计算时序队列的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种计算时序队列的方法和装置。

背景技术

购买目标物品的优惠活动层出不穷，而帮助用户确定才多重优惠活动下的感受价值较为困难。现有技术较多采用将优惠活动信息作为特征值带入机器学习算法的方式处理，对用户的感受价值进行训练和预测。

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：

1.当参与机器学习的样本数量较少时，得到的结果不准确。

2.机器学习算法的可解释性不强，较多情况下无法判断预测结果的准确性。

发明内容

有鉴于此，本发明实施例提供一种计算时序队列的方法和装置，能够达到更准确地确定目标物品的感受价值、为后续实现目标物品需求量预测提供数据支持的技术效果。

为实现上述目的，根据本发明实施例的一个方面，提供了一种计算时序队列的方法，包括：

获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列；

根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列；

确定所述目标物品的历史价值属性值时序队列；

根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列。

可选地，获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列，包括：

获取所述目标物品的历史订单数据和所述目标物品的历史点击量数据；

根据所述历史订单数据，确定历史需求量时序队列；

根据所述历史订单数据和所述历史点击量数据，确定所述历史订单与所述历史点击量之间的关系模型；

根据所述关系模型，将所述历史点击量数据转换为第二需求量时序队列；

将所述历史需求量时序队列和所述第二需求量时序队列按时序进行合并，生成所述目标物品对应的需求量时序队列。

可选地，根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列，包括：

根据所述目标物品的历史订单数据，确定所述历史订单数据对应用户的需求量时序队列的总时长和总需求量值；

将所述用户的总需求量值与所述总时长的比值，确定为所述用户单次平均需求量；

分别确定所述需求量时序队列中每一需求量与所述用户单次平均需求量的乘积；

分别确定所述每一乘积与所述需求量对应的时间间隔内所述用户集合中全部用户的需求量之和的比值；

将每一所述比值按时序进行排列后的结果，确定为所述目标物品对应的需求量权重时序队列。

可选地，确定所述目标物品的历史价值属性值时序队列，包括：

根据需求量时序队列对应的历史优惠信息、所述历史展示价值数据和所述历史订单数据，确定历史结算价值时序队列；

根据未来优惠信息和未来展示价值数据，确定未来结算价值时序队列；

将所述历史结算价值时序队列和所述未来结算价值时序队列的均值，确定所述目标物品的历史价值属性值时序队列。

可选地，根据需求量时序队列对应的历史优惠信息、所述历史展示价值和所述历史订单数据，确定历史结算价值时序队列，包括：

根据历史订单数据，确定所述单件目标物品对应的订单价值时序队列；

根据需求量时序队列对应的历史优惠信息和所述历史展示价值，生成历史点击量数据对应的点击价值时序队列；

将所述订单价值时序队列和所述点击价值时序队列按照时序进行组合，生成历史结算价值时序队列。

可选地，根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列，包括：

针对一个预设时间间隔，确定所述用户在需求量权重时序队列中对应的数值与对应在所述历史价值时序队列中的数值的乘积，确定为第一乘积；

将每一用户对应的所述第一乘积相加后与参与计算的所有用户个数的比值，确定为所述预设时间间隔对应的感受价值；

按照所有预设时间间隔对应的所述感受价值按时序进行排序，将排序的结果确定为所述目标物品的感受价值时序队列。

根据本发明实施例的一个方面，提供了一种确定需求量的方法，包括：

根据所述目标物品的感受价值时序队列，确定价值因子；

根据所述价值因子对历史需求量时序队列进行平滑处理，生成平滑历史需求量时序队列；

根据所述平滑历史需求量时序队列和时序预测方法，生成所述目标物品的预测需求量时序队列；

根据所述价值因子对所述预测需求量时序队列进行调整，确定所述需求量。

根据本发明实施例的一个方面，提供了一种计算时序队列的装置，包括：

需求量时序队列确定模块，用于获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列；

需求量权重时序队列确定模块，用于根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列；

历史价值属性值时序队列确定模块，用于确定所述目标物品的历史价值属性值时序队列；

感受价值时序队列确定模块，用于根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列。

根据本发明实施例的另一个方面，提供了一种计算时序队列的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的计算时序队列的方法。

根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的计算时序队列的方法。

上述发明中的一个实施例具有如下优点或有益效果：

本申请通过用户的需求量时序队列和历史价值属性值时序队列确定感受价值时序队列的技术手段，解决了现有技术采用机器学习确定目标物品的感受价值时存在的不准确、结果没有理论依据的技术缺陷，进而达到更准确地确定目标物品的感受价值、为后续实现目标物品需求量预测提供数据支持的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种计算时序队列方法的主要流程的示意图；

图2是本发明具体实施例中生成需求量时序队列的主要流程示意图；

图3是本发明具体实施例中生成历史价值属性值时序队列的主要流程示意图；

图4是根据本发明实施例的确定需求量的方法的主要流程的示意图；

图5是根据本发明实施例的一种计算时序队列的装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本申请的目的在于将优惠信息(例如满减信息、折扣信息、直降信息)转换为用户对这个目标物品的感受价值，即当用户看到一个享受优惠的目标物品后对所述目标物品的价值变为了多少的量化。

在大多数情况下，价值与销量是成负相关的，也就是对目标物品的需求量(也就是销量)进行预测时，可以利用历史价值的高低对历史订单进行平滑处理后进行预测，也可以利用未来的定价来预测需求量。但是除了价值，促销也对目标物品的需求量有很大影响，也就是促销力度越大，对应的需求量应该越高，促销力度也可以转化为某种目标物品的价值变化。

具体地，例如目标物品甲做了促销降价，从70元降到50元，这种情况是直降，对于直降最终的优惠后价值就是用户所支付的价值，所以对于直降这种促销类型而言它对目标物品价值的变化一目了然。

但是促销是并非直降一种类型，对于满减这种类型就不那么直观了，无法直观的确定满减对目标物品价值的影响、例如单件目标物品的价值为60元，参加满100减20的满减活动，初步看来好像买两件就能便宜变为一件50元，与促销策略是直降到50元相比，直降策略对用户的销量影响更大，因为直降策略没有对购买数量做限制，也就是且不论用户购买多少件都是一件50元。对于满减，以上面满100减20，单件目标物品以60元为例，其价值变化如下:

1件60元；2件50元；3件53.3元；4件55元；5件56元；

6件56.7元；7件57.1元；8件57.5元；9件57.8元；

…

100件59.8元

以上述满减为例，买两件时单价最低，因为刚过满减门槛，但随着件数越多单件价值也上升，逐步接近于原价60元但永远也到不了60元。

对于上述满减策略下用户的感受价值，感觉上应该在50元与60元之间。若需对确定用户精确的感受价值，则需要借助历史数据。通过历史数据，就可以确定用户的需求件数的情况。

通过历史数据可以确定所述目标物品在过去一段时间内每个用户的需求件数的分布情况。比如极端一些，所有用户对于这件目标物品在一段时间内平均购买件数就是一件，那么即便买两件单价会便宜，用户也不会去购买两件，因为没有这个需求(例如很少有人一次性买两部手机)，若用户对上述目标物品每次的需求量仅为一件，则对于该用户而言，用户的感受价值为依然保持在60元；但是如果购买所述所述目标物品的所有用户的购买件数在一段时间内平均是2件，那么这件目标物品展现给用户的感受价值可以设置为50元。在实际应用中即便是同一个人对同一目标物品的需求量也是在波动的，除此之外目标物品有时会采用多种满促销并存的策略，将并存的策略参与到确定感受价值可以使得感受价值更准确。

图1是根据本发明实施例的一种计算时序队列的方法的主要流程的示意图，如图1所示，包括：

步骤S101、获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列；

步骤S102、根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列；

步骤S103、确定所述目标物品的历史价值属性值时序队列；

步骤S104、根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列。

时序队列是指按照时间的顺序排列的数据队列，具体地：需求量时序队列是指需求量按照时间顺序排列生成的队列；同理可知，需求量权重时序队列、历史价值属性值时序队列和感受价值时序队列。由于用户的需求量在不同时刻，不同优惠条件下都可能存在不同，进而可以确定用户的结算价值在不同时刻也可能存在较大差异；当所述需求量权重、结算价值随时序变化时，感受价值也随时序进行变化，进而需要引入时序的概念，也就是在确定感受价值时需要确定感受价值在不同时间段内的变化情况，而非一直是个恒定的数值。

由于每个用户对同一目标物品的需求量可能存在不同，进而在预测目标物品的感受价值时需要更多考虑需求量大的用户，进而在本方案中需要根据需求量权重时序队列计算目标物品的感受价值时序队列。

本申请通过用户的需求量时序队列和结算价值时序队列确定感受价值时序队列的技术手段，解决了现有技术采用机器学习确定目标物品的感受价值时存在的不准确、结果没有理论依据的技术缺陷，进而达到更准确地确定目标物品的感受价值、为后续实现目标物品需求量预测提供数据支持的技术效果。

图2是本发明具体实施例中生成需求量时序队列的主要流程示意图；如图2所示，可选地，获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列，包括：

步骤S201、获取所述目标物品的历史订单数据和所述目标物品的历史点击量数据；具体地，历史订单数据可以从数据仓库中获取2年内的目标物品订单数据。可选地，如果历史数据少于30天则可以不对该目标物品的感受价值进行计算，其中所述历史订单数据中包含：目标物品id、用户id、该目标物品在该订单下购买件数。根据所述历史订单数据，可以汇总出历史需求量时序队列。由于用户生成订单可以参考的数据可能存在较少不利于分析的情况，进而在本方案中可以考虑将点击量作为计算需求量的参考因素，方便支撑后续的计算。其中，所述历史点击量数据包括目标物品id、用户id、点击量、日期。

步骤S202、基于所述历史订单数据和所述历史点击量数据可以确定所述历史订单与所述历史点击量之间的关系模型；其中，所述关系模型可以为线性关系模型，具体地，可以采用线性回归算法将二者进行训练确定关系模型；

再后，步骤S203、根据所述关系模型，将所述历史点击量数据转换为第二需求量时序队列；利用关系模型中用户、目标物品维度的点击量时序带入上一步计算得到的模型，进而可以确定历史点击量数据转化为需求量后的第二需求量时序队列。由于用户可能存在一天内完成多次下单的情况，在本方案中可以将用户一天内购买多次同一目标物品的个数确定为该用户该天内的需求量大小。其中，一天为具体的时间间隔，也可以将该时间间隔根据实际需要设置为半天、2天等。

步骤S204将所述历史需求量时序队列和所述第二需求量时序队列按时序进行合并，生成所述目标物品对应的需求量时序队列。

具体地生成需求量时序队列方法可以为：将历史需求量时序队列中若存在某一时间间隔的历史需求量为零，可以在第二需求量时序队列中查找所述时间间隔对应的第二需求量值，进而将历史需求量时序队列中所述时间间隔的数值进行替换，进而得到目标物品、用户维度的需求量时序队列。

可选地，根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列，包括：

根据所述目标物品的历史订单数据，确定所述历史订单数据对应用户的需求量时序队列的总时长和总需求量值；

将所述用户的总需求量值与所述总时长的比值，确定为所述用户单次平均需求量；

分别确定所述需求量时序队列中每一需求量与所述用户单次平均需求量的乘积；

分别确定所述每一乘积与所述需求量对应的时间间隔内所述用户集合中全部用户的需求量之和的比值；

将每一所述比值按时序进行排列后的结果，确定为所述目标物品对应的需求量权重时序队列。

下面以一具体实施例详细说明需求量权重时序队列的生成方式：

其中，s1、s2、s3、…..sn为第一个、第二个、第三个….第n个用户对目标物品的单次购买需求量；

t11、t12、t13、……t1n为第一个用户每天的需求量；

t21、t22、t23、……t2n为第二个用户每天的需求量；

…

tn1、tn2、tn3、……tnn为第n个用户每天的需求量；

t11*s1/(t11*s1+t21*s2+….tn1*sn)为第一个用户在第一天的需求权重；

t12*s1/(t12*s1+t22*s2+….tn2*sn)为第一个用户在第二天的需求权重；

t21*s2/(t11*s1+t21*s2+….tn1*sn)为第二个用户在第一天的需求权重；

t22*s2/(t12*s1+t22*s2+….tn2*sn)为第二个用户在第二天的需求权重；

……

tnn*sn/(t1n*s1+t2n*s2+….tnn*sn)为第n个用户在第n天的需求权重。

进而确定了每个用户对应的需求量权重时序队列。

可选地，确定所述目标物品的历史价值属性值时序队列，包括：

根据需求量时序队列对应的历史优惠信息、所述历史展示价值数据和所述历史订单数据，确定历史结算价值时序队列；

根据未来优惠信息和未来展示价值数据，确定未来结算价值时序队列；

将所述历史结算价值时序队列和所述未来结算价值时序队列的均值，确定所述目标物品的历史价值属性值时序队列。

其中，所述历史优惠信息包括从数据仓库中获取目标物品2年内的每日的满减信息，对应的字段包括目标物品id、门槛、力度、日期；所述历史订单数据包括：从数据仓库中获取目标物品2年内每天的历史价值信息。

计算用户单次每件历史结算价值时，如果目标物品当天没有满减规则，目标物品展示的价值就是用户当天对这件目标物品的结算价值，如果目标物品有多个满减规则，则计算当用户使用这个满减规则下购买用户需求量件数的目标物品后折算的目标物品单件价值(比如目标物品价值60元，满减规则是满100减去20，而用户对这件目标物品的单次需求量是2件，那么用户对所述目标物品在当前满减规则下的结算价值的计算公式为60*2-20)/2也就是50元，然后比较每个满减规则下计算出的所述目标物品的历史单件结算价值，取最小值作为这个用户在这一天对于这个目标物品的历史价值属性，将每天的历史价值属性按照时序进行排序，则生成历史价值属性时序队列。

计算未来结算价值与计算历史价值属性类似，当未来一段时间内没有类似于满减的优惠活动时，首先要知道所述目标物品在未来每天的未来展示价值，若展示价值相对稳定，则可以采用目标物品的历史展示价值的平均值或加权平均值作为未来展示价值。若未来一段时间内存在满减活动，则计算刚好达到满减要求时平均一件目标物品的价值A，然后历史上发生过满减促销天(且当天有需求)的结算价值的平均值计为B，将A和B的均值C作为所述用户购买所述目标物品的结算价值。将所述用户对应所述目标物品的结算价值按时序进行排列，进而生成历史价值属性值时序队列。

图3是本发明具体实施例中生成历史价值属性值时序队列的主要流程示意图，如图3所示，根据需求量时序队列对应的历史优惠信息、所述历史展示价值和所述历史订单数据，确定历史结算价值时序队列，包括：

步骤S301、根据历史订单数据，确定所述单件目标物品对应的订单价值时序队列；

步骤S302、根据需求量时序队列对应的历史优惠信息和所述历史展示价值，生成历史点击量数据对应的点击价值时序队列；

步骤S303、将所述订单价值时序队列和所述点击价值时序队列按照时序进行组合，生成历史结算价值时序队列。

可选地，根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列，包括：

针对一个预设时间间隔，确定所述用户在需求量权重时序队列中对应的数值与对应在所述历史价值时序队列中的数值的乘积，确定为第一乘积；

将每一用户对应的所述第一乘积相加后与参与计算的所有用户个数的比值，确定为所述预设时间间隔对应的感受价值；

按照所有预设时间间隔对应的所述感受价值按时序进行排序，将排序的结果确定为所述目标物品的感受价值时序队列。

下面以一具体实施例详细说明感受价值时序队列的生成方式，假设：

p11、p12、p13、...p1n为第一个用户的单次每件结算价值时序；

p21、p22、p23、...p2n为第二个用户的单次每件结算价值时序；

…

pn1、pb2、pn3、...pnn为第n个用户的单次每件结算价值时序；

w11、w12、w13、...w1n为第一个用户的每天需求量权重时序；

w21、w22、w23、...w2n为第二个用户的每天需求量权重时序；

…

wn1、wn2、wn3、...wnn为第n个用户的每天需求量权重时序；

R＝{(p11*w11+p21*w21+….Pn1*wn1)/n，(p12*w12+p22*w22+….Pn2*wn2)/n，…(p1n*w1n+p2n*w2n+….pnn*wnn)/n}

其中，所述R为所述物品在每天的感受价值时序队列。

图4是根据本发明实施例的确定需求量的方法的主要流程的示意图；如图4所示，提供了一种确定需求量的方法，包括：

步骤S401、根据所述目标物品的感受价值时序队列，确定价值因子；

步骤S402、根据所述价值因子对历史需求量时序队列进行平滑处理，生成平滑历史需求量时序队列；

步骤S403、根据所述平滑历史需求量时序队列和时序预测方法，生成所述目标物品的预测需求量时序队列；

步骤S404、根据所述价值因子对所述预测需求量时序队列进行调整，确定所述需求量。

由于价值和需求量成负相关，价值越高需求量越低，价值越低需求量越高，价值因子可理解为价值对于销量产生的影响程度，进而价值因子取值范围可以介于0到2之间，当价值因子值在0到1之间时表示价值对需求量产生负影响，一般发生在目标物品提价的时候，当价值因子值在1到2之间表示价值对需求量产生了正影响，一般在目标物品降价或促销的时候。输入是上一步的计算的用户感受价值序，输出是价值因子时序数据，同样包括历史和未来两部分。

利用价值因子可以对历史需求量时序队列进行平滑处理。例如可以简单的采用每天的需求量除以每天的价值因子得到平滑后需求量，之后再对异常值进行处理，异常之处里可以采用标准差法或四分位法。

然后可以采用Armia或移动平均法等开源时序预测方法计算未来的预测需求量。

最后利用价值因子预测需求量时序队列，可选地，使用预测值乘以价值因子得到最终调整后的预测结果。

图5是根据本发明实施例的一种计算时序队列的装置的主要模块的示意图；如图5所示，提供了一种计算时序队列的装置500，包括：

需求量时序队列确定模块501，用于获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列；

需求量权重时序队列确定模块502，用于根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列；

历史价值属性值时序队列确定模块503，用于确定所述目标物品的历史价值属性值时序队列；

感受价值时序队列确定模块504，用于根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列。

图6出了可以应用本发明实施例的计算时序队列方法或计算时序队列装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的计算时序队列方法一般由服务器605执行，相应地，计算时序队列装置一般设置于服务器605中。

应该理解，图6中的终端设备、网络和服务器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终端设备、网络和服务器。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，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7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：

获取目标物品的属性信息，确定所述目标物品对应的需求量时序队列；

根据所述需求量时序队列，确定所述目标物品对应的需求量权重时序队列；

确定所述目标物品的历史价值属性值时序队列；

根据所述目标物品对应的需求量权重时序队列和所述历史价值属性值时序队列，计算所述目标物品的感受价值时序队列。

根据本发明实施例的技术方案，可以达到如下有益效果：

本申请通过需求量时序队列和历史价值属性值时序队列确定感受价值时序队列的技术手段，解决了现有技术采用机器学习确定目标物品的感受价值时存在的不准确、结果没有理论依据的技术缺陷，进而达到更准确地确定目标物品的感受价值、为后续实现目标物品需求量预测提供数据支持的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。