本公开涉及计算机技术领域，特别涉及一种商品推荐方法、装置和计算机可读存储介质。
背景技术
虽然随着互联网技术的不断发展，线上消费行为越来越普及。但是，线上消费始终无法取代线下消费。人们购物、娱乐、社交仍然注重线下的真实体验。
目前，线下购物仍然采用传统模式，例如，大型购物商场仍然主要依靠导购为顾客推荐商品。大型电子广告牌仍然采用随机播放广告的形式吸引顾客的注意。
技术实现要素：
发明人发现：目前线下传统的购物模式，无法向顾客精准的推荐商品，降低了对顾客的吸引力，用户体验差。
本公开所要解决的一个技术问题是：如何针对线下用户推荐商品，提高商品推荐的准确性，提升用户体验。
根据本公开的一些实施例，提供的一种商品推荐方法，包括：根据线下用户的人脸属性分析结果，确定线下用户的属性；获取线上用户的属性以及历史购物信息；根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品。
在一些实施例中，根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品包括：根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合；根据商品推荐集合中各个商品的用户关注度，确定向线下用户推荐的商品。
在一些实施例中，根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合包括：获取与线下用户属性相同的线上用户群作为基础用户群；从基础用户群历史访问的商品中选取被访问次数超过阈值的至少一个商品，构建商品推荐集合；其中，访问次数包括：浏览次数、购买次数、分享次数、评论次数、收藏次数中至少一项。
在一些实施例中，构建商品推荐集合之后还包括：根据线上用户的历史购物信息，确定与基础用户群购物行为相似的备选用户群，作为附加用户群；根据附加用户群的历史购物信息，扩充商品推荐集合；其中，线上用户根据属性被划分为不同的用户群，基础用户群是与线下用户属性相同的线上用户群，备选用户群为是基础用户群属性不同的线上用户群。
在一些实施例中，确定附加用户群包括：根据备选用户群与基础用户群偏好的相同商品的数量，以及该备选用户群与基础用户群分别偏好的商品总量，确定该备选用户群与基础用户群的行为相似度；将与基础用户群的行为相似度超过行为相似度阈值的线上用户群确定为附加用户群；其中，用户群偏好的商品是用户群对商品的关注度超过关注度阈值的商品。
在一些实施例中，构建商品推荐集合之后还包括：根据各个商品的用户关注度，确定与推荐商品相似的备选商品，作为附加商品；将附加商品加入商品推荐集合，以扩充商品推荐集合；其中，推荐商品为商品推荐集合中的商品，备选商品为与线下用户属性不同的线上用户访问过的商品。
在一些实施例中，确定附加商品包括：根据备选商品的偏好用户群数、推荐商品偏好用户群数以及共同偏好该备选商品和推荐商品的用户群数，确定该备选商品与推荐商品的相似度；将与推荐商品的相似度超过相似度阈值的备选商品确定为附加商品；其中，商品的偏好用户群数是对商品的关注度超过关注度阈值的用户群数量。
在一些实施例中，该方法还包括：选取与线下用户的属性相关联的商品，向线下用户进行推荐。
在一些实施例中，商品的用户关注度是根据商品的访问次数、用户反馈信息、商品与用户习惯匹配度、商品性价比中至少一项确定；其中，商品的访问次数越高、用户反馈越好、商品与用户习惯匹配度越高、商品性价比越高，则商品的用户关注度越高。
在一些实施例中，线上用户是与线下用户位置的距离在预设范围内的线上用户；或者，线上用户的属性是根据线上用户的人脸属性分析结果和注册信息确定的。
在一些实施例中，该方法还包括：将所述线下用户对应的属性和推荐商品中至少一项，发送至显示装置进行显示，以便吸引所述线下用户的注意。
在一些实施例中，该方法还包括：在没有线下用户或者无法确定线下用户属性的情况下，根据所述线上用户的历史购物信息确定推荐商品，并将推荐商品发送至显示装置进行显示，以便吸引线下用户的注意；其中，所述线上用户是与所述显示装置的距离在预设范围内的线上用户。
根据本公开的另一些实施例，提供的一种商品推荐装置，包括：线下用户属性确定模块，用于根据线下用户的人脸属性分析结果，确定线下用户的属性；线上数据获取模块，用于获取线上用户的属性以及历史购物信息；商品推荐模块，用于根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品。
在一些实施例中，商品推荐模块包括：集合构建单元，用于根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合；商品推荐单元，用于根据商品推荐集合中各个商品的用户关注度，确定向线下用户推荐的商品。
在一些实施例中，集合构建单元还用于获取与线下用户属性相同的线上用户群作为基础用户群；从基础用户群历史访问的商品中选取被访问次数超过阈值的至少一个商品，构建商品推荐集合；其中，访问次数包括：浏览次数、购买次数、分享次数、评论次数、收藏次数中至少一项。
在一些实施例中，集合构建单元还用于根据线上用户的历史购物信息，确定与基础用户群购物行为相似的备选用户群，作为附加用户群；根据附加用户群的历史购物信息，扩充商品推荐集合；其中，线上用户根据属性被划分为不同的用户群，基础用户群是与线下用户属性相同的线上用户群，备选用户群为是基础用户群属性不同的线上用户群。
在一些实施例中，集合构建单元还用于根据备选用户群与基础用户群偏好的相同商品的数量，以及该备选用户群与基础用户群分别偏好的商品总量，确定该备选用户群与基础用户群的行为相似度；将与基础用户群的行为相似度超过行为相似度阈值的线上用户群确定为附加用户群；其中，用户群偏好的商品是用户群对商品的关注度超过关注度阈值的商品。
在一些实施例中，集合构建单元还用于根据各个商品的用户关注度，确定与推荐商品相似的备选商品，作为附加商品；将附加商品加入商品推荐集合，以扩充商品推荐集合；其中，推荐商品为商品推荐集合中的商品，备选商品为与线下用户属性不同的线上用户访问过的商品。
在一些实施例中，集合构建单元还用于根据备选商品的偏好用户群数、推荐商品偏好用户群数以及共同偏好该备选商品和推荐商品的用户群数，确定该备选商品与推荐商品的相似度；将与推荐商品的相似度超过相似度阈值的备选商品确定为附加商品；其中，商品的偏好用户群数是对商品的关注度超过关注度阈值的用户群数量。
在一些实施例中，该装置还包括：关联商品推荐模块，用于选取与线下用户的属性相关联的商品，向线下用户进行推荐。
在一些实施例中，商品的用户关注度是根据商品的访问次数、用户反馈信息、商品与用户习惯匹配度、商品性价比中至少一项确定；其中，商品的访问次数越高、用户反馈越好、商品与用户习惯匹配度越高、商品性价比越高，则商品的用户关注度越高。
在一些实施例中，线上用户是与线下用户位置的距离在预设范围内的线上用户；或者，线上用户的属性是根据线上用户的人脸属性分析结果和注册信息确定的。
在一些实施例中，该装置还包括：信息发送模块，用于将线下用户对应的属性和推荐商品中至少一项，发送至显示装置进行显示，以便吸引线下用户的注意。
在一些实施例中，该装置还包括：补充推荐模块，用于在没有线下用户或者无法确定线下用户属性的情况下，根据线上用户的历史购物信息确定推荐商品；并将推荐商品发送至显示装置进行显示，以便吸引线下用户的注意；其中，线上用户是与显示装置的距离在预设范围内的线上用户。
根据本公开的又一些实施例，提供的一种商品推荐装置，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设备中的指令，执行如前述任意实施例的商品推荐方法。
根据本公开的再一些实施例，提供的一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意实施例的商品推荐方法。
根据本公开的又一些实施例，提供的一种商品推荐系统，包括：前述任意实施例中的商品推荐装置；以及摄像头，用于采集线下用户的图像，将所述如下输入所述商品推荐装置；线上数据库，用于存储线上用户的属性以及购物信息，向所述商品推荐装置提供接口，以便所述商品推荐装置获取线上用户的属性以及购物信息；显示装置，用于接收所述商品推荐装置输出的线下用户属性和对应的推荐商品中的至少一项，并显示给所述线下用户。
本公开中对线下用户进行人脸属性分析，确定线下用户的属性，通过匹配线上用户以及线下用户的属性，并调用线上用户的历史购物信息，向线下用户推荐商品。本公开的方案打通线上线下数据，将线上线下数据有效地结合，能够提高商品推荐的准确性，提升用户体验。
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的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的商品推荐方法的流程示意图。
图2示出本公开的另一些实施例的商品推荐方法的流程示意图。
图3示出本公开的又一些实施例的商品推荐方法的流程示意图。
图4示出本公开的再一些实施例的商品推荐方法的流程示意图。
图5示出本公开的一些实施例的商品推荐装置的结构示意图。
图6示出本公开的另一些实施例的商品推荐装置的结构示意图。
图7示出本公开的又一些实施例的商品推荐装置的结构示意图。
图8示出本公开的再一些实施例的商品推荐装置的结构示意图。
图9示出本公开的一些实施例的商品推荐系统的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开提供一种商品推荐方法，可以用于向线下用户推荐商品，下面结合图1进行描述。
图1为本公开商品推荐方法一些实施例的流程图。如图1所示，该实施例的方法包括：步骤s102～s106。
在步骤s102中，根据线下用户的人脸属性分析结果，确定线下用户的属性。
对线下用户进行人脸属性分析确定属性，例如可以在商铺、广告牌附近安装摄像头对线下用户进行图像采集。采用人脸检测技术，对摄像头采集的视频数据检测定位出人脸区域；将检测的到人脸区域的信息输入到深度学习模型中，输出每个线下用户的属性。对线下用户确定属性可以应用现有技术中任意的人脸属性分析算法，在此不再赘述。
线下用户的属性例如包括：年龄、性别、种族、颜值等基本用户属性中至少一项，进一步，用户属性还可以包括附加用户属性，例如表情、是否戴眼镜、是否戴墨镜、是否戴口罩、是否留胡子、中的至少一项。可以根据实际需求选取要确定的线下用户的属性，不限于上述示例。
具体的，例如可以将年龄划分为多个年龄段，可以确定线下用户属于哪一个年龄段；将性别划分为男和女，可以确定线下用户属于哪种性别；将种族划分为黄种人、黑种人、白种人，可以确定线下用户属于哪个种族。进一步，还可以确定线下用户的表情是心情好或心情不好，是否戴眼镜、是否戴墨镜、是否戴口罩、是否留胡子等等。对于每一项属性可以赋予具体数值进行表示，例如，性别为男用1表示，性别为女用0表示。对于每一个线下用户，可以将对应的属性用属性向量进行表示，向量中每一项表示该用户的一项属性的取值。例如，线下用户a的属性向量为(2,1,1,1,0,1,0)表示该用户年龄为30～40，男性，黄种人，戴眼镜，不戴墨镜，戴口罩，没有胡子。
在一些实施例中，可以根据人脸检测技术将采集到的图像中线下用户以外的人的图像进行剔除。例如，可以预先存储商铺的店员、保安等的图像，通过人脸检测技术，当采集到这些人的图像时将这些人的图像剔除不用于后续的属性识别以及商品推荐过程。这样，可以进一步减少计算量，提高效率。
在步骤s104中，获取线上用户的属性以及历史购物信息。
为进一步提高为线下用户推荐商品的准确性，可以根据线下用户的地域特性选取部分线上用户，获取这部分线上用户的属性以及历史购物信息用于后续商品推荐，同时可以减少数据处理量，提高商品推荐效率。
在一些实施例中，线上用户是与线下用户位置的距离在预设范围内的线上用户。例如，针对北京某商场内的线下用户推荐商品时，可以选取北京市的线上用户的相关信息用于后续的商品推荐。线上用户的地址可以根据其在线上平台的注册地址、常用送货地址或者网络ip地址定位的地址等信息确定。由于不同地区的用户一般具有地域特色，根据地域相同的线上用户的数据为线下用户推荐商品，更加准确。采用一定距离范围内的线上用户数据，是为了分析线下用户所在商铺等当地周围若干公里内人群的消费习惯与偏好，或当地人群的属性，用于后续的商品推荐，更能够吸引顾客的注意，推荐更加准确。
线上用户的属性例如是根据线上用户的人脸属性分析结果和注册信息确定的。可以针对线上用户采集图像进行人脸属性分析确定属性，与线下用户的属性确定方法相似。进一步，用户的注册信息中可能包括：年龄、性别等信息可以用于属性的确定。线上用户的属性可以是预先离线确定的，直接调用即可。
在步骤s106中，根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品。
本公开的商品不限于实体商品，可以包括虚拟电子商品，例如，电话套餐、电子图书、视频、新闻等。
线下用户和线上用户的属性确定后，可以通过属性匹配(例如比对属性向量)确定与线下用户属性相同或相似的用户，根据与线下用户属性相同或相似的用户的历史购物信息向该线下用户推荐商品。例如，可以将线上用户购买过的商品推荐给线下用户。可以根据一个或多个线上用户的购物信息向线下用户推荐商品。
购物信息例如包括：浏览信息、购买信息、分享信息、评论信息、收藏信息中至少一项。可以向线下用户推荐线上用户浏览过的商品、购买过商品、分享过的商品、评论较好的商品或者收藏过的商品等等。
上述实施例的方法中对线下用户进行人脸属性分析，确定线下用户的属性，通过匹配线上用户以及线下用户的属性，并调用线上用户的历史购物信息，向线下用户推荐商品。上述实施例的方案打通线上线下数据，将线上线下数据有效地结合，能够提高商品推荐的准确性。通过线上用户的购物记录，无需线下通过增值服务、营销活动来收集线下用户的额外信息，对线上线下用户的隐私做到了保密，提升用户体验。
此外，上述实施例的方案，通过线上大数据分析与线下用户人脸属性分析的结合，相对于单纯的依靠一次性采集的线下用户的人脸特征进行商品推荐的方案，进一步提高了商品推荐的精准性，更加有效的利用了人脸属性分析得到的线下用户的属性。
进一步的，如图1所示，在步骤s106之后还可以包括：步骤s108，
在步骤s108中，将线下用户对应的属性和推荐商品中至少一项，发送至显示装置进行显示，以便吸引线下用户的注意。
显示装置例如为安装于商场、零售店等线下人流较大的场所的显示屏。通过线下用户对人工智能的好奇心以及本公开中准确的商品推荐，能够吸引用户进入商场等购物，提升用户体验。
在一些实施例中，在没有线下用户或者无法确定线下用户属性的情况下，根据线上用户的历史购物信息确定推荐商品，并将推荐商品发送至显示装置进行显示，以便吸引线下用户的注意；其中，线上用户是与显示装置的距离在预设范围内的线上用户。
在没有人群经过摄像头或显示装置的时候或者无法确定线下用户的属性的情况下，可以基于预设范围内的线上用户的购物信息，播放推荐的商品。即播放或轮播当地人群喜爱的一些商品的广告，这些广告的推荐基于线上的购物记录。这样做一方面受当地人的喜爱，另一方面有助于当地特色品牌的宣传。提高了广告牌的利用率，能够吸引顾客的注意。
摄像头可能只采集一个线下用户的图像，可以直接利用本方案为该用户进行商品推荐。摄像头也可能同时采集到多个线下用户的图像，尤其针对大型购物商场的场景，人流量较大的情况下摄像头会同时采集到很多线下用户的图像。针对多个线下用户的情况，可以根据线下用户的属性将线下用户划分为一个或多个用户群，确定线下用户群对应的属性，后续针对用户群推荐商品。
例如，可以根据线下用户的属性向量计算不同线下用户之间的欧氏距离，将距离低于阈值的用户划分为一个用户群。或者，利用聚类算法将线下用户划分为不同该用户群。可以根据实际需求设置要划分的用户群的数量。针对不同线下用户群推荐商品的方法，尤其适用于大型广告牌推送广告的场景，可以将大量具有相同或相似属性用户划分到一个用户群，有针对性的推送广告。
一个用户群对应的属性可以根据其中用户属性值的平均值确定。例如，将用户群中用户属性向量计算平均值，并针对每一项属性对应的属性值设置阈值，通过将每一项属性值的平均值与对应的阈值进行比对从而区分该属性值所表示的具体属性。例如，性别对应的属性值的阈值设置为0.5，如果平均值大于该阈值则将该用户群的性别属性确定为男，否则为女。或者，一个用户群对应的属性根据每一项属性值对应的用户数确定。例如，针对性别属性，属性值为男的用户数大于属性值为女的用户数，则将该用户群的性别属性确定为男。实际应用中可以采用其他方式确定线下用户群的属性，不限于所举示例。
针对多个线下用户的情况，可以根据线下用户的人脸属性分析结果，确定线下用户群的属性，获取线上用户的属性以及历史购物信息；根据线上用户和线下用户群的属性匹配结果，以及线上用户的历史购物信息向线下用户群推荐商品。
上述实施例的方法，商品推荐既能针对个体，也能针对群体。解决了商场人流众多的现实问题。通过线上的大数据算法和线上购物记录，构建显示群体的某些属性到线上群体共同喜好的商品类型的映射，通过线上线下用户的属性匹配，完成对线下群体的推荐。
本公开提供一些如何根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品的实施例，下面结合图2至图3进行描述。
图2为本公开商品推荐方法另一些实施例的流程图。如图2所示，步骤s106包括：步骤s202～s204。
在步骤s202中，根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合。
线上用户的属性可能不包括是否戴墨镜、是否戴口罩等特征。进行特征匹配时，可以匹配线上用户具有的属性。线上用户的数量庞大，可以根据线上用户的属性直接划分用户群。在一些实施例中，根据与线下用户属性相同的线上用户群的历史购物信息，构建商品推荐集合。可以将与线下用户属性相同的线上用户群作为基础用户群。
在一些实施例中，从基础用户群历史访问的商品中选取被访问次数超过阈值的至少一个商品，构建商品推荐集合。访问次数例如包括：浏览次数、购买次数、分享次数、评论次数、收藏次数中至少一项。可以分别针对不同的访问类型设置对应的阈值，其中一种访问类型对应的次数超过对应的阈值，则将访问的商品加入商品推荐集合。也可以将各种访问类型对应的次数加和，与对应的阈值比对，确定是否将访问的商品加入商品推荐集合。还可以针对不同访问类型设置不同的权重，例如，购买的权重最大，浏览的权重最小，将各种访问类型的对应的访问次数进行加权，与相应的阈值比对，确定是否将访问的商品加入商品推荐集合。
也可以根据基础用户群对各个商品的关注度，将关注度超过关注度阈值的商品加入商品推荐集合。用户对商品的关注度的确定方法将在下一步骤中描述。
在步骤s204中，根据商品推荐集合中各个商品的用户关注度，确定向线下用户推荐的商品。
商品的用户关注度例如是根据商品的访问次数、用户反馈信息、商品与用户习惯匹配度、商品性价比中至少一项确定。访问如前述实施例中可以包括一种或多种访问类型，访问次数也可是多种访问类型对应的次数的加和，或者加权。用户反馈信息包括：评论信息、客服咨询信息等。商品与用户习惯匹配度可以根据商品和用户地域风俗等匹配确定，可以预先根据大量数据的统计确定。商品与用户习惯匹配度主要根据线下用户所处的地域附近的用户习惯确定。例如北方人爱吃甜粽子，南方人爱吃咸粽子，则甜粽子的与北方用户的习惯匹配度更高。此外，在接近端午节时，粽子与用户习惯匹配度更高。商品的性价比可以通过好评度与价格的比对确定。
商品的访问次数越高、用户反馈越好、商品与用户习惯匹配度越高、商品性价比越高，则商品的用户关注度越高。可以针对商品的访问次数、用户反馈信息、商品与用户习惯匹配度、商品性价比分别进行量化赋予对应的数值，并针对这四项信息设置对应的权重，将这四项信息对应的数值进行加权确定商品的用户关注度。例如，将商品访问次数作为该信息对应的数值；将用户对应商品的好评次数与总评论次数的比值，作为用户反馈评分；商品与用户习惯匹配度设置不同的等级，对应不同的数值；将用户反馈评分与价格的比值作为商品性价比对应的数值。
商品推荐集合是根据基础用户群的购物记录确定的，因此商品推荐集合中各个商品的用户关注度可以是基础用户群对于商品的关注度，即参考基础用户群对商品的访问次数、基础用户群的反馈信息、商品与基础用户群的习惯匹配度、商品性价比中至少一项确定商品的用户关注度。
确定了各个商品的用户关注度之后，商品的用户关注度根据一项信息确定时，可以选取关注度超过关注度阈值的商品推荐给线下用户。商品的用户关注度根据一项信息确定时，例如，可以选取访问次数超过次数阈值的商品推荐给线下用户，选取用户反馈最好的商品推荐给线下用户，选取商品与用户习惯匹配度最高的商品推荐给线下用户、或者选取性价比超过阈值的商品推荐给用户。如何设置阈值以及如何选取推荐商品可以根据实际需求设置，不限于所举示例。
上述实施例的方法中，选取与线下用户属性相同的线上用户，根据这部分线上用户的购物记录，以及各个商品的用户关注度为线下用户推荐商品。由于线上用户与线下用户属性相同，有较大的可能性两者具有相似的偏好，进一步，根据商品的用户关注度可以为线下用户推荐比较受欢迎的商品，更容易引起线下用户的注意，提升用户体验。
上述实施例中商品推荐集合主要参考与线下用户属性相同的基础用户群的购物信息进行构建，进而为线下用户推荐商品，为了进一步丰富为商品推荐的内容，本公开还提供另一些如何构建商品推荐集合的实施例，下面结合图3进行描述。
图3为本公开商品推荐方法又一些实施例的流程图。如图3所示，步骤s106包括：步骤s302～s308。
在步骤s302中，根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合。
在步骤s304中，根据线上用户的历史购物信息，确定与基础用户群购物行为相似的备选用户群，作为附加用户群。
线上用户可以根据属性被划分为不同的用户群，基础用户群是与线下用户属性相同的线上用户群，备选用户群为是基础用户群属性不同的线上用户群。
备选用户群与基础用户群偏好的相同商品的数量的比例越高，则两个用户群行为相似度越高。在一些实施例中，根据备选用户群与基础用户群偏好的相同商品的数量(例如，a用户群偏好口红，b用户群也偏好口红)，以及该备选用户群与基础用户群分别偏好的商品总量，确定该备选用户群与基础用户群的行为相似度；将与基础用户群的行为相似度超过行为相似度阈值的线上用户群确定为附加用户群。用户群偏好的商品是用户群对商品的关注度超过关注度阈值的商品。用户群对商品的关注度可以参考前述实施例确定。
例如，备选用户群与基础用户群的行为相似度可以采用以下方法确定：备选用户群与基础用户群偏好的相同商品的数量为n，备选用户群与基础用户群分别偏好的商品总量的乘积为m，利用n与m的平方根的比值作为备选用户群与基础用户群的行为相似度。又例如，备选用户群与基础用户群的行为相似度可以采用以下方法确定：选用户群与基础用户群偏好的相同商品的数量为n，备选用户群与基础用户群分别偏好的商品集合的并集为s，该并集中商品数量为l，将n和l的比值作为备选用户群与基础用户群的行为相似度。可以根据实际情况确定备选用户群与基础用户群的行为相似度的计算方法，不限于所举示例。
在步骤s306中，根据附加用户群的历史购物信息，扩充商品推荐集合。
例如，可以将附加用户群对商品的关注度超过预设关注度的商品，添加至商品推荐集合。又例如，可以计算附加用户群与基础用户群的行为相似度和附加用户群对商品的关注度的乘积，作为基础用户群对该商品的预测关注度，将预测关注度超过对应的阈值的商品添加至商品推荐集合。不限于所举示例。
在步骤s308中，根据商品推荐集合中各个商品的用户关注度，确定向线下用户推荐的商品。
上述添加至商品推荐集合中的商品很可能是基础用户群不常访问的商品，因此，在本步骤中根据用户关注度选取商品时，可以利用全网用户数据计算商品的用户关注度，或者利用基础用户群和附加用户群的数据计算商品关注度，而不仅是利用基础用户群数据计算商品关注度。
在一些实施例中，与步骤s304并列的，步骤s106还可以包括：
在步骤s305中，根据各个商品的用户关注度，确定与推荐商品相似的备选商品，作为附加商品。
推荐商品为商品推荐集合中的商品，备选商品为与线下用户属性不同的线上用户访问过的商品。为了进一步减少数据量，可以将备选商品确定为与线下用户属性不同的线上用户访问过的并且用户关注度超过某一阈值的商品。
备选商品与推荐商品被关注的情况越相似偏，则两个商品的相似度越高。在一些实施例中，根据备选商品的偏好用户群数、推荐商品偏好用户群数以及共同偏好该备选商品和推荐商品的用户群数(同时喜欢商品a和b的用户群数量)，确定该备选商品与推荐商品的相似度；将与推荐商品的相似度超过相似度阈值的备选商品确定为附加商品。商品的偏好用户群数是对商品的关注度超过对应的关注度阈值的用户群数量。用户群对商品的关注度可以参考前述实施例确定。
例如，备选商品与推荐商品的相似度可以采用以下方法确定：共同偏好该备选商品和推荐商品的用户群数n，备选商品的偏好用户群数和推荐商品偏好用户群数的乘积为m，利用n与m的平方根的比值作为备选商品与推荐商品的相似度。又例如，备选商品与推荐商品的相似度可以采用以下方法确定：共同偏好该备选商品和推荐商品的用户群数n，备选商品的偏好用户群和推荐商品偏好用户群的并集为s，该并集中用户群数量为l，将n和l的比值作为备选商品与推荐商品的相似度。可以根据实际情况确定备选商品与推荐商品的相似度的计算方法，不限于所举示例。
在步骤s307中，将附加商品加入商品推荐集合，以扩充商品推荐集合。
步骤s307可以与步骤s306并列执行。
例如，可以计算附加商品与推荐商品的相似度和基础用户群对附加商品的关注度的乘积，作为基础用户群对该商品的预测关注度，将预测关注度超过对应的阈值的商品添加至商品推荐集合。不限于所举示例。
同样的，附加商品很可能是基础用户群不常访问的商品，因此，在步骤s308中根据用户关注度选取商品时，可以利用全网用户数据计算商品的用户关注度。
在一些实施例中，商品推荐集合还可以利用与商品推荐集合中商品相关联的商品进行扩充。两个商品的关联性可以根据在同一订单中出现的概率确定。例如，计算在预设时间内同时包括该两种商品的订单数量与订单总量的比值，将比值超过对应阈值的商品作为关联商品。或者，配件类商品可以作为关联商品进行推荐，例如，商品推荐集合中包括手机，则手机膜、耳机、手机壳等都可以作为关联商品。可以提取设置商品的关联性映射，直接根据映射关系扩充商品推荐集合。
在一些实施例中，可以将商品推荐集合中用户隐私敏感性高(用户不愿意公开的购买的商品)的商品剔除，避免给用户带来较差的体验。
上述各实施例中商品推荐集合的构建方法可以离线实施，即提前构建商品推荐集合，形成线上用户属性与商品推荐集合的映射关系，当确定线下用户属性后，通过匹配线上线下用户的属性，直接调用商品推荐集合。同理，商品的用户关注度也可以离线计算，可以将商品推荐集合中的商品按照用户关注度由高到低排列，或者，将商品推荐集合中关注度不符合条件的商品删除，只保留关注度符合条件的商品。即本公开的方案可以为：根据线下用户的人脸属性分析结果，确定线下用户的属性；获取线上用户的属性以及对应的商品推荐集合；根据线上用户和线下用户的属性匹配结果，以及对应的商品推荐集合向线下用户推荐商品。
对大量线上用户按照属性进行组合之后会得到较低数量级的用户群数量，从而能够较快地构建完商品推荐集合与属性映射，并且在查询映射关系时所消耗的时间非常小。节约了从前对单个用户较长的映射构建和查询时间。除此之外，定时在服务端对线上用户属性和商品推荐集合的映射进行更新保存，从而保证了推荐的实时性，精准性。
上述实施例的方法，可以进一步丰富为线下用户推荐的商品，并且基于用户群或商品的相似度为用户推荐商品，提高了推荐的准确性，提升用户体验。
除了上述实施例中基于线上用户数据为线下用户推荐商品的方案。本公开还提供另一些为线下用户推荐商品的方案。
图4为本公开商品推荐方法再一些实施例的流程图。如图4所示，该实施例的方法包括：步骤s402～s410。
在步骤s402中，根据线下用户的人脸属性分析结果，确定线下用户的属性。
在步骤s404中，获取线上用户的属性以及历史购物信息。
在步骤s406中，根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品。
在步骤s408中，选取与线下用户的属性相关联的商品，向线下用户进行推荐。
针对是否戴眼镜、是否戴墨镜、是否戴口罩、是否留胡子、这些附加用户属性，可以预先建立属性与推进商品的映射，将对应的商品作为与属性相关联的商品。如果线下用户具有该属性，则可以直接推荐与线下用户的属性相关联的商品。例如，用户有胡子，可以推进剃须刀。
针对用户的表情这一属性，可以实时采集图像进行确定。根据用户的表情选择推荐的商品。如果用户看到推荐的商品表情显示为心情好，则可以进一步推荐相关联或相似的商品，如果用户看到推荐的商品表情显示为心情不好，则可以改变商品类型重新进行推荐。相关联或相似的商品可以根据前述实施例的方法确定。
在步骤s410中，根据商铺的会员和线下用户的属性匹配结果，以及商铺的会员购物信息，向线下用户推荐商品。
一般商品会存储有会员信息以及会员的购物记录，可以采用与线上用户相同的处理方法，进行属性分析，确定推荐商品等，在此不再赘述。
对线下用户进行人脸属性分析可以确定其是否为商铺会员，如果为会员可以根据其历史购物记录，向其推荐相似或相关联的商品。
步骤s408和s410与步骤s406可以并列执行。
上述实施例的方法，可以进一步丰富为线下用户推荐的商品，提升用户体验。
本公开还提供一种商品推荐装置，下面结合图5和图6进行描述。
图5为本公开商品推荐装置的一些实施例的结构图。如图5所示，该实施例的装置50包括：线下用户属性确定模块510，线上数据获取模块520，商品推荐模块530。
线下用户属性确定模块510，用于根据线下用户的人脸属性分析结果，确定线下用户的属性。
线上数据获取模块520，用于获取线上用户的属性以及历史购物信息。
在一些实施例中，线上用户是与线下用户位置的距离在预设范围内的线上用户；或者，线上用户的属性是根据线上用户的人脸属性分析结果和注册信息确定的。
商品推荐模块530，用于根据线上用户和线下用户的属性匹配结果，以及线上用户的历史购物信息向线下用户推荐商品。
图6为本公开商品推荐装置的另一些实施例的结构图。如图6所示，该实施例的装置60包括：线下用户属性确定模块610，线上数据获取模块620，商品推荐模块630，分别与前述实施例中的线下用户属性确定模块510，线上数据获取模块520，商品推荐模块530类似。
商品推荐模块630包括：集合构建单元6302，商品推荐单元6304。
集合构建单元6302，用于根据与线下用户属性相同的线上用户的历史购物信息，构建商品推荐集合。
在一些实施例中，集合构建单元6302还用于获取与线下用户属性相同的线上用户群作为基础用户群；从基础用户群历史访问的商品中选取被访问次数超过阈值的至少一个商品，构建商品推荐集合；访问次数包括：浏览次数、购买次数、分享次数、评论次数、收藏次数中至少一项。
在一些实施例中，集合构建单元6302还用于根据线上用户的历史购物信息，确定与基础用户群购物行为相似的备选用户群，作为附加用户群；根据附加用户群的历史购物信息，扩充商品推荐集合；线上用户根据属性被划分为不同的用户群，基础用户群是与线下用户属性相同的线上用户群，备选用户群为是基础用户群属性不同的线上用户群。
进一步，集合构建单元6302还用于根据备选用户群与基础用户群偏好的相同商品的数量，以及该备选用户群与基础用户群分别偏好的商品总量，确定该备选用户群与基础用户群的行为相似度；将与基础用户群的行为相似度超过行为相似度阈值的线上用户群确定为附加用户群；其中，用户群偏好的商品是用户群对商品的关注度超过关注度阈值的商品。
在一些实施例中，集合构建单元6302还用于根据各个商品的用户关注度，确定与推荐商品相似的备选商品，作为附加商品；将附加商品加入商品推荐集合，以扩充商品推荐集合；其中，推荐商品为商品推荐集合中的商品，备选商品为与线下用户属性不同的线上用户访问过的商品。
进一步，集合构建单元6302还用于根据备选商品的偏好用户群数、推荐商品偏好用户群数以及共同偏好该备选商品和推荐商品的用户群数，确定该备选商品与推荐商品的相似度；将与推荐商品的相似度超过相似度阈值的备选商品确定为附加商品；其中，商品的偏好用户群数是对商品的关注度超过关注度阈值的用户群数量。
商品推荐单元6304，用于根据商品推荐集合中各个商品的用户关注度，确定向线下用户推荐的商品。
在一些实施例中，商品的用户关注度是根据商品的访问次数、用户反馈信息、商品与用户习惯匹配度、商品性价比中至少一项确定；商品的访问次数越高、用户反馈越好、商品与用户习惯匹配度越高、商品性价比越高，则商品的用户关注度越高。
在一些实施例中，装置60还包括：关联商品推荐模块640，用于选取与线下用户的属性相关联的商品，向线下用户进行推荐。
在一些实施例中，装置60还包括：信息发送模块650，用于将线下用户对应的属性和推荐商品中至少一项，发送至显示装置进行显示，以便吸引线下用户的注意。
在一些实施例中，装置60还包括：补充推荐模块660，用于在没有线下用户或者无法确定线下用户属性的情况下，根据线上用户的历史购物信息确定推荐商品；并将推荐商品发送至显示装置进行显示，以便吸引线下用户的注意；线上用户是与显示装置的距离在预设范围内的线上用户。
本公开的实施例中的商品推荐装置可各由各种计算设备或计算机系统来实现，下面结合图7以及图8进行描述。
图7为本公开商品推荐装置的一些实施例的结构图。如图7所示，该实施例的装置70包括：存储器110以及耦接至该存储器710的处理器720，处理器120被配置为基于存储在存储器710中的指令，执行本公开中任意一些实施例中的商品推荐方法。
其中，存储器710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)、数据库以及其他程序等。
图8为本公开商品推荐装置的另一些实施例的结构图。如图8所示，该实施例的装置80包括：存储器810以及处理器820，分别与存储器710以及处理器720类似。还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830，840，850以及存储器810和处理器820之间例如可以通过总线860连接。其中，输入输出接口830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840为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。存储接口850为sd卡、u盘等外置存储设备提供连接接口。
本公开还提供一种商品推荐系统，如图9所示，该实施例的系统9包括：前述实施例中的商品推荐装置50、60、70或80，以及摄像头92，线上数据库94，显示装置96。
摄像头92，用于采集线下用户的图像，将如下输入商品推荐装置。
线上数据库94，用于存储线上用户的属性以及购物信息，向商品推荐装置提供接口，以便商品推荐装置获取线上用户的属性以及购物信息。
显示装置96，用于接收商品推荐装置输出的线下用户属性和对应的推荐商品中的至少一项，并将推荐的商品显示给线下用户。
系统9还可以包括：日志记录模块，用于记录日志包括用户属性值，推荐商品，时间点等信息，并且存储到日志数据库中。报告生成模块，用于根据日志生成器定期生成报告，便于后续对系统进行反馈更新。
本领域内的技术人员应当明白，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。应理解为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。