CN110766456A - 商品推荐方法及装置 - Google Patents

Abstract

本发明是关于商品推荐方法及装置。该方法包括：从商品池中每个商品的商品名称中提取核心词，将核心词作为对应商品的标签；根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签；采用M个标签，从广告商品库中召回广告商品，每个标签下召回至少X个广告商品；从召回的广告商品中选取预设数量的广告商品向用户推荐。该技术方案可以基于商品的内容标签获取需要向用户推荐的优质广告商品，可以避免冷门的广告商品难以得到曝光的情况；使同一标签下的广告商品之间可以相互比较，从而能够支持根据广告主对广告商品的出价而对同一标签下的广告商品的流量进行合理分配，以同时实现广告主和广告平台的利益最大化。

Description

商品推荐方法及装置

技术领域

本发明涉及电子商务技术领域，尤其涉及一种商品推荐方法及装置。

背景技术

在电商领域中，通常采用智能推荐系统向用户推荐广告商品。现有的智能推荐系统主要基于协同过滤算法进行商品推荐，其推荐的核心是通过用户与商品之间的行为关系计算相似商品和相似用户。

然而，基于协同过滤的推荐系统存在较强的马太效应，由于用户与商品的关系只存在于用户与热门商品之间，而无法建立与冷门商品之间的关系，因此，会造成热门商品的相似商品是热门商品，冷门商品的相似商品仍然是热门商品，从而使得越是热门的商品，被推荐的概率越高，越是冷门的商品越难以得到曝光。而且，基于协同过滤的推荐系统需要用户大量的行为数据，对于一般规模的电商公司，很难获取丰富的用户行为数据，往往只能获得用户某些方面的数据，这就造成基于相似用户的推荐系统失效，导致用户难以通过相似用户推荐来获得惊喜，用户粘性会随之下降。另外，在广告投放方面，现有的智能推荐系统无法将广告商品放在同一纬度内进行比较，导致难以根据广告主对广告商品的出价而对广告商品的流量进行合理分配，进而无法使广告主的广告利益最大化。

发明内容

本发明实施例提供商品推荐方法及装置。所述技术方案如下：

根据本发明实施例的第一方面，提供一种商品推荐方法，包括：从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；

根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；

采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；

从召回的广告商品中选取预设数量的广告商品向用户推荐。

优选地，所述根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，包括：选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

优选地，所述根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，还包括：根据单个用户的行为数据，分析获得所述用户的行为商品；将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

优选地，所述从召回的广告商品中选取预设数量的广告商品推荐给用户，包括：根据所述置信值，从所述M个标签中选取N个标签；从所述N个标签中每个标签下召回的所述至少X个广告商品中选取一定数量的广告商品，N为小于或等于M的整数；将所选取的广告商品向用户推荐。

优选地，所述方法还包括：获取所述商品池中每个商品的类目；所述采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，包括：对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；计算所述第一数量的索引中每条索引与所述标签的相关值；从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

根据本发明实施例的第二方面，提供一种商品推荐装置，包括：提取模块，用于从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；选取模块，用于根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；召回模块，用于采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；推荐模块，用于从召回的广告商品中选取预设数量的广告商品向用户推荐。

优选地，所述选取模块包括：商品选取子模块，用于选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；第一置信计算子模块，用于将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；第一获取子模块，获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

优选地，所述选取模块还包括：分析子模块，用于根据单个用户的行为数据，分析获得所述用户的行为商品；第二置信计算子模块，用于将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；第二获取子模块，用于获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

优选地，所述推荐模块包括：第一选取子模块，用于根据所述置信值，从所述M个标签中选取N个标签；第二选取子模块，用于从所述N个标签中每个标签下召回的所述至少X个广告商品中选取广告商品；推荐子模块，用于将所选取的广告商品向用户推荐。

优选地，所述装置还包括：获取模块，用于获取所述商品池中每个商品的类目；所述召回模块还包括：查询子模块，用于对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；第一计算子模块，用于计算所述第一数量的索引中每条索引与所述标签的相关值；第一选取子模块，用于从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；第二计算子模块，用于计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；第二选取子模块，从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

根据本发明实施例的第三方面，提供一种商品推荐装置，包括：处理器；用于存储所述处理器可执行命令的存储器；所述处理器被配置为执行上述第一方面所述方法中的步骤。

本发明的实施例提供的技术方案可以包括以下有益效果：通过从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签，根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，采用所选的M个标签，从广告商品库中为每个标签召回X个广告商品，从召回的广告商品中选取预设数量的广告商品向用户推荐；可以基于商品的内容标签获取需要向用户推荐的优质广告商品，避免计算两个商品之间的关系，也不需要基于用户大量的行为数据进行广告商品的推荐，数据的稀疏性较高；同时，也能避免冷门的广告商品难以得到曝光的情况；以及，由于同一标签下的广告商品内容标签相同，因而使同一标签下的广告商品之间可以相互比较，从而可以支持根据广告主对广告商品的出价而对同一标签下的广告商品的流量进行合理分配，以同时实现广告主和广告平台的利益最大化。

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，并不能限制本发明。

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商品推荐方法的流程图。

图2是根据一示例性实施例示出的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商品推荐方法的流程图。

图5是根据一示例性实施例示出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商品推荐方法的流程图。

图7是根据一示例性实施例示出的商品推荐装置的框图。

图8是根据一示例性实施例示出的商品推荐装置的框图。

图9是根据一示例性实施例示出的商品推荐装置的框图。

图10是根据一示例性实施例示出的商品推荐装置的框图。

图11是根据一示例性实施例示出的商品推荐装置的框图。

图12是根据一示例性实施例示出的商品推荐装置的框图。

图13是根据一示例性实施例示出的商品推荐装置的框图。

图14是根据一示例性实施例示出的商品推荐装置的框图。

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推荐方法的流程图，如图1所示，该商品推荐方法包括以下步骤101-104：

在步骤101中，从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签。

示例的，商品池可以是电商平台的商品池，包括了该电商平台所销售的所有商品。示例的，可以使用命名实体识别(Named Entity Recognition，NER)方法从商品名称中剔除非标签内容，或者对商品名称进行歧义处理等，以得到某一商品的商品名称的核心词。例如，对商品名称“遮瑕CC棒”进行剔除非标签处理后，获得核心词“CC棒”；对商品名称“巧克力蛋糕”进行歧义处理后，获得核心词“蛋糕”。进一步地，还可以采用NER方法进行新标签的泛化，以获得丰富的标签库。例如，通过泛化后获得新近热词“光泽裤”。在一实施例中，在采用NER方法的同时，还可以对商品名称进行同义词处理，以使获得的核心词唯一。

在步骤102中，根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数。

这里，用户在访问电商平台时，该电商平台会自动记录用户的各种行为，例如，浏览、点击、收藏、购买等行为，并根据这些行为对商品池中的商品的点击率和转化率等进行实时统计，对各个用户或用户群体的行为数据进行计算等，以及将统计和计算获得的数据进行实时存储。因而，可以将商品的点击率、转化率，以及用户对商品的行为数据作为商品选取的参考因素，并获取所选取的商品所对应的标签。

在步骤103中，采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数。

这里，广告商品库中存储了不同广告主需要向用户推广的广告商品。示例的，广告商品库可以根据广告主对对应广告商品的出价实时更新该对应广告商品的广告主出价，可以实时更新广告商品的风控情况，以及实时更新广告商品是否暂停推广的情况等，以保证广告商品库中的所有广告商品均为符合推广要求的广告商品。示例的，每个标签下召回的广告商品的数目可以相同，也可以不相同。例如，当分别采用“CC棒”、“蛋糕”和“短裙”这3个标签中的每个标签进行商品召回时，最终可以在标签“CC棒”下召回6个广告商品，在标签“蛋糕”下召回10个广告商品，而在标签“短裙”下召回11个广告商品。

在步骤104中，从召回的广告商品中选取预设数量的广告商品向用户推荐。

示例的，可以从每个标签下召回的广告商品中随机选取多个广告商品进行推荐，也可以从M个标签中随机选取多个标签，并从选取的每个标签下所召回的商品中再选取多个广告商品进行推荐。

本实施例中，可以基于商品的内容标签获取需要向用户推荐的优质广告商品，避免计算两个商品之间的关系，也不需要基于用户大量的行为数据进行广告商品的推荐，数据的稀疏性较高；同时，也能避免冷门的广告商品难以得到曝光的情况，使得新的广告商品在没有用户行为的前提下能得到快速投放，从而在广告主取得收入的同时广告平台取得收益，实现广告平台与广告主的双赢；以及，由于同一标签下的广告商品内容标签相同，因而使同一标签下的广告商品之间可以相互比较，从而可以支持根据广告主对广告商品的出价而对同一标签下的广告商品的流量进行合理分配，以同时实现广告主和广告平台的利益最大化。

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，如图2所示，上述步骤102可以被执行为步骤201-203：

在步骤201中，选取点击率和转化率均高于或等于预设阈值的商品作为优质商品。

这里，点击率为网站页面上某一内容被点击的次数与被显示次数之比；转化率为在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。点击率通常用于衡量广告的吸引程度，转化率通常用于衡量广告的宣传效果。电商平台中存储了用户的行为日志，可以通过解析用户的行为日志获得各个商品的点击率和转化率。示例的，可以对商品的点击率和转化率进行排序，然后分别设定点击率阈值和转化率阈值，以从中选取预设数量的点击率高于或等于点击率阈值且转化率高于或等于转化率阈值的优质商品。

在步骤202中，将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值。

这里，当用户访问电商平台时，平台会对该用户的身份进行识别，以判别该用户是否为历史首次登陆的用户，若该用户为历史首次登陆的用户，则该用户为新用户，否则不是新用户。这里，电商平台会统计一段时间内所有新用户对商品池中商品的加入购物车、收藏、购买、点击等行为，获得新用户群体对每个商品的行为数据，并将新用户群体对每个商品的行为数据输入置信区间上界(Upper Confidence Bound，UCB)算法模型中，分别获得每个商品的置信值。

在步骤203中，获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

这里，可以将计算获得的置信值进行由高至低的排序，选取置信值排名最靠前的多个商品。这里，可以根据所需标签的数目大小设置第一预设置信阈值的具体数值，例如，当所需标签较少时，将第一预设置信阈值设置为较高的数值，当所需标签较多时，则设置较低的数值。

本实施例中，通过商品的转化率、点击率，以及新用户群体的行为数据选取标签，可以避免在没有获得足够的行为对之前，推荐系统难以将合适的商品推荐给合适的用户的问题，可以有效解决推荐中的用户冷启动和商品冷启动的问题；以及，通过UCB算法选取标签，可以增加标签选取的多样性，能够在一定程度上解决广告商品推荐中的EE(Exploit&Explore)问题。

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，如图3所示，上述步骤102还可以被执行为包括步骤301-303。这里，步骤301-303可以与步骤201-203一并执行，也可以在步骤201-203之前或之后执行，本发明对此不做具体限定。

在步骤301中，根据单个用户的行为数据，分析获得所述用户的行为商品。

示例的，所述单个用户是在此之前已登陆过电商平台的用户。该行为数据是该用户的历史行为和实时行为，具体包括：对商品的点击、收藏、加入购物车和购买等。例如，当用户名为“张三”的用户本次访问电商平台时，通过获取该用户在电商平台的历史行为数据和本次的实时数据，可以获得该用户点击、收藏、加入购物车或购买过的多个不同的商品。

在步骤302中，将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值。

例如，当“法式连衣裙”是历史收藏且本次购买的商品时，则将该商品“法式连衣裙”的历史收藏数据和本次购买数据一同输入UCB算法模型中，计算该商品“法式连衣裙”的置信值。

在步骤303中，获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

这里，可以将计算获得的置信值进行由高至低的排序，选取置信值排名最靠前的多个商品。

本实施例中，通过用户的行为数据和UCB算法选取商品标签，不仅可以确保所选标签的实时性，还可以兼顾商品推荐中的探索与利用，从而既保证了后续的广告商品推荐的高实时性，还在一定程度上解决了广告商品推荐中的EE问题。

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，如图4所示，步骤104可以被执行为步骤401-403：

在步骤401中，根据所述置信值，从所述M个标签中选取N个标签。

这里，所述置信值为上述步骤计算获得的置信值。示例的，可以选择置信值最大的N个标签。

在步骤402中，从所述N个标签中每个标签下召回的所述至少X个广告商品中选取一定数量的广告商品，N为小于或等于M的整数。

这里，在对N个标签中每个标签下的广告商品进行选取时，可以随机选择，也可以根据广告商品的置信值的大小进行选取，例如，选取每个标签下置信值大于某一阈值的广告商品。

在步骤403中，将所选取的广告商品向用户推荐。

这里，可以通过在特定位置显示所选的广告商品的图片和描述信息的方式向用户推荐对应的广告商品，也可以通过向用户发送广告商品的描述信息和链接信息的方式向用户推荐对应的广告商品，本发明对此不做具体限定。

本实施例中，在为M个标签中的每个标签召回X个广告商品的基础上，再从M个标签中选取置信值最大的N个的标签，从该N个标签中每个标签下的X个广告商品中再选取一定数量的广告商品进行推荐，可以进一步提高推荐的精确度，使得推荐的广告商品更精准。

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，如图5所示，图1所述的商品推荐方法还包括步骤501，上述步骤103可以被执行为步骤502-506。步骤501可以与步骤101一同执行，也可以在步骤101或步骤102之后执行，只要在步骤502之前执行即可。

在步骤501中，获取所述商品池中每个商品的类目。

示例的，所述类目是商品的一级类目。商品池中的每个商品均有对应的一级类目，例如，“短裙”的一级类目为“女装大类”。

在步骤502中，对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品。

这里，广告索引库中存储有所有广告商品的索引信息，可通过关键词从广告索引库中搜索相关索引。每一条索引信息至少是根据一个广告商品的商品名称、商品类目和所属店铺的名称而建立。

在步骤503中，计算所述第一数量的索引中每条索引与所述标签的相关值。

这里，相关值为两个文本之间的相关值；示例的，可以将模糊匹配值或两个文本之间的cosin距离值作为两个文本之间的相关值。

在步骤504中，从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引。

这里，由于相关值越高表明索引与关键词越相关，因此，所选的第二数量的索引是与关键词最相关的索引。

在步骤505中，计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值。

示例的，第二数量的索引中每条索引所对应的广告商品的点击收益值为：该商品的历史点击率和该商品的广告主出价的乘积(ecpm＝ctr*bid_price)。商品的历史点击率可从电商平台的数据库中解析获得，商品的广告主出价是广告主对该商品的每次点击出价。所述每次点击出价可以根据广告主输入的该商品的每单成交出价而换算获得。

在一实施例中，所述商品推荐方法还包括：对于向用户推荐的每个广告商品，根据所述广告商品的平均转化率和市场出价，计算所述广告商品的推荐出价，所述推荐出价用于为广告主对所述广告商品的出价提供参考基准，以使广告主基于所述推荐出价给出对应广告商品的广告主出价。这里，广告商品的平均转化率为广告商品的购买次数与点击次数的比值；广告商品的市场出价为业界中对于该广告商品的平均广告出价。

在步骤506中，从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

在一实施例中，在上述召回结束后，还通过用户的基本信息和用户对店铺的行为数据进行广告商品的补充召回。

本实施例中，通过上述规则召回广告商品，不仅可以使召回的广告商品更多样且更合适，还能达到广告主和广告平台的收益最大化。

图6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，如图6所示，在步骤104之后还包括步骤601-605。示例的，步骤601-605可以在执行了步骤401-403的基础上执行，也可以在未执行步骤401-403的基础上执行。

在步骤601中，对于向用户推荐的每个广告商品，根据广告主输入的广告主出价和所述广告商品的当前成交量，计算当前的广告成本。

这里，所述广告主出价为广告主对该商品的每次点击出价，是根据广告主输入的该商品的每单成交出价而换算获得。所述广告商品的当前成交量可从电商平台的数据库中解析获得。广告商品的广告成本为当前该广告商品的实际广告扣费除以当前该广告商品的成交单数而获得的值。

在步骤602中，判断所述广告成本是否高出所述广告主出价预设值。

示例的，所述预设值为广告主出价的20％，即对于一个广告商品，判断该广告成本是否高出所述广告主出价的20％。

在步骤603中，在所述广告成本高出所述广告主出价预设值时，将所述广告商品的广告主出价降低预设数值，获得调整后的广告主出价。

在步骤604中，在所述广告成本等于或低于所述广告主出价预设值时，将所述广告商品的广告主出价增加预设数值，获得调整后的广告主出价。

示例的，所述增加或降低的预设数值可以为广告主出价的5％。

在步骤605中，将所述广告商品的广告主出价更新为所述调整后的广告主出价。

这里，当获得调整后的广告主出价后，可以将该调整后的广告主出价存储至数据库中，以替换之前根据广告主输入的广告商品的每单成交出价而换算获得的广告主出价，如此，可以在广告投放保证期内根据流量的好坏不断的调整广告出价，保证优质的流量出高价劣质的流量出低价，能够有效降低广告的投放成本，且使电商平台和广告主的利益均最大化。

下述为本发明提供的装置实施例，可以用于执行本发明中上述方法实施例。

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，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示，该商品推荐装置包括：提取模块701、选取模块702、召回模块703、推荐模块704：

提取模块701，用于从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；选取模块702，用于根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；召回模块703，用于采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；推荐模块704，用于从召回的广告商品中选取预设数量的广告商品向用户推荐。

作为一种可能的实施例，图8是根据一示例性实施例示出的一种商品推荐装置的框图。如图8所示，上述选取模块702还可以被配置成包括商品选取子模块7021、第一置信计算子模块7022和第一获取子模块7023，其中：

商品选取子模块7021，用于选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；第一置信计算子模块7022，用于将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；第一获取子模块7023，获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

作为一种可能的实施例，图9是根据一示例性实施例示出的一种商品推荐装置的框图。如图9所示，如图9所示，上述选取模块702还可以被配置成包括：分析子模块7024、第二置信计算子模块7025和第二获取子模块7026，其中：

分析子模块7024，用于根据单个用户的行为数据，分析获得所述用户的行为商品；第二置信计算子模块7025，用于将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；第二获取子模块7026，用于获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

作为一种可能的实施例，图10是根据一示例性实施例示出的一种调度装置的框图。如图10所示，上述推荐模块704还可以被配置成包括第一选取子模块7041、第二选取子模块7042和推荐子模块7043：其中：

第一选取子模块7041，用于根据所述置信值，从所述M个标签中选取N个标签；第二选取子模块7042，用于从所述N个标签中每个标签下召回的所述至少X个广告商品中选取广告商品；推荐子模块7043，用于将所选取的广告商品向用户推荐。

作为一种可能的实施例，图11是根据一示例性实施例示出的一种商品推荐装置的框图。如图11所示，所述商品推荐装置还包括获取模块705，召回模块703还可以被配置成包括：查询子模块7031、第一计算子模块7032、第一选取子模块7033、第二计算子模块7034和第二选取子模块7035，其中：

查询子模块7031，用于对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；第一计算子模块7032，用于计算所述第一数量的索引中每条索引与所述标签的相关值；第一选取子模块7033，用于从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；第二计算子模块7034，用于计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；第二选取子模块7035，从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

作为一种可能的实施例，图12是根据一示例性实施例示出的一种调度装置的框图。如图12所示，所述商品推荐装置还可以被配置成包括：成本计算模块706、判断模块707、调整模块708和更新模块709：

成本计算模块706，用于对于向用户推荐的每个广告商品，根据广告主输入的广告主出价和所述广告商品的当前成交量，计算当前的广告成本；判断模块707，用于判断所述广告成本是否高出所述广告主出价预设值；调整模块708，用于在所述广告成本高出所述广告主出价预设值时，将所述广告商品的广告主出价降低预设数值；在所述广告成本等于或低于所述广告主出价预设值时，将所述广告商品的广告主出价增加预设数值，获得调整后的广告主出价；更新模块709，用于将所述广告商品的广告主出价更新为所述调整后的广告主出价。

作为一种可能的实施例，图13是根据一示例性实施例示出的一种调度装置的框图。如图13所示，所述商品推荐装置还可以被配置成包括出价推荐模块710，用于对于向用户推荐的每个广告商品，根据所述广告商品的转化率和市场出价，计算所述广告商品的推荐出价，所述推荐出价用于为广告主对所述广告商品的出价提供参考基准。

关于上述实施例中的装置，其中多个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。

下述为本发明提供的装置实施例，可以用于执行本发明中上述方法实施例。

图14是根据一示例性实施例示出的一种商品推荐装置的框图，该装置适用于终端设备。例如，装置1400可以是计算机设备。

装置1400可以包括以下一个或多个组件：处理组件1402，存储器1404，电源组件1406，多媒体组件1408，音频组件1410，输入/输出(I/O)的接口1412，传感器组件1414，以及通信组件1416。

处理组件1402通常控制装置1400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。处理组件1402可以包括一个或多个处理器1420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1402可以包括一个或多个模块，便于处理组件1402和其他组件之间的交互。例如，处理组件1402可以包括多媒体模块，以方便多媒体组件1408和处理组件1402之间的交互。

存储器1404被配置为存储各种类型的数据以支持在装置1400的操作。这些数据的示例包括用于在装置1400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1404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1406为装置1400的各种组件提供电力。电源组件1406可以包括电源管理装置，一个或多个电源，及其他与为装置1400生成、管理和分配电力相关联的组件。

多媒体组件1408包括在所述装置1400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1408包括一个前置摄像头和/或后置摄像头。当装置1400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装置或具有焦距和光学变焦能力。

音频组件1410被配置为输出和/或输入音频信号。例如，音频组件1410包括一个麦克风(MIC)，当装置1400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1404或经由通信组件1416发送。在一些实施例中，音频组件1410还包括一个扬声器，用于输出音频信号。

I/O接口1412为处理组件1402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1414包括一个或多个传感器，用于为装置1400提供多个方面的状态评估。例如，传感器组件1414可以检测到装置1400的打开/关闭状态，组件的相对定位，例如所述组件为装置1400的显示器和小键盘，传感器组件1414还可以检测装置1400或装置1400一个组件的位置改变，用户与装置1400接触的存在或不存在，装置1400方位或加速/减速和装置1400的温度变化。传感器组件1414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1414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1414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1416被配置为便于装置1400和其他设备之间有线或无线方式的通信。装置1400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，通信组件1416经由广播信道接收来自外部广播管理装置的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1416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1400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1404，上述指令可由装置1400的处理器1420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。

本实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由上述装置1400的处理器执行时实现以下步骤：

从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；从召回的广告商品中选取预设数量的广告商品向用户推荐。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

根据单个用户的行为数据，分析获得所述用户的行为商品；将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

根据所述置信值，从所述M个标签中选取N个标签；从所述N个标签中每个标签下召回的所述至少X个广告商品中选取一定数量的广告商品，N为小于或等于M的整数；将所选取的广告商品向用户推荐。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

获取所述商品池中每个商品的类目；对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；计算所述第一数量的索引中每条索引与所述标签的相关值；从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

对于所述第二数量的索引中每条索引所对应的广告商品，计算所述商品的历史点击率和所述商品的广告主出价的乘积，将所述乘积作为所述广告商品的点击收益值。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

对于向用户推荐的每个广告商品，根据广告主输入的广告主出价和所述广告商品的当前成交量，计算当前的广告成本；判断所述广告成本是否高出所述广告主出价预设值；在所述广告成本高出所述广告主出价预设值时，将所述广告商品的广告主出价降低预设数值，获得调整后的广告主出价；在所述广告成本等于或低于所述广告主出价预设值时，将所述广告商品的广告主出价增加预设数值，获得调整后的广告主出价；将所述广告商品的广告主出价更新为所述调整后的广告主出价。

在一实施例中，当所述存储介质中的指令由上述装置1400的处理器执行时，还实现以下步骤：

对于向用户推荐的每个广告商品，根据所述广告商品的转化率和市场出价，计算所述广告商品的推荐出价，所述推荐出价用于为广告主对所述广告商品的出价提供参考基准。

本实施例还提供了一种调度装置，包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为包括：

处理器；用于存储所述处理器可执行命令的存储器；所述处理器被配置为执行上述商品推荐方法中的步骤。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。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，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种商品推荐方法，其特征在于，包括：

从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；

根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；

采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；

从召回的广告商品中选取预设数量的广告商品向用户推荐。

2.如权利要求1所述的商品推荐方法，其特征在于，所述根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，包括：

选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；

将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；

获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

3.如权利要求2所述的商品推荐方法，其特征在于，所述根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，还包括：

根据单个用户的行为数据，分析获得所述用户的行为商品；

将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；

获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

4.如权利要求3所述的商品推荐方法，其特征在于，所述从召回的广告商品中选取预设数量的广告商品推荐给用户，包括：

根据所述置信值，从所述M个标签中选取N个标签；

从所述N个标签中每个标签下召回的所述至少X个广告商品中选取一定数量的广告商品，N为小于或等于M的整数；

将所选取的广告商品向用户推荐。

5.如权利要求1所述的商品推荐方法，其特征在于，所述方法还包括：

获取所述商品池中每个商品的类目；

所述采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，包括：

对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；

计算所述第一数量的索引中每条索引与所述标签的相关值；

从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；

计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；

从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

6.一种商品推荐装置，其特征在于，包括：

提取模块，用于从商品池中每个商品的商品名称中提取核心词，将所述核心词作为对应商品的标签；

选取模块，用于根据每个商品的点击率、转化率，以及用户对每个商品的行为数据，选取M个标签，M为大于或等于1的整数；

召回模块，用于采用所述M个标签，从广告商品库中召回广告商品，其中，每个标签下召回至少X个广告商品，X为大于或等于1的整数；

推荐模块，用于从召回的广告商品中选取预设数量的广告商品向用户推荐。

7.如权利要求6所述的商品推荐装置，其特征在于，所述选取模块包括：

商品选取子模块，用于选取点击率和转化率均高于或等于预设阈值的商品作为优质商品；

第一置信计算子模块，用于将新用户群体对所述优质商品中每个商品的行为数据，输入置信区间上界算法模型中，计算获得所述优质商品中每个商品的置信值；

第一获取子模块，获取置信值高于或等于第一预设置信阈值的商品的标签，作为所选标签。

8.如权利要求7所述的商品推荐装置，其特征在于，所述选取模块还包括：

分析子模块，用于根据单个用户的行为数据，分析获得所述用户的行为商品；

第二置信计算子模块，用于将所述行为商品中每个商品的行为数据，输入所述置信区间上界算法模型中，计算获得所述行为商品中每个商品的置信值；

第二获取子模块，用于获取置信值高于或等于第二预设置信阈值的商品的标签，作为所选标签。

9.如权利要求8所述的商品推荐装置，其特征在于，所述推荐模块包括：

第一选取子模块，用于根据所述置信值，从所述M个标签中选取N个标签；

第二选取子模块，用于从所述N个标签中每个标签下召回的所述至少X个广告商品中选取广告商品；

推荐子模块，用于将所选取的广告商品向用户推荐。

10.如权利要求6所述的商品推荐装置，其特征在于，

所述装置还包括：

获取模块，用于获取所述商品池中每个商品的类目；

所述召回模块还包括：

查询子模块，用于对于所述M个标签中的每个标签，将所述标签和所述标签所属商品的类目共同作为查询词输入广告商品索引库中，获得第一数量的索引，其中，每条索引对应一个广告商品；

第一计算子模块，用于计算所述第一数量的索引中每条索引与所述标签的相关值；

第一选取子模块，用于从所述第一数量的索引中，选取相关值大于或等于预设相关阈值的第二数量的索引；

第二计算子模块，用于计算所述第二数量的索引中每条索引所对应的广告商品的点击收益值；

第二选取子模块，用于从所述第二数量的索引中，选取点击收益值大于或等于预设收益阈值的第三数量的索引，将所述第三数量的索引所对应的广告商品作为所述标签下召回的广告商品。

11.一种商品推荐装置，其特征在于，包括：

处理器；

存储器，用于存储所述处理器可执行命令；

所述处理器被配置为执行权利要求1至5任一项所述方法中的步骤。

Images