CN111967924A - 商品推荐方法、商品推荐装置、计算机设备和介质 - Google Patents

Abstract

本公开提供了一种商品推荐方法，包括：获取第一用户的人脸图像；基于第一神经网络模型确定与所述人脸图像对应的用户属性；获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；获取第二用户的购物行为数据；基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。本公开还提供了一种商品推荐装置、一种计算机设备以及一种计算机可读存储介质。

Description

商品推荐方法、商品推荐装置、计算机设备和介质

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种商品推荐方法、商品推荐装置、计算机设备和介质。

背景技术

随着互联网技术的快速发展，电子商务迅速兴起，各种电商平台提供了多种多样的线上商品交易渠道，极大地方便了人们的工作和生活。

通常，电商平台通过商品推荐来提高商品销售的有效转化率。现有的商品推荐方式包括：基于商品内容的相似程度进行推荐、基于同一用户购买不同商品的关联进行推荐、基于不同用户的购买行为的关联进行推荐、以及基于机器学习的推荐。其中，前三种方式都具有计算过程复杂且准确度低的问题，第四种方式目前通常使用外部来源的训练集进行机器学习，具有对于不同的电商平台环境的泛化性差的问题。

发明内容

有鉴于此，本公开提供了一种改进的商品推荐方法和装置。

本公开的一个方面提供了一种商品推荐方法，包括：获取第一用户的人脸图像；基于第一神经网络模型确定与所述人脸图像对应的用户属性；获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；获取第二用户的购物行为数据；基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及，基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

根据本公开的实施例，所述用户属性包括如下至少一种：用户年龄和用户性别。所述购物行为数据包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

根据本公开的实施例，上述利用训练数据训练得到第二神经网络模型包括：提取所述训练数据的特征向量；获取初始神经网络模型；以及将所述特征向量输入所述初始神经网络模型，基于所述初始神经网络模型的输出与所述训练数据的标签，对所述初始神经网络模型进行迭代优化，得到所述第二神经网络模型。

根据本公开的实施例，上述方法还包括：在所述向所述第二用户推送商品信息之前，获取任一用户属性的第三用户的购物行为数据；以及根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合；所述向所述第二用户推送商品信息包括：向所述第二用户推送与所述第二用户的购物行为数据对应的用户属性的偏好商品信息集合中的商品信息。

根据本公开的实施例，上述根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合包括：根据所述第三用户在第一预定时间段内浏览商品的次数，计算各商品的第一得分系数；根据所述第三用户在第二预定时间段内购买商品的数量和/或次数，计算各商品的第二得分系数；根据所述第三用户在第三预定时间段内收藏商品的次数，计算各商品的第三得分系数；基于所述第一得分系数、第二得分系数和第三得分系数中的至少一个，计算各商品的综合得分；以及选取综合得分高于第一预定阈值的商品的相关信息构成所述任一用户属性的偏好商品信息集合。

根据本公开的实施例，上述向所述第二用户推送商品信息包括：在接收到所述第二用户输入的关键词时，基于与所述第二用户的购物行为数据对应的用户属性确定所述第二用户的偏好商品信息；以及基于所述关键词对所述偏好商品信息进行匹配，向所述第二用户推送匹配度高于第二预定阈值的商品信息。

本公开的另一个方面提供了一种商品推荐装置，包括：第一获取模块、第一确定模块、第二获取模块、训练模块、第三获取模块、第二确定模块和推送模块。第一获取模块用于获取第一用户的人脸图像。第一确定模块用于基于第一神经网络模型确定与所述人脸图像对应的用户属性。第二获取模块用于获取具有所述用户属性中任一用户属性的第一用户的购物行为数据。训练模块用于利用训练数据训练得到第二神经网络模型。其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签。第三获取模块用于获取第二用户的购物行为数据。第二确定模块用于基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性。以及推送模块用于基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

根据本公开的实施例，上述用户属性包括如下至少一种：用户年龄和用户性别。上述购物行为数据包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

本公开的另一方面提供了一种计算机设备，包括存储器、处理器及存储在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程序时实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，充分利用了电商平台对用户进行人脸识别时所获得的人脸图像，基于第一神经网络模型确定与人脸图像对应的用户属性，并获取具有各用户属性的用户的购物行为数据。以具有各用户属性的用户的购物行为数据为训练数据，以相应的用户属性作为训练数据的标签，训练得到依据购物行为数据预测用户属性的第二神经网络模型，进而可以基于所预测的用户属性对相应用户进行个性化商品推荐。在大多数用户的真实属性不能被直接获得的场景下，本方案充分利用用户所参与的人脸识别行为以及日常购物行为，无需利用外部来源的训练集，能够得到适应于本电商平台环境的第二神经网络模型，通过更确切地预测用户属性以达到更好的商品推荐效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的应用商品推荐方法和装置的示例性系统架构；

图2示意性示出了根据本公开实施例的商品推荐方法的流程图；

图3A示意性示出了根据本公开实施例的商品推荐过程的示意图；

图3B示意性示出了根据本公开实施例的第二神经网络模型训练过程的示意图；

图3C示意性示出了根据本公开实施例的第二神经网络模型预测过程的示意图；

图4示意性示出了根据本公开实施例的商品推荐装置的框图；

图5示意性示出了根据本公开另一实施例的商品推荐装置的框图；以及

图6示意性示出了根据本公开实施例的计算机设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种商品推荐方法以及能够应用该方法的装置。该方法包括训练数据获取阶段、训练阶段和商品推荐阶段。在训练数据获取阶段，基于第一神经网络模型确定与第一用户的人脸图像对应的用户属性，获取具有所述用户属性中任一用户属性的第一用户的购物行为数据，以具有所述任一用户属性的第一用户的购物行为数据作为训练数据，以所述任一用户属性作为训练数据的标签。在训练阶段，利用训练数据训练得到第二神经网络模型。在商品推荐阶段，基于第二神经网络模型确定与第二用户的购物行为数据对应的用户属性，然后基于与所述第二用户的购物行为数据对应的用户属性，向第二用户推送商品信息。

图1示意性示出了根据本公开实施例的可以应用商品推荐方法和装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以向终端设备推送信息、或者对接收到的数据进行分析处理，并将处理结果(例如根据用户请求获取或生成的搜索结果、网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的商品推荐方法可以由服务器105执行。相应地，本公开实施例所提供的商品推荐装置一般可以设置于服务器105中。或者，本公开实施例所提供的商品推荐方法也可以由终端设备101、102、103执行。相应地，本公开实施例所提供的商品推荐装置一般可以设置于终端设备101、102、103中。或者，本公开实施例所提供的商品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的商品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的商品推荐方法的流程图。

如图2所示，该方法包括在操作S201，获取第一用户的人脸图像。

其中，第一用户代表某一类用户群体，可以包括一个或多个用户。在本操作S201中，第一用户是指可以获取到人脸图像但用户属性未知的一个或多个用户。用户属性是指用户所具有的短时间内不会发生变化的、较为稳定的属性，用户属性可以有一种或多种，不同的用户可以具有相同或不同的用户属性。

在操作S202，基于第一神经网络模型确定与所述人脸图像对应的用户属性。

其中，第一神经网络模型是以人脸图像为输入、用户属性的分类结果为输出的神经网络模型，可以是深度神经网络(Deep Neural Networks，DNN)模型、卷积神经网络(Convolutional Neural Networks，CNN)模型、以及循环神经网络(Recurrent NeuralNetworks，RNN)模型等，在此不做限制。

在操作S203，获取具有所述用户属性中任一用户属性的第一用户的购物行为数据。

其中，购物行为数据是指用户在电商平台进行购物的过程(包括购买前、购买中、和/或购买后)中所涉及的各种行为数据。

在操作S204，利用训练数据训练得到第二神经网络模型。

其中，以操作S203所获取的具有所述任一用户属性的第一用户的购物行为数据作为训练数据，以所述任一用户属性作为该训练数据的标签。本操作S204以该训练数据训练得到的第二神经网络是以购物行为数据为输入、用户属性的分类结果为输出的神经网络模型，可以是深度神经网络模型、卷积神经网络模型、以及循环神经网络模型等，在此不做限制。

在操作S205，获取第二用户的购物行为数据。

其中，第二用户代表某一类用户群体，可以包括一个或多个用户。在本操作S205中，第二用户是指可以获取到购物行为数据但用户属性未知的一个或多个用户。第二用户与第一用户可以有交集，也可以没有交集，在此不做限制。

在操作S206，基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性。

在操作S207，基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

可见，图2所示的方法充分利用了电商平台对用户进行人脸识别时所获得的人脸图像，基于第一神经网络模型确定与人脸图像对应的用户属性，并获取具有各用户属性的用户的购物行为数据。以具有各用户属性的用户的购物行为数据为训练数据，以相应的用户属性作为训练数据的标签，训练得到依据购物行为数据预测用户属性的第二神经网络模型，进而可以基于所预测的用户属性对相应用户进行个性化商品推荐。在大多数用户的真实属性不能被直接获得的场景下，本方案充分利用用户所参与的人脸识别行为以及日常购物行为，无需利用外部来源的训练集，能够得到适应于本电商平台环境的第二神经网络模型，通过更确切地预测用户属性以达到更好的商品推荐效果。

需要说明的是，图2所示的商品推荐方法可以在服务器侧实施，也可以在客户端侧实施。当该方法在服务器侧实施时，服务器在操作S201接收客户端提交的第一用户的人脸图像，然后执行操作S202～S206，接着服务器在操作S207向客户端推送商品信息，由客户端将所述商品信息输出展示给第二用户。当该方法在客户端侧实施时，客户端在操作S201采集第一用户的人脸图像，然后执行操作S202～S206，接着客户端在操作S207向第二用户展示推送商品信息。

在本公开的一个实施例中，用户属性可以包括如下至少一种：用户年龄和用户性别。购物行为数据可以包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

例如，依据用户年龄可以划分出如{[0，18]，[19，25]，[26，45]，[46，60]，[61，∞)}这五种用户属性。依据用户性别可以划分出{男，女}这两种用户属性。同时依据用户年龄和用户性别可以划分出如{女&[0，18]，女&[19，25]，女&[26，45]，女&[46，60]，女&[61，∞)，男&[0，18]，男&[19，25]，男&[26，45]，男&[46，60]，男&[61，∞)}这10种用户属性。具体的用户属性的划分方式可以根据实际需要设置，在此不做限制。

在本公开的一个实施例中，上述利用训练数据训练得到第二神经网络模型可以包括：提取所述训练数据的特征向量；获取初始神经网络模型；以及将所述特征向量输入所述初始神经网络模型，基于所述初始神经网络模型的输出与所述训练数据的标签，对所述初始神经网络模型进行迭代优化，得到所述第二神经网络模型。

进一步地，根据本公开实施例的商品推荐方法还可以包括：在所述向所述第二用户推送商品信息之前，获取任一用户属性的第三用户的购物行为数据；以及，根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合。在此基础上，上述向所述第二用户推送商品信息包括：向所述第二用户推送与所述第二用户的购物行为数据对应的用户属性的偏好商品信息集合中的商品信息。

其中，第三用户代表某一类用户群体，可以包括一个或多个用户。在上述过程中，第三用户是指用户属性已知的一个或多个用户，例如可以是在个人账户信息中主动填写用户属性的用户，也可以是原本为第一用户、后经由第一神经网络模型确定用户属性的用户等，在此不做限定。依据本实施例，在利用第二神经网络模型确定用户属性后，可以基于一些用户属性已知的第三用户对商品的偏好来进行商品推荐，使得商品推荐更加适配用户属性。

具体地，作为一个可选的实施例，上述根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合可以包括：根据所述第三用户在第一预定时间段内浏览商品的次数，计算各商品的第一得分系数；根据所述第三用户在第二预定时间段内购买商品的数量和/或次数，计算各商品的第二得分系数；根据所述第三用户在第三预定时间段内收藏商品的次数，计算各商品的第三得分系数；基于所述第一得分系数、第二得分系数和第三得分系数中的至少一个，计算各商品的综合得分；以及选取综合得分高于第一预定阈值的商品的相关信息构成所述任一用户属性的偏好商品信息集合。

例如，在需要确定用户属性A的偏好商品信息集合时，将商品划分为如{女装，男装，玩具，故事书，化妆品，家用电器，中老年服饰或奶粉}这七类。分别为每类商品设置浏览权重a，分别记录具有用户属性A的第三用户在第一预定时间段内浏览以上各类商品的次数n：{{女装，a₁，n₁}，{男装，a₂，n₂}，{玩具，a₃，n₃}，{故事书，a₄，n₄}，{化妆品，a₅，n₅}，{家用电器，a₆，n₆}，{中老年服饰或奶粉，a₇，n₇}}。以女装类商品为例，可以通过如下公式(1)计算女装类商品的第一得分系数x₁₁：

其他类商品的第一得分系数的计算方式与此同理，在此不再赘述。在其他例子中，也可以通过其他算法计算各类商品的第一得分系数，旨在依据用户浏览商品的行为数据来计算用户对不同商品的偏好程度。

依然沿用上述七类商品的例子，分别为每类商品设置购买权重b，分别记录具有用户属性A的第三用户在第二预定时间段内购买以上各类商品的数量m：{{女装，b₁，m₁}，{男装，b₂，m₂}，{玩具，b₃，m₃}，{故事书，b₄，m₄}，{化妆品，b₅，m₅}，{家用电器，b₆，m₆}，{中老年服饰或奶粉，b₇，m₇}}。以女装类商品为例，可以通过如下公式(2)计算女装类商品的第二得分系数x₂₁：

其他类商品的第二得分系数的计算方式与此同理，在此不再赘述。在其他例子中，也可以通过其他算法计算各类商品的第二得分系数，旨在依据用户购买商品的行为数据来计算用户对不同商品的偏好程度。

依然沿用上述七类商品的例子，分别为每类商品设置收藏权重c，分别记录具有用户属性A的第三用户在第三预定时间段内收藏以上各类商品的次数q：{{女装，c₁，q₁}，{男装，c₂，q₂}，{玩具，c₃，q₃}，{故事书，c₄，q₄}，{化妆品，c₅，q₅}，{家用电器，c₆，q₆}，{中老年服饰或奶粉，c₇，q₇}}。以女装类商品为例，可以通过如下公式(3)计算女装类商品的第三得分系数x₃₁：

其他类商品的第三得分系数的计算方式与此同理，在此不再赘述。在其他例子中，也可以通过其他算法计算各类商品的第三得分系数，旨在依据用户收藏商品的行为数据来计算用户对不同商品的偏好程度。

分别为第一得分系数、第二得分系数和第三得分系数设置权重w₁、w₂、w₃，基于女装类商品的第一得分系数x₁₁、第二得分系数x₂₁和第三得分系数x₃₁，可以通过如下公式(4)计算女装类商品的综合得分X₁：

X₁＝w₁×x₁₁+w₂×x₂₁+w₃×x₃₁ (4)

其中，可根据实际需要为第一得分系数、第二得分系数和第三得分系数设置权重，如由于第二得分系数是通过购买商品的行为数据得到的，通常用户对已购买的商品的需要程度会变低，因此可以为第二得分系数设置较小的权重，而为第一得分系数和第三得分系数设置较大的权重。其他类商品的综合得分的计算方式与此同理，在此不再赘述。在其他例子中，也可以通过其他算法计算各类商品的综合得分。对于具有用户属性A的第三用户来说，每类商品的综合得分能够反映具有用户属性A的第三用户对于该类商品的综合偏好程度，因此，选取综合得分高于第一预定阈值的商品的相关信息构成用户属性A的偏好商品信息集合。

在本公开的一个实施例中，根据本公开的商品推荐方法可以在用户无操作的场景下向用户进行商品推荐。在本公开的另一个实施例中，根据本公开的商品推荐方法可以在用户进行搜索的场景下向用户进行商品推荐，上述向所述第二用户推送商品信息可以包括：在接收到所述第二用户输入的关键词时，基于与所述第二用户的购物行为数据对应的用户属性确定所述第二用户的偏好商品信息；以及基于所述关键词对所述偏好商品信息进行匹配，向所述第二用户推送匹配度高于第二预定阈值的商品信息。可见，本方案的商品推荐方法还可以与用户搜索过程结合，基于用户输入的关键词筛选出用户当前正在搜索的、且符合用户偏好的商品信息进行推送。

下面参考图3A～图3C，结合具体实施例对根据本公开实施例的商品推荐方法进行展开说明。

图3A示意性示出了根据本公开实施例的商品推荐过程的示意图。

如图3A所示，第一用户通过客户端登录电商平台时，客户端对第一用户进行面部识别，获取到第一用户的人脸图像并发送至服务器，服务器对人脸图像进行特征提取，将提取出的特征输入第一神经网络模型，经由第一神经网络模型确定与人脸图像对应的用户属性，并将用户属性与相应用户的用户标识对应存储于Hive数据库。本例中用户属性包括性别和年龄区间，可以包括如上文所述的{女&[0，18]，女&[19，25]，女&[26，45]，女&[46，60]，女&[61，∞)，男&[0，18]，男&[19，25]，男&[26，45]，男&[46，60]，男&[61，∞)}这10种用户属性。在第一用户成功登录电商平台后，客户端监测第一用户的购物行为数据并上报至服务器，服务器将购物行为数据与相应用户的用户标识对应存储于Hive数据库。一方面，服务器基于Hive数据库存储的用户属性、购物行为数据、以及用户标识，确定用户属性与购物行为数据的对应关系。另一方面，服务器基于用户属性与购物行为数据的对应关系能够分析得到不同性别、年龄区间的用户的商品偏好。

然后，服务器以购物行为数据为训练数据，以与购物行为数据对应的用户属性为相应训练数据的标签，利用训练数据训练得到第二神经网络模型。

图3B示意性示出了根据本公开实施例的第二神经网络模型训练过程的示意图。

如图3B所示，以上述训练数据作为输入，提取训练数据的特征向量。获取初始神经网络模型，利用训练数据的特征向量以及训练数据的标签对初始神经网络模型的参数进行迭代优化，直至达到收敛状态，得到最优模型，该最优模型为第二神经网络模型。该第二神经网络模型的输出层的节点数与用户属性的种类数相对应，例如对于上述10种用户属性的情况，第二神经网络模型的输出层的节点数为10。

对于用户属性未知的第二用户，客户端监测第二用户的购物行为数据并上报至服务器，服务器基于上述训练得到的第二神经网络模型预测与第二用户的购物行为数据对应的用户属性，即预测每一个第二用户的性别和年龄区间。

图3C示意性示出了根据本公开实施例的第二神经网络模型预测过程的示意图。

如图3C所示，提取训练数据的特征向量并输入至第二神经网络模型，经由第二神经网络模型的输入层、一个或多个隐藏层、以及输出层的计算传递，分别得到对应于不同用户属性的预测概率。例如对于上述10种用户属性的情况，分别得到与上述10种用户属性对应的预测概率，确定预测概率最大的用户属性为第二用户的用户属性，表征了第二用户的预测性别和年龄区间。

基于上文中分析得到的不同性别、年龄区间的用户的商品偏好确定第二用户的商品偏好，得到推荐商品信息。服务器向客户端推送相应的推荐商品信息，由客户端向第二用户展示该推荐商品信息。

图4示意性示出了根据本公开实施例的商品推荐装置的框图。

如图4所示，商品推荐装置400包括：第一获取模块410、第一确定模块420、第二获取模块430、训练模块440、第三获取模块450、第二确定模块460和推送模块470。

第一获取模块410用于获取第一用户的人脸图像。

第一确定模块420用于基于第一神经网络模型确定与所述人脸图像对应的用户属性。

第二获取模块430用于获取具有所述用户属性中任一用户属性的第一用户的购物行为数据。

训练模块440用于利用训练数据训练得到第二神经网络模型。其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签。

第三获取模块450用于获取第二用户的购物行为数据。

第二确定模块460用于基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性。

推送模块470用于基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

在本公开的一个实施例中，上述用户属性包括如下至少一种：用户年龄和用户性别。上述购物行为数据包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

图5示意性示出了根据本公开另一实施例的商品推荐装置的框图。

如图5所示，商品推荐装置500包括：第一获取模块510、第一确定模块520、第二获取模块530、训练模块540、第三获取模块550、第二确定模块560和推送模块570。第一获取模块510、第一确定模块520、第二获取模块530、训练模块540、第三获取模块550、第二确定模块560和推送模块570分别具有与第一获取模块410、第一确定模块420、第二获取模块430、训练模块440、第三获取模块450、第二确定模块460和推送模块470对应相同的功能，重复的部分在此不再赘述。

在本公开的一个实施例中，训练模块540包括：提取子模块541、获取子模块542、以及优化子模块543。

提取子模块541提取所述训练数据的特征向量。获取子模块542获取初始神经网络模型。以及优化子模块543将所述特征向量输入所述初始神经网络模型，基于所述初始神经网络模型的输出与所述训练数据的标签，对所述初始神经网络模型进行迭代优化，得到所述第二神经网络模型。

进一步地，在本公开的一个实施例中，商品推荐装置500还包括：第四获取模块580、以及第三确定模块590。

第四获取模块580用于在推送模块570向所述第二用户推送商品信息之前，获取任一用户属性的第三用户的购物行为数据。以及第三确定模块590用于根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合。

在此基础上，推送模块570具体用于向所述第二用户推送与所述第二用户的购物行为数据对应的用户属性的偏好商品信息集合中的商品信息。

具体地，作为一个可选的实施例，第三确定模块590包括：第一计算子模块591、第二计算子模块592、第三计算子模块593、第四计算子模块594、以及选择子模块595。

第一计算子模块591用于根据所述第三用户在第一预定时间段内浏览商品的次数，计算各商品的第一得分系数。第二计算子模块592用于根据所述第三用户在第二预定时间段内购买商品的数量和/或次数，计算各商品的第二得分系数。第三计算子模块593用于根据所述第三用户在第三预定时间段内收藏商品的次数，计算各商品的第三得分系数。第四计算子模块594用于基于所述第一得分系数、第二得分系数和第三得分系数中的至少一个，计算各商品的综合得分。以及选择子模块595用于选取综合得分高于第一预定阈值的商品的相关信息构成所述任一用户属性的偏好商品信息集合。

在本公开的一个实施例中，推送模块570包括：确定子模块以及推送子模块。

确定子模块用于在接收到所述第二用户输入的关键词时，基于与所述第二用户的购物行为数据对应的用户属性确定所述第二用户的偏好商品信息。以及推送子模块用于基于所述关键词对所述偏好商品信息进行匹配，向所述第二用户推送匹配度高于第二预定阈值的商品信息。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块510、第一确定模块520、第二获取模块530、训练模块540、第三获取模块550、第二确定模块560和推送模块570、第四获取模块580、以及第三确定模块590中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、第一确定模块520、第二获取模块530、训练模块540、第三获取模块550、第二确定模块560和推送模块570、第四获取模块580、以及第三确定模块590中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、第一确定模块520、第二获取模块530、训练模块540、第三获取模块550、第二确定模块560和推送模块570、第四获取模块580、以及第三确定模块590中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图6示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，根据本公开实施例的计算机设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种商品推荐方法，包括：

获取第一用户的人脸图像；

基于第一神经网络模型确定与所述人脸图像对应的用户属性；

获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；

利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；

获取第二用户的购物行为数据；

基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及

基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

2.根据权利要求1所述的方法，其中：

所述用户属性包括如下至少一种：用户年龄和用户性别；

所述购物行为数据包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

3.根据权利要求1所述的方法，其中，所述利用训练数据训练得到第二神经网络模型包括：

提取所述训练数据的特征向量；

获取初始神经网络模型；以及

将所述特征向量输入所述初始神经网络模型，基于所述初始神经网络模型的输出与所述训练数据的标签，对所述初始神经网络模型进行迭代优化，得到所述第二神经网络模型。

4.根据权利要求1所述的方法，还包括：

在所述向所述第二用户推送商品信息之前，

获取任一用户属性的第三用户的购物行为数据；以及

根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合；

所述向所述第二用户推送商品信息包括：向所述第二用户推送与所述第二用户的购物行为数据对应的用户属性的偏好商品信息集合中的商品信息。

5.根据权利要求4所述的方法，其中，所述根据所述第三用户的购物行为数据确定所述任一用户属性的偏好商品信息集合包括：

根据所述第三用户在第一预定时间段内浏览商品的次数，计算各商品的第一得分系数；

根据所述第三用户在第二预定时间段内购买商品的数量和/或次数，计算各商品的第二得分系数；

根据所述第三用户在第三预定时间段内收藏商品的次数，计算各商品的第三得分系数；

基于所述第一得分系数、第二得分系数和第三得分系数中的至少一个，计算各商品的综合得分；以及

选取综合得分高于第一预定阈值的商品的相关信息构成所述任一用户属性的偏好商品信息集合。

6.根据权利要求1所述的方法，其中，所述向所述第二用户推送商品信息包括：

在接收到所述第二用户输入的关键词时，基于与所述第二用户的购物行为数据对应的用户属性确定所述第二用户的偏好商品信息；以及

基于所述关键词对所述偏好商品信息进行匹配，向所述第二用户推送匹配度高于第二预定阈值的商品信息。

7.一种商品推荐装置，包括：

第一获取模块，用于获取第一用户的人脸图像；

第一确定模块，用于基于第一神经网络模型确定与所述人脸图像对应的用户属性；

第二获取模块，用于获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；

训练模块，用于利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；

第三获取模块，用于获取第二用户的购物行为数据；

第二确定模块，用于基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及

推送模块，用于基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。

8.根据权利要求7所述的装置，其中：

所述用户属性包括如下至少一种：用户年龄和用户性别；

所述购物行为数据包括如下至少一种：在第一预定时间段内浏览商品的类别和次数，在第二预定时间段内购买商品的类别、数量和次数，以及在第三预定时间段内收藏商品的类别和次数。

9.一种计算机设备，包括存储器、处理器及存储在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程序时实现：

如权利要求1～6中任一项所述的商品推荐方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行：

如权利要求1～6中任一项所述的商品推荐方法。

Images