KOL带货能力属性的智能化计算方法及装置

摘要

本发明公开了一种KOL带货能力属性的智能化计算方法及装置，该方法包括：获取某一KOL的某一带货视频在某一目标时间段内对该带货视频所带货销售的目标商品的贡献数据(如销售贡献数据和/或浏览贡献数据)；根据目标商品在目标时间段内的总商品数据以及该带货视频在目标时间段内对目标商品的贡献数据，计算该KOL的带货能力属性；其中，该KOL为若干个KOL中的任一KOL，该目标商品为该KOL通过带货视频带货销售的多个商品中的任一商品，该带货视频为该KOL发布的用于带货销售目标商品的所有带货视频中的任一带货视频。可见，本发明能够根据KOL的带货视频对其所带货销售的商品的贡献数据计算KOL的带货能力属性，提高了计算出的KOL的带货能力属性的准确性。

说明书

技术领域

本发明涉及智能化技术领域，尤其涉及一种KOL带货能力属性的智能化计算方法及装置。

背景技术

随着互联网的快速发展，互联网用户越来越多。为了扩大商品的受众范围以及影响力，商品的营销方式除了传统的广告营销之外，还引入了基于互联网的视频营销，例如：广告主可以选择多个视频博主(也可称为“KOL”，关键意见领袖)发布针对某一或某些商品的视频，这些视频又可以称为带货视频。

在实际应用中，通常会根据视频博主的粉丝量、发布视频的互动数据量(如转发量、评论量、浏览量等)来评价视频博主的影响力(又称“带货能力属性”)，进而选择相应的视频博主进行商品的推广。然而，实践发现，一些视频博主为了对外提高自己的影响力，会通过花钱的方式购买粉丝量、互动数据量等，这导致了根据粉丝量、发布视频的互动数据量等数据确定出的视频博主的影响力准确性低的问题。可见，如何提高确定出的视频博主的带货能力属性的准确性显得尤为重要。

发明内容

本发明所要解决的技术问题在于，提供一种KOL带货能力属性的智能化计算方法及装置，能够提高确定出的视频博主的带货能力属性的准确性。

为了解决上述技术问题，本发明第一方面公开了一种KOL带货能力属性的智能化计算方法，所述方法包括：

获取某一KOL的某一带货视频在某一目标时间段内对所述带货视频所带货销售的目标商品的贡献数据；

根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性；

其中，所述KOL为若干个KOL中的任一KOL，所述目标商品为所述KOL通过带货视频带货销售的多个商品中的任一商品，所述带货视频为所述KOL发布的用于带货销售所述目标商品的所有带货视频中的任一带货视频。

作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性之后，所述方法还包括：

获取与所述带货视频对应的带货能力属性修正数据；

根据获取到的所述带货能力属性修正数据，对计算出的所述KOL的带货能力属性执行修正操作，得到所述KOL的修正后的带货能力属性；

其中，所述带货能力属性修正数据包括所述带货视频的曝光总时长、所述带货视频的发布总时长以及所述KOL的达人属性数据中的一种或多种的组合。

作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性，包括：

计算所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据与所述目标商品在所述目标时间段内的总商品数据的比值，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比；

将计算出的所述贡献占比确定为所述KOL的带货能力属性；或者，

分析所述贡献占比所对应的贡献等级，并将分析出的所述贡献等级确定为所述KOL的带货能力属性。

作为一种可选的实施方式，在本发明第一方面中，所述贡献数据包括所述带货视频在所述目标时间段内对所述目标商品的销售贡献数据、浏览贡献数据以及转化贡献数据中一种或多种的组合；

其中，所述根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性之前，所述方法还包括：

确定所述贡献数据的数据类别，并根据所述数据类别采集所述目标商品在所述目标时间段内与所述数据类别相匹配的总商品数据，作为所述目标商品在所述目标时间段内的总商品数据。

作为一种可选的实施方式，在本发明第一方面中，所述计算所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据与所述目标商品在所述目标时间段内的总商品数据的比值，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比，包括：

当所述数据类别包括至少两种类别时，对于每种所述数据类别，计算所述带货视频在所述目标时间段内对所述目标商品的目标贡献数据与所述目标商品在所述目标时间段内的目标总商品数据的比值，得到该数据类别的贡献占比，并确定该数据类别对应的权重值，以及，计算该数据类别的贡献占比与该数据类别对应的权重值的乘积，得到该数据类别对应的乘积，其中，所述目标贡献数据与所述目标总商品数据均与该数据类别相匹配；

对所有所述数据类别对应的乘积执行求和操作，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比。

作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：

获取所述KOL的带货视频集合中带货视频所带货销售的所有商品，并按照商品类别对获取到的所有所述商品执行分类操作，得到多个不同商品类别的商品集合；

对于任一商品类别的商品集合，计算该商品集合中所有商品对应的带货视频的贡献占比，并根据该商品集合中所有商品对应的带货视频的贡献占比确定所述KOL针对该商品类别的贡献占比。

作为一种可选的实施方式，在本发明第一方面中，对于任一商品类别的商品集合，所述KOL针对该商品类别的贡献占比等于该商品集合中所有商品对应的所有带货视频的贡献占比的平均值或者中位数；

以及，所述方法还包括：

针对任一商品类别，根据KOL集合中每个KOL针对该商品类别的贡献占比计算所述KOL集合中每个KOL的贡献排名，并根据所述KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，所述KOL集合包括通过带货视频带货销售的商品的商品类别为该商品类别的若干个KOL。

本发明第二方面公开了一种KOL带货能力属性的智能化计算装置，所述装置包括：

获取模块，用于获取某一KOL的某一带货视频在某一目标时间段内对所述带货视频所带货销售的目标商品的贡献数据；

第一计算模块，用于根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性；

其中，所述KOL为若干个KOL中的任一KOL，所述目标商品为所述KOL通过带货视频带货销售的多个商品中的任一商品，所述带货视频为所述KOL发布的用于带货销售所述目标商品的所有带货视频中的任一带货视频。

作为一种可选的实施方式，在本发明第二方面中，所述获取模块，还用于在所述第一计算模块根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性之后，获取与所述带货视频对应的带货能力属性修正数据；

其中，所述装置还包括：

修正模块，用于根据获取到的所述带货能力属性修正数据，对计算出的所述KOL的带货能力属性执行修正操作，得到所述KOL的修正后的带货能力属性；

其中，所述带货能力属性修正数据包括所述带货视频的曝光总时长、所述带货视频的发布总时长以及所述KOL的达人属性数据中的一种或多种的组合。

作为一种可选的实施方式，在本发明第二方面中，所述第一计算模块，包括：

计算子模块，用于计算所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据与所述目标商品在所述目标时间段内的总商品数据的比值，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比；

确定子模块，用于将计算出的所述贡献占比确定为所述KOL的带货能力属性；或者，分析所述贡献占比所对应的贡献等级，并将分析出的所述贡献等级确定为所述KOL的带货能力属性。

作为一种可选的实施方式，在本发明第二方面中，所述贡献数据包括所述带货视频在所述目标时间段内对所述目标商品的销售贡献数据、浏览贡献数据以及转化贡献数据中一种或多种的组合；

其中，所述装置还包括：

确定模块，用于在所述第一计算模块根据所述目标商品在所述目标时间段内的总商品数据以及所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据，计算所述KOL的带货能力属性之前，确定所述贡献数据的数据类别；

采集模块，用于根据所述数据类别采集所述目标商品在所述目标时间段内与所述数据类别相匹配的总商品数据，作为所述目标商品在所述目标时间段内的总商品数据。

作为一种可选的实施方式，在本发明第二方面中，所述计算子模块计算所述带货视频在所述目标时间段内对所述目标商品的所述贡献数据与所述目标商品在所述目标时间段内的总商品数据的比值，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比的具体方式为：

当所述数据类别包括至少两种类别时，对于每种所述数据类别，计算所述带货视频在所述目标时间段内对所述目标商品的目标贡献数据与所述目标商品在所述目标时间段内的目标总商品数据的比值，得到该数据类别的贡献占比，并确定该数据类别对应的权重值，以及，计算该数据类别的贡献占比与该数据类别对应的权重值的乘积，得到该数据类别对应的乘积，其中，所述目标贡献数据与所述目标总商品数据均与该数据类别相匹配；

对所有所述数据类别对应的乘积执行求和操作，得到所述带货视频在所述目标时间段内对所述目标商品的贡献占比。

作为一种可选的实施方式，在本发明第二方面中，所述获取模块，还用于获取所述KOL的带货视频集合中带货视频所带货销售的所有商品；

其中，所述装置还包括：

分类模块，用于按照商品类别对获取到的所有所述商品执行分类操作，得到多个不同商品类别的商品集合；

第二计算模块，用于对于任一商品类别的商品集合，计算该商品集合中所有商品对应的带货视频的贡献占比，并根据该商品集合中所有商品对应的带货视频的贡献占比确定所述KOL针对该商品类别的贡献占比。

作为一种可选的实施方式，在本发明第二方面中，对于任一商品类别的商品集合，所述KOL针对该商品类别的贡献占比等于该商品集合中所有商品对应的所有带货视频的贡献占比的平均值或者中位数；

所述第二计算模块，还用于针对任一商品类别，根据KOL集合中每个KOL针对该商品类别的贡献占比计算所述KOL集合中每个KOL的贡献排名，并根据所述KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，所述KOL集合包括通过带货视频带货销售的商品的商品类别为该商品类别的若干个KOL。

本发明第三方面公开了另一种KOL带货能力属性的智能化计算装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

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，执行本发明实施例第一方面公开的KOL带货能力属性的智能化计算方法中的部分或全部步骤。

本发明实施例第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的KOL带货能力属性的智能化计算方法中的部分或全部步骤。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例中，获取某一KOL的某一带货视频在某一目标时间段内对该带货视频所带货销售的目标商品的贡献数据(如销售贡献数据和/或浏览贡献数据)；根据目标商品在目标时间段内的总商品数据以及该带货视频在目标时间段内对目标商品的贡献数据，计算该KOL的带货能力属性；其中，该KOL为若干个KOL中的任一KOL，该目标商品为该KOL通过带货视频带货销售的多个商品中的任一商品，该带货视频为该KOL发布的用于带货销售目标商品的所有带货视频中的任一带货视频。可见，本发明能够根据KOL的带货视频对其所带货销售的商品的贡献数据计算KOL的带货能力属性，相较于根据粉丝量、发布视频的互动数据量等确定出的KOL的带货能力属性而言，本发明提高了计算出的KOL的带货能力属性的准确性，进而能够为选择合适的KOL提供准确的参考依据以及能够为不同广告主推荐满足其需求的KOL。

附图说明

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。

图1是本发明实施例公开的一种KOL带货能力属性的智能化计算方法的流程示意图；

图2是本发明实施例公开的另一种KOL带货能力属性的智能化计算方法的流程示意图；

图3是本发明实施例公开的一种KOL带货能力属性的智能化计算装置的结构示意图；

图4是本发明实施例公开的另一种KOL带货能力属性的智能化计算装置的结构示意图；

图5是本发明实施例公开的又一种KOL带货能力属性的智能化计算装置的结构示意图。

具体实施方式

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。

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、产品或端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、产品或端固有的其他步骤或单元。

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。

本发明公开了一种KOL带货能力属性的智能化计算方法及装置，能够根据KOL的带货视频对其所带货销售的商品的贡献数据计算KOL的带货能力属性，相较于根据粉丝量、发布视频的互动数据量等确定出的KOL的带货能力属性而言，本发明提高了计算出的KOL的带货能力属性的准确性，进而能够为选择合适的KOL提供准确的参考依据以及能够为不同广告主推荐满足其需求的KOL。以下分别进行详细说明。

实施例一(方法侧实施例)

请参阅图1，图1是本发明实施例公开的一种KOL带货能力属性的智能化计算方法的流程示意图。其中，图1所描述的方法应用于KOL带货能力属性的计算装置中，该计算装置可以是相应的计算终端、计算设备或服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图1所示，该KOL带货能力属性的智能化计算方法可以包括以下操作：

101、计算装置获取某一KOL的某一带货视频在某一目标时间段内对带货视频所带货销售的目标商品的贡献数据。

本发明实施例中，该KOL为若干个KOL中的任一KOL，该目标商品为该KOL通过带货视频带货销售的多个商品中的任一商品，该带货视频为该KOL发布的用于带货销售目标商品的所有带货视频中的任一带货视频。

本发明实施例中，该目标时间段可以是人为选定或输入的时间段，也可以是根据带货视频的发布起始时刻智能化确定出的时间段，由于带货视频在刚发布时，其带货影响力相对来说比较强，带货视频在发布了一段时间之后，其带货影响力相对来说比较弱，这种根据带货视频的发布起始时刻智能化确定目标时间段(尤其是目标时间段的起始日期或起始时刻)的方式有利于提高后续根据目标时间段的贡献数据确定出的KOL的带货能力属性的准确性，且还能够减少数据量，节省计算装置的计算资源。举例来说，若当前日期为9月29号，带货视频的发布起始日期为9月20号，则该目标时间段的起始日期可以为9月23号。

可选的，在执行步骤101之前，该方法还可以包括以下操作：

计算装置确定目标时间段；

当该目标时间段由人为输入或选定时，计算装置确定该目标时间段的起始时间，并判断该目标时间段的起始时间是否不早于根据带货视频的发布起始时间确定出的时间，当判断结果为是时，触发执行步骤101；当判断结果为否时，计算装置输出提示消息，该提示消息用于提示人为输入或选定的目标时间段过早。

进一步可选的，该提示消息可以包括根据当前目标时间段对应的贡献数据计算出的KOL带货能力属性相较于根据起始时间不早于确定出的时间的时间段对应的贡献数据计算出的KOL带货能力属性的误差偏移量。又进一步的，该提示消息还可以包括根据带货视频的发布起始时间确定出的时间，以便于相关人员快速的选定或者输入合适的目标时间段。

102、计算装置根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性。

本发明实施例中，步骤102中计算出的KOL的带货能力属性可以具体理解为该KOL的该带货视频针对该目标商品的带货能力属性。

在一个可选的实施例中，在执行完毕步骤102之后，该方法还可以包括以下操作：

计算装置获取与带货视频对应的带货能力属性修正数据；

计算装置根据获取到的带货能力属性修正数据，对计算出的KOL的带货能力属性执行修正操作，得到KOL的修正后的带货能力属性。

其中，带货能力属性修正数据包括带货视频的曝光总时长、带货视频的发布总时长以及KOL的达人属性数据中的一种或多种的组合。

可见，该可选的实施例能够在初步计算出KOL的带货能力属性之后，根据带货视频的曝光总时长、带货视频的发布总时长以及KOL的达人属性数据中的一种或多种的组合对其进行修正，进一步提高了计算出的KOL的带货能力属性的准确性。

在一个可选的实施例中，计算装置根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性，可以包括：

计算装置计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比；

计算装置将计算出的贡献占比确定为KOL的带货能力属性；或者，

计算装置分析贡献占比所对应的贡献等级，并将分析出的贡献等级确定为KOL的带货能力属性。

在该可选的实施例中，目标商品在目标时间段内的总商品数据等于目标商品在目标时间段的结束时刻的商品数据减去目标商品在目标时间段的起始时刻的商品数据。

可见，该可选的实施例能够在根据贡献数据和总商品数据确定KOL的带货能力属性时，通过将贡献占比或者贡献等级确定为KOL的带货能力属性的方式实现了KOL的带货能力属性的量化，使得KOL的带货能力属性更加直观。

在该可选的实施例中，进一步可选的，上述贡献数据可以包括带货视频在目标时间段内对目标商品的销售贡献数据、浏览贡献数据以及转化贡献数据中一种或多种的组合。其中，销售贡献数据的数据类别为销售类别，浏览贡献数据的数据类别为浏览类别，且转化贡献数据的数据类别为转化贡献类别，且其可以包括除销售贡献数据、浏览贡献数据之外对KOL的带货能力属性有关联的贡献数据，例如：下载量数据、转发量数据以及分享量数据中一种或多种的组合。

在该可选的实施例中，进一步可选的，在计算装置根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性之前，该方法还可以包括以下操作：

计算装置确定贡献数据的数据类别，并根据数据类别采集目标商品在目标时间段内与数据类别相匹配的总商品数据，作为目标商品在目标时间段内的总商品数据。

可见，该可选的实施例能够在计算KOL的带货能力属性之前，先根据贡献数据的数据内容确定贡献数据的数据类别，进而采集与数据类别相匹配的总商品数据，有利于提高后续计算出的KOL的带货能力属性的合理性与准确性。

又进一步可选的，计算装置计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比，可以包括：

当贡献数据的数据类别包括至少两个时，对于每个数据类别，计算装置计算带货视频在目标时间段内对目标商品的目标贡献数据与目标商品在目标时间段内的目标总商品数据的比值，得到该数据类别的贡献占比，并确定该数据类别对应的权重值，以及，计算该数据类别的贡献占比与该数据类别对应的权重值的乘积，得到该数据类别对应的乘积，其中，目标贡献数据与目标总商品数据均与该数据类别相匹配；

计算装置对所有数据类别对应的乘积执行求和操作，得到带货视频在目标时间段内对目标商品的贡献占比。

其中，数据类别对应的权重值越高，表示相应的数据类别的贡献数据对KOL的带货能力属性影响越大。

可见，该可选的实施例在根据贡献数据计算KOL的带货能力属性时可以考虑多个数据类别的贡献数据，并根据多数据类别的贡献数据计算KOL的带货能力属性，有利于进一步提高计算出的KOL的带货能力属性的准确性。

又进一步的，当数据类别包括销售类别以及浏览类别时，计算装置计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比，可以包括：

计算装置计算带货视频在目标时间段内对目标商品的销售贡献数据与目标商品在目标时间段内的总商品销售数据的比值，得到第一贡献占比，以及，计算带货视频在目标时间段内对目标商品的浏览贡献数据与目标商品在目标时间段内的总商品浏览数据的比值，得到第二贡献占比；

计算装置确定销售类别对应的第一权重值以及浏览类别对应的第二权重值；

计算装置计算第一贡献占比与第一权重值的第一乘积以及第二贡献占比与第二权重值的第二乘积，并计算第一乘积与第二乘积的和，得到带货视频在目标时间段内对目标商品的贡献占比。

可见，该可选的实施例能够基于销售贡献数据、浏览贡献数据以及相应的权重值综合性的计算KOL的带货能力属性，有利于提高计算出的KOL带货能力属性的准确性。

在又一个可选的实施例中，该方法还可以包括以下操作：

计算装置获取KOL的带货视频集合中带货视频所带货销售的所有商品，并按照商品类别对获取到的所有商品执行分类操作，得到多个不同商品类别的商品集合；

对于任一商品类别的商品集合，计算该商品集合中所有商品对应的带货视频的贡献占比，并根据该商品集合中所有商品对应的带货视频的贡献占比确定该KOL针对该商品类别的贡献占比。

其中，对于任一商品类别的商品集合，该商品集合中所有商品对应的带货视频具体是KOL的带货视频集合中带货销售的商品属于该商品集合的所有带货视频，商品对应的任一带货视频的贡献占比也即带货视频在相应时间段内对商品的贡献占比，具体的计算方式请参照上述所描述的计算方式，该可选的实施例中不再赘述。

可见，该可选的实施例还能够在计算出KOL的带货视频的贡献占比之后进一步确定该KOL针对商品类别的贡献占比，提供了一种KOL针对不同商品类别的贡献占比的计算方式，进而有利于向不同的广告主推荐满足其要推广销售的商品且贡献占比合适的KOL。

在该可选的实施例中，进一步可选的，对于任一商品类别的商品集合，KOL针对该商品类别的贡献占比等于该商品集合中所有商品对应的所有带货视频的贡献占比的平均值或者中位数。

又进一步可选的，该方法还可以包括以下操作：

针对任一商品类别，计算装置根据KOL集合中每个KOL针对该商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，并根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，该KOL集合包括通过带货视频带货销售的商品的商品类别为该商品类别的若干个KOL。

具体的，KOL集合为与商品类别对应的KOL集合，与某一商品类别对应的KOL集合具体包括发布的带货视频所带货销售的商品的商品类别为该商品类别。且计算装置根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，可以包括：

计算装置计算KOL集合中每个KOL的贡献排名与KOL集合包括的KOL总数量的比值，作为每个KOL在该商品类别下的带货能力属性；或者，

计算装置确定KOL集合中每个KOL的贡献排名所处的排名范围，并根据每个KOL的贡献排名所处的排名范围确定每个KOL的排名等级，作为每个KOL在该商品类别下的带货能力属性。

又进一步可选的，针对任一商品类别，在计算装置根据KOL集合中每个KOL针对该商品类别的贡献占比计算KOL集合中每个KOL的贡献排名之前，该方法还可以包括以下操作：

针对任一商品类别，计算装置获取已发布过用于带货销售该商品类别的任一商品的带货视频的所有KOL，将获取到的所有KOL确定为该商品类别对应的KOL集合。

又进一步可选的，针对任一商品类别，计算装置获取已发布过用于带货销售该商品类别的任一商品的带货视频的所有KOL之后，计算装置还可以执行以下操作：

对于获取到的所有KOL中的任一KOL，计算装置随机抽取该KOL已发布的带货视频并采集该带货视频的视频互动数据，根据该带货视频的视频互动数据与该KOL的达人属性数据(如粉丝量)之间的关系判断该KOL是否为异常KOL，当为异常KOL(例如视频互动数据高于粉丝量10倍的KOL)时，滤除该KOL，当不为异常KOL时，保留该KOL；

计算装置将从获取到的所有KOL中滤除所有异常KOL之后的剩余KOL确定为该商品类别对应的KOL集合。

需要说明的是，当获取到的所有KOL中不存在异常KOL时，计算装置执行上述的将获取到的所有KOL确定为该商品类别对应的KOL集合的操作。

可见，该可选的实施例在根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性之前，先对确定出的KOL集合中的异常KOL执行滤除操作，以缩小KOL集合的范围，提高了计算KOL集合中每个KOL的贡献排名的计算效率，进而有利于提高根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性的计算效率。且缩小KOL集合的范围，更加有利于提高根据相关人员(如广告主)的需求筛选出满足其需求的KOL的效率。

可见，该可选的实施例还能够根据每个KOL针对商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，进而计算每个KOL在相应商品类别下的带货能力属性，提高了计算出的KOL在相应商品类别下的带货能力属性的准确性，能够为相关人员(如销售不同商品类别的商品的销售商等)推荐满足其要求的KOL，进而有利于有针对性的推荐KOL。

在又一个可选的实施例中，该方法还可以包括：

针对任一KOL，计算装置统计针对若干互不重叠的历史时间段计算出的该KOL在不同商品类别下的历史带货能力属性，并根据统计出的该KOL在不同商品类别下的若干个历史带货能力属性绘制该KOL在不同商品类别下的带货能力属性曲线，以及，根据绘制出的该KOL在不同商品类别下的带货能力属性曲线预估该KOL在不同商品类别下的带货能力属性变化趋势。

可见，该可选的实施例还能够预估KOL在不同商品类别下的带货能力属性变化趋势，能够为相关人员在选择KOL时提供相应的参考依据，进而能够提高相关人员选择出的KOL与自身需求的匹配度，能够在一定程度上提高相关人员选择出合适KOL的效率。

在又一个可选的实施例中，该方法还可以包括以下操作：

针对任一KOL，计算装置根据该KOL在不同商品类别下的带货能力属性评估该KOL在不同商品类别下的价值属性(如营销报价等)和/或该KOL的综合价值属性。

可见，该可选的实施例还能够智能化的根据KOL在不同商品类别下的带货能力属性评估该KOL在不同商品类别下的价值属性和/或该KOL的综合价值属性，能够为相关人员在选择KOL时提供相应的参考依据，进而能够提高相关人员选择出的KOL与自身需求的匹配度，能够在一定程度上提高相关人员选择出合适KOL的效率。

可见，实施本发明实施例所描述的方法能够根据KOL的带货视频对其所带货销售的商品的贡献数据计算KOL的带货能力属性，相较于根据粉丝量、发布视频的互动数据量等确定出的KOL的带货能力属性而言，本发明实施例提高了计算出的KOL的带货能力属性的准确性，进而能够为选择合适的KOL提供准确的参考依据以及能够为不同广告主推荐满足其需求的KOL。此外，还能够在计算出KOL的带货视频的贡献占比之后进一步确定该KOL针对商品类别的贡献占比，提供了一种KOL针对不同商品类别的贡献占比的计算方式，进而有利于向不同的广告主推荐满足其要推广销售的商品且贡献占比合适的KOL，进一步的，还能够根据每个KOL针对商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，进而计算每个KOL在相应商品类别下的带货能力属性，提高了计算出的KOL在相应商品类别下的带货能力属性的准确性，能够为相关人员(如广告主或者销售不同商品类别的商品的销售商等)推荐满足其要求的KOL，进而有利于有针对性的推荐KOL。

实施例二(方法侧实施例)

请参阅图2，图2是本发明实施例公开的另一种KOL带货能力属性的智能化计算方法的流程示意图。其中，图2所描述的方法应用于KOL带货能力属性的计算装置中，该计算装置可以是相应的计算终端、计算设备或服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该KOL带货能力属性的智能化计算方法可以包括以下操作：

201、计算装置获取KOL的带货视频集合中带货视频所带货销售的所有商品。

202、计算装置按照商品类别对获取到的所有商品执行分类操作，得到多个不同商品类别的商品集合。

203、针对任一商品类别，计算装置根据KOL集合中每个KOL针对该商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，并根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性。

在一个可选的实施例中，在执行步骤203之前，该方法还可以包括以下操作：

针对任一商品类别，计算装置计算KOL集合中每个KOL针对该商品类别的贡献占比。

其中，计算装置计算KOL针对某一商品类别的贡献占比，可以包括：

计算装置确定KOL的所有带货视频中用于带货销售该商品类别的商品的多个带货视频；

对于确定出的任一带货视频，计算装置计算该带货视频对其带货销售的商品的贡献数据与该商品的总商品数据的比值，得到该带货视频对该商品的贡献占比。

需要说明的是，计算装置计算该带货视频对其带货销售的商品的贡献数据与该商品的总商品数据的比值，得到该带货视频对该商品的贡献占比的具体实现方式请参照实施例一中的相关详细描述，本发明实施例不再赘述。

在另一个可选的实施例中，该方法还可以包括以下操作：

针对任一商品类别，计算装置根据KOL集合中每个KOL针对该商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，并根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，KOL集合包括通过带货视频带货销售的商品的商品类别为该商品类别的若干个KOL。

需要说明的是，对该可选的实施例的详细描述请参照实施例一中的相关详细描述，本发明实施例不再赘述。

在又一个可选的实施例中，该方法还可以包括实施例一中的步骤101-步骤102，该可选的实施例不再赘述。

可见，实施本发明实施例所描述的方法能够根据每个KOL针对商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，进而计算每个KOL在相应商品类别下的带货能力属性，提高了计算出的KOL在相应商品类别下的带货能力属性的准确性，能够为相关人员(如广告主或者销售不同商品类别的商品的销售商等)推荐满足其要求的KOL，进而有利于有针对性的推荐KOL。

实施例三(装置侧实施例)

请参阅图3，图3是本发明实施例公开的一种KOL带货能力属性的智能化计算装置的结构示意图。其中，图3所描述的装置可以应用于相应的计算终端、计算设备或服务器，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图3所示，该KOL带货能力属性的智能化计算装置可以包括：

获取模块301，用于获取某一KOL的某一带货视频在某一目标时间段内对带货视频所带货销售的目标商品的贡献数据。

第一计算模块302，用于根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性。

其中，KOL为若干个KOL中的任一KOL，目标商品为KOL通过带货视频带货销售的多个商品中的任一商品，带货视频为KOL发布的用于带货销售目标商品的所有带货视频中的任一带货视频。

可见，实施图3所描述的装置能够根据KOL的带货视频对其所带货销售的商品的贡献数据计算KOL的带货能力属性，提高了计算出的KOL的带货能力属性的准确性。

在一个可选的实施例中，获取模块301，还用于在第一计算模块302根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性之后，获取与带货视频对应的带货能力属性修正数据。

在该可选的实施例中，如图4所示，该装置还可以包括：

修正模块303，用于根据获取到的带货能力属性修正数据，对计算出的KOL的带货能力属性执行修正操作，得到KOL的修正后的带货能力属性。

其中，带货能力属性修正数据包括带货视频的曝光总时长、带货视频的发布总时长以及KOL的达人属性数据中的一种或多种的组合。

可见，实施图4所描述的装置还能够在初步计算出KOL的带货能力属性之后根据带货视频的曝光总时长、带货视频的发布总时长以及KOL的达人属性数据中的一种或多种的组合对计算出的KOL的带货能力属性进行修正，进一步提高了计算出的KOL的带货能力属性的准确性。

在又一个可选的实施例中，如图4所示，第一计算模块302可以包括：

计算子模块3021，用于计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比。

确定子模块3022，用于将计算出的贡献占比确定为KOL的带货能力属性；或者，分析贡献占比所对应的贡献等级，并将分析出的贡献等级确定为KOL的带货能力属性。

可见，实施图4所描述的装置还能够在根据贡献数据和总商品数据确定KOL的带货能力属性时，通过将贡献占比或者贡献等级确定为KOL的带货能力属性的方式实现了KOL的带货能力属性的量化，使得KOL的带货能力属性更加直观。

可选的，贡献数据包括带货视频在目标时间段内对目标商品的销售贡献数据、浏览贡献数据以及转化贡献数据中一种或多种的组合。

进一步可选的，如图4所示，该装置还可以包括：

确定模块304，用于在第一计算模块302根据目标商品在目标时间段内的总商品数据以及带货视频在目标时间段内对目标商品的贡献数据，计算KOL的带货能力属性之前，确定贡献数据的数据类别。

采集模块305，用于根据数据类别采集目标商品在目标时间段内与数据类别相匹配的总商品数据，作为目标商品在目标时间段内的总商品数据。

可见，实施图4所描述的装置还在计算KOL的带货能力属性之前，先根据贡献数据的数据内容确定贡献数据的数据类别，进而采集与数据类别相匹配的总商品数据，有利于提高后续计算出的KOL的带货能力属性的合理性与准确性。

又进一步可选的，计算子模块3021计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比的具体方式为：

当数据类别包括至少两种类别时，对于每种数据类别，计算带货视频在目标时间段内对目标商品的目标贡献数据与目标商品在目标时间段内的目标总商品数据的比值，得到该数据类别的贡献占比，并确定该数据类别对应的权重值，以及，计算该数据类别的贡献占比与该数据类别对应的权重值的乘积，得到该数据类别对应的乘积，其中，目标贡献数据与目标总商品数据均与该数据类别相匹配；

对所有数据类别对应的乘积执行求和操作，得到带货视频在目标时间段内对目标商品的贡献占比。

其中，以数据类别包括销售类别以及浏览类别为例，计算子模块3021计算带货视频在目标时间段内对目标商品的贡献数据与目标商品在目标时间段内的总商品数据的比值，得到带货视频在目标时间段内对目标商品的贡献占比的具体方式为：

计算带货视频在目标时间段内对目标商品的销售贡献数据与目标商品在目标时间段内的总商品销售数据的比值，得到第一贡献占比，以及，计算带货视频在目标时间段内对目标商品的浏览贡献数据与目标商品在目标时间段内的总商品浏览数据的比值，得到第二贡献占比；

确定销售类别对应的第一权重值以及浏览类别对应的第二权重值；

计算第一贡献占比与第一权重值的第一乘积以及第二贡献占比与第二权重值的第二乘积，并计算第一乘积与第二乘积的和，得到带货视频在目标时间段内对目标商品的贡献占比。

可见，实施图4所描述的装置还能够基于销售贡献数据、浏览贡献数据以及相应的权重值综合性的计算KOL的带货能力属性，有利于提高计算出的KOL带货能力属性的准确性。

在另一个可选的实施例中，获取模块301，还可以用于获取KOL的带货视频集合中带货视频所带货销售的所有商品。如图4所示，该装置还可以包括：

分类模块305，用于按照商品类别对获取到的所有商品执行分类操作，得到多个不同商品类别的商品集合。

第二计算模块306，用于对于任一商品类别的商品集合，计算该商品集合中所有商品对应的带货视频的贡献占比，并根据该商品集合中所有商品对应的带货视频的贡献占比确定KOL针对该商品类别的贡献占比。

可见，实施图4所描述的装置还能够在计算出KOL的带货视频的贡献占比之后进一步确定该KOL针对商品类别的贡献占比，提供了一种KOL针对不同商品类别的贡献占比的计算方式，进而有利于向不同的广告主推荐满足其要推广销售的商品且贡献占比合适的KOL。

在该可选的实施例中，进一步可选的，对于任一商品类别的商品集合，KOL针对该商品类别的贡献占比等于该商品集合中所有商品对应的所有带货视频的贡献占比的平均值或者中位数。

在该可选的实施例中，进一步可选的，第二计算模块306，还用于针对任一商品类别，根据KOL集合中每个KOL针对该商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，并根据KOL集合中每个KOL的贡献排名计算每个KOL在该商品类别下的带货能力属性，该KOL集合包括通过带货视频带货销售的商品的商品类别为该商品类别的若干个KOL。

需要说明的是，该可选的实施例也可以独立为一个单独的实施例。

可见，图4所描述的装置还能够根据每个KOL针对商品类别的贡献占比计算KOL集合中每个KOL的贡献排名，进而计算每个KOL在相应商品类别下的带货能力属性，提高了计算出的KOL在相应商品类别下的带货能力属性的准确性，能够为相关人员(如销售不同商品类别的商品的销售商等)推荐满足其要求的KOL，进而有利于有针对性的推荐KOL。

实施例四

请参阅图5，图5是本发明实施例公开的又一种KOL带货能力属性的智能化计算装置的结构示意图。如图5所示，该装置可以包括：

存储有可执行程序代码的存储器401；

与存储器401耦合的处理器402；

处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或实施例二公开的KOL带货能力属性的智能化计算方法中的部分或全部步骤。

实施例五

本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或实施例二公开的KOL带货能力属性的智能化计算方法中的部分或全部步骤。

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。

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-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，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。

最后应说明的是：本发明实施例公开的一种KOL带货能力属性的智能化计算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。