一种排序方法、装置、电子设备和非易失性存储介质与流程

本发明实施例涉及人工智能领域，特别涉及一种排序方法、装置、电子设备和非易失性存储介质。

背景技术：

目前，用户在购买外卖时，都是通过外卖平台与商户进行下单交易。为了挖掘出用户潜在下单意愿，外卖平台会基于菜品的维度向用户进行智能推荐，比如，按照人气排名、好评度、价格优惠等不同的主题进行智能排序，并显示排序结果给用户。

发明人发现相关技术中至少存在如下问题：在向用户进行智能推荐时，用户会希望获得不同维度的推荐排序，而不同的维会存在多种多样的推荐主题。其中，基于菜品维度的推荐主题的日志数据较少，无法从较少的数据中挖掘出菜品与对应推荐主题之间的内在关联关系，无法使用户获得想要的菜品推荐名单；并且，由于外卖平台的用户数与菜品数都在亿级别，且用户与菜品之间的交互数据较少，一般使用菜品名称或菜品评价等信息组成菜品的文本数据，若将该文本数据转换为数学模型中的数字表示，计算量会非常大，无法获得很好的排序结果，进而使用户无法获得想要的菜品推荐名单，降低用户体验度。

技术实现要素：

本发明实施方式的目的在于提供一种排序方法及设备、存储介质，用以解决销售平台无法精确推荐出适应不同的维度的菜品的问题。

为解决上述技术问题，本发明的实施方式提供了一种排序方法，包括以下步骤：根据商品的信息，确定第一特征因子，其中，商品与活动场景相对应；根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子；根据第一特征因子和第二特征因子，确定商品的得分值；根据商品的得分值，对商品进行排序。

本发明的实施方式还提供了一种排序装置，包括：第一特征模块，用于根据商品的信息，确定第一特征因子，其中，商品与活动场景相对应；第二特征模块，用于根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子；商品分数模块，用于根据第一特征因子和第二特征因子，确定商品的得分值；排序模块，用于根据商品的得分值，对商品进行排序。

本发明的实施方式还提供了一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：根据商品的信息，确定第一特征因子，其中，商品与活动场景相对应；根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子；根据第一特征因子和第二特征因子，确定商品的得分值；根据商品的得分值，对商品进行排序。

本发明的实施方式还提供了一种非易失性存储介质，用于存储计算机可读程序，计算机可读程序用于供计算机执行如上的排序方法。

本发明实施方式相对于现有技术而言，主要区别及其效果在于：针对不同的活动场景，通过灵活配置第一特征因子，结合第二特征因子，确定商品的得分值，能够快速搭建不同活动主题的商品智能排序模型，进而通过该得分值对商品进行排序，以实现千人千面的商品展示，为用户提供精准推荐，更加贴近用户需求，进而提高用户的体验度。

另外，根据第一特征因子和第二特征因子，确定商品的得分值，包括：根据第一特征因子对商品进行排序，确定商品的第一特征编号；根据第二特征因子对商品所属商户进行排序，确定商户的第二特征编号；对第一特征编号和第二特征编号进行加权融合，获得商品的得分值。

该方式中，通过对第一特征编号和第二特征编号进行加权融合而获得商品的得分值，使该得分值更能体现第一特征因子的影响力，或，更能体现第二特征因子的影响力，进而通过第一特征编号和第二特征编号所获得的得分值更能体现对应特征因子的特性，使商户通过该得分值可以有针对性的改善对应的商品，以适应不同活动场景的需求，为销售平台带来更好的收益的同时，提高用户在销售平台上的体验效果。

另外，对第一特征编号和第二特征编号进行加权融合，获得商品的得分值，包括：确定第一特征编号对应的权值，和，第二特征编号对应的权值；计算第一特征编号对应的权值与第一特征编号的乘积，获得第一乘积值；计算第二特征编号对应的权值与第二特征编号的乘积，获得第二乘积值；计算第一乘积值与第二乘积值的和，将所得的和值作为商品的得分值。

另外，确定第一特征编号对应的权值，和，第二特征编号对应的权值，包括：确定第一特征因子和第二特征因子的权重；根据权重，确定第一特征编号对应的权值和第二特征编号对应的权值。

该方式中，通过第一特征因子和第二特征因子的权重，体现了在计算该商品的得分值的过程中，具体更偏重于哪个特征因子，若偏重于第一特征因子，则表示该商品的得分值更多的参考了商品的联动因子的因素，；若偏重与第二特征因子，则表示该商品的得分值更多的参考了商户信息分的因素，根据偏重的参考因素不同，确定了第一特征编号对应的权值，和，第二特征编号对应的权值，使得对商品的排序更能体现用户的需求，使商品能够灵活的适应不同活动场景的需求，改善商户的经营，获得更好的收益。

另外，商户和用户之间的关联信息，包括：用户与商户的交互信息，和，用户访问商户时的上下文信息；根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子，包括：将商品所属商户的信息、用户访问商户时的交互信息、用户的信息和用户访问商户时的上下文信息中的至少一项输入到数据模型中，确定商品所属商户的第二特征因子。

该方式中，通过使用数据模型，能够获得具有普遍适应性的第二特征因子，使该第二特征因子更能体现商户的信息，进而使该第二特征因子能够综合评价对应的商品，通过有针对性的改善商品，能够使商品适应不同的活动会场的需求。

另外，根据第一特征因子对商品进行排序，确定商品的第一特征编号，包括：获得被召回的商品的个数；根据第一特征因子和被召回的商品的个数，确定商品的第一特征编号。

另外，商品所属商户的信息，包括：商户的流量统计信息和商户的属性信息。

另外，用户的信息，包括：用户的流量统计信息和用户的属性信息。

另外，用户访问商户时的交互信息，包括：交互流量统计信息和价格信息；用户访问商户时的上下文信息，包括：访问信息、配送信息和网络信息。

另外，商品的信息，包括：商品的月销量，商品的好评率，商品对应的配送时间，商品对应的价格信息中的至少一项。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是根据本发明第一实施方式中的排序方法流程方框图；

图2是根据本发明第二实施方式中的排序方法流程方框图；

图3是根据本发明第三实施方式中的排序装置的结构示意图；

图4是根据本发明第四实施方式中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明的第一实施方式涉及一种排序方法。针对不同的活动场景，通过灵活配置第一特征因子，结合第二特征因子，能够快速搭建不同活动主题的商品智能排序模型，进而对商品进行排序，以实现千人千面的商品展示，为用户提供精准推荐，更加贴近用户需求，进而提高用户的体验度。

下面对本实施方式中的排序方法的实现细节进行具体的说明，以下内容仅为方便理解本方案的实现细节，并非实施本方案的必须。

图1所示为本实施方式中的排序方法的流程图，该方法应用于服务器，可包括如下步骤。

在步骤101中，根据商品的信息，确定第一特征因子。

其中，商品与活动场景相对应。比如，当用户在选择商品时，希望选择具有优惠价格的商品，则该活动场景就是价格优惠场景，在该价格优惠场景下，服务器会根据商品对应的价格信息，筛选出对应的商品并呈现给用户；若用户希望获得评价度较高的商品，则该活动场景就是好评度场景，在该好评度场景下，服务器会根据商品的好评率，筛选出对应的商品并呈现给用户。

其中，商品的信息，包括：商品的月销量，商品的好评率，商品对应的配送时间，商品对应的价格信息中的至少一项。

需要说明的是，其中的第一特征因子包括商品的一个或多个联动因子，该联动因子是根据用户心智与产品形态选取的，每个联动因子对应一种商品的信息，比如，使用商品的月销量作为第一联动因子，使用该商品的好评率作为第二联动因子，使用商品对应的配送时间作为第三联动因子，使用商品对应的价格信息作为第四联动因子，然后使用以上的第一联动因子和第二联动因子组成第一特征因子，或，使用以上第一至第四联动因子来组成第一特征因子。根据以上四种联动因子中的至少一种，作为第一特征因子，是因为这些联动因子能够反映用户对该商品的总体评价，比如，使用商品的月销量来作为第一特征因子，若该商品的月销量越高，表示用户越喜欢该商品。

在步骤102中，根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子。

其中，商户和用户之间的关联信息包括：用户访问商户时的交互信息和用户访问商户时的上下文信息。

需要说明的是，使用商品所属商户的信息、用户的信息、用户访问商户时的交互信息和用户访问商户时的上下文信息中的至少一项，来确定第二特征因子，该第二特征因子反映的是用户访问该商户的信息，以及什么样的用户愿意访问该商户，基于以上信息所获得的总体的商户信息分，根据该商户信息分能够反映用户对该商户的总体评价。

其中，商品所属商户的信息，包括：商户的流量统计信息和商户的属性信息。

需要说明的是，其中的商户的流量统计信息具体包括：该商户的商品在一段时间内的被点击次数、被下单次数、被曝光次数、被点击率和被访购率等；商户的属性信息具体包括：该商户是否有满减活动、是否是新店铺、支付方式和该商户的实体店所在的地址信息等。

其中，用户的信息，包括：用户的流量统计信息和用户的属性信息。

需要说明的是，用户的流量统计信息具体包括：该用户在一段时间内的点击各个商品的次数、下单次数、点击商品率和访购商品率等；用户的属性信息具体包括：该用户的性别、该用户是否是新用户、该用户的常驻地、该用户的红包敏感程度、该用户是否是白领或学生等。

其中，用户访问商户时的交互信息，包括：交互流量统计信息和价格信息。

需要说明的是，交互流量统计信息具体包括：该用户在一段时间内，点击该商户的各个商品的次数、在该商品下单的次数、该用户点击该商户的商品的点击率和访购商品率等；价格信息具体包括：该用户的客单价与该商户的客单价之间的差距等。

其中，用户访问商户时的上下文信息，包括：访问信息、配送信息和网络信息。

需要说明的是，访问信息是指该用户具体访问该商户的日期，配送信息是指该商户在配送该用户下单的商品时，所经过的距离，以及在该配送当天的时间和天气情况等，网络信息包括该用户访问商户时的网络类型、该用户所使用的设备类型等。

其中，将商品所属商户的信息、用户访问商户时的交互信息、用户的信息和用户访问商户时的上下文信息中的至少一项输入到数据模型中，确定商品所属商户的第二特征因子。

需要说明的是，其中的数据模型是采用极端梯度提升(extremegradientboosting，xgboost)算法建立的数据模型，boosting方法是一种用来提高弱分类算法准确度的方法，该方法的思想是将许多弱分类器集成在一起形成一个强分类器。而xgboost算法是boosting算法中的一种，是一种提升树模型，故它是将许多树模型集成在一起形成一个很强的分类器。

在一个具体实现中，将商品所属商户的信息、用户访问商户时的交互信息、用户的信息和用户访问商户时的上下文信息中的至少一项，输入到xgboost数据模型中，通过线上平台的实时数据，可计算获得该商品所属商户的第二特征因子，其中，该第二特征因子表示的是该商户的信息分，根据该商户的信息分来表征该商户的具体信息。

在步骤103中，根据第一特征因子和第二特征因子，确定商品的得分值。

需要说明的是，根据能够反映商品受用户喜爱程度的第一特征因子，和能够反映用户对该商品所属商户的评价的第二特征因子，确定该商品的得分值，能够全面评价该商品受用户喜爱的程度，以及受哪些类型的用户的喜爱。

在一个具体实现中，通过将第一特征因子(该商品的联动因子)，和，第二特征因子(该商户的信息分)综合考虑，获得一个综合测评因子，根据该综合测评因子来具体确定该商品在平台上的具体得分值，并使用该得分值来具体评价该商品，通过该得分值可体现该商品在用户的角度的综合评价。

在步骤104中，根据商品的得分值，对商品进行排序。

在一个具体实现中，将各个商品的得分值汇总起来，通过对该得分值进行升序或降序的排列，获得各个商品在该排序中所对应的排序编号，即可获得各个商品在用户的角度的排列顺序，使平台能够在用户消费时，根据该得分值确定用户选择哪个商品的趋势。

在本实施方式中，针对不同的活动场景，通过灵活配置第一特征因子，结合第二特征因子，确定商品的得分值，能够快速搭建不同活动主题的商品智能排序模型，进而通过该得分值对商品进行排序，以实现千人千面的商品展示，为用户提供精准推荐，更加贴近用户需求，进而提高用户的体验度。

本发明的第二实施方式涉及一种排序方法。第二实施方式与第一实施方式大致相同，主要区别之处在于：对第一特征编号和第二特征编号进行加权融合，具体确定商品的得分值，进而根据该得分值对商品进行排序。

具体处理流程如图2所示，在本实施方式中，该排序方法包括步骤201～206，因该实施方式中步骤201～202与第一实施方式中的步骤101～102相同，并且，该实施方式中步骤206与第一实施方式中的步骤104相同，在此不再赘述，下面具体介绍本实施方式中的步骤203～205。

在步骤203中，根据第一特征因子对商品进行排序，确定商品的第一特征编号。

其中，获得被召回的商品的个数；根据第一特征因子和被召回的商品的个数，确定商品的第一特征编号。

在一个具体实现中，使用被召回的商品的个数除以第一特征因子，获得商值，根据该商值，对商品进行排序，获得各个商品在该排序中所对应的排序编号，把每个商品所对应的排序编号作为商品的第一特征编号。

在步骤204中，根据第二特征因子对商品所属商户进行排序，确定商户的第二特征编号。

在一个具体实现中，该第二特征因子表示的是该商户的信息分，根据该商户的信息分，对商户进行降序或升序排列，在完成排序后，每个商户都会获得一个对应的排序编号，把该排序编号作为该商户的第二特征编号。

在步骤205中，对第一特征编号和第二特征编号进行加权融合，获得商品的得分值。

其中，先确定第一特征编号对应的权值，和，第二特征编号对应的权值；然后计算第一特征编号对应的权值与第一特征编号的乘积，获得第一乘积值；并计算第二特征编号对应的权值与第二特征编号的乘积，获得第二乘积值；最后计算第一乘积值与第二乘积值的和，将所得的和值作为商品的得分值。

在一个具体实现中，第一特征编号对应的权值和第二特征编号对应的权值，根据以下步骤确定：确定第一特征因子和第二特征因子的权重；根据权重，确定第一特征编号对应的权值和第二特征编号对应的权值。

需要说明的是，其中的权重是指某一因素或指标相对于某一事物的重要程度，强调的是因素或指标的相对重要程度，倾向于贡献度或重要性。具体地，在计算该商品的得分值的过程中，权重表征了具体哪个特征因子的贡献度或重要程度高，若第一特征因子(商品的联动因子)的重要程度高，则第一特征编号对应的权值就大，否则，若第二特征因子(该商户的信息分)的重要程度高，则第二特征编号对应的权值就大。第一特征编号对应的权值与第二特征编号对应的权值的和值为1，根据该权重的不同，使商品的排序更能体现用户的需求，能够灵活的适应不同活动场景的需求，为用户提供精准推荐，更加贴近用户需求。

在一个具体实现中，通过人为设定第一特征因子和第二特征因子的占比率，使用返购率最高的对应的目标占比率，来作为第一特征因子和第二特征因子的权重。需要说明的是，其中的返购率是表示用户在首次购买了商品后，经过一段时间，又再次购买该商品的概率。比如，人为设定第一特征因子和第二特征因子的占比率分别为0.1和0.9，或，0.5和0.5，或，0.8和0.2，根据不同的占比率，统计预设时间段内该商品的返购率分别为10％，50％，30％，，其中，预设时间段可以是一个星期，或一个月等不同的时间长度。根据以上返购率可知，在第一特征因子和第二特征因子的占比率为0.5和0.5时，该商品的返购率最高。故第一特征因子和第二特征因子的权重为0.5和0.5，即第一特征因子和第二特征因子在评价该商品的得分值时的重要程度相同，则第一特征编号对应的权值为0.5，第一特征编号对应的权值也为0.5。

在一个具体实现中，服务器会随机确定第一特征因子和第二特征因子的占比率，该占比率可以是大于等于0且小于等于1的任意值，对应不同的占比率，统计预设时间段内商品的返购率，该返购率可使用百分比来表示；然后对返购率进行排序，根据最高返购率对应的占比率，来确定第一特征因子和第二特征因子的权重。比如，最高返购率为80％，对应的占比率为4:6，则第一特征因子和第二特征因子的权重为0.4:0.6，确定第一特征编号对应的权值为0.4，第一特征编号对应的权值为0.6，需要说明的是，第一特征编号对应的权值与第一特征编号对应的权值的加和等于1。

在一个具体实现中，可根据以下公式获得商品的得分值：

其中，

score表示该商品的得分值，n为召回的商品的个数；

x表示公式的入参；

当x等于i时，其中，i表示取值范围是0到f中的任一值，f表示组成第一特征因子的联动因子的个数；sortindex(i)表示根据第一特征因子中的各个联动因子对商品进行排序，获得该商品对应的排序编号；表示根据第一特征因子获得的第一特征编号；

例如：当f＝4时，表示第一特征因子由4个联动因子组成，即由该商品的月销量，该商品的好评率，该商品对应的配送时间和该商品对应的价格信息组成；其中的i分别取0、1、2、3这四个值来计算sr(i)，然后将sr(0)、sr(1)、sr(2)和sr(3)进行加和计算，获得第一特征编号

当x等于xgboost(s)时，sortindex(xgboost(s))表示根据第二特征因子对商品进行排序，获得该商品对应的排序编号；sr(xgboost(s))表示根据第二特征因子获得的第二特征编号；其中，s表示商品所属商户的信息、用户访问商户时的交互信息、用户的信息和用户访问商户时的上下文信息中的至少一项；通过把s输入到xgboost(s)数据模型中，使用线上平台的实时数据，计算获得该商品所属商户的第二特征编号sr(xgboost(s))；

α表示第一特征编号对应的权值，β表示第二特征编号对应的权值；

例如：当α＝0.5，β＝0.5时，表示第一特征因子和第二特征因子在评价该商品的得分值时的重要程度都是0.5，即同等重要；

根据以上公式获得该商品的得分值，再根据各个商品所对应的得分值对商品进行排序，获得最终的排序结果，从而商户可根据该排序结果，确定对应商品是否受用户喜爱，进而针对用户不喜欢的商品进行有针对性的改善，使商户改善经营效果。

在该实施方式中，通过第一特征因子和第二特征因子的权重确定第一特征编号对应的权值和第二特征编号对应的权值，使用对应的权值来对第一特征编号和第二特征编号进行加权融合，而具体确定商品的得分值，使获得的商品的得分值能体现该商品在不同维度中受到用户喜爱的程度，根据该得分值，使商户能够有针对性的改善对应商品，使商品能适应不同推荐场景的具体需求。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明的第三实施方式涉及一种排序装置，该装置的具体实施可参见第一实施方式的相关描述，重复之处不再赘述。值得说明的是，本实施方式中的装置的具体实施也可参见第二实施方式的相关描述，但不局限于以上两个实施例，其他未说明的实施例也在本装置的保护范围之内。

如图3所示，该排序装置主要包括：第一特征模块301，用于根据商品的信息，确定第一特征因子，其中，商品与活动场景相对应；第二特征模块302，用于根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子；商品分数模块303，用于根据第一特征因子和第二特征因子，确定商品的得分值；排序模块304，用于根据商品的得分值，对商品进行排序。

在一个例子中，商品分数模块303，具体用于：根据第一特征因子对商品进行排序，确定商品的第一特征编号；根据第二特征因子对商品所属商户进行排序，确定商户的第二特征编号；对第一特征编号和第二特征编号进行加权融合，获得商品的得分值。

在一个例子中，对第一特征编号和第二特征编号进行加权融合，获得商品的得分值包括：确定第一特征编号对应的权值，和，第二特征编号对应的权值；计算第一特征编号对应的权值与第一特征编号的乘积，获得第一乘积值；计算第二特征编号对应的权值与第二特征编号的乘积，获得第二乘积值；计算第一乘积值与第二乘积值的和，将所得的和值作为商品的得分值。

在一个例子中，确定第一特征编号对应的权值和第二特征编号对应的权值包括：确定第一特征因子和第二特征因子的权重；根据权重，确定第一特征编号对应的权值和第二特征编号对应的权值。

在一个例子中，第二特征模块302，具体用于：将商品所属商户的信息、用户访问商户时的交互信息、用户的信息和用户访问商户时的上下文信息中的至少一项输入到数据模型中，确定商品所属商户的第二特征因子。

在一个例子中，根据第一特征因子对商品进行排序，确定商品的第一特征编号包括：获得被召回的商品的个数；根据第一特征因子和被召回的商品的个数，确定商品的第一特征编号。

在一个例子中，商品所属商户的信息包括：商户的流量统计信息和商户的属性信息。

在一个例子中，用户的信息包括：用户的流量统计信息和用户的属性信息。

在一个例子中，用户访问商户时的交互信息包括：交互流量统计信息和价格信息；用户访问商户时的上下文信息包括：访问信息、配送信息和网络信息。

在一个例子中，商品的信息包括：商品的月销量，商品的好评率，商品对应的配送时间，商品对应的价格信息中的至少一项。

不难发现，本实施方式为与第一或第二实施方式相对应的装置实施例，本实施方式可与第一或第二实施方式互相配合实施。第一或第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一或第二实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本实施方式中，针对不同的活动场景，通过灵活配置第一特征因子，结合第二特征因子，确定商品的得分值，能够快速搭建不同活动主题的商品智能排序模型，进而通过该得分值对商品进行排序，以实现千人千面的商品展示，为用户提供精准推荐，更加贴近用户需求，进而提高用户的体验度。

本发明的第四实施方式涉及一种电子设备，如图4所示，该电子设备包括：至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行以实现：根据商品的信息，确定第一特征因子，其中，商品与活动场景相对应；根据商品所属商户的信息、用户的信息、商户和用户之间的关联信息中的至少一项，确定第二特征因子；根据第一特征因子和第二特征因子，确定商品的得分值；根据商品的得分值，对商品进行排序。

具体地，该电子设备包括：一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的排序方法。

存储器402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、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器402，这些远程存储器402可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的排序方法。

上述产品可执行本申请实施例所提供的方法，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，可参见本申请实施例所提供的方法。

本发明的第五实施方式涉及一种非易失性存储介质，用于存储计算机可读程序，计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

本申请实施例公开了a1.一种排序方法，其特征在于，所述方法包括：

根据商品的信息，确定第一特征因子，其中，所述商品与活动场景相对应；

根据所述商品所属商户的信息、用户的信息、所述商户和所述用户之间的关联信息中的至少一项，确定第二特征因子；

根据所述第一特征因子和所述第二特征因子，确定所述商品的得分值；

根据所述商品的得分值，对所述商品进行排序。

a2.根据a1所述的排序方法，其特征在于，根据所述第一特征因子和所述第二特征因子，确定所述商品的得分值，包括：

根据所述第一特征因子对所述商品进行排序，确定所述商品的第一特征编号；

根据所述第二特征因子对所述商品所属商户进行排序，确定所述商户的第二特征编号；

对所述第一特征编号和所述第二特征编号进行加权融合，获得所述商品的得分值。

a3.根据a2所述的排序方法，其特征在于，对所述第一特征编号和所述第二特征编号进行加权融合，获得所述商品的得分值，包括：

确定所述第一特征编号对应的权值，和，所述第二特征编号对应的权值；

计算所述第一特征编号对应的权值与所述第一特征编号的乘积，获得第一乘积值；

计算所述第二特征编号对应的权值与所述第二特征编号的乘积，获得第二乘积值；

计算所述第一乘积值与所述第二乘积值的和，将所得的和值作为所述商品的得分值。

a4.根据a3所述的排序方法，其特征在于，确定所述第一特征编号对应的权值，和，所述第二特征编号对应的权值，包括：

确定所述第一特征因子和所述第二特征因子的权重；

根据所述权重，确定所述第一特征编号对应的权值和所述第二特征编号对应的权值。

a5.根据a1至a4中的任一项所述的排序方法，其特征在于，所述商户和所述用户之间的关联信息，包括：

所述用户与所述商户的交互信息，和，所述用户访问所述商户时的上下文信息；

根据所述商品所属商户的信息、用户的信息、所述商户和所述用户之间的关联信息中的至少一项，确定第二特征因子，包括：

将所述商品所属商户的信息、所述用户与所述商户的交互信息、所述用户的信息和所述用户访问所述商户时的上下文信息中的至少一项输入到数据模型中，确定所述商品所属商户的第二特征因子。

a6.根据a2所述的排序方法，其特征在于，根据所述第一特征因子对所述商品进行排序，确定所述商品的第一特征编号，包括：

获得被召回的所述商品的个数；

根据所述第一特征因子和所述被召回的商品的个数，确定所述商品的第一特征编号。

a7.根据a5所述的排序方法，其特征在于，所述商品所属商户的信息，包括：所述商户的流量统计信息和所述商户的属性信息。

a8.根据a5所述的排序方法，其特征在于，所述用户的信息，包括：所述用户的流量统计信息和所述用户的属性信息。

a9.根据a5所述的排序方法，其特征在于，所述用户访问所述商户时的交互信息，包括：交互流量统计信息和价格信息；

所述用户访问所述商户时的上下文信息，包括：访问信息、配送信息和网络信息。

a10.根据a1所述的排序方法，其特征在于，所述商品的信息，包括：

所述商品的月销量，所述商品的好评率，所述商品对应的配送时间，所述商品对应的价格信息中的至少一项。

本申请实施例公开了b1.一种排序装置，其特征在于，包括:

第一特征模块，用于根据商品的信息，确定第一特征因子，其中，所述商品与活动场景相对应；

第二特征模块，用于根据所述商品所属商户的信息、用户的信息、所述商户和所述用户之间的关联信息中的至少一项，确定第二特征因子；

商品分数模块，用于根据所述第一特征因子和所述第二特征因子，确定所述商品的得分值；

排序模块，用于根据所述商品的得分值，对所述商品进行排序。

本申请实施例公开了c1.一种电子设备，包括存储器和处理器，存储器存储计算机程序，处理器运行程序时执行：

根据商品的信息，确定第一特征因子，其中，所述商品与活动场景相对应；

根据所述商品所属商户的信息、用户的信息、所述商户和所述用户之间的关联信息中的至少一项，确定第二特征因子；

根据所述第一特征因子和所述第二特征因子，确定所述商品的得分值；

根据所述商品的得分值，对所述商品进行排序。

c2.根据c1所述的电子设备，其特征在于，根据所述第一特征因子和所述第二特征因子，确定所述商品的得分值，包括：

根据所述第一特征因子对所述商品进行排序，确定所述商品的第一特征编号；

根据所述第二特征因子对所述商品所属商户进行排序，确定所述商户的第二特征编号；

对所述第一特征编号和所述第二特征编号进行加权融合，获得所述商品的得分值。

c3.根据c2所述的电子设备，其特征在于，对所述第一特征编号和所述第二特征编号进行加权融合，获得所述商品的得分值，包括：

确定所述第一特征编号对应的权值，和，所述第二特征编号对应的权值；

计算所述第一特征编号对应的权值与所述第一特征编号的乘积，获得第一乘积值；

计算所述第二特征编号对应的权值与所述第二特征编号的乘积，获得第二乘积值；

计算所述第一乘积值与所述第二乘积值的和，将所得的和值作为所述商品的得分值。

c4.根据c3所述的电子设备，其特征在于，确定所述第一特征编号对应的权值，和，所述第二特征编号对应的权值，包括：

确定所述第一特征因子和所述第二特征因子的权重；

根据所述权重，确定所述第一特征编号对应的权值和所述第二特征编号对应的权值。

c5.根据c1至c4中的任一项所述的电子设备，其特征在于，所述商户和所述用户之间的关联信息，包括：

所述用户与所述商户的交互信息，和，所述用户访问所述商户时的上下文信息；

根据所述商品所属商户的信息、用户的信息、所述商户和所述用户之间的关联信息中的至少一项，确定第二特征因子，包括：

将所述商品所属商户的信息、所述用户与所述商户的交互信息、所述用户的信息和所述用户访问所述商户时的上下文信息中的至少一项输入到数据模型中，确定所述商品所属商户的第二特征因子。

c6.根据c2所述的电子设备，其特征在于，根据所述第一特征因子对所述商品进行排序，确定所述商品的第一特征编号，包括：

获得被召回的所述商品的个数；

根据所述第一特征因子和所述被召回的商品的个数，确定所述商品的第一特征编号。

c7.根据c5所述的电子设备，其特征在于，所述商品所属商户的信息，包括：所述商户的流量统计信息和所述商户的属性信息。

c8.根据c5所述的电子设备，其特征在于，所述用户的信息，包括：所述用户的流量统计信息和所述用户的属性信息。

c9.根据c5所述的电子设备，其特征在于，所述用户访问所述商户时的交互信息，包括：交互流量统计信息和价格信息；

所述用户访问所述商户时的上下文信息，包括：访问信息、配送信息和网络信息。

c10.根据c1所述的电子设备，其特征在于，所述商品的信息，包括：

所述商品的月销量，所述商品的好评率，所述商品对应的配送时间，所述商品对应的价格信息中的至少一项。

本申请实施例公开了d1.一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如a1至a10中任一项所述的排序方法。