建立消费对象推荐模型的方法以及相关方法及装置与流程

本发明实施例涉及建模领域以及信息推荐领域，尤其涉及一种建立消费对象推荐模型的方法以及相关方法及装置。

背景技术：

在现有的信息推荐领域，以外卖领域为例，基于用户历史行为日志提取正负样本，然后利用线性或者非线性模型算法学习用户点击或者购买规律，并采用学习到的模型对实时场景进行商品(商户或者菜品)排序。

这种方法得到的推荐结果难以兼顾用户的个性化需求，推荐效果不佳。

技术实现要素：

本发明实施例提供一种建立消费对象推荐模型的方法以及相关方法及装置，用以解决现有技术中消费对象的推荐结果欠佳的问题。

第一方面，本发明实施例中提供了一种建立消费对象推荐模型的方法，所述方法包括：

获取消费样本；

根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数；

基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

结合第一方面，本发明在第一方面的第一种实现方式中，所述根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数，包括：

根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。

可选地，所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格。

结合第一方面，本发明在第一方面的第二种实现方式中，所述根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数，包括：

根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。

可选地，所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

结合第一方面的第三种实现方式，所述方法还包括:根据用户的历史行为数据确定反映用户喜好的所述用户特征。

结合第一方面的第四种实现方式，所述消费样本包括样本标签；所述训练数据包括所述样本标签。

第二方面，本发明实施例提供了一种建立消费对象推荐模型的装置，，包括：

样本获取模块，用于获取消费样本；

参数确定模块，用于根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数；

模型训练模块，用于基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

结合第二方面，本发明在第二方面的第一种实现方式中，所述参数确定模块包括：第一匹配度子模块，用于根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格。

结合第二方面，本发明在第二方面的第二种实现方式中，所述参数确定模块包括：第二匹配度子模块，用于根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

结合第二方面的第三种实现方式，所述装置还包括：特征挖掘模块，用于根据用户的历史行为数据确定反映用户喜好的所述用户特征。

结合第二方面的第四种实现方式，所述消费样本包括样本标签；所述训练数据包括所述样本标签。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

第三方面，本发明实施例提供了一种推荐消费对象的方法，包括：

获取用户的用户特征和待推荐消费对象的消费对象特征；

基于所述用户特征、所述消费对象特征以及采用如前述第一方面或其任一实现方式所述的方法建立的消费对象推荐模型，从所述待推荐消费对象中选取实推荐消费对象；

推荐所述实推荐消费对象。例如，采用现有的信息推荐方式向用户推荐所述实推荐消费对象。

在结合第三方面的一种实现方式中，所述基于所述用户特征、所述消费对象特征以及采用如前述第一方面或其任一实现方式所述的方法建立的消费对象推荐模型，从所述待推荐消费对象中选取实推荐消费对象，包括：

根据所述用户特征和所述待推荐消费对象的消费对象特征计算所述用户与各待推荐消费对象的特征参数；

将所述用户与各待推荐消费对象的特征参数输入所述消费对象推荐模型；

基于所述消费对象推荐模型输出的对所述待推荐消费对象的排序结果，从所述待推荐消费对象中选取所述实推荐消费对象。

第四方面，本发明实施例提供一种电子设备，包括处理器和存储器。其中，所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令供所述处理器调用执行；所述处理器用于执行所述一条或多条计算机指令以实现如上述第一方面或其各种实现方式提供的方法，或者，实现如上述第三方面或其各种实现方式的方法。

所述电子设备还可以包括通信接口，用于所述电子设备与其他设备或通信网络通信。

第五方面，本发明实施例提供了一种计算机存储介质，用于储存所述电子设备实现其功能所用的计算机软件指令。所述计算机指令被执行时实现如上述第一方面或其各种实现方式提供的方法，或者，实现如上述第三方面或其各种实现方式的方法。

本发明实施例能够兼顾用户的个性化需求，提高用户体验。

本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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示出了根据本发明一个实施例的建立消费对象推荐模型的方法的流程示意图；

图2示出了根据本发明一个实施例的推荐消费对象的方法的流程示意图；

图3示出了根据本发明另一个实施例的建立消费对象推荐模型的方法的流程示意图；

图4示出了根据本发明一个实施例的建立消费对象推荐模型的装置的框图；

图5示出了图4所示装置中的参数确定模块的框图的一例；

图6示出了根据本发明一个实施例的电子设备的框图。

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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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实施例，而不是全部的实施例。本领域技术人员基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。

首先，对本发明涉及或可能涉及的名称进行解释。这些解释意在使本发明的各种实施例更容易被理解，而不用于限制本发明的保护范围。

信息检索技术，是指通过获得的输入信息理解用户的需求，从海量信息中进行检索并返回相关信息的技术。

推荐(或推荐系统)，指通过挖掘用户的兴趣爱好和行为习惯，根据挖掘结果向用户推荐感兴趣的内容或者物品。

ctr(click-through-rate)，点击通过率。以网络广告为例，即网络广告的点击到达率，ctr＝(实际点击次数÷广告的展现量)×100％。

cvr(conversionrate)，转化率。以网络广告为例，是一个衡量广告效果的指标，cvr＝(转化量÷点击量)×100％。

排序模型，指针对大量正负样本，利用一定的模型算法训练出来的具有对未知样本进行排序能力的模型。在外卖场景下，是指对一个兴趣点(pointofinterest)召回的商户或者菜品进行打分排序的模型。

图1是根据本发明一个实施例的建立消费对象推荐模型的方法的流程示意图。参照图1，所述方法包括：

10：获取消费样本。其中，“获取”包括经过数据处理而得到的方式，也包括接收而得到的方式。

可选地，在本实施例的一种实现方式中，采用以下方式实现处理10：基于用户历史行为数据(例如，一段时间内的消费行为)提取所述消费样本。

其中，所述消费样本可以理解为消费记录，包括用户id和消费对象id。此外，所述消费样本还可以包括标签信息(正/负)、实时信息(包含配送时长、配送距离等)等。其中，所述标签信息，例如，以ctr(点击率)为基础，可以认为包含用户点击行为的样本为正样本，未被用户点击的则为负样本；以cvr(转化率)为基础，可以认为转化(例如，转化为实际消费或实际下单)的样本为正样本，未转化的样本则为负样本。

12：根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数。

可选地，在本实施例的一种实现方式中，预先获取用户特征和消费对象特征。其中，所述用户特征与用户id对应，用于反映消费者的特征(例如，喜好、购物偏好等)；所述消费对象特征与消费对象id对应，用于反映消费对象的特征，所述消费对象例如可以是商户、商品、菜品等。

14：基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

采用本实施例提供的方法，基于用户特征和消费对象特征确定消费样本的特征参数，并基于包含所述特征参数在内的训练数据进行模型训练，这样得到的消费对象推荐模型能够综合用户特征和消费对象特征进行消费对象推荐，从而在考虑消费对象的特征的同时，兼顾用户个性化(例如，消费习惯、口味习惯、品牌习惯等)。

在本实施例的一种实现方式中，以所述用户特征为用于反映用户喜好的用户喜好特征、所述消费对象为商品为例，采用本实施例提供的方法能够得到具有如下优点的消费对象推荐模型：推荐结果(或排序结果)更加符合用户的个性化需求；能够提高用户历史上没有消费的商品(即，长尾商品)的曝光率。

可选地，在本实施例的一种实现方式中，所述用户特征包括至少一项用户特征，所述消费对象特征包含至少一项消费对象特征，所述特征参数包含至少一项参数。可选地，在处理12中，一项用户特征与一项消费对象特征对应，构成一组，二者的匹配度则作为所述特征参数中的一项参数。

可选地，在本实施例的一种实现方式中，在处理12中，根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。所述特征参数可以仅包括所述第一匹配度参数，也可以包括其他参数。

示例性地，所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格(例如，平均客单价)。

可选地，在本实施例的一种实现方式中，在处理12中，根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。所述特征参数可以仅包括所述第二匹配度参数，也可以包括其他参数。

示例性地，所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

可选地，在本实施例的一种实现方式中，所述消费样本包括样本标签，所述训练数据包括所述样本标签。其中，所述样本标签用于表示所述消费样本的分类，可用作实现模型训练中的监督学习处理。

可选地，在本实施例的一种实现方式中，所述训练数据除了包含所述特征参数外，还包括诸如销量(例如，总销量、平均销量等)、好评数之类的参数，该参数用于量化用户对于消费对象的购买的可能性，可用作实现模型训练中的回归处理。

可选地，在本实施例的一种实现方式中，所述消费对象推荐模型的作用是，根据用户与消费对象二者的特征参数对消费对象进行打分(或，评价)。分数越高，表示消费对象被用户接受、喜欢或下单的可能性越大。

以上结合图1对根据本发明一种实施例的建立消费对象推荐模型的方法进行了说明。本领域技术人员应当理解，本发明还保护基于所述消费对象推荐模型推荐消费对象的方法。示例性地，图2示出了根据本发明一个实施例的推荐消费对象的方法的流程示意图，参照图2，所述方法包括：

20：获取用户的用户特征和待推荐消费对象的消费对象特征。

其中，所述待推荐消费对象是指预先确定的消费对象的集合，用于从中选取实推荐消费对象(即实际推荐的消费对象)。例如，所述待推荐消费对象可以是根据用户位置召回的满足设定的位置条件的消费对象。

22：基于所述用户特征、所述消费对象特征以及消费对象推荐模型，从所述待推荐消费对象中选取实推荐消费对象。其中，所述消费对象推荐模型为采用图1所示实施例或实现方式所提供的方法建立的消费对象推荐模型。

24：推荐所述实推荐消费对象。例如，采用现有的信息推荐技术将所述实推荐消费对象推荐给用户。

可选地，在本实施例的一种实现方式中，采用以下方式实现处理22：根据所述用户特征和所述待推荐消费对象的消费对象特征计算所述用户与各待推荐消费对象的特征参数；将所述用户与各待推荐消费对象的特征参数输入所述消费对象推荐模型；基于所述消费对象推荐模型输出的对所述待推荐消费对象的排序结果，从所述待推荐消费对象中选取所述实推荐消费对象。当然，在本实施例的另一实现方式中，消费对象推荐模型可以直接输出所述实推荐消费对象；在本实施例的其它实现方式中，消费对象推荐模型还可以集成计算所述特征参数的功能。

采用本实施例提供的推荐消费对象的方法，一方面，有利于得到符合用户个性化需求的推荐结果；另一方面，有利于提高用户历史上没有消费的消费对象的曝光率。本领域技术人员应当理解，本实施例提供的方法，可以应用于离线推荐，也可以应用于实时在线推荐。

图3是根据本发明一个实施例的建立消费对象推荐模型的方法的流程示意图。参照图3，以消费对象为商品为例，所述方法包括：

30：挖掘用户喜好信息(即，用户特征)。具体而言，根据用户历史行为，包括浏览行为、点击行为、购买行为、搜索行为等，挖掘出用户在最近一定时间段内的行为习惯以及下单偏好，包括用户消费价格偏好(商品优惠前和优惠后)、满减优惠敏感度、商品品牌偏好、商品类别偏好等。

例如，用户a在最近三个月购买过10次『肯德基』的菜品，消费金额在30到50之间，且未使用任何优惠。则可以得出结论：该用户的价格偏好为40±10，品牌偏好为『肯德基』，商品类别偏好为西式快餐，且对满减优惠不敏感。

32：挖掘商品数据信息(即，商品特征)。具体而言，根据商品(商户或者菜品)在最近一段时间段内的销售情况，统计商户的客单价(优惠前和优惠后)、满减力度情况、经营类别等。

例如，商户s在最近三个月的平均客单价分别为20(优惠后)和30(优惠前)，满减力度为满30减3，则满减力度为10％，经营类别为西式快餐、汉堡。

34：计算匹配度。具体而言，针对每一条消费样本，根据样本中包含的商户id和用户id，匹配对应的用户信息和商户信息(根据step1和step2挖掘获取)，并计算对应信息之间的匹配度。考虑到用户信息和商户信息均可能是多维的，所以，匹配度也可以是多维的。

可选地，匹配度的计算方法随着特征变化而有所调整。比如，以价格匹配度计算为例，假设某样本中包含用户a和商户s的id信息，那么提取用户a的消费价格偏好是x，商户s的客单价是y，则用户与商户价格匹配度m的计算方式为：

m＝1,若x＝0或y>2.0x；

m＝0，若y>＝0.8x且y<＝1.2x；

m＝(|x-y|÷x–0.2)÷(0.8)，若y<0.8x或者(y>1.2x且y<＝2.0x)；

其中匹配度值的范围为0～1，0表示完全匹配，1表示不匹配，没有用户数据的情况下设置匹配度默认值为1。

假设用户a的消费价格偏好是40，商户s的客单价是60，则匹配度为0.375。

再比如，以商品品类喜好匹配度的计算为例，假设根据用户历史行为挖掘得到的用户的品类喜好字典(即，一种用户特征)为tags＝{tag1:w1，tag2:w2，...，tagi:wi,…,tagn:wn}，其中wi为该用户对第i个品类喜好的权重，n为该用户喜欢的品类数量，则针对主要品类为tag2的商品，二者的匹配度则为w2。

36：模型训练。具体而言，针对每一条样本，利用处理34都可以计算得到匹配度值。将样本标签以及这些匹配度值组成的序列输入到排序模型中，进行模型训练。

可选地，模型训练采用的方法包括lr(逻辑回归模型)、gbdt(梯度提升决策树，是一种决策树组合算法)以及二者结合的算法。将训练好的模型可以应用于在线实时打分和排序。针对线下每一个样本以及线上实时请求的每一个用户-商品对，都能计算上述匹配度值。

图4是根据本发明一个实施例的建立消费对象推荐模型的装置的框图，参照图4，所述装置包括样本获取模块40、参数确定模块42和模型训练模块44，下面进行详细说明。

在本实施例中，样本获取模块40用于获取消费样本。其中，“获取”包括经过数据处理而得到的方式，也包括接收而得到的方式。

可选地，在本实施例的一种实现方式中，样本获取模块40基于用户历史行为数据(例如，一段时间内的消费行为)提取所述消费样本。

其中，所述消费样本可以理解为消费记录，包括用户id和消费对象id。此外，所述消费样本还可以包括标签信息(正/负)、实时信息(包含配送时长、配送距离等)等。其中，所述标签信息，例如，以ctr(点击率)为基础，可以认为包含用户点击行为的样本为正样本，未被用户点击的则为负样本；以cvr(转化率)为基础，可以认为转化(例如，转化为实际消费或实际下单)的样本为正样本，未转化的样本则为负样本。

在本实施例中，参数确定模块42用于根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数。可选地，在本实施例的一种实现方式中，所述用户特征与用户id对应，用于反映消费者的特征(例如，喜好、购物偏好等)；所述消费对象特征与消费对象id对应，用于反映消费对象的特征，所述消费对象例如可以是商户、商品、菜品等。

在本实施例中，模型训练模块44用于基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

采用本实施例提供的所述装置，基于用户特征和消费对象特征确定消费样本的特征参数，并基于包含所述特征参数在内的训练数据进行模型训练，这样得到的消费对象推荐模型能够综合用户特征和消费对象特征进行消费对象推荐，从而在考虑消费对象的特征的同时，兼顾用户个性化。

在本实施例的一种实现方式中，以所述用户特征为用于反映用户喜好的用户喜好特征、所述消费对象为商品为例，采用本实施例提供的方法能够得到具有如下优点的消费对象推荐模型：推荐结果(或排序结果)更加符合用户的个性化需求；能够提高用户历史上没有消费的商品(即，长尾商品)的曝光率。

可选地，在本实施例的一种实现方式中，所述用户特征包括至少一项用户特征，所述消费对象特征包含至少一项消费对象特征，所述特征参数包含至少一项参数。一项用户特征与一项消费对象特征对应，构成一组，二者的匹配度则作为所述特征参数中的一项参数。

可选地，在本实施例的一种实现方式中，如图5所示，参数确定模块42包括第一匹配度子模块420，用于根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。所述特征参数可以仅包括所述第一匹配度参数，也可以包括其他参数。

示例性地，所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格(例如，平均客单价)。

可选地，在本实施例的一种实现方式中，如图5所示，参数确定模块42包括第二匹配度子模块422，用于根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。所述特征参数可以仅包括所述第二匹配度参数，也可以包括其他参数。

示例性地，所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

可选地，在本实施例的一种实现方式中，如图4中虚线框所示，所述装置还包括特征挖掘模块46，用于根据用户的历史行为数据确定反映用户喜好的所述用户特征。

可选地，在本实施例的一种实现方式中，所述消费样本包括样本标签，所述训练数据包括所述样本标签。其中，所述样本标签用于表示所述消费样本的分类，可用作实现模型训练中的监督学习处理。

可选地，在本实施例的一种实现方式中，所述训练数据除了包含所述特征参数外，还包括诸如销量(例如，总销量、平均销量等)、好评数之类的参数，该参数用于量化用户对于消费对象的购买的可能性，可用作实现模型训练中的回归处理。

图6示出了根据本发明一个实施例的电子设备的框图。参照图6，所述电子设备包括处理器62和存储器60。其中，所述存储器60用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行。所述处理器62用于执行所述一条或多条计算机指令以实现如图1或图3所示实施例或实现方式所提供的建立消费对象推荐模型的方法，或者，用于执行所述一条或多条计算机指令以实现基于所述消费对象推荐模型推荐消费对象的方法(例如，如图2所示实施例所提供的方法)。

此外，如图6中虚线框所示，所述电子设备还可以包括输入输出接口，用于进行数据通信。

本发明实施例还提供一种计算机存储介质，用于储存前述电子设备实现其功能所用的计算机软件指令，具体而言，所述计算机软件指令被执行时实现如图1或图3所示的建立消费对象推荐模型的方法，或，实现基于所述消费对象推荐模型推荐消费对象的方法(例如，如图2所示实施例所提供的方法)。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明公开a1、一种建立消费对象推荐模型的方法，所述方法包括：

获取消费样本；

根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数；

基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

a2、如a1所述的方法，所述根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数，包括：

根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。

a3、如a2所述的方法，

所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格。

a4、如a1-a3中任一项所述的方法，所述根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数，包括：

根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。

a5、如a4所述的方法，

所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

a6、如a1所述的方法，所述方法还包括：

根据用户的历史行为数据确定反映用户喜好的所述用户特征。

a7、如a1所述的方法，

所述消费样本包括样本标签；

所述训练数据包括所述样本标签。

本发明还公开b8、一种建立消费对象推荐模型的装置，包括：

样本获取模块，用于获取消费样本；

参数确定模块，用于根据与所述消费样本对应的用户特征和消费对象特征确定所述消费样本的特征参数；

模型训练模块，用于基于包含所述特征参数在内的训练数据进行模型训练，得到消费对象推荐模型。

b9、如b8所述的装置，所述参数确定模块包括：

第一匹配度子模块，用于根据所述用户特征中的第一用户特征、所述消费对象特征中的第一消费对象特征，计算得到所述特征参数中的第一匹配度参数。

b10、如b9所述的装置，

所述第一用户特征为用户的价格偏好，所述第一消费对象特征为消费对象的价格。

b11、如b8-b10中任一项所述的装置，所述参数确定模块包括：

第二匹配度子模块，用于根据所述消费对象特征中的第二消费对象特征查询所述用户特征中的第二用户特征，确定所述特征参数中的第二匹配度参数。

b12、如b11所述的装置，

所述第二用户特征包括用户喜好的品类以及用户与品类的匹配度，所述第二消费对象特征为所述消费对象所属品类。

b13、如b8所述的装置，所述装置还包括：

特征挖掘模块，用于根据用户的历史行为数据确定反映用户喜好的所述用户特征。

b14、如b8所述的装置，

所述消费样本包括样本标签；

所述训练数据包括所述样本标签。

本发明还公开c15、一种推荐消费对象的方法，包括：

获取用户的用户特征和待推荐消费对象的消费对象特征；

基于所述用户特征、所述消费对象特征以及采用如a1-a7中任一项所述方法建立的消费对象推荐模型，从所述待推荐消费对象中选取实推荐消费对象；

推荐所述实推荐消费对象。

c16、如c15所述的方法，所述基于所述用户特征、所述消费对象特征以及采用如a1-a7中任一项所述方法建立的消费对象推荐模型，从所述待推荐消费对象中选取实推荐消费对象，包括：

根据所述用户特征和所述待推荐消费对象的消费对象特征计算所述用户与各待推荐消费对象的特征参数；

将所述用户与各待推荐消费对象的特征参数输入所述消费对象推荐模型；

基于所述消费对象推荐模型输出的对所述待推荐消费对象的排序结果，从所述待推荐消费对象中选取所述实推荐消费对象。

本发明还公开d17、一种电子设备，包括处理器和存储器，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；

所述处理器用于执行所述一条或多条计算机指令以实现如a1-a7或c15-c16中任一项所述的方法。

本发明还公开e18、一种计算机存储介质，所述计算机存储介质存储有一条或多条计算机指令，所述计算机指令被执行时实现如a1-a7或c15-c16中任一项所述的方法。