CN105719145A - 获取商品到货时间的方法和装置 - Google Patents
获取商品到货时间的方法和装置 Download PDFInfo
- Publication number
- CN105719145A CN105719145A CN201410735060.8A CN201410735060A CN105719145A CN 105719145 A CN105719145 A CN 105719145A CN 201410735060 A CN201410735060 A CN 201410735060A CN 105719145 A CN105719145 A CN 105719145A
- Authority
- CN
- China
- Prior art keywords
- commodity
- characteristic information
- arrival time
- buy
- default
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种获取商品到货时间的方法和装置,属于计算机通信技术领域。所述方法包括:获取登录商品交易***的当前买端的登录信息,以及与所述当前买端关联的卖端在预设第一时间段内的第一交易日志信息;从所述当前买端的登录信息中提取当前买端特征信息,从所述第一交易日志信息中提取预设特征信息;根据所述当前买端特征信息、所述预设特征信息和预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间。所述装置包括:第一获取模块、第一提取模块和第一预测模块。本发明提高了商品到货时间的准确度。
Description
技术领域
本发明涉及计算机通信技术领域,具体涉及一种获取商品到货时间的方法和装置。
背景技术
随着计算机通信技术的发展,通过网络购买商品的用户越来越多,在通过网络购买商品时,除了关注商品的功效、质量外,商品的到货时间也是用户比较关注的。
然而,在当前的商品交易***中,获取商品到货时间的方法是,买端通过询问得到卖端预估给出的商品到货时间;或买端根据卖端的保障快递信息,得到卖端承诺的商品到货时间。
现有获取商品到货时间的方法,通过卖端人为进行预估或承诺得到,获取的商品到货时间的准确度很低。
发明内容
本发明所要解决的技术问题在于现有技术获取的商品到货时间的准确度很低。为了解决该技术问题,本发明提供了一种获取商品到货时间的方法和装置,通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。
为了解决上述问题,本发明公开了一种获取商品到货时间的方法,所述方法包括:
获取登录商品交易***的当前买端的登录信息,以及与所述当前买端关联的卖端在预设第一时间段内的第一交易日志信息;
从所述当前买端的登录信息中提取当前买端特征信息,从所述第一交易日志信息中提取预设特征信息;
根据所述当前买端特征信息、所述预设特征信息和所述预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间。
进一步地,获取登录商品交易***的当前买端的登录信息之前,所述方法还包括:
获取所述卖端在预设第二时间段内的第二交易日志信息;
将所述第二交易日志信息分为二份,从第一份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
将从第一份所述第二交易日志信息中提取的所述预设特征信息和所述实际商品到货时间作为训练数据,通过利用回归预测方法建立的回归训练模型对所述训练数据进行训练,得到所述预设特征信息对应的特征权重。
进一步地,所述回归预测方法包括:混合逻辑回归方法、梯度提高决策树方法、或逻辑回归方法。
进一步地,得到所述预设特征信息对应的特征权重之后,还包括:
从第二份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
将从第二份所述第二交易日志信息中提取的所述预设特征信息作为预测数据,根据所述预设特征信息对应的特征权重,通过回归预测模型对所述预测数据进行预测计算,得到预测的所述商品到货时间;
根据从第二份所述第二交易日志信息中提取的所述实际商品到货时间,通过回归评估模型,对预测的所述商品到货时间进行评估,得到评估结果;
根据所述评估结果,判定是否对所述回归训练模型进行调整。
进一步地,得到所述商品到货时间之后,所述方法还包括:
将所述商品到货时间展示在所述卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页。
进一步地,得到所述商品到货时间之后,所述方法还包括:
将所述商品到货时间作为所述卖端的物流能力数据;
根据所述物流能力数据,确定所述卖端关联的商品在商品搜索结果中的排序。
进一步地,根据所述当前买端特征信息、所述预设特征信息和所述预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间,包括:
利用预设的归一化公式,对所述当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
利用预设的归一化公式,对所述预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
将所述当前买端特征归一化值和所述当前买端特征信息对应的特征权重的乘积,与所述预设特征归一化值和所述预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
将所述商品到货归一化时间与预设的到货时间阈值进行相乘,得到所述商品到货时间。
进一步地,所述预设特征信息包括:卖端特征信息、与所述卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。
为了解决上述问题,本发明还公开了一种获取商品到货时间的装置,所述装置包括:
第一获取模块,用于获取登录商品交易***的当前买端的登录信息,以及与所述当前买端关联的卖端在预设第一时间段内的第一交易日志信息;
第一提取模块,用于从所述当前买端的登录信息中提取当前买端特征信息,从所述第一交易日志信息中提取预设特征信息;
第一预测模块,用于根据所述当前买端特征信息、所述预设特征信息和所述预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间。
进一步地,所述装置还包括:
第二获取模块,用于在获取登录商品交易***的当前买端的登录信息之前,获取所述卖端在预设第二时间段内的第二交易日志信息;
第二提取模块,用于将所述第二交易日志信息分为二份,从第一份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
训练模块,用于将从第一份所述第二交易日志信息中提取的所述预设特征信息和所述实际商品到货时间作为训练数据,通过利用回归预测装置建立的回归训练模型对所述训练数据进行训练,得到所述预设特征信息对应的特征权重。
进一步地,所述回归预测方法包括:混合逻辑回归方法、梯度提高决策树方法、或逻辑回归方法。
进一步地,所述装置还包括:
第三提取模块,用于从第二份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
第二预测模块,用于将从第二份所述第二交易日志信息中提取的所述预设特征信息作为预测数据,根据所述预设特征信息对应的特征权重,通过回归预测模型对所述预测数据进行预测计算,得到预测的所述商品到货时间;
评估模块,用于根据从第二份所述第二交易日志信息中提取的所述实际商品到货时间,通过回归评估模型,对预测的所述商品到货时间进行评估,得到评估结果;
判定模块,用于根据所述评估结果,判定是否对所述回归训练模型进行调整。
进一步地,所述装置还包括:
展示模块,用于将所述商品到货时间展示在所述卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页。
进一步地,得到所述商品到货时间之后,所述装置还包括:
处理模块,用于将所述商品到货时间作为所述卖端的物流能力数据;
确定模块,用于根据所述物流能力数据,确定所述卖端关联的商品在商品搜索结果中的排序。
进一步地,所述第一预测模块包括:
第一处理单元,用于利用预设的归一化公式,对所述当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
第二处理单元,用于利用预设的归一化公式,对所述预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
第三处理单元,用于将所述当前买端特征归一化值和所述当前买端特征信息对应的特征权重的乘积,与所述预设特征归一化值和所述预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
获取单元,用于将所述商品到货归一化时间与预设的到货时间阈值进行相乘,得到所述商品到货时间。
进一步地,所述预设特征信息包括:卖端特征信息、与所述卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。
与现有技术相比,本发明可以获得包括以下技术效果:
1)通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。
2)将所述商品到货时间展示在所述卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页,使买端可以直观获取到商品到货时间,制定购买决策。
3)将所述商品到货时间作为所述卖端的物流能力数据,根据物流能力数据,确定所述卖端关联的商品在商品搜索结果中的排序,可支持搜索进行时间排序。
4)通过利用回归预测方法建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重,获取的特征权重的准确度较高,可以提高预测的商品到货时间的准确度。
5)根据实际商品到货时间,通过回归评估模型,对预测的商品到货时间进行评估,可以保证预测的商品到货时间的准确度。
当然,实施本发明的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例一提供的一种获取商品到货时间的方法流程图;
图2是本发明实施例二提供的一种获取商品到货时间的方法流程图;
图3是本发明实施例三提供的一种获取商品到货时间的方法流程图;
图4是本发明实施例四提供的第一种获取商品到货时间的装置结构示意图;
图5是本发明实施例四提供的第二种获取商品到货时间的装置结构示意图;
图6是本发明实施例四提供的第三种获取商品到货时间的装置结构示意图;
图7是本发明实施例四提供的第四种获取商品到货时间的装置结构示意图;
图8是本发明实施例四提供的第五种获取商品到货时间的装置结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
实施例一
图1为本发明实施例一提供的一种获取商品到货时间的方法;如图1所示,其可以具体包括:
S101:获取登录商品交易***的当前买端的登录信息,以及与当前买端关联的卖端在预设第一时间段内的第一交易日志信息。
其中,商品交易***是指可以提供网络购买商品服务的***。当前买端可以通过商品交易***提供的网页进行登录。可以预先注册成为会员,通过会员身份进行登录,也可以直接以普通身份进行登录。当以会员身份进行登录时,获取的登录信息可以包括当前买端的姓名、ID号、IP地址、登录时间等。当以普通身份进行登录时,获取的登录信息可以包括当前买端的IP地址、登录时间等。
其中,与当前买端关联的卖端可以是,当前买端登录后显示在当前买端登录页面中的卖端、当前买端登录后进行搜索得到的卖端等。
其中,预设第一时间段内可以是预先设定的当前买端登录时间之前一预设时间段,如预先设定第一时间段为当前买端登录时间之前50天内,当前买端登录的时间是2014-5-1,则预设第一时间段内为2014-3-12至2014-4-30。可以根据实际应用状况设置第一时间段的大小,对此不做具体限定。
具体地,获取第一交易日志信息可以通过使浏览器执行数据收集脚本等方法,来实现交易日志的生成与收集。
S102:从当前买端的登录信息中提取当前买端特征信息,从第一交易日志信息中提取预设特征信息。
其中,当前买端特征信息可以包括当前买端的位置、当前买端的历史付款时间信息等。
其中,预设特征信息包括卖端特征信息、与卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。卖端特征信息可以包括卖端的位置、卖端月销量、卖端发货能力评估数据、卖端截单时间、卖端选择物流公司能力数据、卖端发货时间、商品运输时间等。交易买端特征信息可以包括交易买端的位置、交易买端的历史付款时间信息等。商品特征信息可以包括商品价格、商品类目、商品销量等。订单特征信息包括订单对应的商品到货时间等。
具体地,为了便于计算商品到货时间,预先为当前买端特征信息设置对应的当前买端特征数值、为预设特征信息设置对应的预设特征数值。例如:可以根据当前买端的位置、卖端的位置所处的城市,设置城市编号,将当前买端的位置对应的城市编号作为当前买端的位置的特征数值,将卖端的位置对应的城市编号作为卖端的位置的特征数值。又例如:可以将订单对应的商品到货时间直接作为订单对应的商品到货时间的特征数值。可以根据实际应用状况设置当前买端特征信息对应的当前买端特征数值、预设特征信息对应的预设特征数值,对此不做具体限定。
S103:根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间。
其中,商品到货时间包括商品从卖端到当前买端所需要的时长、商品到达当前买端的日期等。
具体地,根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,包括:
利用预设的归一化公式,对当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
利用预设的归一化公式,对预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
将当前买端特征归一化值和当前买端特征信息对应的特征权重的乘积,与预设特征归一化值和预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
将商品到货归一化时间与预设的到货时间阈值进行相乘,得到商品到货时间。
其中,预设的归一化公式如下所示:
f(χ)=1/(1+e-x)
其中,χ表示当前买端特征信息对应的当前买端特征数值、或表示预设特征信息对应的预设特征数值。f(χ)表示当前买端特征归一化值、或预设特征归一化值。
具体地,对当前买端特征信息对应的当前买端特征数值、对预设特征信息对应的预设特征数值进行归一化处理的目的在于,使得不同的特征数值可以有相同的特征量纲,避免后续在确定特征信息所对应的权重值的过程中,可能存在的在梯度下降求解最优值时不能收敛的问题。
其中,预设的到货时间阈值可以根据实际购买中从一个卖端到一个买端的最长时间进行设置,或可以根据商品交易***要求的最长商品到货时间进行设置,如目前实际购买中10天的时间足够从任一卖端到任一买端了,或商品交易***要求的最长商品到货时间是10天,则可以设置到货时间阈值为10*24=240小时。到货时间阈值并不限于240小时,可以根据实际应用状况灵活设置,对此不做限定。
具体地,将当前买端特征归一化值和当前买端特征信息对应的特征权重的乘积,与预设特征归一化值和预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间Score,如下所示:
其中,K表示当前买端特征信息的个数,χk表示第k个当前买端特征信息对应的当前买端特征数值,f(χk)表示第k个当前买端特征归一化值,ω(k)表示第k个当前买端特征信息对应的特征权重;M表示预设特征信息的个数,χm表示第m个预设特征信息对应的预设特征数值,f(χm)表示第m个预设特征归一化值,ω(m)表示第m个预设特征信息对应的特征权重。
需要说明的是,当前买端特征信息对应的特征权重,可以根据预设特征信息中的与卖端交易的所有交易买端的交易买端特征信息对应的特征权重进行设置。
具体地,得到商品到货时间之后,该方法还包括:
将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页;或,
将商品到货时间作为卖端的物流能力数据;
根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序。
具体地,得到商品到货时间后,更新Delivery(商品在线服务器提供一些商品的属性等数据),将商品到货时间作为卖端的物流能力数据,根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序进而影响商品线上展现。
本实施例所述的获取商品到货时间的方法,通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页,使买端可以直观获取到商品到货时间,制定购买决策。将商品到货时间作为卖端的物流能力数据,根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序,可支持搜索进行时间排序。
实施例二
图2为本发明实施例二提供的一种获取商品到货时间的方法;在实施例一S101获取登录商品交易***的当前买端的登录信息之前,如图2所示,其还可以具体包括:
S104:获取卖端在预设第二时间段内的第二交易日志信息。
其中,预设第二时间段内可以是在获取第二交易日志信息之前预设的时间段,如预先设定第二时间段为获取第二交易日志信息之前50天内,获取第二交易日志信息的时间是2014-2-28,则预设第二时间段内为2014-1-9至2014-2-27。可以根据实际应用状况设置第二时间段的大小,对此不做具体限定。而且第二时间段的大小可以与第一时间段的大小相同、也可以不相同。
具体地,为了使得实施例一S103可以根据预先获取的特征权重得到商品到货时间,在实施例一S103之前可以预先获取并对卖端的第二交易日志信息进行训练得到特征权重。
S105:将第二交易日志信息分为二份,从第一份第二交易日志信息中提取预设特征信息和实际商品到货时间。
具体地,将第二交易日志信息分为二份,一份用来进行训练得到特征权重,一份用来对得到的特征权重进行评估,以验证特征权重的准确性。
具体地,将第二交易日志信息分为二份,可以是将第二交易日志信息平均分为二份,每份包含第二交易日志信息的一半信息。也可以根据实际应用状况,按照其他比例,将第二交易日志信息分为二份,对此不做具体限定。后续描述中使用第一份、第二份进行描述,在步骤S105~S106中基于第一份第二交易日志信息进行处理,在后续步骤S107~S110中基于第二份第二交易日志信息进行处理,但是本领域技术人员应当知晓,第一份和第二份为相对的称谓,并没有严格顺序,只是为了区分两者不是同一份,因此也可以在步骤S105~S106中基于第二份第二交易日志信息进行处理,在后续步骤S107~S110中基于第一份第二交易日志信息进行处理。第一份可以理解为二份中的一份,第二份可以理解为二份中的另一份。
其中,预设特征信息包括卖端特征信息、与卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。卖端特征信息可以包括卖端的位置、卖端月销量、卖端发货能力评估数据、卖端截单时间、卖端选择物流公司能力数据、卖端发货时间、商品运输时间等。交易买端特征信息可以包括交易买端的位置、交易买端的历史付款时间信息等。商品特征信息可以包括商品价格、商品类目、商品销量等。订单特征信息包括订单对应的商品到货时间等。
具体地,为了便于计算商品到货时间,预先为预设特征信息设置对应的预设特征数值。例如:可以根据卖端的位置所处的城市,设置城市编号,将卖端的位置对应的城市编号作为卖端的位置的特征数值。又例如:可以将订单对应的商品到货时间直接作为订单对应的商品到货时间的特征数值。可以根据实际应用状况设置预设特征信息对应的预设特征数值,对此不做具体限定。
S106:将从第一份第二交易日志信息中提取的预设特征信息和实际商品到货时间作为训练数据,通过利用回归预测方法建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重。
其中,回归预测方法包括:混合逻辑回归(MixtureLogisticRegression,MLR)方法、梯度提高决策树(GradientBoostingDecisionTree,GBDT)方法、或逻辑回归(LogisticRegression)方法。
混合逻辑回归是用来拟合非线性数据的非线性模型,属于复杂度可以被控制的建模方式。
梯度提高决策树方法,是指在建立前一个模型的损失函数的梯度下降方向上建立下一个模型,这里存在一个迭代的过程。损失函数(lossfunction)越大,说明模型越容易出错。如果建模的过程能够让损失函数持续的下降,则说明建模在不停的改进,而最好的方式是让损失函数在其梯度(Gradient)的方向下降。通过这样的建模方式就可以进行回归预测。
逻辑回归方法是一种非线性模型,通过迭代的过程,在每次迭代中计算目标函数的下降方向并更新,直到目标函数稳定在最小的点。
具体地,本实施例中采用逻辑回归方法建立回归训练模型,得到预设特征信息对应的特征权重的过程如下:
a)将回归问题转化为分类概率问题,预测的商品到货时间(即预测目标)采用预设的归一化公式进行归一化,得到数值为(0,1)的商品到货归一化时间(即预测目标值),将预测目标值定义为时效概率。
b)假设S为从第一份第二交易日志信息中提取的预设特征信息X和实际商品到货时间t的样本集合(假设包含N个样本)。针对S(S={s1、s2....sN})中的第i个样本集合si,i∈[1,N],si表示样本集合{xi,ti},向量xi={xi1、xi2....xiJ},J表示第i个样本集合中包含的预设特征信息的个数。假设0<ti≤T(预设的到货时间阈值)则分类概率中的分类C1=1,假设ti=0,或ti>T则分类概率中的分类C0=0,从而时效概率p(C1|Si,θi)如下:
其中,xi作为回归训练模型的输入;θi为回归训练模型的参数,与xi={xi1、xi2....xiJ}相对应,θi={θi1、θi2....θiJ};σ(.)为logisticsigmodfunction(S型曲线函数),其定义如下:
c)将S作为训练数据,假定N个样本符合独立同分布,则似然函数p(ti|Si,θi)如下:
其中,yi=p(C1|xi)。从式中可以看出,似然函数p(ti|Si,θi)为伯努利分布,似然函数p(ti|Si,θi)的误差函数E(θi)可以表示为:
d)使用梯度下降或是随机梯度下降来求▽E。
最后求得参数θi,将θi作为xi对应的特征权重ω(i)。
需要说明的是,得到预设特征信息对应的特征权重之后,每隔一预设的时间间隔,可以重新按照本实施例的方法,获取新产生的第二交易日志信息,迭代训练更新模型,得到新的预设特征信息对应的特征权重,促使卖端进行良性提升自我物流服务能力,从而影响交易***整体物流服务能力。
本实施例所述的获取商品到货时间的方法,通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页,使买端可以直观获取到商品到货时间,制定购买决策。将商品到货时间作为卖端的物流能力数据,根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序,可支持搜索进行时间排序。通过利用回归预测方法建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重,获取的特征权重的准确度较高,可以提高预测的商品到货时间的准确度。
实施例三
图3为本发明实施例三提供的一种获取商品到货时间的方法;在实施例二S106得到预设特征信息对应的特征权重之后,如图3所示,其还可以具体包括:
S107:从第二份第二交易日志信息中提取预设特征信息和实际商品到货时间。
其中,实际商品到货时间即从订单信息中得到的与卖端交易的所有交易买端中每个交易买端对应的到货时间、到货日期等。
其中,预设特征信息包括卖端特征信息、与卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。卖端特征信息可以包括卖端的位置、卖端月销量、卖端发货能力评估数据、卖端截单时间、卖端选择物流公司能力数据、卖端发货时间、商品运输时间等。交易买端特征信息可以包括交易买端的位置、交易买端的历史付款时间信息等。商品特征信息可以包括商品价格、商品类目、商品销量等。订单特征信息包括订单对应的商品到货时间等。
具体地,为了便于计算商品到货时间,预先为预设特征信息设置对应的预设特征数值。例如:可以根据卖端的位置所处的城市,设置城市编号,将卖端的位置对应的城市编号作为卖端的位置的特征数值。又例如:可以将订单对应的商品到货时间直接作为订单对应的商品到货时间的特征数值。可以根据实际应用状况设置预设特征信息对应的预设特征数值,对此不做具体限定。
S108:将从第二份第二交易日志信息中提取的预设特征信息作为预测数据,根据预设特征信息对应的特征权重,通过回归预测模型对预测数据进行预测计算,得到预测的商品到货时间。
具体地,回归预测模型将预设特征信息中的与卖端交易的所有交易买端分别作为当前买端,按照实施例一步骤S103的方法进行预测计算,得到每个交易买端对应的预测的商品到货时间。
S109:根据实际商品到货时间,通过回归评估模型,对预测的商品到货时间进行评估,得到评估结果。
具体地,回归评估模型将每个交易买端对应的实际商品到货时间与每个交易买端对应的预测的商品到货时间进行比较,判定实际商品到货时间与预测的商品到货时间是否一致。根据预测的交易买端的总数量,实际商品到货时间与预测的商品到货时间一致的数量,得到评估结果。
S110:根据评估结果,判定是否对回归训练模型进行调整。
具体地,如果实际商品到货时间与预测的商品到货时间一致的数量很少,则需要对回归训练模型进行调整。如果实际商品到货时间与预测的商品到货时间一致的数量很多,则不需要对回归训练模型进行调整。可以设置调整比例阈值,当实际商品到货时间与预测的商品到货时间一致的数量在预测的交易买端的总数量中的比例小于调整比例阈值时,对回归训练模型进行调整;当实际商品到货时间与预测的商品到货时间一致的数量在预测的交易买端的总数量中的比例大于等于调整比例阈值时,不对回归训练模型进行调整。
具体地,对回归训练模型进行调整,可以是调整预设特征信息的个数、调整预设特征信息对应的特征数值等。
本实施例所述的获取商品到货时间的方法,通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页,使买端可以直观获取到商品到货时间,制定购买决策。将商品到货时间作为卖端的物流能力数据,根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序,可支持搜索进行时间排序。通过利用回归预测方法建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重,获取的特征权重的准确度较高,可以提高预测的商品到货时间的准确度。根据实际商品到货时间,通过回归评估模型,对预测的商品到货时间进行评估,可以保证预测的商品到货时间的准确度。
实施例四
如图4所示,是本发明实施例的一种获取商品到货时间的装置结构图,该装置包括:
第一获取模块201,用于获取登录商品交易***的当前买端的登录信息,以及与当前买端关联的卖端在预设第一时间段内的第一交易日志信息;
第一提取模块202,用于从当前买端的登录信息中提取当前买端特征信息,从第一交易日志信息中提取预设特征信息;
第一预测模块203,用于根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间。
优选地,参见图5,该装置还包括:
第二获取模块204,用于在获取登录商品交易***的当前买端的登录信息之前,获取卖端在预设第二时间段内的第二交易日志信息;
第二提取模块205,用于将第二交易日志信息分为二份,从第一份第二交易日志信息中提取预设特征信息和实际商品到货时间;
训练模块206,用于将从第一份第二交易日志信息中提取的预设特征信息和实际商品到货时间作为训练数据,通过利用回归预测装置建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重。
优选地,回归预测方法包括:混合逻辑回归方法、梯度提高决策树方法、或逻辑回归方法。
优选地,参见图6,该装置还包括:
第三提取模块207,用于从第二份第二交易日志信息中提取预设特征信息和实际商品到货时间;
第二预测模块208,用于将从第二份第二交易日志信息中提取的预设特征信息作为预测数据,根据预设特征信息对应的特征权重,通过回归预测模型对预测数据进行预测计算,得到预测的所述商品到货时间;
评估模块209,用于根据从第二份第二交易日志信息中提取的实际商品到货时间,通过回归评估模型,对预测的商品到货时间进行评估,得到评估结果;
判定模块210,用于根据评估结果,判定是否对回归训练模型进行调整。
优选地,参见图7,该装置还包括:
展示模块211,用于将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页。
优选地,参见图8,该装置还包括:
处理模块212,用于将商品到货时间作为卖端的物流能力数据;
确定模块213,用于根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序。
优选地,第一预测模块203包括:
第一处理单元,用于利用预设的归一化公式,对当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
第二处理单元,用于利用预设的归一化公式,对预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
第三处理单元,用于将当前买端特征归一化值和当前买端特征信息对应的特征权重的乘积,与预设特征归一化值和预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
获取单元,用于将商品到货归一化时间与预设的到货时间阈值进行相乘,得到商品到货时间。
优选地,预设特征信息包括:卖端特征信息、与卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。
本实施例所述的获取商品到货时间的装置,通过根据当前买端特征信息、预设特征信息和预先获取的特征权重,对卖端到当前买端的商品到货时间进行预测计算,得到商品到货时间,当前买端特征信息可以直观反应当前买端的实际情况、预设特征信息可以直观反应卖端的实际情况,可以提高商品到货时间的准确度。将商品到货时间展示在卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页,使买端可以直观获取到商品到货时间,制定购买决策。将商品到货时间作为卖端的物流能力数据,根据物流能力数据,确定卖端关联的商品在商品搜索结果中的排序,可支持搜索进行时间排序。通过利用回归预测方法建立的回归训练模型对训练数据进行训练,得到预设特征信息对应的特征权重,获取的特征权重的准确度较高,可以提高预测的商品到货时间的准确度。根据实际商品到货时间,通过回归评估模型,对预测的商品到货时间进行评估,可以保证预测的商品到货时间的准确度。
所述装置与前述的方法流程描述对应,不足之处参考上述方法流程的叙述,不再一一赘述。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (16)
1.一种获取商品到货时间的方法,其特征在于,所述方法包括:
获取登录商品交易***的当前买端的登录信息,以及与所述当前买端关联的卖端在预设第一时间段内的第一交易日志信息;
从所述当前买端的登录信息中提取当前买端特征信息,从所述第一交易日志信息中提取预设特征信息;
根据所述当前买端特征信息、所述预设特征信息和预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间。
2.如权利要求1所述的方法,其特征在于,获取登录商品交易***的当前买端的登录信息之前,所述方法还包括:
获取所述卖端在预设第二时间段内的第二交易日志信息;
将所述第二交易日志信息分为二份,从第一份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
将从第一份所述第二交易日志信息中提取的所述预设特征信息和所述实际商品到货时间作为训练数据,通过利用回归预测方法建立的回归训练模型对所述训练数据进行训练,得到所述预设特征信息对应的特征权重。
3.如权利要求2所述的方法,其特征在于,所述回归预测方法包括:混合逻辑回归方法、梯度提高决策树方法、或逻辑回归方法。
4.如权利要求2所述的方法,其特征在于,得到所述预设特征信息对应的特征权重之后,获取登录商品交易***的当前买端的登录信息之前,还包括:
从第二份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
将从第二份所述第二交易日志信息中提取的所述预设特征信息作为预测数据,根据所述预设特征信息对应的特征权重,通过回归预测模型对所述预测数据进行预测计算,得到预测的所述商品到货时间;
根据从第二份所述第二交易日志信息中提取的所述实际商品到货时间,通过回归评估模型,对预测的所述商品到货时间进行评估,得到评估结果;
根据所述评估结果,判定是否对所述回归训练模型进行调整。
5.如权利要求1所述的方法,其特征在于,得到所述商品到货时间之后,所述方法还包括:
将所述商品到货时间展示在所述卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页。
6.如权利要求1所述的方法,其特征在于,得到所述商品到货时间之后,所述方法还包括:
将所述商品到货时间作为所述卖端的物流能力数据;
根据所述物流能力数据,确定所述卖端关联的商品在商品搜索结果中的排序。
7.如权利要求1-6任一权利要求所述的方法,其特征在于,根据所述当前买端特征信息、所述预设特征信息和所述预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到所述商品到货时间,包括:
利用预设的归一化公式,对所述当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
利用预设的归一化公式,对所述预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
将所述当前买端特征归一化值和所述当前买端特征信息对应的特征权重的乘积,与所述预设特征归一化值和所述预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
将所述商品到货归一化时间与预设的到货时间阈值进行相乘,得到所述商品到货时间。
8.如权利要求7所述的方法,其特征在于,所述预设特征信息包括:卖端特征信息、与所述卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。
9.一种获取商品到货时间的装置,其特征在于,所述装置包括:
第一获取模块,用于获取登录商品交易***的当前买端的登录信息,以及与所述当前买端关联的卖端在预设第一时间段内的第一交易日志信息;
第一提取模块,用于从所述当前买端的登录信息中提取当前买端特征信息,从所述第一交易日志信息中提取预设特征信息;
第一预测模块,用于根据所述当前买端特征信息、所述预设特征信息和预先获取的特征权重,对所述卖端到所述当前买端的商品到货时间进行预测计算,得到商品到货时间。
10.如权利要求9所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于在获取登录商品交易***的当前买端的登录信息之前,获取所述卖端在预设第二时间段内的第二交易日志信息;
第二提取模块,用于将所述第二交易日志信息分为二份,从第一份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
训练模块,用于将从第一份所述第二交易日志信息中提取的所述预设特征信息和所述实际商品到货时间作为训练数据,通过利用回归预测装置建立的回归训练模型对所述训练数据进行训练,得到所述预设特征信息对应的特征权重。
11.如权利要求10所述的装置,其特征在于,所述回归预测方法包括:混合逻辑回归方法、梯度提高决策树方法、或逻辑回归方法。
12.如权利要求10所述的装置,其特征在于,所述装置还包括:
第三提取模块,用于从第二份所述第二交易日志信息中提取所述预设特征信息和实际商品到货时间;
第二预测模块,用于将从第二份所述第二交易日志信息中提取的所述预设特征信息作为预测数据,根据所述预设特征信息对应的特征权重,通过回归预测模型对所述预测数据进行预测计算,得到预测的所述商品到货时间;
评估模块,用于根据从第二份所述第二交易日志信息中提取的所述实际商品到货时间,通过回归评估模型,对预测的所述商品到货时间进行评估,得到评估结果;
判定模块,用于根据所述评估结果,判定是否对所述回归训练模型进行调整。
13.如权利要求9所述的装置,其特征在于,所述装置还包括:
展示模块,用于将所述商品到货时间展示在所述卖端关联的商品详情页、商品下单页、商品物流详情页、和/或商品搜索页。
14.如权利要求9所述的装置,其特征在于,所述装置还包括:
处理模块,用于将所述商品到货时间作为所述卖端的物流能力数据;
确定模块,用于根据所述物流能力数据,确定所述卖端关联的商品在商品搜索结果中的排序。
15.如权利要求9-14任一权利要求所述的装置,其特征在于,所述第一预测模块包括:
第一处理单元,用于利用预设的归一化公式,对所述当前买端特征信息对应的当前买端特征数值进行归一化处理,得到当前买端特征归一化值;
第二处理单元,用于利用预设的归一化公式,对所述预设特征信息对应的预设特征数值进行归一化处理,得到预设特征数值对应的预设特征归一化值;
第三处理单元,用于将所述当前买端特征归一化值和所述当前买端特征信息对应的特征权重的乘积,与所述预设特征归一化值和所述预设特征信息对应的特征权重的乘积进行相加,得到商品到货归一化时间;
获取单元,用于将所述商品到货归一化时间与预设的到货时间阈值进行相乘,得到所述商品到货时间。
16.如权利要求15所述的装置,其特征在于,所述预设特征信息包括:卖端特征信息、与所述卖端交易的所有交易买端的交易买端特征信息、商品特征信息和/或订单特征信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410735060.8A CN105719145B (zh) | 2014-12-04 | 2014-12-04 | 获取商品到货时间的方法和装置 |
PCT/CN2015/095835 WO2016086803A1 (zh) | 2014-12-04 | 2015-11-27 | 获取商品到货时间的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410735060.8A CN105719145B (zh) | 2014-12-04 | 2014-12-04 | 获取商品到货时间的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719145A true CN105719145A (zh) | 2016-06-29 |
CN105719145B CN105719145B (zh) | 2020-11-03 |
Family
ID=56091010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410735060.8A Active CN105719145B (zh) | 2014-12-04 | 2014-12-04 | 获取商品到货时间的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105719145B (zh) |
WO (1) | WO2016086803A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技(上海)有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
CN113034075A (zh) * | 2021-03-29 | 2021-06-25 | 上海寻梦信息技术有限公司 | 物流运单时效推送方法、***、设备及存储介质 |
WO2022001297A1 (zh) * | 2020-06-29 | 2022-01-06 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930579A (zh) * | 2009-06-23 | 2010-12-29 | 株式会社日立制作所 | 电子商务交易中的供应商评价方法及其*** |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103294677A (zh) * | 2012-02-22 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 电子商务搜索引擎的搜索方法和电子商务搜索引擎 |
CN103383762A (zh) * | 2012-05-03 | 2013-11-06 | 上海乐顾网络技术有限公司 | 价格实时动态变化的电子商务*** |
US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10134066B2 (en) * | 2012-03-30 | 2018-11-20 | Ebay Inc. | Personalized delivery time estimate system |
CN102982480A (zh) * | 2012-12-21 | 2013-03-20 | 江苏乐买到网络科技有限公司 | 一种网络交易平台的商品团购*** |
-
2014
- 2014-12-04 CN CN201410735060.8A patent/CN105719145B/zh active Active
-
2015
- 2015-11-27 WO PCT/CN2015/095835 patent/WO2016086803A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930579A (zh) * | 2009-06-23 | 2010-12-29 | 株式会社日立制作所 | 电子商务交易中的供应商评价方法及其*** |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103294677A (zh) * | 2012-02-22 | 2013-09-11 | 阿里巴巴集团控股有限公司 | 电子商务搜索引擎的搜索方法和电子商务搜索引擎 |
CN103383762A (zh) * | 2012-05-03 | 2013-11-06 | 上海乐顾网络技术有限公司 | 价格实时动态变化的电子商务*** |
US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726843A (zh) * | 2017-10-30 | 2019-05-07 | 阿里巴巴集团控股有限公司 | 配送数据预测的方法、装置和终端 |
CN108364085A (zh) * | 2018-01-02 | 2018-08-03 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN108364085B (zh) * | 2018-01-02 | 2020-12-15 | 拉扎斯网络科技(上海)有限公司 | 一种外卖配送时间预测方法和装置 |
CN108345958A (zh) * | 2018-01-10 | 2018-07-31 | 拉扎斯网络科技(上海)有限公司 | 一种订单出餐时间预测模型构建、预测方法、模型和装置 |
WO2022001297A1 (zh) * | 2020-06-29 | 2022-01-06 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN113034075A (zh) * | 2021-03-29 | 2021-06-25 | 上海寻梦信息技术有限公司 | 物流运单时效推送方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2016086803A1 (zh) | 2016-06-09 |
CN105719145B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210166140A1 (en) | Method and apparatus for training risk identification model and server | |
Güriş | A new nonlinear unit root test with Fourier function | |
Greb et al. | The estimation of threshold models in price transmission analysis | |
CN108985830B (zh) | 基于异质信息网络的推荐评分方法、装置 | |
Gokmenoglu et al. | Time and frequency domain causality testing: the causal linkage between FDI and economic risk for the case of Turkey | |
US10587642B1 (en) | Automated security incident ranking | |
CN109711955B (zh) | 基于当前订单的差评预警方法、***、黑名单库建立方法 | |
CN108351877A (zh) | 数据项的自适应分类 | |
US9990639B1 (en) | Automatic detection of fraudulent real estate listings | |
Esmaeilpour et al. | An empirical analysis of the adoption barriers of e-commerce in small and medium sized enterprises (SMEs) with implementation of technology acceptance model | |
CA3070612A1 (en) | Click rate estimation | |
WO2019072128A1 (zh) | 对象识别方法及其*** | |
CN105719145A (zh) | 获取商品到货时间的方法和装置 | |
US10721266B1 (en) | Automated security incident remediation recommender | |
CN106779126A (zh) | 恶意占座订单的处理方法和*** | |
Xin | Analyzing the quality of business English teaching using multimedia data mining | |
RU2008123846A (ru) | Независимая от данных оценка релевантности с помощью взаимосвязей когнитивной концепции | |
CN104364781A (zh) | 用于计算类别比例的***和方法 | |
CN107193974A (zh) | 基于人工智能的地域性信息确定方法和装置 | |
JP6417002B1 (ja) | 生成装置、生成方法及び生成プログラム | |
CN103177129A (zh) | 互联网实时信息推荐预测*** | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN110704803A (zh) | 目标对象的评估值计算方法及装置、存储介质、电子设备 | |
Chevallier et al. | Cross-market linkages between commodities, stocks and bonds | |
CN115511582B (zh) | 一种基于人工智能的商品推荐***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180323 Address after: Four story 847 mailbox of the capital mansion of Cayman Islands, Cayman Islands, Cayman Applicant after: CAINIAO SMART LOGISTICS HOLDING Ltd. Address before: Cayman Islands Grand Cayman capital building a four storey No. 847 mailbox Applicant before: ALIBABA GROUP HOLDING Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |