CN110473040B - 一种产品推荐方法及装置，电子设备 - Google Patents

Abstract

本申请实施例公开了一种产品推荐方法，属于计算机技术领域，解决现有技术中存在的一次推荐只能推荐一个产品的问题。本申请的实施例公开的产品推荐方法包括：获取历史成单数据，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；将生成的部分或全部所述推荐项推荐给目标用户，解决了现有技术中的推荐方法对用户执行一次推荐时只能推荐一个产品的问题。本申请的实施例公开的产品推荐方法，通过根据历史成单数据生成包括多个单品的推荐项，实现了一次为用户推荐多个产品，有效提升产品推荐效率。

Description

一种产品推荐方法及装置，电子设备

技术领域

本申请涉及计算机技术领域，特别是涉及一种产品推荐方法及装置，电子设备。

背景技术

随着互联网技术的发展，为了提升网络流量和用户体验，很多网站会根据用户的信息或预设推荐策略，为用户推荐用户可能感兴趣的产品。因此，推荐算法的准确性显得尤为重要。现有技术中的推荐方法，通常是根据离线数据确定用户感兴趣的产品或产品属性值，然后，推荐用户感兴趣的产品，或与所述产品属性值匹配的产品，供用户选择下单。在对相关技术研究过程中，本申请的发明人发现，对用户执行的一次推荐通常只包括一个产品，当用户需要浏览或购买多个产品时，需要用户执行多次搜索和选择操作。

综上，现有技术中的产品推荐方法，需要用户进行二次决策，推荐效率低下。

发明内容

本申请实施例提供了一种产品推荐方法，可以实现一次向用户推荐多个产品。

第一方面，本申请实施例提供了一种产品推荐方法包括：

获取历史成单数据；

根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；

将生成的部分或全部所述推荐项推荐给目标用户。

第二方面，本申请实施例提供了一种产品推荐装置，包括：

历史成单数据获取模块，用于获取历史成单数据；

推荐项确定模块，用于根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；

推荐模块，用于将生成的部分或全部所述推荐项推荐给目标用户。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的产品推荐方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的产品推荐方法的步骤。

本申请的实施例公开的产品推荐方法，通过获取历史成单数据，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；将生成的部分或全部所述推荐项推荐给目标用户，解决了现有技术中的推荐方法对用户执行一次推荐时只能推荐一个产品的问题。本申请的实施例公开的产品推荐方法，通过根据历史成单数据生成包括多个单品的推荐项，实现了一次为用户推荐多个产品，有效提升产品推荐效率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例一的产品推荐方法流程图；

图2是本申请实施例二的产品推荐方法流程图；

图3是本申请实施例三的产品推荐装置结构示意图之一；

图4是本申请实施例三的产品推荐装置结构示意图之二。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

本实施例公开了一种产品推荐方法，如图1所示，该方法包括：步骤110至步骤130。

步骤110，获取历史成单数据。

本申请实施例中所述的历史成单数据,是推荐平台记录的当前时间以前一段时间内，推荐平台上注册用户购买所述推荐平台上的产品的订单数据。历史成单数据包括若干用户的多条订单数据，每条订单数据至少包括：下单用户的用户标识、成单时间、订单产品以及订单的商家。

具体实施时，可以通过调用推荐平台的接口获取历史成单数据。

步骤120，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成。

在本申请的实施例中，推荐项是指推荐给用户的一个产品搭配组合。一个推荐项由多个单品搭配而成。其中，单品可以为一个单独的产品，也可以为商家设定的作为一个单品的多个产品的组合(比如商家设定的包括：米饭、菜、饮料等多个产品的套餐)。

在本申请的一些实施例中，获取到的历史成单数据中，所述订单产品至少包括一个单品，通常所述订单产品包括多个单品。每个订单对应一个商家，即每个订单只属于一个商家。所述历史成单数据中的每一条订单数据中的订单产品都可以构成一个产品组合，即一个推荐项，通过对每一条订单数据进行解析和处理，可以得到若干推荐项。由于订单产品可以包括一个或多个单品，因此，一个推荐项由多个单品搭配而成。具体实施时，根据推荐业务需求，可以将全部推荐项作为目标用户的推荐项，也可以根据所述目标用户的偏好信息，选择部分所述目标用户可能感兴趣的推荐项，作为所述目标用户的推荐项。所述推荐项可以直接推荐给目标用户，也可以被进一步筛选，以选择与目标用户更加匹配的产品组合，推荐给所述目标用户。

步骤130，将生成的部分或全部所述推荐项推荐给目标用户。

在本申请的一些实施例中，可以将生成的全部所述推荐项推荐给目标用户，也可以将部分所述推荐项推荐给目标用户。当将部分所述推荐项推荐给目标用户时，可以计算每个推荐项的推荐指标，然后根据推荐指标选择部分所述推荐项推荐给目标用户。或者，随机选择部分所述推荐项推荐给目标用户。

至此，完成了向所述目标用户进行产品推荐。

本申请的实施例公开的产品推荐方法，通过获取历史成单数据，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；将生成的部分或全部所述推荐项推荐给目标用户，解决了现有技术中的推荐方法对用户执行一次推荐时只能推荐一个产品的问题。本申请的实施例公开的产品推荐方法，通过根据历史成单数据生成包括多个单品的推荐项，实现了一次为用户推荐多个产品，有效提升产品推荐效率。

实施例二

本实施例公开了一种产品推荐方法，如图2所示，该方法包括：步骤210至步骤240。

步骤210，获取历史成单数据。

获取历史成单数据的具体实施方式，参见实施例一，本实施例不再赘述。

步骤220，确定目标用户的关联用户。

具体实施时，所述根据目标用户和关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项之前，还包括：确定目标用户的关联用户。其中，所述关联用户包括：目标用户的相似用户和/或所述目标用户的好友。具体实施时，通过推荐平台的预设接口，可以获得所述目标用户的好友信息，如好友标识、姓名、好友的历史订单等信息。所述确定关联用户还包括：根据用户的历史行为数据，确定用户偏好特征向量；通过计算所述用户偏好特征向量之间的相似度，确定所述目标用户的相似用户；其中，所述历史行为数据包括：下单数据、浏览数据，所述用户偏好特征向量包括以下任意一项或多项：消费等级、偏好产品属性、偏好品类、偏好口味、偏好食材。

例如，根据推荐平台记录的每个注册用户最近一个月的历史成单价格，首先，确定每个注册用户最近一个月的消费均价。然后，根据每个注册用户接近一个月的消费均价，与预先设置的各消费等级对应的消费均价区间，确定每个注册用户的消费等级。

再例如，根据推荐平台记录的每个注册用户浏览或下单过的产品的产品属性，统计得到每个注册用户的偏好产品属性。根据推荐平台记录的每个注册用户浏览或下单过的产品的所述商家的品类，统计得到每个注册用户的偏好品类(例如，用户A浏览和下单的产品所属商家中，有80％的商家属于美食品类，则确定用户的偏好品类为美食)。根据推荐平台记录的每个注册用户浏览或下单过的产品的食材属性，统计得到每个注册用户的偏好食材。根据推荐平台记录的每个注册用户浏览或下单过的产品的口味，统计得到每个注册用户的偏好口味。

通过对推荐平台记录的用户历史行为数据进行分析，可以确定每个注册用户的用户偏好特征向量，然后，通过计算所述用户偏好特征向量之间的相似度，确定所述目标用户的相似用户。例如，通过分别计算其他用户的用户偏好特征向量与所述目标用户的用户偏好特征向量之间的余弦距离，确定每个用户与所述目标用户的相似度得分，然后选择与所述目标用户的相似度得分最高的K个用户，作为所述目标用户的相似用户。

至此，完成了所述目标用户的关联用户(即相似用户和好友)的确定过程。

步骤230，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成。

在本申请的一些实施例中，所述根据所述历史成单数据，生成至少一个推荐项，包括：根据目标用户和/或关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项；其中，所述关联用户包括：所述目标用户的相似用户和/或所述目标用户的好友。在本申请的一些实施例中，用于搭配生成推荐项的所述单品包括菜品。

所述历史成单数据中的每一条订单数据都对应一个推荐项，通过对每一条订单数据进行解析和处理，可以得到若干推荐项。例如，用户A曾经在商家1成交了一笔订单，该订单包中括：产品a、产品b和产品c，则将产品a、产品b和产品c视为一个产品组合，该产品组合属于商家1，该产拼组合可以作为一个推荐项。在本申请的一些实施例中，可以根据所述目标用户的历史成单数据中的产品组合，确定目标用户的推荐项；在申请的另一些实施例中，还可以根据所述目标用户的关联用户的历史成单数据中的产品组合，确定目标用户的推荐项。在本申请的其他实施例中，还可以根据所述目标用户的历史成单数据中的产品组合，以及，所述目标用户的关联用户的历史成单数据中的产品组合，确定目标用户的推荐项，以提升推荐项的丰富程度和与所述目标用户的相关度。

本申请具体实施时，可以根据每个注册用户的历史成单数据，预先构建每个用户的历史成单产品组合，然后，在需要进行推荐的时候，进一步所述目标用户的相似用户和/或所述目标用户的好友的历史成单产品组合，组合为关联用户的历史成单产品组合；最后，再将所述目标用户的历史成单产品组合和所述关联用户的历史成单产品组合，进行汇总，对于重复的历史成单产品组合，仅保留一份，最终生成所述目标用户的推荐项。也可以在确定了目标用户和关联用户之后，进一步确定所述目标用户的历史成单产品组合和所述关联用户的历史成单产品组合和和所述关联用户的历史成单产品组合，进行汇总，对于重复的历史成单产品组合，仅保留一份，最终生成所述目标用户的推荐项。

具体实施时，所述根据目标用户和/或关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项，包括：根据预设订单因素对目标用户的历史成单数据中的产品组合进行筛选，确定所述目标用户的历史成单产品组合；和/或，根据预设订单因素对关联用户的历史成单数据中的产品组合进行筛选，确定所述关联用户的历史成单产品组合；将所述目标用户的历史成单产品组合和/或所述关联用户的历史成单产品组合进行汇总，得到所述目标用户的推荐项；其中，所述预设订单因素包括：产品组合金额和/或成单时间。通过根据产品组合金额对产品组合进行筛选，使得为目标用户推荐的产品组合更加符合目标用户的消费习惯，可以提升推荐准确性。通过对近期产品组合赋予较大权重，优先保留，使得为目标用户推荐的产品组合更加符合目标用户当前的产品偏好，可以进一步提升推荐准确性。

优先的，为了提升推荐的产品组合的准确性，在本申请的一些实施例中，根据产品组合金额成单时间对目标用户关联用户的历史成单数据中的产品组合进行筛选，选择历史成单数据中满足预设条件的产品组合，构成目标用户的推荐项。例如，预先定义与产品组合金额匹配的产品组合金额权重因子，以及定义时间衰减因子，使得产品组合金额越高产品组合金额权重因子取值越大，成单时间越早时间衰减因子权重因子取值越小；然后，对于目标用户的历史成单数据中的每个产品组合分别确定每个所述产品组合对应的产品组合金额权重因子取值和时间衰减因子权重因子取值；之后，将每个所述产品组合对应的产品组合金额权重因子取值和时间衰减因子权重因子取值相乘，得到每个所述产品组合对应的权重得分；最后，取权重得分最高的预设数量产品组合或者取权重得分大于预设权重得分阈值的产品组合，作为所述目标用户的历史成单产品组合。

对于关联用户的历史成单数据中的每个产品组合按照同样方法计算权重得分，最后取权重得分最高的预设数量产品组合或者取权重得分大于预设权重得分阈值的产品组合，作为关联用户的历史成单产品组合。

步骤240，将生成的部分或全部所述推荐项推荐给目标用户。

在确定了目标用户的推荐项之后，进一步根据所述目标用户的偏好信息，确定每个所述推荐项的推荐指标。本申请具体实施时，从用户与商家的关联、用户与产品的关联两个维度的用户偏好信息，确定每个所述推荐项的推荐指标。

在本申请的一些实施例中，将生成的部分或全部所述推荐项推荐给目标用户，包括：确定所述目标用户对所述推荐项所属商家的偏好得分，作为所述目标用户对相应推荐项的用户商家偏好得分；和/或，确定所述推荐项与所述目标用户偏好的产品的相似度得分，作为相应推荐项的用户产品组合偏好得分；根据所述用户商家偏好得分和/或所述用户产品组合偏好得分，确定相应推荐项的推荐指标；根据所述推荐指标，确定推荐给所述目标用户的所述推荐项。在本申请的一些实施例中，所述推荐指标可以为排序得分。进一步的，所述确定所述目标用户对所述推荐项所属商家的偏好得分，包括：将所述目标用户发生预设行为的商家和所述关联用户的历史成单产品组合所属商家，作为待比较商家；根据所述待比较商家的用户向量，确定所述待比较商家的两两相似度；根据所述待比较商家的两两相似度，构建商家相似度矩阵；根据所述目标用户对所述待比较商家的预设历史行为，确定所述目标用户对所述待比较商家的用户行为矩阵；将用户行为矩阵和所述商家相似度矩阵相乘，得到所述目标用户对商家的偏好得分矩阵；根据所述偏好得分矩阵，确定所述目标用户对所述推荐项所属商家的偏好得分。

例如，根据用户历史行为数据，确定所述目标用户发生预设行为的所有商家(如记为poi)，以及，关联用户的历史成单产品组合所属的所有商家(如记为relate_poi)，并将所述目标用户发生预设行为的商家poi和关联用户的历史成单产品组合所属商家relate_poi，作为待比较商家。然后，对于每个待比较商家，根据发生在该商家的用户行为，确定所述待比较商家的用户向量，具体实施时，商家的用户行为向量可以通过平台的每个用户对商家发生预设行为的次数序列表示，其中，所述预设行为包括但不限于：点击、浏览、购买中的任意一项或多项。例如，平台上有5个注册用户，为别记为用户1、用户2、用户3、用户4和用户5，只有用户1和用户2对商家1发生预设行为(如点击或浏览、或购买商家的产品),则商家1的用户向量可以表示为：vec_poi1＝[用户1,用户2,用户3,用户4,用户5]＝[vec_user1,vec_user2,0,0,0],其中，vec_user1和vec_user2对商家1发生预设行为的次数。进一步的，通过计算所述待比较商家的用户向量的距离，确定所述待比较商家的两两相似度。然后，根据所述待比较商家的两两相似度，构建商家相似度矩阵。具体实施时，构建商家相似度矩阵如下表所示：

	商家1	商家2	商家3
				商家1	5	3	2
商家2	3	5	4
				商家3	2	4	5

具体实施时，根据所述目标用户对所述待比较商家的预设历史行为，如目标用户浏览所述待比较商家和在所述待比较商家下单的次数，通过加权运算，确定所述目标用户对所述待比较商家的行为特征向量，目标用户对每个所述待比较商家的行为特征向量构成的目标用户的用户行为矩阵。例如，目标用户对商家1产生过30次浏览行为和5次购买商家1产品的行为，对商家2产生过10次浏览行为，对商家3没有产生过任何预设历史行为，则目标用户的用户行为矩阵如下表所示：

	商家1	商家2	商家3
				目标用户	20	5	0

最后，将用户行为矩阵和所述商家相似度矩阵相乘，得到所述目标用户对商家的偏好得分矩阵。所述目标用户对商家的偏好得分矩阵中的元素，表示目标用户对每个商家的偏好得分。具体实施时，将目标用户对每个商家的偏好得分，作为所述商家下的所有所述推荐项的偏好得分。

进一步的，所述确定所述推荐项与所述目标用户偏好的产品的相似度得分，包括：确定所述推荐项的产品组合特征向量；通过计算所述产品组合特征向量和预先确定的所述目标用户的偏好产品特征向量的距离，确定所述产品组合特征向量所属推荐项与所述目标用户偏好的产品的相似度得分。

具体实施时，预先根据用户的历史行为数据，确定所述目标用户的偏好产品特征向量。

所述目标用户的偏好产品特征向量通过以下方法确定：根据用户的历史行为数据，确定所述目标用户的偏好产品特征；其中，所述偏好产品特征包括：所述目标用户发生过预设行为的产品的产品标识和产品权重对应关系列表，所述产品权重根据所述目标用户对所述产品标识对应的产品的发生所述预设行为的次数加权确定；对所述每个所述产品标识进行二进制哈希编码，得到二进制哈希编码和产品权重对应关系列表；通过所述二进制哈希编码和产品权重对应关系列表中的产品权重，对相应的二进制哈希编码按位进行加权运算，得到每个所述产品标识对应的特征向量；将所述偏好产品特征中所有产品标识对应的特征向量进行累加，并对累加结果进行二值化处理，得到所述目标用户的偏好产品特征向量。

具体实施时，首先获取用户的历史行为数据，并根据用户的历史行为数据，确定所述目标用户发生过预设行为的产品，以及，对相应产品产生的行为类型和次数。然后，根据所述目标用户对每个所述产品产生的行为类型和次数加权运算，确定相应产品的产品权重，将所述产品标识和相应的产品权重的对应关系，作为目标用户偏好产品特征的一个维度特征值。所述目标用户发生过预设行为的所有产品的产品标识和产品权重对应关系列表，构成了所述目标用户的偏好产品特征。优选的，所述预设行为包括浏览和下单两种行为类型。例如，预设浏览权重为m，下单权重为n，n>m,可以根据公式：weight＝浏览次数*m+下单次数*n确定用户对某一个产品的产品权重。如果目标用户发生过预设行为的产品包括：产品a和产品b，则所述目标用户的偏好产品特征可以表示为：feature＝[产品a标识：产品a的产品权重，产品b标识：产品b的产品权重]。

然后，通过hash函数对所述每个所述产品标识进行二进制哈希编码，得到二进制哈希编码和产品权重对应关系列表。其中，二进制哈希编码是由二进制数01组成的多位字符串。

之后，将二进制哈希编码和产品权重对应关系列表中的每个产品标识的二进制哈希编码通过相应的产品权重按位进行加权运算，且若当前位哈希编码值为1时，则当前位哈希编码值与产品权值正相乘，若当前位哈希编码值为0时，则当前位哈希编码值与产品权值负相乘(即-1与权重相乘)，得到每个所述产品标识对应的特征向量。例如，对于产品标识转化得到的哈希编码“1001”，该产品权重为0.5，则产品标识的二进制哈希编码通过相应的产品权重按位进行加权运算具体为1*0.5，-1*0.5，-1*0.5，1*0.5。

最后，将所述偏好产品特征中所有产品标识对应的特征向量进行累加，得到所述目标用户的偏好产品特征向量。例如，产品a对应的特征向量为[0.5，-0.6，0.5，1]，产品b对应的特征向量为[1，-0.2，-0.7，-1]，将产品a和产品b的特征向量进行累加后，得到特征向量[1.5,-0.8,-0.2,0]；进一步的，对于累加结果进行二值化处理，如果某以维度的取值大于0则将该维度的取值设置为1，否则设置为0，从而得到所述目标用户的偏好产品特征向量。举例而言，上述[1.5,-0.8,-0.2,0]二值化后将得到[1,0,0,1]，表示为1001。

在本申请的一些实施例中，确定目标用户的偏好产品特征向量，在根据所述历史成单数据，确定目标用户的推荐项及所述推荐项的推荐指标的步骤之前执行。

然后，确定所述推荐项的产品组合特征向量。

具体实施时，确定所述推荐项的产品组合特征向量，包括：对所述推荐项中每个单品的产品标识进行二进制哈希编码，得到每个所述单品对应的二进制哈希编码；对所述推荐项中每个单品对应的所述二进制哈希编码进行按位累加，并对累加结果进行二值化处理，得到所述推荐项的产品组合特征向量。

对所述推荐项中每个单品的产品标识进行二进制哈希编码，得到每个所述单品对应的二进制哈希编码的具体方法参见对目标用户发生过预设历史行为的单品的产品标识进行二进制哈希编码，此处不再赘述。

最后，通过计算所述产品组合特征向量和所述目标用户的偏好产品特征向量的距离，确定所述产品组合特征向量所属推荐项与所述目标用户偏好的产品的相似度得分。对每个产品对应的所述二进制哈希编码进行按位累加的具体方法和对累加结果进行二值化处理的具体方法，参见本实施例中前面段落的描述，此处不再赘述。

经过上述处理，每一个推荐项都对应一个由0和1组成的字符串表示的特征向量。

进一步的，通过计算每个推荐项的特征向量与所述目标用户的偏好产品特征向量的距离，确定每个所述推荐项对应的所述用户产品组合偏好得分。例如，计算所述推荐项1的特征向量0011与所述目标用户的偏好产品特征向量1001的海明距离，将计算结果作为所述目标用户对所述推荐项1的用户产品组合偏好得分。

本申请实施例中，通过对产品和产品组合进行二进制哈希编码，并按位计算，有效降低了运算量，在保留用户偏好信息的同时，提升了推荐效率。

在本申请的一些实施例中，可以根据所述用户商家偏好得分与所述用户产品组合偏好得分的乘积，确定相应推荐项的推荐指标。例如，将所述用户商家偏好得分与所述目标用户对所述推荐项1用户产品组合偏好得分的乘积，作为推荐项1的推荐指标。按照此方法，可以计算出每个所述推荐项的推荐指标。在本申请的另一些实施例中，还可以将所述用户商家偏好得分或所述用户产品组合偏好得分，作为相应推荐项的推荐指标；或者，将所述用户商家偏好得分与所述用户产品组合偏好得分之和，作为相应推荐项的推荐指标。

在本申请的一些实施例中，可以直接根据推荐指标对所述推荐项进行排序，将推荐指标最优的预设数量的推荐指标推荐给目标用户。

在本申请的另一些实施例中，所述根据所述推荐指标，确定推荐给所述目标用户的所述推荐项，包括：根据所述目标用户的实时行为信息，调整所述推荐指标；根据调整后的所述推荐指标，确定推荐给所述目标用户的所述推荐项。其中，所述根据所述目标用户的实时行为信息，调整所述推荐指标，包括：根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的商家，作为目标商家；以及，根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的产品，作为目标产品；为属于所述目标商家的所述推荐项，配置与商家属性对应的提升权重；以及，为包含所述目标产品的所述推荐项，配置与产品属性对应的提升权重；将所述推荐项的推荐指标与为所述推荐项配置的所述提升权重累乘，得到的乘积作为所述推荐项的调整后的推荐指标。

在本申请的一些实施例中，通过推荐平台的前端，获取所述目标用户的实时行为信息。具体实施时，所述目标用户的实时行为信息可以包括：用户当前浏览或点击的商家、用户当前浏览或点击的产品等信息。根据获取的所述目标用户的实时行为信息，将所述目标用户的实时行为针对的商家，如所述目标用户当前浏览的商家或最近预设时间内浏览的商家，作为目标商家。同时，根据获取的所述目标用户的实时行为信息，将所述目标用户的实时行为针对的产品，如所述目标用户当前浏览的产品或最近预设时间内浏览的产品，作为目标产品。

然后，为属于所述目标商家的所述推荐项，配置与商家属性对应的提升权重；为包含所述目标产品的所述推荐项，配置与产品属性对应的提升权重。假设所述目标用户当前浏览了商家1和商家2，还浏览了商家1的产品a和商家2的产品f，那么，对于属于商家1和商家2的推荐项，配置与商家属性对应的提升权重p，对于包含产品a和产品f的推荐项，配置与产品属性对应的提升权重q，p和q的取值根据具体需要设置为大于1的数。

最后，将所述推荐项的推荐指标与为所述推荐项配置的所述提升权重累乘，得到的乘积作为所述推荐项的调整后的推荐指标。以商家1的推荐项1包括：产品a和产品b和产品c，推荐指标为排序得分为例，将推荐项1的排序得分用score表示，则推荐项1的调整后的排序得分＝score*p*q。以商家2的推荐项2包括：产品e和产品f为例，将推荐项2的排序得分用score表示，则推荐项2的调整后的排序得分＝score*p。如果所述推荐项不属于所述目标用户当前浏览或点击的商家，也不包括所述目标用户当前浏览或点击的产品，则为所述推荐项配置的提升权重为1，即不调整所述候选召回产品组和的排序得分。

所述推荐项中，属于用户当前浏览或点击的商家的推荐项，配置与商家属性对应的提升权重；对所述推荐项中，包括用户当前浏览或点击的产品的推荐项，配置适当的推荐指标的提升权重；最后，通过为所述推荐项配置的提升权重，对所述推荐项的推进指标进行提升处理，得到所述推荐项的调整后的推荐指标。

然后，可以选择调整后的推荐指标最高的预设数量个推荐项，作为向所述目标用户推荐的推荐项。例如，按照调整后的推荐指标由高到低的顺序，对所述推荐项从前到后进行排序，并选择排序在前的预设数量个推荐项，作为向所述目标用户推荐的推荐项。或者，选择调整后的推荐指标大于预设指标阈值的所述推荐项，作为向所述目标用户推荐的推荐项。

至此，完成了向所述目标用户进行产品推荐。

本申请实施例公开的产品推荐方法，通过根据目标用户和/或目标用户的相似用户和/或目标用户的好友用户的历史成单数据确定推荐项；然后，根据目标用户的历史行为数据确定用户对商家和产品组合的偏好信息，并根据目标用户对商家和产品组合的偏好信息确定所述推荐项的推荐指标，不仅能够在一次推荐过程中为用户推荐多个产品，而且，推荐的多个产品是用户感兴趣的产品，有效降低了用户多次决策的概率，同时，提升了向用户推荐产品的效率。

另一方面，通过根据用户对商家和产品的实时行为，提升用户当前行为对应的商家的推荐项和包含用户当前行为对应的产品的推荐项的推荐指标，并根据提升后的排序指标进行产品推荐，以根据业务需求进行产品推荐，使得推荐的产品更符合用户偏好，有效提升了推荐产品的准确性。

本申请基于目标用户自身历史成单数据中的产品组合和/或关联用户的历史成单数据中的产品组合，构建推荐项，与选用全部用户的历史成单数据中的产品组合相比，可以减少数据量，提升运算效率；同时，与单纯基于目标用户自身历史成单数据中的产品组合构建推荐项相比，还可以提高推荐的产品的丰富程度和准确性。

实施例三

本实施例公开的一种产品推荐装置，如图3所示，所述装置包括：

历史成单数据获取模块310，用于获取历史成单数据；

推荐项确定模块320，用于根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；

推荐模块330，用于将生成的部分或全部所述推荐项推荐给目标用户。

本申请的实施例公开的产品推荐装置，通过获取历史成单数据，根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；将生成的部分或全部所述推荐项推荐给目标用户，解决了现有技术中的推荐方法对用户执行一次推荐时只能推荐一个产品的问题。本申请的实施例公开的产品推荐方法，通过根据历史成单数据生成包括多个单品的推荐项，实现了一次为用户推荐多个产品，有效提升产品推荐效率。

可选的，用于搭配生成推荐项的所述单品包括菜品。

可选的，如图4所示，所述推荐项确定模块320进一步包括：

推荐项确定子模块3201，用于根据目标用户和/或关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项，其中，所述关联用户包括：所述目标用户的相似用户和/或所述目标用户的好友。

可选的，所述推荐项确定子模块3201进一步用于：

根据预设订单因素对目标用户的历史成单数据中的产品组合进行筛选，确定所述目标用户的历史成单产品组合；和/或,根据预设订单因素对关联用户的历史成单数据中的产品组合进行筛选，确定所述关联用户的历史成单产品组合；

将所述目标用户的历史成单产品组合和/或所述关联用户的历史成单产品组合进行汇总，得到所述目标用户的推荐项；

其中，所述预设订单因素包括：产品组合金额和/或成单时间。

可选的，所述推荐模块330进一步用于：

确定所述目标用户对所述推荐项所属商家的偏好得分，作为所述目标用户对相应推荐项的用户商家偏好得分；和/或，确定所述推荐项与所述目标用户偏好的产品的相似度得分，作为相应推荐项的用户产品组合偏好得分；

根据所述用户商家偏好得分和/或所述用户产品组合偏好得分，确定相应推荐项的推荐指标；

根据所述推荐指标，确定推荐给所述目标用户的所述推荐项。

可选的，所述确定所述目标用户对所述推荐项所属商家的偏好得分，包括：

将所述目标用户发生预设行为的商家和所述关联用户的历史成单产品组合所属商家，作为待比较商家；

根据所述待比较商家的用户向量，确定所述待比较商家的两两相似度；

根据所述待比较商家的两两相似度，构建商家相似度矩阵；

根据所述目标用户对所述待比较商家的预设历史行为，确定所述目标用户对所述待比较商家的用户行为矩阵；

将用户行为矩阵和所述商家相似度矩阵相乘，得到所述目标用户对商家的偏好得分矩阵；

根据所述偏好得分矩阵，确定所述目标用户对所述推荐项所属商家的偏好得分。

可选的，所述确定所述推荐项与所述目标用户偏好的产品的相似度得分，包括：

确定所述推荐项的产品组合特征向量；

通过计算所述产品组合特征向量和预先确定的所述目标用户的偏好产品特征向量的距离，确定所述产品组合特征向量所属推荐项与所述目标用户偏好的产品的相似度得分。

可选的，所述目标用户的偏好产品特征向量通过以下方法确定：

根据用户的历史行为数据，确定所述目标用户的偏好产品特征；其中，所述偏好产品特征包括：所述目标用户发生过预设行为的产品的产品标识和产品权重对应关系列表，所述产品权重根据所述目标用户对所述产品标识对应的产品的发生所述预设行为的次数加权确定；

对所述每个所述产品标识进行二进制哈希编码，得到二进制哈希编码和产品权重对应关系列表；

通过所述二进制哈希编码和产品权重对应关系列表中的产品权重，对相应的二进制哈希编码按位进行加权运算，得到每个所述产品标识对应的特征向量；

将所述偏好产品特征中所有产品标识对应的特征向量进行累加，并对累加结果进行二值化处理，得到所述目标用户的偏好产品特征向量。

可选的，确定所述推荐项的产品组合特征向量，包括：

对所述推荐项中每个单品的产品标识进行二进制哈希编码，得到每个所述单品对应的二进制哈希编码；

对所述推荐项中每个单品对应的所述二进制哈希编码进行按位累加，并对累加结果进行二值化处理，得到所述推荐项的产品组合特征向量。

可选的，如图4所示，所述推荐项确定模块320还包括：相似用户确定子模块3202：

所述相似用户确定子模块3202，用于根据用户的历史行为数据，确定用户偏好特征向量；以及，通过计算所述用户偏好特征向量之间的相似度，确定所述目标用户的相似用户；

其中，所述历史行为数据包括：下单数据、浏览数据，所述用户偏好特征向量包括以下任意一项或多项：消费等级、偏好产品属性、偏好品类、偏好口味、偏好食材。

可选的，所述根据所述推荐指标，确定推荐给所述目标用户的所述推荐项，包括：

根据所述目标用户的实时行为信息，调整所述推荐指标；

根据调整后的所述推荐指标，确定推荐给所述目标用户的所述推荐项。

可选的，根据所述推荐指标，确定推荐给所述目标用户的所述推荐项，进一步包括：

根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的商家，作为目标商家；以及，根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的产品，作为目标产品；

为属于所述目标商家的所述推荐项，配置与商家属性对应的提升权重；以及，为包含所述目标产品的所述推荐项，配置与产品属性对应的提升权重；

将所述推荐项的推荐指标与为所述推荐项配置的所述提升权重累乘，得到的乘积作为所述推荐项的调整后的推荐指标。

本申请实施例公开的产品推荐装置，通过根据目标用户和/或目标用户的相似用户和/或目标用户的好友用户的历史成单数据确定推荐项；然后，根据目标用户的历史行为数据确定用户对商家和产品组合的偏好信息，并根据目标用户对商家和产品组合的偏好信息确定所述推荐项的推荐指标，不仅能够在一次推荐过程中为用户推荐多个产品，而且，推荐的多个产品是用户感兴趣的产品，有效降低了用户多次决策的概率，同时，提升了向用户推荐产品的效率。

另一方面，通过根据用户对商家和产品的实时行为，提升用户当前行为对应的商家的推荐项和包含用户当前行为对应的产品的推荐项的排序指标，并根据提升后的排序指标对所述推荐项进行推荐，以根据业务需求进行产品组合推荐，使得推荐的产品更符合用户偏好，有效提升了推荐产品的准确性。

本申请基于目标用户自身历史成单数据中的产品组合和关联用户的历史成单数据中的产品组合，构建推荐项，与选用全部用户的历史成单数据中的产品组合相比，可以减少数据量，提升运算效率；同时，与单纯基于目标用户自身历史成单数据中的产品组合构建推荐项相比，还可以提高推荐的产品组合的丰富程度和准确性。

相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的产品推荐方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。

本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一和实施例二所述的产品推荐方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请提供的一种产品推荐方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

Claims (13)

1.一种产品推荐方法，其特征在于，包括：

获取历史成单数据；

根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；

将生成的部分或全部所述推荐项推荐给目标用户，包括：确定所述目标用户对所述推荐项所属商家的偏好得分，作为所述目标用户对相应推荐项的用户商家偏好得分；和/或，确定所述推荐项与所述目标用户偏好的产品的相似度得分，作为相应推荐项的用户产品组合偏好得分；根据所述用户商家偏好得分和/或所述用户产品组合偏好得分，确定相应推荐项的推荐指标；根据所述推荐指标，确定推荐给所述目标用户的所述推荐项；

其中，所述确定所述目标用户对所述推荐项所属商家的偏好得分的步骤，包括：将所述目标用户发生预设行为的商家和关联用户的历史成单产品组合所属商家，作为待比较商家；根据所述待比较商家的用户向量，确定所述待比较商家的两两相似度；根据所述待比较商家的两两相似度，构建商家相似度矩阵；根据所述目标用户对所述待比较商家的预设历史行为，确定所述目标用户对所述待比较商家的用户行为矩阵；将用户行为矩阵和所述商家相似度矩阵相乘，得到所述目标用户对商家的偏好得分矩阵；根据所述偏好得分矩阵，确定所述目标用户对所述推荐项所属商家的偏好得分。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史成单数据生成至少一个推荐项的步骤，包括：

根据目标用户和/或关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项；其中，所述关联用户包括：所述目标用户的相似用户和/或所述目标用户的好友。

3.根据权利要求2所述的方法，其特征在于，所述根据目标用户和/或关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项的步骤，包括：

根据预设订单因素对目标用户的历史成单数据中的产品组合进行筛选，确定所述目标用户的历史成单产品组合；和/或，根据预设订单因素对关联用户的历史成单数据中的产品组合进行筛选，确定所述关联用户的历史成单产品组合；

将所述目标用户的历史成单产品组合和/或所述关联用户的历史成单产品组合进行汇总，得到所述目标用户的推荐项；

其中，所述预设订单因素包括：产品组合金额和/或成单时间。

4.根据权利要求1所述的方法，其特征在于，所述确定所述推荐项与所述目标用户偏好的产品的相似度得分的步骤，包括：

确定所述推荐项的产品组合特征向量；

通过计算所述产品组合特征向量和预先确定的所述目标用户的偏好产品特征向量的距离，确定所述产品组合特征向量所属推荐项与所述目标用户偏好的产品的相似度得分。

5.根据权利要求4所述的方法，其特征在于，所述目标用户的偏好产品特征向量通过以下方法确定：

根据用户的历史行为数据，确定所述目标用户的偏好产品特征；其中，所述偏好产品特征包括：所述目标用户发生过预设行为的产品的产品标识和产品权重对应关系列表，所述产品权重根据所述目标用户对所述产品标识对应的产品的发生所述预设行为的次数加权确定；

对每个所述产品标识进行二进制哈希编码，得到二进制哈希编码和产品权重对应关系列表；

通过所述二进制哈希编码和产品权重对应关系列表中的产品权重，对相应的二进制哈希编码按位进行加权运算，得到每个所述产品标识对应的特征向量；

将所述偏好产品特征中所有产品标识对应的特征向量进行累加，并对累加结果进行二值化处理，得到所述目标用户的偏好产品特征向量。

6.根据权利要求4所述的方法，其特征在于，确定所述推荐项的产品组合特征向量，包括：

对所述推荐项中每个单品的产品标识进行二进制哈希编码，得到每个所述单品对应的二进制哈希编码；

对所述推荐项中每个单品对应的所述二进制哈希编码进行按位累加，并对累加结果进行二值化处理，得到所述推荐项的产品组合特征向量。

7.根据权利要求2所述的方法，其特征在于，所述根据目标用户和关联用户的历史成单数据中的产品组合，确定所述目标用户的推荐项的步骤之前，还包括：

根据用户的历史行为数据，确定用户偏好特征向量；

通过计算所述用户偏好特征向量之间的相似度，确定所述目标用户的相似用户；

其中，所述历史行为数据包括：下单数据、浏览数据，所述用户偏好特征向量包括以下任意一项或多项：消费等级、偏好产品属性、偏好品类、偏好口味、偏好食材。

8.根据权利要求1所述的方法，其特征在于，所述根据所述推荐指标，确定推荐给所述目标用户的所述推荐项的步骤，包括：

根据所述目标用户的实时行为信息，调整所述推荐指标；

根据调整后的所述推荐指标，确定推荐给所述目标用户的所述推荐项。

9.根据权利要求8所述的方法，其特征在于，所述根据所述目标用户的实时行为信息，调整所述推荐指标的步骤，包括：

根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的商家，作为目标商家；以及，根据获取的所述目标用户的实时行为信息，确定所述目标用户的实时行为针对的产品，作为目标产品；

为属于所述目标商家的所述推荐项，配置与商家属性对应的提升权重；以及，为包含所述目标产品的所述推荐项，配置与产品属性对应的提升权重；

将所述推荐项的推荐指标与为所述推荐项配置的所述提升权重累乘，得到的乘积作为所述推荐项的调整后的推荐指标。

10.根据权利要求1至9任一项所述的方法，其特征在于，用于搭配生成推荐项的所述单品包括菜品。

11.一种产品推荐装置，其特征在于，包括：

历史成单数据获取模块，用于获取历史成单数据；

推荐项确定模块，用于根据所述历史成单数据生成至少一个推荐项；其中，一个推荐项由多个单品搭配而成；

推荐模块，用于将生成的部分或全部所述推荐项推荐给目标用户，包括：确定所述目标用户对所述推荐项所属商家的偏好得分，作为所述目标用户对相应推荐项的用户商家偏好得分；和/或，确定所述推荐项与所述目标用户偏好的产品的相似度得分，作为相应推荐项的用户产品组合偏好得分；根据所述用户商家偏好得分和/或所述用户产品组合偏好得分，确定相应推荐项的推荐指标；根据所述推荐指标，确定推荐给所述目标用户的所述推荐项；

其中，所述确定所述目标用户对所述推荐项所属商家的偏好得分的步骤，包括：将所述目标用户发生预设行为的商家和关联用户的历史成单产品组合所属商家，作为待比较商家；根据所述待比较商家的用户向量，确定所述待比较商家的两两相似度；根据所述待比较商家的两两相似度，构建商家相似度矩阵；根据所述目标用户对所述待比较商家的预设历史行为，确定所述目标用户对所述待比较商家的用户行为矩阵；将用户行为矩阵和所述商家相似度矩阵相乘，得到所述目标用户对商家的偏好得分矩阵；根据所述偏好得分矩阵，确定所述目标用户对所述推荐项所属商家的偏好得分。

12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任意一项所述的产品推荐方法。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9任意一项所述的产品推荐方法的步骤。

Images