[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

说明书

本公开提供了一种估计物品残留价值的方法、装置及计算机可读存储介质，涉及人工智能技术领域。其中的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。本公开在估计物品残留价值时采用了人工智能深度学习技术，并考虑了用户因素以及物品因素，能够准确、高效的估计物品的残留价值。

技术领域

本公开涉及人工智能技术领域，特别涉及一种估计物品残留价值的方法、装置及计算机可读存储介质。

背景技术

互联网改变了现代人们的消费方式，通过电商平台进行在线购物的方式与传统的购物方式存在很大的差别，这对电商平台的售后服务的效率和流程也提出了很高的要求。在电商平台购物流程中，商品售后服务是影响用户购物体验、提升好感度和节约商户开支的关键环节。售后服务质量的提升，不仅能够增强用户的留存率，更对企业的服务形象的提升有巨大的促进作用。因此，在商品面临退换货的情况发生时，如何估计退货商品的残留价值，从而根据退货商品的残留价值处理售后服务单，是至关重要的问题。因此，退货商品的残留价值是处理退货申请中需要关注的重要指标。

目前，估计退货商品残留价值的方法主要依赖于人工评估，只能对商品的残留价值进行粗略估计。这种方法不能准确的估计退货商品的残留价值，导致电商品台做出不适当的售后服务处理。同时，客服人员面对海量的退货商品，人工评估过程需要很长时间。

发明内容

本公开解决的一个技术问题是，如何快速、准确、高效的识别出目标群体中目标的数量。

根据本公开实施例的一个方面，提供了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，生成退货物品的用户特征；利用退货物品的物品数据，生成退货物品的物品特征；将用户特征以及物品特征输入深度学习神经网络，估计得到退货物品的残留价值。

在一些实施例中，利用退货物品的退货用户数据，生成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，生成退货物品的用户意见特征。

在一些实施例中，利用退货物品的退货用户描述的退货意见数据，生成退货物品的用户意见特征包括：对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，得到退货物品的用户意见理解特征。

在一些实施例中，利用退货物品的物品数据，生成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，生成退货物品的品类特征；利用退货物品的规格数据，生成退货物品的规格特征；利用退货物品的时限数据，生成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，生成退货物品的统计特征。

在一些实施例中，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线性关系的特征向量以及表示非线性关系的特征向量映射为退货物品的残留价值。

在一些实施例中，深度学习神经网络还包括：输入层，被配置为合并输入的用户特征以及物品特征，得到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，能够将合并特征映射至隐含因子空间得到固定长度的特征向量。