CN110825977A - 一种数据推荐方法及相关设备 - Google Patents

一种数据推荐方法及相关设备 Download PDF

Info

Publication number
CN110825977A
CN110825977A CN201910961071.0A CN201910961071A CN110825977A CN 110825977 A CN110825977 A CN 110825977A CN 201910961071 A CN201910961071 A CN 201910961071A CN 110825977 A CN110825977 A CN 110825977A
Authority
CN
China
Prior art keywords
user
interest
resource
recommended
historical
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.)
Pending
Application number
CN201910961071.0A
Other languages
English (en)
Inventor
刘念慈
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910961071.0A priority Critical patent/CN110825977A/zh
Publication of CN110825977A publication Critical patent/CN110825977A/zh
Pending legal-status Critical Current

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

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

本申请实施例公开了一种数据推荐方法及相关设备，所述方法应用于数据处理技术领域，包括：基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，从各个第一历史用户中确定出相似度最高的K个第二历史用户，并从各个资源中确定第一资源，依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。采用本申请，可以挖掘各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，有利于提高资源推荐的准确度。

Description

一种数据推荐方法及相关设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据推荐方法及相关设备。
背景技术
随着web2.0时代的降临，互联网进入了数据爆炸的时代。海量的数据在给用户带来丰富用户体验的同时，也淹没了有效数据。而推荐系统可以分析用户的历史操作行为及其他全局信息，为用户推荐他可能感兴趣的资源，帮助用户在海量资源中快速定位关注点，提高信息匹配效率。
目前，传统的推荐方法主要依赖于“同类型”用户的选择作为推荐基础，例如，针对保险，用户A和B，两个人都浏览了重疾险一类的保险，A还浏览了防癌险一类的保险，传统的推荐算法会直接将防癌险推荐给B，直观来看，这样的推荐还不错，但其实重疾险和防癌险针对的人群、购买的意义都是不同的。可以看出，仅将“同类型”用户的选择作为推荐基础，数据推荐缺乏准确性。
发明内容
本申请实施例提供了一种数据推荐方法及相关设备，可以提高资源推荐的准确度。
第一方面，本申请实施例提供了一种数据推荐方法，所述方法应用于服务器，该方法包括：
基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；
从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；
基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；
依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；
从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源，其中，所述N为大于0的整数。
在一个实施例中，所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度之前，还可以获取待推荐用户的用户信息；基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户；若所述待推荐用户为所述预构建的用户兴趣矩阵中的历史用户，则触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
在一个实施例中，所述基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户之前，还可以获取各个历史用户对各个资源的操作信息，所述操作信息包括以下至少一种：浏览信息、收藏信息、购买信息和评分信息；基于兴趣度算法和所述操作信息计算所述各个历史用户对各个资源的兴趣得分；根据所述各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵。
在一个实施例中，所述兴趣资源包括多个，所述依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度的具体实施方式为：依据关联规则挖掘算法确定各个所述第一资源分别与所述多个兴趣资源中各个兴趣资源之间的初始关联度；从所述预构建的用户兴趣矩阵中获取所述待推荐用户对所述各个兴趣资源的兴趣得分；基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，所述基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度的具体实施方式为：基于所述待推荐用户对所述各个兴趣资源的兴趣得分的大小，确定各个所述初始关联度对应的加权系数；将各个所述初始关联度与各自对应的加权系数进行加权处理，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，所述基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户之后，还可以若所述待推荐用户不为所述预构建的用户兴趣矩阵中的历史用户，则获取所述待推荐用户对各个资源的操作信息；基于兴趣度算法和所述操作信息计算所述待推荐用户对各个资源的兴趣得分；将所述待推荐用户对各个资源的兴趣得分添加至所述预构建的用户兴趣矩阵中，并触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
在一个实施例中，所述依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度的具体实施方式为：基于所述预构建的用户兴趣矩阵确定第一兴趣用户占所述各个历史用户总数的第一比例、所述第一兴趣用户占第二兴趣用户总数的第二比例以及所述第一兴趣用户占第三兴趣用户总数的第三比例；依据关联规则挖掘算法计算所述第二比例和所述第三比例之间的平均值，并将所述平均值与所述第一比例的和值确定为目标第一资源与所述待推荐用户对应的兴趣资源之间的关联度；其中，所述目标第一资源为所述各个第一资源中的任一个，所述第一兴趣用户为所述各个历史用户中对所述目标第一资源以及所述兴趣资源的兴趣得分均大于0的历史用户，所述第二兴趣用户为所述各个历史用户中对所述目标第一资源的兴趣得分大于0的历史用户，所述第三兴趣用户为所述各个历史用户中对所述兴趣资源的兴趣得分大于0的历史用户。
在一个实施例中，所述用户信息中包括所述待推荐用户的账号信息，所述从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源之后，还可以将所述推荐资源与所述待推荐用户的账号信息关联存储至存储装置中；当检测到所述待推荐用户基于所述账号信息登录时，输出所述推荐资源。
第二方面，本申请实施例提供了一种数据推荐装置，该数据推荐装置包括用于执行上述第一方面的方法的模块。
第三方面，本申请实施例提供了一种服务器，该服务器包括处理器、网络接口和存储器，所述处理器、网络接口和存储器相互连接，其中，所述网络接口受所述处理器的控制用于收发消息，所述存储器用于存储支持服务器执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本申请实施例提供了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计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例中，服务器可以基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，从各个第一历史用户中确定出相似度最高的K个第二历史用户，并从各个资源中确定第一资源，依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，进而从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。采用这样的方式，可以挖掘各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，并基于该关联度确定推荐资源，相当于从待推荐用户自身角度挖掘用户的真实需求，有利于提高资源推荐的准确度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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他的附图。
图1是本申请实施例提供的一种数据推荐方法的流程示意图；
图2是本申请实施例提供的另一种数据推荐方法的流程示意图；
图3是本申请实施例提供的一种数据推荐装置的示意性框图；
图4是本申请实施例提供的一种服务器的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，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。
参见图1，图1是本申请实施例提供的一种数据推荐方法的流程示意图，该方法应用于服务器，可由服务器执行，如图所示，该数据推荐方法可包括：
S101：基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，该预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，该第一历史用户为用户兴趣矩阵中除该待推荐用户以外的历史用户。
其中，该资源可以为各种领域下的资源，例如包括商品、书籍、文章、保险等等，本申请实施例对此不作具体限定。
在一个实施例中，该预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，示例性地，该用户兴趣矩阵可以如表1所示，其中，表1中的score1.1～score1.N表征了用户1对各个资源的兴趣得分；scoreK.1～scoreK.N表征了用户K对各个资源的兴趣得分。
表1
Figure BDA0002228714470000051
在一个实施例中，可以通过相似度算法，遍历上述用户兴趣矩阵，分别计算待推荐用户与用户兴趣矩阵中各个第一历史用户的相似度，并按照相似度由大到小的顺序排列，并将排序前K的第一历史用户确定为第二历史用户，也即该K个第二历史用户为各个第一历史用户中确定相似度最高的K个。
在一个实施例中，该相似度算法对应的计算方法可以如公式1-1所示：
Figure BDA0002228714470000052
其中，x、y分别为待推荐用户和任一被遍历的第一历史用户，i为当前的待推荐用户和任一被遍历的第一历史用户之间相同的“兴趣资源”，-x、-y分别为当前的待推荐用户和任一被遍历的第一历史用户的兴趣平均值，xi表征的意义为当前的待推荐用户和任一被遍历的第一历史用户对相同“兴趣资源”i的兴趣得分，上述-x、-y即为当前的待推荐用户和任一被遍历的第一历史用户分别对各自的“兴趣资源”的兴趣得分求平均得到。
例如，上述任一被遍历的第一历史用户为表1中的用户K，该用户K对各个资源的兴趣得分如表1所示，服务器默认将兴趣得分不小于0的资源确定为兴趣资源。针对这种情况，服务器从用户K对各个资源的兴趣得分scoreK.1～scoreK.N中检测出仅有scoreK.1和scoreK.2大于0，则可以将该scoreK.1和scoreK.2分别对应的资源1和资源2确定为用户K的兴趣资源，(scoreK.1+scoreK.2)/2为用户K对自身的兴趣资源的兴趣平均值，即公式1-1中的-y。
S102：从各个第一历史用户中确定出相似度最高的K个第二历史用户，并基于预构建的用户兴趣矩阵从各个资源中确定第一资源，该K个第二历史用户对第一资源的兴趣得分均大于第一预设兴趣得分阈值，且待推荐用户对该第一资源的兴趣得分为0。其中，该K为大于0的整数。
其中，该第一预设兴趣得分阈值为开发人员默认设置的，可根据不同的设计需求对该第一预设兴趣得分阈值进行调整，该第一预设兴趣得分阈值例如可以为0。
在一个实施例中，服务器得到待推荐用户与用户兴趣矩阵中各个第一历史用户的相似度后，可以按照相似度由大到小的顺序排列，并将排序前K的第一历史用户确定为第二历史用户，也即该K个第二历史用户为各个第一历史用户中确定相似度最高的K个。进一步地，服务器可以从预构建的用户兴趣矩阵中筛选出所有K个第一用户均有兴趣的至少一个目标资源，K个第一用户对该各个目标资源的兴趣得分均大于第一预设兴趣得分阈值。进一步地，服务器可以查询预构建的兴趣矩阵中，待推荐用户对各个目标资源的兴趣得分，并从至少一个目标资源中删除待推荐用户对应的兴趣得分不为0的目标资源，得到至少一个第一资源。也即，待推荐用户对该第一资源的兴趣得分为0。
S103：依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，其中，待推荐用户对兴趣资源的兴趣得分大于第二预设兴趣得分阈值。
S104：从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。其中，N为大于0的整数。
在一个实施例中，服务器可以基于预构建的用户兴趣矩阵确定第一兴趣用户占各个历史用户总数的第一比例、第一兴趣用户占第二兴趣用户总数的第二比例以及第一兴趣用户占第三兴趣用户总数的第三比例，并依据关联规则挖掘算法计算第二比例和所述第三比例之间的平均值，将该平均值与第一比例的和值确定为目标第一资源与待推荐用户对应的兴趣资源之间的关联度。其中，目标第一资源为各个第一资源中的任一个，第一兴趣用户为各个历史用户中对目标第一资源以及兴趣资源的兴趣得分均大于0的历史用户，第二兴趣用户为各个历史用户中对目标第一资源的兴趣得分大于0的历史用户，第三兴趣用户为各个历史用户中对兴趣资源的兴趣得分大于0的历史用户。
在一个实施例中，该关联规则挖掘算法对应的计算方法可以如公式1-2所示，依据该公式1-2可以计算出任一第一资源A(即目标第一资源)与待推荐用户对应的兴趣资源B两两之间的关联度。
Figure BDA0002228714470000071
其中，P(A∩B)为目标第一资源A和待推荐用户对应的兴趣资源B同时出现的概率，即同时对目标第一资源A和兴趣资源B的兴趣得分均大于0的用户(第一兴趣用户)占预构建的用户兴趣矩阵中总的历史用户数的比例(即第一比例)。假设预构建的用户兴趣矩阵一共是M*N的维度(即M个历史用户，N个“资源”)，同时对A和B的兴趣得分均大于0的用户数(即第一兴趣用户的数量)为K，那么P(A∩B))＝K/M。
P(B|A)是A出现的情况下出现B的概率，可以通过条件概率公式计算，P(B|A)＝P(AB)/P(A)，为同时对目标第一资源A和兴趣资源B的兴趣得分均大于0的用户(即第一兴趣用户)占对目标第一资源A的兴趣得分大于0的历史用户(即第二兴趣用户)的比例(即第二比例)；与之相似地，P(A|B)同理可得，P(A|B)＝P(AB)/P(B)，为同时对目标第一资源A和兴趣资源B的兴趣得分均大于0的用户(即第一兴趣用户)占对兴趣资源B的兴趣得分大于0的历史用户(即第三兴趣用户)的比例(即第三比例)。
在一个实施例中，服务器可以基于该公式1-2，计算每个“第一资源”与待推荐用户对应的“兴趣资源”之间的关联度，其中，该待推荐用户对应的“兴趣资源”为待推荐用户对其的兴趣得分大于第二预设兴趣得分阈值的资源，该第二预设兴趣得分阈值为开发人员预先设置的，可以根据实际需求进行调整。
进一步地，当确定出各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，可以基于关联度从大到小的顺序对各个第一资源进行排序，并将排序前N的第一资源确定为该待推荐用户对应的推荐资源。也即，将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。
示例性地，假设N为1，假设待推荐用户的兴趣资源包括兴趣资源A和兴趣资源B，第一资源包括：资源C和资源D。服务器基于公式1-2确定出兴趣资源与第一资源两两之间的关联度分别为：SA，C、SA，D、SB，C以及SB，D，若SA，C为最高，则可以将资源C确定为待推荐用户对应的推荐资源。
在一个实施例中，该兴趣资源包括多个，服务器可以依据关联规则挖掘算法确定各个第一资源分别与多个兴趣资源中各个兴趣资源之间的初始关联度，并从预构建的用户兴趣矩阵中获取待推荐用户对各个兴趣资源的兴趣得分，进而基于待推荐用户对各个兴趣资源的兴趣得分调整各个初始关联度，得到各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，服务器可以基于待推荐用户对各个兴趣资源的兴趣得分的大小，确定各个初始关联度对应的加权系数，并将各个初始关联度与各自对应的加权系数进行加权处理，得到各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度。可以看出，由于待推荐用户对于不同的兴趣资源具有不同的兴趣得分，结合该不同的兴趣得分对确定出的初始关联度进行调整，可以使得确定出的推荐资源更符合待推荐用户的兴趣，有利于提高资源推荐的准确度。
在一个实施例中，可以依据待推荐用户对各个“兴趣资源”各自对应的兴趣得分分配不同的加权系数，兴趣度越高，加权系数越高。进一步地，在服务器依据关联规则挖掘算法确定各个第一资源分别与多个兴趣资源中各个兴趣资源之间的初始关联度之后，每个初始关联度可以与该初始关联度对应“兴趣资源”对应的加权系数进行加权处理，并比较加权处理后的各个关联度，进而将得分最高的N个第一资源确定为推荐资源。
例如，N为1，假设待推荐用户的兴趣资源包括兴趣资源A和兴趣资源B，待推荐用户对兴趣资源A的兴趣得分为5，对兴趣资源B的兴趣得分为2，则可以依据上述兴趣得分的大小，为兴趣资源A设置加权系数为0.5，对兴趣资源B设置加权系数为0.2。
进一步地，第一资源包括：资源C和资源D，服务器基于公式1-2确定出兴趣资源与第一资源两两之间的关联度分别为：SA，C、SA，D、SB，C以及SB，D。这种情况下，每个关联度与该关联度对应“兴趣资源”对应的加权系数进行加权处理的结果为：0.5*SA，C、0.5*SA，D、0.2*SB，C以及0.2*SB，D，若0.5*SA，C为最高，则可以将资源C确定为推荐资源。
在一个实施例中，用户信息中包括待推荐用户的账号信息，服务器从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源之后，还可以将推荐资源与待推荐用户的账号信息关联存储至存储装置中，当检测到待推荐用户基于账号信息登录时，输出推荐资源。
在一个实施例中，服务器预先存储有多个用户的账号信息，针对这种情况，服务器可以按照预设周期执行步骤S101～步骤S104，确定出各个用户的推荐资源。进一步地，服务器可以将各个用户的账号信息与对应用户的推荐资源关联存储至存储装置中，当服务器检测到用户基于账号信息登录时，可以在存储装置中查询与该账号信息关联存储的推荐资源，若查询到该推荐资源，则输出该推荐资源。
在一个实施例中，服务器输出该推荐资源的方式可以为：将该推荐资源输出至该服务器对应的前端页面，以便于用户通过前端页面查看该推荐资源。可以看出，本申请实施例可以预先为用户确定出推荐资源，当检测到用户登录时，可以直接向该用户推送推荐资源，可以提高资源推荐的效率。
本申请实施例中，服务器可以基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，从各个第一历史用户中确定出相似度最高的K个第二历史用户，并从各个资源中确定第一资源，依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，进而从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。采用这样的方式，可以挖掘各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，并基于该关联度确定推荐资源，相当于从待推荐用户自身角度挖掘用户的真实需求，有利于提高资源推荐的准确度。
参见图2，图2是本申请实施例提供的另一种数据推荐方法的流程示意图，该方法应用于服务器，可由服务器执行，如图所示，该数据推荐方法可包括：
S201：获取各个历史用户对各个资源的操作信息，该操作信息包括以下至少一种：浏览信息、收藏信息、购买信息和评分信息。
其中，该浏览信息可以用于表征用户浏览资源的次数，该收藏信息可以用于表征用户收藏资源的次数(例如，收藏为1，反之为0)，该购买信息可以用于表征用户购买资源的次数，该评分信息可以用于表征用户在某一时间周期内对资源的评分均值。示例性地，该评分均值可以为1-5分制，1分评分最低，5分评分最高。
可以理解的是，上述浏览资源的次数，购买资源的次数都可以按照时间周期进行统计。例如，可以统计用户在半年内浏览资源的次数，这种情况下，浏览信息对应的时间周期为半年；再例如，统计用户一年内购买资源的次数，这种情况下，购买信息对应的时间周期为一年。该时间周期的大小可以根据实际需求进行调整，不同的操作信息，可以具有不同的时间周期。
S202：基于兴趣度算法和操作信息计算各个历史用户对各个资源的兴趣得分。
在一个实施例中，该兴趣度算法对应的计算方法可以如公式2-1所示：
S＝5*sg*nb+3*nc+nv公式2-1
其中，nb是用户购买资源的次数，sg为用户在一定时间周期内对资源的评分均值(默认可以是1-5分制，1分评价最低，5分最高)，nc是用户收藏资源的次数(收藏为1，反之为0)，nv是用户预设周期内(如3天内)浏览资源的次数。其中，对于不同的资源，上述时间周期或者预设周期均可以改变，也即时间周期与资源的类别关联，例如，推荐的资源为日常用品，那么该时间周期可以较短，设定为1个月；推荐的资源是书籍，那么该时间周期可以设定得相对较长，可以设定为1年。
可以理解的是，公式2-1中的系数，“5”“3”“1”是依据“购买”>“收藏”>“浏览”的权重规则设置的，其具体数值可以根据实际设计需求按照该规则进行相应调整。
进一步地，由于不同的时间段，推荐资源时所参考的资源特征信息不同。为了使得计算出的兴趣得分更加准确，可以在兴趣度算法中引入时间维度。在一个实施例中，引入时间维度后的兴趣度算法对应的计算公式可以如公式2-2所示：
S＝5*sg*nb*db+3*nc*dc+nv*dv公式2-2
其中，db、dc、dv分别为“购买项”、“收藏项”“浏览项”各自对应的时间权重系数，该时间权重系数，可根据资源的不同由用户自行定义，可以设为坡度下降值，即在时间周期内由近至远其值由大至小衰减。
在一个实施例中，可以依据在时间周期内由近至远其值由大至小衰减规则，该db可以设置为(1-0.1db1)；该dc可以设置为(1-0.2dc1)；该dv可以设置为(1-0.5dv1)。这种情况下，上述公式2-2则优化为公式2-3：
S＝5*sg*nb*(1-0.1db1)+3*nc*(1-0.2dc1)+nv*(1-0.5dv1)公式2-3
其中，db1是用户购买资源与当前日期的间隔天数，当db1>10时，db1取10，dc1是用户收藏该资源与当前日期的间隔天数，当dc1>5时，dc1取5，dv1是用户浏览该资源与当前日期的间隔天数，当dv1>2时，dv1取2。其中，该阈值10、5、2的具体大小，为开发人员预先设置的，后续均可以根据不同的需求进行调整。
可以看出，上述用户兴趣矩阵可以基于用户对资源的浏览、收藏、购买和评分中的至少一项进行构建，而不仅仅是在用户对资源有评分且评分数据真实且充足的情况下才能确定，可以避免冷启动问题。
S203：根据各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵，该用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分。
在一个实施例中，服务器可以根据各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵，其中，该用户兴趣矩阵每行为一个用户，第一列为用户唯一标示，第二列至第N列为N个“资源”，示例性地，该用户兴趣矩阵例如可以如表1所示。
S204：基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，该第一历史用户为用户兴趣矩阵中除该待推荐用户以外的历史用户。
在一个实施例中，服务器基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度之前，还可以获取待推荐用户的用户信息，并基于用户信息确定待推荐用户是否为预构建的用户兴趣矩阵中的历史用户，若待推荐用户为预构建的用户兴趣矩阵中的历史用户，则触发执行步骤S204。
在一个实施例中，服务器基于用户信息确定待推荐用户是否为预构建的用户兴趣矩阵中的历史用户之后，若待推荐用户不为预构建的用户兴趣矩阵中的历史用户，则获取待推荐用户对各个资源的操作信息，并基于兴趣度算法和操作信息计算待推荐用户对各个资源的兴趣得分，将待推荐用户对各个资源的兴趣得分添加至预构建的用户兴趣矩阵中，并触发执行步骤S204。
S205：从各个第一历史用户中确定出相似度最高的K个第二历史用户，并基于预构建的用户兴趣矩阵从各个资源中确定第一资源，该K个第二历史用户对第一资源的兴趣得分均大于第一预设兴趣得分阈值，且待推荐用户对该第一资源的兴趣得分为0。其中，该K为大于0的整数。
S206：依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，其中，待推荐用户对兴趣资源的兴趣得分大于第二预设兴趣得分阈值。
S207：从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。其中，N为大于0的整数。
其中，步骤S204～步骤S207的具体实施方式可以参见上述实施例中步骤S101～步骤S104的相关描述，此处不再赘述。
本申请实施例中，服务器可以基于兴趣度算法和操作信息计算各个历史用户对各个资源的兴趣得分，并构建包括各个历史用户对各个资源的兴趣得分的用户兴趣矩阵。进一步地，服务器可以基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与用户兴趣矩阵中各个第一历史用户之间的相似度，从各个第一历史用户中确定出相似度最高的K个第二历史用户，并从各个资源中确定第一资源，依据关联规则挖掘算法确定各个第一资源分别与待推荐用户对应的兴趣资源之间的关联度，进而从各个第一资源中将关联度最高的N个第一资源确定为待推荐用户对应的推荐资源。采用这样的方式，可以依据用户对资源的操作信息构建用户兴趣矩阵，并确定出用户对各个资源的兴趣得分，有利于提高兴趣得分确定的准确度。
本申请实施例还提供了一种数据推荐装置。该装置包括用于执行前述图1或者图2所述的方法的模块，配置于服务器。具体地，参见图3，是本申请实施例提供的数据推荐装置的示意框图。本实施例的数据推荐装置包括：
处理模块30，用于基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；
确定模块31，用于从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；
所述处理模块30，还用于基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；
所述处理模块30，还用于依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；
所述确定模块31，还用于从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源，其中，所述N为大于0的整数。
在一个实施例中，所述处理模块30，还用于获取待推荐用户的用户信息；基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户；若所述待推荐用户为所述预构建的用户兴趣矩阵中的历史用户，则触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
在一个实施例中，所述处理模块30，还用于获取各个历史用户对各个资源的操作信息，所述操作信息包括以下至少一种：浏览信息、收藏信息、购买信息和评分信息；基于兴趣度算法和所述操作信息计算所述各个历史用户对各个资源的兴趣得分；根据所述各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵。
在一个实施例中，所述兴趣资源包括多个，处理模块30，具体用于依据关联规则挖掘算法确定各个所述第一资源分别与所述多个兴趣资源中各个兴趣资源之间的初始关联度；从所述预构建的用户兴趣矩阵中获取所述待推荐用户对所述各个兴趣资源的兴趣得分；基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，处理模块30，具体用于基于所述待推荐用户对所述各个兴趣资源的兴趣得分的大小，确定各个所述初始关联度对应的加权系数；将各个所述初始关联度与各自对应的加权系数进行加权处理，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，处理模块30，还用于若所述待推荐用户不为所述预构建的用户兴趣矩阵中的历史用户，则获取所述待推荐用户对各个资源的操作信息；基于兴趣度算法和所述操作信息计算所述待推荐用户对各个资源的兴趣得分；将所述待推荐用户对各个资源的兴趣得分添加至所述预构建的用户兴趣矩阵中，并基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度。
在一个实施例中，所述装置还包括输出模块32，其中：
所述处理模块32，还用于将所述推荐资源与所述待推荐用户的账号信息关联存储至存储装置中；
输出模块30，用于当检测到所述待推荐用户基于所述账号信息登录时，输出所述推荐资源。
在一个实施例中，所述处理模块32，还具体用于基于所述预构建的用户兴趣矩阵确定第一兴趣用户占所述各个历史用户总数的第一比例、所述第一兴趣用户占第二兴趣用户总数的第二比例以及所述第一兴趣用户占第三兴趣用户总数的第三比例；依据关联规则挖掘算法计算所述第二比例和所述第三比例之间的平均值，并将所述平均值与所述第一比例的和值确定为目标第一资源与所述待推荐用户对应的兴趣资源之间的关联度；其中，所述目标第一资源为所述各个第一资源中的任一个，所述第一兴趣用户为所述各个历史用户中对所述目标第一资源以及所述兴趣资源的兴趣得分均大于0的历史用户，所述第二兴趣用户为所述各个历史用户中对所述目标第一资源的兴趣得分大于0的历史用户，所述第三兴趣用户为所述各个历史用户中对所述兴趣资源的兴趣得分大于0的历史用户。
需要说明的是，本申请实施例所描述的数据推荐装置的各功能模块的功能可根据图1或者图2所述的方法实施例中的方法具体实现，其具体实现过程可以参照图1或者图2的方法实施例的相关描述，此处不再赘述。
请参见图4，图4是本申请实施例提供的一种服务器的示意性框图，如图4所示，该服务器包括，处理器401、存储器402和网络接口403。上述处理器401、存储器402和网络接口403可通过总线或其他方式连接，在本申请实施例所示图4中以通过总线连接为例。其中，网络接口403受所述处理器的控制用于收发消息，存储器402用于存储计算机程序，所述计算机程序包括程序指令，处理器401用于执行存储器402存储的程序指令。其中，处理器401被配置用于调用所述程序指令执行：基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源。
在一个实施例中，所述处理器401，还用于获取待推荐用户的用户信息；基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户；若所述待推荐用户为所述预构建的用户兴趣矩阵中的历史用户，则触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
在一个实施例中，所述处理器401，还用于获取各个历史用户对各个资源的操作信息，所述操作信息包括以下至少一种：浏览信息、收藏信息、购买信息和评分信息；基于兴趣度算法和所述操作信息计算所述各个历史用户对各个资源的兴趣得分；根据所述各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵。
在一个实施例中，所述兴趣资源包括多个，处理器401，具体用于依据关联规则挖掘算法确定各个所述第一资源分别与所述多个兴趣资源中各个兴趣资源之间的初始关联度；从所述预构建的用户兴趣矩阵中获取所述待推荐用户对所述各个兴趣资源的兴趣得分；基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，处理器401，具体用于基于所述待推荐用户对所述各个兴趣资源的兴趣得分的大小，确定各个所述初始关联度对应的加权系数；将各个所述初始关联度与各自对应的加权系数进行加权处理，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
在一个实施例中，处理器401，还用于若所述待推荐用户不为所述预构建的用户兴趣矩阵中的历史用户，则获取所述待推荐用户对各个资源的操作信息；基于兴趣度算法和所述操作信息计算所述待推荐用户对各个资源的兴趣得分；将所述待推荐用户对各个资源的兴趣得分添加至所述预构建的用户兴趣矩阵中，并基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度。
在一个实施例中，处理器401还用于将所述推荐资源与所述待推荐用户的账号信息关联存储至存储装置中，当检测到所述待推荐用户基于所述账号信息登录时，通过网络接口403输出所述推荐资源。
在一个实施例中，处理器401还具体用于基于所述预构建的用户兴趣矩阵确定第一兴趣用户占所述各个历史用户总数的第一比例、所述第一兴趣用户占第二兴趣用户总数的第二比例以及所述第一兴趣用户占第三兴趣用户总数的第三比例；依据关联规则挖掘算法计算所述第二比例和所述第三比例之间的平均值，并将所述平均值与所述第一比例的和值确定为目标第一资源与所述待推荐用户对应的兴趣资源之间的关联度；其中，所述目标第一资源为所述各个第一资源中的任一个，所述第一兴趣用户为所述各个历史用户中对所述目标第一资源以及所述兴趣资源的兴趣得分均大于0的历史用户，所述第二兴趣用户为所述各个历史用户中对所述目标第一资源的兴趣得分大于0的历史用户，所述第三兴趣用户为所述各个历史用户中对所述兴趣资源的兴趣得分大于0的历史用户。
应当理解，在本申请实施例中，所称处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器401还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如，存储器402还可以存储设备类型的信息。
具体实现中，本申请实施例中所描述的处理器401、存储器402和网络接口403可执行本申请实施例提供的图1或者图2所述的方法实施例所描述的实现方式，也可执行本申请实施例所描述的数据推荐装置的实现方式，在此不再赘述。
在本发明的另一实施例中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计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源。
所述计算机可读存储介质可以是前述任一实施例所述的服务器的内部存储单元，例如服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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。
以上所揭露的仅为本发明的部分实施例而已，当然不能以此来限定本发明之权利范围，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流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种数据推荐方法，其特征在于，所述方法包括：
基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；
从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；
基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；
依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；
从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源，其中，所述N为大于0的整数。
2.根据权利要求1所述的方法，其特征在于，所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度之前，所述方法还包括：
获取待推荐用户的用户信息；
基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户；
若所述待推荐用户为所述预构建的用户兴趣矩阵中的历史用户，则触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
3.根据权利要求1所述的方法，其特征在于，所述基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户之前，所述方法还包括：
获取各个历史用户对各个资源的操作信息，所述操作信息包括以下至少一种：浏览信息、收藏信息、购买信息和评分信息；
基于兴趣度算法和所述操作信息计算所述各个历史用户对各个资源的兴趣得分；
根据所述各个历史用户对各个资源的兴趣得分构建用户兴趣矩阵。
4.根据权利要求1所述的方法，其特征在于，所述兴趣资源包括多个，所述依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，包括：
依据关联规则挖掘算法确定各个所述第一资源分别与所述多个兴趣资源中各个兴趣资源之间的初始关联度；
从所述预构建的用户兴趣矩阵中获取所述待推荐用户对所述各个兴趣资源的兴趣得分；
基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
5.根据权利要求4所述的方法，其特征在于，所述基于所述待推荐用户对所述各个兴趣资源的兴趣得分调整各个所述初始关联度，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，包括：
基于所述待推荐用户对所述各个兴趣资源的兴趣得分的大小，确定各个所述初始关联度对应的加权系数；
将各个所述初始关联度与各自对应的加权系数进行加权处理，得到各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度。
6.根据权利要求2所述的方法，其特征在于，所述基于所述用户信息确定所述待推荐用户是否为预构建的用户兴趣矩阵中的历史用户之后，所述方法还包括：
若所述待推荐用户不为所述预构建的用户兴趣矩阵中的历史用户，则获取所述待推荐用户对各个资源的操作信息；
基于兴趣度算法和所述操作信息计算所述待推荐用户对各个资源的兴趣得分；
将所述待推荐用户对各个资源的兴趣得分添加至所述预构建的用户兴趣矩阵中，并触发所述基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度的步骤。
7.根据权利要求1所述的方法，其特征在于，所述依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，包括：
基于所述预构建的用户兴趣矩阵确定第一兴趣用户占所述各个历史用户总数的第一比例、所述第一兴趣用户占第二兴趣用户总数的第二比例以及所述第一兴趣用户占第三兴趣用户总数的第三比例；
依据关联规则挖掘算法计算所述第二比例和所述第三比例之间的平均值，并将所述平均值与所述第一比例的和值确定为目标第一资源与所述待推荐用户对应的兴趣资源之间的关联度；
其中，所述目标第一资源为所述各个第一资源中的任一个，所述第一兴趣用户为所述各个历史用户中对所述目标第一资源以及所述兴趣资源的兴趣得分均大于0的历史用户，所述第二兴趣用户为所述各个历史用户中对所述目标第一资源的兴趣得分大于0的历史用户，所述第三兴趣用户为所述各个历史用户中对所述兴趣资源的兴趣得分大于0的历史用户。
8.一种数据推荐装置，其特征在于，所述装置包括：
处理模块，用于基于相似度算法和预构建的用户兴趣矩阵确定待推荐用户与所述用户兴趣矩阵中各个第一历史用户之间的相似度，所述预构建的用户兴趣矩阵中包括各个历史用户对各个资源的兴趣得分，所述第一历史用户为所述用户兴趣矩阵中除所述待推荐用户以外的历史用户；
确定模块，用于从所述各个第一历史用户中确定出所述相似度最高的K个第二历史用户，所述K为大于0的整数；
所述处理模块，还用于基于所述预构建的用户兴趣矩阵从所述各个资源中确定第一资源，所述K个第二历史用户对所述第一资源的兴趣得分均大于第一预设兴趣得分阈值，且所述待推荐用户对所述第一资源的兴趣得分为0；
所述处理模块，还用于依据关联规则挖掘算法确定各个所述第一资源分别与所述待推荐用户对应的兴趣资源之间的关联度，其中，所述待推荐用户对所述兴趣资源的兴趣得分大于第二预设兴趣得分阈值；
所述确定模块，还用于从所述各个第一资源中将所述关联度最高的N个第一资源确定为所述待推荐用户对应的推荐资源，其中，所述N为大于0的整数。
9.一种服务器，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
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存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1-7任意一项所述的方法。
CN201910961071.0A 2019-10-10 2019-10-10 一种数据推荐方法及相关设备 Pending CN110825977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910961071.0A CN110825977A (zh) 2019-10-10 2019-10-10 一种数据推荐方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910961071.0A CN110825977A (zh) 2019-10-10 2019-10-10 一种数据推荐方法及相关设备

Publications (1)

Publication Number Publication Date
CN110825977A true CN110825977A (zh) 2020-02-21

Family

ID=69549069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910961071.0A Pending CN110825977A (zh) 2019-10-10 2019-10-10 一种数据推荐方法及相关设备

Country Status (1)

Country Link
CN (1) CN110825977A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310059A (zh) * 2020-04-01 2020-06-19 东软睿驰汽车技术（沈阳）有限公司 基于聚合资源的用户意图定位方法和装置
CN111310056A (zh) * 2020-03-11 2020-06-19 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质
CN112100483A (zh) * 2020-08-07 2020-12-18 西安工程大学 一种融合用户兴趣权重的关联规则推荐方法
CN113051471A (zh) * 2021-03-15 2021-06-29 北京线点科技有限公司 数据推荐方法、装置和系统
CN113360756A (zh) * 2021-05-31 2021-09-07 北京百度网讯科技有限公司 资源推荐方法、装置、电子设备和介质
CN113688314A (zh) * 2021-08-13 2021-11-23 今彩慧健康科技(苏州)有限公司 一种理疗门店推荐方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241405A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于知识关联的学习资源协同过滤推荐方法及系统
CN109615487A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241405A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于知识关联的学习资源协同过滤推荐方法及系统
CN109615487A (zh) * 2019-01-04 2019-04-12 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310056A (zh) * 2020-03-11 2020-06-19 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质
CN111310056B (zh) * 2020-03-11 2023-04-14 深圳市雅阅科技有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质
CN111310059A (zh) * 2020-04-01 2020-06-19 东软睿驰汽车技术（沈阳）有限公司 基于聚合资源的用户意图定位方法和装置
CN111310059B (zh) * 2020-04-01 2023-11-21 东软睿驰汽车技术（沈阳）有限公司 基于聚合资源的用户意图定位方法和装置
CN112100483A (zh) * 2020-08-07 2020-12-18 西安工程大学 一种融合用户兴趣权重的关联规则推荐方法
CN112100483B (zh) * 2020-08-07 2023-09-19 西安工程大学 一种融合用户兴趣权重的关联规则推荐方法
CN113051471A (zh) * 2021-03-15 2021-06-29 北京线点科技有限公司 数据推荐方法、装置和系统
CN113360756A (zh) * 2021-05-31 2021-09-07 北京百度网讯科技有限公司 资源推荐方法、装置、电子设备和介质
CN113688314A (zh) * 2021-08-13 2021-11-23 今彩慧健康科技(苏州)有限公司 一种理疗门店推荐方法及装置
CN113688314B (zh) * 2021-08-13 2024-03-19 今彩慧健康科技(苏州)有限公司 一种理疗门店推荐方法及装置

Similar Documents

Publication Publication Date Title
US11710054B2 (en) Information recommendation method, apparatus, and server based on user data in an online forum
CN110825977A (zh) 一种数据推荐方法及相关设备
CN108121737B (zh) 一种业务对象属性标识的生成方法、装置和系统
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
CN109559208A (zh) 一种信息推荐方法、服务器及计算机可读介质
CN106445963B (zh) App平台的广告索引关键词自动生成方法和装置
US20130166488A1 (en) Personalized information pushing method and device
CN106919611B (zh) 产品信息推送方法和装置
CN105095311B (zh) 推广信息的处理方法、装置及系统
CN112149003B (zh) 商品社群推荐方法、装置和计算机设备
CN111651670A (zh) 基于用户行为图谱的内容检索方法、装置终端和存储介质
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
JP2011227721A (ja) 関心抽出装置、関心抽出方法、及び関心抽出プログラム
CN113468421A (zh) 基于向量匹配技术的产品推荐方法、装置、设备及介质
CN103309885A (zh) 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置
CN113077321A (zh) 物品推荐方法、装置、电子设备和存储介质
CN113434762A (zh) 基于用户信息的关联推送方法、装置、设备及存储介质
CN112785095A (zh) 贷款预测方法、装置、电子设备和计算机可读存储介质
CN113781180B (zh) 一种物品推荐方法、装置、电子设备及存储介质
WO2020057237A1 (zh) 适用于关注对象的影响力检测方法、电子终端及存储介质
CN107305552A (zh) 辅助阅读方法和装置
JP2011227720A (ja) 推薦システム、推薦方法、及び推薦プログラム
CN114610796A (zh) 文本相似度确定方法、装置、存储介质以及电子设备
KR101663359B1 (ko) 업데이트된 뉴스 콘텐츠 제공 방법 및 장치
CN111339434B (zh) 信息推荐方法、装置、电子设备及计算机存储介质

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