CN114372200A - 对象推荐方法以及相关设备 - Google Patents

Abstract

本申请实施例公开了对象推荐方法以及相关设备，用于根据用户历史操作数据生成对象推荐列表。本申请实施例方法包括：获取预设目标操作和目标用户的历史操作数据，其中每条所述历史操作数据为目标用户对一个存量对象执行的一个操作；根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵；根据所述历史操作数据计算所述多类操作中每类操作的权重系数；根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数；根据多个所述对象推荐指数生成存量对象推荐列表，并向所述目标用户的用户终端发送所述存量对象推荐列表。

Description

对象推荐方法以及相关设备

技术领域

本申请实施例涉及计算机技术领域，尤其涉及对象推荐方法以及相关设备。

背景技术

随着互联网和大数据的发展，在创投领域也出现了许多新兴的服务模式，其中创投平台是消除资本市场“信息差”的有效的方式之一。借助创投平台，投融资双方可以进行高效的信息交互，创投平台运营方也能够采取有效手段提高双方对接效率，为市场提供很有价值的服务。

随着创投平台规模的扩大和融资项目数量的急剧增加，投资人使用创投平台时也面临着越来越高的信息筛选成本。目前还没有针对股权融资平台为投资人推荐融资项目这类场景下的项目推荐方法。

发明内容

本申请实施例提供了对象推荐方法以及相关设备，用于根据用户历史操作数据生成对象推荐列表。

本申请实施例第一方面提供一种对象推荐方法，包括：

获取预设目标操作和目标用户的历史操作数据，其中每条所述历史操作数据为目标用户对一个存量对象执行的一个操作,所述历史操作数据包括多类操作和多个存量对象，所述预设目标操作为所述多类操作中的一类操作；

根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，任一所述共现矩阵中每个元素表示任意两个所述存量对象之间的共同出现关系；

根据所述历史操作数据计算所述多类操作中每类操作的权重系数；

根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数；

根据多个所述对象推荐指数生成存量对象推荐列表，并向所述目标用户的用户终端发送所述存量对象推荐列表。

在一种具体实现方式中，所述根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，包括：

根据所述历史操作数据中所述目标用户对每个存量对象执行的不同操作的操作次数，分别建立每类操作与不同存量对象的操作矩阵；

根据所述每类操作与不同存量对象的操作矩阵，分别建立所述预设目标操作对应的操作矩阵与每个所述操作矩阵的共现矩阵。

在一种具体实现方式中，在所述根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵之后，所述方法还包括：

分别对多个所述共现矩阵进行标准化处理，得到对应的多个标准共现矩阵；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数和多个所述标准共现矩阵计算每个所述存量对象的对象推荐指数。

在一种具体实现方式中，所述方法还包括：

获取多个预先筛选的标准对象标签和每个所述存量对象包含的标准对象标签；

根据所述历史操作数据的所述预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据所述历史操作数据中每个所述标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；

根据所述标签向量和多个所述对象向量计算不同存量对象的修正指数；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和多个所述修正指数计算每个所述存量对象的对象推荐指数。

在一种具体实现方式中，在所述获取多个预先筛选的标准对象标签之前，所述方法还包括：

获取每个所述存量对象的预设对象标签和每个所述存量对象的对象状况；

根据多个所述预设对象标签和多个所述存量对象的对象状况计算每个预设对象标签与对象状况的相关性；

根据每个预设对象标签与对象状况的相关性确定标准对象标签。

在一种具体实现方式中，所述根据所述历史操作数据计算所述多类操作中每类操作的权重系数，包括：

根据所述历史数据中每类操作与不同存量对象的操作矩阵计算所述多类操作中每类操作的权重系数。

在一种具体实现方式中，所述方法还包括：

根据所述历史操作数据中目标用户对不同存量对象执行的每类操作的操作次数，确定不同操作的操作历史序列；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和不同操作的操作历史序列计算每个所述存量对象的对象推荐指数。

本申请实施例第二方面提供一种对象推荐装置，包括：

获取单元，用于获取预设目标操作和目标用户的历史操作数据，其中每条所述历史操作数据为目标用户对一个存量对象执行的一个操作,所述历史操作数据包括多类操作和多个存量对象，所述预设目标操作为所述多类操作中的一类操作；

确定单元，用于根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，任一所述共现矩阵中每个元素表示任意两个所述存量对象之间的共同出现关系；

计算单元，用于根据所述历史操作数据计算所述多类操作中每类操作的权重系数；

所述计算单元，还用于根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数；

生成单元，用于根据多个所述对象推荐指数生成存量对象推荐列表，并向所述目标用户的用户终端发送所述存量对象推荐列表。

在一种具体实现方式中，所述确定单元，具体用于根据所述历史操作数据中所述目标用户对每个存量对象执行的不同操作的操作次数，分别建立每类操作与不同存量对象的操作矩阵；

根据所述每类操作与不同存量对象的操作矩阵，分别建立所述预设目标操作对应的操作矩阵与每个所述操作矩阵的共现矩阵。

在一种具体实现方式中，所述装置还包括处理单元；

所述处理单元，用于分别对多个所述共现矩阵进行标准化处理，得到对应的多个标准共现矩阵；

所述计算单元，具体用于根据所述多类操作中每类操作的权重系数和多个所述标准共现矩阵计算每个所述存量对象的对象推荐指数。

在一种具体实现方式中，所述获取单元，具体用于获取多个预先筛选的标准对象标签和每个所述存量对象包含的标准对象标签；

所述确定单元，还用于根据所述历史操作数据的所述预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据所述历史操作数据中每个所述标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；

所述计算单元，还用于根据所述标签向量和多个所述对象向量计算不同存量对象的修正指数；

所述计算单元，具体用于根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和多个所述修正指数计算每个所述存量对象的对象推荐指数。

在一种具体实现方式中，所述获取单元，还用于获取每个所述存量对象的预设对象标签和每个所述存量对象的对象状况；

所述计算单元，还用于根据多个所述预设对象标签和多个所述存量对象的对象状况计算每个预设对象标签与对象状况的相关性；

所述确定单元，还用于根据每个预设对象标签与对象状况的相关性确定标准对象标签。

在一种具体实现方式中，所述计算单元，具体用于根据所述历史数据中每类操作与不同存量对象的操作矩阵计算所述多类操作中每类操作的权重系数。

在一种具体实现方式中，所述确定单元，还用于根据所述历史操作数据中目标用户对不同存量对象执行的每类操作的操作次数，确定不同操作的操作历史序列；

所述计算单元，具体用于根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和不同操作的操作历史序列计算每个所述存量对象的对象推荐指数。

本申请实施例第三方面提供一种对象推荐装置，包括：

中央处理器，存储器以及输入输出接口；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第一方面所述的方法。

本申请实施例第四方面提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面所述的方法。

本申请实施例第五方面提供一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如第一方面所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：可以根据目标用户的历史操作数据得到预设目标操作与每类操作的共现矩阵，并根据多个共现矩阵和不同操作的权重系数计算每个存量对象的对象推荐指数，并生成对象推荐列表发送至目标用户的用户终端，用户便可以把对象推荐列表作为参考进行存量对象的选择，降低用户的信息筛选成本。

附图说明

图1为本申请实施例公开的对象推荐方法的一种系统物理架构图；

图2为本申请实施例公开的对象推荐方法的一种系统逻辑架构图；

图3为本申请实施例公开的对象推荐方法的一种流程示意图；

图4为本申请实施例公开的对象推荐装置一个结构示意图；

图5为本申请实施例公开的对象推荐装置另一结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

随着互联网和大数据的发展，在创投领域也出现了许多新兴的服务模式，其中创投平台是消除资本市场“信息差”的有效的方式之一。借助创投平台，投融资双方可以进行高效的信息交互，创投平台运营方也能够采取有效手段提高双方对接效率，为市场提供很有价值的服务。

随着创投平台规模的扩大和融资项目数量的急剧增加，投资人使用创投平台时也面临着越来越高的信息筛选成本。解决这一问题的方式之一就是智能推荐技术。

尽管目前智能推荐技术在许多互联网创投平台上已经得到了非常成熟的应用，但现有的智能推荐算法并不适用于针对股权融资创投平台为投资人推荐融资项目这类场景。

为了适应股权融资项目筛选场景，本申请实施例提供了对象推荐方法以及相关设备，用于根据用户历史操作数据生成对象推荐列表。可以根据投资人(即用户)的偏好为其个性化的推荐其感兴趣的项目，降低投资人用户项目筛选成本，提升对接效率。

本申请实施例的应用场景可以包括服务器和用户终端，其中，服务器用于根据用户历史操作数据生成对象推荐列表，用户终端用于接收服务器发送的对象推荐列表。此处不对服务器、以及客户端的具体形式做限定。例如，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器(如由云平台提供的云服务器)。用户终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。用户终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。

请参阅图1，在一种具体实施例中，本申请实施例的应用场景可以包括控制服务器、用户终端、数据源、数据缓存、计算引擎和计算结果存储。其中，控制服务器用于控制数据源、数据缓存、计算引擎和计算结果存储生成对象推荐列表并将对象推荐列表发送至用户终端。

具体的，数据源用于向控制服务器提供用户的历史操作数据，然后控制服务器将历史操作数据发送给计算引擎进行计算并返回计算结果给控制服务器，控制服务器将计算结果发送给计算结果存储并将计算结果返回给用户终端。其中，计算过程中控制服务器会与数据缓存发生数据交互进行部分数据的缓存。

可以知道的是，在实际应用中，计算引擎可以是Spark集群或Hadoop集群；计算结果存储可以是ES集群，数据缓存可以是MongoDB，但本申请实施例中不作具体限定。

请参阅图2，在另一具体实施例中，本申请实施例公开的一种系统逻辑架构包括：共现矩阵计算模块、操作权重计算模块和初步评分计算模块。其中，共现矩阵计算模块用于根据历史操作数据分别确定预设目标操作和历史操作数据中每类操作和预设目标操作的共现矩阵；操作权重计算模块用于根据历史操作数据计算历史操作数据中多类操作中每类操作的权重系数；初步评分计算模块用于根据多类操作中每类操作的权重系数和多个共现矩阵计算每个存量对象的对象推荐指数，最终生成对象推荐列表。

在一些具体实施例中，本申请实施例的系统逻辑架构还包括：评分修正模块和标签过滤模块；共现矩阵计算模块还用于对每类操作和目标预设操作的共现矩阵进行标准化处理，以剔除过热对象对其余的共现关系的影响。其中，标签过滤模块用于从多个预设对象标签筛选出标准对象标签；评分修正模块用于根据标准对象标签和历史操作数据计算每个存量对象的修正系数，然后通过修正系数对初步评分计算矩阵计算的不同存量对象的对象推荐指数进行修正，最终生成对象推荐列表。

前面描述了本申请实施例中系统逻辑架构和系统物理架构，下面请参阅图3，本申请实施例公开的对象推荐方法，包括：

301、获取预设目标操作和目标用户的历史操作数据，其中每条历史操作数据为目标用户对一个存量对象执行的一个操作,历史操作数据包括多类操作和多个存量对象，预设目标操作为多类操作中的一类操作。

当平台需要对目标用户进行对象推荐时，首先需要获取目标用户对存量对象的历史操作数据。其中，存量对象是指当前可以向目标用户推荐的全部对象。另外，每一条历史操作数据为目标用户对一个存量对象执行的一个操作，目标用户的历史操作数据包含多条历史操作数据、多类操作和多个存量对象。前述预设目标操作为目标用户的历史数据中包含的一类操作，由用户或平台开发人员根据经验预先设置的对推荐指数影响最主要的操作，历史操作数据中的多类操作除了预设目标操作外的其他操作均为次要操作。

302、根据历史操作数据分别确定预设目标操作和历史操作数据中每类操作的共现矩阵，共现矩阵中每个元素表示任意两个存量对象之间的共同出现关系。

根据步骤301中获取的目标用户的历史操作数据，分别确定预设目标操作和历史操作数据中每类操作的共现矩阵。其中，一个共现矩阵包括目标用户对不同存量对象执行一类操作的次数，该共现矩阵中每一个元素即描述任意两个存量对象在该类操作中的共同出现关系。

在一些具体实施例中，还可以根据历史操作数据中目标用户对每个存量对象执行的不同操作的操作次数，分别建立每类操作与不同存量对象的操作矩阵；然后，根据每类操作与不同存量对象的操作矩阵，分别建立预设目标操作对应的操作矩阵与每个操作矩阵的共现矩阵。

具体的，可以先建立不同操作的操作矩阵，一个操作矩阵具体包括目标用户对每个存量对象执行操作的次数，其中执行哪类操作即为该类操作的操作矩阵。然后将预设目标操作的操作矩阵的转置与每个操作矩阵相乘，得到预设目标操作与预设目标操作的共现矩阵，以及预设目标操作与步骤301中的每个次要操作的共现矩阵。

303、根据历史操作数据计算多类操作中每类操作的权重系数。

因为，不同的操作对推荐指数的影响程度不同，所以需要通过权重系数控制不同操作的权重。在一个具体实施例中，根据历史数据中每类操作与不同存量对象的操作矩阵计算多类操作中每类操作的权重系数。

304、根据多类操作中每类操作的权重系数和多个共现矩阵计算每个存量对象的对象推荐指数。

根据步骤302中确定的多个共现矩阵和步骤303中计算的每类操作的权重系数可以算的每个存量对象的推荐指数，即对象推荐指数。

在一些具体实施例中，在计算对象推荐指数之前，还需要计算不同操作的操作历史序列，操作历史序列为目标用户对每个存量对象执行某一操作的次数。然后，每个操作、对应操作的操作共现矩阵、和对应操作的操作历史序列的乘积之和即为目标用户对每个存量对象的对象推荐指数。

305、根据多个对象推荐指数生成存量对象推荐列表，并向目标用户的用户终端发送存量对象推荐列表。

最后，根据步骤304算得的每个存量对象的对象推荐指数生成目标用户的存量对象推荐列表，并将该目标用户的存量对象推荐列表发送至目标用户的用户终端。

在一些具体实施例中，可以根据不同存量对象的对象推荐指数的大小从高到低进行排列，然后生成对象推荐指数从高至低的对象推荐列表，并将其发送至目标用户的用户终端。

本申请实施例中，可以根据目标用户的历史操作数据得到预设目标操作与每类操作的共现矩阵，并根据多个共现矩阵和不同操作的权重系数计算每个存量对象的对象推荐指数，并生成对象推荐列表发送至目标用户的用户终端，用户便可以把对象推荐列表作为参考进行存量对象的选择，降低用户的信息筛选成本。

在前述步骤301至步骤305的基础上，本申请实施例对象推荐方法还包括：获取每个存量对象的预设对象标签和每个存量对象的对象状况；根据多个预设对象标签和多个存量对象的对象状况计算每个预设对象标签与对象状况的相关性；根据每个预设对象标签与对象状况的相关性确定标准对象标签。获取多个预先筛选的标准对象标签和每个存量对象包含的标准对象标签；根据历史操作数据的预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据历史操作数据中每个标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；根据标签向量和多个对象向量计算不同存量对象的修正指数；

考虑到不同存量对象的标准对象标签会对目标用户的操作造成影响，进而对对象推荐指数造成影响，因此需要根据每个存量对象的对象标签对不同存量对象的对象推荐指数进行修正。

具体的，首先需要确定所有存量对象的所有对象标签为预设对象标签，然后对每个存量对象的预设对象标签和存量对象的对象状况进行相关性分析，与对象状况相关性显著的预设对象标签即标准对象标签，使用标准对象标签计算每个存量对象的修正指数。

可以知道的是，相关性分析可以是二元逻辑回归分析或其他可以确定与对象状况相关性显著的预设对象标签的相关性分析方法，此处不作具体限定。

在一些具体实施例中，首先，根据历史操作数据的预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据历史操作数据中每个标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；然后，根据标签向量和多个对象向量的交并比计算不同存量对象的修正指数。其中，标签向量是指不同标签在预设目标操作的操作历史序列中的出现次数，对象向量是指不同标签在一个存量对象中出现的次数。

最后，可以把前述步骤304算得的对象推荐指数认为是初步对象推荐指数，然后把每个存量对象的对象推荐指数乘以对应存量对象的修正指数，便可以得到该存量对象对于目标用户的对象推荐指数，并根据最终的对象推荐指数生成前述步骤305所述的对象推荐列表。

在另一具体实施例中，还可以对前述步骤302中算得的共现矩阵做标准化处理，以消除平台的一些热门存量对象对目标用户操作的影响，进而影响到对共现矩阵中共现关系的影响。具体的，可以采用对数似然比(LLR，log likelihood ratio)处理，或余弦相似度、皮尔逊相关系数算法、欧式距离算法等，此处不做限定。

本申请实施例中，可以通过标准化处理消除平台的热门存量对象对目标用户操作的影响，进而获得更准确的共现矩阵用于计算对象推荐指数。同时，根据标准对象标签计算不同存量对象的修正指数并根据修正指数对不同存量对象的对象推荐指数进行修正，获得更为准确的对象推荐指数。

前面描述了本申请实施例中对象推荐方法的多种实施方式，下面在股权融资项目筛选场景下，描述本申请实施例对象推荐方法一个具体的实施方式。

为了根据投资人(目标用户)的偏好为其个性化的推荐其感兴趣的项目(存量对象)，降低投资人用户项目筛选成本，提升对接效率。

首先，从投资人历史操作数据中获取每个存量项目的预设对象标签，并根据存量项目的融资情况(对象状况)筛选出标准对象标签。

具体的，可以根据以下两个原则构建标签系统：1、标签能够尽可能覆盖投资人考察项目时关心的所有指标；2、项目标签与投资行为之间要有足够的相关性。

基于以上原则，首先初步筛选出四大类一级标签，分别是：团队标签、财务标签、产品/技术/服务、市场/环境，并进一步细化并衍生出包括创始人学历、科研人员比例、年营业额、年净利润等在内的共44个二级标签(预设对象标签)。这些标签覆盖了平台内大多数投资机构所关心的各类项目特征。

在此基础上，需要进一步使用数据对上述44个二级标签进行筛选。从创投平台最终的服务目标出发，使用逻辑回归对存量项目的历史投融资数据与二级标签之间的相关性进行分析。具体的，可以是对平台所有存量项目依据是否成功融资进行二分类，成功融资为1，否则就是0，使用二元逻辑回归分析上述44个二级标签与这一分类结果之间的相关性。本例中，二元逻辑回归分析结果中的显著水平可以取0.1，因此所有显著水平小于0.1的二级指标就可以认为是显著的，可以被作为描述项目的标签来使用。

然后，根据项目共现关系计算推荐评分(对象推荐指数)。

具体的，先根据用户历史操作记录(历史操作数据)构建对应的共现矩阵，然后使用共现矩阵结合目标用户历史操作数据初步计算出所有存量项目的推荐评分，最后根据用户-项目相似度分析得到的每个存量项目与目标用户的相似性(修正指数)对推荐评分进行修正，将推荐评分从高到低进行排序，就得到该目标用户最终的推荐列表。

在实际应用中，首先采集目标用户的历史操作数据并获取主要操作(预设目标操作)。

若目标用户的历史操作数据包含点击、收藏、私信这三类操作，需要在其中定义一个主要操作，即对推荐结果产生最主要影响的操作，则其余操作皆认为是次要操作。此处定义点击为主要操作。接下来开始针对不同操作分别构建用户操作矩阵。

定义项目集合T＝{T₁，T₂，…，T_n}，其中n为平台中和存量项目数量。对于点击操作，定义其点击操作矩阵C＝(c_m，n)，其中c_m，n为用户U_m点击项目T_n的次数，m为平台中的用户数量。定义点击操作矩阵的转置为CT，则针对点击操作的点击-点击共现矩阵即为C^T*C，该矩阵中每一个元素即描述了任意两个存量项目的共同出现关系。进一步的，对上述共现矩阵进LLR处理，以消除过于热门的项目对其余共现关系的影响。最终即得到了标准点击-点击共现矩阵，我们将其记为LLR(C^T*C)。

随后，构建标准点击-收藏共现矩阵。先定义收藏操作矩阵F＝(f_m，n)，其中f_m，n为用户U_m收藏项目T_n的次数，则针对收藏操作的点击-收藏共现矩阵为C^T*F，经过LLR处理后的标准点击-收藏共现矩阵为LLR(C^T*F)。

同理，定义私信操作矩阵为S＝(s_m，n)，其中s_m，n为用户U_m收藏项目T_n的次数，其标准点击-私信共现矩阵为LLR(C^T*S)。

最后，根据标准点击-点击共现矩阵、标准点击-收藏共现矩阵、和标准点击-私信共现矩阵进行初步项目推荐评分的计算。

具体的，对用户U_m，定义其点击操作历史序列HC＝(hc_n)，其中hc_n为用户U_m点击项目T_n的次数，注意HC是一个行向量。同理，用户U_m的收藏操作历史序列和私信操作历史序列分别为HF＝(hf_n)和HS＝(hs_n)。则，针对于用户U_m的项目推荐评分公式为：

R＝α*[LLR(C^T*C)]*HCT+β*[LLR(C^T*F)]*HF^T+γ*[LLR(C^T*S)]*HST (1)

上式中R即为所有项目关于用户U_m的初步推荐得分，α、β和γ分别为点击操作、收藏操作和私信操作的权重系数，反映了不同类用户操作对项目推荐得分的贡献差异，具体通过以下方式计算：

最终，根据用户-项目相似性修正前述推荐评分得到最终不同存量项目的项目推荐评分。

具体的，要根据筛选后的二级标签对前述序列R进行修正。

若经过筛选后的二级标签共有i个，对于用户U_m，统计其点击操作历史序列HC中所有标签出现的次数，定义向量tag_m＝[j₁，j₂，...，j_i]，其中t_i是第i个标签在HC中出现的次数。对于项目T_n，定义向量item_n＝[k₁，k₂，...，k_i]，其中k_i是第i个标签在项目T_n中出现的次数。

对于每一个项目，使用杰卡德相关系数评估tagm和itemn之间的相似性，公式为：

则，对于用户U_m，所有项目的相似性序列为：

jaccard_m＝[jaccard(tag_m，item₁)，jaccard(tag_m，item₂)，...，jaccard(tag_m，item_n)]

将R与jaccard_m对应元素相乘，得到的向量即为针对用户U_m的所有项目的推荐得分，根据得分从高到低进行排列，取前N个项目推荐给用户，即为该用户的最佳前N个推荐项目的推荐项目列表。

可以知道的是，尽管前述场景是对目标用户进行项目推荐，在实际应用中，本申请实施例中的存量对象还可以是任务或账号，此处不作具体限定。

前面结合具体场景描述了本申请实施例对象推荐方法的一些具体实现方式，下面请参阅图4，本申请实施例提供对象推荐装置，包括：

获取单元401，用于获取预设目标操作和目标用户的历史操作数据，其中每条历史操作数据为目标用户对一个存量对象执行的一个操作，历史操作数据包括多类操作和多个存量对象，预设目标操作为多类操作中的一类操作；

确定单元402，用于根据历史操作数据分别确定预设目标操作和历史操作数据中每类操作的共现矩阵，任一共现矩阵中每个元素表示任意两个存量对象之间的共同出现关系；

计算单元403，用于根据历史操作数据计算多类操作中每类操作的权重系数；

计算单元403，还用于根据多类操作中每类操作的权重系数和多个共现矩阵计算每个存量对象的对象推荐指数；

生成单元404，用于根据多个对象推荐指数生成存量对象推荐列表，并向目标用户的用户终端发送存量对象推荐列表。

在一种具体实现方式中，确定单元402，具体用于根据历史操作数据中目标用户对每个存量对象执行的不同操作的操作次数，分别建立每类操作与不同存量对象的操作矩阵；

根据每类操作与不同存量对象的操作矩阵，分别建立预设目标操作对应的操作矩阵与每个操作矩阵的共现矩阵。

在一种具体实现方式中，装置还包括处理单元；

处理单元，用于分别对多个共现矩阵进行标准化处理，得到对应的多个标准共现矩阵；

计算单元403，具体用于根据多类操作中每类操作的权重系数和多个标准共现矩阵计算每个存量对象的对象推荐指数。

在一种具体实现方式中，获取单元401，具体用于获取多个预先筛选的标准对象标签和每个存量对象包含的标准对象标签；

确定单元402，还用于根据历史操作数据的预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据历史操作数据中每个标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；

计算单元403，还用于根据标签向量和多个对象向量计算不同存量对象的修正指数；

计算单元403，具体用于根据多类操作中每类操作的权重系数、多个共现矩阵和多个修正指数计算每个存量对象的对象推荐指数。

在一种具体实现方式中，获取单元401，还用于获取每个存量对象的预设对象标签和每个存量对象的对象状况；

计算单元403，还用于根据多个预设对象标签和多个存量对象的对象状况计算每个预设对象标签与对象状况的相关性；

确定单元402，还用于根据每个预设对象标签与对象状况的相关性确定标准对象标签。

在一种具体实现方式中，计算单元403，具体用于根据历史数据中每类操作与不同存量对象的操作矩阵计算多类操作中每类操作的权重系数。

在一种具体实现方式中，确定单元402，还用于根据历史操作数据中目标用户对不同存量对象执行的每类操作的操作次数，确定不同操作的操作历史序列；

计算单元403，具体用于根据多类操作中每类操作的权重系数、多个共现矩阵和不同操作的操作历史序列计算每个存量对象的对象推荐指数。

本申请实施例中，确定单元402可以根据目标用户的历史操作数据得到预设目标操作与每类操作的共现矩阵，然后计算单元403根据多个共现矩阵和不同操作的权重系数计算每个存量对象的对象推荐指数，最后通过生成单元404生成对象推荐列表并发送至目标用户的用户终端，用户便可以把对象推荐列表作为参考进行存量对象的选择，降低用户的信息筛选成本。

图5是本申请实施例提供的一种对象推荐装置结构示意图，该对象推荐装置500可以包括一个或一个以上中央处理器(central processing units，CPU)501和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。

其中，存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块，每个模块可以包括对对象推荐装置中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在对象推荐装置500上执行存储器505中的一系列指令操作。

对象推荐装置500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。

该中央处理器501可以执行前述图1至图4所示实施例中对象推荐装置所执行的操作，具体此处不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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计算机设备(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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种对象推荐方法，其特征在于，包括：

获取预设目标操作和目标用户的历史操作数据，其中每条所述历史操作数据为目标用户对一个存量对象执行的一个操作,所述历史操作数据包括多类操作和多个存量对象，所述预设目标操作为所述多类操作中的一类操作；

根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，任一所述共现矩阵中每个元素表示任意两个所述存量对象之间的共同出现关系；

根据所述历史操作数据计算所述多类操作中每类操作的权重系数；

根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数；

根据多个所述对象推荐指数生成存量对象推荐列表，并向所述目标用户的用户终端发送所述存量对象推荐列表。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，包括：

根据所述历史操作数据中所述目标用户对每个存量对象执行的不同操作的操作次数，分别建立每类操作与不同存量对象的操作矩阵；

根据所述每类操作与不同存量对象的操作矩阵，分别建立所述预设目标操作对应的操作矩阵与每个所述操作矩阵的共现矩阵。

3.根据权利要求1所述的方法，其特征在于，在所述根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵之后，所述方法还包括：

分别对多个所述共现矩阵进行标准化处理，得到对应的多个标准共现矩阵；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数和多个所述标准共现矩阵计算每个所述存量对象的对象推荐指数。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个预先筛选的标准对象标签和每个所述存量对象包含的标准对象标签；

根据所述历史操作数据的所述预设目标操作中不同标准对象标签的出现次数确定标签向量，并根据所述历史操作数据中每个所述标准对象标签在不同存量对象中的出现次数确定不同存量对象的对象向量；

根据所述标签向量和多个所述对象向量计算不同存量对象的修正指数；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和多个所述修正指数计算每个所述存量对象的对象推荐指数。

5.根据权利要求4所述的方法，其特征在于，在所述获取多个预先筛选的标准对象标签之前，所述方法还包括：

获取每个所述存量对象的预设对象标签和每个所述存量对象的对象状况；

根据多个所述预设对象标签和多个所述存量对象的对象状况计算每个预设对象标签与对象状况的相关性；

根据每个预设对象标签与对象状况的相关性确定标准对象标签。

6.根据权利要求1所述的方法，其特征在于，所述根据所述历史操作数据计算所述多类操作中每类操作的权重系数，包括：

根据所述历史数据中每类操作与不同存量对象的操作矩阵计算所述多类操作中每类操作的权重系数。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述历史操作数据中目标用户对不同存量对象执行的每类操作的操作次数，确定不同操作的操作历史序列；

所述根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数，包括：

根据所述多类操作中每类操作的权重系数、多个所述共现矩阵和不同操作的操作历史序列计算每个所述存量对象的对象推荐指数。

8.一种对象推荐装置，其特征在于，包括：

获取单元，用于获取预设目标操作和目标用户的历史操作数据，其中每条所述历史操作数据为目标用户对一个存量对象执行的一个操作,所述历史操作数据包括多类操作和多个存量对象，所述预设目标操作为所述多类操作中的一类操作；

确定单元，用于根据所述历史操作数据分别确定所述预设目标操作和所述历史操作数据中每类操作的共现矩阵，任一所述共现矩阵中每个元素表示任意两个所述存量对象之间的共同出现关系；

计算单元，用于根据所述历史操作数据计算所述多类操作中每类操作的权重系数；

所述计算单元，还用于根据所述多类操作中每类操作的权重系数和多个所述共现矩阵计算每个所述存量对象的对象推荐指数；

生成单元，用于根据多个所述对象推荐指数生成存量对象推荐列表，并向所述目标用户的用户终端发送所述存量对象推荐列表。

9.一种对象推荐装置，其特征在于，包括：

中央处理器，存储器以及输入输出接口；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至7中任一项所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至7中任一项所述的方法。

Images