一种确定推荐商品的方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种确定推荐商品的方法和装置。

背景技术：

随着电商平台的不断壮大和发展，越来越多的用户选择网络购物。如何让用户在最短的时间内在琳琅满目的电商平台上找到最符合其需要的商品成为亟待解决的问题。

目前，现有的推荐方案主要基于以下几种：

1)基于用户历史浏览记录；2)基于用户实时浏览记录；3)基于用户个人注册信息；4)基于商品的销量、评价等维度信息；5)基于以上四种方案的任意组合方案。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

基于用户浏览记录的推荐方案属于被动推荐方案，即只有当用户进行商品的浏览时，才能获取相关信息进行推荐；基于用户注册信息的推荐方案不能推荐出相应用户真正感兴趣的商品；基于商品本身自有特征的推荐方案和基于用户注册信息的方案类似，只是根据固有特征进行强行推荐。因此，现有的推荐方案都无法充分地挖掘出用户的真实需求。

技术实现要素：

有鉴于此，本发明实施例提供一种确定推荐商品的方法和装置，能够解决无法充分挖掘用户需求的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种确定推荐商品的方法，包括：

根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息；

将所述历史商品标识及其对应的品类信息作为训练集，输入到预定模型中进行训练，形成分类器；

将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集；

根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品。

可选地，根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息，包括：

根据样本数据集中各个用户的历史订单数据，分别确定各个历史商品标识以及所述各个历史商品标识所属的品类信息；

按照时间降序确定待输入的历史商品标识样本集以及所述历史商品标识样本集中各个历史商品标识，并根据预设规则分别确定与所述各个历史商品标识对应的至少一个品类信息的映射关系。

可选地，所述预定模型包括隐马尔可夫模型；

将所述历史商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，形成分类器，包括：

将所述历史商品标识样本集中各个历史商品标识与其对应的至少一个品类信息的映射关系作为训练集，以所述历史商品标识样本集中各个历史商品标识对应的至少一个品类信息作为特征向量，输入到隐马尔可夫模型中；

利用隐马尔可夫模型中的baum-welch算法进行训练，获取训练后的历史商品标识样本集作为输出结果，形成分类器。

可选地，将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集将用户购买数据输入到所述分类器中，预测得到所述用户的预测商品集，包括：

将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据所属的品类信息作为所述分类器的输入量，并利用隐马尔可夫模型中的viterbi算法进行预测，从而预测得到所述目标用户的预测商品集；其中，所述预测商品集包括至少一个商品标识。

可选地，根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品，包括：

判断所述目标用户是否有最近浏览数据；

若否，则以所述预测商品集中的商品作为推荐商品；

若是，则判断所述目标用户的最近浏览数据和所述预测商品集中是否有相同的商品；若是，则以所述相同的商品作为推荐商品；若否，则以所述目标用户的最近浏览数据和/或所述预测商品集中的商品作为推荐商品。

可选地，还包括：

通过前端埋点技术和分布式发布-订阅消息中间件系统获取用户的最近浏览数据，并将所述用户的最近浏览数据存储于缓存服务器中。

另外，根据本发明实施例的另一个方面，提供了一种确定推荐商品的装置，包括：

获取模块，用于根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息；

训练模块，用于将所述历史商品标识及其对应的品类信息作为训练集，输入到预定模型中进行训练，形成分类器；

预测模块，用于将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集；

筛选模块，用于根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品。

可选地，所述获取模块用于：

根据样本数据集中各个用户的历史订单数据，分别确定各个历史商品标识以及所述各个历史商品标识所属的品类信息；

按照时间降序确定待输入的历史商品标识样本集以及所述历史商品标识样本集中各个历史商品标识，并根据预设规则分别确定与所述各个历史商品标识对应的至少一个品类信息的映射关系。

可选地，所述预定模型包括隐马尔可夫模型；以及，所述训练模块用于：

将所述历史商品标识样本集中各个历史商品标识与其对应的至少一个品类信息的映射关系作为训练集，以所述历史商品标识样本集中各个历史商品标识对应的至少一个品类信息作为特征向量，输入到隐马尔可夫模型中；

利用隐马尔可夫模型中的baum-welch算法进行训练，获取训练后的历史商品标识样本集作为输出结果，形成分类器。

可选地，所述预测模块用于：

将用户最近购买商品所属的品类信息输入到所述分类器中，利用隐马尔可夫模型中的viterbi算法进行预测，从而得到所述用户的预测商品集；其中，所述预测商品集包括至少一个商品标识。

可选地，所述筛选模块用于：

判断所述用户是否有最近浏览数据；

若否，则以所述预测商品集中的商品作为推荐商品；

若是，则判断所述用户的最近浏览数据和所述预测商品集中是否有相同的商品；若是，则以所述相同的商品作为推荐商品；若否，则所述用户的最近浏览数据和/或所述预测商品集中的商品作为推荐商品。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用将商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，形成分类器，从而得到预测商品集，并结合最近浏览数据来确定推荐商品的技术手段，所以克服了无法充分挖掘用户需求的技术问题；本发明基于人工智能技术进行预测，主动发现用户潜在的商品购买意向，并结合了用户的最近浏览记录和预测商品集进行推荐，既考虑了用户当前感兴趣的商品，又主动去发现用户潜在的购买意向，有利于提高订单转化率。而且，本发明实施例直接利用历史购买商品查询得到的链式信息作为标注数据进行监督学习，大大节约了人工标注的成本。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的确定推荐商品的方法的主要流程的示意图；

图2是根据本发明实施例的链式信息的示意图；

图3是根据本发明一个可参考实施例的确定推荐商品的方法的主要流程的示意图；

图4是根据本发明另一个可参考实施例的确定推荐商品的方法的主要流程的示意图；

图5是根据本发明实施例的确定推荐商品的装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的确定推荐商品的方法的主要流程的示意图。如图1所示，作为本发明的一个实施例，所述确定推荐商品的方法可以包括：

步骤101，根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息。

所述样本数据集中的用户可以是全站用户，也可以是部分用户本发明实施例对此不作限制。需要指出的是，样本数据集中的用户数量越多，越能提高分类器的准确性，从而提高预测结果的准确性。

可选地，在该步骤中，可以获取全站用户的历史订单数据，从而根据所述历史订单数据确定历史商品标识以及各个历史商品标识对应的品类信息。其中，所述品类信息可以指一级品类标识、二级品类标识、三级品类标识或者四级品类标识等。需要指出的是，每个历史商品标识都有其所属的品类信息。在本发明的另一个实施例中，所述历史商品标识可以是商品sku(产品统一编号的简称，每种产品均对应有唯一的sku号)，所述品类信息可以是三级品类标识。

作为本发明的再一个实施例，所述步骤101可以包括：根据样本数据集中各个用户的历史订单数据，分别确定各个历史商品标识以及所述各个历史商品标识所属的品类信息；按照时间降序确定待输入的历史商品标识样本集以及所述历史商品标识样本集中各个历史商品标识，并根据预设规则分别确定与所述各个历史商品标识对应的至少一个品类信息的映射关系。由于每个历史商品标识都有其所属的品类信息，因此可以通过历史订单数据，逐一确定每个订单中的历史商品标识以及所述历史商品标识所属的品类信息。然后按照各个商品的下单时间(历史订单数据的下单时间)进行降序排列，并基于预设规则，分别确定各个历史商品标识以及各个历史商品标识对应的至少一个品类信息。

举例来说，按照各个历史商品的下单时间进行降序排列，得到如下结果：商品a(三级品类为212)、商品b(三级品类为202)、商品c(三级品类为153)、商品d(三级品类为368)、商品e(三级品类为361)、商品f(三级品类为439)。那么按照一种预设规则，对于商品a来说，其对应的三级品类标识为202、153和368，对于商品b来说，其对应的三级品类标识为153、368和361，依次类推，不再赘述。需要指出的是，一个商品标识可以对应于一个三级品类标识，也可以对应于两个三级品类标识、四个三级品类标识等，本发明实施例对此不作限制，本领域技术人员可以根据需要进行配置。

又比如说，按照另外一种预设规则，对于商品a和商品b来说，其对应的三级品类标识为202、153、368和361。按照另外一种预设规则，对于商品a、商品b和商品c来说，其对应的三级品类标识为368、361和439，等。需要说明的是，在本发明的实施例中，一个商品标识可以对应于至少一个品类信息，还可以是至少一个商品标识对应于至少一个品类信息，本发明实施例对此不作限制，本领域技术人员可以根据需要进行配置，预设规则的修改均在本发明的保护范围之内。

可见，本发明实施例从订单中心中提取全站用户的历史订单数据，然后根据历史商品标识进行量化处理，最后通过历史商品标识查找对应的品类信息。因此某一个用户的历史订单数据可以抽象成由商品sku+三级品类标识组成的链式信息，如图2所示，并且链式信息中的各个商品sku可以按照下单时间降序排列。因此，每条链式信息为某用户最近一段时间按照下单时间先后的商品sku及其对应的三级品类标识，这些信息作为机器学习中监督学习的标记数据。本发明实施例在监督学习的语料打标上创造性地直接根据商品标识进行量化，利用链式信息进行训练，大大节约了人工标注的成本。

步骤102，将所述历史商品标识及其对应的品类信息作为训练集，输入到预定模型中进行训练，形成分类器。

可选地，所述预定模型可以是隐马尔可夫模型(hmm)，在该步骤中，将步骤101中得到的历史商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，从而形成分类器，以便于通过隐马尔可夫模型的监督学习机器学习算法进行用户购买意向的预测。

在本发明的再一个实施例中，所述步骤102可以具体包括：将所述历史商品标识样本集中各个历史商品标识与其对应的至少一个品类信息的映射关系作为训练集，以所述历史商品标识样本集中各个历史商品标识对应的至少一个品类信息作为特征向量，输入到隐马尔可夫模型中；利用隐马尔可夫模型中的baum-welch算法进行训练，获取训练后的历史商品标识样本集作为输出结果，形成分类器。其中，隐马尔可夫模型的隐状态可以为商品标识，显状态可以为品类信息。

把大量用户的订单链式信息，比如全站三个月的各用户按照下单时间降序排列的链式信息导入到隐马尔可夫模型中进行训练，利用隐马尔可夫模型中的baum-welch算法进行训练，形成基本的分类器，三元组表示为λ＝(π,a,b)。其中：

π＝{πi},πi＝p(q1＝si)：初始状态分布，表示时刻t＝1处于状态si的概率，对应本发明实施例中的用户最初始购买商品的sku为si的概率。

a＝{aij},aij＝p(qt+1＝sj|qt＝si)：状态转移概率矩阵，其中aij表示时

刻t处于状态si的条件下t+1时刻处于状态sj的概率，对应本发明实施例中的用户t时刻购买si，t+1时刻购买sj的概率。

b＝{bik},bik＝p(ot＝vk|qt＝si)：观测概率矩阵，表示在时刻t处于状态si的条件下产生观测vk的概率，对应本发明中实施例中的用户在时刻t购买商品si的条件下观测到商品的三级品类是vk的概率。

在本发明的实施例中，隐马尔可夫模型的显状态为用户购买的历史商品的三级品类标识，隐状态为用户购买的历史商品的标识(sku)。需要说明的是，在本发明的实施例中，输入隐马尔可夫模型中的矩阵可以表示为：以品类信息+历史商品标识作为矩阵中的一行，也就是说，特征向量表示为一个一行多列的向量，那么训练集可以表示为一个m行n列的矩阵。m、n为大于零的正整数。

举例来说，以一个历史商品标识对应于三个三级品类标识为例进行详细说明。输入隐马尔可夫模型中的矩阵可以表示为：三个三级品类标识分别作为一列，历史商品标识作为一列，那么特征向量表示为一个一行四列的向量，训练集可以表示为一个m行四列的矩阵。将该矩阵输入到隐马尔可夫模型中进行训练，形成分类器。本发明实施例仅仅是示例性地以一个商品标识对应于三个三级品类标识为例进行说明，但是并不限于上述实施例，在此不再赘述。

步骤103，将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集。

可选地，所述步骤103可以具体包括：将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据所属的品类信息作为所述分类器的输入量，并利用隐马尔可夫模型中的viterbi算法进行预测，从而预测得到所述目标用户的预测商品集；其中，所述预测商品集包括至少一个商品标识。

举例来说，以一个商品标识对应于三个三级品类标识为例进行详细说明。取某一个用户最近3次购买的商品所属的三级品类标识，将这三个三级品类标识输入到步骤102的分类器中，预测得到该用户最近一次将要购买的商品。也就是说，在预测阶段，输入到分类器中的显状态是三级品类标识，预测得到的是最近一次将要下单的商品的sku，从而预测出了该用户的最近购买意向。

需要指出的是，在预测阶段，输入到分类器中的品类信息的数量以及输出的商品标识的数量，是与步骤102中训练分类器输入到隐马尔可夫模型中的品类信息的数量以及商品标识的数量有关的。如果在步骤102中，p个商品标识对应于q个品类信息，那么在步骤103中，输入到分类器中的品类信息为q个，预测得到的商品标识为p个。p、q为大于零的正整数。

步骤104，根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品。

可选地，所述步骤104可以包括：

判断所述目标用户是否有最近浏览数据；

若否，则以所述预测商品集中的商品作为推荐商品；

若是，则判断所述目标用户的最近浏览数据和所述预测商品集中是否有相同的商品；若是，则以所述相同的商品作为推荐商品；若否，则以所述目标用户的最近浏览数据和/或所述预测商品集中的商品作为推荐商品。

在步骤104中，如图3所示，根据用户信息(比如用户名、用户标识等)，提取存储在缓存服务器(比如redis服务器)中的该用户的最近浏览数据，判断该用户是否有最近一周的浏览数据，如果没有，则将步骤103中得到的预测商品集中的商品作为推荐商品，推荐给该用户。如果该用户有最近一周的浏览数据，则将最近有浏览且在预测商品集中的商品作为推荐商品，推荐给该用户(也可以是，以该推荐商品作为最高优先级进行推荐，其他商品作为次级优先级进行推荐)；否则将最近一周浏览的商品和/或步骤103中得到的预测商品集中的商品作为推荐商品，推荐给该用户。

在本发明的另一个实施例中，在获取所述用户的最近浏览数据之前，所述方法还包括：通过前端埋点技术和分布式发布-订阅消息中间件系统获取用户的最近浏览数据，并将所述用户的最近浏览数据存储于缓存服务器中。

为了能够从缓存服务器中获取用户的最近浏览数据，需要实时收集用户的浏览数据。如图4所示，该部分主要通过前端埋点技术来实现：用户在电商平台所浏览的每一个商品的商品标识(比如sku)都可以通过埋点进行记录，从而收集得到各个用户在最近一段时间所浏览商品的标识。

在本发明的再一个实施例中，还可以进一步集合kafka集群、storm集群和redis集群获取用户的最近浏览数据。

kafka是一种目前被广泛使用的分布式发布-订阅消息中间件系统，目前是apache项目的重要部分。在本发明中，kafka集群被用来并发的、分布式的实时收集前端埋点信息，对应于kafka的发布功能。strom订阅kafka中的某个主题进行消费，对应于订阅功能。其优异的性能、强大的吞吐能力保障了整个系统的稳定，kafka每秒可以生产的消息量高达50mb，条数大约为25万条，每秒能够处理大约110mb的数据量，约55万条。此外，为了保证消息不丢失，kafka可进行持久化操作。即通过将消息持久化到磁盘，既可用于批量消费，又可改善传统消息中间件空间不足的问题，更重要的是数据持久化到磁盘防止了数据丢失。它还是一个分布式系统，可以方便的向外扩展。所有的producer(生产者)、broker(中间件)和consumer(消费者)都可以分布式地部署多个，可实现无需停机的扩展机器。

storm集群拥有延迟低、性能高、分布式系统、可扩展性强、容错性好等一系列的优点，是处理实时流过程中最为常用的组件。本发明中，strom订阅kafka中的某个主题进行消费，消费之后的消息用于后续的处理。

redis集群在本发明中主要用于将用户的浏览数据最终落地到redis中，这样可以显著提高后台大量读取数据的速度。因此，可以根据用户信息查询储存在所述redis集群中的最近浏览数据，从而获得某一个用户的最近浏览数据。本发明实施例采用kafka集群+storm集群+redis集群的方式来进行实时的处理用户点击商品详情页的数据采集，综合了三大集群的优点。因此，利用kafka集群+storm集群+redis集群实时地收集用户的浏览数据，具有时效性高、可靠性好的优点。

根据上面所述的各种实施例，可以看出本发明采用将商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，形成分类器，从而得到预测商品集，并结合最近浏览数据来确定推荐商品的技术方案，解决了无法充分挖掘用户需求的问题。也就是说，而本发明基于人工智能技术进行预测，主动发现用户潜在的商品购买意向，并结合了用户的最近浏览记录和预测商品集进行推荐，既考虑了用户当前感兴趣的商品，又主动去发现用户潜在的购买意向，有利于提高订单转化率。而且，本发明实施例直接利用历史购买商品查询得到的链式信息作为标注数据进行监督学习，大大节约了人工标注的成本。

图5是根据本发明实施例的确定推荐商品的装置的主要模块的示意图。如图5所示，所述确定推荐商品的装置500包括获取模块501、训练模块502、预测模块503和筛选模块504。其中，所述获取模块501根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息；所述训练模块502将所述历史商品标识及其对应的品类信息作为训练集，输入到预定模型中进行训练，形成分类器；所述预测模块503将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集；所述筛选模块504根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品。

可选地，所述获取模块501根据样本数据集中各个用户的历史订单数据，分别确定各个历史商品标识以及所述各个历史商品标识所属的品类信息；按照时间降序确定待输入的历史商品标识样本集以及所述历史商品标识样本集中各个历史商品标识，并根据预设规则分别确定与所述各个历史商品标识对应的至少一个品类信息的映射关系。

可选地，所述预定模型包括隐马尔可夫模型；以及，所述训练模块502将所述历史商品标识样本集中各个历史商品标识与其对应的至少一个品类信息的映射关系作为训练集，以所述历史商品标识样本集中各个历史商品标识对应的至少一个品类信息作为特征向量，输入到隐马尔可夫模型中；利用隐马尔可夫模型中的baum-welch算法进行训练，获取训练后的历史商品标识样本集作为输出结果，形成分类器。

可选地，所述预测模块503将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据所属的品类信息作为所述分类器的输入量，并利用隐马尔可夫模型中的viterbi算法进行预测，从而预测得到所述目标用户的预测商品集；其中，所述预测商品集包括至少一个商品标识。

可选地，所述筛选模块504：

判断所述目标用户是否有最近浏览数据；

若否，则以所述预测商品集中的商品作为推荐商品；

若是，则判断所述目标用户的最近浏览数据和所述预测商品集中是否有相同的商品；若是，则以所述相同的商品作为推荐商品；若否，则以所述目标用户的最近浏览数据和/或所述预测商品集中的商品作为推荐商品。

可选地，所述装置还包括存储模块，所述存储模块通过前端埋点技术和分布式发布-订阅消息中间件系统获取用户的最近浏览数据，并将所述用户的最近浏览数据存储于缓存服务器中。

根据上面所述的各种实施例，可以看出本发明采用将商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，形成分类器，从而得到预测商品集，并结合最近浏览数据来确定推荐商品的技术方案，解决了无法充分挖掘用户需求的问题。也就是说，而本发明基于人工智能技术进行预测，主动发现用户潜在的商品购买意向，并结合了用户的最近浏览记录和预测商品集进行推荐，既考虑了用户当前感兴趣的商品，又主动去发现用户潜在的购买意向，有利于提高订单转化率。而且，本发明实施例直接利用历史购买商品查询得到的链式信息作为标注数据进行监督学习，大大节约了人工标注的成本。

需要说明的是，在本发明所述确定推荐商品的装置的具体实施内容，在上面所述确定推荐商品的方法中已经详细说明了，故在此重复内容不再说明。

图6示出了可以应用本发明实施例的确定推荐商品的方法或确定推荐商品的方法的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息——仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的确定推荐商品的方法一般在服务器605执行，相应地，所述确定推荐商品的装置一般设置在服务器605中。本发明实施例所提供的确定推荐商品的方法也可以在终端设备601、602、603执行，相应地，所述确定推荐商品的装置一般设置在终端设备601、602、603上。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、训练模块、预测模块和筛选模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据样本数据集中各个用户的历史订单数据，确定历史商品标识及其对应的品类信息；将所述历史商品标识及其对应的品类信息作为训练集，输入到预定模型中进行训练，形成分类器；将目标用户的历史订单数据中按照交易时间降序追溯距当前时间的预设数量的历史交易订单数据作为所述分类器的输入量，以预测所述目标用户的预测商品集；根据所述目标用户的最近浏览数据和所述预测商品集确定所述目标用户的推荐商品。

根据本发明实施例的技术方案，因为采用将商品标识及其对应的品类信息作为训练集，输入到隐马尔可夫模型中进行训练，形成分类器，从而得到预测商品集，并结合最近浏览数据来确定推荐商品的技术手段，所以克服了无法充分挖掘用户需求的技术问题；本发明基于人工智能技术进行预测，主动发现用户潜在的商品购买意向，并结合了用户的最近浏览记录和预测商品集进行推荐，既考虑了用户当前感兴趣的商品，又主动去发现用户潜在的购买意向，有利于提高订单转化率。而且，本发明实施例直接利用历史购买商品查询得到的链式信息作为标注数据进行监督学习，大大节约了人工标注的成本。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。