CN113360681B - 确定推荐信息的方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开公开了一种确定推荐信息的方法、装置、电子设备和存储介质，涉及互联网技术领域，具体涉及智能推荐领域和大数据领域。确定推荐信息的方法的具体实现方案为：基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据；基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据；以及基于预测特征数据，确定针对目标对象的推荐信息。其中，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。

Description

确定推荐信息的方法、装置、电子设备和存储介质

技术领域

本公开涉及互联网技术领域，具体涉及智能推荐领域和大数据领域，更具体地涉及一种确定推荐信息的方法、装置、电子设备和存储介质。

背景技术

随着互联网技术的发展，多媒体信息得到广泛传播。考虑到对象的需求往往具有一定的扩展性，因此可以根据多媒体信息之间的关联关系，基于对象访问的多媒体信息来向对象提供更多符合需求的信息，以此提高对象对各类信息类产品的使用体验。

发明内容

提供了一种提高推荐信息的准确性和合理性的确定推荐信息的方法、装置、电子设备和存储介质。

根据本公开的一个方面，提供了一种确定推荐信息的方法，包括：基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据；基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据；以及基于预测特征数据，确定针对目标对象的推荐信息，其中，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。

根据本公开的另一个方面，提供了一种确定推荐信息的装置，包括：目标特征确定模块，用于基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据；预测特征确定模块，用于基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据；以及推荐信息确定模块，用于基于预测特征数据，确定针对目标对象的推荐信息，其中，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。

根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的确定推荐信息的方法。

根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的确定推荐信息的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的确定推荐信息的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的确定推荐信息的方法、装置、电子设备和存储介质的应用场景示意图；

图2是根据本公开实施例的确定推荐信息的方法的流程示意图；

图3是根据本公开实施例的确定特征数据的频繁项集的原理示意图；

图4是根据本公开实施例的确定推荐信息的原理示意图；

图5是根据本公开实施例的确定推荐信息的装置的结构框图；以及

图6是用来实现本公开实施例的确定推荐信息的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供了一种确定推荐信息的方法，该方法包括目标特征确定阶段、预测特征确定阶段和推荐信息确定阶段。在目标特征确定阶段中，基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据。在预测特征确定阶段中，基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据。在推荐信息确定阶段中，基于预测特征数据，确定针对目标对象的推荐信息。其中，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。

以下将结合图1对本公开提供的方法和装置的应用场景进行描述。

图1是根据本公开实施例的确定推荐信息的方法和装置的应用场景示意图。

如图1所示，该应用场景100包括终端设备110、服务器120和数据库130。终端设备110可以通过网络与服务器120通信连接，网络可以包括有线或无线通信链路。数据库130可以维护有全量的多媒体信息，服务器120例如可以通过网络访问数据库130，从数据库130中获取多媒体信息。

终端设备110可以是具有显示屏并具有多媒体信息展示功能的电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。用户140例如可以使用终端设备110通过网络与服务器120交互，以接收或发送消息等。在一实施例中，终端设备110例如可以响应于用户140的操作，向服务器120发送推荐信息获取请求，服务器120可以响应于该推荐信息获取请求，向终端设备110反馈与用户相匹配的推荐信息150。

根据本公开的实施例，数据库130存储的多媒体信息例如可以包括视频、音频、图像或文本等。其中，视频可以为预先录制后进行播放的视频、以及直播视频等。服务器120例如可以从数据库130中读取多媒体信息，并基于该多媒体信息的特征数据生成频繁项集。服务器120可以基于该频繁项集中的特征数据，从数据库130中召回与用户相匹配的多媒体信息，以作为推荐信息150反馈给终端设备110。

根据本公开的实施例，服务器120可以是提供各种服务的服务器，例如对用户利用终端设备110所浏览的网站或客户端应用提供支持的后台管理服务器。该服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

需要说明的是，本公开所提供的确定推荐信息的方法可以由服务器120执行。相应地，本公开所提供的确定推荐信息的装置可以设置于服务器120中。

应该理解，图1中的终端设备、服务器和数据库的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的终端设备、服务器和数据库。

以下将结合图2～图4对本公开提供的确定推荐信息的方法进行详细描述。

图2是根据本公开实施例的确定推荐信息的方法的流程示意图。

如图2所示，该实施例的确定推荐信息的方法200可以包括操作S210～操作S230。

在操作S210，基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据。

根据本公开的实施例，针对目标对象的多媒体信息可以为目标对象访问过的多媒体信息，多媒体信息可以为视频、音频、图片或文本等。每个多媒体信息可以具有多个标签，每个标签指示一个特征数据。例如，若多媒体信息为教育类直播视频，特征数据例如可以包括：教育、中学和/或物理等。

该实施例可以统计目标对象在预定时段内访问过的多媒体信息的特征数据，得到多个特征数据。从该多个特征数据中选择占比较高的特征数据作为与目标对象相关联的目标特征数据。其中，预定时段可以根据实际需求进行设定，例如可以为最近一周、最近半个月、最近一个月等，本公开对此不做限定。

在操作S220，基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据。

根据本公开的实施例，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。其中，历史多媒体信息指发布时间早于当前时刻的视频、音频、图片或文本等。在一实施例中，历史多媒体信息可以为已经播放过的直播视频。访问数据可以包括历史多媒体信息的访问对象、访问时间等。历史多媒体信息的特征数据可以为历史多媒体信息的标签所指示的数据。

在一实施例中，可以统计历史多媒体信息的多个特征数据，从该多个特征数据中选择占比较高的数据。将占比较高的数据两两组合得到的数据对作为频繁项集。其中，对于被访问多次的多媒体信息，其特征数据的出现次数可以统计为多次。将各特征数据的出现次数与多个特征数据的出现次数的总和之间的比值作为该各特征数据的占比。

根据本公开的实施例，可以从频繁项集中查找包括目标特征数据的频繁项集，作为目标频繁项集。随后，确定该目标频繁项集中的特征数据为针对目标对象的预测特征数据。或者，可以确定与目标特征数据属于同一目标频繁项集的特征数据，作为针对目标对象的预测特征数据。

在操作S230，基于预测特征数据，确定针对目标对象的推荐信息。

根据本公开的实施例，可以从数据库中获取具有指示该预测特征数据的标签的多媒体信息，作为针对目标对象的推荐信息。或者，可以从数据库中获取与预测特征数据的匹配度较高的多媒体信息。其中，匹配度可以指多媒体信息的标签与预测特征数据之间的匹配度，该匹配度可以为语义匹配度，或者可以为字符匹配度等，本公开对此不做限定。

本公开实施例通过基于历史多媒体信息的访问数据和历史多媒体信息的特征数据构建的频繁项集来确定预测特征数据，可以在一定程度上挖掘出目标对象潜在的兴趣点。并因此可以提高基于该预测特征数据确定的推荐信息的丰富性和匹配度，在一定程度上提高目标对象的使用体验。

图3是根据本公开实施例的确定特征数据的频繁项集的原理示意图。

根据本公开的实施例，可以预先基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定特征数据的频繁项集。例如可以先基于访问数据确定历史多媒体信息中被访问过的多媒体信息，并基于该被访问过的多媒体信息的特征数据确定频繁项集。其中，该被访问过的多媒体信息的访问对象可以为目标对象或除目标对象外的其他任意对象。例如被访问过的多媒体信息可以为预定时段内被播放的直播视频。

根据本公开的实施例，可以统计该被访问过的多媒体信息的特征数据，得到多个第一特征数据。随后基于该多个第一特征数据获得多个特征数据对。在得到多个特征数据对后，可以针对多个特征数据对中的每类数据对，确定针对每类数据对的出现比例。并基于该出现比例，从多个特征数据对中选择目标数据对，以作为频繁项集。

在一实施例中，可以将多个第一特征数据两两组合，得到多个特征数据对。

在一实施例中，可以将多个第一特征数据中，属于两个不同的被访问多媒体信息的两组第一特征数据交叉组合，得到多个特征数据对。例如，不同的被访问多媒体信息可以为制作对象不同的被访问多媒体信息、访问对象不同的被访问多媒体信息或者制作对象与访问对象均不相同的被访问多媒体信息等。通过该方式，可以使得基于频繁项集确定的预测特征数据，能够在一定程度上挖掘出对象的潜在兴趣。

在一实施例中，可以先确定多个特征数据中属于具有同一访问对象的多媒体信息的若干个特征数据。随后基于该若干个特征数据来确定特征数据对。其中，具有同一访问对象的多媒体信息例如可以为同一对象观看的直播视频。通过该方式，可以使得确定的频繁项集中的两个特征数据关于访问对象相关联，以此提高确定的预测特征数据的针对性，提高推荐信息的准确性。例如，可以根据被访问多媒体信息的访问对象，对被访问多媒体信息进行划分，得到多个多媒体信息集，每个多媒体信息集与一个访问对象相对应。随后基于同一多媒体信息集中多媒体信息的特征数据，获得多个特征数据对。

示例性地，可以将若干个特征数据两两组合，得到特征数据对。或者，可以将同一多媒体信息集中的任意两个多媒体信息的特征数据交叉组合，得到特征数据对，以此提高挖掘对象的潜在兴趣的准确性。

在一实施例中，可以将同一多媒体信息集中制作对象不同的任意两个多媒体信息的特征数据交叉组合，从而得到特征数据对。同一多媒体信息集中制作对象不同的任意两个多媒体信息例如可以为：同一对象观看的不同主播的任意两个直播视频。该实施例可以根据被访问多媒体信息的制作对象，对多个多媒体信息集中的每个多媒体信息集进行划分，得到属于每个多媒体信息集的多个多媒体信息子集。随后基于同一多媒体信息集中不同多媒体信息子集中多媒体信息的特征数据，获得多个特征数据对。例如，若某一多媒体信息子集包括多媒体信息A和多媒体信息B，多媒体信息A的特征数据包括{a₁、a₂、a₃}，多媒体信息B的特征数据包括{b₁、b₂、b₃、b₄}，则可以得到特征数据对{a₁、b₁}、{a₁、b₂}、{a₁、b₃}、{a₁、b₄}、{a₂、b₁}、{a₂、b₂}、{a₂、b₃}、{a₂、b₄}、{a₃、b₁}、{a₃、b₂}、{a₃、b₃}和{a₃、b₄}。通过该实施例的方法，可以使得确定的特征数据对中的特征数据包括针对同一访问对象、但针对不同制作对象的两个特征数据，从而可以更为广泛地挖掘出目标对象的潜在兴趣。这是由于不同制作对象制作的多媒体信息通常涉及不同领域、不同内容。

示例性地，如图3所示，该实施例300在确定多个特征数据对时，可以先从数据库310中获取预定时段内被访问的多媒体信息，作为被访问多媒体信息320。随后，可以基于访问对象，将被访问多媒体信息320划分为m个信息集，得到第一信息集321、第二信息集322、…、第m信息集323。在得到m个信息集后，可以基于制作对象将每个信息集划分为若干个信息子集。例如，可以将第二信息集322划分为n个信息子集，得到第一信息子集3221、第二信息子集3222…、第n信息子集3223。在将每个信息集划分为多个信息子集后，可以统计每个信息子集中多媒体信息包括的特征数据，得到针对该每个信息子集的特征数据集。例如，对于第二信息集322，可以得到n个特征数据集331～333。对于m个信息集中包括至少两个信息子集的信息集，可以将针对该信息集包括的至少两个信息子集的至少两个特征数据集两两组合，得到特征数据集对。最后将每个特征数据集对中包括的两个特征数据集中的数据交叉组合，得到特征数据对。其中，m、n均为自然数。

例如，对于n个特征数据集331～333，可以得到包括特征数据集331和特征数据集332的特征数据集对、包括特征数据集331和特征数据集333的特征数据集对、包括特征数据集332和特征数据集333的特征数据集对、…。通过将特征数据集331中的任一特征数据与特征数据集332中的任一特征数据组合可以得到特征数据对341。类似地，可以得到特征数据对342、…、特征数据对343。最终，将基于m个信息集得到的特征数据对汇总，可以得到多个特征数据对340。

根据本公开的实施例，由于不同的多媒体信息可能具有相同的特征数据，则多个第一特征数据中可能包括相同的若干个特征数据。在前述基于该多个第一特征数据获得多个特征数据对时，可以先从多个第一特征数据中剔除异常特征数据。随后基于剩余的特征数据获得多个特征数据对。其中，异常特征数据可以包括高频特征数据和低频特征数据。例如，可以从第一特征数据中剔除相对于多个第一特征数据的个数比例高于第一比例的数据，并剔除相对于多个第一特征数据的个数比例低于第二比例的数据。其中，第一比例和第二比例可以根据实际需求进行设定，例如可以分别设定为0.1和0.0001，本公开对此不做设定。

在一实施例中，在如图3所示的实施例300中，可以根据第一特征数据中的各数据在特征数据集中出现的比例，来确定异常特征数据。例如，可以根据特征数据集中的每个特征数据在属于m个多媒体信息集的所有多媒体信息子集中出现的比例(即包括该每个特征数据的特征数据集的个数与所有特征数据集的个数的比值)，确定该特征数据集中的异常特征数据。随后从该特征数据集中剔除该异常特征数据，得到针对每个多媒体信息子集的目标数据集。最后基于不同目标数据集中的特征数据，组成多个特征数据对。例如可以将出现的比例大于等于第三比例的特征数据和出现的比例小于第四比例的特征数据作为异常特征数据。该第三比例和第四比例的取值分别与上述第一比例和第二比例的取值类似，在此不再赘述。

该实施例通过从特征数据中剔除异常数据后再组成特征数据对，可以避免因该异常特征数据的干扰导致的频繁项集不准确的情况，并可以在一定程度上提高确定频繁项集的效率。

根据本公开的实施例，由于多个第一特征数据中可能包括相同的若干个特征数据，因此获得的多个特征数据对中可能包括完全相同的若干个特征数据对。该实施例可以依据包括的特征数据，将多个特征数据对划分为多类数据对，每类数据对中的数据对彼此相同。即将多个特征数据对中的相同特征数据对归为一类数据对。

在一实施例中，针对每类数据对的出现比例可以为每类数据对在多个特征数据对中的占比。该实施例可以将出现比例大于等于预定值的特征数据对作为目标数据对。其中，预定值可以根据实际需求进行设定，本公开对此不做限定。

在一实施例中，对于多个第一特征数据中的每个数据，可以先从划分得到的多类数据对中查找到包括该每个数据的至少一类数据对，作为关联数据对。随后将关联数据对中的每类数据对在关联数据对中出现的比例作为针对每类数据对的出现比例。其中，该出现比例可以为每类数据对中数据对的个数占关联数据对中数据对总个数的比值。通过该方式，可以使得得到的出现比例能够反映每个特征数据与其他特征数据之间的共现情况，并因此可以提高基于该比例确定的频繁项集所体现的不同特征数据之间关联关系的准确性，并因此便于提高确定的预测特征数据的准确性。

示例性地，对于多个第一特征数据中的任一数据，可以在关联数据对的个数大于等于第一阈值的情况下，再确定关联数据对中的每类数据对在关联数据对中出现的比例。否则不再考虑该任一数据的关联数据对，即最终确定的频繁项集中不包括具有该任一数据的关联数据对。通过该方式，可以提高确定的出现比例的准确性，并因此可以提高确定的频繁项集的准确性，便于提高挖掘出的潜在兴趣的准确性。其中，第一阈值可以为100等较大的值，本公开对此不做限定。

图4是根据本公开实施例的确定推荐信息的原理示意图。

根据本公开的实施例，可以根据针对目标对象的多媒体信息来确定某个特征数据的点击概率，并基于该点击概率确定针对目标对象的多媒体信息的特征数据中，与目标对象相关联的目标特征数据。以此可以提高确定的目标特征数据的准确性和有效性。

在一实施例中，针对目标对象的多媒体信息可以包括访问对象为目标对象的第一信息和展示对象为目标对象的第二信息。如图4所示，该实施例400可以从数据库中获取历史多媒体信息的历史访问信息411和历史展示信息412。随后从历史访问信息411中挑选出访问对象为目标对象的第一信息421，并从历史展示信息412中挑选出展示对象为目标对象的第二信息422。在得到第一信息421和第二信息422后，可以先确定第一信息421的特征数据，得到多个第二特征数据。随后确定该多个第二特征数据中的每个特征数据在第一信息421中出现的次数，以及该每个特征数据在第二信息422中出现的次数，得到针对该每个特征数据的第一次数和第二次数。随后根据该第一次数和第二次数，确定该每个特征数据是否为目标特征数据。即基于第一次数和第二次数，确定多个第二特征数据中的目标特征数据430。

示例性地，针对某个第二特征数据，可以确定第一次数和第二次数的比值，若该比值大于等于预定比值，则确定该某个第二特征数据的点击概率较高，目标对象对该某个第二特征数据的感兴趣程度较高，则将该某个第二特征数据作为与目标对象相关联的目标特征数据。

例如，某个第二特征数据在第一信息中出现的次数可以为：第一信息中特征数据包括该某个第二特征数据的信息个数。类似地，某个第二特征数据在第二信息中出现的次数为：第二信息中特征数据包括该某个第二特征数据的信息个数。

示例性地，在确定第一次数和第二次数的比值之前，还可以先确定第二次数是否大于等于第二阈值。若大于等于第二阈值，再确定第一次数和第二次数的比值。例如，可以确定多个第二特征数据中第二次数大于等于第二阈值的数据，作为候选特征数据。最后，根据针对候选特征数据的第一次数和第二次数的比值，从候选特征数据中挑选出目标特征数据。其中，第二阈值可以根据实际需求进行设定，例如可以设定为50，本公开对此不做限定。通过该实施例，可以提高确定的目标特征数据的代表性，并因此便于提高确定的推荐信息的准确性。

在一实施例中，还可以根据目标对象当前访问的多媒体信息来确定目标特征数据。例如，如图4所示，该实施例400还可以获取数据库中多媒体信息的当前访问信息440，确定数据库中当前时刻被访问的多媒体信息。随后确定该当前时刻被访问的多媒体信息中是否包括访问对象为目标对象的第三信息。若包括，则确定该第三信息的特征数据为目标特征数据430。或者，可以根据目标对象的访问记录，确定目标对象当前时刻访问的信息为前述的第三信息。

在得到目标特征数据430后，可以查询特征数据的频繁项集450。从该频繁项集450中查找到与该目标特征数据属于同一频繁项集的特征数据，作为预测特征数据460。在得到预测特征数据460后，可以从数据库470中召回特征数据包括该预测特征数据460的多媒体信息，作为推荐信息480。

该实施例通过根据第一次数和第二次数的比值来挑选目标特征数据，可以使得得到的目标特征数据更能反映目标对象的需求和兴趣，从而可以提高基于该目标特征数据从频繁项集中查找到的预测特征数据的准确性，再者，通过同时结合当前访问信息来得到目标特征数据，可以使得确定的目标特征数据包括有能够反映目标对象的实时需求的数据，并因此可以提高最终确定的推荐信息的准确性，提高目标对象的使用体验。

根据本公开的实施例，在多媒体信息为直播视频的情况下，该实施例的确定推荐信息的方法可以通过以下方式得到特征数据的频繁项集。预先离线统计得到多个用户中每个用户在过去一段时间(例如15天)观看过的直播和各直播的主播。随后，从主播维度，将每个用户观看过的直播的特征数据进行合并，得到每个主播针对每个用户的特征数据集(与前文描述的特征数据集类似，在此不再赘述)。将该每个主播针对每个用户的特征数据集作为一个item，特征数据集中的每个特征数据作为一个word，从特征数据集中剔除高频word和低频word。具体的，可以统计每个word在所有item中出现的次数，记为x，并统计所有item的个数，记为y。针对某个word，若x与y的比值ratio高于第一比值或者低于第二比值，则从所有item中剔除该word。随后，若针对某个用户的item的个数不低于2，则针对该某个用户，确定任意两个item中word的交叉组合，得到针对该某个用户的组合对。统计针对多个用户的组合对，可以得到多个组合对。随后确定多个组合对中包括某个word的组合对，得到u个组合对。确定该u个组合对中某类组合对的个数v，根据v与u的比值，来确定是否将该某类组合对作为频繁项集。例如，若u大于前述的第一阈值，且v与u的比值高于前述的预定值(例如0.1)，则确定该某类组合对为频繁项集。

基于上述的确定推荐信息的方法，本公开还提供了一种确定推荐信息的装置，以下将结合图5对该装置进行详细描述。

图5是根据本公开实施例的确定推荐信息的装置的结构框图。

如图5所示，该实施例的确定推荐信息的装置500可以包括目标特征确定模块510、预测特征确定模块520和推荐信息确定模块530。

目标特征确定模块510用于基于针对目标对象的多媒体信息的特征数据，确定与目标对象相关联的目标特征数据。在一实施例中，目标特征确定模块510可以用于执行前文描述的操作S210，在此不再赘述。

预测特征确定模块520用于基于目标特征数据和特征数据的频繁项集，确定针对目标对象的预测特征数据。其中，特征数据的频繁项集是基于历史多媒体信息的访问数据和历史多媒体信息的特征数据确定的。在一实施例中，预测特征确定模块520可以用于执行前文描述的操作S220，在此不再赘述。

推荐信息确定模块530用于基于预测特征数据，确定针对目标对象的推荐信息。在一实施例中，推荐信息确定模块530可以用于执行前文描述的操作S230，在此不再赘述。

根据本公开的实施例，上述确定推荐信息的装置500还可以包括频繁项集确定模块，用于确定特征数据的频繁项集。该频繁项集确定模块可以包括第一特征确定子模块、数据对获得子模块、出现比例确定子模块和项集确定子模块。第一特征确定子模块用于确定历史多媒体信息中被访问多媒体信息的特征数据，得到多个第一特征数据。数据对获得子模块用于基于多个第一特征数据，获得多个特征数据对。出现比例确定子模块用于针对多个特征数据对中的每类数据对，确定针对每类数据对的出现比例。项集确定子模块用于基于出现比例，确定多个特征数据对中的目标数据对，作为频繁项集。其中，多个特征数据对依据包括的特征数据分为多类数据对，每类数据对中的数据对彼此相同。

根据本公开的实施例，数据对获得子模块可以包括信息划分单元和数据对获得单元。信息划分单元用于根据所述被访问多媒体信息的访问对象，对所述被访问多媒体信息进行划分，得到多个多媒体信息集。数据对获得单元用于基于同一多媒体信息集中多媒体信息的特征数据，获得多个特征数据对。

根据本公开的实施例，数据对获得单元可以包括信息划分子单元和数据对获得子单元。信息划分子单元用于根据被访问多媒体信息的制作对象，对多个多媒体信息集中的每个多媒体信息集进行划分，得到属于每个多媒体信息集的多个多媒体信息子集。数据对获得子单元用于基于不同多媒体信息子集中多媒体信息的特征数据，获得多个特征数据对。

根据本公开的实施例，数据对获得子单元用于通过以下方式获得多个特征数据对：针对多个多媒体信息子集中的任一子集，统计任一子集中多媒体信息的特征数据，得到针对任一子集的特征数据集；剔除特征数据集中的异常特征数据，获得针对任一子集的目标数据集；以及基于不同目标数据集中的特征数据，组成多个特征数据对。

根据本公开的实施例，数据对获得子单元用于通过以下方式剔除特征数据集中的异常特征数据：基于特征数据集中各特征数据在属于多个多媒体信息集的所有多媒体信息子集中出现的比例，确定特征数据集中的异常特征数据；以及从特征数据集中剔除异常特征数据。

根据本公开的实施例，出现比例确定子模块可以包括数据对确定单元和比例确定单元。数据对确定单元用于针对多个第一特征数据中的每个数据，确定多类数据对中包括每个数据的至少一类数据对，作为关联数据对。比例确定单元用于确定关联数据对中每类数据对在关联数据对中出现的比例，作为针对每类数据对的出现比例。

根据本公开的实施例，数据对确定单元用于在关联数据对的个数大于等于第一阈值的情况下，确定关联数据对中的每类数据对在关联数据对中出现的比例。

根据本公开的实施例，上述针对目标对象的多媒体信息包括访问对象为目标对象的第一信息和展示对象为目标对象的第二信息。上述目标特征确定模块可以包括第二特征确定子模块、次数确定子模块和目标特征确定子模块。第二特征确定子模块用于确定第一信息的特征数据，得到多个第二特征数据。次数确定子模块用于针对多个第二特征数据中的每个第二特征数据，确定每个第二特征数据在第一信息中出现的次数和每个第二特征数据在第二信息中出现的次数，得到针对每个第二特征数据的第一次数和第二次数。目标特征确定子模块用于基于第一次数和第二次数，确定多个第二特征数据中的目标特征数据。

根据本公开的实施例，上述目标特征确定子模块可以包括候选特征确定单元和目标特征确定单元。候选特征确定单元用于确定多个第二特征数据中第二次数大于等于第二阈值的数据，作为候选特征数据。目标特征确定单元用于基于针对候选特征数据的第一次数和第二次数的比值，确定候选特征数据中的目标特征数据。

根据本公开的实施例，上述目标特征确定模块还可以包括信息确定子模块，用于确定当前时刻被访问的多媒体信息中访问对象为目标对象的第三信息。其中，上述目标特征确定子模块还用于确定第三信息的特征数据为目标特征数据。

根据本公开的实施例，上述预测特征确定模块可以包括目标项集确定子模块和预测信息确定子模块。目标项集确定子模块用于确定特征数据的频繁项集中包括目标特征数据的目标频繁项集。预测信息确定子模块用于确定与目标特征数据属于同一目标频繁项集的特征数据，作为预测特征数据。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实现本公开实施例的确定推荐信息的方法的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(R0M)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如确定推荐信息的方法。例如，在一些实施例中，确定推荐信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由R0M 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的确定推荐信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定推荐信息的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种确定推荐信息的方法，包括：

基于针对目标对象的多媒体信息的特征数据，确定与所述目标对象相关联的目标特征数据；

基于所述目标特征数据和特征数据的频繁项集，确定针对所述目标对象的预测特征数据；以及

基于所述预测特征数据，确定针对所述目标对象的推荐信息，

其中，所述特征数据的频繁项集是基于历史多媒体信息的访问数据和所述历史多媒体信息的特征数据确定的；

其中，通过以下方式确定所述特征数据的频繁项集包括：

确定所述历史多媒体信息中被访问多媒体信息的特征数据，得到多个第一特征数据；

基于所述多个第一特征数据，获得多个特征数据对；

针对所述多个特征数据对中的每类数据对，确定针对所述每类数据对的出现比例；以及

基于所述出现比例，确定所述多个特征数据对中的目标数据对，作为所述频繁项集，

其中，所述多个特征数据对依据包括的特征数据分为多类数据对，每类数据对中的数据对彼此相同；

其中，所述基于所述多个第一特征数据，获得多个特征数据对包括：

根据所述被访问多媒体信息的访问对象，对所述被访问多媒体信息进行划分，得到多个多媒体信息集；以及

基于同一多媒体信息集中多媒体信息的特征数据，获得所述多个特征数据对；

其中，所述基于同一多媒体信息集中多媒体信息的特征数据，获得所述多个特征数据对包括：

根据所述被访问多媒体信息的制作对象，对所述多个多媒体信息集中的每个多媒体信息集进行划分，得到属于所述每个多媒体信息集的多个多媒体信息子集；以及

基于不同多媒体信息子集中多媒体信息的特征数据，获得所述多个特征数据对。

2.根据权利要求1所述的方法，其中，所述基于不同多媒体信息子集中多媒体信息的特征数据，组成所述多个特征数据对包括：

针对所述多个多媒体信息子集中的任一子集，统计所述任一子集中多媒体信息的特征数据，得到针对所述任一子集的特征数据集；

剔除所述特征数据集中的异常特征数据，获得针对任一子集的目标数据集；以及

基于不同目标数据集中的特征数据，组成所述多个特征数据对。

3. 根据权利要求2所述的方法，其中，剔除所述特征数据集中的异常特征数据包括：

基于所述特征数据集中各特征数据在属于所述多个多媒体信息集的所有多媒体信息子集中出现的比例，确定所述特征数据集中的异常特征数据；以及

从所述特征数据集中剔除所述异常特征数据。

4. 根据权利要求1~3中任一项所述的方法，其中，确定针对所述每类数据对的出现比例包括，针对所述多个第一特征数据中的每个数据：

确定所述多类数据对中包括所述每个数据的至少一类数据对，作为关联数据对；以及

确定所述关联数据对中每类数据对在所述关联数据对中出现的比例，作为针对所述每类数据对的出现比例。

5.根据权利要求4所述的方法，其中，确定所述关联数据对中的每类数据对在所述关联数据对中出现的比例包括：

在所述关联数据对的个数大于等于第一阈值的情况下，确定所述关联数据对中的每类数据对在所述关联数据对中出现的比例。

6.根据权利要求1~3中任一项所述的方法，其中，所述针对目标对象的多媒体信息包括访问对象为所述目标对象的第一信息和展示对象为所述目标对象的第二信息；确定与所述目标对象相关联的目标特征数据包括：

确定所述第一信息的特征数据，得到多个第二特征数据；

针对所述多个第二特征数据中的每个第二特征数据，确定所述每个第二特征数据在所述第一信息中出现的次数和所述每个第二特征数据在所述第二信息中出现的次数，得到针对所述每个第二特征数据的第一次数和第二次数；以及

基于所述第一次数和所述第二次数，确定所述多个第二特征数据中的目标特征数据。

7. 根据权利要求6所述的方法，其中，确定所述多个第二特征数据中的目标特征数据包括：

确定所述多个第二特征数据中所述第二次数大于等于第二阈值的数据，作为候选特征数据；以及

基于针对所述候选特征数据的第一次数和第二次数的比值，确定所述候选特征数据中的目标特征数据。

8. 根据权利要求6所述的方法，其中，确定与所述目标对象相关联的目标特征数据还包括：

确定当前时刻被访问的多媒体信息中访问对象为所述目标对象的第三信息；以及

确定所述第三信息的特征数据为所述目标特征数据。

9. 根据权利要求1~3中任一项所述的方法，其中，确定针对所述目标对象的预测特征数据包括：

确定所述特征数据的频繁项集中包括所述目标特征数据的目标频繁项集；以及

确定与所述目标特征数据属于同一目标频繁项集的特征数据，作为所述预测特征数据。

10.一种确定推荐信息的装置，包括：

目标特征确定模块，用于基于针对目标对象的多媒体信息的特征数据，确定与所述目标对象相关联的目标特征数据；

预测特征确定模块，用于基于所述目标特征数据和特征数据的频繁项集，确定针对所述目标对象的预测特征数据；以及

推荐信息确定模块，用于基于所述预测特征数据，确定针对所述目标对象的推荐信息，

其中，所述特征数据的频繁项集是基于历史多媒体信息的访问数据和所述历史多媒体信息的特征数据确定的；

其中，所述确定推荐信息的装置还包括频繁项集确定模块，用于确定所述特征数据的频繁项集；所述频繁项集确定模块包括：

第一特征确定子模块，用于确定所述历史多媒体信息中被访问多媒体信息的特征数据，得到多个第一特征数据；

数据对获得子模块，用于基于所述多个第一特征数据，获得多个特征数据对；

出现比例确定子模块，用于针对所述多个特征数据对中的每类数据对，确定针对所述每类数据对的出现比例；以及

项集确定子模块，用于基于所述出现比例，确定所述多个特征数据对中的目标数据对，作为所述频繁项集，

其中，所述多个特征数据对依据包括的特征数据分为多类数据对，每类数据对中的数据对彼此相同；

其中，所述数据对获得子模块包括：

信息划分单元，用于根据所述被访问多媒体信息的访问对象，对所述被访问多媒体信息进行划分，得到多个多媒体信息集；以及

数据对获得单元，用于基于同一多媒体信息集中多媒体信息的特征数据，获得所述多个特征数据对；

其中，所述数据对获得单元包括：

信息划分子单元，用于根据所述被访问多媒体信息的制作对象，对所述多个多媒体信息集中的每个多媒体信息集进行划分，得到属于所述每个多媒体信息集的多个多媒体信息子集；以及

数据对获得子单元，用于基于不同多媒体信息子集中多媒体信息的特征数据，获得所述多个特征数据对。

11.根据权利要求10所述的装置，其中，所述数据对获得子单元用于通过以下方式获得所述多个特征数据对：

针对所述多个多媒体信息子集中的任一子集，统计所述任一子集中多媒体信息的特征数据，得到针对所述任一子集的特征数据集；

剔除所述特征数据集中的异常特征数据，获得针对所述任一子集的目标数据集；以及

基于不同目标数据集中的特征数据，组成所述多个特征数据对。

12. 根据权利要求11所述的装置，其中，所述数据对获得子单元用于通过以下方式剔除所述特征数据集中的异常特征数据：

基于所述特征数据集中各特征数据在属于所述多个多媒体信息集的所有多媒体信息子集中出现的比例，确定所述特征数据集中的异常特征数据；以及

从所述特征数据集中剔除所述异常特征数据。

13. 根据权利要求10~12中任一项所述的装置，其中，所述出现比例确定子模块包括：

数据对确定单元，用于针对所述多个第一特征数据中的每个数据，确定所述多类数据对中包括所述每个数据的至少一类数据对，作为关联数据对；以及

比例确定单元，用于确定所述关联数据对中每类数据对在所述关联数据对中出现的比例，作为针对所述每类数据对的出现比例。

14.根据权利要求13所述的装置，其中，所述数据对确定单元用于：

在所述关联数据对的个数大于等于第一阈值的情况下，确定所述关联数据对中的每类数据对在所述关联数据对中出现的比例。

15.根据权利要求10~12中任一项所述的装置，其中，所述针对目标对象的多媒体信息包括访问对象为所述目标对象的第一信息和展示对象为所述目标对象的第二信息；所述目标特征确定模块包括：

第二特征确定子模块，用于确定所述第一信息的特征数据，得到多个第二特征数据；

次数确定子模块，用于针对所述多个第二特征数据中的每个第二特征数据，确定所述每个第二特征数据在所述第一信息中出现的次数和所述每个第二特征数据在所述第二信息中出现的次数，得到针对所述每个第二特征数据的第一次数和第二次数；以及

目标特征确定子模块，用于基于所述第一次数和所述第二次数，确定所述多个第二特征数据中的目标特征数据。

16. 根据权利要求15所述的装置，其中，所述目标特征确定子模块包括：

候选特征确定单元，用于确定所述多个第二特征数据中所述第二次数大于等于第二阈值的数据，作为候选特征数据；以及

目标特征确定单元，用于基于针对所述候选特征数据的第一次数和第二次数的比值，确定所述候选特征数据中的目标特征数据。

17.根据权利要求15所述的装置，其中，所述目标特征确定模块还包括：

信息确定子模块，用于确定当前时刻被访问的多媒体信息中访问对象为所述目标对象的第三信息，

其中，所述目标特征确定子模块还用于确定所述第三信息的特征数据为所述目标特征数据。

18. 根据权利要求10~12中任一项所述的装置，其中，所述预测特征确定模块包括：

目标项集确定子模块，用于确定所述特征数据的频繁项集中包括所述目标特征数据的目标频繁项集；以及

预测信息确定子模块，用于确定与所述目标特征数据属于同一目标频繁项集的特征数据，作为所述预测特征数据。

19. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1~9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1~9中任一项所述的方法。

Images