买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司

摘要：本公开提供一种信息推荐方法和装置。信息推荐装置根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系，利用物品跨类目关系构建物品相关搭配场景，利用物品场景画像和用户场景画像对搭配场景进行排序，根据用户对搭配场景中各物品的反馈行为对搭配场景中的物品进行排序，以便对搭配场景进行优化，将优化后的搭配场景推荐给用户。本公开通过将跨类目的相关或搭配商品进行聚合，并以优化顺序呈现给用户，从而有效提升了用户体验。

主权项：1.一种信息推荐方法，包括：根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系；利用所述物品跨类目关系，基于无监督学习的方法构建物品相关搭配场景；利用物品场景画像和用户场景画像，对所述搭配场景进行排序；根据用户对所述搭配场景中各物品的反馈行为，对所述搭配场景中的物品进行排序，以便对所述搭配场景进行优化；将优化后的搭配场景推荐给用户；其中，利用物品场景画像和用户场景画像，对所述搭配场景进行排序包括：利用强学习器对物品场景画像和用户场景画像进行学习，以得到用户与场景的组合特征；利用弱分类器对得到的组合特征进行打分，以得到组合特征的系数；根据所述组合特征的系数对所述搭配场景进行排序。

全文数据：信息推荐方法和装置技术领域本公开涉及信息处理领域，特别涉及一种信息推荐方法和装置。背景技术随着电子商务的迅猛发展，用户在购物时存在越来越多的跨品类购物需求。但是在推荐系统的相关技术中，往往依赖于商品的类目信息，在同一类目内根据内容或行为数据进行推荐。也就是说，在这些相关技术中，仅通过利用用户的购买、点击等行为反馈数据进行商品推荐。这种推荐方式存在的缺点在于：1在不同商品间构建的是点对点的对应关系，并未聚合成场景；2通过传统的聚类方法，仅能将相似的商品识别在一起。由此，难以达到跨类目进行相关搭配的效果。发明内容本公开的实施例解决的一个技术问题是：无法实现跨类目的商品聚合，从而无法在同一次推荐结果中满足用户多个类目的购物需求。根据本公开的一个或多个实施例的一个方面，提供一种信息推荐方法，包括：根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系；利用物品跨类目关系，构建物品相关搭配场景；利用物品场景画像和用户场景画像，对搭配场景进行排序；根据用户对搭配场景中各物品的反馈行为，对搭配场景中的物品进行排序，以便对搭配场景进行优化；将优化后的搭配场景推荐给用户。可选地，根据历史数据识别出相关搭配物品对包括：根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分；在搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。可选地，第一物品a和第二物品b的搭配得分为Nab与Eab之差与fEab的比值，其中函数f为预定变换函数。可选地，利用物品跨类目关系，构建物品相关搭配场景包括：对物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。可选地，利用物品场景画像和用户场景画像，对搭配场景进行排序包括：利用物品场景画像和用户场景画像，生成用户与场景的组合特征；根据组合特征的系数对搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。可选地，根据用户对搭配场景中各物品的反馈行为，对搭配场景中的物品进行排序包括：根据用户对搭配场景中各物品的反馈行为，确定相应的得分；根据得分，优化搭配场景的归一化折损累积增益NDCG，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。根据本公开的一个或多个实施例的另一个方面，提供一种信息推荐装置，包括：跨类目关系确定模块，被配置为根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系；搭配场景构建模块，被配置为利用物品跨类目关系，构建物品相关搭配场景；场景排序模块，被配置为利用物品场景画像和用户场景画像，对搭配场景进行排序；物品排序模块，被配置为根据用户对搭配场景中各物品的反馈行为，对搭配场景中的物品进行排序，以便对搭配场景进行优化；推荐模块，被配置为将优化后的搭配场景推荐给用户。可选地，跨类目关系确定模块被配置为根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分；在搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。可选地，跨类目关系确定模块还被配置为将Nab与Eab之差与fEab的比值作为第一物品a和第二物品b的搭配得分，其中函数f为预定变换函数。可选地，搭配场景构建模块被配置为对物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。可选地，场景排序模块被配置为利用物品场景画像和用户场景画像，生成用户与场景的组合特征，根据组合特征的系数对搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。可选地，物品排序模块被配置为根据用户对搭配场景中各物品的反馈行为，确定相应的得分，根据得分优化搭配场景的归一化折损累积增益NDCG，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。根据本公开的一个或多个实施例的一个方面，提供一种信息推荐装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例涉及的方法。根据本公开的一个或多个实施例的另一个方面，提供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如上述任一实施例涉及的方法。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为本公开一个实施例的信息推荐方法的示例性流程图。图2为本公开一个实施例的物品跨类目关系的示例图。图3为本公开一个实施例的信息推荐装置的示例性框图。图4为本公开另一个实施例的信息推荐装置的示例性框图。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他实施例，都属于本公开保护的范围。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。本公开的发明人发现，传统的推荐系统仅能构建点对点的商品相似相关关系，而现有的购物搭配场景几乎完全依靠人工运营给出。因此需要大量的人工，依靠业务经验手动定义场景主题、挑选场景商品、进行场景命名、定期维护和更新场景等。此外，聚类方法是一种用以替代人工运营的方式，但其需要较为详实有效的商品信息，且一般只能利用基于内容的商品信息，在准确度及适用性上存在较大局限。更重要的是，由于聚类方法的特性，相似的商品会被模型识别在一起，而难以达到跨类目、相关搭配的效果。因此，传统推荐系统主要存在以下缺点：1人工运营的方式需要较高的人力成本，特别在亿级别海量商品的现状下，人工构建商品搭配主题受到诸多限制。2受到劳动效率的限制，人工构建的商品搭配主题时效性较差，无法满足时装换季、商品上新等敏捷性需求。3人工商品搭配主题对运营人员的业务经验要求极高，质量难以得到有效保障。4聚类方法只能利用商品内容信息，无法利用商品的推荐反馈信息，且聚合结果几乎都是同类目商品，无法实现跨品类购物场景这一需求。本公开的发明人提出了一种信息推荐的方案，可有效地将跨类目的相关或搭配商品进行聚合，以便在同一次推荐结果中展示给用户，有效提升了用户体验。图1为本公开一个实施例的信息推荐方法的示例性流程图。可选地，本实施例的方法步骤可由信息推荐装置执行。在步骤101中，根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系。可选地，根据历史数据识别出相关搭配物品对包括：根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分。在搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。这里，将物品a作为前置物品，物品b作为后置物品。Nab代表了在全部用户中同时购买了物品a和物品b的次数。Nab可直接通过技术得到。即：Nab＝supportbuyersa∩buyersb假设物品a、b不具备相关搭配关系，Eab表示此时两物品被同时购买的期望次数。假设用户的每次购买行为是相互独立的，且服从伯努利分布，当物品a、b不具备相关关系时，可通过伯努利分布的概率计算Eab。即Eab代表了当物品a、b无特殊关系时，被所有用户同时购买的期望次数。例如，选取一定时间段内，所有被用户共同购买的物品对作为相关搭配物品的候选对，对每个候选对计算相关得分Scorea,b。选取得分超过阈值的物品对作为最终识别出的相关搭配物品对，以保证结果的可信度及支持度。可选地，第一物品a和第二物品b的搭配得分为Nab与Eab之差与fEab的比值，其中函数f为预定变换函数。即：Scorea,b＝Nab-EabfEab其中，fEab为Eab的函数，可根据挖掘目标自行设定。例如，函数f可以为开根号函数，或者开n次方函数等。其目的是，若分母直接使用Eab，可能导致分母过大惩罚过强。通过对Eab进行开根号等变换处理，可以使分母在一个合理的范围内，减弱分母对整个得分的惩罚效果。在步骤102中，利用物品跨类目关系，构建物品相关搭配场景。可选地，通过对物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。在得到物品之间的跨类目相关关系后，可以以图的观点描述物品关系，则每个物品可以视为图的一个顶点，物品跨类目相关关系可以视为图的边，相关得分为边的权重。那么通过在全量商品集合中挖掘商品集合组成的子图，来将物品之间的一对一相关关系聚合成社区形式，亦即物品相关搭配场景。如图2所示，对于物品a、b、c、d和e，若两个物品之间存在相关关系，则用边短线表示，这两个物品之间的得分为相应边的权重。当然，若两个物品之间不相关，如物品c和e，则其两者之间就不会有边。可选地，可利用无监督学习的方法进行搭配场景构建。例如，可初始赋予每个物品一个随机的场景编号，通过将这个场景编号进行不断传播迭代，来取得可信度较高的物品所属场景。需要说明的是，由于无监督学习自身并不是本公开的发明点所在，因此这里不展开描述。得到场景之后，通过人工命名，即可得到线上可用的购物搭配场景。本公开需要的人工干预仅为场景上线前的人工命名及审核，场景的挖掘、过滤、选品均无需人工干预，可以定期自动化更新。例如，对于5个物品a、b、c、d、e、f、g和h，通过上述步骤101可知，相关搭配物品对为a→b、a→c、d→e、f→h、g→h。则通过聚合处理，将这8个物品分成3个群组。即，群组A1a、b、c、群组A2d、e和群组A3f、g、h。从而将群组1、群组2和群组3作为三个不同的场景。例如，对于“户外出行”这一场景，通过上述处理，可包括跨类目的物品集合。如表1所示。表1又例如，对于“火锅大餐”这一场景，通过上述处理，可包括跨类目的物品集合。如表2所示。场景所涵盖物品物品所属类目涮锅厨具类目食材生鲜类目蘸料调味品类目佐餐酒酒类目…………表2在步骤103中，利用物品场景画像和用户场景画像，对搭配场景进行排序。可选地，利用物品场景画像和用户场景画像，生成用户与场景的组合特征。根据组合特征的系数对搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。例如，物品场景画像可包括物品所属场景的行为数据、物品所属场景的反馈数据、物品的质量相关数据、商品与场景的相关性等信息。用户场景画像可包括用户对场景的兴趣特征、用户画像特征等。可选地，先通过强学习器对物品场景画像和用户场景画像进行学习，以得到用户-场景的组合特征。进而，可进一步利用弱分类器根据所得到的组合特征进行打分，以便得到各组合特征的系数。进而根据所得到的系数对搭配场景进行排序。通过将强学习器与弱分类器相结合，既能拥有强学习器的准确度，又能拥有弱分类器的可解释性，各个组合特征的内容及关系直观可视。本公开相比于传统方式，能够从数据中自动学习用户与物品之间的组合特征，更适应购物场景频繁更新的特点。例如，对于三个场景A1a、b、c、A2d、e和A3f、g、h，通过强学习器对物品场景画像和用户场景画像进行学习，以及弱分类器的处理，发现在这三个场景中，用户对场景A2最感兴趣，对场景A3的兴趣度最低。因此可根据学习和分类处理结果，将场景A1、A2和A3排序为A2、A1和A3。需要说明的是，由于强学习器和弱分类器自身并不是本公开的发明点所在，因此这里不展开说明。在步骤104中，根据用户对搭配场景中各物品的反馈行为，对搭配场景中的物品进行排序，以便对搭配场景进行优化。可选地，可根据用户对搭配场景中各物品的反馈行为，确定相应的得分。根据得分，优化搭配场景的NDCGNormalizedDiscountedCumulativeGain，归一化折损累积增益，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。例如，可根据用户对物品的点击、购买、搜索等行为确定相应的得分。若用户已经购买过该物品，而用户通常不会在短期内再次购买，因此可将相应的得分降低，以便将该物品向后排。若用户还未购买该物品，但是对该物品的点击、搜索或浏览量较大，表明用户对该物品的兴趣度较高，因此可将相应的得分提升，以便将该物品向前排。通过，对于推荐信息，用户总是从前向后阅读。因此，如果能将用户最感兴趣的物品往前排，则可有效提高用户的购买效率，减少浏览时间。为此，可将一个场景内的物品整体排序进行优化。可选地，可通过将NDCG作为优化目标，将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。例如，对于上述的三个场景A1a、b、c、A2d、e和A3f、g、h，通过对搭配场景进行排序后发现，用户对场景A2的兴趣度最高，对场景A3的兴趣度最低。因此将场景A1、A2和A3排序为A2、A1和A3。接下来，以NDCG作为优化目标，分别对每个场景中的物品列表进行个性化排序，从而得到优化结果。例如，对于场景A1来说，物品a、b、c的优化排名为b、a、c；对于场景A2来说，物品d、e的优化排名为e、d；对于场景A3来说，物品h、g、f的优化排名为f、g、h。相应的场景及物品排序结果如表3所示。排序场景内容1A2e、d2A1b、a、c3A3h、g、f表3通过上述处理，可将用户感兴趣的场景排在前面，将各场景中用户更喜欢购买的跨类目物品排在前面。从而可有效提升用户体验。需要说明的是，由于NDCG优化自身并不是本公开的发明点所在，因此这里不展开说明。在步骤105中，将优化后的搭配场景推荐给用户。在本公开信息推荐方法的上述实施例中，通过将跨类目的相关或搭配商品进行聚合，并以优化顺序呈现给用户，从而有效提升了用户体验和购买欲。下面通过一个具体对本公开进行说明。首先，识别商品之间的跨类目关系。例如，登山杖→帐篷，冲锋衣→护目镜，火锅底料→牛肉丸，肥牛→火锅蘸料等。其次，把得到的跨类目关系进行聚合处理。例如，得到了场景A包含商品登山杖、帐篷、冲锋衣、护目镜，场景B包含商品火锅底料、牛肉丸、肥牛、火锅蘸料，场景C，场景D等。至于户外出行和火锅大餐这两个名字，可由人工来取名。接下来，根据每个用户的历史行为，对场景A、B、C、D等进行排序。比如用户a喜欢登山，不喜欢火锅，就把登山这个场景排第一个，火锅这个场景尽可能往后排。最后，根据每个用户的行为，对场景内的商品进行排序，比如用户a更喜欢买冲锋衣，并且已经买过登山杖了，那么登山这个场景里，就需要把冲锋衣排前面，登山杖排后面。由此，可将用户最感兴趣场景的跨类目信息提供给用户，从而提升了用户体验。图3为本公开一个实施例的信息推荐装置的示例性框图。如图3所示，该信息推荐装置包括跨类目关系确定模块31、搭配场景构建模块32、场景排序模块33、物品排序模块34和推荐模块35。跨类目关系确定模块31被配置为根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系。可选地，跨类目关系确定模块31根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分；在搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。可选地，跨类目关系确定模块31将Nab与Eab之差与fEab的比值作为第一物品a和第二物品b的搭配得分，其中函数f为预定变换函数。例如，函数f可以为开根号函数，或者开n次方函数等。搭配场景构建模块32被配置为利用物品跨类目关系，构建物品相关搭配场景。可选地，搭配场景构建模块32对物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。可选地，可利用无监督学习的方法进行搭配场景构建。例如，可初始赋予每个物品一个随机的场景编号，通过将这个场景编号进行不断传播迭代，来取得可信度较高的物品所属场景。场景排序模块33被配置为利用物品场景画像和用户场景画像，对搭配场景进行排序。可选地，场景排序模块33利用物品场景画像和用户场景画像，生成用户与场景的组合特征，根据组合特征的系数对搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。可选地，可先通过强学习器对物品场景画像和用户场景画像进行学习，以得到用户-场景的组合特征。进而，可进一步利用弱分类器根据所得到的组合特征进行打分，以便得到各组合特征的系数。进而根据所得到的系数对搭配场景进行排序。通过将强学习器与弱分类器相结合，既能拥有强学习器的准确度，又能拥有弱分类器的可解释性，各个组合特征的内容及关系直观可视。本公开相比于传统方式，能够从数据中自动学习用户与物品之间的组合特征，更适应购物场景频繁更新的特点。物品排序模块34被配置为根据用户对搭配场景中各物品的反馈行为，对搭配场景中的物品进行排序，以便对搭配场景进行优化。可选地，物品排序模块34根据用户对搭配场景中各物品的反馈行为，确定相应的得分，根据得分优化搭配场景的归一化折损累积增益NDCG，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。可选地，以NDCG作为优化目标，分别对每个场景中的物品列表进行个性化排序，从而得到优化结果。推荐模块35被配置为将优化后的搭配场景推荐给用户。在本公开信息推荐装置的上述实施例中，通过将跨类目的相关或搭配商品进行聚合，并以优化顺序呈现给用户，从而有效提升了用户体验和购买欲。图4为本公开另一个实施例的信息推荐装置的示例性框图。如图4所示，信息推荐装置包括存储器41和处理器42。存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器存储的指令执行实现如图1中任一实施例涉及的方法。如图4所示，该信息推荐装置还包括通信接口43，用于与其它设备进行信息交互。同时，该装置还包括总线44，处理器42、通信接口43、以及存储器41通过总线44完成相互间的通信。存储器41可以包含高速RAM存储器，也可还包括非易失性存储器non-volatilememory，例如至少一个磁盘存储器。存储器41也可以是存储器阵列。存储器41还可能被分块，并且块可按一定的规则组合成虚拟卷。此外，处理器42可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或者是被配置成实施本公开实施例的一个或多个集成电路。本公开同时还涉及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如图1中任一实施例涉及的方法。可选地，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器ProgrammableLogicController，简称：PLC、数字信号处理器DigitalSignalProcessor，简称：DSP、专用集成电路ApplicationSpecificIntegratedCircuit，简称：ASIC、现场可编程门阵列Field-ProgrammableGateArray，简称：FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。通过实施本公开所提供的方案，可得到以下有益效果中的至少一项：1本公开所提供的在亿级别海量商品中自动识别跨品类相关商品，自动构建成购物搭配场景，并进行场景排序和推荐的方案，覆盖商品之多，更新速度之快，是人工运营远远无法达到的。2本公开方案所构建的商品相关关系能够涵盖各个维度的商品相关信息。相比之下，人工运营受限于运营人员的知识及经验，难以达到本公开方案的精度及多样性。3在本公开方案构建商品搭配场景的过程中，所需的人工干预仅为新场景的命名及上线审核，极大地节约了人力成本。4本公开所构建的场景能够有效涵盖跨类目商品，并剔除了替代性的相似商品，是聚类等传统方法难以实现的。5本公开针对购物场景，提出了一整套新颖的特征组合及排序思路。相对于传统方法，更适应场景化推荐，能够取得更好的准确度和效果。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

权利要求：1.一种信息推荐方法，包括：根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系；利用所述物品跨类目关系，构建物品相关搭配场景；利用物品场景画像和用户场景画像，对所述搭配场景进行排序；根据用户对所述搭配场景中各物品的反馈行为，对所述搭配场景中的物品进行排序，以便对所述搭配场景进行优化；将优化后的搭配场景推荐给用户。2.根据权利要求1所述的信息推荐方法，其中，根据历史数据识别出相关搭配物品对包括：根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分；在所述搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。3.根据权利要求2所述的信息推荐方法，其中，所述第一物品a和第二物品b的搭配得分为Nab与Eab之差与fEab的比值，其中函数f为预定变换函数。4.根据权利要求1所述的信息推荐方法，其中，利用所述物品跨类目关系，构建物品相关搭配场景包括：对所述物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。5.根据权利要求1所述的信息推荐方法，其中，利用物品场景画像和用户场景画像，对所述搭配场景进行排序包括：利用物品场景画像和用户场景画像，生成用户与场景的组合特征；根据所述组合特征的系数对所述搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。6.根据权利要求1-5中任一项所述的信息推荐方法，其中，根据用户对所述搭配场景中各物品的反馈行为，对所述搭配场景中的物品进行排序包括：根据用户对所述搭配场景中各物品的反馈行为，确定相应的得分；根据所述得分，优化所述搭配场景的归一化折损累积增益NDCG，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。7.一种信息推荐装置，包括：跨类目关系确定模块，被配置为根据历史数据识别出相关搭配物品对，从而确定物品跨类目关系；搭配场景构建模块，被配置为利用所述物品跨类目关系，构建物品相关搭配场景；场景排序模块，被配置为利用物品场景画像和用户场景画像，对所述搭配场景进行排序；物品排序模块，被配置为根据用户对所述搭配场景中各物品的反馈行为，对所述搭配场景中的物品进行排序，以便对所述搭配场景进行优化；推荐模块，被配置为将优化后的搭配场景推荐给用户。8.根据权利要求7所述的信息推荐装置，其中，跨类目关系确定模块被配置为根据第一物品a和第二物品b在全部用户中被共同购买的次数Nab、以及第一物品a和第二物品b被同时购买的期望次数Eab，确定第一物品a和第二物品b的搭配得分；在所述搭配得到超过预定阈值的情况下，将第一物品a和第二物品b作为相关搭配物品对。9.根据权利要求8所述的信息推荐装置，其中，跨类目关系确定模块还被配置为将Nab与Eab之差与fEab的比值作为所述第一物品a和第二物品b的搭配得分，其中函数f为预定变换函数。10.根据权利要求7所述的信息推荐装置，其中，搭配场景构建模块被配置为对所述物品跨类目关系进行聚合处理，以便将具有成对关系的物品聚合在同一个集合中，以构建物品相关搭配场景。11.根据权利要求7所述的信息推荐装置，其中，场景排序模块被配置为利用物品场景画像和用户场景画像，生成用户与场景的组合特征，根据所述组合特征的系数对所述搭配场景进行排序，以便将用户兴趣度高的搭配场景优先推荐给用户。12.根据权利要求7-11中任一项所述的信息推荐装置，其中，物品排序模块被配置为根据用户对所述搭配场景中各物品的反馈行为，确定相应的得分，根据所述得分优化所述搭配场景的归一化折损累积增益NDCG，以便将高分行为对应物品的排序提升，将低分行为对应物品的排序降低。13.一种信息推荐装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-6中任一项的方法。14.一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如权利要求1-6中任一项的方法。

百度查询： 北京京东尚科信息技术有限公司 北京京东世纪贸易有限公司 信息推荐方法和装置