一种基于长尾理论的个性化商品组合推荐方法和装置

技术领域

本发明属于基于机器学习的网络商品推荐技术领域，尤其涉及一种对象的搭配推荐方法及装置。

背景技术

现今，网络购物已成为人们日常生活中一种主要的购物方式。针对网络购物，各大网上商城一般都提供有商品推荐功能，当客户在浏览某商品时，通过向客户推荐其可能感兴趣的其他商品来为客户提供更多选择，以此促进客户消费、提高网站收益。

目前已经存在一些关于商品推荐的相关技术，这些技术一般是基于商品相似度或商品互补性，来向客户推荐与当前商品(客户浏览或选择的商品)较为相似或互补的其他商品。比如，专利US20070168357A1描述了一种推荐与当前商品的图片相似的商品的方法，该方法是基于所选择商品和推荐商品的图片相似度来实现的，例如，若客户选择了一件衣服，系统会向客户推荐与所选衣服具有相同/相似轮廓、式样或颜色的其他衣服。再比如，专利US7437344B2描述了一种推荐与当前商品互补的商品的方法，该方法基于一套预先设定的互补规则来实现与当前商品互补的商品的推荐，如假设制定的该互补规则包括“口红和润唇膏互补，粉色和白色兼容”，则当客户选择了一款粉色的口红时，系统会向客户推荐一款白色的润唇膏。

商品推荐是一种对客户购买决策的预测行为，需要考虑影响客户决策的因素，进一步理解客户、商品和社会三个影响购买决策的因子。客户偏好是决策的出发点，任何选择都基于偏好，但偏好的形成受到社会趋势的影响。商品组合是客户生活需求的组合满足，由于原料、价格和工艺影响，商品具有自身的组合规律。社会对不同的人有不同的影响，在电商的角度，体现为商品销售上，销量、购物篮中的组合等。长尾理论是一种塑造社会或者行业趋势的一种新的思路，通过“小批量、多频次”来显性化小众需求，引导流行趋势。

电商的客户、商品都没有实体的限制，可以充分做到个性化，基于客户、商品、商品和客户以及社会趋势的关系，结合客户偏好、商品组合、关联规则和长尾理论进行推荐，提供一种商品搭配推荐的实现方案。

目标客户关注当前对象(触发点)后，搜寻与该对象存在组合关系的其它品类并存在关联关系的所有候选对象，基于事前生成的客户偏好以及商品长尾规则，筛选出与上述当前对象搭配的至少一个目标对象，以预定展示方式向目标客户推荐与当前对象搭配的至少一个目标对象。

发明内容

有鉴于此，本发明的目的在于提供一种对象的搭配推荐方法和装置，旨在实现针对网络商品推荐等场景能够进行商品的搭配推荐，从而丰富网络商城的商品推荐功能，提升用户体验。

一种对象的搭配推荐方法，包括：

搜寻与该对象存在组合关系的其它品类并存在关联关系的候选对象

基于预先制定并存储的组合关系，确定与所述当前对象所属品类具有组合关系的其它品类，根据关联关系，过滤出来组合品类下所有候选对象；其中，所述组合包括当前对象所属的品类和组合中的品类的信息和商品信息，关联关系包括销售或者收藏记录中与该对象一起出现的商品对象的关联度；

基于事前生成的客户偏好以及商品长尾规则，筛选出与上述当前对象搭配的至少一个目标对象。客户偏好表包括多个客户对多个搭配对的偏好值信息，搭配对由两个不同类别的对象组成的对象搭配对或由两个不同类别对象的特征组成的特征搭配对，所述候选对象与所述当前对象或者所述候选对象与所述当前对象的相应特征在所述客户偏好表中互为搭配对；

基于候选对象与当前对象所在的搭配对在所述客户偏好表中对应的偏好值信息，结合预定的长尾筛选规则，从所述至少一个候选对象中筛选出与所述当前对象最为搭配的至少一个目标对象；

以预定展示方式向目标客户推荐所述至少一个目标对象。

上述方法，优选的，所述基于预先制定并存储的客户偏好表和长尾规则，确定与所述当前对象具有关联关系的至少一个候选对象，包括：

若客户偏好表中的搭配对为对象搭配对，则：

从客户偏好表中查找出至少一个候选对象搭配对，其中，所述候选对象搭配对中包括所述当前对象；

从所述至少一个候选对象搭配对中确定出除所述当前对象之外的其他对象作为候选对象；

若客户偏好表中的搭配对为特征搭配对，则：

从客户偏好表中查找出至少一个候选特征搭配对，其中，所述候选特征搭配对中包括所述当前对象的相应特征；

从所述至少一个候选特征搭配对中确定出除所述当前对象的特征之外的其他特征，并确定出满足所述其他特征中至少一项特征的对象作为候选对象。

上述方法，优选的，所述基于候选对象与当前对象所在的搭配对在所述客户偏好表中对应的偏好值信息，并利用预定长尾筛选规则，从所述至少一个候选对象中筛选出与所述当前对象最为搭配的至少一个目标对象，包括：

从所述客户偏好表中查找出每个候选对象与当前对象所在的对象搭配对或特征搭配对对应于所述目标客户的偏好值信息，和/或对应于所有客户的偏好值信息；

基于获得的偏好值信息计算各个候选对象与所述当前对象的搭配度；

筛选出与所述当前对象搭配度最高的预定数量的候选对象作为目标对象。

上述方法，优选的，所述以预定展示方式向客户推荐所述至少一个目标对象，包括：

以对象列表方式向目标客户推荐所述至少一个目标对象；或者，

以对象搭配组合的方式向目标客户推荐所述至少一个目标对象，其中，推荐的每个对象搭配组合为至少一个目标对象与所述当前对象的搭配组合。

上述方法，优选的，在所述获得目标客户的待搭配的当前对象之前，还包括预处理步骤：生成客户偏好表；

所述生成客户偏好表，包括：

确定各个可能的对象搭配对或特征搭配对；

获得各个客户对对象搭配组合的收藏信息，并基于每个客户对对象搭配组合的收藏信息，计算每个客户对所收藏的对象搭配组合中对应包含的对象搭配对或特征搭配对的偏好值；

利用预定算法，预测每个客户对所述各个可能的对象搭配对或特征搭配对中未计算出偏好值的搭配对的偏好值；

依据所述各个可能的对象搭配对或特征搭配对，以及各个客户对所述各个可能的对象搭配对或特征搭配对的偏好值，生成客户偏好表。

一种对象的搭配推荐装置，包括：

获取单元，用于获得目标客户的待搭配的当前对象；

确定单元，用于基于预先制定并存储的组合关系，确定与所述当前对象所属品类具有组合关系的其它品类，根据关联关系，过滤出来组合品类下所有候选对象；其中，所述组合包括当前对象所属的品类和组合中的品类的信息和商品信息，关联关系包括销售或者收藏记录中与该对象一起出现的商品对象的关联度；

筛选单元，基于候选对象与当前对象所在的搭配对在所述客户偏好表中对应的偏好值信息，结合预定的长尾筛选规则，从所述至少一个候选对象中筛选出与所述当前对象最为搭配的至少一个目标对象；客户偏好表包括多个客户对多个搭配对的偏好值信息，搭配对由两个不同类别的对象组成的对象搭配对或由两个不同类别对象的特征组成的特征搭配对，所述候选对象与所述当前对象或者所述候选对象与所述当前对象的相应特征在所述客户偏好表中互为搭配对；

搭配推荐单元，用于以预定展示方式向目标客户推荐所述至少一个目标对象。

上述装置，优选的，所述筛选单元，进一步用于：

若客户偏好表中的搭配对为对象搭配对，则：

从客户偏好表中查找出至少一个候选对象搭配对，其中，所述候选对象搭配对中包括所述当前对象；从所述至少一个候选对象搭配对中确定出除所述当前对象之外的其他对象作为候选对象；

若客户偏好表中的搭配对为特征搭配对，则：

从客户偏好表中查找出至少一个候选特征搭配对，其中，所述候选特征搭配对中包括所述当前对象的相应特征；从所述至少一个候选特征搭配对中确定出除所述当前对象的特征之外的其他特征，并确定出满足所述其他特征中至少一项特征的对象作为候选对象。

基于获得的偏好值信息计算各个候选对象与所述当前对象的搭配度；结合长尾规则，筛选出与所述当前对象搭配度最高的预定数量的候选对象作为目标对象。

上述装置，优选的，所述搭配推荐单元，进一步用于：

以对象列表方式向目标客户推荐所述至少一个目标对象；或者，以对象搭配组合的方式向目标客户推荐所述至少一个目标对象，其中，推荐的每个对象搭配组合为至少一个目标对象与所述当前对象的搭配组合。

上述装置，优选的，还包括：

预处理单元，用于生成客户偏好表；

所述预处理单元生成客户偏好表，包括：

确定各个可能的对象搭配对或特征搭配对；获得各个客户对对象搭配组合的收藏信息，并基于每个客户对对象搭配组合的收藏信息，计算每个客户对所收藏的对象搭配组合中对应包含的对象搭配对或特征搭配对的偏好值；利用预定算法，预测每个客户对所述各个可能的对象搭配对或特征搭配对中未计算出偏好值的搭配对的偏好值；依据所述各个可能的对象搭配对或特征搭配对，以及各个客户对所述各个可能的对象搭配对或特征搭配对的偏好值，生成客户偏好表。

由以上方案可知，本发明提供的基于长尾理论的个性化商品组合推荐方法，在获得目标客户的待搭配的当前对象后，基于预先生成的产品组合和关联关系，确定与所述当前对象具有组合关系的所有候选对象，基于关联关系过滤，从所述所有的候选对象中确定与所述当前对象搭配的至少一个候选目标对象。基于制定并存储的客户偏好表和长尾过滤规则，筛选出与所述当前对象搭配的至少一个目标对象。最终，以预定展示方式向目标客户推荐与所述当前对象搭配的所述至少一个目标对象。可见，本发明实现了一种能够对对象基于搭配推荐的个性化方案，针对网络商品推荐等场景，利用本发明方案可实现网络商品的搭配式个性化推荐，从而可有效丰富网络商城的商品推荐功能，并提升用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明实施例提供的对象的搭配推荐方法的一种流程图；

图2是本发明实施例提供的商品信息库的示例；

图3是本发明实施例提供的计算商品搭配度的示例；

图4是本发明实施例提供的推荐搭配商品列表的示例；

图5是本发明实施例提供的推荐商品搭配组合的示例；

图6是本发明实施例提供的对象的搭配推荐方法的另一种流程图；

图7是本发明实施例提供的生成客户偏好表的流程图；

图8(a)及图8(b)是本发明实施例提供的分别生成候选商品搭配对及候选商品特征搭配对生成的示例；

图9是本发明实施例提供的候选搭配过滤的示例；

图10是本发明实施例提供的客户偏好搭配收藏的示例；

图11(a)和图11(b)分别示出了当搭配对为商品搭配对及商品特征搭配对时，计算客户对搭配对的偏好值的示例；

图12是本发明实施例提供的预测客户对未收藏搭配对的偏好的示例；

图13是本发明实施例提供的实现商品的搭配推荐的总体框图；

图14是本发明实施例提供的对象的搭配推荐装置的一种结构示意图；

图15是本发明实施例提供的对象的搭配推荐装置的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种对象的搭配推荐方法，旨在实现针对网络商品推荐等场景能够进行商品的搭配推荐，从而丰富网络商城的商品推荐功能，提升用户体验。参考图1示出的本发明一种对象的搭配推荐方法的流程图，所述方法可以包括以下步骤：

步骤101、获得目标客户的待搭配的当前对象。

本发明方案针对的一个典型场景是网络购物时的网络商品推荐场景。接下来本发明实施例将以这一典型场景为例，对本发明方案进行详细阐述。

在该场景下，所述目标客户可以是当前在网络商城中进行商品浏览或商品选择的客户，针对该部分客户，本发明将通过接下来提供的方案向客户实时推荐与其所浏览或所选择的商品相搭配的其他商品，例如当客户浏览某件夹克时，可以推荐与该夹克在颜色、风格上能很好搭配的裤子和鞋等。

相对应地，所述待搭配的当前对象，可以是所述目标客户当前浏览或选择的商品。

步骤102、基于预先制定并存储的客户偏好表，确定与所述当前对象具有关联关系的至少一个候选对象；其中，所述客户偏好表包括多个客户对多个搭配对的偏好值信息，所述搭配对为由两个对象组成的对象搭配对或由两个对象特征组成的特征搭配对，所述候选对象与所述当前对象或者所述候选对象与所述当前对象的相应特征在所述客户偏好表中互为搭配对。

为了实现对象的搭配推荐如网络商品的搭配推荐，本发明预先制定并存储了客户偏好表，所述客户偏好表包括各个客户对所有可能的搭配对的偏好值信息，所述搭配对可以是对象搭配对，或者也可以是特征搭配对(对象特征的搭配对)，以商品为例，所述搭配对可以是两种不同类别的商品组成的搭配对，例如可以是{jacket2，trousers1}、{jacket2，bag3}等，或者也可以是两种不同类别的商品的相应特征组成的搭配对，商品特征比如可以是某类别商品的颜色、款式、风格或材质等等，相对应地，所述特征搭配对可以是不同类别商品的颜色、款式、风格或材质等方面的特征构成的搭配对，如{夹克-粉色，裤子-黑色}、{连衣裙-休闲，包-棉麻}等等。

所述客户偏好表中所有可能的搭配对(对象搭配对或特征搭配对)，可基于对象信息库如网络商城的商品信息库获得。而客户对各个搭配对的偏好值信息可通过对客户行为如客户的收藏行为进行分析获知，同时针对无法通过分析客户行为获得相应偏好值的部分搭配对，可以结合利用相应算法来预测客户对该部分搭配对的偏好值信息。该部分内容将来接下来的实施例中详细阐述。

客户对搭配对的偏好值信息反映了客户对搭配对的偏好程度，实际应用中，所述偏好值信息可以是一个计算出的具体数值或者是预定的多个偏好等级中的一个等级等等，本发明对此不作限定。本实施例中优选的，所述偏好值信息为一个计算出的具体数值，其中，客户对某一搭配对的偏好值的取值越大，表示客户对该搭配对的偏好程度越高。

其中，商品信息库，用于存储所有商品的详细信息，包括各商品的名称、类别、各种特征(如颜色、风格、款式、材质)以及适合的性别等，参考图2，图2示出了商品信息库的一个具体实例，在该实例中，某商家的商品信息库包含各个服装类商品的各个特征。例如“jacket1”是一个具体商品的名称，属于夹克类别，颜色是黑色，风格是休闲款，适合女士使用等。

在预先建立并存储客户偏好表的基础上，本步骤可通过以下处理过程，来确定与待搭配的当前对象具有关联关系的各个候选对象：

1)客户偏好表中的搭配对为对象搭配对的情况：

从客户偏好表中查找出至少一个候选对象搭配对，其中，所述候选对象搭配对中包括所述当前对象；从所述至少一个候选对象搭配对中确定出除所述当前对象之外的其他对象作为候选对象；

2)客户偏好表中的搭配对为特征搭配对的情况：

从客户偏好表中查找出至少一个候选特征搭配对，其中，所述候选特征搭配对中包括所述当前对象的相应特征；从所述至少一个候选特征搭配对中确定出除所述当前对象的特征之外的其他特征，并确定出满足所述其他特征中至少一项特征的对象作为候选对象。

具体地，仍以商品搭配为例，若客户偏好表中的搭配对为商品搭配对，且假设表中的每行代表一个客户，每列代表一个商品搭配对，行列交叉处的单元记录所对应行的客户对所对应列的商品搭配对的偏好值信息，则可以从客户偏好表的所有列中查找到包含待搭配的当前商品的各列，最终从所得的各列搭配对中提取出所述待搭配的当前商品除外的其他商品，作为候选商品。

若客户偏好表中的搭配对为特征搭配对，且假设表中的每行代表一个客户，每列代表一个特征搭配对，行列交叉处的单元记录所对应行的客户对所对应列的特征搭配对的偏好值信息，则可首先通过查找商品信息库来得到待搭配的当前商品(如夹克)的搭配特征，再从客户偏好表的所有列中找到包含当前商品搭配特征的各列(即特征搭配对)，并取出所得的各列搭配对中除当前商品特征之外的另一个商品搭配特征，最终通过查找商品信息库确定出满足该商品搭配特征的各个商品作为候选商品。

这里，需要说明的是，实际应用中，一般来说，通过对客户行为进行分析计算偏好值、或者预测偏好值等方式，可为客户对每个可能的搭配对匹配一个表示相应偏好程度的偏好值，但不排除理论上可能仍存在无法预测出偏好值的情况，针对该情况，本实施例将未能预测出偏好值的部分搭配对在相对应的偏好值位置处置0(或空或其他特殊字符等)，以此表示客户对该搭配对不具有偏好性或偏好性未知。

步骤103、基于候选对象与当前对象所在的搭配对在所述客户偏好表中对应的偏好值信息，并利用预定筛选规则，从所述至少一个候选对象中筛选出与所述当前对象最为搭配的至少一个目标对象。

在实际应用场景中，如网络商品推荐场景中，所确定出的候选对象往往较多，鉴于此，本实施例提出采用预定筛选规则，从各个候选对象中筛选出与所述当前对象搭配的至少一个目标对象而非全部候选对象进行推荐。

为实现候选对象的筛选，本实施例提出搭配度的概念，两个对象的搭配度反映了这两个对象可以相互搭配的程度，本实施例假定两个对象的搭配度数值越大，表示这两个对象可以相互搭配的程度越高。

在此基础上，本实施例继续以商品为例提供以下三种可选的获得搭配度的方式(以下三种方法可以任选其一)：

1)个性搭配度：

其原理是：对于某两个商品是否能够搭配或搭配程度如何，不同客户可能有不同的认识或喜好。鉴于此，本实施例提供如下方法来获得两个商品X1和X2对某客户U的个性搭配度：

如果客户偏好表中的搭配对是商品搭配对，则从客户偏好表中查找行为U、列为{X1，X2}或{X2，X1}的单元，取出其中的偏好值作为两个商品X1和X2对某客户U的个性搭配度；

如果客户偏好表中的搭配对是商品特征搭配对，则先根据商品信息库来得到两个商品X1和X2的搭配特征F1和F2，再从客户偏好表中查找行为U、列为{F1，F2}或{F2，F1}的单元，取出其中的偏好值作为两个商品X1和X2对某客户U的个性搭配度。

2)共性搭配度：

其原理是：如果大多数客户认为某两个商品能搭配，则认为适用于所有客户。

具体地，如果客户偏好表中的搭配对是商品搭配对，则从客户偏好表中查找所有行中列为{X1，X2}或{X2，X1}的单元，对各单元对应的偏好值求和后作为两个商品X1和X2的共性搭配度；

如果客户偏好表中的搭配对是商品特征搭配对，则先根据商品信息库来得到两个商品X1和X2的搭配特征F1和F2，再从客户偏好表中找到所有行中列为{F1，F2}或{F2，F1}的单元，对各单元对应的偏好值求和后作为两个商品X1和X2的共性搭配度。

3)个性搭配度与共性搭配度的结合：

结合方式1：当个性搭配度未取得结果时(如对应的偏好值未知)，使用共性搭配度计算结果；

结合方式2：对个性搭配度及共性搭配度进行加权求和。

即，搭配度＝a*个性搭配度计算结果+b*共性搭配度计算结果，其中a和b分别为个性搭配度及共性搭配度的权重因子，可人为设定。

图3示出了商品搭配度计算的例子。商品trousers1和bag2的类别-颜色特征分别为“裤子-黑色”和“包-黑色”，在客户偏好表中，对{裤子-黑色,包-黑色}这一特征搭配对，User1的偏好值是3，User2的偏好值是2，因此trousers1和bag2对User1的个性搭配度是3，trousers1和bag2的共性搭配度是5(假定共有User1、User2这两个客户)。

在计算出各个候选对象与当前对象的搭配度基础上，可从各候选对象中选取出与当前对象搭配度最高的前预定数量(可人为设定)的候选对象作为最终的目标对象。

例如，具体地，仍以商品为例，可将各候选商品按其与当前商品的搭配度进行降序排序，之后，可从排序序列中依次取出前m(可人为设定的预定数量)项候选商品作为最终待推荐的目标商品。

步骤104、以预定展示方式向目标客户推荐所述至少一个目标对象。

所述预定方式可以是对象列表方式或对象搭配组合的方式等，本实施例对此不作限定。

如果采用对象列表方式向目标客户推荐筛选所得的各个目标对象，则将筛选后获得的各个目标对象，按其与当前对象的搭配度降序布置于对象列表的相应位置进行推荐。

参考图4，图4示出了推荐搭配商品列表的例子。其中，客户User2选中了商品trousers1，首先从客户偏好表中获取各个候选商品jacket2、bag2、bag1、jacket1，然后分别计算出各候选商品与trousers1的搭配度，参考图4中客户偏好表，可知各候选商品对应的个性搭配度数值分别是4、2、3、3，最后按搭配度递减排序得到推荐商品列表：jacket2、bag1、jacket1、bag2，并将该列表推荐给客户User2。其中，该实例中，假设所述预定数量m不小于4。

如果采用对象搭配组合的方式向目标客户推荐筛选所得的各个目标对象，则可首先基于商品信息库得到当前商品以及m个待推荐的目标商品的类别，再从每个类别中任意选取一个目标商品与当前商品进行搭配，不同类别的商品可以构成一个商品搭配组合。之后，对每个商品搭配组合进行验证，利用上文提供的商品搭配度获取方法来获得商品搭配组合中包含的任意两个商品的搭配度，若搭配度小于某设定阈值，则删除该商品搭配组合。最后将剩下的商品搭配组合作为最终的推荐结果推荐给目标客户。

参考图5，图5示出了推荐商品搭配组合的例子。客户User2选中了商品trousers1，首先得到待推荐的目标商品列表jacket2、bag1、jacket1、bag2，然后按类别分组后得到4个商品搭配组合：{jacket2，trousers1，bag1}、{jacket2，trousers1，bag2}、{jacket1，trousers1，bag1}、{jacket1，trousers1，bag2}，在此基础上进行验证，假设设定的搭配度阈值为3，由于trousers1和bag2对User2的个性搭配度为2，因此删除{jacket2，trousers1，bag2}和{jacket1，trousers1，bag2}，从而最终将商品搭配组合{jacket2，trousers1，bag1}、{jacket1，trousers1，bag1}推荐给目标客户。

至此，本实施例实现了以相应展示方式，如对象列表方式或对象搭配组合的方式，向目标客户推荐与其当前对象能够搭配使用的其他对象。

本发明实施例提供的对象搭配推荐方法，在获得目标客户的待搭配的当前对象后，基于预先制定并存储的客户偏好表，确定与所述当前对象具有关联关系的至少一个候选对象，并利用预定筛选规则，从所述至少一个候选对象中筛选出与所述当前对象搭配的至少一个目标对象，最终，以预定展示方式向目标客户推荐与所述当前对象搭配的所述至少一个目标对象。可见，本发明实现了一种能够对对象进行搭配推荐的方案，针对网络商品推荐等场景，利用本发明方案可实现网络商品的搭配式推荐，从而可有效丰富网络商城的商品推荐功能，并提升用户体验。

在本发明的另一实施例中，参考图6示出的一种对象的搭配推荐方法的流程示意图，本发明方法还可以包括生成客户偏好表的预处理步骤101’，即:

步骤101’：生成客户偏好表。

接下来，将对客户偏好表的生成过程进行详细阐述。参考图7，生成客户偏好表的过程可以包括：

步骤701、确定各个可能的对象搭配对或特征搭配对。

首先，可根据对象信息库，生成所有候选的对象搭配对或特征搭配对，从而形成候选对象搭配对全集或候选特征搭配对全集。需要说明的是，本实施例的候选对象搭配对或候选特征搭配对，与上一实施例的候选对象搭配对或候选特征搭配对不同，本实施例中候选对象搭配对或候选特征搭配对具体为依据对象信息库，对对象或对象特征进行两两组合所得的搭配对。

其中，仍以商品为例，若搭配对定义为商品搭配对，则可以对商品信息库中的所有商品进行两两组合：假设有N件商品，则共有N*(N-1)/2个候选商品搭配对。

若搭配对定义为商品特征，则可以从商品信息库中去掉搭配特征值重复的记录，再将剩余记录的搭配特征值两两组合，得到各个候选特征搭配对。

图8(a)及图8(b)示出了候选搭配对生成的例子。假设商品信息库中有5件商品，图8(a)中搭配对定义为商品搭配对，则通过两两组合共生成10个候选搭配对。图8(b)中搭配对定义为商品特征搭配对(类别-颜色)，首先去重复，由于商品信息库中有两件商品的搭配特征值为“包-红色”，因此去重后对剩下的4件商品进行两两组合，得到6个候选特征搭配对。

在此基础上，对所有的候选搭配对进行过滤，删除那些不可能的搭配对。其方法是基于商品特征值匹配性来对所有搭配对进行过滤，具体步骤如下：

1)依据搭配对的商品类别要具有搭配性的特点，进行过滤。

其中，相同类别的商品不能搭配在一起，如某夹克不能和另一件夹克搭配，且类别不同但类别所属的大类别也不同的商品不能搭配在一起，比如，某夹克不能和某床单搭配，因为夹克属于服装大类别，而床单属于床上用品大类别，以此对各搭配对进行过滤。

图9示出了候选搭配过滤的例子，对于候选搭配对“{jacket1,jacket2}”，由于jacket1和jacket2的商品类别都是夹克，因此不能搭配在一起，将其过滤。

2)依据搭配对的风格、适合性别等特征要一致的特点，进行过滤。

该步骤是可选的，实际应用中，可依据过滤粒度需求，考虑是否采用该步骤进行过滤。

通过将各种不可能的搭配对过滤后，可得到各个可能的搭配对(对象搭配对或特征搭配对)。

接下来的各步骤在于计算出各个客户(比如网络商城的各个客户)对所述各个可能的搭配对的偏好值，以实现为商品的搭配推荐提供客户的偏好信息依据。

步骤702、获得各个客户对对象搭配组合的收藏信息，并基于每个客户对对象搭配组合的收藏信息，计算每个客户对所收藏的对象搭配组合中对应包含的对象搭配对或特征搭配对的偏好值。

网络购物场景中，客户往往将其较为感兴趣的、具有相应偏好性的商品信息进行收藏，以便于后续的回看或购买，基于这一特点，本实施例考虑首先根据客户对商品搭配组合的收藏信息，计算出客户对其收藏的商品搭配组合中所包含的搭配对的偏好值。

实际应用中，可开发一些工具来允许客户增加一个或多个商品搭配组合到该客户的收藏夹里，也就是说，允许客户收藏商品搭配组合(区别于现有技术中仅允许客户收藏单品信息)，其中，每个商品搭配组合包含一组(至少两个)可以相互搭配的商品。

例如，对服装类商品而言，可以开发一个个性化衣橱工具，该工具创建一个虚拟人像，客户可以从商品区中选择某件衣服来为虚拟人像穿上、或从虚拟人像上脱下某件衣服，从而能够以直观的方式生成一个个的商品搭配组合。可选地，在本发明其他实施例中，还可以使得客户能够浏览其他客户的收藏夹，并从中选择自己喜欢的搭配组合来加入自己的收藏夹。另外可选地，客户还可以对收藏的每个商品搭配组合进行评分(例如从一星级到五星级，或从1分到10分等等)。

参考图10，图10示出了一个客户偏好搭配收藏的例子，在该示例中，客户“User1”收藏过两个商品搭配组合，第一个商品搭配组合是{jacket1，trousers1，bag1}，第二个商品搭配组合是{jacket2，trousers1，bag2}。

在客户能够收藏商品搭配组合的基础上，本步骤分析每个客户的收藏夹，获得客户对商品搭配组合的收藏信息，并基于每个客户对商品搭配组合的收藏信息，计算每个客户对所收藏的商品搭配组合中对应包含的搭配对的偏好值，其中，每个搭配对包含两个可以搭配的商品或商品特征。

所述收藏信息可以包括但不限于：客户收藏的商品搭配组合中对应包含的各商品信息及组合关系，客户收藏次数、客户浏览次数和/或客户对收藏的商品搭配组合的评分等等。

如果搭配对为商品搭配对，则可以通过以下处理过程计算出客户对商品搭配对的偏好值：

1)客户收藏商品搭配组合中的收藏商品搭配对的提取。

分析每个客户收藏的各个商品搭配组合，从每个商品搭配组合中提取出所有的两两商品组合，然后去掉重复的两两商品组合，最后得到该客户的各个收藏商品搭配对。

2)客户对收藏商品搭配对的偏好值的计算。

可基于客户的收藏次数、浏览次数和评分等收藏信息，来计算每个客户对每个收藏商品搭配对的偏好值。其中，某客户对收藏商品搭配对P的偏好值的计算公式如下：

该式中，G

根据上述公式可知，客户对搭配对的收藏次数、浏览次数和评分越高，则偏好值就越高。

3)偏好值分类。

可以将偏好值按大小划分成几个偏好等级，每个偏好等级分别代表不同的偏好程度。比如可以将偏好值划分成常见的1-5级等。该步骤为可选步骤。

如果搭配对为商品特征搭配对，则可以通过以下处理过程计算出客户对商品特征搭配对的偏好值：

1)客户收藏商品搭配组合中的收藏商品特征搭配对的提取。

分析每个客户收藏的各个商品搭配组合，首先基于商品信息库，从每个商品搭配组合中提取出各商品对应的特征的值，从而得到每个客户收藏的各个商品特征搭配组合。之后，从每个商品特征搭配组合中提取出所有的两两特征组合，然后去掉重复的两两特征组合，最后得到该客户的各个收藏商品特征搭配对。

2)客户对收藏商品特征搭配对的偏好值的计算。

具体可基于客户的收藏次数、浏览次数和对收藏商品搭配组合的评分等收藏信息，来计算每个客户对每个收藏商品特征搭配对的偏好值。其中，某客户对收藏商品特征搭配对F的偏好值的计算公式如下：

该式中，G’

3)偏好值分类。

可以将偏好值按大小划分成几个偏好等级，每个偏好等级分别代表不同的偏好程度。比如可以将偏好值划分成常见的1-5级等。该步骤为可选步骤。

参考图11(a)和图11(b)，图11(a)和图11(b)分别示出了当搭配对为商品搭配对及商品特征搭配对时，计算客户对搭配对的偏好值的例子。

图11(a)中，搭配对为商品搭配对，客户“User2”收藏过两个商品搭配组合：{jacket2，trousers1}和{jacket2，trousers1，bag2}，其中第一个组合的浏览次数是2、评分是10，第二个组合的浏览次数是3、评分是8(满分10分)。依据上述计算偏好值的方法，首先进行收藏商品搭配对提取，得到3个收藏商品搭配对：{jacket2，trousers1}、{jacket2，bag2}和{trousers1，bag2}，然后进行偏好计算，{jacket2，trousers1}出现在该客户收藏的两个商品搭配组合中，其偏好值＝(2/3)*(10/10)+(3/3)*(8/10)＝1.47，{jacket2，bag2}和{trousers1，bag2}都只出现在第二个组合中，其偏好值都为(3/3)*(8/10)＝0.8。最后将上述偏好值分类到5个偏好等级中。

图11(b)中，搭配对为商品特征搭配对(具体为“类别-颜色”这一商品特征的两两搭配对)，针对客户“User2”的收藏夹，首先基于商品信息库来取出收藏的各商品的类别和颜色的值，从而得到2个商品搭配特征组合：{夹克-粉色，裤子-黑色}和{夹克-粉色，裤子-黑色，包-黑色}，在此基础上，可得到3个收藏商品特征搭配对：{夹克-粉色，裤子-黑色}、{夹克-粉色，包-黑色}和{裤子-黑色，包-黑色}，然后进行偏好值计算，其中，{夹克-粉色，裤子-黑色}出现在两个商品搭配特征组合中，其偏好值＝1.47，{夹克-粉色，包-黑色}和{裤子-黑色，包-黑色}都只出现在第二个商品搭配特征组合中，其偏好值＝0.8。最后将上述偏好值分类到5个偏好等级中。

步骤703、利用预定算法，预测每个客户对所述各个可能的对象搭配对或特征搭配对中未计算出偏好值的搭配对的偏好值。

依据步骤702提供的偏好值计算方式，可计算出客户对收藏搭配对(客户收藏的商品搭配组合中对应包括的各搭配对)的偏好值，而对于客户偏好表中客户未收藏的搭配对(不包含在客户收藏的商品搭配组合中的搭配对)，本发明采用相应预测方法，来预测客户对该部分搭配对的偏好值。

本实施例利用协同过滤算法，基于客户对收藏搭配对的偏好，来预测各客户对所有未收藏搭配对的偏好，最后将各客户对各搭配对的偏好值保存到客户偏好表中。

本实施例具体提供以下方法，来实现预测客户对所有未收藏搭配对的偏好值：

1)客户偏好表初始化。

将计算出的所有客户对收藏搭配对的偏好值合并在一起，并将未包括的其他可能的搭配对增加成为客户偏好表中新的列，从而生成一张m*n的初始客户偏好表，其中m是客户数目，n是搭配对的数目，表中的每行代表一个客户，每列代表一个搭配对，每个行列交叉处的单元记录了某客户对某搭配对的偏好值，偏好值未知的为空。

2)未知偏好预测。

利用协同过滤算法来计算各个未知的偏好值。其中，协同过滤算法的原理是：比较目标客户和其他客户的收藏偏好的相似性，来识别出一组相互具有类似偏好的客户，若与目标客户有类似偏好的客户喜欢某搭配，则认为目标客户也喜欢该搭配，以此预测目标客户对该搭配的偏好值。

参考图12，图12示出了一个客户对其他未收藏搭配对的偏好预测的例子。其中，User1虽然没有收藏过搭配对{jacket2，bag2}，但通过计算与其他客户的收藏相似性，可以预测出User1对{jacket2，bag2}的偏好来。

步骤704、依据所述各个可能的对象搭配对或特征搭配对，以及各个客户对所述各个可能的对象搭配对或特征搭配对的偏好值，生成客户偏好表。

在计算出各个客户对已收藏搭配对的偏好值以及预测出各客户对未收藏搭配对的偏好值基础上，可将所获得的偏好值填充至客户偏好表的相应位置，从而生成了能够表征各客户对各搭配对(商品搭配对或商品特征搭配对)的偏好信息的客户偏好表，进而能够为后续向客户进行商品的搭配推荐提供依据。

基于本实施例提供的客户偏好表的生成过程，本发明实现商品的搭配推荐的总体框图可参考图13所示。

本发明在接下来的又一实施例中提供一种对象的搭配推荐装置，旨在实现针对网络商品推荐等场景能够进行商品的搭配推荐，从而丰富网络商城的商品推荐功能，提升用户体验。参考图14示出的本发明一种对象的搭配推荐装置的结构示意图，该装置可以包括：

获取单元1，用于获得目标客户的待搭配的当前对象；确定单元2，用于基于预先制定并存储的客户偏好表，确定与所述当前对象具有关联关系的至少一个候选对象；其中，所述客户偏好表包括多个客户对多个搭配对的偏好值信息，所述搭配对为由两个不同类别的对象组成的对象搭配对或由两个不同类别对象的特征组成的特征搭配对，所述候选对象与所述当前对象或者所述候选对象与所述当前对象的相应特征在所述客户偏好表中互为搭配对；筛选单元3，用于基于候选对象与当前对象所在的搭配对在所述客户偏好表中对应的偏好值信息，并利用预定筛选规则，从所述至少一个候选对象中筛选出与所述当前对象最为搭配的至少一个目标对象；搭配推荐单元4，用于以预定展示方式向目标客户推荐所述至少一个目标对象。

在本发明实施例的一实施方式中，所述确定单元，进一步用于：

若客户偏好表中的搭配对为对象搭配对，则：从客户偏好表中查找出至少一个候选对象搭配对，其中，所述候选对象搭配对中包括所述当前对象；从所述至少一个候选对象搭配对中确定出除所述当前对象之外的其他对象作为候选对象；若客户偏好表中的搭配对为特征搭配对，则：从客户偏好表中查找出至少一个候选特征搭配对，其中，所述候选特征搭配对中包括所述当前对象的相应特征；从所述至少一个候选特征搭配对中确定出除所述当前对象的特征之外的其他特征，并确定出满足所述其他特征中至少一项特征的对象作为候选对象。

在本发明实施例的一实施方式中，所述筛选单元，进一步用于：从所述客户偏好表中查找出每个候选对象与当前对象所在的对象搭配对或特征搭配对对应于所述目标客户的偏好值信息，和/或对应于所有客户的偏好值信息；基于获得的偏好值信息计算各个候选对象与所述当前对象的搭配度；筛选出与所述当前对象搭配度最高的预定数量的候选对象作为目标对象。

在本发明实施例的一实施方式中，所述搭配推荐单元，进一步用于：以对象列表方式向目标客户推荐所述至少一个目标对象；或者，以对象搭配组合的方式向目标客户推荐所述至少一个目标对象，其中，推荐的每个对象搭配组合为至少一个目标对象与所述当前对象的搭配组合。

在本发明实施例的一实施方式中，参考图15，所述装置还可以包括：预处理单元5，用于生成客户偏好表。

所述预处理单元生成客户偏好表包括：确定各个可能的对象搭配对或特征搭配对；获得各个客户对对象搭配组合的收藏信息，并基于每个客户对对象搭配组合的收藏信息，计算每个客户对所收藏的对象搭配组合中对应包含的对象搭配对或特征搭配对的偏好值；利用预定算法，预测每个客户对所述各个可能的对象搭配对或特征搭配对中未计算出偏好值的搭配对的偏好值；依据所述各个可能的对象搭配对或特征搭配对，以及各个客户对所述各个可能的对象搭配对或特征搭配对的偏好值，生成客户偏好表。

此处，需要说明的是，本实施例涉及的对象搭配推荐装置的描述，与上文方法的描述是类似的，且同方法的有益效果描述，对于本发明的对象搭配推荐装置在本实施例中未披露的技术细节，请参照本发明方法实施例的说明，本实施对此不再作赘述。

综上所述，本发明的对象搭配推荐方案具有以下优势：本发明提出了一种基于机器学习的商品搭配推荐方法，它可以个性化地推荐与客户浏览商品或选择的商品相搭配的其他商品，可以提升用户体验，丰富了网络商城的商品推荐功能，且商品的搭配式推荐往往更能够贴合客户需求，比一般的商品推荐更容易吸引客户购买，鉴于此，利用本发明方案还可以进一步促进客户消费、提高网站收益。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。