摘要：現(xiàn)場促銷是促進(jìn)業(yè)務(wù)發(fā)展的重要方式之一。但是基于促銷的圖片進(jìn)行酬金結(jié)算涉及到很多問題，例如促銷經(jīng)緯度、促銷圖片、促銷時長是否符合要求等，基于人工稽核將是非常繁瑣的過程。基于此，提出了基于面向渠道促銷場景多維分析的方法研究，大幅提升稽核效率，促進(jìn)業(yè)務(wù)健康發(fā)展。

一、引言

每個流通企業(yè)都有自己渠道促銷的手段，其核心點也大同小異。在產(chǎn)品嚴(yán)重同質(zhì)化、促銷手段也大體類同的情況下，有效的促銷策略顯得非常重要，畢竟，從產(chǎn)品的本質(zhì)和市場上來看，還有季節(jié)性、地域性等等之分。目前家寬發(fā)展已經(jīng)到了同質(zhì)化競爭的階段，用戶對資費(fèi)的敏感度下降了，如何打造優(yōu)質(zhì)的售后服務(wù)，才是保持競爭力的有力手段。公司通過下達(dá)任務(wù)，讓渠道點完成一定數(shù)量場次的促銷活動，同時也會結(jié)算相應(yīng)的酬金，但是如何避免渠道虛假促銷，這就是本項目研究的重點工作了。

二、現(xiàn)有稽核技術(shù)的缺點

目前的圖片稽核技術(shù)方案采用的是直方圖算法。直方圖能夠描述一幅圖像中顏色的全局分布，而且容易理解和實現(xiàn)，所以入門級的圖像相似度計算都是使用它的。

直方圖算法是對源圖像與要篩選的圖像進(jìn)行直方圖數(shù)據(jù)采集，對采集的各自圖像直方圖進(jìn)行歸一化再使用巴氏系數(shù)算法對直方圖數(shù)據(jù)進(jìn)行計算，最終得出圖像相似度值，其值范圍在[0，1]之間0表示極其不同，1表示極其相似（相同）。

算法步驟大致可以分為兩步，根據(jù)源圖像與候選圖像的像素數(shù)據(jù)，生成各自直方圖數(shù)據(jù)。第二步：使用第一步輸出的直方圖結(jié)果，運(yùn)用巴氏系數(shù)（Bhattacharyya coefficient）算法，計算出相似程度值。

現(xiàn)有的技術(shù)方案是根據(jù)兩個圖像的直方圖數(shù)據(jù)來計算相似度值，直方圖反應(yīng)的是圖像灰度值得概率分布，并沒有圖像的空間位置信息在里面，因此，會出現(xiàn)誤判;比如紋理結(jié)構(gòu)相同，但明暗不同的圖像，應(yīng)該相似度很高，但實際結(jié)果是相似度很低，而紋理結(jié)構(gòu)不同，但明暗相近的圖像，相似度卻很高。

為了解決這一問題，本技術(shù)方案采用的是孿生神經(jīng)網(wǎng)絡(luò)模型，可以提取圖像的局部特征變量，從全局的角度進(jìn)行綜合比較，Siamese Network有兩個結(jié)構(gòu)相同，且共享權(quán)值的子網(wǎng)絡(luò)。分別接收兩個輸入X1與X2，將其轉(zhuǎn)換為向量Gw（X1）與Gw（X2），再通過某種距離度量的方式計算兩個輸出向量的距離Ew。這種方式可以克服圖像明暗度不同造成的誤判，提高了相似度計算的準(zhǔn)確性。

同時構(gòu)建全方位、多層次的稽核方式，能夠更好的識別渠道是否虛假促銷。具體如下：

三、構(gòu)建多層次立體化審核體系

1、構(gòu)建圖像識別模塊

孿生神經(jīng)網(wǎng)絡(luò)（Siamese Network）是一種特殊類型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，是一種相似性度量的方法。與一個學(xué)習(xí)對其輸入進(jìn)行分類的模型不同，孿生神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)在兩個輸入中進(jìn)行區(qū)分，從數(shù)據(jù)中去學(xué)習(xí)一個相似性的度量。孿生網(wǎng)絡(luò)由兩個完全相同的神經(jīng)網(wǎng)絡(luò)組成，每個都輸入一個圖像，然后依次饋送到卷積層、池化層和全連接層，最后輸出一個特征向量到對比損失函數(shù)中，來計算兩個圖像之間的相似度。孿生神經(jīng)網(wǎng)絡(luò)可廣泛用于簽名驗證、人臉識別等領(lǐng)域。網(wǎng)絡(luò)結(jié)構(gòu)如下：

caffe的孿生神經(jīng)網(wǎng)絡(luò)采用的損失函數(shù)（Contrastive Loss function）是

其中：

① Ew被定義為姐妹孿生網(wǎng)絡(luò)輸出之間的歐氏距離（euclidean distance），Gw是其中一個姐妹網(wǎng)絡(luò)的輸出，X1和X2是輸入數(shù)據(jù)對。

② Y值為1或0：如果模型預(yù)測輸入是相似的，那么Y的值為0，否則Y為1。

③ m是閾值。

我們通過以下方式來理解一下?lián)p失函數(shù)：①當(dāng)輸入圖像相似時，歐式距離越大，損失值越大;②當(dāng)輸入圖像不同時，歐式距離越小，損失值越大，而歐式距離大于某個閾值m后將不再產(chǎn)生損失。

1.1、制作數(shù)據(jù)集

1.1.1、我們從系統(tǒng)上的促銷工單中批量導(dǎo)出圖像，然后對這些圖片進(jìn)行分類，將相似的圖片分成一組，不相似的歸為另一組，共制作100對樣本。

1.1.2、讀取數(shù)據(jù)，劃分輸入數(shù)據(jù)集（圖片信息列）和輸出數(shù)據(jù)集（label列），同時劃分訓(xùn)練集和測試集

1.2、搭建孿生神經(jīng)網(wǎng)絡(luò)模型

1.2.1、對圖像進(jìn)行灰度化處理

1.2.2、調(diào)整輸入圖像為100*100，同時接受2張圖片作為輸入。

1.2.3、子網(wǎng)絡(luò)包括3個卷積層和3個全連接層，卷積層的卷積核大小分別為3，3，3，每一個卷積層后均添加一個批量歸一化層。歸一化的引入是為了減少internal covariatie shift現(xiàn)象，其具體表現(xiàn)是在訓(xùn) 練深層網(wǎng)絡(luò)的過程中，前面層參數(shù)的變化會影響后面每層的參數(shù)分布，導(dǎo)致了訓(xùn)練時只能選用較低的學(xué)習(xí)速率以及小心謹(jǐn)慎的參數(shù)初始化。而Batch Normalization層（BN）的引入允許我們使用更高的學(xué)習(xí)率以及不用太擔(dān)心參數(shù)初始化的問題。

1.3、自定義損失函數(shù)

在孿生神經(jīng)網(wǎng)絡(luò)（siamese network）中，其采用的損失函數(shù)是contrastive loss，這種損失函數(shù)可以有效的處理孿生神經(jīng)網(wǎng)絡(luò)中的paired data的關(guān)系。

W代表兩個樣本特征X1和X2的歐氏距離（二范數(shù)），P 表示樣本的特征維數(shù)，Y 為兩個樣本是否匹配的標(biāo)簽，Y=0 代表兩個樣本相似或者匹配，Y=1 則代表不匹配，m 為設(shè)定的閾值，N 為樣本個數(shù)。

1.4、模型訓(xùn)練

1.4.1、讀取訓(xùn)練集的數(shù)據(jù)，定義圖像dataset，生成8維的圖像數(shù)據(jù)。

1.4.2、實例化模型，設(shè)置學(xué)習(xí)率，定義優(yōu)化器，lr設(shè)置為0.0005，訓(xùn)練100輪。

1.4.3、保存訓(xùn)練好的模型，下次加載模型即可直接使用，不需要再次訓(xùn)練。

1.5、圖片預(yù)測

1.5.1、輸入2張測試集的圖片，進(jìn)行實際的預(yù)測。

2、構(gòu)建經(jīng)緯度距離審核模塊。

2.1 在距離計算方面，采取了原始數(shù)據(jù)分離抽取的技術(shù)，單獨(dú)將每一個促銷地點的經(jīng)度和緯度分離出來，然后再利用距離計算函數(shù)（利用sin和cos函數(shù)進(jìn)行球面弧長的計算）進(jìn)行經(jīng)緯度的計算，根據(jù)業(yè)務(wù)規(guī)則進(jìn)行下一步的判斷，輸出不符合要求的促銷工單號，進(jìn)行退單處理。

2.2 提單密集度檢測：

（1）根據(jù)執(zhí)行人所屬單位名稱、日期輸出分組數(shù)據(jù)

（2）根據(jù)分組后的結(jié)果，對于統(tǒng)計數(shù)據(jù)大于等于6的進(jìn)行二次分析，先對每一組按照時間進(jìn)行升序排序，然后

判斷第一個時間與第六個時間是否在10分鐘以內(nèi)，如果是的話就判斷第一個與第七個是否在10分鐘以內(nèi)，以此類推，

直到將第一個10分鐘以內(nèi)提交的單搜索出來。然后繼續(xù)下一輪判斷

（3）遍歷所有的分組后，將不合規(guī)的工單編號輸出，進(jìn)行進(jìn)一步的審核。

3、構(gòu)建軌跡分析模塊

根據(jù)渠道進(jìn)行聚類分析，抽取出對應(yīng)的渠道名稱、經(jīng)度、緯度等信息，設(shè)置定位的中心點，然后將該渠道對應(yīng)的所有經(jīng)緯度可視化在地圖上，并繪制軌跡圖。

通過距離判斷，可以對可疑的渠道進(jìn)行深入分析，探索是否出現(xiàn)不合理的促銷地點，如活動距離遠(yuǎn)遠(yuǎn)超過促銷的平均距離，則可判斷該促銷異常，需做進(jìn)一步的核實處理。

4、構(gòu)建數(shù)據(jù)可視化模塊。

根據(jù)統(tǒng)計出來的數(shù)據(jù)，經(jīng)過進(jìn)一步的處理，通過可視化技術(shù)顯示在數(shù)據(jù)大屏上，方便進(jìn)一步做分析處理。主要包括以下幾個子模塊。

4.1 每日執(zhí)行單量統(tǒng)計圖，根據(jù)執(zhí)行日期和發(fā)布日期，統(tǒng)計單日的工單量，通過散點圖的方式繪制圖形，并輔助以氣泡圖的形式形象的表示單量的多少。

4.2 各縣促銷場次分布圖，從全量列表中分析出各縣的促銷場次，并用地圖的方式來展現(xiàn)數(shù)據(jù)，輔助以顏色區(qū)間對數(shù)量做映射。

4.3 各類網(wǎng)點促銷情況圖，各類網(wǎng)點的等級和規(guī)模大小不一，因此開展的促銷場次也有較大的差異，通過餅圖的方式來展現(xiàn)各類網(wǎng)點的分布情況。

4.4 網(wǎng)格促銷情況圖，通過直方圖的方式可以很直觀地看到各個網(wǎng)格的促銷情況，以便根據(jù)實際需要做進(jìn)一步調(diào)整。

4.5 現(xiàn)場促銷反饋詞云圖，每場促銷都會將當(dāng)次的促銷情況用文字的方式進(jìn)行反饋，但是這種方式不太直觀，不能很好的了解整體的促銷情況。根據(jù)文字生成詞云圖，可以大體的了解促銷中反饋的問題情況，反饋問題越多的詞語將會突出顯示，便于管理員抓住重點問題進(jìn)行整改。

4.6 個人促銷數(shù)量排行榜，以上都是針對一個群體進(jìn)行統(tǒng)計分析的，該模塊是針對個人的一個統(tǒng)計情況，根據(jù)個人促銷場次的統(tǒng)計數(shù)量，并排序輸出，可以明顯的看到促銷較為積極的人員。

5、視圖探索

根據(jù)圖片審核結(jié)果，依照文件路徑進(jìn)行可視化展示，將對應(yīng)的兩張圖片顯示在軟件上，避免了手工查找圖片和比對的繁瑣流程。

操作步驟：5.1、點擊初始化，將所有不符合的組合重新編排，錄入到系統(tǒng)中。

5.2、通過查看圖片，或者點擊上一組、下一組快速比對圖片。

5.3、對于人工審核確實不符合條件的工單編號錄入系統(tǒng)，導(dǎo)出到本地電腦，便于后續(xù)退單處理。

6、數(shù)據(jù)和圖像處理模塊。

6.1通過pandas來進(jìn)行excel數(shù)據(jù)的處理，包括從excel數(shù)據(jù)加載到系統(tǒng)中，并且對日期、經(jīng)緯度等字段進(jìn)行切片處理，提取出有用的信息，同時對缺失值、異常值進(jìn)行檢測和處理，同時根據(jù)渠道點進(jìn)行匯總統(tǒng)計，排序和篩選，進(jìn)一步清洗數(shù)據(jù)，保證 系統(tǒng)接收到的是可以正常使用的數(shù)據(jù)。

6.2、圖像URL下載模塊。

首先從系統(tǒng)中批量獲取圖片的URL地址，然后放入循環(huán)體中進(jìn)行逐一解析，獲取響應(yīng)數(shù)據(jù)并將數(shù)據(jù)存儲在本地。由于下載的數(shù)據(jù)是一個壓縮包，因此還需要進(jìn)行解壓操作，便于系統(tǒng)讀取數(shù)據(jù)，節(jié)約了人工解壓的時間。

四、總結(jié)

該項目采用孿生神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型，孿生神經(jīng)網(wǎng)絡(luò)（Siamese network）就是“連體的神經(jīng)網(wǎng)絡(luò)”，神經(jīng)網(wǎng)絡(luò)的“連體”是通過共享權(quán)值來實現(xiàn)的。所謂權(quán)值共享就是當(dāng)神經(jīng)網(wǎng)絡(luò)有兩個輸入的時候，這兩個輸入使用的神經(jīng)網(wǎng)絡(luò)的權(quán)值是共享的（可以理解為使用了同一個神經(jīng)網(wǎng)絡(luò)）。

創(chuàng)新點總結(jié)如下：

一、首次將孿生神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別，解決了樣本量少的模型訓(xùn)練問題

二、改進(jìn)排列組合算法，采用渠道點為核心的新算法，減少90%的計算量

三、開發(fā)了熱力圖和軌跡圖展示模塊，相比傳統(tǒng)的圖表展示方式，更加直觀地查看促銷點的分布和異常促銷情況

通過對模型的數(shù)據(jù)采集、建模分析等，建立了一整套完整的體系，能夠?qū)η捞摷俅黉N場景進(jìn)行精準(zhǔn)識別，有力規(guī)避了渠道虛假套利現(xiàn)象，為公司的業(yè)務(wù)健康發(fā)展提供了有力保障。

作者簡介：曾劍明，籍貫：廣東省梅州市，廣東移動梅州分公司，系統(tǒng)維護(hù)管理，高級工程師，大學(xué)本科，人工智能與軟件開發(fā)。