CN105335518A - 生成用户偏好信息的方法及装置 - Google Patents

Abstract

本公开是关于一种生成用户偏好信息的方法及装置，属于数据分析领域。方法包括：对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；根据统计结果计算生成所述第i个用户对所述每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

Description

生成用户偏好信息的方法及装置

技术领域

本公开涉及数据分析领域，特别涉及一种生成用户偏好信息的方法及装置。

背景技术

目前电子商务的竞争日趋激烈，在电子商务网站中提供商品的个性化推荐服务，辅助用户进行购物决策，可以有效地提高用户的交易体验，对于保持客户忠诚度有着重要意义。

电子商务网站提供个性化服务的前提是能够尽可能准确地获取用户的偏好信息，基于此才能准确地提供个性化服务。因此如何分析生成相对准确的用户偏好信息就显得尤为重要。

发明内容

本公开实施例提供了一种生成用户偏好信息的方法及装置，所述技术方案如下：

根据本公开实施例的第一方面，提供了一种生成用户偏好信息的方法，由网络服务器执行，该方法包括：

对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

可选的，所述根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息，包括：

对于所述每一个叶分类中的第j个分类，根据下列公式计算生成所述第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\≤J\≤m}{min}\left(r_{iJ}^1\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^1\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\≤J\≤m}{min}\left(r_{iJ}^2\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^2\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\≤J\≤m}{min}\left(r_{iJ}^3\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^3\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被所述第i个用户浏览过的商品的数量，是第J个叶分类中被所述第i个用户收藏的商品的数量，是第J个叶分类中被所述第i个用户购买的商品的数量，1≤j≤m。

可选的，所述方法还包括：

对于所述各个用户中的目标用户，根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度；

将与所述目标用户的偏好相似度最高的前x个用户确定为所述目标用户的邻居用户，x为预设的正整数；

根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品；

向所述目标用户对应的终端推送推荐信息，所述推荐信息用于指示所述待推荐商品。

可选的，所述根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度，包括：

对于所述各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算所述目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)=\frac{\underset{j}{\Σ}(r_{aj}-{\stackrel{\‾}{r}}_a)(r_{bj}-{\stackrel{\‾}{r}}_b)}{\sqrt{\underset{j}{\Σ}{(r_{aj}-{\stackrel{\‾}{r}}_a)}^2}\sqrt{\underset{j}{\Σ}{(r_{bj}-{\stackrel{\‾}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

可选的，所述根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品，包括：

确定被所述邻居用户浏览、收藏以及购买过的商品；

根据被所述邻居用户浏览、收藏以及购买过的商品确定待推荐商品。

根据本公开实施例的第二方面，提供了一种生成用户偏好信息的装置，用于网络服务器中，所述装置包括：

统计模块，用于对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

生成模块，用于根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

可选的，所述生成模块，用于对于所述每一个叶分类中的第j个分类，根据下列公式计算生成所述第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\≤J\≤m}{min}\left(r_{iJ}^1\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^1\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\≤J\≤m}{min}\left(r_{iJ}^2\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^2\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\≤J\≤m}{min}\left(r_{iJ}^3\right)}{\underset{1\≤J\≤m}{max}\left(r_{iJ}^3\right)-\underset{1\≤J\≤m}{min}\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被所述第i个用户浏览过的商品的数量，是第J个叶分类中被所述第i个用户收藏的商品的数量，是第J个叶分类中被所述第i个用户购买的商品的数量，1≤j≤m。

可选的，所述装置还包括：

相似度计算模块，用于对于所述各个用户中的目标用户，根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度；

邻居确定模块，用于将与所述目标用户的偏好相似度最高的前x个用户确定为所述目标用户的邻居用户，x为预设的正整数；

商品确定模块，用于根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品；

推荐模块，用于向所述目标用户对应的终端推送推荐信息，所述推荐信息用于指示所述待推荐商品。

可选的，所述相似度计算模块，用于对于所述各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算所述目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)=\frac{\underset{j}{\Σ}(r_{aj}-{\stackrel{\‾}{r}}_a)(r_{bj}-{\stackrel{\‾}{r}}_b)}{\sqrt{\underset{j}{\Σ}{(r_{aj}-{\stackrel{\‾}{r}}_a)}^2}\sqrt{\underset{j}{\Σ}{(r_{bj}-{\stackrel{\‾}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

可选的，所述商品确定模块，包括：

第一确定单元，用于确定被所述邻居用户浏览、收藏以及购买过的商品；

第二确定单元，用于根据被所述邻居用户浏览、收藏以及购买过的商品确定待推荐商品。

本公开实施例提供的技术方案可以包括以下有益效果：

对于n个用户中的第i个用户，通过统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量，根据统计获得的信息计算生成第i个用户对每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种生成用户偏好信息的方法的流程图；

图2A是根据另一示例性实施例示出的一种生成用户偏好信息的方法的流程图；

图2B是根据图2A所示实施例示出的一种商品分类树；

图3是根据一示例性实施例示出的一种生成用户偏好信息的装置的框图；

图4是根据另一示例性实施例示出的一种生成用户偏好信息的装置的框图；

图5是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种生成用户偏好信息的方法的流程图，该方法可以应用于电商网站的网络服务器中。该生成用户偏好信息的方法可以包括如下几个步骤：

步骤101，对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量。

步骤102，根据该每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量计算生成该第i个用户对该每一个叶分类的偏好信息。

其中，该叶分类是商品分类树中、底层商品的上一级分类，该商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

在电商网站中，商品可以通过商品分类树来进行组织，尽管商品在不断变化，但是商品分类树却相对稳定，作为底层的商品分类，叶分类的直接元素就是商品。因此，可以认为用户对商品的偏好在一定程度上可以被对叶分类的偏好所描述，而对叶分类的偏好可以通过用户在电商网站中对叶分类下的商品施加的三种行为来描述，即浏览、收藏以及完成交易。本发明实施例就是通过对用户在电商网站中对某一叶分类下的商品施加的上述三种行为的统计来生成用户偏好信息。

综上所述，本公开实施例所示的生成用户偏好信息的方法，对于n个用户中的第i个用户，通过统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量，根据统计获得的信息计算生成第i个用户对每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

图2A是根据另一示例性实施例示出的一种生成用户偏好信息的方法的流程图，该方法可以应用于电商网站的网络服务器中。该生成用户偏好信息的方法可以包括如下几个步骤：

步骤201，获取n个用户的行为记录，并生成商品分类树。

其中，以本公开所示的方法应用于电商网站中为例，该行为记录可以是该n个用户对电商网站中各个商品的浏览、收藏(比如加入购物车)以及购买的记录。

设网站当前正在出售的商品集合为P，则P＝{p₁,p₂,p₃,...,p_f}，或者，也可以表示为P＝{url₁,url₂,url₃,...,url_f}，其中f为正在出售的商品数量。p_i或url_i表示第i个具体的商品或商品的URL(UniformResourceLocator，统一资源定位符)。

电商网站中的商品通常可以按照树形分类，即可以通过商品分类树指示各个商品的分类结构，叶分类是商品分类树中、底层商品的上一级分类。请参考图2B所示的一种商品分类树，其中，该商品分类树是一个树形结构，最顶层为0层，表示所有的分类，第二层为1层，表示所有分类下的各大分类，第二层为2层，表示各大分类下的小分类，以此类推，最后一层为L层，表示各个分类下的所有的商品，其中，第L-1层就是本公开实施例中的叶分类。

步骤202，对于n个用户中的第i个用户，根据第i个用户的行为记录统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量。

其中，m和n为大于等于2的整数，1≤i≤n。

用户在电商网站的购物行为和过程可以被分解为三个阶段，即浏览与商品相应的网页、把选择的商品放入虚拟的收藏夹(购物车)，最后完成购物交易。这三种行为都代表了用户对商品的兴趣度，只是感兴趣的程度不同，存在一个偏好序，即：{从未浏览过的商品}<{浏览过的商品}<{收藏的商品}<{购买的商品}。其中，一个用户浏览过的商品、收藏的商品以及购买的商品可以用于分析该用户的偏好。

由于用户对商品的偏好可能会随时间而变化，因此，在本公开实施例中，服务器可以统计一个预设时间段内，m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量。该预设时间段可以是当前时间之前的一个预定长度时间段，比如一周或者一个月。

步骤203，根据该每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量计算生成该第i个用户对该每一个叶分类的偏好信息。

其中，对于每一个叶分类中的第j个分类，服务器可以根据下列公式计算第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^1\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^2\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^3\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被第i个用户浏览过的商品的数量，是第J个叶分类中被第i个用户收藏的商品的数量，是第J个叶分类中被第i个用户购买的商品的数量，1≤j≤m。

其中，为了方便后续处理，可以通过最大-最小规范化方法对上述公式中的每一个元素进行数据正规化，使得r_ij的值处于某一预设范围内，比如使r_ij的值处于0和3之间。

服务器计算n个用户中的每一个用户的偏好信息后，将各个用户的偏好信息组合生成用户-叶分类偏好矩阵，该偏好矩阵可以通过表格表述如下：

	U1	U2	……	Un
					C1	0.50	0.70	……	1.89
C2	1.25	1.33	……	2.60
					……	……	……	……	……
Cm	2.78	1.64	……	2.40

在上述表格中，U_i表示第i个用户，C_j表示第j个叶分类，U_i和C_j对应的数值表示用户i对叶分类j中个的商品的偏好信息。

可选的，在本公开实施例所示的方案中，还可以结合用户对浏览过的商品、收藏的商品以及购买的商品的感兴趣的程度，对上述公式中 以及赋予不同的权重，即在 $\frac{r_{ij}^1-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^1\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)},\frac{r_{ij}^2-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^2\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}$ 以及 $\frac{r_{ij}^3-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^3\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)}$ 的基础上乘以不同的数值，比如，可以在上乘以数值0.3，在上乘以数值0.5，在上乘以数值0.9，以此来体现不同的用户行为对商品的不同偏好程度。

步骤204，对于该各个用户中的目标用户，根据该各个用户各自对每一个叶分类的偏好信息计算该目标用户与其他用户之间的偏好相似度。

对于该各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算该目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)={\mathrm{corr}}_{ab}=\frac{\underset{j}{\&Sigma;}(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}{\sqrt{\underset{j}{\&Sigma;}{(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)}^2}\sqrt{\underset{j}{\&Sigma;}{(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

步骤205，将与该目标用户的偏好相似度最高的前x个用户确定为该目标用户的邻居用户，x为预设的正整数。

对于一个目标用户，若另一个用户与其偏好相似度越高，则另一个用户偏好的商品越有可能也是该目标用户所偏好的，因此，本公开实施例中，可以将与该目标用户的偏好相似度最高的前x个(比如前3个或者前5个)用户确定为该目标用户的邻居用户。该x的值可以由开发人员或维护人员自行设定或更改。

步骤206，根据该邻居用户对该各个商品的偏好信息确定待推荐商品。

确定被该邻居用户浏览、收藏以及购买过的商品；根据被该邻居用户浏览、收藏以及购买过的商品确定待推荐商品。

在确定待推荐商品是，可以优先推荐被各个邻居用户中最多用户浏览、收藏或者购买过的商品。

步骤207，向该目标用户对应的终端推送推荐信息，该推荐信息用于指示该待推荐商品。

需要说明的是，本公开实施例以将生成的用户偏好信息用于商品推荐为例进行说明，在实际应用中，该本公开实施例生成的用户偏好信息还可以用于其它方面，比如，用于分析用户的行为特征等，对于生成的用户偏好信息的应用场景，本公开实施例不做限定。

综上所述，本公开实施例所示的生成用户偏好信息的方法，对于n个用户中的第i个用户，通过统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量，根据统计获得的信息计算生成第i个用户对每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

图3是根据一示例性实施例示出的一种生成用户偏好信息的装置的框图，该装置可以通过硬件或者软硬结合的方式实现在电商网站的网络服务器中，以执行图1或者图2A所示的方法的全部或者部分步骤。该生成用户偏好信息的装置可以包括：

统计模块301，用于对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

生成模块302，用于根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

综上所述，本公开实施例所示的生成用户偏好信息的装置，对于n个用户中的第i个用户，通过统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量，根据统计获得的信息计算生成第i个用户对每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

图4是根据另一示例性实施例示出的一种生成用户偏好信息的装置的框图，该装置可以通过硬件或者软硬结合的方式实现在电商网站的网络服务器中，以执行图1或者图2A所示的方法的全部或者部分步骤。该生成用户偏好信息的装置可以包括：

统计模块301，用于对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

生成模块302，用于根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

可选的，所述生成模块302，用于对于所述每一个叶分类中的第j个分类，根据下列公式计算生成所述第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^1\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^2\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)}{\underset{1\&le;J\&le;m}{max}\left(r_{iJ}^3\right)-\underset{1\&le;J\&le;m}{min}\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被所述第i个用户浏览过的商品的数量，是第J个叶分类中被所述第i个用户收藏的商品的数量，是第J个叶分类中被所述第i个用户购买的商品的数量，1≤j≤m。

可选的，所述装置还包括：

相似度计算模块303，用于对于所述各个用户中的目标用户，根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度；

邻居确定模块304，用于将与所述目标用户的偏好相似度最高的前x个用户确定为所述目标用户的邻居用户，x为预设的正整数；

商品确定模块305，用于根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品；

推荐模块306，用于向所述目标用户对应的终端推送推荐信息，所述推荐信息用于指示所述待推荐商品。

可选的，所述相似度计算模块303，用于对于所述各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算所述目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)=\frac{\underset{j}{\&Sigma;}(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}{\sqrt{\underset{j}{\&Sigma;}{(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)}^2}\sqrt{\underset{j}{\&Sigma;}{(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

可选的，所述商品确定模块305，包括：

第一确定单元305a，用于确定被所述邻居用户浏览、收藏以及购买过的商品；

第二确定单元305b，用于根据被所述邻居用户浏览、收藏以及购买过的商品确定待推荐商品。

综上所述，本公开实施例所示的生成用户偏好信息的装置，对于n个用户中的第i个用户，通过统计m个叶分类中的每一个叶分类包含的商品中被该第i个用户浏览过的商品的数量、被该第i个用户收藏的商品的数量以及被该第i个用户购买的商品的数量，根据统计获得的信息计算生成第i个用户对每一个叶分类的偏好信息，通过用户对叶分类的偏好信息来表征用户对该叶分类下的商品的偏好，能够准确的获取用户的偏好信息的前提下，从而保证后续个性化服务的准确性。

需要说明的一点是，上述实施例提供的装置在执行生成用户偏好信息的方法时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种装置500的框图。例如，装置500可以被提供为一服务器。参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理部件522执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述图2、3或者4所示的方法。

装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种生成用户偏好信息的方法，其特征在于，由网络服务器执行，所述方法包括：

对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

2.根据权利要求1所述的方法，其特征在于，所述根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息，包括：

对于所述每一个叶分类中的第j个分类，根据下列公式计算生成所述第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^1\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^1\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^2\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^2\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^3\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^3\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被所述第i个用户浏览过的商品的数量，是第J个叶分类中被所述第i个用户收藏的商品的数量，是第J个叶分类中被所述第i个用户购买的商品的数量，1≤j≤m。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对于所述各个用户中的目标用户，根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度；

将与所述目标用户的偏好相似度最高的前x个用户确定为所述目标用户的邻居用户，x为预设的正整数；

根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品；

向所述目标用户对应的终端推送推荐信息，所述推荐信息用于指示所述待推荐商品。

4.根据权利要求3所述的方法，其特征在于，所述根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度，包括：

对于所述各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算所述目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)=\frac{\underset{j}{\&Sigma;}(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}{\sqrt{\underset{j}{\&Sigma;}{(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)}^2}\sqrt{\underset{j}{\&Sigma;}{(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

5.根据权利要求3所述的方法，其特征在于，所述根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品，包括：

确定被所述邻居用户浏览、收藏以及购买过的商品；

根据被所述邻居用户浏览、收藏以及购买过的商品确定待推荐商品。

6.一种生成用户偏好信息的装置，其特征在于，用于网络服务器中，所述装置包括：

统计模块，用于对于n个用户中的第i个用户，统计m个叶分类中的每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量；

生成模块，用于根据所述每一个叶分类包含的商品中被所述第i个用户浏览过的商品的数量、被所述第i个用户收藏的商品的数量以及被所述第i个用户购买的商品的数量计算生成所述第i个用户对所述每一个叶分类的偏好信息；

其中，所述叶分类是商品分类树中、底层商品的上一级分类，所述商品分类树指示各个商品的分类结构，m和n为大于等于2的整数，1≤i≤n。

7.根据权利要求6所述的装置，其特征在于，所述生成模块，用于对于所述每一个叶分类中的第j个分类，根据下列公式计算生成所述第i个用户对第j个叶分类的偏好信息r_ij：

$r_{ij}=\frac{r_{ij}^1-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^1\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^1\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^1\right)}+\frac{r_{ij}^2-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^2\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^2\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^2\right)}+\frac{r_{ij}^3-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^3\right)}{\underset{1\&le;J\&le;m}{\max }\left(r_{iJ}^3\right)-\underset{1\&le;J\&le;m}{\min }\left(r_{iJ}^3\right)};$

其中，是第J个叶分类中被所述第i个用户浏览过的商品的数量，是第J个叶分类中被所述第i个用户收藏的商品的数量，是第J个叶分类中被所述第i个用户购买的商品的数量，1≤j≤m。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

相似度计算模块，用于对于所述各个用户中的目标用户，根据所述各个用户各自对每一个叶分类的偏好信息计算所述目标用户与其他用户之间的偏好相似度；

邻居确定模块，用于将与所述目标用户的偏好相似度最高的前x个用户确定为所述目标用户的邻居用户，x为预设的正整数；

商品确定模块，用于根据所述邻居用户对所述各个商品的偏好信息确定待推荐商品；

推荐模块，用于向所述目标用户对应的终端推送推荐信息，所述推荐信息用于指示所述待推荐商品。

9.根据权利要求8所述的装置，其特征在于，所述相似度计算模块，用于对于所述各个用户中，除了目标用户a之外的任一用户b，根据下列公式计算所述目标用户与其他用户之间的偏好相似度sim(a，b)：

$sim(a,b)=\frac{\underset{j}{\&Sigma;}(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}{\sqrt{\underset{j}{\&Sigma;}{(r_{aj}-{\stackrel{\&OverBar;}{r}}_a)}^2}\sqrt{\underset{j}{\&Sigma;}{(r_{bj}-{\stackrel{\&OverBar;}{r}}_b)}^2}};$

其中，r_aj表示目标用户a对第j个叶分类的偏好值，r_bj表示用户b对第j个叶分类的偏好值，表示目标用户a对各个叶分类的偏好的平均值，表示用户b对各个叶分类的偏好的平均值，1≤j≤m。

10.根据权利要求8所述的装置，其特征在于，所述商品确定模块，包括：

第一确定单元，用于确定被所述邻居用户浏览、收藏以及购买过的商品；

第二确定单元，用于根据被所述邻居用户浏览、收藏以及购买过的商品确定待推荐商品。