[发明专利]一种基于排序学习的商品热度排名方法

说明书

本发明公开了一种基于排序学习的商品热度排名方法，具体包括以下步骤：首先，计算往年同季商品去除供应、折扣等因素后的整季度销量作为历史真实热度；其次，计算往年同季商品在不同时期的销售表现，并使用排序学习的方法习得其与整季热度排名的关系；最后，计算当季商品的销售表现，使用训练得到的映射关系预测它们在当季的热度排名。本发明通过统计学习的方法，总结归纳历史商品某时期销售表现与整季销售热度关系，同时消除了供货策略与营销活动等因素的影响，反映了商品真实销售潜力，可为商品运营提供有力的参考。

技术领域

本发明属于信息技术领域，具体涉及一种基于排序学习的商品热度排名方法。

背景技术

随着零售业的电子化普及，零售企业累积的数据越来越庞大，如何利用好这些数据，挖掘出其中的价值并指导企业运营，逐渐成为关键。其中，销量预测作为最直接有效的需求，其准确度与企业供应链优化带来的效益密切相关。但对于更新换代快的商品如服装来说，同一款商品的数据积累往往不足以支撑对未来整季销量做出预判。但同时，对商品做出定性分类对其潜力做出预判，又是商品运营中的关键，能保证将有限的运营资源投入到最有效的商品上。

排序学习最初被应用于文档检索中，通过表征文档的特性，预测其与检索词之间的相关性排序。在商品热度预测中，通过表征商品已有的销售表现，根据历史训练得到的映射关系，即可预测商品在未来的销售潜力排名。相较于回归的点预测，损失函数的优化目标直接与排名相关，放宽了对于点精度的要求，更注重于商品潜力的相对关系。因此，本发明针对这一情况，提出基于排序学习的商品热度排名方法，实现对商品相对潜力的快速预判。

发明内容

本发明的目的在于解决现有商品排序算法上的不足，提出一种基于排序学习的商品热度排名方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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)