CN110287421A - 一种信息内容推荐方法、装置及电子设备 - Google Patents

Abstract

本发明的实施例公开一种信息内容推荐方法、装置及电子设备。涉及大数据技术，可以优化推荐效果。包括：接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括第一用户对多个应用软件上的信息内容的历史操作行为数据集；从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。本发明适用于主题、壁纸、媒体广告、新闻、虚拟商品等信息内容的推荐，及相应的信息产品的开发中。

Description

一种信息内容推荐方法、装置及电子设备

技术领域

本发明涉及大数据技术，尤其涉及一种信息内容推荐推荐方法、装置、电子设备及存储介质。

背景技术

信息产品作为信息化社会中重要的传播信息内容的服务产品，成为移动互联网信息时代为人们提供信息内容服务的重要形式，所述信息产品包括应用软件，所述信息内容包括广告、虚拟商品、新闻、主题及壁纸等。而如何向人们精准推送喜好程度较高的信息内容则是科技人员或服务提供者研究的重点。

目前，主流信息内容推荐系统或方法难以实现有效向用户推荐其他信息产品上喜好程度较高的信息内容，致使推荐效果不够理想。

发明内容

有鉴于此，本发明实施例提供一种信息内容推荐推荐方法、装置、电子设备及存储介质，可以优化推荐效果。

为达到上述目的，本发明的实施例采用如下技术方案：

一方面，本发明实施例提供一种信息内容推荐的方法，应用于电子设备，包括：

接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；

将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括所述第一用户对多个应用软件上的信息内容的历史操作行为数据集；

从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。

优选地，所述内容推荐模型中还包括第二用户及第三用户对信息内容的历史操作行为数据集；

将所述第一用户的身份标识信息与信息内容推荐模型进行匹配，确定待推荐信息内容包括：

根据所述第一用户、第二用户及第三用户对信息内容的历史操作行为数据集，计算第一用户分别与第二用户及第三用户之间的操作行为相似度；

基于与第一用户操作行为相似度高于预设阈值的用户的历史操作行为数据集，将所述用户的历史操作行为数据集中权重值较高的操作行为指向的信息内容确定为待推荐信息内容。

本发明实施例提供的信息内容推荐方法，接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括第一用户对多个应用软件上的信息内容的历史操作行为数据集；从信息内容数据库中获取所述待推荐信息内容推送到客户端。由于内容推荐模型中包括了第一用户在多个应用软件上对信息内容的历史操作数据集，基于该多款应用软件，即多信息产品上获取的信息内容的历史操作数据集得到的推荐模型确定待推荐信息内容，可以打通多个应用软件上的信息推荐内容，将其他应用软件，即信息产品上用户偏好的信息内容推荐给客户端用户，从而可以优化推荐效果。

进一步地，由于该推荐方法可以打通多信息产品间信息推荐内容数据，在信息产品开发时，当需要开发多款同类推荐产品时，可以共用该推荐方法的推荐模式运行环境，无需分别进行开发，从而有利于降低产品开发成本。

第二方面，本发明实施例提供一种信息内容推荐装置，该装置包括：

接收模块，用于接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；

匹配模块，用于将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括所述第一用户对信息内容的历史操作行为数据集；

推送模块，用于从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。

优选地，所述内容推荐模型中还包括第二用户及第三用户对信息内容的历史操作行为数据集；

所述匹配模块包括：

计算单元，用于根据所述第一用户、第二用户及第三用户对信息内容的历史操作行为数据集，计算所述第一用户分别与第二用户及第三用户之间的操作行为相似度；

第五确定单元，用于基于与第一用户操作行为高于预设阈值的用户的历史操作行为数据集，将所述用户的历史操作行为数据集中权重值较高的操作行为指向的信息内容确定为待推荐信息内容。

第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行第一方面任一所述的推荐方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面任一所述的推荐方法。

本发明实施例提供的信息内容推荐的装置、电子设备及存储介质，通过接收模块接收客户端发送的信息内容推荐请求消息，匹配模块将第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；推送模块从信息内容数据库中获取所述待推荐信息内容推送到客户端；由于所述内容推荐模型中包括第一用户对信息内容的历史操作行为数据集；基于该多款应用软件，即多信息产品上获取的信息内容的历史操作数据集得到的推荐模型确定待推荐信息内容，可以打通多个应用软件上的信息推荐内容，将其他应用软件，即信息产品上用户偏好的信息内容推荐给客户端用户，从而可以优化推荐效果。

进一步地，由于该推荐方法可以打通多信息产品间信息推荐内容数据，在信息产品开发时，当需要开发多款同类推荐产品时，可以共用该推荐方法的推荐模式运行环境，无需分别进行开发，从而有利于降低产品开发成本。

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，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地介绍，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的附图。

图1为本发明一实施例信息内容推荐的方法流程示意图；

图2为本发明另一实施例信息内容推荐的方法流程示意图；

图3为本发明又一实施例信息内容推荐的方法流程示意图；

图4为本发明再一实施例信息内容推荐的方法流程示意图；

图5为本发明又一实施例信息内容推荐的方法流程示意图；

图6为本发明一实施例信息内容推荐装置结构框图；

图7为本发明又一实施例信息内容推荐装置结构框图；

图8为本发明又一实施例信息内容推荐装置结构框图

图9为本发明电子设备一个实施例的结构示意图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的实施例提供的信息内容推荐方法适用于主题、壁纸、媒体广告、新闻、虚拟商品、短视频等信息内容的推荐，可以优化推荐效果；还适用于前述信息内容对应的信息产品的开发中，可以降低新产品的开发成本。

图1为本发明一实施例信息内容推荐的方法流程示意图；参见图1所示，所述方法，包括：

步骤S101，接收客户端发送的信息内容推荐请求消息。

本实施例中，所述信息内容包括：广告、虚拟商品、新闻、主题或壁纸等，其中，具体的信息内容根据信息产品类型而异，例如，信息产品为电商类APP，管1则信息内容为虚拟商品；信息产品为主题类APP，则信息内容为界面主题；信息产品为新闻类APP，则信息内容为新闻。所述信息内容推荐请求消息包括：第一用户的身份标识信息；所述身份标识信息用于标记识别用户的唯一身份。

参看图2所示，在本发明的一个实施例中，在步骤S101、接收客户端发送的信息内容推荐请求消息之前，所述方法还包括：

S70a、获取第一用户对客户端应用软件及其上的信息内容的历史操作行为数据集。

其中，所述历史操作行为数据集中包括大量的历史操作行为，所述历史操作行为根据不同的信息内容而异，当信息内容为界面主题时，操作行为包括：浏览、点击、收藏、下载、安装等；当信息内容为虚拟商品时，操作行为包括：浏览、点击、收藏、加入购物车、购买等；当信息内容为新闻时，操作为行为包括：浏览、点击等；当信息内容为短视频时，操作行为包括：浏览、点击；其中，浏览指的是应用软件界面上的信息内容展示，用户滑动界面浏览展示的信息内容。

S80a、对所述历史操作行为数据集进行数表工程化处理，得到与所述数据集对应的数表；数表中的列元素包括：应用软件标识信息(应用ID)、应用场景标识信息(应用场景ID)、内容类型、内容标识信息(内容ID)、用户身份标识信息(用户ID)、用户操作行为类型及用户操作行为时间戳。

为了直观、形象化地帮助公众理解本实施例中的数表，示例性地，如表1所示：

S90a、对所述用户操作行为类型设置权重值，以构建打分矩阵表；

为了直观、形象化地帮助公众理解本实施例中的，示例性地，如表2所示：

所述权重值代表对信息内容进行打分，用于表征用户对信息内容的喜好程度，权重值越大，表征用户的喜好程度越高。例如：浏览：1、点击：2、下载：3、安装：4等。

S100a、基于所述数表及用户操作行为携带的权重值生成内容推荐模型。

具体生成内容推荐模型的方式采用深度学习，对打分矩阵中的数据输入训练模型，当达到预设目标标准时结束模型的训练，将训练结束的模型作为信息内容推荐模型。

参看图3所示，在本发明的另一个实施例中，在步骤S101、接收客户端发送的内容推荐请求消息之前，所述方法还包括：

S70b、获取多个用户对客户端应用软件及其上的信息内容的历史操作行为数据集；

S80b、对每个用户的历史操作行为数据集进行数表工程化处理，得到多个用户的历史操作行为数据集对应的数表；数表中的列元素包括：应用软件标识信息、应用场景标识信息、内容类型、内容标识信息、用户身份标识信息、用户操作行为类型及用户操作行为时间戳；S90b、对所述用户操作行为类型设置权重值。

本实施例中，应用场景指的是应用软件中的功能模块，例如，主题应用中的推荐模块；微信中的看一看、搜一搜、附近的人等功能模块；步骤S80b、S90b与前述实施例S80a及S80b实现方案类似，在此就不在赘述。

S95b、计算各个用户间的操作行为的相似度。

其中，具体地计算所述第一用户分别与第二用户及第三用户之间的操作行为相似度可以为：将各个用户的历史操作行为数据集分解为多个用户行为向量；计算两两用户相应用户行为向量间的距离；例如，计算点击行为向量间的距离、下载行为向量间的距离等；比较第一用户到第二用户的相应用户行为向量间的距离与第一用户到第三用户的相应用户行为向量间的距离大小；如果距离较小，则相似度大。例如，可采用明可夫斯基距离(Minkowski distance)计算用户间的相似度。具体地，计算用户间的相似度的算法还可以基于两向量间的夹角的余弦值计算，例如，余弦相似度(Cosine Similarity)算法。还可以采用：皮尔森相关系数(Pearson Correlation Coefficient)算法。

在本发明一个优选实施例中，使用交替最小二乘法(alternating leastsquares)计算用户相似度。具体计算时，对用户的操作行为设定不同的权重值，权重值在0～9之间，代表对界面主题进行打分，表示用户的喜好程度，并基于打分使用交替最小二乘法计算用户对信息内容的喜好相似度。

S100b、基于所述数表、用户操作行为携带的权重值及用户的相似度生成内容推荐模型。

本实施例生成内容推荐模型的方式与前述实施例S100a类似，也是采用深度学习模型生成的，在此就不再赘述。

本发明实施例，通过对数据分维度，例如产品ID、场景ID等，精细工程化处理，得到数表，有效配置相应算法，并采用数表结构方式调用数据，生成内容推荐模型，将其部署到服务器上，可以优化推荐效果，并提升推荐效率。

另外，将该推荐模型部署到服务器上形成推荐服务器，由于打通了多个信息产品上的数据，可以有效适用于作为系列开发的多个同类产品推荐系统，从而降低产品开发成本。

在前述两个实施例中，为了使用户行操作数据分布更加均匀，对算法更加友好，优选地，对所述用户操作行为类型设置权重值还包括：对不同类型的用户操作行为设置量级阈值。其中，量级，通常叫做数量级；科学计数法中，把一个数记为a*10n的形式，即：1个带一位非零整数的小数乘以10的n次幂的形式，这个n就是数量级。

在本发明的一个实施例中，在生成内容推荐模型之后，所述方法还包括，将所述内容推荐模型封装成带参数的服务，保存至服务器或分布式文件系统上；或者，

将内容推荐模型及产品矩阵表封装成带参数的服务，保存至服务器或分布式文件系统上；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息。

本实施例中，通过将内容推荐模型部署于服务器或分布式文件系统上，作为推荐服务器或推荐系统，可在客户端发送内容推荐请求消息时，该推荐服务器或推荐系统进行内容信息的推荐。

由于内容推荐模型中包括了第一用户在多个应用软件上或多个用户在应用软件上对信息内容的历史操作数据集，可以打通多个应用软件，即信息产品上的信息推荐内容，将其他应用软件上用户偏好的信息内容推荐给客户端用户，从而可以优化推荐效果。

进一步地，由于该推荐方法可以打通多信息产品间信息推荐内容数据，在信息产品开发时，当需要开发多款同类推荐产品时，可以共用该推荐方法的推荐模式运行环境，无需分别进行开发，从而有利于降低产品开发成本

步骤102、将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容。

其中，内容推荐模型中包括第一用户对多个应用软件上的信息内容的历史操作行为数据集；具体地，内容推荐模型是通过对第一用户对多个应用软件上的信息内容的历史操作行为数据集反复进行深度学习模型训练得到的内容推荐模型。

在一个实施例中，所述内容推荐模型部署于服务器或分布式文件系统上形成推荐系统或推荐服务器；当接收到客户端用户发送信息内容推荐请求消息时，所述推荐系统或推荐服务器，基于客户端用户的身份标识信息经过计算，确定出待推荐的信息内容。

步骤103、从信息内容数据库中获取所述待推荐信息内容推送到客户端。

所述信息内容数据库对应于客户端第一应用软件；可以理解的是，不同的客户端应用软件的信息内容数据库中包含的信息内容会有所差别，内容推荐模型在确定出待推荐的信息内容后，从相应客户端应用软件中获取待推荐信息内容推送到客户端，例如待推荐信息内容存在于第一应用软件上的信息内容数据库中，则从第一应用软件的信息内容数据库中获取待推荐信息内容推送。

本发明实施例提供的信息内容推荐方法，由于内容推荐模型中包括了第一用户在多个应用软件上对信息内容的历史操作数据集，基于该多款应用软件，即多信息产品上获取的信息内容的历史操作数据集得到的推荐模型确定待推荐信息内容，可以打通多个应用软件上的信息推荐内容数据，将其他应用软件，即信息产品上用户偏好的信息内容推荐给客户端用户，从而可以优化推荐效果。

进一步地，由于该推荐方法可以打通多信息产品间信息推荐内容数据，在信息产品开发时，当需要开发多款同类推荐产品时，可以共用该推荐方法的推荐模式运行环境，无需分别进行开发，从而有利于降低产品开发成本。

图4为本发明另一实施例提供的信息内容推荐方法流程示意图；所述信息内容为界面主题，所述内容推荐模型为界面主题推荐模型。所述方法具体包括步骤：

S1011、接收客户端发送的界面主题推荐请求消息，所述界面主题推荐请求消息包括：第一用户的身份标识信息。

S1021、将所述第一用户的身份标识信息与界面主题推荐模型进行匹配，确定待推荐界面主题。

其中，所述界面主题推荐模型中包括第一用户对多个应用软件上的界面主题的历史操作行为数据集；所述应用软件为界面主题类应用软件。在一个实施例中，多个所述界面主题类应用软件为同一个公司开发的系列产品。

S1031、从界面主题数据库中获取所述待推荐界面主题推送到客户端；其中，所述界面主题数据库对应第一主题应用软件。

本实施例中，具体应用于信息内容为界面主题的推荐场景中，还可以用于界面主题类APP产品开发中。

本实施例的信息内容推荐方法，可以将所述界面主题推荐模型部署于服务器上，形成推荐服务系统，由于界面主题推荐模型中存储了大量的来自多个信息产品上的用户对信息产品的历史操作行为数据，可以打通多个应用软件上的界面主题数据，通过彼此产品上用户对信息内容的历史操作行为数据，确定用户偏好的信息内容作为待推荐信息内容，本实施中为界面主题，将其他主题应用软件上用户偏好的信息内容推荐给客户端用户，从而可以优化推荐效果。

进一步地，由于该推荐方法可以打通多信息产品间信息推荐内容数据，在信息产品开发时，当需要开发多款同类推荐产品时，可以共用该推荐方法的推荐模式运行环境，无需分别进行开发，从而有利于降低产品开发成本。

进一步地，通过采用本实施例的推荐方案，当开发系列同类推荐产品时，新开发的信息产品，可以基于先前已经投入市场的同类信息产品上获取的用户对信息内容的历史操作行为数据集构建的推荐模型部署到服务器上，作为该新开的信息产品的推荐服务器，即可解决该新产品由于数据稀疏而无法进行有效推荐的技术问题。

本实施例中，作为一可选实施例，在从信息内容数据库中获取所述待推荐信息内容推送到客户端之后，根据用户对推送的信息内容的操作行为更新内容推荐模型；具体更新内容推荐模型可以通过机器学习的方式，将最新获取的用户的操作行为数据输入到训练模型中，当达到预设目标标准时结束模型的训练，将训练结束的模型作为信息内容推荐模型，部署到服务器上，替换之前的内容推荐模型。

在本发明的一个实施例中，第一用户对界面主题的历史操作行为数据集包括：浏览、点击、收藏、下载及安装操作行为。

步骤S102、所述将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容，例如界面主题包括：

基于第一用户的身份标识信息查找内容推荐模型中第一用户的历史操作行为数据集。

本步骤中，第一用户的历史操作行为数据集中包括了第一用户曾经在主题类APP上对信息内容，例如界面主题的操作，例如浏览、点击、下载及安装。

确定第一用户的历史操作行为类型。

本步骤中，基于历史操作行为数据集确定第一用户的历史操作行为类型，历史操作行为指向的对象为信息内容，例如界面主题。

基于第一用户的历史操作行为类型，确定信息内容的推荐优先级；将推荐优先级最高的信息内容确定为待推荐信息内容。

本实施例中，推荐优先级是基于判断得出的用户喜好程度确定的，可以理解的是，用户喜好程度越高，对应的信息内容的推荐优先级就越高。具体地，可以为不同的操作行为设定权重值，以标识用户的喜好程度。在信息内容的推荐场景中，浏览、点击、下载、安装操作行为表示用户的喜好程度依序升高。当然，如果涉及付费主题，在对浏览或点击进行设定权重值时，还需要考虑该操作行为在某一个信息内容上停留的时长信息，如果时长超过预设时长阈值，相应增加权重值。

在本发明的另一实施例中，步骤S102包括：基于第一用户的身份标识信息查找内容推荐模型中第一用户的历史操作行为数据集；确定第一用户的历史操作行为类型。在基于第一用户的历史操作行为类型，确定信息内容的推荐优先级。

本实施例中，上述步骤与前述实施例中的相应步骤实现方案相同，在此就不再赘述。

根据所述信息内容的推荐优先级的高低降序排列所述信息内容，生成待推荐信息内容列表。为了帮助公众直观、形象化地理解本发明实施的推荐信息内容列表，示例性地，如表3所示：

表3

可以理解的是，受多重因素的影响，例如在付费主题中，购买力、价格是影响用户是否下载并安装该主题的一个因素。推荐系统标记或确定出的用户喜欢程度较高的信息内容实际可能不是最适合用户的，因此，本实施例中，根据生成的待推荐信息内容列表，用户可以在其中选择自己喜欢程度较高，又相对适合自己的信息内容，从而优化了信息内容的推荐。

图5为本发明又一实施信息内容推荐方法流程示意图；为了便于公众理解，在图5中以信息内容为界面主题进行了推荐流程的描述，可以理解的是，该图示应用于界面主题的推荐方案也可以用于其他的信息内容。参看图5所示，作为一可选实施例，步骤S103、从信息内容数据库中获取所述待推荐信息内容推送到客户端还包括：

S1031a、基于产品矩阵表判断信息内容数据库对应的第一应用当前是否存在于客户端设备中；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息。

本实施例中，在步骤S1031a之前，还包括：获取用户对应用软件的历史安装及卸载信息；基于用户对所述应用软件的历史安装及卸载信息生成产品矩阵表。为了帮助公众直观、形象化地理解本发明实施的产品矩阵表，示例性地，如表4所示，其中卸载用0表示，安装用1表示：

表4

S1031b、若确定第一应用当前存在于所述客户端设备中，则从所述信息内容数据库中获取所述待推荐信息内容推送到客户端。

S1031c、若确定第一应用当前不存在于所述客户客户端设备中，则向客户端发送所述第一应用的安装提示信息，以使用户根据所述安装提示信息安装所述第一应用。

具体地，可以根据产品矩阵表中应用软件的产品ID确定是否安装过第一应用软件的，根据卸载时间戳信息确定第一应用当前是否存在预客户端设备中。

本实施例中，在基于前述推荐模型推荐信息内容时，结合产品矩阵综合判断，以确定最佳的推荐方式，从而优化推荐效果。另外，采用表结构方式提取数据，可高效率与内容推荐模型采用的算法相结合，以提高信息内容的推荐效率。

作为另一可选实施例，所述主题推荐模型中还包括第二用户及第三用户对信息内容的历史操作行为数据集。

本实施例中，主体推荐模型中包括三个或三个以上的用户对信息内容的历史操作行为数据集。

步骤S102、将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容包括：

步骤S1021a、根据第一用户、第二用户及第三用户对信息内容的历史操作行为数据集，计算所述第一用户分别与第二用户及第三用户之间的操作行为相似度。

本实施例中，具体地计算所述第一用户分别与第二用户及第三用户之间的操作行为相似度的方法与前述提及的相似度的计算方法类似，可相互参看，在此不再赘述。优选使用交替最小二乘法(alternating least squares)计算用户相似度。具体计算时，对用户的操作行为设定不同的权重值，权重值在0～9之间，代表对信息内容进行打分，表示用户的喜好程度。

步骤S1021b、基于与第一用户操作行为相似度高于预设阈值的用户的历史操作行为数据集，将所述用户的历史操作行为数据集中权重值较高的操作行为指向的信息内容确定为待推荐信息内容。

其中，预设阈值可以根据计算出的所有相似度的水平确定，例如相似度值均较高，则预设阈值适当设置的高些，若相似度值均较低，则预设阈值适当设置低些，本领域技术人员基于本发明创造的技术构思可以根据统计得出的所有相似度的水平合理确定。为了优化推荐结果，所述预设阈值设置为动态变化的参数，具体地，所述预设阈值可以设置为变量，例如为a，将计算出的所有相似度的加权平均值赋值给所述变量，作为预设阈值。这样通过动态地自动调整相似度预设阈值，可以在一定程度上提高推荐结果的精准性。

权重值较高的操作行为指向的信息内容表示用户喜好程度较高。较高是指对比几种同类事物的高低，这里权重值较高具体是指两个或两个以上的操作行为的权重值进行比较，比较结果高的权重值；例如，用户的历史操作行为数据集中包括：浏览、点击、下载三种操作行为，三者的权重值假设依次为1、2、3，则下载这一操作行为对应的权重值较高。

本发明实施例提供的信息内容推荐方法，通过计算所述第一用户与其他用户的相似度，当第一用户的历史操作行为数据稀疏时，可以基于操作行为相似度较高的用户，挖掘出第一用户的潜在偏好信息内容进行推送，以优化推荐效果。

实施例二

图6为本发明实施例的信息内容推荐的装置结构示意图。参见图6所示，该装置包括：

接收模块210，用于接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息。

图7为本发明又一实施例的信息内容推荐装置结构示意图，该推荐装置具体可以为部署有推荐模型的推荐服务器，参看图6所示，在本发明的一个实施例中，接收客户端发送的信息内容推荐请求消息之前，所述装置还包括：

第一获取模块201a，用于获取第一用户对客户端应用软件及其上的信息内容的历史操作行为数据集；

第一处理模块202a，用于对所述历史操作行为数据集进行数表工程化处理，得到与所述数据集对应的数表；数表中的列元素包括：应用软件标识信息、应用场景标识信息、内容类型、内容标识信息、用户身份标识信息、用户操作行为类型及用户操作行为时间戳；

赋值模块203a，用于对所述用户操作行为类型设置权重值；

第一生成模块204a，基于所述数表及用户操作行为携带的权重值生成内容推荐模型。

图8为本发明再一实施例的信息内容推荐装置结构示意图，参看图7所示，在本发明的另一个实施例中，在接收客户端发送的内容推荐请求消息之前，所述装置包括：

第二获取模块201b，用于获取多个用户对客户端应用软件及其上的信息内容的历史操作行为数据集；

第二处理模块202b，用于对每个用户的历史操作行为数据集进行数表工程化处理，得到多个用户的历史操作行为数据集对应的数表；数表中的列元素包括：应用软件标识信息、应用场景标识信息、内容类型、内容标识信息、用户身份标识信息、用户操作行为类型及用户操作行为时间戳；

赋值模块203b，用于对所述用户操作行为类型设置权重值；

计算模块204b，用于计算各个用户间的操作行为的相似度；

第二生成模块205b，基于所述数表、用户操作行为携带的权重值及用户的相似度生成内容推荐模型。

将所述内容推荐模型部署到服务器作为推荐服务器，当客户端发送推荐请求时，该推荐服务器基于预设的推荐规则进行推荐。

在前述实施例中，具体地，第一赋值模块或第二赋值模块，还用于对不同类型的用户操作行为设置量级阈值。

在前述两个实施例中，具体地，所述装置还包括：封装模块，用于在生成内容推荐模型之后，将所述内容推荐模型封装成带参数的服务，保存至服务器或分布式文件系统上；或者，将内容推荐模型及产品矩阵表封装成带参数的服务，保存至服务器或分布式文件系统上；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息。

匹配模块220，用于将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括第一用户对信息内容的历史操作行为数据集；

推送模块230，用于从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。

本发明实施例提供的信息内容推荐装置，与前述实施例所述的内容推荐方法的实现方案及技术效果类似，可相互参看，在此不再赘述。

在本发明的一个实施例中，所述信息内容包括界面主题，所述内容推荐模型为界面主题推荐模型；

接收模块210，具体用于接收客户端发送的界面主题推荐请求消息，所述界面主题推荐请求消息包括：第一用户的身份标识信息；

匹配模块220，具体用于将所述第一用户的身份标识信息与界面主题推荐模型进行匹配，确定待推荐界面主题；所述界面主题推荐模型中包括第一用户对多个应用上的界面主题的历史操作行为数据集；

推送模块230，具体用于从界面主题数据库中获取所述待推荐界面主题推送到客户端；所述界面主题数据库对应于客户端第一主题应用软件。

在本发明的另一个实施例中，第一用户对信息内容的历史操作行为数据集包括：浏览、点击、收藏、下载及安装操作行为；

所述匹配模块包括：第一查找单元，用于基于第一用户的身份标识信息查找信息内容内容推荐模型中第一用户的历史操作行为数据集。

第一确定单元，用于确定第一用户的历史操作行为类型。

第二确定单元，用于基于第一用户的历史操作行为类型，确定信息内容的推荐优先级。

第三确定单元，用于将推荐优先级最高的信息内容确定为待推荐信息内容；或者，根据所述信息内容的推荐优先级的高低降序排列所述信息内容，生成待推荐信息内容列表。

在本发明的又一个实施例中，推送模块包括：第一判断单元，用于基于产品矩阵表判断信息内容数据库对应的第一应用当前是否存在于客户端设备中；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息；

第四确定单元，用于若确定第一应用当前存在于所述客户端设备中，则从所述信息内容数据库中获取所述待推荐信息内容推送到客户端；

若确定第一应用当前不存在于所述客户客户端设备中，则向客户端发送所述第一应用的安装提示信息，以使用户根据所述安装提示信息安装所述第一应用。

在本发明的再一个实施例中，所述主题推荐模型中还包括第二用户及第三用户对多个应用上的信息内容的历史操作行为数据集；

所述匹配模块包括：

计算单元，用于根据第一用户、第二用户及第三用户对信息内容的历史操作行为数据集，计算所述第一用户分别与第二用户及第三用户之间的操作行为相似度；

第五确定单元，用于基于与第一用户操作行为相似度高于预设阈值的用户的历史操作行为数据集，将所述用户的历史操作行为数据集中权重值较高的操作行为指向的信息内容确定为待推荐信息内容。

本发明实施例的内容推荐装置，与前述实施例一内容推荐方法基本实现原理及技术效果类似，可相互参看，具体细节就不再赘述。

根据前述具体描述可知，本发明实施例提供的信息内容推荐方法及装置，通过基于多个产品、多个场景的历史操作数据进行数表工程化处理数据，并将数表分为多个维度配置算法生成推荐模型，基于该推荐模型推荐信息内容，可以优化推荐效果；并进一步结合产品矩阵，根据计算出的喜好程度由高到低降序排列的待推荐列表，交替推荐，可以提高推荐的精准性。

本发明实施例还提供一种电子设备，所述电子设备包含前述任一实施例所述的装置，用于执行实施例一任一所述的方法实施例。

图9为本发明电子设备一个实施例的结构示意图，如图9所示，上述电子设备可以包括：壳体71、处理器72、存储器73、电路板74和电源电路75，其中，电路板74安置在壳体71围成的空间内部，处理器72和存储器73设置在电路板74上；电源电路75，用于为上述电子设备的各个电路或器件供电；存储器73用于存储可执行程序代码；处理器72通过读取存储器73中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行步骤：接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；

将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括第一用户对多个应用软件上的信息内容的历史操作行为数据集；

从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。

处理器72对上述步骤的具体执行过程以及处理器72通过运行可执行程序代码来进一步执行的步骤，可以参见本发明实施例一及图1-5所示实施例的描述，在此不再赘述。

该电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子设备。

本发明还实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现实施例一及图1至6中任一所述的内容推荐方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种信息内容的推荐方法，其特征在于，该方法包括：

接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；

将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括所述第一用户对多个应用上的信息内容的历史操作行为数据集；

从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。

2.根据权利要求1所述的方法，其特征在于，所述信息内容包括：界面主题、壁纸、广告、新闻及短视频。

3.根据权利要求1所述的方法，其特征在于，所述历史操作行为包括：浏览、点击、收藏、下载及安装；

所述将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容包括：

基于所述第一用户的身份标识信息查找内容推荐模型中所述第一用户的历史操作行为数据集；

确定所述第一用户的历史操作行为类型；

基于所述第一用户的历史操作行为类型，确定信息内容的推荐优先级；

将推荐优先级最高的信息内容确定为待推荐信息内容；

或者，根据所述信息内容的推荐优先级的高低降序排列所述信息内容，生成待推荐信息内容列表。

4.根据权利要求1所述的方法，其特征在于，所述从信息内容数据库中获取所述待推荐信息内容推送到客户端包括：基于产品矩阵表判断信息内容数据库对应的第一应用当前是否存在于客户端设备中；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息；

若确定所述第一应用当前存在于所述客户端设备中，则从所述信息内容数据库中获取所述待推荐信息内容推送到客户端；

若确定第一应用当前不存在于所述客户客户端设备中，则向客户端发送所述第一应用的安装提示信息，以使用户根据所述安装提示信息安装所述第一应用。

5.根据权利要求1所述的方法，其特征在于，所述内容推荐模型中还包括第二用户及第三用户对信息内容的历史操作行为数据集；

将所述第一用户的身份标识信息与信息内容推荐模型进行匹配，确定待推荐信息内容包括：

根据所述第一用户、第二用户及第三用户对多个应用上的信息内容的历史操作行为数据集，计算所述第一用户分别与所述第二用户及所述第三用户之间的操作行为相似度；

基于与所述第一用户操作行为相似度高于预设阈值的用户的历史操作行为数据集，将所述用户的历史操作行为数据集中权重值较高的操作行为指向的信息内容确定为待推荐信息内容。

6.根据权利要求1所述的方法，其特征在于，在接收客户端发送的信息内容推荐请求消息之前，所述方法还包括：获取所述第一用户对客户端应用软件及其上的信息内容的历史操作行为数据集；

对所述历史操作行为数据集进行数表工程化处理，得到与所述数据集对应的数表；数表中的列元素包括：应用软件标识信息、应用场景标识信息、内容类型、内容标识信息、用户身份标识信息、用户操作行为类型及用户操作行为时间戳；

对所述用户操作行为类型设置权重值；

基于所述数表及用户操作行为携带的权重值生成内容推荐模型。

7.根据权利要求1所述的方法，其特征在于，在接收客户端发送的内容推荐请求消息之前，所述方法还包括：获取多个用户对客户端应用软件及其上的信息内容的历史操作行为数据集；

对每个用户的历史操作行为数据集进行数表工程化处理，得到所述多个用户的历史操作行为数据集对应的数表；所述数表中的列元素包括：应用软件标识信息、应用场景标识信息、内容类型、内容标识信息、用户身份标识信息、用户操作行为类型及用户操作行为时间戳；

对所述用户操作行为类型设置权重值；

计算各个用户间的操作行为的相似度；

基于所述数表、用户操作行为携带的权重值及用户的相似度生成内容推荐模型。

8.根据权利要求6或7所述的方法，其特征在于，对所述用户操作行为类型设置权重值还包括：对不同类型的用户操作行为设置量级阈值。

9.根据权利要求6或7所述的方法，其特征在于，在生成内容推荐模型之后，所述方法还包括，将所述内容推荐模型封装成带参数的服务，保存至服务器或分布式文件系统上；或者，

将内容推荐模型及产品矩阵表封装成带参数的服务，保存至服务器或分布式文件系统上；所述产品矩阵表中包括：用户身份标识信息和应用软件历史安装及卸载信息。

10.一种信息内容的推荐装置，其特征在于，该装置包括：

接收模块，用于接收客户端发送的信息内容推荐请求消息，所述信息内容推荐请求消息包括：第一用户的身份标识信息；

匹配模块，用于将所述第一用户的身份标识信息与内容推荐模型进行匹配，确定待推荐信息内容；所述内容推荐模型中包括所述第一用户对多个应用上的信息内容的历史操作行为数据集；

推送模块，用于从信息内容数据库中获取所述待推荐信息内容推送到客户端；所述信息内容数据库对应于客户端第一应用软件。