CN115249140A - 用于放置库存物品的智能计算机功能及可视化 - Google Patents
用于放置库存物品的智能计算机功能及可视化 Download PDFInfo
- Publication number
- CN115249140A CN115249140A CN202210342538.5A CN202210342538A CN115249140A CN 115249140 A CN115249140 A CN 115249140A CN 202210342538 A CN202210342538 A CN 202210342538A CN 115249140 A CN115249140 A CN 115249140A
- Authority
- CN
- China
- Prior art keywords
- item
- user
- inventory
- center
- consumer demand
- 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
- 238000012800 visualization Methods 0.000 title description 4
- 238000007306 functionalization reaction Methods 0.000 title description 2
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 36
- 238000013179 statistical model Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 20
- 238000013500 data storage Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 25
- 238000005516 engineering process Methods 0.000 abstract description 8
- 239000013598 vector Substances 0.000 description 42
- 230000015654 memory Effects 0.000 description 32
- 238000012549 training Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 19
- 238000013507 mapping Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000000386 athletic effect Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002411 adverse Effects 0.000 description 6
- 238000004883 computer application Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013467 fragmentation Methods 0.000 description 4
- 238000006062 fragmentation reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- VVWRJUBEIPHGQF-MDZDMXLPSA-N propan-2-yl (ne)-n-propan-2-yloxycarbonyliminocarbamate Chemical compound CC(C)OC(=O)\N=N\C(=O)OC(C)C VVWRJUBEIPHGQF-MDZDMXLPSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against 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
- 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
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
各个实施例通过至少部分地基于各个地理区域中的物品的消费者需求生成一个或多个用户界面元件改进了现有技术。作为对接收到用户需要将物品放置在库存中心中的指示的响应,可以计算这样的消费者需求。一些实施例可以将一个或多个机器学习模型或其他统计模型用于预测用于选择特定库存中心的消费者需求。附加地或备选地,一些实施例可以基于所述消费者需求和/或其他因素(例如,成本)对每个库存中心排序或推荐库存中心。相对于其他技术,所有这些功能不仅改进了现有技术的功能,还改善了用户体验和计算资源消耗。
Description
技术领域
本申请涉及计算机技术领域,具体涉及用于放置库存物品的智能计算机功能及可视化。
背景技术
各种库存管理计算机应用、搜索引擎逻辑和其他技术可以帮助用户在履行中心中放置物品(例如,电子商务平台上列出的产品)。履行中心是第三方物流提供商履行电子商务零售商的消费者订单的物理位置。然而,这些技术包括用于确定在哪些履行中心中放置物品的静态功能和用户界面能力两者。例如,电子数据表可以在计算机存储器中反复存储履行中心指示符以及每个履行中心中存储的每个物品的用户手动输入,之后执行一些基本计算(例如,自动求和或求平均)以使用户了解履行中心中包含多少物品。然而,这些电子数据表以及其他技术不能智能地选择或推荐放置特定库存物品的特定履行中心以及提供友好的浏览和直观的用户界面。这不仅不利地影响了用户体验,还消耗了不必要的数量的计算机资源等。
发明内容
本公开的特定实施例包括计算机实现的方法、非暂时性计算机存储介质及系统。一些方面针对通过至少部分地基于各个地理区域(例如,州)中的物品的消费者需求生成一个或多个用户界面元件而改进库存管理应用、搜索逻辑(例如,搜索引擎、web应用、浏览器等)和其他技术。消费者需求可以与计算机用户输入(例如,点击)的频率或数量相对应。作为对接收到用户(例如,零售商)需要将物品放置在库存中心(例如,履行中心)中的指示的响应,可以计算这样的消费者需求。以这个方式,可以在消费者交易发生之前选择要将物品运输到的例如与最大数量的消费者需求相关联的履行中心。一些实施例可以将一个或多个机器学习模型或其他统计模型用于预测用于选择特定库存中心的消费者需求。例如,一些实施例可以将指数平滑预测模型或回归模型用于预测针对指定地理区域的特定时间间隔(例如,日)的特定消费者需求将是什么。附加地或备选地,一些实施例可以基于消费者需求和/或其他因素对每个库存中心排序或推荐库存中心。相对于其他技术,所有这些功能不仅改进了这些现有技术的功能,还改善了用户体验和计算资源消耗(例如,磁盘I/O),在本文对其进行了更详细的描述。
提供本发明内容以用简化形式介绍在下面的具体实施方式中进一步描述的构思的选择。本发明内容不旨在标识所请求保护的主题的关键特征或基本特征,也不旨在用作帮助确定所请求保护的主题的范围。
附图说明
下面参考附图详细描述本技术,其中:
图1是根据一些实施例的可以在其中使用本技术的一些实施例的说明性系统架构的框图。
图2是根据一些实施例的示例用户界面的截屏。
图3是根据一些实施例的至少部分地指示对各个地理区域上的特定物品的消费者需求的统计表数据结构。
图4是根据一些实施例的示例图结构的示意图。
图5是示出根据一些实施例的如何使用一个或多个机器学习模型生成决策统计的示意图。
图6是根据一些实施例的用于训练机器学习模型的示例过程的流程图。
图7是根据一些实施例的用于选择要将物品运输到的库存中心的示例过程的流程图。
图8是根据一些实施例的在其中使用本公开的各方面的计算环境的框图。
图9是根据一些实施例的在其中实现本公开的各方面的计算设备的框图。
具体实施方式
在此具体描述本发明的主题以满足法定要求。然而,说明书本身并不旨在限制本专利的范围。相反,发明人已经预料到,所要求保护的主题还可以结合其他当前或未来技术以其他方式实现,以包括与本文件中所描述的步骤不同的步骤或类似的步骤的组合。此外,尽管本文中可以使用术语“步骤”和/或“框”来表示所使用的方法的不同组件,但是除非明确描述各个步骤的顺序以及除此之外,否则这些术语不应被解释为暗示本文所公开的各个步骤中或之间的任何特定顺序。
现有库存管理计算机应用静态地管理库存。例如,应用(例如,Inventory Now、Cin7和myStock)完全未与电子商务平台集成(而是执行针对小企业的库存计数的独立的应用),在特定平台(例如,iOS)之外不可扩展,不能使用直观的用户界面,和/或不能对要放置物品的履行中心进行智能地选择或排序。这不利地影响了用户体验并且使得计算性能差。例如,这些应用需要用户遍历若干用户界面页面以在每个履行中心查看履行中心中是否存在特定物品,以及特定物品位于哪些地理区域中。这对于用户浏览而言是费力的,由此不利地影响了用户体验。例如,如果用户想要查看特定的履行中心及其相关联的信息(例如,存储在履行中心的物品),用户将必须手动换页或遍历其他各个履行中心以得到希望的履行中心。在另一个示例中,如果应用需要ANDROID操作系统,但是用户有iOS,则用户将必须以某种方式访问正确的操作系统。
现有电子数据表应用和其他计算机应用不仅不利地影响用户体验而且消耗不必要的数量的计算机资源。这些应用被配置为在计算机存储器中反复存储不同的履行中心以及存储在每个履行中心的每个物品的用户手动输入,并且随后执行一些基本计算(例如,自动求和或求平均)以使用户了解哪些履行中心包含哪些物品以及具体的数量。然而,重复地存储这些输入增加了磁盘I/O(例如,非易失性磁盘上过量的物理读/写头运动),这是因为用户每次输入这些履行中心信息时,计算系统可能就必须访问磁盘以针对每个用户输入执行读操作或写操作,其耗时、易出错、并且最终可以使组件(例如,读/写头)损坏。由于必须存储每个用户手动输入,这还增加了存储器消耗。这些过量存储器存储还增加了存储器碎片、存储器泄露或其他存储器错误的可能性。在存储器碎片的情况下,例如在自动存储器分配方式下不保证将用于履行中心的这些用户手动输入适于存入存储器堆,因此存在未使用的存储器或碎片更多的可能性。
例如,当使用web应用时,生成用于履行中心的这些冗余的用户输入还导致过高的分组生成成本,其不利地影响计算机网络通信。用户每次手动地将信息(例如,不同的履行中心及其库存信息)输入到字段中以及浏览或遍历各个页面时,包括TCP/IP和其他协议网络中的分组中的有效载荷数据(例如,履行中心名称)和附加的头信息或其他元数据的请求就必须通过网络。因此,例如,当这个功能通过需要获得期望的履行中心和库存物品信息的所有的用户输入、遍历和浏览而倍增时,由于反复地生成这些元数据、有效载荷以及在计算机网络上对其进行发送而存在网络使用和时延成本。
当各种搜索技术用于呈现、排序或选择库存中心时其也是有缺陷的。这些技术接收搜索引擎字段中的与特定资源或主题(例如,物品列表)相对应的查询的搜索词。作为响应,托管搜索引擎逻辑的一个或多个服务器可以通过排序和检索来自各个数据源的数据而执行查询,并且使得web或应用页面显示与特定资源或主题相关联的各个已排序的搜索结果。然后,用户可以选择各个已排序的搜索结果标识符中的一个或多个搜索结果标识符。然而,典型的搜索引擎逻辑被专门构建为返回特定的物品列表、文档、web页等,但是不包括其他功能,例如适于存储库存物品的库存中心(例如,履行中心)的排序列表。因此,这些技术在库存中心信息的信息检索上是有缺陷的。
本公开的各个实施例为上述技术问题以及其他问题提供一种或多种技术方案。在操作中,本公开的各个实施例为:作为对接收到用户需要将物品放置在库存中心中的指示的响应,至少部分地基于各个地理区域(例如,州)中的物品的消费者需求生成一个或多个用户界面元件。例如,实施例可以在搜索引擎字段处接收针对A品牌运动鞋的查询。作为响应,一些实施例可以通过访问计算机存储器中的用于计算消费者(例如,购买者)需求的、若干个州或城市的针对A品牌运动鞋的用户活动统计量或度量(例如,点击、查看、跳阅等),计算对A品牌运动鞋的消费者需求。
备选地或附加地,一些实施例可以将一个或多个机器学习模型或其他统计模型用于进行对计算消费者需求的预测以选择特定库存中心。例如,一些实施例可以将指数平滑预测模型或分类器模型用于预测针对特定时间间隔(例如,日)的特定消费者需求将是什么。作为响应,特定实施例可以生成至少部分地指示消费者需求的用户界面元件。例如,一些实施例在地理区域上生成气泡地图,其中至少部分地基于消费者需求而在特定地理区域上可视化每个气泡的大小。附加地或备选地,一些实施例可以基于所述消费者需求和/或其他因素——例如将物品从销售者送到特定的履行中心的(例如,驾驶里程的)成本对每个库存中心排序,以及在用户界面处指示同样的成本,在下面对其进行了更详细的描述。
本公开的各个实施例改进了现有的库存管理计算机应用。例如,特定实施例与电子商务平台集成,使功能在独立应用之外可扩展。例如,用户已经请求放置在履行中心中的物品可以是与在电子商务或电子市场销售的那些物品相同的物品。例如,作为在电子商务站点用于销售物品的登录或注册过程的一部分,在将用户将要出售的物品的列表作为搜索结果发布之前,可以(例如,经由图2的截屏200)向用户提示列出他们的物品列表以及选择特定库存中心。一些实施例还可在特定平台(例如,iOS)之外扩展。例如,一些实施例是web应用,其可以用在任意操作系统或设备上,与现有库存管理应用不同。
一些实施例还提供直观的用户界面,其对用户浏览是友好的并且还改进了用户体验。例如,不需要用户遍历若干用户界面页面以查看每个履行中心以及观看其所处的地理区域,一些实施例向单个页面提供每个地理区域、每个地理区域中的每个库存中心、以及与每个库存中心相关联的其他信息(例如,消费者需求、成本)的图。这使用户更容易浏览。例如,如果用户想要查看特定的履行中心及其相关联的信息,则用户将无需通过表示不同的履行中心的各个其他对象手动地换页以达到希望的履行中心。相反,用户仅需要浏览单个页面,其将呈现所有期望的信息。此外,因为实施例对库存中心进行智能地选择或排序,所以用户能够更好地针对库存中心放置进行决策,由此改善用户体验。
各个实施例改善了其他应用(例如,电子数据表)和计算机资源消耗。例如,不是在计算机存储器中反复地存储不同的履行中心和存储在每个履行中心的每个物品的用户手动输入以执行与现有的电子数据表一样的一些基本计算,特定实施例基于现有技术不使用的新的规则集合(例如,消费者需求、成本等)自动(例如,作为后台任务)对一个或多个库存中心进行选择、排序或推荐。因此,用户手动输入不必存储在磁盘中。因此,这些实施例减少了磁盘I/O,这是因为用户不必继续输入履行中心信息,因此计算系统不必访问磁盘以针对每个用户输入执行读操作或写操作,其耗时、易出错、并且最终可以使组件损坏。这个自动功能还通过不必存储每个用户手动输入而减少了存储器消耗,因此存储器碎片、存储器泄露或其他存储器错误的可能性降低。在自动存储器分配方式下,这更可能使数据将适于存入存储器堆。
因为各个实施例减少了针对履行中心数据的冗余的用户手动输入,所以也没有不利地影响计算机网络通信的过量的分组生成成本。即,因为用户不必继续将信息(例如,不同的履行中心及其库存信息)手动地输入到域中或浏览或遍历各个页(其触发必须通过网络的包括TCP/IP和其他协议网络中的分组中的有效载荷数据(例如,履行中心名称)和附加的头信息或其他元数据的请求))。因此,例如没有网络使用和时延成本,这是因为这些实施例不需要反复地生成这些元数据、有效载荷和附加的头信息以及在计算机网络上对其进行发送。
一些实施例还改进了现有的搜索引擎技术。各个实施例基于指示物品和呈现用于(例如,基于消费者需求)存储物品的库存中心的请求的查询,将搜索引擎功能用于对库存中心排序。如上面所讨论的,专门构建典型的搜索引擎逻辑以返回特定的物品列表、文档、web页等,但是不包括其他功能,例如对适于存储库存物品的库存中心(例如,履行中心)进行排序。因此,这些实施例改进了计算机中的信息检索,这是因为计算机还未能够执行这个功能。
图1是根据一些实施例的可以在其中使用本技术的一些实施例的说明性系统架构100的框图。尽管系统100被示出为包括与特定数量相关联的特定组件类型,但是应当理解,备选地或附加地,其他组件类型可以以任意特定数量存在。在一些实施例中,可以组合一个或多个组件。还应理解,每个组件或模块可以位于相同或不同的主机计算设备上。例如,在一些实施例中,系统100中的一些组件或每个组件分布在云计算系统(例如,图8的计算环境800)上。在其他实施例中,系统100位于单个主机或计算设备(例如,图9的计算设备900)处。在一些实施例中,系统100示出可执行程序代码,以使所有所示出的组件和数据结构被链接以准备在运行时执行。
系统100并非旨在进行限制,并且仅表示合适的计算系统架构的一个示例。除了所示出的布置或要素之外或者代替它们,可以使用其他布置和要素,并且为了清楚起见可以完全省略一些要素。此外,本文描述的要素中的许多要素是功能实体,可以被实现为离散或分布式组件或与其他组件结合,并且以任何合适的组合和位置来实现。例如,可以经由软件作为服务(SAAS)模型,例如基于云和/或基于web的服务来提供系统100的功能。在其他实施例中,系统100的功能可以经由客户端/服务器架构来实现。
系统100通常针对在使用电子市场平台时选择要放置一个或多个物品的库存中心。系统100包括地理区域-库存中心映射模块102、消费者需求模块104、成本模块106、库存中心选择模块108、物品列表查询执行模块111、呈现模块112、消费者应用114和存储器125,它们中的每一个可通信地耦合到网络110。网络110可以是任意合适的网络,例如局域网(LAN)、广域网(WAN)、因特网或这些的组合,和/或包括有线连接、无线连接或光纤连接。通常,网络110可以是将支持系统100的组件之间的通信的连接(例如,API或链接程序)或协议的任意组合。
地理区域-库存中心映射模块102通常负责(例如,经由哈希表)用于生成将一个或多个地理区域映射到一个或多个库存中心的映射。“地理区域”是任意合适的现实世界区域,其边界可以预先确定或动态地确定。例如,预先确定的地理区域可以是州、城市、邮编、国家、相邻地区、分部、公寓大厦等。动态地理区域的示例可以是地理围栏。地理围栏是虚拟边界(例如,叠加在相邻地区上的图形用户界面套索)或可以改变其边界的周界。地理围栏是基于位置的服务,其中的应用或其他软件将GPS、RFID、Wi-Fi和/或蜂窝数据用于在移动设备或标签(例如,RFID)进入或离开地理围栏的虚拟边界时触发预编程的动作。
“库存中心”指能够或被配置为存储物品的物理位置。例如,库存中心可以是履行中心。在购买者接收从电子商务平台采购的物品之前,销售者可以将物品发送到履行中心,以及外包第三方物流(3PL)提供商将物品运送给购买者。履行中心是第三方物流提供商履行电子商务零售商的购买者订单的物理位置。同样,库存中心可以是履行电子商务零售商或任意其他销售者(例如,个人销售者)的购买者订单的第三方物流提供商。履行中心的存在用于及时获得购买者的在线订单以及使电子商务公司免于管理这个过程。例如,销售者通常任意地选择用于放置其库存的履行中心而不考虑运送成本和交货速度。库存中心还可以表示至少能够存储物品的其他设施,但是这些设施可能具有其他或附加的目的。例如,库存中心可以是零售店或其他的企业、仓库、柜子、存取点等的位置。
在各个实施例中,由地理区域–库存中心映射模块102指示的每个库存中心是存储或运输可以是电子市场中销售的物品的一个或多个物品的候选。经由地理区域-库存中心映射模块102将特定的地理区域映射到库存中心被用于确定在一个或多个地理区域中的用于另外的下游过程的库存中心的标识和数量,本文对其进行了更详细的描述。
消费者需求模块104通常负责确定或计算消费者对一个或多个地理区域的一个或多个物品(例如,在电子市场销售的产品)的需求。如本文所述的物品的“消费者需求”指各个用户在指定时间段或特定时间点针对指定物品已经和/或将要执行的用户活动(例如,采购点击)的数量或计数。“用户活动”可以包括任意类型的使用计算机的计算机输入,例如点击、查看、购买、跳阅等,对其进行了更详细的描述。在一些实施例中,备选地或附加地,消费者需求指现实世界动作,例如与用户活跃性数据相对的在实体商店的实物销售。可以基于以下确定特定的消费者需求(例如,“高”消费者需求):用户活动是否超过某个阈值计数或在其之外(例如,存在针对物品的20次点击)或低于某个阈值计数(仅存在2次跳阅)。
在一些实施例中,基于编程调用或与地理区域库存中心映射模块102通信而将消费者需求映射到特定地理区域,以确定存在哪些地理区域以及随后针对这些区域计算消费者需求。例如,消费者需求模块104可以接收由地理区域-库存中心映射模块102存储在数据结构中的每个地理区域的列表。
在一些实施例中,附加地或备选地,基于在特定地理区域中出现的用户活动将消费者需求映射到特定地理区域。这可以采用任意合适的方式出现。例如,当用户设备(例如,经由SYN、ACK和SYN-ACK握手)与电子市场服务器建立通信会话时,可以在TCP/IP分组中将指示用户的地理位置的地理编码指示符传递到电子市场服务器。备选地或附加地,可以将指示地理位置的用户设备的IP地址发送到电子市场服务器。备选地或附加地,位于用户设备处的GPS模块可以将用户设备的地理坐标传递到电子市场服务器。然后,用户可以在物品列表上“点击”。作为对这个用户活动的响应,消费者需求模块104可以将地理编码指示符、IP地址或GPS坐标映射到特定地理区域(例如,地理区域-库存中心映射模块102的映射中所指示的城市),然后作为响应,将该地理区域映射到在那里出现的针对该物品的用户活动。
在一些实施例中,备选地或附加地,消费者需求模块104通过使用一个或多个机器学习模型(例如,深度神经网络)和/或统计模型(例如,贝叶斯推理、指数平滑等)计算消费者需求。在一些实施例中,在指定过去的消费者需求作为输入的情况下,这些模型可以估计或预测在指定的时间点或时间范围将是什么消费者需求。机器学习模型例如可以经由针对过去的点击度量进行训练、精调谐和测试来学习在指定的特定日子采购物品的特定模式或采购之间的关系,以及作为响应而预测消费者需求。例如,机器学习模型可以预测(例如,由于爱尔兰大型节日)在一年中的特定的周末在特定地理区域曾经采购了特定的绿色物品。因此,机器学习模型可以预测在下一年的相同时间跨度期间在同一地理区域的消费者对于特定的绿色物品的需求将很高,但是在该下一年中的其余时间以及在其他地理区域在该下一年的所有时间将很低。下面将对机器学习功能进行更详细的描述。
在一些实施例中,成本模块106负责计算用于将物品从特定位置(例如,销售者的居住地址或零售商的企业地址)运输到库存中心的成本。备选地或附加地,成本模块106负责计算用于将物品从库存中心运输到特定目标位置(例如,购买者的最后一公里交货位置)的成本,以完成购买者采购物品的交易请求。在各个实施例中,“成本”可以指以下一个或多个值:指示用于运输物品的货币成本、用于运输物品的燃料成本(例如,以加仑为单位)、用于运输物品的距离上的成本(例如,以英里为单位)、用于运输物品的时间的成本(例如,根据时间)和/或资源成本(例如,运输物品使用的工人的数量)。在说明性示例中,销售者可以离第一库存中心只有2英里并且离第二库存中心800英里。因此,用于将物品运输到第二库存中心的货币、燃料、距离、时间和资源方面的成本比用于将物品运输到第一库存中心的成本高,因为第一库存中心更靠近销售者。
在一些实施例中,至少部分地基于消费者需求计算成本。例如,消费者需求越高成本越低并且消费者需求越低成本越高。例如,如果电子市场确定相对于其他地理区域特定地理区域中的购买者更可能购买物品,那么该物品的成本可以更低,因为基于库存中心物理上靠近购买者,购买者很可能将具有更少的运送成本。
在一些实施例中,通过编程调用或与地理区域-库存中心映射模块102通信,成本模块106定位特定库存中心,以计算用于将物品从特定位置(例如,销售者的居住地址或零售商的企业地址)运输到库存中心的成本。例如,成本模块106可以针对由地理区域-库存中心映射模块102在数据结构中列出的每个库存中心计算成本。在一些实施例中,与上面的描述类似,可以基于从所建立的用于例如用于确定从销售者的位置到每个库存中心的距离的通信会话接收地理编码指示符、IP地址和/或地理坐标来确定销售者的位置以确定成本。
库存选择模块108通常负责(例如,基于用户请求)选择用于放置物品的库存中心。这些已选择的库存中心可以在用于放置一个或多个物品的其他候选库存中心中挑选,以使物品可以从一个位置(例如,销售者的地址)运输到已选择的库存中心,以及随后从已选择的库存中心运输到目标位置(例如,购买者的地址)以完成采购交易。
在一些实施例中,由库存选择模块108至少部分地基于特定地理区域中的该物品的消费者需求和/或用于运输该物品的成本做出这些选择。换言之,例如在库存选择模块108执行其功能之前,其可以进行编程调用以及向消费者需求模块104和/或成本模块106发送计算机可读程序指令,以得到每个地理区域的每个库存中心的第一物品的消费者需求以及用于运输第一物品所花费的成本以选择适当的库存中心。例如,在一些实施例中,库存选择模块108基于满足阈值的消费者需求(例如,相对于其他地理区域点击最多)和/或低于阈值的用于将第一物品从销售者的位置运输到第一库存中心的美元成本自动选择或使得在用户界面处呈现要放置第一物品的第一库存中心。虽然这个示例描述了选择是自动完成的,但是在一些实施例中,例如库存选择模块108基于用户请求或接收用户已选择第一库存中心的指示而选择库存中心。
在一些实施例中,附加地或备选地,库存选择模块108至少部分地基于在每个地理区域的物品的消费者需求(和/或成本)对一个或多个地理区域中的一个或多个库存中心排序。此外,库存选择模块108可以基于排序推荐用于存储物品的库存中心或至少基于排序可视地呈现库存中心。例如,对于第一物品,在第一地理区域中的第一库存中心处的消费者需求可能最高,并且对于第一物品,在第二地理区域中的第二库存中心处的消费者需求可能最低。因此,库存选择模块108可以将第一库存中心排序为最高以及将第二库存中心排序为最低,以及作为响应,使得呈现在页面的顶部处的、指示第一库存中心的标识符和在同一页面的底部处的、第二库存中心的另一个标识符。这个简单的定位可以指示特定实施例“推荐”第一库存用于运输或存储第一物品。在其他实施例中,推荐可以是明确的,例如经由说明推荐第一库存的弹出窗口或消息。
在一些实施例中,库存选择模块108还附加地使得物品被实际运输到已选择的库存中心。例如,响应于选择,在一些实施例中,库存选择模块108向无人机(UAV)、自动车辆、地面无人车辆(UGV)等发送控制信号,库存选择模块108具有用于接收控制信号的无线电装置,所述控制信号激活这些机器以及请求行驶到销售者的位置以及获得物品并且行驶到已选择的库存中心。因此,这些机器被配置为行驶到销售者的位置(例如,用户设备的GPS坐标或地址)以及被配置为装载物品并且将其运输到已选择的库存中心。备选地(或附加地),在一些实施例中,使得实际运输可以包括向用户设备——例如载体设备(例如,DIAD)发送通知或信号。以这个方式,载体或物流提供商可以基于已接收的通知从销售者的位置获得物品以及将对应的物品运输到已选择的库存中心。
物品列表查询执行模块111通常负责执行用于向用户返回物品列表作为搜索结果的查询。在一些实施例中,如本文所述的“物品列表”指(例如,以自然语言)说明和/或(例如,以照片)指示电子市场中销售的物品。例如,物品列表可以包括表示要销售的物品的图像和概述了要销售的物品的关键属性(例如,物品的名称及价格)的物品标题。这些实施例中的“物品”是有形的现实世界产品或货物和/或要在电子市场销售的服务。备选地或附加地,物品列表指文档、文件、链接、web页、标识符或指示物品列表的源(例如,web浏览器搜索引擎中的URL)的任意搜索结果。
如本文所述的“电子市场”指任意移动应用、web应用(例如,电子商务web应用)、或任意合适的计算机应用,其包括用于执行用户的用于采购一个或多个物品的请求或查询的功能。在一些实施例中,电子市场促进消费者与消费者(例如,个人销售者与个人购买者)交易。备选地或附加地,电子市场促进企业与消费者交易。在这些实施例中的一些实施例中,实体(例如,公司)可以针对消费者采购在其网站上提供描述物品的物品列表而不让个人销售者出售物品。要理解,电子市场无需指指定应用的全部或主要功能。相反,电子市场可以指特定的例程的集合、函数或更大的应用的一部分。例如,web应用可以与教育web应用相对应,其允许用户注册班级,同时包括用于采购物品(例如,书籍)的电子市场。
在物品列表查询执行模块111的说明性示例中,其可以接收针对物品列表的用户请求,所述物品列表指示第一物品(例如,要使其被运输到经由库存中心选择模块108确定的库存中心)。用户请求的用户可以位于第一地理区域。作为对接收用户请求的响应,物品列表查询执行模块111可以使得在搜索结果页上呈现作为搜索结果的物品列表来执行用户请求。然后,物品列表查询执行模块111可以接收在搜索结果页处的用户对搜索结果的选择。在一些实施例中,物品列表查询执行模块111使得物品从第一库存中心被运输到与用户以及第一地理区域(例如,第一地理区域中的地址或第一地理区域中的地理坐标)相关联的目标位置(例如,用户设备的地址、地理坐标等)。在一些实施例中,如针对库存中心选择模块108所述,经由针对载体设备的通知或针对机器的控制信号“使得”运输的出现,以使得物品从第一库存中心运输到目标位置。
在一些实施例中,物品列表查询执行模块111包括:查询处理器,其负责在运行时(例如,经由查询优化器、选择性和基数)执行查询以根据查询对搜索结果进行排序和呈现。搜索查询处理器可以基于查询中的词对物品列表排序作为搜索结果。可以针对排序使用任意合适的搜索引擎功能。例如,由查询处理器使用的算法可以是以下或包括以下:TF-IDF、WORD2Vec、页排序(PR)算法等。
呈现模块112通常负责使得在用户设备上呈现(例如,显示)数据。在一些实施例中,这些呈现采用用户界面的形式。这些用户界面可以是图形用户界面(GUI)和/或处理由用户生成的空中手势、话音或其他生理输入的自然用户界面(NUI)。在一些情况下,可以将输入发送到适当的网络元件以进行进一步处理。NUI可以实现语音识别、触摸和触笔识别、面部识别、生物特征识别、屏幕上以及靠近屏幕的手势识别、空中手势、头部和眼睛跟踪以及与用户设备上的显示相关联的触摸识别的任意组合。
在一些实施例中,呈现模块112使得基于地理区域–库存中心映射模块102、消费者需求模块104、成本模块106、库存中心选择模块108和/或物品列表查询执行模块111的功能向用户设备呈现内容和有关的信息(例如,页面)。例如,呈现模块112可以导致已排序的库存中心以及对应的包括该库存中心的地理区域的物品的消费者需求的列表。呈现模块112可以包括用户设备上、分布在多个用户设备上或云中的一个或多个应用或服务。例如,在一个实施例中,呈现模块112管理分布在与用户相关联的多个用户设备上的对该用户的内容呈现。基于内容逻辑、设备特征、所关联的逻辑集线器、所推断的用户的逻辑位置和/或其他用户数据,呈现模块可以确定在哪些用户设备上呈现内容以及呈现的上下文,例如如何(或以什么格式或多少内容,这可以根据用户设备或上下文)呈现和/或何时呈现。
在一些实施例中,呈现模块112生成用户界面特征。这些功能可以包括界面元件(例如,图形按钮、滑块、菜单、音频提示、警告、报警、振动、弹出窗口、通知栏项或状态栏项、应用中的通知、气泡数据对象或与用户交互的其他类似的特征)、查询和提示。在一些实施例中,呈现模块112生成结构化数据、标记数据或以其他方式使得先前未被结构化、半结构化或未被标记的结构化数据或标记数据的呈现。
消费者应用114通常指一个或多个计算机应用或服务,例如消费或使用由系统100确定的信息的在线/云应用或本地存储的应用。具体地,消费者应用114可以接收用户对将物品放置在特定库存中心中的查询请求和/或针对特定物品列表的查询请求。在一些实施例中,消费者应用114可以使用呈现模块112来提供信息。消费者应用114的示例可以包括但不限于电子市场应用或平台、库存管理应用、电子邮件、消息收发、聊天或呼叫;项目管理;日历或调度;以及任务列表或要执行的应用等。
存储器125指任意合适的数据储部,例如关系数据库、数据集、数据仓库、主存储器、磁盘等。存储器125可以存储任意合适的数据结构的集合、例程、函数、机器学习模型、统计模型和/或任意信息。例如,存储器125可以将电子市场中的物品列表存储在由地理区域–库存中心映射模块102使用的数据结构等中。
图2是根据一些实施例的示例用户界面的截屏200。在一些实施例中,由图1的呈现模块112使得显示截屏200。同样,在一些实施例中,截屏200是图1的消费者应用114的一部分。在一些实施例中,截屏200是基于用户生成物品列表所呈现的电子市场应用的一部分,因此在对应的物品列表发布或在电子市场平台上上线以使购买者用户可以采购对应的物品之前,用户必须指定用户将特定物品放置在哪个库存中心中。
截屏200指示通过如截屏200中所指示的将所有需要的信息整合到单个页面而得到的如本文所述的对现有用户界面的改进。此外,在截屏200处,用户将能够看到每个地理区域(例如,州)的物品的消费者需求和/或成本,并且用户可能将选择消费者需求最高和/或成本最低的对应的库存中心。这有效地减少了到达购买者的运输或运送成本和交货速度,因为物品将物理上靠近购买者可能购买其的地方放置和/或物理上靠近销售者居住的地方放置。
搜索引擎字段203被配置为接收用户查询225——“A品牌Y颜色运动鞋”,这是用户需要将对应的物品放置在库存中心中的请求。作为对接收用户已选择提交按钮223(以提交查询225)的指示的响应,各个实施例计算多个地理区域的A品牌Y颜色运动鞋物品的消费者需求(例如,如关于消费者需求模块104所述)和用于将A品牌Y颜色运动鞋物品运输到每个候选库存中心或在其中进行存储的成本(例如,如关于成本模块106所述)。
作为对计算这样的消费者需求和/或成本的响应,各个实施例使得呈现气泡地图205(或气泡地图205中的UI元件)和/或窗格217内部的已排序的列表。气泡地图205可视化地指示美国UI元件206以及UI元件206中的各个地理区域或州。气泡地图205还显示气泡数据对象(例如,207、211和213),其指示各个地理区域上的用于放置物品的库存中心候选位于哪里。在一些实施例中,每个气泡数据对象的尺寸指示对应的物品(“A品牌Y颜色运动鞋”)和特定地理区域的特定消费者需求。附加地或备选地,在一些实施例中,每个气泡数据对象的尺寸指示将对应的物品从由X标记230指示的用户的位置运输到相应的库存中心候选的成本。在一些实施例中,特定地理区域之内的实际气泡数据对象或库存中心的显示基于确定哪些库存中心位于哪些地理区域中,例如由地理区域–库存中心映射模块102所确定。
虽然截屏200指示非常具体的气泡地图205和已排序的履行中心的列表,要理解,这仅是表示性的并且可以存在任意合适的用户界面元件(例如,如关于图1的呈现模块112所述)。作为气泡数据对象的备选或除了其以外,例如消费者需求和/或成本可以通过颜色、符号、示数盘或明确的消息示出。
气泡地图205具体指示与气泡数据对象207相对应的第一库存中心位于相对于其他地理区域和库存中心具有对应的A品牌Y颜色运动鞋物品的最高的消费者需求(和/或成本)的地理区域(即旧金山)。同样,气泡地图205指示与气泡数据对象211和213相对应的第二组库存中心位于具有比旧金山更少的消费者需求但是比特定的州的具有候选库存中心的其他城市中的任意城市更多的消费者需求的地理区域(即圣安东尼和达拉斯)。
在一些实施例中,作为对接收鼠标指针208在气泡数据对象207(或任意其他气泡数据对象)上悬停(但是未实际选择)的指示的响应,特定实施例使得显示弹出窗口209(或类似的弹出窗口)。弹出窗口209指示气泡数据对象207表示的履行中心的标识或ID(即“履行中心A”)。其还指示特定的履行中心所处的并且针对其计算消费者需求(和/或成本)的地理区域(即旧金山)。其还指示所有其他地理区域的消费者需求的排序或位置(即旧金山对物品具有“最高消费者需求”)。弹出窗口209还指示与消费者需求相关联的机器学习模型或统计模型预测(即“这个月可能有X件销售”)。最后,弹出窗口209指示用于将A品牌Y颜色运动鞋物品从销售者的位置230运输到履行中心A的成本(即“美元成本Y”)。
标记215提示用户选择气泡以请求将对应的库存物品放置在对应的库存中心中。例如,作为对接收到用户点击气泡数据对象207的指示的响应,如关于图1所述的库存中心选择模块108可以选择要将A品牌Y颜色运动鞋物品运输到的旧金山的履行中心A(例如,与由气泡数据对象211和213指示的履行中心相对)。
窗格217指示已排序的履行中心219的列表。在一些实施例中,履行中心根据对应的地理区域和物品的消费者需求和/或将物品从销售者的位置230运输到对应的履行中心的成本排序。窗格217具体示出履行中心A 219-1相对于其他履行中心排序最高(例如,因为其是被定向为最高的履行中心)。在一些实施例中,作为对接收到指针208在履行中心A标记219-1上悬浮的指示的响应,使得显示弹出窗口209,以使用户可以接收与特定的履行中心有关的更特定的信息。
类似于标记215,标记221提示用户选择履行中心以请求将库存物品放置在对应的履行中心中。因此,例如,作为对接收到用户选择标记219-1的指示的响应,库存中心选择模块108可以将履行中心A选择为要存储A品牌Y颜色运动鞋的履行中心(而不是履行中心Z或X)。
图3是根据一些实施例的至少部分地指示各个地理区域上的特定物品的消费者需求的统计表300数据结构。在一些实施例中,消费者需求模块104生成、填充和/或使用统计表300,以计算各个地理区域上的物品的消费者需求。
统计表300具体指示根据指定的属性——即,“查看频率”、“采购频率”、“跳阅频率”、“观看频率”和“竞价频率”统计量的用户活动的特定计数或数量。“查看频率”属性与用户已经选择或点击物品列表(例如,作为对查询的响应)以进行阅读或以其他方式参与另外的用户活动的次数相对应。“采购频率”属性与用户针对购买或采购对应的物品已做出的选择(例如,对购物栏中的物品进行付款或针对采购物品输入信用卡信息)的次数相对应。“跳阅频率”属性与针对一个或多个物品的一个或多个用户已进行的跳阅或已做出的不采购、不考虑或不竞价的选择的次数相对应。例如,如果将各个结果返回web结果页并且用户仅选择结果中的一个,则消费者需求模块104可以标识未被选择的每个结果以相应地递增统计表300,以指示未选择这些物品中的每个物品(例如,经由负整数得分)。
“观看频率”属性与一个或多个用户已经选择一个或多个物品以进行竞价过程的次数相对应。例如,用户可能已选择了他/她感兴趣的30件物品进行竞价过程而无需对物品进行竞价或采购。因此,每次用户选择标识符以使一个或多个物品进行竞价过程,消费者需求模块104就可以相应地更新统计表。
“竞价频率”属性与一个或多个用户已经竞价或做出选择以针对一个或多个物品发起或生成要约而不管一个或多个用户是否实际采购这些物品的次数相对应。例如,如果第一物品受欢迎,则其可以与比第二物品多的竞价相关联,然后可以在查询结果集合中对其进行更高的得分。
虽然统计表300示出了特定的度量,但是应理解,除了表300中列出的那些以外或作为其备选,可以使用任意其他度量。例如,备选地或附加地,一些实施例使用询问销售者问题(ASQ)频率和立即购买(BIN)频率。ASQ频率与与询问销售者与一个或多个物品有关的一个或多个问题相关联的选择相对应。例如,在采购物品之前,购买者可以选择标识符(例如,图标),作为响应标识符为用户提供用于输入与特定产品有关的问题的字段。这可以促进平滑的竞价过程,因为购买者可以在针对特定产品进行竞价或采购之前获得与产品有关的更多信息。因此,消费者需求模块104可以在每次用户做出这样的选择输入与产品有关的问题时进行记录。在一些实施例中,从已输入的用户询问的问题中解析每个字符串或字符集(例如,符号或整数)并且(例如,经由自然语言处理(NLP))进行分析以识别什么物品与统计量相关联和/或词语的得分相关性。例如,用户可以输入“我只会购买具有高清镜片的墨镜,那么他们有哪些类型的镜片?”的问题然后可以通过标记解析器解析、分析和输入这些词语中的一些词语或每个词语以在统计表300中进行绘制。
BIN频率与一个或多个用户已经选择一个或多个标识符以购买一个或多个物品而不是针对一个或多个物品竞价的次数相对应。在这些实施例中,做出选择以完成物品的购买。例如,图形用户界面按钮可以包括标记“立即购买”。作为对用户选择这个按钮的响应,可以向用户请求支付信息,以使用户可以立即购买物品。因此,每次用户该选择按钮,消费者需求模块104就可以递增统计表300,指示一个或多个用户已选择了这个特定的按钮。
A品牌B颜色的运动鞋物品的消费者需求可以使用统计表300中指示的一些或所有计数采用任意合适的方式计算。例如,消费者需求模块104可以仅基于地理区域A的采购频率(即43)比其他地理区域中的任意其他采购频率高而确定地理区域A相对于其他地理区域的消费者需求最高。
备选地,可以对基于这些属性中的一些属性或每个属性的频率统计量的组合进行聚合、连接或加权以计算消费者需求。例如,对于地理区域A,基于查看频率是120,可以与查看频率成比例地直接递增第一消费者需求整数(例如,1)(例如,从整数1至12)。此外,基于采购频率是43,可以与购频率成比例地直接递增12整数得分(例如,达到14),并且可以针对统计表300中的其余的属性执行相同的功能。进行加权的示例包括通过直接指示消费者需求的重要性的特定的权重值对每个消费者需求值进行相加或以其他方式进行聚合。例如,相对于“查看频率”,“采购频率”可以是消费者需求的更重要的指示。因此,消费者需求值可以乘以8(表示采购频率权重)并且仅乘以2(表示查看频率),以得到最终的消费者需求整数值。备选地或附加地,一些实施例基于机器学习功能计算消费者需求,在下面对其进行了更详细的描述。
在一些实施例中,统计表300中的计数表示特定时间点或时间段(例如,上个月的用户活跃性数据)。以这个方式,统计表300可以基于经过的特定的次数周期性地(例如,以批模式)或接近实时地进行更新。
图4是根据一些实施例的示例图结构400的示意图。在一些实施例中,图结构400由地理区域–库存中心映射模块102用于将特定的地理区域映射到特定库存中心。备选地或附加地,在一些实施例中,图结构400由消费者需求模块104、成本模块106、库存中心选择模块108和/或呈现模块112用于计算特定地理区域的消费者需求、针对特定库存中心计算成本、针对任意一个指定的物品选择库存中心或呈现各个地理区域和每个地理区域中的库存中心的图。
在一些实施例中,图结构400表示网络图。网络图是对象的集合的图表示或可视化,其中的对象对通过链接或“边”连接。互连的对象由被称为“顶点”的点表示并且连接顶点的链接被称为“边”。每个节点或顶点表示一维、二维、三维(或任意其他维)空间中的特定位置。顶点是一条或多条边相交的点。一条边连接两个顶点。具体地,例如图结构400(例如,无向图)包括节点或顶点403、405、407、409、411、413和415。图结构400还包括链接节点的各个边,例如边416、418、420、422、424和426。
图结构400具体示出了各个地理区域与物品之间的关系。具体地,图结构400指示存在哪些地理区域以及特定地理区域中的特定库存中心。在一些实施例中,特定节点之间的量(或粗度)表示节点之间的关系的强度。例如,地理区域A(由节点405表示)可以包括库存中心A(由节点407表示)和库存中心B(由节点403表示)两者。然而,边418的直径可以相对于边416的直径更粗,指示库存中心A相对于库存中心B(根据边的粗度)成比例地更靠近地理区域A。这些功能可以用于确定成本(例如,如关于图1的成本模块106所述)和/或消费者需求(例如,如关于图1的消费者需求模块104所述)。
备选地或附加地,“距离”可以用于确定成本、消费者需求和/或地理区域或库存中心之间的空间关系。在一些实施例中,网络图上的“距离”和顶点U与顶点V之间的最短路径上的边(或边集合)的数量相对应。在一些实施例中,如果存在连接两个顶点的多条路径,则将最短路径考虑为两个顶点之间的距离。因此,距离可以被定义为d(U,V)。例如,节点405与节点413之间的距离是2(即节点405与节点413之间存在两条边420和422),然而节点405与节点409之间的距离是1(即节点405与节点409之间只存在1条边420)。例如,这可以指示对于在用户设备处的空间呈现而言,相对于地理区域B到A,地理区域C在现实世界中更靠近地理区域A。
图5是根据一些实施例的示出如何使用一个或多个机器学习模型生成决策统计的示意图。在一些实施例中,图5表示或包括由图1的消费者需求模块104使用的数据和功能。图5示出运行时输入503(例如,图2的查询225)通过一个或多个机器学习模型505输入或处理以做出预测,例如针对特定的输入503预测特定地理区域的消费者需求。备选地或附加地,一个或多个机器学习模型505可以预测特定地理区域的将来的销售或运行时输入503。
指定运行时输入503和训练数据输入515,一个或多个机器学习模型505生成一个或多个特定决策统计预测507(例如,分类器模型的分类预测、聚类模型的聚类预测或回归模型的回归预测)。这些机器学习模型505可以是任意合适的类型的任意合适的模型。例如,这些机器学习模型505可以是有监督的或无监督的,并且可以是或包括神经网络(例如,卷积神经网络(CNN)或孪生神经网络)、决策树、随机森林、支持向量机、朴素贝叶斯和/或聚类(例如,K均值聚类)。因此,虽然机器学习模型505被表示为神经网络,但是应理解,可以备选地或附加地使用任意合适的机器学习模型(或模型的组合)。在决策统计507的说明性示例中,机器学习模型505可以将表示输入503中的一些或所有输入的特征向量聚类或分类到簇或分组中,所述簇或分组指示在时间Y处地理区域A可能会存在X件销售。
在特定实施例中,决策统计507可以是硬(例如,类的成员是二值“是”或“否”)或软(例如,存在针对标签添加的概率或似然率)之一。备选地或附加地,可以出现迁移学习。迁移学习是针对相关的新问题再使用经预训练的模型的概念。
在一些实施例中,机器学习模型505将运行时输入503和/或训练数据输入515转换或编码成特征空间中的对应的特征向量。如本文所述的“特征向量”(也称为“向量”)包括一个或多个实数,例如浮点值或整数的序列(例如,[0,1,0,0]),其表示一个或多个其他实数、自然语言(例如,英语)词和/或其他字符序列(例如,符号(例如,@、!、#)、短语和/或句子等)。这些自然语言词和/或字符序列与特征的集合相对应,并且被编码或转换成对应的特征向量,以使计算机可以处理对应的已提取的特征。例如,特征向量可以表示描述地理区域的过去的用户活动的文档。如本文所述的“特征空间”或“向量空间”指用于从数据中选择特征的集合的所有可能的值(例如,参数值)的集合。
在各个实施例中,机器学习模型505经由对参数或权重进行训练、以使类似的特征在特征空间中彼此更近(例如,经由欧式或余弦距离)而学习。在机器学习的上下文中的“权重”表示特征或特征值对于预测的重要性或显著性。例如,每个特征可以与整数或其他实数相关联,其中实数越大,对于其预测就是越显著的特征。在一些实施例中,神经网络或其他机器学习应用中的权重可以表示从一个层(输入)到另一个层(输出)的节点或神经元之间的连接的强度。权重0可以表示输入将不改变输出,然而高于0的权重改变输出。输入的值越大或值越靠近1,输出将改变或增加得越多。同样,可以存在负权重。负权重使输出的值成比例地减小。例如,输入的值增加得越多,输出的值减少得越多。负权重可以贡献负得分。在神经网络的上下文中的进行加权的说明性示例中,如果指定地理区域的大多数历史用户活动文档展示了特定的时间段的用户活动的范围,则该特定的时间段的范围可以与被激活或加强的神经节点相关联。
在一些实施例中,这个训练使用用于确定预测与真实情况(例如,标记的数据集合)偏差多少的损失函数(例如,三元组损失或GE2E损失)以有监督的方式完成。损失函数进行学习,以减少预测中的误差。训练可以针对一个或多个数据输入515(例如,通过地理区域、物品ID和/或日期标记的用于物品的文档)发生。例如,文档A可以包括与统计表300相同或类似的统计表,其可以输入到机器学习模型505,以将每个值编码为特征向量并且使其嵌入在特征空间中。文档B还可以包括与统计表300类似的统计表,其也可以输入到机器学习模型505,以(例如,经由点积)与文档A的特征向量嵌入进行聚合。
一些实施例基于学习(例如,深度学习)来学习特征向量的嵌入,以使用距离测量(例如,余弦或欧式距离)在特征空间中检测训练数据输入515中的类似的特征。例如,每个标记的训练数据输入515从字符串或其他形式转换成特征向量,其中每个值或值的集合表示各个计数(例如,“采购频率”值)。在一些实施例中,特征空间(或向量空间)是特征向量的集合,每个特征向量基于特征向量的特征的聚合相似度被定向在或被嵌入在空间中。在各个训练阶段或时期,可以针对每个训练输入515的特定的特征特性进行学习或加权。例如,对于被标记为地理区域A和物品Y的多个文档中的每个文档,根据输出特征向量中的表示,实施例可以学习对于1月和2月的时间范围,存在值为Z的消费者需求平均值。
在一些实施例中,进行学习或加权包括:随着更多的训练时期出现而改变特征向量的特征空间中的嵌入。例如,在第一轮或时期的训练之后,可能不知道已提取的哪些值对于进行特定的分类或预测是重要的。因此,用于每个标签(例如,物品、地理区域)的每个特征可以采用相等的权重(或在阈值之内接近相等的权重,例如2%的权重改变),以使所有的输入特征向量在特征空间中基本上靠近或在距离阈值之内。例如,根据各自表示不同的地理区域针对同一物品的消费者需求的特征向量之间的距离接近度(closeness)所指示的,对特定地理区域的特定物品的消费者需求可能是类似的。然而,在若干轮的训练或任意阈值数量的训练之后,这些相同的特征向量可以基于特征值相似度调整或改变彼此之间的距离。两个特征向量匹配或在阈值之内的特征越多,两个特征向量彼此越接近,然而,当特征不匹配或不在阈值之内时,两个特征向量彼此离得越远。要理解,虽然图5示出了训练数据输入515表示标记的输入,其可以在有监督的学习中完成,但是输入515可以表示非标记数据,例如其中未指定标签的无监督的聚类机器学习模型数据。
各个实施例将训练数据输入515转换成特征向量,以及通过聚合(例如,均值/中值或点积)特征向量值以到达特征空间中的特定的点而将其映射到向量空间中。换言之,向量空间中的嵌入的特征向量表示根据地理区域、物品和/或时间聚合的计数,嵌入的特征向量基于其所有值的组合在向量空间中定向,其中每个值表示维度(或轴)。例如,表示地理区域A的采购频率的多个文档可以经由均值、中值或点积功能聚合成单个特征向量并且被嵌入在特征空间中。
在各个实施例中,在机器学习模型505针对训练数据输入515训练(和/或测试)之后,机器学习模型505(例如,在被部署的状态下)接收运行时输入503。在各个实施例中,在一些实施例中,输入503自动转换为一个或多个特征向量并且被映射到与表示训练数据输入515的向量相同的特征空间中。作为响应,一些实施例确定一个或多个特征向量与表示训练数据输入515的其他向量之间的距离(例如,欧几里德距离或余弦),距离被用于生成决策统计507。例如,可以将表示库存物品运行时输入503的第一特征向量确定为在距离上靠近被标记为“地理区域A、针对日期范围Z和物品P”的特征向量。这样的嵌入可以具有消费者需求值A的点积值。因此,基于与训练特征向量的在距离上的接近度,决策统计507为:针对运行时输入503,可能会存在消费者需求值A。
图6是根据一些实施例的用于训练机器学习模型的示例过程600的流程图。可以通过包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(例如,在处理器上运行以执行硬件仿真的指令)、固件或其组合的处理逻辑来执行过程600(和/或本文描述的任意功能,例如过程700)。尽管以特定顺序以特定数量引用本公开中所描述的特定框,但是应当理解,任何框可以与任何其他框实质上并列发生或在任何其他框之前或之后发生。此外,可以存在比所示出的更多(或更少)的框。这些被添加的框可以包括体现本文描述的任何功能的框。如本文所述的计算机实现的方法、系统(包括具有至少一个处理器和至少一个计算机可读存储介质的至少一个计算设备)和/或计算机存储介质可以执行或使得执行本文所述的过程600、过程700和/或任意其他功能。在一些实施例中,过程600表示经由图5的训练数据输入515训练图5的机器学习模型505。
根据框602,接收多个度量文档。例如,可以接收包括用于不同的地理区域的图3的统计表300的文档。根据框604,基于度量文档的一个或多个已提取的特征得出真实情况。例如,回去参考图3,对于地理区域A和A品牌B颜色的运动鞋,查看频率、采购频率、跳阅频率、观看频率和竞价频率计数(或表示消费者需求的聚合值)中的每一个可以被编码成特征向量并且被嵌入在特征空间中。
根据框606,识别训练集合对。这些训练集合对可以是与在框602处接收的用于得到真实情况的多个文档完全不同的文档。在框606的说明性示例中,相同类型的两个训练集合对(例如,地理区域A和物品A的两个度量文档)可以进行配对。在另一个示例中,不同类型的两个训练集合对(例如,不同地理区域A和B的两个度量的文件)可以进行配对。
根据框608,至少部分地基于学习与已提取的特征相关联的权重来训练机器学习模型。例如,各个实施例基于真实情况学习训练集合对的嵌入。例如,一些实施例可以确定表示标记的度量文档的真实情况特征向量与表示训练集合对中的一个训练集合的特征向量之间的距离。基于通过损失函数(例如,均方误差损失(MSEL)、交叉熵损失)确定的损失(例如,真实情况与训练集合对之间的距离上的差异),损失函数在多个时期(epochs)或训练会话上学习减少预测中的误差。例如,一些实施例利用均方误差损失训练神经网络:
图7是根据一些实施例的用于选择将物品运输到的库存中心的示例过程700的流程图。根据框703,接收用户需要将物品放置在库存中心中的指示(例如,标志或控制信号)。例如,回去参考图2,作为对接收用户已选择提交按钮223的指示的响应,特定实施例可以接收查询225。接收到这样的查询225可以是将物品放置在库存中心中的指示或请求。
根据框705,(例如,作为对在框703处接收指示的响应)一些实施例确定对多个地理区域中的每个地理区域的该物品的消费者需求(例如,用户活跃性数据)。每个地理区域可以包括一个或多个库存中心,例如如图2的气泡地图205所示。确定这样的消费者需求的示例通过图1的消费者需求模块104和图3的统计表300进行描述。在一些实施例中,确定消费者需求至少部分地基于使用一个或多个机器学习模型,例如如图5和图6所示。
根据框707,一些实施例至少部分地基于消费者需求生成一个或多个用户界面元件。在一些实施例中,这样的一个或多个用户界面元件至少部分地指示或表示在多个地理区域中的一个或多个地理区域处的消费者需求。例如,一个或多个用户界面元件可以包括气泡地图的气泡数据对象,其中气泡数据对象的尺寸指示对在特定地理区域的该物品的消费者需求或直接与消费者需求成比例。这样的示例在图2进行了描述。例如,最大的气泡数据对象是207,其也是与最高消费者需求(和/或成本)相关联的数据对象。在一些实施例中,一个或多个用户界面元件还指示或表示使该物品到达指定库存中心的成本,例如如关于图1和图2的成本模块106所述。同样,用户界面元件(例如,气泡数据对象)可以指示成本或直接与其成比例,如关于图2所述。在一些实施例中,框707可以备选地或附加地包括生成以自然语言说明哪个地理区域对该物品具有最高消费者需求的通知。备选地或附加地,框707可以包括表示已排序的库存中心的列表,例如如关于图2的窗格217所述。
根据框709,一些实施例选择要将物品运输到的多个地理区域中的第一地理区域中的第一库存中心。在一些实施例中,这样的选择基于接收与一个或多个用户界面元件相关联的用户选择。例如,针对指针208、标记215和标记221对其进行了描述,此时用户可以选择对应的UI元件以选择希望的库存中心。作为对该用户选择的响应,实施例然后可以选择(例如,标志)该库存中心来存储或运输物品。备选地,一些实施例可以自动选择库存中心而无需用户输入。
在一些实施例中,在框709之前至少部分地基于消费者需求生成针对将物品存储或运输到第一地理区域中的第一库存中心的推荐或包括所述生成操作。例如,推荐可以是明确的自然语言通知,其说明第一库存中心处于具有最高消费者需求的地理区域中以及用户因此应选择第一库存中心来进行存储。在一些实施例中,推荐是更含蓄的或间接的,例如提供已排序的库存中心的列表(例如,图2的列表219)。
在一些实施例中,在框709之前至少部分地基于消费者需求(例如,用户活跃性数据)对作为用于存储或运输物品目的的候选的每个地理区域中的每个库存中心排序或包括所述排序操作。此外,作为对所述排序的响应,这些实施例生成指示所述排序的用户界面元件。例如,针对已排序的履行中心219的窗格217描述了这样的功能。
在一些实施例中,相同的用户具有需要放置在一个或多个库存中心中的多个物品。这可以使得(例如,根据每个物品和地理区域的消费者需求和/或成本)为所有的物品选择相同的库存中心或用户的物品分布在各个库存中心中的情况。例如,一些实施例接收所述用户需要将第二物品放置在库存中心中的第二指示。作为对接收到第二指示的响应,特定实施例确定同样的多个地理区域中的每个地理区域的第二物品的消费者需求。至少部分地基于所述消费者需求,一些实施例生成一个或多个第二用户界面元件(例如,第二气泡数据对象),其指示对在所述多个地理区域中的一个或多个地理区域处的第二物品的消费者需求。此外,基于与一个或多个第二用户界面元件相关联的用户选择,一些实施例选择要将第二物品运输到的所述多个地理区域中的第二地理区域中的第二库存中心。
在一些实施例中,存在出现在根据框709选择库存中心之后的各种下游功能,用于完成消费者交易(例如,如关于图1的物品列表查询执行模块111所述)。例如,在所述选择之后,一些实施例使得(例如,经由物流载具)物品被实际运输到库存中心。此外,在使得物品被实际运输到库存中心之后,一些实施例接收第二用户针对指示相同的第一物品的物品列表的用户请求。物品列表可以被包括在电子市场中并且第一物品可以经由电子市场销售。第二用户(例如,购买者)可以处于已选择的库存中心所在的同一地理区域中。作为对接收到用户请求的响应,一些实施例使得在针对所述用户请求的搜索结果页上将所述物品列表作为搜索结果呈现。然后,各个实施例接收用户在搜索结果页处对搜索结果的选择。此外,在用户选择之后,一些实施例使得将物品从第一库存中心运输到与第二用户和第一地理区域相关联的目标位置。以这种方式,因为库存中心靠近购买者,所以可以为购买者降低到达目标位置的交货成本。因为针对每个地理区域计算消费者需求并且更有可能选择对应的库存中心,所以这种成本降低可能更经常地出现。
图8是根据某些实施例的在其中使用本公开的各方面的计算环境800的框图。尽管环境800以特定数量示出特定组件,但是应认识到计算环境800中可以包括更多或更少的组件。例如,在一些实施例中,存在多个用户设备802和多个服务器804(例如,电子市场服务器),例如云中或分布式计算环境中的节点。在一些实施例中,图1的系统100的组件中的一些组件或每个组件被托管在一个或多个服务器804中。备选地,在一些实施例中,系统100的组件中的一些组件或每个组件被托管在用户设备802中。在一些实施例中,用户设备802和/或服务器804可以被实现在任何物理硬件中,例如图9的计算设备900。
一个或多个用户设备802通过一个或多个网络110以通信方式耦合到服务器804。实际上,该连接可以是任何可行的数据传输网络,例如LAN或WAN。网络110可以是例如局域网(LAN),诸如因特网的广域网(WAN)或两者的组合,并且包括有线连接、无线连接或光纤连接。通常,网络110可以是将会支持控制服务器804与用户设备802之间的通信的连接和协议的任何组合。
在一些实施例中,用户在一个或多个用户设备802上发出查询,在这之后,用户设备802通过网络110与一个或多个服务器804通信,并且一个或多个服务器804执行该查询(例如,经由图1的一个或多个组件),并且使得用户设备802显示返回的信息或为其提供显示信息。例如,用户可以在用户设备802处发出图2的查询225以请求将物品放置在库存中心中。作为响应,一个或多个服务器804执行查询,例如提供图2的气泡地图205和/或已排序的履行中心19的列表。
可以在计算机代码或机器可用指令的一般上下文中描述本发明,所述计算机代码或机器可用指令包括由计算机(或一个或多个处理器)或其他机器(例如,个人数据助理或其他手持设备)执行的计算机可执行指令,例如程序模块。通常,包括例程、程序、对象、组件、数据结构等的程序模块是指执行特定任务或实现特定抽象数据类型的代码。可以在各种系统配置中实践本发明,包括手持设备、消费电子产品、通用计算机、更多专用计算设备等。也可以在分布式计算环境中实践本发明,在分布式计算环境中,任务由通过通信网络链接的远程处理设备执行。
参考图9,计算设备900包括直接或间接耦合以下设备的总线10:存储器12、一个或多个处理器14、一个或多个呈现组件16、输入/输出(I/O)端口18、输入/输出组件20和示例性电源22。总线10表示可能是一个或多个总线(例如,地址总线、数据总线或其组合)。尽管为了清楚起见用线示出图9的各个框,但是实际上,不是特别清楚地示出各个组件,并且隐含地,这些线将更准确地是灰色和模糊的。例如,可以将诸如显示设备之类的呈现组件视为I/O组件。此外,处理器具有内存。发明人认识到这是本领域的本质,并重申该图仅是可结合本发明的一个或多个实施例使用的示例性计算设备的说明。在诸如“工作站”、“服务器”、“膝上型计算机”、“手持式设备”等的类别之间未进行区分,因为所有这些类别都被考虑为在图9的范围内并且被称为“计算设备”。
在一些实施例中,计算设备900表示上述一个或多个系统和/或组件的物理实施例。例如,计算设备900可以表示:图8的一个或多个用户设备802、服务器804。计算设备900还可以执行过程600、过程700中的框中的一些框或每个框和/或本文关于图1-图9所描述的任意功能。应该理解,计算设备900无需被解释为执行通用功能的通用计算机。相反,在一些实施例中,计算设备900是特定机器或专用计算机。例如,在一些实施例中,计算设备900是或包括:多用户大型机计算机系统、一个或多个云计算节点、单用户系统或服务器计算机或类似设备,它们几乎没有或没有直接用户界面,但接收来自其他计算机系统(客户端)、台式机计算机、便携式计算机、膝上型计算机或笔记本计算机、平板计算机、袖珍式计算机、电话、智能电话、智能手表或任何其他合适类型的电子设备的请求。
计算设备900通常包括各种计算机可读介质。计算机可读介质可以是计算设备900可以访问的任何可用介质,并且包括易失性和非易失性介质、可移动和不可移动介质。作为示例而非限制,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以任何方法或技术实现的易失性和非易失性以及可移除和不可移除介质,它们用于存储信息,例如计算机可读指令、数据结构、程序模块或其他数据。计算机存储介质包括但不限于:RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用光盘(DVD)或其他光盘存储装置、磁带盒、磁带、磁盘存储设备或其他磁存储设备、或可以用于存储期望信息并且可以由计算机900访问的任何其他介质。计算机存储介质不包括信号自身。通信介质通常包括计算机可读指令、数据结构、程序模块或采用经调制的数据信号(例如载波或其他传输机制)的其他数据,并且包括任何合适的信息传送介质。术语“经调制的数据信号”是指按照在信号中对信息进行编码的方式来设置或改变信号的特征中的一个或多个特征的信号。作为示例而非限制,通信介质包括诸如有线网络或直接有线连接之类的有线介质,以及诸如声学、RF、红外线和其他无线介质之类的无线介质。以上的任意组合也应被包括在计算机可读介质的范围之内。
存储器12包括易失性存储器和/或非易失性存储器形式的计算机存储介质。存储器可以是可移动的、不可移动的或其组合。示例性硬件设备包括固态存储器、硬盘驱动器、光盘驱动器等。计算设备900包括一个或多个处理器14,它们从诸如存储器12或I/O组件20之类的各种实体读取数据。呈现组件16向用户或其他设备呈现数据指示。示例性呈现组件16包括显示设备、扬声器、打印组件、振动组件等。
I/O端口18允许计算设备900被逻辑耦合到包括I/O组件20的其他设备,所述设备中的一些设备可以被内置,示例性组件包括麦克风、操纵杆、游戏手柄、碟形卫星天线、扫描仪、打印机、无线设备等。I/O组件20可以提供自然用户界面(NUI),其处理由用户生成的空中手势、话音或其他生理输入。在一些情况下,可以将输入发送到适当的网元以进行进一步处理。NUI可以实现语音识别、触摸和触笔识别、面部识别、生物特征识别、屏幕上以及靠近屏幕的手势识别、空中手势、头部和眼睛跟踪、以及与计算设备900上的显示相关联的触摸识别的任何组合。计算设备900可以配备有深度相机,例如,立体相机系统、红外相机系统、RGB相机系统、以及这些的组合,以用于手势检测和识别。此外,计算设备900可以配备有能够检测运动的加速计或陀螺仪。
如上所述,本公开的实现涉及基于接收到的关于特定用户的上下文数据自动生成用户界面或呈现一个或多个应用。已经结合旨在是说明性而非限制性的所有方面的特定实施例描述本发明。在不脱离本发明的范围的情况下,备选实施例对于本发明所属领域的技术人员来说将变得显而易见。
从前述内容可以看出,本发明非常适合于实现上述所有目的和目标、以及该系统和方法的明显和固有的其他优点。应该理解,某些特征和子组合是有用的,并且可以在不参考其他特征和子组合的情况下使用。这是权利要求所预期的并且在权利要求的范围之内。
定义
“和/或”是包含式析取,也被称为逻辑析取,并且通常被称为“包含式的或”。例如,短语“A、B和/或C”表示A或B或C中的至少一个为真;以及仅当A和B和C均为假时,“A、B和/或C”才为假。
商品“的集合”表示存在一个或多个商品;必须存在至少一个商品,但也可以是两个商品、三个商品或更多个商品。商品“的子集”表示在包含共同特征的一组商品中存在一个或多个商品。
“多个”商品表示存在多于一个商品;必须至少存在两个商品,但也可以是三个商品、四个商品或更多个商品。
除非另外明确指出,否则“包括”和任何变体(例如,含有、包含等)是指“包括但不一定限于”。
“用户”或“订户”包括但不一定限于:(i)一个人;(ii)具有足够智力的人工智能实体,以代替一个人或多于一个人动作;(iii)由一个人或多于一个人对齐采取动作的商业实体;和/或(iv)充当单个“用户”或“订户”的任何一个或多个有关的“用户”或“订户”的组合。
除非另有明确规定,否则不应将术语“接收”、“提供”、“发送”、“输入”、“输出”和“报告”视为指示或暗示:(i)关于目标与主体之间的关系的任何特定程度的直接性;和/或(ii)存在或不存在介于目标和主体之间的一组中间组件、中间动作和/或事物。
“模块”或“组件”是可操作地执行功能的任何硬件、固件和/或软件的集合,而不考虑该模块是否:(i)在本地附近;(ii)广泛分布;(iii)在较大的软件代码中相邻;(iv)位于单个软件代码中;(v)位于单个存储设备、存储器或介质中;(vi)被机械连接;(vii)被电连接;和/或(viii)在数据通信中连接。“子模块”是“模块”内的“模块”。
除非另外明确指出,否则术语第一(例如,第一缓存)、第二(例如,第二缓存)等不应解释为表示或暗示顺序或时间序列。相反,它们应被解释为区分两个或更多个要素。在一些实施例中,两个或多个要素尽管可区分,但是具有相同的构成。例如,第一存储器和第二存储器确实可以是两个单独的存储器,但是它们都可以是具有相同存储容量(例如4GB)的RAM设备。
术语“使得”是指一个或多个系统(例如,计算设备)和/或组件(例如,处理器)可以单独或与其他系统和/或组件组合来实现或帮助实现特定的结果或效果。例如,服务器计算设备可以“使得”消息被显示到用户设备(例如,通过将消息发送到用户设备)和/或同一用户设备可以“使得”相同的消息被显示(例如,通过执行指令和在用户设备的显示存储器中的数据的处理器)。因此,一个或两个系统可以独立地或一起“使得”获得显示消息的效果。
Claims (20)
1.一种计算机实现的方法,包括:
接收用户需要将物品放置在库存中心中的指示,所述库存中心指示存储库存的物理位置;
响应于接收到所述指示,确定对多个地理区域中的每个地理区域的所述物品的消费者需求,每个地理区域包括一个或多个库存中心;
至少部分地基于所述消费者需求,生成指示在所述多个地理区域中的一个或多个地理区域处的消费者需求的一个或多个用户界面元件;以及
基于与所述一个或多个用户界面元件相关联的用户选择,选择要将所述物品运输到的所述多个地理区域中的第一地理区域中的第一库存中心。
2.根据权利要求1所述的方法,还包括:
至少部分地基于对在每个地理区域处的所述物品的消费者需求对所述多个地理区域中的每个地理区域的每个库存中心排序,其中,所述一个或多个用户界面元件指示所述排序;以及
基于所述排序推荐要将所述物品运输到的所述第一库存中心。
3.根据权利要求2所述的方法,其中,所述排序还基于将所述物品放置在每个库存中心的成本。
4.根据权利要求1所述的方法,还包括:
接收所述用户需要将第二物品放置在库存中心中的第二指示;
响应于接收到所述第二指示,确定对所述多个地理区域中的每个地理区域的所述第二物品的消费者需求;
至少部分地基于所述消费者需求,生成指示对在所述多个地理区域中的一个或多个地理区域处的所述第二物品的消费者需求的一个或多个第二用户界面元件;以及
基于与所述一个或多个第二用户界面元件相关联的用户选择,选择要将所述第二物品运输到的所述多个地理区域中的第二地理区域中的第二库存中心。
5.根据权利要求1所述的方法,其中,确定所述消费者需求至少部分地基于使用一个或多个机器学习模型。
6.根据权利要求1所述的方法,其中,所述一个或多个用户界面元件包括气泡地图的气泡数据对象,并且其中,所述气泡数据对象的尺寸指示对在特定地理区域处的所述物品的消费者需求。
7.根据权利要求1所述的方法,还包括:
在选择之后,使得所述物品被实际运输到所述第一库存中心;以及
在使得所述物品被实际运输到所述第一库存中心之后,接收针对指示所述物品的物品列表的用户请求,所述物品列表被包括在电子市场中,所述物品经由所述电子市场销售,与所述用户请求相关联的第二用户位于所述第一地理区域处。
8.根据权利要求7所述的方法,还包括:
响应于接收到所述用户请求,使得在针对所述用户请求的搜索结果页上将所述物品列表作为搜索结果呈现;
接收用户在所述搜索结果页处对所述搜索结果的选择;以及
在用户选择之后,使得所述物品从所述第一库存中心运输到与所述第二用户和所述第一地理区域相关联的目标位置。
9.一种系统,包括:
至少一个处理器;以及
存储指令的至少一个计算机可读数据存储设备,所述指令当由所述至少一个处理器执行时,使得所述系统:
接收用户需要将物品放置在库存中心中的指示,所述库存中心指示存储库存的物理位置;
响应于接收到所述指示,确定对多个地理区域中的每个地理区域的所述物品的消费者需求,每个地理区域包括一个或多个库存中心;以及
至少部分地基于所述消费者需求,生成用于将所述物品存储到第一地理区域中的第一库存中心的推荐。
10.根据权利要求9所述的系统,其中,所述推荐至少部分地基于对所述多个地理区域中的每个地理区域的每个库存中心排序,对所述多个地理区域中的每个地理区域的每个库存中心排序至少部分地基于对在每个地理区域处的所述物品的消费者需求。
11.根据权利要求9所述的系统,其中,所述推荐还基于将所述物品放置在每个库存中心的成本。
12.根据权利要求9所述的系统,其中,所述系统还使得生成指示所述推荐的一个或多个用户界面元件。
13.根据权利要求9所述的系统,其中,确定所述消费者需求至少部分地基于使用一个或多个机器学习模型或统计模型。
14.根据权利要求9所述的系统,其中,所述系统还使得:
在推荐之后,使得所述物品被实际运输到所述第一库存中心;以及
在使得所述物品被实际运输到所述第一库存中心之后,接收针对指示第一物品的物品列表的用户请求,所述物品列表被包括在电子市场中,所述物品经由所述电子市场销售,与所述用户请求相关联的第二用户位于所述第一地理区域处。
15.根据权利要求14所述的系统,其中,所述系统还使得:
响应于接收到所述用户请求,使得在针对所述用户请求的搜索结果页上将所述物品列表作为搜索结果呈现;
接收用户在所述搜索结果页处对所述搜索结果的选择;以及
在用户选择之后,使得所述物品从所述第一库存中心运输到与所述第二用户和所述第一地理区域相关联的目标位置。
16.一个或多个计算机存储介质,其上具有计算机可执行指令,所述计算机可执行指令当由一个或多个处理器执行时,使得所述一个或多个处理器:
接收用户需要将物品放置在库存中心中的指示,所述库存中心指示存储库存的物理位置;
响应于接收到所述指示,确定多个地理区域中的每个地理区域的所述物品的用户活跃性数据,每个地理区域包括一个或多个库存中心;
至少部分地基于所述用户活跃性数据,对作为用于存储所述物品或作为所述物品的运输目标的候选的、每个地理区域中的每个库存中心排序;以及
响应于所述排序,生成指示所述排序的用户界面元件。
17.根据权利要求16所述的计算机存储介质,其中,所述排序还基于成本。
18.根据权利要求16所述的计算机存储介质,其中,确定消费者需求至少部分地基于使用一个或多个机器学习模型。
19.根据权利要求16所述的计算机存储介质,其中,所述界面元件包括气泡地图的气泡数据对象,并且其中,所述气泡数据对象的尺寸指示在特定地理区域处的所述物品的消费者需求以及成本。
20.根据权利要求16所述的计算机存储介质,所述一个或多个处理器还使得:
在生成用户界面元件之后,使得所述物品被实际运输到第一库存中心;以及
在使得所述物品被实际运输到所述第一库存中心之后,接收针对指示所述物品的物品列表的用户请求,所述物品列表被包括在电子市场中,所述物品经由所述电子市场销售,与所述用户请求相关联的第二用户位于第一地理区域处。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/224,482 | 2021-04-07 | ||
US17/224,482 US11989685B2 (en) | 2021-04-07 | 2021-04-07 | Intelligent computer functionality and visualization for inventory item placement |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115249140A true CN115249140A (zh) | 2022-10-28 |
Family
ID=80978824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210342538.5A Pending CN115249140A (zh) | 2021-04-07 | 2022-04-02 | 用于放置库存物品的智能计算机功能及可视化 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11989685B2 (zh) |
EP (1) | EP4071683A1 (zh) |
CN (1) | CN115249140A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657280B1 (en) * | 2022-11-01 | 2023-05-23 | Plusai, Inc. | Reinforcement learning techniques for network-based transfer learning |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189768B2 (en) * | 2007-05-31 | 2015-11-17 | Amazon Technologies, Inc. | Method and apparatus for providing fulfillment services |
US9727616B2 (en) | 2009-07-06 | 2017-08-08 | Paypal, Inc. | Systems and methods for predicting sales of item listings |
US8620707B1 (en) | 2011-06-29 | 2013-12-31 | Amazon Technologies, Inc. | Systems and methods for allocating inventory in a fulfillment network |
US10373099B1 (en) | 2015-12-18 | 2019-08-06 | Palantir Technologies Inc. | Misalignment detection system for efficiently processing database-stored data and automatically generating misalignment information for display in interactive user interfaces |
US10600102B2 (en) | 2016-12-22 | 2020-03-24 | Google Llc | Graphical user interface to display inventory data at merchant locations |
US11157930B1 (en) * | 2018-06-26 | 2021-10-26 | Amazon Technologies, Inc. | Systems and methods for defining candidate and target locations based on items and user attributes |
US10504061B1 (en) * | 2019-04-10 | 2019-12-10 | Coupang, Corporation | Systems and methods for machine-learning assisted inventory placement |
US11775931B2 (en) * | 2020-08-03 | 2023-10-03 | Flexe, Inc. | System and associated methods for apportionment of inventory between warehouse nodes to achieve requested service levels |
US20220083954A1 (en) * | 2020-09-11 | 2022-03-17 | Shopify Inc. | Methods and systems for real-time inventory reallocation from supplier to retailer |
-
2021
- 2021-04-07 US US17/224,482 patent/US11989685B2/en active Active
-
2022
- 2022-03-29 EP EP22164888.4A patent/EP4071683A1/en active Pending
- 2022-04-02 CN CN202210342538.5A patent/CN115249140A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220327468A1 (en) | 2022-10-13 |
EP4071683A1 (en) | 2022-10-12 |
US11989685B2 (en) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240028658A1 (en) | Systems, apparatuses, and methods for providing a quality score based recommendation | |
US11062369B2 (en) | Providing informational tags within networked systems | |
US20210082027A1 (en) | Recommendations Based Upon Explicit User Similarity | |
US20200065750A1 (en) | Inventory management system and method thereof | |
US20160267377A1 (en) | Review Sentiment Analysis | |
US9384278B2 (en) | Methods and systems for assessing excessive accessory listings in search results | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
US20210090017A1 (en) | Feedback-based management of delivery orders | |
US8117060B2 (en) | Geographic demand distribution and forecast | |
US20210150604A1 (en) | Systems and methods for customization of reviews | |
KR20230158390A (ko) | 판매자 맞춤형 상품 등록 기능을 지원하는 온라인 커머스 큐레이션 서비스를 제공하는 방법 및 장치 | |
US20210090105A1 (en) | Technology opportunity mapping | |
CN115131088A (zh) | 用于定位用户附近感兴趣的商品的智能计算机搜索功能 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
EP4071683A1 (en) | Intelligent computer functionality and visualization for inventory item placement | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CA3169819C (en) | Systems and methods for automated product classification | |
CN115375219A (zh) | 库存物品预测和表项推荐 | |
US20210150593A1 (en) | Systems and methods for customization of reviews | |
CN113159877A (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
US20240062289A1 (en) | Prioritized database search based on imminent interaction | |
US20230237552A1 (en) | Methods and apparatus for recommending substitutions | |
US20240135017A1 (en) | Storing and retrieving data based on experience in categories associated with historical interactions | |
US20230078260A1 (en) | Systems and methods for providing recommendations of computer applications based on similarity | |
Vartanian et al. | Apparatus and method for ensuring the quality and price of a good sold online |
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 |