商品自动定价方法、装置、电子设备和存储介质

技术领域

本发明的实施方式涉及信息处理技术领域，更具体地，本发明的实施方式涉及一种商品自动定价方法、装置、电子设备和存储介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着计算机技术的迅速发展，通过信息处理方式进行商品价格预测的应用变得越来越广泛。商品价格预测有利于提高电子商务领域的业务运行效率，和改善电子商务领域中商品定价的智能化程度。

在实现本发明公开构思中，发明人发现相关技术中在进行商品自动定价时，通常结合目标商品的历史价格数据和市场环境信息，进行针对目标商品的价格预测。

然而，对于部分目标商品来说，实际市场环境可能与商品完全自由竞争的理想市场环境差异较大，这可能导致针对目标商品的价格预测的误差率较高；并且结合市场环境信息进行商品价格预测，存在预测效率低、计算资源消耗大、定价成本高的缺陷。

发明内容

现有技术在进行商品自动定价时，通常结合目标商品的历史价格数据和市场环境信息，进行针对目标商品的价格预测。但是，对于部分目标商品来说，实际市场环境可能与商品完全自由竞争的理想市场环境差异较大。

因此在现有技术中，结合目标商品的历史价格数据和市场环境信息，确定出的目标商品的价格信息可能存在误差率较高的问题；并且结合市场环境信息进行商品价格预测，存在预测效率低、计算资源消耗大、定价成本高的问题，这是非常令人烦恼的过程。

为此，非常需要一种改进的商品自动定价方法，以实现一种定价准确性高、参考价值大，同时定价效率得以改善、计算资源消耗小的商品价格信息确定方法。

在本上下文中，本发明的实施方式期望提供一种商品自动定价方法、装置、电子设备和存储介质。

在本发明实施方式的第一方面中，提供了一种商品自动定价方法，包括获取目标商品的定价要素信息，其中，所述定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；将所述定价要素信息输入价格预测模型以确定所述目标商品的价格信息，其中，所述价格预测模型由关联商品的商品履历数据训练获得，所述关联商品与所述目标商品隶属于同一品牌。

在本发明的一个实施例中，所述价格预测模型由关联商品的商品履历数据训练获得，包括：将所述商品履历数据中的历史定价信息作为标签值，基于所述商品履历数据进行初次特征构造，以获得相应的原始特征集。

在本发明的另一实施例中，还包括：计算原始特征集中各个特征与所述标签值的相关系数；基于所述相关系数对所述原始特征集进行扩充或筛选，以获得用于二次特征构造的第一目标特征集。

在本发明的又一实施例中，所述二次特征构造包括，试跑筛选步骤：将与所述第一目标特征集对应的数据输入所述价格预测模型进行模型试跑，并根据试跑结果确定所述第一目标特征集中各个特征对于所述价格预测模型的精度增益系数；基于所述相关系数和所述精度增益系数对所述第一目标特征集进行筛选，获得第二目标特征集；其中，所述第二目标特征集中的特征对应于所述关联商品的所述定价要素信息。

在本发明的另一实施例中，所述二次特征构造还包括，融合扩充步骤：根据所述相关系数和所述精度增益系数将对应于不同类型所述定价要素信息的特征进行融合，将融合形成的新特征添加至所述第二目标特征集以对其进行扩充。

在本发明的另一实施例中，所述模型试跑的步骤还包括：根据试跑结果确定所述价格预测模型的MSE得分，其中，将首次试跑获得的MSE得分作为MSE基准得分。

在本发明的另一实施例中，还包括重复所述试跑筛选步骤和所述融合扩充步骤，并重新确定所述价格预测模型的MSE得分，直至相应的MSE得分相较前次不再提升且高于基准MSE得分；基于所述MSE基准得分，以迭代获得所述第二目标特征集的最终版本。

在本发明的另一实施例中，所述价格预测模型由关联商品的商品履历数据训练获得，包括：基于时间维度将所述商品履历数据随机切分为对应不同时间段的多个商品履历数据子集，以不同时间段的所述多个商品履历数据子集分别对所述价格预测模型进行训练。

在本发明的另一实施例中，所述方法还包括效果评价步骤：以时间段靠前的所述商品履历数据子集训练生成所述价格预测模型，并基于相应的价格预测模型确定在后的某一时间段下所述关联商品的价格预测值；根据对应于所述在后的某一时间段下的商品履历数据子集确定在该时间段下所述关联商品的实际价格；基于所述在后的某一时间段下所述关联商品的价格预测值和实际价格对所述价格预测模型的预测效果做出评价。

在本发明的另一实施例中，所述方法还包括：基于预设的定价策略对所述价格预测模型所确定的目标商品的价格信息做出修正；所述定价策略至少包括最低毛利率定价策略、捆绑定价策略以及奇数定价策略中的之一。

在本发明的另一实施例中，所述方法还包括：基于Hive T+1模型周期性地对所述价格预测模型进行更新。

在本发明的另一实施例中，所述相关系数

与某一特征关联的精度增益系数

在本发明的另一实施例中，所述商品属性信息至少包括商品颜色信息、商品尺寸信息、商品类目信息中的之一；所述商品成本信息至少包括采购成本信息、税务成本信息、运营成本信息中的之一；所述营销动作信息至少包括商品上架信息、商品调价信息、商品促销信息中的之一。

在本发明实施方式的第二方面中，提供了一种商品自动定价装置，包括获取模块，用于获取目标商品的定价要素信息，其中，所述定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；处理模块，用于将所述定价要素信息输入价格预测模型以确定所述目标商品的价格信息，其中，所述价格预测模型由关联商品的商品履历数据训练获得，所述关联商品与所述目标商品隶属于同一品牌。

在本发明的一个实施例中，所述处理模块包括：第一处理子模块，用于将所述商品履历数据中的历史定价信息作为标签值，基于所述商品履历数据进行初次特征构造，以获得相应的原始特征集。

在本发明的另一实施例中，所述处理模块还包括：第二处理子模块，用于计算原始特征集中各个特征与所述标签值的相关系数；第三处理子模块，用于基于所述相关系数对所述原始特征集进行扩充或筛选，以获得用于二次特征构造的第一目标特征集。

在本发明的又一实施例中，所述处理模块包括：试跑筛选子模块，用于将与所述第一目标特征集对应的数据输入所述价格预测模型进行模型试跑，并根据试跑结果确定所述第一目标特征集中各个特征对于所述价格预测模型的精度增益系数；基于所述相关系数和所述精度增益系数对所述第一目标特征集进行筛选，获得第二目标特征集；其中，所述第二目标特征集中的特征对应于所述关联商品的所述定价要素信息。

在本发明的另一实施例中，所述处理模块还包括：融合扩充子模块，用于根据所述相关系数和所述精度增益系数将对应于不同类型所述定价要素信息的特征进行融合，将融合形成的新特征添加至所述第二目标特征集以对其进行扩充。

在本发明的另一实施例中，所述试跑筛选子模块还包括：MSE得分确定单元，用于根据试跑结果确定所述价格预测模型的MSE得分，其中，将首次试跑获得的MSE得分作为MSE基准得分。

在本发明的另一实施例中，重复通过所述试跑筛选子模块和所述融合扩充子模块确定所述价格预测模型的MSE得分，直至相应的MSE得分相较前次不再提升且高于基准MSE得分；基于所述MSE基准得分，以迭代获得所述第二目标特征集的最终版本。

在本发明的另一实施例中，所述处理模块，用于基于时间维度将所述商品履历数据随机切分为对应不同时间段的多个商品履历数据子集，以不同时间段的所述多个商品履历数据子集分别对所述价格预测模型进行训练。

在本发明的另一实施例中，所述处理模块还包括效果评价子模块，用于以时间段靠前的所述商品履历数据子集训练生成所述价格预测模型，并基于相应的价格预测模型确定在后的某一时间段下所述关联商品的价格预测值；根据对应于所述在后的某一时间段下的商品履历数据子集确定在该时间段下所述关联商品的实际价格；基于所述在后的某一时间段下所述关联商品的价格预测值和实际价格对所述价格预测模型的预测效果做出评价。

在本发明的另一实施例中，所述处理模块还包括价格信息优化子模块，用于基于预设的定价策略对所述价格预测模型所确定的目标商品的价格信息做出修正；所述定价策略至少包括最低毛利率定价策略、捆绑定价策略以及奇数定价策略中的之一。

在本发明的另一实施例中，所述处理模块还包括模型更新子模块：基于Hive T+1模型周期性地对所述价格预测模型进行更新。

在本发明的另一实施例中，所述相关系数

与某一特征关联的精度增益系数

在本发明的另一实施例中，所述商品属性信息至少包括商品颜色信息、商品尺寸信息、商品类目信息中的之一；所述商品成本信息至少包括采购成本信息、税务成本信息、运营成本信息中的之一；所述营销动作信息至少包括商品上架信息、商品调价信息、商品促销信息中的之一。

在本发明实施方式的第三方面中，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现第一方面中任一项所述的方法。

在本发明实施方式的第四方面中，提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现第一方面中任一项所述的方法。

根据本发明实施方式的商品自动定价方法和装置，可以有效解决基于目标商品的历史价格数据和市场环境信息，确定出的价格信息误差大的问题，同时，由于定价要素信息相比市场环境信息具有数据量小、数据获取方式简单的优势，因此，本发明实施方式还可以有效减少商品自动定价的计算资源消耗，有利于提高商品自动定价效率。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了根据本发明实施方式的商品自动定价方法及其装置的示例性系统架构；

图2示意性地示出了根据本发明实施例的一种商品自动定价方法的流程图；

图3示意性地示出了根据本发明实施例的另一商品自动定价方法的流程图；

图4示意性地示出了根据本发明实施例的价格预测模型的训练过程的示意图；

图5示意性地示出了根据本发明实施例的模型效果评价方法的示意图；

图6示意性地示出了根据本发明实施例的商品自动定价过程的示意图；

图7示意性地示出了根据本发明实施例的可实现商品自动定价的程序产品示意图；

图8示意性地示出了根据本发明实施例的商品自动定价装置的框图；以及

图9示意性地示出了根据本发明实施例的可实现商品自动定价的计算设备。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种商品自动定价方法、装置、电子设备和计算机可读介质。

在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

本发明人发现，相关技术中在进行商品自动定价时，通常结合目标商品的历史价格数据和市场环境信息，进行针对目标商品的价格预测。然而，对于部分目标商品来说，实际市场环境可能与商品完全自由竞争的理想市场环境差异较大，这可能导致针对目标商品的价格预测的误差率较高；由于市场环境信息具有数据种类多、数据量大、数据分布不集中的特点，因此结合市场环境信息进行商品价格预测，存在预测效率低、计算资源消耗大、定价成本高的缺陷。

并且，对于一些从商品设计方案、商品品牌、商品销售渠道均为自有模式的品牌而言，其市场可替代性相对较弱，该类品牌商品往往具有一定的品牌自由定价空间。相比于商品完全自由竞争的理想市场环境，该类商品多处于垄断市场或寡头市场，商品品牌方具有一定价格掌控力。相关技术中基于商品的历史定价信息、市场环境信息、历史销量信息等进行的商品自动定价，无法实现基于品牌溢价进行商品定价，无法满足上述具有一定品牌自由定价空间的商品的定价需求。

在行业现有实践中，基于品牌溢价的定价场景通常由数据系统给出辅助决策信息，或者由业务人员收集所需的辅助决策信息，业务人员需要基于经验和获得的辅助决策信息自行分析判断，给出商品的最终定价。该定价操作流程为割裂化的流程，并且人工操作还会引入决策偏差与定价波动。

因此，本发明实施例在基于历史定价合理的基础上，发掘商品历史定价中隐含的定价策略，通过利用包含品牌定价策略的商品履历数据，训练获得用于商品自动定价的价格预测模型，以此实现商品定价的自动化。并且，本过程可以不依赖于市面已有类似商品的定价信息和市场环境信息对商品定价的反馈，可以在有效提高商品自动定价效率的同时，能够很好地适用于具有一定品牌自主权与品牌自由定价空间的商品自动定价。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

首先参考图1详细阐述本发明实施例的商品自动定价方法及其装置的示例性系统架构。

如图1所示，根据该实施例的系统架构100可以包括业务服务器101、102、103，网络104和处理设备105。网络104用以在业务服务器101、102、103和处理设备105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

业务服务器101、102、103中存储有目标商品的定价要素信息，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一。业务服务器101、102、103具体可以是进行目标商品销售的业务平台中的服务器，也可以是用于对目标商品的定价要素数据进行存储的服务器。本实施例对业务服务器的种类不做限定。

处理设备105为能够进行商品自动定价的设备，例如可以是能够进行信息处理与数据运算的处理器。处理设备105从业务服务器101、102、103中获取目标商品的定价要素信息，然后将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。

需要说明的是，本发明实施例所提供的商品自动定价方法一般可以由处理设备105执行。相应地，本发明实施例所提供的商品自动定价装置一般可以设置于处理设备105中。本发明实施例所提供的商品自动定价方法也可以由不同于处理设备105且能够与业务服务器101、102、103和/或处理设备105通信的其他处理设备或处理设备集群执行。相应地，本发明实施例所提供的商品自动定价装置也可以设置于不同于处理设备105且能够与业务服务器101、102、103和/或处理设备105通信的其他处理设备或处理设备集群中。

应该理解，图1中的业务服务器、网络和处理设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的业务服务器、网络和处理设备。

下面结合图1的应用场景，参考图2、3来描述根据本发明示例性实施方式的商品自动定价方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

图2示意性地示出了根据本发明实施例的一种商品自动定价方法的流程图。

如图2所示，该方法应用于终端，终端包括可执行的至少一个应用程序。方法200可以包括步骤S210～S220。

步骤S210，获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一。

根据本发明实施例，当需要进行针对目标商品的价格预测时，获取目标商品的定价要素信息，定价要素信息为能够影响目标商品定价的要素信息。目标商品可以包括实体商品和虚拟商品，定价要素信息按照对应的类型划分，具体可以包括商品属性信息、商品成本信息、营销动作信息等。

具体地，商品属性信息例如可以包括商品颜色信息、商品型号信息、商品尺寸信息、商品类目信息、商品性能信息等。商品成本信息例如可以包括生产成本信息、采购成本信息、税务成本信息、运输成本信息、存储成本信息、运营成本信息等，运营成本信息例如可以包括宣传成本信息、电子商务运营成本信息等。营销动作信息例如可以包括商品上架信息、商品调价信息、商品促销信息等，商品促销信息例如可以包括满减信息、满赠信息、购物券信息、套装优惠信息等。获取的定价要素信息的类别与内容可以根据不同业务场景和实际需要确定，本申请在此不做限定。

步骤S220，将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。

根据本发明实施例，将目标商品的定价要素信息输入预设的价格预测模型，实现利用价格预测模型进行针对目标商品的价格预测。其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌，商品履历数据包括关联商品的历史定价信息和能够影响关联商品历史定价的其他信息。在利用关联商品的商品履历数据进行模型训练时，可将商品履历数据中的历史定价信息作为标签值，利用能够影响关联商品历史定价的其他信息进行特征构造，得到与商品履历数据对应的特征集。利用与商品履历数据对应的特征集进行有监督回归方式的模型训练，得到价格预测模型。关联商品与目标商品隶属于同一品牌，同一品牌之下的关联商品和目标商品通常采用相同或相近的品牌策略进行运营，因而关联商品和目标商品之中所蕴含的品牌价值相差不大。在本发明其中一实施例中，关联商品为A品牌的鞋子，而目标商品为同属于A品牌的卫衣，那么采用本发明其中一实施例中的方案，就可以通过该A品牌鞋子的商品履历数据训练出模型，用以对A品牌的卫衣的价格作出预测。需要说明的是，关联商品和目标商品可以为相同或相近品类的商品，也可以为不同品类的商品，只要关联商品和目标商品隶属于同一品牌，即可采用本发明实施例中的方案对目标商品的价格作出预测。

由于关联商品的商品履历数据中蕴含了该品牌的品牌价值信息，因而采用该实施例中的价格预测模型对目标商品的价格信息进行预测，能够使预测得到的价格信息同样反映出本品牌的品牌价值，使得欲上线的商品能够保持该品牌一贯的品牌运营策略，并帮助商家赚取品牌溢价所带来的超额利润，从而解决了现有的价格预测模型难以准确预估包含有品牌价值在内的商品价格。另一方面，品牌价值较高的商家在市场竞争中往往处于垄断或半垄断的市场地位，这导致该类商家所面临的市场环境不符合完全竞争市场的理想状态和基本假定，从而使得现有基于理想状态下的价格预测模型难以为该类商家所推出的商品给出合理的定价，严重的预测偏差甚至会给商家造成巨大的利润损失。

采用本发明其中一实施例中所揭示的价格预测模型对目标商品的价格进行预测，由于价格预测模型由关联商品的商品履历数据训练获得，一方面训练数据来自于品牌内部，能够做到数据的自主可控且易于获得；另一方面，商品履历数据反映了该品牌的关联商品在实际所面临的市场环境中的真实市场表现，因而采用本实施例中的价格预测模型，能够在上线之前即确定出目标商品的合理价格，从而使得相应的价格在实现高品牌溢价的同时也更加贴近于真实的市场环境。

可选地，在确定出目标商品的价格信息后，可以基于预设的定价策略对价格信息做出修正，其中，定价策略至少包括最低毛利率定价策略、捆绑定价策略以及奇数定价策略中的之一。最低毛利率定价策略具体可以是预先设定最低毛利率，当确定出的价格信息无法满足预先设定的最低毛利率时，根据最低毛利率标准对价格信息进行修正。捆绑定价策略具体可以是针对组合装商品制定定价策略，当目标商品为组合装商品或者需要与其他商品组合销售时，利用预设的捆绑定价策略对价格信息进行修正。奇数定价策略具体可以是将用户敏感的高位价置低，将用户不敏感的低位价置高的定价策略，示例性地，利用价格预测模型确定出的目标商品的预测价格为111元，利用奇数定价策略将目标商品的预测价格由111元修正为109元。

在对价格预测模型确定出的价格信息进行修正后，得到目标商品的推荐定价，将目标商品的推荐定价通过业务接口返回给业务系统，以供业务系统根据接收到的推荐定价，最终确定针对目标商品的实际定价。或者，供业务系统根据接收到的推荐定价，确定用户针对目标商品的支出意愿指数、品牌偏好指数、性能需求指数等，以此调整针对目标商品的运营策略。

本发明实施例的技术方案提供了一种商品自动定价方法，通过获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。利用价格预测模型确定目标商品的价格信息，价格预测模型由隶属于同一品牌的关联商品的商品履历数据训练获得，这使得针对目标商品的价格预测可以不强依赖于市场环境信息的影响，当目标商品的实际市场环境区别于完全自由竞争的理想市场环境时，本发明实施例依然能够有效保证目标商品价格预测的准确性，从而有利于保持商品价格体系稳定，有利于实现策略化利润管控；本发明实施例可以不强依赖于市场环境信息进行商品自动定价，而是可以通过获取目标商品的定价要素信息，基于定价要素信息进行针对目标商品的自动定价，定价要素信息相比市场环境信息具有更精简的数据内容和更简单的获取方式，这能够有效减少数据获取与数据处理的工作量，能够有效提高商品价格预测的预测效率，有利于减少商品价格预测的计算资源消耗，进而有利于实现低成本高效率的商品自动定价。

图3示意性地示出了根据本发明实施例的另一商品自动定价方法的流程图。

如图3所示，步骤S220中利用到的价格预测模型的训练过程可以包括步骤S310～S330。

步骤S310，将商品履历数据中的历史定价信息作为标签值，基于商品履历数据进行初次特征构造，以获得相应的原始特征集。

根据本发明实施例，在进行价格预测模型训练时，获取多个关联商品的商品履历数据，例如可以获取给定sku的多个关联商品的商品履历数据，sku为商品最小库存单位，不同规格的同一商品对应于不同sku。商品履历数据包括历史定价信息和能够影响关联商品的历史定价的其他信息，例如可以包括商品属性信息、商品成本信息、历史营销信息等。在获得商品履历数据后，可以对商品履历数据中的字符串数据进行分词与编码处理。示例性地，商品履历数据中包含“绿色杯子价格为12元”，需要对字符串数据“绿色杯子”“价格”“元”进行分词与编码处理，实现将字符串数据处理为字符特征。

对商品履历数据中的字符串数据进行分词与编码处理，实现将商品履历数据中的能够影响关联商品的历史定价的其他信息处理为字符特征，将该部分字符特征作为训练特征，将商品履历数据中的历史定价信息作为标签值，以sku为唯一键整合标签值与训练特征，实现基于商品履历数据进行初次特征构造，得到相应的原始特征集。

可选地，在利用关联商品的商品履历数据训练获得价格预测模型时，可以基于时间维度将商品履历数据随机切分为对应不同时间段的多个商品履历数据子集，然后以不同时间段的多个商品履历数据子集分别对价格预测模型进行训练。

步骤S320，计算原始特征集中各个特征与标签值的相关系数，以及基于相关系数对原始特征集进行扩充或筛选，以得到第一目标特征集。

根据本发明实施例，利用统计学方法确定原始特征集中各个特征与标签值的相关系数，即确定原始特征集中各特征与历史定价信息之间的相关系数，其中，统计学方法例如可以包括描述性统计法、抽样推断法、时间序列分析法、指数分析法等，相关系数具体可以表示为：

其中，X表示原始特征集中各个特征的特征值，

当原始特征集中的某特征与标签值的相关系数高于预设阈值时，可判断该特征与标签值间的关联程度较高，可将该特征作为后续特征构造的重点关注数据。示例性地，通过以下表格展示不同特征与标签值间的相关系数。

在确定原始特征集中的各特征与标签值的相关系数后，基于相关系数对原始特征集进行扩充或筛选处理，以得到第一目标特征集。具体地，从原始特征集中筛选相关系数高于预设阈值的目标特征，或者，扩充获取与目标特征相关的其他特征所对应的商品履历数据，继续判断扩充获取的商品履历数据中的特征与标签值的相关系数，如相关系数高于预设阈值，则筛选对应的特征为目标特征，以此实现对原始特征集的扩充。由扩充或筛选处理后得到的目标特征，构成第一目标特征集。

基于原始特征集中各个特征与标签值的相关系数，对原始特征集进行扩充或筛选处理，以得到第一目标特征集。第一目标特征集中的各特征与标签值的相关系数高于预设阈值，有效保证了第一目标特征集中的各特征与关联商品的历史价格信息间的具有较高的相关程度，有效保证了构造出的第一目标特征集的准确性。

步骤S330，对第一目标特征集进行二次特征构造，以得到第二目标特征集，其中，第二目标特征集中的特征对应于关联商品的定价要素信息。

根据本发明实施例，对第一目标特征集进行的二次特征构造包括试跑筛选步骤，具体地，将与第一目标特征集对应的数据输入价格预测模型进行模型试跑，并根据试跑结果确定第一目标特征集中各个特征对于价格预测模型的精度增益系数，然后基于相关系数和精度增益系数对第一目标特征集进行筛选，获得第二目标特征集，其中，第二目标特征集中的特征对应于关联商品的定价要素信息。

此外，模型试跑步骤还包括：根据试跑结果确定价格预测模型的MSE得分，其中，将首次试跑获得的MSE得分作为MSE基准得分。具体地，将与第一目标特征集对应的数据输入价格预测模型进行模型试跑，根据试跑结果确定价格预测模型的MSE得分。模型试跑结果为价格预测模型输出的关联商品的价格信息，即为价格预测模型针对关联商品的预测价格。MSE得分具体为均方误差，其用于衡量价格预测值与真实值之间的偏差，具体计算公式为：

在将第一目标特征集中的任一特征对应的数据输入价格预测模型进行模型试跑后，可得到与该特征关联的价格预测模型的第一MSE得分。结合未将与该特征对应的数据输入价格预测模型时，价格预测模型的第二MSE得分，即可确定出该特征对于价格预测模型的精度增益系数。即，与任一特征关联的精度增益系数

在将第一目标特征集中的各个特征对应的数据输入价格预测模型进行模型试跑后，确定与各特征关联的价格预测模型的MSE得分，由于MSE得分能够表征关联商品的预测价格与实际价格间的偏差程度，即能够表征价格预测模型的预测精度。确定价格预测模型的MSE得分，和基于MSE得分确定与各特征关联的精度增益系数，有利于清楚准确获知各个特征与关联商品的历史定价信息间的关联程度，能够较好地发掘关联商品的历史定价信息中所隐含的定价策略。基于与各特征关联的相关系数、精度增益系数，进行针对第一目标特征集的二次特征构造，有利于保证特征构造结果的准确性，有利于提升价格预测模型的预测精度。

可选地，二次特征构造还包括融合扩充步骤，具体地，根据相关系数和精度增益系数将对应于不同类型定价要素信息的特征进行融合，将融合形成的新特征添加至第二目标特征集以对其进行扩充。结合相关系数、精度增益系数和业务经验，使用组合计算、分组统计等方式，对相关系数和/或精度增益系数高于预设阈值，且对应于不同类型定价要素信息的特征进行融合，得到新的训练特征。可选地，可以将融合得到的新的训练特征输入价格预测模型进行模型试跑，得到模型试跑结果，以及根据模型试跑结果，确定针对新的训练特征的精度增益系数，当精度增益系数高于预设阈值时，将新的训练特征添加至第二目标特征集中。

可选地，当确定针对新的训练特征的精度增益系数高于预设阈值时，还可继续将新的训练特征与其他特征进行进一步融合扩充，以实现对第二目标特征集进行进一步扩充，通过构建尽可能完备的第二目标特征集，有利于训练获得更高预测精度的价格预测模型。

示例性地，在模型试跑中发现与成本类特征相关的相关系数与精度增益系数均较高时，可以判断关联商品的历史定价包含基于成本的溢价策略，此时，可以使用分组融合、线性组合、多项式组合、比例组合、排名编码特征、异域值融合等方式对成本类特征进行融合扩充，并将融合形成的新特征添加至第二目标特征集。或者，在模型试跑中发现品牌类特征的精度增益系数较高时，可以判断关联商品的历史定价包含基于品牌信息的溢价策略，此时可以对商品创建人、品牌定位人群等品牌类特征进行二次构造，以得到融合扩充后的新特征。

重复进行上述模型试跑步骤和融合扩充步骤，并重复确定价格预测模型的MSE得分。当价格预测模型的MSE得分相较前次不再提升且高于MSE基准得分时，停止模型试跑步骤和融合扩充步骤，以此实现基于MSE基准得分，通过迭代方式获得第二目标特征集的最终版本。第二目标特征集中的特征对应于关联商品的定价要素信息，即第二目标特征集中的特征对应于关联商品的定价策略信息。当价格预测模型的MSE得分相较前次不再提升且高于MSE基准得分时，说明价格预测模型针对关联商品的价格预测值已经能够很好地接近价格实际值，价格预测模型已经能够实现平稳高精度的商品价格预测，可以将最后迭代得到的价格预测模型用于实际的商品自动定价服务中。

图4示意性地示出了根据本发明实施例的价格预测模型的训练过程的示意图，如图4所示，该训练过程可以包括401～405过程。

在401过程中，将商品履历数据中的历史定价信息作为标签值，对除历史定价信息外的其他数据进行初次特征构造，得到由多个训练特征构成的原始特征集。

在402过程中，确定原始特征集中各特征与标签值的相关系数，然后基于相关系数对原始特征集进行扩充或筛选，得到第一目标特征集。

在403过程中，对第一目标特征集中的特征进行二次特征构造，具体地，将第一目标特征集对应的数据输入价格预测模型进行模型试跑，迭代得到价格预测模型的MSE得分，以及得到与第一目标特征集中的各特征关联的精度增益系数。

在404过程中，基于相关系数和精度增益系数，对第一目标特征集中的特征进行特征构造，特征构造包括筛选和/或融合扩充处理，得到在405过程中的第二目标特征集，第二目标特征集中的特征对应于关联商品的定价要素信息。

在通过有监督回归方式训练获得符合精度要求的价格预测模型后，可以通过提供业务接口的方式提供定价服务。具体地，本方法实施例的系统架构可以包括算法服务模块与定价服务模块，算法服务模块负责算法模型更新和自动定价计算，定价服务模块负责对外提供商品自动定价服务。定价服务模块通过向业务系统提供应用程序接口，实现获取来自业务系统的定价服务请求，然后通过算法服务模块进行针对目标商品的价格预测运算，以及通过定价服务模块向业务系统返回目标商品的价格信息。

具体地，业务人员通过业务系统输入指定sku，定价服务模块实时获取指定sku的目标商品的定价要素信息，具体可以是从不同业务子系统中实时获取目标商品的定价要素信息。接下来，将定价要素信息输入算法服务模块，利用算法服务模块中的价格预测模型进行计算，得到目标商品的定价信息，然后将定价信息通过定价服务模块返回给业务系统。为提高商品自动定价效率，还可以基于Flink等实时算法将不同sku的目标商品的定价要素信息维护至mysql等数据库中，以备商品定价服务时查询。

特征构造与算法模型训练属于计算密集型作业，通常需要借助hadoop、k8s等算法弹性提升计算能力。定价服务模块通过向业务系统提供应用程序接口实现提供商品自动定价服务。将算法服务模块与定价服务模块分开部署，有利于保证商品自动定价系统的安全性和稳定性。

可选地，在训练获得价格预测模型后，还可以进行预测效果评价步骤。具体地，由于在利用关联商品的商品履历数据进行模型训练时，基于时间维度将商品履历数据随机切分为对应不同时间段的多个商品履历数据子集，然后以不同时间段的多个商品履历数据子集分别对价格预测模型进行训练。因此，可以以时间段靠前的商品履历数据子集训练生成价格预测模型，并基于相应的价格预测模型确定在后的某一时间段下关联商品的价格预测值；根据对应于在后的某一时间段下的商品履历数据子集确定在该时间段下关联商品的实际价格；基于在后的某一时间段下关联商品的价格预测值和实际价格对价格预测模型的预测效果做出评价。

示例性地，图5示意性地示出了根据本发明实施例的模型效果评价方法的示意图，如图5所示，利用1、2月商品的商品履历子数据训练价格预测模型，并基于相应的价格预测模型确定4月商品的价格预测值，然后根据4月商品的商品履历子数据确定4月商品的实际价格，最后根据4月商品的价格预测值和实际价格，确定价格预测模型的预测精度。或者，利用1、2、3月商品的商品履历子数据训练价格预测模型，利用价格预测模型确定5月商品的价格预测值，然后基于5月商品的价格预测值和实际价格，确定价格预测模型的预测精度。

可选地，在训练获得价格预测模型后，还可以进行模型更新步骤，具体地，可以基于Hive T+1模型周期性地对价格预测模型进行更新，其中，T+1指算法模型更新时间相对业务周期性延后一天的更新周期。在进行模型更新时，可以基于Hive T+1构造算法特征集，和利用构造出的算法特征集进行针对价格预测模型的更新性训练。

具体地，基于数据仓库中的基础数据每天定时全量构造目标特征集，具体可以对基础数据进行上述初次特征构造和上述二次特征构造，得到对应于基础数据的第二目标特征集。其中，基础数据例如可以是业务系统中关联商品的实际交易数据。然后，对前述步骤得到的第二目标特征集进行切分，得到多个第二目标特征子集，然后将各第二目标特征子集对应的数据输入价格预测模型进行训练，以实现针对价格预测模型的迭代更新。

图6示意性地示出了根据本发明实施例的商品自动定价过程的示意图，如图6所示，在获取到来自业务系统的定价服务请求后，基于定价服务请求，实时获取目标商品的定价要素信息，然后通过价格预测模型进行商品自动定价计算，得到目标商品的价格信息，并将价格信息返回业务系统。其中，可以基于HiveT+1周期性地对价格预测模型进行更新，具体基于T+1构造训练特征和基于T+1更新算法模型，实现价格预测模型的更新。

根据本发明实施例，利用与目标商品隶属于同一品牌的关联商品的商品履历数据训练获得价格预测模型，使得在利用价格预测模型确定目标商品的价格信息时，能够基于历史定价信息和品牌定价策略进行商品自动定价计算，这使得针对目标商品的价格预测可以不强依赖于市场环境信息，通过利用隶属于同一品牌的关联商品的商品履历数据训练获得价格预测模型，能够有效提升商品自动定价的准确性，有利于保持相同品牌商品价格体系稳定，有利于实现策略化利润管控；由于获取的定价要素信息具有数据量小、获取方式简单的优点，因此本实施例还有利于减少商品自动定价的计算资源消耗，有利于节省商品自动定价的定价成本。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图7对本发明示例性实施方式的一种计算机可读存储介质进行介绍。计算机可读存储介质存储有计算机可执行指令，上述指令在被处理单元执行时用于实现上述方法实施例中任一项所述的应用于终端的商品自动定价方法。

在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算设备上运行时，所述程序代码用于使所述计算设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的商品自动定价方法中的步骤，例如，所述计算设备可以执行如图2中所示的步骤S210：获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；步骤S220：将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

如图7所示，描述了根据本发明的实施方式的用于商品自动定价的程序产品70，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆，RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言——诸如Java，C++等，还包括常规的过程式程序设计语言——诸如“C”，语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)一连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在介绍了本发明示例性实施方式的介质之后，接下来，参考图8和图9对本发明示例性实施方式的商品自动定价装置进行介绍。

图8示意性地示出了根据本发明实施例的商品自动定价装置的框图。

如图8所示，商品自动定价装置800可以包括获取模块810和处理模块820。该处理装置可以执行参考方法实施例部分描述的方法。

具体地，获取模块810，用于用于获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；处理模块820，用于用于将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。

本发明实施例的技术方案提供了一种商品自动定价方法，通过获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。利用价格预测模型确定目标商品的价格信息，价格预测模型由隶属于同一品牌的关联商品的商品履历数据训练获得，这使得针对目标商品的价格预测可以不强依赖于市场环境信息的影响，当目标商品的实际市场环境区别于完全自由竞争的理想市场环境时，本发明实施例依然能够有效保证目标商品价格预测的准确性，从而有利于保持商品价格体系稳定，有利于实现策略化利润管控；本发明实施例可以不强依赖于市场环境信息进行商品自动定价，而是可以通过获取目标商品的定价要素信息，基于定价要素信息进行针对目标商品的自动定价，定价要素信息相比市场环境信息具有更精简的数据内容和更简单的获取方式，这能够有效减少数据获取与数据处理的工作量，能够有效提高商品价格预测的预测效率，有利于减少商品价格预测的计算资源消耗，进而有利于实现低成本高效率的商品自动定价。

在本发明的一个实施例中，处理模块包括：第一处理子模块，用于将商品履历数据中的历史定价信息作为标签值，基于商品履历数据进行初次特征构造，以获得相应的原始特征集。

在本发明的另一实施例中，处理模块还包括：第二处理子模块，用于计算原始特征集中各个特征与标签值的相关系数；第三处理子模块，用于基于相关系数对原始特征集进行扩充或筛选，以获得用于二次特征构造的第一目标特征集。

在本发明的又一实施例中，处理模块包括：试跑筛选子模块，用于将与第一目标特征集对应的数据输入价格预测模型进行模型试跑，并根据试跑结果确定第一目标特征集中各个特征对于价格预测模型的精度增益系数；基于相关系数和精度增益系数对第一目标特征集进行筛选，获得第二目标特征集；其中，第二目标特征集中的特征对应于关联商品的定价要素信息。

在本发明的另一实施例中，处理模块还包括：融合扩充子模块，用于根据相关系数和精度增益系数将对应于不同类型定价要素信息的特征进行融合，将融合形成的新特征添加至第二目标特征集以对其进行扩充。

在本发明的另一实施例中，试跑筛选子模块还包括：MSE得分确定单元，用于根据试跑结果确定价格预测模型的MSE得分，其中，将首次试跑获得的MSE得分作为MSE基准得分。

在本发明的另一实施例中，重复通过试跑筛选子模块和融合扩充子模块确定价格预测模型的MSE得分，直至相应的MSE得分相较前次不再提升且高于基准MSE得分；基于MSE基准得分，以迭代获得第二目标特征集的最终版本。

在本发明的另一实施例中，处理模块，用于基于时间维度将商品履历数据随机切分为对应不同时间段的多个商品履历数据子集，以不同时间段的多个商品履历数据子集分别对价格预测模型进行训练。

在本发明的另一实施例中，处理模块还包括效果评价子模块，用于以时间段靠前的商品履历数据子集训练生成价格预测模型，并基于相应的价格预测模型确定在后的某一时间段下关联商品的价格预测值；根据对应于在后的某一时间段下的商品履历数据子集确定在该时间段下关联商品的实际价格；基于在后的某一时间段下关联商品的价格预测值和实际价格对价格预测模型的预测效果做出评价。

在本发明的另一实施例中，处理模块还包括价格信息优化子模块，用于基于预设的定价策略对价格预测模型所确定的目标商品的价格信息做出修正；定价策略至少包括最低毛利率定价策略、捆绑定价策略以及奇数定价策略中的之一。

在本发明的另一实施例中，处理模块还包括模型更新子模块：基于Hive T+1模型周期性地对价格预测模型进行更新。

在本发明的另一实施例中，相关系数

与某一特征关联的精度增益系数

在本发明的另一实施例中，商品属性信息至少包括商品颜色信息、商品尺寸信息、商品类目信息中的之一；商品成本信息至少包括采购成本信息、税务成本信息、运营成本信息中的之一；营销动作信息至少包括商品上架信息、商品调价信息、商品促销信息中的之一。

由于发明的示例实施例的商品自动定价装置800的各个功能模块与上述商品自动定价方法的示例实施例的步骤对应，因此在此不再赘述。

在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图9对本发明示例性实施方式的一种计算设备，用于实现本发明的商品自动定价方法。

本发明实施例还提供了一种计算设备。所属技术领域的技术人员能够理解，本发明的各个方面可以实现为装置、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本发明的计算设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的商品自动定价方法中的步骤。例如，所述处理单元可以执行如图2中所示的操作S210：获取目标商品的定价要素信息，其中，定价要素信息按照对应的类型划分，至少包括商品属性信息、商品成本信息、营销动作信息中的之一；操作S220：将定价要素信息输入价格预测模型以确定目标商品的价格信息，其中，价格预测模型由关联商品的商品履历数据训练获得，关联商品与目标商品隶属于同一品牌。

下面参照图9来描述根据本发明的可进行商品自动定价的计算设备900。如图9所示的计算设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，计算设备900以通用计算设备的形式表现。计算设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。

总线930表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储单元920可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储单元920还可以包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与计算设备900交互的设备通信，和/或与使得计算设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，计算设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与计算设备900的其它模块通信。应当明白，尽管图中未示出，可以结合计算设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。