向目标用户推荐商品的方法、装置及计算机可读存储介质与流程

本公开涉及大数据技术领域，特别涉及一种向目标用户推荐商品的方法、装置及计算机可读存储介质。

背景技术

用户在电商平台购买商品的购买流程大致为：用户自主选择商品，加入购物车，自主筛选确定最终商品，付款。现有的电商平台一般会为用户推荐商品，推荐流程为：平台推荐商品，加入购物车，自主筛选确定最终商品，付款。

用户自主选择商品时，由于商品品类过多，用户自主选择费时费力，影响购物体验。当选择了大量感兴趣的商品后，在付款前又需要进行进一步选择，而且当购买了大量不符合自己喜好的商品后，会产生大量的退货。

技术实现要素：

本公开解决的一个技术问题是，如何更加准确的推荐用户喜欢且未购买过的商品。

根据本公开实施例的一个方面，提供了一种向目标用户推荐商品的方法，包括：获取各个用户对目标用户已购商品在各个商品属性上的评分；利用评分计算各个用户中的其他用户与目标用户的相似度；利用与目标用户相似度最高的其他用户对目标用户未购商品的综合评分，预测目标用户对目标用户未购商品的综合评分；向目标用户推荐综合评分高于第一阈值的目标用户未购商品。

在一些实施例中，利用评分计算各个用户中的其他用户与目标用户的相似度包括：利用各个用户对目标用户已购商品在单个商品属性上的评分，生成各个用户在单个商品属性上的评分向量；利用各个用户在单个商品属性上的评分向量，计算其他用户与目标用户在单个商品属性上的相似度；利用各个用户中的其他用户与目标用户在各个商品属性上的相似度，计算各个用户中的其他用户与目标用户的相似度。

在一些实施例中，采用如下方法计算其他用户与目标用户在单个商品属性上的相似度：

其中，x表示目标用户在单个商品属性上的评分向量，y表示各个用户中的某个其他用户在单个商品属性上的评分向量，sim(x,y)表示某个其他用户与目标用户在单个商品属性上的相似度，d(x,y)表示向量x、y之间的欧几里得距离。

在一些实施例中，各个商品属性包括以下至少一种：品牌、类别、价格、重量、颜色、尺寸、材质、产地、包装、物流。

在一些实施例中，向目标用户推荐综合评分高于第一阈值的目标用户未购商品包括：从目标用户的各个用户属性中，选择用户属性权重高于第二阈值的用户属性；从综合评分高于第一阈值的目标用户未购商品中，选择与用户属性权重高于第二阈值的用户属性相关联的商品，推荐给目标用户。

在一些实施例中，该方法还包括：利用目标用户的注册信息及下单信息，生成目标用户的各个用户属性，用户属性包括以下至少一种：性别、年龄、生日、身高、体重、国籍、爱好、居住地、下单时间、当前天气、当前温度。

在一些实施例中，该方法还包括：将各个用户属性的用户属性权重初始化为默认值；若目标用户购买了与某用户属性相关联的商品，则提高该用户属性的用户属性权重；若目标用户购买了与某用户属性不相关联的商品，则降低该用户属性的用户属性权重。

在一些实施例中，向目标用户推荐综合评分高于第一阈值的目标用户未购商品包括：从综合评分高于第一阈值的目标用户未购商品中，选择各个商品类别中综合评分最高的目标用户未购商品，推荐给目标用户。

在一些实施例中，该方法还包括：目标用户购买商品后，初始化目标用户对已购商品的喜好权重；若目标用户继续购买已购商品，则提高目标用户对已购商品的喜好权重；若目标用户不再购买已购商品，则降低目标用户对已购商品的喜好权重；将喜好权重高于第三阈值的目标用户已购商品推荐给目标用户。

根据本公开实施例的另一个方面，提供了一种向目标用户推荐商品的装置，包括：评分获取模块，被配置为获取各个用户对目标用户已购商品在各个商品属性上的评分；相似度计算模块，被配置为利用评分计算各个用户中的其他用户与目标用户的相似度；评分预测模块，被配置为利用与目标用户相似度最高的其他用户对目标用户未购商品的综合评分，预测目标用户对目标用户未购商品的综合评分；商品推荐模块，被配置为向目标用户推荐综合评分高于第一阈值的目标用户未购商品。

在一些实施例中，相似度计算模块被配置为：利用各个用户对目标用户已购商品在单个商品属性上的评分，生成各个用户在单个商品属性上的评分向量；利用各个用户在单个商品属性上的评分向量，计算其他用户与目标用户在单个商品属性上的相似度；利用各个用户中的其他用户与目标用户在各个商品属性上的相似度，计算各个用户中的其他用户与目标用户的相似度。

在一些实施例中，相似度计算模块被配置为：采用如下方法计算其他用户与目标用户在单个商品属性上的相似度：

其中，x表示目标用户在单个商品属性上的评分向量，y表示各个用户中的某个其他用户在单个商品属性上的评分向量，sim(x,y)表示某个其他用户与目标用户在单个商品属性上的相似度，d(x,y)表示向量x、y之间的欧几里得距离。

在一些实施例中，各个商品属性包括以下至少一种：品牌、类别、价格、重量、颜色、尺寸、材质、产地、包装、物流。

在一些实施例中，商品推荐模块被配置为：从目标用户的各个用户属性中，选择用户属性权重高于第二阈值的用户属性；从综合评分高于第一阈值的目标用户未购商品中，选择与用户属性权重高于第二阈值的用户属性相关联的商品，推荐给目标用户。

在一些实施例中，该装置还包括用户属性生成模块，被配置为：利用目标用户的注册信息及下单信息，生成目标用户的各个用户属性，用户属性包括以下至少一种：性别、年龄、生日、身高、体重、国籍、爱好、居住地、下单时间、当前天气、当前温度。

在一些实施例中，该装置还包括用户属性权重设置模块，被配置为：将各个用户属性的用户属性权重初始化为默认值；若目标用户购买了与某用户属性相关联的商品，则提高该用户属性的用户属性权重；若目标用户购买了与某用户属性不相关联的商品，则降低该用户属性的用户属性权重。

在一些实施例中，商品推荐模块被配置为：从综合评分高于第一阈值的目标用户未购商品中，选择各个商品类别中综合评分最高的目标用户未购商品，推荐给目标用户。

在一些实施例中，该装置还包括已购商品推荐模块，被配置为：目标用户购买商品后，初始化目标用户对已购商品的喜好权重；若目标用户继续购买已购商品，则提高目标用户对已购商品的喜好权重；若目标用户不再购买已购商品，则降低目标用户对已购商品的喜好权重；将喜好权重高于第三阈值的目标用户已购商品推荐给目标用户。

根据本公开实施例的又一个方面，提供了又一种向目标用户推荐商品的装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述的向目标用户推荐商品的方法。

根据本公开实施例的再一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现前述的向目标用户推荐商品的方法。

本公开能够更加准确的推荐用户喜欢且未购买过的商品。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开一些实施例的向目标用户推荐商品的方法的流程示意图。

图2示出了本公开另一些实施例的向目标用户推荐商品的方法的流程示意图。

图3示出了本公开又一些实施例的向目标用户推荐商品的方法的流程示意图。

图4示出了本公开一些实施例的向目标用户推荐商品的装置的结构示意图。

图5示出了本公开另一些实施例的向目标用户推荐商品的装置的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。

通过用户的历史信息找到兴趣相似的用户，再将兴趣相似度较高的用户购买的商品推荐给目标用户是一种推荐策略。简单来说，就是如果a、b两个用户都购买了x、y、z三本图书，并且给出了5星的好评，那么a和b就相似用户。可以将a看过的图书w也推荐给用户b。所以，协同过滤算法主要分为两个步骤，寻找相似的用户集合；寻找集合中目标用户喜欢的且未购买的商品进行推荐。如果电商平台中每个用户对商品有一个整体评分，对于单维度推荐策略，则需要根据目标用户x的相似用户群对商品i的评分，来预测用户x对商品i的评分。因此，如果能更精准的找到x的相似用户群，预测的评分就越准确，根据评分推荐的商品也就越准确。

表1示出了相关技术中用户购买商品后对商品进行评分的方案。如表1所示，假设三个用户x1、x2、x3给四个商品i1、i2、i3、i4评分，根据三个用户对各个商品的评分情况来协同过滤出与x3最相似的用户，并预测x3对商品i4的评分。看起来x2、x3最相似，因为他们对商品的评分一致。因为用户x2给商品i4打4分，所以预测x3对i4的评分也为4分。

表1

然而，发明人研究发现，虽然相关技术中已经能够为用户推荐一些商品引导用户购买，但仍然不能准确的推荐用户喜欢且未购买过的商品。这造成了平台推荐后用户并没有购买推荐商品，或者购买推荐商品后取消订单或申请退款，用户体验较差。基于以上问题，发明人提出了一种向目标用户推荐商品的方法，能够更加准确的推荐用户喜欢且未购买过的商品。

首先结合图1描述本公开向目标用户推荐商品的方法的一些实施例。

图1示出了本公开一些实施例的向目标用户推荐商品的方法的流程示意图。如图1所示，本实施例包括步骤s102～步骤s108。

在步骤s102中，获取各个用户对目标用户已购商品在各个商品属性上的评分。

其中，各个商品属性可以包括：品牌、类别、价格、重量、颜色、尺寸、材质、产地、包装、物流等等。

表2

如表2所示，三个用户x1、x2、x3给四个商品i1、i2、i3、i4的四个商品属性进行多维度评分。虽然用户对商品的综合评分和表1一样(综合评分是多维度评分的平均值)，但是表2提供了多个商品属性上的多维度评分，如品牌、价格、颜色、是否包邮，多维度评分能够更加准确的体现用户的偏好和意见。从表2可以看出，虽然x2和x3对商品i1、i2、i3的综合评分一样，但是x2和x3对商品i1、i2、i3在各个商品属性上的评分完全不同。x2喜欢商品i1、i2、i3的品牌和价格，但x3却刚好不满意这两个方面。基于单维度的综合评分显然忽略了这样隐含的信息，从而导致用户相似度的计算偏差。在表2中，用户x1与x3较为相似，因为他们在各个商品属性上的评分更为相似。用户的在多维度商品属性上的评分能更加清晰的说明用户喜欢已购商品的哪些方面，因此在多维度商品属性上的评分对于用户相似度的估计更为准确。

在步骤s104中，利用各个用户对目标用户已购商品在各个商品属性上的评分，计算各个用户中的其他用户与目标用户的相似度。

首先，可以利用各个用户对目标用户已购商品在单个商品属性上的评分，生成各个用户在单个商品属性上的评分向量。例如，用户x1在品牌上的评分向量为(3，3，4)，用户x2在品牌上的评分向量为(9，8，8)，用户x3在品牌上的评分向量为(5，2，2)。

然后，利用各个用户在单个商品属性上的评分向量，计算其他用户与目标用户在单个商品属性上的相似度。

例如，可以采用如下方法计算其他用户与目标用户在单个商品属性上的相似度：

其中，x表示目标用户在单个商品属性上的评分向量，y表示各个用户中的某个其他用户在单个商品属性上的评分向量，sim(x,y)表示某个其他用户与目标用户在单个商品属性上的相似度，d(x,y)表示向量x、y之间的欧几里得距离。

这里可以令x＝(5，2，2)、y＝(3，3，4)来计算目标用户x3与其他用户x1在品牌上的相似度，令x＝(5，2，2)、y＝(9，8，8)来计算目标用户x3与其他用户x2在品牌上的相似度。

最后，利用各个用户中的其他用户与目标用户在各个商品属性上的相似度，计算各个用户中的其他用户与目标用户的相似度。

例如，可以将其他用户与目标用户在各个商品属性上的相似度的平均值，作为其他用户与目标用户的相似度。

在步骤s106中，利用与目标用户相似度最高的其他用户对目标用户未购商品的综合评分，预测目标用户对目标用户未购商品的综合评分。

例如，用户x1是与用户x4相似度最高的其他用户，则利用用户x1对商品i4的综合评分6分，预测目标用户对目标用户未购商品的综合评分。其中，用户x1对商品i4的综合评分可以为用户x1对商品i4的在各个商品属性上的评分的平均值。

在步骤s108中，向目标用户推荐综合评分高于第一阈值的目标用户未购商品。

例如，可以向目标用户推荐综合评分高于6分的目标用户未购商品。

上述实施例对平台推荐商品的算法进行了优化，引入了多维度的商品属性以及多维度商品属性的评分。用户在多维度商品属性上的评分能够体现用户对不同方面的偏好程度，从而利用了用户与商品之间更多的信息，更加智能、准确的推荐用户喜欢且未购买过的商品，从而提升用户体验。

在一些实施例中，在步骤s108中，可以从综合评分高于第一阈值的目标用户未购商品中，选择各个商品类别中综合评分最高的目标用户未购商品，推荐给目标用户。

例如，综合评分高于6分的目标用户未购商品包括三件衣服(综合评分分别为9分，8分，8分)、两件裤子(综合评分分别为9分，8分，7分)、两双鞋(综合评分分别为8分，7分)。那么，可以将综合评分9分的衣服、综合评分8分的裤子、综合评分8分的鞋作为最终的组合推荐给目标用户。

这样一来，若用户根据推荐加购了大量重复品类商品，则进一步根据用户喜好，筛选出每个品类最多只有一种商品的购买组合供用户选择。因而上述实施例进一步减少了用户选择商品的时间，减低了用户购买本不需要的商品后退货的概率，从而进一步为用户提供智能化的购物体验。

下面结合图2描述本公开向目标用户推荐商品的方法的另一些实施例。

图2示出了本公开另一些实施例的向目标用户推荐商品的方法的流程示意图。如图2所示，本实施例包括步骤s202～步骤s220。

在步骤s202中，获取各个用户对目标用户已购商品在各个商品属性上的评分。步骤s202的具体实现过程可以参照步骤s102。

在步骤s204中，利用各个用户对目标用户已购商品在各个商品属性上的评分，计算各个用户中的其他用户与目标用户的相似度。步骤s204的具体实现过程可以参照步骤s104。

在步骤s206中，利用与目标用户相似度最高的其他用户对目标用户未购商品的综合评分，预测目标用户对目标用户未购商品的综合评分。步骤s206的具体实现过程可以参照步骤s106。

在步骤s208中，利用目标用户的注册信息及下单信息，生成目标用户的各个用户属性。

其中，用户属性包括：性别、年龄、生日、身高、体重、国籍、爱好、居住地、下单时间、当前天气、当前温度等。用户属性可以具体分为用户个人属性和用户的综合属性。其中，用户个人属性例如可以包括性别、年龄、生日、身高、体重、国籍、爱好等，用户的综合属性例如可以包括下单时间、当前天气、当前温度等。

在步骤s210中，将各个用户属性的用户属性权重初始化为默认值。

例如，可以将各个用户属性的用户属性权重初始化为默认值5。

在步骤s212中，判断目标用户是否购买了与某用户属性相关联的商品。若是，则执行步骤s214；若否，则执行步骤s216。

例如，目标用户的注册信息中包含身高185cm、喜好吃辣。当目标用户购买商品时，所有的服装尺寸都是185cm，但购买的食品从来没有辣的口味，那么用户属性中的身高属性权重需要提高，喜欢吃辣的爱好属性权重的权重需要降低。

在步骤s214中，提高该用户属性的用户属性权重。

例如，用户每购买一个与该用户属性相关联的商品，可以将该用户属性的用户属性权重乘以1.1。

在步骤s216中，降低该用户属性的用户属性权重。

例如，用户每购买一个与该用户属性不相关联的商品，可以将该用户属性的用户属性权重除以1.1。

在步骤s218中，从目标用户的各个用户属性中，选择用户属性权重高于第二阈值的用户属性。

例如，可以从目标用户的各个用户属性中，选择用户属性权重大于7的用户属性。

在步骤s220中，从综合评分高于第一阈值的目标用户未购商品中，选择与用户属性权重高于第二阈值的用户属性相关联的商品，推荐给目标用户。

推荐商品时，可以根据用户属性进一步筛选需要推荐的商品。例如用户所在的居住地湿度较大、温度较高，可以从综合评分高于第一阈值的目标用户未购商品中，进一步选择避暑、除湿的商品(如防晒霜、冷饮、薏仁粉)推荐给用户。

上述实施例中，当用户已购买商品的数据较少时，可能无法准确的知晓用户的喜好和购物习惯，此时通过用户属性可以进一步智能化筛选为用户推荐的商品，作出智能化关联推荐，从而解决传统的推荐方案因数据系数造成的冷启动问题。随着用户购买商品增多，学习用户的购买习惯和喜好也逐渐完善，则可以逐渐将用户属性、商品属性相结合，不管对新用户还是老用户，都能更准确的推荐用户喜欢的未购商品。另一方面，上述实施例可以吸引用户、增加用户量、增强用户对电商平台的信任度和好感度，进一步减少用户选择商品的时间、降低用户的退货率，更进一步提高用户体验。

下面结合图3描述本公开向目标用户推荐商品的方法的又一些实施例。

图3示出了本公开又一些实施例的向目标用户推荐商品的方法的流程示意图。如图3所示，在图2所示实施例基础上，本实施例还包括步骤s322～步骤s330。

在步骤s322中，目标用户购买商品后，初始化目标用户对已购商品的喜好权重。

例如，可以初始化目标用户对已购商品v的喜好权重为5。

在步骤s324中，判断目标用户是否继续购买已购商品v。

若目标用户继续购买已购商品，则执行步骤s326；若目标用户不再购买已购商品，则执行步骤s328。

在步骤s326中，提高目标用户对已购商品的喜好权重。

例如，目标用户每重新购买一次已购商品v，可以在已购商品v的喜好权重基础上乘以1.2。

在步骤s328中，降低目标用户对已购商品的喜好权重。

例如，目标用户每购买五次商品中不包含已购商品v，可以在已购商品v的喜好权重基础上除以1.2。

在步骤s330中，将喜好权重高于第三阈值的目标用户已购商品推荐给目标用户。

例如，可以将喜好权重高于8的目标用户已购商品推荐给目标用户。

上述实施例，能够有效避免用户已经购买了商品，依旧不断推荐已购买商品的情况。因此，上述实施例能够使电商平台根据多维数据，更加解用户的购买意图，实现智能购买引导。

下面结合图4描述本公开一些实施例的向目标用户推荐商品的装置。

图4示出了本公开一些实施例的向目标用户推荐商品的装置的结构示意图。如图4所示，本实施例中的向目标用户推荐商品的装置40包括评分获取模块402、相似度计算模块404、评分预测模块406以及商品推荐模块412。

评分获取模块402被配置为获取各个用户对目标用户已购商品在各个商品属性上的评分；相似度计算模块404被配置为利用评分计算各个用户中的其他用户与目标用户的相似度；评分预测模块406被配置为利用与目标用户相似度最高的其他用户对目标用户未购商品的综合评分，预测目标用户对目标用户未购商品的综合评分；商品推荐模块408被配置为向目标用户推荐综合评分高于第一阈值的目标用户未购商品。

上述实施例对平台推荐商品的算法进行了优化，引入了多维度的商品属性以及多维度商品属性的评分。用户在多维度商品属性上的评分能够体现用户对不同方面的偏好程度，从而利用了用户与商品之间更多的信息，更加智能、准确的推荐用户喜欢且未购买过的商品，从而提升用户体验。

在一些实施例中，相似度计算模块404被配置为：利用各个用户对目标用户已购商品在单个商品属性上的评分，生成各个用户在单个商品属性上的评分向量；利用各个用户在单个商品属性上的评分向量，计算其他用户与目标用户在单个商品属性上的相似度；利用各个用户中的其他用户与目标用户在各个商品属性上的相似度，计算各个用户中的其他用户与目标用户的相似度。

在一些实施例中，相似度计算模块404被配置为：采用如下方法计算其他用户与目标用户在单个商品属性上的相似度：

其中，x表示目标用户在单个商品属性上的评分向量，y表示各个用户中的某个其他用户在单个商品属性上的评分向量，sim(x,y)表示某个其他用户与目标用户在单个商品属性上的相似度，d(x,y)表示向量x、y之间的欧几里得距离。

在一些实施例中，各个商品属性包括以下至少一种：品牌、类别、价格、重量、颜色、尺寸、材质、产地、包装、物流。

在一些实施例中，商品推荐模块412被配置为：从目标用户的各个用户属性中，选择用户属性权重高于第二阈值的用户属性；从综合评分高于第一阈值的目标用户未购商品中，选择与用户属性权重高于第二阈值的用户属性相关联的商品，推荐给目标用户。

在一些实施例中，该装置40还包括用户属性生成模块408，被配置为：利用目标用户的注册信息及下单信息，生成目标用户的各个用户属性，用户属性包括以下至少一种：性别、年龄、生日、身高、体重、国籍、爱好、居住地、下单时间、当前天气、当前温度。

在一些实施例中，该装置40还包括用户属性权重设置模块410，被配置为：将各个用户属性的用户属性权重初始化为默认值；若目标用户购买了与某用户属性相关联的商品，则提高该用户属性的用户属性权重；若目标用户购买了与某用户属性不相关联的商品，则降低该用户属性的用户属性权重。

在一些实施例中，商品推荐模块412被配置为：从综合评分高于第一阈值的目标用户未购商品中，选择各个商品类别中综合评分最高的目标用户未购商品，推荐给目标用户。

这样一来，若用户根据推荐加购了大量重复品类商品，则进一步根据用户喜好，筛选出每个品类最多只有一种商品的购买组合供用户选择，从而进一步减少了用户选择商品的时间，减低了用户购买本不需要的商品后退货的概率，从而进一步为用户提供智能化的购物体验。

上述实施例中，当用户已购买商品的数据较少时，可能无法准确的知晓用户的喜好和购物习惯，此时通过用户属性可以进一步智能化筛选为用户推荐的商品，作出智能化关联推荐，从而解决传统的推荐方案因数据系数造成的冷启动问题。随着用户购买商品增多，学习用户的购买习惯和喜好也逐渐完善，则可以逐渐将用户属性、商品属性相结合，不管对新用户还是老用户，都能更准确的推荐用户喜欢的未购商品。另一方面，上述实施例可以吸引用户、增加用户量、增强用户对电商平台的信任度和好感度，进一步减少用户选择商品的时间、降低用户的退货率，更进一步提高用户体验。

在一些实施例中，该装置40还包括已购商品推荐模块414，被配置为：目标用户购买商品后，初始化目标用户对已购商品的喜好权重；若目标用户继续购买已购商品，则提高目标用户对已购商品的喜好权重；若目标用户不再购买已购商品，则降低目标用户对已购商品的喜好权重；将喜好权重高于第三阈值的目标用户已购商品推荐给目标用户。

上述实施例，能够有效避免用户已经购买了商品，依旧不断推荐已购买商品的情况。因此，上述实施例能够使电商平台根据多维数据，更加解用户的购买意图，实现智能购买引导。

图5示出了本公开另一些实施例的向目标用户推荐商品的装置的结构示意图。如图5所示，该实施例的向目标用户推荐商品的装置50包括：存储器510以及耦接至该存储器510的处理器520，处理器520被配置为基于存储在存储器510中的指令，执行前述任意一些实施例中的向目标用户推荐商品的方法。

其中，存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。

向目标用户推荐商品的装置40还可以包括输入输出接口530、网络接口4540、存储接口550等。这些接口530、540、550以及存储器510和处理器520之间例如可以通过总线560连接。其中，输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口。存储接口550为sd卡、u盘等外置存储设备提供连接接口。

本公开还包括一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述任意一些实施例中的向目标用户推荐商品的方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。