一种计算未上架物品销量的方法和装置与流程

1.本发明涉及机器学习技术领域，尤其涉及一种计算未上架物品销量的方法和装置。


背景技术：

2.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。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
4.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。


技术实现要素：

5.有鉴于此，本发明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。
6.为实现上述目的，根据本发明实施例的一个方面，提供了一种计算未上架物品销量的方法，包括：
7.从已上架的第一物品中筛选出未上架物品的相似物品；
8.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；
9.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。
10.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：
11.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；
12.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。
13.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：
14.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；
15.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；
16.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。
17.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：
18.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。
19.可选地，所述上架数据包括以下至少一种：
20.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。
21.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：
22.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；
23.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；
24.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。
25.可选地，所述机器学习模型为lightgbm。
26.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。
27.另外，根据本发明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：
28.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；
29.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；
30.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。
31.可选地，所述筛选模块还用于：
32.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；
33.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。
34.可选地，所述特征模块还用于：
35.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；
36.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；
37.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。
38.可选地，所述特征模块还用于：
39.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。
40.可选地，所述上架数据包括以下至少一种：
41.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。
42.可选地，还包括训练模块，用于：
43.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；
44.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；
45.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。
46.可选地，所述机器学习模型为lightgbm。
47.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。
48.根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
49.一个或多个处理器；
50.存储装置，用于存储一个或多个程序，
51.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。
52.根据本发明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。
53.上述发明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。本发明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联系，提高了结果的可解释性。
54.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
55.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
56.图1是根据本发明实施例的计算未上架物品销量的方法的主要流程的示意图；
57.图2是根据本发明一个可参考实施例的计算未上架物品销量的方法的主要流程的示意图；
58.图3是根据本发明另一个可参考实施例的计算未上架物品销量的方法的主要流程的示意图；
59.图4是根据本发明实施例的计算未上架物品销量的装置的主要模块的示意图；
60.图5是本发明实施例可以应用于其中的示例性系统架构图；
61.图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
62.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
63.在利用物品属性计算新品销量时，现有技术中常用的三种方法都存在明显的不足：
64.1)在德尔菲法中，专家根据以往的市场经验给出预测结果，但新品投放是一个全新的问题，历史经验可能存在较大偏差。同时，由于物品种类繁多，与之相关的是海量的特征和数据，因此需要标准化的模型和方法来提高计算的效率和准确性。
65.2)时间序列模型是以物品的可观测到的历史销售数据来计算该商品未来的销售情况，由于未上架的新品没有历史销售数据，时间序列模型无法进行新品的销量计算。
66.3)机器学习计算模型，常见的如svm、深度模型等，一方面大规模的机器学习模型往往需要多维度的特征和数据作为输入，而未上架的新品在很多方面的数据都还是空白，因此无法计算未上架新品未来的销量。
67.图1是根据本发明实施例的计算未上架物品销量的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述计算未上架物品销量的方法可以包括：
68.步骤101，从已上架的第一物品中筛选出未上架物品的相似物品。
69.由于未上架物品缺少历史销售数据、折扣数据、价格数据等上架之后才会有的上架数据，因此需要先从已上架的物品中挖掘出相似物品，然后基础这些相似物品来计算未上架物品的特征，将这些特征作为未上架物品的补充特征。
70.为了便于在后续步骤中对各个物品的相关数据进行处理和计算，需要先对各个物品的数据进行预处理和清洗，以提高后续步骤的计算效率。主要是对已上架物品的固有属性数据、上架时间、时空数据、折扣数据、价格数据、库存数据和历史销量数据等，以及未上架物品的固有属性数据和计划上架时间进行预处理和清洗。
71.具体操作包括：以物品sku编码为索引融合多个数据列表，确定数据类型(区分字符串特征和数值特征)，填充或删除缺失的数据行，将已有特征进行合并和拆分(比如合并相近的特征值，细分定义宽泛的特征)，确定数据粒度(以物品sku为单位，或者以每个物品sku在每个地区为单位)，重新对特征进行编码(如后续使用线性回归模型或者聚类模型，则需要将特征进行one-shot编码，将特征值转换成0、1数值；如后续使用分类和回归树模型，则将特征值定义成字符串即可，每个字符串表示一种类别)，确定预测时长，计算已上架物品从上架到预测时间内的销量。在新品销量计算问题中，训练集和测试集已天然形成，本发明实施例将已上架物品数据作为训练集，用于训练未上架的销量计算模型，未上架物品作为测试集。
72.one-hot编码：使用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。
73.可选地，步骤101之前，还包括：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；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；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。
74.由于未上架物品本身能获取的特征较少，只有其本身具有的固有属性，这不足以支撑起机器学习模型的训练，因此本发明实施例首先从已上架的第一物品中筛选出已上架的第二物品(已上架的第二物品是用于训练模型的物品)的相似物品，然后根据第二物品的相似物品的上架数据来计算特征，将这些特征作为第二物品的补充特征，最后将第二物品
的固有特征和补充特征一起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。为了从大量物品中准确地筛选出第二物品的相似物品，可以采用kmeans聚类模型从已上架的第一物品中找出第二物品的相似物品。
75.可选地，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，包括：对已上架的第一物品和已上架的第二物品进行聚类，得到多个簇以及簇内各个物品之间的相似度；将所述第二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。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，也就是说，第一物品的上架时间较早，其具有较充足的上架数据，因此从第一物品中筛选出第二物品的相似物品。可选地，第二物品的上架时间与未上架物品的预测时长相同，比如，如果计算未上架物品未来一周的销量，那么第二物品的上架时间则为一周前；如果计算未上架物品未来一个月的销量，那么第二物品的上架时间则为一个月前。
76.可选地，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，可以包括：根据所述第二物品与其相似物品之间的相似度，计算所述第二物品的相似物品的特征权重；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相似物品在各个维度的补充特征；对于所述第二物品在每个维度的补充特征，基于所述第二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，得到所述第二物品在所述维度的补充特征。
77.通过聚类模型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之后，将相似物品的上架数据进行加权，作为第二物品的补充特征。聚类模型中定义两个物品之间的距离为：
[0078][0079]
其中，是第二物品的第s维特征，是第二物品的相似物品的第s维特征。
[0080]
可选地，所述上架数据包括以下至少一种：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。已上架物品经过一段时间的销售后，会产生销量数据、折扣数据、价格数据、天气数据、节日数据和库存数据等上架数据，可以基于这些上架数据来计算第二物品的补充特征。可选地，相似物品在各个维度的补充特征可以基于相似物品的上架数据来计算，比如上架一周的销量、上架一个月的销量、上架一个月内的价格走势、上架一个季度内的库存数量、节假日的销量、上架一个月内的气温等，可以根据业务需要计算相似物品在各个维度的补充特征。
[0081]
根据物品属性之间相似度的大小，物品被聚合为确定个数的簇，首先找出第二物品所在的簇，该簇内的所有物品即为第二物品的相似物品。需要指出的是，也可以将该簇内的部分物品作为第二物品的相似物品，比如可以根据该簇内的各个物品与第二物品的欧式距离，从该簇内的所有物品中筛选出欧式距离较小的若干个物品作为第二物品的相似物品。
[0082]
可选地，根据所述第二物品与其相似物品之间的相似度，计算所述第二物品的相似物品的特征权重，包括：对于所述第二物品的每个相似物品，计算所述相似物品与所述第二物品之间的相似度，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。若使用该簇内的n个相似物品构建第二物品的补充特征，第二物品的相似物品的特征加权方式为：
[0083][0084]
其中，是第二物品与其相似物品的欧式距离，是相似品的第s维特征。
[0085]
需要说明的是，也可以采用余弦距离来计算相似度，本发明实施例对此不做限制。
[0086]
可选地，所述机器学习模型为lightgbm。本发明实施例选取机器学习模型lightgbm进行训练，通过构建一个回归任务来拟合现有的销量数据。lightgbm模型是一个gbdt算法的实现框架，利用弱分类器(决策树)迭代训练以得到最优模型，支持高效率的并行训练。具体地：假设针对物品i得到的特征是xi，其对应的销量是yi，通过学习lightgbm使得输出ri拟合yi，可以通过构建平方损失：
[0087]
l＝(y
i-ri)2.
[0088]
而后，基于上述损失函数对lightgbm模型进行训练，得到训练后的销量计算模型。此后，可以使用该销量计算模型对预测样本进行预测，得到预测结果。可见，本发明实施例将lightgbm回归模型和kmeans聚类模型融合，并引入到新品销量预测场景中。
[0089]
与训练过程类型，在推理阶段，需要首先找出未上架物品的相似物品。可选地，步骤101可以包括：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。由于未上架物品本身能获取的特征较少，只有其本身具有的固有属性，因此本发明实施例首先从已上架的第一物品中筛选出未上架物品的相似物品，为了从大量物品中准确地筛选出未上架物品的相似物品，可以采用kmeans聚类模型对已上架的第一物品和未上架物品进行聚类，根据物品属性之间相似度的大小，物品被聚合为确定个数的簇，首先找出未上架物品所在的簇，该簇内的所有物品即为未上架物品的相似物品。需要指出的是，也可以将该簇内的部分物品作为未上架物品的相似物品，比如可以根据该簇内的各个物品与未上架物品的欧式距离，从该簇内的所有物品中筛选出欧式距离较小的若干个物品作为未上架物品的相似物品。
[0090]
步骤102，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。
[0091]
筛选出未上架物品的相似物品之后，根据这些相似物品的上架数据来计算特征，将这些特征作为未上架物品的补充特征，弥补未上架物品本身能获取的特征较少的缺陷。
[0092]
可选地，步骤102可以包括：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。筛选出未上架物品的相似物品之后，根据未上架物品与其相似物品之间的相似度来计算特征权重，然后基于相似物品的上架数据计算相似物品在各个维度的补充特征，比如上架一周的销量、上架一个月的销量、上架一个月内的价格走势、上架一个季度内的库存数量、节假日的销量、上架一个月内的气温等，可以根据业务需要计算相似物品在各个维度的补充特征，最后基于相似物品的特征权重对各
个维度的补充特征分别进行加权求和。
[0093]
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：对于所述未上架物品的每个相似物品，将一减去所述相似物品与所述未上架物品之间的相似度，得到所述相似物品的特征权重。若使用该簇内的n个相似物品构建未上架物品的补充特征，未上架物品的相似物品的特征加权方式为：
[0094][0095]
其中，是第二物品与其相似物品的欧式距离，是相似品的第s维特征。
[0096]
可选地，所述上架数据包括以下至少一种：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。已上架物品经过一段时间的销售后，会产生销量数据、折扣数据、价格数据、天气数据、节日数据和库存数据等上架数据，可以基于这些上架数据来计算未上架物品的补充特征。
[0097]
步骤103，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。
[0098]
最后，将未上架物品的固有特征和补充特征一起输入到销量计算模型中，销量计算模型的输出结果即为未上架物品的未来销量，比如未来一周的销量，未来一个月的销量。
[0099]
需要指出的是，未上架物品的预测时长根据业务场景的需要来决定，本发明实施例对此不作限制，但是未上架物品的预测时长与第二物品的已上架时间是一致的。比如，如果计算未上架物品未来一周的销量，那么第二物品的已上架时间则为一周；如果计算未上架物品未来一个季度的销量，那么第二物品的已上架时间则为一个季度，这样能够保证训练阶段和推理阶段采用的销量时间具有一致性，从而提高销量计算模型的预测准确性。
[0100]
根据上面所述的各种实施例，可以看出本发明实施例通过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，解决了现有技术中无法计算未上架物品的销量的技术问题。本发明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联系，提高了结果的可解释性。
[0101]
图2是根据本发明一个可参考实施例的计算未上架物品销量的方法的主要流程的示意图。作为本发明的又一个实施例，如图2所示，所述计算未上架物品销量的方法可以包括：
[0102]
步骤201，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。
[0103]
步骤201-步骤203为训练阶段，通过步骤201-步骤203训练出销量计算模型。所述第一物品的上架时间早于所述第二物品的上架时间，例如第一物品可以是上架一年、两年甚至更久的物品，第二物品的上架时间根据业务场景的需要来确定，第二物品的上架时间与未上架物品的预测时长相同，比如，如果计算未上架物品未来一个季度的销量，那么第二物品的上架时间则为一个季度前；如果计算未上架物品未来半年的销量，那么第二物品的上架时间则为半年前。
[0104]
步骤202，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。
[0105]
由于未上架物品本身能获取的特征较少，只有其本身具有的固有属性，这不足以支撑起机器学习模型的训练，因此本发明实施例首先从已上架的第一物品中筛选出已上架的第二物品(第二物品的数据用于训练模型)的相似物品，然后根据第二物品的相似物品的上架数据来计算特征，将这些特征作为第二物品的补充特征，最后将第二物品的固有特征和补充特征一起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。
[0106]
步骤203，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。
[0107]
可选地，所述机器学习模型为lightgbm。本发明实施例选取机器学习模型lightgbm进行训练，通过构建一个回归任务来拟合现有的销量数据。
[0108]
lightgbm模型可以根据特征在所有决策树中划分属性的次数衡量该维特征对预测结果的影响，因此可以定量描述未上架物品的属性和销量之间的可解释性关联。基于物品属性和未上架物品的销量预测之间的可解释性关联，可以根据商家销售目标反向建议未上架物品的属性定制，也可以根据销量预测建议商家调整销售预期，同时配合调整相关的生产和库存管理工作，商家对未上架物品的定价也可据此作为参考。因此本发明实施例基于已上架物品的固有属性和历史销售数据，利用机器学习回归方法，预测未上架物品在上架一段时间内的销售量，并建立物品属性和上架之后的销量之间的可解释性联系，为未上架物品的属性定制、生成和库存管理以及定价决策提供支持。
[0109]
步骤204，从已上架的第一物品中筛选出未上架物品的相似物品。
[0110]
由于未上架物品缺少历史销售数据、折扣数据、价格数据等上架之后才会有的上架数据，因此需要先从已上架的物品中挖掘出相似物品，然后基础这些相似物品来计算未上架物品的特征，将这些特征作为未上架物品的补充特征。
[0111]
步骤205，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。
[0112]
筛选出未上架物品的相似物品之后，根据未上架物品与其相似物品之间的相似度来计算特征权重，然后基于相似物品的上架数据计算相似物品在各个维度的补充特征，比如上架一周的销量、上架一个月的销量、上架一个月内的价格走势、上架一个季度内的库存数量、节假日的销量、上架一个月内的气温等，可以根据业务需要计算相似物品在各个维度的补充特征，最后基于相似物品的特征权重对各个维度的补充特征分别进行加权求和。
[0113]
步骤206，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。
[0114]
最后，将未上架物品的固有特征和补充特征一起输入到销量计算模型中，销量计算模型的输出结果即为未上架物品的未来销量，比如未来两周的销量，未来两个月的销量。
[0115]
另外，在本发明一个可参考实施例中计算未上架物品销量的方法的具体实施内容，在上面所述计算未上架物品销量的方法中已经详细说明了，故在此重复内容不再说明。
[0116]
图3是根据本发明另一个可参考实施例的计算未上架物品销量的方法的主要流程的示意图。作为本发明的另一个实施例，如图3所示，训练阶段的步骤可以包括：
[0117]
步骤301，对已上架的第一物品和第二物品进行聚类，得到多个簇以及簇内各个物品之间的相似度。
[0118]
步骤302，将所述第二物品所在簇内的各个物品作为所述第二物品的相似物品。
[0119]
步骤303，根据所述第二物品与其相似物品之间的相似度，计算所述第二物品的相似物品的特征权重。
[0120]
步骤304，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相似物品在各个维度的补充特征。
[0121]
步骤305，对于所述第二物品在每个维度的补充特征，基于所述第二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，得到所述第二物品在所述维度的补充特征。
[0122]
步骤306，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。
[0123]
另外，在本发明另一个可参考实施例中计算未上架物品销量的方法的具体实施内容，在上面所述计算未上架物品销量的方法中已经详细说明了，故在此重复内容不再说明。
[0124]
图4是根据本发明实施例的计算未上架物品销量的装置的主要模块的示意图。如图4所示，所述计算未上架物品销量的装置400包括筛选模块401、特征模块402和计算模块403；其中，筛选模块401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；特征模块402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；计算模块403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。
[0125]
可选地，所述筛选模块401还用于：
[0126]
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；
[0127]
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。
[0128]
可选地，所述特征模块402还用于：
[0129]
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；
[0130]
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；
[0131]
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。
[0132]
可选地，所述特征模块402还用于：
[0133]
对于所述未上架物品的每个相似物品，将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。
[0134]
可选地，所述上架数据包括以下至少一种：
[0135]
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。
[0136]
可选地，还包括训练模块，用于：
[0137]
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；
[0138]
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；
[0139]
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。
[0140]
可选地，所述机器学习模型为lightgbm。
[0141]
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。
[0142]
根据上面所述的各种实施例，可以看出本发明实施例通过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，解决了现有技术中无法计算未上架物品的销量的技术问题。本发明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联系，提高了结果的可解释性。
[0143]
需要说明的是，在本发明所述计算未上架物品销量的装置的具体实施内容，在上面所述计算未上架物品销量的方法中已经详细说明了，故在此重复内容不再说明。
[0144]
图5示出了可以应用本发明实施例的计算未上架物品销量的方法或计算未上架物品销量的装置的示例性系统架构500。
[0145]
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0146]
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0147]
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0148]
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
[0149]
需要说明的是，本发明实施例所提供的计算未上架物品销量的方法一般由服务器505执行，相应地，所述计算未上架物品销量的装置一般设置在服务器505中。本发明实施例所提供的计算未上架物品销量的方法也可以由终端设备501、502、503执行，相应地，所述计算未上架物品销量的装置可以设置在终端设备501、502、503中。
[0150]
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0151]
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0152]
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而
执行各种适当的动作和处理。在ram 603中，还存储有系统600操作所需的各种程序和数据。cpu 601、rom 602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0153]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0154]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本发明的系统中限定的上述功能。
[0155]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0156]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0157]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括筛选模块、特征模块和计算模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0158]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，该设备实现如下方法：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。
[0159]
根据本发明实施例的技术方案，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。本发明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联系，提高了结果的可解释性。
[0160]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。