1.一種用于電子商務(wù)中商品推薦列表的生成方法，其特征在于，該方法包括以下步驟：
S11采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)特征融合，得到融合后的實(shí)時(shí)預(yù)測(cè)特征向量；
S12計(jì)算行為商品的購(gòu)買概率；
S13對(duì)S12得到的行為商品的購(gòu)買概率進(jìn)行修正，得到修正后的行為商品的購(gòu)買概率；
S14根據(jù)修正后的行為商品的購(gòu)買概率，測(cè)算相似相關(guān)商品的購(gòu)買概率，并按照購(gòu)買率大小排序，生成商品推薦列表。
2.按照權(quán)利要求1所述的方法，其特征在于，所述的步驟S11中，所述的特征數(shù)據(jù)來源于PC端、WAP端和/或APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和第三方線下終端數(shù)據(jù)；所述的特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實(shí)時(shí)特征數(shù)據(jù)。
3.按照權(quán)利要求2所述的方法，其特征在于，所述的實(shí)時(shí)特征數(shù)據(jù)采用解析訪問日志、點(diǎn)擊日志、曝光日志、事件日志和/或訂單日志的方法得到。
4.按照權(quán)利要求3所述的方法，其特征在于，所述的S11進(jìn)一步包括：建立終端的映射關(guān)系，打通或?qū)ぢ犯鹘K端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實(shí)時(shí)預(yù)測(cè)特征向量。
5.按照權(quán)利要求1所述的方法，其特征在于，所述的S12進(jìn)一步包括：首先對(duì)用戶進(jìn)行分類，并建立各類用戶對(duì)應(yīng)的分模型；然后將S11得到的實(shí)時(shí)預(yù)測(cè)特征向量帶入相應(yīng)用戶的分模型中，計(jì)算行為商品的購(gòu)買概率。
6.按照權(quán)利要求5所述的方法，其特征在于，所述的對(duì)用戶進(jìn)行分類包括：按照終端類型、用戶類型和訪客類型三種維度，對(duì)用戶進(jìn)行分類。
7.按照權(quán)利要求5所述的方法，其特征在于，所述的S13中，對(duì)S12得到的行為商品的購(gòu)買概率進(jìn)行修正是：采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對(duì)S12得到的行為商品的購(gòu)買概率進(jìn)行修正，得到修正后的商品購(gòu)買概率。
8.按照權(quán)利要求1所述的方法，其特征在于，所述的S14中，相似相關(guān)商品 的購(gòu)買概率按照式(1)測(cè)算：
Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)
其中，Score_i表示相似相關(guān)商品的購(gòu)買概率，Master_SPU_Pos表示行為商品的購(gòu)買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品SKU_i與行為商品的關(guān)聯(lián)度。
9.一種用于電子商務(wù)中商品推薦列表的生成系統(tǒng)，其特征在于，該系統(tǒng)包括：
采集模塊：用于采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)融合，得到融合后的實(shí)時(shí)預(yù)測(cè)特征向量；
計(jì)算模塊：用于計(jì)算行為商品的購(gòu)買概率；
融合模塊：用于對(duì)行為商品的購(gòu)買概率進(jìn)行修正，得到融合后的行為商品的購(gòu)買概率；
生成模塊：用于測(cè)算相似相關(guān)商品的購(gòu)買概率，并按照購(gòu)買率大小排序，生成商品推薦列表。
10.按照權(quán)利要求9所述的系統(tǒng)，其特征在于，所述的采集模塊中，特征數(shù)據(jù)來源于PC端、WAP端、APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和線下終端數(shù)據(jù)；所述的特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實(shí)時(shí)特征數(shù)據(jù)。
11.按照權(quán)利要求9所述的系統(tǒng)，其特征在于，所述的采集模塊具體用于：建立終端的映射關(guān)系，打通各終端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實(shí)時(shí)預(yù)測(cè)特征向量。
12.按照權(quán)利要求9所述的系統(tǒng)，其特征在于，所述的計(jì)算模塊包括：
分類子模塊：用于對(duì)用戶進(jìn)行分類，形成多類用戶；
建模子模塊：用于對(duì)各類用戶建立對(duì)應(yīng)的分模型；
計(jì)算子模塊：用于采集模塊得到的實(shí)時(shí)預(yù)測(cè)特征向量帶入相應(yīng)用戶的分模型中，計(jì)算行為商品的購(gòu)買概率。
13.按照權(quán)利要求9所述的系統(tǒng)，其特征在于，所述的融合模塊中，對(duì)行為商品的購(gòu)買概率進(jìn)行修正是，采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對(duì)行為商品的購(gòu)買概率進(jìn)行修正，得到融合后的商品購(gòu)買概率。
14.按照權(quán)利要求9所述的系統(tǒng)，其特征在于，所述的生成模塊中，相似相關(guān)商品的購(gòu)買概率按照式(1)測(cè)算：
Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)
其中，Score_i表示相似相關(guān)商品的購(gòu)買概率，Master_SPU_Pos表示行為商品的購(gòu)買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品SKU_i與行為商品的關(guān)聯(lián)度。