CN108765052A - 电商推荐/推送方法及装置、存储介质及计算设备 - Google Patents

Abstract

本发明的实施方式提供了一种基于RFM模型的电商推荐/推送方法。该方法包括：获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。该方法在先该用户推荐和/或推送商品时考虑了商品价值与用户本身之间的联系，其推荐和/或推送的商品能够使得电商网站的利益得到提高。此外，本发明的实施方式提供了一种基于RFM模型的电商推荐/推送装置、存储介质及计算设备。

Description

电商推荐/推送方法及装置、存储介质及计算设备

技术领域

本发明的实施方式涉及电子信息领域，更具体地，本发明的实施方式涉及一种电商推荐/推送方法及装置、存储介质及计算设备。

背景技术

随着互联网技术的发展，电子商务(Electronic Business，E-Business)在我们的日常生活、工作中随处可见。

电子商务(Electronic Business，E-Business)，简称电商，通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于浏览器/服务器应用方式，买卖双方不谋面地进行各种商贸活动，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。

目前，现有的电商推荐系统通常根据用户在电商网站的历史行为，得到用户喜好特征，进而找出与用户喜好相关的商品推荐给用户。

发明内容

但是，现有的电商网站通常基于用户偏好本身而向用户推荐其感兴趣的商品。

因此在现有技术中，电商网站采用这种传统的电商推荐系统，仅针对用户的偏好本身向用户推荐商品，虽然其推荐的商品可能是用户所感兴趣的，但推荐商品的价值却不一定高，由此使得电商网站所得利益有限，这是非常令人烦恼的过程。

为此，非常需要一种改进的电商推荐/推送方法，以使通过该技术向用户推荐/推送的商品能够使得电商网站的利益得到提高。

在本上下文中，本发明的实施方式期望提供一种基于RFM模型的电商推荐/推送方法及装置、存储有程序的存储介质及计算设备。

在本发明实施方式的第一方面中，提供了一种基于RFM模型的电商推荐/推送方法，包括：获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

在本发明的一个实施例中，用户在预定电商网站中的行为数据包括下单事件数据和点击事件数据；所述下单事件数据包括对应的用户账号、下单时间和下单金额；以及所述点击事件数据包括对应的用户账号和点击时间。

在本发明的另一实施例中，所述获取用户在预定电商网站中的行为数据的步骤包括：获取预定电商网站预定时间内的日志数据流；通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及得到该用户的每条点击日志中的用户账户和点击时间。

在本发明的又一个实施例中，将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。

在本发明的再一个实施例中，日志数据流是通过消息队列实时获取的。

在本发明的在一个实施例中，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度。

在本发明的再一个实施例中，每个预定维度分别包括多个预设等级。

在本发明的再一个实施例中，所述根据用户在所述多个预定维度上的对应值，获得该用户的用户分类的步骤包括：根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

在本发明的再一个实施例中，预定RFM模型的各个预定维度上的预设等级数目是通过聚类方式获得的；和/或用户在各预定维度上的维度等级是通过聚类方式获得的。

在本发明的再一个实施例中，针对每个用户，通过如下处理来获得该用户的用户分类所对应的推荐模式和/或推送模式：根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

在本发明的再一个实施例中，每个预定推荐模式包括该推荐模式所对应的商品利润属性和/或商品转化率属性。

在本发明的再一个实施例中，所述向该用户推荐和/或推送对应利润和/或转化率的商品的步骤包括：根据该用户的用户偏好，在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。

在本发明的再一个实施例中，每个预定推送模式包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。

在本发明的再一个实施例中，所述向该用户推荐和/或推送对应利润和/或转化率的商品的步骤包括：按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

在本发明的再一个实施例中，商品利润属性包括高毛利、中等毛利或低毛利。

在本发明的再一个实施例中，商品转化率属性包括高转化率、中等转化率或低转化率。

在本发明的再一个实施例中，每个预定推送模式对应的推送频率包括预设高频和预设低频。

在本发明的再一个实施例中，响应于用户在线上发送的请求，执行推荐/推送场景，以向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。

在本发明的再一个实施例中，采用离线异步方式计算用户在预定RFM模型中多个预定维度上的对应值或维度等级。

在本发明的再一个实施例中，根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，采用hashmap方式来获得与该用户在各预定维度上的维度等级相对应的用户分类。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第一类用户，以在所述第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在所述第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在所述第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，在所述第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在所述第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。

在本发明的再一个实施例中，在所述第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户，以在所述第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在所述第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在所述第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在所述第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在所述第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在所述第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，在所述第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在所述第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在所述第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在所述第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在所述第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户。

在本发明的再一个实施例中，向部分或全部用户中的每个用户推荐的商品是与该用户的用户偏好相一致的。

在本发明实施方式的第二方面中，提供了一种存储有程序的存储介质，所述程序被处理器执行时实现上述基于RFM模型的电商推荐/推送方法。

在本发明实施方式的第三方面中，提供了一种基于RFM模型的电商推荐/推送装置，包括：获取单元，适于获取用户在预定电商网站中的行为数据；计算单元，适于根据该用户的所述行为数据计算该用户在预定RFM模型中多个预定维度上的对应值；推荐/推送单元，适于根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

在本发明的一个实施例中，用户在预定电商网站中的行为数据包括下单事件数据和点击事件数据；所述下单事件数据包括对应的用户账号、下单时间和下单金额；以及所述点击事件数据包括对应的用户账号和点击时间。

在本发明的另一实施例中，所述获取单元适于通过如下处理来获取用户在预定电商网站中的行为数据：获取预定电商网站预定时间内的日志数据流；通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及得到该用户的每条点击日志中的用户账户和点击时间。

在本发明的又一个实施例中，所述获取单元适于将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。

在本发明的再一个实施例中，所述获取单元适于通过消息队列来实时获取所述日志数据流。

在本发明的在一个实施例中，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度。

在本发明的再一个实施例中，每个预定维度分别包括多个预设等级。

在本发明的再一个实施例中，所述推荐/推送单元适于通过如下处理来获得用户的用户分类：根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

在本发明的再一个实施例中，所述推荐/推送单元适于：通过聚类方式获得预定RFM模型的各个预定维度上的预设等级数目；和/或通过聚类方式来获得用户在各预定维度上的维度等级。

在本发明的再一个实施例中，所述推荐/推送单元适于通过如下处理来获得每个用户的用户分类所对应的推荐模式和/或推送模式：针对每个用户，根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

在本发明的再一个实施例中，每个预定推荐模式包括该推荐模式所对应的商品利润属性和/或商品转化率属性。

在本发明的再一个实施例中，所述推荐/推送单元适于通过如下处理来向用户推荐和/或推送对应利润和/或转化率的商品：根据用户的用户偏好，在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。

在本发明的再一个实施例中，每个预定推送模式包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。

在本发明的再一个实施例中，所述推荐/推送单元适于通过如下处理来向用户推荐和/或推送对应利润和/或转化率的商品：按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

在本发明的再一个实施例中，商品利润属性包括高毛利、中等毛利或低毛利。

在本发明的再一个实施例中，商品转化率属性包括高转化率、中等转化率或低转化率。

在本发明的再一个实施例中，每个预定推送模式对应的推送频率包括预设高频和预设低频。

在本发明的再一个实施例中，所述推荐/推送单元适于响应于用户在线上发送的请求，执行推荐/推送场景，以向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。

在本发明的再一个实施例中，所述计算单元适于采用离线异步方式来计算用户在预定RFM模型中多个预定维度上的对应值或维度等级。

在本发明的再一个实施例中，所述推荐/推送单元适于根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，采用hashmap方式来获得与该用户在各预定维度上的维度等级相对应的用户分类。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第一类用户，以在所述第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在所述第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在所述第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，在所述第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在所述第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。

在本发明的再一个实施例中，在所述第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户，以在所述第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在所述第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在所述第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在所述第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在所述第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在所述第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，在所述第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在所述第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在所述第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

在本发明的再一个实施例中，在所述第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在所述第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在所述第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

在本发明的再一个实施例中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户。

在本发明的再一个实施例中，向部分或全部用户中的每个用户推荐的商品是与该用户的用户偏好相一致的。

在本发明实施方式的第四方面中，提供了一种计算设备，包括上述存储介质。

根据本发明实施方式的一种基于RFM模型的电商推荐/推送方法及装置、存储有程序的存储介质及计算设备，其考虑了用户本身价值以及商品价值之前的联系，使得用户可能为电商网站带来的价值最大化。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了根据本发明实施方式的可以在其中实现的应用场景示意图；

图2示意性地示出了根据本发明实施方式的基于RFM模型的电商推荐/推送方法的一个示例性处理的流程图；

图3示意性地示出了基于传统RFM模型划分用户分类的一个示例；

图4示意性地示出了根据本发明实施方式的基于RFM模型的电商推荐/推送装置的一个示例的结构框图；

图5示意性地示出了根据本发明一实施例的计算机的结构示意图；

图6示意性地示出了根据本发明一实施例的计算机可读存储介质的示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种电商推荐/推送方法及装置、存储介质及计算设备。

在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

发明概述

本发明人发现，现有的电商推荐系统通常根据用户在电商网站的历史行为，得到用户喜好特征，进而找出与用户喜好相关的商品推荐给用户。现有的电商推荐系统，没有考虑用户本身价值，不能为电商网站带来的价值最大化。本发明针对该技术问题提供了一种电商推荐/推送方法及装置、存储介质及计算设备，通过获取用户在预定电商网站中的行为数据，计算用户在预定RFM模型(R即Recency，F即Frequency，M即Monetary，下文将详细描述该模型)中多个预定维度上的对应值，从而根据用户在多个预定维度上的对应值来获得用户的用户分类和对应的推荐模式和/或推送模式，以向用户推荐和/或推送对应利润和/或转化率的商品；由此可知，本发明实施方式提供的技术方案由于能够在考虑用户价值的基础上对用户进行分类，从而对不同用户价值的用户分类实施不同的推荐/推送方案，以使向用户推荐/推送的商品的利润和/或转化率尽可能高，使其为电商网站带来的价值能够得到最大化。

传统的电商推荐系统并没有考虑用户价值与商品利润和/或转化率之间的联系，在未考虑基于RFM模型的用户分类的情况下的推荐，很有可能对用户价值较高的用户(比如RFM模型对应各个维度等级均较高的用户)大量推荐了低毛利商品的情况，而这会大大降低电商的所得利益。

采用本公开的上述技术，通过计算用户在预定RFM模型中多个预定维度上的对应值，以得到用户分类和对应的推荐和/或推送模式，来向用户推荐和/或推送对应利润和/或转化率的商品。

由此可知，本公开实施方式提供的技术方案考虑了用户价值与商品利润和/或转化率之间的联系，能够对不同用户价值的用户分类实施不同的推荐/推送方案，以使向用户推荐/推送的商品的利润和/或转化率尽可能高，使其为电商网站带来的价值能够得到最大化。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

应用场景总览

首先参考图1，图1示意性地示出了根据本发明实施方式的可以在其中实现的应用场景。

例如，假设用户通过手机或计算机等终端来浏览电商网站，在该网站的显示界面中可以包括如图1所示的区域X，作为推荐区，以在该推荐区向用户显示推荐的商品。换句话说，图1给出了电商网站的一个推荐场景的示例性示意图。

如上文所述，基于传统的电商推荐系统，电商网站向用户推荐的通常是根据用户的浏览历史等所得到的用户偏好等相关的商品，该类商品没有考虑到用户价值，没有考虑到用户分类。

然而，本领域技术人员完全可以理解，本发明实施方式的适用场景不受到该框架任何方面的限制。

示例性方法

下面结合图1所示的应用场景，参考图2来描述根据本发明示例性实施方式的基于RFM模型的电商推荐/推送方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

图2示意性地示出了根据本公开实施例的一种基于RFM模型的电商推荐/推送方法的一种示例性的处理流程200。

如图2所示，处理流程200开始后，首先执行步骤S210。

S210、获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值。

作为示例，本发明实施方式中的用户在预定电商网站中的行为数据例如可以包括但不限于下单事件数据和点击事件数据。

其中，下单事件数据例如可以包括对应的用户账号、下单时间和下单金额，而点击事件数据例如可以包括对应的用户账号和点击时间。

作为示例，步骤S210中获取用户在预定电商网站中的行为数据的步骤可以包括如下处理：获取预定电商网站预定时间内的日志数据流；通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及该用户的每条点击日志中的用户账户和点击时间。

作为示例，可以将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。其中，日志数据流例如可以通过消息队列实时获取。

例如，可以通过埋点而将用户在电商网站中每个场景的行为记录到日志流；再根据预定的格式解析出用户的相关行为(如购买、点击等)，存入到分布式数据库(如Hbase等)，供后续计算查询使用。

在用户行为数据采集领域中，埋点(即数据埋点)是一种针对特定用户行为或事件进行捕获、处理和发送的处理技术，上述将用户在电商网站中每个场景的行为记录到日志流的过程例如可以采用现有的数据埋点处理技术来实现，这里不再详述。

此外，上述电商网站中的场景例如可以包括但不限于：推荐场景(如图1所示)；搜索匹配场景；其他预设场景(如特卖专辑场景)等。其中，搜索匹配场景例如是用户输入一个或多个搜索词后，基于该一个或多个搜索词所获得的对应商品的场景。此外，其他预设场景例如是根据预设主题而预先选定的多个商品的场景。

此外，在将用户在电商网站中每个场景的行为记录到日志流之后，例如可以采用如下具体解析方法来解析出用户的相关行为并存入到分布式数据库中：从日志流(即日志数据流)中筛选出下单、点击等相关日志，并将获取的日志数据流发送到集群进行分布式数据解析，解析后的结果存储到分布式数据库，通过这一个流程的处理，最终从每条下单日志解析出“用户账号”、“下单时间”以及“下单金额”信息、以及从每条点击日志中解析出“用户账号”和“点击时间”插入到分布式数据库中。其中，日志数据流例如可以通过消息队列(如基于kafka)实时获取。

传统的RFM模型通过用户三个维度来描述该客户的消费层级和价值状况，他们分别是：

R：离某个时间点最近的一次消费时间，为「近度」维度；

F：一段时间内的消费频次，为「频度」维度(即下文中所提到的「消费频度」维度)；

M：对应这段时间内的消费金额，为「额度」维度。

通过传统的RFM模型，可以划分出用户的立方体层级，如图3所示。

按图3中基于立方体的RFM划分，在实际使用中可以对用户进行分群，一种典型的分群描述例如可以如表1所示。

表1.RFM值用户类型划分

其中，R类型“高”表示用户最近一次消费时间距离统计截止时间点近，R类型“低”表示用户最近一次消费时间距离统计截止时间点间远。

作为示例，根据本公开实施例的预定RFM模型例如可以包括至少如下四个维度：近度R、点击频度C(即Click)、消费频度F和额度M。其中，近度R、消费频度F和额度M分别与上文所描述的传统RFM模型中的对应术语的定义一致，而点击频度C则是指一段时间内的点击频次。

这样，在获得用户在预定电商网站中的行为数据之后，可以根据得到的这些行为数据来计算出用户在各个维度上的对应值。

例如，针对每个用户，可以采用如下的公式一至公式四来计算该用户分别在RFM模型的上述四个维度(作为预定RFM模型中多个预定维度的示例)上的对应值。

公式一：R＝Max(order_time)

其中，order_time表示用户下单时间，而Max(order_time)表示用户最近预设时间段内的最晚下单时间，其单位例如为天(或者也可为其他单位)。上述最近预设时间段例如可自由设定，比如，可设定为3个月。

公式二：

其中，公式二中的N表示上述最近预设时间段所包含的天数，N为正整数。表示用户最近预设时间段这N天内在电商网站的点击总数，其中，i表示预设时间段的起点时间点，如时间段为30天，即N＝30，假设计算的时间点是2018年3月20日，则i可以为从2018年3月20日向前推30天的那一天，即2018年2月18日。

公式三：

其中，公式三中的i、N与公式二中的定义相同，这里不再赘述。order表示每天的下单次数(单位为次)，表示用户最近预设时间段这N天总共的下单次数(单位为次)，而表示用户最近预设时间段的N天中平均每天的下单次数(单位为次/天)。

公式四：

其中，公式四中的i、N与公式二中的定义相同，这里不再赘述。order_price表示用户每天的消费金额，表示用户最近预设时间段的N天中的消费金额总和(单位例如为元等)。

S220、根据用户在多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

作为示例，每个预定维度上例如可以分别包括多个预设等级(如两个、三个或更多个)。此外，不同维度上的预设等级数目可以相同，也可以不同。

作为示例，步骤S220中获得用户分类的步骤例如可以通过如下处理实现：根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。其中，上述获得与该用户在各预定维度上的维度等级相对应的用户分类的过程例如可以采用hashmap方式实现。

例如，可以通过聚类的方式来获得预定RFM模型的各个预定维度上的预设等级。

举例来说，假设预定RFM模型包括近度R、点击频度C、消费频度F和额度M四个预定维度。在近度R上，假设通过对各个用户在近度R上的对应值进行聚类处理后共得到两类，则可以将预定RFM模型在近度R上的预设等级数目设为2；在点击频度C上，假设通过对各个用户在点击频度C上的对应值进行聚类处理后共得到三类，则可以将预定RFM模型在点击频度C上的预设等级数目设为3；在消费频度F上，假设通过对各个用户在消费频度F上的对应值进行聚类处理后共得到四类，则可以将预定RFM模型在消费频度F上的预设等级数目设为4；而在额度M上，假设通过对各个用户在额度M上的对应值进行聚类处理后共得到两类，则可以将预定RFM模型在额度M上的预设等级数目设为2。应当理解的是，各个预定维度上的预设等级数目并不限于以上例子中所采用的具体数值，也可以是其他数值。此外，需要说明的是，该例子中所说的“各个用户”例如是最近预定时间段内访问过该电商网站的所有用户或至少部分用户。

此外，例如可以通过聚类的方式来获得用户在各预定维度上的维度等级。换句话说，当通过对所有用户在预定RFM模型的各个预定维度上的对应值进行聚类处理后，能够在获得每个预定维度的预设等级数目的同时获得每个用户在每个预定维度上的维度等级。

举例来说，仍假设预定RFM模型包括近度R、点击频度C、消费频度F和额度M四个预定维度，并通过聚类得到上述各个维度的预设等级数目。下面以近度R为例来说明上述聚类的过程：假设共有100个用户，通过对该100个用户在近度R上的对应值进行聚类后得到两类，即第一近度等级和第二近度等级，假设该100个用户中的82个用户在近度R上的对应值聚类后为第一近度等级，而其余18个用户在近度R上的对应值聚类后为第二近度等级，且第一近度等级的等级高于第二近度等级的等级(表示第一近度等级的用户最近一次消费时间距离统计截止时间点较近，而第二近度等级的用户最近一次消费时间距离统计截止时间点较远)。其余CFM各预定维度上的聚类过程与近度R上的聚类过程类似，这里不再一一赘述。

这样，针对每个用户，在得到该用户在各预定维度上的维度等级之后，例如可以根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

作为示例，针对每个用户，在向该用户推荐和/或推送对应利润和/或转化率的商品的步骤中，例如可以根据该用户的用户偏好来在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。其中，根据用户的用户偏好来确定用户可能感兴趣的商品的过程例如可以采用现有技术实现，这里不再赘述。

举例来说，假设针对某个用户，根据该用户的用户偏好获得该用户可能感兴趣的50个商品，假设得到该用户的用户分类和对应的推荐模式，则可以在这50个商品中再选出与该用户对应的推荐模式相符合的商品，假设上述50个商品中选出10个与该用户对应的推荐模式相符合的商品，则将这10个商品最终推荐给该用户。

作为示例，针对每个用户，在向该用户推荐和/或推送对应利润和/或转化率的商品的步骤中，例如可以按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

作为示例，每个预定推荐模式例如可以包括该推荐模式所对应的商品利润属性和/或商品转化率属性。其中，商品利润属性例如包括但不限于：高毛利、中等毛利或低毛利。此外，商品转化率属性例如包括但不限于：高转化率、中等转化率或低转化率。

作为示例，每个预定推送模式例如可以包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。其中，每个预定推送模式对应的推送频率包括但不限于预设高频和预设低频。

作为示例，对所有用户或至少部分用户在预定RFM模型的各个预定维度上的对应值进行聚类以获得各预定维度的维度等级、以及由此获得用户分类的过程可以采用离线异步方式计算，这样，通过离线(即线下)异步计算，节省了线上资源和计算时间，能够保证线上使用的稳定性。而在线上使用时，可以响应于用户在线上发送的请求而开始执行推荐/推送场景。换句话说，通过离线异步计算获得最近预定时间段内访问过该电商网站的所有用户或至少部分用户在各预定维度上的对应值(或对应的维度等级，或用户分类)，而在线上应用期间，若上述所有用户或至少部分用户的任一用户发起了请求，响应于该请求而向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。举例来说，可以首先从分布式数据库中查询到所有用户的所有行为，载入到分布式内存计算单元，在此完成用户在各预定维度上等级的计算，其中，在分布式内存计算框架中，可以使用K-Mean聚类方式分别在R、C、F、M四个维度上对所有用户分别划分成x个等级，通常x＝2，分别为0和1，其中0表示低，1表示高，并将分类结果放入分布式缓存；然后将结果输送到分布式缓存，基于分布式缓存的数据，根据各个用户在各个维度的不同等级计算出用户分类；线上使用时，用户请求后，进入推荐系统的场景，从分布式集群的缓存体系获取用户分类，根据不同的分类执行不同的推荐模式和/或推送模式。

在一个例子中，假设预定RFM模型包括近度R、点击频度C、消费频度F和额度M四个预定维度，并假设各个预定维度均包括两个预设等级，如表2所示，给出了一种可能的用户分类及对应的推荐/推送模式。

表2.四个预定维度情况下用户分类的推荐/推送模式的示例(16类)

下面，结合表2来描述本公开实施例的多种可能的用户分类及对应的推荐/推送模式。应当理解的是，虽然表2中同时给出了这些用户分类和推荐/推送模式，但这些用户分类和推荐/推送模式分别是可选的、而非必须的。换句话说，在本公开的实施例中，可以设置表2中的全部用户分类，也可以仅设置其中部分用户分类；此外，在本公开的实施例中，可以设置表2中的全部推荐/推送模式，或者可以仅设置其中部分推荐/推送模式。例如，可以将用户账号以及用户分类以键值对方式存储，供在线推荐服务使用。表2中，低频例如表示每两周推送一次，高频例如表示每周推送一次，毛利例如分高中低三档，转化率例如分高中低三档，分别使用K-Mean将商品划分为三档。

作为示例，向部分或全部用户中的每个用户推荐的商品可以是与该用户的用户偏好相一致的，用户偏好例如包括但不限于用户浏览历史和/或已知用户兴趣分类等。

作为示例，例如可以将在近度R上的维度等级为第一预设等级、在点击频度C上的维度等级为第一预设等级、在消费频度F上的维度等级为第一预设等级、且在额度M上的维度等级为第一预设等级的用户确定为第一类用户，以在第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。其中，第一预设等级是对应维度上最高的等级。第一预定毛利的值例如可以根据经验值设定，或通过试验的方式来确定。如表2所示，该示例中的第一类用户可以是表2中的核心价值用户，在其对应的推荐模式中向其推荐的高于第一预定毛利的商品例如是表2中的高毛利商品，可选地，这些高毛利商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。第二预定毛利小于第一预定毛利。如表2所示，该示例中的第二类用户例如是表2中的重要价值用户，在其对应的推荐模式中向其推荐的高于第二预定毛利、且低于第一预定毛利的商品例如是表2中的中等毛利商品，可选地，推荐的这些中等毛利商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。如表2所示，该示例中的第三类用户例如是表2中的核心发展用户，在其对应的推荐模式中向其推荐的高于第一预定毛利的商品例如是表2中的高毛利商品，可选地，推荐的这些高毛利商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在上述第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。其中，低于第一预设频率的频率例如是表2中的低频(相当于上文所描述的预设低频)，推送的这些高于第一预定毛利的商品例如是表2中的高毛利商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。如表2所示，该示例中的第四类用户例如是表2中的重要保持用户，在其对应的推荐模式中向其推荐的高于第二预定毛利、且低于第一预定毛利的商品例如是表2中的中等毛利商品，可选地，推荐的这些中等毛利商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在上述第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。高于第一预设频率的频率例如是表2中的高频(相当于上文所描述的预设高频)，推送的这些低于第一预设转化率、且高于第二预设转化率的商品例如是表2中的中等转化商品。其中，第二预设转化率低于第一预设转化率。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户。如表2所示，该示例中的第五类用户例如是表2中的潜在流失核心用户。可选地，第五类用户对应的推荐商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品，推送的这些低于第一预设转化率、且高于第二预设转化率的商品例如是表2中的中等转化商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。如表2所示，该示例中的第六类用户例如是表2中的一般发展用户，在其对应的推荐模式中向其推荐的高于第一预设转化率的商品例如是表2中的高转化商品，可选地，推荐的这些高转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品，如高转化商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。如表2所示，该示例中的第七类用户例如是表2中的一般保持用户，在其对应的推荐模式中向其推荐的高于第一预设转化率的商品例如是表2中的高转化商品，可选地，推荐的这些高转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品，如高转化商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。如表2所示，该示例中的第八类用户例如是表2中的重要挽留用户，在其对应的推荐模式中向其推荐的高于第一预设转化率的商品例如是表2中的高转化商品，可选地，推荐的这些高转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。如表2所示，该示例中的第九类用户例如是表2中的潜在流失一般用户，在其对应的推荐模式中向其推荐的高于第一预设转化率的商品例如是表2中的高转化商品，可选地，推荐的这些高转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。如表2所示，该示例中的第十类用户例如是表2中的潜在流失价值用户，在其对应的推荐模式中向其推荐的低于第一预设转化率、且高于第二预设转化率的商品例如是表2中的中等转化商品，可选地，推荐的这些中等转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。其中，第十一类用户例如可以是表2中的潜在流失核心用户。可选地，可以在第十一类用户对应的推荐模式中向其推荐经过个性化筛选的商品(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。如表2所示，该示例中的第十二类用户例如是表2中的一般挽留用户，在其对应的推荐模式中向其推荐的高于第一预设转化率的商品例如是表2中的高转化商品，可选地，推荐的这些高转化商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

此外，作为示例，还可以在第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。如表2所示，该示例中的第十三类用户例如是表2中的潜在流失游客用户，可选地，第十三类用户对应的推荐商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。如表2所示，该示例中的第十四类用户例如是表2中的潜在蝗虫用户，在其对应的推荐模式中向其推荐的高于第一预定毛利的商品例如是表2中的高毛利商品，可选地，推荐的这些高毛利商品可以是经过个性化筛选的(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。如表2所示，该示例中的第十五类用户例如是表2中的潜在流失重要发展用户。此外，可选地，可以在第十五类用户对应的推荐模式中向其推荐经过个性化筛选的商品(如根据用户偏好得到的该用户可能感兴趣的商品)。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户，例如表2中的潜在流失一般挽留用户。可选地，可以在第十六类用户对应的推荐模式中向其推荐经过个性化筛选的商品(如根据用户偏好得到的该用户可能感兴趣的商品)。

应当理解的是，表2所示的例子仅用于说明和举例，而非用于限制本公开实施例的范围，在本公开的其他实施例中可以包括其他可能的用户分类方式及对应的可能的推荐/推送模式。例如，假设预定RFM模型包括近度R、点击频度C、消费频度F和额度M四个预定维度，并假设各个预定维度均分别包括三个预设等级(如高、中、低)，则可以包括81种用户分类以及对应的推荐/推送模式。又如，假设预定RFM模型包括上述四个预定维度，并假设上述四个预定维度依次分别包括二、二、三、三个等级，则可以包括36种用户分类以及对应的推荐/推送模式。

应当注意的是，在表1和表2中所提及的相同名称的用户分类并不表示同一种分类的用户，在不同示例中，用户分类应当结合具体表格参数以及相应描述来确定。比如，表1中的“重要价值用户”对应的是基于传统RFM模型划分所得的近度R、消费频度F和额度M三个维度的等级均为“高”的用户，而表2中的“重要价值用户”对应的是基于本公开实施例的RFM模型划分所得的近度R、消费频度F和额度M三个维度的等级均为“高”、但点击频度C维度等级为“低”的用户。

举例来说，如图3以及表1所描述的基于传统RFM模型划分的用户分类中，如表1中的“重要价值用户”，即近度R、消费频度F和额度M三个维度的等级均为“高”的用户，基于传统RFM模型仅能将这些“近度R、消费频度F和额度M三个维度的等级均为高的用户”作为同一类的用户考虑(当然，现有的电商推荐技术也没有考虑这些因素)，而本公开实施例的技术方案在R、F、M三个维度基础上，额外考虑了点击频度C这个维度，使得用户分类能够进一步细分。如对于上述“近度R、消费频度F和额度M三个维度的等级均为高的用户”，利用本公开所采用的RFM模型，则可以进一步将这些用户划分成多类(至少两类，具体依据点击频度上的预设等级数目确定)，比如，参考表2，近度R、消费频度F和额度M三个维度的等级均为高、且点击频度C维度等级也为高的用户可以作为一类用户(如表2中的核心价值用户)，而近度R、消费频度F和额度M三个维度的等级均为高、但点击频度C维度等级为“低”的用户则可以作为另一类用户(如表2中的重要价值用户)；除此之外，在其他实施例中，例如点击频度上的预设等级数目为3或更大的数值，则可以将“近度R、消费频度F和额度M三个维度的等级均为高的用户”细分为更多不同类型用户。

以表2所示的核心价值用户和重要价值用户为例，这两类用户在表1中属于同一类(即表1中的重要价值用户)，在本公开的实施例中可以对于这两类用户分别执行不同推荐/推送模式，比如，对核心价值用户推荐高毛利商品，而对重要价值用户推荐中等毛利商品。应当说明的是，在其他实施例，对于不同用户分类所执行的推荐模式/推送模式也可以变化，而不限于表2所示的模式。此外，还需要说明的是，基于RFM模型的用户分类方式也不限于表2所示的分类，例如，当近度R、点击频度C、消费频度F和额度M中每个维度具有更多等级时，相应地，用户分类也将更多，对于更多数目的用户分类所执行的推荐/推送模式，可以通过试验的方式确定。

举例来说，对于基于RFM模型得到的多个用户分类(如2个或更多个)，可以对这多个用户分类每一个分别执行如下处理来确定其对应的推荐模式：在第一测试时间段内，向该用户分类对应用户推荐最高等级毛利商品(和/或最高等级转化率商品)；第一测试时间段结束后，若对该用户分类所推荐的最高等级毛利商品和/或最高等级转化率商品的总利润(如毛利)高于或等于第一阈值(和/或总转化率高于或等于第一转化率阈值)，则将该用户分类对应的推荐模式确定为“推荐最高等级毛利(和/或转化率)商品”，否则，继续在第二测试时间段内向该用户分类对应用户推荐第二等级毛利(和/或转化率)商品；第二测试时间段结束后，若对该用户分类所推荐的第二等级毛利(和/或转化率)商品的总利润(如毛利)高于或等于第二阈值(和/或总转化率高于或等于第二转化率阈值)，则该用户分类对应的推荐模式确定为“推荐第二等级毛利(和/或转化率)商品”，否则，继续测试，依此类推。

此外，可选地，还可以对基于RFM模型得到的多个用户分类中的每一个采用如下方式来确定其对应的推送模式：在第一测试时间段内，向该用户分类对应的两组用户分别以第一频率和第二频率推送最高等级毛利(和/或转化率)商品；第一测试时间段结束后，若对该用户分类两组用户中至少一组所推荐的最高等级毛利(和/或转化率)商品的总利润(如毛利)高于或等于第一阈值(或总转化率高于或等于第一转化率阈值)，则将该用户分类对应的推送模式确定为“推送最高等级毛利(和/或转化率)商品”，其中推送的频率选择对应总利润(如毛利)或总转化率较高的那一组用户所采用的频率(即第一频率或第二频率)；若第一测试时间段结束后，该用户分类两组用户所推送的最高等级转化率商品的总利润(如毛利)均低于第一阈值(或总转化率均低于第一转化率阈值)，则继续后续测试；后续测试中，在第二测试时间段内，向该用户分类对应两组用户分别以第一频率和第二频率推送第二等级毛利(和/或转化率)商品；第二测试时间段结束后，若对该用户分类两组用户中至少一组所推送的第二等级毛利(和/或转化率)商品的总利润(如毛利)高于或等于第二阈值(和/或总转化率高于或等于第二转化率阈值)，则该用户分类对应的推送模式确定为“推送第二等级毛利(和/或转化率)商品”，否则，继续测试，依此类推。

其中，第一阈值和第二阈值、第一转化率阈值和第二转化率阈值、以及第一频率和第二频率等例如为预设的，可以根据经验值设定。

由此可见，本公开的实施例实际挖掘了近度R、点击频度C、消费频度F和额度M这四个维度综合与商品利润和/或转化率之间的联系，这种联系是现有技术从未考虑的。这样，本公开通过考虑用户价值与商品利润和/或转化率之间的联系而对不同用户价值的用户分类实施不同的推荐/推送方案，使得推荐和/或推送的商品能够带给电商的利益最大化(如可以提高利润和/或提高转化率等)。

此外，根据本公开实施方式的上述技术方案，其在考虑用户价值与商品利润和/或转化率之间的联系而对不同用户价值的用户分类实施不同的推荐/推送方案的基础上，采用了RFM模型进行用户分类，而基于RFM模型所得到的用户分类在R、F、M三个维度基础上还考虑了点击频度C，使得相比采用传统RFM模型能够更加细分用户分类，并使得细分后的用户分类(也即采用包括近度R、点击频度C、消费频度F和额度M四个维度的RFM模型得到的用户分类)与商品利润和/或转化率之间的联系更为准确，进而基于该联系所构建的推荐方案能够进一步提高电商利润和/或转化率。例如，如表2所示，在本公开的实施例中可以对核心价值用户推荐高毛利商品，而对重要价值用户推荐中等毛利商品，实际应用中显示表2中的核心价值用户对于高毛利商品的转化率(或消费的可能性)要高于表2中的重要价值用户，若对这两类用户采用同样的推荐模式，则无法使得转化率和/或利润最高。

通过以上描述可知，本公开的实施例例如可以在基于用户偏好的同时，根据用户在多个预定维度(如R、F、M三个维度，或R、C、F、M四个维度，等等)的不同用户价值属性，对推荐结果进行基于RFM模型策略重排序，从而实现电商网站效益最大化。

此外，本公开的实施例结合了电商网站点击行为，扩展了传统RFM模型，提出了改进后的RFM模型(即包含近度R、点击频度C、消费频度F和额度M四个预定维度的RFM模型)。由此，根据本公开实施方式的上述技术方案能够在考虑用户价值与商品利润和/或转化率之间的联系而对不同用户价值的用户分类实施不同的推荐/推送方案的基础上，采用改进后的RFM模型进行用户分类，而基于上述改进后的RFM模型所得到的用户分类由于考虑了点击频度C，使得用户分类在R、F、M三个维度基础上还考虑了点击频度，使得相比采用传统RFM模型能够更加细分用户分类，并使得细分后的用户分类(也即采用上述改进后的RFM模型得到的用户分类)与商品利润和/或转化率之间的联系更为准确，进而基于该联系所构建的推荐方案能够进一步提高电商利润和/或转化率。

此外，本公开的实施例能够根据不同的用户分类，加入对应的推送模式，以实现用户召回策略。

此外，对于表二中的特定用户(需要推送的用户)，本公开的实施例例如可以执行个性化推荐和推送模式(即主动推送策略)，有利于促使这类用户向价值用户转化，促进电商网站的活跃度。对于即将流失用户或已经流失用户，本公开的实施例例如可以通过执行定时推送，可以有效激活一部分这类用户，降级电商网站的用户流失率。

示例性装置

在介绍了本发明示例性实施方式的基于RFM模型的电商推荐/推送方法之后，接下来，参考图4对本发明示例性实施方式的基于RFM模型的电商推荐/推送装置进行说明。

参见图4，示意性地示出了根据本发明一实施例的基于RFM模型的电商推荐/推送装置的结构示意图，该装置可以设置于终端设备中，例如，该装置可以设置于台式计算机、笔记型计算机、智能移动电话以及平板电脑等智能电子设备中；当然，本发明实施方式的装置也可以设置于服务器中。本发明实施方式的装置400可以包括下述组成单元：获取单元410、计算单元420和推荐/推送单元430。其中，获取单元410适于获取用户在预定电商网站中的行为数据；计算单元420适于根据该用户的行为数据计算该用户在预定RFM模型中多个预定维度上的对应值；推荐/推送单元430适于根据用户在多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

作为示例，用户在预定电商网站中的行为数据例如包括但不限于下单事件数据和点击事件数据。

其中，下单事件数据例如可以包括对应的用户账号、下单时间和下单金额，而点击事件数据例如可以包括对应的用户账号和点击时间。

作为示例，获取单元410可以通过如下处理来获取用户在预定电商网站中的行为数据：获取预定电商网站预定时间内的日志数据流；通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及该用户的每条点击日志中的用户账户和点击时间。

作为示例，获取单元410例如可以将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。例如，获取单元410可以通过消息队列来实时获取日志数据流。

作为示例，预定RFM模型例如包括但不限于如下四个维度：近度、点击频度、消费频度和额度。每个预定维度例如可以分别包括多个预设等级。

作为示例，推荐/推送单元430可以通过如下处理来获得用户的用户分类：根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

作为示例，推荐/推送单元430例如可以通过聚类方式获得预定RFM模型的各个预定维度上的预设等级数目。

作为示例，推荐/推送单元430例如也可以通过聚类方式来获得用户在各预定维度上的维度等级。

其中，推荐/推送单元430例如可以通过如下处理来获得每个用户的用户分类所对应的推荐模式和/或推送模式：针对每个用户，根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

每个预定推荐模式例如可以包括该推荐模式所对应的商品利润属性和/或商品转化率属性。

作为示例，推荐/推送单元430例如可以通过如下处理来向用户推荐和/或推送对应利润和/或转化率的商品：根据用户的用户偏好，在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。

每个预定推送模式例如可以包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。

作为示例，推荐/推送单元例如可以通过如下处理来向用户推荐和/或推送对应利润和/或转化率的商品：按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

其中，商品利润属性可以包括但不限于高毛利、中等毛利或低毛利。

此外，商品转化率属性可以包括但不限于高转化率、中等转化率或低转化率。

此外，每个预定推送模式对应的推送频率可以包括但不限于预设高频和预设低频。

作为示例，推荐/推送单元430例如可以响应于用户在线上发送的请求，执行推荐/推送场景，以向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。

作为示例，计算单元420例如可以采用离线异步方式来计算用户在预定RFM模型中多个预定维度上的对应值或维度等级。

作为示例，推荐/推送单元430例如可以根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，采用hashmap方式来获得与该用户在各预定维度上的维度等级相对应的用户分类。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第一类用户，以在第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

作为示例，例如可以在第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。

作为示例，例如可以在第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户，以在第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

作为示例，例如可以在第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

作为示例，例如可以在第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

作为示例，例如可以在第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

作为示例，例如可以在第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以在第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

作为示例，例如可以在第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

作为示例，例如可以将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户。

作为示例，向部分或全部用户中的每个用户推荐的商品例如是与该用户的用户偏好相一致的。

应当说明的是，根据本公开实施例的基于RFM模型的电商推荐/推送装置中的单元或组成部分可以执行与上文结合图2和图3描述的基于RFM模型的电商推荐/推送方法中的对应步骤或子步骤相类似的处理，并能够实现相类似的功能和技术效果，这里不再一一赘述。

图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器50的框图。图5显示的计算机系统/服务器50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统/服务器50以通用计算设备的形式表现。计算机系统/服务器50的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。

计算机系统/服务器50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)5021和/或高速缓存存储器5022。计算机系统/服务器50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM5023可以用于读写不可移动的、非易失性磁介质(图5中未显示，通常称为“硬盘驱动器”)。尽管未在图5中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。系统存储器502中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块5024的程序/实用工具5025，可以存储在例如系统存储器502中，且这样的程序模块5024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块5024通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器50也可以与一个或多个外部设备504(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口505进行。并且，计算机系统/服务器50还可以通过网络适配器506与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器506通过总线503与计算机系统/服务器50的其它模块(如处理单元501等)通信。应当明白，尽管图5中未示出，可以结合计算机系统/服务器50使用其它硬件和/或软件模块。

处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如，执行并实现基于RFM模型的电商推荐/推送方法中的各步骤；例如，获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；根据用户在多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品；各步骤的具体实现方式在此不再重复说明。

本发明实施方式的计算机可读存储介质一个具体例子如图6所示。

图6的计算机可读存储介质为光盘600，其上存储有计算机程序(即程序产品)，该程序被处理器执行时，会实现上述方法实施方式中所记载的各步骤，例如，获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；根据用户在多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品；各步骤的具体实现方式在此不再重复说明。

应当注意，尽管在上文详细描述中提及了基于RFM模型的电商推荐/推送装置的若干单元、模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

综上，在根据本公开的实施例中，本公开提供了如下方案，但不限于此：

方案1.一种基于RFM模型的电商推荐/推送方法，其特征在于包括：

获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；

根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

方案2.根据方案1所述的电商推荐/推送方法，其中，用户在预定电商网站中的行为数据包括下单事件数据和点击事件数据；所述下单事件数据包括对应的用户账号、下单时间和下单金额；以及所述点击事件数据包括对应的用户账号和点击时间。

方案3.根据方案1或2所述的电商推荐/推送方法，其中，所述获取用户在预定电商网站中的行为数据的步骤包括：

获取预定电商网站预定时间内的日志数据流；

通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及得到该用户的每条点击日志中的用户账户和点击时间。

方案4.根据方案3所述的电商推荐/推送方法，其中，将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。

方案5.根据方案4所述的电商推荐/推送方法，其中，日志数据流是通过消息队列实时获取的。

方案6.根据方案1-5中任一项所述的电商推荐/推送方法，其中，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度。

方案7.根据方案1-6中任一项所述的电商推荐/推送方法，其中，每个预定维度分别包括多个预设等级。

方案8.根据方案7所述的电商推荐/推送方法，其中，所述根据用户在所述多个预定维度上的对应值，获得该用户的用户分类的步骤包括：

根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；

根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

方案9.根据方案8所述的电商推荐/推送方法，其中：

预定RFM模型的各个预定维度上的预设等级数目是通过聚类方式获得的；和/或

用户在各预定维度上的维度等级是通过聚类方式获得的。

方案10.根据方案7-9中任一项所述的电商推荐/推送方法，其中，针对每个用户，通过如下处理来获得该用户的用户分类所对应的推荐模式和/或推送模式：

根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

方案11.根据方案10所述的电商推荐/推送方法，其中，每个预定推荐模式包括该推荐模式所对应的商品利润属性和/或商品转化率属性。

方案12.根据方案11所述的电商推荐/推送方法，其中，所述向该用户推荐和/或推送对应利润和/或转化率的商品的步骤包括：

根据该用户的用户偏好，在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。

方案13.根据方案10所述的电商推荐/推送方法，其中，每个预定推送模式包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。

方案14.根据方案13所述的电商推荐/推送方法，其中，所述向该用户推荐和/或推送对应利润和/或转化率的商品的步骤包括：

按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

方案15.根据方案11-14中任一项所述的电商推荐/推送方法，其中，商品利润属性包括高毛利、中等毛利或低毛利。

方案16.根据方案11-15中任一项所述的电商推荐/推送方法，其中，商品转化率属性包括高转化率、中等转化率或低转化率。

方案17.根据方案11-16中任一项所述的电商推荐/推送方法，其中，每个预定推送模式对应的推送频率包括预设高频和预设低频。

方案18.根据方案1-17中任一项所述的电商推荐/推送方法，其中，响应于用户在线上发送的请求，执行推荐/推送场景，以向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。

方案19.根据方案1-18中任一项所述的电商推荐/推送方法，其中，采用离线异步方式计算用户在预定RFM模型中多个预定维度上的对应值或维度等级。

方案20.根据方案8所述的电商推荐/推送方法，其中，根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，采用hashmap方式来获得与该用户在各预定维度上的维度等级相对应的用户分类。

方案21.根据方案6所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第一类用户，以在所述第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案22.根据方案6或21所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在所述第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；

其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。

方案23.根据方案6、21和22中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在所述第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案24.根据方案23所述的电商推荐/推送方法，其中，在所述第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。

方案25.根据方案6和21-24中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在所述第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。

方案26.根据方案25所述的电商推荐/推送方法，其中，在所述第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案27.根据方案6和21-26中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户，以在所述第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案28.根据方案6和21-27中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在所述第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案29.根据方案28所述的电商推荐/推送方法，其中，在所述第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案30.根据方案6和21-29中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在所述第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案31.根据方案30所述的电商推荐/推送方法，其中，在所述第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案32.根据方案6和21-31中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在所述第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案33.根据方案32所述的电商推荐/推送方法，其中，在所述第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案34.根据方案6和21-33中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在所述第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案35.根据方案34所述的电商推荐/推送方法，其中，在所述第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

方案36.根据方案6和21-35中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在所述第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。

方案37.根据方案36所述的电商推荐/推送方法，其中，在所述第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案38.根据方案6和21-37中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在所述第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案39.根据方案6和21-38中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在所述第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案40.根据方案39所述的电商推荐/推送方法，其中，在所述第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案41.根据方案6和21-40中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。

方案42.根据方案6和21-41中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在所述第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案43.根据方案6和21-42中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在所述第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案44.根据方案6和21-43中任一项所述的电商推荐/推送方法，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户。

方案45.根据方案6和21-44中任一项所述的电商推荐/推送方法，其中，向部分或全部用户中的每个用户推荐的商品是与该用户的用户偏好相一致的。

方案46.一种存储有程序的存储介质，所述程序被处理器执行时实现如方案1到45中的任一项所述的基于RFM模型的电商推荐/推送方法。

方案47.一种基于RFM模型的电商推荐/推送装置，其特征在于包括：

获取单元，适于获取用户在预定电商网站中的行为数据；

计算单元，适于根据该用户的所述行为数据计算该用户在预定RFM模型中多个预定维度上的对应值；

推荐/推送单元，适于根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

方案48.根据方案47所述的电商推荐/推送装置，其中，用户在预定电商网站中的行为数据包括下单事件数据和点击事件数据；所述下单事件数据包括对应的用户账号、下单时间和下单金额；以及所述点击事件数据包括对应的用户账号和点击时间。

方案49.根据方案47或48所述的电商推荐/推送装置，其中，所述获取单元适于通过如下处理来获取用户在预定电商网站中的行为数据：

获取预定电商网站预定时间内的日志数据流；

通过对获取的日志数据流进行分布式数据解析，以解析得到该用户的每条下单日志中的用户账号、下单时间和下单金额，以及得到该用户的每条点击日志中的用户账户和点击时间。

方案50.根据方案49所述的电商推荐/推送装置，其中，所述获取单元适于将获取的日志数据流发送到预定集群进行分布式数据解析，并将解析得到的用户的每条下单日志中的用户账号、下单时间和下单金额以及每条点击日志中的用户账户和点击时间存储到分布式数据库。

方案51.根据方案50所述的电商推荐/推送装置，其中，所述获取单元适于通过消息队列来实时获取所述日志数据流。

方案52.根据方案47-51中任一项所述的电商推荐/推送装置，其中，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度

方案53.根据方案47-52中任一项所述的电商推荐/推送装置，其中，每个预定维度分别包括多个预设等级。

方案54.根据方案53所述的电商推荐/推送装置，其中，所述推荐/推送单元适于通过如下处理来获得用户的用户分类：

根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；

根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

方案55.根据方案54所述的电商推荐/推送装置，其中，所述推荐/推送单元适于：

通过聚类方式获得预定RFM模型的各个预定维度上的预设等级数目；和/或

通过聚类方式来获得用户在各预定维度上的维度等级。

方案56.根据方案53-55中任一项所述的电商推荐/推送装置，其中，所述推荐/推送单元适于通过如下处理来获得每个用户的用户分类所对应的推荐模式和/或推送模式：

针对每个用户，根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

方案57.根据方案56所述的电商推荐/推送装置，其中，每个预定推荐模式包括该推荐模式所对应的商品利润属性和/或商品转化率属性。

方案58.根据方案57所述的电商推荐/推送装置，其中，所述推荐/推送单元适于通过如下处理来向用户推荐和/或推送对应利润和/或转化率的商品：

根据用户的用户偏好，在该用户可能感兴趣的商品中选择与该用户对应的推荐模式相符合的商品来向该用户推荐。

方案59.根据方案56-58中任一项所述的电商推荐/推送装置，其中，每个预定推送模式包括该推送模式所对应的推送频率以及商品利润属性和/或商品转化率属性。

方案60.根据方案59所述的电商推荐/推送装置，其中，所述推荐/推送单元适于：

按照与该用户对应的推荐模式相符合的推送频率，向该用户推送与该推荐模式相符合的商品。

方案61.根据方案57-60中任一项所述的电商推荐/推送装置，其中，商品利润属性包括高毛利、中等毛利或低毛利。

方案62.根据方案57-61中任一项所述的电商推荐/推送装置，其中，商品转化率属性包括高转化率、中等转化率或低转化率。

方案63.根据方案55-62中任一项所述的电商推荐/推送装置，其中，每个预定推送模式对应的推送频率包括预设高频和预设低频。

方案64.根据方案47-63中任一项所述的电商推荐/推送装置，其中，所述推荐/推送单元适于响应于用户在线上发送的请求，执行推荐/推送场景，以向该用户推荐与其对应的推荐模式相符合的商品，以及/或向该用户推送与其对应的推送模式相符合的商品。

方案65.根据方案47-64中任一项所述的电商推荐/推送装置，其中，所述计算单元适于采用离线异步方式来计算用户在预定RFM模型中多个预定维度上的对应值或维度等级。

方案66.根据方案54所述的电商推荐/推送装置，其中，所述推荐/推送单元适于根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，采用hashmap方式来获得与该用户在各预定维度上的维度等级相对应的用户分类。

方案67.根据方案52所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第一类用户，以在所述第一类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案68.根据方案52或67所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第二类用户，以在所述第二类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品；

其中，第二预设等级低于第一预设等级，且预设等级越高对应的值越高。

方案69.根据方案52、67和68中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第三类用户，以在所述第三类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案70.根据方案69所述的电商推荐/推送装置，其中，在所述第三类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预定毛利的商品。

方案71.根据方案52和67-70中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第四类用户，以在所述第四类用户对应的推荐模式中向其推荐高于第二预定毛利、且低于第一预定毛利的商品。

方案72.根据方案71所述的电商推荐/推送装置，其中，在所述第四类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案73.根据方案52和67-72中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第一预设等级的用户确定为第五类用户，以在所述第五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案74.根据方案52和67-73中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第六类用户，以在所述第六类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案75.根据方案74所述的电商推荐/推送装置，其中，在所述第六类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案76.根据方案52和67-75中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第七类用户，以在所述第七类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案77.根据方案76所述的电商推荐/推送装置，其中，在所述第七类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案78.根据方案52和67-77中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第八类用户，以在所述第八类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案79.根据方案78所述的电商推荐/推送装置，其中，在所述第八类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案80.根据方案52和67-79中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第九类用户，以在所述第九类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案81.根据方案80所述的电商推荐/推送装置，其中，在所述第九类用户对应的推送模式中向其以高于第一预设频率的频率推送高于第一预设转化率的商品。

方案82.根据方案52和68-81中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十类用户，以在所述第十类用户对应的推荐模式中向其推荐低于第一预设转化率、且高于第二预设转化率的商品。

方案83.根据方案82所述的电商推荐/推送装置，其中，在所述第十类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案84.根据方案52和67-83中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十一类用户，以在所述第十一类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案85.根据方案52和67-84中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第一预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十二类用户，以在所述第十二类用户对应的推荐模式中向其推荐高于第一预设转化率的商品。

方案86.根据方案85所述的电商推荐/推送装置，其中，在所述第十二类用户对应的推送模式中向其以低于第一预设频率的频率推送高于第一预设转化率的商品。

方案87.根据方案52和67-84中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第一预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十三类用户。

方案88.根据方案52和67-87中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第一预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十四类用户，以在所述第十四类用户对应的推荐模式中向其推荐高于第一预定毛利的商品。

方案89.根据方案52和67-88中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第一预设等级的用户确定为第十五类用户，以在所述第十五类用户对应的推送模式中向其以高于第一预设频率的频率推送低于第一预设转化率、且高于第二预设转化率的商品。

方案90.根据方案52和67-89中任一项所述的电商推荐/推送装置，其中，将在近度上的维度等级为第二预设等级、在点击频度上的维度等级为第二预设等级、在消费频度上的维度等级为第二预设等级、且在额度上的维度等级为第二预设等级的用户确定为第十六类用户。

方案91.根据方案52和67-90中任一项所述的电商推荐/推送装置，其中，向部分或全部用户中的每个用户推荐的商品是与该用户的用户偏好相一致的。

方案92.一种计算设备，包括如方案46所述的存储介质。

Claims (10)

1.一种基于RFM模型的电商推荐/推送方法，其特征在于包括：

获取用户在预定电商网站中的行为数据，以计算该用户在预定RFM模型中多个预定维度上的对应值；

根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

2.根据权利要求1所述的电商推荐/推送方法，其中，用户在预定电商网站中的行为数据包括下单事件数据和点击事件数据；所述下单事件数据包括对应的用户账号、下单时间和下单金额；以及所述点击事件数据包括对应的用户账号和点击时间。

3.根据权利要求1或2所述的电商推荐/推送方法，其中，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度。

4.根据权利要求1-3中任一项所述的电商推荐/推送方法，其中，每个预定维度分别包括多个预设等级。

5.根据权利要求4所述的电商推荐/推送方法，其中，所述根据用户在所述多个预定维度上的对应值，获得该用户的用户分类的步骤包括：

根据用户在各预定维度上的对应值，确定该用户在各预定维度上的维度等级；

根据预设的多个用户分类与各预定维度各自的多个预设等级之间的预设对应关系，获得与该用户在各预定维度上的维度等级相对应的用户分类。

6.根据权利要求1-5中任一项所述的电商推荐/推送方法，其中，针对每个用户，通过如下处理来获得该用户的用户分类所对应的推荐模式和/或推送模式：

根据预设的多个用户分类与多个预定推荐模式和/或多个预定推送模式之间的预设对应关系，获得与该用户的用户分类对应的推荐模式和/或推送模式。

7.根据权利要求1-6中任一项所述的电商推荐/推送方法，其中，向部分或全部用户中的每个用户推荐的商品是与该用户的用户偏好相一致的。

8.一种存储有程序的存储介质，所述程序被处理器执行时实现如权利要求1到7中的任一项所述的基于RFM模型的电商推荐/推送方法。

9.一种基于RFM模型的电商推荐/推送装置，其特征在于包括：

获取单元，适于获取用户在预定电商网站中的行为数据；

计算单元，适于根据该用户的所述行为数据计算该用户在预定RFM模型中多个预定维度上的对应值，所述预定RFM模型包括至少如下四个维度：近度、点击频度、消费频度和额度；

推荐/推送单元，适于根据用户在所述多个预定维度上的对应值，获得该用户的用户分类和对应的推荐模式和/或推送模式，以向该用户推荐和/或推送对应利润和/或转化率的商品。

10.一种计算设备，包括如权利要求8所述的存储介质。