CN110020177A - 一种对象推荐方法及设备 - Google Patents
一种对象推荐方法及设备 Download PDFInfo
- Publication number
- CN110020177A CN110020177A CN201711484233.3A CN201711484233A CN110020177A CN 110020177 A CN110020177 A CN 110020177A CN 201711484233 A CN201711484233 A CN 201711484233A CN 110020177 A CN110020177 A CN 110020177A
- Authority
- CN
- China
- Prior art keywords
- user
- type
- feature
- association
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种对象推荐方法及设备,用于在用户没有对于某一类对象的访问记录时依然能为用户推荐该类对象。该方法包括:确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种对象推荐方法及设备。
背景技术
现在,用户可以通过手机等设备阅读书籍、观看视频等,为了给用户更多的选择,目前的网络可以为用户推荐一些可观看的对象,例如推荐书籍或视频。
目前,在为用户推荐对象时,都是根据该用户已经访问过的对象来为该用户推荐同类的对象。例如,用户已经访问过的对象包括视频文件,则可以再为该用户推荐符合已经访问过的视频文件的特征的其他视频文件。
这种推荐方法,在用户没有对于某一类对象的访问记录时,则无法为该用户推荐该类对象,例如用户没有访问过视频文件,则无法向该用户推荐视频文件。可见,这种方法的实现前提较为苛刻,导致所能推荐的对象受限。
发明内容
本申请实施例提供一种对象推荐方法及设备,用于在用户没有对于某一类对象的访问记录时依然能为用户推荐该类对象。
第一方面,提供一种对象推荐方法,包括:
确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
可选的,在确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度之前,还包括:
确定所述第一用户关联的第二类型的对象的特征;
将所述第一用户关联的所述第二类型的对象的特征确定为所述第一用户关联的所述第一类型的对象的特征。
可选的,确定所述第一用户关联的第二类型的对象的特征,包括:
根据所述第一用户的访问记录确定所述第一用户关联的所述第二类型的对象;
确定所述第一用户关联的第二类型的对象的特征。
可选的,所述方法还包括:
根据用户的属性信息,将用户划分为至少一个群组;其中,所述第一用户与所述M个第二用户属于所述至少一个群组中的第一群组。
可选的,根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象,包括:
确定满足所述N个第二用户关联的至少一种类型的对象的特征的对象;
为所述第一用户推荐确定的对象。
第二方面,提供一种对象推荐设备,包括:
计算单元,用于确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
第一确定单元,用于确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
推荐单元,用于根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
可选的,所述设备还包括第二确定单元,用于:
确定所述第一用户关联的第二类型的对象的特征;
将所述第一用户关联的所述第二类型的对象的特征确定为所述第一用户关联的所述第一类型的对象的特征。
可选的,所述第二确定单元,具体用于:
根据所述第一用户的访问记录确定所述第一用户关联的所述第二类型的对象;
确定所述第一用户关联的第二类型的对象的特征。
可选的,所述设备还包括分组单元,用于:
根据用户的属性信息,将用户划分为至少一个群组;其中,所述第一用户与所述M个第二用户属于所述至少一个群组中的第一群组。
可选的,所述推荐单元,具体用于:
确定满足所述N个第二用户关联的至少一种类型的对象的特征的对象;
为所述第一用户推荐确定的对象。
本申请实施例中,可以根据与第一用户的相似度较高的N个第二用户关联的至少一种类型的对象的特征为第一用户推荐至少一种类型的对象,因为N个第二用户与第一用户的相似度较高,因此N个第二用户与第一用户的爱好也较为近似,根据N个第二用户关联的对象的特征进行推荐,可以使推荐结果更为准确。而且,本申请实施例确定的是第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,而在推荐时是根据N个第二用户关联的至少一种类型的对象的特征,为第一用户推荐至少一种类型的对象,至少一种类型中可以包括第一种类型,而且除第一类型之外也还可以包括其他的类型,或者至少一种类型中也可以不包括第一类型,也就是说,可以根据第一用户关联的一种类型的对象的特征来为用户推荐更多类型或其他类型的对象,减小了推荐对象的受限程度,使得推荐的范围更加广泛,也为用户提供了更多的选择。
附图说明
图1为本申请实施例提供的一种对象推荐方法的流程图;
图2-图3为本申请实施例提供的对象推荐设备的两种结构示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例作进一步地详细描述。
如图1所示,本申请实施例提供一种对象推荐方法,该方法的流程介绍如下。
步骤101、确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
步骤102、确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
步骤103、根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
本申请实施例中,类型是根据对象的用途或属性确定的。例如对象的类型可包括阅读类型、视频类型和音乐类型中的至少一种,而每种类型都可以包括多种对象,例如阅读类型包括的对象为书籍等可阅读的文件,视频类型包括的对象为视频文件,音乐类型包括的对象为音乐文件。其中,每个对象都具有各自的特征,例如书籍等可阅读的文件的特征包括对象类别、出版时间、所属地区等,其中,对象类别可以包括侦探推理类、古风类、言情类等,出版时间可以包括最近一天内、最近一周内、最近一月内等,所属地区可以包括大陆、欧美、日韩等。
按照目前的方案,如果用户的访问记录较少或者用户的访问记录中访问的对象的类型较少,则因为只能为用户推荐访问过的同类的对象,则能够推荐的对象也较少,用户的可选择范围较小。本申请实施例中,即使用户的访问记录较少或者用户的访问记录中访问的对象的类型较少,也能够根据用户已访问过的类型为用户推荐同类型或更多类型的对象,使得推荐范围较为宽泛,用户的可选择范围较大。
具体的,本申请实施例可以借助于其他用户来为第一用户推荐对象,例如,可以根据M个第二用户关联的对象来为第一用户推荐对象。因为用户的数量较多,为了提高推荐的准确性,可计算第一用户和M个第二用户的相似度,相似度越高的用户则爱好的相似性越高,推荐的结果也就会越准确。本申请实施例在计算相似度时,计算的是第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,其中,M个第二用户中的每个第二用户均与第一类型的对象相关联。因此,就需要获取第一用户关联的第一类型的对象的特征。
作为第一种示例,第一用户关联的第一类型的对象的特征,可以是指第一用户访问过的第一类型的对象的特征,则第一用户关联的对象可以根据第一用户的访问记录确定,如果第一用户的访问记录指示用户访问过一个对象,则该对象为该用户关联的对象。在确定第一用户访问过的第一类型的对象后,就可以确定第一用户访问过的第一类型的对象的特征,即,第一用户关联的第一类型的对象的特征。在这种情况下,第一用户实际访问过第一类型的对象。
例如,根据第一用户的访问记录可以确定,第一用户访问过第一类型的对象,第一类型例如为阅读类型,则第一类型的对象就是阅读类型的对象,那么可以获得第一用户访问过的第一类型的全部对象或其中的部分对象的特征,将获得的特征作为第一用户关联的第一类型的对象的特征。例如第一用户访问过的小说、文章等阅读类型的对象的特征包括:所属地区为大陆、出版时间为最近一周内、对象类型为言情类。
另外,由于用户在进行对象访问时,有时可能因为手误而点击了某个对象从而产生该对象的访问记录,但用户可能实际并不喜欢该对象,那么,如果此类对象也参与确定用户所关联的对象的特征,可能导致所确定的用户关联的对象的特征不准确。因此本申请实施例中可以采用一定方式来尽量避免利用这些对象来确定对象的特征。例如,可以设置访问阈值,如果用户对于一个对象的访问次数大于访问阈值,则确定该对象为用户关联的对象,可以参与确定用户关联的对象的特征,而如果用户对于一个对象的访问次数小于或等于访问阈值,则确定该对象不是用户关联的对象,不参与确定用户关联的对象的特征。例如该访问阈值为3,或者也可以取其他数值,具体数值可缺省设置,或者也可根据用户的访问习惯设置。
作为第二种示例,第一用户关联的第一类型的对象的特征,可以根据第一用户关联的其他类型的对象的特征来确定。在这种情况下,第一用户可以未访问过第一类型的对象。但第一用户访问过其他类型的对象,例如访问过第二类型的对象,则第一用户与访问过的第二类型的对象相关联。可以获得第一用户关联的第二类型的对象的特征,并将第一用户关联的第二类型的对象的特征直接作为第一用户关联的第一类型的对象的特征。在这种情况下,第一用户关联第一类型的对象,所谓的关联,只是借由第二类型的对象而产生的间接关联,第一用户并未实际访问过第一类型的对象。
例如第二类型为视频类型,则第二类型的对象就是视频类型的对象。可以获得第一用户关联的第二类型的对象的特征,例如第一用户访问过的影视剧、纪录片等视频类型的对象的特征包括所属地区为欧美、出版时间为最近一周内、对象类型为侦探推理类。第一类型例如为阅读类型,则可以直接将第一用户关联的第二类型的对象的特征确定为第一用户关联的第一类型的对象的特征,例如,直接确定第一用户关联的阅读类型的对象的特征包括所属地区为欧美、出版时间为最近一周内、对象类型为侦探推理类。
同样的,在确定第二类型的对象的特征时,也可以采用设置访问阈值的方式来减少因为用户的误访问所带来的不准确率,不多赘述。
而M个第二用户中的一个第二用户关联的第一类型的对象的特征,可以是指该第二用户访问过的第一类型的对象的特征,则该第二用户关联的对象可以根据该第二用户的访问记录确定,具体的确定方式可参考如前的第一种示例中的确定第一用户关联的第一类型的对象的特征的方式,不多赘述。本申请实施例中,可以分别确定M个第二用户中的每个第二用户关联的第一类型的对象的特征,将这些特征汇总起来,就是M个第二用户关联的第一类型的对象的特征。
在选择M个第二用户时,可以从海量用户中随机选择,或者,为了减小选择范围,也增加推荐结果的准确性,可以先将用户进行分组,再从与第一用户属于同一群组的用户中选择M个第二用户。下面介绍一种分组方法。
用户在进行对象访问时,不同属性信息的用户偏好的对象可能不同,例如青年用户偏好欧美地区的视频文件、书籍文件、音乐文件等对象,而中老年的用户偏好大陆地区的视频文件、书籍文件、音乐文件等对象,男性用户偏好侦探推理类的视频文件、书籍文件等对象,而女性用户偏好言情类的视频文件、书籍文件等对象。可见,有相同属性的用户,偏好相同的对象的可能性较大。那么本申请实施例中,可以按照用户的属性信息将用户进行分组。例如,用于实现分组的用户的属性信息包括用户的年龄、性别、通信消费水平以及归属地区中的至少一种,其中,用户的年龄、性别以及归属地区等属性信息在用户加入通信网络时即记录在用户的注册信息中,通信运营商可获取,用户的通信消费水平可根据用户的通信消费账单确定。作为一种示例,将年龄为青年、性别为女、通信消费水平为高、及归属地区为一线城市的用户分为一个群组,该群组例如称为第一群组。
这样,在选择M个第二用户时,可以从与第一用户属于同一群组的用户中选择,例如第一用户属于第一群组,则也可以从第一群组中选择M个第二用户。在具有相同属性的用户群组内,通过用户关联的类型的对象的特征与其他用户在关联的类型的对象的特征进行相似度计算,选择相似度大于相似度阈值的其他用户,根据相似度大于相似度阈值的其他用户关联的对象的特征,来对该用户进行对象推荐,提高了推荐的准确率,而且分组后从同组进行推荐,也可减小推荐时的工作量。其中,M个第二用户可以包括第一群组中除了第一用户之外的全部用户,这样可以增加推荐的准确度,或者为了减小工作量,M个第二用户也可以包括第一群组中除了第一用户之外的部分用户,本申请实施例不作限制。如果M个第二用户包括第一群组中除了第一用户之外的部分用户,则M个第二用户可以在第一群组中随机选择。
前文介绍了确定第一用户关联的第一类型的对象的特征,以及确定M个第二用户关联的第一类型的对象的特征,之后,可以计算第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,两个用户在某个类型的对象所具有的特征上的相似度,可以表征这两个用户对于该类型的对象的偏好的相似程度。
作为一种示例,一种计算相似度的方法为余弦相似度计算法。余弦相似度计算法的计算公式如下:
公式1可以用于计算第一用户与一个第二用户在关联的第一类型的对象所具有的特征上的相似度。公式1中,cos(θ)代表余弦相似度,取值在(-1,1)之间,Xi为向量,该向量的值代表集合A中的每个特征在第一用户关联的第一类型的对象所具有的特征中出现的次数,Yi也为向量,该向量的值代表集合A中的每个特征在一个第二用户关联的第一类型的对象所具有的特征中出现的次数,cos(θ)的值越接近于1,表明余弦相似度越大。其中,集合A包括第一用户和参与本次计算的第二用户的关联的第一类型的对象所具有的所有特征,可以理解为,是将第一用户关联的第一类型的对象所具有的特征与参与本次计算的第二用户关联的第一类型的对象所具有的特征组成了一个没有重合特征的集合A。
例如,第一类型为阅读类型,第一用户关联的第一类型的对象包括书籍文件,这些书籍文件所具有的特征包括对象类型为言情类和古风类、出版时间为最近一周内、所属地区为大陆,M个第二用户中的一个第二用户关联的第一类型的对象包括书籍文件,这些书籍文件所具有的特征包括对象类型为言情类和侦探推理类、出版时间为最近一周内、所属地区为大陆。第一用户与该第二用户在关联的第一类型的对象所具有的所有特征组合的集合A为对象类型为言情类、古风类及侦探推理类,出版时间为最近一周内,所属地区为大陆,其中,言情类、古风类、侦探推理类、最近一周内及大陆,这五个特征在第一用户关联的第一类型的对象所具有的特征中出现的次数分别是1次、1次、0次、1次及1次,从而得到Xi的值为(1,1,0,1,1),同理可得到Yi的值为(1,0,1,1,1),通过公式1计算,得到的cos(θ)的值为75%,即第一用户与该第二用户在关联的第一类型的对象所具有的特征上的余弦相似度为75%。
在计算得到第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度以后,将计算得到的M个相似度分别与预先设置的相似度阈值进行比较,从中确定与第一用户的相似度大于相似度阈值的N个第二用户。相似度阈值可根据需求设计,相似度阈值的取值越大,则N的取值也就会越小,如果相似度阈值设置的足够高,则可能N会等于1,即,从M个第二用户中选择与第一用户的相似度最高的第二用户,该第二用户与第一用户既然相似度最高,说明该第二用户与第一用户的喜好程度可能最为相像,则根据该第二用户关联的至少一种类型的对象的特征为第一用户推荐对象,能进一步提高推荐的准确性。
在确定N个第二用户以后,就可以根据N个第二用户关联的至少一种类型的对象的特征,为第一用户推荐至少一种类型的对象。其中,至少一种类型中可以包括第一类型,或者也可以不包括第一类型,具体可能包括以下几种情况:1、至少一种类型的数量为1,且至少一种类型为第一类型;2、至少一种类型的数量为1,且至少一种类型不是第一类型;3、至少一种类型的数量大于1,至少一种类型包括第一类型,且除了第一类型外还包括其他类型;4、至少一种类型的数量大于1,至少一种类型不包括第一类型,而包括的是其他类型。特别的,本申请实施例重点关注的是第2、3、4种情况。即,可以根据第一类型的对象的特征为用户推荐其他类型的对象,或者推荐更多类型的对象。例如第一类型为阅读类型,则可以根据阅读类型的对象的特征为第一用户推荐视频类型的对象或音乐类型的对象等,即使第一用户对视频类型或音乐类型的对象没有访问记录,本申请实施例也可以为第一用户进行推荐,可推荐的范围较为广泛,能给用户提供更丰富的资源。
另外,如果第一用户是通过第二类型的对象的特征与第一类型的对象进行间接的关联,那么至少一个类型中可以包括第二类型,或者也可以不包括第二类型,本申请实施例不作限制。
作为一种示例,根据N个第二用户关联的至少一种类型的对象的特征,为第一用户推荐至少一种类型的对象,一种推荐方法为,为第一用户推荐N个第二用户关联的所有类型的对象。例如N个第二用户关联的所有类型的对象包括类型1下的对象1和对象2,类型2下的对象3和对象4,以及类型3下的对象5、对象6和对象7,则可以将对象1、对象2、对象3、对象4、对象5、对象6和对象7均推荐给第一用户。这种推荐方法中,可以先将N个第二用户关联的所有类型的对象按照访问热度进行排序,访问热度高的对象排在前,之后按照排序从前到后的顺序为第一用户进行推荐,其中,对象的访问热度可以根据所有用户对该对象的访问记录次数来计算,或者也可以根据N个第二用户对该对象的访问记录次数来计算,访问记录多则访问热度高。这样可以使得第一用户能够更先看到访问热度高的对象,访问热度表明了一种大众的喜好程度,将访问热度高的对象放在前面,更符合第一用户的喜好。
或者,考虑到N个第二用户关联的对象可能较多,特别是N的数值较大时,N个第二用户关联的对象可能会更多,如果将所有的对象都进行推荐,会导致推荐量过大,而且第一用户也不一定对其中的每个对象都喜欢。因此作为另一种示例,根据N个第二用户关联的至少一种类型的对象的特征,为第一用户推荐至少一种类型的对象,还提供另外一种推荐方法:为第一用户推荐N个第二用户关联的部分类型的对象,或者,为第一用户推荐N个第二用户关联的所有类型中的部分对象。例如,N个第二用户关联的所有类型的对象包括类型1下的对象1和对象2,类型2下的对象3和对象4,以及类型3下的对象5、对象6和对象7,则可以选择为第一用户推荐类型1和类型2下的对象,即对象1、对象2、对象3和对象4,或者,也可以选择为第一用户推荐类型1、类型2和类型3下的部分对象,例如推荐对象1、对象3、对象4、对象5和对象6。在这种方法下,具体推荐哪些对象可以随机选择,或者,也可以先将N个第二用户关联的所有类型的对象按照访问热度进行排序,访问热度高的对象排在前,之后按照排序从前到后的顺序为第一用户进行推荐,例如可推荐排序靠前的K个对象,K为正整数。例如对于对象1、对象2、对象3、对象4、对象5、对象6和对象7,按照访问热度从高到低的排序结果为,对象3>对象2>对象4>对象7>对象6>对象1>对象5,K例如为4,则为第一用户推荐对象3、对象2、对象4和对象7,或者,K例如为1,则为第一用户推荐的就是访问热度最高的对象,即对象3。
为了更便于理解,下面通过两个具体的例子来介绍本申请实施例提供的对象推荐方法。
例如,第一类型为阅读类型,根据第一用户的访问记录可以确定第一用户访问过阅读类型的对象,那么可以获得第一用户访问过的阅读类型中的全部对象或其中的部分对象的特征,例如第一用户访问过的小说、文章等阅读类型的对象的特征包括:所属地区为欧美,及出版时间为最近一天内。第一用户属于第一群组,则从第一群组的用户中选择M个第二用户,M个第二用户均与阅读类型的对象相关联。则计算第一用户与M个第二用户中的每个第二用户在关联的阅读类型的对象所具有的特征上的相似度,之后确定M个第二用户中与第一用户的相似度大于相似度阈值的N个第二用户,例如N为1,即,确定了与第一用户的相似度最高的第二用户。根据该第二用户的访问记录确定,该第二用户与音乐类型的对象以及阅读类型的对象关联,则将第二用户关联的音乐类型的对象以及阅读类型的对象推荐给第一用户。在本实施例中,至少一个类型包括了第一类型(阅读类型),以及除了第一类型之外,还包括了其他类型(音乐类型)。
再例如,第一类型为阅读类型,根据第一用户的访问记录确定第一用户未访问过阅读类型的对象,但第一用户访问过第二类型的对象,第二类型例如为视频类型,那么可以获得第一用户访问过的视频类型的全部对象或其中的部分对象的特征,例如第一用户访问过的影视剧、纪录片等视频类型的对象的特征包括所属地区为欧美、及出版时间为最近一月内。将第一用户访问过的视频类型的对象所具有的特征确定为第一用户关联的阅读类型的对象所具有的特征,那么,第一用户关联的阅读类型的对象所具有的特征包括:所属地区为欧美、出版时间为最近一月内。在这种情况下,第一用户实际上并未直接与阅读类型的对象产生关联,是通过视频类型的对象进行的间接的关联。第一用户属于第一群组,则从第一群组的用户中选择M个第二用户,M个第二用户均与阅读类型的对象相关联。则计算第一用户与M个第二用户中的每个第二用户在关联的阅读类型的对象所具有的特征上的相似度,之后确定M个第二用户中与第一用户的相似度大于相似度阈值的N个第二用户,例如N为1,即,确定了与第一用户的相似度最高的第二用户。根据该第二用户的访问记录确定,该第二用户与音乐类型的对象以及阅读类型的对象关联,则将第二用户关联的音乐类型的对象以及阅读类型的对象推荐给第一用户。在本实施例中,至少一个类型包括了第一类型(阅读类型),以及除了第一类型,还包括其他类型(音乐类型),但至少一个类型中未包括第二类型。
基于上述实施例,参阅图2所示,本申请实施例提供一种对象推荐设备,用于执行图1所示的实施例所提供的方法。该对象推荐设备包括计算单元21、第一确定单元22和推荐单元23。
计算单元21,用于确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
第一确定单元22,用于确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
推荐单元23,用于根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
可选的,请参见图3,所述对象推荐设备还包括第二确定单元31,用于:
确定所述第一用户关联的第二类型的对象的特征;
将所述第一用户关联的所述第二类型的对象的特征确定为所述第一用户关联的所述第一类型的对象的特征。
可选的,第二确定单元31具体用于:
根据所述第一用户的访问记录确定所述第一用户关联的所述第二类型的对象;
确定所述第一用户关联的第二类型的对象的特征。
可选的,请继续参见图3,所述对象推荐设备还包括分组单元32,用于:
根据用户的属性信息,将用户划分为至少一个群组;其中,所述第一用户与所述M个第二用户属于所述至少一个群组中的第一群组。
可选的,推荐单元23具体用于:
确定满足所述N个第二用户关联的至少一种类型的对象的特征的对象;
为所述第一用户推荐确定的对象。
其中,对象推荐设备例如为通信网络运营商提供的服务器,或者也可以是其他设备。
计算单元21、第一确定单元22、推荐单元23、第二确定单元31和分组单元32,都可以通过对象推荐设备中的处理器实现,处理器例如通过现场可编程门阵列(field-programmable gate array,FPGA),专用集成芯片(application specific integratedcircuit,ASIC),系统芯片(system on chip,SoC),中央处理器(central processor unit,CPU),网络处理器(network processor,NP),数字信号处理电路(digital signalprocessor,DSP),微控制器(micro controller unit,MCU),还可以是可编程控制器(programmable logic device,PLD)或其他集成芯片实现。
在本申请实施例中,应该理解到,所揭露的方法及设备,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,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信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性或其它的形式。
在本申请实施例中的各功能单元可以集成在一个处理单元中,或者各个单元也可以均是独立的物理模块。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种对象推荐方法,其特征在于,包括:
确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
2.如权利要求1所述的方法,其特征在于,在确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度之前,还包括:
确定所述第一用户关联的第二类型的对象的特征;
将所述第一用户关联的所述第二类型的对象的特征确定为所述第一用户关联的所述第一类型的对象的特征。
3.如权利要求2所述的方法,其特征在于,确定所述第一用户关联的第二类型的对象的特征,包括:
根据所述第一用户的访问记录确定所述第一用户关联的所述第二类型的对象;
确定所述第一用户关联的第二类型的对象的特征。
4.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据用户的属性信息,将用户划分为至少一个群组;其中,所述第一用户与所述M个第二用户属于所述至少一个群组中的第一群组。
5.如权利要求1或2所述的方法,其特征在于,根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象,包括:
确定满足所述N个第二用户关联的至少一种类型的对象的特征的对象;
为所述第一用户推荐确定的对象。
6.一种对象推荐设备,其特征在于,包括:
计算单元,用于确定第一用户与M个第二用户中的每个第二用户在关联的第一类型的对象所具有的特征上的相似度,M为正整数;
第一确定单元,用于确定所述M个第二用户中与所述第一用户的相似度大于相似度阈值的N个第二用户,N为正整数;
推荐单元,用于根据所述N个第二用户关联的至少一种类型的对象的特征,为所述第一用户推荐所述至少一种类型的对象。
7.如权利要求6所述的设备,其特征在于,所述设备还包括第二确定单元,用于:
确定所述第一用户关联的第二类型的对象的特征;
将所述第一用户关联的所述第二类型的对象的特征确定为所述第一用户关联的所述第一类型的对象的特征。
8.如权利要求7所述的设备,其特征在于,所述第二确定单元,具体用于:
根据所述第一用户的访问记录确定所述第一用户关联的所述第二类型的对象;
确定所述第一用户关联的第二类型的对象的特征。
9.如权利要求6或7所述的设备,其特征在于,所述设备还包括分组单元,用于:
根据用户的属性信息,将用户划分为至少一个群组;其中,所述第一用户与所述M个第二用户属于所述至少一个群组中的第一群组。
10.如权利要求6或7所述的设备,其特征在于,所述推荐单元具体用于:
确定满足所述N个第二用户关联的至少一种类型的对象的特征的对象;
为所述第一用户推荐确定的对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484233.3A CN110020177A (zh) | 2017-12-29 | 2017-12-29 | 一种对象推荐方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484233.3A CN110020177A (zh) | 2017-12-29 | 2017-12-29 | 一种对象推荐方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020177A true CN110020177A (zh) | 2019-07-16 |
Family
ID=67187163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711484233.3A Pending CN110020177A (zh) | 2017-12-29 | 2017-12-29 | 一种对象推荐方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020177A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186194A (zh) * | 2022-08-04 | 2022-10-14 | 北京字跳网络技术有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332017A (zh) * | 2011-09-16 | 2012-01-25 | 百度在线网络技术(北京)有限公司 | 在移动设备中显示基于操作信息的推荐信息的方法与设备 |
CN102426591A (zh) * | 2011-10-31 | 2012-04-25 | 北京百度网讯科技有限公司 | 一种操作用于内容输入的语料库的方法和设备 |
CN103477610A (zh) * | 2011-04-04 | 2013-12-25 | 高通股份有限公司 | 通过匹配类似用户来推荐移动内容 |
CN103593349A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动位置分析方法 |
CN106326483A (zh) * | 2016-08-31 | 2017-01-11 | 华南理工大学 | 一种用户上下文信息聚合的协同推荐方法 |
-
2017
- 2017-12-29 CN CN201711484233.3A patent/CN110020177A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103477610A (zh) * | 2011-04-04 | 2013-12-25 | 高通股份有限公司 | 通过匹配类似用户来推荐移动内容 |
CN102332017A (zh) * | 2011-09-16 | 2012-01-25 | 百度在线网络技术(北京)有限公司 | 在移动设备中显示基于操作信息的推荐信息的方法与设备 |
CN102426591A (zh) * | 2011-10-31 | 2012-04-25 | 北京百度网讯科技有限公司 | 一种操作用于内容输入的语料库的方法和设备 |
CN103593349A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动位置分析方法 |
CN106326483A (zh) * | 2016-08-31 | 2017-01-11 | 华南理工大学 | 一种用户上下文信息聚合的协同推荐方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186194A (zh) * | 2022-08-04 | 2022-10-14 | 北京字跳网络技术有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103823908B (zh) | 基于用户偏好的内容推荐方法和服务器 | |
JP7154334B2 (ja) | ライブストリームコンテンツを推奨するための機械学習の使用 | |
US8667009B2 (en) | Systems and methods for utilizing and searching social network information | |
CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
CN105320702B (zh) | 一种用户行为数据的分析方法、装置及智能电视 | |
CN109597858B (zh) | 一种商户的分类方法及其装置和商户的推荐方法及其装置 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
US10476976B1 (en) | Consuming content items collaboratively | |
CN106302471B (zh) | 一种推荐虚拟礼物的方法和装置 | |
CN106503059A (zh) | 展示页面推送方法及装置 | |
CN109948680A (zh) | 病历数据的分类方法及系统 | |
WO2015038444A2 (en) | Strength based modeling for recommendation system | |
CN110046301A (zh) | 对象推荐方法和装置 | |
US10136189B2 (en) | Method and system for re-aggregation and optimization of media | |
CN111523050B (zh) | 内容推荐方法、服务器及存储介质 | |
CN106779791A (zh) | 一种搭配对象图片组合的生成方法及装置 | |
CN110347935A (zh) | 基于用户兴趣变化的个性化影视项目推荐方法及系统 | |
CN106156351A (zh) | 多媒体资源推荐信息生成方法及装置 | |
CN104035934B (zh) | 一种多媒体信息推荐的方法及装置 | |
US9251113B1 (en) | System for enabling participants to discuss, debate, connect and compare media and information | |
CN110147514A (zh) | 一种资源展示方法、装置及其设备 | |
CN110020177A (zh) | 一种对象推荐方法及设备 | |
CN108537616A (zh) | 一种信息分享的方法及装置 | |
CN108829699A (zh) | 一种热点事件的聚合方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
RJ01 | Rejection of invention patent application after publication |