商品推荐方法及其装置、服务器、商品推荐系统与流程

本发明涉及商品推荐技术领域，特别是涉及一种商品推荐方法及其装置、服务器、商品推荐系统。

背景技术：

精准地向用户投放商品广告，有利于提高商品的转化率。传统商品推荐方式可根据用户的商品购买历史，通过分析商品购买历史，从而实现更加细粒度地向用户推荐商品。

传统商品推荐方式在确定商品推荐因子时，一般是通过预先在计算机上构建商品推荐模型，给商品推荐模型的各个推荐因子赋予参数，商品推荐模型根据推荐因子的参数，推荐商品。

然而，发明人在实现本发明的过程中，发现传统技术至少存在以下问题：传统方式推荐的商品转化率的高低主要取决于商品推荐模型以及工程师给商品推荐模型的各个推荐因子赋予的推荐参数，其推荐效果比较差。

技术实现要素：

本发明实施例一个目的旨在提供一种商品推荐方法及其装置、服务器、商品推荐系统，其推荐效果比较好。

为解决上述技术问题，本发明实施例提供以下技术方案：

在第一方面，本发明实施例提供一种商品推荐方法，所述方法包括：

接收各类不同推荐因子对应的参数；

根据所述各类不同推荐因子对应的参数，生成商品推荐列表；

根据所述商品推荐列表，推荐商品；

获取推荐商品的转化率；

根据所述推荐商品的转化率，优化每个所述推荐因子的参数，并将优化后的每个所述推荐因子的参数作为新参数。

可选地，所述方法还包括：

获取推荐因子的变化，所述变化包括推荐因子的增加或删减；

所述根据所述推荐商品的转化率，优化每个所述推荐因子的推荐参数，包括：

根据所述推荐商品的转化率及所述推荐因子的变化，动态优化每个所述推荐因子的参数。

可选地，所述根据所述推荐商品的转化率及所述推荐因子的变化，动态优化每个所述推荐因子的参数，包括：

根据遗传算法，选择转化率满足预设条件的若干组推荐商品对应的推荐因子的参数作为待优化参数；

优化每个所述推荐因子的待优化参数。

可选地，所述根据遗传算法，选择转化率满足预设条件的若干组推荐商品对应的推荐因子的参数作为待优化参数，包括：

根据遗传算法，按照转化率高低顺序排列若干组推荐商品；

选择转化率排名最前的预设数组的推荐商品，并将所述预设数组的推荐商品对应的推荐因子的参数作为待优化参数。

可选地，所述商品的转化率包括商品购买数量转化率、用户转化率或者商品购买金额转化率；

所述获取推荐商品的转化率，包括：

统计所述推荐商品的购买数量；

根据所述推荐商品的推荐总数量与购买数量，计算出所述推荐商品的商品购买数量转化率；

或者，

统计购买所述推荐商品的实际用户数量；

根据所述推荐商品的用户推荐总数量与实际用户数量，计算出所述推荐商品的用户转化率；

或者，

统计购买所述推荐商品的实际金额；

根据所述推荐商品的推荐总金额与实际金额，计算出所述推荐商品的商品购买金额转化率。

可选地，所述推荐因子包括由基于用户的协同过滤算法计算出的因子，以及，由基于物品的协同过滤算法计算出的因子。

在第二方面，本发明实施例提供一种商品推荐装置，所述装置包括：

接收模块，用于接收各类不同推荐因子对应的参数；

生成模块，用于根据所述各类不同推荐因子对应的参数，生成商品推荐列表；

推荐模块，用于根据所述商品推荐列表，推荐商品；

第一获取模块，用于获取推荐商品的转化率；

优化模块，用于根据所述推荐商品的转化率，优化每个所述推荐因子的参数，并将优化后的每个所述推荐因子的参数作为新参数。

可选地，所述装置还包括：

第二获取模块，用于获取推荐因子的变化，所述变化包括推荐因子的增加或删减；

所述优化模块具体用于：根据所述推荐商品的转化率及所述推荐因子的变化，动态优化每个所述推荐因子的参数。

可选地，所述第一获取模块具体用于：

判断推荐商品的转化率是否大于预设转化率阈值；

若大于，选择所述推荐商品对应的推荐因子的推荐参数作为待优化的推荐参数；

若小于，淘汰所述推荐商品对应的推荐因子的推荐参数。

可选地，所述商品的转化率包括商品购买数量转化率、用户转化率或者商品购买金额转化率；

所述获取模块具体用于：

统计所述推荐商品的购买数量；

根据所述推荐商品的推荐总数量与购买数量，计算出所述推荐商品的商品购买数量转化率；

或者，

统计购买所述推荐商品的实际用户数量；

根据所述推荐商品的用户推荐总数量与实际用户数量，计算出所述推荐商品的用户转化率；

或者，

统计购买所述推荐商品的实际金额；

根据所述推荐商品的推荐总金额与实际金额，计算出所述推荐商品的商品购买金额转化率。

可选地，所述推荐因子包括由基于用户的协同过滤算法计算出的参数，以及，由基于物品的协同过滤算法计算出的参数。

在第三方面，本发明实施例提供一种服务器，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够用于执行任一项所述的商品推荐方法。

在第四方面，本发明实施例提供一种商品推荐系统，包括：

客户端；以及，

上述服务器，所述服务器与所述客户端通讯。

在第五方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使服务器执行如上任一项所述的商品推荐方法。

在第六方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被服务器执行时，使所述服务器执行任一项所述的商品推荐方法。

在本发明各个实施例提供的商品推荐方法及其装置、服务器、商品推荐系统中，接收各类不同推荐因子对应的参数，根据各类不同推荐因子对应的参数，生成商品推荐列表，根据商品推荐列表，推荐商品，获取推荐商品的转化率，根据推荐商品的转化率，优化每个推荐因子的参数，并将优化后的每个推荐因子的参数作为新参数。一方面，由于推荐因子的参数可根据推荐商品在实际上的转化率，不断地调整与优化，以便进化出较优参数以及根据较优参数再次推荐商品，以此适应持续变化的用户消费行为，并从而提高推荐商品的转化率。另一方面，其是不断地、持续地遍历出比前一次推荐中更优的推荐因子的参数，寻优过程是持续的，不间断的从理论到实践再到理论上循环地进化出更优的推荐因子的参数，因此，其遍历出的推荐因子的参数是可靠的。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明实施例提供一种商品推荐系统的架构示意图；

图2是本发明实施例提供一种商品推荐方法的流程示意图；

图3是本发明实施例提供一种商品推荐装置的结构示意图；

图4是本发明另一实施例提供一种商品推荐装置的结构示意图；

图5是本发明实施例提供一种服务器的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的商品推荐方法，可以在任何合适类型，具有用户交互装置和运算能力的处理器的中执行。

本发明实施例采用商品推荐方法可以应用于任何合适行业或领域，诸如应用于加油站领域，通过商品推荐方法，向加油用户推荐非油商品，其中，非油商品为位于加油区域的非油品，例如，加油士多店的牛奶、话梅、香烟等等。

本发明实施例的商品推荐装置可以作为其中一个软件功能单元，整合在处理器中的其中一个功能模块，执行本发明实施例的商品推荐方法。

请参阅图1，图1是本发明实施例提供一种商品推荐系统的架构示意图。如图1所示，该商品推荐系统100包括客户端11与服务器12，其中，客户端11与服务器12互相通讯。

客户端11用于与用户交互，向用户显示商品推荐信息，接收用户下单购买商品的指令等等。

客户端11包括自助售卖终端机、智能手机、计算机、掌上电脑(personaldigitalassistant，pda)、平板电脑、智能手表或台式计算机等等。

客户端11的数量可以为多个，其可以根据业务需求布置在各个区域，例如，对于非油品推荐领域，100台客户端11各自布置在100个加油站，100台客户端11可以同时并发向不同用户推荐同一商品，亦可以推荐不同商品。

服务器12用于与客户端11互相通讯。服务器12根据业务逻辑，向客户端11下发推荐指令，客户端11根据推荐指令向用户展示推荐商品。其中，此处的服务器可以是一个物理服务器或者多个物理服务器虚拟而成的一个逻辑服务器。服务器也可以是多个可互联通信的服务器组成的服务器群，且各个功能模块可分别分布在服务器群中的各个服务器上。

基于背景技术阐述传统技术存在的至少一个不足，本发明实施例提供一种商品推荐方法。请参阅图2，该商品推荐方法200包括：

步骤21、接收各类不同推荐因子对应的参数；

推荐因子包括由基于用户的协同过滤算法(usercf算法)计算出的因子，以及，由基于物品的协同过滤算法(itemcf算法)计算出的因子。

对于usercf算法，用户之间的购买行为或用户画像具有相似性，可以根据其相似的用户买过的东西推荐给他，其中，用户相似性表示用户相似的消费习惯与消费能力，例如，在非油品推荐领域中，1、用户的性别、年龄、生日、等级特殊(车主)身份等静态属性接近的用户具有相似性；2、用户的加油行为习惯可代表他的消费习惯，消费能力；3、基于第2点，用户加油行为习惯接近的用户具有相似性。

用户加油行为：基于用户行为画像和聚类实时系统之上，取之于用户行为画像结果表，例如用户的平均加油金额、加油金额标准差、平均加油时刻、加油时刻标准差、平均加油间隔天数；最后用户所属的行为聚类结果也放在其中。

在本实施例中，由usercf算法计算出的推荐因子可以由蒙特卡洛k近邻选择法和/或基于用户行为聚类的蒙特卡洛k近邻选择法计算出。基于蒙特卡洛的k近邻选择法，其能够大大降低用户相似度矩阵代价，提升计算速度的同时，也给出了推荐结果在一定合理范围内的不确定性。

举例而言：三名用户静态属性包括年龄、性别及车型，用户行为画像包括加油次数、金额及画像聚类。

其中，用户静态属性对应的相似矩阵为a，如下所示：

用户行为画像对应的相似矩阵为b，如下所示：

采用蒙特卡洛k近邻选择法从相似矩阵a选择ki个相似用户，采用蒙特卡洛k近邻选择法从相似矩阵b选择kj个相似用户，最后，选择ki+kj个相似用户作为参数。

对于itemcf算法，其主要是给用户推荐那些和他们之前喜欢的物品相似的物品。一般的，1、两个物品成本、售价等的静态属性越接近，则它们相似度越高；2、两个物品的品类接近则它们的相似度越高；3、两个物品它们共同被很多用户喜欢，两个物品相似度越高。基于此，服务器可以根据itemcf算法计算出推荐因子。例如，在非油品领域，推荐因子可以由服务器根据itemcf算法，结合非油品基础信息表、所属的商品信息表、用户的非油品购买记录来构建物品的相似度矩阵，以便计算出推荐因子。其中，非油品基础信息表包括各类商品所属的一级品类、二级品类以及目，比如，日用品-洗护用品-洗衣液目。

商品信息表包括商品的商品信息，诸如芙蓉王硬一条、双喜硬经典1906、红牛、恒大冰泉等等。其中，静态属性可以直接通过向量的余弦定理计算相似性，根据非油品的商品信息表构建无向图，用floyd算法计算任意两物品在图上的最短距离，此距离越短相似性越高。非油品购买记录通过标准itemcf-iuf的物品相似度计算来算物品相似性。

举例而言，非油品基础信息表包括两种商品类型，分别为矿泉水与牛奶。商品信息表包括四种商品，分别为怡宝、康师傅、蒙牛及伊利。

现，令a表示商品信息矩阵，b表示商品类型矩阵，c表示非油品购买记录矩阵，通过根据itemcf算法，计算出：

η＝0.3*a+0.3*b+0.4*c；

η为服务器根据itemcf算法计算出商品相似矩阵，后续，服务器再结合根据usercf算法计算出的用户相似矩阵，两者结合后再推荐商品。在此过程中，服务器可以根据两者结合后的相似矩阵计算出物品优先分数，并将各个物品优先分数进行排序，将排序在前的物品作为推荐商品进行推荐。

当推荐商品时，管理者为商品推荐系统中各类不同推荐因子赋予对应的参数，例如，上式中推荐因子a对应的参数0.3，推荐因子b对应的参数0.3，推荐因子c对应的参数0.4。

在本实施例中，推荐因子由itemcf算法计算出的参数与由usercf算法计算出的参数结合而得到，该推荐因子本身的推荐可靠性显得比较好。可以理解的是，在一些实施例中，推荐因子由itemcf算法计算出的参数或者由usercf算法计算出的参数而得到。

步骤22、根据各类不同推荐因子对应的参数，生成商品推荐列表；

步骤23、根据商品推荐列表，推荐商品；

服务器根据赋予参数后的推荐因子，结合推荐算法，生成对应某个用户的商品推荐列表，该商品推荐列表包含按照推荐优先顺序排列的各个商品。推荐时，服务器可以依次推荐排名靠前的商品，例如，用户在客户端单击购买页面或者欲购买商品时，选择购买商品，于是，客户端接收用户下发的购买指令，并将购买指令发送给服务器，服务器根据商品推荐列表，选择排名靠前的商品发送至客户端，以便客户端向用户呈现推荐商品。其中，服务器可以同时并发地向多个客户端发送推荐商品，以便较大范围地推荐商品。

步骤24、获取推荐商品的转化率；

商品的转化率指推荐商品被用户购买的概率，转化率越高，商品推荐的效果越好，于是，转化率的高低便可以评价商品推荐系统中的推荐因子的优劣以及参数的优劣。

评价商品的转化率的指标多种多样，于是，服务器获取推荐商品的转化率亦存在不同。例如，在一些实施例中，商品的转化率包括商品购买数量转化率、用户转化率或者商品购买金额转化率。

当商品的转化率为商品购买数量转化率时，服务器获取推荐商品的转化率的过程中，首先，服务器统计推荐商品的购买数量。其次，服务器根据推荐商品的推荐总数量与购买数量，计算出推荐商品的商品购买数量转化率。举例而言，服务器根据商品相似矩阵η，向各个用户推荐100个商品，亦即，推荐总数量为100，各个用户一共从该100个商品购买了4个，亦即，购买数量为4，于是，推荐商品的商品购买数量转化率为4％。

当商品的转化率为用户转化率时，服务器获取推荐商品的转化率的过程中，首先，服务器统计购买推荐商品的实际用户数量。其次，服务器根据推荐商品的用户推荐总数量与实际用户数量，计算出推荐商品的用户转化率。举例而言，服务器根据商品相似矩阵η，向80个用户推荐100个商品，亦即，用户推荐总数量为80，80个用户中有10个用户购买了商品，亦即，实际用户数量为10，于是，推荐商品的商品购买数量转化率为12.5％。

当商品的转化率为商品购买金额转化率时，服务器获取推荐商品的转化率的过程中，首先，服务器统计购买推荐商品的实际金额。其次，服务器根据推荐商品的推荐总金额与实际金额，计算出推荐商品的商品购买金额转化率。举例而言，服务器根据商品相似矩阵η，向各个用户推荐商品总金额为1万元的商品，亦即，推荐总金额为1万元，各个用户购买1000元价值的商品，亦即，实际金额为1000元，于是，推荐商品的商品购买金额转化率为10％。

步骤25、根据推荐商品的转化率，优化每个推荐因子的参数，并将优化后的每个推荐因子的参数作为新参数。

当推荐商品的转化率满足期望值时，说明推荐商品对应的推荐因子及参数的选择还比较好，于是，服务器还可以在此基础上进一步选择更佳的参数或推荐因子或者两者。

当推荐商品的转化率未能够满足期望值时，说明推荐商品对应的推荐因子及参数的选择比较差，服务器需要淘汰推荐商品当前对应的推荐因子及参数。

综上，一方面，由于推荐因子的参数可根据推荐商品在实际上的转化率，不断地调整与优化，以便进化出较优参数以及根据较优的参数再次推荐商品，以此适应持续变化的用户消费行为，并从而提高推荐商品的转化率。另一方面，其是不断地、持续地遍历出比前一次推荐中更优的推荐因子的参数，寻优过程是持续的，不间断的从理论到实践再到理论上循环地进化出更优的推荐因子的参数，因此，其遍历出的推荐因子的参数是可靠的。

服务器还可以根据推荐因子的变化以优化每个推荐因子的推荐参数。在一些实施例中，首先，服务器获取推荐因子的变化，变化包括推荐因子的增加或删减，例如，推荐系统适用场景发生变化而引起的推荐因子的增加或删减或因子间影响，具体的，比如商品类目增加、加油站替换商品供应商、加油站变换营业地址等等。其次，服务器根据推荐商品的转化率及推荐因子的变化，动态优化每个推荐因子的参数。因此，通过此种方式，其能够动态适应商业应用场景的变化，从而更加精确可靠地推荐商品。

服务器在动态优化每个推荐因子的参数的过程中，首先，服务器根据遗传算法，选择转化率满足预设条件的若干组推荐商品对应的推荐因子的参数作为待优化参数，优化每个推荐因子的待优化参数。举例而言，服务器根据遗传算法，对每个推荐因子的待优化参数进行选择、交叉或变异等遗传处理，从而优化每个推荐因子的待优化参数。

在本实施例中，当服务器优化每个推荐因子的参数后，服务器并将优化后的每个所述推荐因子的参数作为新参数，亦即，服务器并不会终止寻找更优参数，以此适应持续变化的用户消费行为。

选择待优化的推荐参数的方式多种多样，在一些实施例中，服务器在选择转化率满足预设条件的若干组推荐商品对应的推荐因子的推荐参数作为待优化的推荐参数的过程中，根据遗传算法，按照转化率高低顺序排列若干组推荐商品，选择转化率排名最前的预设数组的推荐商品，并将预设数组的推荐商品对应的推荐因子的参数作为待优化参数。

或者，在另一些实施例，服务器判断推荐商品的转化率是否大于预设转化率阈值，其次，若大于，选择推荐商品对应的推荐因子的参数作为待优化参数；若小于，淘汰推荐商品对应的推荐因子的参数。举例而言，服务器获取到100组推荐商品的参数，其中，20组推荐商品的转化率低于60％，80组推荐商品的转化率高于60％，于是，服务器便选择该80组推荐商品对应的推荐因子的参数作为待优化参数，淘汰该20组推荐商品对应的推荐因子的参数。

在一些实施例中，首先，当服务器检测到用户已购买商品，服务器根据已购买商品的价格，结合预设积分比例关系，计算出已购买商品对应的新增积分值。其中，已购买商品包括非油品与油品。其次，服务器根据用户在商品推荐系统注册的账号，为该账号增加该新增积分值，并且将账号、新增积分值、总积分值、商品购买时间一齐封装，形成交易信息。再次，服务器将该交易信息打包成区块上传至区块链网络，区块链网络共识验证该区块，当通过共识验证，将该区块存储于区块链网络。

在一些实施例中，当区块链网络检测到积分消费请求时，其中，该积分消费请求包括账号、签名、公钥及积分消费值，区块链网络中代理节点根据公钥验证该签名，判断该积分消费请求是否由合法客户端发送的，若合法，获取与该账号对应的总积分值，并从总积分值减去积分消费值，并且还向客户端发送积分消费成功信息。

因此，采用上述方式，其能够促进用户在非油品或油品上的消费，并且还为用户提供更加公平公正方式的积分消费体验感。

需要说明的是，在上述各个实施例中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本公开实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施例的另一方面，本发明实施例提供一种推荐因子商品推荐装置。本发明实施例的推荐因子商品推荐装置可以作为其中一个软件功能单元，推荐因子商品推荐装置包括若干指令，该若干指令存储于存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述推荐因子商品推荐方法。

请参阅图3，推荐因子商品推荐装置300包括接收模块31、生成模块32、推荐模块33、第一获取模块34及优化模块35。

接收模块31用于接收各类不同推荐因子对应的参数。

生成模块32用于根据各类不同推荐因子对应的参数，生成商品推荐列表。

推荐模块33用于根据商品推荐列表，推荐商品。

第一获取模块34用于获取推荐商品的转化率。

优化模块35用于根据推荐商品的转化率，优化每个推荐因子的参数，并将优化后的每个推荐因子的参数作为新参数。

综上，一方面，由于推荐因子的参数可根据推荐商品在实际上的转化率，不断地调整与优化，以便进化出较优参数以及根据较优参数再次推荐商品，以此适应持续变化的用户消费行为，并从而提高推荐商品的转化率。另一方面，其是不断地、持续地遍历出比前一次推荐中更优参数，寻优过程是持续的，不间断的从理论到实践再到理论上循环地进化出更优参数，因此，其遍历出的参数是可靠的。

在一些实施例中，请参阅图4，推荐因子商品推荐装置300还包括第二获取模块36，第二获取模块36用于获取推荐因子的变化，变化包括推荐因子的增加或删减。优化模块35具体用于：根据推荐商品的转化率及推荐因子的变化，动态优化每个推荐因子的参数。

在一些实施例中，优化模块35还具体用于：根据遗传算法，选择转化率满足预设条件的若干组推荐商品对应的推荐因子的参数作为待优化参数，优化每个推荐因子的待优化参数。

在一些实施例中，优化模块35还具体用于：根据遗传算法，按照转化率高低顺序排列若干组推荐商品；选择转化率排名最前的预设数组的推荐商品，并将预设数组的推荐商品对应的推荐因子的参数作为待优化参数。

商品的转化率包括商品购买数量转化率、用户转化率或者商品购买金额转化率。

在一些实施例中，第一获取模块34具体用于：统计所述推荐商品的购买数量；根据所述推荐商品的推荐总数量与购买数量，计算出所述推荐商品的商品购买数量转化率；

与上述实施例区别点在于，第一获取模块34具体用于：统计购买所述推荐商品的实际用户数量；根据所述推荐商品的用户推荐总数量与实际用户数量，计算出所述推荐商品的用户转化率；

与上述实施例区别点在于，第一获取模块34具体用于：统计购买所述推荐商品的实际金额；根据所述推荐商品的推荐总金额与实际金额，计算出所述推荐商品的商品购买金额转化率。

在一些实施例中，所述推荐因子包括由基于用户的协同过滤算法计算出的参数，以及，由基于物品的协同过滤算法计算出的参数。

需要说明的是，上述商品推荐装置可执行本发明实施例所提供的商品推荐方法，具备执行方法相应的功能模块和有益效果。未在商品推荐装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的商品推荐方法。

作为本发明实施例的另一方面，本发明实施例提供一种服务器。请参阅图5，服务器500包括：一个或多个处理器51以及存储器52。其中，图5中以一个处理器51为例。

处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器52作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的商品推荐方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非易失性软件程序、指令以及模块，从而执行上述各个实施例的商品推荐方法，或者上述各个实施例的商品推荐装置的各种功能应用以及数据处理。

存储器52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。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。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。

所述程序指令/模块存储在所述存储器52中，当被所述一个或者多个处理器51执行时，执行上述任意方法实施例中的商品推荐方法，例如，从而执行上述各个实施例的商品推荐方法，或者上述各个实施例的商品推荐装置的各种功能应用以及数据处理。

本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使服务器执行如上任一项所述的商品推荐方法。

本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被服务器执行时，使所述服务器执行任一项所述的商品推荐方法。

以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

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各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关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rom/ram、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。