CN108153753A - 推荐方法、装置和系统 - Google Patents

Abstract

本发明实施例提供了一种推荐方法、装置和系统，通过依据用户的不同类型网络行为，对该网络行为所涉及对象进行处理，获得向用户推荐的目标对象，其中，对于用户的各网络行为中模糊体现用户偏好的隐式行为，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高目标对象的点击率，优化推荐的效果。

Description

推荐方法、装置和系统

技术领域

本发明涉及信息技术，尤其涉及一种推荐方法、装置和系统。

背景技术

随着信息技术的不断发展，以及信息化的程度不断提升，对于个体来说所获能够得的信息量不断增多。但随之而来的是，由于信息量的不断攀升，信息过载问题也日益严重，有用信息被淹没在大量的无用信息中。尤其是在实时购物的场景中，面对数量众多的商品，消费者从中挑选出所需的商品时，往往需要耗费大量的时间。因此，为了提高效率，在购物的网络页面上，通常会设置商品推荐区域，用于展示服务器端推送的商品，便于消费者从中挑选商品，以提高消费者的购物效率。

在现有技术中，可以根据消费者的网络行为，例如：购买行为所涉及的商品，查询与之相似的推荐商品，并将该推荐商品向消费者进行推送。但是在方案实现过程中，发现无论是根据历史网络行为所推荐的推荐商品，还是根据当前网络行为所推荐的推荐商品，点击率或购买率均不高，尤其是根据当前网络行为所推荐的推荐商品，容易出现推荐商品与用户当前浏览商品重合度过高，引起用户反感，也就是说推荐的效果较差。

发明内容

本发明提供一种推荐方法、装置和系统，用于解决现有技术中推荐的效果较差的技术问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供了一种推荐方法，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；

对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第二方面，提供了一种推荐方法，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；

对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第三方面，提供了一种推荐方法，包括：

获取用户的网络行为所涉及的对象；

对于网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；

根据所述种子对象的相似对象生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第四方面，提供了一种推荐方法，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；

根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第五方面，提供了一种推荐方法，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；

对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第六方面，提供了一种推荐方法，包括：

获取用户的实时网络行为所涉及的对象；

对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；

根据所述第一种子对象的相似对象生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

第七方面，提供了一种推荐系统，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为进行记录；

所述分析节点从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

第八方面，提供了一种推荐系统，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为进行记录；

所述分析节点从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

第九方面，提供了一种推荐系统，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为所涉及的对象进行记录；

所述分析节点从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

第十方面，提供了一种推荐系统，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为所涉及的对象进行记录；

所述分析节点从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点想向所述用户推荐所述目标对象。

第十一方面，提供了一种推荐系统，所述推荐系统包括：分析节点、推荐节点、实时节点和离线节点；

所述实时节点记录所述用户的实时网络行为所涉及的对象；

所述离线节点记录所述用户的离线网络行为所涉及的对象；

所述分析节点分别从所述实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

第十二方面，提供了一种推荐系统，所述推荐系统包括：推荐节点、实时业务节点和分析节点；

所述实时业务节点记录用户的实时网络行为所涉及的对象；

所述分析节点从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

第十三方面，提供了一种推荐系统，所述推荐系统包括：

业务节点，用于对用户的网络行为进行记录；

分析节点，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

第十四方面，提供了一种推荐系统，所述推荐系统包括：

业务节点，用于对用户的网络行为进行记录；

分析节点，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

第十五方面，提供了一种推荐系统，所述推荐系统包括：

业务节点，用于对用户的网络行为所涉及的对象进行记录；

分析节点，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

第十六方面，提供了一种推荐系统，所述推荐系统包括：

业务节点，用于对用户的网络行为所涉及的对象进行记录；

分析节点，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

第十七方面，提供了一种推荐系统，所述推荐系统包括：

实时节点，用于记录用户的实时网络行为所涉及的对象；

离线节点，用于记录用户的离线网络行为所涉及的对象；

分析节点，用于分别从所述实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

第十八方面，提供了一种推荐系统，所述推荐系统包括：

实时业务节点，用于记录用户的实时网络行为所涉及的对象；

分析节点，用于从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点，用于向所述用户推荐所述目标对象。

第十九方面，提供了一种推荐装置，所述装置包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；

第二对象生成模块，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

第二十方面，提供了一种推荐装置，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；

第二对象生成模块，用于对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

第二十一方面，提供了一种推荐装置，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

对象生成模块，用于对于网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；

集合生成模块，用于根据所述种子对象的相似对象生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

第二十二方面，提供了一种推荐装置，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

对象生成模块，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；

集合生成模块，用于根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

第二十三方面，提供了一种推荐装置，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；

第二对象生成模块，用于对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

第二十四方面，提供了推荐装置，包括：

获取模块，用于获取用户的实时网络行为所涉及的对象；

对象生成模块，用于对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

本发明实施例提供的推荐方法、装置和系统，通过依据用户的不同类型网络行为，对该网络行为所涉及对象进行处理，获得向用户推荐的目标对象，其中，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户当前对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户当前所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户当前兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例一提供的一种推荐方法的流程示意图；

图2为本发明实施例二提供的一种推荐方法的流程示意图；

图3为本发明实施例三提供的一种推荐方法的流程示意图；

图4为本发明实施例四提供的一种推荐方法的流程示意图；

图5为本发明实施例五提供的一种推荐方法的流程示意图；

图6为本发明实施例六提供的一种推荐方法的流程示意图；

图7a为本发明实施例七提供的一种推荐方法的流程示意图；

图7b为本发明实施例七提供的另一种推荐方法的流程示意图；

图8a为本发明实施例七提供的一种软件框架的结构示意图；

图8b为离线平台的结构示意图；

图8c为在软件框架下执行推荐方法的示意图；

图9为本发明实施例八提供的一种推荐系统的交互流程图；

图10为本发明实施例九提供的一种推荐系统的交互流程图；

图11为本发明实施例十提供的一种推荐系统的交互流程图；

图12为本发明实施例十一提供的一种推荐系统的交互流程图；

图13为本发明实施例十二提供的一种推荐系统的交互流程图；

图14为本发明实施例十三提供的一种推荐系统的交互流程图；

图15为本发明实施例十三提供的另一种推荐系统的交互流程图；

图16为本发明实施例十四提供的一种推荐系统的结构示意图；

图17为本发明实施例十五提供的一种推荐系统的结构示意图；

图18为本发明实施例十六提供的一种推荐系统的结构示意图；

图19为本发明实施例十七提供的一种推荐装置的结构示意图；

图20为本发明实施例十八提供的一种推荐装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

下面结合附图对本发明实施例提供的推荐方法、装置和系统进行详细描述。

实施例一

图1为本发明实施例一提供的一种推荐方法的流程示意图，如图1所示，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，本实施例中对于推荐方法的应用场景不做限定。

具体的，本发明实施例提供的推荐方法，包括：

步骤101、获取用户的网络行为所涉及的对象。

具体的，对用户的网络行为进行记录时，一般会采用时间窗的方式，对于在当前时间窗内所发生的网络行为称为用户当前所执行的网络行为，即实时网络行为，在历史时间窗内所发生的网络行为称为离线网络行为。一般来说时间窗可以设置为一小时、几个小时或者一天，本实施例中，可以分别获取实时网络行为和离线网络行为所涉及的对象，也可以仅获取实时网络行为所涉及的对象，还可以仅获取离线网路行为所涉及的对象。

步骤102，对于网络行为中的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象。

其中，隐式行为模糊体现用户偏好，或者说，隐式行为与用户兴趣的关联度低于设定阈值；与隐式行为相对应的是显式行为，显式行为能够较为准确地体现用户偏好，或者说，显式行为与用户兴趣的关联度高于或等于该设定阈值。

由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，从而使得根据第一种子对象所确定出的目标对象与用户当前兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

步骤103，对于网络行为中的显式行为，将显式行为所涉及的对象作为第二种子对象。

具体地，由于显式行为能够较为准确地体现用户偏好，因此，可以不经过根据用户的偏好程度进行筛选的过程，直接将显式行为所涉及的对象作为第二种子对象。

步骤104，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。

其中，关联是指两个对象之间存在较高的概率被同一用户的同一次网络行为所涉及，举例来说，对于用户经常搭配购买的商品，所搭配购买的至少两个商品之间具有关联关系。

具体地，预先进行对象的数据挖掘，这里的数据挖掘包括各对象之间的相似度挖掘，和各对象之间的关联度挖掘，根据数据挖掘结果，确定出第一种子对象的相似对象，以及确定出第二种子对象的相似对象和/或关联对象。进而将第一种子对象的相似对象，以及第二种子对象的相似对象和/或关联对象作为元素，生成候选集合。

步骤105，根据候选集合，选定向用户推荐的目标对象。

具体地，由于推荐的目标对象数量较少，因此，可以候选集合中选定一些对象作为向用户推荐的目标对象，作为一种可能的实现方式，可以根据用户选择候选集合中的对象的概率，从候选集合中选定高概率的对象作为目标对象。

进一步，一方面，为了使得向用户推荐的目标对象更加具有多元化，可以在选定向用户推荐的目标对象之前，增加一些对象到候选集合中；另一方面，为了保证目标对象的安全性和有效性，还可以在选定向用户推荐的目标对象之前，筛选掉候选集合中的一些对象。

具体地，一方面，将与用户之间的关联度高于关联阈值的对象，增加到候选集合中；和/或，将涉及网络行为的次数高于次数阈值的热点对象增加到所述候选集合中。由于热点对象并不在步骤103所生成的候选集合中，因此，热点对象与第一种子对象之间的相似程度会低于第一种子对象的相似对象，和/或热点对象与第二种子对象之间的相似程度低于第二种子对象的相似对象，和/或热点对象与第二种子对象之间的关联程度低于第二种子对象的关联对象。

另一方面，依据预先配置筛选规则，对候选集合中的对象进行筛选，作为一种可能的实现方式，筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户当前兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例二

为了清楚说明上一实施例，本实施例提供了一种推荐方法，具体来说，图2为本发明实施例二提供的一种推荐方法的流程示意图。

本实施例中，显式行为可以包括收藏和/或购买，需要说明的是，在实际应用中，显式行为除包括收藏和购买外，至少还可以包括：加购物车、关注、订阅、评价、分享和转发等，本实施例中仅以收藏和购买为例进行示意性描述。

隐式行为可以包括点击、浏览、收听，以及收听广播和观看视频中的广告等，类似地，在实际应用中，隐式行为还可以为其他形式，本实施例中仅以前述列举的行为为例，进行示意性描述。

如图2所示，推荐方法包括以下步骤：

步骤201，选择性获取数据源，以得到用户的网络行为所涉及的对象。

数据源可以包括：记录用户实时网络行为的数据源，例如记录用户当前浏览的商品、当前搜索的商品和当前收藏的商品的数据源；另外，数据源还可以包括：记录用户离线网络行为的数据源，例如记录用户最近一段时间内收藏的商品、购买的商品的数据源。

作为一种可能的实现方式，各个数据源之间可以记录有不同的网络行为。例如：从记录用户实时浏览、搜索和收藏的数据源，以及从记录用户历史收藏、搜索和浏览的数据源中选择N个商品；此外，还需要从记录用户历史购买的数据源中，选择最近购买的M个商品。其中，M和N为自然数。

步骤202，对于用户的网络行为中的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选。

具体地，根据用户执行隐式行为的时刻距离当前时刻的时长，计算用户对隐式行为所涉及对象的偏好程度。具体来说，包括以下两个步骤，首先，针对每一个类目，将用户对所述类目下各对象执行隐式行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到用户对类目的偏好程度；进而，针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

例如：可以采用时间衰减方法并增加热门类目的降权，即：其中s_c为类目c的偏好度得分，timeDiff_i为当前时间与用户操作物品i的行为时间之差，w_c为类目c的权重。得到偏好类目后，再结合物品的行为时间，计算候选集中每个物品的相关性得分：其中，rele(i)为物品i的相关性得分，s_c为物品i所属类目的偏好得分，eps为平滑因子，防止出现结果为0的情况。

步骤203，将筛选保留的对象作为第一种子对象，确定第一种子对象的相似对象，将第一种子对象的相似对象增加到候选集合中。

具体地，筛选保留的对象为用户偏好程度较高，从而能够覆盖用户的感兴点的对象，将这些对象作为第一种子对象，向用户推荐与这些用户感兴趣或者说偏好的对象相似的相似对象，以提高用户点击的概率。

步骤204，对于网络行为中的显式行为，将显式行为所涉及的对象作为第二种子对象。

由于显式行为直接体现用户的兴趣点，因此，可以直接将显式行为所涉及的对象作为第二种子对象。

步骤205，针对显式行为中的收藏行为所涉及的第二种子对象，将与收藏行为所涉及的第二种子对象相似的相似对象，增加到候选集合中。

步骤206，针对购买行为所涉及的第二种子对象，根据对象之间的关联分析结果，将与所述购买行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

步骤207，对候选集合中的对象进行打分排序，根据排序选定向用户推荐的目标对象。

候选集合中的对象经过统一的打分规则，进行打分，本步骤中的打分用于预测用户点击该对象的概率，打分越高，则预测用户点击该对象的概率越高，反之，打分越低，则预测用户点击该对象的概率越低。

这里可以使用建立数据模型的方法作为本步骤的打分。具体地，可将实时和离线的对象特征、用户特征作为模型的输入参数，将模型所计算出的用户点击该对象的概率值作为分值。

按照分值由高到低的顺序对对象进行排序，也就是按照所预测出的用户点击该对象的概率，由高至低的顺序对对象进行排序，选取排序靠前的对象作为目标对象对用户进行推荐，从而增加用户浏览、购买的概率。

步骤208、对目标对象进行后处理。

作为一种可能的实现方式，为了使得所推荐的目标对象更加多样化，从而能够较为全面的覆盖用户兴趣点，可以采用预设的多样性后处理策略对目标对象进行后处理。具体来说，可以对待推荐的全部目标对象的类目进行校验，以确定待推荐的全部目标对象中，对象类目是否较为单一，若否，则通过校验；反之，若对象类目较为单一，可以按照分值由高到低的顺序顺次选取其他类目的对象补充到待推荐的目标对象中。

作为另一种可能的实现方式，为了优化所推荐的目标对象在用户端的显示效果，可以对目标对象进行分页处理，从而用户端采用多个页面分页对目标对象进行显示，避免在单个页面上显示过多的目标对象。这是由于，用户习惯于在单个页面上仅点击少量的对象进行查看，若一次性显示过多的目标对象，则降低了目标对象整体的点击率。

步骤209、向用户推荐处理后的目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例三

图3为本发明实施例三提供的一种推荐方法的流程示意图，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例中对于推荐方法的应用场景不做限定。

具体地，如图3所示，推荐方法包括以下步骤：

步骤301，获取用户的网络行为所涉及的对象。

步骤302，对于网络行为中的第一类行为，根据用户对第一类行为所涉及对象的偏好程度，对第一类行为所涉及的对象进行筛选得到第一种子对象。

其中，第一类行为与用户兴趣的关联度低于设定阈值。

步骤303，对于网络行为中的第二类行为，将第二类行为所涉及的对象作为第二种子对象。

步骤304，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。

其中，第二类行为与用户兴趣的关联度不低于设定阈值。

步骤305，根据候选集合，选定向用户推荐的目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的第一类行为，根据用户对第一类行为所涉及对象的偏好程度，对第一类行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的第一类行为能够模糊但不能准确地体现用户偏好，从而第一类行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例四

图4为本发明实施例四提供的一种推荐方法的流程示意图，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。如图4所示，方法包括：

步骤401，获取用户的网络行为所涉及的对象。

步骤402，对于网络行为中的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到种子对象。

其中，隐式行为包括：点击、浏览、收听，以及收听广播和观看视频中的广告中的至少一个。

进一步，在步骤402之前，根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度。

具体地，针对每一个类目，将所述用户对所述类目下各对象执行所述隐式行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到所述用户对所述类目的偏好程度；针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

步骤403，根据种子对象的相似对象生成候选集合。

步骤404，根据候选集合，选定向用户推荐的目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到种子对象，进而根据种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为种子对象，能够使得根据种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例五

图5为本发明实施例五提供的一种推荐方法的流程示意图，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图5所示，方法包括：

步骤501，获取用户的网络行为所涉及的对象。

步骤502，对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象。

其中，显式行为包括：收藏和/或购买，另外，显式行为还包括加购物车、关注、订阅、评价、分享和转发等。

步骤503，根据种子对象的相似对象和/或关联对象，生成候选集合。

具体地，可以根据显式行为的类型不同，确定需要获取相似对象还是关联对象。

作为一种可能的实现方式，一方面，针对收藏行为所涉及的种子对象，将与所述收藏行为所涉及的种子对象相似的相似对象，增加到所述候选集合中。

另一方面，针对购买行为所涉及的种子对象，根据对象之间的关联分析结果，将与购买行为所涉及的种子对象存在关联关系的关联对象，增加到所述候选集合中。

步骤504，根据候选集合，选定向用户推荐的目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于网络行为中的显式行为，将显式行为所涉及的对象作为种子对象，根据种子对象的相似对象和/或关联对象，生成候选集合，从而根据候选集合，选定向用户推荐的目标对象。由于根据种子对象的相似对象和/或关联对象，生成候选集合，丰富了目标对象的类型，尽可能使得目标对象能够覆盖用户的兴趣点，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例六

图6为本发明实施例六提供的一种推荐方法的流程示意图，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。如图6所示，推荐方法包括，

步骤601，获取用户的网络行为所涉及的对象。

步骤602，对于网络行为中的实时网络行为，将实时网络行为所涉及的对象作为第一种子对象。

具体的，对用户的网络行为进行记录时，一般会采用时间窗的方式，对于在当前时间窗内所发生的网络行为称为用户当前所执行的网络行为，即实时网络行为，在历史时间窗内所发生的网络行为称为离线网络行为。一般来说时间窗可以设置为一小时、几个小时或者一天，因此，在现有技术中若根据用户的离线网络行为推荐目标对象，很容易由于随着时间的推移，用户的兴趣点发生了变化，从而离线网络行为并不能准确体现用户当前的兴趣点，导致用户对所推荐的目标对象的点击率较低，也就是推荐的效率较低。

因此，本实施例中，基于用户的实时网络行为，也就是当前时间窗内所发生的网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

步骤603，对于网络行为中的离线网络行为，将离线网络行为所涉及的对象作为第二种子对象。

其中，离线网络行为包括历史网络行为和准实时网络行为。如上所述，对用户的网络行为进行记录时，一般会采用时间窗的方式，其中，在历史时间窗内所发生的网络行为称为离线网络行为。一般来说，还可以进一步根据历史时间窗距离当前时间窗时间段的长短，将离线网络行为进行进一步细分。

例如：时间窗设置为一天的情况下，将一周内的离线网络行为称为准实时网络行为，将其余超过一周的离线网络行为称为历史网络行为。

步骤604，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。

具体地，针对准实时网络行为所涉及的第二种子对象，根据所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，对所述准实时网络行为所涉及的第二种子对象进行筛选；将筛选保留的所述准实时网络行为所涉及的第二种子对象的相似对象，增加到所述候选集合中；

和/或，针对历史网络行为中显式行为所涉及的第二种子对象，根据对象之间的关联分析结果，将与所述历史网络行为中显式行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

进一步，根据用户对准实时网络行为所涉及的第二种子对象的偏好程度，对准实时网络行为所涉及的第二种子对象进行筛选之前，还可以根据用户执行准实时网络行为的时刻距离当前时刻的时长，计算用户对准实时网络行为所涉及的第二种子对象的偏好程度。

具体地，针对每一个类目，将所述用户对所述类目下各对象执行所述准实时网络行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到所述用户对所述类目的偏好程度；

针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述准实时网络行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

进一步，生成候选集合之后，还可以包括，依据预先配置的筛选规则，对所述候选集合中的对象进行筛选。

作为一种可能的实现方式，筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

步骤605，根据候选集合，选定向用户推荐的目标对象。

具体地，根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

本实施例中，获取用户的网络行为所涉及的对象之后，对于网络行为中的实时网络行为，将实时网络行为所涉及的对象作为第一种子对象，对于网络行为中的离线网络行为，将离线网络行为所涉及的对象作为第二种子对象，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。根据候选集合，选定向所述用户推荐的目标对象。基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例七

图7a为本发明实施例七提供的一种推荐方法的流程示意图，作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。如图7a所示，包括：

步骤701，获取用户的实时网络行为所涉及的对象。

具体的，对用户的网络行为进行记录时，一般会采用时间窗的方式，对于在当前时间窗内所发生的网络行为称为用户当前所执行的网络行为，即实时网络行为，在历史时间窗内所发生的网络行为称为离线网络行为。一般来说时间窗可以设置为一小时、几个小时或者一天，因此，在现有技术中若根据用户的离线网络行为推荐目标对象，很容易由于随着时间的推移，用户的兴趣点发生了变化，从而离线网络行为并不能准确体现用户当前的兴趣点，导致用户对所推荐的目标对象的点击率较低，也就是推荐的效率较低。

步骤702，对于实时网络行为中的实时隐式行为，根据用户对实时隐式行为所涉及对象的偏好程度，对实时隐式行为所涉及的对象进行筛选得到第一种子对象。

步骤703，根据第一种子对象的相似对象生成候选集合。

进一步，针对生成的候选集合，可以依据预先配置的筛选规则，对所述候选集合中的对象进行筛选；所述筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

步骤704，根据候选集合，选定向用户推荐的目标对象。

根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

进一步，为了清楚说明本实施例所提供的方法，本实施例还提供了另一种推荐方法，图7b为本发明实施例七提供的另一种推荐方法的流程示意图，在图7a方法的基础上，如图7b所示，进一步包括：

步骤801，获取用户的离线网络行为中准实时网络行为所涉及的对象。

步骤802，对于所述准实时网络行为中的准实时隐式行为，根据所述用户执行所述准实时隐式行为的时刻距离当前时刻的时长，计算所述用户对所述准实时隐式行为所涉及对象的偏好程度。

步骤803，根据所述用户对所述准实时隐式行为所涉及对象的偏好程度，对所述准实时隐式行为所涉及的对象进行筛选。

步骤804，将筛选保留的对象的相似对象，增加到所述候选集合。

步骤805，从用户的实时网络行为和离线网络行为中，获取显式行为所涉及的对象。

其中，显式行为包括：收藏和/或购买。

具体地，针对收藏行为所涉及的对象，将与所述收藏行为所涉及的对象相似的相似对象，增加到所述候选集合中。

和/或，针对购买行为所涉及的对象，根据对象之间的关联分析结果，将与所述购买行为所涉及的对象存在关联关系的关联对象，增加到所述候选集合中。

步骤806，将与所述显式行为所涉及的对象的相似对象和/或关联对象，增加到所述候选集合。

进一步，还可以将与所述用户之前的关联度高于关联阈值的对象，增加到所述候选集合中；和/或，将涉及热点对象增加到所述候选集合中。

从而对候选集合中对象的多样性进行丰富，以最大程度上覆盖用户的兴趣点。

为了清楚说明本实施例以及前述实施例所提供的推荐方法，本实施例还提供了一种用于执行前述推荐方法的软件框架，图8a为本发明实施例七提供的一种软件框架的结构示意图，该软件框架包括：推荐单元和监控单元。

其中，推荐单元用于根据用户当前网络行为所涉及的对象生成目标对象，向所述用户推荐所述目标对象。

监控单元用于对推荐单元的运行进行监控。

其中，如图8a所示，推荐单元进一步包括：

源检索组件401，用于获取数据源。

其中，数据源用于记录对应的网络行为，这里的网络行为包括显式行为、隐式行为，另外从时间维度上还可以划分为离线行为和实时行为。常见的数据源具体包括购买历史、点击流、搜索关键词等。

源筛选组件402，用于依据预先配置源筛选规则，根据各数据源所对应的网络行为，对所述数据源进行筛选，以保留目标数据源；从所述目标数据源中读取所述用户的网络行为所涉及的对象。

源筛选规则通常基于以下几个参考因素，包括：是否与客户端页面的内容匹配、是否覆盖用户当前的兴趣点和商品类目是否多样化。

生成组件403，用于确定用户的当前网络行为所涉及的对象和/或历史网络行为所涉及的对象，根据网络行为所涉及的对象，生成目标对象。

具体的，可以根据各对象之间的相似度、各对象之间的关联分析结果以及用户与对象之间的关系，生成目标对象。

对象筛选组件404，用于依据预先配置筛选规则，对所述目标对象进行筛选。

预先配置的筛选规则可以包括：非法商品类目的过滤规则、相似购买类目过滤规则、最近浏览商品和最近购买类目过滤规则、黑名单店铺和商品过滤规则。

预测组件405，用于预测所述用户选择所述目标对象的概率。这里可以使用建立数据模型的方法或者直接将离线服务器计算所获得商品分数进行归一化后作为本步骤的打分。按照分值由高到低的顺序对商品进行排序，也就是按照所预测出的用户点击该商品的概率，由高至低的顺序对商品进行排序，选取排序靠前的商品作为目标商品对用户进行推荐，从而增加用户浏览、购买的概率。

后处理组件406，用于依据预先配置的后处理策略，对目标对象进行处理。

这里的后处理组件406可以基于目标对象的新颖性和多样性以及分页显示等方面进行考虑确定后处理策略。

推荐组件407，用于向用户推荐处理后的目标对象。

进一步，监控单元，包括：过程监控组件501和效果监控组件502。

过程监控组件501，用于根据所述推荐单元中各组件中预设监控点所获取到的运行过程数据，对推荐单元的运行过程进行监控。

效果监控组件502，用于根据用户选择所推荐的目标对象的实际概率，对所述推荐单元的运行效果进行监控。

作为一种可能的实现方式，该软件框架具体可以采用管道(pipeline)框架，并基于切面技术对该框架进行设计。如图8a所示，推荐单元中的各个组件构成了软件框架的核心，监控单元中的过程监控组件501分别与推荐单元中的各个组件连接，从而对推荐单元的运行过程进行监控。效果监控组件502具体可以通过获取用户端所反馈的点击数据，从而根据该数据分析用户选择所推荐的目标对象的实际概率，对推荐单元的运行效果进行监控。

在软件框架中，各个组件中预置有可供信息推荐端进行选择的规则、数据源或者是其他可选工具，信息推荐端可以采用配置文件的方式对各个组件进行配置，在配置完成后通过运行软件框架便可以完成对作为消费者的用户推荐商品等目标对象的过程。

需要说明的是，在软件框架中，提供了多个组件，但并不是每个组件均为必须的，信息推荐端可以根据在不同应用场景下，所需的信息推荐准确度的不同自主进行选择。

作为一种可能的应用场景，前述提供的软件框架可以与离线平台上所运行的离线平台连接，从而获取离线平台中所存储的信息，这里所提及的离线平台所存储的信息可以包括但不限于：各对象之间的相似度、各对象之间的关联分析结果、用户与对象之间的关联度和/或用户网络行为所涉及的对象。

尽管软件框架主要应用于实时推荐的应用场景中，但为了加快数据处理速度，及时响应实时推荐请求，实时推荐的软件框架会读取离线运算的结果，从而基于离线运算的结果进行推荐，节省了运算时间，提高运行效率。

图8b为离线平台的结构示意图，如图8b所示，包括：数据层、算法层和存储层。

其中，数据层用于获取用户数据、网络行为数据和对象数据。数据层所获取的数据均为历史数据。

算法层，用于基于数据层所获取的数据进行离线数据挖掘，获得数据挖掘结果。在进行数据挖掘时，可采用基于内容的推荐算法、协同过滤的算法以及基于图的推荐算法等等，本实施例中对此不做限定。

存储层中维护有多个数据库，数据库中所存储的信息可以包括但不限于：各对象之间的相似度、各对象之间的关联分析结果、用户与对象之间的关联度和/或用户网络行为所涉及的对象。鉴于算法层采用了多种算法进行数据挖掘，各个数据库可以针对不同算法所获得的结果进行存储。

对于软件框架来说，由于该软件具体实现上是通过设置了各个组件，对应完成从数据源获取数据、对数据源进行筛选、生成候选商品、候选商品筛选、对候选商品进行打分排序以及后处理功能。这些组件囊括了各个应用场景下所需的数据处理步骤，从而使得软件框架具有场景的通用性，丰富了框架的功能性。

为了说明在软件框架下所执行的推荐方法，本实施例下面将列举一个示例进行说明。图8c为在软件框架下执行推荐方法的示意图，如图8c所示，源检索组件分别从实时业务节点的相关数据库，以及离线业务节点的相关数据库获取数据源，针对数据源中的足迹、收藏、加购和购买等不同行为，由源筛选组件对数据源进行筛选后，确定筛选保留的网络行为所涉及的对象为第一种子对象，还是第二种子对象。进而生成组件依据离线关系数据库所记载的对象间的相似性，以及对象间的相关性，确定候选集合，候选集合中包括第一种子对象的相似对象，以及第二种子对象的相关对象。针对候选集合中的对象，对象筛选组件采用预设筛选策略进行筛选，对于保留的对象，利用预测组件，采用算法集中的一种算法或者多种算法的组合预测用户点击的概率，从而选择出高概率的目标对象。最后，利用后处理组件对目标对象进行分页等后处理过程，以在用户端获得较好的显示效果。

需要说明的是，在图8c中，提及了LR、GBDT、AG三种算法，下面对算法进行简要介绍。

LR：逻辑斯特回归，工业界常用的一种二分类机器学习算法。

GBDT：梯度提升决策树，是一种基于提升技术的分类算法，泛化能力较强。

AG：即Additive Groves，一种回归树的组合模型，即采用装袋方法组合多个回归树来提升整体性能。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。同时，由于优先获取实时网络行为所涉及的对象，基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例八

图9为本发明实施例八提供的一种推荐系统的交互流程图，如图9所示，推荐系统包括：推荐节点、业务节点和分析节点。

步骤901，业务节点对用户的网络行为进行记录。

步骤902，分析节点从业务节点获取用户的网络行为所涉及的对象，对于网络行为中的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

具体来说，显式行为包括：收藏和/或购买。

基于此，根据第二种子对象的相似对象和/或关联对象，生成候选集合，包括：分析节点针对收藏行为所涉及的第二种子对象，获得与所述收藏行为所涉及的第二种子对象相似的相似对象，将所获得的相似对象增加到所述候选集合中；和/或，分析节点针对购买行为所涉及的第二种子对象，获取与所述购买行为所涉及的第二种子对象存在关联关系的关联对象，将所获得的关联对象增加到所述候选集合中。

进一步，显式行为还包括：加购物车、关注、订阅、评价、分享和转发中的至少一个。

进一步，对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象之前，还包括：

所述分析节点根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度。

其中，隐式行为与用户兴趣的关联度低于设定阈值。隐式行为至少包括：点击、浏览、收听，以及收听广播和观看视频中的广告等。

进一步，分析节点生成候选集合之后，还包括：

所述分析节点将与所述用户之间的关联度高于关联阈值的对象，增加到所述候选集合中；

和/或，所述分析节点将涉及网络行为的次数高于次数阈值的热点对象增加到所述候选集合中。

在一种可能的实现方式中，热点对象与所述第一种子对象之间的相似程度低于所述第一种子对象的相似对象；和/或，所述热点对象与所述第二种子对象之间的相似程度低于所述第二种子对象的相似对象；和/或，所述热点对象与所述第二种子对象之间的关联程度低于所述第二种子对象的关联对象。

步骤903，推荐节点获取分析节点选定的目标对象，并向用户推荐所述目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例九

图10为本发明实施例九提供的一种推荐系统的交互流程图，推荐系统包括：推荐节点、业务节点和分析节点。

作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图10所示，包括：

步骤1001，业务节点对用户的网络行为进行记录。

步骤1002，分析节点从业务节点获取用户的网络行为所涉及的对象，对于网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

步骤1003，推荐节点从分析节点获取目标对象，并向用户推荐所述目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的第一类行为，根据用户对第一类行为所涉及对象的偏好程度，对第一类行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的第一类行为能够模糊但不能准确地体现用户偏好，从而第一类行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例十

图11为本发明实施例十提供的一种推荐系统的交互流程图，推荐系统包括：推荐节点、业务节点和分析节点。

作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图11所示，包括：

步骤1101，业务节点对用户的网络行为所涉及的对象进行记录。

步骤1102，分析节点从业务节点获取用户的网络行为所涉及的对象，对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

步骤1103，所述推荐节点向所述用户推荐所述目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到种子对象，进而根据种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为种子对象，能够使得根据种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例十一

图12为本发明实施例十一提供的一种推荐系统的交互流程图，该推荐系统包括：推荐节点、业务节点和分析节点。

作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图12所示，方法包括：

步骤1201，业务节点对用户的网络行为所涉及的对象进行记录。

步骤1202，分析节点从业务节点获取用户的网络行为所涉及的对象，对于网络行为中的显式行为，将显式行为所涉及的对象作为种子对象，根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合，根据所述候选集合，选定向所述用户推荐的目标对象。

步骤1203，推荐节点向用户推荐目标对象。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于网络行为中的显式行为，将显式行为所涉及的对象作为种子对象，根据种子对象的相似对象和/或关联对象，生成候选集合，从而根据候选集合，选定向用户推荐的目标对象。由于根据种子对象的相似对象和/或关联对象，生成候选集合，丰富了目标对象的类型，尽可能使得目标对象能够覆盖用户的兴趣点，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

实施例十二

图13为本发明实施例十二提供的一种推荐系统的交互流程图，推荐系统包括：分析节点、推荐节点、实时节点和离线节点。

作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图13所示，步骤包括：

步骤1301，实时节点记录所述用户的实时网络行为所涉及的对象。

步骤1302，离线节点记录所述用户的离线网络行为所涉及的对象。

步骤1303，分析节点分别从实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

可选地，作为一种可能的实现方式，离线网络行为包括历史网络行为和准实时网络行为。基于此，根据所述第二种子对象的相似对象和/或关联对象，生成候选集合，具体包括：针对准实时网络行为所涉及的第二种子对象，所述分析节点根据所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，对所述准实时网络行为所涉及的第二种子对象进行筛选；将筛选保留的所述准实时网络行为所涉及的第二种子对象的相似对象，增加到所述候选集合中；

和/或，针对历史网络行为中显式行为所涉及的第二种子对象，所述分析节点根据对象之间的关联分析结果，将与所述历史网络行为中显式行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

步骤1304，推荐节点向所述用户推荐所述目标对象。

本实施例中，获取用户的网络行为所涉及的对象之后，对于网络行为中的实时网络行为，将实时网络行为所涉及的对象作为第一种子对象，对于网络行为中的离线网络行为，将离线网络行为所涉及的对象作为第二种子对象，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。根据候选集合，选定向所述用户推荐的目标对象。基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例十三

图14为本发明实施例十三提供的一种推荐系统的交互流程图，推荐系统包括：推荐节点、实时业务节点和分析节点。

作为一种可能的实现方式，本实施例所提供的方法可以用于对用户推荐商品的应用场景下，从而本实施例中所提及的对象具体可以为商品。类似地，本实施例还可以应用于文章、音乐、应用等方面的推荐，因此，本实施例对于该方法的应用场景不作限定。

如图14所示，步骤包括：

步骤1401，实时业务节点记录用户的实时网络行为所涉及的对象。

步骤1402，分析节点从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

步骤1403，推荐节点向用户推荐目标对象。

进一步，作为一种可能的实现方式，图15为本发明实施例十三提供的另一种推荐系统的交互流程图，如图15所示，推荐系统还包括离线业务节点。

基于此，本实施例的推荐系统还用于执行以下步骤：

步骤1404，离线业务节点记录用户的离线网络行为所涉及的对象。

步骤1405，分析节点从所述离线业务节点获取用户的离线网络行为中准实时网络行为所涉及的对象；对于所述准实时网络行为中的准实时隐式行为，根据所述用户执行所述准实时隐式行为的时刻距离当前时刻的时长，计算所述用户对所述准实时隐式行为所涉及对象的偏好程度；根据所述用户对所述准实时隐式行为所涉及对象的偏好程度，对所述准实时隐式行为所涉及的对象进行筛选，获得筛选保留的对象的相似对象；将所述筛选保留的对象的相似对象，增加到所述候选集合。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。同时，由于优先获取实时网络行为所涉及的对象，基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例十四

图16为本发明实施例十四提供的一种推荐系统的结构示意图，如图16所示，推荐系统包括：业务节点1601、分析节点1602和推荐节点1603。

可选地，作为本实施例的第一种可能的实现方式，推荐系统用于执行如图1、2和图9所示的方法。

具体地，业务节点1601，用于对用户的网络行为进行记录。

分析节点1602，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

推荐节点1603，用于向所述用户推荐所述目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第二种可能的实现方式，推荐系统用于执行如图3和图10所示的方法。

具体地，业务节点1601，用于对用户的网络行为进行记录。

分析节点1602，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点1602，用于向所述用户推荐所述目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的第一类行为，根据用户对第一类行为所涉及对象的偏好程度，对第一类行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的第一类行为能够模糊但不能准确地体现用户偏好，从而第一类行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第三种可能的实现方式，推荐系统用于执行如图4和图11所示的方法。

具体地，业务节点1601，用于对用户的网络行为所涉及的对象进行记录。

分析节点1602，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

推荐节点1603，用于向所述用户推荐所述目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到种子对象，进而根据种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为种子对象，能够使得根据种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第四种可能的实现方式，推荐系统用于执行如图5和图12所示的方法。

具体地，业务节点1601，用于对用户的网络行为所涉及的对象进行记录。

分析节点1602，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

推荐节点1603，用于向所述用户推荐所述目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于网络行为中的显式行为，将显式行为所涉及的对象作为种子对象，根据种子对象的相似对象和/或关联对象，生成候选集合，从而根据候选集合，选定向用户推荐的目标对象。由于根据种子对象的相似对象和/或关联对象，生成候选集合，丰富了目标对象的类型，尽可能使得目标对象能够覆盖用户的兴趣点，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

需要说明的是，前述对推荐方法实施例的解释说明也适用于该实施例的推荐系统，此处不再赘述。

实施例十五

图17为本发明实施例十五提供的一种推荐系统的结构示意图，如图17所示，推荐系统包括：实时节点1701、离线节点1702、分析节点1703和推荐节点1704。

实时节点1701，用于记录用户的实时网络行为所涉及的对象。

离线节点1702，用于记录用户的离线网络行为所涉及的对象。

分析节点1703，用于分别从所述实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

推荐节点1704，用于向所述用户推荐所述目标对象。

需要说明的是，本实施例所提供的推荐系统用于执行如图6和图13所示的方法，前述对法实施例的解释说明也适用于该实施例的系统，此处不再赘述。

本实施例中，获取用户的网络行为所涉及的对象之后，对于网络行为中的实时网络行为，将实时网络行为所涉及的对象作为第一种子对象，对于网络行为中的离线网络行为，将离线网络行为所涉及的对象作为第二种子对象，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。根据候选集合，选定向所述用户推荐的目标对象。基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例十六

图18为本发明实施例十六提供的一种推荐系统的结构示意图，如图18所示，推荐系统包括：实时业务节点1801、分析节点1802和推荐节点1803。

实时业务节点1801，用于记录用户的实时网络行为所涉及的对象。

分析节点1802，用于从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象。

推荐节点1803，用于向所述用户推荐所述目标对象。

需要说明的是，本实施例所提供的推荐系统用于执行如图7a、图7b、图14和图15所示的方法，前述对法实施例的解释说明也适用于该实施例的系统，此处不再赘述。

本实施例中，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。同时，由于优先获取实时网络行为所涉及的对象，基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

实施例十七

图19为本发明实施例十七提供的一种推荐装置的结构示意图，如图19所示，包括：获取模块1901、第一对象生成模块1902、第二对象生成模块1903、集合生成模块1904和推荐模块1905。

可选地，作为本实施例的第一种可能的实现方式，推荐装置用于执行如图1、2和图9所示的方法。

获取模块1901，用于获取用户的网络行为所涉及的对象。

第一对象生成模块1902，用于对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象。

第二对象生成模块1903，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象。

集合生成模块1904，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合。

推荐模块1905，用于根据所述候选集合，选定向所述用户推荐的目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户当前兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第二种可能的实现方式，推荐装置用于执行如图3和图10所示的方法。

具体地，获取模块1901，用于获取用户的网络行为所涉及的对象。

第一对象生成模块1902，用于对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象。

第二对象生成模块1903，用于对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象。

集合生成模块1904，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合。

推荐模块1905，用于根据所述候选集合，选定向所述用户推荐的目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的第一类行为，根据用户对第一类行为所涉及对象的偏好程度，对第一类行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的第一类行为能够模糊但不能准确地体现用户偏好，从而第一类行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第三种可能的实现方式，推荐装置用于执行如图6和图13所示的方法。

获取模块1901，用于获取用户的网络行为所涉及的对象。

第一对象生成模块1902，用于对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象。

第二对象生成模块1903，用于对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象。

集合生成模块1904，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合。

推荐模块1905，用于根据所述候选集合，选定向所述用户推荐的目标对象。

可见，获取用户的网络行为所涉及的对象之后，对于网络行为中的实时网络行为，将实时网络行为所涉及的对象作为第一种子对象，对于网络行为中的离线网络行为，将离线网络行为所涉及的对象作为第二种子对象，根据第一种子对象的相似对象，以及根据第二种子对象的相似对象和/或关联对象，生成候选集合。根据候选集合，选定向所述用户推荐的目标对象。基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

实施例十八

图20为本发明实施例十八提供的一种推荐装置的结构示意图，如图20所示，包括：获取模块2001、对象生成模块2002、集合生成模块2003和推荐模块2004。

可选地，作为本实施例的第一种可能的实现方式，推荐装置用于执行如图4和图11所示的方法。

获取模块2001，用于获取用户的网络行为所涉及的对象。

对象生成模块2002，用于对于网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象。

集合生成模块2003，用于根据所述种子对象的相似对象生成候选集合。

推荐模块2004，用于根据所述候选集合，选定向所述用户推荐的目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到种子对象，进而根据种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为种子对象，能够使得根据种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第二种可能的实现方式，推荐装置用于执行如图5和图12所示的方法。

获取模块2001，用于获取用户的网络行为所涉及的对象；

对象生成模块2002，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；

集合生成模块2003，用于根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块2004，用于根据所述候选集合，选定向所述用户推荐的目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于网络行为中的显式行为，将显式行为所涉及的对象作为种子对象，根据种子对象的相似对象和/或关联对象，生成候选集合，从而根据候选集合，选定向用户推荐的目标对象。由于根据种子对象的相似对象和/或关联对象，生成候选集合，丰富了目标对象的类型，尽可能使得目标对象能够覆盖用户的兴趣点，提高用户对所推荐的目标对象的点击率，优化推荐的效果。

可选地，作为本实施例的第三种可能的实现方式，推荐装置用于执行如图7a、图7b、图14和图15所示的方法。

获取模块2001，用于获取用户的实时网络行为所涉及的对象。

对象生成模块2002，用于对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象。

集合生成模块2003，用于根据所述第一种子对象的相似对象生成候选集合。

推荐模块2004，用于根据所述候选集合，选定向所述用户推荐的目标对象。

进一步，集合生成模块2003还用于获取用户的离线网络行为中准实时网络行为所涉及的对象；对于所述准实时网络行为中的准实时隐式行为，根据所述用户执行所述准实时隐式行为的时刻距离当前时刻的时长，计算所述用户对所述准实时隐式行为所涉及对象的偏好程度；根据所述用户对所述准实时隐式行为所涉及对象的偏好程度，对所述准实时隐式行为所涉及的对象进行筛选；将筛选保留的对象的相似对象，增加到所述候选集合。

进一步，集合生成模块2003还用于从用户的实时网络行为和离线网络行为中，获取显式行为所涉及的对象；将与所述显式行为所涉及的对象的相似对象和/或关联对象，增加到所述候选集合。

进一步，显式行为包括：收藏和/或购买；所述将与所述显式行为所涉及的对象的相似对象和/或关联对象，增加到所述候选集合，包括：

针对收藏行为所涉及的对象，将与所述收藏行为所涉及的对象相似的相似对象，增加到所述候选集合中；

和/或，针对购买行为所涉及的对象，根据对象之间的关联分析结果，将与所述购买行为所涉及的对象存在关联关系的关联对象，增加到所述候选集合中。

进一步，集合生成模块2003还用于将与所述用户之前的关联度高于关联阈值的对象，增加到所述候选集合中；和/或，将涉及热点对象增加到所述候选集合中。

进一步，集合生成模块2003还用于生成候选集合之后，依据预先配置的筛选规则，对所述候选集合中的对象进行筛选；所述筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

进一步，根据所述候选集合，选定向所述用户推荐的目标对象，包括：

根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

可见，通过获取用户的网络行为所涉及的对象之后，对于各网络行为中模糊体现用户偏好的隐式行为，根据用户对隐式行为所涉及对象的偏好程度，对隐式行为所涉及的对象进行筛选得到第一种子对象，进而根据第一种子对象的相似对象生成候选集合，向该用户推荐候选集合中的目标对象。由于用户所执行的隐式行为能够模糊但不能准确地体现用户偏好，从而隐式行为所涉及的对象中尽管存在一部分用户所偏好的对象，但绝大部分为用户所不感兴趣的对象，因此，通过筛选仅保留用户所偏好的对象作为第一种子对象，能够使得根据第一种子对象所确定出的目标对象与用户兴趣点更加匹配，提高用户对所推荐的目标对象的点击率，优化推荐的效果。同时，由于优先获取实时网络行为所涉及的对象，基于用户的实时网络行为生成目标对象，由于实时网络行为相较于历史网络行为能够更加准确的体现用户当前的兴趣点，因此，能够提高用户对所推荐的目标对象的点击率。

需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (57)

1.一种推荐方法，其特征在于，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；

对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

2.根据权利要求1所述的推荐方法，其特征在于，所述显式行为包括：收藏和/或购买；所述根据所述第二种子对象的相似对象和/或关联对象，生成候选集合，包括：

针对收藏行为所涉及的第二种子对象，将与所述收藏行为所涉及的第二种子对象相似的相似对象，增加到所述候选集合中；

和/或，针对购买行为所涉及的第二种子对象，根据对象之间的关联分析结果，将与所述购买行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

3.根据权利要求1或2所述的推荐方法，其特征在于，所述显式行为还包括：加购物车、关注、订阅、评价、分享和转发中的至少一个。

4.根据权利要求1所述的推荐方法，其特征在于，所述对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象之前，还包括：

根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度。

5.根据权利要求1或4所述的推荐方法，其特征在于，所述隐式行为包括：点击、浏览、收听，以及收听广播和观看视频中的广告中的至少一个。

6.根据权利要求4所述的推荐方法，其特征在于，所述根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度，包括：

针对每一个类目，将所述用户对所述类目下各对象执行所述隐式行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到所述用户对所述类目的偏好程度；

针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

7.根据权利要求1-6任一项所述的推荐方法，其特征在于，所述方法还包括：

将与所述用户之间的关联度高于关联阈值的对象，增加到所述候选集合中；

和/或，将涉及网络行为的次数高于次数阈值的热点对象增加到所述候选集合中。

8.根据权利要求7所述的推荐方法，其特征在于，所述方法还包括：

所述热点对象与所述第一种子对象之间的相似程度低于所述第一种子对象的相似对象；

和/或，所述热点对象与所述第二种子对象之间的相似程度低于所述第二种子对象的相似对象；

和/或，所述热点对象与所述第二种子对象之间的关联程度低于所述第二种子对象的关联对象。

9.根据权利要求1-6任一项所述的推荐方法，其特征在于，所述生成候选集合之后，还包括：

依据预先配置的筛选规则，对所述候选集合中的对象进行筛选；所述筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

10.根据权利要求1-6任一项所述的推荐方法，其特征在于，所述根据所述候选集合，选定向所述用户推荐的目标对象，包括：

根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

11.根据权利要求1-6任一项所述的推荐方法，其特征在于，所述隐式行为与用户兴趣的关联度低于设定阈值。

12.一种推荐方法，其特征在于，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；

对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

13.一种推荐方法，其特征在于，包括：

获取用户的网络行为所涉及的对象；

对于网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；

根据所述种子对象的相似对象生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

14.根据权利要求13所述的推荐方法，其特征在于，所述根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象之前，还包括：

根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度。

15.根据权利要求14所述的推荐方法，其特征在于，所述根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度，包括：

针对每一个类目，将所述用户对所述类目下各对象执行所述隐式行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到所述用户对所述类目的偏好程度；

针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

16.根据权利要求13-15任一项所述的推荐方法，其特征在于，所述隐式行为包括：点击、浏览、收听，以及收听广播和观看视频中的广告中的至少一个。

17.一种推荐方法，其特征在于，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；

根据所述种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

18.一种推荐方法，其特征在于，包括：

获取用户的网络行为所涉及的对象；

对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；

对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；

根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

19.根据权利要求18所述的推荐方法，其特征在于，所述离线网络行为包括历史网络行为和准实时网络行为；所述根据所述第二种子对象的相似对象和/或关联对象，生成候选集合，包括：

针对准实时网络行为所涉及的第二种子对象，根据所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，对所述准实时网络行为所涉及的第二种子对象进行筛选；将筛选保留的所述准实时网络行为所涉及的第二种子对象的相似对象，增加到所述候选集合中；

和/或，针对历史网络行为中显式行为所涉及的第二种子对象，根据对象之间的关联分析结果，将与所述历史网络行为中显式行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

20.根据权利要求19所述的推荐方法，其特征在于，所述根据所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，对所述准实时网络行为所涉及的第二种子对象进行筛选之前，还包括：

根据所述用户执行所述准实时网络行为的时刻距离当前时刻的时长，计算所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度。

21.根据权利要求20所述的推荐方法，其特征在于，所述根据所述用户执行所述准实时网络行为的时刻距离当前时刻的时长，计算所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，包括：

针对每一个类目，将所述用户对所述类目下各对象执行所述准实时网络行为的时刻距离当前时刻的时长作为幂指数进行加合，以得到所述用户对所述类目的偏好程度；

针对所述类目下的各对象，根据所述类目的偏好程度和所述用户对每一个对象执行所述准实时网络行为的时刻距离当前时刻的时长，计算所述用户当前时刻对每一个对象的偏好程度。

22.根据权利要求18-21任一项所述的推荐方法，其特征在于，所述生成候选集合之后，还包括：

依据预先配置的筛选规则，对所述候选集合中的对象进行筛选；所述筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

23.根据权利要求18-21任一项所述的推荐方法，其特征在于，所述根据所述候选集合，选定向所述用户推荐的目标对象，包括：

根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

24.一种推荐方法，其特征在于，包括：

获取用户的实时网络行为所涉及的对象；

对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；

根据所述第一种子对象的相似对象生成候选集合；

根据所述候选集合，选定向所述用户推荐的目标对象。

25.根据权利要求24所述的推荐方法，其特征在于，所述方法，还包括：

获取用户的离线网络行为中准实时网络行为所涉及的对象；

对于所述准实时网络行为中的准实时隐式行为，根据所述用户执行所述准实时隐式行为的时刻距离当前时刻的时长，计算所述用户对所述准实时隐式行为所涉及对象的偏好程度；

根据所述用户对所述准实时隐式行为所涉及对象的偏好程度，对所述准实时隐式行为所涉及的对象进行筛选；

将筛选保留的对象的相似对象，增加到所述候选集合。

26.根据权利要求24所述的推荐方法，其特征在于，所述方法，还包括：

从用户的实时网络行为和离线网络行为中，获取显式行为所涉及的对象；

将与所述显式行为所涉及的对象的相似对象和/或关联对象，增加到所述候选集合。

27.根据权利要求26所述的推荐方法，其特征在于，所述显式行为包括：收藏和/或购买；所述将与所述显式行为所涉及的对象的相似对象和/或关联对象，增加到所述候选集合，包括：

针对收藏行为所涉及的对象，将与所述收藏行为所涉及的对象相似的相似对象，增加到所述候选集合中；

和/或，针对购买行为所涉及的对象，根据对象之间的关联分析结果，将与所述购买行为所涉及的对象存在关联关系的关联对象，增加到所述候选集合中。

28.根据权利要求24-27任一项所述的推荐方法，其特征在于，所述方法还包括：

将与所述用户之前的关联度高于关联阈值的对象，增加到所述候选集合中；

和/或，将涉及热点对象增加到所述候选集合中。

29.根据权利要求24-27任一项所述的推荐方法，其特征在于，所述生成候选集合之后，还包括：

依据预先配置的筛选规则，对所述候选集合中的对象进行筛选；所述筛选规则包括：筛选掉属于非法类目的对象、属于最近预设时段内已购买类目的对象、属于与最近预设时段内已购买类目相似的类目中的对象、属于最近预设时段内已浏览的对象和/或属于黑名单店铺的对象。

30.根据权利要求24-27任一项所述的推荐方法，其特征在于，所述根据所述候选集合，选定向所述用户推荐的目标对象，包括：

根据所述用户选择所述候选集合中的对象的概率，从所述候选集合中选定所述目标对象。

31.一种推荐系统，其特征在于，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为进行记录；

所述分析节点从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

32.根据权利要求31所述的推荐系统，其特征在于，所述显式行为包括：收藏和/或购买；所述根据所述第二种子对象的相似对象和/或关联对象，生成候选集合，包括：

所述分析节点针对收藏行为所涉及的第二种子对象，获得与所述收藏行为所涉及的第二种子对象相似的相似对象，将所获得的相似对象增加到所述候选集合中；

和/或，所述分析节点针对购买行为所涉及的第二种子对象，获取与所述购买行为所涉及的第二种子对象存在关联关系的关联对象，将所获得的关联对象增加到所述候选集合中。

33.根据权利要求31或32所述的推荐系统，其特征在于，所述显式行为还包括：加购物车、关注、订阅、评价、分享和转发中的至少一个。

34.根据权利要求31所述的推荐系统，其特征在于，所述对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象之前，还包括：

所述分析节点根据所述用户执行所述隐式行为的时刻距离当前时刻的时长，计算所述用户对所述隐式行为所涉及对象的偏好程度。

35.根据权利要求31或34所述的推荐系统，其特征在于，所述隐式行为包括：点击、浏览、收听，以及收听广播和观看视频中的广告中的至少一个。

36.根据权利要求31-35任一项所述的推荐系统，其特征在于，所述生成候选集合之后，还包括：

所述分析节点将与所述用户之间的关联度高于关联阈值的对象，增加到所述候选集合中；

和/或，所述分析节点将涉及网络行为的次数高于次数阈值的热点对象增加到所述候选集合中。

37.根据权利要求36所述的推荐系统，其特征在于，

所述热点对象与所述第一种子对象之间的相似程度低于所述第一种子对象的相似对象；

和/或，所述热点对象与所述第二种子对象之间的相似程度低于所述第二种子对象的相似对象；

和/或，所述热点对象与所述第二种子对象之间的关联程度低于所述第二种子对象的关联对象。

38.根据权利要求31-35任一项所述的推荐方法，其特征在于，所述隐式行为与用户兴趣的关联度低于设定阈值。

39.一种推荐系统，其特征在于，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为进行记录；

所述分析节点从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

40.一种推荐系统，其特征在于，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为所涉及的对象进行记录；

所述分析节点从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

41.一种推荐系统，其特征在于，所述推荐系统包括：推荐节点、业务节点和分析节点；

所述业务节点对用户的网络行为所涉及的对象进行记录；

所述分析节点从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

42.一种推荐系统，其特征在于，所述推荐系统包括：分析节点、推荐节点、实时节点和离线节点；

所述实时节点记录所述用户的实时网络行为所涉及的对象；

所述离线节点记录所述用户的离线网络行为所涉及的对象；

所述分析节点分别从所述实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

43.根据权利要求42所述的推荐系统，其特征在于，所述离线网络行为包括历史网络行为和准实时网络行为；所述根据所述第二种子对象的相似对象和/或关联对象，生成候选集合，包括：

针对准实时网络行为所涉及的第二种子对象，所述分析节点根据所述用户对所述准实时网络行为所涉及的第二种子对象的偏好程度，对所述准实时网络行为所涉及的第二种子对象进行筛选；将筛选保留的所述准实时网络行为所涉及的第二种子对象的相似对象，增加到所述候选集合中；

和/或，针对历史网络行为中显式行为所涉及的第二种子对象，所述分析节点根据对象之间的关联分析结果，将与所述历史网络行为中显式行为所涉及的第二种子对象存在关联关系的关联对象，增加到所述候选集合中。

44.一种推荐系统，其特征在于，所述推荐系统包括：推荐节点、实时业务节点和分析节点；

所述实时业务节点记录用户的实时网络行为所涉及的对象；

所述分析节点从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点向所述用户推荐所述目标对象。

45.根据权利要求44所述的推荐系统，其特征在于，所述推荐系统还包括离线业务节点；

所述离线业务节点记录用户的离线网络行为所涉及的对象；

所述分析节点从所述离线业务节点获取用户的离线网络行为中准实时网络行为所涉及的对象；对于所述准实时网络行为中的准实时隐式行为，根据所述用户执行所述准实时隐式行为的时刻距离当前时刻的时长，计算所述用户对所述准实时隐式行为所涉及对象的偏好程度；根据所述用户对所述准实时隐式行为所涉及对象的偏好程度，对所述准实时隐式行为所涉及的对象进行筛选，获得筛选保留的对象的相似对象；将所述筛选保留的对象的相似对象，增加到所述候选集合。

46.一种推荐系统，其特征在于，所述推荐系统包括：

业务节点，用于对用户的网络行为进行记录；

分析节点，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

47.一种推荐系统，其特征在于，所述推荐系统包括：

业务节点，用于对用户的网络行为进行记录；

分析节点，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

48.一种推荐系统，其特征在于，所述推荐系统包括：

业务节点，用于对用户的网络行为所涉及的对象进行记录；

分析节点，用于从所述业务节点获取所述用户的网络行为所涉及的对象；对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；根据所述种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

49.一种推荐系统，其特征在于，所述推荐系统包括：

业务节点，用于对用户的网络行为所涉及的对象进行记录；

分析节点，用于从所述业务节点获取用户的网络行为所涉及的对象；对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

50.一种推荐系统，其特征在于，所述推荐系统包括：

实时节点，用于记录用户的实时网络行为所涉及的对象；

离线节点，用于记录用户的离线网络行为所涉及的对象；

分析节点，用于分别从所述实时节点获取所述用户的实时网络行为所涉及的对象；以及从所述离线节点获取用户的离线网络行为所涉及的对象；对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

推荐节点，用于向所述用户推荐所述目标对象。

51.一种推荐系统，其特征在于，所述推荐系统包括：

实时业务节点，用于记录用户的实时网络行为所涉及的对象；

分析节点，用于从所述实时业务节点获取所述用户的实时网络行为所涉及的对象；对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；根据所述第一种子对象的相似对象生成候选集合；根据所述候选集合，选定向所述用户推荐的目标对象；

所述推荐节点，用于向所述用户推荐所述目标对象。

52.一种推荐装置，其特征在于，所述装置包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到第一种子对象；

第二对象生成模块，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

53.一种推荐装置，其特征在于，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的第一类行为，根据所述用户对所述第一类行为所涉及对象的偏好程度，对所述第一类行为所涉及的对象进行筛选得到第一种子对象；

第二对象生成模块，用于对于所述网络行为中的第二类行为，将所述第二类行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

54.一种推荐装置，其特征在于，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

对象生成模块，用于对于网络行为中的隐式行为，根据所述用户对所述隐式行为所涉及对象的偏好程度，对所述隐式行为所涉及的对象进行筛选得到种子对象；

集合生成模块，用于根据所述种子对象的相似对象生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

55.一种推荐装置，其特征在于，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

对象生成模块，用于对于所述网络行为中的显式行为，将所述显式行为所涉及的对象作为种子对象；

集合生成模块，用于根据所述种子对象的相似对象，以及根据所述种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

56.一种推荐装置，其特征在于，包括：

获取模块，用于获取用户的网络行为所涉及的对象；

第一对象生成模块，用于对于所述网络行为中的实时网络行为，将所述实时网络行为所涉及的对象作为第一种子对象；

第二对象生成模块，用于对于所述网络行为中的离线网络行为，将所述离线网络行为所涉及的对象作为第二种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象，以及根据所述第二种子对象的相似对象和/或关联对象，生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。

57.一种推荐装置，其特征在于，包括：

获取模块，用于获取用户的实时网络行为所涉及的对象；

对象生成模块，用于对于实时网络行为中的实时隐式行为，根据所述用户对所述实时隐式行为所涉及对象的偏好程度，对所述实时隐式行为所涉及的对象进行筛选得到第一种子对象；

集合生成模块，用于根据所述第一种子对象的相似对象生成候选集合；

推荐模块，用于根据所述候选集合，选定向所述用户推荐的目标对象。