CN105869024A - 商品的推荐方法及装置 - Google Patents

Abstract

本公开是关于一种商品的推荐方法及装置，其中，商品的推荐方法包括：获取历史购物序列；通过将历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；向目标终端发送推荐商品信息。本公开实施例，可以基于历史购物信息获取推荐商品信息，提高了商品推荐的准确性，从而提升了用户的购物体验。

Description

商品的推荐方法及装置

技术领域

本公开涉及电子商务技术领域，尤其涉及一种商品的推荐方法及装置。

背景技术

随着互联网的普及和电子商务的发展，人们越来越多地利用电子商务平台进行商品信息的获取和商品的购买。人们希望在购买商品时，电子商务平台可以向用户推荐各种商品信息，例如向用户推荐用户可能感兴趣的商品等。通过这种推荐方式，可以缩短用户寻找所需要产品的路径，提升用户体验，但是推荐的商品准确性差。

因此，如何准确地向用户推荐商品是目前急需解决的技术问题之一。

发明内容

为克服相关技术中存在的问题，本公开提供一种商品的推荐方法及装置。

根据本公开实施例的第一方面，提供一种商品的推荐方法，包括：

获取历史购物序列；

通过将所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

向目标终端发送所述推荐商品信息。

在一实施例中，所述方法还包括：

对所述LSTM模型进行模型训练。

在一实施例中，所述对所述LSTM模型进行模型训练，包括：

采集预设数量的历史购物序列样本；

将所述预设数量的历史购物序列样本分别输入所述LSTM模型，得到预设数量的输出结果；

将所述预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较；

若所述预设数量的输出结果与所述实际购物结果的平方误差大于或等于所述预设阈值，则继续对所述LSTM模型进行模型训练。

在一实施例中，所述获取历史购物序列，包括：

获取历史购物数据，所述历史购物数据包括购物时间；

根据所述购物时间对所述历史购物数据进行排序，生成所述历史购物序列。

在一实施例中，所述向目标移动终端发送所述推荐商品信息，包括：

向所述目标移动终端发送所述推荐商品信息对应的商品及其购买链接地址。

根据本公开实施例的第二方面，提供一种商品的推荐装置，包括：

获取模块，被配置为获取历史购物序列；

输入获取模块，被配置为通过将所述获取模块获取的所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

发送模块，被配置为向目标终端发送所述输入获取模块获取输出的所述推荐商品信息。

在一实施例中，所述装置还包括：

训练模块，被配置为对所述LSTM模型进行模型训练。

在一实施例中，所述训练模块包括：

采集子模块，被配置为采集预设数量的历史购物序列样本；

输入得到子模块，被配置为将所述采集子模块采集到的所述预设数量的历史购物序列样本分别输入所述LSTM模型，得到预设数量的输出结果；

比较子模块，被配置为将所述输入得到子模块得到的所述预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较；

确定处理子模块，被配置为若所述预设数量的输出结果与所述实际购物结果的平方误差大于或等于所述预设阈值，则继续对所述LSTM模型进行模型训练。

在一实施例中，所述获取模块包括：

获取子模块，被配置为获取历史购物数据，所述历史购物数据包括购物时间；

排序生成子模块，被配置为根据所述获取子模块获取的所述历史购物数据中包括的所述购物时间对所述历史购物数据进行排序，生成所述历史购物序列。

在一实施例中，所述发送模块，被配置为向所述目标移动终端发送所述推荐商品信息对应的商品及其购买链接地址。

根据本公开实施例的第三方面，提供一种商品的推荐装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取历史购物序列；

通过将所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

向目标终端发送所述推荐商品信息。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将获取的历史购物序列输入到LSTM模型中，获取输出的推荐商品信息，并向目标终端发送推荐商品信息，即可以基于历史购物信息获取推荐商品信息，提高了商品推荐的准确性，从而提升了用户的购物体验。

通过对LSTM模型进行训练，以提高通过该LSTM模型获取的推荐商品信息的准确率。

通过将得到的预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较，并根据比较结果决定是否停止训练，使得获得的LSTM模型具有很高的准确率，从而为后续获得准确的商品推荐信息提供了条件。

通过根据购物时间对历史购物数据进行排序，生成历史购物序列，实现方式简单。

通过向目标终端发送推荐商品信息对应的商品及其购买链接地址，使得用户可以直接点击商品的购买链接地址购买商品，不需要用户自己搜索购买链接地址，从而缩短用户寻找所需要商品的路径，提升用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种商品的推荐方法的流程图。

图2是根据一示例性实施例示出的另一种商品的推荐方法的流程图。

图3是根据一示例性实施例示出的一种商品的推荐方法的场景图。

图4是根据一示例性实施例示出的对LSTM模型进行模型训练的流程图。

图5是根据一示例性实施例示出的一种商品的推荐装置的框图。

图6是根据一示例性实施例示出的另一种商品的推荐装置的框图。

图7是根据一示例性实施例示出的另一种商品的推荐装置的框图。

图8是根据一示例性实施例示出的另一种商品的推荐装置的框图。

图9是根据一示例性实施例示出的一种适用于商品的推荐装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种商品的推荐方法的流程图，如图1所示，该商品的推荐方法可应用于电子商务平台上，该方法包括以下步骤S101至S103：

在步骤S101中，获取历史购物序列。

在该实施例中，可以获取任一用户的历史购物序列，其中，历史购物序列可以是用户的历史购物列表，该历史购物列表可以是按该用户购买这些商品的时间顺序排列的。

在步骤S102中，通过将历史购物序列输入到长短期记忆(LSTM)模型中，获取输出的推荐商品信息。

在该实施例中，可以将获取到的某一用户的历史购物序列输入到已经训练好的LSTM模型中，来获取推荐商品信息。

在该实施例中，之所以选择LSTM模型，是因为用户未来的购物行为可能和上次购物有关，也可能和上上次购物有关，还可能和前几次购物都有关，或者都无关。要找出购物行为之间的关系，就需要带有处理较长历史记忆功能的模型，以便综合考虑多次购物行为对用户未来的购物行为进行预测。LSTM模型是递归神经网络(Recursive Neuro Network，RNN)的一种，所不同的RNN只能记住上一次的行为，而LSTM模型可以记住较长时间的行为，即LSTM模型能够很好地处理历史数据，并输出预测结果例如推荐商品信息。

在步骤S103中，向目标终端发送推荐商品信息。

在该实施例中，目标终端可以为获取的历史购物序列所属用户的移动终端，在获取推荐商品信息后，可以直接向目标终端发送推荐商品信息对应的商品，也可以向目标终端发送推荐商品信息对应的商品及其购买链接地址，这样用户如果需要购买推荐商品，则可以直接点击商品的购买链接地址购买商品，不需要用户自己搜索购买链接地址，从而缩短用户寻找所需要商品的路径，提升用户体验。

上述商品的推荐方法实施例，通过将获取的历史购物序列输入到LSTM模型中，获取输出的推荐商品信息，并向目标终端发送推荐商品信息，即可以基于历史购物信息获取推荐商品信息，提高了商品推荐的准确性，从而大大提升了用户的购物体验。

图2是根据一示例性实施例示出的另一种商品的推荐方法的流程图，如图2所示，该方法包括如下步骤：

在步骤S201中，获取历史购物数据。

该历史购物数据包括购物时间。

在步骤S202中，根据历史购物数据中包括的购物时间对历史购物数据进行排序，生成历史购物序列。

在步骤S203中，对LSTM模型进行模型训练。

需要说明的是，上述步骤S201至S202和步骤S203为并列步骤，无严格的先后执行顺序，即可以先执行步骤S201至S202，后执行步骤S203，也可以先执行步骤S203，后执行步骤S201至S202。

在步骤S204中，通过将历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息。

在步骤S205中，向目标终端发送推荐商品信息。

下面结合图3对本公开进行示例性说明，如图3所示，用户在五个月前通过手机31在网上商城买了智能净水器，该网上商城对应的服务器32可以获取该用户的历史购物序列，并将该历史购物序列输入到已经训练好的LSTM模型，获取输出的推荐商品信息例如滤芯信息，则可以向手机31发送推荐商品信息，以推荐用户购买滤芯，同时可以提供滤芯的购买链接地址，用户通过点击滤芯的购买链接地址可以直接购买滤芯。

上述商品的推荐方法实施例，通过根据购物时间对历史购物数据进行排序，生成历史购物序列，实现方式简单；通过对LSTM模型进行训练，提高通过该LSTM模型获取的推荐商品信息的准确率。

图4是根据一示例性实施例示出的对LSTM模型进行模型训练的流程图，如图4所示，该方法包括如下步骤：

在步骤S401中，采集预设数量的历史购物序列样本。

为了对LSTM模型进行训练，需要采集大量的历史购物序列样本。其中，预设数量可以根据需要进行设置，例如10000个。

在步骤S402中，将预设数量的历史购物序列样本分别输入LSTM模型，得到预设数量的输出结果。

在步骤S403中，将预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较。

在该实施例中，将预设数量的历史购物序列样本分别输入LSTM模型，得到的预设数量的输出结果为通过该LSTM模型输出的预测结果，即根据历史购物序列样本预测出用户购买的商品信息。

由于预设数量的历史购物序列样本是基于已经发生的历史购物行为获得的，而与预设数量的历史购物序列样本对应的实际购物结果也是已经发生的历史购物行为，因此，可以根据历史购物行为获知与预设数量的历史购物序列样本对应的实际购物结果。

在获知通过该LSTM模型输出的预测结果和实际购物结果后，可以将二者进行比较。

在步骤S404中，若预设数量的输出结果与实际购物结果的平方误差小于预设阈值，则停止对LSTM模型进行模型训练；若预设数量的输出结果与实际购物结果的平方误差大于或等于预设阈值，则转向步骤S401，以继续对LSTM模型进行模型训练。

如果二者的平方误差小于预设阈值，则表明训练出的LSTM模型输出的结果与实际购物结果非常接近，可以停止对LSTM模型进行模型训练。如果二者的平方误差大于或等于预设阈值，则表明LSTM模型的模型参数不合适，需要继续训练。

上述实施例，通过将得到的预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较，并根据比较结果决定是否停止训练，使得获得的LSTM模型具有很高的准确率，从而为后续获得准确的商品推荐信息提供了条件。

与前述商品的推荐方法实施例相对应，本公开还提供了商品的推荐装置实施例。

图5是根据一示例性实施例示出的一种商品的推荐装置的框图，如图5所示，该商品的推荐装置包括：获取模块51、输入获取模块52和发送模块53。

获取模块51被配置为获取历史购物序列。

在该实施例中，可以获取任一用户的历史购物序列，其中，历史购物序列可以是用户的历史购物列表，该历史购物列表可以是按该用户购买这些商品的时间顺序排列的。

输入获取模块52被配置为通过将获取模块51获取的历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息。

在该实施例中，可以将获取到的某一用户的历史购物序列输入到已经训练好的LSTM模型中，来获取推荐商品信息。

在该实施例中，之所以选择LSTM模型，是因为用户未来的购物行为可能和上次购物有关，也可能和上上次购物有关，还可能和前几次购物都有关，或者都无关。要找出购物行为之间的关系，就需要带有处理较长历史记忆功能的模型，以便综合考虑多次购物行为对用户未来的购物行为进行预测。LSTM模型是递归神经网络(Recursive Neuro Network，RNN)的一种，所不同的RNN只能记住上一次的行为，而LSTM模型可以记住较长时间的行为，即LSTM模型能够很好地处理历史数据，并输出预测结果例如推荐商品信息。

发送模块53被配置为向目标终端发送输入获取模块52获取输出的推荐商品信息。

在该实施例中，目标终端可以为获取的历史购物序列所属用户的移动终端，在获取推荐商品信息后，可以直接向目标终端发送推荐商品信息对应的商品，也可以向目标终端发送推荐商品信息对应的商品及其购买链接地址，这样用户如果需要购买推荐商品，则可以直接点击商品的购买链接地址购买商品，不需要用户自己搜索购买链接地址，从而缩短用户寻找所需要商品的路径，提升用户体验。

如图5所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述实施例，通过将获取的历史购物序列输入到LSTM模型中，获取输出的推荐商品信息，并向目标终端发送推荐商品信息，即可以基于历史购物信息获取推荐商品信息，提高了商品推荐的准确性，从而大大提升了用户的购物体验。

图6是根据一示例性实施例示出的另一种商品的推荐装置的框图，如图6所示，在上述5所示实施例的基础上，该装置还可包括：训练模块54。

训练模块54被配置为对LSTM模型进行模型训练。

如图6所示的装置用于实现上述如图2或图4所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述实施例，通过对LSTM模型进行训练，以提高通过该LSTM模型获取的推荐商品信息的准确率。

图7是根据一示例性实施例示出的另一种商品的推荐装置的框图，如图7所示，在上述图6所示实施例的基础上，训练模块54可包括：采集子模块541、输入得到子模块542、比较子模块543和确定处理子模块544。

采集子模块541被配置为采集预设数量的历史购物序列样本。

为了对LSTM模型进行训练，需要采集大量的历史购物序列样本。其中，预设数量可以根据需要进行设置，例如10000个。

输入得到子模块542被配置为将采集子模块541采集到的预设数量的历史购物序列样本分别输入LSTM模型，得到预设数量的输出结果。

比较子模块543被配置为将输入得到子模块542得到的预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较。

在该实施例中，将预设数量的历史购物序列样本分别输入LSTM模型，得到的预设数量的输出结果为通过该LSTM模型输出的预测结果，即根据历史购物序列样本预测出用户购买的商品信息。

由于预设数量的历史购物序列样本是基于已经发生的历史购物行为获得的，而与预设数量的历史购物序列样本对应的实际购物结果也是已经发生的历史购物行为，因此，可以根据历史购物行为获知与预设数量的历史购物序列样本对应的实际购物结果。

在获知通过该LSTM模型输出的预测结果和实际购物结果后，可以将二者进行比较。

确定处理子模块544被配置为若预设数量的输出结果与实际购物结果的平方误差大于或等于预设阈值，则继续对LSTM模型进行模型训练。

如果二者的平方误差小于预设阈值，则表明训练出的LSTM模型输出的结果与实际购物结果非常接近，可以停止对LSTM模型进行模型训练。如果二者的平方误差大于或等于预设阈值，则表明LSTM模型的模型参数不合适，需要继续训练。

如图7所示的装置用于实现上述如图4所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述实施例，通过将得到的预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较，并根据比较结果决定是否停止训练，使得获得的LSTM模型具有很高的准确率，从而为后续获得准确的商品推荐信息提供了条件。

图8是根据一示例性实施例示出的另一种商品的推荐装置的框图，如图8所示，在上述图5所示实施例的基础上，获取模块51可包括：获取子模块511和排序生成子模块512。

获取子模块511被配置为获取历史购物数据，历史购物数据包括购物时间。

排序生成子模块512被配置为根据获取子模块511获取的历史购物数据中包括的购物时间对历史购物数据进行排序，生成历史购物序列。

如图8所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。

上述实施例，通过根据购物时间对历史购物数据进行排序，生成历史购物序列，实现方式简单。

关于上述实施例中的装置，其中各个模块、子模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种适用于商品的推荐装置的框图。例如，装置900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理，飞行器等。

参照图9，装置900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理部件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当设备900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件914可以检测到设备900的打开/关闭状态，组件的相对定位，例如所述组件为装置900的显示器和小键盘，传感器组件914还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由装置900的处理器920执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种商品的推荐方法，其特征在于，所述方法包括：

获取历史购物序列；

通过将所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

向目标终端发送所述推荐商品信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述LSTM模型进行模型训练。

3.根据权利要求2所述的方法，其特征在于，所述对所述LSTM模型进行模型训练，包括：

采集预设数量的历史购物序列样本；

将所述预设数量的历史购物序列样本分别输入所述LSTM模型，得到预设数量的输出结果；

将所述预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较；

若所述预设数量的输出结果与所述实际购物结果的平方误差大于或等于所述预设阈值，则继续对所述LSTM模型进行模型训练。

4.根据权利要求1所述的方法，其特征在于，所述获取历史购物序列，包括：

获取历史购物数据，所述历史购物数据包括购物时间；

根据所述购物时间对所述历史购物数据进行排序，生成所述历史购物序列。

5.根据权利要求1所述的方法，其特征在于，所述向目标移动终端发送所述推荐商品信息，包括：

向所述目标移动终端发送所述推荐商品信息对应的商品及其购买链接地址。

6.一种商品的推荐装置，其特征在于，所述装置包括：

获取模块，被配置为获取历史购物序列；

输入获取模块，被配置为通过将所述获取模块获取的所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

发送模块，被配置为向目标终端发送所述输入获取模块获取输出的所述推荐商品信息。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

训练模块，被配置为对所述LSTM模型进行模型训练。

8.根据权利要求7所述的装置，其特征在于，所述训练模块包括：

采集子模块，被配置为采集预设数量的历史购物序列样本；

输入得到子模块，被配置为将所述采集子模块采集到的所述预设数量的历史购物序列样本分别输入所述LSTM模型，得到预设数量的输出结果；

比较子模块，被配置为将所述输入得到子模块得到的所述预设数量的输出结果和与预设数量的历史购物序列样本对应的实际购物结果进行比较；

确定处理子模块，被配置为若所述预设数量的输出结果与所述实际购物结果的平方误差大于或等于所述预设阈值，则继续对所述LSTM模型进行模型训练。

9.根据权利要求6所述的装置，其特征在于，所述获取模块包括：

获取子模块，被配置为获取历史购物数据，所述历史购物数据包括购物时间；

排序生成子模块，被配置为根据所述获取子模块获取的所述历史购物数据中包括的所述购物时间对所述历史购物数据进行排序，生成所述历史购物序列。

10.根据权利要求6所述的装置，其特征在于，所述发送模块，被配置为向所述目标移动终端发送所述推荐商品信息对应的商品及其购买链接地址。

11.一种商品的推荐装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取历史购物序列；

通过将所述历史购物序列输入到长短期记忆LSTM模型中，获取输出的推荐商品信息；

向目标终端发送所述推荐商品信息。