本申請(qǐng)涉及信息
技術(shù)領(lǐng)域：
，尤其涉及一種混合推薦方法及裝置。
背景技術(shù)：
：隨著信息化社會(huì)的發(fā)展，人們?cè)絹碓搅?xí)慣于使用是網(wǎng)絡(luò)來進(jìn)行社會(huì)活動(dòng)，如，進(jìn)行網(wǎng)上購物、通過網(wǎng)上銀行繳費(fèi)、網(wǎng)絡(luò)即時(shí)通訊等。為了提高人們?yōu)g覽網(wǎng)站時(shí)的體驗(yàn)，使用戶可以快速找到想瀏覽的內(nèi)容，通常提供網(wǎng)上服務(wù)的服務(wù)供應(yīng)商，都會(huì)根據(jù)用戶的行為數(shù)據(jù)在網(wǎng)站主頁面上顯示一些推薦信息。如，音樂網(wǎng)站向用戶推薦歌曲、社交網(wǎng)站向用戶推薦好友等。推薦信息的推薦列表通常通過一些推薦算法計(jì)算得來，通常有兩類推薦算法：基于信息內(nèi)容的推薦和基于用戶行為的推薦。前者由于不需要用戶行為數(shù)據(jù)即可直接計(jì)算出推薦列表，但是推薦列表中的推薦結(jié)果不能針對(duì)用戶喜好，準(zhǔn)確率較低，后者雖然可以計(jì)算出較為準(zhǔn)確的推薦列表，但是其準(zhǔn)確度取決于用戶的行為數(shù)據(jù)的多少，具有局限性。為了解決這兩種推薦算法的弊端，現(xiàn)有技術(shù)中通?；旌隙喾N推薦算法的結(jié)果，計(jì)算得出混合推薦列表，其中，加權(quán)混合推薦方法由于其混合方式簡單、易于融合推薦算法結(jié)果、使用靈活度高等優(yōu)點(diǎn)成為人們常用的混合推薦方法。而加權(quán)混合推薦方法得到的推薦列表是否能符合用戶的喜好，即推薦列表中的推薦結(jié)果是否是用戶需要的，其核心就取決于加權(quán)混合時(shí)各權(quán)重的配比。但是現(xiàn)有技術(shù)中，在對(duì)加權(quán)混合推薦方法中各權(quán)重進(jìn)行設(shè)置時(shí)，通常是通過人工觀察或者經(jīng)驗(yàn)來設(shè)置、調(diào)整的。這種通過人工觀察或經(jīng)驗(yàn)來進(jìn)行權(quán)重的設(shè)置、調(diào)整方法，不僅需要耗費(fèi)大量的人力和時(shí)間成本，而且得到的推薦列表的準(zhǔn)確度也較差，另外，由于用戶 的喜好并非固定不變的，而現(xiàn)有方法靠人工經(jīng)驗(yàn)設(shè)置的權(quán)重在較長時(shí)間內(nèi)均是固定的，所以當(dāng)用戶喜好改變時(shí)，現(xiàn)有方法就不能及時(shí)提供對(duì)應(yīng)的信息。所以，現(xiàn)有技術(shù)中使用加權(quán)混合推薦方法得到的推薦列表難以符合用戶的需求，導(dǎo)致用戶為了找到自己想獲取的信息，需要再次花費(fèi)大量時(shí)間進(jìn)行信息搜索，不僅浪費(fèi)了網(wǎng)絡(luò)資源，同時(shí)也增大了服務(wù)器壓力。技術(shù)實(shí)現(xiàn)要素：本申請(qǐng)實(shí)施例提供一種信息推薦方法及裝置，用以解決現(xiàn)有技術(shù)中通過人工設(shè)置權(quán)重而得到的推薦列表不符合用戶的需求，導(dǎo)致用戶需要花費(fèi)大量的時(shí)間再次進(jìn)行搜索，浪費(fèi)網(wǎng)絡(luò)資源、增大服務(wù)器壓力的問題。本申請(qǐng)實(shí)施例提供的一種信息推薦的方法，包括：確定用戶的歷史行為信息；根據(jù)所述歷史行為信息，分別確定若干個(gè)推薦信息組；根據(jù)針對(duì)各推薦信息組預(yù)設(shè)的權(quán)重，確定推薦列表；判斷所述推薦列表是否滿足預(yù)設(shè)的推薦條件；若滿足，則將所述推薦列表中包含的信息推薦給所述用戶；若不滿足，則調(diào)整各推薦信息組的權(quán)重，并根據(jù)調(diào)整后的權(quán)重重新確定推薦列表，直到確定的推薦列表滿足所述推薦條件，并將推薦列表中包含的信息推薦給所述用戶為止。本申請(qǐng)實(shí)施例提供的一種信息推薦的裝置，包括：行為確定模塊，用于確定用戶的歷史行為信息；信息組確定模塊，用于根據(jù)所述歷史行為信息，分別確定若干個(gè)推薦信息組；混合模塊，用于根據(jù)針對(duì)各推薦信息組預(yù)設(shè)的權(quán)重，確定推薦列表；判斷推薦模塊，用于判斷所述推薦列表是否滿足預(yù)設(shè)的推薦條件，若滿足，則將所述推薦列表中包含的信息推薦給所述用戶，若不滿足，則調(diào)整各推薦信 息組的權(quán)重，并指示所述混合模塊根據(jù)調(diào)整后的權(quán)重重新確定推薦列表，直到所述混合模塊確定的推薦列表滿足所述推薦條件，并將推薦列表中包含的信息推薦給所述用戶為止。本申請(qǐng)實(shí)施例提供一種信息推薦的方法及裝置，該方法根據(jù)用戶的歷史行為信息，采用不同的推薦算法，分別確定若干個(gè)推薦信息組，根據(jù)各推薦信息組對(duì)應(yīng)的權(quán)重確定推薦列表，當(dāng)該推薦列表是否滿足預(yù)設(shè)的推薦條件時(shí)，對(duì)該推薦列表對(duì)應(yīng)的推薦信息組的權(quán)重進(jìn)行調(diào)整，并獲得調(diào)整后的推薦列表，直到得到的推薦列表滿足該預(yù)設(shè)的推薦條件時(shí)，將該推薦列表中的信息推薦給用戶。上述信息推薦方法無需人工設(shè)置各推薦信息組的權(quán)重，可根據(jù)用戶的歷史行為數(shù)據(jù)自動(dòng)調(diào)整各推薦信息組的權(quán)重，獲得滿足用戶需求的推薦列表，因此可有效提高推薦列表的準(zhǔn)確度，使得用戶不必再花費(fèi)大量的時(shí)間搜索信息，也節(jié)約了網(wǎng)絡(luò)資源、減輕了服務(wù)器壓力。附圖說明此處所說明的附圖用來提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申請(qǐng)的示意性實(shí)施例及其說明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：圖1為本申請(qǐng)實(shí)施例提供的一種信息推薦的過程；圖2為本申請(qǐng)實(shí)施例提供的一種信息推薦裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式本申請(qǐng)實(shí)施例依然采用加權(quán)混合推薦方法得到推薦列表，而加權(quán)混合推薦方法中所涉及的各推薦信息組的權(quán)重可根據(jù)用戶的歷史行為信息，采用優(yōu)化算法迭代確定，無需人工憑借經(jīng)驗(yàn)確定，因此得到的推薦列表的準(zhǔn)確性較高，使用戶無需再次花費(fèi)時(shí)間進(jìn)行信息搜索，有效地節(jié)省了網(wǎng)絡(luò)資源，減輕了服務(wù)器 壓力。為使本申請(qǐng)的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本申請(qǐng)具體實(shí)施例及相應(yīng)的附圖對(duì)本申請(qǐng)技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。圖1為本申請(qǐng)實(shí)施例提供的一種信息推薦的過程，具體包括以下步驟：S101：確定用戶的歷史行為信息。在本申請(qǐng)實(shí)施例中，服務(wù)器為了達(dá)到節(jié)約網(wǎng)絡(luò)資源、減輕服務(wù)器壓力的目的，需要推薦給用戶的信息更加準(zhǔn)確、更加符合用戶的行為規(guī)律。這就使得該服務(wù)器至少需要確定用戶的喜好、需求等等相關(guān)的信息，并根據(jù)該用戶的喜好、需求等信息選擇性的推薦一些信息給該用戶。由于這類與用戶喜好、需求相關(guān)的信息是可以通過用戶的行為反映出來的，所以網(wǎng)站可以根據(jù)用戶的歷史行為信息，來選擇推薦信息。于是，在本申請(qǐng)實(shí)施例的步驟S101中，服務(wù)器首先需要確定用戶的歷史行為信息。其中，該用戶的歷史行為信息可以是，用戶在該服務(wù)器中的歷史行為對(duì)應(yīng)的信息，如：用戶瀏覽的信息內(nèi)容及屬性、用戶搜索的信息內(nèi)容及屬性、用戶關(guān)注或收藏的信息內(nèi)容及屬性等等，可見，這些信息都是與用戶的喜好、需求等相關(guān)的信息。具體的，服務(wù)器可根據(jù)預(yù)設(shè)的歷史時(shí)間段，確定該用戶在該歷史時(shí)間段內(nèi)的歷史數(shù)據(jù)。該歷史時(shí)間段可根據(jù)需要進(jìn)行設(shè)定，如過去的3個(gè)月等。S102：根據(jù)所述歷史行為信息，分別確定若干個(gè)推薦信息組。在本申請(qǐng)實(shí)施例中，服務(wù)器依然采用加權(quán)混合推薦方法來確定最終向用戶推薦的推薦列表，所以服務(wù)器在步驟S101中確定用戶的歷史行為信息后，還可根據(jù)該歷史行為信息，采用不同的推薦算法分別確定若干個(gè)推薦信息組，使得后續(xù)對(duì)各推薦信息組進(jìn)行混合加權(quán)得到推薦列表。其中，所述的推薦算法可 以是基于協(xié)同過濾的推薦算法、基于內(nèi)容的推薦算法、基于關(guān)聯(lián)規(guī)則的推薦算法或者基于知識(shí)的推薦算法等等，確定推薦信息組所采用的推薦算法在此并不做具體限定。需要說明的是，通過不同的推薦算分別法獲得的各推薦信息組中的每一個(gè)信息會(huì)獲取一個(gè)對(duì)應(yīng)的推薦權(quán)重，即，針對(duì)每一個(gè)推薦信息組，該推薦信息組中包含的每個(gè)信息都具有一個(gè)相對(duì)于該推薦信息組的推薦權(quán)重，一個(gè)推薦信息組中包含的各信息相對(duì)于該推薦信息組的推薦權(quán)重可能相同，也可能不同。例如，服務(wù)器獲取了用戶I的歷史行為信息后，假設(shè)根據(jù)該歷史行為信息，采用了基于用戶的協(xié)同過濾推薦算法和基于商品的協(xié)同過濾推薦算法分別進(jìn)行計(jì)算，則可以分別確定出兩個(gè)推薦信息組：推薦信息組α和推薦信息組β。這兩個(gè)推薦信息組由于是使用不同推薦算法得出的，所以其包含的信息也可能不完全一致。S103：根據(jù)針對(duì)各推薦信息組預(yù)設(shè)的權(quán)重，確定推薦列表。由于在步驟S102中已經(jīng)確定了各推薦信息組，據(jù)此，本申請(qǐng)便可以根據(jù)針對(duì)各推薦信息組預(yù)設(shè)的權(quán)重，確定出推薦列表。其中，所述預(yù)設(shè)的權(quán)重，可以是根據(jù)經(jīng)驗(yàn)預(yù)設(shè)的一個(gè)初始權(quán)重或者是根據(jù)隨機(jī)函數(shù)獲得一個(gè)隨機(jī)的初始權(quán)重，這個(gè)權(quán)重僅僅代表一個(gè)初始的系數(shù)，并不是后續(xù)最終得到推薦列表所基于的權(quán)重。于是在本申請(qǐng)實(shí)施例中，根據(jù)預(yù)設(shè)針對(duì)各推薦信息組的權(quán)重確定出推薦列表，具體可以是：首先，可針對(duì)每個(gè)推薦信息組，根據(jù)該推薦信息組的權(quán)重，以及該推薦信息組中包含的每個(gè)信息相對(duì)于該推薦信息組的推薦權(quán)重，確定每個(gè)信息相對(duì)于該推薦信息組的子權(quán)重。其中，由于該推薦信息組中包含的每個(gè)信息都具有一個(gè)相對(duì)該推薦信息組的推薦權(quán)重，所以本申請(qǐng)中所述的每個(gè)信息相對(duì)于該推薦信息組的子權(quán)重，可以是每個(gè)信息相對(duì)于該推薦信息組的推薦權(quán)重與該推薦信息組的權(quán)重之乘積。其次，可以針對(duì)每個(gè)信息，確定該信息相對(duì)于每個(gè)推薦信息組的子權(quán)重之和，作為該信息的總權(quán)重，最后可以根據(jù)每個(gè)信息的總權(quán)重，確定推薦列表。進(jìn)一步的，根據(jù)每個(gè)信息的總權(quán)重確定推薦列表，可以是根據(jù)每個(gè)信息的總權(quán)重由大到小排列后，確定的推薦列表，其中總權(quán)重大的信息可以考慮優(yōu)先推薦給用戶。由于該推薦列表是根據(jù)每個(gè)信息的總權(quán)重確定的，所以該推薦列表可以包含各推薦信息組中的全部信息。而考慮到當(dāng)推薦列表中包含的信息過多時(shí)，若將該推薦列表中全部信息都推薦給用戶，可能造成用戶難以從推薦信息中找到需要的信息，仍然需要進(jìn)行信息搜索的問題，所以本申請(qǐng)?zhí)峁┑姆椒ㄖ校撏扑]列表可以是由全部信息中的前幾個(gè)信息組成的推薦列表。也就是說，可將各推薦信息組中的信息按照總權(quán)重從大到小的順序排序后，按排序從前到后的順序選擇指定數(shù)量的信息，構(gòu)成該推薦列表。繼續(xù)沿用上例，假設(shè)針對(duì)兩個(gè)推薦信息組預(yù)設(shè)的權(quán)重是(0.4，0.6)，即，針對(duì)推薦信息組α和推薦信息組β的權(quán)重分別為0.4和0.6。且該推薦信息組α和該推薦信息組β中分別包含的信息，以及這兩個(gè)推薦信息組中包含的每個(gè)信息相對(duì)于這兩個(gè)推薦信息組的推薦權(quán)重如表1所示。表1則根據(jù)表1，針對(duì)商品A，可以確定該信息在推薦信息組α中的推薦權(quán)重為0.9、在推薦信息組β的推薦權(quán)重為0.6，且由于該推薦信息組α的權(quán)重為0.4、該推薦信息組β的權(quán)重為0.6。于是，可以進(jìn)一步確定該信息相對(duì)于推薦信息 組α的子權(quán)重為(0.4×0.9)＝0.36，該信息相對(duì)于推薦信息組β的子權(quán)重為(0.6×0.6)＝0.36，于是該信息的總權(quán)重為(0.4×0.9)+(0.6×0.6)＝0.72，即，商品A的總權(quán)重為0.72。所以針對(duì)每個(gè)商品，確定其總權(quán)重時(shí)，可以確定各商品的總權(quán)重如表2所示。信息總權(quán)重商品A0.72商品O0.62商品M0.48商品G0.34商品C0.24商品T0.12商品F0.12表2于是，根據(jù)表2所示的各總權(quán)重，進(jìn)一步按各商品總權(quán)重從大到小的順序，排列為：商品A、商品O、商品M、商品G、商品C、商品T、商品F。假設(shè)，預(yù)設(shè)的推薦列表的確定是根據(jù)各信息的總權(quán)重，按照從大到小的順序排列后，選取前5個(gè)信息作為推薦列表，則最后確定推薦列表為商品A、商品O、商品M、商品G、商品C。S104：判斷所述推薦列表是否滿足預(yù)設(shè)的推薦條件，若滿足則執(zhí)行步驟S105，若不滿足則執(zhí)行步驟S106。在本申請(qǐng)實(shí)施例中，通過上述步驟S101～S103已經(jīng)確定了推薦列表，但是，由于不能確定該推薦列表中的信息是否能滿足用戶的期望，所以本申請(qǐng)還需要判斷該推薦列表是否滿足預(yù)設(shè)的推薦條件，并根據(jù)判斷結(jié)果的不同，選擇不同的后續(xù)處理方法。另外，由于在進(jìn)行判斷時(shí)，是要判斷該推薦信息列表所包含的信息是否滿 足用戶的期望，這就需要通過用戶的歷史行為信息來判斷。所以，在本申請(qǐng)中可以根據(jù)在步驟S101中確定的用戶歷史行為信息，來確定該推薦列表的準(zhǔn)確度，并判斷該推薦列表的準(zhǔn)確度是否大于預(yù)設(shè)的閾值。當(dāng)該準(zhǔn)確度大于該閾值時(shí)，則判定該推薦列表滿足預(yù)設(shè)的推薦條件并執(zhí)行步驟S105，而當(dāng)該準(zhǔn)確度不大于該閾值時(shí)，則判定該推薦列表不滿足預(yù)設(shè)的推薦條件并執(zhí)行步驟S106。具體的，推薦列表的準(zhǔn)確度的確定，可以先確定該推薦列表中包含的信息與該用戶歷史行為信息中一致的信息的數(shù)量，再確定該數(shù)量占該推薦列表中包含的信息的數(shù)量的比例，將該比例的值作為該推薦列表的準(zhǔn)確度。繼續(xù)沿用上例，假設(shè)服務(wù)器中預(yù)設(shè)的閾值是0.4，用戶的歷史行為信息為：用戶點(diǎn)擊了商品A、商品Q、商品R、商品H、商品M、商品F和商品L。由于在步驟S103中確定的推薦列表中包含的信息為：商品A、商品O、商品M、商品G、商品C，則可先確定該推薦列表中包含的信息與用戶歷史行為信息一致的信息，為商品A和商品M，并確定該一致信息的數(shù)量為2。由于該推薦列表一共包含有5個(gè)信息，所以可以進(jìn)一步確定，該一致信息的數(shù)量占推薦列表中包含信息的數(shù)量的比例為0.4，最后將該數(shù)值(即，0.4)作為該推薦列表的準(zhǔn)確度。由于該準(zhǔn)確度不大于預(yù)設(shè)的閾值，所以判定該推薦列表不滿足預(yù)設(shè)的推薦條件，并執(zhí)行步驟S106。S105：將所述推薦列表中包含的信息推薦給所述用戶。在本申請(qǐng)實(shí)施例中，若在步驟S104中已經(jīng)判斷推薦列表滿足預(yù)設(shè)的條件，則可以確定該推薦列表已經(jīng)滿足用戶的需求，因此可以執(zhí)行步驟S105將該推薦列表中包含的信息推薦給用戶。S106：調(diào)整各推薦信息組的權(quán)重，并返回步驟S103。也即，當(dāng)步驟S103確定出的推薦列表不滿足推薦條件時(shí)，服務(wù)器可采用預(yù)設(shè)的優(yōu)化算法，調(diào)整各推薦信息組的權(quán)重，并將調(diào)整后的權(quán)重重新作為預(yù)設(shè)的權(quán)重，根據(jù)調(diào)整后的權(quán)重重新確定推薦列表，直到確定的推薦列表滿足所述推薦條件，并將推薦列表中包含的信息推薦給所述用戶為止。本申請(qǐng)可通過上述步驟S103～S106的迭代過程自動(dòng)的調(diào)整各推薦信息組的權(quán)重，使得確定的推薦信息可以更加準(zhǔn)確、快速，以達(dá)到節(jié)約網(wǎng)絡(luò)資源、減輕服務(wù)器壓力的目的。具體的，調(diào)整各推薦信息組的權(quán)重時(shí)，可采用預(yù)設(shè)的優(yōu)化算法，并根據(jù)下述迭代信息中的至少一種，確定調(diào)整各推薦信息組的權(quán)重的調(diào)整量，并根據(jù)確定的調(diào)整量，調(diào)整各推薦信息組的權(quán)重。其中，該迭代信息包括：上一次調(diào)整各推薦信息組的權(quán)重的調(diào)整量、上一次確定的推薦列表的準(zhǔn)確度、每次得到的各推薦列表的準(zhǔn)確度中的最高準(zhǔn)確度。下面以采用的優(yōu)化算法是粒子群算法為例，對(duì)上述調(diào)整權(quán)重的過程進(jìn)行說明。服務(wù)器可以利用公式VK+1＝WK·VK+C1·rand1·(Pbest-XK)+C2·rand2·(Gbest-XK)確定各推薦信息組的權(quán)重的調(diào)整量，再利用公式XK+1＝XK+VK+1確定調(diào)整后的各推薦信息組權(quán)重。其中，VK+1為第K+1次推薦信息組的權(quán)重調(diào)整值、VK為第K次權(quán)重調(diào)整值、WK為第K次的慣性權(quán)重、C1與C2為預(yù)設(shè)的常數(shù)、rand1與rand2為取值空間在(0，1)之間的隨機(jī)函數(shù)、Pbest為第K次確定的推薦列表與第K+1次確定的推薦列表中準(zhǔn)確度較高的推薦列表對(duì)應(yīng)的各推薦信息組的權(quán)重、Gbest為確定過的所有推薦列表中準(zhǔn)確度最高的推薦列表對(duì)應(yīng)的各推薦信息組的權(quán)重、XK為第K次確定的推薦列表對(duì)應(yīng)的各推薦信息組的權(quán)重。需要說明的是，慣性權(quán)重WK隨著調(diào)整次數(shù)K的增加而減小，具體確定WK的公式可以是其中，Ws為預(yù)設(shè)的初始慣性權(quán)重，可人為根據(jù)經(jīng)驗(yàn)設(shè)置，We為預(yù)設(shè)的最后慣性權(quán)重值，也可人為根據(jù)經(jīng)驗(yàn)設(shè)置，K為當(dāng)前的調(diào)整次數(shù)，Kmax是預(yù)設(shè)的最大調(diào)整次數(shù)。由上述公式可見，假設(shè)本次調(diào)整為第K+1次，則該公式中的Pbest可以通過迭代信息中的上一次確定的推薦列表的準(zhǔn)確度和本次推薦列表的準(zhǔn)確度經(jīng)過對(duì)比而確定，而Gbest可以通過每次得到的各推薦列表的準(zhǔn)確度中的最高準(zhǔn)確度和本次推薦列表的準(zhǔn)確度經(jīng)過對(duì)比而確定，VK也可以通過迭代信息中的上一 次調(diào)整各推薦信息組的權(quán)重的調(diào)整量來確定。于是，可以通過計(jì)算確定本次調(diào)整量VK+1，進(jìn)而根據(jù)公式XK+1＝XK+VK+1，確定本次調(diào)整后的各推薦信息組的權(quán)重。另外，需要說明的是，本申請(qǐng)采用的優(yōu)化算法可以是粒子群算法、遺傳算法、蟻群算法、退火算法等，本申請(qǐng)僅以粒子群算法為例說明，但并不限定使用何種優(yōu)化算法確定各推薦信息組的權(quán)重調(diào)整量。在確定了該調(diào)整后的各推薦信息組的權(quán)重后，就可以依據(jù)在步驟S103中所述的方法，確定調(diào)整后的推薦列表。當(dāng)確定調(diào)整后的推薦列表后，即可依據(jù)在步驟S104中所述的方法判斷該推薦列表是否滿足推薦條件，若滿足則執(zhí)行步驟S105推薦該推薦列表中的信息給用戶，若不滿足則可以繼續(xù)重復(fù)上述步驟S106所述的方法，直到確定的推薦列表滿足該推薦條件，并執(zhí)行步驟S105。另外，由于在步驟S104中進(jìn)行推薦列表的準(zhǔn)確度判斷時(shí)，是根據(jù)用戶的歷史行為信息判斷的，而由前述步驟S101～S103可知，該推薦列表也是根據(jù)用戶的歷史行為信息確定的，這就使得在步驟S104進(jìn)行判斷時(shí)，服務(wù)器是使用同一組信息來判斷由該組信息確定的推薦列表是否與該組信息一致。這就會(huì)導(dǎo)致確定的推薦列表的準(zhǔn)確度受到干擾，其可信度不高。所以，為了使確定的推薦列表的準(zhǔn)確度更加可信，本申請(qǐng)還可以通過步驟S102確定若干個(gè)推薦信息組之前，將該用戶的歷史行為信息劃分為測試信息和參照信息。則劃分得到的該測試信息用于根據(jù)本申請(qǐng)?zhí)峁┑牟襟ES102、步驟S103來確定推薦列表。即，則在步驟S102中，可根據(jù)測試信息，采用不同的推薦算法確定若干個(gè)推薦信息組，并通過步驟S103確定推薦列表。劃分得到的該參照信息則用于在步驟S104中與該推薦信息列表進(jìn)行比對(duì)，確定該推薦信列表的準(zhǔn)確度。即，在步驟S104中，可根據(jù)參照信息，確定推薦列表的準(zhǔn)確度。由于該參照信息同樣是用戶的歷史行為信息，且與確定該推薦列表的用戶 歷史行為信息不同，所以以該參照信息做對(duì)比可以更加準(zhǔn)確的確定推薦信息列表的準(zhǔn)確度，其可信度更高。具體的，在根據(jù)參照信息確定推薦列表的準(zhǔn)確度時(shí)，可以使用公式來進(jìn)行準(zhǔn)確度的計(jì)算，其中P表示準(zhǔn)確度，R表示推薦列表中信息的合集，T表示參照信息中包含的信息的合集，u表示針對(duì)用戶u的準(zhǔn)確度。由此可見，根據(jù)參照信息確定的推薦列表準(zhǔn)確度能更加準(zhǔn)確的反映，推薦列表中包含的信息，有多少是符合用戶需求的。例如，假設(shè)服務(wù)器已經(jīng)在步驟S102中將該用戶I的歷史行為信息劃分為測試信息和參照信息，且在步驟S103中確定的推薦列表是根據(jù)該測試信息確定的。在本申請(qǐng)中的預(yù)設(shè)閾值為0.4，則根據(jù)該參照信息(如，商品A、商品Q、商品R、商品H、商品M)，判斷該推薦列表中包含的信息，商品A、商品O、商品M、商品G、商品C的準(zhǔn)確度。根據(jù)公式則可以知道PI＝0.4，則準(zhǔn)確度不大于預(yù)設(shè)的閾值，判定該推薦列表不滿足預(yù)設(shè)的推薦條件，需要繼續(xù)執(zhí)行步驟S106。進(jìn)一步的，通過步驟S103～S106的迭代方法調(diào)整各推薦信息組的權(quán)重時(shí)，有可能出現(xiàn)多次調(diào)整后，確定的推薦列表的準(zhǔn)確度仍然不大于預(yù)設(shè)的閾值的情況。這種情況會(huì)導(dǎo)致服務(wù)器耗費(fèi)了大量的資源后，仍不能推薦信息給用戶的問題。所以為了避免出現(xiàn)大量重復(fù)調(diào)整后，確定的推薦列仍然不能滿足推薦條件的情況的出現(xiàn)。本申請(qǐng)還可以再設(shè)定一個(gè)以調(diào)整次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)的推薦條件，即當(dāng)推薦列表的調(diào)整次數(shù)達(dá)到預(yù)設(shè)的推薦次數(shù)時(shí)，將確定的Gbest的權(quán)重所確定的推薦列表中的信息作為推薦給用戶的信息。具體的，所述預(yù)設(shè)的推薦次數(shù)可以是上述的最大調(diào)整次數(shù)Kmax。由于Gbest對(duì)應(yīng)的推薦列表是確定的所有推薦列表中準(zhǔn)確度最高的推薦列表，因此也可以一定程度上滿足用戶的需求，且可以避免導(dǎo)致服務(wù)器耗費(fèi)了大 量的資源后，也不能推薦信息給用戶的問題。另外，本申請(qǐng)?zhí)峁┑纳鲜鋈鐖D1所示的推薦方法，可以由用戶執(zhí)行的某些指定操作觸發(fā)，如，用戶在登錄賬號(hào)時(shí)，可自動(dòng)觸發(fā)如圖1所示的方法，用以為該用戶推薦信息。當(dāng)然，也可按照設(shè)定的時(shí)間間隔觸發(fā)執(zhí)行上述方法，這里就不再一一贅述。需要說明的是，本申請(qǐng)中所述的推薦方法可以采用多服務(wù)器執(zhí)行，具體可以采用內(nèi)容分發(fā)網(wǎng)絡(luò)中的各服務(wù)器執(zhí)行，使執(zhí)行該推薦方法的壓力可以分?jǐn)偟蕉鄠€(gè)服務(wù)器中。基于圖1所示的信息推薦過程，本申請(qǐng)實(shí)施例還提供了一種信息推薦裝置，如圖2所示。圖2是本申請(qǐng)實(shí)施例提供的一種信息推薦裝置的結(jié)構(gòu)示意圖，具體包括：行為確定模塊201，用于確定用戶的歷史行為信息；信息組確定模塊202，用于根據(jù)所述歷史行為信息，分別確定若干個(gè)推薦信息組；混合模塊203，用于根據(jù)針對(duì)各推薦信息組預(yù)設(shè)的權(quán)重，確定推薦列表；判斷推薦模塊204，用于判斷所述推薦列表是否滿足預(yù)設(shè)的推薦條件，若滿足，則將所述推薦列表中包含的信息推薦給所述用戶，若不滿足，則調(diào)整各推薦信息組的權(quán)重，并指示所述混合模塊203根據(jù)調(diào)整后的權(quán)重重新確定推薦列表，直到所述混合模塊203確定的推薦列表滿足所述推薦條件，并將推薦列表中包含的信息推薦給所述用戶為止。所述信息組確定模塊202，還用于根據(jù)所述歷史行為信息，分別確定若干個(gè)推薦信息組之前，將所述用戶的歷史行為信息劃分為測試信息和參照信息，則所述信息組確定模塊202具體用于根據(jù)所述測試信息，采用不同的推薦算法確定若干個(gè)推薦信息組。所述混合模塊203，具體用于針對(duì)每個(gè)推薦信息組，根據(jù)該推薦信息組的權(quán)重，以及該推薦信息組中包含的每個(gè)信息相對(duì)于該推薦信息組的子權(quán)重，針 對(duì)每個(gè)信息，確定該信息相對(duì)于每個(gè)推薦信息組的推薦權(quán)重，確定每個(gè)信息相對(duì)于該推薦信息組的子權(quán)重之和，作為該信息的總權(quán)重，根據(jù)每個(gè)信息的總權(quán)重，確定推薦列表。所述判斷推薦模塊204，具體用于根據(jù)所述參照信息，確定所述推薦列表的準(zhǔn)確度，判斷所述準(zhǔn)確度是否滿足大于預(yù)設(shè)閾值，若是，則判定所述推薦列表滿足預(yù)設(shè)的推薦條件，否則，判定所述推薦列表不滿足預(yù)設(shè)的推薦條件。所述判斷推薦模塊204，具體用于根據(jù)下述迭代信息中的至少一種，確定調(diào)整各推薦信息組的權(quán)重的調(diào)整量，根據(jù)確定的調(diào)整量，調(diào)整各推薦信息組的權(quán)重；所述迭代信息包括：上一次調(diào)整各推薦信息組的權(quán)重的調(diào)整量、上一次確定的推薦列表的準(zhǔn)確度、每次得到的各推薦列表的準(zhǔn)確度中的最高準(zhǔn)確度。所述判斷推薦模塊204，還用于當(dāng)調(diào)整各推薦信息組的權(quán)重的次數(shù)達(dá)到預(yù)設(shè)次數(shù)時(shí)，確定每次得到的各推薦列表中準(zhǔn)確度最高的推薦列表，將準(zhǔn)確度最高的推薦列表中包含的信息推薦給所述用戶。具體的，上述如圖2所示的信息推薦裝置可以位于各類網(wǎng)站的服務(wù)器中，該服務(wù)器可以是一個(gè)也可以是多個(gè)。當(dāng)該服務(wù)器為多個(gè)的時(shí)候，具體還可以采用內(nèi)容分發(fā)網(wǎng)絡(luò)，建立多個(gè)服務(wù)器之間的聯(lián)系，具體的實(shí)施方法本申請(qǐng)本不做限定。在一個(gè)典型的配置中，計(jì)算設(shè)備包括一個(gè)或多個(gè)處理器(CPU)、輸入/輸出接口、網(wǎng)絡(luò)接口和內(nèi)存。內(nèi)存可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(RAM)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(ROM)或閃存(flashRAM)。內(nèi)存是計(jì)算機(jī)可讀介質(zhì)的示例。計(jì)算機(jī)可讀介質(zhì)包括永久性和非永久性、可移動(dòng)和非可移動(dòng)媒體可以由任何方法或技術(shù)來實(shí)現(xiàn)信息存儲(chǔ)。信息可以是計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計(jì)算機(jī)的存儲(chǔ)介質(zhì)的例子包括，但不限于相變內(nèi)存(PRAM)、靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)、動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(DRAM)、其 他類型的隨機(jī)存取存儲(chǔ)器(RAM)、只讀存儲(chǔ)器(ROM)、電可擦除可編程只讀存儲(chǔ)器(EEPROM)、快閃記憶體或其他內(nèi)存技術(shù)、只讀光盤只讀存儲(chǔ)器(CD-ROM)、數(shù)字多功能光盤(DVD)或其他光學(xué)存儲(chǔ)、磁盒式磁帶，磁帶磁磁盤存儲(chǔ)或其他磁性存儲(chǔ)設(shè)備或任何其他非傳輸介質(zhì)，可用于存儲(chǔ)可以被計(jì)算設(shè)備訪問的信息。按照本文中的界定，計(jì)算機(jī)可讀介質(zhì)不包括暫存電腦可讀媒體(transitorymedia)，如調(diào)制的數(shù)據(jù)信號(hào)和載波。還需要說明的是，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設(shè)備中還存在另外的相同要素。本領(lǐng)域技術(shù)人員應(yīng)明白，本申請(qǐng)的實(shí)施例可提供為方法、系統(tǒng)或計(jì)算機(jī)程序產(chǎn)品。因此，本申請(qǐng)可采用完全硬件實(shí)施例、完全軟件實(shí)施例或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本申請(qǐng)可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。以上所述僅為本申請(qǐng)的實(shí)施例而已，并不用于限制本申請(qǐng)。對(duì)于本領(lǐng)域技術(shù)人員來說，本申請(qǐng)可以有各種更改和變化。凡在本申請(qǐng)的精神和原理之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請(qǐng)的權(quán)利要求范圍之內(nèi)。當(dāng)前第1頁1 2 3