CN109657154A - 基于情景的资源排序装置和资源排序方法 - Google Patents

Abstract

本发明提供了基于情景的资源排序装置和资源排序方法。一种基于情景的资源排序装置，包括：情景识别单元，被配置为基于情景感知信息，识别与用户的当前情景匹配的一组情景特征；中心计算单元，被配置为基于候选资源集中的候选资源与所述一组情景特征中的情景特征之间的耦合度来计算候选资源在当前情景下的加权系数；以及排序单元，被配置为利用所述加权系数来对所述候选资源集进行排序。

Description

基于情景的资源排序装置和资源排序方法

技术领域

本发明涉及基于情景的资源排序装置和资源排序方法。更特别地，本发明涉及基于用户的学习情景来向用户推荐学习资源的导学系统。

背景技术

近年来我国教育信息化蓬勃发展，大数据背景下的教育资源库建设成为了一个亮点，教育资源的数据量已经到了极大的量级。相对于互联网数据的海量和无序，教育资源具有资源类型丰富、聚类属性相对明确等特点。然而对于一个学习者来讲，哪怕在一个确定的学习阶段，仍然需要面对庞大的课程包、教辅资料、阅读资料、题库资源等学习资源。因此，如何为学习者提供信息化导学产品、有限时间内获得最精准的学习资源推荐，而不是依靠学习者主动去“找”，成为了一个研究问题。

当前已经开发除了多种学习资源推荐方式。其中一种方式是根据导学平台的整体数据统计访问量、热度、“同学正在学”等形式推荐。另一种方式是基于内容或者基于协同过滤的推荐算法，将互联网购物等的推荐方式借鉴到学习资源中来，例如，中国专利申请CN20171079969提出了一种基于网络学习环境的资源推荐系统及方法，其采用了协同过滤的算法，筛选与目标用户的相似群体，结合相似度和用户评分的可信度进行学习资源的评分与推荐。还存在基于数据挖掘的推荐方式，即，导学平台通过对用户浏览web内容的主题和文本等进行挖掘，以推荐相近的主题等。其它还包括基于教学和测评结果的导学。

以上几种方式的导学推荐都达到了一定程度的匹配和个性化。但是这些推荐方式都没有考虑学习者使用导学平台的习惯和情景。例如，对于同一个学习者(如，学生)，当使用智能设备进行学习时，该学习者在不同的时间段或学习环境下对于学习资源可能有不同的需要。通过抓住学生的学习情景特点进行读、写、听不同类型资源的优化推荐，能够更有效地提高推荐准确率。

因此，存在对于有更高学习效率的、更贴合学习者的使用习惯和使用情景的学习资源推荐工具的需求。

发明内容

针对上述需求，本发明提供了一种基于情景的学习资源推荐或排序。

本发明的一个方面提供了一种基于情景的资源排序装置，该资源排序装置包括：情景识别单元，被配置为基于情景感知信息，识别与用户的当前情景匹配的一组情景特征；中心计算单元，被配置为基于候选资源集中的候选资源与所述一组情景特征中的情景特征之间的耦合度来计算候选资源在当前情景下的加权系数；以及排序单元，被配置为利用所述加权系数来对所述候选资源集进行排序。

进一步地，中心计算单元还被配置为基于所述用户的用户行为特征来修正候选资源的加权系数，并且排序单元被配置为利用修正后的加权系数来对候选资源集进行排序。

本发明的另一个方面提供了一种基于情景的资源排序方法，该资源排序方法包括：基于情景感知信息，识别与用户的当前情景匹配的一组情景特征；基于候选资源集中的候选资源与所述一组情景特征中的情景特征之间的耦合度，计算候选资源在当前情景下的加权系数；以及利用所述加权系数来对所述候选资源集进行排序。

进一步地，根据本发明的资源排序方法还包括基于所述用户的用户行为特征来修正候选资源的加权系数，并且利用修正后的加权系数来对候选资源集进行排序。

本发明的另一个方面还提供了存储有计算机可执行指令的非暂态计算机可读介质，所存储的计算机可执行指令当被运行时使得计算机执行上面所述的资源排序方法。

根据本发明的资源排序装置和资源排序方法向诸如学习资源之类的候选资源集应用了基于情景的排序，使得排序结果更加契合用户的学习情景。此外，根据本发明的资源排序装置和资源排序方法考虑了单个用户在特定情境下使用资源时的行为特征，在排序结果上进一步实现特定于此用户的个性化，使得排序结果契合用户的学习习惯。经过本发明的资源排序，向用户推荐的学习资源更加符合用户的当前需要，从而提高了导学系统的实际应用效果和用户体验。

附图说明

本发明可以通过参考下文中结合附图所给出的详细描述而得到更好的理解。所有附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本发明的实施例和解释本发明的原理和优点。所包括的附图用于说明性目的而非限制性目的。其中：

图1是例示了根据本发明的实施例的导学系统的示例性架构图；

图2是例示了根据本发明的实施例的资源排序装置的示例性配置图；

图3A例示了根据本发明的实施例的用于生成情景-资源耦合矩阵的一个示例；

图3B例示了根据本发明的实施例的用于生成情景-资源耦合矩阵的另一个示例；

图4是例示了根据本发明的实施例的资源排序结果随情景变化的示意图；

图5是例示了根据本发明的实施例的二次资源排序的效果示意图；

图6是例示了根据本发明的实施例的资源排序的示例性流程图；

图7是例示了根据本发明的实施例的二次资源排序的示例性流程图；

图8是示出可以实现根据本发明的实施例的计算设备的示例性配置图。

根据参照附图的以下描述，本发明的其它特性和优点将变得清晰。

具体实施方式

在下文中将参照附图来详细描述本发明的各种示例性实施例。为了清楚和简明起见，在本说明书中并未描述实施例的所有特征。然而应注意，在实现本发明的实施例时可以根据特定需求做出很多特定于实现方式的设置，以便实现开发人员的具体目标，例如，符合与系统设备及业务相关的限制条件，并且这些限制条件可能会随着实现方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是较复杂和费事的，但对得益于本发明的本领域技术人员来说，这种开发工作仅仅是例行的任务。

此外，还应注意，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与至少根据本发明的技术方案密切相关的处理步骤和/或设备配置，而省略了与本发明关系不大的其他细节。以下对于示例性实施例的描述仅仅是说明性的，不意在作为对本发明及其应用的任何限制。

为了方便解释本发明的技术方案，下面将在导学服务的背景下描述本发明的各个方面。但是应注意，本发明的应用场景不限于此。除了导学服务以外，本发明还可以应用于休闲阅读资源、影音资源等的推荐服务。

图1是例示了根据本发明的实施例的导学系统的示例性架构图。导学系统可以由例如教育云资源平台提供，以便向用户提供个性化的导学服务。

如图1中所示，导学系统可以包括存储了海量学习资源的导学资源库。导学资源库中存储的学习资源可以具有各种类型，例如阅读类资源、音视频类资源、习题资源等等。用于存储这些学习资源的技术包括各种数据库技术，例如关系型数据库或非关系数据库等等。此外，为了降低访问压力，导学资源库还可以采用分布式存储的方式。

用户使用终端设备来订制和接收各种学习资源。终端设备的示例包括智能手机、平板电脑、个人数字助理、个人计算机等等。优选地，用户可以使用诸如智能手机、平板电脑之类的便携式智能设备，从而能够随时随地享受导学服务。终端设备例如通过所安装的APP或借助于Web应用等来向平台请求导学服务。在一个示例中，用户可以利用关键字等来查找所需要的学习资源。在另一个示例中，导学系统可以基于当前的教学结果或测试结果来向用户推送学习资源。

导学系统从导学资源库中存储的海量学习资源中筛选出贴近用户需要的候选资源。尽管已经过筛选，这些候选资源的数量可能仍然是巨大的。导学系统可以主动地向用户推荐学习资源，按照先后顺序呈现一定数量的候选资源给用户选择。如图1中所示，导学系统可以对候选资源集应用资源排序服务，具有最高优先级的一个或多个候选资源可以被优先呈现给用户。

传统的导学系统所提供的推荐服务或排序服务通常与资源内容耦合，以向用户推荐就内容而言与用户的需要耦合得最紧密的一个或多个候选资源。但是就像上面所提到的，这种推荐方式并没有考虑个体用户的学习情景和学习习惯。

根据本发明的实施例的导学系统提供基于情景的资源排序服务，建立候选资源的优先级与用户所处的当前学习情景和/或用户行为特征的关联，从而在不同的情景下，对不同类型和特征的资源的排序结果发生适应性变化。

由于根据本发明的实施例的资源排序服务不与候选资源的内容发生耦合，所以能够兼容地叠加在传统的导学系统的推荐/排序算法(例如，基于内容或基于协同过滤的推荐，等等)上，实现情景相关的资源呈现，进一步改善推荐效果。当然，除了与传统的推荐服务结合使用，根据本发明的实施例的资源排序服务也可以单独使用。

下面参照图2来详细介绍根据本发明的实施例的用于提供资源排序服务的资源排序装置。

图2例示了根据本发明的实施例的资源排序装置100的示例性配置图。作为示例，资源排序装置100可以实现为服务器，并通过网络与用户的终端设备通信。

如图2中，资源排序装置100可以包括情景识别单元101。情景识别单元101被配置为识别用户所处的情景。情景识别单元101收集来自用户的终端设备的情景感知信息以实现情景识别。如本文中所使用的，与用户的使用情景有关的所有信息可以统称为“情景感知信息”。例如，情景感知信息可以包括但不限于当前的时间信息、日期信息、位置信息、运动信息、用户身份信息等等。用户的终端设备可以配备各种传感器，诸如GPS传感器、运动传感器等等，以获取相应的感知信息并报告给资源排序装置100。

情景识别单元101基于这些情景感知信息来识别情景。根据本发明的实施，可以利用一组情景特征来表示情景的不同维度。作为示例，情景特征包括但不限于时段T、场景S、位置P、运动状态Z以及其它特征中的一项或多项。对于每个情景特征，可以定义对应的多个取值。例如，“时段T”情景特征可以取值为“晨”、“午”、“晚”、“上课时”等，当然也可以按照24小时划分，情景识别单元101可以基于时间信息来确定时段T的取值。例如，“场景S”情景特征可以取值为“工作日”、“双休日”、“长假”等，情景识别单元101可以基于日期信息来确定场景S的取值。例如，“位置P”情景特征可以取值为“图书馆”、“地铁站”、“家里”等等，情景识别单元101可以基于终端设备的位置信息来确定位置P的取值。例如，“运动状态Z”可以取值为“静止”、“运动”等等，情景识别单元101可以基于终端设备的运动信息来确定运动状态Z的取值。应注意，上面例示的情景特征的种类和取值可以不受限制。

情景库104存储了各种情景特征的定义规则和取值。通过情景特征的各种组合，情景库104实际上定义了许多不同的情景。情景识别单元101通过来自用户的情景感知信息与情景库104中的情景特征数据相比较，识别出与用户的当前情景匹配的一组情景特征

ST＝{Ti，Sj，Pk，Zm…} (1)，

其中Ti、Sj、Pk、Zm分别表示各情景特征的具体取值。

资源排序装置100利用中心计算单元102来计算候选资源集中的各候选资源在当前情景下的优先级。根据本发明的实施例，中心计算单元102考虑了候选资源与当前情景之间的耦合度，即，某个候选资源在当前情景下的适合程度。

资源排序装置100中的情景-资源建模单元105可用于生成指示资源与情景特征之间的耦合度的情景-资源耦合矩阵。情景-资源建模单元105主要建立了不同情景特征下的资源的优先推荐规则。以周末和工作日的对比为例，工作日的日间，用户通常利用碎片时间来学习，在此情景下推荐资源以时长短、非计算的阅读类资源为主，而在空闲的周末，推荐资源可以推荐时长长的音视频类资源或需要计算的习题类资源。这些预定义的优先推荐规则可以通过资源和情景特征之间的耦合度的量化来实现。根据本发明的实施例，情景-资源建模单元105可以基于用户群体或个体用户对于特定资源类型的实际行为特征来定量统计耦合度。

虽然情景-资源建模单元105理论上可以计算每个候选资源与每个情景特征的各种取值之间的耦合度，但是候选资源的数量一般是极大的，这样会导致情景-资源耦合矩阵的计算负荷非常重。因此，根据本发明的实施例，资源排序装置100还可以包括分簇单元(未示出)，分簇单元基于资源的属性信息对候选资源集中的资源进行聚类或分类，以将候选资源集划分为有限数量的资源簇。

这种分簇处理依据资源的属性信息，诸如资源的资源媒体类型、资源操作类型、时长、来源、资源节点关系、关键词标签等等。在一个示例中，分簇单元可以从资源的元数据中获取资源属性信息。在冷启动时，分簇单元可以按照资源的固有属性信息进行聚类计算资源簇的均值。其中，时长根据资源类型不同，音视频类资源根据音频、视频的播放时长确定，阅读类资源根据字数估计阅读时长，习题类资源根据专家经验估计不同题型的完成时长并在系统运行获得用户行为数据后根据用户平均完成时长进行调整。

这里简单介绍按照资源的时长RT、资源操作类型ROT、资源媒体类型RMT等进行资源分簇的示例。按照预定义的分簇规则，分簇单元针对每项属性定义一系列的枚举属性值，如Enum(RT)＝{Tag_RT,1，Tag_RT,2，Tag_RT,3…}，其中Tag_RT,k表示资源时长RT的枚举值。其它属性类似。由此，资源簇Rp可以表示为Rp＝{Tag_RT,k，Tag_ROT,j，Tag_RMT,l…}。对于每个资源簇，其中的资源数量和稀疏程度与其枚举值的定义有关。分簇单元可以根据需要来动态调整资源的分簇方案。

基于分簇单元的分簇结果，情景-资源建模单元104可以以资源簇为单位来计算与情景特征的耦合度。

下面参照图3A和3B来简单介绍情景-资源建模单元104生成情景-资源耦合矩阵的两种示例性方法。

作为第一个示例，如图3A中所示，首先，候选资源集被划分为多个资源簇。

对于分簇所得到的资源簇R1～Rn，通过如下过程来获得情景-资源耦合矩阵U：

1)对于任意的资源簇Rj

a)对于第一个情景特征(例如，时段T)，计算该情景特征的所有取值的权重作为与资源簇Rj的耦合度值。例如，时段T可以取值“晨”、“午”、“上课时”、“晚”。可以统计在时段T的各个取值下用户群体对于属于资源簇Rj的资源的选择情况，并基于统计值来计算各个取值的权重。例如，如果用户群体在取值为“晚”的时段内选择资源簇Rj最多，则该取值可以获得最高的权重；相反，如果用户群体在取值为“午”的时段内选择资源簇Rj最少，则该取值可以获得最低的权重。在一个例子中，某个取值所获得的权重是在此时段内被选择的资源簇Rj的比率；

b)类似地，对于第二个情景特征(例如，场景S)，计算该情景特征的所有取值的权重。例如，可以统计在场景S的各个取值(例如，“工作日”、“双休日”、“长假”)下用户群体对于属于资源簇Rj的资源的选择情况，并基于统计值来计算各个取值的权重。在一个例子中，某个取值所获得的权重是在此场景下被选择的资源簇Rj的比率；

c)对于其它情景特征执行类似的权重计算。

2)对于下一个资源簇Rj+1，以与资源簇Rj相同的方式，计算每个情景特征的所有取值的权重；

3)由此，在所有的情景特征下所有资源簇的权重(耦合度)可以计算如下

则情景-资源耦合矩阵U可以表示为：

其中β_mn表示第n个资源簇对于第m个情景特征取值的权重(耦合度)。

作为第二个示例，如图3B中所示，同样地，首先候选资源集被划分为多个资源簇。

对于分簇所得到的资源簇R1～Rn，通过如下过程来获得情景-资源耦合矩阵U：

1)对于第一个情景特征(例如，时段T)

a)对于该情景特征的第一个取值，计算各个资源簇R1～Rn的权重(耦合度)。例如，对于时段T的取值“晨”，可以统计在取值为“晨”的时段T内用户群体对于属于资源簇R1～Rn的资源的选择情况，并基于统计值来计算各个资源簇的权重。例如，如果用户群体在取值为“晨”的时段内选择资源簇Rx最多，则资源簇Rx可以获得最高的权重；相反，如果用户群体在取值为“晨”的时段内选择资源簇Ry最少，则资源簇Ry可以获得最低的权重。在一个例子中，某个资源簇所获得的权重是在此时段内该资源簇被选择的比率；

b)类似地，对于该情景特征的第二个取值，计算各个资源簇R1～Rn的权重。例如，可以统计在取值为“午”的时段T内用户群体对于属于R1～Rn的资源的选择情况，并基于统计值来计算各个资源簇的权重。在一个例子中，某个资源簇所获得的权重是在此时段内该资源簇被选择的比率；；

c)对于情景特征的其它取值执行类似的权重计算。

2)类似地，对于下一个情景特征(例如，场景S)的所有取值(例如，“工作日”、“双休日”、“长假”)，计算各个资源簇R1～Rn的权重；

3)由此，包含所有的情景特征下所有资源簇的权重(耦合度)信息的情景-资源耦合矩阵U可以表示为：

其中β_mn表示第m个情景特征取值对于第n个资源簇的权重(耦合度)。

虽然上面参照图3A和3B描述了用于生成情景-资源耦合矩阵的两种生成方法，但是应理解还可以存在其它生成情景-资源耦合矩阵的方法。在资源排序服务冷启动时，β_mn的大小可以由系统按经验预定义，而在达到统计数据量后，则改为统计不同情景特征维度下的群体用户行为调整β_mn的大小。

现在回到图2。中心计算单元102从情景识别单元101接收情景识别结果，例如，与当前情景匹配的一组情景特征ST＝{Ti，Sj，Pk，Zm…}。中心计算单元102参考由情景-资源建模单元105生成的情景-资源耦合矩阵U，并获得与这组情景特征对应的耦合度矩阵，即，情景-资源耦合矩阵U中与情景特征取值Ti，Sj，Pk，Zm等对应的行。

对应任意一个候选资源或资源簇Rp，其与上述情景特征向量ST之间的耦合度向量可以表示为

U_p＝{β_1p，β_2p，β_3p，β_4p…} (3)，

其中如上所述，β_1p是情景-资源耦合矩阵的与情景特征取值Ti对应的行、与资源簇Rp对应的列的元素，β_2p是情景-资源耦合矩阵的与情景特征取值Sj对应的行、与资源簇Rp对应的列的元素，以此类推。

中心计算单元102对耦合度向量U_p进行运算以计算资源簇Rp在当前情景ST下的加权系数。在一个示例中，中心计算单元102可以计算耦合度向量U_p的模作为资源簇Rp的加权系数。

在另一个示例中，考虑到不同情景特征的影响不同，中心计算单元102可以定义情景特征的权重向量V_s:

V_s＝{α_T，α_S，α_P，α_Z…}，∑α_n＝1 (4)

则资源簇Rp在当前情景ST下的加权系数可以计算为：

β_p＝U_p*V_s ^T (5)。

中心计算单元102可以针对每个资源簇计算其加权系数，此加权系数代表了该资源簇在当前情景下的适合程度。

资源排序装置100还可以包括排序单元103，排序单元103可以利用由中心计算单元102计算的加权系数来对候选资源或资源簇进行排序。

上面所述的资源排序服务(这里称之为“一次资源排序”)可以与已知的推荐/排序服务结合使用。假设已知的推荐/排序服务已经获得了一个候选资源集R，并且确定了这个候选资源集R中的候选资源R1～Rn的优先级σ_i(i∈[1，n])。在此基础上，应用根据本发明的基于情景的资源排序服务，以对候选资源集R进行精排。

如上面所述的，中心计算单元102针对候选资源集R中的候选资源Ri计算在当前情景下的加权系数β_i，则对候选资源集R的精排结果可以表示为：

σ_i’＝β_i*σ_i (6)。

此外，如果候选资源集R中的资源数量较多，则资源排序装置100中的分簇单元可以首先对候选资源集R分簇。基于情景-资源建模单元105生成的情景-资源耦合矩阵，中心计算单元102计算候选资源集R的每个资源簇Rp在当前情景下的加权系数β_p，则对资源簇Rp的精排结果可以表示为：

σ_i’＝β_p*σ_i (7)。

基于中心计算单元102计算的加权系数σ_i ^’，排序单元103对候选资源集重新排序。被重新排序的候选资源集可以按照排序结果呈现至用户的终端设备上。通过应用根据本发明的基于情景的资源排序服务，重新排序的候选资源集充分考虑了用户的当前学习情景。

图4例示了根据本发明的实施例的上述资源排序的效果示意图。如图4中所示，在用户所处的情景变化时，通过情景识别和情景-资源建模，候选资源簇的优先级也发生变化，向用户展现的推荐结果也随之变化。

根据本发明的进一步的实施例，资源排序装置100还可以包括用户行为-资源建模单元106，其中用户行为-资源建模单元106通过用户行为分析来实现资源排序服务的个性化。

用户行为-资源建模单元106可以接收用户的终端设备采集的用户行为日志，并从中提取用户对于每个资源簇Rp的用户行为特征。例如，对于用户的每次学习，用户行为-资源建模单元106提取在此情景下用户学习时长、用户停留时间、资源完成度、用户评价等用户行为特征。这些用户行为特征一定程度上代表了在那个学习情景下对该学习资源的推荐满意度。用户学习时长来源于用户行为日志，用户行为-资源建模单元106可以计算在每日不同时间段的连续有操作时长的学习行为的平均值，并将此平均值根据预定义的规则分为若干级别。用户资源完成度来源于用户行为日志，用户行为-资源建模单元106计算对各种资源类型的学习完成度的平均值，并将此平均值根据预定义的规则分为若干级别。在用户行为-资源建模单元106分析取数时，数据分析池中的数据采用“最近权重最大”原则，即，按照导学系统预定的时间长度参数K，对每K单元长度时间内的数据，越早期的数据，进入分析池的数据比例越少。

用户行为-资源建模单元106还可以计算用户群体的用户行为特征，例如，通过将所提取的用户学习时长、用户停留时间、资源完成度、用户评价针对所有用户或部分用户进行平均，所获得的平均值可以看作用户群体的平均行为特征。

对于每个资源簇，用户行为-资源建模单元106将特定用户的行为特征与用户群体的行为特征进行比较。当特定用户的行为特征与群体行为特征之间的差异高于预定阈值时，可以认为该用户对于这个资源簇有不同的倾向。例如，假设对于资源簇Rp＝{Tag_RT,k，Tag_ROT,j，Tag_RMT,l…}，用户的平均学习时长明显高于用户群体的平均学习时长(例如高于某个阈值)，可以认为在那个场景下用户偏好这个资源簇。反之，如果用户的学习完成度明显小于用户群体的平均学习完成度(例如低于某个阈值)，可以认为在那个场景下用户厌烦这个资源簇。

基于用户行为-资源建模单元106所执行的用户行为分析，中心计算单元102可以对用户的行为特征与群体行为特征有较大差异的资源簇的加权系数进行修正。在一个示例中，对于资源簇Rp，中心计算单元102可以基于用户的行为特征与群体行为特征的差异幅度来产生修改系数k_p，则其加权系数被修正为：k_pβ_p。这相对于实现了二次资源排序。

当根据本发明的实施例的资源排序服务与已知的推荐/排序服务结合使用时，对资源簇Rp的精排结果可以表示为：

σ_i’＝k_pβ_p*σ_i (8)，

其中，σ_i是由已知的非基于情景的推荐/排序服务获得的资源簇Rp的优先级。

排序单元103可以利用各个资源簇的经修正的加权系数σ_i’来对候选资源集进行排序。这个过程可以是看作是二次资源排序。

图5例示了根据本发明的实施例的二次资源排序的效果示意图。图5的左边图片是经过一次资源排序的结果，右边图片是经过二次资源排序的结果。从图5的两幅图中圈出的细节可以看出，通过利用用户行为特征来实现个性化，符合用户喜好的候选资源的优先级提升。因此，根据本发明的实施例的二次资源排序能够很好地考虑用户习惯，进一步改善用户体验。

下面参照图6和图7来描述根据本发明的实施例的资源排序方法。

图6是根据本发明的实施例的一次资源排序的示例性流程图。如图6中所示，在步骤S401中，基于诸如时间、日期、运动状态、位置之类的情景感知信息，识别与用户所处的当前情景。当前情景可以由从情景感知信息提取的一组情景特征表示。

在步骤S402中，基于候选资源集中的候选资源与当前情景的情景特征之间的耦合度来计算候选资源在当前情景下的加权系数。在一个示例中，可以在步骤S402之前执行候选资源集的分簇处理，以资源簇为单位来实现情景-资源耦合矩阵的生成和加权系数的计算，从而降低计算量。

在步骤S403中，利用所计算的候选资源的加权系数来对候选资源集进行排序。

图7是根据本发明的实施例的二次资源排序的示例性流程图。图7中的二次资源排序可以作为图6中的一次资源排序的后续步骤。

如图7中所示，在步骤S601，提取用户对于资源簇的用户行为特征，诸如资源完成度、资源使用时长、用户停留时长、用户评价等等。

在步骤S602中，基于所提取的用户行为特征来修正资源簇的加权系数。在一个示例中，可以统计特定用户的用户行为特征和用户群体的用户行为特征之间的偏差来调整资源簇的加权系数的修正系数。

然后，在S603中，基于经过修正的加权系数来对候选资源集进行排序。

如上面所解释的，根据本发明的基于情景的资源排序方法不与资源内容发生耦合，可以兼容地应用于现有的资源推荐/排序方法上，以改善推荐效果。

下面参照图8描述可以用于实现根据本发明的实施例的资源排序装置的示例性硬件配置。资源排序装置可以实现为计算设备800。计算设备800可以是被配置为执行处理和/或计算的任何机器。计算设备800可以包括但不限于工作站、服务器。

如图8所示，计算设备800可以包括可能经由一个或多个接口与总线820连接或通信的一个或多个元件。总线802可以包括但不限于，工业标准架构(Industry StandardArchitecture，ISA)总线、微通道架构(Micro Channel Architecture，MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备800可以包括例如一个或多个处理器804、一个或多个输入设备806、以及一个或多个输出设备808。一个或多个处理器804可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。输入设备806可以是能够向计算设备输入信息的任何类型的输入设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备808可以是能够呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。

计算设备800还可以包括或被连接至非暂态存储设备814，该非暂态存储设备814可以是任何非暂态的并且可以实现数据存储的存储设备，其中可以存储可执行计算机指令，这些可执行计算机指令当被运行时使得处理器804执行上面参照图6、7描述的资源排序方法。非暂态存储设备814并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备800还可以包括随机存取存储器(RAM)810和只读存储器(ROM)812。ROM812可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 810可提供易失性数据存储，并存储与计算设备800的操作相关的指令。计算设备800还可包括耦接至数据链路818的网络/总线接口816。网络/总线接口816可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙^TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。

应当理解，上述实施例中描述的资源排序装置100的各个单元仅是根据其所实现的具体功能划分的逻辑模块，而不是用于限制具体的实现方式。在实际实现时，上述各单元可被实现为独立的物理实体，或者也可以由单个实体(例如，处理器(CPU或DSP等)、集成电路等)来实现。

可单独地或以任何组合方式来使用前述实施方案的各个方面、实施方案、具体实施或特征。可由软件、硬件或硬件与软件的组合来实现前述实施方案的各个方面。

例如，前述实施方案可体现为计算机可读介质上的计算机可读代码。计算机可读介质为可存储数据的任何数据存储设备，所述数据其后可由计算机系统读取。计算机可读介质的示例包括只读存储器、随机存取存储器、CD-ROM、DVD、磁带、硬盘驱动器、固态驱动器和光学数据存储设备。计算机可读介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。

例如，前述实施方案可采用硬件电路的形式。硬件电路可以包括组合式逻辑电路、时钟存储设备(诸如软盘、触发器、锁存器等)、有限状态机、诸如静态随机存取存储器或嵌入式动态随机存取存储器的存储器、定制设计电路、可编程逻辑阵列等的任意组合。

在一个实施方案中，可以通过用诸如Verilog或VHDL的硬件描述语言(HDL)编码电路描述来实现根据本公开的硬件电路。可以针对给定集成电路制造技术设计的单元库合成HDL描述，并可以出于定时、功率和其他原因修改，以获得最终的设计数据库，可以将最终的设计数据库传输到工厂以通过半导体制造系统生产集成电路。半导体制造系统可通过(例如在可包括掩膜的晶片上)沉积半导体材料、移除材料、改变所沉积材料的形状、(例如通过掺杂材料或利用紫外处理修改介电常数)对材料改性等等来生产集成电路。集成电路可以包括晶体管并还可以包括其他电路元件(例如，诸如电容器、电阻器、电感器等无源元件)以及晶体管和电路元件之间的互连。一些实施方案可以实现耦接在一起的多个集成电路，以实现硬件电路，和/或可以在一些实施方案中使用离散元件。

虽然已通过示例详细展示了本发明的一些具体实施例，但是本领域技术人员应当理解，上述示例仅意图是说明性的而不限制本发明的范围。本领域技术人员应该理解，上述实施例可以在不脱离本发明的范围和实质的情况下被修改。本发明的范围是通过所附的权利要求限定的。

Claims (21)

1.一种基于情景的资源排序装置，其特征在于，包括：

情景识别单元，被配置为基于情景感知信息，识别与用户的当前情景匹配的一组情景特征；

中心计算单元，被配置为基于候选资源集中的候选资源与所述一组情景特征中的情景特征之间的耦合度来计算候选资源在当前情景下的加权系数；以及

排序单元，被配置为利用所述加权系数来对所述候选资源集进行排序。

2.如权利要求1所述的资源排序装置，其特征在于

所述中心计算单元还被配置为基于所述用户的用户行为特征来修正候选资源的加权系数。

3.如权利要求1或2所述的资源排序装置，其特征在于还包括：

分簇单元，被配置为基于候选资源集中的候选资源的属性信息，将所述候选资源集分为多个资源簇，

其中所述中心计算单元被配置为计算所述多个资源簇中的每个资源簇在当前情景下的加权系数。

4.如权利要求3所述的资源排序装置，其特征在于，所述属性信息包括候选资源的资源媒体类型、资源操作类型、时长中的至少一项。

5.如权利要求1所述的资源排序装置，其特征在于，所述情景特征包括时段、场景、位置、运动状态中的至少一项。

6.如权利要求1或2所述的资源排序装置，其特征在于还包括：

情景-资源建模单元，被配置为计算候选资源与情景特征之间的耦合度。

7.如权利要求3所述的资源排序装置，其特征在于还包括：

用户行为-资源建模单元，被配置为提取用户对于特定资源簇的用户行为特征，

其中用户行为特征包括用户完成度、用户停留时长、用户评价中的至少一项。

8.如权利要求2所述的资源排序装置，其特征在于，

所述中心计算单元基于在当前情景下所述用户的行为特征与群体行为特征之间的差异来修正每个资源簇的加权系数。

9.如权利要求1所述的资源排序装置，其特征在于，

所述排序单元利用所述加权系数来精排由另一推荐系统对于所述候选资源集的推荐结果。

10.一种基于情景的资源排序方法，其特征在于，包括：

基于情景感知信息，识别与用户的当前情景匹配的一组情景特征；

基于候选资源集中的候选资源与所述一组情景特征中的情景特征之间的耦合度来计算候选资源在当前情景下的加权系数；以及

利用所述加权系数来对所述候选资源集进行排序。

11.如权利要求10所述的资源排序方法，其特征在于还包括

基于所述用户的用户行为特征来修正候选资源的加权系数。

12.如权利要求10或1所述的资源排序方法，其特征在于还包括：

基于候选资源集中的候选资源的属性信息，将所述候选资源集分为多个资源簇；

计算所述多个资源簇中的每个资源簇在当前情景下的加权系数。

13.如权利要求12所述的资源排序方法，其特征在于，所述属性信息包括候选资源的资源媒体类型、资源操作类型、时长中的至少一项。

14.如权利要求10所述的资源排序方法，其特征在于，所述情景特征包括时段、场景、位置、运动状态中的至少一项。

15.如权利要求10或11所述的资源排序方法，其特征在于还包括计算所述候选资源集中的候选资源与情景特征之间的耦合度。

16.如权利要求12所述的资源排序方法，其特征在于还包括提取用户对于特定资源簇的用户行为特征，

其中用户行为特征包括用户完成度、用户停留时长、用户评价中的至少一项。

17.如权利要求11所述的资源排序方法，其特征在于，基于在当前情景下所述用户的行为特征与群体行为特征之间的差异来修正每个资源簇的加权系数。

18.如权利要求10所述的资源排序方法，其特征在于，利用所述加权系数来精排由另一推荐系统对于所述候选资源集的推荐结果。

19.一种计算机系统，包括：

一个或更多个处理器；以及

一个或更多个存储器，被配置为存储计算机可执行指令，

其中所述计算机可执行指令在由所述一个或更多个处理器运行时使得所述一个或更多个处理器执行根据权利要求10-18中的任一项所述的方法。

20.一种非暂态的计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在由一个或更多个处理器运行时使得所述一个或更多个处理器执行根据权利要求10-18中的任一项所述的方法。

21.一种用于资源排序的系统，包括用于执行根据权利要求10-18中的任一项所述的方法的步骤的部件。