CN113327151A - 商品对象推荐方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开一种商品对象推荐方法、装置、设备及介质，该方法包括：获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态；根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度；根据其目标分类的趋势走向状态，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。本申请可以更加准确有效地为电商平台优选更符合潮流的待推荐的商品对象。

Description

商品对象推荐方法、装置、计算机设备及存储介质

技术领域

本申请实施例涉及互联网技术领域，尤其是一种商品对象推荐方法、装置、计算机设备及存储介质。

背景技术

现有技术中，电商平台上的商品推荐方法主要是基于用户的购买等历史行为中涉及的商品，对候选列表中的预备推荐的商品进行关联度计算，算出推荐得分，根据得分结果选取得分较高的商品作为被推荐商品。

然而，这种方法受限于被推荐用户是否有可用的历史行为信息，因此对于新用户而言无法进行有效的推荐。

而对于新用户与使用该电商平台时长较短的用户而言，现有技术中的电商平台通常采用热度推荐策略，即对商品库中的所有商品计算热度，热度通常定义为历史点击率、购买率等单个指标或多个指标的加权结果，最终商品按照热度倒排，为新用户推荐Top K商品。

热度计算依赖商品的历史行为数据，反映的是商品历史热度而不是未来热度，在待推荐商品发生较大变化时效果不佳(如换季时的服装商品)，此外，只有具备足够历史行为信息的商品，其热度才具有可信度，其他没有足够历史行为信息(或完全无历史行为信息)的商品则无法进入待推荐列表，限制了为用户冷启动推荐商品的有效性。

发明内容

本发明实施例提供一种商品对象推荐方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种商品对象推荐方法，包括：

获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

可选地，所述获取商品对象所属目标分类在特定时段期间相对应的基础推荐度及趋势走向状态的过程，包括如下具体步骤：

根据特定时段期间目标分类内所有商品对象的访问行为信息中的预选的统计指标，计算该目标分类在该特定时段及其细分时区的受欢迎程度；

将特定时段的受欢迎程度确定为所述的基础推荐度；

利用各细分时区的受欢迎程度进行线性拟合，对线性拟合结果计算斜率，判决出该目标分类的趋势走向状态，根据斜率高低将趋势走向状态表征为上升趋势或下降趋势。

可选地，所述根据特定时段期间目标分类内所有商品对象的访问行为信息中的预选的统计指标，计算该目标分类在该特定时段及其细分时区的受欢迎程度的步骤中，所述预选的统计指标包括其所属商品对象的点击次数和展示次数，所述受欢迎程度为选定时间范围内所有商品对象的点击次数总和与展示次数总和的比值。

可选地，所述针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度的过程，包括如下具体步骤：

根据该目标分类的趋势走向状态所表征的上升趋势或下降趋势，确定出为该目标分类预选出与该趋势走向状态相对应的基准商品子集；

利用相似度公式对所述待推荐的商品对象与该基准商品子集中的商品对象进行相似度计算，确定与待推荐的商品对象具有最高相似度的目标商品对象；

以该目标商品对象的所述推荐指标与计算所得的相似度的乘积，作为该待推荐的商品对象在该趋势走向状态下的调节推荐度，所述推荐指标为所述预先的统计指标中的点击次数与展示次数的比率。

可选地，所述针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度的过程，包括如下前置步骤：

适应该目标分类，选取其中展示次数具有高可置信度的商品对象构造基准商品集合，计算目标分类内各商品对象的所述预选的统计指标中点击次数与展示次数的比率作为所述的推荐指标；

以该推荐指标对基准商品集合中的商品对象进行排序，在排序首尾两部分提取出不相交的两个基准商品子集；

将其中具有相对较高推荐指标的基准商品子集与该目标分类的上升趋势建立对应关系，将其中具有相对较低推荐指标的基准商品子集与该目标分类的下降趋势建立对应关系。

可选地，所述根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表的步骤，包括：

根据商品推荐得分对待推荐商品列表中的商品对象进行倒排序；

从排序后的结果中选出预定数量的前若干个商品对象；

将选出的商品对象格式化为所述商品推送列表。

可选地，所述商品对象推荐方法包括如下后置步骤：

响应于用户访问请求，将所述商品推送列表中的商品对象的广告信息嵌入该请求的应答页面中，将应答页面推送至用户设备显示。

为解决上述技术问题，本发明实施例还提供一种商品对象推荐装置，包括：

信息获取模块，用于获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

初次解析模块，用于针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

二次解析模块，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

综合处理模块，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

结果输出模块，用于根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述商品对象推荐方法的步骤。

为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述商品对象推荐方法的步骤。

与现有技术相比较，本发明实施例的有益效果是：

本申请在进行商品对象推荐时，采用获取任意待推荐的商品对象的目标分类在特定时段期间相对应的基础推荐度及计算调节推荐度这两方面的数据信息，再通过相应计算得出的待推荐的商品对象的商品推荐得分的方法，从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表，由于基础推荐度及调节推荐度分别在不同时间粒度下进行计算所得，然后被用于计算商品推荐得分，既顾及长期性数据的综合特征，又考虑了短期性数据之间的走向特征，因此，本申请能够更加准确有效地给出推荐商品列表；

本申请的方法中的重要参数之一的商品推荐得分是采用任意待推荐的商品对象的目标分类的趋势走向状态所表征的上升趋势或下降趋势所相对应的调节推荐度来计算的，当趋势走向状态为上升趋势时，将对应的调节推荐度与推荐指标之和作为商品推荐得分，当趋势走向状态为下降趋势时，用推荐指标减去对应的调节推荐度的差值作为商品推荐得分，其目的在于能够快速准确地筛选出越来越受欢迎的商品与越来越不受欢迎的商品，从而及时跟进市场上的商品流行趋势。

此外，由于本申请的方法在对待推荐商品对象进行优选的全过程中，并不受限于被推荐用户、待推荐商品对象是否有可用的历史行为信息这一条件，因此针对新用户、新商品也可以进行有效的商品推荐。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为实施本申请的技术方案相关的一种典型的网络部署架构示意图；

图2为本申请一个具体实施例的商品对象推荐方法的基本流程示意图；

图3为图2中步骤S200的具体步骤所形成的流程示意图；

图4为图2中步骤S300的前置步骤的流程示意图；

图5为图2中步骤S300的具体步骤所形成的流程示意图；

图6为图2中步骤S500的具体步骤所形成的流程示意图；

图7为本申请另一个具体实施例的商品对象推荐方法的基本流程示意图；

图8为本申请一个具体实施例的商品对象推荐方法的图形用户界面示意图；

图9为本申请一个实施例的商品对象推荐装置基本结构示意图；

图10为本申请一个实施例的计算机设备的基本结构框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。

需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。请参阅图1，本申请相关技术方案实施时所需的硬件基础可按图中所示的架构进行部署。本申请所称服务器80部署在云端，作为一个业务服务器，其可以负责进一步连接起相关数据服务器以及其他提供相关支持的服务器等，以此构成逻辑上相关联的服务机群，来为相关的终端设备例如图中所示的智能手机81和个人计算机82或者第三方服务器(未图示)提供服务。所述的智能手机和个人计算机均可通过公知的网络接入方式接入互联网，与云端的服务器80建立数据通信链路，以便运行所述服务器所提供的服务相关的终端应用程序。

对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。

所述的应用程序，是指运行于服务器或终端设备上的应用程序，这一应用程序采用编程的方式实现了本申请的相关技术方案，其程序代码可被以计算机可执行指令的形式保存于计算机能识别的非易失性存储介质中，并被中央处理器调入内存中运行，通过该应用程序在计算机的运行而构造出本申请的相关装置。

对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。

请参阅图2，图2为本实施例商品对象推荐方法的基本流程示意图。

如图2所示，本申请揭示的一种商品对象推荐方法包括如下步骤：

步骤S100:获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

本实施方式中，所述待推荐商品列表为电商平台上预备进行商品信息推送的任意品类的商品对象。所述待推荐商品列表可以是全部商品列表，或根据一定规则和策略召回的商品列表。例如服务器端根据卖家用户投放广告的配置信息确定其相对应的被广告商品对象而形成的商品列表，或者根据近一周内上架的所有品类的商品对象，又或者是平台促销活动期间上架的所有品类的商品对象。

其预设分类目录可以使用任何可行的分类方法，优选的，可以由基于商品对象的文本信息和多媒体信息(如图片、视频等)把商品对象归属到相似品类体系中的某一个品类中，例如将文本信息中含有“扫把”与“拖把”的商品对象归为名为清洁物品品类的一个品类之中。

一般而言，电商平台会为其平台上的商品预先建立相应的分类目录体系，本申请可沿用此类分类目录即可。因此，本申请的预设分类目录也可以是本领域技术人员根据电商平台的平台展示中的实际商品品类划分而成的包含多个类别的商品信息目录，例如家电类、服装类等等。

步骤S200:针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

所述基础推荐度即该商品对象目标分类在特定时段期间的受欢迎程度；所述趋势走向状态则是体现了受欢迎程度是逐步递增的，即越来越受欢迎的；还是逐步递减的，即越来越不受欢迎的。

所述访问行为信息即用户针对商品对象进行的浏览行为、咨询行为、交易行为、售后行为与评价行为等等所对应产生的相关行为信息。而由历史的这些访问行为信息构成的行为信息的集合就是历史行为信息。现有技术中常常仅根据被推荐用户的历史行为信息这一推荐条件进行商品推荐，其推荐的考量因素单一，且受限于被推荐用户是否有可用的历史行为信息，当被推荐用户为新用户时，即用户冷启动时则无法进行有效的商品推荐。此外，当某一商品对象为新上线商品即物品冷启动时，由于没有足够的历史行为信息，也无法进行有效的商品推荐。本申请的水平对象推荐方法正是有效地克服了这一缺陷，通过基础推荐度与趋势走向状态的综合考量，以及下文即将揭示的其他步骤，达到针对新用户也可以进行有效的商品推荐的有益效果。本实施方式中，所述特定时段可由本领域技术人员根据实际需求划分时段，并设置时间精度，例如某一月的每一周为特定时间段。

所述预选的统计指标以及所述基础推荐度与所述趋势走向状态的获取方法具体参见图3，图3为图2中步骤S200的具体步骤所形成的流程示意图，具体包括：

步骤S210:根据特定时段期间目标分类内所有商品对象的访问行为信息中的预选的统计指标，计算该目标分类在该特定时段及其细分时区的受欢迎程度；

本实施方式中，所述预选的统计指标由本领域技术人员根据实际需求设置获取，以受欢迎程度的判断条件为点击率为例，所述预选的统计指标具体为在特定时段期间该目标分类的商品的展示次数与点击次数，因此，需要筛选的该特定时段期间所有商品对象的访问行为信息如下：

由此可计算任一目标分类在该特定时段及该特定时段内多个细分时区的点击率，用于表征该相应时间内的受欢迎程度。

所述特定时段与细分时区可由本领域技术人员根据实际需求设置，例如可以设置为电商平台的促销期间，而细分时区可设置为在此期间的某一天。

上述任一目标分类在特定时段的受欢迎程度即为该目标分类在特定时段的点击率。

S220:将特定时段的受欢迎程度确定为所述的基础推荐度；如前所述，可将特定时段的受欢迎程度确定为所述的基础推荐度，具体而言，某一品类的基础推荐度的计算公式为：

也即，将某一时段内，某待推荐商品对象的点击次数之和，除以同一时段内该待推荐商品对象的展示次数之和，所得的比值便表征了该时段内，该待推荐商品对象的受欢迎程度，即可作为该待推荐商品对象在该时段内的基础推荐度。

步骤S230:利用各细分时区的受欢迎程度进行线性拟合，对线性拟合结果计算斜率，判决出该目标分类的趋势走向状态，根据斜率高低将趋势走向状态表征为上升趋势或下降趋势。

本实施方式中，通过上述的基础推荐度计算方法，针对某一个特定品类，同样的，把时间划分层若干个细分时区，并对每一个细分时区内的商品访问行为信息计算其受欢迎程度，则得到一个受欢迎程度序列，然后使用线性回归技术对该序列进行线性拟合，所述线性拟合可以采用常用线性拟合方式，比如：最小二乘法和梯度下降法等，关于最小二乘法和梯度下降法的原理及其具体应用方式，均为本领域技术人员所熟知，对于本申请而言，主要是择一使用来确保对该序列进行线性拟合，因此，对于其已为本领域技术人员所熟知的知识，恕不赘述。

通过上述方法进行线性拟合后，根据拟合结果的斜率判断该目标分类的趋势走向状态，具体如下：

也即，当斜率大于等于0时，该目标分类的趋势走向状态为上升趋势；当斜率小于0时，该目标分类的趋势走向状态为下降趋势。

步骤S300:针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

为了便于步骤S300的执行，一个实施例中，在步骤S300之前，先行执行如图4所示的过程：

步骤S301:适应该目标分类，选取其中展示次数具有高可置信度的商品对象构造基准商品集合，计算目标分类内各商品对象的所述预选的统计指标中点击次数与展示次数的比率作为所述的推荐指标；

作为一种优选，本领域技术人员可以选取其中展示次数具有高可置信度的商品对象构造基准商品集合，此外，也可以选取其他统计指标，例如访问次数或交易次数等。

在本实施例中，所述展示次数具有高可置信度意为该商品对象具有足够的访问行为信息，包括有足够的展示次数，展示次数的数量可由本领域技术人员根据实际需要设置，例如定义展示次数的数量为30万次即为足够，同时保证计算的点击率是可信的。而这部分展示次数具有高可置信度的商品对象构成的基准商品集合作为推荐样本，便于对后续的其他任意待推荐的商品对象进行判断。而所述任一商品对象的推荐指标由商品对象的所述预选的统计指标中点击次数与展示次数的比率得出，参照公式1，其计算公式可为：

步骤S302:以该推荐指标对基准商品集合中的商品对象进行排序，在排序首尾两部分提取出不相交的两个基准商品子集；

由上述步骤S301可以获取包含一定数量的商品对象的基准商品集合，该集合按照推荐趋势分布，其首尾分别为具有相对较高推荐指标与具有相对较低推荐指标，从中提取出不相交的两个基准商品子集，例如一个为相对较低推荐指标的基准商品子集Bottom N，N取50；另一个为相对较高推荐指标的基准商品子集TOP M，M取40，上述基准商品集合中包含商品对象的不少于100个，由于其中前50个商品与后40个商品互不相交，因此剔除了干扰项，方便了后续的操作。

步骤S303:将其中具有相对较高推荐指标的基准商品子集与该目标分类的上升趋势建立对应关系，将其中具有相对较低推荐指标的基准商品子集与该目标分类的下降趋势建立对应关系。

所述上升趋势或下降趋势，在前文步骤S230中已揭示，本实施例中，步骤S303揭示了：当目标分类处于上升趋势时，则调用具有相对较高推荐指标的基准商品子集来计算相对应趋势下的调节推荐度；当目标分类处于下降趋势时，则调用具有相对较低推荐指标的基准商品子集计算相对应趋势下的调节推荐度。

而之所以将具有相对较高推荐指标的基准商品子集与该目标分类的上升趋势建立对应关系，同时将具有相对较低推荐指标的基准商品子集与该目标分类的下降趋势建立对应关系的原因将由下文揭示：

除上述步骤S300的前置步骤外，步骤S300中所述针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度步骤具体参见图5，图5为图2中步骤S300的具体步骤所形成的流程示意图，具体包括：

步骤S310:根据该目标分类的趋势走向状态所表征的上升趋势或下降趋势，确定出为该目标分类预选出与该趋势走向状态相对应的基准商品子集；

在本实施例中，首先确定某一待推荐的商品对象所属的目标分类，由上述步骤可知其所属的目标分类的趋势走向状态，预选出上述步骤S301中得出的基准商品集合中与该趋势走向状态相对应的基准商品子集。

步骤S310:利用相似度公式对所述待推荐的商品对象与该基准商品子集中的商品对象进行相似度计算，确定与待推荐的商品对象具有最高相似度的目标商品对象；

由于与该趋势走向状态相对应的基准商品子集中有一定数量的商品对象，因此需要确定与待推荐的商品对象具有最高相似度的目标商品对象，在本实施例中，可以对任一个待推荐的商品对象与该基准商品子集中的商品对象进行相似度计算来确定，在实际中，优选的，使用余弦相似度算法进行计算，余弦相似度的公式如下：

通过余弦相似度计算公式能够计算得到两个向量之间的余弦夹角，其中，余弦夹角越小表示两个比较对象越相似，反之，则表示两个比较对象越不相似。

这里的向量A和B分别代表任一个待推荐的商品对象与该基准商品子集中的商品对象对应的向量。通过相似度算法，便可以将与该基准商品子集中的商品对象相似度较高的商品对象选择出来。

上述余弦相似度算法为本领域技术人员所熟知，因此，恕不赘述，对于本申请而言，除上述余弦相似度算法外，可以采用欧几里得距离算法、皮尔逊相关系数算法等本领域常用于计算两个变量之间的相似程度的算法中的至少一种算法来确定与待推荐的商品对象具有最高相似度的目标商品对象。

步骤S330:以该目标商品对象的所述推荐指标与计算所得的相似度的乘积，作为该待推荐的商品对象在该趋势走向状态下的调节推荐度，所述推荐指标为所述预先的统计指标中的点击次数与展示次数的比率。

本实施例中，设基准商品子集中与该目标商品对象相似度最高的商品对象记为a，则所述调节推荐度的计算公式如下：

调节推荐度＝a的推荐指标×与a的相似度

也即，当该目标商品对象所处的目标分类的推荐趋势为上升时，将该目标商品对象与上升趋势相对应的基准商品子集中的商品对象相似度最高的商品对象的相似度，与该基准商品子集中的商品对象的推荐指标的乘积作为该目标商品对象的调节推荐度；当该目标商品对象所处的目标分类的推荐趋势为下降时，将该目标商品对象与下降趋势相对应的基准商品子集中的商品对象相似度最高的商品对象的相似度，与该基准商品子集中的商品对象的推荐指标的乘积作为该目标商品对象的调节推荐度。

所述商品对象相似度由上述步骤S310可确定。

步骤S400:针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

在本实施例中，对任一个待推荐商品对象，根据该商品对象通过上述步骤获取的基础推荐度与推荐趋势走向状态计算最终推荐得分，其公式如下：

前文提到的之所以将具有相对较高推荐指标的基准商品子集与该目标分类的上升趋势建立对应关系，同时将具有相对较低推荐指标的基准商品子集与该目标分类的下降趋势建立对应关系的原因由步骤S400可清楚的揭示，即当所述任一待推荐商品对象处于下降趋势，即越来越不受欢迎时，其得分为基础推荐度减去其调节推荐度；而当所述任一待推荐商品对象处于下降趋势时，其得分为基础推荐度加上其调节推荐度，从而能达到将具有在未来越受欢迎趋势的商品对象推送给用户，而在未来越不受欢迎趋势的商品对象剔除，从而达到良好的推荐效果。

步骤S500:根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

本实施方式中，上述步骤S500请参见图6，其具体步骤如下：

步骤S510:根据商品推荐得分对待推荐商品列表中的商品对象进行倒排序；

通过上述步骤获得的待推荐商品列表中的商品对象的商品推荐得分越高即匹配度越高，则排序越靠后，而通过倒排序可以使商品推荐得分高的相应商品排在前列。

步骤S520:从排序后的结果中选出预定数量的前若干个商品对象；

本实施方式中，所述预定数量由本领域技术人员根据实际需求设置获取，例如可以选取前50个商品对象。

步骤S530:将选出的商品对象格式化为所述商品推送列表；

本实施方式中，所述商品对象格式化形成的商品推送列表可以由本领域技术人员根据实际需求设置，例如商品对象的ID名称、相应信息索引值等。

在一些实施例中，请再参见图7，本申请的商品对象推荐方法不仅包含上述步骤S100至步骤S500，还包括后置步骤S600：响应于用户访问请求，将所述商品推送列表中的商品对象的广告信息嵌入该请求的应答页面中，将应答页面推送至用户设备显示。

本实施方式中，商品对象的广告信息可以由本领域技术人员根据实际需求设置其包括的相关商品对象信息，例如可以包括商品对象名称、商品对象图片、商品对象的价格与商品对象的商家信息等，其应答页面在用户设备显示效果如图8所示。

综上所述，本申请的通过获取任意待推荐的商品对象的目标分类在特定时段期间相对应的基础推荐度及计算调节推荐度这两方面的数据信息以及相应的计算得出待推荐的商品对象的商品推荐得分的方法由于其包含的两个重要参数基础推荐度和调节推荐度是分别在不同时间粒度下进行计算所得，因此可以综合考虑长期性数据的综合特征与短期性数据之间的走向特征，从而得出更加准确有效的推荐商品列表；且由于不单纯依赖用户的历史行为信息与商品的历史行为信息，因此，面对新用户、新商品也能提供有效的商品推荐。

进一步的，可以通过将上述的商品对象推荐方法中的各个实施例进行功能化，构造出本申请的一种商品对象推荐装置，按照这一思路，请参阅图9，其典型实施例中，该装置包括：

信息获取模块11，用于获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

初次解析模块12，用于针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

二次解析模块13，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

综合处理模块14，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

结果输出模块15，用于根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

为解决上述技术问题，本发明实施例还提供计算机设备。包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中计算机程序以执行如前述的一种商品对象推荐方法的步骤。具体请参阅图10，图10为本实施例计算机设备基本结构框图。

如图10所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种商品对象推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种商品对象推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施方式中处理器用于执行图9中信息获取模块11、初次解析模块12、二次解析模块13、综合处理模块14和结果输出模块15的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有商品对象推荐装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例商品对象推荐方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种商品对象推荐方法，其特征在于，包括如下步骤：

获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

2.根据权利要求1所述的商品对象推荐方法，其特征在于，获取商品对象所属目标分类在特定时段期间相对应的基础推荐度及趋势走向状态的过程，包括如下具体步骤：

根据特定时段期间目标分类内所有商品对象的访问行为信息中的预选的统计指标，计算该目标分类在该特定时段及其细分时区的受欢迎程度；

将特定时段的受欢迎程度确定为所述的基础推荐度；

利用各细分时区的受欢迎程度进行线性拟合，对线性拟合结果计算斜率，判决出该目标分类的趋势走向状态，根据斜率高低将趋势走向状态表征为上升趋势或下降趋势。

3.根据权利要求2所述的商品对象推荐方法，其特征在于，根据特定时段期间目标分类内所有商品对象的访问行为信息中的预选的统计指标，计算该目标分类在该特定时段及其细分时区的受欢迎程度的步骤中，所述预选的统计指标包括其所属商品对象的点击次数和展示次数，所述受欢迎程度为选定时间范围内所有商品对象的点击次数总和与展示次数总和的比值。

4.根据权利要求1所述的商品对象推荐方法，其特征在于，针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度的过程，包括如下具体步骤：

根据该目标分类的趋势走向状态所表征的上升趋势或下降趋势，确定出为该目标分类预选出与该趋势走向状态相对应的基准商品子集；

利用相似度公式对所述待推荐的商品对象与该基准商品子集中的商品对象进行相似度计算，确定与待推荐的商品对象具有最高相似度的目标商品对象；

以该目标商品对象的所述推荐指标与计算所得的相似度的乘积，作为该待推荐的商品对象在该趋势走向状态下的调节推荐度，所述推荐指标为所述预先的统计指标中的点击次数与展示次数的比率。

5.根据权利要求4所述的商品对象推荐方法，其特征在于，针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度的过程，包括如下前置步骤：

适应该目标分类，选取其中展示次数具有高可置信度的商品对象构造基准商品集合，计算目标分类内各商品对象的所述预选的统计指标中点击次数与展示次数的比率作为所述的推荐指标；

以该推荐指标对基准商品集合中的商品对象进行排序，在排序首尾两部分提取出不相交的两个基准商品子集；

将其中具有相对较高推荐指标的基准商品子集与该目标分类的上升趋势建立对应关系，将其中具有相对较低推荐指标的基准商品子集与该目标分类的下降趋势建立对应关系。

6.根据权利要求1所述的商品对象推荐方法，其特征在于，根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表的步骤，包括：

根据商品推荐得分对待推荐商品列表中的商品对象进行倒排序；

从排序后的结果中选出预定数量的前若干个商品对象；

将选出的商品对象格式化为所述商品推送列表。

7.根据权利要求1至6中任意一项所述的商品对象推荐方法，其特征在于，包括如下后置步骤：

响应于用户访问请求，将所述商品推送列表中的商品对象的广告信息嵌入该请求的应答页面中，将应答页面推送至用户设备显示。

8.一种商品对象推荐装置，其特征在于，包括：

信息获取模块，用于获取待推荐商品列表，按照预设分类目录将其中待推荐的商品对象归类至其各自相应的目标分类；

初次解析模块，用于针对任意待推荐的商品对象，获取其目标分类在特定时段期间相对应的基础推荐度及趋势走向状态，所述基础推荐度与趋势走向状态均基于该目标分类内所有商品对象的访问行为信息中的预选的统计指标确定；

二次解析模块，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，计算相对应趋势下的调节推荐度，所述调节推荐度正比于该目标分类下为不同趋势所预选的商品对象所具有的推荐指标，所述推荐指标由所述预选的统计指标计算而得；

综合处理模块，用于针对任意待推荐的商品对象，根据其目标分类的趋势走向状态所表征的上升趋势或下降趋势，相应将其目标分类的基础推荐度加上或减去对应趋势下的调节推荐度，获得该商品对象的商品推荐得分；

结果输出模块，用于根据商品推荐得分从推荐商品列表中优选出部分商品对象，将其确定为商品推送列表。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述商品对象推荐方法的步骤。

10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述商品对象推荐方法的步骤。

Images