商品的推荐及展示方法、装置、电子设备和存储介质与流程

1.本发明涉及互联网技术领域，特别是涉及一种商品的推荐及展示方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.电商企业在日常运营中需要保证销售商品基本的毛利为正，同时需要定期给出一部分补贴以不同金额的优惠券的形式补贴给部分的用户，提高用户的活跃度，每一个区域的运营都需要提前一天确定第二天需要发放的优惠券金额后，由运营人员手工的根据优惠券金额上传符合约束的商品池，工作效率低下。由于手工上传商品池，所以在次日优惠券被发放时，很难保证发放的瞬间商品池中的商品是符合约束条件的，且在用户使用优惠券的时候商品池中的商品并没有依据偏好排序，导致了用户体验不好。同时，商品池中商品的数量较大，用户收到优惠券后点击进入无序排列的商品池，导致用户选择心仪的商品的效率较低。


技术实现要素：

3.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种商品的推荐及展示方法、装置、电子设备和计算机可读存储介质。
4.为了解决上述问题，根据本发明实施例的第一方面，公开了一种商品的推荐及展示方法，所述方法包括：按照预设周期接收与商品补贴信息对应的关联数据，所述商品补贴信息包含：区域信息、虚拟优惠对象信息和目标用户信息，所述关联数据包含：用户列表、商品池和用户行为数据；从所述关联数据中提取出特征数据；根据所述特征数据生成建模样本数据和建模目标数据；基于机器学习算法、所述建模样本数据和所述建模目标数据预测得到所述用户列表针对所述商品池中的各商品的订单信息；将所述订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对所述用户列表中的各用户，根据各用户针对所述推荐的商品的概率信息将所述推荐的商品进行排序展示。
5.可选地，所述从所述关联数据中提取出特征数据，包括：从所述关联数据中提取出用户群特征数据和用户特征数据。
6.可选地，所述从所述关联数据中提取出用户群特征数据，包括：从所述关联数据中提取出所述用户列表中的各用户群针对各商品的用户行为信息、商品金额信息、变异度信息；所述从所述关联数据中提取出用户特征数据，包括：从所述关联数据中提取出所述用户列表中各用户针对各商品的用户行为信息、商品金额信息、变异度信息。
7.可选地，所述用户行为信息包含最近一次用户操作距离当前时间的时间差、预设第一时间段内用户操作的频次、第一次用户操作距离当前时间的时间差；所述商品金额信息为预设第二时间段内购买的总金额；所述变异度信息为预设第三时间段内商品的消费金额方差。
8.可选地，所述根据所述特征数据生成建模样本数据和建模目标数据，包括：根据所
述用户群特征数据生成用户群建模样本数据和用户群建模目标数据，并根据所述用户特征数据生成用户建模样本数据和用户建模目标数据。
9.可选地，所述基于机器学习算法、所述建模样本数据和所述建模目标数据预测得到所述用户列表针对所述商品池中的各商品的订单信息，包括：基于回归算法、所述用户群建模样本数据和所述用户群建模目标数据预测得到所述用户列表中各用户群针对所述商品池中的各商品的订单信息。
10.可选地，所述订单信息阈值的计算步骤，包括：针对每个用户群，计算针对各商品的订单信息的均值和标准差；将所述均值和所述标准差的正态分布结果作为所述订单信息阈值。
11.根据本发明实施例的第二方面，还公开了一种商品的推荐及展示装置，所述装置包括：数据获取模块，用于按照预设周期接收与商品补贴信息对应的关联数据，所述商品补贴信息包含：区域信息、虚拟优惠对象信息和目标用户信息，所述关联数据包含：用户列表、商品池和用户行为数据；特征提取模块，用于从所述关联数据中提取出特征数据；建模数据生成模块，用于根据所述特征数据生成建模样本数据和建模目标数据；数据预测模块，用于基于机器学习算法、所述建模样本数据和所述建模目标数据预测得到所述用户列表针对所述商品池中的各商品的订单信息；推荐展示模块，用于将所述订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对所述用户列表中的各用户根据各用户针对所述推荐的商品的概率信息将所述推荐的商品进行排序展示。
12.可选地，所述特征提取模块，用于从所述关联数据中提取出用户群特征数据和用户特征数据。
13.可选地，所述特征提取模块，包括：用户群特征数据提取模块，用于从所述关联数据中提取出所述用户列表中的各用户群针对各商品的用户行为信息、商品金额信息、变异度信息；所述特征提取模块，还包括：用户特征数据提取模块，用于从所述关联数据中提取出所述用户列表中各用户针对各商品的用户行为信息、商品金额信息、变异度信息。
14.可选地，所述用户行为信息包含最近一次用户操作距离当前时间的时间差、预设第一时间段内用户操作的频次、第一次用户操作距离当前时间的时间差；所述商品金额信息为预设第二时间段内购买的总金额；所述变异度信息为预设第三时间段内商品的消费金额方差。
15.可选地，所述建模数据生成模块，用于根据所述用户群特征数据生成用户群建模样本数据和用户群建模目标数据，并根据所述用户特征数据生成用户建模样本数据和用户建模目标数据。
16.可选地，所述数据预测模块，用于基于回归算法、所述用户群建模样本数据和所述用户群建模目标数据预测得到所述用户列表中各用户群针对所述商品池中的各商品的订单信息。
17.可选地，所述装置还包括：阈值计算模块，用于计算所述订单信息阈值，所述阈值计算模块，用于针对每个用户群，计算针对各商品的订单信息的均值和标准差；将所述均值和所述标准差的正态分布结果作为所述订单信息阈值。
18.根据本发明实施例的第三方面，还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时
实现第一方面所述的一种商品的推荐及展示方法。
19.根据本发明实施例的第四方面，还公开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第一方面所述的一种商品的推荐及展示方法。
20.与现有技术相比，本发明实施例提供的技术方案具有如下优点：
21.本发明实施例提供的一种商品的推荐及展示方案，按照预设周期接收与商品补贴信息对应的关联数据，其中，商品补贴信息可以包含：区域信息、虚拟优惠对象信息和目标用户信息。关联数据可以包含：用户列表、商品池和用户行为数据。然后从关联数据中提取出特征数据，根据特征数据生成建模样本数据和建模目标数据。再基于机器学习算法、建模样本数据和建模目标数据预测得到用户列表针对商品池中的各商品的订单信息。最终将订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对用户列表中的各用户，根据各用户针对推荐的商品的概率信息将推荐的商品进行排序展示。
22.本发明实施例创建建模样本数据和建模目标数据，基于机器学习算法预测得到各商品的订单信息，再将订单信息与订单信息阈值进行比较，将订单信息大于订单信息阈值的商品作为推荐的商品，避免了手工选择、上传与商品补贴信息对应的商品。而且，针对用户列表中的每个用户，可以根据推荐的商品的概率信息进行排序展示，避免了商品的无序展示，提升用户选择、购买商品的体验。
附图说明
23.图1是本发明实施例的一种商品的推荐及展示方法的步骤流程图；
24.图2是本发明实施例的一种商品池挖掘及商品个性展示的方案的工作原理示意图；
25.图3是本发明实施例的一种商品的推荐及展示装置的结构框图；
26.图4是本发明实施例的一种电子设备的结构示意图。
具体实施方式
27.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
28.参照图1，示出了本发明实施例的一种商品的推荐及展示方法的步骤流程图。该商品的推荐及展示方法可以应用于终端或者服务器。该商品的推荐及展示方法具体可以包括如下步骤：
29.步骤101，按照预设周期接收与商品补贴信息对应的关联数据。
30.在本发明的实施例中，商品补贴信息可以包含：区域信息、虚拟优惠对象信息和目标用户信息。其中，区域信息、虚拟优惠对象信息和目标用户信息三者之间具有对应关系。在实际应用中，可以每日从待发券系统中获取商品补贴信息。虚拟优惠对象信息可以为优惠券信息，目标用户信息可以为待接收优惠券的用户信息。例如，商品补贴信息可以如表1所示。
31.区域信息优惠券信息目标用户信息q1区域满10-2pin001q1区域满10-2pin057
q1区域满10-2pin2145q1区域满5-3pin251q1区域满5-3pin1254q1区域满5-3pin8457q1区域满2-1pin421q1区域满2-1pin96q1区域满2-1pin946q1区域满9.9-3pin421q1区域满9.9-3pin63q1区域满9.9-3pin894q1区域满19.9-4pin235q1区域满19.9-4pin63q1区域满19.9-4pin7324q1区域满3-0.9pin845832q1区域满3-0.9pin235q1区域满3-0.9pin6367
32.表1
33.上述优惠券信息中，“满10-2”可以表示为商品金额达到10元时，可以利用该优惠券减少2元。上述目标用户信息中，“pin001”可以表示目标用户的类别信息，目标用户信息可以表示一个用户或者一群用户。而且，针对不同的区域，待发放的优惠券信息可以相同也可以不相同。
34.在本发明的实施例中，关联数据可以包含：用户列表、商品池和用户行为数据。在实际应用中，可以按照预设周期从预设的数据库中接收与商品补贴信息对应的关联数据。其中，商品池可以理解为符合毛利约束的商品池。毛利约束即商品金额大于优惠券中的满减金额。例如，某优惠券信息为满5-3，则商品金额需要大于该优惠券信息中的满减金额3。用户行为数据可以理解为用户在符合毛利约束的商品池中的行为数据，包含但不限于：浏览数据、点击数据、搜索数据、加购数据、删购数据、下单数据、退货数据等等。而且，用户行为数据可以为在用户知情并同意的前提下，从用户终端传输至数据库的行为数据。例如，关联数据可以如表2所示。
35.区域信息优惠券信息目标用户信息商品信息浏览数据点击数据搜索数据下单数据q1区域满10-2pin001sku1
……………………
q1区域满10-2pin002sku7
……………………
q1区域满5-1pin001sku9
……………………
q1区域满5-1pin002sku15
……………………
q1区域满20-5pin001sku5
……………………
q1区域满20-5pin002sku8
……………………
36.表2
37.在表2中，商品信息可以为商品池中各商品的编号信息。浏览数据、点击数据、搜索数据和下单数据中的
“……”
表示对应的数据字段或者数据包，数据字段或者数据包可以包
含但不限于：日期、时间、次数、金额、编号、标识等等。本发明实施例对
“……”
表示的数据形式、数据结构、数据内容等不做具体限制。
38.需要说明的是，接收到的关联数据可以实时更新，以保证商品池的有效性和动态性。
39.步骤102，从关联数据中提取出特征数据。
40.在本发明的实施例中，可以利用自动化整合特征的方式从关联数据中提取出用户群特征数据和用户特征数据。
41.步骤103，根据特征数据生成建模样本数据和建模目标数据。
42.在本发明的实施例中，由于提取出的特征数据可以包含用户群特征数据和用户特征数据，因此，可以根据用户群特征数据生成用户群建模样本数据和用户群建模目标数据，并根据用户特征数据生成用户建模样本数据和用户建模目标数据。
43.步骤104，基于机器学习算法、建模样本数据和建模目标数据预测得到用户列表针对商品池中的各商品的订单信息。
44.在本发明的实施例中，可以基于回归算法、用户群建模样本数据和用户群建模目标数据预测得到用户列表中各用户群针对商品池中的各商品的订单信息。例如，该订单信息可以为下单次数、下单频率、下单概率等等。
45.步骤105，将订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对用户列表中的各用户，根据各用户针对推荐的商品的概率信息将推荐的商品进行排序展示。
46.在本发明的实施例中，预先计算与商品补贴信息对应的关联数据中的用户群对商品池中商品的订单信息阈值，然后将用户群对商品池中各商品的订单信息与订单信息阈值进行比较，最终将订单信息大于对应的订单信息阈值的商品作为推荐的商品，即将订单信息大于对应的订单信息阈值的商品推荐给用户群。而且，在针对用户群中各用户进行展示推荐的商品时，按照各用户对推荐的商品的概率信息进行降序展示。
47.本发明实施例提供的一种商品的推荐及展示方案，按照预设周期接收与商品补贴信息对应的关联数据，其中，商品补贴信息可以包含：区域信息、虚拟优惠对象信息和目标用户信息。关联数据可以包含：用户列表、商品池和用户行为数据。然后从关联数据中提取出特征数据，根据特征数据生成建模样本数据和建模目标数据。再基于机器学习算法、建模样本数据和建模目标数据预测得到用户列表针对商品池中的各商品的订单信息。最终将订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对用户列表中的各用户，根据各用户针对推荐的商品的概率信息将推荐的商品进行排序展示。
48.本发明实施例创建建模样本数据和建模目标数据，基于机器学习算法预测得到各商品的订单信息，再将订单信息与订单信息阈值进行比较，将订单信息大于订单信息阈值的商品作为推荐的商品，避免了手工选择、上传与商品补贴信息对应的商品，降低了人工成本。而且，针对用户列表中的每个用户，可以根据推荐的商品的概率信息进行排序展示，避免了商品的无序展示，提升用户选择、购买商品的体验。
49.在本发明的一种优选实施例中，从关联数据中提取出用户群特征数据的一种实施方式为，从关联数据中提取出用户列表中的各用户群针对各商品的用户行为信息、商品金额信息、变异度信息。从关联数据中提取出用户特征数据的一种实施方式为，从关联数据中提取出用户列表中各用户针对各商品的用户行为信息、商品金额信息、变异度信息。
50.在实际应用中，各用户群针对各商品的用户行为信息、商品金额信息、变异度信息，可以与各用户针对各商品的用户行为信息、商品金额信息、变异度信息相同或者不相同。其中，用户行为信息可以包含最近一次用户操作距离当前时间的时间差、预设第一时间段内用户操作的频次、第一次用户操作距离当前时间的时间差等等。商品金额信息为预设第二时间段内购买的总金额。变异度信息为预设第三时间段内商品的消费金额方差。
51.上述用户行为信息、商品金额信息、变异度信息可以利用对应的字段进行表示。例如，用户行为信息中最近一次用户操作距离当前时间的时间差可以表示为字段“recency”。如，最近一次某用户群点击商品池中商品sku1的时间距离当前时间的时间差，最近一次某用户点击商品池中商品sku1的时间距离当前时间的时间差。该字段“recency”的字段类型为时间型。用户行为信息中预设第一时间段内用户操作的频次可以表示为字段“frequency”。如，最近三个月某用户群购买商品池中商品sku1的次数，最近三个月某用户购买商品池中商品sku1的次数。该字段“frequency”的字段类型为计数型。用户行为信息中第一次用户操作距离当前时间的时间差可以表示为字段“tenure”。如，某用户群初次购买商品池中商品sku1的时间距当前时间的时间差，某用户初次购买商品池中商品sku1的时间距当前时间的时间差。该字段“tenure”的字段类型为时间型。商品金额信息可以表示为字段“monetary”。如，最近三个月某用户群购买商品池中商品sku1的总金额，最近三个月某用户购买商品池中商品sku1的总金额。该字段“monetary”的字段类型为总额型。变异度信息可以表示为字段“variety”。如，最近6个月某用户群购买商品池中商品sku1的变化程度(可用方差解释变异度)、最近6个月某用户购买商品池中商品sku1的消费金额变异度。该字段“variety”的字段类型为数值型。
52.在提取出上述用户群特征数据和用户特征数据之后，可以自动组合和生成建模所需的两类样本数据和建模目标。即根据用户群特征数据生成用户群建模样本数据和用户群建模目标数据，并根据用户特征数据生成用户建模样本数据和用户建模目标数据。
53.例如，用户群建模样本数据和用户群建模目标数据如表3所示。
[0054][0055]
表3
[0056]
表3中的建模目标即用户群建模目标数据，表示用户群group1针对不同商品的订
单信息。在实际应用中，该订单信息可以为下单次数。
[0057]
例如，用户建模样本数据和用户建模目标数据如表4所示。
[0058][0059]
表4
[0060]
表4中的建模目标即用户建模目标数据，表示用户针对不同商品是否下单。当建模目标为1时，表示用户针对商品有下单行为；当建模目标为0时，表示用户针对商品没有下单
行为。
[0061]
在得到上述用户群建模样本数据和用户建模样本数据之后，可以利用机器学习算法预测订单信息和概率信息。
[0062]
在实际应用中，可以利用回归算法预测用户群的目标，即预测用户群针对商品池中各商品的订单信息。在实际应用中，该订单信息可以为下单次数。
[0063]
例如，用户群针对商品池中各商品的下单次数预估表如表5所示。
[0064]
区域信息优惠券信息用户群商品信息预估的下单次数q1区域满10-2group1sku135q1区域满10-2group1sku7352q1区域满10-2group1sku962q1区域满10-2group1sku1110q1区域满10-2group1skui47q1区域满10-2group1sku337
[0065]
表5
[0066]
在实际应用中，可以利用分类算法预测用户的目标，即预测用户针对商品池中各商品的概率信息。在实际应用中，该概率信息可以为下单概率。
[0067]
例如，用户针对商品池中各商品的下单概率预估表如表6所示。
[0068][0069][0070]
表6
[0071]
在通过机器学习得到上述用户群针对商品池中各商品的订单信息预估表之后，需要进一步通过阈值比较对商品池进行精细化处理，即对商品池中的部分商品进行过滤。在本发明的一种优选实施例中，订单信息阈值的计算步骤包括：针对每个用户群，计算针对各商品的订单信息的均值和标准差；将均值和标准差的正态分布结果作为订单信息阈值。例如，自动化获取用户群对商品池中每个商品的下单次数的均值(5单)，下单次数的标准差
0.35125，用1sigma分布评价作为下单次数阈值(均值+一倍标准差)。将预测的下单次数超过均值+一倍标准差的商品选入精细化商品池，小于等于均值+一倍标准差的商品作为长尾商品，自动过滤掉长尾商品，剩余的商品组成精细化商品池。
[0072]
例如，精细化商品池的判断表如表7所示。
[0073][0074][0075]
表7
[0076]
在获得上述精细化商品池之后，即获得推荐的商品之后，可以在展示精细化商品
池时，针对不同的用户对各商品的概率信息，对精细化商品池中的商品进行降序排列。
[0077]
基于上述关于一种商品的推荐及展示方法实施例的相关说明，下面介绍一种商品池挖掘及商品个性展示的方案。该方案基于基础补贴要素(商品补贴信息)挖掘出符合毛利约束和用户需求的动态商品池，从而在优惠券发放和使用时能够有合适的商品池进行承载。用户在使用优惠券时看到的商品池可以个性化排序。参照图2，图2示出了一种商品池挖掘及商品个性展示的方案的工作原理示意图。
[0078]
步骤201，提取基础补贴要素。
[0079]
可以从每日优惠券发放系统中获取基础补贴要素。该基础补贴要素包含区域信息、优惠券信息(虚拟优惠对象信息)、待发放优惠券的用户信息(目标用户信息)，以及上述区域信息、优惠券信息(虚拟优惠对象信息)、待发放优惠券的用户信息(目标用户信息)三者之间的对应关系。
[0080]
步骤202，根据基础补贴要素获取关联数据。
[0081]
在预设的数据库中接收与基础补贴要素对应的关联数据。该关联数据包含用户列表、符合毛利约束的商品池、用户在符合毛利约束的商品池中的用户行为数据。
[0082]
步骤203，根据关联数据生成动态商品池及排序模型的建模样本数据和建模目标数据。
[0083]
先从关联数据中提取出用户群特征数据和用户特征数据，然后分别基于用户群特征数据和用户特征数据生成用户群建模样本数据和用户群建模目标数据，以及用户建模样本数据和用户建模目标数据。
[0084]
步骤204，根据建模样本数据和建模目标数据训练动态商品池及排序模型，利用训练完毕的动态商品池及排序模型预测得到精细化商品池和商品排序结果。
[0085]
使用回归算法预测得到精细化商品池，并使用分类算法预测得到商品排序结果。
[0086]
步骤205，在优惠券发放阶段对商品池进行动态更新，在优惠券使用阶段对精细化商品池进行动态更新。
[0087]
在优惠券发放阶段对商品池中商品的毛利进行计算，并在优惠券使用阶段对精细化商品池中商品的毛利进行计算，将不符合毛利约束的商品剔除，动态保证商品池和精细化商品池中商品的有效性和实时性。
[0088]
本发明实施例能够自动生成精细化商品池并对精细化商品池中的商品进行个性化排序，节省了大量的人力成本。
[0089]
本发明实施例可以对商品池和精细化商品池进行动态更新，使得优惠券发放阶段的商品池能够得到及时更新，并在优惠券使用阶段加入动态过滤机制，保证无论是优惠券发放阶段还是使用阶段的商品毛利都不被击穿，避免收益损失。
[0090]
本发明实施例为不同用户提供了个性化的精细化商品池，扩大了商品推荐的适用范围。
[0091]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0092]
参照图3，示出了本发明实施例的一种商品的推荐及展示装置的结构框图，该商品的推荐及展示装置可以应用于终端或者服务器。该商品的推荐及展示装置具体可以包括如下模块：
[0093]
数据获取模块31，用于按照预设周期接收与商品补贴信息对应的关联数据，所述商品补贴信息包含：区域信息、虚拟优惠对象信息和目标用户信息，所述关联数据包含：用户列表、商品池和用户行为数据；
[0094]
特征提取模块32，用于从所述关联数据中提取出特征数据；
[0095]
建模数据生成模块33，用于根据所述特征数据生成建模样本数据和建模目标数据；
[0096]
数据预测模块34，用于基于机器学习算法、所述建模样本数据和所述建模目标数据预测得到所述用户列表针对所述商品池中的各商品的订单信息；
[0097]
推荐展示模块35，用于将所述订单信息大于对应的订单信息阈值的商品作为推荐的商品，并针对所述用户列表中的各用户根据各用户针对所述推荐的商品的概率信息将所述推荐的商品进行排序展示。
[0098]
在本发明的一种优选实施例中，所述特征提取模块32，用于从所述关联数据中提取出用户群特征数据和用户特征数据。
[0099]
在本发明的一种优选实施例中，所述特征提取模块32，包括：
[0100]
用户群特征数据提取模块，用于从所述关联数据中提取出所述用户列表中的各用户群针对各商品的用户行为信息、商品金额信息、变异度信息；
[0101]
所述特征提取模块32，还包括：
[0102]
用户特征数据提取模块，用于从所述关联数据中提取出所述用户列表中各用户针对各商品的用户行为信息、商品金额信息、变异度信息。
[0103]
在本发明的一种优选实施例中，所述用户行为信息包含最近一次用户操作距离当前时间的时间差、预设第一时间段内用户操作的频次、第一次用户操作距离当前时间的时间差；所述商品金额信息为预设第二时间段内购买的总金额；所述变异度信息为预设第三时间段内商品的消费金额方差。
[0104]
在本发明的一种优选实施例中，所述建模数据生成模块33，用于根据所述用户群特征数据生成用户群建模样本数据和用户群建模目标数据，并根据所述用户特征数据生成用户建模样本数据和用户建模目标数据。
[0105]
在本发明的一种优选实施例中，所述数据预测模块34，用于基于回归算法、所述用户群建模样本数据和所述用户群建模目标数据预测得到所述用户列表中各用户群针对所述商品池中的各商品的订单信息。
[0106]
在本发明的一种优选实施例中，所述装置还包括：阈值计算模块，用于计算所述订单信息阈值，所述阈值计算模块，用于针对每个用户群，计算针对各商品的订单信息的均值和标准差；将所述均值和所述标准差的正态分布结果作为所述订单信息阈值。
[0107]
本发明实施例还提供了一种电子设备，参见图4，包括：处理器401、存储器402以及存储在所述存储器402上并可在所述处理器401上运行的计算机程序4021，所述处理器401执行所述程序4021时实现前述实施例的商品的推荐及展示方法。
[0108]
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，该程序被处
理器执行时实现前述实施例的商品的推荐及展示方法。
[0109]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0110]
需要说明的是，本发明实施例中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0111]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0112]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
[0113]
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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。
[0114]
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终端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。
[0115]
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终端设备上，使得在计算机或其他可编程终端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终端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。
[0116]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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实施例范围的所有变更和修改。
[0117]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0118]
以上对本发明所提供的一种商品的推荐及展示方法和装置，进行了详细介绍，本
文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。