店铺销售策略推荐方法及其装置、设备、介质、产品与流程

1.本技术涉及网络电商领域，尤其涉及一种店铺销售策略推荐方法，此外还涉及该方法相应的装置、设备、非易失性存储介质以及计算机程序产品。


背景技术：

2.随着互联网的发展，互联网上出现了不少网络电商平台，网络电商平台中具有销售不同类型商品的电商店铺，以便平台中的买家用户通过网络电商平台进行电商购物，从平台的电商店铺中购买心仪的商品，网络电商平台中各电商店铺具有不同的销售商品类型、目标消费群体定位及店铺规模等店铺特征，但常见的网络电商平台一般仅为各电商店铺所提供通用的销售策略，无法为电商店铺提供基于店铺特征进行定制化的销售策略，使得电商店铺无法使用平台提供的销售策略提升店铺的销售额，且买家用户在平台中进行网购时也需花费不少时间寻找心仪商品，可以看出，通用的销售策略不仅影响网络电商平台中电商店铺及买家用户的平台使用体验，对于平台而言也将造成不少的损失。
3.鉴于现有的网络电商平台中为电商店铺提供通用销售策略而导致的问题，本技术人出于解决该问题的考虑做出相应的探索。


技术实现要素：

4.本技术的目的在于满足用户需求而提供一种店铺销售策略推荐方法，此外还涉及该方法相应的装置、设备、非易失性存储介质以及计算机程序产品。
5.为实现本技术的目的，采用如下技术方案：
6.获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征；
7.调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺；
8.使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略；
9.根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略；
10.使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略。
11.进一步的实施例中，获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征的步骤之中，包括如下步骤：
12.将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，所述特征数据矩阵中列数据与各所述店铺特征信息中店铺静态特征及
店铺动态特征包含的特征数据对应；
13.通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵；
14.从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量。
15.进一步的实施例中，调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺步骤之中，包括如下步骤：
16.从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心；
17.计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类；
18.根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心；
19.确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电商店铺。
20.进一步的实施例中，使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略的步骤之中，包括如下步骤：
21.使用销售策略对当前店铺聚类中具有的一个或多个电商店铺进行对照实验；
22.获取所述销售策略作用于各所述电商店铺的实验结果，确定出实验结果表征为所述销售策略较好的结果数量，计算出所述结果数量与当前店铺聚类的电商店铺总数之间的比例；
23.判断所述比例是否超过预设阈值，若超过，表征为较好的实验结果表征为所述销售策略作为当前店铺聚类的目标销售策略。
24.进一步的实施例中，根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略的步骤之中，包括如下步骤：
25.使用训练至收敛的店铺相似度计算模型，计算出新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息之间的特征相似度；
26.确定出所述特征相似度最高的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺；
27.获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略。
28.进一步的实施例中，使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略的步骤之中，包括如下步骤：
29.使用所述目标中心电商店铺所属店铺聚类具有的目标销售策略，对所述新电商店铺进行对照实验；
30.确定出表征为目标销售策略较好的一个或多个实验结果，获取各所述实验结果对应的销售转化率；
31.确定出所述销售转化率最高的实验结果，将该实验结果的目标销售策略作为所述新电商店铺的推荐销售策略。
32.进一步的实施例中，所述店铺静态特征包含店铺销售行业、店铺销售地区及店铺商品类别，所述店铺动态特征包含店铺商品销量、店铺销售额及店铺营业时长。
33.适应本技术的目的而提出的一种店铺销售策略推荐装置，其包括：
34.店铺特征降维模块，用于获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征；
35.店铺聚类处理模块，用于调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺；
36.目标策略筛选模块，用于使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略；
37.相似店铺确定模块，用于根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略；
38.推荐策略确定模块，用于使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略。
39.进一步的实施例中，所述店铺特征降维模块包括：
40.特征矩阵转换子模块，用于将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，所述特征数据矩阵中列数据与各所述店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据对应；
41.降维矩阵转换子模块，用于通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵；
42.降维特征向量获取子模块，用于从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量。
43.进一步的实施例中，所述店铺聚类处理模块包括：
44.初始聚类中心确定子模块，用于从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心；
45.店铺聚类分配子模块，用于计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类；
46.聚类中心确定子模块，用于根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心；
47.中心店铺确定子模块，用于确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电
商店铺。
48.进一步的实施例中，所述目标策略筛选模块包括：
49.策略对照实验子模块，用于使用销售策略对当前店铺聚类中具有的一个或多个电商店铺进行对照实验；
50.好策略数量比例确定子模块，用于获取所述销售策略作用于各所述电商店铺的实验结果，确定出实验结果表征为所述销售策略较好的结果数量，计算出所述结果数量与当前店铺聚类的电商店铺总数之间的比例；
51.目标销售策略确定子模块，用于判断所述比例是否超过预设阈值，若超过，表征为较好的实验结果表征为所述销售策略作为当前店铺聚类的目标销售策略。
52.进一步的实施例中，所述相似店铺确定模块包括：
53.特征相似度计算子模块，用于使用训练至收敛的店铺相似度计算模型，计算出新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息之间的特征相似度；
54.目标中心店铺确定子模块，用于确定出所述特征相似度最高的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺；
55.目标策略获取子模块，用于获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略。
56.进一步的实施例中，所述推荐策略确定模块包括：
57.目标策略对照实验子模块，用于使用所述目标中心电商店铺所属店铺聚类具有的目标销售策略，对所述新电商店铺进行对照实验；
58.销售转化率获取子模块，用于确定出表征为目标销售策略较好的一个或多个实验结果，获取各所述实验结果对应的销售转化率；
59.推荐销售策略确定子模块，用于确定出所述销售转化率最高的实验结果，将该实验结果的目标销售策略作为所述新电商店铺的推荐销售策略。
60.为解决上述技术问题本技术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店铺销售策略推荐方法的步骤。
61.为解决上述技术问题本技术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店铺销售策略推荐方法的步骤。
62.为解决上述技术问题本技术实施例还提供一种计算机程序产品，包括计算机程序及计算机指令，该计算机程序及计算机指令被处理器执行时，使得所述处理器执行上述所述店铺销售策略推荐方法的步骤。
63.相对于现有技术，本技术的优势如下：
64.本技术为网络电商平台中的电商店铺提供销售策略推荐在线服务，以便平台中的卖家用户使用销售策略推荐在线服务，获取适用于自身电商店铺的店铺特征的销售策略进行电商业务，通过将网络电商平台中特征相似的电商店铺进行聚类，形成由具有相似店铺特征的电商店铺所组成的店铺聚类，且确定出各店铺聚类中距离聚类中心最近的中心电商店铺，进而使用平台中的新销售策略对各店铺聚类中的电商店铺进行新旧策略的对照实验，为各店铺聚类筛选出适用于其具有的电商店铺的店铺特征的优质的新销售策略，可以
理解，通过将各店铺聚类的优质新销售策略与其中心电商店铺进行映射存储，可构建出应用于销售策略推荐在线服务的策略知识库，当平台中的卖家用户使用销售策略推荐在线服务时，将确定出店铺特征与卖家用户的电商店铺最接近的中心电商店铺，并获取该中心电商店铺所属的店铺聚类的优质销售策略，以使用优质销售策略对买家用户的电商店铺进行新旧策略的对照实验，将优于该电商店铺的原销售策略的优质销售策略作为推荐销售策略，推荐卖家用户使用推荐销售策略进行其电商店铺的相关电商销售业务，提升其电商店铺的商品销售数量及销售额度，且平台中的电商店铺使用适用于其店铺特征的销售策略进行电商销售业务，也可使买家用户在平台中因各家电商商品使用的优质销售策略而快速得获取心仪商品对象进行消费。
附图说明
65.本技术上述的和/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：
66.图1为实施本技术的技术方案相关的一种典型的网络部署架构示意图；
67.图2为本技术的店铺销售策略推荐方法的典型实施例的流程示意图；
68.图3为本技术中关于通过调用预设特征降维算法，将店铺特征信息降维为低维店铺特征向量的具体实施方式所形成的流程示意图；
69.图4为本技术中关于通过调用预设店铺聚类算法，根据各电商店铺的低维店铺特征向量，确定出各电商店铺对应的店铺聚类，且确定出各店铺聚类中的中心电商店铺的具体实施方式所形成的流程示意图；
70.图5为本技术中关于使用多个销售策略对店铺聚类中的电商店铺进行对照实验，且根据销售策略被在实验表征为优于原销售策略的次数进行目标销售策略筛选的具体实施方式所形成的流程示意图；
71.图6为本技术中关于通过店铺相似度计算模型确定出与新电商店铺店铺特征最相似的目标中心电商店铺，并获取该目标中心电商店铺所属的店铺聚类的目标销售策略的具体实施方式所形成的流程示意图；
72.图7为本技术中关于使用目标销售策略对新电商店铺进行对照实验进行推荐销售策略筛选的具体实施方式所形成的流程示意图；
73.图8为本技术的店铺销售策略推荐装置的典型实施例的原理框图；
74.图9为本技术一个实施例的计算机设备的基本结构框图。
具体实施方式
75.下面详细描述本技术的实施例，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，仅用于解释本技术，而不能解释为对本技术的限制。
76.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，本技术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。应该理解，当我们称元
件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
77.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)，具有与本技术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。
78.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”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，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，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(personal communications service，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(personal digital assistant，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(global positioning system，全球定位系统)接收器；传统膝上型和/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传统膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”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“客户端”、“终端”、“终端设备”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(mobile internet device，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。
79.本技术所称的“服务器”、“客户端”、“工作节点”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。
80.需要指出的是，本技术所称的“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，而不应以此约束本技术的网络部署方式的实施方式。
81.请参阅图1，本技术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。本技术所称服务器80部署在云端，作为一个在线服务器，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。
82.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，本技术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。
83.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技术的相关技术方案，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技术的相关装置。
84.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，本技术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。
85.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
86.请参阅图2，本技术的一种店铺销售策略推荐方法，在其典型实施例中，其包括如下步骤：
87.步骤s11，获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征：
88.所述的店铺特征信息中包含电商店铺的店铺静态特征及店铺动态特征，所述店铺静态特征一般是指电商店铺中预设的特征数据，如表征电商店铺的销售行业的店铺销售行业、表征电商店铺的销售地区或发货地区的店铺销售地区，或表征电商店铺销售的商品类别的店铺商品类别等，所述店铺静态特征中包含的特征数据一般由电商店铺所属的用户所预设，当然，所述店铺静态特征也由为网络电商平台根据电商店铺所属的用户所设置的其他信息所选定的特征数据；所述店铺动态特征一般是指电商店铺在网络电商平台中进行电商销售业务所统计的特征数据，如表征电商店铺在网络电商平台中的商品销售销量的店铺商品销量、表征电商店铺在网络电商平台中的销售额的店铺销售额，或表征电商店铺在网络电商平台中的营业时长的店铺营业时长等，所述店铺动态特征中包含的特征数据一般由网络电商平台为电商店铺所统计确定，可以看出，所述店铺动态特征包含的特征数据一般为通过统计所动态更新的数据。
89.获取网络电商平台中多个电商店铺各自对应的店铺特征信息后，将该些店铺特征信息降维为低维店铺特征向量，以便后续对各所述电商店铺实施店铺聚类，通过调用预设的所述特征降维算法，将各所述店铺特征信息降维为所述低维店铺特征向量。
90.所述的特征降维算法一般是指基于pca(principal component analysis)思想所构建的用于降维店铺特征信息的算法，所述pca译为主成分分析算法，通过使用所述特征降维算法将所述店铺特征信息从原始维度映射到目标维度上，以生成所述店铺特征信息对应的降维店铺特征向量，具体的，将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，而所述特征数据矩阵中列数据则与各所述店铺特
征信息中店铺静态特征及店铺动态特征包含的特征数据对应，进而通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵，进而从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量；其中，所述预设目标列数一般设置为2，即降维后的店铺特征信息所生成的低维店铺特征向量一般为二维特征向量。
91.步骤s12，调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺：
92.获取各电商店铺的所述低维店铺特征向量后，将通过调用所述预设店铺聚类算法，对各所述电商店铺进行店铺聚类，即基于各电商店铺的所述低维店铺特征向量，对该些电商店铺进行店铺归类，且确定出聚类后生成的各所述店铺聚类中的中心电商店铺。
93.所述的店铺聚类是指基于电商店铺的低维店铺特征向量对电商店铺进行店铺进行分类所生成的聚类，即通过将低维店铺特征向量较为接近的电商店铺归类为同一店铺聚类，可以看出，也是将具有的店铺特征信息将为相似的电商店铺归类为同一店铺聚类，通过店铺聚类将具有相似店铺特征的电商店铺归为同一店铺类型，即店铺聚类也可表征出其包含的电商店铺的店铺特征，以便后续使用网络电商平台中具有的不同销售策略对同属于同一店铺聚类的电商店铺进行对照实验，筛选出适用于店铺聚类中的店铺店铺的销售策略，即针对店铺特征信息将为相似的电商店铺筛选出适用的销售策略；关于调用所述预设店铺聚类算法，基于各电商店铺的低维店铺特征向量，对各电商店铺实施店铺归类的具体实施方式将在后续实施例中揭示，此处恕不赘述。
94.所述的中心电商店铺，是指店铺聚类包含的各电商店铺中，能最大化表征店铺聚类对应的店铺特征的电商店铺，店铺聚类中一般具有对应的聚类中心，一般将店铺聚类中具有的低维店铺特征向量最接近所述聚类中心的电商店铺，作为店铺聚类的所述中心电商店铺。
95.所述的店铺聚类算法一般为基于k-means(中文译为：聚类分析)思想所构建的用于对电商店铺进行聚类的算法，所述的k-measns思想应用于电商店铺聚类时，将各电商店铺的低维店铺特征向量分为k组，随机从该些低维店铺中选取k个低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心，然后计算其他未作为初始店铺聚类中心的低维店铺特征向量与各所述初始店铺聚类中心之间的距离，进而把该些低维店铺特征向量的电商店铺分配给距离它最近的初始店铺聚类中心所属的店铺聚类，且基于该些店铺聚类分配所具有的低维店铺特征向量，确定出该些店铺聚类的聚类中心，以将该些店铺聚类中距离其所述聚类中心最近的低维店铺特征向量所属的电商店铺，作为该些店铺聚类的中心电商店铺；具体的，从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心，进而计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类，之后，根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心，以确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电商店铺。
96.步骤s13，使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略：
97.所述销售策略是指用于电商店铺在使用电商销售在线服务时所使用的策略，网络电商平台一般会为平台中的电商店铺提供电商推荐在线服务，所述电商推荐在线服务通过店铺广告业务将电商店铺以广告的形式推广给本平台或其他平台中的买家用户，通过商品广告业务将电商店铺所销售的商品对象以广告的形式推广给本平台或其他平台中的买家用户，通过店铺推荐业务将电商店铺以推荐的形式推荐给本平台或其他平台中的买家用户，或通过商品推荐业务将电商店铺所具有的商品对象以推荐的形式推荐给本平台或其他平台中的买家用户，可以理解，所述电商推荐在线服务中具有店铺广告业务、商品广告业务、店铺推荐业务或商品推荐业务等用于提升电商店铺及其具有的商品对象在网络电商平台或其他互联网平台中的曝光度的相关业务，使电商店铺及其具有的商品对象可被互联网中的买家用户所了解。
98.网络电商平台中的电商店铺通过销售策略，使用所述电商推荐在线服务中的相关业务，以提升电商店铺的商品销售数量及销售额度，不同的销售策略在电商推荐在线服务所需使用的相关业务不一定相同，且对于使用不同业务所使用的业务计划也具有区别，以为具有不同店铺特征的电商店铺提供适用的销售策略，而本方法通过基于电商店铺的店铺特征信息进行店铺聚类，以使用不同的销售策略对店铺聚类中的电商店铺进行对照实验，进而筛选出适用于店铺聚类中的具有相似店铺特征的电商店铺的目标销售策略，为网络电商平台中的电商店铺推荐适用于其店铺特征的销售策略进行电商销售，以提升电商店铺的商品销售数量及销售额度。
99.基于电商店铺的低维店铺特征向量实施店铺聚类，形成由具有相似低维店铺特征向量的电商店铺所组成的多个店铺聚类后，将对该些店铺聚类中的电商店铺进行新旧销售策略的对照实验，通过将网络电商平台中的多个销售策略作为新销售策略，将处于同一店铺聚类中的电商店铺所具有的原销售策略作为旧销售策略，对该些电商店铺进行对照实验，对比该些电商店铺使用各所述新销售策略与使用旧销售策略在进行电商销售时的销售情况，对于进行所述对照实验后的实验结果表征为新销售策略的销售情况优于旧销售策略的电商店铺，则该实验结果对应的新销售策略为适用于该电商店铺的较优销售策略。
100.关于如何通过店铺聚类的所述预设条件筛选出对应的目标销售策略，在完成处于同一店铺聚类的所有电商店铺使用各销售策略进行对照实验后，将统计出该些销售策略中被确定为所述较优销售策略的次数，即统计出销售策略在对照实验后的实验结果表征为优于电商店铺的原销售策略的次数，也可以理解为，统计出各所述销售策略在所述店铺聚类的各电商店铺中销售情况优于原销售策略的次数，为了后续叙述方便，所统计的该类次数数据称为评优次数，统计出任一销售策略的所述评优次数后，将计算出该评优次数与所述店铺聚类中具有的电商店铺数量之间的比例，以判断该比例是否超过预设比例，若超过，则所述销售策略将被确定为所述店铺聚类的目标销售策略。
101.通过将具有店铺特征相似的各电商店铺分配为同一店铺聚类，以基于同一店铺聚类中的各电商店铺进行新旧销售策略的对照实验，为平台中具有店铺特征销售的电商店铺筛选出可有效提升销售情况的新销售策略，并将该些新销售策略作为店铺聚类的目标销售策略，即优质的新销售策略，使得平台可定位新销售策略适用的目标店铺聚类，即确定出新
销售策略的目标电商店铺类型，电商店铺类型也即为店铺聚类所对应的店铺特征，进而构造出策略知识库以应用于平台的销售策略推荐在线服务，使得平台中的电商店铺可使用所述销售策略推荐在线服务，确定出平台中以其店铺特征相似的店铺聚类所使用的销售策略，并使用该些销售策略对所述电商店铺进行对照实验，从该些销售策略中确定出适用于所述电商店铺的销售策略进行推荐。
102.所述的策略知识库中存储着以店铺聚类的中心电商店铺及其一个或多个目标销售策略所组成的映射关系数据，以便后续平台中的电商店铺使用所述销售策略推荐在线服务时，确定出与该电商店铺的店铺特征相似的中心电商店铺，并从所述策略知识库中查询出该中心电商店铺映射存储的一个或多个目标销售策略，使用该些目标销售策略对所述电商店铺进行新旧策略的对照实验，为该目标销售策略推荐对照实验结果表征新销售策略较好的销售策略。
103.步骤s14，根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略：
104.所述新电商店铺一般是指平台中使用所述销售策略推荐在线服务的电商店铺，响应使用所述销售策略推荐在线服务的新电商店铺的服务请求后，将获取所述新电商店铺的店铺特征信息，进而确定出与所述店铺特征信息相似的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺，以获取该目标中心电商店铺所属的店铺聚类具有的一个或多个目标销售策略。
105.关于如何确定出与新电商店铺的店铺特征信息相似的目标中心电商店铺的实施方式，具体的，可通过使用训练至收敛的自然语言处理神经网络模型，基于新电商店铺的店铺特征信息及各中心电商店铺的店铺特征信息，确定出新电商店铺与各中心电商店铺之间的特征相似度，进而将特征相似度最高的中心电商店铺作为目标中心电商店铺，或通过预设的正则匹配规则，基于新电商店铺与各中心电商店铺的店铺特征信息中的特征数据，通过预设规则，如判断双方的店铺销售行业、店铺销售地区或店铺商品类别是否相同，判断双方的店铺商品销量、店铺销售额或店铺营业时长的差值是否未超过预设阈值，进而匹配出满足规则最多的中心电商店铺作为目标中心电商店铺。
106.确定出所述新电商店铺对应的目标中心电商店铺后，将获取该目标中心电商店铺所属的店铺聚类所具有的一个或多个目标销售策略，进而使用该些目标销售策略对所述新电商店铺进行对照实验，获取所述目标中心电商店铺的目标销售策略，可从所述策略知识库中查询获取，确定出新电商店铺对应的目标中心电商店铺后，将从所述策略知识库中查询出该目标中心电商店铺映射存储的一个或多个目标销售策略。
107.步骤s15，使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略：
108.获取所述目标中心电商店铺所属的店铺聚类具有的一个或多个目标销售策略后，将使用该些目标销售策略对所述新电商店铺进行新旧销售策略的对照实验，确定出对照实验的实验结果表征为优于所述新电商店铺的原销售策略的目标销售策略，并确定出该些目标销售策略中销售转化率最好的目标销售策略，将该目标销售策略作为推荐销售策略，推荐所述新电商店铺使用所述推荐销售策略进行使用所述电商推荐在线服务中的相关业务，以提升所述新电商店铺的商品销售数量及销售额度。
109.一种实施例中，使用各所述目标销售策略对新电商店铺进行新旧销售策略的对照实验，确定出对照实验的实验结果表征为优于所述新电商店铺的原销售策略的目标销售策略后，将该些目标销售策略都作为所述推荐销售策略推荐给新电商店铺的卖家用户使用，且向卖家用户所处的用户端推送该些推荐销售策略各自的使用策略所需消耗的资源成本数据，以便所述卖家用户基于各所述推荐销售策略的资源成本数据，选择适用于自身电商店铺的推荐销售策略进行电商销售活动。
110.对于原本不具有销售策略的新电商店铺，将各所述目标销售策略分别作为对照使用的对照对象及实验对象，在该些目标销售策略中进行迭代的对照实验，以筛选出实验结果中表现最优的目标销售策略，或筛选出实验结果中表现较优的多个目标销售策略，并将该类目标销售策略作为推荐销售策略向所述新电商店铺进行推荐。
111.以上的典型实施例及其变化实施例充分揭示了本技术的店铺销售策略推荐方法的实施方案，但是，仍可通过对一些技术手段的变换和扩增而演绎出该方法的多种变化实施例，如下概要说明其他实施例：
112.一种实施例中，请参考图3，获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征的步骤之中，包括如下步骤：
113.步骤s111，将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，所述特征数据矩阵中列数据与各所述店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据对应：
114.获取多个店铺特征信息后，将该些店铺特征信息组成为特征数据矩阵，其中，在组成所述特征数据矩阵时，将各店铺特征信息以行进行分类，将店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据以列进行分类，以形成所述特征数据矩阵中的行数据及列数据，即各店铺特征信息以行为形式分布至所述特征数据矩阵中，各店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据将以列为形式分布至所述特征数据矩阵中，所述特征数据矩阵中分列分类店铺静态特征及店铺动态特征包含的特征数据包含的特征数据的特征类型。
115.步骤s112，通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵：
116.所述预设主成分分析算法一般是指基于pca(principal component analysis)所构建的算法，将多个店铺特征信息转换为特征数据矩阵后，将对所述特征数据矩阵中具有的特征数据进行零均值化，具体的，将所述特征数据矩阵中每一列的特征数据减去其列中的均值并除以其列中的标准差，使得所述特征数据矩阵中每一列的特征数据之间的均值为0，方差为1，目的是使得每一列中的特征数据在各维度上的方差尽可能相同。
117.完成所述特征数据矩阵中各特征数据的所述零均值化后，将通过调用所述预设主成分分析算法中的协方差矩阵算法，将所述特征数据矩阵转换为协方差特征数据矩阵，进而对所述协方差特征数据矩阵进行特征值分解，以从所述协方差特征数据矩阵中提取出多个特征值及其对应的特征向量，进而对该些特征值进行从大到小的排序，从该些特征值中确定出排序未超过所述预设目标列数的多个目标特征值，获取该些目标特征值对应的特征向量组成初始降维特征数据矩阵，进而将完成所述零均值化后的特征数据矩阵映射至所述
初始降维特征数据矩阵，生成该特征数据矩阵对应的降维特征数据矩阵；其中，所述预设目标列数一般可设置为2，使得降维特征数据矩阵中具有的列数为2，以将店铺特征信息转换为二维的低维店铺特征向量。
118.步骤s113，从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量：
119.将所述特征数据矩阵转换为所述降维特征数据矩阵后，因如前所述，在组成所述特征数据矩阵时，各店铺特征信息在所述特征数据矩阵中以行进行分类，因此将从所述降维特征数据矩阵中获取各行数据作为对应店铺特征信息的降维店铺特征向量。
120.本实施例中，通过预设特征降维算法，将店铺特征信息降维为低维店铺特征向量，以提取出店铺特征信息中的主要店铺特征，进行特征数据浓缩的同时，也可降低店铺聚类实施时所需计算的数据量，提升店铺聚类的执行效率。
121.一种实施例中，请参考图4，调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺步骤之中，包括如下步骤：
122.步骤s121，从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心：
123.从多个低维店铺特征向量中随机获取的预设数量一般是指需对规划的店铺聚类数量，例如，当需将基于多个电商店铺的低维店铺特征向量，将该些电商店铺分类为5个店铺聚类时，则可将所述预设数量设置为5，本领域技术人员可根据实际业务场景灵活设计所述预设数量的具体数值，恕不赘述。
124.从各电商店铺的低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量后，将该些目标低维特征向量作为所述聚类坐标系中的初始低维聚类中心，所述聚类坐标系的维度一般与低维店铺特征向量的维度相同，以便确定出低维店铺特征向量在所述聚类坐标系中所处的坐标位置，进而将各目标低维店铺特征向量在所述聚类坐标系中所处的坐标位置作为初始店铺聚类中心，例如，当所述低维店铺特征向量的维度为2时，则所述聚类坐标系将为平面坐标系。
125.步骤s122，计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类：
126.确定出所述聚类坐标系中的各所述初始店铺聚类中心后，将确定出未被确定为所述目标低维店铺特征向量的所剩余的低维特征向量在所述聚类坐标系中所处的坐标位置，进而通过该些低维特征向量的所述坐标位置，确定出该些低维特征向量与各所述初始店铺聚类中心之间的距离，以将该些低维特征向量分配至与其之间的距离最近的初始店铺聚类中心所属的店铺聚类。
127.步骤s123，根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心：
128.将所有低维店铺特征向量分配至作用于所述聚类坐标系中对应的所述店铺聚类后，将根据各店铺聚类所包含的低维店铺特征向量，确定出该些店铺聚类在所述聚类坐标系中各自对应的聚类中心，所述聚类中心为一般基于店铺聚类所包含的低维店铺特征向量
所计算得出的均值向量，该均值向量在所述聚类坐标系中所处的坐标位置即为店铺聚类的聚类中心。
129.步骤s124，确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电商店铺：
130.确定出所述聚类坐标系中各店铺聚类的所述聚类中心后，将确定出该些店铺聚类中与其所述聚类中心距离最近的低维店铺特征向量，且确定出该些低维店铺特征向量所属的电商店铺，进而将该些电商店铺作为各所述店铺聚类的所述中心电商店铺。
131.本实施例中，通过店铺聚类算法，以基于各电商店铺的低维店铺特征向量将电商店铺分类为预设数目的店铺聚类，完成基于电商店铺的店铺特征进行得店铺分类，且确定出店铺聚类中的中心电商店铺，以便基于各店铺聚类的中心电商店铺对新电商店铺进行聚类，提升后续电商店铺聚类的处理效率。
132.一种实施例中，请参考图5，使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略的步骤之中，包括如下步骤：
133.步骤s131，使用销售策略对当前店铺聚类中具有的一个或多个电商店铺进行对照实验：
134.所述销售策略一般是指平台中新设置的销售策略，即平台中的新销售策略，使用多个所述销售策略对处于同一店铺聚类中的各电商店铺进行新旧策略的对照实验，以筛选出各所述销售策略中销售情况优于该些电商店铺的原销售策略的销售策略。
135.步骤s132，获取所述销售策略作用于各所述电商店铺的实验结果，确定出实验结果表征为所述销售策略较好的结果数量，计算出所述结果数量与当前店铺聚类的电商店铺总数之间的比例：
136.实验各所述销售策略对同一店铺聚类中各电商店铺进行对照实验的过程中，将统计各所述销售策略在各所述对照实验中得出的实验结果为优于原销售策略的结果次数，即统计出各所述销售策略在其对照实验中实验结果表征为优于原销售策略的结果数量。
137.使用所有销售策略对同一店铺聚类中各电商店铺完成对照实验，并统计出该些销售策略在实验结果中表征为优于销售策略的结果数量后，将计算出该些销售策略的结果数量与所述店铺聚类的电商店铺总数之间的比例，以通过该些销售策略各自的所述比例，判断其是否可被确定为所述店铺聚类的目标销售策略。
138.步骤s133，判断所述比例是否超过预设阈值，若超过，表征为较好的实验结果表征为所述销售策略作为当前店铺聚类的目标销售策略：
139.所述预设阈值一般设置为80％或以上数值范围内，即所述销售策略在店铺聚类中进行对照实验的实验结果，需优于店铺聚类中80％或以上的电商店铺的原销售策略的情况下，该销售策略才可被确定为所述店铺聚类的目标销售策略，当然，本领域技术人员可灵活设计所述预设阈值，恕不赘述。
140.本实施例中，通过使用新销售策略对同一店铺聚类中的电商店铺进行新旧策略的对照实验，即以具有相似店铺特征的各电商店铺的单位进行新旧销售策略的对照实验，且从新销售策略优于店铺聚类中电商店铺的原销售策略的比例进行目标销售策略的筛选，为店铺聚类筛选出最适于其店铺特征的新销售策略，确定出新销售策略的适应范围。
141.一种实施例中，请参考图6，根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略的步骤之中，包括如下步骤：
142.步骤s141，使用训练至收敛的店铺相似度计算模型，计算出新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息之间的特征相似度：
143.所述的店铺相似度计算模型一般是指基于神经网络思想所构建的模型，例如，基于nlp(自然语言处理)思想且具有全连接或卷积结构的神经网络模型，以基于新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息，计算出新电商店铺与该些中心电商店铺之间的特征相似度。
144.步骤s142，确定出所述特征相似度最高的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺：
145.计算出新电商店铺与各所述中心电商店铺之间的特征相似度，将确定出所述特征相似度最高的中心电商店铺作为所述新电商店铺的目标中心电商店铺。
146.步骤s143，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略：
147.获取所述目标中心电商店铺的一个或多个目标销售策略方式，一般通过所述策略知识库，从所述策略知识库中查询出该目标中心电商店铺映射存储的一个或多个目标销售策略，以使用该些目标销售策略对所述新电商店铺进行新旧策略的对照实验。
148.本实施例中，通过确定出店铺聚类各自的中心电商店铺，使得新电商店铺使用策略推荐在线服务时，可从中心电商店铺中确定出与新电商店铺的店铺特征信息最相似的中心电商店铺，即快速确定出新电商店铺的店铺聚类，进而使用该店铺聚类的目标销售策略对新电商店铺进行新旧策略的对照实验。
149.一种实施例中，请参考图7，使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略的步骤之中，包括如下步骤：
150.步骤s151，使用所述目标中心电商店铺所属店铺聚类具有的目标销售策略，对所述新电商店铺进行对照实验：
151.确定出新电商店铺对应的目标中心电商店铺后，将使用该目标中心电商店铺所属的店铺聚类的目标销售策略，对新电商店铺进行新旧销售策略的对照实验，即使用店铺特征与新电商店铺相似的店铺聚类所使用的效果较好的销售策略对新电商店铺进行对照实验。
152.步骤s152，确定出表征为目标销售策略较好的一个或多个实验结果，获取各所述实验结果对应的销售转化率：
153.对于各所述目标销售策略中进行对照实验的实验结果优于新电商店铺的原销售策略的一个或多个目标销售策略，将获取该些目标销售策略的所述实验结果表征其在对照实验中的所述销售转化率。
154.所述销售转化率是指通过销售策略将电商店铺或电商店铺所具有的商品对象进行电商推荐在线服务后，进入电商店铺或商品对象的页面后进行消费的比例。
155.步骤s153，确定出所述销售转化率最高的实验结果，将该实验结果的目标销售策略作为所述新电商店铺的推荐销售策略：
156.将实验效果优于原销售策略中具有的所述销售转化率最高的目标销售策略，作为所述新都是店铺的推荐销售策略，以推荐所述新电商店铺使用所述推荐销售策略进行使用所述电商推荐在线服务中的相关业务，以提升所述新电商店铺的商品销售数量及销售额度。
157.本实施例中，对于使用平台的策略推荐在线服务的电商店铺，将使用与其店铺特征相似的店铺聚类的优质目标销售策略，对电商店铺进行新旧策略的对照实验，以从优质目标销售策略中筛选出效果优于原策略且销售转化率最高的优质目标销售策略作为推荐销售策略，推荐电商店铺使用推荐销售策略进行电商活动，提升新电商店铺的商品销售数量及销售额度。
158.进一步，可以通过将上述各实施例所揭示的方法中的各个步骤进行功能化，构造出本技术的一种店铺销售策略推荐装置，按照这一思路，请参阅图8，其中的一个典型实施例中，该装置包括：店铺特征降维模块11，用于获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征；店铺聚类处理模块12，用于调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺；目标策略筛选模块13，用于使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略；相似店铺确定模块14，用于根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略；推荐策略确定模块15，用于使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略。
159.一种实施例中，所述店铺特征降维模块11包括：特征矩阵转换子模块，用于将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，所述特征数据矩阵中列数据与各所述店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据对应；降维矩阵转换子模块，用于通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵；降维特征向量获取子模块，用于从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量。
160.一种实施例中，所述店铺聚类处理模块12包括：初始聚类中心确定子模块，用于从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心；店铺聚类分配子模块，用于计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类；聚类中心确定子模块，用于根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心；中心店铺确定子模块，用于确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电商店铺。
161.一种实施例中，所述目标策略筛选模块13包括：策略对照实验子模块，用于使用销售策略对当前店铺聚类中具有的一个或多个电商店铺进行对照实验；好策略数量比例确定子模块，用于获取所述销售策略作用于各所述电商店铺的实验结果，确定出实验结果表征为所述销售策略较好的结果数量，计算出所述结果数量与当前店铺聚类的电商店铺总数之间的比例；目标销售策略确定子模块，用于判断所述比例是否超过预设阈值，若超过，表征为较好的实验结果表征为所述销售策略作为当前店铺聚类的目标销售策略。
162.一种实施例中，所述相似店铺确定模块14包括：特征相似度计算子模块，用于使用训练至收敛的店铺相似度计算模型，计算出新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息之间的特征相似度；目标中心店铺确定子模块，用于确定出所述特征相似度最高的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺；目标策略获取子模块，用于获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略。
163.一种实施例中，所述推荐策略确定模块15包括：目标策略对照实验子模块，用于使用所述目标中心电商店铺所属店铺聚类具有的目标销售策略，对所述新电商店铺进行对照实验；销售转化率获取子模块，用于确定出表征为目标销售策略较好的一个或多个实验结果，获取各所述实验结果对应的销售转化率；推荐销售策略确定子模块，用于确定出所述销售转化率最高的实验结果，将该实验结果的目标销售策略作为所述新电商店铺的推荐销售策略。
164.为解决上述技术问题，本技术实施例还提供一种计算机设备，用于运行根据所述店铺销售策略推荐方法所实现的计算机程序。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
165.如图9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店铺销售策略推荐方法。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店铺销售策略推荐方法。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，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
166.本实施方式中处理器用于执行本技术的店铺销售策略推荐装置中的各个模块/子模块的具体功能，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店铺销售策略推荐装置中执行所有模块/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。
167.本技术还提供一种非易失性存储介质，所述的店铺销售策略推荐方法被编写成计算机程序，以计算机可读指令的形式存储于该存储介质中，计算机可读指令被一个或多个处理器执行时，意味着该程序在计算机中的运行，由此使得一个或多个处理器执行上述任
一实施例店铺销售策略推荐方法的步骤。
168.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-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
169.综上所述，本技术为网络电商平台中的电商店铺提供销售策略推荐在线服务，以便平台中的卖家用户使用销售策略推荐在线服务，获取适用于自身电商店铺的店铺特征的销售策略进行电商业务。
170.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
171.本技术领域技术人员可以理解，本技术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，具有本技术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技术中公开的各种操作、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。
172.以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。

技术特征：
1.一种店铺销售策略推荐方法，其特征在于，包括如下步骤：获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征；调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺；使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略；根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略；使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略。2.根据权利要求1所述的方法，其特征在于，获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征的步骤之中，包括如下步骤：将多个店铺特征信息转换为特征数据矩阵，其中，所述特征数据矩阵中的行数据对应店铺特征信息，所述特征数据矩阵中列数据与各所述店铺特征信息中店铺静态特征及店铺动态特征包含的特征数据对应；通过预设主成分分析算法，将所述特征数据矩阵转换为具有预设目标列数的降维特征数据矩阵；从所述降维特征数据矩阵中获取各所述店铺特征信息对应的行数据，将所述行数据作为对应电商店铺的低维店铺特征向量。3.根据权利要求1所述的方法，其特征在于，调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺步骤之中，包括如下步骤：从多个所述低维店铺特征向量中随机获取预设数量的目标低维店铺特征向量，将各所述目标低维店铺特征向量作为聚类坐标系中的初始店铺聚类中心；计算出剩余的所述低维店铺特征向量与各所述初始店铺聚类中心之间的距离，确定出与剩余的所述低维店铺特征向量之间距离最短的目标初始店铺聚类中心，将所述低维店铺特征向量分配为目标初始店铺聚类中心所属的店铺聚类；根据所述聚类坐标系中各所述店铺聚类包含的低维店铺特征向量，确定出各所述店铺聚类中的聚类中心；确定出各所述店铺聚类中距离其所述聚类中心最近的低维店铺特征向量，将所述低维店铺特征向量所属的电商店铺作为对应店铺聚类的中心电商店铺。4.根据权利要求1所述的方法，其特征在于，使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略的步骤之中，包括如下步骤：使用销售策略对当前店铺聚类中具有的一个或多个电商店铺进行对照实验；获取所述销售策略作用于各所述电商店铺的实验结果，确定出实验结果表征为所述销售策略较好的结果数量，计算出所述结果数量与当前店铺聚类的电商店铺总数之间的比
例；判断所述比例是否超过预设阈值，若超过，表征为较好的实验结果表征为所述销售策略作为当前店铺聚类的目标销售策略。5.根据权利要求1所述的方法，其特征在于，根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略的步骤之中，包括如下步骤：使用训练至收敛的店铺相似度计算模型，计算出新电商店铺的店铺特征信息与各所述中心电商店铺的店铺特征信息之间的特征相似度；确定出所述特征相似度最高的中心电商店铺，将该中心电商店铺作为所述新电商店铺的目标中心电商店铺；获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略。6.根据权利要求1所述的方法，其特征在于，使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略的步骤之中，包括如下步骤：使用所述目标中心电商店铺所属店铺聚类具有的目标销售策略，对所述新电商店铺进行对照实验；确定出表征为目标销售策略较好的一个或多个实验结果，获取各所述实验结果对应的销售转化率；确定出所述销售转化率最高的实验结果，将该实验结果的目标销售策略作为所述新电商店铺的推荐销售策略。7.根据权利要求1至6所述的方法，其特征在于，所述店铺静态特征包含店铺销售行业、店铺销售地区及店铺商品类别，所述店铺动态特征包含店铺商品销量、店铺销售额及店铺营业时长。8.一种店铺销售策略推荐装置，其特征在于，包括：店铺特征降维模块，用于获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各所述店铺特征信息降维为低维店铺特征向量，其中，所述店铺特征信息包含店铺静态特征及店铺动态特征；店铺聚类处理模块，用于调用预设店铺聚类算法，根据各所述电商店铺的所述低维店铺特征向量，确定出各所述电商店铺对应的店铺聚类，且确定出各所述店铺聚类中的中心电商店铺；目标策略筛选模块，用于使用多个销售策略对各所述店铺聚类中的电商店铺进行对照实验，为各所述店铺聚类筛选出实验结果满足其预设条件的目标销售策略；相似店铺确定模块，用于根据新电商店铺的店铺特征信息，确定出与所述新电商店铺相似的目标中心电商店铺，获取所述目标中心电商店铺所属店铺聚类具有的目标销售策略；推荐策略确定模块，用于使用各所述目标销售策略对所述新电商店铺进行对照实验，将实验结果最好的目标销售策略作为所述新电商店铺的推荐销售策略。9.一种店铺销售策略推荐设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所
述的方法的步骤。10.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

技术总结
本申请公开一种店铺销售策略推荐方法及其装置、设备、介质、产品，所述方法包括：获取多个电商店铺的店铺特征信息，调用预设特征降维算法，将各店铺特征信息降维为低维店铺特征向量；调用预设店铺聚类算法，根据各电商店铺的低维店铺特征向量，确定出各电商店铺对应的店铺聚类，且确定出各店铺聚类中的中心电商店铺；使用多个销售策略对各店铺聚类中的电商店铺进行对照实验，为各店铺聚类筛选出实验结果满足其预设条件的销售策略；根据新电商店铺的店铺特征信息，确定出与新电商店铺相似的中心电商店铺；使用中心电商店铺的销售策略对新电商店铺进行对照实验，将结果最好的目标销售策略作为推荐销售策略。本申请可为电商店铺推荐优质的销售策略。优质的销售策略。优质的销售策略。


技术研发人员：黄丕帅
受保护的技术使用者：广州商研网络科技有限公司
技术研发日：2023.05.08
技术公布日：2023/8/9