一种商品扶持方法、装置、计算机设备和存储介质与流程

本技术涉及商品排序，特别是涉及一种商品扶持方法、装置、计算机设备和存储介质。

背景技术：

1、随着计算机和网络技术的快速发展，电子商务越来越多地出现在人们的日常工作和生活等诸多场景中。电商行业发展迅猛，商品更新换代也非常快，如何为好的商品导流，甚至培养爆款，用户的选择、商家的广告宣传以及平台的扶持都是一种因素，其中，平台的扶持往往是非常重要的一个手段。

2、由于电商平台上的商品数量巨大，通常各大电商平台会将商品按照一定的顺序展示给用户。然而，为了扶持一些重点业务或者战略业务，通常需要干预、更改商品的排序，以便战略商品能够更多地受到用户的关注。

3、但是目前强行扶持商品的方式，会破坏商品的精排顺序，导致商品转化率降低。

4、因此，本技术提出一种能够在扶持商品的同时考虑精排顺序，保证商品转化率的商品扶持方法、装置、计算机设备和存储介质。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够在扶持商品的同时考虑精排顺序，保证商品转化率的商品扶持方法、装置、计算机设备和存储介质。

2、第一方面，提供一种商品扶持方法，所述方法包括：

3、接收商品召回请求，并根据所述商品召回请求获取召回商品；

4、获取所述召回商品的商品标签，并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品；

5、获取所述扶持商品的考核标准和用户行为数据；

6、将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较，判断所述扶持商品是否通过考核；

7、响应于所述扶持商品通过考核，计算通过考核的扶持商品的分布值；

8、将所述通过考核的扶持商品按照分布值从高到低进行排序，获得第一排序结果；

9、将所述非扶持商品输入粗排模型，获得第一粗排结果；

10、将所述第一粗排结果输入精排模型，获得第一精排结果；

11、获取推荐商品数量n，其中，所述推荐商品数量n表示第一个页面显示的最大商品数量，n为正整数；

12、将所述第一排序结果中排名为第1至a的扶持商品以及所述第一精排结果中排名为第1至b的非扶持商品作为推荐商品，将所述推荐商品输入精排模型，获得第二排序结果，其中，a和b为正整数，a＜b且a+b＝n；

13、将所述第二排序结果返回给用户。

14、在其中一个实施例中，所述方法还包括：

15、将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较，判断所述扶持商品是否通过考核；

16、响应于存在未通过考核的扶持商品，将所述未通过考核的扶持商品和非扶持商品输入粗排模型，获得第一粗排结果；

17、将所述第一粗排结果输入精排模型，获得第一精排结果。

18、在其中一个实施例中，所述用户行为数据包括曝光数据、点击数据、收藏数据、加购数据以及购买数据，所述考核标准包括曝光数据阈值、点击数据阈值、收藏数据阈值、加购数据阈值以及购买数据阈值中的至少两种数据阈值，所述考核标准包括第一考核标准和第二考核标准，

19、将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较，判断所述扶持商品是否通过考核，包括：

20、将所述第一考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较，判断所述扶持商品是否通过第一次考核；

21、响应于所述扶持商品对应的用户行为数据大于或等于所述第一考核标准中的数据阈值，确认所述扶持商品通过第一次考核；

22、将所述第二考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较，判断所述扶持商品是否通过第二次考核；

23、响应于所述扶持商品对应的用户行为数据大于或等于所述第二考核标准中的数据阈值，确认所述扶持商品通过第二次考核。

24、在其中一个实施例中，所述第一考核标准包括曝光数据阈值和点击数据阈值，所述方法还包括：

25、根据所述扶持商品创建扶持商品列表；

26、获取历史扶持商品的曝光数据和点击数据，并计算出所述历史扶持商品曝光数据的平均值和点击数据的平均值，将所述历史扶持商品曝光数据的平均值作为所述第一考核标准的曝光数据阈值，将所述历史扶持商品点击数据的平均值作为所述第一考核标准的点击数据阈值；

27、将所述扶持商品的曝光数据与所述第一考核标准的曝光数据阈值进行比较，获得第一比较结果；

28、响应于所述第一比较结果为所述扶持商品的曝光数据小于所述第一考核标准的曝光数据阈值，确认所述扶持商品第一次考核不通过，将所述扶持商品作为非扶持商品输入粗排模型；

29、响应于所述第一比较结果为所述扶持商品的曝光数据大于或等于所述第一考核标准的曝光数据阈值，将所述扶持商品的点击数据与所述第一考核标准的点击数据阈值进行比较，获得第二比较结果；

30、响应于所述第二比较结果为所述扶持商品的点击数据小于所述第一考核标准的点击数据阈值，确认所述扶持商品第一次考核不通过，将所述扶持商品作为非扶持商品输入粗排模型；

31、响应于所述第二比较结果为所述扶持商品的点击数据大于或等于所述第一考核标准的点击数据阈值，确认所述扶持商品第一次考核通过，进入第二次考核。

32、在其中一个实施例中，计算通过考核的扶持商品的分布值，包括：

33、获取所述通过考核的扶持商品的用户行为数据以及对应的权重值；

34、根据所述权重值对用户行为数据进行加权计算，获得所述通过考核的扶持商品的分布值。

35、在其中一个实施例中，所述方法还包括：

36、获取扶持商品比例a，并根据推荐商品数量n计算出扶持商品数量m，其中，m为正整数，m＝n*a，a＜0.5；

37、根据所述扶持商品数量m，将所述第一排序结果中排名为第1至m的扶持商品以及所述第一精排结果中排名为第1至n-m的非扶持商品作为推荐商品，将所述推荐商品输入精排模型，获得第二排序结果；

38、将所述第二排序结果返回给用户。

39、在其中一个实施例中，所述方法还包括：

40、根据所述召回商品创建召回商品列表，其中，所述召回商品列表中包括所述扶持商品以及所述扶持商品对应的分布值；

41、将所述召回商品输入粗排模型，获得第二粗排结果；

42、将所述第二粗排结果输入精排模型，获得第二精排结果；

43、遍历所述召回商品列表，判断所述召回商品中是否含有分布值；

44、响应于所述召回商品中含有分布值，判断所述分布值对应的扶持商品在所述第二精排结果中的排名是否在第p名之前，其中，p为正整数且p≤1/2e，e为召回商品数量；

45、响应于所述分布值对应的扶持商品在所述第二精排结果中的排名在第p名之前，将该扶持商品作为推荐商品。

46、第二方面，提供了一种商品扶持装置，所述装置包括：

47、接收获取模块，所述接收获取模块用于接收商品召回请求，并根据所述商品召回请求获取召回商品；

48、获取划分模块，所述获取划分模块用于获取所述召回商品的商品标签，并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品；

49、第一获取模块，所述第一获取模块用于获取所述扶持商品的考核标准和用户行为数据；

50、比较判断模块，所述比较判断模块用于将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较，判断所述扶持商品是否通过考核；

51、计算模块，所述计算模块用于响应于所述扶持商品通过考核，计算通过考核的扶持商品的分布值；

52、第一排序模块，所述第一排序模块用于将所述通过考核的扶持商品按照分布值从高到低进行排序，获得第一排序结果；

53、第一粗排模块，所述第一粗排模块用于将所述非扶持商品输入粗排模型，获得第一粗排结果；

54、第一精排模块，所述第一精排模块用于将所述第一粗排结果输入精排模型，获得第一精排结果；

55、第二获取模块，所述第二获取模块用于获取推荐商品数量n，其中，所述推荐商品数量n表示第一个页面显示的最大商品数量，n为正整数；

56、第二排序模块，所述第二排序模块用于将所述第一排序结果中排名为第1至a的扶持商品以及所述第一精排结果中排名为第1至b的非扶持商品作为推荐商品，将所述推荐商品输入精排模型，获得第二排序结果，其中，a和b为正整数，a＜b且a+b＝n；

57、返回模块，所述返回模块用于将所述第二排序结果返回给用户。

58、第三方面，提供了一种计算机设备，所述计算机设备包括一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如上述第一方面任意一项所述方法的步骤。

59、第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，执行如上述第一方面任意一项所述方法的步骤。

60、上述商品扶持方法、装置、计算机设备和存储介质，通过计算扶持商品的分布值，并按照分布值从高到低排序，获得第一排序结果；将非扶持商品输入粗排模型和精排模型中，获得第一精排结果；根据推荐商品数量，从扶持商品和非扶持商品中挑选排名靠前的组成推荐商品，将所述推荐商品输入精排模型，获得返回给用户的第二排序结果。通过该技术方案，本技术实现在扶持商品的同时考虑商品的精排顺序，保证商品的转化率。