本发明实施例涉及数据处理技术领域，尤其涉及一种物品推荐方法、装置、服务器和存储介质。
背景技术
随着互联网技术以及电子商务业务的快速发展，越来越多的用户采用网络进行物品的方便选择和购买。
由于电商网站中几乎涵盖了所有种类的物品，因此如何为用户提供个性化的物品推荐变得尤为重要。现有技术中采用离线处理系统，通常以天或小时为周期单位来对用户的推荐物品进行处理和更新。其实现方法以用户的历史行为数据为依据，通过对用户的历史行为数据进行分析，周期性地更新待推荐物品并推送给用户。
然而，现有技术对数据处理系统的性能要求较低，方法实现简单，无法将满足用户实时需求的物品推荐给用户，使得推荐的物品不具有及时性。降低了推荐物品的实用性和可推荐性，同时降低了物品的有效转化率以及用户的活跃度和选购效率。
技术实现要素：
本发明实施例提供了一种物品推荐方法、装置、服务器和存储介质，能够将符合用户实时需求的物品及时地推荐给用户，提高物品的有效转化率和用户的活跃度及选购效率。
第一方面，本发明实施例提供了一种物品推荐方法，包括：
依据用户的当天行为数据中关联的物品构建原始物品召回集；
依据历史行为数据以及原始物品召回集中包括的物品扩展所述原始物品召回集，并确定扩展后的物品召回集中各个物品的特征数据；
依据扩展后的物品召回集中各个物品的特征数据以及从所述历史行为数据中提取的用户特征数据，为用户确定待推荐物品。
第二方面，本发明实施例提供了一种物品推荐装置，包括：
物品召回集构建模块，用于依据用户的当天行为数据中关联的物品构建原始物品召回集；
物品召回集扩展模块，用于依据历史行为数据以及原始物品召回集中包括的物品扩展所述原始物品召回集，并确定扩展后的物品召回集中各个物品的特征数据；
待推荐物品确定模块，用于依据扩展后的物品召回集中各个物品的特征数据以及从所述历史行为数据中提取的用户特征数据，为用户确定待推荐物品。
第三方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的物品推荐方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的物品推荐方法。
本发明实施例通过对用户行为的实时获取，依据用户至当前时刻所产生的当天行为数据中关联的物品构建原始物品召回集；并依据更新后的历史行为数据对原始物品召回集中的各个物品进行扩展，确定扩展后的物品召回集中各个物品的物品特征数据，从而确定了用户当前或今天所感兴趣的物品及物品的特征数据；最终依据更新后的预测模型、物品特征数据以及从更新后的历史行为数据中提取的用户特征数据，确定待推荐物品。本发明实施例通过以用户的当前行为数据为推荐物品的主要确定依据，能够将符合用户近实时需求的物品及时地推荐给用户，增强推荐物品与用户的粘性，提高物品的有效转化率以及用户的活跃度和选购效率。
附图说明
图1为本发明实施例一提供的一种物品推荐方法的流程图；
图2为本发明实施例二提供的一种物品推荐方法的流程图；
图3为本发明实施例三提供的一种物品推荐装置的结构示意图；
图4为本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种物品推荐方法的流程图，本实施例可适用于用户通过互联网搜索和选择物品的情况，该方法可由一种物品推荐装置来执行。该方法具体包括如下步骤：
步骤110、依据用户的当天行为数据中关联的物品构建原始物品召回集。
在本发明具体实施例中，实时地从用户行为日志中将用户的实时行为进行提取、解析和清洗，提取出该实时行为所关联的用户信息、物品信息和上下文信息。其中，用户信息可以包括用户的年龄和性别等个人用户信息；物品信息可以包括物品的品类和生产日期等物品属性信息；上下文信息是指该实时行为发生的时间、地点以及所关联的网页中的模块等行为附属信息。并实时地将实时行为以及所关联的一切信息存储在数据库等存储介质中，即只将当天的当前时刻的行为数据进行存储，供后续近实时性地分析用户需求，为用户确定推荐物品提供依据。
本实施例可以采用秒级别的甚至更小的时间间隔来周期性的提取、清洗和存储用户的实时行为，例如每秒进行一次实时行为的提取等操作，该实时行为可以是用户通过互联网进行的浏览、收藏、解除收藏、加入购物车、剔除购物车、分享、购买以及预约等行为。本实施例以设定的时间间隔从存储有实时行为数据的存储介质中获取当天中截止至当前时刻用户所产生的行为数据作为当天行为数据，可以理解的是，当天行为数据是指截止至当前时刻当天所发生的所有行为，因此随着时间的推移，当天行为数据也是在时刻变化着的。由于用户的实时行为反映了用户当前明确的且强烈的兴趣需求，因此本申请以设定的时间间隔获取用户的当天行为数据，能够充分分析出用户当前的实际需求或喜好倾向。值得注意的是，本实施例可以采用分钟级别的时间间隔来周期性的获取用户的当天行为数据，进而在保证系统正常运行的情况下，近实时性地分析用户的实际需求。
由于用户的行为直观的反映出用户的需求或喜好倾向。例如，用户对于同一物品的较长时间的浏览以及用户的收藏行为可以表示用户对关联物品的渴望、需求或重视；用户的解除收藏或剔除购物车的行为可以表示用户对关联物品暂无需求或已无兴趣。因此本实施例可以对当天行为数据中各行为进行分析，从而依据当天行为数据中各行为的属性以及各行为所关联的物品，将表示用户当前需求或感兴趣的物品构建为原始物品召回集。
示例性的，假设每秒进行一次实时行为的提取、清洗和存储操作，每分钟进行一次当天行为数据的获取操作。获知截止至目前，用户甲对物品a进行了收藏行为，对物品b进行了购买行为，而对物品c进行了剔除购物车的行为。进而依据当天行为数据中各行为的属性以及所关联的物品，可以将物品a和b构成用户甲的原始物品召回集。
步骤120、依据历史行为数据以及原始物品召回集中包括的物品扩展原始物品召回集，并确定扩展后的物品召回集中各个物品的特征数据。
在本发明具体实施例中，历史行为数据是指用户在当天之前所产生的所有行为数据。本实施例可以以天或者小时的时间间隔来周期性的更新用户的历史行为数据，则历史行为数据为本次更新周期之前的所产生的所有行为数据，相应的，当天行为数据中的各个行为是本次更新周期之内的近期行为数据。当天行为数据是历史行为数据的衔接，两者无包含关系。当天行为数据决定了物品召回集中用户所需求或感兴趣的物品，历史行为数据决定了物品召回集的扩展以及其中各物品点击率的预测。由于历史行为数据的庞大，因此本实施例优选以天为时间间隔来周期性的更新用户的历史行为数据，若历史行为数据中不包含前一天所产生的用户行为数据，则将前一天所产生的用户行为数据添加至历史行为数据中，以更新历史行为数据。同时以更新后的历史行为数据来更新物品点击率预测模型。其中，物品点击率预测模型是预先建立好的对物品的点击率进行预测的模型，其随着用户行为的变化而发生变化，因此在更新历史行为数据后需要同步更新物品点击率预测模型。若历史行为数据无需更新，则可以直接调用历史行为数据和物品点击率预测模型这部分离线数据。
本实施例为了增加每个用户的原始物品召回集中的商品数量，增加尽可能多的候选商品，可以依据原始物品召回集中包括的物品的品类、物品的相似度以及更新后的历史行为数据中关联的物品，来确定原始物品召回集中的各个物品的关联物品；同时还可以依据更新后的历史行为数据确定热销物品。从而依据关联物品和/或热销物品扩展原始物品召回集，获得扩展后的物品召回集。物品的特征数据可以是在离线状态下依据用户的历史行为数据计算而成，例如物品的适用范围等特征。进而可以依据历史行为数据中的关联物品来确定扩展后的物品召回集中各个物品的特征数据。
示例性的，假设历史行为数据的更新周期为1天，则历史行为数据是指1天之前的用户所产生的所有行为数据。因此查询历史行为数据中各行为的发生时间，若历史行为数据中不包含前一天所产生的用户行为数据，则将前一天所产生的用户行为数据添加至历史行为数据中，以更新历史行为数据，并更新物品点击率预测模型。相应的，当天行为数据为截止至当前时刻当天内所发生的行为数据。在上述示例中，原始物品召回集包含物品a和物品b。依据更新后的历史行为数据，对原始物品召回集进行扩展。若物品a为手机a，且用户甲的历史行为数据中包含手机壳，进而可以将手机壳作为物品a的关联物品。还可以依据全部用户的历史行为数据，若与手机a颜色不同的手机b受大众喜爱程度较高，例如其转化率高于一定的阈值，则确定手机b为当前的热销物品。因此扩展后的物品召回集包含手机a、物品b、手机壳以及手机b。并依据历史行为数据确定扩展后的物品召回集中各个物品的特征数据。
步骤130、依据扩展后的物品召回集中各个物品的特征数据以及从历史行为数据中提取的用户特征数据，为用户确定待推荐物品。
在本发明具体实施例中，用户特征数据是在离线状态下依据用户的历史行为数据计算而成，其至少可以包括用户信息以及用户的喜好特征和需求特征等。在扩展后的物品召回集所包含的物品即用户当前感兴趣的物品的基础之上，利用更新后的物品点击率预测模型，依据物品特征数据和用户特征数据，预测扩展后的物品召回集中各个物品的点击率，并对扩展后的物品召回集中各个物品进行去重和过滤处理，以精简可推荐物品的选择范围。最后依据各个物品的预测点击率对处理后的物品进行排序，将点击率较高的物品确定为用户的待推荐物品。
值得注意的是，扩展后的物品召回集中可能同时存在相近的物品，例如品类相同但某一属性不同，但由于物品的细微特征对用户的选择必然存在影响，因此优选优先进行物品点击率的预测，从而充分地考虑到用户所感兴趣的物品对点击率的影响，在点击率预测后再进行物品的去重和过滤处理。而物品的去重和过滤处理与物品的排序处理的先后顺序没有必要的要求，只是在去重和过滤处理后，排序的效率会较高一些。
示例性的，依据历史行为数据确定用户特征数据以及物品召回集中各物品的特征数据，输入至更新后的点击率预测模型中，确定各物品的预测点击率。在上述示例中，由于手机a和手机b的品类相同但颜色不同，因此进行去重处理，并综合手机a和手机b的点击率得到手机本身的预测点击率。最终依据物品精简后的手机、物品b和手机壳各自的预测点击率进行排序，将预测点击率较高的物品作为待推荐物品。
在实际应用中，由于用户的当前行为数据有限，因此原始物品召回集中的物品数量较少，而在召回集扩展后，能够得到尽可能多的关联物品和/或热销物品，物品数量上升幅度较大。进而在待推荐物品的确定时，为了将最符合用户当前需求的且聚合归类后尽可能多类的物品推荐给用户，减少重复性物品或无效性物品对推荐物品名额的占用，需要在利用各物品的信息进行点击率预测后进行去重和过滤这样的精简处理，保证了充分考虑各物品信息对点击率的影响的同时，精简了可推荐物品，使得用户获得更多种类的物品推荐，提高各物品的实用性以及用户体验。
本实施例的技术方案，通过对用户行为的实时获取，依据用户至当前时刻所产生的当天行为数据中关联的物品构建原始物品召回集；并依据更新后的历史行为数据对原始物品召回集中的各个物品进行扩展，确定扩展后的物品召回集中各个物品的物品特征数据，从而确定了用户当前或今天所感兴趣的物品及物品的特征数据；最终依据更新后的预测模型、物品特征数据以及从更新后的历史行为数据中提取的用户特征数据，确定待推荐物品。本发明实施例通过以用户的当前行为数据为推荐物品的主要确定依据，能够将符合用户近实时需求的物品及时地推荐给用户，增强推荐物品与用户的粘性，提高物品的有效转化率以及用户的活跃度和选购效率。
实施例二
本实施例在上述实施例一的基础上，提供了物品推荐方法的一个优选实施方式，能够实时提取实时性行为数据并对实时行为数据关联的物品进行点击率的预测。图2为本发明实施例二提供的一种物品推荐方法的流程图，如图2所示，该方法包括以下具体步骤：
步骤201、提取并存储用户的实时行为数据。
在本发明具体实施例中，可以采用秒级别的甚至更小的时间间隔来周期性的提取、解析和清洗用户的实时行为。该实时行为可以是用户通过互联网进行的浏览、收藏、解除收藏、加入购物车、剔除购物车、分享、购买以及预约等行为。提取出该实时行为所关联的用户信息、物品信息和上下文信息。其中，用户信息可以包括用户的年龄和性别等个人用户信息；物品信息可以包括物品的品类和生产日期等物品属性信息；上下文信息是指该实时行为发生的时间、地点以及所关联的网页中的模块等行为附属信息。并实时地将实时行为以及所关联的一切信息存储在数据库等存储介质中。
步骤202、以设定的时间间隔从存储有实时行为数据的存储介质中获取用户至当前时刻所产生的当天行为数据；所述设定的时间间隔为分钟级别的周期性时间间隔。
在本发明具体实施例中，本实施例以设定的时间间隔从存储有实时行为数据的存储介质中获取用户当天截止至当前时刻所产生的行为数据作为当天行为数据，可以理解的是，当天行为数据是指截止至当前时刻当天所发生的所有行为，因此随着时间的推移，当天行为数据也是在时刻变化着的。由于用户的实时行为反映了用户当前明确的且强烈的兴趣需求，因此本申请以设定的时间间隔获取用户的当天行为数据，能够充分分析出用户当前的实际需求或喜好倾向。值得注意的是，本实施例可以采用分钟级别的时间间隔来周期性的获取用户的当天行为数据，进而在保证系统正常运行的情况下，近实时性地分析用户的实际需求。
步骤203、依据当天行为数据中各行为的属性以及各行为所关联的物品，构建原始物品召回集。
在本发明具体实施例中，由于用户的行为直观的反映出用户的需求或喜好，因此可以对当天行为数据中各行为进行分析，从而依据当天行为数据中各行为的属性以及各行为所关联的物品，将表示用户当前需求或感兴趣的物品组成为原始物品召回集。
步骤204、若历史行为数据中不包含前一天所产生的用户行为数据，则将前一天所产生的用户行为数据添加至历史行为数据中，以更新历史行为数据。
在本发明具体实施例中，可以以天或者小时的时间间隔来周期性的更新用户的历史行为数据，则历史行为数据为本次更新周期之前的所产生的所有行为数据，相应的，当天行为数据中的各个行为是本次更新周期之内的近期行为数据。当天行为数据是历史行为数据的衔接，两者无包含关系。当天行为数据决定了物品召回集中用户所需求或感兴趣的物品，历史行为数据决定了物品召回集的扩展以及其中各物品点击率的预测。由于历史行为数据的庞大，因此本实施例优选以天为时间间隔来周期性的更新用户的历史行为数据，若历史行为数据中不包含前一天所产生的用户行为数据，则将前一天所产生的用户行为数据添加至历史行为数据中，以更新历史行为数据。同时以更新后的历史行为数据来更新物品点击率预测模型。若历史行为数据无需更新，则可以直接调用历史行为数据和物品点击率预测模型这部分离线数据。
步骤205、依据物品的品类、物品的相似度以及更新后的历史行为数据中关联的物品，确定原始物品召回集中的各个物品的关联物品；和/或依据更新后的历史行为数据确定热销物品；依据关联物品和/或热销物品扩展原始物品召回集，获得扩展后的物品召回集。
在本发明具体实施例中，为了增加每个用户的原始物品召回集中的商品数量，增加尽可能多的候选商品，可以依据原始物品召回集中包括的物品的品类、物品的相似度以及更新后的历史行为数据中关联的物品，确定原始物品召回集中的各个物品的关联物品。示例性的，假设原始物品召回集中包含品牌a手机，则可以依据物品的品类，关联出同一时期上市的品牌b手机，作为关联物品供用户选择。
本实施例还可以依据更新后的历史行为数据确定热销物品，用热销物品进一步扩充物品召回集。可以依据物品的转化率、上升趋势、好评情况以及销量等多维度信息确定热销商品。其中，转化率是指物品由被用户点击浏览到被成功购买的比例，可以通过近7天内下单的用户数量与近7天内用户的点击数量的比值来确定物品的转化率；上升趋势是指近期的短期时间内用户的点击数量与长期时间内用户的点击数量的比例，可以通过近7天点击数量与近28天点击数量的比值来确定物品的上升趋势。转化率和上升趋势的计算公式中，具体的计算天数可根据实际情况而调整。依据全部用户的历史行为数据，利用上述计算公式以及对物品的评价和销量情况的分析，即可确定热销商品。
本实施例依据关联物品和/或热销物品扩展所述原始物品召回集，获得扩展后的物品召回集。通过上述方式可以将物品召回集中有限数量的物品扩展到千级别，供后续处理从中优中选优而为用户确定几个或者十几个的推荐物品，达到千人千面的推荐效果，提升推荐的物品的点击率和购买率。
步骤206、确定扩展后的物品召回集中各个物品的特征数据。
在本发明具体实施例中，物品的特征数据可以是在离线状态下依据用户的历史行为数据计算而成，例如物品的适用范围等特征。进而可以依据历史行为数据中的关联物品来确定扩展后的物品召回集中各个物品的特征数据。
步骤207、依据物品特征数据和用户特征数据，预测扩展后的物品召回集中各个物品的点击率。
在本发明具体实施例中，用户特征数据是在离线状态下依据用户的历史行为数据计算而成，其至少可以包括用户信息以及用户的喜好特征和需求特征等。在扩展后的物品召回集所包含的物品即用户当前感兴趣的物品的基础之上，利用更新后的物品点击率预测模型，依据物品特征数据和用户特征数据，预测扩展后的物品召回集中各个物品的点击率。现有技术中任何可以预测物品点击率的模型都可以应用于本实施例中。
步骤208、对扩展后的物品召回集中各个物品进行去重和过滤处理。
在本发明具体实施例中，扩展后的物品召回集中可能同时存在相近的物品，例如品类相同但某一属性不同，但由于物品的细微特征对用户的选择必然存在影响，因此在优先进行物品点击率的预测，充分考虑用户所感兴趣的物品对点击率的影响后，再进行物品的去重和过滤处理，以精简可推荐物品的选择范围。去重是指根据物品信息将同类物品去除，例如将相同品牌相同型号但不同颜色物品进行去除，同时可以综合保留的物品和去除的物品的预测点击率，作为该品类物品的点击率。过滤通常根据一定的业务规则，依据用户特征数据和商品特征数据是否满足业务规则，将召回集中的无效物品进行去除。例如，根据用户特征数据和物品特征数据的性别标签对物品进行过滤，将性别不一致的物品即用户不适用的物品过滤掉；又例如将当前没有库存的物品过滤掉等。
步骤209、依据各个物品的预测点击率对处理后的物品进行排序。
在本发明具体实施例中，排序是将扩展后的物品召回集中经过去重和过滤处理后剩余的物品按照各自的预测点击率进行排序。为了便于将点击率较大的物品优先曝光给用户，可以根据预测点击率由大到小进行排序。
步骤210、依据排序结果确定待推荐物品。
在本发明具体实施例中，排序结果中的物品都是经过点击率预测和精简处理后的物品，进而直接依据排序结果，将点击率较大的物品确定为用户的待推荐物品即可。
本实施例的技术方案，通过对实时行为的实时提取，定时获取当天行为数据，从而确定原始物品召回集；并依据更新后的历史行为数据对原始物品召回集进行扩展，确定扩展后的物品召回集中各个物品的物品特征数据以及用户特征数据；从而利用更新后的物品点击率预测模型，依据物品特征数据和用户特征数据对各个物品进行点击率预测；最终依据去重、过滤和排序处理后的物品确定待推荐物品。本发明实施例通过以用户的当前行为数据为推荐物品的主要确定依据，能够将符合用户近实时需求的物品及时地推荐给用户，增强推荐物品与用户的粘性，提高物品的有效转化率以及用户的活跃度和选购效率。
实施例三
图3为本发明实施例三提供的一种物品推荐装置的结构示意图，本实施例可适用于用户通过互联网搜索和选择物品的情况，该装置可实现本发明任意实施例所述的物品推荐方法。该装置具体包括：
物品召回集构建模块310，用于依据用户的当天行为数据中关联的物品构建原始物品召回集；
物品召回集扩展模块320，用于依据历史行为数据以及原始物品召回集中包括的物品扩展所述原始物品召回集，并确定扩展后的物品召回集中各个物品的特征数据；
待推荐物品确定模块330，用于依据扩展后的物品召回集中各个物品的特征数据以及从所述历史行为数据中提取的用户特征数据，为用户确定待推荐物品。
优选的，所述物品召回集构建模块310，包括：
实时行为数据提取单元，用于提取并存储用户的实时行为数据；
当天行为数据获取单元，用于以设定的时间间隔从存储有实时行为数据的存储介质中获取用户至当前时刻所产生的当天行为数据；
物品召回集构建单元，用于依据所述当天行为数据中各行为的属性以及各行为所关联的物品，构建原始物品召回集。
优选的，所述设定的时间间隔为分钟级别的周期性时间间隔。
进一步的，所述装置还包括：
离线数据更新模块340，用于若历史行为数据中不包含前一天所产生的用户行为数据，则将所述前一天所产生的用户行为数据添加至历史行为数据中，以更新历史行为数据。
优选的，所述离线数据更新模块340，还用于依据更新后的历史行为数据更新物品点击率预测模型。
优选的，所述物品召回集扩展模块320，包括：
关联物品确定单元，用于依据物品的品类、物品的相似度以及更新后的历史行为数据中关联的物品，确定所述原始物品召回集中的各个物品的关联物品；
热销物品确定单元，用于依据更新后的历史行为数据确定热销物品；
物品召回集扩展单元，用于依据所述关联物品和/或所述热销物品扩展所述原始物品召回集，获得扩展后的物品召回集。
优选的，所述待推荐物品确定模块330，包括：
物品点击率预测单元，用于依据物品特征数据和用户特征数据，预测扩展后的物品召回集中各个物品的点击率；
物品精简处理单元，用于对扩展后的物品召回集中各个物品进行去重和过滤处理；
物品排序单元，用于依据各个物品的预测点击率对处理后的物品进行排序；
待推荐物品确定单元，用于依据排序结果确定待推荐物品。
本实施例的技术方案，通过各个功能模块间的相互配合，实现了历史行为数据和预测模型的更新、实时行为数据的提取、清洗和存储、物品召回集的构建和扩展、物品特征数据的确定、用户特征数据的确定、物品点击率的预测、物品的去重、过滤和排序以及待推荐物品的确定等功能。本发明实施例通过以用户的当前行为数据为推荐物品的主要确定依据，能够将符合用户近实时需求的物品及时地推荐给用户，增强推荐物品与用户的粘性，提高物品的有效转化率以及用户的活跃度和选购效率。
实施例四
图4为本发明实施例四提供的一种服务器的结构示意图。如图4所示，该服务器具体包括：一个或多个处理器410，图4中以一个处理器410为例；存储器420，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器410执行，使得一个或多个处理器410实现本发明任意实施例所述的物品推荐方法。处理器410与存储器420可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420，作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的物品推荐方法对应的程序指令(例如，实时行为数据的提取、清洗和存储以及物品点击率的预测和排序)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述的物品推荐方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行一种物品推荐方法，该方法包括：
依据用户的当天行为数据中关联的物品构建原始物品召回集；
依据历史行为数据以及原始物品召回集中包括的物品扩展所述原始物品召回集，并确定扩展后的物品召回集中各个物品的特征数据；
依据扩展后的物品召回集中各个物品的特征数据以及从所述历史行为数据中提取的用户特征数据，为用户确定待推荐物品。
当然，本发明实施例所提供的一种计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的物品推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明实施例可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明实施例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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。