[發明專利]一種面向多模態的新產品銷量預測方法及裝置

有效

• 申請號: 202110593370.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113256007B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 朱海洋;陳為;周俊;嚴凡;錢中昊;夏禎鋒
• 申請（專利權）人: 浙江大學;物產中大集團股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳婧玥

1.一種面向多模態的新產品銷量預測裝置的訓練方法，包括：

獲取目標產品的屬性描述文本、產品圖像，以及目標銷售時間的多維時間特征；所述多維時間特征包括以下中的至少一項：所述目標銷售時間是否與周末重疊、與周末重疊的比例、是否與節假日重疊、與節假日重疊的比例、是否與特定事件的時期重疊、與特定事件的時期相重疊的比例、與特定事件之間的時間差；

將所述獲取的內容輸入銷量預測裝置進行銷量預測，該銷量預測裝置包括多個編碼層、融合層和解碼器，所述多個編碼層包括屬性編碼層、圖像編碼層和時間編碼層；所述銷量預測包括：

通過所述屬性編碼層，采用詞嵌入方式處理所述屬性描述文本，確定所述屬性描述文本對應的屬性編碼向量；

通過所述圖像編碼層處理所述產品圖像，確定所述產品圖像對應的圖像編碼向量；

通過實現為時序網絡的所述時間編碼層，處理所述多維時間特征形成的時間特征序列，確定所述多維時間特征對應的時間編碼向量；

通過所述融合層，根據所述多個編碼層確定的多個編碼向量進行融合處理，得到融合向量；

通過所述解碼器，根據所述融合向量，輸出所述目標產品在所述目標銷售時間的預測銷量；

基于所述預測銷量和目標產品在所述目標銷售時間的銷量標簽，確定訓練損失，并基于該訓練損失調整所述銷量預測裝置中的模型參數。

2.根據權利要求1所述的方法，其中，所述屬性描述文本包括以下中的至少一項：產品名稱、產品顏色、產品類別、產品樣式、銷售價格、產品體積、產品重量、生產商信息。

3.根據權利要求1所述的方法，其中，所述時序網絡實現為循環神經網絡RNN、長短期記憶網絡LSTM、或門控循環單元GRU。

4.根據權利要求1所述的方法，其中，所述獲取的內容還包括所述目標銷售時間對應的天氣信息和/或事件信息；所述多個編碼層還包括天氣編碼層和/或事件編碼層；所述銷量預測還包括：

通過所述天氣編碼層，確定所述天氣信息對應的天氣編碼向量；和/或

通過所述事件編碼層，確定所述事件信息對應的事件編碼向量。

5.根據權利要求1所述的方法，其中，根據所述多個編碼層確定的多個編碼向量進行融合處理，得到融合向量，包括：

針對各編碼向量包含的多個向量元素中的各個向量元素，確定該向量元素為該多個向量元素分配的多個注意力權重；利用該多個注意力權重對該多個向量元素進行加權求和，得到該向量元素對應的重構向量元素；所述多個向量元素對應的多個重構向量元素形成重構向量；

對所述多個編碼向量和該多個編碼向量對應的多個重構向量進行融合處理，確定所述融合向量。

6.根據權利要求1所述的方法，其中，根據所述多個編碼層確定的多個編碼向量進行融合處理，得到融合向量，包括：

針對各編碼向量，確定該編碼向量為所述多個編碼向量分配的多個注意力權重；利用該多個注意力權重對該多個編碼向量進行加權求和，得到對應的重構向量；

對該多個編碼向量以及該多個編碼向量對應的多個重構向量進行所述融合處理，得到所述融合向量。

7.根據權利要求1-6中任一項所述的方法，其中，所述融合處理包括：拼接處理、對位相乘處理、或加權求和處理。

8.一種面向多模態的新產品銷量預測裝置的訓練系統，該訓練系統包括中包括銷量預測裝置及訓練單元，其中銷量預測裝置包括：

輸入層，用于獲取目標產品的屬性描述文本、產品圖像，以及目標銷售時間的多維時間特征；所述多維時間特征包括以下中的至少一項：所述目標銷售時間是否與周末重疊、與周末重疊的比例、是否與節假日重疊、與節假日重疊的比例、是否與特定事件的時期重疊、與特定事件的時期相重疊的比例、與特定事件之間的時間差；

多個編碼層，其中屬性編碼層，用于采用詞嵌入方式處理所述屬性描述文本，確定所述產品屬性對應的屬性編碼向量；圖像編碼層，用于處理所述產品圖像，確定所述產品圖像對應的圖像編碼向量；時間編碼層，實現為時序網絡，用于處理所述多維時間特征形成的時間特征序列，確定所述多維時間特征對應的時間編碼向量；

融合層，用于根據所述多個編碼層確定的多個編碼向量進行融合處理，得到融合向量；

解碼器，用于根據所述融合向量，輸出所述目標產品在所述目標銷售時段的預測銷量；

所述訓練單元用于：基于所述目標產品在所述目標銷售時間的預測銷量和銷量標簽，確定訓練損失，并基于該訓練損失調整所述銷量預測裝置中的模型參數。