一种物品信息发送方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种物品信息发送方法和装置。

背景技术

在电商领域，物品促销常常可以起到很好的用户引流作用，因此需要适时的向用户推荐物品的物品信息。其中，物品推荐活动中的整点秒杀活动是一种十分重要的活动场景，一方面通过设定固定时间点可以引导用户定时打开APP(Application，应用程序)，另一方面可以增加用户的参与度，达到提升物品的GMV(Gross Merchandise Volume，网站成交金额)，进而提高店铺的人气和平台的用户活跃量的效果。现今参与促销的物品常常由运营人员人工配置，通常一天会有多个整点秒杀活动，导致依靠人工挑选物品费时费力，而且无法实现千人千面的个性化需求。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

1.易受主观因素影响，且费时费力

2.根据物品历史销量、pv(page view，页面浏览量)、uv(unique visitor，网站独立访客)等指标挑选物品，无法满足用户个性化的需求，经常会出现给用户推荐不感兴趣的物品。

发明内容

有鉴于此，本发明实施例提供一种物品信息发送方法和装置，能够根据物品画像、用户离线画像以及用户实时画像，利用机器学习模型，向用户发送用户满意度高的物品信息。

为实现上述目的，根据本发明实施例的第一方面，提供了一种物品信息发送方法，包括：

根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；

将多个用户与物品组合输入机器学习模型中，以确定多个用户与物品组合的概率；

根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息。

进一步地，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品信息发送方法还包括：为物品集合中的物品配置权重系数，画像信息还包括不同权重系数的物品对应的活动场次信息。

进一步地，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品信息发送方法还包括：采集物品实时属性，根据用户画像和物品实时属性对物品集合中的物品进行过滤。

进一步地，机器学习模型采用极端梯度提升算法，极端梯度提升算法采用对数损失函数。

进一步地，根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合的步骤包括：将目标用户对应的全部用户与物品组合的概率进行排序处理，根据排序处理结果确定与目标用户对应的至少一个用户与物品组合。

根据本发明实施例的第二方面，提供了一种物品信息发送装置，包括：

配对模块，用于根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；

概率确定模块，用于将多个用户与物品组合输入机器学习模型中，以确定每个用户与物品组合的概率；

物品信息发送模块，用于根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息。

进一步地，物品信息发送装置还包括权重系数配置模块，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，权重系数配置模块用于为物品集合中的物品配置权重系数，画像信息还包括不同权重系数的物品对应的活动场次信息。

进一步地，物品信息发送装置还包括物品过滤模块，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品过滤模块用于采集物品实时属性，根据用户画像和物品实时属性对物品集合中的物品进行过滤。

根据本发明实施例的第三方面，提供了一种服务器，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，

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一种物品信息发送方法。

根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一种物品信息发送方法。

上述发明中的一个实施例具有如下优点或有益效果：根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率；根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息的技术手段，所以克服了现有的物品信息发送方法中存在的易受主观因素影响，无法满足用户个性化的需求的技术问题，进而达到方便精准的向用户推荐用户满意度高的物品信息的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明第一实施例提供的物品信息发送方法的主要流程的示意图；

图2是根据本发明第二实施例提供的物品信息发送方法的主要流程的示意图；

图3是根据本发明实施例提供的物品信息发送装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明第一实施例提供的物品信息发送方法的主要流程的示意图，如图1所示，本发明实施例提供的物品信息发送方法主要包括：

步骤S101，根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像。

根据本发明实施例，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品信息发送方法还包括：为物品集合中的物品配置权重系数，画像信息还包括不同权重系数的物品对应的活动场次信息。

具体地，根据本发明实施例的一具体实施方式，当物品集合中的物品为促销物品时，画像信息还包括相应物品对应的促销场次信息。

即，当所需推荐的物品集合中的物品为促销物品时，上述物品信息发送方法根据用户画像、物品画像以及促销物品的场次信息将用户与促销物品进行配对，从而得到多个用户与物品组合。

具体地，本发明适用于各种购物应用程序、购物平台等，上述物品集合表征各购物应用程序或购物平台等平台上待售的物品，当物品集合中的物品为促销物品时，则物品集合可以直接表示促销池中的所有促销物品。

进一步地，根据本发明实施例，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品信息发送方法还包括：采集物品实时属性，根据用户画像和物品实时属性对物品集合中的物品进行过滤。

具体地，向用户发送的物品信息，尤其是促销物品具有典型的时效性等特征，每个参与促销场次的物品促销结束时间都是不固定的，因此需要实时过滤促销物品场次过期、区域库存不足的物品。且同一类物品仅仅是颜色、大小不同，可能同时向用户进行信息发送，因此需要针对相似的物品根据销量、用户偏好进行过滤。

其中，关于上文以及后文中提及的技术术语的解释说明：

画像信息：表征物品信息发送对象以及推荐物品(或产品)的信息，包括物品进入市场的渠道、物品属性以及占有市场的比例；还包括物品信息发送对象的需求情况、对物品的反应以及同类物品在市场上的有关情况综合形成的信息。

用户画像：又称用户角色，是一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像最初是在电商领域得到应用的，是根据用户的属性、用户偏好、操作习惯、用户行为等信息而抽象出来的标签化用户模型，通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼而得到的特征标识。

用户离线画像：是指截止至用户最近一次退出该购物平台或购物应用程序，该购物平台或购物应用程序采集的用户信息提炼总结得到的特征标识，具体包括用户的年龄、性别、以及该用户近期(例如最近七天或者半个月，根据实施情况进行设定)的浏览、关注、搜索的物品序列等信息。

用户实时画像：表示用户最近一次登录该购物平台或购物应用程序，该购物平台或购物应用程序采集的用户信息提炼总结得到的特征标识，具体包括用户近1小时(具体时间可以根据实际情况进行调整)浏览的物品序列、三级品类序列以及品牌序列等信息。

物品画像：根据在该购物平台或购物应用程序录入的物品信息提炼总结得到的物品标识，具体包括物品类别、物品价格、物品近30天(仅为示例)的pv、uv、销量、点击率以及订单转化率等信息。对于促销物品，还包括物品剩余数量、促销价格等信息。

物品实时属性：也称物品实时画像，表示物品在待售过程中的实时信息，主要包括物品实时价格、实时库存量等。

促销物品场次信息：表示促销物品供应方对促销物品活动场次以及促销物品录入的信息，具体包括促销物品活动场次时间段，场次内的物品种类及数量，相邻活动场次之间相距的时间等信息。

步骤S102，将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率。

具体地，根据本发明实施例，上述机器学习模型采用极端梯度提升算法(xgboost算法)，xgboost算法采用对数损失函数。xgboost算法是一种基于梯度提升树的分布式算法，具有良好的非线性拟合能力，满足整点促销场景的要求。机器学习模型通过最小化对数损失函数，可以优化模型效果。需要说明的是，上述算法及损失函数类型的采用，并不作为对本发明的限定，凡是能起到上述技术效果的算法和/或损失函数，均可应用于本发明的机器学习模型中。

步骤S103，根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息。

进一步地，根据本发明实施例，上述根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合的步骤包括：将目标用户对应的全部用户与物品组合的概率进行排序处理，根据排序处理结果确定与目标用户对应的至少一个用户与物品组合。

通过上述设置，根据实际情况，可以根据降序排序后的概率，将概率最高的一个或多个物品推荐给目标用户。

根据本发明实施例的技术方案，根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率；根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息的技术手段，所以克服了现有的物品信息发送方法中存在的易受主观因素影响，无法满足用户个性化的需求的技术问题，进而达到方便精准的向用户推荐用户满意度高的物品信息的技术效果。

图2是根据本发明第二实施例提供的物品信息发送方法的主要流程的示意图；如图2所示，本发明实施例提供的物品信息发送方法主要包括：

步骤S201，采集用户画像和物品集合中的物品画像，其中，用户画像包括用户离线画像和用户实时画像。

具体地，采集用户实时画像主要包括三个部分，分别是用户近1小时(也可以为0.5小时或2小时，具体设定根据实际情况进行设定)浏览的物品序列、三级品类序列以及品牌序列等，其中，三级品类表征的是对物品类别的划分，例如抽纸的一级品类是“家庭清洁”，二级品类是“清洁纸品”，三级品类是“抽纸”，三级品类是一个逐渐精细标识的过程。

进一步地，促销物品活动场次信息表示促销物品活动时间段，以及该促销活动场次内的物品种类及数量，相邻场次的促销物品信息等。尤其是对于整点促销活动而言，相邻场次的促销活动场次信息是指上一场、下一场参与促销活动的物品数量、物品的促销活动场次时间等。例如，促销物品A的促销活动场次时间是8:00-14:00，促销物品B的促销活动场次时间是10:00-14:00，在10点场的促销活动中，会考虑到促销物品B刚开始进行促销，而促销物品A已经参加过8点场的促销活动的因素，在得到用户与物品组合的概率的过程中会将上述因素(即促销物品的促销活动时间和促销活动场次信息等)纳入考虑因素，再结合用户的偏好决定最终将哪件物品对应的物品信息发送给目标用户。

步骤S202，为物品集合中的物品配置权重系数，物品画像还包括不同权重系数的物品对应的活动场次信息。

具体地，根据本发明实施例的一具体实施方式，当物品集合中的物品为促销物品时，画像信息还包括相应物品对应的促销场次信息。

即，当所需推荐的物品集合中的物品为促销物品时，上述物品信息发送方法根据用户画像、物品画像以及促销物品的场次信息将用户与促销物品进行配对，从而得到多个用户与物品组合。

具体地，本发明适用于各种购物应用程序、购物平台等，上述物品集合表征各购物应用程序或购物平台等平台上待售的物品，当物品集合中的物品为促销物品时，则物品集合可以直接表示促销池中的所有促销物品。

步骤S203，采集物品实时属性，根据用户画像和物品实时属性对物品集合中的物品进行过滤。

具体地，在整点促销活动的场景中，首先商家会报名参与促销活动，商家提报上来参与促销活动的物品都会在一个促销池中，且每件促销物品都有其对应的促销活动场次开始时间和结束时间。现有的技术方案中，运营人员为每个场次手动配置给用户展示的100件(数量不定)物品，这样每个用户看到的物品是一样的，且物品是根据运营人员自己的标准判断选出的。本发明提供的技术方案会根据用户画像和物品实时属性对促销池中的促销物品进行过滤处理。

根据本发明实施例的一具体实施方式，物品实时属性包括促销物品对应的促销活动中促销政策的变化(例如季节性的变化等)所导致的，促销物品价格的变化，库存量的变化等，通过采集物品实时属性，能够有效过滤掉不适合的物品，进而更方便快捷的为用户推荐满意度高的物品信息。

进一步地，还可以根据当前时间判断该促销物品是否在促销活动场次所指示的时间内；决定是否需要进行推荐的促销物品种类可以被人工干预，如果不干预则全品类推荐；根据参数自动更改具体推荐的物品数量；为每个用户个性化推荐促销物品，不需要运营人员每天每个场次的配置物品。

步骤S204，根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像、物品集合中的物品画像。

具体地，根据本发明实施例，根据用户画像、物品集合中的物品画像和不同权重系数的物品对应的活动场次信息将用户与物品集合中过滤后的物品进行配对。

步骤S205，将多个用户与物品组合输入机器学习模型中，以确定多个用户与物品组合的概率。

具体地，根据本发明实施例，将用户与过滤后的促销物品进行配对，得到用户与物品组合，并输入至机器学习模型中，得到每个用户与物品组合的概率。机器学习模型采用xgboost算法，该xgboost算法采用对数损失函数得到每个用户与物品组合的概率。

步骤S206，根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合指示的物品信息。

进一步地，根据本发明实施例，上述根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合的步骤包括：将目标用户对应的全部用户与物品组合的概率进行排序处理，根据排序处理结果确定与目标用户对应的至少一个用户与物品组合。

通过上述设置，根据实际情况，可以根据降序排序后的概率，将概率最高的一个或多个物品推荐给目标用户。

根据本发明实施例的技术方案，因为采用根据画像信息将用户与物品集中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，得到每个用户与物品组合的概率，根据多个用户与物品组合的概率向用户推荐物品的技术手段，所以克服了现有的推荐方法中存在的易受主观因素影响，无法满足用户个性化的需求的技术问题，进而达到方便精准的向用户推荐用户满意度高的物品的技术效果。

图3是根据本发明实施例提供的物品信息发送装置的主要模块的示意图，如图3所示，本发明实施例提供的物品信息发送装置300主要包括：

配对模块301，用于根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像。

根据本发明实施例，物品信息发送装置还包括权重系数配置模块，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，权重系数配置模块用于为物品集合中的物品配置权重系数，画像信息还包括不同权重系数的物品对应的活动场次信息。

具体地，根据本发明实施例的一具体实施方式，当物品集合中的物品为促销物品时，画像信息还包括相应物品对应的促销场次信息。

即，当所需推荐的物品集合中的物品为促销物品时，上述配对模块301用于根据用户画像、物品画像以及促销物品的场次信息将用户与促销物品进行配对，从而得到多个用户与物品组合。

具体地，本发明适用于各种购物应用程序、购物平台等，上述物品集合表征各购物应用程序或购物平台等平台上待售的物品，当物品集合中的物品为促销物品时，则物品集合可以直接表示促销池中的所有促销物品。

进一步地，物品信息发送装置还包括物品过滤模块，在根据画像信息将用户与物品集合中的物品进行配对的步骤之前，物品过滤模块用于采集物品实时属性，根据用户画像和物品实时属性对物品集合中的物品进行过滤。

具体地，向用户发送的物品信息，尤其是促销物品具有典型的时效性等特征，每个参与促销场次的物品促销结束时间都是不固定的，因此需要实时过滤促销物品场次过期、区域库存不足的物品。且同一类物品仅仅是颜色、大小不同，可能同时向用户进行信息发送，因此需要针对相似的物品根据销量、用户偏好进行过滤。

其中，关于上文以及后文中提及的技术术语的解释说明：

画像信息：表征物品信息发送对象以及推荐物品(或产品)的信息，包括物品进入市场的渠道、物品属性以及占有市场的比例；还包括物品信息发送对象的需求情况、对物品的反应以及同类物品在市场上的有关情况综合形成的信息。

用户画像：又称用户角色，是一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像最初是在电商领域得到应用的，是根据用户的属性、用户偏好、操作习惯、用户行为等信息而抽象出来的标签化用户模型，通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼而得到的特征标识。

用户离线画像：是指截止至用户最近一次退出该购物平台或购物应用程序，该购物平台或购物应用程序采集的用户信息提炼总结得到的特征标识，具体包括用户的年龄、性别、以及该用户近期(例如最近七天或者半个月，根据实施情况进行设定)的浏览、关注、搜索的物品序列等信息。

用户实时画像：表示用户最近一次登录该购物平台或购物应用程序，该购物平台或购物应用程序采集的用户信息提炼总结得到的特征标识，具体包括用户近1小时(具体时间可以根据实际情况进行调整)浏览的物品序列、三级品类序列以及品牌序列等信息。

物品画像：根据在该购物平台或购物应用程序录入的物品信息提炼总结得到的物品标识，具体包括物品类别、物品价格、物品近30天(仅为示例)的pv、uv、销量、点击率以及订单转化率等信息。对于促销物品，还包括物品剩余数量、促销价格等信息。

物品实时属性：也称物品实时画像，表示物品在待售过程中的实时信息，主要包括物品实时价格、实时库存量等。

促销物品场次信息：表示促销物品供应方对促销物品活动场次以及促销物品录入的信息，具体包括促销物品活动场次时间段，场次内的物品种类及数量，相邻活动场次之间相距的时间等信息。

概率确定模块302，用于将多个用户与物品组合输入机器学习模型中，以确定每个用户与物品组合的概率。

具体地，根据本发明实施例，上述机器学习模型采用极端梯度提升算法(xgboost算法)，xgboost算法采用对数损失函数。xgboost算法是一种基于梯度提升树的分布式算法，具有良好的非线性拟合能力，满足整点促销场景的要求。机器学习模型通过最小化对数损失函数，可以优化模型效果。需要说明的是，上述算法及损失函数类型的采用，并不作为对本发明的限定，凡是能起到上述技术效果的算法和/或损失函数，均可应用于本发明的机器学习模型中。

物品信息发送模块303，用于根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息。

进一步地，根据本发明实施例，上述物品信息发送模块303还用于：将目标用户对应的全部用户与物品组合的概率进行排序处理，根据排序处理结果确定与目标用户对应的至少一个用户与物品组合。

通过上述设置，根据实际情况，可以根据降序排序后的概率，将概率最高的一个或多个物品推荐给目标用户。

根据本发明实施例的技术方案，根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率；根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息的技术手段，所以克服了现有的物品信息发送方法中存在的易受主观因素影响，无法满足用户个性化的需求的技术问题，进而达到方便精准的向用户推荐用户满意度高的物品信息的技术效果。

图4示出了可以应用本发明实施例的物品信息发送方法或物品信息发送装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403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401、402、403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405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类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画像信息、物品集合中的物品等数据进行分析等处理，并将多个用户与物品组合及其对应的概率，目标用户对应的至少一个用户与物品组合指示的物品信息(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的物品信息发送方法一般由服务器405执行，相应地，物品信息发送装置一般设置于服务器405中。

应该理解，图4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。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

特别地，根据本发明公开的实施例，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，本发明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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读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。在本发明中，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。而在本发明中，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介质，该计算机可读介质可以发送、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，图示了按照本发明各种实施例的系统、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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括配对模块、概率确定模块、物品信息发送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，配对模块还可以被描述为“用于根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读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，使得该设备包括：根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率；根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息。

根据本发明实施例的技术方案，根据画像信息将用户与物品集合中的物品进行配对，得到多个用户与物品组合，其中，画像信息包括用户画像和物品画像，用户画像包括用户离线画像和用户实时画像；将多个用户与物品组合输入机器学习模型中，以确定个用户与物品组合的概率；根据多个用户与物品组合的概率，确定与目标用户对应的至少一个用户与物品组合，向目标用户发送至少一个用户与物品组合中指示的物品信息的技术手段，所以克服了现有的物品信息发送方法中存在的易受主观因素影响，无法满足用户个性化的需求的技术问题，进而达到方便精准的向用户推荐用户满意度高的物品信息的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。