CN108921398A - 店铺质量评价方法及装置 - Google Patents

Abstract

本发明公开了一种店铺质量评价方法及装置。其中，方法包括：从店铺数据库中，提取多个预设店铺维度的店铺特征；针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量，不仅提升了店铺质量评价的准确性，还提升了店铺质量的可信度，避免了人工标注产生的高昂代价。

Description

店铺质量评价方法及装置

技术领域

本发明涉及电子信息领域，具体涉及一种店铺质量评价方法及装置。

背景技术

随着互联网及移动终端的普及，推广平台应运而生，很多商户选择在推广平台上开设店铺，以达到推广和营销的目的。为了便于用户在众多店铺选取高质量的店铺，就需要对店铺进行质量评估，因此，店铺质量对于推广平台、商户及用户而言都是非常重要的，推广平台可以根据店铺质量对店铺进行排序，从而向用户推荐高质量的店铺，进而提升推广平台的受众率，吸引更多商户入驻该平台；用户根据店铺质量可以筛选出合适的店铺，提升用户体验；对于商户而言，店铺质量能够激励商户用心经营店铺、为用户提供更好的体验。

现有的店铺质量评价主要考虑的是用户反馈数据，例如，用户对一个店铺做出的评论中星级、口味、服务、环境的打分，衡量店铺质量的维度单一，另外，这种店铺质量评价方法在用户反馈数据较少时，所得到的店铺质量的可信度较低，在用户反馈数据较多时又无法识别是否存在刷单情况，导致店铺质量评价准确性低。

虽然现有的店铺质量评价方法考虑利用机器学习模型来评价店铺质量，但往往是通过选取一个业务上比较相关的指标作为模型目标，通过人工标注的方式选取店铺正样本及店铺负样本。众所周知，店铺质量往往是一个综合评估，很难选取到一个可用的模型目标，例如，以点击率或转化率为模型目标都是片面的，另外，人工标注会造成由于人的主观因素而导致标注结果各异，而且还增加了时间成本和人工成本。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的店铺质量评价方法及装置。

根据本发明的一个方面，提供了一种店铺质量评价方法，包括：

从店铺数据库中，提取多个预设店铺维度的店铺特征；

针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；

根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；其中，第一店铺正样本在任一预设店铺维度的店铺排名数据在第一数据范围内，第一店铺负样本在任一预设店铺维度的店铺排名数据在第二数据范围内；

根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；

利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

可选地，多个预设店铺维度包括：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度。

可选地，针对店铺内容维度，根据店铺特征对多个店铺进行排序进一步包括：针对每一个店铺，基于店铺内容维度的店铺特征利用训练得到的店铺内容丰富度评价模型进行店铺内容丰富度预测，得到店铺对应的店铺内容丰富度评分；

根据店铺内容丰富度评分对多个店铺进行排序。

可选地，店铺内容丰富度评价模型训练过程包括：从店铺数据库中，获取店铺页面的浏览信息；

根据店铺页面的浏览信息计算有效浏览占比，并根据有效浏览占比选取第二店铺正样本及第二店铺负样本作为第二训练样本集合；

根据第二训练样本集合中各个第二店铺样本的店铺内容维度的店铺特征以及各个第二店铺样本的标定数据，对店铺内容丰富度评价模型进行训练。

可选地，根据店铺页面的浏览信息计算有效浏览占比进一步包括：

根据店铺页面的浏览信息，统计用户对店铺页面的有效浏览次数及总浏览次数；

根据有效浏览次数及总浏览次数计算有效浏览占比。

可选地，针对店铺位置维度，根据以下参数对店铺排序：店铺影响力、同行业店铺排名、店铺所属区域。

可选地，店铺质量评价模型包括：逻辑斯特回归模型、评分卡模型。

可选地，利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量进一步包括：利用训练得到的评分卡模型确定待评价店铺的店铺质量评分；

在利用训练得到的评分卡模型确定待评价店铺的店铺质量评分之后，方法还包括：将店铺质量评分以预设展示方式展示给商户。

可选地，在店铺数据库中，提取多个预设店铺维度的店铺特征之后，方法还包括：

针对每个预设店铺维度，对预设店铺维度的店铺特征进行异常值剔除处理；

对经过异常值剔除处理的预设店铺维度的店铺特征进行离散化处理；

基于预设参考信息对经过离散化处理的预设店铺维度的店铺特征进行归一化处理。

可选地，利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量进一步包括：

提取待评价店铺在多个预设店铺维度的店铺特征；

基于多个预设店铺维度的店铺特征利用训练得到的店铺质量评价模型进行店铺质量评价，得到店铺对应的店铺质量。

根据本发明的另一方面，提供了一种店铺质量评价装置，包括：

提取模块，适于从店铺数据库中，提取多个预设店铺维度的店铺特征；

排序模块，适于针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；

选取模块，适于根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；其中，第一店铺正样本在任一预设店铺维度的店铺排名数据在第一数据范围内，第一店铺负样本在任一预设店铺维度的店铺排名数据在第二数据范围内；

店铺质量评价模型训练模块，适于根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；

评价模块，适于利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

可选地，多个预设店铺维度包括：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度。

可选地，排序模块进一步包括：店铺内容丰富度预测单元，适于针对每一个店铺，基于店铺内容维度的店铺特征利用训练得到的店铺内容丰富度评价模型进行店铺内容丰富度预测，得到店铺对应的店铺内容丰富度评分；

排序单元，适于根据店铺内容丰富度评分对多个店铺进行排序。

可选地，装置还包括：店铺内容丰富度评价模型训练模块；

店铺内容丰富度评价模型训练模块包括：

获取单元，适于从店铺数据库中，获取店铺页面的浏览信息；

计算单元，适于根据店铺页面的浏览信息计算有效浏览占比；

选取单元，适于根据有效浏览占比选取第二店铺正样本及第二店铺负样本作为第二训练样本集合；

店铺内容丰富度评价模型训练单元，适于根据第二训练样本集合中各个第二店铺样本的店铺内容维度的店铺特征以及各个第二店铺样本的标定数据，对店铺内容丰富度评价模型进行训练。

可选地，计算单元进一步适于：根据店铺页面的浏览信息，统计用户对店铺页面的有效浏览次数及总浏览次数；

根据有效浏览次数及总浏览次数计算有效浏览占比。

可选地，针对店铺位置维度，根据以下参数对店铺排序：店铺影响力、同行业店铺排名、店铺所属区域。

可选地，店铺质量评价模型包括：逻辑斯特回归模型、评分卡模型。

可选地，评价模块进一步适于：利用训练得到的评分卡模型确定待评价店铺的店铺质量评分；

装置还包括：展示模块，适于将店铺质量评分以预设展示方式展示给商户。

可选地，装置还包括：异常值剔除处理模块，适于针对每个预设店铺维度，对预设店铺维度的店铺特征进行异常值剔除处理；

离散化处理模块，适于对经过异常值剔除处理的预设店铺维度的店铺特征进行离散化处理；

归一化处理模块，适于基于预设参考信息对经过离散化处理的预设店铺维度的店铺特征进行归一化处理。

可选地，评价模块进一步适于：提取待评价店铺在多个预设店铺维度的店铺特征；

基于多个预设店铺维度的店铺特征利用训练得到的店铺质量评价模型进行店铺质量评价，得到店铺对应的店铺质量。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述店铺质量评价方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述店铺质量评价方法对应的操作。

综上可知，在本发明提供的店铺质量评价方法及装置中，综合考虑了多个预设店铺维度对店铺质量的影响，而不再单一地利用用户反馈数据衡量店铺质量，因此，基于多个预设店铺维度的店铺特征选取店铺样本，进行店铺质量评价模型训练，不仅可以避免人工标注产生的高昂代价，而且还提升店铺质量评价的准确性，利用训练得到的店铺质量评价模型确定的待评价店铺的店铺质量，能够客观地反映一个店铺的好与坏，提升了店铺质量的可信度，从而能够帮助用户筛选店铺，提升用户体验；另外，所得到的店铺质量还能够帮助商户改善店铺，使商户能够众多店铺中脱颖而出。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的店铺质量评价方法的流程示意图；

图2A示出了根据本发明另一个实施例的店铺质量评价方法的流程示意图；

图2B以雷达图方式示意性示出了利用店铺质量评价方法确定的店铺质量评分；

图3A示出了根据本发明一个实施例的店铺质量评价装置的结构示意图；

图3B示出了店铺内容丰富度评价模型训练模块的结构示意图；

图4示出了根据本发明一个实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的店铺质量评价方法的流程示意图。如图1所示，该方法包括以下步骤：

步骤S100，从店铺数据库中，提取多个预设店铺维度的店铺特征。

其中，店铺数据库存储了店铺的各种数据，例如，日平均成交额、交易笔数、店铺相册数量、推荐菜品、优惠券金额、优惠力度、店铺浏览数据、店铺等级、店铺分店数量、店铺所处区域等各种数据，而影响店铺质量的数据可以分为以下几个维度：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度，因此，可以从店铺数据库中提取多个预设店铺维度的店铺特征。

步骤S101，针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果。

为了克服人工标注样本而造成的既耗时又耗费人力，增加标注成本的问题，本实施例不再采用人工一个个地标注店铺的样本属性的方法，即不再是人工审核一个店铺应该作为店铺正样本还是作为店铺负样本，而是在提取到多个预设店铺维度的店铺特征之后，针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果，基于排序结果进行选取。

步骤S102，根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合。

在得到每个预设店铺维度对应的店铺排序结果后，可以从多个店铺中选取任一预设店铺维度的店铺排名数据在第一数据范围内的店铺作为第一店铺正样本，选取任一预设店铺维度的店铺排名数据在第二数据范围内店铺作为第一店铺负样本，并将选取的第一店铺正样本及第一店铺负样本作为训练店铺质量评价模型的第一训练样本集合。由于所选取的第一店铺正样本的任一预设店铺维度的店铺排名数据均在第一数据范围内，所选取的第一店铺负样本的任一预设店铺维度的店铺排名数据均在第二数据范围内，因此，第一店铺样本具有特征明显且区分度较高等特点。

步骤S103，根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练。

具体地，通过预设的机器学习算法，针对第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据进行训练，根据训练结果确定店铺质量评价模型的模型参数，进而得到训练后的店铺质量评价模型。

步骤S104，利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

在根据步骤S103训练得到店铺质量评价模型之后，可以利用训练得到的店铺质量评价模型来确定待评价店铺的店铺质量，所得到的店铺质量能够作为平台内店铺的排序依据及向用户推荐店铺的推荐依据等。

由此可见，本发明综合考虑多个预设店铺维度对店铺质量的影响，而不再单一地利用用户反馈数据衡量店铺质量，因此，基于多个预设店铺维度的店铺特征选取店铺样本，进行店铺质量评价模型训练，不仅可以避免人工标注产生的高昂代价，而且还提升店铺质量评价的准确性，利用训练得到的店铺质量评价模型所确定的待评价店铺的店铺质量，能够客观地反映一个店铺的好与坏，提升了店铺质量的可信度，从而能够帮助用户筛选店铺，提升用户体验；另外，所得到的店铺质量还能够帮助商户改善店铺，使商户能够众多店铺中脱颖而出。

图2A示出了根据本发明另一个实施例的店铺质量评价方法的流程示意图。如图2A所示，该方法包括以下步骤：

步骤S200，从店铺数据库中，提取多个预设店铺维度的店铺特征。

具体地，店铺数据库存储了店铺的各种数据，例如，日平均成交额、交易笔数、店铺相册数量、推荐菜品、优惠券金额、优惠力度、店铺浏览数据、店铺等级、店铺分店数量、店铺所处区域等各种数据，而影响店铺质量的数据可以分为以下几个维度：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度。其中，店铺内容维度用于衡量店铺内容的丰富程度；店铺品牌维度用于衡量店铺的知名度、品牌知名度；店铺转化维度用于衡量店铺对流量的转化变现能力；店铺业务维度主要服务于业务，体现业务倾向；店铺优惠维度衡量店铺的营销能力以及店铺优惠力度；店铺位置维度用于确定店铺的影响力、排名、所处地段等。

因此，可以从店铺数据库中提取多个预设店铺维度的店铺特征，举例说明，店铺内容维度的店铺特征包括：店铺相册数量、推荐菜品数量、评论数量等；店铺品牌维度的店铺特征包括：品牌等级、覆盖城市数量、分店数量；店铺转化维度特征包括：店铺日平均成交额、店铺交易笔数；店铺业务维度的店铺特征包括：参加平台活动情况；店铺优惠维度的店铺特征包括：优惠力度；店铺位置维度的店铺特征包括：店铺位置。

在某些场景下，需要一个客观地评价店铺质量时，可以剔除店铺业务维度，以此来保证店铺质量的通用性。

步骤S201，针对每个预设店铺维度，对预设店铺维度的店铺特征进行异常值剔除处理。

利用步骤S200提取到的多个预设店铺维度的店铺特征可能存在异常情况，因此，需要先对每个预设店铺维度的店铺特征进行异常值剔除处理，举例说明，店铺交易笔数、店铺日平均成交额反映了店铺商品、优惠券的售卖情况，是衡量店铺对流量的转化变现能力的一个重要参数，因此，为了提高店铺交易笔数、店铺日平均成交额，很多店铺存在刷单情况，即，店铺的日常交易中存在用户与商户之间非正常交易，仅是为了达到提升店铺交易笔数、店铺日平均成交额的目的，而虚假购买，后期商户在以现金方式返还给用户对应的金额，因此，需要针对每个预设店铺维度，对预设店铺维度的店铺特征进行异常值剔除处理，例如，对于一个店铺，一天同一个人消费了几百次，则可认定为异常值，需要从店铺日平均成交额中剔除相应的金额，及从店铺交易笔数中剔除相应的笔数。

需要说明的是，对于一些店铺维度的店铺特征，实际上可能并不存在异常情况，对这些店铺特征进行异常值剔除处理后，所保留的还是原有的店铺特征。

步骤S202，对经过异常值剔除处理的预设店铺维度的店铺特征进行离散化处理。

在对预设店铺维度的店铺特征进行异常值剔除处理之后，还需要进行离散化处理，其中，等值离散化方法和等频率离散化方法是两类典型的无监督离散化方法，等值离散化方法是将属性的值域划分成具有相同宽度的区间；等频率离散化方法是试图将相同数量的对象放进每个区间，例如，可以对评论数量进行离散化处理，另外，在进行离散化处理时，还将根据店铺特征的分布以及业务含义对特征的区间做出调整。

步骤S203，基于预设参考信息对经过离散化处理的预设店铺维度的店铺特征进行归一化处理。

在归一化处理时需要考虑城市、类目等参考信息，由于不同城市、不同类目的店铺特征会有差异，例如，北京的自助餐类目的店铺的日平均成交额可能是小城市相应店铺的几倍甚至几十倍，但是对于一个小城市的店铺而言，其日平均成交金额很可能已经在其所在城市是很高的了，如果不做任何处理，所得到的店铺特征则不具有任何可比性，那么利用相应店铺特征对店铺进行排序所得到的排序结果也将不能用于店铺样本选取依据。

具体地，可以采用以下公式(1)进行归一化处理：

其中，feature_val是归一化前店铺特征的特征值，feature_val_max是该特征列该类目该城市的最大值，feature_normal是归一化后的店铺特征的特征值。

步骤S204，针对每个预设店铺维度，根据归一化处理后的店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果。

为了克服人工标注样本而造成的既耗时又耗费人力，增加标注成本的问题，本实施例不再采用人工一个个地标注店铺的样本属性的方法，即不再是人工审核一个店铺应该作为店铺正样本还是作为店铺负样本，而是在提取到多个预设店铺维度的店铺特征之后，针对每个预设店铺维度，根据归一化处理后的店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果，基于排序结果进行选取。

针对店铺内容维度，可以依据店铺内容丰富度评分对多个店铺进行排序，具体地，可以利用如下方法预测一个店铺的店铺内容丰富度评分：

针对每一个店铺，获取该店铺在店铺内容维度的店铺特征，包括：店铺相册数量、推荐菜品数量、用户评论数量等，然后，基于店铺内容维度的店铺特征利用训练得到的店铺内容丰富度评价模型进行店铺内容丰富度预测，得到该店铺对应的店铺内容丰富度评分，其中，店铺内容丰富度评价模型是通过大量店铺样本训练得到的，是一个输入为店铺内容维度的店铺特征、输出为店铺内容丰富度评分的模型。

现有评价店铺内容丰富度一般采用以下两种方法进行标注：

方法一，人工标注店铺样本的方式，人工标注在很大程度上依赖于人工的经验，这就导致不同的人在对相同店铺样本进行标注时，其标注结果会有所不同，导致预测准确性低，而且人工标注成本过高，既耗时又耗力；

方法二，选取店铺页面中比较重要的店铺特征(比如推荐菜、评论、商家相册)，根据店铺特征的丰富程度卡阈值决定该页面内容是否丰富，这种做法能一定程度上避免人工标注产生的高昂代价，但由于对页面中重要店铺内容的选取过于主观，阈值的设定需要反复调节，而且不能反映线上百万级用户对店铺内容的认知观念，没有利用用户的反馈信息，因此，标注结果往往有偏差。

在本实施例中，可以采用以下方法选取店铺样本：从店铺数据库中，获取店铺页面的浏览信息，其中，店铺页面的浏览信息包括：用户浏览店铺页面的浏览时长、点击店铺页面的次数等，在获取上述店铺页面的浏览信息后，可以统计出用户对店铺页面的有效浏览次数及总浏览次数，其中，有效浏览指用户阅读了店铺页面上的内容，而不是点击进入页面后没做任何浏览就离开了，这里采用以下方法认定有效浏览次数：用户在店铺页面的驻留时间大于等于预设时长，例如，10秒(通过数据分析发现驻留时间超过10秒的流量占比为25％左右)，或者用户在店铺页面内发生的点击次数大于等于1次，则认定是一次有效浏览，然后，计算有效浏览次数及总浏览次数的比值，将计算得到的数值作为有效浏览占比，将有效浏览占比大于或等于预设阈值的店铺作为第二店铺正样本，将有效浏览占比小于预设阈值的店铺作为第二店铺负样本，将选取的第二店铺正样本及第二店铺负样本作为第二训练样本集合，一般认定，有效浏览占比越高代表店铺页面的内容越丰富。

在得到第二训练样本集合后，可以根据第二训练样本集合中各个第二店铺样本的店铺内容维度的店铺特征以及各个第二店铺样本的标定数据，对店铺内容丰富度评价模型进行训练，得到训练后的店铺内容丰富度评价模型。

本实施例提供了一种自动化标注店铺内容丰富度评价模型训练所需店铺样本的方法，通过该方法选取的店铺样本，能够避免人工标注产生的高昂代价，还能够提升标注的准确性，从而提升了店铺内容丰富度预测的准确性。

对于店铺品牌维度，可以依据店铺的品牌等级、覆盖城市数量、分店数量等对店铺进行排序；对于店铺转化维度，可以依据店铺日平均成交额、店铺交易笔数对店铺进行排序；对于店铺业务维度，可以依据店铺是否积极参见平台组织的活动等对店铺进行排序；对于店铺优惠维度，可以依据店铺优惠力度对店铺进行排序，对于店铺位置维度，可以依据店铺影响力、同行业店铺排名、店铺所属区域对店铺进行排序，其中店铺影响力指店铺能吸引多大区域范围内的用户来消费，例如，吸引3公里范围内、5公里范围内、8公里范围内的用户消费，认定店铺影响力越大，店铺质量越高；同行业店铺排名指在店铺所处位置的预设范围内，同行业店铺的排名，例如，麦当劳、肯德基、德克士的排名，认定同行业店铺排名越靠前，店铺质量越高；店铺所属区域指店铺所处地段，例如菜市场、学校、综合商圈，一般认为，综合商圈内店铺的店铺质量高于菜市场、学校地段内店铺的店铺质量。

步骤S205，根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合。

在得到每个预设店铺维度对应的店铺排序结果后，可以从多个店铺中选取任一预设店铺维度的店铺排名数据在第一数据范围内(例如排名在前10％)的店铺作为第一店铺正样本，选取任一预设店铺维度的店铺排名数据在第二数据范围内(例如排名在后10％)店铺作为第一店铺负样本，并将选取的第一店铺正样本及第一店铺负样本作为训练店铺质量评价模型的第一训练样本集合。由于所选取的第一店铺正样本的任一预设店铺维度的店铺排名数据均在第一数据范围内，所选取的第一店铺负样本的任一预设店铺维度的店铺排名数据均在第二数据范围内，因此，第一店铺样本具有特征明显且区分度较高等特点。

店铺质量评价模型具体可以是逻辑斯特回归模型等其它适于进行二分类的模型，还可以是评分卡模型等，其中，逻辑斯特回归模型可以用于评价店铺质量的好或坏，评分卡模型的可解释性强，能够为用户提供明确的评价理由，评分卡模型本身可以看作LR(逻辑回归模型)的一种包装。

下面以店铺质量评价模型为评分卡模型进行具体介绍：

步骤S206，根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对评分卡模型进行训练。

具体地，通过预设的机器学习算法，针对第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据进行训练，根据训练结果确定评分卡模型的模型参数，进而得到训练后的评分卡模型。

在本实施例中，为了能够让商户明确何种店铺的质量较高，以利于商户提升店铺的店铺质量，因此，选用评分卡模型实现机器学习过程。评分卡模型的优势在于可以通过线性变化将预测得到的店铺样本的预测结果值转换成分数，增强可解释性，能够提供明确的计分规则。下面介绍本步骤的详细实现细节：

对各个第一店铺样本的多个预设店铺维度的店铺特征进行通常意义下的逻辑回归，对应的决策函数为：

其中，h_θ(x)表示店铺样本为第一店铺正样本的概率，x表示对应的店铺特征的向量，θ表示该向量的权重。

Odds为一个事件发生的几率，是指该事件发生的概率与该事件不发生概率的比值，若一个店铺的质量好的概率为p，则其质量差的概率为1-p，由此可得：

店铺质量好的对数几率log(Odds)表达式如下：

可以发现，在逻辑斯特回归模型中，输出Y＝1的对数几率是输入条件x的线性函数，

因此，可以得到log(Odds)＝θ₀+θ₁x₁+...+θ_nx_n。

其中，评分卡模型表达式为：

首先，要定义评分的尺度标准，给出一个分数的基准点，例如800分；Odds：表示在给定的分数基准点处的odds值，例如，50；Pdo(Point Double Odds)：表示分数增长多少分Odds值会加倍，则构建方程组：

log(50)＝a*800+b

log(100)＝a*825+b

从而能够反解出a和b，得到最终的评分卡模型。

在本实施例中，计算店铺质量评分时，充分利用了各个预设店铺维度的店铺特征，并且，各个店铺特征对应的权重值以及模型中的参数值均是通过训练得出的，与人工设定的方式相比，精确度更高，输出结果更为准确。

步骤S207，提取待评价店铺在多个预设店铺维度的店铺特征。

在根据步骤S206训练得到店铺质量评价模型之后，可以利用训练得到的店铺质量评价模型来确定待评价店铺的店铺质量，所得到的店铺质量能够作为平台内店铺的排序依据及向用户推荐店铺的推荐依据等。

具体地，提取待评价店铺在多个预设店铺维度的店铺特征，例如，店铺内容维度的店铺特征包括：店铺相册数量、推荐菜品数量、评论数量等；店铺品牌维度的店铺特征包括：品牌等级、覆盖城市、分店数量；店铺转化维度特征包括：店铺日平均成交额、店铺交易笔数；店铺业务维度的店铺特征包括：参加平台活动情况；店铺优惠维度的店铺特征包括：优惠力度；店铺位置维度的店铺特征包括：店铺位置。

步骤S208，基于多个预设店铺维度的店铺特征利用训练得到的评分卡模型进行店铺质量评价，得到店铺对应的店铺质量评分。

提取到待评价店铺在多个预设店铺维度的店铺特征之后，将多个预设店铺维度的店铺特征输入至评分卡模型，利用训练得到的评分卡模型进行店铺质量评价，得到店铺对应的店铺质量评分。

步骤S209，将店铺质量评分以预设展示方式展示给商户。

例如，可以以雷达图的方式展示店铺在各个预设店铺维度的店铺质量评分，从而方便商户直观地了解店铺质量，增强了可解释性，例如，商户可以根据其在店铺内容维度的评分来改善店铺内容，可以根据店铺优惠维度的评分来确定是否加大优惠力度等，如图2B所示，示意性示出了一店铺的店铺质量评分。

综上可知，本发明综合考虑多个预设店铺维度对店铺质量的影响，而不再单一地利用用户反馈数据衡量店铺质量，因此，基于多个预设店铺维度的店铺特征选取店铺样本，进行店铺质量评价模型训练，不仅可以避免人工标注产生的高昂代价，而且还提升店铺质量评价的准确性，利用训练得到的评分卡模型确定的待评价店铺的店铺质量评分，并将其以预设方式展示给商户，能够使商户直观地看出店铺质量在哪些店铺维度评分差，另外，该方法在选取店铺样本之前，对店铺特征进行了相应的处理，因此，能够客观地反映一个店铺的好与坏，提升了店铺质量的可信度，从而能够帮助用户筛选店铺，提升用户体验；另外，所得到的店铺质量还能够帮助商户改善店铺，使商户能够众多店铺中脱颖而出。

图3A示出了根据本发明一个实施例的店铺质量评价装置的结构示意图。如图3A所示，该装置包括：提取模块300、排序模块310、选取模块320、店铺质量评价模型训练模块330、评价模块340。

提取模块300，适于从店铺数据库中，提取多个预设店铺维度的店铺特征；

排序模块310，适于针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；

选取模块320，适于根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；其中，第一店铺正样本在任一预设店铺维度的店铺排名数据在第一数据范围内，第一店铺负样本在任一预设店铺维度的店铺排名数据在第二数据范围内；

店铺质量评价模型训练模块330，适于根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；

评价模块340，适于利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

可选地，多个预设店铺维度包括：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度。

可选地，针对于店铺内容维度，排序模块310进一步包括：店铺内容丰富度预测单元311，适于针对每一个店铺，基于店铺内容维度的店铺特征利用训练得到的店铺内容丰富度评价模型进行店铺内容丰富度预测，得到店铺对应的店铺内容丰富度评分；

排序单元312，适于根据店铺内容丰富度评分对多个店铺进行排序。

可选地，装置还包括：店铺内容丰富度评价模型训练模块350；

如图3B所示，店铺内容丰富度评价模型训练模块350包括：

获取单元351，适于从店铺数据库中，获取店铺页面的浏览信息；

计算单元352，适于根据店铺页面的浏览信息计算有效浏览占比；

选取单元353，适于根据有效浏览占比选取第二店铺正样本及第二店铺负样本作为第二训练样本集合；

店铺内容丰富度评价模型训练单元354，适于根据第二训练样本集合中各个第二店铺样本的店铺内容维度的店铺特征以及各个第二店铺样本的标定数据，对店铺内容丰富度评价模型进行训练。

可选地，计算单元352进一步适于：根据店铺页面的浏览信息，统计用户对店铺页面的有效浏览次数及总浏览次数；

根据有效浏览次数及总浏览次数计算有效浏览占比。

可选地，针对店铺位置维度，根据以下参数对店铺排序：店铺影响力、同行业店铺排名、店铺所属区域。

可选地，店铺质量评价模型包括：逻辑斯特回归模型、评分卡模型。

可选地，评价模块340进一步适于：利用训练得到的评分卡模型确定待评价店铺的店铺质量评分；

装置还包括：展示模块360，适于将店铺质量评分以预设展示方式展示给商户。

可选地，装置还包括：异常值剔除处理模块370，适于针对每个预设店铺维度，对预设店铺维度的店铺特征进行异常值剔除处理；

离散化处理模块380，适于对经过异常值剔除处理的预设店铺维度的店铺特征进行离散化处理；

归一化处理模块390，适于基于预设参考信息对经过离散化处理的预设店铺维度的店铺特征进行归一化处理。

可选地，评价模块340进一步适于：提取待评价店铺在多个预设店铺维度的店铺特征；

基于多个预设店铺维度的店铺特征利用训练得到的店铺质量评价模型进行店铺质量评价，得到店铺对应的店铺质量。

由此可见，本发明综合考虑多个预设店铺维度对店铺质量的影响，而不再单一地利用用户反馈数据衡量店铺质量，因此，基于多个预设店铺维度的店铺特征选取店铺样本，进行店铺质量评价模型训练，不仅可以避免人工标注产生的高昂代价，而且还提升店铺质量评价的准确性，利用训练得到的店铺质量评价模型确定的待评价店铺的店铺质量，能够客观地反映一个店铺的好与坏，提升了店铺质量的可信度，从而能够帮助用户筛选店铺，提升用户体验；另外，所得到的店铺质量还能够帮助商户改善店铺，使商户能够众多店铺中脱颖而出。

本申请实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的店铺质量评价方法。

图4示出了根据本发明一个实施例的计算设备的结构示意图。本发明具体实施例并不对计算设备的具体实现做限定。

如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。

其中：

处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。

通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述店铺质量评价方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序410具体可以用于使得处理器402执行上述任意方法实施例中的店铺质量评价方法。程序410中各步骤的具体实现可以参见上述店铺质量评价实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和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描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的店铺质量评价设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种店铺质量评价方法，包括：

从店铺数据库中，提取多个预设店铺维度的店铺特征；

针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；

根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；其中，所述第一店铺正样本在任一预设店铺维度的店铺排名数据在第一数据范围内，所述第一店铺负样本在任一预设店铺维度的店铺排名数据在第二数据范围内；

根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；

利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

2.根据权利要求1所述的方法，其中，所述多个预设店铺维度包括：店铺内容维度、店铺品牌维度、店铺转化维度、店铺业务维度、店铺优惠维度和/或店铺位置维度。

3.根据权利要求2所述的方法，其中，针对店铺内容维度，根据店铺特征对多个店铺进行排序进一步包括：

针对每一个店铺，基于店铺内容维度的店铺特征利用训练得到的店铺内容丰富度评价模型进行店铺内容丰富度预测，得到店铺对应的店铺内容丰富度评分；

根据店铺内容丰富度评分对多个店铺进行排序。

4.根据权利要求3所述的方法，其中，所述店铺内容丰富度评价模型训练过程包括：

从店铺数据库中，获取店铺页面的浏览信息；

根据所述店铺页面的浏览信息计算有效浏览占比，并根据所述有效浏览占比选取第二店铺正样本及第二店铺负样本作为第二训练样本集合；

根据第二训练样本集合中各个第二店铺样本的店铺内容维度的店铺特征以及各个第二店铺样本的标定数据，对店铺内容丰富度评价模型进行训练。

5.根据权利要求4所述的方法，其中，所述根据店铺页面的浏览信息计算有效浏览占比进一步包括：

根据店铺页面的浏览信息，统计用户对店铺页面的有效浏览次数及总浏览次数；

根据所述有效浏览次数及总浏览次数计算有效浏览占比。

6.根据权利要求3-5中任一项所述的方法，其中，针对店铺位置维度，根据以下参数对店铺排序：店铺影响力、同行业店铺排名、店铺所属区域。

7.根据权利要求1-6中任一项所述的方法，其中，所述店铺质量评价模型包括：逻辑斯特回归模型、评分卡模型。

8.一种店铺质量评价装置，包括：

提取模块，适于从店铺数据库中，提取多个预设店铺维度的店铺特征；

排序模块，适于针对每个预设店铺维度，根据店铺特征对多个店铺进行排序，得到每个预设店铺维度对应的店铺排序结果；

选取模块，适于根据每个预设店铺维度对应的店铺排序结果，选取第一店铺正样本及第一店铺负样本作为第一训练样本集合；其中，所述第一店铺正样本在任一预设店铺维度的店铺排名数据在第一数据范围内，所述第一店铺负样本在任一预设店铺维度的店铺排名数据在第二数据范围内；

店铺质量评价模型训练模块，适于根据第一训练样本集合中各个第一店铺样本的多个预设店铺维度的店铺特征以及各个第一店铺样本的标定数据，对店铺质量评价模型进行训练；

评价模块，适于利用训练得到的店铺质量评价模型确定待评价店铺的店铺质量。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的店铺质量评价方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的店铺质量评价方法对应的操作。