CN110659416A - 一种浏览资源的推荐方法、推荐装置及可读存储介质 - Google Patents
一种浏览资源的推荐方法、推荐装置及可读存储介质 Download PDFInfo
- Publication number
- CN110659416A CN110659416A CN201910846072.0A CN201910846072A CN110659416A CN 110659416 A CN110659416 A CN 110659416A CN 201910846072 A CN201910846072 A CN 201910846072A CN 110659416 A CN110659416 A CN 110659416A
- Authority
- CN
- China
- Prior art keywords
- browsing
- candidate
- resource
- user
- recommended
- 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.)
- Granted
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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种浏览资源的推荐方法、推荐装置及可读存储介质，根据获取到的用户的历史浏览数据，确定用户施加有历史操作行为的历史浏览资源；确定对历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源；基于确定的每个候选浏览资源与每个候选用户之间的关联概率，确定用户在多个候选浏览资源中的推荐资源游走路线，确定向用户推送的目标推荐浏览资源，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现对于不同用户量身推荐浏览资源，提高浏览资源推荐的灵活性以及推荐的浏览资源与用户之间的契合度，增加了浏览资源推荐的合理性和浏览资源的利用率。
Description
技术领域
本申请涉及大数据技术领域，尤其是涉及一种浏览资源的推荐方法、推荐装置及可读存储介质。
背景技术
随着互联网科技的发展，网络中存在大量的浏览资源，且浏览资源传播的速度快，范围广，越来越多的人选择在网络中对一些浏览资源进行搜索或者观看。因此，在互联网中会经常为用户进行浏览资源的推荐。
目前，通常是根据当前人们关注的热点来为用户推荐浏览资源的，因此，对于不同的用户获得的推荐的浏览资源是相同的，但是对于不同的用户来讲，感兴趣的浏览资源不同，或者说需要的浏览资源不同，因此，为不同的用户推荐相同的浏览资源或者每次都为同一用户推荐相同的浏览资源占用不必要的资源推荐空间，并且还会浪费用户的时间，因此能够灵活的为用户推荐浏览资源是目前需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种浏览资源的推荐方法、推荐装置及可读存储介质，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现为不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
本申请实施例提供了一种浏览资源的推荐方法，所述推荐方法包括：
根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；
确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；
基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
进一步的，通过以下步骤确定每个候选浏览资源与每个所述候选用户之间的关联概率，包括：
针对每个候选浏览资源，以及对该候选浏览资源施加有历史操作行为的候选用户，获取该候选用户对于该候选浏览资源的至少一种历史操作行为、每种历史操作行为的执行次数以及该候选浏览资源的出度值，其中所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户的候选用户数量；
基于所述执行次数以及所述至少一种历史操作行为中的每种历史操作行为对应的预设行为分值，确定每种历史操作行为对于该候选浏览资源的行为分值；
基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值；
基于所述权重值以及所述出度值，计算该候选用户与该候选浏览资源之间的关联概率。
进一步的，所述基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值，包括：
对每个所述行为分值进行归一化处理，并基于归一化处理后的每个所述行为分值，确定该候选用户对该候选浏览资源的行为信息熵；
基于所述行为信息熵，计算该候选用户对于该候选浏览资源的中间权重值；
基于所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：
以所述历史浏览资源为起始游走点，从对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户为第一游走用户；
从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；
从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
进一步的，所述基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源，包括：
确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息；
基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值；
将多个所述推荐值按照降序的顺序排列，确定出预设推荐数量的目标推荐浏览资源。
进一步的，在所述根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源之后，所述推荐方法还包括：
确定所述历史浏览资源对应的至少一个标签信息；
基于每个标签信息指示的资源类型，获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源；
所述确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源，包括：
确定对所述历史浏览资源和每个目标浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源和所述至少一个目标浏览资源。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：
获取每个所述标签信息对应的预设加权因子；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，以及所述预设加权因子，计算所述候选浏览资源对于每个所述标签信息的标签关联度；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息之间的标签关联度，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
本申请实施例还提供了一种浏览资源的推荐装置，所述推荐装置包括：
第一确定模块，用于根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；
第二确定模块，用于确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；
第三确定模块，用于基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；
第四确定模块，用于基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
进一步的，所述推荐装置还包括概率确定模块，所述概率确定模块包括：
获取单元，用于针对每个候选浏览资源，以及对该候选浏览资源施加有历史操作行为的候选用户，获取该候选用户对于该候选浏览资源的至少一种历史操作行为、每种历史操作行为的执行次数以及该候选浏览资源的出度值，其中所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户的候选用户数量；
第一确定单元，用于基于所述执行次数以及所述至少一种历史操作行为中的每种历史操作行为对应的预设行为分值，确定每种历史操作行为对于该候选浏览资源的行为分值；
第一计算单元，用于基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值；
第二计算单元，用于基于所述权重值以及所述出度值，计算该候选用户与该候选浏览资源之间的关联概率；
进一步的，所述第一计算单元用于：
对每个所述行为分值进行归一化处理，并基于归一化处理后的每个所述行为分值，确定该候选用户对该候选浏览资源的行为信息熵；
基于所述行为信息熵，计算该候选用户对于该候选浏览资源的中间权重值；
基于所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
进一步的，所述第三确定模块用于：
以所述历史浏览资源为起始游走点，从对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户为第一游走用户；
从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；
从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
进一步的，所述第四确定模块用于：
确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息；
基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值；
将多个所述推荐值按照降序的顺序排列，确定出预设推荐数量的目标推荐浏览资源。
进一步的，所述推荐装置还包括资源推荐模块，所述资源推荐模块用于：
确定所述历史浏览资源对应的至少一个标签信息；
基于每个标签信息指示的资源类型，获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源；
所述确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源，包括：
确定对所述历史浏览资源和每个目标浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源和所述至少一个目标浏览资源。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，所述资源推荐模块还用于：
获取每个所述标签信息对应的预设加权因子；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，以及所述预设加权因子，计算所述候选浏览资源对于每个所述标签信息的标签关联度；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息之间的标签关联度，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的浏览资源的推荐方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的浏览资源的推荐方法的步骤。
本申请实施例提供的浏览资源的推荐方法、推荐装置及可读存储介质，根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
这样，通过获取用户的历史浏览资源，确定出同样对所述历史浏览资源存在历史操作行为的候选用户，并获取所述候选用户施加有历史操作行为的历史浏览资源，基于所述候选浏览资源与所述候选用户之间的关联概率的不同，确定出适合为用户推荐资源游走路线，再从推荐资源游走路线中确定出能过为用户推荐的目标推荐浏览资源，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现对于不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例所提供的一种浏览资源的推荐方法的流程图；
图2为构建的图网络的结构示意图；
图3为本申请另一实施例所提供的一种浏览资源的推荐方法的流程图；
图4为本申请实施例所提供的一种浏览资源的推荐装置的结构示意图之一；
图5为本申请实施例所提供的一种浏览资源的推荐装置的结构示意图之二；
图6为图5中所示的概率确定模块的结构示意图；
图7为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于大数据技术领域，通过获取用户的历史浏览资源，确定出同样对所述历史浏览资源存在历史操作行为的候选用户，并获取所述候选用户施加有历史操作行为的历史浏览资源，将其作为候选浏览资源，由于不同的候选浏览资源与对于不同的候选用户来说的关联概率是不同的，因此，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现为不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
经研究发现，目前，通常是根据当前人们关注的热点来为用户推荐浏览资源的，因此，对于不同的用户获得的推荐的浏览资源是相同的，但是对于不同的用户来讲，感兴趣的浏览资源不同，或者说需要的浏览资源不同，因此，为不同的用户推荐相同的浏览资源或者每次都为同一用户推荐相同的浏览资源占用不必要的资源推荐空间，并且还会浪费用户的时间，因此能够灵活的为用户推荐浏览资源是目前需要解决的问题。
基于此，本申请实施例提供了一种浏览资源的推荐方法，通过获取用户浏览过的历史浏览资源，获取对所述历史浏览资源同样存在历史操作行为的至少一个候选用户，并获取所述至少一个候选用户施加有历史操作行为的候选浏览资源，基于所述候选浏览资源与所述候选用户之间的关联概率的不同，确定适合为用户推荐资源游走路线，再从推荐资源游走路线中确定出能过为用户推荐的目标推荐浏览资源。这样，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现对于不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
请参阅图1，图1为本申请实施例所提供的一种浏览资源的推荐方法的流程图。所如图1中所示，本申请实施例提供的浏览资源的推荐方法，包括：
S101、根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源。
该步骤中，当检测到用户打开网页或者应用程序(Application，APP)时，获取用户的身份信息，并根据用户的身份信息获取到用户的历史浏览数据，并从用户的历史浏览数据中确定出所述用户以往施加有历史操作行为的历史浏览资源。
其中，历史操作行为包括点击、观看、加入购物车以及购买等操作；所述身份信息可以为所述用户的账号、手机号、IP地址等。
S102、确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源。
该步骤中，从网络中获取对所述历史浏览资源同样存在历史操作行为的至少一个除所述用户之外的其他用户，将除所述用户之外的至少一个其他用户作为候选用户，并根据所述候选用户的历史浏览记录确定出所述候选用户施加有历史操作行为的多个候选浏览资源，其中，由于所述候选用户与所述用户都对所述历史浏览资源同样存在历史操作行为，因此，在所述候选浏览资源中包括所述历史浏览资源。
其中，历史操作行为可以为“点击”、“滑动”等操作，或者是通过“点击”、“滑动”等操作或者是组合操作所实现的对浏览资源的“观看”、“加入购物车”以及“购买”等行为。
举例来说，在用户A的历史浏览记录中，获取到用户A对浏览资源a存在历史操作行为，而对于浏览资源a同样存在历史操作行为的还有用户B，将用户B作为候选用户，同时获取用户B浏览(也可以是其他的历史操作行为)过的历史浏览资源，此时获取到的用户B的历史浏览资源中必定会包括浏览资源a，因此所述候选浏览资源中包括所述历史浏览资源。
S103、基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述资源推荐游走路线中包括预设推荐数量的待推荐浏览资源。
该步骤中，由于每个候选浏览资源与每个候选用户之间都将存在一定关联概率，因此能够根据所述关联概率确定出在所述多个候选浏览资源中适合为所述用户推荐的推荐资源游走路线，在所述推荐资源游走路线中包括的待推荐浏览资源的个数为预先设置好的想要为所述用户推荐的待推荐浏览资源的数量，也就是说每一个所述推荐资源游走路线的长度为预设的想要为所述用户推荐的待推荐浏览资源的数量。
其中，每个候选浏览资源仅与与其存在历史操作行为的候选用户之间存在大于0的关联概率，如果候选用户与候选浏览资源之间不存在历史操作行为，则可以认为候选浏览资源与候选用户之间不存在关联概率或者说他们之间的关联概率为0。
具体的，可以基于所述用户、所述候选用户、所述候选浏览资源以及每个候选浏览资源与每个所述候选用户之间的关联概率能够构建一个图网络(如图2所示，在图2中如果候选用户与候选浏览资源之间不存在历史操作行为则视作没有关联概率，图中未示出没有关联概率的候选浏览资源与候选用户之间的连接线，在其他实施例中也可以将关联概率认为是0)，从图2中可以看出所述用户与所述候选浏览资源之间存在不同的游走路线，因此本申请实施例的目的在于基于每个候选浏览资源与每个所述候选用户之间的关联概率，确定出最适合为所述用户进行浏览资源推荐的多条推荐资源游走路线。在图2中从用户A出发能够确定出两条路线【用户A-浏览资源a-用户B-浏览资源b】以及【用户A-浏览资源c-用户C-浏览资源d】，那么推荐资源游走路线为【ab】以及【cd】。
其中，每条推荐资源游走路线的相关程度首先取决于关联概率，对于与同一个候选用户相关联的候选浏览资源，选择关联概率高的一个候选浏览资源作为推荐资源游走路线的下一个游走节点，并生成最终的推荐资源资源游走路线。
其中，所述推荐资源游走路线中包括的待推荐浏览资源的个数，是通过预先的设置进行规定，之后在确定推荐资源游走路线时，每当路线中存在的待推荐资源的个数达到预设个数值时，则停止游走，生成最终的推荐资源游走路线。
并且，在本实施例中推荐资源游走路线是想要为用户推荐浏览资源，因此在本实施例中仅包括候选浏览资源，不会包括用户或其他，而在其他实施例中还可以包括其他事物或事项。
S104、基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
该步骤中，在获得了多条推荐资源游走路线之后，由于为所述用户推荐的浏览资源的个数是有限的，而每条推荐资源游走路线中又包括多个待推荐浏览资源，因此需要根据每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，选出预设个数的向所述用户推送的目标推荐浏览资源。
其中，所述推荐资源游走路线的条数为根据想要为所述用户推荐的浏览资源的数目预设好的。
本申请实施例提供的浏览资源的推荐方法，根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
这样，本申请通过获取用户浏览过的历史浏览资源，获取对所述历史浏览资源同样存在历史操作行为的至少一个候选用户，并获取所述至少一个候选用户施加有历史操作行为的候选浏览资源，基于所述候选浏览资源与所述候选用户之间的关联概率的不同，确定出适合为用户推荐的推荐资源游走路线，再从推荐资源游走路线中确定出能够为用户推荐的目标推荐浏览资源，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现对于不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
请参阅图3，图3为本申请另一实施例提供的浏览资源的推荐方法的流程图。如图3中所示，本申请实施例提供的浏览资源的推荐方法，包括：
S301、根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源。
S302、确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源。
S303、基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
S304、确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息。
该步骤中，由于确定出的推荐资源游走路线中包括多个待推荐浏览资源，因此在计算所述待推荐浏览资源的推荐值之前，需要确定出每个所述待推荐浏览资源在所述推荐资源游走路线中所述的位置。
并且，两条所述推荐资源游走路线中可以存在同一个待推荐浏览资源，如果一个待推荐浏览资源同时在推荐资源游走路线中多次出现，那么将该待推荐浏览资源作为优先推荐的待推荐浏览资源。
其中，所述位置信息为待推荐浏览资源在资源推荐游走路线中所处的访问顺序，示例性的，推荐资源游走路线为【abcde】，那么对于浏览资源b来说，位置信息为2。
S305、基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值。
该步骤中，根据确定出的所述待推荐浏览资源在所述推荐资源游走路线中的位置信息，以及预设的想要为所述用户推荐的待推荐浏览资源个数，通过以下公式计算出所述待推荐浏览资源的推荐值。
其中，Ij为第j个待推荐浏览资源的推荐值，n为存在有第j个待推荐浏览资源的所述推荐资源游走路线的个数，lj为第j个待推荐浏览资源在所述推荐资源游走路线中的位置信息，m为预设推荐数量。
S306、将多个所述推荐值按照降序的顺序排列，确定出预设推荐数量的目标推荐浏览资源。
该步骤中，将得到的多个待推荐浏览资源的推荐值按照降序的顺序排列，根据所述待推荐浏览资源的推荐值，确定所述待推荐浏览资源的排位，在根据确定出的所述待推荐浏览资源的排位，选择位于前预设推荐数量位的目标推荐浏览资源，并将所述目标推荐浏览资源推荐给所述用户。
示例性的，若获得两条推荐资源游走路线【abcde】和【bdeaf】，若想要为所述用户推荐的待推荐浏览资源数目为5，对于物品b的访问顺序分别为2和1，物品b的推荐值为(5-2)+(5-1)＝7，对于物品a的访问顺序分别为1和4，物品a的推荐值为(5-1)+(5-4)＝5，因此就物品a与物品b相比较，优先推荐物品b。
其中，对于浏览资源a来说，存在浏览资源a的推荐资源游走路线有2条，而对于浏览资源f来说，存在浏览资源f的推荐资源游走路线只有1条，对应于上述实施例，对于浏览资源f的推荐值为(5-5)＝0。
其中，S301至S303的描述可以参照S101至S103的描述，并且能达到相同的技术效果，对此不做赘述。
进一步的，通过以下步骤确定每个候选浏览资源与每个所述候选用户之间的关联概率，包括：针对每个候选浏览资源，以及对该候选浏览资源施加有历史操作行为的候选用户，获取该候选用户对于该候选浏览资源的至少一种历史操作行为、每种历史操作行为的执行次数以及该候选浏览资源的出度值，其中所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户的候选用户数量；基于所述执行次数以及所述至少一种历史操作行为中的每种历史操作行为对应的预设行为分值，确定每种历史操作行为对于该候选浏览资源的行为分值；基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值；基于所述权重值以及所述出度值，计算该候选用户与该候选浏览资源之间的关联概率。
该步骤中，由于所述候选用户可能对一个候选浏览资源存在多种历史操作行为，因此针对于每个候选浏览资源以及对该候选浏览资源施加有历史操作行为的候选用户，获取所述候选用户对所述候选浏览资源施加的至少一个历史操作行为，同时确定所述候选用户对所述候选浏览资源的施加的历史操作行为的操作次数(例如，浏览的次数)，以及每种历史操作行为的预设的行为分值(例如，浏览行为的行为分值为1分、购买行为的行为分值为3分等)以及该候选浏览资源的出度值，所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户以及所述用户的个数和，根据所述历史操作行为的执行次数以及相应的历史操作行为对应的行为分值(例如，对于一个候选浏览资源浏览了3次，那么对于“浏览”这个历史操作行为来说最终的行为分值为“3”)，确定所述候选用户对于每个所述候选浏览资源的权重值，并根据权重值以及该后候选浏览资源的出度值，计算该候选用户与该候选浏览资源之间的初步关联概率，之后将计算出的所述候选用户与多个候选浏览资源的初步关联概率通过归一化公式进行归一化处理得到候选用户与候选浏览资源之间的关联概率。
具体的，计算得到该候选用户对于该候选浏览资源的权重值之后，基于所述权重中以及所述出度值，通过以下公式计算该候选用户与该候选浏览资源之间的初步关联概率：
其中，s(j)为所述候选用户与第j个候选浏览资源之间的初步关联概率，Wj为第j个候选浏览资源的权重值，Wi为从所述候选用户起至第j个候选浏览资源之前中间所经过的多个候选浏览资源所对应的权重值，out(j)为所述第j个候选浏览资源的出度值。
进一步的，所述基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值，包括：对每个所述行为分值进行归一化处理，并基于归一化处理后的多个所述行为分值，确定该候选用户对该候选浏览资源的行为信息熵；基于所述行为信息熵，计算该候选用户对于该候选浏览资源的中间权重值；基于所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
该步骤中，由于不同的候选用户对每个候选浏览资源的行为之间存在差异，例如，用户A对浏览资源a需要反复的浏览才能达成购买，用户B对于商品看到一次就达成购买行为。或者，用户A对浏览资源a进行反复思考，对浏览资源b观看一次即购买，因此针对每个用户的行为进行不同的考量，需要对所述候选用户对于每个候选浏览资源的行为分值进行归一化处理；基于归一化处理后的多个所述候选用户对所述候选浏览资源的行为分值，计算所述候选用户对于所述候选浏览资源的行为信息熵，并通过所述行为信息熵计算该候选用户对于该候选浏览资源的中间权重值，最后根据计算出的所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
具体的，通过以下公式对所述行为分值进行归一化处理：
其中，Yij为归一化后的第j个候选浏览资源的第i个历史操作行为的行为分值，xij为第j个候选浏览资源的第i个历史操作行为的行为分值，min(xi)为在第j个候选浏览资源的所有行为分值中的最小行为分值，max(xi)为在第j个候选浏览资源的所有行为分值中的最大行为分值。
具体的，通过以下公式计算所述候选用户对于每个所述候选浏览资源的信息熵：
其中，Ej为所述候选用户对于第j个所述候选浏览资源的信息熵，pij为第j个候选浏览资源的第i个历史操作行为的概率密度值。
具体的，通过以下公式计算第j个候选浏览资源的第i个历史操作行为的概率密度值：
其中，pij为第j个候选浏览资源的第i个历史操作行为的概率密度值，Yij为归一化后的第j个候选浏览资源的第i个历史操作行为的行为分值。
具体的，通过以下公式确定所述候选用户对于每个所述候选浏览资源的中间权重值。
其中，wj为第j个候选浏览资源的中间权重值，Ej为第j个候选浏览资源的信息熵，k为所述候选用户施加有历史操作行为的候选浏览商品的个数。
具体的，通过以下公式计算该候选用户对于该候选浏览资源的权重值：
其中，Wi为第j个候选浏览资源的中间权重值，wj为第j个候选浏览资源的权重值，Yij为归一化后的第j个候选浏览资源的第i个历史操作行为的行为分值。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：以所述历史浏览资源为起始游走点，从对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户为第一游走用户；从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
该步骤中，通过确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线时，首先以与所述用户施加有历史操作行为的历史浏览资源为推荐资源游走路线的起始实游走点，从对起始游走点对应的所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户作为第一游走用户；从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除已经游走过了的作为起始游走点的所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；从对所述第一游走资源施加有历史操作行为的多个候选用户中除已经游走过了的所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至所述推荐资源游走路线中所包括的待推荐浏览资源的个数达到预设推荐数量为止，得到包括预设推荐数量的待推荐浏览资源的所述推荐资源游走路线。
进一步的，步骤301之后，所述推荐方法还包括：确定所述历史浏览资源对应的至少一个标签信息；基于每个标签信息指示的资源类型，获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源；所述确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源，包括：确定对所述历史浏览资源和每个目标浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源和所述至少一个目标浏览资源。
该步骤中，在获取到所述用户的历史浏览资源之后，获取每个所述历史浏览资源相对应的至少一个标签信息，而后根据每个标签信息指示的资源类型，从网络或者APP中获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源，同时从网络中获取对所述目标浏览资源和所述历史浏览资源同样存在历史操作行为的至少一个除所述用户之外的其他用户，将除所述用户之外的至少一个其他用户作为候选用户，并根据所述候选用户的历史浏览记录确定出所述候选用户施加有历史操作行为的多个候选浏览资源，其中，在所述候选浏览资源中包括所述目标浏览资源。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：获取每个所述标签信息对应的预设加权因子；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，以及所述预设加权因子，计算所述候选浏览资源对于每个所述标签信息的标签关联度；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息之间的标签关联度，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
该步骤中，获取预先设置好的与每个所述标签信息相对应的预设加权因子，通过确定出的每个所述候选浏览资源与每个所述候选用户之间的关联概率以及所述加权因子确定出每个所述候选浏览资源对于每个所述标签信息的之间的标签关联度，其中对于不同的候选用户来说，相同的候选浏览资源与相同的标签信息之间的标签关联度是不同的，而后，基于确定出的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息的之间的标签关联度，确定所述用户在所述多个候选浏览资源中的多条推荐资源游走路线，其中，所述资源推荐游走路线中包括预设推荐数量的待推荐浏览资源。
具体的，在基于确定出的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息的之间的标签关联度，确定所述用户在所述多个候选浏览资源中的多条推荐资源游走路线时，第一，以所述历史浏览资源为起始游走点，从与所述历史浏览资源相对应的标签信息中或者是对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择出与所述历史浏览资源之间的关联概率或者是标签关联度中最大的候选用户或者标签信息为第一游走用户，也就是说第一游走用户可以为对该历史浏览资源施加有历史操作行为的候选用户，还可以为该历史浏览资源对应的标签信息，如果该历史浏览资源与候选用户之间的关联概率大于该历史浏览资源与任意一个与其对应的标签信息之间的标签关联度，那么第一游走点为该候选用户，反之则为标签信息；
第二，(当第一游走点为候选用户时)从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；(当第一游走点为标签信息时)从与所述第一游走用户相关的所有候选历史浏览资源中，选择所述第一游走用户之间的标签关联度最大的候选浏览资源为第一游走资源。
第三，从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户，或者是与所述第一游走资源对应的多个标签信息中除所述第一游走用户之外的其他标签信息中，选择与所述第一游走资源之间的关联概率或者标签关联度中最大的候选用户或者是标签信息为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
具体的，通过以下公式计算所述候选浏览资与每个所述标签信息的之间的标签关联度：
Snew＝k*s；
其中，Snew为所述候选浏览资源与每个标签信息的之间的标签关联度，k为预设加权因子，s为候选用户与所述候选浏览资源之间的关联概率。
其中，如果想要增加某一标签的推荐概率，可以通过增加其对应的加权因子的方式，增加所述标签信息与所述候选用户之间的标签关联概率。
另外，还可以通过上述的计算关联概率的公式及计算关联概率的相关公式，计算所述候选浏览资与每个所述标签信息的之间的标签关联度，如果想要增加某一标签信息相关浏览资源的推荐概率可以将该标签的出度值设为1，即若想增加标签信息相关浏览资源的推荐概率可以通过固定设置该标签信息相应的出度值来实现。
本申请实施例提供的浏览资源的推荐方法，根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息；基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值；将多个所述推荐值按照降序的顺序排列，确定出待预设推荐数量的目标推荐浏览资源。
这样，本申请通过获取用户浏览过的历史浏览资源，获取对所述历史浏览资源同样存在历史操作行为的至少一个候选用户，并获取所述至少一个候选用户施加有历史操作行为的候选浏览资源，基于所述候选浏览资源与所述候选用户之间的关联概率的不同，确定出适合为用户推荐的推荐资源游走路线，再从推荐资源游走路线中确定出能过为用户推荐的目标推荐浏览资源，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现为不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
请参阅图4-图6，图4为本申请实施例所提供的一种浏览资源的推荐装置的结构示意图之一，图5为本申请实施例所提供的一种浏览资源的推荐装置的结构示意图之二，图6为图5中所示的概率确定模块的结构示意图。如图4中所示，所述推荐装置400包括：
第一确定模块410，用于根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；
第二确定模块420，用于确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；
第三确定模块430，用于基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；
第四确定模块440，用于基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
进一步的，如图5、图6所示，所述推荐装置400还包括概率确定模块450，所述概率确定模块450包括：
获取单元451，用于针对每个候选浏览资源，以及对该候选浏览资源施加有历史操作行为的候选用户，获取该候选用户对于该候选浏览资源的至少一种历史操作行为、每种历史操作行为的执行次数以及该候选浏览资源的出度值，其中所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户的候选用户数量；
第一确定单元452，用于基于所述执行次数以及所述至少一种历史操作行为中的每种历史操作行为对应的预设行为分值，确定每种历史操作行为对于该候选浏览资源的行为分值；
第一计算单元453，用于基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值；
第二计算单元454，用于基于所述权重值以及所述出度值，计算该候选用户与该候选浏览资源之间的关联概率；
进一步的，所述第一计算单元453用于：
对每个所述行为分值进行归一化处理，并基于归一化处理后的每个所述行为分值，确定该候选用户对该候选浏览资源的行为信息熵；
基于所述行为信息熵，计算该候选用户对于该候选浏览资源的中间权重值；
基于所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
进一步的，所述第三确定模块430用于：
以所述历史浏览资源为起始游走点，从对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户为第一游走用户；
从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；
从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
进一步的，所述第四确定模块440用于：
确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息；
基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值；
将多个所述推荐值按照降序的顺序排列，确定出预设推荐数量的目标推荐浏览资源。
进一步的，所述推荐装置400还包括资源推荐模块，所述资源推荐模块用于：
确定所述历史浏览资源对应的至少一个标签信息；
基于每个标签信息指示的资源类型，获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源；
所述确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源，包括：
确定对所述历史浏览资源和每个目标浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源和所述至少一个目标浏览资源。
进一步的，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，所述资源推荐模块还用于：
获取每个所述标签信息对应的预设加权因子；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，以及所述预设加权因子，计算所述候选浏览资源对于每个所述标签信息的标签关联度；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息之间的标签关联度，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
本申请实施例提供的浏览资源的推荐装置，根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
这样，本申请通过获取用户浏览过的历史浏览资源，获取对所述历史浏览资源同样存在历史操作行为的至少一个候选用户，并获取所述至少一个候选用户施加有历史操作行为的候选浏览资源，基于所述候选浏览资源与所述候选用户之间的关联概率的不同，确定出适合为用户推荐的推荐资源游走路线，再从推荐资源游走路线中确定出能过为用户推荐的目标推荐浏览资源，能够利用用户的历史浏览资源重新确定推荐资源游走路线，从而实现为不同用户量身推荐浏览资源，不仅可以提高浏览资源推荐的灵活性，还可以提高推荐的浏览资源与用户之间的契合度，大大增加了浏览资源推荐的合理性和浏览资源的利用率。
请参阅图7，图7为本申请实施例所提供的一种电子设备的结构示意图。如图7中所示，所述电子设备700包括处理器710、存储器720和总线730。
所述存储器720存储有所述处理器710可执行的机器可读指令，当电子设备700运行时，所述处理器710与所述存储器720之间通过总线730通信，所述机器可读指令被所述处理器710执行时，可以执行如上述图1以及图3所示方法实施例中的浏览资源的推荐方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图3所示方法实施例中的浏览资源的推荐方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种浏览资源的推荐方法，其特征在于，所述推荐方法包括：
根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；
确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；
基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
2.根据权利要求1所述的推荐方法，其特征在于，通过以下步骤确定每个候选浏览资源与每个所述候选用户之间的关联概率，包括：
针对每个候选浏览资源，以及对该候选浏览资源施加有历史操作行为的候选用户，获取该候选用户对于该候选浏览资源的至少一种历史操作行为、每种历史操作行为的执行次数以及该候选浏览资源的出度值，其中所述出度值为对该候选浏览资源施加有历史操作行为的至少一个候选用户的候选用户数量；
基于所述执行次数以及所述至少一种历史操作行为中的每种历史操作行为对应的预设行为分值，确定每种历史操作行为对于该候选浏览资源的行为分值；
基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值；
基于所述权重值以及所述出度值，计算该候选用户与该候选浏览资源之间的关联概率。
3.根据权利要求2所述的推荐方法，其特征在于，所述基于多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值，包括：
对每个所述行为分值进行归一化处理，并基于归一化处理后的多个所述行为分值，确定该候选用户对该候选浏览资源的行为信息熵；
基于所述行为信息熵，计算该候选用户对于该候选浏览资源的中间权重值；
基于所述中间权重值以及归一化处理后的多个所述行为分值，计算该候选用户对于该候选浏览资源的权重值。
4.根据权利要求1所述的推荐方法，其特征在于，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：
以所述历史浏览资源为起始游走点，从对所述历史浏览资源施加有历史操作行为的至少一个候选用户中，选择与所述历史浏览资源之间的关联概率最大的候选用户为第一游走用户；
从所述第一游走用户施加有历史操作行为的多个候选浏览资源中除所述历史浏览资源之外的其他候选浏览资源中，选择与所述第一游走用户之间的关联概率最大的候选浏览资源为第一游走资源；
从对所述第一游走资源施加有历史操作行为的多个候选用户中除所述第一游走用户之外的其他候选用户中，选择与所述第一游走资源之间的关联概率最大的候选用户为第二游走用户，以此类推，直至得到预设推荐数量的待推荐浏览资源后，确定所述推荐资源游走路线。
5.根据权利要求1所述的推荐方法，其特征在于，所述基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源，包括：
确定每个待推荐浏览资源在所述推荐资源游走路线中的位置信息；
基于所述位置信息以及所述预设推荐数量，计算每个所述待推荐浏览资源的推荐值；
将多个所述推荐值按照降序的顺序排列，确定出预设推荐数量的目标推荐浏览资源。
6.根据权利要求1所述的推荐方法，其特征在于，在所述根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源之后，所述推荐方法还包括：
确定所述历史浏览资源对应的至少一个标签信息；
基于每个标签信息指示的资源类型，获取与所述历史浏览资源属于相同资源类型的至少一个目标浏览资源；
所述确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源，包括：
确定对所述历史浏览资源和每个目标浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源和所述至少一个目标浏览资源。
7.根据权利要求6所述的推荐方法，其特征在于，所述基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，包括：
获取每个所述标签信息对应的预设加权因子；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，以及所述预设加权因子，计算所述候选浏览资源对于每个所述标签信息的标签关联度；
基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率以及每个候选浏览资源与每个标签信息之间的标签关联度，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源。
8.一种浏览资源的推荐装置，其特征在于，所述推荐装置包括：
第一确定模块，用于根据获取到的用户的历史浏览数据，确定所述用户施加有历史操作行为的历史浏览资源；
第二确定模块，用于确定对所述历史浏览资源存在历史操作行为的至少一个候选用户，以及所述至少一个候选用户施加有历史操作行为的多个候选浏览资源，其中，所述多个候选浏览资源包括所述历史浏览资源；
第三确定模块，用于基于确定的每个候选浏览资源与每个所述候选用户之间的关联概率，确定所述用户在所述多个候选浏览资源中的推荐资源游走路线，其中，所述推荐资源游走路线中包括预设推荐数量的待推荐浏览资源；
第四确定模块，用于基于每个待推荐浏览资源在所述推荐资源游走路线中对应的推荐值，确定向所述用户推送的目标推荐浏览资源。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一所述的浏览资源的推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一所述的浏览资源的推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910846072.0A CN110659416B (zh) | 2019-09-09 | 2019-09-09 | 一种浏览资源的推荐方法、推荐装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910846072.0A CN110659416B (zh) | 2019-09-09 | 2019-09-09 | 一种浏览资源的推荐方法、推荐装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110659416A true CN110659416A (zh) | 2020-01-07 |
| CN110659416B CN110659416B (zh) | 2022-05-17 |
Family
ID=69036807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910846072.0A Active CN110659416B (zh) | 2019-09-09 | 2019-09-09 | 一种浏览资源的推荐方法、推荐装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110659416B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597451A (zh) * | 2020-05-21 | 2020-08-28 | 北京学之途网络科技有限公司 | 一种目标用户的确定方法、确定装置及可读存储介质 |
| CN111861678A (zh) * | 2020-08-03 | 2020-10-30 | 上海风秩科技有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
| CN112559859A (zh) * | 2020-12-08 | 2021-03-26 | 杭州海康威视系统技术有限公司 | 资源推荐方法、装置、电子设备及机器可读存储介质 |
| CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
| CN104778213A (zh) * | 2015-03-19 | 2015-07-15 | 同济大学 | 一种基于随机游走的社交网络推荐方法 |
-
2019
- 2019-09-09 CN CN201910846072.0A patent/CN110659416B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
| CN104778213A (zh) * | 2015-03-19 | 2015-07-15 | 同济大学 | 一种基于随机游走的社交网络推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHUANMIN MI等: "Collaborative Filtering Algorithm Based on Random Walk with Choice", 《2ND INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING, KNOWLEDGE ENGINEERING AND INFORMATION ENGINEERING》 * |
| ZHU ZHANG等: "A Random Walk Model for Item Recommendation in Social Tagging Systems", 《ACM TRANSACTIONS ON MANAGEMENT INFORMATION SYSTEMS》 * |
| 吴秀: "基于网络结构随机游走及节点属性信息熵", 《中国优秀硕士学位论文全文数据库（基础科学辑）》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111597451A (zh) * | 2020-05-21 | 2020-08-28 | 北京学之途网络科技有限公司 | 一种目标用户的确定方法、确定装置及可读存储介质 |
| CN111597451B (zh) * | 2020-05-21 | 2024-03-08 | 北京明略昭辉科技有限公司 | 一种目标用户的确定方法、确定装置及可读存储介质 |
| CN111861678A (zh) * | 2020-08-03 | 2020-10-30 | 上海风秩科技有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
| CN111861678B (zh) * | 2020-08-03 | 2024-03-26 | 上海秒针网络科技有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
| CN112559859A (zh) * | 2020-12-08 | 2021-03-26 | 杭州海康威视系统技术有限公司 | 资源推荐方法、装置、电子设备及机器可读存储介质 |
| CN112559859B (zh) * | 2020-12-08 | 2023-06-30 | 杭州海康威视系统技术有限公司 | 资源推荐方法、装置、电子设备及机器可读存储介质 |
| CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110659416B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659416B (zh) | 一种浏览资源的推荐方法、推荐装置及可读存储介质 | |
| CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
| CN111506801B (zh) | 一种应用App中子应用的排序方法及装置 | |
| US9965522B2 (en) | Mobile application search ranking | |
| JP5449628B2 (ja) | マルチステージを使用したカテゴリ情報の決定 | |
| US11443005B2 (en) | Unsupervised clustering of browser history using web navigational activities | |
| CN108345419B (zh) | 一种信息推荐列表的生成方法及装置 | |
| CN109117442B (zh) | 一种应用推荐方法及装置 | |
| EP2801918A1 (en) | Information processing device, category display method, program, and information storage medium | |
| US20160196579A1 (en) | Dynamic deep links based on user activity of a particular user | |
| CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| US20240144328A1 (en) | Automatic rule generation for next-action recommendation engine | |
| CN106844402B (zh) | 数据处理方法及装置 | |
| WO2009136411A2 (en) | Online literary social network | |
| CN107103490B (zh) | 一种数据处理方法、网络服务器及终端 | |
| CA3004344C (en) | Method and apparatus for dynamically selecting content for online visitors | |
| CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| KR102051311B1 (ko) | 개인화 알고리즘을 이용하여 고객 로그 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버 | |
| Ren et al. | Online choice decision support for consumers: Data-driven analytic hierarchy process based on reviews and feedback | |
| US11017452B2 (en) | Concerted learning and multi-instance sequential prediction tree | |
| JP2010186283A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| KR20160027263A (ko) | 사용자의 실시간 선호도를 반영한 추천 시스템 및 서버 | |
| CN113434560A (zh) | 排序方法、电子设备及相关产品 | |
| CN114722266A (zh) | 问卷推送方法、装置、电子设备及可读存储介质 | |
| CN113742599B (zh) | 内容推荐方法、装置、设备及计算机可读存储介质 |
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 |