CN110992076A - 商家质量评价方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开的实施例提供了一种商家质量评价方法、装置、电子设备及可读存储介质，包括：获取商家的若干项特征数据；对若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；将非时间特征集合输入第一模型，以输出非时间特征集合中每个非时间特征对应的第一质量得分；将时间特征序列集合输入第二模型，以输出时间特征序列集合中每个时间特征序列对应的第二质量得分；根据第一质量得分和所述第二质量得分，计算商家的综合质量得分。本公开的实施例能够提高评价商家质量的准确性。

Description

商家质量评价方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及网络技术领域，尤其涉及一种商家质量评价方法、装置、电子设备及可读存储介质。

背景技术

随着互联网技术的迅速发展，网络成为人们处理各种工作和生活事项的重要途径，第三方网络平台可以为商家提供接入服务，以使用户可以通过第三方网络平台获取商家提供的业务服务。

第三方网络平台在为商家提供接入服务的同时，也要对接入的商家进行管理。例如，对接入的商家按照质量划分等级，不同等级的商家具有不同的应用场景，如高质量商家会优先推送给用户，而低质量商家会进行下线或者优化等处理。

目前，通常根据商家的热度来评价商家的质量。其中，商家的热度可以表现为PV(page view，页面浏览量)以及UV(unique visitor，独立访客数)。然而，仅根据PV和UV进行简单粗暴的评价，导致评价结果不够准确。

发明内容

本公开的实施例提供一种商家质量评价方法、装置、电子设备及可读存储介质，用以提高评价商家质量的准确性。

根据本公开的实施例的第一方面，提供了一种商家质量评价方法，所述方法包括：

获取商家的若干项特征数据；

对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

根据本公开的实施例的第二方面，提供了一种商家质量评价装置，所述装置包括：

数据获取模块，用于获取商家的若干项特征数据；

特征提取模块，用于对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

第一质量评分模块，用于将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

第二质量评分模块，用于将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

综合评分模块，用于根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述商家质量评价方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述商家质量评价方法。

本公开的实施例提供了一种商家质量评价方法、装置、电子设备及可读存储介质，所述方法包括：获取商家的若干项特征数据；对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

本公开采用非时间特征和时间特征分别输入对应的第一模型和第二模型，从而获得与非时间特征有关的第一质量得分，与时间序列特征有关的第二质量得分，最终根据第一质量得分与第二质量得分确定的综合质量得分，来对商家质量进行综合评价，从而能够更加全面的对评价商家质量，进而可以提高评价商家质量的准确性。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的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公开的实施例的一些实施例，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示出了本公开的一个实施例中的商家质量评价方法的步骤流程图；

图2示出了在本公开的一个实施例中的商家质量评价装置的结构图；

图3示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的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公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，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，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了本公开的一个实施例中的商家质量评价方法的步骤流程图，包括：

步骤101、获取商家的若干项特征数据；

步骤102、对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

步骤103、将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

步骤104、将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

步骤105、根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

本公开中，针对待评价的商家，可以首先获取其对应的若干项特征数据，其中可以包括商家的基础信息、交易信息、浏览信息、WiFi(WIreless-Fidelity，行动热点)连接信息、扫描信息、评论信息、运营信息、历史报错信息等。

其中，商家的基础信息可以包括商家创建时间、商家创建来源、商家门头图、商家地址、商家城市类目等；商家交易信息可以包括预设时间段内商家的外卖、到店、团购等交易记录，或者也可以包括下单、支付、退款等，其中，预设时间段可以是日、月、年等；商家浏览信息可以包括预设时间段内商家的浏览记录，可选地，可以将浏览记录分为仅展示商家、展示后选择商家、选择商家后交易等，以便进一步深化商家特征；商家评论信息包括针对该商家的每条评论，可以包括文字评论、图片评论、视频评论等；商家运营信息可以包括商家对其各个字段信息的更改，如地址更改、配置升级、商品种类更新、商品促销信息等；商家历史报错信息可以包括用户针对商家基础信息的报错，如用户上报商家地址错误、商家图文匹配错误等，上述特征数据的种类仅用于示例，本领域技术人员可以根据实际情况采集商家的多维度特征数据。

本公开在获得商家的若干项特征数据后，可以对特征数据进行处理，可选地，可以是先对特征数据进行分类，得到非时间特征数据和时间特征数据，再对非时间特征数据和时间特征数据分别进行特征提取，以得到非时间特征集合和时间特征序列集合。其中，非时间特征指与时间无关的特征，时间特征序列指与时间相关的特征按照时间顺序组成的序列。

在本公开一种可选的实施例中，所述非时间特征数据包括以下至少一项：所述商家的基础信息、连接和扫描信息、运营信息、报错信息；所述时间特征数据包括以下至少一项：所述商家的评论信息、交易信息、浏览信息。

其中，非时间特征数据不具有时间属性，在时间点上不具有连续性，如实时性不高的商家基础信息、商家的运营信息和商家报错信息等，由于商家基础信息包括商家的地址、名称、创建时间等等、运营信息包括对基础信息的更改、报错信息包括用户针对商家的报错，这几种特征数据都是更新周期较长的数据，短时间内发生的变化不大，因此，可以看作是非时间特征数据。时间特征数据具有时间属性，在时间点上具有连续性，如评论信息、浏览信息等，评论信息与浏览信息的更新周期较短，发生变化的实时性高，时间序列连续，因此可以看作是时间特征数据。

本公开在分别获得非时间特征集合和时间特征序列集合后，可以将非时间特征集合输入第一模型，以输出非时间特征集合中每个非时间特征对应的第一质量得分。第一模型可以是通过采集的商家非时间特征集合进行模型训练得到的。可以理解，本公开实施例对所述第一模型的类型不加以限制。例如，所述第一模型可以包括LGB(lightgbm)模型、XGB(XGBoost)模型、CATboost(Categorical Boosting)等决策树模型，也可以包括wide&deep模型等。

在本公开一种可选的实施例中，所述第一模型包括至少两种不同的预置模型；所述将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分，包括：

步骤S11、将所述非时间特征集合分别输入至少两种不同的预置模型，以输出所述每个非时间特征对应不同所述预置模型的多个模型质量得分；

步骤S12、对所述多个模型质量得分进行融合，以得到所述每个非时间特征对应的所述第一质量得分。

在本公开实施例中，第一模型可以包括至少两种不同的预置模型，例如LGB模型、XGB模型、CATboost等决策树模型、wide&deep模型中的任意一种或者任意多种。本公开实施例可以仅通过一种方式训练一个预置模型，也可以选择多种方式训练多个预置模型，并将当前获得的商家的非时间特征集合分别输入多个预置模型，得到每个非时间特征对应不同预置模型的多个模型质量得分，将所述多个模型质量得分通过加权、平均等方式融合，可以得到所述每个非时间特征对应的第一质量得分。

本公开实施例将时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分，可选地，第二模型是通过采集的商家时间特征序列集合进行模型训练得到的。可选地，第二模型可以是长短期记忆LSTM(long-shortterm memory)模型，是一种特殊的循环神经网络RNN(Recurrent Neural Network)模型，能够对时间序列特征进行展开，按照时间点处理输入特征数据，从而输出预测结果。

需要说明的是，本领域技术人员还可以采用其他的用于序列特征数据处理的模型，从而根据采集的商家时间特征序列集合训练得到第二模型，可选地，以评论信息为例，可以将评论信息分为高质量评论文本与低质量评论文本，使得训练后的第二模型能够输出其他评论文本属于高质量评论文本概率，获得第二质量得分。

本公开中，为了获得全面的商家质量得分，可以进行模型融合，即对各种不同的机器学习模型中获得结果综合考虑，从而获得更加准确的质量得分。可选地，本公开中通过向第一模型中输入非时间特征集合获得第一质量得分，向第二模型输入时间特征序列集合获得对应的第二质量得分，此时，可以综合考虑第一模型与第二模型的输出结果，对第一质量得分与第二质量得分进行融合，同时考虑商家的非时间特征和时间序列特征，以获得商家的综合质量得分。

另外，本公开中第一质量得分可以是第一模型根据非时间特征集合中所有非时间特征综合打分得到，也可以是第一模型根据非时间特征集合中各非时间特征得到的多个打分结果，如针对商家基础信息得到的地址特征、经纬度特征、商家名特征、电话特征、营业时间特征等进行多维度打分，获得该商家的电话质量分，商家名质量分，地址质量分等。

在本公开一种可选的实施例中，所述根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分，包括：

步骤S21、对所述第一质量得分与所述第二质量得分加权，获得所述商家的所述综合质量得分；或，

步骤S22、对所述第一质量得分与所述第二质量得分平均，获得所述商家的所述综合质量得分。

本公开中，在对第一质量得分与第二质量得分进行融合时，可以选择加权的方式进行融合，可选地，可以增大表现较好、准确率较高的模型所得到的结果的权重，降低表现较差、准确率较低的模型所得到的结果的权重，在加权表决中，模型的表现越好，重要度越高，从而能使得结果获得更高的比重，其中，模型的准确率可以通过模型训练过程中模型针对测试数据集的表现来确定，计算模型输出正确结果的样本数与总样本数的比值，从而获得模型的准确率。

另外，在对第一质量得分与第二质量得分进行融合时，还可以选择平均的方式进行融合，通过取平均值的方式融合，可以在一定程度上避免模型预测的过拟合现象，当训练数据集的样本数量不足以支撑复杂的模型时，可能会使得模型学习到训练数据集上的噪音，训练得到的模型难以对未知的数据广泛预测，从而产生过拟合问题，对不同模型输出的结果取平均值，可以通过对结果取平均而减少模型对噪音的考虑，从而降低模型的过拟合问题，对待预测的数据进行准确的预测结果。

在本公开一种可选的实施例中，所述对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合，包括：

步骤S31、对所述若干项特征数据按照时间属性进行分类，得到非时间特征数据和时间特征数据；

步骤S32、对所述非时间特征数据进行特征提取，得到所述非时间特征集合；

步骤S33、对所述时间特征数据进行特征提取并按照时间顺序进行排序，得到所述时间特征序列集合。

本公开中，在获取到商家的若干特征数据后，可以先对特征数据按照时间属性进行分类，将具有时间属性的特征数据归类为时间特征数据，将不具有时间属性的特征数据作为非时间特征数据。

其中，具有时间属性的数据可以是评论、浏览等在时间点上具有连续性的特征数据。可选地，可以通过机器学习模型对特征数据进行分类，在对特征数据分类之前，还可以对特征数据进行初步的清洗，合并等，以评论信息为例，由于当前某些平台有评论超过一定字数则赠予用户积分的机制，因此有时用户在评论中通过大量无意义的文字凑数，对这些数据进行清洗能够提升特征数据的质量，提升模型训练的效率，对于重复的评论可以进行合并，并以标签标示合并的数量从而精简样本，能够采集更多种类的评论，提升样本的多样性。

在对特征数据分类得到非时间特征数据和时间特征数据后，可以分别对非时间特征数据和时间特征数据进行特征提取。例如，对于非时间特征数据如商家基础信息，可以提取如下非时间特征：门头图、文字内容，地址、创建时间等。对于时间特征数据如用户评论，可以提取如下时间特征：评论时间，以及提取如下非时间特征如评论字数、评论内容等。

对于从非时间特征数据提取的多个非时间特征，可以组成非时间特征集合，可以理解，非时间特征数据可以为多个。对于从时间特征数据提取的多个时间特征，可以按照时间顺序排列得到时间特征序列，对于多个时间特征数据对应的多个时间特征序列，可以组成时间特征序列集合。例如，针对商家过去12个月内每个月的交易数据，分别进行特征提取，可以得到每个月的交易数据对应的时间特征，拼起来生成长度为12的时间特征序列，同样地，对于商家过去12个月内每个月的浏览数据，也可以生成长度为12的时间特征序列，将交易数据对应的时间特征序列和浏览数据对应的时间特征序列，可以组成时间特征序列集合。

在本公开一种可选的实施例中，所述计算所述商家的综合质量得分之后，所述方法还包括：

根据所述第一质量得分、所述第二质量得分、以及所述综合质量得分中的至少一项，确定所述商家的质量等级。

本公开中，可以根据所述第一质量得分、所述第二质量得分、以及所述综合质量得分中的至少一项，确定所述商家的质量等级。例如可以对商家的综合质量得分和商家的某个非时间特征对应的第一质量得分进行融合，确定商家的质量等级；或者，对商家的综合质量得分和商家的某个时间特征对应的第二质量得分进行融合，确定商家的质量等级等等。进而可以根据商家的质量等级，执行不同的操作。例如，对于质量等级较高的商家，可以优先推荐给用户；对于质量等级较低的商家，可以进一步核实商家的信息，或者隐藏该商家等，从而可以保证平台商家的质量，优化服务。

在本公开的一种应用示例中，将商家的质量等级划分为5个等级，需要说明都是，具体的等级数量可由实际业务需求灵活确定。例如，将得分为0-0.3的商家划分为第一等级(最低等级)，将得分为0.3-0.6的商家划分为第二等级，将得分为0.6-0.8的商家划分第三等级，将得分为0.6-0.8的商家划分为第四级，将得分为0.8-0.99的商家划分为第五等级(最高等级)。其中，所述得分可以为商家的至少一个非时间特征对应的第一质量得分、和/或所述商家的至少一个时间特征序列对应的第二质量得分、和/或所述商家的综合质量得分。由此，本公开实施例可以在特征维度上评价商家的质量，还可以在整体维度上评价商家的质量，使得评价商家质量更加准确客观。

综上，本公开采用非时间特征和时间特征分别输入对应的第一模型和第二模型，从而获得与非时间特征有关的第一质量得分，与时间序列特征有关的第二质量得分，最终根据第一质量得分与第二质量得分确定的综合质量得分，来对商家质量进行综合评价，从而能够更加全面的对评价商家质量，进而可以提高评价商家质量的准确性。

此外，本发明采用了更多维度的特征数据，在数据采集中，可达近500维特征数据的采集，通过使用商家创建时的基础信息、商家WiFi的扫描和浏览信息，以及商户运营信息等多个维度的信息辅助，对由于曝光度不够的大量没有浏览交易的商家数据有较好的区分，能够更准确的甄别长尾商家，保证更准确的向用户推荐高质量商家，并能够对低质量商家进行及时的下线或优化更正其信息，提升服务质量。

实施例二

参照图2，其示出了在本公开的一个实施例中的商家质量评价装置200的结构图，具体如下。

数据获取模块201，用于获取商家的若干项特征数据；

特征提取模块202，用于对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

第一质量评分模块203，用于将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

第二质量评分模块204，用于将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

综合评分模块205，用于根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

可选的，所述特征提取模块202，包括：

分类子模块，用于对所述若干项特征数据按照时间属性进行分类，得到非时间特征数据和时间特征数据；

提取子模块，用于对所述非时间特征数据进行特征提取，得到所述非时间特征集合；

排序子模块，用于对所述时间特征数据进行特征提取并按照时间顺序进行排序，得到所述时间特征序列集合。

可选地，所述非时间特征数据包括以下至少一项：所述商家的基础信息、连接和扫描信息、运营信息、报错信息；所述时间特征数据包括以下至少一项：所述商家的评论信息、交易信息、浏览信息。

可选地，所述第一模型包括至少两种不同的预置模型；

可选地，所述第一质量评分模块203，还用于将所述非时间特征集合分别输入至少两种不同的预置模型，以输出所述每个非时间特征对应不同所述预置模型的多个模型质量得分；

所述第一质量评分模块203，还用于对所述多个模型质量得分进行融合，以得到所述每个非时间特征对应的所述第一质量得分。

可选地，所述装置还包括：

质量评级模块，用于根据所述第一质量得分、所述第二质量得分、以及所述综合质量得分中的至少一项，确定所述商家的质量等级。

可选地，所述第二评分模块204，包括：

加权评分子模块，用于对所述第一质量得分与所述第二质量得分加权，获得所述商家的所述综合质量得分；或，

平均评分子模块，用于对所述第一质量得分与所述第二质量得分平均，获得所述商家的所述综合质量得分。

可选地，所述第二模型为长短期记忆网络LSTM模型。

综上所述，本公开的实施例提供了一种商家质量评价装置，所述装置包括：数据获取模块，用于获取商家的若干项特征数据；特征提取模块，用于对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；第一质量评分模块，用于将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；第二质量评分模块，用于将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；综合评分模块，用于根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。本公开采用非时间特征和时间特征分别输入对应的第一模型和第二模型，从而获得与非时间特征有关的第一质量得分，与时间序列特征有关的第二质量得分，最终通过第一质量得分与第二质量得分来对商家质量进行综合评价，从而能够更加全面的对评价商家质量，保证更准确的向用户推荐高质量商家，并能够对低质量商家进行及时的下线或优化更正其信息，能够更好地识别曝光度够的大量没有浏览交易记录的数据，区分长尾商家。

本公开的实施例还提供了一种电子设备，参见图3，包括：处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的计算机程序3021，所述处理器执行所述程序时实现前述实施例的商家质量评价方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的商家质量评价方法。

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。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种商家质量评价方法，其特征在于，所述方法包括：

获取商家的若干项特征数据；

对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

2.根据权利要求1所述的方法，其特征在于，所述对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合，包括：

对所述若干项特征数据按照时间属性进行分类，得到非时间特征数据和时间特征数据；

对所述非时间特征数据进行特征提取，得到所述非时间特征集合；

对所述时间特征数据进行特征提取并按照时间顺序进行排序，得到所述时间特征序列集合。

3.根据权利要求2所述的方法，其特征在于，所述非时间特征数据包括以下至少一项：所述商家的基础信息、连接和扫描信息、运营信息、报错信息；所述时间特征数据包括以下至少一项：所述商家的评论信息、交易信息、浏览信息。

4.根据权利要求1所述的方法，其特征在于，所述第一模型包括至少两种不同的预置模型；

所述将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分，包括：

将所述非时间特征集合分别输入至少两种所述不同的预置模型，以输出所述每个非时间特征对应所述不同的预置模型的多个模型质量得分；

对所述多个模型质量得分进行融合，以得到所述每个非时间特征对应的所述第一质量得分。

5.根据权利要求1所述的方法，其特征在于，所述计算所述商家的综合质量得分之后，所述方法还包括：

根据所述第一质量得分、所述第二质量得分、以及所述综合质量得分中的至少一项，确定所述商家的质量等级。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分，包括：

对所述第一质量得分与所述第二质量得分加权，获得所述商家的所述综合质量得分；或，

对所述第一质量得分与所述第二质量得分平均，获得所述商家的所述综合质量得分。

7.根据权利要求1至6任一所述的方法，其特征在于，所述第二模型为长短期记忆网络LSTM模型。

8.一种商家质量评价装置，其特征在于，所述装置包括：

数据获取模块，用于获取商家的若干项特征数据；

特征提取模块，用于对所述若干项特征数据进行数据处理，得到非时间特征集合和时间特征序列集合；

第一质量评分模块，用于将所述非时间特征集合输入第一模型，以输出所述非时间特征集合中每个非时间特征对应的第一质量得分；

第二质量评分模块，用于将所述时间特征序列集合输入第二模型，以输出所述时间特征序列集合中每个时间特征序列对应的第二质量得分；

综合评分模块，用于根据所述第一质量得分和所述第二质量得分，计算所述商家的综合质量得分。

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中一个或多个所述的商家质量评价方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-7中一个或多个所述的商家质量评价方法。

Images