CN116911715B - 一种基于人工智能的物流识别分配机器人及其控制方法 - Google Patents
一种基于人工智能的物流识别分配机器人及其控制方法 Download PDFInfo
- Publication number
- CN116911715B CN116911715B CN202311169544.6A CN202311169544A CN116911715B CN 116911715 B CN116911715 B CN 116911715B CN 202311169544 A CN202311169544 A CN 202311169544A CN 116911715 B CN116911715 B CN 116911715B
- Authority
- CN
- China
- Prior art keywords
- commodity
- data
- information
- user
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于人工智能的物流识别分配机器人及其控制方法,以解决现有电商平台中用户需要手动输入配送地址的问题。该机器人主要包含数据收集模块、数据处理模块、数据融合模块和地址生成模块。数据收集模块收集商品信息和关联用户信息;数据处理模块对收集到的数据进行清洗和特征工程;数据融合模块利用BERT模型将商品信息和关联用户信息进行融合;地址生成模块最后利用GPT模型根据融合信息为商品生成配送地址。
Description
技术领域
本发明属于电子商务和人工智能技术交叉领域,尤其是关于使用人工智能模型进行物流分配和地址生成。具体而言,本发明涉及一种基于人工智能的物流识别分配机器人及其控制方法。
背景技术
在当前的电商平台,用户在购买商品时往往需要手动填写或选择已经存储在电商平台中的配送地址,这一过程存在几个主要问题。首先,手动输入地址不仅耗时,还可能导致因为错误填写而引发的配送问题。其次,对于多个商品可能需要不同配送地址的场景,用户需要重复进行地址选择的操作,这极大地降低了购物体验。例如用户可能希望将办公用品配送到公司地址,将日杂用品配送到住宅地址。同时,对于电商平台的新用户,由于该平台并未存储其可能的配送地址,新用户不得不在购买商品后手动填写配送地址。
随着人工智能技术的迅猛发展,尤其是深度学习和自然语言处理领域的突破,人工智能已经在多个行业中取得了显著的应用成果。特别是在电商和物流行业,人工智能技术不仅能优化商品推荐,还能提高仓库管理和物流配送的效率。算法能够处理大量复杂数据,自动化地解决诸如库存管理、需求预测、最优路径规划等问题,从而大大提高了整体运营效率和用户体验。
BERT是一种先进的自然语言处理模型,它通过双向Transformer编码器来理解数据,从而获取数据蕴含的深层次信息,在本申请中其被用作用来捕捉收集到的数据的深层次信息。
GPT则是一个以生成文本为主要功能的模型。与BERT不同,GPT使用单向Transformer作为其编码器,并专注于从给定的上下文中生成接下来的文本。GPT模型具有强大的自然语言生成能力,包括但不限于文本摘要、机器翻译、以及自然语言对话等应用场景。其高度灵活和生成能力使得GPT模型在处理多样和复杂的文本生成任务时表现出色,在本申请中其被用作生成地址的模型;
鉴于BERT的深层表达能力和GPT的文本生成能力,本申请旨在联合BERT和GPT来自动为用户生成配送地址,通过BERT将商品本身的信息和关联用户的信息结合起来以解决或部分解决用户在电商平台购物的时候需要手动输入或者选择配送地址的问题。
发明内容
本发明提出了一种基于人工智能的物流识别分配机器人及其控制方法,以解决背景技术部分提出的现有技术中的问题。
为了实现上述目的,本发明提出了一种基于人工智能的物流识别分配机器人,其特征在于,所述机器人包括如下模块:
数据收集模块,用以收集用户所购商品信息以及关联用户信息;
所述商品信息包括商品名称、商品描述、商品价格、商品评论、商品评分,商品类别,商品折扣信息;
所述关联用户信息包括关联用户的用户名,配送地址,配送电话号码,配送商品信息,所述配送商品信息包括配送商品的商品名称、商品描述、商品价格、商品评论、商品评分,商品类别,商品折扣信息;
其通过如下步骤完成数据收集:
步骤1: 商品信息收集:所述商品信息收集包括从数据库或其他数据源抓取用户所购商品的名称、描述、价格、评论、评分、类别和折扣信息;
步骤2:关联用户识别:所述关联用户识别包括运行特定方法来找出与当前用户有关联的其他用户,这些关联通常是基于共同购买的商品或交叉参考的联系信息;
步骤3: 关联用户信息收集:所述关联用户信息收集包括从数据库或其他数据源获取与当前用户有关联的其他用户的用户名、配送地址、配送电话号码;
步骤4: 关联用户商品信息收集:所述关联用户商品信息收集包括获取关联用户购买的商品的名称、描述、价格、评论、评分、类别和折扣信息;
步骤5: 数据整合:所述数据整合包括将所有收集到的商品信息和关联用户信息整合到一个统一的数据结构中,以便进行后续处理和分析。
数据处理模块,用以处理数据收集模块整合的数据;
其处理过程包括如下步骤:
步骤1: 数据清洗:所述数据清洗包括去除或修正数据集中的不一致性、缺失值或明显的错误数据;
步骤2: 文本预处理:所述文本预处理包括对商品描述、评论和其他文本字段进行去除停用词和分词;
步骤3: 数据特征工程:使用word2vec生成上述分词的词嵌入。
数据融合模块:用以将商品信息和关联用户信息通过BERT融合在一起得到深层次信息;
其融合步骤如下:
步骤1: BERT模型配置和初始化:所述BERT模型配置和初始化包括选择预训练的BERT模型,配置模型参数如层数、隐藏单元数量和头数,然后进行模型的初始化;
其具体包括:
步骤1.1:加载预训练的BERT模型:获取存储有预训练权重的BERT模型;
步骤1.2: 参数配置:设置BERT模型的配置参数,包括学习率、批大小和优化器类型;
步骤1.3:初始化模型:在配置完所有必要参数后,进行BERT模型的初始化;
步骤2:将数据处理模块得到的词嵌入输入所述BERT模型中,得到融合了商品信息和关联用户信息的融合嵌入;
具体包括:
步骤2.1: 将商品信息和关联用户信息的词嵌入平行输入到BERT模型;
步骤2.2: 进行前向传播计算,通过BERT模型的多层Transformer网络结构;
步骤2.3:从BERT模型的输出层获取融合后的融合嵌入。
地址生成模块,用以将数据融合模块输出的融合向量输入训练好的GPT模型,为用户购买的不同商品生成不同的地址;
其地址生成过程包括如下步骤:
步骤1: GPT模型准备和配置:所述GPT模型准备和配置包括选择预训练的GPT模型,并配置该模型的参数,包括层数、隐藏单元数量和头数;
步骤2:地址生成策略配置:所述地址生成策略配置包括设置生成地址的约束条件,如最大生成长度、生成温度(控制生成文本的多样性)和其他必要的生成策略 ;
步骤3: 地址生成执行:所述地址生成执行包括将所述融合向量和生成策略输入到GPT模型,生成最终的配送地址。
本发明还提供了一种基于人工智能的物流识别分配机器人的控制方法,其特征在于,所述控制方法包括如下步骤:
步骤1:商品数据及关联用户数据收集;
具体包括:
步骤1.1:商品信息收集,从数据库或其他数据源抓取用户所购商品的名称、描述、价格、评论、评分、类别和折扣信息。
步骤1.2:关联用户识别,运行特定方法来找出与当前用户有关联的其他用户,这些关联通常是基于共同购买的商品或交叉参考的联系信息。
步骤1.3:关联用户信息收集,从数据库或其他数据源获取与当前用户有关联的其他用户的用户名、配送地址、配送电话号码。
步骤1.4:关联用户商品信息收集,获取关联用户购买的商品的名称、描述、价格、评论、评分、类别和折扣信息。
步骤1.5:数据整合,将所有收集到的商品信息和关联用户信息整合到一个统一的数据结构中,以便进行后续处理和分析。
步骤2:处理根据步骤1收集得到的商品数据和关联用户数据;
具体包括:
步骤2.1:数据清洗,去除或修正数据集中的不一致性、缺失值或明显的错误数据。
步骤2.2:文本预处理,对商品描述、评论和其他文本字段进行去除停用词和分词。
步骤2.3:数据特征工程,使用word2vec生成上述分词的词嵌入。
步骤3:融合步骤2中处理完毕的商品数据和关联用户数数据;
具体包括:
步骤3.1:BERT模型配置和初始化,选择预训练的BERT模型,配置模型参数如层数、隐藏单元数量和头数,然后进行模型的初始化。
步骤3.2:数据输入,将数据处理模块得到的词嵌入输入所述BERT模型中,得到融合了商品信息和关联用户信息的融合嵌入。
步骤4:根据步骤3的结果,为每种商品生成配送地址;
具体包括:
步骤4.1:GPT模型准备和配置,选择预训练的GPT模型,并配置该模型的参数,包括层数、隐藏单元数量和头数。
步骤4.2:地址生成策略配置,设置生成地址的约束条件,如最大生成长度、生成温度(控制生成文本的多样性)和其他必要的生成策略。
步骤4.3:地址生成执行,将所述融合向量和生成策略输入到GPT模型,生成最终的配送地址。
附图说明
图1是本发明提供的一种基于人工智能的物流识别分配机器人控制方法的流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式,如图1所示,本发明提供的一种基于人工智能的物流识别分配机器人控制方法包括如下步骤:
步骤1:商品数据及关联用户数据收集;
具体包括:
步骤1.1:商品信息收集,从数据库或其他数据源抓取用户所购商品的名称、描述、价格、评论、评分、类别和折扣信息。
步骤1.2:关联用户识别,运行特定方法来找出与当前用户有关联的其他用户,这些关联通常是基于共同购买的商品或交叉参考的联系信息;其中一种可能的关联用户确定方法根据当前用户的注册联系方式来确定关联用户。例如,当前用户A通过手机号码注册了电商平台的账户,平台的注册用户B的商品配送电话包括当前用户A的注册手机号码,那么用户B可以确定为当前用户A的关联用户;
步骤1.3:关联用户信息收集,从数据库或其他数据源获取与当前用户有关联的其他用户的用户名、配送地址、配送电话号码。
步骤1.4:关联用户商品信息收集,获取关联用户购买的商品的名称、描述、价格、评论、评分、类别和折扣信息。
步骤1.5:数据整合,将所有收集到的商品信息和关联用户信息整合到一个统一的数据结构中,以便进行后续处理和分析。
步骤2:处理根据步骤1收集得到的商品数据和关联用户数据;
具体包括:
步骤2.1:数据清洗,去除或修正数据集中的不一致性、缺失值或明显的错误数据。
步骤2.2:文本预处理,对商品描述、评论和其他文本字段进行去除停用词和分词。
步骤2.3:数据特征工程,使用word2vec生成上述分词的词嵌入。
步骤3:融合步骤2中处理完毕的商品数据和关联用户数数据;
具体包括:
步骤3.1:BERT模型配置和初始化,选择预训练的BERT模型,配置模型参数如层数、隐藏单元数量和头数,然后进行模型的初始化。
步骤3.2:数据输入,将数据处理模块得到的词嵌入输入所述BERT模型中,得到融合了商品信息和关联用户信息的融合嵌入。
其中一种可能的代码实现如下:
步骤4:根据步骤3的结果,为每种商品生成配送地址;
具体包括:
步骤4.1:GPT模型准备和配置,选择预训练的GPT模型,并配置该模型的参数,包括层数、隐藏单元数量和头数。
步骤4.2:地址生成策略配置,设置生成地址的约束条件,如最大生成长度、生成温度(控制生成文本的多样性)和其他必要的生成策略。
步骤4.3:地址生成执行,将所述融合向量和生成策略输入到GPT模型,生成最终的配送地址。
其中一种可能的代码如下所示:
与现有技术相比,本发明的有益效果如下:
本发明的创新之处主要体现在两个方面。第一方面:利用了BERT和GPT模型来自动为用户的不同商品分配不同的物流地址。第二:创新性地利用BERT融合了商品本身的信息和关联用户的信息,统一成具备深层信息的融合向量并且输入到GPT模型当中,这样在利用GPT模型自动为用户生成地址的时候就可以不用考虑其是新用户或者老用户,对于新老用户一视同仁,极大地提升了用户体验。
需要声明的是,除了上述实施例之外,任何对于本发明的合理更变均应该被视为本发明的要求保护的范围之中。
Claims (4)
1.一种基于人工智能的物流识别分配机器人,其特征在于,所述机器人包括如下模块:
数据收集模块,用以收集用户所购商品信息以及关联用户信息,具体包括如下步骤:
步骤1.1:商品信息收集:所述商品信息收集包括从数据库或其他数据源抓取用户所购商品的名称、描述、价格、评论、评分、类别和折扣信息;
步骤1.2:关联用户识别:所述关联用户识别包括运行特定方法来找出与当前用户有关联的其他用户,这些关联是基于共同购买的商品或交叉参考的联系信息;
步骤1.3:关联用户信息收集:所述关联用户信息收集包括从数据库或其他数据源获取与当前用户有关联的其他用户的用户名、配送地址、配送电话号码;
步骤1.4:关联用户商品信息收集:所述关联用户商品信息收集包括获取关联用户购买的商品的名称、描述、价格、评论、评分、类别和折扣信息;
步骤1.5:数据整合:所述数据整合包括将所有收集到的商品信息和关联用户信息整合到一个统一的数据结构中,以便进行后续处理和分析;
数据处理模块,用以处理数据收集模块收集的商品信息及用户关联信息;
数据融合模块,用以将商品信息和关联用户信息通过BERT融合在一起得到融合向量,具体包括如下步骤:
步骤3.1:BERT模型配置和初始化:所述BERT模型配置和初始化包括选择预训练的BERT模型,配置模型参数,包括层数、隐藏单元数量和头数,然后进行模型的初始化;
步骤3.2:将数据处理模块得到的词嵌入输入所述BERT模型中,得到融合了商品信息和关联用户信息的融合嵌入;
地址生成模块,用以将数据融合模块输出的融合向量输入训练好的GPT模型,为用户购买的不同商品生成不同的地址,具体包括如下步骤:
步骤4.1:GPT模型准备和配置:所述GPT模型准备和配置包括选择预训练的GPT模型,并配置该模型的参数,包括层数、隐藏单元数量和头数;
步骤4.2:地址生成策略配置:所述地址生成策略配置包括设置生成地址的约束条件,至少包括最大生成长度和生成温度;
步骤4.3:地址生成执行:所述地址生成执行包括将所述融合向量和生成策略输入到GPT模型,生成最终的配送地址。
2.根据权利要求1所述的基于人工智能的物流识别分配机器人,其特征在于,所述商品信息包括商品名称、商品描述、商品价格、商品评论、商品评分,商品类别,商品折扣信息;
所述关联用户信息包括关联用户的用户名,配送地址,配送电话号码,配送商品信息,所述配送商品信息包括配送商品的商品名称、商品描述、商品价格、商品评论、商品评分,商品类别,商品折扣信息。
3.根据权利要求1所述的基于人工智能的物流识别分配机器人,其特征在于,所述数据处理模块处理过程包括如下步骤:
步骤2.1:数据清洗:所述数据清洗包括去除或修正数据集中的不一致性、缺失值或明显的错误数据;
步骤2.2:文本预处理:所述文本预处理包括对商品描述、评论和其他文本字段进行去除停用词和分词;
步骤2.3:数据特征工程:使用word2vec生成上述分词的词嵌入。
4.一种基于人工智能的物流识别分配机器人控制方法,其特征在于,所述控制方法应用于权利要求1所述的机器人,具体包括如下步骤:
步骤1:商品数据及关联用户数据收集;
步骤2:处理根据步骤1收集得到的商品数据和关联用户数据;
步骤3:融合步骤2中处理完毕的商品数据和关联用户数据;
步骤4:根据步骤3的结果,为每种商品生成配送地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169544.6A CN116911715B (zh) | 2023-09-12 | 2023-09-12 | 一种基于人工智能的物流识别分配机器人及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169544.6A CN116911715B (zh) | 2023-09-12 | 2023-09-12 | 一种基于人工智能的物流识别分配机器人及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911715A CN116911715A (zh) | 2023-10-20 |
CN116911715B true CN116911715B (zh) | 2023-12-08 |
Family
ID=88358737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311169544.6A Active CN116911715B (zh) | 2023-09-12 | 2023-09-12 | 一种基于人工智能的物流识别分配机器人及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911715B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297551A (zh) * | 2012-02-29 | 2013-09-11 | 腾讯科技(深圳)有限公司 | 自动获取地址的方法、服务器和系统 |
CN105630804A (zh) * | 2014-10-31 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 一种确定关联地址的方法及装置 |
CN113378552A (zh) * | 2021-07-06 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于多模态gpt2模型的商品标题生成方法 |
CN113590893A (zh) * | 2021-06-22 | 2021-11-02 | 阿里巴巴新加坡控股有限公司 | 控制方法、显示方法及电子设备 |
CN114020921A (zh) * | 2021-12-17 | 2022-02-08 | 成都数联云算科技有限公司 | 文本处理方法、装置、设备及存储介质 |
CN114610935A (zh) * | 2022-05-12 | 2022-06-10 | 之江实验室 | 一种文本控制图像风格的语义图像合成的方法及系统 |
US11657307B1 (en) * | 2019-11-27 | 2023-05-23 | Amazon Technologies, Inc. | Data lake-based text generation and data augmentation for machine learning training |
CN116521990A (zh) * | 2023-04-18 | 2023-08-01 | 微梦创科网络科技(中国)有限公司 | 物料处理的方法、装置、电子设备和计算机可读介质 |
CN116595023A (zh) * | 2023-05-31 | 2023-08-15 | 平安科技(深圳)有限公司 | 地址信息的更新方法和装置、电子设备及存储介质 |
CN116701734A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市智慧城市科技发展集团有限公司 | 地址文本的处理方法、设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259561A1 (en) * | 2008-04-15 | 2009-10-15 | Donald Robert Martin Boys | Method and System for Correlation of Product Quantities to Multiple Ship-to Addresses for a Single Online Order |
US11397861B2 (en) * | 2020-07-22 | 2022-07-26 | Pandemic Insights, Inc. | Privacy-protecting pandemic-bio-surveillance multi pathogen systems |
-
2023
- 2023-09-12 CN CN202311169544.6A patent/CN116911715B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297551A (zh) * | 2012-02-29 | 2013-09-11 | 腾讯科技(深圳)有限公司 | 自动获取地址的方法、服务器和系统 |
CN105630804A (zh) * | 2014-10-31 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 一种确定关联地址的方法及装置 |
US11657307B1 (en) * | 2019-11-27 | 2023-05-23 | Amazon Technologies, Inc. | Data lake-based text generation and data augmentation for machine learning training |
CN113590893A (zh) * | 2021-06-22 | 2021-11-02 | 阿里巴巴新加坡控股有限公司 | 控制方法、显示方法及电子设备 |
CN113378552A (zh) * | 2021-07-06 | 2021-09-10 | 焦点科技股份有限公司 | 一种基于多模态gpt2模型的商品标题生成方法 |
CN114020921A (zh) * | 2021-12-17 | 2022-02-08 | 成都数联云算科技有限公司 | 文本处理方法、装置、设备及存储介质 |
CN114610935A (zh) * | 2022-05-12 | 2022-06-10 | 之江实验室 | 一种文本控制图像风格的语义图像合成的方法及系统 |
CN116521990A (zh) * | 2023-04-18 | 2023-08-01 | 微梦创科网络科技(中国)有限公司 | 物料处理的方法、装置、电子设备和计算机可读介质 |
CN116595023A (zh) * | 2023-05-31 | 2023-08-15 | 平安科技(深圳)有限公司 | 地址信息的更新方法和装置、电子设备及存储介质 |
CN116701734A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市智慧城市科技发展集团有限公司 | 地址文本的处理方法、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116911715A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492104B (zh) | 意图分类模型的训练方法、分类方法、系统、设备和介质 | |
CN110276495A (zh) | 基于人工智能的商品订购方法、装置、计算机和存储介质 | |
CN108920665B (zh) | 基于网络结构和评论文本的推荐评分方法及装置 | |
CN107301229A (zh) | 基于语义分析的反馈指派方法及系统 | |
CN116128461B (zh) | 一种用于在线招聘的双向推荐系统及方法 | |
US20140324908A1 (en) | Method and system for increasing accuracy and completeness of acquired data | |
CN112085565A (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
Moon et al. | An agent-based recommender system for developing customized families of products | |
CN110796416A (zh) | 一种基于工业联网订单处理方法及计算机存储介质 | |
Yuan et al. | Research on technologies and application of data mining for cloud manufacturing resource services | |
CN114565429B (zh) | 一种基于语义图模型的智能供应商匹配方法 | |
Zheng et al. | Supplier selection problem for multiple projects with uncertain demand and project life cycles | |
CN116911715B (zh) | 一种基于人工智能的物流识别分配机器人及其控制方法 | |
CN114418602B (zh) | 一种基于需求预测的在线零售商产品库存决策方法和系统 | |
CN108984777A (zh) | 客户服务方法、装置和计算机可读存储介质 | |
CN116433799B (zh) | 一种基于语义相似度和子图匹配的流程图生成方法和装置 | |
CN113283222A (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
Vavliakis et al. | Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models. | |
CN111309770A (zh) | 一种基于无监督机器学习的自动生成规则系统及方法 | |
US11935001B2 (en) | Computer aided design assembly part scraping | |
Tu et al. | Computer-aided customer interface for rapid product development | |
CN116127204B (zh) | 多视角用户画像方法、多视角用户画像系统、设备和介质 | |
Wang et al. | Pivoting Retail Supply Chain with Deep Generative Techniques: Taxonomy, Survey and Insights | |
JP6886935B2 (ja) | データ分析支援システムおよびデータ分析支援方法 | |
CN113642302A (zh) | 文本填充模型的训练方法及装置、文本处理方法及装置 |
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 |