CN115640470A - 一种推荐方法及电子设备 - Google Patents

Abstract

本申请提供一种推荐方法及电子设备，涉及计算机技术领域。该方法在给用户推荐对象时会考虑用户的实时类目偏好以及当前流行趋势，保证推荐对象既满足用户当前的偏好，又与当前流行因素结合，全面且精准。该方法包括：获取第一用户的实时行为数据；基于第一用户的实时行为数据更新第一用户的历史类目偏好信息，得到第一用户的融合类目偏好信息；根据融合类目偏好信息确定第一用户的当前偏好类目；基于当前偏好类目对应的流行对象信息确定推荐对象，流行对象信息包括当前偏好类目对应的多个对象，及每个对象的流行度得分。

Description

一种推荐方法及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种推荐方法及电子设备。

背景技术

随着大数据（big data）、云计算的技术的发展，各类应用常常会根据大数据挖掘用户的意图，以为用户提供与其意图匹配的服务。

以电商网站上的购物场景为例，电商常常会给用户添加标签，通过该标签绘制用户画像并为基于用户画像给用户推荐商品。但基于用户画像标签来推荐商品，其粒度实际上是用户群体，不能达到给某个用户精准推荐的效果。

发明内容

本申请实施例提供一种推荐方法及电子设备，以对象所属的类目为偏好的载体，向用户推荐符合其偏好类目的对象，达到个性化推荐的效果。

为达到上述目的，本申请的实施例采用如下技术方案：

第一方面，提供了一种推荐方法，该方法包括：获取第一用户的实时行为数据；其中，一条行为数据包括：对象ID、对象所属的类目、行为类型以及发生时间；基于第一用户的实时行为数据确定第一用户的实时类目偏好信息，实时类目偏好信息可用于表征第一用户当前或第一预设时间内针对至少一个类目的偏好；融合第一用户的实时类目偏好信息和第一用户的历史类目偏好信息，得到第一用户的融合类目偏好信息，实时类目偏好信息可用于表征第一用户过去第二预设时间内针对至少一个类目的偏好；根据融合类目偏好信息确定第一用户的当前偏好类目；基于当前偏好类目对应的流行对象信息确定推荐对象，流行对象信息包括当前偏好类目对应的多个对象，及每个对象的流行度得分。其中，对象可指商品、应用、音乐、视频等。

电子设备可基于第一用户的实时行为数据更新历史类目偏好信息，实际上是将历史类目偏好信息作为实时类目偏好信息的补充，使得最终得到的融合类目偏好信息中的类目更丰富。另外，电子设备可以从当前偏好类目对应的流行对象信息中确定当前偏好类目。这样一来，由于当前偏好类目是根据第一用户的实时类目偏好信息和历史类目偏好信息确定的，可准确反映第一用户当前的类目偏好；另外，推荐对象为对应于当前偏好类目的多个对象中流行度得分高于第二阈值且得分排名前M的对象，使得服务器220为第一用户确定的推荐对象为该第一用户品所偏好类目下的流行对象。可见，本实施例在给用户推荐对象时会考虑用户的实时类目偏好，使推荐对象更贴近用户当前偏好。并且，本实施例还会考虑当前流行的对象，保证推荐对象与当前流行因素、时事结合，使得推荐对象全面且精准。

第一方面的一种实施方式中，实时类目偏好信息包括多个类目和每个类目对应的偏好度得分，基于第一用户的实时行为数据确定第一用户的实时类目偏好信息，包括：按照类目对第一用户的实时行为数据进行划分，得到每个类目对应的实时行为数据；针对每个类目，按照时间分别对对应于不同类目的实时行为数据进行统计，得到该类目在多个单位时间内的交互次数；分别计算该类目在多个单位时间内的子得分，子得分与交互次数呈正相关，与时间的早晚呈负相关；累加对应于同一类目的不同子得分，得到每个类目的偏好度得分。

可见，每个类目的子得分跟用户与该类目的交互次数呈正相关，以及所在单位时间的早晚呈负相关。即交互次数越多则子得分越高，行为数据产生的时间越早则其所属类目的子得分越低，与用户会在近期大量浏览感兴趣类目的逻辑相同，有利于挖掘用户对类目的偏好情况。

第一方面的一种实施方式中，一个类目在一个单位时间内的子得分为该类目在该单位时间内的交互次数与该单位时间对应的时间系数的乘积。

第一方面的一种实施方式中，方法还包括：获取第一用户的历史行为数据；根据第一用户的历史行为数据，得到历史类目偏好信息。

第一方面的一种实施方式中，方法还包括：获取多个用户的行为数据；基于多个用户的行为数据，确定多个类目对应的流行对象信息，多个类目包括当前偏好类目。根据多个用户的行为数据来确定各个类目对应的流行对象信息，数据量更充足，得到的流行对象信息符合用户群体对于具体对象的偏好。

第一方面的一种实施方式中，一个类目的流行对象信息包括对应于该类目的对象以及每个对象的流行度得分，基于多个用户的行为数据，确定多个类目对应的流行对象信息，包括：按照类目对多个用户的行为数据进行划分，得到每个类目对应的行为数据；针对每个类目，遍历该类目对应的行为数据，并计算每条行为数据对对应对象产生的子分值；累加对应于同一对象的不同行为数据对该对象产生的子分值，得到每个对象的流行度得分。

第一方面的一种实施方式中，一条行为数据对对应对象产生的子分值为第一权重和第一时间系数的乘积，第一权重为该行为数据包括的行为类型对应的权重，第一时间系数为根据该行为数据包括的发生时间确定的时间系数。

可见，通过使不同行为类型对应不同的权重，细化不同行为操作对于子分值的影响，更利于区分不同对象的流行度。

第一方面的一种实施方式中，时间系数的大小与行为数据的发生时间早晚成反比。

第一方面的一种实施方式中，当前偏好类目为融合类目偏好信息包括的多个类目中，偏好度得分大于第一阈值且偏好度得分排名前N的类目。

第一方面的一种实施方式中，推荐对象为当前偏好类目对应的流行对象信息包括的多个对象中，流行度得分大于第二阈值且流行度得分排名前M的对象。

第二方面，提供了一种电子设备，包括：处理器；所述处理器用于与存储器耦合；其中，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述计算机指令被所述处理器执行时，使得所述电子设备执行上述第一方面中任一实施方式所述的推荐方法。

第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机可以执行上述第一方面中任一实施方式所述的推荐方法。

第四方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机可以执行上述第一方面中任一实施方式所述的推荐方法。

第五方面，提供了一种装置（例如，该装置可以是芯片系统），该装置包括处理器，用于支持电子设备实现上述第一方面中所涉及的功能。在一种可能的设计中，该装置还包括存储器，该存储器，用于保存电子设备必要的程序指令和数据。该装置是芯片系统时，可以由芯片构成，也可以包含芯片和其他分立器件。

其中，第二方面至第五方面中任一种设计方式所带来的技术效果可参见第一方面中不同设计方式所带来的技术效果，此处不再赘述。

附图说明

图1为本申请实施例提供的一种数据处理系统的场景示意图；

图2为本申请实施例提供的另一种数据处理系统的结构示意图；

图3为本申请实施例提供的一种推荐方法的流程示意图一；

图4为本申请实施例提供的一种推荐方法的流程示意图二；

图5为本申请实施例提供的时间系数β关于时间间隔∆t的变化关系图；

图6为本申请实施例提供的计算偏好度得分的示意图；

图7为本申请实施例提供的一种推荐方法的流程示意图三；

图8为本申请实施例提供的一种推荐方法的流程示意图四；

图9为本申请实施例提供的一种推荐方法的流程示意图五；

图10为本申请实施例提供的一种芯片系统的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

为了下述各实施例的描述清楚简洁，首先给出相关技术的简要介绍。

图1为本申请提供的一种数据处理系统的场景示意图，数据处理系统可以包括客户端110、服务器120和内容供应端130等设备，各设备之间可以通过网络实现通信，以实现图片、视频、文本、音频或其他数据等信息的传输。该网络可以是因特网，蜂窝网络，或其他网络等。该网络可以包括一个或多个网络设备，如网络设备可以是路由器或交换机等。

客户端110可以是指终端设备，如图1所示出的终端设备111~终端设备113等。可选的，终端设备也可以称为终端（terminal）、用户设备（user equipment，UE）、移动台（mobilestation，MS）、移动终端（mobile terminal，MT）等。在一些实施例中，终端可以是手机（如图1中所示出的终端112）、平板电脑、带无线收发功能的电脑、个人通信业务（personalcommunication service，PCS）电话、台式计算机（如图1中所示出的终端113）、虚拟现实（virtual reality，VR）终端设备、增强现实（augmented reality，AR）终端设备（如图1所示出的终端111）、工业控制（industrial control）中的无线终端、无人驾驶（self driving）中的无线终端、远程手术（remote medical surgery）中的无线终端、智能电网（smartgrid）中的无线终端、运输安全（transportation safety）中的无线终端、智慧城市（smartcity）中的无线终端、智慧家庭（smart home）中的无线终端等等。

如图1所示，服务器120可以是支持搜索功能的应用服务器，例如该应用服务器可以提供视频服务、图像服务、基于视频或图像的其他服务等，以在搜索过程中为用户提供搜索结果。服务器120还可以是具有商业搜索功能的数据搜索引擎等，例如，该商业搜索功能可以是指资料查询、网络购物、图像查询与匹配，以及语音交流的等。

另外，服务器120也可以是指数据中心，该数据中心可以包括一个或多个具有数据处理功能的物理设备，如服务器、手机、平板电脑或其他设备等。例如，数据搜索过程中所采用的服务器120是指部署有多个服务器的数据中心，也可称为服务器集群，该服务器集群可以具有机架，机架可通过有线连接为该多个服务器建立通信，如通用串行总线（universalserial bus，USB）或快捷外围组件互连（peripheral component interconnect express，PCIe）高速总线等。

值得注意的是，用户可以通过客户端110查找或搜索服务器120所存储的内容。该内容可以是图片、视频、文本或者音频资料等。用户还可以通过客户端110获取服务器120接收的实时数据。

服务器120所存储的内容可以是由内容供应端130提供的，内容供应端130是指向用户提供服务的提供商（如图1所示出的广告主）采用的服务器或其他设备，用于存储服务所需的内容，以及该内容对应的关键词。在一些情形中，关键词是指查找内容所需的键（key），该关键词为包括一个或多个词语的语句，如“XX牌手机”。

值得注意的是，图1所示出的数据处理系统仅为本实施例提供的一种示例，不应理解为对本申请的限定。在一种可选的实现方式中，服务器120可以连接有多个内容供应端，或者，用户可以通过图1未示出的其他类型的终端设备向服务器120发送数据处理信息等。

示例性的，图1所示出的服务器120可以通过图2所示出的服务器220实现，客户端110也可以通过图2所示出的客户端210实现，图2为本申请提供的另一种数据处理系统的结构示意图，该数据处理系统包括服务器220、加速装置215和客户端210。服务器220是一个常见的计算机设备。用户可通过客户端210向服务器220输入数据。客户端210是一种终端设备，包括但不限于个人电脑、服务器、手机、平板电脑或者智能车等。

服务器220包括输入输出（input/output，I/O）接口214、处理器211、存储器212。I/O接口214用于与位于服务器220外部的设备通信。例如，客户端210通过I/O接口214向服务器220输入数据以及发送AI任务，服务器220对输入的数据进行处理之后，再通过I/O接口214向客户端210发送对该数据处理后的输出结果。

处理器211是服务器220的运算核心和控制核心，它可以是中央处理器（centralprocessing unit，CPU），也可以是其他特定的集成电路。处理器211还可以是其他通用处理器、数字信号处理器（digital signal processing，DSP）、专用集成电路（applicationspecific integrated circuit，ASIC）、现场可编程门阵列（field programmable gatearray，FPGA）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。实际应用中，服务器220也可以包括多个处理器。处理器211中可以包括一个或多个处理器核（core）。在处理器211中安装有操作系统和其他软件程序，从而处理器211能够实现对存储器212及各种PCIe设备的访问。

处理器211通过双倍速率（double data rate，DDR）总线或者其他类型的总线和存储器212相连。存储器212是服务器220的主存（main memory）。存储器212通常用来存放操作系统中各种正在运行的软件、从客户端210接收的输入数据以及将来发送给客户端210的输出结果等。为了提高处理器211的访问速度，存储器212需要具备访问速度快的优点。在传统的计算机设备中，通常采用动态随机存取存储器（dynamic random access memory，DRAM）作为存储器212。除了DRAM之外，存储器212还可以是其他随机存取存储器，例如静态随机存取存储器（static random access memory，SRAM）等。另外，存储器212也可以是只读存储器（read only memory，ROM）。而对于只读存储器，举例来说，可以是可编程只读存储器（programmable read only memory，PROM）、可抹除可编程只读存储器（erasableprogrammable read only memory，EPROM）等。本实施例不对存储器212的数量和类型进行限定。

可选的，为了对数据进行持久化存储，如图2所示，数据处理系统中还设置有数据存储系统213（或称数据库），数据存储系统213可位于服务器220的外部（如图2所示），与服务器220分别部署在不同的物理设备上，通过网络与服务器220交换数据。可选的，数据存储系统213也可以位于服务器220的内部，与服务器220部署在相同的物理设备上，如数据存储系统213通过PCIe总线216与处理器211交换数据。此时，数据存储系统213表现为硬盘等存储介质。

示例性的，该数据存储系统213可以用于存储各个用户产生的历史行为数据。该数据存储系统213还可以用于存储大量的内容供应端230能够为用户提供的商品、应用、多媒体等信息。当服务器220对用户的搜索请求进行搜索并输出搜索结果时，为用户提供与其需求匹配的内容。

可选地，如图2所示，该数据处理系统还可以包括加速装置215，用于执行数据处理任务。处理器211将接收的数据处理任务以及输入数据发送给加速装置215，加速装置215根据输入数据完成所述数据处理任务之后将处理结果发送给处理器211。如图2所示，加速装置215可以直接插在服务器220的主板上的卡槽中，通过PCIe总线216与处理器211交换数据。需注意的是，图2中的PCIe总线216也可以替换成计算快速互联（compute expresslink，CXL）、通用串行总线（universal serial bus，USB）协议或其他协议的总线加速装置215进行数据传输。

另外，上述的加速装置215也可以不是直接插在服务器220的主板上的卡槽中，而是位于加速设备中的。如该加速设备是一个独立于服务器220的设备。此时，服务器220可以通过网线等有线网络与加速装置215进行连接，也可以通过无线热点或者蓝牙（bluetooth）等无线网络与加速装置215进行连接。如加速装置215用于处理AI任务，例如训练和推理，加速装置可以由一个或多个芯片来实现。如该芯片包括CPU、图形处理器（graphicsprocessing unit，GPU）、神经网络处理器（neural-network processing units，NPU）、张量处理单元（tensor processing unit，TPU）、FPGA、ASIC中的任意一种。其中，GPU又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。NPU在电路层模拟人类神经元和突触，并且用深度学习指令集直接处理大规模的神经元和突触，一条指令完成一组神经元的处理。ASIC适合于某一单一用途的集成电路产品。

上述的数据处理任务可以是指文本资料查询、图像匹配与识别、数据库更新、基于神经网络模型的计算任务，或者基于数据库的数据导出等数据匹配、数据查询或数据搜索中的各种任务。

为了实现本申请提供的数据处理方法，在图2所示出的数据处理系统的基础上，本申请提供一种推荐方法的实现方式。该推荐方法可以应用于图2所示出的数据处理系统。示例的，该推荐方法可由图2所示出的服务器220执行。如图3所示，图3为本申请提供的一种推荐方法的流程示意图一，该推荐方法包括以下步骤：

S310，服务器220获取第一用户的实时行为数据。

在本实施例中，行为数据为记录用户操作的数据。其中，一条行为数据包括：对象信息、用户信息、行为类型以及发生时间。该对象信息可包括对象名称、对象ID和对象所属的类目等。对象即为用户操作的对象。根据应用场景不同，对象具体可以不同。例如，在网络购物场景中，该对象具体可指各个商品。相应地，对象名称可指商品名称，例如“XX手机128g全网通”为一个商品名称。对象ID可指商品ID，用于标识商品。对象所属的类目可指商品所属的类目，例如类目具体可以包括手机、平板、电脑、服饰等。或者类目的划分粒度可以更细，例如为XX牌手机、上衣、裤子等。又例如，在下载应用场景中，该对象具体可指各个应用。相应地，对象名称可指应用名称，对象ID可指应用ID，对象所属的类目可指应用所属的类目。应用所属的类目可包括游戏、社交、影音娱乐、学习办公等。需要说明的是，本申请提供的推荐方法还可以应用于其他场景，例如浏览视频场景、播放音乐场景、数据搜索场景等，在此不做具体限制。

用户信息包括用户ID、用户帐号、用户类型。其中，根据应用场景不同，该用户账号可以为用户登录购物商城、应用商城或音频/视频应用的帐号等，例如用户的手机号码、自定义名称、邮箱等。用户ID可以为每个用户账号的唯一标识，用于区分用户。用户类型可包括登录用户、非登录用户、新用户、老用户等。

行为类型可指用户作用于对象的具体操作。例如，在网络购物场景中，该行为类型可包括浏览、点击、收藏、分享、评论、购买、加购物车、联系客服等。又例如，在浏览视频场景中，行为类型可包括浏览、点击、收藏、分享、评论、播放、发送弹幕等。

发生时间指用户操作对象的具体时间，也可以理解为行为数据的产生时间。

在本实施例中，实时行为数据可指用户当前或最近一段时间内的操作数据，可用于挖掘用户当前或最近一段时间内对各个类目的偏好情况。可选的，实时行为数据可以为用户当天的操作数据。在一种示例中，如图3所示，该多个用户的实时行为数据可以保存在服务器220维护的日志中。

值得注意的是，日志可以是基于服务器220提供的存储资源实现的，还可以是基于与服务器220通信的其他存储设备实现的，如图2所示出的数据存储系统213。

请继续参见图3，本实施例提供的推荐方法还包括以下步骤S320。

S320，服务器220基于第一用户的实时行为数据确定第一用户的实时类目偏好信息。

其中，实时类目偏好信息可用于表征第一用户当前或最近第一预设时间（例如最近1天）内针对至少一个类目的偏好。为便于区分，此处涉及到的类目可称为实时类目，实时类目可以为第一用户的实时行为数据所涉及到的类目。前述已经说明，行为数据包括对象信息，且对象信息进一步包括对象名称、对象ID和对象所属的类目等，也即一条行为数据所涉及的类目为该行为数据所携带的类目。

在本实施例中，实时类目偏好信息可包括至少一个实时类目和每个实时类目对应的偏好度得分。该至少一个实时类目包括第一用户的实时行为数据所涉及到的所有类目。为了便于区分，此处涉及到的偏好度得分可称为实时偏好得分。实时偏好得分用于反映第一用户当前或最近一段时间内对对应实时类目的偏好程度，偏好度得分越高则表明第一用户当前越偏好该类目。其中，关于确定每个类目的偏好度得分的过程，具体内容参见图4~图6的相关描述，在此不予赘述。

S330，服务器220融合第一用户的实时类目偏好信息和第一用户的历史类目偏好信息，得到第一用户的融合类目偏好信息。

其中，历史类目偏好信息可用于表征第一用户在过去第二预设时间内针对至少一个类目的偏好情况。为了便于区分，此处涉及到的类目可称为历史类目。历史类目为第一用户的历史行为数据所涉及的类目。历史行为数据可指用户在过去第二预设时间内的操作数据，可用于挖掘用户过去第二预设时间内对各个类目的偏好情况。

可选的，历史类目偏好信息可包括至少一个历史类目和每个历史类目对应的偏好度得分。该至少一个历史类目包括第一用户的历史行为数据所涉及到的所有类目。为了便于区分，此处涉及到的偏好度得分可称为历史偏好得分。历史偏好得分用于反映第一用户在过去第二预设时间内对对应历史类目的偏好程度，偏好度得分越高则表明第一用户历史上越偏好该历史类目。

需要说明的是，历史类目和实时类目可以完全相同、部分相同或者完全不同，这根据用户的具体操作的对象有关。

融合类目偏好信息中包括所有历史类目、所有实时类目，以及每个类目的偏好度得分。其中，一个类目的偏好度得分为该类目对应的历史偏好得分与该类目对应的实时偏好得分的总和。

S340，服务器220根据融合类目偏好信息确定第一用户的当前偏好类目。

当前偏好类目为第一用户最为感兴趣的一个或多个类目。在一种实现方式中，当前偏好类目为融合类目偏好信息所包括的多个类目中，偏好度得分最高的N个类目。

可选的，当前偏好类目也可以为融合类目偏好信息所包括的多个类目中，偏好度得分大于第一阈值且偏好度得分排名前N的类目。

可以理解地，在通过第一用户的历史类目偏好信息和实时类目偏好信息确定融合类目偏好信息，并进一步根据融合类目偏好信息确定第一用户的当前偏好类目的过程中，该历史类目偏好信息可用于对第一用户的实时类目偏好信息进行调整，以使得最终确定的给第一用户的当前偏好类目能够更加精准地匹配用户当前的类目偏好。具体的，具体的，在实时行为数据所涉及的类目较少（例如少于阈值）的情况下，可以基于历史类目偏好信息对类目作进行补充。

示例性的，如图3所示，服务器220可从日志中读取第一用户的实时行为数据1~实时行为数据m。其中，第一用户的历史类目偏好信息包括类目1、类目2、类目3及类目4，以及类目1的历史偏好得分A1、类目2的历史偏好得分B1、类目3的历史偏好得分C1和类目4的历史偏好得分D1。服务器220可基于第一用户的实时行为数据1~实时行为数据m确定第一用户的实时类目偏好信息，该实时类目偏好信息包括类目1、类目2及类目5，以及类目1的实时偏好得分A2、类目2的实时偏好得分B2和类目5的实时偏好得分E1。如此，服务器220可以得到第一用户的融合类目偏好信息，该融合类目偏好信息包括类目1~类目5，且类目1的偏好度得分为历史偏好得分A1与实时偏好得分A2的和，类目2的偏好度得分为历史偏好得分B1与实时偏好得分B2的和，类目3的偏好度得分为历史偏好得分C1，类目4的偏好度得分为历史偏好得分D1，类目5的偏好度得分为实时偏好得分E1。进一步的，服务器220可以从类目1~类目5中确定第一用户的当前类目偏好，例如为类目1和类目2。

可见，通过第一用户的历史类目偏好信息和第一用户的实时类目偏好信息来确定第一用户的融合类目偏好信息，实际上是将历史类目偏好信息作为实时类目偏好信息的补充，使得最终得到的融合类目偏好信息中的类目更丰富；避免直接根据实时类目偏好信息确定第一用户的当前偏好类目，但由于实时行为数据的数据较少而导致实时类目偏好信息的可信度较低，进而导致难以正确匹配第一用户的当前偏好类目的问题；从而能够更加精准地匹配用户当前的类目偏好，提升了服务器进行对象推荐的准确率。

在服务器220确定第一用户的当前偏好类目后，本实施例提供的推荐方法还包括以下步骤S350。

S350，服务器220基于当前偏好类目对应的流行对象信息确定推荐对象。

服务器220中维护有多个类目的流行对象信息。该多个类目的流行对象信息可以是服务器基于多个用户的行为数据生成的，或者为其他服务器生成后传输给服务器220的，在此不做具体限制。其中，一个类目对应的流行对象信息包括对应于该类目的多个对象，以及该多个对象的流行度得分。一个对象的流行度得分用于反映用户群体对该对象的偏好程度，流行度得分越高则表明用户群体对该对象的偏好程度越高。

可选的，一个类目对应的流行对象信息还包括该多个对象的流行度得分排名。具体的，服务器220可按照流行度得分从高到低的顺序对该多个对象进行排序，得到该多个对象的流行度得分排名。

服务器220可以获取当前偏好类目对应的流行对象信息，并基于当前偏好类目对应的流行对象信息确定推荐对象。可选的，该推荐对象包括：当前偏好类目对应的流行对象信息所包括的多个对象中，流行度得分高于第二阈值且流行度得分排名前M的对象。服务器220确定推荐对象后，可向客户端210发送该推荐对象以供用户浏览、查看。

示例性的，如图3所示，多个类目的流行对象信息包括：流行对象信息1~流行对象信息3，该流行对象信息1~流行对象信息3分别对应类目1~类目3。其中，该流行对象信息1包括对象1和对象2，该流行对象信息2包括对象3和对象4，该流行对象信息3包括对象5和对象6。同时服务器220还确定类目1和类目2为当前偏好类目，则服务器220可从流行对象信息1、流行对象信息3中确定对象1和对象5为推荐对象，以便向第一用户推送该对象1和对象5。

在本实施例中，服务器220可以从当前偏好类目对应的流行对象信息中确定当前偏好类目。这样一来，由于当前偏好类目是根据第一用户的实时类目偏好信息和历史类目偏好信息确定的，可准确反映第一用户当前的类目偏好；另外，推荐对象为对应于当前偏好类目的多个对象中流行度得分高于第二阈值且得分排名前M的对象，使得服务器220为第一用户确定的推荐对象为该第一用户品所偏好类目下的流行对象。可见，本实施例在给用户推荐对象时会考虑用户的实时类目偏好，使推荐对象更贴近用户当前偏好。并且，本实施例还会考虑当前流行的对象，保证推荐对象与当前流行因素、时事结合，使得推荐对象全面且精准。

本实施例提供一种生成第一用户的实时类目偏好信息的方式。后续，服务器220可以基于第一用户的历史类目偏好信息来更新第一用户的实时偏好类目信息，得到融合类目偏好信息。

图4为本申请提供的一种推荐方法的流程示意图二。如图4所示，生成第一用户的实时类目偏好信息可以包括以下步骤S410~步骤S440。

S410，服务器220可按照类目对第一用户的实时行为数据进行划分，得到每个类目对应的实时行为数据。

前文已经说明，行为数据包括对象信息，该对象信息进一步包括对象名称、对象ID和对象所属的类目等。也即，每条实时行为数据可涉及一个类目。服务器220可以按照每条实时行为数据所涉及的类目，将多个用户的实时行为数据划分为对应于不同类目的实时行为数据。

S420，服务器220针对每个类目，按照时间分别对对应于不同类目的实时行为数据进行统计，得到该类目在多个单位时间内的交互次数。

在本实施例中，可根据用户操作发生时间的先后顺序来反映对该用户操作对用户偏好程度的影响。具体的，若用户操作的发生时间越早，则该用户操作对用户偏好程度产生的影响越小；若用户操作的发生时间越晚，则该用户操作对用户偏好程度产生的影响越大。其中，用户偏好程度包括用户对某一类对象的偏好度（即类目偏好度）和用户对某一个对象的偏好度（可称为流行度得分）。

在一种可选的实施方式中，可以用时间系数来表征用户操作发生时间的先后顺序对用户偏好程度的影响。其中，若一条行为数据的发生时间越早，则该条行为数据对应的时间系数越小，表明该条行为数据对用户偏好程度的影响越小；若一条行为数据的发生时间越晚，则该条行为数据对应的时间系数越大，表明该条行为数据对用户偏好程度的影响越大。

作为示例，服务器220可以通过以下算式计算时间系数β。

其中，β为时间系数，α为预设的可调参数，α＞0，∆t为行为的发生时间与当前时间的间隔。可选的，可调参数α为0.75，或者为其他任意大于0的数值。

如图5所示，其示出了时间系数β关于时间间隔∆t的变化关系图。根据图5可知，时间间隔∆t越大，则时间系数β越小。可见，行为数据对用户偏好程度的影响，随时间的增加而衰减。

在本实施例中，以一个自然日（24小时）为单位时间来计算时间系数。也即，在计算时间系数的过程中，以天为最小的时间单位，即发生时间为同一天的行为数据对应相同的时间系数。这样可以避免由于单位时间较小导致每分每秒的行为数据对应不同的时间系数的问题，可以在有效区分不同时间段的行为数据的同时，还能减少计算量，提高数据处理效率。

值得注意的是，∆t=0时，时间系数β为1。即对于当天的行为数据，其对应的时间系数为1，不存在衰减。可选的，最小的时间单位也可以为其他，例如半天、1小时、180秒等，可根据实际业务需求设置，在此不做具体限制。

在本实施例中，服务器220可以统计每个类目，在预设时间段内每天的交互次数。其中，一个类目在一天内的交互次数为一天内所有涉及该类目的行为数据的数量。示例性的，11月1日存在100条行为数据，其中45条行为数据涉及类目1，55条行为数据涉及类目2，则在11月1日这天类目1对应的交互次数为45，类目2对应的交互次数为55。

S430，服务器220分别计算该类目在多个单位时间内的子得分。

具体的，类目在每个单位时间内的子得分为该单位时间内的交互次数与该单位时间对应的时间系数的乘积。示例性的，类目1在11月1日的交互次数为100，在11月2日的交互次数为150，其中11月1日对应的时间系数为A1，11月2日对应的时间系数为A2，则类目1在11月1日的子得分为100*A1，在类目1在11月2日的子得分为150*A1

S440，服务器220累加对应于同一类目的不同子得分，得到每个类目的偏好度得分。

也即，服务器220可以累加同一类目的所有子得分，得到该类目的偏好度得分。

示例性的，如图6所示，类目1在第1天的交互次数为交互次数1，第1天对应的时间系数为时间系数1，则类目1在第1天的子得分1为交互次数1和时间系数1的乘积。类目1在第2天的交互次数为交互次数2，第1天对应的时间系数为时间系数2，则类目1在第2天的子得分2为交互次数2和时间系数2的乘积，……，类目1在第n天的交互次数为交互次数n，第1天对应的时间系数为时间系数n，则类目1在第n天的子得分n为交互次数n和时间系数n的乘积。如此，服务器可以计算得到类目1的偏好度得分为子得分1、子得分2……子得分n的总和。

在一种可选的实施方式中，在图3所示出的流程图的基础上，在服务器220执行S330之前，服务器220还可以先获取第一用户的历史行为数据，并根据第一用户的历史行为数据确定第一用户的历史类目偏好信息（图未示）。其中，服务器220根据第一用户的历史行为数据确定第一用户的历史类目偏好信息的过程与服务器220根据第一用户的实时行为数据确定第一用户的实时类目偏好信息的过程相似，具体参见图4及相关内容，在此不予赘述。

可选的，服务器220也可以每次根据第一用户的历史行为数据和实时行为数据来确定融合类目信息。其原理与服务器220根据第一用户的实时行为数据确定第一用户的实时类目偏好信息的原理类似，具体参见图4及相关内容，在此不予赘述。

可以理解地，上述确定融合类目信息的过程可以是周期性进行的，或者是服务器220接收到客户端发送的请求后进行的。也就是说，服务器可以定期或不定期地获取第一用户的实时行为数据，并基于实时行为数据确定实时类目偏好信息，并融合历史类目偏好信息得到融合类目信息。例如，本次获取的历史类目偏好信息，可以为上一次得到的融合类目信息。

可选的，在服务器220基于当前偏好类目对应的流行对象信息确定推荐对象前还可以获取多个用户的行为数据，并根据多个用户的行为数据确定多个类目对应的流行对象信息。图7为本申请提供的一种推荐方法的流程示意图三，如图7所示，本实施例提供的推荐方法还包括：

S360，服务器220获取多个用户的行为数据。

在本实施例中，多个用户的行为数据可以包括：多条实时行为数据和多条历史行为数据。其中，实时行为数据为多个用户当前或最近一段时间内与对象交互时产生的行为数据。实时行为数据能够在一定程度上反映用户当前或最近一段时间内的类目偏好。历史行为数据为多个用户在过去第二预设时间内与对象交互时产生的行为数据。历史行为数据能够反映过去一段时间内的类目偏好。

S370，服务器220基于多个用户的行为数据，确定多个类目对应的流行对象信息。

需要说明的是，S360~S370与S310~S340之间不存在严格的先后顺序，只要S360~S370在S350之前即可。

针对于上述确定多个类目对应的流行对象信息的过程，在图7的基础上，本实施例提供一种可能的实现方式。如图8所示，图8为本申请提供的一种推荐方法的流程示意图四。

如图8所示，服务器220确定多个类目对应的流行对象信息，可以包括以下步骤S810~S830。

S810，服务器220按照类目对多个用户的行为数据进行划分，得到每个类目对应的行为数据。

前文已经说明，行为数据包括对象信息，该对象信息进一步包括对象名称、对象ID和对象所属的类目等。也即，每条行为数据可涉及一个类目。服务器220可以按照每条行为数据所涉及的类目，将多个用户的行为数据划分为对应于不同类目的行为数据。

S820，服务器220针对每个类目，遍历该类目对应的行为数据，并计算每条行为数据对对应对象产生的子分值。

用户的每个行为都会对该行为作用的对象的流行度得分产生影响。其中，一个行为对对应对象产生的影响可以通过该行为所对应的行为数据对对应对象产生的子分值来体现，子分值越大则影响越大，子分值越小则影响越小。可选的，子分值与行为类型和行为的发生时间关联。

在本实施例中，某条行为数据对对应对象产生的子分值为该行为数据包括的行为类型所对应的权重，和该行为数据对应的时间系数的乘积。

前述已经说明，根据应用场景不同，行为类型可以有所不同。在本申请实施例中，每种行为类型可对应预设的权重。不同行为类型的权重可以相同或者不同，某个行为类型对应的权重越大，则表明该行为类型对对象产生的影响越大。例如，在网络购物场景中，该行为类型可包括浏览、点击、收藏、分享、评论、购买、加购物车、联系客服等，其中，购买对应的权重最大，浏览对应的权重最小，点击、收藏、分享、评论、加购物车、联系客服等行为类型对应的权重可以相同。可选的，所有行为类型对应的权重相加等于1。

可选的，某条行为数据对对应对象产生的子分值为各项属性得分之后。其中，属性可包括行为类型和发生时间。不同行为类型对应的属性得分可以不同。行为数据的发生时间也可以对应一个属性得分，且该属性得分与发生时间的早晚成反比，即发生时间越早则属性得分越小，发生时间越晚则属性得分越大。如此得到的子分值也与行为类型和行为的发生时间关联。

需要说明的是，服务器220还可采用其他方式计算每条行为数据对对应对象产生的子分值，只要满足子分值与行为类型和行为的发生时间关联即可，在此不做具体限制。

S830，服务器220累加对应于同一对象的不同行为数据对该对象产生的子分值，得到每个对象的流行度得分。

也即，服务器220可以累加同一对象的所有子分值，得到该对象的流行度得分。

示例性的，如图8所示，日志中存储有行为数据1~行为数据6，其中行为数据1~行为数据3涉及类目1，行为数据4~行为数据5涉及类目2，行为数据6涉及类目3。服务器220可以确定将行为数据1~行为数据3划分至类目1，将行为数据4~行为数据5划分至类目2，将行为数据6划分至类目3。然后，服务器220可以计算得到行为数据1对对象1产生的子分值_1-1，行为数据2对对象1产生的子分值_1-2，行为数据3对对象2产生的子分值_2-1，行为数据4对对象3产生的子分值_3-1，行为数据5对对象4产生的子分值_4-1，行为数据6对对象5产生的子分值_5-1。其中，子分值_1-1为权重a1和时间系数β1的乘积，子分值_1-2为权重a2和时间系数β2的乘积，子分值_2-1为权重a3和时间系数β3的乘积，子分值_3-1为权重a4和时间系数β4的乘积，子分值_4-1为权重a5和时间系数β5的乘积，子分值_5-1为权重a6和时间系数β6的乘积。最后，服务器220可以累加对象1对应的子分值，得到对象1的流行度得分（为子分值_1-1与子分值_1-2的和）；累加对象2对应的子分值，得到对象2的流行度得分（为子分值_2-1）；累加对象3对应的子分值，得到对象3的流行度得分（为子分值_3-1）；累加对象4对应的子分值，得到对象4的流行度得分（为子分值_4-1）；累加对象5对应的子分值，得到对象5的流行度得分（为子分值_5-1）。如此，服务器220可以得到类目1的流行对象信息，该类目1的流行对象信息包括对象1、对象2、对象1的流行度得分、对象2的流行度得分；以及得到类目2的流行对象信息，该类目2的流行对象信息包括对象3、对象4、对象3的流行度得分、对象4的流行度得分；以及得到类目3的流行对象信息，该类目3的流行对象信息包括对象5及对象5的流行度得分。

可选的，针对每个类目，服务器220可按照流行度得分从高到低的顺序对该类目包括的多个对象进行排序，得到每个类目的流行对象列表，以便于后续快速确定推荐对象。

针对于上述的流行对象列表，下面的表1给出了一些可能的示例。

表1

以上表1及相关的描述仅作为示例，不应理解为对本申请的限定。值得注意的是，服务器220还可采用其他机制来标注每个对象的流行度得分，例如设置不同的流行度等级等。

可选的，服务器220还可以基于多个用户的实时行为数据对多个类目对应的流行对象信息进行更新。在更新过程中，服务器220可将多个用户的实时行为数据按照类目进行划分，得到每个类目对应的实时行为数据。然后针对每个类目，遍历该类目对应的实时行为数据，并计算每条实时行为数据对对应对象产生的子分值，最后叠加对应于同一对象的不同行为数据对该对象产生的子分值，得到每个对象的流行度得分。这种方式无需每次重新计算历史行为数据对对象产生的子分值，仅需计算实时行为数据对对象产生的子分值，极大减少了计算量，提升了效率。

可选的，在图3所示的推荐方法的基础上，本申请还提供了另一种推荐方法。如图9所示，为本实施例提供的推荐方法的流程示意图五。该推荐方法还包括步骤S910~S930。

S910，服务器220接收客户端210发送的刷新请求。

示例性的，如图9所示，客户端210可以显示界面210A，此前服务器220推送的推荐对象（为便于区分，可称为推荐对象1），例如XX手机、YY手机等。客户端210可以接收用户的刷新操作，该刷新操作可以为点击控件210B的操作，下拉界面210A的操作等。响应于该刷新操作，客户端210可以生成刷新请求，并向服务器220发送刷新请求。

S920，服务器220根据刷新请求，从当前偏好类目对应的流行对象信息中重新确定推荐对象。

其中，重新确定的推荐对象可以为当前偏好类目对应的流行对象信息所包括多个对象中，除推荐对象1以外的、流行性得分位于前M的对象。例如重新确定的推荐对象为ZZ手机、W手机。

S930，服务器220向客户端210发送重新确定的推荐对象。

客户端210接收到重新确定的推荐对象后，可在界面210A上显示服务器220重新确定的推荐对象。

本申请一实施例提供一种芯片系统，如图10所示，该芯片系统包括至少一个处理器1001和至少一个接口电路1002。处理器1001和接口电路1002可通过线路互联。例如，接口电路1002可用于从其它装置（例如，服务器220的存储器）接收信号。又例如，接口电路1002可用于向其它装置（例如处理器1001）发送信号。

例如，接口电路1002可读取服务器220中存储器中存储的指令，并将该指令发送给处理器1001。当所述指令被处理器1001执行时，可使得服务器220执行上述各实施例中的各个步骤。

本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器（random access memory，RAM）、闪存、只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于网络设备或终端设备中。当然，处理器和存储介质也可以作为分立组件存在于网络设备或终端设备中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘（digital video disc，DVD）；还可以是半导体介质，例如，固态硬盘（solid state drive，SSD）。

在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定。

Claims (12)

1.一种推荐方法，其特征在于，所述方法包括：

获取第一用户的实时行为数据；其中，一条行为数据包括：对象ID、对象所属的类目、行为类型以及发生时间；

基于第一用户的实时行为数据确定第一用户的实时类目偏好信息，所述实时类目偏好信息可用于表征第一用户当前或第一预设时间内针对至少一个类目的偏好；

融合第一用户的实时类目偏好信息和第一用户的历史类目偏好信息，得到第一用户的融合类目偏好信息，所述实时类目偏好信息可用于表征第一用户过去第二预设时间内针对至少一个类目的偏好；

根据融合类目偏好信息确定第一用户的当前偏好类目；

基于所述当前偏好类目对应的流行对象信息确定推荐对象，所述流行对象信息包括所述当前偏好类目对应的多个对象，及每个对象的流行度得分。

2.根据权利要求1所述的方法，其特征在于，所述实时类目偏好信息包括多个类目和每个类目对应的偏好度得分，所述基于第一用户的实时行为数据确定第一用户的实时类目偏好信息，包括：

按照类目对第一用户的实时行为数据进行划分，得到每个类目对应的实时行为数据；

针对每个类目，按照时间分别对对应于不同类目的实时行为数据进行统计，得到该类目在多个单位时间内的交互次数；

分别计算该类目在多个单位时间内的子得分，所述子得分与所述交互次数呈正相关，与时间的早晚呈负相关；

累加对应于同一类目的不同子得分，得到每个类目的偏好度得分。

3.根据权利要求2所述的方法，其特征在于，一个类目在一个单位时间内的子得分为该类目在该单位时间内的交互次数与该单位时间对应的时间系数的乘积。

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：

获取第一用户的历史行为数据；

根据所述第一用户的历史行为数据，得到所述历史类目偏好信息。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个用户的行为数据；

基于多个用户的行为数据，确定多个类目对应的流行对象信息，所述多个类目包括所述当前偏好类目。

6.根据权利要求5所述的方法，其特征在于，一个类目的流行对象信息包括对应于该类目的对象以及每个对象的流行度得分，所述基于多个用户的行为数据，确定多个类目对应的流行对象信息，包括：

按照类目对多个用户的行为数据进行划分，得到每个类目对应的行为数据；

针对每个类目，遍历该类目对应的行为数据，并计算每条行为数据对对应对象产生的子分值；

累加对应于同一对象的不同行为数据对该对象产生的子分值，得到每个对象的流行度得分。

7.根据权利要求6所述的方法，其特征在于，一条行为数据对对应对象产生的子分值为第一权重和第一时间系数的乘积，所述第一权重为该行为数据包括的行为类型对应的权重，所述第一时间系数为根据该行为数据包括的发生时间确定的时间系数。

8.根据权利要求3或7所述的方法，其特征在于，所述时间系数的大小与行为数据的发生时间早晚成反比。

9.根据权利要求1-7中任意一项所述的方法，其特征在于，所述当前偏好类目为所述融合类目偏好信息包括的多个类目中，偏好度得分大于第一阈值且偏好度得分排名前N的类目。

10.根据权利要求1-7中任意一项所述的方法，其特征在于，所述推荐对象为所述当前偏好类目对应的流行对象信息包括的多个对象中，流行度得分大于第二阈值且流行度得分排名前M的对象。

11.一种电子设备，其特征在于，所述电子设备包括：处理器；所述处理器与存储器耦合；其中，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述计算机指令被所述处理器执行时，使得所述电子设备执行如权利要求1-10中任一项所述的推荐方法。

12.一种计算机可读存储介质，其特征在于，包括计算机指令；

当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-10中任一项所述的推荐方法。

Images