用于商品推荐的方法及装置、电子设备、存储介质与流程

1.本技术涉及计算机技术领域，例如涉及一种用于商品推荐的方法及装置、电子设备、存储介质。


背景技术：

2.随着互联网技术和电子商务的发展与普及，涌现了越来越多的互联网用户，人们也逐渐习惯了在互联网购物平台进行网上购物。互联网购物平台通常会根据用户的购物行为、浏览行为和收藏行为等，对用户的购物喜好或购物需求进行预测，从而对用户进行商品推荐。
3.在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
4.现有技术中在对多个用户进行商品推荐时，通常通过明确各用户的喜爱商品，将与各用户的喜爱商品相同类型的商品推荐给各用户，难以实现对用户相关的人群进行商品推荐。


技术实现要素：

5.为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
6.本公开实施例提供了一种用于商品推荐的方法及装置、电子设备、存储介质，以能够实现对用户相关的人群进行商品推荐。
7.在一些实施例中，所述用于商品推荐的方法，包括：获取多个种子用户分别对不同商品的评论数据、各所述商品对应的属性数据和各所述种子用户对应的行为数据；根据所述属性数据和所述评论数据确定待推荐商品，根据所述行为数据进行用户聚类，获得用户集群；将所述待推荐商品推荐给所述用户集群中所述待推荐商品对应的种子用户外的其他用户。
8.在一些实施例中，所述用于商品推荐的装置，包括：获取模块，被配置为获取多个种子用户分别对不同商品的评论数据、各所述商品对应的属性数据和各所述种子用户对应的行为数据；确定模块，被配置为根据所述属性数据和所述评论数据确定待推荐商品，根据所述行为数据进行用户聚类，获得用户集群；推荐模块，被配置为将所述待推荐商品推荐给所述用户集群中所述待推荐商品对应的种子用户外的其他用户。
9.在一些实施例中，所述电子设备包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上述的用于商品推荐的方法。
10.在一些实施例中，所述存储介质存储有程序指令，所述程序指令在运行时，执行上述的用于商品推荐的方法。
11.本公开实施例提供的用于商品推荐的方法及装置、电子设备、存储介质，可以实现以下技术效果：通过获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数
据和各种子用户对应的行为数据；根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群；将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。这样，通过采集的评论数据和属性数据确定待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够实现对用户相关的人群进行商品推荐。
12.以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本技术。
附图说明
13.一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
14.图1是本公开实施例提供的一个用于商品推荐的方法的示意图；
15.图2是本公开实施例提供的另一个用于商品推荐的方法的示意图；
16.图3是本公开实施例提供的一个用于确定待推荐商品的方法的示意图；
17.图4是本公开实施例提供的一个用于确定用户集群的方法的示意图；
18.图5是本公开实施例提供的一个用于商品推荐的装置的示意图；
19.图6是本公开实施例提供的一个电子设备的示意图。
具体实施方式
20.为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
21.本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
22.除非另有说明，术语“多个”表示两个或两个以上。
23.本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
24.术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
25.术语“对应”可以指的是一种关联关系或绑定关系，a与b相对应指的是a与b之间是一种关联关系或绑定关系。
26.结合图1所示，本公开实施例提供一种用于商品推荐的方法，包括：
27.步骤s101，获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据。
28.步骤s102，根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群。
29.步骤s103，将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。
30.采用本公开实施例提供的用于商品推荐的方法，通过获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据；根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群；将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。这样，通过采集的评论数据和属性数据确定待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够实现对用户相关的人群进行商品推荐。
31.可选地，商品的属性数据包括品牌、品类、成分、外观、功效和材质等商品信息。
32.可选地，用户对应的行为数据包括浏览、搜索和购买等行为。
33.在一些实施例中，从电商平台中采集商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据。这样，通过获取商品的评论数据，由于评论数据能够代表用户对于商品的喜好、对商品不同方面的需求和关注点，能够更便于确定符合用户喜好的待推荐商品。
34.可选地，根据属性数据和评论数据确定待推荐商品，包括：根据各属性数据获取各商品对应的属性嵌入向量，并根据各评论数据获取各商品对应的评论嵌入向量；将各属性嵌入向量和各评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量；根据各商品嵌入向量确定待推荐商品。
35.可选地，根据属性数据获取商品对应的属性嵌入向量，包括：获取属性数据对应的第一特征向量；根据预设的第一算法利用第一特征向量进行计算，获得商品对应的属性嵌入向量。
36.可选地，通过正则表达式或ner(named entity recognition，命名实体识别)算法模型等方式从属性数据中提取出品牌、品类、成分、外观、功效或材质等商品的属性。
37.可选地，获取属性数据对应的第一特征向量，包括：根据属性数据构建商品属性图谱；根据商品属性图谱确定属性数据对应的第一特征向量。
38.可选地，根据属性数据构建商品对应的商品属性图谱，包括：将商品的名称确定为第一根节点，并将商品的属性确定为第一根节点对应的第一叶节点；根据第一根节点和第一叶节点构建商品属性图谱。
39.在一些实施例中，根据各属性数据分别获取各商品对应的商品属性图谱。
40.可选地，根据商品属性图谱确定属性数据对应的第一特征向量，包括：根据bert(bidirectional encoder representation from transformers，基于转换器的双向编码表征)预训练模型初始化商品属性图谱的第一叶节点获得第一特征向量。
41.在一些实施例中，将商品属性图谱中各属性确定为bert预训练模型的输入特征，例如：“[cls]属性[sep]”；其中，[cls]为输入特征的开头标记，[sep]为输入特征的分隔标记和结束标记。将“[cls]属性[sep]”输入bert预训练模型中获得第一特征向量。这样，通过构建商品属性图谱，能够更好的对用户关注的商品属性进行展示，同时，能够更便于确定符合用户喜好的待推荐商品。
[0042]
可选地，根据预设的第一算法利用第一特征向量进行计算，获得商品对应的属性
嵌入向量，包括：通过计算获得商品对应的属性嵌入向量；其中，h
v1
为第一根节点v1的属性嵌入向量，即商品对应的属性嵌入向量；n
v1
为第一根节点v1的邻域；h
u1
为第一根节点v1的邻域中第一叶节点u1对应的第一特征向量。
[0043]
可选地，在第一叶节点为终端节点，即不存在与第一叶节点对应的子节点的情况下，根据预设的第一算法利用第一特征向量进行计算，获得商品对应的属性嵌入向量。
[0044]
可选地，在第一叶节点不为终端节点，即存在与第一叶节点对应的子节点的情况下，获取各子节点对应的第五特征向量，根据预设的第四算法利用第五特征向量进行计算，获得第一叶节点对应的第一特征向量；并根据第一算法利用第一特征向量进行计算，获得商品对应属性嵌入向量。这样，在商品属性图谱为多层的情况下，能够通过预设的不同算法分别对各层节点的特征向量进行聚合，获得商品对应的属性嵌入向量。
[0045]
可选地，获取各子节点对应的第五特征向量，包括：根据bert预训练模型初始化各子节点获得第五特征向量。
[0046]
可选地，根据预设的第四算法利用第五特征向量进行计算，获得第一叶节点对应的第一特征向量，包括：通过计算获得第一叶节点对应的第一特征向量；其中，h
u1
为第一叶节点u1对应的第一特征向量；n
u1
为第一叶节点u1的邻域；hm为第一叶节点u1的邻域中子节点m对应的第五特征向量。
[0047]
结合图2所示，本公开实施例提供一种用于商品推荐的方法，包括：
[0048]
步骤s201，获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据。
[0049]
步骤s202，根据各属性数据获取各商品对应的属性嵌入向量，并根据各评论数据获取各商品对应的评论嵌入向量。
[0050]
步骤s203，将各属性嵌入向量和各评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量。
[0051]
步骤s204，根据商品嵌入向量确定待推荐商品，并根据行为数据进行用户聚类，获得用户集群。
[0052]
步骤s205，将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。
[0053]
采用本公开实施例提供的用于商品推荐的方法，通过采集的属性数据获取商品对应的属性嵌入向量，并根据评论数据获取商品对应的评论嵌入向量；将各商品对应属性嵌入向量和评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量；根据商品嵌入向量能够确定更符合用户喜爱的待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够实现对用户相关的人群进行商品推荐。
[0054]
可选地，根据评论数据获取商品对应的评论嵌入向量，包括：获取评论数据对应的第二特征向量，并根据评论数据获取商品对应的情感得分；将第二特征向量与情感得分进行融合拼接，获得第三特征向量；根据预设的第二算法利用第三特征向量进行计算，获得商品对应的评论嵌入向量。
[0055]
可选地，根据评论数据获取商品对应的情感得分，包括：根据评论数据获取商品的属性对应的情感类型；情感类型包括正面、负面或中性；对商品的属性对应的情感类型进行统计，获得情感类型为正面的概率；将情感类型为正面的概率确定为商品对应的情感得分。
[0056]
可选地，获取评论数据对应的第二特征向量，包括：根据各评论数据构建商品评论图谱；根据商品评论图谱确定评论数据对应的第二特征向量。
[0057]
可选地，根据评论数据构建商品对应的商品评论图谱，包括：将商品的名称确定为第二根节点，并将商品的属性对应的情感类型为正面的概率确定为第二根节点对应的第二叶节点；根据第二根节点和第二叶节点构建商品评论图谱。
[0058]
在一些实施例中，根据各评论数据分别获取各商品对应的商品评论图谱。这样，通过构建商品评论图谱，能够更好的对用户评价的商品进行展示，能够更直观的发现用户对各商品对应的情感得分，同时，能够更便于确定用户评价较高的待推荐商品。
[0059]
可选地，根据商品评论图谱确定评论数据对应的第二特征向量，包括：根据bert预训练模型初始化商品评论图谱的第二叶节点获得第二特征向量。
[0060]
可选地，根据预设的第二算法利用第三特征向量进行计算，获得商品对应的评论嵌入向量，包括：通过计算获得商品对应的评论嵌入向量；其中，h
v2
为第二根节点v2的评论嵌入向量，即商品对应的评论嵌入向量；n
v2
为第二根节点v2的邻域；h
u2
为第二根节点v2的邻域中第二叶节点u2对应的第三特征向量。
[0061]
可选地，根据评论数据获取商品的属性对应的情感类型，包括：将评论数据输入预设的商品情感模型，获得商品的属性对应的情感类型。
[0062]
可选地，商品情感模型根据样本商品对应的样本评论数据、用户对样本商品的属性对应的情感类型获得；将样本评论数据确定为训练样本，将用户对样本商品的属性对应的情感类型确定为训练样本标签；根据训练样本和训练样本标签对预设的预训练语言模型进行训练，获得商品情感模型。
[0063]
可选地，商品情感模型包括抽取模型和分类模型；将评论数据输入预设的商品情感模型，获得商品的属性对应的情感类型，包括：通过抽取模型对样本评论数据中的属性词进行抽取，将样本评论数据和属性词进行拼接获得输入特征，将输入特征输入到分类模型中，获得商品的属性对应的情感类型。
[0064]
在一些实施例中，商品情感模型根据样本商品对应的样本评论数据、用户对样本商品的属性对应的情感类型获得；通过bioes(b-begin，i-inside，o-outside，e-end，s-single，命名实体标注)方法对样本评论数据进行标注，并将标注后的样本评论数据输入bert预训练模型中，获得标注后的样本评论数据中每个字的隐向量，并通过基于crf(conditional random field，条件随机场)的抽取层进行抽取，获得样本评论数据中的属性词；将样本评论数据和属性词进行拼接，获得输入特征，例如“[cls]样本评论数据[sep]属性词[sep]”，其中，[cls]为输入特征的开头标记，[sep]为输入特征的分隔标记和结束标记；将输入特征输入bert层中获得样本评论数据对应的特征向量，将样本评论数据对应的特征向量输入全连接层，获得商品的属性对应的情感类型。
[0065]
可选地，根据各商品嵌入向量确定待推荐商品，包括：获取各商品嵌入向量之间的相似度；按照相似度从大到小的顺序选取预设个数的商品嵌入向量对应的商品确定为待推
荐商品。
[0066]
在一些实施例中，商品包括商品1、商品2、商品3.......商品n，各商品对应的商品嵌入向量包括商品嵌入向量1、商品嵌入向量2、商品嵌入向量3......商品嵌入向量n；分别获取商品嵌入向量1与商品嵌入向量2之间的相似度、商品嵌入向量1与商品嵌入向量3之间的相似度......商品嵌入向量1与商品嵌入向量n之间的相似度；按照相似度从大到小的顺序选取预设个数的商品嵌入向量对应的商品确定为待推荐商品。
[0067]
结合图3所示，本公开实施例提供一种用于确定待推荐商品的方法，包括：
[0068]
步骤s301，获取多个种子用户分别对不同商品的评论数据和各商品对应的属性数据。
[0069]
步骤s302，根据各属性数据获取各商品对应的属性嵌入向量，并根据各评论数据获取各商品对应的评论嵌入向量。
[0070]
步骤s303，将各属性嵌入向量和各评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量。
[0071]
步骤s304，获取各商品嵌入向量之间的相似度。
[0072]
步骤s305，按照相似度从大到小的顺序选取预设个数的商品嵌入向量对应的商品确定为待推荐商品。
[0073]
采用本公开实施例提供的用于确定待推荐商品的方法，通过采集的属性数据获取商品对应的属性嵌入向量，并根据评论数据获取商品对应的评论嵌入向量；将各商品对应的属性嵌入向量和评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量；分别获取各商品嵌入向量之间的相似度，将相似度排名前预设个数的商品确定为待推荐商品，这样能够获取更符合用户喜爱的待推荐商品。同时，通过关注用户对商品的评论，确定用户关注的商品属性，并考虑商品属性特征和评论特征，针对用户的关注点对用户推荐与关注商品属性相似的以及评价较高的商品。
[0074]
可选地，根据行为数据进行用户聚类，获得用户集群，包括：获取行为数据对应的行为嵌入向量；根据预设的聚类算法利用行为嵌入向量进行计算，获得用户集群。
[0075]
可选地，预设的聚类算法为k-means聚类算法。
[0076]
可选地，获取行为数据对应的行为嵌入向量，包括：根据各行为数据构建用户行为图谱；根据用户行为图谱确定行为数据对应的行为嵌入向量。
[0077]
可选地，根据各行为数据构建用户行为图谱，包括：将种子用户确定为第三根节点，并将种子用户对应的行为数据确定为第三根节点对应的第三叶节点；根据第三根节点和第三叶节点构建用户行为图谱。
[0078]
在一些实施例中，根据各行为数据分别获取各种子用户对应的用户行为图谱。这样，通过构建用户行为图谱，能够更好的对商品对应的用户行为进行展示，能够更直观的发现用户对商品进行的操作，同时，能够更便于对用户进行聚类，从而获得用户集群。
[0079]
可选地，根据用户行为图谱确定行为数据对应的行为嵌入向量，包括：根据预设方式初始化用户行为图谱的第三叶节点，获得第三叶节点对应的第四特征向量，根据预设的第三算法利用所述第三叶节点对应的第四特征向量进行计算，分别获得各种子用户对应的行为嵌入向量。可选地，预设方式为one-hot(将类别变量转换为机器学习算法易于利用的一种形式)。
[0080]
在一些实施例中，通过采用one-hot独热编码的形式初始化用户行为图谱的第三叶节点，获得第三叶节点对应的第四特征向量，例如：s1、s2、s3......sn等；其中，s1表示购买行为、s2表示收藏行为、s3表示浏览行为等。
[0081]
可选地，根据预设的第三算法利用所述第三叶节点对应的第四特征向量进行计算，获得行为嵌入向量，包括：通过计算获得行为嵌入向量；其中，s为行为嵌入向量；n为商品总数；si为第三根节点的第i个第三叶节点对应的第四特征向量。
[0082]
结合图4所示，本公开实施例提供一种用于确定用户集群的方法，包括：
[0083]
步骤s401，获取多个种子用户对应的行为数据。
[0084]
步骤s402，获取行为数据对应的行为嵌入向量。
[0085]
步骤s403，根据预设的聚类算法利用行为嵌入向量进行用户聚类，获得用户集群。
[0086]
采用本公开实施例提供的用于确定用户集群的方法，通过获取种子用户对应的行为数据，获取行为数据对应的行为嵌入向量，并根据聚类算法利用行为嵌入向量进行用户聚类，能够将具有相同爱好的用户进行聚类，获得用户集群。
[0087]
结合图5所示，本公开实施例提供一种用于商品推荐的装置，包括：获取模块501、确定模块502和推荐模块503；获取模块501被配置为获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据；确定模块502被配置为根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群；推荐模块503被配置为将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。
[0088]
采用本公开实施例提供的用于商品推荐的装置，通过获取模块获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据；确定模块根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群；推荐模块将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。这样，通过采集的评论数据和属性数据确定待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够实现对用户相关的人群进行商品推荐。
[0089]
可选地，确定模块被配置为通过以下方式根据属性数据和评论数据确定待推荐商品，根据各属性数据获取各商品对应的属性嵌入向量，并根据各评论数据获取各商品对应的评论嵌入向量；将各属性嵌入向量和各评论嵌入向量进行融合拼接，获得各商品对应的商品嵌入向量；根据各商品嵌入向量确定待推荐商品。
[0090]
可选地，根据属性数据获取商品对应的属性嵌入向量，包括：获取各属性数据对应的第一特征向量；根据预设的第一算法利用第一特征向量进行计算，获得商品对应的属性嵌入向量。
[0091]
可选地，根据评论数据获取商品对应的评论嵌入向量，包括：获取评论数据对应的第二特征向量，并根据评论数据获取商品对应的情感得分；将第二特征向量与情感得分进行融合拼接，获得第三特征向量；根据预设的第二算法利用第三特征向量进行计算，获得商品对应的评论嵌入向量。
[0092]
可选地，根据评论数据获取商品对应的情感得分，包括：根据评论数据获取商品的
属性对应的情感类型；情感类型包括正面、负面或中性；对商品的属性对应的情感类型进行统计，获得情感类型为正面的概率；将概率确定为商品对应的情感得分。
[0093]
可选地，根据各商品嵌入向量确定待推荐商品，包括：获取各商品嵌入向量之间的相似度；按照相似度从大到小的顺序选取预设个数的商品嵌入向量对应的商品确定为待推荐商品。
[0094]
可选地，确定模块还被配置为通过以下方式根据行为数据进行用户聚类，获得用户集群，获取行为数据对应的行为嵌入向量；根据预设的聚类算法利用行为嵌入向量进行计算，获得用户集群。
[0095]
这样，通过采集的评论数据和属性数据确定待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够根据推荐技术实现对用户相关的人群进行商品的个性化推荐，使得给用户集群推荐的商品满足集群中所有人的喜好。
[0096]
结合图6所示，本公开实施例提供一种电子设备，包括处理器(processor)600和存储器(memory)601。可选地，该电子设备还可以包括通信接口(communication interface)602和总线603。其中，处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令，以执行上述实施例的用于商品推荐的方法。
[0097]
采用本公开实施例提供的电子设备，通过获取多个种子用户分别对不同商品的评论数据、各商品对应的属性数据和各种子用户对应的行为数据；根据属性数据和评论数据确定待推荐商品，根据行为数据进行用户聚类，获得用户集群；将待推荐商品推荐给用户集群中待推荐商品对应的种子用户外的其他用户。这样，通过采集的评论数据和属性数据确定待推荐商品，并根据采集的行为数据进行用户聚类获得用户集群，将待推荐商品推荐给用户集群中的用户，能够实现对用户相关的人群进行商品推荐。
[0098]
可选地，电子设备包括服务器、计算机和平板电脑等。
[0099]
此外，上述的存储器601中的逻辑指令可以通过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取存储介质中。
[0100]
存储器601作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器600通过运行存储在存储器601中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于商品推荐的方法。
[0101]
存储器601可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器。
[0102]
本公开实施例提供了一种存储介质，存储有程序指令，程序指令在运行时，执行上述用于商品推荐的方法。
[0103]
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于商品推荐的方法。
[0104]
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计
算机可读存储介质。
[0105]
本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0106]
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本技术中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本技术中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本技术中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
[0107]
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0108]
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，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，所述单元的划分，可以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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例。另外，在本公开实施例中的各功能单元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。
[0109]
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。