产品的推荐方法、装置、存储介质及电子设备

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种产品的推荐方法、装置、存储介质及电子设备。

背景技术

目前，多种产品的推荐形式已在电商、视频、新闻等许多生活中的场景发挥其作用。随着深度学习技术以及场景用户的不断发展，越来越多复杂的定制化模型在推荐系统中应用，能够准确预测用户在该场景下的兴趣。

在相关技术中，对于实际业务具有多个推荐场景的情况，主要是采用对每个场景进行单独建模，进行推荐产品，但是该方式人员及资源开销大，并且即使部分情况下使用统一模型建模，但是仍需保持所有场景使用特征数相同，若任意场景特征增减需对所有场景特征进行同步增减并重新训练模型，时间、资源成本较高。此外，相关技术中，若统一模型建模，需要人工对多个场景的特征进行对齐、连接，效率低，并且还会面临统一所有场景信息而丢失场景独有信息的问题，也即是相关技术中的统一建模方式面临无法支持任意场景特征随意增减和丢失场景独有信息的问题，导致相关技术中的推荐模型在单独场景上效果不佳。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种产品的推荐方法、装置、存储介质及电子设备，以至少解决相关技术中应用产品推荐模型难以用于在多种场景的任意一种场景中向用户推荐产品的技术问题。

根据本发明实施例的一个方面，提供了一种产品的推荐方法，包括：获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，所述目标用户数据包括：待推荐至少一种所述产品的目标用户的用户数据，所述目标场景数据包括：目标场景的场景数据，所述目标场景为向所述目标用户推荐至少一种所述产品的场景，N正整数；将所述目标用户数据、所述目标产品数据和所述目标场景数据输入目标推荐模型，输出目标产品的信息，其中，所述目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，所述历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，所述场景特征包括：每个所述场景的场景数据对应的特征向量，Q为大于1的正整数；依据所述目标产品的信息，在所述目标场景向所述目标用户推荐所述目标产品。

进一步地，所述目标推荐模型通过以下方式得到：获取训练样本，其中，所述训练样本包括：第一用户数据、第一产品数据、第一场景数据，所述第一用户数据包括：M个用户的历史行为数据、所述第一产品数据包括：N种所述产品的历史产品数据，所述第一场景数据包括：Q个场景的历史场景数据，所述历史行为数据至少包括：每个所述用户在某一场景是否浏览某一产品的信息的行为数据；将所述训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据；基于所述第二用户数据、所述第二产品数据和所述第二场景数据，对初始推荐模型进行模型训练，得到所述目标推荐模型，其中，所述初始推荐模型包括：未经过模型训练的神经网络模型。

进一步地，将所述训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据，包括：将所述第一用户数据转化为K维向量形式，得到所述第二用户数据，其中，K为大于1的正整数；将所述第一产品数据转化为K维向量形式，得到所述第二产品数据；将所述第一场景数据转化为一维向量形式，得到所述第二场景数据。

进一步地，基于所述第二用户数据、所述第二产品数据和所述第二场景数据对初始推荐模型进行模型训练，得到所述目标推荐模型，包括：采用目标处理方式对所述第二用户数据和所述第二产品数据进行处理，得到第一特征数据，其中，所述目标处理方式至少包括：拼接处理、池化处理；对所述第二场景数据中Q个场景的特征向量进行特征交叉，得到第二特征数据；对所述第二场景数据中Q个场景的特征向量进行求和，得到和特征数据；对所述第二场景数据中Q个场景的特征向量进行求积，得到积特征数据；基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据，对所述初始推荐模型进行模型训练，得到所述目标推荐模型。

进一步地，基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据，对所述初始推荐模型进行模型训练，得到所述目标推荐模型，包括：基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据，确定损失函数；基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据对所述初始推荐模型进行模型训练，并基于所述损失函数判断所述初始推荐模型是否收敛，在所述初始推荐模型收敛的情况下，将该初始推荐模型作为所述目标推荐模型。

进一步地，所述第一用户数据还包括：M个所述用户的属性数据，所述第一用户数据通过以下方式得到：在目标数据仓库中读取M个所述用户的原始行为数据以及M个所述用户的属性数据；对所述原始行为数据中每个所述用户在每个场景中是否浏览某一所述产品的信息的行为进行标记，得到所述历史行为数据；由所述历史行为数据和M个所述用户的属性数据组成所述第一用户数据。

进一步地，在所述目标场景为所述目标用户推荐所述目标产品，包括：获取所述目标产品的产品信息；在所述目标场景下对所述产品信息进行可视化展示，以对所述目标用户推荐所述目标产品。

根据本发明实施例的另一方面，还提供了一种产品的推荐装置，包括：获取单元，用于获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，所述目标用户数据包括：待推荐至少一种所述产品的目标用户的用户数据，所述目标场景数据包括：目标场景的场景数据，所述目标场景为向所述目标用户推荐至少一种所述产品的场景，N正整数；处理单元，用于将所述目标用户数据、所述目标产品数据和所述目标场景数据输入目标推荐模型，输出目标产品的信息，其中，所述目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，所述历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，所述场景特征包括：每个所述场景的场景数据对应的特征向量，Q为大于1的正整数；推荐单元，用于依据所述目标产品的信息，在所述目标场景向所述目标用户推荐所述目标产品。

进一步地，所述目标推荐模型通过以下单元得到：获取单元，用于获取训练样本，其中，所述训练样本包括：第一用户数据、第一产品数据、第一场景数据，所述第一用户数据包括：M个用户的历史行为数据、所述第一产品数据包括：N种所述产品的历史产品数据，所述第一场景数据包括：Q个场景的历史场景数据，所述历史行为数据至少包括：每个所述用户在某一场景是否浏览某一产品的信息的行为数据；转化单元，用于将所述训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据；训练单元，用于基于所述第二用户数据、所述第二产品数据和所述第二场景数据，对初始推荐模型进行模型训练，得到所述目标推荐模型，其中，所述初始推荐模型包括：未经过模型训练的神经网络模型。

进一步地，转化单元，包括：第一转化子单元，用于将所述第一用户数据转化为K维向量形式，得到所述第二用户数据，其中，K为大于1的正整数；第二转化子单元，用于将所述第一产品数据转化为K维向量形式，得到所述第二产品数据；第三转化子单元，用于将所述第一场景数据转化为一维向量形式，得到所述第二场景数据。

进一步地，训练单元包括：处理子单元，用于采用目标处理方式对所述第二用户数据和所述第二产品数据进行处理，得到第一特征数据，其中，所述目标处理方式至少包括：拼接处理、池化处理；特征交叉子单元，用于对所述第二场景数据中Q个场景的特征向量进行特征交叉，得到第二特征数据；求和子单元，用于对所述第二场景数据中Q个场景的特征向量进行求和，得到和特征数据；求积子单元，用于对所述第二场景数据中Q个场景的特征向量进行求积，得到积特征数据；训练子单元，用于基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据，对所述初始推荐模型进行模型训练，得到所述目标推荐模型。

进一步地，训练子单元包括：确定模块，用于基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据，确定损失函数；处理模块，用于基于所述第一特征数据、所述第二特征数据、所述和特征数据以及所述积特征数据对所述初始推荐模型进行模型训练，并基于所述损失函数判断所述初始推荐模型是否收敛，在所述初始推荐模型收敛的情况下，将该初始推荐模型作为所述目标推荐模型。

进一步地，所述第一用户数据还包括：M个所述用户的属性数据，所述第一用户数据通过以下子单元得到：读取子单元，用于在目标数据仓库中读取M个所述用户的原始行为数据以及M个所述用户的属性数据；标记子单元，用于对所述原始行为数据中每个所述用户在每个场景中是否浏览某一所述产品的信息的行为进行标记，得到所述历史行为数据；组成子单元，用于由所述历史行为数据和M个所述用户的属性数据组成所述第一用户数据。

进一步地，推荐单元包括：获取子单元，用于获取所述目标产品的产品信息；展示子单元，用于在所述目标场景下对所述产品信息进行可视化展示，以对所述目标用户推荐所述目标产品。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的产品的推荐方法。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的产品的推荐方法。

在本发明中，首先获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，所述目标用户数据包括：待推荐至少一种所述产品的目标用户的用户数据，所述目标场景数据包括：目标场景的场景数据，所述目标场景为向所述目标用户推荐至少一种所述产品的场景，N正整数；然后将所述目标用户数据、所述目标产品数据和所述目标场景数据输入目标推荐模型，输出目标产品的信息，其中，所述目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，所述历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，所述场景特征包括：每个所述场景的场景数据对应的特征向量，Q为大于1的正整数；依据所述目标产品的信息，在所述目标场景向所述目标用户推荐所述目标产品。进而解决了相关技术中应用产品推荐模型难以用于在多种场景的任意一种场景中向用户推荐产品的技术问题。在本发明中，基于多个场景的场景特征进行特征交叉后的得到的特征进行模型训练得到的目标推荐模型，确定向目标用户推荐的产品，避免了相关技术中的产品推荐模型只能适用于一种场景，在其他场景的推荐准确率低的情况，从而实现了提高产品推荐模型在多场景中任意一个场景的产品推荐准确率的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的产品的推荐方法的流程图；

图2是根据本发明实施例的一种可选的目标推荐模型的处理流程图；

图3是根据本发明实施例的一种可选的目标推荐模型的训练及推断的流程图；

图4是根据本发明实施例的一种可选的产品的推荐装置的示意图；

图5是根据本发明实施例的一种电子设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

实施例一

根据本发明实施例，提供了一种可选的产品的推荐方法的方法实施例，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。

图1是根据本发明实施例的一种可选的产品的推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，目标用户数据包括：待推荐至少一种产品的目标用户的用户数据，目标场景数据包括：目标场景的场景数据，目标场景为向目标用户推荐至少一种产品的场景，N正整数；

上述的目标用户数据可以包括待推荐产品的目标用户的用户数据，目标用户数据可以包括但不限于：目标用户的属性数据以及目标用户的行为数据。

上述的目标场景数据可以为向目标用户推荐产品的目标场景的场景数据，目标场景可以包括但不限于：电商、视频、新闻等场景。

步骤S102，将目标用户数据、目标产品数据和目标场景数据输入目标推荐模型，输出目标产品的信息，其中，目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，场景特征包括：每个场景的场景数据对应的特征向量，Q为大于1的正整数。

为了避免相关技术中对每个场景进行单独建模，人员及资源开销大，而统一建模时会面临统一所有场景信息而丢失场景独有信息的问题，导致模型在单独场景上效果不佳的情况，本实施例中，所使用的目标推荐模型可以包括：基于对Q个场景的场景特征进行特征交叉后得到特征、对Q个场景的场景特征进行求和得到的特征、对Q个场景的场景特征进行求积得到的特征、多个用户的用户数据、多个产品的产品数据对神经网络模型进行模型训练得到的模型。

通过将目标用户数据、目标产品数据和目标场景数据输入目标推荐模型，输出目标产品的信息，该目标产品的信息可以包括：产品的名称、产品的标识等。

步骤S103，依据目标产品的信息，在目标场景向目标用户推荐目标产品。

在本实施例中，可以依据目标产品的信息在目标推荐场景展示目标产品，以向目标用户推荐目标产品。

通过上述步骤，基于多个场景的场景特征进行特征交叉后的得到的特征进行模型训练得到的目标推荐模型，确定向目标用户推荐的产品，避免了相关技术中的产品推荐模型只能适用于一种场景，在其他场景的推荐准确率低的情况，从而实现了提高产品推荐模型在多场景中任意一个场景的产品推荐准确率的技术效果。进而解决了相关技术中应用产品推荐模型难以用于在多种场景的任意一种场景中向用户推荐产品的技术问题。

可选地，目标推荐模型通过以下方式得到：获取训练样本，其中，训练样本包括：第一用户数据、第一产品数据、第一场景数据，第一用户数据包括：M个用户的历史行为数据、第一产品数据包括：N种产品的历史产品数据，第一场景数据包括：Q个场景的历史场景数据，历史行为数据至少包括：每个用户在某一场景是否浏览某一产品的信息的行为数据；将训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据；基于第二用户数据、第二产品数据和第二场景数据，对初始推荐模型进行模型训练，得到目标推荐模型，其中，初始推荐模型包括：未经过模型训练的神经网络模型。

上述的第一用户数据可以包括但不限于：M个用户的历史行为数据和M个用户的属性数据。历史行为数据可以包括：每个用户在某一场景是否浏览或点击某一产品的信息的行为数据。每个用户的属性数据可以包括但不限于：用户自身的账号、用户性别等。

上述的第一产品数据可以包括但不限于：每种产品的产品名称、每种产品的产品类型、每种产品的销量数据等。上述的第一场景数据可以包括Q个场景中每个场景的特征数据，例如每个场景展示产品的页面数据等。

在本实施例中，可以利用流技术对用户在所有场景下的曝光和点击数据进行采集并存储至hive(一种数据仓库)中记为table。利用SQL对数据中场景z下用户i点击物料j的样本打标为1，曝光但未点击的样本打标为0。在此基础上拼接已完成开发的m个用户全域行为特征

为了提高模型训练效率和提高训练得到的模型的识别结果的精准度，在本实施例中，可以将训练样本中的数据进行向量化，以将训练样本中的数据转化为向量形式，以此得到第二用户数据、第二产品数据和第二场景数据。

可以将第二用户数据和第二产品数据进行连接合并，对第二产品数据中Q个场景的特征数据进行特征交叉、特征求和、特征求积处理，然后基于连接合并和处理后的数据对神经网络模型进行模型训练，得到目标推荐模型。

基于Q个场景的联合后的特征、M个用户的第一用户数据、N个产品的第二产品数据进行模型训练，达到了保证目标推荐模型在多个场景中任意一个场景使用时的模型处理结果的准确率的目的，实现了提高目标推荐模型在多场景中适用度的技术效果。

可选地，将训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据，包括：将第一用户数据转化为K维向量形式，得到第二用户数据，其中，K为大于1的正整数；将第一产品数据转化为K维向量形式，得到第二产品数据；将第一场景数据转化为一维向量形式，得到第二场景数据。

例如，对于table中的样本(对应于训练样本)，将用户特征

可选地，基于第二用户数据、第二产品数据和第二场景数据对初始推荐模型进行模型训练，得到目标推荐模型，包括：采用目标处理方式对第二用户数据和第二产品数据进行处理，得到第一特征数据，其中，目标处理方式至少包括：拼接处理、池化处理；对第二场景数据中Q个场景的特征向量进行特征交叉，得到第二特征数据；对第二场景数据中Q个场景的特征向量进行求和，得到和特征数据；对第二场景数据中Q个场景的特征向量进行求积，得到积特征数据；基于第一特征数据、第二特征数据、和特征数据以及积特征数据，对初始推荐模型进行模型训练，得到目标推荐模型。

在本实施例中，可以对第二用户数据和第二产品数据进行拼接、池化等处理，得到第一特征数据，对第二场景数据中的特征向量进行特征交叉、特征求和以及特征求积处理得到第二特征数据、和特征数据和积特征数据，然后可以基于第一特征数据、第二特征数据、和特征数据以及积特征数据，对初始推荐模型进行模型训练，得到目标推荐模型。

例如：对于用户embedding(即第二用户数据)与物料embedding(即第二产品数据)，通过多层信息提取的方式，得到全域信息高层embedding表征universeemb

universeemb

其中F(·)可以为推荐系统中常见的Attention(用于将模型的注意力集中在指定的重要信息上)、MLP(多层感知机)、FM(特征交叉，用于对特征进行二阶交叉)等结构形式通过pooling(池化操作)、concat(连接操作)等连接形式自由组合的结构。

对于场景独有特征计算FMembedding表征FMemb

通过FM可以提取每个场景独有特征的二阶信息，和与积表征可以提取每个场景独有特征的一阶信息，能够对场景独有特征进行充分学习。此外，FM、和与积表征可以支持对场景独有特征数量的灵活增减，达到基于多个场景中每个场景的独有特征信息构建推荐模型的目的，实现了提高目标推荐模型在多场景的适用度的技术效果。

可选地，基于第一特征数据、第二特征数据、和特征数据以及积特征数据，对初始推荐模型进行模型训练，得到目标推荐模型，包括：基于第一特征数据、第二特征数据、和特征数据以及积特征数据，确定损失函数；基于第一特征数据、第二特征数据、和特征数据以及积特征数据对初始推荐模型进行模型训练，并基于损失函数判断初始推荐模型是否收敛，在初始推荐模型收敛的情况下，将该初始推荐模型作为目标推荐模型。

为了提高目标推荐模型的推荐准确度，可以基于第一特征数据、第二特征数据、和特征数据以及积特征数据，确定损失函数，并根据该数据函数在模型训练过程中，确定模型是否收敛，即初始推荐模型是否训练完毕。

例如：可以通过全域信息高层embedding表征(对应于第一特征数据)、FMembedding表征(对应于第二特征数据)、和表征(对应于和特征数据)与积表征(对应于积特征数据)计算损失函数Loss，Loss公式如下：

Loss＝-∑ylogp+(1-y)log(1-p),其中，y表示训练标签(为0或1)

p＝σ(MLP(concat(universeemb

addemb

需要说明的是，场景独有特征相应embedding可以在初始推荐模型的最上层进行输出训练，可有效捕捉场景特征信息，提升多场景推断准确性。同时，数据丰富的场景可对数据稀疏场景进行MLP参数共享，避免数据稀疏场景模型训练无法收敛或者过拟合的情况，实现提高模型训练的质量的技术效果。

可选地，第一用户数据还包括：M个用户的属性数据，第一用户数据通过以下方式得到：在目标数据仓库中读取M个用户的原始行为数据以及M个用户的属性数据；对原始行为数据中每个用户在每个场景中是否浏览某一产品的信息的行为进行标记，得到历史行为数据；由历史行为数据和M个用户的属性数据组成第一用户数据。

在本实施例中，可以利用流技术对多个用户在所有场景下的曝光和点击数据进行采集并存储至hive(一种数据仓库)中记为table。利用SQL(一种数据库语言)对数据中场景z下用户i点击物料j的样本打标为1，曝光但未点击的样本打标为0。在此基础上拼接已完成开发的m个用户全域行为特征

可选地，在目标场景为目标用户推荐目标产品，包括：获取目标产品的产品信息；在目标场景下对产品信息进行可视化展示，以对目标用户推荐目标产品。

在对目标用户推荐目标产品时，可以基于目标推荐模型输出的目标产品的信息获取目标产品详细的产品信息，该产品信息可以包括：产品的规格、价格等信息，通过在目标场景下可以对目标产品的产品进行可视化展示，例如：可以采用展示图片或播放相关视频的方式向目标用户推荐目标产品，实现了在任意场景下，提高产品推荐的精准度的技术效果。

图2是根据本发明实施例的一种可选的目标推荐模型的处理流程图，如图2所示，可以将用户全域行为特征全样本统一m个(对应于第一用户数据)进行向量化，得到用户全域行为特征embedding(对应于第二用户数据)，将物料全域特征全样本统一n个(对应于第一产生数据)进行向量化，得到物料全域特征embedding(对应于第二产品数据)，对用户全域行为特征embedding和物料全域特征embedding进行concat(连接操作)，然后对连接操作后的用户全域行为特征embedding和物料全域特征embedding进行多层信息提取。

对场景独有特征(各场景特征数不同)可以进行特征交叉，得到场景特征embedding(对应于第二特征数据)，还可以对场景独有特征(各场景特征数不同)可以进行特征求和以及特征求积。

然后可以对多层特征提取后的数据、特征交叉后的数据、特征求和以及特征求积后的数据输入MLP(多层感知机)，最后output(输出)。

图3是根据本发明实施例的一种可选的目标推荐模型的训练及推断的流程图，如图3所示，在本实施例中，可以在模型推断前，可以进行全域训练样本准备、全域信息与场景独有信息进行排序模型训练，然后将训练后的模型参数进行存储。

在本实施例中，可以通过设计的模型结构支持任意场景独有特征随意增减，避免对某场景进行特征增减时面临的对所有场景同步进行特征增减的工程侧时间消耗问题和模型重新训练问题。此外，目标推荐模型的模型结构可对场景独有信息进行充分学习，并将信息在模型结构上层进行输出训练，可有效捕捉场景信息，提升多场景推断准确性，避免因底层的层层模型结构对场景独有信息的稀释。同时，数据丰富的场景可对数据稀疏场景进行MLP参数共享，避免数据稀疏场景模型训练无法收敛或者过拟合的情况，达到了在多个场景中，保证目标推荐模型推荐产品的精准度的目的。

实施例二

本申请实施例二提供了一种可选的产品的推荐装置，该推荐装置中的各个实施单元对应于实施例一中的各个实施步骤。

图4是根据本发明实施例的一种可选的产品的推荐装置的示意图，如图3所示，该产品的推荐装置包括：获取单元41、处理单元42和推荐单元43。

获取单元41，用于获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，目标用户数据包括：待推荐至少一种产品的目标用户的用户数据，目标场景数据包括：目标场景的场景数据，目标场景为向目标用户推荐至少一种产品的场景，N正整数；

处理单元42，用于将目标用户数据、目标产品数据和目标场景数据输入目标推荐模型，输出目标产品的信息，其中，目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，场景特征包括：每个场景的场景数据对应的特征向量，Q为大于1的正整数；

推荐单元43，用于依据目标产品的信息，在目标场景向目标用户推荐目标产品。

在本申请实施例二提供的产品的推荐装置中，可以通过获取单元41获取目标用户数据、目标场景数据以及N种产品的目标产品数据，其中，目标用户数据包括：待推荐至少一种产品的目标用户的用户数据，目标场景数据包括：目标场景的场景数据，目标场景为向目标用户推荐至少一种产品的场景，N正整数，通过处理单元42将目标用户数据、目标产品数据和目标场景数据输入目标推荐模型，输出目标产品的信息，其中，目标推荐模型包括：基于历史场景特征对神经网络模型进行模型训练得到的推荐模型，历史场景特征包括：对Q个场景的场景特征进行特征交叉后得到特征，场景特征包括：每个场景的场景数据对应的特征向量，Q为大于1的正整数，通过推荐单元43依据目标产品的信息，在目标场景向目标用户推荐目标产品。进而解决了相关技术中应用产品推荐模型难以用于在多种场景的任意一种场景中向用户推荐产品的技术问题。在本实施例中，基于多个场景的场景特征进行特征交叉后的得到的特征进行模型训练得到的目标推荐模型，确定向目标用户推荐的产品，避免了相关技术中的产品推荐模型只能适用于一种场景，在其他场景的推荐准确率低的情况，从而实现了提高产品推荐模型在多场景中任意一个场景的产品推荐准确率的技术效果。

可选地，在本申请实施例二提供的产品的推荐装置中，目标推荐模型通过以下单元得到：获取单元，用于获取训练样本，其中，训练样本包括：第一用户数据、第一产品数据、第一场景数据，第一用户数据包括：M个用户的历史行为数据、第一产品数据包括：N种产品的历史产品数据，第一场景数据包括：Q个场景的历史场景数据，历史行为数据至少包括：每个用户在某一场景是否浏览某一产品的信息的行为数据；转化单元，用于将训练样本中的数据转化为向量形式，得到第二用户数据、第二产品数据和第二场景数据；训练单元，用于基于第二用户数据、第二产品数据和第二场景数据，对初始推荐模型进行模型训练，得到目标推荐模型，其中，初始推荐模型包括：未经过模型训练的神经网络模型。

可选地，在本申请实施例二提供的产品的推荐装置中，转化单元包括：第一转化子单元，用于将第一用户数据转化为K维向量形式，得到第二用户数据，其中，K为大于1的正整数；第二转化子单元，用于将第一产品数据转化为K维向量形式，得到第二产品数据；第三转化子单元，用于将第一场景数据转化为一维向量形式，得到第二场景数据。

可选地，在本申请实施例二提供的产品的推荐装置中，训练单元包括：处理子单元，用于采用目标处理方式对第二用户数据和第二产品数据进行处理，得到第一特征数据，其中，目标处理方式至少包括：拼接处理、池化处理；特征交叉子单元，用于对第二场景数据中Q个场景的特征向量进行特征交叉，得到第二特征数据；求和子单元，用于对第二场景数据中Q个场景的特征向量进行求和，得到和特征数据；求积子单元，用于对第二场景数据中Q个场景的特征向量进行求积，得到积特征数据；训练子单元，用于基于第一特征数据、第二特征数据、和特征数据以及积特征数据，对初始推荐模型进行模型训练，得到目标推荐模型。

可选地，在本申请实施例二提供的产品的推荐装置中，训练子单元包括：确定模块，用于基于第一特征数据、第二特征数据、和特征数据以及积特征数据，确定损失函数；处理模块，用于基于第一特征数据、第二特征数据、和特征数据以及积特征数据对初始推荐模型进行模型训练，并基于损失函数判断初始推荐模型是否收敛，在初始推荐模型收敛的情况下，将该初始推荐模型作为目标推荐模型。

可选地，在本申请实施例二提供的产品的推荐装置中，第一用户数据还包括：M个用户的属性数据，第一用户数据通过以下子单元得到：读取子单元，用于在目标数据仓库中读取M个用户的原始行为数据以及M个用户的属性数据；标记子单元，用于对原始行为数据中每个用户在每个场景中是否浏览某一产品的信息的行为进行标记，得到历史行为数据；组成子单元，用于由历史行为数据和M个用户的属性数据组成第一用户数据。

可选地，在本申请实施例二提供的产品的推荐装置中，推荐单元包括：获取子单元，用于获取目标产品的产品信息；展示子单元，用于在目标场景下对产品信息进行可视化展示，以对目标用户推荐目标产品。

上述的产品的推荐装置还可以包括处理器和存储器，上述的获取单元41、处理单元42和推荐单元43等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于多个场景的场景特征进行特征交叉后的得到的特征进行模型训练得到的目标推荐模型，确定向目标用户推荐的产品，避免了相关技术中的产品推荐模型只能适用于一种场景，在其他场景的推荐准确率低的情况，从而实现了提高产品推荐模型在多场景中任意一个场景的产品推荐准确率的技术效果。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的产品的推荐方法。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的产品的推荐方法。

图5是根据本发明实施例的一种电子设备的示意图，如图5所示，本发明实施例提供了一种电子设备50，电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项的产品的推荐方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

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。