CN111177563B - 一种信息推荐方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请提供一种信息推荐方法、装置、电子设备和存储介质，方法包括：接收用户终端发送的用户请求，用户请求携带有用户信息；根据用户信息获取与用户请求对应的多个推荐信息；根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；业务属性表征对应的推荐信息的业务推荐程度；向用户终端发送推荐列表。本申请实施例通过在接收到用户请求之后，根据用户信息获取对应的推荐信息，再通过与推荐信息相关的业务属性，对多个推荐信息进行重新排序得到推荐列表，并返回给用户终端，以使用户可以根据推荐列表得到自己感兴趣的信息，同时也可以使用户可以更加关注推荐列表中靠前的业务主推的信息，方便业务推广的开展。

Description

一种信息推荐方法、装置、电子设备和存储介质

技术领域

本申请涉及信息推荐领域，具体而言，涉及一种信息推荐方法、装置、电子设备和存储介质。

背景技术

随着信息技术和互联网技术的发展，人们进入了信息过载的时代，用户从大量信息中找到自己感兴趣的信息成了困难的事情。

在现有技术中，推荐系统往往会根据用户历史信息，为用户直接推荐多项感兴趣的信息，可能会导致在业务上主推的信息关注度相较于其他信息较低，影响业务上推广的信息的开展。

发明内容

本申请实施例的目的在于提供一种信息推荐方法、装置、电子设备和存储介质，用以根据业务需求为用户进行信息推荐。

第一方面，实施例提供一种信息推荐方法，包括：接收用户终端发送的用户请求，所述用户请求携带有用户信息；根据所述用户信息获取与用户请求对应的多个推荐信息；根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；向所述用户终端发送所述推荐列表。

本申请实施例在接收到用户请求之后，根据用户信息获取对应的推荐信息，再通过与推荐信息相关的业务属性，对多个推荐信息进行重新排序得到推荐列表，并返回给用户终端，以使用户可以根据推荐列表得到自己感兴趣的信息，同时也可以使用户可以更加关注推荐列表中靠前的业务主推的信息，方便业务推广的开展。

在可选的实施方式中，所述用户信息包括用户身份信息、位置信息和时间信息，所述根据所述用户信息获取与用户请求对应的多个推荐信息，包括：根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息。

本申请实施例通过对表征用户疑似偏好的召回信息进行打分，得到表征位置信息和时间信息，与召回信息之间的匹配程度的第一分数，由此，可以根据第一分数的大小选择对应的召回信息，更加高效、准确的选择出用户可能感兴趣的请求的推荐信息。

在可选的实施方式中，所述选择第一分数最大的预设数目的召回信息，作为与用户请求对应的多个推荐信息，包括：选择第一分数最大的预设数目的召回信息，作为初始推荐信息；获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

本申请实施例通过利用用户身份对应的特征标签选择合适的用户偏好预测模型，对每一初始推荐信息的每一特征进行打分，得到表征预测用户的偏好程度的第二分数，根据第二分数来选择初始推荐信息，可以根据用户标签更加准确、高效的选择出用户最有可能感兴趣的多个推荐信息。

在可选的实施方式中，在所述根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的用户偏好预测模型之前，所述方法还包括：获取多个样本特征标签、多个样本推荐信息以及每一样本推荐信息对应的至少一个样本特征；根据每一样本特征标签，获取对应的每一样本推荐信息的每一样本特征的第二样本分数；针对每一样本特征标签，将多个样本推荐信息的样本特征以及与所述样本特征标签对应的每一样本推荐信息的每一样本特征的第二样本分数作为训练样本，对神经网络进行训练，得到所述样本特征标签对应的用户偏好预测模型。

本申请实施例针对每一样本特征标签，预先获取多个样本推荐信息以及每一样本推荐信息对应的至少一个样本特征，以及每一样本推荐信息的每一样本特征的第二样本分数，并作为训练样本对神经网络进行训练，可以得到每一样本特征标签对应的用户偏好预测模型，以便后续可以高效、准确地根据用户的特征标签为每一样本推荐信息的每一样本特征进行打分。

在可选的实施方式中，所述业务属性包括关联推荐信息，在所述根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表之前，所述方法还包括：根据推荐信息和对应的关联推荐信息获得套餐推荐信息；所述根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表，包括：根据每一推荐信息对应的业务属性以及每一套餐推荐信息对应的业务属性，对多个推荐信息和所述套餐推荐信息进行排序，得到推荐列表。

本申请实施例根据关联推荐信息和推荐信息，可以获取套餐推荐信息，再根据业务属性对推荐信息和套餐推荐信息进行排序，使得得到的推荐列表中可以包括更多品类的推荐信息，为用户提供更加全面的信息推荐。

第二方面，实施例提供一种信息推荐装置，包括：接收模块，用于接收用户终端发送的用户请求，所述用户请求携带有用户信息；推荐模块，用于根据所述用户信息获取与用户请求对应的多个推荐信息；业务策略模块，用于根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；通信模块，用于向所述用户终端发送所述推荐列表。

本申请实施例在通过接收模块接收到用户请求之后，利用推荐模块根据用户信息获取对应的推荐信息，再利用业务策略模块通过与推荐信息相关的业务属性，对多个推荐信息进行重新排序得到推荐列表，并通过通信模块返回给用户终端，以使用户可以根据推荐列表得到自己感兴趣的信息，同时也可以使用户可以更加关注推荐列表中靠前的业务主推的信息，方便业务推广的开展。

在可选的实施方式中，所述用户信息包括用户身份信息、位置信息和时间信息，所述推荐模块具体用于：根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息。

本申请实施例通过推荐模块对表征用户疑似偏好的召回信息进行打分，得到表征位置信息和时间信息，与召回信息之间的匹配程度的第一分数，由此，可以根据第一分数的大小选择对应的召回信息，更加高效、准确的选择出用户可能感兴趣的请求的推荐信息。

在可选的实施方式中，所述推荐模块具体用于：选择第一分数最大的预设数目的召回信息，作为初始推荐信息；获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

本申请实施例通过推荐模块利用用户身份对应的特征标签选择合适的用户偏好预测模型，对每一初始推荐信息的每一特征进行打分，得到表征预测用户的偏好程度的第二分数，根据第二分数来选择初始推荐信息，可以根据用户标签更加准确、高效的选择出用户最有可能感兴趣的多个推荐信息。

第三方面，实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前述实施方式任一项所述的方法。

第四方面，实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前述实施方式任一项所述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请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为本申请实施例提供的一种推荐系统的架构设计示意图；

图2为本申请实施例提供的一种信息推荐方法的流程示意图；

图3为本申请实施例提供的一种信息推荐装置的结构示意图；

图4为本申请实施例提供的一种信息推荐方法的流程示意图。

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描述。

现有技术中，为了为用户推荐用户感兴趣的信息，会利用用户推荐系统根据用户历史信息发掘用户偏好。用户系统通常是基于cache+两层服务的架构设计，利用cache预存储一些离线计算好用户的特征和推荐信息，利用两层服务中的召回层粗过滤部分推荐信息，利用两层服务中的排序层对召回层过滤后的推荐信息再进行排序。

而现有技术的推荐系统这种架构设计虽然可以为用户推荐感兴趣的信息，但是基于cache+两层服务的推荐架构设计方式难以与业务活动需求同步，如新信息推荐、信息丰富性、信息组合推荐等，难以灵活针对业务需求做到通用性和高可用性。如果通过调整cache+两层服务的架构设计方式来满足业务需求，则需要根据业务需求实时调整排序层的返回结果并需要根据业务需求不断更新排序层的策略，使得业务需求与两层服务的结构紧密相关。同时，由于需要不断更新排序层的策略，会增加排序层发生故障的风险，尤其是在高频业务驱动的推荐场景下，更容易造成推荐系统的崩溃，影响业务的开展。

图1为本申请实施例提供的一种推荐系统的架构设计示意图，从图中可以看出本申请实施例提供了一种cache+proxy+三层架构的推荐系统，所述推荐系统运行在服务器上。其中，三层架构包括召回层(view层)、排序层(model层)和策略层(strategy层)。

其中，推荐系统通过高速缓冲层(cache层)储存用户信息以及召回信息，也有用户信息对应的特征标签以及推荐信息对应的特征等信息，还存储有多个模型等数据，以此来减少实时计算消耗的时间，提高推荐系统进行信息获取的效率。推荐系统还通过代理层(proxy层)解析用户信息，根据用户信息对三层架构的服务调用进行管理，以及从cache层中调取相关信息。推荐系统还通过召回层根据用户信息通过proxy层召回相应的召回信息，并通过粗排序方法过滤部分召回信息。推荐系统再利用排序层对召回层得到的召回信息作为推荐信息进行处理，即通过proxy层调取用户信息对应的特征标签以及召回信息对应的特征等信息，并利用cache层中存储的多个模型对推荐信息进行打分，并根据打分对推荐信息进行排序。

并且，在推荐系统中还设置有负责业务驱动需求的策略层，策略层通过插件的方式设置在推荐系统中，可以对业务驱动需求进行实时适配，相当于可以针对于不同的业务驱动需求更换不同类型的策略层，满足多种不同类型的业务需求，如：新消息的推荐展现、信息丰富性要求、不同信息组合方式等。由此，插件式的策略层可以与推荐系统的多个架构灵活组合，可以满足不同类型的业务需求，便于业务的开展；还可以有效降低系统架构发生故障的风险，更加稳定的为用户提供推荐信息。

值得说明的是，推荐系统还可以具体运行在Nginx服务器中，Nginx服务器在接收用户终端的用户请求的同时，也可以对推荐系统的多层架构进行均衡，通过分布式部署推荐引擎提高推荐系统的性能和稳定性。

同时，推荐系统还可以设置有包装层(Wrap up层)，包装层设置在三层架构之后，与proxy层连接，包装层可以接收来自proxy层通过三层架构的最终得到的多个推荐信息，按照顺序包装成对应的推荐信息列表，并向用户请求对应的用户终端返回推荐信息列表。

还需要说明的是，推荐系统还可以分为在线服务模块和离线服务模块，推荐系统通过在线服务模块根据用户请求为用户进行信息推荐，通过离线服务模块进行用户信息和推荐信息的预获取和预处理，并将处理后的信息存入cache层中。

其中，离线服务模块可以具体包括：HDFS数据库、RDBMS数据库、离线ELF单元以及特征工程单元。通过HDFS数据库、RDBMS数据库存储用户信息，例如用户基本数据、用户历史数据和行为日志等所有可使用的数据源。通过离线ELF单元对HDFS数据库、RDBMS数据库中的数据进行加载、提权和转换等处理，得到特征工程单元所需要的数据源。特征工程师可以通过特征工程单元将处理后的数据源根据方案设计和特征处理方式，生成在线服务模块所需要的用户信息和推荐信息以及推荐信息对应的特征，并最后写入cache层中。

图2为本申请实施例提供的一种信息推荐方法的流程示意图，所述信息推荐方法的执行主体可以为服务器，所述方法包括：

步骤210：接收用户终端发送的用户请求，所述用户请求携带有用户信息。

其中，用户终端发送的用户请求可以是用户在用对应的账号登入时，用户终端预判用户可能需要推荐信息，由用户终端自主向服务器发送的用户请求；也可以是用户在使用用户终端，想要得到推荐信息时，用户通过触发用户终端上的推荐按钮，使用户终端向服务器发送的用户请求。

再者，服务器可以同时处理多个用户终端发送的用户请求，每一用户终端发送的用户请求对应的用户信息不同。用户终端可以有多个，服务器接收用户请求的具体数量不限定，可以根据实际的服务器负载能力进行调整。

步骤220：根据所述用户信息获取与用户请求对应的多个推荐信息。

其中，与用户请求对应的推荐信息的类型有多种，每一类型的推荐信息可以有多个，推荐信息的类型可以是产品，也可以是新闻，还可以是活动。例如，在用户浏览购物网站时会为用户推荐可能会购买的产品，在用户查看新闻时可以为用户推荐可能感兴趣的新闻，在用户查看娱乐活动时为用户推荐可能会参加的活动。推荐信息的具体类型和数量不限定，可以根据实际用户需求进行选择。

步骤230：根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度。

其中，推荐信息的业务属性可以表征对应的推荐信息的业务推荐程度，例如：业务属性可以包括新品曝光率，假设当推荐信息为新品时，推荐信息对应的新品曝光率设置较高，表征业务上想要为用户推荐新品。业务属性也可以包括产品滞销率，假设推荐信息为一种库存很多而销售较少的产品，则对应的产品滞销率的数值可以设置较大，表征业务上想要提高用户对该产品的关注度，以提高用户购买该产品的可能性。业务属性的具体类型不限定，可以根据实际的业务需求进行调整。

再者，服务器可以根据推荐信息的业务属性确定推荐信息在业务上的推荐程度，根据业务数据对多个推荐信息进行排序，得到与用户请求对应的推荐列表。同时，业务推荐程度越高的推荐信息在推荐列表中越靠前，业务推荐程度越低的推荐信息在推荐列表中越靠后。使得用户在进行浏览推荐列表时，相当于推荐列表中靠后的推荐信息，可以较为优先的看到业务推荐程度高的推荐信息，对业务推荐程度高的推荐信息投入更多的关注度。

步骤240：向所述用户终端发送所述推荐列表。

由此，服务器向用户终端返回所述推荐列表，以使用户终端显示推荐列表，使得用户可以通过查看推荐列表，实现用户根据推荐信息的排序顺序对推荐信息进行浏览，提高用户对业务上主推的推荐信息的关注度，便于根据业务需求进行信息推广的展开。

在本申请的一种实施例中，所述业务属性包括关联推荐信息，在步骤230之前，所述方法还包括：根据推荐信息和对应的关联推荐信息获得套餐推荐信息。步骤230可以具体包括：根据每一推荐信息对应的业务属性以及每一套餐推荐信息对应的业务属性，对多个推荐信息和所述套餐推荐信息进行排序，得到推荐列表。

其中，业务属性还可以包括关联推荐信息，相当于关联推荐信息是与对应的推荐信息有关的信息，用户可能在对推荐信息感兴趣的同时，也会对关联推荐信息感兴趣。套餐推荐信息可以是推荐信息和关联推荐信息的组合。例如：在推荐信息为汉堡时，关联推荐信息可以为可乐、薯条等客户有可能一起购买的产品，也可以为业务上主推的小吃等产品；套餐推荐信息可以为汉堡、可乐在业务上的组合套餐。关联推荐信息以及套餐推荐信息的种类可以根据实际的业务需求进行设定。

由此，可以根据各个信息对应的业务属性，将原本的多个推荐信息以及根据关联推荐信息得到的套餐推荐信息进行排序，得到推荐列表，为用户提供品类更加丰富、全面的信息推荐。

在本申请的一种实施例中，所述用户信息包括用户身份信息、位置信息和时间信息，步骤220可以具体包括：根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息。

其中，用户信息可以包括表征用户身份的用户身份信息。服务器中存储有多个用户画像，用户画像是一种根据用户历史行为，勾画目标用户、联系用户诉求与设计方向的有效工具。根据用户身份信息可以找到对应的用户画像，根据用户画像可以得到用户疑似偏好的预测信息，即召回信息。举例来说，当某一用户在购物网站中经常浏览手机产品，因此，用户画像中得到的用户疑似偏好的预测信息就可以为手机产品或者耳机等数码产品。再例如，用户购买过零食，因此，用户画像中得到的用户疑似偏好的预测信息可以为零食或者食物等可食用的商品。同时，用户信息还可以包括用户终端发送用户请求时的位置信息和所述时间信息。根据位置信息和时间信息与召回信息的匹配程度，对召回信息进行打分，可以得到对应的第一分数。再根据第一分数的大小进行筛选，得到与用户请求对应的多个推荐信息。由此，可以根据用户的疑似偏好以及用户的地理位置和时间等因素对召回信息先进行粗筛选，更加准确的得到与用户请求对应的推荐信息的同时，也可以提高后续对推荐信息进行再次处理的效率。

举例来说，假设根据用户信息得到的召回信息有商品A、商品B和商品C，假设位置信息为城市x，用户可能更偏向于发货地距离城市x更近的产品，则可以按照召回信息的位置信息与用户信息中的位置信息的距离大小，作为位置信息与召回信息的匹配程度，对商品A、商品B和商品C进行打分。同时，假设时间信息为晚上，用户可能会更偏向于与睡眠有关的产品，则可以将召回信息的功能与用户信息中的时间信息的关联程度，作为时间信息与召回信息的匹配程度，对商品A、商品B和商品C进行再次打分。将每一商品的两次打分分数累加，得到该商品对应的第一分数。假设商品A的第一分数为20，商品B的第一分数为30和商品C的第一分数为10，同时，第一预设数目为2，则可以选择商品A和商品B作为与用户请求对应的推荐信息。其中，第一预设数目的具体大小可以根据实际的信息推荐需求进行调整。

在上述实施例的基础上，所述选择第一分数最大的预设数目的召回信息，作为与用户请求对应的多个推荐信息，包括：选择第一分数最大的预设数目的召回信息，作为初始推荐信息；获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

其中，每一初始推荐信息对应的特征可以为一个，也可以为多个。初始推荐信息对应的特征类型可以根据初始推荐信息的类型进行调整，举例来说，当初始推荐信息为裙子时，特征可以为裙子的颜色或款式，当特征为颜色时，初始推荐信息对应的特征可以为红色的裙子或蓝色的裙子等。当初始推荐信息为菜品时，特征可以为菜品的口味，对应的初始推荐信息的特征可以包括辣口菜品、甜口菜品或酸口菜品。

再者，用户身份信息对应的特征标签可以表征用户对于初始推荐信息对应的特征的偏好程度，特征标签可以为根据用户的历史查看信息的行为以及实时特征信息进行确定。其中，实时特征信息可以有多种，可以为用户所在地区当前的天气，例如用户在天气温度较低时可能会偏向于热的食物，因此可以为用户打上热食的特征标签。实时特征信息还可以为用户当前购物车中的商品类型，例如用户在购物车中加入了帽子，则用户可能会偏向于购买帽子，则可以为用户打上帽子的特征标签。实时特征信息的类型有多种，可以根据实际的信息推荐需求进行调整。

并且，用户偏好预测模型对每一初始推荐信息的每一特征对应进行的打分，可以表征具有对应的特征标签的用户群体通常情况下对该初始推荐信息的特征的偏好程度，由此，可以利用用户偏好模型，对该初始推荐信息的特征的偏好程度进行预测，得到表征预测的偏好程度的第二分数。而第二预设数目的大小不限定，可以根据实际的信息推荐需求进行调整。

同时，多个用户偏好预测模型的训练过程相同，也可以将多个用户偏好预测模型看作一个总的预测模型中的多个预测单元，根据特征标签可以从总的预测模型中选择对应的预测单元。

在上述实施例的基础上，在所述根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的用户偏好预测模型之前，所述方法还包括：获取多个样本特征标签、多个样本推荐信息以及每一样本推荐信息对应的至少一个样本特征；根据每一样本特征标签，获取对应的每一样本推荐信息的每一样本特征的第二样本分数；针对每一样本特征标签，将多个样本推荐信息的样本特征以及与所述样本特征标签对应的每一样本推荐信息的每一样本特征的第二样本分数作为训练样本，对神经网络进行训练，得到所述样本特征标签对应的用户偏好预测模型。

其中，可以预先获取多个样本特征标签，对于每一样本特征标签，可以选择多个具有该样本特征标签的用户对每一样本推荐信息的每一样本特征进行打分，再将每一用户的打分进行录入，可以得到多个与样本特征标签对应的每一样本推荐信息的每一样本特征的第二样本分数。再将多个样本特征信息的特征以及每一样本特征信息的特征对应的多个第二样本分数作为训练样本，对神经网络进行训练，可以得到样本特征标签对应的用户偏好预测模型。由此，对于多个样本特征标签，可以得到与每一样本特征标签对应的用户偏好预测模型，以便后续可以高效、准确地根据用户的特征标签为每一样本推荐信息的每一样本特征进行打分。

图3为本申请实施例提供的一种信息推荐装置的结构示意图，基于同一发明构思，本申请实施例中还提供一种信息推荐装置300，包括：接收模块310，用于接收用户终端发送的用户请求，所述用户请求携带有用户信息；推荐模块320，用于根据所述用户信息获取与用户请求对应的多个推荐信息；业务策略模块330，用于根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；通信模块340，用于向所述用户终端发送所述推荐列表。

在上述实施例的基础上，所述用户信息包括用户身份信息、位置信息和时间信息，所述推荐模块320具体用于：根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息。

在上述实施例的基础上，所述推荐模块320具体用于：选择第一分数最大的预设数目的召回信息，作为初始推荐信息；获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

在上述实施例的基础上，所述信息推荐装置300还包括模型训练模块，用于获取多个样本特征标签、多个样本推荐信息以及每一样本推荐信息对应的至少一个样本特征；根据每一样本特征标签，获取对应的每一样本推荐信息的每一样本特征的第二样本分数；针对每一样本特征标签，将多个样本推荐信息的样本特征以及与所述样本特征标签对应的每一样本推荐信息的每一样本特征的第二样本分数作为训练样本，对神经网络进行训练，得到所述样本特征标签对应的用户偏好预测模型。

在上述任一实施例的基础上，所述业务属性包括关联推荐信息，所述信息推荐装置300还包括关联获取模块，用于根据推荐信息和对应的关联推荐信息获得套餐推荐信息；所述业务策略模块330具体用于：根据每一推荐信息对应的业务属性以及每一套餐推荐信息对应的业务属性，对多个推荐信息和所述套餐推荐信息进行排序，得到推荐列表。

请参照图4，图4示出了一种可应用于本申请实施例中的电子设备10的结构框图。电子设备10可以包括存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107。

所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、显示单元107各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。至少一个软件或固件(firmware)存储于所述存储器101中或固化在操作系统(operating system，OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，软件功能模块或计算机程序。

其中，存储器101可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read－OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本申请实施例任一实施例揭示的方法可以应用于处理器103中，或者由处理器103实现。

处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。

所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元105用于提供给用户输入数据实现用户与所述电子设备10的交互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。

显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。

可以理解，图4所示的结构仅为示意，所述电子设备10还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

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，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本申请实施例提供一种信息推荐方法、装置、电子设备和存储介质，所述方法包括：接收用户终端发送的用户请求，所述用户请求携带有用户信息；根据所述用户信息获取与用户请求对应的多个推荐信息；根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；向所述用户终端发送所述推荐列表。本申请实施例通过在接收到用户请求之后，根据用户信息获取对应的推荐信息，再通过与推荐信息相关的业务属性，对多个推荐信息进行重新排序得到推荐列表，并返回给用户终端，以使用户可以根据推荐列表得到自己感兴趣的信息，同时也可以使用户可以更加关注推荐列表中靠前的业务主推的信息，方便业务推广的开展。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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。

另外，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。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，功能如果以软件功能模块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－Only Memory，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。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种信息推荐方法，其特征在于，包括：

接收用户终端发送的用户请求，所述用户请求携带有用户信息；

根据所述用户信息获取与用户请求对应的多个推荐信息；

根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；

向所述用户终端发送所述推荐列表；

其中，所述用户信息包括用户身份信息、位置信息和时间信息，所述根据所述用户信息获取与用户请求对应的多个推荐信息，包括：

根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；

根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；

选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息；

其中，所述选择第一分数最大的预设数目的召回信息，作为与用户请求对应的多个推荐信息，包括：

选择第一分数最大的预设数目的召回信息，作为初始推荐信息；

获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；

根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；

利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；

从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；

将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

2.根据权利要求1所述的信息推荐方法，其特征在于，在所述根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的用户偏好预测模型之前，所述方法还包括：

获取多个样本特征标签、多个样本推荐信息以及每一样本推荐信息对应的至少一个样本特征；

根据每一样本特征标签，获取对应的每一样本推荐信息的每一样本特征的第二样本分数；

针对每一样本特征标签，将多个样本推荐信息的样本特征以及与所述样本特征标签对应的每一样本推荐信息的每一样本特征的第二样本分数作为训练样本，对神经网络进行训练，得到所述样本特征标签对应的用户偏好预测模型。

3.根据权利要求1－2任一项所述的信息推荐方法，其特征在于，所述业务属性包括关联推荐信息，在所述根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表之前，所述方法还包括：

根据推荐信息和对应的关联推荐信息获得套餐推荐信息；

所述根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表，包括：

根据每一推荐信息对应的业务属性以及每一套餐推荐信息对应的业务属性，对多个推荐信息和所述套餐推荐信息进行排序，得到推荐列表。

4.一种信息推荐装置，其特征在于，包括：

接收模块，用于接收用户终端发送的用户请求，所述用户请求携带有用户信息；

推荐模块，用于根据所述用户信息获取与用户请求对应的多个推荐信息；

业务策略模块，用于根据每一推荐信息对应的业务属性，对多个推荐信息进行排序，得到推荐列表；所述业务属性表征对应的推荐信息的业务推荐程度；

通信模块，用于向所述用户终端发送所述推荐列表；

其中，所述用户信息包括用户身份信息、位置信息和时间信息，所述推荐模块具体用于：

根据所述用户身份信息匹配与用户对应的至少一个召回信息，所述召回信息为根据用户的疑似偏好得到的预测信息；

根据所述位置信息和所述时间信息，对所有的召回信息进行打分，得到各召回信息分别对应的第一分数，所述第一分数用于表征所述召回信息与所述位置信息和所述时间信息的匹配程度；

选择第一分数最大的第一预设数目的召回信息，作为与用户请求对应的多个推荐信息；

其中，所述推荐模块具体用于：

选择第一分数最大的预设数目的召回信息，作为初始推荐信息；

获取每一初始推荐信息对应的特征以及与所述用户身份信息对应的特征标签；

根据所述特征标签从多个预先建立的用户偏好预测模型中选择对应的目标用户偏好预测模型；

利用所述目标用户偏好预测模型对每一初始推荐信息的每一特征进行打分，得到每一初始推荐信息的每一特征对应的第二分数，所述第二分数用于表征预测的用户对于所述初始推荐信息的特征的偏好程度；

从所有的初始推荐信息对应的特征中选择第二分数最大的第二预设数目的特征，作为目标特征；

将所述目标特征对应的初始推荐信息，作为与用户请求对应的多个推荐信息。

5.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1－3任一项所述的方法。

6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1－3任一项所述的方法。

Images