本发明涉及数据处理技术领域，具体而言，涉及一种产品推荐方法、装置、介质及电子设备。
背景技术：
随着中国市场经济的发展，金融市场的规模不断扩大，基金的种类和数量也越来越丰富。
当前的基金推荐方法主要是由人力基于大数据统计，筛选出业绩、抗跌能力、盈利能力等方面表现优秀的基金推荐给用户。这样的推荐方法千篇一律，很难满足用户的个性化需求；并且需要根据市场的变化定期对数据进行更新，从而导致推荐所需的成本过高。因此，需要一种能够更方便根据不同用户的个性化需求推荐基金的方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
本发明实施例的目的在于提供一种产品推荐方法、装置、介质及电子设备，进而至少在一定程度上克服现有的基金推荐方法对用户来说缺少针对性的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面，提供了一种产品推荐方法，包括：
获取用户与待推荐产品相关联的多个行为特征；
计算各个所述行为特征对应的所述待推荐产品的偏好得分；
将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分；
根据所述预测得分向所述用户推荐产品。
在本发明的一种示例实施例中，所述计算各个所述行为特征对应的所述待推荐产品的偏好得分包括：
获取多个时间段及各个所述行为特征对应的所述时间段；
根据各个所述行为特征对应的所述时间段，设置各个所述行为特征的权重；
根据各个所述行为特征的权重，计算各个所述行为特征对应的所述待推荐产品的偏好得分。
在本发明的一种示例实施例中，所述多个时间段包括：
所述多个时间段的起点为同一时刻，并且各个所述时间段包含的时长不同。
在本发明的一种示例实施例中，所述隐语义模型包括：
分别基于每一所述行为特征，构建一隐语义模型。
在本发明的一种示例实施例中，所述将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分，包括：
将每一个所述行为特征对应的偏好得分输入每一个所述行为特征的隐语义模型，以得到多个隐语义模型的多个输出结果；
对所述多个输出结果进行加权求和，以得到所述待推荐产品的所述预测得分。
在本发明的一种示例实施例中，根据所述预测得分向所述用户推荐产品之后，还包括：
判断所述用户对已推荐产品是否有反馈行为；
在所述用户对所述已推荐产品有反馈行为时，根据所述用户对所述已推荐产品的反馈行为，调整所述已推荐产品的权重；
根据所述已推荐产品的权重，再次推荐所述已推荐产品。
在本发明的一种示例实施例中，所述根据所述用户对所述已推荐产品的反馈行为，调整所述已推荐产品的权重包括：
在所述反馈行为为浏览时，增大所述已推荐产品的权重；
在所述反馈行为为申购时，减小所述已推荐产品的权重。
在本发明的一种示例实施例中，还包括：
在用户对所述已推荐产品无反馈行为时，将所述已推荐产品的权重设置为零。
在本发明的一种示例实施例中，所述根据所述预测得分向所述用户推荐产品包括：
根据所述预测得分从大到小的顺序对多个所述待推荐产品进行排序，向用户推荐前N个产品。
根据本发明实施例的第二方面，提供了一种产品推荐装置，包括：
获取行为特征单元，用于获取用户与待推荐产品相关联的多个行为特征；
获取预测得分单元，用于计算各个所述行为特征对应的所述待推荐产品的偏好得分
获取预测得分单元，用于将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分；
推荐单元，用于根据所述预测得分向所述用户推荐产品。
根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的产品推荐方法。
根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的产品推荐方法。
本发明实施例提供的技术方案可以包括以下有益效果：
在本发明的一些实施例所提供的技术方案中，通过获取用户与待推荐产品相关联的多个行为特征，可以针对不同的用户的行为特征进行推荐，满足了用户的个性化需求，提高推荐的个性化程度；并且根据用户不同的行为特征计算待推荐产品的偏好得分，可以使得用户的每一个行为特征都可以被考虑到，从而更加全面、合理的衡量用户对各个产品的偏好程度，提高了推荐的合理性和全面性；此外，根据隐语义模型可以获得待推荐产品的预测评分，向用户推荐用户兴趣度高的产品，使得推荐结果更加精确；并且，可以进一步满足用户的个性化需求，提高了推荐的针对性；同时，还可以提高用户对推荐结果的认可，从而提高推荐的可靠性和实用性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1示意性示出了根据本发明的实施例中用于实现产品推荐方法的系统架构示意图；
图2示意性示出了根据本发明的实施例的产品推荐方法的流程图；
图3示意性示出了根据本发明的另一实施例的产品推荐方法的流程图；
图4示意性示出了根据本发明的又一实施例的产品推荐方法的流程图；
图5示意性示出了根据本发明的再一实施例的产品推荐方法的流程图；
图6示意性示出了根据本发明的实施例的产品推荐装置的结构示意图；
图7示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
现有的基金推荐方法可以筛选出优质的基金，但是这些优质基金对于不同用户来说都是一样的，忽略了用户本身的需求，例如，有些用户追求短期收益，有些用户追求长期收益等。因此，需要一种能够针对不同用户的个性化推荐方法。
基于此，本示例实施方式中首先提供了一种用于实现产品推荐方法的系统架构，可以应用于各种推荐场景，例如产品推荐、用户推荐等等。参考图1所示，该系统架构100可以包括终端设备101、102、 103，网络104和服务器105。网络104用以在终端设备101、102、103 和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的产品推荐方法一般由服务器 105执行，相应地，产品推荐装置一般设置于终端设备101中。
基于上述系统架构100，本发明的示例实施例提供一种产品推荐方法。如图2所示，该方法可以包括步骤S210、S220、S230、S240。其中：
步骤S210，获取用户与待推荐产品相关联的多个行为特征；
步骤S220，计算各个所述行为特征对应的所述待推荐产品的偏好得分；
步骤S230，将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分；
步骤S240，根据所述预测得分向所述用户推荐产品。
在本示例实施例的产品推荐方法中，通过获取用户与待推荐产品相关联的多个行为特征，可以针对不同的用户的行为特征进行推荐，满足了用户的个性化需求，提高推荐的个性化程度；并且根据用户不同的行为特征计算待推荐产品的偏好得分，可以使得用户的每一个行为特征都可以被考虑到，从而更加全面、合理的衡量用户对各个产品的喜好程度，提高了推荐的合理性和全面性；此外，根据隐语义模型可以获得待推荐产品的预测评分，向用户推荐用户兴趣度高的产品，使得推荐结果更加精确；并且，可以进一步满足用户的个性化需求，提高了推荐的针对性；同时，还可以提高用户对推荐结果的认可，从而提高推荐的可靠性和实用性。
下面，将结合图2至图5对本示例实施例中的产品推荐方法的各个步骤进行更加详细的说明。
步骤S210，获取用户与待推荐产品相关联的多个行为特征。
例如，通过日志文件可以获取到了用户对于各种基金的浏览行为、申购行为、加自选行为等主要的行为特征。浏览行为表示日志中记录的用户浏览某支基金的次数；申购行为可以表示日志中记录的用户申购某支基金的次数、金额；加自选行为可以表示日志中记录的用户将某支基金加入自选基金的次数。
在本示例实施例中，待推荐产品可以是需要被推荐给用户的各种产品。产品可以指能够被人们使用和消费，满足人们的需求的任何物品。产品可以是有形的，例如，水杯、书包、手机等，也可以是无形的，例如，服务、股票、基金等。本实施例对此不做特殊限定。用户与待推荐产品相关的行为特征可以是用户根据待推荐产品做出各种操作或者行为。行为特征可以是用户对有形产品的购买行为、交换行为、使用时间等，或者是对无形产品的浏览行为、申购行为、加自选行为、加购物车行为等等。例如，用户对某支基金的申购行为、用户对某个商品加购物车行为等。此外，行为特征还可以是用户对某个产品产生的行为或者操作的效果的特征，例如金额、次数、时间等。或者，行为特征也可以根据分析用户与产品的数据来设定，例如，分析用户的季度账单数据，可以设定行为特征为用户购买某类产品所占的总支出的比重等等。
获取行为特征可以通过产品的统计数据来获取，或者通过历史记录来获取。可以通过查询历史记录对应的日志文件来获取历史记录的数据，或者通过对某个产品的市场调查数据来虎获取统计数据，从而获取到数据中的行为特征。例如，获取历史记录中用户对某个产品的购买行为等。当然根据实际情况，可以用任何方式获取行为特征本实施例中对获取行为特征的方式不做特殊限定。
步骤S220，计算各个所述行为特征对应的所述待推荐产品的偏好得分。
用户的每个行为特征可以表示用户对产品的喜好程度，例如，浏览行为和购买行为表示用户对某个产品的不同的喜好程度。对于不同的用户来说，影响用户喜好的，也可以与用户自身的条件有关，例如，购买力、空闲时间等。此外，用户的喜好也可以随着时间的推移而改变，例如，从5月份开始，用户对某个产品有浏览行为，但是在此前，用户对该产品并没有浏览行为，或者2016年用户对某产品有10次购买行为，而2017用户对该产品只有1次购买行为等等。
偏好得分可以用来衡量用户的喜好程度。对于各个产品来说，用户的每一个行为特征可以有不同的偏好得分。例如，用户的浏览行为对应的各个产品的偏好得分，可以是产品A大于产品B，也就是说用户更喜欢浏览产品A。因而，可以对每一个行为特征计算各个产品的偏好得分。例如，计算出购买行为对应的所有产品的偏好得分等。
计算偏好得分可以通过各种方法实现。可以通过统计各个产品对应的各个行为的次数，将该次数作为偏好得分，或者，可以通过数学表达式来表示各个行为特征，从而计算出偏好得分，例如，其中，T可以为预设的一段时间，k可以为一个常数，f(x)可以表示某一特征的量化表达。
进一步地，计算偏好得分的方法可以包括步骤S301、S302、 S303，如图3所示。其中：
步骤S301，获取多个时间段及各个所述行为特征对应的所述时间段。
例如，获取2016年6月到2017年6月的每个月为一个时间段，可以获取12个时间段，则获取的浏览行为对应的时间段可以为2016年6 月，购买行为对应的时间段可以为2017年6月。当然，各个时间段的时长可以不同。
优选地，上述时间段的起点可以为同一时刻，并且各个时间段的时长不同。例如，以2017年5月30号00：00为起点，可以获取时长为 24小时、48小时、7天，14天，30天，3个月等六个时间段。当然，也可以设置时间段的终点为同一时刻，各个时间段时长不同，例如，以当前时刻为终点的24小时，48小时等时间段。并且，可以获取特征行为对应的时间段。例如，申购行为对应时间段为24小时，浏览行为对应时间段为7天等。此外，可以获取任何数量的时间，例如，6、8、 10等，本示例实施例对此不做特殊限定。
步骤S302，根据各个所述行为特征对应的所述时间段，设置各个所述行为特征的权重。
获取各个行为特征对应的时间段后，可以根据时间段为各个行为特征设置权重。可以将对应时间段的时长较短的行为特征的权重值设置较大，例如，以2017年5月30号00：00为起点，获取申购行为对应时间段为24小时，浏览行为对应时间段为7天，那么可以设置该申购行为的权重为5，该浏览行为的权重为3。对同一行为特征，如果对应的时间段不同，那么同一行为特征的权重也可以不同。
步骤S303，根据各个所述行为特征的权重，计算各个所述行为特征对应的所述待推荐产品的偏好得分。
在计算偏好得分时，可以根据各个行为特征的权重加权求和来计算，也可以使用其他方式计算，例如，加权求平均值、对数方法等。
优选地，计算偏好得分可以通过公式来计算。其中，T是时间段的数量，可以设T为6，fi,j表示在第i个时间段，基金j的行为特征的次数或者金额，wi表示在第i个时间段的权重，fi表示在第i个时间段的行为特征的最大值。按照这个公式，可以计算出各个行为特征对应的产品的偏好得分。
步骤S230，将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分。
隐语义模型可以预测不同的用户对各个产品的得分，该得分可以表示用户对产品的兴趣大小。隐语义模型可以全面考虑各个因子对用户的影响，从而在各个因子的影响下，分析用户对产品的兴趣。例如，对于各个基金，用户选择基金可能会考虑净值涨跌、基金经理等，不同的用户对这些因子的考虑程度可以是不同的，因此，利用隐语义模型可以在不用逐个分析这些因子的具体影响，而直接得到用户在这些因子的影响下的得分。
进一步地，可以分别基于每个行为特征，构建一个隐语义模型。每个行为特征的隐语义模型可以输出不同的用户对各个产品的该行为特征的兴趣分数，也就是说，隐语义模型可以输出某用户对某产品产生某行为的可能性。例如，浏览行为的隐语义模型可以输出用户A对产品a 的得分为0.1，用户A对产品b的得分为0.5，用户B对产品c的得分为0.7等。也就是说，用户A对产品a产生浏览行为的可能性为0.1，用户A对产品b产生浏览行为的可能性为0.5，用户B对产品c产生浏览行为的可能性为0.7等。
因此，待推荐产品的预测得分可以将每个行为特征的隐语义模型的输出结果进行加权求和计算，将计算后的得分作为待推荐产品的预测得分。可以根据实际情况对各个行为特征设置权重，例如，可以设置申购行为的权重大于浏览行为的权重，或者设置浏览行为的权重为0.3，申购行为的权重为0.6，加自选行为的权重为0.4等。本示例实施例对此不做特殊限定。为各个行为特征设置权重之后，各个行为特征的隐语义模型的输出结果的权重可以为各个行为特征的权重。对于同一产品，将各个隐语义模型的输出结果进行加权求和，得到该产品的预测得分。例如，行为特征为：浏览行为、加自选行为、申购行为，浏览行为的隐语义模型输出用户A对产品a的得分为0.1，加自选行为的隐语义模型输出用户A对产品a的得分为0.3，申购行为的隐语义模型输出用户A对产品a的得分为0.6。设浏览行为的权重为0.2，加自选行为的权重为 0.4，申购行为的权重为0.6，那么用户A对a产品的最终预测得分为： 0.1*0.2+0.3*0.4+0.6*0.6＝0.5。
步骤S240，根据所述预测得分向所述用户推荐产品。
在本示例实施例中，可以向用户推荐预测得分高的产品，或者向用户推荐预测得分大于预设阈值的产品，例如，可以设置阈值为0.5，向用户推荐预测得分大于0.5的产品。
进一步地，可以将预测得分从大到小排序，向用户推荐前N个产品。可以每次向用户推荐预设数量个产品，例如5、10等，则选取前5 个产品，或者前10个产品。当然，根据实际情况可以使用任何方法向用户推荐产品，例如，可以将待推荐产品进行分批推荐，每批推荐预设数量的产品，在用户选择下一批时，推荐下一批产品，或者在一定时间后，自动推荐下一批等。
在向用户推荐产品之后，还可以根据用户对已推荐的产品的反馈行为，调整推荐方式。因此，本示例实施例还可以包括步骤S401、 S402、S403，如图4所示。其中：
步骤S401，判断所述用户对已推荐产品是否有反馈行为。
反馈行为可以是用户对已推荐产品产生的行为特征，也可以是用户对已推荐产品的其他行为。例如，反馈行为可以是浏览行为、购买行为、申购行为，点击行为、删除行为等。可以在产品推荐之后，判断用户对该产品的行为特征。如果用户对该产品有行为特征，那么用户对该产品有反馈行为。例如，向用户A推荐了产品a，在推荐之后，用户A 对产品a产生浏览行为，那么用户A对产品a有反馈行为。
步骤S402，在所述用户对所述已推荐产品有反馈行为时，根据所述用户对所述已推荐产品的反馈行为，调整所述已推荐产品的权重。
可以对每个产品设置权重，在推荐之后可以增大或者减小各个产品的权重值。在下一次推荐时，可以根据各个已推荐产品的权重值来推荐已推荐产品。举例而言，如果用户对已推荐产品有购买行为，表示推荐成功，可以将该已推荐产品的权重值减小，如果用户对已推荐产品有浏览行为，可以表示用户对该已推荐产品有兴趣，那么可以增大该已推荐产品的权重值。并且，可以对每一个用户的反馈行为分别保存，分别根据每个用户的反馈行为，向每个用户推荐产品，更加符合用户的个性化需求。
此外，如果用户对已推荐产品没有反馈行为，那么可以将该已推荐产品的权重值设置为零，下一次推荐时，可以不推荐该已推荐产品。
步骤S403，根据所述已推荐产品的权重，再次推荐所述已推荐产品。
可以根据已推荐产品的权重，将已推荐产品权重值大的产品再次推荐给用户再次向用户推荐已推荐产品。或者，设置一个权重阈值，在下一次推荐时，不推荐权重值小于该阈值的产品。当然，可以根据实际需求，选择其他方式向用户再次推荐已推荐产品，例如，对已推荐产品的权重值进行从大到小排序，选取前N个产品推荐给用户等。本示例实施例对此不做特殊限定。
以基金的浏览行为、申购行为、加自选行为为例，在本示例实施例中，还可以包括步骤S501、S502、S503、S504、S505、S506、S507。其中：
步骤S501，可以获取步骤S210中多个特征行为浏览行为、申购行为、加自选行为。步骤S502分别计算各个基金的每个行为特征的的偏好得分，可以得出用户对各个基金浏览行为的偏好得分，用户对各个基金申购行为的偏好得分和用户对各个基金加自选行为的偏好得分。将步骤S502得出的偏好得分输入各个行为特征对应的隐语义模型，步骤 S503可以得出各个模型的输出结果，浏览行为的隐语义模型可以输出用户对各个基金的浏览行为的预测得分，申购行为的隐语义模型可以输出用户对各个基金的申购行为的预测得分，加自选行为的隐语义模型可以输出用户对各个基金的加自选行为的预测得分。步骤S504可以对上述三个模型输出的预测得分进行加权求和，并将加权求和后的预测得分作为最终的各个基金的综合得分，向用户推荐该综合得分高的基金。步骤S505可以判断用户对推荐的基金的反馈行为，并根据用户的反馈行为为各个已推荐的基金设置权重，用户的反馈行为可以是浏览行为、申购行为、加自选行为或者其他行为，例如，删除行为、点击行为等，并且，如果用户对已推荐的基金没有反馈行为，那么可以将该基金的权重设置为零，下一次不再推荐该基金。步骤S506可以对各个已推荐基金的权重进行排序，可以对权重从大到小排序，或者从小到大排序，并在步骤S507中，根据权重的排列顺序再次向用户推荐已推荐的基金。
以下介绍本发明的装置实施例，可以用于执行本发明上述的产品推荐方法。如图6所示，该产品推荐方法600可以包括：
获取行为特征单元610，用于获取用户与待推荐产品相关联的多个行为特征；
获取偏好得分单元620，用于计算各个所述行为特征对应的所述待推荐产品的偏好得分
获取预测得分单元630，用于将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分；
推荐单元640，用于根据所述预测得分向所述用户推荐产品。
由于本发明的示例实施例的产品推荐装置的各个功能模块与上述产品推荐方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的产品推荐方法的实施例。
下面参考图7，其示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备的计算机系统700 仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708 加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统操作所需的各种程序和数据。 CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出 (I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分 706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN 卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口 705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器 (ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的产品推荐方法。
例如，所述的电子设备可以实现如图2中所示的：步骤S210，获取用户与待推荐产品相关联的多个行为特征；步骤S220，计算各个所述行为特征对应的所述待推荐产品的偏好得分；步骤S230，将所述偏好得分输入隐语义模型，以得到所述待推荐产品的预测得分；步骤 S240，根据所述预测得分向所述用户推荐产品。
又如，所述的电子设备可以实现如图3所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。