CN115880027A - 一种电子商务网站商品季节性预测模型创建方法 - Google Patents

Abstract

本申请公开了一种电子商务网站商品季节性预测模型创建方法，用于提高对新商品进行季节性预测的准确性。本申请方法包括：获取训练样本集合；构建初始神经网络预测模型；从训练样本集合中选取训练样本输入初始神经网络预测模型中；通过商品季节性判别层提取训练样本的标签特征和商品特征；将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；将目标残差输入softmax函数层进行分析得到季节判别概率数据；根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据；判断损失值变化数据在预设区间内的损失值是否收敛于0；若是，则确定初始神经网络预测模型训练完成。

Description

一种电子商务网站商品季节性预测模型创建方法

技术领域

本申请实施例涉及预测模型领域，尤其涉及一种电子商务网站商品季节性预测模型创建方法。

背景技术

随着经济的不断发展，各种各样的商品层出不穷，商品的畅销程度取决于方方面面，更取决于对市场未来走势的先期判断，尤其是对于季节性的判断尤为重要。

现有的商品可以分为在已有商品上变化的新商品、在已有商品上进行改进的新商品以及全新商品。全新商品是以往的市场中未出现过的，故无法预测其季节畅销进行预测与判断。而已有商品上变化的新商品、在已有商品上进行改进的新商品与原商品存在较高的相似性，可以选择与原有商品的历史数据进行预测。对于服装商品来说，现有的服装商品种类丰富，各大商家只能设计款式，但是很难完全革新某一类服装商品。例如：原有商品为某一款式的外套，其颜色为单一的白色，商家推出的新款式为黑白斑马条纹，通过变化了图案创作出新的商品，并且商家有退出一款外套，在袖口加上了一个新的结构，即对原有商品进行了更新创作出了新的产品，这类商品相对于原商品的相似度较高，可以参考原商品的销售历史数据推算出新商品的季节性，即预测新商品在哪一个季节的销售情况更好。

现有的预测方法是通过人为分析确定与新商品最接近的原商品，再获取原商品的历史销售数据，并且根据历史销售数据的趋势和走向进行计算，通过数学模型对历史销售数据的趋势和走向进行***性的分析，得到季节性预测结果。但是，目前的新商品通常会融合多个原商品的特征，例如某一外套参考了第一款畅销外套的整体架构，参考了第二款畅销外套的领口设计和袖口设计，参考了第三款外套的口袋设计，这时就需要融合三款外套的历史销售数据进行预测，而不能接近参考第一款外套的历史销售数据。用于无法确定新商品与原有商品的相似度，通常只能人为的确定新商品和原有多个商品相似度，再结合季节性预测模型来计算，但是这样预测出来的结果由于存在人为因素，会使得预测结果大打折扣，综上所述，现有的季节性预测模型针对多种新商品的历史销售数据对新产品进行季节性预测的准确性低。

发明内容

本申请公开了一种电子商务网站商品季节性预测模型创建方法，用于提高对新商品进行季节性预测的准确性

本申请提供了一种电子商务网站商品季节性预测模型创建方法，包括：

获取训练样本集合，训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，训练样本集合中的训练样本都设置有对应的目标预测值；

构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；

从训练样本集合中选取训练样本输入初始神经网络预测模型中；

通过商品季节性判别层提取训练样本的标签特征和商品特征；

将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；

将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值；

根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据；

判断损失值变化数据在预设区间内的损失值是否收敛于0；

若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型。

可选的，获取训练样本集合，包括：

获取训练样本生成器和商品图像集合，商品图像集合包含至少两张不同商品的图像；

获取商品图像集合对应商品的历史销售数据和商品分类类型数据；

根据历史销售数据生成商品季节标签；

根据商品分类类型数据为商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数；

将商品图像集合和其对应的商品季节标签和N个经过N级分类的类型标签输入训练样本生成器，生成训练样本集合，训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，训练样本集合中的训练样本都设置有对应的目标预测值。

可选的，将商品图像集合和其对应的商品季节标签和N个经过N级分类的类型标签输入训练样本生成器，生成训练样本集合，包括：

对商品图像集合进行卷积操作，生成采样特征集合；

对商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签；

根据训练样本生成器的权值将采样特征集合、季节标签特征和类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合。

可选的，将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差，包括：

将标签特征和商品特征输入第一标签残差层进行残差计算，生成训练样本的第一残差；

将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征；

将第一融合特征输入第一标签残差层，生成训练样本的第二残差；

将第二残差和N个经过N级分类的类型标签中第二个类别标签进行通道叠加，生成第二融合特征；

将第N-1残差输入第第N标签残差层，生成训练样本的第N残差；

通过残差融合层对第一残差至第N残差依次融合，生成目标残差。

可选的，初始神经网络预测模型还包括区域通道注意力模块SKConv；

在将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差之后，将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值之前，电子商务网站商品季节性预测模型创建方法还包括：

通过区域通道注意力模块SKConv中不同大小感受野的卷积核对目标残差的不同大小区域分配注意力，并通过分配注意力对目标残差不同特征通道进行筛选。

可选的，初始神经网络预测模型还包括注意力通道池化模块ACD；

在通过区域通道注意力模块SKConv中不同大小感受野的卷积核对目标残差的不同大小区域分配注意力，并通过分配注意力对目标残差不同特征通道进行筛选转换后，电子商务网站商品季节性预测模型创建方法还包括：

通过注意力通道池化模块ACD给目标残差的每个通道分配注意力，舍弃注意力排序较后的通道。

可选的，初始神经网络预测模型还包括通道混洗模块CSA；

通过通道混洗模块CSA对目标残差进行通道混洗。

可选的，在判断损失值变化数据在预设区间内的损失值是否收敛于0之后，电子商务网站商品季节性预测模型创建方法还包括：

若损失值变化数据在预设区间内的损失值不收敛于0，则判断训练样本的训练次数是否达标；

若训练样本的训练次数达标，根据小批梯度下降法更新初始神经网络预测模型的权重，从训练样本集合中重新选取训练样本输入初始神经网络预测模型中训练。

可选的，在判断训练样本的训练次数是否达标之后，电子商务网站商品季节性预测模型创建方法还包括：

若训练样本的训练次数未达标，则根据小批梯度下降法更新初始神经网络预测模型的权重，并将训练样本重新输入初始神经网络预测模型中训练。

可选的，在判断训练样本的训练次数是否达标之后，电子商务网站商品季节性预测模型创建方法还包括：

根据损失值通过小批梯度下降法更新训练样本生成器的权值，并通过训练样本生成器更新训练样本集中的训练样本。

从以上技术方案可以看出，本申请实施例具有以下优点：

本发明中，首先获取训练样本集合，训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，并且训练样本集合中的训练样本都设置有对应的目标预测值，由于后续的模型的损失值计算。训练样本是通过原商品的外观图像，并且结合商品季度销售情况和对应的分类标签生成的图像数据。接下来，需要构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层。首先从训练样本集合中选取训练样本输入初始神经网络预测模型中，这里的训练样本可以是一张一张进行输入，也可以是一个批次进行同时输入。通过商品季节性判别层提取训练样本的标签特征和商品特征。接下来将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差。将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值。根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据。判断损失值变化数据在预设区间内的损失值是否收敛于0。若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型。本发明通过卷积神经网络模型作为初始神经网络预测模型的基础架构，学习训练样本的特征，并且训练样本中存在对应的分类标签和季节性标签，使得网络模型可以在识别商品的同时，对季节性标签和分类标签进行分析，得到对应商品属于某一季节性某一商品的概率值，无需通过人为因素确定与新商品相似的旧商品，通过目标商品季节性预测模型即可识别新商品与原商品的相似度，并且给出对应的季节判别概率数据，提高了对新商品进行季节性预测的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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为本申请电子商务网站商品季节性预测模型创建方法的一个实施例示意图；

图2-1为本申请电子商务网站商品季节性预测模型创建方法的第一阶段的一个实施例示意图；

图2-2为本申请电子商务网站商品季节性预测模型创建方法的第二阶段的一个实施例示意图；

图2-3为本申请电子商务网站商品季节性预测模型创建方法的第三阶段的一个实施例示意图；

图3为本申请实施例中初始神经网络预测模型网络层的一个实施例流程示意图；

图4为本申请实施例中初始神经网络预测模型网络层的另一个实施例结构示意图；

图5为本申请实施例中初始神经网络预测模型网络层的另一个实施例结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在现有技术中，现有的预测方法是通过人为分析确定与新商品最接近的原商品，再获取原商品的历史销售数据，并且根据历史销售数据的趋势和走向进行计算，通过数学模型对历史销售数据的趋势和走向进行***性的分析，得到季节性预测结果。但是，目前的新商品通常会融合多个原商品的特征，例如某一外套参考了第一款畅销外套的整体架构，参考了第二款畅销外套的领口设计和袖口设计，参考了第三款外套的口袋设计，这时就需要融合三款外套的历史销售数据进行预测，而不能接近参考第一款外套的历史销售数据。用于无法确定新商品与原有商品的相似度，通常只能人为的确定新商品和原有多个商品相似度，再结合季节性预测模型来计算，但是这样预测出来的结果由于存在人为因素，会使得预测结果大打折扣，综上所述，现有的季节性预测模型针对多种新商品的历史销售数据对新产品进行季节性预测的准确性低。

基于此，本申请公开了一种电子商务网站商品季节性预测模型创建方法，用于提高对新商品进行季节性预测的准确性。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的方法可以应用于服务器、设备、终端或者其它具备逻辑处理能力的设备，对此，本申请不作限定。为方便描述，下面以执行主体为终端为例进行描述。

请参阅图1，本申请提供了电子商务网站商品季节性预测模型创建方法的一个实施例，包括：

101、获取训练样本集合，训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，训练样本集合中的训练样本都设置有对应的目标预测值；

终端首先获取训练样本集合。获取训练样本的方式主要是通过拍摄原有商品的至少两张图像，在获取该商品的历史销售数据，从历史销售数据中将该商品的季节性数据和商品的分类数据进行提取，并且将其转变成数字参数，融入商品图像中。

例如：某款畅销的外套秋季畅销，分类为外套。商品季节标签为1，外套的分类标签为10，将两个参数与商品图像进行通道融合，形成训练样本。

具体的商品季节标签和分类标签的规则会更复杂，上述只是简单的进行举例，实际上标签是一组能够生成图像数据的通道参数。

102、构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；

终端构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层。

其中，特征提取层由两组卷积层-归一化层串联排列构成。

103、从训练样本集合中选取训练样本输入初始神经网络预测模型中；

终端从训练样本集合中选取训练样本输入初始神经网络预测模型中。具体的终端可以从训练样本集中随机抽取一定数量的样本，同时进行训练。本实施例中，采用批量大小为32的小批量训练初始神经网络预测模型，通过多次迭代，达到训练效果。本实施例中，迭代的次数约为25000次。

104、通过商品季节性判别层提取训练样本的标签特征和商品特征；

终端从训练样本集合中选取训练样本输入初始神经网络预测模型之后，并且通过商品季节性判别层中的特征提取层提取训练样本的标签特征和商品特征，即从训练样本中读取商品图像自身的商品信息以及融入训练样本的季节信息和分类信息。

105、将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；

终端将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差，使得目标残差中充分学习该商品信息的分类，进一步让整个预测模型能够准确识别每一个商品图像的分类。

106、将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值；

终端将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值。

具体的，终端将目标残差通过全局平均池化层和softmax层进行分类计算，生成训练样本归属各个季节的季节判别概率值。

具体计算方式如下：

其中e^x为指数函数，y_i表示输出层中第个输入神经元，分母的运算表示输出层中共有n个输出神经元，并计算所有输出层中的输入神经元的指数和，yi表示第i个神经元的输出，softmax(y_i)为季节判别概率数据。

终端根据季节判别概率数据中的季节判别概率值确定训练样本的季度预测。

107、根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据；

终端根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据。

分类器由全局平均池化层和softmax层构成，该分类为多分类问题，故在初始神经网络预测模型训练过程中采用的损失函数为交叉熵损失函数，其表达式为：

其中Loss为损失值，即为每一个季度的预测值，C的参数含义是总样本的数量，y_i为第i个训练样本的真实季节的目标预测值，P_i即为初始神经网络预测模型输出的季节判别概率数据softmax(y_i)。下面对该交叉熵损失函数的使用方式进行举例说明：

在数字识别任务中，如果数字样本是数字“5”，那么真实分布应该为：[0,0,0,0,0,1,0,0,0,0]，如果网络输出的分布为：[0.1,0.1,0,0,0,0.7,0,0.1,0,0]，则应为10，那么计算损失函数得：

Loss＝-[0*log(0.1)]*3-[0*log(0)]*6-1*log(0.7)≈0.3567

如果网络输出的分布为：[0.2,0.3,0.1,0,0,0.3,0.1,0,0,0]，那么计算损失函数得：

Loss＝-[0*log(0.1)]*2-[0*log(0.2)]-[0*log(0)]*5-[0*log(0.3)]*2-log(0.7)≈1.204

上述两种情况对比，第一个分布的损失通过交叉熵函数计算出的损失值明显低于第二个分布通过交叉熵函数计算出的损失值的损失，说明第一个分布更接近于真实分布。

本实施例中的损失值变化数据为每一次损失值的记录数据，收敛的标准以损失值达到预设的阈值内超过预定次数。例如输入一张训练样本，真实畅销的季节为秋天，目标预测值为百分之八十，计算出损失值之后，发现最近10000次的初始神经网络预测模型都达到了趋于0的区域，则表示初始神经网络预测模型收敛，即训练完成。

108、判断损失值变化数据在预设区间内的损失值是否收敛于0；

109、若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型。

终端判断损失值变化数据在预设区间内的损失值是否收敛于0，当损失值变化数据在预设区间内，所有的损失值的大小以及趋势都收敛于0时，则可以确定初始神经网络预测模型训练完成。

本实施例中，首先获取训练样本集合，训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，并且训练样本集合中的训练样本都设置有对应的目标预测值，由于后续的模型的损失值计算。训练样本是通过原商品的外观图像，并且结合商品季度销售情况和对应的分类标签生成的图像数据。接下来，需要构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层。首先从训练样本集合中选取训练样本输入初始神经网络预测模型中，这里的训练样本可以是一张一张进行输入，也可以是一个批次进行同时输入。通过商品季节性判别层提取训练样本的标签特征和商品特征。接下来将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差。将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值。根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据。判断损失值变化数据在预设区间内的损失值是否收敛于0。若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型。本发明通过卷积神经网络模型作为初始神经网络预测模型的基础架构，学习训练样本的特征，并且训练样本中存在对应的分类标签和季节性标签，使得网络模型可以在识别商品的同时，对季节性标签和分类标签进行分析，得到对应商品属于某一季节性某一商品的概率值，无需通过人为因素确定与新商品相似的旧商品，通过目标商品季节性预测模型即可识别新商品与原商品的相似度，并且给出对应的季节判别概率数据，提高了对新商品进行季节性预测的准确性。

请参阅图2，本申请提供了电子商务网站商品季节性预测模型创建方法的一个实施例，包括：

201、获取训练样本生成器和商品图像集合，商品图像集合包含至少两张不同商品的图像；

202、获取商品图像集合对应商品的历史销售数据和商品分类类型数据；

203、根据历史销售数据生成商品季节标签；

204、根据商品分类类型数据为商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数；

205、对商品图像集合进行卷积操作，生成采样特征集合；

206、对商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签；

207、根据训练样本生成器的权值将采样特征集合、季节标签特征和类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合，训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，训练样本集合中的训练样本都设置有对应的目标预测值；

终端首先获取训练样本生成器和商品图像集合，商品图像集合包含至少两张不同商品的图像，例如上衣、衬衫、外套、裤子等不同种类的商品图像。以及同一分类不同款式的商品图像。终端获取商品图像集合对应商品的历史销售数据和商品分类类型数据，根据历史销售数据生成商品季节标签。

例如：一款上衣的畅销季节属于秋季第一期和第二期，则为该上衣生成对应的季节标签。

根据商品分类类型数据为商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数。

例如：一个款式的上衣，属于男装，外套，夹克等四个分类，则为该商品生产5个类型标签。

终端对商品图像集合进行卷积操作，生成采样特征集合，并且对商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签。然后，终端根据训练样本生成器的权值将采样特征集合、季节标签特征和类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合，训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，训练样本集合中的训练样本都设置有对应的目标预测值。

208、构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；

209、从训练样本集合中选取训练样本输入初始神经网络预测模型中；

210、通过商品季节性判别层提取训练样本的标签特征和商品特征；

本实施例中，步骤208至步骤210与前述步骤102至步骤104相似，此处不做赘述。

211、将标签特征和商品特征输入第一标签残差层进行残差计算，生成训练样本的第一残差；

212、将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征；

213、将第一融合特征输入第一标签残差层，生成训练样本的第二残差；

214、将第二残差和N个经过N级分类的类型标签中第二个类别标签进行通道叠加，生成第二融合特征；

215、将第N-1残差输入第第N标签残差层，生成训练样本的第N残差；

216、通过残差融合层对第一残差至第N残差依次融合，生成目标残差；

终端将标签特征和商品特征输入第一标签残差层进行残差计算，生成训练样本的第一残差，再将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征，再将第一融合特征输入第一标签残差层，生成训练样本的第二残差，将第二残差和N个经过N级分类的类型标签中第二个类别标签进行通道叠加，生成第二融合特征。将第N-1残差输入第第N标签残差层，生成训练样本的第N残差。通过残差融合层对第一残差至第N残差依次融合，生成目标残差。

本实施例中，第一融合特征至第N融合特征中加强细分类的类型标签，并且不断将各个细分类的类型标签融入，使得最后的目标残差充分学习到该商品以及其对应的分类类型。

217、通过区域通道注意力模块SKConv中不同大小感受野的卷积核对目标残差的不同大小区域分配注意力，并通过分配注意力对目标残差不同特征通道进行筛选；

终端通过区域通道注意力模块SKConv中不同大小感受野的卷积核对目标残差的不同大小区域分配注意力，并通过分配注意力对目标残差不同特征通道进行筛选，目的是为了筛选出区域通道注意力低于预设值的通道，使得网络模型能够更加关注于有用的通道，对有用的通道进行学习。

218、通过注意力通道池化模块ACD给目标残差的每个通道分配注意力，舍弃注意力排序较后的通道；

终端通过注意力通道池化模块ACD给目标残差的每个通道分配注意力，舍弃注意力排序较后的通道，目的是为了进一步舍弃掉注意力低于预设值的通道，使得网络模型能够更加关注于有用的通道，对有用的通道进行学习。

219、通过通道混洗模块CSA对目标残差进行通道混洗；

终端通过通道混洗模块CSA对目标残差进行通道混洗，重新将其中的特征进行充分融合。

220、将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值；

221、根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据；

222、判断损失值变化数据在预设区间内的损失值是否收敛于0；

223、若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型；

本实施例中，步骤220至步骤223与前述步骤106至步骤109相似，此处不做赘述。

224、若损失值变化数据在预设区间内的损失值不收敛于0，则判断训练样本的训练次数是否达标；

225、若训练样本的训练次数达标，根据小批梯度下降法更新初始神经网络预测模型的权重，从训练样本集合中重新选取训练样本输入初始神经网络预测模型中训练；

226、若训练样本的训练次数未达标，则根据小批梯度下降法更新初始神经网络预测模型的权重，并将训练样本重新输入初始神经网络预测模型中训练；

本实施例中，终端判断损失值变化数据在预设区间内的损失值是否收敛于0，若损失值变化数据在预设区间内的损失值不收敛于0，则判断训练样本的训练次数是否达标，若训练样本的训练次数达标，根据小批梯度下降法更新初始神经网络预测模型的权重，从训练样本集合中重新选取训练样本输入初始神经网络预测模型中训练，若训练样本的训练次数未达标，则根据小批梯度下降法更新初始神经网络预测模型的权重，并将训练样本重新输入初始神经网络预测模型中训练。

对初始神经网络预测模型的权重更新以小批量随机梯度下降法更新卷积神经网络模型为例，其中批训练的梯度更新方式的公式为：

n是批量大小(batchsize)，η是学习率(learningrate)，w_t是当前权值，W_t+1为更新权值，

为权值更新子函数，x为预设值。

使用反向梯度求导，请参考图3，图3为一个初始神经网络预测模型网络层示意图。

左侧为第一层，也是输入层，输入层包含两个神经元a和b。中间为第二层，也是隐含层，隐含层包含两个神经元c和d。右侧为第三层，也是输出层，输出层包含e和f，每条线上标的

是层与层之间连接的权重。

代表第l层第j个神经元，与上一层(l-1)第k个神经元输出相对应的权重。

代表第l层第j个神经元输出。/>

代表第l层第j个神经元输入。

代表第l层第j个神经元偏置。

W代表权重矩阵，Z代表输入矩阵，A代表输出矩阵，Y代表标准答案。

L代表卷积神经网络模型的层数。

向前传播的方法，即将输入层的信号传输至隐藏层，以隐藏层节点c为例，站在节点c上往后看(输入层的方向)，可以看到有两个箭头指向节点c，因此a，b节点的信息将传递给c，同时每个箭头有一定的权重，因此对于c节点来说，输入信号为：

同理，节点d的输入信号为：

由于终端善于做带有循环的任务，因此可以用矩阵相乘来表示：

Z²＝W¹*A¹+B²

所以，隐藏层节点经过非线性变换后的输出表示如下：

A²＝sigmoid(Z²)

同理，输出层的输入信号表示为权重矩阵乘以上一层的输出：

Z³＝W²*A²+B³

同样，输出层节点经过非线性映射后的最终输出表示为：

A³＝sigmoid(Z³)

输入信号在权重矩阵们的帮助下，得到每一层的输出，最终到达输出层。可见，权重矩阵在前向传播信号的过程中扮演着运输兵的作用，起到承上启下的功能。

请参考图4，图4为一个初始神经网络预测模型网络层示意图。向后传播的方法，既然梯度下降需要每一层都有明确的误差才能更新参数，所以接下来的重点是如何将输出层的误差反向传播给隐藏层。

其中输出层、隐藏层节点的误差如图所示，输出层误差已知，接下来对隐藏层第一个节点c作误差分析。还是站在节点c上，不同的是这次是往前看(输出层的方向)，可以看到指向c节点的两个蓝色粗箭头是从节点e和节点f开始的，因此对于节点c的误差肯定是和输出层的节点e和f有关。输出层的节点e有箭头分别指向了隐藏层的节点c和d，因此对于隐藏节点e的误差不能被隐藏节点c霸为己有，而是要服从按劳分配的原则(按权重分配)，同理节点f的误差也需服从这样的原则，因此对于隐藏层节点c的误差为：

其中，e_o1和e_o2为输出层反向传播系数，同理，对于隐藏层节点d的误差为：

其中，e_h1和e_h2为隐藏层反向传播系数，为了减少工作量，可写成矩阵相乘的形式：

该矩阵比较繁琐，可简化到前向传播的形式，不破坏它们的比例，因此我们可以忽略掉分母部分，所以重新成矩阵形式为：

该权重矩阵，其实是前向传播时权重矩阵w的转置，因此简写形式如下：

E_h＝W^T*E_o

输出层误差在转置权重矩阵的帮助下，传递到了隐藏层，这样我们就可以利用间接误差来更新与隐藏层相连的权重矩阵。可见，权重矩阵在反向传播的过程中同样扮演着运输兵的作用，只不过这次是搬运的输出误差，而不是输入信号。

请参考图5，图5为一个初始神经网络预测模型网络层示意图。接下来需要进行链式求导，上面介绍了输入信息的前向传播与输出误差的后向传播，接下来就根据求得的误差来更新参数。

首先对隐藏层的w₁₁进行参数更新，更新之前让我们从后往前推导，直到预见w₁₁为止，计算方式如下：

因此误差对w₁₁求偏导如下：

求导得如下公式(所有值已知)：

同理，误差对于w₁₂的偏导如下：

同样，求导得w₁₂的求值公式：

同理，误差对于偏置求偏导如下：

同理，误差对于偏置求偏导如下：

接着对输入层的w₁₁进行参数更新，更新之前我们依然从后往前推导，直到预见第一层的w₁₁为止：

因此误差对输入层的w11求偏导如下：

求导得如下公式：

同理，输入层的其他三个参数按照同样的方法即可求出各自的偏导，此处不做赘述。在每个参数偏导数明确的情况下，带入梯度下降公式即可：

/>

至此，利用链式法则来对每层参数进行更新的任务已经完成。

在更新了初始神经网络预测模型的权重之后，保留一份初始神经网络预测模型，以使得在后续训练过程中出现泛化、过拟合等问题时，还可以使用原先保存下来的初始神经网络预测模型。

227、根据损失值通过小批梯度下降法更新训练样本生成器的权值，并通过训练样本生成器更新训练样本集中的训练样本。

终端根据损失值通过小批梯度下降法更新训练样本生成器的权值，并通过训练样本生成器更新训练样本集中的训练样本，通过生成器不断将商品图像进行重复更新，生成的新的训练样本会更加契合初始神经网络预测模型，其更新的方式通步骤226，此处不做赘述。

本实施例中，首先获取训练样本生成器和商品图像集合，商品图像集合包含至少两张不同商品的图像，获取商品图像集合对应商品的历史销售数据和商品分类类型数据。根据历史销售数据生成商品季节标签。根据商品分类类型数据为商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数。对商品图像集合进行卷积操作，生成采样特征集合。对商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签。根据训练样本生成器的权值将采样特征集合、季节标签特征和类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合，训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，训练样本集合中的训练样本都设置有对应的目标预测值。接下来，需要构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层。首先从训练样本集合中选取训练样本输入初始神经网络预测模型中，这里的训练样本可以是一张一张进行输入，也可以是一个批次进行同时输入。通过商品季节性判别层提取训练样本的标签特征和商品特征。接下来将标签特征和商品特征输入第一标签残差层进行残差计算，生成训练样本的第一残差，将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征，将第一融合特征输入第一标签残差层，生成训练样本的第二残差，将第二残差和N个经过N级分类的类型标签中第二个类别标签进行通道叠加，生成第二融合特征，将第N-1残差输入第第N标签残差层，生成训练样本的第N残差，通过残差融合层对第一残差至第N残差依次融合，生成目标残差。

终端通过区域通道注意力模块SKConv中不同大小感受野的卷积核对目标残差的不同大小区域分配注意力，并通过分配注意力对目标残差不同特征通道进行筛选，再通过注意力通道池化模块ACD给目标残差的每个通道分配注意力，舍弃注意力排序较后的通道，融合通过通道混洗模块CSA对目标残差进行通道混洗，保留注意力高的通道，舍弃注意力低于预设值的通道，使得网络模型能够更加关注于有用的通道，对有用的通道进行学习。

将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值。根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据。判断损失值变化数据在预设区间内的损失值是否收敛于0。若损失值变化数据在预设区间内的损失值收敛于0，则确定初始神经网络预测模型为目标商品季节性预测模型。

若损失值变化数据在预设区间内的损失值不收敛于0，则判断训练样本的训练次数是否达标。若训练样本的训练次数达标，根据小批梯度下降法更新初始神经网络预测模型的权重，从训练样本集合中重新选取训练样本输入初始神经网络预测模型中训练。若训练样本的训练次数未达标，则根据小批梯度下降法更新初始神经网络预测模型的权重，并将训练样本重新输入初始神经网络预测模型中训练。并且根据损失值通过小批梯度下降法更新训练样本生成器的权值，并通过训练样本生成器更新训练样本集中的训练样本。

本发明通过卷积神经网络模型作为初始神经网络预测模型的基础架构，学习训练样本的特征，并且训练样本中存在对应的分类标签和季节性标签，使得网络模型可以在识别商品的同时，对季节性标签和分类标签进行分析，得到对应商品属于某一季节性某一商品的概率值，无需通过人为因素确定与新商品相似的旧商品，通过目标商品季节性预测模型即可识别新商品与原商品的相似度，并且给出对应的季节判别概率数据，提高了对新商品进行季节性预测的准确性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种电子商务网站商品季节性预测模型创建方法，其特征在于，包括：

获取训练样本集合，所述训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，所述训练样本集合中的训练样本都设置有对应的目标预测值；

构建初始神经网络预测模型，所述初始神经网络预测模型包括商品季节性判别层和softmax函数层，所述商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；

从所述训练样本集合中选取训练样本输入所述初始神经网络预测模型中；

通过所述商品季节性判别层提取所述训练样本的标签特征和商品特征；

将所述标签特征和所述商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；

将所述目标残差输入softmax函数层进行分析得到季节判别概率数据，所述季节判别概率数据包含至少四个季度的季节判别概率值；

根据所述季节判别概率数据、目标预测值和所述初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，所述损失值变化数据为每一次训练生成的损失值的统计数据；

判断所述损失值变化数据在预设区间内的损失值是否收敛于0；

若所述损失值变化数据在预设区间内的损失值收敛于0，则确定所述初始神经网络预测模型为目标商品季节性预测模型。

2.根据权利要求1所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述获取训练样本集合，包括：

获取训练样本生成器和商品图像集合，所述商品图像集合包含至少两张不同商品的图像；

获取所述商品图像集合对应商品的历史销售数据和商品分类类型数据；

根据所述历史销售数据生成商品季节标签；

根据所述商品分类类型数据为所述商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数；

将所述商品图像集合和其对应的所述商品季节标签和N个经过N级分类的类型标签输入所述训练样本生成器，生成训练样本集合，所述训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，所述训练样本集合中的训练样本都设置有对应的目标预测值。

3.根据权利要求2所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述将所述商品图像集合和其对应的所述商品季节标签和N个经过N级分类的类型标签输入所述训练样本生成器，生成训练样本集合，包括：

对所述商品图像集合进行卷积操作，生成采样特征集合；

对所述商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签；

根据所述训练样本生成器的权值将所述采样特征集合、所述季节标签特征和所述类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合。

4.根据权利要求1至3所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述将所述标签特征和所述商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差，包括：

将所述标签特征和商品特征输入第一标签残差层进行残差计算，生成所述训练样本的第一残差；

将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征；

将所述第一融合特征输入第一标签残差层，生成所述训练样本的第二残差；

将第二残差和N个经过N级分类的类型标签中第二个类别标签进行通道叠加，生成第二融合特征；

将所述第N-1残差输入第第N标签残差层，生成所述训练样本的第N残差；

通过所述残差融合层对所述第一残差至所述第N残差依次融合，生成目标残差。

5.根据权利要求1所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述初始神经网络预测模型还包括区域通道注意力模块SKConv；

在所述将所述标签特征和所述商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差之后，所述将所述目标残差输入softmax函数层进行分析得到季节判别概率数据，所述季节判别概率数据包含至少四个季度的季节判别概率值之前，所述电子商务网站商品季节性预测模型创建方法还包括：

通过区域通道注意力模块SKConv中不同大小感受野的卷积核对所述目标残差的不同大小区域分配注意力，并通过分配注意力对所述目标残差不同特征通道进行筛选。

6.根据权利要求5所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述初始神经网络预测模型还包括注意力通道池化模块ACD；

在所述通过区域通道注意力模块SKConv中不同大小感受野的卷积核对所述目标残差的不同大小区域分配注意力，并通过分配注意力对所述目标残差不同特征通道进行筛选转换后，所述电子商务网站商品季节性预测模型创建方法还包括：

通过注意力通道池化模块ACD给所述目标残差的每个通道分配注意力，舍弃注意力排序较后的通道。

7.根据权利要求6所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述初始神经网络预测模型还包括通道混洗模块CSA；

通过所述通道混洗模块CSA对所述目标残差进行通道混洗。

8.根据权利要求3所述的电子商务网站商品季节性预测模型创建方法，其特征在于，在所述判断所述损失值变化数据在预设区间内的损失值是否收敛于0之后，所述电子商务网站商品季节性预测模型创建方法还包括：

若所述损失值变化数据在预设区间内的损失值不收敛于0，则判断所述训练样本的训练次数是否达标；

若所述训练样本的训练次数达标，根据小批梯度下降法更新所述初始神经网络预测模型的权重，从所述训练样本集合中重新选取训练样本输入所述所述初始神经网络预测模型中训练。

9.根据权利要求8中所述的电子商务网站商品季节性预测模型创建方法，其特征在于，在判断所述训练样本的训练次数是否达标之后，所述电子商务网站商品季节性预测模型创建方法还包括：

若所述训练样本的训练次数未达标，则根据小批梯度下降法更新所述初始神经网络预测模型的权重，并将所述训练样本重新输入所述初始神经网络预测模型中训练。

10.根据权利要求8中所述的电子商务网站商品季节性预测模型创建方法，其特征在于，在所述判断所述训练样本的训练次数是否达标之后，所述电子商务网站商品季节性预测模型创建方法还包括：

根据损失值通过小批梯度下降法更新训练样本生成器的权值，并通过训练样本生成器更新训练样本集中的训练样本。

Images