商品推荐方法、装置、电子设备、及存储介质与流程

本公开实施例涉及计算机应用技术领域，具体涉及一种商品推荐方法、装置、电子设备、及存储介质。

背景技术：

当前各电商平台为了减少商品库存、增强用户黏度，通常采取拼团促销的方式统一展示给用户，即：将要拼团促销的商品提取出来后，在指定的模块统一展示给用户，所有用户看到的拼团促销商品都是相同的。

电商采取拼团促销的销售方式不但减少了商品库存，还提高了用户活跃度，促进了平台的持久发展。但当前各平台的拼团促销方式存在较大的缺陷，具体来说就是在面对不同的用户时，展示给所有用户的拼团促销商品都是相同的，没有做到拼团促销商品的个性化，以致于拼团促销商品的转化率不够高。

技术实现要素：

有鉴于此，本公开实施例提供一种商品推荐方法、装置、电子设备、及存储介质，以实现个性化推荐，提高拼团促销商品的拼团成功率。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

第一方面，本公开实施例提供了一种商品推荐方法，包括：

根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系；

基于所述知识图谱对所述多个用户进行分群得到多个用户群；

将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率；

根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

于一实施例中，根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱包括：

根据用户之间的关联关系、以及用户与商品的交互记录生成第一知识图谱，其中所述第一知识图谱包括多个商品、多个用户、以及所述多个商品与所述多个用户之间的关联关系；

根据所述第一知识图谱中用户之间的关系生成所述知识图谱。

于一实施例中，基于所述知识图谱对所述多个用户进行分群得到多个用户群包括：

从所述知识图谱中随机选择第一数量的用户作为中心用户群；

对所述中心用户群中任一中心用户，将该中心用户、以及与该中心用户关联的用户作为一个用户群；

其中，若任一用户不属于任一用户群，将该用户加入所述中心用户群，若任一用户同属于多个用户群，将该用户随机加入任一所属用户群，并将该用户从其他所属的用户群中剔除。

于一实施例中，根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品包括：

对任一用户群，从所述各拼团促销商品中选择概率最高的拼团促销商品，推荐给该用户群的所有用户。

于一实施例中，所述任一用户群向量为该用户群所包含用户的向量的平均向量。

于一实施例中，所述交互记录包括购买记录、收藏记录、点击记录、评价记录、以及退货记录中的一种或多种；

所述用户之间的关联关系包括邀请关系、以及地域关系中的一种或多种，其中所述地域关系包括籍贯和/或居住地。

于一实施例中，所述商品购买预测模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括用户群向量、商品的向量、以及用于表示该用户群购买该商品的概率的标注；

确定初始化的商品购买预测模型，其中所述初始化的商品购买预测模型包括用于输出用户群购买商品的概率的目标层；

利用机器学习的方法，将所述训练样本集合中的训练样本中的用户群向量和商品的向量作为初始化的商品购买预测模型的输入，将与输入的用户群向量和商品的向量对应的标注作为初始化的商品购买预测模型的输出，训练得到所述商品购买预测模型。

于一实施例中，所述初始化的商品购买预测模型包括输入层、第一隐层、第二隐层、softmax层、以及输出层，所述第一隐层和所述第二隐层采用relu函数作为激活函数。

第二方面，本公开实施例还提供了一种商品推荐装置，包括：

知识图谱获取单元，用于根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系；

用户分群单元，用于基于所述知识图谱对所述多个用户进行分群得到多个用户群；

概率预测单元，用于将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率；

策略确定与商品推荐单元，用于根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

于一实施例中，所述知识图谱获取单元用于：

根据用户之间的关联关系、以及用户与商品的交互记录生成第一知识图谱，其中所述第一知识图谱包括多个商品、多个用户、以及所述多个商品与所述多个用户之间的关联关系；

根据所述第一知识图谱中用户之间的关系生成所述知识图谱。

于一实施例中，所述用户分群单元用于：

从所述知识图谱中随机选择第一数量的用户作为中心用户群；

对所述中心用户群中任一中心用户，将该中心用户、以及与该中心用户关联的用户作为一个用户群；

其中，若任一用户不属于任一用户群，将该用户加入所述中心用户群，若任一用户同属于多个用户群，将该用户随机加入任一所属用户群，并将该用户从其他所属的用户群中剔除。

于一实施例中，所述策略确定与商品推荐单元用于：

对任一用户群，从所述各拼团促销商品中选择概率最高的拼团促销商品，推荐给该用户群的所有用户。

于一实施例中，所述任一用户群向量为该用户群所包含用户的向量的平均向量。

于一实施例中，所述交互记录包括购买记录、收藏记录、点击记录、评价记录、以及退货记录中的一种或多种；

所述用户之间的关联关系包括邀请关系、以及地域关系中的一种或多种，其中所述地域关系包括籍贯和/或居住地。

于一实施例中，所述商品购买预测模型通过如下模块训练得到：

样本获取模块，用于获取训练样本集合，其中，训练样本包括用户群向量、商品的向量、以及用于表示该用户群购买该商品的概率的标注；

模型确定模块，用于确定初始化的商品购买预测模型，其中所述初始化的商品购买预测模型包括用于输出用户群购买商品的概率的目标层；

模型训练模块，用于利用机器学习的装置，将所述训练样本集合中的训练样本中的用户群向量和商品的向量作为初始化的商品购买预测模型的输入，将与输入的用户群向量和商品的向量对应的标注作为初始化的商品购买预测模型的输出，训练得到所述商品购买预测模型。

于一实施例中，所述初始化的商品购买预测模型包括输入层、第一隐层、第二隐层、softmax层、以及输出层，所述第一隐层和所述第二隐层采用relu函数作为激活函数。

第三方面，本公开实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，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第一方面中任一项所述方法的指令。

第四方面，本公开实施例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，该计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。

本公开实施例根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，基于所述知识图谱对所述多个用户进行分群得到多个用户群，将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率，根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品，能够向各用户群推荐适合的拼团促销商品，能够实现个性化推荐，能提高拼团促销商品的拼团成功率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种商品推荐方法的流程示意图；

图2是本公开实施例提供的商品购买预测模型的训练方法的流程示意图；

图3是本公开实施例提供的另一种商品推荐方法的流程示意图；

图4是本公开实施例提供的第一知识图谱示例的部分内容；

图5是本公开实施例提供的根据图4生成的知识图谱示例；

图6是本公开实施例提供的一种商品推荐装置的结构示意图；

图7是本公开实施例提供的商品购买预测模型的训练模块的结构示意图；

图8示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域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，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种商品推荐方法的流程示意图，本实施例可适用于向用户群推荐拼团促销商品的情况，该方法可以由配置于电子设备中的商品推荐装置来执行，如图1所示，本实施例所述的商品推荐方法包括：

在步骤s110中，根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系。

其中，所述交互记录包括多种，例如购买记录、收藏记录、点击记录、评价记录、以及退货记录中的一种或多种。

其中，所述用户之间的关联关系包括多种，例如邀请关系、以及地域(例如籍贯、居住地等)关系中的一种或多种。

本步骤可采用多种方法实现，例如，可根据用户之间的关联关系、以及用户与商品的交互记录生成第一知识图谱，其中所述第一知识图谱包括多个商品、多个用户、以及所述多个商品与所述多个用户之间的关联关系。再根据所述第一知识图谱中用户之间的关系生成所述知识图谱。

在步骤s120中，基于所述知识图谱对所述多个用户进行分群得到多个用户群。

例如，可从所述知识图谱中随机选择第一数量的用户作为中心用户群；对所述中心用户群中任一中心用户，将该中心用户、以及与该中心用户关联的用户作为一个用户群。对于上述分群，若任一用户不属于任一用户群，可将该用户加入所述中心用户群，若任一用户同属于多个用户群，可将该用户随机加入任一所属用户群，并将该用户从其他所属的用户群中剔除。

在步骤s130中，将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率。

所述商品购买预测模型能够确定输入的用户/用户群向量对应的用户群购买输入的拼团促销商品的向量的概率值，可通过多种方式训练得到，只要具有上述功能即可，具体训练方式本实施例对此不作限定。

例如，图2是本公开实施例提供的商品购买预测模型的训练方法的流程示意图，所述商品购买预测模型可通过如图2所示的步骤训练得到：

在步骤s210中，获取训练样本集合，其中，训练样本包括用户群向量、商品的向量、以及用于表示该用户群购买该商品的概率的标注。

所述用户群向量可以是一个用户对应的向量，也可以是一个用户群对应的向量。

例如，每个用户群内所有用户点击过的拼团促销商品定义为该用户群的正样本，将正样本标注为1；每个用户群未点击的拼团促销商品中，随机选取一部分作为该用户群的负样本，将负样本标注为0。

在步骤s220中，确定初始化的商品购买预测模型，其中所述初始化的商品购买预测模型包括用于输出用户群购买商品的概率的目标层。

在步骤s230中，利用机器学习的方法，将所述训练样本集合中的训练样本中的用户群向量和商品的向量作为初始化的商品购买预测模型的输入，将与输入的用户群向量和商品的向量对应的标注作为初始化的商品购买预测模型的输出，训练得到所述商品购买预测模型。

其中，所述初始化的商品购买预测模型本实施例并不作限定，例如所述初始化的商品购买预测模型可包括输入层、第一隐层、第二隐层、softmax层、以及输出层，所述第一隐层和所述第二隐层采用relu函数作为激活函数。

在步骤s140中，根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

例如，可对任一用户群，从所述各拼团促销商品中选择概率最高的拼团促销商品，推荐给该用户群的所有用户。

其中，可将任一用户群所包含用户的向量求平均后作为该用户群向量。

根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系；

基于所述知识图谱对所述多个用户进行分群得到多个用户群；

将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率；

根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

本实施例根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，基于所述知识图谱对所述多个用户进行分群得到多个用户群，将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率，根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品，能够向各用户群推荐适合的拼团促销商品，能够实现个性化推荐，能提高拼团促销商品的拼团成功率。

图3示出了本公开实施例提供的另一种商品推荐方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图3所示，本实施例所述的商品推荐方法包括：

在步骤s310中，根据用户之间的关联关系、以及用户与商品的交互记录生成第一知识图谱，其中所述第一知识图谱包括多个商品、多个用户、以及所述多个商品与所述多个用户之间的关联关系。

所述第一知识图谱可以由一个个三元组(h,r,t)表示，例如(张三,年龄,21)、(李四,点击过,商品1)。构建第一知识图谱需要一些基本数据，用户的基本特征可以由用户基本信息获取，用户与商品的交互记录可以由用户日志获取，商品的基本特征可以由商品基本信息获取。

根据所述三元组构建第一知识图谱，简化的部分知识图谱如图4所示。图4可以用如下三元组表示：(用户1，籍贯，广东)、(用户1，点击过，商品1)、(用户1，购买过，商品2)、(商品2，被点击，用户4)、(广东，是用户的常住地，用户3)、(用户3，邀请注册，用户2)。

在步骤s320中，根据所述第一知识图谱中用户之间的关系生成所述知识图谱。

构建好第一知识图谱后，可对知识图谱进行重构，即只保留用户到用户的关系。以图4为例，根据图4所示的第一知识图谱重构后得到的知识图谱如图5所示。重构的方法，以用户1为出发点为例，用户1沿箭头可以走到用户3、用户4和用户2，但走到用户3和用户4的时候中间没有经过其他用户，那就可以理解为用户1与用户3和用户4是一层关系，走到用户2需要经过用户3，则用户2是用户1的二层关系，以此类推，可以只对有一层关系的用户将他们相连。

在步骤s330中，基于所述知识图谱对所述多个用户进行分群得到多个用户群。

在步骤s320构建好了用户维度的知识图谱后，可对每个用户依次进行编号，例如，共约500万用户，则编号为1到500万。

对用户编号后，从1到500万选择1万个随机数，即随机选择了1万个用户。以这1万个用户为中心点，找到与他们是一层关系的用户，构成1万个用户群。以图3为例，若用户1被选为中心点，则用户1、用户3、用户4构成一个用户群。

由于中心点是随机选择的，因此可能会造成一些用户没有被规划到用户群，或者被规划到多个用户群。针对第一种情况，可以以落选的用户为中心点，找到与他最近的群加入，若有多个最近的群，则随机选择一个群加入；针对第二种情况，可随机让一个群保留该用户，其余群去除该用户。

经过前述操作，完成了对用户的分群，同时保证了每个用户都有且只有一个对应的群。为每个群随机初始化一个向量，用向量表示对应的群。

在步骤s340中，将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率。

本步骤涉及到如下内容：

(1)商品购买预测模型构建：

例如，可为每一个拼团促销商品随机初始化一个向量。

(2)商品购买预测模型训练正负样本构建：

例如，可对每个用户的正样本定义为：每个用户群内所有用户点击过的拼团促销商品定义为该用户群的正样本，用户群的正样本即为该群内每个用户的正样本；

对每个用户的负样本，可在每个用户群未点击的拼团促销商品中，随机选取一部分作为该用户群的负样本，例如，可将负样本的数量控制在与正样本数量比控制为3：1的比例。

(3)商品购买预测模型构建：

例如，初始化的商品购买预测模型，可设置为结构具有两层隐层神经网络和一个softmax层的神经网络模型。每一层隐层神经网络的激活函数可设置为relu函数，模型的输入是用户的向量(用户的向量即为该用户所在的用户群向量)和拼团促销商品的向量，模型的输出是一个介于0至1之间的值，可以理解为该用户点击该商品的概率，该值越大代表用户越有可能点击该商品，设置阈值为0.5，即当模型输出值大于等于0.5时，可认为该用户会点击该商品，小于0.5时则认为不会点击该商品。

在步骤s350中，对任一用户群，从所述各拼团促销商品中选择概率最高的拼团促销商品，推荐给该用户群的所有用户。

构建并训练好模型后，对用户做预测时，只需输入用户的向量和拼团促销商品的向量输入进模型，选择得分最高的商品推荐给该用户。因为每个用户群内用户的向量是相同的，所以各用户群内的用户看到的推荐商品都是一样的，而且这些商品是他们最感兴趣的。

本实施例利用知识图谱对用户分群，分别向各用户群推荐不同的拼团促销商品，能够实现个性化推荐，能提高拼团促销商品的拼团成功率。

作为上述各图所示方法的实现，本申请提供了一种商品推荐装置的一个实施例,图6示出了本实施例提供的一种商品推荐装置的结构示意图，该装置实施例与图1至图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图6所示，本实施例所述的商品推荐装置包括知识图谱获取单元610、用户分群单元620、概率预测单元630和策略确定与商品推荐单元640。

所述知识图谱获取单元610被配置为，用于根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系。

所述用户分群单元620被配置为，用于基于所述知识图谱对所述多个用户进行分群得到多个用户群。

所述概率预测单元630被配置为，用于将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率。

所述策略确定与商品推荐单元640被配置为，用于根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

于一实施例中，所述知识图谱获取单元610被配置为，还用于：根据用户之间的关联关系、以及用户与商品的交互记录生成第一知识图谱，其中所述第一知识图谱包括多个商品、多个用户、以及所述多个商品与所述多个用户之间的关联关系；根据所述第一知识图谱中用户之间的关系生成所述知识图谱。

于一实施例中，所述用户分群单元620被配置为，还用于：

从所述知识图谱中随机选择第一数量的用户作为中心用户群；

对所述中心用户群中任一中心用户，将该中心用户、以及与该中心用户关联的用户作为一个用户群；

其中，若任一用户不属于任一用户群，将该用户加入所述中心用户群，若任一用户同属于多个用户群，将该用户随机加入任一所属用户群，并将该用户从其他所属的用户群中剔除。

于一实施例中，所述策略确定与商品推荐单元640被配置为，还用于：

对任一用户群，从所述各拼团促销商品中选择概率最高的拼团促销商品，推荐给该用户群的所有用户。

于一实施例中，所述任一用户群向量为该用户群所包含用户的向量的平均向量。

于一实施例中，所述交互记录包括购买记录、收藏记录、点击记录、评价记录、以及退货记录中的一种或多种。

于一实施例中，所述用户之间的关联关系包括邀请关系、以及地域关系中的一种或多种，其中所述地域关系包括籍贯和/或居住地。

图7是本实施例提供的商品购买预测模型的训练模块的结构示意图，如图7所示，所述商品购买预测模型通过样本获取模块710、模型确定模块720和模型训练模块730训练得到：

所述样本获取模块710被配置为，用于获取训练样本集合，其中，训练样本包括用户群向量、商品的向量、以及用于表示该用户群购买该商品的概率的标注。

所述模型确定模块720被配置为，用于确定初始化的商品购买预测模型，其中所述初始化的商品购买预测模型包括用于输出用户群购买商品的概率的目标层。

所述模型训练模块730被配置为，用于利用机器学习的装置，将所述训练样本集合中的训练样本中的用户群向量和商品的向量作为初始化的商品购买预测模型的输入，将与输入的用户群向量和商品的向量对应的标注作为初始化的商品购买预测模型的输出，训练得到所述商品购买预测模型。

进一步地，所述初始化的商品购买预测模型包括输入层、第一隐层、第二隐层、softmax层、以及输出层，所述第一隐层和所述第二隐层采用relu函数作为激活函数。

本实施例提供的商品推荐装置可执行本公开方法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。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，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，本公开实施例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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上述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。在本公开实施例中，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。而在本公开实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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该电子设备执行时，使得该电子设备：

根据用户之间的关联关系、以及用户与商品的交互记录获取知识图谱，所述知识图谱包括多个用户以及所述多个用户之间的关联关系；

基于所述知识图谱对所述多个用户进行分群得到多个用户群；

将任一用户群向量和任一拼团促销商品的向量输入至预先训练的商品购买预测模型，得到该用户群购买该拼团促销商品的概率；

根据各用户群购买各拼团促销商品的概率，确定向所述多个用户群推荐所述多个拼团促销商品的策略，根据所述策略向所述多个用户群推荐所述多个拼团促销商品。

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公开实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、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服务器上执行。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)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。