CN105469263A - 一种商品推荐方法及装置 - Google Patents

Abstract

本申请公开了一种商品推荐方法，包括：获取用户浏览商品的历史行为数据；根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。本申请同时提供一种商品推荐装置。采用本申请提供的方法，可以为当前浏览商品的用户实时、准确地推荐其目前感兴趣的商品信息，不仅可以节省用户浏览商品的时间、有效改善用户体验，还可以提高网站的商品销量。

Description

一种商品推荐方法及装置

技术领域

本申请涉及个性化推荐领域，具体涉及一种商品推荐方法。本申请同时提供一种商品推荐装置。

背景技术

随着互联网的普及和网站技术的发展，越来越多的用户选择在网上浏览、挑选、或者购买自己需要的商品。然而随着商品数目和种类的快速增长，用户往往需要花费大量的时间进行浏览才能找到自己需要的或者感兴趣的商品，这样可能会造成光顾网站的消费者的不断流失。在这种情况下，很多网站都不同程度地采用各种形式的推荐技术向用户进行商品推荐，例如，根据用户的兴趣特点和购买行为，有针对性地向用户推荐其可能购买或者感兴趣的商品及信息。通过商品推荐，一方面可以提高购物网站的销量，另一方面，便于用户快速找到自己所需的商品，同时还可以避免用户因为频繁搜索查找而产生的不必要的搜索流量，减轻网站服务器的负担。

现有技术中，通常采用计算商品之间的相关性来实现商品推荐功能，具体说包括以下两个步骤：

1)离线计算每种商品的相关性。根据用户在特定时间段内针对某一商品的各种行为(浏览、收藏、购买)发生的次数，进行加权求和得到用户对该商品的偏好数值(并可以进一步得到偏好度数值)，构建由用户、商品、用户对商品的偏好数值(或者偏好度)组成的矩阵，然后使用相关性计算方法计算出所有商品之间的两两相关性数值，例如，采用如下所示的余弦夹角公式进行相关性计算，其中R_m,j代表矩阵中第m个用户对第j个商品的偏好数值：

$\cos (\stackrel{\‾}{i},\stackrel{\‾}{j})=\frac{R_{1,i}\×R_{1,j}+R_{2,i}\×R_{1,j}+\·\·\·{+R}_{m,i}\×R_{m,j}}{\sqrt{{R_{1,i}}^2+{R_{2,i}}^2+\·\·\·+{R_{m,i}}^2}\×\sqrt{{R_{1,j}}^2+{R_{2,j}}^2+\·\·\·+{R_{m,j}}^2}}$

根据上述计算结果，对于每一个商品，选取与其最为相关的前K个(Topk)商品作为结果备用。

2)用户访问网站时，以该用户当前浏览的商品作为基准商品或者以用户刚刚浏览过的一个或者多个商品作为基准商品，根据在步骤1中的计算结果，选取与基准商品相关的多个商品，作为推荐结果展示给用户；进一步地，也可以先对用户刚刚浏览过的多个基准商品，按照行为类型(购买、收藏或者仅浏览)和发生时间距离当前时间的差值，对基准商品进行评分，然后根据步骤1中的计算结果选取与基准商品相关的多个商品，并针对选取的每个商品，将与其对应的基准商品的分值和该商品与基准商品的相关性数值相乘，根据得到的乘积进行排序，最后将排在前面的特定数量的商品作为推荐结果展示给用户。

上述推荐方式，存在以下两个缺陷：

1)无法实时地反映用户的需求。上述方式中选用的相关商品是离线计算好的，并没有针对用户最近的访问行为进行调整，然而用户的购买行为，通常会受到诸多实时要素的影响，例如，用户购买电风扇，如果当前温度很高，用户可能倾向于购买带水槽的冷风扇；如果当前虽然是夏天但是雷电交加，用户则可能倾向于购买带基座、且比较重的落地扇。用户的购买倾向不同，最近在网站上浏览的商品自然也不同，而上述推荐方式，由于没有考虑用户最近在线上的浏览行为，因此推荐给用户的商品信息可能无法满足用户的需求。

2)推荐结果不够准确。上述推荐方式根据常规的理解和经验，依据用户行为确定用户偏好，并将相关性算法的计算结果直接加以应用，这种方式没有建模过程，没有经过大量样本数据的训练和验证，因此可能会导致推荐结果不够准确，用户需要经过较长时间的浏览、查找过程才能找到自己所需的商品。

发明内容

本申请提供一种商品推荐方法，以解决现有技术无法为当前用户实时、准确地进行商品推荐的问题。本申请另外提供一种商品推荐装置。

本申请提供一种商品推荐方法，包括：

获取用户浏览商品的历史行为数据；

根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；

获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。

可选的，在执行所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合的步骤后，执行下述操作：

针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率；

按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合；

相应的，所述将所述商品集合中的商品中至少一部分推荐给所述当前用户是指，将上述新的商品集合中的商品中至少一部分推荐给所述当前用户。

可选的，所述用户信息包括：用户标识、性别、年龄、收入水平、和住址；

所述商品属性包括：所属类目、价格区间、风格、和材料。

可选的，所述历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行为数据、以及用户对商品的行为数据和相关的场景标识。

可选的，所述根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合，包括：

针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述商品属性值组合感兴趣的概率；

选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

可选的，所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，采用如下方式实现：

采用所述商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。

可选的，所述商品属性值预测模型采用如下方式生成：

采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率；

所述用户对特定商品属性值组合感兴趣是指，用户对符合所述商品属性值组合的商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。

可选的，所述商品偏好预测模型采用如下方式生成：

采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率；

所述用户对特定商品感兴趣是指，用户对所述商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。

可选的，生成所述商品属性值预测模型和生成所述商品偏好预测模型的过程还分别包括对已建立的预测模型进行验证的过程，所述验证过程包括：

采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值；

判断所述指标值是否大于预先设定的验证阈值；

若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的数据、重新建立相应的预测模型。

可选的，所述指标包括：AUC指标或交易覆盖率指标。。

相应的，本申请还提供一种商品推荐装置，包括：

历史行为数据获取单元，用于获取用户浏览商品的历史行为数据；

商品属性值组合获取单元，用于根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；

商品推荐单元，用于获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户；

所述商品推荐单元包括：

商品集合获取子单元，用于获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合；

商品推荐执行子单元，用于将所述商品集合中的商品中之至少一部分推荐给所述当前用户。

可选的，所述商品推荐单元还包括：

感兴趣商品概率计算子单元，用于针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率；

新商品集合获取子单元，用于按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合；

相应的，所述商品推荐执行子单元具体用于，将所述新的商品集合中的商品中至少一部分推荐给所述当前用户。

可选的，所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的用户信息包括：用户标识、性别、年龄、收入水平、和住址；

所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的商品属性包括：所属类目、价格区间、风格、和材料。

可选的，所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行为数据、以及用户对商品的行为数据和相关的场景标识。

可选的，所述商品属性值组合获取单元包括：

属性值组合概率计算子单元，用于针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述商品属性值组合感兴趣的概率；

属性值组合获取子单元，用于选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

可选的，所述商品集合获取子单元具体用于，采用所述当前用户目前感兴趣的商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。

可选的，所述装置包括：

商品属性值预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率。

可选的，所述装置包括：

商品偏好预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率。

可选的，所述商品属性值预测模型生成单元和所述商品偏好预测模型生成单元除了分别包括用于建立相应预测模型的本体子单元以外，还分别包括相应的用于对已建立的预测模型进行验证的验证子单元，所述相应的验证子单元包括：

指标计算子单元，用于采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值；

指标判断子单元，用于判断所述指标值是否大于预先设定的验证阈值；若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的数据、重新建立相应的预测模型。

可选的，所述指标计算子单元和所述指标判断子单元所采用的指标包括：AUC指标或交易覆盖率指标。

与现有技术相比，本申请具有以下优点:

本申请提供的商品推荐方法，获取用户浏览商品的历史行为数据，然后根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合，并将与所述商品属性值组合对应的商品集合中的商品推荐给所述用户。采用本申请提供的方法，根据用户浏览商品的历史行为数据，利用已建立的模型进行在线计算，从而可以为当前浏览商品的用户实时、准确地推荐其目前感兴趣的商品信息，不仅可以节省用户浏览商品的时间、有效改善用户体验，还可以提高网站的商品销量。

附图说明

图1是本申请的一种商品推荐方法的实施例的流程图；

图2是本申请实施例提供的ROC曲线及AUC指标的示意图；

图3是本申请实施例提供的根据商品属性值预测模型获取当前用户目前感兴趣的商品属性值组合的处理流程图；

图4是本申请实施例提供的根据商品偏好模型，从已获取的商品集合中选择当前用户感兴趣的商品的处理流程图；

图5是本申请的一种商品推荐装置的实施例的示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本申请中，分别提供了一种商品推荐方法、以及一种商品推荐装置。在下面的实施例中逐一进行详细说明。由于本实施例描述的技术方案使用了逻辑回归算法，为了便于理解，首先对逻辑回归算法作简要说明。

逻辑回归算法(LogisticRegression算法，简称LR算法)，也称为Logit模型，是离散选择法模型之一，属于多重变量分析范畴，通常用于类别的判定或者事件发生概率的预测。该算法目前是搜索领域、广告推广领域和推荐应用领域中广泛使用的一种机器学习算法。

建立Logit模型的过程，其实就是求解一组权值(也可以称为系数)W₀、W₁、...、W_M的过程，求出上述权值后，在实际应用Logit模型时，按照上述权值与实际数据(即：维度为M的入参变量的各个特征值X₁—X_M)进行加权求和，求出对应的Z值，如下所示：

Z＝W₀+W₁×X₁+......+W_M×X_M------公式1

上述公式1中的Z也经常写作函数g(x)，然后按照如下所述的sigmoid函数的形式求出变量P的值：

$P(Y=1|x)=\mathrm{\π}\left(x\right)=\frac{1}{1+e^{-g\left(x\right)}}$ ---------公式2

该变量P的值域为[0，1]，代表了在当前入参变量的情况下，某事件发生(Y＝1)的概率。如果为计算出的概率值指定一个判别阈值，则该模型就可以作为分类器使用。

由此可见建立模型的关键，就是求解上述公式1中的各个系数W₀、W₁、...、W_M的值。下面对上述系数的求解过程作简要说明。

假设训练集数据中有n个独立的训练样本{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，y＝{0,1}。其中的x_i是上述维度为M的入参变量，每一个观察到的样本(x_i,y_i)出现的概率是：

P(y_i,x_i)＝P(y_i＝1|x_i)^yi(1-P(y_i＝1|x_i))^1-yi

由于每个样本都是独立的，n个样本出现的概率就是各自出现的概率相乘，从而可以得到整个训练集数据中n个独立的样本出现的似然函数，随后求解使得下述公式3中的似然函数取值最大时的各个系数W₀、W₁、...、W_M的值。

$\underset{w}{\max }L\left(W\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[y_i\log P(y_i=1|x_i)+(1-y_i)P(y_i=0|x_i)]$

$=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[y_i\left({\mathrm{wx}}_i\right)-\log (1+e^{{\mathrm{wx}}_i})]$ ----------公式3

上述公式3中的w就是待求解的包含W0、W1、...、WM的M维向量，由于训练集数据中各个样本的xi和yi都是已知的，因此可以直接代入公式3，从而得到一组非线性表达式，然后采用梯度下降法或者是牛顿－拉斐森迭代法等数学方法，求解出上述似然函数取值最大时的各个W0、W1、...、WM参数的值，得到了这组参数的值，模型的建立过程就完成了。由于Logit模型的建立过程以及涉及到的求解算法，都是比较成熟的现有技术，因此不对其求解细节作进一步的描述。

上面介绍了逻辑回归算法的基本原理，下面通过实施例，对本申请提供的一种商品推荐方法以及一种商品推荐装置逐一进行详细说明。

请参考图1，其为本申请的一种商品推荐方法的实施例的流程图。所述方法包括如下步骤：

步骤101：生成商品属性值预测模型。

本步骤采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率。建立该模型包括以下5个过程：确定建模目标、确定模型中入参变量的各个特征、生成训练数据集、求解W参数和对模型进行验证，下面分别进行详细说明。

1)确定建模目标。

用户对商品的普通点击浏览操作不能很好地反映出用户对某种商品属性值组合是否感兴趣，而用户针对符合某种商品属性值组合的商品执行了强行为操作，则通常可以说明用户对该种商品属性值组合感兴趣。本申请所述的强行为包括以下行为中的至少一者：收藏、加入购物车、加入进货单、下单购买行为。

基于上述考虑，同时考虑到建模过程需要大量的训练集数据，在本实施例的一个具体例子中，将位于特定时间点之后7天内用户在商品属性值组合下有购买行为作为建模目标。在其他实施方式中，也可以将用户在商品属性值组合下有上述任一种强行为作为建模目标，同样也可以实现本申请的技术方案。

2)确定模型中入参变量的各个特征。

可能影响模型预测结果的因素很多，例如：用户信息，商品属性信息、以及用户浏览商品的历史行为数据等。其中，本申请所述的用户浏览商品的历史行为数据不限于通常所说的点击浏览行为，还包括在浏览过程中发生的其他行为，例如：收藏、加入购物车、加入进货单或者是下单购买行为。

具体选取哪些数据作为建模过程中(在线使用模型时也需要使用)所需的入参变量的各个特征(即：公式1中的X₁-X_M)，取决于具体业务的需求。

在本实施例的一个具体例子中，选取用户信息、商品属性值组合C_X(代表各种可能的商品属性值组合)、以及用户浏览商品的三类历史行为数据作为入参变量的各个特征。具体说，用户信息包括：用户标识、性别、年龄、收入水平和住址；商品属性包括：所属类目、价格区间、风格、和材料；三类历史行为数据包括：用户行为数据、与商品属性值组合相关的用户行为数据、用户对商品属性值组合的行为数据，并对每一类历史行为数据进行统计分析，按照最近7天，90天全量，和按月三个维度统计，请参见表一中的说明：

表一

上表中的各个特征还可以进一步细化，例如：User最近7天行为还可以进一步细分为最近7天的商品总点击浏览次数、最近7天浏览的不同商品数、最近7天用户交易次数、最近7天用户收藏商品次数、最近7天用户访问网站的天数等；Cx最近7天行为还可以进一步细分为最近7天该Cx的被点击次数、最近7天该Cx的被下单次数、最近7天该Cx的被收藏次数、最近7天该Cx的交易金额、最近7天该Cx的交易件数等；Cx行为转化率则是指最近7天该Cx从点击浏览到下单购买的转化率(例如：下单uv/点击浏览uv)。

上面给出的是本实施例的一个具体例子选取的特征，在其他实施方式中可以选取不同于上述特征的其他特征，例如：可以选择与上述用户信息不同的其他与用户相关的信息作为所述用户信息；商品的属性也是多种多样的，可以选择不同于上述商品属性的其他与商品相关的属性作为所述商品属性；也可以从获取的历史行为数据中选取更为丰富的历史行为数据作为入参变量的特征。由于逻辑回归算法是机器学习算法中的一种，可以通过对大量训练集数据的学习、训练过程，识别出入参变量中各个特征与预测结果之间的关联程度，其关联程度可以通过参数W_i体现出来(关联程度低的特征其对应的参数值通常会比较小，甚至为0)，因此只要是与预测结果可能有关联的数据都可以将其选做特征，参与建模过程。

3)生成训练集数据。

根据2)中确定的入参变量的各个特征，生成多个训练样本，所有训练样本共同组成训练集数据。

通常情况下，大部分网站都有专门用于记录用户浏览商品的历史行为数据的服务器或者实时***，用户在客户端设备展示的网页上执行的各种浏览商品的行为数据可以通过打点等方式上传，所述服务器或者实时***接收这些数据后通常以日志文件的形式进行存储。

用户浏览商品的历史行为数据通常可以从上述日志文件中获取，用户信息和商品属性信息既可以从上述日志文件中获取，也可以从用于存储用户信息和商品信息的数据库中查询获取。

在本实施例的上述具体例子中，根据1)中设定的建模目标以及2)中所选定的入参变量的各个特征，从服务器存储的日志文件中获取用户在指定的97天内浏览商品的历史行为数据，并将所述历史行为数据分为两个部分，前90天的数据作为基础数据、后7天的数据作为目标数据。

根据上述获取的历史行为数据，采用如下方式生成样本：根据表一中列举的特征从前90天的历史行为数据中提取相应数据，将所提取的数据以及对应的用户信息、商品属性值组合作为样本数据中的X_i；对于该样本数据中涉及的商品属性值组合，如果在后7天的目标数据内存在对符合该商品属性值组合的商品发生购买行为的数据，说明用户对该商品属性值感兴趣，那么当前样本数据中的y_i＝1，否则y_i＝0(请参见公式3)。采用上述方式获取足够数量的样本数据(每个样本数据都有确定的X_i和y_i)，即组成本步骤所述的训练集数据。

在本实施例的上述具体例子中将后续7天内发生购买行为作为强行为，在其他实施方式中还可以将收藏行为、加入购物车等行为作为强行为；对于时间段的选取，由于在2)中选择特征时是按照最近7天，90天全量，和按月三个维度统计的，因此此处选择97天作为生成样本数据的时间段，在其他实施方式中，可以根据具体的需要选择不同的统计维度和不同的时间段。

4)使用训练集数据，求解W参数。

将已经生成的训练集数据，代入前面介绍的公式3中，并采用梯度下降法或者是牛顿－拉斐森迭代法等数学方法，求解出使似然函数取值最大时的各个W₀、W₁、...、W_M参数的值，即得到了本步骤所述的商品属性值预测模型，该模型可以根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率，即：用户对符合特定商品属性值组合的商品执行强行为的概率。

5)对建立起的模型进行验证。

从理论上讲，求出了参数W₀、W₁、...、W_M，所述商品属性值预测模型就建立起来了，然而作为一种技术方案，由于在具体实施中各个特征维度的选择策略不同，采用上述方式建立起来的模型可能是多种多样的，如何判断已经建立起的模型是否能够满足本申请技术方案的预测需求，就需要对建立起的模型进行验证。验证的方法有多种，通常采用计算AUC指标的方法。

AUC(AreaUnderroccurve)指标的出现源于ROC(ReceiverOperatingCharacteristic—接受者操作特性)分析方法，该方法是关于分类模型性能的评判方法。对某个分类模型而言，通常可以根据其在验证集样本上的表现得到一个TPR(在所有实际为正例的样本中，被正确地判定为正例的比率)和FPR(在所有实际为负例的样本中，被错误地判定为正例的比率)点对，此模型就可以映射成ROC平面上的一个点。调整这个模型分类时候使用的阈值，就可以得到一个经过(0,0)，(1,1)的曲线，即：此模型的ROC曲线，通常情况下，这个曲线都应该处于(0,0)和(1,1)连线的上方，而且ROC曲线越往左上方靠拢，该模型的预测效果就越好。

上述ROC曲线采用图形的方式对模型的预测性能进行评判，而AUC指标则是在此基础上，采用更为明确的数值对模型的预测性能进行评价，具体说，AUC指标的值就是处于ROC曲线下方的那部分面积的大小，即：在由(0，0)和(1，1)点确定的正方形内，位于ROC曲线下方的面积的大小。通常认为，AUC指标的值越大，该模型的预测效果越好。请参见附图2，该附图分别给出了两个示例模型的ROC曲线，其中左侧ROC曲线下的面积为0.84(AUC＝0.84)，右侧ROC曲线下的面积为0.93(AUC＝0.93)，由此可见右侧曲线对应的模型，其预测效果要优于左侧曲线对应的模型。

根据上述AUC指标的定义，通常采用梯形法求解该指标的具体值。具体在本实施例中，可以在上述3)生成训练集数据的同时，生成由大量验证样本组成的验证集数据。在验证过程中，将验证集数据代入已建立好的模型中，求解出在不同的判定阈值下的FPR和TPR数值对，每个数值对对应坐标系中的一个点，平滑连接这些点即可绘制出ROC曲线；然后采用梯形法求解AUC指标的值，具体说，把由(FPR,TPR)数值对定义的相邻的点用直线连接，然后经过各点对横坐标作垂线，就会将ROC曲线下的区域分割成若干个梯形，分别求解每个梯形的面积并求和就可以了。

上面描述的是AUC指标的一种计算方法，在实际应用中，也可以采用一些工具软件进行计算，例如可以使用AUCCalculator工具软件计算AUC指标。

求解出AUC指标后，如果该指标的值大于预先设定的验证阈值，则说明建立起的商品属性值预测模型可以在线上进行应用了。所述预先设定的验证阈值可以根据实际的需求进行设置，在本实施例的上述具体例子中，将该验证阈值的值设置为0.7。

如果该指标的值不满足上述要求，说明已建立的商品属性值预测模型的预测结果不能满足需求，因此不能在线上应用该模型，需要对建模过程中所选的入参变量中的各个特征、以及选取历史行为数据的时间维度的划分进行调整，然后再重新建立该模型。

在本实施例的上述具体例子中，采用AUC指标对商品属性值预测模型进行验证，在其他实施方式中，也可以采用交易覆盖率指标(recall)对模型进行验证，如果验证结果不能满足要求，同样需要重新建立该模型。

步骤102：生成商品偏好预测模型。

本步骤采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率。

与步骤101中生成商品属性值预测模型类似，生成商品偏好预测模型也包括：确定建模目标、确定模型中入参变量的各个特征、生成训练数据集、求解W参数和对模型进行验证这样5个过程。上述过程中与步骤101类似的部分，请参见步骤101中的相关说明，下面重点对与步骤101不同之处进行说明。

1)确定建模目标。

如果用户针对某种商品执行了强行为操作，通常可以说明用户对该商品感兴趣。本申请所述的强行为包括以下行为中的至少一者：收藏、加入购物车、加入进货单、下单购买行为。

在本实施例的一个具体例子中，将位于特定时间点之后7天内用户对商品有购买行为作为建模目标。

2)确定模型中入参变量的各个特征。

在本实施例的一个具体例子中，选取用户信息、商品属性值、用户浏览商品的三类历史行为数据作为入参变量的各个特征。具体说，用户信息包括：用户标识、性别、年龄、收入水平和住址；商品属性包括：所属类目、价格区间、风格、和材料；三类历史行为数据包括：用户行为数据、与商品相关的用户行为数据、用户对商品的行为数据，并对每一类历史行为数据进行统计分析，按照最近7天，90天全量，和按月三个维度统计，请参见下表二中的说明：

表二

需要说明的是，在某些实施过程中，还可以将应用场景标识也作为入参变量的一个特征，因为在不同的应用场景(网站首页、交易页面、后台管理页面或者网站商品的详情页面)，用户对同一个展示商品执行强行为的概率可能是不同的，因此可以将该因素也作为一个特征，参与模型的建立过程。

3)生成训练集数据。

获取用户浏览商品的历史行为数据，并根据2)中确定的入参变量的各个特征，从所述历史行为数据中提取相应数据，并与对应的用户信息和商品属性值共同生成训练样本，所有训练样本共同组成训练集数据。

在本实施例的上述具体例子中，与步骤101中的处理过程类似，将获取的历史行为数据分为两个部分，前90天的数据作为基础数据、后7天的数据作为目标数据，在生成样本数据时：根据表二中列举的特征从前90天的历史行为数据中提取相应数据，将所提取的数据以及对应的用户信息和商品属性值，作为样本数据中的X_i；对于该样本数据中涉及的商品，如果在后7天的目标数据内存在对该商品发生购买行为的数据，说明用户对该商品感兴趣，那么当前样本数据中的y_i＝1，否则y_i＝0(请参见公式3)。采用上述方式获取足够数量的样本数据(每个样本数据都有确定的X_i和y_i)，即组成本步骤所述的训练数据集。

4)使用训练集数据，求解W参数。

将已经生成的训练集数据，代入前面介绍的公式3中，并采用梯度下降法或者是牛顿－拉斐森迭代法等数学方法，求解出使似然函数取值最大时的各个W₀、W₁、...、W_M参数的值，即得到了本步骤所述的商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率，即：用户对特定商品执行强行为的概率。

5)对建立起的模型进行验证。

与步骤101中的相应过程类似，通过计算AUC指标或者recall指标的值，验证已建立的商品偏好预测模型的可用性。

步骤103：获取用户浏览商品的历史行为数据。

执行完步骤101和102后，已经建立起了商品属性值预测模型和商品偏好预测模型，至此就可以在线上应用这两种模型，为当前浏览商品的用户推荐其感兴趣的商品。

为了在线上应用上述两个模型进行计算，需要先获取进行计算所需的历史行为数据(例如，可以从网站的日志服务器存储的日志文件中获取)。为了根据当前用户最近的浏览行为为其推荐所需的商品，可以选择记录了所述当前用户最近浏览行为的历史行为数据，具体说，可以将所述当前用户当天浏览商品的历史行为数据包括在内，这样计算得到的推荐结果能够相对比较实时地反映所述当前用户目前的需求。

在本实施例的上述具体例子中，选取了包括所述当前用户浏览商品当天在内的前90天的历史行为数据。

步骤104：根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合。

本步骤采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合，该处理过程分为以下两个子步骤，下面结合附图3对这两个子步骤作进一步说明。

步骤104-1：针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述当前用户对所述商品属性值组合感兴趣的概率。

本步骤要预测所述当前用户目前可能对哪一种商品属性值组合感兴趣，因此需要穷举当前可供推荐的各种商品属性值组合，并针对每种商品属性值组合，采用所述商品属性值预测模型，计算所述当前用户对其感兴趣的概率。

在本实施例的上述例子中，针对每种商品属性值组合，用所述当前用户的用户信息(该信息可以根据用户标识从数据库中获取)、所述商品属性值组合、以及从步骤103中获取的历史行为数据中提取的与所述当前用户对应的用户行为数据、所述商品属性值组合对应的用户行为数据、以及所述当前用户针对所述商品属性值组合的用户行为数据作为入参变量的各个特征值，代入所述商品属性值预测模型的公式1中，就可以计算出公式1中的Z值，然后再将Z值代入对应的公式2中，就可以计算出所述当前用户目前对所述商品属性值组合感兴趣的概率，即：所述当前用户针对该商品属性值组合对应的商品执行收藏或购买等强行为的概率。

步骤104-2：选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

在步骤104-1中采用穷举的方式针对每种可供推荐的商品属性值组合，都计算出所述当前用户目前对其感兴趣的概率，在本步骤中从中选取最大的概率值，将该最大概率值对应的商品属性值组合作为所述当前用户目前感兴趣的商品属性值组合。

步骤105：获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合。

至此，已经获取了所述当前用户目前感兴趣的商品属性值组合，如果将符合该属性值组合的商品推荐给所述当前用户，用户对这类商品执行强行为操作的可能性通常会比较大，本步骤就是获取与所述当前用户感兴趣的商品属性值组合对应的商品，为向用户推荐商品做好准备。

具体说，可以根据所述商品属性值组合中的各个属性值生成对应的查询条件，使用SQL语句对商品数据库进行查询，获取符合所述商品属性值组合的商品，并将所有满足要求的商品共同组成将要推荐给用户的商品集合。

在具体实施中，如果网站自身具备商品搜索引擎，则可以直接利用站内的商品搜索引擎获取符合商品属性值组合的商品集合。具体说，将所述属性值组合中的各个属性值对应的关键字，提交给站内的商品搜索引擎，由商品搜索引擎通过对倒排索引数据库的检索，获取对应的搜索结果，即：符合所述商品属性值组合的多个商品，所述多个商品共同组成将要推荐给用户的商品集合。

下面举一个简单的例子说明：商品属性包括类目、风格、价格区间，材料，在用逻辑回归算法进行计算求解的过程中，各种不同属性的取值通常用数字代表，例如，通过步骤104获取的所述当前用户目前感兴趣的商品属性值组合为“1，5，3，8”，其中类目属性值为1，对应“女装”；风格属性值为5，对应“韩版”；价格区间属性值为3，对应“价位在300-500元”；材料属性值为8，对应“纯棉”，在这种情况下，就可以将下列搜索请求提交给站内的搜索引擎：“类目＝女装and风格＝韩版and价格＝300-500and材料＝纯棉”，搜索引擎就会返回符合上述搜索请求的多个商品，即得到所述商品集合。

当然，上面的例子仅仅是示意性的，在具体实施时，商品属性值可能会有不同的取值及涵义，传递给站内搜索引擎的搜索请求的形式可能也有所不同。这些都可以根据具体的需求进行相应的变更。

获取了所述商品集合后，可以直接将该商品集合中的商品推荐给所述当前用户，如果所述商品集合中的商品数量比较多，也可以按照一定的策略进行筛选(例如选择销量最高的前10个商品)，再将筛选后的商品推荐给所述当前用户。

步骤106：根据当前用户的用户信息、商品的商品属性值和所述历史行为数据，采用预先生成的商品偏好预测模型，从所述商品集合中选取所述当前用户感兴趣的商品，组成新的商品集合。

前面的步骤根据当前用户感兴趣的商品属性值组合选择了推荐给用户的商品集合，为了使推荐结果更为精准，本实施例还提供了一种优选实施方式，即：采用预先生成的商品偏好预测模型，从所述商品集合中选取所述当前用户目前感兴趣的商品，组成新的商品集合。

与步骤104类似，本步骤的处理过程也分为两个子步骤，下面结合附图4对这两个子步骤作进一步说明。

步骤106-1：针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率。

本步骤要预测所述当前用户可能对所述商品集合中的哪些商品更感兴趣，因此需要针对所述商品集合中的每个商品，采用所述商品偏好预测模型，计算所述当前用户对其感兴趣的概率。

在本实施例的上述具体例子中，针对所述商品集合中的每个商品，用所述当前用户的用户信息、所述商品的商品属性值、以及从步骤103中获取的历史行为数据中提取的与所述当前用户对应的用户行为数据、与所述商品对应的用户行为数据、以及所述当前用户针对所述商品的用户行为数据作为入参变量的各个特征值，代入所述商品偏好预测模型的公式1中，就可以计算出公式1中的Z值，然后再将Z值代入对应的公式2中，就可以计算出所述当前用户对所述商品感兴趣的概率，即：所述当前用户针对该商品执行收藏或购买等强行为的概率。

步骤106-2：按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合。

在步骤106-1中针对所述商品集合中的每种商品，都计算出所述当前用户对其感兴趣的概率，在本步骤中对这些概率值按照从大到小的顺序进行排列，并根据预先设定的数量，从中选择位于前面的若干个商品，重新组成新的商品集合，准备推荐给所述当前用户。

在本实施例的一个具体例子中，在步骤105中获取了所述当前用户目前感兴趣的商品属性值组合对应的商品集合，该商品集合中包含100个商品，在步骤106-1中，利用预先生成的商品偏好预测模型，分别计算出了该用户对这100个商品感兴趣的概率，由于预先设定最终选择10个商品推荐给该用户，因此在步骤106-2中选取了上述概率值最大的10个商品，组成了新的商品集合。

步骤107：将所述新的商品集合中的商品推荐给所述当前用户。

将所述新的商品集合中的商品推荐给所述当前用户，例如：可以在该用户目前浏览的页面中显示该集合中的每个商品名称以及对应的商品详情链接；或者在该用户目前浏览的页面中显示该集合中的每个商品的图片以及相关的属性信息。具体如何向用户推荐展示所述新商品集合中的商品，不是本申请技术方案的核心，本申请技术方案不对此作具体的限定。

通过上面的描述可以看出，本实施例中通过采用了两次逻辑回归算法，第一次根据商品属性值预测模型获取当前用户感兴趣的商品属性值组合，并获取符合所述商品属性值组合的商品集合；第二次在第一次的基础上，采用商品偏好预测模型，又从所述商品集合中选择出了当前用户可能最为感兴趣的若干个商品，并将最后选出的这些商品推荐给用户。由于采用了逻辑回归算法建立模型，并且是从用户感兴趣的商品属性值组合和用户感兴趣的商品这两个不同的角度进行建模，因此基于这两个模型的推荐结果是相对精准的，用户对所推荐的商品执行强行为的几率相对也会比较大，从而可以有效提高网站的商品销量。

需要说明的是，上面描述的是本申请技术方案的优选实施方式，其中有些步骤并不是实现本申请技术方案所必需的。例如步骤101和102，这两个步骤是离线完成的建模过程，模型一旦建立好，在一段时间内可以在线上反复使用，为了更准确地反映用户的喜好，可以定期选取更新的历史行为数据重新建立模型，但并不是每次为当前在线用户进行商品推荐的必需步骤。此外，上面描述的步骤106也不是实施本申请技术方案所必需的步骤，该步骤是为了使得推荐结果更为精准，所以在基于商品属性值组合选择推荐商品的基础上，再次利用商品偏好模型进行选择，在具体实施中，不执行步骤106，而是直接将步骤105获取的商品集合中的商品推荐给当前用户，同样可以取得满意的推荐效果。如果所述商品集合中的商品数量比较多，也可以按照一定的策略进行筛选(例如选择销量最高的前10个商品)

综上所述，本申请提供的商品推荐方法，通过获取用户浏览商品的历史行为数据，然后根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合，并将与所述属性值组合对应的商品集合中的商品推荐给所述用户。采用本申请提供的方法，根据用户浏览商品的历史行为数据，利用已建立的模型进行在线计算，从而可以为当前浏览商品的用户实时、准确地推荐其目前感兴趣的商品信息，不仅节省用户浏览商品的时间、有效改善用户体验，还可以提高网站的商品销量。

在上述的实施例中，提供了一种商品推荐方法，与之相对应的，本申请还提供一种商品推荐装置。请参看图5，其为本申请的一种商品推荐装置的实施例示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例的一种商品推荐装置，包括：商品属性值预测模型生成单元501；商品偏好预测模型生成单元502；历史行为数据获取单元503；商品属性值组合获取单元504；商品集合获取单元505；感兴趣商品获取单元506；商品推荐执行单元507。

所述商品属性值预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率。

所述商品偏好预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率。

所述历史行为数据获取单元，用于获取用户浏览商品的历史行为数据。

所述商品属性值组合获取单元，用于根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合。

所述商品集合获取单元，用于获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合。

所述感兴趣商品获取单元，用于根据当前用户的用户信息、商品的商品属性值和所述历史行为数据，采用预先生成的商品偏好预测模型，从所述商品集合中选取所述当前用户感兴趣的商品，组成新的商品集合。

所述商品推荐执行单元，用于将所述新的商品集合中的商品推荐给所述当前用户。

可选的，所述商品属性值组合获取单元和所述感兴趣商品获取单元所使用的用户信息包括：用户标识、性别、年龄、收入水平、和住址；

所述商品属性值组合获取单元和所述感兴趣商品获取单元所使用的商品属性包括：所属类目、价格区间、风格、和材料。

可选的，所述商品属性值组合获取单元和所述感兴趣商品获取单元所使用的历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行为数据、以及用户对商品的行为数据和相关的场景标识。

可选的，所述商品属性值组合获取单元包括：

属性值组合概率计算子单元，用于针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述商品属性值组合感兴趣的概率；

属性值组合获取子单元，用于选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

可选的，所述感兴趣商品获取单元包括：

感兴趣商品概率计算子单元，用于针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率；

新商品集合获取子单元，用于按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合。

可选的，所述商品集合获取单元具体用于，采用所述当前用户目前感兴趣的商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。

可选的，所述商品属性值预测模型生成单元和所述商品偏好预测模型生成单元除了分别包括用于建立相应预测模型的本体子单元以外，还分别包括相应的用于对已建立的预测模型进行验证的验证子单元，所述相应的验证子单元包括：

指标计算子单元，用于采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值；

指标判断子单元，用于判断所述指标值是否大于预先设定的验证阈值；若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的数据、重新建立相应的预测模型。

可选的，所述指标计算子单元和所述指标判断子单元所采用的指标包括：AUC指标或交易覆盖率指标。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (20)

1.一种商品推荐方法，其特征在于，包括：

获取用户浏览商品的历史行为数据；

根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；

获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。

2.根据权利要求1所述的商品推荐方法，其特征在于，在执行所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合的步骤后，执行下述操作：

针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率；

按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合；

相应的，所述将所述商品集合中的商品中至少一部分推荐给所述当前用户是指，将上述新的商品集合中的商品中至少一部分推荐给所述当前用户。

3.根据权利要求2所述的商品推荐方法，其特征在于，所述用户信息包括：用户标识、性别、年龄、收入水平、和住址；

所述商品属性包括：所属类目、价格区间、风格、和材料。

4.根据权利要求2所述的商品推荐方法，其特征在于，所述历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行为数据、以及用户对商品的行为数据和相关的场景标识。

5.根据权利要求2所述的商品推荐方法，其特征在于，所述根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合，包括：

针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述商品属性值组合感兴趣的概率；

选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

6.根据权利要求2-5任一所述的商品推荐方法，其特征在于，所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，采用如下方式实现：

采用所述商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。

7.根据权利要求6所述的商品推荐方法，其特征在于，所述商品属性值预测模型采用如下方式生成：

采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率；

所述用户对特定商品属性值组合感兴趣是指，用户对符合所述商品属性值组合的商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。

8.根据权利要求7所述的商品推荐方法，其特征在于，所述商品偏好预测模型采用如下方式生成：

采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率；

所述用户对特定商品感兴趣是指，用户对所述商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。

9.根据权利要求7-8任一所述的商品推荐方法，其特征在于，生成所述商品属性值预测模型和生成所述商品偏好预测模型的过程还分别包括对已建立的预测模型进行验证的过程，所述验证过程包括：

采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值；

判断所述指标值是否大于预先设定的验证阈值；

若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的数据、重新建立相应的预测模型。

10.根据权利要求9所述的商品推荐方法，其特征在于，所述指标包括：AUC指标或交易覆盖率指标。

11.一种商品推荐装置，其特征在于，包括：

历史行为数据获取单元，用于获取用户浏览商品的历史行为数据；

商品属性值组合获取单元，用于根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；

商品推荐单元，用于获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户；

所述商品推荐单元包括：

商品集合获取子单元，用于获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合；

商品推荐执行子单元，用于将所述商品集合中的商品中之至少一部分推荐给所述当前用户。

12.根据权利要求11所述的商品推荐装置，其特征在于，所述商品推荐单元还包括：

感兴趣商品概率计算子单元，用于针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述商品感兴趣的概率；

新商品集合获取子单元，用于按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新的商品集合；

相应的，所述商品推荐执行子单元具体用于，将所述新的商品集合中的商品中至少一部分推荐给所述当前用户。

13.根据权利要求12所述的商品推荐装置，其特征在于，所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的用户信息包括：用户标识、性别、年龄、收入水平、和住址；

所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的商品属性包括：所属类目、价格区间、风格、和材料。

14.根据权利要求12所述的商品推荐装置，其特征在于，所述商品属性值组合获取单元和所述感兴趣商品概率计算子单元所使用的历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行为数据、以及用户对商品的行为数据和相关的场景标识。

15.根据权利要求12所述的商品推荐装置，其特征在于，所述商品属性值组合获取单元包括：

属性值组合概率计算子单元，用于针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述商品属性值组合感兴趣的概率；

属性值组合获取子单元，用于选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣的商品属性值组合。

16.根据权利要求12-15任一所述的商品推荐装置，其特征在于，所述商品集合获取子单元具体用于，采用所述当前用户目前感兴趣的商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。

17.根据权利要求16所述的商品推荐装置，其特征在于，包括：

商品属性值预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率。

18.根据权利要求17所述的商品推荐装置，其特征在于，包括：

商品偏好预测模型生成单元，用于采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户的浏览行为预测用户对特定商品感兴趣的概率。

19.根据权利要求17-18任一所述的商品推荐装置，其特征在于，所述商品属性值预测模型生成单元和所述商品偏好预测模型生成单元除了分别包括用于建立相应预测模型的本体子单元以外，还分别包括相应的用于对已建立的预测模型进行验证的验证子单元，所述相应的验证子单元包括：

指标计算子单元，用于采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值；

指标判断子单元，用于判断所述指标值是否大于预先设定的验证阈值；若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的数据、重新建立相应的预测模型。

20.根据权利要求19所述的商品推荐装置，其特征在于，所述指标计算子单元和所述指标判断子单元所采用的指标包括：AUC指标或交易覆盖率指标。