对象推荐方法及相关设备与流程

本申请涉及互联网技术领域，更具体地，是对象推荐方法及相关设备。

背景技术：

代购，是一种新型的商品购买模式，代购者帮实际顾客购买商品，并通过买卖的差价或者一定比例的佣金来获得回报。代购者所购买的商品通常来自于电子商务平台，电子商务平台为了促进更多商品的销售，可以根据代购者的购买行为向代购者推荐其可能感兴趣的商品。

以上商业模式的底层技术实现方式是，电子商务平台在购买商品的众多用户账号中识别出代购者账号，并为代购者账号表示的代购者推荐相同或类似品类的商品。此技术方案中，如何确定代购者这种类型买家的感兴趣商品，是一个需要解决的技术问题。

技术实现要素：

有鉴于此，本申请提供了一种对象推荐方法，用以为代购者等目标类型用户推荐相关商品等对象。

为实现所述目的，本申请提供的技术方案如下：

第一方面，本申请提供了一种对象推荐方法，包括：

若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式；

依据所述查找模式，查找目标对象；

将所述目标对象的相关信息发送给所述用户。

第二方面，本申请提供了一种对象推荐设备，包括：

处理器，用于若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式；以及依据所述查找模式，查找目标对象；

通信接口，用于将所述目标对象的相关信息发送给所述用户。

第三方面，本申请提供了一种对象推荐装置，包括：

查找模式确定模块，用于若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式；

目标对象查找模块，用于依据所述查找模式，查找目标对象；

对象信息发送模块，用于将所述目标对象的相关信息发送给所述用户。

由以上技术方案可知，本申请提供了一种对象推荐方法，该方法在访问网页对象的用户为目标类型用户的情况下，确定用户对网页对象查找模式，不同的查找模式对应用户对网页对象不同的访问意图，按照查找模式查找到的目标对象可以符合用户的访问需求。可见，本申请提供的对象推荐方法可以为具有不同意图的目标类型用户推荐符合其意图的对象。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的对象推荐系统的架构示意图；

图2为本申请提供的训练分类模型及使用模型识别用户的流程示意图；

图3为本申请提供的对象推荐方法的一种流程示意图；

图4为本申请提供的对象推荐方法的另一种流程示意图；

图5为本申请提供的对象推荐装置的一种结构示意图；

图6为本申请提供的对象推荐装置的另一种结构示意图；

图7为本申请提供的对象推荐设备的一种硬件框架示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

代购这种商业模式中，涉及到三方主体，分别是代购者、实际买家及电子商务服务提供方。代购的一种具体应用场景是，淘宝(一种电子商务服务提供方)可以专门针对农村用户(一种实际买家)发布一些商品信息，村小二(一种代购者)根据农村用户的需求，在这种商品信息中检索并购买农村用户需要或者感兴趣的商品。

如图1所示，实现这种商业模式的技术架构主要包括两方设备，分别是服务器及终端；其中服务器为电子商务服务提供方部署的包含有各种商品信息的设备，终端为代购者一方的设备，代购者通过终端登录服务器，访问网页对象，例如按照实际买家的需求对商品进行浏览、加购(加入购物车)、购买等操作。需要说明的是，服务器主要实现电子商务的功能，因此可以称为电商服务器或电商平台。电商服务器为了销售更多的商品，也为了帮助代购者更方便地找到所需商品，可以向代购者推荐商品。如图1所示，服务器需要根据访问数据，确定推荐的对象，并向终端返回推荐对象。

电商服务器如何在众多的访问用户中识别出代购者这类用户，以及确定此类用户感兴趣的商品都是需要解决的技术问题。

目前，商品推荐是各种电商服务器一种常用的技术，其可以收集用户在电商服务器上较长一段时间内的行为数据，根据行为数据构造用户模型以及刻画用户偏好，进而依据用户模型及用户偏好来进行相应商品的推荐。然而，该种通用的推荐技术并不适用于代购场景，主要原因是，通常情况下代购者所服务的实际购买用户人数较多，代购者的行为数据是大量实际购买用户行为数据的总和。基于该主要原因，若使用常用的推荐技术会出现以下问题。

第一，由于代购者的历史行为数据涉及的商品是大量实际购买用户需求商品的汇总，其包含的商品类目繁杂且跨度较大，因此在这些多种多样的商品中选择进行推荐的商品较为困难。第二，某次为代购者推荐的商品是根据代购者的历史行为数据选择出来的，然而，代购者在该某次代购行为中所服务的实际购买者，较大可能与历史代购行为并不相同，因此历史的行为数据并不具有借鉴意义。

现有技术中还存在另一种推荐技术，即基于公共账号的推荐。公共账号可以关联多个个体子账号，分别根据每个个体子账号的历史行为数据，为该个体子账号构建偏好模型，并将所有个体子账号的偏好模型进行加权后形成公共账号的集体偏好模型，进而根据集体偏好模型为该多个个体提供同一商品。

例如，旅游类网站设置有家庭公共账号，家庭公共账号可以关联若干个家庭成员的个体子账号，网站可以根据每个个体子账号的历史数据分别统计每个家庭成员的观影爱好模型，再将每个家庭成员的观影爱好模型加权后生成家庭整体的观影爱好模型。在多个家庭成员有共同观影需求时，根据该家庭整体的观影爱好模型，为该家庭推荐相关影片。

但这种基于公共账号的推荐技术，也并不适用于代购推荐场景，具体的不适用性可以体现为以下几点。

第一，公共账号推荐的对象是一个群体，因此计算的是集体的偏好模型。然而在代购场景中，代购者所服务的实际购买者之间并无关联，其他实际购买者的历史数据并不能作为某实际购买者的推荐依据。第二，公共账号所关联的个体账号对于电商服务器来说是可知的，电商服务器能够明确区分哪些历史数据归属于哪个个体账号，从而可以根据归属于各个个体账号的历史数据计算各自的偏好模型，然而在代购场景中，代购者所服务的实际购买者的历史数据并没有区分，因此不能根据各自的历史数据计算每个实际购买者的偏好情况。

以上主要介绍了现有技术如何向账号推荐商品，针对如何识别代购者的用户账号，目前并没有一种相关的技术方案。现有的公共账号是显式的，即用户如果注册公共账号，注册平台会明确标记该账号为公共账号，电商平台接收到一个访问请求，根据访问账号是否存在标记便可以确定使用该账号是否为公共账号。但是，代购行为对于电商平台来讲是透明的，代购者的用户数据如注册账号等并没有明确标记该用户为代购者，因此电商平台接收到一个访问请求后，并不能直接根据用户账号确定该用户账号为代购者的账号。

对此，本申请提供了一种用户识别方法。在一种应用场景中，电商服务器可以使用该方法，在大量访问用户中识别出代购者这种类型的用户。但需要说明的是，该方法并不局限于代购场景，只要是一个用户帮助众多用户访问电商服务器所提供的对象的场景均可以适用。因此，该用户识别方法所识别的用户并非局限于代购者，代购者是这种用户的一个具体示例，为了便于描述，可以将该类型的用户成为目标类型用户。

用户识别主要是依据预先训练的识别模型，识别模型训练的过程主要包括如下步骤a1～a3。

a1：获得样本用户数据。

其中，样本用户数据包括正样本用户数据及负样本用户数据。正样本用户数据指的是标记为目标类型用户的用户数据，需要说明的是，标记为正样本的用户数据是明确的目标类型用户。

例如，在淘宝的村淘业务场景中，村服务站的人员会在村淘业务的电商平台上注册“村小二”账号，并使用“村小二”账号为村民进行代购服务，因此注册的这些“村小二”账号是明确的目标类型用户的用户数据，进而这些“村小二”账号的账号数据便可以作为正样本用户数据。当然，以上村淘业务仅仅是一种具体业务场景下的举例说明，其并不应成为对本申请应用场景的限定。

负样本用户数据是在并未标记为目标类型用户的用户数据中，随机获得的一些用户数据。

a2：从样本用户数据中，提取用户特征。

其中，提取哪些方面的用户特征，这些方面是预设的。

例如，预先设置提取用户在一定时间内的活跃天数、日均活跃度、购买的商品类目等。其中，用户在一定时间内的活跃天数可以是，在一定时间内用户访问电商服务器上对象的天数；日均活跃度可以是，日均访问电商服务器上对象的时长。

更具体地，例如预先设置提取用户提取以下几个方面的用户特征：

(a)3天、7天及15天内的活跃天数；

(b)3天、7天及15天内的成交单数及成交总额；

(c)3天、7天及15天内点击、加购及购买的商品的类目；

(d)3天、7天及15天每日的活跃时长；

(e)变为购买商品的检索商品在总检索中的比例。

以上示例中的时间长度及方面特征仅仅是示例说明，本申请并不局限于此。

可以理解的是，代购者等目标类型用户需要帮助大量的用户执行访问操作(访问操作包括登录电商服务器并访问电商服务器上的对象)，因此，目标类型用户相比非目标类型用户具有如下特点中的任意一个或多个，如活跃程度要高，所访问的对象的类目比较多，商品的成交转换率较高。之所以设置提取上述示例中的特征，是因为这些方面的特征能够反映上述目标类型用户的特点。

a3：训练用户特征，以得到识别模型。

其中，可以使用现有的分类算法如逻辑回归(logisticregression，简称为lr)算法，对从样本用户数据中提取到的用户特征进行训练，训练后得到的模型可以对其他用户进行分类，以识别其他用户是否为目标类型的用户。因此，该模型可以称为识别模型或分类模型。

综上所述，如图2所示，获得模型的过程主要包括三个步骤，分别为样本收集、特征抽取及模型训练。另外，特征抽取的一些特征可以是用户的活跃情况、用户所访问对象的类目分布情况、用户的购买情况、用户所访问对象的成交情况等等。当然，在实际应用中，抽取的特征并不局限于此。

训练得到识别模型后，当需要识别某个用户的类型时，可以从该用户数据中提取上述预设方面的特征，并将提取到的用户特征输入该识别模型中，该识别模型便可以确定该用户是否为目标类型的用户。

在识别用户为目标类型用户的情况下，还可以进一步为目标类型用户推荐一些对象。需要说明的是，对象可以是商品，也可以是其他目标物。识别用户是否为目标类型用户的方式还可以是其他，并不局限于使用训练模型进行识别。

需要说明的是，目标类型用户对网页对象的访问，可能包括多种情况。与代购应用场景为例，代购者可能有些情况下是为客户选购商品，可能另外一些情况下是随意浏览商品网页，为后续选购商品做经验储备。在不同情况下，需要为用户推荐不同类型的对象。

本申请提供了一种对象推荐方法，该方法所推荐的对象可以是商品，也可以是其他性质的物品。见图3，其示出了本申请提供的物品推荐方法的一种流程，具体包括以下步骤s301～s303。

s301：若访问网页对象的用户为目标类型用户，则确定用户对网页对象的查找模式。

其中，在接收到用户对网页对象的访问请求后，可以对该用户的类型进行识别。具体的识别方法可以按照上述用户识别方法识别用户的类型。若识别出用户属于目标类型的用户，则可以进一步确定用户对所访问的网页对象的查找模式。

需要说明的是，查找模式可以反映用户对网页对象的访问意图，访问意图可以包括但不局限于两种，精确查找及随意浏览。以代购应用场景为例，精确查找即代购者查找或选购某种具体类型的商品，随意浏览即代购者在商品网站中大致看一看，分析当前商品的特点，为了能够为其他顾客推荐一些有特点的商品做经验储备。

在一个示例中，确定用户对网页对象的查找模式的具体实现方式为，获得用户对网页对象的访问路径；以及依据访问路径，确定用户对网页对象的查找模式。具体地，访问路径包括用户在网页中所访问的网页模块，且可以包括访问这些网页模块的时长及次数。

其中，不同的网页模块可以表示出用户对网页对象的意图，从访问路径中确定包含有哪些网页模块，以及对这些网页模块的访问次数及访问时长可以确定出用户对网页对象的意图是哪一种。例如，网页模块可以包括首页、检索页、对象详情页等；其中首页表示用户对网页对象的意图为随意浏览，检索页表示用户对网页对象的意图为精确查找，对象详情页也表示用户对网页对象的意图为精确查找。因此，若用户较长时间或较多次数访问首页，则表示用户的意图为随意浏览；若用户较长时间或较多次数访问检索页及对象详情页，则表示用户的意图为精确查找。

另外，根据网页模块可以确定出用户访问的对象类目，根据对象类目是否具有多样性，也可以确定用户对网页对象的访问意图。具体地，若对象类目具有多样性，则表示用户对网页对象的访问意图为随意浏览，若对象类目不具有多样性，则表示用户对网页对象的访问意图为精确查找。该种确定方式的依据是，用户若在随意浏览状态，则其访问的对象是多种多样的，用户若在精确查找状态，则其访问的对象通常集中在少量的几种。因此可以根据访问对象是否具有多样性，来确定用户的访问意图。

需要说明的是，不同的网页模块，确定对象类目的方式不同。例如，网页模块为首页，首页中通常包含多个区域，不同区域对应不同类目的对象，因此可以根据用户所浏览的区域确定对象类目。又如，网页模块为检索页，则可以根据用户在检索页输入的检索项提取对象类目，例如用户检索“2017冬季新款轻薄羽绒服女学生款”，则提取到的对象类目包括羽绒服。再如，网页模块为对象详情页，则确定对象详情页中对象所属的类目，例如对象详情页为一款牛仔连衣裙的详情页，则可以确定对象所属的类目为连衣裙。

由以上说明可知，用户的访问路径的特点可以反映出用户对网页对象的访问意图。根据访问意图，可以直接确定出用户对网页对象的查找模式。查找模式表示的是按照怎样的规则查找对象，查找到的对象是精确详细的还是模糊的大范围的。例如若访问意图为精确查找，则其对应的查找模式为精确查找；若访问意图为随意浏览，则其对应的查找模式为模糊查找。为了便于描述，确定出的查找模式可以称为目标查找模式。

s302：依据查找模式，查找目标对象。

其中，查找模式中包含预设的对象查找规则，对象查找规则是从众多的对象中选择一些对象作为目标对象。不同的查找模式为用户推荐对象的精确程度不同。可以理解的是，若查找模式为精确查找，则对象查找规则会获取本次访问中的用户意图，并按照用户意图选择符合用户意图的对象作为目标对象；若查找模式为模糊查找，则对象查找规则会根据历史访问数据确定具有某些特征的对象作为目标对象。

s303：将目标对象的相关信息发送给用户。

其中，可以从服务器上查找目标对象的相关信息，进一步可以将目标对象的相关信息包含在网页中发送给用户，该网页可以并非单独的网页，可以与其他网页信息包含在同一网页中。以代购应用场景为例，假设确定出的目标对象为5件连衣裙，则可以在购物车网页的某个区域显示该5件连衣裙的图片。

由以上技术方案可知，本申请提供了一种对象推荐方法，该方法在访问网页对象的用户为目标类型用户的情况下，确定用户对网页对象的查找模式，不同的查找模式可以反映用户对网页对象不同的访问意图，按照查找模式查找到的目标对象可以符合用户意图。可见，本申请提供的对象推荐方法可以为具有不同意图的目标类型用户推荐符合其意图的对象。

前已述及，用户对网页对象的访问意图包括精确查找及随意浏览两种，访问意图对应的查找模式包括精确查找及模糊查找两种。以下对两种查找模式如何查找目标对象进行说明。

若查找模式为精确查找，则所述依据所述查找模式，查找目标对象的具体实现方式包括如下步骤b1～b3。

b1：获取用户在本次访问网页对象过程中生成的访问数据。

其中，由于用户为目标类型的用户，且该目标类型的用户具有的特点是，每次对网页对象的精确查找的过程都是独立的，与历史精确查找过程并无关联关系。以代购应用场景为例，代购者本次访问网页以代购某种类型的商品，本次代购的商品与历史代购过的商品并无关联，因此历史代购过的商品的特征并不能为本次代购商品提供参考。

因此，本步骤所获取的访问数据是用户在本次访问过程中生成的访问数据。具体来讲，用户对网页对象的一次访问是在一段持续时间内，随着时间的延续，不断生成用户对网页对象的访问数据。在访问过程中的某个时间点，获取该次访问过程中该时间点之前的访问数据，根据这些访问数据来确定用户精确查找的是哪些类目的对象。

以代购应用场景为例，假设用户某次访问网站商品时执行了下述访问操作，浏览首页，多次输入检索项，得到检索结果后，点击了检索结果中的某些商品，将某些商品放入购物车，购买了某些商品。用户执行每个访问操作，服务器均会得到相应的访问数据，如输入的检索项是什么，点击了哪些商品，加购了哪些商品，购买了哪些商品等。服务器在得到访问数据后，便可以根据访问数据执行下述两个步骤。需要说明的是，只要用户执行访问操作，服务器便可以得到相应的访问数据，服务器可以按照预设的时间间隔，多次依据所得到的访问数据为用户推荐目标对象。通常地，服务器得到的访问数据越多，则检索到的目标对象越精确，因此，在一次网页对象访问过程中，每后一次推荐的对象会比前一次推荐的对象更加精确。

需要说明的是，若在前期推荐时或者某次推荐时，由于访问数据的不足等原因导致无法获取到满足条件的备选对象，则可以将根据历史访问数据确定的具有某些特性的对象作为目标对象。其中某些特性可以包括但不局限于快消低价等。

b2：从访问数据中获得不同类型的检索源，并根据不同类型的检索源检索不同类型的备选对象。

其中，访问数据可以表示用户曾执行了哪些访问操作，访问操作可以反映用户想要查找的对象是什么，因此从访问数据中可以提取各种不同的访问操作作为检索源，使用检索源检索对应的对象，并将检索到对象作为备选对象。

例如，检索源包括以下几种中的任意多种：目标类型操作所指向的网页对象、检索词、用户所在的位置区域。分别对该三种类型的检索源及如何根据检索源获得备选对象进行说明。

第一种类型的检索源。在代购应用场景中，目标类型操作可以指的是点击操作、加入购物车操作、购买操作等，进而目标类型操作所指向的网页对象分别指的是，点击的商品、加入购物车的商品、购买的商品。用户对这些对象执行这些类型的操作，表示用户对这些对象感兴趣，这些操作指向的对象最有可能是用户想要精确查找到的对象。

在上述情况下，检索备选对象时，可以检索与目标类型操作所指向的网页对象具有预设相似度的对象作为备选对象。例如，根据用户点击的商品、加入购物车的商品或购买的商品，来查找与各个商品相似的商品作为备选的推荐商品。在查找时，可以使用相似计算方法来计算与某个对象具有相似度的对象。其中，相似计算方法可以是但不局限于协同过滤方法、基于内容的相似计算方法等。

第二种类型的检索源。检索词为用户在检索引擎中输入的检索内容，其也可以反映用户的查找意图。因此可以将检索词作为一种检索源，使用用户曾检索过的检索词进一步检索得到备选对象。

若检索源包括输入的检索词，则在查找备选对象时，可以确定与检索词对应的检索类目，并检索属于检索类目的对象作为备选对象。具体地，用户输入的检索词可能是一些具有详细特征的对象，为了能够查找到更多与用户检索的对象相似的对象，可以确定对象属于的类目，使用对象类目进行检索。对象类目中可以包括多个类目项，类目项可以包括但不局限于品类、品牌、人群、款式等。例如，用户输入的检索词包括“2017冬季新款轻薄羽绒服女学生款”，根据该检索词确定出的检索类目为“女_波司登_薄_羽绒服”，从而根据该检索类目来检索备选对象。

第三种类型的检索源。在某些情况下，用户所在的位置区域可以反映用户本次想要查找的对象是什么。以代购应用场景为例，用户所在的位置区域可以反映用户所服务的客户的位置，例如村淘的代购者，代购者与其所服务的客户通常在一个村里。这种情况下，获得用户所在的位置区域后，便可以确定其所服务的客户的位置区域，进而根据用户检索的商品及该位置区域与该商品之间关系，可以确定用户想要查找的对象是什么。

也就是说，若检索源包括用户所在的位置区域，则在查找备选时，可以根据与位置区域预设的检索类目，检索属于检索类目的对象作为备选对象。

例如，代购者的位置区域是在南方，其检索的商品为羽绒服，可以确定出其查找的商品可能为薄款的羽绒服；若代购者的位置区域是在北方，其检索的商品仍为羽绒服，可以确定其查找的商品可能为厚款羽绒服。又如，代购者的位置区域是在浙江，其检索的商品为茶叶，由于根据经验可知浙江一带比较偏好龙井和白茶，则可以确定其想要查找的商品可能为龙井和白茶；若代购者的位置区域是在福建，其检索的商品为茶叶，由于根据经验可知福建一带比较偏好铁观音，则可以确定其想要查找的商品可能为铁观音。

关于上述几种不同类型的检索源，需要说明的是，使用检索源检索备选对象时，可以将多个检索源同时查找对应的备选对象。

例如，可以将检索词与目标类型操作所指向的对象结合。具体地，根据用户输入的检索词为多个，根据不同的检索词得到不同的检索类目后，根据用户是否点击、加购或购买某些检索类目下的对象，对这些检索类目进行加权处理。例如，若用户点击、加购或购买某些检索类目下的对象，则将该检索类目的权重提高，以提高这些检索类目的级别。对于加权处理后的检索类目，选择级别权重较高的检索类目用于查找备选对象。又如，可以将检索词与位置区域结合。有关说明及示例可以参见上述第三种类型检索源。

b3：将能精确对应用户访问意图的备选对象确定为目标对象。

其中，备选对象是根据检索源查找的，不用类型的检索源可以查找到不同类型的备选对象。由于不同类型的检索源，其所反映用户意图的精确程度也有所不同，因此所查找到的备选对象反映用户访问意图的精确程度也有所不同。

一个示例中，可以获得预先为各个类型的检索源设置的精确级别；以及按照精确级别由高到低的顺序，从备选对象中选择目标对象。

具体地，可以预先为不同类型的检索源设置不同的精确级别，如检索源包括目标类型操作所指向的对象、检索词及用户所在的位置区域，根据对该三种类型的检索源的说明可知，其能够反映用户访问意图的精确程度逐渐降低，因此该三种类型的检索源的精确级别由高到低。

从而根据检索源的精确级别的高低，对检索源得到的备选对象进行排序，从排序在前的备选对象中选择目标对象。选择的方式可以是选择预设数量的备选对象作为目标对象。

另一个示例中，可以获得备选对象在目标属性项上的属性值；以及依据属性值的排序规则，从备选对象中选择目标对象。

具体地，备选对象在目标属性项上可以具有属性值，如销售量、价格、成交转化率、卖家等级及商品类型等。可以根据某个属性值的排序规则，对备选对象进行排序，并选择排序在前或在后的某些备选对象作为目标对象。例如，按照价格由低到高的规则排序，然后选择排序在前的备选对象作为目标对象。

以上说明了在用户想要精确查找对象的情况下，如何为用户推荐相关的对象。与现有的推荐方式相比，以上使用的是用户在本次访问过程中生成的数据作为推荐依据，从而推荐的对象更加精确。另外，以上方法中不同类型的检索源精确级别不同，并优先选择精确级别较高的检索源对应的对象作为推荐对象，从而可以进一步提高推荐对象的精准度。

除了精确查找这种访问意图，目标类型用户对网页对象的访问意图还可能是随意浏览。针对这种访问意图，说明如何根据这种访问意图对应的模糊查找模式查找目标对象。

具体地，若查找模式为模糊查找，则依据所述查找模式查找目标对象的实现方式，可以具体包括如下步骤c1～c3。

c1：获得基于历史访问数据统计出的目标检索类目，其中目标检索类目包括以下中的任意一种或多种：应季检索类目、热销检索类目或新流行检索类目。

其中，在随意浏览这种访问意图下，用户可能是为了了解一些信息，如流行的对象、应季的对象或热销的对象是哪些，以为了更高地为客户选购对象。因此，为了满足用户在这种访问意图下的需求，可以获得一些检索类目，检索类目需要具有应季特性、热销特性或新流行特性。检索类目是根据历史访问数据统计出的，历史访问数据可以包括众多用户的历史访问数据，也就是说，该检索类目是从大量的用户访问数据中统计出来的。

关于应季对象。有些类目下的对象具有明显的季节性周期，这类对象可以称为应季对象，应季对象可以根据时间维度来进行推荐。季节商品的统计，是根据各个类目对象每个月的销量分布差异来度量的。特别地，可以统计一年来各种类目对象每月的销量均值和方差，方差大的类目对象会具有较明显的季节差异，从而针对这些类目对象，可以选取实际销量高于销量均值一定阈值的月份作为该类目对象的热销季节。

关于流行对象。对于每个类目对象对应的检索词，可以进行关键词的提取，并对比不同时期的关键词差异。当某些关键词在以前统计并不存在或者检索的用户比较少，而在当前时间点的检索频率较高时，则认为该关键词具有流行趋势，从而可以将具有该关键词的对象确定为流行对象。

c2：检索属于目标检索类目的对象作为备选对象。

其中，检索类目是一些大范围的对象属性，如连衣裙。在检索备选对象时，检索属于该检索类目的对象即可，如检索到的连衣裙可能包括紧身连衣裙、宽松连衣裙等。

c3：从备选对象中选择符合预设条件的目标对象。

其中，由于目标检索类目可能是多种，则可以按照某种排序规则，对不同检索类目得到的备选对象进行排序，排序后选择某些对象作为目标对象。排序方式可以参照上述步骤b3中的方式，此处并不赘述。

以上说明了在用户想要随意浏览的情况下，如何为用户推荐相关的对象。所推荐的对象是粗粒度的推荐，但能够满足用户了解当前流行趋势、应季对象及热销对象的需求。推荐的对象可以帮助目标类型用户把握对象的大体趋势，提高目标类型用户为客户推荐的能力。

综上所述，如图4所示，本申请提供的对象推荐方法整体上可以包括如下几个部分。第一部分，分类模型构建及用户类型识别，该部分可以对应上述用户识别方法。第二部分，若确定用户类型属于目标类型的用户，则判定用户对网页对象的访问意图。若访问意图为精确查找，则推荐细粒度的对象，若访问意图为随意浏览，则推荐粗粒度的对象。该部分可以对应图3所示的流程、步骤b1～b3、及步骤c1～c3。

以下对本申请提供的对象推荐装置的结构进行说明。见图5，其示出了本申请提供的一种对象推荐装置的结构，具体包括：查找模式确定模块501、目标对象查找模块502及对象信息发送模块503。

查找模式确定模块501，用于若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式；

目标对象查找模块502，用于依据所述查找模式，查找目标对象；

对象信息发送模块503，用于将所述目标对象的相关信息发送给所述用户。

需要说明的是，对象推荐装置中的模块在执行具体功能时，可以按照以上对象推荐方法中的相应方法执行，此处并不赘述。

见图6，其示出了本申请提供的对象推荐装置的另一种结构，该装置在包括图5所示的装置结构基础上，还可以包括用户类型确定模块504及分类模型训练模块505。

用户类型确定模块504，用于在若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式之前，依据预先训练的分类模型，确定访问网页对象的用户是否为目标类型用户。

分类模型训练模块505，用于获得样本用户数据；从所述样本用户数据中，提取用户特征；其中所述用户特征能够体现目标类型用户的特点；以及训练所述用户特征，以得到识别模型。

以下对本申请提供的对象推荐设备的结构进行说明。见图7，其示出了本申请提供的一种对象推荐设备的结构，可以具体包括：存储器701、处理器702、通信接口703及总线704。

存储器701，用于存储程序指令和/或数据。

处理器702，通过读取所述存储器701中存储的指令和/或数据，用于执行以下操作：若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式；以及依据所述查找模式，查找目标对象。

通信接口703，用于将所述目标对象的相关信息发送给所述用户。

总线704，用于将访问数据的监测设备的各个硬件组件耦合在一起。

在一个示例中，所述处理器确定所述用户对所述网页对象的查找模式，包括：处理器，具体用于获得所述用户对网页对象的访问路径；以及依据所述访问路径，确定所述用户对所述网页对象的查找模式。

在一个示例中，所述查找模式为精确查找或模糊查找。

在一个示例中，若所述查找模式为精确查找，则所述处理器依据所述查找模式，查找目标对象包括：处理器，具体用于获取所述用户在本次访问网页对象过程中生成的访问数据；从所述访问数据中获得不同类型的检索源，并根据不同类型的检索源检索不同类型的备选对象；以及将能精确对应所述用户访问意图的备选对象确定为目标对象。

在一个示例中，所述处理器将能精确对应所述用户访问意图的备选对象确定为目标对象，包括：处理器，具体用于获得预先为各个类型的检索源设置的精确级别；以及按照精确级别由高到低的顺序，从所述备选对象中选择目标对象。

在一个示例中，所述处理器将能精确对应所述用户访问意图的备选对象确定为目标对象，包括：处理器，具体用于获得备选对象在目标属性项上的属性值；以及依据所述属性值的排序规则，从所述备选对象中选择目标对象。

在一个示例中，所述检索源包括以下几种中的任意多种：目标类型操作所指向的网页对象、检索词、用户所在的位置区域。

在一个示例中，所述处理器根据不同类型的检索源检索不同类型的备选对象，包括：处理器，具体用于若所述检索源包括目标类型操作所指向的网页对象，则检索与所述目标类型操作所指向的网页对象具有预设相似度的对象作为备选对象；若所述检索源包括检索词，则确定与所述检索词对应的检索类目，检索属于所述检索类目的对象作为备选对象；以及若所述检索源包括用户所在的位置区域，则根据与所述位置区域预设的检索类目，检索属于所述检索类目的对象作为备选对象。

在一个示例中，若所述查找模式为模糊查找，则所述处理器依据所述查找模式，查找目标对象，包括：处理器，具体用于获得基于历史访问数据统计出的目标检索类目，其中目标检索类目包括以下中的任意一种或多种：应季检索类目、热销检索类目或新流行检索类目；检索属于所述目标检索类目的对象作为备选对象；以及从所述备选对象中选择符合预设条件的目标对象。

在一个示例中，处理器，还用于在若访问网页对象的用户为目标类型用户，则确定所述用户对所述网页对象的查找模式之前，依据预先训练的分类模型，确定访问网页对象的用户是否为目标类型用户。

在一个示例中，处理器，还用于训练分类模型；所述处理器训练分类模型，包括：获得样本用户数据；从所述样本用户数据中，提取用户特征；其中所述用户特征能够体现目标类型用户的特点；以及训练所述用户特征，以得到识别模型。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系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这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。