CN110111167A - 一种确定推荐对象的方法和装置 - Google Patents

Abstract

本发明公开了一种确定推荐对象的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。该实施方式能够解决推荐对象不准确的问题。

Description

一种确定推荐对象的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种确定推荐对象的方法和装置。

背景技术

随着互联网技术、电子商务等的快速发展，我们已经进入了一个大数据时代。然而，海量的数据也给人们带来了“信息过载”的问题。目前人们解决信息过载的主要方式有两种：搜索引擎、推荐系统。搜索引擎是在搜索者有明确目标时，快速地在万千数据中找到自己想要结果的常用工具；而推荐系统则是在用户目的较为不明确时，将用户可能感兴趣的内容推荐到用户面前。

以产品推荐系统为例，目前主要采用以下几种推荐方式：

1、定期统计畅销品，选择销量排行榜排序靠前的产品展示在推荐资源位，给出固定产品推荐；

2、根据产品的关联性给出推荐，把日常人们会绑定购买的产品做配对标记，在购买了其中之一时，推荐剩下的标记产品；

3、计算产品之间的相似程度，如利用“基于产品的协同过滤算法”(Item-Collaboration Filter)计算出和用户已经购买的产品相似的物品展现在前台推荐给用户。

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：对所有的用户都推荐固定的产品，并没有考虑用户的人群特性，没有个性化的需求分析；根据用户的购买行为做出相似品推荐的方式具有滞后性较强的缺点，用户在购买过一种产品后，一段时间很少会再去购买相似产品，因此很难转换成真正的购买行为，导致转换率较低。

发明内容

有鉴于此，本发明实施例提供一种确定推荐对象的方法和装置，以解决推荐对象不准确的技术问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种确定推荐对象方法，包括：

获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；

根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；

根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

可选地，获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度，包括：

获取目标用户和其他用户对各个对象的评分数据；

根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

可选地，根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群，包括：

对目标用户与每一个其他用户之间的相关系数进行降序排序，相关系数越接近于1所对应的用户在排序中越靠前；

从所述其他用户中筛选出在排序中靠前的多个用户作为相似用户群。

可选地，根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象：

根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

可选地，所述方法还包括：

根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

另外，根据本发明实施例的另一个方面，提供了一种确定推荐对象的装置，包括：

计算模块，用于获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；

筛选模块，用于根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；

推荐模块，用于根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

可选地，所述计算模块，用于：

获取目标用户和其他用户对各个对象的评分数据；

根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

可选地，所述筛选模块，用于：

对目标用户与每一个其他用户之间的相关系数进行降序排序，相关系数越接近于1所对应的用户在排序中越靠前；

从所述其他用户中筛选出在排序中靠前的多个用户作为相似用户群。

可选地，所述推荐模块，用于：

根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

可选地，所述装置还包括：

更新模块，用于根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

根据本发明实施例的另一个方面，还提供了一种电子设备，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实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用根据相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定目标用户对应的推荐对象的技术手段，所以克服了推荐对象不准确的技术问题，以目标用户为中心，通过筛选相似用户群的方式，找到目标用户的行为趋势，强化用户之间的相似性，弱化对象之间的相似性，从而提高推荐准确性。而且，本发明更多地关注用户个体的需求，规避广撒网的推荐方式，能够提升推荐回报率，减少推荐资源的浪费。

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确定推荐对象的方法的主要流程的示意图；

图2是根据本发明一个可参考实施例的确定推荐对象的方法的主要流程的示意图；

图3是根据本发明实施例的确定推荐对象的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端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。

为了提高推荐对象的准确性，本发明提出了一种确定推荐对象的方法，包括：获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。因此，该方法以目标用户为中心，强化用户之间的相似性，弱化对象(例如产品)之间的相似性，从而提高了确定目标用户对应的推荐对象的准确性。

图1是根据本发明实施例的确定推荐对象的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述确定推荐对象的方法可以包括：

步骤101，获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度。

在该步骤中，获取目标用户和每一个其他用户对各个对象的评分数据，根据所述评分数据计算目标用户与其他用户之间的相似度。所述对象可以是产品、歌曲、视频、小说等。进一步地，所述对象可以是用户购买过的产品、听过的歌曲、观看过的视频、阅读过的小说等，当用户对其购买过的产品、听过的歌曲、观看过的视频、阅读过的小说等进行评分后，会产生用户对这些对象的评分数据。

需要指出的是，所述对象也可以是用户未曾购买过的产品、未曾听过的歌曲、未曾观看过的视频、未曾阅读过的小说等，当用户对这些对象评分后，也同样会产生用户对这些对象的评分数据。

具体地，以产品对象为例，从数据库中读取各个用户的历史购买信息，然后从历史购买信息中获取各个用户对已购买对象的评分数据，如表1所示，再根据所述评分数据确定目标用户与其他用户之间的相似度。

表1各个用户对已购买产品的评分数据

	产品1	产品2	产品3	产品4	产品5	产品…
							用户A	3.3	6.5	2.8	3.4	5.5	…
用户B	3.5	5.8	3.1	3.6	5.1	…
							用户C	5.6	3.3	4.5	5.2	3.2	…
用户D	5.4	2.8	4.1	4.9	2.8	…
							用户E	5.2	3.1	4.7	5.3	3.1	…
用户…	…	…	…	…	…	…

作为本发明的又一个实施例，所述步骤101包括：获取目标用户和其他用户对各个对象的评分数据；根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

在该实施例中，所述皮尔逊相关系数公式如下：

其中，ρ_X,Y表示X与Y之间的相关系数；

X表示某一个用户对各个对象的评分数据；

Y表示另一个用户对各个对象的评分数据；

E表示数学期望；

cov表示协方差；

N表示变量取值的个数。

因此，通过皮尔逊相关系数公式可以计算出任意两用户之间的相关性，公式计算的结果将是[-1,1]之间的一个数值，该系数用来说明两个用户之间联系的强弱程度，越接近于1代表两个用户之间的相关性越强)，例如：ρ＝0.8-1.0，表示极强相关；ρ＝0.6-0.8表示强相关；ρ＝0.4-0.6，表示中等程度相关；ρ＝0.2-0.4，表示弱相关；ρ＝0.0-0.2，表示极弱相关或无相关。

例如，基于皮尔逊相关系数公式，根据表1中各个用户对已购买产品的评分数据，计算得到各个用户之间的相关系数，从而确定任意两个用户之间的相似度，如表2所示。

表2各个用户之间相关系数

	相关系数
		用户A&B	0.9998
用户A&C	-0.8478
		用户A&D	-0.8418
用户A&E	-0.9152
		…	…
用户B&C	-0.8417
		用户B&D	-0.8353
用户B&E	-0.9100
		…	…
用户C&D	0.9990
		用户C&E	0.9763
…	…
		用户D&E	0.9698
…	…

相关系数越接近于1，代表两个用户之间的相似度越高。通过表2可以看出，用户A&B、用户C&D、用户C&E、用户D&E的相似度较高。

需要指出的是，目标用户并不限于某一个用户，有可能是用户A、B、C、D等中的任意一个。为了提高计算效率，所述步骤101可以包括：根据各个用户对各个对象的评分数据，分别计算任意两个用户之间的相关系数；在确定了目标用户之后，获取目标用户与其他用户之间的相关系数。因此，预先计算任意两个用户之间的相关系数，即使目标用户发生了变化，也可以根据这些相关系数，确定当前的目标用户与其他用户之间的相关系数。

步骤102，根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群。

根据步骤101的计算结果可以知道，系数越接近于1，代表两个用户的相似度越高，因此，在步骤102中，根据相似度的大小，确定与目标用户最相似的多个用户。

以表2为例，从表2的计算结果可以看出，用户B与用户A有很高的相似度，根据相关系数，可以找到与用户A最相似的N个用户(A1，A2，A3，A4……AN)。因此，就可以筛选出与用户A的兴趣、爱好最为接近的N个用户，以这些用户的历史行为数据作为推荐依据，可以显著提高推荐的准确性。

具体地，在获取目标用户与每一个其他用户之间的相关系数，之后，对这些相关系数进行降序排序，相关系数越接近于1所对应的用户在排序中越靠前，从而筛选出在排序中靠前(与目标用户最相似)的N个用户，这些相似用户构成相似用户群。需要指出的是，N的值可以预先设置，可以是20个，10个，5个，3个等。

步骤103，根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

在步骤102的基础上，获取N个相似用户的历史行为数据，确定所述目标用户对应的推荐对象。其中，历史行为数据可以是购买行为数据、收听行为数据、观看行为数据、阅读行为数据等，这些历史行为数据可以充分反映N个相似用户之间的共同爱好和兴趣，有助于确定目标用户的爱好和兴趣。

作为本发明的再一个实施例，所述步骤103包括：

根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

在该实施例中，可以基于N个相似用户的历史行为数据，确定N个相似用户对应的共同行为对象，这些对象极有可能是目标用户也会感兴趣的对象，然后基于共同行为对象的行为次数，从这些共同行为对象中筛选出行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为推荐对象。

以购买行为为例，获取N个相似用户的历史购买记录，确定被N个相似用户共同购买过的产品以及购买次数(如果一个产品被这N个用户都购买过，则认为这个产品的共同购买次数是N，以此类推)，按照共同购买次数从高到底进行排序，筛选出购买次数靠前的K个产品。其中，K的值可以预先设置。或者也可以预先设置次数阈值，当行为次数大于次数阈值时，将行为次数对应的共同行为对象作为推荐对象。可见，本发明能够在确定相似用户后，做出准确地预测前置性推荐。

需要指出的是，所述历史行为数据可以是距离当前时间最近的一段时间内的行为数据，比如最近一周、两周、一个月内的行为数据。基于这些历史行为数据，可以准确地找到目标用户的行为趋势(例如兴趣、爱好)，强化用户之间的相似性，从而提高推荐对象的准确性。

作为本发明的另一个实施例，所述方法还包括：在筛选出行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象后，对所述共同行为对象进行排序，按照排序的先后推荐给用户，以使行为次数较多的共同行为对象在推荐列表中的排名靠前。

作为本发明的又一个实施例，所述方法还包括：在筛选出行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象后，从中剔除目标用户历史行为对应的对象，将剔除后的共同行为对象作为目标用户对应的推荐对象。这样，可以避免将用户已购买过的产品再次推荐给目标用户，造成推荐资源的浪费。

具体地，以购买行为为例，确定购买次数靠前的K个产品，从筛选出的K个产品中剔除掉目标用户已购买过的产品，剔除后的M个产品(M≤K)作为目标用户对应的推荐产品。本发明实施例提供的方法可以有效避免“两天前已经购买过一台索尼相机，再推荐给用户一台佳能相机”的滞后性推荐。

根据上面所述的各种实施例，可以看出本发明通过采用根据相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定目标用户对应的推荐对象的技术手段，从而解决了推荐对象不准确的问题。也就是说，现有技术的推荐方式无法准确地确定推荐对象，导致转换率较低。而本发明是以目标用户为中心，通过筛选相似用户群的方式，找到目标用户的行为趋势(例如兴趣、爱好)，强化用户之间的相似性，弱化对象(例如产品)之间的相似性，从而提高推荐准确性。因此，本发明实施例提供的方法更多地关注用户个体的需求，规避广撒网的推荐方式，能够转换成真正的购买行为，从而提升推荐回报率ROI(return on investment)，减少推荐资源的浪费。

图2是根据本发明另一个可参考实施例的确定推荐对象的方法的主要流程的示意图，所述确定推荐对象的方法可以包括：

步骤201，获取目标用户和其他用户对各个对象的评分数据；

步骤202，根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数；

步骤203，对目标用户与每一个其他用户之间的相关系数进行降序排序，相关系数越接近于1所对应的用户在排序中越靠前，从所述其他用户中筛选出在排序中靠前的多个用户作为相似用户群；

步骤204，根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

步骤205，根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象；

步骤206，根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

进一步地，还可以设置时间阈值，每隔一段时间，依次执行步骤201-206，重新确定相似用户，以保证动态更新目标用户与推荐对象的映射关系，避免将用户历史兴趣对应的对象推荐给用户，避免一些因用户的兴趣变化而造成的推荐资源浪费。

举例来说，用户ID与推荐对象的映射关系可以构成关系型数据库表，保存在数据库中的<用户-推荐产品>表。即，将步骤205筛选出的K个对象写入数据库中的<用户-推荐产品>表中。

在后续步骤中，可以针对不同的用户，根据存储的<用户-推荐产品>表做产品推荐。具体地，当用户A访问网站时，根据用户A的用户ID，读取<用户-推荐产品>表中的K个推荐对象，放到前端做推荐对象展示。

进一步地，动态更新表<用户-推荐产品>表，以实现用户兴趣的实时追踪，提升推荐的准确性。

本发明实施例提供的方法根据相似性计算方法确定相似群体，准确地筛选出目标用户可能会感兴趣的对象，从而实现面向用户的个性化推荐。所述方法能够向用户推荐其真正感兴趣的对象(例如产品、音乐、视频、小说等)，并且动态更新用户感兴趣的对象，跟踪用户的兴趣变化，弱化以往兴趣的权重占比，提高推荐准确性，减少推荐资源的浪费。

另外，在本发明一个可参考实施例中确定推荐对象的方法的具体实施内容，在上面所述确定推荐对象的方法中已经详细说明了，故在此重复内容不再说明。

图3是根据本发明实施例的确定推荐对象的装置的主要模块的示意图，如图3所示，所述确定推荐对象的装置包括计算模块301、筛选模块302和推荐模块303。其中，所述计算模块301获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；所述筛选模块302根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；所述推荐模块303根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

所述计算模块301获取目标用户和每一个其他用户对各个对象的评分数据，根据所述评分数据计算目标用户与其他用户之间的相似度。其中，所述各个用户包括目标用户和其他用户。所述对象可以是产品、歌曲、视频、小说等。

可选地，所述计算模块301获取目标用户和其他用户对各个对象的评分数据；根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

在该实施例中，所述皮尔逊相关系数公式如下：

其中，ρ_X,Y表示X与Y之间的相关系数；

X表示某一个用户对各个对象的评分数据；

Y表示另一个用户对各个对象的评分数据；

E表示数学期望；

cov表示协方差；

N表示变量取值的个数。

因此，通过皮尔逊相关系数公式可以计算出任意两用户之间的相关性，公式计算的结果将是[-1,1]之间的一个数值，该系数用来说明两个用户之间联系的强弱程度，越接近于1代表两个用户之间的相关性越强)，例如：ρ＝0.8-1.0，表示极强相关；ρ＝0.6-0.8表示强相关；ρ＝0.4-0.6，表示中等程度相关；ρ＝0.2-0.4，表示弱相关；ρ＝0.0-0.2，表示极弱相关或无相关。

可选地，所述筛选模块302根据计算模块301的计算结果，对目标用户与每一个其他用户之间的相关系数进行降序排序，相关系数越接近于1所对应的用户在排序中越靠前；从所述其他用户中筛选出在排序中靠前的多个用户作为相似用户群，这些用户作为相似用户群。

可选地，所述推荐模块303根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

具体地，所述推荐模块303获取N个相似用户的历史行为数据，确定所述目标用户对应的推荐对象。其中，历史行为数据可以是购买行为数据、收听行为数据、观看行为数据、阅读行为数据等，这些历史行为数据可以充分反映N个相似用户之间的共同爱好和兴趣，有助于确定目标用户的爱好和兴趣。

进一步地，所述推荐模块303在筛选出行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象后，从中剔除目标用户历史行为对应的对象，将剔除后的共同行为对象作为目标用户对应的推荐对象。

可选地，所述装置还包括更新模块，所述更新模块根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

举例来说，用户ID与推荐对象的映射关系可以构成关系型数据库表，保存在数据库中的<用户-推荐产品>表。即，更新模块将推荐模块303筛选出的K个对象写入数据库中的<用户-推荐产品>表中。在后续步骤中，可以针对不同的用户，根据存储的<用户-推荐产品>表做产品推荐。

根据上面所述的各种实施例，可以看出本发明通过采用根据相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定目标用户对应的推荐对象的技术手段，从而解决了推荐对象不准确的问题。也就是说，现有技术的推荐方式无法准确地确定推荐对象，导致转换率较低。而本发明是以目标用户为中心，通过筛选相似用户群的方式，找到目标用户的行为趋势(例如兴趣、爱好)，强化用户之间的相似性，弱化对象(例如产品)之间的相似性，从而提高推荐准确性。因此，本发明实施例提供的装置更多地关注用户个体的需求，规避广撒网的推荐方式，能够转换成真正的购买行为，从而提升推荐回报率ROI(return on investment)，减少推荐资源的浪费。

需要说明的是，在本发明所述确定推荐对象的装置的具体实施内容，在上面所述确定推荐对象的方法中已经详细说明了，故在此重复内容不再说明。

图4示出了可以应用本发明实施例的确定推荐对象的方法或确定推荐对象的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403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401、402、403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405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403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推荐对象的方法一般在公共场所的终端设备401、402、403上执行，也可以由服务器405执行，相应地，所述确定推荐对象的装置一般设置在公共场所的终端设备401、402、403上，也可以设置在服务器405中。

应该理解，图4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。

下面参考图5，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500的结构示意图。图5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5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501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：一种处理器包括计算模块、筛选模块和推荐模块，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。

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：获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

根据本发明实施例的技术方案，因为采用根据相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定目标用户对应的推荐对象的技术手段，所以克服了推荐对象不准确的技术问题，以目标用户为中心，通过筛选相似用户的方式，找到目标用户的行为趋势，强化用户之间的相似性，弱化对象之间的相似性，从而提高推荐准确性。而且，本发明更多地关注用户个体的需求，规避广撒网的推荐方式，能够提升推荐回报率，减少推荐资源的浪费。

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 (10)

1.一种确定推荐对象的方法，其特征在于，包括：

获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；

根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；

根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

2.根据权利要求1所述的方法，其特征在于，获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度，包括：

获取目标用户和其他用户对各个对象的评分数据；

根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

3.根据权利要求1所述的方法，其特征在于，根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象：

根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

4.根据权利要求1所述的方法，其特征在于，还包括：

根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

5.一种确定推荐对象的装置，其特征在于，包括：

计算模块，用于获取目标用户和其他用户对各个对象的评分数据，计算目标用户与其他用户之间的相似度；

筛选模块，用于根据所述相似度的大小，从所述其他用户中筛选出所述目标用户对应的相似用户群；

推荐模块，用于根据所述相似用户群中各个相似用户的历史行为数据，确定所述相似用户群对应的共同行为对象以及所述共同行为对象的行为次数，从而确定所述目标用户对应的推荐对象。

6.根据权利要求5所述的装置，其特征在于，所述计算模块，用于：

获取目标用户和其他用户对各个对象的评分数据；

根据所述评分数据，并采用皮尔逊相关系数公式，分别计算目标用户与每一个其他用户之间的相关系数。

7.根据权利要求5所述的装置，其特征在于，所述推荐模块，用于：

根据所述相似用户群中各个相似用户的历史行为数据，确定相似用户对应的共同行为对象，以及每个共同行为对象的行为次数；

根据所述每个共同行为对象的行为次数，将行为次数的排序靠前或者行为次数大于次数阈值的共同行为对象作为所述目标用户对应的推荐对象。

8.根据权利要求5所述的装置，其特征在于，还包括：

更新模块，用于根据所述目标用户对应的推荐对象，更新存储在数据库表中的所述目标用户的用户ID与推荐对象的映射关系。

9.一种电子设备，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1-4中任一所述的方法。

10.一种计算机可读介质，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1-4中任一所述的方法。