基于深度学习的商品定价方法以及系统与流程

本发明属于深度学习应用技术领域，具体涉及一种基于深度学习的商品定价方法以及系统。

背景技术：

为了保证一个企业的更高利润，恰当的商品定价至关重要。早期，各企业仅是通过简单的核算成本、商品流行度来粗略地制定商品价格，这样的方式限制了企业追求更好发展。人工智能在各个领域内得到了广泛应用，如何将人工智能技术应用于商品定价领域，在节省时间、人力成本的前提下，优化商品定价，提升企业利润成为一个非常有价值的研究课题。

技术实现要素：

本发明所要解决的技术问题是现有的商品定价方法不能实现最优定价的问题。

为了解决上述技术问题，本发明提供了一种基于深度学习的商品定价方法，包括：根据消费者对各商品的消费量受其他消费者的消费量影响关系，得到各商品的基于网络效应的g邻接矩阵；并根据各商品的总消费量以及出货总价，得到各商品的网络效应程度值；

将各商品的基于网络效应的g邻接矩阵值作为深度学习模型的输入，对应的各商品的网络效应程度值作为深度学习模型的输出，训练所述深度学习模型；

将待预测定价的商品的g邻接矩阵作为训练好的所述深度学习模型的输入，预测得到所述待预测定价的商品的网络效应程度值；

根据预设的最大利润的最优定价表达式以及所述待预测定价的商品的网络效应程度值，计算得到所述待预测定价的商品的最优定价。

优选地，所述根据预设的最大利润的最优定价表达式以及所述待预测定价的商品的网络效应程度值，计算得到所述待预测定价的商品的最优定价的步骤包括：

根据表达式ε＝(i-δg)x0*p0-α，计算得到参数ε；其中，i是单位矩阵，x0、p0为预设的实验数据，当商品价格为x0时，消费者的消费量为p0，δ为所述待预测定价的商品的网络效应程度值；g为邻接矩阵值，α为预设的可观察的因素对商品定价的影响程度大小，取值在(0，1)之间；

根据预设的最大利润的最优定价表达式以及参数ε，计算得到所述待预测定价的商品的最优定价。

优选地，所述根据预设的最大利润的最优定价表达式以及参数ε，计算得到所述待预测定价的商品的最优定价的步骤包括：

根据p＝αε/2计算得到所述待预测定价的商品的最优定价p。

优选地，所述深度学习模型为神经网络模型。

优选地，所述神经网络模型为朴素神经网络模型。

优选地，所述根据各商品的总消费量以及出货总价，得到各商品的网络效应程度值的步骤包括：将各商品的总消费量与出货总价的比值作为各商品的网络效应程度值。

本发明还提供一种基于深度学习的商品定价系统，包括：商品参数预测装置，用于将各商品的基于网络效应的g邻接矩阵值作为深度学习模型的输入，对应的各商品的网络效应程度值作为深度学习模型的输出，训练所述深度学习模型；并用于将待预测定价的商品的g邻接矩阵作为训练好的所述深度学习模型的输入，预测得到所述待预测定价的商品的网络效应程度值；其中，各商品的基于网络效应的g邻接矩阵根据消费者对各商品的消费量受其他消费者的消费量影响关系得到，各商品的网络效应程度值根据各商品的总消费量以及出货总价得到；

商品最优定价装置，用于根据预设的最大利润的最优定价表达式以及所述待预测定价的商品的网络效应程度值，计算得到所述待预测定价的商品的最优定价。

优选地，所述深度学习模型为神经网络模型。

优选地，所述神经网络模型为朴素神经网络模型。

本发明还提供一种存储介质，其上存储有程序，其中，程序被处理器执行时实现上述的基于深度学习的商品定价方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明实施例提供的基于深度学习的商品定价方法以及系统，通过根据消费者之间特定社交网络g邻接矩阵以及商品的网络效应程度值，训练深度学习模型，进而利用训练好的深度学习模型，预测得到待预测定价的商品的网络效应程度值，最后根据预设的最大利润的最优定价表达式以及待预测定价的商品的网络效应程度值，计算得到待预测定价的商品的最优定价，由此实现商品的最优定价。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了本发明实施例一基于深度学习的商品定价方法的流程图；

图2示出了本发明实施例二基于深度学习的商品定价方法的流程图；

图3示出了本发明实施例二基于深度学习的商品定价方法中所用的朴素神经网络模型的示意图；

图4示出了本发明实施例三基于深度学习的商品定价系统的结构框图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

实施例一

为解决现有技术中存在的上述技术问题，本发明实施例提供了一种基于深度学习的商品定价方法。

图1示出了本发明实施例一基于深度学习的商品定价方法的流程图。

参照图1，本实施例基于深度学习的商品定价方法包括如下步骤：

步骤s101：根据消费者对各商品的消费量受其他消费者的消费量影响关系，得到各商品的基于网络效应的g邻接矩阵；并根据各商品的总消费量以及出货总价，得到各商品的网络效应程度值；

步骤s102，将各商品的基于网络效应的g邻接矩阵值作为深度学习模型的输入，对应的各商品的网络效应程度值作为深度学习模型的输出，训练所述深度学习模型；

步骤s103，将待预测定价的商品的g邻接矩阵作为训练好的所述深度学习模型的输入，预测得到所述待预测定价的商品的网络效应程度值；

步骤s104，根据预设的最大利润的最优定价表达式以及所述待预测定价的商品的网络效应程度值，计算得到所述待预测定价的商品的最优定价。

本实施例通过根据消费者之间特定社交网络g邻接矩阵以及商品的网络效应程度值，训练深度学习模型，进而利用训练好的深度学习模型，预测得到待预测定价的商品的网络效应程度值，最后根据预设的最大利润的最优定价表达式以及待预测定价的商品的网络效应程度值，计算得到待预测定价的商品的最优定价，由此实现商品的最优定价。

实施例二

为解决现有技术中存在的上述技术问题，本发明实施例还提供了另一种基于深度学习的商品定价方法。此方法是对图1所示方法实施例的扩展。图1所示方法实施例也可以应用本实施例。

图2示出了本发明实施例二基于深度学习的商品定价方法的流程图。

参照图2，本实施例基于深度学习的商品定价方法包括如下步骤：

步骤s201：获取基于网络效应商品的g邻接矩阵构建模块：g邻接矩阵用于记录消费者对该商品的消费量受与其相关的其他消费者的消费量影响关系。示例如下：

其中xi表示消费者，u表示横轴消费者的消费量，v表示纵轴消费者的消费量，w表示两个消费者的相关性(1或0)。

步骤s202，根据定价理论，确认定价参数；结合商品成本、流行度等因素定义消费者i的效用为：

其中：xi是消费者i的消费量，αi、εi分别是观察和不可观察的要素，δ表示该商品网络效应的程度，gij表示消费者i和j是否相关联(1或0)。

如果消费者面对的商品价格为pi，那么其消费量应该满足：

将所有消费者的上述等式堆叠，抽象化为：

x^*＝(i-δg)^-1*(αε-p)

e＝(i-δg)x0*p0-α

其中：i是单位矩阵，x0、p0为预设的实验数据，当商品价格为x0时，消费者的消费量为p0。

综合以上各式，企业为获取最大利润的最优定价为：p＝αε/2。

步骤s203，将上述g邻接矩阵以及商品的网络效应程度值δ确定为训练数据及；其中，商品的网络效应程度值δ等于商品的总消费量与出货总价的比值；

步骤s204，以g邻接矩阵为输入，网络效应参数为输出，进行深度学习模型训练，最后依据所训练模型进行预测(具体详见步骤s103)；深度学习模型可以为各种神经网络模型，包括但不限于朴素神经网络。

步骤s205，进行最优价格制定，本步骤以及步骤s104具体包括：

根据表达式ε＝(i-δg)x0*p0-α，计算得到参数ε；其中，i是单位矩阵，x0、p0为预设的实验数据，当商品价格为x0时，消费者的消费量为p0，δ为所述待预测定价的商品的网络效应程度值；g为邻接矩阵值，α为预设的可观察的因素对商品定价的影响程度大小，取值在(0，1)之间；

根据预设的最大利润的最优定价表达式以及参数ε，计算得到所述待预测定价的商品的最优定价。

进一步优选地：根据p＝αε/2计算得到所述待预测定价的商品的最优定价p。

本实施例将消费者之间特定社交网络g邻接矩阵以及商品的网络效应程度值分别作为神经网络的训练输入数据以及训练输出数据，对神经网络进行训练，进而利用训练好的神经网络模型，预测得到待预测定价的商品的网络效应程度值，最后根据预设的最大利润的最优定价表达式，计算得到待预测定价的商品的最优定价，由此实现商品的最优定价。

实施例三

为解决现有技术中存在的上述技术问题，本发明实施例提供了基于深度学习的商品定价系统。

图4示出了本发明实施例三基于深度学习的商品定价系统的结构框图。本实施例是图1以及图2所示方法实施例对应的系统实施例。如图1以及图2所示的解释说明也可以应用于本实施例中。如图4所示，基于深度学习的商品定价系统包括：

商品参数预测装置401，用于将各商品的基于网络效应的g邻接矩阵值作为深度学习模型的输入，对应的各商品的网络效应程度值作为深度学习模型的输出，训练所述深度学习模型；并用于将待预测定价的商品的g邻接矩阵作为训练好的所述深度学习模型的输入，预测得到所述待预测定价的商品的网络效应程度值；其中，各商品的基于网络效应的g邻接矩阵根据消费者对各商品的消费量受其他消费者的消费量影响关系得到，各商品的网络效应程度值根据各商品的总消费量以及出货总价得到；

商品最优定价模块装置402，用于根据预设的最大利润的最优定价表达式以及所述待预测定价的商品的网络效应程度值，计算得到所述待预测定价的商品的最优定价。

本发明实施例提供的基于深度学习的商品定价系统，通过学习模型训练模块402将消费者之间特定社交网络g邻接矩阵以及商品的网络效应程度值分别作为神经网络的训练输入数据以及训练输出数据，对神经网络进行训练，商品参数预测模块403利用训练好的神经网络模型，预测得到待预测定价的商品的网络效应程度值，商品最优定价模块404根据预设的最大利润的最优定价表达式，计算得到待预测定价的商品的最优定价，由此实现商品的最优定价。

本发明还提供一种存储介质，其上存储有程序，其中，程序被处理器执行时实现上述的基于深度学习的商品定价方法。该存储介质具有上述基于深度学习的商品定价方法相应的技术效果，在此不再赘述。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。