CN108874831A - 一种信息推荐方法及装置 - Google Patents

Abstract

本申请公开了一种信息推荐方法及装置。所述方法包括：获取用户集合中的各用户对各可推荐信息的实时反应数据；根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。利用本申请实施例，各可推荐信息可以是新的可推荐信息，可以根据用户对各可推荐信息的实时反应数据，实时地推测用户当前的兴趣点，则可以有效地学习到用户是否对新的可推荐信息感兴趣，进而有利于降低信息推荐的试错成本。

Description

一种信息推荐方法及装置

技术领域

本申请涉及计算机软件技术领域，尤其涉及一种信息推荐方法及装置。

背景技术

在互联网时代，线上向用户推荐各种信息是一种常见的现象。新的可推荐信息冷启动是广告点击率预测、个性化推荐等信息推荐方面的应用所广泛面临的问题。

具体地，在应用刚刚上线时往往缺乏历史数据，在这种情况下，对于新的可推荐信息，该应用由于缺乏用户与该可推荐信息的历史交互数据，因此，难以学习到用户的行为偏好和该可推荐信息的特征，所以难以将该可推荐信息精准地向用户进行推荐。

在现有技术中，主要根据历史经验，通过人为地设置一定概率值推荐新的可推荐信息来解决上述冷启动问题。比如，用户使用某个电影应用时，该电影应用会按照一定概率推送一些新的电影让用户选择是否喜爱。

但是，由于上述现有技术的信息推荐方式使用了历史经验，而且只得到新的可推荐信息非常有限的少量信息，因此，难以有效地学习到用户是否对新的可推荐信息感兴趣，导致信息推荐的试错成本较高。

发明内容

本申请实施例提供一种信息推荐方法及装置，用以解决现有技术中的如下技术问题：现有技术的信息推荐方式使用了历史经验，而且只得到新的可推荐信息非常有限的少量信息，因此，难以有效地学习到用户是否对新的可推荐信息感兴趣，导致信息推荐的试错成本较高。

为解决上述技术问题，本申请实施例是这样实现的：

本申请实施例提供的一种信息推荐方法，包括：

获取用户集合中的各用户对各可推荐信息的实时反应数据；

根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；

根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

本申请实施例提供的一种信息推荐装置，包括：

获取模块，获取用户集合中的各用户对各可推荐信息的实时反应数据；

确定模块，根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；

推荐模块，根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：各可推荐信息可以是新的可推荐信息，可以根据用户对各可推荐信息的实时反应数据，实时地推测用户当前的兴趣点，则可以有效地学习到用户是否对新的可推荐信息感兴趣，进而有利于降低信息推荐的试错成本，因此，可以部分或全部地解决现有技术中的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种信息推荐方法的流程示意图；

图2为本申请实施例提供的一种实际应用场景下，图1中的信息推荐方法的一种具体实施方案示意图；

图3为本申请实施例提供的对应于图1的一种信息推荐装置的结构示意图。

具体实施方式

本申请实施例提供一种信息推荐方法及装置。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

下面对本申请的方案进行详细说明。

图1为本申请实施例提供的一种信息推荐方法的流程示意图。从程序角度而言，该流程的执行主体可以是服务器上或者终端上的程序，比如，电子商务应用、广告推送程序等。从设备角度而言，该流程的执行主体包括但不限于可作为服务器或者终端的以下至少一种设备：个人计算机、中型计算机、计算机集群、手机、平板电脑、智能可穿戴设备、车机等。

图1中的流程可以包括以下步骤：

S101：获取用户集合中的各用户对各可推荐信息的实时反应数据。

在本申请实施例中，用户集合可以是根据实际应用场景预先划分出来的，一般地，用户集合可以由图1中执行主体所服务的全体用户构成。比如，某个电子商务应用的全体用户。

在本申请实施例中，对可推荐信息的内容不做限定，比如可以是购物广告、新闻资讯、娱乐节目、直播视频等；对可推荐信息的形式也不做限定，比如可以是卡片、表格、图像、文本、音频、网页等形式。

可推荐信息对于部分用户可以是已曝光的信息，在这种情况下，所述的“可推荐”一般是针对所述部分用户以外的用户而言的，其中，可推荐信息曝光的形式可以是可推荐信息被推荐给用户、也可以是可推荐信息被用户自行找到，等等。当然，可推荐信息也可以是对于各用户均未曝光的信息，比如，某些新的可推荐信息。

在本申请实施例中，用户对可推荐信息的实时反应包括：用户对可推荐信息的操作行为，比如，浏览可推荐信息、收藏可推荐信息、转发可推荐信息、删除可推荐信息等；用户对可推荐信息的无视行为，比如，用户在一定时间内并未对可推荐信息有操作行为。

进一步地，实时反应数据可以是记录了用户对可推荐信息的实时反应的数据，比如，实时日志数据、用户针对可推荐信息实时发表的评价信息等。

在本申请实施例中，步骤S101可以是实时或者定时执行的。以实时执行为例，具体地，每当有新的实时反应数据生成，可以实时获取该新的实时反应数据，并执行后续步骤。

S102：根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据。

在本申请实施例中，对于每个可推荐信息，可以对应有用户集合中的全体用户对该可推荐信息的全局兴趣数据，该全局兴趣数据反映该用户全体对该可推荐信息的兴趣；对于每个可推荐信息以及用户集合中的每个用户，可以对应有该用户对该可推荐信息的个人兴趣数据，该个人兴趣数据反映该用户个人对该可推荐信息的兴趣。

为了便于描述，将全局兴趣数据和个人兴趣数据统称为：兴趣数据。本申请对兴趣数据的具体表示形式并不做限定。比如，可以是得分、等级、布尔型值等。

在本申请实施例中，由于实时反应数据是实时的，可能是随时变化的，相应地，兴趣数据也可以是实时的，也可能随时变化。而现有技术中采用的历史经验或者历史数据实时性较差，不如本申请的方案。

S103：根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

在本申请实施例中，根据兴趣数据，可以推测用户全体以及用户个人对可推荐信息的感兴趣程度，进而可以以此为依据，向用户推荐可推荐信息。比如，可以根据所述全局兴趣数据和所述个人兴趣数据，对所述各可推荐信息进行排序，排序顺序可以反映感兴趣程度的高低，进而可以根据排序结果，优先向用户推荐用户全体以及该用户个人感兴趣程度可能较高的可推荐信息；再比如，也可以不排序，而是设定感兴趣程度的阈值，进而，可以只向用户推荐超过该阈值的可推荐信息；等等。

在本申请实施例中，图1中的流程优选地可以是实时执行的。具体地，每当有新的实时反应数据产生，执行主体即实时地针对新产生的该实时反应数据执行图1中的流程。如此，有利于及时追踪用户全体和个人的兴趣点，进而有利于提高后续推荐结果的实时性和准确性。

需要说明的是，出于性能或者成本方面的考虑，图1中的流程也未必全部实时执行。比如，实时反应数据可以是实时获取的，个人兴趣数据可以是实时确定的，而全局兴趣数据可以是定时确定的，因为，可推荐信息最终是向用户个人进行推荐，用户个人兴趣点的实时性相比于用户全体兴趣点的实时性一般要更重要，则可以优先确保个人兴趣数据的实时性。

通过图1的方法，各可推荐信息可以是新的可推荐信息，可以根据用户对各可推荐信息的实时反应数据，实时地推测用户当前的兴趣点，则可以有效地学习到用户是否对新的可推荐信息感兴趣，进而有利于降低信息推荐的试错成本，因此，可以部分或全部地解决现有技术中的问题，因此，可以部分或全部地解决现有技术中的问题。

不仅如此，通过图1的方法，还可以对用户的兴趣展开探索，有利于推荐用户以前未被推荐过但又能够让用户喜欢的信息，有利于提高整体推荐结果的多样性和丰富性，以及对于用户的惊喜程度。

基于图1的方法，本申请实施例还提供了该方法的一些具体实施方案，以及扩展方案，下面进行说明。

在本申请实施例中，根据前面的说明，对于步骤S101，所述获取用户集合中的各用户对各可推荐信息的实时反应数据，具体可以包括：获取反映用户集合中的各用户对各可推荐信息实时的操作行为和/或无视行为的数据，作为实时反应数据。

在本申请实施例中，根据前面的说明，对于步骤S101，所述获取用户集合中的各用户对各可推荐信息的实时反应数据，具体可以包括：获取反映所述各可推荐信息对于用户集合中的各用户的曝光情况的曝光数据；根据所述曝光数据，获取所述用户集合中的各用户对所述各可推荐信息中的曝光的可推荐信息的实时反应数据。

在本申请实施例中，用户对某可推荐信息的兴趣往往是对包括该可推荐信息在内的具有一定共性的多个可推荐信息的兴趣。根据按照一定共性，划分可推荐信息的类别，同类别的可推荐信息具有一定共性，比如，相同的主题、相同的表现形式、相同的地域等。

以相同的主题为例，比如，可以划分出娱乐、军事、财经、体育、电影、音乐等类别，等等。本申请对类别的粒度大小并不做限定，可以根据实际需要在大的类别中进一步地划分，比如，体育类别可以进一步划分出足球、篮球、网球等类别，足球类别还可以更进一步地划分出西甲、英超、中超等类别。

在本申请实施例中，可以基于划分出的类别，确定兴趣数据。如此，有利于在单个可推荐信息相关的用户数据较少的情况下，获得尽量全面和可靠的兴趣数据。

基于上面的分析，对于步骤S102，所述根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据前，还可以执行：分别确定所述各可推荐信息在预先划分的各信息类别中所属的类别。

进一步地，所述用户集合对于所述各可推荐信息的全局兴趣数据可以包括：所述用户集合对于所述各可推荐信息分别的全局兴趣数据(将每个可推荐信息分别作为一个整体度量用户集合对该整体的兴趣)，和/或所述用户集合对于各所述类别分别的全局兴趣数据(将每个类别分别作为一个整体度量用户集合对该整体的兴趣)。

所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据可以包括：所述用户集合中的指定用户对于各所述类别分别的个人兴趣数据(将每个类别分别作为一个整体度量指定用户对该整体的兴趣)。

在本申请实施例中，根据实时反应数据，确定兴趣数据可以有多种具体实施方式，各种具体实施方式的区别主要在于：如何将实时反应数据所反映的用户对可推荐信息行为与用户对可推荐信息的兴趣进行量化以及映射。列举两种具体实施方式的思路作为示例。

一种具体实施方式的思路是：若用户点击可推荐信息，则认为该用户对该可推荐信息以及该可推荐信息所属的类别有一定的兴趣；而若用户无视可推荐信息，则认为该用户对该可推荐信息以及该可推荐信息所属的类别没有兴趣；进而可以根据诸如点击率等参数，确定兴趣数据。

另一种具体实施方式的思路是：对用户的操作行为进行更精细的分析，比如，同样是点击行为，用户有可能通过该点击行为仅浏览可推荐信息(通常表明有一定兴趣)，也有可能通过该点击行为收藏可推荐信息(通常表明很有兴趣)，也有可能通过该点击行为删除可推荐信息(通常表明没有兴趣)；进而可以根据诸如浏览率、收藏率、删除率等参数，确定兴趣数据。

例如，在上面的第一种具体实施方式下，对于步骤S102，所述根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，具体可以包括：根据所述实时反应数据，实时确定所述用户集合对于所述各可推荐信息分别的全局点击率；和/或根据所述实时反应数据，实时确定所述用户集合对于各所述类别分别的全局点击率；根据实时确定的全局点击率，确定所述用户集合对于所述各可推荐信息的全局兴趣数据。

全局点击率可以是综合考虑用户集合中各用户对于可推荐信息或者类别分别的点击情况(比如，是否点击、点击次数、点击频率、点击时刻等)计算得到的。其中，对于类别的点击情况可以包括：对于属于该类别的各待推荐消息分别的点击情况。

在本申请实施例中，前面已经提到了个人兴趣数据优选地可以是实时确定的，为了提高实时性，每次执行图1中流程时，可以不是完全重新计算个人兴趣数据，而是在前一次已经确定的个人兴趣数据基础上进行更新。

基于这样的思路，对于步骤S102，所述根据所述实时反应数据，确定所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据，具体可以包括：根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据；相应地，对于步骤S103，所述根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体可以包括：根据所述全局兴趣数据和实时更新后的所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

进一步地，所述根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据，具体可以包括：判定所述用户集合中的指定用户对所述各可推荐信息的实时反应数据属于正反馈数据还是属于负反馈数据，其中，所述正反馈数据表征所述指定用户对对应的可推荐信息兴趣上升，所述负反馈数据表征所述指定用户对对应的可推荐信息兴趣下降；根据判定结果，相应地实时更新所述指定用户对于各所述类别分别的个人兴趣数据。

本申请对实时更新所使用的具体算法不做限定。为了便于理解，以一个实例进行说明，假定点击行为表示用户感兴趣，无视行为表示用户不感兴趣，假定指定用户对于每个类别的个人兴趣数据分别为一个概率得分：其中，α-1等于指定用户对该类别下的可推荐信息的点击次数(可以重复)，β-1等于指定用户对该类别下被推荐给自己但被自己无视的可推荐信息数量(可以重复)，α、β初始时均等于1，则初始时等于

假定指定用户是用户A，概率得分为初始状态。用户A刚刚点击浏览了一条军事类别的新闻，该行为产生了对应的实时反应数据，执行主体获取该实时反应数据，可以判定出该实时反应数据为正反馈数据，进而可以根据该实时反应数据，在用户A的军事类别下的α值加一，则用户A的从初始时的提升为相应地，在下一次推荐信息时，用户A的军事类别的概率得分将高于其他类别，若不考虑全局兴趣数据，则下一次推荐中军事类别的可推荐信息被推荐给用户A的可能性将大于其他类别，满足用户A当前的兴趣点。

类似地，假定指定用户是用户B，概率得分为初始状态。执行主体给用户B推荐了一条娱乐类别的新闻，但是用户B在一定时间内并没有点击该新闻(可以认为用户B无视了该新闻)，该行为产生了对应的实时反应数据，执行主体获取该实时反应数据，可以判定出该实时反应数据为负反馈数据，进而可以根据该实时反应数据，在用户B的娱乐类别下的β值加一，则用户B的从初始时的降低为相应地，在下一次推荐信息时，用户B的娱乐类别的概率得分将低于其他类别，若不考虑全局兴趣数据，则下一次推荐中娱乐类别的可推荐信息被推荐给用户B的可能性将小于其他类别，从而可以减少对用户B的打扰。

上例中为了便于描述只考虑了个人兴趣数据，在实际应用中，可以综合考虑全局兴趣数据和人兴趣数据，进行信息推荐。另外，上述的公式也只是示例性的，并非对本申请的限定。

根据上面的说明，本申请实施例还提供了一种实际应用场景下，图1中的信息推荐方法的一种具体实施方案示意图，如图2所示。在该实际应用场景下，上述的全局兴趣数据具体为全局得分，上述的个人兴趣数据具体为个人得分。

图2中的方案主要可以包含以下步骤：

(1)数据清洗、过滤并对可推荐信息进行分类：首先，包含可推荐信息原始数据中往往存在噪音数据，所以可以对原始数据进行清洗和过滤，去除噪音数据，得到各可推荐信息；其次，不同的可推荐信息可能属于不同的类别，如新闻的主题可能属于音乐类别的，也可能属于体育类别的，需要分别确定各可推荐信息所属的类别。

(2)计算可推荐信息的全局得分：利用实时日志数据(包含上述的实时反应数据)，实时获取可推荐信息在全体用户中的曝光和点击数据，实时计算出可推荐信息的全局点击率和可推荐信息所属类别的全局点击率，并进行分数归一化处理，获得可推荐信息的全局得分和可推荐信息所属类别的全局得分。

(3)计算可推荐信息的个人得分：利用实时日志数据，实时获取该用户对各类别的实时反应数据，如点击、删除等操作行为数据。针对不同的操作行为数据，可以赋予不同的权重，表明用户对不同类别的感兴趣程度，进而，比如可以按照上例中的公式来计算可推荐信息的个人得分。

(4)利用计算得到的全局得分和个人得分，通过线性加权等方式，计算得到可推荐信息的总得分。对各可推荐信息的总得分降序排序，形成最终的推荐结果，进而，可以根据推荐结果向用户推荐信息。

上面为本申请实施例提供的一种信息推荐方法，基于同样的发明思路，本申请实施例还提供了对应的装置，如图3所示。

图3为本申请实施例提供的对应于图1的一种信息推荐装置的结构示意图，该装置可以位于图1中流程的执行主体上，包括：

获取模块301，获取用户集合中的各用户对各可推荐信息的实时反应数据；

确定模块302，根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；

推荐模块303，根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

可选地，所述获取模块301获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

所述获取模块301获取反映用户集合中的各用户对各可推荐信息实时的操作行为和/或无视行为的数据，作为实时反应数据。

可选地，所述获取模块301获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

所述获取模块301获取反映所述各可推荐信息对于用户集合中的各用户的曝光情况的曝光数据；

根据所述曝光数据，获取所述用户集合中的各用户对所述各可推荐信息中的曝光的可推荐信息的实时反应数据。

可选地，所述确定模块302根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据前，还分别确定所述各可推荐信息在预先划分的各信息类别中所属的类别。

可选地，所述用户集合对于所述各可推荐信息的全局兴趣数据包括：所述用户集合对于所述各可推荐信息分别的全局兴趣数据，和/或所述用户集合对于各所述类别分别的全局兴趣数据；

所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据包括：所述用户集合中的指定用户对于各所述类别分别的个人兴趣数据。

可选地，所述确定模块302根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，具体包括：

所述确定模块302根据所述实时反应数据，实时确定所述用户集合对于所述各可推荐信息分别的全局点击率；和/或

根据所述实时反应数据，实时确定所述用户集合对于各所述类别分别的全局点击率；

根据实时确定的全局点击率，确定所述用户集合对于所述各可推荐信息的全局兴趣数据。

可选地，所述确定模块302根据所述实时反应数据，确定所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据，具体包括：

所述确定模块302根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据；

所述推荐模块303根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

所述推荐模块303根据所述全局兴趣数据和实时更新后的所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

可选地，所述确定模块302根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据，具体包括：

所述确定模块302判定所述用户集合中的指定用户对所述各可推荐信息的实时反应数据属于正反馈数据还是属于负反馈数据，其中，所述正反馈数据表征所述指定用户对对应的可推荐信息兴趣上升，所述负反馈数据表征所述指定用户对对应的可推荐信息兴趣下降；

根据判定结果，相应地实时更新所述指定用户对于各所述类别分别的个人兴趣数据。

可选地，所述推荐模块303根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

所述推荐模块303根据所述全局兴趣数据和所述个人兴趣数据，对所述各可推荐信息进行排序；

根据排序结果，为所述指定用户推荐所述可推荐信息。

本申请实施例提供的装置与方法是对应的，因此，装置也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他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。

这些计算机程序指令也可存储在能引导计算机或其他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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (18)

1.一种信息推荐方法，包括：

获取用户集合中的各用户对各可推荐信息的实时反应数据；

根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；

根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

2.如权利要求1所述的方法，所述获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

获取反映用户集合中的各用户对各可推荐信息实时的操作行为和/或无视行为的数据，作为实时反应数据。

3.如权利要求1所述的方法，所述获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

获取反映所述各可推荐信息对于用户集合中的各用户的曝光情况的曝光数据；

根据所述曝光数据，获取所述用户集合中的各用户对所述各可推荐信息中的曝光的可推荐信息的实时反应数据。

4.如权利要求1所述的方法，所述根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据前，所述方法还包括：

分别确定所述各可推荐信息在预先划分的各信息类别中所属的类别。

5.如权利要求4所述的方法，所述用户集合对于所述各可推荐信息的全局兴趣数据包括：所述用户集合对于所述各可推荐信息分别的全局兴趣数据，和/或所述用户集合对于各所述类别分别的全局兴趣数据；

所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据包括：所述用户集合中的指定用户对于各所述类别分别的个人兴趣数据。

6.如权利要求5所述的方法，所述根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，具体包括：

根据所述实时反应数据，实时确定所述用户集合对于所述各可推荐信息分别的全局点击率；和/或

根据所述实时反应数据，实时确定所述用户集合对于各所述类别分别的全局点击率；

根据实时确定的全局点击率，确定所述用户集合对于所述各可推荐信息的全局兴趣数据。

7.如权利要求5所述的方法，所述根据所述实时反应数据，确定所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据，具体包括：

根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据；

所述根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

根据所述全局兴趣数据和实时更新后的所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

8.如权利要求7所述的方法，所述根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据，具体包括：

判定所述用户集合中的指定用户对所述各可推荐信息的实时反应数据属于正反馈数据还是属于负反馈数据，其中，所述正反馈数据表征所述指定用户对对应的可推荐信息兴趣上升，所述负反馈数据表征所述指定用户对对应的可推荐信息兴趣下降；

根据判定结果，相应地实时更新所述指定用户对于各所述类别分别的个人兴趣数据。

9.如权利要求1所述的方法，所述根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

根据所述全局兴趣数据和所述个人兴趣数据，对所述各可推荐信息进行排序；

根据排序结果，为所述指定用户推荐所述可推荐信息。

10.一种信息推荐装置，包括：

获取模块，获取用户集合中的各用户对各可推荐信息的实时反应数据；

确定模块，根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据；

推荐模块，根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

11.如权利要求10所述的装置，所述获取模块获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

所述获取模块获取反映用户集合中的各用户对各可推荐信息实时的操作行为和/或无视行为的数据，作为实时反应数据。

12.如权利要求10所述的装置，所述获取模块获取用户集合中的各用户对各可推荐信息的实时反应数据，具体包括：

所述获取模块获取反映所述各可推荐信息对于用户集合中的各用户的曝光情况的曝光数据；

根据所述曝光数据，获取所述用户集合中的各用户对所述各可推荐信息中的曝光的可推荐信息的实时反应数据。

13.如权利要求10所述的装置，所述确定模块根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，以及所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据前，还分别确定所述各可推荐信息在预先划分的各信息类别中所属的类别。

14.如权利要求13所述的装置，所述用户集合对于所述各可推荐信息的全局兴趣数据包括：所述用户集合对于所述各可推荐信息分别的全局兴趣数据，和/或所述用户集合对于各所述类别分别的全局兴趣数据；

所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据包括：所述用户集合中的指定用户对于各所述类别分别的个人兴趣数据。

15.如权利要求14所述的装置，所述确定模块根据所述实时反应数据，确定所述用户集合对于所述各可推荐信息的全局兴趣数据，具体包括：

所述确定模块根据所述实时反应数据，实时确定所述用户集合对于所述各可推荐信息分别的全局点击率；和/或

根据所述实时反应数据，实时确定所述用户集合对于各所述类别分别的全局点击率；

根据实时确定的全局点击率，确定所述用户集合对于所述各可推荐信息的全局兴趣数据。

16.如权利要求14所述的装置，所述确定模块根据所述实时反应数据，确定所述用户集合中的指定用户对于所述各可推荐信息的个人兴趣数据，具体包括：

所述确定模块根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据；

所述推荐模块根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

所述推荐模块根据所述全局兴趣数据和实时更新后的所述个人兴趣数据，为所述指定用户推荐所述可推荐信息。

17.如权利要求16所述的装置，所述确定模块根据所述用户集合中的指定用户对所述各可推荐信息的实时反应数据，实时更新所述指定用户对于各所述类别分别的个人兴趣数据，具体包括：

所述确定模块判定所述用户集合中的指定用户对所述各可推荐信息的实时反应数据属于正反馈数据还是属于负反馈数据，其中，所述正反馈数据表征所述指定用户对对应的可推荐信息兴趣上升，所述负反馈数据表征所述指定用户对对应的可推荐信息兴趣下降；

根据判定结果，相应地实时更新所述指定用户对于各所述类别分别的个人兴趣数据。

18.如权利要求10所述的装置，所述推荐模块根据所述全局兴趣数据和所述个人兴趣数据，为所述指定用户推荐所述可推荐信息，具体包括：

所述推荐模块根据所述全局兴趣数据和所述个人兴趣数据，对所述各可推荐信息进行排序；

根据排序结果，为所述指定用户推荐所述可推荐信息。