[发明专利]一种基于多模型融合的二手手机回收价格预测算法

说明书

本发明属于二手手机回收价格预测技术领域，尤其为一种基于多模型融合的二手手机回收价格预测算法，具体包含从手机中提取检测报告侧、检测项+品牌侧、用户销售数据侧特征；训练基于检测报告侧特征，采用多层注意力模型将检测报告转换为一维的实数型向量embedding特征；训练基于多模型融合的分类模型；根据主动学习策略对样本进行排序，挑选出决策置信度低的样本进行人工标注；充分结合了检测报告文本侧特征、检测项+品牌侧、用户销售数据侧特征，从多维度刻画了手机的信息，从而实现手机价格的准确评估；采用多模型融合的方法，实现了异构特征的高效融合，自适应学习不同特征组的权重；多个XGBoost模型的特征扰动减少了人工调参的成本。

技术领域

本发明属于二手手机回收价格预测技术领域，具体涉及一种基于多模型融合的二手手机回收价格预测算法。

背景技术

二手手机的回收价格预测对二手手机的回收厂商都具有重要意义，能够准确预测手机的回收合理价格，可以让回收厂商有更大利润操作空间，为企业提供核心竞争力，然而手机的回收价格预测是一个极为复杂的任务，不仅体在手机评测报告文本内容上，还会受到市场因素，手机本身的损伤情况等等条件的影响，增加了建模的复杂性。

用户对二手设备的价格认知比较复杂，不仅取决于手机评测报告，还取决于其检测损伤程度，损伤项、市场热度等，然而目前对手机价格的评估方法都比较单一，在每一类特征上都有一些做的不错的模型，在子类问题中，可以取得不错的效果，但整体的预测精度不佳，我们需要结合手机各维度的信息对其进行价格预测。

传统的文章质量模型一般有以下方法：

1.根据人工经验，对价格的影响因子进行权重拟合，得到价格的多项式打分公式；

2.基于一阶特征的线性回归算法，逻辑斯蒂回归算法等；

3.基于一阶和高阶特征的非线性回归算法，xgboost算法，gbdt+逻辑斯蒂回归等；

4.基于价格的时序模型，如arima算法等；

5.利用手机的用户购买行为反馈信息作为特征，构建机器学习分类模型进行判别。

现有技术的缺点：

1.以人工规则为主要基础的价格模型应用较为广泛，通常能对大部分手机进行较为合理的预测，其缺点在于需要庞大的人工专家团队对价格模型进行日常维护，同时人工专家很难模拟用户对高阶特征组合的价格认知，人工规则无法覆盖多达30种以上重要特征的组合，而用户的价格敏感可能达到至少3-4阶特征组合；

2.手机价格是一个受到多个因素影响的指标，在训练数据获取过程中容易出现较多偏差，训练数据噪声较大，采用单模型的方法容易对数据产生过拟合，使得模型泛化能力较差；

3.采用用户反馈信息（成交记录）进行分类模型构建容易受到市场的影响，例如最近维修市场上某个配件价格高，将会大幅影响有某种缺陷的机器的定价，而有其他缺陷的机型则不会受到影响，因此单独的价格序列预测模型效果并不好；

4.利用文章的文本信息建模得到的嵌入特征以及用户的行为反馈是异构特征，嵌入特征的信息分布更均匀但维度更高，使用单一模型训练容易对某一类特征具有倾向，降低了其他特征的利用率。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种基于多模型融合的二手手机回收价格预测算法，具有评估准确、适用范围广泛、人工调参成本低、鲁棒性高以及分析准确的特点。

为实现上述目的，本发明提供如下技术方案：一种基于多模型融合的二手手机回收价格预测算法，以XGBoost算法作为基础模型，构造多个XGBoost作为基础分类器，采用GBDT作为模型融合的基础模型；二手手机回收价格预测算法包括基于多层注意力机制的手机检测报告表示学习算法、基于手机检测项特征和品牌特征的算法，以及基于手机近期成交记录的价格回归模型，分为训练阶段和应用阶段，具体包含如下方法：

步骤一：从手机中提取检测报告侧、检测项+品牌侧、用户销售数据侧特征；