CN106326322A - 推荐方法和装置 - Google Patents

Abstract

本申请的实施例公开了一种推荐方法，包括：根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。本申请还公开了另一种推荐方法和推荐装置。本申请实施例所述的推荐的方法和装置，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择某个层次上的每个结点的概率，从而基于概率进行推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

Description

推荐方法和装置

技术领域

本申请涉及计算机技术领域，尤其涉及推荐方法和装置。

背景技术

近年来，随着移动互联网和智能移动设备的高速普及和发展，出现了众多的智能移动应用程序(App)。这些种类繁多的移动App满足了移动用户在日常生活中衣食住行等各个方面的功能需求，同时数量庞大的移动App也带给了用户选择的困惑。

现有的移动App推荐方法主要是两类，一种是基于流行度的推荐方法，例如根据移动App的下载量、评分等来为用户进行推荐。另一种是则是基于功能的推荐，例如为用户推荐最安全的App等等。但是因为呈现在所有用户面前的都是一样的内容，因此忽略了用户的个性化需求。

发明内容

本申请的目的是：提供推荐的方法和装置。

根据本申请至少一个实施例的第一个方面，提供了一种推荐的方法，包括：

根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

基于上述第一个方面，在上述第一个方面的第一个实施方式中，所述根据所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率，包括：根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

基于上述第一个方面的第一个实施方式，在上述第一个方面的第一个实施方式的第一个具体实现中，所述用户与所述内容树的第n个层次的每个分支结点的亲和度为所述用户的隐变量特征参数与所述内容树的第n个层次的每个分支结点的隐变量特征参数的点积。

基于上述第一个方面，在上述第一个方面的第二个实施方式中，所述方法还包括：预先确定所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数。

基于上述第一个方面，或者基于上述第一个方面的任一个实施方式，或者基于上述第一个方面的任一个实施方式的任一个具体实现，在上述第一个方面的第三个实施方式中，所述内容树为应用程序APP树，所述内容分类为APP分类；或者所述内容树为商品树，所述内容分类为商品分类；或者所述内容树为搜索结果树，所述内容分类为搜索结果分类。

根据本申请至少一个实施例的第二个方面，提供了另一种推荐的方法，包括：

根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

基于上述第二个方面，在第二方面的第一个实施方式中，所述根据所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个分支结点的概率，包括：根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

基于上述第二个方面的第一个实施方式，在第二个方面的第一个实施方式的第一个具体实现中，所述用户与所述内容树的每个叶子结点的亲和度为所述用户的隐变量特征参数与所述内容树的每个叶子结点的隐变量特征参数的点积。

基于上述第二个方面，在第二方面的第二个实施方式中，所述方法还包括：预先确定所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数。

基于上述第二个方面，或者基于上述第二个方面的任一个实施方式，或者基于上述第二个方面的任一个实施方式的任一个具体实现，在上述第二个方面的第三个实施方式中，所述内容树为应用程序APP树，所述内容分类为APP分类；或者所述内容树为商品树，所述内容分类为商品分类；或者所述内容树为搜索结果树，所述内容分类为搜索结果分类。

根据本申请至少一个实施例的第三个方面，提供了一种推荐的装置，包括：

概率确定模块，用于根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

推荐模块，用于根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

基于上述第三个方面，在第三个方面的第一个实施方式中，所述概率确定模块包括：亲和度确定单元，用于根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；概率确定单元，根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

基于上述第三个方面，或者基于上述第三个方面的第一个实施方式，在第三个方面的第二个实施方式中，所述装置还包括：参数确定模块，用于预先确定所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数。

根据本申请至少一个实施例的第四个方面，提供了另一种推荐的装置，包括：

概率确定模块，用于根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

推荐模块，用于根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

基于上述第四个方面，在第四个方面的第一个实施方式中，所述概率确定模块包括：亲和度确定单元，用于根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；概率确定单元，用于根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

基于上述第四个方面，或者基于上述第四个方面的第一个实施方式，在第四个方面的第二个实施方式中，所述装置还包括：参数确定模块，用于预先确定所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数。

根据本申请至少一个实施例的第五个方面，提供了另一种推荐的装置，包括：一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

根据本申请至少一个实施例的第六个方面，提供了另一种推荐的装置，包括：一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

本申请实施例所述的推荐的方法和装置，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择某个层次上的每个结点的概率，从而基于概率进行推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

附图说明

图1是本申请一个实施例提供的一种推荐方法流程示意图；

图2是本申请实施例所描述的树形结构；

图3是本申请一个实施例提供的又一种推荐方法流程示意图；

图4是本申请另一个实施例提供的一种推荐方法流程示意图；

图5是本申请另一个实施例提供的又一种推荐方法流程示意图；

图6是本申请一个实施例提供的又一种推荐方法流程示意图；

图7是本申请另一个实施例提供的又一种推荐方法流程示意图；

图8是本申请一个实施例所述的一种推荐装置800结构示意图；

图9是本申请一个实施例所述的又一种推荐装置800结构示意图；

图10是本申请一个实施例所述的又一种推荐装置800结构示意图；

图11是本申请另一个实施例所述的一种推荐装置1100结构示意图；

图12是本申请另一个实施例所述的又一种推荐装置1100结构示意图；

图13是本申请另一个实施例所述的又一种推荐装置1100结构示意图；

图14本申请的另一实施例提供的一种推荐装置1400结构示意图；

图15本申请的另一实施例提供的一种推荐装置1500结构示意图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细说明。以下实施例用于说明本申请，但不用来限制本申请的范围。

本领域技术人员理解，在本申请的实施例中，下述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

另外，本申请中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

图1是本申请一个实施例所述的一种推荐方法流程示意图，参见图1，所述方法包括：

S120：根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；

其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

S140：根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

本申请实施例所述的推荐方法，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择某个层次上的每个分支结点的概率，从而基于概率进行内容分类的推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

在本申请的实施例中，如图2所示，内容呈树形结构，用户从根结点开始，在每一个层次上，都面临着多个分支结点的选择，而一些潜在的用户偏好，则会影响用户所做出的选择。因此，在本申请的实施例中，可以利用用户的隐变量特征参数来表述一个用户的各种偏好等潜在因素，以及利用内容树的分支结点的隐变量特征参数来表述一个内容分类在上述用户的各种偏好上的表现。

例如，一个用户u的隐变量特征参数可以是一个k维的矢量内容树的一个分支结点z的隐变量特征参数也可以是一个k维的矢量其中，k为任意自然数。

通常情况下，一个分支结点的隐变量特征参数与一个用户的隐变量特征参数越相近，就说明该分支结点对应的内容分类越符合该用户的偏好；那么该用户选择该内容分类的概率也就越大。

因此，可选的，如图3所示，上述根据所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率(S120)，可以包括：

S121：根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；

S122：根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

例如，可以利用亲和度(affinity)来表述一个分支结点的隐变量特征参数与一个用户的隐变量特征参数的相近似程度，亲和度越高，说明二者越相近似。示例性的，如果用户的隐变量特征参数和分支结点的隐变量特征参数是用上述k维的矢量和来表示，则它们的亲和度则可以用这两个矢量的点积来表示：

公式1

其中，b_z为分支结点z的偏差因子(bias term)，可以根据实际情况预先设定，或者通过极大似然估计等机器学习方法获得。

确定了亲和度，就可以确定在内容树的根节点π(z)对应的内容分类下或者内容树的分支结点π(z)对应的内容分类下，用户u选择分支结点z的概率为：

$P_r\left(z\right|u,\mathrm{\π}\left(z\right))=\frac{\exp \left(y_{uz}\right)}{{\Σ}_{z^{\′}\∈c\left(\mathrm{\π}\left(z\right)\right)}\exp \left(y_{{\mathrm{uz}}^{\′}}\right)}$ 公式2

其中，π(z)为分支结点z的父结点，c(π(z))为结点π(z)的所有子结点的集合，即：分支结点z和分支结点z的所有兄弟结点的集合。

确定了用户u选择某个层次上每一个分支结点的概率后，就可以基于概率向用户u推荐该层次上至少一个分支结点对应的内容分类，例如，可以推荐概率最高的分支结点对应的内容分类；或者，可以推荐概率最高的前几个分支结点对应的内容分类；或者可以推荐概率高于一设定概率阈值的分支结点对应的内容分类。对此，本申请的实施例不作具体限定。

图4是本申请另一个实施例提供的另一种推荐方法流程示意图，参见图4，所述方法包括：

S420：根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

S440：根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

本申请实施例所述的推荐方法，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择每个叶子结点的概率，从而基于概率进行内容的推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

在本申请的实施例中，内容呈树形结构，用户从根结点开始，在每一个层次上，都面临着多个分支结点的选择，而一些潜在的用户偏好，则会影响用户所做出的选择。因此，在本申请的实施例中，可以利用用户的隐变量特征参数来表述一个用户的各种偏好等潜在因素，以及利用内容树的叶子结点的隐变量特征参数来表述一个内容在上述用户的各种偏好上的表现。

例如，一个用户u的隐变量特征参数可以是一个k维的矢量内容树的一个叶子结点i的隐变量特征参数也可以是一个k维的矢量其中，k为任意自然数。

通常情况下，一个叶子结点的隐变量特征参数与一个用户的隐变量特征参数越相近，就说明该叶子结点对应的内容越符合该用户的偏好；那么该用户选择该内容的概率也就越大。

因此，可选的，如图5所示，上述根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率(S420)，可以包括：

S421：根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；

S422：根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

示例性的，与前述实施例类似的，也可以利用亲和度(affinity)来表述一个叶子结点的隐变量特征参数与一个用户的隐变量特征参数的相近似程度，亲和度越高，说明二者越相近似。在一个具体应用中，如果用户的隐变量特征参数和叶子结点的隐变量特征参数是用上述k维的矢量和来表示，则它们的亲和度则可以用这两个矢量的点积来表示：

公式3

其中，b_i为叶子结点i的偏差因子(bias term)，可以根据实际情况预先设定，或者通过极大似然估计等机器学习方法获得。

确定了亲和度，就可以确定在内容树上，用户u在分支结点z对应的内容分类下，选择叶子结点i的概率为：

$P_r\left(i\right|u,z)=\frac{\exp \left(y_{ui}\right)}{{\Σ}_{j\∈c\left(z\right)}\exp \left(y_{uj}\right)}$ 公式4

其中，分支结点z为叶子结点i的父结点，c(z)为分支结点z的所有子结点的集合，即：叶子结点i和叶子结点i的所有兄弟结点的集合。

结合公式1至公式4，可以得到，在内容树上，用户u选择叶子结点i的概率为：

公式5

其中，P_r(i|u,z_M)表示用户u在分支结点z_M对应的内容分类下，选择叶子结点i的概率，表示户u自根结点z₀开始，依次选择结点z₁，z₂，……，z_M的概率，M为内容树中所有节点的数量。

确定了用户u选择每一个叶子结点的概率后，就可以基于概率向用户u推荐至少一个叶子结点对应的内容，例如，可以推荐概率最高的叶子结点对应的内容；或者，可以推荐概率最高的前几个叶子结点对应的内容；或者可以推荐概率高于一设定概率阈值的叶子结点对应的内容。对此，本申请的实施例不作具体限定。

可选的，如图6所示，在上述S120之前，所述方法还可以包括：

S110：预先确定所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数。

可选的，如图7所示，在上述S420之前，所述方法还可以包括：

S410：预先确定所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数。

由于S110和S410中参数确定的方式有相似之处，因此在此一并介绍。

一般来说，节点z的隐变量特征参数会受到结点z的父结点π_z的隐变量特征参数的影响，因此，在本申请的实施例中，可以假设结点z的隐变量特征参数是基于结点z的父结点π_z的隐变量特征参数为平均值的正态分布函数。由此，可以假设：

公式6

其中，为平均值为u，标准方差参数为σ的正态分布。

基于上述假设，可以假定则在内容树Г中，能够满足的参数Θ的概率分布可以表示为：

公式7

其中，表示用户u通过路径path_i选择叶子结点i；U表示用户的数量；I表示叶子结点的数量；表示所有属于内容树Г的结点；σ表示正态分布的标准方差参数；表示单位矩阵；其他参数的含义与前述实施例中的相同，此处不再赘述。

可以通过学习，例如，通过搜集用户的历史选择记录，或者通过人为赋值的形式，使得上述的数值达到最大，这种情况下得到的Θ，就是参数最后的学习结果，亦即：可确定的上述S110中的用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数；或者确定上述S410中的用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数。由于参数学习的方式有很多，只要能够使得上述的数值达到最大即可，本申请的实施例对此不作具体限定。

在本申请的上述任一实施例中，如果所述内容树为应用程序APP树，则所述内容分类可以为APP分类；如果所述内容树为商品树，则所述内容分类可以为商品分类；如果所述内容树为搜索结果树，则所述内容分类可以为搜索结果分类。

相类似的，在本申请的上述任一实施例中，如果所述内容树为应用程序APP树，则所述内容可以为APP；如果所述内容树为商品树，则所述内容可以为商品；如果所述内容树为搜索结果树，则所述内容可以为搜索结果。

图8是本申请一个实施例所述的一种推荐装置800结构示意图，参见图8，所述装置包括：

概率确定模块820，用于根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

推荐模块840，用于根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

本申请实施例所述的推荐装置，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择某个层次上的每个分支结点的概率，从而基于概率进行内容分类的推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

可选的，如图9所示，所述概率确定模块820可以包括：

亲和度确定单元821，用于根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；

概率确定单元822，根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

可选的，如图10所示，上述推荐装置800还可以包括：

参数确定模块810，用于预先确定所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数。

图11是本申请另一个实施例所述的另一种推荐装置1100结构示意图，参见图11，所述装置包括：

概率确定模块1120，用于根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

推荐模块1140，用于根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

本申请实施例所述的推荐装置，能够根据用户的隐变量特征参数，在待推荐的内容的树形结构中，确定用户选择每个叶子结点的概率，从而基于概率进行内容的推荐。克服了现有技术中忽略用户个性化需求的问题，从而能够更加精确的对用户进行个性化推荐。

可选的，如图12所示，所述概率确定模块1120可以包括：

亲和度确定单元1121，用于根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；

概率确定单元1122，用于根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

可选的，如图13所示，所述推荐装置1100还可以包括：

参数确定模块1110，用于预先确定所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数。

如图14所示，本申请的另一实施例还提供了一种推荐装置1400，包括一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

所述处理器可以是中央处理器(CPU)，或者是特定集成电路(ASIC)，或者是被配置成实施采集图像方法实施例的一个活多个集成电路。

所述存储器可以是U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

所述处理器与所述存储器可以通过通信总线进行相互通信。

如图15所示，本申请的另一实施例还提供了一种推荐装置1500，包括一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

所述处理器可以是中央处理器(CPU)，或者是特定集成电路(ASIC)，或者是被配置成实施采集图像方法实施例的一个活多个集成电路。

所述存储器可以是U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的推荐方法可以由本申请前述的推荐装置来实现，可以参考本申请前述推荐方法实施例的对应过程描述，在此不再赘述。

为更好的理解本申请的实施例，在此对本申请中涉及的一些术语进行相应说明：

1、结点(Node)：表示树中的数据元素，由数据项和数据元素之间的关系组成。在图2中，共有17个结点。

2、结点的度(Degree of Node)：结点所拥有的子树的个数，在图2中，根结点的度为5。

3、叶子结点(Leaf Node)：度为0的结点，也叫终端结点。在图2，斜线填充的结点都是叶子结点。

4、分支结点(Branch Node)：度不为0的结点，也叫非终端结点或内部结点。在图2中，无填充的结点是分支结点。

5、兄弟(Brother)结点：同一父节点的子结点。

6、结点的层次(Level of Node)：从根结点到树中某结点所经路径上的分支数称为该结点的层次。根结点的层次规定为1，其余结点的层次等于其双亲结点的层次加1。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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，控制器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上实施方式仅用于说明本申请，而并非对本申请的限制，有关技术领域的普通技术人员，在不脱离本申请的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请的范畴，本申请的专利保护范围应由权利要求限定。

Claims (10)

1.一种推荐方法，其特征在于，包括：

根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

2.如权利要求1所述的方法，其特征在于，所述根据所述用户的隐变量特征参数和所述内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率，包括：

根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；

根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

3.一种推荐方法，其特征在于，包括：

根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

4.如权利要求3所述的方法，其特征在于，所述根据所述用户的隐变量特征参数和所述内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个分支结点的概率，包括：

根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；

根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

5.一种推荐装置，其特征在于，包括：

概率确定模块，用于根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

推荐模块，用于根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

6.如权利要求5所述的装置，其特征在于，所述概率确定模块包括：

亲和度确定单元，用于根据所述用户的隐变量特征参数和所述内容树的第n个层次的每个分支结点的隐变量特征参数，计算所述用户与所述内容树的第n个层次的每个分支结点的亲和度；

概率确定单元，根据所述用户与所述内容树的第n个层次的每个分支结点的亲和度，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率。

7.一种推荐装置，其特征在于，包括：

概率确定模块，用于根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

推荐模块，用于根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。

8.如权利要求7所述的装置，其特征在于，所述概率确定模块包括：

亲和度确定单元，用于根据所述用户的隐变量特征参数和所述内容树的每个叶子结点的隐变量特征参数，计算所述用户与所述内容树的每个叶子结点的亲和度；

概率确定单元，用于根据所述用户与所述内容树的每个叶子结点的亲和度，确定所述用户选择所述内容树的每个叶子结点的概率。

9.一种推荐装置，其特征在于，包括：一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的分支结点的隐变量特征参数，确定所述用户选择所述内容树的第n个层次的每个分支结点的概率；其中，所述内容树的一分支结点对应一内容分类，所述n为大于1的自然数；

根据所述用户选择所述内容树的第n个层次的每个分支结点的概率，向所述用户推荐所述内容树的第n个层次上至少一个分支结点对应的内容分类。

10.一种推荐装置，其特征在于，包括：一存储器和一处理器，其中，所述存储器用于存储指令；所述处理器用于执行所述指令，以执行下列步骤：

根据一用户的隐变量特征参数和一内容树的叶子结点的隐变量特征参数，确定所述用户选择所述内容树的每个叶子结点的概率；其中，所述内容树的一叶子结点对应一内容；

根据所述用户选择所述内容树的每个叶子结点的概率，向所述用户推荐所述内容树上至少一个叶子结点对应的内容。