CN110348921A - 门店物品选取的方法和装置 - Google Patents

Abstract

本申请实施例公开了门店物品选取的方法和装置。该方法的一具体实施方式包括：基于所获取的多个物品的信息，确定各物品在预设属性下的属性值；基于所确定的属性值，计算物品在目标门店中的被选取价值，其中，被选取价值用于表征物品被目标门店选取时为该目标门店带来的价值；从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，其中，物品组合包括至少一个候选物品，双目标优化模型用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。该实施方式实现了通过设置统一的标准选择出满足门店物品选取目标的物品组合。

Description

门店物品选取的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及门店物品选取的方法和装置。

背景技术

近年来，随着电子商务的蓬勃发展，通过线上渠道进行物品交易的用户日益增多，这使得物品交易的线下渠道的生存空间受到挤压。但线下渠道依旧具有自身不可替代的优势，如顾客购买后可以立即取货，顾客能够见到实物而非图片。通常，物品交易的线上渠道可以指物品通过电商平台等网络渠道进行交易，物品交易的线下渠道可以指物品通过线下门店等实体渠道进行交易。

通常，物品在利用线下渠道进行交易时往往会受到场地、店租、部分物品不方便自取等因素的制约，故线下门店等在物品的选取上就显得尤为重要。门店通过合理的选取物品可以实现提高门店的收益、增大门店的人流量等目标。因此，如何通过设置统一的标准选择出满足门店特定目标的物品组合就尤为重要。

发明内容

本申请实施例提出了门店物品选取的方法和装置。

第一方面，本申请实施例提供了一种门店物品选取的方法，该方法包括：基于所获取的多个物品的信息，确定各物品在预设属性下的属性值；基于所确定的属性值，计算物品在目标门店中的被选取价值，其中，被选取价值用于表征物品被目标门店选取时为该目标门店带来的价值；从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，其中，物品组合包括至少一个候选物品，双目标优化模型用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

在一些实施例中，多个物品的信息包括：各物品的线上交易数据、各物品基本的属性信息、与各物品相关联的舆情数据和各物品在至少一个第一门店的线下交易数据，其中，第一门店不同于目标门店，且第一门店与目标门店的相似度大于第一预设阈值。

在一些实施例中，预设属性包括物品的体积、舆情热度、利润、销售额和零售因子，其中，零售因子用于表征物品出现在第一门店的概率；基于所获取的多个物品的信息，确定各物品在预设属性下的属性值，包括：基于目标门店的地址信息，确定目标区域；获取多个物品在目标区域内在预设时间段的线上交易数据，确定各物品的利润和销售额；获取多个物品的基本属性信息，确定各物品的体积；获取至少一个第一门店，利用所获取的第一门店的线下交易数据确定物品的零售因子；获取与各物品相关联的舆情数据，确定每个物品的舆情热度。

在一些实施例中，利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，包括：获取目标门店的总面积和各候选物品的占用面积，确定物品组合中的各候选物品的占用面积之和小于或等于目标门店的总面积为双目标优化模型的约束条件；以物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建双目标优化模型；利用规划求解的方法对双目标优化模型进行求解，得到目标门店的物品组合。

在一些实施例中，基于所确定的属性值，计算物品在目标门店中的被选取价值，包括：利用如下公式计算任一物品在目标门店中的被选取价值：其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。

在一些实施例中，从多个物品中确定出多个候选物品，包括：将多个物品中的各物品在目标门店中的被选取价值与预设的第二预设阈值进行对比；响应于确定出任一物品的被选取价值大于第二预设阈值，确定该物品为候选物品。

第二方面，本申请实施例提供了一种门店物品选取的装置，装置包括：确定单元，配置用于基于所获取的多个物品的信息，确定各物品在预设属性下的属性值；计算单元，配置用于基于所确定的属性值，计算物品在目标门店中的被选取价值，其中，被选取价值用于表征物品被目标门店选取时为该目标门店带来的价值；选取单元，配置用于从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，其中，物品组合包括至少一个候选物品，双目标优化模型用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

在一些实施例中，多个物品的信息包括：各物品的线上交易数据、各物品的基本属性信息、与各物品相关联的舆情数据和各物品在至少一个第一门店的线下交易数据，其中，第一门店不同于目标门店，且第一门店与目标门店的相似度大于第一预设阈值。

在一些实施例中，预设属性包括物品的体积、舆情热度、利润、销售额和零售因子，其中，零售因子用于表征物品出现在第一门店的概率；确定单元进一步配置用于：基于目标门店的地址信息，确定目标区域；获取多个物品在目标区域内在预设时间段的线上交易数据，确定各物品的利润和销售额；获取多个物品的基本属性信息，确定各物品的体积；获取至少一个第一门店，利用所获取的第一门店的线下交易数据确定物品的零售因子；获取与各物品相关联的舆情数据，确定每个物品的舆情热度。

在一些实施例中，选取单元进一步配置用于：获取目标门店的总面积和各候选物品的占用面积，确定物品组合中的各候选物品的占用面积之和小于或等于目标门店的总面积为双目标优化模型的约束条件；以物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建双目标优化模型；利用规划求解的方法对双目标优化模型进行求解，得到目标门店的物品组合。

在一些实施例中，计算单元进一步配置用于：利用如下公式计算任一物品在目标门店中的被选取价值：其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。

在一些实施例中，选取单元进一步配置用于：将多个物品中的各物品在目标门店中的被选取价值与预设的第二预设阈值进行对比；响应于确定出任一物品的被选取价值大于第二预设阈值，确定该物品为候选物品。

本申请实施例提供的门店物品选取的方法和装置，通过所获取多个物品的信息可以确定出物品在预设属性下的属性值，而后基于所确定的属性值可以计算出物品在目标门店中被选取的价值，最后从多个物品中确定出多个候选物品，利用预先建立的双目标优化模型从多个候选物品中选取出目标门店的物品组合，从而实现了通过预先设置统一的标准选取出满足门店物品选取目标的物品组合。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的门店物品选取的方法的一个实施例的流程图；

图3是根据本申请的门店物品选取的方法的另一个实施例的流程图；

图4是根据本申请的门店物品选取的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的门店物品选取的方法或门店物品选取的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网上购物等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对从终端设备101、102、103上获取的物品的线上数据和线下数据等进行被选取价值计算的后台服务器。后台服务器可以利用预先建立的双目标优化模型选取出满足预设优化目标和预设约束条件的物品组合，并将选取出的物品组合(例如物品的名称组合)反馈给终端设备。

需要说明的是，本申请实施例所提供的门店物品选取的方法一般由服务器105执行，相应地，门店物品选取的装置一般设置于服务器105中。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器105组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要指出的是，服务器105的本地还可以直接存储有物品的线上数据和线下数据，服务器105可以直接计算物品的被选取价值，并选取出目标门店的物品组合，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

还需要指出的是，门店物品选取的方法也可以由终端设备101、102、103执行，相应地，门店物品选取的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的门店物品选取的方法的一个实施例的流程200。该门店物品选取的方法，包括以下步骤：

步骤201，基于所获取的多个物品的信息，确定各物品在预设属性下的属性值。

在本实施例中，门店物品选取的方法运行于其上的电子设备(例如图1所示的服务器)可以获取多个物品的信息。而后对所获取的各物品的信息进行分析，从而可以确定出各物品在预设属性下的属性值。这里，所选取的物品的预设属性(如，价格、重量、体积、舆情热度等)往往是物品可以对目标门店的价值产生一定的影响的属性。例如，物品的体积可以影响用户是否在门店中购买该物品，因为物品的体积越大越不易携带，从而导致用户往往不会选择在门店中自提体积较大的物品，影响该目标门店的价值，可见物品的体积属性可以为该物品的预设属性。通常，物品交易的渠道可以包括线上交易渠道和线下交易渠道。因此，上述电子电子设备所获取的物品的信息可以包括从线上交易渠道获取的物品信息和/或从线下渠道获取的物品信息。其中，线上主要是指依托网络进行的交易、推广等行为，从线上获取的物品信息可以包括网络上与物品所相关的数据，如，物品的线上交易数据、物品的线上舆情数据等；线下主要是指传统贸易所进行的交易、推广等行为，从线下获取的物品信息可以包括线下门店等产生的与物品相关的数据，如，物品在线下门店的库存量、物品的线下门店的交易数据等。

在本实施例的一些可选的实现方式中，上述电子设备所获取的各物品的信息可以包括各物品的线上数据和线下数据。具体地，各物品的线上数据可以包括从线上获取的线上交易数据、各物品的基本属性信息、与各物品相关联的舆情数据；各物品的线下数据可以包括各物品在至少一个第一门店的线下交易数据。这里，各第一门店不同于目标门店，且第一门店与目标门店的相似度大于第一预设阈值。

步骤202，基于所确定的属性值，计算物品在目标门店中的被选取价值。

在本实施例中，基于步骤201所确定的物品在预设属性下的属性值，上述电子设备(例如图1中的服务器)可以利用各种手段对所确定出的物品的属性值进行计算，从而计算出该物品在目标门店中的被选取价值。其中，物品的被选取价值可以用于表征该物品被目标门店选取时可以为该目标门店带来的价值。

可选的，根据实际情况的不同，物品不同预设属性下的属性值对目标门店的价值的影响程度也会出现差异。因此，为了准确地计算出该物品在目标门店的被选取价值，可以根据物品的不同预设属性对目标门店的价值的影响程度的不同，为各预设属性设置不同的权重，而后将不同预设属性下的属性值代入求和，从而可以计算出该物品在目标门店的被选取价值。当然，这里还可以采用其它方法计算物品的被选取价值，这里没有唯一的限定。

步骤203，从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合。

在本实施例中，上述电子设备可以从多个物品中确定出多个候选物品，以便于其可以从各候选物品中选取出目标门店的物品组合。这里的物品组合可以包括至少一个候选物品，物品组合中的各候选物品可以放在目标门店中进行交易。上述多个候选物品可以为多个物品中的一部分，或者上述多个候选物品还可以与上述多个物品相同。进一步地，上述电子设备可以预先构建双目标优化模型，该双目标优化模型可以用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。因此，上述电子设备可以利用该双目标优化模型从多个候选物品中选取出目标门店的物品组合。最后，可以将所选取出的物品组合显示给用户，以便于用户可以按照物品组合中的物品组成情况为目标门店备货。

通常，预设优化目标和预设约束条件可以根据目标门店的实际需求来设置，这里没有唯一的限定。例如，预设优化目标可以为目标门店的利润最大，预设约束条件可以为物品的销售量最小。可以理解的是，上述双目标优化模型可以通过设置两个预设优化目标来构建，但是这里不排除存在两个以上的预设优化目标的可能性，若存在两个以上的预设优化目标，这里可以采用构建多目标优化模型来代替上述双目标优化模型。

本申请的上述实施例提供的门店物品选取的方法，通过获取多个物品的信息可以确定出物品在预设属性下的属性值，而后基于所确定的属性值可以计算出物品在目标门店中被选取的价值，最后从多个物品中确定出多个候选物品，利用预先建立的双目标优化模型从多个候选物品中选取出目标门店的物品组合，从而实现了通过预先设置统一的标准选取出满足门店物品选取目标的物品组合。

进一步参考图3，其示出了门店物品选取的方法的另一个实施例的流程300。该门店物品选取的方法的流程300，包括以下步骤：

步骤301，基于目标门店的地址信息，确定目标区域。

在本实施例，门店物品选取的方法运行于其上的电子设备(例如图1所示的服务器)可以预先获取目标门店的地址信息。而后以该地址信息所指示的位置为基准点，确定出与目标门店相对应的目标区域。作为示例，目标区域可以为与目标门店所在的位置之间的距离小于预设距离的所有的位置点的集合。

步骤302，获取多个物品在目标区域内在预设时间段的线上交易数据，确定各物品的利润和销售额。

在本实施例中，基于步骤301确定出的目标区域，上述电子设备(例如图1所示的服务器)在确定出多个物品后，可以获取各物品在目标区域内的线上交易数据。作为示例，可以利用网络爬虫技术等从电商平台等中获取上述多个物品的交易价格、交易量等交易数据。需要说明的是，由于时间因素也会对线上物品的交易造成一定的影响，因此，上述电子设备获取各物品在目标区域内在预设时间段的线上交易数据。其中，在目标区域内的线上交易数据可以理解为电商平台的所有订单中收货地址在目标区域内的订单所产生的线上交易数据。

可以理解的是，对于住在同一地区内的用户生活习惯、消费习惯等相似性较高，物品购买需求相似度较大，因此首先确定目标门店所对应的目标区域，再获取多个物品在该目标区域内的线上交易数据，此时获得的线上交易数据可用性更高，与目标门店的相关性更强，从而提高了所确定出的物品的利润、销售额等的准确性。

步骤303，获取多个物品的基本属性信息，确定各物品的体积。

在本实施例中，在利用爬虫技术等从各电商平台等中获取各物品的交易数据的同时，还可以获取各物品的基本属性信息，例如，体积、重量、品牌等。这时，上述电子设备可以从中获取各物品的体积属性。

步骤304，获取至少一个第一门店，利用所获取的第一门店的线下交易数据确定物品的零售因子。

在本实施例中，首先可以确定出多个线下门店，并计算各线下门店与目标门店之间的相似度，以便于从各线下门店中确定出与目标门店的相似度大于第一预设阈值的第一门店。而后上述电子设备可以获取各第一门店，并进一步地获取各第一门店在预设时间段内的线下交易数据。最后，利用所获取的线下交易数据可以确定各物品的零售因子，其中，物品的零售因子可以用于表征该物品出现在第一门店的概率。这里的第一门店是不同于目标门店的线下门店。

步骤305，获取与各物品相关联的舆情数据，确定每个物品的舆情热度。

在本实施例中，上述电子设备可以通过大数据挖掘等方式，从各网页、论坛等挖掘出与上述各物品相关的舆情数据。这里与任一物品相关的舆情数据可以包括该物品在线上、线下广告的投放量、该物品在热点新闻中出现的频率等。而后，上述电子设备可以利用所获取的与各物品相关的舆情数据确定出每个物品的舆情热度。可见，上述电子设备基于步骤302～305可以确定出各物品的体积、舆情热度、利润、销售额和零售因子等预设属性，并可以进一步地获取各预设属性的属性值。

步骤306，基于所确定的属性值，计算物品在目标门店中的被选取价值。

在本实施例中，基于步骤302～305确定出的物品的预设属性的属性值，上述电子设备可以对所确定的属性值进行计算，从而计算出上述物品在目标门店中的被选取价值。

通常，在选择线上舆情热点集中的物品通过线下售卖时，能对线下渠道带来引流效果，这里使可以用舆情热度来衡量该效果。除了物品的利润、销售额这两个基本度量指标以外，还要重点兼顾物品是否方便用户自提和线下渠道容积这两个因素。以避免出现用户买了拿不走或门店放不下的情况，且考虑到通常情况下物品的尺寸与重量成正比，尺寸越大越不易携带，因此在计算物品在目标门店中的被选取价值时需要引入物品体积来平衡用户对物品的方便自提程度。再鉴于选择线下渠道购物的用户中，会存在部分不喜好网购的顾客，因此针对这些人群进行选品时，就要参考实际线下门店所选取的物品的配比，在这里以零售因子的形式纳入计算物品的被选取价值的函数中，从而形成一个更加完整维度的评价体系。

在本实施例的一些可选的实现方式中，利用如下公式计算任一物品在目标门店中的被选取价值：

其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。因此，上述电子设备采用该公式可以计算出所确定出的多个物品中的每个物品在目标门店中的被选取价值。

步骤307，从多个物品中确定出多个候选物品。

在本实施例中，上述电子设备可以从其所确定出的多个物品中获取多个候选物品。这里，上述电子设备所获取的多个候选物品可以即为其所确定的多个物品，或者上述电子设备所获取的多个候选物品还可以为其所确定的多个物品中符合预设条件的物品。

在本实施例的一些可选的实现方式中，基于步骤306计算出的各物品在目标门店中的被选取价值，上述电子设备可以继续将多个物品中的各物品在目标门店中的被选取价值与预设的第二预设阈值进行对比，并在确定出任一物品的被选取价值大于第二预设阈值时，确定该物品为候选物品。

步骤308，获取目标门店的总面积和各候选物品的占用面积，确定物品组合中的各候选物品的占用面积之和小于或等于目标门店的总面积为双目标优化模型的约束条件。

在本实施例中，双目标优化模型可以将目标门店的场地面积等制约因素转化为模型求解中的约束条件。因此，上述电子设备可以首先获取各候选物品的占用面积，以及获取目标门店的总面积。这里的目标门店的总面积可以为用户自设的场地面积或者库房的容量等。而后，将物品组合中的各候选物品的面积之和小于或等于目标门店的总面积作为双目标优化模型的约束条件。可以理解的是，根据实际的需要，还可以为双目标优化模型设置其它的约束条件，这里没有唯一的限定。

步骤309，以物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建双目标优化模型。

在本实施例中，基于步骤306计算出的各物品在目标门店中的被选取价值，上述电子设备可以获取各候选物品在目标门店中的被选取价值。进一步地，上述电子设备还可以获取各候选物品的成本。而后，上述电子设备可以以目标门店的物品组合中的各候选物品的被选取价值之和最大以及目标门店的物品组合中的各候选物品的成本之和最小为优化目标，从而构建出双目标优化模型。

对于n个候选物品，i为各候选物品的标识，且候选物品i对应的决策值为P_i，P_i∈(0,1)，其中，1≤i≤n，且i为正整数。对于任一候选物品只存在被目标门店选取和不被目标门店选取两种可能。当任一候选物品的决策值P_i＝1时，可以表明该候选物品被目标门店选取，当任一候选物品的决策值P_i＝0时，可以表明该候选物品没有被目标门店选取。在计算候选物品在目标门店的被选取价值时，虽然已经考虑到了舆情热度、体积等各种因素，但是未考虑所选取的物品组合的成本。因此，在选取双目标优化模型的优化目标时，需要使得物品组合中的所有候选物品的成本最低，以及物品组合中的所有候选物品的被选取价值最大。即，同时满足和其中，W_i为物品组合中标识为i的候选物品的在目标门店中的被选择价值，W_sum为组合物品中各候选物品的在目标门店中的被选择价值之和，D_i为物品组合中标识为i的候选物品的成本，D_sum为组合物品中各候选物品的成本之和。

步骤310，利用规划求解的方法对双目标优化模型进行求解，得到目标门店的物品组合。

在本实施例中，规划求解可以通过更改其它单元格来确定某个单元格的最大值或最小值，因此上述电子设备可以利用规划求解的方法，求出满足约束条件下的双目标优化模型的解，即求出物品组合中的各候选物品的被选取价值之和最大以及成本之和最小的候选物品，从而得到目标门店的物品组合。

可见，本实施例公开的方法通过将线上信息资源进行充分挖掘，与线下物品交易时受限因素(物品由客户自提、门店容积、不爱网购人群的购物选择)相结合，从而解决了线下渠道无法及时感知线上舆情及线上交易情况、不了解购物用户实时所需的缺点等造成的门店选取出的物品准确性较差导致门店价值降低的问题，实现了通过将线上、线下优势相结合提高了门店物品选取的准确性。

本申请的上述实施例提供的门店物品选取的方法，在设置目标门店的物品选取的标准时不仅考虑到物品的线下交易情况，还考虑到与物品相关的线上舆情和交易等情况，从而使得目标门店选取的物品在满足目标门店总面积的约束条件的情况下，同时实现了物品组合的被选取价值最大和成本最低的双目标优化。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种门店物品选取的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的门店物品选取的装置400包括：确定单元401、计算单元402和选取单元403。其中，确定单元401配置用于基于所获取的多个物品的信息，确定各物品在预设属性下的属性值；计算单元402配置用于基于所确定的属性值，计算物品在目标门店中的被选取价值，其中，被选取价值用于表征物品被目标门店选取时为该目标门店带来的价值；选取单元403配置用于从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，其中，物品组合包括至少一个候选物品，双目标优化模型用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

在本实施例的一些可选的实现方式中，多个物品的信息包括：各物品的线上交易数据、各物品基本的属性信息、与各物品相关联的舆情数据和各物品在至少一个第一门店的线下交易数据，其中，第一门店不同于目标门店，且第一门店与目标门店的相似度大于第一预设阈值。

在本实施例的一些可选的实现方式中，预设属性包括物品的体积、舆情热度、利润、销售额和零售因子，其中，零售因子用于表征物品出现在第一门店的概率；确定单元401进一步配置用于：基于目标门店的地址信息，确定目标区域；获取多个物品在目标区域内在预设时间段的线上交易数据，确定各物品的利润和销售额；获取多个物品的基本属性信息，确定各物品的体积；获取至少一个第一门店，利用所获取的第一门店的线下交易数据确定物品的零售因子；获取与各物品相关联的舆情数据，确定每个物品的舆情热度。

在本实施例的一些可选的实现方式中，选取单元403进一步配置用于：获取目标门店的总面积和各候选物品的占用面积，确定物品组合中的各候选物品的占用面积之和小于或等于目标门店的总面积为双目标优化模型的约束条件；以物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建双目标优化模型；利用规划求解的方法对双目标优化模型进行求解，得到目标门店的物品组合。

在本实施例的一些可选的实现方式中，计算单元402进一步配置用于：利用如下公式计算任一物品在目标门店中的被选取价值：其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。

在本实施例的一些可选的实现方式中，选取单元403进一步配置用于：将多个物品中的各物品在目标门店中的被选取价值与预设的第二阈值进行对比；响应于确定出任一物品的被选取价值大于第二预设阈值，确定该物品为候选物品。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，流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，该模块、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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元、计算单元和选取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“基于所获取的多个物品的信息，确定各物品在预设属性下的属性值的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：基于所获取的多个物品的信息，确定各物品在预设属性下的属性值；基于所确定的属性值，计算物品在目标门店中的被选取价值，其中，被选取价值用于表征物品被目标门店选取时为该目标门店带来的价值；从多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从多个候选物品中选取目标门店的物品组合，其中，物品组合包括至少一个候选物品，双目标优化模型用于在多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

以上描述仅为本申请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，本申请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上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。例如上述特征与本申请中公开的(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 (14)

1.一种门店物品选取的方法，包括：

基于所获取的多个物品的信息，确定各所述物品在预设属性下的属性值；

基于所确定的属性值，计算所述物品在所述目标门店中的被选取价值，其中，所述被选取价值用于表征所述物品被所述目标门店选取时为该目标门店带来的价值；

从所述多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从所述多个候选物品中选取所述目标门店的物品组合，其中，所述物品组合包括至少一个所述候选物品，所述双目标优化模型用于在所述多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

2.根据权利要求1所述的方法，其中，所述多个物品的信息包括：各物品的线上交易数据、各物品的基本属性信息、与各物品相关联的舆情数据和各物品在至少一个第一门店的线下交易数据，其中，所述第一门店不同于所述目标门店，且所述第一门店与所述目标门店的相似度大于第一预设阈值。

3.根据权利要求2所述的方法，其中，所述预设属性包括物品的体积、舆情热度、利润、销售额和零售因子，其中，所述零售因子用于表征物品出现在所述第一门店的概率；

所述基于所获取的多个物品的信息，确定各所述物品在预设属性下的属性值，包括：

基于所述目标门店的地址信息，确定目标区域；

获取所述多个物品在所述目标区域内在预设时间段的线上交易数据，确定各所述物品的利润和销售额；

获取所述多个物品的基本属性信息，确定各所述物品的体积；

获取至少一个所述第一门店，利用所获取的第一门店的线下交易数据确定所述物品的零售因子；

获取与各所述物品相关联的舆情数据，确定每个所述物品的舆情热度。

4.根据权利要求1所述的方法，其中，所述利用预先建立的双目标优化模型从所述多个候选物品中选取所述目标门店的物品组合，包括：

获取所述目标门店的总面积和各所述候选物品的占用面积，确定所述物品组合中的各候选物品的占用面积之和小于或等于所述目标门店的总面积为所述双目标优化模型的约束条件；

以所述物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建所述双目标优化模型；

利用规划求解的方法对所述双目标优化模型进行求解，得到所述目标门店的物品组合。

5.根据权利要求3所述的方法，其中，所述基于所确定的属性值，计算所述物品在所述目标门店中的被选取价值，包括：

利用如下公式计算任一物品在所述目标门店中的被选取价值：

其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。

6.根据权利要求1所述的方法，其中，所述从所述多个物品中确定出多个候选物品，包括：

将所述多个物品中的各物品在所述目标门店中的被选取价值与预设的第二预设阈值进行对比；

响应于确定出任一所述物品的被选取价值大于所述第二预设阈值，确定该物品为所述候选物品。

7.一种门店物品选取的装置，包括：

确定单元，配置用于基于所获取的多个物品的信息，确定各所述物品在预设属性下的属性值；

计算单元，配置用于基于所确定的属性值，计算所述物品在所述目标门店中的被选取价值，其中，所述被选取价值用于表征所述物品被所述目标门店选取时为该目标门店带来的价值；

选取单元，配置用于从所述多个物品中确定出多个候选物品，并利用预先建立的双目标优化模型从所述多个候选物品中选取所述目标门店的物品组合，其中，所述物品组合包括至少一个所述候选物品，所述双目标优化模型用于在所述多个候选物品中选取满足预设优化目标和预设约束条件的物品组合。

8.根据权利要求7所述的装置，其中，所述多个物品的信息包括：各物品的线上交易数据、各物品基本的属性信息、与各物品相关联的舆情数据和各物品在至少一个第一门店的线下交易数据，其中，所述第一门店不同于所述目标门店，且所述第一门店与所述目标门店的相似度大于第一预设阈值。

9.根据权利要求8述的装置，其中，所述预设属性包括物品的体积、舆情热度、利润、销售额和零售因子，其中，所述零售因子用于表征物品出现在所述第一门店的概率；

所述确定单元进一步配置用于：

基于所述目标门店的地址信息，确定目标区域；

获取所述多个物品在所述目标区域内在预设时间段的线上交易数据，确定各所述物品的利润和销售额；

获取所述多个物品的基本属性信息，确定各所述物品的体积；

获取至少一个所述第一门店，利用所获取的第一门店的线下交易数据确定所述物品的零售因子；

获取与各所述物品相关联的舆情数据，确定每个所述物品的舆情热度。

10.根据权利要求7所述的装置，其中，所述选取单元进一步配置用于：

获取所述目标门店的总面积和各所述候选物品的占用面积，确定所述物品组合中的各候选物品的占用面积之和小于或等于所述目标门店的总面积为所述双目标优化模型的约束条件；

以所述物品组合中的各候选物品的被选取价值之和最大以及成本之和最小为优化目标构建所述双目标优化模型；

利用规划求解的方法对所述双目标优化模型进行求解，得到所述目标门店的物品组合。

11.根据权利要求9所述的装置，其中，所述计算单元进一步配置用于：

利用如下公式计算任一物品在所述目标门店中的被选取价值：

其中，i为该物品的标识，W(i)为该物品的被选取价值，θ为该物品的舆情热度，V为该物品的体积，B为该物品的利润，R为该物品的销售额，δ为该物品的零售因子，β₁为体积重量的权重值，β₂为利润的权重值，β₃为销售额的权重值。

12.根据权利要求7所述的装置，其中，所述选取单元进一步配置用于：

将所述多个物品中的各物品在所述目标门店中的被选取价值与预设的第二预设阈值进行对比；

响应于确定出任一所述物品的被选取价值大于所述第二预设阈值，确定该物品为所述候选物品。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。