一种基于画像的外销单生成方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于画像的外销单生成方法、装置、设备及存储介质。


背景技术：

2.目前，针对于产品报价，在国家或者国内贸易中，客户向销售方询问商品价格，指销售方通过考虑自己产品的成本、利润、市场竞争力等因素，报出合理的报价，合理的报价可以快速吸引客户注意并大概率提高成单，并保证产品利润。过高的保价可能让客户望而远之。过低的保险不能保证利润或使得部分用户质疑产品质量问题。然而，在针对外销的产品进行报价时，外销对象的消费水平，外销产品的贸易数据如外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息等因素，较多的影响因素，使外销产品得到合理的报价单较困难，因此，针对外销产品如何得到合理的报价单成为了亟待解决的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种基于画像的外销单生成方法、装置、设备及存储介质，以解决针对外销产品如何得到合理的报价单的问题。
4.第一方面，提供一种基于画像的外销单生成方法，所述方法包括：
5.利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取所述历史外销对象的消费画像相关因子，并基于所述消费画像相关因子构建评价模型；所述等级评价模型用于评价所述外销对象的消费等级；
6.获取外销对象的消费画像数据，基于所述消费画像数据，使用评价模型对所述外销对象的消费等级进行评价，确定评价结果为所述外销对象的目标消费等级；
7.获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定所述待销售产品的产品价格等级，根据所述外销对象的目标消费等级和所述产品价格等级，确定第一报价权重，根据所述第一报价权重和所述产品价格信息，生成初始产品报价；
8.获取所述外销对象的贸易画像数据，所述贸易画像数据包括所述外销对象所处地域的关税信息，所述外销对象所处地域与所述待销售产品本地的货币税率信息，所述外销对象所处地域的位置信息；
9.将所述初始产品报价和所述贸易画像数据输入单据生成模型，输出针对所述外销对象的外销单。
10.第二方面，提供一种基于画像的外销单生成装置，所述装置包括：
11.挖掘模块，用于利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取所述历史外销对象的消费画像相关因子，并基于所述消费画像相关因子构建评价模型；所述等级评价模型用于评价所述外销对象的消费等级；
12.消费等级评价模块，用于获取外销对象的消费画像数据，基于所述消费画像数据，
使用评价模型对所述外销对象的消费等级进行评价，确定评价结果为所述外销对象的目标消费等级；
13.初始产品报价模块，用于获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定所述待销售产品的产品价格等级，根据所述外销对象的目标消费等级和所述产品价格等级，确定第一报价权重，根据所述第一报价权重和所述产品价格信息，生成初始产品报价；
14.贸易画像数据获取模块，用于获取所述外销对象的贸易画像数据，所述贸易画像数据包括所述外销对象所处地域的关税信息，所述外销对象所处地域与所述待销售产品本地的货币税率信息，所述外销对象所处地域的位置信息；
15.外销单生成模块，用于将所述初始产品报价和所述贸易画像数据输入单据生成模型，输出针对所述外销对象的外销单。
16.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于画像的外销单生成方法。
17.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于画像的外销单生成方法。
18.本发明与现有技术相比存在的有益效果是：
19.利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取所述历史外销对象的消费画像相关因子，并基于所述消费画像相关因子构建评价模型，所述等级评价模型用于评价所述外销对象的消费等级，获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价，获取外销对象的贸易画像数据，贸易画像数据包括外销对象所处地域的关税信息，外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息，将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单，根据外销对象的消费等级用户代销产品的价格等级，以及对应地域因素，得到对应的代销产品的报价信息，增加了产品报价的合理性。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明一实施例提供的一种基于画像的外销单生成方法的一应用环境示意图；
22.图2是本发明一实施例提供的一种基于画像的外销单生成方法的流程示意图；
23.图3是本发明一实施例提供的一种基于画像的外销单生成方法的流程示意图；
24.图4是本发明一实施例提供的一种基于画像的外销单生成装置的结构示意图；
25.图5是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
28.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0030]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0031]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0032]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0033]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0034]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0035]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0036]
本发明一实施例提供的基于画像的外销单生成方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个
人数字助理(personal digital assistant，pda)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0037]
参见图2，是本发明一实施例提供的一种基于画像的外销单生成方法的流程示意图，上述基于画像的外销单生成方法可以应用于图1中的服务端，上述服务端连接相应的客户端，为客户端提供模型训练服务。如图2所示，该基于画像的外销单生成方法可以包括以下步骤。
[0038]
s201：利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取所述历史外销对象的消费画像相关因子，并基于消费画像相关因子构建评价模型。
[0039]
在步骤s201中，深度学习算法的引入对大数据挖掘、以及预测分析都很有价值，深度学习通过组合浅层基础特征，进而挖掘学习数据中高层次的抽象特征的过程，深度学习能够有效提升实验效果。数据关系挖掘处理对数据进行分析、计算、整理等加工处理，构建评价模型
[0040]
本实施例中，历史外销对象的画像数据为不同区域，不同时间，不同规模的画像数据，对历史外销对象的画像数据进行预处理和分析，数据预处理是对历史外销对象的画像数据进行补充，清洗和计算等，数据分析利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求。对数据进行清洗是对数据库中的错误数据清洗，因为数据库中的数据是面向某一主题的数据的集合，这些数据从多个业务系统中抽取而来而且包含历史数据，这样就避免不了有的数据是错误数据、有的数据相互之间有冲突，所以需要把错误数据和冲突数据清洗掉。例如，在销售过程中，个人基础信息中身份证信息中出现文字信息，则认为是错误数据，把个人基础信息中身份证信息数据清洗掉。数据补充是对出现缺失的数据进行完善，例如，在银行交易过程中，每一次交易的数据都是预测所参考的重要数据，当交易数据出现缺失时，对未来交易的预测有影响，需要补充完整交易数据。数据预处理对数据进行标准化处理，输入较大值可能会减慢学习速度，因此使用standardscaler来缩放标准化数据，standardscaler标准化处理针对每一维度，对数据进行归一化处理。
[0041]
对数据进行处理后，选择数据特征，本实施例中对外销对象的消费等级进行评价，结合历史外销对象的画像数据的特点，选择与消费等级相关的一些影响因素，首先定义架构，利用递归神经网络对原始数据进行处理，递归神经网络模型能够减轻模型的训练成本，消除负类数据样本的冗余，网络底层自动学习特征，挖掘出数据更有价值的信息。根据学着的数据特征构建评价模型，在递归神经网络中选择sigmoid函数作为激活函数，当训练次数增多但loss函数的值不再随之变小时，则停止训练，输出对应的模型。
[0042]
可选地，所述利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取历史外销对象的相关消费画像数据，并基于相关消费画像数据构建评价模型，包括：
[0043]
利用apriori算法对历史外销对象的画像数据进行处理，根据历史外销对象的画像数据中消费画像相关因子与评价等级的关联性，得到评价等级的消费画像相关因子；
[0044]
对所述评价等级的消费画像相关因子分析，提取所述评价等级的消费画像相关因子的特征工程，构建评价模型。
[0045]
本实施例中，利用apriori算法对历史外销对象的画像数据进行处理，根据历史外
销对象的画像数据中消费画像相关因子的关联性，得到历史外销对象的的消费画像相关因子，根据对历史外销对象的画像数据的的消费画像相关因子的分析，与历史外销对象的画像数据的的消费画像相关因子的特征工程的提取，构建出评价模型。
[0046]
本实施例中，在进行数据特征提取的过程中，根据需要构建的评价模型在历史外销对象的画像数据的消费画像相关因子作为特征，利用apriori算法对历史外销对象的画像数据进行处理，根据历史外销对象的画像数据中消费画像相关因子关联性，得到消费等级的消费画像相关因子，apriori算法是以已知的频率作为衡量标准，通过关联去发现频繁项集，频繁项集中的元素之间存在关联，所以从频繁项集可以得到分别与消费等级相关的因子。
[0047]
需要说明的是，评价等级消费画像相关因子从不同的维度中选择出来，其量纲和单位不统一，会影响模型评估特征的权重，进而影响模型的预估效果。因此，需要进行特征的归一化处理，将特征数据缩放到较小的区间范围内，常用的方法是min-max标准化处理在进行数据挖掘过程中，进行特征提取，得到数据特征。
[0048]
s202：获取外销对象的消费画像数据，基于消费画像数据，使用评价模型对外销对象的消费等级进行评价，确定评价结果为外销对象的目标消费等级。
[0049]
在步骤s202中，消费画像数据包括外销对象所处地域的消费水平信息、外销对象所处行业的消费水平信息和外销对象的消费能力信息，评价模型为通过深度学习得到的分类模型。
[0050]
本实施例中，获取外销对象的消费画像数据，包括外销对象所处地域的消费水平信息、外销对象所处行业的消费水平信息和外销对象的消费能力信息。其中，获取外销对象的消费画像数据时，通过爬虫技术，获取对应的获取外销对象的消费画像数据。通过宽度优先搜索算法对外销对象的消费花销数据进行搜索，该算法对树节图的遍历主要是沿树宽度实现的，且该图算点法也是较传统的，一旦找到目标，立即终止算法。设计与实现该算法的过程都是较简单的，该搜索在盲目搜索范畴中。此外，结合宽度优先搜索和网页过滤，网页抓取主要依靠广度优先策略实现，然后过滤其中无关网页。
[0051]
需要说明的是，还可以通过外销对象中的关键词，设置对应的主题，搜索针对外销对象的消费画像数据，为主题爬虫，主题爬虫的工作是从一组与主题相关的种子页面开始，获取url所指向的页面信息。保存与设定主题相关的页面，同时从这些页面中提取新的url链接，对这些链接价值进行预估评分后放入url队列。调度模块取出队首url作为下一次需要下载的页面。本实施例中可以将爬虫主题设置为消费画像数据。
[0052]
基于消费画像数据，使用评价模型对外销对象的消费等级进行评价，确定评价结果为外销对象的目标消费等级，评价模型是通过神经网络学习得到的分类模型，再将神经网络应用到消费等级评价模型中，其实质是根据外销对象的消费画像数据信息作为输入提供给神经网络输入层，经过神经元之间的激励和传输，不断的迭代处理后，神经元之间的权值和阈值会不断调整以适应当前输入的向量特征，并对未来相似的特征输入产生相似的输出模式，在实际的消费等级评价应用中，与逻辑回归分析类似，神经网络会将外销对象的消费等级离散化为消费水平较高外销对象，消费水平中等的外销对象与消费水平较低的外销对象。
[0053]
需要说明的是，基于神经网络的评价模型的最大特质是可以利用神经网络的自主
学习能力充分学习外销对象的消费画像数据。最终获得隐藏的模型，并将其存储到神经网络的具体连接结构中，构成一个作为非线性的映射函数，即可以根据外销对象的消费画像数据的特征，映射为具体的消费等级，以此评价外销对象。
[0054]
一般的，在人工神经网络中，输入信号依次进入输入层、隐含层，最终到达输出层。根据输入信号在神经元之间的传递方向是依次向前还是向后可以分为前向传播网络和反馈型传播网络。在反馈型传播网络中，输出层的信号会继续传播到输入层，作为下一次迭代的输入。
[0055]
s203：获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。
[0056]
在步骤s203中，根据预设的价格等级划分规则划分待销售产品的价格等级，划分产品价格等级时，不同的产品价格对应不同价格范围，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。初始产品报价反映了产品在不同的消费者上所体现的不同的价值。
[0057]
本实施例中，首先对产品价格进行等级划分，将产品价格划分高等价格产品，中等价格产品与低等价格产品，通过获取到的待销产品的不同价格，对待销产品的价格进行聚类处理，确定产品价格范围，根据聚类结果划分为不同的等级。
[0058]
将消费等级与产品价格等级进行组合处理，任意消费等级与任意价格等级进行两两组合，不同的组合分别为对应的消费等级与价格等级设置不同数值，作为第一报价权重，将第一报价权重与产品价格信息结合，得到初始产品价格。
[0059]
可选地，获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，包括：
[0060]
获取待销售产品的产品价格信息，通过k均值聚类算法对待销售产品的产品价格信息进行聚类运算，得到聚类结果，并根据聚类结果，设置预设的价格等级划分规则；
[0061]
根据预设的产品价格等级划分规则，获取待销售产品的产品价格等级。
[0062]
本实施例中，通过过k均值聚类算法将不同价格的餐品进行分类，划分等级，聚类是数据集分被为许多个组的过程，在相同组的数据对象相似性较高，数据对象差异较大的是在不同的组中。k均值聚类算法是假定含有n个数据对象的数据集，指定k个簇的数目，采用划分的方法将d中的对象聚类到合适的簇当中，使得每一个对象只属于一个簇，该算法指定数值k为簇的数目，将待聚类的数据集置于欧式空间内，随机选取代表每个簇的k个质心，作为聚类过程的初始中心点，同时根据每个数据对象到每个中心点之间的距离将数据对象重新分配数据对象至最近的簇内，每次迭代后再次更新相应簇的中心点，直至不再变化。通过k均值聚类算法对待销售产品的产品价格信息进行聚类运算，得到聚类结果，并根据聚类结果，设置预设的价格等级划分规则。根据预设的产品价格等级划分规则，获取待销售产品的产品价格等级。
[0063]
可选地，获取待销售产品的产品价格信息，通过k均值聚类算法对待销售产品的产品价格信息进行聚类运算，得到聚类结果，并根据聚类结果，设置预设的价格等级划分规则，包括：
[0064]
根据聚类结果中每一聚类中的待销售产品的产品价格信息，计算得到每一聚类中
的待销售产品的产品价格信息对应的均值价格数据；
[0065]
根据相邻聚类中的均值价格数据范围划分等级区间，得到预设的价格等级划分规则。
[0066]
本实施例中，聚类结果中，每一聚类中都包含对应的产品价格，根据聚类结果中每一聚类中的待销售产品的产品价格，计算得到每一聚类中的待销售产品的产品价格信息对应的均值价格数据，根据每一聚类中的均值价格，划分价格等级，根据相邻聚类中的均值价格数据范围划分等级区间，得到预设的价格等级划分规则。
[0067]
需要说明的是，进行k均值聚类运算时，通过聚类有效性指标来判断聚类结果是否合理，本实施例中，根据ga(generalization ability，泛化能力)来判断聚类结果是否合理，ga指标基于当前聚类结果，从有指导学习中的泛化能力来对聚类结果进行评价，即认为聚类结果的优劣与其对未知样本预测的泛化能力相关，因此它不同于现有的聚类有效性指标，不论是外部有效性指标或是内部有效性指标。ga指标通过对获取到的待销产品价格数据进行拆分处理，拆分为训练集和数据集，并分别进行聚类。以训练集的聚类结果进行机器学习构建分类器，并使用此分类器来对测试集进行预测，进而对预测结果以及聚类结果进行比较。根据ga指标值与1的距离，判断聚类的合理性。ga指标值越接近1，聚类结果越合理。
[0068]
在实际聚类中，聚类数不应过多，否则对于聚类结果将难以解释，因此对于有限的可选代销产品价格，可以采用穷举法得到。通过计算不同聚类数下的ga指数，选择最大的ga指数对应的聚类数作为最合理的聚类结果。
[0069]
可选地，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价，包括：
[0070]
根据外销对象的目标消费等级，以及预设的每一消费等级的评分，计算得到目标消费等级的评分与每一消费等级的评分总和的第一比值；
[0071]
根据产品价格等级，以及预设的每一价格等级的评分，计算得到产品价格等级评分与每一价格等级的评分总和的第二比值；
[0072]
计算第一比值与第二比值的和，得到第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。
[0073]
本实施例中，将消费等级与产品价格等级进行组合处理，任意消费等级与任意价格等级进行两两组合，不同的组合分别为对应的消费等级与价格等级设置不同数值，即对每一组对于报价的重要程度，设置不同的数值，将消费等级与产品价格等级组成表格，每个表格对应不同的数组，每个数组中对应不同的消费等级与价格等级对应的数值权重。
[0074]
本实施例中，设置不同消费等级与不同价格等级的权重时，对每一消费等级与每一价格等级设置不同的评分，例如，对最高消费等级设置为5分，中等消费等级设置为3分，低等消费等级设置为2分，对最高价格等级设置为5分，对中等价格等级设置为3分，对中等价格等级设置为3分，低等价格等级设置为2分，计算每一消费等级中评分与每一消费等级的评分总和的第一比值，每一价格等级中评分与每一价格等级的评分总和的第二比值。
[0075]
根据外销对象的目标消费等级，计算得到目标消费等级与每一消费等级的评分总和的第一比值，根据产品价格等级，计算得到产品价格等级与每一价格等级的评分总和的第二比值，计算第一比值与第二比值的和，得到第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。
[0076]
需要说明的是，当计算得到的初始产品报价的数值低于预设的最小初始产品报价或者高于最大预设产品报价时，将初始产品报价修改为最低除湿产品报价或者最高初始产品报价，例如，当初始产品报价低于最小初始产品报价，则提取最小初始产品报价为对应产品的初始产品报价。
[0077]
s204：获取外销对象的贸易画像数据。
[0078]
在步骤s204中，获取外销对象的贸易画像数据，贸易画像数据包括外销对象所处地域的关税信息，外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息。
[0079]
本实施例中，获取外销对象的贸易画像数据时，使用爬虫技术获取对应外销对象的贸易画像数据，使用爬虫技术获取到对应相关信息的网页时，提取网页内容，得到外销对象的贸易画像数据，提取时，主要是利用了网页结构化和模块化的特征。包装器根据网页的布局规律，设计统一的模板，通过对模板的分析获得页面中正文所在位置。目前，常用的包装器工具有tsimmis工具、xwrar工具等，tsimmis工具需要手工编写规则。
[0080]
需要说明的是，考虑到网页html文档的特点，也可以基于统计建立文档dom树的方法来提取网页正文。这种方法的基本思路是：利用网页的html标记将网页表示为一棵文档树，统计文档树每个节点下的文本长度、链接长度、文本与链接的数量比例等信息，判断该节点是否为正文节点。
[0081]
s205：将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单。
[0082]
步骤s205中，单据生成模型为生成外销单的模型，生成的外销单包括待销产品的预报价信息。
[0083]
本实施例中，将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单，其中单据生成模型根据代销产品的类型得到，不同产品类型对应不同的单据生成模型。
[0084]
需要说明的是，当对多个代销产品进行报价时，可以将报价任务分解为多个产品的报价任务实现，支持同时对多个产品的协同报价，并在各产品报价后，自动汇总，例如：对于一个大的项目包括两个代销产品的报价，甲负责该项目下产品a的报价，乙负责该项目下产品b的报价，并自动由产品a与产品b的报价汇总生成项目的报价数据，并在输出的外销单进行显示。
[0085]
可选地，将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单，包括：
[0086]
基于初始产品报价和贸易画像数据，构建输入矩阵，并将输入矩阵进行归一化处理，得到目标输入数据；
[0087]
将目标输入数据输入至单据生成模型，输出针对外销对象的外销单。
[0088]
本实施例中，基于初始产品报价和贸易画像数据，构建输入矩阵，并将输入矩阵进行归一化处理，将初始产品报价和贸易画像数据转化为0-1之间的数据，得到目标输入数据，归一化后的数据可以减小运算量，将目标输入数据输入至单据生成模型，输出针对外销对象的外销单。
[0089]
利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取所述
历史外销对象的消费画像相关因子，并基于所述消费画像相关因子构建评价模型，所述等级评价模型用于评价所述外销对象的消费等级，获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价，获取外销对象的贸易画像数据，贸易画像数据包括外销对象所处地域的关税信息，外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息，将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单，根据外销对象的消费等级用户代销产品的价格等级，以及对应地域因素，得到对应的代销产品的报价信息，增加了产品报价的合理性。
[0090]
参见图3，是本发明一实施例提供的一种基于画像的外销单生成方法的流程示意图，如图3，该基于画像的外销单生成方法可以包括以下步骤：
[0091]
s301：利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取历史外销对象的消费画像相关因子，并基于消费画像相关因子构建评价模型；
[0092]
s302：获取外销对象的消费画像数据，基于消费画像数据，使用评价模型对外销对象的消费等级进行评价，确定评价结果为外销对象的目标消费等级；
[0093]
s303：获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价；
[0094]
s304：获取外销对象的贸易画像数据，贸易画像数据包括外销对象所处地域的关税信息，外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息；
[0095]
s305：将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单。
[0096]
其中，上述步骤s301至步骤s305与上述步骤s201至步骤s205的内容相同，可参考上述步骤s201至步骤s205的描述，在此不再赘述。
[0097]
s306：将外销单与预设的销售语句进行匹配，得到目标销售语句，并将目标销售语句发送至对应客户端。
[0098]
本实施例中，为了销售人员可以更好第进行外销，将对对应的外销单设置对应的销售语句，当通过预测得到外销单中的产品报价后，根据外销单中的报价匹配对应的销售语句，得到目标销售语句，并将目标销售语句发送至对应客户端，当销售人员接收到对应的销售语句，可以基于销售语句对代销产品进行更好的推销。
[0099]
请参阅图4，图4是本发明实施例提供的一种基于画像的外销单生成装置的结构示意图。本实施例中该移动终端包括的各单元用于执行图2至图3对应的实施例中的各步骤。具体请参阅图2至图3以及图2至图3所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，生成装置40包括：挖掘模块41，消费等级评价模块42，初始产品报价模块43，贸易画像数据获取模块44，外销单生成模块45。
[0100]
挖掘模块41，用于利用深度学习算法对历史外销对象的画像数据进行数据关系挖掘处理，获取历史外销对象的消费画像相关因子，并基于消费画像相关因子构建评价模型；等级评价模型用于评价外销对象的消费等级。
[0101]
消费等级评价模块42，用于获取外销对象的消费画像数据，基于消费画像数据，使用评价模型对外销对象的消费等级进行评价，确定评价结果为外销对象的目标消费等级。
[0102]
初始产品报价模块43，用于获取待销售产品的产品价格信息，并结合预设的价格等级划分规则，确定待销售产品的产品价格等级，根据外销对象的目标消费等级和产品价格等级，确定第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。
[0103]
贸易画像数据获取模块44，用于获取外销对象的贸易画像数据，贸易画像数据包括外销对象所处地域的关税信息，外销对象所处地域与待销售产品本地的货币税率信息，外销对象所处地域的位置信息。
[0104]
外销单生成模块45，用于将初始产品报价和贸易画像数据输入单据生成模型，输出针对外销对象的外销单。
[0105]
可选的是，上述挖掘模块41包括：
[0106]
消费画像相关因子获取单元，用于利用apriori算法对历史外销对象的画像数据进行处理，根据历史外销对象的画像数据中消费画像相关因子与评价等级的关联性，得到评价等级的消费画像相关因子。
[0107]
构建单元，用于对评价等级的消费画像相关因子分析，提取评价等级的消费画像相关因子的特征工程，构建评价模型。
[0108]
可选的是，上述初始产品报价模块43包括：
[0109]
聚类单元，用于获取待销售产品的产品价格信息，通过k均值聚类算法对待销售产品的产品价格信息进行聚类运算，得到聚类结果，并根据聚类结果，设置预设的价格等级划分规则。
[0110]
价格等级划分单元，用于根据预设的产品价格等级划分规则，获取待销售产品的产品价格等级。
[0111]
可选的是，上述聚类单元包括：
[0112]
均值价格获取子单元，用于根据聚类结果中每一聚类中的待销售产品的产品价格信息，计算得到每一聚类中的待销售产品的产品价格信息对应的均值价格数据。
[0113]
规则划分子单元，用于根据相邻聚类中的均值价格数据范围划分等级区间，得到预设的价格等级划分规则。
[0114]
可选的是，上述初始产品报价模块43包括：
[0115]
第一比值获取单元，用于根据外销对象的目标消费等级，以及预设的每一消费等级的评分，计算得到目标消费等级的评分与每一消费等级的评分总和的第一比值。
[0116]
第二比值获取单元，用于根据产品价格等级，以及预设的每一价格等级的评分，计算得到产品价格等级评分与每一价格等级的评分总和的第二比值。
[0117]
初始产品报价单元，用于计算第一比值与第二比值的和，得到第一报价权重，根据第一报价权重和产品价格信息，生成初始产品报价。
[0118]
可选的是，上述外销单生成模块45包括：
[0119]
目标输入数据获取单元，用于基于初始产品报价和贸易画像数据，构建输入矩阵，并将输入矩阵进行归一化处理，得到目标输入数据。
[0120]
输入单元，用于将目标输入数据输入至单据生成模型，输出针对外销对象的外销单。
[0121]
可选的是，上述生成装置40还包括：
[0122]
发送模块，用于将外销单与预设的销售语句进行匹配，得到目标销售语句，并将目标销售语句发送至对应客户端。
[0123]
需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0124]
图5是本发明实施例提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个基于画像的外销单生成方法实施例中的步骤。
[0125]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0126]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0127]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0128]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机
程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0129]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0130]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0131]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0132]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0133]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0134]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。