CN116523548A - 商品的特征信息识别方法及其装置 - Google Patents
商品的特征信息识别方法及其装置 Download PDFInfo
- Publication number
- CN116523548A CN116523548A CN202210071552.6A CN202210071552A CN116523548A CN 116523548 A CN116523548 A CN 116523548A CN 202210071552 A CN202210071552 A CN 202210071552A CN 116523548 A CN116523548 A CN 116523548A
- Authority
- CN
- China
- Prior art keywords
- commodity
- feature
- target
- characteristic
- interaction data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003993 interaction Effects 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000000875 corresponding effect Effects 0.000 claims description 72
- 239000013598 vector Substances 0.000 claims description 70
- 230000004044 response Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000002860 competitive effect Effects 0.000 abstract description 6
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了一种商品的特征信息识别方法及其装置，涉及图像检测技术领域，该方法包括：获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据；确定第二商品；基于第一商品和第二商品，生成训练样本；生成目标商品购买预测模型；基于模型参数集，更新第一商品的描述信息。通过大数据挖掘的手段，针对性筛选出同品类且存在竞争关系的商品，并构建模型，进而通过模型精确分析出商品的优势特征项和/或劣势特征项，由此可以提高识别商品优势特征项和/或劣势特征项的准确度和效率，并通过优化商品的特征信息，提高商品的推送成功率。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种商品的特征信息识别方法及其装置。
背景技术
竞品分析是指通过分析本品与竞品在产品特征、定价策略、营销策略等方面的差异，找出本品的优缺点，以便于优化产品设计、改进定价及营销策略，最终实现提高本品销量及市场占有率的目的。
相关竞品分析主要以经验性方法为主：包括SWTO(strengths、weaknesses、opportunities、threats，优势、劣势、机会、威胁)态势分析法、表格式对比评估、漏斗分析法等方法。该类方法通过一定的规则引导行业专家比较本品与竞品的特性，主要依赖专家经验发现产品的优缺点，这种方法不够客观，无法量化，且分析效率较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的一个目的在于提出一种商品的特征信息识别方法。
本申请的第二个目的在于提出一种商品的特征信息识别装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种非瞬时计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的，本申请第一方面实施方式提出了一种商品的特征信息识别方法，包括：获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据；根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品；用于基于第一商品和第二商品各自的特征向量，生成同一选品交互数据对应的训练样本，其中第一商品和第二商品属于同一选品交互数据；基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型；基于目标商品购买预测模型的模型参数，识别第一商品的特征信息中优势特征项和/或劣势特征项。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：获取属于同一选品交互数据的第一商品的第一特征向量和第二商品的第二特征向量；获取第一特征向量和第二特征向量之间的特征差异，并基于特征差异生成特征差异向量，作为同一选品交互数据对应的训练样本。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：响应于同一选品交互数据中的第一商品最终被购买，确定同一选品交互数据对应的训练样本为正样本；响应于第二商品中的一个商品最终被购买，确定同一选品交互数据对应的训练样本为负样本。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：获取模型参数与对应特征维度上的特征取值的乘积，并根据每个特征维度对应的乘积确定第一商品被购买的概率，其中，乘积与第一商品被购买概率成正相关。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：获取特征信息中各特征维度对应的模型参数的取值；响应于取值为正值，将取值为正值的特征维度确定为优势特征项；响应于取值为负值，将取值为负值的特征维度确定为劣势特征项。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：根据模型参数集中每个特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度；基于目标特征维度，更新第一商品的描述信息。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：获取每个特征维度对应的模型参数的绝对值，并根据绝对值的大小，从所有特征维度中选取出至少一个目标特征维度。
根据本申请的一个实施方式，商品的特征信息识别方法，还包括：针对每个目标特征维度，根据目标特征维度对应的目标特征性的优劣类型，确定目标特征项的调整方向；根据调整方向对目标特征项进行调整，以更新第一商品的特征信息。
为达上述目的，本申请第二方面实施例提出了一种商品的特征信息识别装置，包括：获取模块，用于获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据；确定模块，用于根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品；第一生成模块，，用于基于第一商品和第二商品各自的特征向量，生成同一选品交互数据对应的训练样本，其中第一商品和第二商品属于同一选品交互数据；第二生成模块，用于基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型；识别模块，用于基于目标商品购买预测模型的模型参数，识别第一商品的特征信息中优势特征项和/或劣势特征项。
根据本申请的一个实施方式，第一生成模块，还用于：获取属于同一选品交互数据的第一商品的第一特征向量和第二商品的第二特征向量；获取第一特征向量和第二特征向量之间的特征差异，基于特征差异生成特征差异向量，作为同一选品交互数据对应的训练样本。
根据本申请的一个实施方式，第一生成模块，还用于：响应于同一选品交互数据中的第一商品最终被购买，确定同一选品交互数据对应的训练样本为正样本；响应于第二商品中的一个商品最终被购买，确定同一选品交互数据对应的训练样本为负样本。
根据本申请的一个实施方式，第二生成模块，还用于：获取模型参数与对应特征维度上的特征取值的乘积，并根据每个特征维度对应的乘积确定第一商品被购买的概率，其中，乘积与第一商品被购买概率成正相关。
根据本申请的一个实施方式，识别模块，还用于：获取特征信息中各特征维度对应的模型参数的取值；响应于取值为正值，将取值为正值的特征维度确定为优势特征项；响应于取值为负值，将取值为负值的特征维度确定为劣势特征项。
根据本申请的一个实施方式，识别模块，还用于：根据每个特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度；基于目标特征维度，更新第一商品的特征信息。
根据本申请的一个实施方式，识别模块，还用于：获取每个特征维度对应的模型参数的绝对值，并根据绝对值的大小，从所有特征维度中选取出至少一个目标特征维度。
根据本申请的一个实施方式，识别模块，还用于：针对每个目标特征维度，根据目标特征维度对应的目标特征项的优劣类型，确定目标特征项的调整方向，并根据调整方向对目标特征项进行调整，以更新第一商品的特征信息。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以实现如本申请第一方面实施例的商品的特征信息识别方法。
为达上述目的，本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于实现如本申请第一方面实施例的商品的特征信息识别方法。
为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时用于实现如本申请第一方面实施例的商品的特征信息识别方法。
附图说明
图1是本申请一个实施方式的一种商品的特征信息识别方法的流程示意图；
图2是本申请一个实施方式的另一种商品的特征信息识别方法的流程示意图；
图3是本申请一个实施方式的另一种商品的特征信息识别方法的流程示意图；
图4是本申请一个实施方式的一种商品的特征信息识别方法的总体流程示意图；
图5是本申请一个实施方式的一种商品的特征信息识别装置的框图；
图6是本申请一个实施方式的一种电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图1为本申请提出的一种商品的特征信息识别方法的一种示例性实施方式的示意图，如图1所示，该商品的特征信息识别方法包括以下步骤：
S101，获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据。
实现中，第一商品所属的目标品类可以理解为第一商品的属性，它可代表第一商品的种类。可以理解的是，第一商品所属的目标品类下的商品可为多种。举例来说，第一商品可为A牌电动车，该第一商品所属的目标品类可为电动车，对应的，该目标品类下的商品可包括B牌电动车、C牌电动车等。
选品交互数据是指用户访问购物平台，进行搜索、浏览，最终购买商品并退出该类商品的选购界面，从搜索至退出选购界面的整个购买商品的交互过程。
需要说明的是，选品交互数据的获取方法可为多种，此处不作任何限定。举例来说，可通过采集用户的浏览商品网站的浏览记录来筛选获取。可选地，还可从商品网站的后台交易记录中来获取选品交互数据。
实现中，用户可能为有目标的购买，这种场景下，用户浏览的商品往往为同一种目标品类。可选地，用户还可能为无目的性的购买，在这种场景下，用户浏览的商品可能为不同的目标品类。
获取选品交互数据的方法可为多种，可选的，可通过用户终端安装的购物应用程序(Application，APP)将选品交互数据上传至服务器中，并由服务器进行采集存储。举例来说，该用户终端可为手机、平板电脑等。
可选的，用户还可通过访问购物平台进行购物生成选品交互数据，并由购物平台收集选品交互数据，然后上传至服务器中。需要说明的是，上述服务器为云服务器。
在本公开实施例中，采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据，多个选品交互数据为多个购买行为。
进一步地，在同一对话数据中，如果用户购买商品为第一商品，则说明第一商品与该对应对话数据中同一目标品类下的第二商品相比较，竞争力较强。
可选地，在同一对话数据中，如果用户购买的商品为第二商品，则说明该被购买的第二商品相较于第一商品存在优势。
S102,根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品。
实现中，每个选品交互数据中可包含多个商品，多个商品的目标品类可为不同的目标品类。因此，并非选品交互数据所有的商品都与第一商品存在竞争关系。
在本公开实施例中，可先确定第一商品的目标品类，然后通过该目标品类对每个选品交互数据中的商品进行筛选，确定每个选品交互数据中与第一商品存在竞争关系的第二商品。需要说明的是，两个商品存在竞争关系的前提条件是两个商品属于同一目标品类。举例来说，用户想购买电动车，应该浏览的商品为各种品牌的电动车，在同一对话中，如果用户也过浏览的商品为衣服，电动车与衣服之间并不存在竞争关系。
S103，基于属于同一选品交互数据的第一商品和第二商品各自的特征向量，生成同一选品交互数据对应的训练样本。
在本公开实施例中特征向量可以用来表征商品的特征和大小。可选地，可对商品的描述数据进行特征提取，以获取到商品的特征向量。
举例来说，A商品存在蓝色的特征向量，可根据特征向量的大小来确定蓝色的深浅，例如，特征向量中向量元素的取值越大，蓝色越深。
需要说明的是，特征向量可为多种，具体需要根据实际情况进行设定。
可以理解的是，同一目标品类的不同商品，有共同的特征向量，举例来说，当目标品类为月饼时，共同的特征向量可以为月饼的大小、口味、包装等。
进一步地，商品特征可包括静态特征和动态特征，举例来说，静态特征可包括功能、尺寸、颜色等，动态特征可包括价格、营销策略、用户评价等。
在本公开实施例中，可以基于第一商品和第二商品的共同的特征向量进行比较，来生成训练样本。
进一步地，由于第一商品与第二商品之间存在竞争关系，所以需要找出第一商品与第二商品的差异性，这样生成的训练样本，能够更加准确的分析第一商品相对于第二商品的优势和劣势。S104，基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型。
商品购买预测模型可为多种，举例来说，可为竞品(strengths weaknessesopportunities threats，SWOT)分析模型、策略(USE STOP EXPLOIT DEFEND，USED)分析模型等，此处不作任何限定，具体可根据实际情况进行限定。
在本公开实施例中，将训练样本输入商品购买预测模型后，可生成训练样本的预测概率，然后将训练样本的预测概率与训练参数通过商品购买预测模型的损失函数进行计算，生成损失值，再通过损失值对商品购买预测模型进行调整。将调整后的商品购买预测模型再按照上述步骤进行训练，直至满足训练结束条件，则生成目标商品购买预测模型。
可选的，当损失值达到损失阈值后，训练完成，生成目标商品购买预测模型。
可选地，还可以设定训练时长，响应于达到训练时长，训练完成，生成目标商品购买预测模型。
上述实施例中的损失函数为提前设定好的，例如，该损失函数可为铰链损失函数、交叉熵损失函数和指数损失函数等，具体可根据实际需要进行选定，此处不做任何限制。
S105，基于目标商品购买预测模型的模型参数，识别第一商品的特征信息中优势特征项和/或劣势特征项。
在本公开实施例中，通过将训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型，其中，目标商品购买预测模型的模型参数为多个，不同的模型参数在本公开实施例中对应商品不同的特征维度，可以用于反应特征维度的优劣情况。进而可以通过目标商品购买预测模型的模型参数，从第一商品多个特征信息中识别出优势特征项和/或劣势特征项。可以理解的是，商品特征信息中优势特征项为利于商品被售出的特征项，劣势特征项为不利于商品被售出的特征项。举例来说，苹果的味道可以为一个特征项，可以基于口感这个特征项对应的模型参数，来识别味道特征项的优劣势。可以理解的是，针对不同的群体、不同的商品优势特征项和/或劣势特征项可为不同，具体需要根据实际情况进行设定。可选地，在获取识别出优势特征项和/或劣势特征项之后，就可以更好地优化第一商品的特征信息，以更好地提升第一商品在同品类商品中的竞争力。
需要说明的是，上述特征信息可为多种，其中，可包括价格、优惠信息、包装、颜色等等。具体需要根据实际商品进行设定。
在本公开实施例中，首先获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据，然后根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品，而后基于属于同一选品交互数据的第一商品和第二商品，生成训练样本，再之后基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型，最后基于目标商品购买预测模型的模型参数，识别第一商品的优势特征项和/或劣势特征项。通过大数据挖掘的手段，针对性筛选出同品类且存在竞争关系的商品，进而构建出训练样本进行模型训练，进而通过模型精确分析出商品的优势特征项和/或劣势特征项，由此可以提高识别商品优势特征项和/或劣势特征项的准确度和效率，并通过优化商品的特征信息，提高商品的推送成功率。
作为一种可能的实现方式，从第一商品的特征信息识别优势特征项和/或劣势特征项的过程，包括：从目标商品购买预测模型的模型参数集中，获取第一商品的特征信息中不同特征维度对应的模型参数的取值，进一步地，识别模型参数的取值的正负性，本公开实施例中，响应于模型参数的取值为正值，将该取值为正值的特征维度确定为优势特征项；响应于模型参数的取值为负值，将该取值为负值的特征维度确定为劣势特征项。可通过建立模型，分析出商品的优势和劣势，为商品进行优化提供基础。
以价格特征维度为例，若价格特征维度的模型参数为负值，表明第一商品的价格特征为劣势特征，可以建议降低销售价格来提高客户购买本品的概率。若价格特征维度的模型参数为正值，表明第一商品的价格特征为优势特征，可以商品价格对商品能否出售影响正向的，可以保持或提升。
在上述实施例中，基于属于同一选品交互数据的，生成训练样本，可根据图2进一步解释，如图所示，该方法包括：
S201,获取属于同一选品交互数据的第一商品的第一特征向量和第二商品的第二特征向量。
在本公开实施例中，可对同一选品交互数据的第一商品和第二商品进行特征归一化处理，以生成第一商品的第一特征向量和第二商品的第二特征向量。
可选的，可对商品特征通过一位有效编码(one-hot)算法进行编码，编码后的特征用0和1进行表示。举例来说，可通过one-hot将商品的颜色特征转化为是否是红色、是否是黑色、是否为黄色三个特征，则当商品为黑色时，商品的颜色特征可表示为010。
S202，获取所述第一特征向量和所述第二特征向量之间的特征差异，并基于所述特征差异生成特征差异向量，作为所述同一选品交互数据对应的训练样本。
在本公开实施例中，可通过将第一特征向量和第二特征向量进行求差的方式，获取第一特征向量和第二特征向量的特征差异向量。
举例来说，XS为第一商品的特征向量，XA为第二商品的特征向量，则特征差异向量X的计算公式可为：
X＝XS-XA
在本公开实施例中，首先获取属于同一选品交互数据的第一商品的第一特征向量和第二商品的第二特征向量，然后获取第一特征向量和第二特征向量的特征差异向量，作为同一选品交互数据对应的训练样本。通过计算，可以通过对第一商品和第二商品样本的特征向量进行计算，得出第一商品和第二商品之间的特征差异，并为后续模型训练提供样本。
在本公开实施例中，响应于同一选品交互数据中的第一商品最终被购买，确定同一选品交互数据对应的训练样本为正样本；响应于第二商品中的一个商品最终被购买，确定同一选品交互数据对应的训练样本为负样本。
可选地，当训练样本为正样本时，将第一样本与同一选品交互数据中的每个第二样本进行一一匹配，并计算特征差异向量，作为训练样本进行训练。可选地，当训练样本为负样本时，将用户购买的第二商品与第一商品进行匹配，计算该第二商品与第一商品的特征差异向量，作为训练样本进行训练。
在本公开实施例中，根据样本的类型计算出样本的标签信息，可将对应的特征差异向量输入至商品购买预测模型中，以计算模型的损失函数。举例来说，当样本的类型为正样本时，则此选品交互数据的标签信息可标记为1，可选地，当样本的类型为负样本时，则此选品交互数据的标签信息可标记为0。进一步地，还可通过将模型参数和与对应特征维度上的特征取值的乘积，确定商品被购买概率。举例来说，商品被购买概率可通过以下公式进行计算：
其中，P为购买概率，θi是模型参数，xi是第i维样本特征，即 及分别第一商品及第二商品第i维特征的取值，/>表示第一商品及第二商品在第i个特征上的差异。需要说明的是θixi与用户购买本品的概率正相关，即θixi越大则用户越倾向于购买第一商品，反之则倾向于购买第二商品。
进一步地，通过标签信息与模型输出的概率，计算商品购买预测模型的损失函数，并通损失函数对商品购买预测模型进行调整，以生成目标商品购买预测模型。
上述实施例中，识别第一商品的特征信息中优势特征项和/或劣势特征项之后，还可通过图3进一步解释，如图所示，该方法包括：
S301，根据每个特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度。
在本公开实施例中，使用上述实施例中的训练样本，训练商品购买预测模型，训练完成后，可得到特征维度上的模型参数，该参数的大小代表对应特征维度在第一商品多个目标特征维度的重要程度。
举例说明，有10个特征维度可以从10个特征维度下，基于模型参数从10个特征维度下选取其中一个作为目标特征维度，例如，可以基于模型参数，对10个特征维度进行排序，排序后选取排位靠前的一个或者多个维度作为目标特征维度。再例如，可以基于模型参数，从10个特征维度下选取优势特征项所属维度，作为目标特征维度，再例如，可以基于模型参数，从10个特征维度下选取劣势特征项所属维度，作为目标特征维度。
具体地，可获取每个特征维度对应的模型参数的绝对值，并根据绝对值的大小，从所有特征维度中选取出至少一个目标特征维度。需要说明的是，模型参数绝对值越大说明对应的商品特征对用户购买本品的决策影响越大。
可选地，当模型参数大于0，说明该商品特征是第一商品的优势特征项，建议加强该特征项或者维持该特征项。
可选地，模型参数小于0说明该商品特征是第一商品的劣势特征项，建议改进该特征。
S302，基于目标特征维度，更新第一商品的特征信息。
举例来说，若目标特征维度对应的是价格特征项，在同一选品交互数据中，商品A的价格为1000元，商品B的价格为900元，当得出模型参数小于0时说明降低A价格能够提高客户购买本品的概率，建议降低销售价格，当模型参数大于0时，说明A商品价格对商品能否出售影响较小，可以保持。
作为一种可能的实现方式，针对每个目标特征维度，根据目标特征维度对应的目标特征项的优劣类型，确定目标特征项的调整方向，并根据调整方向对目标特征项进行调整，以更新第一商品的特征信息。
举例来说，第一商品的目标特征维度可包括颜色、价格、大小，当颜色的模型参数为正值，价格的模型参数为负值，大小的模型参数为负值，可以根据模型参数的取值的正负性，确定模型参数对应的特征项的优劣类型，其中，负值表示劣势特征项，正值表示优势特征项，进而可确定第一商品的价格和大小这两个特征项的调整方向为降低或优化，通过降低或优化这两个特征项来对第一商品的特征信息进行优化，同时，还可确定第一商品的颜色特征项的调整方向为维持或增强，通过增强该特征项优化第一商品的特征信息。
图4为本公开实施例的一个总体流程示意图，如图所示，首先采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据，然后获取第一特征向量和第二特征向量的特征差异，并基于特征差异生成特征差异向量，作为同一选品交互数据对应的训练样本，然后判断第一商品是否被购买，若被购买，则训练用本为正样本，若第一商品未被购买，则训练样本为负样本，而后将训练样本输入值商品购买预测模型中进行训练，并输出第一商品每个特征维度的特征参数，最后根据每个特征维度对应的模型参数θi的绝对值从所有特征维度中选取出至少一个目标特征维度，可选地，当θi小于0，则此特征维度为劣势特征项，建议优化或降低，可选地，当θi大于0，则此特征维度为优势特征项，建议维持或增强。
图5为本申请提出的一种商品的特征信息识别装置的示意图，如图5所示，该商品的特征信息识别装置500，包括：获取模块510、确定模块520、第一生成模块530、第二生成模块540和识别模块550。
其中，获取模块510，用于获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据；
确定模块520，用于根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品。
第一生成模块530，用于基于属于同一选品交互数据的第一商品和第二商品各自的特征向量，生成同一选品交互数据对应的训练样本。
第二生成模块540，用于基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型。
识别模块550，用于基于目标商品购买预测模型的模型参数，识别第一商品的特征信息中优势特征项和/或劣势特征项。
在本公开的一个实施例中，第一生成模块530，还用于：获取属于同一选品交互数据的第一商品的第一特征向量和第二商品的第二特征向量；获取第一特征向量和第二特征向量之间的特征差异，基于特征差异生成特征差异向量，作为同一选品交互数据对应的训练样本。
在本公开的一个实施例中，第一生成模块530，还用于：响应于同一选品交互数据中的第一商品最终被购买，确定同一选品交互数据对应的训练样本为正样本；响应于第二商品中的一个商品最终被购买，确定同一选品交互数据对应的训练样本为负样本。
在本公开的一个实施例中，第二生成模块540，还用于：获取模型参数与对应特征维度上的特征取值的乘积，并根据每个特征维度对应的乘积确定第一商品被购买的概率，其中，乘积与第一商品被购买概率成正相关。
在本公开的一个实施例中，识别模块550，还用于：获取特征信息中各特征维度对应的模型参数的取值；响应于取值为正值，将取值为正值的特征维度确定为优势特征项；响应于取值为负值，将取值为负值的特征维度确定为劣势特征项。。
在本公开的一个实施例中，识别模块550，还用于：根据每个特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度；基于目标特征维度，更新第一商品的特征信息。
在本公开的一个实施例中，识别模块550，还用于：获取每个特征维度对应的模型参数的绝对值，并根据绝对值的大小，从所有特征维度中选取出至少一个目标特征维度。
在本公开的一个实施例中，识别模块550，还用于：针对每个目标特征维度，根据目标特征维度对应的目标特征项的优劣类型，确定目标特征项的调整方向，并根据调整方向对目标特征项进行调整，以更新第一商品的特征信息。
在本公开实施例中，获取第一商品和第一商品所属的目标品类，并采集与第一商品相关且购买了目标品类下的任一商品的多个选品交互数据，然后根据每个选品交互数据，确定与第一商品存在竞争关系的第二商品，而后基于属于同一选品交互数据的第一商品和第二商品，生成训练样本，基于训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型，并基于目标商品购买预测模型的模型参数，识别第一商品的优势特征项和/或劣势特征项。由此，从选品交互数据中针对性筛选出同品类且存在竞争关系的商品，进而构建出训练样本进行模型训练，可以使得模型精确分析出商品的优势特征项和/或劣势特征项，从而通过优化商品的特征信息，提高商品的推送成功率和竞争力。为了实现上述实施例，本申请实施例还提出一种电子设备600，如图6所示，该电子设备600包括：处理器601和处理器通信连接的存储器602，存储器602存储有可被至少一个处理器执行的指令，指令被至少一个处理器601执行，以实现如本申请第一方面实施例的商品的特征信息识别方法。
为了实现上述实施例，本申请实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如本申请第一方面实施例的商品的特征信息识别方法。
为了实现上述实施例，本申请实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本申请第一方面实施例的商品的特征信息识别方法。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (19)
1.一种商品的特征信息识别方法，其特征在于，包括：
获取第一商品和所述第一商品所属的目标品类，并采集与所述第一商品相关且购买了所述目标品类下任一商品的多个选品交互数据；
根据每个所述选品交互数据，确定与所述第一商品存在竞争关系的第二商品；
基于所述第一商品和所述第二商品各自的特征向量，生成同一选品交互数据对应的训练样本，其中所述第一商品和所述第二商品属于所述同一选品交互数据；
基于所述训练样本对商品购买预测模型进行训练，以生成目标商品购买预测模型；
基于所述目标商品购买预测模型的模型参数，识别所述第一商品的特征信息中优势特征项和/或劣势特征项。
2.根据权利要求1所述的方法，其特征在于，所述基于属于同一选品交互数据的所述第一商品和所述第二商品各自的特征向量，生成所述同一选品交互数据对应的训练样本，包括：
获取属于所述同一选品交互数据的所述第一商品的第一特征向量和所述第二商品的第二特征向量；
获取所述第一特征向量和所述第二特征向量之间的特征差异，并基于所述特征差异生成特征差异向量，作为所述同一选品交互数据对应的训练样本。
3.根据权利要求1或2所述的方法，其特征在于，所述基于属于同一选品交互数据的所述第一商品和所述第二商品各自的特征向量，生成所述同一选品交互数据的训练样本，包括：
响应于所述同一选品交互数据中的所述第一商品最终被购买，确定所述同一选品交互数据对应的训练样本为正样本；
响应于所述第二商品中的一个商品最终被购买，确定所述同一选品交互数据对应的训练样本为负样本。
4.根据权利要求1或2所述的方法，其特征在于，所述目标商品购买预测模型用于在训练结束时输出所述第一商品被购买的概率，其中，所述模型参数集中包括每个特征维度对应的模型参数，所述方法还包括：
获取所述模型参数与对应特征维度上的特征取值的乘积，并根据每个特征维度对应的所述乘积确定所述第一商品被购买的概率，其中，所述乘积与所述第一商品被购买概率成正相关。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标商品购买预测模型的模型参数，识别所述第一商品的特征信息中优势特征项和/或劣势特征项，包括：
获取所述特征信息中各特征维度对应的模型参数的取值；
响应于所述取值为正值，将所述取值为正值的特征维度确定为优势特征项；
响应于所述取值为负值，将所述取值为负值的特征维度确定为劣势特征项。
6.根据权利要求5所述的方法，其特征在于，所述识别所述第一商品的特征信息中优势特征项和/或劣势特征项之后，还包括：
根据每个所述特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度；
基于所述目标特征维度，更新所述第一商品的特征信息。
7.根据权利要求6所述的方法，其特征在于，所述根据每个所述特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度，包括：
获取每个所述特征维度对应的模型参数的绝对值，并根据所述绝对值的大小，从所有特征维度中选取出至少一个所述目标特征维度。
8.根据权利要求7所述的方法，其特征在于，所述基于所述目标特征维度，更新所述第一商品的特征信息，包括：
针对每个所述目标特征维度，根据所述目标特征维度对应的目标特征性的优劣类型，确定所述目标特征项的调整方向；
根据所述调整方向对所述目标特征项进行调整，以更新所述第一商品的特征信息。
9.一种商品的特征信息识别装置，其特征在于，包括：
获取模块，用于获取第一商品和所述第一商品所属的目标品类，并采集与所述第一商品相关且购买了所述目标品类下的任一商品的多个选品交互数据；
确定模块，用于根据每个所述选品交互数据，确定与所述第一商品存在竞争关系的第二商品；
第一生成模块，用于基于所述第一商品和所述第二商品各自的特征向量，生成同一选品交互数据对应的训练样本，其中所述第一商品和所述第二商品属于所述同一选品交互数据；
识别模块，用于基于所述目标商品购买预测模型的模型参数，识别所述第一商品的特征信息中优势特征项和/或劣势特征项。
10.根据权利要求9所述的装置，其特征在于，所述第一生成模块，还用于：
获取属于所述同一选品交互数据的所述第一商品的第一特征向量和所述第二商品的第二特征向量；
获取所述第一特征向量和所述第二特征向量之间的特征差异，基于所述特征差异生成特征差异向量，作为所述同一选品交互数据对应的训练样本。
11.根据权利要求9或10所述的装置，其特征在于，所述第一生成模块，还用于：
响应于所述同一选品交互数据中的所述第一商品最终被购买，确定所述同一选品交互数据对应的训练样本为正样本；
响应于所述第二商品中的一个商品最终被购买，确定所述同一选品交互数据对应的训练样本为负样本。
12.根据权利要求9或10所述的装置，其特征在于，所述第二生成模块，还用于：
获取所述模型参数与对应特征维度上的特征取值的乘积，并根据每个特征维度对应的所述乘积确定所述第一商品被购买的概率，其中，所述乘积与所述第一商品被购买概率成正相关。
13.根据权利要求9所述的方法，其特征在于，所述识别模块，还用于：
获取所述特征信息中各特征维度对应的模型参数的取值；
响应于所述取值为正值，将所述取值为正值的特征维度确定为优势特征项；
响应于所述取值为负值，将所述取值为负值的特征维度确定为劣势特征项。
14.根据权利要求13所述的装置，其特征在于，所述识别模块，还用于：
根据每个所述特征维度对应的模型参数，从所有特征维度中选取出至少一个待调整的目标特征维度；
基于所述目标特征维度，更新所述第一商品的特征信息。
15.根据权利要求14所述的装置，其特征在于，所述识别模块，还用于：
获取每个所述特征维度对应的模型参数的绝对值，并根据所述绝对值的大小，从所有特征维度中选取出至少一个所述目标特征维度。
16.根据权利要求15所述的装置，其特征在于，所述识别模块，还用于：
针对每个所述目标特征维度，根据所述目标特征维度对应的目标特征项的优劣类型，确定所述目标特征项的调整方向，并根据所述调整方向对所述目标特征项进行调整，以更新所述第一商品的特征信息。
17.一种电子设备，其特征在于，包括存储器、处理器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-8中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071552.6A CN116523548A (zh) | 2022-01-21 | 2022-01-21 | 商品的特征信息识别方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071552.6A CN116523548A (zh) | 2022-01-21 | 2022-01-21 | 商品的特征信息识别方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523548A true CN116523548A (zh) | 2023-08-01 |
Family
ID=87406846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210071552.6A Pending CN116523548A (zh) | 2022-01-21 | 2022-01-21 | 商品的特征信息识别方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523548A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777502A (zh) * | 2023-08-23 | 2023-09-19 | 苏州极易科技股份有限公司 | 基于市场渗透率的竞品价格确定方法、装置、设备及介质 |
| CN117455632A (zh) * | 2023-12-25 | 2024-01-26 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
-
2022
- 2022-01-21 CN CN202210071552.6A patent/CN116523548A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777502A (zh) * | 2023-08-23 | 2023-09-19 | 苏州极易科技股份有限公司 | 基于市场渗透率的竞品价格确定方法、装置、设备及介质 |
| CN116777502B (zh) * | 2023-08-23 | 2024-02-27 | 苏州极易科技股份有限公司 | 基于市场渗透率的竞品价格确定方法、装置、设备及介质 |
| CN117455632A (zh) * | 2023-12-25 | 2024-01-26 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
| CN117455632B (zh) * | 2023-12-25 | 2024-03-15 | 厦门蝉羽网络科技有限公司 | 一种基于大数据的电商选品分析管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
| CN107169806B (zh) | 用于确定商品属性对于购买决策的影响度的方法及装置 | |
| US11295367B2 (en) | System for in-store consumer behaviour event metadata aggregation, data verification and the artificial intelligence analysis thereof for data interpretation and associated action triggering | |
| TW201812689A (zh) | 惡意地址／惡意訂單的識別系統、方法及裝置 | |
| CN116523548A (zh) | 商品的特征信息识别方法及其装置 | |
| US20140278795A1 (en) | Systems and methods to predict purchasing behavior | |
| CN108230009B (zh) | 一种用户偏好的预测方法及装置，电子设备 | |
| US20160189173A1 (en) | Methods and apparatus to predict attitudes of consumers | |
| CN109961351B (zh) | 信息推荐方法、装置、存储介质及计算机设备 | |
| CN109300014B (zh) | 基于日志挖掘的商品推荐方法、装置、服务器及存储介质 | |
| US11087396B1 (en) | Context aware predictive activity evaluation | |
| US20220215453A1 (en) | Methods and apparatus for automatically detecting data attacks using machine learning processes | |
| CN111899068A (zh) | 商品导购方法、装置、存储介质及计算机设备 | |
| KR20200081050A (ko) | O2o 기반 유통기한임박 상품 할인 서비스 제공 방법 | |
| CN112884542A (zh) | 商品推荐方法和装置 | |
| CN112132618A (zh) | 一种商品价格确定方法、装置、设备及可读存储介质 | |
| CN117391820A (zh) | 一种SaaS服务综合管理方法及系统 | |
| CN110263132B (zh) | 项目案件推送方法以及装置 | |
| CN115082153A (zh) | 一种商家质量评价方法、装置、电子设备及存储介质 | |
| CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
| CN110633919A (zh) | 经营实体的评估方法及其装置 | |
| CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
| CN115511582B (zh) | 一种基于人工智能的商品推荐系统及方法 | |
| KR102499688B1 (ko) | 빅데이터 기반의 이커머스 상품 판매 스토어 관리 서버 및 이의 상품평가정보 통합 제공 서비스 방법 | |
| CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |