CN110348946A - 一种商品推荐方法、装置、存储介质及设备 - Google Patents

Abstract

本发明涉及信息推荐技术领域，尤其涉及一种商品推荐方法、装置、存储介质及设备。所述商品推荐方法通过根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。本发明实现简单、时间周期短、成本低、可以自学习提高准确度。

Description

一种商品推荐方法、装置、存储介质及设备

技术领域

本发明涉及信息推荐技术领域，尤其涉及一种商品推荐方法、装置、存储介质及设备。

背景技术

随着电子商务规模的不断扩大，商品品类数量和各商品品类商品数量快速增长，由于信息量比较大，需要用户花费大量时间浏览大量无关的商品信息才能找到自己想要购买的商品，这种信息过载问题导致消费者不断流失，难以提高电子商务的购买转化率(购买转化率＝订单总数/登录次数)。因此，在电子商务中帮助用户快速决策提高购买转化率显得尤为重要。

现有的商品推荐系统前期需要收集大量的用户行为数据和业务数据，甚至需要多种数据源的支持才能满足特征的构建数据模块，训练数据生成之后若需要进一步优化数据模型，通常采用新增训练数据、重打标签等方法；而在B2B的电子商务中(B2B也有写成BTB，是Business-to-Business的缩写,是指企业与企业之间通过专用网络或Internet，进行数据信息的交换、传递，开展交易活动的商业模式)，用户数量、活跃度相对B2C少(B2C是Business-to-Consumer的缩写，中文简称为“商对客”，是电子商务的一种模式，也就是通常说的直接面向消费者销售产品和服务商业零售模式)；由于B2B的用户数量和用户活跃不如B2C，前期对用户行为数据收集相对困难，能采集的数据集规模也不大，要生成比较精准的推荐难度大；而且难以获取足够的数据喂养，优化周期长、难度比较大，影响优化后的数据模型的有效性。

发明内容

基于此，有必要针对上述问题，提出了一种商品推荐方法、装置、存储介质及设备。

第一方面，本发明提供了一种商品推荐方法，所述商品推荐方法包括：接收商品推荐请求，所述商品推荐请求中携带有用户标识；响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

第二方面，本发明还提供了一种商品推荐装置，包括:商品推荐请求管理模块，用于接收并响应商品推荐请求；商品埋点记录模块，用于记录商品浏览数据；商品购买记录模块，用于记录购买数据；商品评分模块，用于记录商品评分数据；个性化商品评分模块，用于根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分，根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分，根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分，根据商品推荐评分结果更新所述商品评分数据；个性化商品推荐模块，用于根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

第三方面，本发明还公开了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。

第四方面，本发明还提供了一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。

综上所述，本发明的商品推荐方法通过接收商品推荐请求，所述商品推荐请求中携带有用户标识；响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。本发明采用少量的用户标识对应的商品浏览数据及购买数据进行个性化商品评分，在不需大量数据源和数据集的情况下，能持续循环地进行自学习以使推荐结果越来越符合用户需求，不涉及机器学习方法，因此，本发明实现简单、时间周期短、成本低、可以自学习提高准确度。

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的前提下，还可以根据这些附图获得其他的附图。其中：

图1为一个实施例中商品推荐方法的个性化商品推荐的流程图；

图2为一个实施例中商品推荐方法的初始化商品评分的流程图；

图3为一个实施例中商品推荐方法的初始化商品评分的流程图；

图4为一个实施例中商品推荐方法的个性化商品评分的流程图；

图5为一个实施例中商品推荐方法的个性化商品品类活动推荐的流程图；

图6为一个实施例中商品推荐方法的初始化商品品类评分的流程图；

图7为一个实施例中商品推荐方法的初始化商品品类评分的流程图；

图8为一个实施例中商品推荐方法的个性化商品品类评分的流程图；

图9为一个实施例中商品推荐装置的结构框图；

图10为一个实施例中计算机设备的结构框图；

图11为一个实施例中计算机设备的结构框图。

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。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。

请参阅图1至图8，本实施例提供了一种商品推荐方法，该方法通过采用少量的用户标识对应的商品浏览数据及购买数据进行个性化商品评分，在不需大量数据源和数据集的情况下，能持续循环地进行自学习以使推荐结果越来越符合用户需求，不涉及机器学习方法，该方法实现简单、时间周期短、成本低、可以自学习提高准确度。请参阅图1，所述商品推荐方法具体包括如下步骤：

S1、接收商品推荐请求，所述商品推荐请求中携带有用户标识；

用户标识用于唯一标识一个用户，用户标识可以是用户名称、用户ID等可以用于唯一标识该用户的标识。

商品推荐请求是推荐商品的请求，该请求是通过用户终端发送的，该请求的触发可以是用户自动进行触发的，也可以是当检测到用户登录时，自主进行发送的。

S2、响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；

用户标识对应的商品浏览数据为该用户点击商品进入商品详情浏览的历史数据，具体包括：浏览日期、浏览具体时间、浏览商品名称、浏览商品的品类名称，所述浏览具体时间可以只记录到具体小时或记录到具体分钟或记录到具体秒，比如12点、12点10分、12点10分22秒。

用户标识对应的购买数据为该用户用户购买商品的历史数据，具体包括：用户标识、购买日期、购买具体时间、商品订单编号、购买商品名称、购买商品的品类名称；所述购买具体时间可以只记录到具体小时或记录到具体分钟或记录到具体秒，比如12点、12点10分、12点10分22秒。

用户标识对应的商品评分数据为该用户历史商品评分数据，包括：用户标识、商品名称、商品评分、商品评分更新日期。商品评分为数字，可以带小数点，比如：1.2、2.6、3.5，在本发明不作具体限定。

商品名称用于唯一标识的一个商品，并归属于至少一个商品品类名称，比如，爱牙店铺的商品中华牌中草药牙膏125g，对应的商品品类名称为牙膏、种草药牙膏、日用品，此处只举例，不作具体限定。

商品品类名称又称为商品类别名称，分类方法有：按照消费者的需求及特征划分或按照商场经营管理商品的角度划分。

S3、根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；

初始化商品评分用于对获取的历史商品评分数据进行初始化，进行数据去噪，提高数据有效性。

请参阅图2，在一个实施例中，所述步骤S3具体包括如下步骤：

S311、获取商品评分清理时间参数；

商品评分清理时间参数是指对获取到的商品评分数据清理时间和条件。一种实施例中，所述商品评分清理时间参数可以是一个具体的数值，比如30天或45天。该方法操作简单，而且可以还避免商品评分时效性对商品推荐方法推荐商品准确度的影响。

在另一个实施例中，所述商品评分清理时间参数还可以是带条件的数值，比如商品评分大于等于7分的清理时间为60天、商品评分大于等于4分并且小于7分的清理时间为45天、商品评分小于4分的清理时间为25天。延长分数较高的商品评分的清理周期，对用户更具有友好性，提高了用户的使用体验，增加了用户的粘性。

可以理解的是，所述商品评分清理时间参数还可以把上述两种方法结合使用，从而使商品推荐方法推荐商品更贴合用户的个性化需求，提高了用户的使用体验，增加了用户的粘性。

此处只举例说明，对商品评分清理时间参数在本发明不作具体限定。

S312、根据所述商品评分清理周期参数按预设的清理规则进行初始化商品评分。

通过初始化商品评分可以对商品评分数据去噪，减少失效或者效力较低的数据对对商品推荐方法推荐商品准确度的影响，从而提高了用户的使用体验，增加了用户的粘性。

S313、当预设的清理规则为赋予预设商品评分初始值时，将商品评分更新日期超过所述商品评分清理时间参数对应的所述商品评分数据更新为所述预设商品评分初始值，清理后的所述用户标识对应的商品评分数据即为初始化商品评分结果。

预设商品评分初始值用于对满足条件的商品评分进行初始化赋值，可以由管理类用户设置和调整；管理类用户是具有管理权限的用户，在管理权限范围内进行管理。在一个实施例中，预设商品评分初始值可以是一个具体的数值，比如3分或4分。该方法操作简单，通过降低已失效或者效力较低的数据的商品评分数据，保留用户个性化数据的情况下又进行了一定程度的数据去噪，使商品推荐方法推荐商品结果更符合该用户，从而提高了用户的使用体验，增加了用户的粘性。

在另一个实施例中，预设商品评分初始值还可以是带条件的数值，比如商品评分大于等于7分的商品评分降低2分、商品评分大于等于4分并且小于7分的商品评分降低2.5分、商品评分小于4分的商品评分降低3分。该方法操作简单，通过降低已失效或者效力较低的数据的商品评分数据，保留用户个性化数据的情况下又进行了一定程度的数据去噪，使商品推荐方法推荐商品结果更符合该用户，从而提高了用户的使用体验，增加了用户的粘性。

在另一个实施例中，所述预设商品评分初始值把上述两种方法结合使用，从而使商品推荐方法推荐商品更贴合用户的个性化需求和提高了推荐的准确度，提高了用户的使用体验，增加了用户的粘性。

此处只举例说明，对预设商品评分初始值在本发明不作具体限定。

S314、当预设的清理规则为直接清零时，将所述商品评分更新日期超过所述商品评分清理时间参数对应的商品评分数据全部更新为0分，清理后的所述用户标识对应的商品评分数据即为初始化商品评分结果；

将所述商品评分更新日期超过所述商品评分清理时间参数对应的商品评分数据全部更新为0分是指把满足条件的商品评分设置为0分，操作简单，从而使商品推荐方法推荐商品更贴合用户的个性化需求。

S315、重复步骤S313至步骤S414直至完成所述用户标识对应的商品评分数据涵盖的商品的初始化商品评分。

初始化商品评分根据获取的与所述用户标识对应的商品评分数据逐个按商品名称逐个商品进行；

请参阅图3，在另一个实施例中，所述步骤S3具体包括如下步骤：

S316、获取商品评分推荐赋值数据；

商品评分推荐赋值数据用于对商品评分进行赋值，可以由管理类用户设置和调整。在一个实施例中，商品评分推荐赋值数据可以是一个具体的数值，包括商品名称、商品评分。该方法操作简单，有利于管理类用户管理提高商品推荐方法的有效性。

在另一个实施例中，商品评分推荐赋值数据还可以是带条件的数值，比如商品评分大于等于7分时商品评分推荐赋值数据为现有商品评分加1分、商品评分大于等于4分并且小于7分时商品评分推荐赋值数据为现有商品评分加0.5分、商品评分小于4分时商品评分推荐赋值数据为现有商品评分。从而有利于管理类用户管理提高商品推荐方法的有效性。

在另一个实施例中，商品评分推荐赋值数据把上述两种方法结合使用，从而使商品评分推荐赋值数据有利于管理类用户管理提高商品推荐方法的有效性。

此处只举例说明，对商品评分推荐赋值在本发明不作具体限定。

S317、根据所述商品评分推荐赋值数据、所述用户标识对应的商品评分数据按推荐赋值规则进行初始化商品评分；

具体而言，所述商品评分推荐赋值数据是一个具体的数值，直接把该数值更新为商品评分，更新后的商品评分即为初始化商品评分结果；所述商品评分推荐赋值数据还可以是带条件的数值时，把满足条件的的商品评分进行赋值，更新后的商品评分即为初始化商品评分结果，比如：商品评分为7.2分时，满足商品评分大于等于7分时商品评分推荐赋值数据为现有商品评分加1分的条件，更新后的商品评分为8.2分，即7.2分加上1分。

S318、重复步骤S317直至完成所述用户标识对应的商品评分数据涵盖的商品的初始化商品评分。

初始化商品评分根据获取的与所述用户标识对应的商品评分数据逐个按商品名称逐个商品进行。

可以理解的是，在另一种实施例中，步骤S311至步骤S315的根据商品评分清理时间参数进行初始化商品评分、步骤S316至步骤S318根据商品评分推荐赋值数据进行初始化商品评分两种方式结合使用，从而进一步有利于管理类用户管理提高商品推荐方法的有效性。

S4、根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；

个性化商品评分为根据用户行为进行的商品评分，用于使商品推荐更符合该用户的需求。

请参阅图4，在一个实施例中，所述步骤S4具体包括如下步骤：

S411、根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则对商品分别进行个性化商品评分；

具体而言，个性化商品评分通过对该用户有浏览和购买的商品逐个进行评分。

S412、判断预设时间内是否有该商品的购买数据；

预设时间由管理类用户设置和修改，用于数据去噪提高个性化商品评分的时效性，可以为具体的日期和/或具体日期及具体时间，比如2019年1月1日以前或2019年1月1日0点0分以前；所述预设时间还可以为多少天以前，比如15天及以前。

S413、当预设时间内包含有该商品的购买数据时，则根据所述用户标识对应的预设时间内该商品的购买次数和预设时间内订单总数按预设的商品评分规则计算出该商品的个性化商品评分；

该用户在预设时间内该商品的购买次数是指该用户在预设时间内有多少个订单购买了该商品，订单中有购买该商品则记为1次购买，与购买多少数量的商品、多少类商品无关。

订单具有唯一标识，比如订单号，与购买多少数量的商品、多少类商品无关。订单总数按订单号统计；该用户在该用户在预设时间内订单总数用于统计预设时间内订单的总数。

在一个实施例中，所述步骤S413包括：

在另一个实施例中，所述步骤S413还包括：

M可以是一个具体的数值；M还可以是带条件的数值或计算公式，比如该用户在预设时间内该商品购买次数大于7次时M为2、该用户在预设时间内该商品购买次数大于等于4次并且小于7次时M为1、该用户在预设时间内该商品购买次数小于4次时M为0.5；M还可以把上述上述两种方法结合使用。此处只举例说明，M在本发明不作具体限定。从而有利于管理类用户管理提高商品推荐方法的有效性。

S414、当预设时间内没有该商品的购买数据时，则根据所述用户标识对应的预设时间内该商品的浏览次数和预设时间内商品浏览总数按预设的商品的评分规则计算出该商品的个性化商品评分。

该用户在预设时间内该商品的浏览次数是指该用户在预设时间内点开该商品浏览详情的次数。

该用户在预设时间内商品浏览总数是指该用户在预设时间内点开商品浏览详情的总数。

在一个实施例中，所述步骤S414包括：

在另一个实施例中，所述步骤S414还包括：

N可以是一个具体的数值；N还可以是带条件的数值或计算公式，比如该用户在预设时间内该商品浏览次数大于7次时N为1.5、该用户在预设时间内该商品浏览次数大于等于4次并且小于7次时N为0.8、该用户在预设时间内该商品浏览次数小于4次时N为0.3；N还可以把上述上述两种方法结合使用。此处只举例说明，N在本发明不作具体限定。从而有利于用户管理提高商品推荐方法的有效性。

S415、重复步骤S412至步骤S414直至完成用户标识对应的商品浏览数据、购买数据涵盖的商品的个性化商品评分。

由于B2B的用户对货源的稳定性要求比较高，购买习惯相对固定，频率相对相对B2C的用户少，预设的商品评分规则对已购买过的商品、浏览过的商品进行评分，从而使个性化商品评分更符合用户的习惯，商品推荐方法推荐商品的准确度。而且，通过量变到质变的过程累积，使商品推荐方法具有自学习的效果，进一步提高了商品推荐方法推荐商品的准确度。

S5、根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；

商品推荐评分用于后续选择推荐商品、推荐排序。商品推荐评分为数字，可以带小数点，比如：1.2、2.6、3.5，在本发明不作具体限定。

在一个实施例中，把该用户标识对应的初始化商品评分结果和用户标识对应的个性化商品评分结果相加得出商品推荐评分。实现简单，使商品推荐方法推荐的商品符合用户的个性化需求，又使商品推荐方法符合管理类用户管理推荐的需求。

在另一个实施例中，所述步骤S5包括：

商品推荐评分＝初始化商品评分×j+个性化商品评分×k

其中，j、k可以为具体数值，通过调整初始化商品评分和个性化商品评分的权重，便于管理类用户管理推荐的需求时根据不同时期的数据进行进一步的调整，从而进一步提高了商品推荐方法推荐商品的准确度。

S6、根据商品推荐评分结果更新所述商品评分数据；

具体而言，是把商品推荐评分更新为当前的商品评分，用于后续选择推荐商品、推荐排序。

S7、根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表；

具体而言，个性化商品推荐列表是指向响应此次商品展示请求向用户推荐商品的信息，包括按顺序排列的商品名称。在一个实施例中，对更新的所述商品评分数据按商品评分进行倒序或者顺序排序，根据排序结果按推荐预设数量生成个性化商品推荐列表，此处从商品评分高到商品评分低进行取值，生成的个性化商品推荐列表按所述商品评分顺序或者倒序依次排列。

在另一个实施例中，也可以在该用户对应的所述商品评分数据中设置排名，根据排名取出商品评分最高的推荐预设数量的商品评分生成个性化商品推荐列表。

S8、展示个性化商品推荐列表。

具体而言，根据个性化商品推荐列表的商品名称和顺序展示商品。

请参阅图5，在本发明优选的实施例中，在步骤S2即所述响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据之后还包括如下步骤：

S9、获取商品活动数据、与所述用户标识对应的商品品类评分数据；

商品活动数据是指管理类用户做活动时向客户推荐的商品数据，包括商品品类、商品名称、商品活动初始化评分。

用户标识对应的商品品类评分数据为该用户历史商品品类评分数据，包括：用户标识、商品品类名称、商品品类评分、商品品类评分更新日期。商品评分为数字，可以带小数点，比如：1.2、2.6、3.5，在本发明不作具体限定。

S10、根据所述用户标识对应的商品品类评分数据按预设的初始化商品品类评分规则进行初始化商品品类评分；

初始化商品品类评分用于对获取的历史商品品类评分数据进行初始化，进行数据去噪，提高数据有效性。

请参阅图6，在一个实施例中，所述步骤S10具体包括如下步骤：

S101、获取商品品类评分清理时间参数；

商品品类评分清理时间参数是指对获取到的商品品类评分数据清理时间和条件。在一个实施例中，所述商品品类评分清理时间参数可以是一个具体的数值，比如30天或45天。该方法操作简单，而且可以还避免商品品类评分时效性对商品推荐方法推荐商品准确度的影响。

在另一个实施例中，所述商品品类评分清理时间参数还可以是带条件的数值，比如商品品类评分大于等于7分的清理时间为60天、商品品类评分大于等于4分并且小于7分的清理时间为45天、商品品类评分小于4分的清理时间为25天。延长分数较高的商品品类评分的清理周期，对用户更具有友好性，提高了用户的使用体验，增加了用户的粘性。

在另一个实施例中，所述商品品类评分清理时间参数把上述两种方法结合使用，从而使商品推荐方法推荐商品更贴合用户的个性化需求，提高了用户的使用体验，增加了用户的粘性。

此处只举例说明，对商品品类评分清理时间参数在本发明不作具体限定。

S102、根据所述商品品类评分清理周期参数按预设的清理规则进行初始化商品品类评分。

通过初始化商品品类评分可以对商品品类评分数据去噪，减少失效或者效力较低的数据对对商品推荐方法推荐商品准确度的影响，从而提高了用户的使用体验，增加了用户的粘性。

S103、当预设的清理规则为赋予预设商品品类评分初始值时，将商品品类评分更新日期超过所述商品品类评分清理时间参数对应的所述商品品类评分数据更新为所述预设商品品类评分初始值，清理后的所述用户标识对应的商品品类评分数据即为初始化商品品类评分结果。

预设商品品类评分初始值用于对满足条件的商品品类评分进行初始化赋值，可以由管理类用户设置和调整；管理类用户是具有管理权限的用户，在管理权限范围内进行管理。在一个实施例中，所述预设商品品类评分初始值可以是一个具体的数值，比如3分或4分。该方法操作简单，通过降低已失效或者效力较低的数据的商品品类评分数据，保留用户个性化数据的情况下又进行了一定程度的数据去噪，使商品推荐方法推荐商品结果更符合该用户，从而提高了用户的使用体验，增加了用户的粘性。

在另一个实施例中，所述预设商品品类评分初始值还可以是带条件的数值，比如商品品类评分大于等于7分的商品品类评分降低2分、商品品类评分大于等于4分并且小于7分的商品品类评分降低2.5分、商品品类评分小于4分的商品品类评分降低3分。该方法操作简单，通过降低已失效或者效力较低的数据的商品品类评分数据，保留用户个性化数据的情况下又进行了一定程度的数据去噪，使商品推荐方法推荐商品结果更符合该用户，从而提高了用户的使用体验，增加了用户的粘性。

在另一个实施例中，所述预设商品品类评分初始值把上述两种方法结合使用，从而使商品推荐方法推荐商品更贴合用户的个性化需求和提高了推荐的准确度，提高了用户的使用体验，增加了用户的粘性。

此处只举例说明，对预设商品品类评分初始值在本发明不作具体限定。

S104、当预设的清理规则为直接清零时，将所述商品品类评分更新日期超过所述商品品类评分清理时间参数对应的商品品类评分数据全部更新为0分，清理后的所述用户标识对应的商品品类评分数据即为初始化商品品类评分结果；

将所述商品评分更新日期超过所述商品评分清理时间参数对应的商品评分数据全部更新为0分是指把满足条件的商品评分设置为0分，操作简单，从而使商品推荐方法推荐商品更贴合用户的个性化需求。

S105、重复步骤S103至步骤104直至完成所述用户标识对应的商品品类评分数据涵盖的商品品类的初始化商品品类评分。

初始化商品品类评分根据获取的与所述用户标识对应的商品品类评分数据逐个按商品品类名称逐个商品品类进行；

请参阅图7，在另一个实施例中，所述步骤S10具体包括如下步骤：

S106、获取商品品类评分推荐赋值数据；

商品品类评分推荐赋值数据用于对商品品类评分进行赋值，可以由管理类用户设置和调整。在一个实施例中，所述商品品类评分推荐赋值数据可以是一个具体的数值，包括商品品类名称、商品品类评分。该方法操作简单，有利于管理类用户管理提高商品推荐方法的有效性。

在另一个实施例中，所述商品品类评分推荐赋值数据还可以是带条件的数值，比如商品品类评分大于等于7分时商品品类评分推荐赋值数据为现有商品品类评分加1分、商品品类评分大于等于4分并且小于7分时商品品类评分推荐赋值数据为现有商品品类评分加0.5分、商品品类评分小于4分时商品品类评分推荐赋值数据为现有商品品类评分。从而有利于管理类用户管理提高商品推荐方法的有效性。

在另一个实施例中，所述商品品类评分推荐赋值数据把上述两种方法结合使用，从而使商品品类评分推荐赋值数据有利于管理类用户管理提高商品推荐方法的有效性。

此处只举例说明，对商品评分推荐赋值在本发明不作具体限定。

S107、根据所述商品品类评分推荐赋值数据、所述用户标识对应的商品品类评分数据按推荐赋值规则进行初始化商品品类评分；

具体而言，所述商品品类评分推荐赋值数据是一个具体的数值，直接把该数值更新为商品品类评分，更新后的商品品类评分即为初始化商品品类评分结果；所述商品品类评分推荐赋值数据还可以是带条件的数值时，把满足条件的的商品品类评分进行赋值，更新后的商品品类评分即为初始化商品品类评分结果，比如：商品品类评分为7.2分时，满足商品品类评分大于等于7分时商品品类评分推荐赋值数据为现有商品品类评分加1分的条件，更新后的商品品类评分为8.2分，即7.2分加上1分。

S108、重复步骤S107直至完成所述用户标识对应的品类商品评分数据涵盖的商品的初始化商品品类评分。

初始化商品品类评分根据获取的与所述用户标识对应的商品品类评分数据逐个按商品品类名称逐个商品进行。

可以理解的是，在另一种实施例中，步骤S101至步骤S105的根据商品品类评分清理时间参数进行初始化商品品类评分、步骤S106至步骤S108根据商品品类评分推荐赋值数据进行初始化商品品类评分两种方式结合使用，从而进一步有利于管理类用户管理提高商品推荐方法的活动推荐的有效性。

S11、根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则进行个性化商品品类评分；

个性化商品品类评分为根据用户行为进行的商品品类评分，用于商品活动更符合该用户的需求。

请参阅图8，在一个实施例中，所述步骤S11具体包括如下步骤：

S111、根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则对商品品类分别进行个性化商品品类评分；

具体而言，所述个性化商品品类评分是对商品品类逐个进行评分。

S112、判断预设时间内是否有该商品品类的购买数据；

预设时间由管理类用户设置和修改，用于数据去噪提高个性化商品评分的时效性，可以为具体的日期和/或具体日期及具体时间，比如2019年1月1日以前或2019年1月1日0点0分以前；所述预设时间还可以为多少天以前，比如15天及以前。可以理解的是，步骤S112中预设时间与步骤S412中预设时间的方式和具体数值可以相同也可以不同，管理类用户可以根据需要进行设置以提高商品推荐方法的有效性。

S113、当预设时间内包含有该商品品类的购买数据时，则根据所述用户标识对应的预设时间内该商品品类的购买次数和预设时间内订单总数按预设的个性化商品品类评分规则计算出该商品品类的个性化商品品类评分；

该用户在预设时间内该商品品类的购买次数是指该用户在预设时间内有多少个订单购买了该商品品类，订单中有购买该商品品类则记为1次购买，与购买多少数量的商品、多少类商品无关。

订单具有唯一标识，比如订单号，与购买多少数量的商品、多少类商品无关。订单总数按订单号统计；该用户在该用户在预设时间内订单总数用于统计预设时间内订单的总数。

在一个实施例中，所述步骤S113包括：

在另一个实施例中，所述步骤S113还包括：

G可以是一个具体的数值；G还可以是带条件的数值或计算公式，比如该用户在预设时间内该商品品类购买次数大于7次时G为2、该用户在预设时间内该商品品类购买次数大于等于4次并且小于7次时G为1、该用户在预设时间内该商品品类购买次数小于4次时G为0.5；G还可以把上述上述两种方法结合使用。此处只举例说明，G在本发明不作具体限定。从而有利于管理类用户管理提高商品推荐方法的有效性。

S114、当预设时间内没有该商品品类的购买数据时，则根据所述用户标识对应的预设时间内该商品品类的浏览次数和预设时间内商品品类浏览总数按预设的个性化商品品类评分规则计算出该商品品类的个性化商品品类评分。

该用户在预设时间内该商品品类的浏览次数是指该用户在预设时间内点开该商品品类浏览商品详情的次数。

该用户在预设时间内商品品类浏览总数是指该用户在预设时间内点开商品品类浏览详情的总数。

在一个实施例中，所述步骤S114包括：

在另一个实施例中，所述步骤S114还包括：

H可以是一个具体的数值；H还可以是带条件的数值或计算公式，比如该用户在预设时间内该商品品类浏览次数大于7次时H为1.5、该用户在预设时间内该商品品类浏览次数大于等于4次并且小于7次时H为0.8、该用户在预设时间内该商品品类浏览次数小于4次时H为0.3；H还可以把上述上述两种方法结合使用。此处只举例说明，H在本发明不作具体限定。从而有利于管理类用户管理提高商品推荐方法的有效性。

S115、重复步骤S112至步骤S114直至完成用户标识对应的商品浏览数据、购买数据涵盖的商品的个性化商品评分。

S12、根据初始化商品品类评分结果和个性化商品品类评分结果按预设的商品品类推荐评分规则进行商品品类推荐评分；

商品品类推荐评分用于后续选择推荐商品、推荐排序。商品品类推荐评分为数字，可以带小数点，比如：1.2、2.6、3.5，在本发明不作具体限定。

在一个实施例中，把该用户标识对应的初始化商品品类评分结果和用户标识对应的个性化商品品类评分结果相加得出商品品类推荐评分。实现简单，使商品推荐方法推荐的商品符合用户的个性化需求，又使商品推荐方法符合管理类用户管理推荐的需求。

在另一个实施例中，所述步骤S5包括：

商品品类推荐评分＝初始化商品品类评分×p+个性化商品品类评分×q

其中，p、q可以为具体数值，通过调整初始化商品品类评分和个性化商品品类评分的权重，便于管理类用户管理推荐的需求时根据不同时期的数据进行进一步的调整，从而进一步提高了商品推荐方法推荐商品的准确度。

S13、根据所述商品活动数据、所述商品品类推荐评分结果按预设的商品活动推荐规则生成个性化商品活动推荐列表。

个性化商品活动推荐列表是指向用户推荐活动商品的信息，包括按顺序排列的商品名称。在一个实施例中，所述步骤S13包括：获取用户对应所述商品品类推荐评分结果大于预设值的对应的所述商品活动数据，该数据即为个性化商品活动推荐列表，实现简单，该预设值为具体数值，可以带小数点，比如：1.2、2.6、3.5，在本发明不作具体限定。

在另一个实施例中，所述步骤S13包括：获取商品品类推荐活动商品数量参数，根据所述商品品类推荐活动商品数量获取所述商品活动数据数据，该数据即为个性化商品活动推荐列表。有利于使个性化商品活动推荐结果符合用户个性化需求，而且减少用户浏览商品信息的数量，提高了用户体验，增加了用户粘性。

S14、展示个性化商品活动推荐列表；

具体而言，根据个性化商品活动推荐列表的商品名称和顺序展示商品。

步骤S9至步骤S14是用于活动时推荐符合用户个性化需求的活动商品，从而增加了商品推荐方法的应用场景。

所述步骤S8和/或步骤S14之后，所述商品推荐方法还包括：

S15、接收商品浏览请求，所述商品浏览请求中携带有用户标识；

商品浏览请求是用户浏览商品的请求，该请求可以由用户直接发出的命令、根据用户反馈发出的命令。

S16、响应所述商品推荐请求，展示商品详情并记录此次记录商品浏览数据。

记录商品浏览数据记录此次商品浏览请求的用户标识、浏览日期、浏览具体时间、浏览商品名称、浏览商品的品类名称。

请参阅图9，本实施例提供了一种商品推荐装置，包括:商品推荐请求管理模块801，用于接收并响应商品推荐请求；商品埋点记录模块804，用于记录商品浏览数据；商品购买记录模块805，用于记录购买数据；商品评分模块806，用于记录商品评分数据；个性化商品评分模块809，用于根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分，根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分，根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分，根据商品推荐评分结果更新所述商品评分数据；个性化商品推荐模块810，用于根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。该装置通过采用少量的用户标识对应的商品浏览数据及购买数据进行个性化商品评分，在不需大量数据源和数据集的情况下，能持续循环地进行自学习以使推荐结果越来越符合用户需求，不涉及机器学习方法，该装置实现简单、时间周期短、成本低、可以自学习提高准确度。可以理解的是，本实施例的商品推荐装置通过执行商品推荐方法的步骤来实现商品推荐，商品推荐方法步骤同样适用于本实施例的商品推荐装置。

在一个实施例中，所述商品推荐请求可以是用户发出的命令、商品推荐装置根据用户反馈发出的命令和/或商品推荐装置自身发出的命令。

在本发明优选的实施例中，所述商品推荐装置还包括：商品活动管理模块807，用于记录商品活动数据；商品品类评分模块808，用于记录商品品类评分数据；个性化商品品类评分模块811，根据所述用户标识对应的商品品类评分数据按预设的初始化商品品类评分规则进行初始化商品品类评分，根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则进行个性化商品品类评分，根据初始化商品品类评分结果和个性化商品品类评分结果按预设的商品品类推荐评分规则进行商品品类推荐评分；个性化商品活动推荐模块812，用于根据所述商品活动数据、所述商品品类推荐评分结果按预设的商品活动推荐规则生成个性化商品活动推荐列表。

所述商品推荐请求管理模块801接收并响应商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据、商品评分数据、商品活动数据及商品品类评分数据，启动个性化商品评分模块809、商品活动管理模块807工作。

在本发明优选的实施例中，所述商品推荐装置还包括：商品推荐展示模块802，用于展示个性化商品推荐列表和/或展示个性化商品活动推荐列表。

在本发明优选的实施例中，所述商品推荐装置还包括：规则记录模块803，用于记录商品推荐装置预设规则，接收预设规则的更新请求，根据更新请求更新预设规则。所述预设规则比如预设的初始化商品评分规则、预设的个性化商品评分规则、预设的商品推荐评分规则、预设的个性化商品推荐规则、预设的初始化商品品类评分规则、预设的个性化商品品类评分规则、预设的商品品类推荐评分规则、预设的商品活动推荐规则，在此不作具体赘述。从而有利于管理类用户管理装置的预设规则，使商品推荐装置能满足各种应用场景的需求。

本实施例提供了一种存储介质，存储有计算机指令程序，所述计算机指令程序被处理器执行时，使得所述处理器执行如下方法步骤：接收商品推荐请求，所述商品推荐请求中携带有用户标识；响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

本领域普通技术人员可以理解实现商品推荐方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器和终端设备，所述服务器包括但不限于高性能计算机和高性能计算机集群；所述终端设备包括但不限于移动终端设备和台式终端设备，所述移动终端设备包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备包括但不限于台式电脑和车载电脑。如图10所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现商品推荐方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行商品推荐方法。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的商品推荐方法可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成商品推荐装置的各个程序模板。比如，商品推荐请求管理模块801、商品埋点记录模块804、商品购买记录模块805、商品评分模块806、个性化商品评分模块809、个性化商品推荐模块810、商品活动管理模块807、商品品类评分模块808、个性化商品品类评分模块811、个性化商品活动推荐模块812、规则记录模块803。

请参阅图11，本实施例提供了一种计算机设备，该计算机设备可以为服务器，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如下方法步骤：接收商品推荐请求，所述商品推荐请求中携带有用户标识；响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

在一个实施例中，上述推荐方法应用于商品推荐系统，商品推荐系统包括终端110和服务器端120。终端110和服务器端120通过网络连接，终端110具体可以是台式终端110或移动终端110，移动终端110具体可以是手机、平板电脑、笔记本电脑、穿戴设备等中的至少一种。服务器端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端110用于展示个性化商品推荐列表、展示个性化商品活动推荐列表、展示商品详情，服务器用于执行商品推荐方法的其他方法步骤。

需要说明的是，上述商品推荐方法、商品推荐装置、计算机设备及计算机可读存储介质属于一个总的发明构思，商品推荐方法、商品推荐装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。

综上所述，本发明的商品推荐方法通过接收商品推荐请求，所述商品推荐请求中携带有用户标识；响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；根据商品推荐评分结果更新所述商品评分数据；根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。本发明采用少量的用户标识对应的商品浏览数据及购买数据进行个性化商品评分，在不需大量数据源和数据集的情况下，能持续循环地进行自学习以使推荐结果越来越符合用户需求，不涉及机器学习方法，因此，本发明实现简单、时间周期短、成本低、可以自学习提高准确度。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种商品推荐方法，所述商品推荐方法包括：

接收商品推荐请求，所述商品推荐请求中携带有用户标识；

响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据；

根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分；

根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分；

根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分；

根据商品推荐评分结果更新所述商品评分数据；

根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分具体包括：

当预设时间内包含有该商品的购买数据时，则根据所述用户标识对应的预设时间内该商品的购买次数和预设时间内订单总数按预设的商品评分规则计算出该商品的个性化商品评分；

当预设时间内没有该商品的购买数据时，则根据所述用户标识对应的预设时间内该商品的浏览次数和预设时间内商品浏览总数按预设的商品的评分规则计算出该商品的个性化商品评分。

3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分具体包括：

获取商品评分清理时间参数；

当预设的清理规则为赋予预设商品评分初始值时，将商品评分更新日期超过所述商品评分清理时间参数对应的所述商品评分数据更新为所述预设商品评分初始值，清理后的所述用户标识对应的商品评分数据即为初始化商品评分结果；

当预设的清理规则为直接清零时，将所述商品评分更新日期超过所述商品评分清理时间参数对应的商品评分数据全部更新为零，清理后的所述用户标识对应的商品评分数据即为初始化商品评分结果。

4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分具体还包括：

获取商品评分推荐赋值数据；

根据所述商品评分推荐赋值数据、所述用户标识对应的商品评分数据按推荐赋值规则进行初始化商品评分。

5.根据权利要求1至4任一项所述的商品推荐方法，其特征在于，在所述响应所述商品推荐请求，获取与所述用户标识对应的商品浏览数据、购买数据及商品评分数据之后还包括：

获取商品活动数据、与所述用户标识对应的商品品类评分数据；

根据所述用户标识对应的商品品类评分数据按预设的初始化商品品类评分规则进行初始化商品品类评分；

根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则进行个性化商品品类评分；

根据初始化商品品类评分结果和个性化商品品类评分结果按预设的商品品类推荐评分规则进行商品品类推荐评分；

根据所述商品活动数据、所述商品品类推荐评分结果按预设的商品活动推荐规则生成个性化商品活动推荐列表。

6.根据权利要求5所述的商品推荐方法，其特征在于，所述根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则进行个性化商品品类评分具体包括：

当预设时间内包含有该商品品类的购买数据时，则根据所述用户标识对应的预设时间内该商品品类的购买次数和预设时间内订单总数按预设的个性化商品品类评分规则计算出该商品品类的个性化商品品类评分；

当预设时间内没有该商品品类的购买数据时，则根据所述用户标识对应的预设时间内该商品品类的浏览次数和预设时间内商品品类浏览总数按预设的个性化商品品类评分规则计算出该商品品类的个性化商品品类评分。

7.一种商品推荐装置，其特征在于，包括：

商品推荐请求管理模块，用于接收并响应商品推荐请求；

商品埋点记录模块，用于记录商品浏览数据；

商品购买记录模块，用于记录购买数据；

商品评分模块，用于记录商品评分数据；

个性化商品评分模块，用于根据所述用户标识对应的商品评分数据按预设的初始化商品评分规则进行初始化商品评分，根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品评分规则进行个性化商品评分，根据初始化商品评分结果和个性化商品评分结果按预设的商品推荐评分规则进行商品推荐评分，根据商品推荐评分结果更新所述商品评分数据；

个性化商品推荐模块，用于根据更新后的商品评分数据按预设的个性化商品推荐规则生成个性化商品推荐列表。

8.根据权利要求7所述的商品推荐装置，其特征在于，所述商品推荐装置还包括：

商品活动管理模块，用于记录商品活动数据；

商品品类评分模块，用于记录商品品类评分数据；

个性化商品品类评分模块，根据所述用户标识对应的商品品类评分数据按预设的初始化商品品类评分规则进行初始化商品品类评分，根据所述用户标识对应的商品浏览数据、购买数据按预设的个性化商品品类评分规则进行个性化商品品类评分，根据初始化商品品类评分结果和个性化商品品类评分结果按预设的商品品类推荐评分规则进行商品品类推荐评分；

个性化商品活动推荐模块，用于根据所述商品活动数据、所述商品品类推荐评分结果按预设的商品活动推荐规则生成个性化商品活动推荐列表。

9.一种存储介质，存储有计算机指令程序，其特征在于，所述计算机指令程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。