电商平台商品的推荐方法、装置、服务器和存储介质与流程

本发明实施例涉及电子商务技术领域，尤其涉及一种电商平台商品的推荐方法、装置、服务器和存储介质。

背景技术：

随着互联网的迅速发展，越来越多的用户开始通过网上进行购物和消费。

用户需要在电商平台去寻找产品，再对喜欢的产品进行下单购买。目前，为了提高用户的购买率，在用户打开电商平台时，会给用户推荐商品，用户可以对在推荐的商品中选择感兴趣的商品进行购买。

然而，目前电子商务中推荐给用户的商品都是相同的，每个用户都看到的是相同排序的商品列表。而每个用户的兴趣是不同，现有的方案不能给用户提供千人千面的友好购物体验，不能智能化的提高销售业绩。

技术实现要素：

本发明实施例提供一种电商平台商品的推荐方法、装置、服务器和存储介质，以实现给不同用户提供不同的推荐商品，以提高用户的购买率的效果。

第一方面，本发明实施例提供了一种电商平台商品的推荐方法，包括：

获取第一用户的用户行为数据；

基于所述用户行为数据确定所述第一用户的用户画像；

基于第一预设算法训练预设召回模型；

基于第二预设算法训练点击预测模型；

根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；

根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；

将排序的结果返回商品推荐列表展示给所述第一用户。

可选的，在所述根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序之前，包括：

建立多个预设点击模型；

通过abtest机制分流用户到每一个预设点击模型，得到每一个预设点击模型的预测结果；

根据用户的点击购买结果确定最优的预设点击模型作为所述点击预测模型。

可选的，所述多个预设点击模型包括xgboost+lr组合算法和wide&deep深度学习算法。

可选的，所述点击预测模型为多个，在所述将排序的结果返回商品推荐列表展示给所述第一用户之后，包括：

获取每一个点击预测模型的多个第一用户的点击购买结果集合；

基于所述点击购买结果集合判定每一个点击预测模型的预测效果；

判断每一个点击预测模型的预测效果是否大于预设阈值；

如果点击预测模型的预测效果小于所述预设阈值，则调整所述点击预测模型的风控参数。

可选的，所述用户行为数据包括数据来源，在所述根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序之前，包括：

根据所述数据来源匹配与所述数据来源对应的点击预测模型。

可选的，所述用户行为数据包括购买商品的基本信息、搜索的商品、浏览商品的时间、对商品的评价、重复购买的次数、重复购买的间隔时长中的一种或多种。

可选的，所述预设召回模型基于协同过滤算法训练得到。

第二方面，本发明实施例提供了一种电商平台商品的推荐装置，包括：

获取模块，用于获取第一用户的用户行为数据；

画像模块，用于基于所述用户行为数据确定所述第一用户的用户画像；

算法训练模块，用于基于第一预设算法训练预设召回模型，基于第二预设算法训练点击预测模型；

召回模块，用于根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；

排序模块，用于根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；

展示模块，用于将排序的结果返回商品推荐列表展示给所述第一用户。

第三方面，本发明实施例提供了一种服务器，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如本发明任意实施例所述的电商平台商品的推荐方法。

第四方面，本发明实施例提供了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发明任意实施例所述的电商平台商品的推荐方法。

本发明实施例通过获取第一用户的用户行为数据；基于所述用户行为数据确定所述第一用户的用户画像；基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型；根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；将排序的结果返回商品推荐列表展示给所述第一用户，解决了不能给用户提供千人千面的友好购物体验，不能智能化的提高销售业绩的问题，实现了给不同用户提供不同的推荐商品，以提高用户的购买率的效果。

附图说明

图1是本发明实施例一提供的一种电商平台商品的推荐方法的流程示意图；

图2是本发明实施例二提供的一种电商平台商品的推荐方法的流程示意图；

图3是本发明实施例三提供的一种电商平台商品的推荐装置的结构示意图；

图4是本发明实施例四提供的一种服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一信息为第二信息，且类似地，可将第二信息称为第一信息。第一信息和第二信息两者都是信息，但其不是同一信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

实施例一

图1为本发明实施例一提供的一种电商平台商品的推荐方法的流程示意图，可适用于针对不同用户推荐商品的场景，该方法可以由电商平台商品的推荐装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。

如图1所示，本发明实施例一提供的电商平台商品的推荐方法包括：

s110、获取第一用户的用户行为数据。

其中，第一用户是指使用电商平台进行购物的用户。在本实施例中，第一用户不特指具体的用户。用户行为数据是指用户在使用电商平台的数据。具体的，用户行为数据包括但不限于购买商品的基本信息、搜索的商品、浏览商品的时间、对商品的评价、重复购买的次数、重复购买的间隔时长中的一种或多种，此处不作限制。示例性的，用户a购买了一个数码相机，则购买商品的基本信息可以包括数码相机的品牌、型号等信息，此处不作限制。

s120、基于所述用户行为数据确定所述第一用户的用户画像。

其中，用户画像是指将用户的信息进行标签化。具体的，即通过第一用户的用户行为数据，确定第一用户的标签。示例性的，第一用户购买的物品中，大部分或者是全部都是男装，则第一用户的用户画像为男性；第一用户浏览的大部分物品都是手机、电脑等物品居多，则第一用户的用户画像为爱好是电子产品。可选的，可以提前制定好预设用户画像，则可以根据用户行为数据判断第一用户的用户画像时，根据用户行为数据确定哪一些预设的用户画像是符合第一用户的，从而确定第一用户的用户画像，此处不作限制。

可选的，用户画像可以使用在线学习算法ftrl(followtheregularizedleaderproximal)来生成。

s130、基于第一预设算法训练预设召回模型；

其中，第一预设算法是指用于训练预设召回模型的算法。在本实施方式中，第一预设算法可以是基于协同过滤的召回算法，此处不作限制。

s140、基于第二预设算法训练点击预测模型。

其中，第二预设算法是指用于训练点击预测模型的算法。在本实施方式中，第二预设算法可以是一个或多个。具体的，第二预设算法可以是xgboost+lr组合算法和/或wide&deep深度学习算法，此处不作限制。

s150、根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品。

其中，预设召回模型是指根据用户画像推荐商品的模型。在本实施例中，可选的，预设召回模型基于协同过滤算法训练得到。协同过滤是指利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。示例性的，用户a和用户b的用户画像都是男性，喜欢数码产品，当用户b对相机镜头感兴趣，则认为用户a也对相机镜头感兴趣。推荐商品集合是指多个推荐商品的集合，例如相机机身、相机镜头、手机、电脑等，此处不作限制。通过预设召回模型和第一用户的用户画像确定推荐商品集合，则推荐商品集合不仅包括了第一用户喜好的商品，还包括第一用户可能喜好的商品，可推荐的商品范围更广。

s160、根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序。

其中，点击预测模型是指用来预测第一用户点击购买多个推荐商品可能性的模型。具体的，点击预测模型通过海量用户的海量行为数据训练得到。在本实施例中，可选的，点击预测模型可以是通过xgboost(extremegradientboosting，极端梯度提升)+lr(logisticregression，回归模型)组合算法训练得到的模型；也可以是通过wide&deep深度学习算法训练得到的模型，此处不作限制。xgboost可以用来构造新特征变量，而lr则可以把原始特征和新特征集合起来构造模型，并计算各特征的显著性和权重系数。wide&deep就是将lr和dnn结合起来，wide部分就是lr，deep部分就是dnn(deepneuralnetworks，深度神经网络)，将两者的结果组合进行输出。通过第一用户的用户行为数据和预测点击模型对多个推荐商品进行排序，从而可以针对第一用户进行个性化推荐。由于不同用户的用户行为数据不同，达到了对不同提供不同的推荐商品的效果。

可选的，点击预测模型的训练算法可以采用插件的形式植入，则可以根据需要切换不同的训练算法对点击预测模型进行训练，切换方式简单。

在一个可选的实施方式中，在根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序之前，可以包括：

建立多个预设点击模型；

通过abtest机制分流用户到每一个预设点击模型，得到每一个预设点击模型的预测结果；

根据用户的点击购买结果确定最优的预设点击模型作为所述点击预测模型。

其中，多个预设点击模型是指通过多种训练算法训练的多个训练模型。在本实施方式中，可选的，多个预设点击模型包括xgboost+lr组合算法和wide&deep深度学习算法，此处不作限制。abtest机制是指将海量的用户尽可能平均地进行分流到多个预设点击模型中，从而保证不同预设点击模型输入参数相等。具体的，可以通过将海量的用户按性别、年龄、地域、职业等多个分类平均分流到多个预设点击模型中。通过用户实际的点击购买结果确定最优的预设点击模型作为点击预测模型，即预测最准确的预设点击模型作为点击预测模型。可选的，点击购买结果可以包括购买和未购买，点击购买结果可以是通过判断用户是否购买确定。购买的数量或比例越高，则说明点击购买结果越好。

s170、将排序的结果返回商品推荐列表展示给所述第一用户。

其中，商品推荐列表是指以可视化形式展示多个推荐商品的列表。通过将排序的结果返回商品列表展示给第一用户，第一用户可以根据推荐商品进行购买，排序在前的推荐商品为预测点击模型预测购买可能性高的商品，提高了用户的购买率。此外，通过建立点击预测模型对多个推荐商品进行排序，不需要人工进行干预。

在一个可选的实施方式中，点击预测模型为多个，在将排序的结果返回商品推荐列表展示给所述第一用户之后，可以包括：

获取每一个点击预测模型的多个第一用户的点击购买结果集合；

基于所述点击购买结果集合判定每一个点击预测模型的预测效果；

判断每一个点击预测模型的预测效果是否大于预设阈值；

如果点击预测模型的预测效果小于所述预设阈值，则调整所述点击预测模型的风控参数。

其中，点击购买结果是指第一用户基于排序的结果进行购买的体现。点击购买结果集合是指多个第一用户的点击购买结果的集合。具体的，一个购买结果集合对应一个点击预测模型。示例性的，有a和b两个点击预测模型，在使用多个点击预测模型进行排序时，会按照预先制定好的策略，把不同的用户分流到a模型或b模型中，分流到a模型的所有第一用户的点击购买结果，构成a模型的点击购买结果集合；分流到b模型的所有第一用户的点击购买结果，构成b模型的点击购买结果集合。可选的，可以统计一天内的点击购买结果集合。具体的，根据点击购买结果集合可以判定点击预测模型的预测效果，可以是根据每一个点击预测模型的所有第一用户是否购买了推荐商品进行判定，此处不作限制。在本实施方式中，可选的，预测效果可以是点击购买率或转化率等，即每一个点击预测模型的所有第一用户的整体点击购买率或转化率，此处不作限制。具体的，点击购买率是指用户在推荐商品中点击购买的比例。可选的，点击购买率可以通过每一个点击预测模型的所有第一用户购买的推荐商品的数量与每一个点击预测模型的所有第一用户的推荐商品的总数量的比值计算得到；也可以是通过每一个点击预测模型的所有第一用户购买的推荐商品的数量与每一个点击预测模型的所有第一用户可看到的推荐商品的总数量的比值计算得到，此处不作限制。可选的，点击率还可以用来进行风险控制。示例性的，当点击率低于一个值时，则停用该模型，调用其他模型来进行排序。预设阈值根据需要进行设置，可以是0-1的任一数值。风控参数是指调整分流用户到点击预测模型的参数。在本实施例中，风控参数可以分流用户到模型的策略、比例或数量。具体的，当某一个点击预测模型的预测效果小于预设阈值，例如点击率小于预设阈值时，则调整该点击预测模型的参数，例如减少分流到该点击预测模型的用户数量或停止分流用户到该点击预测模型。示例性的，当a点击预测模型的预测效果小于预设阈值时，则停止分流用户到a预测模型，或者减少分流到a预测模型的用户数量。减少分流到a预测模型的用户数量，可以再持续观察一段时间，从而判断预测效果小于预设阈值是否为偶然情况。

可选的，当有新算法上线后，可以根据配置策略来调度新算法训练预设召回模型和点击预测模型，而不用重启服务。

本发明实施例的技术方案，通过获取第一用户的用户行为数据；基于所述用户行为数据确定所述第一用户的用户画像；基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型；根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；将排序的结果返回商品推荐列表展示给所述第一用户，不同用户的不同用户行为数据和预设召回模型给用户确定不同的推荐商品，并根据点击预测模型对不同用户的推荐商品进行排序，排序在前的为预测购买可能性高的商品，达到给不同用户提供不同的推荐商品，以提高用户的购买率的技术效果。

实施例二

图2是本发明实施例二提供的一种电商平台商品的推荐方法的流程示意图。本实施例是在上述技术方案的进一步细化，适用于针对不同用户推荐商品的场景。该方法可以由电商平台商品的推荐装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。

如图2所示，本发明实施例二提供的电商平台商品的推荐方法包括：

s210、获取第一用户的用户行为数据。

其中，第一用户是指使用电商平台进行购物的用户。在本实施例中，第一用户不特指具体的用户。用户行为数据是指用户在使用电商平台的数据。具体的，用户行为数据包括但不限于购买商品的基本信息、搜索的商品、浏览商品的时间、对商品的评价、重复购买的次数、重复购买的间隔时长等，此处不作限制。示例性的，用户a购买了一个数码相机，则购买商品的基本信息可以包括数码相机的品牌、型号等信息，此处不作限制。

s220、基于所述用户行为数据确定所述第一用户的用户画像。

其中，用户画像是指将用户的信息进行标签化。具体的，即通过第一用户的用户行为数据，确定第一用户的标签。示例性的，第一用户购买的物品中，大部分或者是全部都是男装，则第一用户的用户画像为男性；第一用户浏览的大部分物品都是手机、电脑等物品居多，则第一用户的用户画像为爱好是电子产品。可选的，可以提前制定好预设用户画像，则可以根据用户行为数据判断第一用户的用户画像时，根据用户行为数据确定哪一些预设的用户画像是符合第一用户的，从而确定第一用户的用户画像，此处不作限制。

在本实施例中，用户行为数据包括数据来源。

s230、基于第一预设算法训练预设召回模型；

其中，第一预设算法是指用于训练预设召回模型的算法。在本实施方式中，第一预设算法可以是基于协同过滤的召回算法，此处不作限制。

s240、基于第二预设算法训练点击预测模型。

其中，第二预设算法是指用于训练点击预测模型的算法。在本实施方式中，第二预设算法可以是一个或多个。具体的，第二预设算法可以是xgboost+lr组合算法和/或wide&deep深度学习算法，此处不作限制。

s250、根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品。

其中，预设召回模型是指根据用户画像推荐商品的模型。在本实施例中，可选的，预设召回模型基于协同过滤算法训练得到。协同过滤是指利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。示例性的，用户a和用户b的用户画像都是男性，喜欢数码产品，当用户b对相机镜头感兴趣，则认为用户a也对相机镜头感兴趣。推荐商品集合是指多个推荐商品的集合，例如相机机身、相机镜头、手机、电脑等，此处不作限制。通过预设召回模型和第一用户的用户画像确定推荐商品集合，则推荐商品集合不仅包括了第一用户喜好的商品，还包括第一用户可能喜好的商品，可推荐的商品范围更广。

s260、根据所述数据来源匹配与所述数据来源对应的点击预测模型。

其中，数据来源是指用户行为数据的来源。在本实施例中，数据来源是指用户行为数据来源哪个终端操作系统或渠道，例如，来源于安卓系统、ios系统(inputoutputsystem，输入输出系统)或windows系统，app渠道、微信公众号小程序、网页渠道。根据不同的数据来源匹配预测更准确的点击预测模型，则预测的结果可以更准确。使用层次化abtest方法进行不同场景的多模型精准匹配。

s270、根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序。

其中，点击预测模型是指用来预测第一用户点击购买多个推荐商品可能性的模型。具体的，点击预测模型通过海量用户的海量行为数据训练得到。在本实施例中，可选的，点击预测模型可以是通过xgboost(extremegradientboosting，极端梯度提升)+lr(logisticregression，回归模型)组合算法训练得到的模型；也可以是通过wide&deep深度学习算法训练得到的模型，此处不作限制。xgboost可以用来构造新特征变量，而lr则可以把原始特征和新特征集合起来构造模型，并计算各特征的显著性和权重系数。wide&deep就是将lr和dnn结合起来，wide部分就是lr，deep部分就是dnn(deepneuralnetworks，深度神经网络)，将两者的结果组合进行输出。通过第一用户的用户行为数据和预测点击模型对多个推荐商品进行排序，从而可以针对第一用户进行个性化推荐。由于不同用户的用户行为数据不同，达到了对不同提供不同的推荐商品的效果。

s280、将排序的结果返回商品推荐列表展示给所述第一用户。

其中，商品推荐列表是指以可视化形式展示多个推荐商品的列表。通过将排序的结果返回商品列表展示给第一用户，第一用户可以根据推荐商品进行购买，排序在前的推荐商品为预测点击模型预测购买可能性高的商品，提高了用户的购买率。此外，通过建立点击预测模型对多个推荐商品进行排序，不需要人工进行干预。

本发明实施例的技术方案，通过获取第一用户的用户行为数据；基于所述用户行为数据确定所述第一用户的用户画像；基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型；根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；将排序的结果返回商品推荐列表展示给所述第一用户，不同用户的不同用户行为数据和预设召回模型给用户确定不同的推荐商品，并根据点击预测模型对不同用户的推荐商品进行排序，排序在前的为预测购买可能性高的商品，达到给不同用户提供不同的推荐商品，以提高用户的购买率的技术效果。

实施例三

图3是本发明实施例三提供的一种电商平台商品的推荐装置的结构示意图，本实施例可适用于针对不同用户推荐商品的场景，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。

如图3所示，本实施例提供的电商平台商品的推荐装置可以包括获取模块310、画像模块320、算法训练模块330、召回模块340、排序模块350和展示模块360，其中：

获取模块310，用于获取第一用户的用户行为数据；

画像模块320，用于基于所述用户行为数据确定所述第一用户的用户画像；

算法训练模块330，用于基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型。

召回模块340，用于根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；

排序模块350，用于根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；

展示模块360，用于将排序的结果返回商品推荐列表展示给所述第一用户。

可选的，该装置还包括：

预设点击模型建立模块，用于建立多个预设点击模型；

算法调度模块，用于通过abtest机制分流用户到每一个预设点击模型，得到每一个预设点击模型的预测结果；根据用户的点击购买结果确定最优的预设点击模型作为所述点击预测模型。

可选的，算法调度模块还可以用于当有新算法上线后，可以根据配置策略来调度新算法训练预设召回模型和点击预测模型，而不用重启服务。

可选的，所述多个预设点击模型包括xgboost+lr组合算法和wide&deep深度学习算法。

可选的，该获取模块310还用于获取所述第一用户的点击购买结果；

该装置还包括：

预测效果判定模块，用于基于所述点击购买结果判定所述点击预测模型的预测效果；

判断模块，用于判断所述预测效果是否大于预设阈值；

调整模块，用于如果所述预测效果小于所述预设阈值，则调整所述点击预测模型的风控参数。

可选的，该装置还包括：

匹配模块，用于根据所述数据来源匹配与所述数据来源对应的点击预测模型。

可选的，所述用户行为数据包括购买商品的基本信息、搜索的商品、浏览商品的时间、对商品的评价、重复购买的次数、重复购买的间隔时长中的一种或多种。

可选的，所述预设召回模型基于协同过滤算法训练得到。算法训练模块330用机器学习的方法，在大数据集群上进行模型训练，使用用户的点击购买反馈的数据做样本，点击预测或者购买预测做目标，不断的进行迭代训练自动更新模型参数。

本发明实施例所提供的电商平台商品的推荐装置可执行本发明任意实施例所提供的电商平台商品的推荐方法，具备执行方法相应的功能模块和有益效果。本发明实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。

实施例四

图4是本发明实施例四提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器612的框图。图4显示的服务器612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4所示，服务器612以通用服务器的形式表现。服务器612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。

总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrysubversivealliance，isa)总线，微通道体系结构(microchannelarchitecture，mac)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation，vesa)局域总线以及外围组件互连(peripheralcomponentinterconnect，pci)总线。

服务器612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory，ram)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(compactdiscread-onlymemory，cd-rom),数字视盘(digitalvideodisc-readonlymemory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。

服务器612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信，还可与一个或者多个使得用户能与该服务器612交互的终端通信，和/或与使得该服务器612能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口622进行。并且，服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(localareanetwork，lan)，广域网(wideareanetwork，wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器620通过总线618与服务器612的其它模块通信。应当明白，尽管图中未示出，可以结合服务器612使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(redundantarraysofindependentdisks，raid)系统、磁带驱动器以及数据备份存储系统等。

处理器616通过运行存储在存储装置628中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种电商平台商品的推荐方法，该方法可以包括：

获取第一用户的用户行为数据；

基于所述用户行为数据确定所述第一用户的用户画像；

基于第一预设算法训练预设召回模型；

基于第二预设算法训练点击预测模型；

根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；

根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；

将排序的结果返回商品推荐列表展示给所述第一用户。

本发明实施例的技术方案，通过获取第一用户的用户行为数据；基于所述用户行为数据确定所述第一用户的用户画像；基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型；根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；将排序的结果返回商品推荐列表展示给所述第一用户，不同用户的不同用户行为数据和预设召回模型给用户确定不同的推荐商品，并根据点击预测模型对不同用户的推荐商品进行排序，排序在前的为预测购买可能性高的商品，达到给不同用户提供不同的推荐商品，以提高用户的购买率的技术效果。

实施例五

本发明实施例五还提供了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发明任意实施例所提供的一种电商平台商品的推荐方法，该方法可以包括：

获取第一用户的用户行为数据；

基于所述用户行为数据确定所述第一用户的用户画像；

基于第一预设算法训练预设召回模型；

基于第二预设算法训练点击预测模型；

根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；

根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；

将排序的结果返回商品推荐列表展示给所述第一用户。

本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

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。

存储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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、golang、python、scala、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本发明实施例的技术方案，通过获取第一用户的用户行为数据；基于所述用户行为数据确定所述第一用户的用户画像；基于第一预设算法训练预设召回模型；基于第二预设算法训练点击预测模型；根据所述用户画像和所述预设召回模型确定推荐商品集合，所述推荐商品集合包括多个推荐商品；根据所述用户行为数据和所述点击预测模型对所述推荐商品集合中的多个推荐商品进行排序；将排序的结果返回商品推荐列表展示给所述第一用户，不同用户的不同用户行为数据和预设召回模型给用户确定不同的推荐商品，并根据点击预测模型对不同用户的推荐商品进行排序，排序在前的为预测购买可能性高的商品，达到给不同用户提供不同的推荐商品，以提高用户的购买率的技术效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。