CN115375219A - 库存物品预测和表项推荐 - Google Patents

库存物品预测和表项推荐 Download PDF

Info

Publication number
CN115375219A
CN115375219A CN202210507671.1A CN202210507671A CN115375219A CN 115375219 A CN115375219 A CN 115375219A CN 202210507671 A CN202210507671 A CN 202210507671A CN 115375219 A CN115375219 A CN 115375219A
Authority
CN
China
Prior art keywords
item
category
inventory
items
nodes
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
Application number
CN202210507671.1A
Other languages
English (en)
Inventor
张泽中
毛慧颖
沈苏敏
杨柏熙
阿廷德拉·马尔迪卡
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.)
eBay Inc
Original Assignee
eBay Inc
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 eBay Inc filed Critical eBay Inc
Publication of CN115375219A publication Critical patent/CN115375219A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

描述了库存预测系统，该库存预测系统使用将物品类别表示为节点的交叉类别有向图来输出用户的已知库存中未包括的预测库存物品。该库存预测系统实现使用机器学习训练的预测模型，该预测模型使用图形和来自用户的已知库存的至少一个物品输出预测库存物品。该库存预测系统还被配置成生成预测库存物品的表项推荐。为此，库存预测系统实现使用机器学习训练的逻辑回归模型，以计算应当使用预测库存物品的属性和当前流行物品的属性来生成表项推荐的概率。生成表项推荐以包括预测库存物品的描述和该预测库存物品的估计值，以及生成该预测库存物品的出售表项的选项。

Description

库存物品预测和表项推荐
技术领域
本公开内容涉及库存管理，尤其涉及库存物品预测和表项推荐。
背景技术
传统的库存管理系统用于预测未来需求。例如，零售实体实现库存系统来估计零售位置何时将卖出特定物品以便抢先再进货。为此，传统的库存系统基于历史交易信息，例如由零售点先前购买的物品的数量相对于由零售点出售的物品的数量，预测对各种物品的需求，并且推断以预测对实体的未来需求。因此，传统的库存系统严重依赖于全面描述实体的当前库存的信息，并且在预测未来库存需求时将该当前库存信息视为基础事实。因此，传统的库存系统不能识别应该被包括在实体的当前库存列表中的缺失的物品。
发明内容
描述了一种库存预测系统，该库存预测系统为指定用户输出预测库存物品，该预测库存物品未被包括在描述指定用户的已知库存的数据中。为此，该库存预测系统利用包括节点边结构的交叉类别有向图，其中图的节点表示每个包括多个物品的物品类别。该库存预测系统被配置成基于描述已知被多个用户中的每个用户拥有的一个或更多个物品的用户数据生成交叉类别有向图。基于相关联的物品属性，将用户数据的已知库存中指定的物品分配给交叉类别有向图的类别节点，使得每个类别节点包括具有至少一个共同属性的多个物品。每个类别节点还被分配表示类别节点中包括的多个物品的值的值。
该库存预测系统然后标识各种类别节点对之间的连接，其中连接指示用户数据中至少两个用户的已知库存指示由该连接链接的每个类别节点中包括的一个或更多个物品的所有权。然后，基于已知拥有由连接链接的两个节点类别中的物品的用户的数目，对节点连接进行加权。然后基于边阈值过滤加权的节点连接，使得具有不满足边阈值的权重的节点连接不在交叉类别有向图中表示。对于具有满足边阈值的权重的连接，该库存预测系统生成连接节点类别的边，并且基于经由该边链接的节点类别的相应值来向该边分配方向。例如，生成交叉类别有向图，使得边被定向成从较低值类别节点流向较高值类别节点。
给定交叉类别有向图，该库存预测系统实现使用机器学习训练的预测模型，以输出由指定用户拥有的预测库存物品，其被给定作为描述已知由指定用户拥有的物品的输入信息。为此，训练预测模型以识别交叉类别有向图中包括已知库存物品的类别节点，并且遍历图以基于加权边识别不同的类别节点。然后使用自然语言处理来计算已知库存物品与不同类别节点中的物品之间的相似性以识别预测库存物品，然后该预测库存物品由该库存预测系统与该预测库存物品的估计值一起输出。
该库存预测系统还被配置成响应于确定预测库存物品对应于流行物品列表，选择性地生成预测库存物品的表项推荐，该流行物品列表描述当前在需求中的物品或相对于物品的普通值被有利地评价的物品。在确定是否生成针对预测库存物品的表项推荐时，该库存预测系统实现使用机器学习训练的逻辑回归模型，以通过分析预测库存物品的属性和流行物品列表中包括的流行物品的属性来计算应当生成该表项推荐的概率。响应于确定该概率满足阈值，该库存预测系统输出该表项推荐，该表项推荐包括预测库存物品的描述、预测库存物品的估计值、以及发起生成用于经由一个或更多个零售实体出售预测库存物品的列表的可选选项。
本概述以简化的形式介绍了将在以下具体实施方式中进一步描述的一些概念。因此，本发明内容不旨在标识所要求保护的主题的必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
附图说明
参照附图描述具体实施方式。在一些实现方式中，图中表示的实体指示一个或更多个实体，并且因此在讨论中可互换地引用实体的单个或多个形式。
图1是根据本文描述的技术的示例实现方式中的环境的图示，该环境可操作成利用库存预测系统来预测由用户所拥有的库存物品并且生成所预测的库存物品的表项推荐。
图2描绘了更详细地示出图1的库存预测系统的操作的示例实现方式中的系统。
图3描绘了更详细地示出由图1的库存预测系统实现的图形生成模块的操作的示例实现方式。
图4描绘了更详细地示出由图1的库存预测系统实现的交叉类别有向图的表示的示例实现方式。
图5描绘了更详细地列出由图1的库存预测系统生成的预测库存物品的表项推荐的示例。
图6是描绘其中根据描述物品所有权的用户数据生成交叉类别有向图的示例实现方式中的过程的流程图。
图7是描绘其中使用交叉类别有向图来预测库存物品并且为所预测的库存物品生成表项推荐的示例实现方式中的过程的流程图。
图8示出了包括示例设备的各种部件以实现参照图1至图7描述的技术的示例系统。
具体实施方式
概述
企业和零售实体通常保有库存列表以跟踪企业当前具有现货的物品。该信息用于更准确地预测未来库存需求，例如当企业在脱销之前将需要订购更多的特定物品时。企业煞费苦心地跟踪该信息，因为传统的库存管理系统和库存预测方法将这些库存列表视为预测未来需求的基础事实。因为对于企业当前储备的所有物品，库存列表被视为是真实的和完整的，所以传统的库存管理系统未被设计成识别应该被包括在库存列表中的缺失物品。
与作为其标准操作的一部分跟踪存货的企业和零售实体相比，普通个体不维护描述其拥有的物品的当前库存的记录。虽然一些零售实体以保存到用户账户的订单历史的形式代表其顾客自动跟踪该信息，但是这样的用户账户信息仅提供关于个体拥有的物品的整个库存的有限快照。虽然描述个体的购买历史的信息可以从多个来源(例如，来自不同零售实体的订单/购买历史)聚集，但是这样的聚集信息未能考虑从其他来源(例如，经由不同零售实体、作为礼品等)获取的物品。因此，关于由实体拥有的所有物品，非商业实体(例如，个体)的库存列表通常是不完整的。在一些场景中，当不可能手动完成库存列表时，个体被分派完成库存列表的任务。例如，被分派向保险公司提供描述由于火灾、自然灾害等而被抽取的财产的库存列表的房主不能在他们的家中走动并且手动地盘点他们自己的物品的库存，更不用说估计不能被识别为拥有的物品的价值。
为了解决这些问题，描述了用于预测由个体拥有的库存物品的技术。在一个示例中，库存预测系统基于描述不同用户的已知库存的用户数据生成交叉类别有向图，该交叉类别有向图可用于帮助进行库存物品预测。在已知库存中列出的具有相似属性的物品被分组为类别，并且在交叉类别有向图中表示为节点。通过将物品分组并且将多个物品表示为交叉类别有向图中的单个节点，该库存预测系统被配置成使用比在已知库存物品被单独表示为图中的节点的情况下所需的计算和网络资源更少的计算和网络资源来准确地识别在个体的已知库存中未包括的物品，如下面进一步详细描述的。
如果用户数据中的不同用户已知具有包括在该对的两个类别节点中的物品的库存，则在交叉类别有向图中链接物品类别节点的各个对。基于拥有由节点对表示的两个类别中的物品的不同用户的数目，为节点链接分配权重。为了控制交叉类别有向图的稀疏性，并且因此控制使用该图输出预测所需的计算资源，然后基于边阈值来过滤加权的节点连接，使得具有不满足边阈值的权重的节点连接不被表示在交叉类别有向图中。最后，基于包括在由边链接的类别节点中的物品值，为图中的边分配方向，该方向指导使用图进行库存物品预测的方式。
该库存预测系统还被配置成利用机器学习训练预测模型，以基于描述已知特定个体拥有的一个或更多个物品的信息来预测由该个体拥有的库存物品。一旦提供了识别已知由个体拥有的一个或更多个物品的信息，该预测模型被配置成使用编码在交叉类别有向图的节点类别和加权边内的信息自动地(即，独立于用户输入)输出预测库存物品。
该库存预测系统被配置成输出预测库存物品，以便经由用户界面与预测库存物品的描述以及预测库存物品的估计当前值一起显示。在一些实现方式中，该库存预测系统还被配置成生成针对预测库存物品的表项推荐。在确定是否生成针对预测库存物品的表项推荐时，该库存预测系统实现使用机器学习训练的逻辑回归模型，以通过分析预测库存物品的属性和包括在流行物品列表中的流行品的属性来自动地计算应当生成该表项推荐的概率。由该库存预测系统生成的表项推荐包括该预测库存物品的描述和估计值以及列出该预测库存物品以供经由零售实体出售的选项。这些和其他示例的进一步讨论包括在以下部分中并在相应的图中示出。
在以下讨论中，描述了被配置成采用本文描述的技术的示例环境。还描述了被配置用于在示例环境以及其他环境中执行的示例过程。因此，示例过程的执行不限于示例环境，并且示例环境不限于示例过程的执行。
示例环境
图1是可操作成采用本文描述的技术的示例实现方式中的数字介质环境100的图示。如本文所使用的，术语“数字介质环境”是指用于实现本文描述的技术的各种计算设备和资源。数字介质环境100包括可以各种方式配置的计算设备102。
计算设备102例如可被配置为台式计算机、膝上型计算机、移动设备(例如，假设诸如所示出的平板或移动电话的手持式配置)等。因此，计算设备102的范围从具有大量存储器和处理器资源的全资源设备(例如，个人计算机、游戏控制台)到具有有限存储器和/或处理资源的低资源设备(例如，移动设备)。另外，尽管示出了单个计算设备102，但是计算设备102表示多个不同设备，诸如由企业用来“通过云”执行操作的多个服务器。
计算设备102包括库存预测系统104。库存预测系统104至少部分地在计算设备102的硬件中实现以处理用户数据106，用户数据106表示描述指定由用户数据106中表示的用户拥有的至少一个物品的已知库存108的信息。用户数据106被示为维护在计算设备102的存储设备110中，并且在一些实现方式中表示从远离计算设备102实现的一个或更多个源获得的数据，诸如经由网络112从一个或更多个远程源获得的数据。以这种方式，用户数据106表示指示物品所有权的信息类型的范围。
例如，在示例实现方式中，用户数据106包括以下中的至少一个：计算设备102处的明确用户输入(例如，具有跟踪用户接收到的礼物的条目的电子表格)、从至少一个电子商务平台获得的用户简档数据(例如，经由电子商务平台描述用户的购买历史)、从消息传递服务获得的电子邮件数据(例如，指示来自一个或更多个供应商的针对用户的订单确认的消息)、社交数据(例如，从社交媒体平台获得的描绘和/或描述与用户相关联的物品的文本和/或图像数据)、其组合等。因此，指定用户的已知库存108表示从一个或更多个源收集的描述已经由指定用户获取或以其他方式由指定用户拥有、占有、保留或控制的物品的信息。
库存预测系统104使用利用机器学习训练的预测模型处理用户数据106，以输出预测库存物品114，其表示未包括在指定用户的用户数据106的已知库存108中的物品。训练的预测模型被配置成通过处理指定用户的已知库存108和交叉类别有向图116作为输入来输出预测库存物品114。
交叉类别有向图116表示描述多个不同用户的物品所有权的信息，其中图的节点表示多个不同物品的类别。基于拥有链接节点中的物品的用户的数目以及分配给由边链接的两个节点的值，建立链接各个节点对的边。在一些实现方式中，库存预测系统104被配置成使用用户数据106生成交叉类别有向图116，如以下进一步详细描述的。替选地，库存预测系统104被配置成从计算设备102的存储设备110或从除计算设备102之外的源，例如经由网络112，获得交叉类别有向图116。
库存预测系统104被配置成经由计算设备102的显示设备120在用户界面118中输出预测库存物品114的描述。在实现方式中，预测库存物品114的描述在用户界面118中被显示为预测库存物品114的图像、预测库存物品114的文本描述(例如，物品标题、产品描述、物品的产品类别、物品的制造商、物品的品牌、物品的状况等)、其组合等。
库存预测系统104还被配置成在用户接界面118中输出预测库存物品114的表项推荐122的显示。在一些实现方式中，表项推荐122由库存预测系统104响应于确定预测库存物品114对应于流行物品列表124或指示对预测库存物品114的市场需求的其他信息而选择性地生成。为此，库存预测系统104被配置成编译描述来自一个或更多个零售实体(例如电子商务平台、在线市场等等)的流行物品的信息，并且生成指示对于受欢迎的物品的当前市场需求的排名列表。
在实现方式中，库存预测系统104被配置成生成离散地理区域的流行物品列表124，该离散地理区域是诸如计算设备102被布置在其中的地理区域。替选地，流行物品列表124表示描述对在流行物品列表124中列出的物品的当前市场需求的全球信息。流行物品列表124被周期性地更新(例如，每秒、每小时、每天等)，并且因此表示对由来自零售实体的购买所指示的物品的市场需求的实时监测。给定由流行物品列表124提供的实时监测，库存预测系统104识别出预测库存物品114的估计当前值，并且将估计值126包括在表项推荐122中。
库存预测系统104因此被配置成预测由在描述用户的已知库存的信息中未被识别的用户拥有的物品，通知用户关于这些物品的估计值，并且响应于识别预测库存物品与流行物品列表之间的相关性而推荐列出物品的考虑。
通常，关于以上和以下示例描述的功能、特征和概念可在本部分中描述的示例过程的上下文中使用。此外，关于本文档中的不同附图和示例描述的功能、特征和概念是彼此可互换的，并且不限于在特定附图或过程的上下文中的实现方式。此外，与不同的代表性过程和本文的对应图相关联的框被配置成以不同的方式一起应用和/或组合。因此，关于不同示例环境、设备、部件、图和过程描述的各个功能、特征和概念可以任何合适的组合使用，并且不限于由本说明书中所列举的示例表示的组合。
库存物品预测和表项推荐
使用交叉类别有向图
图2描述了更详细地示出图1的库存预测系统104的操作的示例实现方式中的系统200。在该示例中开始，库存预测系统104利用图形生成模块202，图形生成模块202被配置成使用用户数据106生成交叉类别有向图116。为了详细描述生成交叉类别有向图116，考虑图3。
图3描绘了更详细地示出由库存预测系统104采用的图形生成模块202的操作的示例实现方式中的系统300。在该示例中开始，用户数据106被提供给数据聚集模块302。数据聚集模块302将用户数据106处理成将用户数据106中识别的每个个体用户304与对应的已知库存相关联的结构化数据格式，其中用户304的已知库存108标识已知由该用户拥有的一个或更多个物品。
然后，将描述包括在用户数据106中的每个用户304的已知库存108的结构化数据格式提供给物品分类模块306。物品分类模块306被配置成生成多个物品类别，其中每个物品类别被表示为要被包括在交叉类别有向图116中的类别节点308。每个类别节点308包括多个物品310，其中基于产品描述将物品分配给特定类别节点308，该产品描述标识物品的至少一个属性(例如，物品的标题、物品的品牌、物品的状况、物品的类型、物品的卖方、物品的平均出售价格等)、其组合等。
在一些实现方式中，物品分类模块306将来自用户数据106的物品310(例如，如由用户数据106中描述的每个用户304的已知库存108所表示的)分配到多个预定义物品类别之一。例如，预定义的物品类别由库存预测系统104的开发者指定，从实现库存预测系统104的计算设备102的存储设备110获得，经由网络112从远离计算设备102的位置获得(例如，作为用于组织物品以便经由一个或更多个在线市场导航的类别列表)，其组合等。
替选地或附加地，物品分类模块306被配置成独立于指定预定义物品类别的信息生成类别节点308。例如，物品分类模块306被配置成处理用户数据106中指定的每个物品的属性信息，并且生成具有阈值数目的共同属性的物品组310。用于将物品310分配到类别节点308的公共属性的阈值数目可被配置为任何合适的整数，并且可以由库存预测系统104的开发者预先指定、经由对实现库存预测系统104的计算设备102的手动用户输入指定、或其组合。尽管在示例系统300中仅示出了单个类别节点308，但是物品分类模块306被配置成从用户数据106生成任何合适数目的类别节点(例如，数百、数千、数百万等)。
物品分类模块306还被配置成向每个308分配值312。在一些实现方式中，类别节点308的值312基于描述包括在类别节点308中的每个物品310的平均出售价格的信息来确定。替选地或附加地，类别节点308的值312基于描述包括在类别节点308中的物品310的表项价格、广告价格、折扣等的信息来确定。以这种方式，值312表示包括在类别节点308中的物品310的市场值，使得具有高值312的类别节点308表示具有比在对应于较低值312的类别节点308中包括的物品310一般更高的价格的物品310。物品分类模块306被配置成周期性地更新每个类别节点308的值312，使得图形生成模块202被提供有关于由类别节点308表示的物品的当前市场估值的实时信息。
然后，将每个类别节点308提供给边生成模块314。边生成模块314被配置成计算加权节点连接316，其中每个加权节点连接316连接两个类别节点308。响应于边生成模块314检测到至少两个不同用户的已知库存包括由加权节点连接链接的两个类别节点308中的物品，建立加权节点连接316。边生成模块314基于其已知库存指示由加权节点连接链接的两个类别节点308中的物品的所有权的用户的数目，向加权节点连接316中的每一个分配权重。
在一些实现方式中，加权节点连接316由边生成模块314以表格式结构生成。例如，在表格格式中，第一列标识由节点连接链接的类别节点308中的第一个的标识符，第二列标识由节点连接链接的类别节点308中的第二个的标识符，并且第三列标识节点连接的权重(例如，标识拥有两个链接的类别节点308中的物品的用户数据106中的不同用户的数目的整数值)。这样的表格格式仅表示结构化数据的类型，并且边生成模块314被配置成以各种数据结构类型输出加权节点连接316。
然后，将加权节点连接316提供给稀疏性控制模块318，稀疏性控制模块318被配置成根据边阈值320对加权节点连接316进行过滤。边阈值320表示控制交叉类别有向图116的稀疏性的度量，使得如果节点连接具有满足边阈值320的权重，则从加权节点连接316中的一个在交叉类别有向图116中建立边322。以这种方式，较低的边阈值320导致交叉类别有向图116相对于较高的边阈值320具有增加的边密度。虽然增加的边密度提高了使用交叉类别有向图116生成的预测的准确性，但是其类似地增加了执行预测所需的计算资源量。
考虑到预测精度和计算成本的这种折衷，稀疏性控制模块318被配置成计算边阈值320的值，该值在最大化预测精度的同时最小化计算资源需求。为此，稀疏性控制模块318根据用户数据106生成评估数据集，其中评估数据集包括U用户和J类别节点，其中U指定用户304的整数子集并且J指定类别节点308的整数子集。因此U和J每个表示任何适当的整数，仅分别由数据聚集模块302所标识的用户数目和物品分类模块306所输出的类别节点308的数目来约束。
以这种方式，U×J矩阵M(真)表示用户304与包括在类别节点308中的物品之间的真实所有权关系，使得如果用户u在类别节点j中拥有物品，则Muj (真)＝1，否则＝0。由稀疏性控制模块318实现的评估数据集掩蔽(即隐藏)用户物品所有权数据的一些基础事实，表示为AS。给定该掩蔽，在已知库存108中表示的具有隐藏所有权数据的评估数据集被表达为矩阵M，使得如果
Figure BDA0003638037750000091
Muj为NULL并且如果
Figure BDA0003638037750000092
Muj＝Muj (真)。
稀疏性控制模块318然后尝试预测在评估数据集中被掩蔽的已知库存108值。为此，对于每个掩蔽的已知库存108值，稀疏性控制模块318考虑用户304的已知库存108中的未掩蔽值，并且识别包括与用户的已知库存108中列出的未掩蔽物品相对应的物品310的类别节点308。稀疏性控制模块318然后确定用于识别的类别节点308的值312并且使用加权节点连接316来识别具有比识别的类别节点308更高的值并且经由加权节点连接316中的一个链接至识别的类别节点308的不同类别节点308。
稀疏性控制模块318然后预测在不同类别节点308中包括的哪个物品310由评估数据集中的掩蔽值表示。为此，稀疏性控制模块318将用户的已知库存108中的用于识别不同类别节点308的物品的标题与包括在不同类别节点308中的物品310的标题进行比较。使用自然语言处理，不同类别节点308中具有最高相似性的物品被输出作为在评估数据集中蔽4的预测值。稀疏性控制模块318被配置成实现任何合适的自然语言处理方法，以确定用户的已知库存108中用于识别不同类别节点308的物品的标题与包括在不同类别节点308中的物品310的标题之间的相似性，诸如余弦相似性、欧几里得距离、Jaccard相似性、项频率等。
例如，在使用余弦相似性的示例实现方式中，稀疏性控制模块318使用描述物品的词语(例如，物品标题、物品描述等)来生成每个物品的向量表示。稀疏性控制模块318然后计算如在多维空间中投影的两个向量之间的角度的余弦。更接近一的余弦值指示物品是相似的，而更接近零的余弦值指示物品是不相似的。
在使用项频率的另一示例实现方式中，稀疏性控制模块318执行描述物品(例如，物品标题、物品描述等)的单词的词干化或词形变换中的至少一个，并且将单词处理成单词标记。与从其生成这些单词标记的原始单词相反，每个单词标记表示根单词的常见变化，其说明了单词在相应语言的完整词汇表中的使用，以便更好地用于物品匹配。为了确定物品是否相似，稀疏性控制模块318计算每个物品的单词标记相对于为所考虑的物品生成的单词标记的总数目的项频率。更接近一的项频率指示物品是相似的，而更接近零的项频率值指示物品是不相似的。
将用户的已知库存108中用于识别不同类别节点308的物品的标题表示为x，并且将包括在不同类别节点308中的n个物品310表示为y1、y2、……yn，稀疏性控制模块318根据等式1将不同类别节点308中的第i’个物品预测为评估数据集中的掩蔽值。在等式1中，argmax函数返回相似性函数的最大输出，其中相似性函数表示由稀疏性控制模块318实现的自然语言处理方法。
i′＝argmaxi相似性(x，yi) (等式1)
使用等式1对评估数据集中的掩蔽值进行的预测被表示为
Figure BDA0003638037750000101
其中δ表示边阈值320，使得使用边阈值320生成的交叉类别有向图116的所得复杂度被表示为Ω(δ)。稀疏性控制模块318被配置成选择最小化等式2中阐述的损失函数的边阈值320，这实现最小化不准确的预测(例如，最小化与预测评估数据集中的掩蔽值相关联的误差)和交叉类别有向图116的最佳边密度。在等式2中，
Figure BDA0003638037750000111
表示评估数据集的基数集合。
Figure BDA0003638037750000112
然后，边生成模块314使用根据等式2计算的边阈值320来过滤加权节点连接316，并且为具有满足边阈值320的对应权重的每个加权节点连接316生成交叉类别有向图116中的边322。以这种方式，仅当用户数据106指示阈值数目的用户具有列出了包括在类别节点对的两个类别节点308中的物品的已知库存108时，交叉类别有向图116才被生成为具有连接类别节点对的边322。
边生成模块314基于由用于生成边322的加权节点连接316中的对应的一个指定的权重，向每个边322分配权重324。边生成模块314还向每个边322分配方向326。基于由边322连接的节点对中的每个类别节点308的值312来分配每个边的方向326。在一些实现方式中，边322的方向326从节点对中具有较低值312的类别节点308流向节点对中具有较高值312的类别节点308。替选地，方向326被指定为从较高值流向较低值。对于交叉类别有向图116的示例图示，考虑图4。
如图4的示例实现方式400所示，交叉类别有向图116包括多个类别节点308，其中各种类别节点对308由边322链接。详细视图402描绘了在交叉类别有向图116中经由一个或更多个边412、414、416和418彼此连接的四个类别节点404、406、408和410的示例。
在示例实现方式400中，类别节点404表示包括由物品分类模块306分类为“智能电话”的物品310的类别节点308。因此，类别节点404包括不同用户的已知库存中的智能电话物品，例如“iPhone 12”物品420、“Galaxy S21”物品422、“Pixel 5”物品424等。类别节点406表示由物品分类模块306分类为“智能电话零件”的物品，类别节点408表示分类为“智能手表”的物品，并且类别节点410表示分类为“智能电话配件”的物品。
类别节点404、406、408和410的相对值312由连接边412、414、416和418的方向指示。例如，边412被描绘为从类别节点410流向类别节点404，这指示包括在类别节点404中的智能电话物品相对于包括在类别节点410中的蜂窝电话附件物品具有更高的值。边414被描绘为从类别节点406流向类别节点408，指示智能电话零件具有比智能手表更低的值，如由相应类别节点表示的。类似地，边416指示包括在类别节点406中的物品一般与大于与类别节点410中的物品相关联的值的值相关联，而边418指示与类别节点410中的物品相关联的值也小于与类别节点408相关联的值。
以这种方式，交叉类别有向图116提供如由用户数据106所表达的不同用户的已知库存之间的共同物品所有权的表示，基于类型对已知库存物品进行分类，并且基于与不同物品类别所包括的物品相关联的值来使不同物品类别相关。在这样做时，交叉类别有向图116以允许对用户的已知库存中未明确列出的物品所有权的准确预测同时最小化输出预测所需的计算资源的方式来构造描述用户的已知库存物品的数据。
返回图2，图生成模块202向物品识别模块204提供交叉类别有向图116。物品识别模块204被配置成实现训练的预测模型206，以输出针对指定用户208(诸如在用户数据106中表示的多个用户之一)的预测库存物品114。为此，描述已知由指定用户208拥有的至少一个物品的信息被输入到预测模型206。在一些实现方式中，指定用户208被表示在用户数据106中，并且物品识别模块204从包括在用户数据106中的对应的已知库存108中选择已知由指定用户208拥有的物品。替选地或附加地，从与用户数据106分离的数据中收集已知由指定用户208拥有的物品，诸如经由在实现库存预测系统104的计算设备处的用户输入。
预测模型206被训练成识别交叉类别有向图116中的类别节点308中的一个，其包括已知由指定用户208拥有的物品。为此，预测模型206实现自然语言处理方法(例如，余弦相似性、欧几里得距离、Jaccard相似性等)以比较描述已知由指定用户208拥有的物品的信息(例如，物品标题、物品描述等)和分配给交叉类别有向图116的类别节点308的标签。在识别与已知由指定用户208所拥有的物品具有最大相似性的类别节点时，预测模型206确定类别节点是否与具有从类别节点导向交叉类别有向图116中的不同类别节点的方向的任何边322相关联。
响应于确定所识别的类别节点不与从所识别的类别节点到不同类别节点的边相关联，预测模型206选择已知由指定用户208拥有的不同物品以用于输出预测库存物品114。替选地，响应于确定所识别的类别节点与远离所识别的类别节点的一个或更多个边322相关联，预测模型206识别具有最大权重324的边并遍历最高加权的边以检测通过该边连接至所识别的类别节点的不同类别节点。例如，在示例实现方式400的上下文中，响应于确定已知由指定用户208拥有的物品对应于类别节点406，预测模型206将边414识别为远离类别节点406的最高加权边，并且穿过边414以检测类别节点408。
预测模型206然后实现如上所述的等式1，以识别所检测到的类别节点中的与已知由指定用户208拥有的物品最相似的物品。关于等式1，指定用户208的已知所有权的物品被表示为x并且包括在检测到的类别节点中的物品(例如，包括在关于图4的以上示例中检测到的类别节点408中的物品)被表示为y1、y2、……yn。预测模型206使用等式1来输出预测库存物品114作为所检测类别节点中的第i个物品。如预测模型206所实现的，argmax函数返回相似性函数的最大输出，并且相似性函数表示用于评估所检测到的类别节点中的y1、y2、……yn物品与指定用户208的已知所有权物品之间的相似性的自然语言处理方法。
物品识别模块204输出预测库存物品114用于显示，例如在实现库存预测系统104的计算设备的显示设备上。在一些实现方式中，物品识别模块204输出预测库存物品114的显示以及用于确认预测库存物品114的准确性的提示。响应于接收到指示预测库存物品114表示由指定用户208拥有的物品的反馈，库存预测系统104被配置成更新与指定用户208相关联的用户数据106中的数据库条目，以将预测库存物品114添加到指定用户208的已知库存。
物品识别模块204还将预测库存物品114提供给表项推荐模块210。表项推荐模块210被配置成将预测库存物品114与包括在流行物品列表124中的流行物品212进行比较，并且计算预测库存物品114的流行分数。为了计算预测库存物品114的流行分数，表项推荐模块210采用逻辑回归模型216来将预测库存物品114的属性与在流行物品列表124中指定的每个至少一个流行物品212的属性214进行比较。示例属性214包括流行物品212的产品描述、流行物品212的卖家信息、流行物品212的类别描述、流行物品212的品牌、流行物品212的状况、流行物品212相对于流行物品列表124中的其他物品的排名、流行物品212的平均出售价格等。
逻辑回归模型216被配置成在生成预测库存物品114的流行分数时考虑三个标准作为输入：物品相似性、在流行物品列表124中的排名、以及物品值。表项推荐模块210在零到一的尺度上量化预测库存物品114与流行物品212之间的相似性，其中零指示预测库存物品114与包括在流行物品列表124中的物品之间没有相似性，而一指示预测库存物品114包括在流行物品列表124中。在确定预测库存物品114与流行物品212之间的相似性时，表项推荐模块210实现自然语言处理模型(例如，余弦相似性模型、欧几里德距离模型、Jaccard相似性模型等)，以识别流行物品212的属性214与预测库存物品114的对应属性之间的相似性。
用于表示流行物品列表124中的排名的逻辑回归模型216的输入标准由表项推荐模块210在一到零的尺度上进行归一化，其中，值一指示预测库存物品114是流行物品列表124上的最高流行物品，并且值零指示预测库存物品114不在流行物品列表124中。在预测库存物品114不在流行物品列表124中但是满足与包括在流行物品列表124中的流行物品之一的相似性的阈值水平的一些实现方式中，在流行物品列表124中的相似物品的排名被用于预测库存物品114，作为逻辑回归模型216的输入标准。
表示预测库存物品114的物品价值的逻辑回归模型216的输入标准表示预测库存物品114的平均出售价格。在预测库存物品114对应于在流行物品列表124中列出的流行物品212的实现方式中，表项推荐模块210根据流行物品212的属性214确定平均出售价格。替选地，在预测库存物品114未被列在流行物品列表124上的实现方式中，表项推荐模块210通过查询一个或更多个电子商务市场以获得提供预测库存物品114以供出售的表项来确定平均出售价格。
逻辑回归模型216然后根据等式3确定是否生成针对预测库存物品114的表项推荐122。在等式3中，p(yi)表示应当针对预测库存物品114生成表项推荐122的概率，yi、w0是偏项，w1是物品相似性准则x1i(针对预测库存物品)的权重，w2是流行排名准则x2i的权重，并且w3是物品价值准则x3i的权重。
Figure BDA0003638037750000141
表项推荐模块210使用等式4中所阐述的损失函数来训练逻辑回归模型216，其中i表示范围从1到N的训练数据索引。与梯度下降相结合，损失函数被用于调整由逻辑回归模型216在确定是否生成对于预测库存物品114的表项推荐时使用的偏差项和各种权重。如等式4中所阐述的，Θ表示(w0，W1，w2，w3)并且J表示损失函数。
Figure BDA0003638037750000151
响应于确定应当为预测库存物品114生成表项推荐的概率满足概率阈值，表项推荐模块210生成表项推荐122。在一些实现方式中，概率阈值被设置为0.5。替选地，概率阈值被设置为z，其中0＜z≤1。
在其中为多个预测库存物品114同时生成预测的一些实现方式中，概率阈值基于实现库存预测系统104的计算设备的显示能力来确定。例如，如果计算设备在其可用呈现区域中限于仅显示三个表项推荐，则概率阈值被设置成排除针对各种预测库存物品114计算的除最高三个概率之外的所有概率，使得仅针对根据等式4计算的其相关联的概率排名的前三个预测库存物品生成表项推荐122。表项推荐122被生成以包括以图像、文本描述或其组合形式的预测库存物品114的描述。表项推荐122还被生成以包括预测库存物品114的估计值126。在实现方式中，估计值126由表项推荐模块210根据包括在流行物品列表124中的信息来确定。替选地或附加地，通过将预测库存物品114的属性(例如，标题、类别、品牌、状况、描述等等)与描述经由一个或更多个零售实体出售的至少一个类似物品的信息(例如，总商品价值、独特购买者的数目、出售的可用数量、在至少一个类似物品上购买的数量、平均出售价格等等)进行比较来确定该预测库存物品114的估计值126。
通过提供预测库存物品114的估计值126，表项推荐122通知库存预测系统104的用户关于对由用户拥有的物品的当前市场需求或估价，但是所述物品在描述用户的已知库存的信息中未被标识为拥有。在一些实现方式中，表项推荐122被填充以可经由输入选择的选项，以指定相对于预测库存物品114的用户意图。
例如，表项推荐122包括可被选择来指示用户保持预测库存物品114的意图的选项218。响应于在选项218检测到输入，库存预测系统104被配置成更新用户数据106中的数据库记录条目，以将预测库存物品114添加到与指定用户208相关联的已知库存。
替选地或附加地，表项推荐122包括选项220，选项220可被选择来指示用户列出预测库存物品114以供出售的意图。响应于在选项220检测到输入，库存预测系统104使得显示可用于生成预测库存物品114的表项的零售实体的用户界面(例如，经由显示设备120)。在一些实现方式中，作为使得显示零售实体的表项生成界面的一部分，库存预测系统104将描述预测库存物品114的信息发送到零售实体以用于自动生成出售表项。
库存预测系统104被配置成重复上述操作以输出指定用户208的至少一个附加预测库存物品114。在一些实现方式中，库存预测系统104使用预测库存物品114作为预测模型206的输入，以用于输出指定用户208的附加预测库存物品114。
替选地或附加地，库存预测系统104从指定用户208的已知库存中选择另一物品以输出附加的预测库存物品114，并且被配置成根据需要输出多个预测库存物品，直到完成关于指定用户208实际拥有的物品的指定用户208的已知库存。根据多个预测库存物品，表项推荐模块210使用逻辑回归模型216处理物品，并且针对与满足逻辑回归模型216的概率阈值的输出概率相关联的每个预测库存物品生成表项推荐122。
如图5的示例实现方式500中所示，库存预测系统104被配置成输出由表项推荐模块210识别为满足逻辑回归模型216的阈值概率的预测库存物品的多个表项推荐的显示。
如示例实现方式500中所描绘的，库存预测系统104为针对指定用户208输出的对应的预测库存物品114生成三个不同的表项推荐502、504和506。在实现方式中，由表项推荐502、表项推荐504和表项推荐506表示的不同的表项推荐由库存预测系统104同时在用户界面118中输出。在一些实现方式中，当库存预测系统104输出用于指定用户208的新预测库存物品114时，用户界面118被周期性地更新，使得用户界面118被实时更新以显示被预测为由指定用户208拥有的满足逻辑回归模型216的对应预测阈值的物品。
在一些实现方式中，基于由逻辑回归模型216输出的指示应当为其对应的预测库存物品生成表项推荐的概率来对用户界面118中输出的表项推荐进行排序。例如，在示例实现方式500中，表项推荐502标识智能电话，表项推荐504标识儿童玩具，并且表项推荐506标识手表，其每个都表示由表项推荐模块210识别为流行的针对指定用户208输出的预测库存物品114。
在所示示例中，表项推荐从左到右的相对定位指示表项推荐502的智能电话相对于逻辑回归模型216所考虑的所有预测库存物品114具有最高概率，其中儿童玩具具有第二高概率，手表具有第三高概率等。库存预测系统104被配置成在用户界面118中以任何合适的顺序和/或定位呈现任何合适数目的表项推荐122，并且不受所描绘的实现方式500的用户界面的约束。用户界面118被配置成以一系列方式输出以显示，诸如在应用的本地用户界面中、作为网页的一部分、作为电子消息的一部分、作为通知的一部分、其组合等。
考虑了用于生成交叉类别有向图、使用交叉类别有向图输出预测库存物品、以及生成预测库存物品的表项推荐的示例系统和技术之后，现在考虑示例过程来说明本文描述的技术的各方面。
示例过程
以下讨论描述了被配置成利用先前描述的系统和设备来实现的技术。每个过程的各方面被配置成以硬件、固件、软件或其组合来实现。这些过程被示为指定由一个或更多个设备执行的操作的一组框，并且不必限于所示的由相应框执行操作的次序。在以下讨论的部分中，参照图1至图5。
图6描绘了根据本文描述的技术生成交叉类别有向图的示例实现方式中的过程600。根据一个或更多个实现方式，过程600由库存预测系统104执行以生成交叉类别有向图116。为此，接收多个用户的用户数据，其中用户数据描述由多个用户中的每个用户所拥有的一个或更多个物品(框602)。由图形生成模块202实现的数据聚集模块302例如接收用户数据106。在一些实现方式中，从实现库存预测系统104的计算设备102的存储设备110接收用户数据106。替选地或附加地，用户数据106是从远离计算设备102实现的一个或更多个源接收的，诸如经由网络112。
然后使用用户数据生成交叉类别有向图(框604)。作为生成交叉类别有向图116的一部分，图形生成模块202生成类别节点，每个类别节点包括在用户数据中描述的多个物品(框606)。例如，数据聚集模块302解析用户数据106以确定用户数据106中列出的由每个用户304所拥有的一个或更多个物品的已知库存108。数据聚集模块302接着将已知库存108数据传送到物品分类模块306，其基于描述个体物品的属性将来自已知库存的个体物品分配到类别节点308，并且基于在包括类别节点中的物品310的相应值计算每个类别节点的值312。
然后，标识类别节点之间的连接，并且基于拥有包括在由该连接链接的两个类别节点中的物品的用户的数目，向每个连接分配权重(框608)。例如，边生成模块314响应于识别出至少两个不同用户的已知库存包括类别节点对的两个节点中列出的物品，计算各类别节点对之间的加权节点连接316。分配给单个加权节点连接的权重表示其已知库存包括在由该节点连接链接的两个类别节点中列出的物品的用户的数量。
然后计算阈值，用于建立类别节点之间的边以包括在交叉类别有向图中(框610)。稀疏性控制模块318例如通过生成掩蔽用户数据106中列出的某些物品的评估数据集来计算边阈值320。稀疏性控制模块318尝试通过使用自然语言处理评估物品标题相似性来预测在评估数据集中被掩蔽的已知库存108值，并且根据等式1和2确定阈值320的值。
然后，为具有满足阈值的权重的每个连接生成边(框612)。例如，边生成模块314通过仅为具有满足边阈值320的对应权重的那些加权节点连接316生成边322来过滤加权节点连接316。最后，给每个边分配方向(框614)。例如，边生成模块314基于与由边322连接的节点对中的每个类别节点308相关联的值312来为每个边322分配方向326。例如，边322的方向326被分配为从具有较低值312的节点对中的类别节点308指向具有较高值312的节点对中的类别节点308。
然后输出交叉类别有向图116(框616)。例如，图形生成模块202将交叉类别有向图116输出为包括由物品分类模块306生成的多个类别节点308，其由边生成模块314创建的边322链接。在一些实现方式中，交叉类别有向图116被输出到实现库存预测系统104的计算设备的存储设备110。替选地或附加地，交叉类别有向图116被输出到不同的计算设备、存储位置等。
图7描绘了根据这里描述的技术，经由交叉类别有向图预测由用户所拥有的库存物品，并且为预测库存物品目生成表项推荐的示例实现方式中的过程700。首先，接收描述用户所拥有的物品的用户数据(框702)。库存预测系统104的物品识别模块204例如接收预测库存物品114将被输出给指定用户208的指示。物品识别模块204将指定用户208的身份与用户数据106进行比较，以识别与指定用户208相关联的已知库存108中所包括的一个或更多个物品。
然后使用用户数据和交叉类别有向图来预测由用户所拥有的附加物品(框704)。例如，物品识别模块204根据图形生成模块202接收交叉类别有向图116，并且使用预测模型206处理根据指定用户208的已知库存108识别的至少一个物品。
给定至少一个物品和交叉类别有向图116作为输入，预测模型206被配置成识别交叉类别有向图中的类别节点(框706)。为此，预测模型206首先选择类别节点，该类别节点包括或包含与已知由交叉类别有向图116中的指定用户208拥有的物品类似的物品。如果所选类别节点与远离所识别的类别节点的一个或更多个边322相关联，则预测模型206识别具有最大权重324的边，并且穿过最高加权的边以检测连接至所选类别节点的不同类别节点。
例如，在示例实现方式400的上下文中，响应于确定已知由指定用户208拥有的物品被包括在类别节点410中，预测模型206比较从类别节点410引出的边412、416和418的相应权重以识别具有最大权重的边。响应于确定边412具有远离所选类别节点410的边的最大权重，预测模型206穿过边412以识别类别节点404。
然后，通过计算已知由用户拥有的物品与所识别的类别节点中的物品之间的标题相似性，从类别节点中选择相似物品(框708)。继续参照所示实现方式400描述的示例，预测模型206实现等式1以识别类别节点404中与已知由指定用户208拥有的物品(例如，物品420、物品422或物品424)最相似的物品，并且将该相似物品指定为预测库存物品114。
相似物品被输出作为由用户拥有的预测的附加物品(框710)。例如，物品识别模块204输出预测库存物品114以用于显示，诸如在实现库存预测系统104的计算设备的显示设备处。在一些实现方式中，预测库存物品114与描述性信息一起被输出，所述描述性信息是诸如物品标题、物品描述、估计值等。
然后为附加物品生成表项推荐(框712)。例如，物品识别模块204将预测库存物品114提供给库存预测系统104的表项推荐模块210。表项推荐模块210将预测库存物品114与流行物品列表124中包括的流行物品212进行比较，并且使用逻辑回归模型216来计算预测库存物品114的流行分数。
逻辑回归模型216被配置成在生成预测库存物品114的流行分数时考虑三个标准作为输入：物品相似性、在流行物品列表124中的排名、以及物品值。逻辑回归模型216然后根据等式3确定是否生成针对预测库存物品114的表项推荐。响应于确定应当针对预测库存物品114生成列表项推荐的概率满足概率阈值，表项推荐模块210生成表项推荐122。
生成表项推荐122以包括图像、文本描述或其组合形式的预测库存物品114的描述。表项推荐122被进一步生成以包括预测库存物品114的估计值126。在实现方式中，估计值126由表项推荐模块210根据包括在流行物品列表124中的信息来确定。
生成表项推荐122以包括选项220，该选项可被选择来指示指定用户208的列出预测库存物品114以供出售的意图。响应于在选项220检测到输入，库存预测系统104使得显示可用于生成预测库存物品114的表项的零售实体的用户界面(例如，经由显示设备120)。在一些实现方式中，作为使得显示零售实体的表项生成界面的一部分，库存预测系统104将描述预测库存物品114的信息发送到零售实体以用于自动生成出售表项。
已经描述了根据一个或更多个实现方式的示例过程，现在考虑示例系统和设备来实现本文描述的各种技术。
示例系统和设备
图8示出了包括示例计算设备802的示例系统800，其表示实现本文描述的各种技术的一个或更多个计算系统和/或设备。这通过包括库存预测系统104来说明。计算设备802例如被配置为服务提供商的服务器、与客户端相关联的设备(例如，客户端设备)、片上系统和/或任何其他合适的计算设备或计算系统。
所示的示例计算设备802包括彼此通信地耦接的处理系统804、一个或更多个计算机可读介质806、以及一个或更多个I/O接口808。尽管未示出，计算设备802还被配置成包括将各种部件彼此耦接的系统总线或其他数据和命令传输系统。系统总线包括不同总线结构中的任何一个或组合，诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线体系结构中的任何一种的处理器或局部总线。还预期各种其他示例，例如控制线和数据线。
处理系统804表示使用硬件执行一个或更多个操作的功能。因此，处理系统804被示为包括可配置为处理器、功能块等的硬件元件810。例如，硬件元件810在硬件中被实现为使用一个或更多个半导体形成的专用集成电路或其他逻辑器件。硬件元件810不受形成它们的材料或其中采用的处理机制的限制。例如，处理器替选地或附加地包括半导体和/或晶体管(例如，电子集成电路(IC))。在这样的上下文中，处理器可执行指令是电子可执行指令。
计算机可读存储介质806被示为包括存储器/存储装置812。存储器/存储装置812表示与一个或更多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置812表示易失性介质(诸如随机存取存储器(random access memory，RAM))和/或非易失性介质(诸如只读存储器(read only memory，ROM)、闪存、光盘、磁盘等)。存储器/存储装置812被配置成包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。在某些实现方式中，计算机可读介质806以如下进一步描述的各种其他方式来配置。
输入/输出接口808表示允许用户向计算设备802输入命令和信息，并且还允许使用各种输入/输出设备向用户和/或其他部件或设备呈现信息的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，电容式或被配置成检测物理触摸的其他传感器)、摄像机(例如，被配置成采用诸如红外频率的可见或不可见波长来将移动标识为不涉及触摸的姿势的设备)等。输出设备的示例包括显示设备(例如，监视器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备802表示如以下进一步描述的用于支持用户交互的各种硬件配置。
在软件、硬件元件或程序模块的一般上下文中描述了各种技术。通常，这样的模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、部件、数据结构等。如本文所使用的术语“模块”、“功能”和“部件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是平台无关的，这意味着这些技术被配置用于在具有各种处理器的各种商业计算平台上实现。
所描述的模块和技术的实现被存储在某种形式的计算机可读介质上或通过某种形式的计算机可读介质来传送。计算机可读介质包括可由计算设备802访问的各种介质。作为示例而非限制，计算机可读介质包括“计算机可读存储介质”和“计算机可读信号介质”。
“计算机可读存储介质”是指与仅信号传输、载波或信号本身相比，能够持久和/或非暂态存储信息的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括硬件，诸如以适于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的信息的方法或技术实现的易失性和非易失性、可移动和不可移动介质和/或存储设备。计算机可读存储介质的示例包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(digital versatile disk，DVD)或其他光学存储、硬盘、磁带盒、磁带、磁盘存储装置或其他磁存储设备、或适于存储供计算机访问的所需信息的其他存储设备、有形介质、或制品。
“计算机可读信号介质”是指被配置成诸如经由网络向计算设备802的硬件传送指令的信号承载介质。信号介质通常以诸如载波、数据信号或其他传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其他数据。信号介质还包括任何信息传递介质。术语“已调制数据信号”指以在信号中编码信息的方式设置或改变其一个或更多个特征的信号。作为示例而非限制，通信介质包括诸如有线网络或直接线连接的有线介质，以及诸如声学、RF、红外和其他无线介质的无线介质。
如前所述，硬件元件810和计算机可读介质806表示以硬件形式实现的模块、可编程设备逻辑和/或固定设备逻辑，在一些实施方式中采用所述硬件形式来实现本文所述技术的至少一些方面，例如执行一个或更多个指令。在某些实现方式中，硬件包括集成电路或片上系统、专用集成电路(application-specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、复杂可编程逻辑器件(complexprogrammable logic device，CPLD)的部件，以及硅或其他硬件中的其他实现方式。在此上下文中，硬件作为执行由指令和/或由硬件体现的逻辑定义的程序任务的处理设备以及用于存储用于执行的指令的硬件，例如，先前描述的计算机可读存储介质来操作。
采用前述内容的组合来实现本文所述的各种技术。因此，软件、硬件或可执行模块被实现为在某种形式的计算机可读存储介质上体现的一个或更多个指令和/或逻辑以及/或者由一个或更多个硬件元件810实现。计算设备802被配置成实现与软件和/或硬件模块相对应的指令和/或功能。因此，可由计算设备802作为软件执行的模块的实现方式至少部分地在硬件中实现，例如，通过使用处理系统804的计算机可读存储介质和/或硬件元件810。指令和/或功能可由一个或更多个制品(例如，一个或更多个计算设备802和/或处理系统804)执行/操作以实现本文描述的技术、模块和示例。
本文描述的技术由计算设备802的各种配置支持，并且不限于本文描述的技术的具体示例。该功能还被配置成全部或部分地通过使用分布式系统来实现，诸如经由如下所述的平台816通过“云”814。
云814包括和/或表示用于资源818的平台816。平台816抽象云814的硬件(例如，服务器)和软件资源的底层功能。资源818包括在计算机处理在远离计算设备802的服务器上执行时所利用的应用和/或数据。资源818还包括通过因特网和/或通过订户网络(例如蜂窝或Wi-Fi网络)提供的服务。
平台816被配置成抽象资源和功能以将计算设备802与其他计算设备连接。平台816还配置成抽象资源的缩放以向遇到的对经由平台816实现的资源818的需求提供对应的缩放级别。因此，在互连设备实施方式中，本文描述的功能的实现被配置用于分布在整个系统800中。例如，在一些配置中，功能部分地在计算设备802上以及经由抽象云814的功能的平台816来实现。
结语
尽管已经用结构特征和/或方法动作专用的语言描述了本发明，但是所附权利要求书中定义的本发明不必限于所描述的具体特征或动作。相反，这些具体特征和动作是作为实现所要求保护的本发明的示例形式来公开的。

Claims (20)

1.一种由计算设备实现的方法，所述方法包括：
接收描述用户拥有的至少一个物品的数据；
通过实现使用机器学习训练的预测模型来预测所述用户拥有的附加物品，所述预测模型用于：
确定包括所述至少一个物品的第一物品类别；
识别与所述第一物品类别相关并且包括所述附加物品的第二物品类别；以及
确定所述至少一个物品的描述，并且基于所述描述从所述第二物品类别中选择所述附加物品；以及
在与所述用户相关联的客户端设备处输出所述附加物品的显示。
2.根据权利要求1所述的方法，还包括：
生成包括多个节点的交叉类别有向图，其中，所述多个节点中的每个节点表示包括多个物品的物品类别；
生成各自连接所述多个节点中的两个节点的多个边，其中，所述多个边中的每个边是响应于确定由所述边连接的所述多个节点中的两个节点中包括的物品由至少两个不同用户拥有而生成的；以及
输出所述交叉类别有向图，其中，所述预测模型被训练成使用所述交叉类别有向图来识别所述第二物品类别。
3.根据权利要求2所述的方法，其中，所述预测模型被配置成通过检测所述交叉类别有向图中的所述多个边中的一个边的下述情形来识别与所述第一物品类别相关的所述第二物品类别：
将所述多个节点中的表示所述第一物品类别的一个节点与所述多个节点中的表示所述第二类别的一个节点链接；以及
具有从所述第一物品类别指向所述第二物品类别的方向。
4.根据权利要求3所述的方法，其中，所述预测模型还被配置成：
确定所述多个节点中的表示所述第一物品类别的一个节点与所述多个边中的具有指向远离所述第一物品类别的方向的至少两个边相关联；
确定与所述多个边中的所述至少两个边中的每个边相关联的权重；以及
响应于识别出所述多个边中的所述一个边相对于所述多个边中的所述至少两个边中的其他边具有更大的权重，选择所述多个边中的所述一个边。
5.根据权利要求1所述的方法，其中，所述预测模型被训练成通过使用自然语言处理生成相似性分数来选择所述附加物品，所述相似性分数中的每个指示所述至少一个物品与所述第二物品类别中包括的物品之间的相似性程度。
6.根据权利要求1所述的方法，还包括：
确定所述附加物品当前正在流行；
响应于确定所述附加物品当前正在流行，计算所述附加物品的估计值，并且与控件一起输出所述估计值的显示，所述控件能够被选择成生成所述附加物品的出售表项；以及
响应于在所述控件处接收到输入而生成所述附加物品的出售表项。
7.根据权利要求6所述的方法，其中，确定所述附加物品当前正在流行包括：
使得逻辑回归模型生成指示应当通过将所述附加物品与描述流行物品列表中包括的一个或更多个物品的属性进行比较来生成表项推荐的概率；以及
响应于识别出所述概率满足流行阈值概率值而确定所述附加物品是流行的。
8.根据权利要求7所述的方法，其中，所述逻辑回归模型被配置成基于所述附加物品与所述流行物品列表中包括的所述一个或更多个物品的相似性、所述附加物品相对于所述流行物品列表的排名以及所述附加物品的估计值来生成所述概率。
9.根据权利要求1所述的方法，其中，输出所述附加物品的显示包括提示所述用户关于所述附加物品的所有权的反馈，所述方法还包括接收确认所述附加物品的所有权的输入，并且更新与所述用户相关联的数据库记录以将所述附加物品包括在描述由所述用户拥有的所述至少一个物品的所述数据中。
10.一种系统，包括：
至少一个处理器；以及
计算机可读存储介质，其存储能够由所述至少一个处理器执行以执行操作的指令，所述操作包括：
接收用户数据，所述用户数据针对多个用户中的每个用户描述指定所述用户所拥有的至少一个物品的已知库存；
根据所述用户数据生成交叉类别有向图，所述交叉类别有向图包括多个类别节点和多个边，每个类别节点表示在所述用户数据的所述已知库存中指定的多个物品，每个边链接所述多个类别节点中的两个类别节点并且指示至少两个不同用户对包括在两个所链接的类别节点中的物品的所有权；
预测所述多个用户中的一个用户拥有的附加物品，所述附加物品未被包括在所述多个用户中的所述一个用户的所述已知库存中；以及
在用户界面中输出所述附加物品的显示，所述显示将所述附加物品指示为所述多个用户中的所述一个用户的预测库存物品。
11.根据权利要求10所述的系统，所述操作还包括生成所述附加物品的估计值，并且在所述用户界面中输出所述估计值的显示。
12.根据权利要求10所述的系统，其中，生成所述交叉类别有向图包括向所述多个类别节点中的每个类别节点分配值，所述值基于由所述类别节点表示的所述多个物品的值。
13.根据权利要求12所述的系统，其中，生成所述交叉类别有向图包括向所述多个边中的每个边分配方向，其中，基于由所述边链接的所述多个节点中的两个节点的值向所述边分配所述方向。
14.根据权利要求10所述的系统，其中，生成所述交叉类别有向图包括：
使用所述用户数据生成多个节点连接，所述多个节点连接中的每个节点连接将所述多个类别节点中的两个类别节点链接起来，并且指示所述用户数据中的至少两个不同用户的已知库存包括所述多个类别节点中的所述两个类别节点中的物品；
基于所述用户数据中的具有已知库存的用户的数目来向所述多个类别节点连接中的每个类别节点连接分配权重，所述已知库存包括所述多个类别节点中的所述两个类别节点中的物品；
确定用于过滤所述多个节点连接的边阈值；以及
针对所述多个类别节点连接中的每个类别节点连接生成所述多个边中的一个边，所述一个边具有满足所述边阈值的分配的权重。
15.根据权利要求14所述的系统，其中，确定所述边阈值包括：
通过掩蔽所述多个用户的所述已知库存中描述的物品的子集来根据所述用户数据生成评估数据集；
使用所述评估数据集中的未掩蔽信息来预测所述物品的掩蔽子集中的每个的标识符，并且识别所述评估数据集中的使与预测所述标识符相关联的误差最小化的边密度；以及
基于所识别的边密度来选择所述边阈值。
16.一种由计算设备实现的方法，所述方法包括：
接收描述实体的已知库存的数据，所述已知库存指定所述实体拥有的至少一个物品；
使用将物品类别表示为节点并且将所述节点与表示多个不同实体对所链接的物品类别中的物品的所有权的边链接的图来预测由所述实体所拥有的未包括在所述已知库存中的附加物品；
生成包括所述附加物品的估计值和所述附加物品的描述的表项推荐；以及
在客户端设备处输出所述表项推荐的显示。
17.根据权利要求16所述的方法，其中，响应于确定所述附加物品当前正在流行而通过将所述附加物品与描述流行物品列表中包括的一个或更多个物品的属性进行比较来执行生成所述表项推荐。
18.根据权利要求16所述的方法，其中，响应于基于所述附加物品与流行物品列表中包括的一个或更多个物品的相似性、所述附加物品相对于所述流行物品列表的排名以及所述附加物品的所述估计值确定所述附加物品正在流行而执行生成所述表项推荐。
19.根据权利要求16所述的方法，其中，所述表项推荐包括生成所述附加物品的出售表项的可选选项，所述方法还包括响应于在所述可选选项处检测到用于生成出售表项的输入，而将描述所述附加物品和所述附加物品的所述估计值的信息传输到零售实体。
20.根据权利要求16所述的方法，其中，所述表项推荐包括保有所述附加物品的可选选项，所述方法还包括更新与所述实体相关联的数据库记录以将所述附加物品添加到所述实体的所述已知库存。
CN202210507671.1A 2021-05-18 2022-05-11 库存物品预测和表项推荐 Pending CN115375219A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/323,717 2021-05-18
US17/323,717 US20220374805A1 (en) 2021-05-18 2021-05-18 Inventory Item Prediction and Listing Recommendation

Publications (1)

Publication Number Publication Date
CN115375219A true CN115375219A (zh) 2022-11-22

Family

ID=80447182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507671.1A Pending CN115375219A (zh) 2021-05-18 2022-05-11 库存物品预测和表项推荐

Country Status (4)

Country Link
US (1) US20220374805A1 (zh)
EP (1) EP4092603A1 (zh)
KR (1) KR20220156427A (zh)
CN (1) CN115375219A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230067756A1 (en) * 2021-09-02 2023-03-02 At&T Intellectual Property I, L.P. Using machine learning for security anomaly detection and user experience inference

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050160014A1 (en) * 2004-01-15 2005-07-21 Cairo Inc. Techniques for identifying and comparing local retail prices
US20050177443A1 (en) * 2004-01-16 2005-08-11 International Business Machines Corporation Systems and methods for reposting network auction items for resale
EP2027135A4 (en) * 2006-04-24 2011-03-09 Andrew Altschuler SYSTEM AND METHOD FOR SELLING A PRODUCT MULTIPLE DURING THE DURABILITY OF THIS PRODUCT
CN102346894B (zh) * 2010-08-03 2017-03-01 阿里巴巴集团控股有限公司 推荐信息的输出方法、系统及服务器
US20140258016A1 (en) * 2013-03-08 2014-09-11 Ebay Inc. System and method for generating recommendations
US11100524B1 (en) * 2013-12-23 2021-08-24 Massachusetts Mutual Life Insurance Company Next product purchase and lapse predicting tool
US10430859B2 (en) * 2015-03-30 2019-10-01 NetSuite Inc. System and method of generating a recommendation of a product or service based on inferring a demographic characteristic of a customer
US20170061286A1 (en) * 2015-08-27 2017-03-02 Skytree, Inc. Supervised Learning Based Recommendation System
US11361349B1 (en) * 2018-05-29 2022-06-14 State Farm Mutual Automobile Insurance Company Systems and methods for generating efficient iterative recommendation structures
US11995564B2 (en) * 2018-06-21 2024-05-28 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations
US11157987B2 (en) * 2018-12-07 2021-10-26 Paypal, Inc. System and method for obtaining recommendations using scalable cross-domain collaborative filtering
US11763360B1 (en) * 2019-09-17 2023-09-19 Block, Inc. Intelligently identifying items for resale
US20210110306A1 (en) * 2019-10-14 2021-04-15 Visa International Service Association Meta-transfer learning via contextual invariants for cross-domain recommendation
US11227349B2 (en) * 2019-11-20 2022-01-18 Visa International Service Association Methods and systems for graph-based cross-domain restaurant recommendation
US11556822B2 (en) * 2020-05-27 2023-01-17 Yahoo Assets Llc Cross-domain action prediction
US11475153B2 (en) * 2021-01-21 2022-10-18 Godunov Enterprises, Llc Online platform for unique items
US20220398445A1 (en) * 2021-06-10 2022-12-15 Oracle International Corporation Identifying a classification hierarchy using a trained machine learning pipeline
US20230385887A1 (en) * 2022-05-24 2023-11-30 Ebay Inc. Techniques for automatic filling of an input form to generate a listing

Also Published As

Publication number Publication date
US20220374805A1 (en) 2022-11-24
KR20220156427A (ko) 2022-11-25
EP4092603A1 (en) 2022-11-23

Similar Documents

Publication Publication Date Title
US11301761B2 (en) Behavioral prediction for targeted end users
JP6134444B2 (ja) 情報を推薦するための方法およびシステム
US20200034879A1 (en) Predictive Recommendation System
US9846885B1 (en) Method and system for comparing commercial entities based on purchase patterns
US10430825B2 (en) Recommending advertisements using ranking functions
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
CN102282551A (zh) 娱乐入场券定价的自动决策支持
WO2010144234A1 (en) Systems, methods and computer program products for computing and outputting a timeline value, indication of popularity, and recommendation
AU2020260401A1 (en) Prospect recommendation
US20230111745A1 (en) Systems and methods for generating models for recommending replacement items for unavailable in-store purchases
KR102422408B1 (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
US20210090105A1 (en) Technology opportunity mapping
US20240029107A1 (en) Automatic Item Placement Recommendations Based on Entity Similarity
US20160117703A1 (en) Large-Scale Customer-Product Relationship Mapping and Contact Scheduling
CN112819504A (zh) 用于定制评论的系统和方法
CN115375219A (zh) 库存物品预测和表项推荐
CA3169819C (en) Systems and methods for automated product classification
CN115249140A (zh) 用于放置库存物品的智能计算机功能及可视化
AU2022380597A1 (en) Method and system for adaptive product categorization
US11430033B2 (en) Methods and systems of utilizing machine learning to provide trust scores in an online automobile marketplace
JP6809148B2 (ja) プログラムおよび組み合わせ抽出システム
US20240232406A9 (en) Storing and retrieving data based on experience in categories associated with historical interactions
US11790384B2 (en) Systems and methods for assisting users in assessing costs of transactions
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

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