商品推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及智能推荐技术领域，具体涉及一种商品推荐方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网的普及，基于互联网大数据的智能推荐技术也应运而生，这给人们的生活带来了极大的便利，如向用户推荐用户需要的商品、视频、网页信息等。
3.然而，现有的商品推荐方法通常仅对采集到的实时数据进行分析，没有对历史离线数据进行分析，导致商品推荐效果较差。因此，如何提高商品推荐效果，成为亟待解决的技术问题。


技术实现要素：

4.本发明的目的之一在于提供一种商品推荐方法，以解决现有的商品推荐方法通常仅对采集到的实时数据进行分析，没有对历史离线数据进行分析，导致商品推荐效果较差的问题；目的之二在于提供一种商品推荐装置；目的之三在于提供一种电子设备；目的之四在于提供一种计算机存储介质。
5.为了实现上述目的，本发明采用的技术方案如下：
6.一种商品推荐方法，所述方法包括：
7.获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，所述推荐用户集合的初始值和所述参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；
8.根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果；
9.基于所述规则匹配结果进行商品推荐。
10.根据上述技术手段，可以利用历史离线数据来确定推荐用户集合，对满足各推荐规则的用户集合进行圈选，从而提高商品推荐的准确性。同时，还可以结合历史离线数据和实时数据共同决定参数状态值，提高参数状态值的准确性，进而提高商品推荐的准确性。
11.进一步，所述根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果，包括：
12.确定所述实时数据的产生用户是否属于所述推荐用户集合；
13.在确定所述实时数据的产生用户属于所述推荐用户集合的情况下，根据所述实时数据对所述参数状态值进行更新；
14.将更新后的所述参数状态值与所述推荐规则进行规则匹配，得到规则匹配结果。
15.根据上述技术手段，可以结合加载到的最新的推荐用户集合和参数状态值，对实时数据进行规则匹配，以此提高规则匹配的准确度。
16.进一步，所述根据所述实时数据对所述参数状态值进行更新，包括：
17.获取所述推荐规则对应的规则处理脚本；
18.利用所述规则处理脚本对所述实时数据进行参数状态计算；
19.根据计算结果对所述参数状态值进行更新。
20.根据上述技术手段，可以在获取到实时数据后，利用规则处理脚本对参数状态值进行实时更新，以方便后续根据更新后的参数状态值进行规则匹配。
21.进一步，在所述获取所述推荐规则对应的规则处理脚本之前，所述方法还包括：
22.确定所述推荐规则与预先定义的规则模型是否适配；
23.在所述推荐规则与所述规则模型适配的情况下，利用所述规则模型对所述推荐规则进行文本处理，生成所述规则处理脚本。
24.根据上述技术手段，可以利用与推荐规则适配的规则模型来生成规则处理脚本，方便后续通过该规则处理脚本进行参数状态值更新和规则匹配。当上线新类型的推荐规则时，可以通过定义与该新类型的推荐规则相适配的规则模型来实现。
25.进一步，在所述利用所述规则模型对所述推荐规则进行文本处理，生成所述规则处理脚本之后，所述方法还包括：
26.将所述规则处理脚本存储至预设数据库中；
27.在检测到所述推荐规则被更新的情况下，对所述预设数据库中的所述规则处理脚本进行更新。
28.根据上述技术手段，可以利用预设数据库对推荐规则的规则处理脚本进行存储，并在推荐规则被更新时，实时对存储的规则处理脚本进行更新，这样，可以在实时推荐过程中实时加载到最新的规则处理脚本。
29.进一步，在所述动态加载最新的推荐用户集合和参数状态值之前，所述方法还包括：
30.根据所述用户圈选条件，从所述历史离线数据中确定出符合条件的推荐用户集合的初始值；
31.基于所述推荐用户集合的初始值和所述推荐规则，从所述历史离线数据中确定出所述参数状态值的初始值；
32.将所述推荐用户集合的初始值存储至预设数据库中，并将所述参数状态值的初始值存储至预设缓存中；
33.在检测到所述用户圈选条件被更新的情况下，对所述预设数据库中的所述推荐用户集合的初始值进行更新，或者在检测到所述推荐规则被更新的情况下，对所述预设缓存中的所述参数状态值的初始值进行更新。
34.根据上述技术手段，可以基于历史离线数据、预设的用户圈选条件和预设的推荐规则，确定得到推荐用户集合的初始值和参数状态值的初始值，进而将其参与至实时推荐过程，以此提高实时推荐效果。
35.进一步，所述基于所述规则匹配结果进行商品推荐，包括：
36.基于所述规则匹配结果，从预设的推荐商品库中确定出待推荐商品；
37.通过预设的推荐渠道对所述待推荐商品进行推荐，其中，所述预设的推荐渠道包括商城应用程序、商城网页、网页广告位和短信中的至少一种。
38.根据上述技术手段，可以通过商城应用程序、商城网页、网页广告位和短信等渠道
进行商品推荐，从而提高了商品推荐的灵活性。
39.一种商品推荐装置，所述装置包括：
40.获取模块，用于获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，所述推荐用户集合的初始值和所述参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；
41.匹配模块，用于根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果；
42.商品推荐模块，用于基于所述规则匹配结果进行商品推荐。
43.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
44.存储器，用于存放计算机程序；
45.处理器，用于执行存储器上所存放的程序时，实现前述商品推荐方法的步骤。
46.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述商品推荐方法的步骤。
47.本发明的有益效果：
48.本发明可以利用历史离线数据来确定推荐用户集合，对满足各推荐规则的用户集合进行圈选，从而提高商品推荐的准确性。同时，还可以结合历史离线数据和实时数据共同决定参数状态值，提高参数状态值的准确性，进而提高商品推荐的准确性。
附图说明
49.图1为本发明实施例提供的一种商品推荐方法的流程示意图；
50.图2为本发明实施例提供的一种推荐系统的结构示意图；
51.图3为本发明实施例提供的另一种商品推荐方法的流程示意图；
52.图4为本发明实施例提供的一种生成规则处理脚本的流程示意图；
53.图5为本发明实施例提供的一种规则匹配过程的流程示意图；
54.图6为本发明实施例提供的一种推荐系统的处理流程示意图；
55.图7为本发明实施例提供的一种商品推荐装置的结构示意图；
56.图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
57.以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
58.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
59.参见图1，图1为本发明实施例提供的一种商品推荐方法的流程示意图。如图1所示，该方法可以包括如下步骤：
60.步骤101、获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，推荐用户集合的初始值和参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到。
61.具体地，上述实时数据是指实时获取到的业务相关数据，该实时数据可以包括但不限于用户行为数据(如网页浏览、商品购买等)和车机数据(如机油压力、行驶里程、蓝牙钥匙使用次数等)。上述推荐用户集合可以存储于预设数据库中，并与推荐规则一一对应。例如，假设当前上线的推荐规则有n个，那么预设数据库中的推荐用户集合也有n个，此处的n为任一大于或等于1的整数。上述的参数状态值可以存储于预设缓存中，该参数状态值是指与推荐规则有关的参数的状态值，如假设某一推荐规则为：浏览网页a的次数需要达到五次，那么浏览网页a的次数可以作为一个参数，并将其值存储至该预设缓存中。
62.在该步骤中，推荐系统在获取实时数据的同时，还可以对预设数据库中的推荐用户集合和预设缓存中的参数状态值进行动态加载。需要说明的是，由于预设数据库中的推荐用户集合和预设缓存中的参数状态值是动态更新的，因而在对获取到的实时数据进行规则匹配时，参与计算的推荐用户集合和参数状态值都是加载的最新的。
63.步骤102、根据实时数据、推荐用户集合和参数状态值进行规则匹配，得到规则匹配结果。
64.在该步骤中，推荐系统可以利用加载到的最新的推荐用户集合和参数状态值，对实时数据进行规则匹配，以此得到规则匹配结果。例如，假设当前获取到的实时数据为用户a浏览网页a一次(用户a属于上述推荐用户集合)，且根据参数状态值可以确定用户a在此之前已经浏览网页a三次，那么可以知晓目前用户a浏览网页a达到四次，此处可以将预设缓存中的用户a浏览网页a的次数更新为四次，并根据更新后的参数状态值与推荐规则(假设为用户a浏览网页a的次数需要达到五次)进行规则匹配，即可得到规则匹配结果为匹配失败。若后续又采集到用户a浏览网页a一次，则预设缓存中的用户a浏览网页a的次数更新为五次，此时与推荐规则进行规则匹配得到规则匹配结果为匹配成功。
65.步骤103、基于规则匹配结果进行商品推荐。
66.在该步骤中，推荐系统在确定规则匹配结果后，可以基于规则匹配结果进行商品推荐。继续基于上述举例进行说明，当推荐规则匹配成功(即用户a浏览网页a的次数达到五次)时，推荐系统可以从预设的推荐商品库中获取待推荐商品(如网页a中展示的商品或者与网页a中展示的商品相似的商品等)，并推荐给用户a。
67.在本实施例中，可以利用历史离线数据来确定推荐用户集合，对满足各推荐规则的用户集合进行圈选，从而提高商品推荐的准确性。同时，还可以结合历史离线数据和实时数据共同决定参数状态值，提高参数状态值的准确性，进而提高商品推荐的准确性。
68.进一步，上述步骤102、根据实时数据、推荐用户集合和参数状态值进行规则匹配，得到规则匹配结果，具体包括：
69.确定实时数据的产生用户是否属于推荐用户集合；
70.在确定实时数据的产生用户属于推荐用户集合的情况下，根据实时数据对参数状态值进行更新；
71.将更新后的参数状态值与推荐规则进行规则匹配，得到规则匹配结果。
72.在一实施例中，推荐系统在根据实时数据、推荐用户集合和参数状态值得到规则匹配结果时，可以先确定实时数据的产生用户是否属于推荐用户集合，如果实时数据的产生用户属于推荐用户集合，表示获取到的实时数据与推荐规则有关，需要根据实时数据对参数状态值进行更新，并在参数状态值更新后，利用更新后的参数状态值进行规则匹配，得到规则匹配结果。如果实时数据的产生用户不属于推荐用户集合，表示获取到的实时数据与推荐规则无关，可以根据实际情况判断是否需要根据该实时数据对参数状态值进行更新，但无需进行规则匹配。
73.在本实施例中，可以结合加载到的最新的推荐用户集合和参数状态值，对实时数据进行规则匹配，以此提高规则匹配的准确度。
74.进一步，上述步骤、根据实时数据对参数状态值进行更新，包括：
75.获取推荐规则对应的规则处理脚本；
76.利用规则处理脚本对实时数据进行参数状态计算；
77.根据计算结果对参数状态值进行更新。
78.在一实施例中，可以利用规则处理脚本来实现对参数状态值进行更新。具体而言，可以先获取推荐规则对应的规则处理脚本，然后利用该规则处理脚本对实时数据进行参数状态计算，再根据计算结果对参数状态值进行更新。需要说明的是，不同的推荐规则对应不同的规则处理脚本，每个规则处理脚本用于实现对与之对应的推荐规则进行规则匹配。
79.在本实施例中，可以在获取到实时数据后，利用规则处理脚本对参数状态值进行实时更新，以方便后续根据更新后的参数状态值进行规则匹配。
80.进一步，在上述步骤、获取推荐规则对应的规则处理脚本之前，该方法还包括：
81.确定推荐规则与预先定义的规则模型是否适配；
82.在推荐规则与规则模型适配的情况下，利用规则模型对推荐规则进行文本处理，生成规则处理脚本。
83.在一实施例中，规则处理脚本是通过预先定义的规则模型生成的，不同类型的推荐规则对应不同的规则模型，不同的规则模型对应不同的规则脚本模板。在生成规则处理脚本时，需要确定推荐规则与预先定义的规则模型是否适配，如果推荐规则与预先定义的规则模型适配，则表示可以利用该规则模型对推荐规则进行文本处理，生成规则处理脚本；如果推荐规则与预先定义的规则模型不适配，则需要开发人员定义新的规则模型，开发对应的规则脚本模板。此处的规则处理脚本可以为groovy文件，该规则处理脚本可以借助enjoy模板引擎对规则脚本模板进行文本处理得来。
84.在本实施例中，可以利用与推荐规则适配的规则模型来生成规则处理脚本，方便后续通过该规则处理脚本进行参数状态值更新和规则匹配。当上线新类型的推荐规则时，可以通过定义与该新类型的推荐规则相适配的规则模型来实现。
85.进一步，在上述步骤、利用规则模型对推荐规则进行文本处理，生成规则处理脚本之后，该方法还包括：
86.将规则处理脚本存储至预设数据库中；
87.在检测到推荐规则被更新的情况下，对预设数据库中的规则处理脚本进行更新。
88.在一实施例中，推荐系统生成规则处理脚本之后，还可以将规则处理脚本存储至
预设数据库中，并在检测到推荐规则被更新时，对预设数据库中的规则处理脚本进行更新。这样，可以在实时推荐过程中实时加载到最新的规则处理脚本。
89.进一步，在上述步骤101、动态加载最新的推荐用户集合和参数状态值之前，该方法还包括：
90.根据用户圈选条件，从历史离线数据中确定出符合条件的推荐用户集合的初始值；
91.基于推荐用户集合的初始值和推荐规则，从历史离线数据中确定出参数状态值的初始值；
92.将推荐用户集合的初始值存储至预设数据库中，并将参数状态值的初始值存储至预设缓存中；
93.在检测到用户圈选条件被更新的情况下，对预设数据库中的推荐用户集合的初始值进行更新，或者在检测到推荐规则被更新的情况下，对预设缓存中的参数状态值的初始值进行更新。
94.具体地，上述用户圈选条件和上述推荐规则是用户在推荐系统预先设置好的。上述用户圈选条件可以包括用户基本信息和用户历史行为记录，比如用户年龄段、用户性别、用户对某一商品的历史加购物车次数等。上述推荐规则可以包括但不限于用户行为、车机状态变化等，比如用户在3天内访问了某个网页、累积使用了3次蓝牙钥匙功能、机油压力信号快下降到临界点等。
95.在一实施例中，推荐系统可以基于历史离线数据、预设的用户圈选条件和预设的推荐规则，确定得到推荐用户集合的初始值和参数状态值的初始值，然后对用户圈选条件和推荐规则进行实时检测，在检测到用户圈选条件被更新的情况下，对预设数据库中的推荐用户集合的初始值进行更新，或者在检测到推荐规则被更新的情况下，对预设缓存中的参数状态值的初始值进行更新。这样，可以在实时推荐过程中实时加载到最新的推荐用户集合和参数状态值，以此提高实时推荐效果。
96.进一步，上述步骤、基于规则匹配结果进行商品推荐，包括：
97.基于规则匹配结果，从预设的推荐商品库中确定出待推荐商品；
98.通过预设的推荐渠道对待推荐商品进行推荐，其中，预设的推荐渠道包括商城应用程序、商城网页、网页广告位和短信中的至少一种。
99.具体地，上述推荐商品库和推荐渠道是用户在推荐系统上预先设置的。上述推荐商品库用于存放所有推荐的商品，如车辆维保产品、车辆售后增值服务、车辆配件等。上述推荐渠道用于表征允许进行商品推荐的渠道信息，如商城应用程序、商城网页、网页广告位和短信中的一种或者多种的组合。
100.在本实施例中，可以基于规则匹配结果，从预设的推荐商品库中确定出待推荐商品，然后通过预设的推荐渠道对待推荐商品进行推荐。这样，可以通过商城应用程序、商城网页、网页广告位和短信等渠道进行商品推荐，从而提高了商品推荐的灵活性。
101.在一实施例中，本发明实施例提供的商品推荐方法可以应用于图2所示的推荐系统，该推荐系统包括推荐系统管理平台、实时计算模块、离线计算模块以及必要的数据交换和数据存储组件等。数据交换和存储组件可以包括规则数据库mysql(相当于上文中的预设数据库)、规则状态缓存redis(相当于上文中的预设缓存)、实时采集数据kafka、规则匹配
结果消息队列kafka，以及离线历史数据存储。其中，离线历史数据存储涉及到的组件可以包括但不限于hive、doris和elasticsearch等主流的联机分析处理引擎。推荐系统管理平台可以采用spring+react的前后端分离的架构。离线计算模块可以由spark和各存储组件自带的sql功能组成。实时计算模块则可以采用flink流式计算引擎。
102.推荐系统管理平台的功能主要有：
103.1、提供交互界面供运营人员进行推荐系统的管理。主要包括用户圈选条件的管理、推荐规则的管理、推荐商品库的管理和推送渠道的管理。用户圈选条件的管理指的是用户圈选条件的生成和更新；推荐规则的管理涵盖了规则的发布、上线、下线及删除等；推荐商品库的管理主要是推荐商品的展示、添加、删除和更新等；推送渠道的管理指的是推荐规则匹配成功后推送给用户的方式的设置。
104.2、与离线计算模块进行数据交互。管理平台在进行用户圈选条件以及推荐规则的管理时，需要借助离线计算模块完成相应的离线计算，实现系统对于历史离线数据的应用。
105.3、与实时计算模块进行数据交互。管理平台通过规则数据库以及读取规则匹配结果消息队列中的数据来和实时计算模块进行数据交互，实现实时动态的推荐规则匹配以及推荐结果的实时推送。
106.离线计算模块的主要功能有：
107.1、响应管理平台发送的用户圈选调用，依据用户圈选条件，查询历史离线数据存储，得到用户列表(相当于上文中的推荐用户集合)，返回给管理平台。
108.2、响应管理平台发送的推荐规则历史离线数据状态计算调用，结合用户列表处理历史离线数据，计算出推荐规则对应的规则状态(相当于上文中的参数状态值)，写入规则状态缓存。
109.实时计算模块的主要功能有：
110.1、实时捕捉规则数据库变化，动态加载推荐规则和推荐规则适用的用户列表。
111.2、实时读取采集数据，依据动态加载的推荐规则和用户列表，实时更新规则状态缓存，并判断实时数据是否满足推荐规则，将满足推荐规则的信息推送到推荐规则匹配结果消息队列中。
112.基于图2所示的推荐系统进行商品推荐的流程如图3所示，具体可以包括如下步骤：
113.步骤301、管理平台获取用户圈选条件。运营人员在管理平台上设置用户圈选条件，用户圈选条件可以包括用户基本信息和用户历史行为记录，比如用户年龄段、用户性别、用户对某一商品的历史加购物车次数等。
114.步骤302、离线计算模块查找用户列表。离线计算模块响应管理平台的调用，根据用户圈选条件进行离线计算，从历史离线数据中查找符合圈选条件的用户列表，并将该用户列表返回给管理平台。
115.步骤303、管理平台获取推荐规则。运营人员在管理平台上设置推荐规则，推荐规则所定义的内容可以包括但不限于用户行为、车机状态变化等，比如在3天内访问了某个网页、累积使用了3次蓝牙钥匙功能等。
116.步骤304、离线计算模块计算规则状态，并将规则状态写入规则状态缓存。离线计算模块响应管理平台的调用，根据用户列表和推荐规则进行离线计算，结合历史离线数据，
计算推荐规则对应的规则状态，写入规则状态缓存。
117.步骤305、管理平台生成规则处理脚本。规则处理脚本用于规则状态计算和规程匹配判断，规则处理脚本可以被实时计算模块动态加载。
118.步骤306、管理平台将用户列表和规则处理脚本等信息按照对应关系写入规则数据库。
119.步骤307、实时计算模块动态加载推荐规则。实时计算模块实时捕捉规则数据库的变化，实时动态加载规则处理脚本和用户列表。
120.步骤308、实时计算模块进行规则匹配并输出结果。
121.步骤309、管理平台推送商品给用户。管理平台从结果消息队列kafka中订阅匹配成功的结果，将推荐内容通过设定好的推荐渠道推送给用户。
122.需要说明的是，上述步骤305生成规则处理脚本的过程如图4所示，具体可以包括如下步骤：
123.步骤401、运营人员配置好推荐规则。
124.步骤402、判断现有规则模型是否满足该规则。规则模型是对推荐规则的抽象，例如序列事件规则模型(a事件发生x次后b事件发生y次)。当现有的规则模型中有满足推荐规则的模型时，执行步骤403；当现有的规则模型中没有满足推荐规则的模型时，执行步骤405。
125.步骤403、选择规则模型对应的脚本模板；
126.步骤404、根据模板生成规则处理脚本。
127.规则脚本可以为groovy文件，规则脚本借助enjoy模板引擎对脚本模板进行文本处理得来。
128.步骤405、开发人员新增规则模型及对应的脚本模板。
129.具体地，上述步骤308的规则匹配过程如图5所示，具体可以包括如下步骤：
130.步骤501、动态加载规则。该规则包括用户列表和规则处理脚本。这里的动态指的是，当flink程序运行时规则数据库有变化，该变化会被实时捕捉并加载。
131.步骤502、实时读取采集数据。
132.步骤503、遍历规则。
133.步骤504、判断是否仍有规则未遍历，若仍有规则未遍历，执行步骤505；若没有规则未遍历，执行步骤509。
134.步骤505、判断该采集数据的用户是否在该规则的用户列表中，若是，则执行步骤506；反之，则执行步骤504。
135.步骤506、更新规则状态缓存。根据规则和采集数据进行规则状态缓存的更新。flink程序通过加载的规则处理脚本对采集数据进行处理，依据规则处理脚本中的计算逻辑进行规则状态的计算，例如对事件a发生次数进行累加。然后将计算出的最新规则状态写入到状态缓存中。
136.步骤507、判断规则是否匹配成功。规则处理脚本中有推荐规则的判断逻辑，对于步骤506完成后的最新的规则状态，执行推荐规则的判断逻辑。若匹配成功，执行步骤508；反之，则执行步骤504。
137.步骤508、输出到结果消息队列。将匹配成功的结果写入到kafka里。
138.步骤509、处理下一条数据。
139.当推荐规则或者用户圈选条件需要更新时，推荐系统的处理流程如图6所示：
140.步骤601、管理平台更新规则。具体可以包括推荐规则和用户圈选条件的更新。
141.步骤602、离线计算模块更新用户列表和规则状态。
142.离线计算模块根据新的用户圈选条件更新用户列表，根据新的推荐规则进行规则状态的计算，清空规则状态，写入新的规则状态。
143.步骤603、管理平台更新规则数据库。
144.步骤604、实时计算模块动态更新规则。
145.步骤605、按新的规则进行规则匹配的流程。
146.本发明提出了一种可结合历史离线数据的实时推荐系统方案，可以将离线的历史数据和实时采集数据相结合，提供处理需历史数据的推荐规则的能力，提高数据利用率；同时可以借助离线历史数据进行用户圈选，选择规则适用的用户群体，提高规则推荐的个性化。
147.参见图7，图7为本发明实施例提供的一种商品推荐装置的结构示意图。如图7所示，该装置700包括：
148.获取模块701，用于获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，推荐用户集合的初始值和参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；
149.匹配模块702，用于根据实时数据、推荐用户集合和参数状态值进行规则匹配，得到规则匹配结果；
150.商品推荐模块703，用于基于规则匹配结果进行商品推荐。
151.进一步，匹配模块702包括：
152.第一确定子模块，用于确定实时数据的产生用户是否属于推荐用户集合；
153.更新子模块，用于在确定实时数据的产生用户属于推荐用户集合的情况下，根据实时数据对参数状态值进行更新；
154.匹配子模块，用于将更新后的参数状态值与推荐规则进行规则匹配，得到规则匹配结果。
155.进一步，更新子模块包括：
156.获取单元，用于获取推荐规则对应的规则处理脚本；
157.计算单元，用于利用规则处理脚本对实时数据进行参数状态计算；
158.第一更新单元，用于根据计算结果对参数状态值进行更新。
159.进一步，更新子模块还包括：
160.确定单元，用于确定推荐规则与预先定义的规则模型是否适配；
161.生成单元，用于在推荐规则与规则模型适配的情况下，利用规则模型对推荐规则进行文本处理，生成规则处理脚本。
162.进一步，更新子模块还包括：
163.存储单元，用于将规则处理脚本存储至预设数据库中；
164.第二更新单元，用于在检测到推荐规则被更新的情况下，对预设数据库中的规则处理脚本进行更新。
165.进一步，该装置700还包括：
166.第一确定模块，用于根据用户圈选条件，从历史离线数据中确定出符合条件的推荐用户集合的初始值；
167.第二确定模块，用于基于推荐用户集合的初始值和推荐规则，从历史离线数据中确定出参数状态值的初始值；
168.存储模块，用于将推荐用户集合的初始值存储至预设数据库中，并将参数状态值的初始值存储至预设缓存中；
169.更新模块，用于在检测到用户圈选条件被更新的情况下，对预设数据库中的推荐用户集合的初始值进行更新，或者在检测到推荐规则被更新的情况下，对预设缓存中的参数状态值的初始值进行更新。
170.进一步，商品推荐模块703包括：
171.第二确定子模块，用于基于规则匹配结果，从预设的推荐商品库中确定出待推荐商品；
172.推荐子模块，用于通过预设的推荐渠道对待推荐商品进行推荐，其中，预设的推荐渠道包括商城应用程序、商城网页、网页广告位和短信中的至少一种。
173.需要说明的是，该装置700可以实现前述任意一个方法实施例提供的商品推荐方法的步骤，且能达到相同的技术效果，在此不再一一赘述。
174.如图8所示，本发明实施例还提供了一种电子设备，包括处理器811、通信接口812、存储器813和通信总线814，其中，处理器811，通信接口812，存储器813通过通信总线814完成相互间的通信，
175.存储器813，用于存放计算机程序；
176.在本发明一个实施例中，处理器811，用于执行存储器813上所存放的程序时，实现前述任意一个方法实施例提供的商品推荐方法，包括：
177.获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，推荐用户集合的初始值和参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；
178.根据实时数据、推荐用户集合和参数状态值进行规则匹配，得到规则匹配结果；
179.基于规则匹配结果进行商品推荐。
180.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的商品推荐方法的步骤。
181.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
182.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种商品推荐方法，其特征在于，所述方法包括：获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，所述推荐用户集合的初始值和所述参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果；基于所述规则匹配结果进行商品推荐。2.根据权利要求1所述的方法，其特征在于，所述根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果，包括：确定所述实时数据的产生用户是否属于所述推荐用户集合；在确定所述实时数据的产生用户属于所述推荐用户集合的情况下，根据所述实时数据对所述参数状态值进行更新；将更新后的所述参数状态值与所述推荐规则进行规则匹配，得到规则匹配结果。3.根据权利要求2所述的方法，其特征在于，所述根据所述实时数据对所述参数状态值进行更新，包括：获取所述推荐规则对应的规则处理脚本；利用所述规则处理脚本对所述实时数据进行参数状态计算；根据计算结果对所述参数状态值进行更新。4.根据权利要求3所述的方法，其特征在于，在所述获取所述推荐规则对应的规则处理脚本之前，所述方法还包括：确定所述推荐规则与预先定义的规则模型是否适配；在所述推荐规则与所述规则模型适配的情况下，利用所述规则模型对所述推荐规则进行文本处理，生成所述规则处理脚本。5.根据权利要求4所述的方法，其特征在于，在所述利用所述规则模型对所述推荐规则进行文本处理，生成所述规则处理脚本之后，所述方法还包括：将所述规则处理脚本存储至预设数据库中；在检测到所述推荐规则被更新的情况下，对所述预设数据库中的所述规则处理脚本进行更新。6.根据权利要求1所述的方法，其特征在于，在所述动态加载最新的推荐用户集合和参数状态值之前，所述方法还包括：根据所述用户圈选条件，从所述历史离线数据中确定出符合条件的推荐用户集合的初始值；基于所述推荐用户集合的初始值和所述推荐规则，从所述历史离线数据中确定出所述参数状态值的初始值；将所述推荐用户集合的初始值存储至预设数据库中，并将所述参数状态值的初始值存储至预设缓存中；在检测到所述用户圈选条件被更新的情况下，对所述预设数据库中的所述推荐用户集合的初始值进行更新，或者在检测到所述推荐规则被更新的情况下，对所述预设缓存中的所述参数状态值的初始值进行更新。
7.根据权利要求1所述的方法，其特征在于，所述基于所述规则匹配结果进行商品推荐，包括：基于所述规则匹配结果，从预设的推荐商品库中确定出待推荐商品；通过预设的推荐渠道对所述待推荐商品进行推荐，其中，所述预设的推荐渠道包括商城应用程序、商城网页、网页广告位和短信中的至少一种。8.一种商品推荐装置，其特征在于，所述装置包括：获取模块，用于获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，所述推荐用户集合的初始值和所述参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；匹配模块，用于根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果；商品推荐模块，用于基于所述规则匹配结果进行商品推荐。9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一项所述的商品推荐方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的商品推荐方法的步骤。

技术总结
本发明涉及一种商品推荐方法、装置、电子设备及存储介质，该方法包括：获取实时数据，并动态加载最新的推荐用户集合和参数状态值，其中，所述推荐用户集合的初始值和所述参数状态值的初始值是基于历史离线数据、预设的用户圈选条件和预设的推荐规则确定得到；根据所述实时数据、所述推荐用户集合和所述参数状态值进行规则匹配，得到规则匹配结果；基于所述规则匹配结果进行商品推荐。本发明可以利用历史离线数据来确定推荐用户集合，对满足各推荐规则的用户集合进行圈选，从而提高商品推荐的准确性。同时，还可以结合历史离线数据和实时数据共同决定参数状态值，提高参数状态值的准确性，进而提高商品推荐的准确性。进而提高商品推荐的准确性。进而提高商品推荐的准确性。


技术研发人员：侯树栋 王毅 朱成建
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.05.23
技术公布日：2023/7/21