上架货品确定方法及装置与流程

1.本发明涉及推荐算法技术领域，尤其涉及一种上架货品确定方法及装置。


背景技术：

2.商业店铺在选择新的上架货品时，现有的解决措施一般会通过两种办法确认选品策略，一种是结合便利店周边场景特征选择适配的货品，比如当周围居住小区多时选择日化商品上架，当周围办公楼多时选择办公用品上架；第二种是做门店客流调研，通过发放问卷，数据收集及分析来判断消费者偏好，从而选择合适的上架货品。但显然，人工考察并凭借经验进行选品的方法，存在很大的主观性，首先人工的考虑无法面面俱到，不能完全判断门店客流和周围场景的强关联性，难免存在局限的地方，其次人工决策的方式效率较低，做门店客流调研的方法，需要发放问卷，数据收集及分析，人工投入大，难以在门店数量很多的情况下快速复制推广。


技术实现要素：

3.本发明所要解决的技术问题在于，提供一种上架货品确定方法及装置，能够结合人工智能技术辅助选择上架货品，一方面能够充分结合店铺的店铺特征参数进行货品选择上架的考虑，另一方面达到了高效精准的货品上架确定效果。
4.为了解决上述技术问题，本发明第一方面公开了一种上架货品确定方法，所述方法包括：
5.确定多个候选上架货品；
6.计算每一所述候选上架货品对应的上架店铺的店铺特征参数；
7.将所述多个候选上架货品及对应的店铺特征参数分别输入至每一所述候选上架货品对应的预测网络模型中，以确定目标候选上架货品；所述预测网络模型为通过包括有多个对应的所述候选上架货品的销售效果已知的店铺及对应的店铺特征参数的训练集训练得到。
8.作为一个可选的实施方式，在本发明第一方面中，所述店铺特征参数包括店铺周边人流特征、店铺周边设施特征和店铺周边竞品特征中的至少一种。
9.作为一个可选的实施方式，在本发明第一方面中，所述计算每一所述候选上架货品的店铺特征参数，包括：
10.确定所述上架店铺的周边人流信息；
11.根据所述周边人流信息，以及预设的人群画像匹配数据库，确定所述候选上架货品对应的周边人流画像；
12.将所述周边人流画像确定为所述候选上架货品的所述店铺周边人流特征；
13.和/或，
14.确定所述上架店铺的周边人流信息；
15.确定所述上架店铺对应的若干个目标设施和若干个竞品店铺；
16.确定所述目标设施和所述竞品店铺的周边人流信息；
17.计算所述上架店铺的周边人流信息和任一所述目标设施或所述竞品店铺的周边人流信息的人流重合度；
18.将所述所有人流重合度确定为所述候选上架货品的所述店铺周边人流特征。
19.作为一个可选的实施方式，在本发明第一方面中，所述计算每一所述候选上架货品的店铺特征参数，包括：
20.确定所述上架店铺的所在位置周围的多个目标设施；
21.确定所述上架店铺的所在位置与任一所述目标设施的距离参数；
22.将所述所有所述目标设施对应的所述距离参数确定为所述候选上架货品的所述店铺周边设施特征。
23.作为一个可选的实施方式，在本发明第一方面中，所述计算每一所述候选上架货品的店铺特征参数，包括：
24.确定所述上架店铺的所在位置周围的多个竞品店铺；
25.确定所述上架店铺的所在位置距离任一所述竞品店铺的距离参数；
26.将所述所有所述竞品店铺对应的所述距离参数确定为所述候选上架货品的所述店铺周边竞品特征。
27.作为一个可选的实施方式，在本发明第一方面中，所述周边人流信息为对应的人流覆盖范围内的所有用户的设备信息。
28.作为一个可选的实施方式，在本发明第一方面中，所述预测网络模型为分类算法模型；在所述确定多个候选上架货品之前，所述方法还包括：
29.将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型；所述多级别样本训练集包括有多个销售效果级别的店铺地址及对应的店铺特征参数。
30.作为一个可选的实施方式，在本发明第一方面中，所述将所述多个候选上架货品及对应的店铺特征参数分别输入至每一所述候选上架货品对应的预测网络模型中，以确定目标候选上架货品，包括：
31.对于任一所述候选上架货品，将该候选上架货品及对应的店铺特征参数输入至该候选上架货品对应的分类算法模型，并输出所述分类算法模型对该候选上架货品的分类结果；
32.筛选出所有所述候选上架货品中被分类为优秀销售效果的候选上架货品；
33.根据所述被分类为优秀销售效果的候选上架货品，确定目标候选上架货品。
34.本发明实施例第二方面公开了一种上架货品确定装置，所述装置包括：
35.货品确定模块，用于确定多个候选上架货品；
36.参数计算模块，用于计算每一所述候选上架货品对应的上架店铺的店铺特征参数；
37.货品预测模块，用于将所述多个候选上架货品及对应的店铺特征参数分别输入至每一所述候选上架货品对应的预测网络模型中，以确定目标候选上架货品；所述预测网络模型为通过包括有多个对应的所述候选上架货品的销售效果已知的店铺及对应的店铺特征参数的训练集训练得到。
38.作为一个可选的实施方式，在本发明第二方面中，所述店铺特征参数包括店铺周边人流特征、店铺周边设施特征和店铺周边竞品特征中的至少一种。
39.作为一个可选的实施方式，在本发明第二方面中，所述参数计算模块计算每一所述候选上架货品的店铺特征参数的具体方式，包括：
40.确定所述上架店铺的周边人流信息；
41.根据所述周边人流信息，以及预设的人群画像匹配数据库，确定所述候选上架货品对应的周边人流画像；
42.将所述周边人流画像确定为所述候选上架货品的所述店铺周边人流特征；
43.和/或，
44.确定所述上架店铺的周边人流信息；
45.确定所述上架店铺对应的若干个目标设施和若干个竞品店铺；
46.确定所述目标设施和所述竞品店铺的周边人流信息；
47.计算所述上架店铺的周边人流信息和任一所述目标设施或所述竞品店铺的周边人流信息的人流重合度；
48.将所述所有人流重合度确定为所述候选上架货品的所述店铺周边人流特征。
49.作为一个可选的实施方式，在本发明第二方面中，所述参数计算模块计算每一所述候选上架货品的店铺特征参数的具体方式，包括：
50.确定所述上架店铺的所在位置周围的多个目标设施；
51.确定所述上架店铺的所在位置与任一所述目标设施的距离参数；
52.将所述所有所述目标设施对应的所述距离参数确定为所述候选上架货品的所述店铺周边设施特征。
53.作为一个可选的实施方式，在本发明第二方面中，所述参数计算模块计算每一所述候选上架货品的店铺特征参数的具体方式，包括：
54.确定所述上架店铺的所在位置周围的多个竞品店铺；
55.确定所述上架店铺的所在位置距离任一所述竞品店铺的距离参数；
56.将所述所有所述竞品店铺对应的所述距离参数确定为所述候选上架货品的所述店铺周边竞品特征。
57.作为一个可选的实施方式，在本发明第二方面中，所述周边人流信息为对应的人流覆盖范围内的所有用户的设备信息。
58.作为一个可选的实施方式，在本发明第二方面中，所述预测网络模型为分类算法模型；所述装置还包括：
59.训练模块，用于将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型；所述多级别样本训练集包括有多个销售效果级别的店铺地址及对应的店铺特征参数。
60.作为一个可选的实施方式，在本发明第二方面中，所述货品预测模块将所述多个候选上架货品及对应的店铺特征参数分别输入至每一所述候选上架货品对应的预测网络模型中，以确定目标候选上架货品的具体方式，包括：
61.对于任一所述候选上架货品，将该候选上架货品及对应的店铺特征参数输入至该候选上架货品对应的分类算法模型，并输出所述分类算法模型对该候选上架货品的分类结
果；
62.筛选出所有所述候选上架货品中被分类为优秀销售效果的候选上架货品；
63.根据所述被分类为优秀销售效果的候选上架货品，确定目标候选上架货品。
64.本发明第三方面公开了另一种上架货品确定装置，所述装置包括：
65.存储有可执行程序代码的存储器；
66.与所述存储器耦合的处理器；
67.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的上架货品确定方法中的部分或全部步骤。
68.与现有技术相比，本发明实施例具有以下有益效果：
69.本发明实施例中，公开了一种上架货品确定方法及装置，该方法包括：确定多个候选上架货品；计算每一所述候选上架货品对应的上架店铺的店铺特征参数；将所述多个候选上架货品及对应的店铺特征参数分别输入至每一所述候选上架货品对应的预测网络模型中，以确定目标候选上架货品；所述预测网络模型为通过包括有多个对应的所述候选上架货品的销售效果已知的店铺及对应的店铺特征参数的训练集训练得到。可见，本发明实施例能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品，从而能够结合人工智能技术辅助选择上架货品，一方面能够充分结合店铺的店铺特征参数进行货品选择上架的考虑，另一方面达到了高效精准的货品上架确定效果。
附图说明
70.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
71.图1是本发明实施例公开的一种上架货品确定方法的流程示意图。
72.图2是本发明实施例公开的一种上架货品确定装置的结构示意图。
73.图3是本发明实施例公开的另一种上架货品确定装置的结构示意图。
具体实施方式
74.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
75.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”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
76.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
77.本发明公开了一种上架货品确定方法及装置，能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品，从而能够结合人工智能技术辅助选择上架货品，一方面能够充分结合店铺的店铺特征参数进行货品选择上架的考虑，另一方面达到了高效精准的货品上架确定效果。以下分别进行详细说明。
78.实施例一
79.请参阅图1，图1是本发明实施例公开的一种上架货品确定方法的流程示意图。其中，图1所描述的上架货品确定方法应用于店铺上架货品选择系统的确定芯片、确定终端或确定服务器(其中，该确定服务器可以为本地服务器或云服务器)中。如图1所示，该上架货品确定方法可以包括以下操作：
80.101、确定多个候选上架货品。
81.可选的，候选上架货品的确定，可以为从预设的候选上架货品清单中抓取得到，也可以为人工通过终端输入，例如可以为操作人员在进行了一些简单的数据分析之后确定出若干个较有潜力的候选上架货品，并通过终端输入这些货品以形成多个候选上架货品。
82.102、计算每一候选上架货品对应的上架店铺的店铺特征参数。
83.本发明实施例中，上架店铺可以为任意类型的店铺，例如食杂店、便利店、折扣店、超市、大型超市、仓储会员店、百货店、专业店、专卖店、家具建材商店、购物中心包括社区购物中心、市区购物中心、城郊购物中心或工厂直销中心等类型的店铺。
84.本发明实施例中，店铺特征参数包括店铺周边人流特征、店铺周边设施特征和店铺周边竞品特征中的至少一种。可选的，店铺周边人流特征可以包括店铺周边人流画像和店铺与周边竞品店铺的人流重合度等信息中的一种或多种。
85.103、将多个候选上架货品及对应的店铺特征参数分别输入至每一候选上架货品对应的预测网络模型中，以确定目标候选上架货品。
86.本发明实施例中，预测网络模型为通过包括有多个对应的候选上架货品的销售效果已知的店铺及对应的店铺特征参数的训练集训练得到。本发明实施例中，目标候选上架货品可以用于进行上架销售或进行进一步的货品评估。
87.可见，上述发明实施例能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品，从而能够结合人工智能技术辅助选择上架货品，一方面能够充分结合店铺的店铺特征参数进行货品选择上架的考虑，另一方面达到了高效精准的货品上架确定效果。
88.作为一种可选的实施方式，步骤102中的，计算每一候选上架货品对应的上架店铺的店铺特征参数，包括：
89.确定上架店铺的周边人流信息；
90.根据周边人流信息，以及预设的人群画像匹配数据库，确定候选上架货品对应的周边人流画像；
91.将周边人流画像确定为候选上架货品的店铺周边人流特征。
92.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户的设备信息或图像信息。可选的，设备信息可以为设备id，该图像信息可以为用户的人脸图像或全身图像。可选的，人群画像匹配数据库可以包括有多个用户的设备信息或图像信息与用户的画像特征的对应关系，其中用户的画像特征可以包括但不限于用户的性别、职业、爱好、特长、兴趣、年龄等信息。可选的，根据周边人流信息，以及预设的人群画像匹配数据库，确定候选上架货品对应的周边人流画像，可以包括：
93.对于周边人流信息中任一用户的设备信息或图像信息，根据人群画像匹配数据库匹配出对应的画像特征；
94.根据周边人流信息中所有用户对应的画像特征，确定候选上架货品对应的周边人流画像。
95.可选的，可以将周边人流信息中所有用户对应的画像特征直接确定为候选上架货品对应的周边人流画像，也可以对周边人流信息中所有用户对应的画像特征进行不同类别的数量统计或不同类别的数量排序计算，以得到所有用户对应的画像特征对应的统计数据，并将所有用户对应的画像特征对应的统计数据确定为候选上架货品对应的周边人流画像。
96.可见，通过该可选的实施方式，可以计算候选上架货品对应的周边人流画像，并将周边人流画像确定为候选上架货品的店铺特征参数，从而合理地确定出店铺周边人流特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
97.作为一种可选的实施方式，步骤102中的，计算每一候选上架货品对应的上架店铺的店铺特征参数，包括：
98.确定上架店铺的周边人流信息；
99.确定上架店铺对应的若干个目标设施和若干个竞品店铺；
100.确定目标设施和竞品店铺的周边人流信息；
101.计算上架店铺的周边人流信息和任一目标设施或竞品店铺的周边人流信息的人流重合度；
102.将所有人流重合度确定为候选上架货品的店铺周边人流特征。
103.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户的设备信息。具体的，周边人流信息的确定方式，可以为确定出计算对象，如上架店铺、目标设施或竞品店铺的人流覆盖范围，再进一步地计算人流覆盖范围对应的区域内在人流覆盖范围内的所有用户的设备信息，例如，可以获取该区域内所有用户的设备信息及对应的位置信息，并根据该位置信息筛选出该区域内在人流覆盖范围内的所有用户的设备信息，可选的，设备信息可以为设备 id。
104.可选的，人流重合度，可以根据计算上架店铺的周边人流信息中的所有用户设备信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户设备信息的重合度来确定，例如，人流重合度可以被确定为上架店铺的周边人流信息中的所有用户设备信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户设备信息中相同的用户设备信息的数量，与上架店铺的周边人流信息中的所有用户设备信息的总数量的比值。
105.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户图像信
息。具体的，周边人流信息的确定方式，可以为确定出计算对象，如上架店铺、目标设施或竞品店铺的人流覆盖范围，再进一步地计算人流覆盖范围对应的区域内在人流覆盖范围内的所有用户的图像信息，例如，可以获取该区域内的监控信息，然后通过人脸图像识别算法识别出该区域内所有用户的人脸图像信息及对应的位置信息，并根据该位置信息筛选出该区域内在人流覆盖范围内的所有用户的人脸图像信息。
106.可选的，人流重合度，可以根据计算上架店铺的周边人流信息中的所有用户图像信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户图像信息的重合度来确定，例如，人流重合度可以被确定为上架店铺的周边人流信息中的所有用户图像信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户图像信息的相似度。
107.可选的，人流覆盖范围可以根据计算对象的客流影响力来确定，其可以为经验值，如上架店铺或竞品店铺的人流覆盖范围一般被设置为以店铺位置为圆心的半径为100米的圆形，目标设施如商场的人流覆盖范围一般被设置为以店铺位置为圆心的半径为1000米的圆形，而目标设施如写字楼的人流覆盖范围一般被设置为以店铺位置为圆心的半径为300米的圆形。
108.可见，通过该可选的实施方式，可以计算上架店铺的周边人流信息和任一目标设施或竞品店铺的周边人流信息的人流重合度，并将所有人流重合度确定为候选上架货品的店铺特征参数，从而合理地确定出店铺周边人流特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
109.作为一种可选的实施方式，步骤102中的，计算每一候选上架货品对应的上架店铺的店铺特征参数，包括：
110.确定上架店铺的所在位置周围的多个目标设施；
111.确定上架店铺的所在位置与任一目标设施的距离参数；
112.将所有目标设施对应的距离参数确定为候选上架货品的店铺周边设施特征。
113.本发明实施例中，可选的，上架店铺对应的目标设施，可以为上架店铺所在位置的第一距离范围内的商业设施，例如商场或写字楼，如服装、百货、建材、装饰材料大市场或者综合性大商场，或其他大型的餐饮、娱乐、休闲设施，商业广场以及商业街等标志性的与民众生活密切相关的商业设施。
114.可选的，上架店铺的所在位置与任一目标设施的距离参数，可以包括直线距离或可步行距离中的一种或两种。可选的，上架店铺的所在位置与任一目标设施的直线距离可以通过计算上架店铺的所在位置与任一目标设施的所在位置之间的连线的距离来确定。可选的，上架店铺的所在位置与任一目标设施的可步行距离，可以通过以下方式确定：
115.根据预设的区域地图模型，确定出上架店铺的所在位置与任一目标设施的所在位置在区域地图模型之间的步行路径；
116.确定该步行路径的长度，以确定上架店铺的所在位置与任一目标设施的可步行距离。
117.可见，通过该可选的实施方式，可以确定上架店铺的所在位置与任一目标设施的距离参数，并将所有目标设施对应的距离参数确定为候选上架货品的店铺周边设施特征，从而合理地确定出店铺周边设施特征，有利于后续能够利用训练好的预测网络模型对多个
候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
118.作为一种可选的实施方式，步骤102中的，计算每一候选上架货品对应的上架店铺的店铺特征参数，包括：
119.确定所述上架店铺的所在位置周围的多个竞品店铺；
120.确定所述上架店铺的所在位置距离任一所述竞品店铺的距离参数；
121.将所述所有所述竞品店铺对应的所述距离参数确定为所述候选上架货品的所述店铺周边竞品特征。
122.本发明实施例中，可选的，上架店铺对应的竞品店铺，可以为上架店铺所在位置周围的竞品店铺，其中，竞品店铺可以为服务领域与候选上架货品对应的店铺服务领域有交集的周边店铺，或是上架商品的商品参数与候选上架货品对应的预设上架商品的商品参数有交集的周边店铺。可选的，竞品店铺的确定方式可以包括：
123.获取上架店铺所在位置的第二距离范围内的所有店铺；
124.确定任一店铺对应的店铺参数；店铺参数包括服务领域集合和/或上架商品的商品参数；
125.确定上架店铺对应的店铺参数；
126.计算上架店铺对应的店铺参数与任一店铺对应的店铺参数之间的相似度；
127.将与上架店铺对应的店铺参数之间的相似度高于预设的相似度阈值的店铺确定为竞品店铺。
128.可选的，上架店铺的所在位置与任一竞品店铺的距离参数，可以包括直线距离或可步行距离中的一种或两种。可选的，上架店铺的所在位置与任一竞品店铺的直线距离可以通过计算上架店铺的所在位置与任一竞品店铺的所在位置之间的连线的距离来确定。可选的，上架店铺的所在位置与任一竞品店铺的可步行距离，可以通过以下方式确定：
129.根据预设的区域地图模型，确定出上架店铺的所在位置与任一竞品店铺的所在位置在区域地图模型之间的步行路径；
130.确定该步行路径的长度，以确定上架店铺的所在位置与任一竞品店铺的可步行距离。
131.可见，通过该可选的实施方式，可以确定上架店铺的所在位置与任一竞品店铺的距离参数，并将所有竞品店铺对应的距离参数确定为候选上架货品的店铺周边设施特征，从而合理地确定出店铺周边设施特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
132.作为一种可选的实施方式，预测网络模型为分类算法模型，例如可以为神经网络分类算法模型，例如贝叶斯分类模型或决策树模型，或其他可以用于分类的算法模型。
133.具体的，在步骤101中的，确定多个候选上架货品之前，该方法还包括：
134.将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型。
135.本发明实施例中，多级别样本训练集包括有多个销售效果级别的店铺地址及对应的店铺特征参数。可选的，多级别样本训练集可以为正负样本训练集，其包括有多个优质店铺地址和对应的店铺特征参数，以及多个劣质店铺地址和对应的店铺特征参数，可选的，优质店铺地址为上架销售该候选上架货品的销售记录良好的店铺的地址信息，相应的，劣质
店铺地址为上架销售该候选上架货品的销售记录不佳的店铺地址信息。可选的，优质店铺地址或劣质店铺地址的确定方式可以包括：
136.获取多个历史店铺地址；
137.确定每一历史店铺地址对应的店铺在历史时间段的该候选上架货品的销售额；
138.将销售额高于预设的销售额阈值的所有历史上架货品确定为优质店铺地址，将销售额低于预设的销售额阈值的所有历史上架货品确定为劣质店铺地址。
139.本发明实施例中，多级别样本训练集中的多个优质店铺地址及对应的店铺特征参数可以作为被标记为优秀的训练集，而多个劣质店铺地址及对应的店铺特征参数可以作为被标记为差劲的训练集，则将多级别样本训练集输入至分类算法训练模型进行训练直至分类算法训练模型收敛，则可以得到分类算法模型。该训练得到的分类算法模型可以用于对输入的候选上架货品以及对应的店铺特征参数进行预测以得到预测分数，并在预测分数高于训练得到的预测阈值时，将该候选上架货品确定为优秀销售效果。
140.可选的，多级别样本训练集也可以为三级别样本训练集，其包括有多个优质店铺地址和对应的店铺特征参数，以及多个一般店铺地址和对应的店铺特征参数，以及多个劣质店铺地址和对应的店铺特征参数，可选的，优质店铺地址为上架销售该候选上架货品的销售记录良好的店铺的地址信息，相应的，一般店铺地址为上架销售该候选上架货品的销售记录一般的店铺的地址信息，劣质店铺地址为上架销售该候选上架货品的销售记录不佳的店铺地址信息。可选的，优质店铺地址或一般店铺地址或劣质店铺地址的确定方式可以包括：
141.获取多个历史店铺地址；
142.确定每一历史店铺地址对应的店铺在历史时间段的该候选上架货品的销售额；
143.将销售额处于预设的优质销售额区间的所有历史上架货品确定为优质店铺地址，将销售额处于预设的一般销售额区间的所有历史上架货品确定为一般店铺地址，将销售额处于预设的劣质销售额区间的所有历史上架货品确定为劣质店铺地址。
144.本发明实施例中，多级别样本训练集中的多个优质店铺地址及对应的店铺特征参数可以作为被标记为优秀的训练集，而多个一般店铺地址及对应的店铺特征参数可以作为被标记为一般的训练集，多个劣质店铺地址及对应的店铺特征参数可以作为被标记为差劲的训练集，则将多级别样本训练集输入至分类算法训练模型进行训练直至分类算法训练模型收敛，则可以得到分类算法模型。该训练得到的分类算法模型可以用于对输入的候选上架货品以及对应的店铺特征参数进行预测以得到预测分数，并在预测分数高于训练得到的预测阈值时，将该候选上架货品确定为优秀销售效果。
145.可选的，基于上述示例，多级别样本训练集也可以为四级别样本训练集或五级别样本训练集，其定义方式和确定方式均可以参照上述示例，事实上任何可以用于实现分类目的的样本训练集的标记方式均应被认为是包括在本发明的保护范围之内的。
146.可见，通过该可选的实施方式，可以将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型，从而可以训练出分类算法模型，有利于后续能够利用训练好的分类算法模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
147.作为一种可选的实施方式，步骤103中，将多个候选上架货品及对应的店铺特征参
数分别输入至每一候选上架货品对应的预测网络模型中，以确定目标候选上架货品，包括：
148.对于任一候选上架货品，将该候选上架货品及对应的店铺特征参数输入至该候选上架货品对应的分类算法模型，并输出分类算法模型对该候选上架货品的分类结果；
149.筛选出所有候选上架货品中被分类为优秀销售效果的候选上架货品；
150.根据被分类为优秀销售效果的候选上架货品，确定目标候选上架货品。
151.可选的，根据被分类为优秀销售效果的候选上架货品，确定目标候选上架货品，可以为根据被分类为优秀销售效果的多个候选上架货品对应的预测分数，将预测分数高于预设的分数阈值或预测分数排名中前预设数量位的候选上架货品，确定为目标候选上架货品。
152.可见，通过该可选的实施方式，可以根据被分类为优秀销售效果的多个候选上架货品，确定目标候选上架货品，有利于进一步筛选出目标候选上架货品，达到了高效精准的货品上架选择效果。
153.实施例二
154.请参阅图2，图2是本发明实施例公开的一种上架货品确定装置的结构示意图。其中，图2所描述的上架货品确定装置应用于店铺上架货品选择系统的确定芯片、确定终端或确定服务器(其中，该确定服务器可以为本地服务器或云服务器)中。如图2所示，该上架货品确定装置可以包括：
155.货品确定模块201，用于确定多个候选上架货品。
156.可选的，候选上架货品的确定，可以为从预设的候选上架货品清单中抓取得到，也可以为人工通过终端输入，例如可以为操作人员在进行了一些简单的数据分析之后确定出若干个较有潜力的候选上架货品，并通过终端输入这些货品以形成多个候选上架货品。
157.参数计算模块202，用于计算每一候选上架货品对应的上架店铺的店铺特征参数。
158.本发明实施例中，上架店铺可以为任意类型的店铺，例如食杂店、便利店、折扣店、超市、大型超市、仓储会员店、百货店、专业店、专卖店、家具建材商店、购物中心包括社区购物中心、市区购物中心、城郊购物中心或工厂直销中心等类型的店铺。
159.本发明实施例中，店铺特征参数包括店铺周边人流特征、店铺周边设施特征和店铺周边竞品特征中的至少一种。可选的，店铺周边人流特征可以包括店铺周边人流画像和店铺与周边竞品店铺的人流重合度等信息中的一种或多种。
160.货品预测模块203，用于将多个候选上架货品及对应的店铺特征参数分别输入至每一候选上架货品对应的预测网络模型中，以确定目标候选上架货品。
161.本发明实施例中，预测网络模型为通过包括有多个对应的候选上架货品的销售效果已知的店铺及对应的店铺特征参数的训练集训练得到。本发明实施例中，目标候选上架货品可以用于进行上架销售或进行进一步的货品评估。
162.可见，上述发明实施例能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品，从而能够结合人工智能技术辅助选择上架货品，一方面能够充分结合店铺的店铺特征参数进行货品选择上架的考虑，另一方面达到了高效精准的货品上架确定效果。
163.作为一个可选的实施方式，参数计算模块202计算每一候选上架货品对应的上架店铺的店铺特征参数的具体方式，包括：
164.确定上架店铺的周边人流信息；
165.根据周边人流信息，以及预设的人群画像匹配数据库，确定候选上架货品对应的周边人流画像；
166.将周边人流画像确定为候选上架货品的店铺周边人流特征。
167.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户的设备信息或图像信息。可选的，设备信息可以为设备id，该图像信息可以为用户的人脸图像或全身图像。可选的，人群画像匹配数据库可以包括有多个用户的设备信息或图像信息与用户的画像特征的对应关系，其中用户的画像特征可以包括但不限于用户的性别、职业、爱好、特长、兴趣、年龄等信息。可选的，根据周边人流信息，以及预设的人群画像匹配数据库，确定候选上架货品对应的周边人流画像，可以包括：
168.对于周边人流信息中任一用户的设备信息或图像信息，根据人群画像匹配数据库匹配出对应的画像特征；
169.根据周边人流信息中所有用户对应的画像特征，确定候选上架货品对应的周边人流画像。
170.可选的，可以将周边人流信息中所有用户对应的画像特征直接确定为候选上架货品对应的周边人流画像，也可以对周边人流信息中所有用户对应的画像特征进行不同类别的数量统计或不同类别的数量排序计算，以得到所有用户对应的画像特征对应的统计数据，并将所有用户对应的画像特征对应的统计数据确定为候选上架货品对应的周边人流画像。
171.可见，通过该可选的实施方式，可以计算候选上架货品对应的周边人流画像，并将周边人流画像确定为候选上架货品的店铺特征参数，从而合理地确定出店铺周边人流特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
172.作为一个可选的实施方式，参数计算模块202计算每一候选上架货品对应的上架店铺的店铺特征参数的具体方式，包括：
173.确定上架店铺的周边人流信息；
174.确定上架店铺对应的若干个目标设施和若干个竞品店铺；
175.确定目标设施和竞品店铺的周边人流信息；
176.计算上架店铺的周边人流信息和任一目标设施或竞品店铺的周边人流信息的人流重合度；
177.将所有人流重合度确定为候选上架货品的店铺周边人流特征。
178.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户的设备信息。具体的，周边人流信息的确定方式，可以为确定出计算对象，如上架店铺、目标设施或竞品店铺的人流覆盖范围，再进一步地计算人流覆盖范围对应的区域内在人流覆盖范围内的所有用户的设备信息，例如，可以获取该区域内所有用户的设备信息及对应的位置信息，并根据该位置信息筛选出该区域内在人流覆盖范围内的所有用户的设备信息，可选的，设备信息可以为设备 id。
179.可选的，人流重合度，可以根据计算上架店铺的周边人流信息中的所有用户设备信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户设备信息的重合度来确
定，例如，人流重合度可以被确定为上架店铺的周边人流信息中的所有用户设备信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户设备信息中相同的用户设备信息的数量，与上架店铺的周边人流信息中的所有用户设备信息的总数量的比值。
180.本发明实施例中，周边人流信息可以为对应的人流覆盖范围内的所有用户图像信息。具体的，周边人流信息的确定方式，可以为确定出计算对象，如上架店铺、目标设施或竞品店铺的人流覆盖范围，再进一步地计算人流覆盖范围对应的区域内在人流覆盖范围内的所有用户的图像信息，例如，可以获取该区域内的监控信息，然后通过人脸图像识别算法识别出该区域内所有用户的人脸图像信息及对应的位置信息，并根据该位置信息筛选出该区域内在人流覆盖范围内的所有用户的人脸图像信息。
181.可选的，人流重合度，可以根据计算上架店铺的周边人流信息中的所有用户图像信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户图像信息的重合度来确定，例如，人流重合度可以被确定为上架店铺的周边人流信息中的所有用户图像信息，和任一目标设施或竞品店铺的周边人流信息中的所有用户图像信息的相似度。
182.可选的，人流覆盖范围可以根据计算对象的客流影响力来确定，其可以为经验值，如上架店铺或竞品店铺的人流覆盖范围一般被设置为以店铺位置为圆心的半径为100米的圆形，目标设施如商场的人流覆盖范围一般被设置为以店铺位置为圆心的半径为1000米的圆形，而目标设施如写字楼的人流覆盖范围一般被设置为以店铺位置为圆心的半径为300米的圆形。
183.可见，通过该可选的实施方式，可以计算上架店铺的周边人流信息和任一目标设施或竞品店铺的周边人流信息的人流重合度，并将所有人流重合度确定为候选上架货品的店铺特征参数，从而合理地确定出店铺周边人流特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
184.作为一个可选的实施方式，参数计算模块202计算每一候选上架货品对应的上架店铺的店铺特征参数的具体方式，包括：
185.确定上架店铺的所在位置周围的多个目标设施；
186.确定上架店铺的所在位置与任一目标设施的距离参数；
187.将所有目标设施对应的距离参数确定为候选上架货品的店铺周边设施特征。
188.本发明实施例中，可选的，上架店铺对应的目标设施，可以为上架店铺所在位置的第一距离范围内的商业设施，例如商场或写字楼，如服装、百货、建材、装饰材料大市场或者综合性大商场，或其他大型的餐饮、娱乐、休闲设施，商业广场以及商业街等标志性的与民众生活密切相关的商业设施。
189.可选的，上架店铺的所在位置与任一目标设施的距离参数，可以包括直线距离或可步行距离中的一种或两种。可选的，上架店铺的所在位置与任一目标设施的直线距离可以通过计算上架店铺的所在位置与任一目标设施的所在位置之间的连线的距离来确定。可选的，上架店铺的所在位置与任一目标设施的可步行距离，可以通过以下方式确定：
190.根据预设的区域地图模型，确定出上架店铺的所在位置与任一目标设施的所在位置在区域地图模型之间的步行路径；
191.确定该步行路径的长度，以确定上架店铺的所在位置与任一目标设施的可步行距
离。
192.可见，通过该可选的实施方式，可以确定上架店铺的所在位置与任一目标设施的距离参数，并将所有目标设施对应的距离参数确定为候选上架货品的店铺周边设施特征，从而合理地确定出店铺周边设施特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
193.作为一个可选的实施方式，参数计算模块202计算每一候选上架货品对应的上架店铺的店铺特征参数的具体方式，包括：
194.确定上架店铺的所在位置周围的多个竞品店铺；
195.确定上架店铺的所在位置距离任一竞品店铺的距离参数；
196.将所有竞品店铺对应的距离参数确定为候选上架货品的店铺周边竞品特征。
197.本发明实施例中，可选的，上架店铺对应的竞品店铺，可以为上架店铺所在位置周围的竞品店铺，其中，竞品店铺可以为服务领域与候选上架货品对应的店铺服务领域有交集的周边店铺，或是上架商品的商品参数与候选上架货品对应的预设上架商品的商品参数有交集的周边店铺。可选的，竞品店铺的确定方式可以包括：
198.获取上架店铺所在位置的第二距离范围内的所有店铺；
199.确定任一店铺对应的店铺参数；店铺参数包括服务领域集合和/或上架商品的商品参数；
200.确定上架店铺对应的店铺参数；
201.计算上架店铺对应的店铺参数与任一店铺对应的店铺参数之间的相似度；
202.将与上架店铺对应的店铺参数之间的相似度高于预设的相似度阈值的店铺确定为竞品店铺。
203.可选的，上架店铺的所在位置与任一竞品店铺的距离参数，可以包括直线距离或可步行距离中的一种或两种。可选的，上架店铺的所在位置与任一竞品店铺的直线距离可以通过计算上架店铺的所在位置与任一竞品店铺的所在位置之间的连线的距离来确定。可选的，上架店铺的所在位置与任一竞品店铺的可步行距离，可以通过以下方式确定：
204.根据预设的区域地图模型，确定出上架店铺的所在位置与任一竞品店铺的所在位置在区域地图模型之间的步行路径；
205.确定该步行路径的长度，以确定上架店铺的所在位置与任一竞品店铺的可步行距离。
206.可见，通过该可选的实施方式，可以确定上架店铺的所在位置与任一竞品店铺的距离参数，并将所有竞品店铺对应的距离参数确定为候选上架货品的店铺周边设施特征，从而合理地确定出店铺周边设施特征，有利于后续能够利用训练好的预测网络模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
207.作为一个可选的实施方式，预测网络模型为分类算法模型，例如可以为神经网络分类算法模型，例如贝叶斯分类模型或决策树模型，或其他可以用于分类的算法模型。
208.具体的，该装置还包括：
209.训练模块，用于将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型。
210.本发明实施例中，多级别样本训练集包括有多个销售效果级别的店铺地址及对应
的店铺特征参数。可选的，优质店铺地址为上架销售该候选上架货品的销售记录良好的店铺的地址信息，相应的，劣质店铺地址为上架销售该候选上架货品的销售记录不佳的店铺地址信息。可选的，优质店铺地址或劣质店铺地址的确定方式可以包括：
211.获取多个历史店铺地址；
212.确定每一历史店铺地址对应的店铺在历史时间段的该候选上架货品的销售额；
213.将销售额高于预设的销售额阈值的所有历史上架货品确定为优质店铺地址，将销售额低于预设的销售额阈值的所有历史上架货品确定为劣质店铺地址。
214.本发明实施例中，多级别样本训练集中的多个优质店铺地址及对应的店铺特征参数可以作为被标记为优秀的训练集，而多个劣质店铺地址及对应的店铺特征参数可以作为被标记为差劲的训练集，则将多级别样本训练集输入至分类算法训练模型进行训练直至分类算法训练模型收敛，则可以得到分类算法模型。该训练得到的分类算法模型可以用于对输入的候选上架货品以及对应的店铺特征参数进行预测以得到预测分数，并在预测分数高于训练得到的预测阈值时，将该候选上架货品确定为优秀销售效果。
215.可选的，多级别样本训练集也可以为三级别样本训练集，其包括有多个优质店铺地址和对应的店铺特征参数，以及多个一般店铺地址和对应的店铺特征参数，以及多个劣质店铺地址和对应的店铺特征参数，可选的，优质店铺地址为上架销售该候选上架货品的销售记录良好的店铺的地址信息，相应的，一般店铺地址为上架销售该候选上架货品的销售记录一般的店铺的地址信息，劣质店铺地址为上架销售该候选上架货品的销售记录不佳的店铺地址信息。可选的，优质店铺地址或一般店铺地址或劣质店铺地址的确定方式可以包括：
216.获取多个历史店铺地址；
217.确定每一历史店铺地址对应的店铺在历史时间段的该候选上架货品的销售额；
218.将销售额处于预设的优质销售额区间的所有历史上架货品确定为优质店铺地址，将销售额处于预设的一般销售额区间的所有历史上架货品确定为一般店铺地址，将销售额处于预设的劣质销售额区间的所有历史上架货品确定为劣质店铺地址。
219.本发明实施例中，多级别样本训练集中的多个优质店铺地址及对应的店铺特征参数可以作为被标记为优秀的训练集，而多个一般店铺地址及对应的店铺特征参数可以作为被标记为一般的训练集，多个劣质店铺地址及对应的店铺特征参数可以作为被标记为差劲的训练集，则将多级别样本训练集输入至分类算法训练模型进行训练直至分类算法训练模型收敛，则可以得到分类算法模型。该训练得到的分类算法模型可以用于对输入的候选上架货品以及对应的店铺特征参数进行预测以得到预测分数，并在预测分数高于训练得到的预测阈值时，将该候选上架货品确定为优秀销售效果。
220.可选的，基于上述示例，多级别样本训练集也可以为四级别样本训练集或五级别样本训练集，其定义方式和确定方式均可以参照上述示例，事实上任何可以用于实现分类目的的样本训练集的标记方式均应被认为是包括在本发明的保护范围之内的。
221.可见，通过该可选的实施方式，可以将候选上架货品对应的多级别样本训练集输入至分类算法训练模型进行训练，以得到候选上架货品对应的分类算法模型，从而可以训练出分类算法模型，有利于后续能够利用训练好的分类算法模型对多个候选上架货品及对应的店铺特征参数进行运算和预测，以确定出目标候选上架货品。
222.作为一个可选的实施方式，在本发明第二方面中，货品预测模块203将多个候选上架货品及对应的店铺特征参数分别输入至每一候选上架货品对应的预测网络模型中，以确定目标候选上架货品的具体方式，包括：
223.对于任一候选上架货品，将该候选上架货品及对应的店铺特征参数输入至该候选上架货品对应的分类算法模型，并输出分类算法模型对该候选上架货品的分类结果；
224.筛选出所有候选上架货品中被分类为优秀销售效果的候选上架货品；
225.根据被分类为优秀销售效果的候选上架货品，确定目标候选上架货品。
226.可选的，根据被分类为优秀销售效果的多个候选上架货品，确定目标候选上架货品，可以为根据被分类为优秀销售效果的多个候选上架货品对应的预测分数，将预测分数高于预设的分数阈值或预测分数排名中前预设数量位的候选上架货品，确定为目标候选上架货品。
227.可见，通过该可选的实施方式，可以根据被分类为优秀销售效果的多个候选上架货品，确定目标候选上架货品，有利于进一步筛选出目标候选上架货品，达到了高效精准的货品上架选择效果。
228.实施例三
229.请参阅图3，图3是本发明实施例公开的又一种上架货品确定装置。图3所描述的上架货品确定装置应用于店铺上架货品选择系统的确定芯片、确定终端或确定服务器(其中，该确定服务器可以为本地服务器或云服务器)中。如图3 所示，该上架货品确定装置可以包括：
230.存储有可执行程序代码的存储器301；
231.与存储器301耦合的处理器302；
232.其中，处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一或实施例二所描述的上架货品确定方法的步骤。
233.实施例四
234.本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的上架货品确定方法的步骤。
235.实施例五
236.本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的上架货品确定方法的步骤。
237.以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
238.通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，
该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(read-onlymemory，rom)、随机存储器 (randomaccessmemory，ram)、可编程只读存储器 (programmableread-onlymemory，prom)、可擦除可编程只读存储器 (erasableprogrammablereadonlymemory，eprom)、一次可编程只读存储器 (one-timeprogrammableread-onlymemory，otprom)、电子抹除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
239.最后应说明的是：本发明实施例公开的一种上架货品确定方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。