CN109255073B - 一种个性化推荐方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种个性化推荐方法、装置和电子设备，所述方法包括：基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构；基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数；基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

Description

一种个性化推荐方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种个性化推荐方法、装置及电子设备。

背景技术

目前，随着互联网技术的快速发展，在满足用户对信息需求的同时，也为用户提供了大幅增长的信息量，构成了信息爆炸的现状。用户在面对这些大量信息时往往无法从中获取真正对自己有价值或者感兴趣的信息，为了解决这个问题，推荐系统应运而生，推荐系统可以基于用户的兴趣特点、点击行为、购买行为等用户特征和行为来为用户推荐信息。在基于图算法的推荐系统中，图结构的规模往往可以达到数十亿个顶点、以及百亿到万亿条边，而且用于推荐的图结构会随着用户的使用和推荐的信息内容的更新而实时发生变化。

若采用离线的方式来为用户确定推荐的信息内容，则需要对图结构中的每个顶点分别计算和其他顶点的相似度，计算和存储成本较高，且为用户确定的推荐的信息内容不能及时反映用户兴趣的变化。而若采用在线计算的方式来为用户实时确定推荐的信息内容，则容易受限于响应时长的要求，而需要限制用于确定推荐结果的随机游走算法的迭代次数，从而牺牲所确定的推荐结果的准确度，不能准确地反映用户的兴趣，进而影响用户的体验。

因此，如何提高推荐质量，使得确定的推荐结果能够更好地满足用户的个性化需求，仍然是现有的推荐系统亟待解决的问题。

发明内容

本申请实施例提供了一种个性化推荐方法、装置及电子设备，以解决现有技术中的推荐方法不够优化的问题。

为解决上述技术问题，本申请实施例是这样实现的：

第一方面，提出了一种个性化推荐方法，包括：

基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述第一预设时间段内所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

第二方面，提出了一种个性化推荐装置，包括：

建立单元，用于基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

第一确定单元，用于基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

更新单元，用于基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

第二确定单元，用于基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

第三方面，提出了一种电子设备，该电子设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

第四方面，提出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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

本申请实施例采用上述技术方案至少可以达到下述技术效果：

本发明实施例中，首先，能够获取第一预设时间段内推荐系统中的对象之间的关联关系，建立以该推荐系统中的对象为顶点的图结构，该图结构中的边用于表示边连接的顶点之间的关联关系，并能够基于图结构中的边，确定图结构中的顶点的流行度分数，再基于在线数据，更新图结构以及图结构中的顶点的流行度分数，最后能够基于更新后的图结构和图结构中的顶点的流行度分数、以及推荐系统中的用户在第二预设时间段内交互过的对象，为推荐系统中的用户确定推荐内容。

通过本发明实施例的方法，能够极大地减小完全使用在线数据来确定推荐系统中对象间相似度分数的计算量，进而减小确定推荐系统中对象的流行度分数的计算量，且提高了计算效率。具体地，能够通过近似方法，一方面，利用离线数据计算流行度分数，用于近似第三相似度分数，减少完全使用在线数据的计算量；另一方面，还能够通过第二相似度分数进一步减少在线数据部分的计算量。此外，推荐系统中对象的流行度分数可以根据在线数据实时增量更新，保证推荐效果的准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书一个实施例提供的一种个性化推荐方法的实施流程示意图；

图2为本说明书一个实施例提供的一种个性化推荐装置的结构示意图；

图3为本说明书一个实施例提供的一种电子设备的结构示意图.

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

为解决现有技术中的推荐方法不够优化的问题，本说明书实施例提供一种个性化推荐方法。本说明书实施例提供的个性化推荐方法的执行主体可以但不限于服务器、个人电脑等能够被配置为执行本发明实施例提供的该方法终端中的至少一种。

为便于描述，下文以该方法的执行主体为能够执行该方法的服务器为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为服务器只是一种示例性的说明，并不应理解为对该方法的限定。

具体地，本说明书一个或多个实施例提供的一种个性化推荐方法的实现流程示意图如图1所示，包括：

步骤110，基于第一预设时间段内推荐系统中对象之间的关联关系，建立以推荐系统中的对象为顶点的图结构，图结构中的边用于表示边连接的顶点之间的关联关系，推荐系统中对象包括推荐系统的用户和推荐系统中的信息内容；

为了提高推荐系统中为用户确定推荐内容的效率，本发明实施例可以预先获取推荐系统的离线数据，即第一预设时间段内推荐系统中的数据，该第一预设时间段可以根据实际需求来设定，可以是近一年、半年、或者几个月内推荐系统中产生的数据，该推荐系统中产生的数据具体可以包括使用该推荐系统的用户、该推荐系统中的信息内容以及用户与用户之间、用户与内容之间、以及内容与内容之间的关联关系。

为便于描述，下文将该推荐系统中的用户或者该推荐系统中的信息内容统称为推荐系统中的对象，那么用户与用户之间、用户与内容之间、以及内容与内容之间的关联关系，则可以统称为推荐系统中对象间的关联关系。其中，推荐系统中对象间的关联关系可以根据对象之间的关系类型、以及对象间的交互频次等确定。

具体来说，可以将第一预设时间段内推荐系统中的对象作为顶点，对象之间的关联关系作为边，建立该推荐系统的图结构G＝(V,E)，其中，V和E分别为该图结构的顶点和边的集合，n＝|V|为该图结构中顶点的个数。顶点V可以包含推荐系统中的用户和信息内容，也可以只包含推荐系统中的用户，还可以只包含推荐系统中的信息内容，边的权重表示顶点间的关联程度。以音乐服务为例，可以将用户、音乐、歌手/音乐家、专辑、歌单作为顶点，将用户对某个音乐或者歌手进行关注、某个专辑包含某首音乐、某个用户播放了某首音乐、用户收藏了某个歌单、用户评论了某首音乐等关系作为边，根据这些顶点的关系类型、以及顶点间的交互频次等得到边的权重。

步骤120，基于图结构中的边，确定图结构中的顶点的流行度分数，该流行度分数用于表示图结构中的顶点对应的对象在推荐系统中的受关注程度；

基于图结构中的边，确定图结构中的顶点的流行度分数，具体来说，可以首先，基于图结构中的边的权重，确定图结构中的边连接的顶点之间的转移概率；然后，基于第一预设重启概率、图结构中的边连接的顶点之间的转移概率、以及第一预设时间段内图结构中的顶点个数，确定第一预设时间段内图结构中的顶点的流行度分数。其中，该第一预设重启概率可以根据实际需求来设定，以保证PageRank算法在非强连通的有向图中可以收敛并得到有意义的结果。

而基于第一预设重启概率、图结构中的边连接的顶点之间的转移概率、以及第一预设时间段内图结构中的顶点个数，确定图结构中的初始顶点与其他顶点之间的流行度分数，具体来说，可以基于第一预设重启概率、图结构中的边连接的顶点之间的转移概率、以及第一预设时间段内图结构中的顶点个数，通过PageRank(中文：佩奇排序)算法确定图结构中的顶点的内层流行度分数和外层流行度分数；其中，内层流行度分数为经过第三预设步数随机游走传播得到的，外层流行度分数为经过第四预设步数随机游走传播得到的，第四预设步数大于第三预设步数。

其中，根据PageRank算法，具体可以通过公式p＝(1-α)M^Tp+αθ来确定图结构中的顶点的流行度分数，其中

为图结构中的顶点的PageRank分数，也就是流行度分数，

为第一预设重启概率，

为图结构中的顶点间的转移概率矩阵，

为所有分量为1/n的列向量，n为即上文所述的图结构中顶点的个数。

首先，对图结构中的顶点的流行度分数进行初始化处理，可以令p＝αθ，可以得到

其中i为随机游走迭代次数；然后，可以根据随机游走迭代次数i可以将图结构中的顶点的流行度分数p分为内外两层，即使得p＝p_inner+p_outer，其中

为经过0到k-1步随机游走传播过来的PageRank分数，即内层流行度分数，这里的0到k-1也就是上文所述的第三预设步数，

为经过k步及k步以上随机游走传播过来的PageRank分数，即外层流行度分数，这里的k步及k步以上即上文所述的第四预设步数。

步骤130，基于在线数据，更新图结构以及图结构中的顶点的流行度分数，在线数据包括第二预设时间段内推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于在线数据，更新图结构中的顶点的流行度分数，具体来说，可以首先，基于在线数据中第二预设时间段内推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系，更新图结构中的顶点的个数和图结构中的边连接的顶点之间的转移概率；然后，基于第一预设重启概率、更新后的图结构中的顶点的个数和更新后的图结构中的边连接的顶点之间的转移概率，更新图结构中的顶点的流行度分数。

基于第一预设重启概率、更新后的图结构中的顶点的个数和更新后的图结构中的边连接的顶点之间的转移概率，更新图结构中的顶点的流行度分数，具体来说，可以基于第一预设重启概率、更新后的图结构中的顶点的个数和更新后的图结构中的边连接的顶点之间的转移概率，通过预设的增量更新算法更新图结构中的顶点的内层流行度分数和外层流行度分数。

应理解，当推荐系统中的对象之间的关系发生变化时，相应地，也会在图结构中增加边、删除边、更新边的权重，从而可以得到新的图结构G′＝(V′,E′)，其转移关系矩阵也会发生相应地变化，假设为

设其流行度分数为

那么有

根据随机游走迭代次数i可以将Δp分为内外两层Δp＝Δp_inner+Δp_outer，其中

由此可根据p′_inner＝p_inner+Δp_inner，p′_outer＝p_outer+Δp_outer，p′＝p′_inner+p′_outer对原图结构中的顶点的流行度分数进行更新。

其中，上述预设的增量更新算法为：当推荐系统中新增对象时，在转移概率矩阵M中相应地增加用0填充对应的行和列，在图结构的流行度分数向量p中相应地增加值为0的分量，以得到更新后的转移概率矩阵N，以及更新后的图结构的流向度分数向量。而当推荐系统中减少对象时，将转移概率矩阵M中相应地行和列用0填充，将图结构的流行度分数向量p中相应地的分量设为0，以得到更新后的转移概率矩阵N，以及更新后的图结构的流向度分数向量。

步骤140，基于更新后的图结构和图结构中的顶点的流行度分数、以及推荐系统中的用户在第二预设时间段内交互过的对象，为推荐系统中的用户确定推荐内容。

基于更新后的图结构和图结构中的顶点的流行度分数、以及推荐系统中的用户在第二预设时间段内交互过的对象，为推荐系统中的用户确定推荐内容，具体来说，可以首先，获取推荐系统中的用户在第二预设时间段内交互过的对象，以及推荐系统中的用户在第二预设时间段内交互过的对象的权重，对象的权重用于表示推荐系统中的用户与对象之间的关联程度；然后，基于第二预设重启概率、第二预设时间段内图结构中的边连接的顶点之间的转移概率，确定第二预设时间段内图结构中的初始顶点与其他顶点之间的第一相似度分数；最后，基于推荐系统中的用户在第二预设时间段内交互过的对象、推荐系统中的用户在第二预设时间段内交互过的对象的权重、以及第二预设时间段内图结构中的初始顶点与其他顶点之间的第一相似度分数，为推荐系统中的用户确定推荐内容。其中，图结构中的初始顶点为推荐系统中的用户在第二预设时间段内交互过的对象。

其中，推荐系统中的每个用户最近交互过的F个对象及其权重

该权重的大小可以由交互的类型和次序决定，体现用户与交互对象有更强关联关系的、时间顺序上更近的交互则拥有更高的权重值。这些用户交互过的对象及其权重体现了该用户在最近F次与推荐系统交互的时间段内的短期和实时兴趣。

而基于第二预设重启概率、第二预设时间段内所述图结构中的边连接的顶点之间的转移概率，确定第二预设时间段内所述图结构中的初始顶点与其他顶点之间的第一相似度分数，具体来说，对于第二预设时间段内图结构中的每个顶点，基于第二预设重启概率、第二预设时间段内图结构中的边连接的顶点之间的转移概率，通过个性化佩奇排序PageRank算法确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的第一相似度分数，第一相似度分数为第二预设时间段内图结构中的每个初始顶点经过第一预设步数随机游走传播得到的。

以推荐系统中的一个用户为例，为便于描述，可以将该用户称为第一用户，在上述确定了该第一用户在第二预设时间段内在推荐系统中交互过的F个对象，可以根据个性化PageRank算法，确定出这F个对象中与图结构中其他顶点的相似度分数为

其中

为随机游走初始顶点对应分量为1、其余分量为0的列向量，i为随机游走迭代次数，β为第二预设重启概率，该第二预设重启概率的数值也可以根据实际需求来设定，N为更新后的图结构中的顶点之间的转移概率矩阵。

由于在现实数据构成的图中，相似的顶点往往聚集成簇，其内部的顶点互相关联较紧密，与外部的顶点关联较稀疏，因此，可以将早期接收到从初始顶点传播来分数的顶点称为初始顶点的内层顶点。将初始顶点经过j步随机游走传播得到的个性化PageRank分数

称为初始顶点与图中其他顶点的第一相似度分数，j的取值可以根据具体数据特征来确定。

对于上述第一用户最近交互过的F个对象，可以确定图结构中的初始顶点经过第j+1到第k步随机游走传播得到的个性化PageRank分数为

由于顶点的聚集特性，这个过程中经过的顶点大部分仍然是初始顶点的内层顶点，分数传播过程中始终以1-α的概率不断衰减，所以可以使用

近似得到s₂，来减少计算量。因此可得出初始顶点与图结构中的其他顶点的第二相似度分数

那么，基于推荐系统中的用户在第二预设时间段内交互过的对象、推荐系统中的用户在第二预设时间段内交互过的对象的权重、以及第二预设时间段内图结构中的顶点之间的第一相似度分数，为推荐系统中的用户确定推荐内容，具体来说，可以首先，对于第二预设时间段内图结构中的每个初始顶点，基于第一相似度分数、第二预设重启概率、第一预设步数和第二预设步数确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的第二相似度分数，该第二预设步数大于第一预设步数；然后，基于第一相似度分数、第二相似度分数和更新后的图结构中的顶点的流行度分数，确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数；最后，基于第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数、推荐系统中的用户在第二预设时间段内交互过的对象的权重，为推荐系统中的用户确定推荐内容。

对于上述第一用户最近交互过的F个对象，可以确定初始顶点经过k步及k步以上的随机游走传播得到的个性化PageRank分数为

由于对于初始顶点的外层顶点，其距离初始顶点距离已经较远，其个性化PageRank分数主要由周边顶点的传播过来，因此可以基于步骤130更新后的外层流行度分数来近似得到。那么可以确定出初始顶点与图结构中其他顶点的第三相似度分数s₃≈p_outer。

因此，上述基于第一相似度分数、第二相似度分数和更新后的图结构中的顶点的流行度分数，确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数，具体则可以基于第一相似度分数、第二相似度分数和更新后的图结构中的顶点的外层流行度分数，确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数s≈s₁+s₂+s₃。

而基于第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数、推荐系统中的用户在第二预设时间段内交互过的对象的权重，为推荐系统中的用户确定推荐内容，具体来说，则可以首先，基于第二预设时间段内图结构中的每个初始顶点与其他顶点之间的相似度分数、推荐系统中的用户在第二预设时间段内交互过的对象的权重，确定第二预设时间段内图结构中的每个初始顶点与其他顶点之间的加权相似度分数；然后，基于加权相似度分数，从图结构中确定出预设个数的顶点；其中，预设个数的顶点的加权相似度分数大于或等于预设阈值；最后，将预设个数的顶点对应的对象推荐给推荐系统中的用户。

对于图结构中的每个顶点，得到F个相似度分数，再将这F个相似度分数与相应的F个权重值相乘并求和。那么对于第一用户，可以根据推荐场景从图结构中选择特定类型的顶点集合，根据该第一用户的交互对象与图结构中的其他顶点的加权相似度分数叠加之后选择出分数最高的K个相关顶点，即与该第一用户实时兴趣最相似的K个对象，推荐给该第一用户。

以第一用户最近交互过的对象为：播放音乐A、收藏专辑B和向用户C发私信为例，其中图结构中的一个顶点比如乐队a与音乐A之间的相似度分数为0.5，乐队a与专辑B之间的相似度分数为0.4，乐队a与用户C之间的相似度分数为0.8，播放音乐A的权重为0.1，收藏专辑B的权重为0.2，向用户C发私信的权重为0.3，那么乐队a与用户C之间的加权相似度分数为0.5*0.1+0.4*0.2+0.8*0.3＝0.37，以此类推，依次确定出图结构中的其他顶点与这几个交互对象之间的加权相似度分数之和，再从图结构中的所有顶点与这几个交互对象之间的加权相似度分数之和中确定出分数最高的预设个数K个相关顶点，即与该第一用户实时兴趣最相关的K个对象，推荐给该第一用户。

本发明实施例中，首先，能够获取第一预设时间段内推荐系统中的对象之间的关联关系，建立以该推荐系统中的对象为顶点的图结构，该图结构中的边用于表示边连接的顶点之间的关联关系，并能够基于图结构中的边，确定图结构中的顶点的流行度分数，再基于在线数据，更新图结构以及图结构中的顶点的流行度分数，最后能够基于更新后的图结构和图结构中的顶点的流行度分数、以及推荐系统中的用户在第二预设时间段内交互过的对象，为推荐系统中的用户确定推荐内容。

通过本发明实施例的方法，能够极大地减小完全使用在线数据来确定推荐系统中对象间相似度分数的计算量，进而减小确定推荐系统中对象的流行度分数的计算量，且提高了计算效率。具体地，能够通过近似方法，一方面，利用离线数据计算流行度分数，用于近似第三相似度分数，减少完全使用在线数据的计算量；另一方面，还能够通过第二相似度分数进一步减少在线数据部分的计算量。此外，推荐系统中对象的流行度分数可以根据在线数据实时增量更新，保证推荐效果的准确性。

图2是本说明书提供的个性化推荐装置200的结构示意图。请参考图2，在一种软件实施方式中，个性化推荐装置200可包括建立单元201、第一确定单元202、更新单元203和第二确定单元204，其中：

建立单元201，用于基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

第一确定单元202，用于基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

更新单元203，用于基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

第二确定单元204，用于基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

在一种实施方式中，所述第一确定单元202，用于：

基于所述图结构中的边的权重，确定所述图结构中的边连接的顶点之间的转移概率；

基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述第一预设时间段内所述图结构中的顶点的流行度分数。

在一种实施方式中，所述更新单元203，用于：

基于所述在线数据中所述第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系，更新所述图结构中的顶点的个数和所述图结构中的边连接的顶点之间的转移概率；

基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，更新所述图结构中的顶点的流行度分数。

在一种实施方式中，所述第二确定单元204，用于：

获取所述推荐系统中的用户在所述第二预设时间段内交互过的对象，以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，所述图结构中的初始顶点与其他顶点之间的第一相似度分数；

基于所述推荐系统中的用户在所述第二预设时间段内交互过的对象、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重、以及所述第一相似度分数，为所述推荐系统中的用户确定推荐内容；

其中，所述对象的权重用于表示所述推荐系统中的用户与所述对象之间的关联程度；所述图结构中的初始顶点为所述推荐系统中的用户在所述第二预设时间段内交互过的对象；。

在一种实施方式中，所述第二确定单元204，用于：

对于所述图结构中的每个初始顶点，基于所述第一相似度分数、所述第二预设重启概率、所述第一预设步数和第二预设步数，确定所述图结构中的每个初始顶点与其他顶点之间的第二相似度分数，所述第二预设步数大于所述第一预设步数；

基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的流行度分数、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，为所述推荐系统中的用户确定推荐内容。

在一种实施方式中，所述第二确定单元204，用于：

基于所述图结构中的每个初始顶点与其他顶点之间的相似度分数、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，确定所述图结构中的每个初始顶点与其他顶点之间的加权相似度分数；

基于所述加权相似度分数，从所述图结构中确定出预设个数的顶点；其中，所述预设个数的顶点的加权相似度分数大于或等于预设阈值；

将所述预设个数的顶点对应的对象推荐给所述推荐系统中的用户。

在一种实施方式中，所述第一确定单元202，用于：

基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述图结构中的顶点的内层流行度分数和外层流行度分数；

其中，所述内层流行度分数为经过第三预设步数随机游走传播得到的，所述外层流行度分数为经过第四预设步数随机游走传播得到的，所述第四预设步数大于所述第三预设步数。

在一种实施方式中，所述更新单元203，用于：

基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，通过预设的增量更新算法更新所述图结构中的顶点的内层流行度分数和外层流行度分数。

在一种实施方式中，所述第二确定单元204，用于：

基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的外层流行度分数，确定所述第二预设时间段内所述图结构中的每个初始顶点与其他顶点之间的相似度分数。

个性化推荐装置200能够实现图1的方法实施例的方法，具体可参考图1所示实施例的个性化推荐方法，不再赘述。

图3是本说明书的一个实施例提供的电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成个性化推荐装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述第一预设时间段内所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容。

上述如本说明书图1所示实施例揭示的个性化推荐方法可以应用于处理器中，或者由处理器实现。处理器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，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)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。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的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。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1的个性化推荐方法，本说明书在此不再赘述。

当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

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。

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。在没有更多限制时，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。

Claims (14)

1.一种个性化推荐方法，其特征在于，包括：

获取推荐系统的离线数据，所述离线数据包括第一预设时间段内所述推荐系统中的数据；

基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，从所述图结构中确定出预设个数的顶点；

将所述预设个数的顶点对应的对象推荐给所述推荐系统中的用户。

2.如权利要求1所述的方法，其特征在于，基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，包括：

基于所述图结构中的边的权重，确定所述图结构中的边连接的顶点之间的转移概率；

基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述图结构中的顶点的流行度分数。

3.如权利要求2所述的方法，其特征在于，基于在线数据，更新所述图结构中的顶点的流行度分数，包括：

基于所述在线数据中所述第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系，更新所述图结构中的顶点的个数和所述图结构中的边连接的顶点之间的转移概率；

基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，更新所述图结构中的顶点的流行度分数。

4.如权利要求1所述的方法，其特征在于，基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，为所述推荐系统中的用户确定推荐内容，包括：

获取所述推荐系统中的用户在所述第二预设时间段内交互过的对象，以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，所述图结构中的初始顶点与其他顶点之间的第一相似度分数，所述第一相似度分数为所述第二预设时间段内所述图结构中的每个初始顶点经过第一预设步数随机游走传播得到的；

基于所述推荐系统中的用户在所述第二预设时间段内交互过的对象、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重、以及所述第一相似度分数，为所述推荐系统中的用户确定推荐内容；

其中，所述对象的权重用于表示所述推荐系统中的用户与所述对象之间的关联程度；所述图结构中的初始顶点为所述推荐系统中的用户在所述第二预设时间段内交互过的对象。

5.如权利要求4所述的方法，其特征在于，基于所述推荐系统中的用户在所述第二预设时间段内交互过的对象、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重、以及所述第一相似度分数，为所述推荐系统中的用户确定推荐内容，包括：

对于所述图结构中的每个初始顶点，基于所述第一相似度分数、第二预设重启概率、所述第一预设步数和第二预设步数，确定所述图结构中的每个初始顶点与其他顶点之间的第二相似度分数，所述第二预设步数大于所述第一预设步数；

基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的流行度分数、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，为所述推荐系统中的用户确定推荐内容。

6.如权利要求5所述的方法，其特征在于，基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述图结构中的顶点的流行度分数，包括：

基于所述第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述图结构中的顶点的内层流行度分数和外层流行度分数；

其中，所述内层流行度分数为经过第三预设步数随机游走传播得到的，所述外层流行度分数为经过第四预设步数随机游走传播得到的，所述第四预设步数大于所述第三预设步数。

7.如权利要求6所述的方法，其特征在于，基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，更新所述图结构中的顶点的流行度分数，包括：

基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，通过预设的增量更新算法更新所述图结构中的顶点的内层流行度分数和外层流行度分数。

8.如权利要求7所述的方法，其特征在于，基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的流行度分数，确定所述第二预设时间段内所述图结构中的每个初始顶点与其他顶点之间的相似度分数，包括：

基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的外层流行度分数，确定所述第二预设时间段内所述图结构中的每个初始顶点与其他顶点之间的相似度分数。

9.一种个性化推荐装置，其特征在于，包括：

获取单元，获取推荐系统的离线数据，所述离线数据包括第一预设时间段内所述推荐系统中的数据；

建立单元，用于基于第一预设时间段内推荐系统中对象之间的关联关系，建立以所述推荐系统中的对象为顶点的图结构，所述图结构中的边用于表示所述边连接的顶点之间的关联关系，所述推荐系统中对象包括所述推荐系统的用户和所述推荐系统中的信息内容；

第一确定单元，用于基于所述图结构中的边，确定所述图结构中的顶点的流行度分数，所述流行度分数用于表示所述图结构中的顶点对应的对象在所述推荐系统中的受关注程度；

更新单元，用于基于在线数据，更新所述图结构以及所述图结构中的顶点的流行度分数，所述在线数据包括第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系；

第二确定单元，用于基于更新后的所述图结构和所述图结构中的顶点的流行度分数、以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象，从所述图结构中确定出预设个数的顶点；

推荐单元，将所述预设个数的顶点对应的对象推荐给所述推荐系统中的用户。

10.如权利要求9所述的装置，其特征在于，所述第一确定单元，用于：

基于所述图结构中的边的权重，确定所述图结构中的边连接的顶点之间的转移概率；

基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述第一预设时间段内所述图结构中的顶点的流行度分数。

11.如权利要求10所述的装置，其特征在于，所述更新单元，用于：

基于所述在线数据中所述第二预设时间段内所述推荐系统中增加或删除的对象和对应的增加或删除的对象之间的关联关系，更新所述图结构中的顶点的个数和所述图结构中的边连接的顶点之间的转移概率；

基于所述第一预设重启概率、更新后的所述图结构中的顶点的个数和更新后的所述图结构中的边连接的顶点之间的转移概率，更新所述图结构中的顶点的流行度分数。

12.如权利要求9所述的装置，其特征在于，所述第二确定单元，用于：

获取所述推荐系统中的用户在所述第二预设时间段内交互过的对象，以及所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，所述图结构中的初始顶点与其他顶点之间的第一相似度分数，所述第一相似度分数为所述第二预设时间段内所述图结构中的每个初始顶点经过第一预设步数随机游走传播得到的；

基于所述推荐系统中的用户在所述第二预设时间段内交互过的对象、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重、以及所述第一相似度分数，为所述推荐系统中的用户确定推荐内容；

其中，所述对象的权重用于表示所述推荐系统中的用户与所述对象之间的关联程度；所述图结构中的初始顶点为所述推荐系统中的用户在所述第二预设时间段内交互过的对象。

13.如权利要求12所述的装置，其特征在于，所述第二确定单元，用于：

对于所述图结构中的每个初始顶点，基于所述第一相似度分数、第二预设重启概率、所述第一预设步数和第二预设步数，确定所述图结构中的每个初始顶点与其他顶点之间的第二相似度分数，所述第二预设步数大于所述第一预设步数；

基于所述第一相似度分数、所述第二相似度分数和更新后的所述图结构中的顶点的流行度分数、所述推荐系统中的用户在所述第二预设时间段内交互过的对象的权重，为所述推荐系统中的用户确定推荐内容。

14.如权利要求10或13中任一所述的装置，其特征在于，所述第一确定单元，用于：

基于第一预设重启概率、所述图结构中的边连接的顶点之间的转移概率、以及所述第一预设时间段内所述图结构中的顶点个数，确定所述图结构中的顶点的内层流行度分数和外层流行度分数；

其中，所述内层流行度分数为经过第三预设步数随机游走传播得到的，所述外层流行度分数为经过第四预设步数随机游走传播得到的，所述第四预设步数大于所述第三预设步数。

Images