CN117333246A - 物品信息发送方法、模型生成方法、装置、设备和介质 - Google Patents
物品信息发送方法、模型生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117333246A CN117333246A CN202210722462.9A CN202210722462A CN117333246A CN 117333246 A CN117333246 A CN 117333246A CN 202210722462 A CN202210722462 A CN 202210722462A CN 117333246 A CN117333246 A CN 117333246A
- Authority
- CN
- China
- Prior art keywords
- order
- target
- network
- information
- predicted
- 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 76
- 238000012216 screening Methods 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了物品信息发送方法、模型生成方法、装置、设备和介质。该方法的一具体实施方式包括:对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别;根据待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;对于分类订单组集合中的每个分类订单组,确定分类订单组对应的至少一个目标物品,得到目标物品信息;将得到的目标物品信息集合中的每个目标物品信息发送至目标物品信息对应的至少一个目标站点的信息接收终端。该实施方式与大数据有关,提高了物品信息生成的准确率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物品信息发送方法、模型生成方法、装置、设备和介质。
背景技术
物品信息发送是发送用于对站点进行推荐的物品信息的一种技术。在发送物品信息时,通常采用的方式为:首先,对单个站点的历史数据进行预测,以生成物品信息。然后,将物品信息发送至站点的接收终端。
然而,当采用上述方式生成物品信息时,经常会存在如下技术问题:
由于新增站点和小型站点的历史数据较少,根据单个站点的历史数据进行预测,会导致预测结果不准确,进而导致生成物品信息的准确率低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物品信息发送方法、模型生成方法、装置、设备和介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种物品信息发送方法,该方法包括:对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单;根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息;将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。
可选的,在上述对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别之前:获取初始订单集合;根据上述初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成上述待预测订单集合。
可选的,上述对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息:确定上述分类订单组对应的至少一个物品的数量;将物品数量大于第一目标数量的物品确定为目标物品,得到上述目标物品信息。
可选的,在上述将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端之前:获取站点库存信息集合;对于上述目标物品信息集合中的目标物品信息,将上述站点库存信息集合中满足第二目标条件的站点库存信息对应的站点,确定为上述目标物品信息对应的目标站点。
第二方面,本公开的一些实施例提供了一种物品信息发送装置,装置包括:信息输入单元,被配置成对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单;信息生成单元,被配置成根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;信息确定单元,被配置成对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息;信息发送单元,被配置成将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。
可选的,在上述对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别之前:获取初始订单集合;根据上述初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成上述待预测订单集合。
可选的,上述信息确定单元被进一步配置成:确定上述分类订单组对应的至少一个物品的数量;将物品数量大于第一目标数量的物品确定为目标物品,得到上述目标物品信息。
可选的,在上述将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端之前:获取站点库存信息集合;对于上述目标物品信息集合中的目标物品信息,将上述站点库存信息集合中满足第二目标条件的站点库存信息对应的站点,确定为上述目标物品信息对应的目标站点。
第三方面,本公开的一些实施例提供了一种物品类别预测模型生成方法,该方法包括:获取样本订单集合和初始物品类别预测模型,其中,上述初始物品类别预测模型包括至少一个网络;将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,上述筛选条件为上述维度与上述样本订单对应的物品类别之间的相关系数大于目标系数值;确定上述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别;基于目标样本集合,分别确定上述至少一个网络中各个网络的预测指标;基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型。
可选的,上述基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型:对上述至少一个网络中的每个网络对应的预测指标进行变换处理,得到上述网络对应的归一化准确率;将上述至少一个网络中的每个网络对应的归一化准确率确定为上述网络的权重,得到上述物品类别预测模型。
可选的,上述将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合:对上述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行相关性测试,得到每个维度的相关系数;将满足筛选条件的维度确定为特征维度,得到特征维度集合。
第四方面,本公开的一些实施例提供了一种物品类别预测模型生成装置,装置包括:获取单元,被配置成获取样本订单集合和初始物品类别预测模型,其中,上述初始物品类别预测模型包括至少一个网络;维度确定单元,被配置成将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,上述筛选条件为上述维度与上述样本订单对应的物品类别之间的相关系数大于目标系数值;样本确定单元,被配置成确定上述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别;指标确定单元,被配置成基于目标样本集合,分别确定上述至少一个网络中各个网络的预测指标;权重确定单元,被配置成基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型。
可选的,上述权重确定单元被进一步配置成:对上述至少一个网络中的每个网络对应的预测指标进行变换处理,得到上述网络对应的归一化准确率;将上述至少一个网络中的每个网络对应的归一化准确率确定为上述网络的权重,得到上述物品类别预测模型。
可选的,上述维度确定单元被进一步配置成:对上述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行相关性测试,得到每个维度的相关系数;将满足筛选条件的维度确定为特征维度,得到特征维度集合。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面、第三方面任一实现方式所描述的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面、第三方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的物品信息发送方法,能够提高新增站点和小型站点的物品信息生成的准确率。具体来说,造成生成物品信息准确率低的原因在于:由于新增站点和小型站点的历史数据较少,根据单个站点的历史数据进行预测,会导致预测结果不准确,进而导致生成物品信息的准确率低。基于此,本公开的一些实施例的物品信息发送方法包括:首先,对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单。由于上述待预测订单集合中包括至少一个站点的待预测订单,解决了新增站点和小型站点的历史数据较少,导致预测结果不准确的问题。实际情况中,不同物品往往对应不同的类别,因此,需要利用上述物品类别预测模型,确定不同订单中的物品对应的物品类别,以便对订单进行分类。然后,根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合。接着,对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息。由此,针对不同类别的订单,确定对应的物品信息,进一步提高物品信息生成的准确率。最后,将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。由此,实现了根据至少一个站点的订单生成物品信息,然后根据物品信息向对应的站点进行物品推荐,提高物品信息生成的准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的物品信息发送方法的一个应用场景的示意图;
图2是根据本公开的物品信息发送方法的一些实施例的流程图;
图3是根据本公开的物品信息发送方法的另一些实施例的流程图;
图4是根据本公开的物品信息发送装置的一些实施例的结构示意图;
图5是根据本公开的一些实施例的物品类别预测模型生成方法的一个应用场景的示意图;
图6是根据本公开的物品类别预测模型生成方法的一些实施例的流程图;
图7是根据本公开的物品类别预测模型生成方法的另一些实施例的流程图;
图8是根据本公开的物品类别预测模型生成装置的一些实施例的结构示意图;
图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的物品信息发送方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以对于待预测订单集合102中的待预测订单,将待预测订单输入预先训练的物品类别预测模型103,得到待预测订单对应的物品类别104,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单。接着,计算设备101可以根据上述待预测订单集合中的每个待预测订单对应的物品类别104,生成分类订单组,得到分类订单组集合105。然后,计算设备101可以对于上述分类订单组集合105中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息。最后,计算设备101可以将得到的目标物品信息集合106中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的物品信息发送方法的一些实施例的流程200。该物品信息发送方法,包括以下步骤:
步骤201,对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别。
在一些实施例中,物品信息发送方法的执行主体(例如图1所示的计算设备101)可以对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别。其中,上述物品类别预测模型可以是预先训练的,用于对订单中的物品进行类别预测的模型。上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重。上述至少一个网络中的网络的权重可以由各个网络的准确率确定。上述待预测订单集合中的待预测订单可以是多个站点的订单。物品类别可以是预先设定的不同订单中的物品对应的类别。上述物品类别预测模型可以是预先训练的集成模型。上述集成模型包括至少一个子模型。上述至少一个子模型中各个子模型的权重可以由各个网络的预测指标确定。上述至少一个网络中的各个网络可以是具有分类功能的网络。例如,网络可以是决策树网络,也可以是逻辑回归网络。上述物品类别可以是1。其中,1表征物品类别为[订单时间远近:活跃,订单频次:高频,订单额度:大单,订单宽度:宽]。待预测订单可以是[站点ID:2,订单ID:2,物品ID:2,属性值:30]。
步骤202,根据待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合。
在一些实施例中,上述执行主体可以根据待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合。其中,分类订单组中包括的各个待预测订单对应的物品类别相同。
作为示例,上述执行主体可以将待预测订单集合中对应的物品类别相同的待预测订单确定为一个分类订单组,得到分类订单组集合。
步骤203,对于分类订单组集合中的每个分类订单组,确定分类订单组对应的至少一个目标物品,得到目标物品信息。
在一些实施例中,上述执行主体可以对于分类订单组集合中的每个分类订单组,确定分类订单组对应的至少一个目标物品,得到目标物品信息。其中,目标物品可以是用于对站点进行推荐的物品。上述目标物品信息可以是用于对站点进行推荐的至少一个物品的信息。例如,物品信息可以是[物品ID:1]。
作为示例,对于上述分类订单组集合中的每个分类订单组,上述执行主体确定分类订单组对应的至少一个目标物品,得到目标物品信息,可以包括以下步骤:
第一步,确定上述分类订单组对应的至少一种物品的价值。
作为示例,首先,上述执行主体可以通过物品ID,对上述分类订单组中的各个待预测订单进行分类,得到至少一个分类订单子集合。其中,上述至少一个分类订单子集合中的每个分类订单子集合对应一种物品。分类订单子集合中的各个待预测订单对应的物品相同。然后,对于上述至少一个分类订单子集合中的每个分类订单子集合,上述执行主体可以将上述分类订单子集合中的每个待预测订单包括的属性值相加,以生成上述分类订单子集合对应的属性值。最后,将得到的至少一个属性值确定为上述分类订单组对应的至少一种物品对应的属性值,得到属性值信息。
第二步,将对应的价值大于第一目标价值的物品确定为目标物品,得到上述目标物品信息。
其中,上述第一目标价值可以是处于第一目标位置的属性值。例如,上述第一目标位置可以是2。第一目标价值可以通过以下步骤生成:
首先,上述执行主体可以将上述属性值信息包括的属性值按照大小进行排序。然后,上述执行主体可以将排名处于第一目标位置的属性值确定为第一目标属性值。
步骤204,将得到的目标物品信息集合中的每个目标物品信息发送至目标物品信息对应的至少一个目标站点的信息接收终端。
在一些实施例中,上述执行主体可以将得到的目标物品信息集合中的每个目标物品信息发送至目标物品信息对应的至少一个目标站点的信息接收终端。其中,上述信息接收终端可以是用于接收目标物品信息的终端。
可选的,在上述将得到的目标物品信息集合中的每个目标物品信息发送至目标物品信息对应的至少一个目标站点的信息接收终端之前,还可以包括以下步骤:
第一步,获取站点库存信息集合。
其中,上述站点库存信息集合中的站点库存信息包括:对应的站点内每种物品的物品数量。
第二步,对于上述目标物品信息集合中的目标物品信息,将上述站点库存信息集合中满足第二目标条件的站点库存信息对应的站点,确定为上述目标物品信息对应的目标站点。
其中,上述第二目标条件是站点库存信息对应的多个物品中不包含上述目标物品信息对应的物品,或站点库存信息对应的物品与上述目标物品信息对应的物品中存在同种物品、且同种物品的数量小于第二目标数量。上述第二目标数量可以是预先设定的,物品的最小库存数量。例如,上述第二目标数量可以是10。
通过本公开的一些实施例的物品信息发送方法,能够提高新增站点和小型站点的物品信息生成的准确率。具体来说,造成生成物品信息准确率低的原因在于:由于新增站点和小型站点的历史数据较少,根据单个站点的历史数据进行预测,会导致预测结果不准确,进而导致生成物品信息的准确率低。基于此,本公开的一些实施例的物品信息发送方法包括:首先,对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单。由于上述待预测订单集合中包括至少一个站点的待预测订单,解决了新增站点和小型站点的历史数据较少,导致预测结果不准确的问题。实际情况中,不同物品往往对应不同的类别,因此,需要利用上述物品类别预测模型,确定不同订单中的物品对应的物品类别,以便对订单进行分类。然后,根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合。接着,对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息。由此,针对不同类别的订单,确定对应的物品信息,进一步提高物品信息生成的准确率。最后,将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。由此,实现了根据至少一个站点的订单生成物品信息,然后根据物品信息向对应的站点进行物品推荐,提高物品信息生成的准确率。
进一步参考图3,其示出了物品信息发送方法的另一些实施例的流程300。该物品信息发送方法的流程300,包括以下步骤:
步骤301,获取初始订单集合。
在一些实施例中,物品信息发送方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或者无线连接的方式获取上述初始订单集合。其中,上述初始订单集合中的初始订单可以是所有站点内的订单。上述初始订单集合中的初始订单以天为周期进行更新。
步骤302,根据初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成待预测订单集合。
在一些实施例中,上述执行主体可以根据上述初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成上述待预测订单集合。
其中,站点规模的影响因素包括但不限于:站点的面积大小、订单量、站点级别等。物品属性值可以是物品对应的价值。
作为示例,上述执行主体可以将站点规模大于目标规模的站点对应的初始订单确定为待预测订单,得到上述待预测订单集合。其中,上述目标规模可以是预先设定的、用于对站点进行筛选的规模。例如,上述目标规模可以是[站点面积:500平方米]。
步骤303,对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别。
步骤304,根据待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合。
在一些实施例中,步骤303-304具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202,在此不再赘述。
步骤305,对于分类订单组集合中的每个分类订单组,确定分类订单组对应的至少一个目标物品,得到目标物品信息。
在一些实施例中,对于分类订单组集合中的每个分类订单组,上述执行主体可以通过各种方式确定分类订单组对应的至少一个目标物品,得到目标物品信息。上述目标物品信息可以是用于对站点进行推荐的至少一个物品的信息。例如,物品信息可以是[物品ID:1]。
可选的,对于分类订单组集合中的每个分类订单组,上述执行主体确定上述分类订单组对应的至少一个目标物品,得到目标物品信息,可以包括以下步骤:
第一步,确定上述分类订单组对应的至少一个物品的数量。
作为示例,确定上述分类订单组对应的至少一个物品的数量,可以包括以下子步骤:
第一子步骤,根据物品ID,对上述分类订单组中的待预测订单进行分类,得到至少一个分类订单子集合。
其中,上述至少一个分类订单子集合中的每个分类订单子集合对应一个物品。分类订单子集合中的各个待预测订单对应的物品相同。
第二子步骤,将上述至少一个分类订单子集合中的每个分类订单子集合包括的待预测订单的数量,确定为上述分类订单子集合对应的物品的数量。
第二步,将物品数量大于第一目标数量的物品确定为目标物品,得到目标物品信息。
其中,上述第一目标数量可以是处于第二目标位置的数量。例如,上述第二目标位置可以2。第一目标数量可以通过以下步骤生成:
首先,上述执行主体可以将物品数量按照大小进行排序。然后,上述执行主体可以将排名处于第二目标位置的物品数量确定为第一目标数量。
步骤306,将得到的目标物品信息集合中的每个目标物品信息发送至目标物品信息对应的至少一个目标站点的信息接收终端。
在一些实施例中,步骤306具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204,在此不再赘述。
从图3可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的物品信息发送方法的流程300增加了对订单进行筛选的步骤。由于不同筛选条件下的站点规模和物品属性值对应的初始订单中的信息往往存在较大差距,会导致初始订单对应的物品类别不准确。因此,需要对初始订单进行筛选。由此,避免了由于不同筛选条件下的初始订单中的信息差距较大,导致的生成物品信息的准确率低的问题,进一步提高了生成物品信息的准确率。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种物品信息发送装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的物品信息发送装置400包括:信息输入单元401、信息生成单元402、信息确定单元403和信息发送单元404。其中,信息输入单元401被配置成对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单;信息生成单元402被配置成根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;信息确定单元403被配置成对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息;信息发送单元404被配置成将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。
可选的,在上述对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别之前:获取初始订单集合;根据上述初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成上述待预测订单集合。
可选的,上述对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息:确定上述分类订单组对应的至少一个物品的数量;将物品数量大于第一目标数量的物品确定为目标物品,得到上述目标物品信息。
可选的,在上述将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端之前:获取站点库存信息集合;对于上述目标物品信息集合中的目标物品信息,将上述站点库存信息集合中满足第二目标条件的站点库存信息对应的站点,确定为上述目标物品信息对应的目标站点。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
图5是本公开的一些实施例的物品类别预测模型生成方法的一个应用场景的示意图。
在图5的应用场景中,首先,计算设备501可以获取样本订单集合502和初始物品类别预测模型503,其中,上述初始物品类别预测模型503包括至少一个网络;接着,计算设备501可以将样本订单集合502中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合504,其中,上述筛选条件为上述维度与上述样本订单对应的物品类别之间的相关系数大于目标系数值;然后,计算设备501可以确定上述样本订单集合502中的每个样本订单对应的目标样本,得到目标样本集合505,其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别;接着,计算设备501可以基于目标样本集合505,分别确定上述至少一个网络中各个网络的预测指标506;最后,计算设备501可以基于上述至少一个网络中各个网络的预测指标506,确定上述各个网络的权重507,得到上述物品类别预测模型508。
需要说明的是,上述计算设备501可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图5中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
进一步参考图6,示出了根据本公开的物品类别预测模型生成方法的一些实施例的流程600。该物品类别预测模型生成方法,包括以下步骤:
步骤601,获取样本订单集合和初始物品类别预测模型。
在一些实施例中,物品类别预测模型生成方法的执行主体(例如图5所示的计算设备501)可以通过有线连接或者无线连接的方式获取上述样本订单集合和上述初始物品类别预测模型。其中,上述初始物品类别预测模型包括至少一个网络。上述样本订单集合中的样本订单可以是用于对上述初始物品类别预测模型进行训练的订单。上述样本订单集合中的样本订单以天为周期更新。上述初始物品类别预测模型可以是未经训练或未训练完的集成模型。上述集成模型包括至少一个网络。上述至少一个网络中各个网络的权重可以由各个网络的预测指标确定。上述至少一个网络中的各个网络可以是具有分类功能的网络。例如,网络可以是决策树网络,也可以是逻辑回归网络。
步骤602,将样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合。
在一些实施例中,上述执行主体可以将样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到上述特征维度集合。其中,上述筛选条件为维度与样本订单对应的物品类别之间的相关系数大于目标系数值。上述目标系数值可以是预先设定的相关系数的最小值。例如,目标系数值可以是0。上述特征维度集合可以是[物品流转量,物品属性值]。
作为示例,样本订单对应的物品类别可以通过样本订单确定,包括以下步骤:
第一步,根据样本订单对应的物品的订单周期确定样本订单是否活跃,可以包括以下子步骤:
第一子步骤,响应于订单周期大于预设周期,将样本订单确定为活跃订单。
其中,上述订单周期可以是上述样本订单集合中对应的物品相同的样本订单的时间差。上述预设周期可以是预先设定的,用于区分订单周期的周期。
第二子步骤,响应于订单周期小于预设周期,将样本订单确定为沉睡订单。
第二步,根据样本订单对应的物品的订单频次确定订单频次,可以包括以下子步骤:
第一子步骤,响应于订单频次高于预设频次,将订单频次确定为高频。
其中,上述订单频次可以表征上述样本订单集合中对应的物品相同的样本订单的数量。上述预设频次可以是预先设定的频次,用于对订单频次进行区分。
第二子步骤,响应于订单频次低于预设频次,将订单频次确定为低频。
第三步,根据样本订单对应的物品的价值确定订单额度,可以包括以下子步骤:
第一子步骤,响应于订单额度高于预设额度,将订单额度确定为大单。
其中,上述订单额度可以是样本订单对应的物品的价值。上述预设额度可以是预先设定的额度,用于对订单额度进行区分。
第二子步骤,响应于订单额度低于预设额度,将订单额度确定为小单。
第四步,根据样本订单对应的物品的数量,确定订单宽度,可以包括以下子步骤:
第一子步骤,响应于物品数量高于预设数量,将订单宽度确定为宽。
其中,上述预设数量可以是预先设定的数量,用于对订单宽度进行区分。
第二子步骤,响应于物品数量低于预设数量,将订单额度确定为窄。
例如,物品类别可以是[订单时间远近:活跃,订单频次:高频,订单额度:大单,订单宽度:宽]
可选的,上述执行主体将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,可以包括以下步骤:
第一步,对上述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行相关性测试,得到每个维度的相关系数。
其中,作为示例,上述相关性测试可以是皮尔逊相关系数测试。上述执行主体可以对上述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行皮尔逊相关系数测试,得到每个维度的皮尔逊相关系数。
第二步,将满足筛选条件的维度确定为特征维度,得到特征维度集合。
步骤603,确定样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合。
在一些实施例中,上述执行主体可以确定上述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合。其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别。例如,目标样本可以是{[属性值:50,流转量:3],[物品类别:1]}。
作为示例,上述执行主体可以将样本订单包括的特征维度集合中每个特征维度的值和样本订单对应的物品类别确定为一个目标样本。
步骤604,基于目标样本集合,分别确定至少一个网络中各个网络的预测指标。
在一些实施例中,上述执行主体可以基于上述目标样本集合,分别确定上述至少一个网络中各个网络的预测指标。其中,预测指标可以是网络的参数。目标样本集合可以包括:训练目标样本子集合和测试目标样本子集合。例如,预测指标可以是准确率。
作为示例,首先,上述执行主体可以将上述训练目标样本子集合中的训练目标样本输入上述至少一个网络,得到上述至少一个网络中各个网络的参数。然后,上述执行主体可以将上述测试目标样本子集合中的测试目标样本输入上述至少一个网络,得到上述至少一个网络中各个网络的预测指标。
步骤605,基于至少一个网络中各个网络的预测指标,确定各个网络的权重,得到物品类别预测模型。
在一些实施例中,上述执行主体可以基于至少一个网络中各个网络的预测指标,确定各个网络的权重,得到上述物品类别预测模型。
作为示例,上述执行主体基于至少一个网络中各个网络的预测指标,确定各个网络的权重,得到上述物品类别预测模型,可以包括以下步骤:
第一步,根据上述至少一个网络中各个网络的预测指标,确定平均预测指标。
其中,上述平均预测指标可以是各个网络的预测指标的平均值。
第二步,将上述平均预测指标确定为上述至少一个网络中各个网络的权重。
第三步,将上述至少一个网络中各个网络的权重进行归一化处理,得到上述物品类别预测模型。
通过本公开的一些实施例得到的物品类别预测模型,能够准确预测出订单对应的物品类别,提高物品类别预测的准确率。具体来说,导致物品类别预测的准确率低的原因在于:使用单个模型对所有站点的订单对应的物品类别进行预测,导致物品类别预测的准确率较低。基于此,本公开的一些实施例的物品类别预测模型生成方法包括:首选,获取样本订单集合和初始物品类别预测模型,其中,上述初始物品类别预测模型包括至少一个网络。由于样本订单信息中的样本订单满足同一筛选条件,因此,能够减小差距较大的站点的订单导致的误差。然后,将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,上述筛选条件为上述维度与上述样本订单对应的物品类别之间的相关系数大于目标系数值。由于订单中包括的维度较多,因此,需要先确定和物品类别相关的维度,缩短模型训练的时间。接着,确定上述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别。其次,基于目标样本集合,分别确定上述至少一个网络中各个网络的预测指标。利用至少一个网络对物品类别进行预测,解决了仅使用一个网络进行物品类别预测导致的准确率低的问题。最后,基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型。由此,得到了能够准确预测订单对应的物品类别的模型,提高物品类别预测的准确率。
进一步参考图7,其示出了物品类别预测模型生成方法的另一些实施例的流程700。该物品类别预测模型生成方法的流程700,包括以下步骤:
步骤701,获取样本订单集合和初始物品类别预测模型。
步骤702,将样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合。
步骤703,对于样本订单集合中的样本订单,确定样本订单对应的目标样本。
步骤704,基于目标样本集合,分别确定至少一个网络中各个网络的预测指标。
在一些实施例中,步骤701-704具体实现方式及所带来的技术效果可以参考图6对应的那些实施例中的步骤601-604,在此不再赘述。
步骤705,对至少一个网络中的每个网络对应的预测指标进行变换处理,得到网络对应的归一化准确率。
在一些实施例中,上述执行主体可以对上述至少一个网络中的每个网络对应的预测指标进行变换处理,得到上述网络对应的归一化准确率。其中,上述预测指标可以是准确率。
作为示例,上述执行主体可以对上述至少一个网络中的每个网络对应的准确率进行归一化处理,得到上述网络对应的归一化准确率。
步骤706,将至少一个网络中的每个网络对应的归一化准确率确定为网络的权重,得到物品类别预测模型。
在一些实施例中,上述执行主体可以将上述至少一个网络中的每个网络对应的归一化准确率确定为上述网络的权重,得到上述物品类别预测模型。
作为示例,上述执行主体可以将上述至少一个网络中的每个网络对应的归一化准确率确定为上述网络的权重,得到上述物品类别预测模型。例如,至少一个网络的权重可以是[M1:0.2,M2:0.5,M3:0.3]。其中,0.2为网络M1的权重。0.5为网络M2的权重。0.3为网络M3的权重。网络M1、M2和M3可以是决策树网络。
从图7可以看出,与图6对应的一些实施例的描述相比,图7对应的一些实施例中的物品类别预测模型生成方法的流程700增加了对预测指标进行处理的步骤。由于得到的至少一个网络中不同的网络的预测效果不同,因此,将各个网络的准确率归一化之后,作为相应的模型的权重,得到的物品类别预测模型,能够根据权重更加精准的预测物品类别,对物品类别的预测的准确率有所提升。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种物品类别预测模型生成装置的一些实施例,这些装置实施例与图6所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,一些实施例的物品类别预测模型生成装置800包括:获取单元801、维度确定单元802、样本确定单元803、指标确定单元804和权重确定单元805。其中,获取单元801被配置成获取样本订单集合和初始物品类别预测模型,其中,上述初始物品类别预测模型包括至少一个网络;维度确定单元802被配置成将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,上述筛选条件为上述维度与上述样本订单对应的物品类别之间的相关系数大于目标系数值;样本确定单元803被配置成确定上述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,上述目标样本包括上述特征维度集合和上述样本订单对应的物品类别;指标确定单元804被配置成基于目标样本集合,分别确定上述至少一个网络中各个网络的预测指标;权重确定单元805被配置成基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型。
可选的,上述基于上述至少一个网络中各个网络的预测指标,确定上述各个网络的权重,得到上述物品类别预测模型:对上述至少一个网络中的每个网络对应的预测指标进行变换处理,得到上述网络对应的归一化准确率;将上述至少一个网络中的每个网络对应的归一化准确率确定为上述网络的权重,得到上述物品类别预测模型。
可选的,上述将上述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合:对上述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行相关性测试,得到每个维度的相关系数;将满足筛选条件的维度确定为特征维度,得到特征维度集合。
可以理解的是,该装置800中记载的诸单元与参考图6描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置800及其中包含的单元,在此不再赘述。
下面参考图9,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序物品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,上述物品类别预测模型包括至少一个网络,上述至少一个网络中的网络配置有权重,上述待预测订单集合中包括至少一个站点的待预测订单;根据上述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;对于上述分类订单组集合中的每个分类订单组,确定上述分类订单组对应的至少一个目标物品,得到目标物品信息;将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序物品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,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,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括信息输入单元、信息生成单元、信息确定单和信息发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,信息发送单元还可以被描述为“将得到的目标物品信息集合中的每个目标物品信息发送至上述目标物品信息对应的至少一个目标站点的信息接收终端的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准物品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种物品信息发送方法,包括:
对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,所述物品类别预测模型包括至少一个网络,所述至少一个网络中的网络配置有权重,所述待预测订单集合中包括至少一个站点的待预测订单;
根据所述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;
对于所述分类订单组集合中的每个分类订单组,确定所述分类订单组对应的至少一个目标物品,得到目标物品信息;
将得到的目标物品信息集合中的每个目标物品信息发送至所述目标物品信息对应的至少一个目标站点的信息接收终端。
2.根据权利要求1所述的方法,其中,在所述对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别之前,所述方法还包括:
获取初始订单集合;
根据所述初始订单集合中的初始订单对应的以下至少一项进行筛选:站点规模和物品属性值,以生成所述待预测订单集合。
3.根据权利要求1所述的方法,其中,所述对于所述分类订单组集合中的每个分类订单组,确定所述分类订单组对应的至少一个目标物品,得到目标物品信息,包括:
确定所述分类订单组对应的至少一个物品的数量;
将物品数量大于第一目标数量的物品确定为目标物品,得到所述目标物品信息。
4.根据权利要求2所述的方法,其中,在所述将得到的目标物品信息集合中的每个目标物品信息发送至所述目标物品信息对应的至少一个目标站点的信息接收终端之前,所述方法还包括:
获取站点库存信息集合;
对于所述目标物品信息集合中的目标物品信息,将所述站点库存信息集合中满足第二目标条件的站点库存信息对应的站点,确定为目标物品信息对应的目标站点。
5.一种物品信息发送装置,包括:
信息输入单元,被配置成对于待预测订单集合中的待预测订单,将待预测订单输入预先训练的物品类别预测模型,得到待预测订单对应的物品类别,其中,所述物品类别预测模型包括至少一个网络,所述至少一个网络中的网络配置有权重,所述待预测订单集合中包括至少一个站点的待预测订单;
信息生成单元,被配置成根据所述待预测订单集合中的每个待预测订单对应的物品类别,生成分类订单组,得到分类订单组集合;
信息确定单元,被配置成对于所述分类订单组集合中的每个分类订单组,确定所述分类订单组对应的至少一个目标物品,得到目标物品信息;
信息发送单元,被配置成将得到的目标物品信息集合中的每个目标物品信息发送至所述目标物品信息对应的至少一个目标站点的信息接收终端。
6.一种用于生成物品类别预测模型的方法,包括:
获取样本订单集合和初始物品类别预测模型,其中,所述初始物品类别预测模型包括至少一个网络;
将所述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,所述筛选条件为所述维度与所述样本订单对应的物品类别之间的相关系数大于目标系数值;
确定所述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,所述目标样本包括所述特征维度集合和所述样本订单对应的物品类别;
基于所述目标样本集合,分别确定所述至少一个网络中各个网络的预测指标;
基于所述至少一个网络中各个网络的预测指标,确定所述各个网络的权重,得到所述物品类别预测模型。
7.根据权利要求6所述的方法,其中,所述基于所述至少一个网络中各个网络的预测指标,确定所述各个网络的权重,得到所述物品类别预测模型,包括:
对所述至少一个网络中的每个网络对应的预测指标进行变换处理,得到所述网络对应的归一化准确率;
将所述至少一个网络中的每个网络对应的归一化准确率确定为所述网络的权重,得到所述物品类别预测模型。
8.根据权利要求6所述的方法,其中,所述将所述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,包括:
对所述样本订单集合中的样本订单包括的各个维度的值和样本订单对应的物品类别进行相关性测试,得到每个维度的相关系数;
将满足筛选条件的维度确定为特征维度,得到特征维度集合。
9.一种物品类别预测模型生成装置,包括:
获取单元,被配置成获取样本订单集合和初始物品类别预测模型,其中,所述初始物品类别预测模型包括至少一个网络;
维度确定单元,被配置成将所述样本订单集合中的样本订单包括的各个维度中、满足筛选条件的维度确定为特征维度,得到特征维度集合,其中,所述筛选条件为所述维度与所述样本订单对应的物品类别之间的相关系数大于目标系数值;
样本确定单元,被配置成确定所述样本订单集合中的每个样本订单对应的目标样本,得到目标样本集合,其中,所述目标样本包括所述特征维度集合和所述样本订单对应的物品类别;
指标确定单元,被配置成基于所述目标样本集合,分别确定所述至少一个网络中各个网络的预测指标;
权重确定单元,被配置成基于所述至少一个网络中各个网络的预测指标,确定所述各个网络的权重,得到所述物品类别预测模型。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4或6-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4或6-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722462.9A CN117333246A (zh) | 2022-06-24 | 2022-06-24 | 物品信息发送方法、模型生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722462.9A CN117333246A (zh) | 2022-06-24 | 2022-06-24 | 物品信息发送方法、模型生成方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333246A true CN117333246A (zh) | 2024-01-02 |
Family
ID=89276027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210722462.9A Pending CN117333246A (zh) | 2022-06-24 | 2022-06-24 | 物品信息发送方法、模型生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333246A (zh) |
-
2022
- 2022-06-24 CN CN202210722462.9A patent/CN117333246A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN112035753B (zh) | 推荐页面生成方法、装置、电子设备和计算机可读介质 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN116796233A (zh) | 数据分析方法、装置、计算机可读介质及电子设备 | |
CN116245595A (zh) | 供应端物品运输方法、装置、电子设备和计算机可读介质 | |
CN117333246A (zh) | 物品信息发送方法、模型生成方法、装置、设备和介质 | |
CN113902230A (zh) | 电量偏差控制方法、系统、存储介质和电子设备 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
CN116187716B (zh) | 农业设备调度方法、装置、电子设备和计算机可读介质 | |
CN116662672B (zh) | 价值对象信息发送方法、装置、设备和计算机可读介质 | |
CN116737917B (zh) | 文本推荐信息生成方法、电子设备和计算机可读介质 | |
CN113077352B (zh) | 基于用户信息和保险相关信息的保险服务物品推荐方法 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN116739789B (zh) | 虚拟物品回测信息发送方法、装置、电子设备和介质 | |
CN114691503B (zh) | 一种面向测试的管理方法、装置、设备及介质 | |
CN116128261B (zh) | 区域资源调度方法、装置、电子设备和计算机可读介质 | |
CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
CN117591048B (zh) | 任务信息处理方法、装置、电子设备和计算机可读介质 | |
CN117057681B (zh) | 软件质量评估方法、装置、设备和存储介质 |
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 |