推荐商品组合的方法、装置、电子设备及可读存储介质与流程

本申请实施例涉及数据处理技术领域，尤其涉及一种推荐商品组合的方法、装置、电子设备及可读存储介质。

背景技术：

现如今，用户在购物网站上购物时经常遇到这样的情况：购买某件商品并支付成功后，会自动进入一个新的页面，该页面展示有购物网站推荐的包含用户已购买的商品的多个商品组合，例如：用户购买了一个手机，该购物网站自动推荐了与该手机配套使用的商品组合，例如组合可以是手机壳、耳机以及自拍杆，又或者是手机壳、耳机、自拍杆以及手机支架，以吸引用户再次购买，来达到营利的目的。

关于如何生成对用户吸引概率较高的商品组合，相关技术提供的一种解决方案为：首先，获取多件待商品组合中每件商品的历史销量、转化率(例如：购买某件商品的人数与查看该商品的总人数之比)、共同购买率(在购物平台中通过推荐的商品组合购买到某件商品的概率)等多个指标；然后，根据经验公式(经验公式为购物平台根据经验计算得出，可用于评估不同的商品组合被用户购买的可能性)将各个指标通过加权计算得到最终加权分数；最后，从多个商品组合中筛选出最终加权分数较高的商品组合，并推荐给用户。

然而，商品的更新换代较快、用户的购物习惯也在时刻变化，仅凭经验公式对商品组合进行评估，具有以下缺陷：

1)未考虑其它不确定影响因素(例如：天气)，对商品组合的评估过程缺乏全面性和客观性；2)缺乏理论支撑，当评估质量不高时，只能采用新的经验公式，通用性较弱，无法快速响应用户需求的变更。

因此，如何准确地评估商品组合，进而得到向用户推荐的商品组合，成为一个急需解决的问题。

技术实现要素：

为解决相关技术中的问题，本申请实施例提供一种推荐商品组合的方法、装置、电子设备及可读存储介质。

本申请实施例第一方面提供了一种推荐商品组合的方法，所述方法包括：

获得多组商品组合中每组商品组合的特征信息，一组商品组合的特征信息包括：该商品组合中每个商品的特征信息；

将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型，确定所述多组商品组合中每组商品组合被用户购买的概率，所述组合概率预测模型用于预测单组商品组合被用户购买的概率；

在检测到用户终端发出的针对所述多组商品组合中目标商品的购买请求时，根据所述多组商品组合中每组商品组合被用户购买的概率，输出针对所述多组商品组合中的部分商品组合的推荐信息，其中，所述目标商品为所述多组商品组合中任一商品组合中的一个商品，且所述部分商品组合中每个商品组合包括所述目标商品。

可选地，所述每个商品的特征信息包括以下至少一者：该商品的历史销量、该商品的转化率、与该商品相关联的环境参数、该商品的参数信息、该商品的用户评价信息。

可选地，在将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型之前，所述方法还包括：

获得多组样本商品组合中每组样本商品组合的特征信息，一组样本商品组合携带表征用户是否购买该组样本商品组合的标签；

以所述多组样本商品组合中每组样本商品组合的特征信息为输入，对预设模型进行训练，得到所述组合概率预测模型。

可选地，在获得多组样本商品组合之后，所述方法还包括：

周期性更新所述多组样本商品组合中每组样本商品组合的特征信息；

在得到所述组合概率预测模型之后，所述方法还包括：

以所述多组样本商品组合中每组样本商品组合每次更新后的特征信息为输入，更新所述组合概率预测模型。

可选地，获得多组样本商品组合中每组样本商品组合的特征信息，包括：

根据所述多组样本商品组合中每组样本商品组合携带的标签，从所述多组样本商品组合中确定负样本，一组为负样本的样本商品组合标签携带的标签表征用户未购买该组样本商品组合；

对所述负样本进行随机下采样。

可选地，对所述负样本进行随机下采样，包括：

按照用户标识，对所述负样本进行分组；

对每组负样本进行随机下采样。

可选地，根据所述多组商品组合中每组商品组合被用户购买的概率，输出针对所述多组商品组合中的部分商品组合的推荐信息，包括：

对所述多组商品组合中每组商品组合被用户购买的概率降序排列；

按照排序结果，输出针对所述多组商品组合中的部分商品组合的推荐信息。

本申请实施例第二方面提供一种推荐商品组合的装置，所述装置包括：

特征获取模块，被配置为获得多组商品组合中每组商品组合的特征信息，一组商品组合的特征信息包括：该商品组合中每个商品的特征信息；

概率预测模块，被配置为将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型，确定所述多组商品组合中每组商品组合被用户购买的概率，所述组合概率预测模型用于预测单组商品组合被用户购买的概率；

信息展示模块，被配置为在检测到用户终端发出的针对所述多组商品组合中目标商品的购买请求时，根据所述多组商品组合中每组商品组合被用户购买的概率，输出针对所述多组商品组合中的部分商品组合的推荐信息，其中，所述目标商品为所述多组商品组合中任一商品组合中的一个商品，且所述部分商品组合中每个商品组合包括所述目标商品。

可选地，所述每个商品的特征信息包括以下至少一者：该商品的历史销量、该商品的转化率、与该商品相关联的环境参数、该商品的参数信息、该商品的用户评价信息。

可选地，所述装置还包括：

获取模块，被配置为在将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型之前，获得多组样本商品组合中每组样本商品组合的特征信息，一组样本商品组合携带表征用户是否购买该组样本商品组合的标签；

模型训练模块，被配置为在将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型之前，以所述多组样本商品组合中每组样本商品组合的特征信息为输入，对预设模型进行训练，得到所述组合概率预测模型。

可选地，所述装置还包括：

信息更新模块，被配置为在获得多组样本商品组合之后，周期性更新所述多组样本商品组合中每组样本商品组合的特征信息；

模型更新模块，被配置为在得到所述组合概率预测模型之后，以所述多组样本商品组合中每组样本商品组合每次更新后的特征信息为输入，更新所述组合概率预测模型。

可选地，所述获取模块包括：

确定模块，被配置为根据所述多组样本商品组合中每组样本商品组合携带的标签，从所述多组样本商品组合中确定负样本，一组为负样本的样本商品组合标签携带的标签表征用户未购买该组样本商品组合；

采样模块，被配置为对所述负样本进行随机下采样。

可选地，所述采样模块包括：

分组模块，被配置为按照用户标识，对所述负样本进行分组；

采样子模块，被配置为对每组负样本进行随机下采样。

可选地，所述装置还包括：

排列模块，被配置为对所述多组商品组合中每组商品组合被用户购买的概率降序排列；

输出模块，被配置为按照排序结果，输出针对所述多组商品组合中的部分商品组合的推荐信息。

本申请实施例第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。

本申请实施例第四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，该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。

采用本申请实施例提供的一种推荐商品组合的方法，首先，获取多组商品组合的特征信息；然后，依次将各个商品组合的特征信息输入组合概率预测模型，得到各组商品组合的被用户购买的概率；再根据用户的购物行为确定目标商品，从多组商品组合中选出包含该目标商品的所有商品组合，将其中被用户购买的概率较高的商品组合推荐给用户。由于组合概率预测模型相比于经验公式迭代效率较高，因而可以从更为综合及全面的角度来获取用户的动态需求，并以此为基础为用户推荐出用户更感兴趣的商品组合，最终提升用户的购买率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，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他的附图。

图1是根据一示例性实施例示出的训练得到组合概率预测模型的流程图；

图2是根据一示例性实施例示出的一种推荐商品组合的方法的流程图；

图3是根据一示例性实施例示出的获得每组样本商品组合的特征信息的流程图；

图4是根据一示例性实施例示出的输出推荐信息的流程图；

图5是根据一示例性实施例示出的一种推荐商品组合的装置的示意图；

图6是根据一示例性实施例示出的电子设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

在对本申请各个实施例进行说明之前，首先对组合概率预测模型进行说明。图1是根据一示例性实施例示出的训练得到组合概率预测模型的流程图，参照图1，对预设模型进行训练并得到组合概率预测模型的过程具体可以包括以下步骤：

在步骤s11中，获得多组样本商品组合中每组样本商品组合的特征信息，一组样本商品组合携带表征用户是否购买该组样本商品组合的标签。

在本申请各个实施例中，每组样本商品组合的特征信息应当为一个由该商品组合中每个商品的特征信息组成的集合，例如：一个包括商品a、商品b以及商品c的商品组合，其特征信息应当包括商品a的特征信息、商品b的特征信息以及商品c的特征信息。

在实际场景中，用户在购物平台浏览或者购买商品时，为了更好地分析该用户的行为特征，购物平台通常会在一定的时长内保留该用户的所有操作记录，例如：用户在某天购买了某件商品，又或者，用户在某天收藏了该平台推荐的某个商品组合。因而，在获取多组样品商品组合时，还可以通过访问用户的操作记录，对每个样本商品组合添加用于表征该商品组合是否被用户购买的标签，例如：用户在查看到购物平台推荐的商品组合x后，购买了商品组合x，则将商品组合x的标签的值记为1，代表推荐并已购买；用户在查看到购物平台推荐的商品组合y后，未购买商品组合y，则将商品组合y的标签的值记为0，代表推荐但未购买。

在获得多组样本商品组合中每组样本商品组合的特征信息时，具体地，首先，采用etl技术(extract-transform-load，一种数据仓库技术，用来描述将数据从来源端经过抽取(extract)、交互转换(transform)、加载(load)至目的端的过程)从数据源获取到多组样本商品组合中每组样本商品组合的特征信息，包括历史销量、转化率、环境参数、商品参数信息、用户评价信息等。然后，对每组样本商品组合的特征信息进行预处理(例如：数据清洗、数据筛选等)，得到备用特征信息。

在步骤s12中，以所述多组样本商品组合中每组样本商品组合的特征信息为输入，对预设模型进行训练，得到所述组合概率预测模型。

在本申请实施例中，在步骤s12之前，还包括对备用特征信息进行特征工程处理，即：以备用特征信息经过特征工程处理后得到的数据为输入，对预设模型训练，得到组合概率预测模型。

对备用特征信息进行特征工程处理，主要包括：数据标准化(区分离散值与连续值)、过滤(舍去部分暂时不需要的数据)、离散处理(对数据进行离散处理)、交叉处理(对数据进行交叉特征组合、分箱处理等)、采样(对数据上采样，或下采样处理)、序列化(对数据进行特征编码等)以及单特征测试(根据目标函数、阈值从数据中提取出主要特征)。

提取出主要特征后，以主要特征为输入，对预设模型多次训练，得到组合概率预测模型。将用于测试的多组商品组合的特征信息输入至该组合概率预测模型，即可获得各组商品组合的被用户购买的概率。其中，预设模型可以是xgboost(extremegradientboosting)，也可以是svm(supportvectormachine，支持向量机)。

在本申请各个实施例中，对备用特征信息进行特征工程处理的具体过程，是由步骤s11中得到的备用特征信息的特点与选择的预设模型的类型决定的，例如：预设模型为xgboost算法模型时，不需要对备用特征信息进行离散处理。

在本申请各个实施例中，在训练得到组合概率预测模型后，为保证预测出的概率逼近真实情况，还可以周期性地对组合概率预测模型进行更新，具体包括以下步骤：

周期性更新所述多组样本商品组合中每组样本商品组合的特征信息；

在得到所述组合概率预测模型之后，所述方法还包括：

以所述多组样本商品组合中每组样本商品组合每次更新后的特征信息为输入，更新所述组合概率预测模型。

在本实施例中，周期性地获取新的样本商品组合的特征信息，并作为输入数据，对组合概率预测模型进行调整，例如：在购买服饰类商品时，用户购买商品组合的概率可能会随着季节的变化而变化，在夏季购买某件服饰单品时推荐的商品组合，与在秋季购买该单品时推荐的商品组合存在一定的区别，因而，以一定时长为单位，周期性地使用新的样本商品组合的特征信息对已有的组合概率预测模型进行调整，可以使最终预测出的被用户使用的概率更逼近真实概率。

在本实施例中，以粗粒度统计方式(相关技术中，粒度由项目模块划分的细致程度区分，一个项目模块划分的子模块越多，每个子模块占有比重越小，负责的工作越细，表示该模块为细粒度划分方式，否则为粗粒度划分方式)为基础，引入细粒度统计方式。例如：在粗粒度统计方式下，以7天或30天为周期，对样本商品组合的特征数据进行采集；在细粒度统计方式下，以1天、2天等为周期对样本商品组合的特征数据进行采集，因而，可以较快地获取用户的动态需求，并推荐出更符合用户动态需求的商品组合。

对组合概率预测模型更新的具体过程，可参照前文所述的对组合概率预测模型进行训练的过程。在本申请的各个实施例中，如未特别区分说明，组合概率预测模型均指最近一次更新得到的组合概率预测模型。

为改进相关技术，本申请实施例提供一种推荐商品组合的方法，基于上述组合概率预测模型实现。图2是根据一示例性实施例示出的一种推荐商品组合的方法的流程图。参照图2，所述方法包括以下步骤：

在步骤s21中，获得多组商品组合中每组商品组合的特征信息，一组商品组合的特征信息包括：该商品组合中每个商品的特征信息。

在本实施例中，商品可以是实物对象(例如：电子设备、洗漱用品、食物酒水等)，也可以是虚拟对象(例如：服务商推出的虚拟服务)，且多件商品可以任意组合，其组合的方式可以是通过人工组合，也可以是通过智能分类系统组合，例如：以人工方式将n件商品进行任意组合得到m组商品组合，或者，将n件商品输入智能分类系统，得到m组商品组合。

特征信息包括商品的历史销量(例如：日销售量、月销售量等)、转化率(例如：最终购买某商品的人数与查看该商品的总人数之比)，与商品相关联的环境参数(环境参数可表征商品受环境影响的状况，例如：某商品在夏季历史销量明显高于冬季，代表该商品受季节影响的程度较大)、商品的参数信息(例如：商品名称、商品型号、尺寸、颜色、材质等)、商品的用户评价信息(用户评价信息包括：以图片表示的评价信息、以文字表示的评价信息等)。

示例地，以某酒水服务商为用户推荐酒水商品组合为例，首先，根据该服务商提供的多件酒水商品，获取多组酒水商品组合(例如：将服务商提供的n件酒水商品任意分类组合得到m组酒水商品组合)，再获取每一组酒水商品组合的特征信息，每一组酒水商品组合携带有其中各件酒水商品的特征信息，例如：包含白酒a、白酒b以及红酒a的酒水商品组合，携带有白酒a的特征信息、白酒b的特征信息以及红酒a的特征信息。具体地，白酒a的特征信息可以是一周(或其它自定义的时长)内白酒a的销售量、转化率、与之相关联的环境参数、参数信息(商品型号、容量、酒精度、香型等)、用户评价信息等。类似的，可得到白酒b与红酒a的各自的特征信息，三者的特征信息合并成的集合，即为该酒水商品组合的特征信息。

在步骤s22中，将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型，确定所述多组商品组合中每组商品组合被用户购买的概率，所述组合概率预测模型用于预测单组商品组合被用户购买的概率。

在本实施例中，将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型，具体为：将每个商品组合的所有特征信息形成的特征数据集输入到组合概率预测模型，以预测得到每个商品组合的被用户购买的概率。

示例地，以某酒水服务商为用户推荐酒水商品组合为例，服务商在获取到m组酒水商品组合以后，将m组酒水商品组合各自形成的特征数据集依次输入组合概率预测模型，得到每一组酒水商品组合被用户购买的概率，概率值越高，代表被用户购买的可能性越大。例如：包含白酒a、白酒b以及红酒a的酒水商品组合的被用户购买的概率为80％，包含白酒a、白酒b的酒水商品组合被用户购买的概率为60％，则前者被用户购买的可能性大于后者被用户购买的可能性。

在步骤s23中，在检测到用户终端发出的针对所述多组商品组合中目标商品的购买请求时，根据所述多组商品组合中每组商品组合被用户购买的概率，输出针对所述多组商品组合中的部分商品组合的推荐信息，其中，所述目标商品为所述多组商品组合中任一商品组合中的一个商品，且所述部分商品组合中每个商品组合包括所述目标商品。

在本实施例中，目标商品可以为：用户在购物平台上浏览过的商品(例如：浏览次数大于预设次数的商品、浏览时间达到预设时长的商品等)、收藏的商品、加入购物车的商品、提交购买订单的商品等。购物平台在确定一件目标商品后，将关于该目标商品的多个商品组合推荐给用户，具体过程为：首先，选择出包含该目标商品的多个商品组合，然后，将多个商品组合按照预测得到的被用户购买的概率的高低进行排序，最后，将排名靠前的一部分商品组合推荐给用户。

示例地，以某酒水服务商为用户推荐酒水商品组合为例，用户在购物平台上浏览同一件酒水商品的时长达到预设时长(该平台预先规定：用户浏览某件商品达到预设时长时，该商品被确定为目标商品)时，购物平台确定该酒水商品为目标商品，并从m组酒水商品组合(已预先获得用户的购买概率)中选出包含该目标商品的多组酒水商品组合，假设是k(k<＝m)组，然后，将k组酒水商品组合按照被用户购买的概率的高低进行排序，最后，将一定数量的排名靠前的多组酒水商品组合推荐给用户。

在本实施例中，服务商预先获取多组商品组合，然后依次将多组商品组合的特征信息输入至组合概率预测模型，得到各组商品组合的被用户购买的概率。再根据用户的购物行为确定目标商品，从多组商品组合中选出包含该目标商品的所有商品组合，将其中被用户购买的概率较高的商品组合推荐给用户。在输入特征信息时，除了输入历史销量、转化率等，还考虑到与该商品关联的环境参数、商品的参数信息、用户评价信息等，并且由于组合概率预测模型相比于经验公式迭代效率较高，因而可以从更为综合及全面的角度来获取用户的动态需求，并以此为基础为用户推荐出用户更感兴趣的商品组合，最终提升用户的购买率。

图3是根据一示例性实施例示出的获得每组样本商品组合的特征信息的流程图。参照图3，所述方法包括以下步骤：

在步骤s31中，根据所述多组样本商品组合中每组样本商品组合携带的标签，从所述多组样本商品组合中确定负样本，一组为负样本的样本商品组合标签携带的标签表征用户未购买该组样本商品组合。

在步骤s32中，对所述负样本进行随机下采样。

结合上述实施例，在本申请一实施例中，一份正样本指的是携带的标签的值为1的样本商品组合，一份负样本指的是携带的标签的值为0的一组样本商品组合。在采用etl技术从数据源采集多组样本商品组合的特征信息时，采集系统可自动地为各个样本商品组合添加标签。从所述多组样本商品组合中确定负样本，即：提取多组样本商品组合中携带的标签的值为0的样本商品组合，作为负样本，提取多组样本商品组合中携带的标签的值为1的样本商品组合，作为正样本。

在实际实施过程中，组合概率预测模型可应用到酒旅业务，对酒旅产品的商品组合的用户购买率进行预测。然而，酒旅产品的转化率往往比较低(通常情况下，为1:300至1:200量级，即平均每300个或者200个访问者中有1个会购买)，若采样过程按照常规处理方式，存在两个问题：1)负样本数据占有较大权重，导致作为主要部分的正样本数据权重被极大地弱化；2)在对预设模型训练时，由于正负样本数据比例过低，导致数据无法训练的情况，例如：当数据量比较大时，往往需要先对样本数据进行分割，再分别对多个预设模型进行训练，此时，如果正负样本数据比例过低，可能造成单个预设模型训练时样本数据异常，以至于无法训练的情况。

因此，针对酒旅业务这一特殊应用场景，本申请实施例在采样处理时，采用平衡采样的方式来提高正负样本数据的比例，具体地，采用对负样本数据进行随机下采样的方式来提高正负样本数据的比例，避免上述实施例中提到的情况。

本实施例中，下采样是平衡采样方式(平衡采样，一种常见的采样方法，依据预定义的比例对样本进行重新组合，通常对小数据量的类别进行上采样，或者对大数据量的类别进行下采样，例如：一份包含100条正样本、10000条负样本的样本集合，若按照正负样本比例为1:10进行采样，那么上采样是将100条正样本每条复制10遍，下采样是删除9000条负样本只保留1000条)中的相对于上采样的采样概念，即在总的样本数据中，随机删除一部分负样本数据，使正负样本数据的比例符合预设的比例。

具体地，步骤s32可以包括：

按照用户标识，对所述负样本进行分组；

对每组负样本进行随机下采样。

在本实施例中，每个用户对应一个唯一的用户标识，根据用户标识，所有的负样本数据可以被分为多个小组，在各个小组中进行随机下采样，可以避免丢失用户信息(若不按照用户标识进行分组，对所有的负样本数据随机下采样，可能导丢失部分用户信息)。例如：p(p>＝q)个负样本是由q个用户产生的，那么随机下采样的过程为：首先，生成q个小组，每个小组对应一个用户标志，将p个负样本按照用户标识对应地分到各个小组；然后，在每个小组中进行随机下采样。

在本申请实施例中，对采样环节实施平衡采样的方式，使得样本数据中正负样本数据的比例满足预设要求，保证训练得到的组合概率预测模型预测出的商品组合的被用户购买的概率更加贴近真实情况，能更好地满足用户的动态需求。并且，在对负样本进行随机下采样的过程中，将各个负样本按照用户标识分对应分到多个小组，使每个用户至少存在一条负样本，保证最终得到的样本满足一定的代表性。

图4是根据一示例性实施例示出的输出推荐信息的流程图。参照图4，所述方法包括以下步骤：

在步骤s41中，对所述多组商品组合中每组商品组合被用户购买的概率降序排列。

在步骤s42中，按照排序结果，输出针对所述多组商品组合中的部分商品组合的推荐信息。

在本实施例中，商品组合的被用户购买的概率的值越高，代表用户购买该商品组合的可能性越大。例如：一组商品组合的被用户购买的概率值为30％，另一组商品组合的被用户购买的概率值为70％，则后者的被用户购买的可能性大于前者。为尽可能地提高购物平台的商品购买率，通常将多组商品组合进行比较，筛选出被用户购买的概率值较高的商品组合，例如：多组商品组合按照被用户购买的概率值的高低降序排列时，选取排名前十的商品组合，并生成推荐信息。

在本申请实施例中，通过对多个商品组合的被用户购买的概率的高低进行降序排列，筛选出被用户购买的可能性大的商品组合，从而推荐出用户感兴趣的商品组合，为用户的购物提供便利。

基于同一发明构思，本申请一实施例提供一种推荐商品组合的装置500。图5是根据一示例性实施例示出的一种推荐商品组合的装置的示意图。参照图5，该装置500包括：

特征获取模块501，被配置为获得多组商品组合中每组商品组合的特征信息，一组商品组合的特征信息包括：该商品组合中每个商品的特征信息；

概率预测模块502，被配置为将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型，确定所述多组商品组合中每组商品组合被用户购买的概率，所述组合概率预测模型用于预测单组商品组合被用户购买的概率；

信息展示模块503，被配置为在检测到用户终端发出的针对所述多组商品组合中目标商品的购买请求时，根据所述多组商品组合中每组商品组合被用户购买的概率，输出针对所述多组商品组合中的部分商品组合的推荐信息，其中，所述目标商品为所述多组商品组合中任一商品组合中的一个商品，且所述部分商品组合中每个商品组合包括所述目标商品。

可选地，所述每个商品的特征信息包括以下至少一者：该商品的历史销量、该商品的转化率、与该商品相关联的环境参数、该商品的参数信息、该商品的用户评价信息。

可选地，装置500还包括：

获取模块，被配置为在将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型之前，获得多组样本商品组合中每组样本商品组合的特征信息，一组样本商品组合携带表征用户是否购买该组样本商品组合的标签；

模型训练模块，被配置为在将所述多组商品组合中每组商品组合的特征信息输入组合概率预测模型之前，以所述多组样本商品组合中每组样本商品组合的特征信息为输入，对预设模型进行训练，得到所述组合概率预测模型。

可选地，装置500还包括：

信息更新模块，被配置为在获得多组样本商品组合之后，周期性更新所述多组样本商品组合中每组样本商品组合的特征信息；

模型更新模块，被配置为在得到所述组合概率预测模型之后，以所述多组样本商品组合中每组样本商品组合每次更新后的特征信息为输入，更新所述组合概率预测模型。

可选地，获取模块包括：

确定模块，被配置为根据所述多组样本商品组合中每组样本商品组合携带的标签，从所述多组样本商品组合中确定负样本，一组为负样本的样本商品组合标签携带的标签表征用户未购买该组样本商品组合；

采样模块，被配置为对所述负样本进行随机下采样.

可选地，所述采样模块包括：

分组模块，被配置为按照用户标识，对所述负样本进行分组；

采样子模块，被配置为对每组负样本进行随机下采样。

可选地，装置500还包括：

排列模块，被配置为对所述多组商品组合中每组商品组合被用户购买的概率降序排列；

输出模块，被配置为按照排序结果，输出针对所述多组商品组合中的部分商品组合的推荐信息。

基于同一发明构思，本申请另一实施例提供一种电子设备，如图6所示。图6是根据一示例性实施例示出的电子设备的示意图，该电子设备包括存储器602、处理器601及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。

基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，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。

本说明书中的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他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例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，本申请实施例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。

本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种推荐商品组合的方法、装置、电子设备及可读存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。