CN105809479A

CN105809479A - 物品推荐方法及装置

Info

Publication number: CN105809479A
Application number: CN201610127208.9A
Authority: CN
Inventors: 顾健; 万艾学
Original assignee: Hisense Group Co Ltd
Current assignee: Hisense Group Co Ltd
Priority date: 2016-03-07
Filing date: 2016-03-07
Publication date: 2016-07-27

Abstract

本发明实施例提供一种物品推荐方法及装置，该方法包括：根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群；获取所述目标用户的历史购买物品与所述目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度；根据所述物品相似度，确定所述目标用户的目标推荐物品。提高了物品相似度的可靠性，进而再根据物品相似度向目标用户推荐物品，也就提高了向用户推荐物品的准确性，推荐的物品更贴近用户的需求，提高用户体验。而且，先确定目标用户所属的兴趣集群，再根据兴趣集群中的数据进行物品推荐，无需像现有技术一样针对所有的物品数据进行物品相似度的分析计算，大大的减小了运算量。

Description

物品推荐方法及装置

技术领域

本发明涉及互联网技术，尤其涉及一种物品推荐方法及装置。

背景技术

随着互联网的普及，用户生活中很多事情都可以在互联网上进行。较为常见的就是用户可以在网上选购一些物品、资讯等，包括：在购物网站购买实体或虚拟的物品，或者选择互联网上的各类资讯等，例如选择阅读的新闻类型、在智能设备上选择各类服务等，像通过智能电视选择喜欢的电视节目。由于当前互联网上的物品、资讯多种多样，用户要花费许多时间去寻找自己需要的内容，为了节省用户的时间，各互联网平台都积极向用户推荐一些符合用户喜好的内容。

现有技术中，向用户推荐内容时，主要采用的是基于物品的推荐方法，具体地，计算物品的相似度，根据物品的相似度和用户历史行为生成对应用户的推荐列表。其中，现有技术计算物品的相似度时，假定如果两个物品在多个用户的购买列表中，那么这两个物品就属于同一领域。

但是，对于多个用户来说，他们的兴趣并不一定相同，采用现有技术向用户发送的推荐列表中所推荐的物品可能无法满足用户的实际兴趣需要。

发明内容

本发明提供一种物品推荐方法及装置，用于解决现有的推荐方法无法满足用户的实际兴趣需要的问题。

本发明第一方面提供一种物品推荐方法，包括：

根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群；

获取所述目标用户的历史购买物品与所述目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度；

根据所述物品相似度，确定所述目标用户的目标推荐物品。

本发明第二方面提供一种物品推荐装置，包括：

确定模块，用于根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群；

第一获取模块，用于获取所述目标用户的历史购买物品与所述目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度；

推荐模块，用于根据所述物品相似度，确定所述目标用户的目标推荐物品。

本发明实施例提供的物品推荐方法及装置中，根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群，获取上述目标用户的历史购买物品与该目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度，根据上述物品相似度，确定该目标用户的目标推荐物品，即先确定目标用户所属的兴趣集群，然后在所属的兴趣集群中目标用户的历史购买物品与该兴趣集群中其它用户购买物品的物品相似度，提高了物品相似度的可靠性，进而再根据物品相似度向目标用户推荐物品，也就提高了向用户推荐物品的准确性，推荐的物品更贴近用户的需求，提高用户体验。而且，先确定目标用户所属的兴趣集群，再根据兴趣集群中的数据进行物品推荐，无需像现有技术一样针对所有的物品数据进行物品相似度的分析计算，大大的减小了运算量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的物品推荐方法实施例一的流程示意图；

图2为本发明提供的物品推荐方法实施例二的流程示意图；

图3为本发明提供的物品推荐方法实施例三的流程示意图；

图4为本发明提供的物品推荐方法中用户网络结构示意图；

图5为本发明提供的物品推荐装置实施例一的结构示意图；

图6为本发明提供的物品推荐装置实施例二的结构示意图；

图7为本发明提供的物品推荐装置实施例三的结构示意图。

具体实施方式

本发明实施例中所说的物品可以是实体或虚拟的物品。

图1为本发明提供的物品推荐方法实施例一的流程示意图，该方法的执行主体可以是后台为用户推荐物品的服务器。如图1所示，该方法包括：

S101、根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群。

即本实施例中，先根据用户的购买兴趣划分集群。例如某些用户喜欢买化妆品、某些用户喜欢买体育用品，他们可以划分到不同的集群，说明一个集群中用户的购买兴趣相近，这样后续根据集群中的用户再进一步考虑物品的推荐准确度会更高。

具体地，可以计算两个用户之间的兴趣相似度，将兴趣相似度满足预设阈值的用户划分到同一个兴趣集群。其中，一个用户可以同时属于多个兴趣集群。

S102、获取上述目标用户的历史购买物品与该目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度。

其中，获取物品相似度的方法很多，假设目标用户购买过物品i，其他用户购买过商品j，示例的，可以采用公式计算上述兴趣集群中物品i和物品j之间的相似度w_ij。其中，N(i)表示上述兴趣集群中历史购买过物品i的用户集合，N(j)表示上述兴趣集群中历史购买过物品j的用户集合。

需要说明的是，有的热门物品可能很多用户都会购买，但并不能代表用户对这个热门物品感兴趣，为了避免热门物品对上述相似度准确性的影响，还可以较优选地选用公式计算上述兴趣集群中物品i和物品j之间的相似度w_ij。

其中，假设物品j是热门物品，那么N(i)有可能是N(j)的子集，或者N(i)中的大多数用户都可以在N(j)中找到，如果采用公式那么对其他不如物品j热门的物品而言，物品j与它们的相似度都较高，这样就不利于发现真正和物品i相似的物品，因为它们未必能得到更高的相似度。相反，如果采用公式那么物品j越热门，分母也就越大，如果有一个真正和物品i相似的物品g，利用公式的话，可能分子上|N(i)|和|N(g)|的值相差不大，都近似相当于|N(i)|，由于物品j更热门，小于w_ij就小于w_ig，也就可以判断出物品g与物品i的相似度更高。这样更符合实际情况，因为买物品i的用户也购买了物品j，并非是出于对物品j的兴趣，更可能因为物品j本身就有购买的必要性，而物品g不是热门物品却能被很多买物品i的人购买，有更大可能性是因为物品i和物品g都能满足这部分人的兴趣。

S103、根据上述物品相似度，确定该目标用户的目标推荐物品。

具体地，可以根据上述物品相似度，将与目标用户的历史购买物品相似度较高的物品推荐给用户，在此不作限制。实现时，可以生成物品推荐列表发送给目标用户。

本实施例中，根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群，获取上述目标用户的历史购买物品与该目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度，根据上述物品相似度，确定该目标用户的目标推荐物品，即先确定目标用户所属的兴趣集群，然后在所属的兴趣集群中目标用户的历史购买物品与该兴趣集群中其它用户购买物品的物品相似度，提高了物品相似度的可靠性，进而再根据物品相似度向目标用户推荐物品，也就提高了向用户推荐物品的准确性，推荐的物品更贴近用户的需求，提高用户体验。而且，先确定目标用户所属的兴趣集群，再根据兴趣集群中的数据进行物品推荐，无需像现有技术一样针对所有的物品数据进行物品相似度的分析计算，大大的减小了运算量。

进一步地，上述根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群，可以是计算目标用户与其它用户之间的兴趣相似度，根据该目标用户与其它用户之间的兴趣相似度确定该目标用户所属的兴趣集群。

具体地，计算用户之间兴趣相似度的方法很多，假设给定用户u和用户v，令N(u)表示用户u的历史购买物品的集合、N(v)表示用户v的历史购买物品的集合，至少可以采用如下几种方法中的一种计算用户u和用户v的兴趣相似度：

(1)采用公式计算用户u和用户v的兴趣相似度w_uv；

(2)采用余弦相似度计算方法，即采用公式计算用户u和用户v的兴趣相似度w_uv；

(3)为了避免热门物品对兴趣相似度的影响，可以采用公式计算用户u和用户v的兴趣相似度w_uv，其中，|N(h)|表示用户u和用户v历史购买物品的交集，h为用户u和用户v历史购买物品的交集中的某个物品h，用于减轻用户所在兴趣集群中热门物品对兴趣相似度的影响。

当然，并不以上述计算方法为限，只要可以表达用户之间的兴趣相似度即可。

一种可选的方案中，将上述兴趣相似度大于第一预设阈值的对应用户与上述目标用户划分到同一兴趣集群。即将目标用户与其它用户一起划分兴趣集群。

另一种可选方案中，其它用户已经划分好了兴趣集群，需要为目标用户确定一个兴趣集群，那么可以获取目标用户与其它用户直接的兴趣相似度，若目标用户与其它用户中的第一用户兴趣相似度大于第二预设阈值，则确实该目标用户属于第一用户所在的兴趣集群。

相应地，在确定目标用户所属的兴趣集群之前还需要构建至少一个兴趣集群。

可选地，构建至少一个兴趣集群，具体为：获取用户之间的兴趣相似度，根据用户之间的相似度，将满足预设条件的用户划分到同一兴趣集群。

例如，可以将兴趣相似度大于一定预设阈值的用户划分到同一兴趣集群，在此不作限定。

进一步地，上述根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群之前，还可以根据其它用户的购买参数，获取上述其它用户的购买活跃度；根据其它用户的购买活跃度的排序，确定该购买活跃度从高至低的第一预设个数用户、以及购买活跃度从低至高的第二预设个数用户为待排除用户。

相应地，上述计算目标用户与其它用户之间的兴趣相似度，可以为：计算目标用户与其它用户中排除上述待排除用户以外的每个用户之前的兴趣相似度。

可选地，上述购买参数可以为：历史购买次数、历史购买总量、历史购买物品类型数等中的一个或任意组合，在此不作限制。

在确定用户所属的兴趣集群时，特别活跃的用户、以及特别不活跃的用户都可能影响划分兴趣集群的准确性，因此在划分兴趣集群之前就将这部分用户直接排除在外，这部分特别活跃的用户、以及特别不活跃的用户可以不出现在任一兴趣集群，也可以独立成兴趣集群，在此不作限制。

举例说明，根据购买参数获取了每个用户的的活跃度后，可以按照活跃度给这些用户排序，将活跃度最高的部分用户、以及活跃度最低的部分用户排除，例如，将所有用户中活跃度最高的10％用户、以及活跃度最低的10％用户排除。但不以此为限。

图2为本发明提供的物品推荐方法实施例二的流程示意图，在上述实施例的基础上，上述根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群，可以包括：

S201、计算上述目标用户与其它用户中除上述待排除用户以外的每个用户之间的兴趣相似度。

S202、将兴趣相似度大于第一预设阈值的对应用户与上述目标用户划分到同一兴趣集群。

或者S202还可以替换为：若目标用户与其它用户中的第一用户兴趣相似度大于第二预设阈值，则确实该目标用户属于第一用户所在的兴趣集群。

具体实现过程中，假设有n个用户，n为大于0的整数，可以得到n×n的物品相似度矩阵，矩阵的每个节点表示一个相似度值。

进一步地，在兴趣集群划分完成后，每个兴趣集群都可以有一个物品相似度矩阵，为了更为准确的推荐物品，可以将每个兴趣集群的物品相似度矩阵进行归一化处理，假设有t个兴趣集群，以其中一个兴趣集群b为例，按照最大值进行归一化处理，可以采用公式：计算兴趣集群b归一化处理后的物品相似度矩阵，其中，w_ij表示兴趣集群b中物品i和物品j当前的物品相似度，w′_ij表示兴趣集群b中物品i和物品j归一化后的物品相似度，max(w_ij)_t为t个兴趣集群中物品i和物品j之间相似度的最大值。

图3为本发明提供的物品推荐方法实施例三的流程示意图。图4为本发明提供的物品推荐方法中用户网络结构示意图。

上述根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群之前，还可以周期性地获取上述目标用户的历史购买物品。相应地，也可以周期性地获取其它用户的历史购买物品。

实际生活中，用户随时有可能购买新的物品，为了保证物品推荐的准确性，可以尽可能短时间的就获取一次上述目标用户的历史购买物品、以及其他用户的历史购买物品。随着历史购买物品的更新，兴趣集群也可能发生变化。

相应地，上述根据目标用户的历史购买物品，确定该目标用户所属的兴趣集群，具体可以是：根据目标用户的历史购买物品，周期性地更新确定上述目标用户所属的兴趣集群。

可选地，更新该目标用户所属的兴趣集群的周期可以比获取上述目标用户的历史购买物品的周期长。

如图3所示，该具体划分兴趣集群的方法可以包括：

S301、初始化所有用户，每个用户各自成一个兴趣集群。

即最开始的时候，每个兴趣集群内都只有一个用户，每个用户都是一个独立的兴趣集群。

可选地，这里的所有用户可以是去除了上述待排除用户之后的用户。

S302、分别计算每个用户如果划分到其它每个兴趣集群所获得的增益值。

具体地，可以计算每个用户划分到其它每个兴趣集群的增益，也可以只选择计算每个用户划分到与自己兴趣相似度高的兴趣集群的增益。

如图4所示，在图4所示的整个网络中包括10个用户(每个圈表示一个用户)，两个用户之前兴趣相似度大于某预设阈值的话就进行连线，否则不连线，存在连线关系的用户可以作为相邻用户，即说明相似度高，连线的权重表示两个用户的相似度。计算增益时，可以先计算将用户与存在连线的用户划分到一个兴趣集群所得到的增益。

S303、如果增益值大于预设阈值，则将对应的用户划分到相应的兴趣集群，如果上述增益值小于或等于预设阈值，则对应的用户仍属于当前所在的兴趣集群。

具体地，可以采用公式：

计算增益值ΔQ，其中，∑in表示用户当前所在兴趣集群中的用户之间相似度之和(即所在兴趣集群内两两用户之间相似度之和)，∑tot表示用户当前所在兴趣集群中所有用户分别与其它兴趣集群中用户的相似度之和(即本兴趣集群中用户与其它集群中用户两两之间的相似度之和)，k_u表示用户u与所有其它用户的相似度的加和，k_u,in表示用户u与当前所在兴趣集群内其它之间相似度之和，m表示所有用户中用户之间相似度之和。

需要说明的是，上述Q可以表示兴趣集群的质量评价，其中，u和v分别指代用户u和用户v，A_u,v表示用户u和用户v之间的兴趣相似度，k_u表示用户u与所有其它用户的兴趣相似度的加和，k_v表示用户v与所有其它用户的兴趣相似度的加和，m表示所有用户中用户之间相似度之和。其中，c_u表示用户u当前归属的兴趣集群，c_v表示用户v当前归属的兴趣集群。为了简化计算，可以将该Q的计算公式简化为该简化后的公式中省略了判断两个用户是否属于同一兴趣集群的δ函数。

上述u和v具体可以是用户的编号，u和v可以为正整数。

循环执行S302-S303，直到兴趣集群不再发生变换，执行S304。

S304、得到更新的兴趣集群。采用新的兴趣集群返回执行S302-S304，直到计算出的上述增益值为最大值。

上述这种兴趣集群的划分类似于聚类，通过计算增益将用户划分的过程中可能会将原有的兴趣集群进行合并，从而得到的兴趣集群增益值更大，直到得到大于0的最大增益值。

需要说明的是，由于用户的兴趣发生变化的可能性不大，执行上述方法的过程中可以重点关注活跃度从低至高的第二预设个数用户，这些用户可能会变得活跃起来，进而可以进入上述兴趣集群。

另外，上述购买活跃度从高至低的第一预设个数用户以及购买活跃度从低至高的第二预设个数用户可以成为独立的两个兴趣集群，并依据前述方法实施例获取目标推荐物品。

进一步地，上述根据物品相似度，确定目标用户的目标推荐物品，具体可以是：根据上述物品相似度，确定目标用户的待推荐物品，进而计算目标用户对该待推荐物品的兴趣度，根据目标用户对该待推荐物品的兴趣度，确定是否将该待推荐物品作为目标推荐物品。

即可以先根据物品相似度，将与目标用户历史购买物品的物品相似度高的物品作为待推荐物品，再进一步确定用户对待推荐物品的兴趣度，以最终确定是不是推荐这个物品。

可选地，上述根据目标用户对该待推荐物品的兴趣度，确定是否将该待推荐物品作为目标推荐物品，可以是判断上述目标用户对上述待推荐物品的兴趣度是否满足第三预设阈值，若满足则将该待推荐物品作为目标推荐物品。

确定用户对物品的兴趣度有很多方法，例如用户购买同类物品的频次等信息。

可选地，可以根据目标用户对所述目标用户的历史购买物品的兴趣度、以及目标用户的历史购买物品与待推荐物品之间的物品相似度，计算上述目标用户对上述待推荐物品的兴趣度。

举例说明，假设目标用户u购买过物品i，物品i与物品j的相似度满足预设阈值，将物品j作为待推荐物品，那么可以采用公式p_uj＝∑_i∈N(u)w_jir_ui计算目标用户对物品j的兴趣度p_uj，其中，N(u)表示目标用户u历史购买物品的集合，w_ji表示物品i和物品j之间的物品相似度，r_ui表示目标用户对物品i的兴趣度。即根据用户u购买过的物品进行分析。

进一步地，为了降低计算量，还可以先确定和物品j最相似的k个物品，并求用户u购买过的物品与这k个物品的交集，然后再进一步分析目标用户对物品j的兴趣度p_uj，举例说明，假设目标用户u购买过物品i，物品i与物品j的相似度满足预设阈值，将物品j作为待推荐物品，那么可以采用公式p_uj＝Σ_{i∈N(u)∩S(j,k)}w_jir_ui计算目标用户对物品j的兴趣度p_uj，其中，N(u)表示目标用户u历史购买物品的集合，S(j,k)表示和物品j最相似的k个物品的集合(即选取和物品j之间物品的相似度最大的k个物品)，w_ji表示物品i和物品j之间的相似度，r_ui表示目标用户对物品i的兴趣度。

当然，并不以上述计算方法为限。

需要说明的是，目标用户对物品i的兴趣度可以根据目标用户的历史购买行为确定，但不以此为限。举例说明，像体育用品这类物品，可能大多数用户都会购买，需要满足一定的条件才能说明用户兴趣度高，例如目标用户购买乒乓球的次数大于一定的阈值，目标用户对乒乓球感兴趣；而对于某些冷门物品，像某个动漫的手办，只要用户购买过，就可以说明用户对这个动漫的手办感兴趣。量化时，可以用0、1来表示感兴趣或不感兴趣，例如r_ui为0表示目标用户对物品i没有兴趣，r_ui为1表示目标用户对物品i感兴趣；也可以更加细分，例如采用整数1-5表示兴趣的5个级别，1表示没有兴趣，5表示兴趣最大，根据用户的购买频率、数量等购买行为参数确定用户对某个物品的兴趣度。

也可以将待推荐物品中，目标用户兴趣度最高的预设个数物品记录在推荐列表中，一起推荐给目标用户。

以A-G这7个用户和一些常见物品为例，表1为这7个用户的历史购买物品(黑点标识购买过该行对应的物品)，

表1

如果采用现有技术，当两个物品同时出现在多个用户的购买列表中，就会认为这两个物品相似，参照表1，运动手环和婴儿床都出现在C、D、E的购买列表中，那么按照现有技术就会认为运动手环和婴儿床是相似物品，那么当F也购买力运动手环后，就可能会向F和G推荐婴儿床，但显然这个推荐并不是F和G的兴趣所在。

采用本发明实施例提供的方法，先将A-G划分到不同的兴趣集群，具体地，从表1可以看出，C、D、E购买物品的重合度较高(C和D有3个相同物品，C和E有4个相同物品)，说明兴趣更为接近，于是将C、D、E划分到一个兴趣集群；同样，可以看出A、B、F、G购买物品的重合度较高(A和B、G均有3个相同物品，F和G有3个相同物品)，说明兴趣更为接近，于是将A、B、F、G划分到一个兴趣集群。最终划分结果可以参照表2，表2中有2个兴趣集群(黑点表示该用户所属的兴趣集群)。

表2

	兴趣集群1	兴趣集群2
			A	●
B	●
			C		●
D		●
			E		●
F	●
			G	●

进而再采用本发明实施例的推荐方法，在每个兴趣集群中分析物品之间的物品相似度，进而决定向用户推荐的物品。A、B、F、G这个兴趣群体中，足球和啤酒都在A、B、F的购买列表中，说明足球和啤酒的物品相似度较高，而G购买了啤酒，因而会向G推荐足球；同理，运动鞋和啤酒都出现在F和G的购买列表中，说明运动鞋和啤酒的物品相似度较高，而A购买过啤酒，向A推荐运动鞋。而不会像现有技术那样给G推荐婴儿床。

再以A-G这7个用户和一些常见物品为例，表3为这7个用户的历史购买物品(黑点标识购买过该行对应的物品，括号里的数字表示的是对应物品的购买次数)。

表3

可见，C和D有4个相同物品，C和E也有4个相同物品，可以将C、D、E划分到一个兴趣集群；A和B有3个相同物品，A和F有3个相同产，A和G有3个相同物品，A和C有3个相同物品，因此，A、B、C、F、G划分到一个兴趣集群，具体划分结果如表4所示。

表4

	兴趣集群1	兴趣集群2
			A	●
B	●
			C	●	●
D		●
			E		●
F	●
			G	●

进而再采用本发明实施例的推荐方法，在每个兴趣集群中分析物品之间的物品相似度，进而决定向用户推荐的物品。A、B、C、F、G这个兴趣集群中，足球和运动鞋同时出现在A、B、F等3个用户的购买列表中，足球和尿布出现在A和C两个用户的购买列表中，足球和啤酒出现在A、C、G等3个用户的购买列表中，可见足球和运动鞋、足球和啤酒的物品相似度大于足球和尿布的物品相似度，进而可能向B推荐啤酒，向G推荐运动鞋，而不会向B和G推荐尿布。

另外，如果引入兴趣度的话，参见表3中的B(括号中表示历史购买次数，假设以历史购买次数评定兴趣度)，B历史购买过足球、运动鞋和运动手环，A、B、C、F、G这个兴趣集群中，除去已购买过的运动鞋和运动手环，足球和啤酒出现在A、G等2个用户的购买列表中，足球和婴儿床、奶粉、尿布都只同时出现在1个用户的购买列表中，说明足球和啤酒的物品相似度较高，根据购买过的足球，可以将啤酒作为待推荐物品；除去已购买过的足球和运动手环，运动鞋和啤酒出现在A用户的购买列表中，运动鞋和尿布出现在A用户的购买列表中，而运动鞋和其它购买物品没有同时出现在同一用户的购买列表中，于是根据购买过的运动鞋可以将啤酒和尿布作为待推荐物品；除去已购买过的足球和运动鞋，运动手环和啤酒出现在A、B、F等3个用户的购买列表中，运动手环和尿布出现在A和C两个用户的购买列表中，运动手环和婴儿床、奶粉、只同时出现在1个用户的购买列表中，可以将啤酒和尿布作为待推荐物品。进而参见表3，B历史购买过足球4次，购买运动鞋和运动手环各1次，说明B对足球的兴趣度更高，因而最终将根据足球获取的待推荐物品作为最终的推荐物品推荐给B，即将啤酒推荐给B。

当然，并不以上述示例为限，具体的推荐可以参照前述方法实施例执行。

图5为本发明提供的物品推荐装置实施例一的结构示意图，该装置可以集成于物品推荐平台的后台服务器等，具体地，如图5所示，该装置包括：确定模块501、第一获取模块502和推荐模块503，其中：

确定模块501，用于根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群。

第一获取模块502，用于获取所述目标用户的历史购买物品与所述目标用户所属兴趣集群中其它用户的历史购买物品之间的物品相似度。

推荐模块503，用于根据所述物品相似度，确定所述目标用户的目标推荐物品。

可选地，确定模块501，具体用于计算所述目标用户与其它用户之间的兴趣相似度；根据所述目标用户与其它用户之间的兴趣相似度，确定所述目标用户所属的兴趣集群。

可选地，确定模块501可以将所述兴趣相似度大于第一预设阈值的对应用户与所述目标用户划分到同一兴趣集群。

另一实施方式中，还可以包括构建模块。

具体地，确定模块501可以在所述目标用户与所述其它用户中的第一用户的兴趣相似度大于第二预设阈值时，确定所述目标用户属于所述第一用户所在的兴趣集群。

在此之前，构建模块，用于构建至少一个兴趣集群。

可选地，构建模块，获取用户之间的兴趣相似度；根据所述用户之间的兴趣相似度，将满足预设条件的用户划分到同一兴趣集群。

图6为本发明提供的物品推荐装置实施例二的结构示意图，如图6所示，在图5的基础上，该装置还可以包括：第二获取模块601和排除模块602，其中：

第二获取模块601，用于根据其它用户的购买参数，获取所述其它用户的购买活跃度。

排除模块602，用于根据所述其它用户的购买活跃度的排序，确定所述购买活跃度从高至低的第一预设个数用户、以及所述购买活跃度从低至高的第二预设个数用户为待排除用户。

相应地，上述确定模块501用于计算所述目标用户与其它用户之间的兴趣相似度，具体为：计算所述目标用户与所述其他用户中除所述待排除用户以外的每个用户之间的兴趣相似度。

进一步地，上述确定模块501还可以用于在根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群之前，周期性地获取所述目标用户的历史购买物品。

相应地，确定模块501根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群，具体为：根据所述目标用户的历史购买物品，周期性地更新确定所述目标用户所属的兴趣集群。

图7为本发明提供的物品推荐装置实施例三的结构示意图，如图7所示，上述推荐模块503，可以包括：确定单元701、计算单元702以及推荐单元703，其中：

确定单元701，用于根据所述物品相似度，确定所述目标用户的待推荐物品。

计算单元702，用于计算所述目标用户对所述待推荐物品的兴趣度。

可选地，计算单元702，用于根据所述目标用户对所述目标用户的历史购买物品的兴趣度、以及所述目标用户的历史购买物品与所述待推荐物品之间的物品相似度，计算所述目标用户对所述待推荐物品的兴趣度；

推荐单元703，用于根据所述目标用户对所述待推荐物品的兴趣度，确定是否将所述待推荐物品作为所述目标推荐物品。

上述装置用于执行前述方法实施例，其实现原理和技术效果类似，在此不再赘述。

另一实施例中，本发明还提供一种物品推荐装置，包括：存储器和处理器，其中，存储器用于存储程序指令，处理器用于调用存储器中的指令执行前述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，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***，或一些特征可以忽略，或不执行。另一点，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方案的目的。

另外，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干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)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-OnlyMemory，简称：ROM)、随机存取存储器(英文：RandomAccessMemory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种物品推荐方法，其特征在于，包括：

根据所述物品相似度，确定所述目标用户的目标推荐物品。

2.根据权利要求1所述的方法，其特征在于，所述根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群，包括：

计算所述目标用户与其它用户之间的兴趣相似度；

根据所述目标用户与其它用户之间的兴趣相似度，确定所述目标用户所属的兴趣集群。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标用户与其它用户之间的兴趣相似度，确定所述目标用户所属的兴趣集群，包括：

将所述兴趣相似度大于第一预设阈值的对应用户与所述目标用户划分到同一兴趣集群。

4.根据权利要求2所述的方法，其特征在于，根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群之前，还包括：

根据其它用户的历史购买参数，获取所述其它用户的购买活跃度；

根据所述其它用户的购买活跃度的排序，确定所述购买活跃度从高至低的第一预设个数用户、以及所述购买活跃度从低至高的第二预设个数用户为待排除用户；

相应地，

所述计算所述目标用户与其它用户之间的兴趣相似度，包括：

计算所述目标用户与所述其他用户中除所述待排除用户以外的每个用户之间的兴趣相似度。

5.根据权利要求2所述的方法，其特征在于，所述根据所述目标用户与其它用户之间的兴趣相似度，确定所述目标用户所属的兴趣集群，包括：

若所述目标用户与所述其它用户中的第一用户的兴趣相似度大于第二预设阈值，则确定所述目标用户属于所述第一用户所在的兴趣集群。

6.根据权利要求5所述的方法，其特征在于，所述根据所述目标用户与其它用户之间的兴趣相似度，确定所述目标用户所属的兴趣集群之前，还包括：

构建至少一个兴趣集群。

7.根据权利要求6所述的方法，其特征在于，所述构建至少一个兴趣集群，包括：

获取用户之间的兴趣相似度；

根据所述用户之间的兴趣相似度，将满足预设条件的用户划分到同一兴趣集群。

8.根据权利要求1～7任一项所述的方法，其特征在于，所述根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群之前，还包括：

周期性地获取所述目标用户的历史购买物品；

相应地，所述根据目标用户的历史购买物品，确定所述目标用户所属的兴趣集群，包括：

根据所述目标用户的历史购买物品，周期性地更新确定所述目标用户所属的兴趣集群。

9.根据权利要求1所述的方法，其特征在于，所述根据所述物品相似度，确定所述目标用户的目标推荐物品，包括：

根据所述物品相似度，确定所述目标用户的待推荐物品；

计算所述目标用户对所述待推荐物品的兴趣度；

根据所述目标用户对所述待推荐物品的兴趣度，确定是否将所述待推荐物品作为所述目标推荐物品。

10.根据权利要求9所述的方法，其特征在于，所述计算所述目标用户对所述待推荐物品的兴趣度，包括：

根据所述目标用户对所述目标用户的历史购买物品的兴趣度、以及所述目标用户的历史购买物品与所述待推荐物品之间的物品相似度，计算所述目标用户对所述待推荐物品的兴趣度。

11.根据权利要求9所述的方法，其特征在于，所述根据所述目标用户对所述待推荐物品的兴趣度，确定是否将所述待推荐物品作为所述目标推荐物品，包括：

判断所述目标用户对所述待推荐物品的兴趣度是否满足第三预设阈值，若满足，则将所述待推荐物品作为目标推荐物品。

12.一种物品推荐装置，其特征在于，包括：

13.根据权利要求12所述的装置，其特征在于，所述确定模块，具体用于计算所述目标用户与其它用户之间的兴趣相似度；

14.根据权利要求12所述的装置，其特征在于，还包括：

第二获取模块，用于根据其它用户的购买参数，获取所述其它用户的购买活跃度；

排除模块，用于根据所述其它用户的购买活跃度的排序，确定所述购买活跃度从高至低的第一预设个数用户、以及所述购买活跃度从低至高的第二预设个数用户为待排除用户；

相应地，所述确定模块用于计算所述目标用户与其它用户之间的兴趣相似度，具体为：计算所述目标用户与所述其他用户中除所述待排除用户以外的每个用户之间的兴趣相似度。

15.根据权利要求12所述的装置，其特征在于，所述推荐模块，包括：

确定单元，用于根据所述物品相似度，确定所述目标用户的待推荐物品；

计算单元，用于根据所述目标用户对所述目标用户的历史购买物品的兴趣度、以及所述目标用户的历史购买物品与所述待推荐物品之间的物品相似度，计算所述目标用户对所述待推荐物品的兴趣度；

推荐单元，用于根据所述目标用户对所述待推荐物品的兴趣度，确定是否将所述待推荐物品作为所述目标推荐物品。