本發(fā)明涉及大數(shù)據(jù)處理領(lǐng)域，特別涉及一種個性化商品預(yù)測方法和裝置。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的發(fā)展，電子商務(wù)系統(tǒng)在為用戶提供越來越多選擇的同時，推薦的信息也變得更加多樣化，用戶在大量的商品信息空間中，不能快速找到自己最想要的商品。目前，在進行個性化商品預(yù)測時，主要采用以下兩種方式：(1)分析師根據(jù)業(yè)務(wù)經(jīng)驗對篩選出來的特征給出一個系數(shù)，得到計算總分的公式該方法通過統(tǒng)計用戶過去30天用戶全站完成訂單特征、過去7日有效uv價值特征、過去一個月用戶在京東點擊商品等特征，然后由分析師根據(jù)業(yè)務(wù)經(jīng)驗，確定特征系數(shù)，得出計算總分的公式。(2)邏輯回歸統(tǒng)計對提取出的特征計算得分該方法通過分析師確定哪些特征是邏輯回歸計算公式中的自變量，哪些因子組合作為邏輯回歸模型的標(biāo)簽，然后抽出一部分樣本數(shù)據(jù)，在統(tǒng)計軟件中做邏輯回歸，計算得到商品特征系數(shù)，具體過程如下：a.在大數(shù)據(jù)平臺hive中，提取特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)；b.把特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)關(guān)聯(lián)后，做邏輯回歸分析；c.統(tǒng)計軟件得出邏輯回歸特征的系數(shù)；d.分析師結(jié)合業(yè)務(wù)經(jīng)驗，分析特征系數(shù)的合理性，進行系數(shù)微調(diào)后，給出邏輯回歸的公式，計算商品質(zhì)量分。然而，上述的現(xiàn)有技術(shù)分別存在以下(1)分析師根據(jù)業(yè)務(wù)經(jīng)驗對篩選出來的特征給出一個系數(shù)，得出計算商品質(zhì)量分的公式這種方法對分析師的業(yè)務(wù)經(jīng)驗依賴較大，推薦商品的時候，用來篩選特征的系數(shù)是由分析師給定的，不容易挖掘商品的潛在特征。(2)邏輯回歸統(tǒng)計對提取出的特征計算得分這種方法是隨機抽樣部分?jǐn)?shù)據(jù)，在統(tǒng)計軟件中做邏輯回歸，用樣本估計全體，在小數(shù)據(jù)上做大數(shù)據(jù)分析，會有偏差；不容易挖掘商品的交叉特征，不能提取更多的有用信息做商品優(yōu)質(zhì)精選。技術(shù)實現(xiàn)要素：本發(fā)明實施例提供一種個性化商品預(yù)測方法和裝置，通過利用預(yù)置的深度學(xué)習(xí)模型對指定用戶與商品有關(guān)的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。這對于提升用戶購物體驗，搭建智能化商品推薦系統(tǒng)平臺，都有重大意義。根據(jù)本發(fā)明的一個方面，提供一種個性化商品預(yù)測方法，包括：獲取指定用戶與商品有關(guān)的業(yè)務(wù)信息；從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征；利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。在一個實施例中，業(yè)務(wù)特征包括相關(guān)商品在指定時間段內(nèi)全站完成訂單特征、相關(guān)商品在指定時間段內(nèi)有效成交金額、相關(guān)商品在指定時間段內(nèi)有效獨立訪客特征、相關(guān)商品在指定時間內(nèi)新增好評特征、相關(guān)商品在指定時間段內(nèi)活躍天數(shù)特征、相關(guān)商品在指定時間段內(nèi)關(guān)注數(shù)量特征和相關(guān)商品退貨率特征。在一個實施例中，業(yè)務(wù)特征還包括相關(guān)商品上架時長特征、相關(guān)商品在指定時間段內(nèi)新增評論特征、相關(guān)商品在指定時間段內(nèi)有效銷售總額特征、相關(guān)商品前一天頁面瀏覽量特征、相關(guān)商品在指定時間段內(nèi)頁面瀏覽量特征、相關(guān)商品在指定時間段內(nèi)無理由退貨特征、相關(guān)商品所屬店鋪特征、相關(guān)商品好評率特征中的至少一個特征。在一個實施例中，在利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理時，將有關(guān)聯(lián)的業(yè)務(wù)特征進行交叉融合。在一個實施例中，深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。在一個實施例中，在從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征前，還包括：對業(yè)務(wù)信息進行清洗和歸一化處理，以完成業(yè)務(wù)信息的預(yù)處理。在一個實施例中，在對業(yè)務(wù)信息進行預(yù)處理前，還包括：判斷指定用戶與商品有關(guān)的業(yè)務(wù)信息是否缺失；若指定用戶與商品有關(guān)的業(yè)務(wù)信息缺失，則對缺失業(yè)務(wù)信息進行補充。在一個實施例中，對缺失業(yè)務(wù)信息進行補充包括：通過全局?jǐn)?shù)據(jù)庫獲取相應(yīng)商品的歷史業(yè)務(wù)信息；將獲取的歷史業(yè)務(wù)信息轉(zhuǎn)換為指定用戶與商品有關(guān)的業(yè)務(wù)信息。在一個實施例中，對深度學(xué)習(xí)模型進行訓(xùn)練包括：從預(yù)定用戶與商品有關(guān)的業(yè)務(wù)信息中提取出預(yù)定用戶的業(yè)務(wù)特征；根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽；將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型，以得到偏好預(yù)測結(jié)果；若偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差超出預(yù)定范圍，則調(diào)整深度學(xué)習(xí)模型的相應(yīng)參數(shù)，并重復(fù)執(zhí)行將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型的步驟；若預(yù)測結(jié)果與預(yù)定用戶的業(yè)務(wù)特征標(biāo)簽之差未超出預(yù)定范圍，則結(jié)束深度學(xué)習(xí)模型的訓(xùn)練。在一個實施例中，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽包括：計算相應(yīng)商品的有效成交金額、頁面瀏覽量特征、獨立訪客特征和訂單轉(zhuǎn)化率特征的加權(quán)和；將相應(yīng)商品按照加權(quán)和從大到小進行排序，以得到商品列表；針對商品列表中排在前面的預(yù)定數(shù)量的商品，添加取值為最大的偏好標(biāo)簽；針對商品列表中的其它商品，添加取值為最小的偏好標(biāo)簽。根據(jù)本發(fā)明的另一方面，提供一種個性化商品預(yù)測裝置，包括：業(yè)務(wù)信息獲取模塊，用于獲取指定用戶與商品有關(guān)的業(yè)務(wù)信息；特征提取模塊，用于從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征；預(yù)測處理模塊，用于利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。在一個實施例中，業(yè)務(wù)特征包括相關(guān)商品在指定時間段內(nèi)全站完成訂單特征、相關(guān)商品在指定時間段內(nèi)有效成交金額、相關(guān)商品在指定時間段內(nèi)有效獨立訪客特征、相關(guān)商品在指定時間內(nèi)新增好評特征、相關(guān)商品在指定時間段內(nèi)活躍天數(shù)特征、相關(guān)商品在指定時間段內(nèi)關(guān)注數(shù)量特征和相關(guān)商品退貨率特征。在一個實施例中，業(yè)務(wù)特征還包括相關(guān)商品上架時長特征、相關(guān)商品在指定時間段內(nèi)新增評論特征、相關(guān)商品在指定時間段內(nèi)有效銷售總額特征、相關(guān)商品前一天頁面瀏覽量特征、相關(guān)商品在指定時間段內(nèi)頁面瀏覽量特征、相關(guān)商品在指定時間段內(nèi)無理由退貨特征、相關(guān)商品所屬店鋪特征、相關(guān)商品好評率特征中的至少一個特征。在一個實施例中，預(yù)測處理模塊還用于在利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理時，將有關(guān)聯(lián)的業(yè)務(wù)特征進行交叉融合。在一個實施例中，深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型。在一個實施例中，上述裝置還包括：預(yù)處理模塊，用于在特征提取模塊從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征前，對業(yè)務(wù)信息進行清洗和歸一化處理，以完成業(yè)務(wù)信息的預(yù)處理。在一個實施例中，上述裝置還包括：缺失信息處理模塊，用于在預(yù)處理模塊對業(yè)務(wù)信息進行預(yù)處理前，判斷指定用戶與商品有關(guān)的業(yè)務(wù)信息是否缺失，若指定用戶與商品有關(guān)的業(yè)務(wù)信息缺失，則對缺失業(yè)務(wù)信息進行補充。在一個實施例中，缺失信息處理模塊通過全局?jǐn)?shù)據(jù)庫獲取相應(yīng)商品的歷史業(yè)務(wù)信息，將獲取的歷史業(yè)務(wù)信息轉(zhuǎn)換為指定用戶與商品有關(guān)的業(yè)務(wù)信息。在一個實施例中，上述裝置還包括：訓(xùn)練數(shù)據(jù)生成模塊，用于從預(yù)定用戶與商品有關(guān)的業(yè)務(wù)信息中提取出預(yù)定用戶的業(yè)務(wù)特征，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽；訓(xùn)練模塊，用于將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型，以得到偏好預(yù)測結(jié)果，若偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差超出預(yù)定范圍，則調(diào)整深度學(xué)習(xí)模型的相應(yīng)參數(shù)，并重復(fù)執(zhí)行將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型的操作，若預(yù)測結(jié)果與預(yù)定用戶的業(yè)務(wù)特征標(biāo)簽之差未超出預(yù)定范圍，則結(jié)束深度學(xué)習(xí)模型的訓(xùn)練。在一個實施例中，訓(xùn)練數(shù)據(jù)生成模塊用于計算相應(yīng)商品的有效成交金額、頁面瀏覽量特征、獨立訪客特征和訂單轉(zhuǎn)化率特征的加權(quán)和，將相應(yīng)商品按照加權(quán)和從大到小進行排序，以得到商品列表；針對商品列表中排在前面的預(yù)定數(shù)量的商品，添加取值為最大的偏好標(biāo)簽；針對商品列表中的其它商品，添加取值為最小的偏好標(biāo)簽。根據(jù)本發(fā)明的另一方面，提供一種個性化商品預(yù)測裝置，包括：存儲器，用于存儲指令；處理器，耦合到存儲器，處理器被配置為基于存儲器存儲的指令執(zhí)行實現(xiàn)如上述任一實施例涉及的方法。根據(jù)本發(fā)明的另一方面，提供一種計算機可讀存儲介質(zhì)，其中計算機可讀存儲介質(zhì)存儲有計算機指令，指令被處理器執(zhí)行時實現(xiàn)如上述任一實施例涉及的方法。通過以下參照附圖對本發(fā)明的示例性實施例的詳細描述，本發(fā)明的其它特征及其優(yōu)點將會變得清楚。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明個性化商品預(yù)測方法一個實施例的示意圖。圖2為本發(fā)明個性化商品預(yù)測方法另一實施例的示意圖。圖3為本發(fā)明個性化商品預(yù)測裝置一個實施例的示意圖。圖4為本發(fā)明個性化商品預(yù)測裝置另一實施例的示意圖。圖5為本發(fā)明個性化商品預(yù)測裝置又一實施例的示意圖。圖6為本發(fā)明個性化商品預(yù)測裝置又一實施例的示意圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。以下對至少一個示例性實施例的描述實際上僅僅是說明性的，決不作為對本發(fā)明及其應(yīng)用或使用的任何限制?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。除非另外具體說明，否則在這些實施例中闡述的部件和步驟的相對布置、數(shù)字表達式和數(shù)值不限制本發(fā)明的范圍。同時，應(yīng)當(dāng)明白，為了便于描述，附圖中所示出的各個部分的尺寸并不是按照實際的比例關(guān)系繪制的。對于相關(guān)領(lǐng)域普通技術(shù)人員已知的技術(shù)、方法和設(shè)備可能不作詳細討論，但在適當(dāng)情況下，所述技術(shù)、方法和設(shè)備應(yīng)當(dāng)被視為授權(quán)說明書的一部分。在這里示出和討論的所有示例中，任何具體值應(yīng)被解釋為僅僅是示例性的，而不是作為限制。因此，示例性實施例的其它示例可以具有不同的值。應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步討論。圖1為本發(fā)明個性化商品預(yù)測方法一個實施例的示意圖?？蛇x地，本實施例的個性化商品預(yù)測方法可由個性化商品預(yù)測裝置執(zhí)行。其中：步驟101，獲取指定用戶與商品有關(guān)的業(yè)務(wù)信息?？蛇x地，在執(zhí)行下一步驟之前，還可執(zhí)行以下步驟：對業(yè)務(wù)信息進行清洗和歸一化處理，以完成業(yè)務(wù)信息的預(yù)處理。其中，通過數(shù)據(jù)清洗以去除異常數(shù)據(jù)。例如，對訂單表中異常數(shù)據(jù)清洗，比如去除用戶名、訂單編號等關(guān)鍵字段為空的數(shù)據(jù)噪音；對點擊表中異常數(shù)據(jù)清洗，比如去除點擊量在單位時間內(nèi)巨大的用戶；對評論表中異常數(shù)據(jù)清洗，比如去除有明顯不適合展示的評論數(shù)據(jù)；對關(guān)注表中異常數(shù)據(jù)清洗，比如去除用戶名為空的噪音數(shù)據(jù)。此外，通過進行歸一化處理，以便使得特征在0到1之間分布，從而便于后續(xù)處理?？蛇x地，在對業(yè)務(wù)信息進行預(yù)處理前，還可進一步包括：判斷指定用戶與商品有關(guān)的業(yè)務(wù)信息是否缺失；若指定用戶與商品有關(guān)的業(yè)務(wù)信息缺失，則對缺失業(yè)務(wù)信息進行補充。例如，對缺失業(yè)務(wù)信息進行補充可包括：通過全局?jǐn)?shù)據(jù)庫獲取相應(yīng)商品的歷史業(yè)務(wù)信息，將獲取的歷史業(yè)務(wù)信息轉(zhuǎn)換為指定用戶與商品有關(guān)的業(yè)務(wù)信息。下面以京東用戶為例對這一情況進行具體說明。在提取某京東用戶與商品有關(guān)的業(yè)務(wù)信息時，發(fā)現(xiàn)在指定時間段內(nèi)并沒有與某商品相關(guān)的業(yè)務(wù)信息，經(jīng)過分析可知，這是由于該商品這段時間內(nèi)缺貨，才導(dǎo)致該用戶缺少與該商品相關(guān)的業(yè)務(wù)信息。而因缺貨而導(dǎo)致相應(yīng)業(yè)務(wù)信息的缺少必然會對用戶的偏好預(yù)測操作影響，為此，可根據(jù)該用戶在該商品有貨時間段內(nèi)的業(yè)務(wù)信息對該缺少的業(yè)務(wù)信息進行補充。步驟102，從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征。可選地，業(yè)務(wù)特征包括相關(guān)商品在指定時間段內(nèi)(例如，過去30天)全站完成訂單特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效成交金額、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效獨立訪客特征、相關(guān)商品在指定時間(例如，7日)內(nèi)新增好評特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)活躍天數(shù)特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)關(guān)注數(shù)量特征和相關(guān)商品退貨率特征。此外，業(yè)務(wù)特征還可包括相關(guān)商品上架時長特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)新增評論特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效銷售總額特征、相關(guān)商品前一天頁面瀏覽量特征、相關(guān)商品在指定時間段(例如，30日)內(nèi)頁面瀏覽量特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)無理由退貨特征、相關(guān)商品所屬店鋪特征、相關(guān)商品好評率特征中的至少一個特征。步驟103，利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。其中，深度學(xué)習(xí)模型可為卷積神經(jīng)網(wǎng)絡(luò)模型(cnn)。cnn是包括輸入層、卷積層、池化層、全連接層和softmax層的多層神經(jīng)網(wǎng)絡(luò)，相鄰層之間有連接，同一層之間沒有連接。深度學(xué)習(xí)的過程，是通過帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自頂向下傳輸，對網(wǎng)絡(luò)進行微調(diào)。深度學(xué)習(xí)能更有效地學(xué)習(xí)特征之間的抽象關(guān)系，在京東這樣海量數(shù)據(jù)的電商網(wǎng)站，用戶的商品特征是多維化的，更適合應(yīng)用深度學(xué)習(xí)這樣的模型來挖掘?？蛇x地在利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理時，將有關(guān)聯(lián)的業(yè)務(wù)特征進行交叉融合。例如，有關(guān)聯(lián)的業(yè)務(wù)特征包括商品7日有效成交金額和商品7日有效獨立訪客。這里需要說明的是，交叉特征是指不同特征之間可能有交互效應(yīng)的那些特征，比如商品7日有效成交金額和商品7日有效獨立訪客之間是有關(guān)系的。本發(fā)明中的深度學(xué)習(xí)模型對這種可以交互的特征進行交叉融合以構(gòu)造出新的特征，例如新特征是由商品7日有效成交金額和商品7日有效獨立訪客融合成的，可以在配置文件中設(shè)置，從而深度學(xué)習(xí)模型就會識別這個新的特征?；诒景l(fā)明上述實施例提供的個性化商品預(yù)測方法，通過利用預(yù)置的深度學(xué)習(xí)模型對指定用戶與商品有關(guān)的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。這對于提升用戶購物體驗，搭建智能化商品推薦系統(tǒng)平臺，都有重大意義。圖2本發(fā)明個性化商品預(yù)測方法另一實施例的示意圖。可選地，本實施例的個性化商品預(yù)測方法可由個性化商品預(yù)測裝置執(zhí)行。其中，對深度學(xué)習(xí)模型進行訓(xùn)練可包括：步驟201，從預(yù)定用戶與商品有關(guān)的業(yè)務(wù)信息中提取出預(yù)定用戶的業(yè)務(wù)特征。步驟202，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽。其中，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽可包括：計算相應(yīng)商品的有效成交金額、頁面瀏覽量特征、獨立訪客特征和訂單轉(zhuǎn)化率特征的加權(quán)和，將相應(yīng)商品按照加權(quán)和從大到小進行排序，以得到商品列表。針對商品列表中排在前面的預(yù)定數(shù)量的商品，添加取值為最大的偏好標(biāo)簽(取值為“1”)；針對商品列表中的其它商品，添加取值為最小的偏好標(biāo)簽(取值為“0”)。步驟203，將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型，以得到偏好預(yù)測結(jié)果。步驟204，判斷偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差是否在預(yù)定范圍內(nèi)。若偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差超出預(yù)定范圍，則執(zhí)行步驟205；若預(yù)測結(jié)果與預(yù)定用戶的業(yè)務(wù)特征標(biāo)簽之差未超出預(yù)定范圍，則執(zhí)行步驟206。步驟205，調(diào)整深度學(xué)習(xí)模型的相應(yīng)參數(shù)，并重復(fù)執(zhí)行步驟203。步驟206，結(jié)束深度學(xué)習(xí)模型的訓(xùn)練。下面通過具體示例對本發(fā)明進行說明。首先，從預(yù)定用戶與商品有關(guān)的業(yè)務(wù)信息中提取出預(yù)定用戶的業(yè)務(wù)特征。接下來，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽。可選地，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽可包括：計算相應(yīng)商品的有效成交金額、頁面瀏覽量特征、獨立訪客特征和訂單轉(zhuǎn)化率特征的加權(quán)和，將相應(yīng)商品按照加權(quán)和從大到小進行排序，以得到商品列表。針對商品列表中排在前面的預(yù)定數(shù)量的商品，添加取值為最大的偏好標(biāo)簽；針對商品列表中的其它商品，添加取值為最小的偏好標(biāo)簽。例如，上述的加權(quán)和y可采用下式進行計算：y＝a1x1+a2x2+a3x3+…+anxn其中，xn為第n個業(yè)務(wù)特征，an為第n個業(yè)務(wù)特征的權(quán)重?？蛇x地，可根據(jù)需要對各業(yè)務(wù)特征的權(quán)重進行調(diào)節(jié)。例如，可采用如下所示的流程進行判斷，若某個業(yè)務(wù)特征出現(xiàn)的頻率較高，則表明該業(yè)務(wù)特征更為重要，則應(yīng)提高該業(yè)務(wù)特征的權(quán)重值。作為示例，下面僅給出了一個流程片斷。通過上述處理，與某用戶相關(guān)商品的得分如表1所示。商品得分sku114.2479sku24.46112sku35.1012sku44.52183sku55.83835sku618.41271sku74.52183sku84.41108sku94.55321sku105.06343表1按照得分從大到小的順序，對該用戶相應(yīng)的商品重新進行排序，并將前50％的商品打標(biāo)簽為1，后50％的商品打標(biāo)簽為0。如表2所示。商品得分標(biāo)簽sku618.412711sku114.24791sku55.838351sku35.10121sku105.063431sku44.521830sku74.521830sku24.461120sku94.553210sku84.411080表2接下來，將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型，以得到偏好預(yù)測結(jié)果。判斷偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差是否在預(yù)定范圍內(nèi)。若偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差超出預(yù)定范圍，則調(diào)整深度學(xué)習(xí)模型的相應(yīng)參數(shù)，并重復(fù)執(zhí)行將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型的步驟；若預(yù)測結(jié)果與預(yù)定用戶的業(yè)務(wù)特征標(biāo)簽之差未超出預(yù)定范圍，則結(jié)束深度學(xué)習(xí)模型的訓(xùn)練。此時就可利用該經(jīng)過訓(xùn)練的深度學(xué)習(xí)模型進行相應(yīng)的商品偏好預(yù)測。在獲得預(yù)測結(jié)果后，可將預(yù)測結(jié)果從高到低進行排序，進而將排在前面的商品推薦給用戶。這里需要說明的是，對于不同的用戶來說，由于在電商平臺的活躍度不同，因此不同用戶的預(yù)測結(jié)果可能存在較大偏差，在這種情況下各用戶的預(yù)測得分也是個性化的，不能將用戶a的預(yù)測得分來確定用戶b的商品推薦。例如，對于京東用戶a來說，由于用戶a在京東比較活躍，因此得到的商品推薦結(jié)果可如表3所示。商品預(yù)測得分a10.9918a20.9123a30.8979a40.8865a50.8735a60.7389a70.6987a80.6568a90.5938a100.5601表3而對于京東用戶b來說，由于用戶b在京東上很少瀏覽和購物，因此預(yù)測分?jǐn)?shù)也較低。相應(yīng)的預(yù)測結(jié)果如表4所示。商品預(yù)測得分b10.5503b20.5109b30.4782b40.4101b50.3509b60.3117b70.2565b80.2123b90.1916b100.1537表4從表3和表4中可以看到，由于用戶a在京東上比較活躍，特征較多，因此預(yù)測分?jǐn)?shù)也較高，排在第10位商品的預(yù)測分?jǐn)?shù)也達到了0.5601。而用戶b不常逛京東，特征較少，因此預(yù)測分?jǐn)?shù)也較低，排在第1位商品的預(yù)測分?jǐn)?shù)只有0.5503，甚至比用戶a排在第10位商品的分?jǐn)?shù)還要低。對于用戶a來說，預(yù)測分只有0.5601的商品可能不會推薦給用戶a，而對于用戶b來說，預(yù)測分為0.5503的商品能夠排在待推薦的第1位。因此可知，預(yù)測得分也是個性化的，各用戶之間簡單地橫向比較預(yù)測得分是沒有意義的。圖3為本發(fā)明個性化商品預(yù)測裝置一個實施例的示意圖。如圖3所示，個性化商品預(yù)測裝置可包括：業(yè)務(wù)信息獲取模塊31，用于獲取指定用戶與商品有關(guān)的業(yè)務(wù)信息。特征提取模塊32，用于從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征?？蛇x地，業(yè)務(wù)特征包括相關(guān)商品在指定時間段內(nèi)(例如，過去30天)全站完成訂單特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效成交金額、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效獨立訪客特征、相關(guān)商品在指定時間(例如，7日)內(nèi)新增好評特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)活躍天數(shù)特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)關(guān)注數(shù)量特征和相關(guān)商品退貨率特征。此外，業(yè)務(wù)特征還可包括相關(guān)商品上架時長特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)新增評論特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)有效銷售總額特征、相關(guān)商品前一天頁面瀏覽量特征、相關(guān)商品在指定時間段(例如，30日)內(nèi)頁面瀏覽量特征、相關(guān)商品在指定時間段(例如，7日)內(nèi)無理由退貨特征、相關(guān)商品所屬店鋪特征、相關(guān)商品好評率特征中的至少一個特征。預(yù)測處理模塊33，用于利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。其中，深度學(xué)習(xí)模型可為卷積神經(jīng)網(wǎng)絡(luò)模型?？蛇x地，預(yù)測處理模塊33還用于在利用預(yù)置的深度學(xué)習(xí)模型對指定用戶的業(yè)務(wù)特征進行預(yù)測處理時，將有關(guān)聯(lián)的業(yè)務(wù)特征進行交叉融合?；诒景l(fā)明上述實施例提供的個性化商品預(yù)測裝置，通過利用預(yù)置的深度學(xué)習(xí)模型對指定用戶與商品有關(guān)的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。這對于提升用戶購物體驗，搭建智能化商品推薦系統(tǒng)平臺，都有重大意義。圖4為本發(fā)明個性化商品預(yù)測裝置另一實施例的示意圖。與圖3所示實施例相比，在圖4所示實施例中，個性化商品預(yù)測裝置還可包括：預(yù)處理模塊34，用于在特征提取模塊32從業(yè)務(wù)信息中提取出指定用戶的業(yè)務(wù)特征前，對業(yè)務(wù)信息進行清洗和歸一化處理，以完成業(yè)務(wù)信息的預(yù)處理。此外，個性化商品預(yù)測裝置還可包括缺失信息處理模塊35，用于在預(yù)處理模塊34對業(yè)務(wù)信息進行預(yù)處理前，判斷指定用戶與商品有關(guān)的業(yè)務(wù)信息是否缺失，若指定用戶與商品有關(guān)的業(yè)務(wù)信息缺失，則對缺失業(yè)務(wù)信息進行補充。其中，缺失信息處理模塊35通過全局?jǐn)?shù)據(jù)庫獲取相應(yīng)商品的歷史業(yè)務(wù)信息，將獲取的歷史業(yè)務(wù)信息轉(zhuǎn)換為指定用戶與商品有關(guān)的業(yè)務(wù)信息。圖5為本發(fā)明個性化商品預(yù)測裝置另一實施例的示意圖。與圖4所示實施例相比，在圖5所示實施例中，個性化商品預(yù)測裝置還可包括：訓(xùn)練數(shù)據(jù)生成模塊36，用于從預(yù)定用戶與商品有關(guān)的業(yè)務(wù)信息中提取出預(yù)定用戶的業(yè)務(wù)特征，根據(jù)預(yù)定用戶的業(yè)務(wù)指標(biāo)，為預(yù)定用戶的業(yè)務(wù)特征添加偏好標(biāo)簽；可選地，訓(xùn)練數(shù)據(jù)生成模塊36用于計算相應(yīng)商品的有效成交金額、頁面瀏覽量特征、獨立訪客特征和訂單轉(zhuǎn)化率特征的加權(quán)和，將相應(yīng)商品按照加權(quán)和從大到小進行排序，以得到商品列表；針對商品列表中排在前面的預(yù)定數(shù)量的商品，添加取值為最大的偏好標(biāo)簽；針對商品列表中的其它商品，添加取值為最小的偏好標(biāo)簽。訓(xùn)練模塊37，用于將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型，以得到偏好預(yù)測結(jié)果，若偏好預(yù)測結(jié)果與預(yù)定用戶的偏好標(biāo)簽值之差超出預(yù)定范圍，則調(diào)整深度學(xué)習(xí)模型的相應(yīng)參數(shù)，并重復(fù)執(zhí)行將預(yù)定用戶的業(yè)務(wù)特征輸入深度學(xué)習(xí)模型的操作，若預(yù)測結(jié)果與預(yù)定用戶的業(yè)務(wù)特征標(biāo)簽之差未超出預(yù)定范圍，則結(jié)束深度學(xué)習(xí)模型的訓(xùn)練。圖6為本發(fā)明個性化商品預(yù)測裝置又一實施例的示意圖。如圖6所示，個性化店鋪預(yù)測裝置包括存儲器601和處理器602。其中：存儲器601用于存儲指令，處理器602耦合到存儲器601，處理器602被配置為基于存儲器存儲的指令執(zhí)行實現(xiàn)如圖1-圖2中任一實施例涉及的方法。如圖6所示，個性化商品預(yù)測裝置還包括通信接口603，用于與其它設(shè)備進行信息交互。同時，該裝置還包括總線604，處理器602、通信接口603、以及存儲器601通過總線604完成相互間的通信。存儲器601可以包含高速ram存儲器，也可還包括非易失性存儲器(non-volatilememory)，例如至少一個磁盤存儲器。存儲器601也可以是存儲器陣列。存儲器601還可能被分塊，并且塊可按一定的規(guī)則組合成虛擬卷。此外，處理器602可以是一個中央處理器cpu，或者可以是專用集成電路asic(applicationspecificintegratedcircuit)，或者是被配置成實施本發(fā)明實施例的一個或多個集成電路。本發(fā)明還涉及一種計算機可讀存儲介質(zhì)，其中計算機可讀存儲介質(zhì)存儲有計算機指令，指令被處理器執(zhí)行時實現(xiàn)如圖1-圖2中任一實施例涉及的方法。通過實施本發(fā)明，通過利用預(yù)置的深度學(xué)習(xí)模型對指定用戶與商品有關(guān)的業(yè)務(wù)特征進行預(yù)測處理，以便預(yù)測出指定用戶偏好的商品。這對于提升用戶購物體驗，搭建智能化商品推薦系統(tǒng)平臺，都有重大意義。本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用非瞬時性存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學(xué)存儲器等)上實施的計算機程序產(chǎn)品的形式。本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。本發(fā)明的描述是為了示例和描述起見而給出的，而并不是無遺漏的或者將本發(fā)明限于所公開的形式。很多修改和變化對于本領(lǐng)域的普通技術(shù)人員而言是顯然的。選擇和描述實施例是為了更好說明本發(fā)明的原理和實際應(yīng)用，并且使本領(lǐng)域的普通技術(shù)人員能夠理解本發(fā)明從而設(shè)計適于特定用途的帶有各種修改的各種實施例。當(dāng)前第1頁12