商品信息传输方法、系统、电子设备和存储介质与流程

1.本发明涉及计算机应用技术领域，具体地说，涉及一种商品信息传输方法、系统、电子设备和存储介质。


背景技术：

2.随着互联网技术和人工智能技术的发展，电子商务场景中的商品信息传输逐渐从简单传输热门商品发展到基于用户历史行为进行个性化传输。但是，目前的商品信息传输，普遍仍然存在如下问题：
3.一，用户群体无选择。目前大部分商品信息传输海量选择用户进行传输，造成对部分用户而言频繁被无用的商品信息打扰，不但没有提高用户的购物体验，反而增加了用户投诉率，也消耗了额外的计算资源。
4.二，传输内容的选择偏重依赖于历史行为。目前的个性化传输虽与用户行为有关，但比较偏重历史行为，很难满足用户当天的购物需求。
5.三，传输时间比较随机，无法满足用户在合适时间收到合适商品信息的需求，影响用户体验，也浪费传输资源。
6.可见，如何合理利用系统资源，对有需求的用户在合适的时间传输其感兴趣的商品信息，是本领域亟待解决的技术问题。
7.需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

8.有鉴于此，本发明提供一种商品信息传输方法、系统、电子设备和存储介质，能够针对希望主动掌握商品信息且当天有浏览行为的用户，结合用户行为数据和商品属性数据，准确分析其接收意向、偏好商品信息和预期接收时间，合理利用系统资源，为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验。
9.根据本发明的一个方面，提供一种商品信息传输方法，包括：响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据；基于所述商品数据及其属性数据，通过用户筛选模型预测所述目标用户是否具有接收意向；若是，基于所述商品数据及其属性数据，通过商品召回模型自商品库中筛选出候选商品序列；通过精排模型对所述候选商品序列进行重排序，并自重排序的候选商品中筛选出预设数量的目标商品；根据所述目标用户行为确定目标浏览时段，于所述目标浏览时段向所述目标用户传输携带所述目标商品的商品信息。
10.在一些实施例中，所述目标用户为订阅商品信息的用户；所述目标用户行为包括所述目标用户的当天用户行为和当天之前的历史用户行为；所述当天用户行为对应的商品数据及其属性数据的权重，大于所述历史用户行为对应的商品数据及其属性数据的权重。
11.在一些实施例中，所述用户筛选模型采用极端梯度提升xgboost模型；所述
xgboost模型根据基于所述商品数据及其属性数据的用户输入特征，预测输出所述目标用户的接收意向分。
12.在一些实施例中，所述商品召回模型采用多路召回模型，所述通过商品召回模型自商品库中筛选出候选商品序列，包括：自所述多路召回模型中确定优先级最高的召回模型，并采用随机轮询方式确定剩余召回模型的优先级，获得所述多路召回模型的优先级排序；基于所述商品数据及其属性数据，分别通过每个召回模型预测所述商品库的商品排序；按照所述优先级排序，依次根据每个所述召回模型的商品排序自所述商品库中取出若干候选商品，生成所述候选商品序列。
13.在一些实施例中，所述优先级最高的召回模型采用统计模型；所述剩余召回模型包括：基于用户的协同过滤usercf模型、逻辑回归lr模型和带辅助信息的增强图嵌入eges模型；每个所述召回模型根据基于所述商品数据及其属性数据的商品输入特征，预测输出所述商品库中所有商品的商品排序。
14.在一些实施例中，所述通过精排模型对所述候选商品序列进行重排序，包括：判断所述目标用户是否具有当天之前的历史用户行为；若是，采用带辅助信息的增强深度兴趣网络edins模型，基于所述商品数据及其属性数据、所述目标用户的用户画像数据和所述候选商品序列的当前排序数据，对所述候选商品序列进行重排序；若否，采用深度因子分解机deepfm模型，基于所述商品数据及其属性数据和所述当前排序数据，对所述候选商品序列进行重排序。
15.在一些实施例中，所述edins模型根据基于所述商品数据及其属性数据、所述用户画像数据和所述当前排序数据的商品输入特征，预测输出所有候选商品的目标排序；所述deepfm模型根据基于所述商品数据及其属性数据和所述当前排序数据的商品输入特征，预测输出所有候选商品的目标排序。
16.在一些实施例中，所述根据所述目标用户行为确定所述目标浏览时段，包括：采用最大熵原理统计方法，基于所述目标用户行为确定所述目标浏览时段。
17.在一些实施例中，所述预设数量根据所述目标用户的浏览设备端和所述浏览设备端的页面配置信息确定；传输所述商品信息时，向所述浏览设备端传输所述商品信息。
18.在一些实施例中，所述响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据，包括：响应于目标用户的用户行为结束，开启进行商品信息传输的定时任务；于所述定时任务触发时，获取所述目标用户的当天用户行为对应的商品数据及其属性数据进行实时数据处理，获取所述目标用户的当天之前的历史用户行为对应的商品数据及其属性数据进行离线数据处理，并将处理后的商品数据及其属性数据存入redis中以供调用。
19.根据本发明的一个方面，提供一种商品信息传输系统，包括：启动响应模块，用于响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据；用户筛选模块，用于基于所述商品数据及其属性数据，通过用户筛选模型预测所述目标用户是否具有接收意向；商品召回模块，用于当所述目标用户具有所述接收意向时，基于所述商品数据及其属性数据，通过商品召回模型自商品库中筛选出候选商品序列；重排序模块，用于通过精排模型对所述候选商品序列进行重排序，并自重排序的候选商品中筛选出预设数量的目标商品；商品传输模块，用于根据所述目标用户行为确定目标浏览时段，于所述目标浏
览时段向所述目标用户传输携带所述目标商品的商品信息。
20.根据本发明的一个方面，提供一种电子设备，包括：一处理器；一存储器，所述存储器中存储有可执行指令；其中，所述可执行指令被所述处理器执行时，实现如上述任意实施例所述的商品信息传输方法。
21.根据本发明的一个方面，提供一种计算机可读的存储介质，用于存储程序，所述程序被处理器执行时实现如上述任意实施例所述的商品信息传输方法。
22.本发明与现有技术相比的有益效果至少包括：
23.本发明针对希望主动掌握商品信息且当天有浏览行为的用户进行商品信息传输，实现合理利用系统资源，避免资源无效消耗，也使商品信息传输匹配用户当天的需求；通过用户筛选模型，准确预测用户的接收意向，以针对有意向用户进行进一步的商品信息传输分析，节省计算资源，同时避免对无效用户的打扰，降低用户投诉率；通过商品召回模型，准确预测用户偏好的候选商品，并通过精排模型对候选商品进行重排序，更精准地筛选出匹配用户需求的目标商品，为用户节约寻找满意商品的时间，提高用户购买商品的体验度，同时节省系统的搜索响应资源；并通过分析出符合用户浏览习惯的目标浏览时段，在目标浏览时段向用户传输目标商品，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验，同时增加所传输信息的利用率。
24.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
25.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。显而易见地，下面描述的附图仅仅是本发明的一些实施例，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。
26.图1示出本发明一实施例中商品信息传输方法的步骤示意图；
27.图2示出本发明一实施例中数据处理流程的示意图；
28.图3示出现有的din模型的模型结构图；
29.图4示出本发明一实施例中edins模型的模型结构图；
30.图5示出本发明一实施例中商品信息传输系统的模块示意图；
31.图6示出本发明实施例中电子设备的结构示意图。
具体实施方式
32.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使本发明全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
33.附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器
装置和/或微控制器装置中实现这些功能实体。
34.此外，附图中所示的流程仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤可以分解，有的步骤可以合并或部分合并，且实际执行的顺序有可能根据实际情况改变。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。需要说明的是，在不冲突的情况下，本发明的实施例及不同实施例中的特征可以相互组合。
35.图1示出一实施例中商品信息传输方法的主要步骤，参照图1所示，本实施例的商品信息传输方法包括：
36.步骤s110，响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据。
37.目标用户是指授权商品信息传输，主动订阅商品的用户。这部分用户希望主动掌握商品信息，因此本实施例对该部分用户进行商品信息传输。但如果不加时段区分不加商品区分地对订阅商品信息的用户无差别传输，也会对该部分用户造成信息干扰。因此本实施例后续步骤，通过分析目标用户的接收意向、偏好商品信息和期望接收时段，实现精准、合理传输。
38.在其他实施例中，目标用户可以不限定于订阅商品的用户，只要用户授权信息传输，即可对其进行商品信息传输。
39.用户行为包括浏览、点击、收藏和下单等各种用户行为。商品数据，用以标识商品，例如是商品的唯一编号。属性数据，是指商品的预设维度的属性，例如商品的类别、品牌、价值、使用价值等等。
40.用户行为结束，是指用户离开浏览的网站(或者app网页)。本步骤以用户行为结束作为商品信息传输分析的触发条件，能够针对当天有浏览行为的用户进行商品信息传输分析，实现合理利用系统资源，避免资源无效消耗，也使商品信息传输分析匹配用户当天的需求。
41.在一个实施例中，目标用户行为包括目标用户的当天用户行为和当天之前的历史用户行为。历史用户行为可取自一段合适的历史时期。在后续各个模型的输入特征中，当天用户行为对应的商品数据及其属性数据的权重，大于历史用户行为对应的商品数据及其属性数据的权重，以使商品信息传输分析侧重于用户当天行为数据，更符合用户当天需求。
42.在其他实施例中，当天用户行为和历史用户行为对应的商品数据及其属性数据的权重，也可不特别设置。
43.步骤s120，基于商品数据及其属性数据，通过用户筛选模型预测目标用户是否具有接收意向。
44.在电子商务场景中，用户可能会多次浏览后才决定是否购买。本步骤采用基于用户浏览与购买商品路径进行建模的用户筛选模型，选择当天有浏览行为的用户，对其当天及历史的用户行为对应的商品数据及其属性数据进行分析，能够准确预测出用户的接收意向，从而找到未来一段时间内会有购买商品行为的用户。后续针对有接收意向的用户进行进一步的商品信息传输分析，能够节省计算资源，做到高效高质量传输，提高用户购物体验，也避免对无效用户的打扰，降低用户投诉率。
45.在一些场景中，若通过用户筛选模型预测出目标用户不具有接收意向，则结束当
前流程，不再对当前目标用户进行商品信息传输分析。
46.步骤s130，若目标用户具有接收意向，基于商品数据及其属性数据，通过商品召回模型自商品库中筛选出候选商品序列。
47.本步骤采用商品召回模型对目标用户当天及历史的用户行为对应的商品数据及其属性数据进行分析，能够准确预测出目标用户的偏好商品信息，减少后续精排模型的响应压力，同时也避免无效商品带来的干扰，为每个有接收意向的目标用户从百万商品中快速筛选出可能感兴趣的m个候选商品，实现商品初筛，降低精排模型的功耗，增强精排模型的鲁棒性。
48.步骤s140，通过精排模型对候选商品序列进行重排序，并自重排序的候选商品中筛选出预设数量的目标商品。
49.精排模型采取用户当天的浏览数据为主，历史浏览和购买数据为辅的建模思想，采用深度学习模型进行建模。通过精排模型对候选商品重新进行排序，获得目标用户对每件候选商品购买的可能性分数，从而根据实际需要从m个候选商品中选择top z(z≤m)的商品作为目标商品。该筛选出的top z的目标商品能够命中用户兴趣，为用户节约寻找满意商品的时间，提高用户购买商品的体验度，同时节省系统的搜索响应资源。
50.在一个实施例中，预设数量根据目标用户的浏览设备端和浏览设备端的页面配置信息确定。浏览设备端可根据目标用户行为分析获得，例如可确定浏览次数大于预设次的客户端(可为一个或多个)作为浏览设备端。浏览设备端的类型包括pc端和mobile端。目标商品的展示数量不易过多，以pc端展示一页、mobile端展示二页为宜。此外，不同用户对其浏览设备端的页面配置(例如字体大小)不同，因此本实施例基于浏览设备端及其页面配置信息，确定合适的预设数量，获得分别对应于每个浏览客户端的z个目标商品。
51.本步骤之后，还可包括判断最终筛选出的商品数量是否满足(例如是否过少)的步骤；如满足则继续后续流程，如不满足可终止流程或者调整商品数量。
52.步骤s150，根据目标用户行为确定目标浏览时段，于目标浏览时段向目标用户传输携带目标商品的商品信息。
53.传输商品信息时，即向浏览设备端传输商品信息。商品信息可以email方式、短信方式、消息方式等任意合适的方式传输。本步骤通过对目标用户行为的时间分布进行分析，获得符合用户浏览习惯的目标浏览时段，不同用户采取个性化定时发送，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验；同时增加所传输信息的利用率，促进用户对商品信息的打开和浏览，进一步促进点击和转化购买率。
54.综上，上述的商品信息传输方法，能够针对主动订阅商品且当天有浏览行为的用户，识别筛选有效的接收意向用户群体，依据当天行为及历史行为的相关数据，向筛选出的用户提供意图商品服务，在用户目标浏览时段进行商品信息传输，实现合理利用系统资源，为有需求的用户在期望的时间提供有价值的商品信息，提高用户购买到满意商品的效率，减少用户查询、浏览次数，提高用户体验，也节省系统响应资源。
55.在一个实施例中，响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据，具体可包括：响应于目标用户的用户行为结束，开启进行商品信息传输的定时任务；于定时任务触发时，获取目标用户的当天用户行为对应的商品数据及其属性数据进行实时数据处理，获取目标用户的当天之前的历史用户行为对应的商品数据及其
属性数据进行离线数据处理，并将处理后的商品数据及其属性数据存入redis中以供调用。
56.图2示出一实施例中的数据处理流程，参照图2所示，在商品信息传输的整个过程中，数据处理流程包括：
57.s210，用户离开后，开启定时任务。具体是响应于目标用户的用户行为结束，即在目标用户离开网站/app网页后，定时启动商品信息传输系统，进行商品信息传输分析。例如，可在用户离开10分钟后进行商品信息传输分析，在此过程中若用户再次浏览网站/app网页，则重新开启定时任务。
58.s220a，实时数据处理。具体是在定时任务触发时，获取目标用户的当天用户行为对应的商品数据及其属性数据，进行实时数据处理，并将处理后的数据存入redis中以方便模型调用。s220b，离线数据处理。具体是获取目标用户的当天之前的历史用户行为对应的商品数据及其属性数据，进行离线数据处理，处理后的数据首先写入到hive中，然后存入redis中以方便模型调用。将数据存储到redis中，能够实现高效读取数据。
59.此处，实时数据处理和离线数据处理可以是一些基础的数据处理，例如数据清洗预处理等等；后续模型推理预测时，可调用redis中的数据进行进一步处理，以获得适合输入模型的特征数据。
60.s230，模型推理预测。具体是通过用户筛选模型
→
商品召回模型
→
精排模型，分析目标用户的接收意向、候选商品和目标商品。模型推理预测需要使用的数据均可自redis中读取获得。redis中存储的商品数据及其属性数据，均可携带对应的用户id作为标识，从而，模型推理预测过程中可根据用户id获得相应数据，通过用户筛选模型进行预测，并分别采用商品召回模型和精排模型，完成用户感兴趣商品的排序筛选。此外，本步骤中还结合redis中的数据，分析出目标用户的目标浏览时段。
61.s240，email定时发送。具体可调用配置好的email模版，导入目标商品信息，并在目标浏览时段通过服务器进行email发送即可。
62.下面对商品信息传输分析中涉及到的各个模型进行详细说明。
63.在一个实施例中，用户筛选模型可采用极端梯度提升xgboost(extreme gradient boosting)模型，xgboost模型根据基于商品数据及其属性数据的用户输入特征，预测输出目标用户的接收意向分。
64.具体来说，在一次针对当前目标用户的分析中，xgboost模型可以通过当前目标用户的用户id调用对应的商品数据及其属性数据，将其处理为适合输入模型的用户输入特征。用户输入特征是指对应于当前目标用户的输入特征，xgboost模型据此可预测输出当前目标用户的接收意向分。若接收意向分大于设定的阈值，则可判定当前目标用户具有接收意向。
65.xgboost模型是已有的算法模型，因此对其结构和原理不再展开说明。
66.在一个实施例中，商品召回模型可采用多路召回模型，通过商品召回模型自商品库中筛选出候选商品序列，具体可包括：自多路召回模型中确定优先级最高的召回模型，并采用随机轮询方式确定剩余召回模型的优先级，获得多路召回模型的优先级排序；基于商品数据及其属性数据，分别通过每个召回模型预测商品库的商品排序；按照优先级排序，依次根据每个召回模型的商品排序自商品库中取出若干候选商品，生成候选商品序列。
67.在一个具体示例中，优先级最高的召回模型采用统计模型，统计模型具体可采用
任意合适的已有统计模型；剩余召回模型包括：基于用户的协同过滤usercf(user-based collaborative filtering)模型、逻辑回归lr(logistic regression)模型和带辅助信息的增强图嵌入eges(enhanced graph embedding with side information)模型。从而，每次分析时，统计模型会优先获得，usercf模型、lr模型和eges模型采用随机轮询的方式获得。每个召回模型，根据基于商品数据及其属性数据的商品输入特征，预测输出商品库中所有商品的商品排序。
68.举例来说，在一次针对当前目标用户的分析中，随机确定出usercf模型、lr模型和eges模型三个召回模型的优先级顺序为：lr模型》usercf模型》eges模型，则多路召回模型的优先级排序为：统计模型》lr模型》usercf模型》eges模型。每个召回模型可通过当前目标用户的用户id调用对应的商品数据及其属性数据，将其处理为适合输入模型的商品输入特征。商品输入特征是指对应于商品库中的每个商品的输入特征，召回模型据此可预测输出每个商品的排序分，进而获得所有商品的商品排序。按照优先级排序，依次根据每个召回模型的商品排序取top m’个候选商品，如一商品已取过则顺延取下一个商品，最终获得包含m个候选商品的候选商品序列。
69.统计模型、usercf模型、lr模型和eges模型均是已有的算法模型，因此对其结构和原理不再展开说明。
70.在一个实施例中，通过精排模型对候选商品序列进行重排序，具体可包括：判断目标用户是否具有当天之前的历史用户行为；若是，采用带辅助信息的增强深度兴趣网络edins(enhanced deep interest network with side information)模型，基于商品数据及其属性数据、目标用户的用户画像数据和候选商品序列的当前排序数据，对候选商品序列进行重排序；若否，采用深度因子分解机deepfm(deep factorization machine)模型，基于商品数据及其属性数据和当前排序数据，对候选商品序列进行重排序。
71.若目标用户具有当天之前的历史用户行为，表明该目标用户是老用户，则采用edins模型进行预测；若目标用户不具有当天之前的历史用户行为，表明该目标用户是新用户，则采用deepfm模型进行预测。新老用户的数据特征不同，因此精排模型具有灵活性，新老用户分别采用不同的模型进行预测，能够提高预测精度。
72.edins模型具体根据基于商品数据及其属性数据、用户画像数据和当前排序数据的商品输入特征，预测输出所有候选商品的目标排序；deepfm模型则根据基于商品数据及其属性数据和当前排序数据的商品输入特征，预测输出所有候选商品的目标排序。此处，商品输入特征是指对应于每个候选商品的输入特征，edins模型和deepfm模型据此可预测输出每个候选商品的排序分，进而获得所有候选商品的目标排序，实现重排序。按照目标排序取top z个候选商品，即可获得目标商品。
73.deepfm模型是已有的算法模型，因此对其结构和原理不再展开说明。
74.edins模型基于已有的深度兴趣网络din(deep interest network)改进，图3示出现有的din模型的模型结构，图4示出一实施例中edins模型的模型结构，结合图3和图4所示：
75.din模型300中，输入特征包括：用户画像数据(user profiles features)310a、用户行为(user behaviors)对应的数据(goods 1,goods 2,...goods n)310b、候选商品数据(candidate ad)310c，以及一些上下文数据(context features)310d。用户行为对应的数
据310b中，通常只包含商品id等标识信息，而不具有商品属性信息。
76.din模型300还包含嵌入层(embedding layer)320、连接层(concat)330、激活单元(activation unit)340、池化层(sum pooling)350、连接和展平层(concat&flatten)360、多层激活层(prelu/dice)370、softmax层380，最终实现输出(output)。其中，激活单元340可用于设置不同商品的权重(weight)。激活单元340的具体结构和原理、以及din模型300的各层的具体原理均是已有的，因此不再展开说明。
77.edins模型400中，输入特征包括：用户画像数据(user profiles features)410a、用户行为(user behaviors)对应的数据(hotel 1,...hotel n)410b、候选商品数据(candidate hotel)410c，以及一些上下文数据(context features)410d。用户行为对应的数据410b中，除包含商品id等标识信息外，还包含商品属性信息。例如，图4中虚线圈出的si 0，其包含商品id和商品属性，edins模型400会对该稀疏特征(sparse features)进行处理生成稠密特征(dense features)。
78.此后，用户行为对应的数据410b和候选商品数据410c经过嵌入(embedding)处理、激活单元(activation unit)420的处理、池化层(sum pooling)430的处理、连接和展平层(concat&flatten)440的处理、激活层(prelu/dice)450的处理、softmax层460的处理，最终输出(output)。该些层的具体结构和处理原理与din模型300一致，因此不再展开说明。
79.edins模型400通过新增输入部分，增加商品属性特征，能够实现结合商品属性特征更全面地反映用户行为，提升重排序精度。
80.进一步地，在一个实施例中，根据目标用户行为确定目标浏览时段，包括：采用最大熵原理统计方法，基于目标用户行为确定目标浏览时段。最大熵原理统计方法是指将目标用户行为对应的浏览时间离散化，找到最大概率对应的时间区间，作为目标浏览时段。这种方法能够很好地解决用户时间安排冲突问题，根据用户浏览的时间习惯判断用户空闲的时间，实现有效传输。
81.综上，本发明的商品信息传输方法，能够针对有商品了解需求且当天有浏览行为的用户进行商品信息传输分析，合理利用系统资源，通过用户筛选模型、商品召回模型、精排模型和最大熵原理，准确预测用户的接收意向、候选商品、目标商品和目标浏览时段，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验，同时增加所传输信息的利用率，并且节省系统资源。
82.本发明实施例还提供一种商品信息传输系统，可用于实现上述任意实施例描述的商品信息传输方法。上述任意实施例描述的商品信息传输方法的特征和原理均可应用至下面的商品信息传输系统实施例。在下面的商品信息传输系统实施例中，对已经阐明的关于商品信息传输分析的特征和原理不再重复说明。
83.图5示出一实施例中商品信息传输系统的主要模块，参照图5所示，本实施例的商品信息传输系统500包括：启动响应模块510，用于响应于目标用户的用户行为结束，获取目标用户行为对应的商品数据及其属性数据；用户筛选模块520，用于基于商品数据及其属性数据，通过用户筛选模型预测目标用户是否具有接收意向；商品召回模块530，用于当目标用户具有接收意向时，基于商品数据及其属性数据，通过商品召回模型自商品库中筛选出候选商品序列；重排序模块540，用于通过精排模型对候选商品序列进行重排序，并自重排序的候选商品中筛选出预设数量的目标商品；商品传输模块550，用于根据目标用户行为确
定目标浏览时段，于目标浏览时段向目标用户传输携带目标商品的商品信息。
84.进一步地，商品信息传输系统500还可包括实现上述各商品信息传输方法实施例的其他流程步骤的模块，各个模块的具体原理可参照上述各商品信息传输方法实施例的描述，此处不再重复说明。
85.如上所述，本发明的商品信息传输系统，能够针对有商品了解需求且当天有浏览行为的用户进行商品信息传输分析，合理利用系统资源，通过用户筛选模型、商品召回模型、精排模型和最大熵原理，准确预测用户的接收意向、候选商品、目标商品和目标浏览时段，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验，同时增加所传输信息的利用率，并且节省系统资源。
86.本发明实施例还提供一种电子设备，包括处理器和存储器，存储器中存储有可执行指令，可执行指令被处理器执行时，实现上述任意实施例描述的商品信息传输方法。
87.本发明的电子设备，能够实现针对有商品了解需求且当天有浏览行为的用户进行商品信息传输分析，合理利用系统资源，通过用户筛选模型、商品召回模型、精排模型和最大熵原理，准确预测用户的接收意向、候选商品、目标商品和目标浏览时段，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验，同时增加所传输信息的利用率，并且节省系统资源。
88.图6是本发明实施例中电子设备的结构示意图，应当理解的是，图6仅仅是示意性地示出各个模块，这些模块可以是虚拟的软件模块或实际的硬件模块，这些模块的合并、拆分及其余模块的增加都在本发明的保护范围之内。
89.如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
90.其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行上述任意实施例描述的商品信息传输方法的步骤。例如，处理单元610可以执行如图1所示的步骤。
91.存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
92.存储单元620还可以包括具有一个或多个程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
93.总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
94.电子设备600也可以与一个或多个外部设备700通信，外部设备700可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备700使得用户能与该电子设备600进行交互通信。电子设备600也能与一个或多个其它计算设备进行通信，所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块
通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
95.本发明实施例还提供一种计算机可读的存储介质，用于存储程序，程序被执行时实现上述任意实施例描述的商品信息传输方法。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行上述任意实施例描述的音频分割方法。
96.本发明的存储介质被处理器执行时，能够实现针对有商品了解需求且当天有浏览行为的用户进行商品信息传输分析，合理利用系统资源，通过用户筛选模型、商品召回模型、精排模型和最大熵原理，准确预测用户的接收意向、候选商品、目标商品和目标浏览时段，实现为有需求的用户在期望的时间提供有价值的商品信息，提升用户体验，同时增加所传输信息的利用率，并且节省系统资源。
97.存储介质可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的存储介质不限于此，其可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
98.存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
99.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读信号介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
100.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备，例如利用因特网服务提供商来通过因特网连接。
101.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。