物品推荐方法、装置、电子设备及可读存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种物品推荐方法、装置、电子设备及可读存储介质。

背景技术

随着计算机技术的发展，各个行业在数据处理过程中均依赖于计算机，尤其是在向用户进行物品推荐中，如何从海量的物品数据中筛选出用户的期望物品，数据处理速度和数据处理效果至关重要。目前主要通过协同过滤算法进行数据处理以实现物品推荐，而这种数据处理方法主要依赖于用户对物品的点击量，然而点击量却可以通过人为控制，例如，雇佣他人多次点击某一物品以增加该物品的点击量，进而增加该物品的推荐指数。这样就导致了最终推荐的物品并非用户所期望的推荐物品，严重降低了物品推荐的准确性。

发明内容

有鉴于此，本发明实施例提供了一种物品推荐方法、装置、电子设备及可读存储介质，以解决现有的物品推荐方法的准确性低的问题。

根据第一方面，本发明实施例提供了一种物品推荐方法，所述方法包括：获取期望物品与各个待推荐物品的点击量相似度以及总点击量，所述总点击量为同时点击所述期望物品与各个待推荐物品的用户的点击量；利用所述总点击量确定点击权重，所述点击权重与所述总点击量的变化趋势相反；根据所述点击量相似度以及所述点击权重，确定所述期望物品与所述各个待推荐物品的相似度；基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。

本发明实施例提供的物品推荐方法，通过获取期望物品与各个待推荐物品的点击量相似度以及总点击量，其中，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量，利用总点击量确定点击权重，且总点击量越大，点击权重越小，再根据点击量相似度以及点击权重确定期望物品与各个待推荐物品的相似度，基于期望物品与各个待推荐物品之间的相似度，在各个待推荐物品中确定出目标推荐物品，基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。该方法在获取点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度，能够避免因人为控制点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

结合第一方面，在第一方面的第一实施方式中，采用如下公式计算所述点击权重：

其中，y1为点击权重；N(u)为总点击量。

本发明实施例提供的物品推荐方法，利用总点击量N(u)确定点击权重，且总点击量越大，点击权重越小。通过降权的方式避免了因人为点击量过多使得物品推荐指数升高，而实质上该推荐物品并非用户所期望物品的问题，提高了物品推荐的准确性。

结合第一方面，在第一方面的第二实施方式中，所述根据所述点击量相似度以及所述点击权重，确定所述期望物品与所述各个待推荐物品的相似度，包括：计算所述点击量相似度与所述点击权重的乘积；基于所述计算结果，确定所述期望物品与所述各个待推荐物品的相似度。

本发明实施例提供的物品推荐方法，在获取点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度，能够避免因人为控制点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

结合第一方面，在第一方面的第三实施方式中，所述根据所述点击量相似度以及所述点击权重，确定所述期望物品与所述各个待推荐物品的相似度，包括：获取同一用户点击所述期望物品与所述各个待推荐物品的相隔时间；利用所述相隔时间确定时间权重，所述时间权重与所述相隔时间的变化趋势相反；基于所述点击量相似度、所述点击权重以及所述时间权重，确定所述期望物品与所述各个待推荐物品的相似度。

本发明实施例提供的物品推荐方法，通过获取同一用户点击期望物品与各个待推荐物品的相隔时间，利用相隔时间确定时间权重，且相隔时间越大时间权重越小，基于点击量相似度、点击权重以及时间权重，确定期望物品与各个待推荐物品的相似度。在该方法中，相隔时间较近的两个物品的相似度大于相隔时间较长的两个物品之间的相似度，通过增加时间权重确定待推荐物品与期望物品之间的相似度，提高了待推荐物品与期望物品之间相似度的判定准确性，进一步提高了物品推荐的准确性。

结合第一方面第三实施方式，在第一方面的第四实施方式中，所述时间权重采用如下公式计算：

y2＝e^(-Δt/T)

其中，y2为时间因子；Δt为同一用户点击期望物品与各个待推荐物品之间的相隔时间；T为点击周期。

本发明实施例提供的物品推荐方法，利用相隔时间Δt和点击周期T确定时间权重，且相隔时间Δt和点击周期T之间的比值越大越大，时间权重越小。通过增加时间权重确定待推荐物品与期望物品之间的相似度，避免了时间对物品推荐准确性的影响，进一步提高了物品推荐的准确性。

结合第一方面第四实施方式，在第一方面的第五实施方式中，采用如下公式计算所述相似度，

其中，i代表期望物品，j代表待推荐物品；W

本发明实施例提供的物品推荐方法，在获取期望物品与各个待推荐物品的点击量相似度的基础上，增加时间权重和点击权重确定待推荐物品与期望物品之间的相似度，同时避免了时间和人为控制点击量对物品推荐准确性的影响，保证了物品推荐的准确性。

结合第一方面或第一方面第一实施方式至第五实施方式中的任一实施方式，在第一方面的第四实施方式中，所述基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品，包括：判断各个所述待推荐物品是否满足预设条件，所述预设条件包括价格；当存在不满足所述预设条件的所述待推荐物品时，删除不满足所述预设条件的所述待推荐物品，得到满足所述预设条件的各个待推荐物品；在所述满足所述预设条件的各个待推荐物品中确定出所述目标推荐物品。

本发明实施例提供的物品推荐方法，在得到与期望物品对应的各个待推荐物品之后，根据预设条件对得到的各个待推荐物品进行进一步筛选，在保证所得到的各个待推荐物品与期望物品之间的相似度的同时，保证待推荐物品更加接近期望物品，从而保证了物品推荐的准确性。

根据第二方面，本发明实施例提供了一种物品推荐装置，包括：第一获取模块，用于获取期望物品与各个待推荐物品的点击量相似度以及总点击量，所述总点击量为同时点击所述期望物品与各个待推荐物品的用户的点击量；第一确定模块，用于利用所述总点击量确定点击权重，所述点击权重与所述总点击量的变化趋势相反；第二确定模块，用于根据所述点击量相似度以及所述点击权重，确定所述期望物品与所述各个待推荐物品的相似度；第三确定模块，用于基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。

本发明实施例提供的物品推荐装置，通过获取期望物品与各个待推荐物品的点击量相似度以及总点击量，其中，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量，利用总点击量确定点击权重，且总点击量越大，点击权重越小，再根据点击量相似度以及点击权重确定期望物品与各个待推荐物品的相似度，基于期望物品与各个待推荐物品之间的相似度，在各个待推荐物品中确定出目标推荐物品，基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。该装置在获取点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度，能够避免因人为控制点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的物品推荐方法。

根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的物品推荐方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的物品推荐方法的流程图；

图2是根据本发明实施例的物品推荐方法的另一流程图；

图3是根据本发明实施例的物品推荐方法的另一流程图；

图4是根据本发明实施例的物品推荐装置的结构框图；

图5是根据本发明实施例电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

当用户通过互联网进行物品选择时，通常期待输入关键字就能够得到与自己所期望物品所近似的各个推荐物品，例如，租房，用户通常期待自己输入位置和价格后便能获取到各个符合的房源以供自己选择确定最终的目标房源。然而，由于现有的协同过滤算法通常只是以点击量进行相似度确定的，未能考虑其他因素对推荐结果的影响，导致了最终的推荐物品并非用户所期望的推荐物品，严重降低了物品推荐的准确性。

基于协同过滤算法无法避免人为总点击量对最终推荐结果的影响，则通过总点击量确定点击权重，且通过点击权重与总点击量的变化趋势相反这一方法降低人为总点击量对推荐结果的影响，提高目标推荐物品的推荐准确性。

根据本发明实施例，提供了一种物品推荐方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种物品推荐方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例的物品推荐方法的流程图，如图1所示，该流程包括如下步骤：

S11，获取期望物品与各个待推荐物品的点击量相似度以及总点击量，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量。

期望物品可以为符合用户预期期望的房源，可以为车子，还可以为服装，本申请对此不作限定，本领域技术人员可以根据实际需要确定。为描述该物品推荐方法，以房源为例进行说明。

若期望物品为房源，则各个待推荐物品是与期望物品所对应的待推荐房源。点击量相似度为期望房源与待推荐房源之间的相似度。具体地，若期望房源a的点击量为N(a)，待推荐房源b的点击量为N(b)，用户为u，则点击量相似度W

总点击量为同时点击期望物品与各个待推荐物品的用户的点击量，即为同时点击期望房源a和待推荐房源b的用户的点击量。

当然本发明实施例中所述的点击量相似度的计算方式并不限于上述公式的描述，也可以采用其他方式计算得到，在此对点击量相似度的具体计算方式并不做任何限定，只需保证其是利用期望物品与待推荐物品的点击量确定出的即可。

S12，利用总点击量确定点击权重，点击权重与总点击量的变化趋势相反。

点击权重是根据总点击量确定的权重值，表征总点击量对期望物品与待推荐物品的相似度的影响。此处，点击权重与总点击量的变化趋势相反，即总点击量越大，点击权重越小，则总点击量对期望物品与待推荐物品的相似度的影响越小，避免了总点击量的人为因素导致推荐物品的准确性降低。

其中，可以直接取总点击量的倒数作为点击权重，也可以在点击量总数的倒数的基础上乘以系数得到所述点击权重，也可以采用其他方式确定点击权重，在此对点击权重的具体计算方式并不做任何限定。

S13，根据点击量相似度以及点击权重，确定期望物品与各个待推荐物品的相似度。

期望物品与各个待推荐物品的相似度为期望物品与待推荐物品之间的相似程度。该相似程度可以包括物品类型、物品价格以及物品样式等，此处不作限定。以房源为例，期望物品与各个待推荐物品的相似度为期望房源与待推荐房源之间的相似程度。将点击量相似度以及点击权重进行结合，分别确定期望房源与各个待推荐房源之间的相似度。

其中，可以计算点击量相似度与点击权重的乘积，得到期望物品与各个待推荐物品的相似度，也可以在点击量相似度以及点击权重的基础上，再结合其他参数计算得到所述的相似度等等。

以期望物品A与待推荐物品B、C以及D为例，其中：

期望物品A与待推荐物品B的点击量相似度为b1，点击权重b2，可以将b1*b2的结果作为期望物品A与待推荐物品B的相似度；

期望物品A与待推荐物品C的点击量相似度为c1，点击权重c2，可以将c1*c2的结果作为期望物品A与待推荐物品C的相似度；

期望物品A与待推荐物品D的点击量相似度为d1，点击权重d2，可以将d1*d2的结果作为期望物品A与待推荐物品D的相似度。

S14，基于期望物品与各个待推荐物品的相似度，在各个待推荐物品中确定出目标推荐物品。

目前推荐物品为从各个待推荐物品中确定的推荐物品，目标推荐物品可以为一个，也可以为多个，具体可以根据实际需要确定，此处不作限定。具体地，可以根据确定的期望房源与各个待推荐房源之间的相似度，将相似度由大到小进行排序，将排序位置靠前的待推荐房源作为最终的目标推荐房源；也可以再相似度的基础上，再结合其他预设条件对利用相似度确定出的推荐物品进行筛选等等。

本发明实施例提供的物品推荐方法，通过获取期望物品与各个待推荐物品的点击量相似度以及总点击量，其中，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量，利用总点击量确定点击权重，且总点击量越大，点击权重越小，再根据点击量相似度以及点击权重确定期望物品与各个待推荐物品的相似度，基于期望物品与各个待推荐物品之间的相似度，在各个待推荐物品中确定出目标推荐物品，基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。该方法在获取点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度，能够避免因人为控制点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

在本实施例中提供了一种物品推荐方法，可用于电子设备，如电脑、手机、平板电脑等，图2是根据本发明实施例的物品推荐方法的流程图，如图2所示，该流程包括如下步骤：

S21，获取期望物品与各个待推荐物品的点击量相似度以及总点击量，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量。详细内容参见上述实施例对应步骤S11的相关描述，此处不再赘述。

S22，利用总点击量确定点击权重，点击权重与总点击量的变化趋势相反。详细内容参见上述实施例对应步骤S12的相关描述，此处不再赘述。

具体地，可以采用如下公式计算步骤S22中所述的点击权重：

其中，y1为点击权重；N(u)为总点击量。

以房源推荐为例，由于房源拥有者也会点击房源，实时了解房源状态，而这些房源拥有者的点击量比一般租房用户的点击量要高很多。由于很难区分出哪些点击量是房源拥有者生成的，哪些点击量不是房源拥有者生成的，因此属于房源拥有者的点击量很难剔除，而不剔除又会影响推荐准确性。因此需要通过降权的方式降低上述点击量对房源推荐准确性的影响。采用上述计算方式计算点击权重，使得房源的总点击量越多，点击权重便会越小，实现了降权的目的，即避免了人为因素影响点击量而导致的房源推荐准确性下降的问题。

S23，根据点击量相似度以及点击权重，确定期望物品与各个待推荐物品的相似度。详细内容参见上述实施例对应步骤S13的相关描述，此处不再赘述。

具体地，上述S23可以包括如下步骤：

S231，计算点击量相似度与点击权重的乘积。

将上述计算得到的点击量相似度与上述点击权重进行相等，得到点击量相似度与点击权重两者的乘积如下：

其中，i代表期望物品，j代表待推荐；W

S232，基于计算结果，确定期望物品与各个待推荐物品的相似度。

基于上述计算结果，可以得到期望物品与各个待推荐物品之间的相似度W

S24，基于期望物品与各个待推荐物品的相似度，在各个待推荐物品中确定出目标推荐物品。详细内容参见上述实施例对应步骤S14的相关描述，此处不再赘述。

本发明实施例提供的物品推荐方法，利用总点击量N(u)确定点击权重，且总点击量越大，点击权重越小。在获取总点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度。通过降权的方式避免了因人为点击量过多使得物品推荐指数升高，而实质上该推荐物品并非用户所期望物品的问题，进而避免了因人为控制总点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

在本实施例中提供了一种物品推荐方法，可用于电子设备，如电脑、手机、平板电脑等，图3是根据本发明实施例的物品推荐方法的流程图，如图3所示，该流程包括如下步骤：

S31，获取期望物品与各个待推荐物品的点击量相似度以及总点击量，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量。详细内容参见上述实施例对应步骤S11的相关描述，此处不再赘述。

S32，利用总点击量确定点击权重，点击权重与总点击量的变化趋势相反。详细内容参见上述实施例对应步骤S12的相关描述，此处不再赘述。

S33，根据点击量相似度以及点击权重，确定期望物品与各个待推荐物品的相似度。详细内容参见上述实施例对应步骤S13的相关描述，此处不再赘述。

具体地，上述S33可以包括如下步骤：

S331，计算点击量相似度与点击权重的乘积。详细内容参见上述实施例对应步骤S231的相关描述，此处不再赘述。

S332，基于计算结果，确定期望物品与各个待推荐物品的相似度。详细内容参见上述实施例对应步骤S232的相关描述，此处不再赘述。

具体地，上述S33还可以包括如下步骤：

S333，获取同一用户点击期望物品与各个待推荐物品的相隔时间。

相隔时间为同一用户点击期望物品的时间与点击各个待推荐物品时间之间的差值。具体地，若同一用户点击期望房源的时刻为T1，点击待推荐房源的时刻为T2，则相隔时间为：|T2-T1|，即T2与T1之间差值的绝对值。

S334，利用相隔时间确定时间权重，时间权重与相隔时间的变化趋势相反。

时间权重是根据相隔时间确定的权重值，表征相隔时间对期望物品与待推荐物品的相似度的影响，且时间权重与相隔时间的变化趋势相反，即相隔时间越大，时间权重越小，则相隔时间对期望物品与待推荐物品的相似度的影响越小，避免了时间因素影响推荐物品的准确性。

具体地，可以时间权重可以依据艾宾浩斯记忆遗忘曲线确定。时间权重可以采用如下公式计算：

y2＝e^(-Δt/T)

其中，y2为时间因子；Δt为同一用户点击期望物品与各个待推荐物品之间的相隔时间；T为点击周期。

以房源推荐为例，考虑到用户的找房周期，租房领域的租房周期平均为一个月，因此选取一个月的数据，即点击周期T在为30。点击的相隔时间相近的两个房源的相似度大于点击的相隔时间较长的两个房源的相似度，即符合艾宾浩斯记忆遗忘曲线的特性。公式y2＝e^(-Δt/T)的特点是在纵轴附近衰减很快，随着时间的增长，其衰减逐渐变缓，符合遗忘曲线的特性。因此采用上述公式确定时间权重，Δt可以为同一用户点击期望房源与待推荐房源之间的相隔天数，其取值可以为0到30内的任一整数。

S335，基于点击量相似度、点击权重以及时间权重，确定期望物品与各个待推荐物品的相似度。

将上述得到的点击量相似度、点击权重和时间权重进行相乘，得到三者相乘的乘积结果，以该乘积结果作为确定期望物品与各个待推荐物品的相似度的计算公式。计算相似度的公式如下，

其中，i代表期望物品，j代表待推荐物品；W

通过增加时间权重确定待推荐物品与期望物品之间的相似度，避免了时间对物品推荐准确性的影响。在获取期望物品与各个待推荐物品的点击量相似度的基础上，增加时间权重和点击权重确定待推荐物品与期望物品之间的相似度，同时避免了时间因素和人为因素对物品推荐准确性的影响，保证了物品推荐的准确性。

S34，基于期望物品与各个待推荐物品的相似度，在各个待推荐物品中确定出目标推荐物品。

在基于期望物品与各个待推荐物品的相似度确定目标推荐物品时，可以先按照期望物品与各个待推荐物品之间的相似度进行筛选，确定出相似度较高的多个待推荐物品，再判断相似度较高的多个待推荐物品是否满足预设条件，根据预设条件进行筛选，将满足预设条件的多个待推荐物品作为目标推荐物品；还可以是按照期望物品与各个待推荐物品之间的相似度进行筛选，确定出相似度较高的多个待推荐物品，并按照预设条件对各个待推荐物品进行筛选，确定出满足预设条件的多个待推荐物品，取相似度较高的多个待推荐物品与满足预设条件的多个待推荐物品的交集，将其交集作为目标推荐物品。

具体地，上述S34可以包括如下步骤：

(1)判断各个待推荐物品是否满足预设条件，预设条件包括价格范围。

当预设价格为价格时，即判断各个推荐物品是否超过预设价格。预设条件还可以包括诸如物品类型和物品样式等参数，本申请对此不作限定。具体地，若目前用户点击的期望房源的价格为P，则电子设备推荐房源的价格P1与目前用户点击的期望房源的价格P应处于预设的价格范围内，即待推荐物品需要满足预设条件，其中，预设的价格范围可以为0.7*P≤P1≤1.5*P。

具体地，当预设条件还包括房源类别时，若目前用户点击的期望房源是整租一居室，那么电子设备推荐的房源也应该为整租一居室或者整租两居室，而不会推荐合租的房子；若目标用户点击的期望房源是合租的，那么电子设备推荐的房源应该是合租，考虑到用户可能会提升住所品质，电子设备也可以推荐整租一居室。此外，电子设备推荐房源的价格跟目前用户点击的期望房源的价格应处于预设的价格范围内，其中，预设的价格范围可以为0.7*P≤P1≤1.5*P。

通过对各个待推荐物品与预设条件之间进行对比，可以确定各个待推荐物品是否满足预设条件。若待推荐物品不满足预设条件，则执行步骤(2)，若待推荐物品满足预设条件，则保留该待推荐物品。

(2)当存在不满足预设条件的待推荐物品时，删除不满足预设条件的待推荐物品，得到满足预设条件的各个待推荐物品。

当判定待推荐物品不满足预设条件时，将不满足预设条件的各个待推荐物品删除，从而得到满足预设条件的多个待推荐物品。例如，若待推荐房源的价格并非处于0.7*P≤P1≤1.5*P内，在认为该待推荐房源不满足预设条件，则将该待推荐房源删除，即不会向用户展示该待推荐房源。

(3)在满足预设条件的各个待推荐物品中确定出目标推荐物品。

将满足预设条件的各个待推荐物品按照相似度进行依次排序，将相似度较大的待推荐物品作为目标推荐物品。例如，满足预设条件的待推荐房源有多个，则按照多个待推荐房源与期望房源之间的相似度对其进行由高到低的排序，选择相似度较高的一个或多个待推荐房源作为目标推荐房源。

本发明实施例提供的物品推荐方法，在得到与期望物品对应的各个待推荐物品之后，根据预设条件对得到的各个待推荐物品进行进一步筛选，在保证所得到的各个待推荐物品与期望物品之间的相似度的同时，保证待推荐物品更加接近期望物品，从而保证了物品推荐的准确性。

在本实施例中还提供了一种物品推荐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种物品推荐装置，如图4所示，包括：

第一获取模块41，用于获取期望物品与各个待推荐物品的点击量相似度以及总点击量，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量。详细内容参见上述方法实施例对应步骤S11的相关描述，此处不再赘述。

第一确定模块42，用于利用总点击量确定点击权重，点击权重与总点击量的变化趋势相反。详细内容参见上述方法实施例对应步骤S12的相关描述，此处不再赘述。

第二确定模块43，用于根据点击量相似度以及点击权重，确定期望物品与各个待推荐物品的相似度。详细内容参见上述方法实施例对应步骤S13的相关描述，此处不再赘述。

第三确定模块44，用于基于期望物品与各个待推荐物品的相似度，在各个待推荐物品中确定出目标推荐物品。详细内容参见上述方法实施例对应步骤S14的相关描述，此处不再赘述。

本发明实施例提供的物品推荐装置，通过获取期望物品与各个待推荐物品的点击量相似度以及总点击量，其中，总点击量为同时点击期望物品与各个待推荐物品的用户的点击量，利用总点击量确定点击权重，且总点击量越大，点击权重越小，再根据点击量相似度以及点击权重确定期望物品与各个待推荐物品的相似度，基于期望物品与各个待推荐物品之间的相似度，在各个待推荐物品中确定出目标推荐物品，基于所述期望物品与所述各个待推荐物品的相似度，在所述各个待推荐物品中确定出目标推荐物品。该装置在获取点击量的基础上，结合点击权重确定最终的期望物品与各个待推荐物品之间的相似度，能够避免因人为控制点击量而导致推荐准确性低的问题，提高了物品推荐的准确性。

本实施例中的路由器服务质量功能的开启装置是以功能模块的形式来呈现，这里的模块是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例还提供一种电子设备，具有上述图4所示的物品推荐装置。

请参阅图5，图5是本发明可选实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备可以包括：至少一个处理器501，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口503，存储器504，至少一个通信总线502。其中，通信总线502用于实现这些组件之间的连接通信。其中，通信接口503可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图4所描述的装置，存储器504中存储应用程序，且处理器501调用存储器504中存储的程序代码，以用于执行上述任一方法步骤。

其中，通信总线502可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器504可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器504还可以包括上述种类的存储器的组合。

其中，处理器501可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。

可选地，存储器504还用于存储程序指令。处理器501可以调用程序指令，实现如本申请图1-3实施例中所示的物品推荐方法。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的物品推荐方法的处理方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。