实时产品推荐方法、装置、电子设备及可读存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种实时产品推荐方法、装置、电子设备及可读存储介质。


背景技术：

2.随着科技的发展，产品发展更加多样化，如何从众多产品中为用户推荐感兴趣的产品是当前的关注要点。
3.当前，通常采用以下两种方式为用户推荐产品，方式一、基于预设指标，例如销量、热度为用户推荐产品；方式二、基于用户行为数据为用户推荐产品。然而，方式一的推荐准确度不高，方式二数据量大，计算耗时，适用于离线推荐，实时性不高。
4.因此，亟需一种实时产品推荐方法，以准确、实时地为用户推荐产品。


技术实现要素：

5.鉴于以上内容，有必要提供一种实时产品推荐方法，旨在准确、实时地为用户推荐产品。
6.本发明提供的实时产品推荐方法，包括：
7.当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库；
8.当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库；
9.当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集；
10.从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
11.可选的，所述确定发布的文本数据对应的文本标签集，包括：
12.对所述发布的文本数据执行分词处理，得到词语集；
13.计算所述词语集中每个词语在所述发布的文本数据中的词频；
14.获取所述目标应用程序对应的文本数据集，计算所述词语集中每个词语与所述文本数据集的相关度值；
15.基于所述词频及所述相关度值计算所述词语集中每个词语的重要度值；
16.按照重要度值从高到低的顺序，从所述词语集中筛选第一数量的词语作为所述发
布的文本数据对应的第一关键词，将所述第一关键词的集合作为所述发布的文本数据对应的文本标签集。
17.可选的，所述基于所述文本标签集更新所述产品标识对应的产品标签集，包括：
18.获取所述产品标识对应的各个文本数据的文本标签集的集合，得到所述产品标识对应的初始标签集；
19.将所述初始标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第二数量的标签作为所述产品标识对应的第二关键词，将所述第二关键词的集合作为所述产品标识对应的产品标签集。
20.可选的，所述基于所述注册信息构建所述用户标识对应的用户画像，包括：
21.获取所述注册信息中各个指标项的指标值与标签之间的映射关系；
22.基于所述映射关系确定所述用户标识对应的注册信息中各个指标项的指标值对应的目标标签；
23.将所述目标标签的集合作为所述用户标识对应的用户画像。
24.可选的，所述基于所述目标文本标签集更新所述指定用户的兴趣标签集，包括：
25.从第三数据库获取所述指定用户对应的兴趣标签集，合并所述兴趣标签集及所述目标文本标签集，得到合并后的兴趣标签集；
26.将所述合并后的兴趣标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第三数量的标签作为所述指定用户对应的第三关键词，将所述第三关键词的集合作为所述指定用户对应的更新后的兴趣标签集。
27.可选的，所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集，包括：
28.将所述更新后的兴趣标签集与所述目标应用程序的各个产品对应的产品标签集进行匹配，将匹配成功的标签的集合作为各个产品对应的匹配标签集；
29.计算各个产品对应的匹配标签集中每个标签对应的重要度总值，基于所述重要度总值计算所述指定用户与各个产品的匹配度值；
30.按照匹配度值从高到低的顺序排序，将排序靠前的第四数量的产品的集合作为所述指定用户对应的待推荐产品集。
31.可选的，在所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集之后，所述方法还包括：
32.对所述待推荐产品集中的产品执行过滤处理，得到更新后的待推荐产品集。
33.为了解决上述问题，本发明还提供一种实时产品推荐装置，所述装置包括：
34.更新模块，用于当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库；
35.构建模块，用于当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库；
36.确定模块，用于当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定
所述指定用户对应的待推荐产品集；
37.推荐模块，用于从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
38.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
39.至少一个处理器；以及，
40.与所述至少一个处理器通信连接的存储器；其中，
41.所述存储器存储有可被所述至少一个处理器执行的实时产品推荐程序，所述实时产品推荐程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实时产品推荐方法。
42.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实时产品推荐程序，所述实时产品推荐程序可被一个或者多个处理器执行，以实现上述实时产品推荐方法。
43.相较现有技术，本发明首先确定发布的文本数据对应的文本标签集，基于文本标签集更新对应的产品标签集；接着，基于注册信息构建用户画像；然后，获取指定文本数据对应的目标文本标签集，基于目标文本标签集更新指定用户的兴趣标签集，基于更新后的兴趣标签集确定指定用户对应的待推荐产品集；最后，将待推荐产品集中每个产品对应的目标产品标签集和指定用户对应的目标用户画像输入产品排序模型，得到待推荐产品集中产品的排序结果，并确定目标推荐产品。本发明在文本数据发布时确定文本标签集、在用户注册时构建用户画像，从而在用户产生点击行为时可实时更新兴趣标签集，并基于兴趣标签集确定待推荐产品集，基于用户画像对待推荐产品集中的产品精准排序，从而确定目标推荐产品，保证了产品推荐的实时性、准确性。因此，本发明实现了准确、实时地为用户推荐产品。
附图说明
44.图1为本发明一实施例提供的实时产品推荐方法的流程示意图；
45.图2为本发明一实施例提供的实时产品推荐装置的模块示意图；
46.图3为本发明一实施例提供的实现实时产品推荐方法的电子设备的结构示意图；
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
49.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深
度学习等几大方向。
50.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
53.本发明提供一种实时产品推荐方法。参照图1所示，为本发明一实施例提供的实时产品推荐方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
54.本实施例中，实时产品推荐方法包括：
55.s1、当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库。
56.本实施例中，以目标应用程序为购买保险产品的应用程序为例进行说明，所述文本数据可以是目标应用程序中关于保险产品的文章或新闻。
57.本实施例抽取目标应用程序中每个文本数据的关键词，基于关键词确定每个文本数据对应的文本标签集，根据文本标签集可确定目标应用程序的每个产品对应的产品标签集。
58.所述确定发布的文本数据对应的文本标签集，包括：
59.a11、对所述发布的文本数据执行分词处理，得到词语集；
60.本实施例中，可采用正向最大匹配法、逆向最大匹配法或最少切分法对发布的文本数据执行分词处理。
61.a12、计算所述词语集中每个词语在所述发布的文本数据中的词频；
62.所述词频的计算公式为：
[0063][0064]
其中，p
i
为词语集中第i个词语的词频，c
i
为词语集中第i词语在发布的文本数据中出现的次数，n为词语集中词语的总数量，c
j
为词语集中第j个词语在发布的文本数据中出现的次数。
[0065]
a13、获取所述目标应用程序对应的文本数据集，计算所述词语集中每个词语与所
述文本数据集的相关度值；
[0066]
从词语集中选择一个词语，选择的词语与文本数据集的相关度值为：文本数据集中包括选择的词语的文本数据的数量对于总文本数量的占比。
[0067]
例如，若目标应用程序对应的文本数据集中的文本数据共100个，选择的词语为词语1，这100个文本数据中有20个文本数据包含词语1，则词语1与文本数据集的相关度值为：20/100＝0.2。
[0068]
a14、基于所述词频及所述相关度值计算所述词语集中每个词语的重要度值；
[0069]
所述重要度值的计算公式为：v
i
＝a*p
i
b*q
i
，其中，v
i
为词语集中第i个词语的重要度值，p
i
为词语集中第i个词语在发布的文本数据中的词频，q
i
为词语集中第i个词语与文本数据集的相关度值，a、b分别为预先确定的词频和相关度值对应的权重。
[0070]
a15、按照重要度值从高到低的顺序，从所述词语集中筛选第一数量的词语作为所述发布的文本数据对应的第一关键词，将所述第一关键词的集合作为所述发布的文本数据对应的文本标签集。
[0071]
本实施例中，第一数量可以是8，从词语集中抽取重要度值最高的8个词语作为发布的文本数据的第一关键词，将各个第一关键词的重要度值作为其标注信息，将这8个携带标注信息的第一关键词的集合作为发布的文本数据对应的文本标签集。
[0072]
所述基于所述文本标签集更新所述产品标识对应的产品标签集，包括：
[0073]
b11、获取所述产品标识对应的各个文本数据的文本标签集的集合，得到所述产品标识对应的初始标签集；
[0074]
例如，若目标应用程序中关于产品1的文本数据共10个，则将这10个文本数据的文本标签集的集合作为产品1的初始标签集。
[0075]
b12、将所述初始标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第二数量的标签作为所述产品标识对应的第二关键词，将所述第二关键词的集合作为所述产品标识对应的产品标签集。
[0076]
本实施例中，所述第二数量可以是15，将初始标签集中重要度值最高的15个标签作为产品1的第二关键词，将各个第二关键词的重要度值作为其标注信息，将这15个携带标注信息的第二关键词的集合作为产品1的产品标签集。
[0077]
在所述得到所述产品标识对应的初始标签集之后，所述方法还包括：
[0078]
加总所述初始标签集中相同标签的重要度值，得到所述相同标签的更新后的重要度值。
[0079]
例如，若产品1对应的文本数据1的文本标签集中标签1的重要度值为2，产品1对应的文本数据3的文本标签集中标签1的重要度值为5，则产品1对应的初始标签集中含有两个标签1，将重要度值加总后，得到标签1更新后的重要度值为5 2＝7。
[0080]
s2、当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库。
[0081]
当用户首次登录目标应用程序时，需注册账户，此时，可根据用户注册账户时产生的注册信息构建所述目标应用程序的每个用户的用户画像，并将各个用户画像存储至第二数据库。
[0082]
所述注册信息包括用户的年龄、性别、职业、居住地、收入、注册时间等。
[0083]
所述基于所述注册信息构建所述用户标识对应的用户画像，包括：
[0084]
c11、获取所述注册信息中各个指标项的指标值与标签之间的映射关系；
[0085]
本实施例中，以指标项年龄和注册时间为例说明指标值与标签之间的映射关系。
[0086]
年龄的指标值与标签之间的映射关系如下：
[0087]
18岁以下：少年；
[0088]
18岁～30岁：青年；
[0089]
31岁～50岁：中年；
[0090]
50岁以上：老年。
[0091]
注册时间的指标值与标签之间的映射关系如下：
[0092]
注册时间距今少于半年：新用户；
[0093]
注册时间距今大于或等于半年：老用户。
[0094]
c12、基于所述映射关系确定所述用户标识对应的注册信息中各个指标项的指标值对应的目标标签；
[0095]
若用户1的注册信息中年龄为25岁、性别为女、居住地为上海，职业为外企职员、
……
，则用户1的各指标项对应的目标标签分别为青年、女性、一线城市、白领、
……
。
[0096]
c13、将所述目标标签的集合作为所述用户标识对应的用户画像。
[0097]
汇总上述各指标项对应的标签即得到用户标识对应的用户画像。例如，根据步骤c12得到用户1的用户画像为一个标签数组{青年，女性，一线城市，白领，
……
}。
[0098]
s3、当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集。
[0099]
所述点击行为可以包括搜索、浏览、评论及点赞行为，用户在目标应用程序的文本数据中的点击行为，一定程度上体现了用户的偏好。
[0100]
本实施例中，已在第一数据库中为目标应用程序中的每个文本数据存储了对应的文本标签集，从而可迅速从第一数据库中获取被点击的文本数据对应的目标文本标签集，进而实时更新用户的兴趣标签集，并确定用户对应的待推荐产品集。
[0101]
所述基于所述目标文本标签集更新所述指定用户的兴趣标签集，包括：
[0102]
d11、从第三数据库获取所述指定用户对应的兴趣标签集，合并所述兴趣标签集及所述目标文本标签集，得到合并后的兴趣标签集；
[0103]
本实施例中，第三数据库中存储了每个登录目标应用程序的用户的兴趣标签集，兴趣标签集是根据用户的点击行为确定的，并在用户产生新的点击行为时进行更新。
[0104]
例如，用户1第一次点击了目标应用程序中的文本数据1，则将文本数据1对应的文本标签集中预设数量的标签作为用户1的兴趣标签集；用户1第二次点击了文本数据2，则将文本数据2对应的文本标签集与用户1的兴趣标签集合并，并将合并后的兴趣标签集中重要度值靠前的预设数量的标签作为用户1更新后的兴趣标签集，
……
。
[0105]
d12、将所述合并后的兴趣标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第三数量的标签作为所述指定用户对应的第三关键词，将所述第三关键词的集合作为所述指定用户对应的更新后的兴趣标签集。
[0106]
本实施例中，所述第三数量可以是6，将合并后的兴趣标签集中重要度值最高的6个标签作为指定用户的第三关键词，将各个第三关键词的重要度值作为其标注信息，将这6个携带标注信息的第三关键词的集合作为指定用户对应的更新后的兴趣标签集。
[0107]
所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集，包括：
[0108]
e11、将所述更新后的兴趣标签集与所述目标应用程序的各个产品对应的产品标签集进行匹配，将匹配成功的标签的集合作为各个产品对应的匹配标签集；
[0109]
例如，若指定用户的更新后的兴趣标签集中共6个标签，更新后的兴趣标签集与产品1的产品标签集有3个相同的标签、与产品2的产品标签集有4个相同的标签，则产品1对应的匹配标签集中有3个标签、产品2对应的匹配标签集中有4个标签。
[0110]
e12、计算各个产品对应的匹配标签集中每个标签对应的重要度总值，基于所述重要度总值计算所述指定用户与各个产品的匹配度值；
[0111]
例如，产品1对应的匹配标签集中的3个标签分别为标签1、标签2及标签3，更新后的兴趣标签集中标签1的重要度值为3，产品1的产品标签集中标签1的重要度值为1，则产品1对应的匹配标签集中标签1的重要度总值为3 1＝4。
[0112]
加总各个产品对应的匹配标签集中每个标签对应的重要度总值，得到各个产品对应的匹配度值，例如，产品1对应的匹配标签集中标签1的重要度总值为4、标签2的重要度总值为6、标签3的重要度总值为2，则产品1对应的匹配度值为4 6 2＝12。
[0113]
e13、按照匹配度值从高到低的顺序排序，将排序靠前的第四数量的产品的集合作为所述指定用户对应的待推荐产品集。
[0114]
本实施例中，所述第四数量可以是10，将匹配度值最高的10个产品的集合作为指定用户对应的待推荐产品集。
[0115]
s4、从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
[0116]
本实施例中，所述产品排序模型可以是训练好的逻辑回归模型，也可以是训练好的神经网络模型，通过产品排序模型可对待推荐产品集中的产品进行精确排序，根据排序结果可确定指定用户对应的目标推荐产品。
[0117]
本实施例以神经网络模型为例说明模型的训练过程：获取目标应用程序在预设时间段的历史数据，所述历史数据包括用户的订单数据，例如，历史数据中用户1购买了产品1，则将用户1的画像与产品1的产品标签集作为一个正样本(正样本的标注信息为1，即用户1对产品1的真实兴趣值为1)，将用户1的画像与其它产品的产品标签集作为负样本(负样本的标注信息为0，即用户1对其它产品的真实兴趣值为0)，从而可得到正样本集及负样本集，将正样本集及负样本集输入神经网络模型，得到每个样本的预测兴趣值，通过最小化预测兴趣值与真实兴趣值之间的损失值确定模型的结构参数，得到训练好的产品排序模型，损失值可通过交叉熵损失函数计算得到。
[0118]
产品排序模型的输入为指定用户对应的目标用户画像及待推荐产品集中每个产品对应的目标产品标签集，输出为指定用户对于待推荐产品集中每个产品的预测兴趣值，可按照预测兴趣值从高到低的顺序排序，将排序最高的第五数量(例如，3)的产品作为指定
用户对应的目标推荐产品。
[0119]
在所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集之后，所述方法还包括：
[0120]
对所述待推荐产品集中的产品执行过滤处理，得到更新后的待推荐产品集。
[0121]
本实施例中，可自定义过滤规则，例如，可以将指定用户已购买的产品过滤，将临时下线的产品过滤，将产品黑名单中的产品过滤，将不在预设价格范围内的产品过滤等。
[0122]
由上述实施例可知，本发明提出的实时产品推荐方法，首先，确定发布的文本数据对应的文本标签集，基于文本标签集更新对应的产品标签集；接着，基于注册信息构建用户画像；然后，获取指定文本数据对应的目标文本标签集，基于目标文本标签集更新指定用户的兴趣标签集，基于更新后的兴趣标签集确定指定用户对应的待推荐产品集；最后，将待推荐产品集中每个产品对应的目标产品标签集和指定用户对应的目标用户画像输入产品排序模型，得到待推荐产品集中产品的排序结果，并确定目标推荐产品。本发明在文本数据发布时确定文本标签集、在用户注册时构建用户画像，从而在用户产生点击行为时可实时更新兴趣标签集，并基于兴趣标签集确定待推荐产品集，基于用户画像对待推荐产品集中的产品精准排序，从而确定目标推荐产品，保证了产品推荐的实时性、准确性。因此，本发明实现了准确、实时地为用户推荐产品。
[0123]
如图2所示，为本发明一实施例提供的实时产品推荐装置的模块示意图。
[0124]
本发明所述实时产品推荐装置100可以安装于电子设备中。根据实现的功能，所述实时产品推荐装置100可以包括更新模块110、构建模块120、确定模块130及推荐模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0125]
在本实施例中，关于各模块/单元的功能如下：
[0126]
更新模块110，用于当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库。
[0127]
所述确定发布的文本数据对应的文本标签集，包括：
[0128]
a21、对所述发布的文本数据执行分词处理，得到词语集；
[0129]
a22、计算所述词语集中每个词语在所述发布的文本数据中的词频；
[0130]
a23、获取所述目标应用程序对应的文本数据集，计算所述词语集中每个词语与所述文本数据集的相关度值；
[0131]
a24、基于所述词频及所述相关度值计算所述词语集中每个词语的重要度值；
[0132]
a25、按照重要度值从高到低的顺序，从所述词语集中筛选第一数量的词语作为所述发布的文本数据对应的第一关键词，将所述第一关键词的集合作为所述发布的文本数据对应的文本标签集。
[0133]
所述基于所述文本标签集更新所述产品标识对应的产品标签集，包括：
[0134]
b21、获取所述产品标识对应的各个文本数据的文本标签集的集合，得到所述产品标识对应的初始标签集；
[0135]
b22、将所述初始标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第二数量的标签作为所述产品标识对应的第二关键词，将所述第二关键词的集合作为
所述产品标识对应的产品标签集。
[0136]
构建模块120，用于当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库。
[0137]
所述基于所述注册信息构建所述用户标识对应的用户画像，包括：
[0138]
c21、获取所述注册信息中各个指标项的指标值与标签之间的映射关系；
[0139]
c22、基于所述映射关系确定所述用户标识对应的注册信息中各个指标项的指标值对应的目标标签；
[0140]
c23、将所述目标标签的集合作为所述用户标识对应的用户画像。
[0141]
确定模块130，用于当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集。
[0142]
所述基于所述目标文本标签集更新所述指定用户的兴趣标签集，包括：
[0143]
d21、从第三数据库获取所述指定用户对应的兴趣标签集，合并所述兴趣标签集及所述目标文本标签集，得到合并后的兴趣标签集；
[0144]
d22、将所述合并后的兴趣标签集中的标签按照重要度值从高到低的顺序排序，抽取排序靠前的第三数量的标签作为所述指定用户对应的第三关键词，将所述第三关键词的集合作为所述指定用户对应的更新后的兴趣标签集。
[0145]
所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集，包括：
[0146]
e21、将所述更新后的兴趣标签集与所述目标应用程序的各个产品对应的产品标签集进行匹配，将匹配成功的标签的集合作为各个产品对应的匹配标签集；
[0147]
e22、计算各个产品对应的匹配标签集中每个标签对应的重要度总值，基于所述重要度总值计算所述指定用户与各个产品的匹配度值；
[0148]
e23、按照匹配度值从高到低的顺序排序，将排序靠前的第四数量的产品的集合作为所述指定用户对应的待推荐产品集。
[0149]
推荐模块140，用于从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
[0150]
在所述基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集之后，所述推荐模块140还用于：
[0151]
对所述待推荐产品集中的产品执行过滤处理，得到更新后的待推荐产品集。
[0152]
如图3所示，为本发明一实施例提供的实现实时产品推荐方法的电子设备的结构示意图。
[0153]
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
[0154]
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存
储器11、处理器12、网络接口13，该存储器11中存储有实时产品推荐程序10，所述实时产品推荐程序10可被所述处理器12执行。图3仅示出了具有组件11
‑
13以及实时产品推荐程序10的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0155]
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的实时产品推荐程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0156]
处理器12在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行实时产品推荐程序10等。
[0157]
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
[0158]
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0159]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0160]
所述电子设备1中的所述存储器11存储的实时产品推荐程序10是多个指令的组合，在所述处理器12中运行时，可以实现如下步骤：
[0161]
当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库；
[0162]
当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库；
[0163]
当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定所述指定用户
对应的待推荐产品集；
[0164]
从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
[0165]
具体地，所述处理器12对上述实时产品推荐程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0166]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是非易失性的，也可以是非易失性的。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0167]
所述计算机可读存储介质上存储有实时产品推荐程序10，所述实时产品推荐程序10可被一个或者多个处理器执行，以实现如下步骤：
[0168]
当监测到目标应用程序发布携带产品标识的文本数据时，确定发布的文本数据对应的文本标签集，基于所述文本标签集更新所述产品标识对应的产品标签集，并将所述文本标签集及所述产品标签集存储至第一数据库；
[0169]
当监测到目标应用程序产生携带用户标识的注册信息时，基于所述注册信息构建所述用户标识对应的用户画像，并将所述用户画像存储至第二数据库；
[0170]
当监测到某一指定用户在所述目标应用程序的某一指定文本数据上产生点击行为时，从所述第一数据库中获取所述指定文本数据对应的目标文本标签集，基于所述目标文本标签集更新所述指定用户的兴趣标签集，基于更新后的兴趣标签集确定所述指定用户对应的待推荐产品集；
[0171]
从所述第一数据库中获取所述待推荐产品集中每个产品对应的目标产品标签集，从所述第二数据库中获取所述指定用户对应的目标用户画像，将所述目标产品标签集及所述目标用户画像输入产品排序模型，得到所述待推荐产品集中产品的排序结果，基于所述排序结果确定目标推荐产品。
[0172]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0173]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0174]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0175]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0176]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0177]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0178]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0179]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。