CN110232620B - 商户标签确定方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开实施例公开了一种商户标签确定方法、装置、电子设备及可读存储介质，所述方法包括：获取目标商户在当前时间段的参考标签向量；根据当前时间段的参考标签向量和目标商户在上一时间段的标准标签向量计算目标商户在当前时间段的标准标签向量；根据当前时间段的标准标签向量确定目标商户在当前时间段的标签。该方案能够通过商户上一时间段的标准标签和当前时间段的参考标签，确定当前时间段的标准标签，即同时考虑到了历史产出的标签和根据当前的各项参数预测出的标签来确定商户在当前时间产出的标签，避免了商户标签因为预测模型的数据敏感性而不停变化的情况，提高了商户标签产出的稳定性，进而提高了商户标签的精确度。

Description

商户标签确定方法、装置、电子设备及可读存储介质

技术领域

本公开涉及数据处理技术领域，具体涉及一种商户标签确定方法、装置、电子设备及可读存储介质。

背景技术

随着互联网技术的快速发展，网络购物由于其独有的便捷性和直观性，使得越来越多的用户选择通过网络购物解决日常购物问题，该货物可以为食品、卫生用品、衣物等任何物品。

相关技术中，用户可以在终端(比如电脑、手机)上安装购物网站的APP(Application，应用程序)，在需要进行网络购物时，打开该APP。此时该购物APP可以根据用户当前的地理位置展示商户列表，该商户列表包括每个商户的标签，该标签用于说明商户的主营业务、营业额、差评率、复购率、新客率或者客单价等信息，便于用户根据该标签选取需要下单的商户。

发明内容

本公开实施例提供一种商户标签确定方法、装置、电子设备及可读存储介质。

第一方面，本公开实施例中提供了一种商户标签确定方法。

具体的，所述商户标签确定方法，包括：

获取目标商户在当前时间段的参考标签向量，所述参考标签向量包括多个预设标签中每个标签在所述当前时间段的参考概率值；

根据所述当前时间段的参考标签向量和所述目标商户在上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量，所述标准标签向量包括所述多个预设标签中每个标签在对应时间段的标准概率值；

根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签。

结合第一方面，本公开在第一方面的第一种实现方式中，所述根据所述当前时间段的参考标签向量和所述目标商户上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量包括：

将所述当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算所述当前时间段的标准标签向量；

所述基于指数加权平均的标签确定公式为：V[t]＝(1-a)*V[t-1]+a*C[t]

其中，所述V[t-1]为所述目标商户在上一时间段的标准标签向量；所述V[t]为所述目标商户在当前时间段的标准标签向量；所述C[t]为所述目标商户在当前时间段的参考标签向量；所述a为预设参数。

结合第一方面和第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，所述方法还包括：

存储所述目标商户在当前时间段的标准标签向量，以便于计算所述目标商户在下一时间段的标准标签向量。

结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签包括：

按照所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取所述多个预设标签中的前N个预设标签，所述N为大于或等于1的整数；

将所述前N个预设标签确定为所述目标商户在所述当前时间段的标签。

结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，所述根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签包括：

根据所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值，获取所述多个预设标签中标准概率值大于或等于预设阈值的M个标签，所述M为大于或等于1的整数；

将所述M个标签确定为所述目标商户在所述当前时间段的标签。

第二方面，本公开实施例中提供了一种商户标签确定装置。

具体的，所述商户标签确定装置，包括：

获取模块，被配置为获取目标商户在当前时间段的参考标签向量，所述参考标签向量包括多个预设标签中每个标签在所述当前时间段的参考概率值；

计算模块，被配置为根据所述当前时间段的参考标签向量和所述目标商户在上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量，所述标准标签向量包括所述多个预设标签中每个标签在对应时间段的标准概率值；

确定模块，被配置为根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签。

结合第二方面，本公开在第二方面的第一种实现方式中，所述计算模块包括：

计算子模块，被配置为将所述当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算所述当前时间段的标准标签向量；

所述基于指数加权平均的标签确定公式为：V[t]＝(1-a)*V[t-1]+a*C[t]

其中，所述V[t-1]为所述目标商户在上一时间段的标准标签向量；所述V[t]为所述目标商户在当前时间段的标准标签向量；所述C[t]为所述目标商户在当前时间段的参考标签向量；所述a为预设参数。

结合第二方面和第二方面的第一种实现方式，本公开在第二方面的第二种实现方式中，所述装置还包括：

存储模块，被配置为存储所述目标商户在当前时间段的标准标签向量，以便于计算所述目标商户在下一时间段的标准标签向量。

结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，所述确定模块包括：

第一获取子模块，被配置为按照所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取所述多个预设标签中的前N个预设标签，所述N为大于或等于1的整数；

第一确定子模块，被配置为将所述前N个预设标签确定为所述目标商户在所述当前时间段的标签。

结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式，本公开在第二方面的第四种实现方式中，所述确定模块包括：

第二获取子模块，被配置为根据所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值，获取所述多个预设标签中标准概率值大于或等于预设阈值的M个标签，所述M为大于或等于1的整数；

第二确定子模块，被配置为将所述M个标签确定为所述目标商户在所述当前时间段的标签。

第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条支持商户标签确定装置执行上述第一方面中商户标签确定方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述商户标签确定装置还可以包括通信接口，用于商户标签确定装置与其他设备或通信网络通信。

第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储商户标签确定装置所用的计算机指令，其包含用于执行上述第一方面中商户标签确定方法为商户标签确定装置所涉及的计算机指令。

本公开实施例提供的技术方案可以包括以下有益效果：

上述技术方案，通过商户上一时间段的标准标签和当前时间段的参考标签，确定当前时间段的标准标签，即同时考虑到了历史产出的标签和根据当前的各项参数预测出的标签来确定商户在当前时间产出的标签，避免了商户标签因为预测模型的数据敏感性而不停变化的情况，提高了商户标签产出的稳定性，进而提高了商户标签的精确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1a示出根据本公开一实施方式的商户标签确定方法的流程图；

图1b示出根据图1a所示实施方式的商户标签确定方法的步骤S103的流程图；

图1c示出根据图1a所示实施方式的商户标签确定方法的步骤S103的流程图；

图2a示出根据本公开一实施方式的商户标签确定装置的结构框图；

图2b示出根据图2a所示实施方式的商户标签确定装置的确定模块203的结构框图；

图2c示出根据图2a所示实施方式的商户标签确定装置的确定模块203的结构框图；

图3示出根据本公开一实施方式的电子设备的结构框图；

图4是适于用来实现根据本公开一实施方式的商户标签确定方法的计算机系统的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

本公开实施例提供的技术方案通过商户上一时间段的标准标签和当前时间段的参考标签，确定当前时间段的标准标签，即同时考虑到了历史产出的标签和根据当前的各项参数预测出的标签来确定商户在当前时间产出的标签，避免了商户标签因为预测模型的数据敏感性而不停变化的情况，提高了商户标签产出的稳定性，进而提高了商户标签的精确度。

图1a示出根据本公开一实施方式的商户标签确定方法的流程图。如图1a所示，所述商户标签确定方法包括以下步骤S101-S103：

在步骤S101中，获取目标商户在当前时间段的参考标签向量，该参考标签向量包括多个预设标签中每个标签在该当前时间段的参考概率值。

在步骤S102中，根据该当前时间段的参考标签向量和该目标商户在上一时间段的标准标签向量计算该目标商户在当前时间段的标准标签向量，该标准标签向量包括该多个预设标签中每个标签在对应时间段的标准概率值。

在步骤S103中，根据该当前时间段的标准标签向量确定该目标商户在当前时间段的标签。

上文提及，终端在显示商户列表时可以显示该商户的标签，便于用户选择需要下单的商户。现有的标签模型通常会根据商户的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，来刻画出描述商户的各种标签。但是如果该商户的上述信息在短时间内变化较大的话，很有可能会出现该短时间内商户的标签频繁变化的情况。例如，第一天商户售出的商品A数量较多，通过该标签模型产出的标签可能是商品A，但是第二天商户售出的商品B数量较多，那么该标签模型产出的标签很有可能会变成商品B，这就导致了该商户的标签不稳定的情况，影响了商户标签的精确性，进而降低了商户标签对用户下单的指导意义，不利于提高用户的下单率。

考虑到上述缺陷，在该实施方式中，提出一种商户标签确定方法，该方法可以通过商户上一时间段的标准标签和当前时间段的参考标签，确定当前时间段的标准标签，即同时考虑到了历史产出的标签和根据当前的各项参数预测出的标签来确定商户在当前时间产出的标签，避免了商户标签因为预测模型的数据敏感性而不停变化的情况，提高了商户标签产出的稳定性，进而提高了商户标签的精确度。

其中，该商户标签确定方法可以应用于购物平台，该购物平台售卖的商品可以为食品、卫生用品、衣物等任何物品

其中，该目标商户可以为零售商户、餐饮店、电商或者其他能够在购物平台上售卖货物的任意一个商户，本公开实施例对此不做限定。

其中，该多个预设标签可以为运营人员预先设定的多个适用于描述商户的关键词，任意一个商户产出的标签均包括在该多个预设标签内，便于稳定标签模型产出的标签，进而便于运营人员对各个商户的标签数据进行分析。

其中，本公开实施例中的时间段可以是任意时间单位，例如可以是一天、一周或者多个小时等。例如，该当前时间段可以为当天、当周或者当前的12小时；上一时间可以段为昨天、上一周或者上一个12小时等。

在本实施例中存在两个标签向量，一个标签向量是参考标签向量，该参考标签向量是购物平台通过标签模型获取到的向量；另一个标签向量是标准标签向量，该标准标签向量是购物平台预先存储的。可选的，购物平台预先设置有标签模型，该标签模型可以根据商户在当前时间段的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，然后获取每个商户在当前时间段的参考标签向量，该参考标签向量体现了多个预设标签中每个预设标签作为当前时间段该标签模型产出的标签的可能性。以目标商户为例，该目标商户的参考标签向量包括了该多个预设标签中每个标签在当前时间段的参考概率值，即该参考标签向量的多个元素中的每个元素分别代表了每个预设标签在当前时间段作为该标签模型产出的该目标商户的标签的概率值，概率值越高，其对应的预设标签作为标签模型产出的该目标商户的标签的可能性越大。假设该购物平台预设了五个预设标签，则目标商户的参考标签向量包括了五个元素，该五个元素分别与该五个预设标签对应，每个元素代表了其对应的预设标签在当前时间段作为该标签模型产出的该目标商户的标签的概率值。

具体的，购物平台可以首先根据目标商户在当前时间段的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，然后获取该目标商户在当前时间段的参考标签向量。为了避免由于标签模型的数据敏感性导致的其产出的标签不稳定的情况，在获取到该目标商户在当前时间段的参考标签向量之后，购物平台还需要获取该目标商户在上一时间段的标准标签向量，通常情况下该目标商户在上一时间段的标准标签向量存储在购物平台中，该标准标签向量体现了多个预设标签中每个预设标签作为上一时间段该目标商户的标签的可能性。具体的，该目标商户在上一时间段的标准标签向量包括了多个预设标签中每个标签在上一时间段的标准概率值，即该标准标签向量的多个元素中的每个元素分别代表了每个预设标签在上一时间段作为该目标商户的标签的概率值，概率值越高，其对应的预设标签作为该目标商户在上一时间段的标签的可能性越大。假设该购物平台预设了五个预设标签，则目标商户的标准标签向量包括了五个元素，该五个元素分别与该五个预设标签对应，每个元素代表了其对应的预设标签在上一时间段作为该目标商户的标签的概率值。

在获取到该目标商户在当前时间段的参考标签向量和该目标商户在上一时间段的标准标签向量之后，购物平台即可根据该参考标签向量和该标准标签向量获取目标商户在当前时间段的标准标签向量，该标准标签向量体现了多个预设标签中每个预设标签作为当前时间段该目标商户的标签的可能性。具体的，该目标商户在当前时间段的标准标签向量包括了多个预设标签中每个标签在当前时间段的标准概率值，即该标准标签向量的多个元素中的每个元素分别代表了每个预设标签在当前时间段作为该目标商户的标签的概率值，概率值越高，其对应的预设标签作为当前时间段该目标商户的标签的可能性越大。然后购物平台即可根据该目标商户在当前时间段的标准标签向量包括的多个预设标签中每个标签在当前时间段的标准概率值来确定目标商户在当前时间段的标签。例如，可以将标准概率值最高的预设标签作为目标商户在当前时间段的标签。

在本实施例的一个可选实现方式中，所述步骤S102，即根据所述当前时间段的参考标签向量和上一时间段的标准标签向量计算当前时间段的标准标签向量的步骤，包括步骤S1021：

在步骤S1021中，将该当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算该当前时间段的标准标签向量。

该基于指数加权平均的标签确定公式为如下公式(1)：

V[t]＝(1-a)*V[t-1]+a*C[t] (1)

其中，该V[t-1]为该目标商户在上一时间段的标准标签向量；该V[t]为该目标商户在当前时间段的标准标签向量；该C[t]为该目标商户在当前时间段的参考标签向量；t为时间间隔；该a为预设参数，可以根据具体情况进行设置。实际应用中，该a的取值可以设置为0.1，则1-a的值设置为0.9，(1-a)的值越大，则意味着越重视过去的信息。

在本实施方式中，采用基于指数加权平均的标签确定公式来计算目标商户在当前时间段的标准标签向量，提高了计算便捷性和准确性。

本公开实施例以时间段为一天为例进行说明，相关技术中，购物平台可以获取该目标商户在30天内的标签，假设在30天内目标商户一共产出了S种不同的标签，该S为大于或等于1的整数，则购物平台可以对每一天产出的标签做one-hot编码，即针对每一天生成一个S维向量X(i)，每个向量X(i)包括的S个元素分别对应该目标商户在该30产出的S种不同的标签，且当天产出标签对应的位置为1，其他位置为0。然后分别将获取到的30个向量X(i)代入如下公式(2)：

X(t)＝X(i)e^-λt (2)

其中，X(i)为上述30天中第i天的S维向量；X(t)体现了当天向前数第i天产出的标签对当天产出的标签的影响，该X(t)同样为一个S维向量，该X(t)包括的S个元素分别对应上述S种不同的标签对当天产出的标签的影响值，该影响值越大，说明其对应的标签对当天产出的标签的影响越大；t为时间间隔，即第i天至当天之间相差的天数；λ为预设的调节系数。

分别将获取到的30个向量X(i)代入公式(2)，可以获取到30个向量X(t)，将该30个向量X(t)相加即可得到30天内产出的S种标签中每个标签对当天产出标签的影响值，然后将影响值最大的标签作为当天产出的标签。

该方法有效的考虑了历史产出的标签对当前产出标签的影响，因此可以提高目标商户的标签的稳定性。但是该方法需要购物平台存储该目标商户在过去30天的数据，导致该购物平台的存储压力较大，数据冗余较多，可能会影响购物平台的正常运行。因此，本公开实施例提供了另一种公式(1)，此时购物平台仅需要存储该目标商户前一天的标准标签向量即可，降低了购物平台的数据存储压力。

为了证明公式(2)可以代替公式(1)，即证明公式(1)计算出的V[t]与所有的X(t)相加的结果是等价的，假设取30天的数据，上述公式(1)与公式(2)的最终结果都是30个单项加权的结果，因此，只需证明每一个单项的系数是等价的就可以证明两个公式的等价性。

对于公式(2)，每一项的系数是显然的，为e^-λt。对于公式(1)，拆解其各单项的系数，可知其系数为a(1-a)^t，t为时间间隔，即单项对应的那一天至当天之间相差的天数；忽略前面的a，令t＝1/a，则lim_a→∞(1-a)^1/a＝1/e，即当a到正无穷大时，时间间隔为1/a的单项的系数为1/e。由于t的结果已知，则第t+1天可以由第t天的结果得到：

对于公式(2)，令λ为a，则时间间隔为1/a的项的系数为e^-1，

由此可知，当时间间隔为1/a时，公式(1)与公式(2)的单项系数相同，因此可以类推其他单项的系数也相同，因此公式(1)与公式(2)等价，公式(1)计算出来的V[t]与公式(2)计算出的所有X(t)相加的结果是等价的，可以采用公式(1)来计算商户产出的标签，在起到同样的稳定标签输出的效果的同时还降低了购物平台的数据存储压力。

具体的，购物平台在通过标签模型获取到目标商户在当前时间段的参考标签向量C[t]之后，可以从预存的数据中获取目标商户在上一时间段的标准标签向量V[t-1]，然后将该C[t]和V[t-1]带入公式(1)，即可计算出目标商户在当前时间段的标准标签向量。

在本实施例的一个可选实现方式中，所述方法还包括步骤S104：

在步骤S104中，存储该目标商户在当前时间段的标准标签向量，以便于计算该目标商户在下一时间段的标准标签向量。

在本实施方式中，购物平台可以在获取到目标商户当前时间段的标准标签向量之后对该标准标签向量进行存储，并删除目标商户上一时间段的标准标签向量。这样，在购物平台计算下一时间段的标准标签向量时，即可从预存的额数据中获取该当前时间段的标准标签向量并进行使用。也就是说购物平台可以仅需要存储目标商户在每个时间段的上一时间段的标准标签向量即可完成对每个时间段的标准标签向量的计算，降低了购物平台的数据存储压力。

本实施例的一个可选实现方式中，如图1b所示，所述步骤S103，即根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签的步骤，包括步骤S1031至步骤1032：

在步骤S1031中，按照该目标商户在当前时间段的标准标签向量包括的该多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取该多个预设标签中的前N个预设标签。

在步骤S1032中，将该前N个预设标签确定为该目标商户在该当前时间段的标签。

在本实施方式中，将标准概率值的前N个预设标签作为目标商户在当前时间段的标签，提高了产出目标商户在当前时间段的标签的稳定性。

其中，该N为大于或等于1的整数。

可选的，购物平台在获取到目标商户在当前时间段的标准标签向量之后，可以获取该标准标签向量包括的多个元素，该多个元素分别代表多个预设标签中每个预设标签在当前时间段的标准概率值，然后按照由高到低的顺序排列该多个元素，并确定前N个元素分别对应的N个预设标签，然后将该N个预设标签确定为该目标商户在该当前时间段的标签。具体的，假设购物平台设置了五个预设标签，则购物平台获取到的目标商户在当前时间段的标准标签向量包括五个元素，该五个元素分别代表了该五个预设标签在当前时间段的标准概率值。此时购物平台可以按照由高到低的顺序排列该五个元素，并确定该前3个元素分别对应的3个预设标签，然后将该3个预设标签确定为该目标商户在该当前时间段的标签。

在本实施例的一个可选实现方式中，如图1c所示，所述步骤S103，即根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签的步骤，包括步骤S1033至步骤S1034：

在步骤S1033中，根据该目标商户在当前时间段的标准标签向量包括的该多个预设标签中每个标签在当前时间段的标准概率值，获取该多个预设标签中标准概率值大于或等于预设阈值的M个标签。

在步骤S1034中，将该M个标签确定为该目标商户在该当前时间段的标签。

在本实施方式中，将标准概率值大于或等于预设阈值的M个预设标签作为目标商户在当前时间段的标签，提高了产出目标商户在当前时间段的标签的稳定性。

其中，该M为大于或等于1的整数。

可选的，购物平台在获取到目标商户在当前时间段的标准标签向量之后，可以获取该标准标签向量包括的多个元素，该多个元素分别代表多个预设标签中每个标签在当前时间段的标准概率值，然后获取该多个元素中大于或等于预设阈值的M个元素，并确定该M个元素分别对应的M个预设标签，然后将该M个预设标签确定为该目标商户在该当前时间段的标签。

具体的，假设购物平台设置了五个预设标签，则购物平台获取到的目标商户在当前时间段的标准标签向量包括五个元素，该五个元素分别代表了该五个预设标签在当前时间段的标准概率值。购物平台可以获取该五个元素中大于或等于预设阈值的3个元素，并确定该3个元素分别对应的3个预设标签，然后将该3个预设标签确定为该目标商户在该当前时间段的标签。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图2a示出根据本公开一实施方式的商户标签确定装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2a所示，所述商户标签确定装置包括：

获取模块201，被配置为获取目标商户在当前时间段的参考标签向量，所述参考标签向量包括多个预设标签中每个标签在所述当前时间段的参考概率值。

计算模块202，被配置为根据所述当前时间段的参考标签向量和所述目标商户在上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量，所述标准标签向量包括所述多个预设标签中每个标签在对应时间段的标准概率值。

确定模块203，被配置为根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签。

上文提及，终端在显示商户列表时可以显示该商户的标签，便于用户选择需要下单的商户。现有的标签模型通常会根据商户的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，来刻画出描述商户的各种标签。但是如果该商户的上述信息在短时间内变化较大的话，很有可能会出现该短时间内商户的标签频繁变化的情况。例如，第一天商户售出的商品A数量较多，通过该标签模型产出的标签可能是商品A，但是第二天商户售出的商品B数量较多，那么该标签模型产出的标签很有可能会变成商品B，这就导致了该商户的标签不稳定的情况，影响了商户标签的精确性，进而降低了商户标签对用户下单的指导意义，不利于提高用户的下单率。

考虑到上述缺陷，在该实施方式中，提出一种商户标签确定装置，该装置可以通过商户上一时间段的标准标签和当前时间段的参考标签，确定当前时间段的标准标签，即同时考虑到了历史产出的标签和根据当前的各项参数预测出的标签来确定商户在当前时间产出的标签，避免了商户标签因为预测模型的数据敏感性而不停变化的情况，提高了商户标签产出的稳定性，进而提高了商户标签的精确度。

其中，该商户标签确定装置可以设置在购物平台上，该购物平台售卖的商品可以为食品、卫生用品、衣物等任何物品

其中，该目标商户可以为零售商户、餐饮店、电商或者其他能够在购物平台上售卖货物的任意一个商户，本公开实施例对此不做限定。

其中，该多个预设标签可以为运营人员预先设定的多个适用于描述商户的关键词，任意一个商户产出的标签均包括在该多个预设标签内，便于稳定标签模型产出的标签，进而便于运营人员对各个商户的标签数据进行分析。

其中，本公开实施例中的时间段可以是任意时间单位，例如可以是一天、一周或者多个小时等。例如，该当前时间段可以为当天、当周或者当前的12小时；上一时间可以段为昨天、上一周或者上一个12小时等。

在本实施例中存在两个标签向量，一个标签向量是参考标签向量，该参考标签向量是购物平台通过标签模型获取到的向量；另一个标签向量是标准标签向量，该标准标签向量是购物平台预先存储的。可选的，购物平台的获取模块201可以预先设置有标签模型，该标签模型可以根据商户在当前时间段的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，然后该获取模块201即可获取每个商户在当前时间段的参考标签向量，该参考标签向量体现了多个预设标签中每个预设标签作为当前时间段该标签模型产出的标签的可能性。以目标商户为例，该目标商户的参考标签向量包括了该多个预设标签中每个标签在当前时间段的参考概率值，即该参考标签向量的多个元素中的每个元素分别代表了每个预设标签在当前时间段作为该标签模型产出的该目标商户的标签的概率值，概率值越高，其对应的预设标签作为标签模型产出的该目标商户的标签的可能性越大。假设该购物平台预设了五个预设标签，则目标商户的参考标签向量包括了五个元素，该五个元素分别与该五个预设标签对应，每个元素代表了其对应的预设标签在当前时间段作为该标签模型产出的该目标商户的标签的概率值。

具体的，获取模块201可以首先根据目标商户在当前时间段的订单数据、配送数据、评价信息、营业额、差评率、复购率、新客率以及客单价等信息进行数据挖掘，然后获取该目标商户在当前时间段的参考标签向量。为了避免由于标签模型的数据敏感性导致的其产出的标签不稳定的情况，在获取模块201获取到该目标商户在当前时间段的参考标签向量之后，还需要获取该目标商户在上一时间段的标准标签向量，通常情况下该目标商户在上一时间段的标准标签向量存储在购物平台中，该标准标签向量体现了多个预设标签中每个预设标签作为上一时间段该目标商户的标签的可能性。具体的，该目标商户在上一时间段的标准标签向量包括了多个预设标签中每个标签在上一时间段的标准概率值，即该标准标签向量的多个元素中的每个元素分别代表了每个预设标签在上一时间段作为该目标商户的标签的概率值，概率值越高，其对应的预设标签作为该目标商户在上一时间段的标签的可能性越大。假设该购物平台预设了五个预设标签，则目标商户的标准标签向量包括了五个元素，该五个元素分别与该五个预设标签对应，每个元素代表了其对应的预设标签在上一时间段作为该目标商户的标签的概率值。

在获取模块201获取到该目标商户在当前时间段的参考标签向量和该目标商户在上一时间段的标准标签向量之后，计算模块202即可根据该参考标签向量和该标准标签向量计算目标商户在当前时间段的标准标签向量，该标准标签向量体现了多个预设标签中每个预设标签作为当前时间段该目标商户的标签的可能性。具体的，该目标商户在当前时间段的标准标签向量包括了多个预设标签中每个标签在当前时间段的标准概率值，即该标准标签向量的多个元素中的每个元素分别代表了每个预设标签在当前时间段作为该目标商户的标签的概率值，概率值越高，其对应的预设标签作为当前时间段该目标商户的标签的可能性越大。然后确定模块203即可根据该目标商户在当前时间段的标准标签向量包括的多个预设标签中每个标签在当前时间段的标准概率值来确定目标商户在当前时间段的标签。例如，可以将标准概率值最高的预设标签作为目标商户在当前时间段的标签。

在本实施例的一个可选实现方式中，所述计算模块202包括：

计算子模块2021，被配置为将所述当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算所述当前时间段的标准标签向量；

所述基于指数加权平均的标签确定公式为：V[t]＝(1-a)*V[t-1]+a*C[t]

其中，所述V[t-1]为所述目标商户在上一时间段的标准标签向量；所述V[t]为所述目标商户在当前时间段的标准标签向量；所述C[t]为所述目标商户在当前时间段的参考标签向量；所述a为预设参数，可以根据具体情况进行设置。实际应用中，该a的取值可以设置为0.1，则1-a的值设置为0.9，(1-a)的值越大，则意味着越重视过去的信息。

在本实施方式中，采用基于指数加权平均的标签确定公式来计算目标商户在当前时间段的标准标签向量，提高了计算便捷性和准确性。

本公开实施例以时间段为一天为例进行说明，相关技术中，计算模块202可以获取标签模型产出的该目标商户在30天内的标签，假设在30天内目标商户一共产出了S种不同的标签，该S为大于或等于1的整数，则购物平台可以对每一天产出的标签做one-hot编码，即针对每一天生成一个S维向量X(i)，每个向量X(i)包括的S个元素分别对应该目标商户在该30产出的S种不同的标签，且当天产出标签对应的位置为1，其他位置为0。然后分别将获取到的30个向量X(i)代入如下公式(2)：

X(t)＝X(i)e^-λt (2)

其中，X(i)为上述30天中第i天的S维向量；X(t)体现了第i天产出的标签对当天产出的标签的影响，该X(t)同样为一个S维向量，该X(t)包括的S个元素分别对应S种不同的标签对当天产出的标签的影响值，该影响值越大，说明其对应的标签对当天产出的标签的影响越大；t为时间间隔，即第i天至当前之间相差的天数；λ为预设的调节天数。

分别将获取到的30个向量X(i)代入公式(2)，可以获取到30个向量X(t)，将该30个向量X(t)相加即可得到30天内产出的S种标签中每个标签对当前产出标签的影响值，然后将影响值最大的标签作为当前产出的标签。

该方法有效的考虑了历史产出的标签对当前产出标签的影响，因此可以提高目标商户的标签的稳定性。但是该方法需要购物平台存储该目标商户在过去30天的数据，导致该购物平台的存储压力较大，数据冗余较多，可能会影响购物平台的正常运行。因此，本公开实施例提供了另一种公式(1)，此时购物平台仅需要存储该目标商户前一天的标准标签向量即可，降低了购物平台的数据存储压力。

为了证明公式(2)可以代替公式(1)，即证明公式(1)计算出的V[t]与所有的X(t)相加的结果是等价的，假设取30天的数据，上述公式(1)与公式(2)的最终结果都是30个单项加权的结果，因此，只需证明每一个单项的系数是等价的就可以证明两个公式的等价性。

对于公式(2)，每一项的系数是显然的，为e^-λt。对于公式(1)，拆解其各单项的系数，可知其系数为a(1-a)^t，t为时间间隔，即单项对应的那一天至当天之间相差的天数；忽略前面的a，令t＝1/a，则lim_a→∞(1-a)^1/a＝1/e，即当a到正无穷大时，时间间隔为1/a的单项的系数为1/e。由于t的结果已知，则第t+1天可以由第t天的结果得到：

对于公式(2)，令λ为a，则时间间隔为1/a的项的系数为e^-1，

由此可知，当时间间隔为1/a时，公式(1)与公式(2)的单项系数相同，因此可以类推其他单项的系数也相同，因此公式(1)与公式(2)等价，公式(1)计算出来的V[t]与公式(2)计算出的所有X(t)相加的结果是等价的，可以采用公式(1)来计算商户产出的标签，在起到同样的稳定标签输出的效果的同时还降低了购物平台的数据存储压力。

具体的，获取模块201在通过标签模型获取到目标商户在当前时间段的参考标签向量C[t]之后，可以从预存的数据中获取目标商户在上一时间段的标准标签向量V[t-1]，然后计算模块202将该C[t]和V[t-1]带入公式(1)，即可计算出目标商户在当前时间段的标准标签向量。

在本实施例的一个可选实现方式中，所述装置还包括：

存储模块204，被配置为存储所述目标商户在当前时间段的标准标签向量，以便于计算所述目标商户在下一时间段的标准标签向量。

在本实施方式中，存储模块204可以在获取到目标商户当前时间段的标准标签向量之后对该标准标签向量进行存储，并删除目标商户上一时间段的标准标签向量。这样，在计算下一时间段的标准标签向量时，获取模块201即可从预存的额数据中获取该当前时间段的标准标签向量并进行使用。也就是说购物平台可以仅需要存储目标商户在每个时间段的上一时间段的标准标签向量即可完成对每个时间段的标准标签向量的计算，降低了购物平台的数据存储压力。

在本实施例的一个可选实现方式中，如图2b所示，所述确定模块203包括：

第一获取子模块2031，被配置为按照所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取所述多个预设标签中的前N个预设标签。

第一确定子模块2032，被配置为将所述前N个预设标签确定为所述目标商户在所述当前时间段的标签。

在本实施方式中，将标准概率值的前N个预设标签作为目标商户在当前时间段的标签，提高了产出目标商户在当前时间段的标签的稳定性。

其中，所述N为大于或等于1的整数。

可选的，计算模块202在计算得到目标商户在当前时间段的标准标签向量之后，第一获取子模块2031可以获取该标准标签向量包括的多个元素，该多个元素分别代表多个预设标签中每个预设标签在当前时间段的标准概率值，然后按照由高到低的顺序排列该多个元素，并确定前N个元素分别对应的N个预设标签，然后第一确定子模块2032即可将该N个预设标签确定为该目标商户在该当前时间段的标签。具体的，假设购物平台设置了五个预设标签，则计算模块202计算得到的目标商户在当前时间段的标准标签向量包括五个元素，该五个元素分别代表了该五个预设标签在当前时间段的标准概率值。此时第一获取子模块2031可以按照由高到低的顺序排列该五个元素，并确定该前3个元素分别对应的3个预设标签，然后第一确定子模块2032即可将该3个预设标签确定为该目标商户在该当前时间段的标签。

在本实施例的一个可选实现方式中，如图2c所示，所述确定模块203包括：

第二获取子模块2033，被配置为根据所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值，获取所述多个预设标签中标准概率值大于或等于预设阈值的M个标签。

第二确定子模块2034，被配置为将所述M个标签确定为所述目标商户在所述当前时间段的标签。

在本实施方式中，将标准概率值大于或等于预设阈值的M个预设标签作为目标商户在当前时间段的标签，提高了产出目标商户在当前时间段的标签的稳定性。

其中，所述M为大于或等于1的整数。

可选的，计算模块202在计算得到目标商户在当前时间段的标准标签向量之后，第二获取子模块2033可以获取该标准标签向量包括的多个元素，该多个元素分别代表多个预设标签中每个标签在当前时间段的标准概率值，然后获取该多个元素中大于或等于预设阈值的M个元素，并确定该M个元素分别对应的M个预设标签，然后第二确定子模块2034即可将该M个预设标签确定为该目标商户在该当前时间段的标签。

具体的，假设购物平台设置了五个预设标签，则计算模块202计算得到的目标商户在当前时间段的标准标签向量包括五个元素，该五个元素分别代表了该五个预设标签在当前时间段的标准概率值。第二获取子模块2033可以获取该五个元素中大于或等于预设阈值的3个元素，并确定该3个元素分别对应的3个预设标签，然后第二确定子模块2034即可将该3个预设标签确定为该目标商户在该当前时间段的标签。

本公开还公开了一种电子设备，图3示出根据本公开一实施方式的电子设备的结构框图，如图3所示，所述电子设备1100包括存储器1101和处理器1102；其中，

所述存储器1101用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1102执行以实现上述任一方法步骤。

图4适于用来实现根据本公开实施方式的商户标签确定方法的计算机系统的结构示意图。

如图4所示，计算机系统1200包括中央处理单元(CPU)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行上述实施方式中的各种处理。在RAM1203中，还存储有系统1200操作所需的各种程序和数据。CPU1201、ROM1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

以下部件连接至I/O接口1205：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。

特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述商户标签确定方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种商户标签确定方法，其特征在于，包括：

获取目标商户在当前时间段的参考标签向量，所述参考标签向量包括多个预设标签中每个标签在所述当前时间段的参考概率值；

根据所述当前时间段的参考标签向量和所述目标商户在上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量，所述标准标签向量是购物平台预先存储的，包括所述多个预设标签中每个标签在对应时间段的标准概率值；

根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前时间段的参考标签向量和所述目标商户上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量包括：

将所述当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算所述当前时间段的标准标签向量；

所述基于指数加权平均的标签确定公式为：V[t]＝(1-a)*V[t-1]+a*C[t]

其中，所述V[t-1]为所述目标商户在上一时间段的标准标签向量；所述V[t]为所述目标商户在当前时间段的标准标签向量；所述C[t]为所述目标商户在当前时间段的参考标签向量；所述a为预设参数。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

存储所述目标商户在当前时间段的标准标签向量，以便于计算所述目标商户在下一时间段的标准标签向量。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签包括：

按照所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取所述多个预设标签中的前N个预设标签，所述N为大于或等于1的整数；

将所述前N个预设标签确定为所述目标商户在所述当前时间段的标签。

5.根据权利要求1或2所述的方法，其特征在于，所述根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签包括：

根据所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值，获取所述多个预设标签中标准概率值大于或等于预设阈值的M个标签，所述M为大于或等于1的整数；

将所述M个标签确定为所述目标商户在所述当前时间段的标签。

6.一种商户标签确定装置，其特征在于，包括：

获取模块，被配置为获取目标商户在当前时间段的参考标签向量，所述参考标签向量包括多个预设标签中每个标签在所述当前时间段的参考概率值；

计算模块，被配置为根据所述当前时间段的参考标签向量和所述目标商户在上一时间段的标准标签向量计算所述目标商户在当前时间段的标准标签向量，所述标准标签向量是购物平台预先存储的，包括所述多个预设标签中每个标签在对应时间段的标准概率值；

确定模块，被配置为根据所述当前时间段的标准标签向量确定所述目标商户在当前时间段的标签。

7.根据权利要求6所述的装置，其特征在于，所述计算模块包括：

计算子模块，被配置为将所述当前时间段的参考标签向量和上一时间段的标准标签向量带入基于指数加权平均的标签确定公式，计算所述当前时间段的标准标签向量；

所述基于指数加权平均的标签确定公式为：V[t]＝(1-a)*V[t-1]+a*C[t]

其中，所述V[t-1]为所述目标商户在上一时间段的标准标签向量；所述V[t]为所述目标商户在当前时间段的标准标签向量；所述C[t]为所述目标商户在当前时间段的参考标签向量；所述a为预设参数。

8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：

存储模块，被配置为存储所述目标商户在当前时间段的标准标签向量，以便于计算所述目标商户在下一时间段的标准标签向量。

9.根据权利要求6或7所述的装置，其特征在于，所述确定模块包括：

第一获取子模块，被配置为按照所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值的由高到低获取所述多个预设标签中的前N个预设标签，所述N为大于或等于1的整数；

第一确定子模块，被配置为将所述前N个预设标签确定为所述目标商户在所述当前时间段的标签。

10.根据权利要求6或7所述的装置，其特征在于，所述确定模块包括：

第二获取子模块，被配置为根据所述目标商户在当前时间段的标准标签向量包括的所述多个预设标签中每个标签在当前时间段的标准概率值，获取所述多个预设标签中标准概率值大于或等于预设阈值的M个标签，所述M为大于或等于1的整数；

第二确定子模块，被配置为将所述M个标签确定为所述目标商户在所述当前时间段的标签。

11.一种电子设备，其特征在于，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5任一项所述的方法步骤。

12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-5任一项所述的方法步骤。

Images