CN111523982A - 商品信息推荐方法、装置、服务器及存储介质 - Google Patents

Abstract

本发明公开了一种商品信息推荐方法、装置、服务器及存储介质，属于互联网技术领域。本发明实施例提供的商品信息推荐方法，获取多个用户特征、多个商户特征以及多个共同特征；获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；分别确定第一交叉特征、第二交叉特征和第三交叉特征；根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。该方法考虑了不同场景下不同特征的重要度，根据不同特征的重要度进行特征交叉，从而得到不同的交叉特征，实现了不同场景下推荐不同的商品信息，提高了商品信息推荐的准确性。

Description

商品信息推荐方法、装置、服务器及存储介质

技术领域

本发明涉及互联网技术领域，特别涉及一种商品信息推荐方法、装置、服务器及存储介质。

背景技术

随着互联网技术的发展，越来越多的用户倾向于在网上购物。用户可以通过终端上安装的购物客户端浏览信息，客户端对应的服务器也可以为用户推荐商品信息，该商品信息可以为美食信息、服装信息或者其他类型的信息。

相关技术中，服务器一般是获取用户的历史购买信息，根据历史购买信息确定多个商品特征，然后采用暴力交叉的方式将该多个商品特征直接进行交叉相乘，将交叉相乘后的特征作为综合特征，根据该综合特征为用户推荐商品信息。

但相关技术中实现信息特征之间的交叉相乘时，没有考虑到不同场景下，各个特征的重要度不同，导致得到的综合特征无法真实反映当前场景，商品信息推荐的准确性差。

发明内容

本发明实施例提供了一种商品信息推荐方法、装置、服务器及存储介质,能够解决商品信息推荐准确性差的问题。该技术方案如下：

一方面，提供了一种商品信息推荐方法，该方法包括：

获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征；

获取场景信息，根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；

根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，以及，根据所述每个商户特征的权重以及所述多个商户特征，确定第二交叉特征，以及，根据所述每个共同特征的权重以及所述多个共同特征，确定第三交叉特征；

根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息。

在一种可能的实现方式中，根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

根据所述场景信息确定所述场景信息对应的当前场景；

根据所述当前场景，获取在所述当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重；

根据所述目标用户特征及其权重，确定所述多个用户特征中每个用户特征的权重，以及，根据所述目标商户特征，确定所述多个商户特征中每个商户特征的权重，以及，根据所述目标共同特征，确定所述多个共同特征中每个共同特征的权重。

在另一种可能的实现方式中，所述根据所述场景信息确定在所述当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

将所述场景信息、所述多个用户特征、所述多个商户特征和所述多个共同特征输入权重确定模型中，得到所述每个用户特征的权重、所述每个商户特征的权重以及所述每个共同特征的权重。

在另一种可能的实现方式中，所述根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，包括：

确定所述每个用户特征及其权重的叉乘积；

将所述每个用户特征及其权重的叉乘积进行拼接，得到所述第一交叉特征。

在另一种可能的实现方式中，所述根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息，包括：

将所述第一交叉特征、所述第二交叉特征和所述第三交叉特征进行拼接，得到第四交叉特征；

将所述第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率；

根据所述待推荐商品的推荐概率，为所述目标用户推荐商品信息。

在另一种可能的实现方式中，所述获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征，包括：

获取所述目标用户的用户注册信息和历史购买信息；

获取所述商户的商户注册信息、经营商品的商品信息以及对所述商品的评价信息；

从所述用户注册信息和所述历史购买信息中提取所述多个用户特征；

从所述商户注册信息、所述商品信息以及所述评价信息中提取所述多个商户特征；

根据所述多个用户特征和所述多个商户特征，确定所述多个共同特征。

在另一种可能的实现方式中，所述根据所述多个用户特征和所述多个商户特征，确定所述多个共同特征，包括：

对于每个用户特征，从所述多个商户特征中获取与所述用户特征相关的商户特征；或者，对于每个商户特征，从所述多个用户特征中获取与所述商户特征相关的用户特征；

将所述商户特征和所述用户特征组成共同特征。

在另一种可能的实现方式中，所述获取当前场景对应的场景信息，包括：

响应于终端的浏览请求，获取所述浏览请求的时间信息、所述目标用户的位置信息；

将所述时间信息和所述位置信息作为所述场景信息。

一方面，提供了一种商品信息推荐装置，所述装置包括：

获取模块，用于获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征；

第一确定模块，用于获取场景信息，根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；

第二确定模块，用于根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，以及，根据所述每个商户特征的权重以及所述多个商户特征，确定第二交叉特征，以及，根据所述每个共同特征的权重以及所述多个共同特征，确定第三交叉特征；

推荐模块，用于根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息。

在一种可能的实现方式中，所述第一确定模块，还用于根据所述场景信息确定所述场景信息对应的当前场景；根据所述当前场景，获取在所述当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重；根据所述目标用户特征及其权重，确定所述多个用户特征中每个用户特征的权重，以及，根据所述目标商户特征，确定所述多个商户特征中每个商户特征的权重，以及，根据所述目标共同特征，确定所述多个共同特征中每个共同特征的权重。

在另一种可能的实现方式中，所述第一确定模块，还用于将所述场景信息、所述多个用户特征、所述多个商户特征和所述多个共同特征输入权重确定模型中，得到所述每个用户特征的权重、所述每个商户特征的权重以及所述每个共同特征的权重。

在另一种可能的实现方式中，所述第二确定模块，还用于确定所述每个用户特征及其权重的叉乘积；将所述每个用户特征及其权重的叉乘积进行拼接，得到所述第一交叉特征。

在另一种可能的实现方式中，所述推荐模块，还用于将所述第一交叉特征、所述第二交叉特征和所述第三交叉特征进行拼接，得到第四交叉特征；将所述第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率；根据所述待推荐商品的推荐概率，为所述目标用户推荐商品信息。

在另一种可能的实现方式中，所述获取模块，还用于获取所述目标用户的用户注册信息和历史购买信息；获取所述商户的商户注册信息、经营商品的商品信息以及对所述商品的评价信息；从所述用户注册信息和所述历史购买信息中提取所述多个用户特征；从所述商户注册信息、所述商品信息以及所述评价信息中提取所述多个商户特征；根据所述多个用户特征和所述多个商户特征，确定所述多个共同特征。

在另一种可能的实现方式中，所述获取模块，还用于对于每个用户特征，从所述多个商户特征中获取与所述用户特征相关的商户特征；或者，对于每个商户特征，从所述多个用户特征中获取与所述商户特征相关的用户特征；将所述商户特征和所述用户特征组成共同特征。

在另一种可能的实现方式中，所述第一确定模块，还用于响应于终端的浏览请求，获取所述浏览请求的时间信息、所述目标用户的位置信息；将所述时间信息和所述位置信息作为所述场景信息。

一方面，提供了一种服务器，该服务器包括一个或多个处理器和一个或多个存储器，该一个或多个存储器中存储有至少一条指令，该至少一条指令由该一个或多个处理器加载并执行以实现如上述任一种可能实现方式的商品信息推荐方法所执行的操作。

一方面，提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令，该至少一条指令由处理器加载并执行以实现如上述任一种可能实现方式的商品信息推荐方法所执行的操作。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例提供的商品信息推荐方法，获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征；获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征；根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。该方法考虑了不同场景下不同特征的重要度，根据不同特征的重要度进行特征交叉，从而得到不同的交叉特征，实现了不同场景下推荐不同的商品信息，提高了商品信息推荐的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。

图1是本发明实施例提供的一种商品信息推荐的实施环境的示意图；

图2是本发明实施例提供的一种商品信息推荐方法的流程图；

图3是本发明实施例提供的一种商品信息推荐方法的流程图；

图4是本发明实施例提供的一种确定当前场景下商户类型特征的特征值的示意图；

图5是本发明实施例提供的一种通过多头注意力网络确定第四交叉特征的是示意图；

图6是本发明实施例提供的一种通过多头注意力网络确定第一交叉特征的示意图；

图7是本发明实施例提供的一种商品信息推荐装置的结构示意图；

图8是本发明实施例提供的一种服务器的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1是本发明实施例提供的一种实施环境的示意图。参见图1，该实施环境包括：服务器和终端。服务器和终端之间可以通过无线或有线连接。该服务器上安装有目标客户端，终端可以通过登录该客户端与服务器进行通信。其中，该目标客户端为购物客户端，该购物客户端可以为美食对应的购物客户端，可以为服装对应的购物客户端，也可以为家电对应的购物客户端，在本发明实施例中，对此不作具体限定。相应的，服务器为目标用户推荐的商品信息可以为美食信息、服装信息、家电信息等，在本发明实施例中，仅以该商品信息为美食信息为例进行说明。

当该客户端为美食对应的购物客户端时，服务器为目标用户推荐的商品信息为美食信息。在本发明实施例中，服务器为目标用户推荐商品信息的时机可以根据需要进行设置并更改，在本发明实施例中，对此不作具体限定。例如，服务器在目标用户一进入该客户端时为目标用户推荐商品信息；再如，服务器在目标用户一进入客户端中的预设频道列表时，为目标用户推荐商品信息。在本申请实施例中，仅以目标用户进入客户端中的预设频道列表时，服务器为目标用户推荐商品信息为例进行说明。

其中，预设频道列表可以根据需要进行设置并更改，在本发明实施例中，对此不作具体限定。例如，预设频道列表为美食频道列表或者外卖频道列表。当预设频道列表为美食频道列表时，该应用场景为目标用户进入美食购物客户端中的美食频道列表时，服务器为目标用户推荐美食信息；当预设频道列表为外卖频道列表时，该应用场景为目标用户进入美食购物客户端中的外卖频道列表时，服务器为目标用户推荐美食信息。

另外，在本发明实施例中，服务器为目标用户推荐美食信息时，还可以获取美食信息的显示位置，向终端发送美食信息的位置信息，从而终端根据美食信息的位置信息在推荐页面上按顺序显示美食信息。

图2是本发明实施例提供的一种商品信息推荐方法的流程图。参见图2，该方法包括：

步骤201：获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征。

步骤202：获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

步骤203：根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征。

步骤204：根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。

在一种可能的实现方式中，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

根据场景信息确定场景信息对应的当前场景；

根据当前场景，获取在当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重；

根据目标用户特征及其权重，确定多个用户特征中每个用户特征的权重，以及，根据目标商户特征，确定多个商户特征中每个商户特征的权重，以及，根据目标共同特征，确定多个共同特征中每个共同特征的权重。

在另一种可能的实现方式中，根据场景信息确定在当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

将场景信息、多个用户特征、多个商户特征和多个共同特征输入权重确定模型中，得到每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

在另一种可能的实现方式中，根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，包括：

确定每个用户特征及其权重的叉乘积；

将每个用户特征及其权重的叉乘积进行拼接，得到第一交叉特征。

在另一种可能的实现方式中，根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息，包括：

将第一交叉特征、第二交叉特征和第三交叉特征进行拼接，得到第四交叉特征；

将第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率；

根据待推荐商品的推荐概率，为目标用户推荐商品信息。

在另一种可能的实现方式中，获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征，包括：

获取目标用户的用户注册信息和历史购买信息；

获取商户的商户注册信息、经营商品的商品信息以及对商品的评价信息；

从用户注册信息和历史购买信息中提取多个用户特征；

从商户注册信息、商品信息以及评价信息中提取多个商户特征；

根据多个用户特征和多个商户特征，确定多个共同特征。

在另一种可能的实现方式中，根据多个用户特征和多个商户特征，确定多个共同特征，包括：

对于每个用户特征，从多个商户特征中获取与用户特征相关的商户特征；或者，对于每个商户特征，从多个用户特征中获取与商户特征相关的用户特征；

将商户特征和用户特征组成共同特征。

在另一种可能的实现方式中，获取当前场景对应的场景信息，包括：

响应于终端的浏览请求，获取浏览请求的时间信息、目标用户的位置信息；

将时间信息和位置信息作为场景信息。

本发明实施例提供的商品信息推荐方法，获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征；获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征；根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。该方法考虑了不同场景下不同特征的重要度，根据不同特征的重要度进行特征交叉，从而得到不同的交叉特征，实现了不同场景下推荐不同的商品信息，提高了商品信息推荐的准确性。

图3是本发明实施例提供的一种商品信息推荐方法的流程图。参见图3，该方法包括：

步骤301：服务器获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征。

该目标用户为登录目标客户端的用户，该目标客户端为购物客户端，该购物客户端可以为美食对应的购物客户端，可以为服装对应的购物客户端，也可以为家电对应的购物客户端。待推荐商品可以为目标用户已购买过的商品，也可以为目标用户未购买过的商品，在本发明实施例中，对此不作具体限定。

本步骤中，服务器响应于终端的浏览请求，获取多个用户特征、多个商户特征以及多个共同特征。其中，终端向服务器发送浏览请求的时机为目标用户登录目标客户端，进入目标客户端中的预设频道列表时，终端向服务器发送该浏览请求。

在一种可能的实现方式中，本步骤可以通过以下步骤(1)至(5)实现，包括：

(1)服务器获取目标用户的用户注册信息和历史购买信息。

在一种可能的实现方式中，服务器可以根据目标用户在客户端注册时填写的信息获取用户注册信息，根据目标用户的历史购买记录获取历史购买信息。

其中，用户注册信息和历史购买信息可以根据需要进行设置并更改，在本发明实施例中，对此不作具体限定。例如，用户注册信息包括用户的身份信息、年龄信息、性别信息、职业信息中的至少一项，历史购买信息包括商品价格信息、商品类型信息、购买时间信息、收取商品的地址信息中的至少一项。

(2)服务器获取商户的商户注册信息、经营商品的商品信息以及对商品的评价信息。

在一种可能的实现方式中，服务器可以获取待推荐商品的商户信息，根据商户信息获取商户在客户端注册时填写的商户注册信息；根据该商户所经营的商品，获取商品的商品信息；根据商品的历史销售记录获取用户对商品的评价信息。

其中，商户注册信息、商品信息和评价信息可以根据需要进行设置并更改，在本发明实施例中，对此不作具体限定。例如，商户注册信息包括商户的身份信息、年龄信息、性别信息、商户地址信息中的至少一项，商品信息包括商品价格信息、商品类型信息、商品分量信息、售卖时间信息中的至少一项，评价信息包括商品质量信息、商户质量信息中的至少一项。

(3)服务器从用户注册信息和历史购买信息中提取多个用户特征。

在一种可能的实现方式中，服务器从用户注册信息和历史购买信息中提取的多个用户特征可以为用户身份特征、用户年龄特征、用户性别特征、用户职业特征、商品价格特征、商品类型特征、购买时间特征、收取商品的地址特征中的至少一项。

其中，服务器从用户注册信息和历史购买信息中提取多个用户特征的方式可以根据需要进行设置并更改，在本发明实施例中，对此不作具体限定。

(4)服务器从商户注册信息、商品信息以及评价信息中提取多个商户特征。

在一种可能的实现方式中，服务器从商户注册信息、商品信息以及评价信息中提取的多个商户特征可以为商户身份特征、商户年龄特征、商户性别特征、商户地址特征、商品价格特征、商品类型特征、商品分量特征、售卖时间特征、商品质量特征、商户星级特征中的至少一项。

(5)服务器根据多个用户特征和多个商户特征，确定多个共同特征。

本步骤可以通过以下步骤(5-1)至(5-2)实现，包括：

(5-1)对于每个用户特征，服务器从多个商户特征中获取与用户特征相关的商户特征；或者，对于每个商户特征，服务器从多个用户特征中获取与商户特征相关的用户特征。

在一种可能的实现方式中，对于每个用户特征，服务器可以遍历多个商户特征，确定商户特征中与该用户特征相关的商户特征。例如，用户特征为商品价格特征，该商品价格特征可以反映出用户购买商品的价格偏好，而商户特征中包括商品价格特征，该商品价格特征可以反映出商户经营的商品的价格偏好，则服务器从商品特征获取商品价格特征。

在另一种可能的实现方式中，对于每个商户特征，服务器可以遍历多个用户特征，确定用户特征中与该商户特征相关的用户特征。例如，商品特征为商品类型特征，该商品类型特征可以反映出商户经营的商品的类型偏好，例如，该商品类型为面食类型、小炒类型；而用户特征中包括商品类型特征，该商品类型特征可以反映出用户购买商品的类型偏好，则服务器从用户特征中获取商品类型特征。

(5-2)服务器将商户特征和用户特征组成共同特征。

例如，用户特征为商品价格特征，商户特征为商品价格特征，服务器将用户特征对应的商品价格特征和商户特征对应的商品价格特征组成共同特征，该共同特征可以反映出用户购买商品的价格偏好、商户经营的商品的价格偏好。

再如，用户特征为商品类型特征，商户特征为商品类型特征，服务器将用户特征对应的商品类型特征和商户特征对应的商品类型特征组成共同特征，该共同特征可以反映出用户购买商品的类型偏好、商户经营的商品的类型偏好。

步骤302：服务器获取场景信息，根据场景信息确定在该场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

在一种可能的实现方式中，服务器可以通过以下方式获取场景信息，具体为：服务器响应于终端的浏览请求，获取浏览请求的时间信息、目标用户的位置信息；将时间信息和位置信息作为场景信息。

该实现方式中的浏览请求与步骤301中的浏览请求相同，也即服务器在获取多个用户特征、多个商户特征以及多个共同特征的同时，还获取浏览请求的时间信息和目标用户的位置信息，从而获取场景信息。

其中，该时间信息包括工作时间信息和休息时间信息，该休息时间信息包括节假日休息时间信息、周末休息时间信息。例如，该时间信息为2020年5月1日11:30，该时间为节假日，该时间信息为节假日休息时间信息。再如，该时间信息为2020年3月30日12:00，该时间为周一，该时间为工作时间信息。

在一种可能的实现方式中，服务器可以通过以下步骤(1)至(3)根据场景信息确定每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，具体包括：

(1)服务器根据场景信息确定该场景信息对应的当前场景。

本步骤中，服务器可以根据场景信息中的时间信息和位置信息，确定该时间信息和位置信息对应的当前场景。

例如，该时间信息为2020年5月1日11:30，该时间为节假日，该时间信息为节假日休息时间信息。目标用户的位置信息为家庭地址信息，则该场景信息对应的当前场景为2020年5月1日11:30，目标用户位于家中。再如，该时间信息为2020年3月30日12:00，该时间为周一，该时间为工作时间信息。目标用户的位置信息为公司地址信息，则该场景信息对应的当前场景为2020年3月30日12:00，目标用户位于公司。

(2)服务器根据当前场景，获取当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重。

在本申请实施例中，不同的场景下，服务器关注的特征不同，则被关注的特征的重要度不同。

在一种可能的实现方式中，服务器可以从场景、特征及其权重的对应关系中获取当前场景下被关注的用户特征及其权重、商户特征及其权重以及共同特征及其权重，其中，该对应关系中存储有不同场景下，被关注的用户特征及其权重、商户特征及其权重以及共同特征及其权重。服务器将被关注的用户特征作为目标用户特征，被关注的商户特征作为目标商户特征，被关注的共同特征作为目标共同特征。

参见图4，例如，对于商户特征，在工作日时段，服务器更关注商户特征中的商户地址特征和商品价格特征，则商户地址特征对应的权重和商品价格特征对应的权重大于商户特征中的其他商户特征对应的权重；在周末休息时段，服务器更关注商户特征中的商户星级特征和商品质量特征，则商户星级特征对应的权重和商品质量特征对应的权重大于商户特征中的其他商户特征对应的权重。

在一种可能的实现方式中，对于每个场景，服务器可以确定该场景下每个用户特征相较于其他用户特征的用户重要度，每个商户特征相较于其他商户特征的商户重要度，以及每个共同特征相较于其他共同特征的共同重要度，选择用户重要度大于第一预设阈值的用户特征、商户重要度大于第二预设阈值的商户特征以及共同重要度大于第三预设阈值的共同特征，将选择的用户特征、选择的商户特征和选择的共同特征分别作为目标用户特征、目标商户特征和目标共同特征，将其重要度作为权重，从而建立场景、特征及其权重的对应关系。

其中，对于当前场景下的每个商户特征，服务器可以将该商户特征对应的查询值(Query)与每个其他商户特征对应的键值(Key)进行相似度计算，得到多个权重(W)，将每个其他商户特征的特征值(Value)与权重进行加权求和得到该商户特征的特征值(AttentionValue)，该特征值为考虑了权重之后得到的特征值。其中，商户特征对应的查询值(Query)为该商户特征的特征值的转化值，每个其他商户特征对应的键值(Key)为每个其他商户特征的特征值的转化值。

继续参见图4，对于商户特征，例如商户特征包括：商品类型特征、商户地址特征、商品价格特征、商户星级特征和商品质量特征，从图4中可以看出：对于商品类型特征，服务器将该商品类型特征对应的查询值(Query)与商户地址特征对应的键值(Key1)、商户价格特征对应的键值(Key2)、商户星级特征对应的键值(Key3)、商户质量特征对应的键值(Key4)分别进行相似度计算，得到权重(W1、W2、W3、W4)，将商户地址特征的特征值(Value1)与其对应的权重(W1)、商户价格特征的特征值(Value2)与其对应的权重(W2)、商品星级特征的特征值(Value3)与其对应的权重(W3)、商品质量特征的特征值(Value4)与其对应的权重(W4)进行加权求和，得到商品类型特征对应的特征值，该特征值为商品类型特征在当前场景下的特征值。

(3)服务器根据目标用户特征及其权重，确定多个用户特征中每个用户特征的权重，以及，根据目标商户特征，确定多个商户特征中每个商户特征的权重，以及，根据目标共同特征，确定多个共同特征中每个共同特征的权重。

在一种可能的实现方式中，对于用户特征，服务器可以获取多个用户特征的权重的总和值，确定总和值与目标用户特征的权重之间的差值，将该差值平均分配给多个用户特征中除目标用户特征之外的用户特征，作为其权重，从而得到每个用户特征的权重。

相应的，服务器可以通过上述方法依次确定每个商户特征的权重以及每个共同特征的权重，在此不再赘述。

在另一种可能的实现方式中，服务器还可以通过权重确定模型，根据场景信息确定每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，具体包括：

服务器将场景信息、多个用户特征、多个商户特征和多个共同特征输入权重确定模型中，得到每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

该实现方式中，服务器通过将场景信息输入权重确定模型中，考虑了不同场景下不同特征的重要度，从而后续实现特征交叉时，将特征的重要度考虑在内，实现了对当前场景下重要特征的聚焦。

在另一种可能的实现方式中，服务器可以根据特征类型，将多个用户特征、多个商户特征和多个共同特征进行分类，得到多个特征集合，每个特征集合中包括相同类型的特征。服务器根据当前场景，确定每个特征集合中被关注的特征及其权重；或者将场景信息和每个特征集合中的特征输入权重确定模型中，从而确定每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

步骤303：服务器根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征。

本步骤中，服务器可以通过以下方式确定第一交叉特征，具体为：

服务器确定每个用户特征及其权重的叉乘积；将每个用户特征及其权重的叉乘积进行拼接，得到第一交叉特征。

其中，该实现方式中得到的每个用户特征及其权重的叉乘积为特征向量，服务器将多个特征向量进行拼接，得到第一交叉特征。例如，用户特征有3个，每个用户特征及其权重的叉乘积，也即特征向量为4维，则将3个4维的特征向量拼接后得到的第一交叉特征为12维。

相应的，服务器可以确定每个商户特征及其权重的叉乘积；将每个商户特征及其权重的叉乘积进行拼接，得到第二交叉特征。服务器还可以确定每个共同特征及其权重的叉乘积；将每个共同特征及其权重的叉乘积进行拼接，得到第三交叉特征。

在一种可能的实现方式中，服务器可以通过多头注意力网络确定第一交叉特征、第二交叉特征和第三交叉特征，具体为：服务器根据场景信息，将多个用户特征、多个商户特征和多个共同特征输入多头注意力网络中，通过多头注意力网络确定当前场景下的第一交叉特征、第二交叉特征和第三交叉特征。

参见图5，从图5中可以看出：服务器将多个用户特征、多个商户特征和多个共同特征输入多头注意力网络中，通过多头注意力网络分别得到第一交叉特征、第二交叉特征和第三交叉特征。其中，服务器通过多头注意力网络得到第一交叉特征的过程可以参见图6中的左图，从图6中的左图中可以看出：服务器将多个用户特征输入多头注意力网络中，得到多个特征向量，每个特征向量为用户特征及其权重的叉乘积，将该多个特征向量进行拼接，得到第一交叉特征。图6中的右图为服务器通过多头注意力网络确定特征向量的过程，该过程得到的特征向量中包括了每个用户特征的权重，从而后续可以实现带权重的特征交叉。其中，W1、W2、W3分别为一用户特征相较于其他用户特征的重要度，X为得到的特征向量，T为矩阵的转置。

需要说明的一点是，对于LBS(Location Based Services)场景的O2O(Online ToOffline)领域，强依赖于场景上下文，不同场景下不同特征的重要度不同，因此，在进行特征交叉时，考虑到不同特征的重要度显得极为重要。

步骤304：服务器将第一交叉特征、第二交叉特征和第三交叉特征进行拼接，得到第四交叉特征。

本步骤中，拼接后的第四交叉特征的维度为第一交叉特征的维度、第二交叉特征的维度以及第三交叉特征的维度之和。

服务器将第一交叉特征、第二交叉特征和第三交叉特征进行拼接的方式与步骤303中将每个用户特征及其权重的叉乘积进行拼接的方式相似，在此不再赘述。

继续参见图5，从图5中可以看出：服务器将通过多头注意力网络得到的第一交叉特征、第二交叉特征和第三交叉特征进行拼接，得到第四交叉特征。

需要说明的一点是，在本发明实施例中，通过采用多头注意力网络可以实现特征的自动交叉，一方面相较于传统特征拼接的交叉方式，极大地降低了模型的复杂度，模型大小从1G降低至100M，从而降低交叉特征带来模型复杂度增加的风险，另一方面，考虑到同一个特征在不同场景下交叉时的重要度不同，在实现特征交叉时，引入场景信息，将特征的重要度考虑在内，从而实现特征交叉时对当前场景下重要特征的聚焦的目的。

步骤305：服务器将第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率。

本步骤中，服务器将第四交叉特征输入推荐模型中，得到每个待推荐商品的推荐概率。

其中，该推荐模型可以根据需要进行选择并更改，在本发明实施例中，对此不作具体限定。例如，该推荐模型为深度神经网络(Deep Neural Networks，DNN)，或者深度兴趣网络(Deep Interest Network，DIN)。

步骤306：服务器根据待推荐商品的推荐概率，为目标用户推荐商品信息。

在一种可能的实现方式中，服务器可以根据商品的推荐概率为目标用户推荐商品信息，具体为：服务器将商品的推荐概率由大到小进行排序，优先推荐该推荐概率较大的商品。

在一种可能的实现方式中，服务器可以根据每个待推荐商品的推荐概率，选择推荐概率最大的预设数量个待推荐商品，获取该预设数量个待推荐商品的商品信息。服务器向终端发送该预设数量个商品的商品信息，终端接收预设数量个商品的商品信息，在推荐界面中显示该预设数量个商品的商品信息。

在另一种可能的实现方式中，服务器也可以根据每个待推荐商品的推荐概率，选择推荐概率超过预设阈值的待推荐商品，获取该待推荐商品的商品信息。服务器向终端发送推荐概率超过预设阈值的商品信息，终端接收该商品信息，在推荐界面中显示该商品信息。

在一种可能的实现方式中，服务器还可以根据商品的推荐概率确定商品在推荐界面中的显示位置。推荐概率越大，在推荐界面中的显示位置越明显。相应的，服务器还向终端发送推荐的商品的位置信息，终端接收该位置信息，在推荐界面中该位置信息对应的位置显示该商品信息。另外，该推荐界面中不仅可以显示商品信息，还可以显示该商品对应的商户的信息。

在一种可能的实现方式中，服务器还可以获取其他商品的商品信息，当接收到对该商品的点击指令时，获取其他商品的商品信息，向终端发送该其他商品的商品信息。终端接收该其他商品的商品信息，在显示该商品的显示界面显示其他商品的商品信息。其中，该其他商品可以为推荐的商品对应的商户所经营的商品，也可以为与推荐的商品构成搭配关系或者相关的商品。例如，服务器为目标用户推荐的商品为可乐鸡翅，用户点击该商品后，在该商品的显示界面上还可以显示与该可乐鸡翅相关的商品，例如炸鸡翅或者炸鸡块。

本发明实施例提供的商品信息推荐方法，获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征；获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征；根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。该方法考虑了不同场景下不同特征的重要度，根据不同特征的重要度进行特征交叉，从而得到不同的交叉特征，实现了不同场景下推荐不同的商品信息，提高了商品信息推荐的准确性。

图7是本发明实施例提供的一种商品信息推荐装置的结构示意图。该装置包括：

获取模块701，用于获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征；

第一确定模块702，用于获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；

第二确定模块703，用于根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征；

推荐模块704，用于根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。

在一种可能的实现方式中，第一确定模块702，还用于根据场景信息确定场景信息对应的当前场景；根据当前场景，获取在当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重；根据目标用户特征及其权重，确定多个用户特征中每个用户特征的权重，以及，根据目标商户特征，确定多个商户特征中每个商户特征的权重，以及，根据目标共同特征，确定多个共同特征中每个共同特征的权重。

在另一种可能的实现方式中，第一确定模块702，还用于将场景信息、多个用户特征、多个商户特征和多个共同特征输入权重确定模型中，得到每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重。

在另一种可能的实现方式中，第二确定模块703，还用于确定每个用户特征及其权重的叉乘积；将每个用户特征及其权重的叉乘积进行拼接，得到第一交叉特征。

在另一种可能的实现方式中，推荐模块704，还用于将第一交叉特征、第二交叉特征和第三交叉特征进行拼接，得到第四交叉特征；将第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率；根据待推荐商品的推荐概率，为目标用户推荐商品信息。

在另一种可能的实现方式中，获取模块701，还用于获取目标用户的用户注册信息和历史购买信息；获取商户的商户注册信息、经营商品的商品信息以及对商品的评价信息；从用户注册信息和历史购买信息中提取多个用户特征；从商户注册信息、商品信息以及评价信息中提取多个商户特征；根据多个用户特征和多个商户特征，确定多个共同特征。

在另一种可能的实现方式中，获取模块701，还用于对于每个用户特征，从多个商户特征中获取与用户特征相关的商户特征；或者，对于每个商户特征，从多个用户特征中获取与商户特征相关的用户特征；将商户特征和用户特征组成共同特征。

在另一种可能的实现方式中，第一确定模块702，还用于响应于终端的浏览请求，获取浏览请求的时间信息、目标用户的位置信息；将时间信息和位置信息作为场景信息。

本发明实施例提供的商品信息推荐装置，获取目标用户的多个用户特征、待推荐商品的多个商户特征以及目标用户和商户的多个共同特征；获取场景信息，根据场景信息确定在场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；根据每个用户特征的权重以及多个用户特征，确定第一交叉特征，以及，根据每个商户特征的权重以及多个商户特征，确定第二交叉特征，以及，根据每个共同特征的权重以及多个共同特征，确定第三交叉特征；根据第一交叉特征、第二交叉特征和第三交叉特征，为目标用户推荐商品信息。该装置考虑了不同场景下不同特征的重要度，根据不同特征的重要度进行特征交叉，从而得到不同的交叉特征，实现了不同场景下推荐不同的商品信息，提高了商品信息推荐的准确性。

需要说明的是：上述实施例提供的商品信息推荐装置在推荐商品信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的商品信息推荐装置与商品信息推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图8是本发明实施例提供的一种服务器800的结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)801和一个或一个以上的存储器802，其中，该存储器802中存储有至少一条指令，该至少一条指令由该处理器801加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器800还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器800还可以包括其他用于实现设备功能的部件，在此不做赘述。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于服务器，该计算机可读存储介质中存储有至少一条指令，该至少一条指令由处理器加载并执行，以实现上述各个方法实施例提供的方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种商品信息推荐方法，其特征在于，所述方法包括：

获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征；

获取场景信息，根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；

根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，以及，根据所述每个商户特征的权重以及所述多个商户特征，确定第二交叉特征，以及，根据所述每个共同特征的权重以及所述多个共同特征，确定第三交叉特征；

根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

根据所述场景信息确定所述场景信息对应的当前场景；

根据所述当前场景，获取在所述当前场景下的被关注的目标用户特征及其权重、目标商户特征及其权重以及目标共同特征及其权重；

根据所述目标用户特征及其权重，确定所述多个用户特征中每个用户特征的权重，以及，根据所述目标商户特征，确定所述多个商户特征中每个商户特征的权重，以及，根据所述目标共同特征，确定所述多个共同特征中每个共同特征的权重。

3.根据权利要求1所述的方法，其特征在于，所述根据所述场景信息确定在所述当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重，包括：

将所述场景信息、所述多个用户特征、所述多个商户特征和所述多个共同特征输入权重确定模型中，得到所述每个用户特征的权重、所述每个商户特征的权重以及所述每个共同特征的权重。

4.根据权利要求1所述的方法，其特征在于，所述根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，包括：

确定所述每个用户特征及其权重的叉乘积；

将所述每个用户特征及其权重的叉乘积进行拼接，得到所述第一交叉特征。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息，包括：

将所述第一交叉特征、所述第二交叉特征和所述第三交叉特征进行拼接，得到第四交叉特征；

将所述第四交叉特征输入推荐模型中，得到待推荐商品的推荐概率；

根据所述待推荐商品的推荐概率，为所述目标用户推荐商品信息。

6.根据权利要求1所述的方法，其特征在于，所述获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征，包括：

获取所述目标用户的用户注册信息和历史购买信息；

获取所述商户的商户注册信息、经营商品的商品信息以及对所述商品的评价信息；

从所述用户注册信息和所述历史购买信息中提取所述多个用户特征；

从所述商户注册信息、所述商品信息以及所述评价信息中提取所述多个商户特征；

根据所述多个用户特征和所述多个商户特征，确定所述多个共同特征。

7.根据权利要求6所述的方法，其特征在于，所述根据所述多个用户特征和所述多个商户特征，确定所述多个共同特征，包括：

对于每个用户特征，从所述多个商户特征中获取与所述用户特征相关的商户特征；或者，对于每个商户特征，从所述多个用户特征中获取与所述商户特征相关的用户特征；

将所述商户特征和所述用户特征组成共同特征。

8.根据权利要求1所述的方法，其特征在于，所述获取当前场景对应的场景信息，包括：

响应于终端的浏览请求，获取所述浏览请求的时间信息、所述目标用户的位置信息；

将所述时间信息和所述位置信息作为所述场景信息。

9.一种商品信息推荐装置，其特征在于，所述装置包括：

获取模块，用于获取目标用户的多个用户特征、待推荐商品的多个商户特征以及所述目标用户和商户的多个共同特征；

第一确定模块，用于获取场景信息，根据所述场景信息确定在所述场景信息对应的当前场景下每个用户特征的权重、每个商户特征的权重以及每个共同特征的权重；

第二确定模块，用于根据所述每个用户特征的权重以及所述多个用户特征，确定第一交叉特征，以及，根据所述每个商户特征的权重以及所述多个商户特征，确定第二交叉特征，以及，根据所述每个共同特征的权重以及所述多个共同特征，确定第三交叉特征；

推荐模块，用于根据所述第一交叉特征、所述第二交叉特征和所述第三交叉特征，为所述目标用户推荐商品信息。

10.一种服务器，其特征在于，所述服务器包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求8任一项所述的商品信息推荐方法所执行的操作。

11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求8任一项所述的商品信息推荐方法所执行的操作。

Images