商品推荐方法、装置、计算机设备及存储介质与流程

本申请实施例涉及互联网技术领域，尤其是一种商品推荐方法、装置、计算机设备及存储介质。

背景技术：

随着近年跨境电商领域的发展，越来越多的新人商家加入电商行业，商家往往需要花费较长的时间进行选品，以确定要售卖的商品，因此亟需一个给商家推荐热销品的方法。

同时，由于跨境电商不同于传统电商，其商品的信息来源于各个独立站和电商平台，难以统一，如何选用一个相对全面的标准去评价商品热度存在难度。现有的选品方法是基于品类榜单的排名给商家推荐商品，因此反映商品热度的维度比较单一。

技术实现要素：

本发明实施例提供一种商品推荐方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种商品推荐方法，包括：

确定商品数据库中各商品对象相对应的新鲜指数，所述新鲜指数根据商品上架时间统计该商品数据库的长尾分布的拐点时间，结合牛顿冷却定律和拐点时间对商品对象的商品上架时间进行时间衰减计算而得；

确定商品数据库中各商品对象的销售指数，所述销售指数根据多个反映商品对象的历史或潜在销售能力的评估分值加权计算而得；

确定商品数据库中各商品对象相对应的竞争指数，所述竞争指数根据该商品对象在其所属电商平台的品类相对应的排行榜单中的排名变化数据计算而得；

针对各商品对象，根据预设的热度计算公式对其相对应的所述新鲜指数、销售指数、竞争指数进行加权求和，获得该商品对象对应的热度指数；

根据各商品对象的热度指数选定商品推荐列表，该商品推荐列表包含多个被选中的商品对象，所述被选中的商品对象的热度指数高于未被选中的商品对象。

可选地，所述确定商品数据库中各商品对象相对应的新鲜指数的步骤，包括：

获取商品数据库中各商品对象的首次上架所记录的商品上架时间，按商品上架时间对商品对象进行分类汇总，确定各个时间段所上架的商品对象数量；

根据各个时间段所上架的商品对象数量所呈现的长尾分布统计学特征，确定长尾分布的拐点时间；

应用牛顿冷却定律和拐点时间对商品数据库中的各个商品对象的商品上架时间进行时间衰减计算，将计算结果作为各商品对象相对应的新鲜指数。

可选地，所述确定商品数据库中各商品对象的销售指数的步骤，包括：

确定商品数据库中各商品对象的如下任意两个以上的指标：广告数据评分、榜单排行评分、分布网点总量评分、评价数据评分、销量数据评分，所述各个指标的评分被统一为同一总分标准；

针对每个商品对象将所确定的多个指标进行加权汇总获得该商品对象所述的销售指数。

可选地，所述确定商品数据库中各商品对象相对应的竞争指数的步骤，包括：

获取各商品对象相对应的一定历史时间内多个时间节点的特定排行榜单数据；

针对每个商品对象，根据所述多个时间节点计算该商品对象的综合变化率，所述综合变化率为该商品对象在最后一个时间节点所得特定排行榜单的分数与其在最早一个时间节点所得特定排行榜单的分数的差值，与该商品对象在所有时间节点所得特定排行榜单的分数之和之间的比率；

针对每个商品对象，以其综合变化率与所有商品对象中求得的最小综合变化率之差值，与所有商品对象中最大综合变化率与最小综合变化率之间的差值之比值，作为所述的竞争指数。

可选地，针对各商品对象，根据预设的热度计算公式对其已统一到同一总分标准的相对应的所述新鲜指数、销售指数、竞争指数进行加权求和，获得该商品对象对应的热度指数的步骤中，所述新鲜指数、销售指数、竞争指数，均已被统一到同一总分标准进行计量。

可选地，所述商品推荐方法包括如下后置步骤：

将所述商品推荐列表推荐给电商平台所维护的各个独立交易站点所注册的卖家用户。

可选地，所述商品推荐方法包括如下前置步骤：

对所述商品数据库进行优选，使其仅包括历史交易行为信息仅包含特定物理位置的商品对象。

为解决上述技术问题，本发明实施例还提供一种商品推荐装置，包括：

新鲜指数模块，用于确定商品数据库中各商品对象相对应的新鲜指数，所述新鲜指数根据商品上架时间统计该商品数据库的长尾分布的拐点时间，结合牛顿冷却定律和拐点时间对商品对象的商品上架时间进行时间衰减计算而得；

销售指数模块，用于确定商品数据库中各商品对象的销售指数，所述销售指数根据多个反映商品对象的历史或潜在销售能力的评估分值加权计算而得；

竞争指数模块，用于确定商品数据库中各商品对象相对应的竞争指数，所述竞争指数根据该商品对象在其所属电商平台的品类相对应的排行榜单中的排名变化数据计算而得；

加权计算模块，用于针对各商品对象，根据预设的热度计算公式对其相对应的所述新鲜指数、销售指数、竞争指数进行加权求和，获得该商品对象对应的热度指数；

商品推荐模块，用于根据各商品对象的热度指数选定商品推荐列表，该商品推荐列表包含多个被选中的商品对象，所述被选中的商品对象的热度指数高于未被选中的商品对象。

为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述商品推荐方法的步骤。

为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述商品推荐方法的步骤。

与现有技术相比较，本发明实施例的有益效果是：

1.本申请优选数据来源和统计方式，确定了商品数据库中各商品对象相对应的新指数、销售指数与竞争指数，然后将其按照预设的热度计算公式进行加权求和，最终获得一个反映商品热度的指数。这样的求取商品热度指数的方法相较于现有的基于榜单排名的单一维度的求取商品热度的方法更加全面且科学，能够据以筛选出交易商品的热度排行数据。

2.由于本申请的方法得出的数值遵循统一的热度评价标准，因此不受不同电商平台、跨境电商平台中不同独立交易站点的评价标准的影响，十分适合对不同电商平台、不同独立交易站点的商品进行统一的热度指数计算，尤其能高效快速地针对不同的电商独立站进行统一的热度指数评价。

3.由于本申请具备上述有益效果，得出的商品推荐列表可以给电商平台所维护的各个独立交易站点所注册的卖家用户进行更有效的热销商品推荐，从而节省了选品时间，避免卖家用户错选、漏选，极大地提高了商家选品的效率。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为实施本申请的技术方案相关的一种典型的网络部署架构示意图；

图2为本申请一个具体实施例的商品对象推荐方法的基本流程示意图；

图3为图2中步骤s100的具体步骤所形成的流程示意图；

图4为图2中步骤s200的具体步骤所形成的流程示意图；

图5为图2中步骤s300的具体步骤所形成的流程示意图；

图6为本申请另一个具体实施例的商品对象推荐方法的基本流程示意图；

图7为本申请又一个具体实施例的商品对象推荐方法的基本流程示意图；

图8为本申请一个具体实施例的商品推荐方法的图形用户界面示意图；

图9为本申请一个实施例的商品推荐装置基本结构示意图；

图10为本申请一个实施例的计算机设备的基本结构框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personalcommunicationsservice，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personaldigitalassistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(globalpositioningsystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobileinternetdevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。

需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。请参阅图1，本申请相关技术方案实施时所需的硬件基础可按图中所示的架构进行部署。本申请所称服务器80部署在云端，作为一个业务服务器，其可以负责进一步连接起相关数据服务器以及其他提供相关支持的服务器等，以此构成逻辑上相关联的服务机群，来为相关的终端设备例如图中所示的智能手机81和个人计算机82或者第三方服务器(未图示)提供服务。所述的智能手机和个人计算机均可通过公知的网络接入方式接入互联网，与云端的服务器80建立数据通信链路，以便运行所述服务器所提供的服务相关的终端应用程序。

对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。

所述的应用程序，是指运行于服务器或终端设备上的应用程序，这一应用程序采用编程的方式实现了本申请的相关技术方案，其程序代码可被以计算机可执行指令的形式保存于计算机能识别的非易失性存储介质中，并被中央处理器调入内存中运行，通过该应用程序在计算机的运行而构造出本申请的相关装置。

对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。

请参阅图2，图2为本实施例商品对象推荐方法的基本流程示意图。

如图2所示，本申请揭示的一种商品对象推荐方法包括步骤s100至步骤s500，具体如下：

步骤s100:确定商品数据库中各商品对象相对应的新鲜指数，所述新鲜指数根据商品上架时间统计该商品数据库的长尾分布的拐点时间，结合牛顿冷却定律和拐点时间对商品对象的商品上架时间进行时间衰减计算而得；

本实施例中，所述商品数据库优选为关系型数据库，可选oracle、sybase、informix和ingres中的任一数据库进行本方法的操作，所述商品数据库内包含的所述各商品对象的相应信息根据电商平台上预先建立的相应的分类体系，例如家电类、服装类等，进行分类抓取而来。所述各商品对象的相应信息包括商品名称、商品上架时间和商品销售数量等。所述商品上架时间为任一商品的首次上架时间。

所述各商品对象存在于多个独立的商品交易站，下称独立站。独立站为本领域技术人员所公知的跨境电商平台所支持的独立交易站点，由于各个独立站上的商品对象的相应销售数量信息各不相同，例如名称为a的商品在x独立站的销量排名第1，而在y独立站的销量排名第4，因此判断热销的商品对象并进行商品推荐成为一个亟待解决的问题，这也是本申请相较于现有技术的改进点所在。

所述牛顿冷却定律和拐点时间的获取与相应计算方法将在下文予以揭示：

请参见图3，图3为在一个实施例中，所述商品数据库中各商品对象相对应的新鲜指数的获取步骤，具体包括：

步骤s110：获取商品数据库中各商品对象的首次上架所记录的商品上架时间，按商品上架时间对商品对象进行分类汇总，确定各个时间段所上架的商品对象数量。

所述上架时间可由本领域技术人员根据实际需求设置精确度，例如精确到日期或者时分秒。同理，所述各个时间段也可以相应设置为某几天或者一天的某几个小时。

步骤s120：根据各个时间段所上架的商品对象数量所呈现的长尾分布统计学特征，确定长尾分布的拐点时间；

所述长尾分布统计学为本领域技术人员公知的统计模型的优选，本领域技术人员也可根据其他统计模型进行计算：通过运用统计学知识，以商品对象的商品首次上架时间为索引项，逐年或者逐月统计各年或各月的被上架的商品对象总量，由此形成一个变化曲线或柱形图，据此便可根据长尾分布原理计算出整个曲线中的拐点时间。

步骤s130：应用牛顿冷却定律和拐点时间对商品数据库中的各个商品对象的商品上架时间进行时间衰减计算，将计算结果作为各商品对象相对应的新鲜指数。

所述牛顿冷却定律为：

t^′＝-α(t-h)

在本实施例中，t(t)是任一商品对象的热度(t)的时间(t)函数。热度变化(冷却)的速率即衰减速率，就是热度函数的导数t'(t)。h代表商品对象的平均热度，t(t)-h就是当前热度与平均热度之间的差值。由于当前热度高于平均热度，所以这是一个正值。常数α(α>0)表示平均热度与降温速率之间的比例关系。前面的负号表示降温。本领域技术人员可根据具体数据分布对α进行调参，使衰减速率符合业务需要。其结合牛顿冷却定律的积分形式的示例性公式如下：

其中：

sale_index表示新鲜指数；

g表示衰减系数，可由本领域技术人员根据具体数据分布进行调参，使衰减速率符合业务需要；

diff_days表示商品上架时间距离当前日期天数之差；

其中7为自定义的一个周期，本领域技术人员可以根据实际需求进行设置。

也即，所述新鲜指数在7天的周期内按照预设的衰减系数进行衰减。

通过上述方法可以快速得到所述商品数据库中各商品对象相对应的新鲜指数用于本申请后续步骤的计算。

步骤s200:确定商品数据库中各商品对象的销售指数，所述销售指数根据多个反映商品对象的历史或潜在销售能力的评估分值加权计算而得。

在一个实施例中，上述商品数据库中各商品对象相对应的销售指数具体的获取步骤请参见图3，其包括：

步骤s210:确定商品数据库中各商品对象的如下任意两个以上的指标：广告数据评分、榜单排行评分、分布网点总量评分、评价数据评分、销量数据评分，所述各个指标的评分被统一为同一总分标准；

在一些实施例中，所述广告数据评分根据该商品对象在投广告数量和位置信息的最近某几个时间段的变化情况，例如近3天、近7天与近14天，得到不同时段商品广告的变化情况，再乘以不同的权重值进行相加，所述权重值可根据实际需求进行调整，从而得到该商品对象广告数据得分。其示例性公式如下：

其中：ad_score表示广告数据评分；

min(ad_hot)表示最小广告权重；

max(ad_hot)表示最大广告权重；

ad_hot表示广告权重，其计算公式如下：

ad_hot＝sum(index_weight×time_weight)

其中：

index_weight表示广告位置权重，例如当广告位置位于广告列表前三是权重为4，后面则为3；

time_weight表示广告时间权重，例如当广告上架时间3天为2、7天为3、14天为4；

也即，上述公式表示，该商品对象的广告数据评分由该商品对象的广告权重减去所有商品对象中的最小广告权重之差除以所有商品对象中的最大广告权重与所有商品对象中的最小广告权重之差，其比值再乘以100。

其中，为防止分母无意义，因此加1，而之所以将其比值再乘以100，是为了将评分的分值结果设置在100以内，便于直观地得出数值高低，以及便于后续进行计算，下文揭示的公式中含有分母加1与比值乘以100的作用均与此相同，下文恕不赘述。

所述广告数据评分综合反映了该商品对象在最近的某几个时间段内的被浏览情况，某种程度上也体现了商品对象的潜在销售能力。

在一些实施例中，所述榜单排行评分根据该商品对象的所在的电商平台上预先建立的分类体系的榜单排名值和得分，例如某某品牌的某一型号的电视在该电商平台的当月家电热销排行榜中排名第三，在该电商平台的当月人气数码排行榜中排名第二等等，具体可细化到每一个spu，综合计算从而得到商品的榜单得分。其示例性公式如下：

其中：rank_score表示榜单排行评分；

rank表示商品所在榜单排名；

min(rank)表示最小榜单排名得分；

max(rank)表示最大榜单排名得分。

也即，所述榜单排行评分由该商品对象的榜单排名减去所有商品对象中的最小榜单排名之差除以所有商品对象中的最大榜单排名与所有商品对象中的最小榜单排名之差，其比值再乘以100。

所述榜单排行评分综合反映了该商品对象在同品类的商品对象中的相对受欢迎程度，体现了其历史销售能力。

在一些实施例中，所述分布网点总量评分根据该商品对象的所在的电商平台上预先建立的分类体系的类别中的店铺数量进行综合计算，得到该商品对象的分布网点总量评分，其示例性公式如下：

其中：shop_sore表示分布网点总量评分；

shop_num表示售卖店铺数；

min(shop_num)表示最小售卖店铺数；

max(shop_num)表示最大售卖店铺数。

也即，所述分布网点总量评分由该商品对象的售卖店铺数减去所有商品对象中的最小售卖店铺数之差除以所有商品对象中的最大售卖店铺数与所有商品对象中的最小售卖店铺数之差，其比值再乘以100。

可以理解，所述分布网点总量评分综合反映了该商品对象的潜在销售潜力。

在一些实施例中，所述评价数据评分根据该商品对象的所在的电商平台上评价和评分信息进行综合计算，其示例性公式如下：

其中：comment_sore表示评价数据评分；

score表示商品总评分；

min(score)表示最小商品总评分；

max(score)表示最大商品总评分。

也即，所述评价数据评分由该商品对象的商品总评分减去所有商品对象中的最小商品总评分之差除以所有商品对象中的最大商品总评分与所有商品对象中的最小商品总评分之差，其比值再乘以100。

所述评价数据评分综合反映了该商品对象的受欢迎程度，体现了其历史销售能力。

在一些实施例中，所述销量数据评分根据该商品对象的所在的电商平台上销量得分进行综合计算，其示例性公式如下：

其中：sale_sore表示销量数据评分；

sale_info的计算公式如下：

sale_info＝c*历史销量+d*近一月销量增加数

其中，c和d分别代表历史销量和近一月销量增量的权重值。也即，所述销量数据评分由该商品对象的通过一定参数算得的历史销量与近一月销量增加数之和减去所有商品对象中的通过一定参数算得的历史销量与近一月销量增加数的最小值之差除以所有商品对象中的通过一定参数算得的历史销量与近一月销量增加数的最大值之差，其比值再乘以100。所述销量数据评分综合反映了该商品对象历史销量的综合情况，可直观地反映其历史销售能力。

s220:针对每个商品对象将所确定的多个指标进行加权汇总获得该商品对象所述的销售指数。其计算公式示例如下：

销售指数＝α*ad_score+β*rank_sore+γ*shop_sore+δ*comment_sore+ε*sale_sore

其中，α、β、γ、δ、ε均代表不同得分的权重，本领域技术人员可根据实际业务调节该参数。

通过上述方法可以科学直观地以一个统一的评价标准得到所述商品数据库中各商品对象相对应的销售指数。

步骤s300:确定商品数据库中各商品对象相对应的竞争指数，所述竞争指数根据该商品对象在其所属电商平台的品类相对应的排行榜单中的排名变化数据计算而得。

在一个实施例中，上述商品数据库中各商品对象相对应的竞争指数具体的获取步骤请参见图4，其包括：

步骤s310:获取各商品对象相对应的一定历史时间内多个时间节点的特定排行榜单数据；

在本实施例中，一定历史时间内多个时间节点可根据实际情况进行获取，例如某节日前三天的中午12点至下午2点，以及下午7点至下午10点。

步骤s320:针对每个商品对象，根据所述多个时间节点计算该商品对象的综合变化率，所述综合变化率为该商品对象在最后一个时间节点所得特定排行榜单的分数与其在最早一个时间节点所得特定排行榜单的分数的差值，与该商品对象在所有时间节点所得特定排行榜单的分数之和之间的比率；

在本实施例中，所述特定排行榜单来源于电商平台内部自建榜单，具体由亚马逊bsr或googletrend等外部网站信息映射到电商内部商品而形成。所述时间节点可根据实际需求设置为精确到时分秒或某一日期。

该商品对象的综合变化率计算公式示例如下：

rank_list表示近三日榜单变化得分，其示例性公式如下：

其中：

rank_1t_spec表示当前日期前一天榜单得分；

rank_2t_spec表示当前日期两天前榜单得分；

rank_3t_spec表示当前日期三天前榜单得分。

步骤s330:针对每个商品对象，以其综合变化率与所有商品对象中求得的最小综合变化率之差值，与所有商品对象中最大综合变化率与最小综合变化率之间的差值之比值，作为所述的竞争指数。其示例性公式如下：

其中：compet_score表示综合变化率；

min(rank_list)表示最小特定排行榜单的分数；

max(rank_list)表示最大特定排行榜单的分数。

也即，所述综合变化率由该商品对象的商品总评分减去所有商品对象中的最小特定排行榜单的分数之差除以所有商品对象中的最大特定排行榜单的分数与所有商品对象中的最小特定排行榜单的分数之差，其比值再乘以100。

步骤s400:针对各商品对象，根据预设的热度计算公式对其相对应的所述新鲜指数、销售指数、竞争指数进行加权求和，获得该商品对象对应的热度指数。

其计算公式示例如下：

热度指数＝α*销售指数+β*竞争指数+γ*新鲜指数

其中，α，β，γ，代表不同得分的权重，本领域技术人员可根据实际业务调节参数，甚至可以将这些权重交由相关用户自行调节，根据其所关注的不同方面而相应增加该方面的权重。

通过上述公式计算出来的热度指数可以将不同独立站的多个商品信息来源的商品对象形成一个相对统一且全面的标准。

步骤s500:根据各商品对象的热度指数选定商品推荐列表，该商品推荐列表包含多个被选中的商品对象，所述被选中的商品对象的热度指数高于未被选中的商品对象。

本实施方式中，根据各商品对象的热度指数选定的商品推送列表包括的相关商品对象信息可以由本领域技术人员根据实际需求设置，例如商品对象的id名称、商品对象图片、商品对象的价格等，其展示页面在用户设备显示效果如图8所示。

本实施方式中，本领域技术人员也可以根据实际需求将各商品对象按照热度高低进行排序，并设置商品推荐列表的品类与每个品类的相应数量，例如商品推荐列表中包含热度最高的前50个家电商品。

通过上述步骤按照一定公式将各商品对象各自的销售指数、竞争指数与新鲜指数进行加权求和，以一个统一的评价标准得出其热度指数，相较于仅以榜单排名为单一维度进行统计的方法更加科学与全面；此外，由于本申请可以将不同独立站的多个商品信息来源的商品对象用一个相对统一且全面的标准去评价商品热度，因而即使是有着不同商品销售情况、商品热度情况等等的不同电商平台，都能得到有效的商品热度排行，具有广泛的适用性；由于本申请具备上述有益效果，得出的商品推荐列表可以给电商平台所维护的各个独立交易站点所注册的卖家用户进行更有效的热销商品推荐，从而节省了选品时间，避免卖家用户错选、漏选，极大地提高了商家选品的效率。

请参见图6，在一些实施例中，除上述步骤s100至步骤s500外，申请的商品推荐方法还包括步骤s600:将所述商品推荐列表推荐给电商平台所维护的各个独立交易站点所注册的卖家用户。

请参见图7，在一些实施例中，步骤s010:对所述商品数据库进行过滤，使其中的商品对象，其历史交易行为信息包含指向特定物理位置的位置信息。

通过对所述商品数据库预先进行历史交易行为信息仅包含特定物理位置的优选，可以时本申请的商品推荐方法得出的商品推荐列表更加针对某一特定物理位置的商品热度，有利于卖家用户有针对性地对某一地区进行商品销售。

进一步的，可以通过将上述的商品对象推荐方法中的各个实施例进行功能化，构造出本申请的一种商品推荐装置，按照这一思路，请参阅图9，其典型实施例中，该装置包括：

新鲜指数模块11，用于确定商品数据库中各商品对象相对应的新鲜指数，所述新鲜指数根据商品上架时间统计该商品数据库的长尾分布的拐点时间，结合牛顿冷却定律和拐点时间对商品对象的商品上架时间进行时间衰减计算而得；

销售指数模块12，用于确定商品数据库中各商品对象的销售指数，所述销售指数根据多个反映商品对象的历史或潜在销售能力的评估分值加权计算而得；

竞争指数模块13，用于确定商品数据库中各商品对象相对应的竞争指数，所述竞争指数根据该商品对象在其所属电商平台的品类相对应的排行榜单中的排名变化数据计算而得；

加权计算模块14，用于针对各商品对象，根据预设的热度计算公式对其相对应的所述新鲜指数、销售指数、竞争指数进行加权求和，获得该商品对象对应的热度指数；

商品推荐模块15，用于根据各商品对象的热度指数选定商品推荐列表，该商品推荐列表包含多个被选中的商品对象，所述被选中的商品对象的热度指数高于未被选中的商品对象。

为解决上述技术问题，本发明实施例还提供计算机设备。包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中计算机程序以执行如前述的一种商品推荐方法的步骤。具体请参阅图10，图10为本实施例计算机设备基本结构框图。

如图10所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种商品对象推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种商品对象推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施方式中处理器用于执行图中新鲜指数模块11、销售指数模块12、竞争指数模块13、加权计算模块14与商品推荐模块15的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有商品对象推荐装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例商品对象推荐方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。