基于用户画像的商品推荐、装置、计算机设备和存储介质的制作方法

1.本发明涉及人工智能技术领域，特别涉及基于用户画像的商品推荐方法、装置、计算机设备和存储介质。


背景技术：

2.随着人工智能技术的发展，用户画像技术得以广泛使用。通过用户画像，能够用户背景、用户特征、用户性格标签、用户所处的行为场景等。通过用户画像，能够从海量用户行为数据中全面且细致地抽取出用户信息的全貌。通过用户画像能够对同一类用户进行不同维度的刻画。
3.现有的用户画像方法，确定的用户画像不够精准，该用户画像并不符合用户的实际需求，因此，基于该用户画像生成的推荐商品也并不符合用户的实际需求，导致推荐商品的推荐精准度低、且用户体验度差。


技术实现要素：

4.基于此，有必要针对现有基于用户画像的商品推荐方法存在的推荐精准度低的问题，提供一种基于用户画像的商品推荐、装置、计算机设备和存储介质。
5.第一方面，本技术实施例提供了一种基于用户画像的商品推荐方法，所述方法包括：
6.基于埋点数据和用户数据进行属性提取，得到用户属性；
7.基于所述用户属性构建用户画像模型；
8.根据所述用户画像模型和待推荐商品属性生成对应的用户画像；
9.根据所述用户画像从多个待推荐商品中确定目标商品，并将所述目标商品推荐至所述用户画像中与所述目标商品相关的终端用户。
10.在一种实施方式中，所述用户属性包括与用户偏好度相关联的第一类用户属性、与用户地域属性相关联的第二类用户属性和与用户设备属性相关联的第三类属性，所述基于用户数据进行属性提取，得到用户属性包括：
11.从所述用户数据进行用户偏好度的提取，得到所述第一类用户属性；
12.从所述用户数据进行用户地域属性的提取，得到所述第二类用户属性；
13.从所述用户数据进行用户设备属性的提取，得到所述第三类用户属性。
14.在一种实施方式中，所述基于所述用户属性构建用户画像模型包括：
15.将属于同一类用户属性的用户数据分别归类至同一用户数据子集中；
16.分别设置不同用户数据子集中对应的训练集和测试集的预设配比比例；
17.分别基于不同的预设配比比例，对对应的用户数据子集中的训练集进行训练，并测试对应的测试集的损失函数，直至对应的测试集的损失函数趋近于恒定值为止，停止迭代训练，依次输出训练好的用户画像子模型；
18.将各种类型的用户属性与对应的用户画像子模型之间建立映射关系，并通过编号
标识对对应的映射关系进行标识；
19.由多个用户画像子模型组成用户画像模型。
20.在一种实施方式中，所述埋点数据包括页面埋点数据和页面控件埋点数据，在所述基于埋点数据和用户数据进行属性提取之前，所述方法还包括：
21.响应于用户访问所述页面的多次第一触发操作，分别统计所述页面的总触发次数、同一用户访问所述页面的触发次数和在第一访问时间段内的第一访问频率的变化趋势以对用户访问的页面进行埋点处理；
22.和/或，响应于用户访问所述页面控件的可触控元素的多次第二触发操作，分别统计所述页面控件的总触发次数、同一用户访问所述页面控件的触发次数和第二访问时间段内的第二访问频率的变化趋势以对用户访问的页面控件进行埋点处理。
23.在一种实施方式中，所述根据所述用户画像从所述待推荐商品中确定目标商品包括：
24.对每个待推荐商品进行提取，得到每个待推荐商品的商品属性，并对各个待推荐商品的商品属性标识以对应的分类标签；
25.基于所述用户画像中的用户偏好度信息和用户的历史商品评分数据，预测具有不同分类标签下的各个待推荐商品对应的预测评分；
26.基于各个待推荐商品对应的预测评分进行商品排序，将商品排序符合预设条件的待推荐商品确定为所述目标商品。
27.在一种实施方式中，所述方法还包括：
28.对多个待推荐商品中的每一类待推荐商品标记第一标识；以及
29.对每一类待推荐商品中的每一个待推荐商品标记第二标识；其中，所述第一标识与所述第二标识设置为具有关联关系。
30.在一种实施方式中，所述将所述目标商品推荐至所述用户画像中与所述目标商品相关的终端用户包括：
31.将所述目标商品推荐至带有所述第二标识、且所述用户画像中与所述目标商品相关的所有终端用户。
32.第二方面，本技术实施例提供了一种基于用户画像的商品推荐装置，所述装置包括：
33.属性提取模块，用于基于埋点数据和用户数据进行属性提取，得到用户属性；
34.构建模块，用于基于所述属性提取模块提取的所述用户属性构建用户画像模型；
35.用户画像生成模块，用于根据所述构建模块构建的所述用户画像模型和待推荐商品属性生成对应的用户画像；
36.确定模块，用于根据所述用户画像生成模块生成的所述用户画像从所述待推荐商品中确定目标商品；
37.推荐模块，用于将所述目标商品推荐至所述用户画像中与所述目标商品相关的终端用户。
38.第三方面，本技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述的方法步骤。
39.第四方面，本技术实施例提供一种存储有计算机可读指令的存储介质，所述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上述的方法步骤。
40.本技术实施例提供的技术方案可以包括以下有益效果：
41.在本技术实施例中，基于埋点数据和用户数据进行属性提取，得到用户属性；基于所述用户属性构建用户画像模型；根据所述用户画像模型和待推荐商品属性生成对应的用户画像；以及根据所述用户画像从多个待推荐商品中确定目标商品，并将所述目标商品推荐至所述用户画像中与所述目标商品相关的终端用户。因此，采用本技术实施例，由于将埋点数据和用户数据结合起来，进行属性提取，这样，得到的用户属性更加精准，更加符合用户的实际情况；并在该用户属性的基础上构建用户画像模型，这样，基于该用户画像模型生成的用户画像更加符合用户的实际情况，最终使得基于该用户画像从众多待推荐商品中确定的推荐商品更加精准，更加符合用户的偏好度，从而大大地提高了用户体验度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
43.图1为一个实施例中提供的一种基于用户画像的商品推荐方法的实施环境图；
44.图2为一个实施例中计算机设备的内部结构框图；
45.图3是本公开实施例提供的一种基于用户画像的商品推荐方法的流程示意图；
46.图4是本公开实施例提供的一种基于用户画像的商品推荐装置的结构示意图。
具体实施方式
47.以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
48.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
49.下面结合附图详细说明本公开的可选实施例。
50.图1为一个实施例中提供的一种基于用户画像的商品推荐方法的实施环境图，如图1所示，在该实施环境中，包括计算机设备110以及终端120。
51.需要说明的是，终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。计算机设备110以及终端110可以通过蓝牙、usb(universal serial bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。
52.图2为一个实施例中计算机设备的内部结构示意图。如图2所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性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基于用户画像的商品推荐方法。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，可使得处理器执行一种基于用户画像的商品推荐方法。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2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。
53.如图3所示，本公开实施例提供一种基于用户画像的商品推荐方法，该商品推荐方法具体包括以下方法步骤：
54.s302：基于埋点数据和用户数据进行属性提取，得到用户属性。
55.在本技术实施例中，用户属性包括与用户偏好度相关联的第一类用户属性，还包括与用户地域属性相关联的第二类用户属性，还包括与用户设备属性相关联的第三类用户属性。
56.具体地，第一类用户属性为用户基本属性(性别、年龄、职业等)。提取第一类用户属性的过程具体为：统计主要用户群体的性别占比、年龄区间、职业分布情况，集合不同性别、不同年龄区间、不同职业的用户的信息化水平、审美特点、操作偏好等，分析系统视觉优化、操作优化的方向。
57.第二类用户属性为与用户地域属性相关联的属性，提取用户地域属性(省、市、区)。提取第二类用户属性的过程具体为：统计省、市、区用户占比情况，定位核心用户所属区域，结合区域文化、医疗/教育水平、用户设备等属性，分析产品的定位、不同地域设备占比率等。
58.第三类用户属性为与用户设备属性相关联的第三类用户属性，具体为：用户设备属性(设备终端、设备型号、设备品牌、设备操作系统版本等)。提取第三类用户属性的过程具体为：统计设备的终端、型号、品牌、操作系统类型、操作系统版本等属性占比，分析产品覆盖度，定位产品核心设备，结合设备的操作特性，提升产品兼容性。
59.在一种可能的实现方式中，用户属性包括与用户偏好度相关联的第一类用户属性、与用户地域属性相关联的第二类用户属性和与用户设备属性相关联的第三类属性，基于用户数据进行属性提取，得到用户属性包括以下步骤：
60.基于用户数据提取与用户偏好度相关联的第一类用户属性；
61.基于用户数据提取与用户地域属性相关联的第二类用户属性；
62.基于用户数据提取与用户设备属性相关联的第二类用户属性。
63.在本技术实施例中，针对上述各类用户属性的描述参见前述，在此不再赘述。
64.在一种可能的实现方式中，埋点数据包括页面埋点数据，在基于埋点数据和用户数据进行属性提取之前，本公开实施例提供的商品推荐方法还包括以下步骤：
65.响应于用户访问页面的多次第一触发操作，分别统计页面的总触发次数、同一用户访问页面的触发次数和在第一访问时间段内的第一访问频率的变化趋势以对用户访问的页面进行埋点处理。
66.在本技术实施例中，在第一访问时间段内的第一访问频率的变化趋势是指对应的访问频率的增长或降低。
67.在某一具体应用场景中，对用户访问的页面进行埋点处理具体包括以下步骤：用
户访问页面时触发埋点统计，统计页面的总触发次数、同一用户触发次数、时间段内访问趋势等，页面总触发次数用以分析高频访问页面，同一页面同一用户的触发次数用以分析重复访问的原因，时间段内访问趋势，结合访问频率增长/消退的原因，用以分析页面的推广效应、推测页面功能的使用寿命等。
68.在一种可能的实现方式中，埋点数据包括页面埋点数据，在基于埋点数据和用户数据进行属性提取之前，本公开实施例提供的商品推荐方法还包括以下步骤：
69.响应于用户访问页面控件的可触控元素的多次第二触发操作，分别统计页面控件的总触发次数、同一用户访问页面控件的触发次数和第二访问时间段内的第二访问频率的变化趋势以对用户访问的页面控件进行埋点处理。
70.在本技术实施例中，第二访问时间段内的第二访问频率的变化趋势是指对应的访问频率的增长或降低。
71.在某一具体应用场景中，对用户访问的页面控件进行埋点处理具体包括以下步骤：用户点击页面中的可触控元素时触发埋点统计，统计控件的总触发次数、同一用户触发次数、时间段内访问趋势等，总触发次数用以分析高频访问控件，同一控件同一用户的触发次数用以分析重复访问的原因，时间段内访问趋势，结合访问频率增长/消退的原因，用以分析控件的推广效应、推测页面功能的使用寿命等，也可为控件的视觉设计优化提供依据。
72.在一种可能的实现方式中，本公开实施例提供的商品推荐方法还包括以下步骤：
73.对上述埋点数据和用户数据进行多维度的分析，得到对应的分析结果，具体的分析过程如下所述：
74.1)基于上述步骤得到的埋点数据、用户数据进行渠道分析：统计不同渠道类型(web/h5/小程序/公众号等)、不同渠道名称的用户注册数、用户访问数、注册/访问趋势，分析渠道用户注册数/访问数占比，针对用户注册/访问数量较高的渠道，加大推广力度，针对用户注册/访问数量较少的渠道，节约推广成本。
75.2)基于上述步骤得到的埋点数据、用户数据进行用户留存率分析：识别用户的唯一标识，统计产品所有接入渠道的用户首次访问时间、日/周/月/年度访问访问次数，定义用户流失与否，比对时间段内留存、流失、回流的用户数，分析产品与用户的黏度。
76.3)基于上述步骤得到的埋点数据、用户数据进行用户活跃度分析：统计产品所有接入渠道的用户日/周/月/年度访问次数、访问趋势、访问时间段、访问时长等数据，分析不同推广/培训对产品活跃度的影响，了解产品的使用率，推测用户的访问高峰期，避免高峰期更新迭代等。
77.s304：基于用户属性构建用户画像模型。
78.在本技术实施例中，基于用户属性构建用户画像模型的步骤具体如下所述：
79.构建用户画像的关键是通过本体对用户画像领域中的标签进行表示、验证、推理和解释。本体的结构一般包括类、属性、实例、公理和推理规则；其中，类是对领域中具有相同性质的概念或术语的一种抽象；属性是对类概念的描述；实例则是描述本体中类的具体对象；公理是本体中的永真式，用于描述类概念间的约束条件，并且这一条件在领域中是永远成立的。推理规则是对本体所在领域中的专家知识的一种形式化表示，具体为类似产生式的条件结论形式。就用户画像构建而言，在建立本体前必须先确定本体将覆盖的专业领域、范围和应用目标，本体应该在哪些方面发挥作用，以及它的系统维护者与应用对象。根
据构建的用户画像设定一系列相关的问题，检测本体的知识是否能够完全覆盖和解决，以此来界定本体的范围。
80.通过列举部分问题，通过反复追问、检查匹配，逐步完善本体的知识内容。
81.若待推荐商品是与视频相关联的周边产品，例如，某一部电影的手办产品，则将与该视频，以及用户相关的资源进行读取、整理、分析，提取出分类、属性和对应的属性值，并添加相应的公理和约束，如电影的导演、上映时间、票房等信息。数据分析是用户画像本体构建的基础和前提，通过数据分析，可以确定用户画像本体所涉及的相关知识，总结出本体的结构信息和约束信息。在此，根据百科(百度百科、维基百科等)、中国大百科全书、影视类书籍、各大主流视频网站等来确定本体中各部分的标准内容。将分析整理好的视频信息以word文档、txt文档等形式进行描述和存储，为本体的构建做好资料准备。
82.在上述过程基础上进行本体的构建，根据信息处理结果和本体范围，按照文档化的信息内容，利用本体描述语言和本体构建工具进行本体的构建。在本体构建过程中，需要结合视频及用户的相关特点，并遵循一定的原则：例如，要尽可能使用标准术语，本体中将对使用的视频标准术语、用户行为及兴趣偏好等概念的含义进行详细、有效、准确的定义和说明；例如，本体应当保持前后一致，即支持与其定义相一致的推理；又例如，本体将提供一个可共享的词汇表，这个可共享的词汇表可以为预期的任务提供概念基础。本体构建过程中应当使用多种概念层次，同层次的概念之间应当保持最小的语义距离，并采用多种继承机制来增强表达能力。
83.s306：根据用户画像模型和待推荐商品属性生成对应的用户画像。
84.在本技术实施例中，上述用户画像的生成过程是自动生成的。例如，根据用户画像模型确定出用户的偏好度为电影科幻片，例如，星球大战，则可以从多种待推荐商品的手办中选择与星球大战题材对应的玩具手办。具体地，还可以根据用户历史购买记录，对多种星球大战的玩具手办进行进一步地细分，精准地确定出具有特定用户偏好度的用户画像，以便于根据该精准的用户画像从众多待推荐商品中精准地确定推荐商品。这里仅仅是示例，不再赘述。
85.s308：根据用户画像从多个待推荐商品中确定目标商品，并将目标商品推荐至用户画像中与目标商品相关的终端用户。
86.在一种可能的实现方式中，根据用户画像从待推荐商品中确定目标商品包括以下步骤：
87.对每个待推荐商品进行提取，得到每个待推荐商品的商品属性，并对各个待推荐商品的商品属性标识以对应的分类标签；
88.基于用户画像中的用户偏好度信息和用户的历史商品评分数据，预测具有不同分类标签下的各个待推荐商品对应的预测评分；
89.基于各个待推荐商品对应的预测评分进行商品排序，将商品排序符合预设条件的待推荐商品确定为目标商品。
90.在某一具体应用场景下，用户画像为：喜欢手办，且喜欢的手办为钢铁侠的手办，则为该用户推送钢铁侠的手办，以及迭代产品。在此仅仅示例，这样，可以提高向目标用户推送指定产品的精准度，大大地提高了成交率。
91.在本技术实施例中，根据上述用户画像从待推荐商品中确定推荐商品所采用的推
荐算法有多种，例如，可以采用如下推荐算法的流程：
92.步骤1：特征提取：提取每个待推荐物品的特征，例如，电影、书籍、商品的分类标签等。
93.步骤2：用户偏好计算：利用一个用户过去的显式评分或者隐式操作记录，计算用户不同特征上的偏好分数。计算偏好分数的方法，可以直接使用统计特征，即计算用户在不同标签下的分数。
94.步骤3：内容召回：将待推荐物品的特征与用户偏好得分匹配，取出用户最有可能喜欢的物品池。例如，对于用户a，最有可能喜欢的物品池是科幻电影的物品池；对于用户b，最有可能喜欢的物品池是爱情电影的物品池。
95.步骤4：物品排序：按用户偏好召回物品池，会挑选出很多电影，此时，可以根据这些电影的平均分进行排序。例如对于用户a，科幻电影的推荐池有星球大战、变形金刚等多部作品，结合其他用户给星球大战的7.8分，而给变形金刚的评分是6.1分，则会自动在上述两个电影中进行进一步地筛选，确定出推荐商品是与星球大战相关的玩具手办产品推荐给用户a。
96.在一种可能的实现方式中，本公开实施例提供的商品推荐方法还包括以下步骤：
97.基于用户画像生成用于对推荐商品进行迭代及优化的第一推荐策略。例如，在某一具体应用场景下，基于用户画像生成的对推荐商品进行迭代及优化的第一推荐策略为：基于用户画像确定出用户偏好科幻类电影的玩具手办，这样，结合实时更新最新院线科幻类电影的排名，将最热的科幻类电影衍生出的玩具手办推荐给该用户。
98.在一种可能的实现方式中，本公开实施例提供的商品推荐方法还包括以下步骤：
99.基于用户画像生成用于对推荐商品进行推广的第二推荐策略。例如，在某一具体应用场景下，基于用户画像生成的对推荐商品进行推广的第二推荐策略为：基于城市a的偏好电影的文化气息强，则可以向该城市a的用户多推荐各种电影类的玩具手办，以及电影的周边衍生产品。
100.在一种可能的实现方式中，本公开实施例提供的商品推荐方法可以应用于互联网医院小程序的迭代，在产品投入市场后，通过埋点技术，提取用户属性(性别，年龄，地域，设备等)，勾花目标用户所在的性别/年龄/地域区间，针对对应区间进行多维度分析，例如：
101.1、当前用户性别占比：产品主要用户是男性还是女性，可针对对应性别特征，对功能(男性专科/孕产专科等)、页面设计风格(柔美或大气)、操作习惯(细节或简洁)进行针对性优化。
102.2、当前用户年龄占比：产品用户年龄端占比高的是少年，或者是青年，或者是中年人，或者是老年人。不同年龄段人群的身体素质、审美观、信息化水平、新事物接收度存在差异，产品可针对差异性做出优化方案，如功能重点是否放在慢病管理上等。
103.3、当前用户地域占比：产品用户所在地域占比分析，不同地域的气候、文化风俗、医疗/教育条件存在差异，人群的常见病/多发病也存在差异，若需针对某地域进行推广，推广主题可结合地域相关因素进行针对性设计。
104.4、当前用户设备占比：产品用户所使用的设备厂商、系统类型、系统版本占比分析，为产品兼容性与适配性提供依据。
105.在一种可能的实现方式中，本技术实施例提供的基于用户画像的商品推荐方法还
包括以下步骤：
106.对多个待推荐商品中的每一类待推荐商品标记第一标识；以及
107.对每一类待推荐商品中的每一个待推荐商品标记第二标识；其中，第一标识与第二标识设置为具有关联关系；这样，能够实现对目标商品的精准推荐。
108.在一种可能的实现方式中，将目标商品推荐至用户画像中与目标商品相关的终端用户包括以下步骤：
109.将目标商品推荐至带有第二标识、且用户画像中与目标商品相关的所有终端用户；这样，能够实现对目标商品的精准推荐。
110.在本公开实施例中，基于埋点数据和用户数据进行属性提取，得到用户属性；基于用户属性构建用户画像模型；根据用户画像模型和待推荐商品属性生成对应的用户画像；根据用户画像从待推荐商品中确定推荐商品，并基于推荐商品进行推荐。因此，采用本技术实施例，由于将埋点数据和用户数据结合起来进行属性提取，这样，得到的用户属性更加精准，更加符合用户的实际情况；并在该用户属性的基础上构建用户画像模型，这样，基于该用户画像模型生成的用户画像更加符合用户的实际情况，最终使得基于该用户画像从众多待推荐商品中确定的推荐商品更加精准，更加符合用户的偏好度，从而大大地提高了用户体验度。
111.下述为本发明基于用户画像的商品推荐装置实施例，可以用于执行本发明基于用户画像的商品推荐方法实施例。对于本发明基于用户画像的商品推荐装置实施例中未披露的细节，请参照本发明基于用户画像的商品推荐方法实施例。
112.请参见图4，其示出了本发明一个示例性实施例提供的基于用户画像的商品推荐装置的结构示意图。该基于用户画像的商品推荐装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于用户画像的商品推荐装置包括属性提取模块401、构建模块402、用户画像生成模块403、确定模块404和推荐模块405。
113.具体而言，属性提取模块401，用于基于埋点数据和用户数据进行属性提取，得到用户属性；
114.构建模块402，用于基于属性提取模块401提取的用户属性构建用户画像模型；
115.用户画像生成模块403，用于根据构建模块402构建的用户画像模型和待推荐商品属性生成对应的用户画像；
116.确定模块404，用于根据用户画像生成模块403生成的用户画像从待推荐商品中确定目标商品；
117.推荐模块405，用于将目标商品推荐至用户画像中与目标商品相关的终端用户。
118.可选的，用户属性包括与用户偏好度相关联的第一类用户属性、与用户地域属性相关联的第二类用户属性和与用户设备属性相关联的第三类属性，属性提取模块401具体用于：
119.从用户数据进行用户偏好度的提取，得到第一类用户属性；
120.从用户数据进行用户地域属性的提取，得到第二类用户属性；
121.从用户数据进行用户设备属性的提取，得到第三类用户属性。
122.可选的，构建模块402具体用于：
123.将属于同一类用户属性的用户数据分别归类至同一用户数据子集中；
124.分别设置不同用户数据子集中对应的训练集和测试集的预设配比比例；
125.分别基于不同的预设配比比例，对对应的用户数据子集中的训练集进行训练，并测试对应的测试集的损失函数，直至对应的测试集的损失函数趋近于恒定值为止，停止迭代训练，依次输出训练好的用户画像子模型；
126.将各种类型的用户属性与对应的用户画像子模型之间建立映射关系，并通过编号标识对对应的映射关系进行标识；
127.由多个用户画像子模型组成用户画像模型。
128.可选的，埋点数据包括页面埋点数据和页面控件埋点数据，所述装置还包括：
129.统计模块(在图4中未示出)，用于在属性提取模块401基于埋点数据和用户数据进行属性提取之前，响应于用户访问页面的多次第一触发操作，分别统计页面的总触发次数、同一用户访问页面的触发次数和在第一访问时间段内的第一访问频率的变化趋势以对用户访问的页面进行埋点处理；和/或，响应于用户访问页面控件的可触控元素的多次第二触发操作，分别统计页面控件的总触发次数、同一用户访问页面控件的触发次数和第二访问时间段内的第二访问频率的变化趋势以对用户访问的页面控件进行埋点处理。
130.可选的，确定模块404具体用于：
131.对每个待推荐商品进行提取，得到每个待推荐商品的商品属性，并对各个待推荐商品的商品属性标识以对应的分类标签；
132.基于用户画像中的用户偏好度信息和用户的历史商品评分数据，预测具有不同分类标签下的各个待推荐商品对应的预测评分；
133.基于各个待推荐商品对应的预测评分进行商品排序，将商品排序符合预设条件的待推荐商品确定为目标商品。
134.可选的，所述装置还包括：
135.标识模块(在图4中未示出)，用于对多个待推荐商品中的每一类待推荐商品标记第一标识；以及对每一类待推荐商品中的每一个待推荐商品标记第二标识；其中，第一标识与第二标识设置为具有关联关系。
136.可选的，推荐模块405用于：
137.将目标商品推荐至带有第二标识、且用户画像中与目标商品相关的所有终端用户。
138.需要说明的是，上述实施例提供的基于用户画像的商品推荐装置在执行基于用户画像的商品推荐方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于用户画像的商品推荐装置与基于用户画像的商品推荐方法实施例属于同一构思，其体现实现过程详见基于用户画像的商品推荐方法实施例，这里不再赘述。
139.在本公开实施例中，确定模块用于根据用户画像生成模块生成的用户画像从待推荐商品中确定目标商品；以及推荐模块用于将目标商品推荐至用户画像中与目标商品相关的终端用户。因此，采用本技术实施例，由于将埋点数据和用户数据结合起来进行属性提取，这样，得到的用户属性更加精准，更加符合用户的实际情况；并在该用户属性的基础上构建用户画像模型，这样，基于该用户画像模型生成的用户画像更加符合用户的实际情况，
最终使得基于该用户画像从众多待推荐商品中确定的推荐商品更加精准，更加符合用户的偏好度，从而大大地提高了用户体验度。
140.在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：基于埋点数据和用户数据进行属性提取，得到用户属性；基于用户属性构建用户画像模型；根据用户画像模型和待推荐商品属性生成对应的用户画像；根据用户画像从多个待推荐商品中确定目标商品，并将目标商品推荐至用户画像中与目标商品相关的终端用户。
141.在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该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以下步骤：基于埋点数据和用户数据进行属性提取，得到用户属性；基于用户属性构建用户画像模型；根据用户画像模型和待推荐商品属性生成对应的用户画像；根据用户画像从多个待推荐商品中确定目标商品，并将目标商品推荐至用户画像中与目标商品相关的终端用户。
142.本领域普通技术人员可以理解实现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)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
143.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
144.以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。