CN104090905A - 信息推荐方法和信息推荐系统 - Google Patents

Abstract

一种信息推荐方法及系统，该方法包括步骤：获取用户信息与目标对象信息之间的关联关系；根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度，并根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值；根据各目标对象的推荐度得分值，确定待推荐列表。本发明方案不仅提高了进行信息推荐的覆盖率，还提高了信息推荐的准确度。

Description

信息推荐方法和信息推荐系统

技术领域

本发明涉及信息处理技术领域，特别涉及一种信息推荐方法和一种信息推荐系统。

背景技术

随着信息技术的日益发展，基于用户的喜好、历史关注的信息、好友以及好友关注的信息等等进行信息推荐已经成为目前网络技术应用的一项重要内容。在目前进行信息推荐的方案中，所采用的主流推荐方式是Item-Based的协同过滤推荐算法，基于这种信息推荐方式，由于使用很多项目的用户会对总体推荐产生很大影响，而且热门的项目与大部分其他项目都有比较强的关联，热门的项目很容易被推送出来，从而导致大部分用户得到的推荐列表都是非常热门的项目，导致所推荐项目的覆盖率很低，不能很好地实现个性化推荐。

发明内容

基于此，针对上述现有技术中存在的问题，本发明的其中一个目的在于提供一种信息推荐方法，本发明的另一目的在于提供一种信息推荐系统，其可以提高信息推荐的准确度和覆盖率。

为达到上述目的，本发明实施例采用以下技术方案：

一种信息推荐方法，包括步骤：

获取用户信息与目标对象信息之间的关联关系；

根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度，并根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值；

根据各目标对象的推荐度得分值，确定待推荐列表。

一种信息推荐系统，包括：

信息获取模块，用于获取用户信息与目标对象信息之间的关联关系；

覆盖率相似度确定模块，用于根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

准确率相似度确定模块，用于根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

推荐度得分值确定模块，用于根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度，并根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值；

待推荐列表确定模块，用于根据各目标对象的推荐度得分值，确定待推荐列表。

根据上述本发明实施例的方案，其是在确定目标对象之间的覆盖率相似度、准确度相似度的基础上，确定各目标对象的推荐度得分值，并基于该推荐度得分值确定待推荐列表来进行推荐，从而不仅提高了进行信息推荐的覆盖率，还提高了信息推荐的准确度。

附图说明

图1是本发明的信息推荐方法实施例的流程示意图；

图2是一个具体示例中的用户信息与目标对象间的对应关系的示意图；

图3是本发明的信息推荐系统一个实施例的结构示意图；

图4是本发明的信息推荐系统另一实施例的结构示意图；

图5是基于本发明方案提供的终端的部分结构框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

图1中示出了本发明的信息推荐方法实施例的流程示意图。如图1所示，本发明实施例的信息推荐方法包括步骤：

步骤S101：获取用户信息与目标对象信息之间的关联关系；

步骤S102：根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

步骤S103：根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

步骤S104：根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值；

步骤S105：根据各目标对象的推荐度得分值，确定待推荐列表。

根据上述本发明实施例的方案，其是在确定目标对象之间的覆盖率相似度、准确度相似度的基础上，确定各目标对象的推荐度得分值，并基于该推荐度得分值确定待推荐列表来进行推荐，从而不仅提高了进行信息推荐的覆盖率，还提高了信息推荐的准确度。

其中，上述步骤S104中确定推荐度得分值时，可以采用不同的方式进行。

在其中一种方式中，可以是基于覆盖率相似度确定针对覆盖率的得分值以及基于准确率相似度确定针对准确率的得分值后，再最终确定各目标对象的推荐度得分值，具体可以是如下所述：

根据所述覆盖率相似度、分别与各用户相关联的目标对象的数目，确定所述目标用户相对于各目标对象的覆盖率得分值；

根据所述准确率相似度、目标对象分别与各用户之间的关联关系、以及分别与各目标对象相关联的用户数目，确定所述目标用户相对于各目标对象的准确率得分值；

根据所述覆盖率得分值和准确率得分值确定各目标对象的推荐度得分值。

在另外一种方式中，可以是在得到最终相似度之后，基于最终相似度确定各目标对象的推荐度得分值，具体可以是如下所述：

根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值的方式包括：

根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度，并根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值。

其中，在一个具体示例中，在上述计算覆盖率相似度时，可以采用下述公式计算：

$W_{\mathrm{\α\β}}^P=1/k_{\mathrm{\β}}{\mathrm{\Σ}}_{j=1}^u\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}---\left(1\right)$

其中，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

在上述计算准确率相似度时，可以采用下述公式计算：

$W_{\mathrm{\α\β}}^H=1/k_{\mathrm{\α}}{\mathrm{\Σ}}_{j=1}^u\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}---\left(2\right)$

其中，k_α表示与目标对象α有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

基于上述覆盖率相似度、准确率相似度，在确定最终相似度时，可以采用下述公式进行：

$W_{\mathrm{\α\β}}^{H+P}=\frac{1}{k_{\mathrm{\α}}^{1-\mathrm{\λ}}{k}_{\mathrm{\β}}^{\mathrm{\λ}}}{\mathrm{\Σ}}_{j=1}^u\mathrm{\Σ}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}---\left(3\right)$

其中，k_α表示与目标对象α有相关联的用户数目，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数，λ为预设比值。

其中，上述预设比值λ体现了覆盖率与准确度之间的权衡关系，具体λ的值的大小，可以基于对覆盖率和准确度的权衡因素的不同可以做不同的设置。如需要更大的覆盖率，则λ的值需设置的越小，若需要更高的准确度，则λ的值需设置的越大。

以下结合其中一个具体示例进行详细说明。在该示例中，假设用户信息与目标对象之间的关系如下表一所示

表一用户信息与目标对象之间的关系

	Object1	Object2	Object3	Object4	Object5
						user1	1	0	0	1	0
user2	1	1	1	1	0
						user3	1	0	1	0	0
user4	0	0	1	0	1

在上述表一中，user表示用户信息，或者也可以理解为某一个用户，上述Object表示具体的某个目标对象。例如，若待推荐对象是歌曲，则上述各Object表示某首具体的歌曲，若待推荐对象是视频，则上述各Object分别表示某个具体的视频文件。上表中的值为1时，表示相应的用户信息与目标对象之间有关联关系，否则无关联关系。以待推荐对象是歌曲为例，则是值为1时表示该用户有收听对应的该歌曲。

基于上述表一中所示的信息，以下先采用上述公式(1)计算各目标对象之间的覆盖率相似度。

例如，Object1与Object2之间的覆盖率相似度为

$\begin{array}{c}{W}_{\mathrm{Object}1\mathrm{Object}2}^P=1/k_{\mathrm{Object}2}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{Object}1,j}{a}_{\mathrm{Object}2,j}}{k_j}\\ =\frac{1}{1}*(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*0}{2}+\frac{0*0}{2})=\frac{1}{4}\end{array}$

$\begin{array}{c}{W}_{\mathrm{Object}2\mathrm{Object}1}^P=1/k_{\mathrm{Object}1}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{Object}2,j}{a}_{\mathrm{Object}1,j}}{k_j}\\ =\frac{1}{3}*(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*0}{2}+\frac{0*0}{2})=\frac{1}{12}\end{array}$

类似地，

$W_{\mathrm{Object}1\mathrm{Object}3}^P=\frac{1}{3}(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*1}{2}+\frac{0*0}{2})=\frac{1}{4}$

$W_{\mathrm{Object}3\mathrm{Object}1}^P=\frac{1}{3}(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*1}{2}+\frac{0*0}{2})=\frac{1}{4}$

$W_{\mathrm{Object}1\mathrm{Object}4}^P=\frac{1}{2}(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*1}{2}+\frac{0*0}{2})=\frac{3}{8}$

$W_{\mathrm{Object}4\mathrm{Object}1}^P=\frac{1}{3}(\frac{1*0}{2}+\frac{1*1}{4}+\frac{1*1}{2}+\frac{0*0}{2})=\frac{1}{12}$

采用上述计算公式以此类推，可以得到如下表二所示的各目标对象之间的覆盖率相似度。

表二各目标对象的覆盖率相似度

	Object1	Object2	Object3	Object4	Object5
						Object1	5/12	1/4	1/4	3/8	0
Object2	1/12	1/4	1/12	1/8	0
						Object3	1/4	1/4	5/12	1/8	0
Object4	1/4	1/4	1/12	3/8	0
						Object5	0	0	0	0	1/2

相应地，对准确率相似度的计算，通过对上述式(1)和式(2)相比较可以发现，式(1)与式(2)所获得的结果之间实际上是互为转置矩阵。因此，可以得到下述表三中所示的各目标对象之间的准确率相似度。

表三各目标对象之间的准确率相似度

Object1

Object2

Object3

Object4

Object5

Object1	5/12	1/12	1/4	1/4	0
						Object2	1/4	1/4	1/4	1/4	0
Object3	1/4	1/12	5/12	1/12	0
						Object4	3/8	1/8	1/8	3/8	0
Object5	0	0	0	0	1/2

在分别基于覆盖率相似度确定针对覆盖率的得分值以及基于准确率相似度确定针对准确率的得分值后，再最终确定各目标对象的推荐度得分值的情况下，结合上述表一中的用户信息与目标对象的对应关系以及表二中的各目标对象的覆盖率相似度，可以确定出基于覆盖率各用户相对于各目标对象的分值。

以用户1(user1)为例，user1与object1、object4之间有关联关系，从而，可以计算确定出该user1相对于object1的覆盖率得分值为：

${{\mathrm{Score}}^P}_{\mathrm{1,1}}=1*\frac{5}{12}+0*\frac{1}{4}+0*\frac{1}{4}+1*\frac{3}{8}+0*0=\frac{19}{24}$

user1相对于object2的覆盖率得分值为

${{\mathrm{Score}}^P}_{1,2}=1*\frac{1}{12}+0*\frac{1}{4}+0*\frac{1}{12}+1*\frac{1}{8}+0*0=\frac{5}{24}$

余下的分值以此类推，在此不予赘述。

类似地，结合上述表一中的用户信息与目标对象的对应关系以及表三中的各目标对象的准确率相似度，可以确定出基于准确率的各用户相对于各目标对象的分值。

以用户1(user1)为例，user1与object1、object4之间有关联关系，从而，可以计算确定出该user1相对于object1的准确率得分值为：

${{\mathrm{Score}}^H}_{\mathrm{1,1}}=1*\frac{5}{12}+0*\frac{1}{12}+0*\frac{1}{4}+1*\frac{1}{4}+0*0=\frac{2}{3}$

user1相对于object2的准确率得分值为

${{\mathrm{Score}}^P}_{1,2}=1*\frac{1}{4}+0*\frac{1}{4}+0*\frac{1}{4}+1*\frac{1}{4}+0*0=\frac{1}{2}$

余下的分值以此类推，在此不予赘述。

在得到上述覆盖率得分值和准确率得分值之后，可以基于覆盖率得分值和准确率得分值确定最终的推荐度得分值。在具体应用时，可以是将覆盖率得分值和覆盖率得分值线性相加所获得的值作为最终的推荐度得分值。在进行线性详加时，可以设置有加权系数，该加权系数的具体数值，可以基于对覆盖率和准确率的权衡做不同的设置。

在得到最终相似度之后，基于最终相似度确定各目标对象的推荐度得分值的情况下，基于上述和可以确定出最终相似度：

$W_{\mathrm{\α\β}}^{H+P}=\frac{1}{k_{\mathrm{\α}}^{1-\mathrm{\λ}}{k}_{\mathrm{\β}}^{\mathrm{\λ}}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

得到了最终相似度矩阵之后，则基于该最终相似度矩阵确定出各用户信息相对于各目标对象的最终推荐度得分值，在其中一个应用方式中，可以采用协同过滤的方式来确定该最终的推荐度得分值：其中Score为历史得分值，为最终的推荐度得分值，该推荐度得分值是一个预测分值。

在得到最终的推荐度得分值后，针对某个用户信息，可以将推荐度得分值大于某个预定阈值的目标推向组成待推荐列表，并将该待推荐列表发送给该用户信息对应的用户所在的终端，进行信息推荐。该预定阈值根据实际需要可以做不同的设定。

在本发明的一个具体示例中，目标对象还可以包括与所述用户信息相关联的标签信息，即将标签信息作为目标对象的一部分进行信息推荐。图2示出了一个具体示例中的用户信息与目标对象间的对应关系的示意图。如图2所示，假设该用户设置了标签“女性”，则该用户的用户信息与标签“女性”有关联关系，其余的以此类推。

结合图2所示，这些标签信息作为目标对象的一部分与用户信息产生关联。从而，基于该标签信息，对于新加入的用户或者说未与已有的目标对象产生任何关联关系的用户来说，也可以确定出针对该用户的用户信息的待推荐列表，避免了这类用户无法得到待推荐列表的情况，进一步提高了准确性。需要说明的是，图2中只以其中三种标签进行举例说明，在实际的具体应用中，该标签信息的类型以及个数基于实际应用的不同可以做不同的设置，在此不予详加赘述。

基于与上述本发明的信息推荐方法相同的思想，本发明还提供一种信息推荐系统。图3、图4中示出了本发明的信息推荐系统的两个实施例的结构示意图。如图3、图4所示，本发明实施例的信息推荐系统包括有：

信息获取模块301，用于获取用户信息与目标对象信息之间的关联关系；

覆盖率相似度确定模块302，用于根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

准确率相似度确定模块303，用于根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

推荐度得分值确定模块304，用于根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值；

待推荐列表确定模块305，用于根据各目标对象的推荐度得分值，确定待推荐列表。

根据上述本发明实施例的方案，其是在确定目标对象之间的覆盖率相似度、准确度相似度的基础上，确定各目标对象的推荐度得分值，并基于该推荐度得分值确定待推荐列表来进行推荐，从而不仅提高了进行信息推荐的覆盖率，还提高了信息推荐的准确度。

其中，上述推荐度得分值确定模块304确定推荐度得分值时，可以采用不同的方式进行。

在其中一种方式中，可以是基于覆盖率相似度确定针对覆盖率的得分值以及基于准确率相似度确定针对准确率的得分值后，再最终确定各目标对象的推荐度得分值。此时，如图3所示，上述推荐度得分值确定模块304包括：

覆盖率得分值确定模块3041，用于根据所述覆盖率相似度、分别与各用户相关联的目标对象的数目，确定所述目标用户相对于各目标对象的覆盖率得分值；

准确度得分值确定模块3042，用于根据所述准确率相似度、目标对象分别与各用户之间的关联关系、以及分别与各目标对象相关联的用户数目，确定所述目标用户相对于各目标对象的准确率得分值；

分值确定模块3043，用于根据所述覆盖率得分值和准确率得分值确定各目标对象的推荐度得分值。

在另外一种方式中，可以是在得到最终相似度之后，基于最终相似度确定各目标对象的推荐度得分值。此时，如图4所示，上述推荐度得分值确定模块304包括：

最终相似度确定模块3044，用于根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度；

分值确定模块3045，用于根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值。

其中，在一个具体示例中，覆盖率相似度确定模块302在确定覆盖率相似度时，可以采用下述公式计算：

$W_{\mathrm{\α\β}}^P=1/k_{\mathrm{\β}}{\mathrm{\Σ}}_{j=1}^u\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

在一个具体示例中，准确率相似度确定模块303在确定准确率相似度时，可以采用下述公式计算：

$W_{\mathrm{\α\β}}^H=1/k_{\mathrm{\α}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

基于上述覆盖率相似度、准确率相似度，推荐度得分值确定模块304中的最终相似度确定模块3044确定最终相似度时，可以采用下述公式进行：

$W_{\mathrm{\α\β}}^{H+P}=\frac{1}{k_{\mathrm{\α}}^{1-\mathrm{\λ}}{k}_{\mathrm{\β}}^{\mathrm{\λ}}}{\mathrm{\Σ}}_{j=1}^u\mathrm{\Σ}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数，λ为预设比值。

其中，上述预设比值λ体现了覆盖率与准确度之间的权衡关系，具体λ的值的大小，可以基于对覆盖率和准确度的权衡因素的不同可以做不同的设置。如需要更大的覆盖率，则λ的值需设置的越小，若需要更高的准确度，则λ的值需设置的越大。

在得到最终的推荐度得分值后，针对某个用户信息，可以将推荐度得分值大于某个预定阈值的目标推向组成待推荐列表，并将该待推荐列表发送给该用户信息对应的用户所在的终端，进行信息推荐。该预定阈值根据实际需要可以做不同的设定。

在本发明的一个具体示例中，目标对象还可以包括与所述用户信息相关联的标签信息，即将标签信息作为目标对象的一部分进行信息推荐。图2示出了一个具体示例中的用户信息与目标对象间的对应关系的示意图。如图2所示，假设该用户设置了标签“女性”，则该用户的用户信息与标签“女性”有关联关系，其余的以此类推。

结合图2所示，这些标签信息作为目标对象的一部分与用户信息产生关联。从而，基于该标签信息，对于新加入的用户或者说未与已有的目标对象产生任何关联关系的用户来说，也可以确定出针对该用户的用户信息的待推荐列表，避免了这类用户无法得到待推荐列表的情况，进一步提高了准确性。需要说明的是，图2中只以其中三种标签进行举例说明，在实际的具体应用中，该标签信息的类型以及个数基于实际应用的不同可以做不同的设置，在此不予详加赘述。

本领域普通技术人员可以理解的是，实现上述本发明实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。因此，根据上述本发明实施例方案，本发明还提供一种包含计算机可读程序的存储介质，当该存储介质中的计算机可读程序执行时，可以实现上述任何一种方式中的本发明的信息推荐方法。

如上所述的本发明实施例的方法，可以以软件的形式安装于相应的机器设备上，并在该软件运行时通过控制相关的处理设备来完成上述的智能心跳保活的过程。相应地，上述智能心跳保活系统可以是设置安装在相应的终端设备上，也可以是相应的终端设备本身，这里的终端设备可以是手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、车载电脑等任意终端设备。

据此，基于上述本发明的方案，本发明还提供一种终端设备，该终端设备可以是手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、车载电脑、服务器等任意一种可以进行信息推荐的终端设备。

据此，以下以其中一种终端设备为例，图5中示出了该终端设备的部分结构框图。参考图5，该终端设备包括：存储器510、输入单元520、显示单元530、处理器540、通信模块550等部件。本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对应用在本发明方案中的终端设备的限定，具体的终端设备可以包括比图示中更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图5对该终端设备的各个构成部件进行具体的介绍。

存储器510可用于存储软件程序以及模块，处理器540通过运行存储在存储器510的软件程序以及模块，从而执行与该终端设备相关的各种功能应用以及数据处理。存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元520可用于接收输入的数字、字符或者其他信息，以及产生与终端设备的用户设置以及功能控制有关的键信号输入。

具体地，以终端设备为手机为例，该输入单元520可包括触控面板以及其他输入设备。触控面板，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器540，并能接收处理器540发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板，输入单元520还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元530可用于显示由用户输入的信息或提供给用户的信息以及各种菜单。显示单元530可包括显示面板，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板。

终端设备通过通信模块550可以实现与其他设备之间的通信，该通信模块550可以采用任何可能的方式实现，例如WiFi模块、蓝牙通信、光纤通信等等，通过通信模块550实现了终端设备与其他设备之间的通信。

处理器540是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器510内的软件程序和/或模块，以及调用存储在存储器510内的数据，执行终端设备的各种功能和数据处理，从而对终端设备进行整体监控。可选的，处理器540可包括一个或多个处理单元。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种信息推荐方法，其特征在于，包括步骤：

获取用户信息与目标对象信息之间的关联关系；

根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值；

根据各目标对象的推荐度得分值，确定待推荐列表。

2.根据权利要求1所述的信息推荐方法，其特征在于，根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值的方式包括：

根据所述覆盖率相似度、分别与各用户相关联的目标对象的数目，确定所述目标用户相对于各目标对象的覆盖率得分值；

根据所述准确率相似度、目标对象分别与各用户之间的关联关系、以及分别与各目标对象相关联的用户数目，确定所述目标用户相对于各目标对象的准确率得分值；

根据所述覆盖率得分值和准确率得分值确定各目标对象的推荐度得分值。

3.根据权利要求1所述的信息推荐方法，其特征在于，根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值的方式包括：

根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度，并根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值。

4.根据权利要求1所述的信息推荐方法，其特征在于，采用下述公式计算所述覆盖率相似度：

$W_{\mathrm{\α\β}}^P=1/k_{\mathrm{\β}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

5.根据权利要求1所述的信息推荐方法，其特征在于，采用下述公式计算所述准确率相似度：

$W_{\mathrm{\α\β}}^H=1/k_{\mathrm{\α}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

6.根据权利要求1所述的信息推荐方法，其特征在于，采用下述公式计算最终相似度：

$W_{\mathrm{\α\β}}^{H+P}=\frac{1}{k_{\mathrm{\α}}^{1-\mathrm{\λ}}{k}_{\mathrm{\β}}^{\mathrm{\λ}}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数，λ为预设比值。

7.根据权利要求1至6任意一项所述的信息推荐方法，其特征在于，所述目标对象包括与所述用户信息相关联的标签信息。

8.一种信息推荐系统，其特征在于，包括：

信息获取模块，用于获取用户信息与目标对象信息之间的关联关系；

覆盖率相似度确定模块，用于根据各用户信息与各目标对象间的关联关系、分别与各目标对象相关联的用户数目，确定目标对象之间的覆盖率相似度；

准确率相似度确定模块，用于根据各用户信息与各目标对象间的关联关系、分别与各用户相关联的目标对象的数目，确定各目标对象之间的准确率相似度；

推荐度得分值确定模块，用于根据所述覆盖率相似度、所述准确率相似度确定各目标对象的推荐度得分值；

待推荐列表确定模块，用于根据各目标对象的推荐度得分值，确定待推荐列表。

9.根据权利要求8所述的信息推荐系统，其特征在于，所述推荐度得分值确定模块包括：

覆盖率得分值确定模块，用于根据所述覆盖率相似度、分别与各用户相关联的目标对象的数目，确定所述目标用户相对于各目标对象的覆盖率得分值；

准确度得分值确定模块，用于根据所述准确率相似度、目标对象分别与各用户之间的关联关系、以及分别与各目标对象相关联的用户数目，确定所述目标用户相对于各目标对象的准确率得分值；

分值确定模块，用于根据所述覆盖率得分值和准确率得分值确定各目标对象的推荐度得分值。

10.根据权利要求8所述的信息推荐系统，其特征在于，所述推荐度得分值确定模块包括：

最终相似度确定模块，用于根据所述覆盖率相似度、所述准确率相似度确定各目标对象之间的最终相似度；

分值确定模块，用于根据所述最终相似度、各目标对象相对于各用户信息的历史推荐度得分值，确定各目标对象的推荐度得分值。

11.根据权利要求8所述的信息推荐系统，其特征在于，所述覆盖率相似度确定模块采用下述公式计算所述覆盖率相似度：

$W_{\mathrm{\α\β}}^P=1/k_{\mathrm{\β}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数。

12.根据权利要求8所述的信息推荐系统，其特征在于，所述准确率相似度确定模块采用下述公式计算所述准确率相似度：

$W_{\mathrm{\α\β}}^H=1/k_{\mathrm{\α}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则α_αj值为1，否则为0，u表示用户数目的总数。

13.根据权利要求10所述的信息推荐系统，其特征在于，所述推荐度得分值确定模块采用下述公式计算最终相似度：

$W_{\mathrm{\α\β}}^{H+P}=\frac{1}{k_{\mathrm{\α}}^{1-\mathrm{\λ}}{k}_{\mathrm{\β}}^{\mathrm{\λ}}}\underset{j=1}{\overset{u}{\mathrm{\Σ}}}\frac{a_{\mathrm{\αj}}{a}_{\mathrm{\βj}}}{k_j}$

其中，k_α表示与目标对象α有相关联的用户数目，k_β表示与目标对象β有相关联的用户数目，k_j表示与用户j相关联的目标对象的数目，a_αj表示用户j与目标对象α之间的关系，如果用户j与目标对象α相关联，则a_αj值为1，否则为0，a_βj表示用户j与目标对象β的关系，如果用户j与目标对象β相关联，则a_αj值为1，否则为0，u表示用户数目的总数，λ为预设比值。

14.根据权利要求8至13任意一项所述的信息推荐系统，其特征在于，所述目标对象包括与所述用户信息相关联的标签信息。