TW201816685A - 商品物件選取、模型確定及使用熱度確定方法與裝置 - Google Patents

Abstract

本申請案公開了一種商品物件選取、模型確定及使用熱度確定方法與裝置，可基於使用者輸入的商品物件主題詞、以及設定的物件識別模型，從海量物件中自動選擇出至少一個商品物件作為滿足使用者需求的物件，從而大大提高了商品物件的選取效率，進而減少了人工盤貨的成本，提高了運營效率。

Description

商品物件選取、模型確定及使用熱度確定方法與裝置

本申請案涉及網際網路技術領域，尤其涉及一種商品物件選取、模型確定及使用熱度確定方法與裝置。

為了提高電子商務系統中的商品物件的成交性能，電子商務系統常常會建立各種新的頻道來增加商品物件曝光，比如，建立各種各樣的特價秒殺活動主題頻道、或者主打商品物件調性的主題頻道等。

這些頻道在剛建立之時都會碰到盤貨問題，即，如何圈定適合該頻道的商品物件，以達到頻道成交最大化等。具體地，目前，為了解決上述問題，常採用人工方式為各新建頻道選取相應的商品物件，即，由操作人員根據人為經驗，主觀去選擇符合各新建頻道所需主題的商品物件。

但是，由於採用人工方式進行商品物件的選取常常需要花費大量時間，從而使得商品物件的選取效率十分低下。

本申請案實施例提供了一種商品物件選取、模型確定及使用熱度確定方法與裝置，用以解決現有的商品物件選取方式所存在的效率低下的問題。

一方面，本申請案實施例提供了一種商品物件選取方法，包括：接收使用者終端發送的商品物件主題詞；獲取與所述商品物件主題詞相匹配的初選物件；基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度；其中，所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的識別模型；所述第一時間段為第二時間段的前一指定時間段；根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

可選地，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件，包括：從初選物件中選取至少一個物件使用熱度不低於設定熱度閾值的商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

可選地，在基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二 時間段的物件使用熱度之前，所述方法還包括：接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；根據各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述物件識別模型。

可選地，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還包括：基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度；其中，所述類目識別模型為訓練得到的用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的識別模型； 針對每一初選物件，根據所述初選物件對應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新。

可選地，在基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度之前，所述方法還包括：接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第五時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度；根據各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到所述類目識別模型。

其中，每一時間段的歷史同期時間段是指與該時間段處於同一西曆日或農曆日下，且與該時間段相對應的歷史時間段。

可選地，針對任一初選物件，在根據所述初選物件對 應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新之前，所述方法還包括：若確定所述第二時間段為特定時間段，則若確定所述初選物件對應的類目為與所述第二時間段對應的特定時間段相匹配的類目，則根據設定的係數，增大所述初選物件對應的類目在所述第二時間段的類目使用熱度。

可選地，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還包括：根據各初選物件對應的標題之間的相似度，確定各初選物件之間的相似度；針對每一組由相互之間的相似度不低於第一相似度閾值的至少一個初選物件所組成的物件集合，保留所述物件集合中的一物件，並刪除其它物件。

可選地，在獲取與所述商品物件主題詞相匹配的初選物件之前，所述方法還包括：針對使用者終端發送的每一商品物件主題詞，基於設定的樣本語料，確定與該商品物件主題詞之間的相似度不低於第二相似度閾值的至少一個樣本詞語；將確定的各樣本詞語作為最終所需的商品物件主題詞。

其中，所述物件識別模型為迴歸模型；所述類目識別模型為線性模型。

另一方面，本申請案實施例提供了另一種商品物件選取方法，包括：接收使用者輸入的商品物件主題詞，並將所述商品物件主題詞發送至伺服器；接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊，並將所述商品物件資訊所對應的商品物件作為第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述商品物件資訊是所述伺服器根據設定的物件識別模型、以及與所述商品物件主題詞相匹配的各初選物件在第一時間段內的使用特徵資料，從與所述商品物件主題詞相匹配的初選物件中所選取的商品物件的相關資訊；所述第一時間段為第二時間段的前一指定時間段；所述設定的物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係。

可選地，在接收使用者輸入的商品物件主題詞之前，所述方法還包括：接收使用者輸入的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三 時間段為對應的第四時間段的前一指定時間段；將所述物件識別模型訓練樣本資料發送至伺服器，由所述伺服器根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述設定的物件識別模型。

又一方面，本申請案實施例提供了一種模型確定方法，包括：接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的物件識別模型；所述第一時間段為 第二時間段的前一指定時間段。

其中，所述使用特徵資料至少包括瀏覽次數、收藏次數、加購次數、成交次數、評論次數、以及搜索次數中的任意一種或多種；所述物件使用熱度至少包括成交量、成交額、以及成交轉化率中的任意一種或多種。

再一方面，本申請案實施例提供了另一種模型確定方法，包括：接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第一時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第一時間段相對應的一個或多個歷史同期時間段的類目使用熱度；根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。

其中，所述類目使用熱度至少包括成交量、成交額、 以及成交轉化率中的任意一種或多種。

又一方面，本申請案實施例還提供了一種使用熱度確定方法，包括：獲取各商品物件在第一時間段內的使用特徵資料；基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；所述第一時間段為第二時間段的前一指定時間段；且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。

又一方面，本申請案實施例還提供了一種商品物件選取裝置，包括：主題詞接收單元，用於接收使用者終端發送的商品物件主題詞；物件獲取單元，用於獲取與所述商品物件主題詞相匹配的初選物件；熱度確定單元，用於基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度；其中，所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間 的關聯關係的識別模型；所述第一時間段為第二時間段的前一指定時間段；物件篩選單元，用於根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

另一方面，本申請案實施例還提供了另一種商品物件選取裝置，包括：主題詞接收單元，用於接收使用者輸入的商品物件主題詞；主題詞發送單元，用於將所述商品物件主題詞發送至伺服器；物件資訊接收單元，用於接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊；物件確定單元，用於將所述商品物件資訊所對應的商品物件確定為第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述商品物件資訊是所述伺服器根據設定的物件識別模型、以及與所述商品物件主題詞相匹配的各初選物件在第一時間段內的使用特徵資料，從與所述商品物件主題詞相匹配的初選物件中所選取的商品物件的相關資訊；所述第一時間段為第二時間段的前一指定時間段；所述設定的物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件 使用熱度之間的關聯關係。

又一方面，本申請案實施例還提供了一種模型確定裝置，包括：資料接收單元，用於接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；模型訓練單元，用於根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的物件識別模型。

另一方面，本申請案實施例還提供了另一種模型確定裝置，包括：資料接收單元，用於接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且， 每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第一時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第一時間段相對應的一個或多個歷史同期時間段的類目使用熱度；模型訓練單元，用於根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。

再一方面，本申請案實施例還提供了一種使用熱度確定裝置，包括：資料獲取單元，用於獲取各商品物件在第一時間段內的使用特徵資料；熱度確定單元，用於基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；所述第一時間段為第二時間段的前一指定時間段； 且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。

本申請案有益效果如下：本申請案實施例提供了一種商品物件選取、模型確定及使用熱度確定方法與裝置，可基於使用者輸入的商品物件主題詞以及設定的物件識別模型，從海量物件中自動選擇出至少一個商品物件作為最終的滿足使用者需求的物件，從而大大提高了商品物件的選取效率，進而減少了人工盤貨的成本，提高了運營效率。

10‧‧‧使用者

11‧‧‧使用者終端

12‧‧‧伺服器

601‧‧‧主題詞接收單元

602‧‧‧物件獲取單元

603‧‧‧熱度確定單元

604‧‧‧物件篩選單元

605‧‧‧物件識別樣本資料接收單元

606‧‧‧物件識別模型確定單元

607‧‧‧熱度確定單元

608‧‧‧物件熱度更新單元

609‧‧‧類目識別樣本資料接收單元

610‧‧‧類目識別模型確定單元

611‧‧‧類目熱度更新單元

612‧‧‧商品物件去同單元

613‧‧‧主題詞擴充單元

701‧‧‧主題詞接收單元

702‧‧‧主題詞發送單元

703‧‧‧物件資訊接收單元

704‧‧‧物件確定單元

705‧‧‧物件識別樣本資料接收單元

706‧‧‧物件識別樣本資料發送單元

707‧‧‧類目識別樣本資料接收單元

708‧‧‧類目識別樣本資料發送單元

801‧‧‧資料接收單元

802‧‧‧模型訓練單元

901‧‧‧資料接收單元

902‧‧‧模型訓練單元

1001‧‧‧資料獲取單元

1002‧‧‧熱度確定單元

為了更清楚地說明本申請案實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本申請案的一些實施例，對於本領域的普通技術人員來講，在不付出進步性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1所示為本申請案實施例一中的商品物件選取方法的一種可能的應用場景示意圖；圖2所示為本申請案實施例一中的商品物件選取方法的一種可能的流程示意圖；圖3所示為本申請案實施例一中的模型確定方法的一種可能的流程示意圖； 圖4所示為本申請案實施例一中的另一種模型確定方法的一種可能的流程示意圖；圖5所示為本申請案實施例一中的一種使用熱度確定方法的一種可能的流程示意圖；圖6所示為本申請案實施例二中的商品物件選取裝置的一種可能的結構示意圖；圖7所示為本申請案實施例二中的另一種商品物件選取裝置的一種可能的結構示意圖；圖8所示為本申請案實施例二中的模型確定裝置的一種可能的結構示意圖；圖9所示為本申請案實施例二中的另一種模型確定裝置的一種可能的結構示意圖；圖10所示為本申請案實施例二中的一種使用熱度確定裝置的一種可能的結構示意圖。

為了使本申請案的目的、技術方案和優點更加清楚，下面將結合附圖對本申請案作進一步地詳細描述，顯然，所描述的實施例僅僅是本申請案一部分實施例，而不是全部的實施例。基於本申請案中的實施例，本領域普通技術人員在沒有做出進步性勞動前提下所獲得的所有其它實施例，都屬於本申請案保護的範圍。

實施例一：

為了解決現有的商品物件選取方式所存在的效率低下的問題，本申請案實施例一提供了一種商品物件選取方法，如圖1所示，其為所述商品物件選取方法的一種可能的應用場景示意圖，該場景例如可以包括：使用者終端11以及伺服器12，其中：使用者終端11可接收使用者10輸入的商品物件主題詞，並將所述商品物件主題詞發送至伺服器12；伺服器12可根據使用者終端11發送的商品物件主題詞，獲取與所述商品物件主題詞相匹配的初選物件，並基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度，並根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件；使用者終端11可接收所述伺服器12在選取至少一個商品物件後返回的所述至少一個商品物件的商品物件資訊，並將所述商品物件資訊所對應的商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述設定的物件識別模型可用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係；所述第一時間段為第二時間段的前一指定時間段。

其中，使用者終端11和伺服器12可通過通信網路進行通信連接，該網路可以為局域網、廣域網路等。使用者 終端11可以為手機、平板電腦、筆記型電腦、個人電腦等終端設備，甚至還可為安裝於上述終端設備中的客戶端；伺服器12可以為任何能夠支援商品物件的篩選等處理操作的伺服器設備。

也就是說，本申請案所述實施例中，可基於使用者輸入的商品物件主題詞以及設定的物件識別模型，從海量物件中自動選擇出至少一個商品物件作為最終的滿足使用者需求的物件，從而大大提高了商品物件的選取效率，進而減少了人工盤貨的成本，提高了運營效率。

下面，將結合圖1所示的應用場景，參考圖2來對本申請案實施例一中的商品物件選取方法進行示例性說明。需要注意的是，上述應用場景僅是為了便於理解本申請案的精神和原理而示出，本申請案的實施方式在此方面不受任何限制。相反，本申請案的實施方式可以應用於適用的任何場景。

具體地，如圖2所示，其為本申請案實施例一中的商品物件選取方法的一種可能的流程示意圖，所述商品物件選取方法可包括以下步驟：

步驟201：使用者終端接收使用者輸入的物件識別模型訓練樣本資料，並將所述物件識別模型訓練樣本資料發送至伺服器。

其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物 件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段。

可選地，各物件識別模型樣本物件等商品物件的使用特徵資料至少可包括瀏覽次數、收藏次數、加購(加入購物車)次數、成交次數、評論次數、以及搜索次數中的任意一種或多種；各物件識別模型樣本物件等商品物件的物件使用熱度至少可包括成交量、成交額、成交轉化率中的任意一種或多種。另外，需要說明的是，各物件識別模型樣本物件等商品物件的使用特徵資料可從各電子商務網站的商品物件運營資訊中獲取，各物件識別模型樣本物件等商品物件的物件使用熱度可基於各物件識別模型樣本物件等商品物件的使用特徵資料計算得到，此處不作贅述。

再有，需要說明的是，第三、第四時間段通常可為歷史時間段，即，每一物件識別模型樣本物件的基礎特徵資料通常可為相應的歷史資料；且，第三、第四時間段、以及指定時間段等時間段的大小可根據實際情況靈活設置，如可設置為1天、1周、1月等等(通常最小為一天)。另外，第三、第四時間段的長度可相同也可不同，例如，第四時間段可為一天，而該第四時間段對應的第三時間段(即該第四時間段的前一指定時間段)可為一月或一年等，或者，第四時間段可為一月，而該第四時間段對應的第三時間段可為一天等；再有，第四時間段對應的第三時間段通常可為與該第四時間段相鄰的前一指定時間段，當 然，也可不相鄰，對此不作限定。

步驟202：伺服器接收使用者終端發送的物件識別模型訓練樣本資料，並根據物件識別模型訓練樣本資料中的各物件識別模型樣本物件的基礎特徵資料，對預先建立的初始物件識別模型進行訓練，得到所需的物件識別模型。

其中，所述初始物件識別模型為用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的識別模型；所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的識別模型，所述第一時間段為第二時間段的前一指定時間段。

另外，與前述關於第三、第四時間段的描述相類似，第一、第二時間段等時間段的大小也可根據實際情況靈活設置，且，第一、第二時間段的長度可相同也可不同(不過，第一時間段的大小通常可與第三時間段相同，第二時間段的大小通常可與第四時間段相同)，對此不作限定。

可選地，以各物件識別模型樣本物件等商品物件的物件使用熱度為成交量為例，可通過以下步驟訓練得到相應的物件識別模型：

A1：建立與成交量相關的初始物件識別模型。

可選地，假設第三、第四時間段均可設置為1天；且假設可以y(t)表示某一商品物件在日期t的成交量，以x1(t-1)表示該商品物件在日期t-1的瀏覽次數，以x2(t-1) 表示該商品物件在日期t-1的收藏次數，以x3(t-1)表示該商品物件在日期t-1的加購次數等等，以及，假設初始物件識別模型為線性模型；則建立的初始物件識別模型可表示為y(t)=a(1)* x1(t-1)+a(2)* x2(t-1)+a(3)* x3(t-1)+…，其中，a(1)、a(2)、a(3)、…等為需要估計的係數。

A2：計算得到各物件識別模型樣本物件在每一第四時間段的成交量(如在日期t的日銷量)，並與各物件識別模型樣本物件在對應的第三時間段的使用特徵資料(如日期t-1的瀏覽、收藏、加購、成交、評論、搜索等特徵資料)進行關聯，得到多個關聯資料；並基於得到的各關聯資料，對建立的初始物件識別模型進行訓練，得到a(1)、a(2)、a(3)等各係數的實際取值，以得到所需的物件識別模型。

需要說明的是，由於相對於線性模型來說，迴歸模型能夠很好地交叉特徵，提高預測能力並能夠防止商家作弊，進而提高預測的準確性，因而，本實施例中，較佳地，所述初始物件識別模型以及所述物件識別模型通常可為迴歸模型，如Gradient Boost Regression Tree(漸進梯度迴歸樹)模型等。當然，如果對預測的準確性要求相對較低，所述初始物件識別模型以及所述物件識別模型也可採用線性模型，此處不作限定。

另外，需要說明的是，在訓練得到所述物件識別模型之後，還可根據最新的物件識別模型樣本資料即時或定時 對所述物件識別模型進行更新，以提高所述物件識別模型的準確性。再有，以為某一頻道選取商品物件為例，待該頻道上線後，還可將各物件識別模型樣本物件在各第三時間段內的使用特徵資料、以及各物件識別模型樣本物件在各對應的第四時間段的物件使用熱度等分別替換為各物件識別模型樣本物件在該頻道下的相應的使用特徵資料以及物件使用熱度等，以更好地對商品物件在該頻道下的物件使用熱度進行預測，此處不再贅述。

再有，需要說明的是，本實施例中，步驟201以及步驟202為預先建立物件識別模型的步驟，並不是每次進行商品物件的選取時均需要執行的步驟，除非物件識別模型訓練樣本資料發生了相應更新。即，在執行完步驟201以及步驟202之後，可以多次重複執行後續各步驟，對此不作贅述。

步驟203：使用者終端接收使用者輸入的商品物件主題詞，並將所述商品物件主題詞發送至伺服器。

可選地，使用者終端在接收到使用者輸入的商品物件主題詞之後，除了可直接將接收到的商品物件主題詞發送至伺服器之外，還可對接收到的商品物件主題詞進行擴充，並將擴充後的商品物件主題詞發送至伺服器，以提高商品物件主題詞的豐富性。另外，由使用者終端對使用者輸入的商品物件主題詞進行擴充，還可避免當有大量使用者終端同時向伺服器發送商品物件主題詞時，伺服器需同時對接收到的大量商品物件主題詞進行擴充的情況發生， 以節省伺服器的處理資源、減輕伺服器的工作壓力，進而可進一步提高後續商品物件選取的速度以及效率。

可選地，使用者終端可通過以下方式對接收到的商品物件主題詞進行擴充：針對接收到的每一商品物件主題詞，基於設定的樣本語料，確定與該商品物件主題詞之間的相似度不低於設定的相似度閾值(該閾值可根據實際情況靈活設置)的至少一個樣本詞語；將確定的各樣本詞語作為最終所需的商品物件主題詞。

其中，所述設定的樣本語料可為通過爬蟲從外部網站上爬取到的電商新聞等語料庫；另外，在基於設定的樣本語料，確定與各商品物件主題詞之間的相似度不低於設定的相似度閾值的至少一個樣本詞語時，可首先基於所述設定的樣本語料訓練word2vec模型等能夠將詞表征為實數值向量的語言模型，並基於訓練後的word2vec模型等語言模型，將使用者輸入的各商品物件主題詞以及樣本語料中的各詞語轉化為向量；之後，可利用設定的相似度計算公式，如Cosine公式等，計算樣本語料中的各詞語與使用者輸入的各商品物件主題詞之間的相似度；最後，通過設置相應的相似度閾值選擇該值以上(可包含該值)的詞語作為最終所需的主題詞語。

例如，假設使用者根據實際需求向使用者終端輸入了以下三個商品物件主題詞：“快時尚”、“男裝”，“女裝”，則使用者終端可基於設定的樣本語料，對該三個詞 語進行擴充，如擴充得到“時尚”、“潮流”、“襯衫”、“西裝”、“連身裙”、“牛仔褲”等詞語，並將擴充後的各詞語作為最終的商品物件主題詞。

步驟204：伺服器接收使用者終端發送的商品物件主題詞，並獲取與所述商品物件主題詞相匹配的初選物件。

可選地，伺服器可根據使用者終端發送的商品物件主題詞，基於文本挖掘的方法，從各電子商務網站的商品物件資訊中，搜索對應的商品物件標題與使用者終端發送的商品物件主題詞相匹配(如部分匹配等)的商品物件，並將搜索到的各商品物件作為與使用者終端發送的商品物件主題詞相匹配的初選物件。

其中，電子商務網站中的每一商品物件資訊可包括商品物件的ID(標識)、名稱(即標題)、產地、賣家使用者資訊、類目等基本資訊，此處不作贅述。

另外，可選地，伺服器在根據接收到的使用者終端發送的商品物件主題詞，獲取與所述商品物件主題詞相匹配的初選物件之前，還可對接收到的商品物件主題詞進行擴充，以便基於擴充後的商品物件主題詞獲取相應的初選物件。

其中，伺服器對接收到的商品物件主題詞進行擴充的具體實施方式與步驟203中使用者終端對接收到的商品物件主題詞進行擴充的具體實施方式相類似，對此不作贅述。

需要說明的是，由伺服器而非使用者終端來執行對使 用者輸入的商品物件主題詞進行擴充的操作，可降低對使用者終端的性能要求，使得本申請案實施例所述的方法適用範圍更廣；另外，對於使用者終端而言，也可節省使用者終端的處理資源、減輕使用者終端的工作壓力。

步驟205：伺服器基於訓練得到的所述物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度。

例如，假設所述物件識別模型為伺服器根據各物件識別模型樣本物件在各日期的成交量，以及各物件識別模型樣本物件在對應的日期之前的一個或多個日期的瀏覽、收藏、加購、成交、評論、搜索等特徵資料所訓練得到的物件識別模型，則可基於該物件識別模型，根據各初選物件在日期t+1之前的一個或多個日期的瀏覽、收藏、加購、成交、評論、搜索等特徵資料，預測各初選物件在日期t+1的成交量。

需要說明的是，特殊地，本實施例中，當各商品物件的物件使用熱度為成交額時，由於成交額的範圍較大，可能無法很好預測，因而，還可不直接預測成交額，而是先基於與成交量相關的物件識別模型預測各商品物件的成交量，之後，再乘以對應的價格得到成交額，以提高預測的準確性。

步驟206：伺服器根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商 品物件。

可選地，為了提高所選取的商品物件的準確性，伺服器可根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個物件使用熱度不低於設定熱度閾值(該閾值可根據實際情況靈活設置)的商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

另外，伺服器還可以按照物件使用熱度從大到小的順序，對各初選物件進行排序，並取前K(K為任意正整數)個初選物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

進一步地，為了提高所選取的商品物件的準確性，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，還可根據實際需求，對各初選物件進行人工篩選，或刪除短期物件使用熱度不高或價格不符合使用者需求的商品物件(比如三天之內僅成交5件，價格在10到200元之間等的商品物件)，以便基於篩選後的各初選物件選取所需的商品物件；和/或，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之後，還可以根據實際需求，對選取的商品物件進行人工篩選，或刪除短期物件使用熱度不高或價格不符合使用者需求的商品物件，並將篩選後的各商品物件作為最終所需的 所述第二時間段內、與所述商品物件主題詞相匹配的商品物件，對此均不作贅述。

進一步地，由於對於部分商品物件來說，其具有明顯的季節性，比如6月穿連身裙，9月穿大衣等，且，買家通常會提前購買該類商品物件，但該類商品物件在前述提前購買時間段的物件使用熱度並不會很大，導致採用之前的預測方式無法使這些商品物件排在靠前的位置。因而，為了解決這種問題，在確定各初選物件在所述第二時間段的物件使用熱度之後，還可根據時間資訊調整各初選物件的物件使用熱度、進而調整各初選物件的排序，以便根據熱度調整後的各初選物件，選取最終所需的商品物件。即可利用時間序列模型，對類目在第二時間段的熱度進行預測，從而使一些應季商品物件能夠提前浮現，以進一步提高商品物件選取的準確性。

也就是說，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還可包括：基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度；其中，所述類目識別模型為訓練得到的用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的識 別模型；針對每一初選物件，根據所述初選物件對應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新。

可選地，針對每一初選物件，可將所述初選物件對應的類目在所述第二時間段的類目使用熱度與所述初選物件在所述第二時間段的類目使用熱度的乘積，或者二者的加權和(二者對應的權重可根據實際情況靈活設定)，作為所述初選物件在所述第二時間段的更新後的物件使用熱度。

其中，與物件使用熱度相類似，所述類目使用熱度至少可包括成交量、成交額、以及成交轉化率中的任意一種或多種，且，各樣本物件等商品物件的類目使用熱度可基於各樣本物件等商品物件的使用特徵資料計算得到，對此不作限定。另外，每一時間段的歷史同期時間段是指與該時間段處於同一西曆日或農曆日下，且與該時間段相對應的歷史時間段；例如，針對時間段2016年01月01日~2016年01月05日而言，該時間段的歷史同期時間段可為2015年01月01日~2015年01月05日、2014年01月01日~2014年01月05日等等，對此也不作贅述。

可選地，本實施例中，在基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度之前， 伺服器可通過以下方式得到所述類目識別模型：接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第五時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度；根據各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到所述類目識別模型。

其中，需要說明的是，第五時間段通常可為歷史時間段；且，與前述關於第一、第二、第三、第四時間段的描述相類似，第五時間段的大小也可根據實際情況靈活設置(不過，第五時間段的大小通常可與第二時間段相同)，對此不作限定。

可選地，以各類目識別模型樣本物件的類目使用熱度為成交量為例，可通過以下步驟訓練得到相應的類目識別模型：

B1：建立與成交量相關的初始類目識別模型。

例如，假設各第五時間段可設置為1個月；初始類目識別模型為線性模型；且假設今年t月某一類目的成交量 為z(t)，去年同期該類目的成交量為z(t-1)，前年同期該類目的成交量為z(t-2)，依此類推；則建立的初始類目識別模型可表示為z(t)=b(1)*z(t-1)+b(2)*z(t-2)+…，其中，b(1)、b(2)、…等為需要估計的係數。

需要說明的是，之所以使用線性模型作為類目識別模型，是因為模型參數少且類目的歷史資料會比較穩定。當然，也可用其它模型，如迴歸模型作為類目識別模型，以提高類目使用熱度預測的準確性，此處不作限定。

B2：利用最新一段時間的類目歷史資料(比如今年最新的3個月的類目歷史成交量等)以及其所對應的同期歷史資料(如同一個西曆日或農曆日下的至少兩年的同期歷史資料)，對建立的初始類目識別模型進行訓練，得到b(1)、b(2)等各係數的實際取值，以得到最終所需的類目識別模型。

另外，需要說明的是，在訓練得到所述類目識別模型之後，還可根據最新的類目識別模型樣本資料即時或定時對所述類目識別模型進行更新，以提高所述類目識別模型的準確性；再有，以為某一頻道選取商品物件為例，待該頻道上線後，還可將各類目識別模型樣本物件在各第五時間段的類目使用熱度、以及各類目識別模型樣本物件在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度等分別替換為各類目識別模型樣本物件在該頻道下的相應的類目使用熱度等，以更好地對商品物件類目在該頻道下的類目使用熱度進行預測，此處不再贅述。

進一步地，在按照上述方式得到所述類目識別模型之後，若確定所述第二時間段為下一個月，則可基於訓練得到的所述類目識別模型、以及各初選物件對應的類目在與所述下一個月相對應的一個或多個歷史同期時間段(如，前一年或前兩年等歷史同期時間段)的類目使用熱度，確定各初選物件對應的類目在所述下一個月的類目使用熱度。

另外，需要說明的是，除了可按照上述方式預測下一個月的相關商品物件類目的類目使用熱度之外，還可以天為單位，建立相應的初始類目識別模型，如建立如下初始類目識別模型z1(t)=b1(1)*z1(t-1)+b1(2)*z1(t-2)+…，其中，z1(t)為今年日期t某一類目的類目使用熱度，z1(t-1)為去年同期該類目的類目使用熱度，z1(t-2)為前年同期該類目的類目使用熱度，依此類推；b1(1)、b1(2)等為需要估計的係數；之後，可利用最新一段時間的類目歷史資料(比如90天等)以及其所對應的同期歷史資料，對建立的初始類目識別模型進行訓練，得到b1(1)、b1(2)等各係數的取值，以得到最終所需的類目識別模型；再之後，利用訓練得到的類目識別模型，向後計算30天的各類目的類目使用熱度，然後，加和平均得到各類目後一個月較為穩定的類目使用熱度，此處不再贅述。

進一步地，為了使得所選取的商品物件更為符合使用者需求，以提高商品物件的成交性能，當確定所述第二時間段為節假日等特定時間段時，還可對與該第二時間段對 應的特定時間段相關的各類目的類目使用熱度進行額外加權(額外加權的程度可根據實際需求而定)，確保這些類目對應的商品物件能夠及時浮現。例如，中秋節月餅會大熱，因而，當所述第二時間段為中秋節時間段時，還可對月餅對應的類目進行額外加權。

也就是說，針對任一初選物件，在根據所述初選物件對應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新之前，所述方法還可包括：若確定所述第二時間段為特定時間段(如中秋節、端午節等節假日時間段等)，則若確定所述初選物件對應的類目為與所述第二時間段對應的特定時間段相匹配的類目，則根據設定的係數(該係數可根據實際情況靈活調整，如，若類目與特定時間段的匹配程度較高，則係數可較大，若匹配程度較低，則係數可較小等)，增大所述初選物件對應的類目在所述第二時間段的類目使用熱度。

進一步地，由於直接將各商品物件按物件使用熱度進行排序會導致有一些同質商品物件的出現，比如“中秋節禮物義大利進口費列羅巧克力玫瑰花DIY禮盒裝生日情人包郵”和“順豐包郵義大利費列羅巧克力DIY心形玫瑰禮盒裝中秋節生日禮物”這兩種商品物件非常類似，如果直接一併展示到前臺會導致商品物件單一。因而，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，還可 對各初選物件進行去同操作。

即，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還可包括：根據各初選物件對應的標題之間的相似度，確定各初選物件之間的相似度；針對每一組由相互之間的相似度不低於設定的相似度閾值(該相似度閾值與前文中第一次提及的相似度閾值可相同或不同)的至少一個初選物件所組成的物件集合，保留所述物件集合中的一物件，並刪除其它物件，以便後續可從執行刪除操作後所得到的各初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

即，可通過計算商品物件標題的相似度得到各商品物件之間的相似度。另外，相似度計算可以採用傑卡德相似度公式J(A，B)=|A交B|/|A並B|(即，兩個標題的相似度為兩個標題共同詞語的數量除以兩個標題所有詞語的數量)。例如，假設標題A是“榛子巧克力”，標題B是“牛奶巧克力”，則兩者的相似度為1/3，因為標題交集有一個詞語“巧克力”，而兩個標題的並集有三個詞語。當然，也可採用其它任意的相似度計算公式計算得到各商品物件之間的相似度，對此不作限定。

再有，針對每一組由相互之間的相似度不低於設定的相似度閾值的至少一個初選物件所組成的物件集合，在保 留所述物件集合中的一物件時，通常可保留對應的物件使用熱度最高的一物件，以提高商品物件的成交性能，提高使用者的應用體驗。

此外，以為某一頻道選取商品物件為例，若該頻道需要實現商品物件的每日更新，則還可以通過配置相關邏輯，使得該頻道最終展示的商品物件幾天之內不重複，此處不再贅述。

進一步地，本實施例中，除了可在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，對各初選物件進行去同操作之外，還可在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之後，採用類似方式對所選取的各商品物件進行去同操作。

另外，伺服器在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件後，還可將所選取的商品物件的商品物件資訊(如商品物件的ID、或商品物件的連結等唯一性標識資訊)進行儲存，和/或，發送給使用者終端。

步驟207：使用者終端接收所述伺服器返回的與所述商品物件主題詞相匹配的商品物件的商品物件資訊，並將所述商品物件資訊所對應的商品物件作為第二時間段內、與所述商品物件主題詞相匹配的商品物件。

可選地，使用者終端還可將接收到的商品物件資訊進 行顯示，和/或，將所述商品物件資訊所對應的商品物件進行顯示，以便使用者查看，對此不作贅述。

另外，需要說明的是，上述步驟201、步驟203以及步驟207獨立地構成了在使用者終端側執行的商品物件選取流程，步驟202、步驟204~步驟206獨立地構成了在伺服器側執行的商品物件選取流程，對此不作贅述。

進一步地，如圖3、圖4所示，本申請案實施例還提供了兩種模型確定方法。具體地，如圖3所示，其為本申請案實施例一中的一種模型確定方法的一種可能的流程示意圖，所述模型確定方法可包括以下步驟：

步驟301：接收使用者終端發送的物件識別模型訓練樣本資料。

其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段。

步驟302：根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的初始物件識別模型進行訓練，得到所需的物件識別模型。

其中，所述初始物件識別模型用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的 物件使用熱度之間的關聯關係；所述第一時間段為第二時間段的前一指定時間段。

所述物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係。

進一步地，如圖4所示，其為本申請案實施例一中的另一種模型確定方法的一種可能的流程示意圖，所述另一種模型確定方法可包括以下步驟：

步驟401：接收使用者終端發送的類目識別模型訓練樣本資料。

其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各設定的樣本時間段(如前述商品物件選取方法中的第五時間段；另外，若不考慮前述商品物件選取方法，也可將該設定的樣本時間段表示為第一時間段，以與本模型確定方法後續提及的第二時間段進行區分，對此不作贅述)的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各設定的樣本時間段相對應的一個或多個歷史同期時間段的類目使用熱度。

步驟402：根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的初始類目識別模型進行訓練，得到所需的類目識別模型。

其中，所述初始類目識別模型用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係。

所述類目識別模型用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係。

另外，需要說明的是，圖3、圖4所示的模型確定方法的執行主體均可為伺服器；且，圖3、圖4所示的模型確定方法的各步驟的具體實施可參見前述相關描述，對此均不作贅述。

進一步地，如圖5所示，本申請案實施例還提供了一種使用熱度確定方法。所述使用熱度確定方法可包括以下步驟： 步驟501：獲取各商品物件在第一時間段內的使用特徵資料； 步驟502：基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；其中，所述第一時間段為第二時間段的前一指定時間段；且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的 物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。

需要說明的是，所述關聯關係即類似於前述所述的設定的物件識別模型；另外，圖5所示的使用熱度確定方法的各步驟的具體實施可參見前述相關描述，對此不作贅述。

由本申請案實施例一所述內容可知，在本申請案實施例一所述方案中，可基於使用者輸入的商品物件主題詞以及設定的物件識別模型，從海量物件中自動選擇出至少一個商品物件作為最終的滿足使用者需求的物件，從而大大提高了商品物件的選取效率，進而減少了人工盤貨的成本，提高了運營效率。

另外，由於可根據各初選物件在第二時間段的物件使用熱度，從初選物件中選取至少一個物件使用熱度不低於設定熱度閾值的商品物件作為最終所需的商品物件，從而還可提高商品物件選取的準確性。

此外，由於還可基於時間序列模型，即類目識別模型，計算類目的類目使用熱度，並根據類目的類目使用熱度，對各商品物件的排序進行調整，從而還可根據季節以及節假日等及時調整商品物件，以進一步減少人工盤貨的成本，提高運營效率。

最後，需要說明的是，本申請案實施例所述方案無語言、軟體或者硬體的限制，基於一般的雲端計算平臺即可實現。但是，為了提高頻道物件的選取效率，可優先選用 性能高的程式設計語言(如C、C++或者Java等)和性能高的硬體等來實現，本申請案實施例對此不作贅述。

實施例二：

基於與本申請案實施例一相同的發明構思，本申請案實施例二提供了一種商品物件選取裝置，該商品物件選取裝置的具體實施可參見上述方法實施例一中的有關伺服器的相關描述，重複之處不再贅述，如圖6所示，該商品物件選取裝置主要可包括：主題詞接收單元601，可用於接收使用者終端發送的商品物件主題詞；物件獲取單元602，可用於獲取與所述商品物件主題詞相匹配的初選物件；熱度確定單元603，可用於基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度；其中，所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的識別模型；所述第一時間段為第二時間段的前一指定時間段；物件篩選單元604，可用於根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

可選地，所述物件篩選單元604，具體可用於從初選物件中選取至少一個物件使用熱度不低於設定熱度閾值的商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。

可選地，所述商品物件選取裝置還可包括物件識別樣本資料接收單元605以及物件識別模型確定單元606：所述物件識別樣本資料接收單元605，可用於在基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在所述第二時間段的物件使用熱度之前，接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；所述物件識別模型確定單元606，可用於根據各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述物件識別模型。

可選地，所述商品物件選取裝置還可包括類目熱度確定單元607以及物件熱度更新單元608： 所述類目熱度確定單元607，可用於在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度；其中，所述類目識別模型為訓練得到的用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的識別模型；物件熱度更新單元608，可用於針對每一初選物件，根據所述初選物件對應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新。

可選地，所述商品物件選取裝置還可包括類目識別樣本資料接收單元609以及類目識別模型確定單元610：所述類目識別樣本資料接收單元609，可用於在基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度之前，接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識 別模型樣本物件對應的類目在各第五時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度；所述類目識別模型確定單元610，可用於根據各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到所述類目識別模型。

其中，每一時間段的歷史同期時間段是指與該時間段處於同一西曆日或農曆日下，且與該時間段相對應的歷史時間段。

可選地，所述商品物件選取裝置還可包括類目熱度更新單元611：所述類目熱度更新單元611，可用於針對任一初選物件，在根據所述初選物件對應的類目在所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新之前，若確定所述第二時間段為特定時間段，則若確定所述初選物件對應的類目為與所述第二時間段對應的特定時間段相匹配的類目，則根據設定的係數，增大所述初選物件對應的類目在所述第二時間段的類目使用熱度。

可選地，所述商品物件選取裝置還可包括商品物件去 同單元612：所述商品物件去同單元612，可用於在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，根據各初選物件對應的標題之間的相似度，確定各初選物件之間的相似度；針對每一組由相互之間的相似度不低於第一相似度閾值的至少一個初選物件所組成的物件集合，保留所述物件集合中的一物件，並刪除其它物件。

可選地，所述商品物件選取裝置還可包括主題詞擴充單元613：所述主題詞擴充單元613，可用於在獲取與所述商品物件主題詞相匹配的初選物件之前，針對使用者終端發送的每一商品物件主題詞，基於設定的樣本語料，確定與該商品物件主題詞之間的相似度不低於第二相似度閾值的至少一個樣本詞語；將確定的各樣本詞語作為最終所需的商品物件主題詞。

另外，需要說明的是，所述物件識別模型可為迴歸模型；所述類目識別模型可為線性模型。

進一步地，基於與本申請案實施例一相同的發明構思，本申請案實施例二還提供了另一種商品物件選取裝置，該另一種商品物件選取裝置的具體實施可參見上述方法實施例一中的有關使用者終端的相關描述，重複之處不再贅述，如圖7所示，該另一種商品物件選取裝置主要可包括： 主題詞接收單元701，可用於接收使用者輸入的商品物件主題詞；主題詞發送單元702，可用於將所述商品物件主題詞發送至伺服器；物件資訊接收單元703，可用於接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊；物件確定單元704，可用於將所述商品物件資訊所對應的商品物件確定為第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述商品物件資訊是所述伺服器根據設定的物件識別模型、以及與所述商品物件主題詞相匹配的各初選物件在第一時間段內的使用特徵資料，從與所述商品物件主題詞相匹配的初選物件中所選取的商品物件的相關資訊；所述第一時間段為第二時間段的前一指定時間段；所述設定的物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係。

可選地，所述另一種商品物件選取裝置還可包括物件識別樣本資料接收單元705以及物件識別樣本資料發送單元706：所述物件識別樣本資料接收單元705，可用於在接收使用者輸入的商品物件主題詞之前，接收使用者輸入的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資 料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；所述物件識別樣本資料發送單元706，可用於將所述物件識別模型訓練樣本資料發送至伺服器，由所述伺服器根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述設定的物件識別模型。

可選地，所述另一種商品物件選取裝置還可包括類目識別樣本資料接收單元707以及類目識別樣本資料發送單元708：所述類目識別樣本資料接收單元707，可用於在接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊之前，接收使用者輸入的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第五時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度； 所述類目識別樣本資料發送單元708，可用於將所述類目識別模型訓練樣本資料發送至伺服器，由所述伺服器根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。

進一步地，基於與本申請案實施例一相同的發明構思，本申請案實施例二還提供了一種模型確定裝置，該模型確定裝置的具體實施可參見上述方法實施例一中的有關第一種模型確定方法的相關描述，重複之處不再贅述，如圖8所示，該模型確定裝置主要可包括：資料接收單元801，可用於接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段； 模型訓練單元802，可用於根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的物件識別模型；所述第一時間段為第二時間段的前一指定時間段。

進一步地，基於與本申請案實施例一相同的發明構思，本申請案實施例二還提供了另一種模型確定裝置，該另一種模型確定裝置的具體實施可參見上述方法實施例一中的有關另一種模型確定方法的相關描述，重複之處不再贅述，如圖9所示，該另一種模型確定裝置主要可包括：資料接收單元901，可用於接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各設定的樣本時間段(如前述商品物件選取方法中的第五時間段；另外，若不考慮前述商品物件選取方法，也可將該設定的樣本時間段表示為第一時間段，以與本模型確定裝置後續提及的第二時間段進行區分，對此不作贅述)的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各設定的 樣本時間段相對應的一個或多個歷史同期時間段的類目使用熱度；模型訓練單元902，可用於根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。

進一步地，基於與本申請案實施例一相同的發明構思，本申請案實施例二還提供了一種使用熱度確定裝置，該使用熱度確定裝置的具體實施可參見上述方法實施例一中的有關使用熱度確定方法的相關描述，重複之處不再贅述，如圖10所示，該使用熱度確定裝置主要可包括：資料獲取單元1001，可用於獲取各商品物件在第一時間段內的使用特徵資料；熱度確定單元1002，可用於基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；其中，所述第一時間段為第二時間段的前一指定時間 段；且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。

最後，需要說明的是，本申請案實施例說明書以及附圖中的任何命名(如第一時間段、第二時間段等)都僅用於區分，而不具有任何限制含義。

本領域技術人員應明白，本申請案的實施例可提供為方法、裝置(設備)、或電腦程式產品。因此，本申請案可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本申請案可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。

本申請案是參照根據本申請案實施例的方法、裝置(設備)和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式設計資料處理設備的處理器以產生一個機器，使得通過電腦或其他可程式設計資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。

這些電腦程式指令也可儲存在能引導電腦或其他可程式設計資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。

這些電腦程式指令也可裝載到電腦或其他可程式設計資料處理設備上，使得在電腦或其他可程式設計設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設計設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。

儘管已描述了本申請案的較佳實施例，但本領域內的技術人員一旦得知了基本進步性概念，則可對這些實施例作出另外的變更和修改。所以，所附申請專利範圍意欲解釋為包括較佳實施例以及落入本申請案範圍的所有變更和修改。

顯然，本領域的技術人員可以對本申請案進行各種改動和變型而不脫離本申請案的精神和範圍。這樣，倘若本申請案的這些修改和變型屬於本申請案申請專利範圍及其等同技術的範圍之內，則本申請案也意圖包含這些改動和變型在內。

Claims (22)

1. 一種商品物件選取方法，其特徵在於，包括：接收使用者終端發送的商品物件主題詞；獲取與所述商品物件主題詞相匹配的初選物件；基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度；其中，所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的識別模型；所述第一時間段為第二時間段的前一指定時間段；根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。
2. 如申請專利範圍第1項所述的方法，其中，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件，包括：從初選物件中選取至少一個物件使用熱度不低於設定熱度閾值的商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。
3. 如申請專利範圍第1項所述的方法，其中，在基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度之前，所述方法還包括：接收使用者終端發送的物件識別模型訓練樣本資料， 其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；根據各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述物件識別模型。
4. 如申請專利範圍第1項所述的方法，其中，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還包括：基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度；其中，所述類目識別模型為訓練得到的用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的識別模型；針對每一初選物件，根據所述初選物件對應的類目在 所述第二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新。
5. 如申請專利範圍第4項所述的方法，其中，在基於設定的類目識別模型、以及各初選物件對應的類目在與所述第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度，確定各初選物件對應的類目在所述第二時間段的類目使用熱度之前，所述方法還包括：接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第五時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第五時間段相對應的一個或多個歷史同期時間段的類目使用熱度；根據各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到所述類目識別模型。
6. 如申請專利範圍第4或5項所述的方法，其中，每一時間段的歷史同期時間段是指與該時間段處於同一西曆日或農曆日下，且與該時間段相對應的歷史時間段。
7. 如申請專利範圍第4項所述的方法，其中，針對任一初選物件，在根據所述初選物件對應的類目在所述第 二時間段的類目使用熱度，對所述初選物件在所述第二時間段的物件使用熱度進行更新之前，所述方法還包括：若確定所述第二時間段為特定時間段，則若確定所述初選物件對應的類目為與所述第二時間段對應的特定時間段相匹配的類目，則根據設定的係數，增大所述初選物件對應的類目在所述第二時間段的類目使用熱度。
8. 如申請專利範圍第1項所述的方法，其中，在從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件之前，所述方法還包括：根據各初選物件對應的標題之間的相似度，確定各初選物件之間的相似度；針對每一組由相互之間的相似度不低於第一相似度閾值的至少一個初選物件所組成的物件集合，保留所述物件集合中的一物件，並刪除其它物件。
9. 如申請專利範圍第1項所述的方法，其中，在獲取與所述商品物件主題詞相匹配的初選物件之前，所述方法還包括：針對使用者終端發送的每一商品物件主題詞，基於設定的樣本語料，確定與該商品物件主題詞之間的相似度不低於第二相似度閾值的至少一個樣本詞語；將確定的各樣本詞語作為最終所需的商品物件主題詞。
10. 如申請專利範圍第4項所述的方法，其中，所述 物件識別模型為迴歸模型；所述類目識別模型為線性模型。
11. 一種商品物件選取方法，其特徵在於，包括：接收使用者輸入的商品物件主題詞，並將所述商品物件主題詞發送至伺服器；接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊，並將所述商品物件資訊所對應的商品物件作為第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述商品物件資訊是所述伺服器根據設定的物件識別模型、以及與所述商品物件主題詞相匹配的各初選物件在第一時間段內的使用特徵資料，從與所述商品物件主題詞相匹配的初選物件中所選取的商品物件的相關資訊；所述第一時間段為第二時間段的前一指定時間段；所述設定的物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係。
12. 如申請專利範圍第11項所述的方法，其中，在接收使用者輸入的商品物件主題詞之前，所述方法還包括：接收使用者輸入的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各 第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；將所述物件識別模型訓練樣本資料發送至伺服器，由所述伺服器根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到所述設定的物件識別模型。
13. 一種模型確定方法，其特徵在於，包括：接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用 熱度之間的關聯關係的物件識別模型；所述第一時間段為第二時間段的前一指定時間段。
14. 如申請專利範圍第13項所述的方法，其中，所述使用特徵資料至少包括瀏覽次數、收藏次數、加購次數、成交次數、評論次數、以及搜索次數中的任意一種或多種；所述物件使用熱度至少包括成交量、成交額、以及成交轉化率中的任意一種或多種。
15. 一種模型確定方法，其特徵在於，包括：接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第一時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各第一時間段相對應的一個或多個歷史同期時間段的類目使用熱度；根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。
16. 如申請專利範圍第15項所述的方法，其中，所述類目使用熱度至少包括成交量、成交額、以及成交轉化率中的任意一種或多種。
17. 一種使用熱度確定方法，其特徵在於，包括：獲取各商品物件在第一時間段內的使用特徵資料；基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；所述第一時間段為第二時間段的前一指定時間段；且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。
18. 一種商品物件選取裝置，其特徵在於，包括：主題詞接收單元，用於接收使用者終端發送的商品物件主題詞；物件獲取單元，用於獲取與所述商品物件主題詞相匹配的初選物件；熱度確定單元，用於基於設定的物件識別模型以及各初選物件在第一時間段內的使用特徵資料，確定各初選物件在第二時間段的物件使用熱度；其中，所述物件識別模型為訓練得到的用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間 的關聯關係的識別模型；所述第一時間段為第二時間段的前一指定時間段；物件篩選單元，用於根據各初選物件在所述第二時間段的物件使用熱度，從初選物件中選取至少一個商品物件作為所述第二時間段內、與所述商品物件主題詞相匹配的商品物件。
19. 一種商品物件選取裝置，其特徵在於，包括：主題詞接收單元，用於接收使用者輸入的商品物件主題詞；主題詞發送單元，用於將所述商品物件主題詞發送至伺服器；物件資訊接收單元，用於接收所述伺服器根據所述商品物件主題詞返回的商品物件資訊；物件確定單元，用於將所述商品物件資訊所對應的商品物件確定為第二時間段內、與所述商品物件主題詞相匹配的商品物件；其中，所述商品物件資訊是所述伺服器根據設定的物件識別模型、以及與所述商品物件主題詞相匹配的各初選物件在第一時間段內的使用特徵資料，從與所述商品物件主題詞相匹配的初選物件中所選取的商品物件的相關資訊；所述第一時間段為第二時間段的前一指定時間段；所述設定的物件識別模型用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係。
20. 一種模型確定裝置，其特徵在於，包括：資料接收單元，用於接收使用者終端發送的物件識別模型訓練樣本資料，其中，所述物件識別模型訓練樣本資料中包含各物件識別模型樣本物件的基礎特徵資料，且，每一物件識別模型樣本物件的基礎特徵資料包括所述物件識別模型樣本物件在各第三時間段內的使用特徵資料，以及所述物件識別模型樣本物件在各對應的第四時間段的物件使用熱度；所述第三時間段為對應的第四時間段的前一指定時間段；模型訓練單元，用於根據所述物件識別模型訓練樣本資料中包含的各物件識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的初始物件識別模型進行訓練，得到用於表徵商品物件在第一時間段內的使用特徵資料、與商品物件在第二時間段的物件使用熱度之間的關聯關係的物件識別模型。
21. 一種模型確定裝置，其特徵在於，包括：資料接收單元，用於接收使用者終端發送的類目識別模型訓練樣本資料，其中，所述類目識別模型訓練樣本資料中包含各類目識別模型樣本物件的基礎特徵資料，且，每一類目識別模型樣本物件的基礎特徵資料包括所述類目識別模型樣本物件對應的類目在各第一時間段的類目使用熱度，以及所述類目識別模型樣本物件對應的類目在與各 第一時間段相對應的一個或多個歷史同期時間段的類目使用熱度；模型訓練單元，用於根據所述類目識別模型訓練樣本資料中包含的各類目識別模型樣本物件的基礎特徵資料，對預先建立的用於預測商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的初始類目識別模型進行訓練，得到用於表徵商品物件類目在第二時間段的類目使用熱度、與商品物件類目在與該第二時間段相對應的一個或多個歷史同期時間段的類目使用熱度之間的關聯關係的類目識別模型。
22. 一種使用熱度確定裝置，其特徵在於，包括：資料獲取單元，用於獲取各商品物件在第一時間段內的使用特徵資料；熱度確定單元，用於基於商品物件在第一時間段內的使用特徵資料與商品物件在第二時間段的物件使用熱度之間的關聯關係，以及，各商品物件在第一時間段內的使用特徵資料，確定各商品物件在第二時間段的物件使用熱度；所述第一時間段為第二時間段的前一指定時間段；且，所述關聯關係是根據各樣本物件在各第三時間段的使用特徵資料以及各樣本物件在各對應的第四時間段的物件使用熱度所建立的；所述第三時間段為對應的第四時間段的前一指定時間段。