CN113793182A - 商品对象推荐方法及其装置、设备、介质、产品 - Google Patents

Abstract

本申请涉及电商信息技术领域，公开一种商品对象推荐方法及其装置、设备、介质、产品，所述方法包括：接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中；监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象；从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象；响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表。本申请能够即时根据用户访问在售商品对象的行为而产生与该在售商品对象构成相似的目标商品对象，匹配精准，适用于多种应用场景。

Description

商品对象推荐方法及其装置、设备、介质、产品

技术领域

本申请涉及电商信息技术领域，尤其涉及一种商品对象推荐方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。

背景技术

电商平台中常需为用户推荐相似商品，一个常见的应用场景是实时地根据用户正在访问的商品对象推荐与该商品对象相类似的商品，实践中，常依据用户历史行为习惯来确定用户感兴趣的商品对象，用户的历史行为习惯，通常是用户在过去一段时间访问电商平台中的商品对象所留下的访问记录数据，包括下单、浏览等用户行为，但这些访问记录数据具有较长的时效性，依赖这些数据进行商品对象推荐，往往导致推荐给用户的商品对象是滞后于用户的需求的，例如用户已经购买了同类商品或者已失去对同类商品的购买需求。从目前诸多电商平台的终端APP或其网页的商品推荐列表以及专利检索数据来看，迄今为止，电商平台业内均未有效解决此一问题。

示例而言，当前电商平台中对商品进行推荐所采用的算法，常采用item-CF,user-CF的协同过滤策略，根据该算法固有特点，较难实现根据用户行为挖掘出用户实时感兴趣商品的推荐。

发明内容

本申请的首要目的在于解决上述问题至少之一而提供一种商品对象推荐方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。

为满足本申请的各个目的，本申请采用如下技术方案：

适应本申请的目的之一而提供的一种商品对象推荐方法，包括如下步骤：

接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中；

监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象；

从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象；

响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表。

深化的实施例中，从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，包括如下步骤：

获取所述在售商品对象的唯一性特征信息，该唯一性特征信息与所述商品相似度信息矩阵的维度标签之间具有一一对应映射关系；

根据所述唯一性特征信息查询商品相似度信息矩阵，确定该在售商品对象相对应的行向量，所述行向量的每个元素存储用于度量该在售商品对象与一个相应的候选商品对象之间的相似度的相似数值；

根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象；

构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中。

具体化的实施例中，根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象，包括如下步骤：

根据所述相似数值对所述在售商品对象相对应的行向量进行排序；

根据预设的相似匹配条件从排序后的行向量中优选出相似数值最大的多个元素；

根据优选出的元素在所述商品相似度信息矩阵中的维度标签确定其相对应的满足所述相似匹配条件的多个候选商品对象。

具体化的实施例中，构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

调用根据商品对象的访问热度确定的热度参考信息，获得满足所述相似匹配条件的多个候选商品对象相对应的商品热度数据；

从满足所述相似匹配条件的多个候选商品对象中过滤掉商品热度数据低于预设阈值的候选商品对象，获得剩余的至少一个目标商品对象；

构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

具体化的实施例中，构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

调用提供所述用户行为消息的目标用户的历史订单数据确定其已购买商品对象；

从满足所述相似匹配条件的多个候选商品对象中过滤掉所述已购买商品对象，获得剩余的至少一个目标商品对象；

构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

深化的实施例中，接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中，包括：

接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，判断预设的用户行为队列是否处于拥塞状态，若处于拥塞状态，启用异步用户行为队列，将所述用户行为消息添加到该异步用户行为队列中，否则将该用户行为消息添加到预设的用户行为队列中。

扩展的实施例中，本申请的商品对象推荐方法包括如下用于构造所述商品相似度信息矩阵的步骤：

基于商品数据库中商品对象的商品图片的图像特征信息构造两两商品对象之间的图像特征相似度矩阵，使每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；

基于商品数据库中的商品对象的文本信息提取出各商品对象的分类标签，确定两两商品对象之间的分类标签相似数值，构造为文本特征相似度矩阵；

根据相同的两两商品对象确定对应关系，将所述图像特征相似度矩阵与所述文本特征相似度矩阵中具有所述对应关系的相似数值进行线性融合，而构造出商品相似度信息矩阵，该矩阵中，每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；

针对商品相似度信息矩阵中的同一行向量，根据相似数值大小进行排序。

适应本申请的目的之一而提供的一种商品对象推荐装置，包括：消息入列模块、消息出列模块、相似匹配模块，以及商品推荐模块，其中，所述消息入列模块，用于接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中；所述消息出列模块，用于监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象；所述相似匹配模块，用于从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象；所述商品推荐模块，用于响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表。

深化的实施例中，所述相似匹配模块包括：对象获取子模块，用于获取所述在售商品对象的唯一性特征信息，该唯一性特征信息与所述商品相似度信息矩阵的维度标签之间具有一一对应映射关系；相似查询子模块，用于根据所述唯一性特征信息查询商品相似度信息矩阵，确定该在售商品对象相对应的行向量，所述行向量的每个元素存储用于度量该在售商品对象与一个相应的候选商品对象之间的相似度的相似数值；候选确定子模块，用于根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象；列表构造子模块，用于构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中。

具体化的实施例中，所述候选确定子模块包括：向量排序单元，用于根据所述相似数值对所述在售商品对象相对应的行向量进行排序；元素优选单元，用于根据预设的相似匹配条件从排序后的行向量中优选出相似数值最大的多个元素；元素确定单元，用于根据优选出的元素在所述商品相似度信息矩阵中的维度标签确定其相对应的满足所述相似匹配条件的多个候选商品对象。

具体化的实施例中，所述列表构造子模块包括：热度引用单元，用于调用根据商品对象的访问热度确定的热度参考信息，获得满足所述相似匹配条件的多个候选商品对象相对应的商品热度数据；候选过滤单元，用于从满足所述相似匹配条件的多个候选商品对象中过滤掉商品热度数据低于预设阈值的候选商品对象，获得剩余的至少一个目标商品对象；列表定制单元，用于构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

具体化的实施例中，所述列表构造子模块包括：已访确定单元，用于调用提供所述用户行为消息的目标用户的历史订单数据确定其已购买商品对象；已访过滤单元，用于从满足所述相似匹配条件的多个候选商品对象中过滤掉所述已购买商品对象，获得剩余的至少一个目标商品对象；列表定制单元，用于构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

深化的实施例中，所述消息入列模块被配置为接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，判断预设的用户行为队列是否处于拥塞状态，若处于拥塞状态，启用异步用户行为队列，将所述用户行为消息添加到该异步用户行为队列中，否则将该用户行为消息添加到预设的用户行为队列中。

扩展的实施例中，本申请的商品对象推荐装置包括如下用于构造所述商品相似度信息矩阵的结构：图片相似度模块，用于基于商品数据库中商品对象的商品图片的图像特征信息构造两两商品对象之间的图像特征相似度矩阵，使每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；文本相似度模块，用于基于商品数据库中的商品对象的文本信息提取出各商品对象的分类标签，确定两两商品对象之间的分类标签相似数值，构造为文本特征相似度矩阵；线性融合模块，用于根据相同的两两商品对象确定对应关系，将所述图像特征相似度矩阵与所述文本特征相似度矩阵中具有所述对应关系的相似数值进行线性融合，而构造出商品相似度信息矩阵，该矩阵中，每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；相似度排序模块，用于针对商品相似度信息矩阵中的同一行向量，根据相似数值大小进行排序。

适应本申请的目的之一而提供的一种计算机设备，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的计算机程序以执行本申请所述的商品对象推荐方法的步骤。

适应本申请的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的商品对象推荐方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。

适应本申请的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请任意一种实施例中所述商品对象推荐方法的步骤。

相对于现有技术，本申请的优势如下：

本申请利用消息队列机制来接收用户访问商品对象时实时触发的用户行为消息，通过消息队列排队出列后，由系统在后台及时生成与该用户行为消息中包含的用户访问的商品对象相对应的商品推荐列表，商品推荐列表中的目标商品对象来源于一个预构造的商品相似度信息矩阵，该商品相似度信息矩阵存储了商品对象与其他商品对象之间的相似度数据，据此，本申请可以快速地从商品相似度信息矩阵中确定与用户刚刚访问的商品对象相似的目标商品对象推荐给用户，用户据此可以获得与其刚刚实施的用户行为所指向的商品对象相对应的相似商品，所推荐的商品更容易密切满足用户需求，实现了用户即时行为所产生的数据与被推荐的目标商品对象之间的匹配度。

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为本申请的商品对象推荐方法的典型实施例的流程示意图；

图2为本申请的实施例中查询商品相似度信息矩阵过程的流程示意图；

图3为本申请的实施例中根据行向量优待候选商品对象过程的流程示意图；

图4为本申请的实施例中构造商品推荐列表过程之一的流程示意图；

图5为本申请的实施例中构造商品推荐列表过程之二的流程示意图；

图6为本申请的实施例中构造商品相似度信息矩阵过程的流程示意图；

图7为本申请的商品对象推荐装置的典型实施例的原理框图；

图8为本申请所采用的一种计算机设备的结构示意图。

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。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

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“客户端”、“终端”、“终端设备”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，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，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(PersonalCommunications 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 PositioningSystem，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“客户端”、“终端”、“终端设备”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“客户端”、“终端”、“终端设备”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。

本申请的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。

本申请中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用。本领域技术人员应当理解，只要设备运行资源适格，均可用作所述神经网络模型相应的模型训练设备和模型运行设备。某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。

本申请所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本申请的技术方案所调用即可。

本领域技术人员对此应当知晓：本申请的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本申请所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。

本申请即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。

本申请的一种商品对象推荐方法，可被编程为计算机程序产品，部署于终端设备和/或服务器中运行而实现，藉此，客户端可以网页程序或应用程序的形式访问该计算机程序产品运行后开放的用户界面，实现人机交互。

请参阅图1，在其典型实施例中，该方法包括如下步骤：

步骤S1100、接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中：

为了获取所述的用户行为消息，可以在电商平台相对应的应用程序或相关网页中植入埋点采集指令，当用户访问某个在售商品对象时，便响应于该访问行而构造一个用户行为消息，将其提交给部署了本申请的技术方案的电商平台的服务器。

用户触发构造用户行为消息的时机，可以是用户点击某一在售商品对象时，也可以是进入该在售商品对象的详情页面时，或者是在用户对该在售商品对象执行下单流程时，对此，本领域技术人员可以灵活实施。

构造所述用户行为消息的实施者，既可以是由用户所在的安装有所述电商平台相对应的应用程序的进程所实施，也可以是用户访问所述电商平台相对应的网页时，触发部署该电商平台的服务器实施。

所述用户行为消息，一般包括用户访问的所述在售商品对象，可以表示为所述在售商品对象的SKU或SPU，或者其他唯一性特征信息，以便本申请的服务器可以据此访问在售商品对象在电商平台商品数据库中的相关信息，例如获取该在售商品对象的商品简介信息或商品图片用于构造商品推荐列表等。

提交到本申请的服务器的所述用户行为消息，被添加到本申请的服务器所维护的行为消息队列中，根据预设的排队机制陆续出列消费。可以看出，该消息队列可以处理整个电商平台的所有在线用户所触发构造的用户行为消息，而服务于全平台，适于为全平台的任意在线用户提供与所述在售商品对象相似的目标商品对象。

本申请变通实施的实施例中，为了避免所述行为消息队列拥塞导致响应不及时，接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息之后，进一步判断该用户行为队列是否处于拥塞状态，若处于拥塞状态，启用异步用户行为队列，将所述用户行为消息添加到该异步用户行为队列中，否则将该用户行为消息添加到原来的用户行为队列中。通过启用异步处理机制，可以及时响应和处理并发的用户行为消息，以便提升推荐目标商品对象的处理效率。

步骤S1200、监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象：

本申请的服务器通过启用消息消费进程来处理各个用户行为消息，每个用户行为消息对应被一个消费线程所消费，所述消费线程对所述用户行为消息进行解析，获取其中的用户所访问的在售商品对象，以便后续据此实施商品推荐的逻辑。

步骤S1300、从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象：

本申请的消费线程可以调用预先构造的商品相似度信息矩阵，用于查询获取与所述在售商品对象构成相似的候选商品对象。

所述商品相似度信息矩阵是预先构建的，其本质上是一个相似度列表，存储了电商平台中，两两商品对象之间的相似数值，这一相似数值可以根据两两商品对象之间的文本特征信息和/或图片特征信息的相似程度来进行量化确定，甚至在某些实施例中可以人工确定。由此，每一个商品对象均对应与其高度相似的多个其他商品对象而具有相应的多个相似数值，根据给定的一个商品对象，便可确定与其相似的相关商品对象。

为了便于在所述商品相似度信息矩阵中定位商品对象，该矩阵可以所述商品对象的SKU、SPU为维度标签，或者也可另外建立商品对象的SKU、SPU该矩阵的维度标签之间的映射关系，总之，只要根据商品对象的唯一性的特征信息，从该矩阵中查找到与其相似的商品对象即可，反之也然，即从该矩阵中查询出与在售商品对象相似的多个存储相似数值的元素时，应可根据这些元素的维度坐标去确定具体的商品对象。

考虑到每种商品对象实际上只跟其同类商品存在相似，因此，所述商品相似度信息矩阵可以以商品类目树中的末级分类结构来为每个末级分类独立构造，只要在调用时加以区别即可。

进一步考虑到用户一般只关注少量的相似商品对象，因此，所述商品相似度信息矩阵中，适应每一商品对象，可以只存储相似数值与之最为匹配的若干个商品对象即可，对此，本领域技术人员也可灵活实施。

从所述商品相似度信息矩阵中查询并获取到与所述在售商品对象构成相似的多个商品对象，既可以是指与该在售商品对象相似的全部商品对象，也可以是其中相似数值最高的若干个商品对象，由此确定出来的商品对象，即为候选商品对象，后续在其中至少一个候选商品对象作为目标商品对象，将目标商品对象添加到构造出来的商品推荐列表中。

至此，可以理解，本服务器响应每个用户行为消息，便动态更新所述触发提交所述用户行为消息的用户相对应的商品推荐列表，该商品推荐列表中包含的一个或多个目标推荐商品对象，与用户触发提交所述用户行为消息时正在访问的在售商品对象构成相似商品。这一商品推荐列表中的目标推荐商品对象是因应用户所访问的在售商品对象动态更新的，即用户重新访问一个新的在售商品对象之后，触发本申请的技术方案的业务逻辑，即将为其推荐的目标商品对象也相应被更新，故此，实现了用户即时行为事件与为其推荐的目标商品对象之间的动态关联。

步骤S1400、响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表：

当用户在客户端的应用程序或网页上切换到某些触发获取商品推荐列表的页面时，例如一个包含商品对象广告栏的页面，或者进入一个专用的获取用户可能喜欢的“猜您喜欢”页面时，相应也便会触发一个商品推荐请求，本申请的服务器接收该商品推荐请求之后，便向该用户推送最新的所述商品推荐列表。

用户的客户端接收到所述商品推荐列表之后，对其进行解析，然后将其显示到图形用户界面上，达到商品推荐的目的。

不难理解，本典型实施例中，本申请利用消息队列机制来接收用户访问商品对象时实时触发的用户行为消息，通过消息队列排队出列后，由系统在后台及时生成与该用户行为消息中包含的用户访问的商品对象相对应的商品推荐列表，商品推荐列表中的目标商品对象来源于一个预构造的商品相似度信息矩阵，该商品相似度信息矩阵存储了商品对象与其他商品对象之间的相似度数据，据此，本申请可以快速地从商品相似度信息矩阵中确定与用户刚刚访问的商品对象相似的目标商品对象推荐给用户，用户据此可以获得与其刚刚实施的用户行为所指向的商品对象相对应的相似商品，所推荐的商品更容易密切满足用户需求，实现了用户即时行为所产生的数据与被推荐的目标商品对象之间的匹配度。

请参阅图2，深化的实施例中，所述步骤S1300、从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，包括如下步骤：

步骤S1310、获取所述在售商品对象的唯一性特征信息，该唯一性特征信息与所述商品相似度信息矩阵的维度标签之间具有一一对应映射关系：

如前所述，所述在售商品对象的唯一性特征信息可以是其SKU或SPU，本实施例中，进一步通过查询一个映射表格获得所述在售商品对象相应的唯一性特征信息，该唯一性特征信息是所述商品相似度信息矩阵中的一个维度标签。所述映射表格中，存储着所有商品对象的SKU或SPU到商品相似度信息矩阵的维度标签之间的映射关系数据，故可据该映射表格确定在售商品对象在商品相似度信息矩阵中相对应的维度标签，以该维度标签作为在售商品对象的唯一性特征信息，以便直接在所述商品相似度信息矩阵中实施查询操作。

步骤S1320、根据所述唯一性特征信息查询商品相似度信息矩阵，确定该在售商品对象相对应的行向量，所述行向量的每个元素存储用于度量该在售商品对象与一个相应的候选商品对象之间的相似度的相似数值：

所述商品相似度信息矩阵可以看成一个向量矩阵，由此，其每一个行向量便对应存储一个在售商品对象对应多个其他商品对象的所有相似数值，即行向量中的每一个元素存储该在售商品对象与一个对应的商品对象之间的相似数值，该矩阵的行坐标和列坐标均以维度标签进行标示，而所述维度标签则通过所述映射表格与商品对象的SKU或SPU相映射，故此，确定了所述的维度标签，实际上也便确定了其相应的商品对象，反之亦然，根据一个维度标签，也便可以确定该矩阵中相应的商品对象的行向量。

在本申请的变通实施的实施例中，所述商品相似度信息矩阵也可以其他方式表示，例如通过Redis数据库的Key-Value形式来存储，其中，以每个在售商品对象的SKU、SPU或维度标签为其键域(Key)的值，以其相比较的商品对象的SKU、SPU或维度标签及两者比较所得的相似数值构成的信息对存储于为其值域(Value)的值，同理可起到与本实施例等同替换的效果，对此，本领域技术人员应当理解，而不应以此限缩本申请的创造精神所应涵盖的范围。

步骤S1330、根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象：

如前所述，每个在售商品对象的行向量中，包括多个元素，每个元素相对应的维度标签指向不同的商品对象，因此，可以该行向量所有元素对应的商品对象确定为与在售商品对象满足相似匹配条件的候选商品对象。这种情况下，所述匹配条件即指行向量中所有相似数值均可，一般对应于所述商品相似度信息矩阵在构造之时便已按照一定的相似度阈值筛选出有限个商品对象的相似数值用于构造所述行向量的情况。

变通的实施例中，也可通过设置更高相似度阈值，或者设置筛选个数来作为行向量中元素的匹配条件以便进一步精简行向量中的元素，以便确定有限多个候选对象，对此，后续的实施例将进一步说明。

步骤S1340、构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中：

获得所述多个候选商品对象之后，便可将其中至少一个或者多个候选商品对象作为目标商品对象添加至一个已清空的商品推荐列表中，完成商品推荐列表的构造。在此过程中，当然还可对所述候选商品对象进一步优选，对此，后文将示例说明，此处暂且不表。

本实施例给出了从所述商品相似度信息矩阵中查询获取与在售商品对象构成相似的候选商品对象，并从候选商品对象中确定目标商品对象构造出商品推荐列表的具体实现方案，可以看出，通过查询预先构造的商品相似度信息矩阵，无需即时去电商平台的商品数据库调用海量的商品数据进行实时比较，可以大大提升相似商品对象的检索效率，缩短服务器的响应时间，改善客户端的人机交互体验。

请参阅图3，具体化的一种实施例中，所述步骤S1330、根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象，包括如下步骤：

步骤S1331、根据所述相似数值对所述在售商品对象相对应的行向量进行排序：

某些实施例中，商品相似度信息矩阵内，各个行向量内部已经预先进行排序，故本步骤主要针对行向量中各元素未按相似数值排序的情况选用实施，对行向量中的各个元素按相似数值进行排序，主要是为了方便进一步从所有元素对应的所有候选商品对象中选取有限多个，以便实现对目标商品对象的精简选优。

步骤S1332、根据预设的相似匹配条件从排序后的行向量中优选出相似数值最大的多个元素：

采用TopN策略，给定的个自然数定值N，表示需要从排序后的元素中选取N个元素，以筛选出N个相应的候选对象。通常按相似数值最大向最小的方向选取，最终选取出N个相似数值最大的元素所对应的候选商品对象。

步骤S1333、根据优选出的元素在所述商品相似度信息矩阵中的维度标签确定其相对应的满足所述相似匹配条件的多个候选商品对象：

如前所述，商品相似度信息矩阵是一个行列矩阵，本质上是一个列表，因此具有与其行和列相对应的坐标信息，每一行或列均以指示商品对象的维度标签作为索引，因此，优选出所述的元素之后，只要根据指示这些元素的列坐标的维度标签对应确定其相应的多个候选商品对象即可，自然的，这些候选商品对象均满足所述相似匹配条件。

本实施例中可以基于相似数值实现对与在售商品对象相似的候选商品对象的进一步优选，以便适应候选商品对象过多的情况，以此来减小后续需要处理的数据量，确保服务器的处理和响应效率。

请参阅图4，具体化的另一实施例中，所述步骤S1340、构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

步骤S1341、调用根据商品对象的访问热度确定的热度参考信息，获得满足所述相似匹配条件的多个候选商品对象相对应的商品热度数据：

本申请可以进一步预备一个访问热度统计数据表，其根据针对商品对象召回的用户访问行为数据和/或者其他排行数据，和/或其他同类数据进行统计，统计出各个商品对象在最近一个统计时间周期内的访问热度，这一访问热度顾名思义，表示一个商品对象的受欢迎程度，由此可以其进一步对本申请的候选商品对象进行精选，以使精选出来的候选商品对象更容易满足用户需求。

本实施例为了构造商品推荐列表，首先调用存储所述访问热度的热度参考信息，然后从中查询到本申请所确定的多个候选商品对象相对应的商品热度数据。

步骤S1342、从满足所述相似匹配条件的多个候选商品对象中过滤掉商品热度数据低于预设阈值的候选商品对象，获得剩余的至少一个目标商品对象：

利用一个预设阈值来表示候选商品对象的访问热度门槛，然后，对所述候选商品对象进行筛选，将其中商品热度数据低于该预设阈值的候选商品对象删除，剩余部分候选商品对象，即为精选出来的候选商品对象，可以作为本申请构造商品推荐列表所需的目标商品对象。

步骤S1343、构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片：

如果此前未为用户生成构造商品推荐列表，则可先创建一个空表，如果已经存在用户相对应的商品推荐列表，则可对其清空获得空表，在此基础上，将各个所述的目标商品对象添加到该空表中即可。

在将所述目标商品对象添加到空表中时，可以先行构造其摘要信息，具体而言，可以依据目标商品对象的SKU、SPU或其他唯一性特征信息，从电商平台的商品数据库中查询调用其相应的商品摘要文本以及商品图片构成所述的摘要信息，再存储到所述的空表中。

客户端接收到该商品推荐列表后，将其对应解析显示，即可看到各个目标商品对象相对应的摘要信息。

本实施例引用商品对象的商品热度数据对优选出的候选商品对象进行精选，从中过滤掉访问热度较低的候选商品对象，精选出用于推荐给用户的目标商品对象，由于所述商品热度数据表征了各个候选商品对象的访问热度，具有更高的刺激用户购买欲的销售潜力，因此，更能提升目标商品对象与用户访问行为之间的匹配度，更精准命中用户需求。

请参阅图5，具体化的另一实施例中，所述步骤S1340、构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

步骤S1341’、调用提供所述用户行为消息的目标用户的历史订单数据确定其已购买商品对象：

为了避免为用户推荐其已购买的商品，可以调用该用户的历史订单数据来确定其已购买商品对象。

由于本申请主要是由消息线程消费所述的用户行为消息，因此，所述的消息线程可以直接确定用户行为消息所属的用户，从而以其为目标用户，获取目标用户的历史订单数据来确定目标用户的已购买商品对象。

步骤S1342’、从满足所述相似匹配条件的多个候选商品对象中过滤掉所述已购买商品对象，获得剩余的至少一个目标商品对象：

直接从之前已经确定的候选商品对象中过滤掉所述的已购买商品对象即可，剩余的候选商品对象，即为本实施例精选出的目标商品对象。

步骤S1343’、构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片：

将所述目标商品对象添加到空表中时，可以先行构造其摘要信息，具体而言，可以依据目标商品对象的SKU、SPU或其他唯一性特征信息，从电商平台的商品数据库中查询调用其相应的商品摘要文本以及商品图片构成所述的摘要信息，再存储到所述的空表中。

客户端接收到该商品推荐列表后，将其对应解析显示，即可看到各个目标商品对象相对应的摘要信息。

本实施例引用目标用户的历史订单数据对优选出的候选商品对象进行精选，从中过滤掉目标用户已购买的商品，精选出目标用户未购买的目标商品对象，从而避免对目标用户产生无效推荐数据，更能提升目标商品对象与用户访问行为之间的匹配度，更精准命中用户需求。

请参阅图6，扩展的实施例中，为了实现预先构造所述的商品相似度信息矩阵，本申请的商品对象推荐方法包括如下用于构造所述商品相似度信息矩阵的步骤：

步骤S2100、基于商品数据库中商品对象的商品图片的图像特征信息构造两两商品对象之间的图像特征相似度矩阵，使每种商品对象与其他商品对象之间的相似数值存储于同一行向量中：

可以利用一个经预训练的神经网络模型，例如Resnet、Efficent网络模型等，将电商平台的商品数据库中的商品对象的商品图片的图像特征信息提取出来，每个商品对象优选一个商品图片即可。利用Faiss或者Annoy框架，构造所有图像特征信息的向量索引，然后基于图像特征信息，应用例如余弦相似度算法，计算两两商品对象之间的相似数值，便可获得一个图像特征相似度矩阵，矩阵中的每个元素表征了两两商品对象之间的相似度，其中每一个行向量便包含了该行向量相对应的维度标签所指向的商品对象与其他所有商品对象之间的相似数值。

优化的实施例中，可对所述图像特征相似度矩阵中各个行向量内的元素进行优选，每个行向量优选出相似数值最大的额定多个元素，由此每个商品对象仅保留与其构成相似的额定多个商品对象的相似数值。

步骤S2200、基于商品数据库中的商品对象的文本信息提取出各商品对象的分类标签，确定两两商品对象之间的分类标签相似数值，构造为文本特征相似度矩阵：

可以采用NLP技术，将电商平台的商品数据库中的商品对象的标题、描述、属性等信息进行文本特征提取，在进行文本特征提取之前可先进行数据清理，在文本特征提取的基础上确定其每个商品对象相对应的多个分类标签，由此也便确定了每个分类标签相对应的商品对象。

两两商品对象之间，彼此拥有的分类标签可能有重合，由此可以将两个商品对象基于分类标签重合确定的交并比指标转换为两两商品对象之间的相似数值，从而参照所述图像特征相似度矩阵的结构，构造出文本特征相似度矩阵。

步骤S2300、根据相同的两两商品对象确定对应关系，将所述图像特征相似度矩阵与所述文本特征相似度矩阵中具有所述对应关系的相似数值进行线性融合，而构造出商品相似度信息矩阵，该矩阵中，每种商品对象与其他商品对象之间的相似数值存储于同一行向量中：

所述文本特征相似度矩阵与所述图像特征相似度矩阵具有相同的结构，因此其各个元素一一相应，且均指示同一对商品对象之间的不同性质的相似数值，在此基础上，将两者进行向量间相加求均值获得商品相似度信息矩阵，便可实现将两个相似度矩阵进行线性融合。当然，实现线性融合的方式可由本领域技术人员灵活变换，例如采用向量间加权求和后再求均值，或者直接向量相加也可。

步骤S2400、针对商品相似度信息矩阵中的同一行向量，根据相似数值大小进行排序：

最后，在商品相似度信息矩阵的基础上，可以将其转换为Redis之类的数据存储结构，由此，商品相似度信息矩阵中的行坐标上的维度标签可以被用于Key-Value中的键域的值，而整个行向量的各个元素，关联其对应的列坐标的维度标签，一一合并后，可以存储为该Key-Value的值域的值。

本实施例给出构造所述商品相似度信息矩阵的一个示例，当然，本领域技术人员根据此一示例所揭示的原理，变换多种实施方式，只要可以构造出本申请所需的商品相似度信息矩阵即可，并且本申请的商品相似度信息矩阵仅仅是一个代称，其表现在数据存储形式上，并不局限于数学意义上的矩阵形式，而应当理解为包括各种类型数据库的任意存储形式。

本实施例给出的商品相似度信息矩阵，同时融合了商品对象的商品图片和文本信息两类信息来源作为相似度信息的参考信息，其中，商品图片在图像层面上确定商品对象之间的相似度，而文本信息则在文本语义层面上确定商品对象之间的相似度，两者最终融合在一起，因此，使得商品相似度信息矩阵能够更为精准地表示商品对象之间的实际相似度，使得本申请所确定的目标商品对象与用户行为消息中的在售商品对象的对应关系更加密切，大大提升了为用户匹配相似商品的匹配效率。

本申请的商品推荐方法的应用场景较为广泛，例如，用户进入“猜您喜欢”之类的专栏网页中查看可能符合自己潜在需求的产品时，便可采用本方法为其创建商品推荐列表，最终在该专栏网页中展示商品推荐列表中的商品。又如，用户进入某一网页，该网页中具有商品广告栏，该商品广告栏也可以展示本申请为该用户推荐的目标商品对象。再如，用户从一个售卖某种在售商品对象的直播间切换到另一直播间时，可以利用本方法为该用户确定当前直播间在售的且与所述在售商品对象相似的目标商品对象。诸如此类，只要需要为用户推荐目标商品对象，均可应用本申请的技术方案，满足用户需求。

请参阅图7，本申请提供的一种商品对象推荐装置，适应本申请的商品对象推荐方法进行功能化部署，包括：消息入列模块1100、消息出列模块1200、相似匹配模块1300，以及商品推荐模块1400，其中，所述消息入列模块1100，用于接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中；所述消息出列模块1200，用于监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象；所述相似匹配模块1300，用于从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象；所述商品推荐模块1400，用于响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表。

深化的实施例中，所述相似匹配模块1300包括：对象获取子模块，用于获取所述在售商品对象的唯一性特征信息，该唯一性特征信息与所述商品相似度信息矩阵的维度标签之间具有一一对应映射关系；相似查询子模块，用于根据所述唯一性特征信息查询商品相似度信息矩阵，确定该在售商品对象相对应的行向量，所述行向量的每个元素存储用于度量该在售商品对象与一个相应的候选商品对象之间的相似度的相似数值；候选确定子模块，用于根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象；列表构造子模块，用于构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中。

具体化的实施例中，所述候选确定子模块包括：向量排序单元，用于根据所述相似数值对所述在售商品对象相对应的行向量进行排序；元素优选单元，用于根据预设的相似匹配条件从排序后的行向量中优选出相似数值最大的多个元素；元素确定单元，用于根据优选出的元素在所述商品相似度信息矩阵中的维度标签确定其相对应的满足所述相似匹配条件的多个候选商品对象。

具体化的实施例中，所述列表构造子模块包括：热度引用单元，用于调用根据商品对象的访问热度确定的热度参考信息，获得满足所述相似匹配条件的多个候选商品对象相对应的商品热度数据；候选过滤单元，用于从满足所述相似匹配条件的多个候选商品对象中过滤掉商品热度数据低于预设阈值的候选商品对象，获得剩余的至少一个目标商品对象；列表定制单元，用于构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

具体化的实施例中，所述列表构造子模块包括：已访确定单元，用于调用提供所述用户行为消息的目标用户的历史订单数据确定其已购买商品对象；已访过滤单元，用于从满足所述相似匹配条件的多个候选商品对象中过滤掉所述已购买商品对象，获得剩余的至少一个目标商品对象；列表定制单元，用于构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

深化的实施例中，所述消息入列模块1100被配置为接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，判断预设的用户行为队列是否处于拥塞状态，若处于拥塞状态，启用异步用户行为队列，将所述用户行为消息添加到该异步用户行为队列中，否则将该用户行为消息添加到预设的用户行为队列中。

扩展的实施例中，本申请的商品对象推荐装置包括如下用于构造所述商品相似度信息矩阵的结构：图片相似度模块，用于基于商品数据库中商品对象的商品图片的图像特征信息构造两两商品对象之间的图像特征相似度矩阵，使每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；文本相似度模块，用于基于商品数据库中的商品对象的文本信息提取出各商品对象的分类标签，确定两两商品对象之间的分类标签相似数值，构造为文本特征相似度矩阵；线性融合模块，用于根据相同的两两商品对象确定对应关系，将所述图像特征相似度矩阵与所述文本特征相似度矩阵中具有所述对应关系的相似数值进行线性融合，而构造出商品相似度信息矩阵，该矩阵中，每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；相似度排序模块，用于针对商品相似度信息矩阵中的同一行向量，根据相似数值大小进行排序。

为解决上述技术问题，本申请实施例还提供计算机设备。如图8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、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读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，可使得处理器执行本申请的商品对象推荐方法。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8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7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子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本申请的商品对象推荐装置中执行所有模块/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。

本申请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本申请任一实施例的商品对象推荐方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本申请任一实施例所述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本申请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)等计算机可读存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

综上所述，本申请能够即时根据用户访问在售商品对象的行为而产生与该在售商品对象构成相似的目标商品对象，匹配精准，适用于多种应用场景。

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：

接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中；

监听从行为消息队列出列的用户行为消息，获取该用户行为消息所指向的在售商品对象；

从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，所述商品推荐列表包含从所述候选商品对象中优选出的目标商品对象；

响应所述目标用户的商品推荐请求，向其推送相应的商品推荐列表。

2.根据权利要求1所述的商品对象推荐方法，其特征在于，从预设的商品相似度信息矩阵中查询获取与该在售商品对象构成相似的候选商品对象以构造商品推荐列表，包括如下步骤：

获取所述在售商品对象的唯一性特征信息，该唯一性特征信息与所述商品相似度信息矩阵的维度标签之间具有一一对应映射关系；

根据所述唯一性特征信息查询商品相似度信息矩阵，确定该在售商品对象相对应的行向量，所述行向量的每个元素存储用于度量该在售商品对象与一个相应的候选商品对象之间的相似度的相似数值；

根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象；

构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中。

3.根据权利要求2所述的商品对象推荐方法，其特征在于，根据所述行向量确定所述相似数值满足相似匹配条件的多个候选商品对象，包括如下步骤：

根据所述相似数值对所述在售商品对象相对应的行向量进行排序；

根据预设的相似匹配条件从排序后的行向量中优选出相似数值最大的多个元素；

根据优选出的元素在所述商品相似度信息矩阵中的维度标签确定其相对应的满足所述相似匹配条件的多个候选商品对象。

4.根据权利要求2所述的商品对象推荐方法，其特征在于，构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

调用根据商品对象的访问热度确定的热度参考信息，获得满足所述相似匹配条件的多个候选商品对象相对应的商品热度数据；

从满足所述相似匹配条件的多个候选商品对象中过滤掉商品热度数据低于预设阈值的候选商品对象，获得剩余的至少一个目标商品对象；

构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

5.根据权利要求2所述的商品对象推荐方法，其特征在于，构造商品推荐列表，将至少一个所述的满足相似匹配条件的候选商品对象作为目标商品对象添加至该商品推荐列表中，包括如下步骤：

调用提供所述用户行为消息的目标用户的历史订单数据确定其已购买商品对象；

从满足所述相似匹配条件的多个候选商品对象中过滤掉所述已购买商品对象，获得剩余的至少一个目标商品对象；

构造商品推荐列表，该商品推荐列表存储各个所述目标商品对象相对应的商品摘要文本及商品图片。

6.根据权利要求1至5中任意一项所述的商品对象推荐方法，其特征在于，接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，将其添加到行为消息队列中，包括：

接收客户端响应用户访问在售商品对象的行为而提交的用户行为消息，判断预设的用户行为队列是否处于拥塞状态，若处于拥塞状态，启用异步用户行为队列，将所述用户行为消息添加到该异步用户行为队列中，否则将该用户行为消息添加到预设的用户行为队列中。

7.根据权利要求1至5中任意一项所述的商品对象推荐方法，其特征在于，本方法包括如下用于构造所述商品相似度信息矩阵的步骤：

基于商品数据库中商品对象的商品图片的图像特征信息构造两两商品对象之间的图像特征相似度矩阵，使每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；

基于商品数据库中的商品对象的文本信息提取出各商品对象的分类标签，确定两两商品对象之间的分类标签相似数值，构造为文本特征相似度矩阵；

根据相同的两两商品对象确定对应关系，将所述图像特征相似度矩阵与所述文本特征相似度矩阵中具有所述对应关系的相似数值进行线性融合，而构造出商品相似度信息矩阵，该矩阵中，每种商品对象与其他商品对象之间的相似数值存储于同一行向量中；

针对商品相似度信息矩阵中的同一行向量，根据相似数值大小进行排序。

8.一种计算机设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至6中任意一项所述的方法的步骤。

9.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至6中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任意一项中所述方法的步骤。

Images