CN113421148B - 商品数据处理方法、装置、电子设备及计算机存储介质 - Google Patents
商品数据处理方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113421148B CN113421148B CN202110735744.8A CN202110735744A CN113421148B CN 113421148 B CN113421148 B CN 113421148B CN 202110735744 A CN202110735744 A CN 202110735744A CN 113421148 B CN113421148 B CN 113421148B
- Authority
- CN
- China
- Prior art keywords
- data
- merchant
- commerce platform
- determining
- period
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了商品数据处理方法、装置、电子设备及计算机存储介质,涉及网络技术领域,尤其涉及深度学习、信息流、知识图谱和自然语言处理等技术领域。具体实现方案为:获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;根据所述商家特征数据以及所述收益贡献预测数据,确定所述商家的商品在所述电商平台上的展示数据。本实施例能够提高商家的商品数据展示的有效性。
Description
技术领域
本公开涉及网络技术领域,尤其涉及深度学习、信息流、知识图谱和自然语言处理等技术领域。
背景技术
随着计算机技术、互联网技术等的发展,用户不仅可以随时随地进行上网操作,还能够通过网络购买商品。随着近些年网络技术的快捷性和便利性的飞速提高,电子商务的发展也随之不断扩大应用领域和应用规模。不仅个体用户能够通过电商的途径购买商品,商户也能够通过电商的途径批发、采购原材料等需要大批量使用的物品。
同时,新的电商平台和不同属性的电商行为也不断出现,为了在竞争中求得生存、寻求长期发展,电商平台自身也需要不断改进,寻找提高收益的新技术手段。
发明内容
本公开提供了一种商品数据处理方法、装置、电子设备及计算机存储介质。
根据本公开的一方面,提供了一种商品数据处理方法,包括:
获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
根据商家特征数据以及收益贡献预测数据,确定商家的商品在电商平台上的展示数据。
根据本公开的另一方面,提供了一种商品数据处理装置,包括:
获取模块,用于获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
展示数据确定模块,用于根据商家特征数据以及收益贡献预测数据,确定商家的商品在电商平台上的展示数据。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开实施例能够根据商家特征数据以及在目标预测周期内的收益贡献预测数据,确定商家的商品在电商平台上的展示数据,使得商家的商品在电商平台上的展示方式,能够尽可能为电商平台带来更大的收益。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的商品数据处理方法示意图;
图2是根据本公开另一实施例的商品数据处理方法示意图;
图3是根据本公开一实施例的商品数据处理装置示意图;
图4是根据本公开另一实施例的商品数据处理装置示意图;
图5是根据本公开又一实施例的商品数据处理装置示意图;
图6是根据本公开一示例的商品数据处理装置示意图;
图7是根据本公开另一示例的商品数据处理装置示意图;
图8是用来实现本公开实施例的商品数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开实施例首先提供一种商品数据处理方法,如图1所示,包括:
步骤S11:获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
步骤S12:根据商家特征数据以及收益贡献预测数据,确定商家的商品在电商平台上的展示数据。
本实施例中,商家特征数据可以是与商家自身特点相关的数据,比如商家实际成交量、成交量变化趋势、商家类别、商家产品价格、商家产品级别、商家产品类别、商家年限、商家可出售的商品总数量、商家纠纷量等等。
商家特征数据还可以是商家与最近发生、在目标预测周期内发生或近期即将发生的重大事件的相关程度,比如,商家销售某比赛的纪念物品,则商家与即将发生的某比赛相关程度较高。再如,由于季节反常等原因导致气温突变,商家销售突变后的气温下的生活用品,则商家与气温突变的重大事件相关程度较高。
商家特征数据可以从电商平台的记录以及商家在电商平台上登记提供的数据中获取。
在一些实现方式中,凡是与商家对电商平台的收益贡献量有关的、商家自身的数据,都可以作为商家特征数据。
在一些实现方式中,目标预测周期可以是与商家的商品在电商平台上的展示数据更新周期相关的预测周期。比如,若商家的商品在电商平台上的展示数据更新周期为一个星期,则目标预测周期也可以为一个星期。再如,若商家的商品在电商平台上的展示数据的更新周期为一个特殊季度,则目标预测周期可以为下一个特殊季度。
本实施例中,一个自然周期,比如一个星期、一个月、一年等自然周期中,可包括一个或多个目标预测周期,各目标预测周期的长度可以相同也可以不同。
本实施例中,商家对电商平台的收益贡献预测数据,可以是电商平台的收益总预测数据中,商家所占比例。也可以是商家对电商平台带来的收益绝对数据的预测值,比如商家可能销售的商品的数量、价格等。
在一些实施方式中,可以通过训练模型,计算商家在目标预测周期内对电商平台的收益贡献预测数据。可针对不同类型的商品、不同类型的销售方式等,分别训练不同类型的预测模型。进一步的,还可针对重点商家各生成一个预测模型,重点商家可以是电商平台根据商家特征、市场环境等信息人为认定的商家,也可以是根据销售数额、金额等数据客观认定的商家。再进一步的,可以针对新商家和老商家分别训练不同的预测模型,即,获取目标预测周期内的商家对电商平台的收益贡献预测数据,可以是利用与商家年限(或者类别等)对应的预测模型,获取目标预测周期内的商家对电商平台的收益贡献预测数据。
可以在执行步骤S11之前,首先获得需要向用户展示的商品,根据商品确定商家,然后针对每个商家,执行步骤S11-S12。比如,在一些实施方式中,获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据之前,还可包括:根据用户的商品搜索请求,获得电商平台的相关商家;针对相关商家,分别执行图1所示的步骤S11和S12。本实施例中的用户,可以是在电商平台上进行消费购物的用户。
在另一些实施方式中,获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据之前,还可包括:根据市场发展趋势和用户画像,确定可向用户推荐的商品;根据可向用户推荐的商品,确定提供相应商品的相关商家;针对相关商家,分别执行图1所示的步骤S11和S12。
本实施例中,在确定商家后,可获取与商家对应的模型,包括收益贡献预测数据的预测模型和/或用于确定展示数据的权益分配模型。
本实施例中,根据商家特征数据以及收益贡献预测数据,确定商家的商品在电商平台上的展示数据,可以是根据商家特征数据以及收益贡献预测数据综合判断商家的重要性,将重要性高的商家展示在电商平台上醒目的位置或更容易被客户浏览到的位置。
在另一种实现方式中,确定商家的商品在电商平台上的展示数据,可以包括:根据商家提供的商品链接等商品展示数据以及用户最近的购买喜好,从中筛选向用户展示的直观数据,可作为商家商品链接的缩略数据进行展示。
在另一些实现方式中,确定商家的商品在电商平台上的展示数据,可以是确定目标预测周期对应的时间内,商家的商品在电商平台上的展示数据。从而提高商家的商品在电商平台上的展示数据的时效性,保证商家的商品在电商平台上的展示数据、确定展示数据的方式随着电商平台、商家、用户喜好等因素的变化而变化。
本实施例中,能够根据商家特征数据以及在目标预测周期内的收益贡献预测数据,确定商家的商品在电商平台上的展示数据,使得商家的商品在电商平台上的展示方式,能够尽可能为电商平台带来更大的收益。同时,在目标预测周期内预测商家对电商平台的收益贡献预测数据,使得商家的商品在电商平台上的展示数据能够与其收益随着时间的变化相适应。
在一种实施方式中,获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据,包括:
获取商家在第一历史时期内对电商平台的收益贡献实际数据;
根据商家在第一历史时期内对电商平台的收益贡献实际数据,预测收益贡献预测数据。
本实施例中,商家的商家特征数据可能会随着商家规模的扩大、商家资历的增长而发生变化。因此,第一历史时期可以是距离当前时间最近的设定时期,比如最近一年、最近一个季度、最近一个月等。
本实施例中,根据商家在第一历史时期内对电商平台的收益贡献实际数据,预测收益贡献预测数据,可以是利用统计学方法,预测收益贡献预测数据;也可以是将商家在第一历史时期内对电商平台的收益贡献实际数据输入训练好的预测模型,获得预测模型输出的预测数据。
本实施例中,根据商家在第一历史时期内对电商平台的收益贡献实际数据,预测收益贡献预测数据,从而能够对商家在目标预测周期内对电商平台的收益贡献情况有较为准确的预测,进而能够更为准确地确定商家在电商平台上的展示数据。
在一种实施方式中,获取商家在第一历史时期内对电商平台的收益贡献实际数据,包括:
获取商家属性维度的第一特征数据、第一历史时期的时间维度的第二特征数据以及商家在第一历史时期内对电商平台的收益贡献量在窗口统计维度的第三特征数据;
将第一特征数据、第二特征数据和第三特征数据进行交叉融合,获得交叉特征数据;
将交叉特征数据作为商家在第一历史时期内对电商平台的收益贡献实际数据。
在其它实施例中,也可以将第三特征数据单独进行变化规律的计算,根据第三特征数据的变化规律预测目标预测周期内的第三特征数据,作为商家对电商平台的收益贡献预测数据。
本实施例中,商家属性可以是商家品牌、商家规模、商家企业规模、商家信用度、商家是否拥有驰名商标、商家的商品受众等所有可能影响到目标周期内电商平台实际收益的属性。
本实施例中,第一历史时期的时间维度的第二特征数据,可以是第一历史时期在时间上的特点,比如,第一历史时期是否特殊时期、是否具有特定意义(纪念日整数周年)、是否有特定事件发生、季节气候等自然特征等等。
本实施例中,商家在第一历史时期内对电商平台的收益贡献量在窗口统计维度的第三特征数据,可以是商家在第一历史时期内,对电商平台的收益贡献量,以单位统计时间(自然日、自然周等)为准计算获得的统计学的度量,比如,方差、均值、标准差、线性回归方程、标准正态分布等等。
本实施例中,能够获取商家属性维度的第一特征数据、第一历史时期的时间维度的第二特征数据以及商家在第一历史时期内对电商平台的收益贡献量在窗口统计维度的第三特征数据,根据这些数据交叉融合结果,获得第一历史时期内对电商平台的收益贡献实际数据,从而使得收益贡献实际数据的获得不仅考量绝对的数字收益,还综合考量商家的属性、第一历史时期的时间段特殊性等方面,从而使得计算获得的商家对电商平台的收益贡献实际数据更为客观。
在一种实施方式中,获取商家属性维度的第一特征数据,包括:
获取商家的至少一种属性数据;
将至少一种属性数据进行标签化,得到第一特征数据。
将至少一种属性数据进行标签化,可以是将至少一种属性数据转换为模型能够处理的标签信息。
在另一种实现方式中,将至少一种属性数据进行标签化,还可以是将至少一种属性数据转换为同一纬度的信息,比如,将文字属性转换为实际数据。具体例如,商家规模属性可分为大、中、小三种规模,分别对应三个数字,则可在计算时,将商家属性规模这一属性数据转换为具体的数字,方便后续的计算操作。
本实施例中,将至少一种属性数据进行标签化,得到第一特征数据,从而便于使用模型或公式进行处理,将不同格式的属性数据进行利用,得到最终的商家贡献实际数据。
在一种实施方式中,获取第一历史时期的时间维度的第二特征数据,包括:
获取第一历史时期内的各指定周期的自然日属性变化状况;
根据自然日属性变化状况,确定用户对商家的产品的购买周期;
根据购买周期,确定第二特征数据。
本实施例中,自然日属性变化状况,可包括自然日属性随着时间推移的变化状况,比如,自然日是否工作日、是否节假日、是否纪念日、是否为假期到工作日或工作日到假期的过渡日、月末、月初等。
根据自然日属性变化状况,确定用户对商家的产品的购买周期,可以是,根据在第一历史时期内的自然日属性变化状况,确定用户对产品的购买量、评价标准、购买要求、搜索兴趣等随着时间推移呈现出有规律变化的周期。比如,用户对A产品的购买量呈现每逢B假日达到高峰的规律,则确定以B假日为参考点的A产品购买周期。
根据购买周期,确定第二特征数据,可以是确定第一历史时期内包含的购买周期的情况、第一历史时期与购买周期的重合情况等,将这些情况转换为数据,作为第二特征数据。
由于商品购买具有一定的季节性,可能某段时间内商家为了促进自己的商品,在电商平台上回答了大量的问题,或者通过其它操作提升商品的点击率、购买率,如果直接统计过去一段时间某种参数来确定商家的商品在电商平台上的展示数据,则可能会造成较大的权重偏差,进而导致商家权益分配无法最大化且分配不能动态调整。本实施例中,能够确定第一历史时期内的购买周期,通过购买周期确定第二特征数据,从而,能够根据第二特征数据客观确定商家在第一历史时期内对电商平台的实际贡献数据。根据第一历史时期内的购买周期,对商家的实际贡献数据进行计算,能够提高计算结果的客观性和准确性。
在一种实施方式中,如图2所示,获取商家在第一历史时期内对电商平台的收益贡献量在窗口统计维度的第三特征数据,包括:
步骤S21:获取第一历史时期内商家针对用户提问的问题的回答内容;
步骤S22:根据回答内容,确定第一历史时期内商家对电商平台的收益贡献量;
步骤S23:根据收益贡献量,确定第一历史时期内的统计窗口的统计值;
步骤S24:根据统计值,确定第三特征数据。
本实施例中,商家针对用户提问的问题的回答内容,可以是电商平台提供的专门的问答版块内,商家针对用户提问的问题的回答内容;还可以是商家通过各种其它途径针对用户提问的问题的回答内容。
根据回答内容,确定第一历史时期内商家对电商平台的收益贡献量,可以是根据用户对回答内容的反馈等信息,确定收益贡献量。
收益贡献量可以是商家的回答对收益的预估贡献量,也可以是商家回答中的有效回答数量。
本实施例中,统计值可以是采用统计学方法计算的统计结果数值,例如,总值、均值、加权均值、方差、均方差、标准方差、协方差等等。在另一些实施例中,统计值还可以是采用统计学公式、模型拟合或计算获得的结果、方程参数等等。
本实施例能够通过商家对用户问题的回答为出发点,以点击转化、用户体验为目标来赋予商家不同的商品展示数据的优先权益,从而实现更高的用户转化率,同时为用户推荐更为合适的商品,提高用户体验。
本实施例中,通过收益贡献量在第一历史时期内的统计窗口的统计值,确定第三特征值,从而后续能够根据第三特征值更为准确、客观地确定商家对电商平台的实际贡献数据。本实施例中,考虑到统计窗口对权重的影响太大会导致商家权重分配不平衡问题,还可通过调整统计窗口的大小,或者第三特征值对应的权重,来平衡商家权益(优先展示商品权益)的分配。
同时,本公开实施例中,可以根据第一历史时期内商家针对用户提问的问题的回答内容,确定第三特征值,从而能够提高用户和商家的互动程度,提高用户对电商平台的粘性。
在一些实施方式中,根据回答内容,确定第一历史时期内商家对电商平台的收益贡献量,包括:
根据回答内容,确定有效回答的数量以及有效回答的质量;
根据有效回答的数量以及有效回答的质量,确定第一历史时期内商家对电商平台的收益贡献量。
本实施例中,有效回答可以是用户给予一定响应操作的回答,可以包括有效浏览、回复、点赞、转发等行为对应的回答,还可以包括引起用户浏览行为到购买行为的转化的回答的。
本实施例中,通过统计有效回答,使得对商家对电商平台收益的实际贡献数据的计算更为客观。
在一种实施方式中,根据回答内容,确定有效回答的质量,包括:
根据用户对有效回答的反馈数据,确定有效回答的质量;反馈数据包括用户根据有效回答产生的购买行为数据和用户针对有效回答的回复行为数据中的至少一种。
用户根据有效回答产生的购买行为数据,可以是用户根据有效回答,点击商家提供的链接,或者点击商家店铺最终进行购买、完成支付(可包括最终退货或者未退货)的行为数据。
回复行为数据,可以包括以文字方式回复或以其它方式进行回复,比如,进行点赞、转发等操作。
本实施例中,有效回答可以是答复内容和问题存在一定匹配度的回答,从而能够筛选商家为单纯提高数量而提供的无意义答复、机器答复内容等。
本实施例中,根据用户的回复行为或购买行为,确定商家回答的问题的质量,从而能够有效过滤没有必要的答复内容,确保商家实际贡献数据的计算结果的客观性。同时,本实施例量用户的回复行为或购买行为中的至少一种,从而能够客观考虑到商家的回答能否带来更多的商品点击和转化,提高对商家的回答内容质量的考量,有利于最终提高商品的点击和购买率。
在一种实施方式中,商家的商品在电商平台上的展示数据,包括商家的商品在商品搜索界面的排序和商家的商品在商品推荐界面的排序中的至少一种。
本实施例中,商品推荐界面可以是电商平台网络首页、网络页面、电商移动终端APP(Application,应用)界面、电商网络应用程序界面、电商特设终端界面等。
本实施例中,能够根据商家特征数据和商家对电商平台的收益贡献预测数据,确定商家在商品搜索界面的排序或商家在商品推荐界面的排序,从而能够根据商家的可盈利性为用户提供有效的推荐数据,同时也能够实现电商平台的收益尽可能的最大化。
在一种实施方式中,商家特征数据,包括:第二历史时期内的商家商品质量数据、商品数量数据、商品点击率数据中的至少一种。
本实施例中,可对商家商品质量数据、商品数量数据、商品点击率数据进行归一化等操作,统一为同一维度的数据,便于后续计算。
本实施例中,结合商家特征数据,对商家的商品在电商平台上的展示数据进行确定,从而使得电商平台对商家的商品展示更加合理。
本公开一种示例中,商品数据处理方法可应用于to B电商(to Business,面向企业)类型的电商平台,也可以应用于to C(to client,面向用户)类型的电商平台。即,本公开实施例可应用于无季节、时间变化的商品购买或销售平台(如日用品购买销售平台),也可以应用于商品使用存在季节、时间差异的商品的购买平台(如原材料采购平台、季节性水果蔬菜采购平台)。
电商平台可通过制作问答版块、制作问答卡等,使得用户能够提出与电商平台的商品相关的问题,根据商家对问题的答复状况、答复内容、答复质量等,对商家在电商平台的权益(与商家的商品在电商平台上的展示数据相关)进行分配。根据会员商家对用户问答的贡献度进行会员商家的权益分配,一方面可以提升用户对电商平台的依赖程度,另一方面可以促进平台的内容丰富度和用户的活跃度进而提升用户的点击和转化。
本公开实施例还提供一种商品数据处理装置,如图3所示,包括:
获取模块31,用于获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
展示数据确定模块32,用于根据商家特征数据以及收益贡献预测数据,确定商家的商品在电商平台上的展示数据。
在一种实施方式中,如图4所示,获取模块包括:
实际数据获取单元41,用于获取商家在第一历史时期内对电商平台的收益贡献实际数据;
预测单元42,用于根据商家在第一历史时期内对电商平台的收益贡献实际数据,预测收益贡献预测数据。
在一种实施方式中,如图5所示,实际数据获取单元还包括:
第一获取子单元51,用于获取商家属性维度的第一特征数据;
第二获取子单元52,用于获取第一历史时期的时间维度的第二特征数据;
第三获取子单元53,用于获取商家在第一历史时期内对电商平台的收益贡献量在窗口统计维度的第三特征数据;
交叉融合子单元54,用于将第一特征数据、第二特征数据和第三特征数据进行交叉融合,获得交叉特征数据;
交叉数据子单元55,用于将交叉特征数据作为商家在第一历史时期内对电商平台的收益贡献实际数据。
在一种实施方式中,第一获取子单元还用于:
获取商家的至少一种属性数据;
将至少一种属性数据进行标签化,得到第一特征数据。
在一种实施方式中,第二获取子单元还用于:
获取第一历史时期内的各指定周期的自然日属性变化状况;
根据自然日属性变化状况,确定用户对商家的产品的购买周期;
根据购买周期,确定第二特征数据。
在一种实施方式中,第三获取子单元还用于:
获取第一历史时期内商家针对用户提问的问题的回答内容;
根据回答内容,确定第一历史时期内商家对电商平台的收益贡献量;
根据收益贡献量,确定第一历史时期内的统计窗口的统计值;
根据统计值,确定第三特征数据。
在一种实施方式中,第三获取子单元还用于:
根据回答内容,确定有效回答的数量以及有效回答的质量;
根据有效回答的数量以及有效回答的质量,确定第一历史时期内商家对电商平台的收益贡献量。
在一种实施方式中,第三获取子单元还用于:
根据用户对有效回答的反馈数据,确定有效回答的质量;反馈数据包括用户根据有效回答产生的购买行为数据和用户针对有效回答的回复行为数据中的至少一种。
在一种实施方式中,商家的商品在电商平台上的展示数据,包括商家的商品在商品搜索界面的排序和商家的商品在商品推荐界面的排序中的至少一种。
在一种实施方式中,商家特征数据,包括:第二历史时期内的商家商品质量数据、商品数量数据、商品点击率数据中的至少一种。
在本公开一种示例中,如图6所示,商品数据处理装置还可以包括:商家加权贡献度预测模块61和商家权重设计模块62。
其中,商家加权贡献度预测模块61可用于,按天选取过去一年所有商家按周求和的商家回复数量以及用户点赞数量,将用户点赞数量归一化,通过点赞数量的因子调整商家的回复数量,得到商家回复数量中的有效回复的数量。之后提取商家相关特征,最后通过训练后的Lightgbm(Light Gradient Boosting Machine,轻型梯度促进机)模型对商家未来一周(或者其它设定目标预测周期)的加权贡献度进行预测。
商家权重设计模块62可用于:以用户点击量为目标,建立基于质量、商品数量以及商品贡献度的多因子函数,通过过去历史一年的数据对多因子函数进行拟合,得出最优的多因子函数系数,根据多因子函数目标值对商家的商品在电商平台上的展示数据、展示权限、展示顺序中和推荐中的优先级等进行权益分配。
在本公开一种示例中,商品数据处理装置还可包括如图7所示的主要组成结构,即:预测数据处理模块71、模型预测模块72、商家权益分配模块73。
其中,预测数据处理模块71能够对第一历史时期内的商家实际贡献数据和用户点击数据进行平滑处理等数理统计学处理,具体可以按周求和商家的答复内容贡献数量,按周求和商家的答复内容被用户点击的点击数量,针对点击数量,按照商家维度用每个商家的点击量处于总点击量得到商家加权系数;通过加权系数对每个商家的答复内容贡献数量进行加权,得到加权乘积。电商问答模块可以通过商家回答用户的相关问题,并在问答的列表页插入商家的相关商品链接来促使用户进行点击商品链接,和将浏览商品或回答内容的行为转换为用户的购买行为。在这个过程中,商家对电商平台上的问题的答复内容的贡献度,很大程度决定了用户在平台的点击和转化行为,因此,正确衡量用户的贡献度是后续进行商家权益分配的重要一步。
针对某些电商行业周期性比较强的特点,可选择过去第一历史时期(比如一年)内商家对问题的答复内容对应的贡献数量,和商家对问题的答复内容被用户点击的个数。现实情况中,可能存在商家回答问题的答复内容的数量很大,但是由于质量问题而不被用户点击。针对这种情况,可通过商家内容被用户点击在所有商品中的占比来乘以商家问答贡献数量,从而得到用户加权后的商家贡献度。
在一些情况下,用户行为可能相对比较稀疏,并存在一定的周期性。针对这种现象,为了增加后续对商家贡献度预测的准确度以及能够更好的捕捉到用户行为的周期性,可以将商家内容的贡献数量按周进行求和,以此来平滑用户数据稀疏的问题。同时为了防止商家通过一些手段构建大量质量较差的内容,可以统计每周内容列表中商品被点击的个数,使用点击的个数除以总的点击数量从而得到每个商家的点击占比,将这个点击占比作为商家贡献数量的调整系数,从而得到最终加入用户点击加权后的商家贡献度。
由于在一些特殊商品的买卖过程中,电商用户购买行为具有较强的周期性和季节性,若仅通过统计过去一段时间内的商家贡献度作为商家权重的分配方法,则可能因为只是简单统计商家在时序上的权重而且时效性较差;同时由于没有运行考虑商家自身的一些特征,会导致商家权重分配不合理且由于预测准确度较差而导致最终带来的点击转换较差的问题。因此,本实施例中的模型预测模块72可以从时序纬度、商家纬度来获取相关特征,并以时序维度、商家维度的特征作为输入数据,通过Lightgbm模型来预测未来商家未来一周的贡献度。
从商家纬度,对于某些类型的电商业务的商家,由于地区、环境的不同所形成的商家文化不同,最终反应到商家内容的创作上的差异,为了能够更好的刻画出这方面不同所带来的商家贡献度的差异,模型预测模块72可以对商家将地理位置、企业规模、企业产业链中的位置、员工数量、企业所属的行业、商品的数量、商品均价等多个商家纬度的特征信息进行标签化,从而得到能够区分商家因素对贡献度的影响。
从时序纬度,考虑到某些类型的电商用户行为的长尾特性,且节假日、季度、非工作日用户的行为差异变化较大,因此,若在具体示例中,按照周的纬度去统计商家的贡献度,则可统计每个月的工作日和非工作日的天数、每周中的工作日和非工作日的天数、是否工作日和节假日进行叠加、一周中重大节日的天数、周是否跨月、是否是季度末周等等。通过这些时间或自然日的特征可以很清晰的刻画某些类型电商的用户购买行为的周期性。
针对其它特征,考虑到对商家的贡献度预测问题,本质上还是一个回归问题,因此可以统计每个商家的贡献度的统计(时序)窗口特征,比如:过去一个月的贡献度的均值、方差、中位数等。这些统计窗口特征,可作为预测模型的中间数据。
在具体示例中,可通Lightgbm或LSTM(Long Short Term Memory,长短期记忆)模型将商家纬度、时序纬度以及窗口统计纬度的特征进行交叉融合,从而得到能够刻画商家在不同时间点的贡献度的特征组合,将过去一年的数据和这些特征调整参数训练模型,最后得到能够快速准确预测未来商家一周贡献度的模型。
考虑到某些类型电商(比如to B电商)的用户进行一次购买都是批量的,因此对商品的质量和可选数量要求需要设置得比较苛刻,仅基于质量或者用户数量来进行商家权益分配会遇到无法满足用户的全面需求、而且存在不是较优的分配方法、分配方法不灵活的问题。本实施例中,为了解决这个问题,商家权益分配模块73可以建立以整体用户点击率为目标,商家加权内容贡献度、商家的商品数量以及商家整体商品的质量为影响因子的目标函数,具体的表达式如下所示:
S=αx1+bx2+cx3+dx4
其中,s为每个商家的最后权益分,x1为商家商品点击率,x2为商家商品数量,x3为商家商品质量,x4为商家未来内容贡献度。a、b、c、d可以为权重或权益分配系数,可由预测模型或者权益分配模型进行学习获得。
对于上述的目标函数,可将最终计算结果作为最后对商家的权益分配时的参考值。为了使得上述的目标函数的值最优化,可通过求解方程组的方法,得到过去一年数据(或者其它设定时间)中使得目标函数达到最优解时的各个因子的影响系数,从而得到最后可以通过预测未来商家一周的贡献度再结合商家的商品数量和商品质量来预测未来一周商家的权益系数。
由于很多的电商商家入驻不到一年或者只有几个月,这种如果和超过一年的商家放到一起进行训练的话对商家权益分配会有较大的损失,为了解决这个问题,通过对所有商家的入驻时间进行直方图分布分析,从入驻时间进行数据分布分析,将商家分为新老商家群体,针对这两个不同商家群体的商家分别做一套不同系数的商家分配模型,因此来达到商家权益分配的最优化。
本公开实施例能有效的改善基于质量和商家贡献数量来根据商家对问题的答复内容进行,改善分配效果和分配时效。从而使得电商的商家权益分配方法可以达到商家权益分配的最优解,同时可以实时的捕捉用户(买家)和商家之间的贡献关系来动态调整商家权益分配,从而使得商家权益分配高效、准确。
本公开实施例可应用于网络技术领域,尤其可应用于深度学习、信息流、知识图谱和自然语言处理(Natural Language Processing,NLP)等技术领域。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如商品数据处理方法。例如,在一些实施例中,商品数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的商品数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行商品数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种商品数据处理方法,包括:
获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
根据所述商家特征数据以及所述收益贡献预测数据,确定所述商家的商品在所述电商平台上的展示数据;
其中,所述获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据,包括:
获取商家属性维度的第一特征数据、第一历史时期的时间维度的第二特征数据以及商家在第一历史时期内对所述电商平台的收益贡献量在窗口统计维度的第三特征数据;
将所述第一特征数据、第二特征数据和第三特征数据进行交叉融合,获得交叉特征数据;
将所述交叉特征数据作为所述商家在第一历史时期内对所述电商平台的收益贡献实际数据;
根据所述商家在第一历史时期内对所述电商平台的收益贡献实际数据,预测所述收益贡献预测数据;
其中,获取第一历史时期的时间维度的第二特征数据,包括:
获取第一历史时期内的各指定周期的自然日属性变化状况;
根据所述自然日属性变化状况,确定用户对所述商家的产品的购买周期;
根据所述购买周期,确定所述第二特征数据;
其中,所述获取商家在第一历史时期内对所述电商平台的收益贡献量在窗口统计维度的第三特征数据,包括:
获取第一历史时期内所述商家针对用户提问的问题的回答内容,所述回答内容包括有效回答的数量以及有效回答的质量;
根据所述回答内容,确定所述第一历史时期内所述商家对所述电商平台的收益贡献量;
根据所述收益贡献量,确定所述第一历史时期内的统计窗口的统计值;
根据所述统计值,确定所述第三特征数据。
2.根据权利要求1所述的方法,其中,所述获取商家属性维度的第一特征数据,包括:
获取所述商家的至少一种属性数据;
将所述至少一种属性数据进行标签化,得到所述第一特征数据。
3.根据权利要求1所述的方法,其中,所述根据所述回答内容,确定所述第一历史时期内所述商家对所述电商平台的收益贡献量,包括:
根据所述回答内容,确定有效回答的数量以及有效回答的质量;
根据有效回答的数量以及有效回答的质量,确定所述第一历史时期内所述商家对所述电商平台的收益贡献量。
4.根据权利要求3所述的方法,其中,所述根据所述回答内容,确定有效回答的质量,包括:
根据用户对有效回答的反馈数据,确定所述有效回答的质量;所述反馈数据包括用户根据所述有效回答产生的购买行为数据和用户针对所述有效回答的回复行为数据中的至少一种。
5.根据权利要求1-4中任意一项所述的方法,其中,所述商家的商品在所述电商平台上的展示数据,包括所述商家的商品在商品搜索界面的排序和所述商家的商品在商品推荐界面的排序中的至少一种。
6.根据权利要求1-4中任意一项所述的方法,其中,所述商家特征数据,包括:第二历史时期内的商家商品质量数据、商品数量数据、商品点击率数据中的至少一种。
7.一种商品数据处理装置,包括:
获取模块,用于获取商家的商家特征数据以及目标预测周期内的商家对电商平台的收益贡献预测数据;
展示数据确定模块,用于根据所述商家特征数据以及所述收益贡献预测数据,确定所述商家的商品在所述电商平台上的展示数据;
其中,所述获取模块包括:
实际数据获取单元,用于获取所述商家在第一历史时期内对所述电商平台的收益贡献实际数据;
预测单元,用于根据所述商家在第一历史时期内对所述电商平台的收益贡献实际数据,预测所述收益贡献预测数据;
其中,所述实际数据获取单元还包括:
第一获取子单元,用于获取商家属性维度的第一特征数据;
第二获取子单元,用于获取第一历史时期的时间维度的第二特征数据;
第三获取子单元,用于获取商家在第一历史时期内对所述电商平台的收益贡献量在窗口统计维度的第三特征数据;
交叉融合子单元,用于将所述第一特征数据、第二特征数据和第三特征数据进行交叉融合,获得交叉特征数据;
交叉数据子单元,用于将所述交叉特征数据作为所述商家在第一历史时期内对所述电商平台的收益贡献实际数据;
其中,所述第二获取子单元还用于:
获取第一历史时期内的各指定周期的自然日属性变化状况;
根据所述自然日属性变化状况,确定用户对所述商家的产品的购买周期;
根据所述购买周期,确定所述第二特征数据;
所述第三获取子单元还用于:
获取第一历史时期内所述商家针对用户提问的问题的回答内容,所述回答内容包括有效回答的数量以及有效回答的质量;
根据所述回答内容,确定所述第一历史时期内所述商家对所述电商平台的收益贡献量;
根据所述收益贡献量,确定所述第一历史时期内的统计窗口的统计值;
根据所述统计值,确定所述第三特征数据。
8.根据权利要求7所述的装置,其中,所述第一获取子单元还用于:
获取所述商家的至少一种属性数据;
将所述至少一种属性数据进行标签化,得到所述第一特征数据。
9.根据权利要求7所述的装置,其中,所述第三获取子单元还用于:
根据所述回答内容,确定有效回答的数量以及有效回答的质量;
根据有效回答的数量以及有效回答的质量,确定所述第一历史时期内所述商家对所述电商平台的收益贡献量。
10.根据权利要求9所述的装置,其中,所述第三获取子单元还用于:
根据用户对有效回答的反馈数据,确定所述有效回答的质量;所述反馈数据包括用户根据所述有效回答产生的购买行为数据和用户针对所述有效回答的回复行为数据中的至少一种。
11.根据权利要求7-10中任意一项所述的装置,其中,所述商家的商品在所述电商平台上的展示数据,包括所述商家的商品在商品搜索界面的排序和所述商家的商品在商品推荐界面的排序中的至少一种。
12.根据权利要求7-10中任意一项所述的装置,其中,所述商家特征数据,包括:第二历史时期内的商家商品质量数据、商品数量数据、商品点击率数据中的至少一种。
13. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735744.8A CN113421148B (zh) | 2021-06-30 | 2021-06-30 | 商品数据处理方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735744.8A CN113421148B (zh) | 2021-06-30 | 2021-06-30 | 商品数据处理方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421148A CN113421148A (zh) | 2021-09-21 |
CN113421148B true CN113421148B (zh) | 2023-08-18 |
Family
ID=77717291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735744.8A Active CN113421148B (zh) | 2021-06-30 | 2021-06-30 | 商品数据处理方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421148B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841780B (zh) * | 2022-05-24 | 2023-01-13 | 深圳市禾葡兰信息科技有限公司 | 一种基于大数据分析的数字化客群服务社群智能管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8812371B1 (en) * | 2011-08-23 | 2014-08-19 | Amazon Technologies, Inc. | Using feedback to reconcile catalog item attributes |
CN106844344A (zh) * | 2017-02-06 | 2017-06-13 | 厦门快商通科技股份有限公司 | 用于对话的贡献度计算方法及主题抽取方法和系统 |
CN110490699A (zh) * | 2019-08-06 | 2019-11-22 | 田祚玉 | 一种健康产品的平台处理方法 |
CN111159617A (zh) * | 2020-01-10 | 2020-05-15 | 腾讯科技(深圳)有限公司 | 多媒体内容的分发控制方法和装置以及内容管理系统 |
CN111967901A (zh) * | 2020-07-31 | 2020-11-20 | 深圳市彬讯科技有限公司 | 广告商家排序方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180096407A1 (en) * | 2016-04-01 | 2018-04-05 | Alex NEAL | Historic value based predictive options commerce |
-
2021
- 2021-06-30 CN CN202110735744.8A patent/CN113421148B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8812371B1 (en) * | 2011-08-23 | 2014-08-19 | Amazon Technologies, Inc. | Using feedback to reconcile catalog item attributes |
CN106844344A (zh) * | 2017-02-06 | 2017-06-13 | 厦门快商通科技股份有限公司 | 用于对话的贡献度计算方法及主题抽取方法和系统 |
CN110490699A (zh) * | 2019-08-06 | 2019-11-22 | 田祚玉 | 一种健康产品的平台处理方法 |
CN111159617A (zh) * | 2020-01-10 | 2020-05-15 | 腾讯科技(深圳)有限公司 | 多媒体内容的分发控制方法和装置以及内容管理系统 |
CN111967901A (zh) * | 2020-07-31 | 2020-11-20 | 深圳市彬讯科技有限公司 | 广告商家排序方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
电商平台用户再购物行为的预测研究;吕泽宇;李纪旋;陈如剑;陈东明;;计算机科学(S1);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421148A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12039564B2 (en) | Method and system for generation of at least one output analytic for a promotion | |
Pauwels et al. | The long-term effects of price promotions on category incidence, brand choice, and purchase quantity | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
US20110208585A1 (en) | Systems and Methods for Measurement of Engagement | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
CN112528153B (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
US20160180455A1 (en) | Generating device, generating method, and non-transitory computer readable storage medium | |
US11321724B1 (en) | Product evaluation system and method of use | |
Adirinekso et al. | The role of price and service convenience on jakarta's consumer purchase decisions in top 5 marketplace mediated by consumer's perceived value | |
TWI652639B (zh) | 產品優惠組合推薦系統與方法 | |
JP2019504406A (ja) | 販売促進用表示のための商品選択のシステム及び方法 | |
JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
Gai et al. | Analysis of The Influence of Digital Payment Process, Quality of Application, and Online Service on Repurchase Intention of Online Shopping Platform Customers | |
Ando | Merchant selection and pricing strategy for a platform firm in the online group buying market | |
Mykhalchuk et al. | Development of recommendation system in e-commerce using emotional analysis and machine learning methods | |
CN113421148B (zh) | 商品数据处理方法、装置、电子设备及计算机存储介质 | |
Sharma et al. | Best seller rank (bsr) to sales: An empirical look at amazon. com | |
JP7091024B2 (ja) | 算出装置、算出方法及び算出プログラム | |
KR20230057679A (ko) | 빅데이터에 기반한 온-오프라인 재고관리 시스템 및 방법 | |
Lady et al. | Analysis of E-Marketing Implementation in Mediating the Effect of Strategic Market Orientation on Strategic Mses Performance | |
Patil et al. | A Web Application for Customer Segment based Black Friday Sales Forecast | |
KR20210096936A (ko) | 검색 키워드를 이용한 오픈마켓 통합 관리 시스템 | |
Vasilieva | The Sales funnel in Unit-economy indicators as an effective tool of Technological Entrepreneurship |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |