[发明专利]商品自动定价方法、系统、介质和计算设备

权利要求书

1.一种商品自动定价方法，包括：

从多个历史数据中，获取环境状态信息，其中，所述环境状态信息包括表明用户对历史定价行为的响应信息；

将所述环境状态信息输入强化深度学习神经网络，使得所述强化深度学习神经网络基于所述环境状态信息确定出定价策略；以及

基于所述定价策略，确定所述商品的定价价格，

其中，所述强化深度学习神经网络被配置为基于所述环境状态信息和定价策略模型确定所述商品的定价策略，以及基于奖励模型对所述定价策略进行评分，以使得所述强化深度学习神经网络根据所述评分更新所述定价策略模型。

2.根据权利要求1所述的方法，其中，所述强化深度学习神经网络基于所述环境状态信息和定价策略模型确定所述定价策略包括：第一确定模式和第二确定模式，

所述第一确定模式包括：

基于所述环境状态信息和第一定价策略模型，确定所述定价价格相对于当前价格的调价比例；

所述第二确定模式包括：

所述环境状态信息包括多个状态数据，基于所述环境状态信息和第二定价策略模型，确定所述多个状态数据的动作向量，所述动作向量中的元素与所述多个状态数据一一对应；以及将所述动作向量与所述多个状态数据所形成的状态向量点乘，并且将经由所述点乘而获得的点乘结果作为所述定价价格相对于当前价格的调价比例。

3.根据权利要求2所述的方法，还包括在所述第二确定模式下：

确定所述第二定价策略模型处于收敛状态下的所述多个状态数据的动作向量；以及

将所述动作向量中数值小于预设阈值的元素所对应的状态数据从所述环境状态信息中删除，以更新所述环境状态信息。

4.根据权利要求3所述的方法，其中，响应于所述环境状态信息被更新，所述强化深度学习神经网络由所述第二确定模式切换为所述第一确定模式。

5.根据权利要求1所述的方法，还包括：

获取奖励函数，所述奖励函数用于计算所述定价价格对所述商品的销售所产生的影响；

获取根据所述定价价格定价后所述商品的环境状态信息特征；

基于所述奖励函数和所述环境状态信息特征，计算所述定价价格对所述商品的销售产生的实际奖励值；以及

将所述实际奖励值和所述环境状态信息特征输入到所述深度强化学习神经网络，使得所述强化深度学习神经网络基于所述实际奖励值更新所述奖励模型和所述定价策略模型。

6.根据权利要求1所述的方法，其中，所述基于所述定价策略，确定所述商品的定价价格包括：

获取所述商品价格的预设最大值和预设最小值；

基于所述定价策略，确定所述商品的预定价格；

在所述预定价格小于所述商品的当前价格的情况下，确定将所述商品的定价价格定为所述预设最小值和所述预定价格中的最大值；以及

在所述预定价格大于所述商品的当前价格的情况下，确定将所述商品的定价价格定为所述预设最大值和所述预定价格中的最小值。

7.根据权利要求1所述的方法，其中，所述强化深度学习神经网络包括DeepDeterministic Policy Gradient算法模块。

8.一种商品自动定价系统，包括：

第一获取模块，用于从多个历史数据中，获取环境状态信息，其中，所述环境状态信息包括表明用户对历史定价行为的响应信息；

强化深度学习模块，用于将所述环境状态信息输入强化深度学习神经网络，使得所述强化深度学习神经网络基于所述环境状态信息确定出定价策略；以及

第一确定模块，用于基于所述定价策略，确定所述商品的定价价格，

其中，所述强化深度学习模块被配置为基于所述环境状态信息和定价策略模型确定所述商品的定价策略，以及基于奖励模型对所述定价策略进行评分，以使得所述强化深度学习神经网络根据所述评分更新所述定价策略模型。

9.一种计算机可读介质，存储有计算机可执行指令，所述指令在被处理单元执行时用于实现权利要求1至7中任一项所述的信息处理方法。

10.一种计算设备，包括：

处理单元；以及

存储单元，存储有计算机可执行指令，所述指令在被所述处理单元执行时用于实现权利要求1至7中任一项所述的信息处理方法。