CN110415063A - 商品推荐方法、装置、电子设备及可读介质 - Google Patents

Abstract

本申请提供一种商品推荐方法、装置、电子设备及可读介质，该方法包括：根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及根据所述商品组合评分向所述用户进行推荐。本申请的商品推荐方法、装置、电子设备及可读介质，能够保证在合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

Description

商品推荐方法、装置、电子设备及可读介质

技术领域

本申请涉及互联网技术领域，尤其涉及一种商品推荐方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网的高速发展，越来越多的人选择网上购物，用户通过手机软件浏览电商网站，便捷迅速的选择所需商品。推荐系统在电商中广泛应用，其价值在于挖掘用户潜在的购买需求，避免用户花费大量时间浏览大量无关产品信息,帮助用户在海量信息中快速发现真正所需的商品，提高用户购物体验。

目前电商推荐中，会根据用户的浏览、搜索、购买行为为用户推荐相同类目的商品，例如用户购买了某品牌手机，会向其推荐其他品牌手机，但实际情况很可能是用户购买手机后不再关注手机，而是对手机周边商品如手机贴膜或者手机壳更有购买需求，因此跨类目的多样性推荐对于电商购物场景具有重要意义。

多样性商品推荐目前主要有三种实际方案：基于人为规则的推荐方案、基于混合规则的推荐方案和基于协同过滤的推荐方案。

在基于人为规则的推荐中，商家会在店铺售卖商品的详细描述页面中，通过基本常识或统计规律人为插入与主商品相关的商品链接，例如在奶粉商品描述中加入奶瓶的购买链接。此方案的缺点在于，人为设定商品相关规则的关系主观性较高，覆盖率较低，受限于店铺的商品种类有限，会存在搭配推荐不合理的情况。

在基于混合规则的推荐方案中，一种解决思路是通过网络爬虫技术抓取电商售卖商品详细描述页面中的链接商品，与页面主商品组成相关商品对，通过聚类方案对爬取结果合并，用于用户推荐。此方案的缺点在于，通过网络爬虫得到的商品对，关系复杂且充满不确定性，仍需要多种规则的筛选保证商品的搭配关系。此种方案是以同店铺内的商品对为主，不同店铺间由于售卖种类的差异导致借鉴推广性不强。

在协同过滤推荐中，一种解决思路是基于所有用户对商品的评价打分，通过K近邻聚类方法寻找偏好相似用户构成用户群组，然后将用户群组内的购买或浏览等历史偏好信息作为资源池为用户进行推荐。这种推荐算法的优点在于推荐物品之间在内容上可能完全不相关，因此可以发现用户的潜在兴趣，并且针对每个用户群组生成其个性化的推荐结果。此方案的缺点在于，网络系统中，评论增速是用户数量与商品数量的交叉乘积，当商品数量迅速增加时，因此其计算量的增长巨大，系统性能容易成为瓶颈。

发明内容

有鉴于此，本申请提供一种商品推荐方法、装置、电子设备及计算机可读介质，能够在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的第一方面，提出一种商品推荐方法，该方法包括：根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及根据所述商品组合评分向所述用户进行推荐。

在本申请的一种示例性实施例中，还包括：通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表。

在本申请的一种示例性实施例中，通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表包括：根据一定时间内用户购买行为生成用户行为序列；以及通过频繁集算法与所述用户行为序列确定所述商品推荐词表中的商品组合。

在本申请的一种示例性实施例中，通过频繁集算法与所述用户行为序列确定所述商品推荐词表中的商品组合包括：将所述用户行为序列中的商品依次与后续相邻的预定个商品两两组合，构成商品组合；确定商品频次；确定商品组合频次；以及根据所述商品频次与所述商品组合频次对所述商品组合进行过滤，以生成所述商品推荐词表中的商品组合。

在本申请的一种示例性实施例中，通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表还包括：确定商品的点击率；以及通过历史商品信息与所述点击率确定所述商品推荐词表中的商品组合的商品组合分数。

在本申请的一种示例性实施例中，通过历史商品信息与所述点击率确定所述商品推荐词表中的商品组合的商品组合分数包括：通过历史商品信息确定商品组合中两个商品间的多样性概率；根据所述点击率确定商品组合中两个商品的点击影响概率；以及通过所述多样性概率与所述点击影响概率确定所述商品推荐词表中的商品组合的商品组合分数。

在本申请的一种示例性实施例中，将所述推荐词表中的商品组合作为 key，将所述商品组合分数作为value进行储存。

在本申请的一种示例性实施例中，根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数包括以下情况至少一者：根据用户浏览行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；根据用户点击行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；根据用户加购行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；以及根据用户购买行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数。

在本申请的一种示例性实施例中，根据所述商品组合分数由所述商品推荐词表中筛选出多个商品，以生成商品频繁集包括：根据所述商品组合分数由高至低排列所述多个商品；以及依序提取所述多个商品中的预定数量的商品以生成商品频繁集。

在本申请的一种示例性实施例中，通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分包括：根据wide and deep模型确定所述商品频繁集中多个商品组合的商品组合评分。

根据本申请实施例的第二方面，提出一种商品推荐装置，该装置包括：推荐词模块，用于根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；筛选模块，用于根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；评分模块，用于通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及推荐模块，用于根据所述商品组合评分向所述用户进行推荐。

在本申请的一种示例性实施例中，商品推荐装置还包括推荐表生成模块，用于通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表。

根据本申请实施例的第三方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的商品推荐方法。

根据本申请实施例的第四方面，提出一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上述任一项所述的商品推荐方法。

根据本申请的商品推荐方法、装置、电子设备及计算机可读介质，能够在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种商品推荐方法及装置的系统框图。

图2是根据一示例性实施例示出的一种商品推荐方法的流程图。

图3是根据一示例性实施例示出的一种商品推荐方法的流程图。

图4是根据一示例性实施例示出的一种商品推荐方法的流程图。

图5是根据一示例性实施例示出的一种商品推荐方法的流程图。

图6是根据一示例性实施例示出的一种商品推荐装置的框图。

图7是根据另一示例性实施例示出的一种商品推荐系统的架构图。

图8是根据一示例性实施例示出的一种用于商品推荐的电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图仅为本发明的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面结合附图对本发明示例实施方式进行详细说明。

图1是根据一示例性实施例示出的一种商品推荐方法及装置的系统框图。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备 101、102、103所进行操作的商品推荐系统提供支持的后台服务器(仅为示例)。后台服务器可以对接收到的商品推荐请求等数据进行分析等处理，并将处理结果(例如根据商品组合评分降序排列的推荐商品--仅为示例) 反馈给终端设备。

服务器105可例如根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；服务器105可例如根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；服务器105可例如通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；服务器105可例如根据所述商品组合评分向所述用户进行推荐；服务器105还可例如通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如作为本申请中的商品推荐任务接收系统，用于接收将要执行商品推荐命令的任务；以及服务器105中的一部分还可例如作为本申请中的商品推荐系统，用于根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及根据所述商品组合评分向所述用户进行推荐。

需要说明的是，本申请实施例所提供的商品推荐方法可以由服务器 105执行，相应地，商品推荐的装置可以设置于服务器105中。而提供给用户用于提交商品推荐任务与获取商品推荐结果的请求端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种商品推荐方法的流程图。根据图2示出的商品推荐的方法，可以在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

下面，将参照图2，对本申请示例性实施例中的商品推荐方法进行说明。

在步骤S210中，根据用户行为的对象获取商品推荐词表，商品推荐词表中包括商品组合以及商品组合分数。其中，用户行为指用户在用户终端进行的有关购物的行为，例如根据关键词搜索商品、浏览商品详情、查看已买评价以及购买商品等行为。可以利用一定的算法根据用户的上述多种行为中挖掘其潜在购买需求。商品推荐词表可以通过对用户行为中的商品以此与后续相邻N个商品两两组合构成商品组合，并依据一定算法计算其商品组合分数。

根据示例实施例，根据用户行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数可以包括以下情况至少一者：根据用户浏览行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数；根据用户点击行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数；根据用户加购行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数；以及根据用户购买行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

根据示例实施例，可以通过历史用户购买行为数据与历史商品信息确定商品推荐词表。例如，可以通过当前时刻三个月内的用户行为获取商品推荐词表，但本发明的技术方案对此不作特殊限定。

根据示例实施例，通过历史用户购买行为数据与历史商品信息确定商品推荐词表包括可以包括：根据一定时间(例如：三个月)内用户购买行为生成用户行为序列；通过频繁集算法与用户行为序列确定所述商品推荐词表中的商品组合。其中，用户行为序列可以是用户三个月内的下单商品集合，并可以根据时间升序排列。其中，频繁集算法可以在数据集中挖掘出经常一起出现的变量。在购物数据分析中，可以通过频繁集算法挖掘出用户可能均需要购买的商品组合。

根据示例实施例，通过频繁集算法与用户行为序列确定商品推荐词表中的商品组合可以包括：将用户行为序列中的商品依次与后续相邻的预定个商品两两组合，构成商品组合；确定商品频次；确定商品组合频次；以及根据商品频次与商品组合频次对商品组合进行过滤，以生成所述商品推荐词表中的商品组合。例如，可执行如下步骤：1)对用户行为序列中商品依次与后续相邻N个商品两两组合构成商品组合，可取值N＝10；2) 统计所有用户中商品的频次，sku:count(sku)，其中，sku表示商品，count(sku) 表示所有用户中购买了商品sku的频次；3)设定阈值T1，若count(sku)<T1，则过滤掉低频次商品以及包涵该商品的所有商品组合；4)使用频繁二项集，统计所有用户中商品组合的频次，(sku-A,sku-B):count(AB)，其中， sku-A表示商品A，sku-B表示B商品，count(AB)表示所有用户中既购买了商品A，又购买了商品B的用户数量，即频次；5)设定阈值T2，若 count(AB)<T2，则过滤掉低频次商品组合；6)得到频繁购买商品组合。

根据示例实施例，通过历史用户购买行为数据与历史商品信息确定商品推荐词表还可以包括：确定商品的点击率；以及通过历史商品信息与点击率确定商品推荐词表中的商品组合的商品组合分数。其中，点击率ctr 指当某件商品展现给用户时，用户点击查看该商品详情的概率。其计算方式为：点击率＝点击量/曝光量，曝光量指某件商品展现给用户的次数，点击量指某件商品被用户点击查看的次数。

根据示例实施例，通过历史商品信息与点击率确定商品推荐词表中的商品组合的商品组合分数可以包括：通过历史商品信息确定商品组合中两个商品间的多样性概率；根据点击率确定商品组合中两个商品的点击影响概率；以及通过多样性概率与点击影响概率确定商品推荐词表中的商品组合的商品组合分数。例如，可执行如下步骤：1)计算多样性概率：商品组合(sku-A,sku-B)所属不同的类目分类，计算sku-A和sku-B的概率 P(A)＝count(AB)/count(A)，P(B)＝count(AB)/count(B)，并满足P(B)> α₁*P(A)，其中α₁为超参数，指在开始学习过程之前设置值的参数，例如可取值0.8，本发明对此不作特殊限定；2)计算点击影响概率： ctr(A)>α₂*ctr(B)，其中α₂为超参数，可取值0.8；3)为商品组合 (sku-A,sku-B)计算相关商品分数s＝P(A)*ctr(B)*H(gmv(B))，其中H(·)表示函数变换，如gmv表示商品B的成交额。

根据示例实施例，可以将所述推荐词表中的商品组合作为key，将所述商品组合分数作为value进行储存。例如，当得到模型算法处理后的商品组合后，对相同sku-A的组合进行合并，得到相关商品的集合，依据相关商品分数s，对集合进行降序排列，得到商品推荐词表，以字典key/value 的数据结构进行存储。

在步骤S220中，根据商品组合分数由商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集。

根据示例实施例，步骤S220可以包括：根据商品组合分数由高至低排列所述多个商品；以及依序提取所述多个商品中的预定数量的商品以生成商品频繁集。例如，对根据商品组合分数降序排列的多个商品做截断处理，得到前n个商品组合，n可根据实际情况选取数值，本发明对此不作特殊限定。

在步骤S230中，通过点击率预估方法确定商品频繁集中多个商品组合的商品组合评分。其中，点击率预估预测一个用户对候选集目标的点击率，进而决定对用户展示哪一个目标。根据示例实施例，可以根据wide and deep模型确定所述商品频繁集中多个商品组合的商品组合评分。其中， wide and deep模型是TensorFlow在2016年6月左右发布的一类用于分类和回归的模型，并应用到了Google Play的应用推荐中。wide and deep 模型的核心思想是结合线性模型的记忆能力(memorization)和DNN模型的泛化能力(generalization)，在训练过程中同时优化2个模型的参数，从而达到整体模型的预测能力最优。

在步骤S240中，根据商品组合评分向用户进行推荐。其中，可以选取商品组合评分中分数最高的N个商品用于向用户展现，N可根据实际情况选取具体的数值。

根据本申请的商品推荐方法，通过根据用户行为的对象获取商品推荐词表，根据商品推荐词表获得商品组合评分，并根据商品组合评分项用户进行推荐，能够在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

图3是根据一示例性实施例示出的一种商品推荐方法的流程图。参照图3，商品推荐方法可以包括：

步骤S310，将用户行为序列中的商品依次与后续相邻的预定个商品两两组合，构成商品组合。例如，可以获取用户三个月内的下单商品集合，按时间升序排列，以使最近购买的商品排在前列，usr：sku1，sku2，…；将用户预定时间内下单商品集合的商品依次与后续相邻N个商品两两组合构成商品组合，可取值N＝10，本发明对此不作特殊限定。

步骤S320，确定商品频次。其中，商品频次指所有用户中该商品的被购买的数量。例如，商品A的频次可表示为：count(A)。

步骤S330，确定商品组合频次。其中，商品A与B的商品组合频次可以表示为(sku-A,sku-B):count(AB)，其表示所有用户中既购买了商品A，又购买了商品B的用户数量。

步骤S340，根据商品频次与商品组合频次对商品组合进行过滤，以生成商品推荐词表中的商品组合。例如，可以设定商品频次阈值T1与商品组合频次阈值T2。若count(A)<T1,则删除包含有商品A的所有商品组合，若count(AB)<T2，则删除商品组合AB。其中，T1与T2的具体数值可以根据经验方法确定，本发明对其具体数值不作特殊限定。

图4是根据一示例性实施例示出的一种商品推荐方法的流程图。参照图4，商品推荐方法可以包括：

步骤S410，通过历史商品信息确定商品组合中两个商品间的多样性概率。其中，商品组合(sku-A,sku-B)所属不同的类目分类，并计算sku-A 和sku-B的概率P(A)＝count(AB)/count(A),P(B)＝count(AB)/count(B)，并满足P(B)>α₁*P(A)，其中α₁为超参数，例如α₁可取值0.8。

步骤S420，根据点击率确定商品组合中两个商品的点击影响概率。其中，点击影响概率可以表征为商品点击率，商品的点击率ctr＝点击量/ 曝光量。此外，电源影响概率还应满足：ctr(A)>α₂*ctr(B)，其中α₂为超参数，例如α₂可取值0.8。

步骤S430，通过多样性概率与点击影响概率确定商品推荐词表中的商品组合的商品组合分数。例如，商品组合分数s的计算公式可以为： s＝P(A)*ctr(B)*H(gmv(B))，其中H(·)表示函数变换，如gmv 表示商品B的成交额。

图5是根据一示例性实施例示出的一种商品推荐方法的流程图。参照图5，商品推荐方法可以包括：

步骤S510，根据用户浏览行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

步骤S520，根据用户点击行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

步骤S530，根据用户加购行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

步骤S540，根据用户购买行为的对象获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

根据示例实施例，步骤S510、S520、S530、S540中的用户行为可以是三个月内的用户历史数据，本发明对历史数据的时间范围并不作特殊限定。此外，可以通过用户流量服务器端发送用户行为的相关数据。

步骤S550，根据步骤S510、S520、S530、S540中的一个或多个对象中获取商品推荐词表，商品推荐词表中包括商品以及商品分数。

图6是根据另一示例性实施例示出的一种商品推荐系统的架构图。参照图6，商品推荐系统可以包括采集模块、数据预处理模块、模型算法模块和推荐模块。上述各个模块的具体功能如下所述：

一、数据采集模块：收集原始数据并定期更新，商品信息库包括商品基本价格信息、点击量和曝光量；用户行为序列可以是用户三个月内的下单商品集合，时间升序排列，例如可表示为user:sku1,sku2,…。应该理解，用户行为序列可以是用户预订时间内的浏览、点击、加购以及购买中的一个或多个行为产生的序列，此处仅为示例。

二、数据预处理模块：

1、统计商品信息库中商品的历史点击量、曝光量和下单量，获得商品的点击率ctr＝点击量/曝光量和成交额gmv；

2、采用频繁项集算法对用户购买行为序列处理获得频繁购买商品组合，方法如下：1)对用户购买行为序列中商品依次与后续相邻N个商品两两组合构成商品组合，可取值N＝10；2)统计所有用户中商品的频次， sku:count(sku)；3)设定阈值T1，过滤掉低频次商品，count(sku)<T1，和包涵该商品的所有商品组合；4)使用频繁二项集，统计所有用户中商品组合的频次，(sku-A,sku-B):count(AB)；5)设定阈值T2，过滤掉低频次商品组合，count(AB)<T2；6)得到频繁购买商品组合。

三、模型算法模块：

1、结合商品信息、点击率、成交额，对商品组合进行模型算法处理，算法如下：1)计算多样性概率：商品组合(sku-A,sku-B)所属不同的类目分类，根据P(A)＝count(AB)/count(A),P(B)＝count(AB)/count(B)计算得到其多样性概率，并满足P(B)>α₁*P(A)，其中α₁为超参数，可取值0.8；2) 综合考虑点击率ctr的影响概率：ctr(A)>α₂*ctr(B)，其中α₂为超参数，可取值0.8；3)为商品组合(sku-A,sku-B)计算相关商品分数 s＝P(A)*ctr(B)*H(gmv(B))，其中H(·)表示函数变换，如

2、得到模型算法处理后的商品组合后，对相同sku-A的组合进行合并，得到相关商品的集合，依据相关商品分数s，对集合进行降序排列，得到商品推荐词表，以字典key/value的数据结构进行存储。

四、推荐模块：

1、用户流量服务器端发送当前用户的历史浏览、点击、加购、购买等行为；2、将用户行为在商品推荐词表中触发检索，依据检索结果中分数s进行排序；3、对有序的检索结果做截断处理，得到推荐候选集；4、使用点击率预估模型(如google的wide and deep模型)为候选集每一个商品预估一个分数；5、选取高分数的N个商品，返回给服务器端，用于展现。

下面为一根据图6所示系统的流程示例。

1)通过本算法，得到商品推荐词表，词表字典key与value用冒号(:) 分隔，value间用竖线(|)分隔，value中商品与分数用下划线(_)分隔。词表字典(截取部分)如下：

索尼Sony Xperia XA2Ultra手机：

斯尔格索尼XA2Ultra手机壳保护套_0.93|特七索尼XA2Ultra钢化膜高清抗蓝光玻璃膜_0.61|特七.索尼XA2Ultra手机壳保护套_0.3

华为HUAWEI畅享7S双卡双待手机：

BYZ S366全兼容线控式手机耳机白色_0.73|加迪西全包边微磨砂保护壳套_0.68|惠舟华为畅享7s手机壳手机套黑色_0.52|ESCASE华为畅享7S防摔全包软壳硅胶_0.51|米德莱微磨砂壳软壳华为畅享7s手机壳黑色软套_0.47

特宝儿木制摇摇马：

嘉怡六轨滑翔车儿童玩具_0.78|特宝儿乌龟敲打台婴幼儿宝宝早教男孩女孩_0.64|澳林四面铁线串珠绕珠玩具小孩玩具礼物幼儿1-3岁 _0.59|特宝儿儿童贴纸书反复贴宝宝贴纸贴贴乐小孩玩具女孩男孩 _0.55|安荷(ANHE)婴儿手口湿巾80抽家庭装_0.53

十月妈咪(octmami)防辐射服孕妇装四季银纤维吊带：

十月妈咪(octmami)孕妇护肤品橄榄油孕妇专用护肤品_0.88|妈妈宝贝孕妇内衣高腰托腹可调节孕妇内裤三条_0.79|拜耳爱乐维复合维生素 100片孕妇补充叶酸孕期备孕多种维生素_0.76|安佳Anchor新西兰原装进口牛奶全脂牛奶UHT纯牛奶250ml*24_0.71|十月妈咪(octmami)孕妇月子牙膏_0.58|亲润孕妇护肤品植物淳萃手霜套装护手霜3件套清爽滋润保湿补水孕期可用防干裂三支装_0.52

适马(SIGMA)ART 85mmF1.4全画幅大光圈定焦镜头：

耐司(NiSi)MC UV 86mm UV镜双面多层镀膜无暗角_0.85|神牛 (Godox)V860II-C闪光灯2.4G无线引闪外拍灯内置引闪器_0.71|锐玛 (EIRMAI)摄影LED补光灯_0.6

憨憨龙1米6熊毛绒玩具熊：

绿橙子手链浪漫四叶草(玫瑰礼盒白钻)_0.51|澜之纯冰种翡翠平安扣吊坠_0.42|简束男士运动背心健身休闲修身紧身弹力打底汗衫黑色 _0.3

2)服务器发送用户行为序列，例如适马(SIGMA)ART 85mmF1.4 全画幅大光圈定焦镜头|华为HUAWEI畅享7S双卡双待手机。

3)用户行为在商品推荐词表中触发检索，分数s进行排序并做截断处理(例如：截取前6位)，得到推荐候选集。

未截断候选集如下所示：

耐司(NiSi)MC UV 86mm UV镜双面多层镀膜无暗角_0.85|BYZ S366全兼容线控式手机耳机白色_0.73|神牛(Godox)V860II-C闪光灯 2.4G无线引闪外拍灯内置引闪器_0.71|加迪西全包边微磨砂保护壳套 _0.68|锐玛(EIRMAI)摄影LED补光灯_0.6|惠舟华为畅享7s手机壳手机套黑色_0.52|ESCASE华为畅享7S防摔全包软壳硅胶_0.51|米德莱微磨砂壳软壳华为畅享7s手机壳黑色软套_0.47

截断操作后，候选集如下所示：

耐司(NiSi)MC UV 86mm UV镜双面多层镀膜无暗角_0.85|BYZ S366全兼容线控式手机耳机白色_0.73|神牛(Godox)V860II-C闪光灯 2.4G无线引闪外拍灯内置引闪器_0.71|加迪西全包边微磨砂保护壳套 _0.68|锐玛(EIRMAI)摄影LED补光灯_0.6|惠舟华为畅享7s手机壳手机套黑色_0.52

根据本申请的商品推荐方法，基于用户行为序列使用频繁项集方法，得到频繁购买商品组合；通过对商品类目的判别和共现概率，滤除相同类目和低频购买商品组合；综合考虑点击率ctr和成交额gmv的影响因素，滤除商品组合中低点击率和低成交额的组合；共同建模共现概率P(A)、点击率ctr(B)和成交额gmv(B)，对商品组合进行评分，用于展现排序。本申请的商品推荐方法能够在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。综上，本申请的商品推荐方法提出了基于点击率、成交额和用户行为序列的多样性商品推荐方法，能够提升用户近期没有浏览过的类目商品占比，并且在点击率、商品成交额有限波动的情况下，提升不同类目商品展示比例，增加多样性。

图7是根据一示例性实施例示出的一种商品推荐装置的框图。参照图 7，商品推荐装置可以包括：推荐词模块710、筛选模块720、评分模块 730以及推荐模块740。

在商品推荐模块中，推荐词模块710用于根据用户行为的对象获取商品推荐词表，商品推荐词表中包括商品组合以及商品组合分数。根据示例实施例，推荐词模块710还可以根据用户的浏览行为、点击行为、加购行为以及购买行为中的一个或多个中的对象获取商品推荐词表。

筛选模块720用于根据商品组合分数由商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集。根据示例实施例，筛选模块720可以根据商品组合分数由高至低排列所述多个商品；以及依序提取多个商品中的预定数量的商品以生成商品频繁集。

评分模块730，用于通过点击率预估方法确定商品频繁集中多个商品组合的商品组合评分。根据示例实施例，评分模块730可以根据wide and deep模型确定所述商品频繁集中多个商品组合的商品组合评分。其中，wide and deep模型在前述实施例中已有相关介绍，于此不再赘述。

推荐模块740用于根据商品组合评分向所述用户进行推荐。

根据示例实施例，商品推荐装置还可以包括推荐表生成模块，用于通过历史用户购买行为数据与历史商品信息确定商品推荐词表。其中，可以将推荐词表中的商品组合作为key，将商品组合分数作为value进行储存。

其中，推荐表生成模块可用于根据一定时间内用户购买行为生成用户行为序列；以及通过频繁集算法与用户行为序列确定商品推荐词表中的商品组合。具体地，通过频繁集算法与所述用户行为序列确定所述商品推荐词表中的商品组合可以包括：将用户行为序列中的商品依次与后续相邻的预定个商品两两组合，构成商品组合；确定商品频次；确定商品组合频次；以及根据商品频次与商品组合频次对商品组合进行过滤，以生成商品推荐词表中的商品组合。

其中，通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表还可以包括：确定商品的点击率；以及通过历史商品信息与所述点击率确定所述商品推荐词表中的商品组合的商品组合分数。具体地，通过历史商品信息与点击率确定所述商品推荐词表中的商品组合的商品组合分数可以包括：通过历史商品信息确定商品组合中两个商品间的多样性概率；根据点击率确定商品组合中两个商品的点击影响概率；以及通过多样性概率与点击影响概率确定所述商品推荐词表中的商品组合的商品组合分数。

根据本申请的商品推荐装置，通过根据用户行为的对象获取商品推荐词表，根据商品推荐词表获得商品组合评分，并根据商品组合评分项用户进行推荐，能够在保证合理推荐商品的前提下，提高推荐商品的多样性以及用户近期内没有浏览过类目商品的占比。

图8是根据一示例性实施例示出的一种用于商品推荐的电子设备的框图。

下面参照图8来描述根据本申请的这种实施方式的电子设备800。图 8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从储存部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。例如，中央处理单元801可以执行如图2、图3、图4、图5、图6中的一个或多个所示的步骤。

在RAM 803中，还存储有系统操作所需的各种程序和数据，例如商品推荐词表、点击率以及成交量等。CPU 801、ROM 802以及RAM 803 通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括触摸屏、键盘等的输入部分806；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分807；包括闪存等的储存部分808；以及包括诸如无线网卡、高速网卡等的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如半导体存储器、磁盘等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入储存部分808。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U 盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本发明实施例的方法，例如图2、图3、图4、图5、图6中的一个或多个所示的步骤。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其他实施例。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明未申请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，本发明的真正范围和精神由权利要求指出。

应当理解的是，本发明并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (14)

1.一种商品推荐方法，其特征在于，包括：

根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；

根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；

通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及

根据所述商品组合评分向所述用户进行推荐。

2.如权利要求1所述的方法，其特征在于，还包括：

通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表。

3.如权利要求2所述的方法，其特征在于，通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表包括：

根据一定时间内用户购买行为生成用户行为序列；以及

通过频繁集算法与所述用户行为序列确定所述商品推荐词表中的商品组合。

4.如权利要求3所述的方法，其特征在于，通过频繁集算法与所述用户行为序列确定所述商品推荐词表中的商品组合包括：

将所述用户行为序列中的商品依次与后续相邻的预定个商品两两组合，构成商品组合；

确定商品频次；

确定商品组合频次；以及

根据所述商品频次与所述商品组合频次对所述商品组合进行过滤，以生成所述商品推荐词表中的商品组合。

5.如权利要求2所述的方法，其特征在于，通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表还包括：

确定商品的点击率；以及

通过历史商品信息与所述点击率确定所述商品推荐词表中的商品组合的商品组合分数。

6.如权利要求5所述的方法，其特征在于，通过历史商品信息与所述点击率确定所述商品推荐词表中的商品组合的商品组合分数包括：

通过历史商品信息确定商品组合中两个商品间的多样性概率；

根据所述点击率确定商品组合中两个商品的点击影响概率；以及

通过所述多样性概率与所述点击影响概率确定所述商品推荐词表中的商品组合的商品组合分数。

7.如权利要求2所述的方法，其特征在于，将所述推荐词表中的商品组合作为key，将所述商品组合分数作为value进行储存。

8.如权利要求1所述的方法，其特征在于，根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数包括以下情况至少一者：

根据用户浏览行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；

根据用户点击行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；

根据用户加购行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数；以及

根据用户购买行为的对象获取商品推荐词表，所述商品推荐词表中包括商品以及商品分数。

9.如权利要求1所述的方法，其特征在于，根据所述商品组合分数由所述商品推荐词表中筛选出多个商品，以生成商品频繁集包括：

根据所述商品组合分数由高至低排列所述多个商品；以及

依序提取所述多个商品中的预定数量的商品以生成商品频繁集。

10.如权利要求1所述的方法，其特征在于，通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分包括：

根据wide and deep模型确定所述商品频繁集中多个商品组合的商品组合评分。

11.一种商品推荐装置，其特征在于，包括：

推荐词模块，用于根据用户行为的对象获取商品推荐词表，所述商品推荐词表中包括商品组合以及商品组合分数；

筛选模块，用于根据所述商品组合分数由所述商品推荐词表中筛选出多个商品组合，以生成商品组合频繁集；

评分模块，用于通过点击率预估方法确定所述商品频繁集中多个商品组合的商品组合评分；以及

推荐模块，用于根据所述商品组合评分向所述用户进行推荐。

12.如权利要求11所述的装置，其特征在于，还包括：

推荐表生成模块，用于通过历史用户购买行为数据与历史商品信息确定所述商品推荐词表。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。