商品推荐的方法、装置、电子设备及介质与流程

1.本技术中涉及数据处理技术，尤其是一种商品推荐的方法、装置、电子设备及介质。


背景技术：

2.随着计算机处理技术的快速发展，基于互联网的各类电商平台已经越来越被消费者所接受。
3.其中，在目前的商品展示页面中，通常存在有商品推荐功能。其用于在检测到当用户对当前商品不满意，需要继续查看类似商品的时候，若能够及时向用户推荐与当前商品相类似商品的目的。
4.然而，现有的商品推荐方法大都只考虑将用户的历史浏览信息作为推荐标准，这也导致出现用户对推荐商品的兴趣不大，进而影响用户体验。


技术实现要素：

5.本技术实施例提供一种商品推荐的方法、装置、电子设备及介质。用以解决相关技术中存在的，只考虑将用户的历史浏览信息作为推荐标准所导致的，推荐商品对用户吸引力较低的问题。
6.其中，根据本技术实施例的一个方面，提供的一种商品推荐的方法，包括：
7.检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息；
8.获取所述待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息；
9.基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，其中所述推荐商品信息与所述当前环境信息相匹配；
10.将所述推荐商品信息显示在所述商品展示页面中。
11.可选地，在基于本技术上述方法的另一个实施例中，获取所述待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息，包括：
12.从数据库中查找所述待推荐用户在第一历史时段生成的查看商品信息，并基于所述查看商品信息，确定所述待推荐用户对应的偏好商品信息；
13.以及，
14.从所述数据库中查找所述待推荐用户在第二历史时段生成的，与所述查看商品类型相对应的退货商品信息，并基于所述退货商品信息，确定所述待推荐用户对应的不偏好商品信息；
15.以及，
16.将显示所述商品展示页面的时间点、所述待推荐用户的所属地理位置作为所述当前环境信息。
17.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，包括：
18.从所述多个候选商品信息中，筛除与所述偏好商品信息不相匹配的商品信息，得到剩余商品信息；
19.分别计算每个剩余商品信息与所述不偏好商品信息之间的相似度指数，其中所述相似度指数用于反映所述不偏好商品信息与每个剩余商品信息之间的多个特征对比；
20.将所述相似度指数低于预设阈值的剩余商品信息作为所述推荐商品信息。
21.可选地，在基于本技术上述方法的另一个实施例中，所述分别计算每个剩余商品信息与所述不偏好商品信息之间的相似度指数，包括：
22.获取每个不偏好商品信息对应的商品外观特征、商品类型特征以及商品价格特征；
23.基于每个商品外观特征、商品类型特征以及商品价格特征，分别计算每个剩余商品信息与每个不偏好商品信息之间的相似度指数。
24.可选地，在基于本技术上述方法的另一个实施例中，所述将所述相似度指数低于预设阈值的剩余商品信息作为所述推荐商品信息，包括：
25.获取候选剩余商品信息对应的使用时间段以及使用地理位置，所述候选剩余商品信息为所述相似度指数低于预设阈值的剩余商品信息；
26.若确定所述使用时间段以及使用地理位置与所述当前环境信息相匹配，确定所述候选剩余商品信息为所述推荐商品信息。
27.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，包括：
28.将所述偏好商品信息与所述不偏好商品信息转换为第一向量；以及，将相似度指数转换为第二向量；以及，将所述当前环境信息转换为第三向量；
29.将所述第一向量、所述第二向量与所述第三向量进行拼接后，得到拼接向量；
30.将所述拼接向量输入至预先构建的预测学习模型中，得到对多个候选商品信息按照优先级大小进行排序后的推荐商品集合；
31.将所述推荐商品集合中，满足预设范围的推荐商品信息作为所述推荐商品信息。
32.可选地，在基于本技术上述方法的另一个实施例中，所述检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息，包括：
33.检测到显示所述商品展示页面时，从预测学习模型中的gru模块处离线调取所述多个候选商品信息，其中所述预测学习模型预先部署在用户设备上；
34.或，
35.检测到显示所述商品展示页面时，从服务器中调取所述多个候选商品信息。
36.其中，根据本技术实施例的又一个方面，提供的一种商品推荐的装置，其特征在于，包括：
37.确定模块，被配置为检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息；
38.获取模块，被配置为获取所述待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息，其中所述偏好商品信息与所述不偏好商品信息属于同一商品类型；
39.选取模块，被配置为基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，其中所述推荐商品信息与所述当前环境信息
相匹配；
40.显示模块，被配置为将所述推荐商品信息显示在所述商品展示页面中。
41.根据本技术实施例的又一个方面，提供的一种电子设备，包括：
42.存储器，用于存储可执行指令；以及
43.显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述商品推荐的方法的操作。
44.根据本技术实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述商品推荐的方法的操作。
45.本技术中，可以检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息；获取待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息；基于偏好商品信息与所述不偏好商品信息，从多个候选商品信息中选取至少一个推荐商品信息，其中推荐商品信息与当前环境信息相匹配；将推荐商品信息显示在商品展示页面中。通过应用本技术的技术方案，可以实现一种根据用户对某类商品的喜厌信息以及用户当前所处的环境信息共同作为选取标准来为用户推荐相应商品的方案。从而一方面避免了相关技术中存在的，只考虑将用户的历史浏览信息作为推荐标准所导致的，推荐商品对用户吸引力较低的问题。另一方面也可以避免向用户推荐其本身不感兴趣或不适宜在当前环境下进行推荐的商品，从而提高了用户体验。
46.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
附图说明
47.构成说明书的一部分的附图描述了本技术的实施例，并且连同描述一起用于解释本技术的原理。
48.参照附图，根据下面的详细描述，可以更加清楚地理解本技术，其中：
49.图1示出了本技术一实施例所提供的一种商品推荐的方法示意图；
50.图2示出了本技术一实施例所提供的一种商品推荐的方法的流程示意图；
51.图3示出了本技术一实施例所提供的另一种商品推荐的方法的流程示意图；
52.图4示出了本技术一实施例所提供的一种电子装置的结构示意图；
53.图5示出了本技术一实施例所提供的一种电子设备的结构示意图；
54.图6示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
55.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
56.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
57.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。
58.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适
networks,rnn)。循环神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习的代表算法之一。
78.其中，循环神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类。得益于循环神经网络对图像的强大特征表征能力，其在图像分类、目标检测、语义分割等领域都取得了令人瞩目的效果。
79.进一步的，由于构建循环神经网络模型中的gru(gate recurrent unit更新门和重置门)模块所消耗的数据量较少，且其也具有计算力较强的特点。因此本技术实施例中可以采用gru模块来预先存储多个候选商品信息。以使后续可以根据设备当前的网络质量、设备运行性能等参数，选择以离线方式调取gru模块中存储的候选商品信息，或实时与服务器通信以调取候选商品信息的其中一种方式来实现。
80.需要说明的是，候选商品信息即为可能向用户进行推荐的商品信息。一种方式中，其数量和类型不作限定。例如后续商品信息可以包括鞋品类商品类型、衣物类商品类型、家用电器类商品类型等等。且每个商品类型下又包含不同价位、不同颜色、不同型号、不同大小的多个候选商品等等。
81.可以理解的，由于预测学习模型中的gru模块比较耗时，因此从gru模块中离线提取候选商品信息的方式，能够实现避免在线上计算可能向用户进行推荐的商品信息，从而提升了模型的服务性能。
82.步骤3、从数据库中查找待推荐用户在第一历史时段生成的查看商品信息，并基于查看商品信息，确定待推荐用户对应的偏好商品信息。
83.步骤4、从数据库中查找待推荐用户在第二历史时段生成的，与查看商品类型相对应的退货商品信息，并基于退货商品信息，确定待推荐用户对应的不偏好商品信息。
84.进一步的，本技术实施例不仅要确定用户对哪一类商品有偏好，同时还要确定用户对该类商品所不敢兴趣的信息，并把其作为用户对应的不偏好商品信息。
85.可以理解的，不偏好商品信息是与偏好商品信息相对应的，用于反映在该偏好商品下，用户不偏好的商品信息。其可以包含多个维度的商品信息。例如可以反映用户不敢兴趣的商品类型、不敢兴趣的商品颜色、不敢兴趣的商品大小、不敢兴趣的商品价格或品牌等等。以使根据该其中的某一个或多个维度，为用户推荐适合的商品。
86.例如，本技术实施例再根据用户的偏好商品信息中确定到用户喜好衣物类商品，但又从该用户的不偏好商品信息中检测到该用户不喜欢红色的衣物(例如该用户退货过多件红色类衣物)，因此后续即可根据该用户的偏好商品信息以及不偏好商品信息，为用户推荐除红色以外的其他衣物类商品。
87.又例如，本技术实施例再根据用户的偏好商品信息中确定到用户喜好风扇类商品，但又从该用户的不偏好商品信息中检测到该用户不喜欢a品牌的风扇类商品(例如该用户给过a品牌的差评)，因此后续即可根据该用户的偏好商品信息以及不偏好商品信息，为用户推荐除a品牌以外的其他风扇类商品。
88.步骤5、将显示商品展示页面的时间点、待推荐用户的所属地理位置作为当前环境信息。
89.其中，步骤3-步骤5不分先后顺序。也即可以同时执行，也可以顺序或逆序执行。
90.步骤6、从多个候选商品信息中，筛除与偏好商品信息不相匹配的商品信息，得到
剩余商品信息。
91.进一步的，本技术在多个候选商品信息中，首先需要基于用户的偏好商品信息来从中过滤不匹配的后续商品信息，从而得到剩余商品信息。
92.举例来说，例如候选商品信息有8个，分别为衣物类商品4个，家用电器类商品2个，鞋品类商品2个。且用户的偏好商品信息对应于衣物类商品以及家用电器类商品。那么则可以将候选商品中的鞋品类商品进行筛除。从而得到包含衣物类商品4个，家用电器类商品2个的剩余商品信息。
93.步骤7、获取每个不偏好商品信息对应的商品外观特征、商品类型特征以及商品价格特征。
94.步骤8、基于商品外观特征、商品类型特征以及商品价格特征，分别计算每个剩余商品信息与不偏好商品信息的相似度指数。
95.其中，相似度指数用于反映所述不偏好商品信息与每个剩余商品信息之间的多个特征对比。继续以上述举例说明，例如不偏好商品信息为红色商品，以及针织类商品。那么本技术在得到包含衣物类商品4个，家用电器类商品2个的剩余商品信息之后，还需要根据用户不感兴趣的不偏好商品信息，从中剔除掉属于红色商品以及针织类商品的部分。从而得到包含“非红色、非针织类”类的衣物类商品2个，以及“非红色”类的家用电器类商品1个的剩余商品信息。
96.步骤9、获取相似度指数低于预设阈值的剩余商品信息对应的使用时间段以及使用地理位置。
97.步骤10、若确定使用时间段以及使用地理位置与当前环境信息相匹配，确定剩余商品信息为推荐商品信息。
98.进一步的，为了进一步确保向用户推荐的商品为用户真正需要的商品，本技术还需要根据当前用户所处的时间段以及地理位置来对该剩余商品信息进行进一步的筛选。
99.继续以上述举例说明，当剩余商品信息为包含“非红色、非针织类”类的衣物类商品2个，以及“非红色”类的家用电器类商品1个时，本技术实施例可以获取每个衣物类商品的对应使用时间段(例如一个为皮衣衣物，其对应的使用时间段为“冬天”；另一个为棉麻类衣物其对应的使用时间段为“夏天”)。且，获取家用电器类商品的对应使用时间段(例如为电风扇，其对应的使用时间段为“夏天”)。
100.进一步的，本技术需要根据当前用户所处的时间段(例如为2022年6月)，以及前用户所处的地理位置(例如为广东某地区)。以在后续将二者进行匹配，从而确定与用户当前环境信息相匹配的剩余商品为“电风扇商品”1个，以及“棉麻类衣物”1个。
101.至此，即可将该“电风扇商品”以及“棉麻类衣物”作为最终的推荐商品信息。
102.步骤11、将推荐商品信息显示在商品展示页面中。
103.本技术中，可以检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息；获取待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息；基于偏好商品信息与所述不偏好商品信息，从多个候选商品信息中选取至少一个推荐商品信息，其中推荐商品信息与当前环境信息相匹配；将推荐商品信息显示在商品展示页面中。通过应用本技术的技术方案，可以实现一种根据用户对某类商品的喜厌信息以及用户当前所处的环境信息共同作为选取标准来为用户推荐相应商品的方案。从而一方面避免了相关技术中存
在的，只考虑将用户的历史浏览信息作为推荐标准所导致的，推荐商品对用户吸引力较低的问题。另一方面也可以避免向用户推荐其本身不感兴趣或不适宜在当前环境下进行推荐的商品，从而提高了用户体验。
104.可选地，在基于本技术上述方法的另一个实施例中，获取所述待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息，包括：
105.从数据库中查找所述待推荐用户在第一历史时段生成的查看商品信息，并基于所述查看商品信息，确定所述待推荐用户对应的偏好商品信息；
106.以及，
107.从所述数据库中查找所述待推荐用户在第二历史时段生成的，与所述查看商品类型相对应的退货商品信息，并基于所述退货商品信息，确定所述待推荐用户对应的不偏好商品信息；
108.以及，
109.将显示所述商品展示页面的时间点、所述待推荐用户的所属地理位置作为所述当前环境信息。
110.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，包括：
111.从所述多个候选商品信息中，筛除与所述偏好商品信息不相匹配的商品信息，得到剩余商品信息；
112.分别计算每个剩余商品信息与所述不偏好商品信息之间的相似度指数，其中所述相似度指数用于反映所述不偏好商品信息与每个剩余商品信息之间的多个特征对比；
113.将所述相似度指数低于预设阈值的剩余商品信息作为所述推荐商品信息。
114.可选地，在基于本技术上述方法的另一个实施例中，所述分别计算每个剩余商品信息与所述不偏好商品信息之间的相似度指数，包括：
115.获取每个不偏好商品信息对应的商品外观特征、商品类型特征以及商品价格特征；
116.基于每个商品外观特征、商品类型特征以及商品价格特征，分别计算每个剩余商品信息与每个不偏好商品信息之间的相似度指数。
117.可选地，在基于本技术上述方法的另一个实施例中，所述将所述相似度指数低于预设阈值的剩余商品信息作为所述推荐商品信息，包括：
118.获取候选剩余商品信息对应的使用时间段以及使用地理位置，所述候选剩余商品信息为所述相似度指数低于预设阈值的剩余商品信息；
119.若确定所述使用时间段以及使用地理位置与所述当前环境信息相匹配，确定所述候选剩余商品信息为所述推荐商品信息。
120.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，包括：
121.将所述偏好商品信息与所述不偏好商品信息转换为第一向量；以及，将相似度指数转换为第二向量；以及，将所述当前环境信息转换为第三向量；
122.将所述第一向量、所述第二向量与所述第三向量进行拼接后，得到拼接向量；
123.将所述拼接向量输入至预先构建的预测学习模型中，得到对多个候选商品信息按
照优先级大小进行排序后的推荐商品集合；
124.将所述推荐商品集合中，满足预设范围的推荐商品信息作为所述推荐商品信息。
125.可选地，在基于本技术上述方法的另一个实施例中，所述检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息，包括：
126.检测到显示所述商品展示页面时，从预测学习模型中的gru模块处离线调取所述多个候选商品信息，其中所述预测学习模型预先部署在用户设备上；
127.或，
128.检测到显示所述商品展示页面时，从服务器中调取所述多个候选商品信息。
129.一种方式中，如图3所示，以通过预测学习模型的方式对本技术提出的商品推荐的方法进行说明：
130.步骤a，基于用户的历史行为预测下一次可能点击的偏好商品信息与其对应的不偏好商品信息，以向量的形式表示，可以记为第一向量。
131.可选的，步骤a可以使用离线的方式进行计算
132.步骤b：获取用户的不偏好商品信息与每个候选商品信息的交叉特征，以向量的形式表示，可以记为第二向量。以及获取用户当前的时间信息以及地理位置信息，以向量的形式表示，可以记为第三向量。
133.步骤c：将第一向量、第二向量与第三向量进行拼接后，得到拼接向量。
134.需要说明的是，本技术实施例中，由于偏好商品信息、不偏好商品信息与候选商品信息的数量均为多个。因此一种方式中，本技术可以将偏好商品信息中包含的多个商品信息，不偏好商品信息中包含的多个商品信息，以及候选商品信息中包含的多个商品信息对应的向量值分别进行拼接合并，以使后续将偏好商品信息、不偏好商品信息与候选商品信息各自的总向量值再次进行拼接，从而得到最终的拼接向量。
135.步骤d：拼接向量输入至预测学习模型中，经过多层全连接，最后再经过一层sigmoid函数，得到候选商品信息中每个候选商品信息的优先级预测分。
136.一种方式中，本技术实施例可以利用预测学习模型中的gru摸摸看提取该拼接向量包含的向量特征，从而得到用户的兴趣转移信息。在基于注意力机制attention提取向量特征中所反映的用户历史偏好序中每个商品针对候选商品的优先级预测分等等。
137.另外，向量特征还可以包括用户特征、候选商品的特征及用户和候选池商品的交叉特征；以及偏好商品与候选商品的交叉信息，从而得到的优先级预测分中能够综合考虑用户的兴趣偏好，推荐商品的本身属性等，推荐商品与当前商品的相似性、互补性等等。从而实现避免向用户推荐其本身不感兴趣或不适宜在当前环境下进行推荐的商品，从而提高了用户体验的目的。
138.步骤e：按照预测分数进行降序排序，选取其中预设范围的分数，从而确定其中的推荐商品信息。
139.通过应用本技术的技术方案，可以实现一种根据用户对某类商品的喜厌信息以及用户当前所处的环境信息共同作为选取标准来为用户推荐相应商品的方案。从而一方面避免了相关技术中存在的，只考虑将用户的历史浏览信息作为推荐标准所导致的，推荐商品对用户吸引力较低的问题。另一方面也可以避免向用户推荐其本身不感兴趣或不适宜在当前环境下进行推荐的商品，从而提高了用户体验。
140.可选的，在本技术的另外一种实施方式中，如图5所示，本技术还提供一种商品推荐的装置。其中包括：
141.确定模块201，被配置为确定模块，被配置为检测到为待推荐用户显示商品展示页面时，确定多个候选商品信息；
142.获取模块202，被配置为获取所述待推荐用户对应的偏好商品信息、不偏好商品信息以及当前环境信息，其中所述偏好商品信息与所述不偏好商品信息属于同一商品类型；
143.选取模块203，被配置为基于所述偏好商品信息与所述不偏好商品信息，从所述多个候选商品信息中选取至少一个推荐商品信息，其中所述推荐商品信息与所述当前环境信息相匹配；
144.显示模块204，被配置为将所述推荐商品信息显示在所述商品展示页面中。
145.通过应用本技术的技术方案，可以实现一种根据用户对某类商品的喜厌信息以及用户当前所处的环境信息共同作为选取标准来为用户推荐相应商品的方案。从而一方面避免了相关技术中存在的，只考虑将用户的历史浏览信息作为推荐标准所导致的，推荐商品对用户吸引力较低的问题。另一方面也可以避免向用户推荐其本身不感兴趣或不适宜在当前环境下进行推荐的商品，从而提高了用户体验。
146.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
147.从数据库中查找所述待推荐用户在第一历史时段生成的查看商品信息，并基于所述查看商品信息，确定所述待推荐用户对应的偏好商品信息；
148.以及，
149.从所述数据库中查找所述待推荐用户在第二历史时段生成的，与所述查看商品类型相对应的退货商品信息，并基于所述退货商品信息，确定所述待推荐用户对应的不偏好商品信息；
150.以及，
151.将显示所述商品展示页面的时间点、所述待推荐用户的所属地理位置作为所述当前环境信息。
152.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
153.从所述多个候选商品信息中，筛除与所述偏好商品信息不相匹配的商品信息，得到剩余商品信息；
154.分别计算每个剩余商品信息与所述不偏好商品信息之间的相似度指数，其中所述相似度指数用于反映所述不偏好商品信息与每个剩余商品信息之间的多个特征对比；
155.将所述相似度指数低于预设阈值的剩余商品信息作为所述推荐商品信息。
156.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
157.获取每个不偏好商品信息对应的商品外观特征、商品类型特征以及商品价格特征；
158.基于每个商品外观特征、商品类型特征以及商品价格特征，分别计算每个剩余商品信息与每个不偏好商品信息之间的相似度指数。
159.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
160.获取候选剩余商品信息对应的使用时间段以及使用地理位置，所述候选剩余商品信息为所述相似度指数低于预设阈值的剩余商品信息；
161.若确定所述使用时间段以及使用地理位置与所述当前环境信息相匹配，确定所述候选剩余商品信息为所述推荐商品信息。
162.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
163.将所述偏好商品信息与所述不偏好商品信息转换为第一向量；以及，将相似度指数转换为第二向量；以及，将所述当前环境信息转换为第三向量；
164.将所述第一向量、所述第二向量与所述第三向量进行拼接后，得到拼接向量；
165.将所述拼接向量输入至预先构建的预测学习模型中，得到对多个候选商品信息按照优先级大小进行排序后的推荐商品集合；
166.将所述推荐商品集合中，满足预设范围的推荐商品信息作为所述推荐商品信息。
167.在本技术的另外一种实施方式中，获取模块202，被配置执行的步骤包括：
168.检测到显示所述商品展示页面时，从预测学习模型中的gru模块处离线调取所述多个候选商品信息，其中所述预测学习模型预先部署在用户设备上；
169.或，
170.检测到显示所述商品展示页面时，从服务器中调取所述多个候选商品信息。
171.本技术实施方式还提供一种电子设备，以执行上述商品推荐的方法。请参考图5，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图5所示，电子设备5包括：处理器300，存储器301，总线302和通信接口303，所述处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述处理器300上运行的计算机程序，所述处理器300运行所述计算机程序时执行本技术前述任一实施方式所提供的商品推荐的方法。
172.其中，存储器301可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
173.总线302可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述处理器300在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述数据识别的方法可以应用于处理器300中，或者由处理器300实现。
174.处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器，包括处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
175.本技术实施例提供的电子设备与本技术实施例提供的数据识别的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
176.本技术实施方式还提供一种与前述实施方式所提供的数据识别的方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘40，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的商品推荐的方法。
177.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
178.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的数据识别的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
179.需要说明的是：
180.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的结构和技术，以便不模糊对本说明书的理解。
181.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下示意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
182.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
183.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。