CN115311042A - 商品推荐方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种商品推荐方法、装置、计算机设备和存储介质。所述方法包括：获取用户画像标签，根据用户画像标签确定目标用户群；根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；利用预先训练的商品点击率预测模型对各个待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；根据各个待推荐商品的点击率分值进行商品推荐。采用本方法能够提高商品推荐的准确性。

Description

商品推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种商品推荐方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，电子商务平台越来越受到关注，然而，商品的数量和种类不断增长，如何从大量商品中为用户精准推荐商品成为急需解决的问题。传统的商品推荐算法精度低、个性化不强，因此，无法为用户准确推荐商品，导致商品点击率、曝光率下降。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高商品推荐准确性的商品推荐方法、装置、计算机设备和存储介质。

一种商品推荐方法，该方法包括：

获取用户画像标签，根据用户画像标签确定目标用户群；

根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；

利用预先训练的商品点击率预测模型对各个待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；

根据各个待推荐商品的点击率分值进行商品推荐。

在其中一个实施例中，根据各个待推荐商品的点击率分值进行商品推荐，包括：

采集各个待推荐商品对应的用户行为信息，根据各用户行为信息确定用户行为分值；

根据各点击率分值以及各用户行为分值对各个待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

在其中一个实施例中，商品画像标签包括价格标签和销量标签，根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，包括：

分别获取目标用户群中各用户的商品数据集；

根据价格标签从各商品数据集中筛选价格符合预设区间的商品以生成商品备选池；

根据销量标签对商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成商品召回池。

在其中一个实施例中，商品点击率预测模型的训练方法包括：

获取样本用户的历史点击行为数据；

根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品；

根据各个特征商品的编码信息生成特征数据；

根据多个样本用户的特征数据组成的特征数据集对商品点击率预测模型进行训练。

在其中一个实施例中，根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品，包括：

将相同的已点击商品对应的点击频次进行合并处理；

根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；

将备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为特征商品。

在其中一个实施例中，根据各个特征商品的编码信息生成特征数据，包括：

确定模型输出商品并获取模型输出商品的编码信息和类别标识；

根据各个特征商品的编码信息为模型输出商品添加点击标签；

根据各个特征商品的编码信息为各个特征商品添加类别标识，

根据各个特征商品的编码信息和类别标识、模型输出商品的编码信息和类别标识以及点击标签生成样本用户的特征数据。

在其中一个实施例中，根据各用户行为信息确定用户行为分值，包括：

根据各用户行为信息分别对各用户行为进行赋值；

对各用户行为所赋的分值分别进行归一化处理；

对归一化处理后的各分值进行求和处理或加权求和处理，得到用户行为分值。

一种商品推荐装置，该装置包括：

目标用户确定模块，用于获取用户画像标签，根据用户画像标签确定目标用户群；

待推荐商品筛选模块，用于根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；

点击率分值预测模块，用于利用预先训练的商品点击率预测模型对各个待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品进行点击行为而生成的行为数据；

商品推荐模块，用于根据各个待推荐商品的点击率分值进行商品推荐。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例的商品推荐方法的步骤。

一种计算机可读存储介质，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实施例的商品推荐方法的步骤。

上述商品推荐方法、装置、计算机设备和存储介质，一方面，根据用户画像标签和商品画像标签筛选符合用户特征的待推荐商品，另一方面，利用基于样本用户的历史点击行为数据所训练的商品点击率预测模型，预测每个待推荐商品的点击率分值，因此，能够将用户画像、商品画像以及用户对商品的行为数据等多个因素进行结合，且融入了基于机器学习模型的预测算法，采用本方案进行商品推荐，能够从多角度评估商品，提高商品推荐的准确性。

附图说明

图1为一个实施例中商品推荐方法的流程示意图；

图2为一个实施例中根据待推荐商品的点击率分值进行商品推荐的步骤的流程示意图；

图3为一个实施例中商品推荐装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

在其中一个实施例中，本申请提供的商品推荐方法可以应用于计算及设备。其中，计算机设备可以是终端或服务器，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

具体地，计算机设备可以获取用户画像标签，根据用户画像标签确定目标用户群；根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；利用预先训练的商品点击率预测模型对各个待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；根据各个待推荐商品的点击率分值进行商品推荐。

在其中一个实施例中，如图1所示，提供了一种商品推荐方法，以该方法应用于服务器为例进行说明，包括以下步骤：

步骤S102：获取用户画像标签，根据用户画像标签确定目标用户群。

其中，目标用户群是指被选定为有待推荐商品的用户群。用户画像标签是指用于对用户进行画像的标签，可以包括年龄、性别、地域、消费力或家庭角色等与用户相关的标签。

具体地，服务器可以根据一个或多个用户画像标签对用户群体进行聚类处理，得到至少一个用户群，从至少一个用户群中筛选有待进行商品推荐的用户群作为目标用户群，目标用户群中包括至少一个用户。

示例性地，可以通过年龄和性别这两个用户画像标签来对用户群体进行聚类，针对聚类后的结果来筛选待推荐商品的目标用户群，筛选出的目标用户群中的各用户的年龄和性别符合预设要求。

步骤S104：根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品。

其中，商品画像标签可以包括商品大类、商品细类、商品销量、商品价格等与商品相关的标签。

具体地，服务器可以根据确定出的目标用户群，获取目标用户群中每个用户所对应的商品数据集，商品数据集可以包括各用户的相关商品的商品信息，商品信息可以包括：商品SKU(Stock Keeping Unit，库存量单位)编码、商品价格、商品历史销量等信息，服务器可以将用户指定的一个或多个商品画像标签作为筛选依据，从目标用户群的各用户的商品数据集中筛选一定数量的商品以创建商品召回池。

在其中一个实施例中，商品画像标签可以包括价格标签和销量标签，根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，包括：分别获取目标用户群中各用户的商品数据集；根据价格标签从各商品数据集中筛选价格符合预设区间的商品以生成商品备选池；根据销量标签对商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成商品召回池。

在本实施例中，可以选择与用户行为具有较高关联度的两个标签，例如价格标签和销量标签，以此作为商品筛选的依据，从而能够提高商品召回池中商品筛选的准确性。

示例性地，在将所有用户聚类为多个用户群之后，确定出待推荐商品的目标用户群A，目标用户群A中所有用户对应的所有商品数据集中共包括100个商品(以SKU编码为最小的商品区别单位)，为了从这100个商品中筛选出目标用户群A所属的商品召回池，具体可以进行以下步骤：读取100个商品各自的价格标签，预设一个价格区间(例如，为5～50元)，利用该价格区间从100个商品中筛选50个价格符合预设价格区间的商品；读取这50个商品各自的销量标签，按照销量的高低对这50个商品进行排序；读取预设的商品数量(例如，为10个)，从排序后的50个商品中筛选10个销量较高的商品以生成目标用户群A对应的商品召回池。

步骤S106：利用预先训练的商品点击率预测模型对各个待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据。

其中，商品点击率预测模型用于反映商品的编码信息与其被用户点击的概率之间的关联关系。商品点击率预测模型为预先根据样本用户的历史点击行为数据进行训练的预测模型，可以是基于深度兴趣网络结构的机器学习模型等。向训练后的商品点击率预测模型中输入任意商品的编码信息能够得到该商品点击率预测模型输出的针对该商品预测的点击率分值。

具体地，服务器可以调用预先训练的商品点击率预测模型，利用该商品点击率预测模型对目标用户群的商品召回池中每一个待推荐商品进行点击率分值的预测，得到每一个待推荐商品对应的点击率分值。

步骤S108：根据各个待推荐商品的点击率分值进行商品推荐。

具体地，服务器可以直接根据各个待推荐商品的点击率分值的高低进行排除，从排序后的多个待推荐商品中筛选分值大于预设阈值的一个或多个待推荐商品进行推荐。也可以将各个待推荐商品的点击率分值与经过其他方式计算得到分值进行结合，对待推荐商品进行综合评估后再进行推荐。

上述的商品推荐方法，一方面，根据用户画像标签和商品画像标签筛选符合用户特征的待推荐商品，另一方面，利用基于样本用户的历史点击行为数据所训练的商品点击率预测模型，预测每个待推荐商品的点击率分值，因此，能够将用户画像、商品画像以及用户对商品的行为数据等多个因素进行结合，且融入了基于机器学习模型的预测算法，采用本方案进行商品推荐，能够从多角度评估商品，提高商品推荐的准确性。

在其中一个实施例中，参考图2所示，根据各个待推荐商品的点击率分值进行商品推荐，可以包括以下步骤：

S202：采集各个待推荐商品对应的用户行为信息，根据各用户行为信息确定用户行为分值。

其中，用户行为可以包括购买、浏览、收藏、分享、点击等表征用户对该商品存在兴趣的历史操作行为。用户行为信息是指表征用户行为的相关信息，例如，表征用户行为是哪种行为、发生次数、发生时间等的信息。

具体的，服务器可以采集各个待推荐商品对应的用户行为信息，示例性地，通过分析各个待推荐商品是否被用户进行过购买、浏览、收藏和分享等行为，并确定各用户行为对应的发生次数、发生时间等，从而为各用户行为进行赋值以实现用户行为分值的计算。

在其中一个实施例中，根据各用户行为信息确定用户行为分值，包括：根据各用户行为信息分别对各用户行为进行赋值；对各用户行为所赋的分值分别进行归一化处理；对归一化处理后的各分值进行求和处理或加权求和处理，得到用户行为分值。

示例性地，为了多维度地确认待推荐给用户的待推荐商品的分值，可以分别给每个用户所涉及的不同用户行为分别赋予不同的分值，例如，购买/点击/浏览/收藏行为分别赋值为10/7/5/3分，分值可以依据业务规则的不同进行调整，在用户行为分值的计算过程中需要对各用户行为的分值进行归一化处理，归一化的方式不限。

示例性地，其中一种归一化方式可以是：用每种用户行为的分值来除以全部类型用户行为的分值总和，即10/25、7/25、5/25、3/25，用户行为分值取归一化后的每种用户行为的分值的和值。例如，对于一个用户，若该用户对商品sku1的操作行为包括购买、浏览、点击三种用户行为，则该用户对于商品sku1的用户行为分值为10/25+5/25+7/25＝22/25。

示例性地，另一种归一化方式可以是：确定行为分值的上限是10分，购买/点击/浏览/收藏等用户行为分别赋值为10/7/5/3分，每类用户行为的分值单独归一化后为1、0.7、0.5、0.3，再针对每类用户行为预先确定对应的权值，不同种类的用户行为对应的权值配置可以不同，从而便于在计算用户行为分值时对不同用户行为的分值进行加权求和计算。

S204：根据各点击率分值以及各用户行为分值对各个待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

具体地，针对目标用户群对应的商品召回池中的任意一个待推荐商品，服务器可以根据由商品点击率预测模型预测得到的点击率分值，并结合待推荐商品的用户行为分值，对待推荐商品进行综合评分。在对商品召回池中的每个待推荐商品都进行综合评分后，根据每个待推荐商品的综合评分的高低进行排序，优先选取综合分值较高的商品推荐给用户。

示例性地，计算待推荐商品的综合分值的步骤可以是：对待推荐商品对应的点击率分值以及用户行为分值进行加权求和计算，这两个分值的权重配比可以依据不同的业务规则进行设定。具体计算公式可以参考如下：

Score＝0.7*model_score+0.3*act_score

其中，model_score是指由点击率预测模型输出的点击率分值，数值区间可以为[0，1]；act_score是指用户行为分值，数值区间可以为[0，1]。Score是指待推荐商品的最终的综合分值，数值区间可以是[0，1]。0.7和0.3分别为点击率分值和用户行为分值的权重值，这两个权重值的配比可以依据不同的业务规则进行设定。

上述实施例的商品推荐方法，融合了基于多维用户行为信息的评估以及基于机器学习模型预测算法的商品点击率评估，从而能够从多角度评估商品，进一步提高商品推荐的准确性，因此，不仅能够提高商品点击率而且符合用户兴趣。

在其中一个实施例中，商品点击率预测模型的训练方法包括：获取样本用户的历史点击行为数据；根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品；根据各个特征商品的编码信息生成特征数据；根据多个样本用户的特征数据组成的特征数据集对商品点击率预测模型进行训练。

其中，可以通过采集样本用户对商品触发点击行为而生成的行为数据，例如，历史点击行为数据可以包括已点击商品的编码信息(例如，商品SKU编码)、点击频次、点击时间等数据。

示例性地，历史点击行为数据的采集方式可以包括：通过在小程序平台、APP(Application，应用)和/或各类电商网站等站点之中进行埋点，以获取样本用户的历史点击行为数据。

示例性地，对于样本用户A，其历史点击行为数据可以表示为：[(商品类目sku1：点击频率10次)；(商品类目sku2：点击频率5次)；(商品类目sku3：点击频率20次)；……(商品类目skuN：点击频率100次)]。

本实施例，根据样本用户的历史点击行为数据可以快速、准确地筛选特征商品，进一步地，对特征商品的相关数据进行加工后能够得到特征数据，特征数据可以作为模型训练的输入，利用一定数量的样本用户的特征数据可以组成特征数据集，利用特征数据集对商品点击率预测模型进行训练能够提高点击率预测模型的预测准确性。

示例性地，通过上述特征数据集，可以采用基于深度兴趣网络结构来训练商品点击率预测模型，训练完成的模型可以用于预测用户对某一商品进行点击的概率，该深度兴趣网络结构中可以进一步加入注意力机制以更精准地捕获用户的兴趣点，同时在模型的前向传播、反向传播的训练过程中，每一层级神经元的权重的取值会发生动态变化，当模型收敛时，每一层级神经元的权重会固定下来，此时，确认完成商品点击率预测模型的训练。

在其中一个实施例中，根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品，包括：将相同的已点击商品对应的点击频次进行合并处理；根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；将备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为特征商品。

在本实施例中，可以根据已点击商品的点击频次和点击时间进行特征商品的筛选，从点击频次、点击时间两个维度进行特征商品提取，能够提高特征商品选取的适用性，进而提高模型训练的准确性。其中，相同的已点击商品可以是指具有相同的SKU编码信息的已点击商品。

示例性地，在将相同的已点击商品对应的点击频次进行合并处理时，若遇到点击行为发生在距离当前时间较远和较近的2个已点击商品，分别为已点击商品A(较远)和已点击商品B(较近)，已点击商品A和已点击商品B具有相同的SKU编码，属于相同的已点击商品，但是，已点击商品A和已点击商品B在不同时间段下各自对应的点击频次不同，此时，可以保留点击行为发生在距离当前时间较近的已点击商品B，并在已点击商品B下合并已点击商品A和已点击商品B的点击频次。采用上述的合并方式，能够在处理点击频次的同时，不破坏点击时间这个筛选维度，从而提高特征商品筛选的准确性。

在其中一个实施例中，根据各特征商品的编码信息生成特征数据，包括：确定模型输出商品并获取模型输出商品的编码信息和类别标识；根据各特征商品的编码信息为模型输出商品添加点击标签；根据各特征商品的编码信息为各特征商品添加类别标识，根据各特征商品的编码信息和类别标识、模型输出商品的编码信息和类别标识以及点击标签生成样本用户的特征数据。

在本实施例中，编码信息可以是商品的SKU编码。模型输出商品是指在模型训练时被选为待检测对象的目标商品，模型输出商品可以是特征商品，也可以不是特征商品。类别标识可以是根据商品SKU编码为其对应添加的ID(Identity)。点击标签的取值为0或1，点击标签在模型训练过程中用于验证模型的分类结果，取值1表示被点击过，取值0表示未被点击过。

示例性地，每个样本用户的特征数据为单独的一行数据，一行数据的数据结构可以是：[特征商品的编码信息；特征商品的类别标识；模型输出商品的编码信息；模型输出商品的类别标识；点击标签]。

在其中一个实施例中，根据各个特征商品的编码信息为模型输出商品添加点击标签，包括：响应于模型输出商品的商品信息与任意一个特征商品的编码信息相同，为模型输出商品添加取值为1的点击标签；响应于模型输出商品的编码信息与全部特征商品的编码信息都不相同，为待推荐商品添加取值为0的点击标签。

在本实施例中，若模型输出商品的SKU编码(编码信息)是从用户的历史点击行为数据中抽取的特征商品的SKU编码，则点击标签为1，若不是从用户的历史点击行为数据中抽取特征商品的SKU编码，则点击标签为0；同时，对于一个样本用户的特征数据而言，若模型输出商品的SKU编码是从用户历史点击行为数据中抽取的某一特征商品的SKU编码，则可以将该特征商品的SKU编码从当前的特征数据中删除。因为，在训练过程中，模型输出商品作为模型的待测对象，其编码信息可以从模型的输入特征中删除，从而能够进一步提高模型训练的准确性。

示例性地，多个样本用户的特征数据组成的特征数据集可以是：

373719450；288196；18486；674；1

3647434268553805；281463558674；4206；463；1

18054309；8787；21354；556；1

1820920753；649241；51924；610；0

13150；351；41455；792；1

3512040418；157714；52035；724；0

在上述第一行特征数据中，特征商品的编码信息为[37371945018486],特征商品的类别标识为[288196674]，模型输出商品为从特征商品中抽取出的商品，即模型输出商品的编码信息和模型输出商品的类别标识为[18486；674]，点击标签为1，此时，还需要把抽取到的模型输出商品的编码信息删除，删除后，特征商品的编码信息为[373719450]，并把抽到的模型输出商品对应的类别标识也删除，删除后，特征商品的类别标识为[288196]，因此，得到该样本用户的特征数据为[373719450；288196；18486；674；1]，也即是上述第一行数据。

在上述第二行数据中，特征商品的编码信息为[36474342685538054206]，特征商品的类别标识为[281463558674463]，模型输出商品为从特征商品中抽取出的商品，即模型输出商品的编码信息和模型输出商品的类别标识为[4206；463]，点击标签为1，此时，还需要把抽取到的模型输出商品的编码信息删除，删除后，特征商品的编码信息为[3647434268553805]，并把抽到的模型输出商品对应的类别标识也删除，删除后，特征商品的类别标识为[281463558674]，因此，得到该样本用户的特征数据为[3647434268553805；281463558674；4206；463；1]，也即是上述第二行数据。

在上述第四行数据中，特征商品的编码信息为[1820920753]，特征商品的类别标识为[649241]，模型输出商品不是从特征商品中抽取出的商品，即模型输出商品的编码信息和模型输出商品的类别标识为[51924；610]，点击标签为0。

应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，如图3所示，提供了一种商品推荐装置，包括：目标用户确定模块302、待推荐商品筛选模块304、点击率分值预测模块306和商品推荐模块308，其中：

目标用户确定模块302，用于获取用户画像标签，根据用户画像标签确定目标用户群；

待推荐商品筛选模块304，用于根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；

点击率分值预测模块306，用于利用预先训练的商品点击率预测模型对各待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品进行点击行为而生成的行为数据；

商品推荐模块308，用于根据各个待推荐商品的点击率分值进行商品推荐。

在其中一个实施例中，商品推荐模块308采集各个待推荐商品对应的用户行为信息，根据各用户行为信息确定用户行为分值；根据各点击率分值以及各用户行为分值对各待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

在其中一个实施例中，商品画像标签包括价格标签和销量标签，待推荐商品筛选模块304分别获取目标用户群中各用户的商品数据集；根据价格标签从各商品数据集中筛选价格符合预设区间的商品以生成商品备选池；根据销量标签对商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成商品召回池。

在其中一个实施例中，点击率分值预测模块306，还用于对商品点击率预测模型进行训练，具体地，获取样本用户的历史点击行为数据；根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品；根据各个特征商品的编码信息生成特征数据；根据多个样本用户的特征数据组成的特征数据集对商品点击率预测模型进行训练。

在其中一个实施例中，点击率分值预测模块306将相同的已点击商品对应的点击频次进行合并处理；根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；将备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为特征商品。

在其中一个实施例中，点击率分值预测模块306确定模型输出商品并获取模型输出商品的编码信息和类别标识；根据各个特征商品的编码信息为模型输出商品添加点击标签；根据各个特征商品的编码信息为各个特征商品添加类别标识，根据各个特征商品的编码信息和类别标识、模型输出商品的编码信息和类别标识以及点击标签生成样本用户的特征数据。

在其中一个实施例中，商品推荐模块308根据各用户行为信息分别对各用户行为进行赋值；对各用户行为所赋的分值分别进行归一化处理；对归一化处理后的各分值进行求和处理或加权求和处理，得到用户行为分值。

关于商品推荐装置的具体限定可以参见上文中对于商品推荐方法的限定，在此不再赘述。上述商品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品推荐方法。

本领域技术人员可以理解，图4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。

在其中一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取用户画像标签，根据用户画像标签确定目标用户群；根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；利用预先训练的商品点击率预测模型对各待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；根据各个待推荐商品的点击率分值进行商品推荐。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：采集各个待推荐商品对应的用户行为信息，根据各用户行为信息确定用户行为分值；根据各点击率分值以及各用户行为分值对各待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

在其中一个实施例中，处理器执行计算机程序实现根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池时，具体实现以下步骤：分别获取目标用户群中各用户的商品数据集；根据价格标签从各商品数据集中筛选价格符合预设区间的商品以生成商品备选池；根据销量标签对商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成商品召回池。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本用户的历史点击行为数据；根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品；根据各个特征商品的编码信息生成特征数据；根据多个样本用户的特征数据组成的特征数据集对商品点击率预测模型进行训练。

在其中一个实施例中，处理器执行计算机程序实现根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品时，具体实现以下步骤：将相同的已点击商品对应的点击频次进行合并处理；根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；将备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为特征商品。

在其中一个实施例中，处理器执行计算机程序实现根据各个特征商品的编码信息生成特征数据时，具体实现以下步骤：确定模型输出商品并获取模型输出商品的编码信息和类别标识；根据各个特征商品的编码信息为模型输出商品添加点击标签；根据各个特征商品的编码信息为各个特征商品添加类别标识，根据各个特征商品的编码信息和类别标识、模型输出商品的编码信息和类别标识以及点击标签生成样本用户的特征数据。

在其中一个实施例中，处理器执行计算机程序实现根据各用户行为信息确定用户行为分值时，具体实现以下步骤：根据各用户行为信息分别对各用户行为进行赋值；对各用户行为所赋的分值分别进行归一化处理；对归一化处理后的各分值进行求和处理或加权求和处理，得到用户行为分值。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取用户画像标签，根据用户画像标签确定目标用户群；根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池，商品召回池中包括至少一个待推荐商品；利用预先训练的商品点击率预测模型对各待推荐商品的点击率进行预测，得到各个待推荐商品对应的点击率分值；其中，商品点击率预测模型根据样本用户的历史点击行为数据进行训练，历史点击行为数据为样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；根据各个待推荐商品的点击率分值进行商品推荐。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：采集各个待推荐商品对应的用户行为信息，根据各用户行为信息确定用户行为分值；根据各点击率分值以及各用户行为分值对各待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

在其中一个实施例中，计算机程序被处理器执行实现根据目标用户群中各用户对应的商品画像标签生成目标用户群的商品召回池时，具体实现以下步骤：分别获取目标用户群中各用户的商品数据集；根据价格标签从各商品数据集中筛选价格符合预设区间的商品以生成商品备选池；根据销量标签对商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成商品召回池。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本用户的历史点击行为数据；根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品；根据各个特征商品的编码信息生成特征数据；根据多个样本用户的特征数据组成的特征数据集对商品点击率预测模型进行训练。

在其中一个实施例中，计算机程序被处理器执行实现根据历史点击行为数据从样本用户对应的已点击商品中筛选特征商品时，具体实现以下步骤：将相同的已点击商品对应的点击频次进行合并处理；根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；将备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为特征商品。

在其中一个实施例中，计算机程序被处理器执行实现根据各个特征商品的编码信息生成特征数据时，具体实现以下步骤：确定模型输出商品并获取模型输出商品的编码信息和类别标识；根据各个特征商品的编码信息为模型输出商品添加点击标签；根据各个特征商品的编码信息为各个特征商品添加类别标识，根据各个特征商品的编码信息和类别标识、模型输出商品的编码信息和类别标识以及点击标签生成样本用户的特征数据。

在其中一个实施例中，计算机程序被处理器执行实现根据各用户行为信息确定用户行为分值时，具体实现以下步骤：根据各用户行为信息分别对各用户行为进行赋值；对各用户行为所赋的分值分别进行归一化处理；对归一化处理后的各分值进行求和处理或加权求和处理，得到用户行为分值。

本领域普通技术人员可以理解实现上述实施例的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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B,可以表示：单独存在A,同时存在A和B,单独存在B这三种情况。另外，本文中字符一般表示前后关联对象是一种“或”的关系。

本申请中的诸如“第一”、“第二”的术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何实际的前后关系或者先后顺序。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种商品推荐方法，所述方法包括：

获取用户画像标签，根据所述用户画像标签确定目标用户群；

根据所述目标用户群中各用户对应的商品画像标签生成所述目标用户群的商品召回池，所述商品召回池中包括至少一个待推荐商品；

利用预先训练的商品点击率预测模型对各所述待推荐商品的点击率进行预测，得到各所述待推荐商品对应的点击率分值；其中，所述商品点击率预测模型根据样本用户的历史点击行为数据进行训练，所述历史点击行为数据为所述样本用户在历史的任意一个或多个时间段内对商品触发点击行为而生成的行为数据；

根据各所述待推荐商品的点击率分值进行商品推荐。

2.根据权利要求1所述的方法，其特征在于，所述根据各所述待推荐商品的点击率分值进行商品推荐，包括：

采集各所述待推荐商品对应的用户行为信息，根据各所述用户行为信息确定用户行为分值；

根据各所述点击率分值以及各所述用户行为分值对各所述待推荐商品进行综合评分，根据综合评分的结果进行商品推荐。

3.根据权利要求1所述的方法，其特征在于，所述商品画像标签包括价格标签和销量标签，所述根据所述目标用户群中各用户对应的商品画像标签生成所述目标用户群的商品召回池，包括：

分别获取所述目标用户群中各用户的商品数据集；

根据所述价格标签从各所述商品数据集中筛选价格符合预设区间的商品以生成商品备选池；

根据所述销量标签对所述商品备选池中的商品按照销量的高低进行排序，从排序后的商品中筛选预设数量的商品以生成所述商品召回池。

4.根据权利要求1或2或3所述的方法，其特征在于，所述商品点击率预测模型的训练方法包括：

获取样本用户的历史点击行为数据；

根据所述历史点击行为数据从所述样本用户对应的已点击商品中筛选特征商品；

根据各所述特征商品的编码信息生成特征数据；

根据多个所述样本用户的特征数据组成的特征数据集对所述商品点击率预测模型进行训练。

5.根据权利要求4所述的方法，其特征在于，所述根据所述历史点击行为数据从所述样本用户对应的已点击商品中筛选特征商品，包括：

将相同的已点击商品对应的点击频次进行合并处理；

根据合并处理后的已点击商品的点击频次进行第一排序处理，筛选点击频次大于预设阈值的已点击商品作为备选已点击商品；

将所述备选已点击商品按照点击时间进行第二排序处理，筛选点击时间在预设时间范围内的备选已点击商品作为所述特征商品。

6.根据权利要求4所述的方法，其特征在于，所述根据各所述特征商品的编码信息生成特征数据，包括：

确定模型输出商品并获取所述模型输出商品的编码信息和类别标识；

根据各所述特征商品的编码信息为所述模型输出商品添加点击标签；

根据各所述特征商品的编码信息为各所述特征商品添加类别标识；

根据各所述特征商品的编码信息和类别标识、所述模型输出商品的编码信息和类别标识以及所述点击标签生成所述样本用户的特征数据。

7.根据权利要求2所述的方法，其特征在于，所述根据各所述用户行为信息确定用户行为分值，包括：

根据各所述用户行为信息分别对各用户行为进行赋值；

对各所述用户行为所赋的分值分别进行归一化处理；

对归一化处理后的各所述分值进行求和处理或加权求和处理，得到所述用户行为分值。

8.一种商品推荐装置，其特征在于，所述装置包括：

目标用户确定模块，用于获取用户画像标签，根据所述用户画像标签确定目标用户群；

待推荐商品筛选模块，用于根据所述目标用户群中各用户对应的商品画像标签生成所述目标用户群的商品召回池，所述商品召回池中包括至少一个待推荐商品；

点击率分值预测模块，用于利用预先训练的商品点击率预测模型对各所述待推荐商品的点击率进行预测，得到各所述待推荐商品对应的点击率分值；其中，所述商品点击率预测模型根据样本用户的历史点击行为数据进行训练，所述历史点击行为数据为所述样本用户在历史的任意一个或多个时间段内对商品进行点击行为而生成的行为数据；

商品推荐模块，用于根据各所述待推荐商品的点击率分值进行商品推荐。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images