CN110599281A - 一种确定目标店铺的方法和装置 - Google Patents

Abstract

本发明公开了一种确定目标店铺的方法和装置，涉及计算机技术领域。该方法的一个具体实施方式包括：获取样本店铺集中每个样本店铺的属性信息；根据所述每个样本店铺的属性信息构建属性矩阵；基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。该实施方式可量化店铺信息，实现多属性多维度融合计算以及多属性决策，提高目标店铺选取的准确率。

Description

一种确定目标店铺的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种确定目标店铺的方法、装置、电子设备和计算机可读介质。

背景技术

在电商网站中，有着大量的店铺商家，为买家顾客提供商品或服务等的销售、售后等业务，随着电商网站的精细化和复杂化程度不断提高，也赋予了店铺许多属性，例如店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量等信息都可以用于描述店铺的属性。店铺的属性信息还可以用于对店铺进行衡量，例如店铺的好评率可以衡量店铺的口碑；店铺的收藏量可以衡量店铺的人气；店铺的销量可以衡量店铺的经营情况等，所以店铺的属性信息可以用于对店铺进行划分筛选。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有技术中，对店铺进行划分筛选的方法比较单一，往往是根据某一个或少数几个参数进行线性排序，从而分出属性表现较好和较差的店铺，筛选方式单一，不能融合多维度、多属性的信息进行综合分析。

发明内容

有鉴于此，本发明实施例提供一种确定目标店铺的方法和装置，能够通过样本店铺的属性信息计算样本店铺的局部异常因子，从而对样本店铺量化后进行筛选，确定目标店铺，可实现多属性多维度融合计算以及多属性决策，提高目标店铺选取的准确率。

为实现上述目的，根据本发明实施例的一个方面，提供了一种确定目标店铺的方法，包括：获取样本店铺集中每个样本店铺的属性信息；根据所述每个样本店铺的属性信息构建属性矩阵；基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

可选地，所述属性信息至少包括以下一项或多项属性信息：店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量，每项属性信息还包括属性值及其对应的权重。

可选地，根据所述每个样本店铺的属性信息构建属性矩阵，包括：以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。

可选地，基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子，包括：针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；根据所述第k个距离确定该样本店铺的第k距离临域；根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

可选地，根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，所述方法还包括：根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺；以过滤后剩余的样本店铺作为新的样本店铺集，从而确定新的样本店铺集中每个样本店铺的局部异常因子。

可选地，根据所述局部异常因子从所述样本店铺集中筛选出目标店铺，包括：将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的店铺作为推荐目标店铺。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种确定目标店铺的装置，包括：信息模块，用于获取样本店铺集中每个样本店铺的属性信息；属性模块，用于根据所述每个样本店铺的属性信息构建属性矩阵；计算模块，用于基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；目标模块，用于根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

可选地，所述属性信息至少包括以下一项或多项属性信息：店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量，每项属性信息还包括属性值及其对应的权重。

可选地，所述属性模块还用于：以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。

可选地，所述计算模块还用于：针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；根据所述第k个距离确定该样本店铺的第k距离临域；根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

可选地，所述装置还包括：过滤模块，用于在所述计算模块根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺。

可选地，所述目标模块还用于：将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的样本店铺作为推荐目标店铺。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备，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一种确定目标店铺的方法中任一所述的方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被一个或多个处理器执行时实现一种确定目标店铺的方法中任一所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为通过使用样本店铺的属性信息计算样本店铺的局部异常因子，从而对样本店铺量化后进行筛选，确定目标店铺的技术手段，所以克服了传统方法筛选方式、属性维度单一的技术问题，进而达到实现多属性多维度融合计算以及多属性决策，提高目标店铺选取的准确率的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种确定目标店铺的方法的主要步骤的示意图；

图2是根据本发明实施例的一种确定目标店铺的装置的主要部分的示意图；

图3是根据本发明实施例的一种优选实施方式的流程示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的一种确定目标店铺的方法的主要步骤的示意图，如图1所示：

步骤S101获取样本店铺集中每个样本店铺的属性信息；样本店铺集可以来源于电商网站的数据库，可设置时间和/或数量约束条件来约束样本店铺集的大小。样本店铺的属性信息可包括多个维度，以实现多属性融合。

所述属性信息至少包括以下一项或多项属性信息：店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量。其中每项属性信息还包括属性值及其对应的权重。其中属性值是指用于描述某一属性的具体的数值，一般电商网站后台也会以具体数值对店铺的属性信息进行存储，若某属性的属性值为虽时间变化的值，可取其平均值；其对应的权重用于描述该属性的重要程度，可设置为5个级别：5-非常重要，4-重要，3-重要，2-不重要，1-极不重要，对应的权重值为5～1。例如，某店铺经营时间为6年，则店铺经营时间属性值为6，若其对应的权重为3，则其加权属性值为18。

店铺经营时间信息用于记录店铺的经营时间，其参考价值在于店铺长期以来经营状况；

店铺服务评分(Detail Seller Rating)，指店铺的动态评分，分为三项评分：商品与描述相符度、卖家的服务态度和物流服务质量。店铺DSR作为其中一项衡量因素；

店铺等级用于描述店铺在电商网站中的级别，一般表示买卖双方的评价等级，属于电商网站根据一定的预设规则设置的一个可长期累积的信用体系；

店铺好评率用于描述店铺的买家对店铺的好评占所有买家评价的比值，一般为买家根据店铺的商品或服务的质量直接给予店铺“好评”、“中评”或“差评”；

店铺收藏量用于描述店铺被买家收藏的次数，收藏数越多说明关注店铺的买家越多；

店铺新上架商品数量对该店铺能否提高购买转化率，吸引买家起了至关重要的作用；

店铺热卖商品数量显示了店铺的引流是否合理；

店铺销量显示了店铺有多少订单转化为销量，直接决定店铺的销售额；

店铺浏览量显示了店铺被关注的程度，直接影响店铺的销量，间接影响店铺的销售额。

进一步地，将以上9种属性信息分别用C1～C9表示，某店铺的属性信息可以表示为表1；

表1

属性	C1	C2	C3	C4	C5	C6	C7	C8	C9
										权重	4	5	3	4	2	2	3	5	4
属性值	3	4.8	2.3	95％	389	50	15	1000	480

其中，店铺服务评分S2的属性值的计算方法为商品与描述相符度、卖家的服务态度和物流服务质量三项数值的加权和。

步骤S102根据所述每个样本店铺的属性信息构建属性矩阵；可用每个样本店铺的每个属性信息作为属性矩阵的其中一个元素。当属性信息包括属性值及其对应的权重时，属性矩阵的元素表示某样本店铺的某个元素的加权属性值。

根据所述每个样本店铺的属性信息构建属性矩阵，包括：以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。所有样本店铺的属性信息构成了属性矩阵C：

C＝[c_ij]

其中，i＝1,2,3,…,N，j＝1,2,3,…,M；c_ij表示第i个样本店铺的第j个属性信息(可为加权属性值)。该矩阵的大小为N×M。以表1中的权重和属性值为例，该店铺的加权属性值如表2所示

表2

属性	C1	C2	C3	C4	C5	C6	C7	C8	C9
										加权属性值	2	4	6.9	3.8	778	100	5	5000	1920

表2中的加权属性值即为属性矩阵中的一行元素，所有样本店铺的加权属性值即可构建出一个完整的属性矩阵。

步骤S103表示基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子。

局部异常因子算法(Local Outlier Factor，LOF算法)是通过比较每个点和其领域点的密度判断该点是否为异常点的方法，如果该点的密度越低，越可能被认定为异常点。密度是通过数据点之间的距离来计算的。在此之前异常点计算的算法大多是基于统计方法的或者借用聚类的算法，但基于统计的方法需要假设数据集服从某种概率分布，而基于聚类的算法可以找出异常点，不能量化异常的程度。因此使用LOF算法确定样本店铺的局部异常因子，量化样本店铺，可根据量化结果对样本店铺进行划分。

基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子，包括：针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；根据所述第k个距离确定该样本店铺的第k距离临域；根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

计算样本店铺集中每个样本店铺到其他样本店铺的两两之间的距离可采用欧几里得距离或曼哈顿距离，以欧几里得距离为例，任意两个样本店铺s_i与s_k之间的距离d(s_i,s_k)的计算公式为：

其中，i,k＝1,2,3,…,N，j＝1,2,3,…,M，s_i＝[c_ij]，s_k＝[c_kj]。

根据k-NN算法(k-Nearest Neighbor，k最邻近算法)计算每个样本店铺的k-NN距离，即与样本店铺s_i距离最近的第k个样本店铺s_p的距离D_k(s_i,s_p)；再计算每个样本店铺的所有可达距离，即样本店铺s_i与其距离小于等于D_k(s_i,s_p)的所有样本店铺s_q的距离D_k(s_i,s_q)，这些样本店铺s_q的集合为样本店铺s_i的第k距离临域，记为N_k(s_i,s_q)；i,p,q＝i＝1,2,3,…,N。

样本店铺s_i的局部可达密度lrd_k(s_i)的计算公式为：

reach D_k(s_i，s_q)＝max{D_k(s_i，s_q)}，s_q∈N_k(s_i，s_q)

其中，|N_k(s_i，s_q)|为N_k(s_i，s_q)中样本店铺的数量。

样本店铺s_i的局部异常因子LOF_k(s_i)的计算公式为：

根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，所述方法还包括：根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺；以过滤后剩余的样本店铺作为新的样本店铺集，从而确定新的样本店铺集中每个样本店铺的局部异常因子。对样本店铺集进行过滤后，可减少后续步骤的运算量，进一步缩小目标店铺的确定范围。过滤方法可以为预设密度阈值方法，即在计算样本店铺s_i的局部可达密度lrd_k(s_i)时，将局部可达密度大于第一密度阈值和/或小于第二密度阈值(第一密度阈值和第二密度阈值可相等)的样本店铺从所述样本店铺集中剔除，再次确定样本店铺集中的所有样本店铺的局部可达密度，直到样本店铺集中剩余的样本店铺的局部可达密度均大于第一密度阈值和/或小于第二密度阈值时，以剩余的样本店铺作为新的样本店铺集。或者，采用排序的方法对样本店铺集进行过滤，在计算出样本店铺s_i的局部可达密度lrd_k(s_i)后，对lrd_k(s_i)进行排序，根据排序结果选取样本店铺形成新的样本店铺集。阈值法与排序法进行过滤时的效果是等同的。进一步地，也可以根据样本店铺集中一个或多个属性值得大小，使用同样的过滤方法构成新的样本店铺集。

根据所述属性矩阵使用局部异常因子算法确定每个所述样本店铺的局部异常因子之前，所述方法还可包括：对所述属性矩阵进行规则化。由于每个属性的尺度可能差别很大，将数据规则化到同一尺度，有利于数据的比较分析。可用以下公式对属性矩阵中的每一列元素，即每一类属性的加权属性值进行规则化：

其中σ(c_ij)为属性矩阵每一列元素的标准差，为属性矩阵每一列元素的平均值。

步骤S104表示根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

根据所述局部异常因子从所述样本店铺集中筛选出目标店铺，包括：将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的样本店铺作为推荐目标店铺。其中第一预设阈值和第二预设阈值可以相等也可以不等。

例如，如果LOF_k(s_i)的结果越接近预设阈值1，说明样本店铺s_i与其邻域的样本店铺的密度差不多，s_i可能和邻域同属一簇；如果LOF_k(s_i)的结果越小于1，说明样本店铺s_i的密度高于其邻域样本店铺的密度，样本店铺s_i为密集点，可以以密集点的样本店铺作为目标店铺，用来推荐，该类店铺一般在同类店铺中业绩比较突出，经营情况较好；如果LOF_k(s_i)的结果越大于1，说明样本店铺s_i的密度小于其邻域样本店铺的密度，样本店铺s_i可能存在异常，可以以这些店铺作为目标店铺，用来淘汰，该类店铺一般在同类店铺中业绩比较低，经营情况较差。

图2是根据本发明实施例的一种确定目标店铺的装置200的主要部分的示意图，如图2所示：

信息模块201，用于获取样本店铺集中每个样本店铺的属性信息；样本店铺集可以来源于电商网站的数据库，可设置时间和/或数量约束条件来约束样本店铺集的大小。样本店铺的属性信息可包括多个维度，以实现多属性融合。

所述属性信息至少包括以下一项或多项属性信息：店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量，每项属性信息还包括属性值及其对应的权重。其中属性值是指用于描述某一属性的具体的数值，一般电商网站后台也会以具体数值对店铺的属性信息进行存储，若某属性的属性值为虽时间变化的值，可取其平均值；其对应的权重用于描述该属性的重要程度，可设置为5个级别：5-非常重要，4-重要，3-重要，2-不重要，1-极不重要，对应的权重值为5～1。例如，某店铺经营时间为6年，则店铺经营时间属性值为6，若其对应的权重为3，则其加权属性值为18。

店铺经营时间信息用于记录店铺的经营时间，其参考价值在于店铺长期以来经营状况；

店铺服务评分(Detail Seller Rating)，指店铺的动态评分，分为三项评分：商品与描述相符度、卖家的服务态度和物流服务质量。店铺DSR作为其中一项衡量因素；

店铺等级用于描述店铺在电商网站中的级别，一般表示买卖双方的评价等级，属于电商网站根据一定的预设规则设置的一个可长期累积的信用体系；

店铺好评率用于描述店铺的买家对店铺的好评占所有买家评价的比值，一般为买家根据店铺的商品或服务的质量直接给予店铺“好评”、“中评”或“差评”；

店铺收藏量用于描述店铺被买家收藏的次数，收藏数越多说明关注店铺的买家越多；

店铺新上架商品数量对该店铺能否提高购买转化率，吸引买家起了至关重要的作用；

店铺热卖商品数量显示了店铺的引流是否合理；

店铺销量显示了店铺有多少订单转化为销量，直接决定店铺的销售额；

店铺浏览量显示了店铺被关注的程度，直接影响店铺的销量，间接影响店铺的销售额。

进一步地，将以上9种属性信息分别用C1～C9表示，某店铺的属性信息可以表示为表3；

表3

属性	C1	C2	C3	C4	C5	C6	C7	C8	C9
										权重	4	5	3	4	2	2	3	5	4
属性值	3	4.8	2.3	95％	389	50	15	1000	480

其中，店铺服务评分S2的属性值的计算方法为商品与描述相符度、卖家的服务态度和物流服务质量三项数值的加权和。

属性模块202，用于根据所述每个样本店铺的属性信息构建属性矩阵；可用每个样本店铺的每个属性信息作为属性矩阵的其中一个元素。当属性信息包括属性值及其对应的权重时，属性矩阵的元素表示某样本店铺的某个元素的加权属性值。属性模块202还用于：以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。所有样本店铺的属性信息构成了属性矩阵C：

C＝[c_ij]

其中，i＝1,2,3,…,N，j＝1,2,3,…,M；c_ij表示第i个样本店铺的第j个属性信息(可为加权属性值)。该矩阵的大小为N×M。

以表3中的权重和属性值为例，该店铺的加权属性值如表4所示

表4

属性	C1	C2	C3	C4	C5	C6	C7	C8	C9
										加权属性值	2	4	6.9	3.8	778	100	5	5000	1920

表2中的加权属性值即为属性矩阵中的一行元素，所有样本店铺的加权属性值即可构建出一个完整的属性矩阵。

计算模块203，用于基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子。局部异常因子算法(Local Outlier Factor，LOF算法)是通过比较每个点和其领域点的密度判断该点是否为异常点的方法，如果该点的密度越低，越可能被认定为异常点。密度是通过数据点之间的距离来计算的。在此之前异常点计算的算法大多是基于统计方法的或者借用聚类的算法，但基于统计的方法需要假设数据集服从某种概率分布，而基于聚类的算法可以找出异常点，不能量化异常的程度。因此使用LOF算法确定样本店铺的局部异常因子，量化样本店铺，可根据量化结果对样本店铺进行划分。

计算模块203还用于，针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；根据所述第k个距离确定该样本店铺的第k距离临域；根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

计算样本店铺集中每个样本店铺到其他样本店铺的两两之间的距离可采用欧几里得距离或曼哈顿距离，以欧几里得距离为例，任意两个样本店铺s_i与s_k之间的距离d(s_i,s_k)的计算公式为：

其中，i,k＝1,2,3,…,N，j＝1,2,3,…,M，s_i＝[c_ij]，s_k＝[c_kj]。

根据k-NN算法(k-Nearest Neighbor，k最邻近算法)计算每个样本店铺的k-NN距离，即与样本店铺s_i距离最近的第k个样本店铺s_p的距离D_k(s_i,s_p)；再计算每个样本店铺的所有可达距离，即样本店铺s_i与其距离小于等于D_k(s_i,s_p)的所有样本店铺s_q的距离D_k(s_i,s_q)，这些样本店铺s_q的集合为样本店铺s_i的第k距离临域，记为N_k(s_i,s_q)；i,p,q＝i＝1,2,3,…,N。

样本店铺s_i的局部可达密度lrd_k(s_i)的计算公式为：

reach D_k(s_i，s_q)＝max{D_k(s_i，s_q)}，s_q∈N_k(s_i，sx)

其中，|N_k(s_i，s_q)|为N_k(s_i，s_q)中样本店铺的数量。

样本店铺s_i的局部异常因子LOF_k(s_i)的计算公式为：

目标模块204，用于根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

目标模块204还用于：将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的样本店铺作为推荐目标店铺。其中第一预设阈值和第二预设阈值可以相等也可以不等。

例如，如果LOF_k(s_i)的结果越接近预设阈值1，说明样本店铺s_i与其邻域的样本店铺的密度差不多，s_i可能和邻域同属一簇；如果LOF_k(s_i)的结果越小于1，说明样本店铺s_i的密度高于其邻域样本店铺的密度，样本店铺s_i为密集点，可以以密集点的样本店铺作为目标店铺，用来推荐，该类店铺一般在同类店铺中业绩比较突出，经营情况较好；如果LOF_k(s_i)的结果越大于1，说明样本店铺s_i的密度小于其邻域样本店铺的密度，样本店铺s_i可能存在异常，可以以这些店铺作为目标店铺，用来淘汰，该类店铺一般在同类店铺中业绩比较低，经营情况较差。

装置200还可包括：过滤模块，用于在计算模块203根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺。对样本店铺集进行过滤后，可减少后续步骤的运算量，进一步缩小目标店铺的确定范围。过滤方法可以为预设密度阈值方法，即在计算样本店铺s_i的局部可达密度lrd_k(s_i)时，将局部可达密度大于第一密度阈值和/或小于第二密度阈值(第一密度阈值和第二密度阈值可相等)的样本店铺从所述样本店铺集中剔除，再次确定样本店铺集中的所有样本店铺的局部可达密度，直到样本店铺集中剩余的样本店铺的局部可达密度均大于第一密度阈值和/或小于第二密度阈值时，以剩余的样本店铺作为新的样本店铺集。或者，采用排序的方法对样本店铺集进行过滤，在计算出样本店铺s_i的局部可达密度lrd_k(s_i)后，对lrd_k(s_i)进行排序，根据排序结果选取样本店铺形成新的样本店铺集。阈值法与排序法进行过滤时的效果是等同的。进一步地，也可以根据样本店铺集中一个或多个属性值得大小，使用同样的过滤方法构成新的样本店铺集。

过滤模块还可以对所述属性矩阵进行规则化。由于每个属性的尺度可能差别很大，将数据规则化到同一尺度，有利于数据的比较分析。可用以下公式对属性矩阵中的每一列元素，即每一类属性的加权属性值进行规则化：

其中σ(c_ij)为属性矩阵每一列元素的标准差，为属性矩阵每一列元素的平均值。

图3是根据本发明实施例的一种优选实施方式的流程示意图，如图3所示：

①根据店铺销量属性，在电商网站的数据库中选取销量排名前1000名的店铺构成样本店铺集，目标是淘汰其中的200个店铺；

②选取样本店铺的9个属性参与计算样本店铺的局部异常因子，根据样本店铺的属性值及其对应的权重确定样本店铺的每个属性的加权属性值，根据加权属性值构建属性矩阵，属性矩阵的大小为1000×9；

③对属性矩阵中的每一行元素进行规则化；

④计算着1000个样本店铺中两两之间的欧几里得距离；例如属性矩阵中样本店铺x₁的元素为[3.2,1.0,2.1,3.2,1.0,2.1,3.2,1.0,2.1]，样本店铺x₂的元素为[1.2,1.0,2.1,3.2,1.0,2.1,3.2,1.0,4.1]，则x₁与x₂之间的距离d(x₁,x₂)为1000个样本店铺可以得到499500个距离；

⑤对每个样本店铺的所有距离排序，即该样本店铺与其他999个样本店铺的距离进行排序，由小至大，选出第2个距离，若x₁与x₂之间的距离排在第2，则确定为样本店铺x₁的2-NN距离为每个样本店铺都有一个2-NN距离，共有1000个2-NN距离；

⑥对于每个样本店铺，找出小于等于其2-NN距离的所有样本店铺，构成该样本店铺的第2距离临域；例如，与样本店铺x₁的距离小于等于的所有样本店铺的集合即为样本店铺x₁的第2距离临域；每个样本店铺都有一个第2距离临域，共有1000个第2距离临域；

⑦根据局部可达密度公式计算每个样本店铺的局部可达密度；可得到1000个局部可达密度；

⑧根据局部异常因子计算公式计算每个样本店铺的局部异常因子；可得到1000个局部异常因子；

⑨根据局部异常因子的大小对1000个样本店铺进行到倒序排序，选出局部异常因子较大的前200个样本店铺作为目标店铺进行淘汰。

图4示出了可以应用本发明实施例的一种确定目标店铺的方法或一种确定目标店铺的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403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401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。

需要说明的是，本发明实施例所提供的一种确定目标店铺的方法一般由服务器405执行，相应地，一种确定目标店铺的装置一般设置于服务器405中。

应该理解，图4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。

图5所示为适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5所示的终端设备仅仅是一个示例，不应对本发明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，根据本发明公开的实施例，上文步骤图描述的过程可以被实现为计算机软件程序。例如，本发明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步骤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，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质包括计算机可读信号介质或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包括但不限于电、磁、光、电磁、红外线、半导体的系统、装置或器件，或者上述内容的任意组合。计算机可读存储介质具体包括但不限于：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、或者上述内容的任意组合。在本发明中，计算机可读存储介质包括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；计算机可读的信号介质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、光信号或上述信号的任意组合。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(射频)等，或者上述介质的任意组合。

附图中的步骤图或框图，图示了按照本发明各种实施例的系统、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，步骤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，上述模块、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。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并行地执行，有时也可以按相反的顺序执行，其执行顺序依所涉及的功能而定。也要注意的是，框图或步骤图中的每个方框以及其组合，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。

描述于本发明实施例中所涉及到的模块或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。所描述的模块或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括信息模块、属性模块、计算模块和目标模块。其中，这些模块或单元的名称在某种情况下并不构成对该模块或单元本身的限定，例如，信息模块还可以被描述为“用于获取样本店铺集中每个样本店铺的属性信息的模块”。

另一方面，本发明实施例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设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：获取样本店铺集中每个样本店铺的属性信息；根据所述每个样本店铺的属性信息构建属性矩阵；基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

根据本发明实施例的技术方案，提供一种确定目标店铺的方法和装置，能够通过样本店铺的属性信息计算样本店铺的局部异常因子，从而对样本店铺进行筛选，确定目标店铺，可实现多属性多维度融合计算以及多属性决策。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种确定目标店铺的方法，其特征在于，包括：

获取样本店铺集中每个样本店铺的属性信息；

根据所述每个样本店铺的属性信息构建属性矩阵；

基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；

根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

2.根据权利要求1所述的方法，其特征在于，所述属性信息至少包括以下一项或多项属性信息：

店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量，每项属性信息还包括属性值及其对应的权重。

3.根据权利要求1或2所述的方法，其特征在于，根据所述每个样本店铺的属性信息构建属性矩阵，包括：

以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；

其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。

4.根据权利要求1所述的方法，其特征在于，基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子，包括：

针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；

根据所述第k个距离确定该样本店铺的第k距离临域；

根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；

根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

5.根据权利要求4所述的方法，其特征在于，根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，所述方法还包括：

根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺；

以过滤后剩余的样本店铺作为新的样本店铺集，从而确定新的样本店铺集中每个样本店铺的局部异常因子。

6.根据权利要求1所述的方法，其特征在于，根据所述局部异常因子从所述样本店铺集中筛选出目标店铺，包括：

将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的样本店铺作为推荐目标店铺。

7.一种确定目标店铺的装置，其特征在于，包括：

信息模块，用于获取样本店铺集中每个样本店铺的属性信息；

属性模块，用于根据所述每个样本店铺的属性信息构建属性矩阵；

计算模块，用于基于所述属性矩阵，并采用局部异常因子算法，确定所述每个样本店铺的局部异常因子；

目标模块，用于根据所述局部异常因子从所述样本店铺集中筛选出目标店铺。

8.根据权利要求7所述的装置，其特征在于，所述属性信息至少包括以下一项或多项属性信息：

店铺经营时间信息、店铺服务评分、店铺等级、店铺好评率、店铺收藏量、店铺新上架商品数量、店铺热卖商品数量、店铺销量和店铺浏览量，每项属性信息还包括属性值及其对应的权重。

9.根据权利要求7或8所述的装置，其特征在于，所述属性模块还用于：

以所述样本店铺的属性信息作为元素，构建M×N属性矩阵或者N×M属性矩阵；

其中，M为所述样本店铺集中样本店铺的数量，N为所述样本店铺的属性信息的项数，M和N为正整数，所述属性矩阵的每一个元素为对应该元素所在样本店铺的行或列的一个属性信息。

10.根据权利要求7所述的装置，其特征在于，所述计算模块还用于：

针对每个样本店铺，计算该样本店铺与所述样本店铺集中其他样本店铺的距离，将计算得到的距离按照由小到大排序，以排序中的第k个距离作为该样本店铺的第k个距离，其中，k为正整数；

根据所述第k个距离确定该样本店铺的第k距离临域；

根据该样本店铺的第k距离临域计算该样本店铺的局部可达密度；

根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

过滤模块，用于在所述计算模块根据该样本店铺的局部可达密度计算该样本店铺的局部异常因子之前，根据所述局部可达密度对所述样本店铺集中的样本店铺进行过滤，从所述样本店铺集中剔除大于第一密度阈值和/或小于第二密度阈值的样本店铺。

12.根据权利要求7所述的方法，其特征在于，所述目标模块还用于：

将局部异常因子大于第一预设阈值的样本店铺作为淘汰目标店铺，和/或将局部异常因子小于第二预设阈值的样本店铺作为推荐目标店铺。

13.一种电子设备，其特征在于，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，其特征在于，所述程序被一个或多个处理器执行时实现如权利要求1-6中任一所述的方法。