CN107481093A - 个性化店铺预测方法和装置 - Google Patents

Abstract

本发明公开一种个性化店铺预测方法和装置，涉及大数据处理领域。其中个性化店铺预测装置获取指定用户与店铺有关的业务信息，从业务信息中提取出指定用户的业务特征，利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的店铺。本发明通过利用预置的深度学习模型对指定用户与店铺有关的业务特征进行预测处理，以便预测出指定用户偏好的店铺，从而能够做出更精准的个性化店铺推荐，进而使得店铺的页面点击率提升。这对提升用户的购物体验，实现“千人千面”的个性化推荐，提高个性化推荐平台的智能化，都具有重大意义。

Description

个性化店铺预测方法和装置

技术领域

本发明涉及大数据处理领域，特别涉及一种个性化店铺预测方法和装置。

背景技术

随着大数据时代的到来，在电商网站上，人们面对海量的店铺或商品数据，短时间内，不容易找到自己最想要的信息。站在用户的角度，如何从海量的店铺或商品数据中，找到自己想逛的那家好店；站在电商网站的角度，如何挖掘长尾店铺或商品，从而推荐给用户，都变得越来越重要。

目前，用户个性化店铺推荐主要有以下两种方式：

(1)统计用户历史行为

该方法是统计用户过去一年在诸如京东的电商网站上有订单的店铺、过去三个月有关注的店铺、过去一个月有浏览的店铺，基于先看订单，然后看关注，最后看浏览的顺序优先给用户展示店铺。

(2)逻辑回归加权计算用户偏好店铺得分

该方法是分析师根据业务经验，确定哪些特征是逻辑回归计算公式中的自变量，哪些因子作为逻辑回归模型的标签，然后抽出一部分样本数据，在统计软件中做逻辑回归，计算得到用户个性化店铺偏好中的系数，具体过程如下：

a.在大数据平台HIVE中，提取特征数据和标签数据；

b.把特征数据和标签数据关联后，做逻辑回归分析；

c.统计软件得出逻辑回归特征的系数；

d.分析师结合业务经验，分析特征系数的合理性，进行系数微调后，给出逻辑回归的公式

然而，上述现有技术中存在以下缺点：

(1)统计用户历史行为

这种方法对用户过去的行为依赖较大，推荐的店铺池子比较小，都是与用户订单、关注、浏览有关的店铺，不容易挖掘用户的潜在偏好。

(2)逻辑回归加权计算用户偏好店铺得分

这种方法是随机抽样部分数据，在统计软件中做逻辑回归，用样本估计全体，在小数据上做大数据分析，会有偏差。此外，这种方法的特征选取比较依赖分析师的业务经验，不容易挖掘用户的交叉特征，不能提取更多的有用信息做个性化推荐。

发明内容

本发明实施例提供一种个性化店铺预测方法和装置，通过利用预置的深度学习模型对指定用户与店铺有关的业务特征进行预测处理，以便预测出指定用户偏好的店铺。从而对提升用户的购物体验，实现“千人千面”的个性化推荐，都有重大意义。

根据本发明的一个方面，提供一种个性化店铺预测方法，包括：

获取指定用户与店铺有关的业务信息；

从业务信息中提取出指定用户的业务特征；

利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的店铺。

可选地，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

可选地，在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。

可选地，有关联的业务特征包括关注商品特征和浏览店铺商品详情页特征。

可选地，深度学习模型为深度神经网络模型。

可选地，在从业务信息中提取出指定用户的业务特征前，还包括：

对业务信息进行清洗和归一化处理，以完成业务信息的预处理。

可选地，在对业务信息进行预处理前，还包括：

判断指定用户与店铺有关的业务信息是否缺失；

若指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

可选地，对缺失业务信息进行补充包括：

通过全局数据库获取指定用户的相关业务信息；

将获取的相关业务信息转换为指定用户与店铺有关的业务信息。

可选地，对深度学习模型进行训练包括：

从预定用户与店铺有关的业务信息中提取出预定用户的业务特征；

根据预定用户的业务绩效指标，为预定用户的业务特征添加偏好标签；

将预定用户的业务特征输入深度学习模型，以得到偏好预测结果；

若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；

若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。

可选地，根据预定用户的业务绩效指标，为预定用户的业务特征添加偏好标签包括：

若预定用户在店铺首页浏览的同时还浏览了店铺商品详情页，则为预定用户的业务特征添加的偏好标签值最大；

若预定用户未在店铺首页浏览、或未浏览店铺商品详情页，则为预定用户的业务特征添加的偏好标签值最小。

根据本发明的另一方面，提供一种个性化店铺预测装置，包括：

业务信息获取模块，用于获取指定用户与店铺有关的业务信息；

特征提取模块，用于从业务信息中提取出指定用户的业务特征；

偏好预测模块，用于利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的店铺。

可选地，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

可选地，偏好预测模块还用于在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。

可选地，有关联的业务特征包括关注商品特征和浏览店铺商品详情页特征。

可选地，深度学习模型为深度神经网络模型。

可选地，上述装置还包括：

预处理模块，用于在从业务信息中提取出指定用户的业务特征前，对业务信息进行清洗和归一化处理，以完成业务信息的预处理。

可选地，上述装置还包括：

缺失信息处理模块，用于在预处理模块在对业务信息进行预处理前，判断指定用户与店铺有关的业务信息是否缺失，若指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

可选地，缺失信息处理模块用于通过全局数据库获取指定用户的相关业务信息，将获取的相关业务信息转换为指定用户与店铺有关的业务信息。

可选地，上述装置还包括：

训练数据生成模块，用于从预定用户与店铺有关的业务信息中提取出预定用户的业务特征，根据预定用户的业务绩效指标，为预定用户的业务特征添加偏好标签；

训练模块，用于将预定用户的业务特征输入深度学习模型，以得到偏好预测结果，若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。

可选地，训练数据生成模块用于在预定用户在店铺首页浏览的同时还浏览了店铺商品详情页的情况下，为预定用户的业务特征添加的偏好标签值最大；在预定用户未在店铺首页浏览、或未浏览店铺商品详情页的情况下，为预定用户的业务特征添加的偏好标签值最小。

根据本发明的另一方面，提供一种个性化店铺预测装置，包括：

存储器，用于存储指令；

处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例涉及的方法。

根据本发明的另一方面，提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明个性化店铺预测方法一个实施例的示意图。

图2为本发明个性化店铺预测方法另一实施例的示意图。

图3为本发明个性化店铺预测装置一个实施例的示意图。

图4为本发明个性化店铺预测装置另一实施例的示意图。

图5为本发明个性化店铺预测装置又一实施例的示意图。

图6为本发明个性化店铺预测装置又一实施例的示意图。

具体实施方式

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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1为本发明个性化店铺预测方法一个实施例的示意图。可选地，本实施例的方法步骤可由个性化店铺预测装置执行。其中：

步骤101，获取指定用户与店铺有关的业务信息。

可选地，在执行下一步前，还包括对业务信息进行清洗和归一化处理，以完成业务信息的预处理。

例如，可对底层订单表数据进行清洗、对底层浏览表数据进行清洗、对底层关注表数据进行清洗、对底层加入购物车表数据进行清洗，以去除异常数据。

如在购物车表中，剔除用户取消的加入购物车商品数据，清洗用户名为空的数据；在订单表中，剔除一个访次内下单超过100000件的用户，清洗用户名为空的数据；在浏览表中，剔除爆品和加入黑名单的商品(比如不适合展示给用户的商品)；关联在线商品表，使得商品都是上架的，保证有货源数据。

此外，通过进行归一化处理，以便使得特征在0到1之间分布，从而便于后续处理。

可选地，在对业务信息进行预处理前，还可进一步包括：

判断指定用户与店铺有关的业务信息是否缺失。若指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

例如，可通过全局数据库获取指定用户的相关业务信息，进而将获取的相关业务信息转换为指定用户与店铺有关的业务信息。

下面以京东用户为例对这一情况进行具体说明。在提取某京东用户与店铺有关的业务信息时，发现不存在任何与某品牌手机的京东旗舰店有关的业务信息。但是通过在京东系统的其它频道进行搜索，发现该用户有浏览该品牌手机相关信息并购买该品牌手机的情况。这是因为该用户虽然没有访问过该品牌手机的京东旗舰店，但是在京东自营区访问该品牌手机相关信息并完成购买。若缺失这部分业务信息，肯定会对用户的店铺偏好预测造成影响。为此，可根据该用户在京东其它频道的业务信息对店铺相关业务信息进行补充。

步骤102，从业务信息中提取出指定用户的业务特征。

可选地，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

其中，各特征的具体含义如下：

订单特征，即用户在预定时间段(例如，90天)在店铺下购买商品数据，且与时间呈递减趋势。

关注商品特征，即用户在预定时间段(例如，90天)在店铺下关注商品数据，且与时间呈递减趋势。

浏览店铺商品详情页的特征，即用户最近N(例如，N＝7)天，进入某个店铺，点击的商品详情数量，综合计算一个得分。

加入购物车特征，即在店铺下，用户近N天加入购物车的商品，剔除当天加入购物车当天已经购买的商品。

店铺首页浏览特征，即用户最近N天在PC端和移动端的店铺首页有浏览，但是并没有点击具体店铺内商品的数据。

步骤103，利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的店铺。

可选地，深度学习模型可为深度神经网络(DNN)模型。

DNN是包括输入层、隐层和输出层的多层神经网络，相邻层之间有连接，同一层之间没有连接。深度学习的过程，是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。深度学习能更有效地学习特征之间的抽象关系，在京东这样海量数据的电商网站，用户的店铺特征是多维化的，更适合应用深度学习这样的模型来挖掘。

其中，在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，可将有关联的业务特征进行交叉融合。

例如，有关联的业务特征包括关注商品特征和浏览店铺商品详情页特征。

这里需要说明的是，交叉特征是指不同特征之间可能有交互效应的那些特征，比如关注商品特征和浏览店铺商品详情页的特征之间是有关系的。在一般情况下，用户先浏览店铺商品详情页的内容，有购买意愿就会加入关注，本发明中的深度学习模型对这种可以交互的特征进行交叉融合以构造出新的特征，例如新特征是由关注商品特征和浏览店铺商品详情页的特征融合成的，可以在配置文件中设置，从而深度学习模型就会识别这个新的特征。

基于本发明上述实施例提供的个性化店铺预测方法，通过利用预置的深度学习模型对指定用户与店铺有关的业务特征进行预测处理，以便预测出指定用户偏好的店铺。从而对提升用户的购物体验，实现“千人千面”的个性化推荐，都有重大意义。

图2为本发明个性化店铺预测方法另一实施例的示意图。在该实施例中，对深度学习模型进行训练可包括：

步骤201，从预定用户与店铺有关的业务信息中提取出预定用户的业务特征。

可选地，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

步骤202，根据预定用户的业务绩效指标，为预定用户的业务特征添加偏好标签。

其中，若预定用户在店铺首页浏览的同时还浏览了店铺商品详情页，则为预定用户的业务特征添加的偏好标签值最大，即偏好标签值为“1”。

若预定用户未在店铺首页浏览、或未浏览店铺商品详情页，则为预定用户的业务特征添加的偏好标签值最小，即偏好标签值为“0”。

步骤203，将预定用户的业务特征输入深度学习模型，以得到偏好预测结果。

步骤204，判断偏好预测结果与预定用户的偏好标签值之差是否在预定范围内。

若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则执行步骤205；若预测结果与预定用户的业务特征标签之差未超出预定范围，则执行步骤206。

步骤205，调整深度学习模型的相应参数，并重复执行步骤203。

步骤206，结束深度学习模型的训练。

下面通过一个具体示例对本发明进行说明。

通过从预定用户与店铺有关的业务信息中提取出预定用户的业务特征，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。在根据预定用户的业务绩效指标为预定用户的业务特征添加偏好标签时，若预定用户在店铺首页浏览的同时还浏览了店铺商品详情页，则为预定用户的业务特征添加的偏好标签值为“1”；若预定用户未在店铺首页浏览、或未浏览店铺商品详情页，则为预定用户的业务特征添加的偏好标签值为“0”。相应的示例如表1所示。

表1

如表1所示，对于恺琪运动旗舰店、小米官方旗舰店、守护宝官方旗舰店、飞利浦净水自营旗舰店的用户来说，由于用户在店铺首页浏览的同时还浏览了店铺商品详情页，因此所添加标签值为“1”。而对于其它店铺的用户来说，要么未在店铺首页浏览，要么未浏览店铺商品详情页，因此所添加的标签值为“0”。

接下来，将用户的业务特征输入深度学习模型，以得到偏好预测结果。若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。此时就可利用该经过训练的深度学习模型进行相应的店铺偏好预测。

对用户的店铺偏好预测结果可如表2所示。

表2

通过对“寒冰飞雪”和“幸福的猪文文”这两个用户的特征进行分析，可以发现“寒冰飞雪”偏爱的店铺是海尔官方旗舰店和海买京东自营旗舰店，“幸福的猪文文”偏爱的店铺是新贝京东自营旗舰店和昌运玩具专营店。

图3为本发明个性化店铺预测装置一个实施例的示意图。如图3所示，该个性化店铺预测装置包括：

业务信息获取模块31，用于获取指定用户与店铺有关的业务信息。

特征提取模块32，用于从业务信息中提取出指定用户的业务特征。

可选地，业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

偏好预测模块33，用于利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的店铺。

其中，深度学习模型可为深度神经网络模型。

可选地，偏好预测模块33还用于在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。

例如，有关联的业务特征可包括关注商品特征和浏览店铺商品详情页特征。

基于本发明上述实施例提供的个性化店铺预测装置，通过利用预置的深度学习模型对指定用户与店铺有关的业务特征进行预测处理，以便预测出指定用户偏好的店铺。从而对提升用户的购物体验，实现“千人千面”的个性化推荐，都有重大意义。

图4为本发明个性化店铺预测装置另一实施例的示意图。如图3所示实施例相比，在图4所示实施例中，个性化店铺预测装置还包括：

预处理模块34，用于在从业务信息中提取出指定用户的业务特征前，对业务信息进行清洗和归一化处理，以完成业务信息的预处理。

例如，可对底层订单表数据进行清洗、对底层浏览表数据进行清洗、对底层关注表数据进行清洗、对底层加入购物车表数据进行清洗，以去除异常数据。

通过进行归一化处理，以便使得特征在0到1之间分布，从而便于后续处理。

此外，在图4所示实施例中，个性化店铺预测装置还包括：

缺失信息处理模块35，用于在预处理模块34在对业务信息进行预处理前，判断指定用户与店铺有关的业务信息是否缺失，若指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

可选地，缺失信息处理模块35用于通过全局数据库获取指定用户的相关业务信息，将获取的相关业务信息转换为指定用户与店铺有关的业务信息。

通过对缺失业务信息的补充，可以对用户的店铺偏好进行更准确的预测。

图5为本发明个性化店铺预测装置又一实施例的示意图。与图4所示实施例相比，在图5所示实施例中，个性化店铺预测装置还包括：

训练数据生成模块36，用于从预定用户与店铺有关的业务信息中提取出预定用户的业务特征，根据预定用户的业务绩效指标，为预定用户的业务特征添加偏好标签。

训练模块37，用于将预定用户的业务特征输入深度学习模型，以得到偏好预测结果，若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。

可选地，训练数据生成模块36用于在预定用户在店铺首页浏览的同时还浏览了店铺商品详情页的情况下，为预定用户的业务特征添加的偏好标签值最大，即为“1”；在预定用户未在店铺首页浏览、或未浏览店铺商品详情页的情况下，为预定用户的业务特征添加的偏好标签值最小，即为“0”。

图6为本发明个性化店铺预测装置又一实施例的示意图。如图6所示，个性化店铺预测装置包括存储器601和处理器602。其中：

存储器601用于存储指令，处理器602耦合到存储器601，处理器602被配置为基于存储器存储的指令执行实现如图1-图2中任一实施例涉及的方法。

如图6所示，个性化店铺预测装置还包括通信接口603，用于与其它设备进行信息交互。同时，该装置还包括总线604，处理器602、通信接口603、以及存储器601通过总线604完成相互间的通信。

存储器601可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器601也可以是存储器阵列。存储器601还可能被分块，并且块可按一定的规则组合成虚拟卷。

此外，处理器602可以是一个中央处理器CPU，或者可以是专用集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

本发明还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1-图2中任一实施例涉及的方法。

通过实施本发明，通过利用预置的深度学习模型对指定用户与店铺有关的业务特征进行预测处理，以便预测出指定用户偏好的店铺，从而能够做出更精准的个性化店铺推荐，进而使得店铺的页面点击率提升。这对提升用户的购物体验，实现“千人千面”的个性化推荐，提高个性化推荐平台的智能化，都具有重大意义。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (22)

1.一种个性化店铺预测方法，其特征在于，包括：

获取指定用户与店铺有关的业务信息；

从所述业务信息中提取出所述指定用户的业务特征；

利用预置的深度学习模型对所述指定用户的业务特征进行预测处理，以便预测出所述指定用户偏好的店铺。

2.根据权利要求1所述的方法，其特征在于，

所述业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

3.根据权利要求2所述的方法，其特征在于，还包括：

在利用预置的深度学习模型对所述指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。

4.根据权利要求3所述的方法，其特征在于，

有关联的业务特征包括关注商品特征和浏览店铺商品详情页特征。

5.根据权利要求4所述的方法，其特征在于，

深度学习模型为深度神经网络模型。

6.根据权利要求1所述的方法，其特征在于，

在从所述业务信息中提取出所述指定用户的业务特征前，还包括：

对所述业务信息进行清洗和归一化处理，以完成业务信息的预处理。

7.根据权利要求6所述的方法，其特征在于，

在对所述业务信息进行预处理前，还包括：

判断所述指定用户与店铺有关的业务信息是否缺失；

若所述指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

8.根据权利要求7所述的方法，其特征在于，

对缺失业务信息进行补充包括：

通过全局数据库获取所述指定用户的相关业务信息；

将获取的相关业务信息转换为所述指定用户与店铺有关的业务信息。

9.根据权利要求1-8中任一项所述的方法，其特征在于，

对深度学习模型进行训练包括：

从预定用户与店铺有关的业务信息中提取出所述预定用户的业务特征；

根据所述预定用户的业务绩效指标，为所述预定用户的业务特征添加偏好标签；

将所述预定用户的业务特征输入深度学习模型，以得到偏好预测结果；

若偏好预测结果与所述预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将所述预定用户的业务特征输入深度学习模型的步骤；

若预测结果与所述预定用户的业务特征标签之差未超出预定范围，则结束所述深度学习模型的训练。

10.根据权利要求9所述的方法，其特征在于，

根据所述预定用户的业务绩效指标，为所述预定用户的业务特征添加偏好标签包括：

若所述预定用户在店铺首页浏览的同时还浏览了店铺商品详情页，则为所述预定用户的业务特征添加的偏好标签值最大；

若所述预定用户未在店铺首页浏览、或未浏览店铺商品详情页，则为所述预定用户的业务特征添加的偏好标签值最小。

11.一种个性化店铺预测装置，其特征在于，包括：

业务信息获取模块，用于获取指定用户与店铺有关的业务信息；

特征提取模块，用于从所述业务信息中提取出所述指定用户的业务特征；

偏好预测模块，用于利用预置的深度学习模型对所述指定用户的业务特征进行预测处理，以便预测出所述指定用户偏好的店铺。

12.根据权利要求11所述的装置，其特征在于，

所述业务特征包括订单特征、关注商品特征、浏览店铺商品详情页特征、加入购物车特征、店铺首页浏览特征。

13.根据权利要求12所述的装置，其特征在于，

偏好预测模块还用于在利用预置的深度学习模型对所述指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。

14.根据权利要求13所述的装置，其特征在于，

有关联的业务特征包括关注商品特征和浏览店铺商品详情页特征。

15.根据权利要求14所述的装置，其特征在于，

深度学习模型为深度神经网络模型。

16.根据权利要求11所述的装置，其特征在于，还包括：

预处理模块，用于在从所述业务信息中提取出所述指定用户的业务特征前，对所述业务信息进行清洗和归一化处理，以完成业务信息的预处理。

17.根据权利要求16所述的装置，其特征在于，还包括：

缺失信息处理模块，用于在预处理模块在对所述业务信息进行预处理前，判断所述指定用户与店铺有关的业务信息是否缺失，若所述指定用户与店铺有关的业务信息缺失，则对缺失业务信息进行补充。

18.根据权利要求17所述的装置，其特征在于，

缺失信息处理模块用于通过全局数据库获取所述指定用户的相关业务信息，将获取的相关业务信息转换为所述指定用户与店铺有关的业务信息。

19.根据权利要求11-18中任一项所述的装置，其特征在于，还包括：

训练数据生成模块，用于从预定用户与店铺有关的业务信息中提取出所述预定用户的业务特征，根据所述预定用户的业务绩效指标，为所述预定用户的业务特征添加偏好标签；

训练模块，用于将所述预定用户的业务特征输入深度学习模型，以得到偏好预测结果，若偏好预测结果与所述预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将所述预定用户的业务特征输入深度学习模型的步骤；若预测结果与所述预定用户的业务特征标签之差未超出预定范围，则结束所述深度学习模型的训练。

20.根据权利要求19所述的装置，其特征在于，

训练数据生成模块用于在所述预定用户在店铺首页浏览的同时还浏览了店铺商品详情页的情况下，为所述预定用户的业务特征添加的偏好标签值最大；在所述预定用户未在店铺首页浏览、或未浏览店铺商品详情页的情况下，为所述预定用户的业务特征添加的偏好标签值最小。

21.一种个性化店铺预测装置，其特征在于，包括：

存储器，用于存储指令；

处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的指令执行实现如权利要求1-10中任一项所述的方法。

22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-10中任一项所述的方法。