CN117112881A - 资源列表的推荐方法、终端设备及服务器 - Google Patents

Abstract

本发明公开了一种资源列表的推荐方法、终端设备及服务器，终端设备提供用于获取资源列表的接口，且所述终端设备内置有本地推荐模型并基于在线学习算法对所述本地推荐模型进行更新；所述方法包括：当检测到所述接口被调用，采集当前的运行信息；将所述运行信息输入所述本地推荐模型，得到列表资源的推荐概率；根据所述推荐概率，选取推荐资源并显示，该方法能够为用户提供更加智能精准的推荐，且能够降低用户隐私泄露的风险。

Description

资源列表的推荐方法、终端设备及服务器

技术领域

本发明涉及智能推荐领域，尤其涉及一种资源列表的推荐方法、终端设备及服务器。

背景技术

目前，在终端设备中，大多数资源的推荐列表是按照最近使用时间进行排序的。但是，当历史使用记录过多，列表中的推荐资源随之增多，用户需要在众多列表资源中进一步寻找或搜索某项资源。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种资源列表的推荐方法、终端设备及服务器，能够为用户提供更加智能精准的推荐，且能够降低用户隐私泄露的风险。

第一方面，本发明实施例提供一种资源列表的推荐方法，应用于终端设备，所述终端设备提供用于获取所述资源列表的接口，且所述终端设备内置有本地推荐模型并基于在线学习算法(Online Learning)对所述本地推荐模型进行更新；所述方法包括：当检测到所述接口被调用，采集当前的运行信息；将所述运行信息输入所述本地推荐模型，得到列表资源的推荐概率；根据所述推荐概率，选取推荐资源并显示。

第二方面，本发明实施例提供一种资源列表的推荐方法，应用于服务器，所述服务器存储有资源的后台运营数据，所述方法包括：根据所述后台运营数据，训练基础推荐模型；将所述基础推荐模型预置于终端设备，预置的所述基础推荐模型作为所述终端设备初始的本地推荐模型，以使所述终端设备根据所述本地推荐模型和在线学习算法进行所述资源列表的推荐。

第三方面，本发明实施例提供一种终端设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本发明第一方面实施例所述的资源列表的推荐方法。

第四方面，本发明实施例提供一种服务器，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本发明第二方面实施例所述的资源列表的推荐方法。

本发明提供的实施例包括：应用于终端设备的资源列表推荐方法、应用于服务器的资源列表推荐方法、终端设备和服务器，根据本发明实施例提供的方案，终端设备提供用于获取资源列表的接口，且内置有本地推荐模型并基于在线学习算法对本地推荐模型进行更新；当检测到接口被调用，终端设备采集当前的运行信息，将运行信息输入本地推荐模型，得到各项资源的推荐概率，并根据推荐概率进行资源推荐，在列表中展示推荐资源，本发明实施例的方案能够基于在线学习算法实现本地推荐模型的更新迭代，不断适应用户的使用习惯，从而为用户提供更加智能精准的推荐，且模型更新过程在本地进行，用户的个人使用信息不上传服务器，能够降低用户个人隐私泄露的风险。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

下面结合附图和实施例对本发明进一步地说明；

图1是本发明实施例提供的一种资源列表的推荐方法的步骤流程图；

图2是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图3是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图4是本发明实施例提供的另一种资源列表的推荐方法的部分步骤的详细步骤流程图；

图5是本发明实施例提供的另一种资源列表的推荐方法的部分步骤的详细步骤流程图；

图6是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图7是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图8是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图9是本发明实施例提供的另一种资源列表的推荐方法的步骤流程图；

图10是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图；

图11是本发明实施例提供的一种资源列表的推荐系统的流程图；

图12是本发明实施例提供的一种终端设备的结构示意图；

图13是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

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。

本发明实施例提供一种资源列表的推荐方法，能够为用户提供更加智能精准的推荐，且减少个人隐私泄露的风险。

下面结合附图，对本发明实施例作进一步阐述。

参照图1，图1是本发明实施例提供的一种资源列表的推荐方法的步骤流程图，本发明实施例提供一种资源列表的推荐方法，该方法应用于终端设备，其中终端设备提供用于获取该资源列表的接口，且终端设备内置有本地推荐模型并基于在线学习算法对本地推荐模型进行更新；如图1所示，该方法可以包括步骤S100、步骤S200和步骤S300。

步骤S100，当检测到接口被调用，采集当前的运行信息；

步骤S200，将运行信息输入本地推荐模型，得到列表资源的推荐概率；

步骤S300，根据推荐概率，选取推荐资源并显示。

在一实施例中，终端设备提供用于获取资源列表的接口，且终端设备内置有本地推荐模型并基于在线学习算法对本地推荐模型进行更新，该终端设备能够根据本地推荐模型进行资源推荐。其中本地推荐模型的更新迭代是基于在线学习算法实现的，在用户每次使用资源时对本地推荐模型进行快速更新，快速准确地学习用户的资源使用习惯，当用户需要获取资源列表，终端设备检测到接口被调用，则采集当前的运行信息，将该运行信息输入本地推荐模型，得到各项资源的推荐概率，根据推荐概率，选取推荐资源并显示，从而为用户提供更加智能精准的推荐，且本地推荐模型配置在终端设备，模型更新过程也在本地，即终端设备内进行，不需要将用户使用各项资源的相关信息上传服务器，能够降低用户个人隐私泄露的风险。

需要说明的是，本发明中的接口可以指虚拟接口，当用户需要获取推荐列表而对终端设备进行操作，终端设备对应的状态为该接口被调用。

还需要说明的是，本发明中的列表资源是指能够被终端设备纳入该资源列表且被用户调用过的资源，例如，若该资源列表为终端设备的快应用推荐列表，则相应的列表资源是指终端设备中被用户使用过的快应用；若该资源列表为某项应用中的小程序推荐列表，则相应的列表资源是指被用户调用过的小程序。

可以理解的是，运行信息是指用于选取推荐资源的参考信息，将运行信息输入本地推荐模型以得到列表资源的推荐概率，运行信息可以包括以下信息中的一种或多种：当前位置信息、资源的调用时期、资源的使用频数、资源的类别、资源的平均调用时长、资源的关联资源的运行情况、搜索关键字。但是，本实施例不对运行信息作具体限定，运行信息也可以包括其他能够帮助选取推荐资源的信息。按照本发明实施例提供的方法，能够根据运行信息和本地推荐模型得到较为符合用户期望的资源推荐概率，从而为用户提供智能精准的推荐结果。

还需要说明的是，得到列表资源的推荐概率后，能够按照推荐概率由大到小的顺序进行推荐资源的选取，在资源列表中显示选取出的推荐资源以供用户选择。

还需要说明的是，资源列表可以是留存快应用推荐列表，终端设备需要内置快应用框架，比如通讯公司的快应用引擎，本领域技术人员可以理解的是，快应用无需下载安装就能一键直达、享受流畅的应用服务，其凭借深度集成在手机操作系统中的快应用框架，可以在操作系统层面形成用户需求和应用服务的无缝衔接，使得在享受原生应用体验的同时不用担心分发留存的问题，资源消耗也比较少，目前许多终端设备提供有如全局搜索、负一屏和浏览器搜索等快应用服务。当然，资源列表也可以是终端设备已安装应用的推荐列表，还可以是类似于小程序列表的动态推荐列表，还可以是本地照片、文件的推荐列表，都在本实施例的保护范围内。

本领域技术人员可以理解的是，在线学习算法是比较常用的机器学习算法，在很多场景下都能有很好的效果，在线学习算法在每次训练中只利用当前到达的样本更新模型，从而降低学习复杂度。

在一示例性实施例中，提供一种终端设备基于在线学习算法对本地推荐模型进行更新的方案，该方案包括：当资源列表中的某项资源被调用，采集当前的特征信息；根据本次调用的特征信息，得到本次资源调用对应的特征向量；根据特征向量，对本地推荐模型进行参数实时更新，在用户每次使用资源时都对本地推荐模型的参数进行快速更新，实时且持续地学习用户的资源使用习惯，以使本地推荐模型更加适应用户的使用习惯，从而获得更加精准的推荐结果。

需要说明的是，特征信息是指资源调用所涉及的信息，用于更新本地推荐模型的参数；运行信息用于作为选取推荐资源的参考信息以得到列表资源的推荐概率，运行信息可以包括与特征信息同类型的信息，但是运行信息也可以包括个别不同于特征信息的信息，例如，若终端设备中存储有用户的日程计划信息，则运行信息可以包括该日程计划信息，以便为用户提供更加智能精准的资源推荐结果。

在一示例性实施例中，特征信息包括以下信息中的一种或多种：当前位置信息、资源的调用时期、资源的使用频数、资源的类别、资源的平均调用时长、资源的关联资源的运行情况、搜索关键字。

可以理解的是，使用资源的位置和时期在一定程度上绑定了用户习惯使用的资源服务，例如，查看股票类的应用资源一般在工作日的特定时间被调用，而在下班时间的某个特定地点，打车类的资源服务经常被调用，此外，被调用的资源的类别、调用频率和调用时长也能够反映用户的一些阶段性的资源获取偏好，而且，关联资源的使用信息以及搜索关键字反映了用户使用习惯的变化，表示用户有寻找新的服务资源的意识。通过对这些特征信息进行清洗和标准化操作，能够获取规范统一的特征向量，从而使用这些特征向量训练本地推荐模型，以使本地推荐模型能够及时反映用户使用习惯的变化。

需要说明的是，本实施例不对特征信息作具体限定，特征信息还可以包括其他能够影响用户使用习惯的信息，比如当前的天气状况，对于一些上班族，在工作日通常外出吃午饭，但在雨天更喜欢点外卖，则能够通过训练在雨天为这类用户增加外卖平台的推荐概率。同样，运行信息也可以包括当前环境信息。

在一示例性实施例中，终端设备根据特征向量训练基础推荐模型，以更新本地推荐模型，包括采用FTRL(Follow-the-regularized-Leader)算法，根据特征向量进行本地推荐模型的参数更新。其中FTRL算法是一种在线学习算法，它综合了前向后向切分(FOBOS，Forward Backward Splitting)方法的准确性和正则对偶平均算法(RDA，RegularizedDual Averaging)良好的稀疏性。在本实施例中，FTRL算法主要用于本地推荐模型的特征权重更新，以便实现在线学习算法对模型的快速更新。

需要说明的是，也可以使用其他在线学习算法进行模型参数的更新，同样在本发明实施例的保护范围内。

参照图2，图2是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图，本发明实施例提供一种资源列表的推荐方法，该方法应用于终端设备，当终端设备检测到接口被调用，在采集当前的运行信息之前，该方法还包括步骤S110和S120。

步骤S110，判断本次接口调用是否满足模型推荐条件；

步骤S120，在本次接口调用不满足模型推荐条件的情况下，按照资源的最近使用顺序进行资源推荐，得到并展示推荐资源。

在一示例性实施例中，当接口被调用，判断本次接口调用是否满足模型推荐条件，在本次接口调用不满足模型推荐条件的情况下，按照资源的最近使用顺序进行资源推荐，选取推荐资源；在本次接口调用满足模型推荐条件的情况下，使用本地推荐模型进行资源推荐。可以理解的是，在用户使用资源列表的初期，由于本地推荐模型还没有针对用户个人使用习惯进行一定次数的更新，因此并不能很好地反映用户的使用习惯，通过本地推荐模型得到的推荐结果不够精准和个性化，所以在用户使用初期，接口被调用但终端设备的相关信息不满足模型推荐条件的情况下，推荐列表可以先按照资源的最近使用时间的顺序进行资源推荐，并将用户新用到的资源加入到资源列表中，该阶段，终端设备在后台进行本地推荐模型的更新迭代，以学习用户的资源使用习惯。而当某次接口调用，终端设备的相关信息满足模型推荐条件，说明此时本地推荐模型的参数进行了一定程度的更新，本地推荐模型已经能够较好地反映用户的使用习惯，则后续能够通过本地推荐模型为用户提供更为智能精准的资源推荐。

在一示例性实施例中，模型推荐条件为资源列表中包含的资源数量大于或者等于第一预设值。随着用户使用过的资源的数量的增加，资源列表中包含的资源数量也增加，即资源列表的长度增加，当资源列表中包含的资源数量大于或者等于第一预设值，说明本地推荐模型已经经过一定程度的训练，则后续能够通过本地推荐模型为用户提供更为智能精准的资源推荐。

需要说明的是，第一预设值可以是10，也可以是8或者12，本实施例不对第一预设值作具体限定，无论取何值，只要能够使得终端设备在合适的时期使用本地推荐模型进行资源推荐即可，都在本实施例的保护范围内。

在另一示例性实施例中，特征向量存储于终端设备的本地数据库中，模型推荐条件为本地数据库中的特征向量的存储量大于第二预设值。随着用户使用过的资源的数量的增加，本地数据库中的特征向量的存储量也增加，当该存储量大于第二预设值，说明本地推荐模型已经经过一定程度的训练，则后续能够通过本地推荐模型为用户提供更为智能精准的资源推荐。

需要说明的是，本实施例不对第二预设值作具体限定，可以是100，也可以是其他数值，无论取何值，只要能够使得终端设备在合适的时期使用本地推荐模型进行资源推荐即可，都在本实施例的保护范围内。

还需要说明的是，终端设备在用于获取资源列表的接口被调用时，只要满足以上两个实施例中任一实施例提供的模型推荐条件，就可以启用本地推荐模型进行推荐服务。

参照图3，图3是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图，本发明实施例还提供一种资源列表的推荐方法，该方法应用于终端设备，特征向量存储于终端设备的本地数据库中，在将运行信息输入本地推荐模型，得到各项资源的推荐概率之后，该方法还包括步骤S210。

步骤S210，根据推荐概率，调整资源列表的长度和本地数据库中特征向量的存储量。

在一示例性实施例中，在将运行信息输入本地推荐模型，得到各项资源的推荐概率之后，根据推荐概率，调整资源列表的长度和本地数据库中特征向量的存储量。由于本地推荐模型部署在终端设备，且本地推荐模型的训练过程在终端设备进行，因此考虑到终端设备的计算能力和存储能力，以及推荐列表的简洁和个性化，资源列表的长度能够动态改变，并及时删除相较无用的特征向量，以使存储量保持在一定范围内，防止终端设备卡顿或者本地推荐模型无法正常运行。

在一示例性实施例中，如图4所示，图4是图3中步骤S210的详细步骤流程图，其中步骤S210包括步骤S211。

步骤S211，在某项资源的推荐概率小于预设概率阈值的情况下，监控近N次以及后续N次的该资源的推荐概率的方差，以及在该方差小于第三预设值的情况下，在资源列表中删除该资源，并删除本地数据库中与该资源相关的特征向量，其中，N为正整数。

可以理解的是，若某项资源的推荐概率小于预设概率阈值，且近N次以及后续N次的该资源的推荐概率的方差小于第三预设值，说明在此时期，用户较少使用该资源，则可以在资源列表中删除该资源，即缩短资源列表的长度，并删除本地数据库中与该资源相关的特征向量，减少本地数据库的存储量，在一定程度上提高本地推荐模型在终端设备上运行的稳定性。

需要说明的是，本实施例不对预设概率阈值作具体限定，也不对第三预设值作具体限定，也不对N的数值作具体限定，其中N可以为15。但无论它们取何值，只要能够根据该方法及时在推荐列表中删除不常用的资源并删除本地数据库中的相关特征向量即可，都在本实施例的保护范围内。

在另一示例性实施例中，如图5所示，图5是图3中步骤S210的另一详细步骤流程图，其中步骤S210包括步骤S212。

步骤S212，当资源列表的长度达到第四预设值，删除资源列表中推荐概率最小的资源，并删除本地数据库中与该资源相关的特征向量。

可以理解的是，由于本地推荐模型部署在终端设备，且本地推荐模型的训练过程在终端设备进行，因此考虑到终端设备的计算能力和存储能力，以及推荐列表的简洁和个性化，推荐列表不应过长，当资源列表的长度达到第四预设值，可以删除资源列表中推荐概率最小的资源，并删除本地数据库中与该资源相关的特征向量，减少本地数据库的存储量，在一定程度上提高本地推荐模型在终端设备上运行的稳定性，保持推荐列表的简洁，有利于提升用户的使用体验。

需要说明的是，本实施例不对第四预设值的数值作具体限定，第四预设值可以是12，也可以是15，但无论取何值，只要保证能够使得推荐列表长度不会过长即可，都在本实施例的保护范围内。

参照图6，图6是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图，该方法应用于终端设备，本发明实施例提供一种资源列表的推荐方法，终端设备内置有本地推荐模型，初始的本地推荐模型为基础推荐模型，其中基础推荐模型由服务器训练得到，如图6所示，该方法还包括步骤S400和步骤S500。

步骤S400，对服务器中的基础推荐模型进行更新检测；

步骤S500，在检测到服务器提供可更新的基础推荐模型的情况下，发送本地模型参数至服务器，以使本地模型参数与服务器中的基础推荐模型的参数进行融合，并接收来自服务器的融合后的模型参数。

在一示例性实施例中，终端设备内置的初始的本地推荐模型为基础推荐模型，基础推荐模型由服务器训练得到，终端设备能够对服务器中的基础推荐模型进行更新检测，若检测到服务器提供可更新的基础推荐模型，则发送本地模型参数至服务器，其中本地模型参数即为本地推荐模型的模型参数，以使本地模型参数与服务器中的更新后的基础推荐模型的参数进行融合，并接收来自服务器的融合后的模型参数，能够在某些资源自升级以及服务器端基础推荐模型更新和升级的情况下，本地推荐模型也相应地进行优化升级，并保留已具有的用户个性化特征，从而为用户提供更为智能精准的推荐，且终端设备仅将本地推荐模型的模型参数上传至服务器，能够保护用户的个人隐私，降低用户的资源使用信息泄露的风险。

在一示例性实施例中，如图7所示，图7是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图，本发明实施例提供一种资源列表的推荐方法，该方法应用于终端设备，该方法还包括步骤S410。

步骤S410，在发送本地模型参数至服务器之前，发起用于确认是否更新基础推荐模型的交互信息，若未收到确认更新的指令，则不将本地模型参数发送给服务器。

在本实施例中，终端设备在发送本地模型参数至服务器之前，发起用于确认是否更新基础推荐模型的交互信息，即确认是否对内置的基础推荐模型进行更新从而更新本地推荐模型的模型参数，若未收到确认更新的指令，则不将本地模型参数发送给服务器，即不对基础推荐模型进行更新；若收到确认更新的指令，即用户确认更新，则将本地模型参数发送给服务器，从而对基础推荐模型进行更新。

可以理解的是，在确认是否更新基础推荐模型的过程中，用户能够自行决定是否需要更新模型参数，也能够选择进行更新的时间段，例如，当终端设备检测到服务器提供可更新的基础推荐模型，并向用户发起确认更新的交互，此时，若用户满意当前资源列表的使用体验，则可以选择不更新；若用户认为有必要更新模型参数，则可以选择立即更新，也可以将更新时间设定在夜间的休息时间段。

还可以理解的是，终端设备也可以只在下班时间或者用户自设的特定时间段向用户发起确认更新的交互，避免打扰用户的工作和生活，进一步提升用户的使用体验。

参照图8，图8是本发明实施例提供的另一种资源列表的推荐方法的部分步骤流程图，本发明实施例还提供一种资源列表的推荐方法，该方法应用于终端设备，该方法还包括步骤S600。

步骤S600，预设有默认资源，当资源列表的接口被首次调用，展示默认资源。

在一示例性实施例中，终端设备预设有默认资源，当资源列表的接口首次被调用，展示默认资源。可以理解的是，在用户首次使用资源列表时，若没有资源展示给用户，则一些常用的资源，也需要用户搜索才能使用，可能导致用户使用体验不佳，而展示默认资源，则能够避免交互显示空白而导致的用户体验不佳的问题。

需要说明的是，可以根据服务器的后台运营结果得到若干项大众常用资源并将这些常用资源设为默认资源，也可以根据用户近期在终端设备中留存的搜索关键词生成默认资源并预设在推荐列表中，仅在用户首次使用资源列表时向用户展示，还可以根据其他方式设置默认资源，本实施例不对预设默认资源的方式作具体限定，只要能够避免交互显示空白即可，都在本实施例的保护范围内。

参照图9，图9是本发明实施例提供一种资源列表的推荐方法的步骤流程图，本发明实施例还提供一种资源列表的推荐方法，该方法应用于服务器，服务器存储有资源的后台运营数据，该方法包括步骤T100和步骤T200。

步骤T100，根据后台运营数据，训练基础推荐模型；

步骤T200，将基础推荐模型预置于终端设备，预置的基础推荐模型作为终端设备初始的本地推荐模型，以使终端设备根据本地推荐模型和在线学习算法进行资源列表的推荐。

在一示例性实施例中，服务器存储记录资源的后台运营数据，根据后台运营数据，训练基础推荐模型，并将基础推荐模型预置于终端设备，预置的基础推荐模型即为终端设备初始的本地推荐模型，以使终端设备根据本地推荐模型和在线学习算法进行资源列表的推荐。服务器将基础推荐模型预置于终端设备，其中基础推荐模型能够作为终端设备中初始的本地推荐模型，后续终端设备可以基于在线学习算法对本地推荐模型进行参数实时更新，并根据本地推荐模型进行资源推荐。其中终端设备在本地进行模型的更新迭代，不需要将用户个人的资源使用信息上传至服务器，在为用户提供更加智能精准的推荐服务的同时，降低用户个人隐私泄露的风险。

需要说明的是，基础推荐模型可以是基于LR(Logistic regression，逻辑回归)模型的模型，但也可以是其他类型的模型，本实施例不对基础推荐模型的类型作具体限定，只要基础推荐模型能够基于在线学习算法进行更新并用于选取推荐资源即可。

需要说明的是，对于一些资源，例如终端设备中存储的照片、文件等，服务器中没有这些资源的后台运行数据，则不再对模型进行训练，而将一个默认模型作为基础推荐模型，并将其预置于终端设备中，终端设备可以根据资源被调用的相关信息训练该模型，当该模型被训练至一定程度，启用该模型，为用户提供智能精准的推荐服务，该方案同样在本发明实施例的保护范围内。

如图10所示，图10是本发明实施例提供另一种资源列表的推荐方法的部分步骤流程图，本发明实施例还提供一种资源列表的推荐方法，该方法应用于服务器，终端设备能够基于在线学习算法对本地推荐模型的本地模型参数进行更新，服务器能够对基础推荐模型进行更新，该方法还包括步骤T300和步骤T400。

步骤T300，接收来自终端设备的本地模型参数；

步骤T400，将本地模型参数与更新的基础推荐模型的参数进行融合，并将融合后的模型参数发送至终端设备。

在一示例性实施例中，当服务器中的基础推荐模型升级更新，且终端设备检测到服务器提供可更新的基础推荐模型，则终端设备可以对本地推荐模型的参数进行更新，服务器接收来自终端设备的本地模型参数，并将本地模型参数与更新的基础推荐模型的参数进行融合，以及将融合后的模型参数发送至终端设备，当然，终端设备也可以不进行模型参数的更新，则终端设备不将本地模型参数发送给服务器即可。服务器能够在基础推荐模型升级更新的情况下，为用户提供更新本地推荐模型的机会，依据用户的意愿更新模型参数，为用户提供更加智能精准的推荐服务，且为终端设备更新本地推荐模型的参数仅需要接收来自终端设备的本地模型参数，而不需要直接采集用户的资源使用信息，能够降低用户隐私泄露的风险。

参照图11，图11是本发明实施例提供的一种资源列表的推荐系统的流程图，本发明实施例提供一种资源列表的推荐系统，该系统包括终端设备和服务器，服务器存储有资源的后台运营数据，且服务器根据后台运行数据训练基于LR模型的基础推荐模型，并将基础训练模型预置于终端设备中，其中基础推荐模型即为终端设备中初始的本地推荐模型，终端设备提供用于获取资源列表的接口，当该接口被调用，终端设备判断是否满足模型推荐条件，在不满足模型推荐条件的情况下，按照列表资源的最近使用时间对列表资源进行排序，将近期使用过的资源排在前面，选取出推荐资源并在资源列表中展示；在满足模型推荐条件的情况下，则采集当前的运行信息，并将运行信息输入本地推荐模型，得到列表资源的推荐概率，终端设备按照推荐概率的大小对列表资源进行排序，将推荐概率大的列表资源排在前面，从而选取出推荐资源并在推荐列表中显示推荐资源。在资源列表展示给用户的情况下，若用户没有点击资源列表中的某项资源，即没有资源被调用，则返回，流程结束；若用户点击资源列表中的某项资源，即某项资源被调用，终端设备采集本次资源调用的特征信息，得到特征向量，并将特征向量存储至本地数据库中，终端设备采用FTRL算法，根据特征向量对本地推荐模型进行参数实时更新，使得本地推荐模型不断学习用户的使用习惯，从而为用户提供更加智能精准的推荐，而且，由于本地推荐模型部署在终端设备，因此不需要将用户的资源使用信息上传给服务器，能够降低用户个人隐私泄露的风险。终端设备还会在用户使用期间对服务器中的基础推荐模型进行更新检测，若检测到服务器提供可更新的基础推荐模型，则发起用于确认是否更新基础推荐模型的交互信息，即由用户确认是否对终端设备内置的基础推荐模型进行更新，也即是否需要根据服务器提供的可更新的基础推荐模型对本地推荐模型的模型参数进行更新。若用户确认更新，即终端设备接收到确认更新的指令，则终端设备将本地模型参数发送给服务器，服务器接收本地模型参数，将本地模型参数与更新后的基础推荐模型的参数融合，并将融合后的模型参数发送给相应的终端设备，终端设备接收融合后的模型参数完成更新。服务器中的基础推荐模型更新，本地推荐模型也能够相应地进行更新优化，并保留已训练的针对特定用户的个性化特征，从而为用户提供更为智能精准的推荐，且终端设备仅将本地推荐模型的模型参数上传至服务器，能够保护用户的个人隐私，在更新模型参数的过程中降低用户的资源使用信息泄露的风险。

而且，终端设备在根据本地推荐模型得到各项资源的推荐概率后，能够根据各项资源的推荐概率，调整推荐列表的长度和本地数据库中特征向量的存储量，以保持推荐列表的简洁，提升用户使用体验，且使得特征向量的存储量不会过多，以适应终端设备的存储能力和计算能力，有利于本地推荐模型的正常运行。

容易理解的是，在用户使用初期，用户使用过的资源较少，本地推荐模型还未能较好地学习用户的个人使用习惯，可以先按照资源的历史使用顺序为用户推荐资源，等到本地推荐模型经过一定程度的训练，再启用本地推荐模型为用户提供推荐服务，能够提升用户的使用体验。

需要说明的是，模型推荐条件可以是资源列表中包含的资源数量大于或者等于第一预设值；也可以是本地数据库中的特征向量的存储量大于第二预设值。满足以上两个条件之一，即满足模型推荐条件，终端设备启用本地推荐模型为用户提供推荐服务。

还需要说明的是，终端设备还预设有若干项默认资源，当终端设备中用于获取资源列表的接口被首次调用，在资源列表中向用户展示默认资源，避免出现交互界面空白的问题。

参照图12，图12是本发明实施例提供的一种终端设备1200的结构示意图，该终端设备1200包括至少一个控制处理器1210和用于与至少一个控制处理器1210通信连接的存储器1220；存储器1220存储有可被至少一个控制处理器1210执行的指令，指令被至少一个控制处理器1210执行，以使至少一个控制处理器1210能够执行以上方法实施例提供的应用于终端设备1200的资源列表的推荐方法。本实施例提供的终端设备1200能够基于在线学习算法实现本地推荐模型的更新迭代，不断适应用户的使用习惯，从而为用户提供更加智能精准的资源列表的推荐，且模型训练过程在本地进行，用户的个人使用信息不上传服务器，能够降低用户个人隐私泄露的风险。

参照图13，图13是本发明实施例提供的一种服务器1300的结构示意图，该服务器1300包括至少一个控制处理器1310和用于与至少一个控制处理器1310通信连接的存储器1320；存储器1320存储有可被至少一个控制处理器1310执行的指令，指令被至少一个控制处理器1310执行，以使至少一个控制处理器1310能够执行以上方法实施例提供的应用于服务器1300的资源列表的推荐方法。

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、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质或非暂时性介质和通信介质或暂时性介质。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息诸如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘DVD或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (14)

1.一种资源列表的推荐方法，应用于终端设备，所述终端设备提供用于获取所述资源列表的接口，且所述终端设备内置有本地推荐模型并基于在线学习算法对所述本地推荐模型进行更新；所述方法包括：

当检测到所述接口被调用，采集当前的运行信息；

将所述运行信息输入所述本地推荐模型，得到列表资源的推荐概率；

根据所述推荐概率，选取推荐资源并显示。

2.根据权利要求1所述的资源列表的推荐方法，其特征在于，所述基于在线学习算法对所述本地推荐模型进行更新，包括：

当所述资源列表中的某项资源被调用，采集当前的特征信息；

根据所述特征信息，得到本次资源调用对应的特征向量；

根据所述特征向量，对所述本地推荐模型进行参数更新。

3.根据权利要求2所述的资源列表的推荐方法，其特征在于，在检测到所述接口被调用之后，所述方法还包括：

判断本次接口调用是否满足模型推荐条件；

在本次接口调用不满足所述模型推荐条件的情况下，按照列表资源的最近使用顺序进行资源推荐，选取所述推荐资源并显示。

4.根据权利要求3所述的资源列表的推荐方法，其特征在于，所述特征向量存储于所述终端设备的本地数据库中，所述模型推荐条件包括以下两种条件之一：

所述资源列表包含的资源数量大于或者等于第一预设值；

所述本地数据库中的所述特征向量的存储量大于第二预设值。

5.根据权利要求2所述的资源列表的推荐方法，其特征在于，所述特征向量存储于所述终端设备的本地数据库中，所述方法还包括：在将所述运行信息输入所述本地推荐模型，得到所述列表资源的推荐概率之后，

根据所述推荐概率，调整所述资源列表的长度和所述本地数据库中所述特征向量的存储量。

6.根据权利要求5所述的资源列表的推荐方法，其特征在于，所述根据所述推荐概率，调整所述资源列表的长度和所述本地数据库中所述特征向量的存储量，包括：

在所述资源列表中的某项资源的所述推荐概率小于预设概率阈值的情况下，监控近N次以及后续N次的所述资源的推荐概率的方差，以及在所述方差小于第三预设值的情况下，在所述资源列表中删除所述资源，并删除所述本地数据库中与所述资源相关的所述特征向量，其中，N为正整数。

7.根据权利要求5所述的资源列表的推荐方法，其特征在于，所述根据所述推荐概率，调整所述资源列表的长度和所述本地数据库中所述特征向量的存储量，还包括：

当所述资源列表的长度达到第四预设值，删除所述资源列表中所述推荐概率最小的资源，并删除所述本地数据库中与所述资源相关的所述特征向量。

8.根据权利要求1所述的资源列表的推荐方法，其特征在于，初始的所述本地推荐模型为基础推荐模型，所述基础推荐模型由服务器训练得到，所述方法还包括：

对所述服务器中的所述基础推荐模型进行更新检测；

在检测到服务器提供可更新的基础推荐模型的情况下，发送本地模型参数至所述服务器，以使所述本地模型参数与所述服务器中的基础推荐模型的参数进行融合，并接收来自所述服务器的融合后的模型参数。

9.根据权利要求2所述的资源列表的推荐方法，其特征在于，所述特征信息包括下述一种或多种：当前位置信息、所述资源的调用时期、所述资源的使用频数、所述资源的类别、所述资源的平均调用时长、所述资源的关联资源的运行情况、搜索关键字。

10.根据权利要求1所述的资源列表的推荐方法，其特征在于，还包括：预设有默认资源，当所述资源列表的接口首次被调用，展示所述默认资源。

11.一种资源列表的推荐方法，应用于服务器，所述服务器存储有资源的后台运营数据，所述方法包括：

根据所述后台运营数据，训练基础推荐模型；

将所述基础推荐模型预置于终端设备，预置的所述基础推荐模型作为所述终端设备初始的本地推荐模型，以使所述终端设备根据所述本地推荐模型和在线学习算法进行所述资源列表的推荐。

12.根据权利要求11所述的资源列表的推荐方法，其特征在于，所述终端设备能够基于在线学习算法对所述本地推荐模型的本地模型参数进行更新，所述服务器能够对所述基础推荐模型进行更新，所述方法还包括：

接收来自所述终端设备的本地模型参数；

将所述本地模型参数与更新的所述基础推荐模型的参数进行融合，并将融合后的模型参数发送至所述终端设备。

13.一种终端设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至10任一项所述的资源列表的推荐方法。

14.一种服务器，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求11或12所述的资源列表的推荐方法。