CN110059248B - 一种推荐方法、装置及服务器 - Google Patents

一种推荐方法、装置及服务器 Download PDF

Info

Publication number
CN110059248B
CN110059248B CN201910218041.0A CN201910218041A CN110059248B CN 110059248 B CN110059248 B CN 110059248B CN 201910218041 A CN201910218041 A CN 201910218041A CN 110059248 B CN110059248 B CN 110059248B
Authority
CN
China
Prior art keywords
preference
user
behavior
target
objects
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.)
Active
Application number
CN201910218041.0A
Other languages
English (en)
Other versions
CN110059248A (zh
Inventor
黄引刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910218041.0A priority Critical patent/CN110059248B/zh
Publication of CN110059248A publication Critical patent/CN110059248A/zh
Application granted granted Critical
Publication of CN110059248B publication Critical patent/CN110059248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种推荐方法、装置及服务器，所述方法包括：确定目标用户所对应目标关联用户的偏好对象；获取所述偏好对象的用户活跃度；获取所述目标用户对所述偏好对象的喜好度；基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度；根据所述联系紧密度对所述目标用户进行推荐。利用本发明提供的技术方案可以基于目标用户的历史行为和与目标用户具有相似行为的目标关联用户的偏好对应给目标用户进行行为对象的推荐，可以提高推荐效率和推荐准确率。

Description

一种推荐方法、装置及服务器
技术领域
本发明涉及互联网技术领域，特别涉及一种推荐方法、装置及服务器。
背景技术
现有的商场、餐饮店、便利店等任何实体店(也即，线下门店)的信息推荐方式较为传统，大多采用分发广告宣传单、固定广告牌、线下口碑等方式实现，有时还需要用户走入实体店才可获知相关信息。这种方式的信息宣传效果不佳，特别是对于刚开业不久的新实体店，消费者难以直接了解所需的信息，推荐效率和推荐准确率较低。
发明内容
为了解决上述问题，本发明提供了一种推荐方法、装置及服务器，可以基于目标用户的历史行为和与目标用户具有相似行为的目标关联用户的偏好对应给目标用户进行行为对象的推荐，可以提高推荐效率和推荐准确率。
第一方面，本发明提供了一种推荐方法，所述方法包括：
确定目标用户所对应目标关联用户的偏好对象；
获取所述偏好对象的用户活跃度；
获取所述目标用户对所述偏好对象的喜好度；
基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度；
根据所述联系紧密度对所述目标用户进行推荐。
第二方面，本发明提供了一种推荐装置，所述装置包括：
偏好对象确定模块，用于确定目标用户所对应目标关联用户的偏好对象；
用户活跃度获取模块，用于获取所述偏好对象的用户活跃度；
偏好对象喜好度获取模块，用于获取所述目标用户对所述偏好对象的喜好度；
联系紧密度确定模块，用于基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度；
推荐模块，用于根据所述联系紧密度对所述目标用户进行推荐。
第三方面，本发明提供了一种服务器，所述服务器包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述推荐方法的步骤。
本发明提供的推荐方法、装置及服务器，当需要获取目标用户所对应的行为对象的推荐结果时，首先确定目标用户所对应目标关联用户的偏好对象，获取偏好对象的用户活跃度，获取目标用户对偏好对象的喜好度，然后基于偏好对象的用户活跃度、目标用户对偏好对象的喜好度以及目标关联用户对偏好对象的喜好度确定目标用户与偏好对象之间的联系紧密度，根据联系紧密度对目标用户进行推荐。这种推荐方法基于目标用户的历史行为和与目标用户具有相似行为的目标关联用户的偏好对应给目标用户进行行为对象的推荐，可以提高推荐效率和推荐准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种推荐方法的实施环境图；
图2是本发明实施例提供的一种推荐方法的流程示意图；
图3是本发明实施例提供的确定目标用户所对应目标关联用户的偏好对象的一种流程示意图；
图4是本发明实施例提供的确定目标用户的目标关联用户的一种流程示意图；
图5是本发明实施例提供的获取目标用户和关联用户对行为对象中第一层子对象的喜好度的一种流程示意图；
图6是本发明实施例提供的获取目标用户对偏好对象的喜好度的一种流程示意图；
图7是本发明实施例提供的一种推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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的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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例中提供的推荐方法的实施环境图，如图1所示，在该实施环境中，包括终端01以及服务器02。
本发明实施例中，所述终端01可以包括智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。所述服务器02可以包括独立的物理服务器02，也可以包括多个物理服务器02构成的服务器02集群，可以包括提供云服务器02、云数据库、云存储和CDN等基础云计算服务的云服务器02。所述终端01与所述服务器02可以通过网络等通讯连接方式进行连接，本发明在此不做限制。
本发明实施例中，所述终端01可以在用户点击应用程序的首页时，向所述服务器0202发送应用程序开启请求。其中，所述应用程序可以包括用户的行为对象(如线下实体店)所对应的应用程序，例如线下实体店在微信上所对应的应用程序。所述服务器02可以在接收到所述终端01发送的应用程序开启请求时获取用户所对应的行为对象的推荐结果，将该推荐结果发送给所述终端01，也可以在预设时刻获取用户所对应的行为对象的推荐结果，将该推荐结果发送给所述终端01。
以下介绍本发明实施例提供的一种推荐方法，图2是本发明实施例提供的一种推荐方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
如图2所示，所述方法具体可以包括以下步骤：
S202.确定目标用户所对应目标关联用户的偏好对象。
具体的，所述目标用户可以包括获取推荐结果的用户，所述目标用户可以是随机获取的，也可以是指定的用户例如某一个地区的用户。
在一些实施例中，如图3所示，所述目标用户所对应目标关联用户的偏好对象可以采用以下步骤确定：
S302.确定目标用户的目标关联用户。
本发明实施例中，如图4所示，所述目标用户的目标关联用户可以采用以下步骤确定：
S402.确定所述目标用户的关联用户。
具体的，所述关联用户可以包括预设区域内与所述目标用户交互的交互用户。所述预设区域可以为所述目标用户与所述交互用户共同生活的城市，也可以为所述目标用户出差的城市，本发明在此不做限制。
所述交互用户可以包括预设时间内与所述目标用户交互的用户，例如在最近半年在社交应用上有过交互的用户，可以理解为所述目标用户在社交应用上的熟人好友，所述交互包括但不限于发送信息、点赞、评论、转账等，本发明在此不做限制。
本发明实施例中，所述社交应用可以为即时通信应用、SNS(Social NetworkServices，社会网络服务)应用、贴吧应用等。所述即时通信应用可包括微信、QQ以及MSN等。所述SNS应用可包括人人网以及Facebook等，但不限于此。
S404.获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度。
在一些实施例中，如图5所示，所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度可以采用以下步骤获取：
S501.获取第一数量的用户对行为对象的历史行为数据，所述第一数量的用户包括所述目标用户和所述关联用户。
本发明实施例中，可以获取大量(第一数量)用户对行为对象的历史行为数据，以便为后续的机器学习提供充足的训练数据。具体的，所述行为对象可以包括商场、餐饮店、便利店等线下实体店(也即，线下门店)，相应的，所述历史行为数据可以包括用户在线下实体店的消费行为数据。
S502.根据所述历史行为数据确定每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重以及每一第二层子对象在所对应行为对象中的第二权重。
具体的，所述第一层子对象可以包括商场、餐饮店、便利店等线下实体店中的商品种类，所述第二层子对象可以包括商场、餐饮店、便利店等线下实体店中的商品。
具体的，所述根据所述历史行为数据确定每一第二层子对象在所对应行为对象中的第二权重可以包括以下步骤：
1)获取所述历史行为数据所对应行为对象中每一第二层子对象的第一行为次数。
2)获取所述历史行为数据所对应行为对象中全部第二层子对象的第二行为次数。
3)根据所述第一行为次数和所述第二行为次数确定每一第二层子对象在所对应行为对象中的第二权重。
具体的，所述第二权重可以采用如下公式(1)来确定：
Figure BDA0002002682710000061
式(1)中：
n可以为用户的总数量；x可以为第x个用户；i可以为历史行为数据所对应行为对象中第i个行为对象；j可以为历史行为数据所对应行为对象中第j个第二层子对象；a可以为历史行为数据所对应行为对象中某一第二层子对象；m可以为历史行为数据所对应行为对象中第二层子对象的总数量；W3i,a可以为第二层子对象a在第i个行为对象中的权重。
具体的，所述根据所述历史行为数据确定每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重可以包括以下步骤：
1)获取所述历史行为数据所对应行为对象中每一用户对全部第二层子对象的第三行为次数。
2)获取所述历史行为数据所对应行为对象中第一数量的用户对全部第二层子对象的第四行为次数。
3)根据所述第三行为次数和所述第四行为次数确定每一用户对所述历史行为数据所对应行为对象的喜好矩阵数据。
4)对所述喜好矩阵数据进行矩阵分解，得到每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重。
具体的，所述初始喜好度和所述第一权重可以采用如下公式(2)来计算：
Figure BDA0002002682710000071
式(2)中：
n可以为用户的总数量；x可以为第x个用户；i可以为历史行为数据所对应行为对象中第i个行为对象；t可以为历史行为数据所对应行为对象中某一行为对象；j可以为历史行为数据所对应行为对象中第j个第二层子对象；m可以为历史行为数据所对应行为对象中第二层子对象的总数量；a可以为历史行为数据所对应行为对象中某一第二层子对象；Ax,t可以为第x个用户对行为对象t的喜好度。
S503.根据所述初始喜好度、所述第一权重和所述第二权重确定每一用户对每一所述第二层子对象的第一预测喜好度。
具体的，所述第一预测喜好度可以采用如下公式(3)来确定：
F(x,a)＝f(f(W1+b1)*W2+b2)*W3+b3 (3)
式(3)中：
W1可以为每一用户对每一行为对象中第一层子对象的初始喜好度；W2可以为每一第一层子对象在所对应行为对象中的权重；W3可以为每一第二层子对象在所对应行为对象中的权重；b1、b2和b3可以为第一预设机器学习模型的参数；f可以为一个激活函数，包括不限于sigmoid函数，tanh函数，relu函数，例如LReLU、PReLU与RReLU等；F(x,a)可以为第x个用户对第二层子对象a的预测喜好度。
S504.根据所述历史行为数据获取每一用户对每一所述第二层子对象的第一相对喜好度。
具体的，所述根据所述历史行为数据获取每一用户对每一所述第二层子对象的第一相对喜好度可以包括以下步骤：
1)获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的全部行为次数；
2)获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的平均行为次数；
3)根据所述全部行为次数和所述平均行为次数的大小确定每一用户的第二层子对象权重。
本发明实施例中，用户的第二层子对象权重可以表征某一第二层子对象在用户的所行为过的全部第二层子对象中权重。
具体的，所述第二层子对象权重具体可以采用如下公式(4)来确定：
Figure BDA0002002682710000081
式(4)中：
x可以为第x个用户；j可以为历史行为数据所对应行为对象中第j个行为对象；i可以为历史行为数据所对应行为对象中某一行为对象；a可以为历史行为数据所对应行为对象中某一第二层子对象；ni可以为历史行为数据所对应行为对象中某一行为对象的用户数量；cntx,j,a可以为第x个用户对第j个行为对象中第二层子对象a的行为次数；cntx,i,a可以为第x个用户对行为对象i中第二层子对象a的行为次数；g(cntx,i,a)可以为第二层子对象a在第x个用户所行为过的行为对象i的全部第二层子对象中权重。
4)根据所述每一用户的第二层子对象权重确定每一用户对所述历史行为数据所对应行为对象中第二层子对象的绝对喜好度。
具体的，所述绝对喜好度可以采用如下公式(5)来确定：
Figure BDA0002002682710000091
式(5)中：
T可以为历史行为数据所对应行为对象中行为对象的总数量；m可以为历史行为数据所对应行为对象中第二层子对象的总数量；x可以为第x个用户；i可以为历史行为数据所对应行为对象中第i个行为对象；j可以为历史行为数据所对应行为对象中第j个第二层子对象；a可以为历史行为数据所对应行为对象中某一第二层子对象；cntx,i,j可以为第x个用户对第i个行为对象中第j个第二层子对象的行为次数；cntx,i,a可以为第x个用户对第i个行为对象中第二层子对象a的行为次数；g(cntx,i,a)可以为第二层子对象α在第x个用户所行为过的行为对象i的全部第二层子对象中权重；g(cntx,i,j)可以为第j个第二层子对象在第x个用户所行为过的行为对象i的全部第二层子对象中权重；fx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的绝对喜好度。
5)根据所述绝对喜好度确定所述第一数量的用户对所述历史行为数据所对应行为对象中第二层子对象的平均相对喜好度。
具体的，所述平均相对喜好度可以采用如下公式(6)来确定：
Figure BDA0002002682710000101
式(6)中：
n可以为用户的总数量；x可以为第x个用户；a可以为历史行为数据所对应行为对象中某一第二层子对象；fx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的绝对喜好度；avgfa可以为用户对历史行为数据所对应行为对象中第二层子对象a的平均相对喜好度。
6)根据所述绝对喜好度和所述平均相对喜好度确定每一用户对每一所述第二层子对象的第一相对喜好度。
具体的，所述第一相对喜好度可以采用如下公式(7)来确定：
Figure BDA0002002682710000102
式(7)中：
fx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的绝对喜好度；avgfa可以为用户对历史行为数据所对应行为对象中第二层子对象a的平均相对喜好度；yx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的相对喜好度。
S505.将所述第一预测喜好度和所述第一相对喜好度输入至第一预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第一预设机器学习模型的参数，结合梯度下降法，更新所述第一预测喜好度所对应的所述初始喜好度、所述第一权重和所述第二权重，直至当前输出的第一预测喜好度与所述第一相对喜好度的误差小于等于第一预设阈值。
具体的，将所述第一预测喜好度和所述第一相对喜好度输入到第一预设机器学习模型，基于所述第一预测喜好度和所述第一相对喜好度并使用第一损失函数进行第二层子对象喜好学习训练，在训练过程中结合梯度下降法，对所述第一预设机器学习模型的参数进行梯度下降，更新所述第一预测喜好度所对应的所述初始喜好度、所述第一权重和所述第二权重，用更新后的新参数进行反向传播计算，来训练更新参数使当前输出的第一预测喜好度与所述第一相对喜好度的误差越来越小，直至当前输出的第一预测喜好度与所述第一相对喜好度的误差小于等于第一预设阈值，使预测越来越精准。本发明实施例中，所述第一预设阈值可以根据实际应用中对预测精准度的需要进行设置。
具体的，所述第一损失函数可以采用如下公式(8)来计算：
Figure BDA0002002682710000111
式(8)中：
n可以为用户的总数量；x可以为第x个用户；m可以为历史行为数据所对应行为对象中第二层子对象的总数量；a可以为历史行为数据所对应行为对象中某一第二层子对象；F(x,a)可以为第x个用户对第二层子对象a的预测喜好度；yx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的相对喜好度。
S506.将当前的喜好度作为所述第一数量的用户对行为对象中第一层子对象的喜好度。
S507.从所述第一数量的用户对行为对象中第一层子对象的喜好度中获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度。
S406.根据所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度，确定所述目标用户与所述关联用户的行为相似度。
具体的，所述行为相似度可以采用如下公式(9)来确定：
Figure BDA0002002682710000112
式(9)中：
x可以为目标用户；xj可以为目标用户的第j个关联用户；E可以为历史行为数据所对应行为对象中第一层子对象的总数量；e可以为历史行为数据所对应行为对象中某一第一层子对象；W1x,e可以为目标用户对行为对象中第一层子对象e的喜好度；W1xj,e可以为目标用户的第j个关联用户对行为对象中第一层子对象e的喜好度；Simx,xj可以为目标用户与目标用户的第j个关联用户的行为相似度。
在上述第一预设机器学习模型的训练过程中，随着所述第一预测喜好度的更新，所述每一用户对每一行为对象中第一层子对象的喜好度也随之更新，导致所述行为相似度也随之更新。
S408.根据所述行为相似度，从所述关联用户中确定目标关联用户。
在一些实施例中，所述目标关联用户可以采用以下步骤来确定：
将与所述目标用户的行为相似度大于等于设定阈值的关联用户作为所述目标关联用户。
其中，所述设定阈值可以根据实际需要进行设置，例如将与所述目标用户的行为相似度大于0.6的关联用户作为所述目标关联用户。
在另一些实施例中，所述目标关联用户可以采用以下步骤来确定：
将所述行为相似度按照数值大小进行排序，选取排序靠前设定数量所对应关联用户作为所述目标关联用户。
其中，所述设定数量可以根据实际需要进行设置，例如选取排序前三名所对应关联用户作为所述目标关联用户。
本发明实施例中，通过所述行为相似度从与目标用户在社交应用上有过交互的关联用户中选取出与目标用户具有相似行为的目标关联用户；后续，基于该与目标用户具有相似行为的目标关联用户的偏好对应给目标用户进行行为对象的推荐，可以提高推荐给目标用户的行为对象对目标用户的吸引力，改善推荐效果。
S304.获取所述目标关联用户对行为对象的喜好度。
具体的，所述目标关联用户对行为对象的喜好度可以采用以下步骤获取：
1)获取所述目标关联用户的历史行为数据，所述历史行为数据包括用户对行为对象的历史行为数据。
2)根据所述历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的喜好度，以及所述第一层子对象在所述所对应行为对象中的权重。
3)基于所述第一层子对象的喜好度和所述第一层子对象在所述所对应行为对象中的权重，确定所述目标关联用户对行为对象的喜好度。
具体的，所述喜好度可以采用如下公式(10)来确定：
Figure BDA0002002682710000131
式(10)中：
E可以为历史行为数据所对应行为对象中第一层子对象的总数量；e可以为历史行为数据所对应行为对象中某一第一层子对象；T可以为历史行为数据所对应行为对象中行为对象的总数量；t可以为历史行为数据所对应行为对象中某一行为对象；x1可以为目标关联用户；W1x1,e可以为目标关联用户对历史行为数据所对应行为对象中第一层子对象e的喜好度；W2e,t可以为第一层子对象e在所对应行为对象t中的权重。
S306.根据所述目标关联用户对所述行为对象的喜好度确定所述目标关联用户的偏好对象。
在一些实施例中，所述目标关联用户的偏好对象可以采用以下步骤来确定：
将所述目标关联用户对所述行为对象的喜好度大于等于第二预设阈值的行为对象作为所述目标关联用户的偏好对象。其中，所述第二预设阈值可以根据实际需要进行设置，本发明在此不做限制。
在另一些实施例中，所述目标关联用户的偏好对象可以采用以下步骤来确定：
将所述喜好度按照数值大小进行排序，选取排序靠前第二数量的喜好度所对应行为对象作为所述目标关联用户的偏好对象。其中，所述第二数量可以根据实际需要进行设置，本发明在此不做限制。
S204.获取所述偏好对象的用户活跃度。
具体的，所述偏好对象的用户活跃度可以采用以下步骤获取：
基于所述偏好对象所对应的用户的历史行为数据，确定所述偏好对象的用户活跃度。其中，所述用户活跃度表征所述偏好对象在社交应用上的影响力。
在一些实施例中，所述偏好对象的用户活跃度可以基于所述偏好对象所对应的用户对所述偏好对象的访问次数和/或所述偏好对象所对应的用户对所述偏好对象的行为次数，并利用pagerank算法来确定。
具体的，可以利用pagerank算法计算得到所述偏好对象的pagerank值，所述pagerank值表示所述活跃度，所述pagerank值越高，表明所述偏好对象在社交应用上的影响力越大；若所述pagerank值低于一定的阈值，则表明所述偏好对象在社交应用上的影响力越小。
此外，需要说明的是，本说明书实施例中计算用户活跃度并不仅限于采用上述结合pagerank算法的方式，在实际应用中，还可以采用其他算法。
S206.获取所述目标用户对所述偏好对象的喜好度。
如图6所示，所述目标用户对所述偏好对象的喜好度可以采用以下步骤获取：
S601.获取所述目标用户和目标关联用户的历史行为数据，所述历史行为数据对应第三数量的行为对象。
本发明实施例中，可以获取所述目标用户和目标关联用户在大量(第三数量)行为对象中的历史行为数据，所述第三数量的行为对象包括偏好对象，以便为后续的机器学习提供充足的训练数据。
S602.根据所述目标用户的历史行为数据确定所述目标用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度、所述第一层子对象在所述行为对象中的第一权重。
S603.根据所述目标关联用户的历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度。
S604.根据所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始平均喜好度。
具体的，所述初始平均喜好度可以采用如下公式(11)来确定：
Figure BDA0002002682710000151
式(11)中：
M可以为目标用户的目标关联用户的总数量；W1k,e可以为第k个目标关联用户对历史行为数据所对应行为对象中第一层子对象e的初始喜好度；avg_fri_e可以为目标关联用户对历史行为数据所对应行为对象中第一层子对象的初始平均喜好度。
S605.基于所述初始喜好度、所述第一权重和所述初始平均喜好度确定所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二预测喜好度。
具体的，所述第二预测喜好度可以采用如下公式(12)来确定：
G(x,a)＝f(new_W1,avg_fri_e,b1)*new_W2+b2 (12)
式(12)中：
W1可以为每一用户对历史行为数据所对应行为对象中第一层子对象的初始喜好度；W2可以为每一第一层子对象在所对应行为对象中的权重；avg_fri_e可以为每一用户对历史行为数据所对应行为对象中第一层子对象的初始平均喜好度；b1和b2可以为第二预设机器学习模型的参数；f可以为一个激活函数，包括不限于sigmoid函数，tanh函数，relu函数，例如LReLU、PReLU与RReLU等；G(x,a)可以为第x个用户对第二层子对象a的预测喜好度。
S606.获取所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二相对喜好度。
具体的，所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二相对喜好度可以采用以下步骤获取：
1)获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的全部行为次数。
2)获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的平均行为次数。
3)根据所述全部行为次数和所述平均行为次数的大小确定每一用户的第二层子对象权重。
4)根据所述每一用户的第二层子对象权重确定每一用户对所述历史行为数据所对应行为对象中第二层子对象的绝对喜好度。
5)根据所述绝对喜好度确定所述第一数量的用户对所述历史行为数据所对应行为对象中第二层子对象的平均相对喜好度。
6)根据所述绝对喜好度和所述平均相对喜好度确定所述目标用户对所述第二层子对象的第二相对喜好度。
S607.将所述第二预测喜好度和所述第二相对喜好度输入至第二预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第二预设机器学习模型的参数，结合梯度下降法，更新所述第二预测喜好度所对应的所述初始喜好度、所述第一权重和所述初始平均喜好度，直至当前输出的第二预测喜好度与所述第二相对喜好度的误差小于等于第三预设阈值。
具体的，将所述第二预测喜好度和所述第二相对喜好度输入到第二预设机器学习模型，基于所述第二预测喜好度和所述第二相对喜好度并使用第二损失函数进行第二层子对象喜好学习训练，在训练过程中结合梯度下降法，对所述第二预设机器学习模型的参数进行梯度下降，更新所述第二预测喜好度所对应的所述初始喜好度、所述第一权重和所述初始平均喜好度，用更新后的新参数进行反向传播计算，来训练更新参数使当前输出的第二预测喜好度与所述第二相对喜好度的误差越来越小，直至当前输出的第二预测喜好度与所述第二相对喜好度的误差小于等于第三预设阈值，使预测越来越精准。本发明实施例中，所述第三预设阈值可以根据实际应用中对预测精准度的需要进行设置。
具体的，所述第二损失函数可以采用如下公式(13)来计算：
Figure BDA0002002682710000171
式(13)中：
n可以为用户的总数量；x可以为第x个用户；m可以为历史行为数据所对应行为对象中第二层子对象的总数量；a可以为历史行为数据所对应行为对象中某一第二层子对象；G(x,a)可以为第x个用户对第二层子对象a的预测喜好度；yx,a可以为第x个用户对历史行为数据所对应行为对象中第二层子对象a的相对喜好度。
S608.将当前第所述二预设机器学习模型输出的第二预测喜好度作为所述目标用户对所述第三数量的行为对象的喜好度。
S609.从所述目标用户对所述第三数量的行为对象的喜好度中获取所述目标用户对所述偏好对象的喜好度。
S208.基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度。
其中，所述联系紧密度表征每一个所述应用程序对所述目标用户的吸引力。所述联系紧密度具体可以采用如下公式(14)来确定：
Figure BDA0002002682710000172
式(14)中：
x可以为目标用户；t可以为偏好对象；M可以为目标用户的目标关联用户的总数量；xj可以为目标用户的第j个目标关联用户；alpha可以为预设常数(可以结合实际应用进行设置，例如设置为0.9)；G(x,t)可以为目标用户对偏好对象t的喜好度；G(xj,t)可以为目标用户的第j个目标关联用户对偏好对象t的喜好度；pagerank(t)可以为偏好对象t的用户活跃度。
S210.根据所述联系紧密度对所述目标用户进行推荐。
在一些实施例中，所述联系紧密度可以采用以下步骤进行推荐：
将所述联系紧密度大于等于第四预设阈值的偏好对象作为所述目标用户的推荐对象推荐给所述目标用户。其中，所述第四预设阈值可以根据实际需要进行设置，本发明在此不做限制。
在另一些实施例中，所述联系紧密度可以采用以下步骤进行推荐：
将所述联系紧密度按照数值大小进行排序，选取排序靠前第四数量的联系紧密度所对应偏好对象作为所述目标用户的推荐对象推荐给所述目标用户。其中，所述第四数量可以根据实际需要进行设置，例如选取排序前五名的联系紧密度所对应偏好对象作为所述目标用户的推荐对象推荐给所述目标用户。
由以上本发明实施例提供的技术方案可见，本发明实施例中通过结合线下实体店的流量以及社交应用上的熟人社交给目标用户推荐线下实体店，使目标用户可以直接了解线下实体店的信息，推荐效率和推荐准确率较高。此外，通过目标用户在线下实体门店的消费行为，可促进目标用户在线上应用程序的表现(如主动把线下实体店信息发送给熟人好友)，这样可以使线上和线下的行为联系的更紧密，提高了目标用户体验，也提高了推荐准确率。
相应的，本发明实施例还提供了一种推荐装置，如图7所示，所述装置包括：
偏好对象确定模块710，用于确定目标用户所对应目标关联用户的偏好对象；
用户活跃度获取模块720，用于获取所述偏好对象的用户活跃度；
偏好对象喜好度获取模块730，用于获取所述目标用户对所述偏好对象的喜好度；
联系紧密度确定模块740，用于基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度；
推荐模块750，用于根据所述联系紧密度对所述目标用户进行推荐。
本发明实施例中，所述偏好对象确定模块710可以包括:
第一目标关联用户确定单元，用于确定目标用户的目标关联用户；
行为对象喜好度获取单元，用于获取所述目标关联用户对行为对象的喜好度；
偏好对象确定单元，用于根据所述目标关联用户对所述行为对象的喜好度确定所述目标关联用户的偏好对象。
本发明实施例中，所述第一目标关联用户确定单元可以包括：
关联用户确定单元，用于确定所述目标用户的关联用户，所述关联用户包括预设区域内与所述目标用户交互的交互用户；
喜好度获取单元，用于获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度；
行为相似度确定单元，用于根据所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度，确定所述目标用户与所述关联用户的行为相似度；
第二目标关联用户确定单元，用于根据所述行为相似度，从所述关联用户中确定目标关联用户。
本发明实施例中，所述喜好度获取单元可以包括：
第一历史行为数据获取单元，用于获取第一数量的用户对行为对象的历史行为数据，所述第一数量的用户包括所述目标用户和所述关联用户；
第一数据处理单元，用于根据所述历史行为数据确定每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重以及每一第二层子对象在所对应行为对象中的第二权重；
第一预测喜好度确定单元，用于根据所述初始喜好度、所述第一权重和所述第二权重确定每一用户对每一所述第二层子对象的第一预测喜好度；
第一相对喜好度获取单元，用于根据所述历史行为数据获取每一用户对每一所述第二层子对象的第一相对喜好度；
第一训练单元，用于将所述第一预测喜好度和所述第一相对喜好度输入至第一预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第一预设机器学习模型的参数，结合梯度下降法，更新所述第一预测喜好度所对应的所述初始喜好度、所述第一权重和所述第二权重，直至当前输出的第一预测喜好度与所述第一相对喜好度的误差小于等于第一预设阈值；
第一层子对象喜好度确定单元，用于将当前的喜好度作为所述第一数量的用户对行为对象中第一层子对象的喜好度；
第一层子对象喜好度获取单元，用于从所述第一数量的用户对行为对象中第一层子对象的喜好度中获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度。
本发明实施例中，所述第一数据处理单元可以包括：
第一行为次数获取单元，用于获取所述历史行为数据所对应行为对象中每一第二层子对象的第一行为次数；
第二行为次数获取单元，用于获取所述历史行为数据所对应行为对象中全部第二层子对象的第二行为次数；
第二权重确定单元，用于根据所述第一行为次数和所述第二行为次数确定每一第二层子对象在所对应行为对象中的第二权重；
第三行为次数获取单元，用于获取所述历史行为数据所对应行为对象中每一用户对全部第二层子对象的第三行为次数；
第四行为次数获取单元，用于获取所述历史行为数据所对应行为对象中第一数量的用户对全部第二层子对象的第四行为次数；
喜好矩阵数据确定单元，用于根据所述第三行为次数和所述第四行为次数确定每一用户对所述历史行为数据所对应行为对象的喜好矩阵数据；
矩阵分解单元，用于对所述喜好矩阵数据进行矩阵分解，得到每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重。
本发明实施例中，所述第一相对喜好度获取单元可以包括：
全部行为次数获取单元，用于获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的全部行为次数；
平均行为次数获取单元，用于获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的平均行为次数；
第二层子对象权重确定单元，用于根据所述全部行为次数和所述平均行为次数的大小确定每一用户的第二层子对象权重；
绝对喜好度确定单元，用于根据所述每一用户的第二层子对象权重确定每一用户对所述历史行为数据所对应行为对象中第二层子对象的绝对喜好度；
平均相对喜好度确定单元，用于根据所述绝对喜好度确定所述第一数量的用户对所述历史行为数据所对应行为对象中第二层子对象的平均相对喜好度；
第一相对喜好度确定单元，用于根据所述绝对喜好度和所述平均相对喜好度确定每一用户对每一所述第二层子对象的第一相对喜好度。
本发明实施例中，所述行为对象喜好度获取单元可以包括：
第二历史行为数据获取单元，用于获取所述目标关联用户的历史行为数据，所述历史行为数据包括用户对行为对象的历史行为数据；
第二数据处理单元，用于根据所述历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的喜好度，以及所述第一层子对象在所述所对应行为对象中的权重；
行为对象喜好度确定单元，用于基于所述第一层子对象的喜好度和所述第一层子对象在所述所对应行为对象中的权重，确定所述目标关联用户对行为对象的喜好度。
本发明实施例中，所述偏好对象确定单元可以包括：
第一偏好对象确定单元，用于将所述目标关联用户对所述行为对象的喜好度大于等于第二预设阈值的行为对象作为所述目标关联用户的偏好对象；
第二偏好对象确定单元，用于将所述喜好度按照数值大小进行排序，选取排序靠前第二数量的喜好度所对应行为对象作为所述目标关联用户的偏好对象。
本发明实施例中，所述用户活跃度获取模块720可以包括：
用户活跃度确定单元，用于基于所述偏好对象所对应的用户的历史行为数据，确定所述偏好对象的用户活跃度。
本发明实施例中，所述偏好对象喜好度获取模块730可以包括：
第三历史行为数据获取单元，用于获取所述目标用户和目标关联用户的历史行为数据，所述历史行为数据对应第三数量的行为对象；
第三数据处理单元，用于根据所述目标用户的历史行为数据确定所述目标用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度、所述第一层子对象在所述行为对象中的第一权重；
第一层子对象初始喜好度确定单元，用于根据所述目标关联用户的历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度；
第一层子对象初始平均喜好度确定单元，用于根据所述目标关联用户对所述偏好对象中第一层子对象的所对应的初始喜好度确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始平均喜好度；
第二预测喜好度确定单元，用于基于所述初始喜好度、所述第一权重和所述初始平均喜好度确定所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二预测喜好度；
第二相对喜好度获取单元，用于获取所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二相对喜好度；
第二训练单元，用于将所述第二预测喜好度和所述第二相对喜好度输入至第二预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第二预设机器学习模型的参数，结合梯度下降法，更新所述第二预测喜好度所对应的所述初始喜好度、所述第一权重和所述初始平均喜好度，直至当前输出的第二预测喜好度与所述第二相对喜好度的误差小于等于第三预设阈值；
喜好度确定单元，用于将当前所述二预设机器学习模型输出的第二预测喜好度作为所述目标用户对所述第三数量的行为对象的喜好度；
偏好对象喜好度获取单元，用于从所述目标用户对所述第三数量的行为对象的喜好度中获取所述目标用户对所述偏好对象的喜好度。
本发明实施例中，所述推荐模块750可以包括：
第一推荐单元，用于将所述联系紧密度大于等于第四预设阈值的偏好对象作为所述目标用户的推荐对象推荐给所述目标用户；
第二推荐单元，用于将所述联系紧密度按照数值大小进行排序，选取排序靠前第四数量的联系紧密度所对应偏好对象作为所述目标用户的推荐对象推荐给所述目标用户。
所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本发明实施例还提供了一种服务器，该服务器包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的推荐方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
由上述本发明提供的推荐方法、装置及服务器的实施例可见，本发明实施例中通过结合线下实体店的流量以及社交应用上的熟人社交给目标用户推荐线下实体店，使目标用户可以直接了解线下实体店的信息，推荐效率和推荐准确率较高。此外，通过目标用户在线下实体门店的消费行为，可促进目标用户在线上应用程序的表现(如主动把线下实体店信息发送给熟人好友)，这样可以使线上和线下的行为联系的更紧密，提高了目标用户体验，也提高了推荐准确率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种推荐方法，其特征在于，所述方法包括：
确定目标用户所对应目标关联用户的偏好对象，所述目标关联用户为与所述目标用户的行为相似度满足预设要求的用户，所述偏好对象为根据所述目标关联用户对行为对象的喜好度确定出的行为对象；
获取所述偏好对象的用户活跃度，所述用户活跃度基于所述偏好对象所对应的用户的历史行为数据所确定，所述用户活跃度用于表征所述偏好对象在社交应用上的影响力；
获取所述目标用户对所述偏好对象的喜好度；
基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度，确定所述目标用户与所述偏好对象之间的联系紧密度，所述联系紧密度表征所述偏好对象对所述目标用户的吸引力；
根据所述联系紧密度对所述目标用户进行推荐。
2.根据权利要求1所述的推荐方法，其特征在于，所述确定目标用户所对应目标关联用户的偏好对象包括：
确定目标用户的目标关联用户；
获取所述目标关联用户对行为对象的喜好度；
根据所述目标关联用户对所述行为对象的喜好度确定所述目标关联用户的偏好对象。
3.根据权利要求2所述的推荐方法，其特征在于，所述确定目标用户的目标关联用户包括：
确定所述目标用户的关联用户，所述关联用户包括预设区域内与所述目标用户交互的交互用户；
获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度；
根据所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度，确定所述目标用户与所述关联用户的行为相似度；
根据所述行为相似度，从所述关联用户中确定目标关联用户。
4.根据权利要求3所述的推荐方法，其特征在于，所述获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度包括：
获取第一数量的用户对行为对象的历史行为数据，所述第一数量的用户包括所述目标用户和所述关联用户；
根据所述历史行为数据确定每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重以及每一第二层子对象在所对应行为对象中的第二权重；
根据所述初始喜好度、所述第一权重和所述第二权重确定每一用户对每一所述第二层子对象的第一预测喜好度；
根据所述历史行为数据获取每一用户对每一所述第二层子对象的第一相对喜好度；
将所述第一预测喜好度和所述第一相对喜好度输入至第一预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第一预设机器学习模型的参数，结合梯度下降法，更新所述第一预测喜好度所对应的所述初始喜好度、所述第一权重和所述第二权重，直至当前输出的第一预测喜好度与所述第一相对喜好度的误差小于等于第一预设阈值；
将当前的喜好度作为所述第一数量的用户对行为对象中第一层子对象的喜好度；
从所述第一数量的用户对行为对象中第一层子对象的喜好度中获取所述目标用户和所述关联用户对行为对象中第一层子对象的喜好度。
5.根据权利要求4所述的推荐方法，其特征在于，所述根据所述历史行为数据确定每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重以及每一第二层子对象在所对应行为对象中的第二权重包括：
获取所述历史行为数据所对应行为对象中每一第二层子对象的第一行为次数；
获取所述历史行为数据所对应行为对象中全部第二层子对象的第二行为次数；
根据所述第一行为次数和所述第二行为次数确定每一第二层子对象在所对应行为对象中的第二权重；
获取所述历史行为数据所对应行为对象中每一用户对全部第二层子对象的第三行为次数；
获取所述历史行为数据所对应行为对象中第一数量的用户对全部第二层子对象的第四行为次数；
根据所述第三行为次数和所述第四行为次数确定每一用户对所述历史行为数据所对应行为对象的喜好矩阵数据；
对所述喜好矩阵数据进行矩阵分解，得到每一用户对每一行为对象中第一层子对象的初始喜好度、每一所述第一层子对象在所对应行为对象中的第一权重。
6.根据权利要求4所述的推荐方法，其特征在于，所述根据所述历史行为数据获取每一用户对每一所述第二层子对象的第一相对喜好度包括：
获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的全部行为次数；
获取所述历史行为数据所对应行为对象中每一用户对每一第二层子对象的平均行为次数；
根据所述全部行为次数和所述平均行为次数的大小确定每一用户的第二层子对象权重；
根据所述每一用户的第二层子对象权重确定每一用户对所述历史行为数据所对应行为对象中第二层子对象的绝对喜好度；
根据所述绝对喜好度确定所述第一数量的用户对所述历史行为数据所对应行为对象中第二层子对象的平均相对喜好度；
根据所述绝对喜好度和所述平均相对喜好度确定每一用户对每一所述第二层子对象的第一相对喜好度。
7.根据权利要求2所述的推荐方法，其特征在于，所述获取所述目标关联用户对行为对象的喜好度包括：
获取所述目标关联用户的历史行为数据，所述历史行为数据包括用户对行为对象的历史行为数据；
根据所述历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的喜好度，以及所述第一层子对象在所述所对应行为对象中的权重；
基于所述第一层子对象的喜好度和所述第一层子对象在所述所对应行为对象中的权重，确定所述目标关联用户对行为对象的喜好度。
8.根据权利要求2所述的推荐方法，其特征在于，所述根据所述目标关联用户对所述行为对象的喜好度确定所述目标关联用户的偏好对象包括：
将所述目标关联用户对所述行为对象的喜好度大于等于第二预设阈值的行为对象作为所述目标关联用户的偏好对象；或者，
将所述喜好度按照数值大小进行排序，选取排序靠前第二数量的喜好度所对应行为对象作为所述目标关联用户的偏好对象。
9.根据权利要求1所述的推荐方法，其特征在于，所述获取所述偏好对象的用户活跃度包括：
基于所述偏好对象所对应的用户的历史行为数据，确定所述偏好对象的用户活跃度。
10.根据权利要求1所述的推荐方法，其特征在于，所述获取所述目标用户对所述偏好对象的喜好度包括：
获取所述目标用户和目标关联用户的历史行为数据，所述历史行为数据对应第三数量的行为对象，所述第三数量的行为对象包括所述偏好对象；
根据所述目标用户的历史行为数据确定所述目标用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度、所述第一层子对象在所述行为对象中的第一权重；
根据所述目标关联用户的历史行为数据确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度；
根据所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始喜好度确定所述目标关联用户对所述历史行为数据所对应行为对象中第一层子对象的初始平均喜好度；
基于所述初始喜好度、所述第一权重和所述初始平均喜好度确定所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二预测喜好度；
获取所述目标用户对所述历史行为数据所对应行为对象中第二层子对象的第二相对喜好度；
将所述第二预测喜好度和所述第二相对喜好度输入至第二预设机器学习模型进行第二层子对象喜好学习训练，在训练过程中调整所述第二预设机器学习模型的参数，结合梯度下降法，更新所述第二预测喜好度所对应的所述初始喜好度、所述第一权重和所述初始平均喜好度，直至当前输出的第二预测喜好度与所述第二相对喜好度的误差小于等于第三预设阈值；
将当前所述二预设机器学习模型输出的第二预测喜好度作为所述目标用户对所述第三数量的行为对象的喜好度；
从所述目标用户对所述第三数量的行为对象的喜好度中获取所述目标用户对所述偏好对象的喜好度。
11.根据权利要求1所述的推荐方法，其特征在于，所述根据所述联系紧密度对所述目标用户进行推荐包括：
将所述联系紧密度大于等于第四预设阈值的偏好对象作为所述目标用户的推荐对象推荐给所述目标用户；
或者，将所述联系紧密度按照数值大小进行排序，选取排序靠前第四数量的联系紧密度所对应偏好对象作为所述目标用户的推荐对象推荐给所述目标用户。
12.一种推荐装置，其特征在于，所述装置包括：
偏好对象确定模块，用于确定目标用户所对应目标关联用户的偏好对象，所述目标关联用户为与所述目标用户的行为相似度满足预设要求的用户，所述偏好对象为根据所述目标关联用户对行为对象的喜好度确定出的行为对象；
用户活跃度获取模块，用于获取所述偏好对象的用户活跃度，所述用户活跃度基于所述偏好对象所对应的用户的历史行为数据所确定，所述用户活跃度用于表征所述偏好对象在社交应用上的影响力；
偏好对象喜好度获取模块，用于获取所述目标用户对所述偏好对象的喜好度；
联系紧密度确定模块，用于基于所述偏好对象的用户活跃度、所述目标用户对所述偏好对象的喜好度以及所述目标关联用户对所述偏好对象的喜好度确定所述目标用户与所述偏好对象之间的联系紧密度，所述联系紧密度表征所述偏好对象对所述目标用户的吸引力；
推荐模块，用于根据所述联系紧密度对所述目标用户进行推荐。
13.一种服务器，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-11中任一项权利要求所述推荐方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序用于实现权利要求1-11中任一项权利要求所述推荐方法的步骤。
CN201910218041.0A 2019-03-21 2019-03-21 一种推荐方法、装置及服务器 Active CN110059248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910218041.0A CN110059248B (zh) 2019-03-21 2019-03-21 一种推荐方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910218041.0A CN110059248B (zh) 2019-03-21 2019-03-21 一种推荐方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN110059248A CN110059248A (zh) 2019-07-26
CN110059248B true CN110059248B (zh) 2022-12-13

Family

ID=67317157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910218041.0A Active CN110059248B (zh) 2019-03-21 2019-03-21 一种推荐方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN110059248B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011095814A (ja) * 2009-10-27 2011-05-12 Hitachi Solutions Ltd ユーザ嗜好適合アイテム推薦装置
CN103176982A (zh) * 2011-12-20 2013-06-26 中国移动通信集团浙江有限公司 一种电子图书推荐的方法及系统
CN103544623A (zh) * 2013-11-06 2014-01-29 武汉大学 一种基于用户偏好特征建模的Web 服务推荐方法
CN106997358A (zh) * 2016-01-22 2017-08-01 中移（杭州）信息技术有限公司 信息推荐方法及装置
WO2017193749A1 (zh) * 2016-05-12 2017-11-16 阿里巴巴集团控股有限公司 一种确定用户行为偏好的方法、推荐信息的展示方法和装置
CN107423308A (zh) * 2016-05-24 2017-12-01 华为技术有限公司 主题推荐方法以及装置
CN107679053A (zh) * 2017-06-12 2018-02-09 平安科技（深圳）有限公司 地点推荐方法、装置、计算机设备及存储介质
CN108198045A (zh) * 2018-01-30 2018-06-22 东华大学 基于电子商务网站数据挖掘的混合推荐系统的设计方法
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109002490A (zh) * 2018-06-26 2018-12-14 腾讯科技（深圳）有限公司 用户画像生成方法、装置、服务器及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9230212B2 (en) * 2012-02-02 2016-01-05 Peel Technologies, Inc. Content based recommendation system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011095814A (ja) * 2009-10-27 2011-05-12 Hitachi Solutions Ltd ユーザ嗜好適合アイテム推薦装置
CN103176982A (zh) * 2011-12-20 2013-06-26 中国移动通信集团浙江有限公司 一种电子图书推荐的方法及系统
CN103544623A (zh) * 2013-11-06 2014-01-29 武汉大学 一种基于用户偏好特征建模的Web 服务推荐方法
CN106997358A (zh) * 2016-01-22 2017-08-01 中移（杭州）信息技术有限公司 信息推荐方法及装置
WO2017193749A1 (zh) * 2016-05-12 2017-11-16 阿里巴巴集团控股有限公司 一种确定用户行为偏好的方法、推荐信息的展示方法和装置
CN107423308A (zh) * 2016-05-24 2017-12-01 华为技术有限公司 主题推荐方法以及装置
CN107679053A (zh) * 2017-06-12 2018-02-09 平安科技（深圳）有限公司 地点推荐方法、装置、计算机设备及存储介质
CN108198045A (zh) * 2018-01-30 2018-06-22 东华大学 基于电子商务网站数据挖掘的混合推荐系统的设计方法
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109002490A (zh) * 2018-06-26 2018-12-14 腾讯科技（深圳）有限公司 用户画像生成方法、装置、服务器及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Exploring Social Approach to Recommend Talks at Research Conferences;Lee, Danielle H.等;《PROCEEDINGS OF THE 2012 8TH INTERNATIONAL CONFERENCE ON COLLABORATIVE COMPUTING: NETWORKING, APPLICATIONS AND WORKSHARING》;20130207;第157-164页 *
基于混合模型的个性化推荐算法研究;郑瑶琳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181015;I138-967 *
新闻聚合APP个性化推荐研究;周晓瑜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215;I141-117 *

Also Published As

Publication number Publication date
CN110059248A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
KR102122373B1 (ko) 사용자 포트레이트를 획득하는 방법 및 장치
KR102342678B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
KR102214422B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
CN110147882B (zh) 神经网络模型的训练方法、人群扩散方法、装置及设备
CN111079015B (zh) 一种推荐方法、装置、计算机设备和存储介质
CN109062919B (zh) 一种基于深度强化学习的内容推荐方法及装置
CN109086439A (zh) 信息推荐方法及装置
TW202008264A (zh) 透過深度強化學習進行推薦行銷的方法及裝置
CN109903103B (zh) 一种推荐物品的方法和装置
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
CN108629608A (zh) 用户数据处理方法及装置
JP7348230B2 (ja) 生成装置、生成方法、及び生成プログラム
CN111275205A (zh) 虚拟样本的生成方法、终端设备及存储介质
JP2016177377A (ja) 学習装置、学習方法、及び学習プログラム
CN111340522A (zh) 资源推荐方法、装置、服务器及存储介质
CN105580043A (zh) 用于推荐系统的基于强度的建模
US8838509B1 (en) Site flow optimization
CN109977979B (zh) 定位种子用户的方法、装置、电子设备和存储介质
CN111652673B (zh) 智能推荐方法、装置、服务器和存储介质
CN110059248B (zh) 一种推荐方法、装置及服务器
CN111489196A (zh) 基于深度学习网络的预测方法、装置、电子设备及介质
CN110210885A (zh) 挖掘潜在客户的方法、装置、设备及可读存储介质
CN115686300A (zh) 用户互动的方法、装置、设备和存储介质
JP5588938B2 (ja) アイテム推薦装置及び方法及びプログラム
CN113762535A (zh) 一种物品召回方法和装置

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
GR01 Patent grant
GR01 Patent grant