CN117689311B - 物品库存调整方法、装置、电子设备和计算机可读介质 - Google Patents
物品库存调整方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117689311B CN117689311B CN202311648667.8A CN202311648667A CN117689311B CN 117689311 B CN117689311 B CN 117689311B CN 202311648667 A CN202311648667 A CN 202311648667A CN 117689311 B CN117689311 B CN 117689311B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- order
- address
- group
- 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 50
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 138
- 238000012545 processing Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 19
- 230000002829 reductive effect Effects 0.000 abstract description 17
- 230000006399 behavior Effects 0.000 description 58
- 230000006870 function Effects 0.000 description 29
- 230000003993 interaction Effects 0.000 description 21
- 230000008447 perception Effects 0.000 description 20
- 230000003068 static effect Effects 0.000 description 19
- 241000254158 Lampyridae Species 0.000 description 16
- 230000004927 fusion Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000008846 dynamic interplay Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了物品库存调整方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取订单信息集;从订单信息集中筛选出至少一个订单信息,得到筛选后订单信息集;对筛选后订单信息集进行分类处理,得到分类用户信息集;获取历史订单信息组集、用户历史行为信息组集和关联用户信息组集;对用户历史行为信息组集、关联用户信息组集和历史订单信息组集进行用户画像构建,得到用户画像集;对筛选后订单信息集进行订单状态预测,得到目标订单状态信息集;根据目标订单状态信息集和历史订单信息组集,对物品库存进行动态调整。该实施方式可以提高订单信息的预测准确性,减少物品库存的堆积和短缺,提高用户的体验感。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物品库存调整方法、装置、电子设备和计算机可读介质。
背景技术
订单状态预测可以提前预测订单物品的物流状态,便于对物品库存进行相应优化调整,减少物品库存的堆积或者短缺,减少物品损失和用户体验感。对于物品库存的调整,通常采用的方式为:获取订单信息集的当前订单状态信息集和历史订单信息集。然后,利用订单状态预测模型,根据历史订单信息集和当前状态信息集,对订单信息集进行订单状态进行预测,得到目标订单状态信息,并通过目标订单状态信息,对物品库存进行调整。
然而,发明人发现,当采用上述方式来调整物品库存,经常会存在如下技术问题:
第一,根据历史订单信息集和当前订单状态信息集,对订单信息集进行订单状态进行预测,由于订单的状态具有一定的波动性的、突变性和偶然性,以及忽略了订单用户在预测订单状态中的作用,会造成订单状态的预测准确性较低,造成本该减少的库存由于订单取消或者退货,增加了物品库存,本该增加的库存由于订单用户的行为习惯,减少了物品库存,导致物品库存的短缺和堆积,订单用户的体验感较低。
第二,社交关系网络的社交影响力对用户标签的扩展的现有技术为依赖于专家的经验发现的各种评价指标进行影响力特征提取,提取的影响力特征具有一定的局限性,并且提取的影响力特征一般是静态结构特征,造成获取的用户标签的准确性较低,对订单状态的预测准确率较低,进而导致库存物品的短缺和堆积。
第三,由于现有的订单物品需求量预测仅通过单个物品的时间序列进行需求量预测,未考虑到物品之间的关联关系,造成对订单物品的需求量的预测准确度较低,并且在进行库存调整中现有方式为利用萤火虫算法,由于萤火虫算法搜索能力弱、搜索速度慢和易陷入局部最优解,造成库存调整的准确度较低,易导致物品库存的短缺和堆积。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
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库存调整方法、装置、电子设备和计算机可读介质,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库存调整方法,包括:获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息;从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集;对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集;获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集;对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集;根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集;根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。
第二方面,本公开的一些实施例提供了一种物品库存调整装置,包括:第一获取单元,被配置成获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息;筛选单元,被配置成从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集;分类处理单元,被配置成对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集;第二获取单元,被配置成获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集;用户画像构建单元,被配置成对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集;订单状态预测单元,被配置成根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集;动态调整单元,被配置成根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。
第三方面,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如第一方面中任一实现方式描述的方法。
第四方面,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,计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的物品库存调整方法通过历史订单信息集、用户画像,对订单信息集的订单状态进行精准预测,可以提高订单信息的预测准确性,减少物品库存的堆积和短缺,提高用户的体验感。具体来说,造成相关的物品库存的短缺和堆积,订单用户的体验感较低的原因在于:根据历史订单信息集和当前订单状态信息集,对订单信息集进行订单状态进行预测,由于订单的状态具有一定的波动性的、突变性和偶然性,以及忽略了订单用户在预测订单状态中的作用,会造成订单状态的预测准确性较低,造成本该减少的库存由于订单取消或者退货,增加了物品库存,本该增加的库存由于订单用户的行为习惯,减少了物品库存,导致物品库存的短缺和堆积,订单用户的体验感较低。基于此,本公开的一些实施例的物品库存调整方法可以首先,获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息。在这里,订单信息集包括的订单状态信息集和订单用户信息集便于后续预测后续订单状态和构建用户画像。其次,从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集。在这里,去除没有参考价值的订单信息,可以减少数据量和运算资源的浪费。再次,对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。在这里,分类处理便于后续获取每个订单用户的相关数据,构建精准的用户画像。接着,获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集。在这里,获取的历史订单信息组集、用户历史行为信息组集和关联用户薪资组集便于后续构建用户画像。随后,对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集。在这里,从多个方面进行用户画像的构建,可以提高构建用户画像的准确性。然后,根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集。在这里,通过用户画像和历史订单信息集进行订单状态预测,可以提高订单状态预测的准确性,以及考虑用户的行为习惯,可以提高用户的体验感。最后,根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。在这里,通过更加准确地订单状态信息集,可以更加有效的对物品库存进行动态调整,减少物品库存的短缺和堆积。由此可得,该物品库存调整方法通过历史订单信息集、用户画像,对订单信息集的订单状态进行精准预测,可以提高订单信息的预测准确性,减少物品库存的堆积和短缺,提高用户的体验感。
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是根据本公开的物品库存调整方法的一些实施例的流程图;
图2是根据本公开的物品库存调整装置的一些实施例的结构示意图;
图3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示出了根据本公开的物品库存调整方法的一些实施例的流程100。该物品库存调整方法,包括以下步骤:
步骤101,获取订单信息集。
在一些实施例中,上述物品库存调整方法的执行主体(例如电子设备)可以通过有线连接方式或者无线连接方式从本地数据库来获取订单信息集。其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息。例如,上述订单信息集中的订单信息可以是快递订单信息,也可以是有虚拟物品价值流转信息(关征信信息)的订单信息。上述当前订单状态信息可以是表征订单的状态轨迹的状态的信息。例如,上述当前订单状态信息可以包括但不限于以下至少一项:待支付状态、待发货状态、运输中状态、已签收状态、取消状态。上述订单用户信息可以是下订单的用户的信息。上述订单用户信息可以包括但不限于以下至少一项:用户账号、地址信息、用户联系方式。
步骤102,从订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集。
在一些实施例中,上述执行主体可以从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集。其中,上述预设订单状态信息可以表征订单已经完成支付,但是未完成签收的状态。上述预设订单状态信息可以包括但不限于以下至少一项:待发货状态、运输中状态。
步骤103,对筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。
在一些实施例中,上述执行主体可以对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。其中,上述分类用户信息集中的分类用户信息可以是通过用户账号信息或者用户联系方式确定的多个订单信息属于同一个用户的用户信息。实践中,上述执行主体可以通过订单用户信息集包括的用户账号、地址信息和用户联系方式,对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。
在一些实施例的一些可选的实现方式中,上述对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集,可以包括以下步骤:
第一步,根据上述筛选后订单信息集包括的订单用户信息集包括的用户联系信息,对上述订单用户信息集进行分类处理,得到初始用户信息组集。其中,上述初始用户信息组集中的初始用户信息组可以是同一个用户联系信息对应的用户信息组。上述用户联系方式可以是用于联系用户的联系电话或者邮箱。
作为示例,上述执行主体可以将上述筛选后订单信息集包括的订单用户信息集中用户联系信息相同的至少一个订单用户信息,确定为初始用户信息组,得到初始用户信息组集。
第二步,对于上述初始用户信息组集中的每个初始用户信息组,执行以下订单用户信息确定步骤:
第一子步骤,确定上述初始用户信息组包括的地址信息组中的每个地址信息的地址格式与预设格式是否相同。其中,上述预设格式可以是按照地址行政区域层级构建的格式。上述地址行政区域层级可以包括但不限于以下至少一项:省、市、区市县、街道。
第二子步骤,响应于确定上述地址信息组中存在地址格式与预设格式不同的地址信息,对地址格式与上述预设格式不同的至少一个地址信息进行格式化处理,得到格式化地址信息组。其中,上述格式化地址信息组中的格式化地址信息可以是按照预设格式生成的地址信息。
作为示例,上述执行主体可以首先,对上述地址格式与预设格式不同的至少一个地址信息中的每个地址信息进行分词处理,得到分词组集。其次,将分词组集中的每个分词与标准地址库进行匹配处理,以生成多个匹配数值,得到多个匹配数值组集。其中,上述标准地址库可以是存储预设格式的地址信息的数据库。然后,将多个匹配数值组集中的多个匹配数值中匹配数值最大的匹配数值对应的标准地址库中的标准地址,确定为分词组集中的分词的标准地址,得到标准地址组集。最后,将标准地址组集中的每个标准地址组按照预设格式进行组装,得到格式化地址信息组。
第三子步骤,将上述地址信息组中地址格式为预设格式的至少一个地址信息和上述格式化地址信息组,确定为目标地址信息组。
第四子步骤,对上述目标地址信息组包括的各个目标地址信息进行匹配处理,得到地址匹配结果组。其中,上述地址匹配结果组中的地址匹配结果包括:地址匹配成功和地址匹配失败。上述地址匹配成功表征地址匹配成功的目标地址信息集对应的初始用户信息为同一个订单用户信息。上述地址匹配失败表征地址匹配失败的目标地址信息集对应的初始用户信息不是同一个订单用户信息。
第五子步骤,响应于确定上述地址匹配结果组中存在表征匹配成功的地址匹配结果,将表征匹配成功的至少一个匹配结果对应的至少一个初始用户信息,确定为分类用户信息。
在一些实施例的一些可选的实现方式中,上述响应于确定上述地址信息组中存在地址格式与预设格式不同的地址信息,对地址格式与上述预设格式不同的至少一个地址信息进行格式化处理,得到格式化地址信息组,可以包括以下步骤:
第一步,对不是预设格式的至少一个地址信息中的每个地址信息进行地址分词处理,得到第一分词地址信息集。其中,上述第一分词地址信息集中的第一分词地址信息可以包括多个第一地址分词。
作为示例,上述执行主体可以采用BM(Bi-directction Matching method,基于词典的双向最大匹配法)对不是预设格式的至少一个地址信息中的每个地址信息进行地址分词,得到第一分词地址信息集。
第二步,对于上述第一分词地址信息集中的每个第一分词地址信息,执行以下分词拼装步骤:
第一子步骤,对上述第一分词地址信息包括的多个第一地址分词进行停用词处理,得到第二分词地址信息。其中,上述第二分词地址信息包括多个第二地址分词集。上述停用词处理可以是利用jieba库进行的停用词处理。
第二子步骤,根据预设地址标准数据库,对上述第二分词地址信息包括的多个第二地址分词进行地址词替换处理,得到替换后地址分词集。其中,上述预设地址标准数据库可以包括:地址分词词典、地址要素词典、地址要素特征字词典和地址缩略词代替词典。上述地址要素词典可以是按照地址层级进行划分的词典。地址分词词典可以是包括常用汉语词条和常见地名地址词典的词典。地址要素词典可以包括:行政区划词典、街道词典和建筑物词典。其中,行政区划词典可以是按照行政区划等级建立索引的词典。地址要素特征字词典可以是包括省、市、自治区等地址要素的词典。地址缩略词代替词典可以是用于标准化缩略地名的词典。上述替换后地址分词集中的替换后地址分词可以是第二地址分词对应的预设地址标准数据库包括的地址分词词典、地址要素词典、地址要素特征字词典和地址缩略词代替词典的任一词典包括的任一地址分词。
作为示例,上述执行主体可以利用基于规则的地址匹配方法、基于词典的地址匹配方法和基于自然语言处理的地址匹配方法,确定上述第二分词地址信息包括的多个第二地址分词中每个第二地址分词对应的预设地址标准数据库包括的多个标准地址组,得到多个标准地址组集。其次,将上述多个标准地址组集中的多个标准地址组中标准地址出现次数最多的标准地址,确定为第二地址分词的标准地址,得到标准地址集,作为替换后地址分词集。
第四子步骤,利用上述预设格式,对上述替换后地址分词集进行分词拼装,得到标准化地址信息。
步骤104,获取分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集。
在一些实施例中,上述执行主体可以获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集。其中,上述历史订单信息组中的历史订单信息可以是位于当前时间之前的、订单用户信息对应的订单用户已经完成订单签收或者位于取消状态的订单信息。上述用户历史行为信息组中的用户历史行为信息可以是位于当前时间之前的、用户对物品信息的浏览、收藏、加入购物车、下订单等的行为信息。上述关联用户信息组中的关联用户信息可以是与订单用户信息有社交关联关系的用户的信息。
步骤105,对用户历史行为信息组集、关联用户信息组集和历史订单信息组集进行用户画像构建,得到用户画像集。
在一些实施例中,上述执行主体可以对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集。其中,上述用户画像集中的用户画像可以是从不同维度描述订单用户的画像。上述用户画像包括多个用户标签信息。上述多个标签信息可以是从不同维度描述用户的特征关键词。例如,上述多个标签信息可以包括但不限于以下至少一项:订单用户基本标签信息、订单用户偏好标签信息。上述订单用户基本标签信息可以包括但不限于以下至少一项:订单用户的姓名、性别、收入情况、虚拟物品价值流转信息(征信信息)、物品消费水平信息(购买能力信息)。上述订单用户偏好标签信息可以包括但不限于以下至少一项:物品类别信息、购买物品频度、用户活跃度。
作为示例,上述执行主体可以利用行为特征提取模型,对上述用户历史行为信息组集、关联用户信息组集和历史订单信息组集进行行为特征提取,得到用户画像集。其中,上述行为特征提取模型可以是卷积神经网络模型。
在一些实施例的一些可选的实现方式中,上述对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集,可以包括以下步骤:
第一步,对上述关联用户信息组集中的每个关联用户信息组进行社交网络图构建,得到用户社交网络图集。其中,上述用户社交网络图集中的用户社交网络图可以是以语义图的形式表示的订单用户与关联用户信息组集的关系图。实践中,利用知识图谱技术,对上述关联用户信息组集中的每个关联用户信息组进行社交网络图构建,得到用户社交网络图集。
第二步,对于上述用户社交网络图集中的每个用户社交网络图,执行以下用户画像确定步骤:
第一子步骤,确定与上述用户社交网络图对应的用户历史行为信息组和历史订单信息组,作为目标用户历史行为信息组和目标历史订单信息组。
第二子步骤,对上述目标用户历史行为信息组进行用户偏好预测,得到用户偏好标签信息组。其中,上述用户偏好标签信息组中的用户偏好标签信息可以表征用户下单的物品类别的偏好。实践中,上述执行主体可以利用协同过滤算法,对上述目标用户历史行为信息组进行用户偏好预测,得到用户偏好标签信息组。
第三子步骤,对上述目标历史订单信息组进行用户需求预测,得到用户需求标签信息组。其中,上述用户需求标签信息组中的用户需求标签信息可以是对用户具有周期性的订单信息(复购订单)包括的物品的偏好信息。实践中,上述执行主体可以利用用户需求预测模型,对上述目标历史订单信息组进行用户需求预测,得到用户需求标签信息组。其中,上述用户需求预测模型可以是融合逻辑回归模型、XGBoost(eXtreme GradientBoosting,极端梯度提升)模型、LightGBM(Light Gradient Boosting Machine,轻量级梯度提升机器学习算法)模型和CatBoost(Categorical Boosting)模型的Stacking集合模型。
第四子步骤,根据上述目标用户历史行为信息组对应的行为时间组和上述目标历史订单信息组对应的订单时间组,生成用户标签衰减权重值集。其中,上述用户标签衰减权重值集中的用户标签衰减权重值可以表征用户标签距离当前时间的长短的权重数值。时间距离当前时间越长,用户标签衰减权重值越小,时间距离当前时间越短,用户标签衰减权重值越大。
作为示例,上述执行主体可以将上述目标用户历史行为信息组对应的行为时间组和上述目标历史订单信息组对应的订单时间组输入至用户标签衰减函数,得到用户标签衰减权重值集。其中,上述用户标签衰减函数可以是关于时间的指数函数。
第五子步骤,对上述用户偏好标签信息组、上述用户需求标签信息组与上述用户标签衰减权重值集中对应的用户标签衰减权重值进行加权处理,得到用户权重需求标签信息组和用户权重偏好标签信息组,作为用户标签信息集。
第六子步骤,根据上述用户社交网络图,对上述用户标签信息集进行扩展更新处理,得到目标用户标签信息集。其中,上述目标用户标签信息集可以是对用户标签信息集的扩展和对用户标签信息集的权重值进行更新得到的标签信息集。
作为示例,上述执行主体可以首先,从上述用户社交网络图中选择出以位于中心位置的订单用户信息为中心,以预设距离为距离阈值的用户社交网络子图。其中,上述预设距离可以是通过2个关联用户信息连接到位于中心位置的订单用户信息的最大距离。然后,将上述用户社交网络子图包括的关联用户信息集对应的关联用户标签信息集进行去重,得到关联用户标签信息集。最后,将与上述用户标签信息集不同的关联用户标签信息子集添加到上述用户标签信息集,得到目标用户标签信息集。
第七子步骤,将上述目标用户标签信息集,确定为用户画像。
在一些实施例的一些可选的实现方式中,上述根据上述用户社交网络图,对上述用户标签信息集进行扩展更新处理,得到目标用户标签信息集,可以包括以下步骤:
第一步,确定上述用户社交网络图的社交关系感知子图。其中,上述社交关系感知子图可以是以位于上述用户社交网络图的中心位置的订单用户信息为中心、以预设距离阈值为距离的社交网络子图。上述预设距离阈值可以是3个关联用户信息连接到位于中心位置的订单用户信息的最大距离。
第二步,对上述社交关系感知子图的静态结构属性、群体感知度和群体交互度进行提取处理,得到静态结构特征向量、群体感知特征向量和群体交互特征向量。其中,上述静态结构特征向量可以表征上述社交关系感知子图的节点和连接边的结构的特征信息。上述群体感知特征向量可以表征位于中心位置的订单用户信息对社交关系感知子图包括的关联用户信息集的平均影响程度的特征信息。上述群体交互特征向量可以表征位置中心的订单用户信息对关联用户信息集的交互关系的特征信息。上述交互关系可以包括但不限于以下至少一项:关注关系、物品推荐关系或者转发关系。
作为示例,上述执行主体可以首先,利用图嵌入模型,对上述社交关系感知子图的静态结构属性进行提取,得到静态结构特征向量。其中,上述图嵌入模型可以是Deepwalk模型,也可以是Node2Vec模型。然后,利用随机游走算法,对上述社交关系感知子图的群体感知度进行提取,得到群体感知特征向量。最后,将位于中心位置的订单用户信息与上述社交关系感知子图包括的关联用户信息集中的每个用户的交互数值的指示函数的函数值的和、与上述社交关系感知子图包括的关联用户信息的数量的比值,确定为群体交互特征向量。
第三步,将上述静态结构特征向量、上述群体感知特征向量和上述群体交互特征向量进行拼接处理后输入至群体静态融合网络,得到群体静态感知特征向量。其中,上述群体静态融合网络可以包括:多层图注意力网路和多头注意力机制层。上述群体静态融合网络可以是对上述社交关系感知子图中的表征静态信息的静态结构特征向量、上述群体感知特征向量和上述群体交互特征向量赋予不同权重的模型。
第四步,获取预设时长内社交关系感知子图包括的关联用户信息集和位于中心位置的订单用户信息之间的动态交互的交互关系网络图。其中,上述预设时长可以是距离当前时间10天之前的时长。上述交互关系网络图可以是加权有向图。上述交互关系网络图中各个边的权重可以是上述关联用户信息集包括的各个关联用户信息之间的交互数值。
第五步,对上述交互关系网络图的动态结构、个体交互属性进行提取处理,得到动态结构特征向量和关系交互特征向量。其中,上述动态结构特征向量可以表征上述交互关系网络图的结构的特征信息。上述关系交互特征向量可以表征交互关系网络图包括的各个节点对应各个的用户信息之间的交互关系的特征信息。
作为示例,上述执行主体可以首先,利用图嵌入模型,对上述交互关系网络图进行动态结构提取处理,得到动态结构特征向量。然后,利用随机游走算法,对上述交互关系网络图进行个体交互属性提取处理,得到关系交互特征向量。
第六步,对上述动态结构特征向量和上述关系交互特征向量进行拼接处理后进行输入至动态融合网络,得到动态拼接特征向量。其中,上述动态融合网络可以包括:多层图注意力网路和多头注意力机制层。上述动态融合网络可以是对上述表征动态的动态结构特征向量和关系交互特征向量赋予不同权重的模型。
第七步,对上述动态拼接向量进行时间窗口划分处理,得到动态拼接子特征向量序列。其中,上述时间窗口可以是1天。上述动态拼接子特征向量序列中的各个动态拼接子特征向量包括的用户节点的数量是相同的。
第八步,将上述动态拼接子特征向量序列中的每个动态拼接子特征向量输入至多个多头注意力机制网络后进行特征融合,得到动态交互融合特征向量。其中,上述多个多头注意力机制网络的数量与上述动态拼接子特征向量序列包括的动态拼接子特征向量的数量相同。上述多个多头注意力机制网络包括的第一个多头注意力机制网络的输入为动态拼接子特征向量序列中位于初始位置的动态拼接子特征向量。除第一个多头注意力机制网络之后的各个多头注意力机制的输入均为上一个多头注意力机制网络的输出、与多头注意力机制的位置相同的动态拼接子特征向量。
第九步,将上述群体静态感知特征向量和上述动态交互融合特征向量进行拼接后输入至社交影响力预测网络,得到社交影响力权重数值集。其中,上述社交影响力权重数值集可以是社交关系感知子图包括的各个关联用户信息对位于中心位置的订单用户信息的影响权重。上述社交影响力预测网络可以是前馈神经网络。
第十步,从上述社交影响力权重数值集中选取出大于等于预设影响力权重阈值的至少一个社交影响力权重数值,得到目标社交影响力权重数值集。其中,上述预设影响力权重阈值可以是预先设定的、社交影响力权重数值的最小值。例如,上述预设影响力权重阈值可以是0.8。
第十一步,将上述目标社交影响力权重数值集对应的用户属性标签信息集与上述用户标签信息集进行匹配处理,得到标签匹配结果集。其中,上述标签匹配结果集中的标签匹配结果可以包括:标签匹配成功和标签匹配失败。上述标签匹配成功可以是用户属性标签信息与用户标签信息的匹配度大于等于预设匹配度阈值。上述预设匹配度阈值可以是预先设定的、匹配度数值的最小值。例如,上述匹配度阈值可以是0.9。上述标签匹配失败可以是用户属性标签信息与用户标签信息的匹配度小于预设匹配度阈值。
第十二步,将上述标签匹配结果集中存在表征匹配失败的至少一个标签匹配结果对应的各个用户属性标签信息添加至上述用户标签信息集中,得到添加后用户标签信息集。其中,上述各个用户标签是包括影响权重的用户标签。
第十三步,将上述标签匹配结果集中存在表征匹配成功的至少一个标签匹配结果对应的各个目标社交影响力权重数值与上述添加后用户标签信息集中对应的添加后用户标签信息进行加权处理,得到目标用户标签信息集。
上述第一步至第十三步,并结合步骤106和步骤107及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“社交关系网络的社交影响力对用户标签的扩展的现有技术为依赖于专家的经验发现的各种评价指标进行影响力特征提取,提取的影响力特征具有一定的局限性,并且提取的影响力特征一般是静态结构特征,造成获取的用户标签的准确性较低,对订单状态的预测准确率较低,进而导致库存物品的短缺和堆积”。导致库存物品短缺和堆积的因素往往如下:社交关系网络的社交影响力对用户标签的扩展的现有技术为依赖于专家的经验发现的各种评价指标进行影响力特征提取,提取的影响力特征具有一定的局限性,并且提取的影响力特征一般是静态结构特征,造成获取的用户标签的准确性较低,对订单状态的预测准确率较低。如果解决了上述因素,就能达到减少库存物品的短缺和堆积的效果。为了达到这一效果,本公开首先,确定社交关系感知子图可以只提取对订单用户信息具有一定影响力的关联用户,减少关联用户信息的特征信息和运算资源的浪费。其次,利用深度学习神经网络,对社交关系感知子图进行静态特征提取和融合,可以更细粒度和更全面的提取复杂环境下的社交关系感知子图的静态特征向量。再次,利用深度学习神经网络,对社交关系感知子图进行动态特征提取和融合,从动态交互关系和时间关系进行特征提取可以更全面和准确的提取动态特征向量。然后,对动态和静态特征向量进行拼接后进行预测,通过对更加全面精准的特征向量进行预测,可以提高预测的准确性。最后,通过预测的影响力权重数值对用户标签信息集进行扩展和更新,可以提高用户标签信息的准确性。由此,通过准确性较高的用户标签进行对订单状态进行预测及库存调整可以减少库存物品的短缺和堆积。
步骤106,根据用户画像集和历史订单信息组集,对筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集。
在一些实施例中,上述执行主体可以根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集。其中,上述目标订单状态信息可以是当前订单状态信息的下一步的订单的状态信息。
作为示例,上述执行主体可以利用时间序列预测模型,根据用户画像集和上述历史订单信息组集,对筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,得到目标订单状态信息集。其中,上述时间序列预测模型可以是包括:LSTM(Long Short-TermMemory,长短期记忆递归神经网络)模型和BiGRU(Bidirectional Gated Recurrent Unit,双向门控循环单元)模型。
在一些实施例的一些可选的实现方式中,上述根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集,可以包括以下步骤:
第一步,对于上述筛选后订单信息集中的每个筛选后订单信息,执行以下订单状态预测步骤:
第一子步骤,确定与上述筛选后订单信息对应的用户画像,作为筛选后用户画像。
第二子步骤,从上述筛选后订单信息中提取出订单物品所属类目信息、下单时间和当前订单状态信息。
第三子步骤,对上述订单物品所属类目信息、上述下单时间和上述当前订单状态信息进行词编码处理,得到物品编码向量、时间编码向量和状态编码向量。实践中,上述执行主体可以利用Word2Vec模型,对上述订单物品所属类目信息、下单时间和当前订单状态信息进行词编码处理,得到物品编码信息、时间编码向量和状态编码向量。
第四子步骤,对上述物品编码向量、上述时间编码向量和上述状态编码向量进行向量拼接,得到拼接编码向量。
第五子步骤,将上述拼接编码向量输入至预先训练好的订单状态预测模型包括的第一特征提取层,得到行为特征向量。其中,上述订单状态预测模型还包括:第二特征提取层、交叉注意力机制层和逻辑回归层。上述预先训练好的订单状态预测模型是通过上述历史订单信息组集和用户画像训练得到的模型。上述第一特征提取层可以是BERT(Bidirectional Encoder Representation from Transformers)模型。上述第二特征提取层可以是词嵌入网络层。上述第二特征提取层可以是词嵌入网络层。
第六子步骤,将上述筛选后订单信息包括的订单物品信息输入至上述第一特征提取层,得到物品特征向量。其中,上述物品特征向量可以表征订单物品信息的特征信息。
第七子步骤,将上述筛选后用户画像输入至上述第二特征提取层,得到用户特征向量。其中,上述用户特征向量可以表征订单用户的用户标签的特征信息。
第八子步骤,将上述物品特征向量和上述行为特征向量输入至上述交叉注意力机制层,得到订单状态特征向量。其中,上述订单状态特征向量可以是具有权重数值的特征向量。
第九子步骤,将上述订单状态特征向量和上述用户特征向量输入至上述逻辑回归层,得到目标订单状态信息。其中,上述逻辑回归层可以是将上述订单状态特征向量和上述用户特征向量进行拼接平铺操作后输入至逻辑回归层包括的多层全连接神经网络MLP(Multi-Layer Perceptron)投影到高维空间,并通过激活函数ReLu(Rectified LinearUnit,线性整流函数)进行非线性激活,最后通过Sigmoid函数得到目标订单状态信息。
在一些实施例的一些可选的实现方式中,上述将上述物品特征向量和上述行为特征向量输入至上述交叉注意力机制层,得到订单状态特征向量,可以包括以下步骤:
第一步,对上述行为特征向量进行第一线性变化,得到行为键矩阵。其中,上述行为键矩阵可以是表征物品特征向量与行为特征向量的相关性的矩阵。实践中,上述执行主体可以将上述行为特征向量与第一预设线性参数矩阵进行点乘处理,得到行为键矩阵。其中,上述第一预设线性参数矩阵可以是可训练的参数矩阵。
第二步,对上述行为特征向量进行第二线性变化,得到行为值矩阵。其中,上述值矩阵可以是表征行为特征向量的特征信息的矩阵。实践中,上述执行主体可以将上述行为特征向量与第二预设线性参数矩阵进行点乘处理,得到行为值矩阵。其中,上述第二预设线性参数矩阵可以是可训练的参数矩阵。
第三步,对上述物品特征向量进行第三线性变化,得到物品查询矩阵。其中,上述物品查询矩阵可以是表征物品特征向量的特征信息的矩阵。实践中,上述执行主体可以将上述物品特征向量与第三预设线性参数矩阵进行点乘处理,得到物品查询矩阵。其中,上述第三预设线性参数矩阵可以是可训练的参数矩阵。
第四步,对上述行为键矩阵的转置矩阵和上述物品查询矩阵进行点乘和缩放处理,得到初始注意力权重集。其中,上述缩放处理可以是将点乘的结果除以键矩阵对应维度的算术平方根。
第五步,对上述初始注意力权重集进行归一化处理,得到注意力权重集。其中,上述归一化处理可以是将上述初始注意力权重集输入至softmax函数。
第六步,对上述注意力权重集和上述行为值矩阵进行加权求和处理,得到订单状态特征向量。
步骤107,根据目标订单状态信息集和历史订单信息组集,对物品库存进行动态调整。
在一些实施例中,上述执行主体可以根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。其中,上述物品库存可以是存放订单物品的数量。上述物品库存可以是安全库存,以便在第一程度上避免出现缺货少货的情况,提高用户体验感。上述安全库存可以是一定时间内物品的存储量的最小值。上述动态调整可以包括以下至少一项:补货、促销。
作为示例,上述执行主体可以首先,通过上述目标订单状态信息集,确定目标状态信息中表征退货状态和取消状态的至少一个目标订单状态信息的订单数量。其次,从上述历史订单信息组集筛选出与历史时间段对应的历史订单信息子组集,作为筛选后历史订单信息组集。其中,上述历史时间段可以是今年之前的1-2年的当前时间之前的一周的时间段。然后,利用上述筛选后历史订单信息组集,对订单需求预测模型进行训练,得到训练完成的订单需求预测模型。其中,上述订单需求预测模型可以是灰色神经网络模型。最后,利用训练完成的订单需求预测模型,对当前时间段的订单量进行预测,得到当前订单量,以及通过当前订单量和订单数量的差值,对物品库存进行动态调整。其中,上述当前时间段可以是未来一周的时间段。
在一些实施例的一些可选的实现方式中,上述根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整,可以包括以下步骤:
第一步,对上述历史订单信息组集包括的订单物品信息集进行关联度分析,得到物品频繁项集。其中,上述历史订单信息组集中的每个历史订单信息包括多个订单物品信息。上述物品频繁项集中的物品频繁项可以是物品频繁项包括的多个订单物品信息的支持度大于等于预设支持度阈值的多个订单物品信息。上述支持度可以是物品频繁项包括的多个订单物品信息的订单数量在筛选后订单信息集中包括的订单数量的比值。上述预设支持度阈值可以是预先设定的、支持度的最小值。例如,上述预设支持度阈值可以是0.75。实践中,上述执行主体可以利用关联规则算法Apriori,对上述历史订单信息组集包括的订单物品信息集进行关联度分析,得到物品频繁项集。
第二步,对上述订单物品信息集进行物品聚类,得到物品类簇集。实践中,上述执行主体可以利用DBSCAN(Density-Based Spatial Clustering of Applications withNoise,基于密度的聚类算法),对上述订单物品信息集进行物品聚类,得到物品类簇集。
第三步,将上述物品频繁项集、上述物品类簇集和上述订单物品信息集的时间特征信息进行嵌入表示,得到物品频繁项特征向量集、物品类簇特征向量集和物品时间特征向量集。其中,上述订单物品信息集的时间特征信息可以是每个订单物品每天的订单数量。实践中,上述执行主体可以利用Word2Vec模型,对上述物品频繁项集、上述物品类簇集和上述订单物品信息集的时间特征信息进行嵌入表示,得到物品频繁项特征向量集、物品类簇特征向量集和物品时间特征向量集。
第四步,将上述物品频繁项特征向量集、物品类簇特征向量集和上述物品时间特征向量进行特征拼接,得到物品拼接向量集。其中,上述物品拼接向量集中的物品拼接向量可以是以物品订单的时间特征信息为行,按照上述物品频繁项集和上述物品类簇集的关联程度从高到底的顺序为列。
第五步,将上述物品拼接特征向量集输入至订单需求预测模型包括的时序特征提取网络,得到物品时空特征向量集、物品关联度特征向量集。其中,上述订单需求预测模型还包括:注意力机制层和预测层。上述订单需求预测模型可以是对输入的订单物品的关联度信息、相似度信息和时序特征信息进行预测得到每个订单物品的需求量的模型。上述时序特征提取网络可以是TCN(Temporal Convolutional Network,时域卷积神经网络)。上述物品时空特征向量集中的物品时空特征向量可以表征订单物品信息的时序特征信息。上述物品关联度特征向量集中的物品关联度特征向量可以表征订单物品信息的聚类度和关联度的特征信息。
第六步,将上述物品时空特征向量集和上述物品关联度特征向量集进行拼接后输入至上述注意力机制层,得到物品时空权重特征向量集和物品关联度权重特征向量集。
第七步,将上述物品时空权重特征向量集和上述物品关联度权重特征向量集输入至预测层,得到物品需求量集。其中,上述预测层可以是全连接层。
第八步,确定上述目标订单状态信息集中表征预设目标订单状态的至少一个目标订单状态信息对应的订单量,作为目标订单量。其中,上述预设目标订单状态可以是订单取消和退货的状态。
第九步,根据上述物品需求量集和上述目标订单量,构建库存目标函数。其中,上述库存目标函数可以是每个订单物品的库存量最小的目标函数。上述库存目标函数还包括订单约束目标函数。上述订单约束目标函数可以包括:订单物品的运输成本最小化约束、订单物品的生成成本最小化约束、订单物品的价值属性(销售利润)最大化约束。上述库存目标函数可以是最小化物品库存量和物品运输成本。
作为示例,上述执行主体可以首先,从上述目标订单量中筛选出每个订单物品信息对应的目标订单量,得到目标订单量集。然后,将上述物品需求量集和上述目标订单量集进行相减,得到目标物品需求量,作为库存量最小化目标函数。最后,将库存量最小化目标函数和订单约束目标函数,确定为库存目标函数。
第十步,利用改进的萤火虫优化算法,根据上述库存目标函数,对物品库存进行动态调整。其中,上述改进的萤火虫优化算法可以是在现有的萤火虫优化算法中的吸引力项中的萤火虫之间的距离参数添加吸引力加强因子,便于实现改进的萤火虫优化算法进行全局搜索。在现有的萤火虫优化算法中的随机项中添加阻尼振动曲线函数和自适应光系数,以便在一定程度上防止萤火虫算法陷入局部收敛,提高萤火虫优化算法的搜索效率。
上述第一步至第十步及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“由于现有的订单物品需求量预测仅通过单个物品的时间序列进行需求量预测,未考虑到物品之间的关联关系,造成对订单物品的需求量的预测准确度较低,并且在进行库存调整中现有方式为利用萤火虫算法,由于萤火虫算法搜索能力弱、搜索速度慢和易陷入局部最优解,造成库存调整的准确度较低,易导致物品库存的短缺和堆积”。导致物品库存的短缺和堆积的因素往往如下:由于现有的订单物品需求量预测仅通过单个物品的时间序列进行需求量预测,未考虑到物品之间的关联关系,造成对订单物品的需求量的预测准确度较低,并且在进行库存调整中现有方式为利用萤火虫算法,由于萤火虫算法搜索能力弱、搜索速度慢和易陷入局部最优解,造成库存调整的准确度较低。如果解决了上述因素,就能达到减少物品库存的短缺和堆积的效果。为了达到这一效果,本公开首先,对订单物品信息集进行聚类、关联度分析,可以提取订单物品信息之间的关联度关系。其次,对订单物品信息集的聚类特征、关联特征和时序特征进行嵌入式表示,可以减少订单物品信息集的离散特征的维度,减少冗余信息和运算资源的浪费。然后,利用订单需求预测模型,对每个订单物品信息的需求量进行预测,通过订单需求预测模型中的TCN和注意力机制层可以提取更多更全面的订单物品的特征信息,并赋予不同的权重,对不重要的特征向量赋予较小的权重,可以在一定程度上减少运算资源的浪费,以及提高预测的准确性。最后,利用改进后的萤火虫优化算法、物品需求量集和目标订单量,对物品库存进行优化调整,可以提高算法的全局搜索能力、收敛速度和种群多样性,减少算法求解时间,提高求解速度和准确率。由此,本公开通过对订单物品信息集的聚类性、关联性和时序性进行特征提取以及预测,可以得到更准确的订单物品的订单需求量,以及通过改进后的萤火虫优化算法提高库存优化调整到准确率,减少物品库存的短缺和堆积。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的物品库存调整方法通过历史订单信息集、用户画像,对订单信息集的订单状态进行精准预测,可以提高订单信息的预测准确性,减少物品库存的堆积和短缺,提高用户的体验感。具体来说,造成相关的物品库存的短缺和堆积,订单用户的体验感较低的原因在于:根据历史订单信息集和当前订单状态信息集,对订单信息集进行订单状态进行预测,由于订单的状态具有一定的波动性的、突变性和偶然性,以及忽略了订单用户在预测订单状态中的作用,会造成订单状态的预测准确性较低,造成本该减少的库存由于订单取消或者退货,增加了物品库存,本该增加的库存由于订单用户的行为习惯,减少了物品库存,导致物品库存的短缺和堆积,订单用户的体验感较低。基于此,本公开的一些实施例的物品库存调整方法可以首先,获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息。在这里,订单信息集包括的订单状态信息集和订单用户信息集便于后续预测后续订单状态和构建用户画像。其次,从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集。在这里,去除没有参考价值的订单信息,可以减少数据量和运算资源的浪费。再次,对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。在这里,分类处理便于后续获取每个订单用户的相关数据,构建精准的用户画像。接着,获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集。在这里,获取的历史订单信息组集、用户历史行为信息组集和关联用户薪资组集便于后续构建用户画像。随后,对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集。在这里,从多个方面进行用户画像的构建,可以提高构建用户画像的准确性。然后,根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集。在这里,通过用户画像和历史订单信息集进行订单状态预测,可以提高订单状态预测的准确性,以及考虑用户的行为习惯,可以提高用户的体验感。最后,根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。在这里,通过更加准确地订单状态信息集,可以更加有效的对物品库存进行动态调整,减少物品库存的短缺和堆积。由此可得,该物品库存调整方法通过历史订单信息集、用户画像,对订单信息集的订单状态进行精准预测,可以提高订单信息的预测准确性,减少物品库存的堆积和短缺,提高用户的体验感。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种物品库存调整装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该物品库存调整装置具体可以应用于各种电子设备中。
如图2所示,一种物品库存调整装置200包括:第一获取单元201、筛选单元202、分类处理单元203、第二获取单元204、用户画像构建单元205、订单状态预测单元206和动态调整单元207。其中,第一获取单元201被配置成:获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息。筛选单元202被配置成:从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集。分类处理单元203被配置成:对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集。第二获取单元204被配置成:获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集。用户画像构建单元205被配置成对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集。订单状态预测单元206被配置成:根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集。动态调整单元207被配置成:根据上述目标订单状态信息集和上述历史订单信息组集,对物品库存进行动态调整。
可以理解的是,物品库存调整装置200中记载的诸单元与参考图1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物品库存调整装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)300的结构示意图。图3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3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,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3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产品,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309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301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上述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(Hyper Text 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:获取订单信息集,其中,上述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息;从上述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集;对上述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集;获取上述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集;对上述用户历史行为信息组集、上述关联用户信息组集和上述历史订单信息组集进行用户画像构建,得到用户画像集;根据上述用户画像集和上述历史订单信息组集,对上述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集和上述历史订单信息组集;根据上述目标订单状态信息集,对物品库存进行动态调整。
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、方法和计算机程序产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:一种处理器包括第一获取单元、筛选单元、分类处理单元、第二获取单元、用户画像构建单元、订单状态预测单元和动态调整单元。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,第一获取单元还可以被描述为“获取订单信息集的单元”。
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)、专用标准产品(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 (9)
1.一种物品库存调整方法,包括:
获取订单信息集,其中,所述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息;
从所述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集;
对所述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集;
获取所述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集;
对所述用户历史行为信息组集、所述关联用户信息组集和所述历史订单信息组集进行用户画像构建,得到用户画像集;
根据所述用户画像集和所述历史订单信息组集,对所述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集;
根据所述目标订单状态信息集和所述历史订单信息组集,对物品库存进行动态调整。
2.根据权利要求1所述的方法,其中,所述对所述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集,包括:
根据所述筛选后订单信息集包括的订单用户信息集包括的用户联系信息,对所述订单用户信息集进行分类处理,得到初始用户信息组集;
对于所述初始用户信息组集中的每个初始用户信息组,执行以下订单用户信息确定步骤:
确定所述初始用户信息组包括的地址信息组中的每个地址信息的地址格式与预设格式是否相同;
响应于确定所述地址信息组中存在地址格式与预设格式不同的地址信息,对地址格式与所述预设格式不同的至少一个地址信息进行格式化处理,得到格式化地址信息组;
将所述地址信息组中地址格式为预设格式的至少一个地址信息和所述格式化地址信息组,确定为目标地址信息组;
对所述目标地址信息组包括的各个目标地址信息进行匹配处理,得到地址匹配结果组;
响应于确定所述地址匹配结果组中存在表征匹配成功的地址匹配结果,将表征匹配成功的至少一个匹配结果对应的至少一个初始用户信息,确定为分类用户信息。
3.根据权利要求2所述的方法,其中,所述响应于确定所述地址信息组中存在地址格式与预设格式不同的地址信息,对地址格式与所述预设格式不同的至少一个地址信息进行格式化处理,得到格式化地址信息组,包括:
对不是预设格式的至少一个地址信息中的每个地址信息进行地址分词处理,得到第一分词地址信息集,其中,所述第一分词地址信息集中的第一分词地址信息包括多个第一地址分词;
对于所述第一分词地址信息集中的每个第一分词地址信息,执行以下分词拼装步骤:
对所述第一分词地址信息包括的多个第一地址分词进行停用词处理,得到第二分词地址信息,其中,所述第二分词地址信息包括多个第二地址分词;
根据预设地址标准数据库,对所述第二分词地址信息包括的多个第二地址分词进行地址词替换处理,得到替换后地址分词集;
利用所述预设格式,对所述替换后地址分词集进行分词拼装,得到格式化地址信息。
4.根据权利要求1所述的方法,其中,所述对所述用户历史行为信息组集、所述关联用户信息组集和所述历史订单信息组集进行用户画像构建,得到用户画像集,包括:
对所述关联用户信息组集中的每个关联用户信息组进行社交网络图构建,得到用户社交网络图集;
对于所述用户社交网络图集中的每个用户社交网络图,执行以下用户画像确定步骤:
确定与所述用户社交网络图对应的用户历史行为信息组和历史订单信息组,作为目标用户历史行为信息组和目标历史订单信息组;
对所述目标用户历史行为信息组进行用户偏好预测,得到用户偏好标签信息组;
对所述目标历史订单信息组进行用户需求预测,得到用户需求标签信息组;
根据所述目标用户历史行为信息组对应的行为时间组和所述目标历史订单信息组对应的订单时间组,生成用户标签衰减权重值集;
对所述用户偏好标签信息组、所述用户需求标签信息组与所述用户标签衰减权重值集中对应的用户标签衰减权重值进行加权处理,得到用户权重需求标签信息组和用户权重偏好标签信息组,作为用户标签信息集;
根据所述用户社交网络图,对所述用户标签信息集进行扩展更新处理,得到目标用户标签信息集;
将所述目标用户标签信息集,确定为用户画像。
5.根据权利要求1所述的方法,其中,所述根据所述用户画像集和所述历史订单信息组集,对所述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集,包括:
对于所述筛选后订单信息集中的每个筛选后订单信息,执行以下订单状态预测步骤:
确定与所述筛选后订单信息对应的用户画像,作为筛选后用户画像;
从所述筛选后订单信息中提取出订单物品所属类目信息、下单时间和当前订单状态信息;
对所述订单物品所属类目信息、所述下单时间和所述当前订单状态信息进行词编码处理,得到物品编码向量、时间编码向量和状态编码向量;
对所述物品编码向量、所述时间编码向量和所述状态编码向量进行向量拼接,得到拼接编码向量;
将所述拼接编码向量输入至预先训练好的订单状态预测模型包括的第一特征提取层,得到行为特征向量,其中,所述订单状态预测模型还包括:第二特征提取层、交叉注意力机制层和逻辑回归层,上述预先训练好的订单状态预测模型是通过所述历史订单信息组集训练得到的;
将所述筛选后订单信息包括的订单物品信息输入至所述第一特征提取层,得到物品特征向量;
将所述筛选后用户画像输入至所述第二特征提取层,得到用户特征向量;
将所述物品特征向量和所述行为特征向量输入至所述交叉注意力机制层,得到订单状态特征向量;
将所述订单状态特征向量和所述用户特征向量输入至所述逻辑回归层,得到目标订单状态信息。
6.根据权利要求5所述的方法,其中,所述将所述物品特征向量和所述行为特征向量输入至所述交叉注意力机制层,得到订单状态特征向量,包括:
对所述行为特征向量进行第一线性变化,得到行为键矩阵;
对所述行为特征向量进行第二线性变化,得到行为值矩阵;
对所述物品特征向量进行第三线性变化,得到物品查询矩阵;
对所述行为键矩阵的转置矩阵和所述物品查询矩阵进行点乘和缩放处理,得到初始注意力权重集;
对所述初始注意力权重集进行归一化处理,得到注意力权重集;
对所述注意力权重集和所述行为值矩阵进行加权求和处理,得到订单状态特征向量。
7.一种物品库存调整装置,包括:
第一获取单元,被配置成获取订单信息集,其中,所述订单信息集中的订单信息包括:当前订单状态信息和订单用户信息;
筛选单元,被配置成从所述订单信息集中筛选出当前订单状态信息为预设订单状态信息的至少一个订单信息,得到筛选后订单信息集;
分类处理单元,被配置成对所述筛选后订单信息集包括的订单用户信息集进行分类处理,得到分类用户信息集;
第二获取单元,被配置成获取所述分类用户信息集中的每个分类用户信息的历史订单信息组、用户历史行为信息组和关联用户信息组,得到历史订单信息组集、用户历史行为信息组集和关联用户信息组集;
用户画像构建单元,被配置成对所述用户历史行为信息组集、所述关联用户信息组集和所述历史订单信息组集进行用户画像构建,得到用户画像集;
订单状态预测单元,被配置成根据所述用户画像集和所述历史订单信息组集,对所述筛选后订单信息集中的每个筛选后订单信息进行订单状态预测,以生成目标订单状态信息,得到目标订单状态信息集;
动态调整单元,被配置成根据所述目标订单状态信息集和所述历史订单信息组集,对物品库存进行动态调整。
8.一种电子设备,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1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648667.8A CN117689311B (zh) | 2023-12-04 | 2023-12-04 | 物品库存调整方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648667.8A CN117689311B (zh) | 2023-12-04 | 2023-12-04 | 物品库存调整方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689311A CN117689311A (zh) | 2024-03-12 |
CN117689311B true CN117689311B (zh) | 2024-05-17 |
Family
ID=90134433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311648667.8A Active CN117689311B (zh) | 2023-12-04 | 2023-12-04 | 物品库存调整方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689311B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492104A (zh) * | 2018-11-09 | 2019-03-19 | 北京京东尚科信息技术有限公司 | 意图分类模型的训练方法、分类方法、系统、设备和介质 |
CN109961328A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 确定订单冷静期的方法和装置 |
CN110796413A (zh) * | 2019-10-29 | 2020-02-14 | 珠海格力电器股份有限公司 | 货物配送方法、装置、存储介质及电子设备 |
CN111062774A (zh) * | 2019-11-20 | 2020-04-24 | 北京三快在线科技有限公司 | 活动投放方法、装置、电子设备和计算机可读介质 |
CN111159533A (zh) * | 2019-11-29 | 2020-05-15 | 国网电动汽车服务有限公司 | 一种基于用户画像的智能充电服务推荐方法和系统 |
CN114066363A (zh) * | 2021-11-18 | 2022-02-18 | 北京每日菜场科技有限公司 | 订单信息处理方法、装置、电子设备和计算机可读介质 |
CN115169852A (zh) * | 2022-06-29 | 2022-10-11 | 朴道征信有限公司 | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
CN116228098A (zh) * | 2022-12-30 | 2023-06-06 | 上海普洛斯普新数字科技有限公司 | 一种基于订单状态变化的多系统交互装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021178731A1 (en) * | 2020-03-04 | 2021-09-10 | Karl Denninghoff | Neurological movement detection to rapidly draw user attention to search results |
-
2023
- 2023-12-04 CN CN202311648667.8A patent/CN117689311B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961328A (zh) * | 2017-12-14 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 确定订单冷静期的方法和装置 |
CN109492104A (zh) * | 2018-11-09 | 2019-03-19 | 北京京东尚科信息技术有限公司 | 意图分类模型的训练方法、分类方法、系统、设备和介质 |
CN110796413A (zh) * | 2019-10-29 | 2020-02-14 | 珠海格力电器股份有限公司 | 货物配送方法、装置、存储介质及电子设备 |
CN111062774A (zh) * | 2019-11-20 | 2020-04-24 | 北京三快在线科技有限公司 | 活动投放方法、装置、电子设备和计算机可读介质 |
CN111159533A (zh) * | 2019-11-29 | 2020-05-15 | 国网电动汽车服务有限公司 | 一种基于用户画像的智能充电服务推荐方法和系统 |
CN114066363A (zh) * | 2021-11-18 | 2022-02-18 | 北京每日菜场科技有限公司 | 订单信息处理方法、装置、电子设备和计算机可读介质 |
CN115169852A (zh) * | 2022-06-29 | 2022-10-11 | 朴道征信有限公司 | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
CN116228098A (zh) * | 2022-12-30 | 2023-06-06 | 上海普洛斯普新数字科技有限公司 | 一种基于订单状态变化的多系统交互装置及方法 |
Non-Patent Citations (4)
Title |
---|
The Application of Artificial Intelligence in Electronic Commerce;Xia Song 等;《Journal of Physics: Conference Series》;20191231;第1302卷(第3期);第1-6页 * |
基于CPFR理论的D公司供应链库存管理优化研究;李自兵;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20230115(第1期);第C038-271页 * |
基于网络口碑数据挖掘的电子商务物流服务质量问题;张振华 等;《中国流通经济》;20190131;第33卷(第1期);第43-55页 * |
我国仓配一体化与仿真技术研究;徐旦 等;《内蒙古公路与运输》;20180210(第1期);第43-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689311A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
US11501213B2 (en) | Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets | |
Bhargava et al. | Who, what, when, and where: Multi-dimensional collaborative recommendations using tensor factorization on sparse user-generated data | |
US11734717B2 (en) | Dynamic predictive similarity grouping based on vectorization of merchant data | |
CN105210064B (zh) | 使用深度网络将资源分类 | |
US20120101965A1 (en) | Topic models | |
US11093857B2 (en) | Method and apparatus for generating information | |
WO2023065211A1 (zh) | 一种信息获取方法以及装置 | |
US20190286978A1 (en) | Using natural language processing and deep learning for mapping any schema data to a hierarchical standard data model (xdm) | |
Poisot et al. | Synthetic datasets and community tools for the rapid testing of ecological hypotheses | |
CN110377913A (zh) | 一种情感分析方法及其装置、电子设备和存储介质 | |
Zhou et al. | Improving human mobility identification with trajectory augmentation | |
CN113204577A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN113792786A (zh) | 商品对象自动分类方法及其装置、设备、介质、产品 | |
CN114707041B (zh) | 消息推荐方法、装置、计算机可读介质及电子设备 | |
CN111143534A (zh) | 基于人工智能的品牌名的提取方法、装置及存储介质 | |
CN117149812A (zh) | 结构化查询语句生成方法及其装置、设备、介质 | |
CN117689311B (zh) | 物品库存调整方法、装置、电子设备和计算机可读介质 | |
Dinarelli et al. | New recurrent neural network variants for sequence labeling | |
CN112784157A (zh) | 行为预测模型的训练方法、行为预测方法及装置、设备 | |
Liang | Intelligent Tourism Personalized Recommendation Based on Multi‐Fusion of Clustering Algorithms | |
Singh | Machine learning with PySpark | |
US20230367644A1 (en) | Computing environment provisioning | |
Zeng | Application of conditional random field model based on machine learning in online and offline integrated educational resource recommendation | |
Chen et al. | Service Composition Recommendation Method Based on Recurrent Neural Network and Naive Bayes |
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 |