商品推荐列表生成方法及其装置、设备、介质、产品与流程

1.本技术涉及电商信息技术领域，尤其涉及一种商品推荐列表生成方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。


背景技术：

2.电商平台中对商品进行推荐是一类高频应用，广泛服务于商品搜索、商品广告投放、商品筛选等应用场景，可以提升商品匹配效率，使商家用户的商品更易售出，也使消费者用户的需求更容易被满足。
3.传统的商品推荐方法，比如item-cf(item collaboration filter，基于物品的协同过滤)算法，应用基于行为的召回策略，以用户的行为数据为基础，给用户推荐那些和他们之前喜欢的物品相似的物品。实践中，一旦用户的行为数据有限，便会出现数据稀疏的问题，或者，对于某些新上架的商品，由于缺乏用户行为数据而需要“冷启动”，对于这些情况，传统的商品推荐方法往往难以获得良好的表现，无法得到丰富和准确的推荐结果。
4.除此之外，传统的商品推荐方法常基于深度学习模型实现，依赖于海量的训练样本对其进行高系统开销的训练，因而，其制备效率低下，而制备成本则偏高。
5.传统的商品推荐方法，当其应用到基于独立站点的电商平台中时，由于独立站点一般用于实现单个线上店铺，各线上店铺之间的商品信息和用户行为数据并不互通，这种情况下，以上的缺点必然更为突出。
6.有鉴于此，本技术人另辟蹊径，探索实现商品推荐相对应的新思路，而提本技术。


技术实现要素：

7.本技术的目的在于解决上述问题而提供一种商品推荐列表生成方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品、适应本技术的各个目的，采用如下技术方案：
8.一个方面，适应本技术的目的之一而提供一种商品推荐列表生成方法，包括如下步骤：
9.获取交互数据图，每个交互数据图以商品候选库中的商品为节点，以任意两个节点各自的商品之间对应相同交互行为事件的共有用户数为该两个节点的边；
10.获取商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性相对应的关联度为边；
11.分别确定各个交互数据图和各个商品信息图中商品与商品之间的单图相似度矩阵，汇总所有单图相似度矩阵获得商品与商品之间的综合相似度矩阵；
12.根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表。
13.可选的，获取交互数据图，包括如下步骤：
14.获取所述商品候选库中的商品相对应的用户行为数据；
15.清洗所述用户行为数据获得交互行为数据，所述交互行为数据包括被访问的商品，访问该商品的用户、该用户触发的交互行为事件的行为类型，不同行为类型与同一预设业务流程的不同业务环节相对应；
16.根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图。
17.可选的，根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图，包括如下步骤：
18.确定待构造交互数据图的目标行为类型，筛选出该行为类型相对应的交互行为数据；
19.创建目标行为类型相对应的交互数据图，在其中建立所述商品候选库中的商品相对应的节点；
20.根据筛选出的交互行为数据，统计任意两个商品相对应的交互行为数据中的共有用户数，将该共有用户数确定为该两个商品相对应的节点的边。
21.可选的，获取商品信息图，包括如下步骤：
22.获取所述商品候选库中的商品相对应的多类商品属性数据；
23.针对其中共有属性唯一的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性是否相同而对应以二值化数值表示该两个节点的关联度，以所述关联度为该两个节点的边；
24.针对其中包含多个共有属性的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性的重合数及所述共有属性相对应的属性值的重合数的和值作为关联度，以所述关联度为该两个节点的边。
25.可选的，分别确定各个交互数据图和各个商品信息图中商品与商品之间的单图相似度矩阵，汇总所有单图相似度矩阵获得商品与商品之间的综合相似度矩阵，包括如下步骤：
26.将每个交互数据图和每个商品信息图映射到高维信息矩阵空间，获得相应的各个高维信息矩阵；
27.对每个高维信息矩阵进行非负矩阵分解，得到基矩阵和系数矩阵；
28.将每个高维信息矩阵对应的基矩阵和系数矩阵重构为单图相似度矩阵；
29.将各个单图相似度矩阵加权求和以汇总获得综合相似度矩阵。
30.可选的，根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表，包括如下步骤：
31.响应终端设备提交的商品匹配请求，获取该请求相对应的指定商品；
32.从所述综合相似度矩阵中查询获取该指定商品相对应的行向量，从该行向量中筛选出相似度数值高于预设阈值的商品作为目标商品，该行向量中每个维度的相似度数值对应所述商品候选库中的一个商品；
33.从所述商品候选库中调用所述目标商品相对应的商品信息，根据所述目标商品的商品信息构造出商品推荐列表；
34.将所述商品推荐列表推送至所述终端设备。
35.可选的，所述预设业务流程为商品交易流程，其包含如下多个业务环节：商品浏览的环节、将商品添加至购物车的环节、执行创建商品订单的环节、支付商品订单的环节。
36.另一方面，适应本技术的目的之一而提供一种商品推荐列表生成装置，包括第一获取模块、第二获取模块、相似运算模块，以及商品召回模块，其中：所述第一获取模块，用于获取交互数据图，每个交互数据图以商品候选库中的商品为节点，以任意两个节点各自的商品之间对应相同交互行为事件的共有用户数为该两个节点的边；所述第二获取模块，用于获取商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性相对应的关联度为边；所述相似运算模块，用于分别确定各个交互数据图和各个商品信息图中商品与商品之间的单图相似度矩阵，汇总所有单图相似度矩阵获得商品与商品之间的综合相似度矩阵；所述商品召回模块，用于根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表。
37.可选的，所述第一获取模块，包括：数据获取子模块，用于获取所述商品候选库中的商品相对应的用户行为数据；数据清洗子模块，用于清洗所述用户行为数据获得交互行为数据，所述交互行为数据包括被访问的商品，访问该商品的用户、该用户触发的交互行为事件的行为类型，不同行为类型与同一预设业务流程的不同业务环节相对应；构造获取子模块，用于根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图。
38.可选的，所述构造获取子模块，包括：数据筛选单元，用于确定待构造交互数据图的目标行为类型，筛选出该行为类型相对应的交互行为数据；节点处理单元，用于创建目标行为类型相对应的交互数据图，在其中建立所述商品候选库中的商品相对应的节点；边处理单元，用于根据筛选出的交互行为数据，统计任意两个商品相对应的交互行为数据中的共有用户数，将该共有用户数确定为该两个商品相对应的节点的边。
39.可选的，所述第二获取模块，包括：信息获取子模块，用于获取所述商品候选库中的商品相对应的多类商品属性数据；第一构造子模块，用于针对其中共有属性唯一的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性是否相同而对应以二值化数值表示该两个节点的关联度，以所述关联度为该两个节点的边；第二构造子模块，用于针对其中包含多个共有属性的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性的重合数及所述共有属性相对应的属性值的重合数的和值作为关联度，以所述关联度为该两个节点的边。
40.可选的，所述相似运算模块，包括：向量转换子模块，用于将每个交互数据图和每个商品信息图映射到高维信息矩阵空间，获得相应的各个高维信息矩阵；矩阵分解子模块，用于对每个高维信息矩阵进行非负矩阵分解，得到基矩阵和系数矩阵；矩阵重构子模块，用于将每个高维信息矩阵对应的基矩阵和系数矩阵重构为单图相似度矩阵；加权求和子模块，用于将各个单图相似度矩阵加权求和以汇总获得综合相似度矩阵。
41.可选的，所述商品召回模块，包括：请求响应子模块，用于响应终端设备提交的商品匹配请求，获取该请求相对应的指定商品；相似匹配子模块，用于从所述综合相似度矩阵中查询获取该指定商品相对应的行向量，从该行向量中筛选出相似度数值高于预设阈值的商品作为目标商品，该行向量中每个维度的相似度数值对应所述商品候选库中的一个商品；列表构造子模块，用于从所述商品候选库中调用所述目标商品相对应的商品信息，根据
所述目标商品的商品信息构造出商品推荐列表；列表推送子模块，用于将所述商品推荐列表推送至所述终端设备。
42.可选的，所述预设业务流程为商品交易流程，其包含如下多个业务环节：商品浏览的环节、将商品添加至购物车的环节、执行创建商品订单的环节、支付商品订单的环节。
43.又一方面，适应本技术的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的商品推荐列表生成方法的步骤。
44.又一方面，适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的商品推荐列表生成方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
45.又一方面，适应本技术的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述的商品推荐列表生成方法的步骤。
46.相对于现有技术，本技术具有多方面的优势，至少包括：本技术采用图结构，一方面获取基于用户行为数据对应不同交互行为事件生成的交互数据图，另一方面获取基于商品信息对应不同共有属性情况生成的商品信息图，从而获得与商品推荐相关的异构信息，然后，基于各个图结构独立运算获得的单图相似度矩阵汇总出综合相似度矩阵，根据综合相似度矩阵实现为指定商品召回商品候选库中的相似商品，获得商品推荐列表。由此可见，从信息的角度来看，根据商品信息和用户行为数据两类信息共同确定两两商品之间的相似度，确保对商品与商品之间的匹配程度的准确描述；从技术实现的角度来看，借助每个单图确定其单图相似度矩阵，最终确定综合相似度矩阵的过程，使得整个过程均可基于矩阵运算高效快速获得运算结果，计算量低，而执行高效。因此，本技术能以较低的系统开销获得与指定商品相匹配的相似商品构成的商品推荐列表，执行效率更高，实现成本更低，适于在独立站点中部署。
附图说明
47.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
48.图1为本技术的商品推荐列表生成方法的典型实施例的流程示意图。
49.图2为本技术的实施例中，根据交互数据图和商品信息图获得综合相似度矩阵的过程的流程示意图。
50.图3为本技术的实施例中，根据用户行为数据获得交互数据图的过程的流程示意图。
51.图4为本技术的实施例中，构造行为类型相对应的交互数据图的过程的流程示意图。
52.图5为本技术的实施例中，根据商品属性数据构造商品信息图的过程的流程示意图。
53.图6为本技术的实施例中，响应商品匹配请求而推送商品推荐列表的过程的流程示意图。
54.图7为本技术的商品推荐列表生成装置的原理框图；
55.图8为本技术所采用的一种计算机设备的结构示意图。
具体实施方式
56.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
57.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
58.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
59.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personal communications service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobile internet device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
60.本技术所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
61.需要指出的是，本技术所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本技术的网络部署方式的实施方式。
62.本技术的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
63.本技术中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。
64.本技术所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本技术的技术方案所调用即可。
65.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
66.本技术即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本技术的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
67.本技术的一种商品推荐列表生成方法，可被编程为计算机程序产品，部署于客户端或服务器中运行而实现，例如，本技术的示例性应用场景中，可以在电商平台的服务器中部署实现，藉此可以通过访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
68.请参阅图1，本技术的商品推荐列表生成方法在其典型实施例中，包括如下步骤：
69.步骤s1100、获取交互数据图，每个交互数据图以商品候选库中的商品为节点，以任意两个节点各自的商品之间对应相同交互行为事件的共有用户数为该两个节点的边；
70.示例性的应用场景中，根据本技术获得的计算机程序产品被安装部署于电商平台的独立站点中运行，用于为该独立站点所架设的线上店铺中的商品提供相似匹配服务。所述线上店铺提供有一个商品候选库，该商品候选库可以是存储该线上店铺的全量商品相对应的商品数据库，也可以是从所述的商品数据库中采集的部分商品构成的商品优选数据库，例如可以是所述商品数据库中享有广告投放权限相对应的商品所构成的数据库。概括而言，所述商品候选库包含有多个商品，根据其中的每个商品，可以获得各个商品相对应的商品信息及用户行为数据。
71.根据所述商品的用户行为数据，可以生成用户行为数据中的各个行为类型相对应的交互数据图，因而，每个交互数据图对应一种行为类型。所述交互数据图中，以图结构的形式表示商品与商品之间关联于用户所产生的交互行为事件的关系信息。
72.所述交互数据图中，所述商品候选库中的每一个商品，被对应存储为交互数据库中的一个节点，可将该商品的唯一特征信息转换为索引值存储于其相应的节点中，而任意两个节点之间的边，则以该两个节点相对应的两个商品之间，关联于该交互数据图相对应的交互行为事件的共有用户的总量，即共有用户数来加以表示。具体而言，当同一用户针对两个节点相对应的两个商品均实施了相同用户行为，而对应触发相同交互行为事件时，则这两个节点之间的边的数值可累计1个单位，据此统计确定出整个商品候选库中任意两两节点之间的边即可。
73.所述交互数据图可以预先制备，可以包括一个或多个，一般采用多个交互数据图，分别对应不同的交互行为事件，通过多个交互数据图，可以为商品的相似匹配提供基于用户行为数据提取的参考信息。一种实施例中，所述的交互数据图可以预先制备以供直接调用，后文将揭示的另一实施例中，也给出了根据商品候选库制备所述交互数据图的参考方式，此处按下不表。
74.一种实施例中，可将每个交互数据图表示为特征矩阵，具体可表示为一个节点特征矩阵和一个边特征矩阵，其中将每个节点的商品自有的商品特征信息表示为所述节点特征矩阵中的一个行向量，所述的商品特征信息可以是自相应的商品的商品信息中提取的特征值，例如可以是通过应用特征提取模型对相应的商品的商品信息中的商品标题、商品属性数据、商品详情文本、商品图片等任意之一或任意多项提取深层语义信息获得的特征值；将每个节点与其他节点的边的共有用户数构成该节点在所述边特征矩阵中的行向量，不难看出，所述的边特征矩阵是一个对称矩阵。将所述交互数据图表示为特征矩阵的形式，便于实现矩阵运算，以提升运算效率。
75.步骤s1200、获取商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性相对应的关联度为边；
76.根据商品候选库中的商品，可以获取其商品信息，具体可以获取其商品信息中的商品属性数据。示例而言，所述的商品属性数据可以包括商品的品类、品牌、名称、描述属性中任意一个具体类别或任意多个具体类别，每个具体类别的商品属性数据可以对应制备一个商品信息图。
77.每个所述的商品信息图中，将所述商品候选库中的各个商品表示为其中的节点，可将该商品的唯一特征信息转换为索引值存储于其相应的节点中，而任意两个节点之间的边，则以该两个节点相对应的两个商品之间，根据该商品信息图相对应的具体类别的商品属性数据之间的关联关系确定的关联度来加以表示。
78.示例性各个具体类别的商品属性数据可以划分为两大类，第一大类是共有属性唯一的，例如品类、品牌、名称等，商品一般拥有单一的品类、单一的品牌、单一的名称，故可采用单一的属性名表示，因而相应的具体类别的商品属性数据可归属为共有属性唯一的商品属性数据。第二大类是共有属性不唯一的情况，例如所述的描述属性，每个商品通常包含多个描述属性相对应的属性名，例如：以服装为例，可以包括属性名为颜色、款式、尺码等的多个描述属性，对于这种具体类别的商品属性数据，可将其独立归属为包含多个共有属性的商品属性数据。
79.所述的关联度，一种实施例中，适共有属性唯一的第一大类，可根据任意两个节点彼此的商品之间，对应相同具体类别的商品属性数据是否拥有相同的属性值，对应采用二
值化数值来表示。例如，对于具体类别为品类的情况，如果两个节点彼此的商品的品类均为“上衣”，则该两个节点之间的关联度可表示为数值1；如果两个节点彼此的商品的品类各不相同，例如一个为“上衣”，另一个为“秋裤”，则该两个节点之间的关联度可表示为数值0。据此，以二值化数值的形式实现对一个具体类别的商品属性数据相对应的商品信息图中的边的表示。
80.另一种实施例中，适应共有属性不唯一的第二大类，可根据任意两个节点彼此的商品之间，对应相同具体类别的商品属性数据，计算两个商品的相同属性名的交集，以及两个商品的相同属性值的交集，将两个交集对应的数值相加，作为该两个商品也即该两个节点之间的关联度，起到有效表示该两个节点之间的边的作用。
81.概括而言，根据各个商品信息图相对应的商品属性数据中，不同商品之间属性与属性之间的关联，可以将这种关联关系量化为数值，用作相应的商品与商品之间的关联度，用于表示商品与商品之间的边信息。
82.所述商品信息图可以预先制备，可以包括一个或多个，一般采用多个商品信息图，分别对应不同的具体类别的商品属性数据，通过多个商品信息图，可以为商品的相似匹配提供基于商品属性数据提取的参考信息。一种实施例中，所述的商品信息图可以预先制备以供直接调用，后文将揭示的另一实施例中，也给出了根据商品候选库制备所述商品信息图的参考方式，此处按下不表。
83.一种实施例中，可将每个商品信息图表示为特征矩阵，具体可表示为一个节点特征矩阵和一个边特征矩阵，其中将每个节点的商品自有的商品特征信息表示为所述节点特征矩阵中的一个行向量，所述的商品特征信息可以是自相应的商品的商品信息中提取的特征值，例如可以是通过应用特征提取模型对相应的商品的商品信息中的商品标题、商品属性数据、商品详情文本、商品图片等任意之一或任意多项提取深层语义信息获得的特征值；将每个节点与其他节点的边的关联度构成该节点在所述边特征矩阵中的行向量，不难看出，所述的边特征矩阵是一个对称矩阵。将所述商品信息图表示为特征矩阵的形式，便于实现矩阵运算，以提升运算效率。
84.步骤s1300、分别确定各个交互数据图和各个商品信息图中商品与商品之间的单图相似度矩阵，汇总所有单图相似度矩阵获得商品与商品之间的综合相似度矩阵；
85.针对每个交互数据图或商品信息图，可以根据各个图本身的节点特征矩阵和边特征矩阵计算其中的商品与商品之间的相似度，获得相应的单图相似度矩阵。
86.如图2所示的实施例中，本步骤可以包括如下具体步骤：
87.步骤s1310、将每个交互数据图和每个商品信息图映射到高维信息矩阵空间，获得相应的各个高维信息矩阵；
88.对于每个交互数据图或每个商品信息图计算相似度时，可将其视为一个目标图数据，据此，每个目标图数据均包括一个节点特征矩阵和一个相应的边特征矩阵。
89.进一步，应用核函数算法，将所述节点特征矩阵和边特征矩阵映射到高维信息矩阵空间，获得所述目标图数据相对应的高维信息矩阵。常见的核函数有线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数等，均可择一使用。
90.据此，通过对每个交互数据图和每个商品信息图分别应用核函数算法，便可分别获得每个图相对应的高维信息矩阵。
91.步骤s1320、对每个高维信息矩阵进行非负矩阵分解，得到基矩阵和系数矩阵；
92.所述高维信息矩阵中，负数的存在是没有意义的，所以可以通过非负矩阵分解(non-negative matrix factorization,nmf)算法，将每个高维信息矩阵分解为基矩阵和系数矩阵。
93.非负矩阵分解，属于矩阵分解的一种算法。在特征分解，svd等传统的矩阵分解技术中，分解后的矩阵会出现负值，但是负值在实际场景中是没有意义的，基于非负数的约束，nmf矩阵分解算法应运而生。对于任意一个非负矩阵k，可以将该矩阵划分为两个非负矩阵w、h的乘积。其中w称之为基矩阵，h称之为系数矩阵，根据矩阵乘法的定义，w中的每一个列向量乘以h矩阵对应的列向量，得到k矩阵中的一个列向量，其实就是一个线性组合。
94.可以，每个图相对应的高维信息矩阵经非负矩阵分解之后，可以获得两个非负值的矩阵，使得分解后的两个矩阵更加具有实际意义。
95.步骤s1330、将每个高维信息矩阵对应的基矩阵和系数矩阵重构为单图相似度矩阵；
96.为了确定出每个目标图数据相对应的单图相似度矩阵，可以对每个高维信息矩阵相对应的基矩阵w和系数矩阵h进行重构，通过重构获得单个特征矩阵，即为其相应的单图相似度矩阵。一个实施例中，可以应用如下公式对每个高维信息矩阵k
ij
相对应的基矩阵w和系数矩阵h进行重构，获得单图相似度矩阵
[0097][0098]
该公式表示，在对所述基矩阵和系数矩阵重构的过程中，对两者计算内积，其内积结果所得的单图相似度矩阵中的各个元素值，便可视为其所在的行相对应的商品与其所在的列相对应的商品之间的相似度。
[0099]
不难理解，针对每个所述的交互数据图、商品信息图均确定出其相对应的单图相似度矩阵，其实质上是基于每个图相对应的维度的信息，确定出了商品与商品之间的相似程度。
[0100]
步骤s1340、将各个单图相似度矩阵加权求和以汇总获得综合相似度矩阵。
[0101]
为了实现对所述各个单图相似度矩阵的综合，可以应用预设权重，将各个单图相似度矩阵匹配相应权重后进行矩阵求和，获得最终的矩阵作为综合相似度矩阵，同理，所述综合相似度矩阵中的各个元素的数值，表征了该元素所在的行的商品与该元素所在的列的商品之间的综合相似程度。至此，实现根据各个所述的交互数据图、商品信息图综合确定所述商品候选库中的商品与商品之间的相似度。
[0102]
根据以上过程可以理解，根据交互数据图与商品信息图确定商品候选库中的商品与商品之间的相似度的过程，均基于矩阵运算进行，运算量较低，运算效率较高，可以快速获得运算结果，故降低了部署成本。
[0103]
步骤s1400、根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表。
[0104]
当需要针对指定商品匹配出其相似商品时，可以调用所述综合相似度矩阵进行查
找实现。
[0105]
所述的指定商品，在不同实施例中可由不同的对象确定，例如，一种实施例中可由商家用户自行确定所述的指定商品，以便为商家用户寻找与指定商品相似的商品，方便用户寻找相似货源；另一种实施例中，可由系统通过分析用户触发的作用于某一商品的交互行为事件而将该商品确定为指定商品，以便根据该交互行为事件相对应的商品向用户推送相似商品，起到推广作用。诸如此类均可。
[0106]
确定了所述的指定商品之后，获取该指定商品在所述综合相似度矩阵中的行向量(或列向量，下同)，不难理解，该行向量中的各个维度，也即各个元素，便与所述商品候选库中的各个候选商品相对应，用于表示指定商品与相应的候选商品之间的相似度数值。因此，从中确定相似度数值高于预设阈值的多个候选商品，或者确定出相似度数值较高的前n(n为大于0的正整数，可任意预设)个候选商品，将这些候选商品构成为商品推荐列表即可。所述商品推荐列表中，可以进一步包含从商品数据库或从商品候选库中获取的相应商品信息。
[0107]
所述商品推荐列表，根据实际应用的不同，可以做不同利用。例如，一种实施例中，将所述商品推荐列表作为粗召回数据，传输至对该商品推荐列表中的商品进行精排序的接口中进一步排序以便获得最终结果，服务于商品搜索、商品广告投放、商品推荐等任意任务。另一实施例中，可将该商品推荐列表直接作为最终结果推送到访问线上店铺的终端设备，以便起到快速广告投放的效果。
[0108]
根据以上实施例，不难理解，相对于现有技术，本技术具有多方面的优势，至少包括：
[0109]
本技术采用图结构，一方面获取基于用户行为数据对应不同交互行为事件生成的交互数据图，另一方面获取基于商品信息对应不同共有属性情况生成的商品信息图，从而获得与商品推荐相关的异构信息，然后，基于各个图结构独立运算获得的单图相似度矩阵汇总出综合相似度矩阵，根据综合相似度矩阵实现为指定商品召回商品候选库中的相似商品，获得商品推荐列表。由此可见，从信息的角度来看，根据商品信息和用户行为数据两类信息共同确定两两商品之间的相似度，确保对商品与商品之间的匹配程度的准确描述；从技术实现的角度来看，借助每个单图确定其单图相似度矩阵，最终确定综合相似度矩阵的过程，使得整个过程均可基于矩阵运算高效快速获得运算结果，计算量低，而执行高效。因此，本技术能以较低的系统开销获得与指定商品相匹配的相似商品构成的商品推荐列表，执行效率更高，实现成本更低，适于在独立站点中部署。
[0110]
在以上任意实施例的基础上，请参阅图3，所述步骤s1100、获取交互数据图，包括如下步骤：
[0111]
步骤s1110、获取所述商品候选库中的商品相对应的用户行为数据；
[0112]
所述的用户行为数据，主要用于记录用户在电商平台的线上店铺的交互行为相对应的历史数据，可根据预设时间范围，获取一段历史时长范围内的用户行为数据作为构建交互行为图的基础素材。所述的预设时间范围，可以是例如当天起回溯三天、七天、半月等任意时长，由本领域技术人员按需预设即可。
[0113]
步骤s1120、清洗所述用户行为数据获得交互行为数据，所述交互行为数据包括被访问的商品，访问该商品的用户、该用户触发的交互行为事件的行为类型，不同行为类型与
同一预设业务流程的不同业务环节相对应；
[0114]
所获取的用户行为数据一般是以一定的数据表达方式表示的，一般包含了相应的用户对某一商品执行预设业务流程中某个业务环节相对应的信息，表征存在与所述业务环节相应类型的行为事件。适应其用于生成交互数据图所需，需对所述的用户行为数据进行数据清洗。
[0115]
一种实施例中，从每一商品相对应的每条用户行为数据中，提取出其中被访问的商品product、访问该商品的用户user，以及该用户针对该商品触发交互行为事件相对应的行为类型action，也即对该商品适用了该交互行为事件相对应的业务环节，然后将所述的商品product、用户user、行为类型action构造为映射关系数据，例如表示为三元组{product；user；action}，由此，实现对所述用户行为数据的数据清洗。
[0116]
可见，每个交互行为事件对应一个行为类型，用于表示对相应的商品实施的一种相应的业务操作，可以是对应预设的业务流程中的一个相应的业务环节。
[0117]
一种实施例中，所述预设业务流程为电商平台中设置的商品交易流程，其包含如下多个业务环节：商品浏览的环节、将商品添加至购物车的环节、执行创建商品订单的环节、支付商品订单的环节。按照商品交易流程所包含的不同业务环节划分不同的交互行为事件，一一对应不同的行为类型，使得所述的三元组可以表征一个用户针对一个商品执行了相应行为类型的用户操作，从而，获得不同行为类型相对应的交互行为数据。
[0118]
步骤s1130、根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图。
[0119]
在获得各个用户行为数据清洗后的交互行为数据的三元组后，便可根据这些三元组所包含的数据，直接构造出各个行为类型相对应的交互数据图。一种实施例中，按照每个业务环节相对应的一种行为类型，建立该种行为类型相对应的交互数据图，以预设业务流程为商品交易流程为例，可以获得所述商品浏览的环节、将商品添加至购物车的环节、执行创建商品订单的环节、支付商品订单的环节相对应的四个交易数据图。如前所述，交易数据图中的节点指示具体商品，而节点与节点之间的边，则以其对应的商品与商品之间对应相同行为类型的共有用户数确定。
[0120]
根据以上的实施例可以看出，在商品候选库的商品相对应的用户行为数据的基础上，经过数据清洗，可以获得其交互行为数据的三元组，在这些三元组的基础上，按照不同行为类型可直接构造出各种行为类型相对应的交互数据图，每个交互数据图由此表征了所述商品候选库中商品与商品之间基于该交互数据图对应的行为类型统计的共有用户数确定的边连接关系，使得交互数据图能够以不同行为类型为维度，反映商品与商品之间的关联信息，方便基于各种不同行为类型考察商品与商品之间的相似程度。
[0121]
在以上任意实施例的基础上，请参阅图4，所述步骤s1130、根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图，包括如下步骤：
[0122]
步骤s1131、确定待构造交互数据图的目标行为类型，筛选出该行为类型相对应的交互行为数据；
[0123]
当需要构造一个目标行为类型相对应的交互数据图时，先从经数据清洗后获得的交互数据中，筛选出目标行为类型相对应的交互行为数据，即前述示例中的三元组。
[0124]
步骤s1132、创建目标行为类型相对应的交互数据图，在其中建立所述商品候选库
中的商品相对应的节点；
[0125]
根据预设的图结构，针对所述目标行为类型创建相对应的交互数据图，然后，先将所述商品候选库中的各个商品存储为其中的各个节点，为将商品表示为节点，可将该商品的唯一性特征信息，例如其商品id、sku或spu等，转换为唯一性索引值，存储于相应的节点中。另一实施例中，还可以将该商品经由特征提取模型提取其商品信息获得的特征信息关联存储于相应的节点中，以方便调用。
[0126]
步骤s1133、根据筛选出的交互行为数据，统计任意两个商品相对应的交互行为数据中的共有用户数，将该共有用户数确定为该两个商品相对应的节点的边。
[0127]
为了确定所述交互数据图中节点与节点之间的边，对所述交互数据图中每两个节点相对应的两个商品之间的所有对应目标行为类型的交互行为数据进行统计，统计出两者之中的共有用户数，将该共有用户数作为该两个节点的边。
[0128]
每个目标行为类型相对应的交互数据图均可按照上述的过程进行构造，从而直接构造出不同行为类型一一相对应的各个交互数据图。
[0129]
根据以上实施例可知，本技术可以根据预设的图结构直接在数据清洗后获得的交互行为数据的基础上构造出各种行为类型相对应的交互数据图，所述交互数据图能够有效表征以其相应的行为类型为参考维度而确定的商品与商品之间的关联信息。
[0130]
在以上任意实施例的基础上，请参阅图5，所述步骤s1200、获取商品信息图，包括如下步骤：
[0131]
步骤s1210、获取所述商品候选库中的商品相对应的多类商品属性数据；
[0132]
商品候选库中的每种商品，均按照电商平台对商品的规范而包括有多种商品信息，所述商品信息中，包含有商品的品类、品牌、名称等第一大类商品属性数据，也可包含有用于较为全面描述商品的各种产品特征的描述属性的第二二大类商品属性数据。第一大类商品属性数据所包含的属性是唯一的，也即每个属性对应一个具体类别，不同商品之间按照同一具体类别对应的共有属性提供商品属性数据。第二大类商品属性数据则直接包含多个描述属性，也即不同商品之间可能包含多个共有属性相对应的商品属性数据。这些商品属性数据作为商品的商品信息的一部分，被存储于线上店铺关联的数据库中，例如存储于所述商品候选库中。当需要使用时，直接调用即可。
[0133]
步骤s1220、针对其中共有属性唯一的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性是否相同而对应以二值化数值表示该两个节点的关联度，以所述关联度为该两个节点的边；
[0134]
对于共有属性唯一的第一大类中各个具体类别的商品属性数据，在构造各个具体类别相对应的商品信息图时，每个商品信息图仍可以所述商品候选库中的商品为节点，按照前文揭示的方式将商品存储为节点，但是，其中每两个节点之间的边，则可根据该两个节点各自的商品之间的共有属性是否相同进行不同的赋值，具体是指两个商品之间，各自的共有属性相对应的属性值是否相同，当两者的属性值相同时，可以确定相应的两个节点之间的关联度为1，当两者的属性值不同时，可以确定相应的两个节点之间的关联度为0，实现以二值化数值表示两个节点的关联度，而所述的关联度则存储为该两个节点的边。根据这一原理，可以建立所述第一大类的各个具体类别的商品信息图中的节点与节点之间的边信
息，从而完成各个具体类别的商品信息图的直接构造。
[0135]
据此不难理解，本实施例中，可以分别针对所述品类、品牌、名称等具体类别分别建立其各自对应的商品信息图，然后，根据品类、品牌、名称是否相同，获得各个商品信息图相应的边信息。
[0136]
步骤s1230、针对其中包含多个共有属性的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性的重合数及所述共有属性相对应的属性值的重合数的和值作为关联度，以所述关联度为该两个节点的边。
[0137]
对于共有属性不唯一的第二大类中各个类别的商品属性数据，本实施例中第二大类可仅为单个具体类别，由商品的描述属性相对应的数据构成。在构造第二大类相对应的商品信息图时，该商品信息图仍可以所述商品候选库中的商品为节点，按照前文揭示的方式将商品存储为节点，但是，其中每两个节点之间的边，则可根据该两个节点各自的商品之间的共有属性的重合数，以及共有属性相对应的数值的重合数，求取两个重合数的和值，将该和值确定为该两个节点的关联度，将该关联度存储为该两个节点的边。根据这一原理，可以建立所述第二大类的单个具体类别的商品信息图中的节点与节点之间的边信息，从而完成各个具体类别的商品信息图的直接构造。
[0138]
根据以上的实施例，可以看出，本技术可以根据预设的图结构直接在数据清洗后获得的商品属性数据的基础上构造出多个具体类别相对应的商品信息图，不同具体类别用于对应不同类型的商品属性数据，由此构造的商品信息图能够有效表征商品与商品之间基于不同商品属性而确定的关联信息。
[0139]
在以上任意实施例的基础上，请参阅图6，所述步骤s1400、根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表，包括如下步骤：
[0140]
步骤s1410、响应终端设备提交的商品匹配请求，获取该请求相对应的指定商品；
[0141]
当线上店铺的消费者用户在其终端设备访问一个商品之后，其所访问的页面可以通过页面的后台指令相应触发一个商品匹配请求，在该请求中包含当前被访问的商品，将其作为指定商品，包含于该请求中，发送给独立站点的服务器。服务器接收所述的商品匹配请求，解析获得其中的指定商品。
[0142]
步骤s1420、从所述综合相似度矩阵中查询获取该指定商品相对应的行向量，从该行向量中筛选出相似度数值高于预设阈值的商品作为目标商品，该行向量中每个维度的相似度数值对应所述商品候选库中的一个商品；
[0143]
如前所述，事先已经确定了商品候选库相对应的综合相似度矩阵，其中表征商品候选库中两两商品之间的相似度数值，且每个行向量表示其所在行相对应的商品与所述商品候选库中各个商品相对应的相似度，因而，只需从该综合相似度矩阵中提取出所述指定商品相对应的行向量，该行向量中的每个维度(元素)所存储的相似度数值，便表征该指定商品与商品候选库中的一个相应商品之间的相似度，于是，可以根据预设阈值，从所述行向量中筛选出相似度数值高于该预设阈值的商品，作为用于构造商品推荐列表的目标商品。所述的预设阈值，可以是实测阈值或者经验阈值，可由本领域技术人员按需设定。
[0144]
步骤s1430、从所述商品候选库中调用所述目标商品相对应的商品信息，根据所述
目标商品的商品信息构造出商品推荐列表；
[0145]
所述商品候选库可以预先存储其中的各个商品的商品信息，包括商品标题、商品图片、商品价格、商品页面链接等具体信息均可。据此，在确定了所述的目标商品后，进一步从该商品候选库中获取各个目标商品相对应的商品信息，将这些商品信息按照预设格式规范构造为结构体，将各个目标商品的结构体封装构造于一个商品推荐列表中。
[0146]
步骤s1440、将所述商品推荐列表推送至所述终端设备。
[0147]
最后，将所述商品推荐列表推送至所述的终端设备处，以应答所述的商品匹配请求，使该终端设备解析显示所述的商品推荐列表中的各个目标商品的商品标题、商品图片以及商品价格等，并且为商品图片、商品标题关联所述的商品页面链接，以方便用户通过触控所述商品图片或商品标题而进入相应的目标商品页面。
[0148]
根据以上的实施例可以知晓，根据本技术事先获得的综合相似度矩阵，可以响应商品匹配请求，根据商品匹配请求中的指定商品，快速高效地确定与该指定商品相匹配的相似目标商品，所述的商品匹配请求可以是用户的终端设备的后台指令静默发送的，可以无需用户干预，从而起到向用户投放商品广告的作用。
[0149]
请参阅图7，适应本技术的目的之一而提供一种商品推荐列表生成装置，是对本技术的商品推荐列表生成方法的功能化体现，该装置包括第一获取模块1100、第二获取模块1200、相似运算模块1300，以及商品召回模块1400，其中：所述第一获取模块1100，用于获取交互数据图，每个交互数据图以商品候选库中的商品为节点，以任意两个节点各自的商品之间对应相同交互行为事件的共有用户数为该两个节点的边；所述第二获取模块1200，用于获取商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性相对应的关联度为边；所述相似运算模块1300，用于分别确定各个交互数据图和各个商品信息图中商品与商品之间的单图相似度矩阵，汇总所有单图相似度矩阵获得商品与商品之间的综合相似度矩阵；所述商品召回模块1400，用于根据指定商品，从综合相似度矩阵中确定与该指定商品构成相似的商品，从商品候选库中提取出商品推荐列表。
[0150]
可选的，所述第一获取模块1100，包括：数据获取子模块，用于获取所述商品候选库中的商品相对应的用户行为数据；数据清洗子模块，用于清洗所述用户行为数据获得交互行为数据，所述交互行为数据包括被访问的商品，访问该商品的用户、该用户触发的交互行为事件的行为类型，不同行为类型与同一预设业务流程的不同业务环节相对应；构造获取子模块，用于根据所述交互行为数据，构造获得每种行为类型相对应的交互数据图。
[0151]
可选的，所述构造获取子模块，包括：数据筛选单元，用于确定待构造交互数据图的目标行为类型，筛选出该行为类型相对应的交互行为数据；节点处理单元，用于创建目标行为类型相对应的交互数据图，在其中建立所述商品候选库中的商品相对应的节点；边处理单元，用于根据筛选出的交互行为数据，统计任意两个商品相对应的交互行为数据中的共有用户数，将该共有用户数确定为该两个商品相对应的节点的边。
[0152]
可选的，所述第二获取模块1200，包括：信息获取子模块，用于获取所述商品候选库中的商品相对应的多类商品属性数据；第一构造子模块，用于针对其中共有属性唯一的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性是否相同而对应以二值化数值表
示该两个节点的关联度，以所述关联度为该两个节点的边；第二构造子模块，用于针对其中包含多个共有属性的各类商品属性数据，构造获得其相对应的商品信息图，每个商品信息图以商品候选库中的商品为节点，以任意两个节点各自的商品之间的共有属性的重合数及所述共有属性相对应的属性值的重合数的和值作为关联度，以所述关联度为该两个节点的边。
[0153]
可选的，所述相似运算模块1300，包括：向量转换子模块，用于将每个交互数据图和每个商品信息图映射到高维信息矩阵空间，获得相应的各个高维信息矩阵；矩阵分解子模块，用于对每个高维信息矩阵进行非负矩阵分解，得到基矩阵和系数矩阵；矩阵重构子模块，用于将每个高维信息矩阵对应的基矩阵和系数矩阵重构为单图相似度矩阵；加权求和子模块，用于将各个单图相似度矩阵加权求和以汇总获得综合相似度矩阵。
[0154]
可选的，所述商品召回模块1400，包括：请求响应子模块，用于响应终端设备提交的商品匹配请求，获取该请求相对应的指定商品；相似匹配子模块，用于从所述综合相似度矩阵中查询获取该指定商品相对应的行向量，从该行向量中筛选出相似度数值高于预设阈值的商品作为目标商品，该行向量中每个维度的相似度数值对应所述商品候选库中的一个商品；列表构造子模块，用于从所述商品候选库中调用所述目标商品相对应的商品信息，根据所述目标商品的商品信息构造出商品推荐列表；列表推送子模块，用于将所述商品推荐列表推送至所述终端设备。
[0155]
可选的，所述预设业务流程为商品交易流程，其包含如下多个业务环节：商品浏览的环节、将商品添加至购物车的环节、执行创建商品订单的环节、支付商品订单的环节。
[0156]
为解决上述技术问题，本技术实施例还提供计算机设备。如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种商品搜索类目识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本技术的商品推荐列表生成方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0157]
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术的商品推荐列表生成装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0158]
本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的商品推荐列表生成方法的步骤。
[0159]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令
被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
[0160]
本领域普通技术人员可以理解实现本技术上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等计算机可读存储介质，或随机存储记忆体(random access memory，ram)等。
[0161]
综上所述，从信息的角度来看，根据商品信息和用户行为数据两类信息共同确定两两商品之间的相似度，确保对商品与商品之间的匹配程度的准确描述；从技术实现的角度来看，借助每个单图确定其单图相似度矩阵，最终确定综合相似度矩阵的过程，使得整个过程均可基于矩阵运算高效快速获得运算结果，计算量低，而执行高效。因此，本技术能以较低的系统开销获得与指定商品相匹配的相似商品构成的商品推荐列表，执行效率更高，实现成本更低，适于在独立站点中部署。
[0162]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0163]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。