CN112948701B - 信息推荐装置、方法、设备及存储介质 - Google Patents

Abstract

本公开提供一种信息推荐装置、方法及设备，涉及电子商务领域。该装置包括：初始特征向量获取模块，用于分别获取多个客户的多个初始特征向量；联合条件概率获得模块，用于根据多个初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率；目标函数获得模块，用于根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数；特征向量优化模块，用于通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的多个优化特征向量；客户相似度获得模块，用于根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象，提高了在客户历史信息少时信息推荐的准确度。

Description

信息推荐装置、方法、设备及存储介质

技术领域

本公开涉及电子商务领域，具体而言，涉及一种信息推荐装置、方法、设备及可读存储介质。

背景技术

随着互联网和移动互联网技术的发展，电子商务逐渐成为常见的消费形式。在互联网消费领域的市场营销中，通常采用互联网在线推荐方法寻找目标客户进行营销，以实现获客增长、转化等等。相关技术中采用协同过滤等推荐方法，根据客户的历史互联网行为信息进行商品推荐，但此类方法对于一些消费领域的推荐准确度较低，例如对于一些具有客户消费频次低、单次消费金额高以及客户在线交互数据少等特点的高端消费领域，导致协同过滤等推荐方法失效。

如上所述，如何提高信息推荐方法的准确度、适用性成为亟待解决的问题。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它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信息推荐装置、方法、设备及可读存储介质，至少在一定程度上克服由于相关技术依赖客户的历史互联网行为进行推荐导致在客户历史行为较少时推荐准确度降低的问题。

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。

根据本公开的一方面，提供一种信息推荐装置，包括：初始特征向量获取模块，用于分别获取多个客户的多个初始特征向量，所述多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户；联合条件概率获得模块，用于根据所述多个初始特征向量获得所述已响应参考对象的客户与所述多个客户的联合条件概率；目标函数获得模块，用于根据所述已响应参考对象的客户与所述多个客户的联合条件概率获得目标函数；特征向量优化模块，用于通过最大化所述目标函数对所述多个初始特征向量进行优化，获得所述多个客户的多个优化特征向量；客户相似度获得模块，用于根据所述多个优化特征向量获得所述已响应待推荐对象的客户与所述未响应待推荐对象的客户的相似度，以向所述未响应待推荐对象的客户推荐所述待推荐对象。

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的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。

图1示出本公开实施例中一种信息推荐装置的示意图。

图2示出本公开实施例中一种信息推荐方法的流程图。

图3示出本公开实施例中一种获客引流方法的流程图。

图4示出本公开实施例中一种转化支付方法的流程图。

图5是根据图2至图4示出的一种影响传播方法的流程图。

图6是根据图2至图5示出的一种信息推荐实施架构的示意图。

图7是根据图2至图6示出的一种信息推荐业务流程的示意图。

图8是本公开实施例中一种客户消费偏好相似度的低维稠密向量表征示例图。

图9是本公开实施例中一种客户消费偏好相似度的新客线索画像示例图。

图10示出本公开实施例中另一种信息推荐装置的框图。

图11出本公开实施例中一种电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例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，并将示例实施例的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

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省略所述特定细节中的一个或更多，或者可以采用其它的方法、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喧宾夺主而使得本公开的各方面变得模糊。

此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。

在本公开中，除非另有明确的规定和限定，“连接”等术语应做广义理解，例如，可以是电连接或可以互相通讯；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。

如上所述，在一些消费领域客户的历史行为信息较少，例如，高端养老社区作为一个商品，这个商品的消费特点包括绝大多数客户的消费频次仅为一次、单次消费总金额高、消费周期长达数年等等，而且绝大多数新客户在决定入住养老社区并支付之前的线上交互频次低等，因此若采用相关技术中的协同过滤等推荐方法进行商品推荐的准确度较低。

因此，本公开提供了一种信息推荐方法，根据包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的多个客户的初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率，然后根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数，再通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的优化特征向量，然后根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象，从而可实现降低信息推荐方法对客户历史行为信息的依赖，提高高端消费领域信息推荐的准确度。

图1是根据一示例性实施例示出的一种信息推荐装置的框图。如图1所示的装置例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。

参考图1，本公开实施例提供的信息推荐装置10可以包括初始特征向量获取模块102、联合条件概率获得模块104、目标函数获得模块106、特征向量优化模块108和客户相似度获得模块110。

初始特征向量获取模块102可用于分别获取多个客户的多个初始特征向量，多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户。

联合条件概率获得模块104可用于根据多个初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率。

目标函数获得模块106可用于根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数。

特征向量优化模块108可用于通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的多个优化特征向量。

客户相似度获得模块110可用于根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象。

本公开实施例提供的装置中的各个模块的具体实现可以参照下述方法中的内容，此处不予详述。

图2是根据一示例性实施例示出的一种信息推荐方法的流程图。如图2所示的方法例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。

参考图2，本公开实施例提供的方法20可以包括以下步骤。

在步骤S202中，分别获取多个客户的多个初始特征向量，多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户。为了将待推荐对象推荐到响应可能性较高的客户，可根据获得的客户行为数据，将客户分为已响应参考对象的客户和未响应参考对象的客户，或分为已响应待推荐对象的客户和未响应待推荐对象的客户。其中，参考对象为数据来源中客户已响应的多个对象，如已消费的商品、已参加的促销活动等等，这些参考对象可用于学习客户特性向量时表征客户的响应行为偏好；待推荐对象为待向客户推荐的目标对象，本方法的目的之一为向从未响应待推荐对象的客户中选择一些客户进行推荐。可采用一个低维稠密的特征向量表征各个客户，以降低进行相似度计算时的计算复杂度。

在一些实施例中，多个初始特征向量中的各个初始特征向量具有相同的预设维度，特征向量的维度可设置为可以调节的超参数，在进行优化前，获取特征向量的预设维度，并对各客户的特征向量进行初始化，获得各个客户的初始特征向量。

在步骤S204中，根据多个初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率。已响应参考对象的客户与与其他客户之间的条件概率可通过在已响应参考对象的客户的特征向量成立的条件下，其他客户的特征向量成立的概率来表示。联合概率是指包含多个条件且所有条件同时成立的概率，已响应参考对象的客户与多个客户的联合条件概率可通过已响应参考对象的客户与与其他客户之间的条件概率的乘积来表示。

在一些实施例中，已响应参考对象的客户的数量可为多个，未响应参考对象的客户的数量也可为多个，已响应参考对象的客户与多个客户的联合条件概率包括多个已响应参考对象的客户之间的联合条件概率和已响应参考对象的客户与未响应参考对象的客户的联合条件概率。

在一些实施例中，例如，根据多个已响应参考对象的客户的多个初始特征向量，先计算多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率，再根据多个初始特征向量计算多个已响应参考对象的客户中各个已响应参考对象的客户与未响应参考对象的客户的条件概率，然后将多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率相乘获得多个已响应参考对象的客户之间的联合条件概率，将各个已响应参考对象的客户与未响应参考对象的客户的条件概率相乘获得已响应参考对象的客户与未响应参考对象的客户的联合条件概率，分别获得各个已响应参考对象的客户与其他已响应参考对象的客户和未响应参考对象的客户的联合条件概率。

在另一些实施例中，例如，在客户数量、参考商品数量较大时，可在计算述已响应参考对象的客户与未响应参考对象的客户的联合条件概率时，通过随机选取一定数量未响应参考对象的客户，降低计算量。可先获取设定的未响应参考对象的客户的目标数量，然后从多个未响应参考对象的客户中随机选取目标数量个未响应参考对象的客户，再根据多个初始特征向量，对于多个已响应参考对象的客户中各个已响应参考对象的客户，分别计算其与目标数量个未响应参考对象的客户中各个未响应参考对象的客户的条件概率，然后将各个已响应参考对象的客户与各个未响应参考对象的客户的条件概率相乘获得已响应参考对象的客户与未响应参考对象的客户的联合条件概率。

在步骤S206中，根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数。目标函数可为各个已响应参考对象的客户与其他客户的联合条件概率，即在各个已响应参考对象的特征向量成立的条件下各个其他客户的特征向量成立的联合概率，其他客户包括了对于各个已响应参考对象的客户来说其他的已响应参考对象的客户，还包括所有未响应参考对象的客户。

在一些实施例中，例如，将多个已响应参考对象的客户之间的联合条件概率、已响应参考对象的客户与未响应参考对象的客户的联合条件概率相乘，获得目标函数。

在一些实施例中参考对象也可为多个，上述客户间联合条件概率可按照参考对象逐个进行计算，然后将各个参考对象的客户间联合条件概率相乘获得目标函数。

在步骤S208中，通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的多个优化特征向量。将在各个已响应参考对象的特征向量成立的条件下各个其他客户的特征向量成立的联合概率最大化，则获得了最能反映各客户对于参考商品的响应偏好的各客户的特征向量，即优化特征向量。

在一些实施例中，例如，以多个初始特征向量为参数，采用随机梯度下降法获得最大化目标函数时的多个特征向量。

目标函数的具体形式以及优化方法可采用各种归一化指数函数、梯度下降优化等方式，对比本公开不作限制。

在步骤S210中，根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象。获得能反映各客户对于待推荐商品的响应偏好的优化特征向量后，可将优化特征向量代入向量的相似度计算方法中，获得客户之间的相似度，以从未响应待推荐对象的客户中选取与已响应待推荐对象的客户相似度较大的客户，向其推荐待推荐对象。

在一些实施例中，计算已响应待推荐对象的客户的优化特征向量与未响应待推荐对象的客户的优化特征向量的余弦相似度，获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度。

在一些实施例中，可设置相似度阈值，向与已响应待推荐对象的客户的相似度大于预设阈值的未响应待推荐对象的客户推荐待推荐对象。

根据本公开实施例提供的信息推荐方法，根据包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的多个客户的初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率，然后根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数，再通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的优化特征向量，然后根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象，从而可降低信息推荐方法对客户历史行为信息的依赖，实现了根据客户的响应偏好的相似程度进行推荐，提高高端消费领域信息推荐的准确度。

图3是根据一示例性实施例示出的一种获客引流方法的流程图。如图3所示的方法例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。

对应于图2，在图3中参考对象为参考商品，已响应参考对象的客户为已消费参考商品的客户，待推荐对象为待推荐商品，已响应待推荐对象的客户为已消费待推荐商品的客户，未响应待推荐对象的客户为未与待推荐商品互动的客户，多个客户还包括未消费参考商品的客户。参考图3，本公开实施例提供的方法30可以包括以下步骤。

在步骤S302中，获取从多个数据源采集的新客线索数据。针对某待售的高端消费商品而言，从上亿个新客线索中筛选出数万个目标潜在客户是很有必要的。然而，如何从那些与待售的高端消费商品(即待推荐对象)尚未进行任何交互的新客线索中进行筛选并推荐该高端消费商品却并不容易。从多个数据源采集新客线索的数据包括新客线索的基本人口属性、联系方式、消费能力、线索渠道、是否消费过公司其他商品(即参考对象)、消费公司其它商品的消费行为序列、消费公司其它商品前的交互行为序列等，这些数据可用于初步筛选的指标。

在步骤S304中，基于新客线索数据中的属性特征进行初步筛选，获得源域客户集合，源域客户集合可划分为已在源域支付消费参考商品的客户集合和未支付消费参考商品的客户集合。客户消费这些参考商品的情况，可以表征客户对商品消费的偏好，进而可用于学习客户的特征向量。

在一些实施例中，可利用新客线索数据构建新客线索的特征融合表，将每个新客线索的特征与该客户的对应关系融合到表格中，在特征融合表中每个新客线索只对应一条记录，这一条记录可能有多个字段，如基本人口属性、联系方式、消费能力等等。可提取线索的特征并更新融合表，基于新客线索中的基本人口属性特征(如年龄、地域等)和消费能力进行初步筛选，筛选出对待推荐商品进行支付消费的可能性更大的客户。

在步骤S306中，依据源域中客户的消费参考商品的行为数据学习表征源域客户的消费偏好相似度的低维稠密向量，其中，低维稠密向量的维度为可调超参。

在一些实施例中，步骤S306可参照如下实施方式进行处理。

记源域客户集合为Ω^source。

记客户的基本人口属性集合为{Property_r},r∈[1,R]，R为属性个数，比如性别、年龄、教育、职业、婚姻、子女个数、籍贯等。

记源域中所有参考商品集合为{Item_k},k∈[1,K]，K为参考商品总个数。这里的商品指的是广义的产品或服务，在不同行业或不同应用中表现形式是多样化的。

由于某客户对某商品的消费偏好可能随着时间和地域而发生改变，因此客户对商品的消费偏好是关于时间和地域以及商品等变量的函数。为了简化，这里假设所有域的所有客户的消费偏好与时间和地域无关。记源域中客户集合为Ω^source＝{User_m},m∈[1,M]，M为源域中客户总个数。记源域中的客户User_m对商品Item_k的消费偏好为Upref_m,k，如果客户User_m在某时间支付了商品Item_k，那么Upref_m,k＝1，如果客户User_m尚未与商品Item_k有过互动，那么Upref_m,k＝0，如果客户User_m与商品Item_k有互动但是尚未支付该商品Item_k，那么0＜Upref_m,k＜1。记源域中的客户对商品的消费偏好矩阵为(Upref_m,k)_M*K,m∈[1,M],k∈[1,K]。对于具体的商品Item_k，所有已消费该商品Item_k的客户集合记为记集合大小为/>可记从未消费该商品Item_k的客户集合为/>记集合大小为/>M＝L_k+L_nk。消费偏好Upref_m,k可用来标识客户User_m与商品Item_k的消费情况，以便根据是否消费某商品来将客户划分为对应的集合。

假设源域中每个客户可以用一个低维稠密向量来表征，比如，客户User_m用低维稠密向量V_m来表征，向量V_m的维度记为d，例如可取d＜50。对于具体的商品Item_k，在源域客户集合Ω^source中，用V_n,n∈[1,L_k]表示除客户User_m之外的其他客户，则客户User_m与该集合中其他客户的条件概率可以用式(1)所示的Softmax函数表示。

式中l∈[1,L_k]。

对于具体的商品Item_k，给定已消费该商品Item_k的客户集合其优化的目标函数就是最大化该商品的客户集合中所有客户与其他客户的联合条件概率，如式(2)所示，其中，参数θ为待学习的向量表征V_m,m∈[1,L_k]和V_n,n∈[1,L_k]。

对于所有的商品，优化的目标函数也可以用最大化所有商品的客户集合中所有客户与其他客户的联合对数条件概率表示，如式(3)所示，其中，参数θ为待学习的向量表征V_m,m∈[1,L_k]和V_n,n∈[1,L_k]。

在公式(3)中，如果商品总数K和已消费各个商品Item_k,k∈[1,K]的客户数L_k很大，那么通过随机梯度下降法优化公式(3)中的目标函数将会是非常耗时的。为了降低计算复杂度，优化的目标函数可以用公式(4)表示。

其中，σ(x)＝1/(1+exp(-x))，k∈[1,K]为正样本对，/>为负样本对，为正样本对集合，Θ_negative＝{(User_m,User_n-)}为负样本对集合，为从已消费该商品Item_k的客户集合/>中随机选取的客户，/>为从未消费该商品Item_k的客户集合/>中随机选取的客户，参数θ为待学习的向量表征V_m,m∈[1,L_k]和/>以及/>随机选取/>的数量可预先设定，根据计算量和准确程度权衡获得。

在步骤S308中，基于新客线索数据可将源域客户集合再划分为已在目标域支付消费待推荐商品的客户集合和未支付消费待推荐商品的客户集合，并将未支付消费待推荐商品的客户集合划分为已经在目标域中与待推荐商品互动但是尚未在目标域中支付消费的客户集合和尚未在目标域中与待推荐商品互动的客户集合。待推荐商品属于目标域，已支付消费待推荐商品的客户即为属于目标域的客户，本推荐方法的目标即在于将源域中未支付消费待推荐商品的客户转化为目标域的客户，即使新客户支付消费待推荐商品。

在一些实施例中，记源域中已经在目标域中支付消费的客户集合为M₁表示源域中已经在目标域中支付消费的客户总数。记源域中已经在目标域中与待售的高端消费商品互动但是尚未在目标域中支付消费的客户集合为M₂表示源域中已经在目标域中与待售的高端消费商品互动但是尚未在目标域中支付消费的客户总数。记源域中尚未在目标域中与待售的高端消费商品互动的客户集合为/>M₃表示源域中尚未在目标域中与待售的高端消费商品互动的客户总数。因此，源域中客户集合

在步骤S310中，针对尚未在目标域中与待推荐商品互动的客户集合和已在目标域支付消费待推荐商品的客户集合，计算这两个客户集合之间的客户的消费偏好相似度。

在一些实施例中，通过优化如式(4)所示的目标函数学习到了客户的d维向量表征，两客户和/>之间消费偏好相似度就可以用式(5)所示的两客户向量的余弦相似度来度量：

在步骤S312中，遍历尚未在目标域中与待推荐商品互动的客户集合中的客户，从中筛选出与已在目标域支付消费待推荐商品的客户的消费偏好相似度达到预设阈值的目标潜在客户。

在步骤S314中，将待推荐商品推荐给目标潜在客户。

根据本公开实施例提供的获客引流方法，学习获得了客户消费偏好相似度的新客线索画像，基于源域客户消费偏好相似度进行推荐，若在源域中客户A与客户B的消费偏好相似度达到预设阈值，而在目标域中客户A已经支付了某待售的高端消费商品，那么则可将此待售的高端消费商品推荐给源域中的客户B，能够解决传统协同过滤推荐方法在获客周期较长、在线交互数据较少、消费频次较低的高端消费领域不适用的技术问题，向合适的目标客户线索群体精准推荐高端消费商品，可以拓宽高端消费商品的线上线下获客渠道，缩短获客流程，精准识别获客线索的类别。

图4是根据一示例性实施例示出的一种转化支付方法的流程图。如图4所示的方法例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。

针对目标域中某待售的高端消费商品Item_k而言，如果在源域中客户A已经消费了该商品Item_k，并且在源域中的客户B与客户A的消费偏好相似度达到了预设阈值，但是客户B尚未与商品Item_k有任何交互，依据图3所示的获客引流(Thriving)的算法，将目标域中的高端消费商品Item_k推荐给源域中的客户A，从而，源域中的客户A成为目标域中的目标新客线索。然而，源域中的客户A对推荐的高端消费商品Item_k是否产生交互并最终达成支付依然是不确定的。因此，如何让源域中的客户A对推荐的高端消费商品Item_k产生交互并最终达成支付是非常有价值的。图4提出一种基于目标域客户促销互动偏好相似度进行推荐的转化支付(Advancing)方法，可以促进那些目标新客线索对推荐的高端消费商品产生交互并最终达成支付。

对应于图2，参考对象为参考促销活动，已响应参考对象的客户为已与参考促销活动互动的客户，已响应待推荐对象的客户为已与待推荐促销活动互动并产生转化支付的客户，未响应待推荐对象的客户为未被推荐待推荐促销活动并未产生转化支付的客户；多个客户还包括未与参考促销活动互动的客户。参考图4，本公开实施例提供的方法40可以包括以下步骤。

在步骤S402中，确定影响目标新客线索达成支付的因素，依据这些影响因素构建一系列促销活动，并设定促销活动的关键时间节点。影响目标新客线索达成支付的因素可包括折扣、优惠活动等等。目标新客线索即为根据图3的获客引流方法筛选出的、将目标域中的高端消费商品推荐给的源域中的一些客户，可将这些从源域中筛选的目标新客线索集合记为P₁表示从源域中推荐的目标新客线索总数。

在一些实施例中，可记目标域中待售的(高端消费)商品的所有促销活动集合为{Item_j},j∈[1,J]，J为促销活动总个数。

在步骤S404中，对于待售商品的各促销活动，获得推荐的目标新客线索与各商品促销活动产生互动的数据。互动可包括线上点击浏览、线下现场体验等。

在一些实施例中，记目标新客线索对促销活动Item_j的促销互动偏好为如果目标新客线索/>在某促销时间节点与促销活动Item_j进行了响应互动，那么/>如果目标新客线索/>与促销活动Item_j没有任何响应互动，那么记目标新客线索对促销活动Item_j的促销互动偏好矩阵为促销互动偏好/>可用来标识目标新客线索/>与促销活动Item_j的互动情况，以便根据是否与某商品的促销活动进行响应互动来将目标客户划分为对应的集合。

在步骤S406中，根据目标新客线索的互动行为数据与目标域中客户的互动行为数据，学习表征目标新客线索与目标域中的客户促销互动偏好相似度的低维稠密向量。其中，该向量维度也为可调超参。

在一些实施例中，步骤S406可参照如下实施方式进行处理。

记目标域中所有客户集合为P₂表示目标域中的客户总数。目标域中客户为在目标域中支付了高端消费商品的客户，包括因为促销活动而产生转化支付的客户，还包括未因为促销活动而产生转化支付的客户。记目标域中的客户/>对促销活动Item_j的促销互动偏好为/>如果客户/>在某促销时间节点与促销活动Item_j进行了响应互动，那么/>如果客户/>与促销活动Item_j没有任何响应互动，那么/>记目标域中的客户对促销活动Item_j的促销互动偏好矩阵为促销互动偏好/>可用来标识目标域客户/>与促销活动Item_j的互动情况，以便根据是否与某商品的促销活动进行响应互动来将目标域客户划分为对应的集合。

对于促销活动Item_j，所有与该促销活动Item_j进行了响应互动的目标新客线索集合记为未与该促销活动Item_j进行响应互动的目标新客线索集合记为/>分别记集合大小为和/>所有与该促销活动Item_j进行了响应互动的目标域客户集合记为/>所有未与该促销活动Item_j进行响应互动的目标域客户集合记为/>分别记集合大小为/>和/>

假设目标新客线索和目标域中每个客户都可以用一个低维稠密向量来表征，比如，目标新客线索用低维稠密向量/>来表征，目标域中客户/>用低维稠密向量来表征，向量/>和/>的维度相同，记为d'，例如可预设维度d'为小于50的某一数值。为了从样本数据中学习到这些低维稠密向量表征，通过随机梯度下降法优化如式(6)所示的目标函数：

其中，参数θ'为待学习的向量表征 为正样本对，为负样本对，/>为正样本对集合，/>为负样本对集合，/>为从目标域客户集合中随机选取的客户，其随机选取的数量可预先设定，根据计算量和准确程度权衡获得；σ(x)＝1/(1+exp(-x))。

在步骤S408中，计算目标新客线索集合与目标域中的客户集合之间的促销互动偏好相似度，并预设阈值。

在一些实施例中，通过优化如式(6)所示的目标函数学习到了目标新客线索集合与目标域中的客户集合之间的促销互动偏好相似度的d'维向量表征，目标新客线索与目标域客户/>之间促销互动偏好相似度就可以用式(7)所示的两客户向量的余弦相似度来度量：

在步骤S410中，遍历目标域中的客户，从中筛选出与目标新客线索的促销互动偏好相似度达到预设阈值的客户。

在步骤S412中，针对S410步骤筛选出的目标域客户，将其曾经互动的后续的促销活动推荐给目标新客线索，以便促进目标新客线索与待售的高端消费商品进一步地进行交互。

根据本公开实施例提供的获客引流方法，基于目标域客户促销互动偏好的相似度进行促销活动推荐，一旦推荐的新客线索B已经在目标域中与待售的高端消费商品有了初次交互之后，就可以开始计算新客线索B与在目标域中的客户A在目标域中的促销互动偏好相似度，如果新客线索B与客户A在目标域中的促销互动偏好相似度达到预设阈值，那么将曾经针对客户A的促销活动推荐给目标域中的新客线索B，以便促进新客线索B与待售的高端消费商品进一步地进行交互。

图5是根据图2至图4示出的一种影响传播方法的流程图。依据六度分隔理论，最多通过6个人可以将任何陌生人连接起来并传递信息。依据三度影响力理论，一个人能够影响到周围的三个人并引发其行为。依据乔·吉拉德的“250定律”，每一位客户背后大致会有250位潜在客户。因此，依据高端客户的社交圈和人脉圈，建立高端客户社交关系图谱，以高端客户社交关系图谱培育高端客户群的影响力，并且基于老客户的信任基础上的新客推荐是非常重要的，以便待售的高端消费商品在高端客户社交圈中进行影响推荐传播。然而，即使设置奖励机制和返利助推机制，高端消费的客户也未必愿意主动推荐新客线索。因此，图5提出一种基于客户社交群消费偏好相似度推荐的影响传播(Impacting)方法，可以向消费偏好相似度达到阈值的新客线索推荐待售的高端消费商品以及促销活动等。

如图5所示的方法例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。参考图5，本公开实施例提供的方法50可以包括以下步骤。

在步骤S502中，汇合源域中的客户集合和目标域中的客户集合为所有域中的客户集合。

在步骤S504中，获取目标域客户集合的客户的社交群集合。

在步骤S506中，从目标域客户集合的客户的社交群集合中筛选出在所有域中的客户集合中的成员。

在步骤S508中，遍历目标域客户集合中的客户，如果其社交群集合中有成员在步骤S506筛选出的成员中，并且该成员只在源域中不在目标域中，则转到图3步骤S306，继续图3的流程至步骤S312，若其添加到了图3的目标潜在客户，则以社交影响方式为其推荐待推荐商品。其中，社交影响方式推荐待推荐商品与步骤S314的不同之处在于，增加了社交影响内容，例如，目标域中的客户B的社交群中的朋友C经过步骤S306至步骤S312后添加到了图3的目标潜在客户中，此时为其推荐的商品页面中可增加“您的好友B最近购买了该商品”等等。

在步骤S510中，遍历目标域客户集合中的客户，如果其社交群集合中有成员在步骤S506筛选出的成员中，并且该成员在目标新客线索中但是尚未支付，则转到图4步骤S406，继续图4的流程至步骤S410，若其为步骤S410筛选出的目标域客户促销互动偏好相似度达到预设阈值的目标新客线索，则以社交影响方式将目标域客户曾经互动的后续的促销活动推荐给该目标新客线索。其中，社交影响方式推荐待推荐促销活动与步骤S412的不同之处在于，增加了社交影响内容，例如，目标域中的客户B的社交群中的朋友C经过步骤S406至步骤S410后为待推荐促销活动的目标新客线索，此时为其推荐的促销活动页面中可增加“您的好友B最近以该促销活动价格购买了该商品”等等。

一旦推荐的新客线索B已经在目标域中支付了待售的高端消费商品，那么新客线索B就正式成为了目标域中的客户。基于目标域中的客户B的社交群，计算客户B的社交群中的朋友C与客户B之间的消费偏好相似度，如果客户B与其朋友C的消费偏好相似度达到预设阈值并且客户B的朋友C尚未与待售的高端消费商品有任何互动，那么依据客户B在其社交群中的影响力，将待售的高端消费商品推荐给客户B的朋友C，如果客户B与其朋友C的促销活动偏好相似度达到预设阈值并且客户B的朋友C已经与待售的高端消费商品有互动但是尚未支付该高端消费商品，那么依据客户B在其社交群中的影响力，将曾经针对客户B的促销活动推荐给客户B的朋友C，以便促进客户B的朋友C与待售的高端消费商品进一步地进行交互。

根据本公开实施例提供的影响传播方法，基于客户社交群消费偏好相似度的推荐，可进一步于向高端消费商品推荐合适的目标新客线索并促成目标新客线索进行支付，提高目标客户群体的转化支付率。

图6是根据图2至图5示出的一种信息推荐实施架构的示意图。如图6所示，信息推荐实施可经过获客引流(S602)、转化支付(S604)和影响传播(S606)等步骤。下面结合图6对这些步骤进行解释。

在步骤S602中，获客引流(Thriving)为基于源域客户消费偏好相似度的推荐，在源域中客户A与客户B的消费偏好相似度达到预设阈值，如果在目标域中客户A已经支付了某待售的高端消费商品，那么将此待售的高端消费商品推荐给源域中的客户B。源域客户数据可存储在源域客户数据库6002中。

在步骤S604中，转化支付(Advancing)为基于目标域客户促销互动偏好相似度的推荐，一旦推荐的新客线索B已经在目标域中与待售的高端消费商品有了初次交互之后，就可以开始计算新客线索B与客户A在目标域中的消费偏好相似度，如果客户线索B与客户A在目标域中的消费偏好相似度达到预设阈值，那么将曾经针对客户A的促销活动推荐给目标域中的新客线索B，以便促进新客线索B与待售的高端消费商品进一步地进行交互。源域客户数据可存储在目标域客户数据库6004中。

在步骤S606中，影响传播(Impacting)为基于客户社交群消费偏好相似度的推荐，一旦推荐的新客线索B已经在目标域中支付了待售的高端消费商品(S6042)，那么新客线索B就正式成为了目标域中的客户。基于目标域中的客户B的社交群，计算客户B的社交群中的朋友C与客户B之间的消费偏好相似度，如果客户B与其朋友C的消费偏好相似度达到预设阈值并且客户B的朋友C尚未与待售的高端消费商品有任何互动，那么依据客户B在其社交群中的影响力，将待售的高端消费商品推荐给客户B的朋友C(S602)；如果客户B与其朋友C的消费偏好相似度达到预设阈值并且客户B的朋友C已经与待售的高端消费商品有互动但是尚未支付该高端消费商品，那么依据客户B在其社交群中的影响力，将曾经针对客户B的促销活动推荐给客户B的朋友C(S604)，以便促进客户B的朋友C与待售的高端消费商品进一步地进行交互。将源域中的客户集合和目标域中的客户集合汇合为所有域中的客户集合，存储在所有域客户数据库6006中。

图7是根据图2至图6示出的一种信息推荐业务流程的示意图。如图7所示，基于源域客户(Customer)消费偏好相似度(与花费(cost)、便利(convenience)、沟通(communication)等相关)进行产品(Product，包括价格(price)、地点(place)和促销活动(promotion))推荐，引流获客成为线索或消费转化的客户，然后在客户中选择群体进行影响传播，以基于客户社交群消费偏好相似度进行产品推荐。联合起来即为获客转化影响的TAI(Thriving Advancing Impacting)方法，通过该获客转化影响的TAI方法可以促成目标新客线索进入获客引流(Thriving)和消费转化(Advancing)以及影响传播(Impacting)的循环中。

通过应用本发明提案提出的TAI方法，可以拓宽高端消费商品的线上线下获客渠道，缩短获客流程，精准识别获客线索的类别，提升目标客户线索的有效转化支付率等。本发明提案提出的新的技术手段不仅适用于向泰康之家高端养老社区这种高端消费商品推荐目标新客线索，也适用于向目标新客线索推荐高端保险品类等。

下面描述图2至图7示出的获客转化影响的TAI方法在业务中的具体实施方式，以某高端养老社区的获客转化影响为例进行说明。

某高端养老社区的客户属性包括保证入住权的客户、家庭版确认函的客户、优先入住权的客户、现货客户等，客户的数据维度包括客户基本信息、客户家庭信息、客户财务信息、客户健康信息、客户偏好信息、客户消费信息等，如表1所示：

表1.某高端养老社区的客户数据维度

如果某高端养老社区作为目标域，那么其对应的源域如表2所示。

表2.某高端养老社区对应的源域

下面以获客引流(Thriving)和转化支付(Advancing)为例说明本发明提案提出的获客转化影响的TAI方法的实现落地。

首先，在获客引流(Thriving)阶段，从表2中的多个源域数据源采集新客线索的数据，并从中去除已经在目标域中的那些新客线索。构建新客线索的特征融合表，并针对某高端养老社区的特点，基于新客线索基本人口属性特征和消费能力进行初步筛选。依据源域中客户的消费行为数据学习源域中的客户消费偏好相似度的低维稠密向量表征，以低维稠密向量的维度d＝2为例，一些客户消费偏好相似度如图8所示。其中，横坐标和纵坐标分别表示低维稠密向量的一个维度，每个维度取值范围为[0,1]，黑色的短竖线表示目标域的向量表征，灰色的短横线表示源域的向量表征。因为，在图中距离近的点表示其相似度高，因此，距离黑色短竖线的距离落在预设阈值范围内的灰色短横线为推荐名单。

然后，在转化支付(Advancing)阶段，确定影响目标新客线索达成支付的因素，比如，价格、户型、业态、区域、朝向、支付方式等，通过改变这些影响因素构建一系列促销活动，并设定促销活动的关键时间节点。比如，获取到客户联系方式等基本人口属性的时间点(渠道来源)；与客户交互的时间点；客户预约参观的时间点；客户签署合同并支付订单的时间点；客户变更合同订单的时间点(变更产品类型或退订等)；客户入住泰康之家的时间点(居住业态)等。类似于图9，依据目标新客线索的互动行为数据与目标域中客户的互动行为数据学习出目标新客线索与目标域中的客户促销互动偏好相似度的低维稠密向量表征图等。

下面以某口腔医院的获客转化影响为例说明基于客户消费偏好相似度的新客线索画像示例。如果某口腔医院作为目标域，那么其对应的源域如表3所示：

表3.某口腔医院对应的源域

基于某口腔医院的客户消费偏好相似度的新客线索画像示例如图9所示，包括牙种植线索池画像、牙矫正线索池画像、牙美白修复线索池画像、洁牙线索池画像和儿童齿科线索池画像。

图10是根据一示例性实施例示出的另一种信息推荐装置的框图。如图10所示的装置例如可以应用于上述系统的服务器端，也可以应用于上述系统的终端设备。

参考图10，本公开实施例提供的信息推荐装置100可以包括向量维度设置模块1001、初始特征向量获取模块1002、目标数量获取模块10032、未响应客户抽取模块10034、联合条件概率获得模块1004、目标函数获得模块1006、特征向量优化模块1008、客户相似度获得模块1010和对象推荐模块1012，其中联合条件概率获得模块1004可包括条件概率计算模块10042和联合条件概率计算模块10044，所述对象推荐模块1012可以包括社交群客户获取模块10122、第一影响传播模块10124和第二影响传播模块10126。

向量维度设置模块1001可用于获取预设维度。

初始特征向量获取模块1002可用于分别获取多个客户的多个初始特征向量，多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户。已响应参考对象的客户的数量为多个，多个客户还包括未响应参考对象的客户。未响应参考对象的客户的数量为多个。多个初始特征向量中的各个初始特征向量具有相同的预设维度。

目标数量获取模块10032可用于获取未响应参考对象的客户的目标数量。

未响应客户抽取模块10034可用于从多个未响应参考对象的客户中随机选取目标数量个未响应参考对象的客户。

联合条件概率获得模块1004可用于根据多个初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率。已响应参考对象的客户与多个客户的联合条件概率包括多个已响应参考对象的客户之间的联合条件概率和已响应参考对象的客户与未响应参考对象的客户的联合条件概率。

条件概率计算模块10042可用于根据多个已响应参考对象的客户的多个初始特征向量，计算多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率；根据多个初始特征向量计算多个已响应参考对象的客户中各个已响应参考对象的客户与未响应参考对象的客户的条件概率。

条件概率计算模块10042还可用于根据多个初始特征向量，对于多个已响应参考对象的客户中各个已响应参考对象的客户，分别计算其与目标数量个未响应参考对象的客户中各个未响应参考对象的客户的条件概率

联合条件概率计算模块10044可用于将多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率相乘获得多个已响应参考对象的客户之间的联合条件概率；将各个已响应参考对象的客户与未响应参考对象的客户的条件概率相乘获得已响应参考对象的客户与未响应参考对象的客户的联合条件概率。

联合条件概率计算模块10044还可用于将各个已响应参考对象的客户与各个未响应参考对象的客户的条件概率相乘获得已响应参考对象的客户与未响应参考对象的客户的联合条件概率。

目标函数获得模块1006可用于根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数。

目标函数获得模块1006还可用于将多个已响应参考对象的客户之间的联合条件概率、已响应参考对象的客户与未响应参考对象的客户的联合条件概率相乘，获得目标函数。

特征向量优化模块1008可用于通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的多个优化特征向量。

特征向量优化模块1008还可用于以多个初始特征向量为参数，采用随机梯度下降法获得最大化目标函数时的多个特征向量。

客户相似度获得模块1010可用于根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象。

客户相似度获得模块1010还可用于计算已响应待推荐对象的客户的优化特征向量与未响应待推荐对象的客户的优化特征向量的余弦相似度，获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度。

对象推荐模块1012可用于向与已响应待推荐对象的客户的相似度大于预设阈值的未响应待推荐对象的客户推荐待推荐对象。

社交群客户获取模块10122可用于获取所述已消费待推荐商品的客户的社交群中的客户。

第一影响传播模块10124可用于响应于判定所述已消费待推荐商品的客户的社交群中的客户为所述未消费待推荐商品的客户，根据所述多个优化特征向量获得所述已消费待推荐商品的客户与所述未消费待推荐商品的客户的相似度，以便通过第一社交影响方式向所述未消费待推荐商品的客户推荐所述待推荐商品。

第二影响传播模块10126可用于响应于判定所述已消费待推荐商品的客户的社交群中的客户为所述已被推荐待推荐商品但未产生转化支付的客户，根据所述多个优化特征向量获得所述已消费待推荐商品的客户与所述已被推荐待推荐商品但未产生转化支付的客户的相似度，以便通过第二社交影响方式向所述已被推荐待推荐商品但未产生转化支付的客户推荐所述待推荐商品的促销活动。

图11示出本公开实施例中一种电子设备的结构示意图。需要说明的是，图11示出的设备仅以计算机系统为示例，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11所示，设备1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有设备1100操作所需的各种程序和数据。CPU1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本公开的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括初始特征向量获取模块、联合条件概率获得模块、目标函数获得模块、特征向量优化模块和客户相似度获得模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，初始特征向量获取模块还可以被描述为“向所连接的数据库获取初始特征向量的模块”。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：分别获取多个客户的多个初始特征向量，多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户；根据多个初始特征向量获得已响应参考对象的客户与多个客户的联合条件概率；根据已响应参考对象的客户与多个客户的联合条件概率获得目标函数；通过最大化目标函数对多个初始特征向量进行优化，获得多个客户的多个优化特征向量；根据多个优化特征向量获得已响应待推荐对象的客户与未响应待推荐对象的客户的相似度，以向未响应待推荐对象的客户推荐待推荐对象。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (9)

1.一种信息推荐装置，其特征在于，包括：

初始特征向量获取模块，用于分别获取多个客户的多个初始特征向量，所述多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户；

联合条件概率获得模块，用于根据所述多个初始特征向量获得所述已响应参考对象的客户与所述多个客户的联合条件概率；

目标函数获得模块，用于根据所述已响应参考对象的客户与所述多个客户的联合条件概率获得目标函数；

特征向量优化模块，用于通过最大化所述目标函数对所述多个初始特征向量进行优化，获得所述多个客户的多个优化特征向量；

客户相似度获得模块，用于根据所述多个优化特征向量获得所述已响应待推荐对象的客户与所述未响应待推荐对象的客户的相似度，以向所述未响应待推荐对象的客户推荐所述待推荐对象；

所述已响应参考对象的客户的数量为多个，所述多个客户还包括未响应参考对象的客户，所述已响应参考对象的客户与所述多个客户的联合条件概率包括所述多个已响应参考对象的客户之间的联合条件概率和所述已响应参考对象的客户与所述未响应参考对象的客户的联合条件概率；

所述联合条件概率获得模块包括：

条件概率计算模块，用于根据多个已响应参考对象的客户的多个初始特征向量，计算所述多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率；根据所述多个初始特征向量计算所述多个已响应参考对象的客户中各个已响应参考对象的客户与所述未响应参考对象的客户的条件概率；

联合条件概率计算模块，用于将所述多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率相乘获得所述多个已响应参考对象的客户之间的联合条件概率；将所述各个已响应参考对象的客户与所述未响应参考对象的客户的条件概率相乘获得所述已响应参考对象的客户与所述未响应参考对象的客户的联合条件概率。

2.根据权利要求1所述的装置，其特征在于，所述目标函数获得模块，还用于将所述多个已响应参考对象的客户之间的联合条件概率、所述已响应参考对象的客户与所述未响应参考对象的客户的联合条件概率相乘，获得所述目标函数。

3.根据权利要求2所述的装置，其特征在于，所述未响应参考对象的客户的数量为多个；

所述装置还包括：

目标数量获取模块，用于获取所述未响应参考对象的客户的目标数量；

未响应客户抽取模块，用于从多个所述未响应参考对象的客户中随机选取所述目标数量个未响应参考对象的客户；

所述条件概率计算模块，还用于根据所述多个初始特征向量，对于所述多个已响应参考对象的客户中各个已响应参考对象的客户，分别计算其与所述目标数量个未响应参考对象的客户中各个未响应参考对象的客户的条件概率；

所述联合条件概率计算模块，还用于将所述各个已响应参考对象的客户与所述各个未响应参考对象的客户的条件概率相乘获得所述已响应参考对象的客户与所述未响应参考对象的客户的联合条件概率。

4.根据权利要求1所述的装置，其特征在于，所述客户相似度获得模块，还用于计算所述已响应待推荐对象的客户的优化特征向量与所述未响应待推荐对象的客户的优化特征向量的余弦相似度，获得所述已响应待推荐对象的客户与所述未响应待推荐对象的客户的相似度；

所述装置还包括：

对象推荐模块，用于向与所述已响应待推荐对象的客户的相似度大于预设阈值的未响应待推荐对象的客户推荐所述待推荐对象。

5.根据权利要求1所述的装置，其特征在于，所述参考对象为参考商品，所述已响应参考对象的客户为已消费参考商品的客户，所述待推荐对象为待推荐商品，所述已响应待推荐对象的客户为已消费待推荐商品的客户，所述未响应待推荐对象的客户为未与待推荐商品互动的客户；

所述多个客户还包括未消费参考商品的客户；

所述目标函数获得模块，还用于将各个已消费参考商品的客户与所述多个客户中其他已消费参考商品的客户的联合条件概率和所述各个已消费参考商品的客户与所述未消费参考商品的客户的联合条件概率相加，获得所述目标函数；

所述客户相似度获得模块，还用于获得所述已消费待推荐商品的客户的优化特征向量与所述未与待推荐商品互动的客户的优化特征向量的相似度。

6.根据权利要求1所述的装置，其特征在于，所述参考对象为参考促销活动，所述已响应参考对象的客户为已与所述参考促销活动互动的客户，所述已响应待推荐对象的客户为已与待推荐促销活动互动并产生转化支付的客户，所述未响应待推荐对象的客户为未被推荐所述待推荐促销活动并未产生转化支付的客户；

所述多个客户还包括未与所述参考促销活动互动的客户；

所述目标函数获得模块，还用于将多个已与所述参考促销活动互动的客户之间的联合条件概率和多个未与所述参考促销活动互动的客户之间的联合条件概率相加，获得所述目标函数；

所述客户相似度获得模块，还用于获得所述已与待推荐促销活动互动并产生转化支付的客户的优化特征向量与所述未被推荐所述待推荐促销活动并未产生转化支付的客户的优化特征向量的相似度。

7.根据权利要求1所述的装置，其特征在于，所述已响应待推荐对象的客户包括已消费待推荐商品的客户，所述多个客户还包括未消费待推荐商品的客户，所述未响应待推荐对象的客户包括已被推荐待推荐商品但未产生转化支付的客户；

所述装置还包括：

社交群客户获取模块，用于获取所述已消费待推荐商品的客户的社交群中的客户；

第一影响传播模块，用于响应于判定所述已消费待推荐商品的客户的社交群中的客户为所述未消费待推荐商品的客户，根据所述多个优化特征向量获得所述已消费待推荐商品的客户与所述未消费待推荐商品的客户的相似度，以便通过第一社交影响方式向所述未消费待推荐商品的客户推荐所述待推荐商品；

第二影响传播模块，用于响应于判定所述已消费待推荐商品的客户的社交群中的客户为所述已被推荐待推荐商品但未产生转化支付的客户，根据所述多个优化特征向量获得所述已消费待推荐商品的客户与所述已被推荐待推荐商品但未产生转化支付的客户的相似度，以便通过第二社交影响方式向所述已被推荐待推荐商品但未产生转化支付的客户推荐所述待推荐商品的促销活动。

8.一种信息推荐方法，其特征在于，包括：

分别获取多个客户的多个初始特征向量，所述多个客户包括已响应参考对象的客户、已响应待推荐对象的客户和未响应待推荐对象的客户，所述已响应参考对象的客户的数量为多个；

根据所述多个初始特征向量获得所述已响应参考对象的客户与所述多个客户的联合条件概率，所述已响应参考对象的客户与所述多个客户的联合条件概率包括所述多个已响应参考对象的客户之间的联合条件概率和所述已响应参考对象的客户与未响应参考对象的客户的联合条件概率；

根据所述已响应参考对象的客户与所述多个客户的联合条件概率获得目标函数；

通过最大化所述目标函数对所述多个初始特征向量进行优化，获得所述多个客户的多个优化特征向量；

根据所述多个优化特征向量获得所述已响应待推荐对象的客户与所述未响应待推荐对象的客户的相似度，以向所述未响应待推荐对象的客户推荐所述待推荐对象；

根据所述多个初始特征向量获得所述已响应参考对象的客户与所述多个客户的联合条件概率，包括：

根据多个已响应参考对象的客户的多个初始特征向量，计算所述多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率；

根据所述多个初始特征向量计算所述多个已响应参考对象的客户中各个已响应参考对象的客户与所述未响应参考对象的客户的条件概率；

将所述多个已响应参考对象的客户中每两个已响应参考对象的客户的条件概率相乘获得所述多个已响应参考对象的客户之间的联合条件概率；

将所述各个已响应参考对象的客户与所述未响应参考对象的客户的条件概率相乘获得所述已响应参考对象的客户与所述未响应参考对象的客户的联合条件概率。

9.一种设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求8所述的方法。