CN116911962A - 一种基于数据模型的选品装置及方法 - Google Patents

Abstract

本发明涉及一种基于数据模型的选品装置及方法，包括产品信息模块、用于创建多种指标并制定评分算法的指标模块、分数计算模块以及预发布模拟器，分数计算模块根据指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标和指标权重，计算出产品原始分；指标权重根据指标特征值的分布情况和指标特征完整度动态校正；在预发布模拟器中创建需要预发布的新产品，配置新产品对应的指标，调用分数计算模块执行产品原始分的计算，获取产品原始分并排序；在预发布新产品的产品原始分运行稳定后正式发布该产品及对应的排序状态。本发明能够动态自校正用于计算产品分值的权重值，从而精准计算每个产品的分数，大幅提高店铺选品的精准度。

Description

一种基于数据模型的选品装置及方法

技术领域

本发明涉及大数据处理领域，尤其涉及一种基于数据模型的选品方法。

背景技术

基于选品模型大数据中心，借助产品经纪人从上游商家获取企业信息数据、商品数据和质检数据，通过分销经纪人串联下游MCN和达人资源，需要商品多维度对比实现优质选品并最终撮合交易。中小店铺想要快速地将商品销售出去，关键因素就是要选择合适的产品。想要选品精准，需要从商品的方方面面去调研，对商品客户以及企业进行深入了解，依赖自己的小圈子交换信息。随着互联网发展，直播电商卖货，以及线上商城的兴起，主播在开始直播卖货前会从一大堆商品中进行选品，现有技术中，主要通过人为挑选的方式来选取商品，但是这种方式需要耗费较大的人力，以及主观影响大，发生选品不精准的问题。

因此，现有的选品方式主要缺点如下：1、传统的电商平台选品，通过简单的销量和评价等信息去选品，维度单一，造成数据不准，以及存在刷单等情况影响商品的真正的排名；2、传统的人工选品费时费力，由于人工没有综合的指标评判，主观影响较大，容易选品失败，导致销量较差；3、常规的对商品的排序，通过简单的热度进行排名，且不容易对商品的排序算法进行模拟和调整。

发明内容

为了解决上述问题，本发明的目的之一在于提供一种基于数据模型的选品装置，其能够跟随发布产品数量的不断增加，动态自校正用于计算产品分值的权重值，从而精准计算每个产品的分数，大幅提高店铺选品的精准度。

为实现上述目的之一，本发明采用以下技术方案：

一种基于数据模型的选品装置，包括产品信息模块：包含产品数据、企业数据、线上推广数据以及线下推广数据；指标模块：创建多种指标；分数计算模块：制定用于计算指标特征值的评分算法，根据指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标和指标权重，计算出产品原始分；所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正；所述评分算法从产品信息模块读取所需数据进行计算，得出指标特征值；预发布模拟器：创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并与已发布产品一起排序；在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。

更优地，所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正的公式为： ；/>；其中，/>为动态调整后的指标权重，W _i 是指标权重的初始值，β _i 为权重调整系数，/>为每个特征值较数据更新前一次特征值占比的变化度，/>为预先设置的超参数，/>为特征完整度的倒数，即总产品数/该特征有取值的数量；通过/>反馈指标特征值的分布情况。

更优地，所述产品原始分的计算过程为：先计算出产品初始分，再进行百分制转换后得到产品原始分，公式为： ；/>；其中，S _tot 表示产品初始分，S _i 为指标特征值，W _i ^’ 为动态调整后的指标权重，i表示第i个指标，k为总指标数，K _j 为第j个乘数因子，/>表示j个乘数因子相乘，S ₁₀₀ 为产品原始分，S _max 为该批参与计算的所有产品原始分的最大值，各产品原始分的取值范围均为[0，99)。

更优地，所述预发布模拟器在预发布新品后，监控已发布产品的产品原始分的波动情况，若已发布产品原始分的波动值达到预警阈值，则发出告警，实时调整预发布新产品的指标和/或评分算法。

更优地，所述分数计算模块还包括多目标推荐模型，将用户在平台上的多种操作行为作为目标特征，将所述指标模块中创建的各指标构建特征列表，将目标特征和特征列表构建样本样例，经过特征重构和one-hot编码将目标特征及特征列表转化为特征向量，使用转化后的样本样例训练多目标推荐模型；使用离线训练的多目标推荐模型，在线抽取产品信息模块中的数据，通过多目标推荐模型计算出用户在平台上的的各操作行为的概率，将所得概率进行指数加权并连乘，计算出产品的推荐得分，计算公式为：，其中，/>为用户有站内浏览行为的概率，/>为用户点击的概率、/>为用户收藏的概率、/>为用户进行产品PK的概率、/>为用户有合作意向的概率、/>为用户达成合作分销的概率，a、b、c、d、e、f是参数，根据业务需求，对重点想提升的维度进行提权；

产品的最终得分是对产品得分和推荐得分加权求和，计算公式：，其中，/>和/>为人为设置的超参数，/>为产品的最终得分；

所述预发布模拟器按照产品的最终得分进行排序。

为了解决上述问题，基于同一发明构思，本发明还提供一种基于数据模型的选品方法。

一种基于数据模型的选品方法，包括如下步骤：创建产品信息数据库，包含产品数据、企业数据、线上推广数据以及线下推广数据；创建多种指标；计算产品分值：制定用于计算指标特征值的评分算法，根据指标权重值和该指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标，计算出产品原始分；所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正；所述评分算法从产品信息模块读取所需数据进行计算，得出指标特征值；

创建预发布模拟器，在所述预发布模拟器创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并排序；在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。

本发明具有如下有益效果：

1、本发明能够根据产品的指标特征值的分布情况和指标特征完整度动态校正指标权重，精准计算每个产品的分数，产品排序也随之自行动态调整，相对人为控制调整权重更加准确，减少了主观操作错误的可能。

2、本发明从多个指标维度计算出产品分值，对产品进行综合评判，且在预发布模拟器中验证通过后再进行发布，增加了选品排名的准确性，避免了单一维度的不准确性，以及选品人员的人为主观性，同时也降低了选品的工作负担，提高了选品效率。

3、本发明通过预发布模拟器，可以看到预发布新品在所有产品中的排名效果，且能够根据已发布产品的产品分值波动情况，及时发现指标配置问题，并可在预发布模拟器动态调整修改指标和算法参数，从而减少指标参数配置错误以及不合理的问题。

附图说明

图1为本发明选品装置的架构示意图；

图2为本发明的流程图；

图3为本发明的MMOE模型示意图。

具体实施方式

以下结合附图和具体实施例对本发明做进一步详细说明：

实施例一

请参阅图1和图2，一种基于数据模型的选品装置，包括产品信息模块、指标模块、分数计算模块、预发布模拟器以及发布模块。所述产品信息模块包含产品数据、企业数据、线上推广数据以及线下推广数据。例如，产品数据包含产品的样品验货、产品资质、质检报告等数据，企业数据包含企业信用、企业资质、电商经验等数据，线上推广数据包含产品在电商平台的销量、推广、评价等数据，线下推广数据包括一品一码的交易、溯源等数据。所述指标模块：创建多种指标，在本实施例中，创建的指标大致分类包括：产品指标、企业指标、第三方数据指标以及一品一码指标，创建的指标多达60多项。例如，产品指标包括是否为绿色食品、是否为有机食品、是否为无公害产品等、企业指标包括企业成立时长、是否在严重违法失信名单内、是否有知名品牌代工经验等，第三方数据指标包括产品在电商平台近30天销量、带货达人数、直播次数等，一品一码指标包括产品是否可溯源、近30天交易量等数据。

在所述分数计算模块，先制定用于计算指标特征值评分的算法。从产品信息模块读取产品数据、企业数据、线上平台销量推广数据及线下渠道销量数据，根据指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标以及指标权重，计算出产品原始分。每一个指标对应的评分算法都是可以配置的，一般在创建一个指标后，会选择一种评分算法作为该指标的默认选择，但在预发布模拟器中，可以根据实际运行情况，重新配置该指标的评分算法。不同的指标使用不同类型的评分算法，大致归类如下：1）线性插值算法：最大值和最小值为人为定义的超参数，区间内通过线性插值的方法赋值；2）字段值算法：直接采用指标值进行赋值；3）特定值算法：根据指标值是否满足对应条件，赋予特定的值；4）排序算法：依据指标取值大小进行排序，按照排名赋予特定的值；5）归一化处理：将所有的指标值作归一化处理；6）范围值：按指标取值范围区间进行赋值；7）其他：通过多个指标组合条件，赋予特定的值。例如：指标“近30天销量”采用线性插值算法进行赋值，首先将销量为0、销量排名后10%的产品剔除，赋予0分；其余产品按照排名顺序以1-10分赋值，区间线性插值。线性插值计算方式：设一共x个产品，y个销量为0，排名后10%的产品有[(x-y)×10%]个，一共[0.1x+0.9y]个产品0分；剩余[0.9×（x-y)]个产品进行排名，排名第一的产品10分，最后一名1分，每个名次之间差10/[0.9×（x-y)]分。本发明的关键创新点在于所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正，从而实现产品原始分能够根据数据分别及指标特征完整度进行自发动态调整，减少人为控制带来的主观判断错误影响，精准计算每个产品的分数。具体地，所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正的公式为：

；——公式（1）；/>；——公式（2）；

其中，为动态调整后的指标权重，W _i 是指标权重的初始值，是通过专家打分的形式获得指标的初始权重，β _i 为权重调整系数，/>为每个特征值较数据更新前一次特征值占比的变化度，例如，指标“是否为绿色食品”的取值有0-否和1-是，假设初始只有2个产品，取值分别为0和1，那么取值为0和取值为1的特征占比都为1/2；此时，再引入第3个产品，取值为0，那么取值为1的特征占比变为1/3，取值为0的特征占比变为2/3，特征占比变化度/>=/>， />=/>，/>=/>；

为预先设置的超参数，可依据实际数据分布情况进行调整，取值范围为[1,10]。/>为特征完整度的倒数，即总产品数/该特征有取值的数量；通过/>反馈指标特征值的分布情况，例如，平台上一共有10个产品，指标“近30天销量”只有8个产品有取值，另外4个产品该值缺失（非0，为null），那么“近30天销量”这个指标的特征完整度就是8/10，即。

所述产品原始分的计算过程为：先计算出产品初始分，再进行百分制转换后得到产品原始分，公式为：

；

；

其中，S _tot 表示产品初始分，S _i 为指标特征值，W _i ^’ 为动态调整后的指标权重，i表示第i个指标，k为总指标数，K _j 为第j个乘数因子，表示j个乘数因子相乘，乘数因子由几个特定的底线指标评分构成，如企业是否严重违法失信等，触发底线指标是/>为0，没触发为1。S ₁₀₀ 为产品原始分，是将产品初始分百分制转换后的结果，S _max 为该批参与计算的所有产品原始分的最大值，各产品原始分的取值范围均为[0，99)。

较优地，评分算法采用线性插值算法、字段值算法、特定值算法、排序算法的指标，在计算指标特征值时，其均可优选所述权重动态校正计算公式。评分规则为归一化处理的指标，其权重本身动态调整，不需要额外附加权重动态校正方案，例如，有产品好评率、评论数2个指标，对评论数进行归一化处理，将评论数通过标准化方法映射至（0,1）区间内，作为好评率的权重，公式如下：X=，其中x为评论数，max和min分别为参与计算的产品中最高评论数和最少评论数，X即为权重。当有新增产品或是评论数变化时，权重自动调整。

所述预发布模拟器用于创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并与已发布的产品一起参与排序。由于预发布模拟器内每一个产品的产品原始分都随指标权重的变化而变化，而指标权重跟随指标特征值的分布情况和指标特征完整度进行动态校正，因此，当预发布新产品后，指标权重的变化必然引起已发布产品的产品原始分的联动调整，所述预发布模拟器则可以通过已发布产品原始分的波动情况判断预发布新产品的指标及评分规则的配置是否合理，若已发布产品原始分的波动值达到预警阈值，则发出告警，及时实时调整预发布新产品的指标和/或评分算法，减少指标参数配置错误以及不合理问题。所述已发布产品的产品原始分的波动值是指未加入预发布新品排序前的已发布产品的产品原始分与加入预发布新品排序后的已发布产品的产品原始分的差值绝对值。

在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。所述预发布模拟器对所有已正式发布的产品的产品原始分仍进行实时监控分值波动并实时展示所有产品的排名效果。

更优地，本实施例还结合用户在平台上对产品的热度，作为影响排名的因素之一，使客户根据排名选品时能够更加精准。具体地，所述分数计算模块还包括使用MMOE模型（Modeling Task Relationships in Multi-task Learning with Multi-gate Mixtureof Expert,基于混合专家控制门的多目标模型）构建多目标推荐模型。请参阅图3，MMOE模型可以形式化表示为如下公式：

其中，i=1,2,…,n,n表示专家网络的数量，/>表示第i个专家网络，/>表示有/>个任务，/>表是第/>个任务模型，该任务模型由一个表示为函数f的共享底层网络和/>个塔式网络/>组成，/>为第/>个任务的表示函数，x为变量，/>=1,2,…/>。塔式网络建立在共享底层的输出之上，然后每个任务的单独输出/>相应的特定任务塔。g表示组合多个专家网络结果的门控网络，具体来说是由g产生n个专家网络上的概率分布，最终的输出是所有专家网络的加权求和。/>的输入是特征向量，输出是所有专家网络上的权重。/>是一个可训练的矩阵。

每个任务使用单独的门控，由此实现每个门控通过最终输出不同权重，实现对专家网络的优化选择。

将用户在平台上的多种操作行为作为目标特征，例如，用户是否有站内浏览行为、是否点击目标产品、是否收藏该目标产品、是否将该目标产品进行产品PK、是否有合作意向、是否达成合作分销作为目标特征，将所述指标模块中创建的各指标构建特征列表，将目标特征和特征列表构建样本样例，经过特征重构和one-hot编码将目标特征及特征列表转化为特征向量，使用转化后的样本样例训练多目标推荐模型。

使用离线训练的多目标推荐模型，在线抽取产品信息模块中的数据，通过多目标推荐模型计算出：用户有站内浏览行为的概率（），用户点击的概率（/>）、用户收藏的概率（/>）、用户进行产品PK的概率（/>）、用户有合作意向的概率（/>）、用户达成合作分销的概率（/>）。将预测所得概率进行指数加权并连乘，计算出产品的推荐得分，计算公式为： />，其中，a、b、c、d、e、f是参数，可以根据业务需求，对重点想提升的维度进行提权。

产品的最终得分是对产品得分和推荐得分加权求和，计算公式：，其中，/>和/>为人为设置的超参数，/>为产品的最终得分；

所述预发布模拟器按照产品的最终得分进行排序。

本发明一种基于数据模型的选品装置，通过产品信息模块汇总产品数据、企业数据、线上平台销量推广数据、线下渠道销量数据等信息、通过指标模块创建60多种指标并制定多种评分算法，再通过预发布模拟器进行预发布产品的指标和评分算法的配置，调用分数计算模块计算出产品分值，所述产品分值为产品初始分或产品最终得分，然后在预发布模拟器内进行排名。由于要发布的新品会不断增加，因此，本发明创新性地引入了指标特征值的权重根据指标特征值的分布情况和指标特征完整度动态校正，使排名更加精准。同时预发布模拟器，对新增的预发布产品分数进行监控，当预发布模拟器内产品分值波动较大或触发预警时，及时调整指标或评分算法，有效预防数据或者指标不准的问题，再进行正式的发布，从而提高店铺选品的准确率和效率。

基于同一发明构思，本申请还提供了与实施例一中的装置对应的方法，详见实施例二。

实施例二

请参阅图1和图2，一种基于数据模型的选品方法，包括如下步骤：创建产品信息数据库，包含产品数据、企业数据、线上推广数据以及线下推广数据；创建多种指标；计算产品分值：先制定用于计算指标特征值的评分算法，根据指标权重值和该指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标，计算出产品原始分；所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正；所述评分算法从产品信息模块读取所需数据进行计算，得出指标特征值；创建预发布模拟器，在所述预发布模拟器创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并排序，在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。

所述发布模块在预发布产品的产品原始分运行稳定后进行正式发布该产品及对应的排序状态。

所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正的公式为：

；

；

其中，为动态调整后的指标权重，W _i 是指标权重的初始值，β _i 为权重调整系数，为每个特征值较数据更新前一次特征值占比的变化度，/>为预先设置的超参数，/>为特征完整度的倒数，即总产品数/该特征有取值的数量；通过/>反馈指标特征值的分布情况。

所述产品原始分的计算过程为：先计算出产品初始分，再进行百分制转换后得到产品原始分，公式为：

；

；

其中，S _tot 表示产品初始分，S _i 为指标特征值，W _i ^’ 为动态调整后的指标权重，i表示第i个指标，k为总指标数，K _j 为第j个乘数因子，表示j个乘数因子相乘，S ₁₀₀ 为产品原始分，S _max 为该批参与计算的所有产品原始分的最大值，各产品原始分的取值范围均为[0，99)。

所述计算产品分值还包括根据用户线上操作计算出推荐分，计算出产品的最终得分，具体步骤为：将用户在平台上的多种操作行为作为目标特征，将所述指标模块中创建的各指标构建特征列表，将目标特征和特征列表构建样本样例，并进行标注，使用标注的样本样例训练多目标推荐模型，获得模型参数，使用离线训练的多目标推荐模型，在线抽取各种操作行为的概率，计算出产品的推荐得分，计算公式为：

，其中，a、b、c、d、e、f为多目标推荐模型训练的参数结果，/>为用户有站内浏览行为的概率，/>为用户点击的概率、/>为用户收藏的概率、/>为用户进行产品PK的概率、/>为用户有合作意向的概率、/>为用户达成合作分销的概率；

计算产品的最终得分：，其中，/>和/>为人为设置的超参数，/>为产品的最终得分；

所述预发布模拟器按照产品的最终得分进行排序。

由于本发明实施例二所介绍的方法，为实施本发明实施例一的装置中所执行的步骤，故而基于本发明实施例一所介绍的装置，本领域所属人员能够了解该装置的具体实施方式，故而在此不再赘述。凡是本发明实施例一的装置所采用的方法都属于本发明所欲保护的范围。

以上所述仅为本发明的具体实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于数据模型的选品装置，其特征在于：包括

产品信息模块：包含产品数据、企业数据、线上推广数据以及线下推广数据；

指标模块：创建多种指标；

分数计算模块：制定用于计算指标特征值的评分算法；根据指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标和指标权重，计算出产品原始分；所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正；所述评分算法从产品信息模块读取所需数据进行计算，得出指标特征值；

预发布模拟器：创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并与已发布产品一起排序；在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。

2.根据权利要求1一种基于数据模型的选品装置，其特征在于：所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正的公式为：

；

；

其中，为动态调整后的指标权重，W _i 是指标权重的初始值，β _i 为权重调整系数，/>为每个特征值较数据更新前一次特征值占比的变化度，/>为预先设置的超参数，/>为特征完整度的倒数，即总产品数/该特征有取值的数量；通过/>反馈指标特征值的分布情况。

3.根据权利要求2一种基于数据模型的选品装置，其特征在于：所述产品原始分的计算过程为：先计算出产品初始分，再进行百分制转换后得到产品原始分，公式为：

；

；

其中，S _tot 表示产品初始分，S _i 为指标特征值，W _i ^’ 为动态调整后的指标权重，i表示第i个指标，k为总指标数，K _j 为第j个乘数因子，表示j个乘数因子相乘，S ₁₀₀ 为产品原始分，S _max 为该批参与计算的所有产品原始分的最大值，各产品原始分的取值范围均为[0，99)。

4.根据权利要求1一种基于数据模型的选品装置，其特征在于：所述预发布模拟器在预发布新品后，监控已发布产品的产品原始分的波动情况，若已发布产品原始分的波动值达到预警阈值，则发出告警，实时调整预发布新产品的指标和/或评分算法。

5.根据权利要求1一种基于数据模型的选品装置，其特征在于：所述分数计算模块还包括多目标推荐模型，将用户在平台上的多种操作行为作为目标特征，将所述指标模块中创建的各指标构建特征列表，将目标特征和特征列表构建样本样例，经过特征重构和one-hot编码将目标特征及特征列表转化为特征向量，使用转化后的样本样例训练多目标推荐模型；使用离线训练的多目标推荐模型，在线抽取产品信息模块中的数据，通过多目标推荐模型计算出用户在平台上的的各操作行为的概率，将所得概率进行指数加权并连乘，计算出产品的推荐得分，计算公式为：，其中，/>为用户有站内浏览行为的概率，/>为用户点击的概率、/>为用户收藏的概率、/>为用户进行产品PK的概率、/>为用户有合作意向的概率、/>为用户达成合作分销的概率，a、b、c、d、e、f是参数，根据业务需求，对重点想提升的维度进行提权；

产品的最终得分是对产品得分和推荐得分加权求和，计算公式：，其中，/>和/>为人为设置的超参数，/>为产品的最终得分；

所述预发布模拟器按照产品的最终得分进行排序。

6.一种基于数据模型的选品方法，其特征在于，包括如下步骤：

创建产品信息数据库，包含产品数据、企业数据、线上推广数据以及线下推广数据；

创建多种指标；

计算产品分值：制定用于计算指标特征值的评分算法；根据指标权重值和该指标对应的评分算法计算出指标特征值，再根据产品所包含的全部指标，计算出产品原始分；所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正；所述评分算法从产品信息模块读取所需数据进行计算，得出指标特征值；

创建预发布模拟器，在所述预发布模拟器创建需要预发布的新产品，配置新产品对应的指标，调用所述分数计算模块执行产品原始分的计算，获取产品原始分并排序；在预发布新产品的产品原始分运行稳定后，正式发布该产品及对应的排序状态。

7.根据权利要求6所述的一种基于数据模型的选品方法，其特征在于，所述指标权重根据指标特征值的分布情况和指标特征完整度动态校正的公式为：

；

；

其中，为动态调整后的指标权重，W _i 是指标权重的初始值，β _i 为权重调整系数，/>为每个特征值较数据更新前一次特征值占比的变化度，/>为预先设置的超参数，/>为特征完整度的倒数，即总产品数/该特征有取值的数量；通过/>反馈指标特征值的分布情况。

8.根据权利要求7所述的一种基于数据模型的选品方法，其特征在于，所述产品原始分的计算过程为：先计算出产品初始分，再进行百分制转换后得到产品原始分，公式为：

；

；

其中，S _tot 表示产品初始分，S _i 为指标特征值，W _i ^’ 为动态调整后的指标权重，i表示第i个指标，k为总指标数，K _j 为第j个乘数因子，表示j个乘数因子相乘，S ₁₀₀ 为产品原始分，S _max 为该批参与计算的所有产品原始分的最大值，各产品原始分的取值范围均为[0，99)。

9.根据权利要求6所述的一种基于数据模型的选品方法，其特征在于：所述预发布模拟器在预发布新品后，监控已发布产品的产品原始分的波动情况，若已发布产品原始分的波动值达到预警阈值，则发出告警，实时调整预发布新产品的指标和/或评分算法。

10.根据权利要求6所述的一种基于数据模型的选品方法，其特征在于，所述计算产品分值还包括根据用户线上操作计算出推荐分，计算出产品的最终得分，具体步骤为：构建多目标推荐模型：将用户在平台上的多种操作行为作为目标特征，将所述指标模块中创建的各指标构建特征列表，将目标特征和特征列表构建样本样例，经过特征重构和one-hot编码将目标特征及特征列表转化为特征向量，使用转化后的样本样例训练多目标推荐模型；使用离线训练的多目标推荐模型，在线抽取产品信息模块中的数据，通过多目标推荐模型计算出用户在平台上的的各操作行为的概率，将所得概率进行指数加权并连乘，计算出产品的推荐得分，计算公式为：，其中，/>为用户有站内浏览行为的概率，/>为用户点击的概率、/>为用户收藏的概率、/>为用户进行产品PK的概率、/>为用户有合作意向的概率、/>为用户达成合作分销的概率，a、b、c、d、e、f是参数，根据业务需求，对重点想提升的维度进行提权；

产品的最终得分是对产品得分和推荐得分加权求和，计算公式：，其中，/>和/>为人为设置的超参数，/>为产品的最终得分；

所述预发布模拟器按照产品的最终得分进行排序。