商品推荐方法、系统、设备及存储介质与流程

本发明涉及数据分析技术领域，尤其涉及一种商品推荐方法、系统、设备及存储介质。

背景技术：

网络购物也叫购物，是电子商务的一种表现形式，是指用户为完成购物或与之有关的任务而在虚拟的购物环境中浏览、搜索相关信息，从而为购买决策提供所需的必要信息，并实践决策和购买的过程。

通常用户在购物浏览或点击商品后，网站后台会自动保存用户的操作痕迹，并根据用户的历史操作痕迹向用户推荐相关联的商品。然而，目前的购物网向用户推荐商品所采用的推荐算法包括传统的推荐算法和一般的推荐算法。

其中，传统的推荐算法系统，通常采用协同过滤算法，但在特定的专业性较高的领域上推荐精度较差，同时也仅仅满足了用户客观上的需求，与用户实际需求的理解上存在一定的偏差。一般的推荐算法虽然结合了相关的词向量相关的文本处理技术，也仅仅是采用了cbow模型和skip-gram模型，虽然考虑了用户点击物品与物品的顺序序列，但未深入理解用户的深度需求，从而导致推荐精度不精确。

可见，目前的购物网向用户推荐商品所采用的推荐算法推荐精度不精确，难以满足用户的实际需求。

技术实现要素：

本申请实施例通过提供一种商品推荐方法、系统、设备及存储介质，旨在解决了目前的购物网向用户推荐商品所采用的推荐算法推荐精度不精确，难以满足用户的实际需求的问题。

本申请实施例提供了一种商品推荐方法，所述商品推荐方法包括：

获取用户浏览或购买商品时产生的最新行为日志数据；

采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量；

采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量；

根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐。

在一实施例中，所述确定用户浏览或购买商品时产生的最新行为日志数据，包括:

获取用户浏览或购买商品时产生的所有历史行为日志数据；

将用户浏览或购买商品的历史时间划分为多个等长的时间窗口；

提取最近的预设数量的时间窗口对应的历史行为日志数据作为所述最新行为日志数据。

在一实施例中，所述采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量，包括：

根据所述最新行为日志数据，提取商品的数据统计特征；

采用所述偏好模型群中的机器模型对所述数据统计特征进行处理，得到所述商品偏好向量。

在一实施例中，所述采用所述偏好模型群中的机器模型对所述数据统计特征进行处理，得到所述商品偏好向量，包括：

根据所述数据统计特征形成用户的行为向量；

分别采用不同类别商品对应的机器模型对所述行为向量进行处理，得到第一概率分布；

分别采用同类别商品中不同品牌商品对应的机器模型对所述行为向量进行处理，得到第二概率分布；

对所述第一概率分布和所述第二概率分布进行拼接，生成所述商品偏好向量。

在一实施例中，所述采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量，包括

将所述最新行为日志数据构成三元组信息；其中，所述三元组信息包括：第一商品、第二商品和第一商品与第二商品之间的行为关系；

采用所述实体关系模型对所述三元组信息进行计算，得到所述商品向量。

在一实施例中，所述实体关系模型由词向量模型和翻译模型组成。

在一实施例中，所述根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐，包括：

对所述商品偏好向量和所述商品向量进行拼接，生成拼接向量；

采用逻辑回归模型对所述拼接向量进行处理，输出所述商品的推荐概率；

若所述推荐概率大于推荐概率阈值，则推荐所述商品。

此外，为实现上述目的，本发明还提供了一种商品推荐系统，包括：

数据采集模块，用于获取用户浏览或购买商品时产生的最新行为日志数据；

第一处理模块，用于采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量；

第二处理模块，用于采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量；

商品推荐模块，用于根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐。

此外，为实现上述目的，本发明还提供了一种商品推荐方法设备包括：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商品推荐程序，所述商品推荐程序被所述处理器执行时实现上述的商品推荐方法的步骤。

此外，为实现上述目的，本发明还提供了一种存储介质，其上存储有商品推荐程序，所述商品推荐程序被处理器执行时实现上述的商品推荐方法的步骤。

本申请实施例中提供的一种商品推荐方法、系统、设备及存储介质的技术方案，至少具有如下技术效果或优点：

由于采用了获取用户浏览或购买商品时产生的最新行为日志数据，采用预设的偏好模型群对最新行为日志数据处理，生成用户的商品偏好向量，采用预设的实体关系模型对最新行为日志数据处理，生成商品向量，根据商品偏好向量和商品向量，计算商品的推荐概率，以及根据推荐概率进行商品推荐的技术方案，解决了目前的购物网向用户推荐商品所采用的推荐算法推荐精度不精确，难以满足用户的实际需求的问题，使得购物网的推荐系统向用户推荐商品的时效性更强，提高了商品推荐的精准性，以及可以综合用户浏览、购买物品的行为数据，从而评估商品与商品之间的关系。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的结构示意图；

图2为本发明商品推荐方法第一实施例的流程示意图；

图3为本发明商品推荐方法第二实施例的流程示意图；

图4为本发明商品推荐方法第三实施例的流程示意图；

图5为本发明商品推荐方法第四实施例的流程示意图；

图6为本发明商品推荐方法第五实施例的流程示意图；

图7为本发明商品推荐方法第六实施例的流程示意图；

图8为本发明商品推荐系统的功能模块图。

具体实施方式

为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明提供一种商品推荐设备。如图1所示，图1为本发明实施例方案涉及的硬件运行环境的结构示意图。

需要说明的是，图1即可为商品推荐设备的硬件运行环境的结构示意图。

如图1所示，该商品推荐设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，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。

可选地，商品推荐设备还可以包括rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。

本领域技术人员可以理解，图1中示出的商品推荐设备结构并不构成对商品推荐设备限定，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、用户接口模块以及商品推荐程序。其中，操作系统是管理和控制商品推荐设备硬件和软件资源的程序，商品推荐程序以及其它软件或程序的运行。

在图1所示的商品推荐设备中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的商品推荐程序。

在本实施例中，商品推荐设备包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的商品推荐程序，其中：

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

获取用户浏览或购买商品时产生的最新行为日志数据；

采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量；

采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量；

根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐。

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

获取用户浏览或购买商品时产生的所有历史行为日志数据；

将用户浏览或购买商品的历史时间划分为多个等长的时间窗口；

提取最近的预设数量的时间窗口对应的历史行为日志数据作为所述最新行为日志数据。

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

根据所述最新行为日志数据，提取商品的数据统计特征；

采用所述偏好模型群中的机器模型对所述数据统计特征进行处理，得到所述商品偏好向量。

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

根据所述数据统计特征形成用户的行为向量；

分别采用不同类别商品对应的机器模型对所述行为向量进行处理，得到第一概率分布；

分别采用同类别商品中不同品牌商品对应的机器模型对所述行为向量进行处理，得到第二概率分布；

对所述第一概率分布和所述第二概率分布进行拼接，生成所述商品偏好向量。

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

将所述最新行为日志数据构成三元组信息；其中，所述三元组信息包括：第一商品、第二商品和第一商品与第二商品之间的行为关系；

采用所述实体关系模型对所述三元组信息进行计算，得到所述商品向量。

其中，所述实体关系模型由词向量模型和翻译模型组成。

处理器1001调用存储器1005中存储的商品推荐程序时，执行以下操作：

对所述商品偏好向量和所述商品向量进行拼接，生成拼接向量；

采用逻辑回归模型对所述拼接向量进行处理，输出所述商品的推荐概率；

若所述推荐概率大于推荐概率阈值，则推荐所述商品。

本发明实施例提供了商品推荐方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图2所示，在本申请的第一实施例中，本申请的商品推荐方法，包括以下步骤：

步骤s210：获取用户浏览或购买商品时产生的最新行为日志数据。

在本实施例中，推荐系统获取用户浏览或购买商品时产生的最新行为日志数据。推荐系统应用的对象是交易平台，例如淘宝、京东、唯品会等。行为日志数据指的是用户在网上购买或浏览商品时，推荐系统记录的用户购买或浏览商品时的行为数据，包括用户点击商品数据、收藏商品数据、商品订单数据、购买商品数据等。例如，2020年6月30日14点22分，某用户通过淘宝网购买了店铺1展示的小米手机，在购买之前点击过店铺2展示的华为手机，收藏了店铺3中展示的vivo手机，这些数据均属于行为日志数据。最新行为日志数据是指距离当前时间最近的时间或一段时间用户在网上购买或浏览商品时，推荐系统记录的用户购买或浏览商品时的行为数据。例如，当前2020年7月8日10点22分25秒，在当前2020年7月8日10点22分10秒时，某用户点击了店铺4展示的运动手环。该“2020年7月8日10点22分10秒时，某用户点击了店铺4展示的运动手环”即可视为最新行为日志数据。

步骤s220：采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量。

在本实施例中，偏好模型群为预先构建的，其用于对获得的行为日志数据进行处理，以得到用户的商品偏好向量。具体的，推荐系统获取用户浏览或购买商品时产生的最新行为日志数据后，将最新行为日志数据作为输入数据，输入到偏好模型群中，偏好模型群根据最新行为日志数据获取用户的商品偏好和用户对商品的偏好程度，从而得到商品偏好向量。

步骤s230：采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量。

在本实施例中，实体关系模型为预先构建的，其用于对获得的行为日志数据进行处理，以得到交易平台的商品库中的商品向量。其中，交易平台的商品库中存储由各种各样的商品，每件商品都设置有自己的商品向量，为了便于理解，可以将商品向量理解为商品的标号。每有一件新的商品存入商品库，推荐系统自动生成一个商品向量，该商品就会获得属于自己的商品向量。具体的，推荐系统获取用户浏览或购买商品时产生的最新行为日志数据后，将最新行为日志数据作为输入数据，输入到实体关系模型中，实体关系模型从最新行为日志数据得到用户浏览或购买的商品信息，将得到的商品信息与商品库中的商品信息进行比对，得到两个相同的商品信息，进而可获得商品向量。

步骤s240：根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐。

在本实施例中，推荐系统根据商品偏好向量和商品向量可以确定出用户浏览或购买商品时每件商品的商品向量以及用户的商品偏好向量。通过商品偏好向量可以预测出每件商品的推荐概率，通过商品向量可以预测出被推荐的商品，根据每件商品的推荐概率可以将对应商品的进行推荐。

本实施例根据上述技术方案，由于采用了获取用户浏览或购买商品时产生的最新行为日志数据，采用预设的偏好模型群对最新行为日志数据处理，生成用户的商品偏好向量，采用预设的实体关系模型对最新行为日志数据处理，生成商品向量，根据商品偏好向量和商品向量，计算商品的推荐概率，以及根据推荐概率进行商品推荐的技术手段，使得购物网的推荐系统向用户推荐商品的时效性更强，提高了商品推荐的精准性，以及可以综合用户浏览、购买物品的行为数据，从而评估商品与商品之间的关系。

如图3所示，在本申请的第二实施例中，本申请的商品推荐方法，步骤s210具体包括以下步骤：

步骤s211：获取用户浏览或购买商品时产生的所有历史行为日志数据。

在本实施例中，推荐系统获取最新行为日志数据之前，需要获取用户浏览或购买商品时产生的所有历史行为日志数据。其中，用户在交易平台上用户浏览或购买商品时，推荐系统采用埋点的方式实时采集用户浏览或购买商品时产生的行为日志数据，采集的行为日志数据被存储后就成为了历史行为日志数据。

步骤s212：将用户浏览或购买商品的历史时间划分为多个等长的时间窗口。

在本实施例中，用户在交易平台上用户浏览或购买商品时，每一时间都对应存有用户的行为日志数据，被推荐系统存储后的行为日志数据对应的时间即为历史时间。具体的，推荐系统获取最新行为日志数据之前，需要将用户浏览或购买商品的历史时间划分为多个时间窗口，每一个时间窗口都是等长的，以通过选取每个时间窗口从而选择对应的历史行为日志数据。

步骤s213：提取最近的预设数量的时间窗口对应的历史行为日志数据作为所述最新行为日志数据。

在本实施例中，推荐系统将用户浏览或购买商品的历史时间划分为多个等长的时间窗口后，根据用户浏览或购买商品时的时间先后顺序，对所有时间窗口进行排序，然后提取预设数量个接近当前时间的时间窗口对应的历史行为日志数据作为最新行为日志数据。假设，现在是2020年6月10日，某用户在2020年6月5-10日，即5天时间，均在交易平台上浏览或购买过商品，推荐系统按照小时将这五天时间划分为20个时间窗口，每个时间窗口的长度为6小时，即6月5-10日每一天中的时间窗口分别是：1时-6时，7时-12时，13时-18时，17时-24时。其中，6月9日距离6月10日最近，可将6月9日这天中的四个时间窗口对应的历史行为日志数据作为最新行为日志数据。

本实施例根据上述技术方案，由于采用了获取用户浏览或购买商品时产生的所有历史行为日志数据，将用户浏览或购买商品的历史时间划分为多个等长的时间窗口，提取最近的预设数量的时间窗口对应的历史行为日志数据作为最新行为日志数据的技术手段，可以得到用户最近时间所偏好的商品，使得获取的最新行为日志数据更加准确。

如图4所示，在本申请的第三实施例中，本申请的商品推荐方法，步骤s220具体包括以下步骤：

步骤s221：根据所述最新行为日志数据，提取商品的数据统计特征。

在本实施例中，推荐系统获取最新行为日志数据后，对最新行为日志数据进行处理，得到商品的数据统计特征。数据统计特征是指用户浏览或购买商品时，商品被用户在不同时间点击的点击次数。

步骤s222：采用所述偏好模型群中的机器模型对所述数据统计特征进行处理，得到所述商品偏好向量。

在本实施例中，偏好模型群包括多个机器学习模型，如逻辑回归模型(lr模型)、支持向量机网络(svm模型)等，其中，每种类别的商品对应一个机器学习模型，同类别商品中不同品牌的商品对应一个机器学习模型。不同类别的商品对应的数据统计特征输入到对应的机器学习模型中，可输出该类别商品对应的商品偏好向量，同类别商品中不同品牌的商品对应的机器学习模型，可输出该类别商品中不同品牌的商品对应的商品偏好向量。

本实施例根据上述技术方案，由于采用了根据最新行为日志数据，提取商品的数据统计特征，采用偏好模型群中的机器模型对数据统计特征进行处理，得到商品偏好向量的技术手段，可以合理规范得到不同类别商品的对应的商品偏好向量，避免数据出现混淆。

如图5所示，在本申请的第四实施例中，本申请的商品推荐方法，步骤s222具体包括以下步骤：

步骤s2221：根据所述数据统计特征形成用户的行为向量。

在本实施例中，每个时间窗口对应存在有不同的数据统计特征，即商品被用户点击的点击次数。推荐系统将预设数量的时间窗口对应的同类别商品的点击次数处理后，得到用户的行为向量。例如，6月9日这天中的四个时间窗口下用户点击了a类商品和b类商品，根据时间的先后，a类商品被用户点击的点击次数分别为4、2、3、3，b类商品被用户点击的点击次数分别为1、2、1、3。推荐系统对a类商品被用户点击的点击次数和b类商品被用户点击的点击次数进行拼接处理后，得到用户在6月9日这天用户的行为向量，即[4，2，3，3，1，2，1，3]。

步骤s2222：分别采用不同类别商品对应的机器模型对所述行为向量进行处理，得到第一概率分布。

在本实施例中，推荐系统将得到的行为向量输入到不同类别商品对应的机器模型中，经过处理，输出用户对各类别商品的偏好概率，根据各类别商品的偏好概率可得到第一概率分布。例如，假设a类商品为衣服，b类商品为电子设备，将6月9日这天用户的行为向量[4，2，3，3，1，2，1，3]分别输入到衣服的逻辑回归模型中和电子设备的逻辑回归模型中，衣服的逻辑回归模型输出的衣服偏好概率为20％，电子设备的逻辑回归模型输出的电子设备偏好概率为70％，可以确定用户对电子设备感兴趣，得到的商品类别的偏好向量为[0.2，0.7]，将商品类别的偏好向量作为第一概率分布。

步骤s2223：分别采用同类别商品中不同品牌商品对应的机器模型对所述行为向量进行处理，得到第二概率分布。

在本实施例中，推荐系统将得到的行为向量输入到同类别商品中不同品牌商品对应的机器模型中，经过处理，输出用户对同类别商品中不同品牌的偏好概率，根据同类别商品中不同品牌的偏好概率可得到第二概率分布。继续以步骤s2222中的例子进行说明，a类商品的品牌包括优衣库和七匹狼，b类商品的品牌包括苹果手机和小米手机。推荐系统将行为向量[4，2，3，3，1，2，1，3]分别输入到优衣库的逻辑回归模型，七匹狼的逻辑回归模型，苹果手机的逻辑回归模型和小米手机的逻辑回归模型，然后每个逻辑回归模型输出的结果为：用户对优衣库的偏好概率为50％，用户对七匹狼品牌的偏好概率为40％，用户对苹果手机品牌的偏好概率为80％，用户对小米手机品牌的偏好概率为20％，可以确定a类商品中，用户对优衣库感兴趣，得到衣服品牌的偏好向量为[0.5，0.4]；b类商品中，用户对苹果手机品牌感兴趣，得到电子设备品牌的偏好向量为[0.8，0.2]，这里将衣服品牌的偏好向量和电子设备品牌的偏好向量分别作为第二分布概率。

步骤s2224：对所述第一概率分布和所述第二概率分布进行拼接，生成所述商品偏好向量。

在本实施例中，推荐系统对获得的第一概率分布和第二概率分布进行拼接，可得到商品偏好向量。继续以步骤s2223中的例子进行说明，推荐系统对商品类别的偏好向量、衣服品牌的偏好向量和电子设备品牌的偏好向量进行拼接，得到商品偏好向量，即为[0.2，0.7，0.5，0.4，0.8，0.2]。

本实施例根据上述技术方案，由于采用了根据数据统计特征形成用户的行为向量，分别采用不同类别商品对应的机器模型对行为向量进行处理，得到第一概率分布，分别采用同类别商品中不同品牌商品对应的机器模型对行为向量进行处理，得到第二概率分布，对第一概率分布和第二概率分布进行拼接，生成商品偏好向量的技术手段，既可以预测用户对不同类别商品的偏好程度，还可预测用户对同类别商品中不同品牌的商品的偏好程度。

如图6所示，在本申请的第五实施例中，本申请的商品推荐方法，步骤s230具体包括以下步骤：

步骤s231：将所述最新行为日志数据构成三元组信息。

在本实施例中，所述三元组信息包括：第一商品、第二商品和第一商品与第二商品之间的行为关系。三元组信息表示为(h，r，t)，h为第一商品，r为第一商品与第二商品之间的行为关系，t为第二商品。

具体的，第一商品与第二商品之间的行为关系包括：浏览后浏览、浏览后购买、购买后浏览、购买后购买。推荐系统对获取的最新行为日志数据整理后，构成三元组信息包括：

(第一商品，浏览后购买，第二商品)，即浏览第一商品后购买第二商品；

(第一商品，购买后购买，第二商品)，即购买第一商品后浏览第二商品；

(第一商品，浏览后浏览，第二商品)，即浏览第一商品后浏览第二商品；

(第一商品，购买后浏览，第二商品)，即购买第一商品后浏览第二商品；

其中，第一商品和第二商品可以为相同的商品，也可以为不相同的商品。

步骤s232：采用所述实体关系模型对所述三元组信息进行计算，得到所述商品向量。

在本实施例中，采用实体关系模型对三元组信息进行计算，得到所述商品向量。所述实体关系模型由词向量模型(word2vec模型)和翻译模型(transe模型)组成，即通过word2vec模型+transe模型可得到实体关系模型。通过word2vec模型+transe模型可得到目标函数，具体如下：

其中，式(1)的左边是基于cbow模型(continuousbag-of-wordmodel)的所述word2vec模型，右边是关系词向量模型，γ是平衡两个模型贡献比率的参数，|c|是整个语料库的大小，p(wi|context(wi)是利用用户浏览wi前后的商品，推出商品wi的概率，p(t|wi+r)是利用用户接触商品wi后，触发了(如浏览后浏览)第一商品与第二商品之间的行为关系r，推荐出第二商品t的概率。

通过式(1)得到，关系词向量模型的商品wi和第一商品与第二商品之间的行为关系r梯度更新如下：

假设，式(2)和式(3)得到第一商品的商品向量、第二商品的商品向量和第一商品与第二商品之间的行为关系向量如下：

第一商品的商品向量表示结果为[0.1,0.2,0.1,0.1,0.15,…]，共计300维度；

第二商品的商品向量表示结果为[0.2,0.1,0.1,0.01,0.5,…]，共计300维度；

第一商品与第二商品之间的行为关系如浏览后浏览，这个关系向量为[0.1,-0.1,0,-0.09,-0.1,…]，共计300维度。

此处存在，第一商品的商品向量+浏览后浏览关系向量＝第二商品的商品向量，通过此关系式的向量关系，可以预测出用户在浏览第一商品之后，会浏览第二商品。例如，用户1浏览完手机后，能回浏览手机壳；用户2浏览完衣服后，后浏览裤子，等等。

所以，上述第一商品的商品向量表示结果和第二商品的商品向量表示结果，即为通过实体关系模型对三元组信息进行计算，得到的商品向量。

本实施例根据上述技术方案，由于采用了将所述最新行为日志数据构成三元组信息，采用所述实体关系模型对所述三元组信息进行计算，得到所述商品向量的技术手段，可以进一步提高商品向量的表达能力。

如图7所示，在本申请的第六实施例中，本申请的商品推荐方法，步骤s240具体包括以下步骤：

步骤s241：对所述商品偏好向量和所述商品向量进行拼接，生成拼接向量。

在本实施例中，推荐系统对得到用户的商品偏好向量和所述商品向量进行拼接，得到拼接向量。例如，得到的商品偏好向量为[0.2，0.7，0.5，0.4，0.8，0.2]，商品向量为[0.1,0.2,0.1,0.1,0.15,…]，将商品偏好向量和商品向量拼接后，得到的拼接向量为[0.2,0.7,0.5,0.4,0.8,0.2,0.1,0.2,0.1,0.1,0.15,…]。

步骤s242：采用逻辑回归模型对所述拼接向量进行处理，输出所述商品的推荐概率。

在本实施例中，推荐系统将得到的拼接向量输入到逻辑回归模型中，通过逻辑回归模型处理，输出商品的推荐概率。具体的，假设步骤s241中的商品偏好向量包括用户分别对衣服类别商品和电子设备类别商品的偏好概率、对衣服类别商品中优衣库商品和七匹狼商品的偏好概率，以及对电子设备类别商品中苹果手机和小米手机商品的偏好概率。得到的商品向量所对应的商品属于衣服类别商品和电子设备类别商品之一，逻辑回归模型从拼接向量中获取商品向量部分的数据，根据该商品向量部分数据从商品库中确定该商品向量对应的具体商品，例如从商品库中确定出的是苹果手机，则可以通过苹果手机确定出用户在电子设备类别商品中对苹果手机的偏好概率。其中，用户对电子设备类别商品的偏好概率为0.7，对衣服类别商品的偏好概率为0.2，对优衣库商品的偏好概率为0.5，对七匹狼商品的偏好概率为0.8，对苹果手机的偏好概率为0.8，对小米手机的偏好概率为0.2，可见用户偏好电子设备类别商品中的苹果手机，进而输出的商品的推荐概率为0.8，所述商品为苹果手机。

步骤s243：若所述推荐概率大于推荐概率阈值，则推荐所述商品。

在本实施例中，推荐系统将逻辑回归模型输出的商品的推荐概率于预设的的推荐概率阈值进行比较，如果输出的商品的推荐概率大于推荐概率阈值，则将对应的商品推荐给用户，否则不进行推荐。

本实施例根据上述技术方案，由于采用了对商品偏好向量和商品向量进行拼接，生成拼接向量，采用逻辑回归模型对拼接向量进行处理，输出商品的推荐概率，若推荐概率大于推荐概率阈值，则推荐商品的技术手段，提高了商品推荐的精准性，有利于满足用户的实际购物需求，从而推动商品的销量。

如图8所示，本申请还提供了一种商品推荐系统，包括：

数据采集模块310，用于获取用户浏览或购买商品时产生的最新行为日志数据；

第一处理模块320，用于采用预设的偏好模型群对所述最新行为日志数据处理，生成用户的商品偏好向量；

第二处理模块330，用于采用预设的实体关系模型对所述最新行为日志数据处理，生成商品向量；

商品推荐模块340，用于根据所述商品偏好向量和所述商品向量，计算商品的推荐概率，以及根据所述推荐概率进行商品推荐。

进一步的，所述数据采集模块310，包括:

第一获取单元，用于获取用户浏览或购买商品时产生的所有历史行为日志数据；

时间划分单元，用于将用户浏览或购买商品的历史时间划分为多个等长的时间窗口；

第二获取单元，用于提取最近的预设数量的时间窗口对应的历史行为日志数据作为所述最新行为日志数据。

进一步的，所述第一处理模块320，包括：

特征提取单元，用于根据所述最新行为日志数据，提取商品的数据统计特征；

第一模型处理单元，用于采用所述偏好模型群中的机器模型对所述数据统计特征进行处理，得到所述商品偏好向量。

进一步的，所述模型处理单元，包括:

向量形成子单元，用于根据所述数据统计特征形成用户的行为向量；

第一模型子单元，用于分别采用不同类别商品对应的机器模型对所述行为向量进行处理，得到第一概率分布；

第二模型子单元，用于分别采用同类别商品中不同品牌商品对应的机器模型对所述行为向量进行处理，得到第二概率分布；

数据整合子单元，用于对所述第一概率分布和所述第二概率分布进行拼接，生成所述商品偏好向量。

进一步的，所述第二处理模块330，包括：

数据构成单元，用于将所述最新行为日志数据构成三元组信息；其中，所述三元组信息包括：第一商品、第二商品和第一商品与第二商品之间的行为关系；

数据计算单元，用于采用所述实体关系模型对所述三元组信息进行计算，得到所述商品向量。

进一步的，所述实体关系模型由词向量模型和翻译模型组成。

进一步的，所述商品推荐模块340，包括:

数据拼接单元，用于对所述商品偏好向量和所述商品向量进行拼接，生成拼接向量；

第二模型处理单元，用于采用逻辑回归模型对所述拼接向量进行处理，输出所述商品的推荐概率；

数据比较单元，用于若所述推荐概率大于推荐概率阈值，则推荐所述商品。

本发明商品推荐系统具体实施方式与上述商品推荐方法各实施例基本相同，在此不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。