数据处理、推荐方法及装置、电子设备和可读存储介质

技术领域

本公开涉及计算机与互联网技术领域，尤其涉及一种数据处理、推荐方法及装置、电子设备和可读存储介质。

背景技术

在移动互联网时代，网上购物已经成为一种时尚。为了提高用户体验，许多购物平台会在用户浏览商品时，提供产品推荐。

相关技术中，平台在向目标用户推荐时，都是实时从服务器后台的大量数据中筛选出目标用户的特征信息，并根据目标用户的特征信息确定目标用户可能感兴趣的产品。

可以理解的是，通过上述方法向目标用户进行产品推荐，每次都需要从服务器后台的大量数据中提取目标用户的特征，不仅费时，而且会耗费大量的计算资源，无法达到实时推送的效果。

因此，一种可以实现向目标用户实时进行产品推荐的方法对网上购物至关重要。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例提供一种数据处理方法及装置、电子设备和计算机可读存储介质，既能够提前确定第一业务的目标用户以及目标用户的目标产品，议提供产品推荐的实时速度，减少产品推荐时的运算量。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

本公开实施例提出一种数据处理方法，该方法包括：获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息；根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户；根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

在一些实施例中，获取第一用户的特征信息，包括：获取所述第一用户的图像信息和查询信息，作为所述第一用户的特征信息。

在一些实施例中，获取所述第一用户的查询信息，作为所述第一用户的特征信息，包括：若存在所述第一用户的查询信息且所述第一用户的查询次数大于等于第一阈值根据所述用户的查询信息召回对应类别的产品，并对所述查询信息进行改写、替换、扩展，以获得所述第一用户的特征信息；若不存在所述第一用户的查询信息或所述第一用户的查询次数少于第一阈值，则根据默认搜索词、热门词生成所述第一用户的特征信息。

在一些实施例中，获取所述第一用户的查询信息，作为所述第一用户的特征信息，包括：根据所述第一用户的查询信息确定所述第一用户的查询意向，作为所述第一用户的特征信息；根据所述第一用户的查询信息确定所述第一用户的产品类别偏好，作为所述第一用户的特征信息。

在一些实施例中，根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户，包括：获取第二用户的特征信息，所述第二用户访问过所述第一业务；通过所述第二用户的特征信息训练第一神经网络模型；通过所述第一神经网络模型在所述第一用户中预测访问所述第一业务的目标用户。

在一些实施例中，根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品，包括：获取第二产品的特征信息，所述目标用户访问过所述第二产品；通过所述第二产品的特征信息和所述目标用户的特征信息训练第三神经网络模型；通过所述第三神经网络在所述第一产品中预测所述目标用户访问的目标产品。

在一些实施例中，所述数据处理方法还包括：若所述目标用户访问所述第一业务，则根据所述目标产品向所述目标用户进行产品推荐。

本公开实施例提出了一种数据处理装置，所述数据处理装置可以包括：特征信息获取模块、目标用户确定模块以及目标产品确定模块。

其中，所述特征信息获取模块可以配置为获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息；所述目标用户确定模块，配置为根据所述第一用户的特征信息和所述第一业务的特征信息，在所可以述第一用户中预测访问所述第一业务的目标用户；所述目标产品确定模块可以配置为根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的数据处理方法。

本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的数据处理方法。

本公开某些实施例提供的数据处理方法、装置及电子设备和计算机可读存储介质，通过第一用户的特征信息和第一业务的特征信息预测了可能访问所述第一业务的目标用户，并根据所述目标用户的特征信息和所述第一产品的特征信息确定了所述目标用户可能感兴趣的目标产品。将所述目标用户以及所述目标产品提前缓存下来，以便当所述目标用户访问所述第一业务时，根据所述目标产品向所述目标用户进行产品推荐。相比于针对每个用户的访问都要从服务器后台获取用户的特征信息，并进一步确定用户可能感兴趣的产品来说，本公开实施例提供的技术方案通过提前预测并存储目标用户和目标产品，减少了产品推荐时的计算量，提高了产品推荐的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了应用于本公开实施例的数据处理、推荐方法或数据处理、推荐装置的示例性系统架构的示意图。

图2是根据一示例性实施例示出的一种应用于数据处理、推荐装置的计算机系统的结构示意图。

图3是根据一示例性实施例示出的一种数据处理方法的流程图。

图4是图3中步骤S1在一示例性实施例中的流程图。

图5是图3中步骤S1在另一示例性实施例中的流程图。

图6是图3中步骤S2在一示例性实施例中的流程图。

图7是图3中步骤S3在一示例性实施例中的流程图。

图8是根据一示例性实施例示出的一种推荐方法。

图9是根据一示例性实施例示出的一种推荐方法的流程图。

图10是根据一示例性实施例示出的一种数据处理装置的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。

下面结合附图对本公开示例实施方式进行详细说明。

图1示出了可以应用于本公开实施例的数据处理方法或数据处理装置的示例性系统架构的示意图。

如图1所示，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。其中，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、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。

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所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

服务器105可例如获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息；服务器105可例如根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户；服务器105可例如根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

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，服务器105可以是一个实体的服务器，还可以为多个服务器组成，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。

下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；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207；包括硬盘等的储存部分208；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209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，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210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。

特别地，根据本公开的实施例，上文参考流程图描述的过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209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本申请中，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。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或单元的名称在某种情况下并不构成对该模块和/或单元本身的限定。

作为另一方面，本申请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中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备可实现功能包括：获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息；根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户；根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

图3是根据一示例性实施例示出的一种数据处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。

参照图3，本公开实施例提供的数据处理方法可以包括以下步骤。

在步骤S1中，获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息。

在一些实施例中，所述第一用户可以包括任意注册用户，或者其它可能会访问第一业务的用户。

在一些实施例在中，所述第一业务可以指的是网页中的某一业务，或者说是某一栏目。例如，在购物网页中，所述第一业务可以指的是“好物推荐”、“每日特价”、“新品首发”、“排行榜”等业务线。

在一些实施例中，可以获取所述第一用户的图像信息和查询信息(即产品交互信息)，作为所述第一用户的特征信息。

在一些实施例中，所述第一用户的画像信息可以包括：自然基本信息、账户信息、地理信息、行为轨迹信息(实时、离线)、生命周期信息、行业标签信息、消费偏好信息；所述用户的产品交互信息主要包括用户的所搜词、用户点击的产品信息等。

其中，所述自然基本信息可以包括人口属性信息(例如性别、年龄)、社会属性(例如，职业、婚姻、校园用户、国内用户)、家庭属性(例如，是否有孩子、小孩性别)、财产属性(是否有车、是否有房)等；所述地理属性可例如包括：用户常用订单经纬度、用户近一年常用下单地区、用户常用下单省份、用户常用下单区县、用户常用下单城市、用户近一年常用下单地区、用户近一年常用下单身份、用户近一年常用下单区县等；所述行为轨迹信息可以包括：用户活跃度(近1、3、5、7、14、30天)、用户价值(例如用户勋章、用户铜牌等)、用户点击产品、用户购买产品、用户关注内容等；所述周期信息包括：用户是否是使用会员、用户是否存在开通会员的潜力、用户会员续费次数、用户宠物品类生命周期、用户家具品类生命周期、用户服饰品类生命周期；所述行业标签信息包括：所述用户偏好的行业(例如电子文娱、美妆、母婴等)；所述消费偏好可以包括：用户的兴趣偏好(例如品类偏好、店铺偏好、商品拓展属性偏好)、用户的价格偏好(例如用户的品类购买力以及用户是否是高价值购买用户等)。

在一些实施例中，所述第一业务的第一产品可以指的是所述第一业务中包括的产品信息。例如在“排行榜”业务线中可能会包括“文教”、“创意礼品”、“智能手环”、“平板电脑”、“手机”、护理套装等不同类别的产品，每个类别又可以包括多个第一产品，所述第一产品可例如是“手机”类别下的“X果手机XX”、“X为手机XX”等。

在一些实施例中，所述第一产品的特征信息可以包括：产品属性信息、产品行为信息、产品售卖信息。其中所述第一产品的产品属性信息可以包括：产品是否是新品、产品是否可预约、产品是否自营、产品是否厂家直送、产品是否生鲜等；所述产品行为信息可以包括产品的点击量、关注量、订单量、分享量、实时促销价等；所述产品售卖信息可以包括：产品的售前数据(例如，被咨询次数、被咨询平均时长、咨询后是否收购、咨询后是否收藏、咨询后转化率)、产品的手中数据(例如，订单取消量、订单量、物流信息查询量)、售后数据(例如，售后申请量、返修率、评论数、好评数等)。

在一些实施例中，所述第一业务的特征信息既可以包括第一用户的特征信息，也可以包括所述产品的特征信息。

可以理解的是，所述第一用户的特征信息、所述第一业务的特征信息以及所述第一产品的特征信息，可以根据实际需求进行定义，本公开对此不做限制。

在步骤S2中，根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户。

在步骤S3中，根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

本公开某些实施例提供的数据处理方法、装置及电子设备和计算机可读存储介质，通过第一用户的特征信息和第一业务的特征信息预测了可能访问所述第一业务的目标用户，并根据所述目标用户的特征信息和所述第一产品的特征信息确定了所述目标用户可能感兴趣的目标产品。将所述目标用户以及所述目标产品提前存储起来，以便当所述目标用户访问所述第一业务时，根据所述目标产品向所述目标用户进行产品推荐。相比于针对每个用户访问都要从服务器后台获取用户的特征信息，并进一步确定用户可能感兴趣的产品来说，本公开实施例提供的技术方案通过提前预测并存储目标用户和目标产品，减少了产品推荐时的计算量，提高了产品推荐的效率。

图4是图3中步骤S1在一示例性实施例中的流程图。参考图4，上述步骤S1可以包括以下步骤。

在步骤S11中，若存在所述第一用户的查询信息且所述第一用户的查询次数大于等于第一阈值根据所述用户的查询信息召回对应类别的产品，并对所述查询信息进行改写、替换、扩展，以获得所述第一用户的特征信息。

在一些实施例中，若所述第一用户存在查询信息，并且所述查询次数大于等于第一阈值(例如100词)，则根据所述第一用户的查询信息召回对应类别的产品，以作为所述第一用户的特征信息。

在步骤S12中，若不存在所述第一用户的查询信息或所述第一用户的查询次数少于第一阈值，则根据默认搜索词、热门词生成所述第一用户的特征信息。

在一些实施例中，若所述第一用户的查询次数少于第一阈值(所述第一用户可能是新用户，或者所述第一用户的查询记录过少)，则将一些人们搜索词、默认搜索词等作为所述第一用户的查询词，以生成所述第一用户的特征信息。

本实施例提供的数据处理方法，通过改写、替换、扩展进一步的丰富了第一用户的特征信息，提高了了最终的预测结果的准确率。

图5是图3中步骤S1在另一示例性实施例中的流程图。参考图5，上述步骤S1可以包括以下步骤。

在步骤S13中，根据所述第一用户的查询信息确定所述第一用户的查询意向，作为所述第一用户的特征信息。

在一些实施例中，所述第一用户可能会输入“我的订单到哪儿了”，所述第一用户的查询意图可能是要查询订单的物流信息，也有可能会输入“双11有哪些优惠”，所述第一用户的查询意图可能是要查询优惠信息。

在一些实施例，可以根据所述用户的查询意图生成所述用户的特征信息。

在步骤S14中，根据所述第一用户的查询信息确定所述第一用户的产品类别偏好，作为所述第一用户的特征信息。

在一些实施例中，所述第一用户的类别偏好，例如所述第一用户偏好美妆产品、电子产品、母婴产品等。

本实施例提供的数据处理方法，通过确定第一用户的查询意图以及品类偏好再次丰富了第一用户的特征信息，提高了最终的预测结果的准确率。

图6是图3中步骤S2在一示例性实施例中的流程图。参考图6，上述步骤S2可以包括以下步骤。

在步骤S21中，获取第二用户的特征信息，所述第二用户访问过所述第一业务。

在一些实施例中，可以将访问过所述第一业务的用户作为所述第二用户，所述第二用户的特征信息包括所述第二用户的画像信息和查询信息。

在一些实施例中，可以根据所述第二用户的查询信息确定所述第二用户的查询意向，作为所述第二用户的特征信息。

在一些实施例中，可以根据所述第二用户的查询信息确定所述第二用户的产品类别偏好，作为所述第二用户的特征信息。

在步骤S22中，通过所述第二用户的特征信息和所述第一业务的特征信息训练第一神经网络模型。

在一些实施例中，所述第一神经网络可以指的是LR(Logistic Regression,逻辑回归)模型、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模或者boost(eXtreme Gradient Boosting，GBDT算法的一个优化版本)以及FFM(Field-awareFactorization Machine，场感知分解机)模型等可以进行分类的神经网络模型。

在一些实施例中，可以通过所述用户的特征信息和所述第一业务的特征信息训练所述第一神经网络模型，直至所述第一神经网络模型的参数收敛。

在一些实施例中，所述第一业务的特征信息包括所述第一业务的目标特征信息。其中，所述第一业务的目标特征信息可以指的是最能反映所述第一业务的特征的特征信息。

在一些实施例中，通过第二神经网络模型对所述第二用户的特征信息和所述第一业务的特征信息进行处理，以确定所述第一业务的目标特征信息，然后再通过所述第二用户的特征信息和所述第一业务的目标特征信息训练第一神经网络模型。

在一些实施例中，所述第一业务的特征信息中既包括对描述第一业务有用的信息也包括对描述第一业务用处不大的信息。

相关技术上中，经常通过人为方式从所述第一业务的特征信息中确定对所述第一业务有用的目标业务特征。但是这种方法，耗费了大量的人力，效率较低。本公开提出了一种可以较快确定第一业务的目标特征信息的方法。

在一些实施例中，可以通过第二神经网络模型对所述第二用户的特征信息和所述第一业务的特征信息进行处理，以确定所述第一业务的目标特征信息。

在一些实施例中，所述第二神经网络模型可例如是GBDT模型，所述GBDT模型可以从所述第一业务的特征信息中挖掘出对所述第一业务有用的目标特征信息。

在一些实施例中，将所述第二用户的特征信息和所述第一业务的特征信息输入至所述第二神经网络模型之后，可以在所述第一业务的特征信息中确定目标特征信息。

本实施提供的通过第二神经网络模型在所述第一业务的特征信息中确定所述第一业务的目标特征信息方法，相比于通过人工方式确定第一业务的目标特征信息更加方便。

在一些实施例中，还可以通过所述第二用户的特征信息和所述第一业务的目标特征信息训练第一神经网络模型。

在步骤S23中，通过所述第一神经网络模型在所述第一用户中预测访问所述第一业务的目标用户。

在一些实施例中，当所述第一神经网络训练完成后，可以将所述第一用户的特征信息和所述第一业务的特征信息输入至所述第一神经网络中，以在所述第一用户中预测可能会访问所述第一业务的目标用户。

本实施例提供的技术方案，通过训练第一神经网络模型，简单便捷的在第一用户中确定了可能会访问所述第一业务的目标用户。

图7是图3中步骤S3在一示例性实施例中的流程图。参考图7，上述步骤S3可以包括以下步骤。

在步骤S31中，获取第二产品的特征信息，所述目标用户访问过所述第二产品。

在步骤S32中，通过所述第二产品的特征信息和所述目标用户的特征信息训练第三神经网络模型。

在一些实施例中，所述第三神经网络可以指的是LR模型、GBDT模型、Xgboost或者FFM模型等可以进行分类的神经网络模型。

在一些实施例中，可以通过所述第二产品的特征信息和所述目标用户的特征信息训练所述第三神经网络模型，直至所述第三神经网络模型的参数收敛。

在步骤S33中，通过所述第三神经网络在所述第一产品中预测所述目标用户访问的目标产品。

在一些实施例中，当所述第三神经网络训练完成后，可以将所述第一产品的特征信息和所述目标用户的特征信息输入至所述第一神经网络中，以在所述第一产品中预测所述目标用户可能会访问的目标产品。

本实施例提供的技术方案，通过训练第三神经网络模型，简单便捷的在第一产品中确定了所述目标用户可能会访问的目标产品。

图8是根据一示例性实施例示出的一种推荐方法。参考图8，本实施例提供的数据处理方法可以包括以下步骤。

在步骤S1中，获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息。

在步骤S2中，根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户。

在步骤S3中，根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

在步骤S4中，若所述目标用户访问所述第一业务，则根据所述目标产品向所述目标用户进行产品推荐。

本实施例提供的推荐方法，通过将提前预测目标用户和目标产品进行缓存，可以在目标用户访问第一业务时，根据目标产品向目标用户进行产品推荐。相比于针对每个用户的访问都要从服务器后台获取用户的特征信息，并进一步确定用户可能感兴趣的产品来说，本公开实施例提供的技术方案通过提前预测并存储目标用户和目标产品，减少了产品推荐时的计算量，提高了产品推荐的效率。

图9是根据一示例性实施例示出的一种推荐方法的流程图。参考图9，上述推荐方法可以包括以下步骤。

在步骤S901中，获取第二用户的特征信息，所述第二用户访问过所述第一业务。

在步骤S902中，通过所述第二用户的特征信息和所述第一业务的特征信息训练第一神经网络模型。

在步骤S903中，通过所述第一神经网络模型在所述第一用户中预测访问所述第一业务的目标用户。

在步骤S904中，获取第二产品的特征信息，所述目标用户访问过所述第二产品。

在步骤S905中，通过所述第二产品的特征信息和所述目标用户的特征信息训练第三神经网络模型。

在步骤S906中，获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息。

在步骤S907中，通过所述第一神经网络模型在所述第一用户中预测访问所述第一业务的目标用户。

在步骤S908中，通过所述第三神经网络在所述第一产品中预测所述目标用户访问的目标产品。

在步骤S909中，将所述目标用户信息以及所述目标产品信息进行缓存。

在步骤S910中，当目标用户访问第一业务时，根据所述目标产品向所述目标用户进行产品推荐。

本实施例提供的推荐方法，通过第一用户的特征信息和第一业务的特征信息预测了可能访问所述第一业务的目标用户，并根据所述目标用户的特征信息和所述第一产品的特征信息确定了所述目标用户可能感兴趣的目标产品。将所述目标用户以及所述目标产品提前缓存下来，可以在所述目标用户访问所述第一业务时，根据所述目标产品向所述目标用户进行产品推荐。相比于针对每个用户的访问都要从服务器后台获取用户的特征信息，并进一步确定用户可能感兴趣的产品来说，本公开实施例提供的技术方案通过提前预测并存储目标用户和目标产品，减少了产品推荐时的计算量，提高了产品推荐的效率。

图10是根据一示例性实施例示出的一种数据处理装置的框图。参照图10，本公开实施例提供的数据处理装置1000可以包括特征信息获取模块1001、目标用户确定模块1002、目标产品确定模块1003。

其中，所述特征信息获取模块1001可以配置为获取第一用户的特征信息、第一业务的特征信息以及所述第一业务中第一产品的特征信息；所述目标用户确定模块1002可以配置为根据所述第一用户的特征信息和所述第一业务的特征信息，在所述第一用户中预测访问所述第一业务的目标用户；所述目标产品确定模块1003可以配置为根据所述目标用户的特征信息和所述第一产品的特征信息，在所述第一产品中预测所述目标用户访问的目标产品。

在一些实施例中，所述目标用户确定模块1002还可以配置为获取所述第一用户的图像信息和查询信息，作为所述第一用户的特征信息。

在一些实施例中，所述目标用户确定模块1002可以包括：第一查询信息处理单元和第二查询信息处理单元。

其中，所述第一查询信息处理单元可以配置为若存在所述第一用户的查询信息且所述第一用户的查询次数大于等于第一阈值根据所述用户的查询信息召回对应类别的产品，并对所述查询信息进行改写、替换、扩展，以获得所述第一用户的特征信息；所述第二查询信息处理单元可以配置为若不存在所述第一用户的查询信息或所述第一用户的查询次数少于第一阈值，则根据默认搜索词、热门词生成所述第一用户的特征信息。

在一些实施例中，所述目标用户确定模块1002包括：查询意向获取单元、类别偏好确定单元。

其中，所述查询意向获取单元可以配置为根据所述第一用户的查询信息确定所述第一用户的查询意向，作为所述第一用户的特征信息；所述类别偏好确定单元可以配置为根据所述第一用户的查询信息确定所述第一用户的产品类别偏好，作为所述第一用户的特征信息。

在一些实施例中，所述目标用户确定模块1002可以包括用户获取单元、第一训练单元以及目标用户预测单元。

其中，所述用户获取单元可以配置为获取第二用户的特征信息，所述第二用户访问过所述第一业务；所述第一训练单元可以配置为通过所述第二用户的特征信息训练第一神经网络模型；所述目标用户预测单元可以配置为通过所述第一神经网络模型在所述第一用户中预测访问所述第一业务的目标用户。

在一些实施例中，所述目标产品确定模块1003可以包括：第二产品获取单元、第二训练单元以及目标产品预测单元。

其中，所述第二产品获取单元可以配置为获取第二产品的特征信息，所述目标用户访问过所述第二产品；所述第二训练单元可以配置为通过所述第二产品的特征信息和所述目标用户的特征信息训练第三神经网络模型；所述目标产品预测单元可以配置为通过所述第三神经网络在所述第一产品中预测所述目标用户访问的目标产品。

在一些实施例中，所述数据处理装置1000还可以包括推荐模块。

其中，所述推荐模块可以配置为若所述目标用户访问所述第一业务，则根据所述目标产品向所述目标用户进行产品推荐。

由于本公开的示例实施例的数据处理装置1000的各个功能模块与上述数据处理方法的示例实施例的步骤对应，因此在此不再赘述。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。