[发明专利]一种基于排序学习的商品热度排名方法

权利要求书

1.一种基于排序学习的商品热度排名方法，其特征在于包括以下步骤：

步骤1：首先获取历史同季门店商品订单表{O_i,j,t,o}，去除团购订单数据；其中，i表示不同商品，j表示不同门店，t表示不同日期，o表示不同订单；

步骤2：根据历史订单表{O_i,j,t,o}，计算同一商品在不同折扣下价格p-销量s的关系函数s＝f(p)，根据折扣、价格以及销量的关系(1)代入s＝f(p)简单变换即可得到折扣还原系数-折扣函数(2)：

a＝s₀/f(d·p₀)＝g(d) (2)

其中,p₀表示商品原价，s₀表示商品原价售卖销量；a表示折扣还原系数；d表示折扣；p表示折扣价格；g(d)用于表示折扣还原系数-折扣的关系函数,该关系函数通常为线性函数；

步骤3：根据历史订单表{O_i,j,t,o}，统计各门店所有商品累积订单数量{n_j}；选取区域内订单数量最大的门店作为标准门店，计算标准门店与区域内各个门店的订单数量比例系数，得到各个门店的缩放系数{m_j}；

其中，k代表不同区域的编号，r_k代表k区域对应门店编号的集合；

步骤4：基于历史订单表{O_i,j,t,o}，计算每个订单中商品的折扣{d_i,j,t,o}，根据步骤2中得到的折扣还原系数-折扣的关系函数a＝g(d)，得到折扣还原系数{a_i,j,t,o}，使用该折扣还原系数，对原始销量数据进行折扣还原，得到折扣还原后的订单销售记录{O'_i,j,t,o}，折扣还原公式如下：

O'_i,j,t,o＝a_i,j,t,o·O_i,j,t,o (4)

步骤5：基于折扣还原后的销量记录{O'_i,j,t,o}，使用各个门店的缩放系数{m_j}，对销量记录{O'_i,j,t,o}进行门店缩放，最终得到折扣还原与门店缩放后的订单记录{O”_i,j,t,o}；最后，将订单记录{O”_i,j,t,o}聚合为每日门店商品销量表{s_i,j,t}；

O”_i,j,t,o＝m_j·O'_i,j,t,o (5)

所述的将订单记录{O”_i,j,t,o}聚合为每日门店商品销量表{s_i,j,t}是指：统计同个商品在同一天同一家门店的多个订单的销量总和；

步骤6：获取历史同季每日门店商品日末库存表{i_i,j,t}与每日门店商品销量表{s_i,j,t}；并对日末库存表{i_i,j,t}和销量表{s_i,j,t}使用门店商品日期作为合并的键，进行outerjoin处理(外合并)；对缺失的销量或库存数据补0，去除日末库存与销量均为0的记录，得到历史每日门店商品库存-销量联合表{is_i,j,t}；

步骤7：基于历史库存销量联合表{is_i,j,t}，计算商品的店均周均销量，作为商品整季热度真实值{gt_i}，计算公式如下：

s_i,j,w＝mean({is_i,j,t},t∈w_w)·7

s_i,w＝mean({s_i,j,w})

gt_i＝mean({s_i,w})     (6)

其中，s_i,j,w表示商品门店周颗粒度的日均销量，s_i,w表示商品每周的店均销量，gt_i表示商品的店均周均销量；

步骤8：以历史库存销量联合表{is_i,j,t}作为输入，整季热度真实值{gt_i}作为目标值，使用lambdaMART算法，训练出不同生命周期阶段T的排序模型h_T(x；a)；

步骤9：获取当季的每日门店商品订单表以及日末库存表，重复步骤4-6，得到当季每日门店商品库存-销量联合表

步骤10：根据当季决策日期，选取历史上对应生命周期阶段T的已训练好的排序模型h_T(x；a)，以当季每日门店商品库存-销量联合表作为输入，排序模型输出得到当季商品整季热度的预测分值s，将预测分值按照降序排序即预测商品热度相对排名。