基于商品售卖的目标对象的属性的选择方法及装置与流程

本发明涉及商品销售
技术领域：
，尤其涉及一种基于商品售卖的目标对象的属性的选择方法及装置。
背景技术：
：传统的售货机运营中，高度依赖运营人员经验选择售货机商品，但是由于人工经验有限，以及人员变动、环境变化等情况会造成人工经验不能很好的应用。特别是在一些场景下，人工经验会有一定局限性。例如，一般情况下，运营人员会参考售货机所在的场所类型选择商品，这样一方面会导致同类场所的售货机商品品类高度一致，从而缺少差异性和个性化；另一方面，人工经验缺少从更高维度上总结销售规律的能力，售货机不应该只是单纯根据场所等简单特征做分类，高维度的分类与相似度判断可以提供更精细化的运营。传统的人工经验选择商品的过程中，场所的考虑其实就是一种简单的找相似售货机的过程。然而这种思路过于简单，同一场所的售货机之间也是存在一定的差异性。由此，需要一种可以计算售货机之间的相似程度的方法，实现预测售货机上没有售卖的商品的销量，从而对售货机推荐相似的售货机上高销量的商品。技术实现要素：本发明的第一个目的在于提供一种基于商品售卖的目标对象的属性选择方法，其旨在解决相关技术中售卖商品选择的准确率不高的技术问题。为达到上述目的，本发明提供的方案是：一种基于商品售卖的目标对象的属性选择方法，应用于商品售卖客户端，所述方法包括：获取至少两个对象的原始数据，对所述原始数据进行预处理，得到第一数据；获取至少两个对象的标识及其对应的所述第一数据，组成特征向量矩阵；对所述特征向量矩阵里的任意两个特征向量进行相似度计算，并获取预设的相似度阈值，从所述对象中匹配出至少一个相似对象；根据所述相似对象的所述第一数据，计算目标对象的预测数据，得到第二数据；将所述第二数据与所述第一数据进行比对，判断所述第二数据是否符合所述第一数据；当确定所述第二数据符合所述第一数据时，对所述目标对象上的所述属性进行新增或替换。进一步地，所述对所述原始数据进行预处理包括：排除所述原始数据的异常；和/或，对所述原始数据进行均一化处理。进一步地，所述根据所述相似对象的所述第一数据，计算目标对象的预测数据，得到第二数据的步骤包括：获取所述第一数据及其对应的特征值，根据所述特征值，判断预测数据是否可用：若可用，则得出所述第二数据；若不可用，则舍弃所述第二数据。进一步地，所述特征值包括：相似对象的相似度、相似对象的数量、相似对象之间的标准差、对象所在场所的分类、属性的类别中的一种或多种。进一步地，所述从所述对象中匹配出至少一个相似对象包括：假设对象a和对象b，特征向量分别为a和b，则对象a和对象b之间的相似度sa,b：进一步地，所述计算目标对象的预测数据包括：假设对象a的属性x的预测数据为px,a，则：其中sa,i是对象a和对象i之间的相似度，n为相似对象的总量，qx,i是属性x在对象i上的第一数据。进一步地，所述对所述目标对象上的所述属性进行新增或替换的步骤包括：判断所述目标对象上是否存在所述预测属性；若存在，则用所述相似对象中的所述预测属性替换所述目标对象上的所述属性；若不存在，则在所述目标对象上新增所述相似对象中的所述预测属性。本发明的第二个目的在于提供一种基于商品售卖的目标对象的属性选择装置，包括：预处理模块，用于获取至少两个对象的原始数据，对所述原始数据进行预处理，得到第一数据；特征向量矩阵模块，用于获取至少两个对象的标识及其对应的所述第一数据，组成特征向量矩阵；相似度计算模块，用于对所述特征向量矩阵里的任意两个特征向量进行相似度计算，并获取预设的相似度阈值，从所述对象中匹配出至少一个相似对象；预测数据计算模块，用于根据所述相似对象的所述第一数据，计算目标对象的预测数据，得到第二数据；属性选择模块，将所述第二数据与所述第一数据进行比对，判断所述第二数据是否符合所述第一数据；当确定所述第二数据符合所述第一数据时，对所述目标对象上的所述属性进行新增或替换。进一步地，所述预测数据计算模块还包括：预测数据判断模块，用于获取所述第一数据及其对应的特征值，根据所述特征值，判断预测数据是否可用。进一步地，所述属性选择模块还包括：属性判断模块，用于判断目标对象上是否存在预测属性。本发明的第三个目的在于提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。本发明的第四个目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的方法的步骤。本发明的有益效果：本发明实施例提供的一种基于商品售卖的目标对象的属性选择方法，包括：获取至少两个对象的原始数据，对原始数据进行预处理，得到第一数据；获取至少两个对象的标识及其对应的第一数据，组成特征向量矩阵；对特征向量矩阵里的任意两个特征向量进行相似度计算，并获取预设的相似度阈值，从对象中匹配出至少一个相似对象；根据相似对象的第一数据，计算目标对象的预测数据，得到第二数据；将第二数据与第一数据逐一进行比对，判断第二数据是否符合第一数据；当确定第二数据符合第一数据时，对目标对象上的属性进行新增或替换。本发明实施例提供的基于商品售卖的目标对象的属性选择方法，通过计算对象的相似度，获得相似对象，并根据相似对象对目标对象进行售卖商品的推荐，实现更准确的高销量商品互推。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1是本发明实施例提供的目标对象的属性的选择方法的流程图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。还需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上时，它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件，它可以是直接连接另一个元件或者可能同时存在居中元件。另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。本申请旨在提出一种基于商品售卖技术为目标对象查找相似对象，并根据相似对象的相似属性对目标对象的属性进行替换或新增。将本发明的技术方案应用到自动售货
技术领域：
，实际应用中，一个售货机的使用人群所购买的商品偏好，可以直接的由售货机现有商品的销售情况来表现。通过利用商品的销量进行售货机之间的相似度计算，可以发现售货机之间潜在的关联关系，进而预测目标售货机上没有售卖的商品的销量。进而根据预测的商品销量的高低，对目标售货机上的商品进行替换或新增。从而提高售货机售卖商品的准确性，以更好地满足使用人群的需要，且提高售货机运营的准确度。下面通过具体实施例并结合具体的应用场景对本申请进行描述。请参考图1，图1是本发明一实施例提供的基于商品售卖的目标对象的属性选择方法的流程图。本发明实施例提供的一种基于商品售卖的目标对象的属性选择方法，应用于商品售卖客户端，方法执行以下步骤：s10：获取至少两个对象的原始数据，对原始数据进行预处理，得到第一数据；具体地，对原始数据进行预处理包括：排除原始数据的异常，或对原始数据进行均一化处理。这样，可以防止由于不同对象之间的数据量级存在差异而造成计算误差。其中，均一化计算公式为：x2＝(x1-xmin)/(xmax-xmin)，其中x1是原始数据，x2是均一化后的第一数据。s20：获取至少两个对象的标识及其对应的第一数据，组成特征向量矩阵；具体地，组成特征向量矩阵的步骤为：将对象和属性之间的关系用一个n×m矩阵表达。其中，矩阵的值“第一数据x,y”表示“属性x”在“对象y”上面的经过数据预处理后的第一数据。属性1属性2...属性x...属性m对象1第一数据1,1第一数据2,1...第一数据x,1...第一数据m,1.....................对象y第一数据1,y第一数据2,y...第一数据x,y...第一数据m,y.....................对象n第一数据1,n第一数据2,m...第一数据x,n...第一数据m,ns30：对特征向量矩阵里的任意两个特征向量进行相似度计算，并获取预设的相似度阈值，从对象中匹配出至少一个相似对象；具体地，计算出所有对象两两之间的相似度之后，需要对每个目标对象选择前n个最相似对象。预设的相似度阈值是0.85，即相似度计算值高于0.85的对象，都是该目标对象的相似对象。s40：根据相似对象的第一数据，计算目标对象的预测数据，得到第二数据；s50：将第二数据与第一数据逐一进行比对，判断第二数据是否符合第一数据；s60：当确定第二数据符合第一数据时，对目标对象上的属性进行新增或替换。这样，通过计算对象之间的相似程度，从而确定目标对象的相似对象，根据相似对象上的在一实施例中，根据相似对象的第一数据，计算目标对象的预测数据，得到第二数据的步骤包括：获取第一数据及其对应的特征值，根据特征值，判断预测数据是否可用：若可用，则得出第二数据；若不可用，则舍弃第二数据。根据特征值，判断商品预测结果是否可用的步骤为根据预设的召回算法进行计算。主要步骤是利用机器学习的梯度提升树算法(gbdt)，通过输入多个特征值，判断计算出的预测数据是否符合第一数据。召回算法设置的目的就是尽可能的保留正确的结果，舍弃准确性低的结果，所以当第一数据与第二数据不符合时，会舍弃第二数据。具体地，特征值为相似对象的相似度、相似对象的数量、相似对象之间的标准差、对象所在场所的分类、属性的类别中的一种或多种。通过梯度提升树算法，能够根据现有对象上的原始数据，从而判断预测数据是否符合原始数据。在一实施例中，从对象中匹配出至少一个相似对象包括：假设对象a和对象b，特征向量分别为a和b，则对象a和对象b之间的相似度sa,b：具体地，任意两个对象之间的相似度计算算法为“余弦相似法”，特征向量矩阵中的每一行是该对象的特征向量。在一实施例中，计算目标对象的预测数据包括：假设对象a的属性x的预测数据为px,a，则：其中sa,i是对象a和对象i之间的相似度，n为相似对象的总量，qx,i是属性x在对象i上的第一数据。在一实施例中，对目标对象上的属性进行新增或替换的步骤包括：判断目标对象上是否存在预测属性；若存在，则用相似对象中的预测属性替换目标对象上的属性；若不存在，则在目标对象上新增相似对象中的预测属性。具体地，预测属性在目标对象上的应用分为两种情况：a.当目标对象上存在该类预测属性时，选择目标对象的第一数据小于相似对象的第一数据的属性，用预测属性替换该属性；b.当目标对象上不存在该类预测属性时，直接在目标对象上新增预测属性，用于替换在目标对象中的属性。在一实施例中，a对象的第一数据为[10.50.2xx1]；b对象的第一数据为[10.60.20.80.11]；c对象的第一数据为[10.40.20.2x1]，其中每一位数字对应一个属性的值，x表示对象上没有该属性。通过计算可知，a对象和b对象之间的相似度为0.91，a对象和c对象之间的相似度为0.99，则b对象和c对象都是a对象的合格的相似对象。根据预测数据的公式可知，a对象的第四个属性的预测数据为：0.49。此时，可以在a对象上新增第四个属性。本发明实施例还提供一种基于商品售卖的目标对象的属性选择装置，包括：预处理模块，用于获取至少两个对象的原始数据，对原始数据进行预处理，得到第一数据；特征向量矩阵模块，用于获取至少两个对象的标识及其对应的第一数据，组成特征向量矩阵；相似度计算模块，用于对特征向量矩阵里的任意两个特征向量进行相似度计算，并获取预设的相似度阈值，从对象中匹配出至少一个相似对象；预测数据计算模块，用于根据相似对象的第一数据，计算目标对象的预测数据，得到第二数据；属性选择模块，将第二数据与第一数据逐一进行比对，判断第二数据是否符合第一数据；当确定第二数据符合第一数据时，对目标对象上的属性进行新增或替换。在一实施例中，预测数据计算模块还包括：预测数据判断模块，用于获取第一数据及其对应的特征值，根据特征值，判断预测数据是否可用。在一实施例中，属性选择模块还包括：属性判断模块，用于判断目标对象上是否存在预测属性。本发明实施例还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现目标对象的属性的选择方法的步骤。本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现目标对象的属性的选择方法的步骤。以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的
技术领域：
均包括在本发明的专利保护范围内。当前第1页12