TW202133004A - 用於偵測產品品名中的不準確的電腦實行系統以及方法 - Google Patents
用於偵測產品品名中的不準確的電腦實行系統以及方法 Download PDFInfo
- Publication number
- TW202133004A TW202133004A TW109146659A TW109146659A TW202133004A TW 202133004 A TW202133004 A TW 202133004A TW 109146659 A TW109146659 A TW 109146659A TW 109146659 A TW109146659 A TW 109146659A TW 202133004 A TW202133004 A TW 202133004A
- Authority
- TW
- Taiwan
- Prior art keywords
- product
- product name
- character
- name associated
- inaccuracy
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000012384 transportation and delivery Methods 0.000 description 35
- 238000012549 training Methods 0.000 description 28
- 238000001514 detection method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000013068 supply chain management Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012856 packing Methods 0.000 description 4
- 229920001690 polydopamine Polymers 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- -1 lids Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Machine Translation (AREA)
Abstract
本發明提供偵測產品品名中的不準確的系統以及方法,包括:藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個產品類型;使用機器學習演算法基於品名來預測與產品相關聯的至少一個產品類型;基於識別或預測中的至少一者來偵測品名中的不準確;以及將指示品名包括不準確的訊息輸出至遠端裝置。運行字串演算法可包括:接收字串集合;基於接收到的字串集合來產生線索;接收品名;以及使用品名遍歷所產生線索以找到匹配。使用機器學習演算法可包括:識別品名中的字;學習每一字的每一字元n元語法的向量表示;以及對每一字元n元語法求和。
Description
本揭露大體上是關於用於偵測產品品名中的不準確的電腦化系統以及方法。特定言之,本揭露的實施例是關於發明性及非習知系統,所述系統關於藉由對產品品名運行字串演算法及/或使用機器學習演算法以基於產品品名預測與產品相關聯的產品類型來偵測產品品名中的不準確。
客戶常常經由電腦及智慧型裝置線上採購及購買各種物件。此等線上採購者常常依賴於在產品類別中搜尋來找到要購買的產品。然而,普通線上採購體驗受不正確或不準確的產品品名阻礙。
每天數百萬產品由賣方線上註冊。賣方要求提供關於其產品的資訊,所述諮詢包括每一產品的品名。然而,許多時候,許多賣方在產品品名中包括不相關的字或其他不準確的資訊,其並不有助於描述實際產品。舉例來說,在用於出售產品的第三方平台中,出於各種原因許多賣方為產品列表輸入卷積、混亂、詐騙性的或任意的品名。在一個例子中,賣方可在產品品名中輸入不相關的字歸因於試圖創建各種搜尋標籤。舉例而言,若產品包括可拋棄式杯子,則賣方可指派產品品名,諸如「可拋棄式杯子、盤、箱、吸管、蓋子、液體、水」,從而希望使用者搜尋吸管時將在其搜尋結果中看見可拋棄式杯子。在另一例子中,賣方可有意輸入品名使得產品將不在搜尋結果中顯現。因此,賣方可試圖草案不準確的產品品名使得賣方的非流行產品將比相同種類的流行產品失去更多優先權。
不準確的產品品名可能因延長消費者的產品搜尋且因降低線上平台的推薦品質而嚴重降低客戶的使用者體驗。此外,手動地監視、篩選、排異或校正產品品名常常是困難且耗時的。若線上平台自動地偵測不準確的產品品名且將不準確告知賣方,則客戶的使用者體驗將顯著地改良。
因此,需要用於偵測產品品名中的不準確的經改進方法及系統,使得客戶可在線上採購時快速找到及購買產品。
本揭露的一個態樣針對一種用於偵測產品品名中的不準確的電腦實行系統。系統可包括:至少一個處理器;以及至少一個非暫時性儲存媒體,包括在由至少一個處理器執行時使得至少一個處理器進行步驟的指令。步驟可包括:藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個產品類型;使用機器學習演算法基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型;基於識別或預測中的至少一者來偵測與產品相關聯的品名中的不準確;以及將指示與產品相關聯的品名包括不準確的訊息輸出至遠端裝置。
在一些實施例中,對與產品相關聯的品名運行字串演算法可更包括:接收字串集合;基於接收到的字串集合來產生線索,所述線索包括字串集合的第一字母的第一級節點及除字串集合的第一字母以外的n個字母的n級節點;接收與產品相關聯的品名;以及使用品名遍歷所產生線索以找到匹配。在其他實施例中,使用機器學習演算法可更包括:接收與產品相關聯的品名;識別品名中的一或多個字,其中每一字由字元n元語法表示;學習每一字的每一字元n元語法的向量表示;以及對每一字的每一字元n元語法求和以判定整體字嵌入。
在一些實施例中,至少一個處理器可進一步經組態以執行指令以判定與產品相關聯的產品類型的數目,以及當與產品相關聯的產品類型的數目超出預定臨限值時,判定與產品相關聯的品名包括不準確。在其他實施例中,至少一個處理器可進一步經組態以執行指令以在產品與兩個或大於兩個不相關產品相關聯時,判定與產品相關聯的品名包括不準確。在又一實施例中,至少一個處理器可進一步經組態以執行指令以使用機器學習演算法基於產品的影像來預測與產品相關聯的至少一個產品類型。在一些實施例中,至少一個處理器可進一步經組態以執行指令以在基於產品的影像的經預測產品類型不同於基於與產品相關聯的品名的經預測產品類型時,判定與產品相關聯的品名包括不準確。
在其他實施例中,至少一個處理器可進一步經組態以執行指令以藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個品牌,以及當兩個或大於兩個品牌與產品相關聯時,判定與產品相關聯的品名包括不準確。在一些實施例中,使用機器學習演算法基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型可更包括將至少一個產品類型嵌入至向量以及判定向量與預定向量之間的距離。在一些實施例中,預定向量可能與實際產品類型相關聯,所述實際產品類型與產品相關聯。
本揭露的另一態樣針對一種用於偵測產品品名中的不準確的方法。方法可包括:藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個產品類型;使用機器學習演算法基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型;基於識別或預測中的至少一者來偵測與產品相關聯的品名中的不準確;以及將指示與產品相關聯的品名包括不準確的訊息輸出至遠端裝置。
在一些實施例中,對與產品相關聯的品名運行字串演算法可更包括:接收字串集合;基於接收到的字串集合來產生線索,所述線索包括字串集合的第一字母的第一級節點及除字串集合的第一字母以外的n個字母的n級節點;接收與產品相關聯的品名;以及使用品名遍歷所產生線索以找到匹配。在其他實施例中,使用機器學習演算法可更包括:接收與產品相關聯的品名;識別品名中的一或多個字,其中每一字由字元n元語法表示;學習每一字的每一字元n元語法的向量表示;以及對每一字的每一字元n元語法求和以判定整體字嵌入。
在一些實施例中,至少一個處理器可進一步經組態以執行指令以判定與產品相關聯的產品類型的數目,以及當與產品相關聯的產品類型的數目超出預定臨限值時,判定與產品相關聯的品名包括不準確。在其他實施例中,至少一個處理器可進一步經組態以執行指令以在產品與兩個或大於兩個不相關產品相關聯時,判定與產品相關聯的品名包括不準確。在又一實施例中,至少一個處理器可進一步經組態以執行指令以使用機器學習演算法基於產品的影像來預測與產品相關聯的至少一個產品類型。在一些實施例中,至少一個處理器可進一步經組態以執行指令,以在基於產品的影像的經預測產品類型不同於基於與產品相關聯的品名的經預測產品類型時,判定與產品相關聯的品名包括不準確。
在其他實施例中,至少一個處理器可進一步經組態以執行指令以藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個品牌,以及當兩個或大於兩個品牌與產品相關聯時,判定與產品相關聯的品名包括不準確。在一些實施例中,使用機器學習演算法基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型可更包括,將至少一個產品類型嵌入至向量以及判定向量與預定向量之間的距離,所述預定向量與產品的實際產品類型相關聯。
本揭露的另一態樣針對一種用於偵測產品品名中的不準確的電腦實行系統。系統可包括:至少一個處理器;以及至少一個非暫時性儲存媒體,包括在由至少一個處理器執行時使得至少一個處理器進行步驟的指令。步驟可包括:藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個產品類型;使用機器學習演算法基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型;基於識別或預測中的至少一者來偵測與產品相關聯的品名中的不準確;以及將指示與產品相關聯的品名包括不準確的訊息輸出至遠端裝置。對品名運行字串演算法可包括:接收字串集合;基於接收到的字串集合來產生線索,所述線索包括字串集合的第一字母的第一級節點及除字串集合的第一字母以外的n個字母的n級節點;接收與產品相關聯的品名;以及使用品名遍歷所產生線索以找到匹配。另外,使用機器學習演算法可包括:接收與產品相關聯的品名;識別品名中的一或多個字,其中每一字由字元n元語法表示;學習每一字的每一字元n元語法的向量表示;以及對每一字的每一字元n元語法求和以判定整體字嵌入。
本文亦論述其他系統、方法以及電腦可讀媒體。
以下詳細描述參考隨附圖式。只要可能,即在圖式及以下描述中使用相同附圖標號來指代相同或類似部分。儘管本文中描述若干示出性實施例,但修改、調適以及其他實施方案是可能的。舉例而言,可對圖式中所示出的組件及步驟做出替代、添加或修改,且可藉由替代、重新排序、移除步驟或將步驟添加至所揭露的方法來修改本文中所描述的示出性方法。因此,以下詳細描述不限於所揭露實施例及實例。實情為,本發明的正確範圍由隨附申請專利範圍界定。
本揭露的實施例針對經組態以用於偵測產品品名中的不準確的系統以及方法。所揭露實施例能夠有利地使用字串演算法及/或機器學習演算法以基於與產品相關聯的品名識別及/或預測與產品相關聯的至少一個產品類型。
在一個實施方案中,預處理系統可預處理自訓練資料系統接收到的初始訓練資料以產生合成訓練資料。舉例而言,可使用方法的任何組合來預處理基於文字的初始訓練資料,包括停止字消除、關鍵字符記化、關鍵字的去重以及初始訓練資料的擴增,且可使用影像擴增技術(例如,PyTorch)來預處理基於影像的初始訓練資料。階層式模型訓練器系統可接收由預處理系統產生的基於文字的合成訓練資料,且影像模型訓練器系統可接收由預處理系統產生的基於影像的合成訓練資料。階層式模型訓練器系統及影像模型訓練器可使用接收到的用於將產品分類的合成資料分別產生及訓練至少一個階層式模型及至少一個影像模型。
在一些實施例中,產品類別預測器可接收與第一未分類產品相關聯的資訊。舉例而言,當試圖註冊產品時,可提示賣方輸入包括產品名稱、屬性值、製造商、品牌以及型號的序連文字串。產品類別預測器可接收預測具有最高總機率得分的數個類別的請求。產品類別預測器可使用階層式模型藉由遞回地計算潛在類別及子類別的機率得分來預測第一未分類產品的最相關類別。產品類別預測器可隨後將未分類產品分選至具有最高總機率得分的類別中的一或多者中。
參考圖1A,繪示示出包括用於實現運送、運輸以及物流操作的通信的電腦化系統的系統的例示性實施例的示意性方塊圖100。如圖1A中所示出,系統100可包括各種系統,所述系統中的每一者可經由一或多個網路彼此連接。系統亦可經由直接連接(例如,使用電纜)彼此連接。所描繪系統包括運送授權技術(shipment authority technology;SAT)系統101、外部前端系統103、內部前端系統105、運輸系統107、行動裝置107A、行動裝置107B以及行動裝置107C、賣方入口網站109、運送及訂單追蹤(shipment and order tracking;SOT)系統111、履行最佳化(fulfillment optimization;FO)系統113、履行通信報閘道(fulfillment messaging gateway;FMG)115、供應鏈管理(supply chain management;SCM)系統117、倉庫管理系統119、行動裝置119A、行動裝置119B以及行動裝置119C(描繪為位於履行中心(fulfillment center;FC)200的內部)、第3方履行系統121A、第3方履行系統121B以及第3方履行系統121C、履行中心授權系統(fulfillment center authorization;FC Auth)123以及勞動管理系統(labor management system;LMS)125。
在一些實施例中,SAT系統101可實行為監視訂單狀態及遞送狀態的電腦系統。舉例而言,SAT系統101可判定訂單是否超過其承諾遞送日期(Promised Delivery Date;PDD),且可採取適當的動作,包括發起新訂單、對非遞送訂單中的物件進行重新運送、取消非遞送訂單、發起與訂購客戶的連絡,或類似者。SAT系統101亦可監視其他資料,包括輸出(諸如在特定時間段期間運送的包裹的數目)及輸入(諸如接收到的用於運送的空紙板盒的數目)。SAT系統101亦可充當系統100中的不同裝置之間的閘道,從而(例如,使用儲存及轉送或其他技術)實現諸如外部前端系統103及FO系統113的裝置之間的通信。
在一些實施例中,外部前端系統103可實行為使得外部使用者能夠與系統100中的一或多個系統交互的電腦系統。舉例而言,在系統100使得系統的呈現能夠允許使用者針對物件下訂單的實施例中,外部前端系統103可實行為接收搜尋請求、呈現物件頁以及索求支付資訊的網頁伺服器。舉例而言,外部前端系統103可實行為電腦或電腦運行軟體,諸如阿帕奇(Apache)HTTP伺服器、微軟網際網路資訊服務(Internet Information Service;IIS)、NGINX或類似者。在其他實施例中,外部前端系統103可運行經設計以接收及處理來自外部裝置(例如,行動裝置102A或電腦102B)的請求、基於彼等請求自資料庫及其他資料儲存庫獲取資訊,以及基於所獲取的資訊來將回應提供至接收到的請求的定製網頁伺服器軟體。
在一些實施例中,外部前端系統103可包括網頁快取系統、資料庫、搜尋系統或支付系統中的一或多者。在一個態樣中,外部前端系統103可包括此等系統中的一或多者,而在另一態樣中,外部前端系統103可包括連接至此等系統中的一或多者的介面(例如,伺服器至伺服器、資料庫至資料庫,或其他網路連接)。
藉由圖1B、圖1C、圖1D以及圖1E所示出的例示性步驟集合將有助於描述外部前端系統103的一些操作。外部前端系統103可自系統100中的系統或裝置接收資訊以供呈現及/或顯示。舉例而言,外部前端系統103可代管或提供一或多個網頁,包括搜尋結果頁(SRP)(例如,圖1B)、單一詳情頁(Single Detail Page;SDP)(例如,圖1C)、購物車頁(例如,圖1D),或訂單頁(例如,圖1E)。(例如,使用行動裝置102A或電腦102B的)使用者裝置可導航至外部前端系統103且藉由將資訊輸入至搜尋方塊中來請求搜尋。外部前端系統103可請求來自系統100中的一或多個系統的資訊。舉例而言,外部前端系統103可請求來自FO系統113的滿足搜尋請求的資訊。外部前端系統103亦可(自FO系統113)請求及接收包括於搜尋結果中的每一產品的承諾遞送日期或「PDD」。在一些實施例中,PDD可表示在特定時間段內(例如,在一天結束(下午11:59)前)訂購的情況下對含有產品的包裹將何時到達使用者的所要位置或承諾將產品遞送至使用者的所要位置處的日期的估計。(PDD在下文相對於FO系統113進一步論述)。
外部前端系統103可基於資訊來準備SRP(例如,圖1B)。SRP可包括滿足搜尋請求的資訊。舉例而言,此可包括滿足搜尋請求的產品的圖像。SRP亦可包括每一產品的各別價格,或與每一產品的增強遞送選項、PDD、重量、大小、報價、折扣或類似者相關的資訊。外部前端系統103可(例如,經由網路)將SRP發送至請求使用者裝置。
使用者裝置可接著例如藉由點選或輕觸使用者介面或使用另一輸入裝置自SRP選擇產品,以選擇表示於SRP上的產品。使用者裝置可製訂對關於所選產品的資訊的請求且將其發送至外部前端系統103。作為回應,外部前端系統103可請求與所選產品相關的資訊。舉例而言,資訊可包括除針對各別SRP上的產品呈現的資訊以外的額外資訊。此可包括例如保存期限、原產國、重量、大小、包裹中的物件的數目、處置說明,或關於產品的其他資訊。資訊亦可包括類似產品的推薦(基於例如大資料及/或對購買此產品及至少一個其他產品的客戶的機器學習分析)、頻繁詢問的問題的答案、來自顧客的評論、製造商資訊、圖像或類似者。
外部前端系統103可基於接收到的產品資訊來準備單一詳情頁(SDP)(例如,圖1C)。SDP亦可包括其他交互式元素,諸如「現在購買」按鈕、「添加至購物車」按鈕、數量欄、物件的圖像或類似者。SDP可更包括供應產品的賣方的列表。可基於每一賣方提供的價格來對列表進行排序,使得可在頂部處列出提供以最低價格出售產品的賣方。亦可基於賣方排名來對列表進行排序,以使得可將最高排名的賣方列在頂部處。可基於多個因素來製訂賣方排名,所述因素包括例如賣方的過去符合承諾的PDD的追蹤記錄。外部前端系統103可(例如,經由網路)將SDP傳送至請求使用者裝置。
請求使用者裝置可接收列出產品資訊的SDP。在接收到SDP後,使用者裝置可接著與SDP交互。舉例而言,請求使用者裝置的使用者可點選或以其他方式與SDP上的「放在購物車中」按鈕交互。此將產品添加至與使用者相關聯的購物車。使用者裝置可將把產品添加至購物車的此請求傳輸至外部前端系統103。
外部前端系統103可生成購物車頁(例如,圖1D)。在一些實施例中,購物車頁列出使用者已添加至虛擬「購物車」的產品。使用者裝置可藉由在SRP、SDP或其他頁上的圖標上點選或以其他方式與所述圖標交互來請求購物車頁。在一些實施例中,購物車頁可列出使用者已添加至購物車的所有產品,以及關於購物車中的產品的資訊(諸如每一產品的數量、每一產品每物件的價格、每一產品基於相關聯數量的價格)、關於PDD、遞送方法、運送成本的資訊、用於修改購物車中的產品(例如,刪除或修改數量)的使用者介面元素、用於訂購其他產品或設置產品的定期遞送的選項、用於設置利息支付的選項、用於前進至購買的使用者介面元素,或類似者。使用者裝置處的使用者可在使用者介面元素(例如,寫著「現在購買」的按鈕)上點選或以其他方式與所述使用者介面元素互動,以發起對購物車中的產品的購買。在如此做後,使用者裝置可將發起購買的此請求傳輸至外部前端系統103。
外部前端系統103可回應於接收發起購買的請求而生成訂單頁面(例如,圖1E)。在一些實施例中,訂單頁重新列出來自購物車的物件且請求支付及運送資訊的輸入。舉例而言,訂單頁可包括請求關於購物車中的物件的購買者的資訊(例如,姓名、地址、電子郵件地址、電話號碼)、關於接收者的資訊(例如,姓名、地址、電話號碼、遞送資訊)、運送資訊(例如,遞送及/或揀貨的速度/方法)、支付資訊(例如,***、銀行轉賬、支票、儲存的積分)的部分,請求現金收據(例如,出於稅務目的)的使用者介面元素,或類似者。外部前端系統103可將訂單頁面發送至使用者裝置。
使用者裝置可在訂單頁上輸入資訊,且點選或以其他方式與將資訊發送至外部前端系統103的使用者介面元素交互。自此處,外部前端系統103可將資訊發送至系統100中的不同系統,以使得能夠創建及處理具有購物車中的產品的新訂單。
在一些實施例中,外部前端系統103可進一步經組態以使得賣方能夠傳輸及接收與訂單相關的資訊。
在一些實施例中,內部前端系統105可實行為使得內部使用者(例如,擁有、操作或租用系統100的組織的雇員)能夠與系統100中的一或多個系統交互的電腦系統。舉例而言,在系統100使得系統的呈現能夠允許使用者針對物件下訂單的實施例中,內部前端系統105可實行為使得內部使用者能夠查看關於訂單的診斷及統計資訊、修改物件資訊或審查與訂單相關的統計的網頁伺服器。舉例而言,內部前端系統105可實行為電腦或電腦運行軟體,諸如阿帕奇HTTP伺服器、微軟網際網路資訊服務(IIS)、NGINX或類似者。在其他實施例中,內部前端系統105可運行經設計以接收及處理來自系統100(以及未描繪的其他裝置)中所描繪的系統或裝置的請求、基於彼等請求自資料庫及其他資料儲存庫獲取資訊,以及基於所獲取的資訊來將回應提供至接收到的請求的定製網頁伺服器軟體。
在一些實施例中,內部前端系統105可包括網頁快取系統、資料庫、搜尋系統、支付系統、分析系統、訂單監視系統或類似者中的一或多者。在一個態樣中,內部前端系統105可包括此等系統中的一或多者,而在另一態樣中,內部前端系統105可包括連接至此等系統中的一或多者的介面(例如,伺服器至伺服器、資料庫至資料庫,或其他網路連接)。
在一些實施例中,運輸系統107可實行為實現系統100中的系統或裝置與行動裝置107A至行動裝置107C之間的通信的電腦系統。在一些實施例中,運輸系統107可自一或多個行動裝置107A至行動裝置107C(例如,行動電話、智慧型電話、PDA,或類似者)接收資訊。舉例而言,在一些實施例中,行動裝置107A至行動裝置107C可包括由遞送工作者操作的裝置。遞送工作者(其可為永久雇員、暫時雇員或輪班雇員)可利用行動裝置107A至行動裝置107C來實現對含有由使用者訂購的產品的包裹的遞送。舉例而言,為遞送包裹,遞送工作者可在行動裝置上接收指示遞送哪個包裹及將所述包裹遞送至何處的通知。在到達遞送位置後,遞送工作者可(例如,在卡車的後部中或在包裹的條板箱中)定位包裹、使用行動裝置掃描或以其他方式擷取與包裹上的識別符(例如,條碼、影像、文字串、RFID標籤,或類似者)相關聯的資料,且遞送包裹(例如,藉由將其留在前門處、將其留給警衛、將其交給接收者,或類似者)。在一些實施例中,遞送工作者可使用行動裝置擷取包裹的相片及/或可獲得簽名。行動裝置可將資訊發送至運輸系統107,所述資訊包括關於遞送的資訊,包括例如時間、日期、GPS地點、相片、與遞送工作者相關聯的識別符、與行動裝置相關聯的識別符,或類似者。運輸系統107可在資料庫(未描繪)中儲存此資訊以用於藉由系統100中的其他系統訪問。在一些實施例中,運輸系統107可使用此資訊來準備追蹤資料且將所述追蹤資料發送至其他系統,從而指示特定包裹的位置。
在一些實施例中,某些使用者可使用一個種類的行動裝置(例如,永久工作者可使用具有定製硬體(諸如條碼掃描器、尖筆以及其他裝置)的專用PDA),而其他使用者可使用其他類型的行動裝置(例如,暫時工作者或輪班工作者可利用現成的行動電話及/或智慧型電話)。
在一些實施例中,運輸系統107可將使用者與每一裝置相關聯。舉例而言,運輸系統107可儲存使用者(由例如使用者識別符、雇員識別符或電話號碼表示)與行動裝置(由例如國際行動設備身分(International Mobile Equipment Identity;IMEI)、國際行動訂用識別符(International Mobile Subscription Identifier;IMSI)、電話號碼、通用唯一識別符(Universal Unique Identifier;UUID)或全球唯一識別符(Globally Unique Identifier;GUID)表示)之間的關聯。運輸系統107可結合在遞送時接收到的資料使用此關聯以分析儲存於資料庫中的資料,以便尤其判定工作者的位置、工作者的效率或工作者的速度。
在一些實施例中,賣方入口網站109可實行為使得賣方或其他外部實體能夠與系統100中的一或多個系統電子通信的電腦系統。舉例而言,賣方可利用電腦系統(未描繪)來上載或提供賣方希望經由使用賣方入口網站109的系統100來出售的產品的產品資訊、訂單資訊、連絡資訊或類似者。
在一些實施例中,運送及訂單追蹤系統111可實行為接收、儲存以及轉送關於含有由客戶(例如,由使用裝置102A至裝置102B的使用者)訂購的產品的包裹的位置的資訊的電腦系統。在一些實施例中,運送及訂單追蹤系統111可請求或儲存來自由遞送含有由客戶訂購的產品的包裹的運送公司操作的網頁伺服器(未描繪)的資訊。
在一些實施例中,運送及訂單追蹤系統111可請求及儲存來自系統100中所描繪的系統的資訊。舉例而言,運送及訂單追蹤系統111可請求來自運輸系統107的資訊。如上文所論述,運輸系統107可自與使用者(例如,遞送工作者)或車輛(例如,遞送卡車)中的一或多者相關聯的一或多個行動裝置107A至行動裝置107C(例如,行動電話、智慧型手機、PDA或類似者)接收資訊。在一些實施例中,運送及訂單追蹤系統111亦可請求來自倉庫管理系統(warehouse management system;WMS)119的資訊以判定個別產品在履行中心(例如,履行中心200)內部的位置。運送及訂單追蹤系統111可向運輸系統107或WMS 119中的一或多者請求資料,在請求後處理所述資料,且將所述資料呈現給裝置(例如,使用者裝置102A及使用者裝置102B)。
在一些實施例中,履行最佳化(FO)系統113可實行為儲存來自其他系統(例如,外部前端系統103及/或運送及訂單追蹤系統111)的客戶訂單的資訊的電腦系統。FO系統113亦可儲存描述特定物件保存或儲存於何處的資訊。舉例而言,某些物件可能僅儲存於一個履行中心中,而某些其他物件可能儲存於多個履行中心中。在再其他實施例中,某些履行中心可經設計以僅儲存特定物件集合(例如,新鮮農產品或冷凍產品)。FO系統113儲存此資訊以及相關聯資訊(例如,數量、大小、接收日期、過期日期等)。
FO系統113亦可計算每一產品的對應承諾遞送日期(PDD)。在一些實施例中,PDD可基於一或多個因素。舉例而言,FO系統113可基於以下來計算產品的PDD:對產品的過去需求(例如,在一段時間期間訂購了多少次所述產品)、對產品的預期需求(例如,預測在即將到來的一段時間期間多少顧客將訂購所述產品)、指示在一段時間期間訂購了多少產品的全網路過去需求、指示預期在即將到來的一段時間期間將訂購多少產品的全網路預期需求、儲存於每一履行中心200中的產品的一或多個計數、哪一履行中心儲存每一產品、產品的預期或當前訂單或類似者。
在一些實施例中,FO系統113可定期(例如,每小時)判定每一產品的PDD且將其儲存於資料庫中以用於檢索或發送至其他系統(例如,外部前端系統103、SAT系統101、運送及訂單追蹤系統111)。在其他實施例中,FO系統113可自一或多個系統(例如,外部前端系統103、SAT系統101、運送及訂單追蹤系統111)接收電子請求且按需求計算PDD。
在一些實施例中,履行通信報閘道(FMG)115可實行為自系統100中的一或多個系統(諸如FO系統113)接收呈一種格式或協定的請求或回應、將其轉化為另一格式或協定且將其轉換後的格式或西誒的那個轉送至其他系統(諸如WMS 119或第三方履行系統121A、第三方履行系統121B或第三方履行系統121C)且反之亦然的電腦系統。
在一些實施例中,供應鏈管理(SCM)系統117可實行為進行預測功能的電腦系統。舉例而言,SCM系統117可基於例如基於下述者來預測對特定產品的需求水平:對產品的過去需求、對產品的預期需求、全網路過去需求、全網路預期需求、儲存於每一履行中心200中的計數產品、每一產品的預期或當前訂單或類似者。回應於此預測水平及所有履行中心中的每一產品的量,SCM系統117可產生一或多個購買訂單以購買及儲備足夠數量,以滿足對特定產品的預測需求。
在一些實施例中,倉庫管理系統(WMS)119可實行為監視工作流程的電腦系統。舉例而言,WMS 119可自個別裝置(例如,裝置107A至裝置107C或裝置119A至裝置119C)接收指示離散事件的事件資料。舉例而言,WMS 119可接收指示使用此等裝置中的一者來掃描包裹的事件資料。如下文相對於履行中心200及圖2所論述,在履行過程期間,可藉由特定階段處的機器(例如,自動式或手持式條碼掃描器、RFID讀取器、高速攝影機、諸如平板電腦119A、行動裝置/PDA 119B、電腦119C的裝置,或類似者)掃描或讀取包裹識別符(例如,條碼或RFID標籤資料)。WMS 119可將指示包裹識別符的掃描或讀取的每一事件以及包裹識別符、時間、日期、位置、使用者識別符或其他資訊儲存於對應資料庫(未描繪)中,且可將此資訊提供至其他系統(例如,運送及訂單追蹤系統111)。
在一些實施例中,WMS 119可儲存使一或多個裝置(例如,裝置107A至裝置107C或裝置119A至裝置119C)與一或多個使用者(所述一或多個使用者與系統100相關聯)相關聯的資訊。舉例而言,在一些情形下,使用者(諸如兼職雇員或全職雇員)可與行動裝置相關聯,此是由於使用者擁有行動裝置(例如,行動裝置為智慧型電話)。在其他情形下,使用者可與行動裝置相關聯,此是由於使用者暫時保管行動裝置(例如,使用者在一天開始時拿到行動裝置,將在一天期間使用所述行動裝置,且將在一天結束時退還所述行動裝置)。
在一些實施例中,WMS 119可維護與系統100相關聯的每一使用者的工作日志。舉例而言,WMS 119可儲存與每一雇員相關聯的資訊,包括任何指定的過程(例如,自卡車卸載、自揀貨區揀取物件、合流牆(rebin wall)工作、包裝物件)、使用者識別符、位置(例如,履行中心200中的樓層或區)、藉由雇員經由系統移動的單位數目(例如,所揀取物件的數目、所包裝物件的數目)、與裝置(例如,裝置119A至裝置119C)相關聯的識別符,或類似者。在一些實施例中,WMS 119可自計時系統接收登記及登出資訊,所述計時系統諸如在裝置119A至裝置119C上操作的計時系統。
在一些實施例中,第3方履行(3rd party fulfillment;3PL)系統121A至第3方履行系統121C表示與物流及產品的第三方提供商相關聯的電腦系統。舉例而言,儘管一些產品儲存於履行中心200中(如下文相對於圖2所論述),但其他產品可儲存於場外、可按需求生產,或可以其他方式不可供用於儲存於履行中心200中。3PL系統121A至3PL系統121C可經組態以(例如,經由FMG 115)自FO系統113接收訂單,且可直接為客戶提供產品及/或服務(例如,遞送或安裝)。在一些實施例中,3PL系統121A至3PL系統121C中的一或多者可為系統100的部分,而在其他實施例中,3PL系統121A至3PL系統121C中的一或多者可在系統100外部(例如,由第三方提供商擁有或操作)。
在一些實施例中,履行中心Auth系統(FC Auth)123可實行為具有各種功能的電腦系統。舉例而言,在一些實施例中,FC Auth 123可充當系統100中的一或多個其他系統的單一簽入(single-sign on;SSO)服務。舉例而言,FC Auth 123可使得使用者能夠經由內部前端系統105登入、判定使用者具有訪問運送及訂單跟蹤系統111處的資源的類似特權,且使得使用者能夠在不需要第二登入過程的情況下取得彼等特權。在其他實施例中,FC Auth 123可使得使用者(例如,雇員)能夠使自身與特定任務相關聯。舉例而言,一些雇員可能不具有電子裝置(諸如裝置119A至裝置119C),且實際上可能在一天的過程期間在履行中心200內自任務至任務以及自區至區移動。FC Auth 123可經組態以使得彼等雇員能夠在一天的不同時間處指示其正進行何任務以及其位於何區。
在一些實施例中,勞動管理系統(LMS)125可實行為儲存雇員(包括全職雇員及兼職雇員)的出勤及超時資訊的電腦系統。舉例而言,LMS 125可自FC Auth 123、WMA 119、裝置119A至裝置119C、運輸系統107及/或裝置107A至裝置107C接收資訊。
圖1A中所描繪的特定組態僅為實例。舉例而言,儘管圖1A描繪連接至FO系統113的FC Auth系統123,但並非所有實施例均要求此特定組態。實際上,在一些實施例中,系統100中的系統可經由一或多個公用或私用網路彼此連接,所述網路包括網際網路、企業內部網路、廣域網路(Wide-Area Network;WAN)、都會區域網路(Metropolitan-Area Network;MAN)、順應IEEE 802.11a/b/g/n標準的無線網路、租用線或類似者。在一些實施例中,系統100中的系統中的一或多者可實行為在資料中心、伺服器群或類似者處實行的一或多個虛擬伺服器。
圖2描繪履行中心200。履行中心200為儲存用於在訂購時運送至客戶的物件的實體位置的實例。可將履行中心(FC)200劃分成多個區,所述區中的每一者描繪於圖2中。在一些實施例中,可認為此等「區」為接收物件、儲存物件、檢索物件以及運送物件的過程的不同階段之間的虛擬劃分。因此,儘管在圖2中描繪「區」,但其他區劃分為可能的,且在一些實施例中可省略、複製或修改圖2中的區。
入站區203表示FC 200的自希望使用來自圖1A的系統100出售產品的賣方接收到物件的區域。舉例而言,賣方可使用卡車201來遞送物件202A及物件202B。物件202A可表示足夠大以佔據其自身運送托板的單一物件,而物件202B可表示在同一托板上堆疊在一起以節省空間的物件集合。
工作者將在入站區203中接收物件,且可使用電腦系統(未圖示)來視情況檢查物件的損壞及正確性。舉例而言,工作者可使用電腦系統來比較物件202A及物件202B的數量與物件的所訂購數量。若數量不匹配,則工作者可拒絕物件202A或物件202B中的一或多者。若數量的確匹配,則工作者可(使用例如台車、手推平車、叉車或手動地)將彼等物件移動至緩衝區205。緩衝區205可為當前(例如由於揀貨區中存在足夠高數量的物件以滿足預測需求而)無需處於揀貨區中的所述物件的暫時儲存區域。在一些實施例中,叉車206操作以圍繞緩衝區205及在入站區203與卸貨區207之間移動物件。若(例如,由於預測需求而)需要揀貨區中的物件202A或物件202B,則叉車可將物件202A或物件202B移動至卸貨區207。
卸貨區207可為FC 200的在將物件移動至揀貨區209之前儲存所述物件的區域。指定給揀貨任務的工作者(「揀貨員」)可靠近揀貨區中的物件202A及物件202B,使用行動裝置(例如,裝置119B)來掃描揀貨區的條碼,且掃描與物件202A及物件202B相關聯的條碼。揀貨員可接著(例如,藉由將物件置放於推車上或攜帶所述物件)將所述物件取至揀貨區209。
揀貨區209可為FC 200的將物件208儲存於儲存單元210上的區域。在一些實施例中,儲存單元210可包括實體擱架、書架、盒、手提包、冰箱、冷凍機、冷儲存區或類似者中的一或多者。在一些實施例中,揀貨區209可組織成多個樓層。在一些實施例中,工作者或機器可以多種方式將物件移動至撿貨區209中,包括例如叉車、電梯、傳送帶、推車、手推平車、台車、自動化機器人或裝置,或手動地移動。舉例而言,揀貨員可在卸貨區207中將物件202A及物件202B置放於手推平車或推車上,且將物件202A及物件202B步移至揀貨區209。
揀貨員可接收將物件置放(或「堆裝」)於揀貨區209中的特定點(諸如儲存單元210上的特定空間)的指令。舉例而言,揀貨員可使用行動裝置(例如,裝置119B)來掃描物件202A。裝置可例如使用指示走道、貨架以及位置的系統來指示揀貨員應將物件202A堆裝於何處。裝置可接著提示揀貨員在將物件202A堆裝於所述位置之前掃描所述位置處的條碼。裝置可(例如,經由無線網路)將資料發送至諸如圖1A中的WMS 119的電腦系統,從而指示物件202A已由使用裝置119B的使用者堆裝於所述位置處。
一旦使用者下訂單,揀貨員即可在裝置119B上接收自儲存單元210檢索一或多個物件208的指令。揀貨員可檢索物件208、掃描物件208上的條碼,且將所述物件208置放於運輸機構214上。儘管將運輸機構214表示為滑動件,但在一些實施例中,運輸機構可實行為傳送帶、電梯、推車、叉車、手推平車、台車、推車或類似者中的一或多者。物件208可接著到達包裝區211。
包裝區211可為FC 200的自揀貨區209接收到物件且將所述物件包裝至盒或包中以用於最終運送至客戶的區域。在包裝區211中,指定給接收物件的工作者(「合流工作者」)將自揀貨區209接收物件208且判定所述物件對應於哪一訂單。舉例而言,合流工作者可使用諸如電腦119C的裝置來掃描物件208上的條碼。電腦119C可在視覺上指示物件208與哪一訂單相關聯。此可包括例如對應於訂單的牆216上的空間或「單元格」。一旦訂單完成(例如,由於單元格含有所述訂單的所有物件),合流工作者即可指示包裝工作者(或「包裝員」)訂單完成。包裝者可自單元格檢索物件且將所述物件置放於盒或包中以用於運送。包裝員可接著例如經由叉車、推車、台車、手推平車、傳送帶、手動地或以其他方式將盒或包發送至樞紐區(hub zone)213。
樞紐區213可為FC 200的自包裝區211接收所有盒或包(「包裹」)的區域。樞紐區213中的工作者及/或機器可檢索包裹218且判定每一包裹預期去至遞送區域的哪一部分,且將包裹投送至適當的營地區(camp zone)215。舉例而言,若遞送區域具有兩個更小子區域,則包裹將去至兩個營地區215中的一者。在一些實施例中,工作者或機器可(例如,使用裝置119A至裝置119C中的一者)掃描包裹以判定其最終目的地。將包裹投送至營地區215可包括例如(例如,基於郵政碼)判定包裹去往的地理區域的一部分,以及判定與地理區域的所述部分相關聯的營地區215。
在一些實施例中,營地區215可包括一或多個建築物、一或多個實體空間或一或多個區域,其中自樞紐區213接收包裹以用於分選至路線及/或子路線中。在一些實施例中,營地區215與FC 200實體地分開,而在其他實施例中,營地區215可形成FC 200的一部分。
營地區215中的工作者及/或機器可例如基於下述者來判定包裹220應與哪一路線及/或子路線相關聯:目的地與現有路線及/或子路線的比較、對每一路線及/或子路線的工作負荷的計算、一天中的時間、運送方法、運送包裹220的成本、與包裹220中的物件相關聯的PDD或類似者。在一些實施例中,工作者或機器可(例如,使用裝置119A至裝置119C中的一者)掃描包裹以判定其最終目的地。一旦將包裹220指定給特定路線及/或子路線,工作者及/或機器就可移動待運送的包裹220。在例示性圖2中,營地區215包括卡車222、汽車226以及遞送工作者224A及遞送工作者224B。在一些實施例中,卡車222可由遞送工作者224A駕駛,其中遞送工作者224A為遞送FC 200的包裹的全職雇員,且卡車222由擁有、租用或操作FC 200的同一公司擁有、租用或操作。在一些實施例中,汽車226可由遞送工作者224B駕駛,其中遞送工作者224B為在視需要基礎上(例如,季節性地)遞送的「靈活」工作者或暫時工作者。汽車226可由遞送工作者224B擁有、租用或操作。
參考圖3,繪示示出用於偵測產品品名中的不準確的系統的例示性實施例的示意性方塊圖。如圖3中所示出,系統300可包括產品品名品質偵測系統301、賣方列表系統303、目錄系統310以及資料庫304,其中的每一者可經由網路302與彼此通信。在一些實施例中,產品品名品質偵測系統301、賣方列表系統303以及目錄系統310可經由直接連接(例如,使用電纜)與彼此通信且與系統300的另一組件通信。在一些其他實施例中,系統300可為圖1A的系統100的一部分,且可經由網路302或經由直接連接(例如,使用電纜)與系統100的另一組件(例如,外部前端系統103或內部前端系統105)通信。產品品名品質偵測系統301、賣方列表系統303及/或目錄系統310可各自包括單一電腦或可各自經組態為包括多個電腦的分散式電腦系統,所述多個電腦交互操作以進行與所揭露實例相關聯的過程及功能中的一或多者。
如圖3中所繪示,產品品名品質偵測系統301可包括處理器305、記憶體306以及資料庫307。賣方列表系統303可包括處理器308及記憶體309。目錄系統310亦可包括處理器(未繪示)及記憶體(未繪示)。處理器305及處理器308可為一或多個已知處理裝置,諸如來自由英特爾TM
(IntelTM
)製造的奔騰TM
(PentiumTM
)系列或由AMDTM
製造的炫龍TM
(TurionTM
)系列的微處理器。處理器305及處理器308可構成單核心處理器或同時執行並行程序的多核心處理器。舉例而言,處理器305及處理器308可使用邏輯處理器來同時執行及控制多個程序。處理器305及處理器308可實行虛擬機技術或其他已知技術以提供執行、控制、運行、操控、儲存等多個軟體程序、應用程式、程式等的能力。在另一實例中,處理器305及處理器308可包括多核心處理器配置,所述多核心處理器配置經組態以提供並行處理功能以允許產品品名品質偵測系統301、賣方列表系統303以及目錄系統310以同時執行多個程序。所屬技術領域中具有通常知識者應瞭解,可實行提供本文中所揭露的能力的其他類型的處理器配置。
記憶體306及記憶體309可儲存在分別由處理器305及處理器308執行時進行已知操作系統功能的一或多個操作系統。藉助於實例,操作系統可包括微軟視窗、Unix、Linux、安卓、Mac OS、iOS或其他類型的操作系統。因此,所揭露發明的實例可用運行任何類型的操作系統的電腦系統操作及運作。儲存器306及儲存器309可為揮發性或非揮發性、磁性、半導體、磁帶、光學、可移除式、非可移除式或其他類型的儲存裝置或有形電腦可讀媒體。
資料庫304及資料庫307可包括例如甲骨文TM
(Oracle™)資料庫、賽貝斯TM
(Sybase™)資料庫或其他關連式資料庫或非關連式資料庫,諸如Hadoop™順序檔案、HBase™或Cassandra™。資料庫304及資料庫307可包括計算組件(例如,資料庫管理系統、資料庫伺服器等),所述計算組件經組態以接收及處理對儲存於資料庫的記憶體裝置中的資料的請求及自資料庫提供資料。資料庫304及資料庫307可包括NoSQL資料庫諸如HBase、MongoDB™或Cassandra™。替代地,資料庫304及資料庫307可包括諸如甲骨文、MySQL以及微軟SQL伺服器的關連式資料庫。在一些實施例中,資料庫304及資料庫307可呈伺服器、通用電腦、大型主機電腦或此等組件的任何組合的形式。
資料庫304及資料庫307可儲存資料,所述資料可分別由處理器305及處理器308用於進行與所揭露實例相關聯的方法及過程。如圖3中所繪示,資料庫307可定位於產品品名品質偵測系統301中。在一些實施例中,資料庫304可定位於賣方列表系統303及/或目錄系統310中。在一些實施例中,系統300可包括資料庫304或資料庫307中的一個或兩個。儲存於產品品名品質偵測系統301中的資料可包括與產品相關聯的任何合適的可用於識別與產品相關聯的品名中的不準確的資料。舉例而言,儲存於產品品名品質偵測系統301中的資料可包括產品類型名稱、產品類型關鍵字、相關或同義產品類型關鍵字、產品名稱、產品影像、產品品牌、產品描述、產品製造商姓名、產品類別資訊、與產品相關聯的搜尋標籤、產品屬性資訊等。在一些實施例中,儲存於資料庫304中的資料可包括合適的與產品相關聯的訓練資料。舉例而言,儲存於資料庫304中的資料亦可包括產品類型名稱、產品類型關鍵字、相關或同義產品類型關鍵字、產品名稱、產品影像、產品品牌、產品描述、產品製造商姓名、產品類別資訊、與產品相關聯的搜尋標籤、產品屬性資訊等。在一些實施例中,此類與產品相關聯的訓練資料可直接儲存於目錄系統310中,而不是儲存於外部資料庫(諸如資料庫304)中。因此,產品品名品質偵測系統301可經由網路302與目錄系統310通信,以使用儲存於目錄系統310中的訓練資料訓練與產品品名品質偵測系統301相關聯的一或多個模型及/或演算法。
目錄系統310可接收包括與產品相關聯的產品類型及與產品相關聯的品名的訓練資料。目錄系統310可使用不同方法的組合來收集訓練資料。訓練資料收集方法可包括人類標記資料、虛擬產品資料、映射指南關鍵字資料或實況產品的選擇。舉例而言,目錄系統310可經由內部前端系統105自內部使用者(例如,擁有、操作或租用系統100的組織的雇員)接收訓練資料。在其他實施例中,目錄系統310可自賣方列表系統303接收訓練資料。舉例而言,目錄系統310可自賣方列表系統303的一或多個處理器308收集訓練資料,諸如與產品相關聯的品名及與產品相關聯的產品類型。
人類標記資料可包括自一或多個使用者手動地輸入的產品資訊。虛擬產品資料可包括使用現有產品品名來自動產生擴增的訓練資料。舉例而言,目錄系統310可使用自現有產品品名獲得的關鍵字自動地產生包括產品類型的至少一個訓練資料點。由於產品類型自現有產品品名檢索,故產生虛擬產品資料可改良待訓練的模型的強健性。
映射指南關鍵字資料可包括使用實況產品來自動地產生擴增的訓練資料。舉例而言,目錄系統310可藉由搜尋資料庫(諸如資料庫304)為映射至至少一個關鍵字的實況產品自動地產生至少一個訓練資料點。若實況產品已映射至產品識別號且在其相關聯產品品名中的一者中含有至少一個關鍵字,則訓練資料系統310認為指定所述實況產品正確及準確產品品名且產生作為實況產品的重複的新的訓練資料點。產生映射指南關鍵字資料可改良待訓練的模型的強健性,此是由於其增加了與待饋送至待訓練的模型中的正確及準確產品品名相關聯的訓練資料的量。
在一些實施例中,產品品名品質偵測系統301的一或多個處理器305可使用來自目錄系統310的訓練資料以產生一或多個模型,以基於與產品相關聯的品名來預測與產品相關聯的產品類型。舉例而言,如下文所論述,一或多個處理器305可產生機器學習模型、影像模型及/或分類模型以基於產品品名來預測與產品相關聯的產品類型。
在一些實施例中,一或多個處理器305可偵測與產品相關聯的品名中的不準確且自動地將訊息發送至賣方列表系統303的一或多個處理器308。訊息可包括拒絕訊息、拒絕碼、警告碼及/或警告訊息,所述訊息指示產品品名包括不準確。訊息亦可指示產品品名需要校正。在一些實施例中,一或多個處理器305可將訊息發送賣方列表系統303的一或多個處理器308且推薦新產品品名以置換不準確的產品品名。
在一些實施例中,一或多個處理器305可基於與使用者的登入會話相關聯的資訊來判定與產品相關聯的產品類型。舉例而言,一或多個處理器305可訪問使用者的登入會話歷史,所述歷史可包括諸如使用者先前已點選或搜尋的產品的資訊。舉例而言,使用者的登入會話歷史可包括在使用者的先前登入會話期間使用者點選的順序產品的列表。一或多個處理器305可判定與順序產品中的每一者相關聯的產品類型且識別一系列產品類型。一或多個處理器305可訪問一或多個使用者的先前登入對話以識別頻繁呈現的產品類型的順序。基於在使用者的登入會話中頻繁呈現的產品類型的已識別順序,一或多個處理器305可判定產品類型的已識別順序中的一或多個產品類型與彼此相關。
系統300亦可包括網路302。網路302可為無線網路、有線網路或無線網路與有線網路的任何組合中的一或多者。舉例而言,網路302可包括光纖網路、被動光學網路、電纜網路、網際網路、衛星網路、無線LAN、全球行動通信系統(「Global System for Mobile Communication;GSM」)、個人通信服務(「Personal Communication Service;PCS」)、個人區域網路(「Personal Area Network;PAN」)、D-AMPS、Wi-Fi、固定無線資料、IEEE 802.11b、IEEE 802.15.1、IEEE 802.11n以及IEEE 802.11g或用於傳輸及接收資料的任何其他有線或無線網路中的一或多者。
另外,網路302可包括但不限於電話線、光纖、IEEE乙太網802.3、廣域網路(「WAN」)、區域網路(「local area network;LAN」),或諸如網際網路的全球網路。網路302亦可支持網際網路、無線通信網路、蜂巢式網路或類似者,或其任何組合。網路302可更包括操作為獨立網路或彼此合作的一個網路或任何數目個上文所提及的例示性類型的網路。網路302可利用與其以通信方式耦接的一或多個網路元件的一或多個協定。網路302可轉換至網路裝置的一或多個協定或自其他協定轉換至網路裝置的一或多個協定。儘管將網路302描繪為單一網路,但應瞭解,根據一或多個實施例,網路302可包括多個互連網路,諸如(例如)網際網路、服務提供商的網路、有線電視網路、公司網路以及家庭網路。
圖4為示出用於偵測產品品名中的不準確的例示性方法400的流程圖。此例示性方法藉助於實例提供。繪示於圖4中的方法400可藉由各種系統的一或多個組合執行或以其他方式進行。如下所描述的方法400可藉由產品品名品質偵測系統301進行,如圖3中所繪示,藉助於實例且在解釋圖4的方法中參考所述系統的各種元件。繪示於圖4中的每一方塊表示例示性方法400中的一或多個過程、方法或次常式。參考圖4,例示性方法400可開始於方塊401處。
在方塊401處,產品品名品質偵測系統301的一或多個處理器305可藉由對與產品相關聯的品名運行字串演算法來識別與產品相關聯的至少一個產品類型。舉例而言,一或多個處理器305可訪問賣方列表系統303及用於任何產品品名不準確的監視系統303。一或多個處理器305可不斷監視賣方列表系統303上或預定時間表(例如每30分鐘一次、每小時一次、每5小時一次、每10小時一次、每24小時一次、每週一次、一週兩次等)上所列的產品。
為了監視賣方列表系統303上所列的產品以識別任何產品品名不準確,一或多個處理器305可對產品品名運行字串演算法。舉例而言,一或多個處理器305可藉由參考儲存於資料庫(諸如資料庫304或資料庫307)中的符記辭典符記化產品品名中的關鍵字,且實行字串演算法,諸如Aho-Corasick演算法,以判定是否將關鍵字拆分成多個關鍵字。舉例而言,可將以某些語言(諸如韓語)書寫的產品品名中的關鍵字儲存為無空格的單一文字串。(流利的說話者應瞭解,可將此文字串拆分成字的各種組合。)一或多個處理器305可實行Aho-Corasick演算法,其為在輸入文字內定位有限字串集合(例如,「辭典」)的元素的辭典匹配演算法。演算法同時匹配所有字串,使得一或多個處理器305可收集產品品名中的實際關鍵字,同時移除未在所儲存辭典中列出的「拆分」字。關鍵字符記化可藉由自訓練資料集移除減慢模型訓練過程的多餘字來提高待訓練的模型的強健性。另外地或可替代地,一或多個處理器305可實行能夠產生及處理線索資料的任何其他字串演算法。
在一些實施例中,對產品品名運行字串演算法(諸如Aho-Corasick演算法)可包括接收產品品名內的字串集合及基於接收到的字串集合來產生線索。線索可包括字串集合的第一字母的第一級節點及除字串集合的第一字母以外的n個字母的n級節點。在接收產品品名之後,一或多個處理器305可使用產品品名遍歷線索以找到匹配。藉由遍歷所產生線索,一或多個處理器305可將產品品名中的字串集合拆分成實際關鍵字及「拆分」字。
在移除「拆分」字及藉由運行字串演算法來識別產品品名中的一或多個實際關鍵字之後,一或多個處理器305可基於自產品品名提取的實際關鍵字來識別與產品相關聯的產品類型。舉例而言,資料庫304或資料庫307可儲存查找表,所述查找表包括產品類型及與每一產品類型相關聯的關鍵字。一或多個處理器305可將自與產品相關聯的品名提取的實際關鍵字與儲存於查找表中關鍵字進行比較且判定與產品相關聯的至少一個產品類型。在一些實施例中,關鍵字可包括與產品相關聯的品牌。舉例而言,藉由運行字串演算法,一或多個處理器305可自產品品名提取一或多個品牌。
在藉由運行字串演算法來識別與產品相關聯的至少一個產品類型之後,方法400可前進至方塊402。在方塊402處,產品品名品質偵測系統301的一或多個處理器305可使用機器學習演算法來預測與產品相關聯的至少一個產品類型。舉例而言,一或多個處理器305可諸如藉由運行上文所提及的字串演算法來識別來自產品品名的關鍵字,且使用函數庫以用於學習字嵌入及文字分類的(諸如快速文字)以將關鍵字變換成向量表示。一或多個處理器305可使用函數庫以學習每一關鍵字的字元n元語法的向量表示。舉例而言,每一關鍵字可由字元元語法表示。每一關鍵字接著可表示為字元n元語法包,且一或多個處理器305可總和每一關鍵字的每一字元元語法以判定整體字嵌入。因此,整體字嵌入可為字元n元語法的總和。
藉助於實例,一或多個處理器305可自動地將n元語法設定至3,在此情況下,字「其中」的向量將由三元語法的總和表示:<wh,whe,her,ere,re>,其中括號<,>為指代字的開頭及末尾的邊界符號。在每一字表示為n元語法的總和之後,潛在文字嵌入衍生作為平均字嵌入,此時可由一或多個處理器305使用文字嵌入以基於與產品相關聯的品名來預測與產品相關聯的至少一個產品類型。此過程可有利於識別罕見關鍵字或未包括於訓練資料集中的關鍵字。
在一些實施例中,在預測與產品相關聯的至少一個產品類型之後,一或多個處理器305可將每一產品類型嵌入至向量。因此,若多個產品類型識別為與產品相關聯,則接著一或多個處理器305可將多個產品類型中的每一者嵌入至向量中。一或多個處理器305接著可判定向量與預定向量之間的距離及/或標準偏差。預定向量可能與實際產品類型相關聯,所述實際產品類型與產品相關聯。在一些實施例中,一或多個處理器305可調適第三隨機近鄰嵌入(Stochastic Neighbor Embedding;SNE)演算法以正規化已嵌入向量之間的距離分佈。
在藉由運行字串演算法識別至少一個產品類型之後及在藉由使用機器學習演算法來預測至少一個產品類型之後,方法400可前進至方塊403。在方塊403處,產品品名品質偵測系統301的一或多個處理器305可基於識別(在方塊401處)或預測(在方塊402處)中的至少一者來偵測與產品相關聯的品名中的不準確。在一些實施例中,一或多個處理器305可基於識別及/或預測來判定與產品相關聯的產品類型的數目。若與產品相關聯的產品類型的數目超出預定臨限值,則一或多個處理器305可判定產品品名包括不準確。舉例而言,若產品與大於3個、4個、5個或10個產品類型相關聯,則一或多個處理器305可判定與產品相關聯的產品品名包括不準確。
在其他實施例中,若產品與兩個或大於兩個不相關產品類型相關聯,則一或多個處理器305可判定產品品名包括不準確。舉例而言,基於使用產品品名的識別及/或預測,若一或多個處理器305判定產品與彼此不相關的產品類型「帽子」及產品類型「鞋子」相關聯,則一或多個處理器305可判定產品品名包括不準確性。
在又一實施例中,如上文所論述,一或多個處理器305可運行字串演算法以自產品品名識別與產品相關聯的至少一個品牌。若一或多個處理器305判定產品品名包括兩個或大於兩個品牌關鍵字,則接著一或多個處理器305可判定產品品名包括不準確性,此是由於產品與兩個或大於兩個品牌相關聯的機率較低。
在一些實施例中,一或多個處理器305可使用機器學習演算法以基於產品的影像來預測與產品相關聯的至少一個產品類型。一或多個處理器305可使用影像模型(諸如Xception模型)以預測與產品的影像相關聯的至少一個產品類型。可自目錄系統310、賣方列表系統303及/或資料庫304檢索產品的影像。當基於產品的影像的經預測產品類型時不同於基於與產品相關聯的品名的經預測產品類型(在方塊402處)時,接著一或多個處理器305可判定與產品相關聯的品名包括不準確。
在一些實施例中,一或多個處理器305可使用藉由對產品品名運行字串演算法所判定的一或多個產品類型訓練影像模型,諸如Xception模型。在一些實施例中,一或多個處理器305僅可使用藉由對與產品相關聯的產品品名運行字串演算法所判定的一或多個產品類型,所述產品由原始零售商直接出售而不是經由第三方零售商,此是由於與由原始零售商直接出售的產品相關聯的產品品名可包括較少不準確。
在一些實施例中,一或多個處理器305可使用包括深度卷積類神經網路架構的影像模型,所述深度卷積類神經網路架構包括具有剩餘連接的深度可分離卷積層的線性堆疊。一或多個處理器305可在影像模型中輸入影像,諸如產品的影像影像可包括預定數目個通道及預定尺寸。一或多個處理器305可在影像上施加預定大小的卷積篩選器。然而,一或多個處理器305僅可對1個核施加卷積濾光器,而不是在影像的所有預定數目個通道上施加卷積篩選器。接著,一或多個處理器305可在影像上進行通道式空間卷積。因此,一或多個處理器305可首先在影像上施加1x1卷積(例如「點式卷積」)且接著在影像上施加通道式空間卷積(例如「深度卷積」)。
在方塊404處,產品品名品質偵測系統301的一或多個處理器305可將指示與產品相關聯的品名包括不準確的訊息輸出至遠端裝置,諸如圖3的賣方列表系統303。舉例而言,一或多個處理器305可將訊息發送至賣方列表系統303的一或多個處理器308。訊息可包括拒絕訊息、拒絕碼、警告碼及/或警告訊息,所述訊息指示產品品名包括不準確。訊息亦可指示產品品名需要校正。在一些實施例中,一或多個處理器305可將訊息發送賣方列表系統303的一或多個處理器308且推薦新產品品名以置換不準確的產品品名。在一些實施例中,一或多個處理器305可將訊息發送至賣方列表系統303的一或多個處理器308,所述訊息包括建議及/或說明以刪除產品品名中的某些字母、字、數字、符號等。可對每一產品品名定製推薦及/或建議。在一些實施例中,一或多個處理器305可直接地訪問賣方列表系統303且即時地修改及/或置換產品品名。因此,產品品名品質偵測系統301的一或多個處理器305可能夠控制賣方列表系統303上所列的產品品名。另外地或可替代地,一或多個處理器305可將訊息發送至圖1A的系統100中的一或多個系統,而不是將訊息發送至遠端裝置。
圖5示出與所揭露實施例一致的用於使用機器學習演算法(諸如快速文字)以識別產品類型的方法的例示性實施例。如圖5中所見,一或多個處理器305可接收產品品名501(例如「產品品名」),所述產品品名可為與賣方列表系統303上的產品相關聯的品名。可拆分及分段品名中的字以使產品品名501中的每一字之間具有間隔且嵌入於對應向量中。因此,每一字可表示為向量502(例如「字向量X1
」、「字向量X2
」以及「字向量XN
」)。一旦產品品名中的每一字嵌入及表示為向量502,則向量502可在方塊503處求和及求平均以產生品名嵌入向量504(例如「品名向量」)。因此,品名嵌入向量504可為產品品名501的向量表示(例如「產品品名」)。隨後,藉由在品名嵌入向量504上應用softmax 505,一或多個處理器305可輸出給定產品品名的內容的目標產品類型506的機率。特定言之,一或多個處理器305可基於產品品名501來輸出一或多個產品類型506及給定內容的一或多個產品類型506中的每一者的機率。藉由實行softmax 505,一或多個處理器305可經組態以採取品名嵌入向量504作為輸入且將品名嵌入向量504正規化成機率分佈。因此,一或多個處理器305可經組態以基於產品品名使用機器學習演算法來預測與產品相關聯的一或多個產品類型。
儘管已參考本揭露的特定實施例來繪示及描述本揭露,但應理解,可在不修改的情況下在其他環境中實踐本揭露。已出於示出的目的呈現前述描述。前述描述並不詳盡,且不限於所揭露的精確形式或實施例。修改及調適對所屬技術領域中具有通常知識者而言將自本說明書的考量及所揭露實施例的實踐顯而易見。另外,儘管將所揭露的實施例的態樣描述為儲存於記憶體中,但所屬技術領域中具有通常知識者應瞭解,此等態樣亦可儲存在其他類型的電腦可讀媒體上,諸如次級儲存裝置,例如硬碟或CD ROM,或其他形式的RAM或ROM、USB媒體、DVD、藍光,或其他光碟機媒體。
基於書面描述及所揭露方法的電腦程式在有經驗的開發者的技能內。各種程式或程式模組可使用所屬技術領域中具有通常知識者已知的技術中的任一者來創建或可結合現有軟體來設計。舉例而言,程式區段或程式模組可利用或藉助於.Net框架(.Net Framework)、.Net緊湊型框架(.Net Compact Framework)(及相關語言,諸如視覺培基(Visual Basic)、C等)、Java、C++、目標-C(Objective-C)、HTML、HTML/AJAX組合、XML或包括Java小程式的HTML來設計。
此外,儘管本文中已描述示出性實施例,但所屬技術領域中具有通常知識者基於本揭露將瞭解具有等效元件、修改、省略、組合(例如,各種實施例中的態樣的)組合、調適及/或更改的任何及所有實施例的範圍。申請專利範圍中的限制應基於申請專利範圍中所採用的語言廣泛地解釋,且不限於本說明書中所描述或在本申請案的審查期間的實例。實例應解釋為非排他性的。此外,所揭露方法的步驟可以包括藉由對步驟重新排序及/或***或刪除步驟的任何方式修改。因此,希望僅將本說明書及實例視為示出性的,其中藉由以下申請專利範圍及其等效物的完整範圍指示真實範圍及精神。
100、300:系統
101:運送授權技術系統
102A、102B:裝置
103:外部前端系統
105:內部前端系統
107:運輸系統
107A、107B、107C、119A、119B、119C:行動裝置
109:賣方入口網站
111:運送及訂單追蹤系統
113:履行最佳化系統
115:履行通信報閘道
117:供應鏈管理系統
119:倉庫管理系統
121A、121B、121C:第三方履行系統
123:履行中心授權系統
125:勞動管理系統
200:履行中心
201、222:卡車
202A、202B、208:物件
203:入戰區
205:緩衝區
206:叉車
207:卸貨區
209:揀貨區
210:儲存單元
211:包裝區
213:樞紐區
214:運輸機構
215:營地區
216:牆
220、218:包裹
224A、224B:遞送工作者
226:汽車
301:產品品名品質偵測系統
302:網路
303:賣方列表系統
304、307:資料庫
305、308:處理器
306、309:記憶體
310:目錄系統
400:方法
401、402、403、404、503:方塊
501:產品品名
502:向量
504:品名嵌入向量
505:softmax
506:產品類型
圖1A為與所揭露實施例一致的示出包括用於實現運送、運輸以及物流操作的通信的電腦化系統的網路的例示性實施例的示意性方塊圖。
圖1B描繪與所揭露實施例一致的包括滿足搜尋請求的一或多個搜尋結果以及交互式使用者介面元素的樣本搜尋結果頁(Search Result Page;SRP)。
圖1C描繪與所揭露實施例一致的包括產品及關於所述產品的資訊以及交互式使用者介面元素的樣本單一顯示頁(Single Display Page;SDP)。
圖1D描繪與所揭露實施例一致的包括虛擬購物車中的物件以及交互式使用者介面元素的樣本購物車頁。
圖1E描繪與所揭露實施例一致的包括來自虛擬購物車的物件以及關於購買及運送的資訊以及交互式使用者介面元素的樣本訂單頁。
圖2為與所揭露實施例一致的經組態以利用所揭露電腦化系統的例示性履行中心的圖解圖示。
圖3為示出與所揭露實施例一致的包括用於偵測產品品名中的不準確的電腦化系統的系統的例示性實施例的示意性方塊圖。
圖4為示出與所揭露實施例一致的用於偵測產品品名中的不準確的方法的例示性實施例的流程圖。
圖5為示出與所揭露實施例一致的使用機器學習演算法以基於產品品名預測與產品相關聯的產品類型的方法的例示性實施例的圖。
300:系統
301:產品品名品質偵測系統
302:網路
303:賣方列表系統
304、307:資料庫
305、308:處理器
306、309:記憶體
310:目錄系統
Claims (20)
- 一種用於偵測產品品名中的不準確的電腦實行系統,所述系統包括: 記憶體,儲存指令;以及 至少一個處理器,經組態以執行所述指令以進行以下操作: 藉由對與產品相關聯的品名運行字串演算法來識別與所述產品相關聯的至少一個產品類型; 使用機器學習演算法基於與所述產品相關聯的所述品名來預測與所述產品相關聯的至少一個產品類型; 基於所述識別或所述預測中的至少一者來偵測與所述產品相關聯的所述品名中的不準確;以及 將指示與所述產品相關聯的所述品名包括所述不準確的訊息輸出至遠端裝置。
- 如請求項1所述的系統,其中對與產品相關聯的品名運行字串演算法更包括: 接收字串集合; 基於接收到的所述字串集合來產生線索,所述線索包括所述字串集合的第一字母的第一級節點及除所述字串集合的所述第一字母以外的n個字母的n級節點; 接收與所述產品相關聯的所述品名;以及 使用所述品名遍歷所產生的所述線索以找到匹配。
- 如請求項1所述的系統,其中使用所述機器學習演算法更包括: 接收與所述產品相關聯的所述品名; 識別所述品名中的一或多個字,其中每一字由字元n元語法表示; 學習每一字的每一字元n元語法的向量表示;以及 對每一字的每一字元n元語法求和以判定整體字嵌入。
- 如請求項1所述的系統,其中所述至少一個處理器進一步經組態以執行所述指令以進行以下操作: 判定與所述產品相關聯的產品類型的數目;以及 當與所述產品相關聯的產品類型的所述數目超出預定臨限值時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項1所述的系統,其中所述至少一個處理器進一步經組態以執行所述指令以在所述產品與兩個或大於兩個不相關產品類型相關聯時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項1所述的系統,其中所述至少一個處理器進一步經組態以執行所述指令以使用所述機器學習演算法基於所述產品的影像來預測與所述產品相關聯的至少一個產品類型。
- 如請求項6所述的系統,其中所述至少一個處理器進一步經組態以執行所述指令以在基於所述產品的所述影像的經預測產品類型不同於基於與所述產品相關聯的所述品名的經預測產品類型時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項1所述的系統,其中所述至少一個處理器進一步經組態以執行所述指令以進行以下操作: 藉由對與所述產品相關聯的所述品名運行所述字串演算法來識別與所述產品相關聯的至少一個品牌;以及 當兩個或大於兩個品牌與所述產品相關聯時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項1所述的系統,其中使用機器學習演算法基於與所述產品相關聯的所述品名來預測與所述產品相關聯的至少一個產品類型更包括,將所述至少一個產品類型嵌入至向量以及判定所述向量與預定向量之間的距離。
- 如請求項9所述的系統,其中所述預定向量與實際產品類型相關聯,所述實際產品類型與所述產品相關聯。
- 一種用於偵測產品品名中的不準確的電腦實行方法,所述方法包括: 藉由對與產品相關聯的品名運行字串演算法來識別與所述產品相關聯的至少一個產品類型; 使用機器學習演算法來預測與所述產品相關聯的至少一個產品類型; 基於所述識別或所述預測中的至少一者來偵測與所述產品相關聯的所述品名中的不準確;以及 將指示與所述產品相關聯的所述品名包括所述不準確的訊息輸出至遠端裝置。
- 如請求項11所述的方法,其中對與產品相關聯的品名運行字串演算法更包括: 接收字串集合; 基於接收到的所述字串集合來產生線索,所述線索包括所述字串集合的第一字母的第一級節點及除所述字串集合的所述第一字母以外的n個字母的n級節點; 接收與所述產品相關聯的所述品名;以及 使用所述品名遍歷所產生的所述線索以找到匹配。
- 如請求項11所述的方法,其中使用所述機器學習演算法更包括: 接收與所述產品相關聯的所述品名; 識別所述品名中的一或多個字,其中每一字由字元n元語法表示; 學習每一字的每一字元n元語法的向量表示;以及 對每一字的每一字元n元語法求和以判定整體字嵌入。
- 如請求項11所述的方法,更包括: 判定與所述產品相關聯的產品類型的數目;以及 當與所述產品相關聯的產品類型的所述數目超出預定臨限值時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項11所述的方法,更包括當所述產品與兩個或大於兩個不相關產品類型相關聯時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項11所述的方法,更包括使用所述機器學習演算法基於所述產品的影像來預測與所述產品相關聯的至少一個產品類型。
- 如請求項16所述的方法,更包括當基於所述產品的所述影像的經預測產品類型不同於基於與所述產品相關聯的所述品名的經預測產品類型時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項11所述的方法,更包括: 藉由對與所述產品相關聯的所述品名運行所述字串演算法來識別與所述產品相關聯的至少一個品牌;以及 當兩個或大於兩個品牌與所述產品相關聯時,判定與所述產品相關聯的所述品名包括不準確。
- 如請求項11所述的方法,其中使用機器學習演算法基於與所述產品相關聯的所述品名來預測與所述產品相關聯的至少一個產品類型更包括將所述至少一個產品類型嵌入至向量以及判定所述向量與預定向量之間的距離,所述預定向量與所述產品的實際產品類型相關聯。
- 一種用於偵測產品品名中的不準確的電腦實行系統,所述系統包括: 記憶體,儲存指令;以及 至少一個處理器,經組態以執行所述指令以進行以下操作: 藉由對與產品相關聯的品名運行字串演算法來識別與所述產品相關聯的至少一個產品類型,其中對所述品名運行所述字串演算法包括: 接收字串集合; 基於接收到的所述字串集合來產生線索,所述線索包括所述字串集合的第一字母的第一級節點及除所述字串集合的所述第一字母以外的n個字母的n級節點; 接收與所述產品相關聯的所述品名;以及 使用所述品名遍歷所產生線索以找到匹配; 使用機器學習演算法來預測與所述產品相關聯的至少一個產品類型,其中使用所述機器學習演算法包括: 接收與所述產品相關聯的所述品名; 識別所述品名中的一或多個字,其中每一字由字元n元語法表示; 學習每一字的每一字元n元語法的向量表示;以及 對每一字的每一字元n元語法求和以判定整體字嵌入;以及 基於所述識別或所述預測中的至少一者來偵測與所述產品相關聯的所述品名中的不準確;以及 將指示與所述產品相關聯的所述品名包括所述不準確的訊息輸出至遠端裝置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/799,150 US11568425B2 (en) | 2020-02-24 | 2020-02-24 | Computerized systems and methods for detecting product title inaccuracies |
US16/799,150 | 2020-02-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202133004A true TW202133004A (zh) | 2021-09-01 |
TWI816077B TWI816077B (zh) | 2023-09-21 |
Family
ID=77366171
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112130881A TW202349227A (zh) | 2020-02-24 | 2020-12-29 | 用於偵測產品品名中的不準確的電腦實行系統以及方法 |
TW109146659A TWI816077B (zh) | 2020-02-24 | 2020-12-29 | 用於偵測產品品名中的不準確的電腦實行系統以及方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112130881A TW202349227A (zh) | 2020-02-24 | 2020-12-29 | 用於偵測產品品名中的不準確的電腦實行系統以及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11568425B2 (zh) |
KR (2) | KR102354732B1 (zh) |
TW (2) | TW202349227A (zh) |
WO (1) | WO2021171080A1 (zh) |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7870039B1 (en) * | 2004-02-27 | 2011-01-11 | Yahoo! Inc. | Automatic product categorization |
KR20100121690A (ko) | 2008-03-05 | 2010-11-18 | 이베이 인크. | 이미지 인식 서비스 방법, 시스템 및 컴퓨터 판독가능한 매체 |
US8504567B2 (en) * | 2010-08-23 | 2013-08-06 | Yahoo! Inc. | Automatically constructing titles |
US8463805B2 (en) * | 2010-09-15 | 2013-06-11 | Cbs Interactive, Inc. | Mapping product identification information to a product |
US8898169B2 (en) * | 2010-11-10 | 2014-11-25 | Google Inc. | Automated product attribute selection |
CN107122980B (zh) * | 2011-01-25 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 识别商品所属类目的方法和装置 |
US8655737B1 (en) * | 2011-01-31 | 2014-02-18 | Google Inc. | Brand name synonymy |
CN102737057B (zh) * | 2011-04-14 | 2015-04-01 | 阿里巴巴集团控股有限公司 | 一种商品类目信息的确定方法及装置 |
CN103377232B (zh) * | 2012-04-25 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 标题关键词推荐方法及*** |
US9311372B2 (en) * | 2013-05-31 | 2016-04-12 | Wal-Mart Stores, Inc. | Product record normalization system with efficient and scalable methods for discovering, validating, and using schema mappings |
US10217147B2 (en) * | 2014-09-12 | 2019-02-26 | Ebay Inc. | Mapping products between different taxonomies |
WO2016137390A1 (en) | 2015-02-24 | 2016-09-01 | Visenze Pte Ltd | Product indexing method and system thereof |
US10515400B2 (en) * | 2016-09-08 | 2019-12-24 | Adobe Inc. | Learning vector-space representations of items for recommendations using word embedding models |
US11580589B2 (en) * | 2016-10-11 | 2023-02-14 | Ebay Inc. | System, method, and medium to select a product title |
US10679266B2 (en) | 2017-05-25 | 2020-06-09 | Walmart Apollo, Llc | Systems and methods for automatically modifying titles for products |
CN107330752B (zh) | 2017-05-31 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 识别品牌词的方法和装置 |
CN110147483B (zh) | 2017-09-12 | 2023-09-29 | 阿里巴巴集团控股有限公司 | 一种标题重建方法及装置 |
KR20190030435A (ko) | 2017-09-14 | 2019-03-22 | 주식회사 세진마인드 | 자연어 처리를 이용한 지정상품 추천 방법, 장치 및 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
US20190205376A1 (en) * | 2017-12-28 | 2019-07-04 | Microsoft Technology Licensing, Llc | Title standardization through iterative processing |
US11669558B2 (en) * | 2019-03-28 | 2023-06-06 | Microsoft Technology Licensing, Llc | Encoder using machine-trained term frequency weighting factors that produces a dense embedding vector |
JP6855540B2 (ja) | 2019-08-07 | 2021-04-07 | ヴィセンズ・プライベート・リミテッドVisenze Pte Ltd | 製品インデキシング方法およびそのシステム |
-
2020
- 2020-02-24 US US16/799,150 patent/US11568425B2/en active Active
- 2020-05-07 KR KR1020200054617A patent/KR102354732B1/ko active IP Right Grant
- 2020-12-10 WO PCT/IB2020/061779 patent/WO2021171080A1/en active Application Filing
- 2020-12-29 TW TW112130881A patent/TW202349227A/zh unknown
- 2020-12-29 TW TW109146659A patent/TWI816077B/zh active
-
2022
- 2022-01-19 KR KR1020220007661A patent/KR20220015477A/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US11568425B2 (en) | 2023-01-31 |
KR102354732B1 (ko) | 2022-01-25 |
KR20210107511A (ko) | 2021-09-01 |
WO2021171080A1 (en) | 2021-09-02 |
TW202349227A (zh) | 2023-12-16 |
TWI816077B (zh) | 2023-09-21 |
US20210264442A1 (en) | 2021-08-26 |
KR20220015477A (ko) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11354721B2 (en) | Computerized systems and methods for providing product recommendations | |
KR102350982B1 (ko) | 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법 | |
TW202137109A (zh) | 用於基於ai的產品整合及去冗餘的電腦實行系統及使用ai對產品進行整合及去冗餘的方法 | |
TWI771841B (zh) | 基於競爭神經字元語言模式斷詞之系統以及方法 | |
US11386478B1 (en) | Computerized systems and methods for using artificial intelligence to generate product recommendations | |
TW202232412A (zh) | 產生正文字串的系統以及方法 | |
KR20220103616A (ko) | 제품 타이틀로부터 속성을 지능적으로 추출하기 위한 시스템 및 방법 | |
TW202147203A (zh) | 用於追蹤線上社群的電腦實行系統以及方法 | |
TWI816077B (zh) | 用於偵測產品品名中的不準確的電腦實行系統以及方法 | |
KR102445867B1 (ko) | 사기 검출 및 사용자 계정 중복 제거를 위한 컴퓨터화된 시스템 및 방법 | |
US11475203B2 (en) | Computerized systems and methods for reducing latency in a modular platform | |
TW202134966A (zh) | 可再使用儲存追蹤及分配的電腦化系統及方法 | |
KR20220115854A (ko) | 제품 타이틀로부터 수량의 지능적 추출을 위한 시스템 및 방법 | |
TW202131245A (zh) | 判定物件分群以用於包裝的電腦化系統及電腦實行方法 | |
TW202137082A (zh) | 透過進行小波轉換產生需求預測數據用於產生準確訂購單之電腦實行系統以及方法 |