产品推送方法、装置、电子设备和存储介质与流程

1.本公开涉及数据处理技术领域，尤其涉及人工智能和大数据领域。具体提供了一种产品推送方法、装置、电子设备和存储介质。


背景技术：

2.协同过滤(collaborative filtering，简称cf)常用于根据用户的行为关系分析事物之间的相似性，根据事物之间的相似性推荐产品，并且能够实现千人千面的个性化推荐，因此有着广泛的应用。
3.但传统的协同过滤应用在产品推荐系统时，由于产品推荐系统中存在大量只有少量行为的用户和只有少量关注的产品，并且用户兴趣变化快，传统的协同过滤在用户行为较少的情况下，存在准确率较低的技术问题。


技术实现要素：

4.本公开提供了一种用于产品推送的方法、装置、电子设备和存储介质。
5.根据本公开的第一方面，提供了一种产品推送方法，包括：获取目标用户的用户特征和目标历史行为数据；基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征，其中，节点特征集合通过按照预设遍历路径对历史行为图进行遍历生成，历史行为图用于表征历史行为数据中不同用户和数据之间的关联关系；对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品；向目标用户推送多个匹配产品。
6.根据本公开的第二方面，提供了一种产品推送装置，包括：获取模块，用于获取目标用户的用户特征和目标历史行为数据；生成模块，用于基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征，其中，节点特征集合通过按照预设遍历路径对历史行为图进行遍历生成，历史行为图用于表征历史行为数据中不同用户和数据之间的关联关系；第一处理模块，用于对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品；推送模块，用于向目标用户推送多个匹配产品。
7.根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中任一项产品推送方法。
8.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据第一方面中中任一项产品推送方法。
9.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据第一方面中任一项产品推送方法。
10.在本公开上述实施例可以提高产品推送准确率。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特
征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是现有技术中多路召回和排序过程的示意图；
14.图2是根据本公开实施例的一种产品推送方法的流程示意图；
15.图3是根据本公开实施例的一种产品推送方法中数据库的示意图；
16.图4是根据本公开一个可选实施例中一种产品推送方法示意图；
17.图5是根据本公开实施例的一种产品推送装置的结构示意图；
18.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
20.首先，对本公开实施例中的如下技术名词或技术术语进行解释说明：
21.图嵌入(graph embedding)：是一种将图数据映射为低纬度稠密向量的过程，
22.metapath2vec：是一种面向异构的图网络的顶点嵌入方法，通过指定的metapath在图中的节点进行随机游走，采样出对应的顶点游走序列；在得到顶点序列之后，用skip-gram模型来得到顶点的向量。metapath2vec能够捕捉图中不同类型节点之间深层次的结构和交互关系，同时通过游走，可以扩充样本序列长度，使训练更充分。
23.faiss库：是针对聚类和相似性的开源搜索库。
24.在现有的产品推荐系统中，推荐过程通常包括多路召回和排序过程，如图1所示，多路召回通过不同的召回方式来捕捉用户的兴趣，从海量产品库中召回用户可能感兴趣的千级别数量产品，之后将多路通道召回的产品序列融合成一个序列输入排序模型。点击率(click through rate，简称ctr)排序模型如推荐系统的广度和深度学习(wide&deep learning for recommender systems,简称wdl)，深度分解机(deep factorization machines，deepfm)等，是比较复杂的模型，参数多，计算量大，排序后，根据场景的不同展现几个或者十几个产品给用户。但在上述产品推荐系统中，根据单一的用户和产品之间的关系去推荐，不能充分刻画用户多种行为偏好和差异性，因此，存在推送不准确的技术问题。
25.图2是根据本发明实施例的一种产品推送方法的流程图，如图2所示，该方法包括：
26.步骤s202，获取目标用户的用户特征和目标历史行为数据。
27.具体地，目标用户是使用本公开产品推送方法的产品推荐系统中的用户，用户在使用产品推荐系统的过程中，会产生历史行为数据，例如：搜索产品，会产生搜索点击行为对应的第一数据。目标用户的用户特征可以是根据目标用户个人信息所得到的特征。上述目标历史行为数据是目标用户在一定时间段内搜索、点击、浏览产品所产生的行为数据，大量历史行为数据能够反映目标用户在一段时间内的兴趣。可选的，历史行为数据包括如下至少之一：搜索点击行为对应的第一数据、推送点击行为对应的第二数据和浏览点击行为
对应的第三数据。
28.步骤s204，基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征，其中，节点特征集合通过按照预设遍历路径对历史行为图进行遍历生成，历史行为图用于表征历史行为数据中不同用户和数据之间的关联关系。
29.可选地，历史行为图包括：用户节点、产品节点、搜索条件节点和店铺节点，以及不同节点之间的边。
30.具体地，为了充分挖掘用户的不同行为偏好和差异性，本公开可以基于目标历史行为数据，构建历史行为图g(n,e)，g表示无向图，n表示图中的节点集合，e表示边集合，节点集合包括但不限于用户节点、商品节点、搜索条件节点和店铺节点。该产品搜索节点可以表征用户在产品推荐系统搜索产品时输入的检索关键词和筛选词。上述预设遍历路径可以是指定节点的游走路径，可以根据用户行为方式确定，例如，可以是如下六种路径：uqiqu,、uiu,、usisu,、iquqi,、iui,和isusi，其中，u表示用户节点，s表示店铺节点，q表示搜索条件节点，i表示产品节点；uqiqu游走模式表示两个用户通过一定的搜索条件进行搜索之后，点击了相同的产品；uiu表示两个用户通过被推荐的方式，点击了相同产品；usisu表示两个用户通过店铺浏览的方式，点击了相同的产品；iquqi表示两个产品被同一个用户的两次通过设置搜索条件进行搜索的方式点击；iui，表示两个产品被同一个用户点击，并且上述两个产品以被推荐的方式呈现给用户；isusi表示两个产品被同一个用户的店铺浏览行为点击。上述目标行为特征可以表征目标用户的兴趣。
31.在一种可选的实施例中，可以预先针对产品推荐系统中的所有用户，获取历史行为数据，并构建历史行为图，然后按照预设遍历路径对历史行为图进行遍历，得到相应的节点序列，进而生成每个节点的m维向量，也即，得到上述的节点特征集合，节点特征集合可以存储在键值(key-value，kv)数据库中。当需要对目标用户进行产品推荐时，可以直接根据该目标用户的目标历史行为数据，从节点特征集合中筛选出符合该目标用户的节点特征，进而生成目标行为特征，通过该目标行为特征可以刻画用户的兴趣。
32.在一个可选实施例中，如图3所示，基于历史行为数据生成节点向量，并将全部的节点向量存储在键值数据库中，将产品向量放入产品向量索引库中，用户向量放入用户向量索引库中，上述索引库可以是faiss库。
33.步骤s206，对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品。
34.具体地，可以利用多路协同过滤算法分别对用户特征和目标行为特征进行召回处理，确定与目标用户匹配的匹配产品，该匹配产品用于推送给目标客户。此处的多路协同过滤算法的具体实现方案与相关技术相似，在此不做赘述。
35.步骤s208，向目标用户推送多个匹配产品。
36.具体地，上述推送的形式包括：在用户搜索以一定的条件检索时，将匹配产品推送给客户；将多个匹配产品直接推送至客户首页。
37.需要说明的是，在通过召回处理得到多个匹配产品之后，由于多个匹配产品的数量较大，可以进一步使用排序模型进行排序，并将排序后的部分商品作为最终推送给目标用户的商品。
38.在本公开上述实施例中，通过获取目标用户的用户特征和目标历史行为数据；基
于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征；对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品；向目标用户推送多个匹配产品，达到产品推荐的目的。容易注意到的是，本公开基于历史行为数据，生成表征不同用户和数据之间关联关系的历史行为图，进一步按照预设遍历路径对历史行为图进行遍历生成节点特征集合，使得目标行为特征并不只考虑了单一用户和产品之间的关系，而是结合了不同用户和数据之间的关系，从而达到了提高产品推送准确率的技术效果，进而解决了现有技术中推送准确率低的技术问题。
39.可选地，该方法还包括：基于历史行为数据，构建历史行为图；对历史行为图进行遍历，得到多个节点序列；利用词嵌入模型对节点序列进行处理，生成目标行为特征。
40.具体地，利用基于metapath2vec算法的图嵌入模型基于历史行为数据构建历史行为图。然后，按照预设游走路径并通过随机游走(random walks)的方式遍历历史行为图，得到多个节点序列，词嵌入模型可以是skip-gram模型，利用skip-gram模型对节点序列进行处理，生成每个节点的m维向量，将节点序列中的每个节点向量作为一个词向量，然后对词向量进行加权计算，得到目标行为特征。
41.在一个可选实施例中，在得到节点序列后，使用skip-gram模型无监督训练节点序列所对应的词向量，其中窗口大小设置为w，即中心节点上下文距离在w及w以下的节点被选为正样本。为了提高训练速度，我们采用了基于节点频率的负采样方式。节点i每次被负采样的概率pi，其计算公式如下所示：
[0042][0043]
其中，n表示所有节点个数，f(i)表示节点i在序列中出现的频数。通过训练之后，可以得到每个节点x的m维向量vx。
[0044]
在上述可选实施例中，先通过图嵌入模型将较为稀疏的向量变为稠密向量，再利用词嵌入模型将基于节点向量从高维空间嵌入至低维空间中，由于利用基于metapath2vec算法的图嵌入模型够捕捉图中不同类型节点之间深层次的结构和交互关系，进而达到了提高产品推送准确率的技术效果。
[0045]
可选地，历史行为数据包括如下至少之一：搜索点击行为对应的第一数据、推送点击行为对应的第二数据和浏览点击行为对应的第三数据，基于历史行为数据，构建历史行为图包括：对第一数据进行处理，建立第一数据对应的第一对象节点用户节点、搜索条件节点和第一产品节点，并生成第一对象节点用户节点和搜索序列节点之间的第一边，搜索序列节点和第一产品节点之间的第二边；对第二数据进行处理，建立第二数据对应的第二对象节点用户节点和第二产品节点，并生成第二对象节点用户节点和第二产品节点之间的第三边；对第三数据进行处理，建立第三数据对应的第三对象节点用户节点、店铺节点和第三产品节点，并生成第三对象节点用户节点和店铺节点之间的第四边，店铺节点和第三产品节点之间的第五边，得到历史行为图。
[0046]
具体地，搜索点击行为对应的第一数据包括：目标用户在产品推送系统中通过一定的搜索条件搜索产品，并点击所搜索到的产品所产生的数据，第一用户节点表征进行搜索的目标用户，搜索条件节点表征目标用户在搜搜索时所设置的搜索的条件，包括目标用户搜索时所采用的搜索文本和筛选条件，第一产品节点表征目标用户在搜索后点击所搜索
到的产品，然后，生成并生成第一用户节点和搜索序列节点之间的第一边，搜索序列节点和第一产品节点之间的第二边，例如：搜索点击行为对应的第一数据包括：用户u，搜索条件query q,点击了商品i，则在图中连两条边，u
u-qq，q
q-ii。
[0047]
推送点击行为对应的第二数据包括：目标用户点击产品推送系统所向该目标用户推送产品所产生的数据，第二用户节点可以表征点击推送产品的目标用户，第二产品节点可以表征被接受推送的目标用户所点击的产品，然后，生成第二用户节点和第二产品节点之间的第三边，例如：推荐点击行为包括：用户u点击了商品i，在图中连一条边u
u-ii。
[0048]
第三数据包括目标用户产品推荐系统中浏览某个店铺中的产品并点击该店铺的产品所产生的数据，店铺节点可以表征该用户所浏览的店铺，第三用户节点可以表征浏览该店铺内商品的目标用户，然后，生成第三用户节点和店铺节点之间的第四边，店铺节点和第三产品节点之间的第五边。例如：浏览点击行为对应的第三数据包括：用户u浏览店铺s，点击了商品i，在图中连两条边，u
u-ss，s
s-ii。
[0049]
需要说明的是，由于每个目标用户都可以进行搜索、推送点击和浏览店铺内商品等行为，因此，第一用户节点、第二用户节点和第三用户节点可以是同一用户所产生的节点，也可以不同用户所产生的节点，同理，同一产品可以通过不同的形式被目标用户所浏览并被点击，故而，第一产品节点、第二产品节点和第三产品节点可以是同一产品，也可以是不同产品。
[0050]
在上述可选实施例中，结合多种节点以及基于节点间关系所生成的边，从而达到了提高产品推送准确率的技术效果。
[0051]
可选地，对对象节点用户节点第一数据进行处理包括：对对象节点用户节点第一数据进行解析，得到对象节点用户节点搜索点击行为对应的搜索文本和筛选数据；对对象节点用户节点搜索文本进行预处理，得到处理后的文本；将对象节点用户节点筛选数据和对象节点用户节点处理后的文本进行拼接，得到拼接文本；对对象节点用户节点拼接文本进行识别，得到对象节点用户节点拼接文本的目标词集合，其中，对象节点用户节点目标词集合用于确定对象节点用户节点搜索条件节点。
[0052]
具体地，在产品推荐系统中，目标用户可以根据自己需求设置相应的搜索文本，即在产品推荐系统中搜索时所采用的文本，并在搜索时选择相应的筛选条件，上述筛选数据包括该筛选条件，但用户所设置的搜索文本中并不是所有的文本都具有意义，因此，需要对搜索文本进行预处理，预处理包括：去除停用词，得到拼接文本，对该拼接文本进行识别，得到目标词集合。其中，识别包括确认核心词和修饰词，核心词是用于描述产品主题的词，其他词作为修饰词，并且不同用户的节点的目标词集合若相同，则对应同一搜索条件节点。
[0053]
在一个可选实施例中，用户a所设置的搜索文本为“黑色的运动鞋”，停用词为“的”，预处理后的文本为“黑色运动鞋”，筛选数据为“低帮”，则最终得到的拼接文本为“黑色运动鞋低帮”；用户b所设置的搜索文本为“低帮的运动鞋”，停用词为“的”，预处理后的文本为“低帮运动鞋”，筛选数据为“黑色”，则最终得到的拼接文本为“低帮运动鞋黑色”，对上述两个拼接文本进行识别，得到目标词集合{“低帮”，“运动鞋”，“黑色”}，因此，用户a所对应的用户节点和用户b所对应的用户节点对应同一搜索条件节点。
[0054]
在上述可选实施例中，通过结合可以表征用户兴趣的搜索条件节点进行产品推送，进而达到了提高产品推送准确率的技术效果。
[0055]
可选地，按照多个预设遍历路径对所述历史行为图进行遍历，得到所述多个节点序列，其中，不同预设遍历路径用于遍历不同类型的节点。
[0056]
在一个可选实施例中，可以根据用户对产品的行为方式，通过如下六种路径类型进行遍历：uqiqu、uiu、usisu、iquqi、iui和isusi。通过以上6种不同的游走方式可以捕捉用户和产品之间的多种行为关系，同时通过游走可以捕捉更为高阶的共现关系，例如ua和ub可以通过一个中间用户uc沿着uiu路径游走到序列uai1uci3ub中。在游走过程需要指定两个超参数，分别是游走长度l和游走次数t。游走长度l可以表示游走路径所经过的节点个数。游走次数t可以表示以预设路径中的每个节点为起点，游走t次。
[0057]
在上述可选实施例中，通过指定的游走路径扩充样本序列长度，可以使得排序模型训练更充分，进而达到了提高产品推送准确率的技术效果。
[0058]
可选地，基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征包括：对目标历史行为数据进行划分，得到多个子历史行为数据；确定节点特征集合中与每个子历史行为数据相匹配的目标节点特征；获取目标节点特征的均值，得到每个子历史行为数据对应的子行为特征；利用多个子历史行为数据对应的子行为特征，得到目标行为特征。
[0059]
具体地，获取目标用户在一定时间段内搜索、点击、浏览产品所产生的行为数据后，根据目标行为数据发生的时间和行为类别进行划分，得到多个子历史行为数据，并将该子历史行为数据与存储在kv数据库中的节点向量进行匹配，由于用户在一定时间内可能会进行多次操作，因此，在得到每个子历史行为数据对应的子行为特征后，需要取预设时间内目标节点特征的均值，得到每个子历史行为数据对应的子行为特征，最后，综合目标用户的多个子行为特征，得到目标行为特征。
[0060]
在上述可选实施例中，取多个子行为特征的均值，得到多个子历史行为数据对应的子行为特征，从而得到目标行为特征，进而达到了提高产品推送准确率的技术效果。
[0061]
可选地，对目标历史行为数据进行划分，得到多个子历史行为数据包括：获取目标历史行为数据对应的行为发生时间和行为类别；基于行为发生时间和行为类别，对目标历史行为数据进行划分，得到多个子历史行为数据。
[0062]
具体地，该行为类别包括但不限于：搜索点击行为、推送点击行为和浏览点击行为，然后，根据行为发生的时间，可以将搜索点击行为划分为即时搜索点击行为、短期搜索点击行为和长期推荐点击行为，得到多个子历史行为数据。例如，定义用户在5小时内的行为为即时行为，5小时到一周内的行为为短期行为，一周之前的行为为长期行为，则即时搜索点击行为就是用户在5小时内进行搜索点击所产生的数据。
[0063]
在上述可选实施例中，基于行为发生时间和行为类别，对目标历史行为数据进行划分，进而达到了提高产品推送效率的技术效果。
[0064]
可选地，对用户特征和目标行为特征进行召回处理，确定多个匹配产品包括：分别对用户特征和子行为特征进行召回处理，确定多个匹配产品。
[0065]
具体地，上述用户特征可以是根据该目标用户个人信息所生成的向量，根据用户特征可以召回该目标用户的相似用户所点击过的多个产品，同时，根据该目标用户的多个子行为特征，召回多个产品，然后，得到多个匹配产品。
[0066]
在上述可选实施例中，结合用户个人信息所生成的用户特征和用户行为数据所生
成的目标行为特征，为目标用户推送产品，进而达到了提高产品推送准确率的技术效果。
[0067]
在一个可选实施例中，目标在使用产品推荐系统的过程中，发生了多种行为，本公开使用节点向量来刻画用户的兴趣，如图4所示，用户向量是根据用户个人信息所生成的，条件搜索兴趣向量根据搜索点击行为数据所生成的搜索条件向量的均值，产品兴趣向量根据产品节点所涉及产品节点的点击行为数据生成的产品向量的均值，店铺兴趣向量根据浏览点击行为数据生成的店铺向量的均值，在得到兴趣向量后，再根据兴趣向量的行为类别确定对应的子历史行为数据，并根据子历史行为数据发生的时间，将兴趣向量划分为即时兴趣向量、短期兴趣向量和长期兴趣向量。然后，根据多个不同的兴趣建立对应的召回通道，从向量索引库中召回和兴趣相似的商品；同时根据用户向量从用户向量索引库中查询相似的用户，根据相似用户召回相似用户所点击过的商品。
[0068]
可选地，在向目标用户推送多个匹配产品之前，还包括：利用排序模型对多个匹配产品进行排序，得到至少一个召回产品，其中，排序模型利用训练特征进行训练得到，训练特征包括：对象特征、产品特征和行为特征。
[0069]
具体地，可以利用ctr排序模型中的deepfm排序模型对多个召回的匹配产品进行排序，对多个匹配产品进行排序，得到至少一个召回产品，该召回产品表征用于推送给目标用户的产品，选取召回产品中较靠前的召回产品推送给客户。需要说明的是，deepfm排序模型是已公开的现有技术，本公开在此不作赘述。
[0070]
需要说明的是，通常排序模型的特征，分为用户侧特征、产品侧特征和上下文特征三类，在模型训练和推理过程中，图嵌入得到的节点向量是用户兴趣和产品的高级表示，将其作为预训练的特征加入排序模型，并且将图嵌入中的用户向量和计算得到的兴趣向量，即目标行为特征，作为加入作为用户特征的一部分，将产品向量作为产品特征的一部分，从而加快模型的收敛速度，提高效果。
[0071]
在上述可选实施例中，将基于图嵌入模型中得到的对象特征、产品特征和行为特征对排序模型进行预训练，并将图嵌入中的用户向量和计算得到的兴趣向量，即目标行为特征，作为加入作为用户特征的一部分，从而加快模型的收敛速度，进而达到了提高产品推送效率的技术效果
[0072]
根据本公开的实施例，本公开还提供了一种产品推送装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0073]
图5是根据本发明实施例的一种产品推送装置的结构图，如图5所示，该装置包括：
[0074]
获取模块51，用于获取目标用户的用户特征和目标历史行为数据。
[0075]
生成模块52，用于基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征，其中，节点特征集合通过按照预设遍历路径对历史行为图进行遍历生成，历史行为图用于表征历史行为数据中不同用户和数据之间的关联关系。
[0076]
第一处理模块53，用于对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品。
[0077]
推送模块54，用于向目标用户推送多个匹配产品。
[0078]
在本公开上述实施例中，通过获取目标用户的用户特征和目标历史行为数据；基
于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征；对用户特征和目标行为特征进行召回处理，确定多个待推送产品中与目标用户匹配成功的多个匹配产品；向目标用户推送多个匹配产品，达到产品推荐的目的。容易注意到的是，本公开基于历史行为数据，生成表征不同用户和数据之间关联关系的历史行为图，进一步按照预设遍历路径对历史行为图进行遍历生成节点特征集合，使得目标行为特征并不只考虑了单一用户和产品之间的关系，而是结合了不同用户和数据之间的关系，从而达到了提高产品推送准确率的技术效果，进而解决了现有技术中推送准确率低的技术问题。
[0079]
可选地，历史行为图包括：用户节点、产品节点、搜索条件节点和店铺节点，以及不同节点之间的边。
[0080]
可选地，该装置还包括：构建模块，用于基于历史行为数据，构建历史行为图。
[0081]
遍历模块，用于对历史行为图进行遍历，得到多个节点序列。
[0082]
第二处理模块，用于利用词嵌入模型对节点序列进行处理，生成目标行为特征。
[0083]
可选地，历史行为数据包括如下至少之一：搜索点击行为对应的第一数据、推送点击行为对应的第二数据和浏览点击行为对应的第三数据，基于历史行为数据，构建历史行为图包括：对第一数据进行处理，建立第一数据对应的第一用户节点、搜索条件节点和第一产品节点，并生成第一用户节点和搜索序列节点之间的第一边，搜索序列节点和第一产品节点之间的第二边；对第二数据进行处理，建立第二数据对应的第二用户节点和第二产品节点，并生成第二用户节点和第二产品节点之间的第三边；对第三数据进行处理，建立第三数据对应的第三用户节点、店铺节点和第三产品节点，并生成第三用户节点和店铺节点之间的第四边，店铺节点和第三产品节点之间的第五边，得到历史行为图。
[0084]
可选地，该装置还用于对第一数据进行处理包括：对第一数据进行解析，得到搜索点击行为对应的搜索文本和筛选数据；对搜索文本进行预处理，得到处理后的文本；将筛选数据和处理后的文本进行拼接，得到拼接文本；对拼接文本进行识别，得到拼接文本的目标词集合，其中，目标词集合用于确定搜索条件节点。
[0085]
可选地，该装置还用于按照多个预设遍历路径对历史行为图进行遍历，得到多个节点序列，其中，不同预设遍历路径用于遍历不同类型的节点。
[0086]
可选地，该装置还用于基于目标历史行为数据和节点特征集合，生成目标用户的目标行为特征包括：对目标历史行为数据进行划分，得到多个子历史行为数据；确定节点特征集合中与每个子历史行为数据相匹配的目标节点特征；获取目标节点特征的均值，得到每个子历史行为数据对应的子行为特征；利用多个子历史行为数据对应的子行为特征，得到目标行为特征。
[0087]
可选地，该装置还用于对目标历史行为数据进行划分，得到多个子历史行为数据包括：获取目标历史行为数据对应的行为发生时间和行为类别；基于行为发生时间和行为类别，对目标历史行为数据进行划分，得到多个子历史行为数据。
[0088]
可选地，该装置还用于对用户特征和目标行为特征进行召回处理，确定多个匹配产品包括：分别对用户特征和子行为特征进行召回处理，确定多个匹配产品。
[0089]
可选地，该装置还用于在向目标用户推送多个匹配产品之前，还用于利用排序模型对多个匹配产品进行排序，得到至少一个召回产品，其中，排序模型利用训练特征进行训练得到，训练特征包括：对象特征、产品特征和行为特征。
[0090]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0091]
根据本公开的实施例，本公开还提供了一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。
[0092]
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0093]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0094]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0095]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如产品推送方法。例如，在一些实施例中，产品推送方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的产品推送方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品推送方法。
[0096]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0097]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处
理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0098]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0099]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0100]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0101]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0102]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0103]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。