产品推荐方法、产品推荐系统及存储介质与流程

本发明涉及通信技术领域，尤其涉及产品推荐方法、产品推荐装置及存储介质。

背景技术：

像亚马逊、netflix和spotify这样的网站都会使用推荐系统给用户推荐产品，个性化推荐系统能够为用户在产品搜索时带来相当的便利，以此提升用户体验。个性化推荐通常使用协同滤波的方法向用户推荐产品，在这种方法中，用户兴趣的预测是基于对系统中其他用户的品味和偏好的分析，并隐含地推断出两者之间的“相似性”，潜在的假设是当两个人有相似的品味，他们将有更高的可能性对产品保有相同的态度。

如现有的推荐系统一般会把不同的产品视作独立的个体，通过用户对不同产品的评分(或对应的类似)信息提取并建立出用户与用户，产品与产品之间隐性的关系网络，或者会考虑用户的位置，用户评分的时间信息等。

然而在实际应用场景中，除了用户对产品的评分(或类似的)记录外，还可以获取大量其它信息，特别是关于产品的属性信息，以电影推荐应用为例，推荐的目标产品是电影，每部电影除了有不同用户评分的记录外还拥有自身的属性，如：风格、导演、演员、语言、地区、拍摄时间、获奖情况等。当用户选择观看电影，很多时候都是在这些属性的基础上进行选择的。对不同属性的选择也反应了用户的类型，例如：追星族型的用户就会对电影的演员属性非常重视，而新片爱好者就更加关注电影的拍摄时间。

单纯地使用用户对不同产品的评分得到隐藏关系网的推荐方法具有一定的效果。但是忽略产品本身的固有属性的差别，不考虑用户对产品显示属性的参考无疑是信息的浪费。反之，有效地参考这些信息结合协同滤波方法本身的优秀能力势必可以强化推荐方法的准确性。

技术实现要素：

本发明的主要目的在于提出一种产品推荐方法、产品推荐系统及可读存储介质，旨在提高产品推荐方法的准确性，提升用户体验。

为实现上述目的，本发明提供一种产品推荐方法，所述方法包括如下步骤：

根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分；

将多个用户对同类型中多个产品的历史评分作为协同滤波系统的输入，获取预测产品的协同预测评分；

将第一属性内容的评分以及所述历史评分作为深度神经网络模型的输入，获取第二属性的预测评分占比以及协同预测评分占比；

根据第二属性的预测评分、所述第二属性的预测评分占比、协同预测评分以及协同预测评分占比计算多个所述用户对应的所述预测产品的评分；

根据预测产品的评分高低针对所述用户进行产品推荐。

优选地，所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和作为所述第一属性内容的评分。

优选地，所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值作为所述第一属性内容的评分。

优选地，所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分进行归一化处理作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和后进行归一化处理作为所述第一属性内容的评分。

优选地，所述获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分的步骤包括：

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容中的最高评分作为第二属性的评分。

优选地，所述获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分的步骤包括：

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容的评分的平均值作为第二属性的评分。

优选地，所述根据预测产品的评分高低针对所述用户进行产品推荐的步骤包括：

根据预测产品的评分高低针对所述用户推荐大于预设推荐评分值的预测产品。

优选地，所述根据预测产品的评分高低针对所述用户进行产品推荐的步骤包括：

根据预测产品的评分高低针对所述用户推荐预设推荐个数的预测产品。

此外，为实现上述目的，本发明还提供一种产品推荐系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品推荐程序，所述产品推荐程序被所述处理器执行时实现如上所述的产品推荐方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有产品推荐程序，所述产品推荐程序被处理器执行时实现如上所述的产品推荐方法的步骤。

本发明根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分；获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分；将多个用户对同类型中多个产品的历史评分作为协同滤波系统的输入，获取预测产品的协同预测评分；将第一属性内容的评分以及所述历史评分作为深度神经网络模型的输入，获取第二属性的预测评分占比以及协同预测评分占比；根据第二属性的预测评分、所述第二属性的预测评分占比、协同预测评分以及协同预测评分占比计算多个所述用户对应的所述预测产品的评分；根据预测产品的评分高低针对所述用户进行产品推荐。

通过上述方式，本发明通过在同类型中多个产品的评分获得第一属性内容的评分，将产品的属性引入推荐方法中，再根据第一属性的评分计算预测产品的第二属性的评分，且通过深度神经网络模型获取获得产品中各第二属性的占比，通过第二属性的评分以及所述第二属性的评分占比计算出预测产品的评分，再根据产品评分的高低进行产品推荐，在用户对产品的评分基础上考虑产品属性信息实现产品推荐，不仅提高了产品推荐方法的准确性，还提升了用户的体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明产品推荐方法第一实施例的流程示意图；

图3为本发明产品推荐方法第二实施例的流程示意图；

图4为本发明产品推荐方法第三实施例的流程示意图；

图5为本发明产品推荐方法第四实施例的流程示意图；

图6为本发明产品推荐方法第五实施例的流程示意图；

图7为本发明产品推荐方法第六实施例的流程示意图；

图8为本发明产品推荐方法第七实施例的流程示意图；

图9为本发明产品推荐方法第八实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：提取产品属性信息，在用户对产品的评分基础上考虑产品属性信息实现产品推荐，提高产品推荐方法的准确性，提升用户的体验。

现有的产品推荐方法单纯通过用户对不同产品的评分(或对应的类似)信息提取并建立出用户与用户，产品与产品之间隐性的关系网络进行产品推荐；如在获取用户对产品的评分后，建立一个用户-产品的矩阵。这个矩阵的行代表一个用户，它的列代表一个产品，矩阵中的元素表示用户对产品的评分(或对应的类似)信息。且当用户对产品不存在评分(或对应的类似)行为时，将矩阵中的元素记为0(零元素)，因此用户-产品的矩阵往往会是一个极度稀疏的矩阵。基于协同滤波方法的推荐系统的任务就是完成对矩阵零元素位置的填充，填充的准则则来源于矩阵非零元素显示的用户-用户，产品-产品之间的隐性关系。所以，整个推荐系统的输出的预测矩阵，是一个和原用户-产品矩阵大小一致的矩阵，预测矩阵中的每个元素显示了预测、估计的用户对产品的喜恶程度，这种产品推荐的方法未综合考虑产品的属性以强化推荐方法的准确性。

本发明通过在同类型中多个产品的评分得到第一属性内容的评分，将产品的属性引入推荐方法中，再根据第一属性的评分计算预测产品的第二属性的评分，将多个用户对同类型中多个产品的历史评分作为协同滤波系统的输入，获取预测产品的协同预测评分，且通过深度神经网络模型获得产品中各第二属性的评分占比以及协同预测评分占比，根据第二属性的预测评分、所述第二属性的预测评分占比、协同预测评分以及协同预测评分占比计算多个所述用户对应的所述预测产品的评分，再根据产品评分的高低进行产品推荐，在用户对产品的评分基础上考虑产品属性信息实现产品推荐，不仅提高了产品推荐方法的准确性，还提升了用户的体验。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是pc，也可以是智能手机、平板电脑、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

优选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及产品推荐程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的产品推荐程序，并执行以下操作：

根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分；

将多个用户对同类型中多个产品的历史评分作为协同滤波系统的输入，获取预测产品的协同预测评分；

将第一属性内容的评分以及所述历史评分作为深度神经网络模型的输入，获取第二属性的预测评分占比以及协同预测评分占比；

根据第二属性的预测评分、所述第二属性的预测评分占比、协同预测评分以及协同预测评分占比计算多个所述用户对应的所述预测产品的评分；

根据预测产品的评分高低针对所述用户进行产品推荐。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和作为所述第一属性内容的评分。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值作为所述第一属性内容的评分。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分的步骤包括：

根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分进行归一化处理作为所述第一属性内容的评分；

根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和后进行归一化处理作为所述第一属性内容的评分。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分的步骤包括：

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容中的最高评分作为第二属性的评分。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分的步骤包括：

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容的评分的平均值作为第二属性的评分。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述根据预测产品的评分高低针对所述用户进行产品推荐的步骤包括：

根据预测产品的评分高低针对所述用户推荐大于预设推荐评分值的预测产品。

进一步地，处理器1001可以调用存储器1005中存储的产品推荐程序，还执行以下操作：所述根据预测产品的评分高低针对所述用户进行产品推荐的步骤包括：

根据预测产品的评分高低针对所述用户推荐预设推荐个数的预测产品。

基于上述硬件结构，提出本发明方法实施例。

参照图2，图2为本发明方法第一实施例的流程示意图，所述方法包括：

步骤s10，根据多个用户对同类型中多个产品的历史评分，获取多个所述产品的第一属性中第一属性内容的评分；

获取用户对同类型多个产品的历史评分，所述产品具有第一属性以及具有所述第一属性中的第一属性内容，例如，产品是电影时，同类型中的多个产品，即多部电影，对多部电影的评分，电影有风格、导演、演员、语言、地区、拍摄时间、获奖情况等第一属性，且有第一属性中的第一属性内容，如风格(第一属性)具有纪实风格、溶合风格、共现风格等第一属性内容，导演(第一属性)具有a导演、b导演、c导演等第一属性内容，演员(第一属性)具有a演员、b演员、c演员等第一属性内容，或者产品是衣服时，衣服有颜色、款式、尺寸、品牌等第一属性，且有第一属性中的第一属性内容，如颜色(第一属性)具有白色、黑色、蓝色等第一属性内容，款式(第一属性)具有典雅、印花、时尚、晚装、休闲等第一属性内容，品牌(第一属性)具有a品牌、b品牌、c品牌等第一属性内容，本领域的技术人员应该可以理解，这里只是用于举例说明，不应理解为对本发明的限制。

可以理解地，根据用户对同类型产品中的多个的历史评分，获取用户对第一属性内容的评分，例如：

用户a对电影a的历史评分为3分，用户a对电影b的历史评分为4分；

用户b对电影a的历史评分为4分，用户b对电影b的历史评分为5分；

电影a的第一属性(导演)为导演a，电影a的第一属性(演员)为演员a、演员b；

电影b的第一属性(导演)为导演b，电影b的第一属性(演员)为演员a、演员c；

可得到用户a对导演a的评分为3分，用户a对导演b的评分为4分，

用户b对导演a的评分为4分，用户b对导演b的评分为5分，

可得到用户a对演员a的评分为3.5分或者7分，可得到用户a对演员b的评分为3分，用户a对演员c的评分为4分；

用户b对演员a的评分为4.5分或者9分，可得到用户a对演员b的评分为4分，用户a对演员c的评分为5分；

可以理解地，为方便产品推荐系统运算，可根据用户对第一属性内容的评分分别建立用户-属性内容矩阵，承上举例，可根据上述导演内容的评分建立用户-导演内容矩阵为

可根据上述演员内容的评分建立用户-演员内容矩阵为或

得到了用户对导演内容、演员内容的评分，即第一属性内容的评分，可根据第一属性内容的评分分别建立用户-第一属性内容的矩阵,本领域的技术人员应该可以理解，这里只是用于举例说明，不应理解为对本发明的限制。

步骤s20，获取预测产品的第二属性以及第二属性中的第二属性内容，根据第一属性内容的评分以及所述第二属性内容获得用户对预测产品的第二属性的预测评分；

获取预测产品的第二属性以及第二属性中的第二属性内容，根据所述第一属性内容的评分以及所述第二属性内容获得预测产品的第二属性的评分；

例如，电影c的导演是导演a，演员是演员b、演员c，对电影c的评分进行预测；

则预测产品电影c的第二属性导演及第二属性导演的第二属性内容导演b，预测产品电影c的第二属性演员及第二属性演员的第二属性内容为演员b、演员c；

则可根据所述第一属性内容的评分，承上所述举例，用户a和b对导演b(第二属性内容)的评分分别为4分、5分，预测产品(电影c)中的第二属性(导演)中只具有一个第二属性内容(导演b)，则用户a和b对电影c中的导演的评分分别为4分、5分；

预测产品(电影c)中的第二属性(演员)中具有多个(2个)第二属性内容(演员b、演员c)时；

用户a对演员b评分为3分，用户a对演员c评分为4分；则得到用户a对预测产品(电影c)的第二属性(演员)的评分为4分(取最大值方法获得第二属性的评分)或者3.5分(取平均值方法获得第二属性的评分)。

用户b对演员b评分为4分，用户b对演员c评分为5分，则得到用户b对预测产品(电影c)的第二属性(演员)的评分为5分(取最大值方法获得第二属性的评分)或者4.5分(取平均值方法获得第二属性的评分)。

在实施例中，预测产品包括用户未评分的产品和具有历史评分的产品，根据获得的第一属性内容的评分重新预测已经具有历史评分的产品的评分。

可建立用户-导演的矩阵[45]，以及用户-演员属性的矩阵[45]或者[3.54.5]2个属性矩阵以进行下一步的计算，本领域的技术人员应该可以理解，这里只是用于举例说明，不应理解为对本发明的限制。

步骤s30，将多个用户对同类型中多个产品的历史评分作为协同滤波系统的输入，获取预测产品的协同预测评分；

可以理解地，在协同滤波系统中输入用户对同类型中的多个产品的历史评分，获得预测产品的协同预测评分，即获得预测产品本身属性的预测评分，预测产品包括用户未评分的产品和具有历史评分的产品，协同滤波系统根据输入有历史评分的多个产品与未评分产品之间的隐性关系，以及用户与用户之间的关系，获得预测产品的协同预测评分，对具有历史评分的产品，则根据前述用户与用户之间的关系，以及有历史评分的多个产品与未评分产品之间的隐性关系重新预测给予具有历史评分的产品的评分，协同预测评分显示了协同滤波系统预测、估计的用户对产品的喜恶程度。

步骤s40，将第一属性内容的评分以及所述历史评分作为深度神经网络模型的输入，获取第二属性的评分占比以及协同预测评分占比；

可以理解地，例如，将第一属性内容(承上举例，演员a、演员b、演员c、导演a、导演b)的评分以及对电影a、电影b的评分作为深度神经网络模型的输入，获取导演、演员等第二属性的评分占比以及协同预测评分(本身属性评分)的占比。深度神经网络模型的网络结构(网络的深度、每层使用的神经元个数)可根据实际数据的结构进行调节。

步骤s50，根据第二属性的预测评分、所述第二属性的预测评分占比、协同预测评分占比计算多个所述用户对应的所述预测产品的评分；

将各第二属性的评分乘以各第二属性的评分占比加上协同预测评分乘以协同预测评分占比得到所述预测产品的评分，例如：假设通过深度神经网络模型获得导演的占比为30％，演员的占比为50％,协同预测评分占比20％，承上举例，用户对预测产品(电影c)的演员评分为[45]，用户对预测产品(电影c)的导演评分为[45]，用户对预测产品(电影c)的协同预测评分为[35]则用户电影c的评分为[45]*50％+[45]*30％+[35]*20％＝[3.85]，也可以理解为矩阵[用户a对电影c的评分为：演员属性评分*50％+导演属性评分*30％+协同预测评分*20％用户b对电影c的评分为：演员属性评分*50％+导演属性评分*30％+协同预测评分*20％]，假设用户对预测的产品电影d的评分为[36]，则最终预测矩阵为：

在实施例中，还可以根据产品的各第二属性的预测评分以及协同预测评分的加权平均值计算多个所述用户对应的所述预测产品的评分。

步骤s60，根据预测产品的评分高低针对所述用户进行产品推荐。

针对用户通过预测矩阵中评分高低进行产品的推荐，承上举例，根据用户a对电影a，电影b、电影c，电影d的预测评分高低对用户a进行推荐。根据用户b对电影a，电影b、电影c，电影d的预测评分高低对用户b进行推荐；或者向用户a、b推荐预设评分值内的电影。。

通过在同类型中多个产品的评分得到第一属性内容的评分，将产品的属性引入推荐方法中，再根据第一属性的评分计算预测产品的第二属性的评分，预测产品包括用户未评分的产品和具有历史评分的产品，且通过深度神经网络模型获取预测产品中各第二属性的占比以及预测产品的协同预测评分占比，通过第二属性的评分、所述第二属性的评分占比加上协同预测评分以及协同预测评分占比计算出预测产品的评分，再根据产品评分的高低进行产品推荐，在用户对产品的评分基础上考虑产品属性信息实现产品推荐，不仅提高了产品推荐方法的准确性，还提升了用户的体验。

进一步地，参照图3，图3为本发明方法第二实施例的流程示意图。基于上述图2所示的实施例，步骤s10可以包括：

步骤s11，根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

步骤s12，根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和作为所述第一属性内容的评分。

可以理解地，在只有一个产品中具有第一属性内容时，可将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；在有多个所述产品中具有第一属性内容时，将具有第一属性内容的多个产品的历史评分求和作为所述第一属性内容的评分；

例如，用户a对电影a的历史评分为3分，用户a对电影b的历史评分为4分；

电影a的第一属性(导演)为导演a，电影a的第一属性(演员)为演员a、演员b；

电影b的第一属性(导演)为导演b，电影b的第一属性(演员)为演员a、演员c；

则用户a对导演a的评分为3分，用户a对导演b的评分为4分，

而用户a对演员a的评分为3+4＝7分，用户a对演员b的评分为3分，用户a对演员c的评分为4分。

进一步地，参照图4，图4为本发明产品推荐方法第三实施例的流程示意图。基于上述的实施例，步骤s10可以包括：

步骤s11，根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；

步骤s13，根据用户对同类型中多个产品的历史评分，在多个所述产品中均具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值作为所述第一属性内容的评分。

可以理解地，在只有一个产品中具有第一属性内容时，可将具有第一属性内容的该产品的历史评分作为所述第一属性内容的评分；在有多个所述产品中具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值作为所述第一属性内容的评分；

例如用户a对电影a的历史评分为3分，用户a对电影b的历史评分为4分；

电影a的第一属性(导演)为导演a，电影a的第一属性(演员)为演员a、演员b；

电影b的第一属性(导演)为导演b，电影b的第一属性(演员)为演员a、演员c；

则用户a对导演a的评分为3分，用户a对导演b的评分为4分，而用户a对演员a的评分为(3+4)/2＝3.5分，用户a对演员b的评分为3分，用户a对演员c的评分为4分。

进一步地，参照图5，图5为本发明产品推荐方法第四实施例的流程示意图。基于上述的实施例，步骤s10可以包括：

步骤s14，根据用户对同类型中多个产品的历史评分，在只有一个所述产品中具有第一属性内容时，将具有第一属性内容的该产品的历史评分进行归一化处理作为所述第一属性内容的评分；

步骤s15，根据用户对同类型中多个产品的历史评分，在有多个所述产品中具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值后进行归一化处理作为所述第一属性内容的评分。

可以理解地，在只有一个产品中具有第一属性内容时，可将具有第一属性内容的该产品的历史评分以该用户作出的最高评分进行归一化处理后作为所述第一属性内容的评分；在有多个所述产品中具有第一属性内容时，将具有第一属性内容的多个产品的历史评分取平均值后以该用户作出的最高评分进行归一化处理后作为所述第一属性内容的评分；

例如用户a对电影a的历史评分为3分，用户a对电影b的历史评分为4分；

电影a的第一属性(导演)为导演a，电影a的第一属性(演员)为演员a、演员b；

电影b的第一属性(导演)为导演b，电影b的第一属性(演员)为演员a、演员c；

则用户a对导演a的评分为3/4分，用户a对导演b的评分为4/4＝1分，而用户a对演员a的评分为(3+4)/2/4＝0.875分，用户a对演员b的评分为3/4分，用户a对演员c的评分为4/4＝1分。

在实施例中，不限于上述实施例中取最大值方法、取平均值方法以及归一化处理方法获得第一属性内容的评分，还可以采用取最小值方法、加权平均值方法以及随机采样等其他方法获得第一属性内容的评分。

进一步地，参照图6，图6为本发明产品推荐方法第五实施例的流程示意图。基于上述的实施例，步骤s20可以包括：

步骤s21，获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

步骤s22，获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容中的最高评分作为第二属性的评分。

在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容中的最高评分作为第二属性的评分。

例如，获取预测产品(电影c)的第二属性(导演)及导演的第二属性内容(导演b)，获取预测产品(电影c)的第二属性(演员)及演员的第二属性内容(演员b、演员c)；

则可根据所述第一属性内容的评分，承上所述举例，用户a和b对导演b(第二属性内容)的评分分别为4分、5分，预测产品(电影c)中的第二属性(导演)中只具有一个第二属性内容(导演b)，则用户a和b对电影c中的导演的评分分别为4分、5分；

预测产品(电影c)中的第二属性(演员)中具有多个(2个)第二属性内容(演员b、演员c)时；

用户a对演员b评分为3分，用户a对演员c评分为4分；则得到用户a对预测产品(电影c)的第二属性(演员)的评分为4分。

用户b对演员b评分为4分，用户b对演员c评分为5分，则得到用户b对预测产品(电影c)的第二属性(演员)的评分为5分。

进一步地，参照图7，图7为本发明产品推荐方法第六实施例的流程示意图。基于上述的实施例，步骤s20可以包括：

步骤s21，获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；

步骤s23，获取预测产品的第二属性以及第二属性中的第二属性内容，在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容的评分的平均值作为第二属性的评分。

在第二属性中只具有一个第二属性内容时，将对应第二属性内容的第一属性内容的评分作为第二属性的评分；或者在第二属性中具有多个第二属性内容时，取对应第二属性内容的第一属性内容中的评分的平均值作为第二属性的评分。

例如，获取预测产品(电影c)的第二属性(导演)及导演的第二属性内容(导演b)，获取预测产品(电影c)的第二属性(演员)及演员的第二属性内容(演员b、演员c)；

则可根据所述第一属性内容的评分，承上所述举例，用户a和b对导演b(第二属性内容)的评分分别为4分、5分，预测产品(电影c)中的第二属性(导演)中只具有一个第二属性内容(导演b)，则用户a和b对电影c中的导演的评分分别为4分、5分；

预测产品(电影c)中的第二属性(演员)中具有多个(2个)第二属性内容(演员b、演员c)时；

用户a对演员b评分为3分，用户a对演员c评分为4分；则得到用户a对预测产品(电影c)的第二属性(演员)的评分为(3+4)/2＝3.5分。

用户b对演员b评分为4分，用户b对演员c评分为5分，则得到用户b对预测产品(电影c)的第二属性(演员)的评分为(4+5)/2＝4.5分。

进一步地，参照图8，图8为本发明产品推荐方法第七实施例的流程示意图。基于上述的实施例，步骤s60可以包括：

步骤s61，根据预测产品的评分高低针对所述用户推荐大于预设推荐评分值的预测产品。

预设推荐评分值，所述预测产品的评分大于预设的推荐评分值时，则进行推荐。假设预设推荐评分值为2分，用户a对预测产品的评分大于2分的有50个，则对用户a推荐这50个产品。用户b对预测产品的评分大于2分的有30个，则对用户b推荐这30个产品。

进一步地，参照图9，图9为本发明产品推荐方法第八实施例的流程示意图。基于上述的实施例，步骤s60可以包括：

步骤s62，根据预测产品的评分高低针对所述用户推荐预设推荐个数的预测产品。

预设推荐个数，根据预测产品的评分高低取前预设个数预测产品进行推荐，假设预设推荐个数为20个，则根据预测用户a对预测产品的评分高低，取前20个产品向用户a进行推荐。

本发明还提供一种产品推荐系统。

本发明产品推荐系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品推荐程序，所述产品推荐程序被所述处理器执行时实现如上所述的产品推荐方法的步骤。

其中，在所述处理器上运行的产品推荐程序被执行时所实现的方法可参照本发明产品推荐方法各个实施例，此处不再赘述。

本发明还提供一种存储介质。

本发明存储介质上存储有产品推荐程序，所述产品推荐程序被处理器执行时实现如上所述的产品推荐方法的步骤。

其中，在所述处理器上运行的产品推荐程序被执行时所实现的方法可参照本发明产品推荐方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。