CN111161022A - 一种商品推荐方法及装置 - Google Patents

Abstract

本申请提供了一种商品推荐方法及装置，包括：获取用户输入的检索目标及检索目标对应的商品图片，并提取商品图片中的关联商品元素；将检索目标和所述关联商品元素映射到预设商品分类体系中，得到检索目标对应的目标位置码组和关联商品元素对应的关联位置码组；根据目标位置码组和所述关联位置码组计算关联商品元素与所述检索目标的目标差异度；将目标差异度和预统计目标差异度进行对比，将落入预统计目标差异范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给用户。其可实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

Description

一种商品推荐方法及装置

技术领域

本申请涉及电商领域，尤其涉及一种商品推荐方法及装置。

背景技术

传统电商的商品推荐策略往往只针对类似产品进行推荐，比如：某双鞋子的商品详情页的推荐板块往往只会推荐其他鞋子。这种情形对需求明确的用户行之有效，如：对于就要搜索“XX牌子XX款XX物”的用户，只需推荐与该商品同类的商品即可满足用户需求。

但目前很多情况是用户只是进入电商平台随便逛逛，并未有明确的需求，此时用户很容易受到商品图片或视频的影响，如果用户只是点击平台上展示的某个商品，此时只推荐该商品的同类商品显然无法满足用户随便逛逛的需求，但任意推荐其他不同类的商品又可能会偏离用户的喜好。因此，如何设计一种根据用户当前浏览的商品信息推荐其他类商品而又不偏离用户喜好方向的推荐策略是一个亟待解决的问题。

发明内容

本申请提供了一种商品推荐方法及装置，目的在于解决如何根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种商品推荐方法，包括以下步骤：

获取用户输入的检索目标及所述检索目标对应的商品图片，并提取所述商品图片中的关联商品元素；

将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组；

根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度；

将所述目标差异度和预统计目标差异度进行对比，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

在其中一个实施例中，所述可行位置码组为多个时，所述将所述可行位置码组对应的关联商品元推荐给所述用户，包括：

从每个所述可行位置码组对应的目标差异度中获取待推荐目标差异度；

将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率；

根据所述推荐概率向所述用户推荐关联商品元素。

在其中一个实施例中，所述根据所述推荐概率向所述用户推荐关联商品元素，包括：

获取所述关联商品元素的关联推荐数量；

根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给所述用户。

在其中一个实施例中，在将所述可行位置码组对应的关联商品元素推荐给所述用户的同时，还包括：提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素的步骤；

进一步地，所述向所述用户推荐所述目标商品元素的同类商品元素的步骤包括：

判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值；

获取同类商品元素的同类推荐数量；

采集所述同类推荐数量的同类商品元素推荐给所述用户；

其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

在其中一个实施例中，所述根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度，包括：

获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度；

获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度；

确定所述目标位置节点和所述关联位置节点在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度；

根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

本申请还提供一种商品推荐装置，包括：商品元素提取模块，用于获取用户输入的检索目标及所述检索目标对应的商品图片，并提取所述商品图片中的关联商品元素；

位置码组映射模块，用于将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组；

目标差异度计算模块，用于根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度；

关联商品推荐模块，用于将所述目标差异度和预统计目标差异度进行对比，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

在其中一个实施例中，所述可行位置码组为多个时，所述关联商品推荐模块包括：

待推荐目标差异度获取单元，用于从每个所述可行位置码组对应的目标差异度中获取待推荐目标差异度；

推荐概率计算单元，用于将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率；

推荐单元，用于根据所述推荐概率向所述用户推荐关联商品元素。

在其中一个实施例中，所述推荐单元包括：

推荐数量获取子单元，用于获取所述关联商品元素的关联推荐数量；

排序推荐子单元，用于根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给所述用户。

在其中一个实施例中，还包括：

同类商品推荐模块，用于在将所述可行位置码组对应的关联商品元素推荐给所述用户的同时，提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素；

进一步地，所述同类商品推荐模块包括：

判断单元，用于判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值；

获取单元，用于获取同类商品元素的同类推荐数量；

采集推荐单元，用于采集所述同类推荐数量的同类商品元素推荐给所述用户；

其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

在其中一个实施例中，所述目标差异度计算模块包括：

目标模糊度计算单元，用于获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度；

关联模糊度计算单元，用于获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度；

祖先模糊度计算单元，用于确定所述目标位置节点和所述关联位置节点在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度；

目标差异度计算单元，用于根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

本申请所述的商品推荐方法及装置，当用户输入检索目标时，获取对应的商品图片并从中提取该商品图片中的关联商品元素，将检索目标和关联商品元素映射到预设商品分类体系，得到能够计算关联商品元素与检索目标的目标差异度的目标位置码组和关联位置码组，将得到的目标差异度与预统计目标差异度进行比对，确定落入预统计目标差异度范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给所述用户，由于关联商品元素不是随便选取的，而是与用户检索目标有关联性的，且运用了反映用户的需求改变方向和范围的预统计目标差异度对待推荐的关联商品元素做进一度限定，因此可实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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。

图1为本申请一具体实施例的商品推荐方法的流程示意图；

图2为本申请一具体实施例的预设商品分类体系结构图；

图3为本申请步骤S300的一具体实施例的流程示意图；

图4为本申请步骤S310的一具体实施例的流程示意图；

图5为本申请一具体实施例中计算模糊度和差异度示例图；

图6为本申请步骤S320一具体实施例的流程示意图；

图7为本申请步骤S330一具体实施例的流程示意图；

图8为本申请一具体实施例的可行位置码的覆盖区域示例图；

图9为本申请一具体实施例的输入图片后反馈关联商品元素的示例图；

图10为本申请步骤S400一具体实施例的流程示意图；

图11为本申请步骤S430一具体实施例的流程示意图；

图12为本申请步骤S500一具体实施例的流程示意图；

图13为本申请实施例公开的商品推荐装置的结构示意图；

图14为本申请实施例公开的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种商品推荐方法，可以包括以下步骤：

S100，获取用户输入的检索目标及检索目标对应的商品图片，并提取商品图片中的关联商品元素。通常用户检索目标对应的商品图片中的关联商品要素也是用户较为关注或感兴趣的。

S200，将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组。

预设商品分类体系是在设计商品推荐策略之前就建立的，预设商品分类体系为n(n为大于等于1的整数)层树状结构，每层树状结构包括多个节点，每个节点可以有多个子节点，该子节点属于该节点的细分领域，该子节点还可有多个孙节点，该孙节点为该子节点的进一步细分，依次类推，直至细分到某一领域的单一商品，该预设商品分类体系的好处是能够尽量多而全的涵盖商品数据库中的所有商品类型和细分领域。

图2为一具体实施例中的预设商品分类体系的结构图，该实施例中预设商品分类体系以树状结构呈现，树状结构的每一节点都具备一位置码，且每一位置码都预设对应的商品信息，例如：根节点为“商品”，男性服装的位置码是

电子设备的位置码是

户外用品的位置码是

家居用品的位置码是

然后各类下，可以继续细分，例如智能手机是属于电子设备的子节点，其位置码可以是

以此类推，可一直细分到单一商品或单一商品不同规格的集合，例如：iPhone11金色、白色、黑色等。此外，允许有相同的叶子节点，即某个商品可以被允许处于不同的分类路径下。

在建立预设商品分类体系之后，构建主题词表，即上述预设商品分类体系的各个节点的标签。构建主题词表包括构建主题词以及该主题词对应的关键词映射表，每个主题词对应多个关键词。当用户输入查询信息后，会对用户输入的查询信息进行分词处理，转化为主题词，即转化为预设商品分类体系中各个节点的标签，此时才能查询到用户查询信息在预设商品分类体系中的位置码。例如：当用户输入“电子产品或电子器件”时，需要查询关键词映射表，将“电子产品或电子器件”转化为“电子设备”主题词，再将“电子设备”映射到预设商品分类体系中，从而找到“电子产品或电子器件”在预设商品分类体系中对应的位置码。构建主题词表的作用是能够模糊化用户的检索要素，提高用户查询检索时的体验感。

当得到检索目标和关联商品元素后，将检索目标和关联商品元素映射到该预设商品分类体系中，找到检索目标和关联商品元素在预设商品分类体系中对应的位置，即可得到检索目标和关联商品元素在预设商品分类体系中对应的位置码，由于某个商品可以被允许处于不同的分类路径下，即某一商品可能会有多个不同的位置码，因此将该商品对应的所有位置码都提取出来，作为该商品的位置码组。

值得说明的是，用户在查询检索时，可以在检索会话框中输入关键词进行检索，也可以在商品展示界面上直接点击展示的商品，步骤S100中获取用户输入的检索目标及检索目标对应的商品图片包括这两种情形。如果用户在检索会话框中输入关键词进行检索，则关键词对应的主题词即为检索目标，以该主题词检索呈现出的商品详情界面即为检索目标对应的商品图片。若用户是直接点击展示的商品，则该展示商品中的主要商品元素为检索目标，点击进去的商品详情界面为检索目标对应的商品图片。

S300，根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度。目标差异度用于确定关联商品元素偏离检索目标的范围。

在一具体实施方式中，参见图3，步骤S300包括：

S310，获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度。

S320，获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度。

S330，获取所述目标位置码组和所述关联位置码组在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度。

S340，根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

上述为步骤S300的一具体实施方式，在该实施方式中，在计算关联商品元素与检索目标的目标差异度时，需要先计算关联商品元素以及检索目标的模糊度，模糊度体现了商品在预设商品分类体系中的区别程度，商品在预设商品分类体系所在的节点位置越接近叶子节点，其模糊度越小，即越接近细分领域，商品之间的区别程度越小，叶子节点的模糊度为0，即上述预设商品分类体系中的单一商品的模糊度为0；节点位置越接近根节点，模糊度越大，即越接近根节点，商品之间的区别程度越大，定义跟节点的模糊度为1，位于根节点和叶子节点之间的节点的模糊度的范围为(0,1)。

具体地，参见图4，步骤310进一步包括：

S311，计算目标位置节点的叶子节点与目标位置节点的第一距离信息。

S312，计算目标位置节点的叶子节点与根节点的第二距离信息。

S313，根据第一距离信息和第二距离信息得到目标模糊度，即根据第一距离与第二距离的比值得到目标模糊度。

在一具体实施方式中，某节点的目标模糊度的计算公式为：

即先计算该节点所有层级中处于同一层级所有叶子节点到该节点的距离除以该层级中某一叶子节点到根节点的距离的商值，再计算所有层级的商值之和的均值。其中，R代表该节点下有R个商品，dist＝(r,node)表示第r个商品到该节点的距离，dist＝(r,root)是第r个商品到根节点的距离。

举例说明，参见图5，若节点

的模糊度为

的模糊度为

的模糊度为

同理，参见图6，步骤S320进一步包括：

S321，计算关联位置节点的叶子节点与目标位置节点的第三距离信息。

S322，计算关联位置节点的叶子节点与根节点的第四距离信息。

S323，根据第三距离信息和第四距离信息得到关联模糊度，即根据第三距离与第四距离的比值得到关联模糊度。

同理，参见图7，步骤S330进一步包括：

S331，计算最近公共祖先节点的叶子节点与目标位置节点的第五距离信息。

S332，计算最近公共祖先节点的叶子节点与根节点的第六距离信息。

S333，根据第五距离信息和第六距离信息得到祖先模糊度，即根据第五距离与第六距离的比值得到祖先模糊度。

在一具体实施方式中，步骤S340进一步包括：

分别计算祖先模糊度与目标模糊度、关联模糊度的差值，并确定祖先模糊度与目标模糊度、关联模糊度的差值的最小值，计算最小值与祖先模糊度的乘积得到目标位置节点和关联位置节点的目标差异度。

举例说明，参见图5，节点

和节点

的差异度为min{0.7130-0.5，0.7130-0.3333}×0.7130＝0.1519。

上述定义满足如下性质：1.目标位置节点和关联位置节点中有一个是另一个的子节点，则属于目标的逐渐精确或抽象，没有体现目标方向的差异，即差异为0；2.在越精确的类别下发生同样距离的变化，目标的差异越小。

S400，将所述目标差异度和预统计目标差异度进行比对，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

将上述计算得到的目标差异度与预统计目标差异度进行比对，确定落入预统计目标差异度范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给所述用户，实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

其中，预统计目标差异度是根据用户前后邻近两次检索目标的差异度进行线性拟合得到的，其可从用户的历史浏览中获知用户需求改变方向和范围，而该预统计目标差异度反映了用户的需求改变方向和范围，将其作为判定指标能够很好地确定用户的喜好方向，从而达到在推荐其他不同类商品时能够不偏离用户喜好方向的效果。

在一具体实施方式中，预统计目标差异度的获得方式如下：获取用户输入的第一次检索目标{Need₁,Need₂,…Need_X}，获取紧跟着重新检索的第二次检索目标{Need'₁,Need'₂,…Need'_Y}，每一个Need都对应前述预设商品分类体系中的一个节点。从第一次检索目标中提取Need_x，从第二次检索目标中提取Need'_y，将二者的目标差异度记为d_xy，对于每一个Need_x，计算最小的d_xy作为d^* _x，将amb_x记为Need_x的模糊度，对于每一个不为0的d^* _x，记录一组数据(amb_x，d^* _x)。依据记录的所有数据，拟合amb与d^*的关系，例如使用线性回归，d^*＝f(amb)，f(amb)＝Aamb+B，其中，A和B为线性回归得到的参数。

举例说明，参见图8，针对节点

的模糊度，代入f(amb)，可以得到一个预统计目标差异度d^*，假设与节点

目标差异度小于d^*的有如图8所示的灰色区域，则认定该灰色区域覆盖下的节点的所有叶子节点对应的商品元素都是可能被用户选择的。

本实施例提供的商品推荐方法，当用户输入检索目标时，获取对应的商品图片并从中提取该商品图片中的关联商品元素，将检索目标和关联商品元素映射到预设商品分类体系，得到能够计算关联商品元素与检索目标的目标差异度的目标位置码组和关联位置码组，将得到的目标差异度与预统计目标差异度进行比对，确定落入预统计目标差异度范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给所述用户，由于关联商品元素不是随便选取的，而是与用户检索目标有关联性的，且运用了反映用户的需求改变方向和范围的预统计目标差异度对待推荐的关联商品元素做进一度限定，因此可实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

其中，需要说明的是，参见图9，电商平台中的商品图片都是经过预标注的，即商品图片中的所有元素在预设商品分类体系中都有对应的位置码，输入一个商品图片可反馈当前商品图片中各个元素的位置码组。

优选地，在其中一个具体实施方式中，参见图10，可行位置码组为多个时，步骤S400包括：

S410，从每个可行位置码组对应的目标差异度中获取待推荐目标差异度。

S420，将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率。

S430，根据所述推荐概率向所述用户推荐关联商品元素。

可行位置码组为多个表示输入一个商品图片反馈的关联商品元素为多个，例如：搜索“棉服”，然后浏览一张男性穿戴外套、高领毛衣以及墨镜的图片，可得到的这张图片中关联商品元素有墨镜、高领毛衣、秋冬外套等，每个商品元素在预设商品分类体系中都有对应的关联位置码组，该位置码组可包含一个位置码，也可包含多个位置码。若关联位置码组包含多个关联位置码，则计算每个关联位置码与目标位置码组中的每个目标位置码的目标差异度，将每个目标差异度都与预统计目标差异度进行比对，当只有1个目标差异度小于预统计目标差异度，就将该目标差异度对应的关联位置码作为可行位置码，并将该可行位置码的目标差异度作为待推荐目标差异度；当一个商品元素的关联位置码组中有多个关联位置码的目标差异度都小于预统计目标差异度时，可选取目标差异度最小的关联位置码作为关联商品元素的可行位置码，并将该最小的目标差异度作为该关联商品元素的待推荐目标差异度。依次类推，得到多个可推荐的商品元素的待推荐目标差异度。

将多个待推荐目标差异度依次代入预设概率函数中，该预设概率函数是与目标差异度相关的概率函数，且目标差异度越大，推荐概率越小。优选地，在其中一个实施方式中，设关联商品元素的集合为set_g:{N₁,N₂,…N_G},表示反馈的关联图片元素有G个，N_g表示第g个关联图片元素的关联位置码组，将set_p中的关联位置码组N_g中的每一关联位置码逐一与检索目标t中的每一目标位置码做目标差异计算后，得到关联位置码组N_g中每一关联位置码的目标差异度，将存在目标差异度小于预统计目标差异度的关联位置码组记做可行位置码组，并按照上述方法选择该可行位置码组中目标差异度小于预统计目标差异度的关联位置码或该关联位置码组中目标差异度最小的关联位置码作为该关联位置码组的可行位置码，由此得到set_g的可行位置码集合set_p：{N^* ₁,N^* ₂,…N^* _P},其中，P表示可推荐的商品元素的数量，即可行位置码的数量,N^* _p表示第p个可行的位置码，set_p对应目标差异度为

定义预设概率函数的公式为：

或

其中，d^p _cur表示第p个可行位置码的待推荐目标差异度。将待推荐目标差异度代入上述预设概率函数中，得到每个可行位置码的推荐概率，按照推荐概率向用户推荐关联商品元素。如：推荐概率大的优先向用户推荐，可最大程度地推荐用户喜好的非同类商品元素。

当然，在其中一个具体实施方式中，在得到可推荐商品元素的可行位置码集合后，可采取随机采样的方式推荐商品元素。

可选地，在其中一具体实施方式中，参见图11，步骤S430包括：

S431，获取关联商品元素的关联推荐数量。

S432，根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给用户。

例如：在上述例子中，经过计算，“墨镜”、“高领毛衣”、“秋冬外套”的目标差异度均小于“秋冬外套”对应位置码的模糊度所被允许的预统计目标差异度0.4。假设“墨镜”的目标差异度为0.3，“高领毛衣”的目标差异度为0.1，则依据上述预设概率公式(1)则可得到“墨镜”的推荐概率为0.25，“高领毛衣”的推荐概率为0.75；依据上述预设概率公式(2)则可得到“墨镜”的推荐概率为0.3775，“高领毛衣”的推荐概率为0.6225。若只向用户推荐1件其他类商品，则推荐“高领毛衣”给用户。

推荐概率一定程度上反映了用户历史浏览商品的需求范围，当提供的关联商品元素时未知的时，根据用户当前浏览的商品以及用户的需求范围可筛选出满足用户需求范围内的商品元素，有利于帮助用户发现新的商品，提高商品推荐效率和效果。

可选地，在其中一具体实施方式中，还包括步骤S500：提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素。

更进一步地，参见图12，步骤S500，还包括：

S510，判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值。

S520，获取同类商品元素的同类推荐数量。

S530，采集同类推荐数量的同类商品元素推荐给所述用户。

其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

同类商品元素和其他类商品元素混合搭配推送，更能满足用户的多样性需求，提高用户体验舒适度，同时促进推荐效果。此处用户需求是否明确可定义为当用户在检索会话框中输入明确关键词时为需求明确，如：“XX牌子XX款XX物”，当用户在检索会话框中输入模糊关键词或直接点击商品图片时为需求不明确，如：“电子产品”、“男性服装”等；也可简单地将预设商品分类体系中前预设层级对应的商品信息为不明确信息，其余层级对应的商品信息为明确信息，如：第1层级对应的商品信息为非明确信息，第2～第n层级对应的商品信息为明确信息。若需求明确，则设定同类商品元素的同类推荐数量为第一值，若需求不明确，则设定同类商品元素的同类推荐数量为第二值，第一值大于第二值。即在用户需求明确时，推荐同类商品元素的数量多些，推荐关联商品元素的数量少些，在用户需求不明确时，推荐同类商品元素的数量少些，推荐关联商品元素的数量多些，这样有利于满足用户需求的同时，又不引起反感。

例如：在上述例子中，如果一共需要推荐10个商品，其中8个是同类商品元素，即“秋冬外套”，剩下两个商品元素为关联商品元素，则将上述两件非同类的关联商品元素“墨镜”、“高领毛衣”一同推荐给用户。

与上述本申请实施例提供的一种商品推荐方法相对应，参考图13，示出了本发明实施例提供的一种商品推荐装置10的结构示意图，包括：

商品元素提取模块100，用于获取用户输入的检索目标及所述检索目标对应的商品图片，并提取所述商品图片中的关联商品元素。位置码组映射模块200，用于将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组。目标差异度计算模块300，用于根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度。关联商品推荐模块400，用于将所述目标差异度和预统计目标差异度进行对比，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

本申请提供的商品推荐装置，当用户输入检索目标时，获取对应的商品图片并从中提取该商品图片中的关联商品元素，将检索目标和关联商品元素映射到预设商品分类体系，得到能够计算关联商品元素与检索目标的目标差异度的目标位置码组和关联位置码组，将得到的目标差异度与预统计目标差异度进行比对，确定落入预统计目标差异度范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给所述用户，由于关联商品元素不是随便选取的，而是与用户检索目标有关联性的，且运用了反映用户的需求改变方向和范围的预统计目标差异度对待推荐的关联商品元素做进一度限定，因此可实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

在其中一具体实施方式中，所述可行位置码组为多个时，所述关联商品推荐模块包括：待推荐目标差异度获取单元，用于获取多个所述可行位置码组对应的目标差异度作为待推荐目标差异度。推荐概率计算单元，用于将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率。推荐单元，用于根据所述推荐概率向所述用户推荐关联商品元素。

在其中一具体实施方式中，所述推荐单元包括：推荐数量获取子单元，用于获取所述关联商品元素的关联推荐数量。排序推荐子单元，用于根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给所述用户。

在其中一具体实施方式中，还包括：同类商品推荐模块500，用于在将所述可行位置码组对应的关联商品元素推荐给所述用户的同时，提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素。

进一步地，同类商品推荐模块包括：判断单元，用于判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值。获取单元，用于获取同类商品元素的同类推荐数量。采集推荐单元，用于采集所述同类推荐数量的同类商品元素推荐给所述用户。其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

在其中一具体实施方式中，目标差异度计算模块包括：目标模糊度计算单元，用于获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度。关联模糊度计算单元，用于获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度。祖先模糊度计算单元，用于确定所述目标位置节点和所述关联位置节点在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度。目标差异度计算单元，用于根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例提供的商品推荐方法。

本申请实施例还提供了一种电子设备20，参见图14，包括：处理器201、存储器202，存储器202用于存储程序，处理器201用于运行程序，其中，程序运行时执行上述实施例提供的商品推荐方法。

本申请所述的可读存储介质和电子设备，当用户输入检索目标时，获取对应的商品图片并从中提取该商品图片中的关联商品元素，将检索目标和关联商品元素映射到预设商品分类体系，得到能够计算关联商品元素与检索目标的目标差异度的目标位置码组和关联位置码组，将得到的目标差异度与预统计目标差异度进行比对，确定落入预统计目标差异度范围之内的目标差异度对应的关联位置码组作为可行位置码组，并将可行位置码组对应的关联商品元素推荐给所述用户，由于关联商品元素不是随便选取的，而是与用户检索目标有关联性的，且运用了反映用户的需求改变方向和范围的预统计目标差异度对待推荐的关联商品元素做进一度限定，因此可实现根据用户当前浏览的商品信息推荐其他类商品又不偏离用户喜好方向的效果。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，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，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种商品推荐方法，其特征在于，包括以下步骤：

获取用户输入的检索目标及所述检索目标对应的商品图片，并提取所述商品图片中的关联商品元素；

将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组；

根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度；

将所述目标差异度和预统计目标差异度进行对比，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

2.根据权利要求1所述的商品推荐方法，其特征在于，所述可行位置码组为多个时，所述将所述可行位置码组对应的关联商品元推荐给所述用户，包括：

从每个所述可行位置码组对应的目标差异度中获取待推荐目标差异度；

将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率；

根据所述推荐概率向所述用户推荐关联商品元素。

3.根据权利要求2所述的商品推荐方法，其特征在于，所述根据所述推荐概率向所述用户推荐关联商品元素，包括：

获取所述关联商品元素的关联推荐数量；

根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给所述用户。

4.根据权利要求1-3任一项所述的商品推荐方法，其特征在于，在将所述可行位置码组对应的关联商品元素推荐给所述用户的同时，还包括：提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素的步骤；

进一步地，所述向所述用户推荐所述目标商品元素的同类商品元素的步骤包括：

判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值；

获取同类商品元素的同类推荐数量；

采集所述同类推荐数量的同类商品元素推荐给所述用户；

其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

5.根据权利要求1-3任一项所述的商品推荐方法，其特征在于，所述根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度，包括：

获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度；

获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度；

确定所述目标位置节点和所述关联位置节点在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度；

根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

6.一种商品推荐装置，其特征在于，包括：

商品元素提取模块，用于获取用户输入的检索目标及所述检索目标对应的商品图片，并提取所述商品图片中的关联商品元素；

位置码组映射模块，用于将所述检索目标和所述关联商品元素映射到预设商品分类体系中，得到所述检索目标对应的目标位置码组和所述关联商品元素对应的关联位置码组；

目标差异度计算模块，用于根据所述目标位置码组和所述关联位置码组计算所述关联商品元素与所述检索目标的目标差异度；

关联商品推荐模块，用于将所述目标差异度和预统计目标差异度进行对比，将落入所述预统计目标差异范围之内的所述目标差异度对应的关联位置码组作为可行位置码组，并将所述可行位置码组对应的关联商品元素推荐给所述用户。

7.根据权利要求6所述的商品推荐装置，其特征在于，所述可行位置码组为多个时，所述关联商品推荐模块包括：

待推荐目标差异度获取单元，用于从每个所述可行位置码组对应的目标差异度中获取待推荐目标差异度；

推荐概率计算单元，用于将所述待推荐目标差异度代入预设概率函数中，计算得到多个所述可行位置码组的推荐概率；

推荐单元，用于根据所述推荐概率向所述用户推荐关联商品元素。

8.根据权利要求7所述的商品推荐装置，其特征在于，所述推荐单元包括：

推荐数量获取子单元，用于获取所述关联商品元素的关联推荐数量；

排序推荐子单元，用于根据所述推荐概率对多个所述可行位置码组进行排序，采集排序靠前的所述关联推荐数量的可行位置码组作为推荐位置码组，将所述推荐位置码组对应的关联商品元素推荐给所述用户。

9.根据权利要求6-8任一项所述的商品推荐装置，其特征在于，还包括：

同类商品推荐模块，用于在将所述可行位置码组对应的关联商品元素推荐给所述用户的同时，提取所述检索目标对应的目标商品元素，向所述用户推荐所述目标商品元素的同类商品元素；

进一步地，所述同类商品推荐模块包括：

判断单元，用于判断所述用户的检索目标是否明确，若是，则设定所述同类商品元素的同类推荐数量为第一值，若否，则设定所述同类商品元素的同类推荐数量为第二值，所述第一值大于所述第二值；

获取单元，用于获取同类商品元素的同类推荐数量；

采集推荐单元，用于采集所述同类推荐数量的同类商品元素推荐给所述用户；

其中，商品元素推荐数量的总量不变，商品元素推荐数量包括关联同类推荐数量和关联推荐数量。

10.根据权利要求6-8任一项所述的商品推荐装置，其特征在于，所述目标差异度计算模块包括：

目标模糊度计算单元，用于获取所述目标位置码组在所述预设商品分类体系中的目标位置节点，根据所述目标位置节点与其根节点以及所有叶子节点的距离信息计算所述目标位置节点的目标模糊度；

关联模糊度计算单元，用于获取所述关联位置码组在所述预设商品分类体系中的关联位置节点，根据所述关联位置节点与其根节点以及所述叶子节点的距离信息计算所述关联位置节点的关联模糊度；

祖先模糊度计算单元，用于确定所述目标位置节点和所述关联位置节点在所述预设商品分类体系中的最近公共祖先节点，计算所述最近公共祖先节点的祖先模糊度；

目标差异度计算单元，用于根据所述目标模糊度、所述关联模糊度和所述祖先模糊度计算所述目标差异度。

Images