引擎126处存在匹配对的丢失的预测使用率度量，则匹配设置引擎126可以生成警报和/或用默认值(例如，中性值，诸如50％，或任何其他预设默认值)填充丢失数据。
替代性地，使用率设置子系统118和匹配设置引擎126在每个循环迭代中一起执行操作，使得在线生成预测使用率度量以供匹配设置引擎126立即使用(例如，没有由独立执行的存储操作引起的任何延迟，或者不需要度量数据库120)。在线度量计算的这种实现方式可以消除使用率设置子系统118和匹配设置引擎126之间的数据延迟，并且还使得在线检索服务能够被其他子系统(例如，环境100内的子系统和/或与环境100通信的子系统)使用。与上述离线计算实现方式相比，该实现方式可能导致产生使用率度量的较高的在线执行时间。
匹配引擎130可以与匹配设置文件存储库128和匹配结果文件存储库132通信。匹配引擎130可以循环运行，如周期性循环(例如，每小时)、异步地、或者通过推送和/或拉取操作来运行。匹配引擎130可以在与匹配设置引擎126相同的同步循环中运行。在每个循环处，匹配引擎130可以从匹配设置文件存储库128接收输入数据，诸如存储的一个或更多个匹配对的匹配使用率度量。基于接收到的数据，匹配引擎可以为每个匹配对生成例如两个结果文件。第一结果文件可以具有与匹配对相关联的使用率度量，诸如例如原始使用率度量和压制的使用率度量。在一些实施方式中，第一结果文件还可以包括预期的使用率概率、平均使用率比率、优先成功比率、匹配设置时的丢失键、以及在没有计算的度量的情况下挑选的匹配的数目。第二结果文件可以具有匹配优化法的成本函数结果，该成本函数结果可以通过例如首先计算经调整的分数为经调整的分数＝I(is_prioritized)*x*匹配使用率度量，然后计算匹配分配的成本为x-经调整的分数来计算。然后可以将结果文件存储在匹配结果文件存储库132处。
匹配结果文件存储库132可以与匹配引擎130和发布者136通信。发布者136可以与WMS 138通信。发布者136和WMS 138都可以通过网络112与用户设备110通信。发布者136可以从存储在匹配结果文件存储库132中的结果文件中检索数据属性，并从结果文件中以特定预设或默认发布格式输出数据(例如，使用率度量、平均使用率比率、优先成功比率、匹配设置时的丢失键、以及在没有计算的度量的情况下挑选的匹配的数目)。例如，发布者136的输出可以由用户设备110或由WMS 138直接检索。WMS 138可以通过网络112连接到用户设备110。WMS 138可以执行例如存储和/或传输基于发布者136的输出得出或生成的仓库管理数据属性的功能。
提供图1中所示的设备、网络和部件的数量和布置作为示例。在实践中，与图1中所示的那些相比，可以存在附加的设备和/或部件、较少的设备和/或部件、不同的设备和/或部件、或不同布置的设备和/或部件。此外，图1所示的两个或更多个设备或部件可以在单个设备内实现，或者图1所示的单个设备可以实现为多个分布式设备。另外或替代性地，环境100的设备或部件可以执行描述为由环境100的另一设备或部件执行的一个或更多个功能。
图2描绘了示意性地示出根据一个或更多个实施方式的使用率建模和匹配系统的示例性环境200中的系统架构和数据流的框图。示例性环境200可以具有分别在两个计算环境诸如模型训练环境201和匹配环境203中运行的两个过程。模型训练环境201可以使用例如SQL和/或Python来实现。可以理解，在替代性实施方式中，可以使用任何适当的语言来实现模型训练环境201。匹配环境203可以使用例如Java或能够有条件地匹配算法的任何其他编程语言来实现。如上文关于图1所述，模型训练环境201可以托管预测使用率度量计算的离线过程，该过程可能不需要针对匹配环境203的任何操作实时运行，或者与匹配环境203的任何在线过程一起被在线执行。替代性地，模型训练环境201和匹配环境203都可以在线运行(例如，在每个在线过程中都运行一个循环)，使得在线生成预测使用率度量以供立即使用而没有任何数据延迟。
模型训练环境201可以包括使用率设置子系统205，使用率设置子系统205可以执行多个不同的模块(例如，使用率设置训练模块204、使用率压制设置模块208和使用率设置预测模块212)。这些模块可以是由与使用率设置子系统205相关联的一个或更多个处理器执行的软件指令。在一些实现方式中，使用率设置子系统205可以对应于图1的使用率设置子系统118。
使用率设置子系统205可以接收各种数据属性以构建用于神经网络训练的训练数据集，并生成预测数据，诸如例如与用户-衣服对相关联的预测使用率度量(例如，原始使用率度量和/或压制的使用率度量)。接收到的数据属性可以包括原始属性202a、历史发货和RN 202b、历史衣橱数据202c和活动衣橱数据202d，并且可以从BI部件116和/或产品OLTP部件114接收数据属性，如上面参考图1所述。
使用率设置训练模块204可以准备和处理建模数据，这可能是产生预测使用率度量的模型的机器学习过程所需要的。首先，可以从BI部件116和/或产品OLTP部件114接收输入数据，诸如原始属性202a、历史发货和RN 202b以及历史衣橱数据202c。在一些实施方式中，历史发货和RN 202b可以包括来自用户的相关联的穿戴百分比响应。例如，RN可以包括用户-衣服对和来自用户的指示用户是否已经使用衣服的响应。在一些实施方式中，来自用户的响应可以指示用户已经使用了多少次衣服。在一些实现方式中，可以收集原始属性202a并将其放入高级分析表中。
基于高级分析表、原始属性202a、历史发货和RN 202b、和/或历史衣橱数据202c，使用率设置训练模块204可以将已经发货的对(以下称为发货的对)的特征向量与RN连结(join)。例如，发货的衣服对可以形成向量诸如(UUID、SKU、发货日期)，并且该向量可以与具有分析的特征(例如，来自高级分析表的分析，或从原始属性202a、历史发货和RN 202b、和/或历史衣橱数据202c检索的任何其他用户/SKU/服饰/衣橱水平属性)连结。如本文所使用的，特征可以指在模型训练环境201中使用的任何分析，并且分析可以指任何用户/SKU/服饰/衣橱水平属性。
然后，这些连结的向量可以被下载到一个或更多个数据文件(例如，一个或更多个csv文件，或者能够存储连结的向量的任何其他一种或更多种数据文件)中，并且如果存在预设条件这种下载的标准可能受到条件限制。例如，可能存在仅在过去x天(例如，90天)内发货的服饰可以加载到csv文件中的条件。利用来自一个或更多个csv文件的数据集，使用率设置训练模块204然后可以基于其他条件清理数据集。例如，使用率设置训练模块204可以检测下述预设条件，该预设条件即如果与来自用户的历史反馈相关联的数据具有超过5的RN计数(例如，接收到的关于该服饰或该用户的RN的数目)或者任何其他预设阈值，则可以使用该数据。在该示例中，任何小于或等于预设阈值的数据都可以作为清理过程的一部分从数据集中被作废(void)。
在清理数据之后，使用率设置训练模块204然后可以通过将数据集运行到附加的过滤器和转化区来转换数据集。例如，可以从数据集中移除具有至少x％的丢失数据属性的特征(例如，x是预设数字，诸如例如50)。此外，分类特征可能会被虚拟化(dummified)。在本公开的上下文中，术语“虚拟化”可以指将分类特征扩展为多个二元特征的一种或更多种方法。例如，名为“性别”的分类特征可以有两个可能的值：男性和女性。当分类特征“性别”被虚拟化时，可能会生成两列：“是_男性(is_male)”和“是_女性(is_female)”。对于与性别为男性的用户关联的数据集，“是_男性”可以设置为“真”(TRUE)，而“是_女性”可以设置为“假”(FALSE)，并且反之亦然。在某些情况下，这种“虚拟化”过程可以被称为“独热编码”。此外，可以通过例如从其他位置(例如，BI部件116、产品OLTP部件114或使用率设置子系统205可访问的任何其他数据库或内部存储)搜索丢失的特征值和/或用默认的预设值填充丢失的特征来输入丢失的特征。在一些实施方式中，可以基于训练数据来动态地确定预设值。例如，预设值可以是具有类似属性的某组用户的平均值(例如，试用用户的丢失穿戴百分比的预设值可以是训练数据集中试用用户的历史穿戴百分比的平均值。此外，还可以通过基于预设因子重新对准或调整值、去除异常值和/或根据预设规则或条件以任何方式标准化值来将特征规范化。在一些实现方式中，使用率设置训练模块204可以将得到的训练数据集作为建模ETL(提取、转换、加载)对象保存在与使用率设置子系统205通信的一个或更多个目标数据库中。
使用率设置训练模块204可以使用训练数据集执行用于产生模型的训练过程。在一些实施方式中，使用率设置训练模块204可以将训练数据集(例如，通过接收训练数据集和/或检索存储在指定文件和位置处的训练数据集)用于神经网络训练过程。如上所述，训练过程可以作为离线过程执行，因此与匹配环境203的匹配操作相比，可以运行较少的独立循环(例如，每天1至3次而不是每小时)。在每个训练循环中，可以基于训练数据集来训练神经网络。如本文所用，神经网络可以是例如比传统神经网络具有较多层的深度学习神经网络。使用率设置训练模块204可以训练神经网络，使得训练的模型(例如，使用率模型206)可以被配置为输出唯一用户标识符和唯一服饰标识符的任何对的度量(例如，指示穿戴倾向的预测使用率度量，该预测使用率度量可以是基于来自训练的预测性建模的预测的使用率分数或默认的使用率分数)。在一些实施方式中，使用率模型206可以包括TTB建模和预测、衣服使用建模和预测等中的一者或更多者。例如，输出度量可以是给定衣服被报告为被给定的用户集(对应于UUID的用户，或基于用户属性与该用户相关联的用户集)穿戴(例如，用户提供的RN中穿戴与未穿戴的二进制标志)的平均比率。在训练神经网络的循环之后，从训练得到的一个或更多个经训练的模型可以作为经训练的模型对象存储在与可穿戴设置子系统205通信的一个或更多个数据库中。
在一些实现方式中，使用率设置子系统205还可以通过执行或模拟在使用率设置训练模块204处生成的经训练的模型对象例如使用率模型206并评估这些对象来估计经训练的模型对象。例如，评估可以包括预测训练对的使用率度量，以及计算评估度量，诸如准确度、AUC(曲线下面积)、精确度、召回率等。AUC例如可以用在分类分析中，以便确定哪个模型对象最好地对类进行预测。
使用率设置预测模块212可以收集和准备数据以生成预测使用率度量。在一些实施方式中，使用率设置预测模块212可以收集尽可能接近实时的数据。例如，如果用户刚刚放入衣橱新的衣服和/或返回通知的衣服(例如，发送衣服的RN)，则使用率设置预测模块212可以捕获与所有这些活动相关联的数据属性，因为获得或丢失用户的一个数据属性可能对由使用率设置预测模块212产生的预测使用率度量有影响。可以从BI部件116接收活动衣橱数据。可以从例如使用率设置训练模块204接收与RN相关的活动数据。此外，使用率设置预测模块212不仅可以捕获新的放入衣橱或RN数据关系(例如，UUID-SKU关系)，而且还可以从BI部件116、使用率设置训练模块204或与环境200通信的任何其他数据库收集与该关系相关的数据属性(例如，关于处于属性水平的每个SKU的细节)。
在一些实施方式中，使用率设置预测模块212可以基于所收集的数据来定义唯一用户标识符和唯一服饰标识符的衣橱对(closeted pair)的全域。使用率设置预测模块212然后可以对于衣橱对连结高级特征(例如，关于处理建模数据描述的高级分析表)。然后可以将衣橱文件下载到一个或更多个csv文件中。利用来自一个或更多个csv文件的数据集，使用率设置预测模块212然后可以基于其他条件清理数据集。例如，使用率设置预测模块212可以检测下述预设条件，该预设条件即仅在与来自用户的历史反馈相关联的数据具有超过5的RN计数(例如，接收到的关于该服饰或该用户的RN的数目)或者任何其他预设阈值时，才可以使用该数据。在该示例中，任何小于或等于预设阈值的数据都可以作为清理过程的一部分从数据集中被作废。
在清理数据之后，使用率设置预测模块212然后可以通过将数据集运行到附加的过滤器和转化区来转换数据集。例如，可以加载模型ETL对象(由使用率设置训练模块204保存)。此外，如上所述，分类特征可以被虚拟化。此外，可以通过例如从其他位置(例如，BI部件116、产品OLTP部件114或使用率设置子系统205可访问的任何其他数据库或内部存储)搜索丢失的特征值和/或用默认的预设值填充丢失的特征来输入丢失的特征。在一些实施方式中，可以基于训练数据来动态地确定预设值。例如，预设值可以是具有类似属性的某组用户的平均值(例如，试用用户的丢失穿戴百分比的预设值可以是训练数据集中试用用户的历史穿戴百分比的平均值。此外，还可以通过基于预设因子重新对准或调整值、去除异常值和/或根据预设规则或条件以任何方式标准化值来将特征规范化。作为这些转换的结果，预测数据可以被准备好并且变得可用于可穿戴设置预测模块212的模块。
使用率设置预测模块212然后可以通过预测指示穿戴倾向的一个或更多个预测使用率度量例如原始使用率度量，来对预测数据运行预测。这样的预测可以通过加载存储的一个或更多个经训练的模型对象、使用预测数据执行经训练的模型对象以及生成由训练模型对象的执行产生的预测使用率度量来发生。在一些实现方式中，使用率设置预测模块212还可以预测训练对的度量或分数(例如，出于与预测过程相关联的评估或训练的目的)。然后，使用率设置预测模块212可以将得到的预测使用率度量存储在度量数据库120中，如上面关于图1所描述的。
在一些实施方式中，使用率设置预测模块212可以至少基于得到的预测使用率度量和用于压制的映射210来计算压制的使用率度量，如下面将进一步详细描述的。在此类实施方式中，除了原始使用率度量之外，使用率设置预测模块212可以将压制的使用率度量存储在度量数据库120中。
使用率压制设置模块208可以被配置为从使用率设置训练模块204和/或匹配设置模块216获得具有RN和与所获得的对相关联的分数的对(例如，UUID和SKU对)。然后，使用率压制设置模块208可以基于所获得的具有RN和相关联的分数的对来确定用于压制的映射210，如将参考图3至图4进一步详细描述的。使用率压制设置模块208可以将用于压制的映射210提供给使用率设置预测模块212。
返回参考使用率设置预测模块212可以压制原始使用率度量，即至少基于用于压制的映射210将原始使用率度量转换为估计的用户满意度水平。在一些实施方式中，使用率设置预测模块212可以获得用户穿戴的估计百分比，如下文进一步详细描述的。在此类实施方式中，使用率设置预测模块212可以至少基于所获得的用户穿戴的估计百分比和用于压制的映射210来压制原始使用率度量。
在匹配环境203中，可以生成匹配使用率度量和成本函数输出。基于从使用率设置预测模块212输出的预测使用率度量(例如，压制的使用率度量214d和原始使用率度量214c(也称为预压制的使用率度量214c))以及从产品OLTP部件114和/或RID信息存储库124接收的实时RID 214a和实时衣橱214b，匹配环境203可以动态地生成具有匹配使用率度量和成本函数输出的结果文件220。这个过程可以由已经在上面关于图1进行了详细描述的匹配设置引擎216和匹配引擎218来执行。例如，在一些实现方式中，匹配设置引擎216可以对应于图1的匹配设置引擎126，并且匹配引擎218可以对应于图1的匹配引擎130。
提供图2中所示的设备、网络和模块的数量和布置作为示例。在实践中，与图2中所示的那些相比，可以存在附加的设备和/或模块、较少的设备和/或模块、不同的设备和/或模块、或不同布置的设备和/或模块。此外，图2所示的两个或更多个设备或部件可以在单个设备内实现，或者图2所示的单个设备可以实现为多个分布式设备。另外或替代性地，环境200的设备或模块可以执行描述为由环境200的另一设备或模块执行的一个或更多个功能。
图3描绘了根据一些实施方式的训练使用率模型和确定用于压制的映射的示例性方法300。如图3所示，方法300可以从步骤302开始，在该步骤中，可以获得当前和/或先前的发货数据(下文称为发货数据)(包括匹配设置、分配结果、补给等)连同相关联的使用率分数并且可以将发货数据与相关联的使用率分数组合以形成数据集。在一些实施方式中，发货数据可以包括与在预定时间段内发货的衣服相关联的信息。例如，发货数据可以包括与在某个发货日期前一个月内发货的衣服相关联的信息。在一些实施方式中，发货数据可以包括具有相关联的预测使用率度量(例如，原始使用率度量和压制的使用率度量)的一个或更多个用户和服饰对。在此类实施方式中，可以从匹配数据库134中的匹配设置文件存储库128中检索具有相关联的预测使用率度量的用户和服饰对。在一些实施方式中，可以从发布的数据例如由发布者136发布的信息中检索先前的发货数据。例如，发布者136可以在可穿戴项目处于履行过程中时发布使用率分数。作为另一示例，匹配设置模块216可以发布与匹配的用户-衣服对相关联的原始使用率分数。在这种情况下，发布者136可以在生成RID时发布与匹配的用户-衣服对相关联的原始使用率分数和压制的使用率分数。
在步骤304中，可以对获得的数据进行清理和转换。例如，可以检测预设条件，其中仅在与来自用户的历史反馈相关联的数据具有超过5的RN计数(例如，接收到的关于该服饰或该用户的RN的数目)或者任何其他预设阈值时，才可以使用该数据。在某些情况下，RN计数可以称为观察值。在该示例中，任何小于或等于预设阈值的数据都可以作为清理过程的一部分从数据集中被作废。在清理数据集之后，可以通过将数据集运行到附加的过滤器和转化区中来转换数据集，如上面参考图2的使用率设置训练模块204所描述的。
在步骤306中，可以基于分配的使用率分数和用户历史穿戴百分比来对清理和转换的数据进行分段。如上所述，特定衣服的衣服质量可以通过与特定衣服相关联的用户的使用率分数来测量。每个用户在穿戴衣服时可能对衣服的质量表现出不同的敏感性。然而，具有类似历史穿戴百分比的用户可能在衣服质量变化方面表现类似。因此，可以基于指示历史穿戴百分比的段和指示分配的使用率分数的段之间的关系来预测任何用户的用户穿戴衣服的概率。因此，可以基于转换的数据来确定分配的使用率分数的段，从而提供关于使用率分数的离散点以计算差异，如下面参考步骤312进一步详细描述的。在一些实施方式中，历史穿戴百分比的段可以包括以下示例性范围：(i)大于0％且小于或等于20％,(0.0,0.2],(ii)大于20％且小于或等于40％,(0.2,0.4],(iii)大于40％且小于或等于50％,(0.4,0.5],(iv)大于50％且小于或等于60％,(0.5,0.6],(vi)大于60％且小于或等于至70％,(0.6,0.7],(vii)大于70％且小于或等于80％,(0.7,0.8],(viii)大于80％且小于或等于90％,(0.8,0.9],和(ix)大于90％且小于或等于100％,(0.9,1.0]。在一些实施方式中，分配的使用率分数的段可以包括类似的示例性范围。可以理解，在替代性实施方式中，可以适当地调整分段的历史穿戴百分比和分配的使用率分数的范围。因此，可以确定下述网格，该网格包括历史穿戴百分比的分段范围的行和分配的使用率分数的分段范围的列。网格可以包括多个单元，每个单元与特定的分配的使用率分数范围和特定的历史穿戴百分比范围相关联。
在步骤308中，可以为每个单元计算穿戴百分比。在一些实施方式中，可以为每个单元确定平均使用率分数和历史穿戴百分比。因此，平均使用率分数和平均历史穿戴百分比可以指示每个单元的实际使用率分数和历史百分比。下面的表1提供了网格的一部分，该部分对应于(0.6,0.7]的用户段范围、平均使用率分数段范围、每个单元的平均使用率分数(例如，每个单元分别对应于特定的使用率分数段范围和特定的用户段范围诸如(0.0,0.2]和(0.6,0.7])、每个单元的平均历史穿戴百分比、以及每个单元的观察值数目。为了便于解释，并且只是为了清楚起见，表1中包括了单元编号。
表1
在步骤310中，可以去除具有少于预定观察值数目的单元。例如，包括低于预定观察值数目(例如50个)的数据点的单元可以被移除，如下面的表2中所示(移除的单元8显示为穿过每个对应列的线)。
表2
在步骤312中，可以确定每个用户段的差异度量。在一些实施方式中，可以基于平均使用率分数和平均历史穿戴百分比来确定网格的每个用户段之间的差异度量。在一些实施方式中，所确定的差异度量可以指示每分数变化的假定穿戴百分比。例如，参考表2，可以如下面表3所示提供每个用户段之间的差异度量。
每使用率分数变化的历史穿戴百分比
0.42
0.71
0.87
0.76
0.55
0.00
表3
作为示例性说明，0.42的差异度量可以基于从上面的表2获得的数字通过以下计算获得：
0.42＝(0.43,0.36,0.34,0.16)的函数
＝((单元2的平均历史穿戴百分比)，(单元1的平均历史穿戴百分比)，(单元2的平均使用率分数)，(单元1的平均使用率分数)的函数。
可以理解，可以类似地确定剩余的差异度量。
在一些实施方式中，用于压制的映射210可以包括针对每个用户段所确定的差异度量，如下面的表4中所示。
表4
在一些实施方式中，可以推测用于压制的映射210的开始单元。例如，开始单元可以基于第一单元的平均历史穿戴百分比和第一单元的平均使用率分数。在一些实施方式中，使用率设置预测模块212可以利用用于压制的映射210将原始使用率度量转换为压制的使用率度量，如下面参考图4进一步详细描述的。
在步骤314中，还可以基于步骤304中经清理和转换的数据生成使用率训练模型。在一些实施方式中，如上面参考图2所描述的，可以基于步骤304中经清理和转换的数据来生成和/或更新由使用率设置训练模块204训练的使用率模型206。在一些实施方式中，所生成的使用率训练模型可以被使用率设置预测模块212利用以生成一个或更多个预测使用率度量，例如原始使用率度量。
图4描绘了根据一些实施方式的确定压制的分数的示例性方法400。如图4所示，方法400可以从步骤402开始，在该步骤中，可以如上面参考图2的使用率设置训练模块204和使用率压制设置模块208以及图3的步骤302所描述的那样获得发货数据。
在步骤404中，使用率模型206可以用于生成预测使用率分数，例如原始使用率度量。在一些实施方式中，使用率设置预测模块212可以利用使用率模型206来生成预测使用率分数，例如原始使用率分数。在步骤406中，可以基于用于压制的映射210来计算压制的使用率度量。在一些实施方式中，使用率设置预测模块212可以利用用于压制的映射210将原始使用率度量转换为压制的使用率度量。在一些实施方式中，与用户和服饰对相关联的压制的分数可以基于用户和服饰对属于哪个单元。例如，可以获得四个用户和服饰对(例如，UUID-SKU对)用于压制。如下面的表5所示，每个用户和服饰对可以与用户历史穿戴百分比和使用率分数(也称为原始使用率度量或预压制的使用率分数)相关联。
表5
可以基于用于压制的映射210来确定每个上述用户和服饰对的压制的使用率分数。例如，上面在表4中描绘的用于压制的映射210可以用于确定压制分数，如下面的表6中所示。
表6
在一些实施方式中，可以通过基于用于压制的映射210的插值来确定压制的分数。具体地，可以通过使用用于压制的映射210中的一行来确定压制的分数，该行与刚好低于与用户和服饰对相关联的使用率分数的平均使用率分数相关联。例如，与U1-S1相关联的使用率分数为0.35，如表5所示。因此，刚好低于包括在用于压制的映射210中的0.35的使用率分数可以是0.34。因此，与0.34使用率分数相关联的信息(例如，包括0.34平均使用率分数、43％平均历史穿戴百分比和0.71差异度量的行)可以用于确定U1-S1的压制的分数。
图5描绘了根据本公开的示例性实施方式的在订购电子交易平台中分派可穿戴项目的示例性方法500。可以理解，参考图5描绘和描述的步骤可以以任何顺序执行，例如并行执行。如图5所示，在步骤502中，一个或更多个处理器可以基于关于历史发货的可穿戴项目的信息来生成网格。在一些实施方式中，网格可以包括至少第一单元和第二单元，其中每个单元可以包括关于历史发货的可穿戴项目的信息的一部分，该信息的一部分对应于：(i)百分比的类别，该百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，该预测使用率度量指示用户使用可穿戴项目的倾向。在一些实施方式中，关于百分比的类别可以包括一系列百分比，并且关于预测使用率度量的类别可以包括一系列预测使用率度量。
在步骤504中，一个或更多个处理器可以确定平均百分比，该平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目。在步骤506中，一个或更多个处理器可以确定可穿戴项目的平均预测使用率度量，该平均预测使用率度量指示用户使用每个的可穿戴项目的倾向。在步骤508中，一个或更多个处理器可以生成映射，该映射被配置为至少基于每个单元的平均百分比和平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量。在一些实施方式中，生成映射可以包括确定第一差异度量，该第一差异度量指示第一单元和第二单元之间的每平均预测使用率度量差异的平均百分比差异，并且所生成的映射可以包括第一差异度量以及第一单元的平均百分比和使用率度量。在一些实施方式中，生成映射可以包括：针对第一单元确定推测的百分比，该推测的百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目；以及针对第一单元确定推测的预测使用率度量。
在一些实施方式中，网格还可以包括第三单元，并且针对第一单元确定的平均预测使用率度量可以低于针对第二单元确定的平均预测使用率度量，以及针对第二单元确定的平均预测使用率度量可以低于针对第三单元确定的平均预测使用率度量。在此类实施方式中，生成映射还可以包括(i)确定第二差异度量，该第二差异度量指示第二单元和第三单元之间的每平均预测使用率度量差异的平均百分比差异，以及(ii)将第二斜率(slop)度量与第二单元关联。
在一些实施方式中，方法500还可以包括：确定针对每个单元的观察值数目；将所确定的针对所述第一单元的观察值数目与预定阈值进行比较；以及作为确定预定阈值超过所确定的针对第一单元的交易数目的结果，从网格中移除第一单元和关于历史发货的可穿戴项目的相关信息。
图6描绘了根据本公开的示例性实施方式的在订购电子交易平台中分派可穿戴项目的示例性方法600。在一些实施方式中，方法600可以是如上面参考图5所描述的方法500的延伸。例如，方法600的步骤602可以在方法500的步骤510之后。然而，可以理解，参考图5至图6描绘和描述的步骤可以以任何顺序执行，例如并行执行。
在步骤602中，一个或更多个处理器可以获得关于包括第一唯一用户标识符和第一可穿戴项目的第一配对的信息。在一些实施方式中，该信息可以包括(i)与第一唯一用户标识符和第一可穿戴项目相关联的第一预测使用率度量，以及(ii)指示发货给第一用户的每多个可穿戴项目中第一用户已经使用了多少可穿戴项目的第一百分比。在步骤604中，一个或更多个处理器可以确定第一预测使用率度量落入第一单元的可穿戴项目的预测使用率度量的类别下。在步骤606中，一个或更多个处理器可以确定第一百分比落入指示针对第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下。在步骤608中，一个或更多个处理器可以基于所生成的映射将第一预测使用率度量转换为第一压制的使用率度量。在一些实施方式中，将第一预测使用率度量转换为第一压制的使用率度量可以包括：获得第一差异度量以及第一单元的平均百分比和使用率度量；以及基于第一预测使用率度量、第一差异度量、以及第一单元的平均百分比和使用率度量，来确定第一压制的使用率度量。在步骤610中，一个或更多个处理器可以基于第一压制的使用率度量和/或第一预测使用率度量，来确定是否将第一可穿戴项目分派给第一唯一用户标识符。
在一些实施方式中，第一预测使用率度量可以指示与第一唯一用户标识符相关联的第一用户使用第一可穿戴项目的倾向。
如图7所示，用于执行本公开的各种实施方式的设备700可以包括中央处理单元(CPU)720。CPU 720可以是任何类型的处理器设备，包括例如任何类型的专用或通用微处理器设备。在一些实施方式中，图1的环境100和/或图2的环境200中描绘的部件的任何组合可以对应于设备700。如相关领域的技术人员将理解的，CPU 720也可以是多核/多处理器系统中的单个处理器，这样的系统单独地或者在计算设备的集群中运行，计算设备的集群在集群或服务器群中运行。CPU 720可以连接到数据通信基础设施710，例如总线、消息队列、网络或多核消息传递方案。
设备700还可以包括主存储器740，例如随机存取存储器(RAM)，并且还可以包括辅助存储器730。在一些实施方式中，图1的环境100和/或图2的环境200中描绘的部件的任何组合可以对应于设备700。辅助存储器，例如只读存储器(ROM)，可以是例如硬盘驱动器或可移动存储驱动器。这种可移动存储驱动器可以包括例如软盘驱动器、磁带驱动器、光盘驱动器、闪速存储器等。该示例中的可移动存储驱动器以众所周知的方式从可移动存储单元读取和/或写入可移动存储单元。可移动存储单元可以包括由可移动存储驱动器读取和写入可移动存储驱动器的软盘、磁带、光盘等。如相关领域的技术人员将理解的，这种可移动存储单元通常包括其中存储有计算机软件和/或数据的计算机可用存储介质。
在替代性实现方式中，辅助存储器730可以包括用于允许将计算机程序或其他指令加载到设备700中的其他类似装置。此类装置的示例可以包括程序盒(cartridge)和盒接口(诸如在视频游戏设备中找到的接口)、可移动存储器芯片(诸如EPROM或PROM)和相关联的插口、以及其他可移动存储单元和允许软件和数据从可移动存储单元传送到设备700的接口。
设备700还可以包括通信接口(“COM”)760。通信接口760允许在设备700和外部设备之间传送软件和数据。通信接口760可以包括调制解调器、网络接口(例如以太网卡)、通信端口、PCMCIA插槽和卡等。通过通信接口传送的软件和数据可以是信号的形式，这些信号可以是电子的、电磁的、光学的或能够被通信接口760接收的其他信号。这些信号可以通过设备700的通信路径提供给通信接口760，该通信路径可以使用例如电线或电缆、光纤、电话线、蜂窝电话链路、RF链路或其他通信信道来实现。
这种装备的硬件元件、操作系统和编程语言本质上是常规的，并且假定本领域的技术人员对其充分熟悉。设备700还可以包括输入和输出端口750以连接输入和输出设备，诸如键盘、鼠标、触摸屏、监视器、显示器等。当然，各种服务器功能可以在许多类似平台上以分布式方式实现，以分布处理负载。替代性地，服务器可以通过一个计算机硬件平台的适当编程来实现。
本文公开的系统、装置、设备和方法通过示例并参考附图进行详细描述。本文所讨论的示例仅是示例并且被提供以帮助解释本文所述的装置、设备、系统和方法。除非特别指定为强制性，否则附图中所示或以下讨论的任何特征或部件均不应被视为对任何这些装置、设备、系统或方法的任何特定实现方式是强制性的。为了便于阅读和清楚起见，某些部件、模块或方法可以仅结合特定图来描述。在本公开中，特定技术、布置等的任何标识要么与所呈现的特定示例相关，要么仅是这种技术、布置等的一般描述。除非特别如此指定，否则特定细节或示例的标识不旨在并且不应被解释为强制性或限制性的。任何未能具体描述部件的组合或子组合不应被理解为表明任何组合或子组合是不可能的。将理解，对所公开和描述的示例、布置、配置、部件、元件、装置、设备、系统、方法等的修改是可以进行的并且可能是特定应用所期望的。此外，对于所描述的任何方法，无论方法是否结合流程图进行描述，都应该理解，除非上下文另有规定或要求，否则在方法执行中执行的任何明确或隐含的步骤顺序都不暗指这些步骤必须按照呈现的顺序执行，而是可以以不同的顺序或并行执行。
在整个本公开中，对部件或模块的引用通常指的是逻辑上可以组合在一起以执行功能或一组相关功能的项目。类似的附图标记通常旨在指代相同或类似的部件。部件和模块可以用软件、硬件或软件和硬件的组合来实现。术语“软件”被广泛使用，以不仅包括可执行代码，例如机器可执行或机器可解释指令，还包括以任何合适的电子格式存储的数据结构、数据存储和计算指令，包括固件和嵌入式软件。术语“信息”和“数据”被广泛使用，并且包括：多种电子信息，包括可执行代码；内容，诸如文本、视频数据和音频数据等；以及各种代码或标志。在上下文允许的情况下，术语“信息”、“数据”和“内容”有时可以互换使用。
旨在将说明书和示例仅视为示例性的，本公开的真实范围和精神由所附权利要求指示。

Claims (20)

1.一种用于在订购电子交易平台中分派可穿戴项目的计算机实现的方法，所述方法包括：
通过一个或更多个处理器，基于关于历史发货的可穿戴项目的信息来生成网格，其中，所述网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，所述信息的一部分对应于：(i)百分比的类别，所述百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，所述预测使用率度量指示用户使用所述可穿戴项目的倾向；
通过所述一个或更多个处理器，利用基于关于所述历史发货的可穿戴项目的信息训练的神经网络来确定平均百分比，所述平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目；
通过所述一个或更多个处理器，利用经训练的神经网络来确定可穿戴项目的平均预测使用率度量，所述平均预测使用率度量指示用户使用每个单元的所述可穿戴项目的倾向；
通过所述一个或更多个处理器，生成映射，所述映射被配置为至少基于每个单元的所述平均百分比和所述平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成所述映射包括确定第一差异度量，所述第一差异度量指示所述第一单元和所述第二单元之间的每平均预测使用率度量差异的平均百分比差异，并且其中，所生成的映射包括所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；
通过所述一个或更多个处理器，获得关于第一配对的信息，所述第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，所述信息包括：(i)与所述第一唯一用户标识符和所述第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，所述第一百分比指示发货给第一用户的每多个可穿戴项目中所述第一用户已经使用了多少可穿戴项目；
通过所述一个或更多个处理器，确定所述第一预测使用率度量落入所述第一单元的可穿戴项目的预测使用率度量的类别下；
通过所述一个或更多个处理器，确定所述第一百分比落入指示针对所述第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下；
通过所述一个或更多个处理器，基于所生成的映射将所述第一预测使用率度量转换为第一压制的使用率度量；以及
通过所述一个或更多个处理器，基于所述第一压制的使用率度量和/或所述第一预测使用率度量，来确定是否将所述第一可穿戴项目分派给所述第一唯一用户标识符。
2.根据权利要求1所述的方法，其中，所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的第一用户使用所述第一可穿戴项目的倾向。
3.根据权利要求1所述的方法，其中，将所述第一预测使用率度量转换为所述第一压制的使用率度量包括：
获得所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；以及
基于所述第一预测使用率度量、所述第一差异度量、以及所述第一单元的所述平均百分比和使用率度量，来确定所述第一压制的使用率度量。
4.根据权利要求1所述的方法，其中，指示针对所述第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别被限定为包括某一范围的百分比，并且其中，所述第一单元的可穿戴项目的预测使用率度量的类别被限定为包括某一范围的预测使用率度量。
5.根据权利要求1所述的方法，其中，生成所述映射还包括：
针对所述第一单元确定推测的百分比，所述推测的百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目；以及
针对所述第一单元确定推测的预测使用率度量。
6.根据权利要求1所述的方法，其中，所述网格还包括第三单元，并且针对所述第一单元确定的平均预测使用率度量低于针对所述第二单元确定的平均预测使用率度量，以及针对所述第二单元确定的平均预测使用率度量低于针对所述第三单元确定的平均预测使用率度量，并且
其中，生成所述映射还包括：(i)确定第二差异度量，所述第二差异度量指示所述第二单元和所述第三单元之间的平均预测使用率度量的每差异的平均百分比的差异，以及(ii)将所述第二差异度量与所述第二单元关联。
7.根据权利要求1所述的方法，还包括：
确定针对每个单元的观察值数目；
将所确定的针对所述第一单元的观察值数目与预定阈值进行比较；以及
作为确定所述预定阈值超过所确定的针对所述第一单元的交易数目的结果，从所述网格中移除所述第一单元和关于历史发货的可穿戴项目的相关联的信息。
8.一种用于在订购电子交易平台中分派可穿戴项目的计算机系统，所述计算机系统包括：
数据存储设备，所述数据存储设备存储处理器可读指令；以及
处理器，所述处理器被配置为执行所述指令以执行下述方法，所述方法包括：
基于关于历史发货的可穿戴项目的信息来生成网格，其中，所述网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，所述信息的一部分对应于：(i)百分比的类别，所述百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，所述预测使用率度量指示用户使用所述可穿戴项目的倾向；
利用基于关于所述历史发货的可穿戴项目的信息训练的神经网络来确定平均百分比，所述平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目；
利用经训练的神经网络来确定可穿戴项目的平均预测使用率度量，所述平均预测使用率度量指示用户使用每个单元的所述可穿戴项目的倾向；
生成映射，所述映射被配置为至少基于每个单元的所述平均百分比和所述平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成所述映射包括确定第一差异度量，所述第一差异度量指示所述第一单元和所述第二单元之间的平均预测使用率度量的每差异的平均百分比的差异，并且其中，所生成的映射包括所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；
获得关于第一配对的信息，所述第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，所述信息包括：(i)与所述第一唯一用户标识符和所述第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，所述第一百分比指示发货给第一用户的每多个可穿戴项目中所述第一用户已经使用了多少可穿戴项目；
确定所述第一预测使用率度量落入所述第一单元的可穿戴项目的预测使用率度量的类别下；
确定所述第一百分比落入指示针对所述第一单元发货的每多个可穿戴项目已中经使用了多少可穿戴项目的百分比的类别下；
基于所生成的映射将所述第一预测使用率度量转换为第一压制的使用率度量；以及
基于所述第一压制的使用率度量和/或所述第一预测使用率度量，来确定是否将所述第一可穿戴项目分派给所述第一唯一用户标识符。
9.根据权利要求8所述的计算机系统，其中，所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的第一用户使用所述第一可穿戴项目的倾向。
10.根据权利要求8所述的计算机系统，其中，将所述第一预测使用率度量转换为所述第一压制的使用率度量包括：
获得所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；以及
基于所述第一预测使用率度量、所述第一差异度量、以及所述第一单元的所述平均百分比和使用率度量，来确定所述第一压制的使用率度量。
11.根据权利要求8所述的计算机系统，其中，关于所述百分比的类别包括一系列百分比，并且其中，关于所述预测使用率度量的类别包括一系列预测使用率度量。
12.根据权利要求8所述的计算机系统，其中，生成所述映射还包括：
针对所述第一单元确定推测的百分比，所述推测的百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目；以及
针对所述第一单元确定推测的预测使用率度量。
13.根据权利要求8所述的计算机系统，其中，所述网格还包括第三单元，并且针对所述第一单元确定的平均预测使用率度量低于针对所述第二单元确定的平均预测使用率度量，以及针对所述第二单元确定的平均预测使用率度量低于针对所述第三单元确定的平均预测使用率度量，并且
其中，生成所述映射还包括：(i)确定第二差异度量，所述第二差异度量指示所述第二单元和所述第三单元之间的平均预测使用率度量的每差异的平均百分比的差异，以及(ii)将所述第二差异度量与所述第二单元关联。
14.根据权利要求8所述的计算机系统，其中，所述方法还包括：
确定针对每个单元的观察值数目；
将所确定的针对所述第一单元的观察值数目与预定阈值进行比较；以及
作为确定所述预定阈值超过所确定的针对所述第一单元的交易数目的结果，从所述网格中移除所述第一单元和关于历史发货的可穿戴项目的相关联的信息。
15.一种非暂态计算机可读介质，所述非暂态计算机可读介质包括指令，所述指令在由处理器执行时，使所述处理器执行下述方法，所述方法包括：
基于关于历史发货的可穿戴项目的信息来生成网格，其中，所述网格包括至少第一单元和第二单元，其中，每个单元包括关于历史发货的可穿戴项目的信息的一部分，所述信息的一部分对应于：(i)百分比的类别，所述百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目，以及(ii)可穿戴项目的预测使用率度量的类别，所述预测使用率度量指示用户使用所述可穿戴项目的倾向；
利用基于关于所述历史发货的可穿戴项目的信息训练的神经网络来确定平均百分比，所述平均百分比指示针对每个单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目；
利用经训练的神经网络来确定可穿戴项目的平均预测使用率度量，所述平均预测使用率度量指示用户使用每个单元的所述可穿戴项目的倾向；
生成映射，所述映射被配置为至少基于每个单元的所述平均百分比和所述平均预测使用率度量将预测使用率度量转换为压制的预测使用率度量，其中，生成所述映射包括确定第一差异度量，所述第一差异度量指示所述第一单元和所述第二单元之间的平均预测使用率度量的每差异的平均百分比的差异，并且其中，所生成的映射包括所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；
获得关于第一配对的信息，所述第一配对包括第一唯一用户标识符和第一可穿戴项目，其中，所述信息包括：(i)与所述第一唯一用户标识符和所述第一可穿戴项目相关联的第一预测使用率度量，以及(ii)第一百分比，所述第一百分比指示发货给第一用户的每多个可穿戴项目中所述第一用户已经使用了多少可穿戴项目；
确定所述第一预测使用率度量落入所述第一单元的可穿戴项目的预测使用率度量的类别下；
确定所述第一百分比落入指示针对所述第一单元发货的每多个可穿戴项目中已经使用了多少可穿戴项目的百分比的类别下；
基于所生成的映射将所述第一预测使用率度量转换为第一压制的使用率度量；以及
基于所述第一压制的使用率度量和/或所述第一预测使用率度量，来确定是否将所述第一可穿戴项目分派给所述第一唯一用户标识符。
16.根据权利要求15所述的非暂态计算机可读介质，其中，所述第一预测使用率度量指示与所述第一唯一用户标识符相关联的第一用户使用所述第一可穿戴项目的倾向，
其中，关于所述百分比的类别包括一系列百分比，并且
其中，关于所述使用率预测度量的类别包括一系列可预测使用率度量。
17.根据权利要求15所述的非暂态计算机可读介质，其中，将所述第一预测使用率度量转换为所述第一压制的使用率度量包括：
获得所述第一差异度量以及所述第一单元的所述平均百分比和使用率度量；以及
基于所述第一预测使用率度量、所述第一差异度量、以及所述第一单元的所述平均百分比和使用率度量，来确定所述第一压制的使用率度量。
18.根据权利要求15所述的非暂态计算机可读介质，其中，生成所述映射还包括：
针对所述第一单元确定推测的百分比，所述推测的百分比指示发货的每多个可穿戴项目中已经使用了多少可穿戴项目；以及
针对所述第一单元确定推测的预测使用率度量。
19.根据权利要求15所述的非暂态计算机可读介质，其中，所述网格还包括第三单元，并且针对所述第一单元确定的平均预测使用率度量低于针对所述第二单元确定的平均预测使用率度量，以及针对所述第二单元确定的平均预测使用率度量低于针对所述第三单元确定的平均预测使用率度量，并且
其中，生成所述映射还包括：(i)确定第二差异度量，所述第二差异度量指示所述第二单元和所述第三单元之间的平均预测使用率度量的每差异的平均百分比的差异，以及(ii)将所述第二差异度量与所述第二单元关联。
20.根据权利要求15所述的非暂态计算机可读介质，其中，所述方法还包括：
确定针对每个单元的观察值数目；
将所确定的针对所述第一单元的观察值数目与预定阈值进行比较；以及
作为确定所述预定阈值超过所确定的针对所述第一单元的交易数目的结果，从所述网格中移除所述第一单元和关于历史发货的可穿戴项目的相关联的信息。
CN202180016369.XA 2020-02-26 2021-02-05 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法 Active CN115136154B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/801,917 2020-02-26
US16/801,917 US10997505B1 (en) 2020-02-26 2020-02-26 Systems and methods for optimizing wearable item selection in electronic clothing subscription platform
PCT/US2021/016767 WO2021173323A1 (en) 2020-02-26 2021-02-05 Systems and methods for optimizing wearable item selection in electronic clothing subscription platform

Publications (2)

Publication Number Publication Date
CN115136154A CN115136154A (zh) 2022-09-30
CN115136154B true CN115136154B (zh) 2023-09-15

Family

ID=75689357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180016369.XA Active CN115136154B (zh) 2020-02-26 2021-02-05 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法

Country Status (4)

Country Link
US (2) US10997505B1 (zh)
EP (1) EP4070246A4 (zh)
CN (1) CN115136154B (zh)
WO (1) WO2021173323A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105580043A (zh) * 2013-09-11 2016-05-11 微软技术许可有限责任公司 用于推荐系统的基于强度的建模
CN106462862A (zh) * 2014-02-24 2017-02-22 亚马逊技术股份有限公司 用于使用汇集的评论数据改进基于尺寸的产品推荐的方法和系统
CN107004053A (zh) * 2014-12-04 2017-08-01 皇家飞利浦有限公司 基于家族历史的动态可穿戴设备行为
CN109508461A (zh) * 2018-12-29 2019-03-22 重庆猪八戒网络有限公司 基于中文自然语言处理的订单价格预测方法、终端及介质
CN110390408A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 交易对象预测方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070294141A1 (en) * 2006-06-15 2007-12-20 Eric Bublitz Method and Device for Aiding Consumers in the Selection of Infant Clothing
US20080126190A1 (en) * 2006-09-25 2008-05-29 Christopher James Gosnell Method of Providing Clothing by Subscription
US9898767B2 (en) * 2007-11-14 2018-02-20 Panjiva, Inc. Transaction facilitating marketplace platform
US20140136560A1 (en) * 2012-11-15 2014-05-15 Size Secret Inc. System and method for selecting the recommended size of an article of clothing
US20160019626A1 (en) * 2014-07-21 2016-01-21 Thanh Pham Clothing Fitting System
US9852234B2 (en) * 2015-09-16 2017-12-26 Brian Gannon Optimizing apparel combinations
WO2019041000A1 (en) * 2017-09-01 2019-03-07 Go People Pty Ltd INTELLIGENT SATISFACTION, SORTING AND SHIPPING SYSTEM FOR ELECTRONIC COMMERCE CONTROLS WITH PREDICT PREDICTIVE PREDICTIVE DEMAND FOR OPTIMIZING SHIPPING ROUTING
US20190073335A1 (en) * 2017-09-07 2019-03-07 Stitch Fix, Inc. Using artificial intelligence to determine a size fit prediction
US20190311423A1 (en) * 2018-04-06 2019-10-10 Lucas Petar Koren Virtual apparel software system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105580043A (zh) * 2013-09-11 2016-05-11 微软技术许可有限责任公司 用于推荐系统的基于强度的建模
CN106462862A (zh) * 2014-02-24 2017-02-22 亚马逊技术股份有限公司 用于使用汇集的评论数据改进基于尺寸的产品推荐的方法和系统
CN107004053A (zh) * 2014-12-04 2017-08-01 皇家飞利浦有限公司 基于家族历史的动态可穿戴设备行为
CN110390408A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 交易对象预测方法和装置
CN109508461A (zh) * 2018-12-29 2019-03-22 重庆猪八戒网络有限公司 基于中文自然语言处理的订单价格预测方法、终端及介质

Also Published As

Publication number Publication date
EP4070246A1 (en) 2022-10-12
US10997505B1 (en) 2021-05-04
US20210264292A1 (en) 2021-08-26
EP4070246A4 (en) 2023-07-12
CN115136154A (zh) 2022-09-30
WO2021173323A1 (en) 2021-09-02

Similar Documents

Publication Publication Date Title
Wu et al. Fuzzy multi-objective programming for supplier selection and risk modeling: A possibility approach
US11410125B2 (en) Systems and methods for dynamically determining wearable items for a subscription electronics transactions platform
Agrawal et al. Optimal inventory management for a retail chain with diverse store demands
Deng et al. A deep learning-based inventory management and demand prediction optimization method for anomaly detection
US20210312259A1 (en) Systems and methods for automatic product usage model training and prediction
CN115796999A (zh) 计算机实现的方法、计算机系统和非暂态计算机可读介质
Li et al. A multi-period ordering and clearance pricing model considering the competition between new and out-of-season products
US20160117702A1 (en) Trend-based clusters of time-dependent data
CN115136154B (zh) 用于优化电子服装订购平台中的可穿戴项目选择的系统和方法
JP5847137B2 (ja) 需要予測装置及びプログラム
JP4812269B2 (ja) 需要変動リスク最小生産計画生成方法
Spuritha et al. Quotidian sales forecasting using machine learning
US11727466B2 (en) Systems and methods for garment size recommendation
US11379767B2 (en) Adjusting a master build plan based on events using machine learning
CN114186903A (zh) 仓库选品方法、装置、计算机设备和存储介质
Chornous et al. Modeling and Forecasting Dynamic Factors of Pricing in E-commerce.
US11544666B2 (en) Systems and methods for electronic platform for inventory sharing
Sihotang Optimization of Inventory Ordering Decision in Retail Business using Exponential Smoothing Approach and Decision Support System
Mbida et al. Smart Company System using Hybrid Nomenclature of Neural Network
Shao Improvement of Business Analysis Method of E-Commerce System from the Perspective of Intelligent Recommendation System
Prabavathi et al. A Dynamic and Unique Approach for Energy Consumption Prediction In High Raised Buildings.
CN115760207A (zh) 基于大数据的电力客户标签及画像生成方法及系统
CN115330314A (zh) 安全库存处理方法、装置、计算机设备和存储介质

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