[发明专利]估计物品残留价值的方法、装置及计算机可读存储介质

权利要求书

1.一种估计物品残留价值的方法，包括：

利用退货物品的退货用户数据，生成所述退货物品的用户特征；

利用所述退货物品的物品数据，生成所述退货物品的物品特征；

将所述用户特征以及所述物品特征输入深度学习神经网络，估计得到所述退货物品的残留价值。

2.如权利要求1所述的方法，其中，所述利用退货物品的退货用户数据，生成所述退货物品的用户特征包括以下步骤中的至少一种：

利用退货物品的退货用户的信用数据，生成所述退货物品的用户信用特征；

利用退货物品的退货用户的地区数据，生成所述退货物品的用户地区特征；

利用退货物品的退货用户描述的退货意见数据，生成所述退货物品的用户意见特征。

3.如权利要求2所述的方法，其中，所述利用退货物品的退货用户描述的退货意见数据，生成所述退货物品的用户意见特征包括：

对所述退货用户描述的退货文本进行自然语言处理，或者，对退货用户拍摄的退货照片进行深度特征提取，得到所述退货物品的用户意见理解特征。

4.如权利要求1所述的方法，其中，所述利用所述退货物品的物品数据，生成所述退货物品的物品特征包括以下步骤中的至少一种：

利用退货物品的品类数据，生成所述退货物品的品类特征；

利用退货物品的规格数据，生成所述退货物品的规格特征；

利用退货物品的时限数据，生成所述退货物品的时限特征；

利用退货物品的同品类物品的残留价值统计数据，生成所述退货物品的统计特征。

5.如权利要求1所述的方法，其中，所述深度学习神经网络包括：

线性学习子网络，被配置为学习输入的特征向量与退货物品的残留价值之间的线性关系，输出表示所述线性关系的特征向量；

非线性学习子网络，被配置为学习输入的特征向量与退货物品的残留价值之间的非线性关系，输出表示所述非线性关系的特征向量；

全连接层，被配置为通过激活函数将表示所述线性关系的特征向量以及表示所述非线性关系的特征向量映射为退货物品的残留价值。

6.如权利要求5所述的方法，其中，所述深度学习神经网络还包括：

输入层，被配置为合并输入的所述用户特征以及所述物品特征，得到所述退货物品的合并特征；

嵌入学习层，被配置为具有预设固定数量的隐含因子，能够将所述合并特征映射至隐含因子空间得到固定长度的特征向量。

7.如权利要求1所述的方法，其中，所述方法还包括：

利用样本退货物品的用户数据，生成样本退货物品的用户特征；

利用样本退货物品的物品数据，生成样本退货物品的物品特征；

标注样本退货物品的残留价值；

利用样本退货物品的用户特征、样本退货物品的物品特征以及样本退货物品的残留价值对所述深度学习神经网络进行训练，使得所述深度学习神经网络能够根据退货物品的用户特征以及退货物品的物品特征，估计得到退货物品的残留价值。

8.如权利要求7所述的方法，其中，所述标注样本退货物品的残留价值包括：

若样本退货物品需要返还原厂，则将样本退货物品的成本价与退货物流成本的差值，作为样本退货物品的残留价值；

若样本退货物品需要退还供应商，则将样本退货物品的退货价格与退货物流成本的差值，作为样本退货物品的残留价值；

若样本退货物品需要翻新销售，则将样本退货物品对应的折损核定价格与退货物流成本的差值，作为样本退货物品的残留价值；

若样本退货物品需要折旧销售，则将折旧销售价格与退货物流成本的差值，作为样本退货物品的残留价值。