CN108268556A - 信息推荐方法及信息推送端 - Google Patents

Abstract

本发明实施例提供了一种信息推荐方法，该方法应用于信息推送端，该信息推送端包括多个账户。所述方法包括：收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息；根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容；及根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。本发明实施例还提供了一种信息推送端。本发明实施例可以在适当设备推荐适当内容给用户，所推荐信息具有较高的准确性。

Description

信息推荐方法及信息推送端

技术领域

本发明实施例涉及互联网技术，尤其涉及一种信息推荐方法及信息推送端。

背景技术

看视频、听音乐已经逐渐成为了人们当下放松、休闲中必不可少的部分。为提高用户粘性，各互联网公司均开发了用户推荐功能，用来向用户推荐音视频信息。然而，当下这些推荐功能所推送的推荐信息多数被用户认为是骚扰信息，或是所推荐内容并不符合用户实际需求，推荐准确性低。

发明内容

有鉴于此，本发明目的是提供一种信息推荐方法，可以在适当设备推荐适当内容给用户，所推荐信息具有较高的准确性。

本发明目的还提供一种信息推送端，可以在适当设备推荐适当内容给用户，所推荐信息具有较高的准确性。

本发明实施例提供一种信息推荐方法，该方法应用于信息推送端。该信息推送端包括多个账户。所述方法包括：收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息；根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容；及根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。

本发明实施例还提供了一种信息推送端，该信息推送端包括多个账户。所述信息推送端包括收集模块、预测模块和推送模块。收集模块用于收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息。预测模块用于根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容。推送模块用于根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。

本发明实施例之管信息推荐方法及信息推送端，可以从用户的多个用户设备中收集数据信息，并将该数据信息加以分析，以在适当设备设推荐适当内容给用户，所推荐信息具有较高的准确性。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1是本发明实施例之运行环境示意图。

图2是本发明实施例之信息推送端的功能模块图。

图3是本发明实施例之信息推荐方法的步骤流程图。

图4是本发明实施例之信息推荐方法中预测步骤的具体流程图。

图5是本发明另一实施例之信息推荐方法中预测步骤的具体流程图。

主要元件符号说明

第一账户 A

第二账户 B

第一用户 1

第二用户 2

存储器 10

处理器 20

信息推送端 100

收集模块 110

预测模块 112

推送模块 114

第一用户设备 200～230

第二用户设备 240～260

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清晰、完整的描述。显然，所描述的实施例是本发明的一部分实施例，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创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，为本发明实施例之通信架构示意图。所述通信架构包括至少一个信息推送端100，该信息推送端100包括多个账户，每个账户用于关联一个或多个用户设备。在本实施例中，第一用户1的第一账户A关联有多个第一用户设备200～230，其中一个第二用户2的第二账户B关联有多个第二用户设备240～260。所述第一用户设备200～230通过第一用户1的第一账户A登录信息推送端100并与该信息推送端100进行数据交互。所述第二用户设备240～260通过第二用户2的第二账户B登录信息推送端100并与该信息推送端100进行数据交互。

该信息推送端100可以是服务器或其它后台设备。用户设备200～270可以是智能手机、平板电脑、机顶盒、电视等。

请参阅图2，为本发明实施例之信息推送端100的功能模块图。该信息推送端100可以被分割成一个或多个模块，所述一个或者多个模块均被存储于存储器10中，并由一个或多个处理器(本实施例中为一个处理器20)所执行，以完成本发明。

继续参阅图2，在本实施例中，信息推送端100的多个模块可以包括收集模块110、预测模块112及推送模块114。下面以信息推送端100向第一用户1推送推荐消息为例，对上述各个模块进行详细说明。

收集模块110收集多个账户中的第一账户A所关联的多个第一用户设备200～230提供的数据信息。收集模块110会以账户为单位，收集每个账户所关联的一个或多个用户设备的数据信息，并将该收集的数据信息存储在对应的账户之中。即，为每一个用户独立地设置一个人数据库。例如，收集模块110收集第一用户1的第一账户A所关联的用户设备200～230的数据信息，并将该数据信息存储在该第一账户A之中。

预测模块112根据所述数据信息预测第一账户A对应之第一用户1在各个第一用户设备200～230上的感兴趣内容。

在一实施例中，上述感兴趣内容可以包括一个或多个视频内容。预测模块112可以至少根据上述视频内容的分辨率，预测该视频内容为第一用户1在多个第一用户设备200～230的其中一个第一用户设备(例如，第一用户设备200)上的感兴趣内容，该第一用户设备200被锁定为接收该视频内容对应之推荐信息的预定用户设备。例如，其中一个视频内容为蓝光高清电影时，则向具有高清解码能力的第一用户设备(如高清液晶电视)上推送该蓝光高清电影的推荐信息。

在一实施例中，第一用户1的上述数据信息包括每个第一用户设备200～230的子数据信息，预测模块112还用于至少根据每个第一用户设备200～230的子数据信息，预测在不同时间段间之各个第一用户设备200～230的被使用概率和/或第一用户1在各个第一用户设备200～230上的感兴趣内容。具体的，预测模块112可以根据从第一用户设备200～230收集到的数据信息预测该第一用户1的兴趣偏向，再结合每个第一用户设备200～230的子数据信息来进一步预测该第一用户1在不同的第一用户设备200～230上的使用习惯，比如喜欢在电视上看电视剧、喜欢在平板电脑上看电影、喜欢在智能手机上看综艺节目等。再进一步结合每个第一用户设备200～230的用户时间等来综合分析该第一用户1喜欢在什么时间段，在什么用户设备上看什么类型的多媒体节目。以此分析结果来推送相应的推荐信息。该实施例优势在于，可以在适当设备推荐适当内容给第一用户1，所推荐信息具有较高的准确性。

在一实施例中，第一用户1的上述数据信息括第一用户1的多个第一用户设备200～230提供的实时数据信息，所述实时数据信息至少包括活动状态信息和/或位置信息。通过所述活动状态信息和位置信息可以判断该第一用户1是否在走路、骑车、驾驶汽车、在家休息或在公司办公等。

预测模块112还用于根据所述实时数据信息预测第一用户1的感兴趣内容。例如，当从第一用户1的智能手机获取到第一用户1的活动状态可能在骑行或开车时，则向该第一用户1的智能手机推荐第一用户1感兴趣的流行音乐等。当从第一用户1的智能手机获取到第一用户1的活动状态可能在跑步时，可以向第一用户1的智能手机推荐第一用户1感兴趣的快节奏音乐。当从第一用户1的智能手机获取到第一用户1的活动状态在公司办公时，可以向第一用户1的智能手机推荐第一用户1感兴趣的短视频或轻音乐等。当从第一用户1的智能手机获取到第一用户1的活动状态在家休息时，可以向第一用户1的电视机或机顶盒推荐第一用户1感兴趣的连续剧等。在另一实施例中，所述实时数据信息还可以包括各个用户设备的使用信息。

在一实施例中，第一用户1的上述数据信息括第一用户1的社交网络信息，该社交网络信息为第一用户1与多个第二用户(如图1所示的其中一个第二用户2)的社交互动记录。预测模块112还用于：根据社交网络信息计算与多个第二账户对应之多个第二用户的社交亲密度；获取每个第二账户的多媒体播放历史记录，所述多媒体播放历史记录包括多媒体文件名称、在每个多媒体文件上的停留时间、重复次数和/或使用设备类型；依据每个第二账户的社交亲密度和每个第二账户的多媒体播放历史记录，对所述多个第二账户中记录的每个多媒体文件进行评分；及根据评分结果预测所述第一用户的感兴趣内容。社交亲密度的计算可以参考如下量化公式：

其中，Affinity Score为社交亲密度评分，k2为社交网络事件中发送事件回复事件次数，Δt_j为发送事件和回复事件之间的时间差，N为时间段数，W_m为时间权重。

时间段数N是可以预先设定的，例如将最近0～3(包括端点)个月分为一时间段，将之前(不包括端点)3～6(包括端点)个月分为一时间段，将之前(不包括端点)6～9(包括端点)个月分为一时间段，以此类推。可以将最近3个月有联系的第二用户(好友)时间权重W₁设为1，将之前(不包括端点)3～6(包括端点)个月有联系的第二用户(好友)时间权重W₂设为0.8，将之前(不包括端点)6～9(包括端点)个月有联系的第二用户(好友)时间权重W₃设为0.6，以此类似。通过上述公式，可以得出第一用户1与每个第二用户的的社交亲密度。然后对每位第二用户(好友)的多媒体播放历史记录来筛选这些多媒体文件，并将这些多媒体文件做为候选推荐内容。之后依据每个第二账户的社交亲密度和每个第二账户的多媒体播放历史记录，对所述多个第二账户中的这些候选推荐内容进行评分，评分高的候选推荐内容可视作第一用户1的感兴趣内容。

下面提供了一结合社交亲密度的每一个多媒体文件进行评分，该评分可以视作向第一用户1推送推荐内容的预测评分。容易理解，一部影片的预测评分越高则视作第一用户1可能越感兴趣。具体公式可以参考如下：

其中，Predection Score为对一个多媒体文件的预测评分，即通过该多媒体文件的预测评分来确定将该多媒体文件做为推荐内容推送给用户。参数k2、Δt_j、N、W_m、在上文已有介绍。另外，k1为重复观看的次数，Δt_i为该多媒体文件的观看时间，Y_o为设备权重，具有相同的设备分辨率，权重为1；P为播放该多媒体文件的设备数量。

上述社交互动记录可以来源于各类社交平台，如Facebook、微信等。

在一实施例中，所述预测模块112还用于：比较第一用户1的上述数据信息与其它用户的数据信息的相似度；获取相似度较高的其它用户的感兴趣内容；根据该其他用户的感兴趣内容预测第一用户1的感兴趣内容。

上面提出了预测模块112的多种预测方式。这些方式可单独被实施，也可综合被实施。

推送模块114根据预测结果生成相应的推荐信息，并于将该推荐信息推送至多个用户设备200～230中的预定用户设备中。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

图3是本发明实施例之信息推荐方法的步骤流程图。下面以一信息推送端为执行主体进行示例性描述。该信息推送端包括多个账户，每个账户用于关联一个或多个用户设备。下面以信息推送端向第一用户推送推荐消息为例，对本方法进行详细说明。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。

步骤S400，信息推送端收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息。

步骤S402，信息推送端根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容。

在一实施例中，所述感兴趣内容包括视频内容。在该步骤中，信息推送端可以至少根据所述视频内容的分辨率，预测该视频内容为所述第一用户在所述多个第一用户设备的其中一个第一用户设备上的感兴趣内容，该一个第一用户设备被锁定为接收该视频内容对应之推荐信息的所述预定用户设备。

在一实施例中，所述数据信息包括每个第一用户设备的子数据信息。信息推送端至少根据每个第一用户设备的子数据信息，预测在不同时间段：各个第一用户设备的被使用概率和/或所述第一用户在各个第一用户设备上的感兴趣内容。

在一实施例中，所述数据信息包括所述多个第一用户设备提供的实时数据信息，所述实时数据信息至少包括活动状态信息和/或位置信息。信息推送端还可以根据所述实时数据信息预测所述第一用户的感兴趣内容。

在一实施例中，所述数据信息还包括社交网络信息，该社交网络信息为所述第一用户与多个第二用户的社交互动记录。如图4所示，步骤S402具体包括S500～S506：根据社交网络信息计算与多个第二账户对应之所述多个第二用户的社交亲密度(步骤S500)。获取每个第二账户的多媒体播放历史记录，所述多媒体播放历史记录包括多媒体文件名称、在每个多媒体文件上的停留时间、重复次数和/或使用设备类型(步骤S502)。依据每个第二账户的社交亲密度和每个第二账户的多媒体播放历史记录，对所述多个第二账户中记录的每个多媒体文件进行评分(步骤S504)。根据评分结果预测所述第一用户的感兴趣内容(步骤S506)。

在一实施例中，如图5所示，步骤S402具体包括S600～S604：比较所述数据信息与其它用户的数据信息的相似度(步骤S600)；获取相似度较高的其它用户的感兴趣内容(步骤S602)；及根据该其他用户的感兴趣内容预测所述用户的感兴趣内容(步骤S604)。

步骤S404，信息推送端根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。

需要说明的是，上文所述实施例，并不构成对发明保护范围的限定。任何在本发明的精神和原则内所作的修改，等同替换和改进等，均应包含在本发明的保护范围内。

Claims (10)

1.一种信息推荐方法，该方法应用于信息推送端，其特征在于，该信息推送端包括多个账户，所述方法包括：

收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息；

根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容；及

根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。

2.如权利要求1所述之信息推荐方法，其特征在于，所述感兴趣内容包括视频内容，根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容的步骤还包括：

至少根据所述视频内容的分辨率，预测该视频内容为所述第一用户在所述多个第一用户设备的其中一个第一用户设备上的感兴趣内容，这个第一用户设备被锁定为接收该视频内容对应之推荐信息的所述预定用户设备。

3.如权利要求1或2所述之信息推荐方法，其特征在于，所述数据信息包括每个第一用户设备的子数据信息，根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容的步骤包括：

至少根据每个第一用户设备的子数据信息，预测在不同时间段间之各个第一用户设备的被使用概率和/或所述第一用户在各个第一用户设备上的感兴趣内容。

4.如权利要求1或2所述之信息推荐方法，其特征在于，所述数据信息包括所述多个第一用户设备提供的实时数据信息，所述实时数据信息至少包括活动状态信息和/或位置信息，根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容的步骤包括：

根据所述实时数据信息预测所述第一用户的感兴趣内容。

5.如权利要求1或2所述之信息推荐方法，其特征在于，所述数据信息还包括社交网络信息，该社交网络信息为所述第一用户与多个第二用户的社交互动记录，根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容的步骤包括：

根据社交网络信息计算与多个第二账户对应之所述多个第二用户的社交亲密度；

获取每个第二账户的多媒体播放历史记录，所述多媒体播放历史记录包括多媒体文件名称、在每个多媒体文件上的停留时间、重复次数和/或使用设备类型；

依据每个第二账户的社交亲密度和每个第二账户的多媒体播放历史记录，对所述多个第二账户中记录的每个多媒体文件进行评分；及

根据评分结果预测所述第一用户的感兴趣内容。

6.一种信息推送端，其特征在于，该信息推送端包括多个账户，所述信息推送端包括：

收集模块，用于收集所述多个账户中的第一账户所关联的多个第一用户设备提供的数据信息；

预测模块，用于根据所述数据信息预测所述第一账户对应之第一用户在各个第一用户设备上的感兴趣内容；及

推送模块，用于根据预测结果生成相应的推荐信息，并将该推荐信息推送至所述多个第一用户设备中的预定用户设备中。

7.如权利要求6所述之信息推送端，其特征在于，所述感兴趣内容包括视频内容，预测模块还用于：

至少根据所述视频内容的分辨率，预测该视频内容为所述第一用户在所述多个第一用户设备的其中一个第一用户设备上的感兴趣内容，这个第一用户设备被锁定为接收该视频内容对应之推荐信息的所述预定用户设备。

8.如权利要求6或7所述之信息推送端，其特征在于，所述数据信息包括每个第一用户设备的子数据信息，预测模块还用于：

至少根据每个第一用户设备的子数据信息，预测在不同时间段：各个第一用户设备的被使用概率和/或所述第一用户在各个第一用户设备上的感兴趣内容。

9.如权利要求6或7所述之信息推送端，其特征在于，所述数据信息包括所述多个第一用户设备提供的实时数据信息，所述实时数据信息至少包括活动状态信息和/或位置信息，预测模块还用于：

根据所述实时数据信息预测所述第一用户的感兴趣内容。

10.如权利要求6或7所述之信息推送端，其特征在于，所述数据信息还包括社交网络信息，该社交网络信息为所述第一用户与多个第二用户的社交互动记录，预测模块还用于：

根据社交网络信息计算与多个第二账户对应之所述多个第二用户的社交亲密度；

获取每个第二账户的多媒体播放历史记录，所述多媒体播放历史记录包括多媒体文件名称、在每个多媒体文件上的停留时间、重复次数和/或使用设备类型；

依据每个第二账户的社交亲密度和每个第二账户的多媒体播放历史记录，对所述多个第二账户中记录的每个多媒体文件进行评分；及

根据评分结果预测所述第一用户的感兴趣内容。