一种计算未上架物品销量的方法和装置制造方法及图纸

本发明专利技术公开了一种计算未上架物品销量的方法和装置，涉及机器学习技术领域。该方法的一具体实施方式包括：从已上架的第一物品中筛选出未上架物品的相似物品；根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征；将所述未上架物品的固有特征和补充特征输入到销量计算模型中，以输出所述未上架物品的销量；其中，所述销量计算模型采用已上架的第二物品的固有特征和补充特征对机器学习模型进行训练而得到。该实施方式能够解决无法计算未上架物品的销量的技术问题。无法计算未上架物品的销量的技术问题。无法计算未上架物品的销量的技术问题。

A method and device for calculating the sales volume of unlisted articles

【技术实现步骤摘要】
一种计算未上架物品销量的方法和装置


[0001]本专利技术涉及机器学习
，尤其涉及一种计算未上架物品销量的方法和装置。

技术介绍

[0002]现有的销量计算方法可以分为三大类：1)德尔菲法，也称专家调查法，通过征询专家的判断或者意见，然后进行计算；2)时间序列预测法，该方法利用物品在历史时间线上的销售数据来计算该物品未来的销量；3)机器学习计算模型，该方法综合考虑物品属性、价格、时空信息、历史销售数据、图片和文本以及其他相关的数据，计算出该物品未来的销量。
[0003]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
[0004]由于未上架的新品没有历史销售数据，新品上架后的销量计算成为一个难题。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种计算未上架物品销量的方法和装置，以解决无法计算未上架物品的销量的技术问题。
[0006]为实现上述目的，根据本专利技术实施例的一个方面，提供了一种计算未上架物品销量的方法，包括：
[0007]从已上架的第一物品中筛选出未上架物品的相似物品；
[0008]根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征；
[0009]将所述未上架物品的固有特征和补充特征输入到销量计算模型中，以输出所述未上架物品的销量；其中，所述销量计算模型采用已上架的第二物品的固有特征和补充特征对机器学习模型进行训练而得到。
[0010]可选地，从已上架的第一物品中筛选出未上架物品的相似物品，包括：
[0011]对已上架的第一物品和未上架物品进行聚类，得到多个簇以及簇内各个物品之间的相似度；
[0012]将所述未上架物品所在簇内的各个物品作为所述未上架物品的相似物品。
[0013]可选地，根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征，包括：
[0014]根据所述未上架物品与其相似物品之间的相似度，计算所述未上架物品的相似物品的特征权重；
[0015]根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的相似物品在各个维度的补充特征；
[0016]对于所述未上架物品在每个维度的补充特征，基于所述未上架物品的相似物品的特征权重对所述维度的补充特征进行加权求和，得到所述未上架物品在所述维度的补充特征。
[0017]可选地，根据所述未上架物品与其相似物品之间的相似度，计算所述未上架物品
的相似物品的特征权重，包括：
[0018]对于所述未上架物品的每个相似物品，计算所述相似物品与所述未上架物品之间的相似度，计算一与所述相似度之间的差值，从而得到所述相似物品的特征权重。
[0019]可选地，所述上架数据包括以下至少一种：
[0020]销量数据、折扣数据、价格数据、天气数据、节日数据和库存数据。
[0021]可选地，从已上架的第一物品中筛选出未上架物品的相似物品之前，还包括：
[0022]从已上架的第一物品中筛选出已上架的第二物品的相似物品；
[0023]根据所述第二物品的相似物品的上架数据，计算所述第二物品的补充特征；
[0024]将所述第二物品的固有特征和补充特征输入到机器学习模型并以所述第二物品的销量数据作为输出，通过迭代训练得到销量计算模型。
[0025]可选地，所述机器学习模型为LightGBM。
[0026]可选地，所述第一物品的上架时间早于所述第二物品的上架时间。
[0027]另外，根据本专利技术实施例的另一个方面，提供了一种计算未上架物品销量的装置，包括：
[0028]筛选模块，用于从已上架的第一物品中筛选出未上架物品的相似物品；
[0029]特征模块，用于根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征；
[0030]计算模块，用于将所述未上架物品的固有特征和补充特征输入到销量计算模型中，以输出所述未上架物品的销量；其中，所述销量计算模型采用已上架的第二物品的固有特征和补充特征对机器学习模型进行训练而得到。
[0031]可选地，所述筛选模块还用于：
[0032]对已上架的第一物品和未上架物品进行聚类，得到多个簇以及簇内各个物品之间的相似度；
[0033]将所述未上架物品所在簇内的各个物品作为所述未上架物品的相似物品。
[0034]可选地，所述特征模块还用于：
[0035]根据所述未上架物品与其相似物品之间的相似度，计算所述未上架物品的相似物品的特征权重；
[0036]根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的相似物品在各个维度的补充特征；
[0037]对于所述未上架物品在每个维度的补充特征，基于所述未上架物品的相似物品的特征权重对所述维度的补充特征进行加权求和，得到所述未上架物品在所述维度的补充特征。
[0038]可选地，所述特征模块还用于：
[0039]对于所述未上架物品的每个相似物品，计算所述相似物品与所述未上架物品之间的相似度，计算一与所述相似度之间的差值，从而得到所述相似物品的特征权重。
[0040]可选地，所述上架数据包括以下至少一种：
[0041]销量数据、折扣数据、价格数据、天气数据、节日数据和库存数据。
[0042]可选地，还包括训练模块，用于：
[0043]从已上架的第一物品中筛选出已上架的第二物品的相似物品；
[0044]根据所述第二物品的相似物品的上架数据，计算所述第二物品的补充特征；
[0045]将所述第二物品的固有特征和补充特征输入到机器学习模型并以所述第二物品的销量数据作为输出，通过迭代训练得到销量计算模型。
[0046]可选地，所述机器学习模型为LightGBM。
[0047]可选地，所述第一物品的上架时间早于所述第二物品的上架时间。
[0048]根据本专利技术实施例的另一个方面，还提供了一种电子设备，包括：
[0049]一个或多个处理器；
[0050]存储装置，用于存储一个或多个程序，
[0051]当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
[0052]根据本专利技术实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
[0053]上述专利技术中的一个实施例具有如下优点或有益效果：因为采用根据未上架物品的相似物品的上架数据计算未上架物品的补充特征，将未上架物品的固有特征和补充特征输入到销量计算模型中以输出未上架物品的销量的技术手段，所以克服了现有技术中无法计算未上架物品的销量的技术问题。本专利技术实施例基于已上架物品的上架数据来计算未上架物品的补充特征，并利用机器学习回归方法准确计算未上架物品在上架一段时间内的销量，不但对数据需求维度低，可获得性强，还可以建立特征和结果之间的直观本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算未上架物品销量的方法，其特征在于，包括：从已上架的第一物品中筛选出未上架物品的相似物品；根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征；将所述未上架物品的固有特征和补充特征输入到销量计算模型中，以输出所述未上架物品的销量；其中，所述销量计算模型采用已上架的第二物品的固有特征和补充特征对机器学习模型进行训练而得到。2.根据权利要求1所述的方法，其特征在于，从已上架的第一物品中筛选出未上架物品的相似物品，包括：对已上架的第一物品和未上架物品进行聚类，得到多个簇以及簇内各个物品之间的相似度；将所述未上架物品所在簇内的各个物品作为所述未上架物品的相似物品。3.根据权利要求2所述的方法，其特征在于，根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的补充特征，包括：根据所述未上架物品与其相似物品之间的相似度，计算所述未上架物品的相似物品的特征权重；根据所述未上架物品的相似物品的上架数据，计算所述未上架物品的相似物品在各个维度的补充特征；对于所述未上架物品在每个维度的补充特征，基于所述未上架物品的相似物品的特征权重对所述维度的补充特征进行加权求和，得到所述未上架物品在所述维度的补充特征。4.根据权利要求3所述的方法，其特征在于，根据所述未上架物品与其相似物品之间的相似度，计算所述未上架物品的相似物品的特征权重，包括：对于所述未上架物品的每个相似物品，计算所述相似物品与所述未上架物品之间的相似度，计算一与所述相似度之间的差值，从而得到所述相似物品的特征权重。5.根据权利要求3所述的方法，其特征在于，所述上架数据包括以下至...

【专利技术属性】
技术研发人员：闵旭，吕昊，王答明，易津锋，
申请(专利权)人：北京京东尚科信息技术有限公司，
类型：发明
国别省市：