商品推荐方法、装置、系统及计算机可读存储介质与流程

本公开涉及计算机技术领域，尤其是一种商品推荐方法、装置、系统及计算机可读存储介质。

背景技术

随着互联网技术的不断发展，线上消费行为越来越普及。但是，线上消费始终无法完全取代线下消费，尤其是一些奢侈品消费，人们更倾向在线下的商铺中进行。

目前，传统的商品推荐方式中，商铺主要由导购员为顾客推荐商品，或者通过广告牌循环播放广告来吸引顾客。

技术实现要素：

发明人发现：传统的商品推荐方式中，为顾客推荐什么样的商品是由人工决定的，这无法向顾客准确地推荐商品，降低了对顾客的吸引力，用户体验差。

本公开实施例所要解决的一个技术问题是：提高向特定线下顾客推荐商品的准确性。

根据本公开实施例的一方面，提供一种商品推荐方法，包括：对当前进入商铺的特定线下顾客的图像进行分析，以得到所述特定线下顾客的属性；根据所述特定线下顾客的属性，确定与所述特定线下顾客匹配的线上用户；根据以前进入所述商铺的线下顾客的驻留位置对应的商品，构建所述商铺的热门商品集合；根据所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品。

在一些实施例中，根据所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品包括：根据所述线上用户的历史购物信息，确定多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于所述热门商品集合的待推荐商品的推荐权重大于不属于所述热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向所述线下顾客推荐所述多个待推荐商品。

在一些实施例中，构建所述热门商品集合包括：根据以前进入所述商铺的线下顾客的驻留位置，生成所述线下顾客的热力图；根据所述线下顾客的热力图和商品对应的布置位置，得到所述热门商品集合。

在一些实施例中，所述方法还包括：获取所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个；根据所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个、所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品。

在一些实施例中，根据所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息的至少一个、所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品包括：根据所述线上用户的历史购物信息，确定多个第一待推荐商品；根据所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个，确定多个第二待推荐商品；根据所述多个第一待推荐商品和所述多个第二待推荐商品，构建待推荐商品集合，所述待推荐商品集合包括多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于所述热门商品集合的待推荐商品的推荐权重大于不属于所述热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向所述特定线下顾客推荐所述多个待推荐商品。

在一些实施例中，所述特定线下顾客的偏好商品根据如下方式来确定：根据所述特定线下顾客以前在所述商铺的驻留位置，生成所述特定线下顾客的热力图；根据所述特定线下顾客的热力图和商品对应的布置位置，计算所述特定线下顾客在不同商品的布置位置的驻留时间；将驻留时间大于预设时间的布置位置对应的商品确定为所述特定线下顾客的偏好商品。

在一些实施例中，向所述特定线下顾客推荐所述多个待推荐商品包括：通过自然语言生成技术，将所述特定线下顾客的姓名和所述多个待推荐商品的名称生成符合语法规则的语句；将所述语句转换成语音，并发送给所述商铺的导购员，以便所述导购员根据所述语音向所述特定线下顾客推荐所述多个待推荐商品。

在一些实施例中，向所述特定线下顾客推荐所述多个待推荐商品包括：获取每个待推荐商品对应的图片；根据每个待推荐商品对应的图片，生成每个待推荐商品的描述信息；按照推荐度从大到小的顺序，将每个待推荐商品的图片和描述信息依次输出到所述商铺的显示屏进行显示。

在一些实施例中，每个待推荐商品的商品关注度根据该待推荐商品的访问次数、线上用户的反馈信息、与所述特定线下顾客的习惯匹配度、商品性价比中的至少一项来确定；其中，访问次数越高、线上用户的反馈越好、与所述特定线下顾客的习惯匹配度越高或商品性价比越高，该待推荐商品的商品关注度越高。

根据本公开实施例的另一方面，提供一种商品推荐装置，包括：分析模块，用于对当前进入商铺的特定线下顾客的图像进行分析，以得到所述特定线下顾客的属性；匹配模块，用于根据所述特定线下顾客的属性，确定与所述特定线下顾客匹配的线上用户；构建模块，用于根据以前进入所述商铺的线下顾客的驻留位置对应的商品，构建所述商铺的热门商品集合；推荐模块，根据所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品。

在一些实施例中，所述推荐模块用于：根据所述线上用户的历史购物信息，确定多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于所述热门商品集合的待推荐商品的推荐权重大于不属于所述热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向所述线下顾客推荐所述多个待推荐商品。

在一些实施例中，所述构建模块用于：根据以前进入所述商铺的线下顾客的驻留位置，生成所述线下顾客的热力图；根据所述线下顾客的热力图和商品对应的布置位置，得到所述热门商品集合。

在一些实施例中，所述装置还包括：获取模块，用于获取所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个；所述推荐模块还用于根据所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个、所述线上用户的历史购物信息和所述热门商品集合，向所述特定线下顾客推荐商品。

在一些实施例中，所述推荐模块用于：根据所述线上用户的历史购物信息，确定多个第一待推荐商品；根据所述特定线下顾客的偏好商品和所述特定线下顾客在所述商铺的历史购物信息中的至少一个，确定多个第二待推荐商品；根据所述多个第一待推荐商品和所述多个第二待推荐商品，构建待推荐商品集合，所述待推荐商品集合包括多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于所述热门商品集合的待推荐商品的推荐权重大于不属于所述热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向所述特定线下顾客推荐所述多个待推荐商品。

在一些实施例中，所述特定线下顾客的偏好商品根据如下方式来确定：根据所述特定线下顾客以前在所述商铺的驻留位置，生成所述特定线下顾客的热力图；根据所述特定线下顾客的热力图和商品对应的布置位置，计算所述特定线下顾客在不同商品的布置位置的驻留时间；将驻留时间大于预设时间的布置位置对应的商品确定为所述特定线下顾客的偏好商品。

在一些实施例中，所述推荐模块用于：通过自然语言生成技术，将所述特定线下顾客的姓名和所述多个待推荐商品的名称生成符合语法规则的语句；将所述语句转换成语音，并发送给所述商铺的导购员，以便所述导购员根据所述语音向所述特定线下顾客推荐所述多个待推荐商品。

在一些实施例中，所述推荐模块用于：获取每个待推荐商品对应的图片；根据每个待推荐商品对应的图片，生成每个待推荐商品的描述信息；按照推荐度从大到小的顺序，将每个待推荐商品的图片和描述信息依次输出到所述商铺的显示屏进行显示。

在一些实施例中，每个待推荐商品的商品关注度根据该待推荐商品的访问次数、线上用户的反馈信息、与所述特定线下顾客的习惯匹配度、商品性价比中的至少一项来确定；其中，访问次数越高、线上用户的反馈越好、与所述特定线下顾客的习惯匹配度越高或商品性价比越高，该待推荐商品的商品关注度越高。

根据本公开实施例的又一方面，提供一种商品推荐装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。

根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任意一个实施例所述的方法。

根据本公开实施例的还一方面，提供商品推荐系统，包括：上述任意一个实施例所述的商品推荐装置；摄像头，用于采集当前进入商铺的线下顾客的图像，并将采集的图像输入到所述商品推荐装置。

本公开实施例中，在向特定线下顾客推荐商品时，综合考虑了与特定线下顾客匹配的线上用户的历史购物信息和热门商品集合。这样的推荐方式对特定线下顾客具有针对性，可以提高向特定线下顾客推荐商品的准确性。另外，可以让特定线下顾客了解时下潮流，为特定线下顾客提供更舒适的购物体验。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本公开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公开的一些实施例，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。

图1是根据本公开一些实施例的商品推荐方法的流程示意图；

图2是根据本公开另一些实施例的商品推荐方法的流程示意图；

图3是根据本公开一些实现方式的向特定线下顾客推荐商品的流程示意图；

图4是根据本公开一些实施例的商品推荐装置的结构示意图；

图5是根据本公开另一些实施例的商品推荐装置的结构示意图；

图6是根据本公开又一些实施例的商品推荐装置的结构示意图；

图7是根据本公开一些实施例的商品推荐系统的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1是根据本公开一些实施例的商品推荐方法的流程示意图。

在步骤102，对当前进入商铺的特定线下顾客的图像进行分析，以得到特定线下顾客的属性。

例如，可以在商铺中安装摄像头来采集进入商铺的线下顾客的图像。采用人脸检测识别技术对线下顾客的图像进行处理，可以识别出特定线下顾客，例如vip顾客。

进而，可以采用人脸属性分析技术，对特定线下顾客的图像进行分析，以得到特定线下顾客的属性。例如，可以将检测的到的人脸区域的信息输入到深度学习模型中，以得到特定线下顾客的属性。

特定线下顾客的属性例如可以包括但不限于下列中的至少一项：性别、年龄、表情、种族、颜值、是否戴眼镜、是否戴墨镜、是否留胡子等。例如，特定线下顾客的属性可以表示为属性向量，该属性向量中的每个元素表示某种属性。例如，向量(1,2,0,1,1,1)表示特定用户的年龄为20-30，白种人，女性，不戴口罩，戴眼镜，不戴墨镜，没有胡子。

在步骤104，根据特定线下顾客的属性，确定与特定线下顾客匹配的线上用户。

应理解，线上用户可以是任何通过互联网平台进行消费的用户。例如，可以从线上数据库获取线上用户的属性，然后将特定线下顾客的属性与线上用户的属性进行匹配(例如比对属性向量)，以确定与特定线下顾客的属性相同或相似的线上用户。与特定线下顾客属性相同或相似的线上用户即可视为与特定线下顾客匹配的线上用户。

线上用户的属性可以采用与上述特定线下顾客的属性的确定方法类似的方法来确定。

为了提高向特定线下顾客推荐商品的准确性，可以根据特定线下顾客的归属地来选取部分线上用户用于后续商品推荐，如此可以减少数据处理量，提高商品推荐效率。另外，根据与特定线下顾客的归属地相同的线上用户的数据为特定线下顾客推荐商品，也更加准确。例如，在对北京某商铺内的特定线下顾客推荐商品时，可以选取归属地为北京的线上用户用于后续商品推荐。在一些实施例中，可以根据线上用户在互联网平台的注册地址、常用的送货地址或网络ip地址来确定线上用户的归属地。

在步骤106，根据以前进入商铺的线下顾客的驻留位置对应的商品，构建商铺的热门商品集合。

例如，可以根据以前进入商铺的线下顾客的驻留位置，生成线下顾客的热力图。然后根据线下顾客的热力图和商品对应的布置位置，得到热门商品集合。

线下顾客的热力图可以反映过去一段时间内的线下顾客在商铺的驻留位置的分布情况。根据线下顾客在商铺的驻留位置的分布情况可以得到线下顾客对哪些商品更感兴趣，进而可以得到热门商品集合。

在步骤108，根据线上用户的历史购物信息和热门商品集合，向特定线下顾客推荐商品。

下面介绍一种向特定线下顾客推荐商品的实现方式。

首先，根据与特定线下顾客匹配的线上用户的历史购物信息，确定多个待推荐商品。

历史购物信息可以包括线上用户购买过的商品、收藏过的商品等。

然后，根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度。这里，属于热门商品集合的待推荐商品的推荐权重大于不属于热门商品集合的待推荐商品的推荐权重。

在一些实施例中，可以计算每个待推荐商品的商品关注度和推荐权重的乘积，以得到每个待推荐商品的推荐度。在另一些实施例中，在计算每个待推荐商品的商品关注度和推荐权重的乘积s后，还可以计算每个待推荐商品的商品关注度和推荐权重的乘积之和s，然后计算每个乘积s与s的比值，将该比值作为每个待推荐商品的推荐度。

例如，每个待推荐商品的商品关注度可以根据下列中的至少一项来确定：该待推荐商品的访问次数、线上用户的反馈信息、与特定线下顾客的习惯匹配度、商品性价比。访问次数越高、线上用户的反馈越好、与特定线下顾客的习惯匹配度越高或商品性价比越高，该待推荐商品的商品关注度越高。

例如，每个待推荐商品的推荐权重的初始值可以相同，如果某个待推荐商品属于热门商品集合，则增大该待推荐商品的推荐权重。

之后，按照推荐度从大到小的顺序，向线下顾客推荐多个待推荐商品，即，优先推荐推荐度更大的待推荐商品。在某些实施例中，可以仅推荐多个待推荐商品中推荐度大于预设推荐度的待推荐商品。

在一些实施例中，可以根据如下方式向线下顾客推荐多个待推荐商品：首先，通过自然语言生成技术，将特定线下顾客的姓名和多个待推荐商品的名称生成符合语法规则的语句；然后，将语句转换成语音，并发送给商铺的导购员，以便导购员根据语音向特定线下顾客推荐多个待推荐商品，从而为特定线下顾客提供定制化的服务。例如，张三进入店铺，依次向他推荐灰色卫衣、白色帽子、蓝色牛仔裤等。

在另一些实施例中，可以根据如下方式向线下顾客推荐多个待推荐商品：首先，获取每个待推荐商品对应的图片。然后，根据每个待推荐商品对应的图片，生成每个待推荐商品的描述信息。例如，可以将待推荐商品对应的图片输入到图像标注(imagecaption)模型，该模型可以输出对输入的图片进行描述的信息，如此即可得到每个待推荐商品的描述信息。之后，按照推荐度从大到小的顺序，将每个待推荐商品的图片和描述信息依次输出到商铺的显示屏进行显示，以引起特定线下顾客的注意。例如，优先在显示屏显示推荐度更大的待推荐商品。例如，依次在显示屏显示灰色卫衣、白色帽子、蓝色牛仔裤等，并配上相应的文字描述。

上述实施例中，在向特定线下顾客推荐商品时，综合考虑了与特定线下顾客匹配的线上用户的历史购物信息和热门商品集合。这样的推荐方式对特定线下顾客具有针对性，可以提高向特定线下顾客推荐商品的准确性。另外，可以让特定线下顾客了解时下潮流，为特定线下顾客提供更舒适的购物体验。

图2是根据本公开另一些实施例的商品推荐方法的流程示意图。下面重点介绍图2与图1的不同之处，其他相关之处可以参照上面的描述，在此不再赘述。

在步骤202，对当前进入商铺的特定线下顾客的图像进行分析，以得到特定线下顾客的属性。

在步骤204，根据特定线下顾客的属性，确定与特定线下顾客匹配的线上用户。

在步骤206，获取特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个。

例如，可以根据如下方式来确定特定线下顾客的偏好商品：

首先，根据特定线下顾客以前在商铺的驻留位置，生成特定线下顾客的热力图。该特定线下顾客的热力图可以反映该特定线下顾客以前在商铺的驻留位置的分布。根据该特定线下顾客在商铺的驻留位置的分布情况可以得到该特定线下顾客对商铺内的哪些商品更感兴趣。

然后，根据特定线下顾客的热力图和商品对应的布置位置，计算特定线下顾客在不同商品的布置位置的驻留时间。

之后，将驻留时间大于预设时间的布置位置对应的商品确定为特定线下顾客的偏好商品。

在步骤208，根据以前进入商铺的线下顾客的驻留位置对应的商品，构建商铺的热门商品集合。

在步骤210，根据特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个、线上用户的历史购物信息和热门商品集合，向特定线下顾客推荐商品。

这里，需要指出的是，特定线下顾客的偏好商品也可以是该特定线下顾客在商铺的历史购买商品。

上述实施例中，在向特定线下顾客推荐商品时，还考虑了该特定线下顾客的偏好商品和该特定线下顾客在商铺的历史购物信息。这样的推荐方式可以向该特定线下顾客推荐其更感兴趣的商品，进一步提高了推荐的准确性。

图3是根据本公开一些实现方式的向特定线下顾客推荐商品的流程示意图。

在步骤302，根据与特定线下顾客匹配的线上用户的历史购物信息，确定多个第一待推荐商品。

例如，可以将线上用户曾经购买或收藏的商品确定为第一待推荐商品。

在步骤304，根据特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个，确定多个第二待推荐商品。

例如，可以以特定线下顾客的偏好商品或与偏好商品类似的商品作为第二待推荐商品，或者，可以以特定线下顾客在商铺的历史购买商品或与历史购买商品类似的商品作为第二待推荐商品，或者，可以以特定线下顾客的偏好商品、与偏好商品类似的商品、特定线下顾客在商铺的历史购买商品和与历史购买商品类似的商品均作为第二待推荐商品。

在步骤306，根据多个第一待推荐商品和多个第二待推荐商品，构建待推荐商品集合，待推荐商品集合包括多个待推荐商品。

这里，构建的待推荐商品集合可以包括步骤302确定的部分或全部第一待推荐商品、以及步骤304确定的部分或全部第二待推荐商品。另外，可以将相同的第一待推荐商品和第二待推荐商品合并为一个待推荐商品。

在步骤308，根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度。这里，属于热门商品集合的待推荐商品的推荐权重大于不属于热门商品集合的待推荐商品的推荐权重。

在步骤310，按照推荐度从大到小的顺序，向特定线下顾客推荐多个待推荐商品。

这里，可以按照上面给出的方式向特定线下顾客推荐多个待推荐商品。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图4是根据本公开一些实施例的商品推荐装置的结构示意图。如图4所示，该实施例的装置400包括分析模块401、匹配模块402、构建模块403和推荐模块404。

分析模块401用于对当前进入商铺的特定线下顾客的图像进行分析，以得到特定线下顾客的属性。

匹配模块402用于根据特定线下顾客的属性，确定与特定线下顾客匹配的线上用户。

构建模块403用于根据以前进入商铺的线下顾客的驻留位置对应的商品，构建商铺的热门商品集合。在一些实施例中，构建模块403用于根据以前进入商铺的线下顾客的驻留位置，生成线下顾客的热力图；根据线下顾客的热力图和商品对应的布置位置，得到热门商品集合。

推荐模块404用于根据线上用户的历史购物信息和热门商品集合，向特定线下顾客推荐商品。

在一些实施例中，推荐模块404用于根据线上用户的历史购物信息，确定多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于热门商品集合的待推荐商品的推荐权重大于不属于热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向线下顾客推荐多个待推荐商品。作为一些示例，每个待推荐商品的商品关注度可以根据该待推荐商品的访问次数、线上用户的反馈信息、与特定线下顾客的习惯匹配度、商品性价比中的至少一项来确定。这里，访问次数越高、线上用户的反馈越好、与特定线下顾客的习惯匹配度越高或商品性价比越高，该待推荐商品的商品关注度越高。

图5是根据本公开另一些实施例的商品推荐装置的结构示意图。如图5所示，该实施例的装置500与图4所示装置400相比还包括获取模块501，用于获取特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个。

相应地，该实施例中的推荐模块404还用于根据特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个、线上用户的历史购物信息和热门商品集合，向特定线下顾客推荐商品。

例如，推荐模块404用于根据如下方式向特定线下顾客推荐商品：根据线上用户的历史购物信息，确定多个第一待推荐商品；根据特定线下顾客的偏好商品和特定线下顾客在商铺的历史购物信息中的至少一个，确定多个第二待推荐商品；根据多个第一待推荐商品和多个第二待推荐商品，构建待推荐商品集合，待推荐商品集合包括多个待推荐商品；根据每个待推荐商品的商品关注度和推荐权重，确定每个待推荐商品的推荐度，其中，属于热门商品集合的待推荐商品的推荐权重大于不属于热门商品集合的待推荐商品的推荐权重；按照推荐度从大到小的顺序，向特定线下顾客推荐多个待推荐商品。

在一些实施例中，特定线下顾客的偏好商品可以根据如下方式来确定：根据特定线下顾客以前在商铺的驻留位置，生成特定线下顾客的热力图；根据特定线下顾客的热力图和商品对应的布置位置，计算特定线下顾客在不同商品的布置位置的驻留时间；将驻留时间大于预设时间的布置位置对应的商品确定为特定线下顾客的偏好商品。在确定特定线下顾客的偏好商品后，可以将特定线下顾客的偏好商品存储在偏好商品数据库中。例如，可以不同的标识来区分不同的线下顾客。

在一些实施例中，推荐模块404用于通过自然语言生成技术，将特定线下顾客的姓名和多个待推荐商品的名称生成符合语法规则的语句；将语句转换成语音，并发送给商铺的导购员，以便导购员根据语音向特定线下顾客推荐多个待推荐商品。在另一些实施例中，推荐模块404用于获取每个待推荐商品对应的图片；根据每个待推荐商品对应的图片，生成每个待推荐商品的描述信息；按照推荐度从大到小的顺序，将每个待推荐商品的图片和描述信息依次输出到商铺的显示屏进行显示。

图6是根据本公开又一些实施例的商品推荐装置的结构示意图。如图6所示，该实施例的装置600包括存储器601以及耦接至该存储器601的处理器602，处理器602被配置为基于存储在存储器601中的指令，执行前述任意一个实施例中的商品推荐方法。

存储器601例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。

装置600还可以包括输入输出接口603、网络接口604、存储接口605等。这些接口603、604、605之间、以及存储器601与处理器602之间例如可以通过总线606连接。输入输出接口603为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口604为各种联网设备提供连接接口。存储接口605为sd卡、u盘等外置存储设备提供连接接口。

图7是根据本公开一些实施例的商品推荐系统的结构示意图。如图7所示，该实施例的系统包括上述任意一个实施例的商品推荐装置400/500/600和摄像头701。

摄像头701用于采集当前进入商铺的线下顾客的图像，并将采集的图像输入到商品推荐装置400/500/600。商品推荐装置400/500/600可以按照上面给出的方式进行商品推荐。

在一些实施例中，商品推荐系统还可以包括线上数据库702，用于存储线上用户的属性和历史购物信息。在一些实施例中，商品推荐系统还可以包括显示屏703，用于显示向特定线下顾客推荐的商品信息，例如待推荐商品的图片和描述信息等。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。