一种产品推荐方法和装置与流程

本发明涉及数据处理技术领域，尤其涉及一种产品推荐方法和装置。

背景技术：

互联网金融平台一般能够提供多种金融产品，例如理财产品、投资产品、私募产品、对冲基金产品等。

目前，互联网金融平台对产品的推广方法是：根据产品类型、产品重要程度等指标对产品进行排序，重点向用户展示排序靠前的产品。由于产品类型是固定的，产品重要程度一旦确定了，也基本不会改变，这就导致了每次向用户推送的产品都是那么几种，推荐的产品很单一，导致推荐效果比较差。

技术实现要素：

有鉴于此，本发明实施例提供了一种产品推荐方法和装置，用以解决现有技术推荐效果比较差的问题。

一方面，本发明实施例提供了一种产品推荐方法，所述方法包括：判断是否接收到用于触发产品推荐的触发信号；根据接收到的所述触发信号，获取每个推荐类别推荐的产品，得到至少一个候选产品，所述推荐类别包括以下推荐类别：第一推荐类别、第二推荐类别、第三推荐类别、第四推荐类别，其中，所述第一推荐类别的推荐产品预先指定，所述第二推荐类别的推荐产品与用户身份信息相关，所述第三推荐类别的推荐产品根据产品热度确定，所述第四推荐类别的推荐产品根据用户的历史行为数据确定；根据影响因子对所述候选产品进行排序，所述影响因子至少包括：用于表示产品的市场属性的第一类影响因子；根据所述候选产品的排序结果筛选出至少一个目标产品；向所述用户推荐所述目标产品。

进一步地，所述影响因子还包括用于表示推荐类别权重的第二类影响因子，所述根据影响因子对所述候选产品进行排序，包括：根据所述候选产品的市场属性和来源推荐类别的权重对所述候选产品进行打分；根据打分结果对所述候选产品进行排序。

进一步地，所述影响因子还包括用于表示推荐类别权重的第二类影响因子和用于表示用户好友关注程度的第三类影响因子，所述根据影响因子对所述候选产品进行排序，包括：根据所述候选产品的市场属性、来源推荐类别的权重、用户好友对所述候选产品的关注程度对所述候选产品进行打分；根据打分结果对所述候选产品进行排序。

进一步地，在所述向所述用户推荐所述目标产品之后，所述方法还包括：采集所述用户对所述目标产品的点击数据和/或购买数据；根据所述点击数据和/或所述购买数据确定目标推荐类别，所述目标推荐类别为推荐的产品产生了最多的点击数据和/或购买数据的推荐类别；增大所述目标推荐类别的权重。

进一步地，在所述增大所述目标推荐类别的权重之后，所述方法还包括：增加所述目标推荐类别推荐的候选产品的数量。

一方面，本发明实施例提供了一种产品推荐装置，所述装置包括：判断单元，用于判断是否接收到用于触发产品推荐的触发信号；获取单元，用于根据接收到的所述触发信号，获取每个推荐类别推荐的产品，得到至少一个候选产品，所述推荐类别包括以下推荐类别：第一推荐类别、第二推荐类别、第三推荐类别、第四推荐类别，其中，所述第一推荐类别的推荐产品预先指定，所述第二推荐类别的推荐产品与用户身份信息相关，所述第三推荐类别的推荐产品根据产品热度确定，所述第四推荐类别的推荐产品根据用户的历史行为数据确定；排序单元，用于根据影响因子对所述候选产品进行排序，所述影响因子至少包括：用于表示产品的市场属性的第一类影响因子；筛选单元，用于根据所述候选产品的排序结果筛选出至少一个目标产品；推荐单元，用于向所述用户推荐所述目标产品。

进一步地，所述影响因子还包括用于表示推荐类别权重的第二类影响因子，所述排序单元包括：第一打分子单元，用于根据所述候选产品的市场属性和来源推荐类别的权重对所述候选产品进行打分；第一排序子单元，用于根据打分结果对所述候选产品进行排序。

进一步地，所述影响因子还包括用于表示推荐类别权重的第二类影响因子和用于表示用户好友关注程度的第三类影响因子，所述排序单元包括：第二打分子单元，用于根据所述候选产品的市场属性、来源推荐类别的权重、用户好友对所述候选产品的关注程度对所述候选产品进行打分；第二排序子单元，用于根据打分结果对所述候选产品进行排序。

进一步地，所述装置还包括：采集单元，用于在所述推荐单元向所述用户推荐所述目标产品之后，采集所述用户对所述目标产品的点击数据和/或购买数据；确定单元，用于根据所述点击数据和/或所述购买数据确定目标推荐类别，所述目标推荐类别为推荐的产品产生了最多的点击数据和/或购买数据的推荐类别；第一调整单元，用于增大所述目标推荐类别的权重。

进一步地，所述装置还包括：第二调整单元，用于在所述第一调整单元增大所述目标推荐类别的权重之后，增加所述目标推荐类别推荐的候选产品的数量。

一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的产品推荐方法。

一方面，本发明实施例提供了一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现上述的产品推荐方法的步骤。

在本方案中，每个推荐类别按照预设规则推荐产品，每个推荐类别推荐产品的规则不同，根据影响因子将所有推荐类别推荐的产品进行排序，将排名靠前的产品推送给用户，由于向用户推送的产品可能来源于任意一个推荐类别，增加了推荐的丰富性和多样性，从而提升了推荐效果。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的产品推荐方法的流程图；

图2是本发明实施例提供的产品推荐装置的示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本发明实施例提供了一种产品推荐方法，如图1所示，该方法包括如下步骤：

步骤s102，判断是否接收到用于触发产品推荐的触发信号。

步骤s104，根据接收到的触发信号，获取每个推荐类别推荐的产品，得到至少一个候选产品，推荐类别包括以下推荐类别：第一推荐类别、第二推荐类别、第三推荐类别、第四推荐类别，其中，第一推荐类别的推荐产品预先指定，第二推荐类别的推荐产品与用户身份信息相关，第三推荐类别的推荐产品根据产品热度确定，第四推荐类别的推荐产品根据用户的历史行为数据确定。

步骤s106，根据影响因子对候选产品进行排序，影响因子至少包括：用于表示产品的市场属性的第一类影响因子。

步骤s108，根据候选产品的排序结果筛选出至少一个目标产品。

步骤s110，向用户推荐目标产品。

本发明实施例提供的产品推荐方法可以应用于互联网金融平台。互联网金融平台的网页向用户展示预设图标，用户点击预设图标，产生用于触发产品推荐的触发信号，平台接收该触发信号，根据接收到的触发信号，获取每个推荐类别推荐的产品。

每个推荐类别按照预设规则推荐产品，每个推荐类别推荐产品的规则不同。具体地，每个推荐类别推荐产品的规则如下：

第一推荐类别又可以称为专家配置推荐类别。第一推荐类别的推荐产品预先指定，指的是：金融行业的专家为互联网金融平台指定某一个或多个推荐产品，被指定的产品即为第一推荐类别的推荐产品。例如，某专家根据对市场的研究和过往的经验认为某一个产品在接下来的一段时间大概率会受到平台用户的欢迎，则可预先指定该产品，将该产品作为第一推荐类别的推荐产品。

第二推荐类别又可以称为定向推荐类别。第二推荐类别的推荐产品与用户身份信息相关，也可以认为，第二推荐类别根据用户身份信息确定推荐产品。

第三推荐类别又可以称为热门推荐类别。第三推荐类别根据产品热度确定推荐产品。

第四推荐类别又可以称为基于历史行为数据推荐类别。第四推荐类别根据用户的历史行为数据确定推荐产品。

第一类影响因子可以包括以下任意一个或多个：产品的点击量、产品的实时点击率、产品的转化率、产品的类型等。

举例来说，假设平台的推荐类别有3个，分别为专家配置推荐类别、热门推荐类别、基于历史行为数据推荐类别，假设专家配置推荐类别推荐的产品是：产品p1、产品p13、产品p8、产品p3；热门推荐类别推荐的产品是：产品p15、产品p12、产品p13、产品p2；基于历史行为数据推荐类别推荐的产品是：产品p1、产品p24、产品p18、产品p11。则候选产品有10个，分别为：产品p1、产品p13、产品p8、产品p3、产品p15、产品p12、产品p2、产品p24、产品p18、产品p11。假设按照产品的点击量(即影响因子为产品的点击量)对这10个产品进行打分，点击量越高，得分越高，按照得分由高到低的顺序对这10个产品进行排序，得到的排序结果是：产品p24、产品p11、产品p3、产品p12、产品p13、产品p15、产品p1、产品p2、产品p8、产品p18。

假设筛选出排序靠前的5个候选产品，得到目标产品，则目标产品为以下5个产品：产品p24、产品p11、产品p3、产品p12、产品p13，向用户推送这5个产品。可以看出，这5个产品中，产品p13来自专家配置推荐类别，该产品由目标用户指定进行推荐；产品p12、产品p13来自热门推荐类别，这两个产品为近期热度高的产品；产品p24、产品p11来自基于历史行为数据推荐类别，用户之前表现出对类似产品的兴趣。

在本方案中，每个推荐类别按照预设规则推荐产品，每个推荐类别推荐产品的规则不同，根据影响因子将所有推荐类别推荐的产品进行排序，将排名靠前的产品推送给用户，由于向用户推送的产品可能来源于任意一个推荐类别，增加了推荐的丰富性和多样性，从而提升了推荐效果。

作为一种可选的实施方式，专家配置推荐类别的推荐产品由目标用户(例如专家)预先指定，例如，目标用户可以是平台指定的用户，目标用户指定一个或多个产品作为专家配置推荐类别的推荐产品。规则定向推荐类别的推荐产品与用户身份信息相关，具体地，规则定向推荐类别先对不同的产品进行用户画像，如果用户与某一个或多个产品的用户画像匹配，则将这些产品作为规则定向推荐类别的推荐产品。例如，某一个产品p1的用户画像是“城市公务员女性”，则如果用户甲是城市女公务员，则用户甲与产品p1的用户画像匹配，则规则定向推荐类别将产品p1作为推荐产品。热门推荐类别推荐的产品一般为当前热度比较高的产品，热度可用购买数据、点击数据等衡量。基于历史行为数据推荐类别的推荐产品根据用户的历史行为数据确定。基于历史行为数据推荐类别通过分析用户点击过的产品的特征，将具有这些特征的产品作为推荐产品。

可选地，第一类影响因子为产品的实时点击率，根据产品的实时点击率对候选产品进行排序。具体地，在检测到用户打开平台的页面后，平台的每个推荐类别按照预设规则推荐产品，获取每个推荐类别推荐的产品，得到候选产品。获取每个候选产品的实时点击率，根据每个候选产品的实时点击率对候选产品进行排序，将实时点击率高的产品排在前面，然后向用户推荐排名靠前的产品。

点击率是指网站页面上某一内容被点击的次数与被显示次数之比，它是一个百分比。点击率反映了网页上某一内容的受关注程度。

产品的实时点击率是指在预设时间间隔内，产品被点击的次数与被显示次数之比，预设时间间隔是指t0至t1之间的时间区间，其中，t1是当前时刻，t0早于t1，预设时间间隔为较短的一段时间，例如预设时间间隔为1个小时、2个小时，等等。实时点击率反映了产品在最近一段时间的受欢迎程度。

可选地，影响因子还包括用于表示推荐类别权重的第二类影响因子，根据影响因子对候选产品进行排序，包括：根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分；根据打分结果对候选产品进行排序。

作为一种可选的实施方式，可以对不同推荐类别赋予不同的权重(上述第二类影响因子)。例如，如果想要增大热门产品的推荐概率，则将热门推荐类别的权重设置为较大的数字，其他推荐类别的权重设置为较小的数字。具体地，可以在影响因子中增加推荐类别权重这一项。

当影响因子包括第一类影响因子和第二类影响因子时，根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，具体过程如下：

根据公式s＝e1×w2对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示来源推荐类别的权重。

例如，某一个候选产品p1是第三推荐类别的推荐产品，则第三推荐类别即为该候选产品p1的来源推荐类别，假设第三推荐类别的权重为0.8，假设根据候选产品p1的市场属性对候选产品p1进行打分，得到90分，则根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，得到72分(90分×0.8＝72分)。某一个候选产品p2是第四推荐类别的推荐产品，则第四推荐类别即为该候选产品p2的来源推荐类别，假设第四推荐类别的权重为0.7，假设根据候选产品p2的市场属性对候选产品p2进行打分，得到90分，则根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，得到63分(90分×0.7＝63分)。

对于同一个候选产品，当改变其来源推荐类别的权重时，会影响其得分，可能会对排序结果有影响。

可选地，影响因子还包括用于表示推荐类别权重的第二类影响因子和用于表示用户好友关注程度的第三类影响因子，根据影响因子对候选产品进行排序，包括：根据候选产品的市场属性、来源推荐类别的权重、用户好友对候选产品的关注程度对候选产品进行打分；根据打分结果对候选产品进行排序。

在影响因子包括第一类影响因子、第二类影响因子和第三类影响因子的情况下，根据候选产品的市场属性、来源推荐类别的权重、用户好友对候选产品的关注程度对候选产品进行打分，具体方法有多种，下面列出其中几种：

方法一：

根据公式s＝e1×w2×c3对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示候选产品的来源推荐类别的权重，c3表示用户好友对候选产品的关注程度的参数。

用户好友对候选产品的关注程度的参数可以预先设置，例如，如果用户有超过10位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为1；如果用户有5至10位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.9；如果用户有1至4位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.8；如果用户没有好友关注某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.75。

方法二：

根据公式s＝e1×(w2+c3)对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示候选产品的来源推荐类别的权重，c3表示用户好友对候选产品的关注程度的参数。

用户好友对候选产品的关注程度的参数可以预先设置，具体方法同上，不再赘述。

如果用户的多个好友都对某个产品有兴趣，则很有可能该用户也对该产品有兴趣。在其他条件相同的情况下，用户好友对候选产品的感兴趣程度越高，或者，对候选产品感兴趣的好友数量越多，则该候选产品的得分越高。

由于向用户推荐产品主要是为了让用户购买，因此，在其他条件相同的情况下，候选产品的市场属性越强，该候选产品的得分越高。

可选地，在向用户推荐目标产品之后，方法还包括：采集用户对目标产品的点击数据和/或购买数据；根据点击数据和/或购买数据确定目标推荐类别，目标推荐类别为推荐的产品产生了最多的点击数据和/或购买数据的推荐类别；增大目标推荐类别的权重。可选地，在增大目标推荐类别的权重之后，方法还包括：增加目标推荐类别推荐的候选产品的数量。

作为一种可选的实施方式，向用户推荐目标产品之后，采集用户的行为数据，具体地，采集用户对目标产品的点击数据、购买数据等，通过汇总用户的行为数据，分析来自于哪一个推荐类别的产品更容易受到用户的关注，并将这个推荐类别的权重增大。

举例来说，假设平台的推荐类别有3个，分别为专家配置推荐类别、热门推荐类别、基于历史行为数据推荐类别，假设专家配置推荐类别推荐的产品是：产品p1、产品p13、产品p8、产品p3；热门推荐类别推荐的产品是：产品p15、产品p12、产品p13、产品p2；基于历史行为数据推荐类别推荐的产品是：产品p1、产品p24、产品p18、产品p11。则候选产品有10个，分别为：产品p1、产品p13、产品p8、产品p3、产品p15、产品p12、产品p2、产品p24、产品p18、产品p11。根据影响因子对10个候选产品进行排序，得到的排序结果是：产品p24、产品p11、产品p3、产品p12、产品p13、产品p15、产品p1、产品p2、产品p8、产品p18。

假设筛选出排序靠前的5个候选产品，得到目标产品，则目标产品为以下5个产品：产品p24、产品p11、产品p3、产品p12、产品p13，向用户推送这5个产品。假设用户点击并购买了产品p12、产品p13，而对其他产品没有兴趣，说明用户对来自热门推荐类别的产品有兴趣，则根据影响因子对候选产品进行排序的过程中，增大热门推荐类别权重。并且，还可以增加热门推荐类别推荐的候选产品的数量。

本发明实施例接入多种推荐渠道，然后通过融合模型将多种推荐渠道推荐的内容进行推荐排序，选择最佳的推荐内容推荐到用户。具体地，本发明实施例首先接入多种推荐渠道，比如智能模型推荐、专家配置推荐、规则定向策略推荐、热门推荐等，用户请求推荐内容时，请求各推荐渠道，然后各推荐渠道返回推荐的内容，融合推荐得到各推荐渠道推荐内容列表后，根据实时ctr预测各内容的情况给各推荐渠道推荐内容组内进行重新排序，然后根据融合模型算法计算出各渠道在推荐列表哪个顺序最佳，最后按照这个规则融合多渠道推荐进行最终排序。

本发明实施例提供了一种产品推荐装置，该装置用于执行上述产品推荐方法，如图2所示，该装置包括：判断单元10、获取单元20、排序单元30、筛选单元40、推荐单元50。

判断单元10，用于判断是否接收到用于触发产品推荐的触发信号。

获取单元20，用于根据接收到的触发信号，获取每个推荐类别推荐的产品，得到至少一个候选产品，推荐类别包括以下推荐类别：第一推荐类别、第二推荐类别、第三推荐类别、第四推荐类别，其中，第一推荐类别的推荐产品预先指定，第二推荐类别的推荐产品与用户身份信息相关，第三推荐类别的推荐产品根据产品热度确定，第四推荐类别的推荐产品根据用户的历史行为数据确定。

排序单元30，用于根据影响因子对候选产品进行排序，影响因子至少包括：用于表示产品的市场属性的第一类影响因子。

筛选单元40，用于根据候选产品的排序结果筛选出至少一个目标产品。

推荐单元50，用于向用户推荐目标产品。

本发明实施例提供的产品推荐方法可以应用于互联网金融平台。互联网金融平台的网页向用户展示预设图标，用户点击预设图标，产生用于触发产品推荐的触发信号，平台接收该触发信号，根据接收到的触发信号，获取每个推荐类别推荐的产品。

每个推荐类别按照预设规则推荐产品，每个推荐类别推荐产品的规则不同。具体地，每个推荐类别推荐产品的规则如下：

第一推荐类别又可以称为专家配置推荐类别。第一推荐类别的推荐产品预先指定，指的是：金融行业的专家为互联网金融平台指定某一个或多个推荐产品，被指定的产品即为第一推荐类别的推荐产品。例如，某专家根据对市场的研究和过往的经验认为某一个产品在接下来的一段时间大概率会受到平台用户的欢迎，则可预先指定该产品，将该产品作为第一推荐类别的推荐产品。

第二推荐类别又可以称为定向推荐类别。第二推荐类别的推荐产品与用户身份信息相关，也可以认为，第二推荐类别根据用户身份信息确定推荐产品。

第三推荐类别又可以称为热门推荐类别。第三推荐类别根据产品热度确定推荐产品。

第四推荐类别又可以称为基于历史行为数据推荐类别。第四推荐类别根据用户的历史行为数据确定推荐产品。

第一类影响因子可以包括以下任意一个或多个：产品的点击量、产品的实时点击率、产品的转化率、产品的类型等。

举例来说，假设平台的推荐类别有3个，分别为专家配置推荐类别、热门推荐类别、基于历史行为数据推荐类别，假设专家配置推荐类别推荐的产品是：产品p1、产品p13、产品p8、产品p3；热门推荐类别推荐的产品是：产品p15、产品p12、产品p13、产品p2；基于历史行为数据推荐类别推荐的产品是：产品p1、产品p24、产品p18、产品p11。则候选产品有10个，分别为：产品p1、产品p13、产品p8、产品p3、产品p15、产品p12、产品p2、产品p24、产品p18、产品p11。假设按照产品的点击量(即影响因子为产品的点击量)对这10个产品进行打分，点击量越高，得分越高，按照得分由高到低的顺序对这10个产品进行排序，得到的排序结果是：产品p24、产品p11、产品p3、产品p12、产品p13、产品p15、产品p1、产品p2、产品p8、产品p18。

假设筛选出排序靠前的5个候选产品，得到目标产品，则目标产品为以下5个产品：产品p24、产品p11、产品p3、产品p12、产品p13，向用户推送这5个产品。可以看出，这5个产品中，产品p13来自专家配置推荐类别，该产品由目标用户指定进行推荐；产品p12、产品p13来自热门推荐类别，这两个产品为近期热度高的产品；产品p24、产品p11来自基于历史行为数据推荐类别，用户之前表现出对类似产品的兴趣。

在本方案中，每个推荐类别按照预设规则推荐产品，每个推荐类别推荐产品的规则不同，根据影响因子将所有推荐类别推荐的产品进行排序，将排名靠前的产品推送给用户，由于向用户推送的产品可能来源于任意一个推荐类别，增加了推荐的丰富性和多样性，从而提升了推荐效果。

作为一种可选的实施方式，专家配置推荐类别的推荐产品由目标用户(例如专家)指定，例如，目标用户可以是平台指定的用户，目标用户指定一个或多个产品作为专家配置推荐类别的推荐产品。规则定向推荐类别的推荐产品与用户身份信息相关，具体地，规则定向推荐类别先对不同的产品进行用户画像，如果用户与某一个或多个产品的用户画像匹配，则将这些产品作为规则定向推荐类别的推荐产品。例如，某一个产品p1的用户画像是“城市公务员女性”，则如果用户甲是城市女公务员，则用户甲与产品p1的用户画像匹配，则规则定向推荐类别将产品p1作为推荐产品。热门推荐类别推荐的产品一般为当前热度比较高的产品，热度可用购买数据、点击数据等衡量。基于历史行为数据推荐类别的推荐产品根据用户的历史行为数据确定。基于历史行为数据推荐类别通过分析用户点击过的产品的特征，将具有这些特征的产品作为推荐产品。

可选地，第一类影响因子为产品的实时点击率，根据产品的实时点击率对候选产品进行排序。具体地，在检测到用户打开平台的页面后，平台的每个推荐类别按照预设规则推荐产品，获取每个推荐类别推荐的产品，得到候选产品。获取每个候选产品的实时点击率，根据每个候选产品的实时点击率对候选产品进行排序，将实时点击率高的产品排在前面，然后向用户推荐排名靠前的产品。

点击率是指网站页面上某一内容被点击的次数与被显示次数之比，它是一个百分比。点击率反映了网页上某一内容的受关注程度。

产品的实时点击率是指在预设时间间隔内，产品被点击的次数与被显示次数之比，预设时间间隔是指t0至t1之间的时间区间，其中，t1是当前时刻，t0早于t1，预设时间间隔为较短的一段时间，例如预设时间间隔为1个小时、2个小时，等等。实时点击率反映了产品在最近一段时间的受欢迎程度。

可选地，影响因子还包括用于表示推荐类别权重的第二类影响因子，排序单元30包括：第一打分子单元、第一排序子单元。第一打分子单元，用于根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分。第一排序子单元，用于根据打分结果对候选产品进行排序。

作为一种可选的实施方式，可以对不同推荐类别赋予不同的权重(上述第二类影响因子)。例如，如果想要增大热门产品的推荐概率，则将热门推荐类别的权重设置为较大的数字，其他推荐类别的权重设置为较小的数字。具体地，可以在影响因子中增加推荐类别权重这一项。

当影响因子包括第一类影响因子和第二类影响因子时，根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，具体过程如下：

根据公式s＝e1×w2对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示来源推荐类别的权重。

例如，某一个候选产品p1是第三推荐类别的推荐产品，则第三推荐类别即为该候选产品p1的来源推荐类别，假设第三推荐类别的权重为0.8，假设根据候选产品p1的市场属性对候选产品p1进行打分，得到90分，则根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，得到72分(90分×0.8＝72分)。某一个候选产品p2是第四推荐类别的推荐产品，则第四推荐类别即为该候选产品p2的来源推荐类别，假设第四推荐类别的权重为0.7，假设根据候选产品p2的市场属性对候选产品p2进行打分，得到90分，则根据候选产品的市场属性和来源推荐类别的权重对候选产品进行打分，得到63分(90分×0.7＝63分)。

对于同一个候选产品，当改变其来源推荐类别的权重时，会影响其得分，可能会对排序结果有影响。

可选地，影响因子还包括用于表示推荐类别权重的第二类影响因子和用于表示用户好友关注程度的第三类影响因子，排序单元30包括：第二打分子单元、第二排序子单元。第二打分子单元，用于根据候选产品的市场属性、来源推荐类别的权重、用户好友对候选产品的关注程度对候选产品进行打分。第二排序子单元，用于根据打分结果对候选产品进行排序。

在影响因子包括第一类影响因子、第二类影响因子和第三类影响因子的情况下，根据候选产品的市场属性、来源推荐类别的权重、用户好友对候选产品的关注程度对候选产品进行打分，具体方法有多种，下面列出其中几种：

方法一：

根据公式s＝e1×w2×c3对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示候选产品的来源推荐类别的权重，c3表示用户好友对候选产品的关注程度的参数。

用户好友对候选产品的关注程度的参数可以预先设置，例如，如果用户有超过10位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为1；如果用户有5至10位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.9；如果用户有1至4位好友关注了某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.8；如果用户没有好友关注某候选产品，则将用户好友对该候选产品的关注程度的参数设置为0.75。

方法二：

根据公式s＝e1×(w2+c3)对候选产品进行打分，s表示候选产品的得分，e1表示候选产品的第一类影响因子的数值(即候选产品的市场属性得分)，w2表示候选产品的来源推荐类别的权重，c3表示用户好友对候选产品的关注程度的参数。

用户好友对候选产品的关注程度的参数可以预先设置，具体方法同上，不再赘述。

如果用户的多个好友都对某个产品有兴趣，则很有可能该用户也对该产品有兴趣。在其他条件相同的情况下，用户好友对候选产品的感兴趣程度越高，或者，对候选产品感兴趣的好友数量越多，则该候选产品的得分越高。

由于向用户推荐产品主要是为了让用户购买，因此，在其他条件相同的情况下，候选产品的市场属性越强，该候选产品的得分越高。

可选地，装置还包括：采集单元、确定单元、第一调整单元。采集单元，用于在推荐单元50向用户推荐目标产品之后，采集用户对目标产品的点击数据和/或购买数据。确定单元，用于根据点击数据和/或购买数据确定目标推荐类别，目标推荐类别为推荐的产品产生了最多的点击数据和/或购买数据的推荐类别。第一调整单元，用于增大目标推荐类别的权重。

可选地，装置还包括：第二调整单元。第二调整单元，用于在第一调整单元增大目标推荐类别的权重之后，增加目标推荐类别推荐的候选产品的数量。

作为一种可选的实施方式，向用户推荐目标产品之后，采集用户的行为数据，具体地，采集用户对目标产品的点击数据、购买数据等，通过汇总用户的行为数据，分析来自于哪一个推荐类别的产品更容易受到用户的关注，并将这个推荐类别的权重增大。

举例来说，假设平台的推荐类别有3个，分别为专家配置推荐类别、热门推荐类别、基于历史行为数据推荐类别，假设专家配置推荐类别推荐的产品是：产品p1、产品p13、产品p8、产品p3；热门推荐类别推荐的产品是：产品p15、产品p12、产品p13、产品p2；基于历史行为数据推荐类别推荐的产品是：产品p1、产品p24、产品p18、产品p11。则候选产品有10个，分别为：产品p1、产品p13、产品p8、产品p3、产品p15、产品p12、产品p2、产品p24、产品p18、产品p11。根据影响因子对10个候选产品进行排序，得到的排序结果是：产品p24、产品p11、产品p3、产品p12、产品p13、产品p15、产品p1、产品p2、产品p8、产品p18。

假设筛选出排序靠前的5个候选产品，得到目标产品，则目标产品为以下5个产品：产品p24、产品p11、产品p3、产品p12、产品p13，向用户推送这5个产品。假设用户点击并购买了产品p12、产品p13，而对其他产品没有兴趣，说明用户对来自热门推荐类别的产品有兴趣，则根据影响因子对候选产品进行排序的过程中，增大热门推荐类别权重。并且，还可以增加热门推荐类别推荐的候选产品的数量。

本发明实施例接入多种推荐渠道，然后通过融合模型将多种推荐渠道推荐的内容进行推荐排序，选择最佳的推荐内容推荐到用户。具体地，本发明实施例首先接入多种推荐渠道，比如智能模型推荐、专家配置推荐、规则定向策略推荐、热门推荐等，用户请求推荐内容时，请求各推荐渠道，然后各推荐渠道返回推荐的内容，融合推荐得到各推荐渠道推荐内容列表后，根据实时ctr预测各内容的情况给各推荐渠道推荐内容组内进行重新排序，然后根据融合模型算法计算出各渠道在推荐列表哪个顺序最佳，最后按照这个规则融合多渠道推荐进行最终排序。

本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的产品推荐方法。

本发明实施例提供了一种服务器，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述的产品推荐方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。