KR20210120934A - 추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 - Google Patents

Abstract

본 출원은 빅 데이터 분야 및 스마트 추천 분야에 관한 것으로서, 추천 모델을 확정하는 방법 및 장치, 그리고 물품 가격을 확정하는 방법 및 장치를 제공한다. 추천 모델을 확정하는 방법은, 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하는 것; 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하는 것; 각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻는 것; 및 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻는 것을 포함한다.

Description

추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램{METHOD AND APPARATUS OF DETERMINING SUGGESTION MODEL, METHOD AND APPARATUS OF DETERMINING PRICE OF ITEM, ELECTRONIC DEVICE, COMPUTER-READABLE STORAGE MEDIUM, AND COMPUTER PROGRAM}

본 출원은 컴퓨터 기술분야에 관한 것으로서, 구체적으로는, 빅 데이터 분야 및 스마트 추천 분야에 관한 것이고, 보다 구체적으로는, 추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램에 관한 것이다.

시장의 수요에 적응하기 위해, 물품 가격은 시장의 수요의 동적 변화에 따라 변화하여야 한다. 관련 기술에 있어서는, 일반적으로, 인공적으로 시장의 수요에 따라 물품 가격을 설정한다. 하지만, 인공적인 방식은 시장의 수요에 대한 응답이 둔감하고, 실시간으로 물품 가격을 조절할 수 없다.

본 출원은, 물품 가격을 추천하기 위한 추천 모델을 확정하기 위한 방법 및 장치, 그리고 확정된 추천 모델에 의해 물품 가격을 확정하는 방법 및 장치를 제공한다.

제1 측면에 의하면, 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하는 것; 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하는 것; 각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻는 것; 및 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻는 것을 포함하는 추천 모델을 확정하는 방법을 제공한다.

제2 측면에 의하면, 소정의 과거 시간대 내의 물품에 대한 물품의 과거 판매량을 포함하는 과거 데이터를 취득하는 것; 과거 데이터에 대한 수요 예측치를 확정하는 것; 및 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 물품의 추천 가격을 확정하는 것을 포함하고, 사전에 확정된 추천 모델은 상기의 추천 모델을 확정하는 방법에 의해 얻어지는 물품 가격을 확정하는 방법을 제공한다.

제3 측면에 의하면, 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하기 위한 제1 데이터 취득 모듈; 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하기 위한 제1 수요 확정 모듈; 각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻기 위한 관계 확정 모듈; 및 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻기 위한 수치 확정 모듈을 포함하는 추천 모델을 확정하는 장치를 제공한다.

제4 측면에 의하면, 소정의 과거 시간대 내의 물품에 대한 물품의 과거 판매량을 포함하는 과거 데이터를 취득하기 위한 제2 데이터 취득 모듈; 과거 데이터에 대한 수요 예측치를 확정하기 위한 제2 수요 확정 모듈; 및 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 물품의 추천 가격을 확정하기 위한 가격 추천 모듈을 포함하고, 사전에 확정된 추천 모델은 상기의 추천 모델을 확정하는 장치에 의해 얻어지는 물품 가격을 확정하는 장치를 제공한다.

제5 측면에 의하면, 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하는 전자 장비에 있어서, 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행됨으로써, 상기 적어도 하나의 프로세서로 하여금 앞에서 제공한 추천 모델을 확정하는 방법 또는 앞에서 제공한 물품 가격을 확정하는 방법을 실행할 수 있도록 하는 전자 장비를 제공한다.

제6 측면에 의하면, 컴퓨터 명령이 저장되어 있는 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서, 상기 컴퓨터 명령은 프로세서에 의해 실행될 경우, 앞에서 제공한 추천 모델을 확정하는 방법 또는 앞에서 제공한 물품 가격을 확정하는 방법을 실현하는 비 일시적 컴퓨터 판독 가능 저장 매체를 제공한다.

제7 측면에 의하면, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램의 명령이 프로세서에 의해 실행될 경우, 앞에서 제공한 추천 모델을 확정하는 방법 또는 앞에서 제공한 물품 가격을 확정하는 방법을 실현하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공한다.

본 명세서에 기술된 내용은 그 목적이 본 개시의 실시예의 핵심 또는 중요한 특징을 지정하기 위한 것이 아니고, 또한, 본 개시의 범위는 이에 한정되지 아니함을 이해하여야 한다. 본 개시의 다른 특징들은 하기 설명으로부터 용이하게 이해할 수 있을 것이다.

첨부 도면은 본 기술방안을 보다 쉽게 이해하도록 하기 위한 것이고, 본 출원은 이에 한정되지 않는다.
도 1은 본 출원의 실시예에 따른 추천 모델 및 물품 가격을 확정하는 방법, 장치, 장비 및 매체의 응용장면을 나타내는 도면이다.
도 2는 본 출원의 실시예에 따른 추천 모델을 확정하는 방법의 예시적인 흐름도이다.
도 3은 본 출원의 실시예에 따른 목표 파라미터의 수치를 확정하는 흐름도이다.
도 4는 본 출원의 다른 실시예에 따른 목표 파라미터의 수치를 확정하는 원리를 나타내는 예시도이다.
도 5는 본 출원의 실시예에 따른 물품 가격을 확정하는 방법의 예시적인 흐름도이다.
도 6은 본 출원의 실시예에 따른 추천 모델을 확정하는 장치의 구성 블록도이다.
도 7은 본 출원의 실시예에 따른 물품 가격을 확정하는 장치의 구성 블록도이다.
도 8은 본 출원의 실시예에 따른 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비의 블록도이다.

이하, 도면을 참조하여 본 출원의 예시적인 실시예들을 설명한다. 이해를 돕기 위해, 본 출원의 실시예의 각종 세부사항을 포함하게 되는데, 이들은 단지 예시적인 것에 불과하다. 따라서, 당업자라면 본 출원의 범위 및 취지를 벗어나지 않으면서 본 출원의 실시예에 대해 여러 가지 변경 및 수정이 이루어질 수 있음을 이해할 수 있을 것이다. 또한, 명확성과 간결성을 위해 하기의 설명에서는, 공지된 기능 및 구성에 대한 설명을 생략한다.

본 출원은 추천 모델을 확정하는 방법을 제공한다. 상기 방법은, 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하는 것; 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하는 것; 각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻는 것; 및 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻는 것을 포함한다.

이하, 도 1을 참조하여 본 출원에 의해 제공되는 방법 및 장치의 응용장면에 대해 설명한다.

도 1은 본 출원의 실시예에 따른 추천 모델 및 물품 가격을 확정하는 방법, 장치, 장비 및 매체의 응용장면을 나타내는 도면이다.

도 1에 도시된 바와 같이, 본 실시예의 응용장면(100)은 예를 들어 고객이 요금을 부담하는 장면일 수 있으며, 가격을 추천하는 추천 모델을 확정하고, 확정된 추천 모델에 의해 가격을 추천하기 위한 것일 수 있다.

본 출원의 실시예에 의하면, 사전에 추천 모델을 설정해둘 수 있는데, 해당 추천 모델은 예를 들어 물품의 과거 가격, 물품의 과거 판매량 또는 물품의 시장 수요 예측치 등을 독립 변수로 하고, 물품의 추천 가격을 함수로 할 수 있다.

본 출원의 실시예에 의하면, 추천 모델은 예를 들어 수치가 확정되지 않은 파라미터를 가질 수 있다. 해당 파라미터의 수치는 다음과 같은 방법을 통해 얻을 수 있다. 즉, 복수의 물품의 샘플 데이터 및 해당 파라미터를 가진 추천 모델에 의해, 파라미터에 의해 표시되는 복수의 예측 추천 가격을 얻는다. 그 다음, 복수의 예측 추천 가격과 물품의 실제 과거 가격을 비교함으로써, 예측 추천 가격과 실제 과거 가격의 차이 값이 가장 작을 때의 파라미터의 수치를 확정한다. 예시적으로, 도 1에 도시된 바와 같이, 추천 모델 중의 파라미터의 수치를 확정하는 방법은 예를 들어 제1 장비(120)에 의해 실행될 수 있다. 여기서, 파라미터를 가진 추천 모델(111)은 예를 들어 사전에 제1 장비(120)에 저장해 두거나, 또는 제1 장비(120)에 의해 데이터베이스 또는 서버 등 다른 장비로부터 취득할 수 있다. 물품의 샘플 데이터(112)는 예를 들어 물품 공급업체(140) 또는 전자 상거래 등에 의해 제공될 수 있다. 제1 장비(120)는 파라미터를 가진 추천 모델(111) 및 물품의 샘플 데이터(112)에 의해 파라미터가 확정된 추천 모델(113)을 얻는다.

예시적으로, 복수의 물품의 샘플 데이터(112)는, 물품의 과거 가격, 과거 판매량, 판매 시간 등 정보를 포함할 수 있다. 추천 모델이 물품의 과거 가격 또는 물품의 과거 판매량을 독립 변수로 할 경우, 복수의 물품의 샘플 데이터(112)를 추천 모델에 대입함으로써 파라미터에 의해 표시되는 예측 추천 가격을 얻을 수 있다.

예시적으로, 추천 모델이 물품의 시장 수요 예측치를 독립 변수로 할 경우, 제1 장비(120)는 예를 들어 먼저 복수의 물품의 샘플 데이터(112)를 수요 예측 모델의 입력으로 하여, 예측된 시장 수요를 출력하여 얻을 수 있다.

예시적으로, 제1 장비(120)는 예를 들어 스마트 폰, 태블릿 PC, 랩탑 컴퓨터, 데스크 탑 컴퓨터 및 서버 등 처리기능을 가진 각종 전자 장비일 수 있고, 이에 한정되지는 않는다. 여기서, 서버는 예를 들어 애플리케이션 서버, 분산형 시스템의 서버, 또는 블록체인을 결합한 서버일 수 있다. 예시적으로, 해당 서버는 예를 들어 가상 서버 또는 클라우드 서버 등일 수 있다.

파라미터가 확정된 추천 모델(113)을 얻은 후에는, 해당 추천 모델을 이용하여 물품의 추천 가격을 예측함으로써, 물품 공급업체(140) 또는 전자 상거래에 제공하여 물품 가격을 설정하는데 참고하도록 할 수 있다. 도 1에 도시된 바와 같이, 본 실시예의 응용장면(100)은 제2 장비(130)를 더 포함할 수 있고, 해당 제2 장비(130)는 물품의 과거 데이터(114)로부터 파라미터가 확정된 추천 모델(113)의 입력을 얻기 위한 것으로서, 파라미터가 확정된 추천 모델(113)의 출력에 의해 물품의 추천 가격(115)을 얻는다.

예시적으로, 제2 장비(130)는 예를 들어 처리기능을 가진 각종 전자 장비일 수 있고, 해당 제2 장비(130)는 예를 들어 제1 장비(120)와 다른 장비일 수 있다. 또는, 제2 장비(130)와 제1 장비(120)는 동일 장비에서 서로 다른 동작을 실행하기 위한 2개의 기능모듈일 수도 있다.

예시적으로, 해당 제2 장비(130)는 예를 들어 애플리케이션에 서비스를 제공하는 백그라운드 서버 등일 수 있다. 여기서, 애플리케이션은 물품 공급업체 또는 전자 상거래의 단말 장비에 설치된 추천 가격을 확정하기 위한 애플리케이션일 수 있다. 이렇게 하면, 해당 제2 장비(130)는 출력하는 물품의 추천 가격(115)을 물품 공급업체(140)의 단말 장비 또는 전자 상거래의 단말 장비(150) 등에 피드백할 수 있다.

예시적으로, 물품의 과거 데이터(114)는 예를 들어 제2 장비(130)와 공급업체 또는 전자 상거래의 단말 장비와의 인터액션을 통해 얻을 수 있고, 해당 물품의 과거 데이터(114)는 예를 들어 현재 시각 전의 소정의 시간대 내의 물품의 판매량, 물품의 가격 등을 포함할 수 있다.

한 사용장면에 있어서, 공급업체 또는 전자 상거래가 물품 A의 가격을 정하고자 할 경우, 해당 공급업체 또는 전자 상거래는 물품 A의 제1 소정 시간대 내의 과거 데이터를 제1 장비(120)에 제공할 수 있다. 해당 제1 장비(120)는 예를 들어 해당 제1 소정 시간대 내의 과거 데이터를 제1 서브 시간대의 과거 데이터 및 제2 서브 시간대의 과거 데이터로 분할하고, 제1 서브 시간대의 과거 데이터를 트레이닝 샘플 데이터로 하고, 제2 서브 시간대의 과거 데이터를 추천 가격을 예측하기 위한 과거 데이터로 한다. 이어서, 트레이닝 샘플 데이터로부터 트레이닝을 통해 물품 A에 대한 파라미터가 확정된 추천 모델을 얻는다. 파라미터가 확정된 추천 모델 및 추천 가격을 예측하기 위한 과거 데이터를 제2 장비(130)로 전송한다. 제2 장비(130)는 수신된 과거 데이터 및 추천 모델에 의해 물품 A의 추천 가격을 얻는다. 여기서, 제1 서브 시간대를 제2 서브 시간대 이전의 시간대로 하여, 확정된 물품 A의 추천 가격의 실시간성을 보장한다. 추천 모델의 파라미터가 확정된 후, 공급업체 또는 전자 상거래는 실시간으로 제2 장비(130)에 최신의 과거 데이터를 제공하고, 제2 장비(130)가 피드백한 실시간 추천 가격을 얻음으로써, 실시간으로 물품 A의 설정된 가격으로 업데이트할 수 있다.

지적해두어야 할 것은, 추천 모델의 파라미터는 서로 다른 물품의 샘플 데이터에 따라 서로 다른 값을 얻게 되는데, 이를 통해 확정된 추천 모델이 지향성이 있도록 보장하여, 각 물품의 추천 가격의 정확성을 향상시킨다.

본 출원의 실시예에 의해 제공되는 추천 모델을 확정하는 방법은, 일반적으로 제1 장비(120)에 의해 실행될 수 있고, 본 출원의 실시예에 의해 제공되는 물품 가격을 확정하는 방법은 일반적으로 제2 장비(130)에 의해 실행될 수 있음을 이해할 수 있을 것이다. 이에 대응하여, 본 출원의 실시예에 의해 제공되는 추천 모델을 확정하는 장치는 일반적으로 제1 장비(120)일 수 있고, 본 출원의 실시예에 의해 제공되는 물품 가격을 확정하는 장치는 일반적으로 제2 장비(130)일 수 있다. 도 1에서의 제1 장비, 제2 장비 및 단말 장비의 수 및 유형은 단지 예시적인 것이다. 실제 수요에 따라, 임의의 수 및 유형의 제1 장비, 제2 장비 및 단말 장비를 구비할 수 있다.

이하, 도 1과 결합하여, 도 2 ~ 도 4을 이용하여 본 출원의 실시예에 의해 제공되는 추천 모델을 확정하는 방법을 상세하게 설명한다.

도 2는 본 출원의 실시예에 따른 추천 모델을 확정하는 방법의 예시적인 흐름도이다.

도 2에 도시된 바와 같이, 본 실시예의 추천 모델을 확정하는 방법(200)은 동작 S210, 동작 S230, 동작 S250 및 동작 S270을 포함한다.

동작 S210에서는, 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득한다.

본 출원의 실시예에 의하면, 동작 S210에서는 예를 들어 먼저 제1 소정 시간대 내의 물품의 과거 데이터를 취득할 수 있고, 해당 과거 데이터는 물품의 과거 판매량을 포함할 수 있다. 그 다음, 해당 제1 소정 시간대를 복수의 주기 시간대로 분할하고, 해당 복수의 주기 시간대에 따라, 취득한 과거 데이터를 복수의 샘플 데이터로 분할한다. 각 과거 데이터는 하나의 주기 시간대에 대응된다.

본 출원의 실시예에 의하면, 복수의 샘플 데이터는 공급업체 등에 의해 실제 수요에 따라 데이터 리스트의 형식으로 제공할 수 있고, 데이터 리스트 중 1행의 데이터 또는 소정의 행수의 데이터는 하나의 샘플 데이터를 구성한다. 여기서, 1행의 데이터는 하나의 주기 시간대에 대응된다.

예시적으로, 각 샘플 데이터 중의 과거 판매량은 서로 인접한 서로 다른 시간대의 복수의 과거 판매량을 포함할 수 있다. 예를 들어, 최근 30일 내의 물품의 과거 데이터를 취득하고, 30일을 10개의 주기 시간대로 분할하고, 각 주기 시간대는 3일일 수 있다. 그 다음, 취득한 과거 데이터를 10개의 샘플 데이터로 분할하고, 각 샘플 데이터는 서로 인접한 3일 중 매일의 과거 데이터를 포함한다.

동작 S230에서는, 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정한다.

본 출원의 실시예에 의하면, 동작 S230에서는 각 샘플 데이터에 포함되는 과거 판매량으로부터, 각 샘플 데이터에 대한 수요 예측치를 예측하여 얻을 수 있다. 해당 수요 예측치는 과거 판매량에 대응되는 시간대 후의 주기 시간대 내의 예측 판매량일 수 있다. 또는, 해당 수요 예측치는 과거 판매량에 대응되는 시간대 후의 주기 시간대 내의 시장 수요 예측 확률일 수도 있다. 여기서, 각 샘플 데이터에 서로 인접한 3일 중 매일의 과거 판매량이 포함되면, 예측하여 얻은 수요 예측치는 해당 서로 인접한 3일 후의 첫날의 예측된 시장 수요를 나타낼 수 있다.

본 출원의 실시예에 의하면, 사전에 트레이닝된 순환 신경망 모델을 이용하여 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정할 수 있다. 동작 S230에서는, 먼저 복수의 샘플 데이터 중 각 샘플 데이터를 순환 신경망 모델의 입력 벡터로 변환하여, 복수의 입력 벡터를 얻을 수 있다. 그 다음, 복수의 입력 벡터를 각각 순환 신경망 모델에 입력하고, 복수의 샘플 데이터에 대한 복수의 수요 예측치를 출력하여 얻는다.

예시적으로, 사전에 트레이닝된 장단기 메모리 모델(Long-Short-Term Memory, LSTM)을 이용하여 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정함으로써, 동작 S230에서 수요 예측치를 확정할 때 시간 정보를 고려하도록 하여, 확정된 수요 예측치의 정확성을 향상시킬 수 있다. 이에 대응하여, 각 샘플 데이터에는 물품의 과거 판매량 외에도, 물품의 과거 판매량에 대한 시간 정보를 포함할 수 있고, 해당 시간 정보는 날짜 정보를 포함할 수 있다.

예시적으로, 해당 시간 정보는 날짜 정보 외에도, 예를 들어 물품의 과거 판매량에 대한 시간대 유형을 포함할 수 있고, 해당 유형은 휴일, 작업일, 전통 명절 등을 포함할 수 있다. 장단기 메모리 모델에 입력되기 전에, 해당 시간대 유형을 예를 들어 원핫 인코딩(one-hot encoding) 방법을 이용하여 벡터로 변환함으로써, 입력 벡터의 일부로 할 수 있다. 시간대 유형을 입력함으로써, 장단기 메모리 모델로 하여금 특수한 날짜의 특수 판매량을 러닝할 수 있도록 하여, 출력하는 수요 예측치의 정확성을 보다 향상시킬 수 있다.

본 출원의 실시예에 의하면, 합성곱 신경망(Convolutional Neural Networks, CNN)은 사전에 트레이닝을 통해 얻을 수 있고, 복수의 샘플 데이터로부터 복수의 수요 예측치를 얻는 동시에, 얻은 주기 시간대 내의 수요 예측치가 나타내는 예측 판매량과 주기 시간대 내의 실제 판매량의 차이 값에 따라 파라미터를 재조절하여, 합성곱 신경망(Convolutional Neural Networks, CNN)의 정확성을 향상시킬 수 있다.

동작 S250에서는, 각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻는다.

본 출원의 실시예에 의하면, 추천 모델은 목표 파라미터를 포함하고, 추천 모델은 수요 예측치를 독립 변수로 하고, 추천 가격을 함수로 한다. 해당 추천 모델에서, 목표 파라미터의 값은 확정되지 않았다. 동작 S250에서는 각 샘플 데이터의 수요 예측치를 추천 모델의 독립 변수의 값으로 하여, 추천 가격과 목표 파라미터 사이의 관계를 얻을 수 있다. 복수의 샘플 데이터의 수요 예측치를 순차적으로 추천 모델의 독립 변수의 값으로 함으로써, 추천 가격과 목표 파라미터 사이이의 복수의 관계를 얻을 수 있고, 각 관계는 하나의 샘플 데이터에 대응된다.

예시적으로, 추천 모델을 공식 P_sug=V(θ,q)로 표시하면, 얻은 추천 가격과 목표 파라미터 사이의 관계는 예를 들어 P_sug=U(θ)로 표시할 수 있다. 여기서, P_sug는 추천 가격이고, θ는 목표 파라미터이고, q는 수요 예측치이다.

동작 S270에서는, 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻는다.

본 출원의 실시예에 의하면, 소정 손실 모델은 예를 들어 제곱 손실 함수 모델일 수 있고, 해당 소정 손실 모델은 실제 가격과 추천 가격 사이의 차이의 제곱합을 나타낼 수 있다. 동작 S270에서는 앞에서 설명한 추천 가격과 목표 파라미터 사이의 복수의 관계를 나타내는 U(θ)를 소정 손실 함수의 추천 가격의 값으로 할 수 있다. 예시적으로, 소정 손실 모델은 하기의 공식으로 표시할 수 있다.

U(θ)를 추천 가격의 값으로 한 후, 손실 함수 모델 L_loss은 θ에 관한 함수이다. 동작 S270에서는 경사하강 알고리즘을 이용하여 L_loss의 값이 가장 작도록 하는 θ의 값을 확정하고, 이때의 θ의 값을 목표 파라미터의 수치로 할 수 있다. 상기 제곱 손실 함수 모델은 단지 소정 손실 모델의 하나의 예시에 지나지 않고, 다른 실시예에서는, 예를 들어 절대치 손실 함수 또는 힌지 손실 함수 등을 이용할 수 있음을 이해할 수 있을 것이다. 해당 소정 손실 모델의 구체적인 형태는 실제 수요에 따라 설정할 수 있다.

본 출원의 실시예에 의하면, 목표 파라미터의 수치를 확정한 후, 목표 파라미터의 수치를 목표 파라미터를 포함하는 추천 모델에 대입하여 독립 변수만 확정되지 않은 추천 모델을 얻는다. 목표 파라미터의 값을 대입한 후의 추천 모델은 물품의 추천 가격을 확정할 수 있다.

본 출원의 실시예에서는, 우선 샘플 데이터로부터 물품의 수요 예측치를 얻고, 그 다음 복수의 샘플에 대한 수요 예측치 및 소정 손실 함수에 의해 추천 모델 중의 목표 파라미터의 값을 확정하여, 최종적으로 얻은 추천 모델로 하여금 물품의 실제 시장 수요에 맞추어, 정확하게 물품의 추천 가격과 시장 요소사이의 관계를 나타내게 함으로써, 얻은 추천 모델에 의해 확정한 추천 가격의 정확성을 향상시키는데 유리하다.

본 출원의 실시예에 의하면, 상기 동작에서 취득한 샘플 데이터는 과거 판매량 외에도, 예를 들어 물품에 대한 과거 핫 이슈 정보를 포함할 수 있다. 핫 이슈 정보는 예를 들어 핫 이슈 영화의 정보, 핫 이슈 뉴스 정보, 블로그 인기 검색 등의 정보일 수 있다. 이러한 정보는 원핫 인코딩 방법을 통해 벡터로 변환하여, 입력 벡터의 일부로 할 수 있다. 핫 이슈 정보의 입력을 통해, 동작 S230에서 수요 예측치를 확정할 때 시장 인기를 추가적으로 고려하여, 출력하는 수요 예측치의 정확성을 보다 향상시킬 수 있다. 예를 들어, 물품이 핫 이슈 영화의 주변 상품일 경우, 시장 수요량이 비교적 크므로, 확정된 수요 예측치는 비교적 큰 값이고, 물품이 비인기 영화의 주변 상품일 경우, 시장 수요량이 비교적 작으므로, 확정된 수요 예측치는 비교적 작은 값이다.

본 출원의 실시예에 의하면, 상기 동작에서 취득한 샘플 데이터는 과거 판매량 외에도, 예를 들어 과거 판매량에 대응되는 시간대 내의 물품의 경쟁 물품에 대한 과거 가격을 포함할 수 있다. 경쟁 물품의 가격은 물품의 판매량에 어느 정도 영향을 미치게 되므로, 입력 벡터에 해당 경쟁 물품의 과거 가격을 추가함으로써, 확정된 수요 예측치의 정확성을 보다 향상시킬 수 있다. 예시적으로, 경쟁 물품의 과거 가격 외에도, 샘플 데이터는 예를 들어 경쟁 물품과 현재 물품과의 유사도 등을 포함함으로써, 합성곱 신경망(Convolutional Neural Networks, CNN)을 이용하여 수요 예측치를 확정할 때, 해당 유사도에 따라 경쟁 물품의 과거 가격이 수요 예측치에 미치는 영향의 비중을 결정할 수 있다.

본 출원의 실시예에 의하면, 과거 판매량을 취득함과 동시에, 핫 이슈 정보 및 경쟁 물품의 과거 가격, 경쟁 물품과 물품의 유사도를 취득함으로써, 수요 예측치를 확정하는 순환 신경망 모델로 하여금 물품 수요와 시장에서 물품 외의 다른 동적 요소 사이의 관계를 나타낼 수 있도록 하여, 확정된 수요 예측치가 보다 정확하도록 할 수 있으므로, 후속적으로 확정한 추천 모델의 정확성을 보장할 수 있다.

도 3은, 본 출원의 실시예에 따른 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정하는 동작의 흐름도이다.

본 출원의 실시예에 의하면, 앞에서 설명한 추천 모델은 수치가 확정되지 않은 목표 파라미터 외에도, 예를 들어 하이퍼 파라미터를 포함할 수 있고, 이로써 추천 모델로 하여금 추천 가격과 수요 예측치사이의 보다 복잡한 관계를 나타낼 수 있도록 하고, 확정된 추천 모델이 보다 정확하도록 할 수 있다.

하이퍼 파라미터가 설정되어 있을 경우, 본 실시예에서는, 목표 파라미터의 값을 확정하여 추천 모델을 확정할 때, 하이퍼 파라미터를 최적화하여, 추천 모델의 러닝 성능 및 효과를 향상시킬 수 있다. 도 3에 도시된 바와 같이, 본 실시예에서 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정하는 동작은, 예를 들어, 확정된 추천 모델이 소정의 조건을 만족할 때까지 순환적으로 실행되는 동작 S371 ~ 동작 S374 및 확정된 추천 모델이 소정의 조건을 만족 할 경우 실행되는 동작 S375를 포함할 수 있다.

동작 S371에서는, 하이퍼 파라미터의 수치를 취득한다.

본 출원의 실시예에 의하면, 해당 하이퍼 파라미터의 수치는 예를 들어 인공적으로 입력하고, 제1 장비가 인공적 입력에 응답하여 하이퍼 파라미터의 값을 취득하도록 할 수 있다. 매번 순환이 종료된 후, 확정된 추천 모델에 의해 해당 하이퍼 파라미터의 수치를 인공적으로 조절함으로써, 다음 순환에서 얻은 추천 모델이 보다 정확하도록 할 수 있다.

본 출원의 실시예에 의하면, 예를 들어 러닝 머신이 사전에 한 조의 하이퍼 파라미터의 수치를 선택하고, 동작 S371에서는 상기 한 조의 하이퍼 파라미터의 수치로부터 순서대로 하나의 하이퍼 파라미터의 수치를 취득할 수 있다.

본 출원의 실시예에 의하면, 동작 S371에서는 격자 탐색(Grid Search) 기술을 이용하여 상기 하이퍼 파라미터의 값을 취득할 수 있다. 격자 탐색 기술의 본질은 열거법으로서, 우선 인공적으로 하나의 비교적 작은 한정된 수의 집합을 선택한 다음, 제1 장비가 열거법을 이용하여 수의 집합에 포함된 모든 수치를 전부 한번 운행하도록 할 수 있다.

본 출원의 실시예에 의하면, 추천 모델이 하이퍼 파라미터를 더 포함할 경우, 앞에서 확정된 복수의 관계는 추천 가격과 목표 파라미터 사이의 관계뿐만 아니라, 추천 가격과 하이퍼 파라미터 사이의 관계도 나타낼 수 있다. 이에 대응하여, 추천 모델은 예를 들어 공식 P_sug=W(θ,φ)을 통해 표시할 수 있고, 여기서, φ는 하이퍼 파라미터이다.

동작 S372에서는, 복수의 관계 및 하이퍼 파라미터의 수치에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정한다.

본 출원의 실시예에 의하면, 동작 S372에서는 추천 가격과 목표 파라미터 사이의 복수의 관계를 나타내는 W(θ,φ)를 손실 함수 중의 추천 가격의 값으로 하고, 하이퍼 파라미터의 수치를 W(θ,φ) 중의 φ의 값으로 할 수 있다. 이때, 소정 손실 함수는 θ에 관한 함수이고, 경사 하강 알고리즘(Gradient Descent Algorithm) 또는 역 구배 알고리즘(Inverse gradient algorithm) 등을 이용하여 손실 함수의 값이 가장 작도록 하는 θ의 값을 확정할 수 있고, 이때의 θ의 값을 목표 파라미터의 수치로 할 수 있다.

동작 S373에서는, 하이퍼 파라미터의 수치 및 목표 파라미터의 수치에 기초하여 추천 모델을 확정한다.

하이퍼 파라미터의 수치를 취득하고, 목표 파라미터의 수치를 확정한 후, 하이퍼 파라미터의 수치 및 목표 파라미터의 수치를 목표 파라미터 및 하이퍼 파라미터를 포함하는 추천 모델에 대입하여, 독립 변수만 확정되지 않은 추천 모델을 얻을 수 있다.

동작 S374에서는, 확정된 추천 모델이 소정의 조건을 만족하는지 판단한다.

본 출원의 실시예에 의하면, 소정의 조건은 예를 들어 서로 인접한 2회의 순환에서 확정한 2개의 목표 파라미터의 수치 사이의 차이 값이 제1 소정 차이 값보다 작은 경우를 포함할 수 있다. 서로 인접한 2회의 순환에서 확정된 목표 파라미터의 수치가 근접하면, 추천 모델의 목표 파라미터의 수치가 이미 최적화에 근접하였다고 판정할 수 있고, 현재의 목표 파라미터의 값을 정확한 값으로 확정한다. 따라서, 해당 목표 파라미터의 값을 대입한 추천 모델의 정확성이 수요를 만족할 수 있다고 확정한다. 여기서, 제1 소정 차이 값은 실제 수요에 따라 설정할 수 있고, 본 출원은 이에 대해 한정하지 않는다.

본 출원의 실시예에 의하면, 소정의 조건은 예를 들어 서로 인접한 2회의 순환에서 확정한 추천 모델에 의해 확정된 추천 가격 사이의 차이 값이 제2 소정 차이 값보다 작은 경우를 포함한다. 본 실시예에서는, 동작 S373에서 추천 모델을 얻은 후 테스트 데이터를 취득할 수 있고, 해당 테스트 데이터는 샘플 데이터와 유사하다. 테스트 데이터로부터 수요 예측치를 얻고, 수요 예측치를 추천 모델에 대입함으로써, 테스트 데이터에 대한 추천 가격을 얻을 수 있다. 동일 테스트 데이터에 대해, 서로 인접한 2회의 순환에서 확정한 추천 모델을 이용하여 얻은 2개의 추천 가격 사이의 차이 값이 제2 소정 차이 값보다 작으면, 서로 인접한 2회의 순환 중 뒤의 순환에서 얻은 추천 모델이 소정의 조건을 만족하는 것으로 확정한다. 여기서, 제2 소정 차이 값은 예를 들어 실제 수요에 따라 설정할 수 있고, 본 출원은 이에 대해 한정하지 않는다.

본 출원의 실시예에 의하면, 소정의 조건은, 확정된 소정 손실 모델의 최소 값이 제3 소정 값보다 작은 경우를 포함할 수 있다. 본 실시예에서는, 동작 S372에서 목표 파라미터의 수치를 얻은 후, 해당 목표 파라미터의 수치에 의해 확정된 소정 손실 모델의 최소 값이 소정값보다 작은지 확정할 수 있다. 최소 값이 제3 소정 값보다 작으면, 추천 모델이 소정의 조건을 만족하는 것으로 확정한다. 여기서, 제3 소정 값은 예를 들어 실제 수요에 따라 설정할 수 있고, 본 출원은 이에 대해 한정하지 않는다. 예시적으로, 해당 제3 소정 차이 값은 예를 들어 10의 -n차 거듭제곱일 수 있고, n은 양 정수이고, 해당 n의 값은 실제 수요에 따라 설정할 수 있다.

동작 S374에서 확정된 추천 모델이 소정의 조건을 만족하는 것으로 판단되면, 동작 S375을 실행하여, 현재의 목표 파라미터의 값을 최종 확정된 수치로 한다.

동작 S374에서 확정된 추천 모델이 소정의 조건을 만족하지 않는 것으로 판단되면, 되돌아가 동작 S371을 실행함으로써, 하이퍼 파라미터의 수치를 다시 취득하고, 추천 모델을 다시 확정한다.

본 출원의 실시예는, 목표 파라미터를 포함하는 추천 모델에 하이퍼 파라미터를 추가함으로써, 최종적으로 확정된 추천 모델로 하여금 보다 정확하게 추천 가격과 시장 동적 요소 사이의 관계를 나타낼 수 있도록 하고, 추천 모델을 이용하여 확정한 추천 가격의 정확성을 향상시킬 수 있다.

본 출원의 실시예에 의하면, 추천 모델은 예를 들어 예정 가격P를 더 포함할 수 있고, 해당 예정 가격은 인공적으로 설정할 수 있으며, 앞에서 설명한 수요 예측치 및 목표 파라미터를 포함하는 V(θ,q)는 조절인자로서, 인공적으로 설정한 예정 가격을 조절할 수 있다. 예를 들어, 추천 모델은 다음의 공식으로 표시할 수 있다.

예시적으로, 추천 가격과 시장 수요 사이의 복잡한 관계를 보다 잘 나타내기 위해, 조절인자V와 수요 예측치 q 사이의 관계는 예를 들어 비선형적 관계일 수 있다. 예를 들어, V와 q 사이의 관계는 다음과 같이 표시할 수 있다. V와 q 사이의 비선형적 관계는 단지 예시로서 본 출원에 대한 이해를 돕기 위한 것이고, 본 출원은 이에 대해 한정하지 않음을 이해할 수 있을 것이다.

본 출원의 실시예에 의하면, 추천 모델이 하이퍼 파라미터를 더 포함할 경우, 추천 모델은 다음과 같이 표시할 수 있다.

본 출원의 실시예에 의하면, 목표 파라미터의 수치를 확정할 때, 예를 들어 물품의 과거 판매량의 평균치도 고려하여, 최종적으로 확정한 추천 모델로 하여금 보다 정확하게 추천 가격과 시장 수요 사이의 관계를 나타낼 수 있도록 할 수 있다.

예시적으로, 앞에서 설명한 소정 손실 모델을 이용하여 목표 파라미터의 값을 확정하는 동작은, 우선 복수의 샘플 데이터에 포함되는 복수의 과거 판매량의 평균치를 확정할 수 있다. 그 다음, 평균치 및 복수의 과거 판매량에 기초하여, 소정 손실 모델의 값과 복수의 관계 사이의 연관 관계를 확정한다. 마지막으로, 연관 관계에 기초하여, 역 구배 알고리즘을 이용하여 소정 손실 모델의 값이 가장 작을 때의 목표 파라미터의 값을 확정한다.

예시적으로, 복수의 샘플 데이터 중 어느 샘플 데이터 중의 과거 판매량이 과거 판매량보다 현저하게 높으면, 해당 어느 샘플 데이터에 대한 관계에 따라 확정된 추천 가격이 소정 손실 모델의 값에서의 비중을 감소시킴으로써, 추천 모델의 안정성을 보장하고, 추천 모델로 하여금 보다 긴 시간대 내의 가격예측에 적용될 수 있도록 한다. 이에 대응하여, 앞에서 설명한 소정 손실 모델은 추천 가격과 실제 가격 사이의 제곱합을 계산할 때, 예를 들어 해당 제곱합을 위해 가중치를 부여할 수 있는데, 해당 가중치는 샘플 데이터 중의 과거 판매량과 평균치사이의 차이 값에 따라 확정할 수 있다. 평균치 및 복수의 과거 판매량에 기초하여 소정 손실 모델의 값과 복수의 관계 사이의 연관 관계를 확정하는 것은, 어느 샘플 데이터와 평균치의 차이 값이 비교적 크면, 소정 손실 모델 중의 해당 샘플 데이터에 대한 추천 가격의 제곱합에 비교적 작은 가중치를 부여한다.

도 4는 본 출원의 다른 실시예에 따른 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정하는 원리를 나타내는 예시도이다.

본 출원의 실시예에 의하면, 소정 손실 모델의 값을 확정할 때, 예를 들어 소정의 가격 상한선 및 소정의 가격 하한선도 고려하여, 추천 모델에 의해 확정된 추천 가격을 해당 소정의 가격 상한선과 소정의 가격 하한선 사이에 한정함으로써, 추천 가격이 너무 낮음으로 인해 공급업체가 적자를 내거나, 너무 높음으로 인해 물품의 재고가 쌓이는 것을 방지할 수 있다. 여기서, 소정의 가격 상한선 및 소정의 가격 하한선은 물품의 코스트 가격, 경쟁 물품의 가격 등 실제 수요에 따라 설정할 수 있고, 본 출원은 이에 대해 한정하지 않는다.

예시적으로, 소정 손실 모델은 예를 들어 2개의 부분으로 구성될 수 있는데, 한 부분은 소정의 가격 상한선과 목표 파라미터에 의해 표시되는 추천 가격 사이의 차이 값이고, 다른 한 부분은 목표 파라미터에 의해 표시되는 추천 가격과 소정의 가격 하한선 사이의 차이 값이다. 이에 대응하여, 소정 손실 모델의 값은 제1 수치와 제2 수치의 합이다. 여기서, 제1 수치는 소정의 가격 상한선과 목표 파라미터에 의해 표시되는 추천 가격 사이의 차이 값이고, 제2 수치는 목표 파라미터에 의해 표시되는 추천 가격과 소정의 가격 하한선 사이의 차이 값이다.

예시적으로, 상기 평균치 및 상기 복수의 과거 판매량에 기초하여, 상기 소정 손실 모델의 값과 상기 복수의 관계 사이의 연관 관계를 확정할 때, 복수의 샘플 데이터에 포함되는 과거 판매량이 평균치 이상인 제1 샘플 데이터에 대해, 소정 손실 모델의 값과 제1 샘플 데이터에 대한 제1 관계 사이의 연관 관계를 확정하는 것은, 소정의 가격 상한선과 제1 관계에 의해 확정된 추천 가격 사이의 제1 차이 값으로부터 제1 수치를 확정하는 것일 수 있다. 복수의 샘플 데이터에 포함되는 과거 판매량이 평균치보다 작은 제2 샘플 데이터에 대해, 소정 손실 모델의 값과 제2 샘플 데이터에 대한 제2 관계 사이의 연관 관계를 확정하는 것은, 제2 관계에 의해 확정된 추천 가격과 소정의 가격 하한선 사이의 제2 차이 값으로부터 제2 수치를 확정하는 것일 수 있다. 이는, 샘플 데이터 중의 과거 판매량이 평균치 이상일 경우, 일반적으로 적당하게 물품 가격을 인상하여, 공급업체의 이윤을 높일 수 있다고 볼 수 있고, 샘플 데이터 중의 과거 판매량이 평균치보다 작을 경우, 일반적으로 적당하게 물품 가격을 하락시켜, 판매량 목표를 달성하는데 유리하도록 할 수 있다고 볼 수 있기 때문이다.

예시적으로, 도 4에 도시된 예시적인 원리(400)와 같이, 손실 모델을 이용하여 목표 파라미터의 수치를 확정하기 전에, 예를 들어, 우선 물품의 과거 판매량으로부터 판매 만족 라인(410)을 확정함으로써, 소정 손실 모델의 값과 복수의 관계 사이의 연관 관계를 쉽게 확정할 수 있도록 할 수 있다. 여기서, 해당 판매 만족 라인(410)은 물품의 현재 시각 전의 제2 소정 시간대에 포함되는 복수의 주기 시간대의 과거 판매량의 평균 라인이다.

예시적으로, 앞에서 취득한 복수의 샘플 데이터에 포함되는 복수의 과거 판매량의 평균치를 확정하고, 해당 평균치를 S-t 좌표계의 S축의 값으로 하여, t축에 평행되는 방향에서 판매 만족 라인(410)을 얻을 수 있다. 여기서, S축은 판매량을 나타내고, t축은 시간을 나타낸다.

해당 판매 만족 라인을 얻은 후, 복수의 샘플 중의 과거 판매량이 판매 만족 라인(410)보다 낮은지에 따라, 복수의 샘플 데이터(420)를 플러스 샘플 데이터(421) 및 마이너스 샘플 데이터(422)로 분류할 수 있다. 여기서, 플러스 샘플 데이터(421)는 과거 판매량이 판매 만족 라인(410)보다 낮지 않은 샘플이고, 마이너스 샘플 데이터(422)는 과거 판매량이 판매 만족 라인(410)보다 낮은 샘플이다. 그 다음, 앞에서 설명한 수요 예측치를 확정하고 추천 가격과 목표 파라미터 사이의 관계를 확정하는 동작을 통해, 플러스 샘플 데이터(421)에 대한 제1 관계(431)를 얻고, 마이너스 샘플 데이터(422)에 대한 제2 관계(432)를 얻는다. 그 다음, 제1 관계(431)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격, 소정의 가격 상한선, 제2 관계(432)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격, 소정의 가격 하한선을 하기의 소정 손실 모델에 대입한다. 여기서, l는 소정의 가격 상한선이고, u는 소정의 가격 하한선이다. 여기서, 제1 관계(431)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격을 하기 공식 중의 제1 부분의 P_sug의 값으로 하고, 제2 관계(432)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격을 하기 공식 중의 제2 부분의 P_sug의 값으로 한다.

상기 손실 모델의 값을 확정할 때, 소정의 가격 상한선(441)과 제1 관계(431)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격의 차이 값으로부터 제1 수치(451)를 확정하여 얻고, 제2 관계(432)에 의해 확정되고 목표 파라미터에 의해 표시되는 추천 가격의 값과 소정의 가격 하한선(442)의 차이 값으로부터 제2 수치(452)를 확정하여 얻는다. 최종적으로는, 모든 제1 수치 및 제2 수치를 가산함으로써, 목표 파라미터에 의해 표시되는 소정 손실 모델의 값(450)을 얻을 수 있다. 예를 들어, 10개의 샘플 데이터가 있고, 그 중에 6개의 플러스 샘플 데이터 및 4개의 마이너스 샘플 데이터가 포함되어 있다고 하면, 앞에서 설명한 손실 모델에 의해, 6개의 제1 수치 및 4개의 제2 수치를 얻을 수 있고, 최종적으로는 6개의 제1 수치 및 4개의 제2 수치를 가산함으로써, 손실 모델의 값을 얻을 수 있다.

본 출원의 실시예에 의하면, 앞에서 설명한 제1 차이 값 및 제2 차이 값은 예를 들어 절대 차이 값일 수 있고, 이를 통해 손실 모델의 값이 보다 정확하게 추천 가격과 소정의 가격 상한선 사이의 거리 및 추천 가격과 소정의 가격 하한선 사이의 거리를 나타낼 수 있도록 할 수 있다.

본 출원의 실시예에 의하면, 앞에서 설명한 소정의 가격 상한선과 상기 제1 관계에 의해 확정된 추천 가격 사이의 제1 차이 값으로부터 제1 수치를 확정하는 것은, 예를 들어, 제1 수치를 0과 제1 차이 값 중 보다 큰 값으로 확정하는 것을 포함할 수 있다. 앞에서 설명한 제2 관계에 의해 확정된 추천 가격과 소정의 가격 하한선 사이의 제2 차이 값으로부터 상기 제2 수치를 확정하는 것은, 제2 수치를 0과 제2 차이 값 중 보다 큰 값으로 확정하는 것을 포함할 수 있다. 이에 대응하여, 소정 손실 모델은 다음과 같이 표시할 수 있다.

본 출원은, 제1 차이 값이 음수일 때 제1 수치의 값을 0으로 설정하고, 제2 차이 값이 음수일 때 제2 수치의 값을 0으로 설정함으로써, 신뢰성이 비교적 높은 너무 높은 추천 가격 또는 너무 낮은 추천 가격이 손실 함수의 값에 대한 영향을 방지할 수 있어, 최종적으로 확정한 추천 모델에 의해 얻은 추천 가격이 보다 시장 수요를 만족할 수 있도록 한다.

파라미터 값이 확정된 추천 모델에 기초하여, 물품의 과거 데이터로부터 가격을 추천할 수 있다. 이하, 도 5를 참조하여 본 출원에 의해 제공되는 물품 가격을 확정하는 방법을 상세하게 설명한다.

도 5는 본 출원의 실시예에 따른 물품 가격을 확정하는 방법의 예시적인 흐름도이다.

도 5에 도시된 바와 같이, 본 실시예의 물품 가격을 확정하는 방법(500)은 동작 S520, 동작 S540 및 동작 S560을 포함할 수 있다.

동작 S520에서는, 소정의 과거 시간대 내의 물품에 대한 과거 데이터를 취득하고, 과거 데이터는 물품의 과거 판매량을 포함한다.

본 출원의 실시예에 의하면, 해당 과거 데이터는 앞에서 설명한 샘플 데이터와 유사하고, 동작 S520에서 취득한 과거 데이터가 실시간으로 취득한 현재 시각 전의 소정의 개수의 주기 시간대 내의 과거 데이터인 점에서 구별된다. 앞에서 설명한 샘플 데이터는 데이터의 실시간성을 요구하지 않는다. 동작 S520에서 취득한 과거 데이터의 데이터 양과 각 샘플 데이터의 데이터 양은 동일하다. 여기서, 소정의 과거 시간대는 소정의 개수의 주기 시간대이다. 여기서, 주기 시간대의 시간적 길이 및 소정의 개수는 실제 수요에 따라 설정할 수 있고, 본 출원은 이에 대해 한정하지 않는다. 예시적으로, 하나의 주기 시간대 내의 데이터는 취합 연결되어 형성된 하나의 데이터의 형태로 취득된다.

예시적으로, 해당 소정의 과거 시간대 내의 물품에 대한 과거 데이터는 예를 들어 물품에 대한 과거 핫 이슈 정보, 물품의 경쟁 물품에 대한 과거 가격, 물품의 과거 판매량에 대한 시간 정보 중 적어도 하나를 더 포함할 수 있다. 이러한 정보는 앞에서 설명한 대응하는 정보와 유사하므로, 여기서는 설명을 생략한다.

동작 S540에서는, 과거 데이터에 대한 수요 예측치를 확정한다.

본 출원의 실시예에 의하면, 동작 S540에서는 먼저 동작 S520에서 취득한 과거 데이터를 합성곱 신경망(Convolutional Neural Networks, CNN)모델의 입력으로 변환시킴으로써, 수요 예측치를 출력하여 얻을 수 있다. 해당 수요 예측치는 물품의 미래의 하나의 주기 시간대 내의 시장 수요를 반영할 수 있다. 동작 S540은 앞에서 설명한 샘플 데이터에 대한 수요 예측치를 확정하는 동작과 유사하므로, 여기서는 설명을 생략한다.

예시적으로, 하나의 주기 시간대 내의 데이터가 하나의 데이터 형태로 취득될 경우, 취득한 과거 데이터를 변환함으로써, 예를 들어 복수의 벡터를 얻을 수 있다. 해당 복수의 벡터를 시간적 순서에 따라 순차적으로 취합 연결시킴으로써, 입력 벡터를 얻을 수 있다.

동작 S560에서는, 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 물품의 추천 가격을 확정한다.

본 출원의 실시예에 의하면, 동작 S560에서는 과거 데이터에 대한 수요 예측치를 사전에 확정된 추천 모델 중의 독립 변수의 값으로 함으로써, 추천 모델 중의 함수의 값을 얻고, 해당 함수의 값을 물품의 추천 가격으로 한다.

본 출원의 실시예에 의하면, 동작 S560에서 이용하는 추천 모델은 앞에서 설명한 추천 모델을 확정하는 방법을 통해 확정한 것이다. 따라서, 확정된 추천 가격이 시장 수요를 잘 만족할 수 있도록 보장할 수 있고, 공급업체가 물품 가격을 설정하는데 비교적 큰 참고가치가 있다.

도 6은 본 출원의 실시예에 따른 추천 모델을 확정하는 장치의 구성 블록도이다.

도 6에 도시된 바와 같이, 본 실시예의 추천 모델을 확정하는 장치(600)는 제1 데이터 취득 모듈(610), 제1 수요 확정 모듈(630), 관계 확정 모듈(650) 및 수치 확정 모듈(670)을 포함할 수 있다.

제1 데이터 취득 모듈(610)은 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득한다. 일 실시예에 있어서, 제1 데이터 취득 모듈(610)은 앞에서 설명한 동작 S210을 실행할 수 있는데, 여기서는 설명을 생략한다.

제1 수요 확정 모듈(630)은 복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정한다. 일 실시예에 있어서, 제1 수요 확정 모듈(630)은 앞에서 설명한 동작 S230을 실행할 수 있는데, 여기서는 설명을 생략한다.

관계 확정 모듈(650)은 각 샘플에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 복수의 샘플 데이터에 대한 복수의 관계를 얻는다. 일 실시예에 있어서, 관계 확정 모듈(650)은 앞에서 설명한 동작 S250을 실행할 수 있는데, 여기서는 설명을 생략한다.

수치 확정 모듈(670)은 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 목표 파라미터의 수치를 확정함으로써, 추천 모델을 얻는다. 일 실시예에 있어서, 수치 확정 모듈(670)은 앞에서 설명한 동작 S270을 실행할 수 있는데, 여기서는 설명을 생략한다.

도 7은 본 출원의 실시예에 따른 물품 가격을 확정하는 장치의 구성 블록도이다.

도 7에 도시된 바와 같이, 본 실시예의 물품 가격을 확정하는 장치(700)는 제2 데이터 취득 모듈(720), 제2 수요 확정 모듈(740) 및 가격 추천 모듈(760)을 포함할 수 있다.

제2 데이터 취득 모듈(720)은 소정의 과거 시간대 내의 물품에 대한 과거 데이터를 취득하고, 해당 과거 데이터는 물품의 과거 판매량을 포함한다. 일 실시예에 있어서, 제2 데이터 취득 모듈(720)은 앞에서 설명한 동작 S520을 실행할 수 있는데, 여기서는 설명을 생략한다.

제2 수요 확정 모듈(740)은 과거 데이터에 대한 수요 예측치를 확정한다. 일 실시예에 있어서, 제2 수요 확정 모듈(740)은 앞에서 설명한 동작 S540을 실행할 수 있는데, 여기서는 설명을 생략한다.

가격 추천 모듈(760)은 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 물품의 추천 가격을 확정한다. 일 실시예에 있어서, 가격 추천 모듈(760)은 앞에서 설명한 동작 S560을 실행할 수 있는데, 여기서는 설명을 생략한다.

본 출원의 실시예에 의하면, 본 출원은 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램을 더 제공한다.

도 8은, 본 출원의 실시예에 따른 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비의 블록도이다. 전자 장비는 예를 들어, 랩탑 컴퓨터, 데스크 탑 컴퓨터, 워크스테이션, PDA(Personal Digital Assistants), 서버, 블레이드 서버, 메인프레임 컴퓨터, 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 포함할 수 있다. 전자 장비는 예를 들어, PDA(Personal Digital Assistants), 셀룰러 전화기, 스마트 폰, 웨어러블 장비, 및 기타 유사한 계산 장비와 같은 다양한 형태의 모바일 장비를 포함할 수 있다. 본 명세서에 기재된 부품, 이들의 연결 및 관계, 그리고 이들의 기능은 단지 예시에 불과하며, 본 명세서에서 설명 및/또는 청구하는 본 출원의 범위를 한정하기 위한 것이 아니다.

도 8에 도시된 바와 같이, 상기 전자 장비(800)는, 하나 또는 복수의 프로세서(801), 메모리(802), 및 각 부품을 연결하기 위한 인터페이스를 포함하고, 상기 인터페이스에는 하이 스피드 인터페이스 및 로우 스피드 인터페이스가 포함된다. 각 부품들은 서로 다른 버스라인을 통해 서로 연결되고, 공공 메인보드에 장착되거나 또는 수요에 따라 기타 방식으로 장착될 수 있다. 프로세서는 전자 장비에서 실행되는 명령들을 처리할 수 있고, 상기 명령은 메모리에 저장되어 외부 입력/출력장치(예를 들어, 인터페이스에 접속된 표시 장치)에 GUI의 그래픽 정보를 표시하기 위한 명령을 포함할 수 있다. 다른 실시예에서는, 수요에 따라 복수의 프로세서 및/또는 복수의 버스라인을 복수의 메모리와 함께 사용할 수 있다. 마찬가지로, 복수의 전자 장비를 연결하고, 각 전자 장비에 의해 일부 필요한 동작을 제공할 수 있다(예를 들어, 서버 어레이, 한 세트의 블레이드 서버, 또는 멀티 프로세서 시스템). 도 8에서는, 하나의 프로세서(801)의 경우를 예로 들어 설명한다.

메모리(802)는 본 출원에 의해 제공되는 비 일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어 있어, 상기 적어도 하나의 프로세서로 하여금, 본 출원에 의해 제공되는 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하도록 한다. 본 출원의 비 일시적 컴퓨터 판독 가능 저장 매체에는 컴퓨터로 하여금 본 출원에 의해 제공되는 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하도록 하는 컴퓨터 명령이 저장되어 있다.

메모리(802)는 비 일시적 컴퓨터 판독 가능 저장 매체로서, 예를 들어, 본 출원의 실시예에 따른 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법에 대응하는 프로그램 명령/모듈(예를 들어, 도 6에 도시된 제1 데이터 취득 모듈(610), 제1 수요 확정 모듈(630), 관계 확정 모듈(650) 및 수치 확정 모듈(670), 또는 도 7에 도시된 제2 데이터 취득 모듈(720), 제2 수요 확정 모듈(740) 및 가격 추천 모듈(760))과 같은 비 일시적 소프트웨어 프로그램, 비 일시적 컴퓨터 실행 가능 프로그램 및 모듈을 저장할 수 있다. 프로세서(801)는 메모리(702)에 저장된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 서버의 다양한 기능 및 데이터 처리를 실행한다. 즉, 상기 방법 실시예에 따른 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실현한다.

메모리(802)는 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있다. 여기서, 프로그램 저장 영역은 OS 시스템 및 적어도 하나의 기능에 필요한 애플리케이션을 저장할 수 있고, 데이터 저장 영역은 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비의 사용에 따라 생성된 데이터 등을 저장할 수 있다. 또한, 메모리(802)는 하이 스피드 RAM(Random Access Memory)을 포함할 수도 있고, 예를 들어, 적어도 하나의 디스크 저장 디바이스, 플래시 메모리 디바이스, 또는 기타 비 일시적 고체 저장 디바이스와 같은 비 일시적 메모리를 포함할 수도 있다. 일부 실시예에 있어서, 메모리(802)는 프로세서(801)에 대해 원격으로 설치된 메모리를 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비에 연결될 수 있다. 상기 네트워크의 실예로는 인터넷, 인트라넷, 근거리 통신망(LAN), 이동 통신망 및 이들의 조합을 포함할 수 있는데, 이에 한정되지는 않는다.

추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비는, 입력장치(803) 및 출력장치(804)를 더 포함할 수 있다. 프로세서(801), 메모리(802), 입력장치(803) 및 출력장치(804)는 버스라인 또는 기타 방식으로 연결될 수 있는데, 도 8에서는 버스라인을 통해 연결되는 예를 도시한다.

입력장치(803)는 입력된 숫자 또는 캐릭터 정보를 수신할 수 있고, 또한 추천 모델을 확정하는 방법 또는 물품 가격을 확정하는 방법을 실행하기에 적합한 전자 장비의 사용자 설정 및 기능 제어와 연관된 키 신호입력을 생성할 수 있으며, 예를 들어, 터치 스크린, 키 패드, 마우스, 트랙 패드, 터치 패드, 인디케이터 로드, 하나 또는 복수의 마우스 버튼, 트랙 볼, 콘트로럴 로드 등과 같은 입력장치를 포함할 수 있다. 출력장치(804)는 표시 장치, 보조 조명장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동모터) 등을 포함할 수 있다. 상기 표시 장치는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 플라스마 디스플레이를 포함할 수 있는데, 이에 한정되지는 않는다. 일부 실시 형태에 있어서, 표시 장치는 터치 스크린일 수 있다.

여기서 설명한 시스템 및 기술의 다양한 실시 형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 주문형 ASIC(주문형 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 복수의 컴퓨터 프로그램을 통해 구현될 수 있고, 상기 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력장치, 및 적어도 하나의 출력장치로부터 데이터 및 명령을 수신하고, 데이터 및 명령을 저장 시스템, 적어도 하나의 입력장치, 및 적어도 하나의 출력장치로 전송할 수 있다.

이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능 프로세서의 기계언어 명령을 포함하고, 하이 라벨 프로시저 및/또는 객체 지향 프로그래밍 언어, 및/또는 어셈블러/기계언어를 사용하여 이러한 컴퓨터 프로그램을 실시할 수 있다. 본 명세서에서 사용되는 "기계 판독 가능 매체" 및 "컴퓨터 판독 가능 매체" 등과 같은 용어는, 기계언어 명령 및/또는 데이터를 프로그램 가능 프로세서의 임의의 컴퓨터 프로그램 제품, 장비, 및/또는 장치(예를 들어, 자기 디스크, CD-ROM, 메모리, 프로그램 가능 논리 장치(PLD))에 제공하는데 사용되고, 기계 판독 가능 신호로서의 기계언어 명령을 수신하는 기계 판독 가능 매체를 포함한다. "기계 판독 가능 신호"라는 용어는 기계언어 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.

사용자와의 인터액션을 제공하기 위해서는, 컴퓨터를 통해 본 명세서에서 설명한 시스템 및 기술을 구현할 있는데, 상기 컴퓨터는, 사용자에게 정보를 표시하기 위한 표시 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터), 및 사용자가 상기 컴퓨터에 입력을 제공할 수 있는 키보드 및 포인팅 디바이스(예를 들어, 마우스 또는 트랙 볼)를 포함한다. 기타 유형의 디바이스도 사용자와의 인터액션을 제공하는데 사용될 수 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 센싱 피드백(예를 들어, 시각 피드백, 청각 피드백, 또는 촉각 피드백)일 수 있고, 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력을 포함)로 사용자로부터의 입력을 수신할 수 있다.

본 명세서에서 설명한 시스템 및 기술은, 백 그라운드 부품을 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버), 또는 미들웨어 부품을 포함하는 컴퓨팅 시스템(예를 들어, 애플리케이션 서버), 또는 프론트 엔드 부품을 포함하는 컴퓨팅 시스템(예를 들어, GUI 또는 웹 브라우저를 갖는 사용자 컴퓨터로서, 사용자는 상기 GUI 또는 상기 웹 브라우저를 통하여 본 명세서에서 설명한 상기 시스템 및 기술의 실시 형태와 인터액션을 할 수 있음), 또는 이러한 백 그라운드 부품, 미들웨어 부품, 또는 프론트 엔드 부품의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 시스템의 부품은 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 서로 연결될 수 있다. 통신 네트워크는 예를 들어 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함할 수 있다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고, 통상적으로 통신 네트워크를 통해 인터액션을 진행한다. 클라이언트와 서버의 관계는 대응하는 컴퓨터에서 실행되고 서로 클라이언트-서버의 관계를 갖는 컴퓨터 프로그램에 의해 생성된다.

상기에서 설명한 다양한 프로세서를 사용하여 각 단계의 순서를 조절하거나, 일부 단계를 추가 또는 삭제할 수 있다는 점을 이해할 수 있을 것이다. 예를 들어, 본 출원이 개시된 기술방안이 원하는 결과를 구현할 수 있는 한, 본 출원에 기재된 다양한 단계는 병렬적으로 또는 순차적으로, 또는 서로 다른 순서로 실행될 수 있고, 본 출원은 이에 대해 특별히 한정하지 않는다.

본 출원의 보호범위는 상기 다양한 실시 형태에 의해 제한되지 않는다. 당업자라면, 설계 요구 및 기타 요소에 따라, 다양한 수정, 조합, 서브 조합 및 교체가 이루어질 수 있음을 이해할 것이다. 본 출원의 취지 및 원칙 내에서 이루어진 임의의 수정, 등가 교체 및 개선 등은 모두 본 출원의 보호 범위에 속한다.

Claims (15)

1. 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하는 것;
   복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하는 것;
   각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 상기 복수의 샘플 데이터에 대한 복수의 관계를 얻는 것; 및
   상기 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 상기 목표 파라미터의 수치를 확정함으로써, 상기 추천 모델을 얻는 것을 포함하는
   추천 모델을 확정하는 방법.
2. 제1항에 있어서,
   상기 추천 모델은 하이퍼 파라미터를 더 포함하고,
   소정 손실 모델을 이용하여 상기 목표 파라미터의 수치를 확정하는 것은, 확정된 추천 모델이 소정의 조건을 만족할 때까지,
   상기 하이퍼 파라미터의 수치를 취득하는 동작,
   상기 복수의 관계 및 상기 하이퍼 파라미터의 수치에 기초하여, 소정 손실 모델을 이용하여 상기 목표 파라미터의 수치를 확정하는 동작, 및
   상기 하이퍼 파라미터의 수치 및 상기 목표 파라미터의 수치에 기초하여, 상기 추천 모델을 확정하는 동작을 실행하는 것을 포함하는
   추천 모델을 확정하는 방법.
3. 제1항 또는 제2항에 있어서,
   소정 손실 모델을 이용하여 상기 목표 파라미터의 수치를 확정하는 것은,
   상기 복수의 샘플 데이터에 포함되는 복수의 과거 판매량의 평균치를 확정하는 것;
   상기 평균치 및 상기 복수의 과거 판매량에 기초하여, 상기 소정 손실 모델의 값과 상기 복수의 관계 사이의 연관 관계를 확정하는 것; 및
   상기 연관 관계에 기초하여, 역 구배 알고리즘을 이용하여 상기 소정 손실 모델의 값이 가장 작을 때의 상기 목표 파라미터의 값을 확정하는 것을 포함하는
   추천 모델을 확정하는 방법.
4. 제3항에 있어서,
   상기 소정 손실 모델의 값은 제1 수치와 제2 수치의 합이고,
   목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하는 것은,
   상기 복수의 샘플 데이터에 포함되는 과거 판매량이 상기 평균치 이상인 제1 샘플 데이터에 대해, 상기 소정 손실 모델의 값과 상기 제1 샘플 데이터에 대한 제1 관계 사이의 연관 관계를 확정하는 것, 즉, 소정의 가격 상한선과 상기 제1 관계에 의해 확정된 추천 가격 사이의 제1 차이 값으로부터 상기 제1 수치를 확정하는 것, 및
   상기 복수의 샘플 데이터에 포함되는 과거 판매량이 상기 평균치보다 작은 제2 샘플 데이터에 대해, 상기 소정 손실 모델의 값과 상기 제2 샘플 데이터에 대한 제2 관계 사이의 연관 관계를 확정하는 것, 즉, 상기 제2 관계에 의해 확정된 추천 가격과 소정의 가격 하한선 사이의 제2 차이 값으로부터 상기 제2 수치를 확정하는 것을 포함하는
   추천 모델을 확정하는 방법.
5. 제4항에 있어서,
   소정의 가격 상한선과 상기 제1 관계에 의해 확정된 추천 가격 사이의 제1 차이 값으로부터 상기 제1 수치를 확정하는 것은, 상기 제1 수치를 0과 상기 제1 차이 값 중 보다 큰 값으로 확정하는 것을 포함하고,
   상기 제2 관계에 의해 확정된 추천 가격과 소정의 가격 하한선 사이의 제2 차이 값으로부터 상기 제2 수치를 확정하는 것은, 상기 제2 수치를 0과 상기 제2 차이 값 중 보다 큰 값으로 확정하는 것을 포함하는
   추천 모델을 확정하는 방법.
6. 제1항 또는 제2항에 있어서,
   상기 추천 모델은, 하기의 공식으로 표시하고,
   

   

   
   여기서, P_sug는 추천 가격이고, P는 소정의 지정 가격이고, V(θ, q)는 조절인자이고, θ는 상기 목표 파라미터이고, q는 상기 수요 예측치이고, 상기 조절인자 V와 상기 수요 예측치 q 사이는 비선형적 관계인
   추천 모델을 확정하는 방법.
7. 제1항 또는 제2항에 있어서,
   상기 복수의 샘플 데이터는, 상기 물품에 대한 과거 핫 이슈 정보, 상기 물품의 경쟁 물품에 대한 과거 가격, 상기 물품의 과거 판매량에 대한 시간 정보 중 적어도 하나를 더 포함하는
   추천 모델을 확정하는 방법.
8. 제2항에 있어서,
   상기 하이퍼 파라미터의 값을 취득하는 것은, 격자 탐색 기술을 이용하여 상기 하이퍼 파라미터의 값을 취득하는 것을 포함하는
   추천 모델을 확정하는 방법.
9. 소정의 과거 시간대 내의 물품에 대한 상기 물품의 과거 판매량을 포함하는 과거 데이터를 취득하는 것;
   상기 과거 데이터에 대한 수요 예측치를 확정하는 것; 및
   상기 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 상기 물품의 추천 가격을 확정하는 것을 포함하고,
   상기 사전에 확정된 추천 모델은 제1항 또는 제2항의 추천 모델을 확정하는 방법에 의해 얻어지는
   물품 가격을 확정하는 방법.
10. 제9항에 있어서,
    상기 과거 데이터는, 상기 물품에 대한 과거 핫 이슈 정보, 상기 물품의 경쟁 물품에 대한 과거 가격, 상기 물품의 과거 판매량에 대한 시간 정보 중 적어도 하나를 더 포함하는
    물품 가격을 확정하는 방법.
11. 물품의 과거 판매량을 포함하는 복수의 샘플 데이터를 취득하기 위한 제1 데이터 취득 모듈;
    복수의 샘플 데이터 중 각 샘플 데이터에 대한 수요 예측치를 확정하기 위한 제1 수요 확정 모듈;
    각 샘플 데이터에 대한 수요 예측치에 기초하여, 목표 파라미터를 포함하는 추천 모델을 이용하여 추천 가격과 목표 파라미터 사이의 관계를 확정하여, 상기 복수의 샘플 데이터에 대한 복수의 관계를 얻기 위한 관계 확정 모듈, 및
    상기 복수의 관계에 기초하여, 소정 손실 모델을 이용하여 상기 목표 파라미터의 수치를 확정함으로써, 상기 추천 모델을 얻기 위한 수치 확정 모듈을 포함하는
    추천 모델을 확정하는 장치.
12. 소정의 과거 시간대 내의 물품에 대한 상기 물품의 과거 판매량을 포함하는 과거 데이터를 취득하기 위한 제2 데이터 취득 모듈;
    상기 과거 데이터에 대한 수요 예측치를 확정하기 위한 제2 수요 확정 모듈; 및
    상기 과거 데이터에 대한 수요 예측치에 기초하여, 사전에 확정된 추천 모델을 이용하여 상기 물품의 추천 가격을 확정하기 위한 가격 추천 모듈을 포함하고,
    상기 사전에 확정된 추천 모델은 제11항의 추천 모델을 확정하는 장치에 의해 얻어지는
    물품 가격을 확정하는 장치.
13. 적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하는 전자 장비에 있어서,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행됨으로써, 상기 적어도 하나의 프로세서로 하여금 제1항 또는 제2항의 방법 또는 제9항의 방법을 실행할 수 있도록 하는
    전자 장비.
14. 컴퓨터 명령이 저장되어 있는 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서,
    상기 컴퓨터 명령이 프로세서에 의해 실행될 경우, 제1항 또는 제2항의 방법 또는 제9항의 방법을 실현하는
    비 일시적 컴퓨터 판독 가능 저장 매체.
15. 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램의 명령이 프로세서에 의해 실행될 경우, 제1항 또는 제2항의 방법 또는 제9항의 방법을 실현하는
    컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.

Images