CN111754278A - 物品推荐方法、装置、计算机存储介质和电子设备 - Google Patents

Abstract

本公开涉及一种物品推荐方法及装置、存储介质和电子设备。该方法包括：获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；根据所述第一点击概率和所述第二点击概率，确定所述第二目标物品对应的第三点击概率；根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给用户。本公开确定待推荐物品的方法结合了物品对的共现概率和第二目标物品本身的点击概率，在考虑了全部物品的相关性的同时，也考虑了用户对物品的偏好程度，能准确为用户提供个性化的物品推荐。

Description

物品推荐方法、装置、计算机存储介质和电子设备

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种物品推荐方法、物品推荐装置、计算机存储介质和电子设备。

背景技术

随着计算机技术的蓬勃发展，推荐系统和个性化推荐在现代网络中扮演着越来越重要的角色，许多平台服务致力于在最短的时间为用户寻找到最相关的内容。

在相关的现有技术中，推荐系统有基于协同过滤的推荐方法和基于内容的推荐方法。其中基于协同过滤的推荐方法遵循的原则是相似用户的兴趣爱好相同，喜欢相同的物品，但该方法依赖于大量的用户和物品的交互行为数据，从而存在冷启动问题；基于内容的推荐方法是通过从物品中提取物品的特征信息，根据这些特征信息计算物品之间的相似度，但该方法非常依赖于这些特征的选取，也可能无法准确挖掘用户真正的兴趣点，很大程度上影响了推荐效果。此外，相关的现有技术仅根据短期内的数据进行推荐模型的训练，无法充分利用数据，导致物品推荐的合理性低，准确性差，同时也难以根据用户的当前选择行为进行物品的推荐，时效性低，用户体验差。

因此，需要提供一种新的物品推荐方法。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种物品推荐方法及装置、计算机存储介质和电子设备，进而至少在一定程度上避免了物品推荐的准确性差、时效性低等问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种物品推荐方法，包括：获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；根据所述第一点击概率和所述第二点击概率，确定所述第二目标物品对应的第三点击概率；根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给用户。

在本公开的一种示例性实施例中，所述获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，包括：获取所述物品对的初始共现系数；根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数；根据所述物品对的当前共现系数，确定所述第一点击概率。

在本公开的一种示例性实施例中，所述根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数，包括：根据下述公式计算所述当前共现系数：

其中，A为所述第一目标物品，B为所述第二目标物品，

为所述物品对的当前共现系数，

为所述物品对的初始共现系数，β为权重系数，△T为所述预设时间段；ctr_A为所述第一目标物品A的点击率，ctr_B为所述第二目标物品B的点击率，ctr_AB为所述物品对的点击率，α为预设系数。

在本公开的一种示例性实施例中，所述物品库中包含多个所述第二目标物品，并且由所述第一目标物品和所述第二目标物品组成的物品对的数量为多个；所述根据所述物品对的当前共现系数，确定所述第一点击概率，包括：将各所述物品对的当前共现系数求和，以获取一系数和值；分别将所述物品对的当前共现系数与所述系数和值作比，并根据获得的比值确定所述第一点击概率。

在本公开的一种示例性实施例中，所述获取所述第二目标物品对应的第二点击概率，包括：将所述用户的用户特征信息和所述第二目标物品的特征信息进行向量化处理，以获取所述用户对应于所述第二目标物品的特征向量；将所述特征向量输入至预测模型，通过所述预测模型对所述特征向量进行处理以获取所述第二点击概率。

在本公开的一种示例性实施例中，所述根据所述第一点击概率和所述第二点击概率，确定用户对所述第二目标物品的第三点击概率，包括：将所述第一点击概率与所述第二点击概率作积，以获取所述第二目标物品对应的概率积；将所述概率积进行归一化处理，以获取所述第三点击概率。

在本公开的一种示例性实施例中，所述物品库中包含多个所述第二目标物品；所述将所述概率积进行归一化处理，以确定所述用户对所述第二目标物品的第三点击概率，包括：将各所述概率积求和，以获取概率和值；将所述概率积与所述概率和值作比，实现对所述概率积的归一化处理，以获取所述第三点击概率。

在本公开的一种示例性实施例中，所述根据所述第三点击概率对所述物品库进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给所述用户，包括：将所述第三点击概率由大到小排序形成序列；依次获取所述序列中预设数量的第三点击概率，并从所述物品库中获取与所述预设数量的第三点击概率对应的第三目标物品；将所述第三目标物品作为所述待推荐物品，并推荐给所述用户。

根据本公开的一个方面，提供一种物品推荐装置，包括：获取模块，用于获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；确定模块，用于根据所述第一点击概率和所述第二点击概率，确定用户对所述第二目标物品的第三点击概率；推荐模块，用于根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给所述用户。

根据本公开的一个方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的物品推荐方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的物品推荐方法。

本公开的示例性实施例中的物品推荐方法，结合了物品对的共现概率和第二目标物品本身的点击概率，以确定第二目标物品的第三点击概率，进而根据该第三点击概率确定待推荐物品。一方面，物品对的第一点击概率体现了物品库中第二目标物品与第一目标物品的共现情况，全面考虑到物品之间的相关性，进而能够在知道了用户的当前操作行为的情况下，确定待推荐物品，时效性高，用户体验好；另一方面，第二目标物品的第二点击概率是基于用户自身对物品的偏好获得的，因此在根据物品相关性信息的同时，结合了用户的个人偏好，提高了物品推荐的准确性，在一定程度上还可以避免冷启动问题的产生。

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，并不能限制本公开。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

图1示出了根据本公开示例性实施例的物品推荐方法的流程图；

图2示出了根据本公开示例性实施例的获取物品对所对应的第一点击概率的流程图；

图3示出了根据本公开示例性实施例的根据物品对的当前共现系数确定第一点击概率的流程图；

图4示出了根据本公开示例性实施例的获取第二点击概率的流程图；

图5示出了根据本公开示例性实施例的将概率积进行归一化处理的流程图；

图6示出了根据本公开示例性实施例的根据第三点击概率获取待推荐物品的流程图；

图7示出了根据本公开示例性实施例的物品推荐系统架构图；

图8示出了根据本公开示例性实施例的物品推荐装置的结构示意图；

图9示出了根据本公开示例性实施例的存储介质的示意图；以及

图10示出了根据本公开示例性实施例的电子设备的框图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

现在将参考附图更全面地描述示例性实施方式。然而，示例性实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本公开将更加全面和完整，并将示例性实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本领域的相关技术中，物品推荐主要有以下几种方式：根据用户的历史浏览行为选择历史点击率或销量高的物品进行推荐；根据预设时间段内的用户信息和物品属性信息进行模型的训练，并根据训练后的模型进行数据处理以输出目标推荐结果；根据工作人员预先设定的推荐规则直接进行物品推荐。

相应地，相关技术中物品推荐方法存在如下缺陷：一方面，仅根据历史数据进行物品推荐难以准确把握用户的偏好，也无法根据用户当前的操作行为进行相应的物品推荐，时效性差；另一方面，通常每隔预设时间段才会进行模型的训练，无法利用该预设时间段内的历史数据，导致物品推荐的准确性低；再一方面，根据预先设定规则进行物品推荐，没有考虑用户对物品的偏好程度，个性化推荐程度低，用户体验差。

目前，越来越多的平台服务致力于在最短的时间为用户寻找到最相关的内容，例如信息检索平台、企业招聘信息平台、医院信息平台、电商平台、线上餐饮平台，等等，基于此，在本公开示例性实施例中，首先提供了一种物品推荐方法。参考图1所示，该物品推荐方法包括以下步骤：

步骤S110：获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；

步骤S120：根据所述第一点击概率和所述第二点击概率，确定所述第二目标物品对应的第三点击概率；

步骤S130：根据所述第三点击概率对所述物品库进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给用户。

根据本示例实施例中的物品推荐方法，一方面，物品对的第一点击概率体现了物品库中第二目标物品与第一目标物品的共现情况，全面考虑到物品之间的相关性，进而能够在知道了用户的当前操作行为的情况下，确定待推荐物品，时效性高，用户体验好；另一方面，第二目标物品的第二点击概率是基于用户自身对物品的偏好获得的，因此在根据物品相关性信息的同时，结合了用户的个人偏好，提高了物品推荐的准确性，在一定程度上还可以避免冷启动问题的产生。

下面将对本公开示例性实施例中的物品推荐方法进行进一步的说明。

在步骤S110中，获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品。

在本公开的示例性实施例中，第一目标物品可以根据用户的当前操作行为确定，例如，第一目标物品可以是用户当前点击的物品、用户当前收藏的物品、用户停留超过预设时间的浏览列表中的物品，等等。第二目标物品为物品库中区别于第一目标物品的物品，其数量可以为一个或多个；在确定第一目标物品后，可以将第一目标物品与物品库中的任一第二目标物品进行结合，形成物品对，进而可以通过获取该物品对所对应的第一点击概率，来确定该物品对被用户共同点击的概率。举例说明，若物品库包括A、B、C、D四种物品，当前用户点击了物品A，则确定物品A为第一目标物品，物品B、C和D为第二目标物品，那么，获取由物品A与物品集中区别于物品A的物品所组成的物品对分别为物品对AB、物品对AC和物品对AD，相应的，获取该些物品对对应的第一点击概率，即可确定用户在点击物品A后点击物品对(AB、AC或AD)的可能性。需要说明的是，可以在确定第一目标物品后再获取上述物品对(AB、AC或AD)对应的第一点击概率，当然也可以根据第一目标物品从已有的物品对(如AB、AC、AD、BC、CD和BD)对应的概率中确定与该第一目标物品A相关的物品对(AB、AC或AD)对应的第一点击概率，本公开对此不做具体限定。图2示出了获取物品对所对应的第一点击概率的流程图，如图2所示，该过程包括如下步骤：

在步骤S210中，获取所述物品对的初始共现系数。

在本公开的示例性实施例中，共现系数为组成物品对的两个物品共同被点击或浏览的程度系数，系统每隔预设时间段会更新一次物品对的当前共现系数，以表征当前时刻物品对的共现情况。其中，上一次更新后得到的当前共现系数均作为本次更新的初始共现系数，也就是说，初始共现系数表征在本次更新当前共现系数之前，第一目标物品和第二目标物品的共现情况。例如，物品A和物品B在t时刻的当前共现系数为

，那么在经过△T时间后获取物品A和物品B的当前共现系数时，在t时刻获取的当前共现系数

即作为本次更新的初始共现系数。

在步骤S220中，根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数。

在本公开的示例性实施例中，物品的点击率由物品的点击次数与曝光次数作比获得。例如，通过将第一目标物品的点击次数与曝光次数作比，并将获得的结果作为第一目标物品的点击率；又如，通过将第二目标物品的点击次数与曝光次数作比，并将获得的结果作为第二目标物品的点击率；再如，通过将物品对被共同点击的点击次数与共同曝光的次数作比，并将获得的结果作为物品对的点击率。需要说明的是，各个点击率是基于所有用户的操作行为获得的，充分利用了全部物品之间的关联性，使得物品对的当前共现情况的合理性更高，当然，还可以根据实际需求基于预设数量的用户的操作行为求取各个点击率，本公开对此不做特殊限定。

进一步的，在获取上述三种点击率后，首先将上述三种点击率相乘以获取当前时刻物品对的共现影响因子；然后将物品对的初始共现系数和该共现影响因子乘以相应的权重系数；最后将乘以权重系数后的初始共现系数和共现影响因子求和，以获得物品对的当前共现系数。特别的，以第一目标物品A和第二目标物品B为例，可以根据下述公式计算当前共现系数：

其中，A为第一目标物品，B为第二目标物品，

为物品对的当前共现系数，

为物品对的初始共现系数，△T为预设时间段；ctr_A为第一目标物品A的点击率，ctr_B为第二目标物品B的点击率，ctr_AB为物品对的点击率，ctr_AB×ctr_A×ctr_B为共现影响因子，β为权重系数，α为预设系数，α和β的具体数值可以根据实际需求和经验进行设置，本公开对此不做特殊限定。

在步骤S230中，根据所述物品对的当前共现系数，确定所述第一点击概率。

在本公开的示例性实施例中，物品库中可以包括多个第二目标物品，并且由第一目标物品和第二目标物品组成的物品对的数量为多个，图3示出了根据物品对的当前共现系数确定第一点击概率的流程图，如图3所示，可以通过如下步骤确定第一点击概率：在步骤S310中，将各个物品对的当前共现系数求和，以获取一系数和值；在步骤S320中，分别将物品对的当前共现系数与系数和值作比，并根据获得的比值确定第一点击概率。需要说明的是，第一点击概率为物品对之间的关联性表征，第一点击概率越大，说明用户在点击了第一目标物品后，点击与该第一点击概率对应的第二目标物品的可能性越高。

在本公开的示例性实施例中，由于不同用户的偏好、兴趣以及需求的差异，对不同物品的点击概率也存在差异，因此需要通过获取第二目标物品对应的点击概率，以确定用户自身对各个物品的偏好。图4示出了获取第二点击概率的流程图，如图4所示，可以通过如下步骤获取第二点击概率：

在步骤S410中，将所述用户的用户特征信息和所述第二目标物品的特征信息进行向量化处理，以获取所述用户对应于所述第二目标物品的特征向量。

在本公开的示例性实施例中，用户的特征信息包括用户历史行为信息和用户画像，其中用户历史行为信息包括用户的曝光、点击、收藏等行为信息；用户画像包括根据用户的历史行为数据挖掘获得的用户的兴趣类目、标签偏好等属性信息；第二目标物品的特征信息包括物品类目、物品浏览量和点击量，等等。举例而言，例如用户的特征信息(性别和年龄属性)的向量表示为[1，25]，表示性别男，年龄为25岁；第二目标物品的特征信息(价格、物品类目和浏览量)的向量表示为[3000，3，1000]，通过将上述两向量进行拼接以得到信息向量化处理结果为[1，25，3000，3，1000]，即用户对应于第二目标物品的特征向量。当然，该举例仅为将用户的用户特征信息和第二目标物品的特征信息进行向量化处理的简单示例，具体的向量化过程还可以根据实际情况进行调整，本公开对此不做具体限定。

在步骤S420中，将所述特征向量输入至预测模型，通过所述预测模型对所述特征向量进行处理以获取所述第二点击概率。

在本公开的示例性实施例中，在将用户对应于第二目标物品的特征向量输入至预测模型之前，还需要根据用户特征信息和物品的特征信息对预测模型进行训练。其中预测模型可以为逻辑回归模型、热度模型等等。以逻辑回归模型为例对预测模型的训练过程进行说明。首先，获取大量用户特征信息样本和物品的特征信息样本；然后，对用户特征信息样本和物品的特征信息样本进行预处理(如形式化定义用户特性信息样本和物品的特征信息样本，用户特征信息样本和物品的特征信息样本的数值化处理等)，以得到用户对应于物品的特征向量；最后，将得到特征向量作为逻辑回归模型的输入参数，对逻辑回归模型进行训练，以获得最终的逻辑回归模型。特别的，在本公开的示例性实施例中，通过对逻辑回归模型进行训练得到的预测模型如下：

其中，P₁(u，B)为模型预测用户u对物品B的点击概率，

为用户对应于物品B的特征向量，w为训练模型得到的参数。

在获得预测模型后，将由步骤S410获得的用户对应于第二目标物品的特征向量输入至该预测模型，即可输出对应于第二目标物品的第二点击概率。

在步骤S120中，根据所述第一点击概率和所述第二点击概率，确定所述第二目标物品对应的第三点击概率。

在本公开的示例性实施例中，当确定第一目标物品后，决定用户点击第二目标物品的因素有两个：物品库中可能与第一目标物品共同出现的物品的可能性，以及用户自身对物品的偏好。因此，可以将第一点击概率与第二点击概率作积，以获取第二目标物品对应的概率积，并将该概率积进行归一化处理，以获取第三点击概率，以便于后续根据各个第二目标物品对应的第三点击概率，确定待推荐物品。其中，为了提高第三点击概率的可比较性和可靠性，对获得的概率积进行归一化处理。图5示出了将概率积进行归一化处理的流程图，如图5所示，该过程包括如下步骤：在步骤S510中，将各概率积求和以获取概率和值；在步骤S520中，将概率积与概率和值作比，实现对概率积的归一化处理，以获取第三点击概率。

需要说明的是，除了将第一点击概率与第二点击概率作积以获取概率积以外，还可以根据实际需求分别为第一点击概率和第二点击概率乘以预设的权重系数，以权衡物品对的共现可能性和用户自身对物品的偏好对第三点击概率的影响效果，本公开包括但不限于上述根据第一点击概率和第二点击概率获取第三点击概率的方法。此外，对于没有进行任何操作行为的新用户来说，无法根据其当前的操作行为获取物品对的第一点击概率时，一方面可以仅通过第二点击概率确定待推荐物品；另一方面还可以获取与该用户具有相同或相近的用户特性信息的第二用户的当前操作行为，并根据该当前操作行为确定第一目标物品以及物品对所对应的第一点击概率，相应的后续过程与上述获取待推荐物品的过程相同，本公开对此不再赘述。

在步骤S130中，根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给用户。

在本公开的示例性实施例中，以由步骤S110和步骤S120获得的第二目标物品的第三点击概率为基础，对物品库进行采样。图6示出了根据第三点击概率获取待推荐物品的流程图，如图6所示，该过程包括步骤S610、步骤S620和步骤S630：在步骤S610中，将第三点击概率由大到小排序形成序列；在步骤S620中，依次获取序列中预设数量的第三点击概率，并从物品库中获取与具有该预设数量的第三点击概率对应的第三目标物品；在步骤S630中，将第三目标物品作为待推荐物品，并通过曝光模块推荐给用户。需要说明的是，本公开可以通过不放回采样方式根据第三点击概率对物品库中的物品进行采样，直至采集的物品达到预设数量，当然也可以根据具体需求选取相应的采样方式，本公开对此不做特殊要求。

综上所述，本公开的示例性实施例将物品对的共现概率和第二目标物品本身的点击概率进行结合，在考虑了全部物品的相关性的同时，也考虑了用户对物品的偏好程度，能够准确的为用户提供个性化的物品推荐，图7示出了物品推荐系统架构图，如图7可知，整个物品推荐的过程基于数据获取、共同点击概率计算(即第一点击概率)、用户偏好概率计算(即第二点击概率)、最终点击概率计算(即第三点击概率)和物品曝光(即物品推荐)形成完整的推荐流程，提高了物品推荐的准确性，并可以结合用户的操作行为(例如点击)进行物品推荐，时效性好。

此外，在本公开的示例性实施例中，还提供了一种物品推荐装置。参考图8所示，该物品推荐装置800可以包括获取模块810、确定模块820以及推荐模块830。具体地，

获取模块810，用于获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；

确定模块820，用于根据所述第一点击概率和所述第二点击概率，确定用户对所述第二目标物品的第三点击概率；

推荐模块830，用于根据所述第三点击概率对所述物品库进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给所述用户。

在本公开的一示例性实施例中，所述获取模块可以包括初始系数获取单元，用于获取所述物品对的初始共现系数。

在本公开的一示例性实施例中，所述获取模块还可以包括计算单元，用于根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数。

在本公开的一示例性实施例中，根据下述公式计算所述当前共现系数：

其中，A为所述第一目标物品，B为所述第二目标物品，

为所述物品对的当前共现系数，

为所述物品对的初始共现系数，β为权重系数，△T为所述预设时间段；ctr_A为所述第一目标物品A的点击率，ctr_B为所述第二目标物品B的点击率，ctr_AB为所述物品对的点击率，α为预设系数。

在一示例性实施例中，所述物品库中包含多个所述第二目标物品，并且由所述第一目标物品和所述第二目标物品组成的物品对的数量为多个；所述获取模块还可以包括求和单元，用于将各所述物品对的当前共现系数求和，以获取一系数和值。

在一示例性实施例中，所述获取模块还可以包括作比单元，用于分别将所述物品对的当前共现系数与所述系数和值作比，并根据获得的比值确定所述第一点击概率。

在本公开的一示例性实施例中，所述获取模块还可以包括向量化处理单元，用于将所述用户的用户特征信息和所述第二目标物品的特征信息进行向量化处理，以获取所述用户对应于所述第二目标物品的特征向量。

在本公开的一示例性实施例中，所述获取模块还可以包括处理单元，用于将所述特征向量输入至预测模型，通过所述预测模型对所述特征向量进行处理以获取所述第二点击概率。

在本公开的一示例性实施例中，所述确定模块可以包括作积单元，用于将所述第一点击概率与所述第二点击概率作积，以获取所述第二目标物品对应的概率积。

在本公开的一示例性实施例中，所述确定模块还可以包括归一化处理单元，用于将所述概率积进行归一化处理，以获取所述第三点击概率。

在本公开的一示例性实施例中，所述确定模块还可以包括概率和值获取单元，用于将各所述概率积求和，以获取概率和值。

在本公开的一示例性实施例中，所述确定模块还可以包括作比单元，用于将所述概率积与所述概率和值作比，实现对所述概率积的归一化处理，以获取所述第三点击概率。

在本公开的一示例性实施例中，所述推荐模块可以包括排序单元，用于将所述第三点击概率由大到小排序形成序列。

在本公开的一示例性实施例中，所述推荐模块还可以包括获取单元，用于依次获取所述序列中预设数量的第三点击概率，并从所述物品库中获取与所述预设数量的第三点击概率对应的物品作为所述待推荐物品推荐给所述用户。

由于本公开的示例性实施方式的物品推荐装置的各个功能模块与上述物品推荐方法的发明实施方式中相同，因此在此不再赘述。

应当注意，尽管在上文详细描述中提及了物品推荐装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参考图9所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图10来描述根据本公开的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022，还可以进一步包括只读存储单元(ROM)1023。

存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024，这样的程序模块1025包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限。

Claims (11)

1.一种物品推荐方法，其特征在于，包括：

获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；

根据所述第一点击概率和所述第二点击概率，确定所述第二目标物品对应的第三点击概率；

根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给用户。

2.根据权利要求1所述的物品推荐方法，其特征在于，所述获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，包括：

获取所述物品对的初始共现系数；

根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数；

根据所述物品对的当前共现系数，确定所述第一点击概率。

3.根据权利要求2所述的物品推荐方法，其特征在于，所述根据所述初始共现系数、第一目标物品的点击率、第二目标物品的点击率以及物品对的点击率，计算在预设时间段内所述物品对的当前共现系数，包括：

根据下述公式计算所述当前共现系数：

其中，A为所述第一目标物品，B为所述第二目标物品，

为所述物品对的当前共现系数，

为所述物品对的初始共现系数，β为权重系数，△T为所述预设时间段；ctr_A为所述第一目标物品A的点击率，ctr_B为所述第二目标物品B的点击率，ctr_AB为所述物品对的点击率，α为预设系数。

4.根据权利要求2所述的物品推荐方法，其特征在于，所述物品库中包含多个所述第二目标物品，并且由所述第一目标物品和所述第二目标物品组成的物品对的数量为多个；

所述根据所述物品对的当前共现系数，确定所述第一点击概率，包括：

将各所述物品对的当前共现系数求和，以获取一系数和值；

分别将所述物品对的当前共现系数与所述系数和值作比，并根据获得的比值确定所述第一点击概率。

5.根据权利要求1所述的物品推荐方法，其特征在于，所述获取所述第二目标物品对应的第二点击概率，包括：

将所述用户的用户特征信息和所述第二目标物品的特征信息进行向量化处理，以获取所述用户对应于所述第二目标物品的特征向量；

将所述特征向量输入至预测模型，通过所述预测模型对所述特征向量进行处理以获取所述第二点击概率。

6.根据权利要求1所述的物品推荐方法，其特征在于，所述根据所述第一点击概率和所述第二点击概率，确定用户对所述第二目标物品的第三点击概率，包括：

将所述第一点击概率与所述第二点击概率作积，以获取所述第二目标物品对应的概率积；

将所述概率积进行归一化处理，以获取所述第三点击概率。

7.根据权利要求6所述的物品推荐方法，其特征在于，所述物品库中包含多个所述第二目标物品；

所述将所述概率积进行归一化处理，以确定所述用户对所述第二目标物品的第三点击概率，包括：

将各所述概率积求和，以获取概率和值；

将所述概率积与所述概率和值作比，实现对所述概率积的归一化处理，以获取所述第三点击概率。

8.根据权利要求1所述的物品推荐方法，其特征在于，所述根据所述第三点击概率对所述物品库进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给所述用户，包括：

将所述第三点击概率由大到小排序形成序列；

依次获取所述序列中预设数量的第三点击概率，并从所述物品库中获取与所述预设数量的第三点击概率对应的第三目标物品；

将所述第三目标物品作为所述待推荐物品，并推荐给所述用户。

9.一种物品推荐装置，其特征在于，所述装置包括：

获取模块，用于获取由第一目标物品与第二目标物品组成的物品对所对应的第一点击概率，并获取所述第二目标物品对应的第二点击概率，其中所述第二目标物品为物品库中区别于所述第一目标物品的物品；

确定模块，用于根据所述第一点击概率和所述第二点击概率，确定用户对所述第二目标物品的第三点击概率；

推荐模块，用于根据所述第三点击概率从所述物品库中进行物品采样，以获取待推荐物品，并将所述待推荐物品推荐给所述用户。

10.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的物品推荐方法。

11.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任一项所述的物品推荐方法。

Images