CN114625862A - 推荐方法、推荐装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供了一种推荐方法、推荐装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标行为数据；根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性；通过关键词提取模型对初始推荐文本进行关键词提取，得到文本关键词矩阵；根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；根据初始关键词序列计算文本关键词对应的兴趣偏好差值，根据兴趣偏好差值对文本关键词进行逆序排列，得到兴趣偏好序列；根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐。本申请实施例能够提高推荐的准确性。

Description

推荐方法、推荐装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种推荐方法、推荐装置、电子设备及存储介质。

背景技术

目前，常见的推荐系统大多数是基于用户关注热度进行推荐，这一方式使得用户获取到的推荐内容较为相似，往往无法满足不同用户的实际需求，存在着推荐准确性不高的问题，因此，如何提高推荐准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种推荐方法、推荐装置、电子设备及存储介质，旨在提高推荐准确性。

为实现上述目的，本申请实施例的第一方面提出了一种推荐方法，所述方法包括：

获取目标行为数据；所述目标行为数据包括至少两个预设用户属性；

根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性；

通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列；

根据所述兴趣偏好序列从所述初始推荐文本筛选出目标文本进行推荐。

在一些实施例，所述获取目标行为数据的步骤，包括：

获取用户数据埋点表；

对所述用户数据埋点表进行特征提取，得到原始行为数据；

对所述原始行为数据进行去重处理，得到候选行为数据；

对所述候选行为数据进行筛选处理，得到所述目标行为数据。

在一些实施例，所述根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性的步骤，包括：

根据所述预设用户属性对所述目标行为数据进行特征提取，得到多个基本属性特征；

根据所述预设公式对所述基本属性特征进行覆盖率计算，得到所述属性覆盖率；

选取所述属性覆盖率最大的所述预设用户属性作为目标用户属性。

在一些实施例，所述通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵的步骤之前，所述方法还包括：

获取原始推荐文本；

通过预设函数和所述目标行为数据计算所述原始推荐文本的点击量和推荐次数；

对所述点击量和所述推荐次数进行比率计算，得到所述原始推荐文本的点击率；

根据所述推荐次数和所述点击率对所述原始推荐文本进行筛选处理，得到所述初始推荐文本。

在一些实施例，所述过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵的步骤，包括：

通过所述关键词提取模型对所述初始推荐文本进行实体特征提取，得到实体关键词；

比对所述实体关键词和预设的参考关键词，得到所述初始推荐文本对应的目标关键词；

对所述初始推荐文本和所述目标关键词进行行列变换，得到所述文本关键词矩阵。

在一些实施例，所述目标用户属性包括至少两个属性标签，所述根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列的步骤，包括：

根据所述属性标签对每一所述文本关键词进行点击率计算，得到关键词点击率；

根据所述关键词点击率对所述文本关键词进行降序排列，得到所述属性标签对应的初始关键词序列。

在一些实施例，所述根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列的步骤，包括：

对每两个所述初始关键词序列中相同的文本关键词进行序列号做差处理，得到候选序列差值；

选取数值最大的所述候选序列差值作为所述文本关键词的兴趣偏好差值；

根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到所述兴趣偏好序列。

为实现上述目的，本申请实施例的第二方面提出了一种推荐装置，所述装置包括：

数据获取模块，用于获取目标行为数据；所述目标行为数据包括至少两个预设用户属性；

属性确定模块，用于根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性；

关键词提取模块，用于通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

第一排序模块，用于根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

第二排序模块，用于根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列；

推荐模块，用于根据所述兴趣偏好序列从所述初始推荐文本筛选出目标文本进行推荐。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的推荐方法、推荐装置、电子设备及存储介质，其通过获取目标行为数据；目标行为数据包括至少两个预设用户属性，根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性，这一方式能够较为方便地得到与目标行为对应的用户属性特征；同时，通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵，并根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列，能够确定文本关键词在不同用户属性下的排名差异，粗略地获取到文本关键词在目标用户属性下的排名情况；进一步地，根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，提高文本关键词在目标用户属性下的区分度，得到文本关键词对应的兴趣偏好序列。最后根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐，这一方式能够根据用户的兴趣偏好有针对性地进行文本推荐，满足推荐的个性化需求，提高了推荐准确性。

附图说明

图1是本申请实施例提供的推荐方法的流程图；

图2是图1中的步骤S101的流程图；

图3是图1中的步骤S102的流程图；

图4是本申请实施例提供的推荐方法的另一流程图；

图5是图1中的步骤S103的流程图；

图6是图1中的步骤S104的流程图；

图7是图1中的步骤S105的流程图；

图8是本申请实施例提供的推荐装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

推荐系统:推荐系统的流程包括：召回、粗排、精排、重排。根据响应用户行为的速度不同，推荐系统可以大致分为基于离线训练和在线训练的推荐系统。其中，离线训练的推荐系统架构是最常见的一种推荐系统架构。这里的“离线”训练指的是使用历史一段时间(比如周或者几周)的数据进行训练，模型迭代的周期较长(一般以小时为单位)。模型拟合的是用户的中长期兴趣。一个典型的基于离线训练的推荐系统架构由数据上报、离线训练、在线存储、实时计算和A/B测试这几个模块组成。基于在线训练的推荐系统架构适合于广告和电商等高维度、大数据量、对实时性要求很高的场景相比较基于离线训练的推荐系统，基于在线训练的推荐系统不区分训练和测试阶段，每个回合都在学习，通过实时的反馈来调整策略。一方面，在线训练要求其样本、特征和模型的处理都是实时的，以便推荐的内容更快地反映用户实时的喜好；另一方面，因为在线训练井不需要将所有的训练数据都存储下来，所以不需要巨大的离线存储开销，使得系统具有很好的伸缩性，可以支持超大的数据量和模型。

网络爬虫：网络爬虫又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者；网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

随着互联网技术的不断发展和智能终端等设备的不断发展，越来越多的人开始通过手机等移动终端完成生活中的许多事情，例如：发消息、看视频、导航、看新闻等等。

在推荐系统中，基于用户基础属性的兴趣偏好在推荐系统中尤为重要。目前，常见的推荐系统大多数是基于用户关注热度进行推荐，这一方式使得用户获取到的推荐内容较为相似，往往无法满足不同用户的实际需求，存在着推荐准确性不高的问题，因此，如何提高推荐准确性，成为了亟待解决的技术问题。

本申请实施例提供的推荐方法、推荐装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的推荐方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的推荐方法，涉及人工智能技术领域。本申请实施例提供的推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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；软件可以是实现推荐方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的推荐方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取目标行为数据；目标行为数据包括至少两个预设用户属性；

步骤S102，根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性；

步骤S103，通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

步骤S104，根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

步骤S105，根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，得到兴趣偏好序列；

步骤S106，根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐。

本申请实施例所示意的步骤S101至步骤S106，通过获取目标行为数据；目标行为数据包括至少两个预设用户属性，根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性，能够较为方便地得到与目标行为对应的用户属性特征。通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵，并根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列，能够确定文本关键词在不同用户属性下的排名差异，粗略地获取到文本关键词在目标用户属性下的排名情况。进一步地，通过根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，能够提高文本关键词在目标用户属性下的区分度，得到文本关键词对应的兴趣偏好序列。最后根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐，能够根据用户的兴趣偏好有针对性地进行文本推荐，满足推荐的个性化需求，提高了推荐准确性。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S204：

步骤S201，获取用户数据埋点表；

步骤S202，对用户数据埋点表进行特征提取，得到原始行为数据；

步骤S203，对原始行为数据进行去重处理，得到候选行为数据；

步骤S204，对候选行为数据进行筛选处理，得到目标行为数据。

在一些实施例的步骤S201中，用户数据埋点表可以通过导出推荐系统对应的网络平台的后台数据得到，该用户数据埋点表可以涵盖用户id、用户点击的推荐文本的项目名称(item id)、用户的行为类型(行为类型包括点击或者接收推荐(即浏览到，但未点击查阅)等)、用户的行为时间、推荐类型(推荐类型包括文本报道、视频报道等)等内容。

在一些实施例的步骤S202中，根据预设的数据类别标签对用户数据埋点表进行特征提取，得到用户的历史行为数据，进而对历史行为数据进行筛选处理，提取到用户在预设时间内的行为类型数据、行为时间、推荐类型等，其中，数据类别标签包括用户行为、推荐文本、用户基本信息等等。

在一些实施例的步骤S203中，若某些原始行为数据表明同一个用户在同一个时间点多次点击了同一篇推荐文本，则认定该原始行为数据为重复数据，保留这些原始行为数据中的其中一条即可。在具体的去重过程中，可以通过distinct方法对原始行为数据进行去重，以“distinct【查询字段】”的格式对原始行为数据进行遍历，提取该查询字段对应的某一列不重复的原始行为数据，得到候选行为数据。

在一些实施例的步骤S204中，根据预设的时间段和推荐类型对候选行为数据进行二次过滤，选取符合时间段要求和推荐类型的候选行为数据作为目标行为数据。例如，选取过去七天之内的候选行为数据作为目标行为数据。

请参阅图3，在一些实施例中，步骤S102可以包括但不限于包括步骤S301至步骤S303：

步骤S301，根据预设用户属性对目标行为数据进行特征提取，得到多个基本属性特征；

步骤S302，根据预设公式对基本属性特征进行覆盖率计算，得到属性覆盖率；

步骤S303，选取属性覆盖率最大的预设用户属性作为目标用户属性。

在一些实施例的步骤S301中，预设用户属性包括性别、年龄、婚姻状态、就业情况、学历等等。通过预设的序列分类器和预设用户属性对目标行为数据进行特征提取，分别获取属于不同预设用户属性的基本属性特征。具体地，利用预先训练的序列分类器对目标行为数据内的实体特征进行分类处理。在对实体特征进行分类处理时，需要利用预先训练的序列分类器对实体特征进行标记，使得这些实体参数都能够带上预设用户属性的标签，以便提高分类效率。需要说明的是，预先训练的序列分类器可以是最大熵马尔科夫模型(MEMM模型)或者基于条件随机场算法(CRF)的模型或者是基于双向长短时记忆算法(bi-LSTM)的模型。

例如，在基于bi-LSTM算法构建序列分类器时，在基于bi-LSTM算法的模型中,输入单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的实体特征直接传递到softmax分类器上,通过softmax分类器在预设用户属性的类别标签上创建一个概率分布，从而根据概率分布对实体参数进行标记分类，最后对分类处理之后的实体特征进行特征提取，得到基本属性特征，通过上述方式对基本属性特征的特征抽取，能够缩小需要查询的推荐文本的数据空间，使得更为方便提取到所需要的基本属性特征，以提高推荐效率。

在一些实施例的步骤S302中，根据预设公式对基本属性特征进行覆盖率计算时，预设公式可以表示为：覆盖率＝推荐过的用户中存在当前的基本属性特征的人数/推荐的用户总数。其中，推荐过的用户中存在当前的基本属性特征的人数和曝光的用户总数均可以通过统计函数(如sum函数等)对目标行为数据进行数据提取得到。

在一些实施例的步骤S303中，覆盖率可以反映出不同的预设用户属性的兴趣偏好情况，通过对覆盖率的计算能够从多个预设用户属性中筛选出覆盖率合适的预设用户属性作为目标用户属性，例如，在本申请实施例中，选取覆盖率最大的预设用户属性作为目标用户属性；在一些其他实施例中，也可以通过比对覆盖率与预设的覆盖率阈值，将覆盖率大于或者等于覆盖率阈值的一个或者多个预设用户属性作为目标用户属性，还可以是通过其他方式确定目标用户属性，不限于此。

请参阅图4，在一些实施例的步骤S103之前，推荐方法可以包括但不限于包括步骤S401至步骤S404：

步骤S401，获取原始推荐文本；

步骤S402，通过预设函数和目标行为数据计算原始推荐文本的点击量和推荐次数；

步骤S403，对点击量和推荐次数进行比率计算，得到原始推荐文本的点击率；

步骤S404，根据推荐次数和点击率对原始推荐文本进行筛选处理，得到初始推荐文本。

在一些实施例的步骤S401中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到原始推荐文本。也可以通过其他方式获取原始推荐文本，不限于此。需要说明的是，原始推荐文本为自然语言文本，该原始推荐文本可以是网站平台、社交媒体上存储的文章、评论等等，这些原始推荐文本可以是由网站平台和社交媒体的管理人员发布得到，也可以是这些网站平台和社交媒体的使用用户上传得到，不做限制。

在一些实施例的步骤S402中，预设函数为统计函数，例如，sum函数等等，通过统计函数对目标行为数据进行数据提取，计算点击过原始推荐文本的用户人数，将这一用户人数作为原始推荐文本的点击量；同样地，通过统计函数对目标行为数据进行数据提取，计算浏览到原始推荐文本，但未点击查阅该原始推荐文本的用户人数，将这一用户人数作为原始推荐文本的推荐次数。

在一些实施例的步骤S403中，根据预设公式对点击量和推荐次数进行比率计算，具体地，预设公式为点击率(CTR)＝原始推荐文本的点击量/原始推荐文本的推荐次数。

在一些实施例的步骤S404中，根据推荐次数和点击率对原始推荐文本进行筛选时，分别比对推荐次数与预设的推荐次数阈值、点击率与预设的点击率阈值，其中，推荐次数阈值和点击率阈值可以根据实际情况进行设置，选取推荐次数大于或者等于推荐次数阈值，且点击率大于或者等于点击率阈值的原始推荐文本作为初始推荐文本。

例如，在某一些文本过滤阶段，预设推荐次数阈值为200，点击率阈值为0.2，则选取推荐次数大于或者等于200，且点击率大于或者等于0.2的原始推荐文本作为初始推荐文本。

请参阅图5，在一些实施例中，步骤S103可以包括但不限于包括步骤S501至步骤S503：

步骤S501，通过关键词提取模型对初始推荐文本进行实体特征提取，得到实体关键词；

步骤S502，比对实体关键词和预设的参考关键词，得到初始推荐文本对应的目标关键词；

步骤S503，对初始推荐文本和目标关键词进行行列变换，得到文本关键词矩阵。

在一些实施例的步骤S501中，关键词提取模型可以基于TextRank算法构建而成，通过关键词提取模型构建出初始推荐文本的词网络，TextRank算法的计算公式如公式(1)所示：

其中，WS(V_i)表示当前句子i的权重；计算公式右侧的求和项表示每个相邻句子对当前句子的贡献程度，在单个初始推荐文本中，可以认为所有的句子都是相邻的，仅需构建单一文本窗口即可；W_ji表示两个句子的相似度；表示上次迭代出的句子j的权重；d是阻尼系数，一般取值为0.85。

通过该计算公式可以从初始推荐文本中的句子中筛选出用于构建词网络的顶点集的一个或者多个字符，根据这些字段之间的关系构建出词网络的边，病情通过语法过滤器(syntactic filters)对顶点集进行优化，例如，将某一类或者某几类词性的字符过滤出来作为顶点集。根据上述初始推荐文本的词网络中词段之间的共现信息(即语义信息)抽取出实体关键词。

在一些实施例的步骤S502中，对实体关键词和参考关键词均进行向量化处理，并通过余弦相似度算法等对向量形式的实体关键词和向量形式的参考关键词进行相似度计算，得到关键词相似值，其中，关键词相似值越大，表明实体关键词与参考关键词越接近，因而，选取关键词相似值大于或者等于预设相似阈值的参考关键词作为初始推荐文本的目标关键词。

在一些实施例的步骤S503中，由于初始推荐文本可能会对应多个目标关键词，在通常的文本-关键词表示过程中，每一行数据会存在两种类型的字段，即初始推荐文本id和目标关键词；为了提高推荐准确性，需要对初始推荐文本和目标关键词进行行列变换，将原先的一行数据转换为多行数据，例如，原先的文本-关键词表示为(item1，汽车；房子；美食)，通过行列变换将这一行数据转换为三行，分别为(item1,汽车)，(item1,房子)，(item1,美食)，通过这一方式使得每一初始推荐文本对应一个目标关键词，能够方便构建初始推荐文本和目标关键词的唯一关系，提高推荐准确性。

请参阅图6，在一些实施例，目标用户属性包括至少两个属性标签，步骤S104包括但不限于包括步骤S601至步骤S602：

步骤S601，根据属性标签对每一文本关键词进行点击率计算，得到关键词点击率；

步骤S602，根据关键词点击率对文本关键词进行降序排列，得到属性标签对应的初始关键词序列。

在一些实施例的步骤S601中，由于目标用户属性的不同，目标用户属性的属性标签也会存在着差异，例如，若目标用户属性为性别，则目标用户属性的属性标签为男性、女性。若目标用户属性为学历时，则目标用户属性的属性标签为小学、初中、高中、本科、硕士、博士等等。因而，需要收集对应不同属性标签的用户的目标行为数据，根据不同的属性标签对每一文本关键词进行点击率计算，得到关键词点击率。例如，对性别为男性的用户进行关键词点击率计算时，首先需要获取在男性用户的目标行为数据中，该文本关键词对应的初始推荐文本的点击量和推荐次数，点击量和推荐次数的具体计算过程与前述的原始推荐文本的点击量和推荐次数基本一致，此处不再赘述。在获取到初始推荐文本的点击量和推荐次数之后，根据点击量和推荐次数进行点击率计算，得到关键词点击率，其中，关键词点击率＝初始推荐文本的点击量/初始推荐文本的点击量推荐次数。

在一些实施例的步骤S602中，根据关键词点击率对文本关键词从高到低排序，为了提高推荐效率，可以取一定数量的文本关键词生成初始关键词序列。例如，根据关键词点击率对文本关键词从高到低排序，取排在前五百的文本关键词，并对排在前五百的文本关键词从高到低赋予1至500的序列号(rank)，从而得到每个预设类别标签对应的初始关键词序列。

例如，当目标用户属性为性别，预设类别标签包括男性和女性，则根据男性和女性用户对文本关键词的点击情况，对文本关键词进行排序，分别得到男性和女性对应的初始关键词序列，记为序列A和序列B。

请参阅图7，在一些实施例中，步骤S105可以包括但不限于包括步骤S701至步骤S703：

步骤S701，对每两个初始关键词序列中相同的文本关键词进行序列号做差处理，得到候选序列差值；

步骤S702，选取数值最大的候选序列差值作为文本关键词的兴趣偏好差值；

步骤S703，根据兴趣偏好差值对文本关键词进行逆序排列，得到兴趣偏好序列。

在一些实施例的步骤S701中，采用列联表的方式对每两个初始关键词序列中相同的文本关键词进行序列做差处理，具体地，可以采用左列联或者右列联的方式对文本关键词的序列号进行做差计算，得到候选序列差值(即diff值)。

在一些实施例的步骤S702中，由于在性别这一目标用户属性中仅存在两个预设属性标签(即男性、女性)，对于每一文本关键词的候选序列差值为唯一值，则直接将候选序列差值的唯一值作为该文本关键词的兴趣偏好差值即可。而对于年龄等目标用户属性，每一文本关键词可能存在多个候选序列差值，此时，选取数值最大的候选序列差值作为文本关键词的兴趣偏好差值即可，该兴趣偏好差值可以用于甄别用户的兴趣偏好，能够满足推荐的个性化需求。

在一些实施例的步骤S703中，根据每一文本关键词的兴趣偏好差值对这一系列的文本关键词进行逆序排列，得到兴趣偏好序列。其中，逆序排列具体为对文本关键词进行从大到小的排列，根据兴趣偏好序列能够区分文本关键词在不同目标用户属性下的重要程度，提高利用文本关键词进行内容召回的准确性。

例如，由于可能某些文本关键词未同时存在于男性和女性的初始关键词序列中，在计算男性和女性的兴趣偏好差异时，可以采用左联接的方式。具体地，文本关键词“豪车”在男性的初始关键词序列中序列号为10，在女性的初始关键词序列中的排在前五百位的关键词中不存在，采用左联接的对比方式之后，文本关键词“豪车”在女性的初始关键词序列中的序列号为空，则对男性和女性的初始关键词序列中的文本关键词“豪车”进行序列号做差处理，得到候选序列差值为500-10＝490，依此类推，在男性和女性的初始关键词序列中，文本关键词“潮鞋”的候选序列差值为63-20＝43，文本关键词“奢侈品”的候选序列差值为100-31＝69，由于在性别这一目标用户属性中仅存在两个预设属性标签(即男性、女性)，每一文本关键词的候选序列差值为唯一值，则直接将这个唯一值作为该文本关键词的兴趣偏好差值，即“豪车”的兴趣偏好差值为490，“潮鞋”的兴趣偏好差值为43，“奢侈品”的兴趣偏好差值为69。对这一系列的兴趣偏好差值对应的文本关键词进行逆序排列，得到兴趣偏好序列为豪车、奢侈品、潮鞋。

在一些实施例的步骤S106中，可以选取兴趣偏好序列中位置较为靠前的文本关键词对应的初始推荐文本作为目标文本进行推荐。为了进一步地提高推荐准确性，还可以选取一定数量的选取兴趣偏好序列中位置较为靠前的文本关键词对应的初始推荐文本作为候选推荐文本，候选推荐文本的数量可以根据实际需求进行确定，不做限制。在得到候选推荐文本之后，根据候选推荐文本的点击率大小进行文本推荐，其中，候选推荐文本的点击率已经在前述的步骤S403中计算得到。具体地，根据候选推荐文本的点击率，将目标用户属性的属性标签和候选推荐文本构建成哈希表，例如，当目标用户属性为性别，属性标签为男性和女性时，性别男对应的key为sex_1,value为一个推荐哈希表，内容为候选推荐文本(item1，item2，item3)和候选推荐文本的点击率，哈希表可以表示为{item1:0.03,item2:0.025,item3:0.02}，从而根据这一推荐哈希表的推荐顺序优先将点击率更高的候选推荐文本推荐给用户，这一方式能够根据用户的兴趣偏好有针对性地进行文本推荐，满足推荐的个性化需求，提高推荐准确性。

例如，在推荐过程中，若用户A存在着性别为男性、年龄处于20岁至30岁之间的属性特征，则在Redis缓存库中提取出性别为男性、年龄处于20岁至30岁之间这些属性特征对应的候选推荐文本，根据这一系列候选推荐文本的点击率对候选推荐文本进行排序，得到推荐哈希表，最后根据推荐哈希表的顺序优先将点击率更高的候选推荐文本推荐给用户。

本申请实施例的推荐方法，其通过获取目标行为数据；目标行为数据包括至少两个预设用户属性，根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性，这一方式能够较为方便地得到与目标行为对应的用户属性特征；同时，通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵，并根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列，能够确定文本关键词在不同用户属性下的排名差异，粗略地获取到文本关键词在目标用户属性下的排名情况；进一步地，根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，提高文本关键词在目标用户属性下的区分度，得到文本关键词对应的兴趣偏好序列。最后根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐，这一方式能够根据用户的兴趣偏好有针对性地进行文本推荐，满足推荐的个性化需求，提高了推荐准确性。

请参阅图8，本申请实施例还提供一种推荐装置，可以实现上述推荐方法，该装置包括：

数据获取模块801，用于获取目标行为数据；目标行为数据包括至少两个预设用户属性；

属性确定模块802，用于根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性；

关键词提取模块803，用于通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

第一排序模块804，用于根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

第二排序模块805，用于根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，得到兴趣偏好序列；

推荐模块806，用于根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐。

在一些实施例中，数据获取模块801包括：

埋点表获取单元，用于获取用户数据埋点表；

行为特征提取单元，用于对用户数据埋点表进行特征提取，得到原始行为数据；

去重单元，用于对原始行为数据进行去重处理，得到候选行为数据；

行为数据筛选单元，用于对候选行为数据进行筛选处理，得到目标行为数据。

在一些实施例中，属性确定模块802包括：

属性特征提取单元，用于根据预设用户属性对目标行为数据进行特征提取，得到多个基本属性特征；

覆盖率计算单元，用于根据预设公式对基本属性特征进行覆盖率计算，得到属性覆盖率；

目标用户属性确定单元，用于选取属性覆盖率最大的预设用户属性作为目标用户属性。

在一些实施例中，推荐装置还包括初始推荐文本获取模块，初始推荐文本获取模块包括：

原始文本获取单元，用于获取原始推荐文本；

点击量和推荐次数计算单元，用于通过预设函数和目标行为数据计算原始推荐文本的点击量和推荐次数；

比率计算单元，用于对点击量和推荐次数进行比率计算，得到原始推荐文本的点击率；

文本筛选单元，用于根据推荐次数和点击率对原始推荐文本进行筛选处理，得到初始推荐文本。

在一些实施例中，关键词提取模块803包括：

实体特征提取单元，用于通过关键词提取模型对初始推荐文本进行实体特征提取，得到实体关键词；

比对单元，用于比对实体关键词和预设的参考关键词，得到初始推荐文本对应的目标关键词；

行列变换单元，用于对初始推荐文本和目标关键词进行行列变换，得到文本关键词矩阵。

在一些实施例中，目标用户属性包括至少两个属性标签，第一排序模块804包括：

点击率计算单元，用于根据属性标签对每一文本关键词进行点击率计算，得到关键词点击率；

降序排列单元，用于根据关键词点击率对文本关键词进行降序排列，得到属性标签对应的初始关键词序列。

在一些实施例中，第二排序模块805包括：

做差单元，用于对每两个初始关键词序列中相同的文本关键词进行序列号做差处理，得到候选序列差值；

差值筛选单元，用于选取数值最大的候选序列差值作为文本关键词的兴趣偏好差值；

逆序排列单元，用于根据兴趣偏好差值对文本关键词进行逆序排列，得到兴趣偏好序列。

该推荐装置的具体实施方式与上述推荐方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的推荐方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述推荐方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的推荐方法、推荐装置、电子设备及存储介质，其通过获取目标行为数据；目标行为数据包括至少两个预设用户属性，根据预设公式对预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据属性覆盖率从至少两个预设用户属性中筛选出目标用户属性，这一方式能够较为方便地得到与目标行为对应的用户属性特征；同时，通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵，并根据目标用户属性对文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列，能够确定文本关键词在不同用户属性下的排名差异，粗略地获取到文本关键词在目标用户属性下的排名情况；进一步地，根据初始关键词序列计算每一文本关键词对应的兴趣偏好差值，并根据兴趣偏好差值对文本关键词进行逆序排列，提高文本关键词在目标用户属性下的区分度，得到文本关键词对应的兴趣偏好序列。最后根据兴趣偏好序列从初始推荐文本筛选出目标文本进行推荐，这一方式能够根据用户的兴趣偏好有针对性地进行文本推荐，满足推荐的个性化需求，提高了推荐准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

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，上述单元的划分，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。

上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。

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，包括多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的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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种推荐方法，其特征在于，所述方法包括：

获取目标行为数据；所述目标行为数据包括至少两个预设用户属性；

根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性；

通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列；

根据所述兴趣偏好序列从所述初始推荐文本筛选出目标文本进行推荐。

2.根据权利要求1所述的推荐方法，其特征在于，所述获取目标行为数据的步骤，包括：

获取用户数据埋点表；

对所述用户数据埋点表进行特征提取，得到原始行为数据；

对所述原始行为数据进行去重处理，得到候选行为数据；

对所述候选行为数据进行筛选处理，得到所述目标行为数据。

3.根据权利要求1所述的推荐方法，其特征在于，所述根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性的步骤，包括：

根据所述预设用户属性对所述目标行为数据进行特征提取，得到多个基本属性特征；

根据所述预设公式对所述基本属性特征进行覆盖率计算，得到所述属性覆盖率；

选取所述属性覆盖率最大的所述预设用户属性作为目标用户属性。

4.根据权利要求1所述的推荐方法，其特征在于，所述通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵的步骤之前，所述方法还包括：

获取原始推荐文本；

通过预设函数和所述目标行为数据计算所述原始推荐文本的点击量和推荐次数；

对所述点击量和所述推荐次数进行比率计算，得到所述原始推荐文本的点击率；

根据所述推荐次数和所述点击率对所述原始推荐文本进行筛选处理，得到所述初始推荐文本。

5.根据权利要求1所述的推荐方法，其特征在于，所述过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵的步骤，包括：

通过所述关键词提取模型对所述初始推荐文本进行实体特征提取，得到实体关键词；

比对所述实体关键词和预设的参考关键词，得到所述初始推荐文本对应的目标关键词；

对所述初始推荐文本和所述目标关键词进行行列变换，得到所述文本关键词矩阵。

6.根据权利要求1至5任一项所述的推荐方法，其特征在于，所述目标用户属性包括至少两个属性标签，所述根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列的步骤，包括：

根据所述属性标签对每一所述文本关键词进行点击率计算，得到关键词点击率；

根据所述关键词点击率对所述文本关键词进行降序排列，得到所述属性标签对应的初始关键词序列。

7.根据权利要求6所述的推荐方法，其特征在于，所述根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列的步骤，包括：

对每两个所述初始关键词序列中相同的文本关键词进行序列号做差处理，得到候选序列差值；

选取数值最大的所述候选序列差值作为所述文本关键词的兴趣偏好差值；

根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到所述兴趣偏好序列。

8.一种推荐装置，其特征在于，所述装置包括：

数据获取模块，用于获取目标行为数据；所述目标行为数据包括至少两个预设用户属性；

属性确定模块，用于根据预设公式对所述预设用户属性进行计算，得到对应每一预设用户属性的属性覆盖率，并根据所述属性覆盖率从所述至少两个预设用户属性中筛选出目标用户属性；

关键词提取模块，用于通过预设的关键词提取模型对预先获取的初始推荐文本进行关键词提取，得到文本关键词矩阵；

第一排序模块，用于根据所述目标用户属性对所述文本关键词矩阵中的文本关键词进行排序处理，得到初始关键词序列；

第二排序模块，用于根据所述初始关键词序列计算每一所述文本关键词对应的兴趣偏好差值，并根据所述兴趣偏好差值对所述文本关键词进行逆序排列，得到兴趣偏好序列；

推荐模块，用于根据所述兴趣偏好序列从所述初始推荐文本筛选出目标文本进行推荐。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的推荐方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的推荐方法的步骤。

Images