CN111859020A - 推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本公开是关于一种推荐方法、装置、电子设备及计算机可读存储介质，所述推荐方法包括：获取与目标用户对应的候选作品集的信息，根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。上述方法根据目标用户的社交行为数据，确定目标用户与不同候选作者之间的关联程度，根据关联程度可以精确定位到目标用户潜在感兴趣的目标作者，进而再给目标用户推荐其感兴趣的目标作者的作品，提高了推荐的准确度，使得用户观看时长增加、推荐成功率提升。

Description

推荐方法、装置、电子设备及计算机可读存储介质

技术领域

本公开涉及信息处理领域，尤其涉及一种推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

随着移动互联网的迅猛发展，用户已不再仅仅局限使用文字和图片分享自己的生活，越来越多的用户使用视频进行分享，随之带来网站平台上的视频数量飞速增长，在这种背景下，为用户推荐用户喜欢的视频便显得尤为重要。

在视频推荐领域，目前主要应用的是基于用户协同过滤推荐视频的方案。该方案主要是根据用户的历史行为，寻找和当前用户行为相似的用户群，将相似的用户群观看的视频给当前用户进行推荐。然而，这种视频推荐方案向用户推荐的内容与用户的匹配度低，推荐的准确度和成功率不高。

发明内容

为克服相关技术中存在的问题，本公开提供一种推荐方法、装置、电子设备及计算机可读存储介质。

根据本公开实施例的第一方面，提供一种推荐方法，包括：

获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

可选地，所述根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，包括：

获取预先确定的目标社交行为，其中，所述目标社交行为为所有社交行为中能够表征用户与作者之间关联程度的一个或多个社交行为；

从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据；

基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度。

可选地，在获取预先确定的目标社交行为之前，还包括：

从用户数据库中选取样本数据，其中，所述样本数据包括多个用户的历史社交行为数据和所述多个用户与各个候选作者之间的历史关联程度；

基于各社交行为的历史行为数据和各个用户之间的历史关联程度，计算各所述社交行为与所述历史关联程度的相关性；

将所述相关性高于第一设定阈值的社交行为确定为目标社交行为。

可选地，所述基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度包括：

获取所述目标用户对各个所述候选作者的作品的历史点击数据；

根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度。

可选地，在根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度之前，还包括：

基于所述目标社交行为数据中记录的各目标社交行为的发生比例确定各个所述目标社交行为的权重；

其中，若第一目标社交行为的发生比例高于第二目标社交行为的发生比例，则所述第一目标社交行为的权重低于所述第二目标社交行为的权重，所述目标社交行为的权重用于获取所述目标行为数据中一个或多个目标社交行为的加权参数。

可选地，所述根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品，包括：

从社交行为的目标社交行为中选取相关性高于第二设定阈值的社交行为，作为用于筛选作者的社交行为；其中，所述第二设定阈值大于所述第一设定阈值；

获取在设定时间段内所述目标用户针对所述候选作者的所述用于筛选作者的社交行为的次数；

将所述用于筛选作者的社交行为的次数超过次数阈值的候选作者确定为目标作者；

根据所述关联程度，向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

根据本公开实施例的第二方面，提供一种推荐装置，包括：

信息获取模块，被配置为获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；关联程度确定模块，被配置为根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；推荐模块，被配置为根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

可选地，所述关联程度确定模块，包括：

目标社交行为获取子模块，被配置为获取预先确定的目标社交行为，其中，所述目标社交行为为所有社交行为中能够表征用户与作者之间关联程度的一个或多个社交行为；

数据提取子模块，被配置为从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据；

关联程度确定子模块，被配置为基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度。

可选地，所述装置还包括：

样本数据选取模块，被配置为从用户数据库中选取样本数据，其中，所述样本数据包括多个用户的历史社交行为数据和所述多个用户与各个候选作者之间的历史关联程度；

相关性计算模块，被配置为基于各社交行为的历史行为数据和各个用户之间的历史关联程度，计算各所述社交行为与所述历史关联程度的相关性；

目标社交行为确定模块，被配置为将所述相关性高于第一设定阈值的社交行为确定为目标社交行为。

可选地，所述关联程度确定子模块包括：

历史点击数据获取单元，被配置为获取所述目标用户对各个所述候选作者的作品的历史点击数据；

关联程度确定单元，被配置为根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度。

可选地，所述关联程度确定子模块还包括：

权重确定单元，被配置为基于所述目标社交行为数据中记录的各目标社交行为的发生比例确定各个所述目标社交行为的权重；

其中，若第一目标社交行为的发生比例高于第二目标社交行为的发生比例，则所述第一目标社交行为的权重低于所述第二目标社交行为的权重，所述目标社交行为的权重用于获取所述目标行为数据中一个或多个目标社交行为的加权参数。

可选地，所述推荐模块包括：

社交行为选取子模块，被配置为从社交行为的目标社交行为中选取相关性高于第二设定阈值的社交行为，作为用于筛选作者的社交行为；其中，所述第二设定阈值大于所述第一设定阈值；

次数获取子模块，被配置为获取在设定时间段内所述目标用户针对所述候选作者的所述用于筛选作者的社交行为的次数；

目标作者确定子模块，被配置为将所述用于筛选作者的社交行为的次数超过次数阈值的候选作者确定为目标作者；

推荐子模块，被配置为根据所述关联程度，向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行如第一方面所述的推荐方法。

根据本公开实施例的第四方面，提供一种应用程序/计算机程序产品，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行如第一方面所述的推荐方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本发明实施例中，通过获取与目标用户对应的候选作品集的信息，然后根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，最终根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。上述方法根据目标用户与候选作者之间的社交行为数据，确定目标用户与不同候选作者之间的关联程度，根据所述关联程度可以精确定位到目标用户潜在感兴趣的作者，进而再给目标用户推荐其感兴趣的作者的作品，提高了推荐的准确度，使得推荐成功率提升。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种推荐方法的流程图；

图2是根据一示例性实施例示出的另一种推荐方法的流程图；

图3是根据一示例性实施例示出的一种推荐装置的框图；

图4是根据一示例性实施例示出的另一种推荐装置的框图；

图5是根据一示例性实施例示出的一种电子设备的框图(移动终端的一般结构)。

图6是根据一示例性实施例示出的一种电子设备的框图(服务器的一般结构)。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种推荐方法的流程图，如图1所示，该推荐方法用于终端中，包括以下步骤。

在步骤S101中，获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者。

在本发明实施例中，首先选取网站平台意欲为其推荐内容或作品的用户，作为目标用户。其中，推荐的内容或作品可以是视频、文本、图片等内容类型，本发明实施例不做具体限定。在确定了目标用户后，根据目标用户的历史行为获取目标用户可能感兴趣的候选作品集，并将候选作品集中每个候选作品的作者作为候选作者。例如，本发明实施例可以选取目标用户在网站平台上已设置关注标签的作者的作品作为候选作品集，并将上述已设置关注标签的作者作为候选作者；进一步地，为了降低运算的冗余度，可以从目标用户已关注的作者中，选取用户与其互动率较高的、用户评分较高的、或者近期该用户点击率较高的作者作为候选作者。

但同时需要注意的是，候选作者的数量若过少，不利于挖掘到目标用户真正感兴趣的作者，而候选作者的数量若过多，则会增加计算量，所以，可以根据需求合理确定候选作者的选取数量。

在步骤S102中，根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为。

在本发明实施例中，目标用户的社交行为数据，用于记录目标用户与所述候选作者之间的社交行为，具体地可以是目标用户在候选作者的作品留言区，或目标用户在候选作者的主页或相关论坛、群组中，针对该候选作者的所有点击、观看、评论、点赞、送礼、分享等行为。

在每个用户针对候选作者的社交行为数据中，根据所述社交行为的种类、数量，可以确定目标用户与候选作者之间的关联程度。

在步骤S103中，根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

在本发明实施例中，在确定了目标用户与每个候选作者之间的关联程度后，可以根据所述关联程度对候选作者进行排序，从中筛选出关联程度较高的目标作者，进而从候选作品集中选出目标作者的作品，推荐给目标用户。

其中，向目标用户推荐作品的方式可以选择向用户发送通知消息或发送邮件等方式，本发明实施例对此不做具体限定。

综上所述，在本发明实施例中，获取与目标用户对应的候选作品集的信息，根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。上述方法根据目标用户的社交行为数据，确定目标用户与不同候选作者之间的关联程度，根据关联程度可以精确定位到目标用户潜在感兴趣的目标作者，进而再给目标用户推荐其感兴趣的目标作者的作品，提高了推荐的准确度，使得用户观看时长增加、推荐成功率提升。

图2是根据一示例性实施例示出的另一种推荐方法的流程图，如图2所示，该推荐方法用于终端中，包括以下步骤。

在步骤S201中，获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者。

在本发明实施例中，首先选取网站平台意欲为其推荐内容或作品的用户，作为目标用户。其中，推荐的内容或作品可以是视频、文本、图片等内容类型，本发明实施例不做具体限定。在确定了目标用户后，根据目标用户的历史行为获取目标用户可能感兴趣的候选作品集，并将候选作品集中每个候选作品的作者作为候选作者。例如，本发明实施例可以选取目标用户在网站平台上已设置关注标签的作者的作品作为候选作品集，并将上述已设置关注标签的作者作为候选作者；进一步地，为了降低运算的冗余度，可以从目标用户已关注的作者中，选取用户与其互动率较高的、用户评分较高的、或者近期该用户点击率较高的作者作为候选作者。

在步骤S202中，从用户数据库中选取样本数据。

在本发明实施例中，获取设定时间段内的用户数据库，该用户数据库中包括样本数据，所述样本数据记录了多个用户的历史社交行为数据，该社交行为数据包括社交行为的种类和数量等数据。具体地，上述社交行为可以是用户在该作者的作品留言区，或用户在该作者的主页或相关论坛、群组中，针对该候选作者的所有点击、观看、评论、点赞、送礼、分享等行为。可以将上述社交行为分为点击、观看、评论、点赞、送礼、分享等类别，并统计每个用户执行每种社交行为的次数。

同时，样本数据中还包括多个用户与各个候选作者之间的历史关联程度，具体地，该历史关联程度可以是每个用户认为的自己与候选作者之间的亲密程度，可以体现为用户对该候选作者的评价指数，例如，用户对候选作者进行的评分和评级等。该评价指数可以通过网站平台预先在用户中发起的用户调研活动来获得。

在步骤S203中，基于各社交行为的历史行为数据和各个用户与候选作者之间的历史关联程度，计算各所述社交行为与所述历史关联程度的相关性。

在本发明实施例中，用户历史的行为数据可以反映用户与候选作者之间的历史关联程度，根据历史社交行为的种类和数量，可以得到不同社交行为与所述历史关联程度的不同相关性。

具体地，可以根据用户的历史行为数据中的行为种类和数量，以及用户对该候选作者的评价指数，计算出不同的社交行为与评价指数的相关性。

可选地，针对每种社交行为，根据所述社交行为的数量和所述历史关联程度，计算所述社交行为的数量与所述历史关联程度的皮尔逊相关系数。

皮尔逊(pearson)相关系数可以计算两个变量之间的相关性，其计算公式为：

其中cov表示协方差，σX,σY分别表示X和Y的标准差。系数的取值总是在-1.0到1.0之间，接近0的变量被成为无相关性，接近1或者-1被称为具有强相关性，其中接近1为正强相关，接近-1为负强相关。

在本发明实施例中，两个连续变量(X,Y)中X为：针对一种社交行为，每个用户针对某位候选作者的该社交行为的操作次数，Y为：每个用户对于该候选作者的历史关联程度；社交行为的操作次数和历史关联程度的皮尔逊相关性系数P_xy等于它们之间的协方差cov(x,y)除以它们各自标准差的乘积σ_xσ_y。

利用皮尔逊相关系数公式可以计算出每一种社交行为与历史关联程度之间的相关性，从而可以衡量不同社交行为对于历史关联程度的影响程度。

在步骤S204中，将所述相关性高于第一设定阈值的社交行为确定为目标社交行为。

在本发明实施例中，第一设定阈值可以根据需要选取的目标社交行为的数量进行预设，例如可以设置为0.8，即选取相关性的取值在0.8-1.0之间的社交行为，作为目标社交行为。第一设定阈值设置的越高，得到的目标社交行为的种类越少。

例如，相关性的取值在0.8-1.0之间的社交行为可以是：观看、评论、点赞、送礼、分享五种社交行为。

在步骤S205中，获取预先确定的目标社交行为。

在本发明实施例中，从目标用户的社交行为数据中，获取步骤204中确定的目标社交行为，该目标社交行为可以是一个或多个社交行为。因为步骤204中将相关性高于第一设定阈值的社交行为确定为目标社交行为，所以本步骤中从目标用户的社交行为中选取的目标社交行为能够表征用户与作者之间关联程度。

在步骤S206中，从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据。

在本发明实施例中，目标用户的社交行为数据包括了目标用户的所有社交行为数据，根据确定的目标社交行为的种类，从中提取出与目标社交行为对应的目标社交行为数据。该目标社交行为数据可以使目标用户执行每一种目标社交行为的时间、次数等信息。

在步骤S207中，获取所述目标用户对各个所述候选作者的作品的历史点击数据。

在本发明实施例中，获取在设定时间段内(此处应与步骤S202中的设定时间段的时间节点相同)，目标用户针对每一个候选作者的历史点击数据，该历史点击数据可以包括点击次数。

在步骤S208中，基于所述目标社交行为数据中记录的各目标社交行为的发生比例确定各个所述目标社交行为的权重。

在本发明实施例中，目标社交行为的发生比例可以是：在一个设定时间段内，目标网站内用户的每一种目标社交行为的发生次数占所有目标社交行为的发生次数的比例。该比例也就是每一种目标社交行为发生的稀疏度。例如，对于送礼这种目标社交行为，其发生比例一般小于点赞这种目标社交行为。目标社交行为的发生比例，侧面体现了每一种目标社交行为对用户与作者之间关联程度的影响的高低。进一步的，根据目标社交行为的发生比例，可以设置目标社交行为对用户与作者之间关联程度的影响权重。例如，若第一目标社交行为的发生比例高于第二目标社交行为的发生比例，则所述第一目标社交行为的权重低于所述第二目标社交行为的权重。而所述目标社交行为的权重用于获取所述目标行为数据中一个或多个目标社交行为的加权参数。

例如，通过随机采样的方式确定社交行为发生的次数。例如，在一段时间的抽样调查中，50％的用户发生了观看行为，25％的用户发生了评论行为，10％的用户发生了点赞行为，5％的用户发生了送礼行为，1％的用户发生了分享行为。由此调查结果可以设置各社交行为的权重，例如，设置观看，评论，点赞，送礼，分享的权重分别为1/50，1/25，1/10，1/5，1/1即1，2，5，10，50。

此外，也可以根据步骤S203中得到的每一种社交行为的皮尔逊相关性系数，为每一种目标社交行为设置相应的权重。皮尔逊相关性系数越大，则该目标社交行为的权重越高。例如，对于观看、评论、点赞、送礼、分享这几种社交行为，计算得到的操作次数与用户评分的皮尔逊相关性系数依次递增，那么，观看、评论、点赞、送礼、分享这几种社交行为对应的权重也依次递增。

在步骤S209中，根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度。

在本发明实施例中，在获取到历史点击数据与每种目标社交行为的加权参数后，可以据此计算目标用户与各个候选作者之间的关联程度。

可选地，所述根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度的计算公式，可以是如下公式：

其中，score表示目标用户与所述某个候选作者之间的关联程度；click_rate表示目标用户对于候选作者作品的点击率，其为目标用户一段时间内对于候选作者作品的点击次数除以候选作者在网站上的曝光数；i表示某一种目标社交行为的序号，在上式中，目标社交行为共有n种；p_i表示序号为i的目标社交行为的加权参数，q_i表示序号为i的目标社交行为的历史点击数据。其中，历史点击数据表示目标社交行为的执行参数和所述点击次数的商。其中，所述执行参数表示执行某种目标社交行为的次数或持续时长。

根据上述公式(2)计算目标用户与候选作者之间的关联程度，该方法根据目标社交行为的预设加权参数、每种目标社交行为的历史点击数据，来确定每一个候选作者的候选得分，预设加权参数考虑到了不同的目标社交行为对于关联程度的影响效果，而每种目标社交行为的历史点击数据反映了目标用户历史上对于候选作者作品的兴趣度和好感度，从而使得关联程度的计算结果更为客观、准确。

具体地，根据公式(2)，在目标社交行为是点击、观看、评论、点赞、送礼、分享行为，且点击、观看、评论、点赞、送礼、分享行为的加权参数分别是1、2、5、10、50的情况下，目标用户与所述候选作者之间的关联程度的计算公式可以如下：

score＝click_rate*(1*avg_watch_duration+2*avg_comment+5*avg_like+10*avg_gift+50*avg_forward) (3)

其中，score表示对于目标用户与某个候选作者之间的关联程度；click_rate表示目标用户点击候选作者的点击率，其为点击数/曝光数；avg_watch_duration为目标用户对该候选作者作品的平均观看时长，其为观看总时长/点击数；avg_comment为目标用户对该候选作者评论平均次数，其为评论总次数/点击数；avg_like为目标用户对该候选作者的平均点赞数，其为点赞总数/点击数；avg_gift为目标用户对该候选作者的平均送礼数，其为送礼总数/点击数。avg_forward为目标用户对该候选作者的平均分享数，其为分享总数/点击数；分别位于avg_watch_duration、avg_comment、avg_like、avg_gift、avg_forward前面，并与其相乘的数字1、2、5、10、50，表示该种目标社交行为的加权参数。

可选地，所述根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度，可以包括如下步骤S2091-S2096。

在步骤S2091中，针对每种目标社交行为，获取所述目标用户在设定时间段内对所述目标社交行为的执行参数，所述执行参数包括执行次数或持续时长。

对于目标用户，获取该目标用户在设定时间段内(例如最近一个月内)执行每种目标社交行为(例如：观看、评论、点赞、送礼、分享行为)的次数或持续时长。例如，对于观看行为，获取观看行为的持续时长，对于评论、点赞、送礼、分享行为，获取每一种行为的执行次数。

在步骤S2092中，获取所述目标用户在所述设定时间段内针对所述候选作者的点击次数、所述候选作者的展示次数。

同样，获取在设定时间段内(此处应与步骤S2091中的设定时间段的时间节点相同)，每一个候选作者被网站平台的曝光或展示次数，以及目标用户针对每一个候选作者的点击次数。

在步骤S2093中，根据所述点击次数、展示次数，确定所述目标用户针对所述候选作者的点击率。

点击率即用户点击候选作者的概率，其为步骤2092中的点击次数与展示次数的商。

在步骤S2094中，根据所述目标社交行为的执行参数和所述点击次数，确定所述目标社交行为的归一化执行参数。

基于步骤2091中获取到的目标用户在设定时间段内执行每种目标社交行为(例如：观看、评论、点赞、送礼、分享行为)的次数或持续时长，以及步骤2092中得到的点击次数，确定每一种社交行为的归一化执行参数。例如，对于观看行为，其归一化执行参数为观看时长与点击次数的商；对于评论、点赞、送礼、分享行为，其归一化执行参数为目标用户对该社交行为的执行次数与点击次数的商。

在步骤S2095中，基于所述目标社交行为的平均次数与所述目标社交行为的预设加权参数，确定所述候选作者的中间得分。

在确定各目标社交行为的加权参数后，对于每个候选作者，将每个目标社交行为的平均次数与该目标社交行为的权重进行相乘，再将各个目标社交行为得到的上述乘积进行相加，得到作为所述候选作者的中间得分。

在步骤S2096中，计算所述候选作者的点击率与所述中间得分的乘积，得到所述候选作者的候选得分。

将上述中间得分，与步骤S2093中计算得到的点击率相乘，即得到候选作者的候选得分。

通过上述步骤S2091-S2096可以计算得出目标用户与候选作者之间的关联程度，该方法为目标社交行为赋予预设加权参数，具体基于执行参数、点击次数、展示次数，来确定每一个候选作者的候选得分，综合了多方面影响因素，使计算结果更为客观、准确。

在步骤S210中，从社交行为的目标社交行为中选取所述相关性高于第二设定阈值的社交行为，作为用于筛选作者的社交行为。

在确定用户与不同的候选作者的关联程度后，可以根据关联程度的高低将候选作者进行排序，选取位于前列的候选作者的作品推荐给目标用户。

然而，位于前列的候选作者虽然关联程度比较高，但是可能存在某些候选作者，用户是停留在浅层次的、与用户好感度相关性比较低的社交行为中，那么关联程度的高低也并不完全能代表用户对该候选作者的好感度。例如，A候选作者的作品(例如视频)本身时长较长，那么目标用户观看的时长也就较长，而B候选作者的作品因为时长较短，那么目标用户观看的时长就较短，然而事实上，目标用户可能更喜欢B候选作者的作品，那么，基于观看时长来计算用户对于候选作者的关联程度就会产生偏差。又如，目标用户对于C候选作者的评论行为发生较多，但可能评论中多是对于C候选作者的抨击和质疑等，而对于D候选作者的评论行为虽然发生较少，但是评论中都是对于D候选作者的支持和赞美，那么，基于评论行为次数来计算用户对于候选作者的关联程度也就会存在偏差。而点赞、送礼、分享等操作次数与用户历史关联程度相关性比较高的社交行为，对于计算用户对于候选作者的关联程度则基本不会存在上述偏差。

综合上述分析，我们需要选取操作次数与用户历史关联程度相关性比较高的目标社交行为作为用于筛选作者的社交行为，为了叙述清楚，下文中将用于筛选作者的社交行为称为高相关行为。在候选作者中选取获得高相关社交行为较多的作者作为优选候选作者，进而再在关联程度的基础上，选取那些关联程度较高的优选候选作者作为目标作者，向目标用户推荐这些目标作者的作品。

具体地，我们选取操作次数与历史关联程度的相关性高于第二设定阈值的目标社交行为作为高相关社交行为。例如，将第二设定阈值设置为0.9，其高于选取目标社交行为时的第一设定阈值0.8。即选取相关系数在0.9-1.0之间的社交行为作为高相关社交行为。例如，经过选择，送礼、分享这两种社交行为被作为高相关社交行为。

在步骤S211中，获取在设定时间段内所述目标用户针对所述候选作者的所述用于筛选作者的社交行为的次数。

对于每一个候选作者，获取目标用户针对所述候选作者的高相关社交行为的次数，例如可以获取送礼、分享这两种高相关社交行为的次数。

在步骤S212中，将所述用于筛选作者的社交行为的次数超过次数阈值的候选作者确定为目标作者。

根据每一个候选作者得到的高相关社交行为的次数，可以选取次数在前列的候选作者作为目标作者。

可选地，将所述关联程度大于预定关联程度的作者确定为目标作者，或，将所述关联程度排名在前N(N≥1)个的作者确定为目标作者。

在本发明实施例中，还可以根据目标用户与各个所述候选作者之间的关联程度确定目标作者。具体地，可以预先设置预定关联程度，若某候选作者与目标用户的关联程度大于该预定关联程度，则说明相比于其他候选作者，目标用户与该候选作者之间关系更亲密，目标用户对该候选作者更有好感，故可以将该候选作者作为目标作者；或者，可以按照目标用户与各个候选作者之间的关联程度对候选作者进行排序，排序在前列的候选作者与目标用户的关系更亲密，用户对该候选作者更有好感，故也可以选取排名在前N(N≥1)个的作者作为目标作者。

通过该种确定目标作者的方式，可以选取到与目标用户关系更亲密，目标用户对该候选作者更有好感的作者，为目标用户推荐该目标作者的作品，可以进一步提高推荐的准确度、提升推荐的成功率。

在步骤S213中，根据所述关联程度，向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

根据步骤S209中获得的关联程度，每一个头端候选作者对应一个关联程度，选择关联程度较高的优选候选作者作为目标作者，进而从候选作品集中选取目标作者的作品推荐给目标用户。以视频作品为例，实验证明，采用本发明实施例中的推荐方法可以提升22％的视频观看时长。

综上所述，本发明实施例提供的推荐方法，除具有实施例一中所示的推荐方法所具有的有益效果外，还根据各社交行为与历史关联程度的相关性，从社交行为中筛选中目标社交行为，并根据各目标社交行为的发生比例确定各个所述目标社交行为的加权参数，从而根据目标社交行为的加权参数以及目标用户对于候选作者的历史点击数据，确定出目标作者与不同候选作者之间的关联程度，该方法考虑了不同社交行为对于关联程度的影响效果，而每种目标社交行为的历史点击数据反映了目标用户历史上对于候选作者作品的兴趣度和好感度，从而使得关联程度的计算结果更为客观、准确，从而进一步提高了推荐的准确度。

图3是根据一示例性实施例示出的一种推荐装置的框图。参照图3，该推荐装置300包括信息获取模块301，关联程度确定模块302和推荐模块303。

该信息获取模块301，被配置为获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

关联程度确定模块302，被配置为根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

推荐模块303，被配置为根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的另一种推荐装置的框图。参照图4，该装置400包括信息获取模块401，关联程度确定模块402，推荐模块403，样本数据选取模块404，相关性计算模块405，目标社交行为确定模块406。

该信息获取模块401，被配置为获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

关联程度确定模块402，被配置为根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

推荐模块403，被配置为根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

样本数据选取模块404被配置为从用户数据库中选取样本数据，其中，所述样本数据包括多个用户的历史社交行为数据和所述多个用户与各个候选作者之间的历史关联程度。

相关性计算模块405，被配置为基于各社交行为的历史行为数据和各个用户之间的历史关联程度，计算各所述社交行为与所述历史关联程度的相关性；

目标社交行为确定模块406，被配置为将所述相关性高于第一设定阈值的社交行为确定为目标社交行为。

其中，所述关联程度确定模块402，包括：

目标社交行为获取子模块4021，被配置为获取预先确定的目标社交行为，其中，所述目标社交行为为所有社交行为中能够表征用户与作者之间关联程度的一个或多个社交行为；

数据提取子模块4022，被配置为从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据；

关联程度确定子模块4023，被配置为基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度。

所述关联程度确定子模块4023包括：

历史点击数据获取单元，被配置为获取所述目标用户对各个所述候选作者的作品的历史点击数据；

关联程度确定单元，被配置为根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度。

所述关联程度确定子模块4023还包括：

权重确定单元，被配置为基于所述目标社交行为数据中记录的各目标社交行为的发生比例确定各个所述目标社交行为的权重；

其中，若第一目标社交行为的发生比例高于第二目标社交行为的发生比例，则所述第一目标社交行为的权重低于所述第二目标社交行为的权重，所述目标社交行为的权重用于获取所述目标行为数据中一个或多个目标社交行为的加权参数。

所述推荐模块403包括：

社交行为选取子模块4031，被配置为从所述目标社交行为中选取所述相关性高于第二设定阈值的社交行为，作为用于筛选作者的社交行为；其中，所述第二设定阈值大于所述第一设定阈值；

次数获取子模块4032，被配置为获取在设定时间段内所述目标用户针对所述候选作者的所述用于筛选作者的社交行为的次数；

目标作者确定子模块4033，被配置为将所述用于筛选作者的社交行为的次数超过次数阈值的候选作者确定为目标作者；

推荐子模块4034，被配置为根据所述关联程度，向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种用于推荐的电子设备500的框图。例如，电子设备500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，电子设备500可以包括以下一个或多个组件：处理组件502，存储器504，电力组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制电子设备500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在电子设备500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为电子设备500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为电子设备500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述电子设备500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当电子设备500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为电子设备500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为电子设备500的显示器和小键盘，传感器组件514还可以检测电子设备500或电子设备500一个组件的位置改变，用户与电子设备500接触的存在或不存在，电子设备500方位或加速/减速和电子设备500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于电子设备500和其他设备之间有线或无线方式的通信。电子设备500可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由电子设备500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图6是根据一示例性实施例示出的一种用于推荐的电子设备600的框图。例如，电子设备600可以被提供为一服务器。参照图6，电子设备600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件622被配置为执行指令，以执行上述推荐方法。

电子设备600还可以包括一个电源组件626被配置为执行电子设备600的电源管理，一个有线或无线网络接口650被配置为将电子设备600连接到网络，和一个输入输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

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公开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下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种推荐方法，其特征在于，包括：

获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，包括：

获取预先确定的目标社交行为，其中，所述目标社交行为为所有社交行为中能够表征用户与作者之间关联程度的一个或多个社交行为；

从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据；

基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度。

3.根据权利要求2所述的方法，其特征在于，在获取预先确定的目标社交行为之前，还包括：

从用户数据库中选取样本数据，其中，所述样本数据包括多个用户的历史社交行为数据和所述多个用户与各个候选作者之间的历史关联程度；

基于各社交行为的历史行为数据和各个用户之间的历史关联程度，计算各所述社交行为与所述历史关联程度的相关性；

将所述相关性高于第一设定阈值的社交行为确定为目标社交行为。

4.根据权利要求2所述的方法，其特征在于，所述基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度包括：

获取所述目标用户对各个所述候选作者的作品的历史点击数据；

根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度。

5.根据权利要求4所述的方法，其特征在于，在根据所述历史点击数据和所述目标社交行为数据中一个或多个目标社交行为的加权参数，计算所述目标用户与各个所述候选作者之间的关联程度之前，还包括：

基于所述目标社交行为数据中记录的各目标社交行为的发生比例确定各个所述目标社交行为的权重；

其中，若第一目标社交行为的发生比例高于第二目标社交行为的发生比例，则所述第一目标社交行为的权重低于所述第二目标社交行为的权重，所述目标社交行为的权重用于获取所述目标行为数据中一个或多个目标社交行为的加权参数。

6.根据权利要求1或3所述的方法，其特征在于，所述根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品，包括：

从社交行为的目标社交行为中选取相关性高于第二设定阈值的社交行为，作为用于筛选作者的社交行为；其中，所述第二设定阈值大于所述第一设定阈值；

获取在设定时间段内所述目标用户针对所述候选作者的所述用于筛选作者的社交行为的次数；

将所述用于筛选作者的社交行为的次数超过次数阈值的候选作者确定为目标作者；

根据所述关联程度，向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

7.一种推荐装置，其特征在于，包括：

信息获取模块，被配置为获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

关联程度确定模块，被配置为根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

推荐模块，被配置为根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

8.根据权利要求7所述的装置，其特征在于，所述关联程度确定模块，包括：

目标社交行为获取子模块，被配置为获取预先确定的目标社交行为，其中，所述目标社交行为为所有社交行为中能够表征用户与作者之间关联程度的一个或多个社交行为；

数据提取子模块，被配置为从所述目标用户的社交行为数据中，提取与所述目标社交行为对应的目标社交行为数据；

关联程度确定子模块，被配置为基于所述目标社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度。

9.一种电子设备，其特征在于，包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种推荐方法，所述方法包括：

获取与目标用户对应的候选作品集的信息，其中，所述候选作品集的信息中至少记录有所述候选作品集中每个候选作品的候选作者；

根据所述目标用户的社交行为数据，确定所述目标用户与各个所述候选作者之间的关联程度，其中，所述社交行为数据用于记录所述目标用户与所述候选作者之间的社交行为；

根据所述关联程度从所述候选作者中筛选出目标作者，并向所述目标用户推荐所述候选作品集中属于所述目标作者的作品。

Images