一种售卖商品选择方法、可读存储介质和电子设备与流程

1.本发明涉及售货机技术领域，尤其涉及一种售卖商品选择方法、可读存储介质和电子设备。


背景技术：

2.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，这样会导致一方面同类场所的售货机商品品类高度一致，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。
3.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：

4.本发明的第一个目的在于提供一种售卖商品选择方法、可读存储介质和电子设备，其旨在解决相关技术中售货机选择高销量商品的技术问题。
5.为达到上述目的，本发明提供的方案是：一种售卖商品选择方法，应用于售货机，所述方法包括：
6.响应用户的第一预设操作，根据所述第一预设操作确定目标售货机；
7.根据预设阈值，查找所述目标售货机的相似售货机，将查找到的相似度高于所示预设阈值的所述相似售货机显示在预设位置；
8.接收用户的第二预设操作，根据所述第二预设操作推送所述相似售货机的商品信息，根据所述相似售货机的商品信息对所述目标售货机的商品进行替换或新增。
9.进一步地，所述查找所述目标售货机的相似售货机包括：假设售货机a和售货机b，特征向量分别为a和b，则售货机a和售货机b之间的相似度sa，b为：
[0010][0011]
进一步地，所述方法还包括：根据所述相似售货机的商品信息中的商品销量进行排名，展示所述相似售货机的商品信息列表。
[0012]
进一步地，所述方法还包括：
[0013]
获取相似售货机的相似度；
[0014]
获取相似售货机的总数；
[0015]
获取商品在对应的相似售货机上的销量；
[0016]
通过以上数据计算商品的预测销量。
[0017]
进一步地，所述计算商品的预测销量包括：假设售货机a的商品x的预测销量为p
x，a
，则：
[0018][0019]
其中，sa,i是售货机a和售货机i之间的相似度，n为相似售货机的总量，qx,i是商品x在售货机i上的第一数据。
[0020]
进一步地，计算出商品的预测销量之后，包括：
[0021]
售货机学习梯度提升迭代决策树算法；
[0022]
通过梯度提升迭代决策树算法判断预测销量是否可用；
[0023]
若可用，保留计算得到的商品的预测销量；
[0024]
若不可用，舍弃计算得到的商品的预测销量。
[0025]
进一步地，所述方法还包括：
[0026]
将销量低于预测销量的商品撤下；
[0027]
将预测的商品换上。
[0028]
进一步地，所述方法还包括：
[0029]
将新换上的商品的信息录入备货单中，将备货单发送到仓库处或采购处；
[0030]
将撤下的商品信息发送到仓库处。
[0031]
进一步地，所述相似售货机的商品信息列表中包含至少一种不同属性的商品信息。
[0032]
进一步地，所述相似售货机的商品信息包括标志提醒。
[0033]
本发明还提供的方案是：一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有售卖商品选择程序，所述售卖商品选择程序被所述处理器执行时实现所述售卖商品选择方法的步骤。
[0034]
本发明还提供的方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有售卖商品选择程序，所述售卖商品选择程序可被一个或者多个处理器执行，以实现所述售卖商品选择方法的步骤。
[0035]
本发明的有益效果：
[0036]
本发明实施例提供的一种售卖商品选择方法，包括：响应用户的第一预设操作，根据所述第一预设操作确定目标售货机；根据预设阈值，查找所述目标售货机的相似售货机，将查找到的相似度高于所示预设阈值的所述相似售货机显示在预设位置；接收用户的第二预设操作，根据所述第二预设操作推送所述相似售货机的商品信息，根据所述相似售货机的商品信息对所述目标售货机的商品进行替换或新增。本发明提供的用于售货机的售卖商品选择方法，通过查找相似度高的相似售货机，然后根据相似售货机上的商品销售的信息，来对目标售货机进行售卖商品的推荐，相似售货机间进行商品推荐和商品售卖经验的借
鉴，实现更准确的高销量商品互推。
附图说明
[0037]
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。
[0038]
图1是本发明实施例提供的售货机销售商品选择方法的流程图；
[0039]
图2是本发明另一实施例提供的售货机销售商品选择方法的流程图；
[0040]
图3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
[0041]
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。
[0042]
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。
[0043]
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。
[0044]
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。
[0045]
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。
[0046]
下面通过具体实施例并结合具体的应用场景对本技术进行描述。
[0047]
如图1所示，本发明实施例提供的一种售卖商品选择方法，应用于售货机，所述方法包括：
[0048]
s100：响应用户的第一预设操作，根据所述第一预设操作确定目标售货机；
[0049]
具体地，接收用户输入的所述目标售货机编号搜索所述目标售货机，并选中所述
目标售货机。其中，用户的第一预设操作为用户输入的所述目标售货机编号搜索所述目标售货机。
[0050]
s200：根据预设阈值，查找所述目标售货机的相似售货机，将查找到的相似度高于所示预设阈值的所述相似售货机显示在预设位置；
[0051]
具体地，所述预设阈值为用户输入的第一数据，或者，所述预设阈值为存储在所述售货机上的第一数据。将相似度较高的售货机进行比对，具有更高的参考价值。
[0052]
s300：接收用户的第二预设操作，根据所述第二预设操作推送所述相似售货机的商品信息，根据所述相似售货机的商品信息对所述目标售货机的商品进行替换或新增。
[0053]
本发明提供的用于售货机的售卖商品选择方法，通过查找相似度高的相似售货机，然后根据相似售货机上的商品销售的信息，来对目标售货机进行售卖商品的推荐，相似售货机间进行商品推荐和商品售卖经验的借鉴，实现更准确的高销量商品互推。
[0054]
其中，根据所述相似售货机的商品信息中的商品销量进行排名，展示所述相似售货机的商品信息列表。排名之后商品的信息更为直观，用户可以快速的预估销量高的商品，替换掉预估销量低的商品。
[0055]
具体的，所述相似售货机的商品信息列表中包含至少一种不同属性的商品信息。所述相似售货机的商品信息包括标志提醒。防止同类场所的售货机商品品类高度一致，而缺少差异性和个性化；然后再用标志提醒更加醒目，防止看错或判断脱误。
[0056]
除不定期主动查找相似售货机外，系统可定期为目标售货机查找相似售货机，当出现预估高销量商品时，推送商品更新信息。
[0057]
进一步地，如图2所示，所述售卖商品选择方法还包括：
[0058]
s1：获取相似售货机的相似度、总数以及商品在对应的相似售货机上的销量；
[0059][0060]
s2：通过以上数据计算商品的预测销量；
[0061]
s3：售货机学习梯度提升迭代决策树算法；
[0062]
s4：通过梯度提升迭代决策树算法判断预测销量是否可用；
[0063]
s5：预测销量可用，保留计算得到的商品的预测销量；
[0064]
s6：将销量低于预测销量的商品撤下，将预测的商品换上；
[0065]
s7：将新换上的商品的信息录入备货单中，将备货单发送到仓库处或采购处；
[0066][0067]
s8：将撤下的商品信息发送到仓库处。
[0068]
其中，若预测销量不可用，舍弃计算得到的商品的预测销量。
[0069]
计算出相似售货机上的商品的预测销量，可以知道商品的销售趋势，然后通过让机器学习迭代决策树算法(gbdt)来判断预测的商品是否可用，保留下有效的结果，提高本发明的方法的准确性。
[0070]
当商品确认替换后，根据被替换的商品对应的货道数，将新品的上货信息计入备货单中，发给仓库或采购，以及将下架的商品信息传给仓库，以追踪商品去向，以售货机停止售货的时间截点为准(也可以理解为商品调整后的线下补货时间为准)。比如1月9号，a售货机有农夫山泉25瓶，当天营业员根据相似售货机的预估销量确认将商品替换为薯片，即农夫山泉预下架，薯片预上架。农夫山泉占有的货道可存放商品数为30，薯片30包计入当前
的备货单中，告知给仓库或者采购员。1月10号，在运营员取货后前往a售货机补货，当a售货机接收到运维员的补货请求或者检测到开门动作后，暂停售卖，以该时间节点为农夫山泉的正式下架时间，在这期间农夫山泉卖出去2瓶，下架数量为23瓶，在该时间节点，23瓶农夫山泉预返回仓库信息将会发送给仓管员，以备仓管员进行商品流向的管理。
[0071]
为丰富售货机商品的多样性，减少运维员的挑选商品的工作量，售货机按照商品的不同属性，在每种属性中选择商品预测销量偏高的一个商品进行组合推荐，形成不同的推荐方案。
[0072]
如图3所示，本发明另一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：
[0073]
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；
[0074]
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。
[0075]
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；
[0076]
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。
[0077] 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,n
[0078]
s30：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；
[0079]
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。
[0080]
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；
[0081]
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；
[0082]
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。
[0083]
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
[0084]
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：
[0085]
若可用，则得出第二数据；
[0086]
若不可用，则舍弃第二数据。
[0087]
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。
[0088]
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。
[0089]
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：
[0090][0091]
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。
[0092]
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：
[0093][0094]
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。
[0095]
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；
[0096]
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；
[0097]
若不存在，则在目标对象上新增相似对象中的预测属性。
[0098]
具体地，预测属性在目标对象上的应用分为两种情况：
[0099]
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；
[0100]
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。
[0101]
在一实施例中，a对象的第一数据为[1 0.5 0.2 x x 1]；
[0102]
b对象的第一数据为[1 0.6 0.2 0.8 0.1 1]；
[0103]
c对象的第一数据为[1 0.4 0.2 0.2 x 1]，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。
[0104]
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。
[0105]
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。
[0106]
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：
[0107]
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；
[0108]
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；
[0109]
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；
[0110]
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；
[0111]
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。
[0112]
在一实施例中，预测数据计算模块还包括：
[0113]
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。
[0114]
在一实施例中，属性选择模块还包括：
[0115]
属性判断模块，用于判断目标对象上是否存在预测属性。
[0116]
本发明实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有售卖商品选择程序，所述售卖商品选择程序被所述处理器执行时实现所述售卖商品选择方法的步骤。
[0117]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有售卖商品选择程序，所述售卖商品选择程序可被一个或者多个处理器执行，以实现所述售卖商品选择方法的步骤。
[0118]
需要说明的是，本方案中涉及到的各步骤的限定，在不影响具体方案实施的前提下，并不认定为对步骤先后顺序做出限定，写在前面的步骤可以是在先执行的，也可以是在后执行的，甚至也可以是同时执行的，只要能实施本方案，都应当视为属于本技术的保护范围。
[0119]
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。