Результат интеллектуальной деятельности: СПОСОБ И УСТРОЙСТВО ОБРАБОТКИ ДАННЫХ ДЕЙСТВИЯ ПОЛЬЗОВАТЕЛЯ

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Изобретение относится к области техники компьютерных технологий, и конкретно - к способу и устройству для обработки данных действий пользователя.

УРОВЕНЬ ТЕХНИКИ

В рамках платформы электронной коммерции торговому персоналу обычно требуется определять количественно спрос на товар, чтобы посредством этого определить стратегию инвентаризации и пополнения относительно товара. Количественное определение потребности в товаре обычно состоит в вычислении количества пользователей, запрашивающих товар. В настоящее время приближенно заменяют величину спроса на товар количеством пользователей, которые заказывают товар. При таком подходе количество заказов товара за временной интервал, например, одну неделю, подсчитывают в соответствии с идентификатором товара, и количество заказов используется в качестве величины еженедельной потребности в товаре. Этот подход не учитывает потребности пользователей, которые не разместили заказы, и легко приводит к относительно малочисленным данным для прогнозирования величины спроса.

Другой современный подход состоит в том, чтобы рассматривать количество просмотров, сделанных пользователем, относительно заданного товара, подсчитывается количество заказов за прошлый временной интервал, например, одну неделю, кроме того, дополнительно подсчитывается количество пользователей, для которых количество просмотров товара достигает заданного значения, и сумма упомянутого количества пользователей и количества заказов используется в качестве величины спроса на товар. Этот подход все еще не является достаточно точным, поскольку когда пользователь просматривает некоторый товар, просмотр далее не выполняется, если обнаружено, что товара нет в наличии, что приводит к тому, что количество просмотров не может достичь предварительно заданного значения, так что подсчитанное число для величины спроса все еще является относительно малым.

Таким образом, необходим способ для определения пользовательской потребности в товаре, и величина спроса на товар может определяться на этой основе.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Ввиду вышеизложенного, изобретение обеспечивает способ и устройство для обработки данных действия пользователя, которые помогают в принятии решения, имеет ли потребность пользователь, который не разместил заказ, и величина спроса на товар может определяться на этой основе.

Для достижения вышеупомянутого объекта изобретения, согласно одному аспекту изобретения обеспечивается способ для обработки данных действия пользователя.

Способ для обработки данных действия пользователя согласно изобретению содержит: для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчет соответственно количеств действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал, и регистрацию, покупают ли соответственные пользователи товар после предварительно выбранного временного интервала; создание обучающего набора в соответствии с данными множества пользователей, в модели, соответствующей обучающему набору, входное значение является количеством действий, направленных на заданный товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар; проведение обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель; и подсчет количества действий целевого (исследуемого) пользователя, который не разместил заказ в течение заданного временного интервала, и ввод количества в модель в качестве входного значения, чтобы получить выходное значение по модели.

Не обязательно, модель представляет собой следующее уравнение: Y=β₀+β₁X₁+β₂X₂+…+β_nX_n+ε; причем значение Y соответствует тому, покупает ли пользователь товар, ε представляет заданную константу, β₀, β₁, … β_n представляют весовые коэффициенты, и для X₁, X₂, … X_n, когда значение натурального целочисленного индекса n соответствует количеству раз направления действия на товар пользователем, X_n принимает первое заданное значение, или иначе принимает второе заданное значение.

Не обязательно, обучение методом линейной регрессии применяет метод градиентного спуска.

Не обязательно, после получения модели, способ дополнительно содержит: подсчет количеств действий для множества целевых пользователей за заданный временной интервал, и ввод соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определение количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.

Согласно другому аспекту изобретения, обеспечивается устройство для обработки данных действия пользователя.

Устройство для обработки данных действия пользователя согласно изобретению содержит: модуль подсчета для подсчета, для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, соответственно количества действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал; модуль регистрации для регистрации, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала; модуль обучения для обучения методом линейной регрессии на обучающем наборе для определения множества параметров обучающего набора, чтобы посредством этого получить модель, соответствующую обучающему набору; обучающий набор, создаваемый в соответствии с данными множества пользователей, и в модели, входное значение является количеством действий, направленных на товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар; и модуль вычисления для подсчета количества действий целевого пользователя за заданный временной интервал и ввода количества в модель в качестве входного значения, чтобы получить выходное значение по модели.

Не обязательно, модель представляет собой следующее уравнение: Y=β₀+β₁X₁+β₂X₂+…+β_nX_n+ε; причем значение Y соответствует тому, купит ли пользователь заданный товар, ε представляет заданную константу, β₀, β₁, … β_n представляют весовые коэффициенты, и для X₁, X₂, … X_n, когда значение натурального целочисленного индекса n соответствует количеству раз направления действия на товар пользователем, X_n принимает первое заданное значение или иначе принимает второе заданное значение.

Необязательно, обучение методом линейной регрессии применяет метод градиентного спуска.

Необязательно, модуль вычисления дополнительно используется для: подсчета количеств действий множества целевых пользователей, которые не разместили заказы в течение заданного временного интервала, и ввода соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определения количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.

В соответствии с техническими решениями по изобретению, данные предыстории применяют, чтобы проводить обучение модели для получения модели, и затем модель используется, чтобы прогнозировать, разместит ли пользователь, который не разместил заказ, заказ позже, что может достигать эффекта достаточно точного прогнозирования в случае, если обучающий набор является сравнительно большим, и помогает точному определению величины спроса на товар.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Чертежи используются для лучшего понимания изобретения и не формируют ненадлежащие ограничения изобретения.

Причем:

Фиг.1 - схематичное представление основных этапов способа для обработки данных действия пользователя согласно варианту осуществления изобретения; и

Фиг.2 - схематичное представление основных модулей устройства для обработки данных действия пользователя согласно варианту осуществления изобретения.

ПОДРОБНОЕ ОПИСАНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

Примеры осуществления изобретения, включая различные подробности вариантов осуществления изобретения, описываются ниже с рассмотрением фигур чертежей для содействия пониманию, и варианты осуществления следует рассматривать только примерными. Таким образом, специалисты в данной области техники должны понимать, что могут делаться различные изменения и модификации по отношению к вариантам осуществления, описанным здесь, без выхода за рамки объема и сущности изобретения. Подобным образом для ясности и понятности опускаются описания общих функций и структур в описаниях ниже.

В варианте осуществления изобретения моделирование проводится по отношению к действию, направленному на товар пользователем, чтобы прогнозировать, имеется ли у пользователя потребность в товаре, не заказанном, но просматриваемом. Описания даются ниже путем рассмотрения Фиг.1. Фиг.1 является схематичным представлением основных этапов способа для обработки данных действия пользователя согласно варианту осуществления изобретения.

Этап S11: для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчет соответственно количеств действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал. Вышеупомянутое действие, направленное на товар пользователем, может быть одним типом действия, например, непосредственно просмотром товара; и лучше должно быть множественными действиями пользователя, которые вместе подсчитываются, например, непосредственный просмотр товара, поиск товара через поисковую систему и доступ к товару через поисковый портал.

Этап S12: регистрация того, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала. Вышеупомянутые два этапа находятся на стадии подготовки данных и получают данные обучающего набора в соответствии с данными предыстории. Предварительно выбранный временной интервал здесь может быть одним днем, несколькими днями или более длительным временем, и выбирается согласно фактическим условиям.

Этап S13: создание обучающего набора. Обучающий набор получают в соответствии с данными, полученными на вышеупомянутом этапе. Выходное значение по модели, соответствующей обучающему набору, представляет, покупает ли пользователь заданный товар. Например, выходное значение устанавливается в 0 для представления, что пользователь не разместил заказ, и выходное значение устанавливается в 1 для представления, что пользователь разместил заказ. Конечно, другие численные значения также могут быть приняты. Входное значение модели является количеством действий, направленных на товар пользователем. Например, если применяют количество просмотров, верхнее граничное значение количества просмотров может быть установлено в 300, например, если количество просмотров некоторого пользователя составляет 20, вектором [X₁, X₂, … X_n], соответствующим пользователю, является [0, 0, … 1, … 0], где только значение 20^-ого элемента является 1, а значениями других элементов является 0. 20^-ый элемент здесь определен в соответствии с тем, что количеством просмотров является 20. Кроме того, если приняты эти три действия, то есть, непосредственный просмотр товара, поиск товара через поисковую систему и доступ к товару через поисковый портал, верхние граничные значения для трех действий могут быть соответственно установлены в 300, векторы, соответствующие соответственным действиям, соединяют, чтобы сформировать вектор, имеющий размерность 900, и позиция элемента, не являющегося 0 в векторе, устанавливается в единицу согласованно количеству действий, например, если количество прямых просмотров пользователя составляет 10, поисковая система осуществляет поиск товара 5 раз, и к товару осуществляют доступ 3 раза через поисковый портал, то в векторе, имеющем размерность 900, только 10^-ый, 305^-ый и 603^-ий элементы являются 1, а другие элементы являются 0.

Модель, соответствующая обучающему набору, может применять следующее уравнение: Y=β₀+β₁X₁+β₂X₂+…+β_nX_n+ε; в котором Y является выходным значением, и его значение соответствует тому, покупает ли пользователь товар, например, Y есть 0, что представляет, что пользователь не разместил заказ, и Y есть 1, что представляет, что пользователь разместил заказ. ε представляет заданную константу для настройки точности модели. β₀,β₁, … β_n представляют весовые коэффициенты, и X₁,X₂, … X_n являются элементами вектора. В соответствии с описаниями выше, когда значение натурального целочисленного индекса n соответствует количеству раз направления на товар действия пользователем, X_n принимает первое заданное значение, такое как 1, или иначе принимает второе заданное значение, такое как 0.

Этап S14: проведение обучения методом линейной регрессии на обучающем наборе. Этот этап относится к определению весовых коэффициентов β₀,β₁, … β_n. Конкретно может быть принят к применению метод градиентного спуска. После того, как весовые коэффициенты определены, модель определяют с их помощью.

Этап S15: для заданного временного интервала, подсчет количества действий целевого пользователя, который не разместил заказ в течение временного интервала. На этом этапе проверяется количество действий, где у пользователя имеются действия, направленные на некоторый определенный товар в заданный временной интервал, но не имеется фактически размещенного заказа во временном интервале.

Этап S16: ввод количества, полученного на этапе S15, в модель в качестве входного значения, чтобы получить выходное значение путем вычисления. Выходное значение является непосредственно значением Y и представляет, что результатом размещения пользователем заказа, есть "ДА" или "НЕТ". Можно видеть, что для пользователя, который не разместил заказ, размещение пользователем заказа может прогнозироваться путем использования модели, полученной в варианте осуществления. Чем большим является обучающий набор, тем более точным является результат прогнозирования.

Для заданного товара в платформе электронной коммерции вышеупомянутые этапы могут использоваться, чтобы прогнозировать, разместит ли заказ каждый, просматривающий товар пользователь, и величина будущего спроса на товар может прогнозироваться в соответствии с полученным результатом.

Фиг.2 является схематичным представлением основных модулей устройства для обработки данных действия пользователя согласно варианту осуществления изобретения. Как показано на Фиг.2, устройство 20 для обработки данных действия пользователя согласно варианту осуществления изобретения в основном содержит модуль 21 подсчета, модуль 22 регистрации, модуль 23 обучения и модуль 24 вычисления.

Модуль 21 подсчета используется, чтобы для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчитывать соответственно количества действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал. Модуль 22 регистрации используется, чтобы регистрировать, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала. Модуль 23 обучения используется для проведения обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель, соответствующую обучающему набору; обучающий набор создается в соответствии с данными множества пользователей, и в модели входное значение является количеством действий, направленных на товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар. Модуль 24 вычисления используется для подсчета количества действий целевого пользователя в заданный временной интервал и ввода количества в модель в качестве входного значения, чтобы получить выходное значение по модели.

Модуль 24 вычисления может кроме того использоваться для: подсчета количеств действий множества целевых пользователей, которые не разместили заказы в заданный временной интервал, и ввода соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определения количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.

В соответствии с техническими решениями по изобретению, данные предыстории применяют для проведения обучения модели, чтобы получить модель, и затем модель используется, чтобы прогнозировать, разместит ли пользователь, который не разместил заказ, заказ позже, что может достигать эффекта довольно точного прогнозирования в случае, что обучающий набор является сравнительно большим, и помогает определению точной величины спроса на товар.

Содержание выше описывает основной принцип изобретения путем рассмотрения вариантов осуществления, и в устройстве и способе по изобретению очевидно, что соответствующие части или соответствующие этапы могут быть разложены на составляющие и/повторно объединены. Эти разложения и/или повторные объединения следует рассматривать эквивалентными решениями по изобретению. Кроме того, этапы для выполнения вышеупомянутой последовательности обработки естественно могут выполняться в хронологическом порядке в соответствии с описанной очередностью, но не обязательно выполняются в хронологическом порядке. Некоторые этапы могут быть параллельными и выполняться независимо друг от друга.

Вышеупомянутые варианты осуществления не формируют ограничений на объем охраны изобретения. Специалисты в данной области техники должны понимать, что в зависимости от конструктивных требований и других факторов могут иметь место различные модификации, комбинации, подкомбинации и замены. Любая модификация, эквивалентная замена, усовершенствование или подобное, выполненные в рамках объема и принципа изобретения, должны включаться в объем охраны изобретения.