CN109726664A - 一种智能表盘推荐方法、系统、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种智能表盘推荐方法、系统、设备及存储介质，首先通过结合智能表盘的图像和文字识别表盘并获得表盘的用户行为历史记录信息，然后，基于不同类型的用户行为历史记录信息生成不同类型的第一表盘用户行为序列，根据不同类型的第一表盘用户行为序列得到每个用户对最终目标行为的预测概率p(I)，并根据预测概率p(I)向用户推荐所述智能表盘，解决了现有技术中用户单一的下载历史行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

Description

一种智能表盘推荐方法、系统、设备及存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种智能表盘推荐方法、系统、设备及存储介质。

背景技术

随着智能化的普及，市场上出现了智能手表，用户可以选择下载安装表盘，并且用户下载表盘后在手表上可以切换不同的表盘图像作为手表壁纸，如果不喜欢，用户可以随时删除该表盘或更换表盘图像。若在用户挑选表盘或表盘图像的过程中加入推荐服务，为用户推荐符合用户喜好的壁纸，则可以大大节省用户的挑选时间。

传统的表盘推荐服务主要是，单一地根据用户的下载历史行为，为该用户推荐与之前使用过的表盘相似的表盘。由于与用户下载行为相关的用户交互行为还有很多，例如，点击查看行为、删除行为、收藏行为等，也与用户的兴趣密切相关，仅仅是单纯地基于用户下载历史行为记录来为用户选择推荐的表盘，推荐效果不佳，降低了用户体验。

发明内容

本发明实施例的目的在于提供一种智能表盘推荐方法、系统、设备及存储介质，用以解决现有表盘推荐服务由于单一地根据用户的下载历史行为为用户选择推荐的表盘导致推荐效果不佳的问题。

为实现上述目的，本发明实施例提供了一种智能表盘推荐方法，所述推荐方法包括：基于智能表盘的图像生成表盘图片向量E1；基于智能表盘的文字描述生成表盘文字描述向量E2；将所述表盘图片向量E1和所述表盘文字描述向量E2输入第一自注意力模型，生成最终向量EX，其中，自注意力模型(Self-Attention Model)是基于注意力模型(Attention Model)的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性；基于最终向量EX得到所述智能表盘的每个用户的若干用户行为历史记录信息；根据每个用户的若干用户行为历史记录信息生成若干第一表盘用户行为序列；将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型，生成每个用户对最终目标行为的预测概率p(I)；及根据所述预测概率p(I)向用户推荐所述智能表盘。

进一步地，所述行为预测训练模型基于每个用户的若干所述第一表盘用户行为序列生成每个用户对最终目标行为的预测概率p(I)的方法包括：将每个用户的若干所述第一表盘用户行为序列使用第一长短期记忆网络进行建模，生成每个用户的若干第二表盘用户行为序列，其中，长短期记忆网络(Long Short-Term Memory，LSTM)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件；基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX；及将所述多维度向量FX通过一个全连接softmax层，生成每个用户对最终目标行为的预测概率p(I)。

进一步地，在将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型之前，所述推荐方法还包括：对每个用户的若干第一表盘用户行为序列进行预处理，其包括：对若干第一表盘用户行为序列按照时间进行排序；及过滤掉行为数小于一定数量的第一表盘用户行为序列。

进一步地，所述行为预测训练模型利用已知用户的目标行为发生时间点t之前的所述用户的若干所述第一表盘用户行为序列进行训练并通过随机梯度下降算法对整个行为预测训练模型进行更新，其中，随机梯度下降算法，是为了解决深度学习中多元目标函数的最优值问题，已经有很多该算法的变种算法，随机梯度下降算法通常有三种不同的应用方式，本发明实施例中使用SGD算法，SGD算法(stochastic gradient descent algorithm)是最基本的随机梯度下降算法，它是指每次参数更新只使用一个样本。

进一步地，所述基于电子表盘的图像生成表盘图片向量E1包括：通过预训练单元识别所述电子表盘图像的信息；及利用所述电子表盘图像的识别信息通过卷积神经网络生成表盘图片向量E1。

进一步地，所述基于电子表盘的文字描述通过第二长短期记忆网络建模生成表盘文字描述向量E2。

优选地，所述第一表盘用户行为序列根据行为的类型分为：点击查看行为序列、下载行为序列和收藏行为序列。

本发明实施例还提供的一种智能表盘推荐系统，所述推荐系统包括：表盘图片向量生成模块，用于基于智能表盘的图像生成表盘图片向量E1；表盘文字描述向量生成模块，用于基于智能表盘的文字描述生成表盘文字描述向量E2；最终向量生成模块，用于通过第一自注意力模型对所述表盘图片向量E1和所述表盘文字描述向量E2进行处理并生成最终向量EX；第一表盘用户行为序列生成模块，用于基于最终向量EX从智能表盘用户行为历史记录模块得到所述智能表盘的每个用户的若干用户行为历史记录信息；并根据每个用户的若干相关用户行为历史记录信息生成若干第一表盘用户行为序列；智能表盘用户行为历史记录模块，用来记录并存储每个用户的智能表盘用户行为历史；最终目标行为概率预测模块，用于利用行为预测训练模型对每个用户的若干所述第一表盘用户行为序列进行处理，并生成每个用户对最终目标行为的预测概率p(I)；及智能表盘推送模块，用于根据所述预测概率p(I)向用户推荐所述智能表盘。

进一步地，所述行为预测训练模型包括：第二表盘用户行为序列生成单元，用于将每个用户的若干所述第一表盘用户行为序列使用第一长短期记忆网络进行建模，生成每个用户的若干第二表盘用户行为序列；多维度向量生成单元，用于基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX；及最终目标行为预测概率输出单元，将所述多维度向量FX通过一个全连接softmax层，生成每个用户对最终目标行为的预测概率p(I)。

进一步地，所述推荐系统还包括：预处理模块，用于在将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型之前，对每个用户的若干第一表盘用户行为序列进行预处理；其中，所述预处理模块包括：排序单元，用于对若干第一表盘用户行为序列按照时间进行排序；及过滤单元，用于过滤掉行为数小于一定数量的第一表盘用户行为序列。

本发明实施例的另外一方面，还提供了一种计算机设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的推荐方法。

本发明实施例的另外一方面，还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令用于执行如上述的推荐方法。

本发明实施例具有如下优点：

本发明实施例首先通过结合智能表盘的图像和文字识别表盘并获得表盘的用户行为历史记录信息，然后，基于不同类型的用户行为历史记录信息生成不同类型的第一表盘用户行为序列，根据不同类型的第一表盘用户行为序列得到每个用户对最终目标行为的预测概率p(I)，并根据预测概率p(I)向用户推荐所述智能表盘，解决了现有技术中用户单一的下载历史行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的一种智能表盘推荐系统的一个实施例的逻辑结构示意图。

图2为本发明实施例提供的一种智能表盘推荐系统的另一个实施例的逻辑结构示意图。

图3为本发明实施例提供的一种智能表盘推荐方法的一个实施例的流程示意图。

图4为本发明实施例提供的行为预测训练模型基于每个用户的若干所述第一表盘用户行为序列生成每个用户对最终目标行为的预测概率p(I)的流程示意图。

图5为本发明实施例提供的一种智能表盘推荐方法的另一个实施例的流程示意图。

1-表盘图片向量生成模块、11-预训练单元、12-卷积神经网络、2-表盘文字描述向量生成模块、21-第二长短期记忆网络、3-最终向量生成模块、31-第一自注意力模型、4-第一表盘用户行为序列生成模块、5-智能表盘用户行为历史记录模块、6-最终目标行为概率预测模块、61-行为预测训练模型、611-第二表盘用户行为序列生成单元、6111-第一长短期记忆网络、612-多维度向量生成单元、6121-第二自注意力模型、613-最终目标行为预测概率输出单元、6131-全连接softmax层、7-智能表盘推送模块、8-预处理模块、81-排序单元、82-过滤单元。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例

参考图1，本发明实施例提出的一种智能表盘推荐系统包括：表盘图片向量生成模块1、表盘文字描述向量生成模块2、最终向量生成模块3、第一表盘用户行为序列生成模块4、智能表盘用户行为历史记录模块5、最终目标行为概率预测模块6及智能表盘推送模块7。其中，表盘图片向量生成模块1用于基于智能表盘的图像生成表盘图片向量E1；表盘文字描述向量生成模块2用于基于智能表盘的文字描述生成表盘文字描述向量E2；最终向量生成模块3用于通过第一自注意力模型31对所述表盘图片向量E1和所述表盘文字描述向量E2进行处理并生成最终向量EX，本发明实施例中，利用第一自注意力模型31独立的提取表盘两个维度的信息，并将各个维度信息进行联合；第一表盘用户行为序列生成模块4用于基于最终向量EX从智能表盘用户行为历史记录模块5得到智能表盘的每个用户的若干用户行为历史记录信息；并根据每个用户的若干相关用户行为历史记录信息生成若干第一表盘用户行为序列；智能表盘用户行为历史记录模块5用来记录并存储每个用户的智能表盘用户行为历史；最终目标行为概率预测模块6用于利用行为预测训练模型61对每个用户的若干第一表盘用户行为序列进行处理，并生成每个用户对最终目标行为的预测概率p(I)；及智能表盘推送模块7用于根据所述预测概率p(I)向用户推荐所述智能表盘。

进一步地，参考图1，所述本发明实施例中公开的行为预测训练模型61包括：第二表盘用户行为序列生成单元611、多维度向量生成单元612和最终目标行为预测概率输出单元613。第二表盘用户行为序列生成单元611用于将每个用户的若干第一表盘用户行为序列使用第一长短期记忆网络6111进行建模，生成每个用户的若干第二表盘用户行为序列；多维度向量生成单元612用于基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型6121将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX；及最终目标行为预测概率输出单元613，将多维度向量FX通过一个全连接softmax层6131，生成每个用户对最终目标行为的预测概率p(I)，。

参考图3，本发明实施例提出的一种智能表盘推荐方法包括：表盘图片向量生成模块1基于智能表盘的图像生成表盘图片向量E1并发送至最终向量生成模块3；表盘文字描述向量生成模块2基于智能表盘的文字描述生成表盘文字描述向量E2并发送至最终向量生成模块3；最终向量生成模块3将表盘图片向量E1和表盘文字描述向量E2输入第一自注意力模型31，生成最终向量EX并发送至第一表盘用户行为序列生成模块4，本发明实施例中，利用第一自注意力模型31独立的提取表盘两个维度的信息，并将各个维度信息进行联合；第一表盘用户行为序列生成模块4基于最终向量EX从智能表盘用户行为历史记录模块5得到智能表盘的每个用户的若干用户行为历史记录信息；并根据每个用户的若干用户行为历史记录信息生成若干第一表盘用户行为序列并发送至最终目标行为概率预测模块6；最终目标行为概率预测模块6将每个用户的若干第一表盘用户行为序列输入行为预测训练模型61，生成每个用户对最终目标行为的预测概率p(I)并发送至智能表盘推送模块7；及智能表盘推送模块7根据所述预测概率p(I)向用户推荐智能表盘。

进一步地，表盘图片向量生成模块1基于电子表盘的图像生成表盘图片向量E1包括：通过预训练单元11识别电子表盘图像的信息；及利用电子表盘图像的识别信息通过卷积神经网络12生成表盘图片向量E1，其中，卷积神经网络(Convolutional NeuralNetworks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks)，是深度学习(deep learning)的代表算法之一。表盘文字描述向量生成模块2基于电子表盘的文字描述通过第二长短期记忆网络21建模生成表盘文字描述向量E2。

优选地，本发明实施例中公开的第一表盘用户行为序列根据行为的类型分为：点击查看行为序列、下载行为序列和收藏行为序列，分别记为D、W和C。进一步地，参考图4，行为预测训练模型61基于每个用户的若干第一表盘用户行为序列生成每个用户对最终目标行为的预测概率p(I)的方法包括：第二表盘用户行为序列生成单元611将每个用户的若干第一表盘用户行为序列使用第一长短期记忆网络6111进行建模，生成每个用户的若干第二表盘用户行为序列并发送至多维度向量生成单元612，第二表盘用户行为序列根据行为的类型也分为：点击查看行为序列、下载行为序列和收藏行为序列，分别记为：N(D)、N(C)和N(W)；多维度向量生成单元612基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型6121将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX并发送至最终目标行为预测概率输出单元613；及最终目标行为预测概率输出单元613将多维度向量FX通过一个全连接softmax层6131，生成每个用户对最终目标行为的预测概率p(I)。

进一步地，本发明实施例中，行为预测训练模型利用已知用户的目标行为发生时间点t之前的用户的若干第一表盘用户行为序列进行训练并通过随机梯度下降算法对整个行为预测训练模型进行更新。例如，以下载为主要表盘用户行为序列进行模型训练，目标是预测用户在某个时间点下载某款表盘的概率，假设用户U在某个时间点t，下载了表盘I，在t之前用户的点击查看行为序列是D(U)、收藏行为序列是C(U)、下载行为序列是W(U)，利用t之前的第一表盘用户行为序列进行训练。

本发明实施例首先通过结合智能表盘的图像和文字识别表盘并获得表盘的用户行为历史记录信息，然后，基于不同类型的用户行为历史记录信息生成不同类型的第一表盘用户行为序列，根据不同类型的第一表盘用户行为序列得到每个用户对最终目标行为的预测概率p(I)，并根据预测概率p(I)向用户推荐所述智能表盘，解决了现有技术中用户单一的下载历史行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

另外，参考图2，本发明实施例提出的一种智能表盘推荐系统还包括：预处理模块8，预处理模块8用于在将每个用户的若干第一表盘用户行为序列输入行为预测训练模型之前，对每个用户的若干第一表盘用户行为序列进行预处理；进一步地，预处理模块8包括：排序单元81和过滤单元82，排序单元81用于对若干第一表盘用户行为序列按照时间进行排序；及过滤单元82用于过滤掉行为数小于一定数量的第一表盘用户行为序列。

参考图5，本发明实施例公开的一种智能表盘推荐方法，在将每个用户的若干第一表盘用户行为序列输入行为预测训练模型之前，还包括：预处理模块8对每个用户的若干第一表盘用户行为序列进行预处理，其包括：排序单元81对若干第一表盘用户行为序列按照时间进行排序；及过滤单元82过滤掉行为数小于一定数量的第一表盘用户行为序列。

本发明实施例在将每个用户的若干第一表盘用户行为序列输入行为预测训练模型61之前，先对若干第一表盘用户行为序列按照时间进行排序，并过滤掉行为数小于一定数量的第一表盘用户行为序列，这样，减轻了最终目标行为概率预测模块6及行为预测训练模型61的运算负担，能快速地获得每个用户对最终目标行为的预测概率p(I)，大大提高了推荐效率，进一步优化了推荐效果，提高了用户体验。

另外，本发明实施例提出的一种计算机设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的推荐方法。

另外，本发明实施例提出的一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令用于执行如上所述的方法。

在本发明的实施例中，各个模块或系统可以是由计算机程序指令形成的处理器，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable GateArray，简称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发明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。结合本发明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。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。

易失性存储器可以是随机存取存储器(RandomAccess Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种智能表盘推荐方法，其特征在于，所述推荐方法包括：

基于智能表盘的图像生成表盘图片向量E1；

基于智能表盘的文字描述生成表盘文字描述向量E2；

将所述表盘图片向量E1和所述表盘文字描述向量E2输入第一自注意力模型，生成最终向量EX；

基于最终向量EX得到所述智能表盘的每个用户的若干用户行为历史记录信息；

根据每个用户的若干用户行为历史记录信息生成若干第一表盘用户行为序列；

将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型，生成每个用户对最终目标行为的预测概率p(I)；及

根据所述预测概率p(I)向用户推荐所述智能表盘。

2.如权利要求1所述的推荐方法，其特征在于，所述行为预测训练模型基于每个用户的若干所述第一表盘用户行为序列生成每个用户对最终目标行为的预测概率p(I)的方法包括：

将每个用户的若干所述第一表盘用户行为序列使用第一长短期记忆网络进行建模，生成每个用户的若干第二表盘用户行为序列；

基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX；及

将所述多维度向量FX通过一个全连接softmax层，生成每个用户对最终目标行为的预测概率p(I)。

3.如权利要求1所述的推荐方法，其特征在于，在将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型之前，所述推荐方法还包括：对每个用户的若干第一表盘用户行为序列进行预处理，其包括：

对若干第一表盘用户行为序列按照时间进行排序；及

过滤掉行为数小于一定数量的第一表盘用户行为序列。

4.如权利要求1所述的推荐方法，其特征在于，所述行为预测训练模型利用已知用户的目标行为发生时间点t之前的所述用户的若干所述第一表盘用户行为序列进行训练并通过随机梯度下降算法对整个行为预测训练模型进行更新。

5.如权利要求1至4中任一项所述的推荐方法，其特征在于，所述第一表盘用户行为序列根据行为的类型分为：点击查看行为序列、下载行为序列和收藏行为序列。

6.一种智能表盘推荐系统，其特征在于，所述推荐系统包括：

表盘图片向量生成模块，用于基于智能表盘的图像生成表盘图片向量E1；

表盘文字描述向量生成模块，用于基于智能表盘的文字描述生成表盘文字描述向量E2；

最终向量生成模块，用于通过第一自注意力模型对所述表盘图片向量E1和所述表盘文字描述向量E2进行处理并生成最终向量EX；

第一表盘用户行为序列生成模块，用于基于最终向量EX从智能表盘用户行为历史记录模块得到所述智能表盘的每个用户的若干用户行为历史记录信息；并根据每个用户的若干相关用户行为历史记录信息生成若干第一表盘用户行为序列；

智能表盘用户行为历史记录模块，用来记录并存储每个用户的智能表盘用户行为历史；

最终目标行为概率预测模块，用于利用行为预测训练模型对每个用户的若干所述第一表盘用户行为序列进行处理，并生成每个用户对最终目标行为的预测概率p(I)；及

智能表盘推送模块，用于根据所述预测概率p(I)向用户推荐所述智能表盘。

7.如权利要求6所述的推荐系统，其特征在于，所述行为预测训练模型包括：

第二表盘用户行为序列生成单元，用于将每个用户的若干所述第一表盘用户行为序列使用第一长短期记忆网络进行建模，生成每个用户的若干第二表盘用户行为序列；

多维度向量生成单元，用于基于每个用户的若干第二表盘用户行为序列，在每个第二表盘用户行为序列进行建模，通过第二自注意力模型将各个第二表盘用户行为序列进行关联，生成一个多维度向量FX；及

最终目标行为预测概率输出单元，将所述多维度向量FX通过一个全连接softmax层，生成每个用户对最终目标行为的预测概率p(I)。

8.如权利要求6所述的推荐系统，其特征在于，所述推荐系统还包括：

预处理模块，用于在将每个用户的若干所述第一表盘用户行为序列输入行为预测训练模型之前，对每个用户的若干第一表盘用户行为序列进行预处理；

其中，所述预处理模块包括：

排序单元，用于对若干第一表盘用户行为序列按照时间进行排序；及

过滤单元，用于过滤掉行为数小于一定数量的第一表盘用户行为序列。

9.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的推荐方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令用于执行如权利要求1至5中任一项所述的推荐方法。