CN109447682A - 确定店铺的营业状态的方法、系统、电子设备及存储介质 - Google Patents
确定店铺的营业状态的方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109447682A CN109447682A CN201811089949.8A CN201811089949A CN109447682A CN 109447682 A CN109447682 A CN 109447682A CN 201811089949 A CN201811089949 A CN 201811089949A CN 109447682 A CN109447682 A CN 109447682A
- Authority
- CN
- China
- Prior art keywords
- shop
- business status
- text
- history evaluation
- evaluation text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种确定店铺的营业状态的方法、装置、电子设备及可读存储介质，以提高确定店铺的营业状态的准确度。该方法包括两种实施方式，第一种实施方式为：评估所述店铺的多个历史评价文本中的至少一个估，以得到所述至少一个历史评价文本的评估结果；根据所述多个历史评价文本各自的获得时刻分别与预设时刻之间的时间差，确定所述多个历史评价文本各自对应的权重值；根据所述多个历史评价文本各自的评估结果和所述多个历史评价文本各自对应的权重值，确定所述店铺的评估结果。第二种实施方式为：根据店铺的用户行为数据和描述所述店铺的参数值，分别获得多个特征数据；将所述多个特征数据输入概率预测模型，以确定所述店铺的评估结果。
Description
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及一种确定店铺的营业 状态的方法、装置、电子设备及可读存储介质。
背景技术
随着互联网经济的发展，越来越多的线下店铺入驻电商平台，以通过 电商平台打通线下店铺与消费者之间的信息交互渠道。一方面，线下店铺 通过电商平台进行线上营销推广，以吸引消费者去该店铺消费；另一方面， 曾经去过该店铺的顾客将自己对该店铺做出的评价上传到电商平台，消费 者在决定是否去该家店铺消费时，通常会参考电商平台上针对该店铺的评 价。此外，该店铺的经营者也会参考各个顾客做出的评价，调整经营策略。
随着店铺的经营者对经营策略的调整，可能会出现停止营业的线下店 铺，而电商平台未能及时获取到线下店铺停止营业的信息，仍然针对该停 止营业的线下店铺进行线上营销推广，进而错误地引导消费者到达一家已 停止营业的线下店铺，也降低了电商平台在消费者心中的信誉度，并且由 于电商平台的错误引导，导致消费者到达线下店铺才发现该线下店铺已经 停止营业，给消费者带来了较差的消费体验。
为改善上述情况，相关技术提供了几种解决方案。第一种解决方案是： 指派专门的工作人员对线下店铺的营业状态进行实地采集，然而此种解决 方案的人力成本巨大，且由于店铺数量较多，导致实时性不足(例如：有 些线下店铺已经停止营业很长时间了，工作人员才实地采集到该线下店铺 的营业状态)。第二种解决方案是：电商平台有奖励地推动消费者上报停止 营业的线下店铺，然而此种解决方案覆盖的线下店铺的数量有限，且较难排除有些消费者恶意上报的行为。可见，相关技术提供的解决方案有待改 进。
发明内容
本申请实施例提供一种确定店铺的营业状态的方法、装置、电子设备 及可读存储介质，以提高确定店铺的营业状态的准确度。
根据本申请实施例的第一方面，提供了一种确定店铺的营业状态的方 法，所述方法包括：
评估所述店铺的多个历史评价文本中的至少一个，以得到所述至少一 个历史评价文本的评估结果，一个历史评价文本的评估结果表征该历史评 价文本所描述的所述店铺的营业状态与预设营业状态的差距；
根据所述多个历史评价文本各自的获得时刻分别与预设时刻之间的时 间差，确定所述多个历史评价文本各自对应的权重值；
根据所述多个历史评价文本各自的评估结果和所述多个历史评价文本 各自对应的权重值，确定表征所述店铺的营业状态与所述预设营业状态的 差距的所述店铺的评估结果，所述店铺的评估结果用于确定所述店铺的营 业状态。
可选地，在确定表征所述店铺的营业状态与所述预设营业状态的差距 的所述店铺的评估结果之后，所述方法还包括：
在所述店铺的评估结果表征所述店铺的营业状态与所述预设营业状态 的差距小于预设差距的情况下，将所述店铺归类到营业状态为所述预设营 业状态的店铺集合中。
可选地，在评估所述店铺的多个历史评价文本中的至少一个之前，所 述方法还包括：
获得所述店铺的多个样本评价文本，所述多个样本评价文本分别描述 所述店铺的营业状态是否是所述预设营业状态；
以所述多个样本评价文本为输入，对预设模型进行训练，得到营业状 态评估模型，所述营业状态评估模型用于评估单个评价文本所描述的所述 店铺的营业状态与所述预设营业状态的差距；
评估所述店铺的多个历史评价文本中的至少一个，包括：
将所述多个历史评价文本中的至少一个输入所述营业状态评估模型。
可选地，所述预设模型的数量是多个；所述营业状态评估模型的数量 是多个，一个营业状态评估模型与一个预设模型对应；
评估所述店铺的多个历史评价文本中的一个历史评价文本，以得到该 历史评价文本的评估结果，包括：
将该历史评价文本输入多个营业状态评估模型，以得到每个营业状态 评估模型下该历史评价文本的预评估结果；
根据多个营业状态评估模型各自的权重值和多个营业状态评估模型下 该历史评价文本的预评估结果，确定该历史评价文本的评估结果。
可选地，所述多个历史评价文本中的第i个历史评价文本对应的权重值 符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与 预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
可选地，所述店铺的评估结果符合以下公式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历 史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获 得时刻与预设时刻之间的时间差，score_i表示所述第i个历史评价文本的评 估结果对应的分值，n表示历史评价文本的总数。
可选地，在评估所述店铺的多个历史评价文本中的至少一个之前，所 述方法还包括以下任一步骤：
将对应的获得时刻与预设时刻之间的时间差小于预设阈值的历史评价 文本，确定为所述多个历史评价文本中的一个；或
对所述店铺的多个历史评价文本按照对应的获得时刻的先后顺序进行 排序，并将对应的名次排在预设名次之前的历史评价文本，确定为所述多 个历史评价文本中的一个。
本申请实施例第二方面提供一种确定店铺的营业状态的方法，所述方 法包括：
根据店铺的用户行为数据和描述所述店铺的参数值，分别获得多个特 征数据，所述用户行为数据是用户针对所述店铺做出的行为而生成的数据；
将所述多个特征数据输入概率预测模型，以确定所述店铺的评估结果， 所述店铺的评估结果表征所述店铺的营业状态是预设营业状态的概率。
可选地，根据店铺的用户行为数据获得特征数据，包括以下一者或以 下任意多者的组合：
在所述店铺的用户行为数据包括评价文本的条件下，通过LSTM模型对 所述评价文本进行特征提取，以获得第一类多维特征数据，所述第一类多 维特征数据是用于表述所述评价文本的向量；
在所述店铺的用户行为数据包括浏览轨迹的条件下，通过word2vec模 型对所述浏览轨迹进行特征提取，以获得第二类多维特征数据；
在所述店铺的用户行为数据包括由所述用户上报的特征数据的条件下， 根据上报特征数据的用户数量，获得第三类多维特征数据。
可选地，根据描述所述店铺的参数值获得特征数据，包括以下一者或 以下任意多者的组合：
在描述所述店铺的参数值包括所述店铺的图像的条件下，通过VGG模 型对所述图像进行特征提取，以获得第四类多维特征数据，所述第四类多 维特征数据是用于表述所述图像的向量；
在描述所述店铺的参数值包括所述店铺的属性数据的条件下，通过 onehot模型对所述属性数据进行特征提取，以获得第五类多维特征数据；
在描述所述店铺的参数值包括在预设时间段内所述店铺的访问量和/或 访客量的条件下，根据所述店铺的访问量和/或访客量，得到第六类多维特 征数据。
本申请实施例第三方面提供一种确定店铺的营业状态的装置，所述装 置包括：
评估模块，用于评估所述店铺的多个历史评价文本中的至少一个，以 得到所述至少一个历史评价文本的评估结果，一个历史评价文本的评估结 果表征该历史评价文本所描述的所述店铺的营业状态与预设营业状态的差 距；
权重值确定模块，用于根据所述多个历史评价文本各自的获得时刻分 别与预设时刻之间的时间差，确定所述多个历史评价文本各自对应的权重 值；
评估结果确定模块，用于根据所述多个历史评价文本各自的评估结果 和所述多个历史评价文本各自对应的权重值，确定表征所述店铺的营业状 态与所述预设营业状态的差距的所述店铺的评估结果，所述店铺的评估结 果用于确定所述店铺的营业状态。
可选地，所述装置还包括：
归类模块，用于在所述店铺的评估结果表征所述店铺的营业状态与所 述预设营业状态的差距小于预设差距的情况下，将所述店铺归类到营业状 态为所述预设营业状态的店铺集合中。
可选地，所述装置还包括：
获得模块，用于获得所述店铺的多个样本评价文本，所述多个样本评 价文本分别描述所述店铺的营业状态是否是所述预设营业状态；
训练模块，用于以所述多个样本评价文本为输入，对预设模型进行训 练，得到营业状态评估模型，所述营业状态评估模型用于评估单个评价文 本所描述的所述店铺的营业状态与所述预设营业状态的差距；
所述评估模块包括：
评估子模块，用于将所述多个历史评价文本分别输入所述营业状态评 估模型。
可选地，所述预设模型的数量是多个；所述营业状态评估模型的数量 是多个，一个营业状态评估模型与一个预设模型对应；
所述评估模块包括：
输入子模块，用于将该历史评价文本输入多个营业状态评估模型，以 得到每个营业状态评估模型下该历史评价文本的预评估结果；
确定子模块，用于根据多个营业状态评估模型各自的权重值和多个营 业状态评估模型下该历史评价文本的预评估结果，确定该历史评价文本的 评估结果。
可选地，所述多个历史评价文本中的第i个历史评价文本对应的权重值 符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与 预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
可选地，所述店铺的评估结果符合以下公式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历 史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获 得时刻与预设时刻之间的时间差，score_i表示所述第i个历史评价文本的评 估结果对应的分值，n表示历史评价文本的总数。
可选地，所述装置还包括以下任一模块：
第一确定模块，用于将对应的获得时刻与所述预设时刻之间的时间差 小于预设阈值的历史评价文本，确定为所述多个历史评价文本中的一个； 或
第二确定模块，用于对所述店铺的多个历史评价文本按照对应的获得 时刻的先后顺序进行排序，并将对应的名次排在预设名次之前的历史评价 文本，确定为所述多个历史评价文本中的一个。
本申请实施例第四方面提供一种确定店铺的营业状态的装置，所述装 置包括：
获得模块，用于根据店铺的用户行为数据和描述所述店铺的参数值， 分别获得多个特征数据，所述用户行为数据是用户针对所述店铺做出的行 为而生成的数据；
确定模块，用于将所述多个特征数据输入概率预测模型，以确定所述 店铺的评估结果，所述店铺的评估结果表征所述店铺的营业状态是预设营 业状态的概率。
可选地，所述获得装置包括以下一者或以下任意多者的组合：
第一获得子模块，用于在所述店铺的用户行为数据包括评价文本的条 件下，通过LSTM模型对所述评价文本进行特征提取，以获得第一类多维特 征数据，所述第一类多维特征数据是用于表述所述评价文本的向量；
第二获得子模块，用于在所述店铺的用户行为数据包括浏览轨迹的条 件下，通过word2vec模型对所述浏览轨迹进行特征提取，以获得第二类多 维特征数据；
第三获得子模块，用于在所述店铺的用户行为数据包括由所述用户上 报的特征数据的条件下，根据上报特征数据的用户数量，获得第三类多维 特征数据。
可选地，所述获得模块包括以下一者或以下任意多者的组合：
第四获得子模块，用于在描述所述店铺的参数值包括所述店铺的图像 的条件下，通过VGG模型对所述图像进行特征提取，以获得第四类多维特 征数据，所述第四类多维特征数据是用于表述所述图像的向量；
第五获得子模块，用于在描述所述店铺的参数值包括所述店铺的属性 数据的条件下，通过onehot模型对所述属性数据进行特征提取，以获得第 五类多维特征数据；
第六获得子模块，用于在描述所述店铺的参数值包括在预设时间段内 所述店铺的访问量和/或访客量的条件下，根据所述店铺的访问量和/或访客 量，得到第六类多维特征数据。
本申请实施例第五方面提供一种计算机可读存储介质，其上存储有计 算机程序，该程序被处理器执行时实现如本申请实施例第一方面或第二方 面所述的方法中的步骤。
本申请实施例第六方面提供一种电子设备，包括存储器、处理器及存 储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现 如本申请实施例第一方面或第二方面所述的方法中的步骤。
在本申请一个实施例中，将店铺的历史评价文本的内容与历史评价文 本的获得时刻相结合，确定店铺的营业状态，提供了一种新的确定店铺的 营业状态的方法。相比于相关技术中实地采集店铺的营业状态的方法，节 省人力成本，效率较高。并且，只要有历史评价文本的店铺，即可适用该 实施例，因而覆盖的线下店铺数量较多，参考多个历史评价文本，也排除 了部分消费者恶意上报的行为，准确度较高。
在本申请另一个实施例中，结合用户行为数据和描述店铺的参数值， 对其进行特征提取，进而得出店铺的运营状态。由于确定店铺的运营状态 的过程综合考虑了多方面的因素，既包括用户行为方面的因素，又包括店 铺基础信息方面的因素，所以确定出的店铺运营状态更加准确。随着用户 行为的改变或者店铺基础信息的改变，确定出的店铺的运营状态也随之改 变，确定店铺的运营状态的准确度高。
附图说明
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。
图1是本申请一实施例提出的确定店铺的营业状态的方法的流程图；
图2是本申请另一实施例提供的确定店铺的营业状态的方法的流程图；
图3是本申请另一实施例提供的确定店铺的营业状态的方法的流程图；
图4是本申请另一实施例提供的确定店铺的营业状态的方法的流程图；
图5是本申请另一实施例提供的确定店铺的营业状态的方法的流程图；
图6是本申请另一实施例提供的确定店铺的营业状态的方法的示意图；
图7是本申请一实施例提供的另一种确定店铺的营业状态的方法的流程 图；
图8是本申请一实施例提供的另一种确定店铺的营业状态的方法的示意 图；
图9是本申请一实施例提出的确定店铺的营业状态的装置的示意图；
图10是本申请一实施例提供的另一种确定店铺的营业状态的装置的示 意图。
具体实施方式
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。
参考图1，图1是本申请一实施例提出的确定店铺的营业状态的方法的 流程图。如图1所示，该方法包括以下步骤：
步骤S11：评估所述店铺的多个历史评价文本中的至少一个，以得到所 述至少一个历史评价文本的评估结果，一个历史评价文本的评估结果表征 该历史评价文本所描述的所述店铺的营业状态与预设营业状态的差距。
在本实施例中，店铺的历史评价文本是指曾经去过该店铺的顾客对该 店铺做出的文本形式的评价。随着光临同一店铺的顾客的数量的增长，该 店铺的历史评价文本的数量也逐渐增多。店铺的多个历史评价文本中，有 一些历史评价文本描述了该店铺的营业状态，例如：店铺倒闭了，店铺关 门了，店铺停业了，店铺正常营业等。下文中如未特别说明，店铺的历史 评价文本均指描述了该店铺的营业状态的历史评价文本。
在本实施例中，预设营业状态是预先设置的一种值得关注的营业状态， 例如：倒闭、关门等。如果店铺处于该预设营业状态，则电商平台应当做 出相应的调整，以避免误导消费者。示例地，如果店铺处于倒闭状态，则 电商平台应当撤销对该店铺的线上营销推广，以避免错误的引导消费者到 达该已倒闭的店铺，进而避免给消费者带来较差的消费体验，同时也提高 了电商平台提供的线上营销推广的可靠性，维护了电商平台在消费者心中 的信誉度。
对店铺的历史评价文本进行评估，是指根据店铺的历史评价文本，确 定该历史评价文本所描述的店铺的营业状态与预设营业状态的差距，该差 距即为该历史评价文本的评估结果。示例地，店铺的一个历史评价文本是： 店铺正常营业，预设营业状态是：倒闭，则该历史评价文本的评估结果是： 与预设营业状态的差距较大。在一种实施方式中，可以将评估结果量化为 分值，与预设营业状态的差距越小，对应的分值越大。以预设营业状态是倒闭为例，假设店铺的一个历史评价文本是：店铺正常营业，则该历史评 价文本的评估得分是2；假设店铺的另一个历史评价文本是：店铺倒闭了， 则该历史评价文本的评估得分是95。
步骤S12：根据所述多个历史评价文本各自的获得时刻分别与预设时刻 之间的时间差，确定所述多个历史评价文本各自对应的权重值。
历史评价文本的获得时刻指：该历史评价文本上传到电商平台的时刻。 在实际实施过程中，历史评价文本是顾客做出的，顾客做出文本形式的评 价的时刻对电商平台来说是较难确定的，因而此处采用电商平台获得该历 史评价文本的时刻。预设时刻是预先设定的一个时刻，可以是距离当前时 刻一定时长的一个历史时刻，或者也可以是当前时刻，预设时刻如何设定， 取决于电商平台需要确定店铺在哪一时间段内的营业状态。示例地，预先 将预设时刻设定为当前时刻，则通过执行本申请各个实施例提供的确定店 铺的营业状态的方法，电商平台可以确定店铺截止到当前时刻的最近一段 时间的营业状态。再示例地，预先将预设时刻设定为距离当前时刻一定市 场的一个历史时刻，则通过执行本申请各个实施例提供的确定店铺的营业 状态的方法，电商平台可以确定店铺截止到该历史时刻的历史上一段时间 的营业状态。
一个历史评价文本对应的权重值，是该历史评价文本在确定店铺的营 业状态的过程中所起的作用的量化表示。示例地，历史评价文本a对应的 权重值是0.5，历史评价文本b对应的权重值是0.2，则在确定店铺的营业 状态的过程中，对历史评价文本a所描述的店铺的营业状态与预设营业状 态的差距,对最终确定店铺的营业状态有50％的影响，对历史评价文本b所 描述的店铺的营业状态与预设营业状态的差距,对最终确定店铺的营业状态 有20％的影响。
一个历史评价文本的获得时刻与预设时刻之间的时间差越大，该历史 评价文本对应的权重值越小。可以理解的是，历史评价文本的获得时刻越 早，对最终确定店铺的营业状态的影响应该越小，以提高确定店铺的营业 状态的准确度。
在一种实施方式中，多个历史评价文本中的第i个历史评价文本对应的 权重值符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与 预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
步骤S13：根据所述多个历史评价文本各自的评估结果和所述多个历史 评价文本各自对应的权重值，确定表征所述店铺的营业状态与所述预设营 业状态的差距的所述店铺的评估结果，所述店铺的评估结果用于确定所述 店铺的营业状态。
在本实施例中，综合考虑多个历史评价文本各自的评估结果，以及多 个历史评价文本各自对应的权重值，确定店铺的评估结果。也就是说，最 终确定店铺的评价结果，是综合考虑多个历史评价文本得到的，不仅考虑 多个历史评价文本中每个历史评价文本各自描述的该店铺的营业状态与预 设营业状态的差距，也考虑多个历史评价文本中每个历史评价文本的获得 时刻与预设时刻之间的时间差。在一种实施方式中，店铺的评价结果是对多个历史评价文本各自的评估结果进行加权平均得到的，加权平均所用的 权重值即为多个历史评价文本各自对应的权重值。在另一种实施方式中， 在多个历史评价文本中的第i个历史评价文本对应的权重值Wdays_i符合公 式的情况下，结合加权平均，店铺的评估结果符合以下公 式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历 史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获 得时刻与预设时刻之间的时间差，score_i表示第i个历史评价文本的评估结 果对应的分值，n表示历史评价文本的总数。
在该实施例中，将店铺的历史评价文本的内容与历史评价文本的获得 时刻相结合，确定店铺的营业状态，提供了一种新的确定店铺的营业状态 的方法。相比于相关技术中实地采集店铺的营业状态的方法，节省人力成 本，效率较高。并且，只要有历史评价文本的店铺，即可适用该实施例， 因而覆盖的线下店铺数量较多，参考多个历史评价文本，也排除了部分消 费者恶意上报的行为，准确度较高。
结合上述实施例，在本申请另一实施例中，采用训练后的模型对店铺 的多个历史评价文本进行评估。因而本申请另一实施例提供了一种确定店 铺的营业状态的方法。参考图2，图2是本申请另一实施例提供的确定店铺 的营业状态的方法的流程图。如图2所示，该方法包括以下步骤以及上述 步骤S12-步骤S13：
步骤S10a：获得所述店铺的多个样本评价文本，所述多个样本评价文 本分别描述所述店铺的营业状态是否是所述预设营业状态；
步骤S10b：以所述多个样本评价文本为输入，对预设模型进行训练， 得到营业状态评估模型，所述营业状态评估模型用于评估单个评价文本所 描述的所述店铺的营业状态与所述预设营业状态的差距；
相应地，步骤S11中的评估所述店铺的多个历史评价文本中的至少一 个，包括：
步骤S11’：将所述多个历史评价文本中的至少一个输入所述营业状态 评估模型。
首先，将店铺的历史评价文本中的一部分历史评价文本作为样本评价 文本。针对每个样本评价文本，根据该样本评价文本所描述的店铺的营业 状态是否是预设营业状态，对该样本评价文本进行标记。标记过程可以由 人工完成，即人工判断该样本评价文本是否描述了该店铺的营业状态是预 设营业状态，进而对该样本评价文本进行标记，使得该样本评价文本携带 标记。示例地，一个样本评价文本是：这家店倒闭了，则该样本评价文本 的标记是：是；另一个样本评价文本是：这家店正常营业，则该样本评价 文本的标记是：否。按照上述过程对每个样本评价文本进行标记，进而得 到多个携带标记的样本评价文本。
然后，将各个携带标记的样本评价文本输入到预设模型进行训练，直 到训练后的预设模型具有评估单个评价文本所描述的店铺的营业状态与预 设营业状态的差距的功能，该训练后的预设模型即为营业状态评估模型。
在得到营业状态评估模型后，针对店铺的单个历史评价文本，例如： 任一历史评价文本，即可将该单个历史评价文本输入营业状态评估模型， 通过该营业状态评估模型评估该历史评价文本所描述的店铺的营业状态与 预设营业状态的差距。
考虑到历史评价文本的数量是多个，针对每个历史评价文本，首先，将 该历史评价文本输入上述营业状态评估模型，得到该历史评价文本的评估 结果。对其他历史评价文本进行相同的处理，进而得到每个历史评价文本 的评估结果。然后，以多个历史评价文本各自对应的权重值，对多个历史 评价文本各自的评估结果进行加权平均，以最终确定店铺的营业状态。
在本申请另一实施例中，考虑到不同模型有不同的局限性，如果结合 多个互补的模型，则可以避免由于单个模型的局限性，降低最终确定店铺 的营业状态的准确度。因而，在该实施例中，预设模型的数量是多个。相 应地，对每个预设模型，分别执行上述步骤S10a-步骤S10b。进而基于每个 预设模型得到一个营业状态评估模型，由此得到多个营业状态评估模型。 其中，多个预设模型中一个模型可以是TextCNN模型，另一个预设模型可以是LSTM+Attention模型。
参考图3，图3是本申请另一实施例提供的确定店铺的营业状态的方法 的流程图。该实施例针对营业状态评估模型的数量是多个的情况，如图3 所示，图3是本申请另一实施例中对单个历史评价文本进行评估的方法的 流程图。如图3所示，该方法包括以下步骤以及步骤S12-步骤S13：
S11a：将该历史评价文本输入多个营业状态评估模型，以得到每个营 业状态评估模型下该历史评价文本的预评估结果；
S11b：根据多个营业状态评估模型各自的权重值和多个营业状态评估 模型下该历史评价文本的预评估结果，确定该历史评价文本的评估结果。
在本实施例中，对单个历史评价文本的评估，并不是通过单个营业状态 评估模型完成的。而是将单个历史评价文本输入多个营业状态评估模型， 不同的营业状态评估模型对单个历史评价文本进行评估时的侧重点或者评 估角度不同，因而每个营业状态评估模型对应一个权重值。一个营业状态 评估模型对应的权重值，是该营业状态评估模型在对单个历史评价文本进 行评估时的侧重点或者评估角度的重要性的量化表示。
示例地，基于TextCNN模型得到的营业状态评估模型a对应的权重值是 0.5，基于LSTM+Attention模型得到的营业状态评估模型b对应的权重值是 0.4，也就是说，在对同一历史评价文本进行评估时，营业状态评估模型a 对该历史评价文本进行评估时的侧重点或者评估角度的重要性，高于营业 状态评估模型b对该历史评价文本进行评估时的侧重点或者评估角度的重 要性。最终，在确定单个历史评价文本的评估结果的过程中，由营业状态评估模型a得到的预评估结果,对最终确定该单个历史评价文本的评估结果 有50％的影响，由营业状态评估模型b得到的预评估结果,对最终确定该单 个历史评价文本的评估结果有40％的影响。
由于有多个营业状态评估模型，所以针对单个历史评价文本，得到多个 预评估结果，每个预评估结果从一个侧重点或一个评估角度反映了该单个 历史评价文本所描述的店铺的营业状态与预设营业状态的差距。然后，以 多个营业状态评估模型各自对应的权重值，对多个预评估结果进行加权平 均，以最终确定单个历史评价文本的评估结果。
对每个历史评价文本进行相同的处理，进而得到每个历史评价文本的 评估结果。接着执行步骤S12-步骤S13。
在本实施例中，通过多个营业状态评估模型对同一历史评价文本进行 评估，实现了从不同侧重点或不同评估角度对同一历史评价文本的评估， 然后对通过多个营业状态评估模型得到的多个预评估结果进行加权平均， 最终得到的单个历史评价文本的评估结果。提高了单个历史评价文本的评 估结果的准确度，为后续最终确定店铺的营业状态奠定了良好的基础，避 免了因店铺的单个历史评价文本的评估结果准确度较低，而导致最终确定 出店铺的营业状态的准确度较低。
结合以上各个实施例，在本申请另一实施例中，考虑到如何选择历史 评价文本，也会对最终确定的店铺营业状态造成影响。如果选择的历史评 价文本是顾客在较早时期做出的，与指定时间段的时间差较大，那这些历 史评价文本对确定店铺在时间段的营业状态的参考价值就不大，甚至会使 得最终确定出的店铺的营业状态与实际营业状态相反。因而为了提高确定 店铺的营业状态的准确度，本申请另一实施例提供了一种确定店铺的营业 状态的方法。参考图4，图4是本申请另一实施例提供的确定店铺的营业状 态的方法的流程图。如图4所示，该方法包括步骤S11-步骤S13以及以下 步骤：
步骤S10a：将对应的获得时刻与预设时刻之间的时间差小于预设阈值 的历史评价文本，确定为所述多个历史评价文本中的一个。
结合以上各个实施例，在本实施例中，首先对店铺的多个历史评价文 本进行筛选，从中筛选出与预设时刻较近的历史评价文本，然后针对选择 出的这些历史评价文本，执行步骤S11-步骤S13。示例地，对应的获得时刻 与预设时刻之间的时间差小于预设阈值的历史评价文本。其中，预设阈值 是根据对确定店铺的营业状态的准确度需求预先设定的。以预设时刻是当 前时刻为例，可以将预设阈值设置为24小时。即选择电商平台在自当前时 刻之前的24小时之内获得的历史评价文本，然后执行步骤S11-步骤S13。
以上为选择历史评价文本的一种实施方式，即选择对应的获得时刻与 所述预设时刻之间的时间差小于预设阈值的历史评价文本。由于选择对确 定店铺营业状态的参考价值较大的历史评价文本进行评估，所以最终确定 出的店铺的营业状态较为准确，与实际营业状态趋于一致。避免了因为历 史评价文本选择不当而导致最终确定出的店铺的营业状态的准确度较低。 此外，由于滤除了一部分历史评价文本，并不是对全部历史评价文本进行 评估，所以减少了数据处理量，提高了处理效率。
在另一种实施方式中，为了进一步提高准确度，也为了减少计算量， 提高效率，还可以采用以下实施方式选择历史评价文本，如图4所示，该 方法包括步骤S11-步骤S13以及以下步骤：
步骤S10b：对所述店铺的多个历史评价文本按照对应的获得时刻的先 后顺序进行排序，并将对应的名次排在预设名次之前的历史评价文本，确 定为所述多个历史评价文本中的一个。
其中，预设名次是根据对确定店铺的营业状态的准确度需求预先设定 的。示例地，预设名次为4，则选择排在前3名的历史评价文本，然后执行 步骤S11-步骤S13。
尽管随着店铺的顾客数量的增多，店铺的历史评价文本数量逐渐增多， 采用此种实施方式，始终选择最新获得的多个历史评价文本(即对应的名 次排在预设名次之前的历史评价文本)，然后对最新获得的多个历史评价文 本进行评估，保证了最终确定出的店铺的营业状态始终是基于最新的历史 评价文本得出的，提高了终确定出的店铺的营业状态的准确度。
结合以上各实施例，在本申请另一实施例中，对店铺的营业状态进行 归类，以批量处理多个营业状态相同的店铺，提高处理效率。因而，参考 图5，图5是本申请另一实施例提供的确定店铺的营业状态的方法的流程图。 如图5所示，该方法除包括步骤S11-步骤S13之外，还包括以下步骤：
步骤S14：在所述店铺的评估结果表征所述店铺的营业状态与所述预设 营业状态的差距小于预设差距的情况下，将所述店铺归类到营业状态为所 述预设营业状态的店铺集合中。
在本实施例中，如果执行步骤S13后所得出的店铺的营业状态与预设营 业状态的差距较小，例如小于预设差距，则将该店铺归类到营业状态为预 设营业状态的店铺集合中，也即确定该店铺的营业状态为预设营业状态， 因为两者的差距足够小，小于预设差距。其中，预设差距是预先设定的。
以预设营业状态是倒闭为例，在执行步骤S13之后，店铺A的评估得 分是90分，店铺B的评估得分是10分，则将店铺A归类到倒闭店铺集合 中。如果倒闭店铺集合中不仅包括店铺A，还包括店铺C，则可以批量地一 次性撤销对店铺A和店铺C的线上营销推广，以避免错误的引导消费者到 达店铺A和店铺C，进而避免给消费者带来较差的消费体验。
在本实施例中，根据店铺的评估结果，对店铺进行分类，进而对店铺 集合中的同一类店铺进行批量处理，提高了处理效率，也便于电商平台对 店铺的批量管理和维护。
下面以一个示例说明本申请各实施例提供的确定店铺的营业状态的方法。 参考图6，图6是本申请另一实施例提供的确定店铺的营业状态的方法的示 意图。如图6所示，该方法包括以下步骤：
1)针对单个样本评价文本，标注其是否为倒闭商户的描述(是或者否)， 对多个样本评价文本进行相同处理，得到多个样本评价文本；
2)将多个样本评价文本输入TextCNN模型和LSTM+Attention模型，对 TextCNN模型和LSTM+Attention模型分别进行训练，得到相应的营业状态 评估模型；
3)对商户的最新三条评论，获取每个营业状态评估模型的打分。其中， 针对最新三条评论中的每个评论，基于TextCNN模型得到的营业状态评估 模型a对该条评论提取特征后，经过softmax分类器，产生此条评论为倒闭 商户描述的分数score1；同理，基于LSTM+attention模型得到的营业状态 评估模型b对该条评论提取特征后也经过softmax分类器，产生此条评论 为倒闭商户描述的分数score1，再对两个分数进行平均，得出该条评论的分数mean(score1，score2)。对最新三条评论中的其他评论进行相同处理， 得到其他评论的分数；
4)分别获取最新三条评论各自的获得时刻距离今天的天数；
5)根据最新三条评论各自对应的天数设定各自对应的权重值 对最新三条评论的分数进行加权评价，最终得出该店铺 的得分其中，i为1、2或3；
6)设定阈值，得分大于该阈值，则将该店铺归类到倒闭店铺集合中。
以上为本申请部分实施例提供的确定店铺的营业状态的方法。本申请另 一部分实施例还提供了另一种确定店铺的营业状态的方法。参考图7，图7 是本申请一实施例提供的另一种确定店铺的营业状态的方法的流程图。如 图7所示，该方法包括以下步骤：
步骤S71：根据店铺的用户行为数据和描述所述店铺的参数值，分别获 得多个特征数据，所述用户行为数据是用户针对所述店铺做出的行为而生 成的数据。
在本实施例中，店铺的用户行为数据是用户针对该店铺做出的行为而 生成的数据。参考图8，图8是本申请一实施例提供的另一种确定店铺的营 业状态的方法的示意图。如图8所示，示例地，曾经光临一个店铺的顾客 对该店铺做出的评价，相应地生成了评论文本。再示例地，消费者在决定 是否去一家店铺消费时，对该店铺的网页的浏览行为，相应地生成了浏览 行为流。再示例地，曾经光临同一商铺的用户进行的报错/买单/签到等行为而产生的数据，例如，一个商户分别在过去1个月(一周/两周/三个月/半年 /一年/总共)有多少人签到、买单、报错(例如上报地址错误、上报关门、 上报位置错误、上报营业时间错误、上报电话错误等)。
描述店铺的参数值包括但不限于店铺的POI(Point of Interest,兴趣点)。 如图8所示，示例地，店铺的头图，店铺的城市/类目等基础信息，店铺各 个时间段的pv/uv等，其中，pv表示在一天(一周/两周/一个月/三个月/半 年/一年等)各个时间段，访问该店铺的网页的浏览量或点击量，用户每次 刷新即被计算一次；uv表示在一天(一周/两周/一个月/三个月/半年/一年 等)各个时间段，独立访问该店铺的页面的用户数，访问该店铺的网页的 一个终端即为一个访客，在同一天内相同终端对该店铺的网页的多次访问 只被计算一次。
在一种实施方式中，根据店铺的用户行为数据获得特征数据，包括以 下一者或以下任意多者的组合：
在所述店铺的用户行为数据包括评价文本的条件下，通过LSTM模型对 所述评价文本进行特征提取，以获得第一类多维特征数据，所述第一类多 维特征数据是用于表述所述评价文本的向量；
在所述店铺的用户行为数据包括浏览轨迹的条件下，通过word2vec模 型对所述浏览轨迹进行特征提取，以获得第二类多维特征数据；
在所述店铺的用户行为数据包括由所述用户上报的特征数据的条件下， 根据上报特征数据的用户数量，获得第三类多维特征数据。
具体地，针对曾经光临一个店铺的顾客对该店铺做出评价而生成的评 论文本，采用文本特征提取模型(例如图8中的LSTM模型)对该评论文本 进行特征提取，得到第一类多维特征数据，例如，图8中的feature1。示例 地，第一类多维特征数据是一串对该评论文本进行表述的向量，其维度可 以是128维或其他维度。
针对用户对一个店铺的网页的浏览行为而生成的浏览行为流，也即用 户的浏览轨迹对应的数据流，采用数据特征提取模型(例如图8中的 word2vec模型)对浏览行为流进行特征提取，得到第二类多维特征数据， 例如，图8中的feature2。其中，数据特征提取模型是预先经过训练的模型， 具体地，以word2vec模型为例，将用户的浏览行为，即该用户先后浏览了 哪些店铺的网页，作为一个句子，将用户先后浏览过的每个店铺作为一个 词，用户的浏览行为就相当于一句有先后顺序的话，如此，将大量的用户 的浏览行为流输入word2vec模型，对word2vec模型进行训练，训练后得 到可以对一个浏览行为流进行特征提取的数据特征提取模型。示例地，第 二类多维特征数据是100维的向量。
针对用户进行的报错、买单、签到等行为，根据用户的数量，得到 第三类多维特征数据，例如，图8中的feature3。示例地，一个店铺分别在 过去1个月(一周/两周/三个月/半年/一年/总共)有多少人签到(买单/报地址 错误/报关门/报位置错误/报营业时间错误/报电话错误等)，根据具体地人 数得出一个特征向量，例如，48维的特征向量。
在另一种实施方式中，根据描述所述店铺的参数值获得特征数据，包 括以下一者或以下任意多者的组合：
在描述所述店铺的参数值包括所述店铺的图像的条件下，通过VGG模 型对所述图像进行特征提取，以获得第四类多维特征数据，所述第四类多 维特征数据是用于表述所述图像的向量；
在描述所述店铺的参数值包括所述店铺的属性数据的条件下，通过 onehot模型对所述属性数据进行特征提取，以获得第五类多维特征数据；
在描述所述店铺的参数值包括在预设时间段内所述店铺的访问量和/或 访客量的条件下，根据所述店铺的访问量和/或访客量，获得第六类多维特 征数据。
具体地，针对店铺的图像，例如店铺的头图，采用图像特征提取模型 (例如图8中的VGG模型)对该图像进行特征提取，得到第四类多维特征 数据，例如，图8中的feature4。示例地，第四类多维特征数据是一串对该 图像进行表述的向量，其维度可以是128维或其他维度。
针对店铺的城市/类目等基础信息，采用onehot进行编码，获取第五 类多维特征数据，例如，图8中的feature5。示例地，第五类多维特征数据 的维度是1000维或其他维度。
针对店铺在预设时间段内的访问量和/或访客量，得到第六类多维特征 数据，例如，图8中的feature6。示例地，一个店铺在过去的一天(一周/ 两周/一个月/三个月/半年/一年等)的pv/uv的具体数值，根据pv/uv的具 体数值得出一个特征向量，例如，16维的特征向量。
步骤S72:将所述多个特征数据输入概率预测模型，以确定所述店铺的 评估结果，所述店铺的评估结果表征所述店铺的营业状态是预设营业状态 的概率。
在本实施例中，概率预测模型是用于分类的模型，可以是多层栈式自 编码网络、逻辑回归、梯度提升决策树、随机森林、svm等。示例地，图 8以概率预测模型是多层栈式自编码网络为例。在实际实施过程中，将执行 步骤S71后得到的多个特征数据输入该概率预测模型，通过该概率预测模 型对店铺的营业状态进行评估，预测店铺的营业状态是预设营业状态的概 率。其中，对预设营业状态的说明与前文类似，预设营业状态是预先设置 的一种值得关注的营业状态，例如：倒闭、关门等。如果店铺处于该预设 营业状态，则电商平台应当做出相应的调整，以避免误导消费者。示例地， 如果店铺处于倒闭状态，则电商平台应当撤销对该店铺的线上营销推广， 以避免错误的引导消费者到达该已倒闭的店铺，进而避免给消费者带来较 差的消费体验，同时也提高了电商平台提供的线上营销推广的可靠性，维 护了电商平台在消费者心中的信誉度。
以概率预测模型是多层栈式自编码网络为例，多层栈式自编码网络的 第一层的输入可以采用的是特征数据的维度总和的神经元个数，例如1420 个(1420＝128+100+48+128+1000+16)，在实际实施过程中，第一层的输入 还可以扩展到其他数量的神经元个数。该多层栈式自编码网络的隐藏层分 别采用600个神经元---300个---100个---50个---10个—2个，最后一层神经 元个数为2，这2个神经元的输出，是0-1之间的概率值，也即输出了店铺 的营业状态是预设营业状态的概率。在另一种实施方式中，针对上述任一 隐藏层，也可以再任一隐藏层后(例如：输入600个神经元的隐藏层后、输 入300个神经元的隐藏层后、输入100个神经元的隐藏层后、输入50个神 经元的隐藏层后)加一个二分类的softmax分类器进行分类，分类结果是0- 1之间的概率值，也即输出了店铺的营业状态是预设营业状态的概率。
在本实施例中，结合用户行为数据和描述店铺的参数值，对其进行特 征提取，进而得出店铺的运营状态。由于确定店铺的运营状态的过程综合 考虑了多方面的因素，既包括用户行为方面的因素，又包括店铺基础信息 方面的因素，所以确定出的店铺运营状态更加准确。随着用户行为的改变 或者店铺基础信息的改变，确定出的店铺的运营状态也随之改变，确定店 铺的运营状态的准确度高。
基于同一发明构思，本申请一实施例提供一种确定店铺的营业状态的 装置。参考图9，图9是本申请一实施例提供的确定店铺的营业状态的装置 的示意图。如图9所示，该装置包括：
评估模块901，用于评估所述店铺的多个历史评价文本中的至少一个， 以得到所述至少一个历史评价文本的评估结果，一个历史评价文本的评估 结果表征该历史评价文本所描述的所述店铺的营业状态与预设营业状态的 差距；
权重值确定模块902，用于根据所述多个历史评价文本各自的获得时刻 分别与预设时刻之间的时间差，确定所述多个历史评价文本各自对应的权 重值；
评估结果确定模块903，用于根据所述多个历史评价文本各自的评估结 果和所述多个历史评价文本各自对应的权重值，确定表征所述店铺的营业 状态与所述预设营业状态的差距的所述店铺的评估结果，所述店铺的评估 结果用于确定所述店铺的营业状态。
可选地，所述装置还包括：
归类模块，用于在所述店铺的评估结果表征所述店铺的营业状态与所 述预设营业状态的差距小于预设差距的情况下，将所述店铺归类到营业状 态为所述预设营业状态的店铺集合中。
可选地，所述装置还包括：
获得模块，用于获得所述店铺的多个样本评价文本，所述多个样本评 价文本分别描述所述店铺的营业状态是否是所述预设营业状态；
训练模块，用于以所述多个样本评价文本为输入，对预设模型进行训 练，得到营业状态评估模型，所述营业状态评估模型用于评估单个评价文 本所描述的所述店铺的营业状态与所述预设营业状态的差距；
所述评估模块包括：
评估子模块，用于将所述多个历史评价文本分别输入所述营业状态评 估模型。
可选地，所述预设模型的数量是多个；所述营业状态评估模型的数量 是多个，一个营业状态评估模型与一个预设模型对应；
所述评估模块包括：
输入子模块，用于将该历史评价文本输入多个营业状态评估模型，以 得到每个营业状态评估模型下该历史评价文本的预评估结果；
确定子模块，用于根据多个营业状态评估模型各自的权重值和多个营 业状态评估模型下该历史评价文本的预评估结果，确定该历史评价文本的 评估结果。
可选地，所述多个历史评价文本中的第i个历史评价文本对应的权重值 符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与 预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
可选地，所述店铺的评估结果符合以下公式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历 史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获 得时刻与预设时刻之间的时间差，score_i表示所述第i个历史评价文本的评 估结果对应的分值，n表示历史评价文本的总数。
可选地，所述装置还包括以下任一模块：
第一确定模块，用于将对应的获得时刻与所述预设时刻之间的时间差 小于预设阈值的历史评价文本，确定为所述多个历史评价文本中的一个； 或
第二确定模块，用于对所述店铺的多个历史评价文本按照对应的获得 时刻的先后顺序进行排序，并将对应的名次排在预设名次之前的历史评价 文本，确定为所述多个历史评价文本中的一个。
基于同一发明构思，本申请一实施例提供另一种确定店铺的营业状态 的装置。参考图10，图10是本申请另一实施例提供的确定店铺的营业状 态的装置的示意图。如图10所示，该装置包括：
获得模块1011，用于根据店铺的用户行为数据和描述所述店铺的参数 值，分别获得多个特征数据，所述用户行为数据是用户针对所述店铺做出 的行为而生成的数据；
确定模块1012，用于将所述多个特征数据输入概率预测模型，以确定 所述店铺的评估结果，所述店铺的评估结果表征所述店铺的营业状态是预 设营业状态的概率。
可选地，所述获得装置包括以下一者或以下任意多者的组合：
第一获得子模块，用于在所述店铺的用户行为数据包括评价文本的条 件下，通过LSTM模型对所述评价文本进行特征提取，以获得第一类多维特 征数据，所述第一类多维特征数据是用于表述所述评价文本的向量；
第二获得子模块，用于在所述店铺的用户行为数据包括浏览轨迹的条 件下，通过word2vec模型对所述浏览轨迹进行特征提取，以获得第二类多 维特征数据；
第三获得子模块，用于在所述店铺的用户行为数据包括由所述用户上 报的特征数据的条件下，根据上报特征数据的用户数量，获得第三类多维 特征数据。
可选地，所述获得模块包括以下一者或以下任意多者的组合：
第四获得子模块，用于在描述所述店铺的参数值包括所述店铺的图像 的条件下，通过VGG模型对所述图像进行特征提取，以获得第四类多维特 征数据，所述第四类多维特征数据是用于表述所述图像的向量；
第五获得子模块，用于在描述所述店铺的参数值包括所述店铺的属性 数据的条件下，通过onehot模型对所述属性数据进行特征提取，以获得第 五类多维特征数据；
第六获得子模块，用于在描述所述店铺的参数值包括在预设时间段内 所述店铺的访问量和/或访客量的条件下，根据所述店铺的访问量和/或访客 量，得到第六类多维特征数据。
基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质， 其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实 施例所述的方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储 器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处 理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比 较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说 明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相 参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、 装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、 完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明 实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计 算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计 算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令 实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图 中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专 用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生 一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行 的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可 读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图 一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设 备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生 计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提 供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一 旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所 以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围 的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术 语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定 要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而 且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从 而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方 法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句 “包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品 或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种确定店铺的营业状态的方法、装置、存储 介质和电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原 理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的 方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思 想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书 内容不应理解为对本发明的限制。
Claims (22)
1.一种确定店铺的营业状态的方法，其特征在于，所述方法包括：
评估所述店铺的多个历史评价文本中的至少一个，以得到所述至少一个历史评价文本的评估结果，一个历史评价文本的评估结果表征该历史评价文本所描述的所述店铺的营业状态与预设营业状态的差距；
根据所述多个历史评价文本各自的获得时刻分别与预设时刻之间的时间差，确定所述多个历史评价文本各自对应的权重值；
根据所述多个历史评价文本各自的评估结果和所述多个历史评价文本各自对应的权重值，确定表征所述店铺的营业状态与所述预设营业状态的差距的所述店铺的评估结果，所述店铺的评估结果用于确定所述店铺的营业状态。
2.根据权利要求1所述的方法，其特征在于，在确定表征所述店铺的营业状态与所述预设营业状态的差距的所述店铺的评估结果之后，所述方法还包括：
在所述店铺的评估结果表征所述店铺的营业状态与所述预设营业状态的差距小于预设差距的情况下，将所述店铺归类到营业状态为所述预设营业状态的店铺集合中。
3.根据权利要求1所述的方法，其特征在于，在评估所述店铺的多个历史评价文本中的至少一个之前，所述方法还包括：
获得所述店铺的多个样本评价文本，所述多个样本评价文本分别描述所述店铺的营业状态是否是所述预设营业状态；
以所述多个样本评价文本为输入，对预设模型进行训练，得到营业状态评估模型，所述营业状态评估模型用于评估单个评价文本所描述的所述店铺的营业状态与所述预设营业状态的差距；
评估所述店铺的多个历史评价文本中的至少一个，包括：
将所述多个历史评价文本中的至少一个输入所述营业状态评估模型。
4.根据权利要求3所述的方法，其特征在于，所述预设模型的数量是多个；所述营业状态评估模型的数量是多个，一个营业状态评估模型与一个预设模型对应；
评估所述店铺的多个历史评价文本中的一个历史评价文本，以得到该历史评价文本的评估结果，包括：
将该历史评价文本输入多个营业状态评估模型，以得到每个营业状态评估模型下该历史评价文本的预评估结果；
根据多个营业状态评估模型各自的权重值和多个营业状态评估模型下该历史评价文本的预评估结果，确定该历史评价文本的评估结果。
5.根据权利要求1所述的方法，其特征在于，所述多个历史评价文本中的第i个历史评价文本对应的权重值符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
6.根据权利要求5所述的方法，其特征在于，所述店铺的评估结果符合以下公式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获得时刻与预设时刻之间的时间差，score_i表示所述第i个历史评价文本的评估结果对应的分值，n表示历史评价文本的总数。
7.根据权利要求1-6任一所述的方法，其特征在于，在评估所述店铺的多个历史评价文本中的至少一个之前，所述方法还包括以下任一步骤：
将对应的获得时刻与预设时刻之间的时间差小于预设阈值的历史评价文本，确定为所述多个历史评价文本中的一个；或
对所述店铺的多个历史评价文本按照对应的获得时刻的先后顺序进行排序，并将对应的名次排在预设名次之前的历史评价文本，确定为所述多个历史评价文本中的一个。
8.一种确定店铺的营业状态的方法，其特征在于，所述方法包括：
根据店铺的用户行为数据和描述所述店铺的参数值，分别获得多个特征数据，所述用户行为数据是用户针对所述店铺做出的行为而生成的数据；
将所述多个特征数据输入概率预测模型，以确定所述店铺的评估结果，所述店铺的评估结果表征所述店铺的营业状态是预设营业状态的概率。
9.根据权利要求8所述的方法，其特征在于，根据店铺的用户行为数据获得特征数据，包括以下一者或以下任意多者的组合：
在所述店铺的用户行为数据包括评价文本的条件下，通过LSTM模型对所述评价文本进行特征提取，以获得第一类多维特征数据，所述第一类多维特征数据是用于表述所述评价文本的向量；
在所述店铺的用户行为数据包括浏览轨迹的条件下，通过word2vec模型对所述浏览轨迹进行特征提取，以获得第二类多维特征数据；
在所述店铺的用户行为数据包括由所述用户上报的特征数据的条件下，根据上报特征数据的用户数量，获得第三类多维特征数据。
10.根据权利要求8或9所述的方法，其特征在于，根据描述所述店铺的参数值获得特征数据，包括以下一者或以下任意多者的组合：
在描述所述店铺的参数值包括所述店铺的图像的条件下，通过VGG模型对所述图像进行特征提取，以获得第四类多维特征数据，所述第四类多维特征数据是用于表述所述图像的向量；
在描述所述店铺的参数值包括所述店铺的属性数据的条件下，通过onehot模型对所述属性数据进行特征提取，以获得第五类多维特征数据；
在描述所述店铺的参数值包括在预设时间段内所述店铺的访问量和/或访客量的条件下，根据所述店铺的访问量和/或访客量，得到第六类多维特征数据。
11.一种确定店铺的营业状态的装置，其特征在于，所述装置包括：
评估模块，用于评估所述店铺的多个历史评价文本中的至少一个，以得到所述至少一个历史评价文本的评估结果，一个历史评价文本的评估结果表征该历史评价文本所描述的所述店铺的营业状态与预设营业状态的差距；
权重值确定模块，用于根据所述多个历史评价文本各自的获得时刻分别与预设时刻之间的时间差，确定所述多个历史评价文本各自对应的权重值；
评估结果确定模块，用于根据所述多个历史评价文本各自的评估结果和所述多个历史评价文本各自对应的权重值，确定表征所述店铺的营业状态与所述预设营业状态的差距的所述店铺的评估结果，所述店铺的评估结果用于确定所述店铺的营业状态。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
归类模块，用于在所述店铺的评估结果表征所述店铺的营业状态与所述预设营业状态的差距小于预设差距的情况下，将所述店铺归类到营业状态为所述预设营业状态的店铺集合中。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
获得模块，用于获得所述店铺的多个样本评价文本，所述多个样本评价文本分别描述所述店铺的营业状态是否是所述预设营业状态；
训练模块，用于以所述多个样本评价文本为输入，对预设模型进行训练，得到营业状态评估模型，所述营业状态评估模型用于评估单个评价文本所描述的所述店铺的营业状态与所述预设营业状态的差距；
所述评估模块包括：
评估子模块，用于将所述多个历史评价文本分别输入所述营业状态评估模型。
14.根据权利要求13所述的装置，其特征在于，所述预设模型的数量是多个；所述营业状态评估模型的数量是多个，一个营业状态评估模型与一个预设模型对应；
所述评估模块包括：
输入子模块，用于将该历史评价文本输入多个营业状态评估模型，以得到每个营业状态评估模型下该历史评价文本的预评估结果；
确定子模块，用于根据多个营业状态评估模型各自的权重值和多个营业状态评估模型下该历史评价文本的预评估结果，确定该历史评价文本的评估结果。
15.根据权利要求11所述的装置，其特征在于，所述多个历史评价文本中的第i个历史评价文本对应的权重值符合以下公式：
其中，days_i表示第i个历史评价文本的获得时刻与预设时刻之间的时间差，Wdays_i表示第i个历史评价文本对应的权重值。
16.根据权利要求15所述的装置，其特征在于，所述店铺的评估结果符合以下公式：
其中，score表示所述店铺的评估结果，Wscorendays_i表示所述第i个历史评价文本的评估结果对应的权重值，days_i表示第i个历史评价文本的获得时刻与预设时刻之间的时间差，score_i表示所述第i个历史评价文本的评估结果对应的分值，n表示历史评价文本的总数。
17.根据权利要求11-16任一所述的装置，其特征在于，所述装置还包括以下任一模块：
第一确定模块，用于将对应的获得时刻与所述预设时刻之间的时间差小于预设阈值的历史评价文本，确定为所述多个历史评价文本中的一个；或
第二确定模块，用于对所述店铺的多个历史评价文本按照对应的获得时刻的先后顺序进行排序，并将对应的名次排在预设名次之前的历史评价文本，确定为所述多个历史评价文本中的一个。
18.一种确定店铺的营业状态的装置，其特征在于，所述装置包括：
获得模块，用于根据店铺的用户行为数据和描述所述店铺的参数值，分别获得多个特征数据，所述用户行为数据是用户针对所述店铺做出的行为而生成的数据；
确定模块，用于将所述多个特征数据输入概率预测模型，以确定所述店铺的评估结果，所述店铺的评估结果表征所述店铺的营业状态是预设营业状态的概率。
19.根据权利要求18所述的装置，其特征在于，所述获得装置包括以下一者或以下任意多者的组合：
第一获得子模块，用于在所述店铺的用户行为数据包括评价文本的条件下，通过LSTM模型对所述评价文本进行特征提取，以获得第一类多维特征数据，所述第一类多维特征数据是用于表述所述评价文本的向量；
第二获得子模块，用于在所述店铺的用户行为数据包括浏览轨迹的条件下，通过word2vec模型对所述浏览轨迹进行特征提取，以获得第二类多维特征数据；
第三获得子模块，用于在所述店铺的用户行为数据包括由所述用户上报的特征数据的条件下，根据上报特征数据的用户数量，获得第三类多维特征数据。
20.根据权利要求18或19所述的装置，其特征在于，所述获得模块包括以下一者或以下任意多者的组合：
第四获得子模块，用于在描述所述店铺的参数值包括所述店铺的图像的条件下，通过VGG模型对所述图像进行特征提取，以获得第四类多维特征数据，所述第四类多维特征数据是用于表述所述图像的向量；
第五获得子模块，用于在描述所述店铺的参数值包括所述店铺的属性数据的条件下，通过onehot模型对所述属性数据进行特征提取，以获得第五类多维特征数据；
第六获得子模块，用于在描述所述店铺的参数值包括在预设时间段内所述店铺的访问量和/或访客量的条件下，根据所述店铺的访问量和/或访客量，得到第六类多维特征数据。
21.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10任一所述的方法中的步骤。
22.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-10任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811089949.8A CN109447682A (zh) | 2018-09-18 | 2018-09-18 | 确定店铺的营业状态的方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811089949.8A CN109447682A (zh) | 2018-09-18 | 2018-09-18 | 确定店铺的营业状态的方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447682A true CN109447682A (zh) | 2019-03-08 |
Family
ID=65530610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811089949.8A Pending CN109447682A (zh) | 2018-09-18 | 2018-09-18 | 确定店铺的营业状态的方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447682A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782292A (zh) * | 2019-10-29 | 2020-02-11 | 吴彪 | 一种显示加油站优惠政策的方法及系统 |
| CN111985985A (zh) * | 2019-05-22 | 2020-11-24 | 口口相传(北京)网络技术有限公司 | 门店信息的提取方法及装置、存储介质、电子装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412918A (zh) * | 2013-08-08 | 2013-11-27 | 南京邮电大学 | 一种基于服务质量和声誉的服务信任度评估方法 |
| TW201503033A (zh) * | 2013-05-02 | 2015-01-16 | Dun & Bradstreet Corp | 使用多維度評級制判定實體未來商業存活力之系統和方法 |
| CN104321794A (zh) * | 2013-05-02 | 2015-01-28 | 邓白氏公司 | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 |
| CN104680408A (zh) * | 2015-01-16 | 2015-06-03 | 上海我有信息科技有限公司 | 商家终端及自动改变营业状态的方法 |
| CN106407999A (zh) * | 2016-08-25 | 2017-02-15 | 北京物思创想科技有限公司 | 结合规则来进行机器学习的方法及系统 |
| WO2017073778A1 (ja) * | 2015-10-30 | 2017-05-04 | 正人 久門 | 財務リスク管理装置、財務リスク管理プログラム及び記憶媒体 |
| US20170177723A1 (en) * | 2015-12-22 | 2017-06-22 | Google Inc. | Systems and Methods of Sourcing Hours of Operation for a Location Entity |
| CN107944602A (zh) * | 2017-11-09 | 2018-04-20 | 重庆大学 | 基于信任模型的云制造服务评价与匹配方法 |
| CN107992957A (zh) * | 2016-10-25 | 2018-05-04 | 航天信息股份有限公司 | 一种基于税务数据进行经营预测的方法及装置 |
| CN108197177A (zh) * | 2017-12-21 | 2018-06-22 | 北京三快在线科技有限公司 | 业务对象的监测方法、装置、存储介质和计算机设备 |
| CN108366135A (zh) * | 2018-04-26 | 2018-08-03 | 孙敏 | 营业状态获取方法、系统、终端、服务器及其存储介质 |
-
2018
- 2018-09-18 CN CN201811089949.8A patent/CN109447682A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201503033A (zh) * | 2013-05-02 | 2015-01-16 | Dun & Bradstreet Corp | 使用多維度評級制判定實體未來商業存活力之系統和方法 |
| CN104321794A (zh) * | 2013-05-02 | 2015-01-28 | 邓白氏公司 | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 |
| US20150149247A1 (en) * | 2013-05-02 | 2015-05-28 | The Dun & Bradstreet Corporation | System and method using multi-dimensional rating to determine an entity's future commercical viability |
| CN103412918A (zh) * | 2013-08-08 | 2013-11-27 | 南京邮电大学 | 一种基于服务质量和声誉的服务信任度评估方法 |
| CN104680408A (zh) * | 2015-01-16 | 2015-06-03 | 上海我有信息科技有限公司 | 商家终端及自动改变营业状态的方法 |
| WO2017073778A1 (ja) * | 2015-10-30 | 2017-05-04 | 正人 久門 | 財務リスク管理装置、財務リスク管理プログラム及び記憶媒体 |
| US20170177723A1 (en) * | 2015-12-22 | 2017-06-22 | Google Inc. | Systems and Methods of Sourcing Hours of Operation for a Location Entity |
| CN106407999A (zh) * | 2016-08-25 | 2017-02-15 | 北京物思创想科技有限公司 | 结合规则来进行机器学习的方法及系统 |
| CN107992957A (zh) * | 2016-10-25 | 2018-05-04 | 航天信息股份有限公司 | 一种基于税务数据进行经营预测的方法及装置 |
| CN107944602A (zh) * | 2017-11-09 | 2018-04-20 | 重庆大学 | 基于信任模型的云制造服务评价与匹配方法 |
| CN108197177A (zh) * | 2017-12-21 | 2018-06-22 | 北京三快在线科技有限公司 | 业务对象的监测方法、装置、存储介质和计算机设备 |
| CN108366135A (zh) * | 2018-04-26 | 2018-08-03 | 孙敏 | 营业状态获取方法、系统、终端、服务器及其存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985985A (zh) * | 2019-05-22 | 2020-11-24 | 口口相传(北京)网络技术有限公司 | 门店信息的提取方法及装置、存储介质、电子装置 |
| CN111985985B (zh) * | 2019-05-22 | 2024-04-30 | 口口相传(北京)网络技术有限公司 | 门店信息的提取方法及装置、存储介质、电子装置 |
| CN110782292A (zh) * | 2019-10-29 | 2020-02-11 | 吴彪 | 一种显示加油站优惠政策的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7873567B2 (en) | Value and risk management system | |
| CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
| US20160171398A1 (en) | Predictive Model Development System Applied To Enterprise Risk Management | |
| Reiner et al. | Efficiency analysis of supply chain processes | |
| CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
| US20130054486A1 (en) | Extended management system | |
| CN110377804A (zh) | 培训课程数据的推送方法、装置、系统及存储介质 | |
| Chitra et al. | Customer retention in banking sector using predictive data mining technique | |
| KR101265976B1 (ko) | 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법 | |
| Srivastav et al. | Multi-objective optimization of hybrid backorder inventory model | |
| CN104463548B (zh) | 一种多因素影响下的承运量化选择方法 | |
| Lukić | Analysis if the Efficiency of Trade in Oil Derivatives in Serbia by Applying the Fuzzy AHP-TOPSIS Method | |
| Mousavi et al. | Multi-criteria ranking of corporate distress prediction models: empirical evaluation and methodological contributions | |
| Masrury et al. | Analyzing tourism mobile applications perceived quality using sentiment analysis and topic modeling | |
| Tsai et al. | Price elasticity of demand and capacity expansion features in an enhanced ABC product-mix decision model | |
| CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
| US20230153845A1 (en) | System and method for generating custom data models for predictive forecasting | |
| CN109447682A (zh) | 确定店铺的营业状态的方法、系统、电子设备及存储介质 | |
| Wang et al. | A reliable location design of unmanned vending machines based on customer satisfaction | |
| Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
| Satapathy et al. | A customer oriented systematic framework to extract business strategy in Indian electricity services | |
| Aderibigbe et al. | Investigation of Florida housing prices using predictive time series model | |
| CN111177657B (zh) | 需求确定方法、系统、电子设备及存储介质 | |
| Gorondutse et al. | Competitive strategies issues on performance of manufacturing industries: Partial least square (PLS) approach | |
| CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |