本發(fā)明涉及通信技術(shù)領(lǐng)域,尤其涉及一種網(wǎng)絡(luò)資源推薦方法及計(jì)算機(jī)設(shè)備。
背景技術(shù):
隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,用戶通過(guò)互聯(lián)網(wǎng)實(shí)現(xiàn)的功能越來(lái)越多,比如網(wǎng)上購(gòu)物、瀏覽網(wǎng)頁(yè)、在線影視、在線游戲等等?;ヂ?lián)網(wǎng)每時(shí)每刻都在產(chǎn)生巨大數(shù)量的數(shù)據(jù),如何有效利用這些數(shù)據(jù)已經(jīng)成為一個(gè)世界性關(guān)注的問題。經(jīng)過(guò)多年的研究,對(duì)于這些數(shù)據(jù)附加價(jià)值的挖掘和利用也逐漸成熟,主要應(yīng)用于電子商務(wù)、在線信息應(yīng)用(如在線新聞、在線音樂、在線影視)等領(lǐng)域的網(wǎng)絡(luò)資源推薦系統(tǒng)。網(wǎng)絡(luò)資源推薦是根據(jù)用戶的興趣特點(diǎn),向用戶推薦用戶感興趣的信息,避免了信息快速增長(zhǎng)導(dǎo)致信息過(guò)載而導(dǎo)致的用戶不斷流失的問題。
目前,網(wǎng)絡(luò)資源推薦方法是針對(duì)用戶對(duì)網(wǎng)絡(luò)資源推薦列表的反饋信息(比如用戶對(duì)網(wǎng)絡(luò)資源推薦列表中的某一推薦事件的點(diǎn)擊)來(lái)確定用于本次推薦的興趣模型。若反饋信息很少或者沒有反饋信息的情況下,采用這種網(wǎng)絡(luò)資源推薦方法會(huì)導(dǎo)致確定的用于本次推薦的興趣模型準(zhǔn)確率下降,最終導(dǎo)致推薦結(jié)果的準(zhǔn)確率下降。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明實(shí)施例提供一種網(wǎng)絡(luò)資源推薦方法及服務(wù)器,以期提高推薦結(jié)果的準(zhǔn)確率。
第一方面,本發(fā)明提供一種網(wǎng)絡(luò)資源推薦方法,其中,計(jì)算機(jī)設(shè)備存儲(chǔ)有第二興趣模型和第三興趣模型,其中,第二興趣模型為時(shí)間窗口與當(dāng)前時(shí)間窗口相鄰且位于當(dāng)前時(shí)間窗口之前的興趣模型,第三興趣模型為由用戶在不同時(shí)間窗口(位于第二興趣模型對(duì)應(yīng)的時(shí)間窗口之前)的興趣模型組合而成的興趣模型,當(dāng)計(jì)算機(jī)檢測(cè)到用戶在當(dāng)前時(shí)間窗口的用戶行為記錄時(shí),計(jì)算機(jī)設(shè)備根據(jù)當(dāng)前時(shí)間窗口的用戶行為記錄確定第一興趣模型,然后計(jì)算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度,再然后 根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型和推薦算法,再然后根據(jù)第四興趣模型和推薦算法生成網(wǎng)絡(luò)資源推薦列表,最后根據(jù)網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦??梢姡痉桨覆会槍?duì)于用戶對(duì)網(wǎng)絡(luò)資源推薦列表的反饋信息確定用于本次推薦的興趣模型,而針對(duì)用戶行為記錄確定用于本次推薦的興趣模型,實(shí)現(xiàn)了對(duì)用戶興趣變化響應(yīng)的準(zhǔn)確性和及時(shí)性,進(jìn)而提高推薦結(jié)果的準(zhǔn)確率。
在一個(gè)可能的設(shè)計(jì)中,計(jì)算機(jī)設(shè)備計(jì)算得到的任意兩個(gè)興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度,其中,第一相似度為第一興趣模型和第二興趣模型的相似度,第二相似度為第一興趣模型和所述第三興趣模型的相似度,第三相似度為第二興趣模型和第三興趣模型的相似度。
在一個(gè)可能的設(shè)計(jì)中,計(jì)算機(jī)設(shè)備根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型的具體實(shí)施方式為:
當(dāng)?shù)谝幌嗨贫群偷诙嗨贫染笥诨虻扔陬A(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣未發(fā)生顯著變化,計(jì)算機(jī)設(shè)備根據(jù)所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫却笥诨虻扔陬A(yù)設(shè)相似度,且第二相似度小于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣發(fā)生漂移,計(jì)算機(jī)設(shè)備根據(jù)第一興趣模型、第二興趣模型以及第一公式確定第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫刃∮陬A(yù)設(shè)相似度,且第二相似度大于或等于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)到噪聲,計(jì)算機(jī)設(shè)備根據(jù)第一興趣模型、第三興趣模型以及第一公式確定第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫刃∮陬A(yù)設(shè)相似度,第二相似度小于預(yù)設(shè)相似度,且第三相似度大于或等于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備未檢測(cè)到用戶興趣發(fā)生變化,計(jì)算機(jī)設(shè)備根據(jù)第二興趣模型、第三興趣模型以及第一公式確定第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫刃∮陬A(yù)設(shè)相似度,第二相似度小于預(yù)設(shè)相似度,且第三相似度小于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)噪聲,計(jì)算機(jī)設(shè)備將第三興趣模型作為第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
其中,第一公式為:
m=αa+βb
m表示第四興趣模型,a和b為第一興趣模型、第二興趣模型以及第三興趣模型中任意兩個(gè)興趣模型,α表示a的權(quán)重,β表示b的權(quán)重,α和β的和等于1。
在一個(gè)可能的設(shè)計(jì)中,計(jì)算機(jī)設(shè)備根據(jù)第二興趣模型、第三興趣模型以及第一公式確定第四興趣模型之后,計(jì)算機(jī)設(shè)備將第三興趣模型更新為第四興趣模型。
在一個(gè)可能的設(shè)計(jì)中,計(jì)算機(jī)設(shè)備根據(jù)第一興趣模型、第二興趣模型以及第一公式確定第四興趣模型之后,計(jì)算機(jī)設(shè)備根據(jù)第二興趣模型、第三興趣模型以及第一公式確定第五興趣模型,并將第三興趣模型更新為第五興趣模型。
在一個(gè)可能的設(shè)計(jì)中,計(jì)算機(jī)設(shè)備根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定推薦算法的具體實(shí)施方式為:
當(dāng)?shù)谝幌嗨贫群偷诙嗨贫染笥诨虻扔陬A(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣未發(fā)生顯著變化,計(jì)算機(jī)設(shè)備將基于內(nèi)容的協(xié)同過(guò)濾推薦作為推薦算法。此時(shí),計(jì)算機(jī)設(shè)備采用基于內(nèi)容的協(xié)同過(guò)濾推薦,能在基于長(zhǎng)期興趣做推薦的同時(shí),保證對(duì)當(dāng)前短期興趣的敏感性,從而提升推薦的準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫却笥诨虻扔陬A(yù)設(shè)相似度,且第二相似度小于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢查到用戶興趣發(fā)生了變化,計(jì)算機(jī)設(shè)備將基于內(nèi)容的推薦作為所述推薦算法。此時(shí),計(jì)算機(jī)設(shè)備采用基于內(nèi)容的推薦,能更好地針對(duì)當(dāng)前短期興趣做推薦,捕捉用戶當(dāng)前的新興趣,提高推薦準(zhǔn)確率。
當(dāng)?shù)谝幌嗨贫刃∮谒鲱A(yù)設(shè)相似度,且第二相似度大于或等于預(yù)設(shè)相似度;或者,若第一相似度小于預(yù)設(shè)相似度,第二相似度小于預(yù)設(shè)相似度;或者,若第一相似度小于預(yù)設(shè)相似度,第二相似度小于預(yù)設(shè)相似度時(shí),計(jì)算機(jī)設(shè)備檢測(cè)到了噪聲或檢測(cè)到了用戶興趣未發(fā)生變化,計(jì)算機(jī)設(shè)備將基于協(xié)同過(guò)濾推薦作為所述推薦算法。此時(shí),計(jì)算機(jī)設(shè)備采用基于協(xié)同過(guò)濾的推薦,能最大程度上保證推薦的多樣性,提高推薦成功率。
在一個(gè)可能的設(shè)計(jì)中,興趣模型包括向量模型,計(jì)算機(jī)設(shè)備計(jì)算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度的具體實(shí)施方式為:
計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算第一向量模型、第二向量模型以及第三向量模型中的任意兩個(gè)向量模型之間的相似度,
第二公式為:
其中,similarity表示任意兩個(gè)向量模型之間的相似度,a和b為第一向量模型、第二向量模型以及第三向量模型中任意兩個(gè)向量模型,n表示向量模型中包含的元素總數(shù),i表示向量模型的第i個(gè)元素。
第二方面,本發(fā)明提供一種計(jì)算機(jī)設(shè)備,包含用于執(zhí)行第一方面中的方法的模塊。
第三方面,本發(fā)明提供一種計(jì)算機(jī)設(shè)備,計(jì)算機(jī)設(shè)備中包括接收器、發(fā)送器以及處理器,處理器被配置為支持計(jì)算機(jī)設(shè)備執(zhí)行第一方面提供的一種網(wǎng)絡(luò)資源推薦方法中相應(yīng)的功能。發(fā)送器用于支持計(jì)算機(jī)設(shè)備與移動(dòng)網(wǎng)絡(luò)服務(wù)器之間的通信。計(jì)算機(jī)設(shè)備還可以包括存儲(chǔ)器,存儲(chǔ)器用于與處理器耦合,其保存計(jì)算機(jī)設(shè)備必要的程序指令和數(shù)據(jù)。計(jì)算機(jī)設(shè)備還可以包括通信接口,用于計(jì)算機(jī)設(shè)備與其他設(shè)備或通信網(wǎng)絡(luò)通信。
第四方面,本發(fā)明提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì),用于儲(chǔ)存為上述計(jì)算機(jī)設(shè)備所用的計(jì)算機(jī)軟件指令,其包含用于執(zhí)行上述方面所設(shè)計(jì)的程序。
可以看出,本發(fā)明實(shí)施例中,本發(fā)明不針對(duì)于用戶對(duì)網(wǎng)絡(luò)資源推薦列表的反饋信息確定用于本次推薦的興趣模型,本發(fā)明針對(duì)用戶行為記錄確定用于本次推薦的興趣模型,實(shí)現(xiàn)了對(duì)用戶興趣變化響應(yīng)的準(zhǔn)確性和及時(shí)性,進(jìn)而提高推薦結(jié)果的準(zhǔn)確率。
附圖說(shuō)明
為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明實(shí)施例提供的一種計(jì)算機(jī)設(shè)備示意圖;
圖2是本發(fā)明實(shí)施例提供的一種網(wǎng)絡(luò)資源推薦方法的流程示意圖;
圖2.1是本發(fā)明實(shí)施例提供的另一種網(wǎng)絡(luò)資源推薦方法的流程示意圖;
圖2.2是本發(fā)明實(shí)施例提供的另一種網(wǎng)絡(luò)資源推薦方法的流程示意圖;
圖3是本發(fā)明實(shí)施例提供的另一種計(jì)算機(jī)設(shè)備示意圖。
具體實(shí)施方式
為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例,而不是全部的實(shí)施例。基于本發(fā)明中的實(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,都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。
以下分別進(jìn)行詳細(xì)說(shuō)明。
本發(fā)明的說(shuō)明書和權(quán)利要求書及所述附圖中的術(shù)語(yǔ)“第一”、“第二”、“第三”和“第四”等是用于區(qū)別不同對(duì)象,而不是用于描述特定順序。此外,術(shù)語(yǔ)“包括”和“具有”以及它們?nèi)魏巫冃?,意圖在于覆蓋不排他的包含。例如包含了一系列步驟或模塊的過(guò)程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或模塊,而是可選地還包括沒有列出的步驟或模塊,或可選地還包括對(duì)于這些過(guò)程、方法、產(chǎn)品或設(shè)備固有的其它步驟或模塊。
在本文中提及“實(shí)施例”意味著,結(jié)合實(shí)施例描述的特定特征、結(jié)構(gòu)或特性可以包含在本發(fā)明的至少一個(gè)實(shí)施例中。在說(shuō)明書中的各個(gè)位置出現(xiàn)該短語(yǔ)并不一定均是指相同的實(shí)施例,也不是與其它實(shí)施例互斥的獨(dú)立的或備選的實(shí)施例。本領(lǐng)域技術(shù)人員顯式地和隱式地理解的是,本文所描述的實(shí)施例可以與其它實(shí)施例相結(jié)合。
圖1所示為本發(fā)明實(shí)施例提供的計(jì)算機(jī)設(shè)備示意圖。計(jì)算機(jī)設(shè)備100包括至少一個(gè)處理器101,通信總線102,存儲(chǔ)器103、至少一個(gè)通信接口104、發(fā)送器105以及接收器106。
處理器101可以是一個(gè)通用中央處理器(cpu),微處理器,特定應(yīng)用集成電路(application-specificintegratedcircuit,asic),或一個(gè)或多個(gè)用于控制本發(fā)明方案程序執(zhí)行的集成電路。
通信總線102可包括一通路,在上述組件之間傳送信息。所述通信接口104, 使用任何收發(fā)器一類的裝置,用于與其他設(shè)備或通信網(wǎng)絡(luò)通信,如以太網(wǎng),無(wú)線接入網(wǎng)(ran),無(wú)線局域網(wǎng)(wirelesslocalareanetworks,wlan)等。
存儲(chǔ)器103可以是只讀存儲(chǔ)器(read-onlymemory,rom)或可存儲(chǔ)靜態(tài)信息和指令的其他類型的靜態(tài)存儲(chǔ)設(shè)備,隨機(jī)存取存儲(chǔ)器(randomaccessmemory,ram)或者可存儲(chǔ)信息和指令的其他類型的動(dòng)態(tài)存儲(chǔ)設(shè)備,也可以是電可擦可編程只讀存儲(chǔ)器(electricallyerasableprogrammableread-onlymemory,eeprom)、只讀光盤(compactdiscread-onlymemory,cd-rom)或其他光盤存儲(chǔ)、光碟存儲(chǔ)(包括壓縮光碟、激光碟、光碟、數(shù)字通用光碟、藍(lán)光光碟等)、磁盤存儲(chǔ)介質(zhì)或者其他磁存儲(chǔ)設(shè)備、或者能夠用于攜帶或存儲(chǔ)具有指令或數(shù)據(jù)結(jié)構(gòu)形式的期望的程序代碼并能夠由計(jì)算機(jī)存取的任何其他介質(zhì),但不限于此。存儲(chǔ)器可以是獨(dú)立存在,通過(guò)總線與處理器相連接。存儲(chǔ)器也可以和處理器集成在一起。
其中,所述存儲(chǔ)器103用于存儲(chǔ)執(zhí)行本發(fā)明方案的應(yīng)用程序代碼,并由處理器101來(lái)控制執(zhí)行。所述處理器101用于執(zhí)行所述存儲(chǔ)器103中存儲(chǔ)的應(yīng)用程序代碼。
圖1所示的計(jì)算機(jī)設(shè)備的存儲(chǔ)器103存儲(chǔ)的代碼可執(zhí)行本發(fā)明提供的網(wǎng)絡(luò)資源推薦方法,比如,根據(jù)當(dāng)前時(shí)間窗口的用戶行為記錄確定第一興趣模型,然后計(jì)算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度,再然后根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型和推薦算法,再然后根據(jù)第四興趣模型和推薦算法,生成網(wǎng)絡(luò)資源推薦列表,并基于網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦。
在具體實(shí)現(xiàn)中,作為一種實(shí)施例,計(jì)算機(jī)設(shè)備100還可以包括發(fā)送器105和接收器106。發(fā)送器105和處理器101通信,可以以多種方式來(lái)顯示信息。接收器106和處理器101通信,可以以多種方式接受應(yīng)用服務(wù)器或業(yè)務(wù)層裝置發(fā)送的信令。
上述的計(jì)算機(jī)設(shè)備100可以是一個(gè)通用計(jì)算機(jī)設(shè)備或者是一個(gè)專用計(jì)算機(jī)設(shè)備。在具體實(shí)現(xiàn)中,計(jì)算機(jī)設(shè)備100可以是臺(tái)式機(jī)、便攜式電腦、網(wǎng)絡(luò)服務(wù)器、掌上電腦(personaldigitalassistant,pda)、移動(dòng)手機(jī)、平板電腦、無(wú)線終端設(shè)備、通信設(shè)備、嵌入式設(shè)備或有圖1中類似結(jié)構(gòu)的設(shè)備。本發(fā)明實(shí)施例不限定計(jì)算機(jī)設(shè)備100的類型。
與上述描述的技術(shù)方案一致的,作為一個(gè)具體實(shí)施例,圖2是包括計(jì)算機(jī)設(shè)備的具體執(zhí)行過(guò)程的網(wǎng)絡(luò)資源推薦方法的流程示意圖。盡管這里描述的網(wǎng)絡(luò)資源推薦方法是基于圖1所示的計(jì)算機(jī)設(shè)備100來(lái)執(zhí)行,但需要注意的是,本發(fā)明實(shí)施例公開的網(wǎng)絡(luò)資源推薦方法的具體運(yùn)行環(huán)境不僅限于上述計(jì)算機(jī)設(shè)備100。
如圖2所示,本發(fā)明方法實(shí)施例公開的網(wǎng)絡(luò)資源推薦方法具體包括以下步驟:
s201、計(jì)算機(jī)設(shè)備根據(jù)當(dāng)前時(shí)間窗口的用戶行為記錄確定第一興趣模型。
其中,時(shí)間窗口指用戶在線并有操作記錄的時(shí)長(zhǎng)(比如半小時(shí)或1小時(shí)等)。用戶在該時(shí)間窗口范圍內(nèi)的操作記錄要求不少于m條,其中,m例如可以是3、4、5、7或是其他值。
其中,用戶行為記錄例如可以是上網(wǎng)行為記錄,點(diǎn)擊記錄,購(gòu)買記錄,收藏記錄;等等。
其中,興趣模型可以是向量模型,也可以是其他模型,比如規(guī)則模型等,其中規(guī)則模型包括決策樹(decisiontree)等等,本發(fā)明不做限定。
s202、計(jì)算機(jī)設(shè)備計(jì)算所述第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度,其中,所述第二興趣模型對(duì)應(yīng)的時(shí)間窗口與所述當(dāng)前時(shí)間窗口相鄰,所述第三興趣模型為基于參考時(shí)間窗口集內(nèi)的所有用戶行為記錄確定的興趣模型,所述參考時(shí)間窗口集包括所述第二興趣模型對(duì)應(yīng)的時(shí)間窗口之前的n個(gè)時(shí)間窗口,所述n為大于1的整數(shù)。
其中,第二興趣模型為時(shí)間窗口與當(dāng)前時(shí)間窗口相鄰,且位于當(dāng)前時(shí)間窗口之前的興趣模型。所述第三興趣模型為長(zhǎng)期興趣模型,是基于參考時(shí)間窗口集內(nèi)的所有用戶行為記錄確定的興趣模型,即由用戶在不同時(shí)間窗口的興趣模型組合而成,組合的方法包括但不限于多個(gè)模型加權(quán)求和,等等。
可選的,興趣模型包括向量模型,計(jì)算機(jī)設(shè)備計(jì)算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度的具體實(shí)現(xiàn)方式為:計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算第一向量模型、第二向量模型以及第三向量模型中的任意兩個(gè)向量模型之間的相似度;
第二公式為:
其中,similarity表示任意兩個(gè)向量模型之間的相似度,a和b為第一向量模型、第二向量模型以及第三向量模型中任意兩個(gè)向量模型,n表示向量模型中包含的元素總數(shù),i表示向量模型的第i個(gè)元素。
其中,向量模型中的值表示用戶對(duì)某一項(xiàng)事件(比如商品/服務(wù)等)的偏好程度,值越大代表越感興趣。比如,向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},可見,用戶對(duì)商品的偏好程度有手表>咖啡>手機(jī)。
舉例來(lái)說(shuō),假設(shè)第一向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},第二向量模型={咖啡,手表,手機(jī)}={0.5,0.3,0.2},第三向量模型={咖啡,手表,手機(jī)}={0,0.6,0.4}。計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算第一向量模型和第二向量模型之間的相似度為0.949,第一向量模型和第三向量模型之間的相似度為0.302,第二向量模型和第三向量模型之間的相似度為0.585。
s203、計(jì)算機(jī)設(shè)備根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型和推薦算法。
舉例來(lái)說(shuō),請(qǐng)參見圖2.1,上述步驟s202計(jì)算得到的任意兩個(gè)興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度,所述第一相似度為所述第一興趣模型和所述第二興趣模型的相似度,所述第二相似度為所述第一興趣模型和所述第三興趣模型的相似度,所述第三相似度為所述第二興趣模型和所述第三興趣模型的相似度,計(jì)算機(jī)設(shè)備根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型的具體實(shí)施方式為:
s203-a1、若所述第一相似度和所述第二相似度均大于或等于預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備根據(jù)所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型。
具體地,若第一相似度≥預(yù)設(shè)相似度,第二相似度≥預(yù)設(shè)相似度,表示用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶前一時(shí)間窗口關(guān)注的事件相似,且用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件相似,此時(shí)計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣未發(fā)生顯著變化,計(jì)算機(jī)設(shè)備將第二興趣模型和第三興趣模型根據(jù)第一公式進(jìn)行融合成第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。第 四興趣模型為用于本次推薦的興趣模型。預(yù)設(shè)相似度例如可以等于0.7、0.75、0.8或是其他值。
s203-a2、若所述第一相似度大于或等于所述預(yù)設(shè)相似度,且所述第二相似度小于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備根據(jù)所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型。
具體地,若第一相似度≥預(yù)設(shè)相似度,第二相似度<預(yù)設(shè)相似度,表示用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶前一時(shí)間窗口關(guān)注的事件相似,且用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件不相似,此時(shí)計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣發(fā)生漂移,計(jì)算機(jī)設(shè)備將第一興趣模型和第二興趣模型根據(jù)第一公式進(jìn)行融合成第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
s203-a3、若所述第一相似度小于所述預(yù)設(shè)相似度,且所述第二相似度大于或等于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備根據(jù)所述第一興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型。
具體地,若第一相似度<預(yù)設(shè)相似度,第二相似度≥預(yù)設(shè)相似度,表示用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶前一時(shí)間窗口關(guān)注的事件不相似,且用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件相似,此時(shí)計(jì)算機(jī)設(shè)備檢測(cè)到噪聲(噪聲表示非用戶興趣,是由于用戶誤操作或者探索性操作而導(dǎo)致的),計(jì)算機(jī)設(shè)備將第一興趣模型和第三興趣模型根據(jù)第一公式進(jìn)行融合成第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
s203-a4、若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度,且所述第三相似度大于或等于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備根據(jù)所述第二興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型。
具體地,若第一相似度<預(yù)設(shè)相似度,第二相似度<預(yù)設(shè)相似度,第三相似度≥預(yù)設(shè)相似度,表示用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶前一時(shí)間窗口關(guān)注的事件不相似,用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件不相似,且用戶前一時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件相似,此時(shí)計(jì)算機(jī)設(shè)備未檢測(cè)到用戶興趣發(fā)生變化,計(jì)算機(jī)設(shè)備將第二興趣模型和第三興趣模型根據(jù)第一公式進(jìn)行融合成第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
s203-a5、若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度,且所述第三相似度小于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備將所述第三興趣模型作為所述第四興趣模型。
具體地,若第一相似度<預(yù)設(shè)相似度,第二相似度<預(yù)設(shè)相似度,第三相似度<預(yù)設(shè)相似度,表示用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶前一時(shí)間窗口關(guān)注的事件不相似,用戶當(dāng)前時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件不相似,且用戶前一時(shí)間窗口關(guān)注的事件與用戶長(zhǎng)期關(guān)注的事件不相似,此時(shí)計(jì)算機(jī)設(shè)備檢測(cè)噪聲,此時(shí)計(jì)算機(jī)設(shè)備將第三興趣模型作為第四興趣模型,有利于提升用于本次推薦的興趣模型的準(zhǔn)確率。
其中,第一公式為:
m=αa+βb
m表示第四興趣模型,a和b為第一興趣模型、第二興趣模型以及第三興趣模型中任意兩個(gè)興趣模型,α表示a的權(quán)重,β表示b的權(quán)重,α和β的和等于1。
可選的,α和β的值可以相同也可以不同,在本發(fā)明實(shí)施例中以α和β的值相同為例進(jìn)行舉例說(shuō)明,α和β的值為1/n,n為待融合模型的個(gè)數(shù)。比如,假設(shè)興趣模型為向量模型時(shí),第一向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},第二向量模型={咖啡,手表,手機(jī)}={0.5,0.3,0.2},將第一向量模型和第二向量模型融合,取α=β=0.5,融合后的向量模型={咖啡,手表,手機(jī)}={0.6,0.25,0.15}。
可選的,當(dāng)a和b為向量模型時(shí),a和b分別為歸一化的向量模型。
舉例來(lái)說(shuō),請(qǐng)參見圖2.2,計(jì)算機(jī)設(shè)備根據(jù)計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定推薦算法的具體實(shí)施方式為:
s202-b1、若所述第一相似度和所述第二相似度均大于或等于預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備將基于內(nèi)容的協(xié)同過(guò)濾推薦作為推薦算法。
s202-b2、若所述第一相似度大于或等于所述預(yù)設(shè)相似度,且所述第二相似度小于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備將基于內(nèi)容的推薦作為所述推薦算法。
s202-b3、若所述第一相似度小于所述預(yù)設(shè)相似度,且所述第二相似度大于或等于所述預(yù)設(shè)相似度;或者,若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度;或者,若所述第一相似度小于所述預(yù)設(shè)相似 度,所述第二相似度小于所述預(yù)設(shè)相似度,計(jì)算機(jī)設(shè)備將基于協(xié)同過(guò)濾推薦作為所述推薦算法。
其中,基于內(nèi)容的推薦是根據(jù)用戶過(guò)去的瀏覽記錄來(lái)向用戶推薦用戶沒有接觸過(guò)的推薦項(xiàng)。主要是從啟發(fā)式的方法和基于模型的方法來(lái)描述基于內(nèi)容的推薦方法?;趨f(xié)同過(guò)濾推薦是一種基于一組興趣相同的用戶或項(xiàng)目進(jìn)行的推薦,它根據(jù)鄰居用戶(與目標(biāo)用戶興趣相似的用戶)的偏好信息產(chǎn)生對(duì)目標(biāo)用戶的推薦列表。協(xié)同過(guò)濾算法主要分為基于用戶的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法?;趦?nèi)容的協(xié)同過(guò)濾推薦是基于內(nèi)容的推薦和基于協(xié)同過(guò)濾推薦的一種混合(hybrid)推薦方法。
在計(jì)算機(jī)設(shè)備未檢測(cè)到興趣發(fā)生顯著變化,計(jì)算機(jī)設(shè)備采用基于內(nèi)容的協(xié)同過(guò)濾推薦,能在基于長(zhǎng)期興趣做推薦的同時(shí),保證對(duì)當(dāng)前短期興趣的敏感性,從而提升推薦的準(zhǔn)確率。
在計(jì)算機(jī)設(shè)備檢測(cè)到興趣發(fā)生了變化,計(jì)算機(jī)設(shè)備采用基于內(nèi)容的推薦,能更好地針對(duì)當(dāng)前短期興趣做推薦,捕捉用戶當(dāng)前的新興趣,提高推薦準(zhǔn)確率。
在計(jì)算機(jī)設(shè)備檢測(cè)到噪聲或興趣未發(fā)生變化,計(jì)算機(jī)設(shè)備采用基于協(xié)同過(guò)濾的推薦,能最大程度上保證推薦的多樣性,提高推薦成功率。
可選的,計(jì)算機(jī)設(shè)備根據(jù)所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型,計(jì)算機(jī)設(shè)備將所述第三興趣模型更新為所述第四興趣模型。第四興趣模型作為用于本次推薦的興趣模型。
可選的,在計(jì)算機(jī)設(shè)備根據(jù)所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型之后,計(jì)算機(jī)設(shè)備根據(jù)所述第二興趣模型、所述第三興趣模型以及所述第一公式確定第五興趣模型,并將所述第三興趣模型更新為所述第五興趣模型。第四興趣模型作為用于本次推薦的興趣模型,第五興趣模型作為長(zhǎng)期興趣模型。
需要說(shuō)明的是,在第一相似度<預(yù)設(shè)相似度,且第二相似度≥預(yù)設(shè)相似度或者,第一相似度<預(yù)設(shè)相似度,第二相似度<所述預(yù)設(shè)相似度,且第三相似度<預(yù)設(shè)相似度的情況下,計(jì)算機(jī)設(shè)備檢測(cè)到了噪聲,此時(shí)計(jì)算機(jī)設(shè)備無(wú)需更新第三興趣模型。
舉例來(lái)說(shuō),當(dāng)興趣模型為向量模型時(shí),假設(shè)第一向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},第二向量模型={咖啡,手表,手機(jī)}={0.5,0.3,0.2}, 第三向量模型={咖啡,手表,手機(jī)}={0,0.6,0.4},計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算得到的第一相似度為0.949,第二相似度為0.302,第三相似度為0.585。若預(yù)設(shè)相似度為0.7,根據(jù)上述步驟s202可知,計(jì)算機(jī)設(shè)備檢測(cè)到了用戶興趣發(fā)生了漂移,計(jì)算機(jī)設(shè)備基于步驟s203-a2根據(jù)第一向量模型、第二向量模型以及第一公式確定第四向量模型,其中,第四向量模型={咖啡,手表,手機(jī)}={0.6,0.25,0.15}。計(jì)算機(jī)設(shè)備將第二向量模型和第三向量模型以及第一公式確定第五向量模型,并將第三向量模型更新為第五向量模型,其中,第五向量模型={咖啡,手表,手機(jī)}={0.25,0.45,0.3},此時(shí),第三向量模型={咖啡,手表,手機(jī)}={0.25,0.45,0.3}。計(jì)算機(jī)設(shè)備將基于內(nèi)容的推薦作為本次推薦的推薦算法。由于檢測(cè)到了用戶興趣發(fā)生了漂移,采用基于內(nèi)容的推薦,能更好地針對(duì)當(dāng)前的短期興趣做推薦,捕捉用戶當(dāng)前的新興趣,提高推薦準(zhǔn)確率。由于用于本次推薦的向量模型中{咖啡}的偏好值最大,因此基于內(nèi)容的推薦會(huì)側(cè)重于{咖啡}這一興趣。
又舉例來(lái)說(shuō),當(dāng)興趣模型為向量模型時(shí),假設(shè)第一向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},第二向量模型{咖啡,手表,手機(jī)}={0,0.3,0.7},第三向量模型={咖啡,手表,手機(jī)}={0,0.8,0.2},計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算得到的第一相似度為0.232,第二相似度為0.297,第三相似度為0.605。若預(yù)設(shè)相似度為0.7,根據(jù)上述步驟s202可知,計(jì)算機(jī)設(shè)備檢測(cè)到了噪聲,計(jì)算機(jī)設(shè)備將第三向量模型作為第四向量模型,即第四向量模型={咖啡,手表,手機(jī)}={0,0.8,0.2}。計(jì)算機(jī)設(shè)備將基于協(xié)同過(guò)濾推薦作為本次推薦的推薦算法。由于計(jì)算機(jī)設(shè)備檢測(cè)到了噪聲,采用基于協(xié)同過(guò)濾的推薦,能最大程度上保證推薦的多樣性,提高推薦成功率。
又舉例來(lái)說(shuō),當(dāng)興趣模型為向量模型時(shí),假設(shè)第一向量模型={咖啡,手表,手機(jī)}={0.7,0.2,0.1},第二向量模型{咖啡,手表,手機(jī)}={0,0.3,0.7},第三向量模型={咖啡,手表,手機(jī)}={0.8,0.1,0.1},計(jì)算機(jī)設(shè)備根據(jù)第二公式計(jì)算得到的第一相似度為0.232,第二相似度為0.988,第三相似度為0.162。若預(yù)設(shè)相似度為0.7,根據(jù)上述步驟s202可知,計(jì)算機(jī)設(shè)備檢測(cè)到用戶興趣未發(fā)生變化,計(jì)算機(jī)設(shè)備根據(jù)第二向量模型、第三向量模型以及第一公式確定第四向量模型,其中,第四向量模型={咖啡,手表,手機(jī)}={0.75,0.15,0.1}。計(jì)算機(jī)設(shè)備將第三向量模型更新為第四向量模型,此時(shí),第三向量模型={咖啡,手表,手機(jī)}={0.75,0.15,0.1}。計(jì)算機(jī)設(shè)備將基于內(nèi)容的協(xié)同過(guò)濾推薦本次推薦的推 薦算法。由于計(jì)算機(jī)設(shè)備檢測(cè)檢測(cè)到用戶興趣未發(fā)生變化,采用基于協(xié)同過(guò)濾的推薦,能最大程度上保證推薦的多樣性,提高推薦成功率。
s204、計(jì)算機(jī)設(shè)備根據(jù)所述第四興趣模型和所述推薦算法,生成網(wǎng)絡(luò)資源推薦列表。
s205、計(jì)算機(jī)設(shè)備根據(jù)所述網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦。
具體的,計(jì)算機(jī)設(shè)備根據(jù)網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦的具體實(shí)施方式可以是:計(jì)算機(jī)設(shè)備直接根據(jù)上述網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦;或者,計(jì)算機(jī)設(shè)備將上述網(wǎng)絡(luò)資源推薦列表發(fā)送給另一計(jì)算機(jī)設(shè)備(比如智能手機(jī)、平板電腦等等),然后另一計(jì)算機(jī)設(shè)備再根據(jù)上述網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦,或者,也可以是其他的推薦方式,本發(fā)明不做限定。
可以看出,本發(fā)明實(shí)施例中,本發(fā)明不針對(duì)于用戶對(duì)網(wǎng)絡(luò)資源推薦列表的反饋信息確定用于本次推薦的興趣模型,本發(fā)明針對(duì)用戶行為記錄確定用于本次推薦的興趣模型,實(shí)現(xiàn)了對(duì)用戶興趣變化響應(yīng)的準(zhǔn)確性和及時(shí)性,進(jìn)而提高推薦結(jié)果的準(zhǔn)確率。
圖3是本發(fā)明實(shí)施例提供的一種計(jì)算機(jī)設(shè)備的結(jié)構(gòu)示意圖。計(jì)算機(jī)設(shè)備300包括:確定模塊301、計(jì)算模塊302、生成模塊303以及推薦模塊304。
確定模塊301,用于根據(jù)當(dāng)前時(shí)間窗口的用戶行為記錄確定第一興趣模型。計(jì)算模塊302,用于計(jì)算所述第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個(gè)興趣模型之間的相似度,其中,所述第二興趣模型對(duì)應(yīng)的時(shí)間窗口與所述當(dāng)前時(shí)間窗口相鄰,所述第三興趣模型為基于參考時(shí)間窗口集內(nèi)的所有用戶行為記錄確定的興趣模型,所述參考時(shí)間窗口集包括所述第二興趣模型對(duì)應(yīng)的時(shí)間窗口之前的n個(gè)時(shí)間窗口,所述n為大于1的整數(shù)。確定模塊301,還用于根據(jù)所述計(jì)算模塊計(jì)算得到的任意兩個(gè)興趣模型之間的相似度確定第四興趣模型和推薦算法。生成模塊303,用于根據(jù)所述確定模塊確定得到的所述第四興趣模型和所述推薦算法,生成網(wǎng)絡(luò)資源推薦列表。推薦模塊304,用于根據(jù)所述網(wǎng)絡(luò)資源推薦列表進(jìn)行推薦。
可選的,所述計(jì)算得到的任意兩個(gè)興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度,所述第一相似度為所述第一興趣模型和所述第二興趣模型的相似度,所述第二相似度為所述第一興趣模型和所述第三興趣模型 的相似度,所述第三相似度為所述第二興趣模型和所述第三興趣模型的相似度。
可選的,所述確定模塊301具體用于:
若所述第一相似度和所述第二相似度均大于或等于預(yù)設(shè)相似度,根據(jù)所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型;
若所述第一相似度大于或等于所述預(yù)設(shè)相似度,且所述第二相似度小于所述預(yù)設(shè)相似度,根據(jù)所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型;
若所述第一相似度小于所述預(yù)設(shè)相似度,且所述第二相似度大于或等于所述預(yù)設(shè)相似度,根據(jù)所述第一興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型;
若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度,且所述第三相似度大于或等于所述預(yù)設(shè)相似度,根據(jù)所述第二興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型;
若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度,且所述第三相似度小于所述預(yù)設(shè)相似度,將所述第三興趣模型作為所述第四興趣模型;
其中,所述第一公式為:
m=αa+βb
所述m表示所述第四興趣模型,所述a和所述b為所述第一興趣模型、所述第二興趣模型以及所述第三興趣模型中任意兩個(gè)興趣模型,所述α表示所述a的權(quán)重,所述β表示所述b的權(quán)重,所述α和所述β的和等于1。
可選的,在確定模塊301根據(jù)所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型之后,圖3所示的計(jì)算機(jī)設(shè)備還包括:
更新模塊,用于將所述第三興趣模型更新為所述第四興趣模型。
可選的,在確定模塊301根據(jù)所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型之后,確定模塊301,還用于根據(jù)所述第二興趣模型、所述第三興趣模型以及所述第一公式確定第五興趣模型。更新模塊305,還用于將所述第三興趣模型更新為確定模塊301確定的所述第五興趣模型。
可選的,確定模塊301還具體用于:
若所述第一相似度和所述第二相似度均大于或等于預(yù)設(shè)相似度,將基于內(nèi) 容的協(xié)同過(guò)濾推薦作為推薦算法;
若所述第一相似度大于或等于所述預(yù)設(shè)相似度,且所述第二相似度小于所述預(yù)設(shè)相似度,將基于內(nèi)容的推薦作為所述推薦算法;
若所述第一相似度小于所述預(yù)設(shè)相似度,且所述第二相似度大于或等于所述預(yù)設(shè)相似度;或者,若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度;或者,若所述第一相似度小于所述預(yù)設(shè)相似度,所述第二相似度小于所述預(yù)設(shè)相似度,將基于協(xié)同過(guò)濾推薦作為所述推薦算法。
可選的,所述興趣模型包括向量模型,所述計(jì)算模塊302具體用于:根據(jù)第二公式計(jì)算第一向量模型、第二向量模型以及第三向量模型中的任意兩個(gè)向量模型之間的相似度;
所述第二公式為:
其中,所述similarity表示任意兩個(gè)向量模型之間的相似度,所述a和所述b為所述第一向量模型、所述第二向量模型以及所述第三向量模型中任意兩個(gè)向量模型,所述n表示向量模型中包含的元素總數(shù),所述i表示向量模型的第i個(gè)元素。
需要說(shuō)明的是,上述各功能模塊(確定模塊301、計(jì)算模塊302、生成模塊303、推薦模塊304以及更新模塊305)用于執(zhí)行實(shí)施例圖2的步驟s201-s205的相關(guān)步驟。
在本實(shí)施例中,計(jì)算機(jī)設(shè)備300是以功能模塊的形式來(lái)呈現(xiàn)。這里的“模塊”可以指特定應(yīng)用集成電路(application-specificintegratedcircuit,asic),電路,執(zhí)行一個(gè)或多個(gè)軟件或固件程序的處理器和存儲(chǔ)器,集成邏輯電路,和/或其他可以提供上述功能的器件。在一個(gè)簡(jiǎn)單的實(shí)施例中,本領(lǐng)域的技術(shù)人員可以想到計(jì)算機(jī)設(shè)備300可以采用圖1所示的形式。確定模塊301、計(jì)算模塊302、生成模塊303、以及更新模塊305可以通過(guò)圖1的處理器和存儲(chǔ)器來(lái)實(shí)現(xiàn)。推薦模塊304可以通過(guò)圖1的處理器、存儲(chǔ)器和通信接口來(lái)實(shí)現(xiàn)。
本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì),其中,該計(jì)算機(jī)存儲(chǔ)介質(zhì)可存 儲(chǔ)有程序,該程序執(zhí)行時(shí)包括上述方法實(shí)施例中記載的任何一種網(wǎng)絡(luò)資源推薦方法的部分或全部步驟。
需要說(shuō)明的是,對(duì)于前述的各方法實(shí)施例,為了簡(jiǎn)單描述,故將其都表述為一系列的動(dòng)作組合,但是本領(lǐng)域技術(shù)人員應(yīng)該知悉,本發(fā)明并不受所描述的動(dòng)作順序的限制,因?yàn)橐罁?jù)本發(fā)明,某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次,本領(lǐng)域技術(shù)人員也應(yīng)該知悉,說(shuō)明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例,所涉及的動(dòng)作和模塊并不一定是本發(fā)明所必須的。
在上述實(shí)施例中,對(duì)各個(gè)實(shí)施例的描述都各有側(cè)重,某個(gè)實(shí)施例中沒有詳述的部分,可以參見其他實(shí)施例的相關(guān)描述。
在本申請(qǐng)所提供的幾個(gè)實(shí)施例中,應(yīng)該理解到,所揭露的裝置,可通過(guò)其它的方式實(shí)現(xiàn)。例如,以上所描述的裝置實(shí)施例僅僅是示意性的,例如所述模塊的劃分,僅僅為一種邏輯功能劃分,實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式,例如多個(gè)模塊或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng),或一些特征可以忽略,或不執(zhí)行。另一點(diǎn),所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過(guò)一些接口,裝置或模塊的間接耦合或通信連接,可以是電性或其它的形式。
所述作為分離部件說(shuō)明的模塊可以是或者也可以不是物理上分開的,作為模塊顯示的部件可以是或者也可以不是物理模塊,即可以位于一個(gè)地方,或者也可以分布到多個(gè)網(wǎng)絡(luò)模塊上??梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部模塊來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。
另外,在本發(fā)明各個(gè)實(shí)施例中的各功能模塊可以集成在一個(gè)處理模塊中,也可以是各個(gè)模塊單獨(dú)物理存在,也可以兩個(gè)或兩個(gè)以上模塊集成在一個(gè)模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn),也可以采用軟件功能模塊的形式實(shí)現(xiàn)。
所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí),可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)器中?;谶@樣的理解,本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái),該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)器中,包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)器包 括:u盤、只讀存儲(chǔ)器(rom,read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram,randomaccessmemory)、移動(dòng)硬盤、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。
本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成,該程序可以存儲(chǔ)于一計(jì)算機(jī)可讀存儲(chǔ)器中,存儲(chǔ)器可以包括:閃存盤、只讀存儲(chǔ)器(英文:read-onlymemory,簡(jiǎn)稱:rom)、隨機(jī)存取器(英文:randomaccessmemory,簡(jiǎn)稱:ram)、磁盤或光盤等。
以上對(duì)本發(fā)明實(shí)施例進(jìn)行了詳細(xì)介紹,本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述,以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想;同時(shí),對(duì)于本領(lǐng)域的一般技術(shù)人員,依據(jù)本發(fā)明的思想,在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處,綜上上述,本說(shuō)明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。