一种基于排序学习的商品热度排名方法技术

本发明专利技术公开了一种基于排序学习的商品热度排名方法，具体包括以下步骤：首先，计算往年同季商品去除供应、折扣等因素后的整季度销量作为历史真实热度；其次，计算往年同季商品在不同时期的销售表现，并使用排序学习的方法习得其与整季热度排名的关系；最后，计算当季商品的销售表现，使用训练得到的映射关系预测它们在当季的热度排名。本发明专利技术通过统计学习的方法，总结归纳历史商品某时期销售表现与整季销售热度关系，同时消除了供货策略与营销活动等因素的影响，反映了商品真实销售潜力，可为商品运营提供有力的参考。

【技术实现步骤摘要】
一种基于排序学习的商品热度排名方法
本专利技术属于信息
，具体涉及一种基于排序学习的商品热度排名方法。
技术介绍
随着零售业的电子化普及，零售企业累积的数据越来越庞大，如何利用好这些数据，挖掘出其中的价值并指导企业运营，逐渐成为关键。其中，销量预测作为最直接有效的需求，其准确度与企业供应链优化带来的效益密切相关。但对于更新换代快的商品如服装来说，同一款商品的数据积累往往不足以支撑对未来整季销量做出预判。但同时，对商品做出定性分类对其潜力做出预判，又是商品运营中的关键，能保证将有限的运营资源投入到最有效的商品上。排序学习最初被应用于文档检索中，通过表征文档的特性，预测其与检索词之间的相关性排序。在商品热度预测中，通过表征商品已有的销售表现，根据历史训练得到的映射关系，即可预测商品在未来的销售潜力排名。相较于回归的点预测，损失函数的优化目标直接与排名相关，放宽了对于点精度的要求，更注重于商品潜力的相对关系。因此，本专利技术针对这一情况，提出基于排序学习的商品热度排名方法，实现对商品相对潜力的快速预判。
技术实现思路
本专利技术的目的在于解决现有商品排序算法上的不足，提出一种基于排序学习的商品热度排名方法。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：a＝s0/f(d·p0)＝g(d)(2)其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；步骤4：基于历史订单表{Oi,j,t,o}，计算每个订单中商品的折扣{di,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{ai,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'i,j,t,o}，折扣还原公式如下：O'i,j,t,o＝ai,j,t,o·Oi,j,t,o(4)步骤5：基于折扣还原后的销量记录{O'i,j,t,o}，使用各个门店的缩放系数{mj}，对销量记录{O'i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”i,j,t,o}；最后，将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}；O”i,j,t,o＝mj·O'i,j,t,o(5)所述的将订单记录{O”i,j,t,o}聚合为每日门店商品销量表{si,j,t}是指：统计同个商品在同一天同一家门店的多个订单的销量总和；步骤6：获取历史同季每日门店商品日末库存表{ii,j,t}与每日门店商品销量表{si,j,t}；并对日末库存表{ii,j,t}和销量表{si,j,t}使用门店商品日期作为合并的键，进行outerjoin处理(外合并)；对缺失的销量或库存数据补0，去除日末库存与销量均为0的记录，得到历史每日门店商品库存-销量联合表{isi,j,t}；步骤7：基于历史库存销量联合表{isi,j,t}，计算商品的店均周均销量，作为商品整季热度真实值{gti}，计算公式如下：si,j,w＝mean({isi,j,t},t∈ww)·7si,w＝mean({si,j,w})gti＝mean({si,w})(6)其中，si,j,w表示商品门店周颗粒度的日均销量，si,w表示商品每周的店均销量，gti表示商品的店均周均销量；步骤8：以历史库存销量联合表{isi,j,t}作为输入，整季热度真实值{gti}作为目标值，使用lambdaMART算法，训练出不同生命周期阶段T的排序模型hT(x；a)；步骤9：获取当季的每日门店商品订单表以及日末库存表，重复步骤4-6，得到当季每日门店商品库存-销量联合表步骤10：根据当季决策日期，选取历史上对应生命周期阶段T的已训练好的排序模型hT(x；a)，以当季每日门店商品库存-销量联合表作为输入，排序模型输出得到当季商品整季热度的预测分值s，将预测分值按照降序排序即预测商品热度相对排名。本专利技术有益效果：本专利技术通过门店还原与折扣还原，去除了铺货等供应因素以及折扣等营销因素对于商品销量的影响，真实还原了商品的热度，保证了商品被公平对待，黑马款不被遗漏。同时，使用了排序学习训练映射关系，对商品整季的潜力进行预测，更科学地结合往年数据，做到了商品潜力预判更快更准更客观，让企业有限地商品运营资源运用到更需要的地方，有效提高企业营收。附图说明图1是本专利技术实施例采用该方法的具体流程图。图2是本专利技术实施例采用该方法的结果展示图。具体实施方式下面结合附图、附表详细描述本专利技术，本专利技术的目的和效果将变得更加明显。本专利技术考虑到实际情况，根据门店历史销售与库存数据，通过门店还原与折扣还原刻画真实热度，计算刻画销量表现的特征，使用排序学习的方式，训练出历史上销售特征与整季潜力的关系，再使用该函数关系与本季商品的销售特征，预测出本季商品的销售热度潜力排名，为后续商品运营决策提供有力参照。如图1和2所示，一种基于排序学习的商品热度排名方法，包括以下步骤：步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：a＝s0/f(d·p0)＝g(d)(2)其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；<本文档来自技高网...

【技术保护点】
1.一种基于排序学习的商品热度排名方法，其特征在于包括以下步骤：/n步骤1：首先获取历史同季门店商品订单表{O

【技术特征摘要】
1.一种基于排序学习的商品热度排名方法，其特征在于包括以下步骤：
步骤1：首先获取历史同季门店商品订单表{Oi,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；
步骤2：根据历史订单表{Oi,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：



a＝s0/f(d·p0)＝g(d)(2)
其中,p0表示商品原价，s0表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；
步骤3：根据历史订单表{Oi,j,t,o}，统计各门店所有商品累积订单数量{nj}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{mj}；



其中，k代表不同区域的编号，rk代表k区域对应门店编号的集合；
步骤4：基于历史订单表{Oi,j,t,o}，计算每个订单中商品的折扣{di,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{ai,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'i,j,t,o}，折扣还原公式如下：
O'i,j,t,o＝ai,j,t,o·Oi,j,t,o(4)
步骤5：基于折扣还原后的销量记录{O'i,j,t,o}，使用各个门店的缩放系数{mj}，对销量记录{O'i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”i,j,t...

【专利技术属性】
技术研发人员：王一君，陈灿，袁宇航，吴珊珊，
申请(专利权)人：杭州览众数据科技有限公司，
类型：发明
国别省市：浙江;33