数据估算方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种数据估算方法、装置和计算机可读存储介质，涉及数据处理领域。数据估算方法包括：将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中；获取残值估算模型输出的估算结果信息；根据估算结果信息确定待估算物品的残值。本发明专利技术的实施例可以基于物品特征、用户特征、用户的描述文本，采用残值估算模型估算物品的残值，从而可以高效、准确地进行自动的残值估计，节约了人力成本，提高了业务处理效率。

Data Estimation Method, Device and Computer Readable Storage Media

The invention discloses a data estimation method, a device and a computer readable storage medium, which relates to the field of data processing. The data estimation methods include: input the item characteristics of the items to be estimated, the user characteristics of the purchaser of the items to be estimated, and the descriptive text features of the users'treatment of the estimated items into the residual estimation model; obtain the estimated result information of the residual estimation model output; and determine the residual value of the items to be estimated based on the estimated result information. The embodiment of the present invention can estimate the residual value of an item based on the features of the item, the user's characteristics and the user's description text, so that the automatic residual value estimation can be carried out efficiently and accurately, the human cost can be saved and the business processing efficiency can be improved.

【技术实现步骤摘要】
数据估算方法、装置和计算机可读存储介质
本专利技术涉及数据处理领域，特别涉及一种数据估算方法、装置和计算机可读存储介质。
技术介绍
为了提高客户服务水平和客户满意度，电商行业存在多种特色售后服务，例如：针对部分商品，在用户提出退换货申请后，无需用户返还商品、直接赔付用户的服务，简称为“全额退款不退货”售后服务；或者，针对部分损坏的商品，根据商品的损坏情况采用部分赔付用户的方式进行售后服务，简称为“部分退款不退货”。商品残值，指商品被售卖给客户后，被客户退还给电商平台时的剩余价值。商品残值受商品本身的使用、损坏程度等因素影响。为了提供上述售后服务方式，对于待退换货商品的残值数值判断成为了能否提供上述售后服务方式的重要判断标准。例如，当商品的残值小于退货成本时，可以提供全额退款不退货服务。目前对于商品残值的判断，多采用客服人工审核的方式，通过查看客户提供的文字描述信息、上传的商品图片信息，或者通过与客户进行电话沟通等方式，依靠客服人员的工作经验判断商品的残值。
技术实现思路
专利技术人经过分析后发现，由客服人工审核的方式效率较低，主观性强，会导致残值估计不准确。本专利技术实施例所要解决的一个技术问题是：如何提高残值估计的效率和准确性。根据本专利技术一些实施例的第一个方面，提供一种数据估算方法，包括：将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中；获取残值估算模型输出的估算结果信息；根据估算结果信息确定待估算物品的残值。在一些实施例中，数据估算方法还包括：将用户对待估算物品的描述文本中的每个词映射为词向量，作为描述文本特征。在一些实施例中，获取残值估算模型输出的估算结果信息包括：采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作，获得第一预设数量个文本特征图；根据物品特征、用户特征、文本特征图构建特征抽取向量，其中，特征抽取向量包括每个文本特征图中的最大值；将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中；获取残值估算模型的分类层输出的估算结果信息。在一些实施例中，描述文本特征采用矩阵的形式表示，描述文本特征的第一维度数为描述文本特征所表示的词语的数量，矩阵的第二维度数为词向量的维度数；卷积核的第一维度数小于描述文本特征的第一维度数，卷积核的第二维度数等于描述文本特征的第二维度数。在一些实施例中，获取残值估算模型输出的估算结果信息还包括：采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作，获得第二预设数量个物品特征图；采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作，获得第三预设数量个用户特征图；其中，特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。在一些实施例中，数据估算方法还包括：获取训练数据，其中，每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值，标记值表示物品的残值信息；根据训练数据调整深度学习模型的参数，获得残值估算模型。在一些实施例中，描述文本特征包括描述文本中每个词的词向量；数据估算方法还包括：根据训练数据调整描述文本特征中的词向量。在一些实施例中，数据估算方法还包括：响应于用户提交的对待估算物品的描述文本的信息量少于预设值，根据与待估算物品相同的物品的历史残值确定待估算物品的残值。根据本专利技术一些实施例的第二个方面，提供一种数据估算装置，包括：特征输入模块，被配置为将待估算物品的物品特征、待估算物品的购买用户的用户特征、用户对待估算物品的描述文本特征输入到残值估算模型中；结果输出模块，被配置为获取残值估算模型输出的估算结果信息；残值估算模块，被配置为根据估算结果信息确定待估算物品的残值。在一些实施例中，数据估算装置还包括：描述文本特征生成模块，被配置为将用户对待估算物品的描述文本中的每个词映射为词向量，作为描述文本特征。在一些实施例中，结果输出模块包括：特征图生成单元，被配置为采用第一预设数量个第一预设尺寸的卷积核对描述文本特征进行卷积操作，获得第一预设数量个文本特征图；特征抽取向量构建单元，被配置为根据物品特征、用户特征、文本特征图构建特征抽取向量，其中，特征抽取向量包括每个文本特征图中的最大值；分类层输入单元，被配置为将特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中；分类层输出单元，被配置为获取残值估算模型的分类层输出的估算结果信息。在一些实施例中，描述文本特征采用矩阵的形式表示，描述文本特征的第一维度数为描述文本特征所表示的词语的数量，矩阵的第二维度数为词向量的维度数；卷积核的第一维度数小于描述文本特征的第一维度数，卷积核的第二维度数等于描述文本特征的第二维度数。在一些实施例中，特征图生成单元进一步被配置为采用第二预设数量个第二预设尺寸的卷积核对物品特征进行卷积操作，获得第二预设数量个物品特征图；采用第三预设数量个第三预设尺寸的卷积核对用户特征进行卷积操作，获得第三预设数量个用户特征图；其中，特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。在一些实施例中，数据估算装置还包括：模型训练模块，被配置为获取训练数据，其中，每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值，标记值表示物品的残值信息；根据训练数据调整深度学习模型的参数，获得残值估算模型。在一些实施例中，描述文本特征包括描述文本中每个词的词向量；模型训练模块进一步被配置为根据训练数据调整描述文本特征中的词向量。在一些实施例中，数据估算装置还包括：基于历史数据的估算模块，被配置为响应于用户提交的对待估算物品的描述文本的信息量少于预设值，根据与待估算物品相同的物品的历史残值确定待估算物品的残值。根据本专利技术一些实施例的第三个方面，提供一种数据估算装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任意一种数据估算方法。根据本专利技术一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种数据估算方法。上述专利技术中的一些实施例具有如下优点或有益效果：本专利技术的实施例可以基于物品特征、用户特征、用户的描述文本，采用残值估算模型估算物品的残值，从而可以高效、准确地进行自动的残值估计，节约了人力成本，提高了业务处理效率。通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为根据本专利技术一些实施例的数据估算方法的流程示意图。图2为根据本专利技术一些实施例的描述文本特征获取方法的流程示意图。图3为根据本专利技术一些实施例的残值估算模型计算方法的流程示意图。图4为根据本专利技术另一些实施例的残值估算模型计算方法的流程示意图。图5为根据本专利技术一些实施例的残值估算模型训练方法的流程示意图。图本文档来自技高网...

【技术保护点】
1.一种数据估算方法，包括：将待估算物品的物品特征、所述待估算物品的购买用户的用户特征、用户对所述待估算物品的描述文本特征输入到残值估算模型中；获取所述残值估算模型输出的估算结果信息；根据所述估算结果信息确定所述待估算物品的残值。

【技术特征摘要】
1.一种数据估算方法，包括：将待估算物品的物品特征、所述待估算物品的购买用户的用户特征、用户对所述待估算物品的描述文本特征输入到残值估算模型中；获取所述残值估算模型输出的估算结果信息；根据所述估算结果信息确定所述待估算物品的残值。2.根据权利要求1所述的数据估算方法，还包括：将用户对所述待估算物品的描述文本中的每个词映射为词向量，作为描述文本特征。3.根据权利要求2所述的数据估算方法，其中，所述获取所述残值估算模型输出的估算结果信息包括：采用第一预设数量个第一预设尺寸的卷积核对所述描述文本特征进行卷积操作，获得第一预设数量个文本特征图；根据所述物品特征、所述用户特征、所述文本特征图构建特征抽取向量，其中，所述特征抽取向量包括每个文本特征图中的最大值；将所述特征抽取向量通过残值估算模型的全连接层输入到残值估算模型的分类层中；获取所述残值估算模型的分类层输出的估算结果信息。4.根据权利要求3所述的数据估算方法，其中，描述文本特征采用矩阵的形式表示，所述描述文本特征的第一维度数为描述文本特征所表示的词语的数量，矩阵的第二维度数为词向量的维度数；所述卷积核的第一维度数小于所述描述文本特征的第一维度数，所述卷积核的第二维度数等于所述描述文本特征的第二维度数。5.根据权利要求3所述的数据估算方法，其中，所述获取所述残值估算模型输出的估算结果信息还包括：采用第二预设数量个第二预设尺寸的卷积核对所述物品特征进行卷积操作，获得第二预设数量个物品特征图；采用第三预设数量个第三预设尺寸的卷积核对所述用户特征进行卷积操作，获得第三预设数量个用户特征图；其中，所述特征抽取向量还包括每个物品特征图中的最大值以及每个用户特征图中的最大值。6.根据权利要求1所述的数据估算方法，还包括：获取训练数据，其中，每条训练数据包括物品特征、物品的购买用户的用户特征、用户对物品的描述文本特征以及训练数据的标记值，所述标记值表示物品的残值信息；根据训练数据调整深度学习模型的参数，获得残值估算模型。7.根据权利要求6所述的方法，其中，所述描述文本特征包括所述描述文本中每个词的词向量；所述数据估算方法还包括：根据训练数据调整所述描述文本特征中的词向量。8.根据权利要求1所述的数据估算方法，还包括：响应于用户提交的对所述待估算物品的描述文本的信息量少于预设值，根据与所述待估算物品相同的物品的历史残值确定所述待估算物品的残值。9.一种数据估算装置，包括：特征输入模块，被配置为将待估算物品的物品特征、所述待估算物品的购买用户的用户特征、用户对所述待估算物品的描述文本特征输入到残值估算模型中；结果输出模块，被配置为获取所述残值估算模型输出的估算结果信息；残值估算模块，被配置为根据所述估算...

【专利技术属性】
技术研发人员：韩璐懿，吴波，赵亚滨，魏雪，赵楠，张烨然，胡昭慈，张振庭，周伯文，梅涛，何晓冬，易津锋，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11