CN108305091A - 电子设备、用户感兴趣感知度提取方法及装置 - Google Patents

Abstract

本公开是关于一种电子设备、用户感兴趣感知度提取方法及装置。该方法包括：根据业务场景确定与用户的感知度相关的类型数据，并对用户的感知度的各感知类型的类型数据进行汇总；分别根据各感知类型的类型数据计算各感知类型的第一分值；获取各感知类型的可选范围序列，并根据可选范围序列以及一收敛且为增函数的权重调整函数确定各感知类型对应的权重；基于各感知类型的第一分值以及各感知类型对应的权重计算各感知类型的第二分值；以及选取第二分值最高的感知类型作为用户的感兴趣感知度。本公开能够准确地确定用户的感兴趣感知度，从而便于精准营销。

Description

电子设备、用户感兴趣感知度提取方法及装置

技术领域

本公开涉及大数据技术领域，具体而言，涉及一种用户感兴趣感知度提取方法、用户感兴趣感知度提取装置以及电子设备。

背景技术

感知度是用户对商品、服务的认知程度。在电商购物过程中，往往存在很多的用户的感知度选择场景，例如选择商品的颜色、商品的大小、衣服的尺寸等。如果能够从用户购物过程产生的数据中提取出用户的感兴趣感知度，就可以准确定位用户的偏好，从而可以精准地向用户推荐其感兴趣的产品和服务。

一种方法是通过从用户购物的历史行为数据中提取出用户购买的商品的用户感知度例如颜色和尺寸，然后对各种颜色和尺寸的商品进行简单的求和运算来得出用户的颜色偏好和尺寸偏好。这种方法仅单一地考虑了用户已购买的商品的用户感知度，没有考虑购物各个环节下的各种情况，不能准确地反映用户的感兴趣感知度。

因此，需要提供一种能够综合考虑购物各个环节的信息并准确反映用户的感兴趣感知度的方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种用户感兴趣感知度提取方法、用户感兴趣感知度提取装置置以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供了一种用户感兴趣感知度提取方法，其特征在于，包括：

根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

在本公开的一种示例性实施例中，所述用户感兴趣感知度提取方法还包括：

在第二分值最高的所述感知类型存在多个时，根据各所述第二分值最高的所述感知类型对应的所述用户的历史行为数据确定所述用户的感兴趣感知度。

在本公开的一种示例性实施例中，所述类型数据包括：订单数据、浏览次数数据、加入购物车、收藏、分享以及评价数据中的一种或多种。

在本公开的一种示例性实施例中，所述分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值包括：

确定所述感知类型的各所述类型数据的权重；

基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的所述第一分值。

在本公开的一种示例性实施例中，所述确定所述感知类型的各所述类型数据的权重包括：

为各所述类型数据设置相同的权重；或者

基于数量反比确定各所述类型数据的权重；或者

基于先验知识确定各所述类型数据的权重。

在本公开的一种示例性实施例中，所述权重调整函数包括下述反正切函数：

Q＝arctan(n/r)

其中，n为所述感知类型的可选范围序列，r为大于0的常数。

根据本公开的第二方面，还提供了一种用户感兴趣感知度提取装置，包括：

类型数据汇总单元，用于根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

第一分值计算单元，用于分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

感知类型权重确定单元，用于获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

第二分值计算单元，用于基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

感兴趣感知度确定单元，用于选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

在本公开的一种示例性实施例中，所述用户感兴趣感知度提取装置还包括：最终感兴趣感知度确定单元，用于在第二分值最高的所述感知类型存在多个时，根据各所述第二分值最高的所述感知类型对应的所述用户的历史行为数据确定所述用户的感兴趣感知度。

在本公开的一种示例性实施例中，所述类型数据包括：订单数据、浏览次数数据、加入购物车、收藏、分享以及评价数据中的一种或多种。

在本公开的一种示例性实施例中，所述第一分值计算单元包括：类型数据权重确定单元，用于确定所述感知类型的各所述类型数据的权重；分值计算单元，用于基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的第一分值。

在本公开的一种示例性实施例中，所述类型数据权重确定单元包括：权重设置单元，用于为各所述类型数据设置相同的权重；或者基于数量反比确定各所述类型数据的权重；或者基于先验知识确定各所述类型数据的权重。

在本公开的一种示例性实施例中，其特征在于，所述权重调整函数包括下述反正切函数：Q＝arctan(n/r)，其中，n为所述感知类型的可选范围序列，r为大于0的常数。

根据本公开的另一个方面，还提供了一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中所述处理器配置为经由执行所述可执行指令来执行根据上述任意一项用户感兴趣感知度提取方法。

本公开的一种示例性实施例中的用户感兴趣感知度提取方法及用户感兴趣感知度提取装置，可以基于根据业务场景确定的与用户的感知度相关的类型数据计算各感知类型的第一分值，基于各感知类型的可选范围序列和权重调整函数确定各感知类型对应的权重，通过结合各感知类型的第一分值和对应的权重来计算各感知类型的第二分值。根据本公开的用户感兴趣感知度提取方法，一方面，基于根据业务场景确定的与用户的感知度相关的类型数据计算各感知类型的第一分值，综合考虑了用户购物各个环节下的多种类型数据，可以全面地反映用户的感兴趣感知度；另一方面，根据各感知类型的可选范围序列和权重调整函数确定各感知类型对应的权重，不仅可以对可选范围相差较大的情况进行调节，而且可以通过调整权重来减少数据特征丢失；再一方面，通过结合各感知类型的第一分值和对应的权重，可以准确地确定用户的感兴趣感知度，从而便于精准营销。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。

图1示意性示出了根据本公开一示例性实施例的用户感兴趣感知度提取方法的流程图；

图2示意性示出了根据本公开一示例性实施例的权重调整函数的示意图；

图3示意性示出了根据本公开一示例性实施例的参数经调整的权重调整函数的示意图；以及

图4示意性示出了根据本公开一示例性实施例的用户感兴趣感知度提取装置的框图。

图5示意性示出本公开一示例实施例的电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在电商购物过程中，可选范围大的感知类型的选择更符合用户的感知的真实心理，因此，一种方法直接通过商品的感知类型的可选数量作为权重，对用户的所有商品进行加权求和运算来得出用户的颜色偏好和尺寸偏好。本示例实施例中，首先提供了一种用户感兴趣感知度提取方法。参照图1中所示，该用户感兴趣感知度提取方法包括以下步骤：

步骤S110.根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

步骤S120.分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

步骤S130.获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

步骤S140.基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

步骤S150.选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

根据本示例实施例中的用户感兴趣感知度提取方法，一方面，基于根据业务场景确定的与用户的感知度相关的类型数据计算各感知类型的第一分值，综合考虑了用户购物各个环节下的多种类型数据，可以全面地反映用户的感兴趣感知度；另一方面，根据各感知类型的可选范围序列和权重调整函数确定各感知类型对应的权重，不仅可以对可选范围相差较大的情况进行调节，而且可以通过调整权重来减少数据特征丢失；再一方面，通过结合各感知类型的第一分值和对应的权重，可以准确地确定用户的感兴趣感知度，从而便于精准营销。

下面，将对本示例实施例中的用户感兴趣感知度提取方法进行进一步的说明。

在步骤S110中，根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总。

在本示例实施例中，业务场景可以包括电商购物场景、社交网站场景以及智能电视场景，但是本公开的示例性实施例中的业务场景不限于此，例如还可以包括音乐播放器智能推荐音乐的场景等其他场景，这也属于本公开的保护范围。

在本示例实施例中，在电商购物场景下，用户的感知度可以包括用户在购物过程中进行选择的商品的各种属性例如颜色、尺寸、型号等，但是本公开的示例性实施例中的感知度不限于此，例如在社交网站场景下，用户的感知度可以为性别、职业、兴趣爱好等。在用户的感知度为颜色时，颜色的感知类型可以包括红色、绿色、黑色、蓝色以及白色等各种单色或者可以是各种颜色的组合。

在本示例实施例中，在电商购物场景下，与用户的感知度相关的类型数据可以包括用户在购物过程的各个环节下产生的各种数据，例如订单数据、浏览次数数据、加入购物车数据、分享数据、评价数据以及收藏数据等。在本示例实施例中，可以根据需要研究的用户的感兴趣感知度来确定类型数据，例如，要研究用户对颜色的感兴趣感知度时，类型数据主要包括订单数据、浏览次数数据、加入购物车数据以及收藏数据。

在本示例实施例中，在电商购物场景下，对用户的感知度的各感知类型的类型数据进行汇总之后，可以产生下述数据格式的数据：用户、商品、感知类型、各个类型数据的数量。例如，类型数据为订单数据时，订单数据的数量即为购买商品的数量，类型数据为加入购物车数据时，加入购物车数据的数量即为加入购物车的商品的数量。

接下来，在步骤S120中，分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值。本示例实施方式中还进一步提供该步骤的子步骤。

例如，在本示例实施例中，分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值可以包括：首先，确定所述感知类型的各所述类型数据的权重；其次，基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的所述第一分值。

进一步地，在本示例实施例中，确定所述感知类型的各所述类型数据的权重可以包括：为各所述类型数据设置相同的权重；或者基于数量反比确定各所述类型数据的权重；或者基于先验知识确定各所述类型数据的权重。

下面详细地描述感知类型的第一分值的计算过程。假设与用户的感知度有关的类型数据共m种，T_j表示第j种类型数据，N_j表示第j种类型数据的数量，例如，当类型数据包括订单数据、浏览次数数据、加入购物车数据以及收藏数据时，T₂可以表示浏览次数数据，N₂可以表示浏览次数数据的数量是N2。Q_j表示第j种类型数据的权重。感知类型的第一分值的计算过程可以包括如下步骤：

步骤SP1：确定感知类型的各类型数据的权重。在本示例实施例中，存在多种确定各类型数据的权重的方法。例如，第一种方法为类型数据设置相同的权重，则感知类型的第一分值为各类型数据的数量之和。该方法注重数量而忽视了各类型数据之间的差异，例如，经常会出现用户收藏了许多同种颜色的商品，但是购买该颜色的商品数量非常少，在这种情况下，收藏数据会覆盖了订单数据。第二种方法基于数量反比确定各类型数据的权重，该方法可以平衡各类型数据的数量之间的差异，降低数量较多的类型数据的权重，调高数量较少的类型数据的权重。该方法包括如下步骤：(1)计算各类型数据的数量之和M；(2)通过下式计算第j种类型数据的反比权重：Q_j＝(M-N_j)/M。第三种方法基于先验知识确定各所述类型数据的权重。在本示例实施例中，先验知识可以包括业务专家对各个类型数据的重要性的评估，但是本公开的示例性实施例中的先验知识不限于此，例如先验知识还可以包括具体业务场景下的已知的计算结果。在本示例实施例中，如果类型数据的重要性越高，则其权重越大。

步骤SP2：对各类型数据的数量N_j和各类型数据的权重Q_j的乘积进行求和运算来计算第一分值，例如，对N_j*Qj进行总求和。

在本示例性实施例中，在电商购物场景下，在步骤S120中，可以产生下述数据格式的数据：用户、商品、感知类型、第一分值。

接下来，在步骤S130中，获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重。

在本示例性实施例中，基于用户购物的历史行为数据来获取各所述感知类型的可选范围序列，例如，在购物过程中，一种商品有多种颜色例如10种时，则多种颜色中的每一种颜色的可选范围都是10。另一种商品有3种可选颜色时，每一种颜色的可选范围都是3。类型数据中的各种商品的颜色的可选范围一起构成了各种颜色的可选范围序列。例如，当感知类型为红色时，红色感知类型的各类型数据的各个商品的可选颜色数量一起构成红色感知类型的可选范围序列，例如，订单数据的各个商品的可选颜色数量、浏览次数数据中的各个商品的可选颜色数量、加入购物车数据的各个商品的可选颜色数量、收藏数据的各个商品的可选颜色数量一起构成红色感知类型的可选范围序列。

在用户购物过程中，由于商品的感知类型的可选范围可能相差较大，例如，一种商品的可选颜色具有10种，另一商品的可选颜色仅有1种，这种情况下难以对用户的选择进行区分，而且具有10种可选颜色的商品的权重还会严重地覆盖了可选颜色仅有1种的商品的权重，从而导致数据特征丢失。例如，在用户购物过程中，如果感知类型的可选数量太少，可能造成感知类型的边缘统计数据不准确；同时，如果感知类型的可选数量过多，可能由于数量权重的设置导致部分可选范围小的数据特征丢失。例如，对于颜色感知度，如果一个商品只有1个黑色选择，那么用户可能会根据自己的需求而忽略颜色，直接选择购买或者浏览，从而导致错误认为用户喜欢黑色；同时如果用户购买了3种颜色可选的一件衣服和100种颜色可选择的墙纸，虽然当可选数量大到一定程度如100种时，用户肯定会细心的选择自己的真实感知，但如果通过颜色种类进行权值设置，很大程度会直接造成具有3种颜色选择的衣服特征数据丢失

为了克服可选范围的不同造成的上述问题，需要基于各类型数据中各感知类型的可选范围来调整各感知类型的权重。

在本示例性实施例中，根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重。在本示例性实施例中，可以采用下述反正切函数来调节各感知类型对应的权重：

Q＝arctan(n/r)

其中，n为所述感知类型的可选范围序列，r为大于0的常数。图2示出了根据本公开一示例性实施例的反正切函数的示意图。如图2所示，横轴为可选范围序列中各可选范围的取值，纵轴为权重Q。可选范围序列中的各可选范围的取值和对应的权重与反正切函数曲线上的一个点对应。

在本公开的一种示例性实施例中，可以通过参数r进行权重调节，参数r为可以在(0，5]的范围内。此外，在本公开的示例性实施例中，r还可以默认为1，还可以根据实际情况改变r的取值。图3示出了调整了r参数的权重调整函数的示意图。如图3所示，如果可选范围较小，则需要减小r的值，使n/r的值变大，从而增大权重；如果可选范围较大，则需要增大r的值，使n/r的值变小，从而减小权重。

接下来，在步骤S140中，基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值。

在本示例实施例中，基于在步骤S120中计算的每个感知类型的第一分值和在步骤S130中计算的其对应的权重来计算该感知类型的第二分值。例如，设第二分值为F，第一分值为S，权重为Q，则每个感知类型对应的得分F＝S*Q。

在本示例性实施例中，在电商购物场景下，在步骤S140中，可以产生下述数据格式的数据：用户、感知类型、感知类型的第二分值。

接下来，在步骤S150中，选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

在本示例性实施例中，对于特殊的情况，例如，在第二分值最高的感知类型存在多个时，根据各第二分值最高的感知类型对应的用户的历史行为数据确定用户的感兴趣感知度。在本示例性实施例中，用户的历史行为数据可以包括最近一次购物过程产生的数据，但是本公开的示例性实施例中用户的历史行为数据不限于此，例如，历史行为数据还可以是类型数据中与感知类型对应的各组商品的总金额，可以将总金额最大的感知类型确定为用户的感兴趣感知度。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种用户感兴趣感知度提取装置。参照图4所示，该用户感兴趣感知度提取装置400可以包括：类型数据汇总单元410、第一分值计算单元420、感知类型权重确定单元430、第二分值计算单元440以及感兴趣感知度确定单元450。其中：

类型数据汇总单元410用于根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

第一分值计算单元420用于分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

感知类型权重确定单元430用于获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

第二分值计算单元440用于基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

感兴趣感知度确定单元450用于选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

此外，在本示例性实施例中，用户感兴趣感知度提取装置400还可以包括：最终感兴趣感知度确定单元，用于在第二分值最高的所述感知类型存在多个时，根据各所述第二分值最高的所述感知类型对应的所述用户的历史行为数据确定所述用户的感兴趣感知度。

在本示例性实施例中，所述第一分值计算单元可以包括：类型数据权重确定单元，用于确定所述感知类型的各所述类型数据的权重；分值计算单元，用于基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的第一分值。

在本示例性实施例中，所述类型数据权重确定单元包括：权重设置单元，用于为各所述类型数据设置相同的权重；或者基于数量反比确定各所述类型数据的权重；或者基于先验知识确定各所述类型数据的权重。

由于本公开的示例实施例的用户感兴趣感知度提取装置的各个功能模块与上述用户感兴趣感知度提取方法的示例实施例的步骤对应，因此在此不再赘述。

应当注意，尽管在上文详细描述中提及了用户感兴趣感知度提取装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

图5示出根据本公开示例实施方式中执行上述方法的电子设备400的一种示意图。参照图4，电子设备400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述方法。

电子设备400还可以包括一个电源组件426被配置为执行电子设备400的电源管理，一个有线或无线网络接口450被配置为将电子设备400连接到网络，和一个输入输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种用户感兴趣感知度提取方法，其特征在于，包括：

根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

2.根据权利要求1所述的用户感兴趣感知度提取方法，其特征在于，所述用户感兴趣感知度提取方法还包括：

在第二分值最高的所述感知类型存在多个时，根据各所述第二分值最高的所述感知类型对应的所述用户的历史行为数据确定所述用户的感兴趣感知度。

3.根据权利要求1或2所述的用户感兴趣感知度提取方法，其特征在于，所述类型数据包括：订单数据、浏览次数数据、加入购物车、收藏、分享以及评价数据中的一种或多种。

4.根据权利要求1或2所述的用户感兴趣感知度提取方法，其特征在于，所述分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值包括：

确定所述感知类型的各所述类型数据的权重；

基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的所述第一分值。

5.根据权利要求4所述的用户感兴趣感知度提取方法，其特征在于，所述确定所述感知类型的各所述类型数据的权重包括：

为各所述类型数据设置相同的权重；或者

基于数量反比确定各所述类型数据的权重；或者

基于先验知识确定各所述类型数据的权重。

6.根据权利要求1或2所述的用户感兴趣感知度提取方法，其特征在于，所述权重调整函数包括下述反正切函数：

Q＝arctan(n/r)

其中，n为所述感知类型的可选范围序列，r为大于0的常数。

7.一种用户感兴趣感知度提取装置，其特征在于，包括：

类型数据汇总单元，用于根据业务场景确定与用户的感知度相关的类型数据，并对所述用户的感知度的各感知类型的所述类型数据进行汇总；

第一分值计算单元，用于分别根据各所述感知类型的所述类型数据计算各所述感知类型的第一分值；

感知类型权重确定单元，用于获取各所述感知类型的可选范围序列，并根据所述可选范围序列以及一收敛且为增函数的权重调整函数确定各所述感知类型对应的权重；

第二分值计算单元，用于基于各所述感知类型的第一分值以及各所述感知类型对应的权重计算各所述感知类型的第二分值；以及

感兴趣感知度确定单元，用于选取所述第二分值最高的所述感知类型作为所述用户的感兴趣感知度。

8.根据权利要求7所述的用户感兴趣感知度提取装置，其特征在于，所述用户感兴趣感知度提取装置还包括：

最终感兴趣感知度确定单元，用于在第二分值最高的所述感知类型存在多个时，根据各所述第二分值最高的所述感知类型对应的所述用户的历史行为数据确定所述用户的感兴趣感知度。

9.根据权利要求7或8所述的用户感兴趣感知度提取装置，其特征在于，所述类型数据包括：订单数据、浏览次数数据、加入购物车、收藏、分享以及评价数据中的一种或多种。

10.根据权利要求7或8所述的用户感兴趣感知度提取装置，其特征在于，所述第一分值计算单元包括：

类型数据权重确定单元，用于确定所述感知类型的各所述类型数据的权重；

分值计算单元，用于基于所述感知类型的各所述类型数据的数量和各所述类型数据的权重来确定所述感知类型的第一分值。

11.根据权利要求10所述的用户感兴趣感知度提取装置，其特征在于，所述类型数据权重确定单元包括：

权重设置单元，用于为各所述类型数据设置相同的权重；或者基于数量反比确定各所述类型数据的权重；或者基于先验知识确定各所述类型数据的权重。

12.根据权利要求7或8所述的用户感兴趣感知度提取装置，其特征在于，所述权重调整函数包括下述反正切函数：

Q＝arctan(n/r)

其中，n为所述感知类型的可选范围序列，r为大于0的常数。

13.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中所述处理器配置为经由执行所述可执行指令来执行根据权利要求1～6任意一项所述的用户感兴趣感知度提取方法。