本發明公開了一種數據估算方法、裝置和計算機可讀存儲介質，涉及數據處理領域。數據估算方法包括：將待估算物品的物品特征、待估算物品的購買用戶的用戶特征、用戶對待估算物品的描述文本特征輸入到殘值估算模型中；獲取殘值估算模型輸出的估算結果信息；根據估算結果信息確定待估算物品的殘值。本發明的實施例可以基于物品特征、用戶特征、用戶的描述文本，采用殘值估算模型估算物品的殘值，從而可以高效、準確地進行自動的殘值估計，節約了人力成本，提高了業務處理效率。

技術領域

本發明涉及數據處理領域，特別涉及一種數據估算方法、裝置和計算機可讀存儲介質。

背景技術

為了提高客戶服務水平和客戶滿意度，電商行業存在多種特色售后服務，例如：針對部分商品，在用戶提出退換貨申請后，無需用戶返還商品、直接賠付用戶的服務，簡稱為“全額退款不退貨”售后服務；或者，針對部分損壞的商品，根據商品的損壞情況采用部分賠付用戶的方式進行售后服務，簡稱為“部分退款不退貨”。

商品殘值，指商品被售賣給客戶后，被客戶退還給電商平臺時的剩余價值。商品殘值受商品本身的使用、損壞程度等因素影響。為了提供上述售后服務方式，對于待退換貨商品的殘值數值判斷成為了能否提供上述售后服務方式的重要判斷標準。例如，當商品的殘值小于退貨成本時，可以提供全額退款不退貨服務。

目前對于商品殘值的判斷，多采用客服人工審核的方式，通過查看客戶提供的文字描述信息、上傳的商品圖片信息，或者通過與客戶進行電話溝通等方式，依靠客服人員的工作經驗判斷商品的殘值。

發明內容

發明人經過分析后發現，由客服人工審核的方式效率較低，主觀性強，會導致殘值估計不準確。

本發明實施例所要解決的一個技術問題是：如何提高殘值估計的效率和準確性。

根據本發明一些實施例的第一個方面，提供一種數據估算方法，包括：將待估算物品的物品特征、待估算物品的購買用戶的用戶特征、用戶對待估算物品的描述文本特征輸入到殘值估算模型中；獲取殘值估算模型輸出的估算結果信息；根據估算結果信息確定待估算物品的殘值。

在一些實施例中，數據估算方法還包括：將用戶對待估算物品的描述文本中的每個詞映射為詞向量，作為描述文本特征。

在一些實施例中，獲取殘值估算模型輸出的估算結果信息包括：采用第一預設數量個第一預設尺寸的卷積核對描述文本特征進行卷積操作，獲得第一預設數量個文本特征圖；根據物品特征、用戶特征、文本特征圖構建特征抽取向量，其中，特征抽取向量包括每個文本特征圖中的最大值；將特征抽取向量通過殘值估算模型的全連接層輸入到殘值估算模型的分類層中；獲取殘值估算模型的分類層輸出的估算結果信息。

在一些實施例中，描述文本特征采用矩陣的形式表示，描述文本特征的第一維度數為描述文本特征所表示的詞語的數量，矩陣的第二維度數為詞向量的維度數；卷積核的第一維度數小于描述文本特征的第一維度數，卷積核的第二維度數等于描述文本特征的第二維度數。

在一些實施例中，獲取殘值估算模型輸出的估算結果信息還包括：采用第二預設數量個第二預設尺寸的卷積核對物品特征進行卷積操作，獲得第二預設數量個物品特征圖；采用第三預設數量個第三預設尺寸的卷積核對用戶特征進行卷積操作，獲得第三預設數量個用戶特征圖；其中，特征抽取向量還包括每個物品特征圖中的最大值以及每個用戶特征圖中的最大值。

在一些實施例中，數據估算方法還包括：獲取訓練數據，其中，每條訓練數據包括物品特征、物品的購買用戶的用戶特征、用戶對物品的描述文本特征以及訓練數據的標記值，標記值表示物品的殘值信息；根據訓練數據調整深度學習模型的參數，獲得殘值估算模型。

在一些實施例中，描述文本特征包括描述文本中每個詞的詞向量；數據估算方法還包括：根據訓練數據調整描述文本特征中的詞向量。