CN108197215A - 一种推荐方法、服务器及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种推荐方法，该方法通过基于协同过滤算法针对目标用户集计算出相似用户集，根据预设用户筛选规则对该相似用户集进行用户筛选得到由正常用户组成的推荐用户集，其中，正常用户为相似用户集中除恶意用户以外的用户，获取推荐用户集中正常用户的资源使用信息，并根据该资源使用信息对推荐用户集中的正常用户进行资源推荐，本发明还公开了一种服务器及计算机可读存储介质，通过实施上述方案，以正常用户的资源使用信息为依据进行推荐，因此可以排除恶意用户对推荐信息的影响，提升了推荐信息的质量，此外，通过本发明提供的方案可以避免向恶意用户推荐信息，进而可以避免系统资源的浪费，提升了推荐的有效性。

Description

一种推荐方法、服务器及计算机可读存储介质

技术领域

本发明涉及通信技术领域，更具体地说，涉及一种推荐方法、服务器及计算机可读存储介质。

背景技术

随着移动互联网的飞速发展，人们对各种应用的要求越来越高，因此推荐系统应运而生，推荐系统是大数据时代的产物，已经存在于人们生活的方方面面，例如，新闻推荐(今日头条)、音乐推荐(网易云音乐)、视频推荐(今日头条视频)等等，在推荐方面已经做的非常好了，能够很好地将用户需要的东西推送给相应的用户。但是现有的推荐系统在得到与某一用户相似的其他用户时会将该用户以及与其相似的其余所有用户组成一个集合，并且会根据该集合中所有用户的资源使用情况得到推荐信息，并根据该推荐信息对这个集合中的所有用户都进行信息推荐，所以一旦这个集合中存在故意伪装的恶意用户的话，该集合对应的推荐信息的质量可能就很低，而且该恶意用户也会收到推荐系统发送的推荐信息，这样就浪费了推荐系统的资源，降低了推荐系统工作的有效性。

发明内容

本发明要解决的技术问题在于现有推荐系统在得到与某一用户相似的其余用户时，由于无法区分该用户与其余用户中是否存在故意伪装的恶意用户，导致当存在恶意用户时推荐信息的质量不高，以及对恶意用户进行信息推荐造成浪费系统资源的问题，针对该技术问题，提供一种推荐方法、服务器及计算机可读存储介质。

为解决上述技术问题，本发明提供一种推荐方法，所述推荐方法包括：

基于协同过滤算法针对目标用户集计算出相似用户集；

根据预设用户筛选规则对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集，所述正常用户为所述相似用户集中除恶意用户以外的用户；

获取所述推荐用户集中正常用户的资源使用信息，并根据所述资源使用信息对所述推荐用户集中的正常用户进行资源推荐。

可选的，所述根据预设用户筛选规则对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集包括：

对所述相似用户集中的各用户进行离群检测，计算所述相似用户集中各所述用户的第一离群因子；

根据所述第一离群因子对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集。

可选的，所述对所述相似用户集中的各用户进行离群检测，计算所述相似用户集中各所述用户的第一离群因子包括：

统计所述相似用户集中各用户使用的资源的属性信息，所述相似用户集中各用户使用的资源的属性信息包括资源下载种类、资源搜索种类、资源打开种类、资源下载量、资源打开次数、资源下载频率、资源打开频率、资源搜索频率、资源评论数、资源评论频率以及资源评分中的至少一种；

根据所述相似用户集中的各所述用户的使用的资源的第一属性信息以及基于密度的离群点算法计算各所述用户的第一离群因子。

可选的，所述根据所述第一离群因子对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集包括：

从所述相似用户集中筛选出第一离群因子小于等于预设第一离群因子阈值的用户，并将该用户作为正常用户组合成推荐用户集；

或，

从所述相似用户集中按第一离群因子由小到大的顺序筛选出预设第一数量的用户，并将筛选出来的用户作为正常用户组合成推荐用户集。

可选的，在所述基于协同过滤算法针对目标用户集计算出相似用户集之前还包括：

基于预设目标资源获取与所述预设目标资源相关联的关联用户集；

对所述关联用户集中的各用户进行离群检测，计算所述关联用户集中各所述用户的第二离群因子；

根据所述第二离群因子对所述关联用户集进行筛选得到所述目标用户集。

可选的，所述目标资源为目标应用对应的资源或目标应用上目标搜索对象对应的资源；

所述获取所述推荐用户集中正常用户的资源使用信息，并根据所述资源使用信息对所述推荐用户集中的正常用户进行资源推荐包括：

在所述目标资源为目标应用对应的资源时，获取所述推荐用户集中正常用户的应用资源使用信息，并根据所述应用资源使用信息对所述推荐用户集中的正常用户进行应用推荐；

或，

在所述目标资源为目标应用上目标搜索对象对应的资源时，获取所述推荐用户集中正常用户基于该目标应用的搜索对象资源使用信息，根据所述搜索对象资源使用信息并基于该目标应用对所述推荐用户集中的正常用户进行搜索对象推荐。

可选的，所述对所述关联用户集中的各用户进行离群检测，计算所述关联用户集中各所述用户的第二离群因子包括：

统计所述关联用户集中各用户使用的资源的属性信息，所述关联用户集中各用户使用的资源的属性信息包括资源下载种类、资源搜索种类、以及资源打开种类中的至少一种；

根据所述关联用户集中各所述用户使用的资源的属性信息以及基于密度的离群点算法计算各所述用户的第二离群因子。

可选的，所述根据所述第二离群因子对所述关联用户集进行筛选得到所述目标用户集包括：

从所述关联用户集中筛选出第二离群因子小于等于预设第二离群因子阈值的用户组成目标用户集；

或，

从所述关联用户集中按第二离群因子由小到大的顺序筛选出预设第二数量的用户组成目标用户集。

进一步地，本发明还提供了一种服务器，所述服务器包括处理器、存储器及通信总线；

所述通信总线用于实现所述处理器和所述存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现如上述任一所述的推荐方法的步骤。

进一步地，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述任一所述的推荐方法的步骤。

有益效果

本发明提供一种推荐方法、服务器及计算机可读存储介质，通过基于协同过滤算法针对目标用户集计算出相似用户集，根据预设用户筛选规则对该相似用户集进行用户筛选得到由正常用户组成的推荐用户集，其中，正常用户为相似用户集中除恶意用户以外的用户，获取推荐用户集中正常用户的资源使用信息，并根据该资源使用信息对推荐用户集中的正常用户进行资源推荐，通过本发明提供的方案，可以针对相似用户集中的各用户进行筛选，识别出故意伪装成与其他用户相似的恶意用户，这样，就可以根据相似用户集中的正常用户的资源使用信息对该相似用户集中的正常用户进行信息推荐，由于本发明提供的方案是以正常用户的资源使用信息为依据进行推荐的，所以就排除了恶意用户对推荐信息的影响，提升了推荐信息的质量，此外，通过本发明提供的方案可以避免向恶意用户推荐信息，进而可以避免系统资源的浪费，提升了推荐的有效性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为实现本发明各个实施例一个可选的移动终端的硬件结构示意图；

图2为如图1所示的移动终端的无线通信系统示意图；

图3为本发明第一实施例提供的推荐方法的基本流程示意图；

图4为本发明第一实施例提供的对相似用户集进行筛选的细化流程示意图；

图5为本发明第一实施例提供的推荐方法的部分流程示意图；

图6为本发明第二实施例提供的推荐方法的流程示意图；

图7为本发明第三实施例提供的服务器的硬件结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

具体的来说，本实施例中的用户集以用户终端的形式进行体现，也即一个用户集中包含多个用户终端，而终端可以以各种形式来实施，例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal DigitalAssistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。

请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对移动终端的各个部件进行具体的介绍：

射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信，比如可以实现与服务器的信息交互，具体而言包括终端从服务器中下载资源，或者向服务器上传资源等等。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobilecommunication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(Code Division Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code Division Multiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous Code Division Multiple Access，时分同步码分多址)、FDD-LTE(FrequencyDivision Duplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(TimeDivision Duplexing-Long Term Evolution，分时双工长期演进)等。

WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。

A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。

移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。

用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。

进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。

接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。

存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。

移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。

为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。

请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。

具体地，UE201可以是上述终端100，此处不再赘述。

E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。

EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving Gate Way，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。

IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。

虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。

基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。

第一实施例

为了提升对用户进行信息推荐时推荐内容的质量，本实施例提供一种推荐方法，请参见图3所示，包括：

S301：基于协同过滤算法针对目标用户集计算出相似用户集。

根据具体的应用场景的不同，本实施例中的确定目标用户集的方式也存在不同。对于应用市场中涉及的应用推荐而言，目标用户集可以由所有使用该应用市场的用户组成，当然也可以由使用该应用市场的部分用户组成，对于第二种情况，可以按预设分类规则对所有使用该应用市场的用户进行分类，比如，可以按年龄、或者使用该应用市场的频率等对用户进行分类，将同一类别中的用户作为一个整体组成目标用户集。

为便于理解，这里以一个具体的示例进行说明，在本示例中可以根据用户的年龄对所有使用上述应用市场的用户进行分类，每个年龄阶段都有其对应的用户，然后将各年龄阶段各自对应的用户组成的集合作为相应年龄阶段对应的目标用户集，由于各目标用户集中的用户都在同一年龄阶段内，所以此时基于协同过滤算法对目标用户集进行计算时得到的相似用户集中的用户的相似度可以更加准确。

当然，对于某一具体应用中涉及的搜索对象或者文件下载对象的推荐而言，目标用户集可以由所有使用该应用的用户组成，当然也可以由使用该应用的部分用户组成，与上述情况类似，也可以按照预设分类规则对所有使用该应用的用户进行分类，比如，可以按年龄、或者使用该应用的频率等对用户进行分类，将同一类别中的用户作为一个整体组成目标用户集。

为便于理解，这里以一个具体的示例进行说明。对于“网易云音乐”应用，可以根据用户的对其进行使用的时间对用户进行分类，每个时间段都有其对应的用户，然后将各时间段各自对应的用户组成的集合作为相应时间段对应的目标用户集。

本实施例中可以采用现有的协同过滤算法进行计算，在步骤S301中，具体可以包括获取目标用户集中各用户的行为习惯数据，对于“网易云音乐”而言，可以获取目标用户集中各用户的音乐下载数据以及音乐搜索数据，因为用户在使用“网易云音乐”的过程中可能存在大量噪声和误操作，所以需要过滤掉这些噪音数据，因此可以对获取到的各用户的音乐下载数据以及音乐搜索数据进行减噪处理，此外，由于不同行为数据的取值可能相差很大，例如用户在“网易云音乐”上搜索音乐的数据必然大于下载音乐的数据，因此可以对目标用户集中各用户的音乐下载数据和音乐搜索数据进行归一化处理，这样可以使得到的分析数据更加准确，这样，对于目标用户集中的每一用户都可以根据其对应的音乐下载数据和音乐搜索数据分析得到该用户对相应音乐的喜好程度，并且可以将目标用户集中具有相似喜好的用户组合到一个集合中形成相似用户集，具体而言，在本示例中可以采用现有的余弦夹角、欧几里得距离度量、皮尔逊相关系数等计算用户之间的相似度，比如，在计算用户之间的相似度时，可以将一个用户对所有音乐的偏好作为一个向量，以此为基础来计算该用户与另一用户的相似度值。

S302：根据预设用户筛选规则对相似用户集进行用户筛选得到由正常用户组成的推荐用户集。

因为推荐系统是一个开放系统，大量用户的数据参与推荐系统的计算使得推荐系统很容易受到攻击，某些公司或个人会利用推荐系统数据的开放性，恶意向推荐系统注入大量恶意信息，从而导致推荐系统的推荐结果受到很大威胁，因此，识别出相似用户集中的恶意用户就显得格外重要。在步骤S302中需要对相似用户集中的各用户进行识别，确定每一用户的身份属性，也即确定每一用户是正常用户还是恶意用户，并将正常用户筛选出来组成推荐用户集。并且在最后的推荐过程中，可以仅对正常用户进行信息推荐，而不对恶意用户进行推荐，这样，可以提升推荐的有效性，节省系统资源。

需要说明的是，本实施例中可以采用离群检测算法对相似用户集中的用户进行筛选，或者也可以采用聚类算法对相似用户集中的用户进行筛选，本实施例中主要基于离群检测算法进行介绍。

对于步骤S302而言，请参见图4所示，具体可以包括以下子步骤：

S41：对相似用户集中的各用户进行离群检测，计算相似用户集中各用户的第一离群因子。

该相似用户集中每一用户对应的第一离群因子表征了该用户偏离相似用户集这个整体的程度，第一离群因子越大，该用户偏离该整体的可能性就越大，即该用户成为离群点的可能性就越大，进而该用户为恶意用户的可能性也就越大。

具体的来说，可以统计相似用户集中各用户使用的资源的属性信息，本实施例中每一用户的使用的资源的属性信息表征了该用户使用的资源的具体情况，需要说明的是，用户终端使用的资源都是从服务器获取的，所以用户终端每在服务器上进行一次搜索或者下载时，服务器都可以对该用户终端的搜索行为以及下载行为进行记录，本实施例中每一用户使用的资源的属性信息包括资源下载种类、资源搜索种类、资源打开种类、资源下载量、资源打开次数、资源下载频率、资源打开频率、资源搜索频率、资源评论数、资源评论频率以及资源评分中的至少一种，根据相似用户集中的各用户使用的资源的属性信息以及基于密度的离群点算法计算各用户的第一离群因子。

应当理解的是，在一些实施例中在得到相似用户集中各用户使用的资源的属性信息之后还可以根据相应的属性信息以及基于距离的离群点算法计算各用户的第一离群因子。

S42：根据第一离群因子对相似用户集进行用户筛选得到由正常用户组成的推荐用户集。

在得到相似用户集中各用户的第一离群因子之后可以通过以下方式筛选出正常用户：

从相似用户集中筛选出第一离群因子小于等于预设第一离群因子阈值的用户，并将该用户作为正常用户；本实施例中的第一离群因子阈值可以由开发人员根据该推荐方法具体的应用场景而灵活设置，一旦相似用户集中的某一用户对应的第一离群因子大于预设第一离群因子阈值，则可以将该用户作为恶意用户，相反的，一旦相似用户集中的某一用户对应的第一离群因子小于等于预设第一离群因子阈值，则可以将该用户作为正常用户；

或，

从相似用户集中按第一离群因子由小到大的顺序筛选出预设第一数量的用户，并将筛选出来的该用户作为正常用户；本实施例中的预设第一数量也可以由开发人员灵活设置，比如当预设第一数量为10时，则可以在该相似用户集中按第一离群因子由小到大的顺序筛选出10个用户，并将筛选出来的这10个用户作为正常用户，该相似用户集中的其余用户则为恶意用户。

S303：获取推荐用户集中正常用户的资源使用信息，并根据该资源使用信息对推荐用户集中的正常用户进行资源推荐。

对于步骤S303，具体可以包括以下推荐方式中的任意一种：

第一种：对推荐用户集中的各正常用户的资源使用信息求并集，将该并集中的资源使用信息推荐给该推荐用户集中的至少一个正常用户；

第二种：在对该推荐用户集中的某一目标正常用户进行资源推荐时，从该推荐用户集中的其余正常用户中筛选出与该目标正常用户的相似度值在预设相似度阈值范围内的相似正常用户，并获取该相似正常用户的资源使用信息，并将该资源使用信息推荐给该目标正常用户；

第三种：在对该推荐用户集中的某一目标正常用户进行资源推荐时，从该推荐用户集中的其余正常用户中筛选出与该目标正常用户的相似度值最高的相似正常用户，并获取该相似正常用户的资源使用信息，并将该资源使用信息推荐给该目标正常用户。

应当说明的是，步骤S303中获取的正常用户的资源使用信息中可以包括该正常用户使用的资源的频率达到预设频率阈值的资源的信息，或者也可以包括该正常用户下载的所有资源的信息，比如当具体的应用场景为应用市场中推荐应用时，某一正常用户对应的资源使用信息中可以包括该正常用户从该应用市场中下载的所有应用的类别，例如，当某一正常用户从该应用市场中下载的应用为“微信”、“QQ”、“淘宝”等等时，则获取的该用户的资源使用信息中可以包括“微信”、“QQ”、“淘宝”，并且可以将这些应用推荐给该相似用户集中的其他用户。

应当说明的是，在一些实施例中，为了更进一步的提升推荐质量，在上述步骤S301之前还可以优先进行预过滤，也即是优先进行一次恶意用户的排除请参见图5所示，具体包括以下步骤：

S501：基于预设目标资源获取与该预设目标资源相关联的关联用户集。

根据具体应用场景的不同，预设的目标资源的种类也就不同，具体而言，当上述推荐方法应用于应用市场中以推荐应用时，该目标资源可以为目标应用对应的资源，各用户终端在该应用市场中通过输入具体的搜索词、或者访问地址就可以从服务器中获取到该目标应用对应的资源，在下载该资源后，就可以在相应的用户终端上生成相应的应用，应当理解的是，与目标应用对应的资源相关联的关联用户可以是所有通过该应用市场下载该目标应用的用户，所有的这些用户就可以组合成该目标应用的关联用户集。

当上述推荐方法应用于某一具体的目标应用中以推荐搜索对象时，该目标资源可以为目标应用上目标搜索对象对应的资源，比如当目标应用为“网易云音乐”时，该目标资源就可以为“网易云音乐”上的音乐文件资源，则与该音乐文件资源相关联的关联用户可以是所有通过“网易云音乐”下载该音乐文件资源的用户，所有的这些用户就可以组合成“网易云音乐”的一个关联用户集。

S502：对该关联用户集中的各用户进行离群检测，计算该关联用户集中各用户的第二离群因子。

该关联用户集中每一用户对应的第二离群因子表征了该用户偏离关联用户集这个整体的程度，第二离群因子越大，该用户偏离该整体的可能性就越大，即该用户成为离群点的可能性就越大，进而该用户为恶意用户的可能性也就越大。

具体的来说，可以统计关联用户集中各用户使用的资源的属性信息，该属性信息包括资源下载种类、资源搜索种类以及资源打开种类中的至少一种，根据关联用户集中的各用户使用的资源的属性信息以及基于密度的离群点算法计算各用户的第二离群因子。

应当理解的是，在一些实施例中在得到关联用户集中各用户使用的资源的属性信息之后还可以根据相应的属性信息以及基于距离的离群点算法计算各用户的第二离群因子。

需要说明的是，在计算关联用户集中各用户的第二离群因子时，还可以基于资源下载量、资源打开次数、资源下载频率、资源打开频率、资源搜索频率、资源评论数、资源评论频率以及资源评分进行计算。

S503：根据各用户对应的第二离群因子对关联用户集进行筛选得到目标用户集。

步骤S503中得到的目标用户集也即为步骤S301中的目标用户集。由于在进行协同过滤算法之前已经基于离群检测算法对相应的关联用户集进行了一次过滤，使得协同过滤算法是在该过滤之后的基础上进行计算的，所以得到的相似用户集就可以更加准确，相应的，也就提升了推荐内容的质量以及准确性。

在得到关联用户集中各用户的第二离群因子之后可以通过以下方式筛选出目标用户组成目标用户集：

从关联用户集中筛选出第二离群因子小于等于预设第二离群因子阈值的用户作为目标用户，并将这些目标用户组成目标用户集；本实施例中的第二离群因子阈值可以由开发人员根据该推荐方法具体的应用场景而灵活设置，一旦关联用户集中的某一用户对应的第二离群因子大于预设第二离群因子阈值，则可以将该用户作为恶意用户；

或，

从关联用户集中按第二离群因子由小到大的顺序筛选出预设第二数量的用户，并将筛选出来的该用户作为正常用户；本实施例中的预设第二数量也可以由开发人员灵活设置，比如当预设第二数量为10000时，则可以在该关联用户集中按第二离群因子由小到大的顺序筛选出10000个用户，该关联用户集中这10000个用户以外的用户则为恶意用户。

最后需要说明的是，当步骤S501中的目标资源为目标应用对应的资源时，获取推荐用户集中正常用户的资源使用信息，并根据资源使用信息对推荐用户集中的正常用户进行资源推荐就可以包括：获取推荐用户集中正常用户的应用资源使用信息，并根据该应用资源使用信息对推荐用户集中的正常用户进行应用推荐。比如，可以获取推荐用户集中正常用户通过上述应用市场下载的应用，并根据下载的应用对推荐用户集中的正常用户进行应用推荐。

当步骤S501中的目标资源为目标应用上目标搜索对象对应的资源时，获取推荐用户集中正常用户的资源使用信息，并根据资源使用信息对推荐用户集中的正常用户进行资源推荐就可以包括：获取推荐用户集中正常用户基于该目标应用的搜索对象资源使用信息，根据该搜索对象资源使用信息并基于该目标应用对推荐用户集中的正常用户进行搜索对象推荐。比如，当目标应用为“网易云音乐”时，可以获取推荐用户集中正常用户通过“网易云音乐”下载的音乐，并根据下载的音乐基于“网易云音乐”对推荐用户集中的正常用户进行音乐推荐。

通过本实施例提供的推荐方法，可以针对相似用户集中的各用户进行筛选，识别出故意伪装成与其他用户相似的恶意用户，这样，就可以根据相似用户集中的正常用户的资源使用信息对该相似用户集中的正常用户进行信息推荐，由于本实施例提供的推荐方法中是以正常用户的资源使用信息为依据进行推荐的，所以就排除了恶意用户对推荐信息的影响，提升了推荐信息的质量，此外，通过本发明提供的方案可以避免向恶意用户推荐信息，进而可以避免系统资源的浪费，提升了推荐的有效性。

第二实施例

为了更好的理解本发明提供的方案，本实施例提供一种更加具体的推荐方法，本实施例提供的推荐方法应用于应用市场，以向用户推荐应用，具体的请参见图6所示，图6为本实施例提供的推荐方法的流程示意图，包括：

S601：基于目标应用对应的资源获取与该目标应用对应的资源相关联的关联用户集。

步骤S601中的关联用户集由与该目标应用对应的资源相关联的用户组成，为便于说明，这里以目标应用为通过该应用市场下载的“扇贝单词”应用为例进行具体的阐述，当然，在实际应用中，目标应用还可以是通过该应用市场下载的其他一个或多个应用。应当说明的是，与该“扇贝单词”关联的用户为通过该应用市场下载了“扇贝单词”的用户。

S602：统计关联用户集中各用户的应用下载种类以及应用搜索种类。

S603：根据关联用户集中各用户对应的应用下载种类以及应用搜索种类基于密度的离群点算法计算关联用户集中各用户的第二离群因子。

S604：从关联用户集中筛选出第二离群因子小于等于预设第二离群因子阈值的用户作为目标用户，并将筛选出来的目标用户组成目标用户集。

S605：基于协同过滤算法针对目标用户集计算出相似用户集。

步骤S605的具体过程可以参见上述第一实施例中介绍的内容，这类不再赘述。

S606：统计相似用户集中各用户的应用下载种类以及对各应用的评分。

S607：根据相似用户集中各用户对应的应用下载种类以及对各应用的评分基于密度的离群点算法计算相似用户集中各用户的第一离群因子。

S608：从相似用户集中筛选出第一离群因子小于等于预设第一离群因子阈值的用户作为正常用户，并将筛选出来的正常用户组成推荐用户集。

需要说明的是，本实施例中的第一离群因子阈值与第二离群因子阈值可以由开发人员灵活设置，甚至可以为这两者取相同的数值。

S609：获取推荐用户集中各正常用户的应用下载种类并求并集，并将该并集中的应用推荐给推荐用户集中的至少一个正常用户。

需要说明的是，本实施例仅是以将本发明提供的方案应用于应用市场中以对用户进行应用推荐而作的具体介绍，在实际应用中，本发明提供的方案还可以应用于一个具体的应用中，以对用户进行搜索对象或者下载对象的推荐，比如，可以将本发明提供的推荐方法应用于“淘宝”、“爱奇艺”、“酷狗音乐”、“今日头条”等各种应用中。

最后还需要说明的是，为了进一步提升推荐质量，在一些实施例中还可以多次利用离群点检测算法对用户集进行过滤。

通过本发明提供的方案，将推荐过程分为三个过滤阶段，第一阶段利用基于密度的离群点算法计算出关联用户集的目标用户集，第二阶段利用协同过滤算法对目标用户集计算出相似用户集，第三阶段再次利用基于密度的离群点算法计算出相似用户集的推荐用户集，并根据推荐用户集中各用户的资源使用信息对推荐用户集中的用户进行推荐，由于对用户进行了三次过滤，从而可以对恶意用户进行有效排查，提升了推荐结果的准确性，避免了向恶意用户推荐信息，所以进一步节约了系统资源。

第三实施例

本实施例提供一种服务器，请参见图7所示，本实施例提供的服务器包括：处理器71、存储器72及通信总线73，其中，通信总线73用于实现处理器71和存储器72之间的连接通信，处理器71用于执行存储器72中存储的一个或者多个程序，以实现如上述任一推荐方法的步骤。

本实施例还提供一种计算机可读存储介质，本实施例提供的计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上述任一推荐方法的步骤。

通过本实施例提供的服务器以及计算机可读存储介质，可以针对相似用户集中的各用户进行筛选，识别出故意伪装成与其他用户相似的恶意用户，这样，就可以根据相似用户集中的正常用户的资源使用信息对该相似用户集中的正常用户进行信息推荐，由于是以正常用户的资源使用信息为依据进行推荐的，所以就排除了恶意用户对推荐信息的影响，提升了推荐信息的质量，此外，通过本发明提供的方案可以避免向恶意用户推荐信息，进而可以避免系统资源的浪费，提升了推荐的有效性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种推荐方法，其特征在于，所述推荐方法包括：

基于协同过滤算法针对目标用户集计算出相似用户集；

根据预设用户筛选规则对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集，所述正常用户为所述相似用户集中除恶意用户以外的用户；

获取所述推荐用户集中正常用户的资源使用信息，并根据所述资源使用信息对所述推荐用户集中的正常用户进行资源推荐。

2.如权利要求1所述的推荐方法，其特征在于，所述根据预设用户筛选规则对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集包括：

对所述相似用户集中的各用户进行离群检测，计算所述相似用户集中各所述用户的第一离群因子；

根据所述第一离群因子对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集。

3.如权利要求2所述的推荐方法，其特征在于，所述对所述相似用户集中的各用户进行离群检测，计算所述相似用户集中各所述用户的第一离群因子包括：

统计所述相似用户集中各用户使用的资源的属性信息，所述相似用户集中各用户使用的资源的属性信息包括资源下载种类、资源搜索种类、资源打开种类、资源下载量、资源打开次数、资源下载频率、资源打开频率、资源搜索频率、资源评论数、资源评论频率以及资源评分中的至少一种；

根据所述相似用户集中的各所述用户的使用的资源的第一属性信息以及基于密度的离群点算法计算各所述用户的第一离群因子。

4.如权利要求2所述的推荐方法，其特征在于，所述根据所述第一离群因子对所述相似用户集进行用户筛选得到由正常用户组成的推荐用户集包括：

从所述相似用户集中筛选出第一离群因子小于等于预设第一离群因子阈值的用户，并将该用户作为正常用户组合成推荐用户集；

或，

从所述相似用户集中按第一离群因子由小到大的顺序筛选出预设第一数量的用户，并将筛选出来的用户作为正常用户组合成推荐用户集。

5.如权利要求1-4任一项所述的推荐方法，其特征在于，在所述基于协同过滤算法针对目标用户集计算出相似用户集之前还包括：

基于预设目标资源获取与所述预设目标资源相关联的关联用户集；

对所述关联用户集中的各用户进行离群检测，计算所述关联用户集中各所述用户的第二离群因子；

根据所述第二离群因子对所述关联用户集进行筛选得到所述目标用户集。

6.如权利要求5所述的推荐方法，其特征在于，所述目标资源为目标应用对应的资源或目标应用上目标搜索对象对应的资源；

所述获取所述推荐用户集中正常用户的资源使用信息，并根据所述资源使用信息对所述推荐用户集中的正常用户进行资源推荐包括：

在所述目标资源为目标应用对应的资源时，获取所述推荐用户集中正常用户的应用资源使用信息，并根据所述应用资源使用信息对所述推荐用户集中的正常用户进行应用推荐；

或，

在所述目标资源为目标应用上目标搜索对象对应的资源时，获取所述推荐用户集中正常用户基于该目标应用的搜索对象资源使用信息，根据所述搜索对象资源使用信息并基于该目标应用对所述推荐用户集中的正常用户进行搜索对象推荐。

7.如权利要求5所述的推荐方法，其特征在于，所述对所述关联用户集中的各用户进行离群检测，计算所述关联用户集中各所述用户的第二离群因子包括：

统计所述关联用户集中各用户使用的资源的属性信息，所述关联用户集中各用户使用的资源的属性信息包括资源下载种类、资源搜索种类、以及资源打开种类中的至少一种；

根据所述关联用户集中各所述用户使用的资源的属性信息以及基于密度的离群点算法计算各所述用户的第二离群因子。

8.如权利要求5所述的推荐方法，其特征在于，所述根据所述第二离群因子对所述关联用户集进行筛选得到所述目标用户集包括：

从所述关联用户集中筛选出第二离群因子小于等于预设第二离群因子阈值的用户组成目标用户集；

或，

从所述关联用户集中按第二离群因子由小到大的顺序筛选出预设第二数量的用户组成目标用户集。

9.一种服务器，其特征在于，所述服务器包括处理器、存储器及通信总线；

所述通信总线用于实现所述处理器和所述存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现如权利要求1-8中任一项所述的推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8中任一项所述的推荐方法的步骤。