[發(fā)明專利]一種確定相似店鋪的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010230637.5
• 申請(qǐng)日: 2020-03-27
• 公開（公告）號(hào): CN113450174A
• 公開（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 劉珂
• 申請(qǐng)（專利權(quán)）人: 北京沃東天駿信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 中原信達(dá)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 王志遠(yuǎn);陳繼越

本發(fā)明公開了相似店鋪的確定方法和裝置，涉及計(jì)算機(jī)技術(shù)領(lǐng)域。該方法的一種具體實(shí)施方式包括：獲取用戶歷史數(shù)據(jù)，所述用戶歷史數(shù)據(jù)指示了用戶操作的一個(gè)或多個(gè)店鋪、操作時(shí)間；根據(jù)所述操作時(shí)間，將所述店鋪劃分為一個(gè)或多個(gè)第一店鋪序列，所述店鋪序列包括了一個(gè)或多個(gè)所述店鋪；獲取每一個(gè)所述第一店鋪序列中的一個(gè)或多個(gè)第一店鋪對(duì)，所述第一店鋪對(duì)中包括的第一店鋪、第二店鋪是同一所述第一店鋪序列中兩個(gè)不同的店鋪；基于所述第一店鋪對(duì)，使用神經(jīng)網(wǎng)絡(luò)模型，確定所述第一店鋪的特征向量；根據(jù)所述第一店鋪的特征向量的相似度，確定所述第一店鋪對(duì)應(yīng)的一個(gè)或多個(gè)相似店鋪。該實(shí)施方式提高了確定的相似店鋪的準(zhǔn)確性及全面性。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種確定相似店鋪的方法和裝置。

背景技術(shù)

隨著電子商務(wù)的發(fā)展，越來(lái)越多的商家開始入住電子商務(wù)平臺(tái)，為提高商家店鋪的競(jìng)爭(zhēng)優(yōu)勢(shì)，商家店鋪通常不僅需要關(guān)注自身店鋪的經(jīng)營(yíng)狀況，往往還需要關(guān)注其他相似店鋪的經(jīng)營(yíng)狀況，以便制定有利于店鋪發(fā)展的經(jīng)營(yíng)策略。

目前，常用的尋找相似店鋪的方法主要包括：基于店鋪名稱對(duì)應(yīng)的關(guān)鍵詞尋找相似店鋪；基于店鋪經(jīng)營(yíng)品類進(jìn)行相似度計(jì)算尋找相似店鋪。

在實(shí)現(xiàn)本發(fā)明過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問題：由于店鋪名稱與店鋪經(jīng)營(yíng)商品種類相關(guān)性較低，基于店鋪名稱關(guān)鍵詞搜尋到的相似店鋪與實(shí)際相似店鋪偏差大、準(zhǔn)確性低；基于店鋪經(jīng)營(yíng)品類獲取的店鋪數(shù)量繁多，僅考慮了商品品類本身而無(wú)法匹配店鋪的店鋪實(shí)際的經(jīng)營(yíng)狀況、發(fā)展階段等。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種相似店鋪的確定方法和裝置，能夠基于用戶點(diǎn)擊、瀏覽店鋪的行為生成用于描述店鋪的特征向量，進(jìn)而根據(jù)特征向量的相似度確定一個(gè)或多個(gè)相似店鋪，由于該特征向量能更加動(dòng)態(tài)地表征店鋪，從而使得到的相似店鋪更準(zhǔn)確、更全面。

為實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，提供了一種相似店鋪的確定方法，包括：

獲取用戶歷史數(shù)據(jù)，所述用戶歷史數(shù)據(jù)指示了用戶操作的一個(gè)或多個(gè)店鋪、操作時(shí)間；

根據(jù)所述操作時(shí)間，將所述店鋪劃分為一個(gè)或多個(gè)第一店鋪序列，所述店鋪序列包括了一個(gè)或多個(gè)所述店鋪；

獲取每一個(gè)所述第一店鋪序列中的一個(gè)或多個(gè)第一店鋪對(duì)，所述第一店鋪對(duì)中包括的第一店鋪、第二店鋪是同一所述第一店鋪序列中兩個(gè)不同的店鋪；

基于所述第一店鋪對(duì)，使用神經(jīng)網(wǎng)絡(luò)模型，確定所述第一店鋪的特征向量；

根據(jù)所述第一店鋪的特征向量的相似度，確定所述第一店鋪對(duì)應(yīng)的一個(gè)或多個(gè)相似店鋪。

可選地，所述神經(jīng)網(wǎng)絡(luò)模型包括：輸入層、隱藏層、輸出層；其中，

所述輸入層，用于獲取所述第一店鋪對(duì)中的第一店鋪、第二店鋪；

所述隱藏層，用于生成所述第一店鋪的特征向量；

所述輸出層，用于根據(jù)所述第一店鋪的特征向量，預(yù)測(cè)所述第一店鋪的相似店鋪，并在所預(yù)測(cè)的相似店鋪與所述第二店鋪不一致的情況下，更新所述第一店鋪的特征向量。

可選地，還包括：

在獲取每一個(gè)所述第一店鋪序列中的一個(gè)或多個(gè)第一店鋪對(duì)之后，計(jì)算所有所述第一店鋪序列中所述第一店鋪對(duì)的數(shù)量；

根據(jù)所述第一店鋪對(duì)、所述第一店鋪對(duì)的數(shù)量構(gòu)建店鋪關(guān)聯(lián)圖，所述店鋪關(guān)聯(lián)圖的節(jié)點(diǎn)指示了所述店鋪、所述店鋪關(guān)聯(lián)圖的邊指示了所述店鋪對(duì)的數(shù)量；

根據(jù)所述店鋪關(guān)聯(lián)圖，基于圖嵌入算法，為每一個(gè)所述店鋪生成一個(gè)或多個(gè)預(yù)設(shè)長(zhǎng)度的第二店鋪序列，所述第二店鋪序列包括了所述店鋪及與獲取每一個(gè)所述第二店鋪序列中的第二店鋪對(duì)，所述第二店鋪對(duì)包括了同一所述第二店鋪序列中兩個(gè)不同的店鋪；