数据处理方法、装置、系统、计算机可读存储介质

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种数据处理方法、一种数据处理装置、一种数据处理系统以及一种计算机可读存储介质。

背景技术

随着计算机技术的发展，越来越多的用户喜欢在电商平台上购物。通常，电商平台会自动为用户推荐相关的商品，但是，所推荐的商品往往不是用户所需要的商品。因此，如何从海量数据中挖掘出用户真正想要购买的商品，以更好地为用户服务成为亟需解决的问题。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，相关技术中为用户推荐的商品通常没有针对性，即，为所有用户推荐的商品均一样，难以满足用户的需求。

发明内容

有鉴于此，本公开提供了一种优化的数据处理方法、数据处理装置、数据处理系统和计算机可读存储介质。

本公开的一个方面提供了一种数据处理方法，包括：获取用户数据，其中，所述用户数据至少包括用户属性数据和用户行为数据，所述用户行为数据用于表征用户对商品的操作记录。处理所述用户数据，得到多层级特征数据，其中，所述多层级特征数据用于表征所述用户对所述商品的需求，所述多层级特征数据包括多个层级特征数据，所述多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系。基于所述多层级特征数据，确定所述用户对所述商品的需求数据。

根据本公开实施例，上述方法还包括：获取经训练预测模型。其中，所述处理所述用户数据，得到多层级特征数据包括：利用所述经训练预测模型处理所述用户数据，得到多层级特征数据。

根据本公开实施例，上述经训练预测模型至少包括因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型。所述利用所述经训练预测模型处理所述用户数据，得到多层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据，利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据，利用所述深度神经网络子模型处理所述用户数据，得到第三层级特征数据，其中，所述第一层级特征数据、所述第二层级特征数据以及所述第三层级特征数据所表征的所述关联关系依次为浅层关联关系、中层关联关系以及深层关联关系。

根据本公开实施例，上述经训练预测模型还包括梯度下降树子模型，所述梯度下降树子模型包括多棵树结构。所述利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据包括：利用所述梯度下降树子模型处理所述用户数据，确定所述用户数据分别落在所述多棵树结构中的叶子节点，基于所述用户数据所在的叶子节点，得到所述多棵树结构输出的组合特征向量，利用所述卷积神经网络子模型处理所述组合特征向量，得到所述第二层级特征数据。

根据本公开实施例，上述利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到多个第一阶特征，将所述多个第一阶特征两两组合得到多个第二阶特征，处理所述多个第二阶特征，得到处理后的第二阶特征，确定所述第一阶特征和所述处理后的第二阶特征为所述第一层级特征数据。

根据本公开实施例，上述处理所述多个第二阶特征，得到处理后的第二阶特征包括：分别确定所述多个第二阶特征中每个第二阶特征所包含的两个第一阶特征之间的关联性，基于所述关联性增大或减小所述多个第二阶特征中每个第二阶特征的权重，得到所述处理后的第二阶特征。

根据本公开实施例，上述需求数据还包括需求概率；所述方法还包括：基于所述用户对所述商品的所述需求概率，确定所述需求概率大于预设概率所对应的目标商品，将所述目标商品推荐给所述用户。

根据本公开实施例，上述方法还包括：获取待训练预测模型以及训练样本，其中，所述训练样本包括历史用户数据以及标签数据，所述标签数据用于表征用户是否对历史商品进行操作，基于所述历史用户数据训练所述待训练预测模型，得到输出数据，其中，所述输出数据用于表征用户对所述历史商品的需求数据，基于所述输出数据和所述标签数据，利用反向传输算法更新所述待训练预测模型中的参数，得到所述经训练预测模型。

本公开的另一个方面提供了一种数据处理装置，包括：第一获取模块、处理模块以及第一确定模块。其中，第一获取模块，获取用户数据，其中，所述用户数据至少包括用户属性数据和用户行为数据，所述用户行为数据用于表征用户对商品的操作记录。处理模块，处理所述用户数据，得到多层级特征数据，其中，所述多层级特征数据用于表征所述用户对所述商品的需求，所述多层级特征数据包括多个层级特征数据，所述多个层级特征数据中的每一个表征用户数据与商品需求的一种关联关系。第一确定模块，基于所述多层级特征数据，确定所述用户对所述商品的需求数据。

根据本公开实施例，上述装置还包括：第二获取模块，获取经训练预测模型。其中，所述处理所述用户数据，得到多层级特征数据包括：利用所述经训练预测模型处理所述用户数据，得到多层级特征数据。

根据本公开实施例，上述经训练预测模型至少包括因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型。所述利用所述经训练预测模型处理所述用户数据，得到多层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据，利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据，利用所述深度神经网络子模型处理所述用户数据，得到第三层级特征数据，其中，所述第一层级特征数据、所述第二层级特征数据以及所述第三层级特征数据所表征的所述关联关系依次为浅层关联关系、中层关联关系以及深层关联关系。

根据本公开实施例，上述经训练预测模型还包括梯度下降树子模型，所述梯度下降树子模型包括多棵树结构。所述利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据包括：利用所述梯度下降树子模型处理所述用户数据，确定所述用户数据分别落在所述多棵树结构中的叶子节点，基于所述用户数据所在的叶子节点，得到所述多棵树结构输出的组合特征向量，利用所述卷积神经网络子模型处理所述组合特征向量，得到所述第二层级特征数据。

根据本公开实施例，上述利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到多个第一阶特征，将所述多个第一阶特征两两组合得到多个第二阶特征，处理所述多个第二阶特征，得到处理后的第二阶特征，确定所述第一阶特征和所述处理后的第二阶特征为所述第一层级特征数据。

根据本公开实施例，上述处理所述多个第二阶特征，得到处理后的第二阶特征包括：分别确定所述多个第二阶特征中每个第二阶特征所包含的两个第一阶特征之间的关联性，基于所述关联性增大或减小所述多个第二阶特征中每个第二阶特征的权重，得到所述处理后的第二阶特征。

根据本公开实施例，上述需求数据还包括需求概率；所述装置还包括：第二确定模块以及推荐模块。其中，第二确定模块，基于所述用户对所述商品的所述需求概率，确定所述需求概率大于预设概率所对应的目标商品。推荐模块，将所述目标商品推荐给所述用户。

根据本公开实施例，上述装置还包括：第三获取模块、训练模块以及更新模块。其中，第三获取模块，获取待训练预测模型以及训练样本，其中，所述训练样本包括历史用户数据以及标签数据，所述标签数据用于表征用户是否对历史商品进行操作。训练模块，基于所述历史用户数据训练所述待训练预测模型，得到输出数据，其中，所述输出数据用于表征用户对所述历史商品的需求数据。更新模块，基于所述输出数据和所述标签数据，利用反向传输算法更新所述待训练预测模型中的参数，得到所述经训练预测模型。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，可以至少部分地解决相关技术中为用户推荐的商品通常没有针对性，即，为所有用户推荐的商品均一样，难以满足用户的需求的问题，并因此可以实现较为准确地预测用户对商品的需求，并给用户推荐其所需的商品的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的数据处理方法和数据处理装置的系统架构；

图2示意性示出了根据本公开实施例的数据处理方法的流程图；

图3示意性示出了根据本公开另一实施例的数据处理方法的流程图；

图4示意性示出了根据本公开再一实施例的数据处理方法的流程图；

图5示意性示出了根据本公开实施例的数据处理装置的框图；

图6示意性示出了根据本公开另一实施例的数据处理装置的框图；

图7示意性示出了根据本公开再一实施例的数据处理装置的框图；以及

图8示意性示出了根据本公开实施例的适于数据处理计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种数据处理方法，包括：获取用户数据，其中，用户数据至少包括用户属性数据和用户行为数据，用户行为数据用于表征用户对商品的操作记录。然后，可以处理用户数据，得到多层级特征数据，其中，多层级特征数据用于表征用户对商品的需求，多层级特征数据包括多个层级特征数据，多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系。最后，可以基于多层级特征数据，确定用户对商品的需求数据。

图1示意性示出了根据本公开实施例的数据处理方法和数据处理装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构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。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

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、膝上型便携计算机和台式计算机等等。

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所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，本公开实施例的用户数据可以存储在终端设备101、102、103中，通过终端设备101、102、103将用户数据发送至服务器105中，服务器105可以处理用户数据，得到多层级特征数据，并基于多层级特征数据，确定用户对商品的需求数据，或者，终端设备101、102、103也可以直接处理用户数据，得到多层级特征数据，并基于多层级特征数据，确定用户对商品的需求数据。另外，用户数据还可以直接存储在服务器105中，由服务器105直接处理用户数据，得到多层级特征数据，并基于多层级特征数据，确定用户对商品的需求数据。

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。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的数据处理方法的流程图。

如图2所示，该方法包括操作S210～S230。

在操作S210，获取用户数据，其中，用户数据至少包括用户属性数据和用户行为数据，用户行为数据用于表征用户对商品的操作记录。

根据本公开实施例，用户属性信息例如包括用户的性别、年龄、所在区域等等。用户行为数据例如包括历史行为数据和实时行为数据。其中，历史行为数据例如包括过去6个月内用户的订单信息、商品的浏览记录、点击行为以及加入购物车的商品等等。实时行为数据例如包括用户当前的行为。例如，用户当前正在浏览商品，则用户当前针对商品的行为可以作为用户的实时行为数据。

根据本公开实施例，用户数据例如包括数值类特征数据和类别型特征数据。其中，例如用户数据为性别对应的值有“男性”和“女性”，该性别对应的数据为类别型特征数据。当用户数据包括用户所购买的商品的价格时，该价格例如可以是数值类特征数据。

在本公开实施例中，用户数据例如还可以包括用户的反馈数据，反馈数据例如可以是用户对商品的评论数据。其中，反馈数据例如可以包括正反馈数据和负反馈数据。正反馈数据例如可以是对商品的正向评论，负反馈数据例如可以是用户针对商品的投诉数据。

在操作S220，处理用户数据，得到多层级特征数据，其中，多层级特征数据用于表征用户对商品的需求，多层级特征数据包括多个层级特征数据，多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系。

根据本公开实施例，例如可以利用经训练的预测模型来处理用户数据，以得到表征用户对商品的需求的多层级特征数据。其中，多层级特征数据中的每一层级特征数据表征用户数据与商品需求的一种关联关系，因此，多层级特征数据表征了多种关联关系。

根据本公开实施例，预测模型例如可以是深度学习模型。多种关联关系例如可以包括浅层关联关系、中层关联关系以及深层关联关系等等。其中，关联关系越是浅层关系，所表征的用户对商品的需求为用户数据中的浅层特征。关联关系越是深层关系，所表征的用户对商品的需求为用户数据中的深层特征。其中，该操作S220的具体实现例如可以参考如图4所描述。

在操作S230，基于多层级特征数据，确定用户对商品的需求数据。

根据本公开实施例，需求数据例如可以包括用户对商品的需求概率。在通过预测模型得到表征用户对商品的需求的多层级特征数据之后，可以根据该多层级特征数据来预测用户的需求概率。

本公开实施例通过获取用于表征用户对商品的需求的多层级特征数据，并基于多层级特征数据预测用户对商品的需求概率。可以理解，通过获取多层级特征数据的方式，能够挖掘到用户的对商品需求的低阶特征数据和高阶抽象特征，从而可以基于不同层级的特征数据预测用户对商品的需求概率，提高了预测结果的准确度。

图3示意性示出了根据本公开另一实施例的数据处理方法的流程图。

如图3所示，该方法包括操作S210～S230以及操作S310～S320。其中，操作S210～S230与上参考图2描述的操作相同或类似，在此不再赘述。

在操作S310，基于用户对商品的需求概率，确定需求概率大于预设概率所对应的目标商品。

在操作S320，将目标商品推荐给用户。

根据本公开实施例，基于多层级特征数据预测用户对商品的需求概率所得到的预测结果例如可以包括对多个商品的需求概率。其中，针对多个商品中的每个商品的需求概率例如可以不同。其中，商品的需求概率越大表明用户对该商品的需求可能性越大，可以优先为用户推荐需求概率大的商品。例如，可以将多个商品中关于需求概率大于预设概率的目标商品推荐给用户。其中，预设概率例如可以是根据实际需求设定的概率，例如，预设概率可以是70％、80％等等。

其中，例如可以向用户推荐商品组合。其中，商品组合可以是正在促销的多个商品、可以使用优惠券购买的多个商品等等。

根据本公开实施例，在通过预测模型预测用户对多个商品的需求概率之后，可以针对性地将需求概率大于预设概率的目标商品推荐给用户，使得所推荐的商品更加符合用户的需求。即，本公开实施例通过深度学习模型自动挖掘用户的需求，并自动给用户推荐符合用户需求的个性化商品组合，从而减少了用户人工挑选商品的时间。

图4示意性示出了根据本公开再一实施例的数据处理方法的流程图。

如图4所示，该方法包括操作S210～S230、操作S310～S320以及操作S410。其中，操作S210～S230与上参考图2描述的操作相同或类似，操作S310～S320与上参考图3描述的操作相同或类似，在此不再赘述。

在操作S410，获取经训练预测模型。

其中，图2或图3所示的操作S220例如可以包括利用经训练预测模型处理用户数据，得到多层级特征数据。

根据本公开实施例，经训练预测模型例如至少包括因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型。

其中，因子分解机子模型例如可以是FM(Factorization Machine)模型，卷积神经网络子模型例如可以是CNN(Convolutional Neural Networks)模型，深度神经网络子模型例如可以是DNN(Deep Neural Networks)模型。

根据本公开实施例，利用经训练预测模型处理用户数据，得到多层级特征数据例如包括以下步骤(1)～(3)。

在此之前，例如可以对用户数据进行预处理，得到原始特征。其中，预处理例如可以包括将用户数据进行向量化处理。预处理后得到的原始特征可以作为预测模型的输入数据。

(1)利用因子分解机子模型处理用户数据，得到第一层级特征数据。例如，因子分解机子模型可以直接作用在原始特征上，得到的第一层级特征数据例如可以是浅层特征数据。

(2)利用卷积神经网络子模型处理用户数据，得到第二层级特征数据。具体过程如下描述。

根据本公开实施例，经训练预测模型还包括梯度下降树子模型，梯度下降树子模型包括多棵树结构。

其中，第二层级特征数据的获取方式例如可以包括：利用梯度下降树子模型处理用户数据(原始特征)，确定用户数据(原始特征)分别落在多棵树结构中的叶子节点，基于用户数据(原始特征)所在的叶子节点，得到多棵树结构输出的组合特征向量，利用卷积神经网络子模型处理组合特征向量，得到第二层级特征数据。

换言之，卷积神经网络子模型例如不是直接作用在原始特征上，而是作用在梯度下降树子模型的叶子节点上。即，可以先通过梯度下降树子模型处理原始特征，得到多棵树的组合特征向量，再由卷积神经网络子模型处理该组和特征向量，得到第二层级特征数据。其中，该第二层级特征数据的特征抽象程度例如高于第一层级特征数据的特征抽象程度，该第二层级特征数据例如包括更多关于用户对商品需求的隐藏信息。

(3)利用深度神经网络子模型处理用户数据，得到第三层级特征数据。例如，深度神经网络子模型可以直接作用在原始特征上，得到的第三层级特征数据例如可以是深层特征数据。其中，该第三层级特征数据的特征抽象程度例如高于第二层级特征数据和第一层级特征数据的特征抽象程度，该第三层级特征数据例如包括更多关于用户对商品需求的隐藏信息。

根据本公开实施例，第一层级特征数据、第二层级特征数据以及第三层级特征数据所表征的关联关系例如依次为浅层关联关系、中层关联关系以及深层关联关系。

根据本公开实施例，上述步骤(1)中关于利用因子分解机子模型处理用户数据，得到第一层级特征数据的另一种实现过程例如如下描述。

首先，可以利用因子分解机子模型处理用户数据，得到多个第一阶特征。例如，多个第一阶特征为特征a、特征b、特征c。

然后，将多个第一阶特征两两组合得到多个第二阶特征。例如，多个第二阶特征包括特征d、特征e、特征f。其中，特征d例如由特征a和特征b组成，特征e例如由特征a和特征c组成，特征f例如由特征b和特征c组成。

其后，可以处理多个第二阶特征，得到处理后的第二阶特征。例如，可以分别确定多个第二阶特征中每个第二阶特征所包含的两个第一阶特征之间的关联性，并基于关联性增大或减小多个第二阶特征中每个第二阶特征的权重，得到处理后的第二阶特征。

根据本公开实施例，每个第二阶特征例如均对应有相应的权重，该权重例如能够表征该特征的重要程度。例如，以特征d举例，如果组成特征d的特征a和特征b之间的关联性较高，则可以增大特征d的权重。如果特征a和特征b之间的关联性较低，则可以减小特征d的权重。

在本公开实施例中，在得到处理后的第二阶特征之后，可以确定第一阶特征和处理后的第二阶特征为第一层级特征数据。

根据本公开实施例，关于增大或减小多个第二阶特征中每个第二阶特征的权重的具体实现方式，本公开实施例例如可以利用SENet(Squeeze-and-Excitatiaon Networks)网络来对第二阶级特征的权重进行处理。具体地，本公开实施例可以通过利用SENet网络与预测模型联合训练，从而提升预测模型的精确度。其中，SENet网络例如可以用于学习不同特征的重要程度，并对重要特征加权，以及对蕴含信息量不多的特征进行削弱。SENet网络的具体应用例如主要分为以下三个步骤。

(1)进行Squeeze操作。例如，对n个第二阶特征进行压缩处理得到统计向量Z。其中，统计向量Z包括n多个元素，每个元素Z(i＝1，……，n)表示第i个第二阶特征的全局信息。

(2)进行Excitation操作。例如，基于统计向量Z来学习n个第二阶特征的重要性权重。本公开实施例例如使用两层的神经网络来学习特征的重要性权重，第一层例如为维度缩减层，第二层例如为维度提升层。

(3)进行Re-Weight操作。例如利用Excitation操作中学习得到的特征的重要性权重对原始的n个第二阶特征的权重进行重新赋值。

根据本公开实施例，在通过因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型分别获得第一层级特征数据、第二层级特征数据以及第三层级特征数据之后，可以利用损失函数处理第一层级特征数据、第二层级特征数据以及第三层级特征数据，然后通过前向传播和反向更新方式来更新预测模型的参数。

根据本公开实施例，经训练预测模的训练过程例如包括以下步骤。

首先，获取待训练预测模型以及训练样本，其中，训练样本包括历史用户数据以及标签数据，标签数据用于表征用户是否对历史商品进行操作。其中，历史用户数据例如可以包括历史用户的用户属性数据和用户行为数据，其中，用户属性数据和用户行为数据例如如图2所示实施例所提及的数据相同或类似，在此不再赘述。标签数量例如可以用于标记用户是否点击了历史商品、是否购买了历史商品等等。

然后，基于历史用户数据训练待训练预测模型，得到输出数据，其中，输出数据用于表征用户对历史商品的需求数据。例如，该数据数据可以表征用户对历史商品的需求概率。

其次，基于输出数据和标签数据，利用反向传输算法更新待训练预测模型中的参数，得到经训练预测模型。例如，如果输出数据表示用户对历史商品的需求概率较大，但是标签数据表征用户没有点击或没有购买历史商品，则表示预测结果与标签数据所表征的真实值之间的误差较大，此时可以通过反向传输算法更新模型中的参数。更新的过程可以是多次更新，直到输出数据所表征的预测结果与标签数据所表征的真实值之间的误差在允许的误差范围内即可。

本公开实施例利用预测模型根据用户数据和商品信息预测用户对商品的需求，为每个用户推荐他们感兴趣的商品组合。本公开实施例除了为用户推荐商品组合之外，还可以根据当前用户的用户数据为当前用户推荐与该当前用户的用户数据较为相似的其他用户。其中，用户数据较为相似的多个用户对商品的需求相似度较高，因此，通过推荐相似用户，可以为相似用户提供拼单购买的机会，从而为用户购买商品提供优惠。

例外，本公开还可以为用户提供线上交流的机会。例如，本公开实施例可以提供智能助理模式。多个用户可以在智能助理模式下分享交流购物经验，提高用户之间的互动性。

图5示意性示出了根据本公开实施例的数据处理装置的框图。

如图5所示，数据处理装置500例如包括第一获取模块510、处理模块520以及第一确定模块530。

第一获取模块510可以用于获取用户数据，其中，用户数据至少包括用户属性数据和用户行为数据，用户行为数据用于表征用户对商品的操作记录。根据本公开实施例，第一获取模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。

处理模块520可以用于处理用户数据，得到多层级特征数据，其中，多层级特征数据用于表征用户对商品的需求，多层级特征数据包括多个层级特征数据，多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系。根据本公开实施例，处理模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。

第一确定模块530可以用于基于多层级特征数据，确定用户对商品的需求数据。根据本公开实施例，第一确定模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。

图6示意性示出了根据本公开另一实施例的数据处理装置的框图。

如图6所示，数据处理装置600例如包括第一获取模块510、处理模块520、第一确定模块530、第二确定模块610以及推荐模块620。其中，第一获取模块510、处理模块520以及第一确定模块530与上参考图5描述的模块相同或类似，在此不再赘述。

根据本公开实施例，需求数据例如可以包括用户对商品的需求概率。其中，第二确定模块610可以用于基于用户对商品的需求概率，确定需求概率大于预设概率所对应的目标商品。根据本公开实施例，第二确定模块610例如可以执行上文参考图3描述的操作S310，在此不再赘述。

推荐模块620可以用于将目标商品推荐给用户。根据本公开实施例，推荐模块620例如可以执行上文参考图3描述的操作S320，在此不再赘述。

图7示意性示出了根据本公开再一实施例的数据处理装置的框图。

如图7所示，数据处理装置700例如包括第一获取模块510、处理模块520、第一确定模块530、第二确定模块610、推荐模块620以及第二获取模块710。其中，第一获取模块510、处理模块520以及第一确定模块530与上参考图5描述的模块相同或类似，第二确定模块610以及推荐模块620与上参考图6描述的模块相同或类似，在此不再赘述。

第二获取模块710可以用于获取经训练预测模型。根据本公开实施例，第二获取模块710例如可以执行上文参考图4描述的操作S410，在此不再赘述。

根据本公开实施例，处理用户数据，得到多层级特征数据包括：利用经训练预测模型处理用户数据，得到多层级特征数据。

根据本公开实施例，经训练预测模型至少包括因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型。利用经训练预测模型处理用户数据，得到多层级特征数据包括：利用因子分解机子模型处理用户数据，得到第一层级特征数据，利用卷积神经网络子模型处理用户数据，得到第二层级特征数据，利用深度神经网络子模型处理用户数据，得到第三层级特征数据，其中，第一层级特征数据、第二层级特征数据以及第三层级特征数据所表征的关联关系依次为浅层关联关系、中层关联关系以及深层关联关系。

根据本公开实施例，经训练预测模型还包括梯度下降树子模型，梯度下降树子模型包括多棵树结构。利用卷积神经网络子模型处理用户数据，得到第二层级特征数据包括：利用梯度下降树子模型处理用户数据，确定用户数据分别落在多棵树结构中的叶子节点，基于用户数据所在的叶子节点，得到多棵树结构输出的组合特征向量，利用卷积神经网络子模型处理组合特征向量，得到第二层级特征数据。

根据本公开实施例，利用因子分解机子模型处理用户数据，得到第一层级特征数据包括：利用因子分解机子模型处理用户数据，得到多个第一阶特征，将多个第一阶特征两两组合得到多个第二阶特征，处理多个第二阶特征，得到处理后的第二阶特征，确定第一阶特征和处理后的第二阶特征为第一层级特征数据。

根据本公开实施例，处理多个第二阶特征，得到处理后的第二阶特征包括：分别确定多个第二阶特征中每个第二阶特征所包含的两个第一阶特征之间的关联性，基于关联性增大或减小多个第二阶特征中每个第二阶特征的权重，得到处理后的第二阶特征。

根据本公开实施例，装置500、600或者700还包括：第三获取模块、训练模块以及更新模块。其中，第三获取模块，获取待训练预测模型以及训练样本，其中，训练样本包括历史用户数据以及标签数据，标签数据用于表征用户是否对历史商品进行操作。训练模块，基于历史用户数据训练待训练预测模型，得到输出数据，其中，输出数据用于表征用户对历史商品的需求数据。更新模块，基于输出数据和标签数据，利用反向传输算法更新待训练预测模型中的参数，得到经训练预测模型。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及同件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块510、处理模块520、第一确定模块530、第二确定模块610、推荐模块620以及第二获取模块710中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、处理模块520、第一确定模块530、第二确定模块610、推荐模块620以及第二获取模块710中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、处理模块520、第一确定模块530、第二确定模块610、推荐模块620以及第二获取模块710中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于数据处理计算机系统的方框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本公开的实施例，根据本公开实施例的方法流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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开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/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是计算机非易失性的计算机可读存储介质，例如可以可以包括但不限于：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)、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。在本公开中，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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。