[发明专利]面向对象的评估方法和装置

说明书

本发明公开了一种面向对象的评估方法和装置，涉及计算机技术领域。该方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。通过以上步骤，能够量化物品对商家的价值，准确反映物品通过影响用户决策行为带来的店铺收益，从而便于商家制定合理的选品方案。

技术领域

本发明涉及计算机技术领域，尤其涉及一种面向对象的评估方法和装置。

背景技术

随着商品种类日益繁多，如何设计出既满足目标消费者需求、又使自身收益最大化的在售商品方案是困扰商家的长期难题。

在现有技术中，主要是利用传统的数据统计方法和业务人员的直觉进行商品甄选。通常，业务人员会结合销售额、利润等数据，以及业务直觉直接判断商品的好坏、以及是否上下架。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术中，业务人员通过业务直觉甄选商品的方法较为粗糙，其无法科学、直观的量化商品对于商家的价值，也无法准确反映商品通过影响用户决策行为带来的店铺收益。

发明内容

有鉴于此，本发明提供一种面向对象的评估方法和装置，能够量化物品对商家的价值，准确反映物品通过影响用户决策行为带来的店铺收益，从而便于商家制定合理的选品方案。

为实现上述目的，根据本发明的一个方面，提供了一种面向对象的评估方法。

本发明的面向对象的评估方法包括：统计同品类多种物品的被替代性指标数据；根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子；根据所述物品属性对用户决策行为的影响因子计算物品价值。

可选地，所述机器学习模型包括：随机森林模型。

可选地，所述根据包括有所述同品类多种物品的被替代性指标数据和物品属性数据的训练集训练机器学习模型，对被替代性指标进行学习，以得到物品属性对用户决策行为的影响因子的步骤包括：基于最小二乘回归树算法构建多棵决策树，以得到包括所述多棵决策树的预测模型；对物品属性样本点的一个属性维度进行随机化处理，并将随机化处理后的数据输入该预测模型，以得到被替代性指标预测值；计算被替代性指标预测值与被替代性指标真值之间的偏差距离，并将所述偏差距离作为该物品属性对用户决策行为的影响因子。

可选地，所述方法还包括：在基于最小二乘回归树算法构建决策树时，根据反距离加权函数计算决策树的输出值；

其中，c_m表示输出值；j表示切分所用的物品属性；s表示切分点；均表示新输入的待测物品属性数据与区域R_m(j,s)内的物品属性样本点之间的欧式距离的倒数；x_i、x_k均表示区域R_m(j,s)内的物品属性样本点；y_i表示与物品属性样本点x_i对应的被替代性指标样本值；表示对进行求和。

可选地，根据如下公式计算所述物品价值；

其中，P_sku表示物品价值，Key_sku表示该物品的关键指标，γ_i表示第i个物品属性对被替代性指标的影响因子，W_i表示同品类中具有第i个物品属性的所有物品在该品类中的关键指标占比，n表示该物品的属性个数。

可选地，根据如下公式计算所述物品的被替代性指标：