货位推荐链路信息获取方法、货位推荐方法、装置及系统与流程

本申请涉及数据处理
技术领域：
，尤其是涉及一种货位推荐链路信息获取方法、货位推荐方法、装置及系统。
背景技术：
货品货位，即货品在仓库中的存放位置(以下简称货位)。在现代化的大型仓库中，待入库货品的货位一般需要由仓储管理系统(warehousemanagementsystem，wms)根据存放规则要求(例如业务需求、仓库管理规定等)进行合理的安排推荐。随着仓储物流业务的发展，仓库的容量不断增加，一些仓库的货位可能多达几万个或者数十万个。与此同时，仓库管理规范性也不断提高，一个或多个种存放规则要求有几十条，甚至上百条之多。在这样复杂性场景中，如果高效的为待入库货品推荐出一个合理的货位是目前亟需解决的技术问题。技术实现要素：本申请实施例的目的在于提供一种货位推荐链路信息获取方法、货位推荐方法、装置及系统，以提高货位推荐效率。为达到上述目的，一方面，本申请实施例提供了一种货位推荐方法，包括以下步骤：接收货位推荐请求，所述货位推荐请求中携带货品信息；根据所述货品信息确定货品属性，并根据所述货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位；其中，所述货位推荐链路信息预先通过以下步骤得到：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取所述入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。另一方面，本申请实施例提供了一种货位推荐链路信息获取方法，包括以下步骤：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。再一方面，本申请实施例提供了一种货位推荐链路信息获取装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。再一方面，本申请实施例提供了一种货位推荐系统，包括：客户端和服务器；所述客户端用于获取货品信息，并提供给所述服务器；所述服务器用于在收到所述货品信息时确定货品属性，根据所述货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位，并返回所述推荐货位；其中，所述货位推荐链路信息预先通过以下步骤得到：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取所述入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。再一方面，本申请实施例提供了一种服务器，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：接收货品信息；根据所述货品信息确定货品属性，并根据所述货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位；返回所述推荐货位；其中，所述货位推荐链路信息预先通过以下步骤得到：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取所述入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。再一方面，本申请实施例提供了一种客户端，包括存储器、处理器、输出设备以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：获取货品信息，并提供给服务器；接收所述服务器提供的货位信息；其中，所述货位推荐链路信息预先通过以下步骤得到：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取所述入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。再一方面，本申请实施例提供了另一种货位推荐方法，包括以下步骤：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；根据所述入库货品的属性，确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序；基于所述货位推荐链路信息，向所述入库货品推荐准放货位。与现有技术相比，本申请实例不再是人工根据经验配置货位推荐链路信息，而是依据一些数据自动构建货位推荐链路信息。具体的，获取入库货品的一个或多个属性对总货位信息熵的影响程度值，由于入库货品的每个属性对总货位信息熵的影响程度值反映了该属性在确定货位中的信息量贡献大小，因此，当一个属性对总货位信息熵的影响程度值越大，该属性在确定货位中的信息量贡献越大，该属性越是优选的属性，所以根据获取的入库货品的一个或多个属性对总货位信息熵的影响程度值可自动构建到优化的货位推荐链路信息。而基于该优化的货位推荐链路信息进行货位推荐，则显然可以降低货位推荐的计算量，从而提高了货位推荐效率。附图说明此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请实施例的一部分，并不构成对本申请实施例的限定。在附图中：图1为本申请一实施例的仓库平面示意图；图2为本申请一实施例的货架立体结构示意图；图3为本申请一实施例的货位推荐链路信息获取方法的流程图；图4为本申请一实施例根据影响程度值确定货位推荐链路信息的处理流程图；图5为本申请一实施例获得的一种货位推荐链路信息的逻辑示意图；图6为本申请一实施例的货位推荐链路信息获取装置的结构框图；图7为本申请一实施例的货位推荐系统的时序图；图8为本申请一实施例的服务器的结构框图；图9为本申请一实施例的货位推荐方法的流程图；图10为本申请一实施例的货位推荐方法的流程图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本申请实施例做进一步详细说明。在此，本申请实施例的示意性实施例及其说明用于解释本申请实施例，但并不作为对本申请实施例的限定。下面结合附图，对本申请实施例的具体实施方式作进一步的详细说明。参考图1所示，现代化的大型仓库中，一般可按照一定的规则(例如按照矩阵式排列)布置很多个货架。结合图2所示，其中，每个货架可以具有多个存放层，每个存放可以划分成多个货位。为了便于使用和管理，每个货位对应一个唯一的货位标识，用于唯一识别该货位。例如一个货位标识为l2-01-03-05，其中，l2可以表示仓库中的货架行号，01可以表示货架号，03可以表示货架层号，05可以表示货位号；因此，l2-01-03-05即为l2货架行中第1个货架的第7层的第5个货位。由此可见，在现代化的大型仓库中，要在满足仓库存放规则要求的前提下，高效地为待入库的货品推荐一个合适的货位是一件相当困难的任务。在实现本申请的过程中，本申请的发明人发现：仓库的存放规则要求通常是与货品的属性信息相关的。比如：按照货品的品牌维度来限定其放置的货位，根据货品的尺寸维度来限定其放置的库区，依据货品批次维度来限定货位地点等。因此，可以考虑根据仓库中约定存放货品(即允许存放于该仓库中的货品)的货品属性信息配置一个货位推荐链路，然后每收到一个货品入库请求，根据货位推荐链路来合理安排货位推荐的逻辑执行过程，从而为该待入库货品计算出一个合适的货位。其中，所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。例如货品有三个属性维度：货主、类别和品牌，则其货位推荐链路可以配置为：货主→类别→品牌。本申请的发明人进一步研究发现，在推荐货位时，货位推荐链路是否合理将直接影响货位推荐的效率。比如一个货品存在两个属性维度：品牌、货主，按照仓库管理要求一些品牌限定存放在特定的几个货位上，但是货主这个属性维度限定在几千个货位。如果货位推荐链路配置为：品牌→货主；则在货位推荐时通过货品的品牌信息可以很快找到特定的几个货位，然后查找特定的几个货位的货主是谁就可以很快确定货位。而如果货位推荐链路配置为：货主→品牌；则在货位推荐时，那么首先需要通过货品的货主信息确定几千个货位，然后再从几千个货位中查找哪一个是对应于该货品的品牌的货位，效率与前者相比要慢很多。因此，为了提高货位推荐效率，本申请实施例提供了自动生成优化的货位推荐链路的技术方案，以使得后续可根据优化出的货位推荐链路，快速高效地为待入库货品推荐出合理的货位。参考图3所示，本申请实施例的货位推荐链路信息获取方法包括以下步骤：s301、获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合。本申请一些实施方式中，特征集中所包含的入库货品的属性以及准放货位，都是与货位推荐链路密切相关的数据信息，这为构建货位推荐链路提供了基本素材。本申请一些实施方式中，所述入库货品可以为任何产品或商品；例如可以为衣服、图书、药品、电子产品、耗材等等。本申请一些实施方式中，所述的属性是对入库货品性质的描述。更准确的说，是对入库货品的与货位存放有关的性质的描述。所述入库货品的与货位存放有关的性质，可以理解为在仓储管理要求对其有特别限定或要求的入库货品的性质，例如仓储管理要求限定某些货位只能用来存放服装，显然，这是对入库货品的类别属性的要求，因此，入库货品的类别属性即为一种与货位存放有关的性质，其应当纳入特征集中。相反的，如果仓储管理要求中对于入库货品的颜色没有任何要求，对应的，入库货品的颜色属性也可不纳入特征集中，以利于减少计算量，提高效率。在本申请一个具体实施方式中，所述货品属性信息例如可以包括货品类别、品牌、货主等等。本申请一些实施方式中，所述准放货位体现了仓储管理要求，指示了货位的可选择范围；因此准放货位可依据需要预先指定。例如，在本申请一些具体实施方式中，入库货品的某一属性或某些属性所对应的准放货位可以是一个仓库范围内某一库区的所有或指定货位、一个仓库范围内某一货架的所有或指定货位等等。在本申请一些实施方式中，为了更好体现属性与货位之间的对应关系，所述特征集具体可以为数据信息表，例如下表1所示：表1在本申请的一些实施方式中，所述获取入库货品的特征集例如可以是从管理系统数据库中读取入库货品的属性信息和对应的仓储管理要求，从而根据这些信息整理成入库货品的特征集。在本申请的另一个实施方式中，还可以是通过接收配置的方式获取入库货品的属性信息和对应的仓储管理要求；例如，接收导入的属性信息文件和仓储管理要求文件，然后再整理成入库货品的特征集。其中，所述属性信息文件和所述仓储管理要求文件可以是从管理系统数据库中导出的。以上仅是以物流仓储的货品入库为场景进行说明。但本申请不限于此，还可以适用于其他场景下，例如大型商店的货品上架，医院药品发放系统的药品上架等等。对应的，不同场景下，所述的管理系统数据库也相应不同。例如，在物流仓储的货品入库为场景下，所述的管理系统数据库可以为仓库管理数据库。在大型商店的货品上架场景下，所述的管理系统数据库可以为商店管理数据库。s302、获取入库货品的一个或多个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量。在信息论中，信息熵可以被认为是对不确定性的量度，而不是确定性的量度。因为越随机的信源，其信息熵越大，确定这个信源所需要的信息量就越大。在本申请的一些实施方式中，可用总货位信息熵表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；即所述总货位信息熵可以用于衡量，在所述特征集下，入库货品的一个或多个个属性对确定货位所贡献的信息量之和。因此，对于一个特征集，其总货位信息熵越大，表明从中确定一个推荐货位所需要的信息量就越大。由此可见，一个属性对总货位信息熵的影响程度值反映了该属性对确定推荐货位所贡献出的信息量的多少。因此，一个属性对确定推荐货位所贡献出的信息量越大，该属性越是优选的属性。对应的，该属性在货位推荐链路中的排位越靠前，从而使得依据这样的货位推荐链路可以更快地确定推荐货位，进而可以提高货位推荐效率。举例来讲，货品有两个属性信息：品牌、货主。在仓库管理过程中，对于每个品牌的货品都要求放在特定的货位上，比如品牌a的货品只能存放在货位1、2、3上，而对于货主没有要求可以存放任何货位。那么对于这样的规则，依据货品的品牌就能很大程度确定了推荐货位，也就是表示货品的品牌属性对确定推荐货位所贡献出的信息量较大，对应的，货品的品牌属性对总货品货位信息熵的影响程度值越大，因此货品的品牌属性是优选的属性；而由于货主这个属性没有要求，表明货品的货主属性对确定推荐货位所贡献出的信息量为0，对应的，货品的货主属性对总货品货位信息熵的影响程度值为0，故货品的货主属性是无用属性。在本申请的一些实施方式中，所述获取入库货品的一个或多个个属性对总货位信息熵的影响程度值可包括以下步骤：(1)、获取总货位信息熵。在本申请的一些实施方式中，所述获取总货位信息熵例如可以包括：首先，在特征集内，获取其内每个准放货位被确定为推荐货位的概率及对应自信息量。在本申请的一些实施方式中，在特征集内，每个准放货位被确定为推荐货位的概率是指：特征集内每个货位被指定为推荐货位的次数，与特征集内所有货位被指定为推荐货位的总次数之比。根据信息论：消息x出现的概率pi越小，其一旦出现所获得的信息量就越大；因此，可以定义为消息x的自信息量。而在本申请的一些实施方式中，可以根据该公式来获取每个准放货位被确定为推荐货位时所对应的自信息量。然后，在所述特征集内，计算其内一个或多个个准放货位被确定为推荐货位的概率及对应自信息量的乘积和，得到总货位信息熵。由此可见，所述总货位信息熵可定义为：其中，f(d)为总货位信息熵，pi代表在特征集内，第i个货位被确定为推荐货位的概率；m为所述特征集内的货位数量，d为特征集。在本申请一个示例性场景中，以上文表1所示的特征集为例，该特征集中包括四个货位gt-069-02-11、b5a-05-34-12、a5a-01-04-13和b5a-05-34-13。其中：货位gt-069-02-11被确定为推荐货位的概率p1为：对应的，货位gt-069-02-11被确定为推荐货位的自信息量为：i1＝-log2(p1)＝-log20.4；货位b5a-05-34-12被确定为推荐货位的概率p2为：对应的，货位b5a-05-34-12被确定为推荐货位的自信息量为：i2＝-log2(p2)＝-log20.2；货位a5a-01-04-13被确定为推荐货位的概率p3为：对应的，货位a5a-01-04-13被确定为推荐货位的自信息量为：i3＝-log2(p3)＝-log20.2；货位b5a-05-34-13被确定为推荐货位的概率p4为：对应的，货位b5a-05-34-13被确定为推荐货位的自信息量为：i4＝-log2(p4)＝-log20.2因此，可得到总货位信息熵为：f(d)＝p1i1+p2i2+p3i3+p4i4＝-[p1log2(p1)+p2log2(p2)+p3log2(p3)+p4log2(p4)]＝-[0.4log2(0.4)+0.2log2(0.2)+0.2log2(0.2)+0.2log2(0.2)]＝1.923(2)、对于入库货品的每个属性，以其属性值为类别将所述特征集拆分成对应数量的特征子集。对于任意一个属性而言，其属性值往往有不止一个。例如对于“正/残”属性，其有“正”和“残”两个属性值；对于货主属性而言，其属性值一般则更多；等等。因此，对于入库货品的每个属性，其有多少个属性值，就可以将所述特征集拆分成多少个特征子集。在本申请一示例性实施方式中，例如以上述表1所示的特征集中的“正/残”属性为例，由于“正/残”属性具有“正”和“残”两个属性值，据此可将上述表1所示的特征集拆分成两个特征子集，例如下表2和表3所示：表2品牌货主类别正/残货位标识rmeo/浪漫一身荃盛旗舰店服装正b5a-05-34-13紫涵荃盛旗舰店服装正b5a-05-34-12rmeo/浪漫一身荃盛旗舰店配件正a5a-01-04-13pageone/佩吉yalipex雅绿霈旗舰店配件正b5a-05-34-12rmeo/浪漫一身元朗荣华官方旗舰店服装正b5a-05-34-13rmeo/浪漫一身元朗荣华官方旗舰店配件正a5a-01-04-13表3品牌货主类别正/残货位标识rmeo/浪漫一身荃盛旗舰店服装残gt-069-02-11pageone/佩吉yalipex雅绿霈旗舰店配件残gt-069-02-11紫涵yalipex雅绿霈旗舰店配件残gt-069-02-11rmeo/浪漫一身yalipex雅绿霈旗舰店配件残gt-069-02-11(3)、对于入库货品的每个属性，获取其一个或多个个特征子集的分货位信息熵，及所述一个或多个个特征子集所对应属性值在所述特征集中的取值概率。在本申请的一些实施方式中，一个特征子集的分货位信息熵用于表征在对应特征子集下，一个或多个准放货位被确定为推荐货位所需的信息量。在上文已经阐明，对于入库货品的每个属性，可以其属性值为类别将所述特征集拆分成对应数量的特征子集。因此，每一个特征子集就会与一个属性值对应。例如，以上述表1中的“正/残”属性的属性值为类别，可将上述表1所示的特征集拆分成两个特征子集(见上述表2和表3)；其中，上述表2所示的特征子集所对应的属性值为“正”，上述表3所示的特征子集所对应的属性值为“残”。此外，在本申请的一些实施方式中，一个属性值在特征集中的取值概率是指：在特征集内，该属性值在其所属属性维度下的样本数量，与该属性维度下的样本总数量的比值。例如，在上述表1所示的特征集内，“正/残”属性的“正”属性值的样本数量为6，而“正/残”属性维度下的的样本总数量为10，因此，“正”属性值在上述表1所示的特征集中的取值概率为在本申请的一些实施方式中，上述步骤(3)中，所述对于入库货品的每个属性，获取其每个特征子集的分货位信息熵，具体可以包括如下步骤：首先，对于每个特征子集，获取其内每个准放货位被确定为推荐货位的概率及对应自信息量。然后，对于每个特征子集，计算其内一个或多个个准放货位被确定为推荐货位的概率及对应自信息量的乘积和，得到该特征子集的分货位信息熵。由此可见，所述的分货位信息熵可定义为：其中，f(dj)为某属性的一个特征子集所对应的分货位信息熵，pj代表在该特征子集内，第j个准放货位被确定为推荐货位的概率；n为该特征子集内的货位数量，dj为该特征子集。在本申请一示例性实施例中，以上述表2和表3所示的特征子集为例：上述表2所示特征子集中包括三个货位：b5a-05-34-12、a5a-01-04-13和b5a-05-34-13。其中：在上述表2所示的特征子集内，货位b5a-05-34-12被确定为推荐货位的概率p1为：对应的，在上述表2所示的特征子集内，货位b5a-05-34-12被确定为推荐货位的自信息量为：i1＝-log2(p1)＝-log20.3；在上述表2所示的特征子集内，货位a5a-01-04-13被确定为推荐货位的概率p2为：对应的，在上述表2所示的特征子集内，货位a5a-01-04-13被确定为推荐货位的自信息量为：i2＝-log2(p2)＝-log20.3；在上述表2所示的特征子集内，货位b5a-05-34-13被确定为推荐货位的概率p3为：对应的，在上述表2所示的特征子集内，货位b5a-05-34-13被确定为推荐货位的自信息量为：i3＝-log2(p3)＝-log20.3因此，可得到上述表2所示的特征子集所对应的分货位信息熵为：f(d1)＝p1i1+p2i2+p3i3＝-[p1log2(p1)+p2log2(p2)+p3log2(p3)]＝-[0.3log2(0.3)+0.3log2(0.3)+0.3log2(0.3)]上述表3所示特征子集中仅包括一个货位：gt-069-02-11。而在上述表3所示的特征子集内，货位gt-069-02-11被确定为推荐货位的概率p1'为：对应的，在上述表3所示的特征子集内，货位gt-069-02-11被确定为推荐货位的自信息量为：i'1＝-log2(p'1)＝-log21＝0因此，可得到上述表3所示的特征子集所对应的分货位信息熵为：f(d2)＝p'1i'1＝-p'1log2(p'1)＝-log21＝0此外，基于上文描述的取值概率获取方式，可得上述表2所示的特征子集所对应的“正”属性值在上述表1所示的特征集中的取值概率为以及上述表3所示的特征子集所对应的“残”属性值在上述表1所示的特征集中的取值概率为(4)、对于入库货品的每个属性，计算其一个或多个个特征子集的分货位信息熵与对应属性值在所述特征集中的取值概率的乘积和，得到该属性对所述总货位信息熵的影响期望。在本申请一些实施方式中，一个属性a对总货位信息熵的影响期望，反映了在任意一个入库货品的属性a的属性值已被确认的条件下，从特征集内的准放货位中，为该入库货品推荐出一个货位还需要多少信息量。因此，一个属性a对总货位信息熵的影响期望越大，表明该属性a对确定推荐货位所贡献出的信息量越小。在本申请一些实施方式中，一个属性对总货位信息熵的影响期望可以定义为：其中，fi(d)为第i个属性的影响总货位信息熵的数学期望，即第i个属性对总货位信息熵的影响期望；|d|为特征集d内第i个属性的样本总数量；|dj|为特征集d内第i个属性的第j个属性值的样本数量；f(dj)为在第i个属性的第j个属性值所对应特征子集dj的分货位信息熵。在本申请一示例性实施方式中，以上述表1所示的特征集，以及上述表2和表3所示的特征子集为例：“正/残”属性影响总货位信息熵的数学期望可以为：(5)、对于入库货品的每个属性，根据所述总货位信息熵和该属性对所述总货位信息熵的影响期望，得到该属性对所述总货位信息熵的影响程度值。在本申请一些实施方式中，一个属性对总货位信息熵的影响程度值可以为该属性对总货位信息熵的信息增益。其中，所述的信息增益可定义为：gain(i)＝f(d)-fi(d)，其中，gain(i)为第i个属性对总货位信息熵f(d)的影响程度值，fi(d)为第i个属性维度影响所述总货位信息熵f(d)的数学期望。在本申请一示例性实施方式中，以上述表1所示的特征集为例，在得到上述表1所示的特征集的总货位信息熵，以及得到“正/残”属性影响总货位信息熵的数学期望的情况下，可以获得“正/残”属性对总货位信息熵的信息增益为：gain(i)＝f(d)-fi(d)＝1.923-0.950＝0.973s303、根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。上文已经阐明，入库货品的每个属性维度对所述信息量的影响程度值反映了该属性维度在确定货位中的信息量贡献，因此，越是对确定推荐货位的信息量贡献大的属性，越是优选的属性。因此，在本申请一些实施方式中，可根据入库货品的一个或多个属性对所述总货位信息熵的影响程度值的大小确定货位推荐链路信息。当然，如果一些属性维度对所述信息量的影响程度值恰好相同，则在确定货位推荐链路时，这些属性维度之间的顺位可以随机安排。在本申请的一个示例性场景下，当采用信息增益作为一个属性对总货位信息熵的影响程度值时，以上述表1所示的特征集为例，基于上述步骤s301-s302所示步骤，可得到上述表1中一个或多个入库货品的一个或多个属性对上述表1所示特征集的总货位信息熵的信息增益，如下表4所示：表4品牌货主类别正/残信息增益(gain)0.5720.59850.44750.973由上表4可以看出，“正/残”属性对货位信息熵的信息增益最大，货主属性对货位信息熵的影响程度值次之，类别属性对货位信息熵的影响程度值最小。由此可以确定货位推荐链路信息为：正残→货主→品牌→类别，如图5所示。需要说明的是，本申请并不限定一个属性对总货位信息熵的影响程度值为：该属性对总货位信息熵的信息增益。在本申请其他示例性实施方式中，一个属性对总货位信息熵的影响程度值例如还可以为该属性对总货位信息熵的信息增益率等。其中，信息增益率可定义如下：其中gainratio(a)为属性a的信息增益率，gain(a)为属性a的信息增益，splitiinfo(a)为属性a的特征子集所对应的分货位信息熵。以上述表1所示的特征集为例，基于上述的信息增益获取方式可得到：品牌属性的特征子集所对应的分货位信息熵：splitiinfo(品牌)＝1.351；品牌属性的信息增益：gain(品牌)＝0.572；货主属性的特征子集所对应的分货位信息熵：splitiinfo(货主)＝1.3245；货主属性的信息增益：gain(货主)＝0.5985；类别属性的特征子集所对应的分货位信息熵：splitiinfo(类别)＝1.4755；类别属性的信息增益：gain(类别)＝0.4475；正/残属性的特征子集所对应的分货位信息熵：splitiinfo(正/残)＝0.950；正/残属性的信息增益：gain(正/残)＝0.973；则根据上述信息增益率定义，可得到：由此，根据一个或多个属性的信息增益率，可以确定货位推荐链路信息为：正残→货主→品牌→类别。结合图4所示，在本申请另一些实施方式中，所述根据入库货品的一个或多个属性对所述总货位信息熵的影响程度值的大小确定货位推荐链路信息，可以包括以下步骤：s401、提取影响程度值集合中的最大值所对应的属性，将该属性对应的数据列从特征集中删除，并将该最大值从所述影响程度值集合中删除；所述影响程度值集合中包括入库货品的一个或多个属性对总货位信息熵的影响程度值。s402、确认当前特征集中的属性个数是否大于1，如果大于1，则执行步骤s403，否则执行步骤s406。s402、确认特征集中是否存在重复数据行，如果存在，则执行步骤s404，否则跳转执行步骤s401。s404、合并重复数据行，以获得新特征集。合并特征集中的重复数据行可以去除冗余信息，从而减少了计算量，提高了数据处理效率。s405、在新特征集下，获取入库货品的一个或多个属性对新的总货位信息熵的影响程度值，并用其替换所述影响程度值集合中的影响程度值；所述新的总货位信息熵用于表征在所述新特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；然后跳转执行步骤s401。s406、按照入库货品的一个或多个属性被提取的先后顺序确定货位推荐链路信息。在本申请一些实施方式中，当采用上述步骤s401～s406所示方法时，由于在删除了特征集中的一个属性对应数据列后，更新后的新特征集所包含的属性维度变少了；而在合并特征集中的重复数据行后，更新后的新特征集中的准放货位的样本总数量也会相应变少；此时，更新后的新特征集所对应的总货位信息熵一般会发生变化。因此，在特征集变化的情况下，重新获取每个属性对更新后的新特征集的影响程度值，可有利于获得更优的货位推荐链路信息。在本申请一些实施方式中，当剔除了某一属性后，如果当前特征集仅有一个属性时，这个仅有的属性就默认作为在为任意一个入库货品推荐货位时，最后被调用的属性。这是因为，该属性对确定推荐货位所贡献出的信息量最少，因此在推荐货位时，其只能作为最后被选用的属性。基于图4所示的实施方式，在本申请一个示例性实施方式中，以上表1所示特征集为例，在获得如表4所示的一个或多个个属性对总货位信息熵的信息增益值后，由于“正/残”属性对总货位信息熵的信息增益值为其中的最大值，因此首先可提取“正/残”属性，然后将“正/残”属性对应的数据列从特征集中删除，并删除这个最大值。在删除“正/残”属性对应的数据列后，特征集中并不存在重复数据行，如下表5所示：表5品牌货主类别货位标识rmeo/浪漫一身荃盛旗舰店服装b5a-05-34-13紫涵荃盛旗舰店服装b5a-05-34-12rmeo/浪漫一身荃盛旗舰店服装gt-069-02-11rmeo/浪漫一身荃盛旗舰店配件a5a-01-04-13pageone/佩吉yalipex雅绿霈旗舰店配件gt-069-02-11pageone/佩吉yalipex雅绿霈旗舰店配件b5a-05-34-12rmeo/浪漫一身元朗荣华官方旗舰店服装b5a-05-34-13rmeo/浪漫一身元朗荣华官方旗舰店配件a5a-01-04-13紫涵yalipex雅绿霈旗舰店配件gt-069-02-11rmeo/浪漫一身yalipex雅绿霈旗舰店配件gt-069-02-11因此，在删除“正/残”属性对应的数据列后，特征集中准放货位的样本总数量并未发生变化；对应的，相对于表1所示的特征集，在表5所示的特征集下，总货位信息熵不会变化，并且余下的“品牌”、“货主”和“类别”属性对总货位信息熵的信息增益值也不会变化。所以在此情况下，没有必要重新计算一个或多个个属性对总货位信息熵的信息增益值。在此情况下，可从表4中余下的一个或多个个属性(即“品牌”、“货主”和“类别”属性)对总货位信息熵的信息增益值中，选择其中的最大值。从表4中可以看出，在“正/残”属性对总货位信息熵的信息增益值被删除后，“货主”属性对特征集的总货位信息熵的信息增益值则变为其中的最大值。因此可提取“货主”属性，然后将“货主”属性对应的数据列从表5所示特征集中删除，并删除“货主”属性对总货位信息熵的信息增益值，可得到如下表6所示的特征集：表6品牌类别货位标识rmeo/浪漫一身服装b5a-05-34-13紫涵服装b5a-05-34-12rmeo/浪漫一身服装gt-069-02-11rmeo/浪漫一身配件a5a-01-04-13pageone/佩吉配件gt-069-02-11pageone/佩吉配件b5a-05-34-12rmeo/浪漫一身服装b5a-05-34-13rmeo/浪漫一身配件a5a-01-04-13紫涵配件gt-069-02-11rmeo/浪漫一身配件gt-069-02-11显然，表6所示的特征集中存在重复数据行(见表6中的加粗字体部分)，因此，需要合并表6所示的特征集中的重复数据行，从而更新得到新的特征集，如下表7所示：表7品牌类别货位标识rmeo/浪漫一身服装b5a-05-34-13紫涵服装b5a-05-34-12rmeo/浪漫一身服装gt-069-02-11rmeo/浪漫一身配件a5a-01-04-13pageone/佩吉配件gt-069-02-11pageone/佩吉配件b5a-05-34-12紫涵配件gt-069-02-11rmeo/浪漫一身配件gt-069-02-11相对于表6所示的特征集，表7所示的新特征集中准放货位的样本总数量减少了2个。因此，需要计算表7所示的新特征集下的总货位信息熵，以得到新的总货位信息熵；并计算表7中一个或多个属性对该新的总货位信息熵的信息增益值。基于图3所示实施方式，可得到：新的总货位信息熵为f＝1.75；(而参见图3所示实施方式，在特征集中准放货位的样本总数量未减少时，原总货位信息熵为1.923。)“类别”属性对新的总货位信息熵的影响期望为f1＝1.482；“品牌”属性对新的总货位信息熵的影响期望为f2＝1.25。在表7所示的新特征集下，“类别”属性对新的总货位信息熵的信息增益值为：f-f1＝1.75-1.482＝0.268；(参见表4所示，而在特征集中准放货位的样本总数量未减少时，“类别”属性对原总货位信息熵的信息增益值为0.4475。)在表7所示的新特征集下，“类别”属性对新的总货位信息熵的信息增益值为：f-f2＝1.75-1.482＝0.5；(参见表4所示，而在特征集中准放货位的样本总数量未减少时，“品牌”属性对原总货位信息熵的信息增益值为0.572。)由此可见，当特征集中准放货位的样本总数量发生变化时，新特征集下的总货位信息熵的确会发生变化，并且在新特征集下，一个或多个属性对新的总货位信息熵的信息增益值也发生了变化。在表7所示的新特征集下，“品牌”属性对原总货位信息熵的信息增益值大于“类别”属性对新的总货位信息熵的信息增益值。即在表7所示的新特征集下，“品牌”属性对新的总货位信息熵的信息增益值是其中的最大值，因此，可以提取“品牌”属性，然后将“品牌”属性对应的数据列从表7所示特征集中删除，并删除“品牌”属性对新的总货位信息熵的信息增益值，可得到如下表8所示的特征集：表8类别货位标识服装b5a-05-34-13服装b5a-05-34-12服装gt-069-02-11配件a5a-01-04-13配件gt-069-02-11配件b5a-05-34-12配件gt-069-02-11配件gt-069-02-11由于表8所示的特征集中的“类别”属性是仅剩的一个属性，因此，可直接提取该“类别”属性。由此，按照提取先后顺序，可以确定货位推荐链路信息为：正残→货主→品牌→类别。参考图6所示，本申请一实施例的货位推荐链路信息获取装置包括存储器、处理器、以及存储在所述存储器上的计算机程序。其中，所述计算机程序被所述处理器运行时执行如下步骤：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取每个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。在本申请的一些实施方式中，上述获取货位推荐链路信息的步骤的具体内容，请参考上述图3和图4所对应的方法实施例，在此不再赘述。参考图7所示，本申请一实施例的货位推荐系统包括客户端和服务器。其中，所述客户端用于获取货品信息，并提供给所述服务器；所述客户端提供货品信息给所述服务器可以是所述客户端直接提供给所述服务器，也可以是所述客户端提供给第三方(例如其他服务器等)，再由第三方提供给所述服务器。可选的，所述客户端还可以用于在接收到货位信息时，输出所述货位信息，以供库工或自动化作业机器根据货位信息存放货品。所述服务器用于在收到所述货品信息时确定货品属性，根据所述货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位，并返回所述推荐货位。在申请的一些实施方式中，所述货位推荐链路信息可预先由服务器通过以下步骤得到：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取每个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。在本申请的一些实施方式中，上述预先获取货位推荐链路信息的步骤的具体内容，请参考上述图3和图4所对应的方法实施例，在此不再赘述。在申请的另一些实施方式中，所述货位推荐链路信息也可预先由第三方(例如另一服务器等)通过上述步骤得到，并提供给所述服务器。结合图8所示，上述货位推荐系统中的服务器可以包括存储器、处理器、以及存储在所述存储器上的计算机程序。其中，所述计算机程序被所述处理器运行时执行如下步骤：接收客户端提供的货品信息；根据所述货品信息确定货品属性，并根据所述货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位；返回所述推荐货位。在本申请的一些实施方式中，所述根据货品信息确定货品属性，例如可以为根据接收到的货品信息查找数据库(所述数据库预先存储有每种待入库货品的一个或多个种属性)，以从中匹配出对应的货品属性。在本申请的一些实施方式中，所述根据货品属性和货位推荐链路信息确定存放所述货品信息所对应货品的推荐货位可以包括如下步骤：首先确定货品的对应于货位推荐链路信息的第一顺位的属性，并从特征集的货位中，确定与该第一顺位的属性对应的所有货位，获得第一货位集合。然后，确定该货品的对应于货位推荐链路信息的第二顺位的属性，并从第一货位集合中，确定与该第二顺位的属性对应的所有货位，获得第二货位集合。依此递推，直至确定与该货品的对应于货位推荐链路信息的末尾顺位的属性所对应的货位为止，则该末尾顺位的属性所对应的货位即为推荐货位。当然，在上述过程中，如果依据货品的对应于货位推荐链路信息的第一顺位的属性，就能确定唯一的推荐货位；或者依据货品的对应于货位推荐链路信息的前几个顺位属性，就能确定唯一的推荐货位；则可不必继续确定货品的对应于货位推荐链路信息的余下顺位的属性，以进一步提高货位推荐效率，避免浪费系统资源。在本申请的一些实施方式中，所述服务器可以是位于仓库内的工作站，也可以是位于远端的服务器。结合图9所示，上述货位推荐系统中的客户端，可以包括存储器、处理器、输出设备以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：获取货品信息，并提供给服务器；接收所述服务器提供的货位信息；可选的，在接收到所述服务器提供的货位信息时，还可以将其提供给所述输出设备以输出。在本申请的一些实施方式中，所述获取货品信息，例如可通过扫描待入库货品的物流标签来得到该待入库货品的货品信息。此外，还可以通过接收外部输入而得到待入库货品的货品信息。在本申请的一些实施方式中，所述将货品信息提供给所述服务器。例如可以通过向所述服务器发起货位推荐请求方式提供，其中，所述货位推荐请求中携带货品信息。本申请实施例的客户端可以是pc终端，也可以是无线终端。无论是pc终端还是无线终端，优选的，其具备物流标签的扫描识别功能，以利于货品信息的迅速采集。参考图10所示，本申请一实施例货位推荐方法包括以下步骤：s1001、接收客户端发送的货位推荐请求，所述货位推荐请求中携带货品信息。s1002、根据所述货品信息和预先获取的货位推荐链路信息，确定存放所述货品信息所对应货品的推荐货位。s1003、返回所述推荐货位。在本申请的一些实施方式中，所述货位推荐链路信息可预先通过以下步骤获取：获取入库货品的特征集，所述特征集包括所述入库货品的一个或多个属性与准放货位之间的对应关系集合；获取每个属性对总货位信息熵的影响程度值；所述总货位信息熵用于表征在所述特征集下，一个或多个准放货位被确定为推荐货位所需的信息量；根据所述影响程度值确定货位推荐链路信息；所述货位推荐链路信息包括在为任意一个入库货品推荐货位时，该入库货品的一个或多个属性被选用的顺序。在本申请的一些实施方式中，上述获取货位推荐链路信息的步骤的具体内容，请参考上述图3和图4所对应的方法实施例，在此不再赘述。在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现一个或多个种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现一个或多个种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。为了描述的方便，描述以上装置时以功能分为一个或多个种单元分别描述。当然，在实施本申请时可以把一个或多个单元的功能在同一个或多个软件和/或硬件中实现。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、货品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、货品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、货品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。本说明书中的一个或多个个实施例均采用递进的方式描述，一个或多个个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有一个或多个种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。当前第1页12