CN117455563A - 资源配置方案推荐方法、装置、电子设备及存储介质 - Google Patents

资源配置方案推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117455563A
CN117455563A CN202311505006.XA CN202311505006A CN117455563A CN 117455563 A CN117455563 A CN 117455563A CN 202311505006 A CN202311505006 A CN 202311505006A CN 117455563 A CN117455563 A CN 117455563A
Authority
CN
China
Prior art keywords
resource allocation
store
allocation scheme
preset
parameter
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.)
Pending
Application number
CN202311505006.XA
Other languages
English (en)
Inventor
李露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shangyan Network Technology Co ltd
Original Assignee
Guangzhou Shangyan Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shangyan Network Technology Co ltd filed Critical Guangzhou Shangyan Network Technology Co ltd
Priority to CN202311505006.XA priority Critical patent/CN117455563A/zh
Publication of CN117455563A publication Critical patent/CN117455563A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种资源配置方案推荐方法、装置、电子设备及存储介质。所述方法包括：基于第一预设店铺的第一画像信息对应的第一画像特征向量与每个第二预设店铺的第二画像信息对应的第二画像特征向量之间的相似度，从多个第二预设店铺中选取多个相似店铺；根据每个相似店铺的资源配置方案，获取每个相似店铺的参数指标的参数值；基于参数值及相似度，计算每个资源配置方案的第一目标分数，基于每个资源配置方案的历史行为数据计算每个资源配置方案的第二目标分数；基于第一目标分数及第二目标分数，从多个资源配置方案选取目标配置方案，并向第一预设店铺推送目标配置方案。使用上述方法，能够提高资源配置方案的推荐合理性、推荐准确性及配置效率。

Description

资源配置方案推荐方法、装置、电子设备及存储介质
技术领域
本申请属于计算机领域，涉及人工智能技术，尤其涉及一种资源配置方案推荐方法、装置、电子设备及存储介质。
背景技术
在不同的领域中，对资源进行的配置往往需依赖人工凭借主观经验进行配置得到，或直接从多个历史方案中筛选得到，如此操作方式难以对资源进行合理分配。例如，对于电商平台上运营的店铺，为了增加店铺的吸引力，以及解决运营过程中产生的问题(例如，产品滞销及客户流失等)，通常需要采取有效的资源配置方案，例如满减优惠活动方案。然而，通过人力分配或历史经验确定资源的配置并向店铺推荐的方式，不仅效率低下，且由于人员经验的限制，往往难以准确把握实时的动态数据(例如，店铺的整体情况)，导致配置或筛选的资源配置方案不够准确。
若无法提供合理且准确的资源配置方案及提升配置效率，将影响资源的及时推荐而影响对资源的合理运用，例如，若难以向店铺及时地推荐有效的资源配置方案，进而影响店铺的正常运营。
发明内容
鉴于以上内容，有必要提供一种资源配置方案推荐方法、装置、电子设备及存储介质，能够解决资源配置方案的推荐合理性、推荐准确性及配置效率不佳的技术问题。
一方面，本申请提供一种资源配置方案推荐方法，所述方法包括：获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息，基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量，并基于所述第二画像信息生成每个第二预设店铺的第二画像特征向量，根据所述第一画像特征向量与每个第二画像特征向量之间的相似度，从所述多个第二预设店铺中选取多个相似店铺，根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度，根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数，获取每个资源配置方案的历史行为数据，并根据所述历史行为数据计算每个资源配置方案的第二目标分数，基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案，并向所述第一预设店铺推送所述目标配置方案。
在本申请的一些实施例中，所述第一画像信息包括多个店铺信息，所述基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量包括：从预先配置的列表中确定第一店铺信息对应的第一特征向量，所述第一店铺信息包括开店时长及订单量，根据第二店铺信息对预设信息向量进行编码，得到所述第二店铺信息对应的第二特征向量，所述第二店铺信息包括店铺类别、销售区域及主营品类，根据所述第一特征向量及所述第二特征向量生成所述第一画像特征向量。
在本申请的一些实施例中，若所述参数指标为多个，所述根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度包括：获取每个资源配置方案对应的相似店铺在所述实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置方案对应的相似店铺在所述实施时间之后的所述预设时间内的每个参数指标的第二参数值，根据所述第二参数值及所述第一参数值计算每个参数指标的指标差值，并根据每个参数指标的指标差值及第一参数值计算每个资源配置方案在每个参数指标上对应的增长幅度。
在本申请的一些实施例中，若所述参数指标为多个，以及每个资源配置方案包括多个资源配置步骤，所述实施时间包括每个资源配置步骤对应的步骤实施时间，所述根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度包括：获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之后的所述预设时间内的每个参数指标的第二参数值，根据所述第二参数值与所述第一参数值计算每个资源配置步骤在每个参数指标上的指标差值，并根据每个资源配置步骤在每个参数指标上的指标差值及第一参数值计算每个资源配置步骤在每个参数指标上的初始增长幅度，从所述多个资源配置步骤在每个参数指标上的多个初始增长幅度中选取最大的初始增长幅度作为每个资源配置方案在每个参数指标上对应的增长幅度。
在本申请的一些实施例中，若所述参数指标为多个以及任一资源配置方案对应的相似店铺为多个，所述根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数包括：计算所述任一资源配置方案在对应的每个相似店铺的每个参数指标的增长幅度与所述每个相似店铺对应的相似度之间的乘积，计算所述任一资源配置方案对应的多个相似店铺的相似度总和，并根据多个乘积的加和值及所述相似度总和计算所述任一资源配置方案在对应的每个参数指标上的指标分数，将所述任一资源配置方案在对应的多个参数指标上的多个指标分数中最大的指标分数确定为所述任一资源配置方案的第一目标分数。
在本申请的一些实施例中，所述历史行为数据包括店铺展示数据、店铺访问数据及店铺实施数据，所述根据所述历史行为数据计算每个资源配置方案的第二目标分数包括：计算所述店铺访问数据与所述店铺展示数据之间的第一比值，并计算所述店铺实施数据与所述店铺访问数据的第二比值，根据所述第一比值、所述第二比值及多个预设参数计算每个资源配置方案的第二目标分数。
在本申请的一些实施例中，所述基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案包括：根据每个资源配置方案的第一目标分数及每个资源配置方案的第二目标分数计算每个资源配置方案的推荐分数，从由高至低排序的推荐分数中选取在前的预设数量个推荐分数，并将所述预设数量个推荐分数对应的资源配置方案确定为所述目标配置方案。
另一方面，本申请提供一种资源配置方案推荐装置，运行于电子设备，所述装置包括：获取单元，用于获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息，生成单元，用于基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量，并基于所述第二画像信息生成每个第二预设店铺的第二画像特征向量，选取单元，用于根据所述第一画像特征向量与每个第二画像特征向量之间的相似度，从所述多个第二预设店铺中选取多个相似店铺，所述获取单元，还用于根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，计算单元，用于根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度，所述计算单元，还用于根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数，所述获取单元，还用于获取每个资源配置方案的历史行为数据，所述计算单元，还用于根据所述历史行为数据计算每个资源配置方案的第二目标分数，所述选取单元，还用于基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案，推送单元，用于向所述第一预设店铺推送所述目标配置方案。
另一方面，本申请提供一种电子设备，电子设备包括：存储器，存储至少一个指令；及处理器，执行至少一个指令以实现所述的资源配置方案推荐方法。
另一方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的资源配置方案推荐方法。
在上述实施方案中，由于第一画像信息是指能够描述第一预设店铺的整体特点和属性的多个店铺信息，第二画像信息是指能够描述对应的第二预设店铺的整体特点和属性的多个店铺信息，因此，第一画像特征向量能够表征第一预设店铺的整体店铺特征，第二画像特征向量能够表征第二预设店铺的整体店铺特征。通过整体店铺特征之间的相似度从多个第二预设店铺中选取多个相似店铺，能够确保每个相似店铺与第一预设店铺之间具有较高的相似性。由于每个相似店铺与第一预设店铺具有较高的相似性，因此每个相似店铺的参数指标的参数值具有较高的可靠性。由于每个增长幅度是依据每个资源配置方案在对应的相似店铺的参数指标的参数值计算得到，因此每个增长幅度能够衡量每个资源配置方案对相似店铺中的参数指标的提升效果；
由于第一目标分数是通过每个资源配置方案的增长幅度及第一预设店铺与相似店铺之间的相似度计算得到，因此每个第一目标分数具有可靠性，并且每个第一目标分数能够衡量第一预设店铺的参数指标在实施对应的资源配置方案之后的提升效果。通过获取每个资源配置方案的历史行为数据，能够为选取有效的目标配置方案提供数据支持。由于每个资源配置方案的第二目标分数是通过每个资源配置方案的历史行为数据计算得到，因此每个第二目标分数能够表征对应的资源配置方案的受欢迎程度，其中，受欢迎程度侧面能够表征该资源配置方案的有效性。通过第一目标分数及第二目标分数选取目标配置方案，能够确保目标配置方案的合理性、准确性及有效性。将目标配置方案推荐至第一预设店铺，能够确保第一预设店铺在实施目标配置方案之后的运营效果，此外，由于本申请实施例中目标配置方案通过第一预设店铺的画像信息从与第一预设店铺相似的相似店铺的资源配置方案中得到，而并不依赖人工凭借经验进行配置或选取，因此能够提升目标配置方案的配置效率。
附图说明
图1是本申请一实施例提供的电子设备的结构示意图。
图2是本申请一实施例提供的资源配置方案推荐方法的流程图。
图3是本申请一实施例提供的第一画像特征向量的生成方法的流程图。
图4是本申请另一实施例提供的增长幅度的计算方法的流程图。
图5是本申请一实施例提供的第一目标分数的计算方法的流程图。
图6是本申请一实施例提供的第二目标分数的计算方法的流程图。
图7是本申请一实施例提供的资源配置方案推荐装置的功能模块图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
需要说明的是，本申请中“至少一个”是指一个或者多个，“多个”是指两个或多于两个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在不同的领域中，对资源进行的配置往往需依赖人工凭借主观经验进行配置得到，或直接从多个历史方案中筛选得到，如此操作方式难以对资源进行合理分配。例如，对于电商平台上运营的店铺，为了增加店铺的吸引力，以及解决运营过程中产生的问题(例如，产品滞销及客户流失等)，通常需要采取有效的资源配置方案，例如满减优惠活动方案。然而，通过人力分配或历史经验确定资源的配置并向店铺推荐的方式，不仅效率低下，且由于人员经验的限制，往往难以准确把握实时的动态数据(例如，店铺的整体情况)，导致配置或筛选的资源配置方案不够准确。
若无法提供合理且准确的资源配置方案及提升配置效率，将影响资源的及时推荐而影响对资源的合理运用，例如，若难以向店铺及时地推荐有效的资源配置方案，进而影响店铺的正常运营。
为了解决上述技术问题，本申请提供一种资源配置方案推荐方法、装置、电子设备及存储介质，能够提高资源配置方案的推荐合理性、推荐准确性及配置效率。本申请实施例提供的资源配置方案推荐方法可应用于一个或者多个电子设备中。
电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，手机、平板电脑、笔记本电脑及计算机等电子设备。
电子设备还可以包括网络设备和/或用户设备。其中，网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等，本申请实施例对电子设备的具体类型不作任何限制。电子设备可以通过软件即服务(Software as a Service，SaaS)实现资源配置方案推荐方法。
如图1所示，是本申请一实施例提供的电子设备的结构示意图。
如图1所示，该电子设备10可以包括通信模块101、存储器102、处理器103、输入/输出(Input/Output，I/O)接口104及总线105。处理器103通过总线105分别耦合于通信模块101、存储器102、输入/输出接口104。
通信模块101可以包括有线通信模块和/或无线通信模块。有线通信模块可以提供通用串行总线(universal serial bus，USB)、控制器局域网总线(CAN，Controller AreaNetwork)等有线通信的解决方案中的一种或多种。无线通信模块可以提供无线保真(wireless fidelity，Wi-Fi)，蓝牙(Bluetooth，BT)，移动通信网络，调频(frequencymodulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案中的一种或多种。
存储器102可以包括一个或多个随机存取存储器(random access memory，RAM)和一个或多个非易失性存储器(non-volatile memory，NVM)。随机存取存储器可以由处理器103直接进行读写，可以用于存储或其他正在运行中的程序的可执行程序(例如机器指令)，还可以用于存储用户及应用的数据等。随机存取存储器可以包括静态随机存储器(staticrandom-access memory，SRAM)、动态随机存储器(dynamic random access memory，DRAM)、同步动态随机存储器(synchronous dynamic random access memory,SDRAM)、双倍资料率同步动态随机存取存储器(double data rate synchronous dynamic random accessmemory，DDR SDRAM)等。
非易失性存储器也可以存储可执行程序和存储用户及应用的数据等，可以提前加载到随机存取存储器中，用于处理器110直接进行读写。非易失性存储器可以包括磁盘存储器件、快闪存储器(flash memory)。
存储器102用于存储一个或多个计算机程序。一个或多个计算机程序被配置为被处理器103执行。该一个或多个计算机程序包括多个指令，多个指令被处理器103执行时，可实现在电子设备10上执行的资源配置方案推荐方法。
在其他实施例中，如图1所示的电子设备10还包括外部存储器接口，用于连接外部的存储器，实现扩展电子设备10的存储能力。
处理器103可以包括一个或多个处理单元，例如：处理器103可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，和/或神经网络处理器(neural-networkprocessing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
处理器103提供计算和控制能力，例如，处理器103用于执行存储器102内存储的计算机程序，以实现上述的资源配置方案推荐方法。
输入/输出接口104用于提供用户输入或输出的通道，例如输入/输出接口104可用于连接各种输入输出设备，例如，鼠标、键盘、触控装置、显示屏等，使得用户可以录入信息，或者使信息可视化。
总线105至少用于提供电子设备10中的通信模块101、存储器102、处理器103、输入/输出接口104之间相互通信的通道。
可以理解的是，本申请实施例示意的结构并不构成对电子设备10的具体限定。在本申请另一些实施例中，电子设备10可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
如图2所示，是本申请一实施例提供的资源配置方案推荐方法的流程图。根据不同的需求，该流程图中各个步骤的顺序可以根据实际要求进行调整，某些步骤可以省略。所述方法的执行主体为电子设备，例如图1所示的电子设备10。
S11，获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息。
在本申请的一些实施例中，电子设备可以连接软件即服务(Software as aService，SaaS)平台，将在SaaS平台注册/登录的任一个店铺确定为第一预设店铺，并从在SaaS平台注册/登录的多个店铺中除了第一预设店铺之外的其他店铺中随机选取多个店铺作为第二预设店铺。第二预设店铺的数量可以自行设置，本申请对此不作限制。例如，可以在SaaS平台注册/登录的多个店铺中选取1000个店铺作为第二预设店铺。
在本申请的一些实施例中，针对店铺的画像信息可以包括各店铺的信息，例如，第一画像信息是指能够反映及描述第一预设店铺的整体特点和属性的多个店铺信息，第二画像信息是指能够反映及描述对应的第二预设店铺的整体特点和属性的多个店铺信息。第一画像信息及第二画像信息包括，但不限于：开店时长、订单量、店铺类别、销售区域及主营品类等。销售区域为店铺内商品的一个或多个的售卖区域，主营品类为店铺内热销或主要销售的一个或多个商品。例如，第一画像信息中的开店时长可以为200天，订单量可以为1000单，店铺类别可以为服装类店铺，销售区域包括A地区及B地区，主营品类为男装、女装及童装等。
在本申请的一些实施例中，在店铺商家在SaaS平台上注册及登录时，需要在SaaS平台输入关于店铺的各类信息，这些输入的信息将会存储至SaaS平台的数据库中，因此电子设备可以从SaaS平台的数据库中获取第一预设店铺的第一画像信息，并从SaaS平台的数据库获取每个第二预设店铺的第二画像信息。
S12，基于第一画像信息生成第一预设店铺的第一画像特征向量，并基于第二画像信息生成每个第二预设店铺的第二画像特征向量。
在本申请的一些实施例中，第一画像信息包括多个不同的店铺信息，因此可以通过多种方式对不同的店铺信息进行处理，得到每个店铺信息对应的特征向量，并根据多个店铺信息对应的所有特征向量中的所有元素值生成第一画像特征向量。其中，每个第二画像特征向量的生成方法与第一画像特征向量的生成方法基本相同，故本申请不再重复描述。
在本实施例中，由于第一画像信息是指能够描述第一预设店铺的整体特点和属性的多个店铺信息，第二画像信息是指能够描述对应的第二预设店铺的整体特点和属性的多个店铺信息，因此，第一画像特征向量能够表征第一预设店铺的整体店铺特征，第二画像特征向量能够表征第二预设店铺的整体店铺特征。
S13，根据第一画像特征向量与每个第二画像特征向量之间的相似度，从多个第二预设店铺中选取多个相似店铺。
在本申请的一些实施例中，相似度可以为余弦相似度(Cosine Similarity)、欧氏距离(Euclidean Distance)、曼哈顿距离(Manhattan Distance)及皮尔逊相关系数(Pearson Correlation Coefficient)等，本申请对此不作限制。电子设备可以通过余弦相似度的计算公式计算第一画像特征向量与每个第二画像特征向量之间的相似度，针对多个第二画像特征向量，可以计算得到多个相似度。电子设备将多个相似度进行升序/降序排序，并从由高至低排序的多个相似度中选取在前的第一预设数量的相似度，并将第一预设数量的相似度对应的第二预设店铺确定为相似店铺。
其中，第一预设数量可以自行设置，本申请对此不作限制。例如，第一预设数量可以为10个、20个或100个等。
在本实施例中，第一画像特征向量能够表征第一预设店铺的整体店铺特征，第二画像特征向量能够表征第二预设店铺的整体店铺特征，通过第一预设店铺与每个第二预设店铺的整体店铺特征之间的相似度从多个第二预设店铺中选取多个相似店铺，能够确保每个相似店铺与第一预设店铺之间具有较高的相似性。
S14，根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据参数值计算每个资源配置方案在参数指标上对应的增长幅度。
在本申请的一些实施例中，若运用于在线平台，资源配置方案也可以称为运营解决方案，资源配置方案为运营活动/营销活动的配置方案。例如，资源配置方案可以为满减活动的配置方案、打折活动的配置方案、限时促销活动的配置方案、积分换购活动的配置方案及节日促销活动的配置方案等。资源配置方案中包括资源的一个或多个资源配置步骤，其中，所述资源可以表现为多种类型，例如，资源可以为折扣码、代金券、满减优惠券及红包，还可以是网络流量等。例如，打折活动的配置方案中可以包括折扣码的配置方法及配置步骤等，满减活动的配置方案中可以包括满减优惠券的配置方法及配置步骤等。上述仅为对资源配置的举例说明，实际应用中不局限于此。
在本申请的一些实施例中，每个资源配置方案的实施时间可以为对应的相似店铺使用/执行该资源配置方案的日期。参数指标可以为相似店铺的运营指标。例如，参数指标可以包括订单量、销售金额及用户留存数量等运营指标中的一种或多种。参数指标的参数值可以为参数指标对应的具体数值。例如，一相似店铺的订单量为1000单，则订单量为相似店铺的参数指标，1000为参数指标对应的参数值。
例如，如表1所示，是本申请一实施例提供的目标店铺、资源配置方案、参数指标与增长幅度之间的对应关系的示例。
表1
目标店铺 资源配置方案 参数指标 增长幅度
A1 S1 M1 Prom1,1,1
… … … …
An Sm Mj Promn,m,j
在本申请的一些实施例中，若参数指标为多个，电子设备根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据参数值计算每个资源配置方案在参数指标上对应的增长幅度，具体可包括：电子设备获取每个资源配置方案对应的相似店铺在实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置方案对应的相似店铺在实施时间之后的预设时间内的每个参数指标的第二参数值，电子设备根据第二参数值及第一参数值计算每个参数指标的指标差值，并根据每个参数指标的指标差值及第一参数值计算每个资源配置方案在每个参数指标上对应的增长幅度。
其中，预设时间可以自行设置，本申请对此不作限制。例如，预设时间可以为7天。例如，若实施时间为2023年11月7日，预设时间为7天，电子设备可以将资源配置方案对应的相似店铺在2023年11月8日之前的7天内(即2023年11月1日-2023年11月7日)的订单量及销售额作为参数指标，并将订单量及销售额的具体数值的总和作为第一参数值，并获取资源配置方案对应的相似店铺在2023年11月8日之后的7天内(即2023年11月9日-2023年11月15日)的订单量及销售额作为参数指标，并将订单量及销售额的具体数值的总和作为第二参数值。
例如，增长幅度的计算公式可以参考如下所示的公式(1)：
Prom＝(Mt+-Mt-)/Mt-； (1)
其中，Prom表示增长幅度，Mt+表示第二参数值，Mt-表示第一参数值。
在本实施例中，由于每个相似店铺与第一预设店铺具有较高的相似性，因此每个相似店铺的参数指标的参数值具有较高的可靠性。此外，由于每个增长幅度是依据每个资源配置方案在对应的相似店铺的参数指标的参数值计算得到，因此每个增长幅度能够衡量每个资源配置方案对相似店铺中相应的参数指标的提升效果。
S15，根据增长幅度及相似度，计算每个资源配置方案的第一目标分数。
在本申请的一些实施例中，由于多个相似店铺可以实施(采用)相同的资源配置方案，因此任一资源配置方案可以对应多个相似店铺。若任一资源配置方案对应多个相似店铺，可以根据任一资源配置方案对应的每个相似店铺的相似度及增长幅度计算任一资源配置方案的第一目标分数。
在本实施例中，增长幅度能够反映每个资源配置方案对相应的相似店铺的参数指标的提升效果，当一资源配置方案在一相似店铺的参数指标的增长幅度为正数时，表示该资源配置方案能够提升该相似店铺的参数指标(比如订单量)，或者，当一资源配置方案在一相似店铺的参数指标的增长幅度为负数时，表示该资源配置方案会降低该相似店铺的参数指标(比如订单量)，或者，当一资源配置方案在一相似店铺的参数指标的增长幅度为零时，表示该资源配置方案对该相似店铺的参数指标(比如订单量)没有影响。由于第一目标分数是通过每个资源配置方案的增长幅度及第一预设店铺与相似店铺之间的相似度计算得到，因此每个第一目标分数具有可靠性，并且每个第一目标分数能够衡量第一预设店铺的参数指标在实施对应的资源配置方案之后的提升效果。
S16，获取每个资源配置方案的历史行为数据，并根据历史行为数据计算每个资源配置方案的第二目标分数。
在本申请的一些实施例中，历史行为数据可以包括店铺展示数据、店铺访问数据及店铺实施数据。其中，每个资源配置方案的店铺展示数据可以为在SaaS平台上可以看到该资源配置方案的店铺数量(即每个资源配置方案的曝光量)，每个资源配置方案的店铺访问数据可以为在SaaS平台上访问/浏览该资源配置方案的店铺数量，每个资源配置方案的店铺实施数据为SaaS平台上实施/采用/执行该资源配置方案的店铺数量。例如，假设一段时间内(比如7天)一资源配置方案在SaaS平台被展示/曝光给V个店铺，其中C个店铺点击访问/浏览了该资源配置方案，U个店铺采用了该资源配置方案提供的营销活动方案，则该资源配置方案的店铺展示数据为V，该资源配置方案的店铺访问数据为C，该资源配置方案的店铺实施数据为U。
在本申请的一些实施例中，可以通过埋点数据获取每个资源配置方案的历史行为数据。通过埋点数据获取历史行为数据的方法可以参考相关技术，本申请对此不作限制。
在本实施例中，通过获取每个资源配置方案的历史行为数据，能够为选取有效的目标配置方案提供数据支持。由于每个资源配置方案的第二目标分数是通过每个资源配置方案的历史行为数据计算得到，因此每个第二目标分数能够表征对应的资源配置方案的受欢迎程度，其中，受欢迎程度侧面能够表征该资源配置方案的有效性。
S17，基于第一目标分数及第二目标分数，从多个资源配置方案中选取目标配置方案，并向第一预设店铺推送目标配置方案。
在本申请的一些实施例中，基于第一目标分数及第二目标分数，从多个资源配置方案中选取目标配置方案包括：电子设备根据每个资源配置方案的第一目标分数及每个资源配置方案的第二目标分数计算每个资源配置方案的推荐分数，电子设备从依据预设顺序排序(例如，由高至低排序)的推荐分数中选取在前的第二预设数量的推荐分数，并将第二预设数量的推荐分数对应的资源配置方案确定为目标配置方案。
其中，第二预设数量可以自行设置，本申请对此不作限制。例如，第二预设数量可以为1个或者2个。
具体地，电子设备可以根据预设权重对第一目标分数及第二目标分数进行加权运算，得到每个资源配置方案的推荐分数。例如，推荐分数的计算方法可以参考如下公式(2)：
Score＝θ*ScoreM+(1-θ)*ScoreH； (2)
其中，Score表示推荐分数，θ表示预设权重，ScoreM表示第一目标分数，ScoreH表示第二预设分数。
在本申请的一些实施例中，在获得目标配置方案之后，第一预设店铺可以目标配置方案中的资源配置步骤进行资源配置，从而能够增加店铺的吸引力，以及解决运营过程中产生的产品滞销及客户流失等问题。
在上述实施方案中，由于第一画像信息是指能够描述第一预设店铺的整体特点和属性的多个店铺信息，第二画像信息是指能够描述对应的第二预设店铺的整体特点和属性的多个店铺信息，因此，第一画像特征向量能够表征第一预设店铺的整体店铺特征，第二画像特征向量能够表征第二预设店铺的整体店铺特征。通过整体店铺特征之间的相似度从多个第二预设店铺中选取多个相似店铺，能够确保每个相似店铺与第一预设店铺之间具有较高的相似性。由于每个相似店铺与第一预设店铺具有较高的相似性，因此每个相似店铺的参数指标的参数值具有较高的可靠性。由于每个增长幅度是依据每个资源配置方案在对应的相似店铺的参数指标的参数值计算得到，因此每个增长幅度能够衡量每个资源配置方案对相似店铺中的参数指标的提升效果。由于第一目标分数是通过每个资源配置方案的增长幅度及第一预设店铺与相似店铺之间的相似度计算得到，因此每个第一目标分数具有可靠性，并且每个第一目标分数能够衡量第一预设店铺的参数指标在实施对应的资源配置方案之后的提升效果；
通过获取每个资源配置方案的历史行为数据，能够为选取有效的目标配置方案提供数据支持。由于每个资源配置方案的第二目标分数是通过每个资源配置方案的历史行为数据计算得到，因此每个第二目标分数能够表征对应的资源配置方案的受欢迎程度，其中，受欢迎程度侧面能够表征该资源配置方案的有效性。通过第一目标分数及第二目标分数选取目标配置方案，能够确保目标配置方案的合理性、准确性及有效性。将目标配置方案推荐至第一预设店铺，能够确保第一预设店铺在实施目标配置方案之后的运营效果，此外，由于本申请实施例中目标配置方案通过第一预设店铺的画像信息从与第一预设店铺相似的相似店铺的资源配置方案中得到，而并不依赖人工凭借经验进行配置或选取，因此能够提升目标配置方案的配置效率。
在本申请的一些实施例中，如图3所示，是本申请一实施例提供的第一画像特征向量的生成方法的流程图，包括以下步骤：
S121，从预先配置的列表中确定第一店铺信息对应的第一特征向量。
在本申请的一些实施例中，第一店铺信息包括，但不限于：开店时长及订单量，每个第一店铺信息对应的列表各不相同。例如，电子设备可以从预先配置的第一列表中获取开店时长对应的第一特征向量，并从预先配置的第二列表中获取订单量对应的第一特征向量。其中，第一列表中包括多个时长区间及每个时长区间对应的时长向量，第二列表中包括多个订单区间及每个订单区间对应的订单向量。
具体地，电子设备可以将开店时长在第一列表中所处的时长区间对应的时长向量确定为开店时长对应的第一特征向量，并将订单量在第二列表中所处的订单区间对应的订单向量确定为订单量对应的第一特征向量。
例如，如表2所示，是本申请一实施例提供的开店时长对应的第一列表的示例。
表2
例如，承接上述实施例，若开店时长为40，则开店时长40在第一列表中所处的时长区间为(30,90]，电子设备可以将时长区间(30,90]在第一列表中对应的时长向量[0 1 1 10 0 0]确定为开店时长40对应的第一特征向量。表2的每个时长向量中的每个数值与对应一区间编号。例如，在时长向量[1 1 0 0 0 0 0]中，从左到右的第一个数值“1”与区间编号“0”对应，从左到右的第二个数值“1”与区间编号“1”对应，从左到右的第三个数值“0”与区间编号“2”对应，从左到右的第三个数值“0”与区间编号“3”对应，以此类推，每个时长向量中的每个数值与对应一区间编号。时长向量[1 1 0 0 0 0 0]中与区间编号“0”和“1”对应，区间编号“0”和“1”分别对应时长区间[0,14]和时长区间(14,30]，因此时长向量[1 1 0 00 0 0]对应时长区间[0,14]和时长区间(14,30]。因此每个时长区间对应的时长向量中的数值“1”除了与该时长区间对应之外，还与该时长向量相邻的时间区间对应。
例如，如表3所示，是本申请一实施例提供的订单量对应的第二列表的示例。
表3
区间编号 订单区间 订单向量
0 (-∞,0] [1 0 0 0 0 0 0 0]
1 (0,1] [0 1 1 0 0 0 0 0]
2 (1,10] [0 1 1 1 0 0 0 0]
3 (10,50] [0 0 1 1 1 0 0 0]
4 (50,100] [0 0 0 1 1 1 0 0]
5 (100,500] [0 0 0 0 1 1 1 0]
6 (500,1000] [0 0 0 0 0 1 1 1]
7 (1000,+∞] [0 0 0 0 0 0 1 1]
例如，承接上述实施例，若订单量为150，则订单量150在第二列表中所处的订单区间为(100,500]，电子设备可以将订单区间(100,500]在第二列表中对应的订单向量[0 0 00 1 1 1 0]确定为订单量150对应的第一特征向量。表3的每个订单向量中的每个数值与对应一区间编号。例如，在订单向量[0 0 0 0 1 1 1 0]中，从左到右的第一个数值“0”与区间编号“0”对应，从左到右的第二个数值“0”与区间编号“1”对应，从左到右的第三个数值“0”与区间编号“2”对应，从左到右的第三个数值“0”与区间编号“3”对应，从左到右的第四个数值“1”与区间编号“4”对应，以此类推，每个订单向量中的每个数值与对应一区间编号。订单向量[0 0 0 0 1 1 1 0]中与区间编号“4”、“5”和“6”对应，区间编号“4”、“5”和“6”分别对应订单区间(50,100]、订单区间(100,500]和订单区间(500,1000]，因此订单向量[0 0 0 01 1 1 0]对应订单区间(50,100]、订单区间(100,500]和订单区间(500,1000]。因此，除了订单区间(-∞,0]对应的订单向量[1 0 0 0 0 0 0 0]及订单区间(0,1]对应的订单向量[01 1 0 0 0 0 0]之外，每个订单区间对应的订单向量中的数值“1”除了与该订单区间对应之外，还与该订单向量相邻的订单区间对应。在表2中，订单区间(-∞,0]对应的订单向量[10 0 0 0 0 0 0]仅与订单区间(-∞,0]对应，订单区间(0,1]对应的订单向量[0 1 1 0 0 00 0]与订单区间(0,1]及订单区间(1,10]对应，这是由于考虑到订单量为零和订单量大于零的相似店铺的运营状态等区别较大，所以不再将订单区间(-∞,0]与订单区间(0,1]对应的订单向量进行关联。
在本实施例中，表2及表3仅为示例，并不构成对第一列表及第二列表的限制。在表2中，每个时长区间对应的时长向量中的数值“1”除了与该时长区间对应之外，还与该时长向量相邻的时间区间对应，由于考虑到了误差问题，因此提高开店时长对应的第一特征向量。在表3中，除了订单区间(-∞,0]对应的订单向量[1 0 0 0 0 0 0 0]及订单区间(0,1]对应的订单向量[0 1 1 0 0 0 0 0]之外，每个订单区间对应的订单向量中的数值“1”，除了与该订单区间对应之外，还与该订单向量相邻的订单区间对应，由于考虑到了误差问题，因此可以提高订单量对应的第一特征向量的合理性。
S122，根据第二店铺信息对预设信息向量进行编码，得到第二店铺信息对应的第二特征向量。
在本申请的一些实施例中，第二店铺信息包括，但不限于：店铺类别、销售区域及主营品类。每个第二店铺信息对应的预设信息向量各不相同，每个第二店铺信息对应的预设信息向量中可以使用不同的数值表示不同的信息，每个预设信息向量中数值的数量可以自行设置，本申请对此不作限制。为了根据第二店铺信息对预设信息向量进行编码，还可以使用不同的数值表示不同的第二店铺信息。
例如，店铺类别可以为3，店铺类别对应的预设信息向量可以为[0 1 2 3 4 5]，其中，预设信息向量[0 1 2 3 4 5]中的每个数值对应一店铺类别，不同数值表示不同的店铺类别。销售区域可以为3和5，销售区域对应的预设信息向量可以为[0 1 2 3 4 5 6 7 89]，其中，预设信息向量[0 1 2 3 4 5 6 7 8 9]中的每个数值对应一区域，不同数值表示不同的区域。主营品类可以为2、4和7，主营品类对应的预设信息向量可以为[0 1 2 3 4 56 7 8]，其中，预设信息向量[0 1 2 3 4 5 6 7 8]中的每个数值对应一商品类别，不同数值表示不同的商品类别。
在本申请的一些实施例中，电子设备可以根据每个第二店铺信息对相应的预设信息向量进行独热(one-hot)编码，得到每个第二店铺信息对应的第二特征向量。
例如，承接上述实施例，若店铺类别为3，店铺类别对应的预设信息向量为[0 1 23 4 5]，电子设备根据店铺类别3对预设信息向量[0 1 2 3 4 5]进行独热编码，得到店铺类别3对应的第二特征向量为[0 0 0 1 0 0]。或者，若销售区域为3和5，销售区域对应的预设信息向量可以为[0 1 2 3 4 5 6 7 8 9]，电子设备根据销售区域为3和5对预设信息向量可以为[0 1 2 3 4 5 6 7 8 9]进行独热编码，得到销售区域为3和5对应的第二特征向量为[0 0 0 1 0 1 0 0 0 0]。或者，若主营品类为2、4和7，主营品类对应的预设信息向量为[0 1 2 3 4 5 6 7 8]，电子设备根据主营品类为2、4和7对预设信息向量[0 1 2 3 4 56 7 8]进行独热编码，得到主营品类为2、4和7对应的第二特征向量为[0 0 1 0 1 0 0 10]。
在本实施例中，根据每个第二店铺信息对相应的预设信息向量进行独热(one-hot)编码，能够确保编码得到的每个第二特征向量的准确性。
S123，根据第一特征向量及第二特征向量生成第一画像特征向量。
在本申请的一些实施例中，电子设备可以将所有第一特征向量及所有第二特征向量中的所有元素值生成第一画像特征向量。例如，承接上述实施例，第一特征向量包括时长向量[0 1 1 1 0 0 0]及订单向量[0 0 0 0 1 1 1 0]，第二特征向量包括店铺类别3对应的第二特征向量[0 0 0 1 0 0]、销售区域为3和5对应的第二特征向量[0 0 0 1 0 1 0 00 0]及主营品类为2、4和7对应的第二特征向量[0 0 1 0 1 0 0 1 0]，根据上述5个特征向量的所有元素值生成的第一画像特征向量为[0 1 1 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 10 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 1 0]。
在本实施例中，由于第一画像信息是指能够描述第一预设店铺的整体特点和属性的多个店铺信息，因此，第一画像特征向量能够表征第一预设店铺的整体店铺特征。
在本申请的一些实施例中，若参数指标为多个，以及每个资源配置方案包括多个资源配置步骤，实施时间包括每个资源配置步骤对应的步骤实施时间。如图4所示，是本申请另一实施例提供的增长幅度的计算方法的流程图，包括以下步骤：
S141，获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之前的预设时间内的每个参数指标的第一参数值。
在本申请的一些实施例中，每个资源配置步骤在每个参数指标上的第一参数值的获取方法与每个资源配置方案在每个参数指标上的第一参数值的获取方法基本相同，因此可以参考步骤S14的相关描述。
S142，获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之后的预设时间内的每个参数指标的第二参数值。
在本申请的一些实施例中，每个资源配置步骤在每个参数指标上的第二参数值的获取方法与每个资源配置方案在每个参数指标上的第二参数值的获取方法基本相同，因此可以参考步骤S14的相关描述。
S143，根据第二参数值与第一参数值计算每个资源配置步骤在每个参数指标上的指标差值。
在本申请的一些实施例中，每个资源配置步骤在每个参数指标的指标差值的计算方法与每个资源配置方案在每个参数指标的指标差值的计算方法基本相同，因此可以参考步骤S14的相关描述。
S144，根据每个资源配置步骤在每个参数指标上的指标差值及第一参数值计算每个资源配置步骤在每个参数指标上的初始增长幅度。
在本申请的一些实施例中，每个资源配置步骤在每个参数指标上的初始增长幅度的计算方法与每个资源配置方案在每个参数指标上的增长幅度的计算方法基本相同，因此可以参考步骤S14的相关描述。
S145，从多个资源配置步骤在每个参数指标上的多个初始增长幅度中选取最大的初始增长幅度作为每个资源配置方案在每个参数指标上对应的增长幅度。
在本申请的其它实施例中，还可以使用其它方法通过多个初始增长幅度计算出每个资源配置方案对应的增长幅度。例如，电子设备可以将多个初始增长幅度之间的平均值确定为每个资源配置方案对应的增长幅度。或者，电子设备可以对多个初始增长幅度进行升序排序，并将升序排序后处于前1/4位置上的初始增长幅度确定为每个资源配置方案对应的增长幅度。
在本申请的一些实施例中，若参数指标为多个以及任一资源配置方案对应的相似店铺为多个，如图5所示，是本申请一实施例提供的第一目标分数的计算方法的流程图，包括以下步骤：
S151，计算任一资源配置方案在对应的每个相似店铺的每个参数指标的增长幅度与每个相似店铺对应的相似度之间的乘积。
在本申请的一些实施例中，若任一资源配置方案对应的相似店铺为多个(即实施该资源配置方案的相似店铺为多个)，则该资源配置方案在每个相似店铺上对应一增长幅度。由于每个相似店铺与第一预设店铺之间具有对应的相似度，因此电子设备可以计算该资源配置方案在每个相似店铺的每个参数指标上对应的增长幅度与该相似店铺对应的相似度之间的乘积。
在本实施例中，由于增长幅度能够反映每个资源配置方案对相应的相似店铺的参数指标的提升效果，每个相似店铺对应的相似度能够反映每个相似店铺与第一预设店铺之间的相似程度，因此，通过增长幅度和对应的相似度计算得到的每个乘积能够反映该资源配置方案对第一预设店铺中相应的参数指标的提升效果。
S152，计算任一资源配置方案对应的多个相似店铺的相似度总和。
在本申请的一些实施例中，若任一资源配置方案对应的相似店铺为多个，电子设备可以将实施该资源配置方案的多个相似店铺对应的多个相似度相加，得到相似度总和。
S153，根据多个乘积的加和值及相似度总和计算任一资源配置方案在对应的每个参数指标上的指标分数。
例如，若任一资源配置方案对应的相似店铺为多个，每个相似店铺的参数指标为多个，任一资源配置方案的第一目标分数的计算方法可以参考如下公式(3)：
其中，i＝1,2,3..,I，j＝1,2,3…,J，ScoreM表示一资源配置方案的第一目标分数，I表示该资源配置方案对应的多个相似店铺的数量，Similarityi表示第一预设店铺与I个相似店铺中的第i个相似店铺之间的相似度，Promi,j表示该资源配置方案在第i个相似店铺的第j个参数指标上对应的增长幅度。
在本实施例中，通过将多个乘积的加和值与相似度总和之间的比值确定为每个参数指标上的指标分数，能够消除误差。
S154，将任一资源配置方案在对应的多个参数指标上的多个指标分数中最大的指标分数确定为任一资源配置方案的第一目标分数。
在本实施例中，由于第一目标分数通过每个资源配置方案对相应的相似店铺的参数指标的提升效果及每个相似店铺与第一预设店铺之间的相似程度计算得到，因此，第一目标分数能够衡量第一预设店铺在实施对应的资源配置方案之后参数指标的提升效果，越大的第一目标分数对应的资源配置方案的提升效果较佳。
在本申请的其它实施例中，还可以使用其它方法通过多个指标分数计算出每个资源配置方案对应的第一目标分数。例如，电子设备可以将多个指标分数之间的平均值确定为每个资源配置方案对应的第一目标分数。或者，电子设备可以对多个指标分数进行升序排序，并将升序排序后处于前1/4位置上的指标分数确定为每个资源配置方案对应的指标分数。
在本申请的一些实施例中，如图6所示，是本申请一实施例提供的第二目标分数的计算方法的流程图，包括以下步骤：
S161，计算店铺访问数据与店铺展示数据之间的第一比值。
例如，承接上述实施例，若店铺展示数据为V及店铺访问数据为C，第一比值ctr＝C/V。
在本实施例中，第一比值可以相当于每个资源配置方案的访问率/点击率，可以表征每个资源配置方案的被访问/被点击情况。
S162，计算店铺实施数据与店铺访问数据的第二比值。
例如，承接上述实施例，若店铺实施数据为U及店铺访问数据为C，第二比值cvr＝U/C。
在本实施例中，第二比值可以相当于每个资源配置方案的采用率，可以表征每个资源配置方案的被采用情况(被实施情况)。
S163，根据第一比值、第二比值及多个预设参数计算每个资源配置方案的第二目标分数。
在本申请的一些实施例中，多个预设参数包括第一预设参数及第二预设参数，第一预设参数及第二预设参数均可以自行设置，本申请对此不作限制。例如，第一预设参数可以为0.5，第二预设参数可以为2。第二目标分数的计算方法可以参考如下公式(4)：
其中，ScoreH表示第二目标分数，ctr表示第一比值，cvr表示第二比值，α表示第一预设参数，β表示第二预设参数。
在本实施例中，由于第二目标分数通过每个资源配置方案的被访问情况及被采用情况计算得到，因此，第二目标分数能够衡量每个资源配置方案的热度，越大的第二目标分数对应的资源配置方案的热度越高(受欢迎程度越高)，从而得出越大的第二目标分数对应的资源配置方案的有效性相对较高。
如图7所示，是本申请一实施例提供的资源配置方案推荐装置的功能模块图。资源配置方案推荐装置11包括获取单元110、生成单元111、选取单元112、计算单元113以及推送单元114。本申请所称的模块/单元是指一种能够被图1中的处理器103所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在图1中的存储器102中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110，用于获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息。
生成单元111，用于基于第一画像信息生成第一预设店铺的第一画像特征向量，并基于第二画像信息生成每个第二预设店铺的第二画像特征向量。
在本申请的一些实施例中，第一画像信息包括多个店铺信息，生成单元111，还用于从预先配置的列表中确定第一店铺信息对应的第一特征向量，第一店铺信息包括开店时长及订单量，根据第二店铺信息对预设信息向量进行编码，得到第二店铺信息对应的第二特征向量，第二店铺信息包括店铺类别、销售区域及主营品类，根据第一特征向量及第二特征向量生成第一画像特征向量。
选取单元112，用于根据第一画像特征向量与每个第二画像特征向量之间的相似度，从多个第二预设店铺中选取多个相似店铺。
获取单元110，还用于根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值。
计算单元113，用于根据参数值计算每个资源配置方案在参数指标上对应的增长幅度。
在本申请的一些实施例中，若参数指标为多个，计算单元113，还用于获取每个资源配置方案对应的相似店铺在实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置方案对应的相似店铺在实施时间之后的预设时间内的每个参数指标的第二参数值，根据第二参数值及第一参数值计算每个参数指标的指标差值，并根据每个参数指标的指标差值及第一参数值计算每个资源配置方案在每个参数指标上对应的增长幅度。
在本申请的一些实施例中，若参数指标为多个，以及每个资源配置方案包括多个资源配置步骤，实施时间包括每个资源配置步骤对应的步骤实施时间，计算单元113，还用于获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之后的预设时间内的每个参数指标的第二参数值，根据第二参数值与第一参数值计算每个资源配置步骤在每个参数指标上的指标差值，并根据每个资源配置步骤在每个参数指标上的指标差值及第一参数值计算每个资源配置步骤在每个参数指标上的初始增长幅度，从多个资源配置步骤在每个参数指标上的多个初始增长幅度中选取最大的初始增长幅度作为每个资源配置方案在每个参数指标上对应的增长幅度。
计算单元113，还用于根据增长幅度及相似度，计算每个资源配置方案的第一目标分数。
在本申请的一些实施例中，若参数指标为多个以及任一资源配置方案对应的相似店铺为多个，计算单元113，还用于计算任一资源配置方案在对应的每个相似店铺的每个参数指标的增长幅度与每个相似店铺对应的相似度之间的乘积，计算任一资源配置方案对应的多个相似店铺的相似度总和，并根据多个乘积的加和值及相似度总和计算任一资源配置方案在对应的每个参数指标上的指标分数，将任一资源配置方案在对应的多个参数指标上的多个指标分数中最大的指标分数确定为任一资源配置方案的第一目标分数。
获取单元110，还用于获取每个资源配置方案的历史行为数据。
计算单元113，还用于根据历史行为数据计算每个资源配置方案的第二目标分数。
在本申请的一些实施例中，历史行为数据包括店铺展示数据、店铺访问数据及店铺实施数据，计算单元113，还用于计算店铺访问数据与店铺展示数据之间的第一比值，并计算店铺实施数据与店铺访问数据的第二比值，根据第一比值、第二比值及多个预设参数计算每个资源配置方案的第二目标分数。
选取单元112，还用于基于第一目标分数及第二目标分数，从多个资源配置方案中选取目标配置方案。
在本申请的一些实施例中，选取单元112，还用于根据每个资源配置方案的第一目标分数及每个资源配置方案的第二目标分数计算每个资源配置方案的推荐分数，从由高至低排序的推荐分数中选取在前的预设数量个推荐分数，并将预设数量个推荐分数对应的资源配置方案确定为目标配置方案。
推送单元114，用于向第一预设店铺推送目标配置方案。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序中包括程序指令，程序指令被执行时所实现的方法可参照本申请上述各个实施例中的方法。
其中，计算机可读存储介质可以是上述实施例所述的电子设备的内部存储器，例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外接存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
在一些实施例中，计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据电子设备的使用所创建的数据等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种资源配置方案推荐方法，其特征在于，所述方法包括：
获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息；
基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量，并基于所述第二画像信息生成每个第二预设店铺的第二画像特征向量；
根据所述第一画像特征向量与每个第二画像特征向量之间的相似度，从所述多个第二预设店铺中选取多个相似店铺；
根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度；
根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数；
获取每个资源配置方案的历史行为数据，并根据所述历史行为数据计算每个资源配置方案的第二目标分数；
基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案，并向所述第一预设店铺推送所述目标配置方案。
2.如权利要求1所述的资源配置方案推荐方法，其特征在于，所述第一画像信息包括多个店铺信息，所述基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量包括：
从预先配置的列表中确定第一店铺信息对应的第一特征向量，所述第一店铺信息包括开店时长及订单量；
根据第二店铺信息对预设信息向量进行编码，得到所述第二店铺信息对应的第二特征向量，所述第二店铺信息包括店铺类别、销售区域及主营品类；
根据所述第一特征向量及所述第二特征向量生成所述第一画像特征向量。
3.如权利要求1所述的资源配置方案推荐方法，其特征在于，若所述参数指标为多个，所述根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度包括：
获取每个资源配置方案对应的相似店铺在所述实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置方案对应的相似店铺在所述实施时间之后的所述预设时间内的每个参数指标的第二参数值；
根据所述第二参数值及所述第一参数值计算每个参数指标的指标差值，并根据每个参数指标的指标差值及第一参数值计算每个资源配置方案在每个参数指标上对应的增长幅度。
4.如权利要求1所述的资源配置方案推荐方法，其特征在于，若所述参数指标为多个，以及每个资源配置方案包括多个资源配置步骤，所述实施时间包括每个资源配置步骤对应的步骤实施时间，所述根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值，并根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度包括：
获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之前的预设时间内的每个参数指标的第一参数值，并获取每个资源配置步骤对应的相似店铺在所属的步骤实施时间之后的所述预设时间内的每个参数指标的第二参数值；
根据所述第二参数值与所述第一参数值计算每个资源配置步骤在每个参数指标上的指标差值，并根据每个资源配置步骤在每个参数指标上的指标差值及第一参数值计算每个资源配置步骤在每个参数指标上的初始增长幅度；
从所述多个资源配置步骤在每个参数指标上的多个初始增长幅度中选取最大的初始增长幅度作为每个资源配置方案在每个参数指标上对应的增长幅度。
5.如权利要求1所述的资源配置方案推荐方法，其特征在于，若所述参数指标为多个以及任一资源配置方案对应的相似店铺为多个，所述根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数包括：
计算所述任一资源配置方案在对应的每个相似店铺的每个参数指标的增长幅度与所述每个相似店铺对应的相似度之间的乘积；
计算所述任一资源配置方案对应的多个相似店铺的相似度总和，并根据多个乘积的加和值及所述相似度总和计算所述任一资源配置方案在对应的每个参数指标上的指标分数；
将所述任一资源配置方案在对应的多个参数指标上的多个指标分数中最大的指标分数确定为所述任一资源配置方案的第一目标分数。
6.如权利要求1所述的资源配置方案推荐方法，其特征在于，所述历史行为数据包括店铺展示数据、店铺访问数据及店铺实施数据，所述根据所述历史行为数据计算每个资源配置方案的第二目标分数包括：
计算所述店铺访问数据与所述店铺展示数据之间的第一比值，并计算所述店铺实施数据与所述店铺访问数据的第二比值；
根据所述第一比值、所述第二比值及多个预设参数计算每个资源配置方案的第二目标分数。
7.如权利要求1所述的资源配置方案推荐方法，其特征在于，所述基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案包括：
根据每个资源配置方案的第一目标分数及每个资源配置方案的第二目标分数计算每个资源配置方案的推荐分数；
从由高至低排序的推荐分数中选取在前的预设数量个推荐分数，并将所述预设数量个推荐分数对应的资源配置方案确定为所述目标配置方案。
8.一种资源配置方案推荐装置，运行于电子设备，其特征在于，所述装置包括：
获取单元，用于获取第一预设店铺的第一画像信息及多个第二预设店铺的第二画像信息；
生成单元，用于基于所述第一画像信息生成所述第一预设店铺的第一画像特征向量，并基于所述第二画像信息生成每个第二预设店铺的第二画像特征向量；
选取单元，用于根据所述第一画像特征向量与每个第二画像特征向量之间的相似度，从所述多个第二预设店铺中选取多个相似店铺；
所述获取单元，还用于根据每个相似店铺对应的资源配置方案的实施时间，获取每个相似店铺的参数指标的参数值；
计算单元，用于根据所述参数值计算每个资源配置方案在所述参数指标上对应的增长幅度；
所述计算单元，还用于根据所述增长幅度及所述相似度，计算每个资源配置方案的第一目标分数；
所述获取单元，还用于获取每个资源配置方案的历史行为数据；
所述计算单元，还用于根据所述历史行为数据计算每个资源配置方案的第二目标分数；
所述选取单元，还用于基于所述第一目标分数及所述第二目标分数，从多个资源配置方案中选取目标配置方案；
推送单元，用于向所述第一预设店铺推送所述目标配置方案。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述至少一个指令以实现如权利要求1至7中任意一项所述的资源配置方案推荐方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行时实现如权利要求1至7中任意一项所述的资源配置方案推荐方法。
CN202311505006.XA 2023-11-10 2023-11-10 资源配置方案推荐方法、装置、电子设备及存储介质 Pending CN117455563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311505006.XA CN117455563A (zh) 2023-11-10 2023-11-10 资源配置方案推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311505006.XA CN117455563A (zh) 2023-11-10 2023-11-10 资源配置方案推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117455563A true CN117455563A (zh) 2024-01-26

Family

ID=89589006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311505006.XA Pending CN117455563A (zh) 2023-11-10 2023-11-10 资源配置方案推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117455563A (zh)

Similar Documents

Publication Publication Date Title
Duy Phuong et al. Repurchase intention: The effect of service quality, system quality, information quality, and customer satisfaction as mediating role: a PLS approach of m-commerce ride hailing service in Vietnam
WO2020143409A1 (zh) 预测业务指标的方法及装置
WO2019085327A1 (zh) 电子装置、产品推荐方法、系统和计算机可读存储介质
CN106251174A (zh) 信息推荐方法及装置
Niu et al. Online pricing with reserve price constraint for personal data markets
EP3923207A2 (en) Clustering techniques for machine learning models
EP2778970A1 (en) Facet group ranking for search results
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
US10552996B2 (en) Systems and techniques for determining associations between multiple types of data in large data sets
CN108734587A (zh) 金融产品的推荐方法及终端设备
JP2018139036A (ja) 分析装置
CN105335518A (zh) 生成用户偏好信息的方法及装置
JP7041299B1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
CN111680213A (zh) 信息推荐方法、数据处理方法及装置
Soltani et al. Ranking decision making units based on the multi-directional efficiency measure
CN110310162A (zh) 样本生成的方法及装置
CN111464337A (zh) 资源配置方法、装置、电子设备
KR102421684B1 (ko) 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템
CN107357847B (zh) 数据处理方法及其装置
CN117455563A (zh) 资源配置方案推荐方法、装置、电子设备及存储介质
CN109886299A (zh) 一种用户画像方法、装置、可读存储介质及终端设备
JP2020064523A (ja) 提供装置、提供方法および提供プログラム
US11741099B2 (en) Supporting database queries using unsupervised vector embedding approaches over unseen data
CN111639989B (zh) 商品推荐方法和可读存储介质

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