CN113407859A

CN113407859A - 一种资源推荐方法、装置、电子设备及存储介质

Info

Publication number: CN113407859A
Application number: CN202110958077.XA
Authority: CN
Inventors: 陈程; 王贺; 石奕
Original assignee: Wuhan Zhuoer Digital Media Technology Co ltd
Current assignee: Wuhan Zhuoer Digital Media Technology Co ltd
Priority date: 2021-08-20
Filing date: 2021-08-20
Publication date: 2021-09-17
Anticipated expiration: 2041-08-20
Also published as: CN113407859B

Abstract

本申请公开了一种资源推荐方法、装置、电子设备及存储介质。其中，资源推荐方法包括：基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征。第一用户特征表征第一时刻确定出的用户特征，第二用户特征表征在第一时刻之后的第二时刻确定出的用户特征。基于更新后的至少一个用户中的每个用户对应的第一用户特征，对至少一个用户进行聚类，得到每个用户对应的类别。基于每个用户对应的类别，为每个用户推荐对应的资源。

Description

一种资源推荐方法、装置、电子设备及存储介质

技术领域

本申请涉及互联网信息技术领域，尤其涉及一种资源推荐方法、装置、电子设备及存储介质。

背景技术

用户画像是用户信息的标签化，能够实现对用户特征的精炼概括。相关技术中，通常基于一定的用户画像为用户推荐对应的资源，然而，这种推荐方式还存在推荐精度低下的问题。

发明内容

有鉴于此，本申请实施例的主要目的在于提供一种资源推荐方法、装置、电子设备及存储介质，以解决相关技术中资源推荐精度低下的问题。

为达到上述目的，本申请实施例的技术方案是这样实现的：

本申请实施例提供了一种资源推荐方法，所述方法包括：

基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征；所述第一用户特征表征第一时刻确定出的用户特征；所述第二用户特征表征在所述第一时刻之后的第二时刻确定出的用户特征；

基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别；

基于每个用户对应的类别，为每个用户推荐对应的资源。

上述方案中，所述方法还包括：

基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息；

基于用户在设定应用上发出的文本信息，提取对应的用户特征。

上述方案中，所述基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息，还包括：

基于设定应用的行为数据中的用户标识，确定发出对应文本信息的用户。

上述方案中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法包括：

对每个用户，判断至少一个第二标签中每个第二标签与至少一个第一标签中每个第一标签是否相同，得到判断结果；

在所述判断结果表征存在所述第二标签与所述第一标签相同、且所述第二标签与所述第一标签相同的数量大于或等于1的情况下，基于所述第二标签对应的权重更新所述第一标签对应的权重，所述第二标签与所述第一标签为相同的标签；其中，所述第二用户特征包括所述至少一个第二标签和每个第二标签对应的权重；所述第一用户特征包括所述至少一个第一标签与每个第一标签对应的权重。

上述方案中，所述基于所述第二标签对应的权重更新所述第一标签对应的权重，包括：

对所述第二标签对应的权重进行求导，得到求导结果；

基于所述求导结果更新相同的第一标签对应的权重。

上述方案中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法还包括：

在所述判断结果表征存在所述第二标签与所述第一标签不相同、且所述第二标签与所述第一标签不相同的数量大于或等于1的情况下，将对应的第二标签及对应的权重添加到所述第一用户特征中。

上述方案中，所述基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别，包括：

根据基于密度的带噪聚类（DBSCAN，Density-Based Spatial Clustering ofApplications with Noise）算法对更新后的所述至少一个用户中的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果；

根据K最近邻（KNN，K Nearest Neighbor）算法调整所述至少一类聚类结果中的每类聚类结果，得到每个用户对应的类别。

本申请实施例还提供了一种资源推荐装置，所述装置包括：

更新单元，用于基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征；所述第一用户特征表征第一时刻确定出的用户特征；所述第二用户特征表征在所述第一时刻之后的第二时刻确定出的用户特征；

聚类单元，用于基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别；

推荐单元，用于基于每个用户对应的类别，为每个用户推荐对应的资源。

本申请实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述任一方法的步骤。

本申请实施例还提供了一种存储介质，其上存有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。

在本申请实施例中，基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征。其中，第一用户特征表征第一时刻确定出的用户特征，第二用户特征表征在第一时刻之后的第二时刻确定出的用户特征。基于更新后的至少一个用户中的每个用户对应的第一用户特征，对至少一个用户进行聚类，得到每个用户对应的类别。基于每个用户对应的类别，为每个用户推荐对应的资源。这样，基于动态更新的用户特征对用户进行分类，基于用户对应的类别为用户推荐资源，在为用户推荐资源时考虑到了用户特征的动态变化，使得推荐给用户的资源能够精准贴合用户当前的特征，从而提高了资源推荐的精度。

附图说明

图1为本申请实施例提供的资源推荐方法的实现流程示意图；

图2为本申请实施例提供的资源推荐装置的示意图；

图3为本申请实施例电子设备的硬件组成结构示意图。

具体实施方式

用户画像是指获取的用户的专业背景、文化程度、知识获取方式、兴趣偏好等与用户相关的信息。用户画像是用户信息的标签化，能够实现对用户特征的精炼概括。用户画像通常应用于智能推荐系统，用于实现精准的推荐服务。可以基于用户画像进行模型识别，得到用户对应的特定的属性标签，通过分析用户对应的属性标签，将具有相同属性标签的用户进行归类，形成不同的用户类别，便于掌握不同用户类别的用户的特征、偏好和需求，也便于根据用户对应的类别为用户进行个性化推荐。可以按照重要性对不同的用户类别进行排序，将重要的、核心的、规模较大的用户类别突显出来，便于对用户进行分析和管理。通过对用户画像进行多维度地分析，可以多维度地构建用户对应的属性标签。

相关技术中，通过构建特征采集器，对用户画像数据、应用列表数据和客户端上报的数据进行处理，获得规范化且符合数据建模要求的特征向量，将这些特征向量输入至多个基础推荐模型进行预测，生成初步的用户应用推荐列表及相应的下载概率，结合下载概率以及实际标签训练出的融合模型，生成最终的应用推荐列表。可以通过对用户历史日志进行多维度地特征提取，构建用户画像数据仓库。基础推荐模型可以为基于时序的长短期记忆网络模型。融合模型可以整合各个模型的学习结果。

然而，这种方式是基于一定的用户画像为用户推荐对应的资源，还存在推荐精度低下的问题。

基于此，本申请实施例提供了一种资源推荐方法、装置、电子设备及存储介质，基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征。其中，第一用户特征表征第一时刻确定出的用户特征，第二用户特征表征在第一时刻之后的第二时刻确定出的用户特征。基于更新后的至少一个用户中的每个用户对应的第一用户特征，对至少一个用户进行聚类，得到每个用户对应的类别。基于每个用户对应的类别，为每个用户推荐对应的资源。这样，基于动态更新的用户特征对用户进行分类，基于用户对应的类别为用户推荐资源，在为用户推荐资源时考虑到了用户特征的动态变化，使得推荐给用户的资源能够精准贴合用户当前的特征，从而提高了资源推荐的精度。

下面结合附图及实施例对本申请再作进一步详细的描述。

图1为本申请实施例提供的资源推荐方法的实现流程示意图。如图1所示，所述方法包括：

步骤101：基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征；所述第一用户特征表征第一时刻确定出的用户特征；所述第二用户特征表征在所述第一时刻之后的第二时刻确定出的用户特征。

这里，用户对应的用户特征会随着时间的推移动态变化，因此，在第二时刻获取到用户的第二用户特征后，基于第二用户特征更新对应用户的第一用户特征。第一用户特征表征第一时刻获取的用户特征。第二时刻在第一时刻之后。在本申请实施例中，用户特征表征用户的兴趣属性特征。用户特征属于用户画像。

在一些实施例中，可以每隔设定时长，基于用户的第二用户特征更新对应用户的第一用户特征。也就是说，第二时刻在第一时刻之后且与第一时刻相隔设定时长。设定时长可以为1天、3天、5天，具体的数值可以根据实际情况进行设置，本申请实施例对此不进行限定。

步骤102：基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别。

这里，在用户对应的第一用户特征更新之后，基于更新后的第一用户特征，对至少一个用户进行聚类，得到每个用户对应的类别。这样，可以基于用户对应的最新的第一用户特征，得到用户对应的类别，使得得到的用户对应的类别更加准确。

步骤103：基于每个用户对应的类别，为每个用户推荐对应的资源。

这里，在得到每个用户对应的类别后，基于每个用户对应的类别，为每个用户推荐与用户对应的类别匹配的资源。

在一实施例中，所述方法还包括：

这里，用户在使用设定应用时，会进行各种行为操作，如点赞、评论、分享、关注、下单、举报等。用户在设定应用中进行行为操作时，设定应用会将用户的行为操作记录下来，并保存为对应的行为数据。一条行为数据对应一条行为操作记录。因此，可以基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息。用户在设定应用上发出的文本信息表征用户在设定应用上进行评论时发出的文字评论信息。

在互联网平台中，用户对设定应用的评论一般包括文字评论信息和评分两方面。评分反映是用户对设定应用整体满意度的评价，无法反映用户对设定应用中的某个功能的评价与喜好。文字评论信息是用户在使用过设定应用、体验过相关的服务后的真实反馈，可以反映用户对设定应用中的功能和细节部分的评价与喜好。因此，文字评论信息相对于评分更能反映出用户的喜好。

实际应用中，可以通过爬虫技术爬取用户在设定应用上发出的文本信息。

在获得用户在设定应用上发出的文本信息后，将文本信息存储至文档中，每个文档中存储的文本信息数量可以是固定的，如一个文档中存储50条文本信息。

在本申请实施例中，基于向量空间模型构建用户特征。向量空间模型通常应用于文本挖掘与信息检索领域。向量空间模型将给定的文档转换成一个高维度的向量，以特征项作为文档表示的基本单位，即，一个特征项表征文档中的一个词。向量空间的每个维度对应文档中的一个词。每个维度本身表示对应的词在文档中的权重。权重反应了词在所在文档中的重要程度，也就是该词能够在多大程度上反映该词所在文档的类别。

具体地，针对文档中包括的每个词，利用词频-逆文本频率（TF-IDF，TermFrequency- Inverse Document Frequency）算法确定文档中包括的每个词的重要程度，即确定文档中包括的每个词的权重。TF-IDF算法是一种用于信息检索与文本挖掘中的加权方法，用来评估一个词对于一个文档集合中的其中一个文档的重要程度。词的重要性随着它在一个文档中出现的次数成正比增加，但同时随着它在文档集合中出现的频率成反比下降。一个词的TF-IDF值越大，代表该词的类别区分能力越好。其中，TF是指一个词在一个文档中出现的频繁程度，假设词i在文档

中出现的次数为

，文档

中包含的词的总个数为

，那么，词i的TF值的计算公式如下：

公式1

IDF是一个词普遍重要性的度量，在一个文档集合中，如果包含某个词的文档越少，则该词的IDF值越大，说明该词具有很好的类别区分能力。反之，如果在一个文档集合中，包含某个词的文档越多，则该词的IDF值越小。IDF可以降低文档集合中常见词的权重。假设文档集合中的文档总个数为N，出现词i的文档数量为

，那么词i的IDF值的计算公式如下：

公式2

文档

中的词i的TF-IDF值的计算公式如下：

公式3

示例性地，假设词i在文档

中出现的次数

为10，文档

中包含的词的总个数

为100，那么，关键词i的TF值为0.1。文档集合中文档的总个数N为100，出现词i的文档数量

为10，那么词i的IDF值为1。所以，文档

中词i的TF-IDF值为0.1。

使用TF-IDF算法计算文档中每个词的重要程度，也就是计算文档中每个词的权重。在将文档中每个词的权重计算完成之后，将文档中每个词以及对应的权重存储在一个集合中，这个集合表征用户特征。

通过基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息，根据用户发出的文本信息提取用户特征，使得提取出的用户特征更加准确。

在一实施例中，所述基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息，还包括：

这里，基于设定应用的行为数据中的用户标识，确定发出对应文本信息的用户。设定应用的行为数据记录了行为操作的对象、行为操作发生的时间、行为操作发生的地点、行为操作的具体内容、行为操作如何发生。行为数据中记录的行为操作的对象中包含了用户标识，基于行为操作对象可以确定出发出对应文本信息的用户。设定应用的行为数据中的用户标识包括用户账号标识和用户使用的设备标识。用户在使用设定应用时，通常会注册一个账号，登录注册好的账号在设定应用上进行行为操作，每个账号都对应一个用户，因此可以基于用户账号标识确定发出对应文本信息的用户。在用户未登录账号使用设定应用的情况下，或者一个用户存在多个账号的情况下，可以通过采集用户使用的设备的标识来区分不同的用户。以手机为例，每个手机都有一个唯一的标识码，因此可以通过手机的标识码来区分不同的用户。

在确定发出文本信息的用户后，将用户发出的文本信息存储至用户对应的文档中，对每个用户对应的文档中的每个词计算TF-IDF值，得到每个词的权重。将每个用户对应的文档中每个词以及对应的权重存储在一个集合中，就可以得到每个用户对应的用户特征。

示例性地，用户对应的用户特征可以用

来表示，其中，

表示该用户对应的文档中的任意一个词，

表示该用户对应的文档中任意一个词对应的权重，也就是该用户对应的文档中任意一个词的TF-IDF值。

通过基于设定应用的行为数据中的用户标识，确定发出对应文本信息的用户，便于更准确地基于用户对应的文本信息提取对应用户的用户特征。

在一实施例中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法包括：

这里，随着时间的推移，用户在设定应用中的行为数据不断增加，基于该行为数据得出的用户发出的文本信息也在不断变化，基于用户发出的文本信息得到的用户对应的文档中的词以及词对应的权重也会相应发生变化。因此，对每个用户，判断第二用户特征包括的每个第二标签与第一用户特征包括的每个第一标签是否相同。第二标签表征第二用户特征中包括的词，第一标签表征第一用户特征中包括的词。

如果存在第二标签与第一标签相同，表示第二用户特征包括的所有词中存在词与第一用户特征包括的词相同，说明在经过一段时长后，第二用户特征中依然存在该词。第二标签与第一标签相同的数量大于或等于1，说明第二用户特征中存在至少一个第二标签与第一用户特征中的至少一个第一标签相同，也就是说第二用户特征包括的所有词中存在至少一个词与第一用户特征包括的至少一个词相同，在这种情况下，基于所述至少一个第二标签中的每个第二标签对应的权重更新相同的第一标签对应的权重。

第二用户特征包括至少一个第二标签以及每个第二标签对应的权重，也就是第二用户特征包括至少一个词和每个词对应的权重。第一用户特征包括至少一个第一标签以及每个第一标签对应的权重，也就是第一用户特征包括至少一个词和每个词对应的权重。

通过判断第二用户特征中的第二标签与第一用户特征中的第一标签是否相同，在相同的情况下基于第二标签对应的权重更新相同的第一标签对应的权重，可以及时更新用户对应的用户特征，使得基于用户特征的推荐结果更加准确。

在一实施例中，所述基于所述第二标签对应的权重更新所述第一标签对应的权重，包括：

对所述第二标签对应的权重进行求导，得到求导结果；

基于所述求导结果更新相同的第一标签对应的权重。

这里，基于对应的第二标签对应的权重更新相同的第一标签对应的权重，包括对对应的第二标签对应的权重进行求导，得到求导结果，基于求导结果更新相同的第一标签对应的权重。

需要说明的是，第一用户特征是第一时刻确定出的，第二用户特征是第二时刻确定出的，因此可以认为第一用户特征包括的任意一个第一标签对应的权重是第一时刻的权重，第二用户特征包括的任意一个第二标签对应的权重是第二时刻的权重。所以，在对对应的第二标签对应的权重进行求导时，是基于第二标签对应的权重以及第二时刻与第一时刻之间的时间间隔进行求导，得到求导结果。

相同的第一标签对应的权重的更新公式如下：

公式4

其中，

表示更新后的第一标签对应的权重，

表示第二时刻第二标签对应的权重，

表示第一时刻相同的第一标签对应的权重，

为第二时刻与第一时刻之间的时间间隔。

通过基于对应的第二标签对应的权重更新相同的第一标签对应的权重，可以保证用户对应的用户特征包括的标签和权重都是最准确的，使得基于用户特征的推荐结果更加准确。

在一实施例中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法还包括：

这里，如果存在第二标签与第一标签不相同，说明第二用户特征中包括的所有词中存在词与第一用户特征中包括的词不相同，说明在经过一段时长后，第二用户特征中出现了新的词。第二标签与第一标签不相同的数量大于或等于1，说明第二用户特征中存在至少一个第二标签与第一用户特征中的第一标签不相同，也就是说第二用户特征包括的所有词中存在至少一个词与第一用户特征包括的词不相同，在这种情况下，将所述至少一个第二标签中的每个第二标签以及对应的权重添加至第一用户特征，从而更新第一用户特征。

示例性地，一个用户的第一用户特征为集合

，该用户的第二用户特征为集合

。其中，

为第一标签，

为第二标签。

判断第二用户特征中的每个第二标签是否与第一用户特征中的每个第一标签相同。具体地，从第二用户特征中抽取任意一个第二标签

，如果判断得出

等于

，则更新

对应的权重。具体的更新方法为，对

对应的权重进行求导，基于得到的求导结果更新

对应的权重。

如果

与每一个

均不相同，则将

添加至集合K中，从而更新第一用户特征。

循环上述判断过程，直至对第二用户特征中所有的第二标签进行检测。

在任意一个第二标签与每个第一标签均不相同的情况下，将对应的第二标签以及对应的权重添加至第一用户特征，可以及时更新用户对应的用户特征，使得基于用户特征的推荐结果更加准确。

在一实施例中，所述基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别，包括：

根据DBSCAN算法对更新后的所述至少一个用户中的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果；

根据KNN算法调整所述至少一类聚类结果中的每类聚类结果，得到每个用户对应的类别。

这里，DBSCAN算法利用基于密度聚类的思想，即每个聚类空间的一定区域内所包含的对象数目不小于设定的阈值。DBSCAN算法有两个主要参数，定义密度时的邻域半径eps和定义核心点时的阈值MinPts。在DBSCAN算法中，数据点分为3类，第一类是核心点，如果一个数据点在半径eps内含有超过MinPts数量的数据点，则该数据点为核心点；第2类是边界点，如果一个数据点在半径eps内含有的数据点的数量小于MinPts，但该数据点落在核心点的半径eps内，则该数据点为边界点；第3类是噪声点，如果一个数据点既不是核心点也不是边界点，则该数据点为噪声点。

在使用DBSCAN算法进行聚类时，首先选取一个较小的半径eps，对更新后的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果

和至少一个噪声点

，其中，n和m均为大于1的正整数。此时，每一类聚类结果中包含的第一用户特征相关性很高。

确定每一类聚类结果的核心点

。

计算每一个噪声点和每一类聚类结果的核心点的距离，

，选取其中最小的距离

。判断该最小的距离与半径eps之间的大小关系，如果该最小距离不大于半径eps，则将该噪声点归类为具有最小距离的聚类结果。如果该最小距离大于半径eps，则丢弃该噪声点。

通过同样的方式处理其他噪声点，直至所有的噪声点都处理完毕，这样就消除了所有的噪声点。

在消除噪声点之后得到的至少一类聚类结果中，根据KNN算法调整所述至少一类聚类结果中的每类聚类结果，得到每个用户对应的类别。即，对每一类聚类结果中包括的至少一个第一用户特征，使用KNN算法进行聚类分析确定第一用户特征对应的用户最终对应的类别。

具体地，对于某个待测定类别的文档向量

，计算

与训练集R中所有文档向量之间的余弦距离相似度。待测定类别的文档向量

中包括了至少一个词和每个词对应的权重，因此，文档向量

表征对应的用户的第一用户特征。其中，待测定类别的文档向量

与训练集中任意一个文档向量

之间的余弦夹角计算公式如下：

公式5

其中，

分别为文档向量

中第i个词对应的权重，

的值越大说明两个文档向量的相似度越高。

计算

属于每个类别的权重W，

属于

类的权重的计算公式如下：

公式6

其中，

为投票权重函数，通常为1或者为

。

为属性类别函数，取值为0或者1，当

时，函数值取1，否则取0。

计算出

属于每一类别的权重后，将

确定为具有最大权重的类别。

基于同样的方式，处理DBSCAN算法得到的每类聚类结果中包含的每个第一用户特征，得到每个用户对应的类别。然后基于每个用户对应的类别，为每个用户推荐对应的产品。

通过利用DBSCAN算法和KNN算法结合的方式对第一用户特征进行分类，保证可以精确获得每个用户对应的类别，便于基于每个用户准确对应的类别为用户准确推荐对应的资源，提高了推荐精度。

为实现本申请实施例的方法，本申请实施例还提供了一种资源推荐装置，图2为本申请实施例提供的资源推荐装置的示意图，请参见图2，该装置包括：

更新单元201，用于基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征；所述第一用户特征表征第一时刻确定出的用户特征；所述第二用户特征表征在所述第一时刻之后的第二时刻确定出的用户特征。

聚类单元202，用于基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别。

推荐单元203，用于基于每个用户对应的类别，为每个用户推荐对应的资源。

在一实施例中，所述装置还包括：确定单元和提取单元；其中，所述确定单元，用于基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息；

所述提取单元，用于基于用户在设定应用上发出的文本信息，提取对应的用户特征。

在一实施例中，所述确定单元，还用于基于设定应用的行为数据中的用户标识，确定发出对应文本信息的用户。

在一实施例中，所述更新单元201，还用于对每个用户，判断至少一个第二标签中每个第二标签与至少一个第一标签中每个第一标签是否相同，得到判断结果；

在一实施例中，所述更新单元201，还用于对所述第二标签对应的权重进行求导，得到求导结果；

基于所述求导结果更新相同的第一标签对应的权重。

在一实施例中，所述装置还包括：添加单元，用于在所述判断结果表征存在所述第二标签与所述第一标签不相同、且所述第二标签与所述第一标签不相同的数量大于或等于1的情况下，将对应的第二标签及对应的权重添加到所述第一用户特征中。

在一实施例中，所述聚类单元202，还用于根据DBSCAN算法对更新后的所述至少一个用户中的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果；

实际应用时，所述更新单元201、所述聚类单元202、所述推荐单元203、所述确定单元、所述提取单元、所述添加单元可通过终端中的处理器，比如中央处理器（CPU，CentralProcessing Unit）、数字信号处理器（DSP，Digital Signal Processor）、微控制单元（MCU，Microcontroller Unit）或可编程门阵列（FPGA，Field－Programmable Gate Array）等实现。

需要说明的是：上述实施例提供的资源推荐装置在进行信息显示时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的资源推荐装置与资源推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备。图3为本申请实施例提供的电子设备的硬件组成结构示意图，如图3所示，电子设备包括：

通信接口301，能够与其它设备比如网络设备等进行信息交互；

处理器302，与所述通信接口301连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述终端侧一个或多个技术方案提供的方法。而所述计算机程序存储在存储器303上。

具体地，所述处理器302，用于基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征；所述第一用户特征表征第一时刻确定出的用户特征；所述第二用户特征表征在所述第一时刻之后的第二时刻确定出的用户特征；

基于每个用户对应的类别，为每个用户推荐对应的资源。

在一实施例中，所述处理器302还用于基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息；

在一实施例中，所述处理器302还用于基于设定应用的行为数据中的用户标识，确定发出对应文本信息的用户。

在一实施例中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述处理器302还用于对每个用户，判断至少一个第二标签中每个第二标签与至少一个第一标签中每个第一标签是否相同，得到判断结果；

在一实施例中，所述处理器302还用于对所述第二标签对应的权重进行求导，得到求导结果；

基于所述求导结果更新相同的第一标签对应的权重。

在一实施例中，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述处理器302还用于在所述判断结果表征存在所述第二标签与所述第一标签不相同、且所述第二标签与所述第一标签不相同的数量大于或等于1的情况下，将对应的第二标签及对应的权重添加到所述第一用户特征中。

在一实施例中，所述处理器302还用于根据DBSCAN算法对更新后的所述至少一个用户中的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果；

当然，实际应用时，电子设备中的各个组件通过总线系统304耦合在一起。可理解，总线系统304用于实现这些组件之间的连接通信。总线系统304除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统304。

本申请实施例中的存储器303用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。

可以理解，存储器303可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，Read Only Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，Random AccessMemory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本申请实施例描述的存储器303旨在包括但不限于这些和任意其它适合类型的存储器。

上述本申请实施例揭示的方法可以应用于处理器302中，或者由处理器302实现。处理器302可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器302中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器302可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器302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任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器303，处理器302读取存储器303中的程序，结合其硬件完成前述方法的步骤。

处理器302执行所述程序时实现本申请实施例的各个方法中的相应流程。

在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器303，上述计算机程序可由处理器302执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置、终端和方法，可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元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，也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，本申请实施例的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电子设备（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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种资源推荐方法，其特征在于，所述方法包括：

基于每个用户对应的类别，为每个用户推荐对应的资源。

2.根据权利要求1所述的资源推荐方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的资源推荐方法，其特征在于，所述基于用户在设定应用中的行为数据，确定用户在设定应用上发出的文本信息，还包括：

4.根据权利要求1所述的资源推荐方法，其特征在于，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法包括：

在所述判断结果表征存在所述第二标签与所述第一标签相同、且所述第二标签与所述第一标签相同的数量大于或等于1的情况下，基于所述第二标签对应的权重更新所述第一标签对应的权重，所述第二标签与所述第一标签为相同的标签；其中，

所述第二用户特征包括所述至少一个第二标签和每个第二标签对应的权重；所述第一用户特征包括所述至少一个第一标签与每个第一标签对应的权重。

5.根据权利要求4所述的资源推荐方法，其特征在于，所述基于所述第二标签对应的权重更新所述第一标签对应的权重，包括：

对所述第二标签对应的权重进行求导，得到求导结果；

基于所述求导结果更新相同的第一标签对应的权重。

6.根据权利要求4所述的资源推荐方法，其特征在于，在所述基于至少一个用户中每个用户的第二用户特征更新对应用户的第一用户特征时，所述方法还包括：

7.根据权利要求1所述的资源推荐方法，其特征在于，所述基于更新后的所述至少一个用户中的每个用户对应的第一用户特征，对所述至少一个用户进行聚类，得到每个用户对应的类别，包括：

根据基于密度的带噪聚类DBSCAN算法对更新后的所述至少一个用户中的每个用户对应的第一用户特征进行聚类，得到至少一类聚类结果；

根据K最近邻KNN算法调整所述至少一类聚类结果中的每类聚类结果，得到每个用户对应的类别。

8.一种资源推荐装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，

所述处理器用于运行所述计算机程序时，执行权利要求1-7任一项所述方法的步骤。

10.一种存储介质，其上存有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。