CN111414533A

CN111414533A - 推荐信息的生成方法、装置、电子设备、存储介质

Info

Publication number: CN111414533A
Application number: CN201910010465.8A
Authority: CN
Inventors: 王浩
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2019-01-04
Filing date: 2019-01-04
Publication date: 2020-07-14

Abstract

本发明提供一种推荐信息的生成方法、装置、电子设备、存储介质，推荐信息的生成方法包括：采集待推荐用户对第一商品对象的操作数据；基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的关系图；基于所述关系图生成待推荐用户的相似用户群；采集相似用户群中各用户的操作数据以获取所述相似用户群中各用户所操作的第二商品对象；基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集，所述频繁项集中包括一个或多个第二商品对象；以及根据所构建的频繁项集向待推荐用户推荐第二商品对象的信息。本发明的方法及装置适用于业务逻辑，效果置信度高且运算高效。

Description

推荐信息的生成方法、装置、电子设备、存储介质

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种推荐信息的生成方法、装置、电子设备、存储介质。

背景技术

推荐系统作为一大热门领域，现有各式各样的推荐方法。互联网行业的用户推荐，尤其是电商场景下的用户推荐技术繁多。现有电商场景下用户推荐技术大多将用户信息交叉，构造多维度特征，根据特征数据进行用户推荐。

现有电商平台用户推荐技术将用户信息交叉构造多维度特征，基于特征数据进行用户推荐。但是特征与用户购买喜好的相关性无法保证，需要大量特征工程工作去论证特征的相关性，研究是否引入这些特征；而且得到相关性高的特征后，此特征数据的质量无法保证，影响置信度。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种推荐信息的生成方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种推荐信息的生成方法，包括：

采集待推荐用户对第一商品对象的操作数据；

基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的一关系图；

基于所述关系图生成待推荐用户的相似用户群，所述相似用户群中各用户与所述待推荐用户相似；

采集相似用户群中各用户对商品对象的操作数据以获取所述相似用户群中各用户所操作的第二商品对象；

基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集，所述频繁项集中包括所述相似用户群中至少一个用户操作过且所述待推荐用户未操作过的至少一个第二商品对象；以及

根据所构建的频繁项集向待推荐用户推荐第二商品对象的信息。

可选地，所述基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的关系图：

基于待推荐用户对第一商品对象的操作数据的量化特征构建一量化矩阵作为所述关系图，所述量化矩阵的矩阵行和矩阵列的序号分别标识不同的用户和不同的商品对象。

可选地，用户对第一商品对象的操作数据的量化特征为：

用户对第一商品对象的购买、浏览或点击次数；或者

用户购买第一商品对象的数量。

可选地，所述基于所述关系图生成待推荐用户的相似用户群包括：

于所述关系图中挑选一元路径；

根据所挑选的元路径获得所述关系图的交换矩阵；

依据所述交换矩阵确定待推荐用户与另一用户的相似度；以及

根据所述相似度生成待推荐用户的相似用户群。

可选地，所述元路径为用户-第一商品对象-用户，所述交换矩阵中第i行第j列的矩阵项S_ij为

其中，n为商品对象的项数，T_ik表示用户U_i对第一商品对象P_k的操作的量化特征，T_jk表示用户U_j对第一商品对象P_k的操作的量化特征，其中，i、j、k、n皆未大于等于1的整数。

可选地，所述交换矩阵中基于所述待推荐用户U_i与另一用户U_j形成子矩阵，所述待推荐用户U_i与另一用户U_j的相似度Sim(U_i，U_j)为所述子矩阵的第一对角线上的矩阵项的和与第二对象线上的矩阵项的和之比，所述第一对象线上的矩阵项包括矩阵项S_ij及矩阵项S_ji，述第一对象线上的矩阵项包括矩阵项S_ii和矩阵项S_jj。。

可选地，所述根据所述相似度生成待推荐用户的相似用户群包括：

自多个用户中选取与待推荐用户的相似度排名前x个的用户以作为待推荐用户的相似用户群，x为大于1的整数。

可选地，所述相似用户群中不包括与待推荐用户相似度为1的用户。

可选地，所述基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集包括：

根据待推荐用户所操作的第二商品对象确定对应待推荐用户U_t的第二商品对象集合Q_t；

根据相似用户群中各用户所操作的第二商品对象，确定对应各用户的第二商品对象集合；

计算相似用户群中各用户与待推荐用户U_t之间的差别集D_l＝(Q_t-),Q_l为用户U_l的第二商品对象集合Q_l，l为大于等于1小于等x的整数，x为所述相似用户群中用户的数量；

计算每个差别集的支持度；以及

当差别集的支持度大于等于一支持度阈值，且差别集中第二商品对象的数量符合预定推荐数量时，将所述差别集确定为频繁项集。

可选地，所述差别集的支持度为各所述差别集中包含该差别集的差别集数量与差别集总数之比。

可选地，所述支持度阈值自1至0递减，直至存在差别集中第二商品对象的数量符合预定推荐数量的、支持度大于等于支持度阈值的差别集。

可选地，所述根据所构建的频繁项集向待推荐用户推荐第二商品对象包括：

当存在多个频繁项集时，计算各频繁项集的置信度，向待推荐用户推荐置信度最高的频繁项集中的第二商品对象。

可选地，所述第一商品对象为多级商品品类中的一级，所述商品品类的级数越高，所述商品品类分类粒度越小，所述第二商品对象为级数小于等于第一商品对象的商品品类。

根据本发明的又一方面，还提供一种推荐信息的生成装置，包括：

第一采集模块，用于采集待推荐用户对第一商品对象的操作数据；

关系图构建模块，用于基于待推荐用户对第一商品对象的操作构建多个用户与第一商品对象的一关系图；

相似用户群生成模块，用于基于所述关系图确定待推荐用户的相似用户群，所述相似用户群中各用户与所述待推荐用户相似；

第二采集模块，用于采集相似用户群中各用户对商品对象的操作数据以获取所述相似用户群中各用户所操作的第二商品对象；

频繁项集确定模块，用于基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集，所述频繁项集中包括所述相似用户群中至少一个用户操作过且所述待推荐用户未操作过的至少一个第二商品对象；以及

推荐模块，用于根据所构建的频繁项集向待推荐用户推荐第二商品对象的信息。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述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上所述的步骤。

相比现有技术，本发明的优势在于：

通过关系图，充分挖掘电商平台内暗含用户间联系，避免大量特征工程工作，且选取可靠数据，可保证置信度。此外，针对电商平台而言，推荐的本质实际上是为不同的用户提供不同的商品排序。面对庞大数量级的商品排序，一般无法对用户计算所有商品排序。因此，通过本发明的基于关系图的用户推荐，使推荐可行且适用于业务逻辑，效果置信度高且运算高效。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的推荐信息的生成方法的流程图。

图2示出了根据本发明具体实施例的关系图的示意图。

图3示出了根据本发明具体实施例的交换矩阵的示意图。

图4至图7示出了根据本发明具体实施例的交换矩阵的子矩阵示意图。

图8示出了根据本发明具体实施例的相似用户群中各用户差别集的示意图。

图9示出了根据本发明实施例的推荐信息的生成装置的模块图。

图10示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。

图11示意性示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

图1示出了根据本发明实施例的推荐信息的生成方法的流程图。参考图1，所述推荐信息的生成方法包括如下步骤：

步骤S110：采集待推荐用户对第一商品对象的操作数据；

步骤S120：基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的一关系图；

步骤S130：基于所述关系图生成待推荐用户的相似用户群，所述相似用户群中各用户与所述待推荐用户相似；

步骤S140：采集相似用户群中各用户的操作数据以获取所述相似用户群中各用户所操作的第二商品对象；

步骤S150：基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集，所述频繁项集中包括所述相似用户群中至少一个用户操作过且所述待推荐用户未操作过的至少一个第二商品对象；以及

步骤S160：根据所构建的频繁项集向待推荐用户推荐第二商品对象信息。

在本发明的示例性实施方式的推荐信息的生成方法中，通过关系图，充分挖掘电商平台内暗含用户间联系，避免大量特征工程工作，且选取可靠数据，可保证置信度。此外，针对电商平台而言，推荐的本质实际上是为不同的用户提供不同的商品排序。面对庞大数量级的商品排序，一般无法对用户计算所有商品排序。因此，通过本发明的基于关系图的用户推荐，使推荐可行且适用于业务逻辑，效果置信度高且运算高效。

具体而言，在本发明的各个实施例中，所述第一商品对象为商品或多级商品品类中的一级，所述商品品类的级数越高，所述商品品类分类粒度越小，所述第二商品对象为商品或级数小于等于第一商品对象的商品品类。进一步地，在确定第一商品对象和第二商品对象的商品分类粒度时，考虑到分类粒度最小(即商品)情况下，待推荐用户与相似用户即其所操作的商品完全一致(相似用户群中各用户与待推荐用户操作完全相同的商品)，这种情况实际中数据支持极少且用户分类过多反而导致相似度计算无意义；同时，考虑到分类力度过大的情况，比如日用品、电器等一级品类作为粒度，又会导致用户分类过少，相似度计算无意义。基于以上考虑，本方案中，第一商品对象的分类粒度大于等于第二商品对象的分类粒度，即用于相似度计算的分类粒度大于等于用于推荐的分类粒度，以便于相似度的计算和后序的第二商品对象的推荐。在本发明的优选例中，第一商品对象的分类粒度与第二商品对象的分类粒度之差小于预设级数(例如三级、四级等，本发明并非以此为限)，保证用于相似度计算的分类粒度与用于推荐的分类粒度的级数差距增加相似度计算的效率且保证推荐的置信度。具体而言，在本发明的各个实施例中，所述用户对第一商品对象/第二对象的操作为购买、浏览或点击等，本发明并非以此为限。

下面分别结合图2至图8描述本发明具体实施例的推荐信息的生成方法的示意图，进一步对上述步骤进行描述。

具体而言，上述步骤S120所述基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的关系图可以包括：基于待推荐用户对第一商品对象的操作数据的量化特征构建一量化矩阵作为所述关系图，所述量化矩阵的矩阵行和矩阵列的序号分别标识不同的用户和不同的商品对象。

上述的量化矩阵可以参见图2，在图2所示的实施例中，用户对第一商品对象的操作数据的量化特征可以是用户对第一商品对象(在本实施例中为商品品类)的购买、浏览或点击次数；或者用户购买第一商品对象的数量，本发明并非以此为限。在图2的量化矩阵中，T_ik表示用户U_i对第一商品对象P_k的操作的量化特征(例如，用户U_i对商品品类P_k的购买次数)。在本实施例中，量化矩阵的矩阵行标识不同的用户，量化矩阵的矩阵列标识不同的第一商品对象。在另一些实施例中，量化矩阵的矩阵列标识不同的用户，量化矩阵的矩阵行标识不同的第一商品对象。本发明并非以此为限。

进一步地，上述步骤S120所述基于所述关系图生成待推荐用户的相似用户群可以包括如下步骤：于所述关系图中挑选一元路径；根据所挑选的元路径获得所述关系图的交换矩阵；依据所述交换矩阵确定待推荐用户与另一用户的相似度；以及根据所述相似度生成待推荐用户的相似用户群。

具体而言，参见图2及图3，上述交换矩阵可以参见图3，在本实施例中，所述元路径为用户-第一商品对象(商品品类)-用户，所述交换矩阵中第i行第j列的矩阵项S_ij为

其中，n为商品对象的项数，T_ik表示用户U_i对第一商品对象P_k的操作的量化特征，T_jk表示用户U_j对第一商品对象P_k的操作的量化特征，，其中，i、j、k、n皆未大于等于1的整数。例如，交换矩阵中第一行第二列S₁₂＝2*50+1*20+0*0+0*0(即对量化矩阵中第一行第一列与第二行第一列之积、量化矩阵中第一行第二列与第二行第二列之积、量化矩阵中第一行第三列与第二行第三列之积、量化矩阵中第一行第四列与第二行第四列之积，求合)。当量化矩阵的矩阵列标识不同的用户，量化矩阵的矩阵行标识不同的第一商品对象时，交换矩阵中第一行第二列的值为对量化矩阵中第一行第一列与第一行第二列之积、量化矩阵中第二行第一列与第二行第二列之积、量化矩阵中第三行第一列与第三行第二列之积、量化矩阵中第四行第一列与第四行第二列之积，求合。

进一步地，所述交换矩阵中基于所述待推荐用户U_i与另一用户U_j形成子矩阵，所述待推荐用户U_i与另一用户U_j的相似度Sim(U_i，U_j)为所述子矩阵的第一对角线上的矩阵项的和与第二对象线上的矩阵项的和之比，所述第一对象线上的矩阵项包括矩阵项S_ij及矩阵项S_ji，述第一对象线上的矩阵项包括矩阵项S_ii和矩阵项S_jj。例如，所述待推荐用户U_i与另一用户U_j的相似度Sim(U_i，U_j)根据如下公式计算：Sim(U_i，U_j)＝(S_ij+S_ji)/(S_ii+S_jj)。

以用户1(U₁)为待推荐用户为例，如图4至图7所示，可以按上述公式，将所需的项自交换矩阵中提取，以获得图4至图7的子矩阵。

Sim(U₁，U₂)＝(120+120)/(5+2900)＝0.0826；

Sim(U₁，U₃)＝(4+4)/(5+5)＝0.8；

Sim(U₁，U₄)＝(5+5)/(5+5)＝1；

Sim(U₁，U₅)＝(0+0)/(5+2)＝0。

其中，由于各子矩阵的一条对角线上的值相等(S_ij＝S_ji)，因此，可以两倍的S_ij或两倍的S_ji作为上述相似度计算中的分子。

进一步地，所述根据所述相似度确定待推荐用户的相似用户群的步骤可以包括：自多个用户中选取与待推荐用户的相似度排名前x个的用户以作为待推荐用户的相似用户群，x为大于1的整数。本发明并非以此为限。在本发明的一个优选例中，考虑到后续的频繁项集的构建中，与待推荐用户相似度为1的用户与待推荐用户之前不存在差别集，因此，所述相似用户群中可以不包括与待推荐用户相似度为1的用户。

具体而言，上述步骤S150所述基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集还可以包括如下步骤：

根据待推荐用户所操作的第二商品对象确定对应待推荐用户U_t的第二商品对象集合Q_t；根据相似用户群中各用户所操作的第二商品对象，确定对应各用户的第二商品对象集合；计算相似用户群中各用户与待推荐用户U_t之间的差别集D₁＝(Q_t-),Q_l为用户U_l的第二商品对象集合Q_l，l为大于等于1小于等x的整数，x为所述相似用户群中用户的数量；计算每个差别集的支持度；以及当差别集的支持度大于等于一支持度阈值，且差别集中第二商品对象的数量符合预定推荐数量时，将所述差别集确定为频繁项集。

具体而言，上述的第二商品对象集合可以是用户的购买/浏览/点击次数大于等于预定阈值时的第二商品对象集合，本发明并非以此为限。

在一个具体实施例中，可以参见图8，根据上述步骤计算相似用户群(用户1至用户x)与待推荐用户的差别集。然后计算各差别集的支持度，所述差别集的支持度为各所述差别集中包含该差别集的差别集数量与差别集总数之比。例如，用户1的差别集为A，用户1至用户x各自的差别集中，包含A的差别集的个数为4，则用户1的差别集的支持度为4/x(在本实施例中x大于等于4)。差别集的支持度为大于0小于等于1的常数。

进一步地，所述支持度阈值可以自1至0递减，直至存在差别集中第二商品对象的数量符合预定推荐数量的、支持度大于等于支持度阈值的差别集。例如，若要推荐1项，支持度阈值从1至0递减，在0.8时出现支持度为0.8的差别集{A}，且该差别集中第二商品对象的数量为1项，则将该差别集{A}作为频繁项集进行推荐。在一些具体实施例中，若要推荐2项，支持度阈值从1至0递减，在0.6时出现支持度为0.8的差别集{A}、{B}、{C}、{A，B}、{B，C}，其中，差别集{A，B}、{B，C}中第二商品对象的数量为2项,则可以将该差别集{A，B}、{B，C}确定为频繁项集进行推荐。

在上述实施例的一个变化例中，由于需要推荐2项，而在前述的步骤中，存在两个频繁项集{A，B}、{B，C}中第二商品对象的数量为2项，因此，本发明通过在上述步骤S140所述根据所构建的频繁项集向待推荐用户推荐第二商品对象中，当存在多个频繁项集时，计算各频繁项集的置信度，向待推荐用户推荐置信度最高的频繁项集中的第二商品对象，来确定要推荐的频繁项集。

具体而言，在上述实施例中，待推荐的频繁项集会在{A，B}、{B，C}中选取，各频繁项集的置信度表示在先决条件X发生的情况下，由关联规则”X→Y“推出Y的概率。即在含有X的频繁项集(在另一实施例中，可以在差别集中计算)中，含有Y的可能性。置信度Confidence(X→Y)根据如下公式计算

Confidence(X→Y)＝P(Y│X)＝(P(X,Y))/(P(X))＝(P(X∪Y))/(P(X))，

其中，P(X,Y)为频繁项集中，同时含有X，Y的概率。P(X)为频繁项集中含有X的概率。在上述实施例中中，若Confidence(B→A)>Confidence(B→C),我们会选取{A，B}作为我们的建议推荐，反之则为{B，C}。

以上仅仅是示意性地示出本发明的多个实施例，在不违背本发明构思的前提下，步骤的合并、拆分、并行执行、交换顺序等变化都在本发明的保护范围之内。

下面结合图9描述本发明提供的推荐信息的生成装置。图9示出了根据本发明实施例的推荐信息的生成装置的模块图。推荐信息的生成装置900包括第一采集模块910、关系图构建模块920、相似用户群生成模块930、第二采集模块940频繁项集确定模块950及展示模块960。第一采集模块910用于采集待推荐用户对第一商品对象的操作数据。

关系图构建模块920用于基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的一关系图；

相似用户群生成模块930用于基于所述关系图生成待推荐用户的相似用户群，所述相似用户群中各用户与所述待推荐用户相似；

第二采集模块940用于采集相似用户群中各用户的操作数据以获取所述相似用户群中各用户所操作的第二商品对象；

频繁项集确定模块950用于基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集，所述频繁项集中包括所述相似用户群中至少一个用户操作过且所述待推荐用户未操作过的至少一个第二商品对象；以及

推荐模块960用于根据所构建的频繁项集向待推荐用户推荐第二商品对象的信息。

在本发明的示例性实施方式的推荐信息的生成装置中，通过关系图，充分挖掘电商平台内暗含用户间联系，避免大量特征工程工作，且选取可靠数据，可保证置信度。此外，针对电商平台而言，推荐的本质实际上是为不同的用户提供不同的商品排序。面对庞大数量级的商品排序，一般无法对用户计算所有商品排序。因此，通过本发明的基于关系图的用户推荐，使推荐可行且适用于业务逻辑，效果置信度高且运算高效。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述推荐信息的生成方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述荐信息的生成方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述荐信息的生成方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本发明的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：至少一个处理单元1110、至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述荐信息的生成方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图1所示的步骤。

所述存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(ROM)11203。

所述存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器1160可以通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述荐信息的生成方法。

相比现有技术，本发明的优势在于：

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims

1.一种推荐信息的生成方法，其特征在于，包括：

采集待推荐用户对第一商品对象的操作数据；

2.如权利要求1所述的推荐信息的生成方法，其特征在于，所述基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的关系图：

3.如权利要求2所述的推荐信息的生成方法，其特征在于，待推荐用户对第一商品对象的操作数据的量化特征为：

用户对第一商品对象的购买、浏览或点击次数；或者

用户购买第一商品对象的数量。

4.如权利要求2所述的推荐信息的生成方法，其特征在于，所述基于所述关系图生成待推荐用户的相似用户群包括：

于所述关系图中挑选一元路径；

根据所挑选的元路径获得所述关系图的交换矩阵；

根据所述相似度生成待推荐用户的相似用户群。

5.如权利要求4所述的推荐信息的生成方法，其特征在于，所述元路径为用户-第一商品对象-用户，所述交换矩阵中第i行第j列的矩阵项S_ij为

6.如权利要求5所述的推荐信息的生成方法，其特征在于，所述交换矩阵中基于所述待推荐用户U_i与另一用户U_j形成子矩阵，所述待推荐用户U_i与另一用户U_j的相似度Sim(U_i，U_j)为所述子矩阵的第一对角线上的矩阵项的和与第二对象线上的矩阵项的和之比，所述第一对象线上的矩阵项包括矩阵项S_ij及矩阵项S_ji，述第一对象线上的矩阵项包括矩阵项S_ii和矩阵项S_jj。

7.如权利要求4所述的推荐信息的生成方法，其特征在于，所述根据所述相似度生成待推荐用户的相似用户群包括：

8.如权利要求7所述的推荐信息的生成方法，其特征在于，所述相似用户群中不包括与待推荐用户相似度为1的用户。

9.如权利要求1所述的推荐信息的生成方法，其特征在于，所述基于模式挖掘，根据相似用户群中各用户所操作的第二商品对象，构建待推荐用户的频繁项集包括：

计算相似用户群中各用户与待推荐用户U_t之间的差别集D₁＝(Q_t-Q₁),为用户U_l的第二商品对象集合Q_l，l为大于等于1小于等x的整数，x为所述相似用户群中用户的数量；

计算每个差别集的支持度；以及

10.如权利要求9所述的推荐信息的生成方法，其特征在于，所述差别集的支持度为各所述差别集中包含该差别集的差别集数量与差别集总数之比。

11.如权利要求10所述的推荐信息的生成方法，其特征在于，所述支持度阈值自1至0递减，直至存在差别集中第二商品对象的数量符合预定推荐数量的、支持度大于等于支持度阈值的差别集。

12.如权利要求9所述的推荐信息的生成方法，其特征在于，所述根据所构建的频繁项集向待推荐用户推荐第二商品对象包括：

13.如权利要求1至12任一项所述的推荐信息的生成方法，其特征在于，所述第一商品对象为多级商品品类中的一级，所述商品品类的级数越高，所述商品品类分类粒度越小，所述第二商品对象为级数小于等于第一商品对象的商品品类。

14.一种推荐信息的生成装置，其特征在于，包括：

关系图构建模块，用于基于待推荐用户对第一商品对象的操作数据构建多个用户与第一商品对象的一关系图；

相似用户群生成模块，用于基于所述关系图生成待推荐用户的相似用户群，所述相似用户群中各用户与所述待推荐用户相似；

15.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至13任一项所述的步骤。

16.一种存储介质，其特征在于，所述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13任一项所述的步骤。