相似度的确定方法、装置、电子设备和存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种相似度的确定方法、装置、电子设备和存储介质。

背景技术

在零售业务中，为了对一些物品店特性进行分析，通常需要确定物品之间的相似性，以便于基于相似性较高的物品进行结合分析，例如对目标物品的销量进行预测。目前，物品之间相似度可以通过机器学习算法训练模型计算，具体为：抓取批量待确定相似度的物品的相关信息，然后结合作为训练数据的物品的相关信息来构建特征向量，再基于构建的特征向量进行模型训练和相似度计算。

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：

通过机器学习算法进行相似模型训练和相似度计算所使用的数据量较大，同时待确定相似度的物品和作为训练数据的物品之间构建特征向量时相互耦合，需要相互结合构建特征向量，导致模型训练和相似度计算的过程耦合在一起，所以相似度计算过程会耗费较长的时间，计算结果不能及时得出，时效性差。

发明内容

有鉴于此，本发明实施例提供一种相似度的确定方法、装置、系统和存储介质，能够避免相似度计算过程会耗费较长的时间，计算结果不能及时得出，时效性差的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种相似度的确定方法。

本发明实施例的一种相似度的确定方法包括：对于每个物品组，根据所述物品组中多个物品的属性信息确定对应所述物品组的向量构建参数，并根据所述多个物品的属性信息和所述物品组对应的向量构建参数，分别构建所述多个物品的特征向量；根据目标物品的类型，确定所述目标物品所属的目标物品组；基于所述目标物品的属性信息和所述目标物品组对应的向量构建参数，构建所述目标物品的特征向量；根据所述目标物品的特征向量、所述目标物品组中多个物品的特征向量，以及所述目标物品组对应的相似度模型，分别确定所述目标物品组中多个物品与所述目标物品的相似度。

在一个实施例中，所述根据所述物品组中多个物品的属性信息确定对应所述物品组的向量构建参数，包括：根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，所述向量构建参数包括与所述目标特征关联的向量构建词库和/或目标特征取值区间。

在又一个实施例中，若所述向量构建参数包括所述向量构建词库，则所述根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，包括：对所述多个物品的属性信息分词，确定多个向量构建词；根据所述多个物品的目标特征，确定每个所述向量构建词与所述目标特征之间的关联度；从所述多个向量构建词中，筛选出所述关联度大于阈值的向量构建词，作为所述向量构建词库。

在又一个实施例中，所述向量构建参数包括目标特征取值区间，则所述根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，包括：根据所述物品组中多个物品的属性信息，确定所述物品组中多个物品的目标特征值；根据所述物品组中多个物品的目标特征值，确定对应所述物品组的目标特征取值区间。

在又一个实施例中，所述根据所述目标物品的特征向量、所述目标物品组中多个物品的特征向量，以及所述目标物品组对应的相似度模型，分别确定所述目标物品组中多个物品与所述目标物品的相似度之前，还包括：根据所述目标物品组中多个物品的目标特征，为所述目标物品组中多个物品的特征向量添加标签；根据添加标签后所述目标物品组中多个物品的特征向量，训练预设相似度计算模型，得到所述目标组对应的相似度计算模型。

在又一个实施例中，所述根据所述目标物品的特征向量、所述目标物品组中多个物品的特征向量，以及所述目标物品组对应的相似度模型，分别确定所述目标物品组中多个物品与所述目标物品的相似度之后，包括：根据所述目标物品组中多个物品与所述目标物品的相似度，确定与所述待预测新品相似度最大的预设数目个相似物品；根据所述相似物品分别与所述目标物品的相似度，确定每个所述相似物品与所述目标物品的相似占比；根据所述相似物品的目标特征值和所述相似占比，确定所述目标物品的目标特征值。

为实现上述目的，根据本发明的另一方面，提供了一种相似度的确定装置。

本发明的一种相似度的确定装置包括：确定单元，用于对于每个物品组，根据所述物品组中多个物品的属性信息确定对应所述物品组的向量构建参数，并根据所述多个物品的属性信息和所述物品组对应的向量构建参数，分别构建所述多个物品的特征向量；所述确定单元，还用于根据目标物品的类型，确定所述目标物品所属的目标物品组；构建单元，用于基于所述目标物品的属性信息和所述目标物品组对应的向量构建参数，构建所述目标物品的特征向量；所述确定单元，还用于根据所述目标物品的特征向量、所述目标物品组中多个物品的特征向量，以及所述目标物品组对应的相似度模型，分别确定所述目标物品组中多个物品与所述目标物品的相似度。

在一个实施例中，所述确定单元，具体于根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，所述向量构建参数包括与所述目标特征关联的向量构建词库和/或目标特征取值区间。

在又一个实施例中，若所述向量构建参数包括所述向量构建词库，则所述确定单元，具体于：对所述多个物品的属性信息分词，确定多个向量构建词；根据所述多个物品的目标特征，确定每个所述向量构建词与所述目标特征之间的关联度；从所述多个向量构建词中，筛选出所述关联度大于阈值的向量构建词，作为所述向量构建词库。

在又一个实施例中，若所述向量构建参数包括目标特征取值区间，则所述确定单元，具体于：根据所述物品组中多个物品的属性信息，确定所述物品组中多个物品的目标特征值；根据所述物品组中多个物品的目标特征值，确定对应所述物品组的目标特征取值区间。

在又一个实施例中，还包括：添加单元，用于根据所述目标物品组中多个物品的目标特征，为所述目标物品组中多个物品的特征向量添加标签；训练单元，用于根据添加标签后所述目标物品组中多个物品的特征向量，训练预设相似度计算模型，得到所述目标组对应的相似度计算模型。

在又一个实施例中，所述确定单元，还用于：根据所述目标物品组中多个物品与所述目标物品的相似度，确定与所述待预测新品相似度最大的预设数目个相似物品；根据所述相似物品分别与所述目标物品的相似度，确定每个所述相似物品与所述目标物品的相似占比；根据所述相似物品的目标特征值和所述相似占比，确定所述目标物品的目标特征值。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的一种电子设备，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，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的相似度的确定方法。

为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。

本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例提供的相似度的确定方法。

上述发明中的一个实施例具有如下优点或有益效果：本发明实施例中目标物品和物品组中的个物品均可以根据向量构建参数直接构建出特征向量，即可以实现各物品构建特征向量时解耦，如此可以实现计算相似度时可以直接使用训练完成的相似度模型，将相似度模型的训练和相似度计算过程分开执行，降低相似度计算执行的时间，提高时效性。

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是根据本发明实施例的相似度的确定方法的一种主要流程的示意图；

图2是根据本发明实施例的相似度的确定方法又一种主要流程的示意图；

图3是根据本发明实施例的相似度的确定装置的主要单元的示意图；

图4是本发明实施例可以应用于其中的一种示例性系统架构图；

图5是适于用来实现本发明实施例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。

需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以互相组合。

本发明实施例可以用于计算物品之间相似度的场景中。例如，在对目标物品进行分析时，可以通过与其相似度高的物品进行分析，从而需要计算目标物品与其他物品之间的相似度。为了便于尽快确定与目标物品相似度高的物品，可以预先对各物品分组，然后每个组训练对应的相似度模型，用来计算属于本物品组中物品的相似度。如此基于目标物品所属物品组，采用该物品组对应的相似度模型计算目标物品与属于该物品组的物品之间相似度。由于属于同物品组的物品，相似度通常较高，如此可以快速的确定出与目标物品相似度较高的物品。

本发明实施例提供了一种相似度的确定方法，该方法可以由计算设备执行，如图1所示，该方法包括以下步骤。

S101：对于每个物品组，根据物品组中多个物品的属性信息确定对应物品组的向量构建参数，并根据多个物品的属性信息和物品组对应的向量构建参数，分别构建多个物品的特征向量。

其中，物品组划分的方式可以为根据物品的类型进行，每个物品组包括的物品类型相同。在确定物品组后，可以确定属于每个物品组的多个物品，从而可以计算目标物品与其所属物品组中多个物品之间相似度，进而确定相似度高的物品。属性信息可以包括物品标题、物品品类、物品品牌等物品本身的属性，以及产地、颜色、尺寸、型号、包装、重量、保质期等等物品的拓展属性，以及物品所在店铺是否为官方旗舰店、自营店等跟物品所在店铺相关的属性信息。

为了避免因目标物品和模型训练的物品之间构建特征向量时耦合，本发明实施例中，对每个物品组确定出对应组的向量构建参数。向量构建参数用于相似度模型训练和相似度计算时各物品的特征向量构建。在确定出各物品组对应的向量构建参数后，可以基于对应的向量构建参数构建此物品组中物品的特征向量，进而实现各物品构建特征向量解耦，目标物品和模型训练的物品之间构建特征向量解耦。

在确定出每个物品组对应的向量构建参数后，可以根据各物品组中多个物品的属性信息和该物品组对应的向量构建参数，分别构建这些物品的特征向量，以便于后续根据特征向量计算与目标物品的相似度。

向量构建参数为根据物品组中多个物品的属性信息确定，物品组中多个物品属于相同类型，则确定的向量构建参数满足对应物品组的特性。向量构建参数的确定还可以根据要分析的目标特征进行确定，即通过物品组中多个物品的属性信息中与目标特征相关的信息，来确定向量构建参数。

所以本发明实施例的一种实施方式中，对每个物品组，根据所述物品组中多个物品的属性信息确定对应所述物品组的向量构建参数的方式，可以具体为：根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，向量构建参数为与目标特征相关联的参数。

例如，本发明实施例中要对目标物品的目标特征进行分析，则可以根据目标特征，从所述物品组中多个物品的属性信息中，确定出与目标特征相关联的参数作为向量构建参数，以便于后续物品根据向量构建参数构建出的特征向量，能够体现该物品的与目标特征相关联的属性。具有的向量构建参数包括与目标特征关联的向量构建词库和/或目标特征取值区间。

对每个物品组，若向量构建参数包括向量构建词库，则可以对多个物品的属性信息分词，确定多个向量构建词；根据多个物品的目标特征，确定每个向量构建词与目标特征之间的关联度；从多个向量构建词中，筛选出关联度大于阈值的向量构建词，作为向量构建词库。

物品的属性信息通常为词或句子等，则可以对属性信息进行分词，得到多个向量构建词，然后确定每个向量构建词与目标特征之间的关联度，从而可以基于关联度筛选出与目标特征关联度高的向量构建词，即关联度大于阈值的向量构建词，作为向量构建词库，以便于向量构建词库中的词可以体现目标特征的属性。

对每个物品组，若向量构建参数包括目标特征取值区间，则根据物品组中多个物品的属性信息，确定物品组中多个物品的目标特征值；根据物品组中多个物品的目标特征值，确定对应物品组的目标特征取值区间。

目标特征取值区间也为体现目标特征的属性，所以向量构建参数可以包括目标特征取值区间，目标特征取值区间可以根据物品组中多个物品的目标特征值来确定。

S102：根据目标物品的类型，确定目标物品所属的目标物品组。

物品组为基于物品类型划分的，则本步骤中根据目标物品的类型可以确定目标物品所属的目标物品组。

S103：基于目标物品的属性信息和目标物品组对应的向量构建参数，构建目标物品的特征向量。

确定出目标物品所属的目标物品组后，可以根据目标物品的属性信息和目标物品组对应的向量构建参数，构建目标物品的特征向量，以便于后续计算相似度。

S104：根据目标物品的特征向量、目标物品组中多个物品的特征向量，以及目标物品组对应的相似度模型，分别确定目标物品组中多个物品与目标物品的相似度。

本步骤中，目标物品组对应的相似度模型为预先训练得出，则基于目标物品的特征向量和目标物品组中多个物品的特征向量，通过目标物品组对应的相似度模型即可确定出目标物品组中多个物品与目标物品的相似度。在确定出目标物品组中多个物品与目标物品的相似度后，可以根据确定的相似度确定出与目标物品相似度高的物品。

相似度模型的训练可以通过对应物品组的多个物品的属性信息进行训练，即将对应物品组的多个物品的属性信息，基于对应物品组的向量构建参数，构建出特征向量，然后对相似度模型训练，训练完成后即可得到本步骤中适应的相似度模型。上述用于相似度模型的特征向量也可以为步骤S101中构建出的特征向量。

相似度模型时，可以根据要分析的目标特征，先对用于训练的特征向量添加标签，以便于训练出的模型计算相似度更能体现目标特征的相似程度。

本发明实施例中，目标物品和物品组中的各物品均可以根据向量构建参数直接构建出特征向量，即可以实现各物品构建特征向量时解耦，如此可以实现计算相似度时可以直接使用训练完成的相似度模型，将相似度模型的训练和相似度计算过程分开执行，降低相似度计算执行的时间，提高时效性。

基于图1所示的实施例，以本发明实施例应用于对目标物品的销量进行分析，并预测目标物品的销量的场景为例进行说明，则目标物品为待预测销量的物品，目标特征为销量。如图2所示，为对目标物品的销量测方法，包括以下步骤。

S201：对于每个物品组，根据物品组中多个历史物品的属性信息确定对应物品组的向量构建参数。

对目标物品的销量进行预测，通常为根据同类型的已经销售的物品为参考，已经销售的物品即为历史商品。本发明实施例中销量预测为依据与目标物品相似度高的历史物品的销量进行预测，则可以对各历史物品进行分组，基于物品组来确定相似度高的历史物品，减少划分的时间。

物品分组可以根据物品的类型进行，划分物品组后，可以根据每个组中多个历史物品的属性信息确定对应物品组的向量构建参数。

向量构建参数是指用于构建特征向量的参数，基于向量构建参数和构建规则可以构建出特征向量。由于不同类型的物品，具有的特征不同，所以向量构建参数也不同，本发明实施例中，每个物品组可以预先确定与本组匹配的向量构建参数。

由于是对目标物品的销量进行预测，所以向量构建参数可以为与物品销量关联度较大的参数。向量构建参数可以包括向量构建词库、价格区间、销售时间范围、销量的取值区间等等中的一项或多项。每个物品组对应的向量构建参数由该物品组中各历史物品的属性信息确定。并且本发明实施例中目标特征为销量，则每个物品组对应的向量构建参数为与销量相关联的参数。

例如，价格区间可以根据各历史物品的销售价格确定最高价和最低价，进而得出价格区间。再例如，销量的取值区间，可以根据各历史物品的销量确定最高值和最低值，进而得出销量取值区间。再例如，对于向量构建词库也可以有各历史物品的属性信息确定。具体的，向量构建参数可以根据每个物品组中各历史物品的属性信息和物品组中各历史物品的销量确定。过程可以执行为：对物品组中各历史物品的属性信息分词，确定多个向量构建词；根据各历史物品的销量确定每个向量构建词与销量的相关度；从多个向量构建词中，筛选出相关度大于阈值的向量构建词，作为向量构建词库。

对于各历史物品的一些属性信息均为词或句，所以可以对各历史物品的属性信息分词，得出多个向量构建词。由于多个向量构建词中一些词对物品销量并没有影响或影响不大，这些向量构建词可以忽略不计，所以在确定出多个向量构建词后，可以先根据各历史物品的销量确定每个向量构建词与销量的相关度，相关度越高，说明向量构建词对物品销量的影响越大，则基于设置的阈值，可以从多个向量构建词中，筛选出相关度大于阈值的向量构建词，即筛选出对物品销量的影响很大的向量构建词，即可确定出向量构建词库。

例如，如表1所示，为某个组中历史物品A和历史物品B的物品属性信息。基于属性信息可以分词得到多个向量构建词，然后基于历史物品的销量，使用XGBoost等算法，确定与销量相关度高的向量构建词，进而得出的向量构建词库，如得出向量构建词库可以为：红色、白色、14英寸、品牌1、品牌2、Window系统等。

表1

所以通过以上方式可以确定出每个物品组对应的向量构建参数。

S202：对于每个物品组，根据多个历史物品的属性信息和物品组对应的向量构建参数，分别构建多个历史物品的特征向量。

在确定出每个物品组对应的向量构建参数后，各物品组中的历史物品可以基于对应的向量构建参数，在通过构建规则构建出特征向量。

构建规则可以预先设置。例如根据向量构建词构建特征向量的方式，可以根据属性信息中是否包括向量构建词来构建特征向量。

例如，向量构建词库可以为：红色、白色、14英寸、品牌1、品牌2、Window系统，则根据物品A和物品B的属性信息可以构建出特征向：物品A的特征向量为(1，0，1，1，0，1)，物品B的特征向量为(0，1，1，1，0，1)。如此可以基于向量构建词库可以构建出物品的特征向量。向量构建参数包括价格区间、销量的取值区间等数字时，可以通过归一化等算法得出特征向量。

向量构建参数包括价格区间、销量的取值区间、向量构建词库等多种时，可以根据各不同的向量构建参数采用对应的构建规则构建出特征向量再整合为一个特征向量。

例如，向量构建参数包括价格区间、销量的取值区间、向量构建词库。则构建出的特征向量中元素可以以此对应：红色、白色、14英寸、品牌1、品牌2、Window系统、价格、所在品牌销量、品牌季节性、上新日期，得出物品A的特征向量为(1 0、1、1、0、1、0.8、0.8、1、0.5)，物品B的特征向量为(0、1、1、1、0、1、0.1、0.8、0、0.4)。

S203：对于每个物品组，根据多个历史物品的特征向量训练对应物品组的相似度模型。

对每个物品组，需要训练各组对应的相似度模型，模型训练基于物品组中的历史商品进行，则可以通过步骤S202构建的特征向量进行模型训练。由于本发明实施例中模型训练后为确定目标物品与历史物品之间相似度，并对销量进行分析，则模型训练时，可以根据各历史物品的销量为各历史物品的特征向量添加标签，以体现各历史物品与销量之间的对应关系。标签添加方式可以为：根据各历史物品的销量信息确定销量的取值范围，然后根据销量的取值范围内划分出多个销量等级，以划分的销量等级作为标签，历史物品属于哪个等级，则对其特征向量添加上对应的等级标签。

相似性算法通常使用余弦相似度、马氏距离，欧氏距离等。在本发明中，可以使用一种算法，如马氏距离，作为模型的算法，结合历史物品的特征向量进行训练后得出相似度模型。

S204：根据目标物品的类型，确定目标物品所属的目标物品组。

目标物品即为待预测销量的物品，根据其所属的类型可以确定出其所属的目标物品组，通过步骤S201、S202和S203可以确定出目标物品组的向量构建参数、历史物品的特征向量和相似度模型。

S205：基于目标物品的属性信息和目标物品组对应的向量构建参数，构建目标物品的特征向量。

确定出目标物品组后，可以根据目标物品的属性信息和目标物品组对应的向量构建参数，构建目标物品的特征向量，具体的构建方式与步骤S202中历史物品构建特征向量的方式相同，在此不再赘述。

S206：根据目标物品的特征向量、目标物品组中多个历史物品的特征向量，以及目标物品组对应的相似度模型，分别确定目标物品组中多个历史物品与目标物品的相似度。

在构建出目标物品的特征向量后，则通过目标物品的特征向量、步骤S202中构建的目标物品组中多个历史物品的特征向量，使用相似度模型确定出目标物品与目标物品组中每个历史物品之间的相似度。

由于目标物品需要基于多个相似性高的历史物品进行销量预测，则目标物品可以确定与目标物品组中每个历史物品之间的相似度，进而确定出相似性高的历史物品。

需要说明的是，本发明实施例中，步骤S201至步骤S203的过程只需要在首次计算时执行，后续可以对首次计算得出的向量构建参数、历史物品的特征向量、相似度模型进行存储，在后续还需要计算目标物品与历史物品之间相似度时，直接使用存储的上述内容进行计算，而不需要在重新执行步骤S201至步骤S203的过程。

由于通过步骤S201预先确定出了各物品组对应的向量构建参数，即确定出了目标物品组的向量构建参数，如此属于目标物品组中的物品均可以根据目标物品组的向量构建参数来构建特征向量。所以本发明实施例中可以将目标物品组的向量构建参数存储，以便于计算相似度时直接根据向量构建参数来构建，从而不需要与模型训练中向量构建过程耦合在一起。通过本发明实施例，可以在确定目标物品与里物品之间相似度时，直接根据目标物品的属性信息和历史物品的属性信息即可执行，从而可以缩短相似度确定的时间，及时得出结果，时效性较高。

S207：根据目标物品组中多个历史物品与目标物品的相似度，确定与待目标物品相似度最大的预设数目个相似物品。

在步骤S206确定出目标物品与目标物品组中多个物品之间的相似度后，基于得出的相似度可以确定与待目标物品相似度最大的预设数目个相似物品。

具体方式为：根据相似度的值由大到小的顺序进行排序，将排序后前预设数目个相似度的值对应的历史物品确定为目标物品的相似物品。

S208：根据相似物品分别与目标物品的相似度，确定每个相似物品与目标物品的相似占比。

对于相似物品，本步骤中可以根据相似物品与目标物品之间的相似度确定出相似占比，即每个相似物品与目标物品的相似度占各相似物品与目标物品的相似度总和的比例。例如，物品A和物品B为目标物品的相似物品，相似物品A与目标物品之间的相似度为0.9，相似物品B与目标物品之间的相似度为0.3，则相似商品A的相似占比为0.9/(0.9+0.3)＝0.75，相似物品B的相似占比为0.3/(0.9+0.3)＝0.25。

S209：根据相似物品的目标特征值和相似占比，确定目标物品的销量。

在确定出每个相似物品与目标物品的相似占比后，则结合每个相似物品的销量可以确定出目标物品的销量。具体方式可以为：每个相似物品的销量乘以对应的相似占比后的总和。例如，物品A和物品B为目标物品的相似物品，物品A的相似占比为0.75，物品B的相似占比为0.25，则目标物品的销量＝物品A的销量×0.75+物品A的销量×0.25。

需要说明的是，本发明实施例中，如果是为了确定目标物品上市一个月内的销量，则上述步骤中涉及的历史物品的销量均应为取历史物品刚上市时一个月内的销量，也就是说要确定目标物品哪个阶段的销量，则上述步骤中涉及的历史物品的销量均应为取历史物品在对应阶段内的销量。

本发明实施例中，由于目标物品与历史物品之间构建特征向量不需要再耦合，所以目标物品与历史物品之间相似度计算的过程可以与相似度模型训练阶段解耦，进而缩短目标物品与历史物品之间相似度计算过程使用的时间，提高结果得出的及时性。

为了解决现有技术存在的问题，本发明实施例提供了一种相似度的确定装置300，如图3所示，该装置300包括：

确定单元301，用于对于每个物品组，根据所述物品组中多个物品的属性信息确定对应所述物品组的向量构建参数，并根据所述多个物品的属性信息和所述物品组对应的向量构建参数，分别构建所述多个物品的特征向量；

所述确定单元301，还用于根据目标物品的类型，确定所述目标物品所属的目标物品组；

构建单元302，用于基于所述目标物品的属性信息和所述目标物品组对应的向量构建参数，构建所述目标物品的特征向量；

所述确定单元301，还用于根据所述目标物品的特征向量、所述目标物品组中多个物品的特征向量，以及所述目标物品组对应的相似度模型，分别确定所述目标物品组中多个物品与所述目标物品的相似度。

应理解的是，实施本发明实施例的方式与实施图1所示实施例的方式相同，在此不再赘述。

本发明实施例的一种实现方式中，所述确定单元301，具体于根据目标特征，从所述物品组中多个物品的属性信息中，确定对应所述物品组的向量构建参数，所述向量构建参数包括与所述目标特征关联的向量构建词库和/或目标特征取值区间。

本发明实施例的又一种实现方式中，若所述向量构建参数包括所述向量构建词库，则所述确定单元301，具体于：

对所述多个物品的属性信息分词，确定多个向量构建词；

根据所述多个物品的目标特征，确定每个所述向量构建词与所述目标特征之间的关联度；

从所述多个向量构建词中，筛选出所述关联度大于阈值的向量构建词，作为所述向量构建词库。

本发明实施例的又一种实现方式中，若所述向量构建参数包括目标特征取值区间，则所述确定单元301，具体于：

根据所述物品组中多个物品的属性信息，确定所述物品组中多个物品的目标特征值；

根据所述物品组中多个物品的目标特征值，确定对应所述物品组的目标特征取值区间。

本发明实施例的又一种实现方式中，还包括：

添加单元，用于根据所述目标物品组中多个物品的目标特征，为所述目标物品组中多个物品的特征向量添加标签；

训练单元，用于根据添加标签后所述目标物品组中多个物品的特征向量，训练预设相似度计算模型，得到所述目标组对应的相似度计算模型。

本发明实施例的又一种实现方式中，所述确定单元301，还用于：

根据所述目标物品组中多个物品与所述目标物品的相似度，确定与所述待预测新品相似度最大的预设数目个相似物品；

根据所述相似物品分别与所述目标物品的相似度，确定每个所述相似物品与所述目标物品的相似占比；

根据所述相似物品的目标特征值和所述相似占比，确定所述目标物品的目标特征值。

应理解的是，实施本发明实施例的方式与实施图1和图2所示实施例的方式相同，在此不再赘述。

本发明实施例中，目标物品和物品组中的个物品均可以根据向量构建参数直接构建出特征向量，即可以实现各物品构建特征向量时解耦，如此可以实现计算相似度时可以直接使用训练完成的相似度模型，将相似度模型的训练和相似度计算过程分开执行，降低相似度计算执行的时间，提高时效性。

根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。

本发明的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例所提供的相似度的确定的方法。

图4示出了可以应用本发明实施例的相似度的确定方法或相似度的确定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。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产品信息查询请求等数据进行分析等处理，并将处理结果(例如产品信息--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相似度的确定方法一般由服务器405执行，相应地，相似度的确定装置一般设置于服务器405中。本发明实施例所提供的相似度的确定方法一般由终端设备401、402、403执行，相应地，相似度的确定装置一般设置于终端设备401、402、403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计算机系统800的结构示意图。图5示出的计算机系统仅仅是一个示例，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单元、程序段、或代码的一部分，上述单元、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单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元和构建单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“确定单元的功能的单元”。

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，使得该设备执行本发明所提供的相似度的确定方法。

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。