CN110502693A - 在项目推荐中使用的方法、装置、计算设备及存储介质 - Google Patents

Abstract

本申请提供在项目推荐中使用的方法、装置、计算设备及存储介质，其中所述方法包括：获取用户的用户关系网络，其中，用户关系网络包括用户节点信息及边的信息，用户节点信息包括该用户节点的用户对项目的行为信息，边的信息包括用户间关系信息；利用用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出用户相关的其他用户在项目上的权重配比；利用用户相关的其他用户在项目上的权重配比，进行项目推荐计算，从而使得项目推荐计算中加入了能够体现用户有关客户在项目上的行为特征，使得计算出的项目推荐结果能够体现用户熟人的喜好，用户可以通过熟人对项目进行了解，提高推荐有效性，避免计算资源与网络资源的浪费。

Description

在项目推荐中使用的方法、装置、计算设备及存储介质

技术领域

本申请涉及数据处理技术领域，特别涉及一种在项目推荐中使用的方法、装置、计算设备及存储介质。

背景技术

随着互联网技术的发展，很多项目会通过互联网推荐给用户。一般基于两个因素进行推荐，一个是推荐当下主流的项目，例如，主流保险产品/公司核心产品等；另一个是基于用户的个人信息，推荐合适用户的产品。

然而，由于一些项目自身具有一些复杂性，例如，某些保险产品条款和赔付方式复杂，导致用户对项目难以了解清楚，被推荐的项目难以得到用户的认可，导致浪费了大量计算资源与网络资源进行了无效的推荐。

发明内容

有鉴于此，本申请实施例提供了一种在项目推荐中使用的方法、装置、计算设备及存储介质，以解决现有技术中存在的技术缺陷。

根据本申请实施例的第一方面，提供了一种在项目推荐中使用的方法，包括：获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息；利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比；利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

可选地，所述利用用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比包括：根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比；根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比；根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比；利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

可选地，所述根据所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算包括：利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型；基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果；根据所述预测结果，向所述用户发送对应的推荐信息。

可选地，所述推荐信息包括所述用户相关的其他用户在所述项目上的行为信息。

可选地，所述方法还包括：从所述项目相关后台获取用户对所述项目的行为信息；将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点；从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息；将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息；根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。

可选地，所述获取用户关系网络包括：接收推荐请求，所述推荐请求由用于提供所述项目相关服务的页面响应于用户在所述页面浏览一个或若干个项目而发出；对所述推荐请求进行解析，获取用户基础信息；根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

可选地，所述用户关系网络中其他用户对项目的行为信息包括：其他用户对保险项目的关注、点击、浏览、社群互动中的任一种或多种。

根据本申请实施例的第二方面，提供了一种在项目推荐中使用的装置，包括：关系网络获取模块，被配置为获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息。权重计算模块，被配置为利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比。推荐计算模块，被配置为利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

可选地，所述权重计算模块包括：行为权重计算子模块，被配置为根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比。关系类型计算子模块，被配置为根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比。关系层级计算子模块，被配置为根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比。综合权重计算子模块，被配置为利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

可选地，所述推荐计算模块包括：模型训练子模块，被配置为利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型。模型预测子模块，被配置为基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果。推荐发送子模块，被配置为根据所述预测结果，向所述用户发送对应的推荐信息。

可选地，所述装置还包括：行为信息获取模块，被配置为从所述项目相关后台获取用户对所述项目的行为信息。节点建立模块，被配置为将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点。关系信息获取模块，被配置为从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息，并将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息。网络建立模块，被配置为根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。

可选地，所述关系网络获取模块包括：请求接收子模块，被配置为接收推荐请求，所述推荐请求由用于提供所述项目相关服务的页面响应于用户在所述页面浏览一个或若干个项目而发出。请求解析子模块，被配置为对所述推荐请求进行解析，获取用户基础信息。关系获取子模块，被配置为根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

根据本申请实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现所述在项目推荐中使用的方法的步骤。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现所述在项目推荐中使用的方法的步骤。

本申请实施例中，通过获取用户的用户关系网络，得到其他用户对项目的行为信息及用户间关系信息，并利用其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比，利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算，从而使得项目推荐计算中加入了能够体现用户有关客户在项目上的行为如购买、关注等特征，使得计算出的项目推荐结果能够体现用户熟人的喜好，用户可以通过熟人对项目进行了解，进而更易于认可该推荐为适合自己的项目，提高推荐有效性，避免计算资源与网络资源的浪费。

附图说明

图1示出了本申请实施例提供的计算设备的结构框图；

图2示出了根据本申请一实施例的在项目推荐中使用的方法的流程图；

图3示出了根据本申请一实施例的用户关系网络示意图；

图4示出了根据本申请一实施例的系统交互示意图；

图5示出了根据本申请一实施例的在项目推荐中使用的装置的框图；

图6示出了根据本申请另一实施例的在项目推荐中使用的装置的框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本申请一个或多个实施例涉及的名词术语进行解释。

用户关系网络：是一种抽象程度高、表达能力强的数据结构，它通过对用户节点和边的定义来描述用户和用户之间的关联关系。

在本申请中，提供了一种在项目推荐中使用的方法、装置、计算设备及存储介质，在下面的实施例中逐一进行详细说明。

图1示出了根据本申请一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接，数据库150用于保存数据。

计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本申请的一个实施例中，计算设备100的上述部件以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本申请范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备100还可以是移动式或静止式的服务器。

其中，处理器120可以执行图2所示在项目推荐中使用的方法中的步骤。图2示出了根据本申请一实施例的在项目推荐中使用的方法的流程图，包括步骤202至步骤206。

步骤202：获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息。

例如，参见图3所示用户关系网络示意图。其中，用户节点300、用户节点310等用户节点分别对应不同用户实体。这些用户节点各自拥有对应的用户节点信息，其中，用户节点信息中包含该用户实体在项目上的行为信息。如边320、边330等分别对应不同用户实体之间关系的连接。这些边各自拥有对应的用户间关系信息。

本申请一实施例中，可以通过以下步骤建立图3所示用户关系网络。例如，建立用户关系网络的步骤可以包括：从所述项目相关后台获取用户对所述项目的行为信息；将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点；从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息；将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息；根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。在该实施方式中，通过挖掘用户在项目上的行为信息并通过社交平台、社群等挖掘用户间关系信息形成用户关系网络，从而使得用户关系网络为项目推荐计算提供更多能够体现用户熟人喜好的特征，提高推荐有效性。

其中，所述用户对项目的行为信息，可以根据实施环境来确定。例如，所述用户对项目的行为信息可以包括对保险项目的关注、点击、浏览、社群互动中的任一种或多种。所述社交平台、社群活动可以为任意社交平台、任意社群，本申请对此不进行限制。例如，社交平台友情类型信息可以为支付宝好友关系信息，社群活动互动信息可以为森林&庄园互动，新春福卡互动，等等。通过该实施方式，找到用户的熟人圈，根据其圈子内用户对保险项目的关注、点击、浏览、社群互动，为用户推荐保险产品，基于熟人的推荐引导，可以快速的提升用户对保险产品的认可，并通过和熟人的交流，更好的了解保险产品相关情况，进而更易于认可该推荐为适合自己的保险产品，提高推荐有效性，避免计算资源与网络资源的浪费。

另外，根据实施环境需要，所述用户节点信息中可以包括如用户名、性别，年龄，学历，职业等用户基础信息。例如，一可能的实施例中，如图4所示系统交互示意图，保险推荐系统可以从用于提供所述项目相关服务的页面接收推荐请求，该推荐请求可以是由该页面响应于用户在该页面浏览一个或若干个项目而发出。保险推荐系统对接收到的推荐请求进行解析，获取用户基础信息，根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。在该实施方式中，可以在用户浏览项目时，自动根据用户圈子内熟人对项目的行为进行推荐，用户可以更加及时得到易于认可的项目的推荐，提高推荐有效性，避免计算资源与网络资源的浪费。

步骤204：利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比。

本申请对于所述用户相关的其他用户在所述项目上的权重配比的具体计算方式不限，通过利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息来进行计算，就能够使计算出的权重配比体现出用户有关客户在项目上的行为如购买、关注等情况，进而使得计算出的项目推荐结果能体现用户熟人的喜好。

本申请一实施例中，将用户的行为信息根据行为类型不同确定出不同的权重配比，而且用户间关系信息根据关系类型、关系层级不同确定出不同的权重配比，进而使得权重配比的确定更加细化，更加贴近用户有关客户喜好。具体地，例如，可以根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比；根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比；根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比；利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

举例来说，在保险产品领域，行为类型可以分为“购买”、“被投保”、“关注”、“浏览”。预置的行为类型与行为权重配比之间的对应关系例如可以包括：“购买”对应数值为“1”的行为权重配比、“被投保”对应数值为“0.8”的行为权重配比、“关注”对应数值为“0.5”的行为权重配比、“浏览”对应数值为“0.3”的行为权重配比。关系类型可以分为“亲属”、“朋友”、“同学”、“同事”。预置的关系类型与关系类型权重配比之间的对应关系例如可以包括：“亲属”对应数值为“1”的关系类型权重配比、“朋友”对应数值为“0.8”的关系类型权重配比、“同学”对应数值为“0.5”的关系类型权重配比、“同事”对应数值为“0.3”的关系类型权重配比。关系层级可以分为“一层”、“二层”、“三层”。例如，用户关系网络中用户节点310与等待推荐的用户节点300只通过一条边连接，则二者关系层级为一层，用户节点311与用户节点300通过两条边连接，则二者关系层级为二层。“一层”对应数值为“1”的关系层级权重配比、“二层”对应数值为“0.8”的关系层级权重配比、“三层”对应数值为“0.6”的关系层级权重配比。

需要说明的是，本申请所述利用行为权重配比、关系类型权重配比以及关系层级权重配比，计算出用户在项目上的权重配比的具体实施方式不限。可以根据实施需要设置合适的计算方式。例如，可以将行为权重配比、关系类型权重配比以及关系层级权重配比的乘积作为用户在项目上的权重配比。结合上述保险产品领域示例，对于如图3所示的用户关系网络中等待推荐的用户300来说，与其有关的用户节点310购买过保险产品“A”，且关系类型为“亲属”，则该用户节点310的用户在保险产品“A”上的权重配比为1×1×1，与其有关的用户节点311同样购买过保险产品“A”，且用户节点311与用户节点310的关系类型为“朋友”，则该用户节点311的用户在保险产品“A”上的权重配比为1×1×0.8×0.8。

步骤206：利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

本申请对于项目推荐计算的具体计算方式不限，可以根据实施环境需要选择相应的算法，例如LR(Logistic Regression，逻辑回归)、DNN(Deep Neural Networks，深度神经网络)等算法。通过利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息来进行权重配比的计算，进而得到能够体现用户有关客户在项目喜好上的权重配比，利用该权重配比进行项目推荐计算，就能够使得计算出的项目推荐结果能体现用户有关客户的喜好。

本申请一实施例中，利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型；基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果；根据所述预测结果，向所述用户发送对应的推荐信息。在该实施方式中，通过挖掘用户关系网络，得到基于所述用户关系网络的推荐算法模型，基于该推荐算法模型对用户在项目上的行为进行预测，进而做出相应推荐，使用户得到基于熟人喜好的项目推荐，基于熟人喜好的推荐引导，可以快速的提升用户对项目的认可，提高推荐有效性，避免计算资源与网络资源的浪费。

以LR(逻辑回归)算法为例，算法的目标为预测用户对保险产品A是否点击。训练所需样本的特征包括：相关用户的用户基础信息，相关用户在保险产品A上的权重配比(该权重配比能够体现该相关用户在保险产品A上的行为，如点击浏览、购买等)。通过将这两项特征加入LR的算法训练特征中，所训练出新的LR模型能够对用户是否对保险产品A进行点击进行预测，并根据预测结果发送对应的推荐信息。

其中，所述推荐信息包括所述用户相关的其他用户在所述项目上的行为信息。例如，在推荐信息的文案上以“你周围XX人购买了该产品”，“你周围的某某某也购买了这款产品”的方式进行推荐。在该实施方式中，通过挖掘用户关系网络，找到用户的熟人圈，根据其圈子内用户的行为如购买和关注情况，为用户推荐项目如保险产品，基于熟人的推荐引导，可以快速的提升用户对项目的认可，并通过和熟人的交流，更好的了解项目相关情况，进而更易于认可该推荐为适合自己的项目，提高推荐有效性，避免计算资源与网络资源的浪费。

综上可见，本申请实施例通过获取用户的用户关系网络，得到其他用户对项目的行为信息及用户间关系信息，并利用其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比，利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算，从而使得项目推荐计算中加入了能够体现用户有关客户在项目上的行为如购买、关注的特征，使得计算出的项目推荐结果能够体现用户有关客户的喜好，用户可以通过与之有关的客户对项目进行了解，进而更易于认可该推荐为适合自己的项目，提高推荐有效性，避免计算资源与网络资源的浪费。

图4示出了根据本申请一实施例的在项目推荐中使用的方法的系统交互示意图。图4所示系统交互示意图以项目为保险产品为例，包括步骤401至步骤411。

步骤401：用户关系网络计算系统建立用户关系网络。

例如，用户关系网络计算系统可以从保险产品数据库获取用户对保险产品的关注、点击、浏览、社群互动中的任一种或多种行为信息，将这些行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点，从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息，将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息，根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。可以理解的是，用户关系网络的建立是预处理步骤，一旦建立完成后，可以存储起来，需要进行项目推荐时，从存储中查询出对应的用户关系网络直接使用即可。

步骤402：保险产品服务页面响应于用户浏览一个或若干个项目，向保险推荐系统发出推荐请求。

步骤403：保险推荐系统对接收到的推荐请求进行解析以获取用户基础信息。

步骤404：保险推荐系统根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

步骤405：保险推荐系统根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比。

步骤406：保险推荐系统根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比。

步骤407：保险推荐系统根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比。

步骤408：保险推荐系统利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

步骤409：保险推荐系统利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型。

步骤410：保险推荐系统基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果。

步骤411：保险推荐系统根据所述预测结果，向所述保险产品服务页面发送推荐信息，该推荐信息的文案上包含用户相关的其他用户在保险产品上的购买、关注、浏览等信息。

可见，在保险产品领域实施本申请实施例，可以在用户浏览保险服务页面时，自动根据用户圈子内熟人对保险产品的购买、关注、浏览等行为进行推荐，用户可以更加及时得到易于认可的产品保险的推荐，提高推荐有效性，避免计算资源与网络资源的浪费。

与上述方法实施例相对应，本申请还提供了在项目推荐中使用的装置实施例，图5示出了根据本申请一实施例的在项目推荐中使用的装置的框图。如图5所示，该装置可以包括：关系网络获取模块510、权重计算模块520、推荐计算模块530。

该关系网络获取模块510，可以被配置为获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息。

该权重计算模块520，可以被配置为利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比。

该推荐计算模块530，可以被配置为利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

可见，本申请实施例通过获取用户的用户关系网络，得到其他用户对项目的行为信息及用户间关系信息，并利用其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比，利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算，从而使得项目推荐计算中加入了能够体现用户有关客户在项目上的行为如购买、关注的特征，使得计算出的项目推荐结果能够体现用户有关客户的喜好，用户可以通过与之有关的客户对项目进行了解，进而更易于认可该推荐为适合自己的项目，提高推荐有效性，避免计算资源与网络资源的浪费。

图6示出了本申请另一个实施例的在项目推荐中使用的装置的框图。如图6所示，该装置的权重计算模块520可以包括：行为权重计算子模块521、关系类型计算子模块522、关系层级计算子模块523及综合权重计算子模块524。

该行为权重计算子模块521，可以被配置为根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比。

该关系类型计算子模块522，可以被配置为根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比。

该关系层级计算子模块523，可以被配置为根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比。

该综合权重计算子模块524，可以被配置为利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

在该实施例中，将用户的行为信息根据行为类型不同确定出不同的权重配比，而且用户间关系信息根据关系类型、关系层级不同确定出不同的权重配比，进而使得权重配比的确定更加细化，更加贴近用户有关客户喜好，基于熟人的推荐引导，可以快速的提升用户对项目的认可，提高推荐有效性，避免计算资源与网络资源的浪费。

可选地，如图6所示，该装置的推荐计算模块530可以包括：模型训练子模块531、模型预测子模块532及推荐发送子模块533。

该模型训练子模块531，可以被配置为利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型。

该模型预测子模块532，可以被配置为基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果。

该推荐发送子模块533，可以被配置为根据所述预测结果，向所述用户发送对应的推荐信息。

在该实施方式中，通过挖掘用户关系网络，得到基于所述用户关系网络的推荐算法模型，基于该推荐算法模型对用户在项目上的行为进行预测，进而做出相应推荐，使用户得到基于熟人喜好的项目推荐，基于熟人喜好的推荐引导，可以快速的提升用户对项目的认可，提高推荐有效性，避免计算资源与网络资源的浪费。

可选地，如图6所示，该装置还可以包括：行为信息获取模块540、节点建立模块541、关系信息获取模块542及网络建立模块543。

该行为信息获取模块540，可以被配置为从所述项目相关后台获取用户对所述项目的行为信息。

该节点建立模块541，可以被配置为将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点。

该关系信息获取模块542，可以被配置为从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息，并将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息。

该网络建立模块543，可以被配置为根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。

在该实施方式中，通过挖掘用户在项目上的行为信息并通过社交平台、社群等挖掘用户间关系信息形成用户关系网络，从而使得用户关系网络能够为项目推荐计算提供更多能够体现用户熟人喜好的特征，提高推荐有效性。

可选地，如图6所示，该装置的关系网络获取模块510可以包括：请求接收子模块511、请求解析子模块512及关系获取子模块513。

该请求接收子模块511，可以被配置为接收推荐请求，所述推荐请求由用于提供所述项目相关服务的页面响应于用户在所述页面浏览一个或若干个项目而发出。

该请求解析子模块512，可以被配置为对所述推荐请求进行解析，获取用户基础信息。

该关系获取子模块513，可以被配置为根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

在该实施方式中，可以在用户浏览项目时，自动根据用户圈子内熟人对项目的行为进行推荐，用户可以更加及时得到易于认可的项目的推荐，提高推荐有效性，避免计算资源与网络资源的浪费。

本申请一实施例中还提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现所述的在项目推荐中使用的方法的步骤。

本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如前所述在项目推荐中使用的方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的在项目推荐中使用的方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述在项目推荐中使用的方法的技术方案的描述。

上述对本申请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。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本申请的内容，可作很多的修改和变化。本申请选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims (14)

1.一种在项目推荐中使用的方法，其特征在于，包括：

获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息；

利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比；

利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

2.根据权利要求1所述的方法，其特征在于，所述利用用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比包括：

根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比；

根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比；

根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比；

利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算包括：

利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型；

基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果；

根据所述预测结果，向所述用户发送对应的推荐信息。

4.根据权利要求3所述的方法，其特征在于，所述推荐信息包括所述用户相关的其他用户在所述项目上的行为信息。

5.根据权利要求1所述的方法，其特征在于，还包括：

从所述项目相关后台获取用户对所述项目的行为信息；

将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点；

从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息；

将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息；

根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。

6.根据权利要求1所述的方法，其特征在于，所述获取用户关系网络包括：

接收推荐请求，所述推荐请求由用于提供所述项目相关服务的页面响应于用户在所述页面浏览一个或若干个项目而发出；

对所述推荐请求进行解析，获取用户基础信息；

根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述用户关系网络中其他用户对项目的行为信息包括：其他用户对保险项目的关注、点击、浏览、社群互动中的任一种或多种。

8.一种在项目推荐中使用的装置，其特征在于，包括：

关系网络获取模块，被配置为获取用户的用户关系网络，其中，所述用户关系网络包括若干用户节点各自的用户节点信息及用于连接不同用户节点之间的边的信息，所述用户节点信息包括该用户节点的用户对项目的行为信息，所述边的信息包括用户间关系信息；

权重计算模块，被配置为利用所述用户关系网络中其他用户对项目的行为信息及用户间关系信息，计算出所述用户相关的其他用户在所述项目上的权重配比；

推荐计算模块，被配置为利用所述用户相关的其他用户在所述项目上的权重配比，进行项目推荐计算。

9.根据权利要求8所述的装置，其特征在于，所述权重计算模块包括：

行为权重计算子模块，被配置为根据预置的行为类型与行为权重配比之间的对应关系以及所述用户关系网络中其他用户对项目的行为信息，确定所述用户相关的其他用户在所述项目上的行为权重配比；

关系类型计算子模块，被配置为根据预置的关系类型与关系类型权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系类型权重配比；

关系层级计算子模块，被配置为根据预置的关系层级与关系层级权重配比之间的对应关系以及所述用户关系网络中用户间关系信息，确定所述用户相关的其他用户在所述项目上的关系层级权重配比；

综合权重计算子模块，被配置为利用所述用户相关的其他用户在所述项目上的行为权重配比、关系类型权重配比以及关系层级权重配比，计算出所述其他用户在所述项目上的权重配比。

10.根据权利要求8所述的装置，其特征在于，所述推荐计算模块包括：

模型训练子模块，被配置为利用所述用户相关的其他用户在所述项目上的权重配比进行推荐算法模型训练，得到基于所述用户关系网络的推荐算法模型；

模型预测子模块，被配置为基于已训练完成的所述推荐算法模型，对所述用户在所述项目上的行为进行预测，得到预测结果；

推荐发送子模块，被配置为根据所述预测结果，向所述用户发送对应的推荐信息。

11.根据权利要求8所述的装置，其特征在于，还包括：

行为信息获取模块，被配置为从所述项目相关后台获取用户对所述项目的行为信息；

节点建立模块，被配置为将用户对所述项目的行为信息加入对应用户的用户节点信息，形成用户关系网络的各个用户节点；

关系信息获取模块，被配置为从社交平台获取通讯录信息、社交平台友情类型信息、社群活动互动信息，并将所述通讯录信息、所述社交平台友情类型信息、所述社群活动互动信息加入用户间关系信息；

网络建立模块，被配置为根据所述用户间关系信息建立用于连接不同用户节点之间的边，形成所述用户关系网络。

12.根据权利要求8所述的装置，其特征在于，所述关系网络获取模块包括：

请求接收子模块，被配置为接收推荐请求，所述推荐请求由用于提供所述项目相关服务的页面响应于用户在所述页面浏览一个或若干个项目而发出；

请求解析子模块，被配置为对所述推荐请求进行解析，获取用户基础信息；

关系获取子模块，被配置为根据所述用户基础信息，从存储中获取所述用户基础信息对应的用户关系网络。

13.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1-7任意一项所述方法的步骤。

14.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-7任意一项所述方法的步骤。