CN115909591A - 一种基于积分兑换柜的货物售卖管理方法、系统、设备 - Google Patents
一种基于积分兑换柜的货物售卖管理方法、系统、设备 Download PDFInfo
- Publication number
- CN115909591A CN115909591A CN202310018760.4A CN202310018760A CN115909591A CN 115909591 A CN115909591 A CN 115909591A CN 202310018760 A CN202310018760 A CN 202310018760A CN 115909591 A CN115909591 A CN 115909591A
- Authority
- CN
- China
- Prior art keywords
- goods
- exchanged
- target
- data
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机处理领域,公开了一种基于积分兑换柜的货物售卖管理方法、系统、设备,通过获取目标积分兑换柜的位置信息,基于获取的位置信息再获取一定范围内的用户特征,之后基于获取的用户特征对目标兑换柜的补货信息进行预测,预测结束后再使用神经网络针对待兑换用户的特征进行识别并进行货物推荐,再根据推荐的结果与待兑换用户的最终所选结果对神经网络进行优化,并基于优化后的神经网络,对其他对兑换柜的补货信息进行预测,从而实现对数量多且分布范围广的兑换柜群,进行精确控制和预测,进而解决了目前的技术方案中存在的不能够针对数量多且分布范围广的自助柜进行控制和预测的问题。
Description
技术领域
本发明涉及计算机处理领域,尤其涉及一种基于积分兑换柜的货物售卖管理方法、系统、设备。
背景技术
在现有的商业运营过程中,自助兑换柜以及售货柜往往只是通过后台对柜内货物的进行监控,当某种货物的数量小于一定值时,记录一条补货提示。
这种处理方式只适合对较少数量的自助柜进行控制,而当自助柜的数量多到一定数值,且分布的范围足够广的时候,就需要能够针对自助柜所处的经营环境以及面对的消费用户的消费特性进行预测。
而现有的方案中,并不能够针对数量多且分布范围广的自助柜进行控制和预测。
发明内容
本发明实施例提供了一种基于积分兑换柜的货物售卖管理方法、系统、设备以及存储介质,解决了目前的技术方案中存在的不能够针对数量多且分布范围广的自助柜进行控制和预测的问题。
为了解决上述技术问题,本发明:
第一方面,提供了一种基于积分兑换柜的货物售卖管理方法,该方法包括:
获取目标积分兑换柜的位置信息;
基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数;
根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息;
当目标积分兑换柜根据补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息;
获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息;
基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型;
基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
在第一方面的一些实现方式中,根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息,包括:
根据多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定目标积分兑换柜的预设范围内用户的特征画像集;
基于预设范围内目标用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定目标积分兑换柜的补货信息。
在第一方面的一些实现方式中,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,包括:
对特征数据中的年龄性别数据、运动数据、作息数据以及身高体重指数进行归一化处理;
根据预设的神经网络推荐模型,基于归一化后的不同种类数据以及对应的权重,对归一化后的不同种类数据进行特征识别,得到特征识别结果;
基于特征识别结果确定待兑换用户的特征画像;
根据待兑换用户的特征画像确定目标兑换柜中给待兑换用户推荐的货物名称以及货物对应的功能特点信息。
在第一方面的一些实现方式中,待兑换用户的特征数据还包括账户积分;
给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,包括:
给待兑换用户推荐目标兑换柜中的货物名称、货物对应的功能特点信息以及货物对应的兑换积分,并显示待兑换用户的账户积分,以及货物对应的兑换积分与待兑换用户的账户积分的差值。
在第一方面的一些实现方式中,在基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息之后,方法还包括:
基于其他兑换柜对应的目标用户的特征数据和优化后的神经网络推荐模型,确定其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以用于待兑换用户进行选择并兑换;
获取其他兑换柜中待兑换用户最终兑换的货物信息;
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第一预设阈值且小于第二预设阈值时,基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
在第一方面的一些实现方式中,该方法还包括:
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第二预设阈值时,获取历史数据作为训练集,其中,历史数据包括历史记录的预设区域内的其他兑换柜基于对应的目标用户的特征数据和优化后的神经网络推荐模型,确定的其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以及其他兑换柜中待兑换用户最终兑换的历史货物信息;
基于训练集,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
第二方面,提供了一种基于积分兑换柜的货物售卖管理系统,该系统包括:
获取模块,用于获取目标积分兑换柜的位置信息;
获取模块,还用于基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数;
处理模块,用于根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息;
处理模块,还用于当目标积分兑换柜根据补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息;
获取模块,还用于获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息;
处理模块,还用于基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型;
处理模块,还用于基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
在第二方面的一些实现方式中,处理模块,还用于根据多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定目标积分兑换柜的预设范围内用户的特征画像集;
基于预设范围内用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定目标积分兑换柜的补货信息。
第三方面,提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
该处理器执行所述计算机程序指令时实现第一方面以及第一方面的一些实现方式中所述的方法。
第四方面,提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现第一方面以及第一方面的一些实现方式中所述的方法。
本发明实施例提供了一种基于积分兑换柜的货物售卖管理方法、系统、设备以及存储介质,通过获取目标积分兑换柜的位置信息,基于获取的位置信息再获取一定范围内的用户特征,之后基于获取的用户特征对目标兑换柜的补货信息进行预测,预测结束后再使用神经网络针对待兑换用户的特征进行识别并进行货物推荐,再根据推荐的结果与待兑换用户的最终所选结果对神经网络进行优化,并基于优化后的神经网络,对其他对兑换柜的补货信息进行预测,从而实现对数量多且分布范围广的兑换柜群,进行精确控制和预测,进而解决了目前的技术方案中存在的不能够针对数量多且分布范围广的自助柜进行控制和预测的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于积分兑换柜的货物售卖管理方法的流程示意图;
图2是本发明实施例提供的一种基于积分兑换柜的货物售卖管理系统的结构示意图;
图3是本发明实施例提供的一种计算设备的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有的自助兑换柜以及售货柜往往只是通过后台对柜内的货物进行监控,当某种货物的数量小于一定值时,记录一条补货提示,以提醒工作人员及时进行补货。
这种处理方式只适合对较少数量的自助柜进行控制,而当自助柜的数量多到一定数值,且分布的范围足够广的时候,就需要能够针对自助柜所处的经营环境以及面对的消费用户的消费特性进行预测。
而在现有的方案中,并不能够针对数量多且分布范围广的自助柜进行控制和预测。
为了解决现有的方案中,不能够针对数量多且分布范围广的自助柜进行控制和预测的问题,本发明实施例提供了一种基于积分兑换柜的货物售卖管理方法、系统、设备以及存储介质,通过获取目标积分兑换柜的位置信息,基于获取的位置信息再获取一定范围内的用户特征,之后基于获取的用户特征对目标兑换柜的补货信息进行预测,预测结束后再使用神经网络针对待兑换用户的特征进行识别并进行货物推荐,再根据推荐的结果与待兑换用户的最终所选结果对神经网络进行优化,并基于优化后的神经网络,对其他对兑换柜的补货信息进行预测,从而实现对数量多且分布范围广的兑换柜群,进行精确控制和预测。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种基于积分兑换柜的货物售卖管理方法的流程示意图,如图1所示,该货物售卖管理方法具体可以包括:
S101:获取目标积分兑换柜的位置信息。
S102:基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数。
S103:根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息。
S104:当目标积分兑换柜根据补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
S105:获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息。
S106:基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型。
S107:基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
具体地,在S101中,目标积分兑换柜可以理解为一个初始状态进行模型搭建和训练的兑换柜,以用于训练最初的神经网络推荐模型;目标积分兑换柜的位置信息可以是目标积分兑换柜所在具体小区、具体商圈等信息。
在S102中,为了对目标用户进行准确分析以及确定画像,目标用户的特征数据可以包括年龄性别数据、运动数据、作息数据以及身高体重指数,进而可以准确确定目标用户的基本参数。
在一些实施例中,S103中,根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息,具体可以包括:
根据多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定目标积分兑换柜的预设范围内目标用户的特征画像集;
基于预设范围内用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定目标积分兑换柜的补货信息。
也就是说,在该过程中,基于多个目标用户的特征数据确定目标用户的特征画像集,进而基于该画像集,对预设商品库中的商品对应的功能特点信息进行匹配,确定目标积分兑换柜的补货信息;
例如,画像集中一个目标用户的特征画像为肥胖且运动较多,那对应的补货信息可以为一种无糖的运动饮料。
在一些实施例中,S104中,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,具体可以包括:
对特征数据中的年龄性别数据、运动数据、作息数据以及身高体重指数进行归一化处理;
基于归一化后的不同种类数据对应的权重,将归一化后的不同种类数据输入预设的神经网络推荐模型;
根据预设的神经网络推荐模型,基于归一化后的不同种类数据以及对应的权重,对归一化后的不同种类数据进行特征识别,得到特征识别结果;
基于特征识别结果确定待兑换用户的特征画像;
根据待兑换用户的特征画像确定目标兑换柜中给待兑换用户推荐的货物名称以及货物对应的功能特点信息。
在一些实施例中,S105中,待兑换用户的特征数据还包括账户积分;
给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,包括:
给待兑换用户推荐目标兑换柜中的货物名称、货物对应的功能特点信息以及货物对应的兑换积分,并显示待兑换用户的账户积分,以及货物对应的兑换积分与待兑换用户的账户积分的差值。
通过显示待兑换用户的账户积分,令待兑换用户得知自己的账户积分情况,此外,在显示货物对应的兑换积分与待兑换用户的账户积分的差值之外,对于积分不足以兑换的货物,还可以在已有积分的基础上,显示再支付多少钱即可兑换的提示信息。
在一些实施例中,在S107之后,即,在基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息之后,方法还包括:
基于其他兑换柜对应的目标用户的特征数据和优化后的神经网络推荐模型,确定其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以用于待兑换用户进行选择并兑换;
获取其他兑换柜中待兑换用户最终兑换的货物信息;
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第一预设阈值且小于第二预设阈值时,基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
也就是说,当优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第一预设阈值且小于第二预设阈值时,还可以对优化后的神经网络推荐模型进行二次优化,进而提高神经网络推荐模型的准确率。
此外,当优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第二预设阈值时,本发明考虑到样本数据具有多样性以及全面性会使得优化结果更好,进而确保神经网络推荐模型的准确率,从而在一些实施例中,该方法还包括:
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第二预设阈值时,获取历史数据作为训练集,其中,历史数据包括历史记录的预设区域内的其他兑换柜基于对应的目标用户的特征数据和优化后的神经网络推荐模型,确定的其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以及其他兑换柜中待兑换用户最终兑换的历史货物信息;
基于训练集,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
也就是说,在该实施例中,通过对历史记录中的预设区域内的其他兑换柜基于对应的目标用户的特征数据和优化后的神经网络推荐模型,确定的其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以及其他兑换柜中待兑换用户最终兑换的历史货物信息进行获取,即,将一个预设区域内的其他兑换柜的历史数据进行获取,作为训练集,来对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,即考虑到一个区域内的样本数据具有多样性以及全面性,足够有代表性,将会使得优化结果更好,进而确保了神经网络推荐模型的准确率。
而且,可以看出的是,本发明所使用的优化后的神经网络推荐模型不仅是为一个目标积分兑换柜进行补货信息确定以及预测目标用户的需求,在得到优化后的推荐模型后,还可以针对其他兑换柜对应的目标用户,确定其他兑换柜的补货信息,进而实现兑换柜群组的控制和预测。
本发明实施例公开的基于积分兑换柜的货物售卖管理方法,可以通过获取目标积分兑换柜的位置信息,基于获取的位置信息再获取一定范围内的用户特征,之后基于获取的用户特征对目标兑换柜的补货信息进行预测,预测结束后再使用神经网络针对待兑换用户的特征进行识别并进行货物推荐,再根据推荐的结果与待兑换用户的最终所选结果对神经网络进行优化,并基于优化后的神经网络,对其他对兑换柜的补货信息进行预测,后续还可以针对优化情况针对优化后的神经网络推荐模型进行再次优化,而且在再次优化时,还会对基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距与预设阈值比对,根据不同的比对结果,选择不同的数据集进行优化,进而得到二次优化后的神经网络推荐模型,从而实现对数量多且分布范围广的积分兑换柜群,进行精确控制和预测。
与图1中所示的基于积分兑换柜的货物售卖管理方法的流程示意图相对应,本发明实施例还公开了一种基于积分兑换柜的货物售卖管理系统。
图2是本发明实施例提供的一种基于积分兑换柜的货物售卖管理系统的结构示意图,如图2所示,基于积分兑换柜的货物售卖管理系统,可以包括:
获取模块201,用于获取目标积分兑换柜的位置信息;
获取模块201,还用于基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数;
处理模块202,用于根据多个目标用户的特征数据,确定目标积分兑换柜的补货信息;
处理模块202,还用于当目标积分兑换柜根据补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息;
获取模块201,还用于获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息;
处理模块202,还用于基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型;
处理模块202,还用于基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
在一些实施例中,处理模块202,还用于根据多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定目标积分兑换柜的预设范围内用户的特征画像集;
基于预设范围内用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定目标积分兑换柜的补货信息。
在一些实施例中,处理模块202,还用于对特征数据中的年龄性别数据、运动数据、作息数据以及身高体重指数进行归一化处理;基于归一化后的不同种类数据对应的权重,将归一化后的不同种类数据输入预设的神经网络推荐模型;根据预设的神经网络推荐模型,基于归一化后的不同种类数据以及对应的权重,对归一化后的不同种类数据进行特征识别,得到特征识别结果;基于特征识别结果确定待兑换用户的特征画像;根据待兑换用户的特征画像确定目标兑换柜中给待兑换用户推荐的货物名称以及货物对应的功能特点信息。
在一些实施例中,待兑换用户的特征数据还包括账户积分;
处理模块202,还可以用于给待兑换用户推荐目标兑换柜中的货物名称、货物对应的功能特点信息以及货物对应的兑换积分,并显示待兑换用户的账户积分,以及货物对应的兑换积分与待兑换用户的账户积分的差值。
在一些实施例中,在基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息之后,处理模块202,还可以用于基于其他兑换柜对应的目标用户的特征数据和优化后的神经网络推荐模型,确定其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以用于待兑换用户进行选择并兑换;获取其他兑换柜中待兑换用户最终兑换的货物信息;当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第一预设阈值且小于第二预设阈值时,基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
在一些实施例中,处理模块202,还可以用于当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第二预设阈值时,获取历史数据作为训练集,其中,历史数据包括历史记录的预设区域内的其他兑换柜基于对应的目标用户的特征数据和优化后的神经网络推荐模型,确定的其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以及其他兑换柜中待兑换用户最终兑换的历史货物信息;基于训练集,对优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
本发明基于积分兑换柜的货物售卖管理系统,可以通过获取目标积分兑换柜的位置信息,基于获取的位置信息再获取一定范围内的用户特征,之后基于获取的用户特征对目标兑换柜的补货信息进行预测,预测结束后再使用神经网络针对待兑换用户的特征进行识别并进行货物推荐,再根据推荐的结果与待兑换用户的最终所选结果对神经网络进行优化,并基于优化后的神经网络,对其他对兑换柜的补货信息进行预测,后续还可以针对优化情况针对优化后的神经网络推荐模型进行再次优化,而且在再次优化时,还会对基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距与预设阈值比对,根据不同的比对结果,选择不同的数据集进行优化,进而得到二次优化后的神经网络推荐模型,从而实现对数量多且分布范围广的积分兑换柜群,进行精确控制和预测。
可以理解的是,本发明基于积分兑换柜的货物售卖管理系统中的各个模块,具有实现图1中各个步骤的功能,为了简洁描述,在此不做赘述。
图3是本发明实施例提供的一种计算设备的结构图。如图3所示,计算设备300包括输入接口301、中央处理器302、存储器303以及输出接口304。其中,输入接口301、中央处理器302、存储器303、以及输出接口304通过总线310相互连接。
图3所示的计算设备也可以被实现为基于积分兑换柜的货物售卖管理方法的执行设备,该计算设备可以包括:处理器以及存储有计算机可执行指令的存储器;该处理器在执行计算机可执行指令时可以实现本发明实施例提供的基于积分兑换柜的货物售卖管理方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的基于积分兑换柜的货物售卖管理方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency ,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者系统描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、系统(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理系统的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理系统的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于积分兑换柜的货物售卖管理方法,其特征在于,所述方法包括:
获取目标积分兑换柜的位置信息;
基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,所述特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数;
根据所述多个目标用户的特征数据,确定所述目标积分兑换柜的补货信息;
当目标积分兑换柜根据所述补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息;
获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息;
基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对所述预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型;
基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
2.根据权利要求1所述的货物售卖管理方法,其特征在于,所述根据所述多个目标用户的特征数据,确定所述目标积分兑换柜的补货信息,包括:
根据所述多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定所述目标积分兑换柜的预设范围内用户的特征画像集;
基于所述预设范围内目标用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定所述目标积分兑换柜的补货信息。
3.根据权利要求1所述的货物售卖管理方法,其特征在于,所述基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,包括:
对所述特征数据中的年龄性别数据、运动数据、作息数据以及身高体重指数进行归一化处理;
根据预设的神经网络推荐模型,基于归一化后的不同种类数据以及对应的权重,对所述归一化后的不同种类数据进行特征识别,得到特征识别结果;
基于所述特征识别结果确定所述待兑换用户的特征画像;
根据所述待兑换用户的特征画像确定所述目标兑换柜中给所述待兑换用户推荐的货物名称以及货物对应的功能特点信息。
4.根据权利要求1所述的货物售卖管理方法,其特征在于,所述待兑换用户的特征数据还包括账户积分;
给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息,包括:
给待兑换用户推荐目标兑换柜中的货物名称、货物对应的功能特点信息以及货物对应的兑换积分,并显示待兑换用户的账户积分,以及货物对应的兑换积分与待兑换用户的账户积分的差值。
5.根据权利要求1所述的货物售卖管理方法,其特征在于,在基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息之后,所述方法还包括:
基于其他兑换柜对应的目标用户的特征数据和优化后的神经网络推荐模型,确定其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以用于待兑换用户进行选择并兑换;
获取其他兑换柜中待兑换用户最终兑换的货物信息;
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第一预设阈值且小于第二预设阈值时,基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称,对所述优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
6.根据权利要求5所述的货物售卖管理方法,其特征在于,所述方法还包括:
当基于其他兑换柜中待兑换用户最终兑换的货物信息与优化后的神经网络推荐模型确定其他兑换柜对应的待兑换用户的货物名称的差距大于第二预设阈值时,获取历史数据作为训练集,其中,所述历史数据包括历史记录的预设区域内的其他兑换柜基于对应的目标用户的特征数据和优化后的神经网络推荐模型,确定的其他兑换柜对应的待兑换用户的货物名称以及货物对应的功能特点信息,以及其他兑换柜中待兑换用户最终兑换的历史货物信息;
基于所述训练集,对所述优化后的神经网络推荐模型进行调整,得到二次优化后的神经网络推荐模型,以用于给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息。
7.一种基于积分兑换柜的货物售卖管理系统,其特征在于,所述系统包括:
获取模块,用于获取目标积分兑换柜的位置信息;
所述获取模块,还用于基于目标积分兑换柜的位置信息获取预设范围内多个目标用户的特征数据,其中,所述特征数据包括年龄性别数据、运动数据、作息数据以及身高体重指数;
处理模块,用于根据所述多个目标用户的特征数据,确定所述目标积分兑换柜的补货信息;
所述处理模块,还用于当目标积分兑换柜根据所述补货信息补货后,基于待兑换用户的特征数据,根据预设的神经网络推荐模型给待兑换用户推荐目标兑换柜中的货物名称以及货物对应的功能特点信息;
所述获取模块,还用于获取多个待兑换用户基于神经网络推荐模型给待兑换用户推荐的目标兑换柜中的货物名称以及货物对应的功能特点信息,最终兑换的货物信息;
所述处理模块,还用于基于最终兑换的货物信息对应的货物名称、功能特点信息与目标货物名称以及目标货物对应的功能特点信息的差值,对所述预设的神经网络推荐模型进行调整,得到优化后的神经网络推荐模型;
所述处理模块,还用于基于优化后的神经网络推荐模型以及其他兑换柜对应的目标用户,确定其他兑换柜的补货信息。
8.根据权利要求7所述的货物售卖管理系统,其特征在于,所述处理模块,还用于根据所述多个目标用户的年龄性别数据、运动数据、作息数据以及身高体重指数,确定所述目标积分兑换柜的预设范围内用户的特征画像集;
基于所述预设范围内用户的特征画像集,根据预设商品库中的商品对应的功能特点信息,确定所述目标积分兑换柜的补货信息。
9.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-6中任意一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018760.4A CN115909591B (zh) | 2023-01-06 | 2023-01-06 | 一种基于积分兑换柜的货物售卖管理方法、系统、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018760.4A CN115909591B (zh) | 2023-01-06 | 2023-01-06 | 一种基于积分兑换柜的货物售卖管理方法、系统、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909591A true CN115909591A (zh) | 2023-04-04 |
CN115909591B CN115909591B (zh) | 2023-05-05 |
Family
ID=85732074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310018760.4A Active CN115909591B (zh) | 2023-01-06 | 2023-01-06 | 一种基于积分兑换柜的货物售卖管理方法、系统、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909591B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272762A (ja) * | 1995-03-29 | 1996-10-18 | Sanyo Electric Co Ltd | ニューラルネットワークの学習方法および販売予測装置 |
US20100138037A1 (en) * | 2008-10-22 | 2010-06-03 | Newzoom, Inc. | Vending Store Inventory Management and Reporting System |
CN110298696A (zh) * | 2019-06-19 | 2019-10-01 | 付宏毅 | 一种积分兑换礼品的方法和礼品兑换柜 |
CN111709810A (zh) * | 2020-06-17 | 2020-09-25 | 腾讯云计算(北京)有限责任公司 | 基于推荐模型的对象推荐方法及装置 |
CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
CN113298610A (zh) * | 2021-02-07 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息推荐与获取方法、设备及存储介质 |
CN114926198A (zh) * | 2022-05-05 | 2022-08-19 | 广东电力信息科技有限公司 | 积分兑换方法及装置 |
CN115238988A (zh) * | 2022-07-20 | 2022-10-25 | 中国银行股份有限公司 | 一种纪念币的分配方法、系统及相关设备 |
-
2023
- 2023-01-06 CN CN202310018760.4A patent/CN115909591B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272762A (ja) * | 1995-03-29 | 1996-10-18 | Sanyo Electric Co Ltd | ニューラルネットワークの学習方法および販売予測装置 |
US20100138037A1 (en) * | 2008-10-22 | 2010-06-03 | Newzoom, Inc. | Vending Store Inventory Management and Reporting System |
CN110298696A (zh) * | 2019-06-19 | 2019-10-01 | 付宏毅 | 一种积分兑换礼品的方法和礼品兑换柜 |
CN111709810A (zh) * | 2020-06-17 | 2020-09-25 | 腾讯云计算(北京)有限责任公司 | 基于推荐模型的对象推荐方法及装置 |
CN113298610A (zh) * | 2021-02-07 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息推荐与获取方法、设备及存储介质 |
CN113283671A (zh) * | 2021-06-22 | 2021-08-20 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
CN114926198A (zh) * | 2022-05-05 | 2022-08-19 | 广东电力信息科技有限公司 | 积分兑换方法及装置 |
CN115238988A (zh) * | 2022-07-20 | 2022-10-25 | 中国银行股份有限公司 | 一种纪念币的分配方法、系统及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115909591B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20100262537A1 (en) | Artificial intelligence settlement system for optimum card recommendation service and payment apparatus and combination card payment terminal for the same | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
WO2019195263A1 (en) | Systems and methods for credit card selection based on a consumer's personal spending | |
US20160321709A1 (en) | Distributed system for processing of transaction data from a plurality of gas stations | |
US20190180301A1 (en) | System for capturing item demand transference | |
CN102968670A (zh) | 预测数据的方法和装置 | |
EP3371764A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
CN112149824B (zh) | 利用博弈论更新推荐模型的方法及装置 | |
RU2649759C1 (ru) | Устройство и способ для анализа информации | |
CN112313679A (zh) | 信息处理设备、信息处理方法和程序 | |
US20220084057A1 (en) | Method, apparatus, and computer program product for facilitating dynamic change of an adjustable size component of a displayed icon | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
Zhao et al. | On learning process of a newsvendor with censored demand information | |
US11574266B2 (en) | Recommender system for replacing human interaction services | |
US10452988B2 (en) | Solution search for combinatorial bandit problem | |
Mzoughia et al. | An improved customer lifetime value model based on Markov chain | |
CN117314517A (zh) | 基于积分商城的新优惠券用户匹配方法、装置、电子设备及存储介质 | |
CN116993455A (zh) | 一种基于供应链的商品的智能推荐方法及系统 | |
CN115909591A (zh) | 一种基于积分兑换柜的货物售卖管理方法、系统、设备 | |
CN110909146A (zh) | 用于推送反问标签的标签推送模型训练方法、装置及设备 | |
Weaver et al. | Nonparametric bandits leveraging informational externalities to learn the demand curve | |
CN115943399A (zh) | 生成方法、生成装置、程序、信息处理方法及信息处理装置 | |
Cetinkaya et al. | New product launch decisions with robust optimization | |
CN112837079B (zh) | 商品销量预测方法、装置、计算机设备 | |
US7949553B1 (en) | Method and system for a selection optimization process |
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 |