商品推荐方法、装置及计算机可读存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种商品推荐方法、装置及计算机可读存储介质。


背景技术：

2.随着智能家居领域发展，运营商应用在向用户推荐商品，尤其是推荐智能家居硬件商品时，需要提高推荐的准确性，在进行推荐时，可以基于用户对商品的交互行为进行推荐，比如，基于对商品的详情页面的浏览行为、对商品的购买行为等进行推荐，然而，采用此方式进行推荐时需要用户产生大量的行为才能够得到较为准确的分析用户的消费习惯，从而得到较为准确的商品推荐，受限于运营商应用中硬件商品商城的使用数据一般比较少，使得对于硬件商品的行为数据不足，从而降低商品推荐的准确率，因此需要提出一种在针对商品的行为数据不足的情况下，依然提升商品推荐的准确率的方案，基于此，本发明至少解决以下技术问题：如何在商品的行为数据不足的情况下，提升商品推荐的准确率。


技术实现要素：

3.本发明的主要目的在于提供一种商品推荐方法、装置及计算机可读存储介质，旨在解决如何在商品的行为数据不足的情况下，提升商品推荐的准确率的技术问题。
4.为实现上述目的，本发明提供一种商品推荐方法，其特征在于，所述商品推荐方法包括：
5.获取用户的历史行为数据，所述历史行为数据包括历史业务行为数据以及历史商品行为数据；
6.根据所述历史商品行为数据，确定与各个历史业务对应的商品行为数据；
7.根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务；
8.根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品。
9.可选地，所述获取用户的历史行为数据的步骤，与所述根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品的步骤，之间还包括：
10.根据所述历史商品行为数据与以及预设商品属性，确定候选商品集，所述候选商品集包括品牌偏好商品集、类目偏好商品集、热度商品集以及历史偏好商品集中的至少一个；
11.所述根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品的步骤包括：
12.根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，选取所述用户对应的所述推荐商品。
13.可选地，所述根据所述历史商品行为数据与以及预设商品属性，确定候选商品集的步骤包括：
14.根据所述历史商品行为数据，确定每个历史商品对应的商品行为类型以及所述商品行为类型对应的行为属性值；
15.根据每个所述历史商品对应的所述商品行为类型以及所述商品行为类型对应的行为属性值，确定每个所述历史商品对应的偏好值；
16.根据每个所述历史商品对应的偏好值以及所述预设商品属性，确定所述候选商品集，所述预设商品属性包括商品品牌、商品类目以及商品热度中的至少一个。
17.可选地，所述根据每个所述商品对应的所述行为类型以及所述行为类型对应的行为属性值，确定每个所述商品对应的偏好值的步骤包括：
18.对每个所述商品行为类型对应的所述行为属性值以及所述商品行为类型关联的权重求乘积，得到每个商品行为类型对应的行为偏好值，所述商品行为类型包括点击商品链接、浏览商品详情页、播放商品视频、联系客服、加购物车、提交订单、购买以及评价中的至少一个，所述行为属性值包括行为频次、行为的时效系数以及行为的持续时长中的至少一个，其中，所述商品行为类型的时间点越早所述时效系数越小；
19.分别对每个所述历史商品对应的所有所述行为偏好值求和，得到每个所述历史商品对应的所述偏好值。
20.可选地，所述根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，选取所述用户对应的所述推荐商品的步骤包括：
21.根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，确定目标商品信息；
22.根据所述目标商品信息、所述用户的用户属性信息以及所述历史行为数据，确定所述用户对应的特征向量，所述用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个；
23.根据预设梯度提升树模型将所述特征向量转为为目标特征；
24.根据预设逻辑回归模型以及所述目标特征，确定所述用户对每个目标商品的点击概率；
25.根据各个所述目标商品的所述点击概率，在所有所述目标商品中选取所述推荐商品。
26.可选地，所述根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，确定目标商品信息的步骤包括：
27.根据所述历史行为信息，确定所有历史行为对应的历史商品；
28.在用户偏好的所述历史业务对应的商品集以及所述候选商品集滤除所述历史商品，得到目标商品集；
29.获取所述目标商品集中各个所述目标商品对应的所述目标商品信息。
30.可选地，所述根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务的步骤包括：
31.根据所述历史业务数据，确定每个所述历史业务对应的业务行为类型以及所述业务行为类型对应的业务行为属性值，所述业务行为类型包括对业务的浏览、点击、办理、咨询客服以及投诉中的至少一个，所述业务行为属性值包括业务行为的频次、时效系数以及持续时长中的至少一个，所述业务行为类型对应的时间点越早所述时效系数越低；
32.根据所述各个所述历史业务对应的所述商品行为数据，确定每个所述历史业务对应的商品的商品行为类型以及商品行为属性值；
33.根据每个所述历史业务对应的所述业务行为类型以及所述业务行为属性值，确定每个所述历史业务对应的第一偏好值；
34.根据每个所述历史业务对应的历史商品的商品行为类型以及所述商品行为属性值，确定每个所述历史业务对应的历史商品的第二偏好值；
35.根据每个所述历史业务对应的第一偏好值以及每个所述历史业务对应的历史商品的第二偏好值，确定每个所述历史业务对应的目标偏好值；
36.根据每个所述历史业务对应的目标偏好值，确定所述用户偏好的所述历史业务。
37.此外，为实现上述目的，本发明还提供一种商品推荐装置，所述商品推荐装置包括获取模块以及确定模块，其中：
38.所述获取模块，用于获取用户的历史行为数据，所述历史行为数据包括历史业务行为数据以及历史商品行为数据；
39.所述确定模块，用于根据所述历史商品行为数据，确定与各个历史业务对应的商品行为数据；根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务；以及，根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品。
40.此外，为实现上述目的，本发明还提供一种商品推荐装置，所述商品推荐装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的商品推荐程序，所述商品推荐程序被所述处理器执行时实现上述任一项所述的商品推荐方法的步骤。
41.此外，为实现上述目的，本发明还提供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商品推荐程序，所述商品推荐程序被处理器执行时实现上述任一项所述的商品推荐方法的步骤。
42.本发明实施例提供的一种商品推荐方法、装置及计算机可读存储介质，通过获取用户的历史行为数据，历史行为数据包括历史业务行为数据以及历史商品行为数据，根据历史商品行为数据，确定与各个历史业务对应的商品行为数据，根据历史业务数据以及各个历史业务对应的商品行为数据，确定用户偏好的历史业务，根据用户偏好的历史业务对应的商品集，确定用户对应的推荐商品，其中，在进行商品推荐时，结合用户对历史业务的行为，以及对历史业务对应的商品的行为，确定了用户偏好的业务，并给予用户偏好的业务对应的商品集，确定用户对应的推荐商品，即便是对商品的行为数据不足，仍能够结合历史业务的行为以及与历史业务对应的商品行为确定出用户喜欢的业务，并基于业务对应的商品进行推荐，由于同时基于业务行为维度以及业务对应的商品行为两个维度进行商品推荐，能够更准确地确定用户的偏好，从而能够提升推荐商品的准确率，并且，即便本发明在对商品的行为数据不足的前提下，转而采用了基于业务的行为以及业务对应的商品的行为两个维度为基础，进行推荐，避免了直接仅采用商品的行为进行推荐的情况下，数据量不足所导致的准确性低的问题，能够在针对商品的行为数据不足的情况下，提升商品推荐的准确性。
附图说明
43.图1是本发明实施例方案涉及的装置结构示意图；
44.图2为本发明商品推荐方法第一实施例的流程示意图；
45.图3为本发明商品推荐方法第二实施例的流程示意图；
46.图4为本发明商品推荐方法第三实施例的流程示意图；
47.图5为本发明商品推荐方法第四实施例的流程示意图；
48.图6为本发明实施例涉及的商品推荐装置的模块示意图。
49.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
50.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
51.如图1所示，图1是本发明实施例方案涉及的装置结构示意图。
52.本发明实施例涉及的装置可以是服务器，也可以是其他计算机设备。
53.如图1所示，该装置可以包括：处理器1001，例如cpu，存储器1002，通信总线1003。其中，通信总线1003用于实现这些组件之间的连接通信。存储器1002可以是高速ram存储器，也可以是稳定的存储器(non
‑
volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。
54.本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
55.如图1所示，作为一种计算机存储介质的存储器1002中可以包括商品推荐程序。
56.在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的商品推荐程序，并执行以下操作：
57.获取用户的历史行为数据，所述历史行为数据包括历史业务行为数据以及历史商品行为数据；
58.根据所述历史商品行为数据，确定与各个历史业务对应的商品行为数据；
59.根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务；
60.根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品。
61.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
62.根据所述历史商品行为数据与以及预设商品属性，确定候选商品集，所述候选商品集包括品牌偏好商品集、类目偏好商品集、热度商品集以及历史偏好商品集中的至少一个；
63.所述根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品的步骤包括：
64.根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，选取所述用户对应的所述推荐商品。
65.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
66.根据所述历史商品行为数据，确定每个商品对应的行为类型以及所述行为类型对应的行为属性值；
67.根据每个所述商品对应的所述行为类型以及所述行为类型对应的行为属性值，确定每个所述商品对应的偏好值；
68.根据每个所述商品对应的偏好值以及所述预设商品属性，确定所述候选商品集，所述预设商品属性包括商品品牌、商品类目以及商品热度中的至少一个。
69.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
70.对每个所述行为类型对应的所述行为属性值以及所述行为类型关联的权重求乘积，得到每个行为类型对应的行为偏好值，所述行为类型包括点击商品链接、浏览商品详情页、播放商品视频、联系客服、加购物车、提交订单、购买以及评价中的至少一个，所述行为属性值包括行为频次、行为的时效系数以及行为的持续时长中的至少一个，其中，所述行为类型的时间点越早所述时效系数越小；
71.分别对每个所述商品对应的所有所述行为偏好值求和，得到每个所述商品对应的所述偏好值。
72.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
73.根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，确定目标商品信息；
74.根据所述目标商品信息、所述用户的用户属性信息以及所述历史行为数据，确定所述用户对应的特征向量，所述用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个；
75.根据预设梯度提升树模型将所述特征向量转为为目标特征；
76.根据预设逻辑回归模型以及所述目标特征，确定所述用户对每个目标商品的点击概率；
77.根据各个所述目标商品的所述点击概率，在所有所述目标商品中选取所述推荐商品。
78.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
79.根据所述历史行为信息，确定所有历史行为对应的历史商品；
80.在用户偏好的所述历史业务对应的商品集以及所述候选商品集滤除所述历史商品，得到目标商品集；
81.获取所述目标商品集中各个所述目标商品对应的所述目标商品信息。
82.进一步地，处理器1001可以调用存储器1002中存储的商品推荐程序，还执行以下操作：
83.根据所述历史业务数据，确定每个所述历史业务对应的业务行为类型以及所述业务行为类型对应的业务行为属性值，所述业务行为类型包括对业务的浏览、点击、办理、咨询客服以及投诉中的至少一个，所述业务行为属性值包括业务行为的频次、时效系数以及持续时长中的至少一个，所述业务行为类型对应的时间点越早所述时效系数越低；
84.根据所述各个所述历史业务对应的所述商品行为数据，确定每个所述历史业务对应的商品的商品行为类型以及商品行为属性值；
85.根据每个所述历史业务对应的所述业务行为类型以及所述业务行为类型，确定每个所述历史业务对应的第一偏好值；
86.根据每个所述历史业务对应的商品的商品行为类型以及所述商品行为属性值，确定每个所述历史业务对应的商品的第二偏好值；
87.根据每个所述历史业务对应的第一偏好值以及每个所述历史业务对应的商品的第二偏好值，确定每个所述历史业务对应的目标偏好值；
88.根据每个所述历史业务对应的目标偏好值，确定所述用户偏好的所述历史业务。
89.参照图2，本发明第一实施例提供一种商品推荐方法，所述商品推荐方法包括：
90.步骤s10，获取用户的历史行为数据，所述历史行为数据包括历史业务行为数据以及历史商品行为数据；
91.本实施例中，执行主体为商品推荐装置，商品推荐装置可以是服务器，历史行为数据为用户在历史时间段内的行为数据，历史行为数据包括历史业务行为数据以及历史商品行为数据，历史业务行为数据为对历史业务产生的行为的数据，历史业务是此前已经存在的业务，历史业务比如“移动看家”业务、“家庭沟通”业务、“合家会议”等家庭业务，历史业务行为数据比如对历史业务的点击、办理、浏览、咨询客服、投诉等行为数据，历史业务也可以视作一种已经存在的服务，历史商品行为数据为对历史商品产生的行为的数据，历史商品比如此前存在的硬件商品，硬件商品比如摄像头、音箱等商品，对历史商品的行为比如为对历史商品的商品链接进行点击、浏览商品详情页、播放商品介绍视频、联系客服、加购物车、提交订单、购买以及评价等。
92.历史行为数据可以由用户的终端设备定时发送，或者，由商品推荐装置主动定时获取，或者，商品推荐装置也可以采取其他方式获取用户的历史行为数据。
93.步骤s20，根据所述历史商品行为数据，确定与各个历史业务对应的商品行为数据；
94.历史商品与历史业务之间存在对应关系，比如，每个历史业务均对应至少一个历史商品，并且，每个历史商品均对应至少一个历史业务，根据预设的历史商品与历史业务的对应关系以及历史商品行为数据，可以确定各个历史业务对应的商品行为数据，从而可以确定各个商品所对应的历史业务。
95.比如，历史业务为“移动看家”业务，“移动看家”对应的历史商品包括全彩摄像头、智能烟雾探测报警器、智能视频门铃，又比如，历史业务为“家庭沟通”业务，“家庭沟通”业务对应的历史商品包括智能音箱、智能电视、智能视频门铃。
96.历史商品行为数据中包括历史商品的信息以及对该历史商品的行为的信息，基于历史商品行为数据可以确定用户所产生行为的各个历史商品，从而可以基于历史商品与历史业务的对应关系，结合历史商品行为数据确定各个历史业务对应的商品行为数据，基于用户在历史时间段内的行为的不同，部分历史业务对应的商品行为数据可能为空，比如，某一次获取的历史商品行为数据中仅包括对智能音箱、智能电视的行为数据，此时“移动看家”业务对应的商品行为数据为空，而“家庭沟通”对应的商品行为数据包括对智能音箱的行为数据以及对智能电视的行为数据。
97.步骤s30，根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务；
98.在获取历史业务数据以及各个历史业务对应的商品行为数据之后，可以进一步确定用户偏好的历史业务，其中，历史业务数据中包括历史业务的信息以及对历史业务的行为的信息，比如，历史也业务分别为“移动看家”以及“家庭沟通”，其中，对“移动看家”业务的行为包括点击、浏览以及咨询客服，对“家庭沟通”业务的行为包括点击、浏览，则可以根据对不同历史业务的行为确定对历史业务的偏好，例如对“移动看家”业务的行为的数量超过对“家庭沟通”业务的行为的数量，可以确定对“移动看家”业务的偏好程度更高，又如“咨询客服”的优先级较高，可以确定存在“咨询客服”行为的业务更可能是用户偏好的业务，为了提升确定用户偏好的业务的准确性，本实施例进一步结合历史业务对应的商品行为数据，确定用户偏好的历史业务，其中，对历史商品的行为能够侧面反映用户对业务的偏好，比如，在某一历史时间段内用户产生的历史行为数据中，包括对全彩摄像头、智能烟雾探测报警器两种历史商品的行为数据，而彩摄像头、智能烟雾探测报警器所对应的历史业务均为“移动看家”业务，则可以确定用户对“移动看家”业务偏好或者感兴趣的概率较大。
99.在根据历史业务数据以及各个历史业务对应的商品行为数据确定用户偏好的历史业务时，可以分别根据历史业务数据确定用户偏好的第一业务，以及根据各个历史业务对应的商品行为确定用户偏好的第二业务，并在第一业务以及第二业务中，确定用户偏好的业务，比如，根据历史业务数据确定用户偏好的第一业务为“移动看家”业务以及“家庭沟通”业务，根据各个历史业务对应的商品行为数据确定用户偏好的第二业务为“移动看家”业务以及“智能对讲”业务，则可以确定用户偏好的业务为“移动看家”，或者，也可以先根据历史业务数据确定用户偏好的第一业务，进一步结合各个历史业务对应的商品行为数据，确定每个业务下用户喜好的商品，并根据用户喜好的商品以及第一业务确定用户偏好的历史业务，比如，根据历史业务数据确定用户偏好的第一业务为“移动看家”业务以及“家庭沟通”业务，根据各个历史业务对应的商品行为数据确定“移动看家”业务对应的产生历史行为的商品包括全彩摄像头、智能烟雾探测报警器，而“家庭沟通”业务产生历史行为的商品则为空，因此，可以确定用户对“移动看家”业务的偏好程度更高，可以将“移动看家”业务作为用户偏好的历史业务。
100.此外，还可以基于历史业务数据以及各个历史业务对应的商品行为数据，并采取其他方式确定用户偏好的历史业务。
101.所确定的用户偏好的历史业务可以为一个，也可以为多个，其中，为了提升确定用户偏好的历史业务的准确性，并进一步提升商品推荐的准确性，可以设定用户偏好的历史业务的数量小于所有预设业务的数量，或者，还可以设定用户偏好的历史业务的数量小于所有历史业务的数量，预设业务即已经存在的所有业务，预设业务中包括历史业务，比如，预设业务的数量为10个，根据历史行为数据确定的历史业务的数量有5，则在确定用户偏好的历史业务时可以仅将某2个历史业务作为用户偏好的历史业务，从而可以更准确的确定用户更加偏好的历史业务。
102.步骤s40，根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品。
103.在确定用户偏好的历史业务之后，获取用户偏好的历史业务对应的商品集，并根
据用户偏好的历史业务对应的商品集，确定用户对应的推荐商品，其中，可以直接将用户偏好的历史业务对应的商品集中的所有商品，作为用户对应的推荐商品，或者，可以在用户偏好的历史业务对应的商品集中，获取部分商品作为推荐商品，此外，还可以进一步结合用户偏好的历史业务对应的商品集以及其他商品集，确定用户对应的推荐商品。
104.在确定推荐商品之后，还可以输出推荐商品的商品信息，比如将推荐商品的商品信息发送至对应的用户。
105.在本实施例中，通过获取用户的历史行为数据，历史行为数据包括历史业务行为数据以及历史商品行为数据，根据历史商品行为数据，确定与各个历史业务对应的商品行为数据，根据历史业务数据以及各个历史业务对应的商品行为数据，确定用户偏好的历史业务，根据用户偏好的历史业务对应的商品集，确定用户对应的推荐商品，其中，在进行商品推荐时，结合用户对历史业务的行为，以及对历史业务对应的商品的行为，确定了用户偏好的业务，并给予用户偏好的业务对应的商品集，确定用户对应的推荐商品，即便是对商品的行为数据不足，仍能够结合历史业务的行为以及与历史业务对应的商品行为确定出用户喜欢的业务，并基于业务对应的商品进行推荐，由于同时基于业务行为维度以及业务对应的商品行为两个维度进行商品推荐，能够更准确地确定用户的偏好，从而能够提升推荐商品的准确率，并且，即便本发明在对商品的行为数据不足的前提下，转而采用了基于业务的行为以及业务对应的商品的行为两个维度为基础，进行推荐，避免了直接仅采用商品的行为进行推荐的情况下，数据量不足所导致的准确性低的问题，能够在针对商品的行为数据不足的情况下，提升商品推荐的准确性。
106.参照图3，本发明第二实施例提供一种商品推荐方法，基于上图2所示的第一实施例，所述步骤s10与所述步骤s40之间，还包括：
107.步骤s50，根据所述历史商品行为数据与以及预设商品属性，确定候选商品集，所述候选商品集包括品牌偏好商品集、类目偏好商品集、热度商品集以及历史偏好商品集中的至少一个；
108.为了提升商品推荐的准确性，本实施例中，在获取用户的历史行数据之后，还根据历史商品行为数据以及预设商品属性，确定候选商品集，并根据用户偏好的历史业务对应的商品集以及候选商品集，确定用户对应的推荐商品，能够从多个方面进行商品获取商品集，并进行商品推荐，并且是针对用户的历史行为数据向该用户推荐商品，进行个性化的推荐，提升商品推荐的准确性。
109.预设商品属性为预先设定的商品的属性，预设商品属性包括商品品牌、商品类目以及商品热度中的至少一个，品牌偏好商品集是用户偏好的品牌对应的商品组成的集合，类目偏好商品集是用户偏好的商品类目对应的商品组成的集合，热度商品集是热度较高的商品组成的集合，热度较高指商品的销售量较高，历史偏好商品集是基于历史商品行为数据以及预设协同过滤模型得到的商品集。
110.在根据历史商品行为数据以及预设商品属性，确定候选商品集时，可以采取如下方式：根据历史商品行为数据，确定每个历史商品对应的商品行为类型以及商品行为类型对应的行为属性值；根据每个历史商品对应的商品行为类型以及商品行为类型对应的行为属性值，确定每个商品对应的偏好值；根据每个商品对应的偏好值以及预设商品属性，确定候选商品集，以提升商品推荐的准确性；或者，所属领域技术人员可以理解，也可以根据历
史商品行为数据、预设商品属性以及预设机器学习模型，确定候选集。
111.商品行为类型是用户的行为所被划分的类型，商品行为类型包括点击商品链接、浏览商品详情页、播放商品视频、联系客服、加购物车、提交订单、购买以及评价中的至少一个，行为属性值包括行为频次、行为的时效系数以及行为的持续时长中的至少一个，其中，商品行为类型的时间点越早所述时效系数越小。
112.在根据每个历史商品对应的商品行为类型以及商品行为类型对应的行为属性值，确定每个历史商品对应的偏好值时，可以采取如下方式：对每个商品行为类型对应的行为属性值以及商品行为类型关联的权重求乘积，得到每个商品行为类型对应的行为偏好值，分别对每个历史商品对应的所有行为偏好值求和，得到每个历史商品对应的偏好值，以提升商品推荐的准确性；或者，也可以对每个商品行为类型对应的行为属性值求乘积得到每个商品行为类型对应的行为偏好值，分别对分别对每个历史商品对应的所有行为偏好值求和，得到每个历史商品对应的偏好值。
113.商品行为类型关联的权重用于指示该行为类型在确定用户偏好的商品时的重要程度，不同行为类型的权重可能不同或者相同，频次指对行为类型对应的行为的次数，行为的持续时长是指持续进行该行为的时长，行为的持续时长还可以用其对应的时长系数表示，可以预先将时长系数与持续时长对应，并在计算每个商品行为类型对应的行为属性值以及商品行为类型关联的权重求乘积时，采用时长系数替换持续时长；行为的时效系数可以根据行为发生距今的时间，按照一定的函数或者算法计算得到，比如通过设计指数衰减函数得到时效系数，时效系数可以在0
‑
1之间。
114.在确定类目偏好商品集时，可以根据每个历史商品对应的偏好值以及每个历史商品对应的商品类目，确定用户偏好的商品类目，以得到用户偏好的商品类目对应的类目偏好商品集，比如，历史商品分别为摄像头、门铃以及音箱，摄像头以及门铃对应的商品类目为安全防护，音箱对应的类目为家庭娱乐，摄像头对应的偏好值以及门铃对应的偏好值均大于音箱对应的偏好值，此时确定用户偏好的商品类目为安全防护，并获取安全防护类目对应的商品构成类目偏好商品集，比如将摄像头、门铃以及报警器构成类目偏好商品集。
115.在确定品牌偏好商品集时，可以根据每个历史商品对应的偏好值以及每个历史商品对应的商品品牌，确定用户偏好的商品品牌，以得到用户偏好的商品品牌对应品牌偏好商品集，其中，可以将每个历史商品对应的偏好值作为对该历史商品对应的品牌的偏好值，从而得到偏好值高的品牌作为用户偏好的品牌。
116.历史偏好商品集可以采取如下方式得到：根据每个历史商品对应的偏好值，构成偏好值量化矩阵，将偏好值量化矩阵输入预设协同过滤模型，并根据预设协同过滤模型的输出的得到历史偏好商品集，预设协同过滤模型可以是基于用户的协同过滤模型、基于商品的协同过滤模型或者基于矩阵分解的协同过滤模型。
117.热度商品集可以采取下述方式得到：商品推荐装置获取所有用户的历史行为数据，根据所有用户的历史行为数据，确定每个预设商品对应的偏好值，确定预设时间段内每个预设商品的销售量，对每个预设商品对应的偏好值以及每个预设商品对应的销售量分别进行归一化处理后加权求和，得到每个预设商品的热度分值，根据热度分值选取热度商品，并得到热度商品集。
118.所述步骤s40包括：
119.步骤s41，根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，选取所述用户对应的所述推荐商品。
120.在得到用户偏好的历史业务对应的商品集以及候选商品集之后，在用户偏好的历史业务对应的商品集以及候选商品集中选取用户对应的推荐商品，为了提升商品推荐的准确性，可以选取部分商品作为推荐商品。
121.在本实施例中，通过根据历史商品行为数据以及预设商品属性，确定候选商品集，候选商品集包括品牌偏好商品集、类目偏好商品集、热度偏好商品集以及历史偏好商品集中的至少一个，根据用户偏好的历史业务对应的商品集以及候选商品集，选取用户对应的推荐商品，从多个维度进行商品推荐，进一步提升了商品推荐的准确性。
122.参照图4，本发明第三实施例提供一种商品推荐方法，基于上述图3所示的第二实施例，所述步骤s41包括：
123.步骤s411，根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，确定目标商品信息；
124.目标商品信息是目标商品的商品信息，可以在用户偏好的历史业务对应的商品集以及候选商品集中选取全部或者部分作为目标商品。
125.为了提升商品推荐的准确性，本实施例中，还基于预设梯度提升树模型以及预设逻辑回归模型，预测用户对目标商品的点击概率，根据点击概率选取推荐商品，从而得到更有可能被用户点击的商品。
126.在确定目标商品时，为了避免向用户重复推荐其已经查看过的商品，提升推荐的准确性，还可以根据历史行为信息，确定所有历史行为对应的历史商品，在用户偏好的历史业务对应的商品集以及候选商品集滤除历史商品，得到目标商品集，获取目标商品集中各个目标商品对应的目标商品信息。
127.步骤s412，根据所述目标商品信息、所述用户的用户属性信息以及所述历史行为数据，确定所述用户对应的特征向量，所述用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个；
128.目标商品信息比如目标商品的名称、价格、品牌、型号、颜色、评价以及商品关联业务情况，用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个。
129.根据历史行为数据，提取用户行为特征，以及用户与商品属性相关的特征，用户行为特征比如最晚一次浏览历史商品距今的时间、浏览历史商品的次数、是否收藏历史商品、是否评论历史商品，用户与商品属性相关的特征比如为，用户对历史商品所属类目的偏好值、用户对商品所属品牌的偏好值，并构建用户属性信息、目标商品信息、用户行为特征以及用户与商品属性相关的特征的特征向量，作为该用户对应的特征向量。
130.步骤s413，根据预设梯度提升树模型将所述特征向量转为为目标特征；
131.将特征向量输入预设梯度提升树模型，根据预设梯度提升树模型的输出确定目标特征。
132.步骤s414，根据预设逻辑回归模型以及所述目标特征，确定所述用户对每个目标商品的点击概率；
133.将目标特征输入至预设逻辑回归模型，根据预设逻辑回归模型的输出，确定用户
对每个目标商品的点击概率，预设逻辑回归模型根据预设的训练数据对训练模型训练得到。
134.步骤s415，根据各个所述目标商品的所述点击概率，在所有所述目标商品中选取所述推荐商品。
135.可以选取点击概率最高的多个目标商品作为推荐商品，或者，选取点击概率大于预设阈值的目标商品作为推荐商品，或者，根据各个目标商品的点击概率对各个目标商品进行排序，选取排序在前的多个目标商品作为推荐商品。
136.基于实验测定，在基于本实施例进行商品推荐时，用户的购买转化率提升，从而表明能够提升商品推荐的准确性。
137.在本实施例中，通过根据用户偏好的历史业务对应的商品集以及候选商品集，确定目标商品信息，根据目标商品信息、用户的用户属性信息以及历史行为数据，确定用户对应的特征向量，用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个；根据预设梯度提升树模型将特征向量转换为目标特征，根据预设逻辑回归模型以及目标特征，确定用户对每个目标商品的点击概率，根据各个目标商品的点击概率，在所有目标商品中选取推荐商品，通过预设梯度提升树模型结合预设逻辑回归模型预测了目标商品的点击概率，根据点击概率选取推荐商品，从而提升了商品推荐的准确性。
138.参照图5，本发明第四实施例提供一种商品推荐方法，基于上述图2所示的第一实施例，所述步骤s30包括：
139.步骤s31，根据所述历史业务数据，确定每个所述历史业务对应的业务行为类型以及所述业务行为类型对应的业务行为属性值，所述业务行为类型包括对业务的浏览、点击、办理、咨询客服以及投诉中的至少一个，所述业务行为属性值包括业务行为的频次、时效系数以及持续时长中的至少一个，所述业务行为类型对应的时间点越早所述时效系数越低；
140.步骤s32，根据所述各个所述历史业务对应的所述商品行为数据，确定每个所述历史业务对应的商品的商品行为类型以及商品行为属性值；
141.步骤s31与步骤s32的执行先后顺序不限定。
142.步骤s33，根据每个所述历史业务对应的所述业务行为类型以及所述业务行为属性值，确定每个所述历史业务对应的第一偏好值；
143.第一偏好值是用户对历史业务的偏好值，其基于用户对历史业务行为指示用于对业务的偏好程度，在确定每个历史业务对应的第一偏好值时，可以对各个业务行为类型对应的业务行为属性值求乘积作为该业务行为类型的偏好值，并对每个历史业务对应的所有业务行为类型的偏好值求和得到每个历史业务对应的第一偏好值，或者，还可以对各个业务行为类型对应的业务行为属性值以及关联的权重求乘积作为该业务行为类型的偏好值，并对每个历史业务对应的所有业务行为类型的偏好值求和得到每个历史业务对应的第一偏好值。
144.步骤s34，根据每个所述历史业务对应的商品的商品行为类型以及所述商品行为属性值，确定每个所述历史业务对应的商品的第二偏好值；
145.第二偏好值是历史业务对应的历史商品的偏好值，其基于用户对历史商品的行为指示对历史业务的偏好程度，第一偏好值以及第二偏好值分别从不同维度评价用户对历史业务的偏好程度，其中，第一偏好值直接基于用户对历史业务的行为得到，而第二偏好值则
基于用户对历史商品的行为，以及历史商品与历史业务的关系得到，对于第二偏好值，其主要原理为，用户对某个历史业务下的商品越偏好，则虽然用户没有直接对历史业务产生行为，但依然能够间接表明用户对历史业务的偏好。
146.可以通过对每个商品行为类型对应的行为属性值以及商品行为类型关联的权重求乘积，得到每个商品行为类型对应的行为偏好值，分别对每个历史商品对应的所有行为偏好值求和，得到每个历史商品对应的第二偏好值。
147.步骤s35，根据每个所述历史业务对应的第一偏好值以及每个所述历史业务对应的商品的第二偏好值，确定每个所述历史业务对应的目标偏好值；
148.可以将第一偏好值与第二偏好值之和，作为目标偏好值，或者，根据第一偏好值以及其关联的权重、第二偏好值以及其关联的权重，加权求和得到目标偏好值。
149.步骤s36，根据每个所述历史业务对应的目标偏好值，确定所述用户偏好的所述历史业务。
150.可以选取目标偏好值大于预设偏好值的历史业务作为用户偏好的历史业务，或者，选取目标偏好值较高的预设数量的历史业务作为用户偏好的历史业务，或者，对各个目标偏好值按照从大至小进行排序，将排序在前的历史业务作为用户偏好的历史业务。
151.在本实施例中，通过根据所述历史业务数据，确定每个所述历史业务对应的业务行为类型以及所述业务行为类型对应的业务行为属性值，所述业务行为类型包括对业务的浏览、点击、办理、咨询客服以及投诉中的至少一个，所述业务行为属性值包括业务行为的频次、时效系数以及持续时长中的至少一个，所述业务行为类型对应的时间点越早所述时效系数越低，根据所述各个所述历史业务对应的所述商品行为数据，确定每个所述历史业务对应的商品的商品行为类型以及商品行为属性值，根据每个所述历史业务对应的所述业务行为类型以及所述业务行为属性值，确定每个所述历史业务对应的第一偏好值，根据每个所述历史业务对应的历史商品的商品行为类型以及所述商品行为属性值，确定每个所述历史业务对应的历史商品的第二偏好值，根据每个所述历史业务对应的第一偏好值以及每个所述历史业务对应的历史商品的第二偏好值，确定每个所述历史业务对应的目标偏好值，根据每个所述历史业务对应的目标偏好值，确定所述用户偏好的所述历史业务，结合对历史业务的第一偏好值以及对历史业务对应的历史商品的第二偏好值确定了用户偏好的历史业务，基于用户偏好的历史业务进行商品推荐，从而提升了商品推荐的准确性。
152.参照图6，图6为本发明商品推荐装置一实施例的模块示意图，所述商品推荐装置包括获取模块10以及确定模块20，其中：
153.获取模块10，用于获取用户的历史行为数据，所述历史行为数据包括历史业务行为数据以及历史商品行为数据；
154.确定模块20，用于根据所述历史商品行为数据，确定与各个历史业务对应的商品行为数据；根据所述历史业务数据以及各个所述历史业务对应的所述商品行为数据，确定用户偏好的所述历史业务；以及，根据用户偏好的所述历史业务对应的商品集，确定所述用户对应的推荐商品。
155.在一实施例中，所述商品推荐装置还包括选取模块，其中：
156.所述确定模块20，还用于根据所述历史商品行为数据与以及预设商品属性，确定候选商品集，所述候选商品集包括品牌偏好商品集、类目偏好商品集、热度商品集以及历史
偏好商品集中的至少一个；
157.所述选取模块，用于根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，选取所述用户对应的所述推荐商品。
158.在一实施例中，所述确定模块20还用于执行以下操作：
159.根据所述历史商品行为数据，确定每个历史商品对应的商品行为类型以及所述商品行为类型对应的行为属性值；
160.根据每个所述历史商品对应的所述商品行为类型以及所述商品行为类型对应的行为属性值，确定每个所述历史商品对应的偏好值；
161.根据每个所述历史商品对应的偏好值以及所述预设商品属性，确定所述候选商品集，所述预设商品属性包括商品品牌、商品类目以及商品热度中的至少一个。
162.在一实施例中，所述确定模块20还用于执行以下操作：
163.对每个所述商品行为类型对应的所述行为属性值以及所述商品行为类型关联的权重求乘积，得到每个商品行为类型对应的行为偏好值，所述商品行为类型包括点击商品链接、浏览商品详情页、播放商品视频、联系客服、加购物车、提交订单、购买以及评价中的至少一个，所述行为属性值包括行为频次、行为的时效系数以及行为的持续时长中的至少一个，其中，所述商品行为类型的时间点越早所述时效系数越小；
164.分别对每个所述历史商品对应的所有所述行为偏好值求和，得到每个所述历史商品对应的所述偏好值。
165.在一实施中，所述选取模块还用于执行以下操作：
166.根据用户偏好的所述历史业务对应的商品集以及所述候选商品集，确定目标商品信息；
167.根据所述目标商品信息、所述用户的用户属性信息以及所述历史行为数据，确定所述用户对应的特征向量，所述用户属性信息包括用户年龄、性别、职业、城市、消费能力以及性格偏好中的至少一个；
168.根据预设梯度提升树模型将所述特征向量转为为目标特征；
169.根据预设逻辑回归模型以及所述目标特征，确定所述用户对每个目标商品的点击概率；
170.根据各个所述目标商品的所述点击概率，在所有所述目标商品中选取所述推荐商品。
171.在一实施例中，所述确定模块20还用于执行以下操作：
172.根据所述历史行为信息，确定所有历史行为对应的历史商品；
173.在用户偏好的所述历史业务对应的商品集以及所述候选商品集滤除所述历史商品，得到目标商品集；
174.获取所述目标商品集中各个所述目标商品对应的所述目标商品信息。
175.在一实施例中，所述确定模块20还用于执行以下操作：
176.根据所述历史业务数据，确定每个所述历史业务对应的业务行为类型以及所述业务行为类型对应的业务行为属性值，所述业务行为类型包括对业务的浏览、点击、办理、咨询客服以及投诉中的至少一个，所述业务行为属性值包括业务行为的频次、时效系数以及持续时长中的至少一个，所述业务行为类型对应的时间点越早所述时效系数越低；
177.根据所述各个所述历史业务对应的所述商品行为数据，确定每个所述历史业务对应的商品的商品行为类型以及商品行为属性值；
178.根据每个所述历史业务对应的所述业务行为类型以及所述业务行为属性值，确定每个所述历史业务对应的第一偏好值；
179.根据每个所述历史业务对应的历史商品的商品行为类型以及所述商品行为属性值，确定每个所述历史业务对应的历史商品的第二偏好值；
180.根据每个所述历史业务对应的第一偏好值以及每个所述历史业务对应的历史商品的第二偏好值，确定每个所述历史业务对应的目标偏好值；
181.根据每个所述历史业务对应的目标偏好值，确定所述用户偏好的所述历史业务。
182.需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
183.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
184.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台商品推荐装置(可以是服务器)执行本发明各个实施例所述的方法。
185.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。