CN109429103B

CN109429103B - 推荐信息的方法、装置及计算机可读存储介质、终端设备

Info

Publication number: CN109429103B
Application number: CN201710744050.4A
Authority: CN
Inventors: 罗建平
Original assignee: TCL Technology Group Co Ltd
Current assignee: TCL Technology Group Co Ltd
Priority date: 2017-08-25
Filing date: 2017-08-25
Publication date: 2021-08-13
Anticipated expiration: 2037-08-25
Also published as: CN109429103A

Abstract

本发明涉及智能电视领域，提供了一种推荐信息的方法、装置及计算机可读存储介质、终端设备，以有效地为智能电视用户推荐精准、可靠的资讯。所述方法包括：采集launcher业务端和消息推送业务端的用户行为数据；将launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；根据预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；将候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与候选信息集列表对应的智能电视用户。本发明提供的技术方案使得后续从候选信息集列表向智能电视用户推荐信息时更加精准。

Description

推荐信息的方法、装置及计算机可读存储介质、终端设备

技术领域

本发明属于智能电视领域，尤其涉及一种推荐信息的方法、装置及计算机可读存储介质、终端设备。

背景技术

随着三网融合技术的发展，据统计到2015年，全国数字电视用户突破1.9亿户。随着农村市场城镇化，基于农村家庭用户对数字电视将会出现持续增长。最近大数据和人工智能技术的发展，智能电视终端用户对实时可靠的资讯、有趣的节目以及为家庭提供生活上的便利提出了新的需求，因此，在智能电视终端提供更加便利的服务，提供更加个性化的推荐机制值得研究。

现有的一种向智能电视终端用户推荐信息的方法是在launcher业务端进行节目的推荐。所谓launcher业务端，也就是用户开机时显示的业务端。由于新买电视用户或没有留下任何观看行为数据的用户，针对这样的用户，在launcher业务端进行节目的推荐时就无从知晓用户的喜好，推荐的效果自然不佳。

上述技术问题亟待业界解决。

发明内容

本发明提供一种推荐信息的方法、装置及计算机可读存储介质、终端设备，以有效地为智能电视用户推荐精准、可靠的资讯。

本发明第一方面提供了一种推荐信息的方法，所述方法包括：

采集launcher业务端和消息推送业务端的用户行为数据；

将所述launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；

根据所述预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；

将所述候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与所述候选信息集列表对应的智能电视用户。

本发明第二方面提供了一种推荐信息的装置，所述装置包括：

采集模块，用于采集launcher业务端和消息推送业务端的用户行为数据；

预处理模块，用于将所述采集模块采集的launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；

用户画像模块，用于根据所述预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；

推荐模块，用于将所述候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与所述候选信息集列表对应的智能电视用户。

本发明第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

采集launcher业务端和消息推送业务端的用户行为数据；

本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

采集launcher业务端和消息推送业务端的用户行为数据；

从上述本发明提供的技术方案可知，一方面，从launcher业务端和/或消息推送业务端将候选信息集列表中的候选信息推荐至与候选信息集列表对应的智能电视用户，解决了现有的从launcher业务端进行节目推荐的不可靠的缺陷；另一方面，通过对预处理后的用户行为数据对智能电视用户进行画像，得到各智能电视用户对应的候选信息集列表，后续从候选信息集列表向智能电视用户推荐信息时更加精准。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的推荐信息的方法的实现流程示意图；

图2是本发明实施例提供的将launcher业务端和消息推送业务端的用户行为数据进行预处理的示意图；

图3是本发明实施例提供的对智能电视用户进行画像的示意图；

图4是本发明实施例提供的推荐信息的装置的结构示意图；

图5是本发明另一实施例提供的推荐信息的装置的结构示意图；

图6是本发明另一实施例提供的推荐信息的装置的结构示意图；

图7是本发明实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

附图1是本发明实施例提供的推荐信息的方法的实现流程示意图，主要包括以下步骤S101至S104，以下详细说明：

S101，采集launcher业务端和消息推送业务端的用户行为数据。

在本发明实施例中，launcher业务端的用户行为数据包括app使用记录、点播节目使用记录、直播节目使用记录等，消息推送业务端的用户行为数据包括用户点击某类消息框的数据和购物支付信息数据等，辅助的数据包括电视端路由信息、点播节目表数据、点播类型数据、直播节目表数据和直播节目类型数据等。这些数据可周期性地采集，例如，launcher业务端的用户行为数据、电视端路由信息和消息推送业务端的用户行为数据可每隔20分钟采集一次，其他数据可每天定时采集一次，采集好的这些数据可定时同步到大数据集群HDFS中。

S102，将launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据。

在本发明实施例中，一个TV端包括launcher业务端和消息推送业务端两种业务方式，一个TV端会有一个id进行标识，可以用tv_id标识，同时一个tv_id对应一个launcher业务端的launcher_id和消息推送业务端的message_id。当在launcher业务端推送时，直接通过launcher_id进行推送，同理，消息推送业务端以message_id进行推荐。

将launcher业务端和消息推送业务端的用户行为数据进行预处理，实际是一个对这些用户行为数据进行获取、解析、清洗和过滤等处理的过程，主要是针对这些用户行为数据进行解析入库映射到hive表中，再根据原始数据表生成不同的中间hive表，中间hive表中的数据可以作为算法调用的数据源以及为用户画像时的数据源。具体地，将launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据如附图2所示，主要包括如下S1021至S1024：

S1021，TV端点播节目数据处理，即，将launcher端用户数据、推送端push数据，client数据和电视用户使用行为数据ub_array，生成中间表client_all即TV端的综合数据，再将点播使用记录数据、点播节目表数据、点播类型数据以及TV端的综合数据聚合成用户使用点播节目的数据表dianbotypecount。

S1022，TV端直播节目数据处理，即，根据TV端的client表、直播行为数据以及节目表数据聚合成TV端用户使用直播节目行为的数据表zb_program，其中，client表的内容包括用户的tv_id、launcher_id、message_id和mac地址信息、终端版本号以及创建时间等信息，client表是用于对电视用户的TV端、launcher业务端和消息推送业务端的信息进行关联的中间表。

S1023，TV端launcher中app使用的数据处理，即，根据电视用户使用行为数据ub_array生成app使用行为的数据表app_use。

S1024，数据综合处理，即，根据TV端的点播数据、直播数据以及app使用行为数据和消息推送端采集的消息点击数据和支付相关的数据，通过不同的推荐算法处理后得到不同的用户画像类别入库到Hbase数据库中进行汇总。

S103，根据预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表。

作为本发明一个实施例，根据预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表可通过如下步骤S1031和S1032实现：

S1031，根据预处理后的用户行为数据，选择推荐算法。

具体地，根据预处理后的用户行为数据，选择推荐算法包括算法训练阶段和算法选择阶段，说明如下：

算法训练阶段：算法训练时，可以选择不同的训练算法对预处理后的用户行为数据进行处理。在对TV端用户数据即经步骤S102得到的预处理后的用户行为数据进行算法训练时，可以采取相同的TV端用户数据，即不同的算法所用到的训练数据是相同的，这样的目的使得便于测试不同的算法最后得到的TV端节目或者频道推荐列表集的差异程度，也可以针对不同的算法选择不同的数据源或者维度使得最后的用户留存率和转化率最大。初始的推荐算法可以选择针对电视用户基于节目(Item-based CF)的协同过滤算法和基于TV用户(User-based CF)的协同过滤算法，也可以选择其他的多种算法，不限于两种。

算法选择阶段：在本发明实施例中，算法选择时可以从两个方面进行选择，一方面根据前一次选择的推荐算法的评分集与推荐效果(即用户留存率和转化率)的关系进行选择，评分集高且推荐效果好的，优先选择该推荐算法得到的候选信息集列表即候选节目或者频道列表进行推荐；另一方面也可以根据不同的业务端进行选择，当候选信息集列表中的候选节目或者频道比较多时，可以从选择launcher业务端进行推送，反之，当候选信息集列表中的候选节目或者频道比较少时，可以选择从消息推送业务端进行推送，其中针对新出的实时新闻资讯和热门电影可以从消息推送业务端进行推送，针对特定的智能电视用户可以使用特定的算法，选择同时从launcher业务端和消息推送业务端推荐，例如，对于经常购物的智能电视用户和经常看体育新闻的人群，可以选择特定的算法，同时从launcher业务端和消息推送业务端推荐信息。

需要说明的是，在本发明实施例中，根据所述预处理后的用户行为数据，选择推荐算法之后，还包括：根据选择的推荐算法产生的效果，对选择的推荐算法进行评分，根据对选择的推荐算法进行评分的结果，针对不同的业务切换所述选择的推荐算法，其中，评分的生成需要根据某推荐算法多次推荐后产生的推荐效果加权取平均值，具体可以综合参考推荐前后TV端用户的留存率和转化率结果，对特定的推荐算法进行评分，进而得到不同的推荐算法会有不同的评分值；后续在推荐算法的选择时可以参考推荐算法的评分针对不同的业务进行切换，即，更换新的推荐算法。

S1032，根据选择的推荐算法，对智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表。

在本发明实施例中，所谓“画像”是通过对信息的参与主体的行为进行数据统计，根据这些统计出来的数据，对信息的参与主体的行为特征进行刻画的一种形象描述，以尽可能抽象出用户的行为特征全貌。需要说明的是，这些刻画的行为特征可能只涉及信息的参与主体本身，还有可能涉及信息的参与主体相互之间。以对智能电视用户进行TV用户-TV用户的画像为例，这种“画像”既刻画出了TV用户本身的行为特征(例如，根据TV用户对某类节目的观看时长、观看次数和收藏等数据的统计，提取出该TV用户对该某类节目的偏好度)，又刻画出了TV用户之间的行为特征(例如，两个TV用户之间行为的相似度)。作为本发明一个实施例，根据选择的推荐算法，对智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表可通过如下步骤S1和S2实现：

S1，根据选择的推荐算法，计算不同智能电视用户对不同信息的偏好程度。

如前所述，在将预处理后的用户行为数据作为训练的样本进行训练时，可选择评分集和推荐效果好的推荐算法。因此，根据选择的推荐算法，计算不同智能电视用户对不同信息的偏好程度可以是：根据所选择的评分集和推荐效果好的推荐算法，将智能终端用户对信息的偏好程度进行排序或者区分不同信息类型对应的不同智能电视用户群体，具体地，可从以下S4.1至S4.5来实现：

S4.1，TV用户-TV用户的画像：可以根据S101和S102收集到的最近TV端用户使用电视的行为数据，提取出用户与节目频道(或视频)之间关系的数据，例如，提取用户-节目的关系矩阵Mat1，用户对所看节目的喜好程度可以用偏好程度进行标识，例如可以根据用户的不同观看行为，例如观看时长、观看次数和收藏等操作对偏好程度进行加权自定义：用户ID标识为person_id，节目ID标识为program_id，偏好程度标识为score，不同用户可能会观看多个共同的节目，对于总共的U个用户，根据偏好程度依次计算用户A与其他U—1个用户的相似度，接着计算用户B与另外的U—2个用户的相似度(对TV用户中的任意两个用户而言，根据两个用户共同观看的节目集合，分别计算两个用户之间的相似度)，至此就可以得到TV用户-TV用户的相似度矩阵Mat2，通过相似度矩阵Mat2，对每个用户u有相似观看爱好的TV用户集合P(u)，对P(u)中的每个用户ui，从用户-节目的关系矩阵Mat1中，获取与用户ui相关的观看节目集合V(ui)，针对集合V(ui)中的每个节目计算用户偏好程度，对P(u)中的所有用户观看的所有节目集合V(ui)按照偏好程度进行去重和排序处理，取出Top-K个节目对用户u进行推荐；

S4.2，视频(或者节目)-视频(或者节目)的画像：其中的视频可以是TV端点播视频或者直播节目视频或者APP中的视频，同理可以根据经步骤S101和S102处理得到的最近的用户行为数据，提取出用户与节目频道(或视频)之间关系的数据，例如，提取用户-节目的关系矩阵Mat1，用户对所看节目的喜好程度可以用偏好程度进行标识，例如，可以根据用户的不同观看行为，例如观看时长、观看次数和收藏等操作对偏好程度进行加权自定义：用户ID标识为person_id，节目ID标识为program_id，偏好程度标识为score。对总共的W个节目，对其中的两个节目在历史数据中有共同观看过的用户，依次计算节目A与其他节目W-1的相似度，接着计算节目B与另外的W-2个节目的相似度(对节目中的任意两个节目而言，根据两个节目共同评价过的用户集合，分别计算两个节目之间的相似度)，至此就可以得到TV节目-TV节目的相似度矩阵Mat3，通过从用户-节目的关系矩阵Mat1中，对每个用户u有最近观看的节目集合Q(u)，然后通过相似矩阵Mat3，获得与Q(u)相似的节目集合R(u)，然后针对集合R(u)中的每个节目，计算用户偏好程度，依据偏好程度对R(u)中的节目进行去重和排序处理，取Top-K个节目对用户u进行推荐。

需要说明的是，上面的S4.1和S4.2中，一般地，TV用户-TV用户的画像使用的比较多，一般视频数量比较大，且视频更新比较快，使用视频(或者节目)-视频(或者节目)的画像中的算法会影响计算的性能，如果对于特定个数的节目进行画像时，视频(或者节目)-视频(或者节目)的画像中的算法是可以考虑的。

S4.3，点播视频(或节目)用户画像：点播视频的用户画像主要是针对电视用户观看的视频(主要有电影、电视剧、动漫喜剧和综艺四大类进行画像)的次数，视频类型进行统计，然后采用S4.1或S4.2中的算法，针对观看的不同类型的节目视频类型，区分出不同信息类型对应的不同智能电视用户群体。

S4.4，直播视频(或节目)用户画像：直播视频的画像，主要针对电视用户观看的视频(包括动漫、儿童、健康、财经、电影、电视剧等一级大分类的视频和二级类别的分类的视频)的播放时长、视频分格、视频内容、上映年代、拍摄地等进行分类处理，然后采用S4.1或S4.2中的算法，对某一个特征偏好区分出不同信息类型对应的不同智能电视用户群体。

S4.5，launcher业务端app使用用户画像：根据launcher业务端用户使用的APP情况进行画像，包括全球播、音乐、生活、教育、购物和游戏六大类。同时也可以针对这六大类进行更细的划分并进行画像。

上述对智能电视用户进行画像的一个示例可以参阅附图3。

S2，根据不同智能电视用户对不同信息的偏好程度，生成各智能电视用户对应的候选信息集列表。

生成的候选信息集列表可以用于launcher业务端和消息推送业务端进行推送，针对某个用户的不同业务推送端，推荐时标识的launcher_id或messagei_id不一样，生成候选信息集列表时需要进行标识。

S104，将候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与候选信息集列表对应的智能电视用户。

在本发明实施例中，候选信息集列表中的候选信息可以是视频、节目、广告、商品推广等相关信息。具体地，将候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与候选信息集列表对应的智能电视用户可如下：

1)针对经常使用购物APP的智能电视用户，可以在消息推送业务端推荐购物相关物品的消息，针对经常看新闻或者体育类等特定节目的智能电视用户，可以推荐该类型最新或者热门节目，针对点击了消息框或者发生了购买支付行为的用户行为信息会进行收集，例如，信息会解析到hive表中，例如图2中的msgclick用户点击信息表和bill支付信息表；

2)在launcher业务端，当智能电视用户打开到相应的launcher中tab页面时，会显示候选信息集列表中相应用户的推荐节目(或者视频、节目频道)列表项，当智能电视用户点击观看了某项APP或者节目视频时，会对智能电视用户的使用行为信息进行收集，收集的数据定期解析后导入到ub_array表中，作为智能电视用户行为数据源；

3)同时辅助的数据中电视端路由信息、点播节目数据、点播节目分类数据和直播节目分类数据，其中，直播节目分类数据每天会定期更新，更新的数据和业务端反馈的信息数据作为不断的数据源，推荐算法根据反馈的用户行为数据不断修正自己准确度，针对不同的业务要求和评分切换相应的推荐算法生成智能电视用户画像推荐结果集，针对不同的业务端进行相应的推荐。

从上述附图1示例的推荐信息的方法可知，一方面，从launcher业务端和/或消息推送业务端将候选信息集列表中的候选信息推荐至与候选信息集列表对应的智能电视用户，解决了现有的从launcher业务端进行节目推荐的不可靠的缺陷；另一方面，通过对预处理后的用户行为数据对智能电视用户进行画像，得到各智能电视用户对应的候选信息集列表，后续从候选信息集列表向智能电视用户推荐信息时更加精准。

图4是本发明实施例提供的推荐信息的装置的示意图，主要包括采集模块401、预处理模块402、用户画像模块403和推荐模块404，详细说明如下：

采集模块401，用于采集launcher业务端和消息推送业务端的用户行为数据；

预处理模块402，用于将采集模块401采集的launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；

用户画像模块403，用于根据预处理模块402预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；

推荐模块404，用于将候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与候选信息集列表对应的智能电视用户。

需要说明的是，本发明实施例提供的装置，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

附图4示例的用户画像模块403可以包括算法选择单元501和画像单元502，如附图5示例的推荐信息的装置，其中：

算法选择单元501，用于根据预处理后的用户行为数据，选择推荐算法；

画像单元502，用于根据选择的推荐算法，对智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表。

附图5示例的画像单元502可以包括偏好计算单元601和生成单元602，如附图6示例的推荐信息的装置，其中：

偏好计算单元601，用于根据选择的推荐算法，计算不同智能电视用户对不同信息的偏好程度；

生成单元602，用于根据不同智能电视用户对不同信息的偏好程度，生成各智能电视用户对应的候选信息集列表。

图7是本发明一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72，例如推荐信息的方法的程序。处理器70执行计算机程序72时实现上述推荐信息的方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图4所示采集模块401、预处理模块402、用户画像模块403和推荐模块404的功能。

示例性的，推荐信息的方法的计算机程序72主要包括：采集launcher业务端和消息推送业务端的用户行为数据；将所述launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；根据所述预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；将所述候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与所述候选信息集列表对应的智能电视用户。计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在计算设备7中的执行过程。例如，计算机程序72可以被分割成采集模块401、预处理模块402、用户画像模块403和推荐模块404(虚拟装置中的模块)的功能，各模块具体功能如下：采集模块401，用于采集launcher业务端和消息推送业务端的用户行为数据；预处理模块402，用于将采集模块401采集的launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；用户画像模块403，用于根据预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；推荐模块404，用于将候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与候选信息集列表对应的智能电视用户。

终端设备7可包括但不仅限于处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

存储器71可以是终端设备7的内部存储单元，例如终端设备7的硬盘或内存。存储器71也可以是终端设备7的外部存储设备，例如终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端设备所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，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、模块完成，即将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。实施例中的各功能单元、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。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，推荐信息的方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，采集launcher业务端和消息推送业务端的用户行为数据；将所述launcher业务端和消息推送业务端的用户行为数据进行预处理，得到预处理后的用户行为数据；根据所述预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；将所述候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与所述候选信息集列表对应的智能电视用户。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种推荐信息的方法，其特征在于，所述方法包括：

采集launcher业务端和消息推送业务端的用户行为数据；所述消息推送业务端的用户行为数据包括：消息点击数据和购物支付信息数据；launcher业务端的用户行为数据包括app使用记录、点播节目使用记录以及直播节目使用记录；

根据所述预处理后的用户行为数据，选择推荐算法；选择推荐算法包括算法训练阶段和算法选择阶段；算法训练阶段包括选择不同的训练算法对预处理后的用户行为数据进行处理；

根据所述选择的推荐算法，对智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表；将所述候选信息集列表中的候选信息从launcher业务端和/或消息推送业务端推荐至与所述候选信息集列表对应的智能电视用户。

2.如权利要求1所述推荐信息的方法，其特征在于，所述根据所述选择的推荐算法，对所述智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表，包括：

根据所述选择的推荐算法，计算不同智能电视用户对不同信息的偏好程度；

根据所述不同智能电视用户对不同信息的偏好程度，生成各智能电视用户对应的候选信息集列表。

3.如权利要求2所述推荐信息的方法，其特征在于，根据所述预处理后的用户行为数据，计算不同智能电视用户对不同信息的偏好程度，包括：

根据所选择的评分集和推荐效果好的推荐算法，将智能终端用户对信息的偏好程度进行排序或者区分不同信息类型对应的不同智能电视用户群体。

4.如权利要求1至3任意一项所述推荐信息的方法，其特征在于，所述根据所述预处理后的用户行为数据，选择推荐算法之后，所述方法还包括：

根据所述选择的推荐算法产生的效果，对所述选择的推荐算法进行评分；

根据对所述选择的推荐算法进行评分的结果，针对不同的业务切换所述选择的推荐算法。

5.一种推荐信息的装置，其特征在于，所述装置包括：

采集模块，用于采集launcher业务端和消息推送业务端的用户行为数据；所述消息推送业务端的用户行为数据包括：消息点击数据和购物支付信息数据；launcher业务端的用户行为数据包括app使用记录、点播节目使用记录以及直播节目使用记录；

用户画像模块，用于根据所述预处理后的用户行为数据对智能电视用户进行画像，以得到各智能电视用户对应的候选信息集列表；所述用户画像模块包括：算法选择单元，用于根据所述预处理后的用户行为数据，选择推荐算法；算法训练阶段包括选择不同的训练算法对预处理后的用户行为数据进行处理；画像单元，用于根据所述选择的推荐算法，对智能电视用户进行TV用户-TV用户的画像、视频-视频的画像、点播视频用户画像和直播视频用户画像，以得到各智能电视用户对应的候选信息集列表；

6.如权利要求5所述推荐信息的装置，其特征在于，所述画像单元包括：

偏好计算单元，用于根据所述选择的推荐算法，计算不同智能电视用户对不同信息的偏好程度；

生成单元，用于根据所述不同智能电视用户对不同信息的偏好程度，生成各智能电视用户对应的候选信息集列表。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述方法的步骤。