CN111612588A - 商品呈现方法及装置、计算设备、计算机可读存储介质 - Google Patents

Abstract

本文描述了一种商品呈现方法及装置，所述方法包括：基于多个商品的商品信息和用户的用户信息确定用户对每个商品的感兴趣程度；根据用户对每个商品的感兴趣程度的从高到低的顺序对多个商品进行排名；基于所述排名，向用户选择性地呈现所述多个商品，其中基于多个商品的商品信息和用户的用户信息确定用户对每个商品的感兴趣程度包括：基于在当前的消费场景下每个商品的商品信息确定针对每个商品的第一特征向量；基于用户信息确定针对用户的第二特征向量；基于所述第一特征向量和第二特征向量，确定用户对于每个商品的感兴趣程度。

Description

商品呈现方法及装置、计算设备、计算机可读存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种商品呈现方法及装置、计算设备和计算机可读存储介质。

背景技术

随着计算机网络的发展，在线消费变得越来越普遍。例如，用户可以通过终端设备浏览各种商品，并选择心仪的商品，进而完成消费行为。一般而言，商品销售平台（其例如是提供商品呈现服务的服务器）可以根据预定顺序或基于预定规则（例如基于价格、与搜索内容的相关度、销量、折扣力度等）确定的顺序来向用户呈现商品。然而，单一的顺序或基于单一规则确定的顺序显然无法适合所有用户的需要。用户可能多次访问呈现商品的平台页面，但不进行消费。或者，在商品量较大的情况下，用户可能需要浏览多个页面，才能完成消费行为。这会产生大量对商品销售平台的无效访问，并且这些无效访问将占用较大量的通信资源和处理资源，从而在一定程度上造成对这些资源的浪费。而且，商家或平台可能开展折扣活动来增加有效访问，也即促成消费行为。但是，不同用户对于折扣的敏感度是不同的，单纯地针对某个商品设定一固定折扣并不能很好地促进消费行为的完成以及减少上述资源的浪费。

发明内容

有鉴于此，本公开提供了商品呈现方法、商品呈现装置、计算设备及计算机可读存储介质，旨在缓解、减轻或甚至消除上述问题以及可能存在的其它问题。

根据本公开的一方面，提供了一种商品呈现方法。该方法包括：基于多个商品的商品信息和用户的用户信息确定用户对多个商品中的每个商品的感兴趣程度；根据用户对多个商品中的每个商品的感兴趣程度的从高到低的顺序对多个商品进行排名；基于对多个商品的排名，向用户选择性地呈现多个商品。上述基于多个商品的商品信息和用户的用户信息确定用户对多个商品中的每个商品的感兴趣程度包括：基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对每个商品的第一特征向量，每个商品的商品信息包括每个商品的与消费场景相关的信息；基于用户的用户信息确定针对用户的第二特征向量，用户信息与用户的身份信息以及用户对商品的历史消费记录相关，历史消费记录包括在历史消费场景下用户消费的商品的商品信息；基于针对每个商品的第一特征向量和针对用户的第二特征向量，确定用户对于每个商品的感兴趣程度。

在一些实施例中，基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对所述每个商品的第一特征向量，包括：对所述每个商品的商品信息进行编码；对编码后的商品信息进行特征提取，以生成针对所述每个商品的第一特征向量。

在一些实施例中，基于用户的用户信息确定针对所述用户的第二特征向量包括：对所述用户的用户信息进行编码；对编码后的用户信息进行特征提取，以生成针对所述用户的第二特征向量。

在一些实施例中，基于针对所述每个商品的第一特征向量和针对所述用户的第二特征向量，确定所述用户对于所述每个商品的感兴趣程度，包括：确定针对所述每个商品的第一特征向量和针对所述用户的第二特征向量之间的匹配分数；基于所述匹配分数，确定所述用户对于所述每个商品的感兴趣程度。

在一些实施例中，确定针对所述每个商品的第一特征向量和针对所述用户的第二特征向量之间的匹配分数包括：对所述第一特征向量与所述第二特征向量执行点乘运算以得到所述匹配分数。

在一些实施例中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：基于对所述多个商品的排名，向用户选择性地呈现所述多个商品中处于预设排名之前的一部分。

在一些实施例中，所述多个商品中的每个商品由所述每个商品的商品名称和价格标识进行识别，并且所述每个商品的商品信息还包括所述每个商品的商品名称和价格标识。

在一些实施例中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：对于具有相同商品名称但不同价格标识的商品，向用户选择性地呈现其中排名最高的一个。

在一些实施例中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：在向用户选择性地呈现所述多个商品的同时呈现与相应商品对应的商品信息。

在一些实施例中，所述基于多个商品的商品信息和用户的用户信息确定用户对所述多个商品中的每个商品的感兴趣程度是利用经训练的机器学习模型实现的，其中所述经训练的机器学习模型根据预定消费场景下的正样本及负样本训练得到；其中，在预定消费场景下向用户呈现多个商品的过程中，基于用户购买的商品的商品信息形成所述预定消费场景下的正样本，基于用户未购买的商品的商品信息形成所述预定消费场景下的负样本。

在一些实施例中，所述用户的身份信息包括以下中的至少一项：用户的性别、用户的年龄、用户的注册时间、用户的历史消费总额、用户的兴趣偏好。

根据本公开的另一方面，提供了一种商品呈现装置。该装置包括：确定模块，被配置为基于多个商品的商品信息和用户的用户信息确定用户对多个商品中的每个商品的感兴趣程度；排名模块，被配置为根据用户对多个商品中的每个商品的感兴趣程度的从高到低的顺序对多个商品进行排名；呈现模块，被配置为基于对多个商品的排名，向用户选择性地呈现该多个商品。上述确定模块包括：第一确定子模块，被配置为基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对每个商品的第一特征向量，每个商品的商品信息包括每个商品的与消费场景相关的信息；第二确定子模块，被配置为基于用户的用户信息确定针对用户的第二特征向量，用户信息与用户的身份信息以及用户对商品的历史消费记录相关，历史消费记录包括在历史消费场景下用户消费的商品的商品信息；第三确定子模块，被配置为基于针对每个商品的第一特征向量和针对用户的第二特征向量，确定用户对于每个商品的感兴趣程度。

在一些实施例中，所述呈现模块被配置为基于对所述多个商品的排名，向用户选择性地呈现所述多个商品中处于预设排名之前的一部分。

根据本公开的又一方面，提供了一种计算设备。该计算设备包括存储器和处理器。存储器被配置成在其上存储计算机可执行指令，计算机可执行指令当在处理器上执行时执行上文所述的任一商品呈现方法。

根据本公开的再一方面，提供了一种计算机可读存储介质。计算机可读存储介质上存储计算机可执行指令，计算机可执行指令当在处理器上执行时执行上文所述的任一商品呈现方法。

通过本公开的实施例提供的商品呈现方法和装置，可以基于用户对多个商品中的每个商品的感兴趣程度来向用户呈现商品，使得可以向用户呈现其更感兴趣的商品。由此，可以提高有限次访问中达成消费行为的概率，也即提高有效访问的比率，从而有助于提高对通信资源和处理资源的利用效率。此外，根据本公开的一些实施例，在上述呈现过程中，还可以用商品名称和价格标识两者来对商品进行识别，也即将具有不同价格标识但具有相同名称的商品识别为不同商品，来单独参与商品呈现，由此可以根据用户的感兴趣程度来向用户呈现合适的价格以促成消费行为，从而进一步提高有效访问的比率和资源的利用效率。

根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1示意性示出了可以应用本公开的实施例提供的商品呈现方法的示例场景；

图2示意性示出了根据本公开的实施例的商品呈现方法的示例流程图；

图3示意性示出了实现图2所示的流程图中的确定针对每个商品的第一特征向量的示例流程图；

图4示意性示出了用于说明根据本公开的实施例的商品呈现的示例界面图；

图5示意性示出了根据本公开的实施例的机器学习模型的示例架构图；

图6示意性示出了根据本公开的实施例的商品呈现装置的示例框图；和

图7示意性示出了可以实现本文描述的各种技术的计算设备的示例框图。

具体实施方式

在详细介绍本公开的实施例之前，首先对一些相关的概念进行解释。

1、机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本公开的实施例提供的方法可以使用机器学习模型来完成，以提高执行效率，提升执行效果。

2、直播：指通过一定设备采集开播方数据（例如音频、视频等数据中的一种或多种），对这些数据进行一系列处理（例如视频编码、压缩等）以形成可观看和可传输的媒体流，并输出至用户端进行观看的技术。在直播中，开播方可以称为主播。一般而言，一名主播可以在一个直播间中进行直播，用户可以进入该直播间观看该主播的直播。在观看过程中，用户可以向主播赠送礼物。该礼物一般为虚拟礼物并作为商品向用户进行展示，用户可以购买（即，消费）礼物以赠送给主播，以用于为主播增加积分、人气值等，或者，主播在接收到礼物时可能与赠送礼物的用户进行额外互动，诸如与其进行语音或视频通话等。

3、PK：在直播过程中，两名或更多名主播可以发起PK模式。在PK模式中，不同主播之间形成竞争关系。例如，可以通过比较各主播在预定时间段（诸如三分钟、五分钟、十分钟、半小时等）内的积分（或者也可能称为人气值等）来确定PK中的获胜方。该积分可以通过用户赠送礼物来增加，其中不同的礼物可以对应不同的分值。

图1示意性示出了可以应用本公开的实施例提供的商品呈现方法的示例场景100。如图所示，场景100可以包括终端设备120和服务器130。终端设备120和服务器130之间可以通过网络140通信地耦合在一起。

在一些实施例中，用户110可以使用终端设备120来经由网络140向服务器130请求访问商品呈现页面。服务器130上可以部署有商品呈现应用131，其可以根据本公开的实施例提供的商品呈现方法来确定要向用户呈现的商品。

终端设备120可以是任何适当的计算设备，包括但不限于智能电话、智能手表、平板电脑、笔记本电脑、台式计算机等。终端设备120上可以部署有相应的应用程序，用户可以使用该应用程序来访问服务器130提供的服务。该应用程序可以是例如与商品呈现应用131相对应的客户端程序、提供页面浏览功能的浏览器、提供小程序访问功能的其他应用程序等。

服务器130可以是单个服务器或服务器群组，或者也可以是具有一定计算和通信能力的其他计算设备。在一些实施例中，终端设备120和服务器130也可以是集成在一起的，也即可以由同一设备来提供呈现接口和后台计算功能。在这种情况下，可以不存在用以实现终端设备120和服务器130之间的通信的网络140，因为两者可以通过设备的内在通信连接来实现信息交换。可选地，服务器130上可以存储有关于用户和商品的信息，或者可以通过网络140从单独的数据库获取这些信息。

部署在服务器130上的商品呈现应用131可以包括经训练的机器学习模型。该机器学习模型被训练为基于关于用户和商品的信息确定用户对商品的感兴趣程度。这将在下文的实施例中详细描述。商品呈现应用131可以被实现为与客户端程序相对应的后台应用程序、可以经由浏览器访问的应用程序及后台程序、可以经由其他应用程序访问的小程序等。

网络140可以是经由诸如电缆、光纤等连接的有线网络，也可以是诸如2G、3G、4G、5G、Wi-Fi、蓝牙、ZigBee、Li-Fi等的无线网络。

图2示意性示出了根据本公开的实施例的商品呈现方法200的示例流程图。并且，图3示意性示出了实现方法200中的步骤210的示例流程图。

在步骤210，基于多个商品的商品信息和用户的用户信息确定用户对多个商品中的每个商品的感兴趣程度。

以图1描述的场景为例，用户110可以使用终端设备120发起查看商品页面的请求，并且终端设备120可以将该请求发送（例如经由网络140）至服务器130。响应于接收到该请求，部署在服务器130上的商品呈现应用131可以获取存储在服务器130中和/或从外部数据库获得的用户110的用户信息以及可以向用户110呈现的多个商品的商品信息，并基于这些信息确定用户110对该多个商品中的每个商品的感兴趣程度。应注意，本文所提及的“商品”可以涉及实物商品（例如购物网站的页面中呈现的实物商品）或虚拟商品（例如直播、游戏等中的礼物、道具等）。

示例性地，图4示意性示出了示例性的直播界面400。该界面可以呈现在例如终端设备120上，诸如具有触摸屏的智能手机。如图所示，界面400包括礼物面板410。礼物面板410每页可以示出例如十个礼物（即，商品）411以及对应的价格412，并且用户110可以通过诸如左右滑动页面来浏览不同页面上的礼物，或者通过下方显示的类别选项选择浏览不同类别（诸如不同风格属性）的礼物。价格412可以用任何等价物单位来表示，例如通用性的货币或电子货币或者平台专用的等价物表示（诸如点数、积分、兑换券等）等。此外，界面400还包括主播的直播图像420。用户可以在界面400上观看该主播的直播，并通过礼物面板120进行消费，来向该主播赠送礼物。

具体地，步骤210可以包括如图3所示的步骤211至213。

在步骤211，基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对每个商品的第一特征向量。每个商品的商品信息可以包括每个商品的与消费场景相关的信息。在一些实施例中，这可以通过以下步骤完成：对每个商品的商品信息进行编码；对编码后的商品信息进行特征提取，以生成针对每个商品的第一特征向量。

上述消费场景例如可以是图4的界面图400所示的直播中的PK场景，如由430指示的。在如430标识的PK场景中，直播图像420所示的主播（主播A）比对手（主播B）落后400分。如前文所介绍的，在直播过程中，PK可以指例如两名或更多名主播进入比赛模式，其中在预设的时间段内，得分最高的主播将获胜，该得分可以与用户（即，观看直播的用户）的消费行为正相关。或者，该消费场景也可以是例如游戏玩家所处的游戏场景，诸如单机或联机、闯关或对战等游戏模式。或者，针对实物商品，该消费场景还可以是诸如用户所处的时间（例如季节、早晨或晚上等）、地点（例如海边、山区等）、状态（例如运动、工作、居家等）等。在这种情况下，用户可以例如通过终端设备上呈现的选项按钮来选择自己所处的消费场景。

一般而言，用户在不同消费场景下的消费偏好可能是不同的。以图4的界面图400所示的直播情况为例，当用户正在观看处于PK场景的直播时，其可能更偏向于消费能够为自己支持的主播增加更多分数的礼物；而当用户正在观看处于非PK场景的直播时，其可能更偏向于消费能够带来更大的与主播互动的几率的礼物。

在一些实施例中，商品呈现应用131可以获取用户110当前所处的消费场景，并获取与该消费场景相关联的、可以向用户110呈现的多个商品中每个商品的商品信息（例如，可以从对于服务器130是内部或外部的数据库获取）。该商品信息可以包括商品名称、价格标识、与当前消费场景相关联的信息等。价格标识可以包括价格、折扣、折后价格中的一个或多个。与当前消费场景相关联的信息可以涉及该商品针对该消费场景所产生的效果。依然以直播为例，与PK场景相关联的信息可以是例如能够为主播增加的分数等，与非PK场景相关联的信息可以是例如与主播互动的概率等。针对其他情况下的其他场景也可以进行类似的设计。

在步骤212，基于用户的用户信息确定针对用户的第二特征向量，用户信息与用户的身份信息以及用户对商品的历史消费记录相关，历史消费记录包括在历史消费场景下用户消费的商品的商品信息。在一些实施例中，这可以通过以下步骤完成：对所述用户的用户信息进行编码；对编码后的用户信息进行特征提取，以生成针对所述用户的第二特征向量。

在一些实施例中，商品呈现应用131可以获取用户110的用户信息（例如，可以从对于服务器130是内部或外部的数据库获取），其包括身份信息以及用户对商品的历史消费记录。在一些实施例中，用户的身份信息例如可以是用户注册时填写的信息，或者可以是根据用户的行为自动生成的信息。作为示例，用户的身份信息包括但不限于：用户的性别、用户的年龄、用户的注册时间、用户的历史消费总额、用户的兴趣偏好。例如，用户向服务器注册时可以填写用户的性别、年龄等信息，服务器可以自动记录用户的这些信息，并且可以在用户进行消费时记录其所消费的商品的名称、价格（价格、折扣或折后价格）等以及消费时的场景，并且统计用户的历史消费总额和由此得出用户的兴趣偏好。例如，用户对某个商品的消费次数越多，则表明用户对该商品具有越高的兴趣偏好。这里的消费场景可以与上文参照步骤211描述的消费场景是相对应的。例如，在直播情况下，可以记录用户在消费时处于PK还是非PK场景，若处于PK场景，则记录其所支持的主播的落后或领先分数以及其购买的礼物（可选地，该礼物能够增加的分数）；若处于非PK场景，则记录其购买的礼物（可选地，该礼物带来的互动数）。可选地，可以使用预定时间段内的用户的历史消费记录，例如一个月内、三个月内等。

通过利用消费场景相关的信息，可以更精准地向用户推荐在该消费场景下其最可能感兴趣并进行消费的商品，从而提高用户达成消费的概率，以及提高用户有效访问的比率。

在步骤213，基于针对每个商品的第一特征向量和针对用户的第二特征向量，确定用户对于每个商品的感兴趣程度。在一些实施例中，这可以通过以下步骤完成：确定针对每个商品的第一特征向量和针对用户的第二特征向量之间的匹配分数；基于匹配分数，确定用户对于每个商品的感兴趣程度。

在一些实施例中，确定针对每个商品的第一特征向量和针对用户的第二特征向量之间的匹配分数可以包括：对第一特征向量与第二特征向量执行点乘运算以得到所述匹配分数。示例性地，该点乘运算可以用于计算第一特征向量和第二特征向量的余弦相似度，从而衡量第一特征向量与第二特征向量之间的相似程度。由此，可以基于用户信息和商品信息来衡量用户对各个商品的感兴趣程度。可选地，这种点乘运算也可以替换为其他相似度计算方式。

在一些实施例中，上述步骤211至213（即步骤210）可以利用经训练的机器学习模型来实现。该经训练的机器学习模型可以根据预定消费场景下的正样本及负样本训练得到。在预定消费场景下向用户呈现多个商品的过程中，可以基于用户购买的商品的商品信息形成预定消费场景下的正样本，以及基于用户未购买的商品的商品信息形成预定消费场景下的负样本。

具体地，上述机器学习模型的示例架构在图5中示出，即模型500。如图5所示，所述模型500包括第一特征提取结构522、第二特征提取结构512、匹配层531、以及Softmax层（归一化指数层）532。

如图5所示，第一特征提取结构522可以用于基于当前的消费场景下多个商品中的每个商品的商品信息确定针对所述每个商品的第一特征向量，第二特征提取结构512可以用于基于用户的用户信息确定针对所述用户的第二特征向量。

示例性地，每个商品的商品信息521可以首先被编码成第一向量。编码可以通过任何合适的方式执行，例如使用嵌入层（embedding）来进行向量化处理。或者，编码也可以以其他方式手动或自动的完成，来将所获取的商品信息转换为向量形式，以供后续处理。然后，编码后的第一向量可以被输入至第一特征提取结构522，例如这里所示的两个特征提取层，每个特征提取层都包括全连接层和非线性激活（ReLU）层。经特征提取后，第一向量可以被转换为第一特征向量。类似地，用户信息511可以首先被编码成第二向量。然后，编码后的第二向量可以被输入至第二特征提取结构512，例如这里所示的三个特征提取层，类似地，每个特征提取层都包括全连接层和非线性激活（ReLU）层。经特征提取后，第二向量可以被转换为第二特征向量。应理解，这里所示的全连接层和非线性激活（ReLU）层仅仅是示例性的，实际上，模型可以采用更多或更少个由全连接层和非线性激活（ReLU）层构成的特征提取层，并且第一特征提取结构和第二特征提取结构所包括的由全连接层和非线性激活（ReLU）层构成的特征提取层的个数可以相同或不同。或者，也可以替换地或者附加地使用全连接层和非线性激活（ReLU）层以外的结构（例如，卷积层）来进行特征提取。还应理解，对商品信息和用户信息进行编码和/或特征提取的过程可以并行或者非并行地执行。

随后，所生成的第一特征向量和第二特征向量可以被输入至匹配层531，以进行匹配，并生成匹配分数。匹配分数的生成可以根据上文关于步骤213描述的匹配方式来实现。匹配分数可以被输入至Softmax层（归一化指数层）532，以进行归一化处理，并生成用户对商品的感兴趣分数和不感兴趣分数。应理解，匹配分数或感兴趣分数和不感兴趣分数均可用于衡量用户对商品的感兴趣程度。也就是说，可以单独使用匹配层531而不使用Softmax层532来衡量用户对商品的感兴趣程度。示例性地，匹配层531可以对第一特征向量和第二特征向量执行点乘运算，来衡量用户信息对应的特征向量与商品信息对应的特征向量的匹配程度。为了便于在模型训练过程中确定训练样本的标签，可以在匹配层之后增加具有两个神经元的Softmax层532，来将用户与多个礼物中的每一个的匹配分数转化成用户对多个礼物中的每一个的感兴趣分数和不感兴趣分数。

模型500可以基于预先生成的样本集来进行预先训练。样本集可以包括正样本和负样本。示例性地，假设用户在近一个月内，消费记录包括四件商品，例如该四件商品按时间顺序依次为g1、g2、g3、g4。那么，根据该记录，可以生成对应的正样本[g1，g2]->g3和[g1，g2，g3]->g4，即用户在购买历史为g1、g2时购买了商品g3，以及在购买历史为g1、g2、g3时购买了商品g4。正样本对应的标签可以为（1，0），即感兴趣分数为1，不感兴趣分数为0。类似地，根据该记录，可以生成对应的负样本。假设还存在商品g5、g6，则负样本可以包括[g1，g2]->g5，[g1，g2]->g6，[g1，g2，g3]->g5，[g1，g2，g3]->g6等，即用户在购买历史为g1、g2时未购买商品g5或g6，以及在购买历史为g1、g2、g3时未购买商品g5或g6等。负样本对应的标签可以为（0，1），即感兴趣分数为0，不感兴趣分数为1。基于这样生成的样本集训练的模型500可以自动确定用户对每个商品的感兴趣程度。

应理解，本文所述的“预先训练”是指在执行某次商品呈现之前进行的训练。换言之，可以在模型开始正式参与执行商品呈现任务之前对其进行训练。

返回图2，在步骤220，根据用户对多个商品中的每个商品的感兴趣程度的从高到低的顺序对多个商品进行排名。

在一些实施例中，商品呈现应用131可以按照匹配分数或感兴趣分数从高到低的顺序对多个商品进行排名。此外，在一些实施例中，多个商品中的每个商品可以由每个商品的商品名称和价格标识进行识别。换言之，在这样的实施例中，相同名称、不同价格标识的商品将被视为不同商品，并分别进行特征提取、与针对用户的特征向量进行匹配等操作，进而分别参与排名。应注意，本文所述的价格标识可以包括以下中的一项或多项：商品的原始价格、折扣、折后价格。当然，在这样的实施例中，商品信息将至少包括商品名称和价格标识。

与仅以商品名称对商品进行识别相比，通过以商品名称和价格标识两者对商品进行识别，可以在向用户呈现其更感兴趣的商品的同时，向用户呈现其更可能进行消费的价格。如此，可以进一步提高消费转化率以及提高有效访问的比率。

在步骤230，基于对多个商品的排名，向用户选择性地呈现多个商品。

在一些实施例中，可以按照多个商品的排名，向用户呈现该多个商品。作为示例，在仅以商品名称识别商品的情况下，可以直接按照排名从高到低的顺序，向用户呈现所有商品，使得用户可以最先浏览到自己最可能感兴趣的商品，从而迅速完成消费。

在一些实施例中，可以基于对多个商品的排名，向用户选择性地呈现多个商品中处于预设排名之前的一部分。作为示例，在仅以商品名称识别商品的情况下，可以按照排名从高到低的顺序，向用户呈现排名中前N位的商品。N可以是预先设定的正整数，其取值例如可以是所有商品数量的三分之二、二分之一、三分之一等，或者是某个固定的数字（10、15等）。如此，可以向用户呈现更为精简的商品列表，进一步提高用户选择商品的速率。

在一些实施例中，对于具有相同商品名称但不同价格标识的商品，可以向用户选择性地呈现其中排名最高的一个。作为示例，在以商品名称和价格标识两者识别商品的情况下，可以对商品进行筛选。例如，针对商品名称相同、价格标识不同的商品，可以仅筛选出其中排名最高的一个。可选地，可以向用户呈现所筛选出的商品中的全部，或者可以仅向用户呈现所筛选出的商品中的一部分，例如呈现其中的前M个商品。类似地，M可以是预先设定的正整数，其取值例如可以是所选择商品数量的三分之二、二分之一、三分之一等，或者是某个固定的数字（10、15等）。如此，可以实现在向用户呈现其更感兴趣的商品的同时，为其设定其最可能有兴趣进行消费的价格或折扣。与统一为所有用户设定相同的折扣相比，这种方法可以选择性地为不同用户设定不同的价格折扣，使得不同价格敏感度的用户可以获取到其当前消费场景下最适合的价格折扣，从而实现一种动态的个性化价格呈现，来促进不同类型的用户的消费行为，更好地提高各种用户的访问效率。

此外，在一些实施例中，可以在向用户选择性地呈现多个商品的同时呈现与相应商品对应的商品信息，如上面所述的商品名称、价格标识、与当前消费场景相关联的信息（例如，商品针对该消费场景所产生的效果）等。

示例性地，以图4界面图所示的直播情况为例，附图标记414指示了这类信息的呈现框。可选地，当用户选中某个商品时，可以出现这种呈现框。在该示例中，所显示的信息是与当前消费场景（即PK场景）相关的信息，以告知用户其支持的主播目前落后对手400分，而该礼物可以为主播增加350分。另外，示例性地，在与图4的界面图所示的PK场景不同的非PK场景中，在这种呈现框中显示的信息可以是，例如，购买该礼物后与主播的互动概率为60%等。这样的信息呈现可以帮助用户更有效地决定其感兴趣消费的商品。应注意，虽然在图4中这种信息被以文字方式显示在呈现框414中，但是其也可以以其他方式呈现，例如动画效果、语音播报等。此外，该信息可以如上文所述在用户选中某个商品时出现，也可以持续地呈现，即无论用户是否选中商品，都向用户呈现该信息。

此外，在一些实施例中，在上述与相应商品对应的商品信息之外，可以可选地呈现其他与商品相关的引导信息。例如，在直播情况下，针对礼物，可以呈现的引导信息包括但不限于：大众对礼物的喜爱程度、礼物对应的分值在所有礼物中的排名、主播对礼物的喜爱程度、主播当前收到过的礼物数量、消费该礼物产生的互动次数等。这些信息可以随机呈现，或者在不同情况下优先呈现不同信息。例如，在PK场景中，可以优先呈现关于分数的信息；而在非PK场景中，可以优先呈现关于互动次数及主播喜爱程度的信息。或者，例如，在如上面所述的为用户所设定的折扣为较低折扣（即较高价格）时，可以优先呈现与分数、主播喜爱度等相关的信息，因为较低折扣意味着当前用户的价格敏感度不高，可能更注重消费后对主播产生的效果；而在所设定的折扣为较高折扣（即较低价格）时，可以优先呈现与折扣或互动相关的信息，因为较高的折扣意味着当前用户的价格敏感度较高，可能更注重价格相关的信息以及消费后为自己带来的互动可能性。

在其他情况下，可以类似地执行这种信息的呈现。通过呈现这类信息，可以进一步促进消费概率的提高，以及有效访问的比率的提升。

图6示意性示出了根据本公开的实施例的商品呈现装置600的示例框图。如图所示，商品呈现装置600可以包括确定模块610、排名模块620和呈现模块630。

确定模块610可以被配置为基于多个商品的商品信息和用户的用户信息确定用户对多个商品中的每个商品的感兴趣程度。确定模块610可以包括第一确定子模块611、第二确定子模块612和第三确定子模块613。

第一确定子模块611可以被配置为基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对每个商品的第一特征向量，每个商品的商品信息包括每个商品的与消费场景相关的信息。

第二确定子模块612可以被配置为基于用户的用户信息确定针对用户的第二特征向量，用户信息与用户的身份信息以及用户对商品的历史消费记录相关，历史消费记录包括在历史消费场景下用户消费的商品的商品信息。

第三确定子模块613可以被配置为基于针对每个商品的第一特征向量和针对用户的第二特征向量，确定用户对于每个商品的感兴趣程度。

排名模块620可以被配置为根据用户对多个商品中的每个商品的感兴趣程度的从高到低的顺序对多个商品进行排名。

呈现模块630可以被配置为基于对多个商品的排名，向用户选择性地呈现该多个商品。在一些实施例中，呈现模块630还可以被配置为基于多个商品的排名，向用户选择性地呈现多个商品中处于预设排名之前的一部分。

商品呈现装置600可以部署在图1所示的服务器130上，例如作为商品呈现应用131被部署。应理解，商品呈现装置600可以以软件、硬件或软硬件相结合的方式实现。多个不同模块可以在同一软件或硬件结构中实现，或者一个模块可以由多个不同的软件或硬件结构实现。此外，商品呈现装置600可以用于实施根据图2至图5描述的商品呈现方法200，其相关细节已经在上文中详细描述，在此不再重复。商品呈现装置600可以具有与关于商品呈现方法200相同的特征和优势。

图7示意性示出了可以实现本文描述的各种技术的计算设备700的示例框图。计算设备700可以代表用以实现本文描述的各种装置或模块和/或执行本文描述的各种方法的设备。计算设备700可以是例如服务器、台式计算机、膝上型计算机、平板、智能电话、智能手表、可穿戴设备或任何其它合适的计算设备或计算系统，其可以包括从具有大量存储和处理资源的全资源设备到具有有限存储和/或处理资源的低资源设备的各种级别的设备。在一些实施例中，上面关于图1描述的终端设备120及服务器130或者关于图6描述的商品呈现装置600可以在一个或多个计算设备700中实现。

如图所示，示例计算设备710包括彼此通信耦合的处理系统701、一个或多个计算机可读介质702以及一个或多个I/O接口703。尽管未示出，但是计算设备700还可以包括将各种组件彼此耦合的系统总线或其他数据和命令传送系统。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构可以是诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用各种总线架构中的任何一种的处理器或局部总线。或者，还可以包括诸如控制和数据线。

处理系统701代表使用硬件执行一个或多个操作的功能。因此，处理系统701被图示为包括可被配置为处理器、功能块等的硬件元件704。这可以包括在硬件中实现作为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件704不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（IC））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质702被图示为包括存储器/存储装置705。存储器/存储装置705表示与一个或多个计算机可读介质相关联的存储器/存储装置。存储器/存储装置705可以包括易失性介质（诸如随机存取存储器（RAM））和/或非易失性介质（诸如只读存储器（ROM）、闪存、光盘、磁盘等）。存储器/存储装置705可以包括固定介质（例如，RAM、ROM、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。示例性地，存储器/存储装置705可以用于存储上文实施例中提及的各种用户信息及商品信息。计算机可读介质702可以以下面进一步描述的各种其他方式进行配置。

一个或多个输入/输出接口703代表允许用户向计算设备700键入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或发送给其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）、网卡、接收机等等。输出设备的示例包括显示设备（例如，监视器或投影仪）、扬声器、打印机、触觉响应设备、网卡、发射机等。示例性地，在上文描述的实施例中，用户可以通过其的终端设备上的输入接口来进行输入以发起诸如查看商品、进行消费的请求，并且可以通过输出接口来查看商品呈现页面等。

计算设备700还包括商品呈现组件706。商品呈现组件706可以作为计算程序指令存储在存储器/存储装置705中。商品呈现组件706可以连同处理系统701等一起实现关于图6描述的商品呈现装置600的各个模块的全部功能。

本文可以在软件、硬件、元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”、“功能”等一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备700访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘（DVD）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备700的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。作为示例而非限制，信号介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。

如前所述，硬件元件701和计算机可读介质702代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑器件（CPLD）以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件701体现的一个或多个指令和/或逻辑。计算设备700可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件701，可以至少部分地以硬件来实现将模块实现为可由计算设备700作为软件执行的模块。指令和/或功能可以由例如一个或多个计算设备700和/或处理系统701执行/可操作以实现本文所述的技术、模块和示例。

本文描述的技术可以由计算设备700的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。

应当理解，为清楚起见，参考不同的功能单元对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如，被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此，对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个单元中，或者可以在物理上和功能上被分布在不同的单元和电路之间。

还应当理解，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或部分，但是这些设备、元件、部件或部分不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或部分与另一个设备、元件、部件或部分相区分。

尽管已经结合一些实施例描述了本公开，但是其不旨在被限于在本文中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且词“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。

Claims (15)

1.一种商品呈现方法，包括：

基于多个商品的商品信息和用户的用户信息确定所述用户对所述多个商品中的每个商品的感兴趣程度，其包括：

基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对所述每个商品的第一特征向量，所述每个商品的商品信息包括所述每个商品的与所述消费场景相关的信息；

基于用户的用户信息确定针对所述用户的第二特征向量，用户信息与所述用户的身份信息以及用户对商品的历史消费记录相关，所述历史消费记录包括在历史消费场景下所述用户消费的商品的商品信息；

基于针对所述每个商品的第一特征向量和针对所述用户的第二特征向量，确定所述用户对于所述每个商品的感兴趣程度；

根据用户对所述多个商品中的每个商品的感兴趣程度的从高到低的顺序对所述多个商品进行排名；

基于对所述多个商品的排名，向用户选择性地呈现所述多个商品。

2.根据权利要求1所述的方法，其中，基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对所述每个商品的第一特征向量，包括：

对所述每个商品的商品信息进行编码；

对编码后的商品信息进行特征提取，以生成针对所述每个商品的第一特征向量。

3.根据权利要求1所述的方法，其中，基于用户的用户信息确定针对所述用户的第二特征向量包括：

对所述用户的用户信息进行编码；

对编码后的用户信息进行特征提取，以生成针对所述用户的第二特征向量。

4.根据权利要求1所述的方法，其中，基于针对所述每个商品的第一特征向量和针对所述用户的第二特征向量，确定所述用户对于所述每个商品的感兴趣程度，包括：

确定针对所述每个商品的第一特征向量和针对所述用户的第二特征向量之间的匹配分数；

基于所述匹配分数，确定所述用户对于所述每个商品的感兴趣程度。

5.根据权利要求4所述的方法，其中确定针对所述每个商品的第一特征向量和针对所述用户的第二特征向量之间的匹配分数包括：

对所述第一特征向量与所述第二特征向量执行点乘运算以得到所述匹配分数。

6.根据权利要求1所述的方法，其中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：

基于对所述多个商品的排名，向用户选择性地呈现所述多个商品中处于预设排名之前的一部分。

7.根据权利要求1所述的方法，其中，所述多个商品中的每个商品由所述每个商品的商品名称和价格标识进行识别，并且所述每个商品的商品信息还包括所述每个商品的商品名称和价格标识。

8.根据权利要求7所述的方法，其中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：

对于具有相同商品名称但不同价格标识的商品，向用户选择性地呈现其中排名最高的一个。

9.根据权利要求1所述的方法，其中，基于对所述多个商品的排名，向用户选择性地呈现所述多个商品，包括：

在向用户选择性地呈现所述多个商品的同时呈现与相应商品对应的商品信息。

10.根据权利要求1所述的方法，其中，所述基于多个商品的商品信息和用户的用户信息确定用户对所述多个商品中的每个商品的感兴趣程度是利用经训练的机器学习模型实现的，其中所述经训练的机器学习模型根据预定消费场景下的正样本及负样本训练得到；其中，在预定消费场景下向用户呈现多个商品的过程中，基于用户购买的商品的商品信息形成所述预定消费场景下的正样本，基于用户未购买的商品的商品信息形成所述预定消费场景下的负样本。

11.根据权利要求1所述的方法，其中所述用户的身份信息包括以下中的至少一项：用户的性别、用户的年龄、用户的注册时间、用户的历史消费总额、用户的兴趣偏好。

12.一种商品呈现装置，包括：

确定模块，被配置为基于多个商品的商品信息和用户的用户信息确定所述用户对所述多个商品中的每个商品的感兴趣程度，其包括：

第一确定子模块，被配置为基于在当前的消费场景下多个商品中的每个商品的商品信息确定针对所述每个商品的第一特征向量，所述每个商品的商品信息包括所述每个商品的与所述消费场景相关的信息；

第二确定子模块，被配置为基于用户的用户信息确定针对所述用户的第二特征向量，用户信息与所述用户的身份信息以及用户对商品的历史消费记录相关，所述历史消费记录包括在历史消费场景下所述用户消费的商品的商品信息；

第三确定子模块，被配置为基于针对所述每个商品的第一特征向量和针对所述用户的第二特征向量，确定所述用户对于所述每个商品的感兴趣程度；

排名模块，被配置为根据用户对所述多个商品中的每个商品的感兴趣程度的从高到低的顺序对所述多个商品进行排名；

呈现模块，被配置为基于对所述多个商品的排名，向用户选择性地呈现所述多个商品。

13.根据权利要求12所述的商品呈现装置，其中，所述呈现模块被配置为基于对所述多个商品的排名，向用户选择性地呈现所述多个商品中处于预设排名之前的一部分。

14.一种计算设备，包括存储器和处理器，所述存储器被配置成在其上存储计算机可执行指令，所述计算机可执行指令当在所述处理器上执行时执行权利要求1-11中任一项所述的方法。

15.一种计算机可读存储介质，其上存储计算机可执行指令，所述计算机可执行指令当在处理器上执行时执行权利要求1-11中任一项所述的方法。

Images