本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別是涉及一種推薦方法及裝置。

背景技術(shù)：

隨著電子商務(wù)的發(fā)展，越來(lái)越多的人通過(guò)電子商務(wù)平臺(tái)進(jìn)行商品信息的獲取和商品的購(gòu)買，在購(gòu)買過(guò)程中，電子商務(wù)平臺(tái)通常會(huì)對(duì)用戶進(jìn)行推薦，以提高用戶的購(gòu)買體驗(yàn)。

目前的商品推薦，通?；谒阉饔涗涍M(jìn)行推薦，推薦的準(zhǔn)確性較差，且推薦時(shí)，也是根據(jù)銷售需要進(jìn)行推薦，導(dǎo)致用戶體驗(yàn)降低。對(duì)于有限的推薦位置，如何合理顯示符合用戶需要的推薦信息和符合銷售需要的推薦信息，是提高用戶體驗(yàn)和滿足電子商務(wù)平臺(tái)需要亟待解決的問題之一。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種推薦方法及裝置，可對(duì)符合用戶需要的推薦信息和符合銷售需要的推薦信息進(jìn)行合理的推薦。

為解決上述技術(shù)問題，本發(fā)明提供一種推薦方法，包括以下步驟：獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息，符合用戶需要的推薦信息為根據(jù)瀏覽記錄和聊天記錄進(jìn)行推薦的信息，符合銷售需要的推薦信息為根據(jù)商品品牌和價(jià)格進(jìn)行推薦的信息；判斷符合銷售需要的推薦信息的數(shù)量是否超過(guò)預(yù)設(shè)閾值；若超過(guò)，則增加符合銷售需要的推薦信息的推薦數(shù)量；將符合用戶需要的推薦信息和符合銷售需要的推薦信息按照相應(yīng)的數(shù)量進(jìn)行推薦。

其中，符合用戶需要的推薦信息與符合銷售需要的推薦信息的推薦數(shù)量之和為固定值。

其中，符合用戶需要的推薦信息的推薦數(shù)量至少為1。

其中，符合用戶需要的推薦信息為基于用戶的瀏覽記錄和聊天記錄、通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾算法生成的推薦信息。

其中，符合銷售需要的推薦信息為商品品牌和價(jià)格滿足銷售需要的信息。

為解決上述技術(shù)問題，本發(fā)明提供一種推薦裝置，包括：獲取模塊，用于獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息，符合用戶需要的推薦信息為根據(jù)瀏覽記錄和聊天記錄進(jìn)行推薦的信息，符合銷售需要的推薦信息為根據(jù)商品品牌和價(jià)格進(jìn)行推薦的信息；判斷模塊，用于判斷符合銷售需要的推薦信息的數(shù)量是否超過(guò)預(yù)設(shè)閾值；增加模塊，用于在判斷模塊判斷符合銷售需要的推薦信息的數(shù)量超過(guò)預(yù)設(shè)閾值時(shí)，增加符合銷售需要的推薦信息的推薦數(shù)量；推薦模塊，用于將符合用戶需要的推薦信息和符合銷售需要的推薦信息按照相應(yīng)的數(shù)量進(jìn)行推薦。

其中，符合用戶需要的推薦信息與符合銷售需要的推薦信息的推薦數(shù)量之和為固定值。

其中，符合用戶需要的推薦信息的推薦數(shù)量至少為1。

其中，符合用戶需要的推薦信息為基于用戶的瀏覽記錄和聊天記錄、通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾算法生成的推薦信息。

其中，符合銷售需要的推薦信息為商品品牌和價(jià)格滿足銷售需要的信息。

本發(fā)明的有益效果是：區(qū)別于現(xiàn)有技術(shù)的情況，本發(fā)明的推薦方法具體為：首先獲取推薦信息，推薦信息包括符合用戶需要的推薦信息和符合銷售需要的推薦信息，然后判斷符合銷售需要的推薦信息是否超過(guò)預(yù)設(shè)閾值，當(dāng)超過(guò)時(shí)，增加符合銷售需要的推薦信息的推薦數(shù)量，最后將上述兩種信息按照相應(yīng)的數(shù)量進(jìn)行推薦。其中，符合用戶需要的推薦信息根據(jù)用戶的瀏覽記錄和聊天記錄進(jìn)行推薦。通過(guò)上述方式，在推薦信息推薦數(shù)量固定的情況下，可合理配置符合用戶需要的推薦信息和符合銷售需要的推薦信息的數(shù)量，提高用戶體驗(yàn)，且滿足電子商務(wù)平臺(tái)的需求。對(duì)于符合用戶需要的推薦信息，其為基于用戶的瀏覽記錄和聊天記錄、通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾算法生成的推薦信息，該推薦信息可準(zhǔn)確反映用戶的需要，提高用戶體驗(yàn)。

附圖說(shuō)明

圖1是本發(fā)明推薦方法一實(shí)施例的流程示意圖；

圖2是本發(fā)明推薦裝置一實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

請(qǐng)參閱圖1，圖1是本發(fā)明推薦方法一實(shí)施例的流程示意圖，如圖1所示，包括以下步驟：

S11，獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息，符合用戶需要的推薦信息為根據(jù)瀏覽記錄和聊天記錄進(jìn)行推薦的信息，符合銷售需要的推薦信息為根據(jù)商品品牌和價(jià)格進(jìn)行推薦的信息。

當(dāng)用戶使用電子商務(wù)交易平臺(tái)時(shí)，對(duì)用戶進(jìn)行信息推薦。在推薦過(guò)程中，首先獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息。在本實(shí)施例中，上述兩類推薦信息均為手表推薦信息。

其中，符合用戶需要的推薦信息其生成過(guò)程具體如下：

A. 獲取用戶信息，用戶信息包括瀏覽記錄和聊天記錄。

該用戶信息為用戶在互聯(lián)網(wǎng)上的信息，如瀏覽記錄、聊天記錄等，這里不進(jìn)行具體的限定。

B. 提取用戶信息中的商品信息。

對(duì)于用戶信息，需提取其中的商品信息，其中，商品信息包括以下一種或多種：商品購(gòu)買信息、商品收藏信息、商品分享信息、商品評(píng)論信息。對(duì)于商品信息，還可以包括其他內(nèi)容，這里不進(jìn)行限定。

C. 將商品信息通過(guò)預(yù)先訓(xùn)練的循環(huán)神經(jīng)網(wǎng)絡(luò)的處理形成商品評(píng)分。

預(yù)先訓(xùn)練的循環(huán)神經(jīng)網(wǎng)絡(luò)是以商品信息為輸入、商品評(píng)分為輸出的循環(huán)神經(jīng)網(wǎng)絡(luò)。通過(guò)預(yù)先訓(xùn)練的循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)用戶信息中的商品信息進(jìn)行處理，形成商品評(píng)分。其中，商品評(píng)分為評(píng)分值，該評(píng)分值對(duì)應(yīng)相應(yīng)的商品，此處的商品具體為手表品牌和/或手表型號(hào)，對(duì)于商品信息形成的商品評(píng)分，其數(shù)量可以為一個(gè)或多個(gè)。

D. 計(jì)算商品評(píng)分與商品評(píng)分庫(kù)里的商品評(píng)分的相似度。

商品評(píng)分庫(kù)是將用戶信息中的商品信息通過(guò)預(yù)先訓(xùn)練的循環(huán)神經(jīng)網(wǎng)絡(luò)的處理形成的商品評(píng)分庫(kù)。

E. 根據(jù)相似度生成推薦信息。

相似度的計(jì)算和推薦信息的生成采用基于商品的協(xié)同過(guò)濾算法。

其中，符合銷售需要的推薦信息為商品品牌和價(jià)格滿足銷售需要的信息。

S12，判斷符合銷售需要的推薦信息的數(shù)量是否超過(guò)預(yù)設(shè)閾值。

S13，若超過(guò)，則增加符合銷售需要的推薦信息的推薦數(shù)量。

在本實(shí)施例中，符合用戶需要的推薦信息與符合銷售需要的推薦信息的推薦數(shù)量之和為固定值。當(dāng)符合銷售需要的推薦信息的數(shù)量較多時(shí)，即超過(guò)預(yù)設(shè)閾值時(shí)，可增加其推薦數(shù)量，如：符合用戶需要的推薦信息的數(shù)量所占權(quán)重為70%，符合銷售需要的推薦信息的數(shù)量所占權(quán)重為30%，正常情況下，按上述權(quán)重進(jìn)行相應(yīng)數(shù)量的推薦；當(dāng)符合銷售需要的推薦信息的數(shù)量超過(guò)預(yù)設(shè)閾值時(shí)，具體地，當(dāng)超過(guò)預(yù)設(shè)閾值的10%時(shí)，增加10%的權(quán)重，依次遞增；符合銷售需要的推薦信息的數(shù)量增加，需確保符合用戶需要的推薦信息的推薦數(shù)量至少為1。

S14，將符合用戶需要的推薦信息和符合銷售需要的推薦信息按照相應(yīng)的數(shù)量進(jìn)行推薦。

請(qǐng)參閱圖2，圖2是本發(fā)明推薦裝置一實(shí)施例的結(jié)構(gòu)示意圖，如圖2所示，包括：獲取模塊21、判斷模塊22、增加模塊23及推薦模塊24。

上述各模塊的功能具體如下：

獲取模塊21用于獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息，符合用戶需要的推薦信息為根據(jù)瀏覽記錄和聊天記錄進(jìn)行推薦的信息，符合銷售需要的推薦信息為根據(jù)商品品牌和價(jià)格進(jìn)行推薦的信息；判斷模塊22用于判斷符合銷售需要的推薦信息的數(shù)量是否超過(guò)預(yù)設(shè)閾值；增加模塊23用于在判斷模塊22判斷符合銷售需要的推薦信息的數(shù)量超過(guò)預(yù)設(shè)閾值時(shí)，增加符合銷售需要的推薦信息的推薦數(shù)量；推薦模塊24用于將符合用戶需要的推薦信息和符合銷售需要的推薦信息按照相應(yīng)的數(shù)量進(jìn)行推薦。

在本實(shí)施例中，當(dāng)用戶使用電子商務(wù)交易平臺(tái)時(shí)，對(duì)用戶進(jìn)行信息推薦。在推薦過(guò)程中，獲取模塊21獲取推薦信息，推薦信息包括符合用戶需要和符合銷售需要的兩類推薦信息。其中，上述兩類推薦信息均為手表推薦信息。

其中，符合用戶需要的推薦信息為基于用戶的瀏覽記錄和聊天記錄、通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾算法生成的推薦信息。具體生成過(guò)程在實(shí)施例1中已有詳細(xì)的闡述，在此不再贅述。

其中，符合銷售需要的推薦信息為商品品牌和價(jià)格滿足銷售需要的信息。

在本實(shí)施例中，符合用戶需要的推薦信息與符合銷售需要的推薦信息的推薦數(shù)量之和為固定值。當(dāng)符合銷售需要的推薦信息的數(shù)量較多時(shí)，即超過(guò)預(yù)設(shè)閾值時(shí)，可增加其推薦數(shù)量，如：符合用戶需要的推薦信息的數(shù)量所占權(quán)重為70%，符合銷售需要的推薦信息的數(shù)量所占權(quán)重為30%，正常情況下，按上述權(quán)重進(jìn)行相應(yīng)數(shù)量的推薦；當(dāng)符合銷售需要的推薦信息的數(shù)量超過(guò)預(yù)設(shè)閾值時(shí)，具體地，當(dāng)超過(guò)預(yù)設(shè)閾值的10%時(shí)，增加10%的權(quán)重，依次遞增；符合銷售需要的推薦信息的數(shù)量增加，需確保符合用戶需要的推薦信息的推薦數(shù)量至少為1。

綜上所述，本發(fā)明在推薦信息推薦數(shù)量固定的情況下，可合理配置符合用戶需要的推薦信息和符合銷售需要的推薦信息的數(shù)量，提高用戶體驗(yàn)，且滿足電子商務(wù)平臺(tái)的需求。對(duì)于符合用戶需要的推薦信息，其為基于用戶的瀏覽記錄和聊天記錄、通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾算法生成的推薦信息，該推薦信息可準(zhǔn)確反映用戶的需要，提高用戶體驗(yàn)。

以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說(shuō)明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。