一种针对线下用户的物品推荐方法及系统、存储介质与流程

1.本申请涉及网络技术领域，尤其涉及一种针对线下用户的物品推荐方法及系统、存储介质。


背景技术：

2.传统的商品推荐系统一般都是通过捕获线上用户的行为数据来挖掘出线上用户的商品偏好，然后再根据线上用户的商品偏好进一步向线上用户进行商品推荐。然而，对于线下用户而言，传统的商品推荐系统往往难以捕获到线下用户的行为数据，在线下用户没有主动提供其偏好数据的情况下，如何有效的针对线下用户进行商品推荐是传统的商品推荐系统急需解决的一个难点。


技术实现要素：

3.本申请实施例公开了一种针对线下用户的物品推荐方法及系统、存储介质，能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。
4.本申请实施例第一方面公开一种针对线下用户的物品推荐方法，所述方法包括：
5.获取线下用户的属性信息；
6.获取与所述属性信息匹配的用户偏好物品类别，并从所述用户偏好物品类别中选取出至少一个用户偏好物品；
7.提取所述至少一个用户偏好物品对应的目标特征向量；
8.计算所述目标特征向量与物品资源库中的每一物品的特征向量之间的相似度；
9.从所述物品资源库中选取出待推荐物品；所述目标特征向量与所述待推荐物品的特征向量之间的所述相似度高于指定相似度；所述待推荐物品的特征向量属于所述物品资源库中的物品的特征向量；
10.向所述线下用户推荐所述待推荐物品。
11.作为一种可选的实施方式，在本申请实施例第一方面中，所述提取所述至少一个用户偏好物品对应的目标特征向量之后，以及所述计算所述目标特征向量与物品资源库中的每一物品的特征向量之间的相似度之前，所述方法还包括：
12.识别所述线下用户所处环境中的各个物品；
13.将识别出的所述各个物品组成物品资源库。
14.作为一种可选的实施方式，在本申请实施例第一方面中，所述获取线下用户的属性信息，包括：
15.通过摄像设备获取线下用户的用户图像；
16.对所述线下用户的用户图像进行分析，获得所述线下用户的属性信息。
17.作为一种可选的实施方式，在本申请实施例第一方面中，所述获取与所述属性信息匹配的用户偏好物品类别，包括：
18.确定所述属性信息对应的各个偏好物品类别的热度权重；
19.根据所述属性信息对应的各个偏好物品类别的热度权重，从所述各个偏好物品类别中确定出所述热度权重最大的偏好物品类别，作为与所述属性信息匹配的用户偏好物品类别。
20.作为一种可选的实施方式，在本申请实施例第一方面中，所述提取所述至少一个用户偏好物品对应的目标特征向量，包括：
21.利用特征提取器提取所述至少一个用户偏好物品各自对应的特征向量；
22.对所述至少一个用户偏好物品各自对应的特征向量求平均值，作为所述至少一个用户偏好物品对应的目标特征向量。
23.本申请实施例第二方面公开一种针对线下用户的物品推荐系统，所述方法包括：
24.第一获取单元，用于获取线下用户的属性信息，所述属性信息至少包括所述线下用户的性别和年龄；
25.第二获取单元，用于获取与所述属性信息匹配的用户偏好物品类别；
26.选取单元，用于从所述用户偏好物品类别中选取出至少一个用户偏好物品；
27.提取单元，用于提取所述至少一个用户偏好物品对应的目标特征向量；
28.计算单元，用于计算所述目标特征向量与物品资源库中的每一物品的特征向量之间的相似度；
29.所述选取单元，还用于从所述物品资源库中选取出待推荐物品；所述目标特征向量与所述待推荐物品的特征向量之间的所述相似度高于指定相似度；所述待推荐物品的特征向量属于所述物品资源库中的物品的特征向量；
30.推荐单元，用于向所述线下用户推荐所述待推荐物品。
31.作为一种可选的实施方式，在本申请实施例第二方面中，所述物品推荐系统还包括：
32.识别单元，用于在所述提取单元提取所述至少一个用户偏好物品对应的目标特征向量之后，以及所述计算单元计算所述目标特征向量与物品资源库中的每一物品的特征向量之间的相似度之前，识别所述线下用户所处环境中的各个物品；
33.组成单元，用于将识别出的所述各个物品组成物品资源库。
34.作为一种可选的实施方式，在本申请实施例第二方面中，所述第一获取单元包括：
35.第一获取子单元，用于通过摄像设备获取线下用户的用户图像；
36.分析子单元，用于对所述线下用户的用户图像进行分析，获得所述线下用户的属性信息。
37.作为一种可选的实施方式，在本申请实施例第二方面中，所述第二获取单元包括：
38.第一确定子单元，用于确定所述属性信息对应的各个偏好物品类别的热度权重；
39.第二确定子单元，用于根据所述属性信息对应的各个偏好物品类别的热度权重，从所述各个偏好物品类别中确定出所述热度权重最大的偏好物品类别，作为与所述属性信息匹配的用户偏好物品类别。
40.作为一种可选的实施方式，在本申请实施例第二方面中，所述提取单元包括：
41.提取子单元，用于利用特征提取器提取所述至少一个用户偏好物品各自对应的特征向量；
42.平均单元，用于对所述至少一个用户偏好物品各自对应的特征向量求平均值，作为所述至少一个用户偏好物品对应的目标特征向量。
43.本申请实施例第三方面公开一种针对线下用户的物品推荐系统，包括：
44.存储有可执行程序代码的存储器；
45.与所述存储器耦合的处理器；
46.所述处理器调用所述存储器中存储的所述可执行程序代码，执行本申请实施例第一方面公开的所述针对线下用户的物品推荐方法的步骤。
47.本申请实施例第四方面公开一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令运行时使计算机执行本申请实施例第一方面公开的所述针对线下用户的物品推荐方法的步骤。
48.与现有技术相比，本申请实施例具有以下有益效果：
49.本申请实施例中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好物品类别—>某些用户偏好物品—>物品特征向量比对—>待推荐物品”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。
50.此外，实施本申请实施例，不仅可以将新的没有被推荐过的物品(如线上商品或线下商品)推荐给线下用户，而且还可以向没有出现的新的线下用户推荐物品，从而可以实现推荐系统的冷启动。
51.此外，实施本申请实施例的创新方式具有很强的可移植性，在每一个特定领域的场景下，都能完成该场景下的推荐系统的冷启动，比如，在商场环境下，可以用该创新是给线下用户推荐服饰，而在书城环境下给线下用户推荐图书等等。
附图说明
52.为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
53.图1为本申请实施例公开的一种针对线下用户的物品推荐方法的流程示意图；
54.图2为本申请实施例公开的另一种针对线下用户的物品推荐方法的流程示意图；
55.图3为本申请实施例公开的又一种针对线下用户的物品推荐方法的流程示意图；
56.图4为本申请实施例公开的又一种针对线下用户的物品推荐方法的流程示意图；
57.图5为本申请实施例公开的一种针对线下用户的物品推荐系统的模块化示意图；
58.图6为本申请实施例公开的另一种针对线下用户的物品推荐系统的模块化示意图；
59.图7为本申请实施例公开的又一种针对线下用户的物品推荐系统的模块化示意图。
具体实施方式
60.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。
61.需要说明的是，本申请实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
62.本申请实施例公开了一种针对线下用户的物品推荐方法及系统、存储介质，能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。以下进行结合附图进行详细描述。
63.请参阅图1，图1为本申请实施例公开的一种针对线下用户的物品推荐方法的流程示意图。其中，图1所描述的针对线下用户的物品推荐方法是从推荐系统的角度进行描述的，该推荐系统在物理实现上可以属于一种智慧商业系统。其中，智慧商业系统是指在线下体验或者消费场景下，通过互联网技术为线下消费者或者商家提供智能服务的系统。如图1所示，针对线下用户的物品推荐方法可以包括以下步骤：
64.101、推荐系统获取线下用户的属性信息。
65.在一些实施方式中，该属性信息至少包括线下用户的性别和年龄。
66.在一些实施方式中，推荐系统可以通过线上的方式获取线下用户的属性信息，例如，推荐系统可以通过线下用户预先在线上的注册信息(如邮箱注册信息、网页注册信息)或者线下用户的好友用户获取该线下用户的属性信息。
67.在另一些实施方式中，推荐系统也可以通过线下的方式获取线下用户的属性信息，例如，推荐系统可以通过摄像设备(如摄像头)获取线下用户的用户图像，并通过图像属性检测方法对线下用户的用户图像进行检测，从而可以获得该线下用户的属性信息。举例来说，在线下用户到达某一物品(如服饰)所在环境(如服装店)时，推荐系统可以通过该物品(如服饰)所在环境(如服装店)内的摄像设备(如摄像头)获取该线下用户的用户图像，并通过图像属性检测方法对线下用户的用户图像进行检测，从而可以获得该线下用户的属性信息。
68.在另一些实施方式中，推荐系统可以通过摄像设备(如摄像头)获取线下用户的用户图像，并从该用户图像中提取出线下用户的人脸图像；以及，计算线下用户的人脸图像的初始特征图，以及计算该初始特征图的响应图；以及，根据该响应图提取当前响应区域；其中，当前响应区域为响应图中响应值大于响应阈值的连通区域；以及，根据平均响应区域和当前响应区域计算属性关联区域，并对该属性关联区域作感兴趣区域池化，得到预设大小的待定特征图；以及，根据该待定特征图预测线下用户的属性信息。这种实施方式可以有效、完整的预测出线下用户的属性信息。
69.需要说明的是，在卷积神经网络中，特征图的响应值与学习目标密切相关，在本实施例中，特征图的响应值与要识别的属性信息密切相关。对应于某个属性信息的特征图中，响应值越大，表示该区域存在该属性信息的可能性越大，也就是说特征图中响应值越大表示关联性越强。通过卷积神经网络的前向传播过程即可以求得每层特征图的响应值。优选的，本实施例可以以卷积神经网络的卷积层的输出映射到原图(即线下用户的人脸图像的
初始特征图)之后得到的特征图作为响应图；进一步地，以响应图中的响应值大于一定响应阈值的连通区域作为当前响应区域。响应阈值可以通过经验或有限次的试验得到，如响应阈值设置为经验值0.5。
70.其中，根据待定特征图预测线下用户的人脸属性可以根据现有技术实现，本申请实施例不作赘述。
71.在一些实施方式中，线下用户的属性信息不仅包括线下用户的性别和年龄，还可以进一步包括线下用户的发型、线下用户的穿衣打扮、线下用户的同行关系(如与线下用户同行的人数)、职业、兴趣等信息，本申请实施例不作限定。
72.102、推荐系统获取与该属性信息匹配的用户偏好物品类别，并从该用户偏好物品类别中选取出至少一个用户偏好物品。
73.在一些实施方式中，可以从根据领域专家的经验手动预定义的用户属性信息与用户偏好物品类别的标签的对应关系中，获取与该属性信息匹配的用户偏好物品类别。例如，可以根据领域专家的经验，手动预定义好用户属性信息包括的性别“女性”和年龄“25岁”与用户偏好物品类别“情感类书籍”的标签的对应关系；又例如，可以根据领域专家的经验，手动预定义好用户属性信息包括的性别“男性”和年龄“35岁”与用户偏好物品类别“历史类书籍”的标签的对应关系。
74.在另一些实施方式中，可以使用数据挖掘算法自动从海量的互联网数据中，挖掘出用户属性信息和用户偏好物品类别的标签的对应关系，并根据该对应关系，获得与该属性信息匹配的用户偏好物品类别。比如，通过数据挖掘算法从海量的互联网数据中挖掘出物品类别的标签，当某一用户发生购买该物品类别对应的物品的行为时，将该物品类别作为该用户的用户偏好物品类别，并自动建立该用户的用户属性信息和该用户偏好物品类别的标签的对应关系，从而可以自动的、高效率的挖掘出用户属性信息和用户偏好物品类别的标签的对应关系。
75.在又一些实施方式中，推荐系统获取与该属性信息匹配的用户偏好物品类别，可以包括：
76.推荐系统确定该属性信息对应的各个偏好物品类别的热度权重；
77.以及，推荐系统根据该属性信息对应的各个偏好物品类别的热度权重，从各个偏好物品类别中确定出热度权重最大的偏好物品类别，作为与该属性信息匹配的用户偏好物品类别。
78.举例来说，该属性信息包括的性别“男性”和年龄“35岁”对应的各个偏好物品类别分别为：历史类图书、社会类图书以及投资类图书；其中，历史类图书的平均评分人数为50000、社会类图书的平均评分人数为40000、投资类图书的平均评分人数为30000，那么历史类图书的热度权重为0.42(50000/(50000+40000+30000)＝0.42)、社会类图书的热度权重为0.33(40000/(50000+40000+30000)＝0.33)、投资类图书的热度权重为0.25(30000/(50000+40000+30000)＝0.25)；在此基础上，推荐系统可以从该属性信息包括的性别“男性”和年龄“35岁”对应的历史类图书、社会类图书以及投资类图书中确定出热度权重最大的历史类图书，作为与该属性信息包括的性别“男性”和年龄“35岁”匹配的用户偏好物品类别。
79.在又一些实施方式中，推荐系统获取与该属性信息匹配的用户偏好物品类别，可
以包括：
80.推荐系统确定该属性信息对应的各个偏好物品类别；
81.以及，推荐系统采用随机方式从各个偏好物品类别中确定出任意一个或多个的偏好物品类别，作为与该属性信息匹配的用户偏好物品类别。
82.103、推荐系统提取上述至少一个用户偏好物品对应的目标特征向量。
83.在一些实施方式中，推荐系统可以利用训练好的特征提取器提取上述至少一个用户偏好物品各自对应的特征向量；以及，对上至少一个用户偏好物品各自对应的特征向量求平均值，作为上述至少一个用户偏好物品对应的目标特征向量。
84.其中，推荐系统在执行步骤103之前，可以对大量被推荐的某一物品类别的物品运用相应的特征提取算法，从而训练出一个该物品类别通用的特征提取器。该特征提取器的作用是，对于输入的任意一个该物品类别中的物品，输出一个可计算的特征向量。由于该物品类别中的不同物品的特征向量在同一个特征空间(因为是同一个特征提取器提取的)，因此该物品类别中的不同物品的特征向量之间可以进行有意义的数值运算。例如，可以对提取出的上至少一个用户偏好物品各自对应的特征向量求平均值，作为上述至少一个用户偏好物品对应的目标特征向量，目标特征向量代表用户对上述至少一个用户偏好物品的平均偏好。
85.以图书推荐为例，推荐系统可以使用大量的图书简介信息作为语料训练出一个图书类别通用的特征提取模型。基于该特征提取模型，输入的任意一个该图书类别中的图书的简介信息，输出一个可计算的特征向量。由于不管是线上的图书，还是线下的图书，图书的简介文本的基本信息和构成不会有变化，经过该特征提取模型均能提取一个特征向量。
86.在一些实施方式中，特征提取模型可以是神经网络自然语言模型，该神经网络自然语言模型这可以由多层神经网络组成，在该神经网络自然语言模型模型的训练过程中，每一次的训练时给神经网络输入一个paragraph(即样本，如语料)，然后通过网络不通层之间的连接一层一层的向各层网络传递信息，网络的每一层会学习输入paragraph的某些特征，可能是整体的语法，句子结构，或者句子中各个词之间的关系等等。通过上面的训练过程，网络可以学习输入的所有样本形成的样本空间对应的特征空间(不同层的网络会各自学习某一方面的特征)，这个时候如果再输入一个新的paragraph，那个就可以通过这个训练好的模型给出其相应的特征，最终这个输出的特征是用一个数值型的特征向量表示的，也就是前面所说提取的特征向量。
87.104、推荐系统计算目标特征向量与物品资源库中的每一物品的特征向量之间的相似度。
88.在一些实施方式中，物品资源库可以是线上物品组成的物品资源库(如服饰资源库、图书资源库)，或者，物品资源库也可以是线下物品组成的物品资源库，本申请实施例不作限定。
89.在一些实施方式中，当物品资源库是线下物品组成的物品资源库时，推荐系统执行步骤103之后，以及执行步骤104之前，还可以执行以下步骤：
90.推荐系统识别线下用户所处环境中的各个物品，并将识别出的各个物品组成物品资源库。
91.举例来说，推荐系统可以先获取线下用户的即时位置，然后再根据线下用户的即
时位置确定线下用户所处环境，进而可以利用线下用户所处环境中的摄像设备(如摄像头)识别出线下用户所处环境中的各个物品，并将识别出的各个物品组成物品资源库。
92.105、推荐系统从物品资源库中选取出待推荐物品；其中，目标特征向量与待推荐物品的特征向量之间的相似度高于指定相似度，该待推荐物品的特征向量属于该物品资源库中的物品的特征向量。
93.举例来说，如果计算出目标特征向量与物品资源库中的物品a的特征向量之间的相似度为x1，目标特征向量与物品资源库中的物品b的特征向量之间的相似度为x2，目标特征向量与物品资源库中的物品c的特征向量之间的相似度为x3；其中，x1大于x2，x2大于x3；那么，推荐系统可以从物品资源库中选取出物品a，作为待推荐物品。其中，通过这种相似度的比对排序，推荐系统可以在特征空间中找到与上述至少一个用户偏好物品最相关的待推荐物品(如商品)。
94.106、推荐系统向该线下用户推荐选取出的待推荐物品。
95.在一些实施方式中，推荐系统向该线下用户推荐选取出的待推荐物品的方式可以为：
96.推荐系统可以向该线下用户携带的电子设备(如手表、手机)发送选取出的待推荐物品，从而可以实现向该线下用户推荐选取出的待推荐物品；
97.或者，推荐系统可以向该线下用户所处环境中的显示屏输出选取出的待推荐物品，从而可以实现向该线下用户推荐选取出的待推荐物品。
98.在图1所描述的物品推荐方法中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好物品类别—>某些用户偏好物品—>物品特征向量比对—>待推荐物品”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。
99.此外，实施图1所描述的物品推荐方法，不仅可以将新的没有被推荐过的物品(如线上商品或线下商品)推荐给线下用户，而且还可以向没有出现的新的线下用户推荐物品，从而可以实现推荐系统的冷启动。
100.此外，图1所描述的物品推荐方法中的创新方式具有很强的可移植性，在每一个特定领域的场景下，都能完成该场景下的推荐系统的冷启动，比如，在商场环境下，可以用该创新是给线下用户推荐服饰，而在书城环境下给线下用户推荐图书等等。
101.请参阅图2，图2为本申请实施例公开的另一种针对线下用户的物品推荐方法的流程示意图。其中，图2所描述的针对线下用户的物品推荐方法是从推荐系统的角度进行描述的。其中，图2所描述的针对线下用户的物品推荐方法用于向进入某一服饰环境(如服装店、服装室)的线下用户进行服饰推荐。如图2所示，针对线下用户的物品推荐方法可以包括以下步骤：
102.201、推荐系统通过集成在服饰环境内的显示屏的上边缘的摄像设备检测是否有线下用户进入该服饰环境，如果有，执行步骤202～步骤210；如果没有，结束本流程。
103.在一些实施方式中，推荐系统也可以通过人体感应方式检测是否有线下用户进入服饰环境，如果有，执行步骤202～步骤210；如果没有，结束本流程。
104.举例来说，线下用户进入该服饰环境后，可以移动至该服饰环境内的显示屏的前方，以使得推荐系统可以通过集成在该显示屏的上边缘的摄像设备检测到有线下用户进入
该服饰环境。
105.202、推荐系统通过该摄像设备获取该线下用户的用户图像，并将该线下用户的用户图像输出至该显示屏进行显示。
106.203、推荐系统对该线下用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别、年龄以及与该线下用户同行的距离较近的另一人的穿衣打扮。
107.举例来说，与该线下用户同行的距离较近的另一人可以是该线下用户的助理人员；或者，与该线下用户同行的距离较近的另一人可以是该线下用户的亲友、好友，本申请实施例不作限定。
108.204、推荐系统获取与该属性信息匹配的用户偏好服饰类别，并从该用户偏好服饰类别中选取出至少一个用户偏好服饰。
109.举例来说，推荐系统可以确定该属性信息对应的各个偏好服饰类别的热度权重；以及，根据该属性信息对应的各个偏好服饰类别的热度权重，从各个偏好服饰类别中确定出热度权重最大的偏好服饰类别，作为与该属性信息匹配的用户偏好服饰类别。
110.其中，与该属性信息匹配的用户偏好服饰类别是指：与该属性信息包括的该线下用户的性别、年龄以及与该线下用户同行的距离较近的另一人的穿衣打扮匹配的用户偏好服饰类别；其中，该用户偏好服饰类别中的用户偏好服饰与该线下用户同行的距离较近的另一人的穿衣打扮相搭配，不冲突。
111.205、推荐系统提取上述至少一个用户偏好服饰对应的目标特征向量。
112.举例来说，推荐系统可以利用特征提取器提取上述至少一个用户偏好服饰各自对应的特征向量；以及，对上述至少一个用户偏好服饰各自对应的特征向量求平均值，作为上述至少一个用户偏好服饰对应的目标特征向量。
113.举例来说，上述至少一个用户偏好服饰各自对应的特征向量可以是上述至少一个用户偏好服饰各自对应的款式、颜色等。
114.206、推荐系统识别该线下用户所处环境中的各个服饰。
115.207、推荐系统将识别出的各个服饰组成服饰资源库。
116.208、推荐系统计算目标特征向量与服饰资源库中的每一服饰的特征向量之间的相似度。
117.209、推荐系统从服饰资源库中选取出待推荐服饰；其中，目标特征向量与待推荐服饰的特征向量之间的相似度高于指定相似度，该待推荐服饰的特征向量属于该服饰资源库中的物品的特征向量。
118.210、推荐系统将选取出的待推荐服饰(即电子版的待推荐服饰)加载到该显示屏显示的该用户图像上，以实现向该线下用户推荐选取出的待推荐服饰。
119.其中，实施上述步骤210，线下用户快捷的获悉推荐系统推荐的服饰是否与自己的身材相搭配，免去了线下用户试穿服饰所带来的不便，提升线下用户的试衣体验。
120.在图2所描述的物品推荐方法中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好服饰类别—>某些用户偏好服饰—>服饰特征向量比对—>待推荐服饰”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行服饰推荐。
121.此外，实施图2所描述的物品推荐方法，不仅可以将新的没有被推荐过的线下服饰推荐给线下用户，而且还可以向没有出现的新的线下用户推荐线下服饰，从而可以实现推荐系统的冷启动。
122.请参阅图3，图3为本申请实施例公开的又一种针对线下用户的物品推荐方法的流程示意图。其中，图3所描述的针对线下用户的物品推荐方法是从推荐系统的角度进行描述的。其中，图3所描述的针对线下用户的物品推荐方法用于向进入某一图书环境(如书店、图书馆)的线下用户进行图书推荐。如图3所示，针对线下用户的物品推荐方法可以包括以下步骤：
123.301、推荐系统通过集成在图书环境内的显示屏的上边缘的摄像设备检测是否有线下用户进入该图书环境，如果有，执行步骤302～步骤310；如果没有，结束本流程。
124.302、推荐系统通过该摄像设备获取该线下用户的用户图像。
125.303、推荐系统对该线下用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别和年龄。
126.304、推荐系统获取与该属性信息匹配的用户偏好图书类别，并从该用户偏好图书类别中选取出至少一个用户偏好图书。
127.举例来说，推荐系统可以确定该属性信息对应的各个偏好图书类别的热度权重；以及，根据该属性信息对应的各个偏好图书类别的热度权重，从各个偏好图书类别中确定出热度权重最大的偏好图书类别，作为与该属性信息匹配的用户偏好图书类别。
128.305、推荐系统提取上述至少一个用户偏好图书对应的目标特征向量。
129.举例来说，推荐系统可以利用特征提取器提取上述至少一个用户偏好图书各自对应的特征向量；以及，对上述至少一个用户偏好图书各自对应的特征向量求平均值，作为上述至少一个用户偏好图书对应的目标特征向量。
130.306、推荐系统识别该线下用户所处环境中的各个图书。
131.307、推荐系统将识别出的各个图书组成图书资源库。
132.308、推荐系统计算目标特征向量与图书资源库中的每一图书的特征向量之间的相似度。
133.309、推荐系统从图书资源库中选取出待推荐图书；其中，目标特征向量与待推荐图书的特征向量之间的相似度高于指定相似度，该待推荐图书的特征向量属于该图书资源库中的物品的特征向量。
134.310、推荐系统将选取出的待推荐图书输出至该显示屏进行显示，从而实现向该线下用户推荐选取出的待推荐图书。
135.在图3所描述的物品推荐方法中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好图书类别—>某些用户偏好图书—>图书特征向量比对—>待推荐图书”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行图书推荐。
136.此外，实施图3所描述的物品推荐方法，不仅可以将新的没有被推荐过的线下图书推荐给线下用户，而且还可以向没有出现的新的线下用户推荐图书，从而可以实现推荐系统的冷启动。
137.请参阅图4，图4为本申请实施例公开的又一种针对线下用户的物品推荐方法的流
程示意图。其中，图4所描述的针对线下用户的物品推荐方法是从推荐系统的角度进行描述的。其中，图4所描述的针对线下用户的物品推荐方法用于向进入某一食堂环境(如学校食堂)的线下用户进行菜品推荐。如图4所示，针对线下用户的物品推荐方法可以包括以下步骤：
138.401、推荐系统通过该食堂环境内的任一智能餐盘的上边缘集成的摄像设备检测是否有线下用户进入该食堂环境，如果有，执行步骤402～步骤410；如果没有，结束本流程。
139.举例来说，线下用户进入该食堂环境后，可以拿起该食堂环境内的任一智能餐盘，以使得推荐系统可以通过该智能餐盘的上边缘集成的摄像设备检测到线下用户进入该食堂环境。
140.402、推荐系统通过该摄像设备获取该线下用户的用户图像。
141.403、推荐系统对该线下用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别、年龄以及与该线下用户同行的人员数量。
142.404、推荐系统获取与该属性信息匹配的用户偏好菜品类别，并从该用户偏好菜品类别中选取出至少一个用户偏好菜品。
143.举例来说，推荐系统可以确定该属性信息对应的各个偏好菜品类别的热度权重；以及，根据该属性信息对应的各个偏好菜品类别的热度权重，从各个偏好菜品类别中确定出热度权重最大的偏好菜品类别，作为与该属性信息匹配的用户偏好菜品类别。
144.其中，与该属性信息匹配的用户偏好菜品类别是指：适合该属性信息包括的该线下用户的性别和年龄食用的，并且菜品分量又适合与该线下用户同行的人员数量的用户偏好菜品类别。
145.405、推荐系统提取上述至少一个用户偏好菜品对应的目标特征向量。
146.举例来说，推荐系统可以利用特征提取器提取上述至少一个用户偏好菜品各自对应的特征向量；以及，对上述至少一个用户偏好菜品各自对应的特征向量求平均值，作为上述至少一个用户偏好采用对应的目标特征向量。
147.406、推荐系统识别该线下用户所处环境中的各个菜品。
148.举例来说，推荐系统可以利用图像识别算法识别出该线下用户所处环境(即食堂环境)中的各个菜品。
149.407、推荐系统将识别出的各个菜品组成菜品资源库。
150.408、推荐系统计算目标特征向量与菜品资源库中的每一菜品的特征向量之间的相似度。
151.409、推荐系统从菜品资源库中选取出待推荐菜品；其中，目标特征向量与待推荐菜品的特征向量之间的相似度高于指定相似度，该待推荐菜品的特征向量属于该菜品资源库中的物品的特征向量。
152.410、推荐系统将选取出的待推荐菜品输出至该智能餐盘的显示屏上进行显示，以实现向该线下用户推荐选取出的待推荐菜品。
153.作为一种可选的实施方式，在图4所描述的物品推荐方法中，还可以包括以下步骤：
154.步骤a)、该智能餐盘靠近该食堂场景内的任一餐桌上的电子牌的过程中，从该电子牌中获取用于唯一标识该智能餐盘的唯一标识信息。
155.在一些实施方式中，该智能餐盘可以内置有近场通信(near field communication，nfc)芯片，在该智能餐盘靠近该食堂场景内的任一餐桌上的电子牌的过程中，该智能餐盘可以通过其内置的nfc芯片从该电子牌中获取该电子牌为该智能餐盘分配的用于唯一标识该智能餐盘的唯一标识信息。相应地，当该电子牌为该智能餐盘分配了用于唯一标识该智能餐盘的唯一标识信息之后，该食堂场景内的其他餐桌上的电子牌不再将用于唯一标识该智能餐盘的唯一标识信息分配给其他智能餐盘，从而可以保证每一个智能餐盘被分配到用于唯一标识该智能餐盘的唯一标识信息。举例来说，用于唯一标识该智能餐盘的唯一标识信息可以包括数字、字符、数字串或字符串等，本申请实施例不作限定。
156.举例来说，线下用户可以将其选择好的各个菜品依次放入该智能餐盘的菜品放置区；以及，线下用户可以端着该智能餐盘自由的移动到该食堂场景内的任一餐桌附近，并将该智能餐盘靠近该餐桌上的电子牌，使得在该智能餐盘靠近该餐桌上的电子牌的过程中该智能餐盘可以通过其内置的nfc芯片从该电子牌中获取该电子牌为该智能餐盘分配的用于唯一标识该智能餐盘的唯一标识信息(如数字串68，该数字串68可以表示线下用户是当日在该食堂场景内的第68个用餐者)。
157.步骤b)、该智能餐盘根据该唯一标识信息，确定出与该唯一标识信息相映射的唯一点亮图案。
158.在一些实施方式中，该智能餐盘可以直接在该唯一标识信息的后面加上指定后缀，从而确定出与该唯一标识信息相映射的唯一点亮图案。例如，该唯一标识信息为68，那么该智能餐盘可以直接在该唯一标识信息68的后面加上指定后缀f，从而确定出与该唯一标识信息68相映射的唯一点亮图案68f。
159.又或者，在另一些实施方式中，该智能餐盘可以直接将该唯一标识信息作为确定出的与该唯一标识信息相映射的唯一点亮图案。例如，该唯一标识信息为50，那么该智能餐盘可以直接将50作为确定出的与该唯一标识信息50相映射的唯一点亮图案。
160.步骤c)、该智能餐盘控制该智能餐盘上的提示灯阵列中的部分提示灯点亮，以生成该唯一点亮图案。
161.步骤d)、推荐系统将该唯一点亮图案作为追踪依据追踪到该智能餐盘和线下用户的人脸图像之后，识别该智能餐盘中的各个菜品对应的结算总额，并从该线下用户的人脸图像对应的预设账号中扣除该结算总额。
162.在一些实施方式中，该智能餐盘上的提示灯阵列与该智能餐盘的菜品放置区可以设置在该智能餐盘的相同一侧，以方便观看；其中，该智能餐盘上的提示灯阵列所占的区域与该智能餐盘的菜品放置区相互隔离，不存在重叠区域。举例来说，该唯一点亮图案为68，那么智能餐盘可以控制该智能餐盘上的提示灯阵列中的部分提示灯点亮，以生成该唯一点亮图案68，也即是说智能餐盘可以控制该智能餐盘上的提示灯阵列中的部分提示灯点亮，以使提示灯阵列中显示出数字68。
163.在一些实施方式中，在智能餐盘控制该智能餐盘上的提示灯阵列中的部分提示灯点亮，以生成该唯一点亮图案之后；推荐系统可以将该唯一点亮图像作为追踪依据对该智能餐盘和该线下用户的人脸图像进行追踪。举例来说，推荐系统可以先利用分布在该食堂场景内的若干个图像采集设备(如摄像头)和图像识别算法去追踪到该智能餐盘生成的该唯一点亮图案，然后再利用该若干个图像采集设备和动态人像识别算法去追踪该线下用户
的人脸图像。在追踪到该智能餐盘和该线下用户的人脸图像之后，推荐系统可以进一步利用该若干个图像采集设备和菜品识别算法识别该智能餐盘的菜品放置区中的各个菜品，并且根据预配置的各个菜品的价格自动计算出各个菜品对应的结算总额，并从该线下用户的人脸图像对应的预设账号(如学生的人脸图像对应的饭卡账号)中扣除该结算总额。
164.在图4所描述的物品推荐方法中，通过“线下用户的属性信息(包括线下用户的性别、年龄以及与该线下用户同行的人员数量)—>用户偏好菜品类别—>某些用户偏好菜品—>菜品特征向量比对—>待推荐菜品”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行菜品推荐。
165.此外，实施图4所描述的物品推荐方法，不仅可以将新的没有被推荐过的线下菜品推荐给线下用户，而且还可以向没有出现的新的线下用户推荐菜品，从而可以实现推荐系统的冷启动。
166.此外，图4所描述的针对线下用户的物品推荐方法在购餐结算过程中无需食堂的服务员进行人工干预，购餐结算过程中也不需要进行排队，购餐者只需要端起智能餐盘并将该智能餐盘靠近一下食堂场景内的任一餐桌上的电子牌即可被自动追踪进行购餐结算，从而可以极大的提高购餐的结算效率，避免造成在购餐结算时的排队拥堵。
167.此外，图4所描述的针对线下用户的物品推荐方法在购餐结算过程中并不需要输入指纹进行购餐结算，从而可以避免输入指纹带来的卫生风险。
168.请参阅图5，图5为本申请实施例公开的一种针对线下用户的物品推荐系统的模块化示意图。需要说明的是，图5所示的针对线下用户的物品推荐系统包括的各个单元可以集中在一起，也可以分散布局，不影响本申请实施例的实现。如图5所示，针对线下用户的物品推荐系统可以包括：
169.第一获取单元501，用于获取线下用户的属性信息；
170.第二获取单元502，用于获取与该属性信息匹配的用户偏好物品类别；
171.选取单元503，用于从该用户偏好物品类别中选取出至少一个用户偏好物品；
172.提取单元504，用于提取上述至少一个用户偏好物品对应的目标特征向量；
173.计算单元505，用于计算目标特征向量与物品资源库中的每一物品的特征向量之间的相似度；
174.选取单元503，还用于从物品资源库中选取出待推荐物品；其中，目标特征向量与待推荐物品的特征向量之间的相似度高于指定相似度，该待推荐物品的特征向量属于该物品资源库中的物品的特征向量；
175.推荐单元506，用于向该线下用户推荐选取出的待推荐物品。
176.在一些实施方式中，图5所示的物品推荐系统还包括：
177.识别单元507，用于在提取单元504提取上述至少一个用户偏好物品对应的目标特征向量之后，以及计算单元505计算目标特征向量与物品资源库中的每一物品的特征向量之间的相似度之前，识别该线下用户所处环境中的各个物品；
178.组成单元508，用于将识别出的各个物品组成物品资源库。
179.在一些实施方式中，第一获取单元501可以通过集成在服饰环境内的显示屏的上边缘的摄像设备检测是否有线下用户进入该服饰环境，如果有，通过该摄像设备获取该线下用户的用户图像，并将该线下用户的用户图像输出至该显示屏进行显示，以及对该线下
用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别、年龄以及与该线下用户同行的距离较近的另一人的穿衣打扮。相应地，与该属性信息匹配的用户偏好服饰类别是指：与该属性信息包括的该线下用户的性别、年龄以及与该线下用户同行的距离较近的另一人的穿衣打扮匹配的用户偏好服饰类别；其中，该用户偏好服饰类别中的用户偏好服饰与该线下用户同行的距离较近的另一人的穿衣打扮相搭配，不冲突。相应地，物品资源库为服饰资源库。相应地，推荐单元506可以将选取出的待推荐服饰(即电子版的待推荐服饰)加载到该显示屏显示的该用户图像上，以实现向该线下用户推荐选取出的待推荐服饰。
180.在另一些实施方式中，第一获取单元501可以通过集成在图书环境内的显示屏的上边缘的摄像设备检测是否有线下用户进入该图书环境，如果有，通过该摄像设备获取该线下用户的用户图像，并对该线下用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别和年龄。相应地，物品资源库为图书资源库。相应地，推荐单元506可以将选取出的待推荐图书输出至该显示屏进行显示，从而实现向该线下用户推荐选取出的待推荐图书。
181.在又一些实施方式中，第一获取单元501可以通过该食堂环境内的任一智能餐盘的上边缘集成的摄像设备检测是否有线下用户进入该食堂环境，如果有，通过该摄像设备获取该线下用户的用户图像，并对该线下用户的用户图像进行分析，获得该线下用户的属性信息，该属性信息至少包括该线下用户的性别、年龄以及与该线下用户同行的人员数量。相应地，与该属性信息匹配的用户偏好服饰类别是指：适合该属性信息包括的该线下用户的性别和年龄食用的，并且菜品分量又适合与该线下用户同行的人员数量的用户偏好菜品类别。相应地，物品资源库为菜品资源库。相应地，推荐单元506可以将选取出的待推荐菜品输出至该智能餐盘的显示屏上进行显示，以实现向该线下用户推荐选取出的待推荐菜品。
182.在图5所描述的物品推荐系统中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好物品类别—>某些用户偏好物品—>物品特征向量比对—>待推荐物品”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。
183.此外，实施图5所描述的物品推荐系统，不仅可以将新的没有被推荐过的物品(如线上商品或线下商品)推荐给线下用户，而且还可以向没有出现的新的线下用户推荐物品，从而可以实现推荐系统的冷启动。
184.请参阅图6，图6为本申请实施例公开的另一种针对线下用户的物品推荐系统的模块化示意图。其中，图6所示的物品推荐系统是由图5所示的物品推荐系统进行优化得到的。在图6所示的物品推荐系统中，第一获取单元501包括：
185.第一获取子单元5011，用于通过摄像设备获取线下用户的用户图像；
186.分析子单元5012，用于对线下用户的用户图像进行分析，获得线下用户的属性信息。
187.作为一种可选的实施方式，在图6所示的物品推荐系统中，第二获取单元502包括：
188.第一确定子单元5021，用于确定该属性信息对应的各个偏好物品类别的热度权重；
189.第二确定子单元5022，用于根据该属性信息对应的各个偏好物品类别的热度权
重，从各个偏好物品类别中确定出热度权重最大的偏好物品类别，作为与该属性信息匹配的用户偏好物品类别。
190.在一些实施方式中，第一确定子单元5021可以用于确定该属性信息对应的各个偏好物品类别；
191.相应地，第二确定子单元5022可以用于采用随机方式从各个偏好物品类别中确定出任意一个或多个的偏好物品类别，作为与该属性信息匹配的用户偏好物品类别。
192.作为一种可选的实施方式，在图6所示的物品推荐系统中，提取单元507包括：
193.提取子单元5071，用于利用特征提取器提取上述至少一个用户偏好物品各自对应的特征向量；
194.平均单元5072，用于对上述至少一个用户偏好物品各自对应的特征向量求平均值，作为上述至少一个用户偏好物品对应的目标特征向量。
195.在图6所描述的物品推荐系统中，通过“线下用户的属性信息(至少包括线下用户的性别和年龄)—>用户偏好物品类别—>某些用户偏好物品—>物品特征向量比对—>待推荐物品”的创新方式能够在无法捕获到线下用户的行为数据以及线下用户没有主动提供其偏好数据的情况下，有效的针对线下用户进行物品(如商品)推荐。
196.此外，实施图6所描述的物品推荐系统，不仅可以将新的没有被推荐过的物品(如线上商品或线下商品)推荐给线下用户，而且还可以向没有出现的新的线下用户推荐物品，从而可以实现推荐系统的冷启动。
197.请参阅图7，图7为本申请实施例公开的另一种针对线下用户的物品推荐系统的模块化示意图。如图7所示，该物品推荐系统包括：
198.存储有可执行程序代码的存储器701；
199.与存储器701耦合的处理器702；
200.其中，处理器702调用存储器701中存储的可执行程序代码，执行本申请实施例公开的针对线下用户的物品推荐方法的各个步骤。
201.本申请实施例公开一种计算机可读存储介质，计算机可读存储介质上存储有计算机指令，计算机指令运行时使计算机执行本申请实施例公开的针对线下用户的物品推荐方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
202.本领域普通技术人员可以理解实现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，所述的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，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。
203.以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。