场景式商品推荐方法及其装置、设备、介质、产品与流程

1.本技术涉及电商信息处理技术，尤其涉及一种场景式商品推荐方法及其装置、设备、介质、产品。


背景技术：

2.传统的电商平台，商品丰富，顾客可以在平台自由访问，平台可以根据用户行为轨迹做各种推荐、运营来增加用户停留时长，增加订单。近年来，独立站成为跨境电商的一种新的形式，相较于电商平台，独立站是独立的个体，店铺的商品量有限，顾客访问时长较短，店铺转化率不高。对于有潜在购买需求的顾客，访问时长越久，下单的可能性越大。如何增加用户的访问时长，最成熟的办法就是做推荐，让用户看到更多的感兴趣的商品。
3.对于电商领域的商品推荐方法，主要方法有：结合待推荐顾客的历史数据来做推荐，对顾客的历史购买商品做聚类，获取感兴趣的类别，计算待推荐商品与类别的相似性，将相似性高的待推荐商品推出去，这些方法比较适合平台型电商，每天来的顾客都是老顾客，有历史行为数据，但是不适用于独立站这种新顾客占绝大多数的电商场景。
4.基于顾客的位置信息进行推荐的方法，会基于位置信息筛选出n个目标用户，将目标用户购买的商品处理后推出去。虽然解决了新顾客的问题，但是地理位置太宽泛，并不能说明这部分顾客的喜好是一致的，这种推荐方法所起作用有限，无法体现个性化。
5.除了利用行为数据，还有基于商品标题进行推荐的方法，提出构建知识图谱进行表示学习，将查询商品的标题表示向量与候选商品的标题表示向量进行计算，推荐匹配概率高的候选商品。这种方法都是对行为数据缺失的一种补充。但是标题的向量相似，不能保证匹配的准确率。
6.综上可知，目前已有的各种商品推荐方法，均无法适应独立站这种新用户频发的特殊场景提供有效的推荐解决方案，其原因在于各种推荐算法无法有效协调特定场景下的各类数据，从而使实际推荐效果欠佳，导致推荐转化率不高。


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场景式商品推荐方法及其相应的装置、设备、非易失性可读存储介质，以及计算机程序产品。
8.根据本技术的一个方面，提供一种场景式商品推荐方法，包括如下步骤：
9.获取当前访问用户的场景信息，所述场景信息包括描述场景的多个数据项，所述数据项包括当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置；
10.根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，每个商品推荐子集包含多个商品项相对应的商品信息；
11.根据所述场景信息相对应的推荐层级排序信息，将各个商品推荐子集有序构造为商品推荐列表，所述推荐层级排序信息包括各个数据项相应的商品推荐子集的排序位置信息；
12.将所述商品推荐列表推送给所述当前访问用户。
13.可选的，根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，包括：
14.根据当前访问商品项的商品信息从商品数据库中进行语义匹配，召回与所述商品信息实现语义匹配的商品项，构成第一商品推荐子集；
15.根据当前访问用户标识召回相应用户的历史访问商品项集合，从商品项共现矩阵中查询出所述历史访问商品项集合中的商品项的共现商品项，构成第二商品推荐子集；
16.根据当前访问时间从预设的商品项时域分布表中召回对应时段的多个商品项，构成第三商品推荐子集；
17.根据当前访问地理位置从预设的商品项地域分布表中召回对应地理位置的多个商品项，构成第四商品推荐子集。
18.可选的，获取当前访问用户的场景信息之前，包括：
19.获取各个用户的历史访问数据，所述历史访问数据中包含历史场景信息，所述历史场景信息包括被用户访问的商品项、用户标识、用户的访问时间、用户所在的地理位置；
20.基于所述历史访问数据，对商品数据库中的商品项进行基于访问时间的分段统计，确定不同时段下各个商品项的订单量，根据订单量择优确定相应时段下的热卖商品项，将所有时段的热卖商品项构造为商品项时域分布表；
21.基于所述历史访问数据，对商品数据库中的商品项进行基于关联访问关系的统计，根据商品项之间是否存在关联访问关系构造出商品项共现矩阵，用于表征与每个商品项具有关联访问关系的所有商品项的列表；
22.基于所述历史访问数据，对商品数据库中的商品项进行基于地理位置的分区统计，确定不同地区下各个商品项的订单量，根据订单量择优确定相应地区的热卖商品项，将所有地区的热卖商品项构造为商品项地域分布表。
23.可选的，基于所述历史访问数据，对商品数据库中的商品项进行基于访问时间的分段统计的步骤中，将分段统计的时段单位按照每周、每天、每小时进行划分并分别统计。
24.可选的，基于所述历史访问数据，对商品数据库中的商品项进行基于关联访问关系的统计，根据商品项之间是否存在关联访问关系构造出商品项共现矩阵，包括：
25.调用独立站的商品数据库，获得其中各个商品项相对应的历史访问数据；
26.构造所述商品数据库每个商品项与每个用户之间的访问关系信息，以不同数值区分标识商品项被一个用户访问或未被访问，获得独热编码矩阵，其中包含各个商品项相对应的用户访问行为向量；
27.基于每个商品项的用户访问行为向量计算两两商品项之间的相似度，获得商品项共现矩阵，其中每个元素存储其行所在的商品项与其列所在的商品项之间关于用户访问行为的相似度。
28.可选的，将各个商品推荐子集有序构造为商品推荐列表，包括：
29.对所有商品推荐子集进行去重，将重复的商品项优先保留在排序位置信息靠前的商品推荐子集中；
30.对各个商品推荐子集进行截尾，针对每个商品推荐子集，个性化地保留不大于预设数值的有限多个商品项；
31.将完成以上处理后的商品推荐子集有序构造为商品推荐列表。
32.根据本技术的另一方面，提供一种场景式商品推荐装置，包括：
33.信息获取模块，设置为获取当前访问用户的场景信息，所述场景信息包括描述场景的多个数据项，所述数据项包括当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置；
34.召回执行模块，设置为根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，每个商品推荐子集包含多个商品项相对应的商品信息；
35.排序构造模块，设置为根据所述场景信息相对应的推荐层级排序信息，将各个商品推荐子集有序构造为商品推荐列表，所述推荐层级排序信息包括各个数据项相应的商品推荐子集的排序位置信息；
36.列表推送模块，设置为将所述商品推荐列表推送给所述当前访问用户。
37.根据本技术的另一方面，提供一种场景式商品推荐设备，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场景式商品推荐方法的步骤。
38.根据本技术的另一方面，提供一种非易失性可读存储介质，其以计算机可读指令的形式存储有依据所述的场景式商品推荐方法所实现的计算机程序，所述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。
39.根据本技术的另一方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。
40.相对于现有技术，本技术先获取当前访问用户相对应的场景信息，所述场景信息通过当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置等多种数据项来共同限定，然后根据这些数据项多通道召回相应的商品推荐子集，然后按照与所述场景信息相对应的推荐层级排序信息将这些商品推荐子集构造为商品推荐列表推送给用户，由此获得的商品推荐列表中，根据场景信息获取到多种类型的商品推荐子集，即使面对没有历史数据的新用户，也可以根据其中的一个或多个数据项获得有效的推荐商品项，而对于老用户则可自动实现个性化推荐，使用户获得的商品推荐列表始终能与用户的场景信息相匹配，从而确保商品推荐策略更为有效，可望提升被推荐商品项的转化率，特别适用于基于独立站的电商平台中作为商品推荐机制进行统一部署而服务于各个独立站。
附图说明
41.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本技术的技术方案的应用环境的网络架构示意图；
43.图2为本技术的场景式商品推荐方法的一种实施例的流程示意图；
44.图3为本技术的实施例中召回各个商品推荐子集的流程示意图；
45.图4为本技术的实施例中加工历史访问数据的流程示意图；
46.图5为本技术的实施例中构造商品项共现矩阵的流程示意图；
47.图6为本技术的实施例中优化商品推荐列表的流程示意图；
48.图7为本技术的场景式商品推荐装置的原理框图；
49.图8为本技术所采用的一种场景式商品推荐设备的结构示意图。
具体实施方式
50.本技术中所引用或可能引用到的模型，包括传统机器学习模型或深度学习模型，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。
51.请参阅图1，本技术一种示例性的应用场景所采用的网络架构，包括终端设备80、独立站81和应用服务器82，所述应用服务器82可用于部署本技术的商品推荐服务。所述独立站81可用于部署并开放电商服务的线上店铺，所述终端设备80上的用户可以在所述线上店铺的商品页面中进行访问，由后台向独立站提交其时该用户相对应的场景信息，然后由独立站81调用所述商品推荐服务而提交所述场景信息，由所述商品推荐服务根据所述场景信息确定当前独立站的商品数据库中的商品项，构造成相应的商品推荐列表，返回给独立站81和/或终端设备80，最终使所述商品推荐列表被所述终端设备80解析展示，吸引用户访问其中的商品项，完成商品项的推广转化，从而完成整个商品推荐过程。
52.需要指出的是，图1的应用场景仅是给出一种平台化部署的示例，在另外一些示例性的实施例中，本技术的商品推荐服务也可以运行于任意具备足够算力的计算机设备中。例如，可以运行于所述独立站81而使其单独服务于当前独立站的商品推荐需求。
53.在参考以上揭示的原理的基础上，请参阅图2，根据本技术提供的一种场景式商品推荐方法，在其一个实施例中，包括如下步骤：
54.步骤s1100、获取当前访问用户的场景信息，所述场景信息包括描述场景的多个数据项，所述数据项包括当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置；
55.示例性的应用场景中，用户在图1所示的网络架构的终端设备中访问独立站的线上店铺中的某个商品项的详情展示页面，在详情展示页面中，加载了商品推荐模块，从而触发向独立站提交商品推荐请求，在该商品推荐请求中，将该用户当前所处的场景相对应的场景信息中的各个数据项一起封装，提交给独立站。
56.独立站获得所述商品推荐请求后，解析出其中的场景信息，将调用商品推荐服务提供的接口，向其提交所述场景信息，以获得商品推荐服务根据所述场景信息匹配出的商品推荐列表，从而可由独立站将该商品推荐列表推送至所述用户所在的终端设备，由终端设备上的浏览器解析出所述商品推荐列表中的各个商品项的商品信息，在所述商品推荐模块中显示。用户如果想要访问所述商品推荐模块的某个商品项，可以直接触控交互，跳转到被触控的商品项的详情展示页面，从而促成被推广的商品项的转化。
57.所述的场景信息，包括用于描述所述用户当前所处的信息环境所定义的场景的多个数据项，在本技术中，主要包括当前商品项、当前访问用户标识、当前访问时间、当前访问地理位置等。
58.所述当前访问商品项，是指当前用户所处在详情展示页面所属的商品项，也即正
在访问的目标商品项。由于用户正在访问的商品项代表用户当前感兴趣的商品，因而，指定当前访问商品项，有助于匹配出与用户当前感兴趣的商品相似的商品项。对于定义用户的场景来说，当前访问商品项所起到的作用是定义所述场景中的兴趣维度。
59.所述当前访问用户标识，是指当前用户自身的唯一性特征信息，其通过指定用户身份而间接指定所述场景中的个性化因素，使得后续在实施商品推荐服务时，可以根据当前用户的个性化历史数据来匹配出与该用户历史访问商品项相似的商品项。对于定义用户的场景来说，当前访问用户标识所起到的作用是定义所述场景中的个性化维度。
60.所述当前访问时间，是指用户正在访问目标商品项时，终端设备所处的当前具体时间，其用于指定用户的活动时间段，以便按照当前访问时间所处的时段去确定一个根据该时段统计同时段用户访问商品项所获得的相似商品项集。对于定义用户的场景来说，当前访问时间所起到的作用是定义所述场景中的时域维度。
61.所述当前访问地理位置，是指用户正在访问目标商品项时，终端设备所处的物理空间所处的地理位置，其用于指示用户所处的活动地理区域，以便按照当前访问地理位置去确定被相同地域范围内用户共同访问的相似商品项集。对于定义用户的场景来说，当前访问地理位置所起到的作用是定义所述场景中的空域维度。
62.由此可见，采用当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置定义场景信息，分别对应从兴趣维度、个性化维度、时域维度、空域维度来定义出当前用户相对应的场景，对用户场景的展示更为多元、清晰以及系统，全面考虑了客观因素和主观因素对用户访问行为的潜在影响，在客观方面主要体现为对时域维度和空域维度的引入，构成时空描述数据；在主观方面主要体现为对兴趣维度和个性化维度的引入，构成个人描述数据。需要提请注意理解的是，本技术通过以上各个具体维度系统地定义出用户场景，而不是单独、机械地利用其中的单项或多项数据，能够更为有效地产生有效的商品推荐列表，足以构成与其他技术的明显区别之一。
63.步骤s1200、根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，每个商品推荐子集包含多个商品项相对应的商品信息；
64.在确定了所述场景信息的各个数据项，即所述当前访问商品项、当前访问用户标识、当前访问时间、当前访问地理位置，便可根据这些数据项分别进行多通道数据召回操作，每个数据项可采用一个相应的召回通道执行数据召回，而获得其相对应的商品推荐子集，其中每个商品推荐子集包含多个被推荐的商品项，每个商品项均关联提供其相应的商品信息以便标准化封装。
65.对于当前访问商品项，在执行数据召回时，可以基于当前访问商品项的商品信息，例如商品标题、商品图片、商品属性数据等任意之一或任意多项，在独立站的商品数据库中，对其中各个商品项进行相似匹配，具体的匹配规则可以是基于规则匹配和/或基于语义匹配，从而获得出与当前访问商品项构成相似的一个或多个商品项，获得其相应的商品推荐子集。
66.对于当前访问用户标识，在执行数据召回时，先根据当前访问用户标识调用当前用户的历史访问过的商品项作为查询项，然后，根据各个查询项，去一个反映独立站的商品数据库中的各个商品项之间的用户访问共现特点的商品项共现矩阵中查询出与所述各个查询项构成相似的一个或多个商品项，获得其相应的商品推荐子集。所述用户访问共现特
点可以是指多个商品项共同出现在同一购物车中、共同出现在一个订单中、在同一访问会话中被同一用户访问等任意一种或任意多种情况。
67.对于当前访问时间，在执行数据召回时，根据当前访问时间确定其所属的时段，然后，从一个预先统计获得的商品项时域分布表中进行查询，获得其中相同时段相对应的一个或多个相似商品项，构成其相应的商品推荐子集。所述商品项时域分布表可以是对独立站的商品项的点击事件或者下单事件进行事先统计获得的，其可按照预设的时间粒度进行分时段统计，例如，将统计时段划分为按周、按天、按小时为单位等，为理解的便利，本技术中，可以小时为时间粒度设定所述的时段。由此，不难理解，商品项时域分布表实际上提供了每天各个时段相对应的热卖商品项，利用当前访问时间确定为其相对应的时段之后，便可获得其相应时段的热卖商品项构成商品推荐子集。
68.对于当前访问地理位置，在执行数据召回时，根据当前访问地理位置确定其所属的行政区划，然后，从一个预先统计获得的商品项地域分布表中进行查询，获得其中相同地域相对应的一个或多个相似商品项，构成其相应的商品推荐子集。所述商品项地域分布表可以是对独立站的商品项的点击事件或者下单事件进行事先统计获得的，其可按照预设的地理粒度进行分地域统计，例如，将统计地域划分为按省、按市、按区为单位等，为理解的便利，本技术中，可以区为地理粒度设定所述的地域。由此，不难理解，商品项地域分布表实际上提供了一个国家或地区中各个具体地域相对应的热卖商品项，利用当前访问地理位置确定为其相对应的地域之后，便可获得其相应地域的热卖商品项构成商品推荐子集。
69.至此，完成根据当前访问用户的场景信息进行前期的数据召回操作，其中包含匹配整个场景相对应的全部商品项，分布在多个相应的商品推荐子集中。
70.步骤s1300、根据所述场景信息相对应的推荐层级排序信息，将各个商品推荐子集有序构造为商品推荐列表，所述推荐层级排序信息包括各个数据项相应的商品推荐子集的排序位置信息；
71.考虑到本技术是基于场景信息而不是根据个别特征为用户推荐商品项，因而，对于所述场景信息中多个维度相对应的数据项所召回的各个商品推荐子集，需要做进一步的整合优化。
72.本技术适配具体场景，预设一个推荐层级排序信息，在其中定义有所述场景信息中的各个数据项的排序信息，也即定义了各个维度的排序信息，从而也限定了各个数据项相对应的商品推荐子集的排序信息。
73.一个实施例中，可以按照如下的优先推荐的方式定义出所述推荐层级排序信息：{兴趣维度、个性化维度、时域维度、空域维度}。按照这种推荐层级排序信息，用户感兴趣的商品项会被置于优先排序位置，然后是其个性化维度，最后才是时域和空域维度，可见，用户的主观因素相匹配的需求相对应的商品项被前置，而客观因素相匹配的商品项则相对后置，优先照顾了用户需求，可望提升转化率。
74.另一实施例中，考虑到独立站促销的需求，可以按照如下方式设定所述推荐层级排序：{空域维度、时域维度、兴趣维度、个性化维度}。这种方式下，更为强调独立站对同地区、同地段的热卖商品项的推荐，有望借助时间和地域上的同质性来提升独立站的商品交易总额。
75.在根据所述推荐层级排序信息确定出各个维度之间的先后关系之后，便可按照各
个维度的先后顺序，将各个维度相应的商品推荐子集中的商品项按照先后顺序添加到一个空表中，从而构造出商品推荐列表。
76.一个实施例中，当同一商品项同时出现在多个维度相对应的多个商品推荐子集中时，在将其添加到所述商品推荐列表的过程中，可以只保留所述商品项居于排序在前的位置，而将其从排序靠后的位置处删除。由于一个商品项同时出现在多张商品推荐子表的情况通常表示该商品项为较为热卖的商品项，因而，确保其前置，更为合理，而且，也可简化整个商品推荐列表的数据总数，缩小数据量。
77.步骤s1400、将所述商品推荐列表推送给所述当前访问用户。
78.当获得所述商品推荐列表后，便可通过独立站将其推送给当前访问用户，当前访问用户在其终端设备接收到所述商品推荐列表后，由其浏览器对其进行解析，根据其中的商品项的商品信息封装出相应的商品控件，置于当前正在访问的商品项的详情展示页面的商品推荐模块中显示。当用户对其中某个商品项感兴趣时，触控相应的商品控件，即可进入相应商品项的详情展示页面。
79.当然，其他实施例中，所述商品推荐模块可以是设置在其他页面的，例如，在电商平台的首页、专栏中，或者在社交网站的任意一个页面中均可，其原理与以上过程并无二致。
80.根据以上实施例可知，本技术先获取当前访问用户相对应的场景信息，所述场景信息通过当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置等多种数据项来共同限定，然后根据这些数据项多通道召回相应的商品推荐子集，然后按照与所述场景信息相对应的推荐层级排序信息将这些商品推荐子集构造为商品推荐列表推送给用户，由此获得的商品推荐列表中，根据场景信息获取到多种类型的商品推荐子集，即使面对没有历史数据的新用户，也可以根据其中的一个或多个数据项获得有效的推荐商品项，而对于老用户则可自动实现个性化推荐，使用户获得的商品推荐列表始终能与用户的场景信息相匹配，从而确保商品推荐策略更为有效，可望提升被推荐商品项的转化率，特别适用于基于独立站的电商平台中作为商品推荐机制进行统一部署而服务于各个独立站。
81.在本技术任意实施例的基础上，请参阅图3，根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，包括：
82.步骤s1210、根据当前访问商品项的商品信息从商品数据库中进行语义匹配，召回与所述商品信息实现语义匹配的商品项，构成第一商品推荐子集；
83.预先实现一个商品匹配服务，部署于独立站或可供独立站调用的应用服务器中，在该商品匹配服务中，内置有适于实施语义匹配的神经网络模型，通过所述神经网络模型，可以计算出两个商品项之间的相似度，从而，将给定的查询项及被查询的商品项的相应商品信息提交给所述神经网络模型，便可由所述神经网络模型根据两个商品项的商品信息的深层语义信息进行语义匹配，判定两个商品项是否构成近似，或者至少给出两者之间的相似度以便判定两者是否相似。提供给所述神经网络模型作为判断依据的商品信息，可以是商品标题、商品图片、商品数据中任意一项或任意多项，具体根据神经网络模型的架构而相应提供即可。
84.据此，在基于当前访问商品项执行数据召回时，根据神经网络网络的入参要求，调用出所述当前访问商品项相应的商品信息，调用所述商品匹配服务向其提交所述商品信
息。所述商品匹配服务继而逐一将独立站的商品数据库中的每个商品项的相应商品信息，分别与当前访问商品项的商品项的相应商品信息一起输入所述神经网络模型，从而，确定出所述商品数据库中，与所述当前访问商品项构成语义相匹配的商品项，由此将这些商品项构造为第一商品推荐子集。
85.在商品匹配服务对独立站的整个商品数据库中的商品项逐一与正在访问的商品项进行匹配的过程中，每个商品项均可获得一个相应的相似度，由于商品推荐列表不宜过长以免影响推荐效果，因而，在一些实施例中，可以根据相似度对各个商品项进行筛选，先根据相似度对商品数据库中的各个商品项进行排序，然后选取其中相似度最大的若干个即可，通常推荐选取5个至10个范围内的定值，用于构成所述第一商品推荐子集。
86.步骤s1220、根据当前访问用户标识召回相应用户的历史访问商品项集合，从商品项共现矩阵中查询出所述历史访问商品项集合中的商品项的共现商品项，构成第二商品推荐子集；
87.每个用户，在独立站中的访问行为均会被记录，从而产生关联于该用户的用户标识的历史访问数据，也即历史访问行为数据。所述历史访问数据中，通常包含用户在具体时间、具体地理位置，对某一具体商品项实施访问相对应的数据。由此，可以根据这些历史访问行为数据来获取当前访问用户在一定历史时间范围内访问过的商品项，将这些商品项构造为历史访问商品项集合。通常，这一历史时间范围可以设定为近期的时段，例如最近三天、最近一周、最近一月等，可灵活设定。
88.需要注意的是，如果当前用户是新用户，其历史访问商品项集合会是一个空集，尽管如此，由于其他维度的数据项所召回的商品推荐子集的存在，也不会导致新用户无法获得商品推荐列表的问题，可以确保新用户冷启动时，仍然有合适的商品项予以推荐。
89.历史访问商品项集合，仅仅是存储了当前访问用户历史访问过的商品项，当前访问用户可能对这些商品项已经不再感兴趣，而是需要获与其历史访问过的商品项相关联的其他商品项，例如功能相似、功能相关联的商品项等。由此，需要借助一个预先统计获得的商品项共现矩阵来执行相似查询，以获得与所述历史访问商品项集合中的商品项构成用户访问行为相似的商品项，以满足关于相似或关联商品的推荐。
90.所述的商品项共现矩阵，是根据独立站中的商品项之间，在被用户访问时，表现出的关联访问关系来统计的。所述关联访问关系，通常是指多个商品项共同出现在同一购物车中、共同出现在一个订单中、在同一访问会话中被同一用户访问等任意一种或任意多种情况，也就是说，所述多个商品项具有共现特点，当多个商品项存在共现特点时，即认为其存在访问关联关系。通过对独立站的商品数据库中的各个商品项进行访问关联关系的统计，最终针对其中每个商品项量化确定出其他商品项与其存在关联访问关系的程度，表示为相似度，由此，当需要确定一个目标商品项的共现商品项时，便可在所述商品共现矩阵中查询，根据各个共现商品项相对应的相似度来筛选出目标商品项相对应的最佳的共现商品项。当存在多个目标商品项时，相应查询出各个目标商品项的最佳共现商品项。将所有目标商品项相对应的最佳共现商品项添加到一个空表中，便构成第二商品推荐子集。
91.需要注意的是，在构造所述商品项共现矩阵时，实施关联访问关系的统计之前，可以约束各个商品项的被统计数据的时间范围，以便统一量纲，获得科学的统计结果。而对于第二商品推荐子集，考虑到最终商品推荐列表商品项数量不宜过大，对于根据一个或多个
目标商品项查询出的大量的最佳共现商品项，可以对这些最佳共现商品项根据其相似度进行筛选，筛选出少数若干个用于构成所述第二商品推荐子集即可。至于筛选数量，可根据实际需要确定。
92.步骤s1230、根据当前访问时间从预设的商品项时域分布表中召回对应时段的多个商品项，构成第三商品推荐子集；
93.所述商品项时域分布表可以预先制备，其中包含根据独立站中的商品项的订单量在各个时段统计出的热卖商品项。
94.当需要根据当前访问时间执行数据召回时，首先确定用户的当前访问时间所属的时段，然后，从所述商品项时域分布表中调用对应该时段的所有热卖商品项，再适应预设的数量约束，筛选出其中订单量最大的若干个热卖商品项，添加到一个空表中，从而形成第三商品推荐子集。
95.步骤s1240、根据当前访问地理位置从预设的商品项地域分布表中召回对应地理位置的多个商品项，构成第四商品推荐子集。
96.所述商品项地域分布表可以预先制备，其中包含根据独立站中的商品项的订单量在各个地域统计出的热卖商品项。
97.当需要根据当前访问地理位置执行数据召回时，首先确定用户的当前访问地理位置所属的地域是哪一个区(县)，然后，从所述商品项地域分布表中调用对应该地域的所有热卖商品项，再适应预设的数量约束，筛选出其中订单量最大的若干个热卖商品项，添加到一个空表中，从而形成第四商品推荐子集。
98.根据以上实施例可知，根据场景信息中的各个具体数据项，均能召回优质的商品项，即使其中个别数据项由于冷启动导致无法获得数据，但其他数据项仍能起到确定优质商品项的作用，从而可以确保获得有效的商品推荐子集。在整个数据召回操作过程中，从多个维度共同执行数据召回，全面地涵盖了用户所处场景的特点而获得对应的商品项，更为系统，优质的商品项更易被用户接受，从而可以确保商品推荐列表的有效性，有望提升商品推荐列表中的商品项的转化率，进一步提升独立站的商品交易总额。
99.在本技术任意实施例的基础上，请参阅图4，获取当前访问用户的场景信息之前，包括：
100.步骤s2100、获取各个用户的历史访问数据，所述历史访问数据中包含历史场景信息，所述历史场景信息包括被用户访问的商品项、用户标识、用户的访问时间、用户所在的地理位置；
101.在前期处理的阶段，独立站可以适应本技术的各个实施例所需，预先对其中产生的海量用户的历史访问数据进行数据清洗和统计，以便获得本技术在执行数据召回过程中所需依赖的各项数据。
102.所述历史访问数据，如前所述，包含有用户访问相对应的历史场景信息，具体是包括被用户访问的商品项、该用户的用户标识、该用户的访问时间，该用户所在的地理位置等。
103.步骤s2200、基于所述历史访问数据，对商品数据库中的商品项进行基于访问时间的分段统计，确定不同时段下各个商品项的订单量，根据订单量择优确定相应时段下的热卖商品项，将所有时段的热卖商品项构造为商品项时域分布表；
104.由于独立站的商品数据库中的各个商品项，均存在对应各个用户的历史访问数据，所述历史访问数据中携带访问时间相对应的参数，因而，可以由独立站的后台，定时或不定时地对一段时间范围内的历史访问数据进行统计，一个实施例中，统计单位被约束为按小时统计，而统计时间范围则控制在最近两周的历史访问数据范围，统计对象可以是商品项的被下单量，据此，统计出每天24小时内，以每小时为单位，各个小时相对应的热卖商品项，构成相应的热卖商品列表，也即24个热卖商品列表，然后将24个热卖商品列表存储到商品项时域分布表中，建立商品项与具体小时时段之间的映射关系数据以供查询。
105.步骤s2300、基于所述历史访问数据，对商品数据库中的商品项进行基于关联访问关系的统计，根据商品项之间是否存在关联访问关系构造出商品项共现矩阵，用于表征与每个商品项具有关联访问关系的所有商品项的列表；
106.具体而言，可以按照如下步骤确定出商品项共现矩阵，如图5所示，包括：
107.步骤s2310、调用独立站的商品数据库，获得其中各个商品项相对应的历史访问数据；
108.首先，调用独立站的商品数据库，对应其中的每个商品项，均获取其在预设历史时间范围内的历史访问数据，通过所述历史访问数据，由于所述历史访问数据中包含了一个商品项被一个用户所访问相对应的场景信息，因而，可以确定每个商品项是否被一个用户访问。
109.步骤s2320、构造所述商品数据库每个商品项与每个用户之间的访问关系信息，以不同数值区分标识商品项被一个用户访问或未被访问，获得独热编码矩阵，其中包含各个商品项相对应的用户访问行为向量；
110.然后，编制一个独热编码矩阵，其横坐标对应独立站的各个用户，其纵坐标对应各个商品，然后，根据每个商品项所对应的每一条历史访问数据，识别该商品是否被某个用户访问，若被该用户访问，则将该商品对应该用户的坐标位置处，将元素值设置为1，如果该商品未被该用户访问，则在该商品对应该用户的坐标位置处，则将元素值设置为0，逐一遍历所有商品项和所有历史访问数据，最终可以得到一个以1和0为值的独热编码矩阵，其中，每一行与商品项相对应，每一列与用户相对应，因而，其中的每一行构成其相对应的商品项的用户访问行为向量，描述了该商品项曾经被哪些用户访问，且未曾被哪些用户访问。
111.步骤s2330、基于每个商品项的用户访问行为向量计算两两商品项之间的相似度，获得商品项共现矩阵，其中每个元素存储其行所在的商品项与其列所在的商品项之间关于用户访问行为的相似度。
112.在所述独热编码矩阵的基础上，获得了每个商品项的用户访问行为向量，不难理解，任意两个商品项之间，若其用户访问行为向量的分布相似，则表明这两个商品项被同类用户关联访问的可能性越高，反映出两个商品项的关联程度。
113.为了量化这种关联程度，可采用数据距离算法来确定任意两个商品项的用户访问行为向量之间的相似度。所述数据距离算法可以采用余弦相似度算法、欧氏距离算法、皮尔逊相关系数算法、杰卡德系数算法、闵氏距离算法等等，任意一种可以衡量两个向量之间的相似程度的算法。
114.一种实施例中，根据余弦相似度算法，基于所述独热编码矩阵中的各个商品项的用户访问行为向量，简化计算出两两商品项的用户访问行为向量之间的相似度，获得一个
方阵，该方阵的行坐标和列坐标分别对应各个商品项，其中每个元素所存在的数值，即是该元素所在的行所对应的商品项与其所在的列所对应的商品项，两者基于用户访问行为向量确定的相似度。由此可见，该方阵便构成了商品项共现矩阵，其通过任意两个商品项之间的相似度，来表征两者在被同类用户访问方面的相似度。当给定一个商品项时，便可在该商品项相对应的行或列中，根据相似度筛选出部分相似商品项。
115.步骤s2400、基于所述历史访问数据，对商品数据库中的商品项进行基于地理位置的分区统计，确定不同地区下各个商品项的订单量，根据订单量择优确定相应地区的热卖商品项，将所有地区的热卖商品项构造为商品项地域分布表。
116.同理，由于独立站的商品数据库中的各个商品项，均存在对应各个用户的历史访问数据，所述历史访问数据中携带访问地理位置相对应的参数，因而，可以由独立站的后台，定时或不定时地对所在国家或地区范围内的历史访问数据进行统计，一个实施例中，统计单位被约束为按区(县)统计，而统计时间范围则控制在最近两周的历史访问数据范围，统计对象可以是商品项的被下单量，据此，统计出各个区(县)相对应的热卖商品项，构成相应的热卖商品列表，然后将各个区(县)相对应的热卖商品列表存储到商品项地域分布表中，建立商品项与具体区(县)之间的映射关系数据以供查询。
117.根据以上实施可知，通过集中系统地关注历史访问数据中的场景信息，对应构造出后续服务于场景匹配相应的各种基础数据，可以确保基于场景匹配的服务高效运行，从而提升商品推荐服务的执行效率，对于需要高响应速度的电商应用场景来说，有助于改善整个独立站乃至整个电商平台的服务体验。
118.在本技术任意实施例的基础上，请参阅图6，将各个商品推荐子集有序构造为商品推荐列表，包括：
119.步骤s1310、对所有商品推荐子集进行去重，将重复的商品项优先保留在排序位置信息靠前的商品推荐子集中；
120.在将多个数据源召回的各个商品推荐子集用于构造商品推荐列表时，受商品推荐列表的数量合理性的限制，有必要对所有商品推荐子集进行共同优化。
121.优化的方式之一是对所有商品推荐子集中相同的商品项进行去重操作，将其中同时出现在多个商品推荐子集中的商品项，只保留其中之一。考虑到推荐层级排序信息中给出了各个商品推荐子集的排序位置，且通常排序位置靠前时更有利于推荐，因此，对于同时出现在多个商品推荐子集的商品项，可以将该商品项只保留在排序位置靠前的商品推荐子集中，使得当其合并到商品推荐列表中时，该商品项的排序位置依然靠前，对于其他商品推荐子集，则不再保留该商品项。
122.步骤s1320、对各个商品推荐子集进行截尾，针对每个商品推荐子集，个性化地保留不大于预设数值的有限多个商品项；
123.各个商品推荐子集是多源召回的，每个商品推荐子集中所包含的商品项的数量可以在数据召回阶段预先截尾而确定为有限多个，但是，当多个商品推荐子集均集中到一起时，依然可能导致商品推荐列表中的商品项数量过多，针对这种情况，在构造商品推荐列表的过程中预设一个截尾手段，在此阶段按照预设数量对每个商品推荐列表进行个性化地再次截尾，从而确保每一个商品推荐列表均可以按照其相应的预设数值保留相应数量的商品项，从而保证整个商品推荐列表的商品项总数确定在一个合理的区间。
124.需要指出的是，通过对各个商品推荐子集个别性控制所保留的商品项的数量，可以丰富商品推荐时的控制能力，方便独立站实现更为灵活的控制手段。
125.步骤s1330、将完成以上处理后的商品推荐子集有序构造为商品推荐列表。
126.在完成以上的处理后，将各个商品推荐子集，按照其在所述推荐层级排序信息中的推荐位置，先后添加到商品推荐列表中即可完成。
127.根据以上实施例，可以看出，在构造商品推荐列表的过程中，适应终端输出的需要，丰富了对各个商品推荐子集的数量控制方式，确保最终所获得的商品推荐列表包含合理数量范围的多个商品项，以优化用户体验，确保高转化率。
128.请参阅图7，根据本技术的一个方面提供的一种场景式商品推荐装置，包括信息获取模块1100、召回执行模块1200、排序构造模块1300，以及列表推送模块1400，其中：所述信息获取模块1100，设置为获取当前访问用户的场景信息，所述场景信息包括描述场景的多个数据项，所述数据项包括当前访问商品项、当前访问用户标识、当前访问时间以及当前访问地理位置；所述召回执行模块1200，设置为根据所述场景信息的各个数据项召回各个数据项相对应的商品推荐子集，每个商品推荐子集包含多个商品项相对应的商品信息；所述排序构造模块1300，设置为根据所述场景信息相对应的推荐层级排序信息，将各个商品推荐子集有序构造为商品推荐列表，所述推荐层级排序信息包括各个数据项相应的商品推荐子集的排序位置信息；所述列表推送模块1400，设置为将所述商品推荐列表推送给所述当前访问用户。
129.在本技术任意实施例的基础上，所述召回执行模块1200，包括：相似匹配单元，设置为根据当前访问商品项的商品信息从商品数据库中进行语义匹配，召回与所述商品信息实现语义匹配的商品项，构成第一商品推荐子集；共现匹配单元，设置为根据当前访问用户标识召回相应用户的历史访问商品项集合，从商品项共现矩阵中查询出所述历史访问商品项集合中的商品项的共现商品项，构成第二商品推荐子集；时域匹配单元，设置为根据当前访问时间从预设的商品项时域分布表中召回对应时段的多个商品项，构成第三商品推荐子集；地域匹配单元，设置为根据当前访问地理位置从预设的商品项地域分布表中召回对应地理位置的多个商品项，构成第四商品推荐子集。
130.在本技术任意实施例的基础上，先于所述信息获取模块1100，包括：数据获取模块，设置为获取各个用户的历史访问数据，所述历史访问数据中包含历史场景信息，所述历史场景信息包括被用户访问的商品项、用户标识、用户的访问时间、用户所在的地理位置；时域统计模块，设置为基于所述历史访问数据，对商品数据库中的商品项进行基于访问时间的分段统计，确定不同时段下各个商品项的订单量，根据订单量择优确定相应时段下的热卖商品项，将所有时段的热卖商品项构造为商品项时域分布表；共现统计模块，设置为基于所述历史访问数据，对商品数据库中的商品项进行基于关联访问关系的统计，根据商品项之间是否存在关联访问关系构造出商品项共现矩阵，用于表征与每个商品项具有关联访问关系的所有商品项的列表；地域统计模块，设置为基于所述历史访问数据，对商品数据库中的商品项进行基于地理位置的分区统计，确定不同地区下各个商品项的订单量，根据订单量择优确定相应地区的热卖商品项，将所有地区的热卖商品项构造为商品项地域分布表。
131.在本技术任意实施例的基础上，所述时域统计模块被设置为将分段统计的时段单
位按照每周、每天、每小时进行划分并分别统计。
132.在本技术任意实施例的基础上，所述共现统计模块，包括：关系识别单元，设置为调用独立站的商品数据库，获得其中各个商品项相对应的历史访问数据；行为编码单元，设置为构造所述商品数据库每个商品项与每个用户之间的访问关系信息，以不同数值区分标识商品项被一个用户访问或未被访问，获得独热编码矩阵，其中包含各个商品项相对应的用户访问行为向量；共现分析单元，设置为基于每个商品项的用户访问行为向量计算两两商品项之间的相似度，获得商品项共现矩阵，其中每个元素存储其行所在的商品项与其列所在的商品项之间关于用户访问行为的相似度。
133.在本技术任意实施例的基础上，所述排序构造模块1300，包括：去重处理单元，设置为对所有商品推荐子集进行去重，将重复的商品项优先保留在排序位置信息靠前的商品推荐子集中；截尾处理单元，设置为对各个商品推荐子集进行截尾，针对每个商品推荐子集，个性化地保留不大于预设数值的有限多个商品项；综合构造单元，设置为将完成以上处理后的商品推荐子集有序构造为商品推荐列表。
134.本技术的另一实施例还提供一种场景式商品推荐设备。如图8所示，场景式商品推荐设备的内部结构示意图。该场景式商品推荐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，该场景式商品推荐设备的计算机可读的非易失性可读存储介质，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场景式商品推荐方法。
135.该场景式商品推荐设备的处理器用于提供计算和控制能力，支撑整个场景式商品推荐设备的运行。该场景式商品推荐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场景式商品推荐方法。该场景式商品推荐设备的网络接口用于与终端连接通信。
136.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场景式商品推荐设备的限定，具体的场景式商品推荐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。
137.本实施方式中处理器用于执行图7中的各个模块的具体功能，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。网络接口用于实现用户终端或服务器之间的数据传输。本实施方式中的非易失性可读存储介质中存储有本技术的场景式商品推荐装置中执行所有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模块的功能。
138.本技术还提供一种存储有计算机可读指令的非易失性可读存储介质，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场景式商品推荐方法的步骤。
139.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。
140.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非易失性可读存储介质中，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。
141.综上所述，本技术基于用户的场景信息实施商品推荐，更为有效，能提升被推荐商品项的转化率，特别适用于基于独立站的电商平台中作为商品推荐机制进行统一部署而服务于各个独立站。