面向对象的评估方法和装置制造方法及图纸

本发明专利技术公开了一种面向对象的评估方法和装置，涉及计算机技术领域。该方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。通过以上步骤，能够量化物品对商家的价值，准确反映物品通过影响用户决策行为带来的店铺收益，从而便于商家制定合理的选品方案。

Object-Oriented Evaluation Method and Device

【技术实现步骤摘要】
面向对象的评估方法和装置
本专利技术涉及计算机
，尤其涉及一种面向对象的评估方法和装置。
技术介绍
随着商品种类日益繁多，如何设计出既满足目标消费者需求、又使自身收益最大化的在售商品方案是困扰商家的长期难题。在现有技术中，主要是利用传统的数据统计方法和业务人员的直觉进行商品甄选。通常，业务人员会结合销售额、利润等数据，以及业务直觉直接判断商品的好坏、以及是否上下架。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有技术中，业务人员通过业务直觉甄选商品的方法较为粗糙，其无法科学、直观的量化商品对于商家的价值，也无法准确反映商品通过影响用户决策行为带来的店铺收益。
技术实现思路
有鉴于此，本专利技术提供一种面向对象的评估方法和装置，能够量化物品对商家的价值，准确反映物品通过影响用户决策行为带来的店铺收益，从而便于商家制定合理的选品方案。为实现上述目的，根据本专利技术的一个方面，提供了一种面向对象的评估方法。本专利技术的面向对象的评估方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。可选地，所述机器学习模型包括：随机森林模型。可选地，所述根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子的步骤包括：基于最小二乘回归树算法构建多棵决策树，以得到包括所述多棵决策树的预测模型；对物品属性样本点的一个属性维度进行随机化处理，并将随机化处理后的数据输入该预测模型，以得到被替代性指标预测值；计算被替代性指标预测值与被替代性指标真值之间的偏差距离，并将所述偏差距离作为该物品属性对用户决策行为的影响因子。可选地，所述方法还包括：在基于最小二乘回归树算法构建决策树时，根据反距离加权函数计算决策树的输出值；其中，cm表示输出值；j表示切分所用的物品属性；s表示切分点；均表示新输入的待测物品属性数据与区域Rm(j,s)内的物品属性样本点之间的欧式距离的倒数；xi、xk均表示区域Rm(j,s)内的物品属性样本点；yi表示与物品属性样本点xi对应的被替代性指标样本值；表示对进行求和。可选地，根据如下公式计算所述物品价值；其中，Psku表示物品价值，Keysku表示该物品的关键指标，γi表示第i个物品属性对被替代性指标的影响因子，Wi表示同品类中具有第i个物品属性的所有物品在该品类中的关键指标占比，n表示该物品的属性个数。可选地，根据如下公式计算所述物品的被替代性指标：SA＝∑所有商品∑所有订单对a*S(A,B)；其中，SA为物品A的被替代性指标；S(A,B)表示基于同一用户的一个订单对计算得到的物品A被物品B替代的指标，∑所有订单对a*S(A,B)表示对基于所有订单对得到的S(A,B)进行加权求和，a为权重因子，∑所有商品表示物品A被同品类所有其他物品替代的指标进行求和。可选地，根据如下公式计算S(A,B)：其中，Sales1A表示订单1中物品A的销售额；GA表示从订单1到订单2，物品A的销售额占比损失值；GB表示从订单1到订单2，物品B的销售额占比增加值；表示从订单1到订单2，与物品A、B同品类的其他物品的销售额占比增加值；n为在订单1、订单2中所述同品类的其他物品的种类数；S1为订单1的销售额；S2为订单2的销售额。可选地，所述方法还包括：根据如下公式计算用户的泰尔指数，并根据所述用户的泰尔指数对S(A,B)进行优化，以根据优化后的S(A,B)计算所述物品的被替代性指标：其中，TIC,D表示用户C的泰尔指数，K表示用户C购买的、品类D中物品p的替代性物品的种类数，salesp,C表示用户C购买的物品p的销售额，avgsalesD,C表示用户C购买的品类D中所有物品的销售额均值，S'(A,B)表示对S(A,B)进行优化的结果。为实现上述目的，根据本专利技术的另一方面，提供了一种面向对象的评估装置。本专利技术的面向对象的评估装置包括：统计模块，用于统计同品类多种物品的被替代性指标数据；学习模块，用于根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对被替代性指标的影响因子；计算模块，用于根据所述物品属性对被替代性指标的影响因子计算物品价值。可选地，所述学习模块中的机器学习模型包括：随机森林模型。可选地，所述学习模块根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子的操作包括：所述学习模块基于最小二乘回归树算法构建多棵决策树，以得到包括所述多棵决策树的预测模型；所述学习模块对物品属性样本点的一个属性维度进行随机化处理，并将随机化处理后的数据输入该预测模型，以得到被替代性指标预测值；所述学习模块计算被替代性指标预测值与被替代性指标真值之间的偏差距离，并将所述偏差距离作为该物品属性对用户决策行为的影响因子。可选地，所述学习模块在基于最小二乘回归树算法构建决策树时，根据反距离加权函数计算决策树的输出值；其中，cm表示输出值；j表示切分所用的物品属性；s表示切分点；均表示新输入的待测物品属性数据与区域Rm(j,s)内的物品属性样本点之间的欧式距离的倒数；xi、xk均表示区域Rm(j,s)内的物品属性样本点；yi表示与物品属性样本点xi对应的被替代性指标样本值；表示对进行求和。可选地，所述计算模块根据如下公式计算所述物品价值；其中，Psku表示物品价值，Keysku表示该物品的关键指标，γi表示第i个物品属性对被替代性指标的影响因子，Wi表示同品类中具有第i个物品属性的所有物品在该品类中的关键指标占比，n表示该物品的属性个数。可选地，所述统计模块根据如下公式计算所述物品的被替代性指标：SA＝∑所有商品∑所有订单对a*S(A,B)；其中，SA为物品A的被替代性指标；S(A,B)表示基于同一用户的一个订单对计算得到的物品A被物品B替代的指标，∑所有订单对a*S(A,B)表示对基于所有订单对得到的S(A,B)进行加权求和，a为权重因子，∑所有商品表示物品A被同品类所有其他物品替代的指标进行求和。可选地，所述统计模块根据如下公式计算S(A,B)：其中，Sales1A表示订单1中物品A的销售额；GA表示从订单1到订单2，物品A的销售额占比损失值；GB表示从订单1到订单2，物品B的销售额占比增加值；表示从订单1到订单2，与物品A、B同品类的其他物品的销售额占比增加值；n为在订单1、订单2中所述同品类的其他物品的种类数；S1为订单1的销售额；S2为订单2的销售额。可选地，所述装置还包括：优化模块，用于根据如下公式计算用户的泰尔指数，并根据所述用户的泰尔指数对S(A,B)进行优化，以使所述统计模块根据优化后的S(A,B)计算所述物品的被替代性指标：其中，TIC,D表示用户C的泰尔指数，K表示用户C购买的、品类D中物品p的替代性物品的种类数，salesp,C表示用户C购买的物品p的销售额，avg本文档来自技高网...

【技术保护点】
1.一种面向对象的评估方法，其特征在于，所述方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。

【技术特征摘要】
1.一种面向对象的评估方法，其特征在于，所述方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括：随机森林模型。3.根据权利要求2所述的方法，其特征在于，所述根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子的步骤包括：基于最小二乘回归树算法构建多棵决策树，以得到包括所述多棵决策树的预测模型；对物品属性样本点的一个属性维度进行随机化处理，并将随机化处理后的数据输入该预测模型，以得到被替代性指标预测值；计算被替代性指标预测值与被替代性指标真值之间的偏差距离，并将所述偏差距离作为该物品属性对用户决策行为的影响因子。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在基于最小二乘回归树算法构建决策树时，根据反距离加权函数计算决策树的输出值；其中，cm表示输出值；j表示切分所用的物品属性；s表示切分点；均表示新输入的物品属性数据与区域Rm(j,s)内的物品属性样本点之间的欧式距离的倒数；xi、xk均表示区域Rm(j,s)内的物品属性样本点；yi表示与物品属性样本点xi对应的被替代性指标样本值；表示对进行求和。5.根据权利要求1所述的方法，其特征在于，根据如下公式计算所述物品价值；其中，Psku表示物品价值，Keysku表示该物品的关键指标，γi表示第i个物品属性对被替代性指标的影响因子，Wi表示同品类中具有第i个物品属性的所有物品在该品类中的关键指标占比，n表示该物品的属性个数。6.根据权利要求1所述的方法，其特征在于，根据如下公式计算所述物品的被替代性指标：SA＝∑所有商品∑所有订单对a*S(A,B)；其中，SA为物品A的被替代性指标；S(A,B)表示基于同一用户的一个订单对计算得到的物品A被物品B替代的指标，∑所有订单对a*S(A,B)表示对基于所有订单对得到的S(A,B)进行加权求和，a为权重因子，∑所有商品表示物品A被同品类所有其他物品替代的指标进行求和。7.根据权利要求6所述的方法，其特征在于，根据如下公式计算S(A,B)：其中，Sales1A表示订单1中物品A的销售额；GA表示从订单1到订单2，物品A的销售额占比损失值；GB表示从订单1到订单2，物品B的销售额占比增加值；表示从订单1到订单2，与物品A、B同品类的其他物品的销售额占比增加值；n为在订单1、订单2中所述同品类的其他物品的种类数；S1为订单1的销售额；S2为订单2的销售额。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：根据如下公式计算用户的泰尔指数，并根据所述用户的泰尔指数对S(A,B)进行优化，以根据优化后的S(A,B)计算所述物品的被替代性指标：其中，TIC,D表示用户C的泰尔指数，K表示用户C购买的、品类D中物品p的替代性物品的种类数，salesp,C表示用户C购买的物品p的销售额，avgsalesD,C表示用户C购买的品类D中所有物品的销售额均值，S'(A,B)表示对S(A,B)进行优化的结果。9.一种面向对象的评估装置，其特征在于，所述装置包括：统计模块，用于统计同品类多种物品的被替代性指标数据；学习模块，用于根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对被...

【专利技术属性】
技术研发人员：聂瑞，
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