一种产品推荐方法、装置和存储介质与流程

1.本技术涉及数据分析技术领域，特别是涉及一种产品推荐方法、装置和存储介质。


背景技术：

2.安防行业的产品具有品类多及功能特点异常多的特点。随着产品功能研发的不断细分化，整体类似但存在细微功能差异的产品越来越多，对客户实际使用选购时造成了困扰。此外，安防行业还具有以行业客户选产品的特点，针对不同行业客户，同一需求的最适合产品是不同的。因此，通过对客户的产品使用场景历史数据进行分析，为客户推荐使用场景下最适用的产品尤为重要。在为客户推荐使用场景下最适用的产品时，需要对客户的产品使用场景的大量的历史数据进行分析。现有技术中的推荐方法所使用的数据分析方式对大量的历史数据进行分析，导致计算分析效率较低。
3.针对现有技术中使用的数据分析方式对大量的历史数据进行分析，导致计算分析效率较低的问题，目前还没有提出有效的解决方案。


技术实现要素：

4.在本实施例中提供了一种产品推荐方法、装置和存储介质，以解决现有技术中使用的数据分析方式对大量的历史数据进行分析，导致计算分析效率较低的问题。
5.第一个方面，在本实施例中提供了一种产品推荐方法，所述方法包括：
6.获取所述产品的历史数据，根据所述历史数据构建第一数据矩阵；所述第一数据矩阵包括所述产品所支持的功能点；
7.对所述第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组；
8.计算所述第一产品功能组的信息增益；
9.根据所述信息增益，对所述第一产品功能组进行选择，得到第二产品功能组；
10.计算所述第二产品功能组的产品推荐概率，根据所述产品推荐概率推荐产品。
11.在其中的一些实施例中，所述第一数据矩阵的矩阵元素a
ij
表示产品i是否支持功能点j，其中，i为1到m的自然数，j为1到n的自然数，所述m为产品数量，所述n为功能点数量。
12.在其中的一些实施例中，所述对所述第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组包括：
13.计算所述第一数据矩阵的各列向量之间的相似度，将所述第一数据矩阵中的列向量之间的相似度大于第一预设值的列向量进行合并，生成第二数据矩阵，所述第二数据矩阵的列向量包括多个所述第一产品功能组。
14.在其中的一些实施例中，所述计算所述第一产品功能组的信息增益包括：
15.计算所述第二数据矩阵各列向量的信息增益。
16.在其中的一些实施例中，所述根据所述信息增益，对所述第一产品功能组进行选择，得到第二产品功能组包括：
17.根据所述信息增益对所述第二数据矩阵的列向量进行排序；
18.根据排序结果，选择所述第二数据矩阵中的列向量的信息增益满足预设条件的列向量，生成所述第二产品功能组。
19.在其中的一些实施例中，所述计算所述第二产品功能组的产品推荐概率包括：
20.根据所述第二产品功能组计算所述产品的适用概率和不适用概率，根据所述适用概率和不适用概率计算所述产品的推荐概率。
21.在其中的一些实施例中，所述根据所述第二产品功能组计算所述产品的适用概率和不适用概率包括：
22.根据所述第二产品功能组利用朴素贝叶斯算法，计算所述产品的适用概率和不适用概率。
23.在其中的一些实施例中，所述第二数据矩阵的矩阵元素b
ij
表示产品i是否支持第一产品功能组j，其中，i为1到m的自然数，j为1到n
′
的自然数，所述m为产品数量，所述n
′
为第一产品功能组数量，每个第一产品功能组中包括一个或多个产品功能点；所述历史数据中包括所述产品的特征数据；
24.所述计算所述第二数据矩阵各列向量的信息增益包括：
25.根据所述产品的特征数据生成所述产品的特征向量，所述特征向量的元素ci表示产品i的特征；
26.根据所述特征向量计算第一熵值；
27.根据所述第二数据矩阵，计算所述第一产品功能组j的第二熵值；
28.根据所述第一熵值和所述第二熵值，计算所述第二数据矩阵各列向量的信息增益。
29.第二个方面，在本实施例中提供了一种产品推荐装置，所述装置包括：
30.获取模块，用于获取所述产品的历史数据，根据所述历史数据构建第一数据矩阵；所述第一数据矩阵包括所述产品所支持的功能点；
31.分析模块，用于对所述第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组；
32.计算模块，用于计算所述第一产品功能组的信息增益；
33.选择模块，用于根据所述信息增益，对所述第一产品功能组进行选择，得到第二产品功能组；
34.推荐模块，用于计算所述第二产品功能组的产品推荐概率，根据所述产品推荐概率推荐产品。
35.第三个方面，在本实施例中提供了计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一个方面所述的产品推荐方法的步骤。
36.与现有技术相比，在本实施例中提供的产品推荐方法、装置和存储介质，通过对第一数据矩阵进行相似度分析和计算第一产品功能组的信息增益并根据信息增益对第一产品功能组进行选择，计算相似度和计算信息增益作为筛选条件，大幅减少了后置步骤中产品数据分析的计算量，提高了计算效率。
37.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
38.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
39.图1是执行本实施例的一种产品推荐方法的终端的硬件结构示意图；
40.图2是本实施例的一种产品推荐方法的流程图；
41.图3是本实施例的产品推荐系统优选的结构示意图；
42.图4是本实施例的产品推荐系统的历史数据分析模块所执行的方法的优选流程图；
43.图5是本实施例的产品推荐系统的历史数据分析模块所执行的方法的另一优选流程图；
44.图6是本实施例的一种产品推荐方法的优选流程图；
45.图7是本实施例的一种产品推荐装置的结构示意图。
具体实施方式
46.为更清楚地理解本技术的目的、技术方案和优点，下面结合附图和实施例，对本技术进行了描述和说明。
47.除另作定义外，本技术所涉及的技术术语或者科学术语应具有本技术所属技术领域具备一般技能的人所理解的一般含义。在本技术中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本技术中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本技术中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本技术中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本技术中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
48.在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是执行本实施例的一种产品推荐方法的终端的硬件结构示意图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
49.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的一种产品推荐方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者
其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
50.传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
51.在本实施例中提供了一种产品推荐方法，图2是本实施例的一种产品推荐方法的流程图，如图2所示，该流程包括如下步骤：
52.步骤s210，获取产品的历史数据，根据历史数据构建第一数据矩阵；第一数据矩阵包括产品所支持的功能点。
53.具体地，获取产品的历史数据，根据该历史数据构建第一数据矩阵。该历史数据中包括产品所支持的功能点。根据该历史数据构建第一数据矩阵，该数据矩阵包括产品所支持的功能点。
54.进一步具体地，设第一数据矩阵的矩阵元素为a
ij
，a
ij
表示产品i是否支持功能点j，其中，i为1到m的自然数，j为1到n的自然数，m为产品数量，n为功能点数量。示例性地，当产品i支持功能点j时，将a
ij
设置为1，当产品i不支持功能点j时，将a
ij
设置为0。
55.步骤s220，对第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组。
56.具体地，计算第一数据矩阵的各列向量之间的相似度，将第一数据矩阵中的列向量之间的相似度大于第一预设值的列向量进行合并，生成第二数据矩阵，第二数据矩阵的列向量包括多个第一产品功能组。
57.进一步具体地，设第二数据矩阵的矩阵元素为b
ij
，b
ij
表示产品i是否支持第一产品功能组j，其中，i为1到m的自然数，j为1到n
′
的自然数，m为产品数量，n
′
为第一产品功能组数量，每个第一产品功能组中包括一个或多个产品功能点。示例性地，b
ij
为1表示产品i支持第一产品功能组j，b
ij
为0表示产品i不支持第一产品功能组j。
58.步骤s230，计算第一产品功能组的信息增益。
59.具体地，计算第二数据矩阵各列向量的信息增益，第二数据矩阵各列向量的信息增益即为各第一产品功能组的信息增益。
60.步骤s240，根据信息增益，对第一产品功能组进行选择，得到第二产品功能组。
61.具体地，根据步骤s230计算的第二数据矩阵各列向量的信息增益，对各第一产品功能组进行排序，即根据信息增益对第二数据矩阵的各列向量进行排序，根据排序结果，选择第二数据矩阵中的列向量的信息增益满足预设条件的列向量，得到第二产品功能组。示例性地，这里的选择第二数据矩阵中的列向量的信息增益满足预设条件的列向量，得到第二产品功能组，可以是选择信息增益满足第二预设值的列向量，得到第二产品功能组；也可以是将第二数据矩阵中的列向量根据信息增益由大到小进行排序，根据该排序结果，选择排在前n
″
位的列向量，得到第二产品功能组。其中，n
″
为大于1小于n
′
的自然数。
62.进一步具体地，根据信息增益对第二数据矩阵的各列向量进行排序，根据排序结
果，选择第二数据矩阵中的列向量的信息增益满足预设条件的列向量，生成第三数据矩阵，从而得到第二产品功能组。设第三数据矩阵的矩阵元素为c
ij
，c
ij
表示产品i是否支持第二产品功能组j，其中，i为1到m的自然数，j为1到n
″
的自然数，m为产品数量，n
″
为第二产品功能组数量，每个第二产品功能组中包括一个或多个产品功能点。第二产品功能组为从第二数据矩阵中选择的满足预设条件的第一产品功能组。
63.步骤s250，计算第二产品功能组的产品推荐概率，根据产品推荐概率推荐产品。
64.具体地，计算步骤s240中得到的第二产品功能组的产品推荐概率，根据产品推荐概率推荐产品。
65.进一步具体地，根据第二产品功能组利用朴素贝叶斯算法，计算产品的适用概率和不适用概率，根据适用概率和不适用概率计算产品的推荐概率。
66.通过上述步骤，本实施例中通过对第一数据矩阵进行相似度分析和计算第一产品功能组的信息增益并根据信息增益对第一产品功能组进行选择，计算相似度和计算信息增益作为筛选条件，大幅减少了后置步骤中产品数据分析的计算量，提高了计算效率。
67.在其中的一些实施例中，历史数据中包括产品的特征数据，计算第二数据矩阵各列向量的信息增益包括：根据产品的特征数据生成产品的特征向量，特征向量的元素di表示产品i的特征；根据该特征向量计算第一熵值；根据第二数据矩阵，计算第一产品功能组j的第二熵值；根据第一熵值和第二熵值，计算第二数据矩阵各列向量的信息增益。
68.下面通过优选实施例对本实施例进行描述和说明。
69.图3是本实施例的产品推荐系统优选的结构示意图，如图3所示，该产品推荐系统包括历史数据分析模块310和产品选型模块320。
70.图4是本实施例的产品推荐系统的历史数据分析模块所执行的方法的优选流程图，如图4所示，该方法包括如下步骤：
71.步骤s410，分析客户产品选购行为、产品的使用场景信息及使用评价的历史数据，建立结构化数据模型。
72.步骤s420，将结构化数据进行相似度计算分析，得出不同产品功能点之间的关联关系，合并产品功能为产品功能组。
73.步骤s430，对得到的产品功能组分别计算信息增益，并作为权重影响产品适用度计算指标。
74.步骤s440，将经过信息增益筛选后的产品功能组进行产品适用度计算分析，得到各标准场景下的产品功能点优选结果，将产品的功能点优选结果传至产品选型模块320。
75.上述的步骤s410，具体为：
76.步骤s411，收集客户历史数据。
77.具体地，该客户历史数据中包括：产品料号、产品各功能点、使用场景、使用评分、客户行业等数据。
78.步骤412，将历史数据结构化，取产品功能点并集，记1为产品支持该功能点，0为产品不支持该功能点，取产品使用评价，记1为好评，0位差评，取客户行业，分别以数字1，2，
…
标记不同行业，形成单张产品功能点数据矩阵c，产品功能点数据矩阵c中的数据如表1所示。
79.表1产品功能点数据矩阵c数据示意图
[0080][0081]
步骤413，根据使用场景不同，形成多张数据矩阵。
[0082]
上述的步骤s420，具体为：
[0083]
步骤s421：取使用场景下的单张数据矩阵，根据产品功能点数据矩阵c，将产品功能点数据矩阵c进行转置得到功能点产品分布矩阵f，如表2所示。
[0084]
表2功能点产品分布矩阵f数据示意图
[0085] 产品1产品2产品3产品4
…
产品m功能点11100
…
0功能点21100
…
0功能点30011
…
1功能点41101
…
0功能点51011
…1…………………
功能点n1001
…1[0086]
步骤s422：通过相似度计算对功能点进行组合优化处理，将具有相同产品分布的功能点进行组合为功能组，具体步骤为：
[0087]
步骤s4221：将f
(n,m)
拆分为n个行向量f
(1,m)
，分别计算各行向量之间的相似度s
ab
，其中，
[0088]
步骤s4222：当s
ab
≥0.95时，记录行向量f
a(1,m)
及行向量f
b(1,m)
，否则不处理；
[0089]
步骤s4223：将功能点a及功能点b组合为功能组ab，功能组ab取值为第一个基准功能点a；
[0090]
步骤s423：使用功能组替代原有数据矩阵，得到全新的功能组产品分布矩阵f
′
，如表3所示。
[0091]
表3功能组产品分布矩阵f
′
数据示意图
[0092] 产品1产品2产品3产品4
…
产品m功能组ab1100
…
0功能点30011
…
1功能点41101
…
0功能点51011
…1…………………
功能点n
′
1001
…1[0093]
上述的步骤s430，具体为：
[0094]
步骤s431：将功能组产品分布矩阵f
′
转置，得到产品功能组数据矩阵c
′
，将差评/好评列的0/1数值作为该产品是否适用的判断标准，如表4所示。
[0095]
表4产品功能组数据矩阵c
′
数据示意图
[0096] 功能组ab功能点3功能点4功能点5
…
功能点n
′
评价产品11011
…
11产品21010
…
00产品30101
…
01产品40111
…
10
……………………
产品m0101
…
11
[0097]
步骤s432：计算客户满意度的熵值e；
[0098]
其中，c
′
(i,n
′
+1)为评价数据。
[0099]
步骤s433：根据功能组n
′
在产品的分布，将c
′
拆分为c1′
和c2′
，其中c1′
为产品满足功能组n
′
的矩阵，c2′
为产品不满足功能组n
′
的矩阵；
[0100]
步骤s434：计算各功能组的熵值i(n
′
)；
[0101]
其中，其中，其中，
[0102]
步骤s435：计算各功能组的信息增益g(n
′
)；
[0103]
其中，g(n
′
)＝e-i(n
′
)。
[0104]
步骤s436：按信息增益对各功能点进行排序，删除信息增益较低的功能点或功能组，并重新调整矩阵。
[0105]
上述的步骤s440，具体为：
[0106]
步骤s441：将对功能组筛选后的产品功能组分布矩阵作为产品功能组数据矩阵c
″
，将差评/好评列的0/1数值作为该产品是否适用的判断标准，如表5所示。
[0107]
表5产品功能组数据矩阵c
″
数据示意图
[0108] 功能组ab功能点3功能点4
…
功能点n评价
产品1101
…
11产品2101
…
00产品3010
…
01产品4011
…
10
…………………
产品m010
…
11
[0109]
步骤s442：以行业为维度，分别计算支持各功能点的概率pn及不支持各功能点的概率p
′n；计算产品集的好评概率pg及差评的概率pb；计算好评前提下的支持各功能点的概率p
gn
及不支持各功能点的概率p
′
gn
；计算差评前提下的支持各功能点的概率p
bn
及不支持各功能点的概率p
′
bn
；
[0110]
其中，
[0111]
步骤s443：采用朴素贝叶斯方法对所有组合形式下的产品适用与否的概率进行数据分析，得到适用概率py与不适用概率pc的比值；
[0112]
其中，
[0113]
在上述公式中做规定如下：当某一产品支持功能点n时，计算上述py与pc时，p
′n、p
′
gn
、p
′
bn
均为1；同理，当某一产品不支持功能点n时，计算上述py与pc时，pn、p
gn
、p
bn
均为1。
[0114]
步骤s444：当适用概率py大于不适用概率pc时，即时，产品不推荐，当时，产品可推荐，并将产品信息导入产品选型模块320。
[0115]
图5是本实施例的产品推荐系统的历史数据分析模块所执行的方法的另一优选流程图，如图5所示，该方法包括如下步骤：
[0116]
步骤s501，收集客户历史数据；
[0117]
步骤s502，将历史数据结构化，并转换为数据矩阵；
[0118]
步骤s503，根据使用场景不同，拆分成多张数据矩阵表；
[0119]
步骤s504，将产品功能点数据矩阵转置为功能点产品分布矩阵；
[0120]
步骤s505，通过相似度计算将具有相同产品分布的功能点组合为功能组；
[0121]
步骤s506，使用功能组替代原有功能点，得到全新的功能组产品分布矩阵；
[0122]
步骤s507，根据功能点分布及客户评价计算各项功能点信息增益，并筛选功能点；
[0123]
步骤s508，将功能组产品分布矩阵转置为产品功能组数据矩阵，使用产品评价作为产品适用的判断标准；
[0124]
步骤s509，使用朴素贝叶斯方法对各功能点及功能组的所有组合下的产品适用与否概率进行数据分析，并计算适用与不适用的概率值；
[0125]
步骤s510，判断适用概率与不适用概率的比值是否大于1；若是，则执行步骤s511；若否，则执行步骤s512；
[0126]
步骤s511，产品信息导入产品选型模块320；
[0127]
步骤s512，产品不推荐。
[0128]
图6是本实施例的一种产品推荐方法的优选流程图，该方法应用于图3所示的产品推荐系统，该方法包括如下步骤：
[0129]
步骤s601：客户登录产品选型模块320，选择标准化场景；
[0130]
步骤s602：产品选型模块320根据客户信息确认客户行业，通过标准化场景，展示历史数据分析模块310传入的数据；
[0131]
步骤s603：根据产品适用/产品不适用的概率比，产品选型模块320从高到低展示可用产品集；
[0132]
步骤s604：当客户对某功能点有自定义需求时，产品选型模块320在可用产品集中筛选显示满足客户需求产品；
[0133]
步骤s605：客户完成选购，产品选型模块320记录选购数据；
[0134]
步骤s606：后期客户完成产品评价时，产品选型模块320将选购数据及产品评价数据传递至历史数据分析模块310，完成数据的动态自动更新。
[0135]
历史数据分析模块310通过收集历史数据，通过将数据结构化，采用相似度计算分析提高各功能点的独立性，然后通过信息增益对功能点及功能组进行分类，剔除对决策影响程度较低的功能点，最后使用朴素贝叶斯进行数据分析，用于输出标准场景下的最适用产品。产品选型模块320作为数据的展示与收集模块，通过接收历史数据分析模块310处理的数据结果，为客户实际选择产品时提供指导信息，是对外的实际业务窗口。同时，客户选择产品的使用数据也会返回至历史数据分析模块310提供数据支持。
[0136]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，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。
[0137]
在本实施例中还提供了一种产品推荐装置，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。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中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。
[0138]
图7是本实施例的一种产品推荐装置的结构示意图，如图7所示，该装置包括：
[0139]
获取模块710，用于获取产品的历史数据，根据历史数据构建第一数据矩阵；第一数据矩阵包括产品所支持的功能点；
[0140]
分析模块720，用于对第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组；
[0141]
计算模块730，用于计算第一产品功能组的信息增益；
[0142]
选择模块740，用于根据信息增益，对第一产品功能组进行选择，得到第二产品功能组；
[0143]
推荐模块750，用于计算第二产品功能组的产品推荐概率，根据产品推荐概率推荐产品。
[0144]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0145]
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0146]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0147]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0148]
s1，获取产品的历史数据，根据历史数据构建第一数据矩阵；第一数据矩阵包括产品所支持的功能点；
[0149]
s2，对第一数据矩阵进行相似度分析，根据相似度分析结果将相似度符合设定阈值的功能点合并为第一产品功能组；
[0150]
s3，计算第一产品功能组的信息增益；
[0151]
s4，根据信息增益，对第一产品功能组进行选择，得到第二产品功能组；
[0152]
s5，计算第二产品功能组的产品推荐概率，根据产品推荐概率推荐产品。
[0153]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0154]
此外，结合上述实施例中提供的一种产品推荐方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种产品推荐方法的步骤。
[0155]
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
[0156]
显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0157]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0158]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。