CN109840820A - 一种确定用户对对象类型偏好度的方法和装置 - Google Patents

Abstract

本发明公开了一种确定用户对对象类型偏好度的方法和装置，涉及通信技术领域。该方法的一具体实施方式包括：获取样本信息；其中，样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；对各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；获取待查用户属性，依据待查用户属性在偏好度表中进行查询，确定与待查用户属性相关联的对象类型以及相应的偏好度。该实施方式通过用户属性对各对象类型的偏好来优化推荐产品排序，实现了对象类型的个性化推荐方法，满足了用户的偏好，提高了用户获取商品信息的效率。

Description

一种确定用户对对象类型偏好度的方法和装置

技术领域

本发明涉及通讯技术领域，尤其涉及一种确定用户对对象类型偏好度的方法和装置。

背景技术

随着网络技术的快速发展，人们能够从网络上获取的信息越来越多，也越来越习惯利用这些信息来协助自己完成各项工作和生活事项。例如，用户在外出就餐前，经常会在网上查询餐馆和菜品，来决定去哪里就餐。

为满足用户的上述需求，在一些服务性平台中，往往需要去计算用户对商品品类的偏好度，以根据该偏好度实现向用户推荐商品或者商家的功能。

现有技术通常依据评价指标的相对优劣来对商品品类进行排序，再结合用户对各商品品类的权重配置，计算得到各商品品类在各用户属性下的综合得分，以此确定各用户属性对商品品类的偏好度。

作为一种可替代实施例，还可以设定有关商品品类/标签、用户属性/标签的标签体系，通过预定模型(例如隐语义模型)转换确定用户属性—商品品类的对应关系，对同一品类的商品求和得到各用户属性对各商品品类的偏好度。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

(1)基于主观的偏好计算方式，各评价指标的相对优劣排序、权重配置等都是通过人为完成的，导致所得到的结果更接近主观排序，而非客观事实，因此，推荐给用户的商品品类可能不符用户实际需求。

(2)基于标签的偏好计算方式，需要预先建立一套数据完整、相对完善的标签体系，因而，前期工作量较大，对于企业，所需要投入的人力成本较多。

发明内容

有鉴于此，本发明实施例提供一种确定用户对对象类型偏好度的方法和装置，至少能够解决现有技术排序结果不符客观事实、成本消耗大的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种确定用户对对象类型偏好度的方法，包括：获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

可选地，所述对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表包括：以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率；以对象类型为基准，对各用户属性在同一对象类型下的所述第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率；确定所述各用户属性在各对象类型下的第二选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

可选地，所述对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表包括：以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率；以用户属性为基准，对同一用户属性在各对象类型下的所述第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率；确定所述各用户属性在各对象类型下的第四选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

可选地，所述确定各用户属性在各对象类型下的偏好度包括：

根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,n；j＝1,2,...,m)

确定各用户属性在各对象类型下的偏好度；其中，n为用户属性的数量，m为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度。

可选地，在所述获取样本信息之后，还包括：对所述样本信息进行去重处理，以去除同一用户对同一对象类型的重复选择操作。

为实现上述目的，根据本发明实施例的另一方面，提供了一种确定用户对对象类型偏好度的装置，包括：获取模块，用于获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；计算模块，用于对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；确定模块，用于获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

可选地，所述计算模块还用于：以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率；以对象类型为基准，对各用户属性在同一对象类型下的所述第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率；确定所述各用户属性在各对象类型下的第二选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

可选地，所述计算模块还用于：以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率；以用户属性为基准，对同一用户属性在各对象类型下的所述第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率；确定所述各用户属性在各对象类型下的第四选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

可选地，所述计算模块，还用于根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,n；j＝1,2,...,m)

确定各用户属性在各对象类型下的偏好度；其中，n为用户属性的数量，m为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度。

可选地，本发明实施例装置还包括去重模块，用于对所述样本信息进行去重处理，以去除同一用户对同一对象类型的重复选择操作。

为实现上述目的，根据本发明实施例的再一方面，提供了一种确定用户对对象类型偏好度的电子设备。

本发明实施例的电子设备包括：一个或多个处理器；存储装置，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上述任一所述的确定用户对对象类型偏好度的方法。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述任一所述的确定用户对对象类型偏好度的方法。

根据本发明所述提供的方案，上述发明中的一个实施例具有如下优点或有益效果：通过用户属性对不同对象类型的偏好来优化推荐产品排序，进而依据用户账号中的待查用户属性，确定相应的对象类型以及偏好度，以供用户筛选。上述实施例实现了对象类型的个性化推荐方法，使得所推荐的商品能够满足用户的偏好，提高了用户获取商品信息的效率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种确定用户对对象类型偏好度的方法的主要流程示意图；

图2是根据本发明实施例的一种可选的确定用户对对象类型偏好度的方法的流程示意图；

图3是根据本发明实施例的另一种可选的确定用户对对象类型偏好度的方法的流程示意图；

图4是根据本发明实施例的又一种可选的确定用户对对象类型偏好度的方法的流程示意图；

图5是根据本发明实施例的一种确定用户对对象类型偏好度的装置的主要模块示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的移动设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，本发明实施例可适应于服务性平台，例如购物、旅游、餐饮、视频推荐等，本发明实施例所提供的对象类型包括但不限于是视频类型、餐饮类型等商品品类。

本发明实施例中，终端与服务器之间通过网络相互访问，其中，终端可以是手机、平板电脑、PC(Personal Computer，个人电脑)等设备；服务器可以是物理或者逻辑服务器，以协助实现本发明实施例服务器的各项功能。本申请实施例对终端、服务器的种类，以及终端与服务器之间通信网络的类型、协议等不做限制。

参见图1，示出的是本发明实施例提供的一种确定用户对对象类型偏好度的方法的主要流程图，包括如下步骤：

S101：获取样本信息；其中，样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数。

S102：对各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表。

S103：获取待查用户属性，依据待查用户属性在偏好度表中进行查询，确定与待查用户属性相关联的对象类型以及相应的偏好度。

上述实施方式中，对于步骤S101，为便于了解各用户对购物的不同需求，实现个性化商品推荐，服务器可以统计各用户属性对各对象类型的选择人数，以此对各用户属性在各对象类型的偏好度进行计算评价。

其中，对象类型可以为服务器对商品分类后的具体商品的类别。由于商品数量很多，为便于管理，商品很多时候会进行多级分类，此时对象类型可以是任何一级的对象类型。例如，手机、女靴、食品饮料……等都是对象类型。

对于用户属性，为用户在平台所登录的账号所具备的信息，例如，用户等级、用户性别、用户年龄、婚姻状况、是否有孩等等。而对于任何一个用户属性，都会有各自的分类，例如对于用户性别，包括属性男、属性女、属性未知(用户未填写性别)。所得到的样本信息具体参见表1所示：

表1样本信息

另外，所获取的样本信息，可以是对信息库中的原数据进行预处理后得到的。其中，该原数据中包括预定时间段内(例如，2个月)各对象类型的选择记录，具体地，可以为购买记录。在获取样本信息之前，还可以包括对原数据的预处理操作。例如，对于其中错误的信息以及对偏好度影响较小的信息，可以通过程序或者人工将这些信息进行更正或者清除。最后经过相关人员对信息的整理、汇总，得到样本信息。

进一步的，由于各对象类型的周期(例如，更换周期)不一致，因此，在获取样本信息之后，对于同一用户反复选择同一商品的现象，可以依据该用户的账号和该商品所属对象类型进行去重操作，否则可能会影响对该商品的偏好系数的计算。例如，手机大约是2年一换，但手机贴膜可能是2个月一换，因此，在同一时间段内，选择手机的人数可能少于选择手机贴膜的人数，但这并不能说明用户对于手机的偏好度小于对手机贴膜的偏好度的。

更进一步的，还可以对同属一类型的商品进行归类，这样可以避免用户人均选择商品数较多的品类系数被高估。例如，手机人均选择商品数为1，手机配件人均选择商品数为5，假设买手机必买手机配件，此时手机和手机配件的偏好度应该是一样的。但是此时选择商品数导致计算基数为1:5，经过计算后得到的手机配件的偏好度也会较高，因此，需要对其进行去重操作。

对于步骤S102，由于选择人数绝对值是一个动态变化的数值，受统计市场、总人数等因素的影响，不能直接使用。通过采取归一化操作，可以将选择人数转换为不受量纲影响的比值，确定一个用户属性选择一个对象类型的概率。

另外，由于每个用户属性对每个对象类型的选择概率是不一致的，归一化可以将每个对象类型或者每个用户属性的选择概率统计为1，以便得到不同用户属性选择同一对象类型的概率，或者同一用户属性选择不同对象类型的概率，或者各用户属性对于各对象类型的选择概率。

进一步的，可以确定选择概率为偏好度。当一个对象类型的选择概率越大时，表示该对象类型受欢迎程度较高，例如，VIP客户，对于A商品的选择概率高于普通商品的选择概率，表示商品A对于VIP客户的受欢迎程度较高。另外，可以依据各用户属性对各对象类型的偏好度，生成偏好度表，便于后续查询匹配。

对于步骤S103，当用户登录账号进入服务平台时，平台会获取用户账号中的一个或多个用户属性，依据所获取的用户属性，在偏好度表中进行匹配查询，得到相关联的对象类型以及相对应的偏好度。

对于所获取的对象类型，可以直接生成对象类型列表显示，也可以按照偏好度从大到小的顺序对对象类型排序，并输出列表以供用户选择，例如，零食、饮料、服饰、鞋子、洁面、沐浴，当用户选择鞋子之后，在用户所使用的终端显示界面上，会显示该鞋子。

另外，也可以直接提取偏好度最大的对象类型进行输出，例如，零食的偏好度最大，此时终端显示界面直接显示零食即可。

进一步的，所输出的商品会结合用户属性进行相应的显示。例如，一位女性用户登录账号后，平台判断到偏好度最大的商品为袜子，但由于袜子种类分布不均，呈现在用户终端前方的可能是男袜居多，此时可以结合账号中的用户属性为女，对所有袜子进行筛选，使得女袜可以呈现在男袜前面，或者仅提供女袜以显示给该用户。

或者，也可以在用户登录账号并输入搜索条件后，对符合搜索条件的商品，依据用户属性进行再次筛选。同样以袜子为例，搜索条件为“袜子”，得到符合搜索条件的男袜和女袜，依据用户属性为女进行再次筛选，此时直接将女袜显示在前面。

上述实施例所提供的方法，通过用户属性对不同对象类型的偏好来优化推荐产品排序，进而依据用户账号中的待查用户属性，确定相应的对象类型以及偏好度，以供用户筛选。上述实施例实现了根据用户属性对对象类型的个性化推荐方式，满足用户的偏好，提高了用户获取商品信息的效率。

参见图2，示出的是本发明实施例提供的一种可选的确定用户对对象类型偏好度的方法的主要流程图，包括如下步骤：

S201：获取样本信息；其中，样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数。

S202：以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率。

S203：以对象类型为基准，对各用户属性在同一对象类型下的第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率。

S204：确定各用户属性在各对象类型下的第二选择概率为各用户属性在各对象类型下的偏好度，生成偏好度表。

S205：获取待查用户属性，依据待查用户属性在偏好度表中进行查询，确定与待查用户属性相关联的对象类型以及相应的偏好度。

上述实施方式中，对于步骤S201可参见图1所示步骤S101的描述，在此不再赘述。

上述实施方式中，对于步骤S202，可以实现同一用户属性选择不同对象类型的概率：将同一用户属性下所有对象类型的选择人数相加作为该用户属性下选择总数，计算该用户属性下其中一个对象类型的选择人数在总选择人数中的占比。以表1为例，可以依据公式：

统计同一用户属性下所有对象类型的选择总数；其中，S_i为第i个用户属性下所有对象类型的选择人数之和，s_ij为第i个用户属性在第j个对象类型下的选择人数，m为用户属性的数量，n为对象类型的数量。

之后，计算同一用户属性选择不同对象类型的概率，具体地，对于其中一个对象类型，计算该用户属性在一个对象类型下的选择人数/该用户属性下的选择总数，得到该用户属性在该对象类型下的选择概率。例如，可以根据公式：

p_ij＝s_ij/S_i,(i＝1,2,...,m；j＝1,2,...,n)

其中，p_ij为第j个对象类型在第i个用户属性下归一化的比值。所得归一化后的选择概率可参见表2，其中，以用户属性X为例，选择对象类型A的概率为：

p₁₁＝100/(100+700+200)＝0.1

表2同一用户属性选择不同对象类型的概率

对于步骤S203，在步骤S202的基础上，计算不同用户属性选择同一对象类型的概率，具体地，以对象类型为基准进行归一化，计算同一对象类型下不同用户属性的选择概率比值。例如，可以依据公式：

其中，p_ij为第j个对象类型在第i个用户属性下归一化的比值，R_ij为第i个用户属性选择第j个对象类型的概率，所得概率具体参见表3，其中，以用户属性X为例，选择对象类型A的概率为：

R₁₁＝0.1/(0.1+0.35)＝0.22

表3不同用户属性选择同一对象类型的概率

对于步骤S204，依据步骤S202以及S203所得最终概率为各用户属性在各对象类型下的选择概率，而该选择概率代表着各用户属性对各对象类型的偏好度。以表3为例，此时对于用户属性X，对对象类型B的偏好度最大。

对于步骤S205，当,用户登录账号进入平台时，若服务器获取到其用户属性为X，则获取用户属性X与各对象类型之间偏好度的对应关系，或者按照对象类型B、对象类型C以及对象类型A的顺序排序，还可以是仅提取对象类型B的对象类型。之后，发送给用户，以供用户选择，最红在所使用的终端进行相应的显示。

上述实施例所提供的方法，提供了一种确定各用户属性在各对象类型下的偏好度的方式。较于其他实施方式，该实施方式比较客观、简单易用，不受用户属性内属性值个数的影响，便于理解，降低前期工作量，同时实现了根据用户属性对对象类型的个性化推荐方式，满足用户的偏好，提高了用户获取商品信息的效率。

参见图3，示出的是本发明实施例提供的另一种可选的确定用户对对象类型偏好度的方法的主要流程图，包括如下步骤：

S301：获取样本信息；其中，样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数。

S302：以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率。

S303：以用户属性为基准，对同一用户属性在各对象类型下的第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率。

S304：确定各用户属性在各对象类型下的第四选择概率为各用户属性在各对象类型下的偏好度，生成偏好度表。

S305：获取待查用户属性，依据待查用户属性在偏好度表中进行查询，确定与待查用户属性相关联的对象类型以及相应的偏好度。

上述实施方式中，对于步骤S301、S305可分别参见图1所示步骤S101、S103的描述，在此不再赘述。

上述实施方式中，对于步骤S302，还可以首先计算不同用户属性选择同一对象类型的概率，具体地，首先以对象类型为基准进行归一化，计算不同用户属性在同一对象类型下的比值。同样以表1为例，所得不同用户属性选择同一对象类型的概率具体参见表4所示，其中，对于用户属性X选择对象类型A的数量100，在所有用户属性选择对象类型A的总人数380中的占比为：100/380＝0.26。

表4不同用户属性选择同一对象类型的概率

对于步骤S303，在步骤S302基础上，计算同一用户属性选择不同对象类型的概率，具体地，以用户属性为基准进行归一化，计算同一用户属性在不同对象类型下的选择概率比值。以表4为例，最终得到同一用户属性选择不同对象类型的概率，具体参见表5所示，其中，对于用户属性X，对于对象类型A的选择概率为：

R₁₁＝0.26/(0.26+0.49+0.40)＝0.23

表5各用户属性在各对象类型下的选择概率

对于步骤S304，由于针对对象类型以及用户属性分别进行归一化操作，此时所得为各用户属性在各对象类型下的选择概率。

上述实施例所提供的方法，提供了另一种确定用户属性在各对象类型下偏好度的方式，较与图2所示方式，结果数值虽然不一样，但是偏好度大小排序一致。另外，该实施方式不受对象类型个数的影响，便于理解，同时实现了依据用户属性的个性化商品推荐方法，提高了用户获取商品信息的效率。

参见图4，示出的是本发明实施例提供的又一种可选的确定用户对对象类型偏好度的方法的主要流程图，包括如下步骤：

S401：获取样本信息；其中，样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数。

S402：对各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率。

S403：根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,m；j＝1,2,...,n)

确定各用户属性在各对象类型下的偏好度，生成偏好度表。

S404：获取待查用户属性，依据待查用户属性在偏好度表中进行查询，确定与待查用户属性相关联的对象类型以及相应的偏好度。

上述实施方式中，步骤S401、S404可分别参见图1所示步骤S101、S103的具体描述，S402可参见图1所示步骤S102、图2所示步骤S202～S203、图3所示步骤S302～S303的具体描述，在此不再赘述。

上述实施方式中，对于步骤S403，在得到各用户属性在各对象类型下的选择概率之后，还可以基于该选择概率进行进一步处理。为区分各选择概率的差距，以便更容易识别偏好度较高的对象类型，此时可以对所获取的选择概率进行数值转换。例如，参见表3，用户属性Z在对象类型A下的选择概率为0，对于应用数据范围[0，1]的数值，可以映射到[1，e]，具体地，依据公式：

F_ij＝exp(R_ij),(i＝1,2,...,m；j＝1,2,...,n)

以确定各用户属性在各对象类型下的偏好度；其中，m为用户属性的数量，n为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度，计算结果参见表6所示：

表6数值转换后的各用户属性对各对象类型的偏好度

进一步的，还可以对偏好度进行加权操作。所配置的权重可以通过几何平均方式或者规范列平均方式得到，也可以依据其他本领域技术人员所知的其他方式确定，本发明在此不做限制，所配置的权重具体参见表7所示：

表7权重配置

依据所配置的权重，对表6中的数值进行相应加权，结果可参见表8所示，其中对于用户属性X——对象类型A，加权后的数值为1.25×0.3＝0.375。

表8加权后的各用户属性对各对象类型的偏好度

因此，对于用户属性X，偏好度为对象类型B>对象类型C>对象类型A。

上述实施例所提供的方法，提供了又一种确定各用户属性对各对象类型偏好度的方式。通过对各用户属性在各对象类型下的选择概率进行数值转换，以便拉大各数值之间的差距，更易于识别偏好度较高的对象类型，同时也便于对各选择概率进行加权操作。

本发明实施例所提供的方法，通过用户属性对不同对象类型的偏好来优化推荐产品排序，进而依据用户账号中的待查用户属性，确定相应的对象类型以及偏好度，以供用户筛选。上述实施例实现了根据用户属性对对象类型的个性化推荐方式，满足用户的偏好，提高了用户获取商品信息的效率。

参见图5，示出了本发明实施例提供的一种确定用户对对象类型偏好度的装置500的主要模块示意图；

获取模块501，用于获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；

计算模块502，用于对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；

确定模块503，用于获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

本发明实施例装置中的计算模块502还用于：以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率；以对象类型为基准，对各用户属性在同一对象类型下的所述第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率；确定所述各用户属性在各对象类型下的所述第二选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

本发明实施例装置中的计算模块502还用于：以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率；以用户属性为基准，对同一用户属性在各对象类型下的所述第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率；确定所述各用户属性在各对象类型下的所述第四选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

本发明实施例装置中的计算模块502还用于根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,n；j＝1,2,...,m)

确定各用户属性在各对象类型下的偏好度；其中，n为用户属性的数量，m为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度。

本发明实施例装置还包括去重模块504，用于对所述样本信息进行去重处理，以去除同一用户对同一对象类型的重复选择操作。

本发明实施例所提供的装置，通过用户属性对不同对象类型的偏好来优化推荐产品排序，进而依据用户账号中的待查用户属性，确定相应的对象类型以及偏好度，以供用户筛选。上述实施例实现了根据用户属性对对象类型的个性化推荐装置，满足用户的偏好，提高了用户获取商品信息的效率。

另外，在本发明实施例中所述的确定用户对对象类型偏好度装置的具体实施内容，在上面所述确定用户对对象类型偏好度方法中已经详细说明了，故在此重复内容不再说明。

参见图6示出了可以应用本发明实施例的确定用户对对象类型偏好度方法或确定用户对对象类型偏好度装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的确定用户对对象类型偏好度方法一般由服务器605执行，相应地，确定用户对对象类型偏好度装置一般设置于服务器605中。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

参见图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、计算模块、确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“样本信息获取模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：

获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；

对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；

获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

根据本发明实施例的技术方案，通过用户属性对不同对象类型的偏好来优化推荐产品排序，进而依据用户账号中的待查用户属性，确定相应的对象类型以及偏好度，以供用户筛选。上述实施例实现了根据用户属性对对象类型的个性化推荐方式，满足用户的偏好，提高了用户获取商品信息的效率。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种确定用户对对象类型偏好度的方法，其特征在于，包括：

获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；

对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；

获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

2.根据权利要求1所述的方法，其特征在于，所述对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表包括：

以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率；

以对象类型为基准，对各用户属性在同一对象类型下的所述第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率；

确定所述各用户属性在各对象类型下的所述第二选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

3.根据权利要求1所述的方法，其特征在于，所述对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表包括：

以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率；

以用户属性为基准，对同一用户属性在各对象类型下的所述第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率；

确定所述各用户属性在各对象类型下的所述第四选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述确定各用户属性在各对象类型下的偏好度包括：

根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,n；j＝1,2,...,m)

确定各用户属性在各对象类型下的偏好度；其中，n为用户属性的数量，m为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度。

5.根据权利要求1所述的方法，其特征在于，在所述获取样本信息之后，还包括：

对所述样本信息进行去重处理，以去除同一用户对同一对象类型的重复选择操作。

6.一种确定用户对对象类型偏好度的装置，其特征在于，包括：

获取模块，用于获取样本信息；其中，所述样本信息包括用户属性、对象类型、各用户属性在各对象类型下的选择人数；

计算模块，用于对所述各用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的选择概率，以确定各用户属性在各对象类型下的偏好度，生成偏好度表；

确定模块，用于获取待查用户属性，依据所述待查用户属性在所述偏好度表中进行查询，确定与所述待查用户属性相关联的对象类型以及相应的偏好度。

7.根据权利要求6所述的装置，其特征在于，所述计算模块还用于：

以用户属性为基准，对同一用户属性在各对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第一选择概率；

以对象类型为基准，对各用户属性在同一对象类型下的所述第一选择概率进行归一化计算，得到各用户属性在各对象类型下的第二选择概率；

确定所述各用户属性在各对象类型下的所述第二选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

8.根据权利要求6所述的装置，其特征在于，所述计算模块还用于：

以对象类型为基准，对各用户属性在同一对象类型下的选择人数进行归一化计算，得到各用户属性在各对象类型下的第三选择概率；

以用户属性为基准，对同一用户属性在各对象类型下的所述第三选择概率进行归一化计算，得到各用户属性在各对象类型下的第四选择概率；

确定所述各用户属性在各对象类型下的所述第四选择概率为所述各用户属性在各对象类型下的偏好度，生成偏好度表。

9.根据权利要求6-8中任一项所述的装置，其特征在于，所述计算模块，还用于根据公式：

F_ij＝exp(R_ij),(i＝1,2,...,n；j＝1,2,...,m)

确定各用户属性在各对象类型下的偏好度；其中，n为用户属性的数量，m为对象类型的数量，R_ij为第i个用户属性在第j个对象类型下的选择概率，F_ij为第i个用户属性在第j个对象类型下的偏好度。

10.根据权利要求6所述的装置，其特征在于，还包括，去重模块，用于对所述样本信息进行去重处理，以去除同一用户对同一对象类型的重复选择操作。

11.一种确定用户对对象类型偏好度的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，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1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。