CN113254757A - 数据推荐方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例提供一种数据推荐方法、装置、设备和存储介质，该方法包括：获取与用户对应的第一数据集合；根据用户对应的群体特征，滤除第一数据集合中不符合群体特征的数据，以得到第二数据集合；将第二数据集合推荐给用户。当需要为某个用户进行诸如歌曲、视频等数据推荐时，结合该用户所对应的用户群体特征，使得为该用户推荐的数据集合是满足该群体特征的数据，可以增强这些数据是被该用户所偏好的可能性，从而增强用户粘性。

Description

数据推荐方法、装置、设备和存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种数据推荐方法、装置、设备和存储介质。

背景技术

随着人工智能技术以及互联网技术的不断发展，越来越多的智能设备已经被广泛地应用于人们的生活、工作中。而且，人们与智能设备的交互方式也发生了改变，从传统的按键、触控方式，发展为语音交互等方式。

以智能音箱为例，当用户使用智能音箱听歌曲时，可能并不会给出明确的想要听某首歌曲的意图，而仅仅是给出想听歌曲的意图。此时，智能音箱会根据设定的策略为用户推荐歌曲以播放给用户听。如果智能音箱推荐的歌曲并不被用户所喜欢，那么则会让该用户具有不佳的使用体验。因此，需要为用户进行针对性的诸如歌曲等数据推荐，以增强用户粘性。

发明内容

本发明实施例提供一种数据推荐方法、装置、设备和存储介质，以实现为用户推荐更匹配的数据。

第一方面，本发明实施例提供一种数据推荐方法，该方法包括：

获取与用户对应的第一数据集合；

根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，以得到第二数据集合；

将所述第二数据集合推荐给所述用户。

第二方面，本发明实施例提供一种数据推荐装置，该装置包括：

获取模块，用于获取与用户对应的第一数据集合；

过滤模块，用于根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，以得到第二数据集合；

输出模块，用于将所述第二数据集合推荐给所述用户。

第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现如第一方面所述的数据推荐方法。

第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第一方面所述的数据推荐方法。

第五方面，本发明实施例提供另一种数据推荐方法，该方法包括：

确定用户的群体特征；

获取与所述群体特征匹配的数据集合；

将所述数据集合推荐给所述用户。

第六方面，本发明实施例提供另一种数据推荐装置，该装置包括：

确定模块，用于确定用户的群体特征；

获取模块，用于获取与所述群体特征匹配的数据集合；

输出模块，用于将所述第二数据集合推荐给所述用户。

第七方面，本发明实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现如第五方面所述的数据推荐方法。

第八方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第五方面所述的数据推荐方法。

第九方面，本发明实施例提供一种数据推荐方法，该方法包括：

将多种群体特征各自对应的数据推荐给用户；

根据所述用户对所述多种群体特征各自对应的数据的反馈行为，对所述数据进行过滤；

将过滤后的数据推荐给所述用户。

第十方面，本发明实施例提供一种数据推荐装置，该装置包括：

第一推荐模块，用于将多种群体特征各自对应的数据推荐给用户；

过滤模块，用于根据所述用户对所述多种群体特征各自对应的数据的反馈行为，对所述数据进行过滤；

第二推荐模块，用于将过滤后的数据推荐给所述用户。

第十一方面，本发明实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现如第九方面所述的数据推荐方法。

第十二方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第九方面所述的数据推荐方法。

第十三方面，本发明实施例提供一种数据推荐方法，该方法包括：

第一推荐模块，用于将多种群体特征各自对应的第一数据推荐给用户；

确定模块，用于根据所述用户对所述多种群体特征各自对应的第一数据的反馈行为，确定所述多种群体特征中与所述用户匹配的至少一种群体特征；

第二推荐模块，用于向所述用户推荐与所述至少一种群体特征对应的第二数据。

第十四方面，本发明实施例提供一种数据推荐装置，该装置包括：

将多种群体特征各自对应的第一数据推荐给用户；

根据所述用户对所述多种群体特征各自对应的第一数据的反馈行为，确定所述多种群体特征中与所述用户匹配的至少一种群体特征；

向所述用户推荐与所述至少一种群体特征对应的第二数据。

第十五方面，本发明实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现如第十三方面所述的数据推荐方法。

第十六方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第十三方面所述的数据推荐方法。

在本发明实施例提供的数据推荐方案中，当需要为某个用户进行诸如歌曲、视频等数据推荐时，结合该用户所对应的用户群体特征，使得为该用户推荐的数据集合是满足该群体特征的数据，可以增强这些数据是被该用户所偏好的可能性，从而增强用户粘性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，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为本发明实施例提供的一种数据推荐方法的流程图；

图2为本发明实施例提供的一种数据推荐操作触发方式的示意图；

图3为本发明实施例提供的一种反馈行为触发方式的示意图；

图4为本发明实施例提供的一种根据用户群体特征进行数据过滤的流程示意图；

图5为本发明实施例提供的另一种数据推荐方法的流程图；

图6为本发明实施例提供的一种数据推荐场景的示意图；

图7为本发明实施例提供的另一种数据推荐场景的示意图；

图8为本发明实施例提供的另一种数据推荐方法的流程图；

图9为本发明实施例提供的另一种数据推荐方法的流程图；

图10为本发明实施例提供的另一种数据推荐方法的流程图；

图11为本发明实施例提供的一种数据推荐装置的结构示意图；

图12为与图11所示实施例提供的数据推荐装置对应的电子设备的结构示意图；

图13为本发明实施例提供的另一种数据推荐装置的结构示意图；

图14为与图13所示实施例提供的数据推荐装置对应的电子设备的结构示意图；

图15为本发明实施例提供的另一种数据推荐装置的结构示意图；

图16为与图15所示实施例提供的数据推荐装置对应的电子设备的结构示意图；

图17为本发明实施例提供的另一种数据推荐装置的结构示意图；

图18为与图17所示实施例提供的数据推荐装置对应的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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作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。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

本发明实施例提供的数据推荐方法可以由一电子设备来执行，该电子设备可以是诸如PC机、笔记本电脑、智能手机、智能音箱等终端设备，也可以是服务器。该服务器可以是包含一独立主机的物理服务器，或者也可以为虚拟服务器，或者也可以为云服务器。

本发明实施例提供的数据推荐方法可以应用于不同的数据推荐场景，比如需要为用户推荐的数据包括：歌曲、视频和文章等类型的数据。

本发明实施例提供的数据推荐方法可以适用于用户并未明确表明所需的数据特征的情形。以数据为歌曲为例，假设用户当前想使用智能音箱来听歌，用户对智能音箱仅触发诸如“我想听歌”的语音指令，在该语音指令中并未明确指出想要听什么样的歌曲。再比如，用户使用某音乐APP听歌，假设APP的首页界面中包括“随便听听”这个功能项，用户点击该功能项以触发并未明确指出想要听什么样的歌曲的播放请求。

虽然用户并未明确提出自己具体需要什么样的数据，但是，通过本发明实施例提供的方法为用户推荐数据，可以结合该用户所对应的用户群体特征，使得为该用户推荐的数据集合是满足该群体特征的数据，可以增强这些数据是被该用户所偏好的可能性，从而增强用户粘性。

下面结合以下一些实施例来说明本文提供的数据推荐方法的执行过程。

图1为本发明实施例提供的一种数据推荐方法的流程图，如图1所示，该方法包括如下步骤：

101、获取与用户对应的第一数据集合。

102、根据用户对应的群体特征，滤除第一数据集合中不符合群体特征的数据，以得到第二数据集合。

103、将第二数据集合推荐给用户。

先概述本实施例提供的数据推荐方案的核心思想：首先，当用户触发数据推荐操作时，可以先获取由该用户可能感兴趣的众多数据构成的第一数据集合；其次，在第一数据集合的基础上，结合该用户的群体特征，从中过滤掉与该用户的群体特征不符的数据，以得到第二数据集合；最终，将第二数据集合推荐给用户。

在实际应用中，用户可以通过某种触发方式，触发进行数据推荐的操作。例如，以歌曲推荐场景为例，如图2所示，用户可以对智能音箱说“XX精灵，播放音乐！”以触发歌曲推荐操作，在智能音箱接收到该语音指令之后，可以执行为用户推荐歌曲的过程。

具体来说，针对第一数据集合的获取过程来说，可以通过一种或多种获取方式来得到第一数据集合。当采用多种数据获取方式时，可以通过每种数据获取方式获取一定数量的数据，最终将通过所有数据获取方式获取的数据汇总，以得到第一数据集合。

可选地，上述多种数据获取方式包括如下两种获取方式：

第一获取方式：结合用户个体对已推荐过的历史数据的反馈行为来获得第一数据集合。

第二获取方式：当无法获得用户的反馈行为时，可以根据默认获取方式来获得第一数据集合。

其中，上述反馈行为反映了用户是否喜欢推荐给他的某数据。

实际上，无法获得用户的反馈行为可以包括两种实际情形：某用户是新注册的用户，当其首次触发数据推荐操作时，是无法获取到该用户的反馈行为的；当用户并非首次触发数据推荐操作，但是该用户并未对曾经推荐给他的历史数据触发过反馈行为，也是无法获取到该用户的反馈行为的。

在歌曲推荐场景中，上述默认获取方式比如可以是获取热门歌曲、新歌构成第一数据集合。

以歌曲推荐场景为例，比如用户收藏或下载了某首歌曲，则认为用户是喜欢这首歌曲的，比如用户将某首歌曲拉入黑名单或者在该首歌曲刚播放较短时间时用户就触发了切歌(播放下一首)操作，则认为用户是不喜欢这首歌曲的。

实际应用中，可以设定一个时间范围，比如过去的一个月、半个月，从而，在某用户当前触发了数据推荐操作后，可以查询该用户是否对在该时间范围内为其推荐的历史数据触发过某种反馈行为，基于查询结果来确定采用哪种获取方式来获取第一数据集合。举例来说，假设查询结果为空，即用户并未对上述时间范围为其推荐过的历史数据触发过反馈行为，此时，可以采用上述第二获取方式来获得第一数据集合。假设查询到用户对上述时间范围为其推荐过的某些历史数据触发过反馈行为，此时，可以采用上述第一获取方式来获得第一数据集合，或者同时采用第一获取方式和第二获取方式来获得第一数据集合。

可以理解的是，既然可以查询用户对历史数据的反馈行为，意味着当为用户推荐了一些数据后，可以记录用户标识、被推荐的数据以及用户对该被推荐的数据的反馈行为之间的对应关系。实际应用中，可以设定上述记录结果的生命周期，比如一个月、三个月，到达该生命周期后，可以删除该记录结果，以降低对存储资源的占用。另外，可选地，当想要为用户推荐的数据有多个时，这多个数据中可能仅有部分数据是用户真正使用的，而剩下的部分可能用户并未使用，因此，也可以在用户真正地使用了某个被推荐的数据时，才执行上述记录操作，而且，如果用户只是使用了被推荐数据，而并未对该被推荐数据触发反馈行为，则与该被推荐数据对应的反馈行为可以记为空。

针对不同的电子设备，用户触发反馈行为的方式可以不同。例如，以歌曲推荐场景为例，如果用户使用手机中安装的音乐APP听歌，在播放任一推荐的歌曲时，用户可以在音乐APP的显示界面中，通过预设的触控按键对当前播放的歌曲触发诸如收藏、点赞、重播、拉黑、切换到下一首歌曲等反馈行为。再例如，如果用户使用智能音箱听歌，在播放任一推荐的歌曲时，用户可以通过语音交互的方式，表示对当前播放的歌曲是否感兴趣。如图3所示，用户可以对智能音箱说“收藏这首歌曲”，则表示用户比较喜欢当前播放的歌曲。从而，智能音箱可以回应用户“好的，已将当前播放歌曲收藏到您的歌单”，同时还可以将当前播放歌曲添加到歌单中。可以记录该用户对该首歌曲触发了喜欢这个反馈行为。相反地，如果智能音箱收到用户说的“不喜欢这首歌曲”的语音，则智能音箱可以记录该用户对该首歌曲触发了不喜欢这个反馈行为。

综上，可选地，获取与用户对应的第一数据集合，可以实现为：根据用户对已推荐过的历史数据的反馈行为，获取用户偏好的历史数据；获取与用户偏好的历史数据之间符合相似度条件的数据，从而，第一数据集合中包括该符合相似度条件的数据。

可以理解的是，根据用户对已推荐过的历史数据的反馈行为，获取用户偏好的历史数据，是指可以将用户的反馈行为划分为两种：一种是正向反馈行为，表明用户喜欢某历史数据；一种是反向反馈行为，表明用户不喜欢某历史数据。从而，可以筛选出对应于正向反馈行为的历史数据作为上述用户偏好的历史数据。以歌曲推荐场景为例，正向反馈行为比如为收藏、下载、点赞等，反向反馈行为比如为拉黑、切歌等。在获取用户偏好的历史数据之后，可以确定用户偏好的每个历史数据的数据特征，进而，以该用户偏好的任一历史数据X_i为例，可以根据历史数据X_i的数据特征以及数据库中每个数据对应的数据特征，确定历史数据X_i和数据库中每个数据之间的相似度，在数据库中选择相似度高于预设阈值的全部或设定数量的数据作为符合相似度条件的数据。

数据特征可以为数据的一种或多种属性，例如，一首歌曲的演唱者、曲风、年代等，都可以作为该歌曲的特征。从而，基于数据特征确定两个数据的相似度，可以实现为：根据两个数据的至少一个数据特征的匹配程度，确定这两个数据间的相似度。举例来说，假设歌曲的数据特征为演唱者、曲风、年代，假设针对歌曲A和歌曲B，两首歌曲在这三种特征是都是一致的，则可以认为这两首歌曲的相似度为100％。

在实际应用中，由于第一数据集合中的数据中包括基于用户对已推荐过的历史数据的一些反馈行为进行相关性(相似性)数据的扩展而确定出的一些数据，但是，用户喜欢某个历史数据，并不能表示用户实际上对与该历史数据相似的其他数据也一样的喜爱。如果将这些基于相似度而得到的数据推荐给用户，可能会引起用户的不满。因此，需要提供一种方案进一步度量第一数据集合中的数据是否与当前的用户相匹配。而本发明实施例提供的方案即为从用户群体特征的角度，对第一数据集合中的数据进行进一步的过滤，以滤除第一数据集合中不符合该用户的群体特征的数据，以得到第二数据集合。

其中，可选地，用户的群体特征可以包括年龄、性别、所处地域等一种或多种维度。

实际应用中，可以预先设定多种群体特征，从而，针对当前的用户来说，可以根据该用户提供的个人信息(如注册信息)确定该用户对应的群体特征。

举例来说，假设定义一个群体特征的维度包括性别和年龄两个维度，则可以预先设定多个年龄段，比如70后(1970-1979年)，80后，90后这几个年龄段，从而可以得到如下的几个群体特征：

[70后，男性]；[70后，女性]；[80后，男性]；[80后，女性]；[90后，男性]；[90后，女性]。

假设当前触发数据推荐操作的某用户为女性，1988年生人，则该用户对应的群体特征为[80后，女性]。基于此，概括来说，对于第一数据集合中包括的各个数据，可以确定各数据是否与该用户所对应的群体特征相匹配，从第一数据集合中滤除与该群体特征不匹配的数据，以得到第二数据集合。

下面结合图4所示实施例，示例性说明一种滤除第一数据集合中不符合用户的群体特征的数据的方案。如图4所示，该过滤方案可以包括如下步骤：

401、获取多个用户组，多个用户组各自对应于不同群体特征，该多个用户组对应的多个群体特征中包括当前的用户对应的群体特征。

以歌曲推荐场景为例，可以收集大量的使用过歌曲推荐功能的用户，比如9000位用户，根据这些用户提供的个人信息，可以确定这些用户各自对应的群体特征，从而，可以将对应于同一群体特征的用户划为一个用户组。

仍以上文举例的几个群体特征为例，假设这9000位用户对应于上述举例的几个群体特征，且假设[70后，男性]对应的用户组称为用户组1；[70后，女性]对应的用户组称为用户组2；[80后，男性]对应的用户组称为用户组3；[80后，女性]对应的用户组称为用户组4；[90后，男性]对应的用户组称为用户组5；[90后，女性]对应的用户组称为用户组6。假设当前触发数据推荐操作的用户对应于群体特征：[80后，女性]。

可选地，实际应用中，可以针对每种群体特征，获得设定数量的与该群体特征相匹配的用户作为与该群体特征对应的用户组，从而，上述多个用户组的用户数量是彼此相等的。

402、针对第一数据集合中的目标数据，确定多个用户组分别对目标数据的偏好度。

其中，本实施例中，上述目标数据可以是第一数据集合中的任一数据。

可选地，确定多个用户组分别对目标数据的偏好度，可以实现为：

针对多个用户组中的任一用户组，确定该任一用户组内使用过目标数据的用户数量与该任一用户组对应的全部用户数量的第一比值为该任一用户组对目标数据的偏好度。

举例来说，假设目标数据表示为Y_i，以用户组1为例，假设用户组1中包括1000位用户，假设统计这1000位用户在过去设定时间内对目标数据Y_i的使用情况，如果发现其中300位用户都使用过这个目标数据Y_i，则可以确定用户组1对该目标数据Y_i的偏好度为：300/1000。

以歌曲推荐场景为例，目标数据Y_i是一首歌曲，用户使用过目标数据Y_i是指用户听过这首歌曲。

另外，如前文所述，对于任一用户来说，可以记录曾经为该用户推荐过的历史数据以及该用户对历史数据的反馈行为。基于此，可选地，还可以根据上述任一用户组内的用户对目标数据的反馈行为，调整上述第一比值。

举例来说，如前文所述，反馈行为可以正向反馈行为和反向反馈行为。以上述用户组1内的300位使用过目标数据的用户来说，可以统计这300位用户中是否存在针对目标数据的正向反馈行为，当统计结果表明有一定数量的用户对目标数据触发了正向反馈行为时，可以按照设定的规则为第一比值乘以大于1的权重系数。相反地，还可以统计剩下的700位用户中是否存在针对目标数据的反向反馈行为，当统计结果表明有一定数量的用户对目标数据触发了反向反馈行为时，可以按照设定的规则为第一比值乘以小于1的权重系数。

403、根据多个用户组分别对目标数据的偏好度，确定目标数据对应的目标用户组。

可选地，确定目标数据对应的目标用户组，可以实现为：

确定多个用户组内使用过目标数据的用户数量与多个用户组对应的全部用户数量的第二比值；确定目标用户组为多个用户组中第一比值大于第二比值的用户组。

第一比值是从每个用户组的角度考虑的，第二比值是从多个用户组的角度考虑的，因此，第二比值可以认为是度量构成多个用户组的全体用户对目标数据Y_i的使用情况。第二比值的确定过程与第一比值的确定过程类似，在此不赘述。

现在假设用户组1对应的第一比值为a，用户组2对应的第一比值为b，用户组3对应的第一比值为c，用户组4对应的第一比值为d，用户组5对应的第一比值为e，用户组6对应的第一比值为f。假设第二比值为g。另外，假设a、b大于g，且a大于b；c、d、e和f都小于g。

从而，可选地，可以认为与a、b对应的第一用户组和第二用户组都为与目标数据Y_i对应的目标用户组，或者，认为与a对应的第一用户组为目标用户组。

在实际应用中，除了上述方式之外，可选地，在确定出每个用户组对目标数据Y_i的偏好度之后，还可以直接在多个用户组中选择出偏好度最高的用户组作为目标用户组，或者也可以在多个用户组中选择出偏好度大于预设阈值的用户组作为目标用户组。

404、若目标用户组对应的群体特征与所述用户对应的群体特征不匹配，则从第一数据集合中滤除目标数据。

基于上述举例，假设目标数据Y_i对应的目标用户组为第一用户组和第二用户组，这两个用户组对应的群体特征分别为：[70后，男性]和[70后，女性]。而用户对应的群体特征为[80后，女性]。因此，目标用户组对应的群体特征与该用户对应的群体特征不匹配，则从第一数据集合中滤除目标数据Y_i。

基于上述过程，在对第一数据集合中的各数据进行上述过滤处理之后，可能会滤除第一数据集合中的部分数据，以得到第二数据集合，进而将第二数据集合推荐给用户。

其中，以歌曲推荐场景为例，当用户是通过智能音箱听歌时，该推荐的含义可以是指智能音箱依次逐个播放第二数据集合中的多首歌曲。

当然，可选地，在为用户推荐给第二数据集合中的数据前，还可以对第二数据集合中的数据进行排序处理。

综上，基于上述数据推荐方案，当需要为某个用户进行诸如歌曲、视频等数据推荐时，结合该用户所对应的用户群体特征，使得为该用户推荐的数据集合是满足该群体特征的数据，可以增强这些数据是被该用户所偏好的可能性，从而增强用户粘性。

图5为本发明实施例提供的另一种数据推荐方法的流程图，如图5所示，该方法包括如下步骤：

501、获取与用户对应的第一数据集合。

502、获取设定时间内为所述用户推荐过的历史数据，若第一数据集合中包括该历史数据，则从第一数据集合中滤除该历史数据。

503、根据用户对已推荐过的历史数据的反馈行为，获取用户不喜欢的历史数据，若第一数据集合中包括用户不喜欢的历史数据，则从第一数据集合中滤除用户不喜欢的历史数据。

504、根据用户对应的群体特征，滤除第一数据集合中不符合群体特征的数据，以得到第二数据集合。

505、将第二数据集合推荐给用户。

本实施例中，除了以用户的群体特征对第一数据集合中的数据进行过滤外，还可以包括如下两种过滤策略：疲劳度过滤(对应于步骤502)和黑名单过滤(对应于步骤503)。

其中，所谓疲劳度过滤，就是避免重复向用户推荐相同的数据。所谓黑名单过滤，就是避免向用户推荐其明确表示过不喜欢的数据。

例如，当前第一数据集合包括歌曲A、歌曲B和歌曲C，确定出3天前曾经向用户推荐过歌曲C，因此可以从第一数据集合中滤除掉歌曲C，在滤除掉歌曲C之后，第一数据集合中还剩下歌曲A和歌曲B。

例如，曾向用户推荐过歌曲A、歌曲B和歌曲C，用户对歌曲C并不感兴趣，并且将歌曲C添加到了黑名单，此时如果第一数据集合中包括歌曲C，可以直接将歌曲C从第一数据集合中滤除掉，在滤除掉歌曲C之后，第一数据集合中还剩下歌曲A和歌曲B。

如前文所述，基于对为用户推荐过的历史数据以及用户对历史数据的反馈行为的记录结果，可以实现上述疲劳度过滤和黑名单过滤。

值得说明的是，针对疲劳度过滤来说，实际应用中，可以设定在设定时间范围内允许重复推荐某数据的次数，比如为0、1，其中，0意味着不允许重复推荐，1意味着可以重复推荐一次。从而，针对第一数据集合中的某数据来说，如果重复推荐次数设置为0，则表明如果该数据出现在为该用户推荐过的历史数据中，则就需要从第一数据集合中滤除；而如果重复推荐次数设置为1，则表明如果该数据出现在为该用户推荐过的历史数据中的次数为1次，则当前可以保留在第一数据集合中。

为便于理解，下面结合图6、图7示例性说明上述数据推荐方法在不同的数据推荐场景中的执行过程。

在图6中，假设用户当前想使用智能音箱来听歌，用户对智能音箱触发诸如“我想听歌”的语音指令。智能音箱接收到该语音指令之后，可以结合该用户对历史推荐给他的歌曲的反馈行为，获取与该用户对应的第一歌曲集合，第一歌曲集合包括歌曲a、歌曲b、歌曲c和歌曲d。假设当前触发数据推荐操作的某用户为女性，1988年生人，则该用户对应的群体特征为[80后，女性]。可以基于该用户对应的群体特征，滤除第一歌曲集合中不符合[80后，女性]群体特征的歌曲，得到第二歌曲集合。假设歌曲d为不符合[80后，女性]群体特征的歌曲，此时第二歌曲集合中包括歌曲a、歌曲b和歌曲c。最后，可以通过智能音箱依次播放歌曲a、歌曲b和歌曲c。

在图7中，假设用户当前想浏览一些新闻，此时用户可以打开手机中的新闻资讯APP，在新闻资讯APP的首页可以自动为用户推荐一些用户感兴趣的新闻。在启动新闻资讯APP之后，可以获取与用户对应的第一新闻集合。假设用户以往经常看一些娱乐类新闻，此时可以查找一些娱乐类新闻作为第一新闻集合中的新闻，第一新闻集合中包括新闻A、新闻B、新闻C和新闻D。假设当前触发数据推荐操作的某用户为女性，1990年生人，则该用户对应的群体特征为[90后，女性]。可以基于该用户对应的群体特征，滤除第一新闻集合中不符合[90后，女性]群体特征的新闻，得到第二新闻集合。假设新闻C为不符合[90后，女性]群体特征的新闻，此时第二新闻集合中包括新闻A、新闻B和新闻D。最后，可以将新闻A、新闻B和新闻D展示在新闻资讯APP的首页。

图6和图7所示实施例中具体实现过程可以参考前述实施例中的相关说明。

图8为本发明实施例提供的另一种数据推荐方法的流程图，如图8所示，该数据推荐方法可以包括如下步骤：

801、确定用户的群体特征。

802、获取与群体特征匹配的数据集合。

803、将数据集合推荐给用户。

先概述本实施例提供的数据推荐方案的核心思想：首先，当用户触发数据推荐操作时，可以直接根据该用户的群体特征，获取与该用户的群体特征匹配的数据集合，将数据集合推荐给用户。

其中，可选地，用户的群体特征可以包括年龄、性别、所处地域等一种或多种维度。

实际应用中，可以预先设定多种群体特征，从而，针对当前的用户来说，可以根据该用户提供的个人信息(如注册信息)确定该用户对应的群体特征。

举例来说，假设定义一个群体特征的维度包括性别和年龄两个维度，则可以预先设定多个年龄段，比如70后(1970-1979年)，80后，90后这几个年龄段，从而可以得到如下的几个群体特征：

[70后，男性]；[70后，女性]；[80后，男性]；[80后，女性]；[90后，男性]；[90后，女性]。

假设当前触发数据推荐操作的某用户为女性，1988年生人，则该用户对应的群体特征为[80后，女性]。

基于此，可以基于该用户的群体特征，从数据库中获取与该用户的群体特征匹配的数据集合。

上述获取与群体特征匹配的数据集合，可以实现为：获取多个用户组，多个用户组各自对应于不同群体特征，这些群体特征中包括当前的用户对应的群体特征；针对多个候选数据中的目标数据，确定多个用户组分别对目标数据的偏好度；根据多个用户组分别对目标数据的偏好度，确定目标数据对应的目标用户组；若目标用户组对应的群体特征与用户对应的群体特征匹配，则确定数据集合中包括目标数据。

其中，候选数据可以是数据库中包含的全部数据。以歌曲推荐场景为例，可以是歌曲数据库中包含的全部歌曲。

可选地，在获取上述数据集合后，还可以包括如下步骤：获取设定时间内为所述用户推荐过的历史数据；若所述数据集合中包括所述历史数据，则从所述数据集合中滤除为所述历史数据。

可选地，在获取上述数据集合后，还可以包括如下步骤：根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户不喜欢的历史数据；若所述数据集合中包括所述历史数据，则从所述数据集合中滤除所述历史数据。

上述数据集合的获取过程以及过滤过程，可以参考前述其他实施例中的相关说明，在此不赘述。

基于本实施例提供的数据推荐方案，当需要为某个用户进行诸如歌曲、视频等数据推荐时，结合该用户所对应的用户群体特征，使得为该用户推荐的数据集合是满足该群体特征的数据，可以增强这些数据是被该用户所偏好的可能性，从而增强用户粘性。

图9为本发明实施例提供的另一种数据推荐方法的流程图，如图9所示，该数据推荐方法可以包括如下步骤：

901、将多种群体特征各自对应的数据推荐给用户。

902、根据用户对多种群体特征各自对应的数据的反馈行为，对这些数据进行过滤。

903、将过滤后的数据推荐给用户。

在本实施例提供的数据推荐方法中，首先，针对多种群体特征，获取每种群体特征各自对应的多条数据，从而，将由这多种群体特征各自对应的多条数据构成的数据集合推荐给用户。其次，当用户对这个数据集合中的某些数据触发了某种反馈行为时，可以根据该反馈行为对这个数据集合进行数据过滤，以从中滤除该用户不喜欢的数据。最后，将过滤后剩下的数据集合推荐给该用户。

其中，上述过滤过程，举例来说就是：假设用户对群体特征A对应的多条数据中的部分数据触发了反向反馈行为(比如为拉黑、切歌等行为)，说明该用户不喜欢这些数据，此时，可以将群体特征A对应的全部或部分数据从上述数据集合中滤除。

为便于理解，以一种实际应用场景为例来说，假设群体特征具体实现为年龄特征，假设上述多个群体特征包括：70后、80后和90后，即70年代、80年代和90年代。假设初始情况下，向用户推荐了10首与70后匹配的歌曲，10首与80后匹配的歌曲，以及10首与90后匹配的歌曲。如果用户对与70后匹配的这10首歌曲中的部分触发了切歌、拉黑等反向反馈行为，说明该用户很有可能不喜欢这么老的歌曲，因此，可以将这10首与70后匹配的歌曲删除。

另外，在本实施例中，可选地，步骤901中的多种群体特征可以是已经生成的全部群体特征，或者是从中选择出的部分群体特征。

其中，当从全部群体特征中选择出部分群体特征作为该多种群体特征时，可选地，可以随机选择出部分，也可以根据这些群体特征的等级选择出一定数量的高等级的群体特征。其中。某种群体特征的等级可以通过统计与该群体特征对应的数据被广大用户偏好情况来确定。举例来说，假设在某统计时段内，统计出存在1000次针对群体特征X对应的数据的正向反馈行为，存在700次针对群体特征Y对应的数据的正向反馈行为，则可以认为群体特征X的等级高于群体特征Y的等级。

另外，为提高上述多种群体特征与当前需要进行数据推荐的用户的相关性，可选地，也可以根据该用户对历史推荐数据的反馈行为，确定与该用户对应的上述多种群体特征。具体来说，假设在当前对该用户进行数据推荐之前，曾经已经为该用户推荐过很多数据，这些数据即为历史推荐数据。假设该用户对历史推荐数据中的部分数据触发过正向反馈行为，则说明该用户对这部分数据比较偏好，从而，确定这部分数据各自对应的群体特征，将这部分数据对应的群体特征汇总，从而得到与该用户对应的多种群体特征。

值得说明的是，本实施例中，数据与群体特征的对应关系的确定，可以参考前述其他实施例中的相关说明，在此不赘述。

图10为本发明实施例提供的另一种数据推荐方法的流程图，如图10所示，该数据推荐方法可以包括如下步骤：

1001、将多种群体特征各自对应的第一数据推荐给用户。

1002、根据用户对多种群体特征各自对应的第一数据的反馈行为，确定多种群体特征中与用户匹配的至少一种群体特征。

1003、向用户推荐与该至少一种群体特征对应的第二数据。

本实施例提供的数据推荐方法的核心思路是：先将多种群体特征各自对应的少量数据(数据数量可以预设)推荐给用户，进而，基于该用户对这些数据的反馈行为，猜测该用户可能与这多种群体特征中的哪一个或几个群体特征匹配，进而，获取大量的与该一个或几个群体特征对应的数据，继续推荐给该用户。

其中，步骤1002中，根据用户对多种群体特征各自对应的第一数据的反馈行为，确定多种群体特征中与用户匹配的至少一种群体特征，简单来说，可以实现为：如果该用户对某种群体特征对应的任一条第一数据触发了正向反馈行为，则认为这种群体特征与该用户匹配，其中，正向反馈行为比如包括点赞、收藏等。

本实施例中，上述多种群体特征的获取方式可以参考图9所示实施例中的说明，在此不赘述，另外，数据与群体特征的对应关系的确定，可以参考前述其他实施例中的相关说明，在此不赘述。

另外，在另一可选实施例中，数据推荐方法还可以实现为如下步骤：

向用户推荐与第一群体特征对应的数据；

若用户对与第一群体特征对应的数据触发反向反馈行为，则切换至向用户推荐第二群体特征对应的数据。此时，可以停止向用户推荐第一群体特征对应的数据。

以下将详细描述本发明的一个或多个实施例的数据推荐装置。本领域技术人员可以理解，这些数据推荐装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。

图11为本发明实施例提供的一种数据推荐装置的结构示意图，如图11所示，该装置包括：获取模块11、过滤模块12、输出模块13。

获取模块11，用于获取与用户对应的第一数据集合。

过滤模块12，用于根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，以得到第二数据集合。

输出模块13，用于将所述第二数据集合推荐给所述用户。

可选地，所述获取模块11具体可以用于：根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户偏好的历史数据；获取与所述用户偏好的历史数据之间符合相似度条件的数据，所述第一数据集合中包括所述符合相似度条件的数据。

可选地，所述过滤模块12还可以用于：获取设定时间内为所述用户推荐过的历史数据；若所述第一数据集合中包括所述历史数据，则从所述第一数据集合中滤除所述历史数据。

可选地，所述过滤模块12还可以用于：根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户不喜欢的历史数据；若所述第一数据集合中包括所述历史数据，则从所述第一数据集合中滤除所述历史数据。

可选地，所述过滤模块12还可以用于：获取多个用户组，所述多个用户组各自对应于不同群体特征，所述群体特征中包括所述用户对应的群体特征；针对所述第一数据集合中的目标数据，确定所述多个用户组分别对所述目标数据的偏好度；根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组；若所述目标用户组对应的群体特征与所述用户对应的群体特征不匹配，则从所述第一数据集合中滤除所述目标数据。

可选地，所述过滤模块12还可以用于：针对所述多个用户组中的任一用户组，确定所述任一用户组内使用过所述目标数据的用户数量与所述任一用户组对应的全部用户数量的第一比值为所述任一用户组对所述目标数据的偏好度。

可选地，所述过滤模块12还可以用于：根据所述任一用户组内的用户对所述目标数据的反馈行为，调整所述第一比值。

可选地，所述过滤模块12还可以用于：确定所述多个用户组内使用过所述目标数据的用户数量与所述多个用户组对应的全部用户数量的第二比值；确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组。

可选地，所述过滤模块12还可以用于：若所述多个用户组中至少两个用户组的所述第一比值大于所述第二比值，则确定所述至少两个用户组中具有最大的第一比值的用户组为所述目标用户组，或者，确定所述至少两个用户组都为所述目标用户组。

可选地，所述第二数据集合中包括多首歌曲，所述输出模块13具体可以用于：控制音频播放设备依次播放所述多首歌曲。

图11所示装置可以执行前述图1至图7所示实施例中提供的数据推荐方法，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图11所示数据推荐装置的结构可实现为一电子设备，如图12所示，该电子设备可以包括：第一处理器21、第一存储器22。其中，第一存储器22上存储有可执行代码，当所述可执行代码被第一处理器21执行时，使第一处理器21至少可以实现如前述图1至图7所示实施例中提供的数据推荐方法。

可选地，该电子设备中还可以包括第一通信接口23，用于与其他设备进行通信。

另外，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如前述图1至图7所示实施例中提供的数据推荐方法。

图13为本发明实施例提供的另一种数据推荐装置的结构示意图，如图13所示，该装置包括：确定模块31、获取模块32、输出模块33。

确定模块31，用于确定用户的群体特征。

获取模块32，用于获取与所述群体特征匹配的数据集合。

输出模块33，用于将所述第二数据集合推荐给所述用户。

可选地，所述获取模块32具体可以用于：获取多个用户组，所述多个用户组各自对应于不同群体特征，所述群体特征中包括所述用户对应的群体特征；针对多个候选数据中的目标数据，确定所述多个用户组分别对所述目标数据的偏好度；根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组；若所述目标用户组对应的群体特征与所述用户对应的群体特征匹配，则确定所述数据集合中包括所述目标数据。

可选地，确定所述多个用户组分别对所述目标数据的偏好度的过程中所述获取模块32具体可以用于：针对所述多个用户组中的任一用户组，确定所述任一用户组内使用过所述数据的用户数量与所述任一用户组对应的全部用户数量的第一比值为所述任一用户组对所述目标数据的偏好度。

可选地，所述获取模块32还可以用于：根据所述任一用户组内的用户对所述目标数据的反馈行为，调整所述第一比值。

可选地，所述获取模块32还可以用于：确定所述多个用户组内使用过所述数据的用户数量与所述多个用户组对应的全部用户数量的第二比值；确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组。

可选地，所述获取模块32还可以用于：若所述多个用户组中至少两个用户组的所述第一比值大于所述第二比值，则确定所述至少两个用户组中具有最大的第一比值的用户组为所述目标用户组，或者，确定所述至少两个用户组都为所述目标用户组。

可选地，所述数据集合中包括的多个数据为多首歌曲。所述输出模块33具体可以用于：控制音频播放设备依次播放所述多首歌曲。

可选地，所述获取模块32还可以用于：获取设定时间内为所述用户推荐过的历史数据；若所述数据集合中包括所述历史数据，则从所述数据集合中滤除为所述历史数据。

可选地，所述获取模块32还可以用于：根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户不喜欢的历史数据；若所述数据集合中包括所述历史数据，则从所述数据集合中滤除所述历史数据。

图13所示装置可以执行前述图8所示实施例中提供的数据推荐方法，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图13所示数据推荐装置的结构可实现为一电子设备，如图14所示，该电子设备可以包括：第二处理器41、第二存储器42。其中，第二存储器42上存储有可执行代码，当所述可执行代码被第二处理器41执行时，使第二处理器41至少可以实现如前述图8所示实施例中提供的数据推荐方法。

可选地，该电子设备中还可以包括第二通信接口43，用于与其他设备进行通信。

图15为本发明实施例提供的另一种数据推荐装置的结构示意图，如图15所示，该装置包括：第一推荐模块51、过滤模块52、第二推荐模块53。

第一推荐模块51，用于将多种群体特征各自对应的数据推荐给用户。

过滤模块52，用于根据所述用户对所述多种群体特征各自对应的数据的反馈行为，对所述数据进行过滤。

第二推荐模块53，用于将过滤后的数据推荐给所述用户。

图15所示装置可以执行前述图9所示实施例中提供的数据推荐方法，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图15所示数据推荐装置的结构可实现为一电子设备，如图16所示，该电子设备可以包括：第三处理器61、第三存储器62。其中，第三存储器62上存储有可执行代码，当所述可执行代码被第三处理器61执行时，使第三处理器61至少可以实现如前述图9所示实施例中提供的数据推荐方法。

可选地，该电子设备中还可以包括第三通信接口63，用于与其他设备进行通信。

图17为本发明实施例提供的另一种数据推荐装置的结构示意图，如图17所示，该装置包括：第一推荐模块71、确定模块72、第二推荐模块73。

第一推荐模块71，用于将多种群体特征各自对应的第一数据推荐给用户。

确定模块72，用于根据所述用户对所述多种群体特征各自对应的第一数据的反馈行为，确定所述多种群体特征中与所述用户匹配的至少一种群体特征。

第二推荐模块73，用于向所述用户推荐与所述至少一种群体特征对应的第二数据。

图17所示装置可以执行前述图10所示实施例中提供的数据推荐方法，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图17所示数据推荐装置的结构可实现为一电子设备，如图18所示，该电子设备可以包括：第四处理器81、第四存储器82。其中，第四存储器82上存储有可执行代码，当所述可执行代码被第四处理器81执行时，使第四处理器81至少可以实现如前述图10所示实施例中提供的数据推荐方法。

可选地，该电子设备中还可以包括第四通信接口83，用于与其他设备进行通信。

以上所描述的装置实施例仅仅是示意性的，其中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。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例提供的数据推荐方法可以由某种程序/软件来执行，该程序/软件可以由网络侧提供，前述实施例中提及的电子设备可以将该程序/软件下载到本地的非易失性存储介质中，并在其需要执行前述数据推荐方法时，通过CPU将该程序/软件读取到内存中，进而由CPU执行该程序/软件以实现前述实施例中所提供的数据推荐方法，执行过程可以参见前述图1至图10中的示意。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (28)

1.一种数据推荐方法，其特征在于，包括：

获取与用户对应的第一数据集合；

根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，以得到第二数据集合；

将所述第二数据集合推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述获取与用户对应的第一数据集合，包括：

根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户偏好的历史数据；

获取与所述用户偏好的历史数据之间符合相似度条件的数据，所述第一数据集合中包括所述符合相似度条件的数据。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

获取设定时间内为所述用户推荐过的历史数据；

若所述第一数据集合中包括所述历史数据，则从所述第一数据集合中滤除所述历史数据。

4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户不喜欢的历史数据；

若所述第一数据集合中包括所述历史数据，则从所述第一数据集合中滤除所述历史数据。

5.根据权利要求1或2所述的方法，其特征在于，所述根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，包括：

获取多个用户组，所述多个用户组各自对应于不同群体特征，所述群体特征中包括所述用户对应的群体特征；

针对所述第一数据集合中的目标数据，确定所述多个用户组分别对所述目标数据的偏好度；

根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组；

若所述目标用户组对应的群体特征与所述用户对应的群体特征不匹配，则从所述第一数据集合中滤除所述目标数据。

6.根据权利要求5所述的方法，其特征在于，所述确定所述多个用户组分别对所述目标数据的偏好度，包括：

针对所述多个用户组中的任一用户组，确定所述任一用户组内使用过所述目标数据的用户数量与所述任一用户组对应的全部用户数量的第一比值为所述任一用户组对所述目标数据的偏好度。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述任一用户组内的用户对所述目标数据的反馈行为，调整所述第一比值。

8.根据权利要求6所述的方法，其特征在于，所述根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组，包括：

确定所述多个用户组内使用过所述目标数据的用户数量与所述多个用户组对应的全部用户数量的第二比值；

确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组。

9.根据权利要求8所述的方法，其特征在于，所述确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组，包括：

若所述多个用户组中至少两个用户组的所述第一比值大于所述第二比值，则确定所述至少两个用户组中具有最大的第一比值的用户组为所述目标用户组，或者，确定所述至少两个用户组都为所述目标用户组。

10.根据权利要求1所述的方法，其特征在于，所述第二数据集合中包括多首歌曲；所述将所述第二数据集合推荐给所述用户，包括：

控制音频播放设备依次播放所述多首歌曲。

11.一种数据推荐装置，其特征在于，包括：

获取模块，用于获取与用户对应的第一数据集合；

过滤模块，用于根据所述用户对应的群体特征，滤除所述第一数据集合中不符合所述群体特征的数据，以得到第二数据集合；

输出模块，用于将所述第二数据集合推荐给所述用户。

12.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至10中任一项所述的数据推荐方法。

13.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至10中任一项所述的数据推荐方法。

14.一种数据推荐方法，其特征在于，包括：

确定用户的群体特征；

获取与所述群体特征匹配的数据集合；

将所述数据集合推荐给所述用户。

15.根据权利要求14所述的方法，其特征在于，所述获取与所述群体特征匹配的数据集合，包括：

获取多个用户组，所述多个用户组各自对应于不同群体特征，所述群体特征中包括所述用户对应的群体特征；

针对多个候选数据中的目标数据，确定所述多个用户组分别对所述目标数据的偏好度；

根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组；

若所述目标用户组对应的群体特征与所述用户对应的群体特征匹配，则确定所述数据集合中包括所述目标数据。

16.根据权利要求15所述的方法，其特征在于，所述确定所述多个用户组分别对所述目标数据的偏好度，包括：

针对所述多个用户组中的任一用户组，确定所述任一用户组内使用过所述数据的用户数量与所述任一用户组对应的全部用户数量的第一比值为所述任一用户组对所述目标数据的偏好度。

17.根据权利要求16所述的方法，其特征在于，所述方法还包括：

根据所述任一用户组内的用户对所述目标数据的反馈行为，调整所述第一比值。

18.根据权利要求16所述的方法，其特征在于，所述根据所述多个用户组分别对所述目标数据的偏好度，确定所述目标数据对应的目标用户组，包括：

确定所述多个用户组内使用过所述数据的用户数量与所述多个用户组对应的全部用户数量的第二比值；

确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组。

19.根据权利要求18所述的方法，其特征在于，所述确定所述目标用户组为所述多个用户组中所述第一比值大于所述第二比值的用户组，包括：

若所述多个用户组中至少两个用户组的所述第一比值大于所述第二比值，则确定所述至少两个用户组中具有最大的第一比值的用户组为所述目标用户组，或者，确定所述至少两个用户组都为所述目标用户组。

20.根据权利要求14所述的方法，其特征在于，所述数据集合中包括的多个数据为多首歌曲；所述将所述数据集合推荐给所述用户，包括：

控制音频播放设备依次播放所述多首歌曲。

21.根据权利要求14所述的方法，其特征在于，所述方法还包括：

获取设定时间内为所述用户推荐过的历史数据；

若所述数据集合中包括所述历史数据，则从所述数据集合中滤除为所述历史数据。

22.根据权利要求14所述的方法，其特征在于，所述方法还包括：

根据所述用户对已推荐过的历史数据的反馈行为，获取所述用户不喜欢的历史数据；

若所述数据集合中包括所述历史数据，则从所述数据集合中滤除所述历史数据。

23.一种数据推荐装置，其特征在于，包括：

确定模块，用于确定用户的群体特征；

获取模块，用于获取与所述群体特征匹配的数据集合；

输出模块，用于将所述第二数据集合推荐给所述用户。

24.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求14至22中任一项所述的数据推荐方法。

25.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求14至22中任一项所述的数据推荐方法。

26.一种数据推荐方法，其特征在于，包括：

将多种群体特征各自对应的数据推荐给用户；

根据所述用户对所述多种群体特征各自对应的数据的反馈行为，对所述数据进行过滤；

将过滤后的数据推荐给所述用户。

27.根据权利要求26所述的方法，其特征在于，所述方法还包括：

根据所述用户对历史推荐数据的反馈行为，确定与所述用户对应的所述多种群体特征。

28.一种数据推荐方法，其特征在于，包括：

将多种群体特征各自对应的第一数据推荐给用户；

根据所述用户对所述多种群体特征各自对应的第一数据的反馈行为，确定所述多种群体特征中与所述用户匹配的至少一种群体特征；

向所述用户推荐与所述至少一种群体特征对应的第二数据。

Images