CN112288554A - 商品推荐方法和装置、存储介质及电子装置 - Google Patents

Abstract

本发明公开了一种基于人工智能的商品推荐方法和装置、存储介质及电子装置。其中，该方法包括：获取目标账号在目标时间段的目标账号数据，目标账号在当前时间段的当前概率参数和目标账号在第一时间段的第一概率参数；将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中，目标神经网络模型用于输出识别结果，识别结果用于指示在目标时间段内向目标账号推送目标商品的情况下，目标账号点击目标商品的概率；按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品。本发明解决了推荐商品准确度低的技术问题。

Description

商品推荐方法和装置、存储介质及电子装置

技术领域

本发明涉及计算机领域，具体而言，涉及一种商品推荐方法和装置、存储介质及电子装置。

背景技术

现有技术中，在确定向用户推送的商品的过程中，通常可以使用训练样本训练神经网络模型，然后将用户数据输入到训练后的神经网络模型中由神经网络模型给出预测的结果，确定是否向用户推送商品。

然而，上述过程中，神经网络模型的训练与使用过程中并没有考虑多阶状态转移对预测结果的影响，从而造成商品推荐不准确的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种商品推荐方法和装置、存储介质及电子装置，以至少解决推荐商品准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种商品推荐方法，包括：获取目标账号在目标时间段的目标账号数据，上述目标账号在当前时间段的当前概率参数和上述目标账号在第一时间段的第一概率参数，其中，上述目标账号数据中包括上述目标账号的目标行为特征和预向上述目标账号推送的目标商品的目标商品信息，上述第一时间段为上述当前时间段之前的一个时间段，上述目标时间段为上述当前时间段之后的时间段，上述第一概率参数通过上述目标账号在上述第一时间段的第一账号数据得到，上述当前概率参数通过上述目标账号在上述当前时间段的当前账号数据得到；将上述目标账号数据与上述第一概率参数、上述当前概率参数输入到目标神经网络模型中，其中，上述目标神经网络模型为使用样本数据训练的模型，上述样本数据包括上述目标账号的第二概率参数、上述第一概率参数和上述当前账号数据、上述第一账号数据，上述第二概率参数通过上述目标账号在第二时间段的第二账号数据得到，上述第二时间段为上述第一时间段之前的一个时间段，上述目标神经网络模型用于输出识别结果，上述识别结果用于指示在上述目标时间段内向上述目标账号推送上述目标商品的情况下，上述目标账号点击上述目标商品的概率；按照上述识别结果确定在上述目标时间段内向上述目标账号推送上述目标商品或者禁止在上述目标时间段向上述目标账号推送上述目标商品。

根据本发明实施例的另一方面，还提供了一种商品推荐装置，包括：第一获取单元，用于获取目标账号在目标时间段的目标账号数据，上述目标账号在当前时间段的当前概率参数和上述目标账号在第一时间段的第一概率参数，其中，上述目标账号数据中包括上述目标账号的目标行为特征和预向上述目标账号推送的目标商品的目标商品信息，上述第一时间段为上述当前时间段之前的一个时间段，上述目标时间段为上述当前时间段之后的时间段，上述第一概率参数通过上述目标账号在上述第一时间段的第一账号数据得到，上述当前概率参数通过上述目标账号在上述当前时间段的当前账号数据得到；输入单元，用于将上述目标账号数据与上述第一概率参数、上述当前概率参数输入到目标神经网络模型中，其中，上述目标神经网络模型为使用样本数据训练的模型，上述样本数据包括上述目标账号的第二概率参数、上述第一概率参数和上述当前账号数据、上述第一账号数据，上述第二概率参数通过上述目标账号在第二时间段的第二账号数据得到，上述第二时间段为上述第一时间段之前的一个时间段，上述目标神经网络模型用于输出识别结果，上述识别结果用于指示在上述目标时间段内向上述目标账号推送上述目标商品的情况下，上述目标账号点击上述目标商品的概率；第一确定单元，用于按照上述识别结果确定在上述目标时间段内向上述目标账号推送上述目标商品或者禁止在上述目标时间段向上述目标账号推送上述目标商品。

作为一种可选的示例，上述装置还包括：第三获取单元，用于在按照上述识别结果确定在上述目标时间段内向上述目标账号推送上述目标商品或者禁止在上述目标时间段向上述目标账号推送上述目标商品之后，在上述目标时间段内向上述目标账号推送上述目标商品的情况下，获取上述目标账号的目标概率参数，其中，上述目标概率参数根据上述目标账号在上述目标时间段内点击上述目标商品的目标次数和上述目标时间段内向上述目标账号推送上述目标商品的总次数得到；预测单元，用于使用上述目标概率参数预测在上述目标时间段后的第三时间段内向上述目标账号推送上述目标商品的目标结果；第五确定单元，用于按照上述目标结果确定在上述第三时间段内向上述目标账号推送上述目标商品或者禁止在上述第三时间段内向上述目标账号推送上述目标商品。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述商品推荐方法。

根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的商品推荐方法。

在本发明实施例中，采用了获取目标账号在目标时间段的目标账号数据，上述目标账号在当前时间段的当前概率参数和上述目标账号在第一时间段的第一概率参数，其中，上述目标账号数据中包括上述目标账号的目标行为特征和预向上述目标账号推送的目标商品的目标商品信息，上述第一时间段为上述当前时间段之前的一个时间段，上述目标时间段为上述当前时间段之后的时间段，上述第一概率参数通过上述目标账号在上述第一时间段的第一账号数据得到，上述当前概率参数通过上述目标账号在上述当前时间段的当前账号数据得到，将上述目标账号数据与上述第一概率参数、上述当前概率参数输入到目标神经网络模型中，其中，上述目标神经网络模型为使用样本数据训练的模型，上述样本数据包括上述目标账号的第二概率参数、上述第一概率参数和上述当前账号数据、上述第一账号数据，上述第二概率参数通过上述目标账号在第二时间段的第二账号数据得到，上述第二时间段为上述第一时间段之前的一个时间段，上述目标神经网络模型用于输出识别结果，上述识别结果用于指示在上述目标时间段内向上述目标账号推送上述目标商品的情况下，上述目标账号点击上述目标商品的概率；按照上述识别结果确定在上述目标时间段内向上述目标账号推送上述目标商品或者禁止在上述目标时间段向上述目标账号推送上述目标商品的方法。由于在上述方法中，在训练神经网络模型的过程中，考虑多阶状态转移对推送商品的影响，同时，在模型的使用过程中，同样考虑了多阶状态转移对推送商品的影响，从而提高了模型的识别准确度，进一步提高了商品推荐的准确度，进而解决了推荐商品准确度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的商品推荐方法的应用环境的示意图；

图2是根据本发明实施例的另一种可选的商品推荐方法的应用环境的示意图；

图3是根据本发明实施例的一种可选的商品推荐方法的流程图；

图4是根据本发明实施例的一种可选的商品推荐方法的用户界面示意图；

图5是根据本发明实施例的一种可选的商品推荐方法的模型的算法结构示意图；

图6是根据本发明实施例的一种可选的商品推荐方法的框架图；

图7是根据本发明实施例的一种可选的商品推荐装置的结构示意图；

图8是根据本发明实施例的另一种可选的商品推荐装置的结构示意图

图9是根据本发明实施例的又一种可选的商品推荐装置的结构示意图

图10是根据本发明实施例的一种可选的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例涉及人工智能的机器学习，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

根据本发明实施例的一个方面，提供了一种行为识别方法，可选地，作为一种可选的实施方式，上述行为识别方法可以但不限于应用于如图1所示的环境中。

如图1所示，终端设备102包括了存储器104，用于存储终端设备102运行过程中产生的各项数据、处理器106，用于处理运算上述各项数据、显示器108，用于显示推荐的商品。终端设备102上可以运行应用客户端。终端设备102可以通过网络110与服务器112之间进行数据交互。终端设备102可以通过S102向服务器112发送获取的目标账号的各项数据，服务器112可以配置目标神经网络模型，通过S104由目标神经网络模型给出识别结果，然后通过S106将识别结果下发给终端设备102，以使终端设备102确定是否推送目标商品。服务器112包括数据库114，用于存储各项数据，处理引擎116，用于布置上述目标神经网络模型。终端设备102可以根据识别结果，在目标时间段推荐显示目标商品，或者不显示目标商品。

作为一种可选的实施方式，上述行为识别方法可以但不限于应用于如图2所示的环境中。

如图2所示，终端设备202包括了存储器204，用于存储终端设备202运行过程中产生的各项数据、处理器206，用于处理运算上述各项数据、显示器208，用于推荐显示目标商品。终端设备202可以通过步骤S302到步骤S306获取用户的目标账号数据、当前概率参数和第一概率参数，并输入到在终端设备202中布置的目标神经网络模型，得到目标神经网络模型的输出结果，根据输出结果推荐显示目标商品 或者不显示目标商品。

可选地，在本实施例中，上述终端设备102或终端设备202可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机（如Android手机、iOS手机等）、笔记本电脑、平板电脑、掌上电脑、MID（Mobile Internet Devices，移动互联网设备）、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。

可选地，作为一种可选的实施方式，如图3所示，上述商品推荐方法包括：

S302，获取目标账号在目标时间段的目标账号数据，目标账号在当前时间段的当前概率参数和目标账号在第一时间段的第一概率参数，其中，目标账号数据中包括目标账号的目标行为特征和预向目标账号推送的目标商品的目标商品信息，第一时间段为当前时间段之前的一个时间段，目标时间段为当前时间段之后的时间段，第一概率参数通过目标账号在第一时间段的第一账号数据得到，当前概率参数通过目标账号在当前时间段的当前账号数据得到；

S304，将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中，其中，目标神经网络模型为使用样本数据训练的模型，样本数据包括目标账号的第二概率参数、第一概率参数和当前账号数据、第一账号数据，第二概率参数通过目标账号在第二时间段的第二账号数据得到，第二时间段为第一时间段之前的一个时间段，目标神经网络模型用于输出识别结果，识别结果用于指示在目标时间段内向目标账号推送目标商品的情况下，目标账号点击目标商品的概率；

S306，按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品。

可选地，上述商品推荐方法可以但不限于应用于推荐商品的过程中。在具体的应用场景是不限定的。例如，用户打开应用程序的时候，或者使用应用程序的过程中，都可以使用本申请实施例中的商品推荐方法来推荐商品。应用程序类型并不限定。例如，可以为购物应用，或者手机银行，甚至播放多媒体资源的应用均可。可以获取用户的目标账号的账号数据，确定出是否要在第三时间段内向目标账号推荐目标商品。

需要说明的是，本申请实施例中的目标商品并不仅限于可以在网络上推荐的实体商品，推荐时可以推荐实体商品的商品信息或链接，目标商品还可以为资源，例如基金证券、优惠券、会员资格、减免资格、赠品中的任意一种或多种，在向目标账号推荐目标商品的情况下，用户可以点击查看详情或者点击下载对应的推荐的目标商品。如目标商品为某应用程序的会员资格，用户可以下载对应的应用程序获取会员资格。也就是说，本申请并不对目标商品的具体内容进行限定。

可选地，上述点击可以为查看详情或者下载或者跳转链接或者购买或者加入购物车等。如果对商品进行点击则表示用户对商品感兴趣，如果用户不对推荐的商品进行点击则可以表示用户对商品没有兴趣。

可选地，本申请实施例中，当前时间段是用户正在使用目标账号的时间段，当前时间段之前可以包括第一时间段与第二时间段，第一时间段、第二时间段、当前时间段、目标时间段中的任意两个时间段的时长可以相同或不同。例如，第一时间段可以为一天，而第二时间段可以为一小时。或者第一时间段可以为一天，第二时间段为一小时，当前时间段为一天。时间段的具体时长可以灵活配置。

可选地，上述目标账号数据可以包括目标账号的行为特征和在目标时间段内向目标账号推送的目标商品的商品信息，行为特征可以包括目标账号的操作行为，目标账号数据还可以包括在目标时间段内向目标账号推送的目标商品的商品信息。商品信息可以包括商品的标识、类型、价值等信息。

第一商品信息、第二商品信息、当前商品信息与目标商品信息指各个时间段内向目标账号推荐的商品的商品信息（目标商品信息为预推荐，还未推荐），各个时间段内向目标账号推荐的商品可以相同也可以不同。

例如，以向目标账号推荐优惠券的过程中，可以获取在当前时间段如2020/11/1/12:00:00到2020/11/1/14:00:00内向目标账号推送的优惠券的信息和目标账号在当前时间段内的信息。获取在上一个时间段如2020/11/1/8:00:00到2020/11/1/ 12:00:00的用户点击推荐的商品的概率和当前时间段用户点击推荐的商品的概率，然后将获取的两个概率和目标账号在当前时间段的行为特征和优惠券信息输入到目标神经网络模型中。由目标神经网络模型给出识别结果，识别结果为一个数值，根据数值的大小来预估如果在目标时间段向目标账号推送目标商品，目标账号点击目标商品的目标概率。

根据目标概率来判断要不要在目标时间段向用户推荐目标商品。因为如果用户不感兴趣，则推荐的结果并不好。由于上述过程中，预先使用样本数据训练原始神经网络模型得到目标神经网络模型，且训练样本中使用了当前时间段之前的第一时间段与第二时间段的点击概率参数，从而提高了目标神经网络模型的训练效果，提高了目标神经网络模型的识别准确度。在预测的过程中，获取目标账号在目标时间段的目标账号数据的同时，还要获取当前时间段的点击概率参数和第一时间段的点击概率参数，从而可以提高预测的结果的准确度，进而提高推荐目标商品的准确度。

作为一种可选的示例，在将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中之前，方法还包括：

获取目标账号的历史数据；

将历史数据中，目标账号在当前时间段内的账号行为特征确定为当前行为特征，将在当前时间段内推送给目标账号的商品的信息确定为当前商品信息；

将历史数据中，目标账号在第一时间段内的行为特征确定为第一行为特征，将在第一时间段内推送给目标账号的商品的信息确定为第一商品信息；

获取第一概率参数与第二概率参数；

使用当前行为特征、当前商品信息、第一行为特征、第一商品信息和第一概率参数、第二概率参数训练原始神经网络模型，得到目标神经网络模型。

可选地，上述历史记录中可以包括目标账号在各个时间段的行为特征、目标账号在各个时间段被推送的商品的商品信息、在各个时间段对推送的商品的点击记录，点击记录可以记录下是否点击推送的商品。在获取到历史记录后，要获取其中的当前行为特征、当前商品信息、第一行为特征和第一商品信息、第一参数概率和第二参数概率。

可选地，上述第一概率参数可以用于指示用户点击在第一时间段内推送商品时点击推送的商品的概率，如在第一时间段推送商品，用户可能点击的概率为80%。第二概率参数可以用于指示用户在第二时间段内推送商品时，点击推送的商品的概率。

通过获取到的上述当前行为特征、当前商品信息、第一行为特征、第一商品信息和第一概率参数、第二概率参数训练原始神经网络模型，得到目标神经网络模型。

由于上述方法中，在训练模型的过程中，使用目标账号的当前账号数据中的当前商品信息与当前行为特征训练原始神经网络模型的同时，还要使用当前时间段前的第一时间段的第一概率参数与第二时间段的第二概率参数来训练原始神经网络模型，提高了训练后的目标神经网络模型的识别准确度。

作为一种可选的示例，获取第一概率参数与第二概率参数包括：

获取目标账号在第一时间段内点击在第一时间段内推送给目标账号的目标商品的第一次数和在第二时间段内点击在第二时间段内推送给目标账号的目标商品的第二次数

根据第一次数和在第一时间段内推送给目标账号目标商品的第一总次数确定出第一概率参数并根据第二次数和在第二时间段内推送给目标账号目标商品的第二总次数确定出第二概率参数。

可选地，上述第一总次数或第二总次数为在第一时间段内或第二时间段内推送给目标账号的商品的总次数。如推送一次商品算作一次，多次推送相同的商品算作多次推送，一次推送多个相同的商品算作多次推送。例如以第一总次数为例，在第一时间段内，第一次推送两个商品、第二次推送三个商品，则第一总次数算作6次。

上述第一次数或第二次数为目标账号点击推送的目标商品的次数。以第一次数为例，对相同的商品的多次点击算作多次点击推送的商品。如第一时间段内一个商品推送三次，点击了两次，则第一次数为2。对一次推送的多个商品分别点击，则第一次数算作多次。如一次推送三个商品，对其中的两个商品进行了点击，则第一次输为2。第一时间段内，第一次推送三个商品，第二次推送两个商品，第一次目标账号点击了两个商品，第二次目标账号点击了一个商品。则第一次输为3，第一总次数为5。

通过上述方法确定第一概率参数和第二概率参数，可以准确确定出第一时间段用户点击推荐的商品的概率和第二时间段内用户点击推荐的商品的概率。

可选地，上述第一概率参数还可以分为第一子概率参数、第二子概率参数，第一子概率参数表示第一时间段内用户点击推送的商品的概率，第二子概率参数表示第一时间段内用户没有点击推送的商品的概率，上述第二概率参数还可以分为第三子概率参数与第四子概率参数，第三子概率参数表示第二时间段内用户点击推送的商品的概率，第四子概率参数表示第二时间段内用户没有点击推送的商品的概率。

在使用样本数据训练原始神经网络模型得到目标神经网络模型的过程中，方法还包括：

将样本数据按照预定比例划分为训练数据与测试数据；

对原始神经网络模型执行以下操作，直到原始神经网络模型的识别准确度大于第一阈值：

使用训练数据训练原始神经网络模型，确定出原始神经网络模型的第一模型参数，使用测试数据测试第一模型参数下的原始神经网络模型，得到第一模型参数下的原始神经网络模型输出的测试结果，在测试结果指示识别准确度小于或等于第一阈值的情况下，调整第一模型参数。

可选地，训练数据与测试数据的划分为随机划分，并不是根据数据的不同而做特定划分。例如，有10条测试数据，只要按照预定比例划分即可，如划分为8条训练数据与2条测试数据，或者划分为6条训练数据与4条测试数据等。样本数据的具体内容不会影响到划分的结果。

在划分样本数据与测试数据后，可以先使用样本数据训练原始神经网络模型，得到原始神经网络模型的第一模型参数。如果希望查看此时的原始神经网络模型是否已经训练合格，则可以使用测试数据测试训练后的原始神经网络模型。将测试数据输入到训练后的原始神经网络模型中，得到原始神经网络模型输出的测试结果。通过输出的测试结果可以计算训练后的原始神经网络模型的识别准确度。如果识别准确度小于或等于第一阈值，如第一阈值为95%，则需要继续对原始神经网络模型进行训练。直到测试数据测试得到的原始神经网络模型的识别准确度大于95%。通过本实施例，可以保证目标神经网络模型的识别准确度，进一步提高推荐的商品的准确度。

作为一种可选的示例，在获取样本数据之后，方法还包括：

将样本数据按照预定条件划分为第一类型样本与第二类型样本，其中，第一类型样本为单个特定的特征，第二类型样本为连续型特征；

对第一类型样本进行编码，得到编码后的第一类型样本；

对第二类型样本进行去相关性处理、归一化处理与特征离散化处理，得到处理后的第二类型样本；

将编码后的第一类型样本与处理后的第二类型样本确定为新的样本数据。

可选地，上述样本数据可以为先经过数据的预处理操作，然后使用预处理操作后的样本数据训练原始神经网络模型。

预处理首先包括样本数据的分类。样本数据可以按照数据类型，划分为第一类型样本与第二类型样本。第一类型样本可以为稀疏型样本，样本特征为稀疏型特征，第二类型样本可以为稠密型样本，样本特征为稠密型特征。稀疏型样本进行编码，得到编码后的样本，稠密型样本先进行去相关性处理、归一化处理，最后进行特征离散化处理，得到处理后的样本。使用处理后的样本训练原始神经网络模型。本实施例可以对样本数据进行预处理，以提高训练原始神经网络模型的准确度。

作为一种可选的实施方式，按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品包括：

获取识别结果；

在识别结果大于目标阈值的情况下，确定在目标时间段内向目标账号推送目标商品；

在识别结果小于或等于目标阈值的情况下，确定在目标时间段内禁止向目标账号推送目标商品。

可选地，识别结果可以为一个数字，可以属于0-1，越接近1表示用户点击推送的目标商品的可能性越高，越接近0表示用户点击推送的商品的可能性越低。通过获取目标神经网络模型的识别结果，可以确定是否要在目标时间段向目标账号推荐目标商品。

作为一种可选的实施方式，在按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品之后，方法还包括：

在目标时间段内向目标账号推送目标商品的情况下，获取目标账号的目标概率参数，其中，目标概率参数根据目标账号在目标时间段内点击目标商品的目标次数和目标时间段内向目标账号推送目标商品的总次数得到；

使用目标概率参数预测在目标时间段后的第三时间段内向目标账号推送目标商品的目标结果；

按照目标结果确定在第三时间段内向目标账号推送目标商品或者禁止在第三时间段内向目标账号推送目标商品。

可选地，第三时间段是目标 时间段之后的时间段。如果在确定了目标时间段要向目标账号推荐目标商品，则需要获取目标账号的目标概率参数，即目标账号点击目标商品的概率。可以使用点击次数比上推荐总次数来获取。获取到目标概率参数之后，可以使用该参数、当前时间段的当前概率参数和目标时间段的目标账号数据来预测第三时间段向目标账号推送目标商品时，目标账号的点击概率。根据点击概率确定是否在第三时间段推送目标商品。

以下结合具体示例解释上述商品推荐方法。

术语解释：状态转移：本阶段的状态往往是上一阶段状态和上一阶段决策的结果。如果给定了第K阶段的状态Sk以及决策uk(Sk)，则第K+1阶段的状态Sk+1也就完全确定；一阶状态转移：本阶段的状态仅由是上一阶段状态和上一阶段决策的结果确定，即K+1的状态Sk+1仅受第K阶段的状态Sk以及决策uk(Sk)影响；二阶状态转移：K+1阶段的状态仅由是K、K-1阶段状态和决策的结果确定，即K+1的状态Sk+1受第K、K-1阶段的状态Sk、Sk-1以及决策uk(Sk)、uk-1(Sk-1)影响；贝叶斯二阶状态转移：K+1的状态Sk+1受第K、K-1阶段的状态Sk、Sk-1以及决策uk(Sk)、uk-1(Sk-1)影响，并且可表示成如下表达式：

（1）

其中，α和β为参数。

Sigmoid函数：一类定义为如下形式的函数：

（2）

其中，z为参数。

二分类LR算法：也称为逻辑回归模型，通过在线性回归模型中引入Sigmoid函数，将线性回归的不确定范围的连续输出值映射到（0，1）范围内，将线性回归模型转化为一个概率预测模型。

二阶段状态转移的梯度下降法：即梯度下降求解过程均受到二阶状态转移概率的影响下的梯度下降；无偏估计：估计量的数学期望等于被估计参数的真实值。查全率：预测正确的正例数据占真实为正例数据的比例；查准率：预测正确的正例数据占预测为正例数据的比例；AUC：ROC曲线下方的面积，是判断二分类预测模型优劣的标准。其中，ROC曲线的横坐标是假证例率，纵坐标是真正例率。

CTR预估：点击通过率（Click-Through-Rate，CTR），是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数（严格的来说，可以是到达目标页面的数量）除以广告的展现量（Showcontent）。

用户特征：用户在业务中的行为记录及其数据提炼。包括：用户在业务中的点击、收藏、付费金额、付费次数、活跃时长、活跃天数等。

物品特征：物品的属性及其数据提炼。包括：物品的点击率、费率、收藏、平均付费金额（每款商品总付费金额/付费人数）、平均活跃时长（每款商品总活跃时间/活跃人数）等。

下载标签：用户在活动页面进行优惠券点击下载，点击及下载标记为1，点击不下载标记为0。

本申请的上述商品推荐方法考虑二阶状态转移对分类结果的影响，解决传统二分类算法没有考虑状态转移对分类效果的影响问题，也进一步分离概率比较集中的样本。由于考虑二阶状态转移对分类结果的影响，进而解决状态融合优化分类算法只考虑一阶状态转移的缺点，使分类效果得到进一步提升。而且，二阶状态转移概率应用到模型的梯度下降的训练过程当中，训练出来的模型融入二阶状态转移概率，而不仅仅是在模型训练完成进行测试和预测时对概率加入了状态概率重新计算二分类概率。模型训练好后，训练完毕后，对分类概率使用状态转移进行进一步优化调整，确保模型的区分度。

上述商品推荐方法总的分为两个大步骤。一为原始神经网络模型的训练（训练得到目标神经网络模型），二为目标神经网络模型的使用（输入数据给出识别结果，根据识别结果确定是否推送目标商品）。

以今天为当前时间段，昨天为第一时间段，前天为第二时间段，明天为目标时间段为例，如图4所示，图4中，今天推荐有代金券，昨天与前天的推荐都已经结束。明天的推荐还未开始。需要说明的是，每天可以一次或多次推荐，每次推荐可以推荐一个或多个。本实施例并不限定。可以根据今天、昨天、前天的数据来预测明天是否要向用户推荐优惠券。

上述的原始神经网络模型的训练的步骤分为获取样本与训练样本的步骤。

获取样本：获取目标账号的历史数据。目标账号的历史数据包括了目标账号在各个时间段的行为特征，即上述推送代金券的账号的行为。历史数据还目标账号在各个时间段的推送的商品的商品信息，如上述各个时间段推送的代金券、可以包括代金券的数值、类型、推送总次数等。本实施例是一代金券为例进行的解释，推送的商品不仅限于代金券。历史数据还包括了登录账号的用户点击推送的代金券的结果。可以包括是否点击、点击次数等。

获取样本数据后，需要对样本数据进行预处理。预处理分为样本的训练样本和测试样本的构建。使用K-1时期的用户行为特征（user特征）、商品特征（item特征）、用户标签（点击结果）构建用户样本数据，得到多条样本数据。并将多条样本进行区分为稀疏型特征和稠密型特征。其中，稀疏型特征进行onehot编码处理，稠密型特征进行主成分分析进行去相关性处理、归一化（标准化）处理、特征离散化处理等。将处理后的稀疏特征和稠密特征及用户分类标签，并按一定比例随机切分为训练样本（比例为а）和测试样本（比例为1-а），a为参数，例如，将样本随机切分为训练样本：测试样本 = 8:2（即，按8:2的比例随机切分训练样本和测试样本）。

预测样本构建阶段。使用K时期的user特征、item特征、用户标签构建用户预测样本数据，并将预测样本进行区分为稀疏型特征和稠密型特征。其中，稀疏型特征进行onehot处理，稠密型特征进行PCA去相关性处理、归一化（标准化）处理、特征离散化处理等。也就是说，使用K期的数据预测K+1期的用户的user特征、item特征。由于user特征、item特征基本是不变的，或者变化不大，因此，预测的K+1期的user特征、item特征是准确的。

其中，K-1期的用户行为特征user特征主要包括：用户性别、年龄、地域等基础属性数据；活跃天数、活跃时长、活跃功能数量、注册时间距离当前时间天数间隔等活跃属性数据；充值金额、消费金额、充值次数、充值天数、首次充值距离当前时间天数间隔等充值属性数据；用户功能点击、用户领取礼包/礼券类型（数量、次数、价值）、使用礼包/礼券类型（数量、价值）、过期礼包/礼券类型（数量、价值）等优惠券属性。K期用户分类标签（label）[优惠券点击场景标签为：1-表示点击（正样本），0-表示不点击（负样本）]。如果是要求优惠券点击且下载的场景，则在K-1期点击后，在K期下载，标签为1，表示点击且下载，作为正样本，在K-1期不点击后，在K期不下载，标签为0，表示点击未下载，作为负样本。

在获取到历史数据中的上述数据后，可以根据前天和昨天的数据确定出向用户推送商品后，用户的点击概率。如前天推送300次，用户点击30次，则点击概率为10%（第一子概率参数），不点击概率为90%（第二子概率参数），昨天推送20次，点击15次，则用户的点击概率为75%（第三子概率参数），不点击概率为25%（第四子概率参数）。

模型训练：使用目标账号在今天的行为特征和在今天的推送的目标商品的商品信 息，和在今天用户的点击结果，以及用户昨天的上述点击概率10%、不点击概率为90%，用户 前天的上述点击概率为75%、不点击概率为25%，输入到原始神经网络模型中，训练原始神经 网络模型的参数，得到模型参数W。具体为：利用K-1期用户标签label（Yk-1）计算正负样本比 例（负样本占比为

，正样本占比为

）作为一阶状态转移概率（

，

） 的无偏估计；利用K-2期用户标签label（Yk-2）计算正负样本比例（负样本占比为

，正样 本占比为

）作为一阶状态转移概率（

，

）的无偏估计。利用K期用户标 签label（Yk）计算正负样本比例（负样本占比为:

正样本占比为:

）作为一阶状态 转移概率（

，

）的无偏估计；利用K-1期用户标签label（Yk-1）计算正负样本比例 （负样本占比为

，正样本占比为

）作为一阶状态转移概率（

，

）的无偏 估计。

二阶状态转移下的模型训练阶段。对训练样本利用数学推导出来的贝叶斯二阶状态转移概率模型。

代入K-2、K-1阶状态转移概率

，

，

，

，通过二阶 状态转移下的梯度下降法（二阶段状态转移的梯度下降法即梯度下降求解过程均受到二阶 状态转移概率的影响下的梯度下降）得到模型权重W（模型权重衡量特征特征X对点击概率 或称为标签Y的贡献）。

在模型训练得到第一模型参数，即权重W之后，在二阶状态转移下的模型测试评估 阶段。对训练好的模型W使用测试样本进行测试，并且代入K-2、K-1阶状态转移概率

，

，

，

，通过公式M3计算测试样本下的分类概率及测评指标（查全 率、查准率、AUC等指标），如果测评指标达到测评效果，则保存模型W。如果没有通过模型评 估，则重复训练模型直到模型达到评估为止。

至此训练得到目标神经网络模型。后续为模型的使用。

二阶状态转移下的模型预测阶段。利用训练好的模型W，使用预测样本，即预测的K +1期的账号行为特征和商品信息，并且代入K-1、K阶状态转移概率

，

，

，通过模型计算用户下载概率。模型可以为：

（3）

其中，K表示今天，K-1表示昨天，K-2表示前天，K+1表示明天（仅在本示例中， 实际K为 当前时间段，K-1为第一时间段，K-2为第二时间段，K+1为目标时间段）K-1阶段状态表示为

取0或1两个状态的概率分别为

，

，0表示不点击，1表示点击；K 阶段状态表示为

，取0或1两个状态的概率分别为

，

。其中，行为特 征用X表示，商品特征用I表示，点击概率（概率参数）用Y表示。上述公式中，exp（）为一种语 言函数。W _X 为模型参数，X _k 为今天的用户行为特征，

为昨天的点击概率。i为0或1，j为0 或1。

上述公式得到的结果即为预测的目标时间段的目标概率参数，即明天向用户推送优惠券，用户点击的概率。可以以0.5为界限，如果目标神经网络模型的识别结果大于0.5，则在明天向用户推荐优惠券。如果目标神经网络模型的识别结果小于或等于0.5，则在明天禁止向用户推荐优惠券。

算法结构图如图5所示。图5中，使用K的账号行为特征、商品特征、概率参数（点击标签，用于表示用户是否点击推荐的商品或点击的次数或概率等）和K-1的概率参数（状态转移概率）、K-2的概率参数（状态转移概率）训练远视神经网络模型，得到可以使用的目标神经网络模型。然后，进行模型的使用。模型使用过程中，获取K+1的账号行为特征、K+1的商品特征，以及K和K-1的概率参数，得到K+1的概率参数。即得到第三时间段的第三概率参数。具体框架图如图6所示。

表（1）为对比了传统二分类算法、状态融合二分类算法与贝叶斯二阶状态转移二分类算法的优惠加油优惠券下载场景效果。本申请上述实施例中的贝叶斯二阶状态转移二分类算法相比于现有的技术显著提高了模型的识别准确度。

表（1）

如果确定了明天要向用户推送优惠券，则明天准时向用户推送优惠券，并且获取用户的点击结果，得到第三概率参数，并使用第三概率参数预测用户后天如果推送了优惠券是否会点击，以及点击的概率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

根据本发明实施例的另一个方面，还提供了一种用于实施上述商品推荐方法的商品推荐装置。如图7所示，该装置包括：

第一获取单元702，用于获取目标账号在目标时间段的目标账号数据，目标账号在当前时间段的当前概率参数和目标账号在第一时间段的第一概率参数，其中，目标账号数据中包括目标账号的目标账号信息和预向目标账号推送的目标商品的目标商品信息，第一时间段为当前时间段之前的一个时间段，目标时间段为当前时间段之后的时间段，第一概率参数通过目标账号在第一时间段的第一账号数据得到，当前概率参数通过目标账号在当前时间段的当前账号数据得到；

输入单元704，用于将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中，其中，目标神经网络模型为使用样本数据训练的模型，样本数据包括目标账号的第二概率参数、第一概率参数和当前账号数据、第一账号数据，第二概率参数通过目标账号在第二时间段的第二账号数据得到，第二时间段为第一时间段之前的一个时间段，目标神经网络模型用于输出识别结果，识别结果用于指示在目标时间段内向目标账号推送目标商品的情况下，目标账号点击目标商品的概率；

第一确定单元706，用于按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品。

可选地，上述商品推荐方法可以但不限于应用于推荐商品的过程中。在具体的应用场景是不限定的。例如，用户打开应用程序的时候，或者使用应用程序的过程中，都可以使用本申请实施例中的商品推荐方法来推荐商品。应用程序类型并不限定。例如，可以为购物应用，或者手机银行，甚至播放多媒体资源的应用均可。可以获取用户的目标账号的账号数据，确定出是否要在第三时间段内向目标账号推荐目标商品。

作为一种可选的实施例，如图8所示，上述第一确定单元706包括：

第二获取模块802，用于获取识别结果；

第二确定模块804，用于在识别结果大于目标阈值的情况下，确定在目标时间段内向目标账号推送目标商品；

第三确定模块806，用于在识别结果小于或等于目标阈值的情况下，确定在目标时间段内禁止向目标账号推送目标商品。

作为一种可选的实施例，如图9所示，上述装置还包括：

第三获取单元902，用于在按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品之后，在目标时间段内向目标账号推送目标商品的情况下，获取目标账号的目标概率参数，其中，目标概率参数根据目标账号在目标时间段内点击目标商品的目标次数和目标时间段内向目标账号推送目标商品的总次数得到；

预测单元904，用于使用目标概率参数预测在目标时间段后的第三时间段内向目标账号推送目标商品的目标结果；

第五确定单元906，用于按照目标结果确定在第三时间段内向目标账号推送目标商品或者禁止在第三时间段内向目标账号推送目标商品。

本实施例的其他示例请参见上述示例，在此不再赘述。

根据本发明实施例的又一个方面，还提供了一种用于实施上述商品推荐方法的电子设备，该电子设备可以是图10所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图10所示，该电子设备包括存储器1002和处理器1004，该存储器1002中存储有计算机程序，该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

获取目标账号在目标时间段的目标账号数据，目标账号在当前时间段的当前概率参数和目标账号在第一时间段的第一概率参数，其中，目标账号数据中包括目标账号的目标账号信息和预向目标账号推送的目标商品的目标商品信息，第一时间段为当前时间段之前的一个时间段，目标时间段为当前时间段之后的时间段，第一概率参数通过目标账号在第一时间段的第一账号数据得到，当前概率参数通过目标账号在当前时间段的当前账号数据得到；

将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中，其中，目标神经网络模型为使用样本数据训练的模型，样本数据包括目标账号的第二概率参数、第一概率参数和当前账号数据、第一账号数据，第二概率参数通过目标账号在第二时间段的第二账号数据得到，第二时间段为第一时间段之前的一个时间段，目标神经网络模型用于输出识别结果，识别结果用于指示在目标时间段内向目标账号推送目标商品的情况下，目标账号点击目标商品的概率；

按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品。

可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置电子设备也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图10其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图10中所示更多或者更少的组件（如网络接口等），或者具有与图10所示不同的配置。

其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的商品推荐方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的商品推荐方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1002具体可以但不限于用于存储等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述商品推荐装置中的第一获取单元702、输入单元704和第一确定单元706。此外，还可以包括但不限于上述商品推荐装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：和连接总线1008，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式***中的一个节点，其中，该分布式***可以为区块链***，该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中，节点之间可以组成点对点（P2P，Peer To Peer）网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。

根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

获取目标账号在目标时间段的目标账号数据，目标账号在当前时间段的当前概率参数和目标账号在第一时间段的第一概率参数，其中，目标账号数据中包括目标账号的目标账号信息和预向目标账号推送的目标商品的目标商品信息，第一时间段为当前时间段之前的一个时间段，目标时间段为当前时间段之后的时间段，第一概率参数通过目标账号在第一时间段的第一账号数据得到，当前概率参数通过目标账号在当前时间段的当前账号数据得到；

将目标账号数据与第一概率参数、当前概率参数输入到目标神经网络模型中，其中，目标神经网络模型为使用样本数据训练的模型，样本数据包括目标账号的第二概率参数、第一概率参数和当前账号数据、第一账号数据，第二概率参数通过目标账号在第二时间段的第二账号数据得到，第二时间段为第一时间段之前的一个时间段，目标神经网络模型用于输出识别结果，识别结果用于指示在目标时间段内向目标账号推送目标商品的情况下，目标账号点击目标商品的概率；

按照识别结果确定在目标时间段内向目标账号推送目标商品或者禁止在目标时间段向目标账号推送目标商品。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种商品推荐方法，其特征在于，包括：

获取目标账号在目标时间段的目标账号数据，所述目标账号在当前时间段的当前概率参数和所述目标账号在第一时间段的第一概率参数，其中，所述目标账号数据中包括所述目标账号的目标行为特征和预向所述目标账号推送的目标商品的目标商品信息，所述第一时间段为所述当前时间段之前的一个时间段，所述目标时间段为所述当前时间段之后的时间段，所述第一概率参数通过所述目标账号在所述第一时间段的第一账号数据得到，所述当前概率参数通过所述目标账号在所述当前时间段的当前账号数据得到；

将所述目标账号数据与所述第一概率参数、所述当前概率参数输入到目标神经网络模型中，其中，所述目标神经网络模型为使用样本数据训练的模型，所述样本数据包括所述目标账号的第二概率参数、所述第一概率参数和所述当前账号数据、所述第一账号数据，所述第二概率参数通过所述目标账号在第二时间段的第二账号数据得到，所述第二时间段为所述第一时间段之前的一个时间段，所述目标神经网络模型用于输出识别结果，所述识别结果用于指示在所述目标时间段内向所述目标账号推送所述目标商品的情况下，所述目标账号点击所述目标商品的概率；

按照所述识别结果确定在所述目标时间段内向所述目标账号推送所述目标商品或者禁止在所述目标时间段向所述目标账号推送所述目标商品。

2.根据权利要求1所述的方法，其特征在于，在将所述目标账号数据与所述第一概率参数、所述当前概率参数输入到目标神经网络模型中之前，所述方法还包括：

获取所述目标账号的历史数据；

将所述历史数据中，所述目标账号在所述当前时间段内的账号行为特征确定为当前行为特征，将在所述当前时间段内推送给所述目标账号的商品的信息确定为当前商品信息；

将所述历史数据中，所述目标账号在所述第一时间段内的行为特征确定为第一行为特征，将在所述第一时间段内推送给所述目标账号的商品的信息确定为第一商品信息；

获取所述第一概率参数与所述第二概率参数；

使用所述当前行为特征、所述当前商品信息、所述第一行为特征、所述第一商品信息和所述第一概率参数、所述第二概率参数训练原始神经网络模型，得到所述目标神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述获取所述第一概率参数与所述第二概率参数包括：

获取所述目标账号在所述第一时间段内点击在所述第一时间段内推送给所述目标账号的所述目标商品的第一次数和在所述第二时间段内点击在所述第二时间段内推送给所述目标账号的所述目标商品的第二次数

根据所述第一次数和在所述第一时间段内推送给所述目标账号所述目标商品的第一总次数确定出所述第一概率参数并根据所述第二次数和在所述第二时间段内推送给所述目标账号所述目标商品的第二总次数确定出所述第二概率参数。

4.根据权利要求1所述的方法，其特征在于，在使用所述样本数据训练原始神经网络模型得到所述目标神经网络模型的过程中，所述方法还包括：

将所述样本数据按照预定比例划分为训练数据与测试数据；

对所述原始神经网络模型执行以下操作，直到所述原始神经网络模型的识别准确度大于第一阈值：

使用所述训练数据训练所述原始神经网络模型，确定出所述原始神经网络模型的第一模型参数，使用所述测试数据测试所述第一模型参数下的所述原始神经网络模型，得到所述第一模型参数下的所述原始神经网络模型输出的测试结果，在所述测试结果指示所述识别准确度小于或等于所述第一阈值的情况下，调整所述第一模型参数。

5.根据权利要求1所述的方法，其特征在于，在获取所述样本数据之后，所述方法还包括：

将所述样本数据按照预定条件划分为第一类型样本与第二类型样本，其中，所述第一类型样本为单个特定的特征，所述第二类型样本为连续型特征；

对所述第一类型样本进行编码，得到编码后的所述第一类型样本；

对所述第二类型样本进行去相关性处理、归一化处理与特征离散化处理，得到处理后的所述第二类型样本；

将编码后的所述第一类型样本与处理后的所述第二类型样本确定为新的所述样本数据。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述按照所述识别结果确定在所述目标时间段内向所述目标账号推送所述目标商品或者禁止在所述目标时间段向所述目标账号推送所述目标商品包括：

获取所述识别结果；

在所述识别结果大于目标阈值的情况下，确定在所述目标时间段内向所述目标账号推送所述目标商品；

在所述识别结果小于或等于所述目标阈值的情况下，确定在所述目标时间段内禁止向所述目标账号推送所述目标商品。

7.根据权利要求1至5任意一项所述的方法，其特征在于，在按照所述识别结果确定在所述目标时间段内向所述目标账号推送所述目标商品或者禁止在所述目标时间段向所述目标账号推送所述目标商品之后，所述方法还包括：

在所述目标时间段内向所述目标账号推送所述目标商品的情况下，获取所述目标账号的目标概率参数，其中，所述目标概率参数根据所述目标账号在所述目标时间段内点击所述目标商品的目标次数和所述目标时间段内向所述目标账号推送所述目标商品的总次数得到；

使用所述目标概率参数预测在所述目标时间段后的第三时间段内向所述目标账号推送所述目标商品的目标结果；

按照所述目标结果确定在所述第三时间段内向所述目标账号推送所述目标商品或者禁止在所述第三时间段内向所述目标账号推送所述目标商品。

8.一种商品推荐装置，其特征在于，包括：

第一获取单元，用于获取目标账号在目标时间段的目标账号数据，所述目标账号在当前时间段的当前概率参数和所述目标账号在第一时间段的第一概率参数，其中，所述目标账号数据中包括所述目标账号的目标行为特征和预向所述目标账号推送的目标商品的目标商品信息，所述第一时间段为所述当前时间段之前的一个时间段，所述目标时间段为所述当前时间段之后的时间段，所述第一概率参数通过所述目标账号在所述第一时间段的第一账号数据得到，所述当前概率参数通过所述目标账号在所述当前时间段的当前账号数据得到；

输入单元，用于将所述目标账号数据与所述第一概率参数、所述当前概率参数输入到目标神经网络模型中，其中，所述目标神经网络模型为使用样本数据训练的模型，所述样本数据包括所述目标账号的第二概率参数、所述第一概率参数和所述当前账号数据、所述第一账号数据，所述第二概率参数通过所述目标账号在第二时间段的第二账号数据得到，所述第二时间段为所述第一时间段之前的一个时间段，所述目标神经网络模型用于输出识别结果，所述识别结果用于指示在所述目标时间段内向所述目标账号推送所述目标商品的情况下，所述目标账号点击所述目标商品的概率；

第一确定单元，用于按照所述识别结果确定在所述目标时间段内向所述目标账号推送所述目标商品或者禁止在所述目标时间段向所述目标账号推送所述目标商品。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二获取单元，用于在将所述目标账号数据与所述第一概率参数、所述当前概率参数输入到目标神经网络模型中之前，获取所述目标账号的历史数据；

第二确定单元，用于将所述历史数据中，所述目标账号在所述当前时间段内的账号行为特征确定为当前行为特征，将在所述当前时间段内推送给所述目标账号的商品的信息确定为当前商品信息；

第三确定单元，用于将所述历史数据中，所述目标账号在所述第一时间段内的账号的行为确定为第一行为特征，将在所述第一时间段内推送给所述目标账号的商品的信息确定为第一商品信息；

第三获取单元，用于获取所述第一概率参数与所述第二概率参数；

训练单元，用于使用所述当前行为特征、所述当前商品信息、所述第一行为特征、所述第一商品信息和所述第一概率参数、所述第二概率参数训练原始神经网络模型，得到所述目标神经网络模型。

10.根据权利要求9所述的装置，其特征在于，所述第三获取单元包括：

第一获取模块，用于获取所述目标账号在所述第一时间段内点击在所述第一时间段内推送给所述目标账号的所述目标商品的第一次数和在所述第二时间段内点击在所述第二时间段内推送给所述目标账号的所述目标商品的第二次数

第一确定模块，用于根据所述第一次数和在所述第一时间段内推送给所述目标账号所述目标商品的第一总次数确定出所述第一概率参数并根据所述第二次数和在所述第二时间段内推送给所述目标账号所述目标商品的第二总次数确定出所述第二概率参数。

11.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第一划分单元，用于在使用所述样本数据训练原始神经网络模型得到所述目标神经网络模型的过程中，将所述样本数据按照预定比例划分为训练数据与测试数据；

第一处理单元，用于对所述原始神经网络模型执行以下操作，直到所述原始神经网络模型的识别准确度大于第一阈值：

使用所述训练数据训练所述原始神经网络模型，确定出所述原始神经网络模型的第一模型参数，使用所述测试数据测试所述第一模型参数下的所述原始神经网络模型，得到所述第一模型参数下的所述原始神经网络模型输出的测试结果，在所述测试结果指示所述识别准确度小于或等于所述第一阈值的情况下，调整所述第一模型参数。

12.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二划分单元，用于在获取所述样本数据之后，将所述样本数据按照预定条件划分为第一类型样本与第二类型样本，其中，所述第一类型样本为单个特定的特征，所述第二类型样本为连续型特征；

编码单元，用于对所述第一类型样本进行编码，得到编码后的所述第一类型样本；

第二处理单元，用于对所述第二类型样本进行去相关性处理、归一化处理与特征离散化处理，得到处理后的所述第二类型样本；

第四确定单元，用于将编码后的所述第一类型样本与处理后的所述第二类型样本确定为新的所述样本数据。

13.根据权利要求8至12任意一项所述的装置，其特征在于，所述第一确定单元包括：

第二获取模块，用于获取所述识别结果；

第二确定模块，用于在所述识别结果大于目标阈值的情况下，确定在所述目标时间段内向所述目标账号推送所述目标商品；

第三确定模块，用于在所述识别结果小于或等于所述目标阈值的情况下，确定在所述目标时间段内禁止向所述目标账号推送所述目标商品。

14.一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其特征在于，所述程序运行时执行所述权利要求1至7任一项中所述的方法。

15.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。

Images