本發(fā)明涉及軟件領(lǐng)域，尤其涉及一種商品調(diào)整方法及系統(tǒng)。

背景技術(shù)：

隨著網(wǎng)絡(luò)購物平臺規(guī)模的擴大，銷售商品的種類和數(shù)量都在飛速增長。隨之而來的問題在于，有些商品的銷售速度很快，有些則較慢。為了確保線上銷售的商品的熱度，需要對線上商品定期、或不定期的進行調(diào)整。

目前，統(tǒng)計人員利用網(wǎng)絡(luò)購物平臺的后臺系統(tǒng)按照商品的銷售情況進行搜索，以得到商品的銷售情況排序，再根據(jù)排序選擇下線商品。

上述方式由于采用人工統(tǒng)計方式，耗費了統(tǒng)計人員大量的時間和精力。故而，需要對現(xiàn)有技術(shù)進行改進。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種商品調(diào)整方法及系統(tǒng)，用于解決現(xiàn)有技術(shù)中調(diào)整線上商品的手段效率過低的問題。

基于上述目的，本發(fā)明提供一種商品調(diào)整方法，包括：分別獲取同一類別下的第一網(wǎng)絡(luò)購物平臺、和第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息；根據(jù)所屬第一網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息、和所屬第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分；按照同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分，對相應(yīng)商品進行評價，并根據(jù)評價結(jié)果調(diào)整所述第一網(wǎng)絡(luò)購物平臺中上線出售的各商品。

優(yōu)選地，所述獲取第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息的方式包括：根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息，從第二網(wǎng)絡(luò)購物平臺上獲取與所述商品信息相符的各商品的購買相關(guān)信息；和/或，利用預(yù)設(shè)的機器學習模型，從第二網(wǎng)絡(luò)購物平臺的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品信息相符的商品及其購買相關(guān)信息。

優(yōu)選地，所述購買相關(guān)信息包括以下至少一組：{商品的銷售數(shù)量，同一商品所屬類別下所有商品的銷售數(shù)量}、{商品的銷售額、同一商品所屬類別下所有商品的銷售額}、{商品的點擊數(shù)量，同一商品所屬類別下所有商品的點擊數(shù)量總和}、{商品的評價數(shù)量，同一商品所屬類別下所獲取的所有商品的評價數(shù)量總和}。

優(yōu)選地，從所屬第一網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息、和所屬第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息中，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分的方式包括：按照同一類別中的同一商品的購買相關(guān)信息的組別，分別計算各組別的購買得分。

優(yōu)選地，所述按照同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分，對相應(yīng)商品進行評價的方式包括：按照預(yù)設(shè)的各購買得分的權(quán)重，對各網(wǎng)絡(luò)購物平臺下同一商品的購買得分進行加權(quán)取和，以得到評價值；對同一類別下各商品的評價值進行歸一化處理。

優(yōu)選地，所述根據(jù)評價結(jié)果調(diào)整所述第一網(wǎng)絡(luò)購物平臺中上線出售的各商品的方式包括：將評價值高于預(yù)設(shè)評價閾值的商品保留線上銷售。

基于上述目的，本發(fā)明還提供一種商品調(diào)整系統(tǒng)，包括：獲取模塊，用于分別獲取同一類別下的第一網(wǎng)絡(luò)購物平臺、和第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息；計算模塊，用于根據(jù)所屬第一網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān) 信息、和所屬第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分；調(diào)整模塊，用于按照同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分，對相應(yīng)商品進行評價，并根據(jù)評價結(jié)果調(diào)整所述第一網(wǎng)絡(luò)購物平臺中上線出售的各商品。

優(yōu)選地，所述獲取模塊用于根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息，從第二網(wǎng)絡(luò)購物平臺上獲取與所述商品信息相符的各商品的購買相關(guān)信息；和/或，所述獲取模塊用于利用預(yù)設(shè)的機器學習模型，從第二網(wǎng)絡(luò)購物平臺的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品信息相符的商品及其購買相關(guān)信息。

優(yōu)選地，所述購買相關(guān)信息包括以下至少一組：{商品的銷售數(shù)量，同一商品所屬類別下所有商品的銷售數(shù)量}、{商品的銷售額、同一商品所屬類別下所有商品的銷售額}、{商品的點擊數(shù)量，同一商品所屬類別下所有商品的點擊數(shù)量總和}、{商品的評價數(shù)量，同一商品所屬類別下所獲取的所有商品的評價數(shù)量總和}。

優(yōu)選地，所述計算模塊用于按照同一類別中的同一商品的購買相關(guān)信息的組別，分別計算各組別的購買得分。

優(yōu)選地，所述調(diào)整模塊用于按照預(yù)設(shè)的各購買得分的權(quán)重，對各網(wǎng)絡(luò)購物平臺下同一商品的購買得分進行加權(quán)取和，以得到評價值；對同一類別下各商品的評價值進行歸一化處理。

優(yōu)選地，所述調(diào)整模塊還用于將評價值高于預(yù)設(shè)評價閾值的商品保留線上銷售。

如上所述，本發(fā)明的商品調(diào)整方法及系統(tǒng)，具有以下有益效果：通過獲取第一網(wǎng)絡(luò)購物平臺和第二網(wǎng)絡(luò)購物平臺中同一類別下的商品及其購買相關(guān)信 息，再通過統(tǒng)計各網(wǎng)絡(luò)購物平臺下同一商品的銷售情況，能夠準確的評定第一網(wǎng)絡(luò)購物平臺上銷售的商品是否受用戶喜歡，并基于此來調(diào)整線上銷售的商品；另外，采用機器學習模型的方式從第二網(wǎng)絡(luò)購物平臺中獲取商品的購買相關(guān)信息，能夠解決在無法獲得第二網(wǎng)絡(luò)購物平臺的接口情況下，如何將從第二網(wǎng)絡(luò)購物平臺得到的網(wǎng)頁信息進行篩選問題；還有，根據(jù)不同的網(wǎng)絡(luò)購物平臺的特點，設(shè)置不同的購買得分的權(quán)重，能夠更準確的評定第一網(wǎng)絡(luò)購物平臺上銷售的商品是否受用戶喜歡。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對本發(fā)明實施例描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)本發(fā)明實施例的內(nèi)容和這些附圖獲得其他的附圖。

圖1是本發(fā)明的商品調(diào)整方法的一個實施例的方法流程圖。

圖2是本發(fā)明的商品調(diào)整系統(tǒng)的一個實施例的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明解決的技術(shù)問題、采用的技術(shù)方案和達到的技術(shù)效果更加清楚，下面將結(jié)合附圖對本發(fā)明實施例的技術(shù)方案作進一步的詳細描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

如圖1所示，本發(fā)明提供一種商品調(diào)整方法。所述調(diào)整方法主要有調(diào)整 系統(tǒng)來執(zhí)行。所述調(diào)整系統(tǒng)包括安裝在服務(wù)器中的軟件和硬件。所述服務(wù)器包括但不限于：單臺服務(wù)器、服務(wù)器集群、分布式服務(wù)器、基于云架構(gòu)的服務(wù)器集群等。

在步驟S1中，所述調(diào)整系統(tǒng)分別獲取同一類別下的第一網(wǎng)絡(luò)購物平臺、和第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息。

具體地，所述調(diào)整系統(tǒng)可以利用所述第一網(wǎng)絡(luò)購物平臺和第二網(wǎng)絡(luò)購物平臺中的特定接口獲取商品類別及各類別下的各商品的購買相關(guān)信息。其中，所述第二網(wǎng)絡(luò)購物平臺可以是一個網(wǎng)絡(luò)購物平臺、也可以是多個網(wǎng)絡(luò)購物平臺。若為多個網(wǎng)絡(luò)購物平臺，所述調(diào)整系統(tǒng)分別獲取多個第二網(wǎng)絡(luò)購物平臺中的商品及其購買相關(guān)信息。所述調(diào)整系統(tǒng)獲取第一網(wǎng)絡(luò)購物平臺的購買相關(guān)信息和獲取第二網(wǎng)絡(luò)購物平臺的購買相關(guān)信息的方式可以相同，也可以不同。

例如，所述調(diào)整系統(tǒng)按照所述第一網(wǎng)絡(luò)購物平臺提供的數(shù)據(jù)庫接口，讀取數(shù)據(jù)庫中的類別表、商品信息表、商品價格表、商品購買行為表等數(shù)據(jù)表，并對所讀取的數(shù)據(jù)進行統(tǒng)計處理，得到各商品的購物相關(guān)信息。

其中，所述購物相關(guān)信息包括但不限于以下至少一組：{商品的銷售數(shù)量，商品的銷售額}、{商品的點擊數(shù)量，同一商品所屬類別下所有商品的點擊數(shù)量總和}、{商品的評價數(shù)量，同一商品所屬類別下所獲取的所有商品的評價數(shù)量總和}。

需要說明的是，本領(lǐng)域技術(shù)人員應(yīng)該理解，所述調(diào)整系統(tǒng)所能獲取的購物相關(guān)信息的組別和數(shù)量與相應(yīng)網(wǎng)絡(luò)購物平臺所提供的接口相關(guān)。

若所屬第二網(wǎng)絡(luò)購物平臺為所述調(diào)整系統(tǒng)提供相關(guān)接口，所述調(diào)整系統(tǒng)可根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息，從第二網(wǎng)絡(luò)購物平臺上獲取與所述商品信息相符的各商品的購買相關(guān)信息，并將所獲取的各商品歸類于所 述第一網(wǎng)絡(luò)購物平臺中各商品所屬類別。

在此，所述商品信息包括但不限于以下至少一種：商品名稱、商品型號、商品商標、商品顏色等。

所述調(diào)整系統(tǒng)利用相關(guān)接口讀取第二網(wǎng)絡(luò)購物平臺的數(shù)據(jù)庫，并根據(jù)所述商品信息搜索完全相符的、或者符合度大于預(yù)設(shè)符合度閾值的商品及其購買相關(guān)信息，搜索得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

所述調(diào)整系統(tǒng)還計算來自第二網(wǎng)絡(luò)購物平臺中各類別下各商品的評價數(shù)量總和、點擊數(shù)量總和等。

若第二網(wǎng)絡(luò)購物平臺未提供相應(yīng)接口，則所述調(diào)整系統(tǒng)從第二網(wǎng)絡(luò)購物平臺上獲取各商品的網(wǎng)頁信息，并從所獲取的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息相符的商品及其購買相關(guān)信息。

具體地，所述調(diào)整系統(tǒng)可根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息，在第二網(wǎng)絡(luò)購物平臺上搜索完全相符的、或者符合度大于預(yù)設(shè)符合度閾值的商品的網(wǎng)頁信息，在所述網(wǎng)頁信息中獲取如商品的評價數(shù)量等購買相關(guān)信息。并將搜索得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

和/或，所述調(diào)整系統(tǒng)利用預(yù)設(shè)的機器學習模型，從第二網(wǎng)絡(luò)購物平臺的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品信息相符的商品及其購買相關(guān)信息。并將得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

在此，所述網(wǎng)頁信息包括但不限于：商品描述網(wǎng)頁、商品評價網(wǎng)頁等。所述機器學習模型為所述調(diào)整系統(tǒng)預(yù)先利用多個商品信息樣本進行切詞、特征選 擇、數(shù)據(jù)訓練、模式匹配等步驟構(gòu)建商品模型。

具體地，所述調(diào)整系統(tǒng)根據(jù)第一網(wǎng)絡(luò)購物平臺中的各商品信息搜索第二網(wǎng)絡(luò)購物平臺中的網(wǎng)頁信息，將所獲取的各網(wǎng)頁信息送入所述機器學習模型，以將各網(wǎng)頁信息所對應(yīng)的商品與所述第一網(wǎng)絡(luò)購物平臺中的各商品信息進行匹配，再從匹配到的各網(wǎng)頁信息中提取第二網(wǎng)絡(luò)購物平臺中的購買相關(guān)信息，并確定相匹配的各網(wǎng)頁信息所對應(yīng)的商品的類型。

所述調(diào)整系統(tǒng)還計算所匹配的第二網(wǎng)絡(luò)購物平臺中同一類別下各商品的評價數(shù)量總和等。

在步驟S2中，所述調(diào)整系統(tǒng)根據(jù)所屬第一網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息、和所屬第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分。

具體地，所述調(diào)整系統(tǒng)根據(jù)預(yù)設(shè)的各組購買相關(guān)信息的公式，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分。

其中，所述公式為其中，N_k為同一類別中第k個商品的銷售數(shù)量(或銷售額、點擊數(shù)量、評價數(shù)量)，m為同一類別中商品的總數(shù)。所述調(diào)整系統(tǒng)可以將所述公式所計算出的數(shù)值作為相應(yīng)的購買得分。

優(yōu)選地，所述調(diào)整系統(tǒng)先將各購買相關(guān)信息代入所述公式，再按照預(yù)設(shè)的權(quán)重對所得到的結(jié)果進行加權(quán)處理，以得到對應(yīng)商品的購買得分。

例如，所述調(diào)整系統(tǒng)所得到的購物相關(guān)信息包括：{商品的銷售數(shù)量，同一商品所屬類別下所有商品的銷售數(shù)量}、和{商品的銷售額、同一商品所屬類別下所有商品的銷售額}，則所述調(diào)整系統(tǒng)通過所述公式得到商品C在第一網(wǎng)絡(luò)購物平臺中的銷售比例為a1、銷售額比例為a2，再按照預(yù)設(shè)的權(quán)重得到商品C在 第一網(wǎng)絡(luò)購物平臺中的購買得分為w1*a1+w2*a2，其中，w1和w2為預(yù)設(shè)的權(quán)重。

需要說明的是，本領(lǐng)域技術(shù)人員應(yīng)該理解，由于所述調(diào)整系統(tǒng)從第一網(wǎng)絡(luò)購物平臺所得到的對應(yīng)同一商品的購物相關(guān)信息的組別，與從第二網(wǎng)絡(luò)購物平臺得到的購物相關(guān)信息的組別未必完全相同，故所述調(diào)整系統(tǒng)各自所得到的購物得分也未必屬于同一組別。

在步驟S3中，所述調(diào)整系統(tǒng)按照同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分，對相應(yīng)商品進行評價，并根據(jù)評價結(jié)果調(diào)整所述第一網(wǎng)絡(luò)購物平臺中上線出售的各商品。

在此，所述調(diào)整系統(tǒng)預(yù)設(shè)有基于購買得分對同一商品進行評價的算法。所述算法可以是按照預(yù)設(shè)的統(tǒng)計算法得到的。在此，所述算法為預(yù)設(shè)各購買得分的權(quán)重，并對各網(wǎng)絡(luò)購物平臺下同一商品的購買得分進行加權(quán)取和。

對應(yīng)的，所述步驟S3包括：步驟S31。

在步驟S31中，所述調(diào)整系統(tǒng)按照預(yù)設(shè)的各購買得分的權(quán)重，對各網(wǎng)絡(luò)購物平臺下同一商品的購買得分進行加權(quán)取和，以得到評價值。

例如，所述調(diào)整系統(tǒng)得到商品C在第一網(wǎng)絡(luò)購物平臺的購買得分包括：t11和t12，在第二網(wǎng)絡(luò)購買平臺的購買得分包括t21；并且，預(yù)設(shè)有對應(yīng)t11的權(quán)重為w11、對應(yīng)t12的權(quán)重為w12,、對應(yīng)t21的權(quán)重為w21。所述調(diào)整系統(tǒng)得到商品C的評價值為t11*w11+t12*w12+t21*w21。其中，各權(quán)重可根據(jù)商品所屬類別、商品所在網(wǎng)絡(luò)購物平臺等因素而定。

接著，所述調(diào)整系統(tǒng)可以根據(jù)所得到的同一類別下的各商品的評價值是否大于預(yù)設(shè)的評價閾值來確定是否保留相應(yīng)商品的線上銷售。對于確定不在線上銷售的商品，所述調(diào)整系統(tǒng)可以直接將其做下線處理，或者，在進貨系統(tǒng)中設(shè)置標識位，以通知供貨商不再進貨。

為了準確的判別商品的評價值，所述調(diào)整系統(tǒng)在調(diào)整商品前，還執(zhí)行步驟S32。

在步驟S32中，所述調(diào)整系統(tǒng)再對同一類別下各商品的評價值進行歸一化處理。

例如，所述調(diào)整系統(tǒng)將同一類別下商品C1、C2、…、Cm各自的評價值pjz₁、pjz₂、…、pjz_m做歸一化處理，分別得到

接著，所述調(diào)整系統(tǒng)將歸一化后的評價值高于預(yù)設(shè)評價閾值的商品保留線上銷售。

如圖2所示，本發(fā)明提供一種商品調(diào)整系統(tǒng)。所述調(diào)整系統(tǒng)包括安裝在服務(wù)器中的軟件和硬件。所述服務(wù)器包括但不限于：單臺服務(wù)器、服務(wù)器集群、分布式服務(wù)器、基于云架構(gòu)的服務(wù)器集群等。

所述調(diào)整系統(tǒng)1包括：獲取模塊11、計算模塊12、調(diào)整模塊13。

所述獲取模塊11用于分別獲取同一類別下的第一網(wǎng)絡(luò)購物平臺、和第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息。

具體地，所述獲取模塊11可以利用所述第一網(wǎng)絡(luò)購物平臺和第二網(wǎng)絡(luò)購物平臺中的特定接口獲取商品類別及各類別下的各商品的購買相關(guān)信息。其中，所述第二網(wǎng)絡(luò)購物平臺可以是一個網(wǎng)絡(luò)購物平臺、也可以是多個網(wǎng)絡(luò)購物平臺。若為多個網(wǎng)絡(luò)購物平臺，所述獲取模塊11分別獲取多個第二網(wǎng)絡(luò)購物平臺中的商品及其購買相關(guān)信息。所述獲取模塊11獲取第一網(wǎng)絡(luò)購物平臺的購買相關(guān)信息和獲取第二網(wǎng)絡(luò)購物平臺的購買相關(guān)信息的方式可以相同，也可以不同。

例如，所述獲取模塊11按照所述第一網(wǎng)絡(luò)購物平臺提供的數(shù)據(jù)庫接口，讀取數(shù)據(jù)庫中的類別表、商品信息表、商品價格表、商品購買行為表等數(shù)據(jù)表， 并對所讀取的數(shù)據(jù)進行統(tǒng)計處理，得到各商品的購物相關(guān)信息。

其中，所述購物相關(guān)信息包括但不限于以下至少一組：{商品的銷售數(shù)量，商品的銷售額}、{商品的點擊數(shù)量，同一商品所屬類別下所有商品的點擊數(shù)量總和}、{商品的評價數(shù)量，同一商品所屬類別下所獲取的所有商品的評價數(shù)量總和}。

需要說明的是，本領(lǐng)域技術(shù)人員應(yīng)該理解，所述獲取模塊11所能獲取的購物相關(guān)信息的組別和數(shù)量與相應(yīng)網(wǎng)絡(luò)購物平臺所提供的接口相關(guān)。

若所屬第二網(wǎng)絡(luò)購物平臺為所述獲取模塊11提供相關(guān)接口，所述獲取模塊11可根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息，從第二網(wǎng)絡(luò)購物平臺上獲取與所述商品信息相符的各商品的購買相關(guān)信息，并將所獲取的各商品歸類于所述第一網(wǎng)絡(luò)購物平臺中各商品所屬類別。

在此，所述商品信息包括但不限于以下至少一種：商品名稱、商品型號、商品商標、商品顏色等。

所述獲取模塊11利用相關(guān)接口讀取第二網(wǎng)絡(luò)購物平臺的數(shù)據(jù)庫，并根據(jù)所述商品信息搜索完全相符的、或者符合度大于預(yù)設(shè)符合度閾值的商品及其購買相關(guān)信息，搜索得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

所述獲取模塊11還計算來自第二網(wǎng)絡(luò)購物平臺中各類別下各商品的評價數(shù)量總和、點擊數(shù)量總和等。

若第二網(wǎng)絡(luò)購物平臺未提供相應(yīng)接口，則所述獲取模塊11從第二網(wǎng)絡(luò)購物平臺上獲取各商品的網(wǎng)頁信息，并從所獲取的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信息相符的商品及其購買相關(guān)信息。

具體地，所述獲取模塊11可根據(jù)所述第一網(wǎng)絡(luò)購物平臺中各商品的商品信 息，在第二網(wǎng)絡(luò)購物平臺上搜索完全相符的、或者符合度大于預(yù)設(shè)符合度閾值的商品的網(wǎng)頁信息，在所述網(wǎng)頁信息中獲取如商品的評價數(shù)量等購買相關(guān)信息。并將搜索得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

和/或，所述獲取模塊11利用預(yù)設(shè)的機器學習模型，從第二網(wǎng)絡(luò)購物平臺的各網(wǎng)頁信息中選取與所述第一網(wǎng)絡(luò)購物平臺中各商品信息相符的商品及其購買相關(guān)信息。并將得到的商品與第一網(wǎng)絡(luò)購物平臺上的提供所述商品信息的商品屬于同一類別。

在此，所述網(wǎng)頁信息包括但不限于：商品描述網(wǎng)頁、商品評價網(wǎng)頁等。所述機器學習模型為所述獲取模塊11預(yù)先利用多個商品信息樣本進行切詞、特征選擇、數(shù)據(jù)訓練、模式匹配等步驟構(gòu)建商品模型。

具體地，所述獲取模塊11根據(jù)第一網(wǎng)絡(luò)購物平臺中的各商品信息搜索第二網(wǎng)絡(luò)購物平臺中的網(wǎng)頁信息，將所獲取的各網(wǎng)頁信息送入所述機器學習模型，以將各網(wǎng)頁信息所對應(yīng)的商品與所述第一網(wǎng)絡(luò)購物平臺中的各商品信息進行匹配，再從匹配到的各網(wǎng)頁信息中提取第二網(wǎng)絡(luò)購物平臺中的購買相關(guān)信息，并確定相匹配的各網(wǎng)頁信息所對應(yīng)的商品的類型。

所述獲取模塊11還計算所匹配的第二網(wǎng)絡(luò)購物平臺中同一類別下各商品的評價數(shù)量總和等。

所述計算模塊12用于根據(jù)所屬第一網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息、和所屬第二網(wǎng)絡(luò)購物平臺中各商品的購買相關(guān)信息，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分。

具體地，所述計算模塊12根據(jù)預(yù)設(shè)的各組購買相關(guān)信息的公式，分別計算同一類別中的同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分。

其中，所述公式為其中，N_k為同一類別中第k個商品的銷售數(shù)量(或銷售額、點擊數(shù)量、評價數(shù)量)，m為同一類別中商品的總數(shù)。所述計算模塊12可以將所述公式所計算出的數(shù)值作為相應(yīng)的購買得分。

優(yōu)選地，所述計算模塊12先將各購買相關(guān)信息代入所述公式，再按照預(yù)設(shè)的權(quán)重對所得到的結(jié)果進行加權(quán)處理，以得到對應(yīng)商品的購買得分。

例如，所述計算模塊12所得到的購物相關(guān)信息包括：{商品的銷售數(shù)量，同一商品所屬類別下所有商品的銷售數(shù)量}、和{商品的銷售額、同一商品所屬類別下所有商品的銷售額}，則所述計算模塊12通過所述公式得到商品C在第一網(wǎng)絡(luò)購物平臺中的銷售比例為a1、銷售額比例為a2，再按照預(yù)設(shè)的權(quán)重得到商品C在第一網(wǎng)絡(luò)購物平臺中的購買得分為w1*a1+w2*a2，其中，w1和w2為預(yù)設(shè)的權(quán)重。

需要說明的是，本領(lǐng)域技術(shù)人員應(yīng)該理解，由于所述計算模塊12從第一網(wǎng)絡(luò)購物平臺所得到的對應(yīng)同一商品的購物相關(guān)信息的組別，與從第二網(wǎng)絡(luò)購物平臺得到的購物相關(guān)信息的組別未必完全相同，故所述計算模塊12各自所得到的購物得分也未必屬于同一組別。

所述調(diào)整模塊13用于按照同一商品在各自網(wǎng)絡(luò)購物平臺下的購買得分，對相應(yīng)商品進行評價，并根據(jù)評價結(jié)果調(diào)整所述第一網(wǎng)絡(luò)購物平臺中上線出售的各商品。

在此，所述調(diào)整模塊13預(yù)設(shè)有基于購買得分對同一商品進行評價的算法。所述算法可以是按照預(yù)設(shè)的統(tǒng)計算法得到的。在此，所述算法為預(yù)設(shè)各購買得分的權(quán)重，并對各網(wǎng)絡(luò)購物平臺下同一商品的購買得分進行加權(quán)取和。

對應(yīng)的，所述調(diào)整模塊13用于按照預(yù)設(shè)的各購買得分的權(quán)重，對各網(wǎng)絡(luò)購 物平臺下同一商品的購買得分進行加權(quán)取和，以得到評價值。

例如，所述調(diào)整模塊13得到商品C在第一網(wǎng)絡(luò)購物平臺的購買得分包括：t11和t12，在第二網(wǎng)絡(luò)購買平臺的購買得分包括t21；并且，預(yù)設(shè)有對應(yīng)t11的權(quán)重為w11、對應(yīng)t12的權(quán)重為w12,、對應(yīng)t21的權(quán)重為w21。所述調(diào)整模塊13得到商品C的評價值為t11*w11+t12*w12+t21*w21。其中，各權(quán)重可根據(jù)商品所屬類別、商品所在網(wǎng)絡(luò)購物平臺等因素而定。

接著，所述調(diào)整模塊13可以根據(jù)所得到的同一類別下的各商品的評價值是否大于預(yù)設(shè)的評價閾值來確定是否保留相應(yīng)商品的線上銷售。對于確定不在線上銷售的商品，所述調(diào)整模塊13可以直接將其做下線處理，或者，在進貨系統(tǒng)中設(shè)置標識位，以通知供貨商不再進貨。

為了準確的判別商品的評價值，所述調(diào)整模塊13在調(diào)整商品前，還對同一類別下各商品的評價值進行歸一化處理。

例如，所述調(diào)整模塊13將同一類別下商品C1、C2、…、Cm各自的評價值pjz₁、pjz₂、…、pjz_m做歸一化處理，分別得到

接著，所述調(diào)整模塊13將歸一化后的評價值高于預(yù)設(shè)評價閾值的商品保留線上銷售。其中，所述評價閾值可以為固定值，也可以根據(jù)預(yù)設(shè)的不同類別下所要下線的商品數(shù)量而設(shè)定。

綜上所述，本發(fā)明的商品調(diào)整方法及系統(tǒng)，通過獲取第一網(wǎng)絡(luò)購物平臺和第二網(wǎng)絡(luò)購物平臺中同一類別下的商品及其購買相關(guān)信息，再通過統(tǒng)計各網(wǎng)絡(luò)購物平臺下同一商品的銷售情況，能夠準確的評定第一網(wǎng)絡(luò)購物平臺上銷售的商品是否受用戶喜歡，并基于此來調(diào)整線上銷售的商品；另外，采用機器學習模型的方式從第二網(wǎng)絡(luò)購物平臺中獲取商品的購買相關(guān)信息，能夠解決在無法 獲得第二網(wǎng)絡(luò)購物平臺的接口情況下，如何將從第二網(wǎng)絡(luò)購物平臺得到的網(wǎng)頁信息進行篩選問題；還有，根據(jù)不同的網(wǎng)絡(luò)購物平臺的特點，設(shè)置不同的購買得分的權(quán)重，能夠更準確的評定第一網(wǎng)絡(luò)購物平臺上銷售的商品是否受用戶喜歡。所以，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點而具高度產(chǎn)業(yè)利用價值。

上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。