CN104951563A - 一种待推荐对象的确定方法及装置 - Google Patents

Abstract

本发明实施例公开了一种待推荐对象的确定方法及装置。一种待推荐对象的确定方法，可以包括以下步骤：获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；确定热点推荐对象的集合；对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。应用本发明实施例所提供的技术方案，充分考虑了用户对于热点对象的喜好，避免了推荐对象的单一性，推荐的准确率较高，可以提升用户体验。

Description

一种待推荐对象的确定方法及装置

技术领域

本发明涉及互联网技术领域，特别涉及一种待推荐对象的确定方法及装置。

背景技术

随着互联网技术的快速发展，各种类型网站大量涌现，给人们的工作和生活带来了便利。比如，视频网站，为用户提供了各种类型的视频文件以供人们休闲和娱乐，再如，购物网站，为用户提供了各种类型的商品，可以满足人们的日常需求。随着时间的积累，网站中的对象数量越来越多，为了更好的推广对象及为用户带来更好的用户体验，网站会针对目标用户进行相应的对象推荐。

目前，常见的推荐方法是通过分析目标用户的关注行为数据，确定目标用户关注的对象的内容，如文本、元数据、特征等，将与之相关的其他对象推荐给目标用户。

现有的这种推荐方法单纯依靠目标用户的关注行为数据，得到与目标用户所关注的对象相关的对象进行推荐，比较单一，忽略了用户对于热点对象的喜好，推荐的准确性不高，用户体验较差。

发明内容

为解决上述问题，本发明实施例公开了一种待推荐对象的确定方法及装置。技术方案如下：

一种待推荐对象的确定方法，包括：

获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；

分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数；

确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；

根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；

将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

在本发明的一种具体实施方式中，所述第一时间段由相等的多个子时间段构成，所述方法还包括：

从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数；

根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数；

针对各个子时间段：

获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象；

将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率；

根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；

所述根据确定的每一个对象的总关注次数，确定热点推荐对象的集合，包括：

根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合；

所述对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合，包括：

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

在本发明的一种具体实施方式中，所述对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合，包括：

根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

在本发明的一种具体实施方式中，还包括：

获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；

根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；

将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

在本发明的一种具体实施方式中，还包括：

获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；

判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值；

如果是，则调整所述第一时间段。

一种待推荐对象的确定装置，包括：

行为数据获得模块，用于获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；

关注次数提取模块，用于分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数；

关注次数确定模块，用于确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；

热点推荐对象确定模块，用于根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；

个性推荐对象获得模块，用于对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；

待推荐对象确定模块，用于将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

在本发明的一种具体实施方式中，所述第一时间段由相等的多个子时间段构成，所述装置还包括：

待推荐对象个数确定模块，用于从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数；根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数；

个性率确定模块，用于针对各个子时间段：获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象；将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率；

热点推荐对象个数及个性推荐对象个数确定模块，用于根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；

所述热点推荐对象确定模块，具体用于：

根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合；

所述个性推荐对象获得模块，具体用于：

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

在本发明的一种具体实施方式中，所述个性推荐对象获得模块，具体用于：

根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

在本发明的一种具体实施方式中，还包括个性率调整模块：

所述个性率调整模块，用于获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

在本发明的一种具体实施方式中，还包括第一时间段调整模块：

所述第一时间段调整模块，用于获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值；如果是，则调整所述第一时间段。

应用本发明实施例所提供的技术方案，根据获得的包含目标用户在内的多个用户的关注行为数据，确定出目标用户对于热点对象的喜好，得到热点推荐对象的集合，并将目标用户与其他用户的关注行为数据进行协同过滤，得到个性推荐对象的集合，合并热点推荐对象的集合与个性推荐对象的集合，得到待推荐对象的集合，充分考虑了用户对于热点对象的喜好，避免了推荐对象的单一性，推荐的准确率较高，可以提升用户体验。

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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中待推荐对象的确定方法的一种实施流程图；

图2为本发明实施例所基于的系统框架的结构示意图；

图3为本发明实施例中待推荐对象的确定方法的另一种流程图；

图4为本发明实施例中一种实验结果的示意图；

图5为本发明实施例中另一种实验结果的示意图；

图6为本发明实施例中待推荐对象的确定装置的一种结构示意图。

具体实施方式

为了使本领域技术人员更好地理解本发明实施例中的技术方案，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，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。基于本发明中的实施例，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，都属于本发明保护的范围。

参见图1所示，为本发明实施例所提供的一种待推荐对象的确定方法的实施流程图，该方法可以包括以下步骤：

S110：获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据。

在互联网上，网站上的用户在网站上的行为都可以被记录下来，形成用户行为数据。用户对网站中对象的关注行为所形成的用户行为数据即为关注行为数据。

可以理解的是，用户对对象的关注行为可以是对对象的观看行为，点击行为，收藏行为、分享行为等行为中的一种或多种行为。当然，在不同网站中，用户的关注行为的具体形式可能不同，本发明对此不做限制。

每个网站都有与其相对应的对象，比如视频网站对应的对象为视频文件，购物网站对应的对象为商品。可以根据实际情况，预先设置关注对象组，该关注对象组中的对象可以是网站中的全部对象，还可以是网站中的部分对象，如具有一定推广意义的对象。

目标用户可以是网站中的任一个用户，或者是会员用户，也就是说网站可以针对全部用户或者某一类型的用户进行相应的对象的推荐。在多个用户中，除目标用户外的其他用户可以是网站中除目标用户外的所有用户或者是根据一定的要求确定的用户，如网站中的活跃用户、会员用户等。网站中的活跃用户或会员用户的关注行为数据对于推荐的参考意义较大。

在预设的第一时间段内，包含目标用户在内的多个用户对于预设关注对象组中的对象的关注行为，可以形成关注行为数据。获得该多个用户的关注行为数据后，可以继续执行步骤S120或步骤S150的操作。

S120：分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数。

在不同网站中，用户对于对象的关注行为的具体形式可能不同，以视频网站为例，关注行为可以是观看行为、收藏行为等。用户对于某一对象的关注次数可以通过不同关注行为的总次数确定，还可以通过某一具体关注行为的次数确定。

在用户的关注行为数据中，记录有用户对与每一个关注对象的关注行为，可以从用户的关注行为数据中提取该用户对于预设关注对象组中每一个对象的关注次数。比如，在视频网站中，用户观看某一视频文件的次数为5次，在该用户的关注行为数据中可以得到该次数，从而可以确定该用户对于该视频文件的关注次数为5次，如果该用户的关注行为数据中同时记录有该用户对该视频文件的收藏行为，则可以确定该用户对于该视频文件的关注次数可以为6次。在实际应用中，对于不同用户对于对象的关注次数的统计使用相同的具体关注行为即可。

对于步骤S110所述的多个用户中的每一个用户，都可以从该用户的行为数据中提取该用户对预设关注对象组中每一个对象的关注次数。

S130：确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数。

步骤S110获得的是在预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据，当步骤S120分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数后，可以计算得到在第一时间段内每一个对象被该多个用户关注的总关注次数。

比如，在第一时间段内，从用户1、用户2、用户3、用户4的关注行为数据中提取到的这四个用户对预设关注组中的对象A、对象B、对象C的关注次数为表1所示：

	对象A	对象B	对象C
				用户1	5	1	0
用户2	3	3	2
				用户3	6	2	1
用户4	2	7	5

表1

从表1可以得到，对象A被这四个用户关注的总关注次数为5+3+6+2＝16(次)，对象B被这四个用户关注的总关注次数为1+3+2+7＝13(次)，对象C被这四个用户关注的总关注次数为0+2+1+5＝8(次)。

S140：根据确定的每一个对象的总关注次数，确定热点推荐对象的集合。

可以理解的是，在网站中，如果较多用户均对某一对象发生了关注行为，那么，可以该对象可能为热点对象，是在第一时间段内较多用户均比较感兴趣的对象。在步骤S130，确定了每一个对象的总关注次数，可以根据确定的每一个对象的总关注次数，按照总关注次数从大到小的顺序对这些对象进行排序，选取预设数量的对象作为热点推荐对象，或者选取符合预设比例要求的对象作为热点推荐对象。所确定的多个热点推荐对象构成热点推荐对象的集合。

S150：对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合。

所谓协同过滤，是指协同过滤分析用户的兴趣，在用户群中查找与指定用户的兴趣相似的用户，综合这些兴趣相似的用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度的预测。

在本发明的一种具体实施方式中，步骤S150可以包括以下步骤：

步骤一：根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

步骤二：针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

步骤三：根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

为方便理解，将上述三个步骤结合起来进行说明。

在步骤S110获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据后，可以先对这些原始关注行为数据进行噪声去除处理，然后在进行去噪处理后的关注行为数据中进行特征提取，提取结果可以以三元组<用户、对象、用户对对象的隐式评分>呈现，通过该三元组可以构建评分矩阵，评分矩阵中的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分。

对于用户对所关注对象的隐式评分，可以通过用户的级别及用户对所关注对象的关注次数获得，如果用户在网站中的级别越高，在进行对其所关注的对象的隐式评分时可以给予较高的权重。比如，用户为会员用户，其对某对象的关注次数高于某一预设阈值，则将该用户对该对象的隐式评分确定为预设的分数，如果其对某对象的关注次数低于另一预设阈值，则可以将该用户对该对象的隐式评分确定为另一预设的分数。也就是，利用用户对所关注对象的关注次数可以模拟用户对该对象的隐式评分。

从目标用户的关注行为数据中，可以得到目标用户关注的对象的标识，对于多个用户中除目标用户外的各个用户而言，可以根据目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度。具体相似度的计算方法可以有多种，如根据共同关注对象的个数进行确定，或者根据共同关注对象的个数与关注对象的总个数的比值进行确定。以后一种方法为例，目标用户关注的对象共有10个，对于多个用户中除目标用户外的任一个用户来说，如果该用户关注的对象与目标用户关注的对象相同的对象的个数为8个，则可以计算该用户与目标用户之间的相似度为8/10＝0.8。

对于多个用户中除目标用户外的任一个用户来说，计算得到的相似度越高，表明该用户与目标用户的兴趣越相似。可以判断相似度是否高于预设第一阈值，如果是，则将该用户确定为目标用户的兴趣相似用户。

需要说明的是，本发明实施例对步骤S120和步骤S150没有执行顺序的限制，执行步骤S110后可以先顺序执行步骤S120、步骤S130和步骤S140，再执行步骤S150，或者执行步骤S110后先执行步骤S150，再顺序执行步骤S120、步骤S130和步骤S140，或者同时执行步骤S120和步骤S150。

S160：将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

步骤S140得到热点推荐对象的集合，步骤S150得到个性推荐对象的集合，将这两个集合进行合并，可以得到针对目标用户的待推荐对象的集合。进一步的，可以将该待推荐对象的集合中的对象推荐给目标用户。

应用本发明实施例所提供的技术方案，根据获得的包含目标用户在内的多个用户的关注行为数据，确定出目标用户对于热点对象的喜好，得到热点推荐对象的集合，并将目标用户与其他用户的关注行为数据进行协同过滤，得到个性推荐对象的集合，合并热点推荐对象的集合与个性推荐对象的集合，得到待推荐对象的集合，充分考虑了用户对于热点对象的喜好，避免了推荐对象的单一性，推荐的准确率较高，可以提升用户体验。

在本发明的一个实施例中，第一时间段可以由相等的多个子时间段构成，该方法还可以包括以下步骤：

第一个步骤：从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数。

步骤S110获得了在第一时间段内目标用户的关注行为数据，从目标用户的关注行为数据中可以提取得到目标用户在各个子时间段内关注的对象及关注的对象的个数。比如，第一时间段为一个月，各子时间段为这一个月的每一天，从目标用户的关注行为数据中，获得目标用户在每一天关注的对象的个数。

第二个步骤：根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数。

在第一个步骤中，获得了目标用户在各个子时间段内关注的对象的个数，将所有子时间段对应的个数进行平均，可以得到针对目标用户的待推荐对象的个数。也就是根据目标用户在各个子时间段关注的对象的个数，对要推荐给该目标用户的对象的个数进行预测。

针对各个子时间段，可以继续执行第三个步骤的操作。

第三个步骤：获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率。

所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象。

为方便理解，举例说明。

在某个子时间段内，对象A被步骤S110中的多个用户关注的总关注次数为5，对象B被步骤S110中的多个用户关注的总关注次数为8，对象C被步骤S110中的多个用户关注的总关注次数为9，对象D被步骤S110中的多个用户关注的总关注次数为4，根据各个对象的总关注次数，确定该子时间段的热点对象为对象B和对象C。目标用户关注的对象有3个，分别为对象B、对象E和对象F，在目标用户关注的对象中对象B为热点对象，对象E和对象F可以确定为目标用户关注的个性化对象，该目标用户在该子时间段的个性率即为：2/3＝66.67％。

第四个步骤：将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率。

针对每个子时间段，均执行一次第三个步骤，则可以得到目标用户在各个子时间段内的个性率，将这些个性率进行平均，可以得到目标用户在第一时间段内的个性率。

第五个步骤：根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数。

根据第二个步骤得到针对目标用户的待推荐对象的个数，根据第四个步骤得到目标用户在第一时间段内的个性率，据此，可以确定出待推荐对象中热点推荐对象的个数及个性推荐对象的个数：

个性推荐对象的个数为：count_n＝n×λ；

热点推荐对象的个数为：count_o＝n×(1-λ)。

其中，n为待推荐对象的个数，λ为个性率。

相应的，步骤S140具体可以根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合。

步骤S150具体可以对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

根据目标用户的关注行为数据，确定要推荐给目标用户的对象的个数及个性率，据此确定出热点推荐对象的个数及个性推荐对象的个数，更贴合用户的需求，提高推荐对象的准确性。

确定出针对目标用户的待推荐对象的集合后，可以将待推荐对象中的对象推荐给目标用户。而在实际应用中，新用户的不断加入、新对象的出现，用户由于流行趋势或者新事物出现导致的兴趣变化等，都需要对推荐对象进行动态调整。

在本发明的一个实施例中，该方法还可以包括以下步骤：

步骤一：获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

步骤二：获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；

步骤三：根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；

步骤四：将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

为描述方便，将上述四个步骤结合起来进行说明。

将步骤S160得到的针对目标用户的待推荐对象的集合中的对象推荐给目标用户后，可以获得在此之后的第二时间段内包含目标用户在内的多个用户的关注行为数据，在目标用户的第二时间段内的关注行为数据中，可能包含目标用户针对当前的推荐对象的反馈数据。这里的多个用户可以与步骤S110中的多个用户相同或不同。

根据第二时间段内每一个对象被多个用户关注的总关注次数，可以确定第二时间段的热点对象，并进一步确定目标用户在第二时间段的个性率。

将第一时间段的个性率与第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则可以表明推荐对象所对应的第一时间段的个性率已经偏离了用户当前行为特征，需要对第一时间段的个性率进行调整。如果二者差值的绝对值不高于该预设第二阈值，则可以表明第一时间段的个性率与用户当前行为特征较为相似，对此可以不做调整。

具体的，可以采用基于多元线性回归的方法对个性率进行调整，参见下述公式：

其中，P、I、D为通过多次计算得到的经验值，ζ(i)为第i次进行待推荐对象的确定时使用的个性率与第i-1次进行待推荐对象的确定时使用的个性率的差值。

通过调整第一时间段的个性率，在进行下一次待推荐对象的确定时，可以根据调整后的个性率确定待推荐对象中热点推荐对象的个数与个性推荐对象的个数。这样，更符合用户的实际需求，可以提升用户体验。

在本发明的一个实施例中，该方法还可以包括以下步骤：

第一个步骤：获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

第二个步骤：根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；

第三个步骤：判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值，如果是，则执行第四个步骤；

第四个步骤：调整所述第一时间段。

为描述方便，将上述四个步骤结合起来进行说明。

将待推荐对象的集合中的对象推荐给目标用户后，可以获得目标用户在此之后第三时间段内的关注行为数据，并确定出目标用户关注的对象为待推荐对象的集合中的对象的个数，即目标用户在第三时间段内关注的对象有多少个是当前推荐给该目标用户的对象。如果当前推荐给目标用户的对象可以完全满足或者部分满足目标用户的需求，则目标用户关注的对象的集合与待推荐对象的集合会存在交集，交集中的对象即为目标用户在第三时间段内关注的对象为待推荐对象的集合中的对象，可以将交集中对象的个数与待推荐对象的集合中的对象的个数的比值确定为推荐准确率。

需要说明的是，在本发明实施例中，可以将第一时间段的多个用户的关注行为数据作为当前使用的训练集，如果当前训练集大小合适，则在不考虑其他因素的情况下推荐准确率应该比较高，反之，推荐准确率比较低。因此，如果推荐准确率低于预设第三阈值，可以表明当前的推荐对象对于目标用户来说不是很准确，目标用户对于推荐对象的兴趣不高，当前训练集大小不太合适。可以对当前训练集大小进行调整，也就是调整第一时间段。对推荐准确率与预设第三阈值的比较过程也就是性能评估过程。

在实际应用中，推荐、性能评估、调整为一个循环过程，也就是说在每一次执行推荐步骤时，第一时间段的关注行为数据可能发生变化，多次执行推荐、性能评估、调整的步骤，可以使得到的待推荐对象更为准确。

对于当前训练集的具体调整数量与调整的次数有关，如果调整的次数低于某一预设次数要求，如要求为3次，则可以对训练集进行线性调整，及每次对当前训练集加或减1个子时间段的关注行为数据，如果调整的次数高于该预设次数要求，则可以从该次，如第3次开始，对当前训练集进行指数调整，如对当前训练集加或减以2为底的指数个子时间段的关注行为数据，此即为采用“慢恢复”与“快调整”的实施方法。当然，本领域技术人员也可以通过其他方法对当前训练集进行调整，本发明实施例对此不做限制。

重复进行训练集的调整、推荐、性能评估，直到推荐准确率高于该预设第三阈值，将此时的训练集大小作为当前最优训练集大小，该次训练集调整过程结束。

在本发明实施例中，待推荐对象的确定、更新的过程可以基于控制理论的自适应动态系统框架，参见图2所示，该框架可以包括控制器210、调节器220、监控器230和待控制系统240。控制器210被配置为对待控制系统240动态性进行控制的系统，待控制系统240被配置为具有动态性的系统。

在控制方法产生一个足够保持动态系统性能的控制输入后，调节器220对此输入信号进行捕捉，并将这个信号以控制变量的方式传入待控制系统240中。系统经过控制变量作用后，产生动态性，并以性能变量进行表示。接着，监控器230监控到动态系统的输出并传回控制器210，并将其与设定的参考性能进行比较，计算出误差后产生下一次的控制输入。以此，完成一次对待控制系统的控制过程。

参见图3所示，为本发明实施例在图2所示框架基础上的流程图。

将包含目标用户的多个用户的关注行为数据作为当前训练集，输入到推荐系统301后，输出待推荐对象的集合302。一方面，将待推荐对象的集合302与目标用户的新的反馈，即将待推荐对象的集合中的对象推荐给目标用户后的一个时间段内目标用户的关注行为数据，利用用户行为动态性校验单元303进行个性率的比较，如果需要调整个性率，则利用推荐结果控制器中的个性率调整单元304进行个性率的调整，使用调整后的个性率确定待推荐对象的集合302中个性推荐对象的个数及热点推荐对象的个数；另一方面，将待推荐对象的集合302与目标用户的新的反馈，即将待推荐对象的集合中的对象推荐给目标用户后的一个时间段内目标用户的关注行为数据，利用准确率校验单元305进行推荐准确率的校验，以确定是否需要调整当前训练集，如果需要，则使用训练集控制器中的训练集调整单元306对当前训练集进行调整，并将调整后的训练集作为推荐系统301的输入。

应用本发明实施例所提供的技术方案，在应对系统动态变化时，无需对模型进行迭代更新，可以在用户的关注行为产生波动时再对其进行更新。本发明实施例所提供的待推荐对象的确定方法能够在用户的关注行为数据不断更新的情况下，节省由于动态性导致的系统更新的资源耗费，同时可以保持较高的推荐准确率，具有较好的推广应用价值。

通过实验得到的计算所需时间资源与控制器数量的关系如图4所示。

在图4中，横坐标表示天数，纵坐标表示在不同情况下推荐所需的时间。

401表示在没有控制器的情况下进行的实验，402表示在加入训练集控制器的情况下进行的实验，403表示在加入推荐结果控制器的情况下进行的实验，404表示同时加入训练集控制器和推荐结果控制器，即有双反馈环控制器的情况下进行的实验。从图4中可以看出，在没有控制器的情况下推荐耗费时间较长，增加了训练集控制器后时间耗费明显降低，这是由于训练集控制器对训练集数目进行了优化。

通过实验得到的推荐准确率与控制器数量的关系如图5所示。

在图5中，横坐标表示天数，纵坐标表示在不同情况下的推荐准确率。

501表示同时加入训练集控制器与推荐结果控制器，即有双反馈环控制器的情况下进行的实验，502表示在加入训练集控制器的情况下进行的实验，503表示在加入推荐结果控制器的情况下进行的实验，504表示在没有控制器的情况下进行的实验。从图5中可以看出，有双反馈环控制器的方案的推荐准确率最高，而没有控制器的方案的推荐准确率最低。这是由于训练集控制器和推荐结果控制器分别在训练集和用户动态性方面对系统进行了优化，因此也达到了较好的推荐准确率。

相应于上述方法实施例，本发明实施例还提供了一种待推荐对象的确定装置，参见图6所示，该装置可以包括以下模块：

行为数据获得模块610，用于获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；

关注次数提取模块620，用于分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数；

关注次数确定模块630，用于确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；

热点推荐对象确定模块640，用于根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；

个性推荐对象获得模块650，用于对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；

待推荐对象确定模块660，用于将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

应用本发明实施例所提供的装置，根据获得的包含目标用户在内的多个用户的关注行为数据，确定出目标用户对于热点对象的喜好，得到热点推荐对象的集合，并将目标用户与其他用户的关注行为数据进行协同过滤，得到个性推荐对象的集合，合并热点推荐对象的集合与个性推荐对象的集合，得到待推荐对象的集合，充分考虑了用户对于热点对象的喜好，避免了推荐对象的单一性，推荐的准确率较高，可以提升用户体验。

在本发明的一个实施例中，所述第一时间段由相等的多个子时间段构成，所述装置还可以包括以下模块：

待推荐对象个数确定模块，用于从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数；根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数；

个性率确定模块，用于针对各个子时间段：获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象；将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率；

热点推荐对象个数及个性推荐对象个数确定模块，用于根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；

所述热点推荐对象确定模块640，具体用于：

根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合；

所述个性推荐对象获得模块650，具体用于：

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

在本发明的一种具体实施方式中，所述个性推荐对象获得模块650，可以具体用于：

根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

在本发明的一个实施例中，该装置还可以包括个性率调整模块：

所述个性率调整模块，用于获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

在本发明的一个实施例中，该装置还可以包括第一时间段调整模块：

所述第一时间段调整模块，用于获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值；如果是，则调整所述第一时间段。

应用本发明实施例所提供的装置，在应对系统动态变化时，无需对模型进行迭代更新，可以在用户的关注行为产生波动时再对其进行更新。本发明实施例所提供的待推荐对象的确定方法能够在用户的关注行为数据不断更新的情况下，节省由于动态性导致的系统更新的资源耗费，同时可以保持较高的推荐准确率，具有较好的推广应用价值。

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。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种待推荐对象的确定方法，其特征在于，包括：

获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；

分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数；

确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；

根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；

将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

2.根据权利要求1所述的方法，其特征在于，所述第一时间段由相等的多个子时间段构成，所述方法还包括：

从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数；

根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数；

针对各个子时间段：

获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象；

将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率；

根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；

所述根据确定的每一个对象的总关注次数，确定热点推荐对象的集合，包括：

根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合；

所述对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合，包括：

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

3.根据权利要求1所述的方法，其特征在于，所述对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合，包括：

根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

4.根据权利要求2所述的方法，其特征在于，还包括：

获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；

根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；

将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

5.根据权利要求1或4所述的方法，其特征在于，还包括：

获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；

根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；

判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值；

如果是，则调整所述第一时间段。

6.一种待推荐对象的确定装置，其特征在于，包括：

行为数据获得模块，用于获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中各对象的关注行为数据；

关注次数提取模块，用于分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述预设关注对象组中每一个对象的关注次数；

关注次数确定模块，用于确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；

热点推荐对象确定模块，用于根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；

个性推荐对象获得模块，用于对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；

待推荐对象确定模块，用于将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述目标用户的待推荐对象的集合。

7.根据权利要求6所述的装置，其特征在于，所述第一时间段由相等的多个子时间段构成，所述装置还包括：

待推荐对象个数确定模块，用于从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的对象的个数；根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目标用户的待推荐对象的个数；

个性率确定模块，用于针对各个子时间段：获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对象；将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一时间段内的个性率；

热点推荐对象个数及个性推荐对象个数确定模块，用于根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；

所述热点推荐对象确定模块，具体用于：

根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的个数的热点推荐对象的集合；

所述个性推荐对象获得模块，具体用于：

对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个性推荐对象的集合。

8.根据权利要求6所述的装置，其特征在于，所述个性推荐对象获得模块，具体用于：

根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；

针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度是否高于预设第一阈值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；

根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标用户的个性推荐对象。

9.根据权利要求7所述的装置，其特征在于，还包括个性率调整模块：

所述个性率调整模块，用于获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并进一步确定所述目标用户在所述第二时间段的个性率；将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阈值，则对所述第一时间段的个性率进行调整。

10.根据权利要求6或9所述的装置，其特征在于，还包括第一时间段调整模块：

所述第一时间段调整模块，用于获得所述目标用户在第三时间段内的关注行为数据，所述第三时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；根据所述目标用户在所述第三时间段内的关注行为数据，确定所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数；判断推荐准确率是否低于预设第三阈值，所述推荐准确率为：所述目标用户关注的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总个数的比值；如果是，则调整所述第一时间段。