一种商品推荐方法、装置、服务器及存储介质与流程

本发明涉及互联网技术领域，尤其涉及一种商品推荐方法、装置、服务器及存储介质。

背景技术：

随着互联网技术的快速发展，网络信息量也在快速的增长。面对庞大的网络信息量，人们想要从中找到自己需要的信息则需要花费一定的时间，为了解决这一问题推荐算法应运而生。

目前的推荐算法通常是基于用户过去的行为(如，浏览记录、对商品的评分、购买记录等)，找出与目标用户相似的用户，然后根据查找到的用户的偏好为目标用户进行商品推荐。这种推荐方式虽然可以在一定程度上为目标用户推荐其所偏好的商品，但是，却通常存在因向用户推荐的商品不能满足用户的真实需求，导致推荐结果不准确的问题。

有鉴于此，如何提供一种商品推荐方法、装置、服务器及存储介质，以提高商品推荐结果的准确性，是亟待解决的问题。

技术实现要素：

有鉴于此，本发明目的在于提供一种商品推荐方法、装置、服务器及存储介质，以提高商品推荐结果的准确性。

为实现上述目的，本发明提供如下技术方案：

本发明第一方面公开一种商品推荐方法，包括：

获取待进行商品推荐的第一用户；

基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户；所述用户的场景位置信息基于所述用户在历史时间段内的地理位置变化信息生成；

利用用户的历史商品行为信息从所述至少一个第二用户中筛选出商品偏好与所述第一用户相似的至少一个目标第二用户；

根据所述至少一个目标第二用户的历史商品行为信息，确定用于向所述第一用户推荐的商品。

可选的，所述用户的场景位置信息的生成方式，包括：

获取用户在历史时间段内的地理位置变化信息；

结合所述地理位置变化信息，生成所述用户在所述历史时间段内的场景变化信息；

根据所述地理位置变化信息和所述场景变化信息，生成所述用户的场景位置信息。

可选的，所述基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户，包括：

分别获取所述第一用户的场景位置信息和所述第二用户的场景位置信息；

基于所述第一用户的场景位置信息和所述第二用户的场景位置信息，计算所述第一用户和所述第二用户所处场景位置的相似度；

在所述第一用户和所述第二用户所处场景位置的相似度满足第一阈值时，将所述第二用户确定为与所述第一用户匹配的第二用户；

在所述第一用户和所述第二用户所处场景位置的相似度不满足第一阈值时，确定所述第二用户不为与所述第一用户匹配的第二用户。

可选的，所述利用用户的历史商品行为信息从所述至少一个第二用户中筛选出商品偏好与所述第一用户相似的至少一个目标第二用户，包括：

从所述第一用户的历史商品行为信息中，提取所述第一用户的商品偏好信息；

从与所述第一用户匹配的第二用户的历史商品行为信息中，提取所述第二用户的商品偏好信息；

根据所述第一用户的商品偏好信息和所述第二用户的商品偏好信息，计算所述第一用户和所述第二用户的商品偏好相似度；

在所述商品偏好相似度满足第二阈值时，确定所述第二用户为目标第二用户；

在所述商品偏好相似度不满足第二阈值时，确定所述第二用户不为目标第二用户。

可选的，所述用户的商品偏好信息表征用户偏好的商品以及商品属性，所述根据所述至少一个目标第二用户的历史商品行为信息，确定用于向所述第一用户推荐的商品，包括：

利用粒子群算法和所述第一用户的商品偏好信息，从所述至少一个目标第二用户的商品偏好信息中，确定目标商品和目标商品的目标商品属性；

获取商品集，所述商品集包括至少一个携带商品属性的目标商品；

基于所述商品集中目标商品携带的商品属性与目标商品属性的匹配度，从所述商品集中筛选出用于向所述第一用户推荐的目标商品。

本发明第二方面公开一种商品推荐装置，包括：

第一获取单元，用于获取待进行商品推荐的第一用户；

第一确定单元，用于基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户；所述用户的场景位置信息基于所述用户在历史时间段内的地理位置变化信息生成；

筛选单元，用于利用用户的历史商品行为信息从所述至少一个第二用户中筛选出商品偏好与所述第一用户相似的至少一个目标第二用户；

第二确定单元，用于根据所述至少一个目标第二用户的历史商品行为信息，确定用于向所述第一用户推荐的商品。

可选的，所述第一确定单元，包括：

第二获取单元，用于获取用户在历史时间段内的地理位置变化信息；

第一生成单元；用于结合所述地理位置变化信息，生成所述用户在所述历史时间段内的场景变化信息；

第二生成单元，用于根据所述地理位置变化信息和所述场景变化信息，生成所述用户的场景位置信息。

可选的，所述第一确定单元，还包括：

第三获取单元，用于分别获取所述第一用户的场景位置信息和所述第二用户的场景位置信息；

计算单元，用于基于所述第一用户的场景位置信息和所述第二用户的场景位置信息，计算所述第一用户和所述第二用户所处场景位置的相似度；

第三确定单元，用于在所述第一用户和所述第二用户所处场景位置的相似度满足第一阈值时，将所述第二用户确定为与所述第一用户匹配的第二用户；

第四确定单元，用于在所述第一用户和所述第二用户所处场景位置的相似度不满足第一阈值时，确定所述第二用户不为与所述第一用户匹配的第二用户。

本发明第三方面公开一种服务器，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现如上述本发明第一方面任意一项公开的商品推荐方法。

本发明第四方面公开一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如上述本发明第一方面任意一项公开的商品推荐方法。

本发明提供一种商品推荐方法、装置、服务器及存储介质，通过获取待进行商品推荐的第一用户，并基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户，所述用户的场景位置信息基于所述用户在历史时间段内的地理位置变化信息生成，然后利用用户的历史商品行为信息从所述至少一个第二用户中筛选出商品偏好与所述第一用户相似的至少一个目标第二用户，最后根据所述至少一个目标第二用户的历史商品行为信息，确定用于向所述第一用户推荐的商品。本发明提供的技术方案，通过用户的场景位置信息确定与第一用户匹配的第二用户，利用用户的历史商品行为信息从第二用户中筛选出与第一用户商品相似的目标第二用户，最后根据目标第二用户的历史商品行为信息确定为第一用户推荐的商品，能够准确的预测待进行商品推荐用户的实时偏好，进而提高商品推荐结果的准确性。

附图说明

为了更清楚地说明本发明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发明的实施例，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为本发明实施例提供的一种商品推荐方法的流程示意图；

图2为本发明实施例提供的一种用户的场景位置信息的生成过程的流程示意图；

图3为本发明实施例提供的确定与第一用户匹配的至少一个第二用户的流程示意图；

图4为本发明实施例提供的确定与第一用户匹配的至少一个目标第二用户的流程示意图；

图5为本发明实施例提供的确定向第一用户推荐的商品的流程示意图；

图6为本发明实施例提供的提取商品属性的卷积神经网络的模型图；

图7为本发明实施例提供的一种商品推荐装置的结构示意图；

图8为本发明实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本申请中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

参考图1，示出了发明实施例提供的一种商品推荐方法的流程示意图。该商品推荐方法包括以下步骤：

s101：获取待进行商品推荐的第一用户。

s102：基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户，用户的场景位置信息是基于用户在历史时间段内的地理位置变化信息生成的。

在具体执行步骤s102的过程中，通过获取第一用户的场景位置信息和第二用户的场景位置信息，并根据第一用户的场景位置信息和第二用户的场景位置信息，确定第二用户是否与第一用户匹配。

在本发明实施例中，根据用户的移动轨迹来统计用户的地理位置变化信息，比如，用户在历史时间段内的过去一天的移动轨迹为从位置a移动到了位置b，又从位置b移动到了位置c，根据移动轨迹统计得到地理位置变化信息，其中，地理位置变化信息表征的是用户从位置a移动到了位置b，又从位置b移动到了位置c，具体的，地理位置变化信息可以是一个向量，由三个元素构成，该向量中的第一个元素用来表征位置a，第二个元素用来表征位置b，第三个元素用来表征位置c。

需要说明的是，历史时间段为预先设置的，可将该历史时间段设置为一个月，也可以将该历史时间段设置为20天。可根据实际应用进行设定，本发明实施例不加以限定。

在本发明的实施例中，可基于一个历史时间段内的用户的场景位置信息确定与第一用户匹配的至少一个第二用户，比如，获取在过去一个月内的第一用户的地理位置变化信息和第二用户的地理位置变化信息，基于过去一个月内的第一用户的地理位置变化信息生成第一用户的场景位置信息，以及基于过去一个月内的第二用户的地理位置变化信息生成第二用户的场景位置信息，基于过去一个月内的第一用户场景位置信息和第二用户的场景位置信息确定该第二用户是否为与第一用户匹配的第二用户。

还可以基于多个历史时间段内的用户的场景位置信息确定与第一用户匹配的至少一个第二用户，但是此种方式需要设置一个预设概率值。比如，在预设概率值为0.5时，获取在过去2月份、3月份以及4月份的第一用户的地理位置变化信息和第二用户的地理位置变化信息，基于过去2月份的第一用户的地理位置变化信息生成过去2月份内第一用户的场景位置信息以及基于过去2月份的第二用户的地理位置变化信息生成过去2月份内第二用户的场景位置信息；基于过去3月份的第一用户的地理位置变化信息生成过去3月份内第一用户的场景位置信息以及基于过去3月份的第二用户的地理位置变化信息生成过去3月份内第二用户的场景位置信息；基于过去4月份的第一用户的地理位置变化信息生成过去4月份内第一用户的场景位置信息以及基于过去4月份的第二用户的地理位置变化信息生成过去4月份内第二用户的场景位置信息；若基于过去2月份内第一用户的场景位置信息和第二用户的场景位置信息确定第二用户为第一用户匹配的第二用户，基于过去3月份内第一用户的场景位置信息和第二用户的场景位置信息确定第二用户为第一用户匹配的第二用户，基于过去4月份内第一用户的场景位置信息和第二用户的场景位置信息确定第二用户不为第一用户匹配的第二用户，由于在过去的3个月份中有两个月份确定第二用户为第一用户匹配的第二用户，因此，可以确定在过去的3个月份的第二用户与第一用户匹配的总次数为3次，第二用户与第一用成功匹配的次数为2次，进而可以确定在过去的3个月份中第二用户与第一用户成功匹配的次数占匹配的总次数的概率为2/3，大于预设概率值，最终可以确定该第二用户为与第一用户匹配的第二用户。

反之，若在过去的3个月份中只有1个月份确定第二用户为第一用户匹配的第二用户，则可以确定在过去的3个月份的第二用户与第一用户匹配的总次数为3次，第二用户与第一用成功匹配的次数为1次，因此，可以确定在过去的3个月份中第二用户与第一用户成功匹配的次数占匹配的总次数的概率为1/3，小于预设概率值，最终可以确定该第二用户不为与第一用户匹配的第二用户。

s103：利用用户的历史商品行为信息从至少一个第二用户中筛选出商品偏好与第一用户相似的至少一个目标第二用户。

在具体执行步骤s103的过程中，获取第一用户的历史商品行为信息，以及获取一个第二用户的历史商品行为信息，并基于第一用户的历史商品行为信息和第二用户的历史商品行为信息判断第一用户和第二用户的商品偏好信息是否相似，如果第一用户和第二用户的商品偏好信息相似，则确定第二用户为目标第二用户，反之，如果第一用户和第二用户的商品偏好信息不相似，则确定第二用户不为目标第二用户。

s104：根据至少一个目标第二用户的历史商品行为信息，确定用于向第一用户推荐的商品。

在具体执行步骤s104的过程中，获取目标第二用户的历史商品行为信息，根据目标第二用户的历史商品信息确定目标第二用户的商品偏好信息，并基于第一用户的商品偏好信息与目标第二用户的商品偏好信息确定用于向第一用户推荐的商品。

本发明提供一种商品推荐方法，通过获取待进行商品推荐的第一用户，并基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户，用户的场景位置信息基于用户在历史时间段内的地理位置变化信息生成，然后利用用户的历史商品行为信息从至少一个第二用户中筛选出商品偏好与第一用户相似的至少一个目标第二用户，最后根据所述至少一个目标第二用户的历史商品行为信息，确定用于向所述第一用户推荐的商品。本发明提供的技术方案，通过用户的场景位置信息确定与第一用户匹配的第二用户，利用用户的历史商品行为信息从第二用户中筛选出与第一用户商品相似的目标第二用户，最后根据目标第二用户的历史商品行为信息确定为第一用户推荐的商品，能够准确的预测待进行商品推荐用户的实时偏好，进而提高商品推荐结果的准确性。

上述本发明实施例图1公开的步骤s102中涉及的用户的场景位置信息的生成过程，参考图2，示出了本发明实施例提供的用户的场景位置信息的生成的流程示意图，包括以下步骤：

s201：获取用户在历史时间段内的地理位置变化信息。

在具体实现步骤s201的过程中，获取用户在过去一天内的地理位置变化信息，用户在过去的一天的早上从位置a移动到位置b，在中午从位置b移动到了位置c，记录a、b以及c的位置，并基于记录到的位置a、位置b以及位置c构建地理位置变化序列，即地理位置变化信息。

需要说明的是，地理位置变化序列可以用向量的形式来表示，比如用户在过去的一天的早上从位置a移动到位置b，在中午从位置b移动到了位置c，记录a、b以及c的位置，并将位置a用v1来表示，位置b用于v2来表示，位置c用v3来表示，因此基于记录到的位置a、位置b以及位置c构建地理位置变化序列以向量的形式可表示为：v＝(v1,v2,v3,......,vn)。

s202：结合地理位置变化信息，生成用户在历史时间段内的场景变化信息。

在具体实现步骤s202的过程中，结合用户在历史时间段内的地理位置变化信息，生成该用户在历史时间段内的场景变化信息，比如用户在的某天的地理位置变化信息包括用户在中午时处于北纬36度东经180度，结合地图可确定用户在该时间处于食品区，进而可推算出该用户在该时间所处的场景为食堂，直至推算出该用户在这一天内所处的各个场景，构建场景变化序列，即场景变化信息。

需要说明的是，场景变化序列可以用向量的形式来表示，比如：用户在过去一天内所处的各个场景可以用z1,z2,......,zn来表示，因此基于用户在过去一天内所处的各个场景构建的场景变化序列，以向量的形式可表示为：z＝(z1,z2,......,zn)。

s203：根据地理位置变化信息和场景变化信息，生成用户的场景位置信息。

在具体实现步骤s203的过程中，根据地理位置变化信息和场景变化信息，生成用户的场景位置信息。即根据历史时间段内的地理位置变化序列和场景变化序列，生成用户的场景位置信息。

比如：记录用户在过去r天的时间段内的地理位置变化信息，进而得到该用户在过去r天的时间段内的地理位置变化序列vr，并将过去r天的时间段内的地理位置变化序列vr结合地图推算出用户在过去r天的时间段内对应的场景变化序列向量zr，将过去r天的时间段内的地理位置变化序列vr与场景变化序列向量zr进行集合运算，得到该用户在过去r天的时间段内的场景位置信息ur。具体的计算公式如下所示：

ur＝(vr,zr)(1)

其中，ur为用户在r天的时间段内的场景位置信息，vr为用户r天的时间段内的地理位置变化序列，zr为用户r天的时间段内的场景变化序列向量。

在本发明实施例中，根据获取的用户在历史时间段内的地理位置变化信息，生成在该段时间内的场景变化信息，再根据地理位置变化信息和场景变化信息，生成用户的场景位置信息。利用用户的场景位置信息能够确定与第一用户匹配的至少一个第二用户。

上述本发明实施例图1公开的步骤s102基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户，如图3所示，包括以下步骤：

s301：分别获取第一用户的场景位置信息和第二用户的场景位置信息。

s302：基于第一用户的场景位置信息和第二用户的场景位置信息，计算第一用户和第二用户所处场景位置的相似度。

需要说明的是，第二用户为至少一个区别于第一用户的其他用户，分别获取第一用户的场景位置信息和其他用户的场景位置信息，基于第一用户的场景位置信息和各个其他用户的场景位置信息，分别计算第一用户和其他用户所处场景位置的相似度。

基于本发明实施例，进一步由上述公式(1)可得出第一用户x和第二用户y所处场景位置的相似度，该第一用户x和第二用户y所处场景位置的相似度的计算公式如下所示：

其中，为在r天的时间段内第一用户x的场景位置信息，为在r天的时间段内第二用户y的场景位置信息，sim(x,y)为在r天的时间段内第一用户x和第二用户y之间的场景位置相似度。

s303：在第一用户和第二用户所处场景位置的相似度满足第一阈值时，将第二用户确定为与第一用户匹配的第二用户。

需要说明的是，第一阈值可以设置为一个数值范围或者一个数值，比如当第一阈值为一个数值范围时，可将第一阈值设置为80％～90％，或者，当第一阈值为一个数值时，可将第一阈值设置为80％，可根据实际应用进行设定，本发明实施例不加以限定。

当第一阈值设置为一个的数值范围，若第一用户和第二用户所处场景位置的相似度为该数值范围中的任意一个数值时，将第二用户确定为与第一用户匹配的第二用户，若第一用户和第二用户所处场景位置的相似度不为该数值范围中的任意一个数值时，确定第二用户不为与第一用户匹配的第二用户，比如：当第一阈值设置为80％～90％，当第一用户与第二用户所处场景位置的相似度为85％时，则说明第一用户与第二用户所处场景位置的相似度满足第一阈值，将第二用户确定为与第一用户匹配的第二用户，若第一用户与第二用户所处场景位置的相似度为75％，则说明第一用户与第二用户所处场景位置的相似度不满足第一阈值，将第二用户确定不为与第一用户匹配的第二用户。

或者，当第一阈值为一个数值时，若第一用户和第二用户所处场景位置的相似度大于等于该数值时，将第二用户确定为与第一用户匹配的第二用户，若第一用户和第二用户所处场景位置的相似度小于该数值时，确定第二用户为不与第一用户匹配的第二用户，比如：可将第一阈值设置为80％，当第一用户与第二用户所处场景位置的相似度为85％时，则说明第一用户与第二用户所处场景位置的相似度大于第一阈值，将第二用户确定为与第一用户匹配的第二用户，若第一用户与第二用户所处场景位置的相似度为70％时，则说明第一用户与第二用户所处场景位置的相似度小于第一阈值，确定第二用户为不与第一用户匹配的第二用户。

s304：在第一用户和第二用户所处场景位置的相似度不满足第一阈值时，确定第二用户不为与第一用户匹配的第二用户。

在本发明实施例中，通过第一用户的场景位置信息和第二用户的场景位置信息，计算出第一用户与第二用户所处场景位置的相似度，并基于场景位置的相似度确定与第一用户匹配的第二用户。利用场景位置相似度能够更好的筛选出与第一用户具有行为相似以及出入场景相似的第二用户。

上述本发明实施例图1公开的步骤s103利用用户的历史商品行为信息从至少一个第二用户中筛选出商品偏好与第一用户相似的至少一个目标第二用户，参考图4，包括以下步骤：

s401：从第一用户的历史商品行为信息中，提取第一用户的商品偏好信息。

需要说明的是，第一用户的历史商品行为信息包括第一用户浏览过的商品、收藏过的商品或者是购买过的商品等，可根据实际应用进行设定，本发明实施例不加以限定。

进一步，需要说明的是，商品偏好信息是基于历史商品行为信息中提取得到的，商品偏好信息用于表征用户偏好的商品和商品属性。

s402：从与第一用户匹配的第二用户的历史商品行为信息中，提取第二用户的商品偏好信息。

需要说明的是，第二用户的历史商品行为信息为第二用户浏览过的商品、收藏过的商品或者是购买过的商品等，可根据实际应用进行设定，本发明实施例不加以限定。

s403：根据第一用户的商品偏好信息和第二用户的商品偏好信息，计算第一用户和第二用户的商品偏好相似度。

基于本发明实施例，用于第一用户的商品偏好信息和第二用户的商品偏好信息的商品偏好相似度的计算公式如下所示：

其中，labelx为第一用户的商品偏好信息，labely为第二用户的商品偏好信息，u为第一用户的商品偏好信息和第二用户的商品偏好信息的集合，分子中的i为第一用户的商品偏好信息和第二用户的商品偏好信息的互信息，分母中的i为第一用户的商品偏好信息的自信息，sim(labelx,labely)为第一用户和第二用户的商品偏好相似度。

s404：在商品偏好相似度满足第二阈值时，确定第二用户为目标第二用户。

需要说明的是，第二阈值可以设置为一个数值范围或者一个数值，比如，当第二阈值为一个数值范围时，可将第二阈值设置为85％～95％，或者，当第二阈值为一个数值时，可将第二阈值设置为95％，可根据实际应用进行设定，本发明实施例不加以限定。

当第二阈值设置为一个的数值范围，当第一用户和第二用户的商品偏好相似度为该数值范围中的任意一个数值时，确定该第二用户为目标第二用户，若第一用户和第二用户的商品偏好相似度不为该数值范围中的任意一个数值时，确定第二用户不为目标第二用户，比如：将第一阈值设置为85％～95％，当第一用户与第二用户的商品偏好相似度为90％时，则说明第一用户与第二用户的商品偏好相似度满足第二阈值，确定第二用户为目标第二用户，若第一用户和第二用户的商品偏好相似度为80％时，则说明第一用户和第二用户的商品偏好相似度不满足第二阈值，将该第二用户确定不为目标第二用户。

或者，当第二阈值设置为一个数值，当第一用户和第二用户的商品偏好相似度大于等于该数值时，确定第二用户为目标第二用户，若第一用户和第二用户的商品偏好相似度小于数值时，确定第二用户不为目标第二用户，比如：可将第二阈值设置为90％，当第一用户和第二用户的商品偏好相似度为95％时，则说明第一用户和第二用户的商品偏好相似度大于第二阈值，将第二用户确定为目标第二用户，若第一用户和第二用户的商品偏好相似度为85％时，则说明第一用户和第二用户的商品偏好相似度小于第二阈值，将第二用户确定不为目标第二用户。

s405：在商品偏好相似度不满足第二阈值时，确定第二用户不为目标第二用户。

在本发明实施例中，通过根据从第一用户的历史商品行为信息中提取的商品偏好信息以及从与第一用户匹配的第二用户的历史商品行为信息中提取的商品偏好信息，计算第一用户和第二用户的商品偏好相似度，并基于该商品偏好相似度确定该第二用户是否为目标第二用户。能够利用商品偏好相似度从至少一个第二用户中进一步筛选出与第一用户商品偏好相似的目标第二用户。

上述本发明实施例图1公开的步骤s104根据至少一个目标用户的历史商品行为信息，确定用户向第一用户推荐的商品，如图5所示，包括以下步骤：

s501：利用粒子群算法和第一用户的商品偏好信息，从至少一个目标第二用户的商品偏好信息中，确定目标商品和目标商品的目标商品属性。

需要说明的是，商品偏好信息是基于历史商品行为信息中提取得到的，商品偏好信息用于表征用户偏好的商品和商品属性。

在具体执行步骤s501的过程中，可以基于与第一用户匹配的至少一个目标第二用户，至少一个目标第二用户所偏好的商品，以及至少一个目标第二用户所偏好的商品的商品属性构建一个三维的粒子群算法问题，通过粒子群算法从至少一个目标第二用户的商品偏好信息中，确定目标商品和目标商品的目标商品属性。

比如：当前与第一用户匹配的目标第二用户有m个，每个目标第二用户有n种偏好商品，且每种偏好的商品的商品属性中出现的频率较高的关键词有l个，即m个目标用户、n种偏好商品以及l个关键词为三维的粒子群中对应的维度上的粒子，对三维的粒子群的粒子的速度和位置进行初始化，再根据粒子群算法中的速度更新公式、粒子位置更新公式分别对三维的粒子群上的粒子的速度和位置进行更新，例如，第i个粒子在t时刻的位置可用向量表示为pi＝(xi,yi,zi)，且该粒子的历史最优位置的向量为pbest＝(pi1,pi2.....pid)，以及当前搜索到的粒子群的最优位置的向量为gbext＝(xg,yg,zg)，第i个粒子在t时刻的速度为vi＝(vxi,vyi,vzi)，对t时刻的第i个粒子进行速度更新，得到t+1时刻的第i个粒子的速度，具体的计算公式如下所示：

vi(t+1)＝w·vi(t)+c1r1(pbext-pi)+c2r2(gbext-pi)(4)

其中，c1和c2为三维的粒子群的学习因子，也称为加速常数，w为三维的粒子群的惯性因子，r1和r2为三维的粒子群[0,1]区间范围内的随机数，vi(t)为t时刻的第i个粒子的速度，vi(t+1)为更新后的t+1时刻的第i个粒子的速度。

进一步的，由上述公式(4)，可得出t+1时刻的第i个粒子的位置，计算公式如下所示：

pi(t+1)＝pi(t)+vi(t+1)(5)

其中，vi(t+1)为更新后的t+1时刻的第i个粒子的速度，pi(t)为t时刻的第i个粒子的的位置，pi(t+1)为更新后的t+1时刻的第i个粒子的位置。

s502：获取商品集，商品集包括至少一个携带商品属性的目标商品。

需要说明的是，商品集中的商品属性为预先计算得到的。

进一步的，该商品集中的商品属性的预先计算过程为：对商品集中的商品对应的评论进行数据预处理，即对评论中的噪声数据进行清洗后，得到标准文本信息，将该标准文本信息进行onehot编码，得到词向量，再通过word2vec模型对词向量进行降维处理，得到低维的词向量，即低维矩阵，再基于卷积神经网络对低维的词向量进行特征提取，得到最终的商品属性。

需要说明的是，对评论中的噪声数据进行清洗为对评论中的错别字的进行替换或者将评论中的特殊字符的删除等。

在本发明实施例中，对商品集中的商品对应的评论进行数据预处理，得到标准文本，再将该标准文本信息进行onehot编码，得到词向量，比如：商品集中的苹果对应的评论为苹果很甜，我们都很喜欢吃，卖家的服务也很周到哦，对该评论进行数据预处理，得到的标准文本为苹果甜服务周到。将苹果甜服务周到进行onehot编码后，得到苹果＝[100...0]，甜＝[010...0]，服务周到＝[0001...0]，可用一个词向量来对得到的编码进行描述，具体为t＝[100...0,010...0,0001...0]，其中，该词向量的维度代表不同的数据类别下的多种特征，例如对于甜来说，甜表示词向量中的味道类别，语料库中用来表示味道的特征有y个，词向量中的味道类别中取值为1的元素所对应的特征即为甜。

进一步的，基于卷积神经网络为低维的词向量进行特征提取过程如图6所示，首先通过卷积神经网络中的卷积层对低维矩阵提取卷积特征矩阵，其次通过池化层对提取到的卷积特征矩阵进行降维处理，得到维度相同的一维特征矩阵，再通过全连接层提取一维特征矩阵中的最大值，并将提取到的各个一维特征矩阵中的最大值进行拼接，得到特征向量，最后利用softmax激活函数对该特征向量进行分类，并通过输出层输出最终的商品属性。

需要说明的是，卷积神经网络为一维卷积神经网络，全连接层为1-maxpooling。可根据实际应用进行设定，本发明实施例不加以限定。

比如：降维前的词向量含有s个词，word2vec模型中的filterwindow的宽度为d，高度为h的矩阵w，通过word2vec模型对词向量进行降维后得到一个s行d列的矩阵a∈r^s×d，将矩阵a输入至一维卷积神经网络中进行计算。一维卷积神经网络对矩阵a的第i行第j列的计算公式如下所示：

oi＝w·a[i:j+h-1],i＝1,2,3,......,s-h+1(6)

需要说明的是，由于降维前的词向量含有s个词，且filterwindow的宽度为d，高度为h的矩阵w，因此一维卷积神经网络对矩阵a进行处理可得到由s-h+1个特征组成的特征向量，最后利用softmax激活函数对该特征向量进行分类，并通过输出层输出最终的商品属性。

s503：基于商品集中目标商品携带的商品属性与目标商品属性的匹配度，从商品集中筛选出用于向第一用户推荐的目标商品。

进一步的，商品集中目标商品携带的商品属性与目标商品属性的匹配度的计算公式如下所示：

其中，mux为目标商品属性，muy为商品集中目标商品携带的商品属性，u为目标商品属性和商品集中目标商品携带的商品属性的集合，分子中的i为目标商品属性和商品集中目标商品携带的商品属性的互信息，分母中的i为目标商品属性的自信息，sim(mux,muy)为目标商品携带的商品属性与目标商品属性的匹配度。

需要说明的是，商品集中目标商品携带的商品属性与目标商品属性的匹配度越高，则代表目标商品携带的商品属性对应的粒子在三维的粒子群中的位置的适应度越好。

在本发明实施例中，首先通过场景位置信息来确定与第一用户匹配的至少一个第二用户，再通过商品偏好信息进一步从至少一个第二用户中筛选出至少一个目标第二用户，最后利用粒子群算法和第一用户的商品偏好信息，确定目标第二用户偏好的目标商品的目标商品属性，并计算商品集中目标商品携带的商品属性与目标商品属性的匹配度，进而从商品集中筛选出匹配度高的目标商品属性对应的目标商品，并向所述第一用户推荐的目标商品。能够综合考虑了第一用户的实时偏好以及所偏好的商品的属性，来从至少一个目标第二用户所偏好的商品中确定向第一用户推荐的目标商品，进而提高商品推荐结果的准确性。

与上述本发明实施例公开的一种商品预测方法相对应，参考图7，本发明实施例还提供了一种商品预测装置结构示意图，该商品预测装置700包括：

第一获取单元701，用于获取待进行商品推荐的第一用户。

第一确定单元702，用于基于用户的场景位置信息确定与第一用户匹配的至少一个第二用户；用户的场景位置信息基于用户在历史时间段内的地理位置变化信息生成。

筛选单元703，用于利用用户的历史商品行为信息从至少一个第二用户中筛选出商品偏好与第一用户相似的至少一个目标第二用户。

第二确定单元704，用于根据所述至少一个目标第二用户的历史商品行为信息，确定用于向第一用户推荐的商品。

上述本发明实施例公开的商品推荐装置中各个单元具体的原理和执行过程，与上述本发明实施例公开的商品推荐方法相同，可参见上述本发明实施例公开的商品推荐方法中相应的部分，这里不再进行赘述。

本发明提供一种商品推荐装置，通过用户的场景位置信息确定与第一用户匹配的第二用户，利用用户的历史商品行为信息从第二用户中筛选出与第一用户商品相似的目标第二用户，最后根据目标第二用户的历史商品行为信息确定为第一用户推荐的商品，能够准确的预测待进行商品推荐用户的实时偏好，进而提高提高商品推荐结果的准确性。

优选的，第一确定单元702，包括：第二获取单元7021、第一生成单元7022和第二生成单元7023。

第二获取单元7021，用于获取用户在历史时间段内的地理位置变化信息。

第一生成单元7022，用于结合地理位置变化信息，生成用户在历史时间段内的场景变化信息。

第二生成单元7023，用于根据地理位置变化信息和场景变化信息，生成用户的场景位置信息。

在本发明实施例中，根据获取的用户在历史时间段内的地理位置变化信息，生成在该段时间内的场景变化信息，再根据地理位置变化信息和场景变化信息，生成用户的场景位置信息。利用用户的场景位置信息能够确定与第一用户匹配的至少一个第二用户。

优选的，第一确定单元702，还包括：第三获取单元7024、计算单元7025、第三确定单元7026和第四确定单元7027。

第三获取单元7024，用于分别获取第一用户的场景位置信息和第二用户的场景位置信息；

计算单元7025，用于基于所述第一用户的场景位置信息和所述第二用户的场景位置信息，计算所述第一用户和第二用户所处场景位置的相似度。

第三确定单元7026，用于在所述第一用户和所述第二用户所处场景位置的相似度满足第一阈值时，将所述第二用户确定为与所述第一用户匹配的第二用户。

第四确定单元7027，用于在所述第一用户和所述第二用户所处场景位置的相似度不满足第一阈值时，确定所述第二用户不为与所述第一用户匹配的第二用户。

在本发明实施例中，通过第一用户的场景位置信息和第二用户的场景位置信息，计算出第一用户与第二用户所处场景位置的相似度，并基于场景位置的相似度确定与第一用户匹配的第二用户。利用场景位置相似度能够更好的筛选出与第一用户具有行为相似以及出入场景相似的第二用户。

优选的，筛选单元703，包括：第一提取单元7031、第二提取单元7032、第一计算子单元7033、第五确定单元7034和第六确定单元7035。

第一提取单元7031，用于从第一用户的历史商品行为信息中，提取第一用户的商品偏好信息。

第二提取单元7032，用于从与第一用户匹配的第二用户的历史商品行为信息中，提取第二用户的商品偏好信息。

第一计算子单元7033，用于根据所述第一用户的商品偏好信息和所述第二用户的商品偏好信息，计算所述第一用户和所述第二用户的商品偏好相似度。

第五确定单元7034，用于在商品偏好相似度满足第二阈值时，确定第二用户为目标第二用户。

第六确定单元7035，用于在商品偏好相似度不满足第二阈值时，确定第二用户不为目标第二用户。

在本发明实施例中，通过从第一用户的历史商品行为信息中提取的商品偏好信息以及从与第一用户匹配的第二用户的历史商品行为信息中提取的商品偏好信息，计算第一用户和第二用户的商品偏好相似度，并基于该商品偏好相似度确定该第二用户是否为目标第二用户。能够利用商品偏好相似度从至少一个第二用户中进一步筛选出与第一用户商品偏好相似的目标第二用户。

优选的，第二确定单元704，包括：第七确定单元7041、第四获取单元7042和推荐单元7043。

第七确定单元7041，利用粒子群算法和第一用户的商品偏好信息，从至少一个目标第二用户的商品偏好信息中，确定目标商品和目标商品的目标商品属性。

第四获取单元7042，用于获取商品集，商品集包括至少一个携带商品属性的目标商品。

推荐单元7043，用于基于商品集中目标商品携带的商品属性与目标商品属性的匹配度，从商品集中筛选出用于向第一用户推荐的目标商品。

在本发明实施例中，首先通过场景位置信息来确定与第一用户匹配的至少一个第二用户，再通过商品偏好信息进一步从至少一个第二用户中筛选出至少一个目标第二用户，最后利用粒子群算法和第一用户的商品偏好信息，确定目标第二用户偏好的目标商品的目标商品属性，并计算商品集中目标商品携带的商品属性与目标商品属性的匹配度，进而从商品集中筛选出匹配度高的目标商品属性对应的商品，并向所述第一用户推荐的目标商品。能够综合考虑了第一用户的实时偏好以及所偏好的商品的属性，来从至少一个目标第二用户所偏好的商品中确定向第一用户推荐的目标商品，进而提高商品推荐结果的准确性。

本发明实施例提供了一种服务器，参考图8，包括存储器801和处理器802，其中：

存储器801存储有程序；处理器802用于执行存储器存储的程序，具体执行如本发明任一实施例提供的商品推荐方法。

本发明实施例提供了一种存储介质，该存储简直存储有计算机可执行指令，用于实现如本发明任一实施例提供的商品推荐方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

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。

以上所述仅是本申请的优选实施方式，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。