物品选择方法和装置与流程

[0001]
本公开涉及信息处理领域，特别涉及一种物品选择方法和装置。


背景技术：

[0002]
目前，无论是电商还是线下门店，在日常运营中都经常会发起多种主题促销活动。在开展这种主题活动时，通常都需要选择一定范围的物品参加主题活动。
[0003]
目前的选品技术主要包含以下两种方式：
[0004]
1、基于人工经验：利用日常运营中对物品特性的了解及物品销售过程中积累的运营经验，选择特定的物品参与主题活动；
[0005]
2、基于预设规则：根据活动主题，制定一条或多条规则来选择特定的物品。


技术实现要素：

[0006]
发明人经过研究发现，上述基于人工经验的方案依赖于运营人员的经验，不利于推广，效率相对较低。此外，上述基于预设规则的方案所选择的物品缺乏多样性，无法预估可能达到的效果。
[0007]
据此，本公开提供一种物品选择方案，能够尽可能地选择出与活动主题相关联的物品，有效提升用户体验。
[0008]
根据本公开实施例的第一方面，提供一种物品选择方法，包括：设置活动主题；从物品信息库中筛选出第一候选集合，其中所述第一物品集合中的每个候选物品与所述主题的主题相似度si大于相似度门限；根据历史销售信息库，对所述第一物品集合中的出现在同一订单中的物品进行频繁项挖掘，以获得每个候选物品的物品支持度su；从所述第一物品集合中筛选出第二物品集合，其中所述第二物品集合的每个活动候选物品的物品支持度大于支持度门限；预测所述第二物品集合中的每个活动候选物品的销量受所述活动影响的活动影响系数sa；利用最小最大min-max标准化算法对所述物品支持度su进行标准化处理，以得到相应的标准化物品支持度suu；根据所述第二物品集合中的每个活动候选物品的主题相似度si、标准化物品支持度suu以及活动影响系数sa确定对应的推荐值；将所述第二物品集合中的全部活动候选物品按照推荐值进行排序，以便将推荐值最高的预定数量个活动候选物品作为所选择的物品。
[0009]
在一些实施例中，预测所述第二物品集合中的每个活动候选物品的销量受所述活动影响的活动影响系数包括：利用经过训练的预测模型，预测所述第二物品集合中的每个候选物品在举办所述活动的第一时间段内的第一销量p1，以及未举办所述活动的第二时间段内的第三销量p3，其中所述第二时间段是与所述第一时间段相邻的下一时间段，所述第二时间段与所述第一时间段长度相同；预测所述第二物品集合中的每个候选物品在未举办所述活动的第一时间段内的第二销量p2，以及未举办所述活动的第二时间段内的第四销量p4；根据所述第一销量p1、第二销量p2、第三销量p3和第四销量p4确定对应的活动影响系数。
[0010]
在一些实施例中，根据所述第一销量p1、第二销量p2、第三销量p3和第四销量p4确定对应的活动影响系数包括：利用公式sa＝ln(1+p1+p3)-ln(1+p2+p4)计算每个活动候选物品的活动影响系数sa。
[0011]
在一些实施例中，根据所述第二物品集合中的每个活动候选物品的主题相似度si、标准化物品支持度suu以及活动影响系数sa确定对应的推荐值包括：利用公式score＝(w1
×
si+w2
×
suu)
×
sa计算每个活动候选物品的推荐值，其中w1、w2为系数，w1+w2＝1。
[0012]
在一些实施例中，利用公式suu＝(su-min(su))/(max(su)-min(su))计算每个活动候选物品的标准化物品支持度suu，其中min函数用于在全部活动候选物品中查询出最小的物品支持度，max函数用于在全部活动候选物品中查询出最大的物品支持度。
[0013]
在一些实施例中，所述活动主题包括所述活动的关键词和与所述活动相关联的至少部分物品的物品标识中的至少一种。
[0014]
在一些实施例中，利用所述物品信息库、历史销售信息库和历史活动信息库对深度学习模型进行训练，以得到经过训练的预测模型。
[0015]
根据本公开实施例的第二方面，提供一种物品选择装置，包括：设置模块，被配置为设置活动主题；候选物品选择模块，被配置为从物品信息库中筛选出第一候选集合，其中所述第一物品集合中的每个候选物品与所述主题的主题相似度si大于相似度门限；根据历史销售信息库，对所述第一物品集合中的出现在同一订单中的物品进行频繁项挖掘，以获得每个候选物品的物品支持度su；从所述第一物品集合中筛选出第二物品集合，其中所述第二物品集合的每个活动候选物品的物品支持度大于支持度门限；预测模块，被配置为预测所述第二物品集合中的每个活动候选物品的销量受所述活动影响的活动影响系数sa；选择模块，被配置为利用最小最大min-max标准化算法对所述物品支持度su进行标准化处理，以得到相应的标准化物品支持度suu；根据所述第二物品集合中的每个活动候选物品的主题相似度si、标准化物品支持度suu以及活动影响系数sa确定对应的推荐值；将所述第二物品集合中的全部活动候选物品按照推荐值进行排序，以便将推荐值最高的预定数量个活动候选物品作为所选择的物品。
[0016]
根据本公开实施例的第三方面，提供一种物品选择装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
[0017]
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
[0018]
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0019]
为了更清楚地说明本公开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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]
图1为本公开一个实施例的物品选择方法的流程示意图；
[0021]
图2为本公开一个实施例的销量预测示意图；
[0022]
图3为本公开一个实施例的物品选择装置的结构示意图；
[0023]
图4为本公开另一个实施例的物品选择装置的结构示意图。
具体实施方式
[0024]
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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，都属于本公开保护的范围。
[0025]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0026]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0027]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0028]
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0029]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0030]
图1为本公开一个实施例的物品选择方法的流程示意图。在一些实施例中，下列的物品选择方法步骤由物品选择装置执行。
[0031]
在步骤101，设置活动主题。
[0032]
在一些实施例中，活动主题包括活动的关键词和与活动相关联的至少部分物品的物品标识中的至少一种。
[0033]
例如，一个以火锅食材为主题的活动，其关键词可以设置为：火锅、羊肉卷、蔬菜、蘸料、锅底等。又例如，一个以火锅食材为主题的活动，其代表性物品可以设置为：某种羊肉卷的物品id、某蔬菜的物品id、某种蘸料的物品id，某种火锅锅底的物品id等。
[0034]
这里需要说明的是，在配置时，应当尽量保证各关键词、初始物品准确和具有代表性，同时具有一定的差异性，以保证最终所选物品的全面性及多样化。
[0035]
在步骤102，从物品信息库中筛选出第一候选集合，其中第一物品集合中的每个候选物品与主题的主题相似度si大于相似度门限。
[0036]
例如，在从物品信息库中提取全量的可售物品作为候选物品后，逐一对每种物品，使用自然语言处理技术对物品的标题及广告语(广告语指物品的副标题，其内容一般是对物品及特点，进行辅助简短的介绍说明)计算其与关键词或者代表性物品的相似程度，并作为该物品与主题活动的相似度。当有多个关键词或代表性物品时，相似度为当前物品与各关键词或代表性物品的相似度之和。对于代表性物品的物品标识，则需要根据此标识找到对应物品的标题及广告语，并作为主题活动关键词。
[0037]
在相似度计算过程中，通过对关键词和/或物品标识进行分词处理，并将所得到的
分词转换为相应的词向量。通过计算词向量之间的大小和距离来确定每个候选物品与主题的主题相似度。由于分词处理、相似度计算本身并不是本公开的发明点所在，因此这里不展开描述。
[0038]
例如，物品信息库可如表1所示。
[0039][0040]
表1
[0041]
在步骤103，根据历史销售信息库，对第一物品集合中的出现在同一订单中的物品进行频繁项挖掘，以获得每个候选物品的物品支持度su。
[0042]
通过频繁项挖掘，可聚合出关联更加紧密的物品，使得主题活动的候选物品形成一个有机的整体，而不是由一个个独立的物品个体拼凑组成。由于频繁项挖掘算法本身并不是本公开的发明点所在，因此这里不展开描述。
[0043]
例如，历史销售信息库可如表2所示。
[0044]
订单日期订单编号物品编号销量原价成交价下单用户201907082468012345259.959.9tom201907092468123456139.928dan
[0045]
表2
[0046]
在步骤104，从第一物品集合中筛选出第二物品集合，其中第二物品集合的每个活动候选物品的物品支持度su大于支持度门限。
[0047]
在步骤105，预测第二物品集合中的每个活动候选物品的销量受活动影响的活动影响系数sa。
[0048]
在一些实施例中，利用经过训练的预测模型，预测第二物品集合中的每个候选物品在举办活动的第一时间段内的第一销量p1，以及未举办活动的第二时间段内的第三销量p3，其中第二时间段是与第一时间段相邻的下一时间段，第二时间段与第一时间段长度相同。此外，还预测第二物品集合中的每个候选物品在未举办活动的第一时间段内的第二销量p2，以及未举办活动的第二时间段内的第四销量p4。根据第一销量p1、第二销量p2、第三销量p3和第四销量p4确定对应的活动影响系数。
[0049]
图2为本公开一个实施例的销量预测示意图。
[0050]
如图2所示，设主题活动计划在2019-08-01至2019-08-07举办，共7天。首先预测2019-08-01至2019-08-07的7天内，在举办主题活动情况下某物品的销量p1。同时为了评估该主题活动的后续影响，还会针对预估日期为2019-08-08至2019-08-14内(即在主题活动结束后再延长7天)该物品的销量p3。
[0051]
此外，还预测2019-08-01至2019-08-07的7天内，在未举办主题活动情况下该物品的销量p2。以及针对预估日期为2019-08-08至2019-08-14内(即在主题活动结束后再延长7
天)该物品的销量p4。
[0052]
在一些实施例中，利用下列公式(1)计算每个活动候选物品的活动影响系数sa。
[0053]
sa＝ln(1+p1+p3)-ln(1+p2+p4)
ꢀꢀꢀ
(1)
[0054]
在一些实施例中，利用物品信息库、历史销售信息库和历史活动信息库对深度学习模型进行训练，以得到经过训练的预测模型。
[0055]
例如，历史活动信息库可如表3所示。
[0056]
促销日期促销类型折扣物品编号是否限购201907081(直降)0.9123450(否)201907092(满减)200-100234560(否)
[0057]
表3
[0058]
在步骤106，利用min-max(最小最大)标准化算法对所述物品支持度su进行标准化处理，以得到相应的标准化物品支持度suu。
[0059]
例如，利用下列公式(2)计算每个活动候选物品的经标准化处理的标准化物品支持度suu。
[0060]
suu＝(su-min(su))/(max(su)-min(su))
ꢀꢀꢀ
(2)
[0061]
其中，min函数用于在全部活动候选物品中查询出最小的物品支持度，max函数用于在全部活动候选物品中查询出最大的物品支持度。
[0062]
在步骤107，根据第二物品集合中的每个活动候选物品的主题相似度si、标准化物品支持度suu以及活动影响系数sa确定对应的推荐值。
[0063]
在一些实施例中，利用下列公式(3)计算每个活动候选物品的推荐值score。
[0064]
score＝(w1
×
si+w2
×
suu)
×
sa
ꢀꢀꢀ
(3)
[0065]
其中，w1、w2为系数，w1+w2＝1。例如，w1＝0.7，w2＝0.3。
[0066]
在步骤108，将第二物品集合中的全部活动候选物品按照推荐值进行排序，以便将推荐值最高的预定数量个活动候选物品作为所选择的物品。
[0067]
基于本公开上述实施例提供的物品选择方法，通过利用候选物品的主题相似度、物品支持度以及活动影响系数确定对应的推荐值，利用能够尽可能地选择出与活动主题相关联的物品，有效提升用户体验。
[0068]
图3为本公开一个实施例的物品选择装置的结构示意图。如图3所示，物品选择装置包括设置模块31、候选物品选择模块32、预测模块33和选择模块34。
[0069]
设置模块31被配置为设置活动主题。
[0070]
在一些实施例中，活动主题包括活动的关键词和与活动相关联的至少部分物品的物品标识中的至少一种。
[0071]
例如，一个以火锅食材为主题的活动，其关键词可以设置为：火锅、羊肉卷、蔬菜、蘸料、锅底等。又例如，一个以火锅食材为主题的活动，其代表性物品可以设置为：某种羊肉卷的物品id、某蔬菜的物品id、某种蘸料的物品id，某种火锅锅底的物品id等。
[0072]
候选物品选择模块32被配置为从物品信息库中筛选出第一候选集合，其中第一物品集合中的每个候选物品与主题的主题相似度si大于相似度门限；根据历史销售信息库，对第一物品集合中的出现在同一订单中的物品进行频繁项挖掘，以获得每个候选物品的物品支持度；从第一物品集合中筛选出第二物品集合，其中第二物品集合的每个活动候选物
品的物品支持度su大于支持度门限。
[0073]
预测模块33被配置为预测第二物品集合中的每个活动候选物品的销量受活动影响的活动影响系数sa。
[0074]
在一些实施例中，预测模块33利用经过训练的预测模型，预测第二物品集合中的每个候选物品在举办活动的第一时间段内的第一销量p1，以及未举办活动的第二时间段内的第三销量p3，其中第二时间段是与第一时间段相邻的下一时间段，第二时间段与第一时间段长度相同。此外，还预测第二物品集合中的每个候选物品在未举办活动的第一时间段内的第二销量p2，以及未举办活动的第二时间段内的第四销量p4。根据第一销量p1、第二销量p2、第三销量p3和第四销量p4确定对应的活动影响系数。
[0075]
在一些实施例中，利用上述公式(1)计算每个活动候选物品的活动影响系数sa。
[0076]
在一些实施例中，利用物品信息库、历史销售信息库和历史活动信息库对深度学习模型进行训练，以得到经过训练的预测模型。
[0077]
选择模块34被配置为利用上述公式(2)计算每个活动候选物品的经标准化处理的标准化物品支持度suu。根据第二物品集合中的每个活动候选物品的主题相似度si、标准化物品支持度suu以及活动影响系数sa确定对应的推荐值；将第二物品集合中的全部活动候选物品按照推荐值进行排序，以便将推荐值最高的预定数量个活动候选物品作为所选择的物品。
[0078]
在一些实施例中，利用上述公式(3)计算每个活动候选物品的推荐值score。
[0079]
图4为本公开另一个实施例的物品选择装置的结构示意图。如图4所示，物品选择装置包括存储器41和处理器42。
[0080]
存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器存储的指令执行实现如图1中任一实施例涉及的方法。
[0081]
如图4所示，该装置还包括通信接口43，用于与其它设备进行信息交互。同时，该装置还包括总线44，处理器42、通信接口43、以及存储器41通过总线44完成相互间的通信。
[0082]
存储器41可以包含高速ram存储器，也可还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器41也可以是存储器阵列。存储器41还可能被分块，并且块可按一定的规则组合成虚拟卷。
[0083]
此外处理器42可以是一个中央处理器cpu，或者可以是专用集成电路asic，或是被配置成实施本公开实施例的一个或多个集成电路。
[0084]
本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1中任一实施例涉及的方法。
[0085]
在一些实施例中，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(programmable logic controller，简称：plc)、数字信号处理器(digital signal processor，简称：dsp)、专用集成电路(application specific integrated circuit，简称：asic)、现场可编程门阵列(field-programmable gate array，简称：fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
[0086]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读
存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0087]
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。