CN114022248A - 产品推荐计算方法、装置和设备 - Google Patents

Abstract

本申请提供的一种产品推荐计算方法、装置和设备，涉及产品推荐系统技术领域。通过获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值；获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的；将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值；根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值；根据各产品的综合热度值，向用户推荐产品。采用本技术方案，能够准确地计算出所有上线产品的产品热度值，并能够提升热门榜单产品的转化率，进而便于向用户推荐产品。

Description

产品推荐计算方法、装置和设备

技术领域

本申请涉及产品推荐系统技术领域，尤其涉及一种产品推荐计算方法、装置和设备。

背景技术

传统的金融产品热度榜单依赖统计学思想，根据产品交易量、产品浏览量和产品关注量得到各种统计产品热度榜单，并推荐给用户。

但是，目前的这种方式对于新上线的产品或者产品周期短的产品非常不友好，因为，新上线的产品或者产品周期短的产品的产品交易量、产品浏览量和产品关注量在某种程度上不如产品周期长的产品的产品交易量、产品浏览量和产品关注量，这样会造成产品榜单结果的不准确性。

因此，亟需一种热度值计算方法，能够准确地计算出所有上线产品的产品热度值，并能够提升热门榜单产品的转化率，进而便于向用户推荐产品。

发明内容

本申请提供一种产品推荐计算方法、装置和设备，能够准确地计算出所有上线产品的产品热度值，并能够提升热门榜单产品的转化率，进而便于向用户推荐产品。

一方面，本申请提供一种产品推荐方法，所述方法包括：

获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值；

获取预设时间段内所述每一产品的统计热度值；其中，所述统计热度值是根据预设时间段内用户行为计算得到的；

将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值；

根据所述每一产品的初始热度值、所述每一产品的统计热度值和所述每一产品的预测热度值，确定所述每一产品的综合热度值；

根据各所述产品的综合热度值，向用户推荐产品。

可选的，获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值，包括：

获取所述每一产品的至少一个属性信息，确定所述每一产品的每一个属性信息的类型；

根据所述每一产品的每一个属性信息的类型，确定所述类型对应的热度值权重的数值；

根据所述类型对应的热度值权重的数值，确定所述每一产品的初始热度值。

可选的，根据所述类型对应的热度值权重的数值，确定所述每一产品的初始热度值，包括：

将所述类型对应的热度值权重的数值进行加和，得到第一处理结果；

将所述第一处理结果进行归一化处理，得到所述每一产品的初始热度值。

可选的，在将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值之前，还包括：

根据预设时间段内所述每一产品的统计热度值，得到所述预设模型。

可选的，根据预设时间段内所述每一产品的统计热度值，得到所述预设模型，包括：

将预设时间段内所述每一产品的统计热度值排序高的产品设为正样本，将预设时间段内所述每一产品的统计热度值排序低的产品设为负样本；

将预设时间段内所述每一产品的至少一个属性信息归类并对归类后的数值进行数值处理，得到第二处理结果；

将所述第二处理结果按照预设算法训练，得到所述预设模型。

可选的，预设时间段内统计热度值排序高的产品的数量与预设时间段内统计热度值排序低的产品的数量相同。

可选的，获取预设时间段内所述每一产品的统计热度值，包括：

根据获取到的用户行为的类型，分配不同的权重数值；

根据所述用户行为的次数和所述权重数值，确定当前统计热度值；

根据当前统计热度值和历史同时期统计热度值，确定预设时间段内所述每一产品的统计热度值。

可选的，根据当前统计热度值和历史同时期统计热度值，确定预设时间段内所述每一产品的统计热度值，包括：

计算所述当前统计热度值的时间衰减因子和所述历史同时期统计热度值的时间衰减因子；

根据当前统计热度值的数值、所述当前统计热度值的时间衰减因子、所述历史同时期统计热度值的数值和所述历史同时期统计热度值的时间衰减因子，确定预设时间段内所述每一产品的统计热度值。

另一方面，本申请提供一种产品推荐装置，包括：

属性信息获取模块，用于获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值；

统计热度值获取模块，用于获取预设时间段内所述每一产品的统计热度值；其中，所述统计热度值是根据预设时间段内用户行为计算得到的；

预测热度值确定模块，用于将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值；

综合热度值确定模块，用于根据所述每一产品的初始热度值、所述每一产品的统计热度值和所述每一产品的预测热度值，确定所述每一产品的综合热度值；

推荐模块，用于根据各所述产品的综合热度值，向用户推荐产品。

可选的，属性信息获取模块，包括：

类型确定单元，用于获取所述每一产品的至少一个属性信息，确定所述每一产品的每一个属性信息的类型；

热度值权重数值确定单元，用于根据所述每一产品的每一个属性信息的类型，确定所述类型对应的热度值权重的数值；

初始热度值确定单元，用于根据所述类型对应的热度值权重的数值，确定所述每一产品的初始热度值。

可选的，初始热度值确定单元，包括：

第一处理结果确定子单元，用于将所述类型对应的热度值权重的数值进行加和，得到第一处理结果；

初始热度值确定子单元，用于将所述第一处理结果进行归一化处理，得到所述每一产品的初始热度值。

可选的，所述装置，还包括：

预设模型确定模块，用于根据预设时间段内所述每一产品的统计热度值，得到所述预设模型。

预设模型确定模块，包括：

设置单元，用于将预设时间段内所述每一产品的统计热度值排序高的产品设为正样本，将预设时间段内所述每一产品的统计热度值排序低的产品设为负样本；

第二处理结果单元，用于将预设时间段内所述每一产品的至少一个属性信息归类并对归类后的数值进行数值处理，得到第二处理结果；

预设模型确定单元，用于将所述第二处理结果按照预设算法训练，得到所述预设模型。

可选的，预设时间段内统计热度值排序高的产品的数量与预设时间段内统计热度值排序低的产品的数量相同。

统计热度值获取模块，包括：

权重数值确定单元，用于根据获取到的用户行为的类型，分配不同的权重数值；

当前统计热度值确定单元，用于根据所述用户行为的次数和所述权重数值，确定当前统计热度值；

统计热度值确定单元，用于根据当前统计热度值和历史同时期统计热度值，确定预设时间段内所述每一产品的统计热度值。

可选的，统计热度值确定单元，包括：

计算子单元，用于计算所述当前统计热度值的时间衰减因子和所述历史同时期统计热度值的时间衰减因子；

统计热度值确定子单元，用于根据当前统计热度值的数值、所述当前统计热度值的时间衰减因子、所述历史同时期统计热度值的数值和所述历史同时期统计热度值的时间衰减因子，确定预设时间段内所述每一产品的统计热度值。

本申请提供的一种产品推荐计算方法、装置和设备，通过获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值；获取预设时间段内所述每一产品的统计热度值；其中，所述统计热度值是根据预设时间段内用户行为计算得到的；将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值；根据所述每一产品的初始热度值、所述每一产品的统计热度值和所述每一产品的预测热度值，确定所述每一产品的综合热度值；根据各所述产品的综合热度值，向用户推荐产品。采用本技术方案，能够准确地计算出所有上线产品的产品热度值，并能够提升热门榜单产品的转化率，进而便于向用户推荐产品。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据本申请实施例一提供的一种产品推荐方法的流程示意图；

图2是根据本申请实施例二提供的一种产品推荐方法的流程示意图；

图3是根据本申请实施例三提供的一种产品推荐方法的流程示意图；

图4是根据本申请实施例四提供的一种产品推荐装置的示意图；

图5是根据本申请实施例五提供的一种产品推荐装置的示意图；

图6是根据一示例性实施例示出的一种终端设备的框图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

本申请具体的应用场景是在金融产品的推荐榜单中推荐产品，而在推荐榜单中由于产品上线时间和产品受欢迎程度不同，因此，造成产品的热度不同。

本申请提供的一种产品推荐方法，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1是根据本申请实施例一提供的一种产品推荐方法的流程示意图。实施例一中包括如下步骤：

S101、获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值。

示例性地，属性信息是用于表征产品当前特性的信息，同一个产品的属性信息可以有多种，例如，本实施例中的属性信息可以包括产品周期、产品收益率、起购金额、风险等级、赎回期限和基金公司。其中，产品周期的类型也是多种的，可以是按日计算的，也可以是按月计算的，还可以是按季度计算的。进一步地，风险等级的类型也是多种的，可以是低风险等级、中风险等级和高风险等级。

每一个产品的每一个属性信息对应不同的初始热度值，该初始热度值可以由用户预先进行设置，值得注意的是，初始热度值的范围在0-1之间，若用户将该数值设为0.8，则说明该初始热度值越高。

S102、获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的。

本实施例中，预设时间段是以当前时刻为起点，以过去某一个时刻为终点来计算的。例如，当前时刻为2021年9月30日，过去某个时刻为2021年6月30日，则预设时间段为3个月，则需要计算3个月内的每一产品的统计热度值。进一步地，这3个月的统计热度值是根据这3个月内用户对每一产品的操作计算得到的。其中，受用户欢迎程度越高的产品的统计热度值也越高。值得注意的是，统计热度值的范围也是在0-1之间，越接近1，则统计热度值越高，也表明预设时间段内受用户的欢迎程度越高。

例如，统计热度值为0.8的产品就比统计热度值为0.3的产品在预设时间段内的用户受欢迎程度高。

S103、将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值。

示例性地，预设模型可以是朴素贝叶斯模型，也可以是梯度提升决策树模型。其中，

朴素贝叶斯模型是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立，也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。梯度提升决策树模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。

本实施例中，预测热度值是由预设模型进行输出的，是根据历史情况对每一产品的热度值进行预测，具体的，每一产品的预测热度值都是不同的。

S104、根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值。

示例性地，在获取到每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，能够根据这三者计算该产品的综合热度值，若该产品为刚上线的产品，则可以将初始热度值的数值设置大一些，这样可以保证该产品的总和热度值比较高，有利于新产品的推荐。

S105、根据各产品的综合热度值，向用户推荐产品。

本实施例中，在得到各个产品的总和热度值之后，根据综合热度值的排序，对产品进行推荐，具体的，综合热度值越高的产品，则可以优先推荐给用户。例如，综合热度值的排序为产品A、产品B和产品C，则可以优先将产品A推荐给用户。

本申请提供的一种产品推荐计算方法，通过获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值；获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的；将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值；根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值；根据各产品的综合热度值，向用户推荐产品。采用本技术方案，能够准确地计算出所有上线产品的产品热度值，并能够提升热门榜单产品的转化率，进而便于向用户推荐产品。

图2是根据本申请实施例二提供的一种产品推荐方法的流程示意图。实施例二中包括如下步骤：

S201、获取每一产品的至少一个属性信息，确定每一产品的每一个属性信息的类型。

示例性地，本步骤可以参见上述步骤S101，不再赘述。

S202、根据每一产品的每一个属性信息的类型，确定类型对应的热度值权重的数值。

示例性地，每一产品的每一个属性信息的类型是不同的，而不同的属性信息对应的热度值权重的数值也是不同的。例如，A产品属性信息为产品周期，产品周期的类型有按日计算的，按日计算这个类型对应的热度值权重的数值可以是1.0，产品周期的类型如果是按月计算的，按月计算这个类型对应的热度值权重的数值可以是0.7。

S203、根据类型对应的热度值权重的数值，确定每一产品的初始热度值。

示例性地，在确定类型对应的热度值权重的数值后，将该数值作为该产品的初始热度值，例如，若当前产品的一个属性信息类型对应的热度值权重的数值为0.7，另一个属性信息类型对应的热度值权重的数值为0.6，则该产品的初始热度值是结合两个数值后得到的结果。

在一个可选的实施例中，根据类型对应的热度值权重的数值，确定每一产品的初始热度值，包括：

将类型对应的热度值权重的数值进行加和，得到第一处理结果；将第一处理结果进行归一化处理，得到每一产品的初始热度值。

本实施例中，当前产品的一个属性信息类型对应的热度值权重的数值为0.7，另一个属性信息类型对应的热度权重的数值为0.6，则将两者进行加和计算后，得到第一处理结果为1.3，具体的，将第一处理结果1.3归一化处理，计算的值为1.3除以2，则得到该产品的初始热度值为0.65，则当前产品的初始热度值为0.65。

S204、获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的。

示例性地，本步骤可以参见上述步骤S102，不再赘述。

S205、根据预设时间段内每一产品的统计热度值，得到预设模型。

本实施例中，预设时间段可以由用户自行设置，可以是以当前时刻为起点，以3个月的时间段为预设时间段，通过获取这个时间段内的每一个产品的统计热度值，并用以上的统计热度值作为样本训练预设模型。

在一个可选的实施例中，根据预设时间段内每一产品的统计热度值，得到预设模型，包括：

将预设时间段内每一产品的统计热度值排序高的产品设为正样本，将预设时间段内每一产品的统计热度值排序低的产品设为负样本；将预设时间段内每一产品的至少一个属性信息归类并对归类后的数值进行数值处理，得到第二处理结果；将第二处理结果按照预设算法训练，得到预设模型。

示例性的，统计热度值的数值范围为0-1之间，统计热度值排序高的产品的数值比较靠近1，将统计热度值排序高的产品作为正样本。统计热度值排序低的产品的数值比较靠近0，将统计热度值排序低的产品作为负样本。本实施例中，在获取到每一产品的属性信息后，判断该产品的属性信息的数值和该产品的属性信息的类型，在确定好所属的属性信息的数值和属性信息的类型后，确定相应的权重数值，若当前的数值为连续型数值特征，则对该连续性数值特征进行分桶处理，并对离散值和分桶值进行OneHot编码。其中，OneHot编码为独热编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候，其中只有一位有效。在对归类后的数值进行数值处理后，则得到第二处理结果，并将第二处理结果按照朴素贝叶斯模型算法和迭代的决策树模型算法，得到预设模型。

在一个可选的实施例中，预设时间段内统计热度值排序高的产品的数量与预设时间段内统计热度值排序低的产品的数量相同。

本实施例中，为了保证训练的预设模型的准确性，在获取正样本和负样本时，需要使得正样本的数量和负样本的数量是相同的，这样不会出现由于样本选择不当而导致的预设模型不准确。

S206、将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值。

示例性地，本步骤可以参见上述步骤S103，不再赘述。

S207、根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值。

示例性地，本步骤可以参见上述步骤S104，不再赘述。

S208、根据各产品的综合热度值，向用户推荐产品。

示例性地，本步骤可以参见上述步骤S105，不再赘述。

本申请提供的一种产品推荐计算方法，通过获取每一产品的至少一个属性信息，根据每一产品的每一个属性信息的类型，确定类型对应的热度值权重的数值，根据类型对应的热度值权重的数值，确定每一产品的初始热度值，获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的，根据预设时间段内每一产品的统计热度值，得到预设模型，将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值；根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值；根据各产品的综合热度值，向用户推荐产品。采用本技术方案，能够通过产品的属性信息的类型确定初始热度值，并结合统计热度值和预测热度值最终确定产品的综合热度值，由于产品的初始热度值是可以预先进行设置的，则可以增加新上线产品的产品热度值，能够将新产品进行快速转化，进而便于向用户推荐产品。

图3是根据本申请实施例三提供的一种产品推荐方法的流程示意图。实施例三中包括如下步骤：

S301、获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值。

示例性地，本步骤可以参见上述步骤S101，不再赘述。

S302、根据获取到的用户行为的类型，分配不同的权重数值。

本实施例中，用户行为的类型可以是用户购买产品、用户点击产品和用户分享产品,而对于不同的用户行为的类型的权重是不同的，其中，用户购买产品的权重可以是1.0，用户点击产品的权重可以是0.6，用户分享产品的权重可以是0.8。

S303、根据用户行为的次数和权重数值，确定当前统计热度值。

本实施例中，可以通过用户行为的次数和该行为对应的权重数值的乘积得到当前统计热度值，具体的，可以通过如下公式进行计算：H(T)＝C·B，其中，H(T)为当前统计热度值，C为用户行为的次数，B为权重数值。例如，用户行为为分享产品，且用户分享产品的次数为100次，用户分享产品的权重数值为0.8，则当前统计热度值为100*0.8。

S304、根据当前统计热度值和历史同时期统计热度值，确定预设时间段内每一产品的统计热度值。

本实施例中，当前统计热度值能够说明该产品当下的统计热度值，而历史同时期统计热度值是指在该产品之前的统计热度值，根据这两个数据可以确定预设时间段内的统计热度值。

可选的，根据当前统计热度值和历史同时期统计热度值，确定预设时间段内每一产品的统计热度值，包括：

计算当前统计热度值的时间衰减因子和历史同时期统计热度值的时间衰减因子；根据当前统计热度值的数值、当前统计热度值的时间衰减因子、历史同时期统计热度值的数值和历史同时期统计热度值的时间衰减因子，确定预设时间段内每一产品的统计热度值。

本实施例中，时间衰减因子是指时间会影响统计热度值的数值，时间越久，统计热度值的数值越小。本实施例中，当前统计热度值的时间衰减因子和历史同时期统计热度值的时间衰减因子均可以由用户自行设置，两者的数值可以设置为相同。例如，当前统计热度值的时间衰减因子和历史同时期统计热度值的时间衰减因子均为d(T)，当前统计热度值的数值为H(T)，历史同时期统计热度值的数为H(T-1)，则预设时间段内该产品的统计热度值的计算为

其中，H为预设时间段内该产品的统计热度值。

S305、将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值。

示例性地，本步骤可以参见上述步骤S103，不再赘述。

S306、根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值。

示例性地，本步骤可以参见上述步骤S104，不再赘述。

S307、根据各产品的综合热度值，向用户推荐产品。

示例性地，本步骤可以参见上述步骤S105，不再赘述。

本申请提供的一种产品推荐计算方法，能够根据获取到的用户行为的类型，分配不同的权重数值，根据用户行为的次数和权重数值，确定当前统计热度值，根据当前统计热度值和历史同时期统计热度值，确定预设时间段内每一产品的统计热度值，采用本技术方案，能够提升统计热度值的准确性，进而提升综合热度值的准确性。

图4是根据本申请实施例四提供的一种产品推荐装置的示意图。实施例四中的装置40包括如下步骤：

属性信息获取模块401，用于获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值；

统计热度值获取模块402，用于获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的；

预测热度值确定模块403，用于将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值；

综合热度值确定模块404，用于根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值；

推荐模块，用于根据各产品的综合热度值，向用户推荐产品。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图5是根据本申请实施例五提供的一种产品推荐装置的示意图。实施例五中的装置50包括如下步骤：

属性信息获取模块501，用于获取每一产品的至少一个属性信息，根据每一产品的至少一个属性信息确定每一产品的初始热度值。

统计热度值获取模块502，用于获取预设时间段内每一产品的统计热度值；其中，统计热度值是根据预设时间段内用户行为计算得到的。

预测热度值确定模块503，用于将每一产品的至少一个属性信息输入至预设模型中，确定每一产品的预测热度值。

综合热度值确定模块504，用于根据每一产品的初始热度值、每一产品的统计热度值和每一产品的预测热度值，确定每一产品的综合热度值；

推荐模块，用于根据各产品的综合热度值，向用户推荐产品。

可选的，属性信息获取模块501，包括：

类型确定单元5011，用于获取每一产品的至少一个属性信息，确定每一产品的每一个属性信息的类型。

热度值权重数值确定单元5012，用于根据每一产品的每一个属性信息的类型，确定类型对应的热度值权重的数值。

初始热度值确定单元5013，用于根据类型对应的热度值权重的数值，确定每一产品的初始热度值。

可选的，初始热度值确定单元5013，包括：

第一处理结果确定子单元50131，用于将类型对应的热度值权重的数值进行加和，得到第一处理结果。

初始热度值确定子单元50132，用于将第一处理结果进行归一化处理，得到每一产品的初始热度值。

可选的，装置，还包括：

预设模型确定模块505，用于根据预设时间段内每一产品的统计热度值，得到预设模型。

预设模型确定模块505，包括：

设置单元5051，用于将预设时间段内每一产品的统计热度值排序高的产品设为正样本，将预设时间段内每一产品的统计热度值排序低的产品设为负样本；

第二处理结果单元5052，用于将预设时间段内每一产品的至少一个属性信息归类并对归类后的数值进行数值处理，得到第二处理结果。

预设模型确定单元5053，用于将第二处理结果按照预设算法训练，得到预设模型。

可选的，预设时间段内统计热度值排序高的产品的数量与预设时间段内统计热度值排序低的产品的数量相同。

统计热度值获取模块502，包括：

权重数值确定单元5021，用于根据获取到的用户行为的类型，分配不同的权重数值。

当前统计热度值确定单元5022，用于根据用户行为的次数和权重数值，确定当前统计热度值。

统计热度值确定单元5023，用于根据当前统计热度值和历史同时期统计热度值，确定预设时间段内每一产品的统计热度值。

可选的，统计热度值确定单元5023，包括：

计算子单元50231，用于计算当前统计热度值的时间衰减因子和历史同时期统计热度值的时间衰减因子。

统计热度值确定子单元50232，用于根据当前统计热度值的数值、当前统计热度值的时间衰减因子、历史同时期统计热度值的数值和历史同时期统计热度值的时间衰减因子，确定预设时间段内每一产品的统计热度值。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图6是根据一示例性实施例示出的一种终端设备的框图，该设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述终端设备的产品推荐方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请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。本申请的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种产品推荐方法，其特征在于，所述方法包括：

获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值；

获取预设时间段内所述每一产品的统计热度值；其中，所述统计热度值是根据预设时间段内用户行为计算得到的；

将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值；

根据所述每一产品的初始热度值、所述每一产品的统计热度值和所述每一产品的预测热度值，确定所述每一产品的综合热度值；

根据各所述产品的综合热度值，向用户推荐产品。

2.根据权利要求1所述的方法，其特征在于，获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值，包括：

获取所述每一产品的至少一个属性信息，确定所述每一产品的每一个属性信息的类型；

根据所述每一产品的每一个属性信息的类型，确定所述类型对应的热度值权重的数值；

根据所述类型对应的热度值权重的数值，确定所述每一产品的初始热度值。

3.根据权利要求2所述的方法，其特征在于，根据所述类型对应的热度值权重的数值，确定所述每一产品的初始热度值，包括：

将所述类型对应的热度值权重的数值进行加和，得到第一处理结果；

将所述第一处理结果进行归一化处理，得到所述每一产品的初始热度值。

4.根据权利要求1所述的方法，其特征在于，在将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值之前，还包括：

根据预设时间段内所述每一产品的统计热度值，得到所述预设模型。

5.根据权利要求4所述的方法，其特征在于，根据预设时间段内所述每一产品的统计热度值，得到所述预设模型，包括：

将预设时间段内所述每一产品的统计热度值排序高的产品设为正样本，将预设时间段内所述每一产品的统计热度值排序低的产品设为负样本；

将预设时间段内所述每一产品的至少一个属性信息归类并对归类后的数值进行数值处理，得到第二处理结果；

将所述第二处理结果按照预设算法训练，得到所述预设模型。

6.根据权利要求5所述的方法，其特征在于，预设时间段内统计热度值排序高的产品的数量与预设时间段内统计热度值排序低的产品的数量相同。

7.根据权利要求1所述的方法，其特征在于，获取预设时间段内所述每一产品的统计热度值，包括：

根据获取到的用户行为的类型，分配不同的权重数值；

根据所述用户行为的次数和所述权重数值，确定当前统计热度值；

根据当前统计热度值和历史同时期统计热度值，确定预设时间段内所述每一产品的统计热度值。

8.根据权利要求7所述的方法，其特征在于，根据当前统计热度值和历史同时期统计热度值，确定预设时间段内所述每一产品的统计热度值，包括：

计算所述当前统计热度值的时间衰减因子和所述历史同时期统计热度值的时间衰减因子；

根据当前统计热度值的数值、所述当前统计热度值的时间衰减因子、所述历史同时期统计热度值的数值和所述历史同时期统计热度值的时间衰减因子，确定预设时间段内所述每一产品的统计热度值。

9.一种产品推荐装置，其特征在于，所述装置包括：

属性信息获取模块，用于获取每一产品的至少一个属性信息，根据所述每一产品的至少一个属性信息确定所述每一产品的初始热度值；

统计热度值获取模块，用于获取预设时间段内所述每一产品的统计热度值；其中，所述统计热度值是根据预设时间段内用户行为计算得到的；

预测热度值确定模块，用于将所述每一产品的至少一个属性信息输入至预设模型中，确定所述每一产品的预测热度值；

综合热度值确定模块，用于根据所述每一产品的初始热度值、所述每一产品的统计热度值和所述每一产品的预测热度值，确定所述每一产品的综合热度值；

推荐模块，用于根据各所述产品的综合热度值，向用户推荐产品。

10.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-8中任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的方法。

12.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。

Images