CN108549674B

CN108549674B - 一种推荐方法、装置及存储介质

Info

Publication number: CN108549674B
Application number: CN201810276713.9A
Authority: CN
Inventors: 罗元帅
Original assignee: China Mobile Communications Group Co Ltd; MIGU Culture Technology Co Ltd
Current assignee: China Mobile Communications Group Co Ltd; MIGU Culture Technology Co Ltd
Priority date: 2018-03-30
Filing date: 2018-03-30
Publication date: 2021-11-09
Anticipated expiration: 2038-03-30
Also published as: CN108549674A

Abstract

本发明实施例公开了一种推荐方法，包括：确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；基于所述用户对所述物品的评分，进行物品推荐。本发明实施例还同时公开了一种推荐装置、以及存储介质。

Description

一种推荐方法、装置及存储介质

技术领域

本发明涉及计算机通信领域中的推荐技术，尤其涉及一种推荐方法、装置及存储介质。

背景技术

随着移动互联网的快速发展，越来越多的用户在利用互联网对各种类型的物品进行操作，比如，通过互联网平台购买商品，浏览互联网平台提供的各类多媒体信息等。以多媒体信息为音乐为例，用户可根据推荐系统提供的音乐排行榜等推荐模型筛选待播放的音乐。而音乐排行榜通常与大量用户对不同音乐的评分存在重要关联。然而，事实上只有少量用户对音乐进行直接评分，且用户只对很感兴趣或不感兴趣的音乐进行直接评分。因此，可基于大量用户对音乐感兴趣行为的次数，如音乐播放次数，来模拟用户对音乐的评分，从而得到用户对不同音乐的喜好程度。

然而，本申请发明人至少发现相关技术的物品推荐如音乐推荐中存在如下技术问题：有可能因一些意外因素如数据采集异常、网络爬虫，或者音乐循环播放而无人收听等，而导致出现无效的行为，也即用户将集中在短时间内进行重复操作。若此时仍按照相关技术仅以用户感兴趣行为的次数作为评分依据，由于难以区分无效行为，将无法避免无效行为对评分结果的影响，进而出现推荐系统推荐不准确的问题。

发明内容

有鉴于此，本发明实施例期望提供一种推荐方法、装置及存储介质，至少用以解决相关技术难以有效提高物品推荐的准确度的问题。

为达到上述目的，本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供一种推荐方法，所述方法包括：

确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；

根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；

基于所述用户对所述物品的评分，进行物品推荐。

第二方面，本发明实施例还提供一种推荐装置，所述装置包括：第一确定模块、第二确定模块和推荐模块；其中，

所述第一确定模块，用于确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；

所述第二确定模块，用于根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；

所述推荐模块，用于基于所述用户对所述物品的评分，进行物品推荐。

第三方面，本发明实施例还提供一种存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现本发明实施例提供的推荐方法的步骤。

第四方面，本发明实施例还提供一种推荐装置，包括存储器、处理器及存储在存储器上并能够由所述处理器运行的可执行程序，所述处理器运行所述可执行程序时执行本发明实施例提供的推荐方法的步骤。

本发明实施例所提供的推荐方法、装置及存储介质，通过确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；基于所述用户对所述物品的评分，进行物品推荐。如此，通过引入用户的忠诚度因子，将忠诚度因子和用户对物品产生行为的行为次数共同作为用户对物品进行评分的依据，从而降低用户在短时间内重复操作的次数在评分时所占的比重，避免出现数据采集异常和网络爬虫对评分结果的影响，进而能够有效提高推荐系统中物品推荐的准确度，大大提升用户的使用体验。

附图说明

图1为本发明实施例提供的一种推荐方法的实现流程示意图；

图2为本发明实施例提供的一种推荐装置的功能结构示意图；

图3为本发明实施例提供的一种推荐装置的硬件结构示意图。

具体实施方式

为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。

图1为本发明实施例提供的一种推荐方法的实现流程示意图，所述推荐方法可应用于服务器如云服务器中；如图1所示，本发明实施例中所提供的推荐方法的实现流程，可以包括以下步骤：

步骤101：确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子。

在本发明实施例中，对于本步骤101中确定所述用户对所述物品产生行为时所对应的忠诚度因子，可以包括：根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子；其中，所述时间周期的时长不小于连续发生两次所述行为所对应的时长。

这里，所述时间区间可根据实际情况进行设置，比如，可将时间区间设置为一个月或一个星期等；所述时间区间包括至少两个时间周期。在设定时间区间内用户对物品产生的行为，可以包括但不限于浏览、点击、购买、收藏等操作行为。

其中，发生行为的时间周期的单位可以是天、小时或分钟，例如，将时间区间设置为一个月，那么，可以将在一个月内用户对物品产生行为的时间周期的单位设置为天；也就是说，可根据一个月内用户对物品产生行为的时间周期的周期数来确定忠诚度因子。

在本发明实施例中，对于上述根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子，具体可以包括如下步骤：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与所述时间区间包括的总周期数的比值，获得第一计算结果；根据所述第一计算结果，确定所述忠诚度因子；其中，所述第一计算结果与所述忠诚度因子正相关。

优选地，对于上述根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子，具体还可以包括如下步骤：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与预设数值的差值，获得第二计算结果；基于所述第二计算结果与所述时间区间包括的总周期数的比值，获得第三计算结果；对所述第三计算结果与所述预设数值进行求和，获得所述忠诚度因子。

这里，采用忠诚度因子来表征用户对物品的忠诚度；其中，所述忠诚度用于表示用户对物品喜欢且忠诚的程度。例如，以时间周期的单位为天为例，这里所谓的忠诚可以理解为用户经常在不同的天内重复对物品产生行为，而并非是用户集中在短时间如一天内重复对物品产生行为。所述周期数与所述忠诚度因子正相关；也就是说，周期数越大，忠诚度因子越大，表明用户对物品的忠诚度越高；反之，周期数越小，忠诚度因子越小，表明用户对物品的忠诚度越低。

其中，所述物品可以包括各种类型的商品如通过淘宝平台推荐的商品、或者各种类型的多媒体信息。在本实施例中，所述多媒体信息可以包括但不限于音频、视频、资讯、图片等能够在终端设备上播放的数据。

在本发明实施例中，可采用统计方法，例如采用计数器来确定设定时间区间内用户对物品产生行为的行为次数，采用计时器来统计时间区间内用户对物品产生行为的时间周期的周期数，这里不再赘述。

步骤102：根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度。

在本发明实施例中，本步骤102可以包括：对所述忠诚度因子与所述行为次数进行相乘，获得相应的乘积结果，将所述乘积结果确定为所述用户对所述物品的评分。

这里，所述评分的分值大小与所述用户对物品的偏好程度正相关；也就是说，评分的分值越大，表明用户对物品的偏好程度越高，相应地，推荐该物品的可能性就越大；反之，评分的分值越小，表明用户对物品的偏好程度越低，相应地，推荐该物品的可能性就越小。

步骤103：基于所述用户对所述物品的评分，进行物品推荐。

在本发明实施例中，本步骤103可以包括如下步骤：将所述用户对所述物品的评分进行顺序的排列；基于排列结果，选取评分符合设定条件的物品，并对所选取的物品进行推荐。

这里，所述顺序的排列包括升序的排列和降序的排列，也即可将用户对物品的评分进行从低到高的排列，也可将用户对物品的评分进行从高到低的排列，本发明实施例在此不做限定。所述设定条件，可根据实际情况进行设定；也就是说，选取评分符合设定条件的物品，可为在根据设定的排列顺序对评分进行排序之后，选取评分满足评分排名的预定数量的物品。以对评分进行降序的排列为例，即对评分进行从高到低的排列，可以选取评分排名靠前的若干数量的物品进行推荐。

当然，在本发明实施例中，还可以采用以下方式基于用户对物品的评分进行物品推荐：预先设定评分阈值；将所述用户对所述物品的评分与所述评分阈值进行比较，将所述用户对所述物品的评分大于所述评分阈值的物品进行推荐。

采用本发明实施例的技术方案，通过引入用户的忠诚度因子，将用户的忠诚度因子和用户对物品产生行为的行为次数作为评分的依据，从而降低用户在短时间内重复操作的次数在评分时所占的比重，以避免无效行为对评分结果的影响，使得确定的评分更加接近真实情况，进而能够有效提高推荐系统中进行物品推荐的准确性。

下面以物品为多媒体信息中的音频如歌曲为例，对本发明实施例提供的推荐方法进行举例说明，在进行举例说明之前，先对相关技术中的歌曲推荐过程进行说明。

在相关技术中，可采用传统的协同过滤算法，例如基于内容的协同过滤(Item-CF，Item-Collaborative Filtering)算法和基于用户的协同过滤(User-CF，User-Collaborative Filtering)算法进行歌曲推荐。Item-CF算法和User-CF算法通常是以购买歌曲与否，对歌曲进行评分；其中，如果购买歌曲，则用户对歌曲的评分为1；如果未购买歌曲，则用户对歌曲的评分为0。然而，由于购买只是少量行为，且购买并非最终目的，尤其是现在的大部分歌曲都是免费的，若仅根据用户是否购买进行评分，并不能很好的表达用户对歌曲的喜好程度。

目前，相关技术中提出了一种用于改善传统的协同过滤算法的新算法-交替最小二乘法(ALS，Alternating Least Squares)协同过滤算法，该算法通常采用用户对物品如歌曲的行为次数作为评分值，以构建用户对不同歌曲的评分模型，基于评分模型对用户进行个性化的歌曲推荐。

ALS协同过滤算法，其基本理论思想是将用户对物品的完整评分矩阵拆分成两个矩阵：用户特征矩阵和物品特征矩阵，即用户对物品的评分可以由用户特征矩阵和物品特征矩阵的乘积来表示。假设用户特征矩阵为U_m,k，物品特征矩阵为V_k,n，则用户对物品的评分矩阵R可表示为包括m行n列数据的矩阵：R_m,n，即R_m,n≈U_m,k*V_k,n。

需要说明的是，R约等于U*V，是因为对于一个用户特征矩阵U来说，并不可能只有性格、文化程度、兴趣爱好这三个属性就可以代表一个用户对一首歌曲进行评价的全部属性，比如还有可能包括地域等因素。基于此，一个评分矩阵可以用两个子矩阵来近似，其损失函数可采用已有的均方根误差(RMSE，Root Mean Square Error)来计算，本发明实施例在此不再赘述。

例如，用户的个数为5，待推荐的歌曲的数量为5，那么，用户对歌曲的评分矩阵R就是一个5*5的矩阵。假设用户的特征数K＝3，其中，K用于表示用户的特征属性，比如性格、文化程度、兴趣爱好，那么，用户特征矩阵U是一个5*3的矩阵，如表1所示：

	性格	文化程度	兴趣爱好
				用户A	U<sub>11</sub>	U<sub>12</sub>	U<sub>13</sub>
用户B	U<sub>21</sub>	U<sub>22</sub>	U<sub>23</sub>
				用户C	U<sub>31</sub>	U<sub>32</sub>	U<sub>33</sub>
用户D	U<sub>41</sub>	U<sub>42</sub>	U<sub>43</sub>
				用户E	U<sub>51</sub>	U<sub>52</sub>	U<sub>53</sub>

表1

物品特征矩阵即歌曲特征矩阵V是一个3*5的矩阵，如表2所示：

	成都	平凡之路	认真的雪	路人	小幸运
						性格	V<sub>11</sub>	V<sub>12</sub>	V<sub>13</sub>	V<sub>14</sub>	V<sub>15</sub>
文化程度	V<sub>21</sub>	V<sub>22</sub>	V<sub>23</sub>	V<sub>24</sub>	V<sub>25</sub>
						兴趣爱好	V<sub>31</sub>	V<sub>32</sub>	V<sub>33</sub>	V<sub>34</sub>	V<sub>35</sub>

表2

因此，可得U*V是一个5*5的矩阵，用于表示所有用户对所有歌曲的评分，且会预测出未评分的歌曲，如表3所示的用户对歌曲的评分矩阵R对应的评分表：

	成都	平凡之路	认真的雪	路人	小幸运
						用户A	6	7	5	3.2	4
用户B	6	1	4.3	5.1	6.2
						用户C	4	5.2	6	4.9	6.1
用户D	8.1	7	2.3	4	4
						用户E	5.3	5	3.6	4.4	6

表3

下面以一个应用场景，对采用ALS协同过滤算法进行歌曲推荐的过程做进一步说明。

假设用户A在6月份的不同天内间断性、反复的播放歌曲《成都》，用户B集中在6月份的同一天内反复播放歌曲《成都》，表4为用户A和用户B在6月份的歌曲点播日志，如表4所示：

用户ID	歌曲ID	播放时间
			用户A	成都	2017/06/01
用户A	成都	2017/06/02
			用户A	成都	2017/06/06
用户A	成都	2017/06/17
			用户A	成都	2017/06/25
用户A	成都	2017/06/29
			用户B	成都	2017/06/26
用户B	成都	2017/06/26
			用户B	成都	2017/06/26
用户B	成都	2017/06/26
			用户B	成都	2017/06/26
用户B	成都	2017/06/26

表4

从上面的表4可见，用户A在6月份内播放歌曲《成都》的次数为6，且这6次播放分散在6天；用户B在6月份内播放歌曲《成都》的次数为6，且这6次播放集中在1天。显然，用户A和用户B在同一时间区间如6月份内播放歌曲《成都》的次数相等，若仅采用用户对歌曲的行为次数即用户播放歌曲的次数作为其评分值，可得用户A和用户B对歌曲《成都》的评分都为6。

然而，用户A和用户B在同一时间区间内播放歌曲《成都》的次数相等，并不一定代表用户A和用户B对歌曲《成都》的偏好程度是一样的。因为用户B在短时间内重复播放歌曲《成都》，很有可能是一些意外因素导致的，例如，可能因数据采集异常、网络爬虫，或者用户B打开循环播放功能后有事离开了等，导致歌曲循环播放却无人收听，而这些播放都属于无效的播放，且难以区分无效的播放，利用无效的播放次数作为评分依据所确定的评分与真实情况并不符合，进而导致推荐系统推荐不准确。

这里，在实际应用中，有些恶意攻击者可能会使用模拟器来模拟真实用户对物品产生的行为，当服务器对非正常用户进行验证失败后，该非正常用户由于数据采集失败将反复发送数据采集的请求，这样，有可能出现数据采集异常的情况，即该非正常用户在短时间内进行多次访问以请求数据采集，而相关技术中的推荐技术在对物品进行评分时，很有可能将非正常用户在短时间内的重复操作考虑进去，然而这些重复操作并非是正常用户所期望的，从而导致推荐不准确。另外，由于现有的服务器往往具备反爬虫功能，由于爬虫本身也是用户的身份，而相关技术中的推荐技术无法将爬虫与正常用户进行区分，因此也会计算由爬虫发生行为所对应的评分，而该评分与真实情况并不符合，进而导致推荐系统推荐不准确。

为了解决该技术问题，本发明实施例进一步提出了一种针对物品的推荐方法，仍以物品为多媒体信息中的音频如歌曲为例，对本发明实施例提供的推荐方法的实现过程做进一步说明。

在本发明实施例中，可根据设定时间区间内用户对歌曲产生行为的行为次数，以及用户对歌曲产生行为时所对应的忠诚度因子，来确定用户对歌曲的评分。假设以Rating_i,j来表示用户i对歌曲j的评分，则可将Rating_i,j定义为：

Rating_i,j＝count_i,j*loyal_i,j (公式1)

其中，count_i,j表示设定时间区间内用户i对歌曲j产生行为的行为次数，例如播放歌曲的次数；loyal_i,j表示用户i对歌曲j产生行为时所对应的忠诚度因子。

这里，采用优选的计算方式确定忠诚度因子，即可将loyal_i,j定义为：

其中，days表示设定时间区间，orderdays_i,j表示在一个设定时间区间days内用户i对歌曲j产生行为(如播放歌曲)的时间周期的周期数。

基于上述公式1和公式2，可得Rating_i,j的具体表达式为：

其中，公式3中各符号所表示的含义，与上述公式1和公式2中对应符号所表示的含义相同，这里不再赘述。

下面仍以上述表4中用户A和用户B在6月份(包括30天)的歌曲点播日志为例，对本发明实施例提供的用户对歌曲的评分的计算方法进行说明。

从表4中可见，用户A在一个设定时间区间(6月份，包括30天)内，播放歌曲《成都》的次数为6，且将所有的播放次数分散在6天内进行，因此，可得用户A对歌曲《成都》产生行为的行为次数count＝6，设定时间区间days＝30，用户A在设定时间区间30天内对歌曲《成都》产生行为的时间周期的周期数orderdays＝6，则通过上述公式2可得用户A对歌曲《成都》进行播放时所对应的忠诚度因子loyal＝1+(6-1)/30≈1.17，因此，可通过上述公式1或公式3计算出用户A对歌曲《成都》的评分Rating＝6*1.17≈7.0。

从表4中可见，用户B在一个设定时间区间(6月份，包括30天)内，播放歌曲《成都》的次数为6，且将所有的播放次数集中在1天内进行，因此，可得用户B对歌曲《成都》产生行为的行为次数count＝6，设定时间区间days＝30，用户B在设定时间区间30天内对歌曲《成都》产生行为的时间周期的周期数orderdays＝1，则通过上述公式2可得用户B对歌曲《成都》进行播放时所对应的忠诚度因子loyal＝1+(1-1)/30＝1，因此，可通过上述公式1或公式3计算出用户B对歌曲《成都》的评分Rating＝6*1＝6。

基于上述同样的计算方式，可获得不同用户对不同歌曲的评分，基于获得的各评分，构建用户评分表。表5为采用本发明实施例的确定方式得到的评分表，如表5所示：

表5

假设用户A经常在设定时间区间内的不同天重复播放歌曲《成都》，说明用户A对歌曲《成都》是喜欢且忠诚的，可见，相比于其他歌曲，用户A更加偏好于歌曲《成都》。若给用户A推荐排名前3的歌曲，采用相关技术中仅以用户的行为次数作为评分依据，根据上述表3对用户A进行歌曲推荐的话，将用户A对所有歌曲的评分进行顺序的排列如从高到低的排列，基于排列结果，推荐评分最大的前3首歌曲依次为：平凡之路、成都、认真的雪。但若采用本发明实施例得到的用户评分表5进行推荐的话，同样将用户A对所有歌曲的评分进行顺序的排列如从高到低的排列，基于排列结果，推荐评分最大的前3首歌曲依次为：成都、平凡之路、路人。通过比较可见，两种方式的推荐结果并不相同，且根据用户A对歌曲的忠诚度来看，用户A最忠诚于歌曲《成都》，因此，采用本发明实施例提供的推荐方法进行歌曲推荐的准确度更高，更加贴近用户的真实情况。

由此可见，本发明实施例提供的技术方案可基于用户的忠诚度因子的设置，将忠诚度因子和用户对物品产生行为的行为次数共同作为用户对物品进行评分的依据，从而降低用户在短时间内重复操作的次数在评分时所占的比重，避免出现数据采集异常和网络爬虫对评分结果的影响，这样，相比于相关技术中仅以用户感兴趣行为的次数作为评分依据，可以有效提高推荐系统中物品推荐的准确度，大大提升用户的使用体验。

为了实现上述推荐方法，本发明实施例还提供了一种推荐装置，该推荐装置可应用于服务器如云服务器中，图2为本发明实施例提供的一种推荐装置的功能结构示意图；如图2所示，该推荐装置包括第一确定模块21、第二确定模块22和推荐模块23。下面对各程序模块进行详细说明。其中，

所述第一确定模块21，用于确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；

所述第二确定模块22，用于根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；

所述推荐模块23，用于基于所述用户对所述物品的评分，进行物品推荐。

在本实施例中，对于所述第一确定模块21确定所述用户对所述物品产生行为时所对应的忠诚度因子来说，可以采用如下方式来实现：根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子；其中，所述时间周期的时长不小于连续发生两次所述行为所对应的时长。

对于所述第一确定模块21根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子来说，可以采用如下方式来实现：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与所述时间区间包括的总周期数的比值，获得第一计算结果；根据所述第一计算结果，确定所述忠诚度因子；其中，所述第一计算结果与所述忠诚度因子正相关。

优选地，对于所述第一确定模块21根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子来说，具体还可以采用如下方式来实现：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与预设数值的差值，获得第二计算结果；基于所述第二计算结果与所述时间区间包括的总周期数的比值，获得第三计算结果；对所述第三计算结果与所述预设数值进行求和，获得所述忠诚度因子。

其中，所述物品可以包括各种类型的商品如通过淘宝平台推荐的商品、或者各种类型的多媒体信息；所述多媒体信息可以包括但不限于音频、视频、资讯、图片等能够在终端设备上播放的数据。在本实施例中，所述用户对物品产生的行为，可以包括但不限于浏览、点击、购买、收藏等操作行为。

所述第一确定模块21可采用统计方法，例如采用计数器来确定设定时间区间内用户对物品产生行为的行为次数，采用计时器来统计时间区间内用户对物品产生行为的时间周期的周期数，这里不再赘述。

在本实施例中，对于所述第二确定模块22根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分来说，可以采用如下方式来实现：对所述忠诚度因子与所述行为次数进行相乘，获得相应的乘积结果，将所述乘积结果确定为所述用户对所述物品的评分。

在本实施例中，对于所述推荐模块23基于所述用户对所述物品的评分，进行物品推荐来说，可以采用如下方式来实现：将所述用户对所述物品的评分进行顺序的排列；基于排列结果，选取评分符合设定条件的物品，并对所选取的物品进行推荐。

当然，对于所述推荐模块23基于所述用户对所述物品的评分，进行物品推荐来说，还可以采用如下方式来实现：预先设定评分阈值；将所述用户对所述物品的评分与所述评分阈值进行比较，将所述用户对所述物品的评分大于所述评分阈值的物品进行推荐。

需要说明的是：上述实施例提供的推荐装置在进行物品推荐时，仅以上述各程序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处理分配由不同的程序模块完成，即将推荐装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的推荐装置与推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在实际应用中，所述第一确定模块21、第二确定模块22和推荐模块23均可由中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processor Unit)、数字信号处理器(DSP，Digital Signal Processor)或现场可编程门阵列(FPGA，FieldProgrammable Gate Array)等实现。

为了实现上述推荐方法，本发明实施例还提供了一种推荐装置的硬件结构。现在将参考附图描述实现本发明实施例的推荐装置，所述推荐装置可以以服务器如云服务器来实施。下面对本发明实施例的推荐装置的硬件结构做进一步说明，可以理解，图3仅仅示出了推荐装置的示例性结构而非全部结构，根据需要可以实施图3示出的部分结构或全部结构。

参见图3，图3为本发明实施例提供的一种推荐装置的硬件结构示意图，实际应用中可以应用于前述运行应用程序的服务器，图3所示的推荐装置300包括：至少一个处理器301、存储器302、用户接口303和至少一个网络接口304。该推荐装置300中的各个组件通过总线系统305耦合在一起。可以理解，总线系统305用于实现这些组件之间的连接通信。总线系统305除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统305。

其中，用户接口303可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。

可以理解，存储器302可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。

本发明实施例中的存储器302用于存储各种类型的数据以支持推荐装置300的操作。这些数据的示例包括：用于在推荐装置300上操作的任何计算机程序，如可执行程序3021和操作系统3022，实现本发明实施例的推荐方法的程序可以包含在可执行程序3021中。

本发明实施例揭示的推荐方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述推荐方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中提供的各推荐方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所提供的推荐方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器302，处理器301读取存储器302中的信息，结合其硬件完成本发明实施例提供的推荐方法的步骤。

本实施例中，所述推荐装置300包括存储器302、处理器301及存储在存储器302上并能够由所述处理器301运行的可执行程序3021，所述处理器301运行所述可执行程序3021时实现：确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；基于所述用户对所述物品的评分，进行物品推荐。

作为一种实施方式，所述处理器301运行所述可执行程序3021时实现：根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子；其中，所述时间周期的时长不小于连续发生两次所述行为所对应的时长，所述周期数与所述忠诚度因子正相关。

作为一种实施方式，所述处理器301运行所述可执行程序3021时实现：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与所述时间区间包括的总周期数的比值，获得第一计算结果；根据所述第一计算结果，确定所述忠诚度因子；其中，所述第一计算结果与所述忠诚度因子正相关。

作为一种实施方式，所述处理器301运行所述可执行程序3021时实现：对所述忠诚度因子与所述行为次数进行相乘，获得相应的乘积结果，将所述乘积结果确定为所述用户对所述物品的评分。

作为一种实施方式，所述处理器301运行所述可执行程序3021时实现：将所述用户对所述物品的评分进行顺序的排列；基于排列结果，选取评分符合设定条件的物品，并对所选取的物品进行推荐。

在示例性实施例中，本发明实施例还提供了一种存储介质，所述存储介质可为光盘、闪存或磁盘等存储介质，可选为非瞬间存储介质。其中，所述存储介质上存储有可执行程序3021，所述可执行程序3021被处理器301执行时实现：确定设定时间区间内用户对物品产生行为的行为次数，以及所述用户对所述物品产生行为时所对应的忠诚度因子；根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分；基于所述用户对所述物品的评分，进行物品推荐。

作为一种实施方式，所述可执行程序3021被处理器301执行时实现：根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子；其中，所述时间周期的时长不小于连续发生两次所述行为所对应的时长，所述周期数与所述忠诚度因子正相关。

作为一种实施方式，所述可执行程序3021被处理器301执行时实现：统计所述时间区间内用户对物品产生行为的时间周期的周期数；基于所述周期数与所述时间区间包括的总周期数的比值，获得第一计算结果；根据所述第一计算结果，确定所述忠诚度因子；其中，所述第一计算结果与所述忠诚度因子正相关。

作为一种实施方式，所述可执行程序3021被处理器301执行时实现：对所述忠诚度因子与所述行为次数进行相乘，获得相应的乘积结果，将所述乘积结果确定为所述用户对所述物品的评分。

作为一种实施方式，所述可执行程序3021被处理器301执行时实现：将所述用户对所述物品的评分进行顺序的排列；基于排列结果，选取评分符合设定条件的物品，并对所选取的物品进行推荐。

由于考虑到相关技术中仅以用户感兴趣行为的次数作为评分依据，将难以区分无效行为，也就无法避免无效行为对评分结果的影响，进而出现物品推荐不准确的问题。而采用本发明实施例所提供的以上至少一个技术方案，通过引入用户的忠诚度因子，将用户的忠诚度因子和用户对物品产生行为的行为次数作为评分的依据，从而降低用户在短时间内重复操作的次数在评分时所占的比重，以避免无效行为对评分结果的影响，进而能够有效提高推荐系统中进行物品推荐的准确度。

本发明实施例所记载的各技术方案之间，在不冲突的情况下，可以任意组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或可执行程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的可执行程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和可执行程序产品的流程图和/或方框图来描述的。应理解可由可执行程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些可执行程序指令到通用计算机、专用计算机、嵌入式处理机或参考可编程数据处理设备的处理器以产生一个机器，使得通过计算机或参考可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些可执行程序指令也可存储在能引导计算机或参考可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些可执行程序指令也可装载到计算机或参考可编程数据处理设备上，使得在计算机或参考可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或参考可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种推荐方法，其特征在于，所述方法包括：

确定设定时间区间内用户对物品产生行为的行为次数，以及统计所述时间区间内用户对物品产生行为的时间周期的周期数；

根据所述时间区间内发生所述行为的时间周期的周期数，确定所述用户对所述物品产生行为时所对应的忠诚度因子；其中，

所述时间周期的时长不小于连续发生两次所述行为所对应的时长，所述周期数与所述忠诚度因子正相关；

根据所述忠诚度因子和所述行为次数，获取所述忠诚度因子和所述行为次数的乘积结果；

基于所述乘积结果，确定所述用户对所述物品的评分；其中，所述评分用于表征所述用户对所述物品的偏好程度；

基于所述用户对所述物品的评分，进行物品推荐。

2.根据权利要求1所述的推荐方法，其特征在于，所述根据所述时间区间内发生所述行为的时间周期的周期数，确定所述忠诚度因子，包括：

基于所述周期数与所述时间区间包括的总周期数的比值，获得第一计算结果；

根据所述第一计算结果，确定所述忠诚度因子；其中，所述第一计算结果与所述忠诚度因子正相关。

3.根据权利要求1或2所述的推荐方法，其特征在于，所述根据所述忠诚度因子和所述行为次数，确定所述用户对所述物品的评分，包括：

对所述忠诚度因子与所述行为次数进行相乘，获得相应的乘积结果，将所述乘积结果确定为所述用户对所述物品的评分。

4.根据权利要求1所述的推荐方法，其特征在于，所述评分的大小与所述用户对物品的偏好程度正相关；

所述基于所述用户对所述物品的评分，进行物品推荐，包括：

将所述用户对所述物品的评分进行顺序的排列；

基于排列结果，选取评分符合设定条件的物品，并对所选取的物品进行推荐。

5.一种推荐装置，其特征在于，所述装置包括：第一确定模块、第二确定模块和推荐模块；其中，

所述第一确定模块，用于确定设定时间区间内用户对物品产生行为的行为次数，以及统计所述时间区间内用户对物品产生行为的时间周期的周期数；根据所述时间区间内发生所述行为的时间周期的周期数，确定所述用户对所述物品产生行为时所对应的忠诚度因子；其中，所述时间周期的时长不小于连续发生两次所述行为所对应的时长，所述周期数与所述忠诚度因子正相关；

所述第二确定模块，用于根据所述忠诚度因子和所述行为次数，获取所述忠诚度因子和所述行为次数的乘积结果；

6.根据权利要求5所述的推荐装置，其特征在于，所述第一确定模块，具体用于：

7.根据权利要求5或6所述的推荐装置，其特征在于，所述第二确定模块，具体用于：

8.根据权利要求5所述的推荐装置，其特征在于，所述评分的大小与所述用户对物品的偏好程度正相关；

所述推荐模块，具体用于：

将所述用户对所述物品的评分进行顺序的排列；

9.一种存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现如权利要求1至4任一项所述的推荐方法的步骤。

10.一种推荐装置，包括存储器、处理器及存储在存储器上并能够由所述处理器运行的可执行程序，其特征在于，所述处理器运行所述可执行程序时执行如权利要求1至4任一项所述的推荐方法的步骤。