本發(fā)明涉及網(wǎng)絡
技術(shù)領(lǐng)域：
，特別涉及一種信息推薦方法和裝置。
背景技術(shù)：
：目前，用戶對于互聯(lián)網(wǎng)產(chǎn)品或服務的個性化需求日益凸出，各種信息推薦方法(向用戶推薦的推薦信息的方法)被廣泛用于滿足用戶的個性化需求。相關(guān)技術(shù)中的信息推薦方法通常通過多個算法獲取推薦信息，并將獲取的推薦信息發(fā)送給用戶的終端。示例的，該多個算法可以包括協(xié)同過濾算法(CollaborativeFiltering)和基于內(nèi)容的過濾算法，其中，協(xié)同過濾算法可以為根據(jù)與目標用戶相似度較高的用戶的歷史記錄的內(nèi)容(如歷史觀影記錄等)來為目標用戶推薦與該歷史記錄的內(nèi)容類似的內(nèi)容；基于內(nèi)容的過濾算法為根據(jù)目標用戶的歷史記錄的內(nèi)容(如歷史觀影記錄等)來為目標用戶推薦與該歷史記錄的內(nèi)容類似的內(nèi)容。發(fā)明人在實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)上述方式至少存在如下缺陷：相關(guān)技術(shù)中，推薦信息所采用的算法通常是預先設(shè)置的，信息推薦的過程中算法的種類單一，因此，推薦信息的靈活性較低，針對性較差。技術(shù)實現(xiàn)要素：為了解決相關(guān)技術(shù)中的問題，本發(fā)明實施例提供了一種信息推薦方法和裝置。所述技術(shù)方案如下：一方面，提供一種信息推薦方法，所述方法包括：獲取目標用戶的用戶特征，所述用戶特征用于表征用戶的特性；根據(jù)所述目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度，其中，任一算法的關(guān)注度曲線用于記錄采用所述算法得到的用戶特征與關(guān)注度之間的對應關(guān)系，所述關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度；基于所述至少兩個關(guān)注度的大小，在所述至少兩個算法中確定至少一個算法作為目標算法；根據(jù)所述目標算法確定所述目標用戶的推薦信息；向所述目標用戶的終端發(fā)送所述目標用戶的推薦信息。另一方面，提供一種信息推薦裝置，所述裝置包括：獲取單元，用于獲取目標用戶的用戶特征，所述用戶特征用于表征用戶的特性；查詢單元，用于根據(jù)所述目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度，其中，任一算法的關(guān)注度曲線用于記錄采用所述算法得到的用戶特征與關(guān)注度之間的對應關(guān)系，所述關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度；算法確定單元，用于基于所述至少兩個關(guān)注度的大小，在所述至少兩個算法中確定至少一個算法作為目標算法；信息確定單元，用于根據(jù)所述目標算法確定所述目標用戶的推薦信息；發(fā)送單元，用于向所述目標用戶的終端發(fā)送所述目標用戶的推薦信息。本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。附圖說明此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。圖1是本發(fā)明部分實施例中提供的信息推薦方法所涉及的實施環(huán)境的示意圖；圖2是本發(fā)明實施例提供的一種信息推薦方法的流程示意圖；圖3-1是本發(fā)明實施例提供的另一種信息推薦方法的流程示意圖；圖3-2是圖3-1所示實施例中兩種算法的關(guān)注度曲線圖；圖4-1是本發(fā)明實施例提供的另一種信息推薦方法的流程示意圖；圖4-2是圖4-1所示實施例中設(shè)置權(quán)值的流程圖；圖5是本發(fā)明實施例示出的一種信息推薦裝置的框圖；圖6-1是本發(fā)明實施例示出的另一種信息推薦裝置的框圖；圖6-2是圖6-1所示實施例中算法確定單元的框圖；圖7是本發(fā)明實施例示出的一種裝置的框圖。通過上述附圖，已示出本發(fā)明明確的實施例，后文中將有更詳細的描述。這些附圖和文字描述并不是為了通過任何方式限制本發(fā)明構(gòu)思的范圍，而是通過參考特定實施例為本領(lǐng)域技術(shù)人員說明本發(fā)明的概念。具體實施方式這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發(fā)明相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。請參見圖1，其示出了本發(fā)明部分實施例中提供的信息推薦方法所涉及的實施環(huán)境的示意圖。該實施環(huán)境可以包括：服務器110和至少一個終端120。服務器110可以是一臺服務器，或者由若干臺服務器組成的服務器集群，或者是一個云計算服務中心。終端120可以為智能手機、電腦、多媒體播放器、電子閱讀器、可穿戴式設(shè)備等。服務器110和終端120之間可以通過有線網(wǎng)絡或無線網(wǎng)絡建立連接。圖2是本發(fā)明實施例提供的一種信息推薦方法的流程示意圖，本實施例以該信息推薦應用于圖1所示實施環(huán)境中的服務器110來舉例說明。該信息推薦方法可以包括：步驟201、獲取目標用戶的用戶特征，該用戶特征用于表征用戶的特性。步驟202、根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度，其中，任一算法的關(guān)注度曲線用于記錄采用該算法得到的 用戶特征與關(guān)注度之間的對應關(guān)系，該關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度。步驟203、基于至少兩個關(guān)注度的大小，在至少兩個算法中確定至少一個算法作為目標算法。步驟204、根據(jù)目標算法確定目標用戶的推薦信息。步驟205、向目標用戶的終端發(fā)送目標用戶的推薦信息。綜上所述，本發(fā)明實施例提供的信息推薦方法，通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果?？蛇x的，基于至少兩個關(guān)注度的大小，在至少兩個算法中確定至少一個算法作為目標算法，包括：確定至少兩個關(guān)注度中最大的關(guān)注度。將最大的關(guān)注度對應的算法確定為目標算法?？蛇x的，基于至少兩個關(guān)注度值的大小，在至少兩個算法中確定至少一個算法作為目標算法，包括：為至少兩個算法中的每個算法設(shè)置權(quán)值，其中，任一算法的權(quán)值與根據(jù)目標用戶的用戶特征查詢?nèi)我凰惴ǖ年P(guān)注度曲線得到的關(guān)注度值的大小正相關(guān)，權(quán)值表示根據(jù)帶有權(quán)值的算法獲取的推薦信息在目標用戶的推薦信息中所占的比重。將帶有各自權(quán)值的至少兩個算法組合得到的混合算法作為目標算法。可選的，為至少兩個算法中的每個算法設(shè)置權(quán)值，包括：將至少兩個關(guān)注度進行歸一化處理，得到每個關(guān)注度對應的歸一化值，每個歸一化值屬于[0，1]，且該至少兩個關(guān)注度對應的歸一化值之和為1。將每個關(guān)注度對應的歸一化值作為每個關(guān)注度對應的算法的權(quán)值?？蛇x的，根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度之前，方法還包括：獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，數(shù)據(jù)集合記錄有符合用戶特 征的用戶對通過每個算法獲取的推薦信息的關(guān)注度。根據(jù)數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線?？蛇x的，用戶特征包括用戶活躍度，用戶活躍度為用戶在預設(shè)時間段內(nèi)點擊預設(shè)內(nèi)容的次數(shù)?？蛇x的，至少兩個算法包括：協(xié)同過濾算法和社交化推薦算法，協(xié)同過濾算法為根據(jù)與目標用戶相似度較高的用戶的歷史記錄的內(nèi)容來為目標用戶推薦與歷史記錄的內(nèi)容類似的內(nèi)容的算法，社交化推薦算法為通過社交平臺中與目標用戶關(guān)聯(lián)的用戶的歷史記錄的內(nèi)容確定推薦信息的算法?？蛇x的，關(guān)注度包括：轉(zhuǎn)化率、點擊率和千次廣告收入ECPM中的任意一種，轉(zhuǎn)化率為預設(shè)內(nèi)容的訪問量與總訪問量的比值，點擊率為預設(shè)內(nèi)容被點擊次數(shù)與被顯示次數(shù)之比，ECPM為預設(shè)內(nèi)容每一千次展示獲得的廣告收入。綜上所述，本發(fā)明實施例提供的信息推薦方法，通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。圖3-1是本發(fā)明實施例提供的另一種信息推薦方法的流程示意圖，本實施例以該信息推薦應用于圖1所示實施環(huán)境中的服務器110來舉例說明。該信息推薦方法可以包括：步驟301、獲取目標用戶的用戶特征，該用戶特征用于表征用戶的特性。在需要向目標用戶進行信息推薦時，可以首先獲取目標用戶的用戶特征。該用戶特征可以包括用戶活躍度，用戶活躍度為用戶在預設(shè)時間段內(nèi)點擊預設(shè)內(nèi)容的次數(shù)，預設(shè)內(nèi)容可以為電影、書籍、購物鏈接等等。此外，用戶特征還可以包括用戶的年齡、職業(yè)、性別和所在區(qū)域的至少一種。步驟302、獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，數(shù)據(jù)集合記錄有符合用戶特征的用戶對通過每個算法獲取的推薦信息的關(guān)注度。獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，本發(fā)明實施例中的任一算法為具有時間穩(wěn)定性的算法，即符合用戶特征的用戶對通過該算法獲取的推薦信息的關(guān)注度的曲線隨著時間的變化較小，曲線較為平穩(wěn)，這至少兩個算法可以 包括：協(xié)同過濾算法和社交化推薦算法。協(xié)同過濾算法為根據(jù)與目標用戶相似度較高的用戶的歷史記錄的內(nèi)容來為目標用戶推薦與歷史記錄的內(nèi)容類似的內(nèi)容的算法，與目標用戶相似度較高的用戶可以包括與目標用戶的身份信息(如表明用戶興趣的注冊信息等)相似度較高的用戶。此外，與目標用戶的相似度還可以包括與目標用戶過去的行為的相似度。以觀看視頻為例，可以通過比較目標用戶與第一用戶(第一用戶為除目標用戶外的任一用戶)在過去一段時間內(nèi)觀影記錄的相似性來確定目標用戶與第一用戶的相似度。具體的比較方法可以為：若目標用戶與第一用戶都看過某一部/類電影，則可以根據(jù)目標用戶與第一用戶對這個視頻的評分來判斷目標用戶與第一用戶是否喜歡該部/類電影，如打分為1～5分，5分表示最喜歡，1分表示最不喜歡，以目標用戶與第一用戶對他們共同看過的視頻的打分的相似度作為目標用戶與第一用戶的相似度，根據(jù)該方法可以獲取與目標用戶相似度較高的用戶。社交化推薦算法為通過社交平臺中與目標用戶關(guān)聯(lián)的用戶的歷史記錄的內(nèi)容確定推薦信息的算法。需要說明的是，至少兩個算法還可以包括更多個其它的算法，本發(fā)明實施例不作出限制。其中，關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度，而該關(guān)注度可以包括：轉(zhuǎn)化率、點擊率和千次廣告收入(英文：effectivecostpermille；簡稱：ECPM)中的任意一種，該轉(zhuǎn)化率為預設(shè)內(nèi)容的訪問量與總訪問量的比值，比如，以一部視頻為預設(shè)內(nèi)容，則該轉(zhuǎn)化率為視頻的觀看次數(shù)與視頻網(wǎng)站的總訪問量的比值，這個比值越大代表該視頻受用戶的關(guān)注度越高。該點擊率為預設(shè)內(nèi)容被點擊次數(shù)與被顯示次數(shù)之比，比如，以一個視頻鏈接為預設(shè)內(nèi)容，則該點擊率為該視頻鏈接被點擊的次數(shù)與該視頻鏈接被顯示次數(shù)之比，這個比值越大代表該視頻鏈接受用戶的關(guān)注程度越高。該ECPM為預設(shè)內(nèi)容每一千次展示獲得的廣告收入，比如預設(shè)內(nèi)容為一部視頻，則ECPM表示該視頻每一千次展示，該視頻附帶的廣告的廣告商所支付的費用，這個費用也可以從側(cè)面反映出該視頻受用戶的關(guān)注程度。此外，數(shù)據(jù)集合的獲取過程可以是對包含有大量用戶的用戶群進行試驗得到的，用戶群也可以由歷史記錄中的一部分用戶構(gòu)成。示例性的，以點擊率表 征關(guān)注度，根據(jù)協(xié)同過濾算法為用戶群進行信息的推薦，之后獲取用戶群中用戶對于推薦信息的點擊率，在這之后，或在這同時，根據(jù)社交化推薦算法來為用戶群中用戶進行信息的推薦，并獲取用戶群中用戶對于推薦信息的點擊率，依此方法獲取所有算法的數(shù)據(jù)集合。具體的，可以通過A/B測試(A/Btest)的方式來獲取數(shù)據(jù)集合，A/B測試為一種灰度發(fā)布方式，灰度發(fā)布是指在黑與白之間，能夠平滑過渡的一種發(fā)布方式。A/B測試是讓一部分用戶繼續(xù)用A，一部分用戶開始用B，如果用戶對B沒有什么反對意見，那么逐步擴大范圍，把所有用戶都遷移到B上面來。灰度發(fā)布可以保證整體系統(tǒng)的穩(wěn)定，在初始灰度的時候就可以發(fā)現(xiàn)、調(diào)整問題，以保證其影響度。在本發(fā)明實施例中，可以建立測試頁面，并向用戶群中用戶隨機推薦包含有根據(jù)不同算法獲取的推薦信息的測試頁面，并記錄用戶的關(guān)注度。在使用A/B測試的方式來獲取數(shù)據(jù)集合時，需要用戶群中用戶的數(shù)目較多。需要說明的是，在進行試驗獲取數(shù)據(jù)集合時，并不需要完全向同樣的多個用戶進行信息的推薦，只需要用戶的用戶特征相同即可。另外，用戶群中的用戶可以是根據(jù)用戶特征均勻分布的，比如用戶群中的用戶有1000個，在以用戶活躍度表征用戶特征時，這1000個用戶可以包括200個活躍度為20的用戶，200個活躍度為30的用戶，200個活躍度為40的用戶，200個活躍度為50的用戶，200個活躍度為60的用戶，其中，當預設(shè)內(nèi)容為電影時，用戶活躍度可以定義為過去一個月內(nèi)用戶的觀影數(shù)量，比如過去一個月一用戶觀看過20部電影(通常重復觀看同一部電影記作觀看了一部電影)，則該用戶的用戶活躍度為20，用戶活躍度還可以以其他方式進行定義，比如過去一個月內(nèi)用戶的觀影時長等，本發(fā)明實施例不作出限制。步驟303、根據(jù)數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線。在獲取數(shù)據(jù)集合后，可以根據(jù)該數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線，任一算法的關(guān)注度曲線可以用于記錄采用該算法得到的用戶特征與關(guān)注度之間的對應關(guān)系。示例性的，如圖3-2所示，其為關(guān)注度為點擊率，用戶特征為用戶活躍度時，協(xié)同過濾算法和社交化推薦算法的關(guān)注度曲線。在圖3-2中，協(xié)同過濾算法的關(guān)注度曲線q1與社交化推薦算法的關(guān)注度曲線q2相交于點A，在用戶活躍度小于點A的用戶活躍度時，協(xié)同過濾算法獲取的推薦信息的點擊率小于社交化推薦算法獲取的推薦信息的點擊率；在用戶活躍度大于點A的用戶活 躍度時，協(xié)同過濾算法獲取的推薦信息的點擊率大于社交化推薦算法獲取的推薦信息的點擊率，可以理解為，在用戶的歷史記錄較為豐富時，協(xié)同過濾算法的性能強于社交化推薦算法，而在用戶的歷史記錄較為稀少時，協(xié)同過濾算法的性能弱于社交化推薦算法。關(guān)注度曲線可以明確的示出使用每個算法時用戶特征與關(guān)注度的對應關(guān)系，這一對應關(guān)系通常是較為穩(wěn)定的，但也可以每隔預定時間間隔獲取一次至少兩個算法的關(guān)注度曲線，本發(fā)明實施例不作出限制。需要說明的是，步驟302至步驟303還可以在步驟301之前執(zhí)行，本發(fā)明實施例不作出限制。步驟304、根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度。在獲取了至少兩個算法的關(guān)注度曲線后，可以根據(jù)獲取的目標用戶的用戶特征來獲取該用戶特征在至少兩個算法的關(guān)注度曲線中對應的至少兩個關(guān)注度。以圖3-2所表示的兩個算法的關(guān)注度曲線為例，若表征用戶特征的用戶活躍度為20，則查詢協(xié)同過濾算法的關(guān)注度曲線q1得到的表征關(guān)注度的點擊率為0.16，查詢社交化推薦算法的關(guān)注度曲線q2得到的表征關(guān)注度的點擊率為0.19。步驟305、確定至少兩個關(guān)注度中最大的關(guān)注度。在得到了至少兩個關(guān)注度后，可以確定出至少兩個關(guān)注度中最大的關(guān)注度。需要說明的是，可以將相差一定范圍內(nèi)的多個關(guān)注度均確定為最大的關(guān)注度，比如根據(jù)目標用戶的用戶特征查詢五個關(guān)注度曲線得到的關(guān)注度為100，98，50，99，80這五個，實際最大的關(guān)注度為100，但可以將與100相差5以內(nèi)的98、99和實際最大的100一同確定為最大的關(guān)注度。步驟306、將最大的關(guān)注度對應的算法確定為目標算法。在確定了最大的關(guān)注度后，可以將最大的關(guān)注度對應的算法確定為目標算法，在最大的關(guān)注度有兩個以上時，兩個以上的最大關(guān)注度對應的算法也相應的有兩種以上，這時可以將兩個以上的最大關(guān)注度對應的兩種以上的算法中的一種確定為目標算法。此外，如圖3-2所示，在獲取的算法的關(guān)注度曲線為兩個時，這兩個關(guān)注度曲線可以相交于一個點A，點A的橫坐標可以代表表征用戶特征的用戶活躍度，縱坐標可以代表表征關(guān)注度的點擊率，在目標用戶的用戶活躍度大于點A的用戶活躍度時，可以將協(xié)同過濾算法作為目標算法，在目標用戶的用戶活躍度小 于點A的用戶活躍度時，可以將社交化推薦算法作為目的算法，在目標用戶的用戶活躍度等于點A的用戶活躍度時，可以在協(xié)同過濾算法和社交化推薦算法中任選一種算法作為目標算法。步驟307、根據(jù)目標算法確定目標用戶的推薦信息。在確定了目標算法后，可以根據(jù)目標算法確定目標用戶的推薦信息。示例性的，在確定的目標算法為協(xié)同過濾算法時，根據(jù)協(xié)同過濾算法確定目標用戶的推薦信息的過程可以為：在用戶數(shù)據(jù)庫(用戶數(shù)據(jù)庫可以位于本地服務器中)中查找與目標用戶最為相似的k(k為預設(shè)值)個用戶，并且獲取這k個用戶與目標用戶的相似度，比如k＝3時，3個與目標用戶相似度最高的用戶喜歡的內(nèi)容分別為：用戶A喜歡戰(zhàn)爭片、喜劇片和動作片；用戶B喜歡戰(zhàn)爭片、愛情片和倫理片；用戶C喜歡戰(zhàn)爭片、動作片和愛情片。且目標用戶與用戶A的相似度為0.25，與用戶B的相似度為0.35，與用戶C的相似度為0.45，則可以獲取各種類型的電影的推薦度：戰(zhàn)爭片＝0.25+0.35+0.45＝1.05；喜劇片＝0.25；動作片＝0.25+0.45＝0.7；倫理片＝0.35；愛情片＝0.35+0.45＝0.8。則各種類型的電影的推薦度排名為：1、戰(zhàn)爭片，2、愛情片，3、動作片，4、倫理片，5、喜劇片?？梢詫⑼扑]度較高的類型的電影作為目標用戶的推薦信息，或者將排名靠前的前幾個類型電影作為目標用戶的推薦信息，假設(shè)將排名靠前的前3個類型電影作為目標用戶的推薦信息，則目標用戶的推薦信息包括戰(zhàn)爭片、愛情片和動作片。而在確定的目標算法為社交化推薦算法時，根據(jù)社交化推薦算法確定目標用戶的推薦信息的過程可以為：社交化推薦算法為通過社交平臺中與目標用戶關(guān)聯(lián)的用戶的歷史記錄的內(nèi)容確定推薦信息的算法，其中，社交平臺可以包括QQ好友、QQ群、微信朋友圈和微博中的至少一個。以向目標用戶推薦電影為例，社交平臺為QQ群，目 標用戶可能加入了多個QQ群，因而首先可以根據(jù)目標用戶的觀影記錄和群內(nèi)總體觀影記錄的重合度或目標用戶在多個QQ群中的活躍度以及其它數(shù)據(jù)來確定一個或幾個候選群，之后根據(jù)候選群中的推薦信息生成包含有多個推薦信息的推薦列表，最后根據(jù)推薦列表獲取目標用戶的推薦信息。比如推薦列表可以如表1所示：表1群名稱打分推薦信息同學0.2戰(zhàn)爭片、喜劇片和動作片工作0.3戰(zhàn)爭片、愛情片和倫理片XX論壇0.5戰(zhàn)爭片、動作片和愛情片在表1中，群名稱列代表幾個候選群的名稱，打分列代表幾個候選群的打分，推薦信息列代表幾個候選群的推薦信息。根據(jù)表1能夠獲取每種類型的電影的打分，比如戰(zhàn)爭片＝0.2+0.3+0.5＝1，喜劇片＝0.2，動作片＝0.2+0.5＝0.7，愛情片＝0.3+0.5＝0.8，倫理片＝0.3，之后可以根據(jù)這些打分來確定推薦信息，比如將得分最高的戰(zhàn)爭片作為目標用戶的推薦信息，或者將排名靠前的前幾個類型電影作為目標用戶的推薦信息，假設(shè)將排名靠前的前3個類型電影作為目標用戶的推薦信息，則目標用戶的推薦信息包括戰(zhàn)爭片、愛情片和動作片。在表1中的電影類型還可以代表該電影類型中的一部電影，比如戰(zhàn)爭片代表《地道戰(zhàn)》，喜劇片代表《虎口脫險》等，本發(fā)明實施例不作出限制。需要說明的是，本發(fā)明實施例在使用社交化推薦算法時，還可以對多個社交平臺進行綜合考量來獲取推薦信息，本發(fā)明實施例不作出限制。步驟308、向目標用戶的終端發(fā)送目標用戶的推薦信息。在確定了目標用戶的推薦信息之后，可以將該目標用戶的推薦信息發(fā)送給用戶的終端。需要補充說明的是，本發(fā)明實施例提供的信息推薦方法，通過查詢至少兩個算法的關(guān)注度曲線來確定最大的關(guān)注度對應的算法，并將根據(jù)該算法確定的推薦信息發(fā)送給用戶的終端，達到了能夠通過最大的關(guān)注度對應的算法來確定推薦信息的效果。綜上所述，本發(fā)明實施例提供的信息推薦方法，通過關(guān)注度的大小來確定 一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。圖4-1是本發(fā)明實施例提供的另一種信息推薦方法的流程示意圖，本實施例以該信息推薦應用于圖1所示實施環(huán)境中的服務器110來舉例說明。該信息推薦方法可以包括：步驟401、獲取目標用戶的用戶特征，該用戶特征用于表征用戶的特性。在需要向目標用戶進行信息推薦時，可以首先獲取目標用戶的用戶特征用戶特征包括用戶活躍度，用戶活躍度為用戶在預設(shè)時間段內(nèi)點擊預設(shè)內(nèi)容的次數(shù)，預設(shè)內(nèi)容可以為電影、書籍、購物鏈接等等。此外，用戶特征還可以包括用戶的年齡、職業(yè)、性別和所在區(qū)域中的至少一種。步驟402、獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，數(shù)據(jù)集合記錄有符合用戶特征的用戶對通過每個算法獲取的推薦信息的關(guān)注度。獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，本發(fā)明實施例中的任一算法為具有時間穩(wěn)定性的算法，即符合用戶特征的用戶對通過該算法獲取的推薦信息的關(guān)注度的曲線隨著時間的變化較小，曲線較為平穩(wěn)，這至少兩個算法可以包括：協(xié)同過濾算法和社交化推薦算法，協(xié)同過濾算法為根據(jù)與目標用戶相似度較高的用戶的歷史記錄的內(nèi)容來為目標用戶推薦與歷史記錄的內(nèi)容類似的內(nèi)容的算法，社交化推薦算法為通過社交平臺中與目標用戶關(guān)聯(lián)的用戶的歷史記錄的內(nèi)容確定推薦信息的算法。其中，關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度，而該關(guān)注度可以包括：轉(zhuǎn)化率、點擊率和千次廣告收入ECPM中的任意一種，該轉(zhuǎn)化率為預設(shè)內(nèi)容的訪問量與總訪問量的比值，該點擊率為預設(shè)內(nèi)容被點擊次數(shù)與被顯示次數(shù)之比，該ECPM為預設(shè)內(nèi)容每一千次展示獲得的廣告收入。與目標用戶相似度較高的用戶可以包括與目標用戶的身份信息(如表明用戶興趣的注冊信息等)相似度較高的用戶。此外，與目標用戶的相似度還可以包括與目標用戶過去的行為的相似度。此外，數(shù)據(jù)集合的獲取過程可以是對包含有大量用戶的用戶群進行試驗得 到的，用戶群也可以由歷史記錄中的一部分用戶構(gòu)成。需要說明的是，在進行試驗獲取數(shù)據(jù)集合時，并不要求完全向同樣的多個用戶進行信息的推薦，只需要用戶的用戶特征相同即可。步驟403、根據(jù)數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線。在獲取數(shù)據(jù)集合后，可以根據(jù)該數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線，任一算法的關(guān)注度曲線可以用于記錄采用算法得到的用戶特征與關(guān)注度之間的對應關(guān)系，這一對應關(guān)系通常是較為穩(wěn)定的，但也可以每隔預定時間間隔獲取一次至少兩個算法的關(guān)注度曲線，本發(fā)明實施例不作出限制。在算法有兩種時，本步驟獲取的關(guān)注度曲線可以如圖3-2所示。需要說明的是，步驟402至步驟403還可以在步驟401之前執(zhí)行，本發(fā)明實施例不作出限制。步驟404、根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度。在獲取了至少兩個算法的關(guān)注度曲線后，可以根據(jù)獲取的目標用戶的用戶特征來獲取該用戶特征在至少兩個算法的關(guān)注度曲線中對應的至少兩個關(guān)注度。以圖3-2所表示的兩個算法的關(guān)注度曲線為例，若表征用戶特征的用戶活躍度為20，則查詢協(xié)同過濾算法的關(guān)注度曲線q1得到的表征關(guān)注度的點擊率為0.16，查詢社交化推薦算法的關(guān)注度曲線q2得到的表征關(guān)注度的點擊率為0.19。步驟405、為至少兩個算法中的每個算法設(shè)置權(quán)值。其中，任一算法的權(quán)值與根據(jù)目標用戶的用戶特征查詢?nèi)我凰惴ǖ年P(guān)注度曲線得到的關(guān)注度值的大小正相關(guān)，即得到的關(guān)注度越大，則該關(guān)注度對應的算法的權(quán)值也會越大。而權(quán)值可以表示根據(jù)帶有權(quán)值的算法獲取的推薦信息在目標用戶的推薦信息中所占的比重。如圖4-2所示，步驟405可以包括下面兩個步驟：步驟4051、將至少兩個關(guān)注度進行歸一化處理，得到每個關(guān)注度對應的歸一化值，每個歸一化值屬于[0，1]，且該至少兩個關(guān)注度對應的歸一化值之和為1。其中歸一化處理的過程可以為：設(shè)關(guān)注度共有n個，n個關(guān)注度為A1、A2···An，則n個關(guān)注度中第i(i屬于[1，n])個關(guān)注度對應的歸一化值Gi＝[Ai/(A1+A2···An-1+An)]，其中0≤Gi≤1，且G1+G2+······+Gn-1+Gn＝1。示例性的，以關(guān)注度為兩個，且關(guān)注度為點擊率為例，兩個點擊率為0.16和0.19，0.16對應的歸一化值為0.16/(0.16+0.19)＝0.457，0.19對應的歸一化值為0.19/(0.16+0.19)＝0.543。步驟4052、將每個關(guān)注度對應的歸一化值作為每個關(guān)注度對應的算法的權(quán)值。在得到每個關(guān)注度對應的歸一化值后，可以將每個關(guān)注度對應的歸一化值作為每個關(guān)注度對應的算法的權(quán)值。此外，在獲取的算法的關(guān)注度曲線為兩個時，為這兩個算法中的每個算法設(shè)置權(quán)值的方式還可以為：如圖3-2所示，在獲取的算法的關(guān)注度曲線為兩個時，這兩個關(guān)注度曲線可以相交于點A，點A的橫坐標可以代表表征用戶特征的用戶活躍度，縱坐標可以代表表征關(guān)注度的點擊率，可以根據(jù)目標用戶的用戶活躍度與點A的用戶活躍度的差值來為協(xié)同過濾算法和社交化推薦算法設(shè)置權(quán)值，比如目標用戶的用戶活躍度大于點A的用戶活躍度時，目標用戶的用戶特征與點A的用戶特征的差值越大，則協(xié)同過濾算法的權(quán)值越大，社交化推薦算法的權(quán)值越小，目標用戶的用戶活躍度小于點A的用戶活躍度的情況可以此推出。步驟406、將帶有各自權(quán)值的至少兩個算法組合得到的混合算法作為目標算法。在獲取每個關(guān)注度對應的算法的權(quán)值后，可以將帶有權(quán)值的算法進行組合得到混合算法，并將混合算法作為目標算法。在將帶有權(quán)值的算法進行組合時，可以將權(quán)值作為每個算法的打分，比如表2所示：表2算法打分(權(quán)值)第一算法0.1第二算法0.5第三算法0.4在表2中第一算法的打分為0.1，第二算法的打分為0.5，第三算法的打分為0.4，可以將打分較高(比如大于0.3)的幾種算法進行組合得到混合算法， 在混合算法中，每個算法的權(quán)值可以表示根據(jù)該算法確定的推薦信息在目標用戶的推薦信息中所占的比重。示例性的，協(xié)同過濾算法的權(quán)值為0.4，社交化推薦算法的權(quán)值為0.6，則混合算法＝(0.4*協(xié)同過濾算法+0.6*社交化推薦算法)，其中0.4*協(xié)同過濾算法可以表示由協(xié)同過濾算法確定的推薦信息占目標用戶的推薦信息的40％，比如通過協(xié)同過濾算法獲取各種類型的電影的推薦度為：戰(zhàn)爭片＝1.05；喜劇片＝0.25；動作片＝0.7；倫理片＝0.35；愛情片＝0.8。而通過社交化推薦算法獲取各種類型的電影的推薦度為：戰(zhàn)爭片＝1；喜劇片＝0.2；動作片＝0.7；愛情片＝0.8；倫理片＝0.3。則通過目標算法可以得到獲取各種類型的電影的推薦度為：戰(zhàn)爭片＝0.4*1.05+0.6*1＝1.02；喜劇片＝0.4*0.25+0.6*0.2＝0.22；動作片＝0.4*0.7+0.6*0.7＝0.7；愛情片＝0.4*0.8+0.6*0.8＝0.8；倫理片＝0.4*0.35+0.6*0.3＝0.32。之后可以根據(jù)這些打分來確定推薦信息，比如將得分最高的戰(zhàn)爭片作為目標用戶的推薦信息，或者將排名靠前的前幾個類型電影作為目標用戶的推薦信息，假設(shè)將排名靠前的前3個類型電影作為目標用戶的推薦信息，則目標用戶的推薦信息包括戰(zhàn)爭片、喜劇片和動作片。步驟407、根據(jù)目標算法確定目標用戶的推薦信息。在確定目標算法后，可以根據(jù)目標算法確定目標用戶的推薦信息。步驟408、向目標用戶的終端發(fā)送目標用戶的推薦信息。在確定目標用戶的推薦信息之后，可以向目標用戶的終端發(fā)送目標用戶的推薦信息。需要補充說明的是，本發(fā)明實施例提供的信息推薦方法，通過查詢至少兩個算法的關(guān)注度曲線來確定每個算法的權(quán)值，并將帶有權(quán)值的至少兩個算法組合得到混合算法，最后通過混合算法確定推薦信息并向目標用戶的終端發(fā)送，不但保證了推薦信息的關(guān)注度，還保證了推薦信息的多樣性。綜上所述，本發(fā)明實施例提供的信息推薦方法，通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解 決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。下述為本發(fā)明裝置實施例，可以用于執(zhí)行本發(fā)明方法實施例。對于本發(fā)明裝置實施例中未披露的細節(jié)，請參照本發(fā)明方法實施例。圖5是本發(fā)明實施例示出的一種信息推薦裝置的框圖，該信息推薦裝置可以通過軟件、硬件或者兩者的結(jié)合實現(xiàn)成為圖1所示實施環(huán)境中服務器110的部分或者全部。該信息推薦裝置可以包括：獲取單元510，用于獲取目標用戶的用戶特征，該用戶特征用于表征用戶的特性。查詢單元520，用于根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度，其中，任一算法的關(guān)注度曲線用于記錄采用算法得到的用戶特征與關(guān)注度之間的對應關(guān)系，該關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度。算法確定單元530，用于基于至少兩個關(guān)注度的大小，在至少兩個算法中確定至少一個算法作為目標算法。信息確定單元540，用于根據(jù)目標算法確定目標用戶的推薦信息。發(fā)送單元550，用于向目標用戶的終端發(fā)送目標用戶的推薦信息。綜上所述，本發(fā)明實施例提供的信息推薦裝置，通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。圖6-1是本發(fā)明實施例示出的另一種信息推薦裝置的框圖，該信息推薦裝置可以通過軟件、硬件或者兩者的結(jié)合實現(xiàn)成為圖1所示實施環(huán)境中服務器110的部分或者全部。該信息推薦裝置可以包括：獲取單元510，用于獲取目標用戶的用戶特征，該用戶特征用于表征用戶的特性。查詢單元520，用于根據(jù)目標用戶的用戶特征分別查詢至少兩個算法的關(guān)注度曲線得到至少兩個關(guān)注度，其中，任一算法的關(guān)注度曲線用于記錄采用算法得到的用戶特征與關(guān)注度之間的對應關(guān)系，該關(guān)注度用于表征預設(shè)內(nèi)容受用戶的關(guān)注程度。算法確定單元530，用于基于至少兩個關(guān)注度的大小，在至少兩個算法中確定至少一個算法作為目標算法。信息確定單元540，用于根據(jù)目標算法確定目標用戶的推薦信息。發(fā)送單元550，用于向目標用戶的終端發(fā)送目標用戶的推薦信息?？蛇x的，該裝置還包括：集合獲取單元560，用于獲取歷史時間段內(nèi)至少兩個算法的數(shù)據(jù)集合，數(shù)據(jù)集合記錄有符合用戶特征的用戶對通過每個算法獲取的推薦信息的關(guān)注度。曲線獲取單元570，用于根據(jù)數(shù)據(jù)集合獲取至少兩個算法的關(guān)注度曲線?？蛇x的，算法確定單元530，用于確定至少兩個關(guān)注度中最大的關(guān)注度；將最大的關(guān)注度對應的算法確定為目標算法?？蛇x的，如圖6-2所示，算法確定單元530，包括：權(quán)值模塊531，用于為至少兩個算法中的每個算法設(shè)置權(quán)值，其中，任一算法的權(quán)值與根據(jù)目標用戶的用戶特征查詢?nèi)我凰惴ǖ年P(guān)注度曲線得到的關(guān)注度值的大小正相關(guān)，權(quán)值表示根據(jù)帶有權(quán)值的算法獲取的推薦信息在目標用戶的推薦信息中所占的比重。組合模塊532，用于將帶有各自權(quán)值的至少兩個算法組合得到的混合算法作為目標算法?？蛇x的，權(quán)值模塊531，用于將至少兩個關(guān)注度進行歸一化處理，得到每個關(guān)注度對應的歸一化值，每個歸一化值屬于[0，1]，且該至少兩個關(guān)注度對應的歸一化值之和為1；將每個關(guān)注度對應的歸一化值作為每個關(guān)注度對應的算法的權(quán)值。可選的，用戶特征包括用戶活躍度，用戶活躍度為用戶在預設(shè)時間段內(nèi)點擊預設(shè)內(nèi)容的次數(shù)?？蛇x的，至少兩個算法包括：協(xié)同過濾算法和社交化推薦算法，協(xié)同過濾算法為根據(jù)與目標用戶相似度較高的用戶的歷史記錄的內(nèi)容來為目標用戶推薦與歷史記錄的內(nèi)容類似的內(nèi)容的算法，社交化推薦算法為通過社交平臺中與目 標用戶關(guān)聯(lián)的用戶的歷史記錄的內(nèi)容確定推薦信息的算法?？蛇x的，關(guān)注度包括：轉(zhuǎn)化率、點擊率和千次廣告收入ECPM中的任意一種，轉(zhuǎn)化率為預設(shè)內(nèi)容的訪問量與總訪問量的比值，點擊率為預設(shè)內(nèi)容被點擊次數(shù)與被顯示次數(shù)之比，ECPM為預設(shè)內(nèi)容每一千次展示獲得的廣告收入。需要補充說明的是，本發(fā)明實施例提供的信息推薦裝置，通過查詢至少兩個算法的關(guān)注度曲線來確定每個算法的權(quán)值，并將帶有權(quán)值的至少兩個算法組合得到混合算法，最后通過混合算法確定推薦信息并向目標用戶的終端發(fā)送，不但保證了推薦信息的關(guān)注度，還保證了推薦信息的多樣性。綜上所述，本發(fā)明實施例提供的信息推薦裝置，通過關(guān)注度的大小來確定一個算法作為目標算法，并將根據(jù)該目標算法生成的推薦信息推薦給用戶；解決了相關(guān)技術(shù)中推薦信息所采用的算法通常是預先設(shè)置的,推薦信息的靈活性較低，針對性較差的問題；達到了根據(jù)關(guān)注度的大小來決定目標算法，推薦信息的針對性較強的效果。關(guān)于上述實施例中的裝置，其中各個模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。圖7示出了本發(fā)明實施例提供的信息推薦方法中的服務器的結(jié)構(gòu)示意圖。所述服務器700包括中央處理單元(CPU)701、包括隨機存取存儲器(RAM)702和只讀存儲器(ROM)703的系統(tǒng)存儲器704，以及連接系統(tǒng)存儲器704和中央處理單元701的系統(tǒng)總線705。所述服務器700還包括幫助計算機內(nèi)的各個器件之間傳輸信息的基本輸入/輸出系統(tǒng)(I/O系統(tǒng))706，和用于存儲操作系統(tǒng)713、應用程序714和其他程序模塊715的大容量存儲設(shè)備707。所述基本輸入/輸出系統(tǒng)706包括有用于顯示信息的顯示器708和用于用戶輸入信息的諸如鼠標、鍵盤之類的輸入設(shè)備709。其中所述顯示器708和輸入設(shè)備709都通過連接到系統(tǒng)總線705的輸入輸出控制器710連接到中央處理單元701。所述基本輸入/輸出系統(tǒng)706還可以包括輸入輸出控制器710以用于接收和處理來自鍵盤、鼠標、或電子觸控筆等多個其他設(shè)備的輸入。類似地，輸入輸出控制器710還提供輸出到顯示屏、打印機或其他類型的輸出設(shè)備。所述大容量存儲設(shè)備707通過連接到系統(tǒng)總線705的大容量存儲控制器(未 示出)連接到中央處理單元701。所述大容量存儲設(shè)備707及其相關(guān)聯(lián)的計算機可讀介質(zhì)為服務器700提供非易失性存儲。也就是說，所述大容量存儲設(shè)備707可以包括諸如硬盤或者CD-ROM驅(qū)動器之類的計算機可讀介質(zhì)(未示出)。不失一般性，所述計算機可讀介質(zhì)可以包括計算機存儲介質(zhì)和通信介質(zhì)。計算機存儲介質(zhì)包括以用于存儲諸如計算機可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或其他數(shù)據(jù)等信息的任何方法或技術(shù)實現(xiàn)的易失性和非易失性、可移動和不可移動介質(zhì)。計算機存儲介質(zhì)包括RAM、ROM、EPROM、EEPROM、閃存或其他固態(tài)存儲其技術(shù)，CD-ROM、DVD或其他光學存儲、磁帶盒、磁帶、磁盤存儲或其他磁性存儲設(shè)備。當然，本領(lǐng)域技術(shù)人員可知所述計算機存儲介質(zhì)不局限于上述幾種。上述的系統(tǒng)存儲器704和大容量存儲設(shè)備707可以統(tǒng)稱為存儲器。根據(jù)本發(fā)明的各種實施例，所述服務器700還可以通過諸如因特網(wǎng)等網(wǎng)絡連接到網(wǎng)絡上的遠程計算機運行。也即服務器700可以通過連接在所述系統(tǒng)總線705上的網(wǎng)絡接口單元711連接到網(wǎng)絡712，或者說，也可以使用網(wǎng)絡接口單元711來連接到其他類型的網(wǎng)絡或遠程計算機系統(tǒng)(未示出)。所述存儲器還包括一個或者一個以上的程序，所述一個或者一個以上程序存儲于存儲器中，所述一個或者一個以上程序包含用于進行本發(fā)明實施例提供的信息推薦方法的指令。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3