CN107026892A - 消息推荐方法和装置 - Google Patents

Abstract

本申请提供一种消息推荐方法和装置。所述方法包括：根据历史消息的离线关注参数，周期性的离线计算所述历史消息的离线热度值；根据新消息的当前关注参数，实时计算所述新消息的实时热度值，其中，所述新消息的发布时长在预设的第一时长内；在接收到推荐请求时，若所述历史消息的当前关注参数相对于所述离线关注参数有更新，则重新计算所述历史消息的实时热度值；根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。本申请在面对海量消息时，采用离线计算与实时计算相结合的方式可以提高系统的可靠性，同时提高消息推荐的实时性与准确性。

Description

消息推荐方法和装置

技术领域

本申请涉及互联网技术领域，尤其涉及一种消息推荐方法和装置。

背景技术

随着互联网技术的快速发展，越来越多的用户通过浏览论坛、社区以获取资讯。然而，论坛或社区中的帖子数量繁多，如何将关注度较高、质量较高的帖子及时准确地推荐给用户就显得尤为重要。

发明内容

有鉴于此，本申请提供一种消息推荐方法和装置。

具体地，本申请是通过如下技术方案实现的：

一种消息推荐方法，应用在推荐平台，所述方法包括：

根据历史消息的离线关注参数，周期性的离线计算所述历史消息的离线热度值；

根据新消息的当前关注参数，实时计算所述新消息的实时热度值，其中，所述新消息的发布时长在预设的第一时长内；

在接收到推荐请求时，若所述历史消息的当前关注参数相对于所述离线关注参数有更新，则重新计算所述历史消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

一种消息推荐方法，应用在推荐平台的推荐服务器中，所述方法包括：

接收到推荐请求后，获取已计算得到的历史消息的离线热度值，所述离线热度值是根据所述历史消息的离线关注参数周期性离线计算的；

获取新消息的实时热度值，所述实时热度值是根据所述新消息的当前关注参数实时计算得到的，其中，所述新消息的发布时长在预设的第一时长内；

当所述历史消息的当前关注参数相对于所述离线关注参数有更新时，重新计算所述历史消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

一种消息推荐装置，应用在推荐平台的推荐服务器中，所述装置包括：

离线热度获取单元，接收到推荐请求后，获取已计算得到的历史消息的离线热度值，所述离线热度值是根据所述历史消息的离线关注参数周期性离线计算的；

实时热度获取单元，获取新消息的实时热度值，所述实时热度值是根据所述新消息的当前关注参数实时计算得到的，其中，所述新消息的发布时长在预设的第一时长内；

重新计算单元，当所述历史消息的当前关注参数相对于所述离线关注参数有更新时，重新计算所述历史消息的实时热度值；

消息推荐单元，根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

由以上描述可以看出，本申请可离线计算历史消息的离线热度值，实时计算新消息的实时热度值，并根据离线热度值和实时热度值进行消息推荐。在面对海量消息时，采用离线计算与实时计算相结合的方式可以提高系统的可靠性，同时提高消息推荐的实时性与准确性。

附图说明

图1是本申请一示例性实施例示出的一种消息推荐方法的流程示意图。

图2是本申请一示例性实施例示出的另一种消息推荐方法的流程示意图。

图3是本申请一示例性实施例示出的一种消息推荐平台的组网架构图。

图4是本申请一示例性实施例示出的用于一种消息推荐装置的一结构图。

图5是本申请一示例性实施例示出的一种消息推荐装置的框图。

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申请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、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

相关技术中，在实现帖子、评论等消息的推荐时，通常可利用计数器统计用户的点击量，然后基于点击量进行排序推荐。然而，大型论坛、社区中往往具有海量的消息，对消息推荐的实时性要求也较高，点击量统计的方式并不适用。

针对上述问题，本申请提供一种消息推荐方案，可离线计算历史消息的离线热度值，实时计算新消息的实时热度值，并根据离线热度值和实时热度值进行消息推荐。在面对海量消息时，采用离线计算与实时计算相结合的方式可以提高系统的可靠性，同时提高消息推荐的实时性与准确性。

图1是本申请一示例性实施例示出的一种消息推荐方法的流程示意图。

请参考图1，所述消息推荐方法可以应用在推荐平台中，所述推荐平台通常为服务提供商部署的服务器或者服务器集群。所述消息推荐方法可以包括以下步骤：

步骤101，根据历史消息的离线关注参数，周期性的离线计算所述历史消息的离线热度值。

在本实施例中，在进行离线的计算时，推荐平台可以定期获取并存储各个消息的关注参数，由于该关注参数并不是实时同步的，为便于区分，可以将该参数称为离线关注参数。另一方面，还可以将这些计算离散热度值的消息称为历史消息。在实际应用中，所述离线关注参数的获取通常为增量获取，当然，也可以是全量获取，本申请对此不作特殊限制。在本例中，可将获取所述离线关注参数的时间可以称为离线关注参数的更新时间。

在本实施例中，离线热度值的计算周期可以由开发人员进行设置，比如：1天等。所述离线关注参数的获取周期可以与所述离线热度值的计算周期相同。举例来说，可以在每天0时进行离线关注参数的获取，可以在每天1时进行离线热度值的计算。

在本实施例中，消息可以为社区或论坛的帖子，消息也可以为新闻或帖子的评论等。关注参数可以由开发人员进行设置，用于表征用户对消息的关注程度，通常可分为多个维度，比如：关注参数可以为点赞数量、回复数量、点击次数等，本申请对此不作特殊限制。

在本实施例中，热度值的计算方式也可以由开发人员进行设置，开发人员可以为分别每个维度的关注参数设置对应的权重，通常而言，不同维度关注参数的权重并不相同，具体取值可以依据经验或试验确定。

在一个例子中，可以对各个维度的关注参数进行加权求和，并将得到的加权求和值作为对应消息的热度值。

在另一个例子中，由于消息的热度通常会随着时间的推移而不断降低，为避免某个消息的热度持续较高，出现热门永不消失的情况，可以以时间为基准对消息的热度值进行惩罚性减低。比如：在计算得到消息的加权求和值之后，可以用所述加权求和值乘以时间衰减值，从而得到所述消息的热度值。具体地，当消息的发布时长小于第二时长时，通常说明该消息是最近新发布的消息，此时可以不进行时间衰减，即可将所述消息的加权求和值作为所述消息的热度值。当消息的发布时长大于等于第二时长时，通常说明该消息已经发布了一段时间，此时可以进行时间衰减，用加权求和值乘以时间衰减值得到对应的热度值。其中，所述第二时长也可以由开发人员进行设置，比如：1天等。所述时间衰减值可以为预设的时间衰减系数的乘方运算等，满足所述时间衰减值与消息的发布时长负相关即可。

步骤102，根据新消息的当前关注参数，实时计算所述新消息的实时热度值，其中，所述新消息的发布时长在预设的第一时长内。

在本实施例中，推荐平台还可以实时计算新消息的实时热度值。其中，所述新消息为发布时长在预设的第一时长内的消息，所述第一时长可以由开发人员进行设置，比如：3天等。具体地，推荐平台可以根据新消息关注参数的增量实时计算所述新消息的实时热度值。其中，所述实时热度值的计算方式也可以参照前述步骤101中的描述，本申请在此不再一一赘述。

步骤103，在接收到推荐请求时，若所述历史消息的当前关注参数相对于所述离线关注参数有更新，则重新计算所述历史消息的实时热度值。

在本实施例中，所述推荐请求通常由用户触发，比如：用户点击了论坛中的某个主题，推荐平台可视为接收到针对该主题对应消息的推荐请求。

在本实施例中，由于历史消息的离线热度值是周期性的计算得到，而用于计算离线热度值的离线关注参数并不是实时的数据，因此，历史消息的离线关注参数在更新时间之后，还有可能会更新，比如：还可能会有其他用户回复该历史消息，或点赞该历史消息等。

针对这种情况，为提高推荐的准确度，在接收到所述推荐请求时，可以判断各个历史消息的当前关注参数相对于其离线关注参数是否有更新，如果有更新，则可以根据关注参数的增量数据和离线关注参数重新计算所述历史消息的热度值，即根据所述历史消息的实时关注参数重新计算所述历史消息的实时热度值。

步骤104，根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

基于前述步骤103，在本步骤中，可以根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值，对历史消息和新消息按照热度值从高到低的顺序排序，并可以根据该排序进行消息推荐。

由以上描述可以看出，本申请可离线计算历史消息的离线热度值，实时计算新消息的实时热度值，并根据离线热度值和实时热度值进行消息推荐。在面对海量消息时，采用离线计算与实时计算相结合的方式可以提高系统的可靠性，同时提高消息推荐的实时性与准确性。

下面结合具体的例子来描述本申请的实现过程。

假设，离线热度值的计算周期为1天，第一时长设置为当天。又假设，今天为2016年10月28日，则可实时计算2016年10月28日发布的新消息的实时热度值。新消息的实时热度值的计算方式可以为(m×回复数量+n×点赞数量)×z^k，其中，m为回复数量的权重，比如：m可取值为1.5，n为点赞数量的权重，比如：n可以取值为1，z为时间衰减系数，可以取值为0.93，k为消息的发布时长，以天为单位，当发布时长小于24小时时，k的取值为0，当发布时长大于等于24小时，但小于48小时时，k的取值为1，依次类推。在本例中，对于新消息而言，其实时热度值为m×回复数量+n×点赞数量。

而离线计算的方式可为：2016年10月27日0时更新发布时间在2016年10月27日之前的历史消息的离线关注参数，并基于该离线关注参数计算各历史消息的离线热度值。2016年10月28日0时更新发布时间在2016年10月28日之前的历史消息的离线关注参数，并基于该离线关注参数计算各历史消息的离线热度值。在本例中，假设，2016年10月28日离线计算得到5个历史消息的离线热度值，分别为历史消息1至历史消息5，对应离线热度值1至离线热度值5。

又假设，用户在2016年10月28日12时发送推荐请求。此时，实时计算方面计算得到3个新消息的实时热度值。而离线计算方面，可以获取28日0时最新计算得到的上述5历史消息的离线热度值，所述历史消息的离线热度值的计算方式也可以为(m×回复数量+n×点赞数量)×z^k，本申请在此不再一一赘述。在本例中，还可以判断历史消息1至历史消息5的回复数量和点赞数量在28日是否有更新。假设，历史消息1至历史消息4的回复数量和点赞数量在28日都没有更新，则说明所述离线热度值1至离线热度值4就是历史消息1至历史消息4的实时热度值。而历史消息5的回复数量28日有更新，则可以根据更新后的回复数量重新计算历史消息5的实时热度值5。接着，可以根据历史消息1至历史消息4的离线热度值1至离线热度值4、历史消息5的实时热度值5以及上述3个新消息的3个实时热度值，对各消息按照热度值从高到低的顺序排序，并可以基于排序结果对这些消息进行推荐，具体地，热度值最高的消息排列在第一位，热度值次高的消息排列在第二位等。

可选的，在本申请另一个例子中，由于离线热度值是离线计算的，而消息推荐则是实时的，当离线热度值未计算完成时，可能会出现数据真空期，进而导致消息推荐不够准确。针对这个问题，可以为上述第一时长设置大于离线热度值的计算周期的取值。请参考图2，在前述步骤104中，可以采用以下方式进行消息推荐：

步骤1041，获取用于计算最新离线热度值的离线关注参数的更新时间。

在本实施例中，假设，离线热度值的计算周期为1天，所述第一时长设置为3天，使得新消息与历史消息有一定的重合。又假设，今天为2016年10月28日，则可实时计算2016年10月26日至28日这三天发布的新消息的实时热度值。

而离线计算的方式可为：2016年10月27日0时更新发布时间在2016年10月27日之前的历史消息的离线关注参数，并基于该离线关注参数计算各历史消息的离线热度值(为便于区分，后续将该离线热度值称为离线热度值A)。2016年10月28日0时更新发布时间在2016年10月28日之前的历史消息的离线关注参数，并基于该离线关注参数计算各历史消息的离线热度值(为便于区分，后续将该离线热度值称为离线热度值B)。

假设，用户在2016年10月28日0时30分发送推荐请求，此时，离线热度值2尚未计算完成，已计算得到的最新离线热度值为离线热度值A，离线热度值A对应的离线关注参数的更新时间为2016年10月27日0时。

步骤1042，获取发布时间在所述更新时间之后的新消息的实时热度值。

基于前述步骤1041，在本步骤中，可以获取发布时间在2016年10月27日0时之后的新消息的实时热度值，即获取已计算得到的2016年10月27日和28日两天发布的新消息的实时热度值。

步骤1043，根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及发布时间在所述更新时间之后的新消息的实时热度值进行消息推荐。

基于前述步骤1042，在本步骤中，可以根据当前关注参数没有更新的历史消息的离线热度值A、当前关注参数有更新的历史消息的实时热度值以及发布时间在2016年10月27日和28日的新消息的实时热度值进行消息推荐。而如果将第一时长设置为当天，就会丢失2016年10月27日发布的新消息的相关数据，导致不准确的消息推荐。

由以上描述可以看出，本申请可以设置大于离线热度值计算周期的第一时长，进而实现离线热度值与实时热度值的无缝对接，确保消息推荐的准确性。

可选的，在本申请另一个例子中，由于实时计算和离线计算对设备的性能要求不同，因此可以在推荐平台中部署不同的服务器来分别进行实时计算和离线计算。

请参考图3所示的推荐平台组网架构，该推荐平台中包括有：实时计算服务器、离线计算服务器、在线存储服务器以及推荐服务器等。

其中，所述实时计算服务器可用于实时计算新消息的实时热度值，所述离线计算服务器可用于周期性的离线计算历史消息的离线热度值。所述在线存储服务器可用于存储实时计算服务器和离线计算服务器计算出的热度值。所述推荐服务器可用于接收用户的推荐请求，并在接收到推荐请求后从所述在线存储服务器获取实时热度值和离线热度值，并根据所述实时热度值和所述离线热度值进行消息推荐，比如：计算当前关注参数有更新的历史消息的实时热度值、对热度值进行合并操作、排序操作、去重操作等。

与前述消息推荐方法的实施例相对应，本申请还提供了消息推荐装置的实施例。

本申请消息推荐装置的实施例可以应用在推荐平台的推荐服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在推荐服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请消息推荐装置所在推荐服务器的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的推荐服务器通常根据该推荐服务器的实际功能，还可以包括其他硬件，对此不再赘述。

图5是本申请一示例性实施例示出的一种消息推荐装置的框图。

请参考图5，所述消息推荐装置400可以应用在图4所示的推荐服务器中，包括：离线热度获取单元401、实时热度获取单元402、重新计算单元403、消息推荐单元404。

其中，离线热度获取单元401，接收到推荐请求后，获取已计算得到的历史消息的离线热度值，所述离线热度值是根据所述历史消息的离线关注参数周期性离线计算的；

实时热度获取单元402，获取新消息的实时热度值，所述实时热度值是根据所述新消息的当前关注参数实时计算得到的，其中，所述新消息的发布时长在预设的第一时长内；

重新计算单元403，当所述历史消息的当前关注参数相对于所述离线关注参数有更新时，重新计算所述历史消息的实时热度值；

消息推荐单元404，根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

可选的，所述第一时长大于离线热度值的计算周期。

可选的，所述消息推荐单元404，获取用于计算最新离线热度值的离线关注参数的更新时间；

获取发布时间在所述更新时间之后的新消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及发布时间在所述更新时间之后的新消息的实时热度值进行消息推荐。

可选的，消息热度值的计算方式为：

对消息各个维度的关注参数进行加权求和，得到加权求和值；

当所述消息的发布时长小于第二时长时，将所述加权求和值确定为所述消息的热度值；

当所述消息的发布时长大于等于所述第二时长时，用所述加权求和值乘以时间衰减值，得到所述消息的热度值；

其中，所述时间衰减值与消息的发布时长负相关。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (14)

1.一种消息推荐方法，应用在推荐平台，其特征在于，所述方法包括：

根据历史消息的离线关注参数，周期性的离线计算所述历史消息的离线热度值；

根据新消息的当前关注参数，实时计算所述新消息的实时热度值，其中，所述新消息的发布时长在预设的第一时长内；

在接收到推荐请求时，若所述历史消息的当前关注参数相对于所述离线关注参数有更新，则重新计算所述历史消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

2.根据权利要求1所述的方法，其特征在于，

所述第一时长大于离线热度值的计算周期。

3.根据权利要求2所述的方法，其特征在于，所述根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐，包括：

获取用于计算最新离线热度值的离线关注参数的更新时间；

获取发布时间在所述更新时间之后的新消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及发布时间在所述更新时间之后的新消息的实时热度值进行消息推荐。

4.根据权利要求1所述的方法，其特征在于，消息热度值的计算方式为：

对消息各个维度的关注参数进行加权求和，得到加权求和值；

当所述消息的发布时长小于第二时长时，将所述加权求和值确定为所述消息的热度值；

当所述消息的发布时长大于等于所述第二时长时，用所述加权求和值乘以时间衰减值，得到所述消息的热度值；

其中，所述时间衰减值与消息的发布时长负相关。

5.根据权利要求4所述的方法，其特征在于，

所述关注参数包括：点赞数量、回复数量。

6.一种消息推荐方法，应用在推荐平台的推荐服务器中，其特征在于，所述方法包括：

接收到推荐请求后，获取已计算得到的历史消息的离线热度值，所述离线热度值是根据所述历史消息的离线关注参数周期性离线计算的；

获取新消息的实时热度值，所述实时热度值是根据所述新消息的当前关注参数实时计算得到的，其中，所述新消息的发布时长在预设的第一时长内；

当所述历史消息的当前关注参数相对于所述离线关注参数有更新时，重新计算所述历史消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

7.根据权利要求6所述的方法，其特征在于，

所述第一时长大于离线热度值的计算周期。

8.根据权利要求7所述的方法，其特征在于，所述根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐，包括：

获取用于计算最新离线热度值的离线关注参数的更新时间；

获取发布时间在所述更新时间之后的新消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及发布时间在所述更新时间之后的新消息的实时热度值进行消息推荐。

9.据权利要求6所述的方法，其特征在于，消息热度值的计算方式为：

对消息各个维度的关注参数进行加权求和，得到加权求和值；

当所述消息的发布时长小于第二时长时，将所述加权求和值确定为所述消息的热度值；

当所述消息的发布时长大于等于所述第二时长时，用所述加权求和值乘以时间衰减值，得到所述消息的热度值；

其中，所述时间衰减值与消息的发布时长负相关。

10.根据权利要求9所述的方法，其特征在于，

所述关注参数包括：点赞数量、回复数量。

11.一种消息推荐装置，应用在推荐平台的推荐服务器中，其特征在于，所述装置包括：

离线热度获取单元，接收到推荐请求后，获取已计算得到的历史消息的离线热度值，所述离线热度值是根据所述历史消息的离线关注参数周期性离线计算的；

实时热度获取单元，获取新消息的实时热度值，所述实时热度值是根据所述新消息的当前关注参数实时计算得到的，其中，所述新消息的发布时长在预设的第一时长内；

重新计算单元，当所述历史消息的当前关注参数相对于所述离线关注参数有更新时，重新计算所述历史消息的实时热度值；

消息推荐单元，根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及所述新消息的实时热度值进行消息推荐。

12.根据权利要求11所述的装置，其特征在于，

所述第一时长大于离线热度值的计算周期。

13.根据权利要求12所述的装置，其特征在于，

所述消息推荐单元，获取用于计算最新离线热度值的离线关注参数的更新时间；

获取发布时间在所述更新时间之后的新消息的实时热度值；

根据当前关注参数没有更新的历史消息的离线热度值、当前关注参数有更新的历史消息的实时热度值以及发布时间在所述更新时间之后的新消息的实时热度值进行消息推荐。

14.据权利要求11所述的装置，其特征在于，消息热度值的计算方式为：

对消息各个维度的关注参数进行加权求和，得到加权求和值；

当所述消息的发布时长小于第二时长时，将所述加权求和值确定为所述消息的热度值；

当所述消息的发布时长大于等于所述第二时长时，用所述加权求和值乘以时间衰减值，得到所述消息的热度值；

其中，所述时间衰减值与消息的发布时长负相关。