CN106372961A - 商品推荐方法及装置 - Google Patents

Abstract

本公开是关于一种商品推荐方法及装置，属于网络技术领域，该方法基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，该商品推荐列表中包括N个第二类别的标识，对于N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识，基于目标用户特征信息和属于该第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，基于多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户，从而更有针对性地为不同用户推荐不同的商品，提高了商品推荐效率。

Description

商品推荐方法及装置

技术领域

本公开涉及网络技术领域，尤其涉及一种商品推荐方法及装置。

背景技术

随着网络技术以及电子商务技术的快速发展，网络业务得到广泛应用。在网络业务中，通常由供应商在网站上发布想要出售的商品信息，用户即可基于该网站和该商品信息，在网络中购买该商品。然而，目前，由于不同供应商均可以在网络上开展网络业务，即不同供应商可以在不同的网站上发布不同或相同的商品信息，因此，使得网络业务中出现了海量的数据，如此，导致用户在挑选商品时，容易陷入迷茫中。

为此，为了解决上述问题，即在网络业务中，为了能够提高用户的购买效率和用户体验，目前亟需一种解决方案，以根据历史用户的历史购买行为和待推荐用户的特征信息(例如，性别、年龄、收入等)，针对性地为待推荐用户推荐可能感兴趣的商品，例如，针对同一商品，为不同性别的用户推荐不同颜色。

发明内容

为克服相关技术中存在的问题，本公开提供一种商品推荐方法及装置。

第一方面，提供一种商品推荐方法，所述方法包括：

基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

对于所述N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。

可选地，所述基于目标用户的特征信息和属于所述第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率之前，还包括：

对于所述N个第二类别中的每个第二类别，获取在当前时间之前对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息；

基于对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

基于所述多个训练特征向量，对预设逻辑回归模型进行训练，得到所述指定逻辑回归模型。

可选地，所述基于目标用户的特征信息和属于所述第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，包括：

对于属于所述第二类别的多个商品中的每个商品，基于所述商品的商品特征信息和所述目标用户特征信息，按照指定组合策略，生成目标特征向量；

基于所述目标特征向量，通过所述指定逻辑回归模型，确定所述商品的推荐购买概率。

可选地，所述基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户，包括；

将属于所述第二类别的多个商品中推荐购买概率最大的商品确定为所述目标商品，将所述目标商品推荐给所述目标用户；或者，

基于所述多个推荐购买概率和属于所述第二类别的多个商品的商品价格，确定所述多个商品收入数值，各个商品收入数值用于指示将属于所述第二类别的各个商品向所述目标用户推荐预设次数后的实际收入；将属于所述第二类别的多个商品中商品收入数值最大的商品确定为所述目标商品，并将所述目标商品推荐给所述目标用户。

可选地，所述基于多个第一用户数量，确定商品推荐列表，包括：

基于多个第一用户数量，确定所述第一类别与所述多个第二类别中的每个第二类别之间的相似度；

从所述多个第二类别中，选择与所述第一类别之间的相似度大于或等于预设阈值的N个第二类别；

基于所选择的N个第二类别的标识，生成所述商品推荐列表。

第二方面，提供一种商品推荐装置，所述装置包括：

第一确定模块，用于基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

第二确定模块，用于对于所述第一确定模块确定的N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

第三确定模块，用于基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

推荐模块，用于基于所述第三确定模块确定的多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。

可选地，所述装置还包括：

获取模块，用于对于所述N个第二类别中的每个第二类别，获取在当前时间之前对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息；

生成模块，用于基于对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

训练模块，用于基于所述生成模块生成的所述多个训练特征向量，对预设逻辑回归模型进行训练，得到所述指定逻辑回归模型。

可选地，所述第三确定模块包括：

第一生成子模块，用于对于属于所述第二类别的多个商品中的每个商品，基于所述商品的商品特征信息和所述目标用户特征信息，按照指定组合策略，生成目标特征向量；

第一确定子模块，用于基于所述目标特征向量，通过所述指定逻辑回归模型，确定所述商品的推荐购买概率。

可选地，所述推荐模块包括：

第一推荐子模块，用于将属于所述第二类别的多个商品中推荐购买概率最大的商品确定为所述目标商品，将所述目标商品推荐给所述目标用户；或者，

第二推荐子模块，用于基于所述多个推荐购买概率和属于所述第二类别的多个商品的商品价格，确定所述多个商品收入数值，各个商品收入数值用于指示将属于所述第二类别的各个商品向所述目标用户推荐预设次数后的实际收入；将属于所述第二类别的多个商品中商品收入数值最大的商品确定为所述目标商品，并将所述目标商品推荐给所述目标用户。

可选地，所述第一确定模块包括：

第二确定子模块，用于基于多个第一用户数量，确定所述第一类别与所述多个第二类别中的每个第二类别之间的相似度；

选择子模块，用于从所述多个第二类别中，选择与所述第一类别之间的相似度大于或等于预设阈值的N个第二类别；

第二生成子模块，用于基于所选择的N个第二类别的标识，生成所述商品推荐列表。

第三方面，提供一种商品推荐装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

对于所述N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本公开实施例中，基于多个第一用户数量，确定包括N个第二类别的标识的商品推荐列表，也即是，从多个第二类别中预先确定N个第二类别，以便后续基于该N个第二类别进一步确定待推荐商品。即对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识，即该第二类别实际上对应多个商品，且该多个商品的商品特征信息通常均不相同，基于目标用户特征信息和该多个商品的商品特性信息，通过预先已完成训练的指定逻辑回归模型，可以确定多个推荐购买概率，由于各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该各个商品的概率，因此，基于该多个推荐购买概率，可以从该多个商品中选择出目标商品，并将该目标商品推荐给该目标用户，也即是，根据不同用户特征信息，从属于各个第二类别的多个商品中，针对性地选择不同的商品推荐给不同用户，提高了商品推荐效率。

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，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1A是根据一示例性实施例示出的一种实施环境示意图。

图1B是根据一示例性实施例示出的一种商品推荐方法的流程图。

图2A是根据另一示例性实施例示出的一种商品推荐方法的流程图。

图2B是图2A实施例所涉及的一种训练特征向量的示意图。

图2C是图2A实施例所涉及的一种目标特征向量的示意图。

图3A是根据一示例性实施例示出的一种商品推荐装置的框图。

图3B是根据另一示例性实施例示出的一种商品推荐装置的框图。

图4是根据一示例性实施例示出的一种商品推荐装置400的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在对本公开实施例进行详细地解释说明之前，先对本公开实施例的应用场景予以说明。

图1A是根据一示例性实施例示出的一种实施环境示意图。该实施环境中主要包括用户终端110和服务器120，该用户终端110通过有线网络或者无线网络与该服务器120之间建立通信连接。

其中，该用户终端110中可以运行有客户端或浏览器，通过该客户端或浏览器可以进行网页访问，从而实现商品的购买或浏览等操作。该用户终端110可以为智能手机、平板电脑或计算机等设备，本公开实施例对此不作限定。

其中，该服务器120可以为一台服务器，也可以是由若干台服务器组成的服务器集群，该服务器120主要用于实现本公开实施例所提供的商品推荐方法。

图1B是根据一示例性实施例示出的一种商品推荐方法的流程图，如图1B所示，该商品推荐方法用于服务器中，包括以下几个步骤：

在步骤101中，基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，该商品推荐列表中包括N个第二类别的标识，该N大于等于1且小于或等于该多个第二类别的数量。

在步骤102中，对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识。

在步骤103中，基于目标用户特征信息和属于该第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该第二类别的各个商品的概率。

在步骤104中，基于该多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户。

在本公开实施例中，基于多个第一用户数量，确定包括N个第二类别的标识的商品推荐列表，也即是，从多个第二类别中预先确定N个第二类别，以便后续基于该N个第二类别进一步确定待推荐商品。即对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识，即该第二类别实际上对应多个商品，且该多个商品的商品特征信息通常均不相同，基于目标用户特征信息和该多个商品的商品特性信息，通过预先已完成训练的指定逻辑回归模型，可以确定多个推荐购买概率，由于各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该各个商品的概率，因此，基于该多个推荐购买概率，可以从该多个商品中选择出目标商品，并将该目标商品推荐给该目标用户，也即是，根据不同用户特征信息，从属于各个第二类别的多个商品中，针对性地选择不同的商品推荐给不同用户，提高了商品推荐效率。

可选地，基于目标用户的特征信息和属于该第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率之前，还包括：

对于该N个第二类别中的每个第二类别，获取在当前时间之前购买属于该第二类别的多个商品的历史用户特征信息和属于该第二类别的多个商品的商品特征信息；

基于购买属于该第二类别的多个商品的历史用户特征信息和属于该第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

基于该多个训练特征向量，对预设逻辑回归模型进行训练，得到该指定逻辑回归模型。

可选地，基于目标用户的特征信息和属于该第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，包括：

对于属于该第二类别的多个商品中的每个商品，基于该商品的商品特征信息和该目标用户特征信息，按照指定组合策略，生成目标特征向量；

基于该目标特征向量，通过该指定逻辑回归模型，确定该商品的推荐购买概率。

可选地，基于该多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户，包括；

将属于该第二类别的多个商品中推荐购买概率最大的商品确定为该目标商品，将该目标商品推荐给该目标用户；或者，

基于该多个推荐购买概率和属于该第二类别的多个商品的商品价格，确定该多个商品收入数值，各个商品收入数值用于指示将属于该第二类别的各个商品向该目标用户推荐预设次数后的实际收入；将属于该第二类别的多个商品中商品收入数值最大的商品确定为该目标商品，并将该目标商品推荐给该目标用户。

可选地，基于多个第一用户数量，确定商品推荐列表，包括：

基于多个第一用户数量，确定该第一类别与该多个第二类别中的每个第二类别之间的相似度；

从该多个第二类别中，选择与该第一类别之间的相似度大于或等于预设阈值的N个第二类别；

基于所选择的N个第二类别的标识，生成该商品推荐列表。

上述所有可选技术方案，均可按照任意结合形成本公开的可选实施例，本公开实施例对此不再一一赘述。

图2A是根据另一示例性实施例示出的一种商品推荐方法的流程图，如图2A所示，该商品推荐方法用于服务器中，该商品推荐方法包括以下步骤：

在步骤201中，基于多个第一用户数量，确定商品推荐列表。

其中，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量。

其中，预设时间段可以由用户根据实际需求自定义设置，也可以由服务器默认设置，本公开实施例对此不做限定。

上述指定行为也可以由用户根据实际需求自定义设置，例如，该指定行为可以为购买行为或者浏览行为。

在这里，上述第一类别的商品仅是指一种商品的类别，实际上并未对该种商品进行详细划分，例如，该第一类别的商品可以为手机，但这里并没有特别指示该手机的颜色、价格等信息，也就是说，该第一类别的商品仅仅是指手机而已，并没有说是什么颜色、什么价格的手机。上述第二类别的商品与该第一类别的商品的含义相似，这里不再赘述。

上述该商品推荐列表中包括N个第二类别的标识，该N大于等于1且小于或等于该多个第二类别的数量。其中，该第二类别的标识用于唯一标识一个第二类别，例如，该第二类别的标识可以为product_id。也即是，在该步骤中，仅仅是基于多个第一用户数量，确定了N个第二类别的商品，例如，该N个第二类别的商品包括手机壳、手机电源和耳机。

需要说明是，上述基于该多个第一用户数量，确定商品推荐列表可以采用协同过滤法来实现，其实现过程可以包括：基于多个第一用户数量，确定该第一类别与该多个第二类别中的每个第二类别之间的相似度，从该多个第二类别中，选择与该第一类别之间的相似度大于或等于预设阈值的N个第二类别，基于所选择的N个第二类别的标识，生成该商品推荐列表。

其中，该预设阈值可以由用户根据实际需求自定义设置，也可以由该服务器默认设置，本公开实施例对此不做限定。

上述基于多个第一用户数量，确定该第一类别与该多个第二类别中的每个第二类别之间的相似度的具体实现过程可以包括：对于该多个第二类别中的每个第二类别，服务器基于该多个第一用户数量，通过如下公式(1)确定该第二类别与该第一类别之间的相似度：

$J=\frac{u_{ij}}{u_i+u_j-u_{ij}}---\left(1\right)$

其中，该J代表该第二类别与该第一类别之间的相似度，u_ij代表该多个第一用户数量，该u_i代表购买第一类别的商品的用户数量，该u_j代表购买该第二类别的商品的用户数量。

需要说明的是，上述基于多个第一用户数量，确定该第一类别与该多个第二类别中的每个第二类别之间的相似度的实现方法仅是示例性，在另一实施例中，还可以通过其它方式来确定该相似度，本公开实施例对此不做限定。

在本公开实施例中，第二类别与第一类别的相似度越大，说明购买了该第一类别的商品后，对该第二类别执行指定行为的第一用户越多，也即是，对该第二类别感兴趣的第一用户较多，因此，服务器从该多个第二类别中，选择与该第一类别之间的相似度大于或等于预设阈值的N个第二类别，并基于该N个第二类别的标识，生成该商品推荐列表。

在一种可能的实现方式中，服务器选择该N个第二类别后，可以按照相似度从大到小的顺序，将该N个第二类别的标识进行排序，得到该商品推荐列表。

在步骤202中，对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识。

也即是，每个第二类别中均包括多个商品，例如，若该第二类别的商品为手机壳，则由于该手机壳包括多种颜色，因此，对于每种颜色的手机壳，均对应一个商品的标识，该商品的标识可以记为goods_id，即上述product_id对应多个goods_id。

该第二类别的标识与属于该第二类别的多个商品的标识对应存储在该服务器中，该服务器获取每个第二类别的标识对应的多个商品的标识。

在步骤203中，基于目标用户特征信息和属于该第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率。

其中，各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该第二类别的各个商品的概率。

其中，目标用户特征信息可以包括性别、职业、年龄、收入等，本公开实施例对此不做限定，该目标用户特征信息可以是由该目标用户在注册账号时填写后，通过用户终端发送给该服务器，并由该服务器保存在数据库中。

其中，各个商品特征信息用于描述各个商品的特征，该各个商品特征信息均可以包括商品颜色、商品价格、商品尺码、商品规格等，此外，参考图2B，各个商品特征信息还可以包括材质、款式等，本公开实施例对此也不做限定。

上述基于目标用户特征信息和属于该第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率的实现过程包括：对于属于该第二类别的多个商品中的每个商品，基于该商品的商品特征信息和该目标用户特征信息，按照指定组合策略，生成目标特征向量，基于该目标特征向量，通过该指定逻辑回归模型，确定该商品的推荐购买概率。

其中，上述基于该商品的商品特征信息和该目标用户特征信息，按照指定组合策略，生成目标特征向量的实现过程可以包括：请参考图2C，在一种可能的实现方式中，可以根据实际需求，将该商品特征信息中的商品颜色和该目标用户特征信息中的性别进行特征组合，以及将该商品特征信息中的商品价格和该目标用户特征信息中的收入进行特征组合，得到该目标特征向量。

通过上述组合方式，可以针对该目标用户的性别和收入，为该目标用户推荐可能感兴趣的颜色和价格的商品。其推荐过程包括：基于该目标特征向量，通过该指定逻辑回归模型，可以确定将不同颜色、不同价格等特征的各个商品推荐给该目标用户后，该目标用户可能购买各个商品的概率。

需要说明的是，上述将该商品特征信息中的商品颜色和该目标用户特征信息中的性别进行特征组合，以及将该商品特征信息中的商品价格和该目标用户特征信息中的收入进行特征组合仅是示例性，在另一实施例中，该指定组合策略还可以包括其它组合方式，本公开实施例对此不做限定。

另外，需要说明的是，上述基于该目标特征向量，通过该指定逻辑回归模型，确定该商品的推荐购买概率的具体实现过程可以参见相关技术，本公开实施例对此也不作详细描述。

进一步地，在确定该多个推荐购买概率之前，还需要确定该指定逻辑回归模型，其中，确定该指定逻辑回归模块的实现过程包括：

对于该N个第二类别中的每个第二类别，获取在当前时间之前对属于该第二类别的多个商品执行指定行为的历史用户特征信息和属于该第二类别的多个商品的商品特征信息，基于对属于该第二类别的多个商品执行指定行为的历史用户特征信息和属于该第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量，基于该多个训练特征向量，对预设逻辑回归模型进行训练，得到该指定逻辑回归模型。

其中，上述指定组合策略可以事先在服务器中设置。

也即是，对于该N个第二类别中的每个第二类别，由于在当前时间之前，有一些历史用户购买了属于该第二类别的多个商品，或者，还有一些历史用户仅是浏览了属于该第二类别的多个商品，因此，服务器可以基于所有对属于该第二类别的各个商品执行指定行为的历史用户特征信息和各个商品的商品特征信息，生成训练特征向量。

其中，在生成训练特征向量的过程中，也可以根据实际需求，按照指定组合策略，将该历史用户特征信息和该商品特征信息进行特征组合，例如，请参考图2B，该图2B示出了一个训练特征向量，也即是，可以将历史用户特征信息中的性别与商品特征信息中的颜色进行特征组合，以及将历史用户特征信息中的收入与价格进行特征组合，通过该种组合方式，通过训练后的指定逻辑回归模型，可以确定不同性别的用户对属于第二类别的商品的颜色偏好，以及具有不同收入的用户对属于该第二类别的商品的价格偏好。

另外，在所生成的训练特征向量中，为了确定有多少历史用户购买了该商品，还需要对历史用户的指定行为进行标记，例如，在图2B中，若历史用户购买了该商品，则服务器在该购买字段对应位置标记“Yes”，若该历史用户浏览了该商品，但未购买该商品，则服务器在该购买字段对应位置标记“NO”。

需要说明的是，在生成训练特征向量过程中，除了涉及该历史用户特征信息和商品特征信息之外，还可能涉及上下文特征信息和其它特征信息，本公开实施例对此不作限定。

其中，基于该多个训练特征向量，对预设逻辑回归模型进行训练的实现过程可以包括训练特征向量变换、逻辑回归、生成模型等过程，另外，在训练得到指定逻辑回归模型后，还可以对该指定逻辑回归模型进行评估和存储等操作，本公开实施例对此不做详细介绍。

在步骤204中，基于该多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户。

在实际实现过程中，对于商品提供商来说，在商品推荐过程中，可能想要达到不同的推荐目的，例如，在一种可能的实现方式中，进行商品推荐的目的在于提高商品的销售量，而在另一种可能的实现方式中，进行商品推荐的目的是提高总销售额，因此，根据商品推荐的目的不同，上述基于该多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户可以包括如下实现方式中的任一种：

第一种方式：将属于该第二类别的多个商品中推荐购买概率最大的商品确定为该目标商品，将该目标商品推荐给该目标用户。

也即是，在该种实现方式中，由于推荐购买概率越大，说明将该推荐购买概率对应的商品推荐给该目标用户后，该目标用户购买的可能性越大，因此，不难理解，若要提高商品的销售量，则对于多个第二类别中的每个第二类别，可以将属于该第二类别的多个商品中推荐购买概率最大的商品推荐给目标用户，如此，可以提高商品的销售量。

第二种方式：基于该多个推荐购买概率和属于该第二类别的多个商品的商品价格，确定该多个商品收入数值，各个商品收入数值用于指示将属于该第二类别的各个商品向该目标用户推荐预设次数后的实际收入，将属于该第二类别的多个商品中商品收入数值最大的商品确定为该目标商品，并将该目标商品推荐给该目标用户。

其中，该预设次数可以由用户根据实际需求自定义设置，也可以由该服务器默认设置，本公开实施例对此不作限定。

与第一种实现方式不同的是，在该种实现方式中，其主要目的是为了提高总销售额，也即是，在上述第一种实现方式中，尽管将属于该第二类别的多个商品中商品收入数值最大的商品确定为该目标商品，但由于所确定的目标商品的价格可能很低，所以将所确定的目标商品推荐给该目标用户后，可能总销售额并不是最大的。

为此，在该种实现方式中，服务器基于该多个推荐购买概率和属于该第二类别的多个商品的商品价格，确定该多个商品收入数值，其具体实现过程包括：服务器将各个推荐购买概率与各个商品的价格相乘，之后，将相乘得到的各个乘积与上述预设次数相乘，得到属于该第二类别的多个商品的商品收入数值。

例如，在上述实现方式中，若属于该第二类别的某个商品的商品价格为P，该预设次数为1000次，该商品的推荐购买概率为B，则该商品的商品收入数值为R＝B*P*1000，其中，该“*”代表相乘，如此，得到该商品的商品收入数值。

若该商品收入数值越大，说明将该商品推荐给目标用户后得到的实际收入越大，也即是，得到的总销售额越大，因此，对于多个第二类别中的每个第二类别，服务器将属于该第二类别的多个商品中商品收入数值最大的商品确定为该目标商品，如此，不仅可以保证所推荐的商品是该目标用户所感兴趣的商品，同时，也提高了总销售额，即保证了总销售额最大化。

在一种可能的实现方式中，为目标用户推荐的属于各个第二类别的各个目标商品的商品收入数值可以以列表的形式存在，例如，如下表1所示。

表1

User_id	商品收入数值
		User_1	goods_i:Ri,goods_g:Rg,...
...	...

其中，User_1代表目标用户，goods_i:Ri代表属于第二类别i的目标商品goods_i的商品收入数值为Ri，同理，该goods_g:Rg代表属于第二类别g的目标商品goods_g的商品收入数值为Rg。

上述通过不同方式为目标用户推荐商品，可以达到不同的效果，增加了商品推荐的方式。

在本公开实施例中，基于多个第一用户数量，确定包括N个第二类别的标识的商品推荐列表，也即是，从多个第二类别中预先确定N个第二类别，以便后续基于该N个第二类别进一步确定待推荐商品。即对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识，即该第二类别实际上对应多个商品，且该多个商品的商品特征信息通常均不相同，基于目标用户特征信息和该多个商品的商品特性信息，通过预先已完成训练的指定逻辑回归模型，可以确定多个推荐购买概率，由于各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该各个商品的概率，因此，基于该多个推荐购买概率，可以从该多个商品中选择出目标商品，并将该目标商品推荐给该目标用户，也即是，根据不同用户特征信息，从属于各个第二类别的多个商品中，针对性地选择不同的商品推荐给不同用户，提高了商品推荐效率。

图3A是根据一示例性实施例示出的一种商品推荐装置的框图。参照图3A，该装置包括第一确定模块310，第二确定模块320、第三确定模块330和推荐模块340。

第一确定模块310，用于基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，该商品推荐列表中包括N个第二类别的标识，该N大于等于1且小于或等于该多个第二类别的数量；

第二确定模块320，用于对于该第一确定模块确定的N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识；

第三确定模块330，用于基于目标用户特征信息和属于该第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该第二类别的各个商品的概率；

推荐模块340，用于基于该第三确定模块确定的多个推荐购买概率，将属于该第二类别的多个商品中的目标商品推荐给该目标用户。

可选地，请参考图3B，该装置还包括：

获取模块350，用于对于该N个第二类别中的每个第二类别，获取在当前时间之前对属于该第二类别的多个商品执行该指定行为的历史用户特征信息和属于该第二类别的多个商品的商品特征信息；

生成模块360，用于基于对属于该第二类别的多个商品执行该指定行为的历史用户特征信息和属于该第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

训练模块370，用于基于该生成模块生成的该多个训练特征向量，对预设逻辑回归模型进行训练，得到该指定逻辑回归模型。

可选地，该第三确定模块330包括：

第一生成子模块，用于对于属于该第二类别的多个商品中的每个商品，基于该商品的商品特征信息和该目标用户特征信息，按照指定组合策略，生成目标特征向量；

第一确定子模块，用于基于该目标特征向量，通过该指定逻辑回归模型，确定该商品的推荐购买概率。

可选地，该推荐模块340包括：

第一推荐子模块，用于将属于该第二类别的多个商品中推荐购买概率最大的商品确定为该目标商品，将该目标商品推荐给该目标用户；或者，

第二推荐子模块，用于基于该多个推荐购买概率和属于该第二类别的多个商品的商品价格，确定该多个商品收入数值，各个商品收入数值用于指示将属于该第二类别的各个商品向该目标用户推荐预设次数后的实际收入；将属于该第二类别的多个商品中商品收入数值最大的商品确定为该目标商品，并将该目标商品推荐给该目标用户。

可选地，该第一确定模块310包括：

第二确定子模块，用于基于多个第一用户数量，确定该第一类别与该多个第二类别中的每个第二类别之间的相似度；

选择子模块，用于从该多个第二类别中，选择与该第一类别之间的相似度大于或等于预设阈值的N个第二类别；

第二生成子模块，用于基于所选择的N个第二类别的标识，生成该商品推荐列表。

在本公开实施例中，基于多个第一用户数量，确定包括N个第二类别的标识的商品推荐列表，也即是，从多个第二类别中预先确定N个第二类别，以便后续基于该N个第二类别进一步确定待推荐商品。即对于该N个第二类别中的每个第二类别，基于该第二类别的标识，确定属于该第二类别的多个商品的标识，即该第二类别实际上对应多个商品，且该多个商品的商品特征信息通常均不相同，基于目标用户特征信息和该多个商品的商品特性信息，通过预先已完成训练的指定逻辑回归模型，可以确定多个推荐购买概率，由于各个推荐购买概率为将属于该第二类别的各个商品推荐给目标用户之后，该目标用户购买属于该各个商品的概率，因此，基于该多个推荐购买概率，可以从该多个商品中选择出目标商品，并将该目标商品推荐给该目标用户，也即是，根据不同用户特征信息，从属于各个第二类别的多个商品中，针对性地选择不同的商品推荐给不同用户，提高了商品推荐效率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种商品推荐装置400的框图。例如，装置400可以被提供为一服务器。参照图4，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述方法图1B或图2实施例所涉及的商品推荐方法。

装置400还可以包括一个电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统，例如Windows Server^TM，Mac OS X^TM，Unix^TM,Linux^TM，FreeBSD^TM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种商品推荐方法，其特征在于，所述方法包括：

基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

对于所述N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。

2.如权利要求1所述的方法，其特征在于，所述基于目标用户的特征信息和属于所述第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率之前，还包括：

对于所述N个第二类别中的每个第二类别，获取在当前时间之前对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息；

基于对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

基于所述多个训练特征向量，对预设逻辑回归模型进行训练，得到所述指定逻辑回归模型。

3.如权利要求1或2所述的方法，其特征在于，所述基于目标用户的特征信息和属于所述第二类别的多个商品的特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，包括：

对于属于所述第二类别的多个商品中的每个商品，基于所述商品的商品特征信息和所述目标用户特征信息，按照指定组合策略，生成目标特征向量；

基于所述目标特征向量，通过所述指定逻辑回归模型，确定所述商品的推荐购买概率。

4.如权利要求1所述的方法，其特征在于，所述基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户，包括；

将属于所述第二类别的多个商品中推荐购买概率最大的商品确定为所述目标商品，将所述目标商品推荐给所述目标用户；或者，

基于所述多个推荐购买概率和属于所述第二类别的多个商品的商品价格，确定所述多个商品收入数值，各个商品收入数值用于指示将属于所述第二类别的各个商品向所述目标用户推荐预设次数后的实际收入；将属于所述第二类别的多个商品中商品收入数值最大的商品确定为所述目标商品，并将所述目标商品推荐给所述目标用户。

5.如权利要求1所述的方法，其特征在于，所述基于多个第一用户数量，确定商品推荐列表，包括：

基于多个第一用户数量，确定所述第一类别与所述多个第二类别中的每个第二类别之间的相似度；

从所述多个第二类别中，选择与所述第一类别之间的相似度大于或等于预设阈值的N个第二类别；

基于所选择的N个第二类别的标识，生成所述商品推荐列表。

6.一种商品推荐装置，其特征在于，所述装置包括：

第一确定模块，用于基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

第二确定模块，用于对于所述第一确定模块确定的N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

第三确定模块，用于基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

推荐模块，用于基于所述第三确定模块确定的多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

获取模块，用于对于所述N个第二类别中的每个第二类别，获取在当前时间之前对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息；

生成模块，用于基于对属于所述第二类别的多个商品执行所述指定行为的历史用户特征信息和属于所述第二类别的多个商品的商品特征信息，按照指定组合策略，生成多个训练特征向量；

训练模块，用于基于所述生成模块生成的所述多个训练特征向量，对预设逻辑回归模型进行训练，得到所述指定逻辑回归模型。

8.如权利要求6或7所述的装置，其特征在于，所述第三确定模块包括：

第一生成子模块，用于对于属于所述第二类别的多个商品中的每个商品，基于所述商品的商品特征信息和所述目标用户特征信息，按照指定组合策略，生成目标特征向量；

第一确定子模块，用于基于所述目标特征向量，通过所述指定逻辑回归模型，确定所述商品的推荐购买概率。

9.如权利要求6所述的装置，其特征在于，所述推荐模块包括：

第一推荐子模块，用于将属于所述第二类别的多个商品中推荐购买概率最大的商品确定为所述目标商品，将所述目标商品推荐给所述目标用户；或者，

第二推荐子模块，用于基于所述多个推荐购买概率和属于所述第二类别的多个商品的商品价格，确定所述多个商品收入数值，各个商品收入数值用于指示将属于所述第二类别的各个商品向所述目标用户推荐预设次数后的实际收入；将属于所述第二类别的多个商品中商品收入数值最大的商品确定为所述目标商品，并将所述目标商品推荐给所述目标用户。

10.如权利要求6所述的装置，其特征在于，所述第一确定模块包括：

第二确定子模块，用于基于多个第一用户数量，确定所述第一类别与所述多个第二类别中的每个第二类别之间的相似度；

选择子模块，用于从所述多个第二类别中，选择与所述第一类别之间的相似度大于或等于预设阈值的N个第二类别；

第二生成子模块，用于基于所选择的N个第二类别的标识，生成所述商品推荐列表。

11.一种商品推荐装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

基于多个第一用户数量，确定商品推荐列表，各个第一用户数量为购买第一类别的商品并在预设时间段内对多个第二类别的商品中各个第二类别的商品执行指定行为的用户数量，所述商品推荐列表中包括N个第二类别的标识，所述N大于等于1且小于或等于所述多个第二类别的数量；

对于所述N个第二类别中的每个第二类别，基于所述第二类别的标识，确定属于所述第二类别的多个商品的标识；

基于目标用户特征信息和属于所述第二类别的多个商品的商品特征信息，通过指定逻辑回归模型，确定多个推荐购买概率，各个推荐购买概率为将属于所述第二类别的各个商品推荐给目标用户之后，所述目标用户购买属于所述第二类别的各个商品的概率；

基于所述多个推荐购买概率，将属于所述第二类别的多个商品中的目标商品推荐给所述目标用户。