一种用于确定商品定价模型的方法、系统及设备与流程
本申请涉及机器学习技术领域，尤其涉及一种用于确定商品定价模型的技术。
背景技术：
目前二手商品如二手手机，由于商品成色磨损等情况各不相同，每个二手商品的定价也各不相同。而现有市场上主要是通过随机森林模型、神经网络模型或者xgboost模型，依据宏观的数据指标来对二手商品某个大类的价格或者后期的价格趋势进行预测。
目前没有针对单个或某类具有具体商品特征的二手商品的智能定价模型，现有针对单个或某类具体二手商品主要是通过人工方式按照经验定价，这种定价方式的准确度低且效率低下。
技术实现要素：
本申请的目的是提供一种用于确定商品定价模型的方法、系统及设备，用以解决单个或某类具有具体商品特征的二手商品的智能定价的技术问题。
根据本申请的一个方面，提供了一种用于确定商品定价模型的方法，其中，所述方法包括：
确定与商品定价相关的n个商品属性；
基于所述n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项；
获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；
基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；
若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；
持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
可选地，其中，各样本偏回归系数之间非共线性。
可选地，其中，对所述各样本偏回归系数之间非共线性的判断包括：
对由各样本偏回归系数组成的样本进行显著性t检验，若检验结果符合第二预设阈值，则各样本偏回归系数之间非线性。
可选地，其中，所述第二预设阈值是t检验结果对应的概率小于等于0.05。
可选地，其中，所述n元线性回归模型的误差项是期望值为0的正态分布随机变量，其中，各样本的误差项之间不相关。
可选地，其中，所述基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验包括：
基于若干已销售商品样本的实际销售价格，确定已销售商品样本的实际销售价格的均价；
基于所述若干已销售商品样本的实际销售价格及其预测销售价格、所述均价，进行拟合度判断及显著性检验。
可选地，其中，所述显著性检验包括显著性f检验。
可选地，其中，所述第一预设阈值为拟合度对应的可决系数大于等于0.95。
可选地，其中，所述预设显著性水平是0.05。
可选地，所述一种用于确定商品定价模型的方法还包括：
获取待销售商品的n个商品属性对应的基础价格；
基于所述商品定价模型及所述待销售商品的n个商品属性对应的基础价格，设定待销售商品的销售价格。
根据本申请的另一方面，还提供了一种用于确定商品定价模型的系统，其中，所述系统包括：
第一模块，用于确定与商品定价相关的n个商品属性；
第二模块，用于基于所述n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项；
第三模块，用于获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；
第四模块，用于基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；
第五模块，用于若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；
第六模块，用于持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
可选地，所述一种用于确定商品定价模型的系统还包括：
第七模块，用于获取待销售商品的n个商品属性对应的基础价格，并基于所述商品定价模型及所述待销售商品的n个商品属性对应的基础价格，设定待销售商品的销售价格。
与现有技术相比，本申请通过一种用于确定商品定价模型的方法、系统，确定与商品定价相关的n个商品属性；基于所述n个商品属性，构建n元线性回归模型；获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。该方法采用已销售商品的实际销售价格及根据基本商品属性的基础价格等数据来训练多元线性回归模型，以得到用于商品智能定价的商品定价模型，基于该商品定价模型，可高效地确定更合理的商品定价。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于确定商品定价模型的方法流程图；
图2示出根据本申请另一个方面一种用于确定商品定价模型的系统示意图；
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，系统各模块和可信方可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非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及可选实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面的一种用于确定商品定价模型的方法流程图，其中，一个实施例的方法包括：
s11确定与商品定价相关的n个商品属性；
s12基于所述n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项；
s13获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；
s14基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；
s15若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；
s16持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
在本申请中，所述方法通过设备1执行，所述设备1为计算机设备和/或云，所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(cloudcomputing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此，所述计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
在该实施例中，在所述步骤s11中，所述设备1确定与商品定价相关的n个商品属性。
不同商品其与商品定价相关的商品属性不同，比如，对于二手手机来说，与二手手机智能定价相关的商品属性可以包括但不限于：品牌、型号、内存、购买渠道、保修时长、机身颜色、增值情况、成色等八个商品属性。
继续在该实施例中，在所述步骤s12中，所述设备1基于所述n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项。
例如，根据上述八个二手手机的商品属性，可以构建针对二手手机智能定价的八元线性回归模型y＝b0+b1x1+b2x2+...+b8x8+β，其中，b0为常量，b1、b2……b8为样本偏回归系数，x1、x2……x8为该二手手机的八个商品属性对应的基础价格，β为误差项。
其中，商品的各商品属性对应的基础价格应是确定的。例如，苹果品牌的二手手机，因为苹果品牌的知名度、美誉度高，与品牌对应的基础价格在定价中占比应该较大，比如可以是同品牌同型号新机价格的20％，而华为品牌的二手手机，相对于苹果品牌来说，可能与品牌对应的基础价格在定价中占比相对来说要低一些，比如可以是同品牌同型号新机价格的15％。此处比例仅为举例，商品的各商品属性对应的基础价格的确定应是多种因素的综合。
其中，各样本偏回归系数表示相应的商品属性对应的基础价格每改变一个单位，n元线性回归模型的输出的平均变化量。
可选地，其中，各样本偏回归系数之间非共线性。
其中，各样本偏回归系数中任意一个样本偏回归系数都不能用其它(n-1)个样本偏回归系数和/或常数项的线性函数来表示。比如，对于上述二手手机的八元线性回归模型，b1、b2……b8中的任意一个都不能用其它七个和/或常数项的线性函数来表示。
可选地，其中，对所述各样本偏回归系数之间非共线性的判断包括：
对由各样本偏回归系数组成的样本进行显著性t检验，若检验结果符合第二预设阈值，则各样本偏回归系数之间非线性。
比如，基于上述构建的针对二手手机的八元线性回归模型，将选择的一组样本偏回归系数(b1、b2……b8)作为样本进行显著性t检验，若显著性t检验结果符合预设阈值，则确定该组样本偏回归系数(b1、b2……b8)之间非线性。
可选地，其中，所述第二预设阈值是t检验结果对应的概率小于等于0.05。
比如，基于上述构建的针对二手手机的八元线性回归模型，将选择的一组样本偏回归系数(b1、b2……b8)作为样本进行显著性t检验，若显著性t检验结果对应的概率小于等于0.05，则确定该组样本偏回归系数(b1、b2……b8)之间非线性。
可选地，其中，所述n元线性回归模型的误差项是期望值为0的正态分布随机变量，其中，各样本的误差项之间不相关。
其中，误差项β是随机的，它的期望值是0，即e(β)＝0，也就是对于一组确定的(x1、x2……xn)的值，e(y)＝b0+b1x1+b2x2+...+bnxn。比如，对于上述的二手手机的八元线性回归模型，对于与二手手机的商品属性对应的一组确定的(x1、x2……x8)的值，期望的预测定价e(y)＝b0+b1x1+b2x2+...+bnx8。
其中，不同商品的n元线性回归模型中的误差项β服从正态分布且相互独立。即对于一个确定商品，具有确定的与其它确定商品不同的各商品属性对应的基础价格，构建的n元线性回归模型中的误差项β与其他确定商品的n元线性回归模型中的误差项β不相关。从而，根据n元线性回归模型得到的一个确定商品的定价与其它确定商品的定价也不相关。比如，基于上述的二手手机的八元线性回归模型，一台二手苹果iphone12手机a，其商品属性包括：品牌为iphone、型号为iphone12、内存为128g、购买渠道为中国行货、保修时长为无保修、机身颜色为金色、增值情况为无收藏价值、成色为八成新；另有一台二手华为手机b，其商品属性包括：品牌为huawei、型号为mate40、内存为128g、购买渠道为中国行货、保修时长为无保修、机身颜色为金色、增值情况为有收藏价值、成色为八成新，则确定的二手苹果手机a的八个基础价格与二手华为手机b的八个基础价格不相关，且基于八元线性回归模型确定的二手苹果手机a的定价与二手华为手机b的定价也不相关。
其中，所述n元线性回归模型中，对于所有确定的(x1、x2……xn)的值，误差项β的方差都相同，即随机误差的方差齐性。
继续在所述实施例中，在所述步骤s13中，所述设备1获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格。
其中，获取已销售商品样本的实际销售价格，并结合已销售商品样本的商品信息拆分成n个商品属性，并确定各商品属性对应的寄出价格。例如，对于上述二手手机，获取以往已销售二手手机的手机信息及实际销售价格y’，以及每台已销售二手手机的一组商品属性对应的基础价格(x1、x2……x8)。
继续在所述实施例中，在所述步骤s14中，所述设备1基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验。
比如，对于上述二手手机，基于所述八元线性回归模型，及获取的每台已销售二手手机的一组商品属性对应的基础价格(x1、x2……x8)，确定该台已销售二手手机的预测销售价格y。根据获得的若干已销售二手手机的实际销售价格y’及其预测销售价格y，进行拟合度判断及显著性检验。
可选地，其中，所述基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验包括：
基于若干已销售商品样本的实际销售价格，确定已销售商品样本的实际销售价格的均价；
基于所述若干已销售商品样本的实际销售价格及其预测销售价格、所述均价，进行拟合度判断及显著性检验。
其中，根据获得的若干已销售商品样本的每个商品样本实际销售价格y’i，可以确定该若干已销售商品样本的实际销售价格的均价
其中，ssr表示n元线性回归模型对应的回归平方和，sst表示n元线性回归模型对应的总平方和，y’i为若干已销售商品样本的每个已销售商品样本的实际销售价格，
比如，对于上述二手手机，根据获得的若干已销售二手手机的每台实际销售价格y’i，可以确定该若干已销售二手手机的实际销售价格的均价
可选地，其中，所述显著性检验包括显著性f检验。
继续在该实施例中，在所述步骤s15中，所述设备1获取拟合度判断结及显著性检验结果，若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数。
可选地，其中，所述第一预设阈值为拟合度对应的可决系数大于等于0.95。
比如，对于上述二手手机，若计算八元线性回归模型的可决系数大于等于0.95，则认为八元线性回归模型的拟合效果较好，从拟合度角度，八元线性回归模型中各参数符合要求，若计算八元线性回归模型的可决系数小于0.95，则认为八元线性回归模型的拟合效果不好，八元线性回归模型中各参数不符合要求，需要重新调整。
可选地，其中，所述预设显著性水平是0.05。
其中，n元线性回归模型对应的回归方程的显著性检验通常也被称为f检验，通过显著性检验，能够检验所述n元线性回归模型中所有基础价格变量和n元线性回归模型输出之间的线性关系的显著程度。其中，对n元线性回归模型对应的回归方程的显著性检验是基于n元线性回归模型中的各样本偏回归系数b1、b2……bn中至少有一个不等于0这个前提的。显著性检验统计量的计算方法如下：
其中，ssr表示n元线性回归模型对应的回归平方和，sse表示n元线性回归模型对应的残差平方和，msr表示n元线性回归模型对应的均方回归，mse表示n元线性回归模型对应的均方残差，f(k,n-k-1)表示分子自由度为k、分母自由度为(n-k-1)的f分布。
基于所述n元线性回归模型，可确定上述公式中的分子自由度k以及分母自由度(n-k-1)，结合每个已销售商品样本的实际销售价格y’i及其均价
比如，对于上述二手手机，基于八元线性回归模型，可确定上述公式中的分子自由度k为1，分母自由度为6，结合每个已销售二手手机的实际销售价格y’i及其均价
继续在所述实施例中，若所述步骤s15中，拟合度判断及显著性检验的结果不符合要求，则调整n元线性回归模型的样本偏回归系数。在所述步骤s16中，基于n元线性回归模型的样本偏回归系数的调整，持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
比如，对于上述二手手机，基于八元线性回归模型，通过调整非共线性的各样本偏回归系数，持续调试八元线性回归模型，进行拟合度及显著性检验，直到获得的拟合度对应的可决系数r2符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的八元线性回归模型确定为二手手机智能定价模型。
可选地，所述一种用于确定商品定价模型的方法还包括：
s17(未示出)获取待销售商品的n个商品属性对应的基础价格，并基于所述商品定价模型及所述待销售商品的n个商品属性对应的基础价格，设定待销售商品的销售价格。
其中，对于待定价的待销售商品，获取其相应的n个商品属性对应的基础价格，然后将这n个基础价格作为自变量输入所述商品定价模型，得到该待定价的待销售商品的销售价格。
比如，基于上述二手手机智能定价模型，对某台待销售二手手机进行定价，根据该待销售二手手机的商品信息，确定其八个商品属性对应的基础价格，将这八个基础价格输入所述二手手机智能定价模型，即可快速得到较合理的该待销售二手手机的销售价格。
图2示出根据本申请另一个方面的一种用于确定商品定价模型的系统示意图，其中，所述系统包括：
第一模块21，用于确定与商品定价相关的n个商品属性；
第二模块22，用于基于所述n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项；
第三模块23，用于获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；
第四模块24，用于基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；
第五模块25，用于若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；
第六模块26，用于持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
其中，所述系统集成在上述设备1中。
其中，所述系统的第一模块21确定与商品定价相关的n个商品属性，第二模块22则基于第一模块21确定的n个商品属性，构建n元线性回归模型y＝b0+b1x1+b2x2+...+bnxn+β，其中，b0为常量，b1、b2……bn为样本偏回归系数，x1、x2……xn为商品的n个商品属性对应的基础价格，β为误差项，第三模块23获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格，第四模块24则基于第二模块22构建的n元线性回归模型及第三模块23获取的每个已销售商品样本的n个与商品属性对应的基础价格，确定已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验，第五模块25获取第四模块24的拟合度判断及显著性检验结果并判断是否符合预设条件，若不符合，则调整n元线性回归模型的各样本偏回归系数，第六模块26根据第五模块25的调整，持续调试n元线性回归模型，根据每次样本偏回归系数的调整进行拟合度判断及显著性检验，直至拟合度判断及显著性检验的结果符合预设条件，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
可选地，所述一种用于确定商品定价模型的系统还包括：
第七模块27(未示出)，用于获取待销售商品的n个商品属性对应的基础价格，并基于所述商品定价模型及所述待销售商品的n个商品属性对应的基础价格，设定待销售商品的销售价格。
其中，所述系统的第七模块27获取待销售商品的n个商品属性对应的基础价格，将基础价格作为商品定价模型的输入，将得到的商品定价模型的输出确定为待销售商品的销售价格。
根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面，还提供了一种用于确定商品定价模型的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：确定与商品定价相关的n个商品属性；基于所述n个商品属性，构建n元线性回归模型；获取已销售商品样本的实际销售价格及n个与商品属性对应的基础价格；基于所述n元线性回归模型及所述n个与商品属性对应的基础价格，确定所述已销售商品样本的预测销售价格，并基于若干已销售商品样本的实际销售价格及其预测销售价格，进行拟合度判断及显著性检验；若获得的拟合度对应的可决系数不符合第一预设阈值及显著性检验结果不符合预设显著性水平，调整所述n元线性回归模型的样本偏回归系数；持续调试所述n元线性回归模型，直至获得的拟合度对应的可决系数符合第一预设阈值及显著性检验结果符合预设显著性水平，将基于最后一次调整的样本偏回归系数的n元线性回归模型确定为所述商品定价模型。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件和/或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
- 还没有人留言评论。精彩留言会获得点赞！