CN105574198B - 一种栏目推荐方法及装置 - Google Patents

Abstract

本发明实施例提供一种栏目推荐方法及装置，解决了现有技术中无法针对用户需求和兴趣，为其推荐合适的栏目，推荐准确性不高的问题。该方法包括：获取栏目属性信息；根据所述栏目属性信息，计算目标用户与其他用户之间的相似度；根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集；根据所述目标用户的最近邻居集，计算目标用户对于未推荐栏目的预测评分；根据预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

Description

一种栏目推荐方法及装置

技术领域

本发明涉及推荐技术领域，尤其涉及一种栏目推荐方法及装置。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，推荐系统应运而生。

栏目是电视台每天播出的相对独立的信息单元，主要是单个节目的组合，是按照一定内容(如新闻、知识、文艺)编排布局的完整表现形式。通俗地讲，栏目为具有相同特征的视频归为一个栏目(如综艺、日韩电视剧、武侠电影、文艺电影、动作电影等)。现有的推荐系统主要为针对单个视频推荐，还有一些为针对栏目推荐。目前针对单个视频推荐都是以根据用户的兴趣和需求，生成视频推荐列表供用户观看，用户可以根据展示的列表点击观看自己感兴趣的视频。而视频推荐一般依据的思想是：根据用户看过的视频为其推荐没有看过的视频，但是这种思想不适用栏目推荐。目前对于栏目推荐，一般都是根据热门程度和以往经验人工设定的固定栏目，无法根据用户的需求和兴趣对其推荐对应的栏目。

发明内容

本发明的实施例提供一种栏目推荐方法及装置，能够针对用户需求和兴趣，为其推荐合适的栏目，提高推荐的准确性。

为达到上述目的，本发明的实施例采用如下技术方案：

本发明实施例提供一种栏目推荐方法，包括以下步骤：

获取栏目属性信息；

根据所述栏目属性信息，计算目标用户与其他用户之间的相似度；

根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集；

根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分；

根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

本发明实施例还提供了一种栏目推荐装置，包括：

获取模块，用于获取栏目属性信息；

相似度计算模块，用于根据栏目属性信息，计算目标用户与其他用户之间的相似度；

预测评分模块，用于根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集，并根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分；

推荐模块，用于根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

本发明实施例所提供的栏目推荐方法和装置，根据用户对栏目的历史操作信息即用户点击观看栏目的信息，计算用户之间的相似度，而用户对栏目的点击行为表明用户对栏目的喜好，这样与目标用户相似度高的用户可以被划为最近邻居集中，最近邻居集的用户对于栏目的喜好度也会比较类似，那么根据最近邻居集中的邻居用户对于未向目标用户推荐的栏目的评分就可以预测目标用户对于未推荐栏目的评分，再综合目标用户对于已观看栏目的历史评分就可以了解目标用户对于所有栏目的评分情况，从而了解目标用户对于栏目的喜好，进而生成推荐列表对目标用户进行推荐。这样相比于现有的采用固定的栏目推荐的方式，明显更针对用户的需求，提高了推荐的准确性，用户体验更好。

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为本发明实施例提供的一种栏目推荐方法的方法流程图；

图2为本发明实施例提供的一种栏目推荐装置的结构示意图。

具体实施方式

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。

本发明实施例提供一种栏目推荐方法，如图1所示，该方法包括：

101、栏目推荐装置获取栏目属性信息。

本发明实施例中的栏目推荐装置可以为管理所有终端设备的服务器，也可以为某一终端设备，该终端设备可以是智能电视或便携式、袖珍式或手持式的电子设备，例如，智能手机、平板电脑以及个人数字助理等，还可以为某一终端设备中的一个具体模块。

本发明实施例中的属性信息包括用户标识、用户所操作的栏目标识以及用户对栏目的历史操作信息。用户对栏目的历史操作信息主要指的是各个用户对于各个栏目的点击信息，用户对栏目的历史操作信息表明了用户对于栏目的喜好程度。其中，上述的用户标识可以为该用户的登陆账号或者其他可唯一表示该用户的标识，本实施例中采用U1、U2、U3……Un形式表示不同用户的标识；栏目标识可以为该栏目的名称或其他可唯一表示该栏目的标识，本实施例中采用L1、L2、L3、……、Lm表示不同栏目的标识。

示例性的，栏目推荐装置会获取预定时间范围内所有用户对栏目的操作数据，然后，对所有用户的操作数据进行预处理，提取出用户对栏目的历史操作信息。

优选地，栏目推荐装置根据所述栏目属性信息，获取各用户点击栏目标识的用户行为记录表，根据所述用户行为记录表，生成各栏目对应的操作用户标识的栏目-用户倒排表，根据所述栏目-用户倒排表，生成多个矩阵R。

具体地，栏目推荐装置根据用户的属性信息，生成用户行为记录表，所述用户行为记录表的数据格式为：{用户标识：栏目标识【点击次数】，栏目标识【点击次数】，…，栏目标识【点击次数】}，用户行为记录表表示的是各个用户对于所点击栏目的点击次数的集合。如用户1点击过栏目1，栏目2，栏目4，栏目5，次数分别是5,8,3,15，那么用户1的行为记录表就可以是{用户1：栏目1【5】，栏目2【8】，栏目4【3】，栏目5【15】}。这样根据多个用户的对于栏目的操作信息可以生成多个用户行为记录表。栏目推荐装置将这些用户行为记录表存储到数据库中。

具体地，根据这些用户行为记录表生成栏目-用户倒排表，栏目-用户倒排表表示的是各栏目中对应的点击过该栏目的用户的集合。栏目-用户倒排表的数据格式为：{栏目1：用户1，用户2，…，用户u}。如用户1，用户2，用户4，用户5，点击过栏目1，那么栏目1的栏目-用户倒排表就是{栏目1：用户1，用户2，用户4，用户5}。栏目推荐装置将各个栏目的栏目-用户倒排表存储在数据库中。

优选的，在步骤101中，可以设置一个更新周期，更新周期的长短可以根据栏目数据的数据库更新情况进行设定，例如，可以设为一个月，一周或一天，本发明对此不进行限制，在每个更新周期内获取所述每个更新周期内的栏目数据的属性信息并进行更新。本实施例下述各步骤均以当前周期为例进行说明。

102、根据所述栏目属性信息，计算目标用户与其他用户之间的相似度。

具体可以包括以下三个步骤：

102a、根据所述栏目属性信息，生成多个矩阵R。

其中，矩阵R的行和列分别表示用户标识，元素Rab表示用户a和用户b均点击过一共同栏目标识，a∈1,2,…,n；b∈1,2,…n,n为用户个数，元素Rab为1。

具体地，栏目推荐装置根据栏目属性信息即各个栏目的栏目-用户倒排表生成多个矩阵R，每个矩阵R对应一个栏目。如假定有n个用户，栏目1的栏目-用户倒排表为{栏目1：用户1，用户2，用户4，用户5}，则栏目1对应的矩阵R如表1所示。

下述的表1仅仅是对矩阵R以及矩阵R的含义进行说明，仅仅是一种示例。

表1

因为用户1，用户2，用户4和用户5分别点击过栏目1，因此，用户1，用户2，用户4，用户5两两用户结合的元素赋值为1，得到上表。对于其他栏目对应的矩阵R也可按此方式生成。这样，就会生成多个栏目对应的矩阵R。

102b、根据所述多个矩阵R，生成用户相似度矩阵。

具体地，根据多个栏目对应的矩阵R乘以预设惩罚因子加和得到用户相似度矩阵S。

其中，惩罚因子为L(i)表示栏目标识对应的点击过该栏目标识的用户个数，i∈1,2,…,m。如上面所说的栏目1对应的矩阵R，因为点击过栏目1的用户的个数为4，所以惩罚因子为1/log5。

预设惩罚因子，主要是考虑栏目在设备上进行显示时展示位置会有先有后，通常，展示在前排的栏目相对于展示在后排的栏目更为醒目，并且方便用户点击，因此，用户的点击率往往较高，但是这并不能充分说明用户之间的兴趣相似。而通常两个用户多次点击过相同的冷门栏目则更能说明他们兴趣的相似性。基于这样的思想，通过惩罚因子的设定减少了两个用户共同点击热门栏目由于展示位置因素所带来的影响，更加体现了用户间兴趣的相似性。

这样，多个栏目对应的矩阵R分别乘以其对应的惩罚因子再求和，即可得到用户相似度矩阵。

当然，惩罚因子也可以采用其他的数值和设置方式，本发明实施例不限于这种方式，在本领域技术人员可作出的变化的设置范围内均在本发明的保护范围内。

此外，通过生成用户相似度矩阵的方式，可以过滤掉两两用户没有共同点击过同一栏目的用户对，减少了计算量。

102c、根据用户相似度矩阵，计算目标用户与其他用户之间的相似度sim(u,v)，其中，u∈1,2,…,n；v∈1,2,…,n。

具体地，从用户相似度矩阵中获取目标用户与其他用户两两结合对应的元素值，用所述元素值除以目标用户与其他用户共点击的栏目个数的平方根为目标用于与其他用户之间的相似度。

对于目标用于与其他用户共点击的栏目个数可以采用将目标用户点击栏目集合与其他用户点击栏目集合的并集的方式求取。

示例性的，如用户相似度矩阵中用户1和用户2结合对应的元素值为3，用户1为目标用户，目标用户1点击栏目集合为{栏目1，栏目2，栏目5，栏目6}，用户2点击栏目集合为{栏目2，栏目3，栏目4，栏目7}，那么目标用户1和用户2点击栏目集合的并集为{栏目1，栏目2，栏目3，栏目4，栏目5，栏目6，栏目7}，该并集的栏目个数为7，那么用户1和用户2之间的相似度为采用这种方式，可以将目标用户与每个其他用户之间的相似度计算出来。

103、根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集。

具体地，栏目推荐装置对所述每个目标用户与其他用户之间的相似度进行排序，获取k个用户作为最近邻居集s(u,k)，k∈1,2,…n。

示例性的，栏目推荐装置将所有目标用户与其他用户之间的相似度进行排序，取k个用户构建最近邻居集s(u,k)。其中，k可以根据自己的需要进行取值。

104、栏目推荐装置根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分。

具体地，根据预测评分公式，计算目标用户对于未推荐栏目的预测评分，预测评分公式为：其中，s(u,k)为k个最近邻居集，click(.,v)为用户v对所有栏目的点击量，用户v属于最近邻居中的用户，用户u为目标用户，click(l,v)为用户v对栏目l的点击量，l∈1,2,…m，m为栏目个数，μ为第一调节因子，sim(v,u)为目标用户u与用户v之间的相似度，u∈1,2,…,n；v∈1,2,…,n，k∈1,2,…n。这样可以推测出目标用户对于每个未观看栏目的评分。

概括来说：即对于未给目标用户推荐的栏目，将目标用户与最近邻居集中的用户的相似度作为权值，与最近邻居集中的用户对该栏目的点击量进行加权平均，得到目标用户对于未推荐栏目的预测评分。

需要说明的是：此处的未推荐栏目指的是未向目标用户推荐过的栏目，目标用户也未观看过的栏目。

采用通过最近邻居集来对未推荐栏目进行预测评分的方法，不但能够满足用户需求的多样化和个性化，而且能够更充分的发掘用户的喜好，挖掘用户潜在的兴趣点。

另外，在计算公式中加入了第一调节因子，以避免当用户点击总量过小时出现的对单一栏目点击所获得的单一栏目点击量占总点击量比重过大的情况。通过设置第一调节因子，可以使得评分更加准确，更加能够反映用户偏好。其中，第一调节因子的值可以根据以往的经验进行设置，并可根据推荐后用户的反馈结果进行调整。

栏目推荐装置获取目标用户对于未推荐栏目的预测评分后，可以对所获得的未推荐栏目的预测评分进行排序，生成推荐列表1，存储下来。

105、栏目推荐装置根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

具体的，目标用户对于历史栏目的评分获取方式为：

根据公式计算目标用户对于历史栏目的评分，其中，click(.,u)为用户u对所有栏目的全部点击量，click(l,u)为用户u对栏目l的点击量，l∈1,2,…m，m为栏目个数，η为第二调节因子。

其中，第二调节因子的作用与第一调节因子相同，第二调节因子可以根据以往经验进行设置并根据推荐的反馈结果不断调整，可以与第一调节因子值相同，也可以不同。

需要说明的是：此处的历史栏目指的是目标用户之前观看过的栏目，即点击过的栏目。

栏目推荐装置计算完目标用户对于历史栏目的评分后，可以对获得的历史栏目的评分进行排序，生成推荐列表2，存储下来。

栏目推荐装置根据目标用户对于未推荐栏目的预测评分和对于历史栏目的评分综合得到推荐列表。

具体地，栏目推荐装置可以通过设定融合因子α，按融合因子α与(1-α)分别选取推荐列表1与推荐列表2排名靠前的栏目。即推荐列表1中排名靠前的栏目分值乘以α与推荐列表2中排名靠前的栏目分值乘以(1-α)，再求和，生成初始推荐列表3，而后对推荐列表3进行新的过滤、排名。最后，选择评分最高的TOP-N个栏目推荐给目标用户。N的取值根据用户的需求而定。

其中，融合因子α的取值可以先根据以往经验进行人工设定。之后根据用户对相关推荐系统的反馈结果不断调整。例如，若用户对推荐列表2中栏目的点击率减小，可适当增大融合比例α的值，以使推荐结果达到最优。

本发明实施例中，融合因子的取值在0-1范围内。

其中，本发明目标用户对于未推荐栏目的预测评分和对于历史栏目的评分综合得到推荐列表的方式不限于上述使用融合因子的方式，也可以采用其他的方式。在此基础上进行的可想到的变形，都在本发明的保护范围之内。

综上所述，本发明实施例所提供的栏目推荐方法，根据用户对栏目的历史操作信息即用户点击观看栏目的信息，计算用户之间的相似度，而用户对栏目的点击行为表明用户对栏目的喜好，这样与目标用户相似度高的用户可以被划为最近邻居集中，最近邻居集的用户对于栏目的喜好度也会比较类似，那么根据最近邻居集中的邻居用户对于未向目标用户推荐的栏目的评分就可以预测目标用户对于未推荐栏目的评分，再综合目标用户对于已观看栏目的历史评分就可以了解目标用户对于所有栏目的评分情况，从而了解目标用户对于栏目的喜好，进而生成推荐列表对目标用户进行推荐。这样相比于现有的采用固定的栏目推荐的方式，明显更针对用户的需求，提高了推荐的准确性，用户体验更好。

另一方面，本发明实施例还提供了一种栏目推荐装置，该装置用于实现上述的栏目推荐方法，如图2所示，该装置包括：获取模块，相似度计算模块，预测评分模块，推荐模块，其中：

获取模块，用于获取栏目属性信息；

相似度计算模块，用于根据栏目属性信息，计算目标用户与其他用户之间的相似度；

预测评分模块，用于根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集，并根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分；

推荐模块，用于根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

其中，所述属性信息包括用户标识、用户所操作的栏目标识以及用户对栏目的历史操作信息；

可选的，该栏目推荐装置中的相似度计算模块中的所述根据所述栏目属性信息，计算目标用户与其他用户之间的相似度，具体为：根据所述栏目属性信息，生成多个矩阵R，其中矩阵R的行和列分别表示用户标识，元素Rab表示用户a和用户b均点击过一共同栏目标识，a∈1,2,…,n；b∈1,2,…n,n为用户个数，元素Rab为1；所述多个矩阵R乘以预设惩罚因子加和得到用户相似度矩阵，从用户相似度矩阵中获取目标用户与其他用户结合对应的元素值，用所述元素值除以目标用户与其他用户共点击的栏目个数的平方根以得到目标用户与其他用户之间的相似度。

可选的，该栏目推荐装置中的预测评分模块具体为：根据预测评分计算公式，计算目标用户对于未推荐栏目的预测评分，预测评分公式为：s(u,k)为k个最近邻居集，click(.,v)为用户v对所有栏目的全部点击量，click(l,v)为用户v对栏目l的点击量，l∈1,2,…m，m为栏目个数，μ为第一调节因子，u∈1,2,…,n；v∈1,2,…,n，k∈1,2,…n。

可选的，该栏目推荐装置预先获取目标用户对于历史栏目的评分，具体获取方式为：根据公式获取目标用户对于历史栏目的评分，其中，click(.,u)为用户u的全部点击量，click(l,u)为用户u对栏目l的点击量，l∈1,2,…m，m为栏目个数，η为第二调节因子。

可选的，该栏目推荐装置中推荐模块根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐具体为：根据预设融合因子对所述预测评分和所述目标用户对于历史栏目的评分进行加权求和，对求和结果进行排序，并根据所述目标用户需要推荐的栏目个数确定推荐列表进行推荐。

可选的，该栏目推荐装置根据所述栏目属性信息，生成多个矩阵R具体为：

根据所述栏目属性信息，获取各用户点击栏目标识的用户行为记录表，根据所述用户行为记录表，生成各栏目对应的操作用户标识的栏目-用户倒排表，根据所述栏目-用户倒排表，生成多个矩阵R。

本发明实施例所提供的栏目推荐装置，根据用户对栏目的历史操作信息即用户点击观看栏目的信息，计算用户之间的相似度，而用户对栏目的点击行为表明用户对栏目的喜好，这样与目标用户相似度高的用户可以被划为最近邻居集中，最近邻居集的用户对于栏目的喜好度也会比较类似，那么根据最近邻居集中的邻居用户对于未向目标用户推荐的栏目的评分就可以预测目标用户对于未推荐栏目的评分，再综合目标用户对于已观看栏目的历史评分就可以了解目标用户对于所有栏目的评分情况，从而了解目标用户对于栏目的喜好，进而生成推荐列表对目标用户进行推荐。这样相比于现有的采用固定的栏目推荐的方式，明显更针对用户的需求，提高了推荐的准确性，用户体验更好。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种栏目推荐方法，其特征在于，包括以下步骤：

获取栏目属性信息；

根据所述栏目属性信息，生成多个矩阵R，其中矩阵R的行和列分别表示用户标识，元素Rab表示用户a和用户b均点击过一共同栏目标识，a∈1,2,…,n；b∈1,2,…n,n为用户个数，元素Rab为1；所述多个矩阵R乘以预设惩罚因子加和得到用户相似度矩阵，从用户相似度矩阵中获取目标用户与其他用户结合对应的元素值，用所述元素值除以目标用户与其他用户共点击的栏目个数的平方根以得到目标用户与其他用户之间的相似度；

根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集；

根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分；

根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

2.根据权利要求1所述的栏目推荐方法，其特征在于，所述根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集具体为：

对所述目标用户与其他用户之间的相似度进行排序，获得目标用户的最近邻居集。

3.根据权利要求1所述的栏目推荐方法，其特征在于，所述根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分具体为：

根据预测评分公式，计算所述目标用户对于未推荐栏目的预测评分，预测评分公式为：s(u,k)为k个最近邻居集，click(.,v)为用户v对于所有栏目的点击量，click(l,v)为用户v对栏目l的点击量，l∈1,2,…m，m为栏目个数，μ为第一调节因子，sim(v,u)为用户u与用户v之间的相似度，用户v属于最近邻居集中的用户，用户u为目标用户，u∈1,2,…,n；v∈1,2,…,n，k∈1,2,…n。

4.根据权利要求3所述的栏目推荐方法，其特征在于，所述目标用户对历史栏目的评分获取方式为：

根据公式获取目标用户对于历史栏目的评分，其中，click(.,u)为用户u对于所有栏目的点击量，click(l,u)为用户u对栏目l的点击量，l∈1,2,…m，m为栏目个数，η为第二调节因子。

5.根据权利要求4所述的栏目推荐方法，其特征在于，所述根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐具体为：根据预设融合因子对所述预测评分和目标用户对于历史栏目的评分进行加权求和，对求和结果进行排序，并根据目标用户需要推荐的栏目个数确定推荐列表进行推荐。

6.根据权利要求1所述的栏目推荐方法，其特征在于，所述根据所述栏目属性信息，生成多个矩阵R具体为：

根据所述栏目属性信息，获取各用户点击栏目标识的用户行为记录表，根据所述用户行为记录表，生成各栏目对应的操作用户标识的栏目-用户倒排表，根据所述栏目-用户倒排表，生成多个矩阵R。

7.一种栏目推荐装置，其特征在于，包括：

获取模块，用于获取栏目属性信息；

相似度计算模块，用于根据所述栏目属性信息，生成多个矩阵R，其中矩阵R的行和列分别表示用户标识，元素Rab表示用户a和用户b均点击过一共同栏目标识，a∈1,2,…,n；b∈1,2,…n,n为用户个数，元素Rab为1；所述多个矩阵R乘以预设惩罚因子加和得到用户相似度矩阵，从用户相似度矩阵中获取目标用户与其他用户结合对应的元素值，用所述元素值除以目标用户与其他用户共点击的栏目个数的平方根以得到目标用户与其他用户之间的相似度；

预测评分模块，用于根据所述目标用户与其他用户之间的相似度，得到目标用户的最近邻居集，并根据所述最近邻居集，计算目标用户对于未推荐栏目的预测评分；

推荐模块，用于根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐。

8.根据权利要求7所述的栏目推荐装置，其特征在于，所述预测评分模块具体为：根据预测评分公式，计算目标用户对于未推荐栏目的预测评分，预测评分公式为：s(u,k)为k个最近邻居集，click(.,v)为用户v对所有栏目的点击量，click(l,v)为用户v对栏目l的点击量，l∈1,2,…m，m为栏目个数，μ为第一调节因子，sim(v,u)为用户u与用户v之间的相似度，用户v属于最近邻居集中的用户，用户u为目标用户，u∈1,2,…,n；v∈1,2,…,n，k∈1,2,…n。