CN113744024A - 一种商家匹配方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种商家匹配方法、装置、计算机设备及存储介质，涉及大数据和人工智能技术。该方法包括：根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，商家匹配模型配置参数包括多维度的商家匹配因子和各商家匹配因子的权重；商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；获取用户提供的商品询价数据，并根据商品询价数据匹配备选的商家匹配列表；根据各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度；根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家。本发明实施例的技术方案能够提高商家匹配的合理性、可靠性和准确性。

Description

一种商家匹配方法、装置、计算机设备及存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及大数据处理技术和人工智能技术，尤其涉及一种商家匹配方法、装置、计算机设备及存储介质。

背景技术

商品，指满足人们某种需要的，用来交换的劳动产品。为了规范商品交易的流程，提高商品交易的效率，商品交易平台通常会采用系统竞价的方式为用户优选商家报价。

以汽车配件为例说明，中小型修理厂的零配件采购渠道多样化，零配件质量无法得到保障，会产生维修理赔后续的相关问题，导致用户服务体验差，影响保险销售和业界口碑。用户在进行汽车保险以及维修选择时，一般只能依靠经验与别人推荐等选择修理厂、零部件供应厂家以及保险商，无法客观了解行业内上下游厂家的实际质量以及服务情况。配件交易平台常采用配件商的匹配方式能够为查询配件的用户选出最匹配的配件商，不仅能够节省人工选择配件商的操作和时间成本，同时也可以较好的避免修理厂和配件商串通风险，保证配件交易的公平性，从而最大程度维护用户的权益。

但是，现有的商品交易平台在匹配商家时，仅根据单一的因素如商家所属地区和库存进行匹配，忽略了其他相关影响因素对商家合理性、可靠性和准确性的影响。也即在匹配商家的过程中，商品交易平台仅能依据单一类型的数据对各商家进行数据处理和计算，无法根据多维度的数据类型对各商家进行分析计算，导致最终计算匹配的商家的合理性、可靠性和准确性较低。

发明内容

本发明实施例提供一种商家匹配方法、装置、计算机设备及存储介质，能够提高商家匹配的合理性、可靠性和准确性。

第一方面，本发明实施例提供了一种商家匹配方法，包括：

根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；

获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；

根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；

根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

第二方面，本发明实施例还提供了一种商家匹配装置，包括：

商家匹配模型配置参数确定模块，用于根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；

商家匹配列表匹配模块，用于获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；

匹配因子匹配度计算模块，用于根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；

目标商家确定模块，用于根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

第三方面，本发明实施例还提供了一种计算机设备，计算机设备包括：

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本发明任意实施例所提供的商家匹配方法。

第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的商家匹配方法。

本发明实施例通过根据商家历史匹配关联数据确定商家匹配模型配置参数，并获取用户提供的商品询价数据，以进一步根据商品询价数据匹配备选的商家匹配列表，再根据商家匹配模型配置参数中的各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，从而根据各匹配因子匹配度和商家匹配模型配置参数中的各商家匹配因子的权重确定与商品询价数据匹配的目标商家，解决现有的商品交易平台在匹配商家时，仅根据单一的因素如商家所属地区和库存进行匹配造成的合理性、可靠性和准确性较低等问题，能够提高商家匹配的合理性、可靠性和准确性。

附图说明

图1是本发明实施例一提供的一种商家匹配方法的流程图；

图2是本发明实施例二提供的一种商家匹配方法的流程图；

图3是本发明实施例三提供的一种商家匹配装置的示意图；

图4是本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明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本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

实施例一

图1是本发明实施例一提供的一种商家匹配方法的流程图，本实施例可以适用于根据多维度影响因素在多个商家中筛选最匹配的商家的情况，该方法可以由商家匹配装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的计算机设备中。如图1所示，商家匹配方法可以包括以下步骤：

S110、根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息。

其中，商品可以是各个类型的商品，例如可以是服装、食品、配件或工具等，本发明实施例对此并不进行限制。在本发明实施例中，商品可以是各个类型设备或机器的配件，如汽车、电脑或各种机械设备等。商家历史匹配关联数据可以是与商家所关联的历史匹配数据，该历史匹配数据可以是商品交易平台存储的匹配数据，也可以是通过人工匹配的方式对各商家进行匹配的存储数据，本发明实施例对此并不进行限制。商家历史匹配关联数据的获取时间例如可以以年、季度或月等为单位，本发明实施例对此并不进行限制。示例性的，如果在近几年的数据库中存在一组数据，且该组数据包括用户提供的询价数据、与该询价数据对应的商家匹配数据以及最终匹配的商家数据，则可以将该组数据确定为商家历史匹配关联数据，且该组数据的获取可以以年度为单位，也可以以季度为单位。商家匹配模型配置参数可以是用于确定商家的匹配模型的各配置参数。商家匹配因子可以是影响商家与用户的商品询价数据的匹配度的因子。商家匹配因子的权重可以是商家匹配因子在商家匹配模型中所占的权重。商品登记信息可以是商家的各种工商信息，例如可以是销售性质信息，也可以是工商性质信息，还可以是工商信用等级信息等，本发明实施例对此并不进行限制。交易信息可以是商家的交易情况，例如可以是商家常规订单交易情况，也可以是商家订单交易情况等，本发明实施例对此并不进行限制。示例性的，以配件商品为例，交易信息可以是配件商交易信息。采购信息可以是对商品进行采购的评价信息等，例如服务评价、退货率或物流评价等，本发明实施例对此并不进行限制。示例性的，以配件商品为例，采购信息可以是配件采购信息。渠道信息可以是商家的进货渠道信息，例如可以是商品生产厂商，也可以是商品分销网点等，本发明实施例对此并不进行限制。示例性的，以配件商品为例，渠道信息可以是配件商的配件进货渠道信息。

在本发明实施例中，商品交易平台可以获取商家历史匹配关联数据，如获取平台中存储的商家匹配数据，或者获取导入的人工线下匹配数据等。当商品交易平台获取到商家历史匹配关联数据之后，可以根据商家历史匹配关联数据确定多维度的商家匹配因子和各商家匹配因子的权重，以根据多维度的商家匹配因子和各商家匹配因子的权重确定与用户的商品询价需求最匹配的商家。可选的，商家匹配因子可以包括商品登记信息、交易信息、采购信息和渠道信息。

S120、获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表。

其中，商品询价数据可以是用户提供的需要进行询价的商品数据，例如可以是配件询价数据。示例性的，如果用户需要对商品A和商品B进行询价，则商品询价数据可以包括商品A和商品B，除此之外，还可以包括各个商品的需求数量等，只要能够反映用户对商品的需求即可，本发明实施例对此并不进行限制。商家匹配列表可以是商品交易平台确定的与商品询价数据匹配的商家列表。可以理解的是，与不同商品询价数据匹配的商家匹配列表可以是相同的，也可以是不同的。

在本发明实施例中，在用户对商品交易平台提供商品询价数据之后，可以进一步获取用户提供的商品询价数据，并根据商品询价数据匹配备选的商家匹配列表，以进一步确定备选的商家匹配列表中的各商家与商品询价数据的匹配因子匹配度，从而根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配度最优的商家。可以理解的是，备选的商家匹配列表中的商家可以包括与商品询价数据匹配度高的商家，也可以包括与商品询价数据匹配度低的商家。

S130、根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度。

其中，商家实时关联数据可以是与商家相关联的实时数据，例如可以是商品登记信息的销售性质信息，也可以是交易信息量的商家交易信息等，只要能够实时反映商家的性质、状态或其他相关信息即可，本发明实施例对此并不进行限制。匹配因子匹配度可以是根据某一个商家匹配因子计算得到的各商家与商品询价数据相匹配的程度，可以用于确定匹配度最优的商家。可以理解的是，如果商家匹配因子包括商品登记信息，则匹配因子匹配度可以是商品登记信息匹配度，可以表征商家在商品登记信息方面与商品询价数据相匹配的程度。如果商家匹配因子包括交易信息，则匹配因子匹配度可以是交易信息匹配度，可以表征商家在交易信息方面与商品询价数据相匹配的程度。如果商家匹配因子包括采购信息，则匹配因子匹配度可以是采购信息匹配度，可以表征商家在采购信息方面与商品询价数据相匹配的程度。如果商家匹配因子包括渠道信息，则匹配因子匹配度可以是渠道信息匹配度，可以表征商家在渠道信息方面与商品询价数据相匹配的程度。也即，每一种商家匹配因子都可以对每个商家计算出该商家与商品询价数据的匹配度，从而实现从多角度对商家与用户的商品询价数据之间的匹配程度进行计算，以保证最终匹配的商家的合理性、可靠性和准确性。

在本发明实施例中，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，可以进一步根据各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度。可以理解的是，如果商家匹配列表中包括商家A和商家B，也即商家A和商家B都是与商品询价数据匹配的商家，则可以根据各商家匹配因子分别计算商家A和商家B与商品询价数据的匹配因子匹配度，也即计算商家A与商品询价数据的匹配因子匹配度，同时计算商家B与商品询价数据的匹配因子匹配度。

S140、根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

其中，目标商家可以是根据各匹配因子匹配度确定的最匹配的商家。示例性的，以配件商品为例，目标商家可以是目标配件商。可以理解的是，目标商家的数量可以是1个，也可以是多个，本发明实施例对此并不进行限制。如果目标商家的数量为多个，则可以根据各商家的匹配度对各商家进行排序。可选的，根据各商家的匹配度对各商家进行排序，可以是匹配度从高到低的排序方式，也可以是匹配度从低到高的排序方式，本发明实施例对此并不进行限制。示例性的，如果目标商家的数量为3个，也即目标商家包括商家A、商家B和商家C，且商家A的匹配度为5，商家B的匹配度为3，商家C的匹配度为6，则根据各商家的匹配度对各商家进行排序的结果可以是商家C-商家A-商家B，或者也可以是商家B-商家A-商家C。

在本发明实施例中，在根据各商家匹配因子对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度之后，可以进一步根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家。示例性的，可以根据各匹配因子匹配度与各商家匹配因子的权重的乘积的和值确定各商家与商品询价数据的综合匹配程度，并筛选出综合匹配程度最高的商家作为与商品询价数据最匹配的一个或多个目标商家。

本实施例的技术方案，通过根据商家历史匹配关联数据确定商家匹配模型配置参数，并获取用户提供的商品询价数据，以进一步根据商品询价数据匹配备选的商家匹配列表，再根据商家匹配模型配置参数中的各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，从而根据各匹配因子匹配度和商家匹配模型配置参数中的各商家匹配因子的权重确定与商品询价数据匹配的目标商家，解决现有的商品交易平台在匹配商家时，仅根据单一的因素如商家所属地区和库存进行匹配造成的合理性、可靠性和准确性较低等问题，能够提高商家匹配的合理性、可靠性和准确性。

实施例二

图2是本发明实施例二提供的一种商家匹配方法的流程图，本实施例是对上述各技术方案的进一步细化，给出了根据商家历史匹配关联数据确定商家匹配模型配置参数，根据商品询价数据匹配备选的商家匹配列表，以及根据各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度的多种具体可选的实现方式。本实施例中的技术方案可以与上述一个或多个实施例中的各个可选方案结合。如图2所示，该方法可以包括如下步骤：

S210、根据商家历史匹配关联数据确定商家匹配模型配置参数。

在本发明实施例的一个可选实施方式中，根据商家历史匹配关联数据确定多维度的商家匹配因子，可以包括：根据商家历史匹配关联数据采用大数据统计分析方法确定多维度的商家匹配因子；其中，大数据统计分析方法包括因子分析方法和主成分分析方法中的至少一项。

其中，大数据统计分析方法可以用于在大量的历史数据中确定多维度的商家匹配因子。可选的，大数据统计分析方法可以包括因子分析方法和主成分分析方法中的至少一项。其中，因子分析方法可以是从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。主成分分析方法可以是利用降维的思想，把多指标转化为少数几个综合指标的统计分析方法。

具体的，根据商家历史匹配关联数据确定多维度的商家匹配因子可以是根据商家历史匹配关联数据采用大数据统计分析方法确定多维度的商家匹配因子。可选的，大数据统计分析方法可以是因子分析方法，也可以是主成分分析方法，或者还可以是因子分析方法和主成分分析方法的组合方法，本发明实施例对大数据统计分析方法所采用的具体方法并不进行限制。

具体的，根据因子分析方法确定多维度的商家匹配因子的主要步骤可以具体包括：对商家历史匹配关联数据进行标准化处理，以计算商家历史匹配关联数据的相关矩阵R1；计算相关矩阵R1的特征根和特征向量；根据累积贡献率确定商家匹配因子的个数；计算商家匹配因子载荷矩阵，以确定商家匹配因子模型；根据上述计算结果进行分析，以确定多维度的商家匹配因子。

具体的，根据主成分分析方法确定多维度的商家匹配因子的主要步骤可以具体包括：通过商家历史匹配关联数据的标准化采集，获取商家历史匹配关联数据的标准化阵；并对标准化阵求相关系数矩阵R2；解相关系数矩阵R2的特征方程，以确定商家匹配因子；将标准化后的指标变量转换为商家匹配因子；对各商家匹配因子进行综合评价，以确定多维度的商家匹配因子。

上述技术方案，通过根据商家历史匹配关联数据采用大数据统计分析方法确定多维度的商家匹配因子，从而可以根据不同业务需要灵活增加能够影响商家匹配程度的匹配因子，进而灵活调整商家匹配模型配置参数。

本发明实施例可以基于人工智能技术对各商家匹配因子的权重进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

在本发明实施例的一个可选实施方式中，根据商家历史匹配关联数据确定各商家匹配因子的权重，可以包括：对商家历史匹配关联数据划分测试集和训练集；根据训练集和各商家匹配因子建立和训练多个商家匹配模型，并确定各商家匹配模型的模型参数；根据测试集对各商家匹配模型进行测试，确定各商家匹配模型的模型准确率；根据交叉验证法和各商家匹配模型的模型准确率对各商家匹配模型进行校验，并根据校验结果计算各商家匹配模型的泛化误差；根据各商家匹配模型的泛化误差筛选待处理商家匹配模型；根据训练集对待处理商家匹配模型再次进行训练，得到目标商家匹配模型；将目标商家匹配模型的各个模型参数确定为各商家匹配因子的权重。

其中，测试集可以是商家历史匹配关联数据中用于测试商家匹配模型准确度的部分商家历史匹配关联数据的集合。训练集可以是商家历史匹配关联数据中用于训练商家匹配模型的部分商家历史匹配关联数据的集合。商家匹配模型可以用于根据各个商家匹配因子计算各商家与用户的商品询价数据相匹配的程度，以根据各商家与用户的商品询价数据的匹配度筛选最匹配的商家。模型参数可以是商家匹配模型中的相关参数。在本发明实施例中，商家匹配模型的各个模型参数可以是各商家匹配因子的权重参数。模型准确率是商家匹配模型的准确率，可以理解的是，商家匹配模型的模型准确率越高，该商家匹配模型匹配的目标商家的合理性、可靠性和准确性越高。交叉验证法可以是用来评价训练得到的模型是否可以推广到另一个数据结构相同的数据集上的验证方案。可选的，交叉验证法可以包括随机子抽样验证、K折交叉验证和留一法交叉验证中的至少一个。泛化误差可以是真实情况下商家匹配模型的误差，可以用于衡量商家匹配模型推广能力的标准。可以理解的是，商家匹配模型的泛化误差越小，则说明该商家匹配模型的适应能力越强，也即该商家匹配模型越有效。待处理商家匹配模型可以是经过筛选得到的满足条件的商家匹配模型。目标商家匹配模型可以是对待处理商家匹配模型再次进行训练得到的成熟的商家匹配模型，可以用于对用户提供的商品询价数据确定最匹配的目标商品报价方案。

具体的，在获取到商家历史匹配关联数据之后，可以进一步将商家历史匹配关联数据划分为测试集和训练集，以根据训练集和各商家匹配因子建立多个商家匹配模型，并对各商家匹配模型进行训练，从而确定各商家匹配模型的模型参数。当根据训练集初步训练得到多个商家匹配模型之后，可以再根据测试集对各商家匹配模型进行测试，以确定各商家匹配模型的模型准确率，并根据交叉验证法和各商家匹配模型的模型准确率对各商家匹配模型进行校验，以根据校验结果计算各商家匹配模型的泛化误差，从而可以根据各商家匹配模型的泛化误差筛选待处理商家匹配模型。在根据泛化误差筛选出待处理商家匹配模型之后，可以进一步根据训练集对待处理商家匹配模型再次进行训练，以得到目标商家匹配模型，从而可以将目标商家匹配模型的各个模型参数确定为各商家匹配因子的权重。

可选的，根据测试集对各商家匹配模型进行测试可以是根据测试集中预测匹配的商家和测试集中实际匹配的商家进行比较，从而可以确定各商家匹配模型的模型准确率。根据交叉验证法和各商家匹配模型的模型准确率对各商家匹配模型进行校验，并根据校验结果计算各商家匹配模型的泛化误差，可以是利用交叉验证法对各商家匹配模型进行校验，通过比较各商家匹配模型的准确率，每次都会得到一个误差，最后计算误差平均值，从而可以得到各商家匹配模型的泛化误差。根据各商家匹配模型的泛化误差筛选待处理商家匹配模型可以是筛选各商家匹配模型中泛化误差最小的商家匹配模型为待处理商家匹配模型。

可选的，商家匹配模型可以基于如下公式表达：

Mi＝a*baseCredit+b*tradingOrderLevel+c*commentScore+d*otherSocre；

其中，baseCredit表示商品登记信息匹配度，tradingOrderLevel表示交易信息匹配度，commentScore表示采购信息匹配度，otherSocre表示渠道信息匹配度，a表示商品登记信息的权重，b表示交易信息的权重，c表示采购信息的权重，d表示渠道信息的权重。

上述技术方案，通过根据训练集对待处理商家匹配模型再次进行训练得到目标商家匹配模型，可以使得到的目标商家匹配模型的误差达到最低，从而训练出最佳的商家匹配模型。

S220、获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表。

在本发明实施例的一个可选实施方式中，根据商品询价数据匹配备选的商家匹配列表，可以包括：确定商家匹配列表筛选因子；其中，商家匹配列表筛选因子包括商家地区和目标商品的商品库存；目标商品为商品询价数据包括的商品；根据商家匹配列表筛选因子对各商家进行初步筛选，得到商家匹配列表。

其中，商家匹配列表筛选因子可以是筛选商家的条件因子，可以用于筛选与商品询价数据相匹配的商家，以生成商家匹配列表。可选的，商家匹配列表筛选因子可以包括商家地区和目标商品的商品库存。其中，商家地区可以是商家所在的地区，例如可以是商家生产地区，也可以是商家销售地区等，本发明实施例对此并不进行限制。目标商品可以是商品询价数据中包括的商品，目标商品的商品库存可以是商家可以提供的商品询价数据中的商品的库存。

上述技术方案，通过商家地区和目标商品的商品库存等商家匹配列表筛选因子对各商家进行初步筛选，得到商家匹配列表，可以保证商家匹配列表中包括的各个商家初步满足用户的商品询价需求，如商家所在地区与用户所在地区相同或相近，且商家提供的商品能够匹配用户所需的各个商品类型等。相应的，在得到商家匹配列表后，可以进一步对商家匹配列表中的商家进行匹配度计算，从而确定商家匹配列表中的各个商家与用户的商品询价需求相匹配的程度，以最终确定匹配度最优的商家。

S230、在确定商家匹配因子包括商品登记信息时，根据各商家的商家实时关联数据确定各商家的商品登记信息，并根据各商家的商品登记信息计算各商家与商品询价数据的匹配因子匹配度。

在本发明实施例中，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，可以进一步根据商品登记信息这一维度的商家匹配因子计算各商家与商品询价数据的匹配因子匹配度。示例性的，如果商家匹配列表包括商家A和商家B，则可以根据商家A的商家实时关联数据确定商家A的商品登记信息，从而根据商家A的商品登记信息计算商家A与商品询价数据的匹配因子匹配度，同时根据商家B的商家实时关联数据确定商家B的商品登记信息，从而根据商家B的商品登记信息计算商家B与商品询价数据的匹配因子匹配度。

在本发明实施例的一个可选实施方式中，若所述商家匹配因子包括商品登记信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，可以包括：根据各商家的商家实时关联数据确定各商家的商品登记信息的销售性质信息、工商性质信息和工商信用等级信息；根据销售性质信息、工商性质信息和工商信用等级信息计算各商家的商品登记信息匹配度。

其中，销售性质信息可以是商家的销售类型的信息，例如可以是商品生产厂商、一级网点或二级分销商等，本发明实施例对此并不进行限制。工商性质信息可以是商家的工商类型的信息，例如可以是国企、上市公司或中小企业等，本发明实施例对此并不进行限制。工商信用等级信息可以是商家的不同的信用等级信息，例如可以是银行机构评定的AAA、AA或A等，或者也可以是其他评定机构评定的ZCl、ZC2或ZC3等，本发明实施例对此并不进行限制。

具体的，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，还可以进一步根据各商家的商家实时关联数据确定各商家的商品登记信息的销售性质信息、工商性质信息和工商信用等级信息，以根据销售性质信息、工商性质信息和工商信用等级信息计算各商家的商品登记信息匹配度。

可选的，根据销售性质信息、工商性质信息和工商信用等级信息计算各商家的商品登记信息匹配度，可以包括：获取销售性质映射表、工商性质信息映射表和工商信用等级信息映射表；根据各商家的销售性质信息和销售性质映射表确定各商家的销售性质信息对应的第一商品登记信息匹配度；根据各商家的工商性质信息和工商性质信息映射表确定各商家的工商性质信息对应的第二商品登记信息匹配度；根据各商家的工商信用等级信息和工商信用等级信息映射表确定各商家的工商信用等级信息对应的第三商品登记信息匹配度；确定销售性质信息、工商性质信息和工商信用等级信息分别对应的各个商品登记信息子权重；根据第一商品登记信息匹配度、第二商品登记信息匹配度、第三商品登记信息匹配度和各个商品登记信息子权重计算商品登记信息匹配度。

其中，销售性质映射表可以是销售性质信息与销售性质信息分值相对应的映射表，可以反映各商家的销售性质等级水平。工商性质信息映射表可以是工商性质信息与工商性质信息分值相对应的映射表，可以反映各商家在工商性质等级水平。工商信用等级信息映射表可以是工商信用等级信息与工商信用等级信息分值相对应的映射表，可以反映各商家在工商信用等级的等级水平。第一商品登记信息匹配度可以是商品登记信息中销售性质信息与商品询价数据相匹配的程度。第二商品登记信息匹配度可以是商品登记信息中工商性质信息与商品询价数据相匹配的程度。第三商品登记信息匹配度可以是商品登记信息中工商信用等级信息与商品询价数据相匹配的程度。

具体的，商品交易平台可以获取销售性质映射表、工商性质信息映射表和工商信用等级信息映射表，如获取平台中存储的各映射表，或者获取导入的人工线下存储的各映射表等。当商品交易平台获取销售性质映射表、工商性质信息映射表和工商信用等级信息映射表之后，可以进一步根据各商家的销售性质信息和销售性质映射表确定各商家的销售性质信息对应的第一商品登记信息匹配度，根据各商家的工商性质信息和工商性质信息映射表确定各商家的工商性质信息对应的第二商品登记信息匹配度，根据各商家的工商信用等级信息和工商信用等级信息映射表确定各商家的工商信用等级信息对应的第三商品登记信息匹配度；再确定销售性质信息、工商性质信息和工商信用等级信息分别对应的各个商品登记信息子权重，从而可以根据第一商品登记信息匹配度、第二商品登记信息匹配度、第三商品登记信息匹配度和各个商品登记信息子权重计算商品登记信息匹配度。

可选的，第一商品登记信息匹配度可以是根据销售性质映射表中与各商家的销售性质信息相对应的销售性质信息分值确定的。第二商品登记信息匹配度可以是根据工商性质信息映射表中与各商家的工商性质信息相对应的工商性质信息分值确定的。第三商品登记信息匹配度可以是根据工商信用等级信息映射表中与各商家的工商信用等级信息相对应的工商信用等级信息分值确定的。确定销售性质信息、工商性质信息和工商信用等级信息分别对应的各个商品登记信息子权重，可以采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式来确定。

可选的，根据第一商品登记信息匹配度、第二商品登记信息匹配度、第三商品登记信息匹配度和各个商品登记信息子权重计算商品登记信息匹配度，可以包括：基于如下公式计算商品登记信息匹配度：

baseCredit＝saleType*a1+businessLevel*a2+creditLevel*a3；

其中，saleType表示第一商品登记信息匹配度，businessLevel表示第二商品登记信息匹配度，creditLevel表示第三商品登记信息匹配度，a1表示销售性质信息对应的子权重，a2表示工商性质信息对应的子权重，a3表示、工商信用等级信息对应的子权重。

示例性的，销售性质映射表可以如表1所示，获取的工商性质信息映射表可以如表2所示，获取的工商信用等级信息映射表可以如表3所示。

表1销售性质映射表

销售性质(saleType)	分值
		原件厂商	10
一级网点	9
		二级分销商	8
代理销售点	7
		其他	6

表2工商性质信息映射表

企业工商性质(businessLevel)	分值
		国企/央企/知名制造企业	10
上市公司	9
		中小微企业	8
代理网点/个体工商户	7
		其他	6

表3工商信用等级信息映射表

企业工商信用等级(creditLevel)	分值
		AAA	10
AA	9
		A	8
B	7
		C	6

如果商家A的销售性质信息为一级网点、工商性质信息为中小微企业以及工商信用等级信息为AAA，则可以根据表1确定第一商品登记信息匹配度为9，根据表2确定第二商品登记信息匹配度为8，根据表3确定第三商品登记信息匹配度为10。通过各商家匹配因子的权重的确定方式确定的销售性质信息对应的子权重为0.4，工商性质信息对应的子权重为0.2，工商信用等级信息对应的子权重为0.4。从而确定的商家A的商品登记信息匹配度为9*0.4+8*0.2+10*0.4＝9.2。可以理解的是，各个商品登记信息子权重也可以是采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式确定的其他数值。

S240、在确定商家匹配因子包括交易信息时，根据各商家的商家实时关联数据确定各商家的交易信息，并根据各商家的交易信息计算各商家与商品询价数据的匹配因子匹配度。

在本发明实施例中，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，还可以进一步根据交易信息这一维度的商家匹配因子对计算各商家与商品询价数据的匹配因子匹配度。可以理解的是，如果商家匹配列表中包括商家A和商家B，则可以根据商家A的商家实时关联数据确定商家A的交易信息，从而根据商家A的交易信息计算商家A与商品询价数据的匹配因子匹配度，同时根据商家B的商家实时关联数据确定商家B的交易信息，从而根据商家B的交易信息计算商家B与商品询价数据的匹配因子匹配度。

在本发明实施例的一个可选实施方式中，若所述商家匹配因子包括交易信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，可以包括：根据各商家的商家实时关联数据确定各商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息；根据商家交易信息、目标订单交易信息和总订单交易信息计算各商家的交易信息匹配度。

其中，商家交易信息可以是除目标商品之外的其他商品的交易信息。目标订单交易信息可以是对商品交易平台供应的目标商品的交易信息。总订单交易信息可以是商家所有商品的交易信息，可以包括目标商品和除目标商品之外的其他商品。示例性的，目标商品可以是直供类型的商品，目标订单交易信息可以是直供类型的商品的订单交易信息。

具体的，在确定商家匹配因子包括交易信息之后，可以进一步根据各商家的商家实时关联数据确定各商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息，以根据商家交易信息、目标订单交易信息和总订单交易信息计算各商家的交易信息匹配度。

可选的，根据各商家的商家实时关联数据确定各商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息，可以包括：根据总商家交易量和商家数量计算商品平台平均交易量；根据商家平台总交易量和商品平台平均交易量计算商家交易信息；根据总目标商家交易量和目标商家数量计算平台目标平均交易量；根据目标商家订单总数量和平台目标平均交易量计算目标订单交易信息；根据商家交易信息和目标订单交易信息计算总订单交易信息。

其中，总商家交易量可以是商品交易平台中所有商家的交易量。商家数量可以是商品交易平台中所有商家的数量。商品平台平均交易量可以是商品交易平台中平均每个商家的交易量。商家平台总交易量可以是商家在商品交易平台中除目标商品之外的其他商品的总交易量。总目标商家交易量可以是商品交易平台中提供目标商品的商家的总交易量。目标商家数量可以是提供目标商品的商家数量。平台目标平均交易量可以是商品交易平台中平均每个目标商家的交易量。目标商家订单总数量可以是目标商家在商品交易平台中交易目标商品的总数量。示例性的，总目标商家交易量可以是总直供商家交易量，目标商家数量可以是直供商家数量，平台目标平均交易量可以是平台直供商家平均交易量，目标商家订单总数量可以是直供商家订单总数量。

具体的，在确定商家匹配因子包括交易信息之后，可以进一步根据总商家交易量和商家数量计算商品平台平均交易量，并根据商家平台总交易量和商品平台平均交易量计算商家交易信息；再根据总目标商家交易量和目标商家数量计算平台目标平均交易量，并根据目标商家订单总数量和平台目标平均交易量计算目标订单交易信息；以根据商家交易信息和目标订单交易信息计算总订单交易信息，从而可以根据商家交易信息、目标订单交易信息和总订单交易信息计算各商家的交易信息匹配度。

可选的，根据总商家交易量和商家数量计算商品平台平均交易量，可以包括基于如下公式计算商品平台平均交易量：商品平台平均交易量＝总商家交易量/商家数量。

可选的，根据商家平台总交易量和商品平台平均交易量计算商家交易信息可以包括基于如下公式计算商家交易信息：商家交易信息＝商家平台总交易量/商品平台平均交易量。

可选的，根据总目标商家交易量和目标商家数量计算平台目标平均交易量，可以包括基于如下公式计算平台目标平均交易量：平台目标平均交易量＝总目标商家交易量/目标商家数量。

可选的，根据目标商家订单总数量和平台目标平均交易量计算目标订单交易信息，可以包括基于如下公式计算目标订单交易信息：目标订单交易信息＝目标商家订单总数量/平台目标平均交易量。

可选的，根据商家交易信息和目标订单交易信息计算总订单交易信息，可以包括基于如下公式计算总订单交易信息：总订单交易信息＝商家交易信息*b11+目标订单交易信息*b21。

其中，b11表示商家交易信息的系数权重，b21表示目标订单交易信息的系数权重。可选的，商家交易信息的系数权重和目标订单交易信息的系数权重可以采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式来确定。

可选的，根据商家交易信息、目标订单交易信息和总订单交易信息计算各商家的交易信息匹配度，可以包括：获取商家交易信息映射表、目标订单交易信息映射表和总订单交易信息映射表；根据各商家的商家交易信息和商家交易信息映射表确定各商家的第一交易信息匹配度；根据各商家的目标订单交易信息和目标订单交易信息映射表确定各商家的第二交易信息匹配度；根据各商家的总订单交易信息和总订单交易信息映射表确定各商家的第三交易信息匹配度；确定商家交易信息、目标订单交易信息和总订单交易信息分别对应的各个交易信息子权重；根据第一交易信息匹配度、第二交易信息匹配度、第三交易信息匹配度以及各个交易信息子权重计算交易信息匹配度。

其中，商家交易信息映射表可以是商家交易信息与商家交易信息分值相对应的映射表，可以反映各商家在商家交易的等级水平。目标订单交易信息映射表可以是目标订单交易信息与目标订单交易信息分值相对应的映射表，可以反映各商家在目标订单交易的等级水平。总订单交易信息映射表可以是总订单交易信息与总订单交易信息分值相对应的映射表，可以反映各商家在总订单交易的等级水平。第一交易信息匹配度可以是交易信息中商家交易信息与商品询价数据相匹配的程度。第二交易信息匹配度可以是交易信息中直目标订单交易信息与商品询价数据相匹配的程度。第三交易信息匹配度可以是交易信息中总订单交易信息与商品询价数据相匹配的程度。

具体的，商品交易平台可以获取商家交易信息映射表、目标订单交易信息映射表和总订单交易信息映射表，如获取平台中存储的各映射表，或者获取导入的人工线下存储的各映射表等。当商品交易平台获取商家交易信息映射表、目标订单交易信息映射表和总订单交易信息映射表之后，可以进一步根据各商家的商家交易信息和商家交易信息映射表确定各商家的第一交易信息匹配度，根据各商家的目标订单交易信息和目标订单交易信息映射表确定各商家的第二交易信息匹配度，根据各商家的总订单交易信息和总订单交易信息映射表确定各商家的第三交易信息匹配度；再确定商家交易信息、目标订单交易信息和总订单交易信息分别对应的各个交易信息子权重，从而可以根据第一交易信息匹配度、第二交易信息匹配度、第三交易信息匹配度以及各个交易信息子权重计算交易信息匹配度。

可选的，第一交易信息匹配度可以是根据商家交易信息映射表中与各商家的商家交易信息相对应的商家交易信息分值确定的。第二交易信息匹配度可以是根据目标订单交易信息映射表中与各商家的目标订单交易信息相对应的目标订单交易信息分值确定的。第三交易信息匹配度可以是根据总订单交易信息映射表中与各商家的总订单交易信息相对应的总订单交易信息分值确定的。确定商家交易信息、目标订单交易信息和总订单交易信息分别对应的各个交易信息子权重，可以采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式来确定。

可选的，根据第一交易信息匹配度、第二交易信息匹配度、第三交易信息匹配度以及各个交易信息子权重计算交易信息匹配度，可以包括：基于如下公式计算交易信息匹配度：

tradingOrderLevel＝tradingSimpleScore*b1+insuranceSupplyScore*b2+tradingScore*b3；

其中，tradingSimpleScore表示第一交易信息匹配度，insuranceSupplyScore表示第二交易信息匹配度，tradingScore表示第三交易信息匹配度，b1表示商家交易信息对应的子权重，b2表示目标订单交易信息对应的子权重，b3总订单交易信息对应的子权重。

示例性的，商家交易信息映射表可以如表4所示，目标订单交易信息映射表可以如表5所示，总订单交易信息映射表可以如表6所示。

表4商家交易信息映射表

商家交易信息(tradingSimpleScore)	分值
		(2,+∞]	10
(1,2]	9
		(0.8,1]	8
(0.6,0.8]	7
		(0.5,0.6]	6
(0,0.5]	5

表5目标订单交易信息映射表

目标订单交易信息(insuranceSupplyScore)	分值
		(2,+∞]	10
(1,2]	9
		(0.8,1]	8
(0.6,0.8]	7
		(0.5,0.6]	6
(0,0.5]	5

表6总订单交易信息映射表

总订单交易信息(tradingScore)	分值
		(0.9,1]	10
(0.8,0.9]	9
		(0.7,0.8]	8
(0.6,0.7]	7
		(0.5,0.6]	6
(0.3,0.5]	5
		(0,0.3]	4

如果通过计算确定商家A的商家交易信息为0.8，目标订单交易信息为0.6，则可以通过公式确定总订单交易信息为0.8*0.6+0.6*0.4＝0.72。可以理解的是，总订单交易信息计算公式中的系数权重也可以是采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式确定的其他数值。可以进一步根据表4确定第一交易信息匹配度为7，根据表5确定第二交易信息匹配度为6，根据表6确定第三交易信息匹配度为8。通过各商家匹配因子的权重的确定方式确定的商家交易信息对应的子权重为0.2，目标订单交易信息对应的子权重为0.4，总订单交易信息对应的子权重为0.4。从而确定的商家A的交易信息匹配度为0.2*7+0.4*6+0.4*8＝7。可以理解的是，各个交易信息子权重也可以是采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式确定的其他数值。

S250、在确定商家匹配因子包括采购信息时，根据各商家的商家实时关联数据计算各商家的采购信息，并根据各商家的采购信息计算各商家与商品询价数据的匹配因子匹配度。

在本发明实施例中，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，还可以进一步根据采购信息这一维度的商家匹配因子计算各商家与商品询价数据的匹配因子匹配度。可以理解的是，如果商家匹配列表中包括商家A和商家B，则可以根据商家A的商家实时关联数据确定商家A的采购信息，从而根据商家A的采购信息计算商家A与商品询价数据的匹配因子匹配度，同时根据商家B商家实时关联数据确定商家B的采购信息，从而根据商家B的采购信息计算商家B与商品询价数据的匹配因子匹配度。

在本发明实施例的一个可选实施方式中，若所述商家匹配因子包括采购信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，可以包括：根据各商家的商家实时关联数据确定各商家的商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息；根据商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息计算采购信息匹配度。

其中，商品采购方可以是采购商品的一方。示例性的，以配件商品为例，当配件为汽车配件时，商品采购方可以是汽车修理厂。商品采购方的评价信息可以是商品采购方对商家做出的评价。商品退货率可以是商品卖出之后产生的退货的情况。商品换货率可以是商品卖出之后产生的换货的情况。商品物流信息可以是商品卖出之后的物流情况。

具体的，在确定商家匹配因子包括采购信息之后，可以进一步根据各商家的商家实时关联数据确定各商家的商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息，以根据商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息计算采购信息匹配度。

可选的，根据商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息计算采购信息匹配度，可以包括：获取商品采购方的评价信息映射表和商品物流信息映射表，根据各商家的商品采购方的评价信息和评价信息映射表确定各商家的第一采购信息匹配度；根据各商家的商品物流信息和商品物流信息映射表确定各商家的第二采购信息匹配度；根据各商家的退货订单量和总订单量确定各商家的退货率，将退货率确定为各商家的第三采购信息匹配度；根据各商家的换货订单量和总订单量确定各商家的换货率，将换货率确定为各商家的第四采购信息匹配度；确定商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息的采购信息子权重；根据第一采购信息匹配度、第二采购信息匹配度、第三采购信息匹配度、第四采购信息匹配度和各个采购信息子权重计算采购信息匹配度。

其中，评价信息映射表可以是商品采购方的评价信息与商品采购方的评价信息分值相对应的映射表，可以反映各商家在商品采购方的评价水平。商品物流信息映射表可以是商品物流信息与商品物流信息分值相对应的映射表，可以反映各商家在商品物流信息的等级水平。第一采购信息匹配度可以是采购信息中商品采购方的评价信息与商品询价数据相匹配的程度。第二采购信息匹配度可以是采购信息中商品物流信息与商品询价数据相匹配的程度。退货订单量可以是商家在商品交易平台中退货的商品订单量。总订单量可以是商家在商品交易平台中总的商品订单量。退货率可以是商家在商品交易平台中的退货率。第三采购信息匹配度可以是采购信息中商品退货率与商品询价数据相匹配的程度。换货订单量可以是商家在商品交易平台中换货的商品订单量。换货率可以是商家在商品交易平台中的换货率。第四采购信息匹配度可以是采购信息中商品换货率与商品询价数据相匹配的程度。

具体的，商品交易平台可以获取商品采购方的评价信息映射表和商品物流信息映射表，如获取平台中存储的各映射表，或者获取导入的人工线下存储的各映射表等。当商品交易平台获取商品采购方的评价信息映射表和商品物流信息映射表之后，可以进一步根据各商家的商品采购方的评价信息和评价信息映射表确定各商家的第一采购信息匹配度，根据各商家的商品物流信息和商品物流信息映射表确定各商家的第二采购信息匹配度；再根据各商家的退货订单量和总订单量确定各商家的退货率，并将退货率确定为各商家的第三采购信息匹配度，根据各商家的换货订单量和总订单量确定各商家的换货率，并将换货率确定为各商家的第四采购信息匹配度；进一步确定商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息的采购信息子权重，从而可以根据第一采购信息匹配度、第二采购信息匹配度、第三采购信息匹配度、第四采购信息匹配度和各个采购信息子权重计算采购信息匹配度。

可选的，第一采购信息匹配度可以是根据评价信息映射表中与各商品采购方的评价信息相对应的评价信息分值确定的。第二采购信息匹配度可以是根据商家交易信息映射表中与各商家的商品物流信息相对应的商品物流信息分值确定的。

可选的，根据各商家的退货订单量和总订单量确定各商家的退货率，可以包括：基于如下公式计算各商家的退货率：退货率＝退货订单量/总订单量。

可选的，根据各商家的换货订单量和总订单量确定各商家的换货率，可以包括：基于如下公式计算各商家的换货率：换货率＝换货订单量/总订单量。

可选的，确定商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息的采购信息子权重，可以采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式来确定。

可选的，根据第一采购信息匹配度、第二采购信息匹配度、第三采购信息匹配度、第四采购信息匹配度和各个采购信息子权重计算采购信息匹配度，可以包括：基于如下公式计算商品采购信息匹配度：

commentScore＝

((Σ(commentStar*c1+logisticScore*c2))/该商家订单总量)*c3+returnRate*c4+exchangeRate*c5；

其中，commentStar表示第一采购信息匹配度，logisticScore表示第二采购信息匹配度，returnRate表示第三采购信息匹配度，exchangeRate表示第四采购信息匹配度，c1表示商品采购方的评价信息对应的子权重，c2表示商品物流信息对应的子权重，c3表示该商家的评价信息和物流信息的平均订单信息对应的子权重，c4表示商品退货率对应的子权重，c5表示商品换货率对应的子权重。

示例性地，评价信息映射表可以如表7所示，商品物流信息映射表可以如表8所示。

表7评价信息映射表

星级	分值
		五星	1
四星	0.8
		三星	0.6
二星	0.4
		一星	0.2

表8商品物流信息映射表

星级	分值
		五星	1
四星	0.8
		三星	0.6
二星	0.4
		一星	0.2
星级	分值

示例性地，当商家A包括两个订单A1和A2时，如果订单A1的评价信息为四星级，物流信息为五星级，则根据表7可知订单A1的第一采购信息匹配度为0.8，根据表8可知订单A1的第二采购信息匹配度为1。如果订单A2的评价信息为四星级，物流信息为三星级，则根据表7可知订单A2的第一采购信息匹配度为0.8，根据表8可知订单A2的第二采购信息匹配度为0.6。如果商家A的两个订单中，有1个发生退货，1个发生换货，则可得到第三采购信息匹配度为0.5，第三采购信息匹配度为0.5。通过各商家匹配因子的权重的确定方式确定的采购方的评价信息对应的子权重为0.7，商品物流信息对应的子权重为0.3，商品退货率对应的子权重为0.1，商品换货率对应的子权重为0.1，该商家的评价信息和物流信息的平均订单信息对应的子权重为0.8。从而确定的商家A的采购信息匹配度为(0.8*0.7+1*0.3+0.8*0.7+0.6*0.3)/2*0.8+0.5*0.1+0.5*0.1＝0.74。可以理解的是，各采购信息子权重也可以是采用类似上述实施例所述的利用训练集和测试集的方式确定各商家匹配因子的权重的数据处理方式确定的其他数值。

S260、在确定商家匹配因子包括渠道信息时，根据各商家的商家实时关联数据确定各商家的渠道信息，并根据各商家的渠道信息计算各商家与商品询价数据的匹配因子匹配度。

在本发明实施例中，在获取用户提供的商品询价数据并根据商品询价数据匹配备选的商家匹配列表之后，还可以进一步根据渠道信息这一维度的商家匹配因子计算各商家与商品询价数据的匹配因子匹配度。可以理解的是，如果商家匹配列表中包括商家A和商家B，则可以根据商家A的商家实时关联数据确定商家A的渠道信息，从而根据商家A的渠道信息计算商家A与商品询价数据的匹配因子匹配度，同时根据商家B的商家实时关联数据确定商家B的渠道信息，从而根据商家B的渠道信息计算商家B与商品询价数据的匹配因子匹配度。

在本发明实施例的一个可选实施方式中，若所述商家匹配因子包括渠道信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，可以包括：根据各商家的商家实时关联数据确定各商家的渠道信息映射表；根据各商家的渠道信息和渠道信息映射表计算各商家的渠道信息匹配度。

其中，渠道信息映射表可以是商家的渠道信息与渠道信息分值相对应的映射表，可以反映各商家在渠道信息等级划分。

具体的，在确定商家匹配因子包括渠道信息之后，可以进一步根据各商家的商家实时关联数据确定各商家的渠道信息映射表，以根据各商家的渠道信息和渠道信息映射表计算各商家的渠道信息匹配度。

示例性地，以配件商品为例，渠道信息映射表可以如表9所示。如果商家A的进货渠道为原件分销网点，则根据表9可知商家A的渠道信息匹配度为8。

表9渠道信息映射表

进货渠道	分值
		原件生产厂商	10
原件分销网点	8
		零配件二级加工商	6
其他	5

S270、根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

可选的，根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家，可以包括：根据各匹配因子匹配度和各商家匹配因子的权重确定各商家评级；根据各商家评级确定与商品询价数据匹配的目标商家。

其中，商家评级可以是根据各商家的匹配度确定的等级，例如可以包括七星级、六星级、五星级、四星级和三星级等，本发明实施例对此并不进行限制。

具体的，在根据各商家匹配因子对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度之后，可以进一步根据各匹配因子匹配度和各商家匹配因子的权重确定各商家的评级，以根据各商家的评级确定与商品询价数据匹配的目标商家，从而确定匹配度最优的商家。可选的，根据各商家的评级确定与商品询价数据匹配的目标商家可以是根据商家评级按由高到低的顺序确定与商品询价数据匹配的目标商家。

示例性的，商家匹配度与评级映射表如表10所示。

表10商家匹配度与评级映射表

商家匹配度	评级
		9-10	七星级
8-9	六星级
		7-8	五星级
6-7	四星级
		5-6	三星级

如果商品登记信息的权重为0.2，交易信息的权重为0.3，采购信息的权重为0.4，渠道信息的权重为0.1，则商家A的与商品询价数据匹配的匹配度为0.2*9.2+0.3*7+0.4*0.74+8*0.1＝5。从而根据表10可知商家A的等级为三星级。

在本发明实施例的一个可选实施方式中，在根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家之后，还可以包括：获取目标商家针对目标商品提供的商品报价方案；根据目标商家的匹配顺序对各商品报价方案进行排序；根据各商品报价方案的排序结果显示各商品报价方案。

其中，商品报价方案可以是各商家针对用户商品询价数据提供的报价方案。目标商家的匹配顺序可以是根据各商家的匹配度进行排序得到的顺序。

具体的，在根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家之后，可以进一步获取目标商家针对目标商品提供的商品报价方案，以根据目标商家的匹配顺序对各商品报价方案进行排序，从而根据各商品报价方案的排序结果显示各商品报价方案，进而实现根据商家排序对商家的商品报价方案进行排序，以供用户选择合理的商品报价方案。

在本发明实施例的一个可选实施方式中，在根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家之后，还可以包括：获取目标商家的商品推荐列表；根据目标商家的匹配顺序对各商品推荐列表进行排序；根据各商品推荐列表的排序结果显示各商品推荐列表。

其中，商品推荐列表可以是商家的推荐商品的列表。可以理解的是，商品推荐列表是由商家根据商家本身的商品情况确定的。

具体的，在根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家之后，可以进一步获取目标商家的商品推荐列表，并根据目标商家的匹配顺序对各商品推荐列表进行排序，从而根据各商品推荐列表的排序结果显示各商品推荐列表，进而实现根据商家排序对商品推荐列表进行排序，以供用户快速浏览各商家提供的商品信息。

以配件商品为例，在配件为汽车配件的具体应用场景中，通过本发明实施例中任意的实施方式确定的目标商家，可以使得保险公司在车险服务的理赔案件中拓展理赔专员的理赔依据，优化精准理赔，提升利润空间和改善用户体验，提高理赔案件的服务质量。

需要说明的是，图2仅是一种实现方式的示意图，本发明实施例并不对S230、S240、S250和S260的顺序进行限定，也即，S230、S240、S250和S260可以同步执行，也可以按随机顺序执行。

本实施例的技术方案，通过根据商家历史匹配关联数据确定商家匹配模型配置参数，并获取用户提供的商品询价数据，根据商品询价数据匹配备选的商家匹配列表，在确定商家匹配因子包括商品登记信息时，根据商品登记信息对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，在确定商家匹配因子包括交易信息时，根据交易信息对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，在确定商家匹配因子包括采购信息时，根据采购信息对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，在确定商家匹配因子包括渠道信息时，根据渠道信息对商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，从而根据各匹配因子匹配度和各商家匹配因子的权重确定与商品询价数据匹配的目标商家，解决现有的商品交易平台在匹配商家时，仅根据单一的因素如商家所属地区和库存进行匹配造成的合理性、可靠性和准确性较低等问题，能够根据多维度影响因素在多个商家中筛选出最匹配的商家，从而提高商家匹配的合理性、可靠性和准确性，而且有利于提升商家商品质量和服务质量，提升平台质量保障，减少因质量或售后等产生的交易，提高商品交易平台商品管理的科学性。

实施例三

图3是本发明实施例三提供的一种商家匹配装置的示意图，如图3所示，所述装置包括：商家匹配模型配置参数确定模块310、商家匹配列表匹配模块320、匹配因子匹配度计算模块330以及目标商家确定模块340，其中：

商家匹配模型配置参数确定模块310，用于根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；

商家匹配列表匹配模块320，用于获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；

匹配因子匹配度计算模块330，用于根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；

目标商家确定模块340，用于根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

本实施例的技术方案，通过根据商家历史匹配关联数据确定商家匹配模型配置参数，并获取用户提供的商品询价数据，以进一步根据商品询价数据匹配备选的商家匹配列表，再根据商家匹配模型配置参数中的各商家匹配因子和商家匹配列表中各商家的商家实时关联数据计算各商家与商品询价数据的匹配因子匹配度，从而根据各匹配因子匹配度和商家匹配模型配置参数中的各商家匹配因子的权重确定与商品询价数据匹配的目标商家，解决现有的商品交易平台在匹配商家时，仅根据单一的因素如商家所属地区和库存进行匹配造成的合理性、可靠性和准确性较低等问题，能够提高商家匹配的合理性、可靠性和准确性。

可选的，商家匹配模型配置参数确定模块310，可以具体用于：

根据商家历史匹配关联数据采用大数据统计分析方法确定多维度的商家匹配因子；其中，大数据统计分析方法包括因子分析方法和主成分分析方法中的至少一项。

可选的，商家匹配模型配置参数确定模块310，还可以具体用于：

对商家历史匹配关联数据划分测试集和训练集；根据训练集和各商家匹配因子建立和训练多个商家匹配模型，并确定各商家匹配模型的模型参数；根据测试集对各商家匹配模型进行测试，确定各商家匹配模型的模型准确率；根据交叉验证法和各商家匹配模型的模型准确率对各商家匹配模型进行校验，并根据校验结果计算各商家匹配模型的泛化误差；根据各商家匹配模型的泛化误差筛选待处理商家匹配模型；根据训练集对待处理商家匹配模型再次进行训练，得到目标商家匹配模型；将目标商家匹配模型的各个模型参数确定为各商家匹配因子的权重。

可选的，商家匹配模型可以基于如下公式表达：

Mi＝a*baseCredit+b*tradingOrderLevel+c*commentScore+d*otherSocre

其中，baseCredit表示商品登记信息匹配度，tradingOrderLevel表示交易信息匹配度，commentScore表示采购信息匹配度，otherSocre表示渠道信息匹配度，a表示商品登记信息的权重，b表示交易信息的权重，c表示采购信息的权重，d表示渠道信息的权重。

可选的，若商家匹配因子包括商品登记信息，则匹配因子匹配度计算模块330，可以具体用于：

根据各商家的商家实时关联数据确定各商家的商品登记信息的销售性质信息、工商性质信息和工商信用等级信息；根据销售性质信息、工商性质信息和工商信用等级信息计算各商家的商品登记信息匹配度。

可选的，若商家匹配因子包括商品登记信息，则匹配因子匹配度计算模块330，可以进一步用于：

获取销售性质映射表、工商性质信息映射表和工商信用等级信息映射表；根据各商家的销售性质信息和销售性质映射表确定各商家的销售性质信息对应的第一商品登记信息匹配度；根据各商家的工商性质信息和工商性质信息映射表确定各商家的工商性质信息对应的第二商品登记信息匹配度；根据各商家的工商信用等级信息和工商信用等级信息映射表确定各商家的工商信用等级信息对应的第三商品登记信息匹配度；确定销售性质信息、工商性质信息和工商信用等级信息分别对应的各个商品登记信息子权重；根据第一商品登记信息匹配度、第二商品登记信息匹配度、第三商品登记信息匹配度和各个商品登记信息子权重计算商品登记信息匹配度。

可选的，若商家匹配因子包括交易信息，则匹配因子匹配度计算模块330，可以具体用于：

根据各商家的商家实时关联数据确定各商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息；根据商家交易信息、目标订单交易信息和总订单交易信息计算各商家的交易信息匹配度。

可选的，若商家匹配因子包括交易信息，则匹配因子匹配度计算模块330，还可以进一步用于：

根据总商家交易量和商家数量计算商品平台平均交易量；根据商家平台总交易量和商品平台平均交易量计算商家交易信息；根据总目标商家交易量和目标商家数量计算平台目标平均交易量；根据目标商家订单总数量和平台目标平均交易量计算直目标订单交易信息；根据商家交易信息和目标订单交易信息计算总订单交易信息。。

可选的，若商家匹配因子包括交易信息，则匹配因子匹配度计算模块330，还可以进一步用于：

获取商家交易信息映射表、目标订单交易信息映射表和总订单交易信息映射表；根据各商家的商家交易信息和商家交易信息映射表确定各商家的第一交易信息匹配度；根据各商家的目标订单交易信息和目标订单交易信息映射表确定各商家的第二交易信息匹配度；根据各商家的总订单交易信息和总订单交易信息映射表确定各商家的第三交易信息匹配度；确定商家交易信息、目标订单交易信息和总订单交易信息分别对应的各个交易信息子权重；根据第一交易信息匹配度、第二交易信息匹配度、第三交易信息匹配度以及各个交易信息子权重计算交易信息匹配度。

可选的，若商家匹配因子包括采购信息，则匹配因子匹配度计算模块330，可以具体用于：

根据各商家的商家实时关联数据确定各商家的商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息；根据商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息计算采购信息匹配度。

可选的，若商家匹配因子包括采购信息，则匹配因子匹配度计算模块330，还可以进一步用于：

获取商品采购方的评价信息映射表和商品物流信息映射表；根据各商家的商品采购方的评价信息和评价信息映射表确定各商家的第一采购信息匹配度；根据各商家的商品物流信息和商品物流信息映射表确定各商家的第二采购信息匹配度；根据各商家的退货订单量和总订单量确定各商家的退货率，将退货率确定为各商家的第三采购信息匹配度；根据各商家的换货订单量和总订单量确定各商家的换货率，将换货率确定为各商家的第四采购信息匹配度；确定商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息的采购信息子权重；根据第一采购信息匹配度、第二采购信息匹配度、第三采购信息匹配度、第四采购信息匹配度和各个采购信息子权重计算采购信息匹配度。

可选的，若商家匹配因子包括渠道信息，则匹配因子匹配度计算模块330，可以具体用于：

根据各商家的商家实时关联数据确定各商家的渠道信息映射表；根据各商家的渠道信息和渠道信息映射表计算各商家的渠道信息匹配度。

可选的，商家匹配列表匹配模块320，还可以具体用于：

确定商家匹配列表筛选因子；其中，商家匹配列表筛选因子包括商家地区和目标商品的商品库存；目标商品为商品询价数据包括的商品；根据商家匹配列表筛选因子对各商家进行初步筛选，得到商家匹配列表。

可选的，目标商家确定模块340，可以进一步用于：

获取目标商家针对目标商品提供的商品报价方案；根据目标商家的匹配顺序对各商品报价方案进行排序；根据各商品报价方案的排序结果显示各商品报价方案。

可选的，目标商家确定模块340，还可以进一步用于：

获取目标商家的商品推荐列表；根据目标商家的匹配顺序对各商品推荐列表进行排序；根据各商品推荐列表的排序结果显示各商品推荐列表。

上述商家匹配装置可执行本发明任意实施例所提供的商家匹配方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的商家匹配方法。

由于上述所介绍的商家匹配装置为可以执行本发明实施例中的商家匹配方法的装置，故而基于本发明实施例中所介绍的商家匹配方法，本领域所属技术人员能够了解本实施例的商家匹配装置的具体实施方式以及其各种变化形式，所以在此对于该商家匹配装置如何实现本发明实施例中的商家匹配方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中商家匹配方法所采用的装置，都属于本申请所欲保护的范围。

实施例四

图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12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4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，实现本发明实施例所提供的商家匹配方法：根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

实施例五

本发明实施例五还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的商家匹配方法：根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory，ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory，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。在本文件中，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。

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、射频(Radio Frequency，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发明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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (18)

1.一种商家匹配方法，其特征在于，包括：

根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；

获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；

根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；

根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

2.根据权利要求1所述的方法，其特征在于，所述根据商家历史匹配关联数据确定多维度的商家匹配因子，包括：

根据所述商家历史匹配关联数据采用大数据统计分析方法确定所述多维度的商家匹配因子；

其中，所述大数据统计分析方法包括因子分析方法和主成分分析方法中的至少一项。

3.根据权利要求1所述的方法，其特征在于，所述根据商家历史匹配关联数据确定各所述商家匹配因子的权重，包括：

对所述商家历史匹配关联数据划分测试集和训练集；

根据所述训练集和各所述商家匹配因子建立和训练多个商家匹配模型，并确定各所述商家匹配模型的模型参数；

根据所述测试集对各所述商家匹配模型进行测试，确定各所述商家匹配模型的模型准确率；

根据交叉验证法和各所述商家匹配模型的模型准确率对各所述商家匹配模型进行校验，并根据校验结果计算各所述商家匹配模型的泛化误差；

根据各所述商家匹配模型的泛化误差筛选待处理商家匹配模型；

根据所述训练集对所述待处理商家匹配模型再次进行训练，得到目标商家匹配模型；

将所述目标商家匹配模型的各个模型参数确定为各所述商家匹配因子的权重。

4.根据权利要求3所述的方法，其特征在于，所述商家匹配模型基于如下公式表达：

Mi＝a*baseCredit+b*tradingOrderLevel+c*commentScore+d*otherSocre

其中，baseCredit表示商品登记信息匹配度，tradingOrderLevel表示交易信息匹配度，commentScore表示采购信息匹配度，otherSocre表示渠道信息匹配度，a表示所述商品登记信息的权重，b表示所述交易信息的权重，c表示所述采购信息的权重，d表示所述渠道信息的权重。

5.根据权利要求1所述的方法，其特征在于，若所述商家匹配因子包括商品登记信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，包括：

根据各所述商家的商家实时关联数据确定各所述商家的商品登记信息的销售性质信息、工商性质信息和工商信用等级信息；

根据所述销售性质信息、所述工商性质信息和所述工商信用等级信息计算各所述商家的商品登记信息匹配度。

6.根据权利要求5所述的方法，其特征在于，所述根据所述销售性质信息、所述工商性质信息和所述工商信用等级信息计算各所述商家的商品登记信息匹配度，包括：

获取销售性质映射表、工商性质信息映射表和工商信用等级信息映射表；

根据各所述商家的销售性质信息和所述销售性质映射表确定各所述商家的销售性质信息对应的第一商品登记信息匹配度；

根据各所述商家的工商性质信息和所述工商性质信息映射表确定各所述商家的工商性质信息对应的第二商品登记信息匹配度；

根据各所述商家的工商信用等级信息和所述工商信用等级信息映射表确定各所述商家的工商信用等级信息对应的第三商品登记信息匹配度；

确定所述销售性质信息、所述工商性质信息和所述工商信用等级信息分别对应的各个商品登记信息子权重；

根据所述第一商品登记信息匹配度、所述第二商品登记信息匹配度、所述第三商品登记信息匹配度和所述各个商品登记信息子权重计算所述商品登记信息匹配度。

7.根据权利要求1所述的方法，其特征在于，若所述商家匹配因子包括交易信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，包括：

根据各所述商家的商家实时关联数据确定各所述商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息；

根据所述商家交易信息、所述目标订单交易信息和所述总订单交易信息计算各所述商家的交易信息匹配度。

8.根据权利要求7所述的方法，其特征在于，所述根据各所述商家的商家实时关联数据确定各所述商家的交易信息的商家交易信息、目标订单交易信息和总订单交易信息，包括：

根据总商家交易量和商家数量计算商品平台平均交易量；

根据商家平台总交易量和所述商品平台平均交易量计算所述商家交易信息；

根据总目标商家交易量和目标商家数量计算平台目标平均交易量；

根据目标商家订单总数量和所述平台目标平均交易量计算所述目标订单交易信息；

根据所述商家交易信息和所述目标订单交易信息计算所述总订单交易信息。

9.根据权利要求7所述的方法，其特征在于，所述根据所述商家交易信息、所述目标订单交易信息和所述总订单交易信息计算各所述商家的交易信息匹配度，包括：

获取商家交易信息映射表、目标订单交易信息映射表和总订单交易信息映射表；

根据各所述商家的商家交易信息和所述商家交易信息映射表确定各所述商家的第一交易信息匹配度；

根据各所述商家的目标订单交易信息和所述目标订单交易信息映射表确定各所述商家的第二交易信息匹配度；

根据各所述商家的总订单交易信息和所述总订单交易信息映射表确定各所述商家的第三交易信息匹配度；

确定所述商家交易信息、所述目标订单交易信息和所述总订单交易信息分别对应的各个交易信息子权重；

根据所述第一交易信息匹配度、所述第二交易信息匹配度、所述第三交易信息匹配度以及所述各个交易信息子权重计算所述交易信息匹配度。

10.根据权利要求1所述的方法，其特征在于，若所述商家匹配因子包括采购信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，包括：

根据各所述商家的商家实时关联数据确定各所述商家的商品采购方的评价信息、商品退货率、商品换货率以及商品物流信息；

根据所述商品采购方的评价信息、所述商品退货率、所述商品换货率以及所述商品物流信息计算采购信息匹配度。

11.根据权利要求10所述的方法，其特征在于，所述根据所述商品采购方的评价信息、所述商品退货率、所述商品换货率以及所述商品物流信息计算采购信息匹配度，包括：

获取商品采购方的评价信息映射表和商品物流信息映射表；

根据各所述商家的商品采购方的评价信息和所述评价信息映射表确定各所述商家的第一采购信息匹配度；

根据各所述商家的商品物流信息和所述商品物流信息映射表确定各所述商家的第二采购信息匹配度；

根据各所述商家的退货订单量和总订单量确定各所述商家的退货率，将所述退货率确定为各所述商家的第三采购信息匹配度；

根据各所述商家的换货订单量和总订单量确定各所述商家的换货率，将所述换货率确定为各所述商家的第四采购信息匹配度；

确定所述商品采购方的评价信息、所述商品退货率、所述商品换货率以及所述商品物流信息的采购信息子权重；

根据所述第一采购信息匹配度、所述第二采购信息匹配度、所述第三采购信息匹配度、所述第四采购信息匹配度和所述各个采购信息子权重计算所述采购信息匹配度。

12.根据权利要求1所述的方法，其特征在于，若所述商家匹配因子包括渠道信息，则计算各所述商家与所述商品询价数据的匹配因子匹配度，包括：

根据各所述商家的商家实时关联数据确定各所述商家的渠道信息映射表；

根据各所述商家的渠道信息和所述渠道信息映射表计算各所述商家的渠道信息匹配度。

13.根据权利要求1所述的方法，其特征在于，所述根据所述商品询价数据匹配备选的商家匹配列表，包括：

确定商家匹配列表筛选因子；其中，所述商家匹配列表筛选因子包括商家地区和目标商品的商品库存；所述目标商品为所述商品询价数据包括的商品；

根据所述商家匹配列表筛选因子对各所述商家进行初步筛选，得到所述商家匹配列表。

14.根据权利要求1所述的方法，其特征在于，在所述根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家之后，还包括：

获取所述目标商家针对目标商品提供的商品报价方案；

根据所述目标商家的匹配顺序对各所述商品报价方案进行排序；

根据各所述商品报价方案的排序结果显示各所述商品报价方案。

15.根据权利要求1所述的方法，其特征在于，在所述根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家之后，还包括：

获取所述目标商家的商品推荐列表；

根据所述目标商家的匹配顺序对各所述商品推荐列表进行排序；

根据各所述商品推荐列表的排序结果显示各所述商品推荐列表。

16.一种商家匹配装置，其特征在于，包括：

商家匹配模型配置参数确定模块，用于根据商家历史匹配关联数据确定商家匹配模型配置参数；其中，所述商家匹配模型配置参数包括多维度的商家匹配因子和各所述商家匹配因子的权重；所述商家匹配因子包括商品登记信息、交易信息、采购信息和渠道信息；

商家匹配列表匹配模块，用于获取用户提供的商品询价数据，并根据所述商品询价数据匹配备选的商家匹配列表；

匹配因子匹配度计算模块，用于根据各所述商家匹配因子和所述商家匹配列表中各商家的商家实时关联数据计算各所述商家与所述商品询价数据的匹配因子匹配度；

目标商家确定模块，用于根据各所述匹配因子匹配度和各所述商家匹配因子的权重确定与所述商品询价数据匹配的目标商家。

17.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个计算机程序；

当所述一个或多个计算机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执行所述计算机程序时实现如权利要求1-15中任一所述的商家匹配方法。

18.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-15中任一所述的商家匹配方法。

Images