CN110490650A - 商户信息处理方法、装置、计算机设备和存储介质 - Google Patents
商户信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110490650A CN110490650A CN201910747535.8A CN201910747535A CN110490650A CN 110490650 A CN110490650 A CN 110490650A CN 201910747535 A CN201910747535 A CN 201910747535A CN 110490650 A CN110490650 A CN 110490650A
- Authority
- CN
- China
- Prior art keywords
- attribute information
- priority
- trade company
- information
- merchant information
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000030279 gene silencing Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种商户信息处理方法、装置、计算机设备和存储介质。所述方法包括:从数据库中提取各个商户的商户信息以及当前属性信息;将商户信息输入至预先训练得到的属性信息预测模型中,以通过属性信息预测模型从商户信息中选取预测特征,并根据预测特征进行分类得到预测属性信息;比较各个商户的所述当前属性信息和所述预测属性信息得到各个商户对应的优先级;从所述优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。采用本方法能够降低终端的资源占用率,提高终端性能。
Description
技术领域
本申请涉及大数据处理技术领域,特别是涉及一种商户信息处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,各种商户信息均存储在计算机设备中,例如存储在服务器中,而一般情况下,商户信息的量都是非常巨大的,商户对海量商户信息的处理需要耗费大量事件。
目前的商户信息的处理方式,是商户根据自己需要按照数据的存储顺序等从数据库中读取商户信息,并进行处理,这样会导致终端需要对海量商户信息进行响应,导致终端的资源占用较高,终端性能降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对商户信息进行筛选,从而提高终端性能的商户信息处理方法、装置、计算机设备和存储介质。
一种商户信息处理方法,所述方法包括:
从数据库中提取各个商户的商户信息以及当前属性信息;
将所述商户信息输入至预先训练得到的属性信息预测模型中,以通过所述属性信息预测模型从所述商户信息中选取预测特征,并根据所述预测特征进行分类得到预测属性信息;
比较各个商户的所述当前属性信息和所述预测属性信息得到各个商户对应的优先级;
从所述优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
上述商户信息处理方法,根据属性信息预测模型对商户信息进行处理得到商户的预测属性信息,然后可以根据当前属性信息以及预测属性信息计算得到商户对应的优先级,从而可以从每个优先级中选取预设数量的商户信息,并发送给终端,这样可以减少终端处理数据的数量,从而降低终端的资源占用率,提高终端性能,且首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个属性的商户信息均进行了选择,且终端的使用者可以按照顺序查看服务器发送的商户信息,从而可以按照顺序对该些商户信息对应的商户进行拜访等,这样可以提高拜访人效,也可以防止随机拜访所带来的拜访混乱,导致有些商户没有拜访,有些商户重复拜访的情况的发生。
在其中一个实施例中,所述属性信息预测模型的训练方式包括:
从所述数据库中提取商户的训练商户信息和训练属性信息;
从所述训练商户信息中选取训练特征,并将所述训练特征进行分类得到类别型特征和连续值型特征;
对所述类别型特征进行一位有效编码处理,对所述连续值型特征进行标准化处理;
对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
上述实施例中,通过对数据库中已经存储的商户的训练商户信息和训练属性信息进行预处理,包括对训练商户信息中类别特征的一位有效编码处理以及连续值型特征进行标准化处理,从而可以对处理完成的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行学习得到属性信息预测模型,该模型充分考虑到了存储在数据库中的历史数据,使得后续对商户的属性信息的预测更为准确。
在其中一个实施例中,所述对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行训练得到属性信息预测模型之后,还包括:
从所述数据库中提取商户的测试商户信息和测试属性信息;
将所述测试商户信息输入至所述属性信息预测模型中得到待评价属性信息;
将所述待评价属性信息与所述测试属性信息进行比对得到模型评价值;
根据所述模型评价值对所述属性信息预测模型进行修正。
上述实施例中,在训练得到属性信息预测模型后,还可以通过测试商户信息和测试属性信息对训练得到的属性信息预测模型进行测试,并根据测试得到的待评价属性信息以及测试属性信息进行比对得到模型评价值,从而可以根据模型评价值对属性信息预测模型进行修正,使得修正后的属性信息预测模型更为准确。
在其中一个实施例中,所述方法包括:
将所述商户信息输入至属性信息预测模型中得到与所述预测属性信息对应的预测概率值;
所述从每个优先级中选取预设数量的商户对应的商户信息,包括:
根据所述预测概率值对每个优先级中的预测属性信息进行排序;
从排序后的每个优先级中选取预设数量的商户对应的商户信息。
上述实施例中,服务器根据属性信息预测模型所得到的预测概率值对每个优先级中的商户信息进行排序,从而可以从排序后的商户信息进行提取,这样有规律地提取可以使得提取效率更高。
在其中一个实施例中,所述从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:
从数据库中提取各个优先级对应的预设比例以及总数量;
根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量;或者
所述从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:
从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;
根据所述预设比例、所述总数量以及所述拜访比例计算得到每个优先级对应的预设数量。
上述实施例中,根据数据库各个优先级对应的预设比例以及总数量可以计算得到每个优先级对应的预设数量,或者是根据数据库各个优先级对应的预设比例、拜访比例以及总数量可以计算得到每个优先级对应的预设数量,用户根据概率排序对每个优先级中的商户进行拜访,用户的商户拜访人效可以得到有效提高。例如,之前由于每个商户都需要去拜访,一个用户只能负责50个商户,在预测排序之后,有些概率低和100%概率的商户就不需要拜访,一个用户就可以负责70个商户,这就提高了用户的商户拜访人效。
在其中一个实施例中,所述根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量之后,还包括:
比较每一优先级中的商户数量与对应的预设数量;
当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;
根据所述差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
上述实施例中,当某一优先级中的商户数量小于对应的预设数量时,即该优先级中的商户数量较少,则可以得到商户数量与对应的预设数量的差值,并根据差值更新最高优先级对应的预设数量,这样可以保证用户所拜访的商户的数量不变的前提下,均衡拜访各个优先级中的商户。
一种商户信息处理装置,所述装置包括:
第一提取模块,用于从数据库中提取各个商户的商户信息以及当前属性信息;
模型处理模块,用于将所述商户信息输入至预先训练得到的属性信息预测模型中,以通过所述属性信息预测模型从所述商户信息中选取预测特征,并根据所述预测特征进行分类得到预测属性信息;
优先级获取模块,用于各个商户的比较所述当前属性信息和所述预测属性信息得到各个商户对应的优先级;
发送模块,用于从所述优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
上述商户信息处理装置,根据属性信息预测模型对商户信息进行处理得到商户的预测属性信息,然后可以根据当前属性信息以及预测属性信息计算得到商户对应的优先级,从而可以从每个优先级中选取预设数量的商户信息,并发送给终端,这样可以减少终端处理数据的数量,从而降低终端的资源占用率,提高终端性能,且首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个状态的商户信息均进行了选择。
在其中一个实施例中,所述装置还包括:
第二提取模块,用于从所述数据库中提取商户的训练商户信息和训练属性信息;
特征分类模块,用于从所述训练商户信息中选取训练特征,并将所述训练特征进行分类得到类别型特征和连续值型特征;
特征处理模块,用于对所述类别型特征进行一位有效编码处理,对所述连续值型特征进行标准化处理;
训练模块,用于对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
上述实施例中,通过对数据库中已经存储的商户的训练商户信息和训练属性信息进行预处理,包括对训练商户信息中类别特征的一位有效编码处理以及连续值型特征进行标准化处理,从而可以对处理完成的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行学习得到属性信息预测模型,该模型充分考虑到了存储在数据库中的历史数据,使得后续对商户的属性信息的预测更为准确。
在其中一个实施例中,所述装置还包括:
第三提取模块,用于从所述数据库中提取商户的测试商户信息和测试属性信息;
测试模块,用于将所述测试商户信息输入至所述属性信息预测模型中得到待评价属性信息;
比对模块,用于将所述待评价属性信息与所述测试属性信息进行比对得到模型评价值;
修正模块,用于根据所述模型评价值对所述属性信息预测模型进行修正。
上述实施例中,在训练得到属性信息预测模型后,还可以通过测试商户信息和测试属性信息对训练得到的属性信息预测模型进行测试,并根据测试得到的待评价属性信息以及测试属性信息进行比对得到模型评价值,从而可以根据模型评价值对属性信息预测模型进行修正,使得修正后的属性信息预测模型更为准确。
在其中一个实施例中,所述模型处理模块还用于将所述商户信息输入至属性信息预测模型中得到与所述预测属性信息对应的预测概率值;
所述发送模块包括:
排序单元,用于根据所述预测概率值对每个优先级中的预测属性信息进行排序;
选取单元,用于从排序后的每个优先级中选取预设数量的商户对应的商户信息。
上述实施例中,服务器根据属性信息预测模型所得到的预测概率值对每个优先级中的商户信息进行排序,从而可以从排序后的商户信息进行提取,这样有规律地提取可以使得提取效率更高。
在其中一个实施例中,所述发送模块包括:
第一提取单元,用于从数据库中提取各个优先级对应的预设比例以及总数量;
第一预设数量计算单元,用于根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量;或者
所述发送模块包括:
第二提取单元,用于从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;
第二预设数量计算单元,用于根据所述预设比例、所述总数量以及所述拜访比例计算得到每个优先级对应的预设数量。
上述实施例中,根据数据库各个优先级对应的预设比例以及总数量可以计算得到每个优先级对应的预设数量,或者是根据数据库各个优先级对应的预设比例、拜访比例以及总数量可以计算得到每个优先级对应的预设数量,用户根据概率排序对每个优先级中的商户进行拜访,用户的商户拜访人效可以得到有效提高。例如,之前由于每个商户都需要去拜访,一个用户只能负责50个商户,在预测排序之后,有些概率低和100%概率的商户就不需要拜访,一个用户就可以负责70个商户,这就提高了用户的商户拜访人效。
在其中一个实施例中,所述发送模块还包括:
比较单元,用于比较每一优先级中的商户数量与对应的预设数量;
差值计算单元,用于当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;
更新单元,用于根据所述差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
上述实施例中,当某一优先级中的商户数量小于对应的预设数量时,即该优先级中的商户数量较少,则可以得到商户数量与对应的预设数量的差值,并根据差值更新最高优先级对应的预设数量,这样可以保证用户所拜访的商户的数量不变的前提下,均衡拜访各个优先级中的商户。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
上述计算机设备,根据属性信息预测模型对商户信息进行处理得到商户的预测属性信息,然后可以根据当前属性信息以及预测属性信息计算得到商户对应的优先级,从而可以从每个优先级中选取预设数量的商户信息,并发送给终端,这样可以减少终端处理数据的数量,从而降低终端的资源占用率,提高终端性能,且首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个状态的商户信息均进行了选择,也提高了商户信息选取的正确性
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述存储介质,根据属性信息预测模型对商户信息进行处理得到商户的预测属性信息,然后可以根据当前属性信息以及预测属性信息计算得到商户对应的优先级,从而可以从每个优先级中选取预设数量的商户信息,并发送给终端,这样可以减少终端处理数据的数量,从而降低终端的资源占用率,提高终端性能,且首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个状态的商户信息均进行了选择,也提高了商户信息选取的正确性。
附图说明
图1为一个实施例中商户信息处理方法的应用环境图;
图2为一个实施例中商户信息处理方法的流程示意图;
图3为一个实施例中步骤S208的流程示意图;
图4为一个实施例中商户信息处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的商户信息处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信,服务器104可以从数据库106中读取或存储数据。服务器104从数据库106读取各个商户的商户信息以及当前属性信息,并将商户信息输入至属性信息预测模型中得到预测属性信息,从而服务器104可以通过比较当前属性信息和预测属性信息得到各个商户的优先级,然后从每个优先级中选取到预设数量的商户信息,并将商户信息发送至对应的终端102,从而终端102对商户信息进行处理,而没有必要对所有的商户信息进行处理,从而降低终端的资源占用率,提高终端性能,此外对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个状态的商户信息均进行了选择,也提高了商户信息选取的正确性。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种商户信息处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:从数据库中提取各个商户的商户信息以及当前属性信息。
具体地,商户信息包括商户在对应的应用程序APP中的行为信息以及商户自身的身份信息,其中行为信息可以包括每日活动促销总数、跟进客户人数、录入客户数、分享次数、新线索独立访客数、新线索浏览量数、新零售车源浏览量数、新零售车源独立访客数、优惠券独立访客数、优惠券浏览量数等等。属性信息是指商户所处的层级,包括沉默商户、月活商户、激活商户以及核心商户,属性信息可以分为当前属性信息和预测属性信息。其中当前属性信息可以是服务器根据业务属性以及商户在SaaS(软件即服务)中的表现所确定的,例如,根据业务属性和月累计登陆、主动录入客户数、分享数、营销活动创建数、跟进客户次数等等所确定的。
S204:将商户信息输入至预先训练得到的属性信息预测模型中,以通过属性信息预测模型从商户信息中选取预测特征,并根据预测特征进行分类得到预测属性信息。
具体地,属性信息预测模型是根据商户信息确定预测特征,然后根据预测特征进行分类得到预测属性信息。该模型的训练过程可以是通过lightgbm模型训练得到的。其中服务器首先对历史商户信息以及历史属性信息进行学习,例如选取过去半年时间内的数据,划分为训练集和样本集,然后通过训练集进行模型训练,通过测试集进行测试得到最后的属性信息预测模型,从而属性信息预测模型可以基于商户信息预测得到商户预测时间后,例如30天后可能的属性信息,即可能到达的层级。
服务器在从数据库中提取到商户信息后,对商户信息进行清洗,以从所提取的商户信息中得到预测特征,预测特征即模型的输入特征,然后根据该预测特征进行分类预测到到商户信息对应的预测属性信息。
S206:比较各个商户的当前属性信息和预测属性信息得到各个商户对应的优先级。
具体地,服务器将当前属性信息和预测属性信息进行比较得到对应的优先级,例如根据当前属性信息以及预测属性信息的层级是否提高来确定优先级。服务器可以首先获取到当前属性信息,然后判断预测属性信息相较于当前属性信息是否提高,若提高,优先级高,否则优先级低。优先级设定主要是考虑了目前商户各层级体量,与最终目标综合考虑设定。商户体量中沉默商户大于月活商户大于激活商户大于活跃商户,最终目标是希望月活商户最多。具体地,服务器可以根据表1来确定商户对应的优先级:
表1优先级确定表格
S208:从每个优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
具体地,服务器在确定了各个商户的优先级后,则根据预先确定的预设数量从每个优先级中获取到预设数量的商户,这样充分考虑到了各个优先级中的商户,可以从各个优先级中均衡选取到对应的商户,并将所选取的商户的商户信息发送至终端,从而可以方便终端的处理。
且可选地,终端对于所选取的商户的处理方式可以是按照优先级进行显示,例如按照模型得到与预测属性信息对应的预测概率值由大到小对各个商户信息进行排序,然后按照排序后的商户信息进行显示,从而用户可以按照顺序查看该些商户信息,从而可以按照顺序对该些商户信息对应的商户进行拜访等,这样可以提高拜访人效,也可以防止随机拜访所带来的拜访混乱,导致有些商户没有拜访,有些商户重复拜访的情况的发生。
上述商户信息处理方法,根据属性信息预测模型对商户信息进行处理得到商户的预测属性信息,然后可以根据当前属性信息以及预测属性信息计算得到商户对应的优先级,从而可以从每个优先级中选取预设数量的商户信息,并发送给终端,这样可以减少终端处理数据的数量,从而降低终端的资源占用率,提高终端性能,且首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个状态的商户信息均进行了选择,也提高了商户信息选取的正确性。此外,由于一旦需要拜访的商家数量变多,那么如何在自己有效的工作时间内高效的拜访需要拜访的商家,最大化人效,就变得尤为重要;而上述终端的使用者可以按照顺序查看服务器发送的商户信息,从而可以按照顺序对该些商户信息对应的商户进行拜访等,这样可以提高拜访人效,也可以防止随机拜访所带来的拜访混乱,导致有些商户没有拜访,有些商户重复拜访的情况的发生,比如说之前一个用户只能管理50个商户,因为每个商户都需要去拜访;但现在预测排序之后,有些概率低和100%概率的就不需要拜访,一个用户就可以管70个商户,这就提高了人效。
在其中一个实施例中,属性信息预测模型的训练方式可以包括:从数据库中提取商户的训练商户信息和训练属性信息;从训练商户信息中选取训练特征,并将训练特征进行分类得到类别型特征和连续值型特征;对类别型特征进行一位有效编码处理,对连续值型特征进行标准化处理;对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
在其中一个实施例中,对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行训练得到属性信息预测模型之后,还可以包括:从数据库中提取商户的测试商户信息和测试属性信息;将测试商户信息输入至属性信息预测模型中得到待评价属性信息;将待评价属性信息与测试属性信息进行比对得到模型评价值;根据模型评价值对属性信息预测模型进行修正。
具体地,属性信息预测模型的训练方式包括训练过程和测试过程,服务器可以首先从数据库中获取到一定时间段中的数据,其中五分之一作为测试商户信息和测试属性信息,五分之四作为训练商户信息和训练属性信息。例如假设存在六万条数据,则4.8万条属于训练样本,1.2万条属于测试样本。
服务器获取其中的测试商户信息和测试属性信息,并从测试商户信息中选取训练特征,包括商户在对应的应用程序APP中的行为信息以及商户自身的身份信息,其中行为信息可以包括每日活动促销总数、跟进客户人数、录入客户数、分享次数、新线索独立访客数、新线索浏览量数、新零售车源浏览量数、新零售车源独立访客数、优惠券独立访客数、优惠券浏览量数等等。对于该些训练特征,服务器划分为类别型特征和连续值型特征,其中类别型特征进行一位有效编码处理,即One-HotEncoding处理,对连续值型特征进行标准化处理,例如剔除异常值等。然后服务器对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行lightgbm训练得到属性信息预测模型,即对类别型特征和连续值型特征以及对应的历史属性信息的对应关系进行学习。
在学习完成后,为了确保模型的正确性,服务器利用上述测试样本对模型进行测试,即将测试商户信息输入至上述属性信息预测模型中得到待评价属性信息,然后将待评价属性信息与从数据库中获取到的擦拭属性信息进行比对得到模型评价值,例如通过AUC进行评价,即Area Under Curve表示ROC(Receiver Operating Characteristic)曲线下与坐标轴围成的面积,其值在0.5到1之间,用来评估模型的性能,如果模型评价值低于预设值,则可以对属性信息模型进行修正,例如通过测试集对模型再次进行训练,以保证模型的正确性。
上述实施例中,通过对训练商户信息和对应的训练属性信息进行学习得到了对应的属性信息预测模型,以学习到符合自然规律的训练商户信息和对应的训练属性信息的对应关系,从而可以根据该对应关系对后续的商户信息的属性信息进行预测。
在其中一个实施例中,上述商户信息预测方法可以包括:将商户信息输入至属性信息预测模型中得到与预测属性信息对应的预测概率值。从而从每个优先级中选取预设数量的商户对应的商户信息,可以包括:根据预测概率值对每个优先级中的预测属性信息进行排序;从排序后的每个优先级中选取预设数量的商户对应的商户信息。
在其中一个实施例中,从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:从数据库中提取各个优先级对应的预设比例以及总数量;根据预设比例以及总数量计算得到每个优先级对应的预设数量。
在其中一个实施例中,从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;根据预设比例、总数量以及拜访比例计算得到每个优先级对应的预设数量。
在其中一个实施例中,根据预设比例以及总数量计算得到每个优先级对应的预设数量之后,还可以包括:比较每一优先级中的商户数量与对应的预设数量;当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;根据差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
具体地,其中属性信息预测模型还可以输出与预测属性信息对应的预测概率值,即商户的属性在30天后达到预测属性的概率值,其中模型计算的是商户在30天后达到各个预测属性的概率值,模型选取概率值中最大的一个输出,上述步骤S208具体可以包括以下步骤:
首先,服务器根据预测概率值对每个优先级中的预测属性信息进行排序。例如,在得到每个商户的优先级后,首先按照优先级对商户信息进行划分,然后对于每一个优先级中,服务器按照预测概率值对商户信息进行排序,例如优先级P0中按照预测概率值由高到低排序得到商户A1至商户A7,如下表2所示:
表2 优先级中各个商户信息排序
在排序完成后,服务器首先删除掉各个优先级中预测概率值为100%的商户,例如删除掉优先级P0中的预测概率值为100%的商户A1和商户A2,概率为100%的商户没有拜访的必要。在删除完成后,形成商户信息修正排序表。
服务器从数据库中提取各个优先级对应的预设比例α、每个用户负责拜访的商户总数量N、拜访周期T内可以拜访商户数量占商户总数N的拜访比例β。其中,优先级越高预设比例越大,拜访周期T与拜访比例成反比设置。例如,拜访周期为1个月时,拜访比例为50%,拜访周期为2个月时,拜访比例为25%,随着商户总数N的变化,可以动态设置拜访周期T和拜访比例β,并存入数据库中。
其中,预设推荐比例可以参见表3:
优先级 | 预设比例α |
P0 | 40% |
P1 | 30% |
P2 | 20% |
P3 | 10% |
服务器根据各个优先级的预设比例以及总数量可以得到每个优先级对应的预设数量,例如P0级的预设数量=商户总数量N*预设比例α,或者,P0级的预设数量=商户总数量N*拜访比例β*预设比例α。这样假设服务器计算得到P0~P3级各个优先级的预设数量分别为第一数量~第四数量。
服务器在计算得到上述第一数量~第四数量后,从商户信息修正排序表获取到预测的每个优先级中的商户数量,并与第一数量~第四数量进行比较,当第二数量~第四数量大于其对应的优先级中的商户数量时,将第二数量~第四数量更新为与其对应的优先级中的商户数量,并将其差值更新至第一数量,得到更新后的第一数量~第四数量。例如当第二数量大于P1优先级中的商户数量时,则可以计算第二数量和于P1优先级中的商户数量的差值,然后根据该差值更新第一数量以及第二数量,例如更新后的第一数量=第一数量+差值,更新后的第二数量=第二数量-差值。这是由于在实际应用中P0优先级中商户的数量是非常多的,因此P0优先级中的商户数量远远大于第一数量。
服务器根据更新后的第一数量~第四数量,从商户信息修正排序表中按顺序获取每个优先级对应于第一数量~第四数量的商户信息,将商户信息发送给各个终端,用户在终端对商户信息对应的商户进行拜访后,则用户会向终端输入已拜访指令,从而终端更新对应商户的标识,并将该商户已拜访的标识发送给服务器,以便于服务器在下一次输出商户信息时,先删除掉该商户信息,即在删除掉各个优先级中预测概率值为100%的商户后,服务器继续删除掉包含已拜访标识的商户,其中该标识是存在时效的,该时效与拜访周期T相关,例如,当拜访周期为1个月时,时效可以为1个月,从而在一个月内该商户已经拜访后,则不会出再推送给终端,即服务器实时查询已拜访标识的存续时间,如果等于1个月则删除该已拜访标识。其中,用户可以但不限于是地面推广人员或商业咨询顾问,用户根据概率排序对每个优先级中的商户进行拜访,用户的商户拜访人效可以得到有效提高。例如,之前由于每个商户都需要去拜访,一个用户只能负责50个商户,在预测排序之后,有些概率低和100%概率的商户就不需要拜访,一个用户就可以负责70个商户,这就提高了用户的商户拜访人效。
上述实施例中,首先对商户信息进行优先级划分,并从对应优先级中选取到对应的商户信息,可以对所选取的商户信息进行均衡,使得各个属性的商户信息均进行了选择。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种商户信息处理装置,包括:第一提取模块100、模型处理模块200、优先级获取模块300和发送模块400,其中:
第一提取模块100,用于从数据库中提取各个商户的商户信息以及当前属性信息。
模型处理模块200,用于将商户信息输入至预先训练得到的属性信息预测模型中,以通过属性信息预测模型从商户信息中选取预测特征,并根据预测特征进行分类得到预测属性信息。
优先级获取模块300,用于比较各个商户的当前属性信息和预测属性信息得到各个商户对应的优先级。
发送模块400,用于从每个优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
在其中一个实施例中,上述商户信息处理装置还可以包括:
第二提取模块,用于从数据库中提取商户的训练商户信息和训练属性信息。
特征分类模块,用于从训练商户信息中选取训练特征,并将训练特征进行分类得到类别型特征和连续值型特征。
特征处理模块,用于对类别型特征进行一位有效编码处理,对连续值型特征进行标准化处理。
训练模块,用于对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
在其中一个实施例中,上述商户信息处理装置还可以包括:
第三提取模块,用于从数据库中提取商户的测试商户信息和测试属性信息。
测试模块,用于将测试商户信息输入至属性信息预测模型中得到待评价属性信息。
比对模块,用于将待评价属性信息与测试属性信息进行比对得到模型评价值。
修正模块,用于根据模型评价值对属性信息预测模型进行修正。
在其中一个实施例中,模型处理模块200还用于将商户信息输入至属性信息预测模型中得到与预测属性信息对应的预测概率值。
发送模块400包括:
排序单元,用于根据预测概率值对每个优先级中的预测属性信息进行排序。
选取单元,用于从排序后的每个优先级中选取预设数量的商户对应的商户信息。
在其中一个实施例中,发送模块400包括:
第一提取单元,用于从数据库中提取各个优先级对应的预设比例以及总数量。
第一预设数量计算单元,用于根据预设比例以及总数量计算得到每个优先级对应的预设数量;或者
发送模块包括:
第二提取单元,用于从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;
第二预设数量计算单元,用于根据预设比例、总数量以及拜访比例计算得到每个优先级对应的预设数量。
在其中一个实施例中,发送模块400还包括:
比较单元,用于比较每一优先级中的商户数量与对应的预设数量。
差值计算单元,用于当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值。
更新单元,用于根据差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
关于商户信息处理装置的具体限定可以参见上文中对于商户信息处理方法的限定,在此不再赘述。上述商户信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储商户信息和属性信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商户信息处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:从数据库中提取各个商户的商户信息以及当前属性信息;将商户信息输入至预先训练得到的属性信息预测模型中,以通过属性信息预测模型从商户信息中选取预测特征,并根据预测特征进行分类得到预测属性信息;比较各个商户的当前属性信息和预测属性信息得到各个商户对应的优先级;从每个优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
在一个实施例中,处理器执行计算机程序时所涉及的属性信息预测模型的训练方式包括:从数据库中提取商户的训练商户信息和训练属性信息;从训练商户信息中选取训练特征,并将训练特征进行分类得到类别型特征和连续值型特征;对类别型特征进行一位有效编码处理,对连续值型特征进行标准化处理;对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
在一个实施例中,处理器执行计算机程序时所实现的对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行训练得到属性信息预测模型之后,还可以包括:从数据库中提取商户的测试商户信息和测试属性信息;将测试商户信息输入至属性信息预测模型中得到待评价属性信息;将待评价属性信息与测试属性信息进行比对得到模型评价值;根据模型评价值对属性信息预测模型进行修正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将商户信息输入至属性信息预测模型中得到与预测属性信息对应的预测概率值;处理器执行计算机程序时所实现的从每个优先级中选取预设数量的商户对应的商户信息,可以包括:根据预测概率值对每个优先级中的预测属性信息进行排序;从排序后的每个优先级中选取预设数量的商户对应的商户信息。
在一个实施例中,处理器执行计算机程序时所实现的从每个优先级中选取预设数量的商户对应的商户信息之前,还可以包括:从数据库中提取各个优先级对应的预设比例以及总数量;根据预设比例以及总数量计算得到每个优先级对应的预设数量或者处理器执行计算机程序时所实现的从每个优先级中选取预设数量的商户对应的商户信息之前,还可以包括:从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;根据预设比例、总数量以及拜访比例计算得到每个优先级对应的预设数量。
在一个实施例中,处理器执行计算机程序时所实现的根据预设比例以及总数量计算得到每个优先级对应的预设数量之后,还可以包括:比较每一优先级中的商户数量与对应的预设数量;当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;根据差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:从数据库中提取各个商户的商户信息以及当前属性信息;将商户信息输入至预先训练得到的属性信息预测模型中,以通过属性信息预测模型从商户信息中选取预测特征,并根据预测特征进行分类得到预测属性信息;比较各个商户的当前属性信息和预测属性信息得到各个商户对应的优先级;从每个优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
在一个实施例中,计算机程序被处理器执行时所涉及的属性信息预测模型的训练方式包括:从数据库中提取商户的训练商户信息和训练属性信息;从训练商户信息中选取训练特征,并将训练特征进行分类得到类别型特征和连续值型特征;对类别型特征进行一位有效编码处理,对连续值型特征进行标准化处理;对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行训练得到属性信息预测模型之后,还可以包括:从数据库中提取商户的测试商户信息和测试属性信息;将测试商户信息输入至属性信息预测模型中得到待评价属性信息;将待评价属性信息与测试属性信息进行比对得到模型评价值;根据模型评价值对属性信息预测模型进行修正。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将商户信息输入至属性信息预测模型中得到与预测属性信息对应的预测概率值;计算机程序被处理器执行时所实现的从每个优先级中选取预设数量的商户对应的商户信息,可以包括:根据预测概率值对每个优先级中的预测属性信息进行排序;从排序后的每个优先级中选取预设数量的商户对应的商户信息。
在一个实施例中,计算机程序被处理器执行时所实现的从每个优先级中选取预设数量的商户对应的商户信息之前,还可以包括:从数据库中提取各个优先级对应的预设比例以及总数量;根据预设比例以及总数量计算得到每个优先级对应的预设数量或者计算机程序被处理器执行时所实现的从每个优先级中选取预设数量的商户对应的商户信息之前,还可以包括:从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;根据预设比例、总数量以及拜访比例计算得到每个优先级对应的预设数量。
在一个实施例中,计算机程序被处理器执行时所实现的根据预设比例以及总数量计算得到每个优先级对应的预设数量之后,还可以包括:比较每一优先级中的商户数量与对应的预设数量;当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;根据差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种商户信息处理方法,所述方法包括:
从数据库中提取各个商户的商户信息以及当前属性信息;
将所述商户信息输入至预先训练得到的属性信息预测模型中,以通过所述属性信息预测模型从所述商户信息中选取预测特征,并根据所述预测特征进行分类得到预测属性信息;
比较各个商户的所述当前属性信息和所述预测属性信息得到各个商户对应的优先级;
从所述优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
2.根据权利要求1所述的方法,其特征在于,所述属性信息预测模型的训练方式包括:
从所述数据库中提取商户的训练商户信息和训练属性信息;
从所述训练商户信息中选取训练特征,并将所述训练特征进行分类得到类别型特征和连续值型特征;
对所述类别型特征进行一位有效编码处理,对所述连续值型特征进行标准化处理;
对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
3.根据权利要求2所述的方法,其特征在于,所述对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息进行训练得到属性信息预测模型之后,还包括:
从所述数据库中提取商户的测试商户信息和测试属性信息;
将所述测试商户信息输入至所述属性信息预测模型中得到待评价属性信息;
将所述待评价属性信息与所述测试属性信息进行比对得到模型评价值;
根据所述模型评价值对所述属性信息预测模型进行修正。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法包括:
将所述商户信息输入至属性信息预测模型中得到与所述预测属性信息对应的预测概率值;
所述从每个优先级中选取预设数量的商户对应的商户信息,包括:
根据所述预测概率值对每个优先级中的预测属性信息进行排序;
从排序后的每个优先级中选取预设数量的商户对应的商户信息。
5.根据权利要求1所述的方法,其特征在于,所述从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:
从数据库中提取各个优先级对应的预设比例以及总数量;
根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量;或者
所述从每个优先级中选取预设数量的商户对应的商户信息之前,还包括:
从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;
根据所述预设比例、所述总数量以及所述拜访比例计算得到每个优先级对应的预设数量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量之后,还包括:
比较每一优先级中的商户数量与对应的预设数量;
当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;
根据所述差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
7.一种商户信息处理装置,其特征在于,所述装置包括:
第一提取模块,用于从数据库中提取各个商户的商户信息以及当前属性信息;
模型处理模块,用于将所述商户信息输入至预先训练得到的属性信息预测模型中,以通过所述属性信息预测模型从所述商户信息中选取预测特征,并根据所述预测特征进行分类得到预测属性信息;
优先级获取模块,用于比较各个商户的所述当前属性信息和所述预测属性信息得到各个商户对应的优先级;
发送模块,用于从所述优先级中选取预设数量的商户对应的商户信息,并将所选取的商户信息发送至对应的终端。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二提取模块,用于从所述数据库中提取商户的训练商户信息和训练属性信息;
特征分类模块,用于从所述训练商户信息中选取训练特征,并将所述训练特征进行分类得到类别型特征和连续值型特征;
特征处理模块,用于对所述类别型特征进行一位有效编码处理,对所述连续值型特征进行标准化处理;
训练模块,用于对处理后的类别型特征、处理后的连续值型特征以及对应的训练属性信息,进行基于决策树的学习训练得到属性信息预测模型。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第三提取模块,用于从所述数据库中提取商户的测试商户信息和测试属性信息;
测试模块,用于将所述测试商户信息输入至所述属性信息预测模型中得到待评价属性信息;
比对模块,用于将所述待评价属性信息与所述测试属性信息进行比对得到模型评价值;
修正模块,用于根据所述模型评价值对所述属性信息预测模型进行修正。
10.根据权利要求7至9任意一项所述的装置,其特征在于,所述模型处理模块还用于将所述商户信息输入至属性信息预测模型中得到与所述预测属性信息对应的预测概率值;
所述发送模块包括:
排序单元,用于根据所述预测概率值对每个优先级中的预测属性信息进行排序;
选取单元,用于从排序后的每个优先级中选取预设数量的商户对应的商户信息。
11.根据权利要求7所述的装置,其特征在于,所述发送模块包括:
第一提取单元,用于从数据库中提取各个优先级对应的预设比例以及总数量;
第一预设数量计算单元,用于根据所述预设比例以及所述总数量计算得到每个优先级对应的预设数量;或者
所述发送模块包括:
第二提取单元,用于从数据库中提取各个优先级对应的预设比例、总数量以及拜访比例;
第二预设数量计算单元,用于根据所述预设比例、所述总数量以及所述拜访比例计算得到每个优先级对应的预设数量。
12.根据权利要求11所述的装置,其特征在于,所述发送模块还包括:
比较单元,用于比较每一优先级中的商户数量与对应的预设数量;
差值计算单元,用于当存在某一优先级中的商户数量小于对应的预设数量时,则计算商户数量与对应的预设数量的差值;
更新单元,用于根据所述差值更新最高优先级对应的预设数量,以及商户数量小于对应的预设数量的优先级对应的预设数量。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
14.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747535.8A CN110490650A (zh) | 2019-08-14 | 2019-08-14 | 商户信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747535.8A CN110490650A (zh) | 2019-08-14 | 2019-08-14 | 商户信息处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490650A true CN110490650A (zh) | 2019-11-22 |
Family
ID=68549860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910747535.8A Pending CN110490650A (zh) | 2019-08-14 | 2019-08-14 | 商户信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490650A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200374A (zh) * | 2014-08-18 | 2014-12-10 | 中国建设银行股份有限公司 | 用于在电商平台发布优惠券活动的信息处理方法及装置 |
CN105243559A (zh) * | 2015-09-21 | 2016-01-13 | 上海银天下科技有限公司 | 客户分配方法及装置 |
CN106776868A (zh) * | 2016-11-29 | 2017-05-31 | 浙江工业大学 | 一种基于多元线性回归模型的餐馆评分预测方法 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN107133825A (zh) * | 2017-05-19 | 2017-09-05 | 上海斐讯数据通信技术有限公司 | 一种商家客流量的预测方法及装置 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN108932585A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
CN109101989A (zh) * | 2018-06-29 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种商户分类模型构建和商户分类方法、装置及设备 |
JP2019036051A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社ぐるなび | 制御方法、サーバ及び制御プログラム |
CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
CN109636533A (zh) * | 2018-12-18 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
CN109919704A (zh) * | 2019-01-21 | 2019-06-21 | 浙江口碑网络技术有限公司 | 一种资源数据的分发方法、装置及系统 |
CN109978306A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据处理方法及装置 |
CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
CN110084653A (zh) * | 2019-05-13 | 2019-08-02 | 北京小度信息科技有限公司 | 一种数据处理方法、装置、服务器及存储介质 |
-
2019
- 2019-08-14 CN CN201910747535.8A patent/CN110490650A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200374A (zh) * | 2014-08-18 | 2014-12-10 | 中国建设银行股份有限公司 | 用于在电商平台发布优惠券活动的信息处理方法及装置 |
CN105243559A (zh) * | 2015-09-21 | 2016-01-13 | 上海银天下科技有限公司 | 客户分配方法及装置 |
CN106776868A (zh) * | 2016-11-29 | 2017-05-31 | 浙江工业大学 | 一种基于多元线性回归模型的餐馆评分预测方法 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN107133825A (zh) * | 2017-05-19 | 2017-09-05 | 上海斐讯数据通信技术有限公司 | 一种商家客流量的预测方法及装置 |
JP2019036051A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社ぐるなび | 制御方法、サーバ及び制御プログラム |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN109978306A (zh) * | 2017-12-28 | 2019-07-05 | 北京京东尚科信息技术有限公司 | 数据处理方法及装置 |
CN108932585A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
CN109101989A (zh) * | 2018-06-29 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种商户分类模型构建和商户分类方法、装置及设备 |
CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
CN109636533A (zh) * | 2018-12-18 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
CN109919704A (zh) * | 2019-01-21 | 2019-06-21 | 浙江口碑网络技术有限公司 | 一种资源数据的分发方法、装置及系统 |
CN110084653A (zh) * | 2019-05-13 | 2019-08-02 | 北京小度信息科技有限公司 | 一种数据处理方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
开淘网: "生意参谋:层级分布有什么价值?", 《HTTPS://WWW.KAITAO.CN/ARTICLE/201602191501190696.HTM》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN111080398B (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
AU2016304571A1 (en) | Model integration tool | |
CN109614231A (zh) | 空闲服务器资源发现方法、装置、计算机设备和存储介质 | |
CN109272408A (zh) | 车贷款金融产品智能推荐方法、装置、设备及介质 | |
CN109242539A (zh) | 基于流失用户的潜在用户预测方法、装置和计算机设备 | |
CN108804548B (zh) | 测试数据查询方法、装置、计算机设备和存储介质 | |
CN109471795A (zh) | 分组测试方法、装置、计算机设备及存储介质 | |
CN109816503A (zh) | 财务明细数据生成方法、装置、计算机设备和存储介质 | |
CN109829020A (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
CN108334625B (zh) | 用户信息的处理方法、装置、计算机设备和存储介质 | |
CN110084634B (zh) | 广告投放优化方法、装置、计算机设备及存储介质 | |
CN105096152A (zh) | 一种基于商品热度的操作执行方法及装置 | |
CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
CN113220657B (zh) | 数据处理方法、装置及计算机设备 | |
CN108469975A (zh) | 控件显示方法、装置、计算机设备和存储介质 | |
US20220114499A1 (en) | System and method for efficiently training intelligible models | |
CN109583682A (zh) | 企业财务造假风险的识别方法、装置以及计算机设备 | |
CN107066389A (zh) | 基于集成学习的软件缺陷重新打开的预测方法 | |
US20230177533A1 (en) | Systems and methods for finding an interaction subset within a set of interactions | |
US20230342797A1 (en) | Object processing method based on time and value factors |
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: 20191122 |