CN111582973A - 一种商品推荐数据生成方法、装置及系统 - Google Patents

Abstract

本发明公开了一种商品推荐数据生成方法、装置及系统。所述方法包括：对商品集作非用户个性化排序和用户个性化排序，获得所述商品集的非用户个性化排序结果和用户个性化排序结果；按照所述非用户个性化排序结果和所述用户个性化排序结果的权重值计算二者的加权和值；根据所述非用户个性化排序结果和所述用户个性化排序结果的加权和值对所述商品集排序，生成商品推荐数据。本发明公开的技术方案打破仅采用用户个性化排序生成商品推荐数据导致的“信息茧房”效应，丰富用户可以接触到的推荐商品的类型，有利于服务运营商拓展用户的多样化需求。

Description

一种商品推荐数据生成方法、装置及系统

技术领域

本发明涉及计算机技术领域，特别涉及一种商品推荐数据生成方法、装置及系统。

背景技术

在电商服务行业中，为满足不同用户的搜索需求，提高商品销售量，服务商通常会通过用户的历史操作行为记录挖掘用户的偏好，针对每个用户的偏好为商品打分，按照商品得分对商品排序，生成商品推荐数据向用户推荐。此方法虽然能够按照用户的喜好实现商品的个性化推荐，但是却导致推荐的商品趋同化严重，推荐排序靠前的商品往往只是用户偏好的商品，其商品类别、功能均相近，将用户封闭在充满相近信息的空间中，产生“信息茧房”效应，从而导致其他类别的商品很难被用户看到，使得拓展用户新需求的难度加大。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种商品推荐数据生成方法、装置及系统。所述技术方案如下：

第一方面，提供了一种商品推荐数据生成方法，所述方法包括：

对商品集作非用户个性化排序和用户个性化排序，获得所述商品集的非用户个性化排序结果和用户个性化排序结果；

按照所述非用户个性化排序结果和所述用户个性化排序结果的权重值计算二者的加权和值；

根据所述非用户个性化排序结果和所述用户个性化排序结果的加权和值对所述商品集排序，生成商品推荐数据。

进一步地，所述非用户个性化排序包括：商品搜索热度排序、商品购买热度排序、商品库存数量排序、商品优惠力度排序、商品好评率排序中的任意一种或多种。

进一步地，利用排序模型对商品集作非用户个性化排序和用户个性化排序，所述排序模型为至少包含非用户个性化排序任务和用户个性化排序任务的多任务融合排序模型。

进一步地，所述多任务融合排序模型的训练方法包括：

以非用户的因素为维度对商品数据打上相应的因素标签得到第一样本商品，以用户为维度对所述商品数据打上相应的用户个性化标签得到第二样本商品；

以第一样本商品为训练样本训练原始模型得到第一排序模型；

用第二样本商品训练所述第一排序模型得到第二排序模型；

利用权重值将所述第一排序模型和所述第二排序模型结合，形成所述多任务融合排序模型。

进一步地，所述商品集根据所述用户输入的关键词查找获得。

进一步地，所述商品集根据所述用户输入的关键词查找获得包括：

根据所述关键词召回相应的搜索商品；

整理过滤所述搜索商品组成所述商品集。

第二方面，提供了一种商品推荐数据生成装置，所述装置包括：

排序模块，用于对商品集作非用户个性化排序和用户个性化排序，获得所述商品集的非用户个性化排序结果和用户个性化排序结果，并按照所述非用户个性化排序结果和所述用户个性化排序结果的权重值计算二者的加权和值；

推荐数据生成模块，用于根据所述非用户个性化排序结果和所述用户个性化排序结果的加权和值对所述商品集排序，生成商品推荐数据。

进一步地，所述非用户个性化排序包括：商品搜索热度排序、商品购买热度排序、商品库存数量排序、商品好评率排序中的任意一种或多种。

进一步地，所述排序模块中设置有排序模型，所述排序模型为至少包含非用户个性化排序任务和用户个性化排序任务的多任务融合排序模型。

进一步地，所述装置还包括：

排序模型训练模块，用于以第一样本商品为训练样本训练原始模型得到第一排序模型，以及用第二样本商品训练所述第一排序模型得到第二排序模型，利用权重值将所述第一排序模型和所述第二排序模型结合，形成所述多任务融合排序模型，其中所述第一样本商品由以非用户的因素为维度对商品数据打上相应的因素标签获得的商品数据，第二样本商品由以用户为维度对所述商品数据打上相应的用户个性化标签获得的商品数据。

进一步地，所述装置还包括：

检索模块，用于根据所述用户输入的关键词查找获得搜索商品。

进一步地，所述装置还包括：

商品过滤模块，用于整理过滤所述搜索商品组成所述商品集。

第三方面，本发明还提供一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面所述方法的操作。

本发明实施例提供的技术方案带来的有益效果是：

本发明公开的技术方案在用户个性化推荐的基础上结合非用户个性化推荐，打破仅采用用户个性化排序生成商品推荐数据导致的“信息茧房”效应，丰富用户可以接触到的推荐商品的类型，有利于服务运营商拓展用户的多样化需求。

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1提供的一种商品推荐数据生成方法流程图；

图2是本发明实施例2提供的一种商品推荐数据生成装置结构示意图；

图3是本发明实施例3提供的一种商品推荐数据生成方法流程图；

图4是本发明实施例4提供的一种商品推荐数据生成装置结构示意图；

图5是本发明实施例5提供的一种计算机系统结构示意图。

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，都属于本发明保护的范围。

随着商品推荐服务越来越趋向针对不同用户的个性化推荐，用户直接获取到的推荐信息往往千篇一律，极为雷同，使用户产生疲劳和厌烦，并且也不利于服务商拓展用户的新需求，限制了用户的信息获取类型。为了解决现有技术存在的问题，本发明实施例提供了一种商品推荐数据生成方法、装置及系统，该技术方案将用户个性化推荐和非用户个性化推荐相结合，在考虑针对不同用户的个性化服务需求之外还将用户群体的总需求和/或服务商的需求作为生成推荐的考虑因素，从而使得生成的推荐数据不仅仅局限于该用户的个人喜好，还可以推荐当下热门产品，丰富推荐信息的内容，提高用户的搜索感受，增加推荐成功率。下面通过具体的实施例对本发明提供的技术方案作出详细的解释和介绍。需要说明的是，本发明技术方案中所述的商品不仅仅局限于售卖的货品，视频、音频、文本内容、检索数据信息等网络运营向用户推荐的对象均可作为商品看待。

实施例1

如图1所示，一种商品推荐数据生成方法，包括：

S1、获取用户输入的关键词，根据关键词召回相应的搜索商品。

步骤S1主要用于根据用户提供的关键词获得搜索结果。该搜索结果仅仅根据关键词获得，获取时没有参考用户个人特征的因素，因此返回的搜索商品的数据量较大，而且商品情况参差不齐，需要对搜索商品根据用户个体情况进行进一步的筛分。

S2、整理过滤搜索商品组成商品集，具体包括：

S21、获取用户画像和用户反馈数据，结合用户画像、用户反馈等多因素为召回的搜索商品打分。

步骤S2是对搜索商品的根据用户特征进行的进一步筛分，获取与用户关联度大的商品，以及过滤掉用户反馈不良率明显高的商品。其中，用户画像是将用户的每个具体的信息抽象成标签，利用用户标签将用户的形象具体化的一种方法，比如根据用户的年龄为其贴上：幼儿、小学生、大学生等标签，为怀孕的女性用户贴上：孕妈的标签。结合用户反馈过滤商品主要是初步对搜索商品进行筛选，删除差评较多的商品。结合用户画像和用户反馈给搜索商品打分可以通过权重值计算二者的权重和值。

S22、按照搜索商品的分数对搜索商品排序，根据排序结果取一定数量的搜索商品组成商品集。

步骤S2是组成商品集的步骤，商品集取了搜索商品中排序较为靠前的商品，因此商品集与用户的关联性较大、商品评价较好，使商品集生成的商品推荐数据更加贴近用户的需求，另一方面减少了商品集的数据量，降低了数据处理的压力。

S3、利用多任务融合排序模型对商品集作非用户个性化排序和用户个性化排序，获得商品集的非用户个性化排序结果和用户个性化排序结果，按照二者的权重值计算二者的加权和值。

步骤S3中非用户个性化排序是指除了用户个性化维度之外的其它维度的商品排序，包括：商品搜索热度排序、商品购买热度排序、商品库存数量排序、商品优惠力度排序、商品好评率排序中的任意一种或多种。用户个性化排序主要是指有用户操作行为的商品，比如用户浏览过的商品、关注过的商品、加入购物车的商品、购买成功的商品。通过多种因素的结合能够使排序序列中的商品更加多元化，而不是仅仅针对有用户个性化操作的商品。

步骤S3中的多任务融合排序模型是集成至少两种排序任务为一体的排序模型。排序模型是经过训练能够将商品数据按照一定的顺序排序的模型，根据训练数据的类型不同，能够分为三大类：单点标注(point wise)、两两标注(pair wise)、列表标注(listwise)。本发明实施例以其中pair wise类排序模型中的lambdaMART为例进行说明：lambdaMART模型是一种Learning to Rank(LTR)算法，基于LambdaRank算法和MultipleAdditive Regression(MART)算法叠加形成，其将搜索排序问题转化为回归决策树问题，使排序指标直接进行优化。本发明技术方案对于多任务融合的lambdaMART排序模型训练过程如下：

S31、以非用户的因素为维度对商品数据打上相应的因素标签得到第一样本商品，以用户为维度为商品数据打上相应的用户个性化标签得到第二样本商品。

S32、以第一样本商品为训练样本训练原始模型得到第一排序模型。

S33、用第二样本商品训练初始排序模型得到第二排序模型。

S34、利用权重值将所述第二排序模型和所述第二排序模型结合，形成所述多任务融合排序模型。

上述方法中需要说明的是，非用户因素与非用户个性化排序一致，是指除了用户个性化之外的其它因素，包括：商品搜索热度、商品购买热度、商品库存数量、商品优惠力度、商品好评率中的任意一种或多种。按照非用户的因素将商品划分，训练原始的lambdaMART获得按照非用户因素训练的第一排序模型，然后再以该初始模型作为训练模型利用按照用户个性化划分的第二样本商品进行训练得到第二排序模型，最后利用权重值将二者输出的结果叠加，使二者集合成一个多任务融合的排序模型。

S4、根据非用户个性化排序结果和用户个性化排序结果的加权和值对商品集排序，生成商品推荐数据。

步骤S4按照步骤S3计算得出的商品最终的得分排序，生成结合多因素的商品推荐数据，向用户推送。因此用户最终看到的商品将即符合个人的需求又更加多元化。

上述步骤S1～S4中需要说明的是，步骤S1、S2不是必要步骤，也可以直接根据用户的检索结果向组成商品集。步骤S1、S2是对检索结果的筛选过程，而用户个性化排序是根据用户的操作行为对商品进行的排序，当没有步骤S1、S2时，用户个性化排序也可以是按照用户画像进行的排序，即将按照商品与用户的关联程度排序。

实施例2

如图2所示，本实施例为了实现实施例1公开的一种商品推荐数据生成方法，提供了一种商品推荐数据生成装置，包括：

检索模块，用于根据获取到的用户输入的关键词查找相应的搜索商品。

商品过滤模块，用于整理过滤搜索商品组成商品集。

排序模型训练模块，用于以第一样本商品为训练样本训练原始模型得到第一排序模型，以及用于第二样本商品训练第一排序模型得到第二排序模型，利用权重值将第一排序模型和第二排序模型结合，形成多任务融合排序模型，其中第一样本商品由以非用户的因素为维度对商品数据打上相应的因素标签获得，第二样本商品由以用户为维度对商品数据打上相应的用户个性化标签获得。

排序模块，用于利用排序模型对商品集作非用户个性化排序和用户个性化排序，获得商品集的非用户个性化排序结果和用户个性化排序结果，并按照非用户个性化排序结果和用户个性化排序结果的权重值计算二者加权和值。

推荐数据生成模块，用于根据非用户个性化排序结果的用户个性化排序结果的加权和值对商品集排序，生成商品推荐数据。

本实施例公开的装置在运行时，检索模块获得搜索商品后，商品集排序模块将搜索商品按照用户画像排序抽取一定数量的商品形成商品集，商品集输入到排序模型中获得按照非用户个性化和用户个性化加权和值的排序结果，推荐数据生成模块取按照加权和值的排序结果一定数量的商品数据生成商品推荐数据。

实施例3

实施例1给出了采用多任务融合排序模型生成商品推荐数据的方法，本发明技术方案还可以分别采用两种排序模型分别获得非用户个性化排序结果和用户个性化排序结果，然后单独计算加权和值的方法生成商品推荐数据，具体技术方案如下：

如图3所示，一种商品推荐数据生成方法，包括：

S1、获取用户输入的关键词，根据关键词召回相应的搜索商品。

步骤S1主要用于根据用户提供的关键词获得搜索结果。该搜索结果仅仅根据关键词获得，获取时没有参考用户个人特征的因素，因此返回的搜索商品的数据量较大，而且商品情况参差不齐，需要对搜索商品根据用户个体情况进行进一步的筛分。

S2、整理过滤搜索商品组成商品集，具体包括：

S21、获取用户画像和用户反馈数据，结合用户画像、用户反馈等多因素为召回的搜索商品打分。

步骤S2是对搜索商品的根据用户特征进行的进一步筛分。其中，用户画像是将用户的每个具体的信息抽象成标签，利用用户标签将用户的形象具体化的一种方法。

S22、按照搜索商品的分数对搜索商品排序，根据排序结果取一定数量的搜索商品组成商品集。

步骤S3是组成商品集的步骤，商品集取了搜索商品中排序较为靠前的商品，因此商品集与用户的关联性较大、商品评价较好，使商品集生成的商品推荐数据更加贴近用户的需求，另一方面减少了商品集的数据量，降低了数据处理的压力。

S3、利用非用户个性化排序模型对商品集作非用户个性化排序，利用个性化排序模型对商品集作用户个性化排序，获得商品集的非用户个性化排序结果和用户个性化排序结果。

步骤S3中采用了两个独立的排序模型分别得出用户个性化排序结果和非用户个性化排序结果。相较于实施例1中的步骤S3无需集成的多任务融合排序模型，计算较为简单，但集成化也较低。其中非用户个性化排序模型利用第一样本商品训练得到，第一样本商品为以非用户的因素为维度对商品数据打标签获得的商品数据。用户个性化排序模型利用第二样本商品训练得到，第二样本商品为以用户为维度为商品数据打标签获得的商品数据。

S4、按照商品集的非用户个性化排序结果和用户个性化排序结果的权重值计算二者的加权和值。

步骤S4中可以在上述非用户个性化排序模型和个性化排序模型之外关联一个计算模块，直接获取两种排序模型的计算结果，将该计算结果加权计算。

S5、根据非用户个性化排序结果和用户个性化排序结果的加权和值对商品集排序，生成商品推荐数据。

需要说明的是，与实施例1同样步骤S1、S2不是必要步骤，也可以直接根据用户的检索结果向组成商品集。步骤S1、S2是对检索结果的筛选过程，而用户个性化排序是根据用户的操作行为对商品进行的排序，当没有步骤S1、S2时，用户个性化排序也可以是按照用户画像进行的排序，即将按照商品与用户的关联程度排序。

实施例4

如图4所示，本实施例为了实现实施例3公开的一种商品推荐数据生成方法，提供了一种商品推荐数据生成装置，包括：

检索模块，用于根据获取到的用户输入的关键词查找相应的搜索商品。

商品过滤模块，用于整理过滤搜索商品组成商品集。

排序模型训练模块，包括：非用户个性化排序模型训练模块、用户个性化排序模型训练模块。

其中，非用户个性化排序模型，用于利用第一样本商品训练原始排序模型得到非用户个性化排序模型，第一样商品为以非用户的因素为维度对商品数据打标签获得的商品数据。

用户个性化排序模型，用于利用第二样本商品训练原始排序模型得到用户个性化排序模型，第二样商品为以用户为维度对商品数据打标签获得的商品数据。

排序模块，用于利用非用户个性化排序模型对商品集作非用户个性化排序，利用个性化排序模型对商品集作用户个性化排序，获得商品集的非用户个性化排序结果和用户个性化排序结果。

加权计算模块，用于按照商品集的非用户个性化排序结果和用户个性化排序结果的权重值计算二者的加权和值。

推荐数据生成模块，用于根据非用户个性化排序结果的用户个性化排序结果的加权和值对商品集排序，生成商品推荐数据。

本实施例公开的装置在运行时，检索模块获得搜索商品后，商品集排序模块将搜索商品按照用户画像排序抽取一定数量的商品形成商品集，商品集分别输入到非用户个性化排序模型和用户个性化排序模型中，获得非用户个性化排序结果和用户个性化排序结果，加权计算模块根据各商品在上述模型中获得的分数和各模型的权重值进行加权和值计算，推荐数据生成模块取按照加权和值的排序结果一定数量的商品数据生成商品推荐数据。

实施例5

如图5所示，本申请实施例基于实施例1的商品推荐数据生成方法提供了一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行上述商品推荐数据生成方法。

其中，图5示例性的展示出了计算机系统的架构，具体可以包括处理器510，视频显示适配器511，磁盘驱动器512，输入/输出接口513，网络接口514，以及存储器520。上述处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，与存储器520之间可以通过通信总线530进行通信连接。

其中，处理器510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器520可以存储用于控制电子设备500运行的操作系统521，用于控制电子设备500的低级别操作的基本输入输出系统522(BIOS)。另外，还可以存储网页浏览器523，数据存储管理系统524，以及设备标识信息处理系统525等等。上述设备标识信息处理系统525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器520中，并由处理器510来调用执行。

输入/输出接口513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线530包括一通路，在设备的各个组件(例如处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，与存储器520)之间传输信息。

另外，该电子设备500还可以从虚拟资源对象领取条件信息数据库541中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器510、视频显示适配器511、磁盘驱动器512、输入/输出接口513、网络接口514，存储器520，总线530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例提供的技术方案带来的有益效果是：

本发明公开的技术方案在用户个性化推荐的基础上结合非用户个性化推荐，打破仅采用用户个性化排序生成商品推荐数据导致的“信息茧房”效应，丰富用户可以接触到的推荐商品的类型，有利于服务运营商拓展用户的多样化需求。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

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 (10)

1.一种商品推荐数据生成方法，其特征在于，包括：

对商品集作非用户个性化排序和用户个性化排序，获得所述商品集的非用户个性化排序结果和用户个性化排序结果；

按照所述非用户个性化排序结果和所述用户个性化排序结果的权重值计算二者的加权和值；

根据所述非用户个性化排序结果和所述用户个性化排序结果的加权和值对所述商品集排序，生成商品推荐数据。

2.如权利要求1所述的一种商品推荐数据生成方法，其特征在于，所述非用户个性化排序包括：商品搜索热度排序、商品购买热度排序、商品库存数量排序、商品优惠力度排序、商品好评率排序中的任意一种或多种。

3.如权利要求1所述的一种商品推荐数据生成方法，其特征在于，利用排序模型对商品集作非用户个性化排序和用户个性化排序，所述排序模型为至少包含非用户个性化排序任务和用户个性化排序任务的多任务融合排序模型。

4.如权利要求3所述的一种商品推荐数据生成方法，其特征在于，所述多任务融合排序模型的训练方法包括：

以非用户的因素为维度对商品数据打上相应的因素标签得到第一样本商品，以用户为维度对所述商品数据打上相应的用户个性化标签得到第二样本商品；

以所述第一样本商品为训练样本训练原始模型得到第一排序模型；

用所述第二样本商品训练所述第一排序模型得到第二排序模型；

利用权重值将所述第一排序模型和所述第二排序模型结合，形成所述多任务融合排序模型。

5.如权利要求1～4中任意一项所述的一种商品推荐数据生成方法，其特征在于，所述商品集根据所述用户输入的关键词查找获得。

6.如权利要求5所述的一种商品推荐数据生成方法，其特征在于，所述商品集根据所述用户输入的关键词查找获得包括：

根据所述关键词召回相应的搜索商品；

整理过滤所述搜索商品组成所述商品集。

7.一种商品推荐数据生成装置，其特征在于，包括：

排序模块，用于对商品集作非用户个性化排序和用户个性化排序，获得所述商品集的非用户个性化排序结果和用户个性化排序结果，并按照所述非用户个性化排序结果和所述用户个性化排序结果的权重值计算二者的加权和值；

推荐数据生成模块，用于根据所述非用户个性化排序结果和所述用户个性化排序结果的加权和值对所述商品集排序，生成商品推荐数据。

8.如权利要求7所述的一种商品推荐数据生成装置，其特征在于，所述非用户个性化排序包括：商品搜索热度排序、商品购买热度排序、商品库存数量排序、商品好评率排序中的任意一种或多种。

9.如权利要求7所述的一种商品推荐数据生成装置，其特征在于，所述排序模块中设置有排序模型，所述排序模型为至少包含非用户个性化排序任务和用户个性化排序任务的多任务融合排序模型。

10.一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1～6任意一项所述方法的操作。

Images