[发明专利]基于深度神经网络的电子产品异步自适应价值评估方法

说明书

本发明涉及一种基于深度神经网络的电子产品异步自适应价值评估方法，用于解决二手电子产品自动定价的问题。具体包括估计产品本身价值的估价模块和为应对市场变化进行定价调整的自适应调价模块，自适应调价模块使用双深度Q网络，其模型结构由两个结构相同、参数不同的深度Q学习网络构成，即行为网络和目标网络；估价模块根据影响电子产品价格的内部属性得到t时刻的产品基本估价由估价模块输出的估计价格经过自适应调价模块选择的调价动作a_t调整之后得到最终价格本发明充分利用市场交易的信息，自适应调整定价以适应快速变化的市场，保证价格的合理性，提高交易成交率。

技术领域

本发明涉及再生资源回收利用领域，具体涉及一种基于深度神经网络的二手电子产品异步自适应价值评估方法。

背景技术

近年来，科技发展日新月异，电子产品品类层出不穷。同时伴随着互联网的发展，电子商务逐渐兴起，越来越多的用户选择网上购物。由于互联网信息获取的实时性和便利性，用户可通过互联网查看并对比各个平台的定价、优惠措施和销售情况之后，再决定是否购买。电子产品的价格会随着时间不断变化，对于电子产品销售商来说，需要在这种与竞争对手之间的博弈中获得一定的价格优势，因此迫切需要一种能高效的根据当前的产品价值、库存和销售能力等信息综合分析之后进行准确定价的方法，使得自己在激烈的竞争中占得先机，达到收益最大化。特别对于二手电子产品来说，影响产品价格的因素除了产品本身属性之外还有市场对于产品的需求量等，二手电子产品定价情况更复杂，参考因素更多，对具有高效智能学习调整能力的定价方法的需求更加迫切。

传统的二手电子产品定价方式主要依赖人工进行逐个型号的模型确定，比如二手手机需要参考手机初始购买的渠道、内存容量、手机使用老化程度等因素来计算手机价值，通过拥有行业经验的专业人员来制定模型，在得到手机各项属性之后通过模型计算手机的价值，最后参考市场因素的影响和销售端的销售能力来最终确定价格。在传统的二手手机定价过程中，复杂的模型制定和考虑市场因素最终定价的环节都依赖富有经验的专业人员。

常规的产品定价方法准确性和实时性都较差，需要人工干预定价过程。本发明为弥补以上不足，分别使用基于深度学习和强化学习的方法，包括依据产品本身属性进行产品价值预测的估价模块和依据市场信息进行价格调整的调价模块。利用深度学习技术自动学习产品属性特征组合得到价值预测模型，并采用定期进行参数更新的方法保证基础定价的时效性。利用强化学习可以在与环境交互的同时进行参数更新的特性进行调价动作选择的学习，最终形成异步更新的高效智能自适应的价值评估方法。

发明内容：

二手电子产品的定价浮动较大，且受到多种因素影响，传统电子产品定价的方式过程繁琐且对于价格调整通常滞后，容易由于定价跟不上市场变化而丧失订单，造成经济损失。为解决这个问题，通常采用的方式是人工定价，即销售商需要时刻关注行业内变化，需要安排专业人员每天甚至实时调整产品的定价。对于二手电子商务平台来说业务通常涉及多种类、多品牌、多型号的电子产品，进行定价管理就更加耗费人力物力。本发明将定价过程交由计算机自动完成，在高效定价的同时大幅度减少人工参与。

二手电子产品价格变化较快，本发明使用异步定价的机制，即将定价过程分为两个阶段，分为估计电子产品基础价值的估价模块和快速适应市场变化的自适应调价模块，其中电子产品估价模块利用深度学习模型对产品价值进行估计，自适应调价模块利用强化学习的方法对产品定价进行实时调整，所采用的方法能够适应快速变化的市场进行准确定价，采用基础价值估计加上自适应调整的方式保证定价的准确性。

特征工程是一项十分繁琐、耗费人力物力的工作，在机器学习方法中，特征需要通过行业专家确定，并进行特征编码。深度学习算法则会从数据中学习特征，大大减少了发现特征的成本。本发明专利使用深度学习方法对电子产品的各项属性进行建模，建立电子产品与其价值的映射，训练过程中融入历史订单信息，可以准确高效的实现价格预测。