本發(fā)明屬于互聯(lián)網(wǎng)領(lǐng)域，尤其涉及一種對(duì)象推薦方法和裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)通信技術(shù)的發(fā)展，互聯(lián)網(wǎng)用戶也越來(lái)越多，互聯(lián)網(wǎng)上的資源數(shù)據(jù)也迅速的增加。比如，視頻網(wǎng)站的數(shù)量越來(lái)越多，在這些視頻網(wǎng)站的服務(wù)器中存儲(chǔ)有大量視頻資源。面對(duì)少量的視頻信息，用戶希望可以快速的定位自己感興趣的視頻。

為了讓系統(tǒng)主動(dòng)的根據(jù)用戶的觀景興趣提供推薦服務(wù)，目前一般通過(guò)協(xié)同過(guò)濾系統(tǒng)進(jìn)行視頻的過(guò)濾篩選。協(xié)同過(guò)濾算法是與傳統(tǒng)的基于內(nèi)容過(guò)濾直接分析內(nèi)容進(jìn)行推薦不同，協(xié)同過(guò)濾系統(tǒng)通過(guò)分析用戶的興趣，在用戶群中找到與指定用戶的興趣相似的用戶群，綜合興趣相似的用戶群對(duì)某一視頻的評(píng)價(jià)，形成所述指定用戶對(duì)該信息的喜好程度預(yù)測(cè)。

由于實(shí)施協(xié)同過(guò)濾方法的前提條件包括：一、如果兩個(gè)用戶的興趣相近，在未來(lái)的偏好也基本一致；二、一個(gè)用戶的偏好在一段時(shí)間內(nèi)不會(huì)改變。因而使得協(xié)同過(guò)濾方法推薦時(shí)，不能有效的挖掘用戶短期內(nèi)的偏好，推薦給用戶的信息的精度不高，不利于提高用戶的滿意度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種對(duì)象推薦方法和裝置，以解決現(xiàn)有技術(shù)使用協(xié)同過(guò)濾方法推薦時(shí)，不能有效的挖掘用戶短期內(nèi)的偏好，推薦給用戶的信息的精度不高，不利于提高用戶的滿意度的問(wèn)題。

第一方面，本發(fā)明實(shí)施例提供了一種對(duì)象推薦方法，所述方法包括：

獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表；

通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度；

根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象。

結(jié)合第一方面，在第一方面的第一種可能實(shí)現(xiàn)方式中，所述獲取多個(gè)用戶與對(duì)象喜好的數(shù)據(jù)集步驟包括：

獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行哈希編碼。

結(jié)合第一方面，在第一方面的第二種可能實(shí)現(xiàn)方式中，所述根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表步驟包括：

獲取指定用戶的已評(píng)分對(duì)象的集合；

在預(yù)存的對(duì)象庫(kù)中查找所述已評(píng)分對(duì)象的集合中的每個(gè)對(duì)象的相似對(duì)象，在查找的相似對(duì)象中過(guò)濾所述指定用戶已評(píng)分對(duì)象，構(gòu)成相似對(duì)象集；

計(jì)算相似對(duì)象集中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，并根據(jù)所述相似度值生成第一對(duì)象推薦列表。

結(jié)合第一方面，在第一方面的第三種可能實(shí)現(xiàn)方式中，所述通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度步驟包括：

獲取所述第一對(duì)象推薦列表中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，計(jì)算每個(gè)對(duì)象在所述第一對(duì)象推薦列表中的歸一化相似度值；

根據(jù)所述歸一化相似度值，通過(guò)公式計(jì)算每個(gè)對(duì)象的子解的適用度，其中，AD_Comp表示子解的適用度，表示歸一化相似度值，C_i表示第一對(duì)象推薦列表中的對(duì)象，C^*表示在案例推理庫(kù)中，子解Comp出現(xiàn)過(guò)的次數(shù)；

將所述對(duì)象的子解的適應(yīng)度與預(yù)設(shè)的適應(yīng)度閾值比較，根據(jù)所述比較結(jié)果生成第二對(duì)象推薦列表。

結(jié)合第一方面，在第一方面的第四種可能實(shí)現(xiàn)方式中，在所述根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象步驟之后，所述方法還包括：

監(jiān)測(cè)所述指定用戶是否采用推薦的對(duì)象；

如果所述用戶采用所述推薦的對(duì)象，則將所述用戶采用所述推薦的對(duì)象添加至案例推理庫(kù)。

第二方面，本發(fā)明實(shí)施例提供了一種對(duì)象推薦裝置，所述裝置包括：

列表獲取單元，用于獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表；

適用度計(jì)算單元，用于通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度；

對(duì)象推薦單元，用于根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象。

結(jié)合第二方面，在第二方面的第一種可能實(shí)現(xiàn)方式中，所述列表獲取單元具體用于：

獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行哈希編碼。

結(jié)合第二方面，在第二方面的第二種可能實(shí)現(xiàn)方式中，所述列表獲取單元包括：

評(píng)分對(duì)象獲取子單元，用于獲取指定用戶的已評(píng)分對(duì)象的集合；

相似對(duì)象查找子單元，用于在預(yù)存的對(duì)象庫(kù)中查找所述已評(píng)分對(duì)象的集合中的每個(gè)對(duì)象的相似對(duì)象，在查找的相似對(duì)象中過(guò)濾所述指定用戶已評(píng)分對(duì)象，構(gòu)成相似對(duì)象集；

列表生成子單元，用于計(jì)算相似對(duì)象集中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，并根據(jù)所述相似度值生成第一對(duì)象推薦列表。

結(jié)合第二方面，在第二方面的第三種可能實(shí)現(xiàn)方式中，所述適用度計(jì)算單元包括：

歸一化子單元，用于獲取所述第一對(duì)象推薦列表中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，計(jì)算每個(gè)對(duì)象在所述第一對(duì)象推薦列表中的歸一化相似度值；

計(jì)算子單元，用于根據(jù)所述歸一化相似度值，通過(guò)公式計(jì)算每個(gè)對(duì)象的子解的適用度，其中，AD_Comp表示子解的適用度，表示歸一化相似度值，C_i表示第一對(duì)象推薦列表中的對(duì)象，C^*表示在案例推理庫(kù)中，子解Comp出現(xiàn)過(guò)的次數(shù)；

比較子單元，用于將所述對(duì)象的子解的適應(yīng)度與預(yù)設(shè)的適應(yīng)度閾值比較，根據(jù)所述比較結(jié)果生成第二對(duì)象推薦列表。

結(jié)合第二方面，在第二方面的第四種可能實(shí)現(xiàn)方式中，所述裝置還包括：

監(jiān)測(cè)單元，用于監(jiān)測(cè)所述指定用戶是否采用推薦的對(duì)象；

案例添加單元，用于如果所述用戶采用所述推薦的對(duì)象，則將所述用戶采用所述推薦的對(duì)象添加至案例推理庫(kù)。

在本發(fā)明中，根據(jù)獲取的多個(gè)用戶的多個(gè)對(duì)象喜好的數(shù)據(jù)集，通過(guò)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表。然后結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，對(duì)第一對(duì)象推薦列表中的對(duì)象的子解的適用度進(jìn)行計(jì)算，根據(jù)子解的適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象。由于本發(fā)明在協(xié)同過(guò)濾方法的基礎(chǔ)上，進(jìn)一步通過(guò)案例推薦對(duì)所述推薦結(jié)果進(jìn)行調(diào)整，彌補(bǔ)了協(xié)同過(guò)濾的不足，有利于結(jié)合用戶短期偏好，提高對(duì)象推薦的精度和用戶的滿意度。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的對(duì)象推薦方法的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明實(shí)施例提供的生成第一對(duì)象推薦列表的實(shí)現(xiàn)流程圖；

圖3是本發(fā)明實(shí)施例提供的計(jì)算第一對(duì)象推薦列表中對(duì)象的子解的適用度的實(shí)現(xiàn)流程圖；

圖4為本發(fā)明實(shí)施例提供的對(duì)象推薦裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例的目的在于提供一種對(duì)象推薦方法和裝置，以解決現(xiàn)有技術(shù)中在進(jìn)行對(duì)象推薦時(shí)，常常采用協(xié)同過(guò)濾方法獲取用戶的歷史行為數(shù)據(jù)，根據(jù)所述歷史行為數(shù)據(jù)獲取用戶對(duì)于不同對(duì)象的偏好信息，根據(jù)所述偏好信息預(yù)測(cè)用戶在未來(lái)可能會(huì)喜歡或者不喜歡的對(duì)象。由于這種方法不能有效的挖掘用戶短期內(nèi)的偏好，推薦給用戶的信息的精度不高，不利于提高用戶的滿意度。下面結(jié)合附圖，對(duì)本發(fā)明進(jìn)行具體說(shuō)明。

圖1示出了本發(fā)明實(shí)施例提供的對(duì)象推薦方法的實(shí)現(xiàn)流程，詳述如下：

在步驟S101中，獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表。

具體的，本發(fā)明實(shí)施例中獲取的數(shù)據(jù)集中，所述的多個(gè)用戶，可以包括用戶集中的全部用戶，并且用戶數(shù)量越多，可以得到的用戶對(duì)于對(duì)象的喜好的數(shù)據(jù)越豐富，也就越能夠提高對(duì)象推薦和計(jì)算的精確度。

所述對(duì)象，可以為視頻、音樂(lè)文件、書籍、物品或者其它與用戶喜好相關(guān)聯(lián)的數(shù)據(jù)信息等。所述喜好的數(shù)據(jù)集，可以通過(guò)評(píng)分來(lái)表示。對(duì)于同一個(gè)用戶，可以包括對(duì)多個(gè)對(duì)象的喜好數(shù)據(jù)，根據(jù)用戶和對(duì)象之間的交互頻率等行為數(shù)據(jù)，可以生成用戶對(duì)于物品的評(píng)分的數(shù)據(jù)。比如設(shè)定不同行為對(duì)應(yīng)不同的權(quán)值，采集用戶與對(duì)象之間的行為，相應(yīng)的計(jì)算得到評(píng)分的數(shù)據(jù)。

在本發(fā)明實(shí)施例中，由于用戶的數(shù)量較多，而且同一用戶對(duì)應(yīng)多個(gè)不同的物品，通常也會(huì)有不同的喜好程度，即對(duì)應(yīng)不同的評(píng)分?jǐn)?shù)據(jù)。為了更有效的對(duì)采集的數(shù)據(jù)進(jìn)行存儲(chǔ)，本發(fā)明所述獲取多個(gè)用戶與對(duì)象喜好的數(shù)據(jù)集步驟可以包括：

獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行哈希編碼。將不同用戶數(shù)據(jù)對(duì)應(yīng)編碼為較小長(zhǎng)度的二進(jìn)制的哈希值，通過(guò)所述哈希值可以唯一表示對(duì)應(yīng)的用戶數(shù)據(jù)。因此，通過(guò)對(duì)數(shù)據(jù)集進(jìn)行哈希運(yùn)算后，可以對(duì)數(shù)據(jù)集進(jìn)行編碼降維，大大的降低了需要處理的數(shù)據(jù)量，可有效的提高算法的執(zhí)行效率。

在本發(fā)明實(shí)施例中，所述根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表步驟具體可以包括如圖2所示的以下步驟：

在步驟S201中，獲取指定用戶的已評(píng)分對(duì)象的集合。

具體的，本發(fā)明可以通過(guò)基于物品協(xié)同過(guò)濾算法進(jìn)行推薦對(duì)象的計(jì)算。假設(shè)M個(gè)用戶對(duì)N個(gè)對(duì)象的評(píng)分組成M*N的用戶-對(duì)象矩陣，將其轉(zhuǎn)置后可得到N*M的對(duì)象-用戶矩陣。

在步驟S202中，在預(yù)存的對(duì)象庫(kù)中查找所述已評(píng)分對(duì)象的集合中的每個(gè)對(duì)象的相似對(duì)象，在查找的相似對(duì)象中過(guò)濾所述指定用戶已評(píng)分對(duì)象，構(gòu)成相似對(duì)象集。

根據(jù)用戶的行為數(shù)據(jù)，可以得到用戶已評(píng)分對(duì)象的集合Q_k。對(duì)于集合中的任意一個(gè)對(duì)象，都可以通過(guò)對(duì)象的相似度計(jì)算公式，得到與集合中的對(duì)象相似的列表，可根據(jù)需要取相似的列表中的指定個(gè)數(shù)的對(duì)象，比如取10個(gè)等。并且由于列表中可能存在用戶已評(píng)分的對(duì)象，由于不需要對(duì)已評(píng)分的對(duì)象進(jìn)行推薦，因此可以刪除列表中的已評(píng)分的對(duì)象，構(gòu)成相似對(duì)象集S。

其中，通過(guò)對(duì)象間的相似度的計(jì)算，可以為指定用戶U_k對(duì)于對(duì)象I_t的評(píng)分預(yù)測(cè)提供依據(jù)。對(duì)于任意兩個(gè)對(duì)象I_i與I_j的相似度sim(I_i,I_j)，可以采用皮爾遜(Pearson)距離公式，計(jì)算公式如下：

$sim(I_i,I_j)=\frac{{\mathrm{\Σ}}_{U_i\∈S}(r_{I_i,U_i}-\stackrel{\‾}{r_{I_i}})\·(r_{I_j,U_i}-\stackrel{\‾}{r_{I_j}})}{\sqrt{{\mathrm{\Σ}}_{U_i\∈S}{(r_{I_i,U_i}-\stackrel{\‾}{r_{I_i}})}^2}\·\sqrt{{\mathrm{\Σ}}_{U_i\∈S}{(r_{Ij,U_i}-\stackrel{\‾}{r_{I_j}})}^2}}$

其中，S為物品共同被評(píng)價(jià)的用戶集合，示用戶U_i對(duì)物品I_i的打分，表示第I_i個(gè)對(duì)象打分的平均值。

在步驟S203中，計(jì)算相似對(duì)象集中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，并根據(jù)所述相似度值生成第一對(duì)象推薦列表。

將查找的相似對(duì)象集S與用戶已評(píng)分的對(duì)象的集合Q_k進(jìn)行相似度值計(jì)算，可以用集合S中每個(gè)視頻I_j與評(píng)分記錄集合Q_k中所有視頻相似度加權(quán)后求和，其中權(quán)值為用戶對(duì)視頻的評(píng)分值。

用于U_k對(duì)于未評(píng)價(jià)打分過(guò)的對(duì)象I_t的預(yù)測(cè)評(píng)分值計(jì)算公式可以為：

$r(U_k,I_t)={\mathrm{\Σ}}_{I_i\∈Q_k}{r}_{U_k\·I_t}*sim(I_t,I_i)/{\mathrm{\Σ}}_{I_i\∈Q_k}sim(I_t,I_i)$

其中，Q_k為用戶U_k評(píng)價(jià)過(guò)的物品集合。

在步驟S102中，通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度。

本發(fā)明在協(xié)同過(guò)濾方法的基礎(chǔ)上，進(jìn)一步對(duì)結(jié)果采用案例推理方法，對(duì)推薦結(jié)果進(jìn)行優(yōu)化。調(diào)整過(guò)程是將多組對(duì)象的進(jìn)行分解，再合成一個(gè)推薦列表，以更加能夠滿足用戶的喜好要求。合成的推薦列表中的每個(gè)對(duì)象的子解，都能對(duì)應(yīng)該用戶各個(gè)特定屬性上的偏好。比如，本發(fā)明調(diào)整的規(guī)則可以基于以下兩點(diǎn)：1、子解在類似案例中出現(xiàn)的頻率；2、用戶歷史記錄與案例的相關(guān)性。

其中，所述通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度步驟可以包括如圖3所示步驟：

在步驟S301中，獲取所述第一對(duì)象推薦列表中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，計(jì)算每個(gè)對(duì)象在所述第一對(duì)象推薦列表中的歸一化相似度值。

其中，第一對(duì)象推薦列表中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，可以根據(jù)步驟S203的計(jì)算方法，用相似對(duì)象集S中每個(gè)視頻I_j與評(píng)分記錄集合Q_k中所有視頻相似度加權(quán)后求和，其中權(quán)值為用戶對(duì)視頻的評(píng)分值。

在計(jì)算得到第一對(duì)象推薦列表中每個(gè)對(duì)象的相似度值后，進(jìn)一步計(jì)算每個(gè)對(duì)象的相似度值在整個(gè)推薦列表的相似度值下的歸一化距離。其中，歸一化距離的計(jì)算方式，可以根據(jù)不同的歸一化方法進(jìn)行計(jì)算。

在步驟S302中，根據(jù)所述歸一化相似度值，通過(guò)公式計(jì)算每個(gè)對(duì)象的子解的適用度，其中，AD_Comp表示子解的適用度，表示歸一化相似度值，C_i表示第一對(duì)象推薦列表中的對(duì)象，C^*表示在案例推理庫(kù)中，子解Comp出現(xiàn)過(guò)的次數(shù)。

確定第一推薦列表中的每個(gè)對(duì)象的子解的適用度，本發(fā)明實(shí)施例中對(duì)于子解包括類似案例出現(xiàn)的頻率以及歷史記錄與案例的相關(guān)性，通過(guò)上述公式形成復(fù)合解。

在步驟S303中，將所述對(duì)象的子解的適應(yīng)度與預(yù)設(shè)的適應(yīng)度閾值比較，根據(jù)所述比較結(jié)果生成第二對(duì)象推薦列表。

根據(jù)上述公式求解的子解的適應(yīng)度，可與預(yù)先設(shè)定的適應(yīng)度閾值進(jìn)行比較，根據(jù)對(duì)象的子解是否滿足適用度要求，重新對(duì)第一對(duì)象推薦列表中的對(duì)象進(jìn)行排序。比如可以優(yōu)先選擇子解中的適用度值求和值較高的對(duì)象等，生成第二對(duì)象推薦列表。

在步驟S103中，根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象。

根據(jù)第一對(duì)象推薦列表進(jìn)一步進(jìn)行案例推理，生成第二對(duì)象推薦列表，根據(jù)所述第二對(duì)象推薦列表進(jìn)行對(duì)象的推薦。由于本發(fā)明在協(xié)同過(guò)濾方法的基礎(chǔ)上，進(jìn)一步通過(guò)案例推薦對(duì)所述推薦結(jié)果進(jìn)行調(diào)整，彌補(bǔ)了協(xié)同過(guò)濾的不足，有利于結(jié)合用戶短期偏好，提高對(duì)象推薦的精度和用戶的滿意度。

作為本發(fā)明進(jìn)一步何優(yōu)化的實(shí)施方式，在所述根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象步驟之后，所述方法還包括：

監(jiān)測(cè)所述指定用戶是否采用推薦的對(duì)象；

如果所述用戶采用所述推薦的對(duì)象，則將所述用戶采用所述推薦的對(duì)象添加至案例推理庫(kù)。

通過(guò)對(duì)用戶采用結(jié)果的監(jiān)測(cè)，可以及時(shí)更新用戶的案例推理庫(kù)，從而為后續(xù)的對(duì)象推薦提供更為全面的數(shù)據(jù)，有利于進(jìn)一步提高推薦的精度。

如圖4所示，本發(fā)明實(shí)施例所述對(duì)象推薦裝置，包括：

列表獲取單元401，用于獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，根據(jù)協(xié)同過(guò)濾方法獲取指定用戶所對(duì)應(yīng)的第一對(duì)象推薦列表；

適用度計(jì)算單元402，用于通過(guò)案例推理方法，結(jié)合預(yù)先設(shè)定的案例推理庫(kù)，獲取所述第一對(duì)象推薦列表中的對(duì)象相對(duì)于所述指定用戶的子解的適用度；

對(duì)象推薦單元403，用于根據(jù)計(jì)算的所述適用度生成第二對(duì)象推薦列表，向所述指定用戶推薦對(duì)象。

優(yōu)選的，所述列表獲取單元具體用于：

獲取多個(gè)用戶相對(duì)于多個(gè)對(duì)象喜好的數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行哈希編碼。

優(yōu)選的，所述列表獲取單元包括：

評(píng)分對(duì)象獲取子單元，用于獲取指定用戶的已評(píng)分對(duì)象的集合；

相似對(duì)象查找子單元，用于在預(yù)存的對(duì)象庫(kù)中查找所述已評(píng)分對(duì)象的集合中的每個(gè)對(duì)象的相似對(duì)象，在查找的相似對(duì)象中過(guò)濾所述指定用戶已評(píng)分對(duì)象，構(gòu)成相似對(duì)象集；

列表生成子單元，用于計(jì)算相似對(duì)象集中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，并根據(jù)所述相似度值生成第一對(duì)象推薦列表。

優(yōu)選的，所述適用度計(jì)算單元包括：

歸一化子單元，用于獲取所述第一對(duì)象推薦列表中的每個(gè)對(duì)象與指定用戶的已評(píng)分對(duì)象的集合間的相似度值，計(jì)算每個(gè)對(duì)象在所述第一對(duì)象推薦列表中的歸一化相似度值；

計(jì)算子單元，用于根據(jù)所述歸一化相似度值，通過(guò)公式計(jì)算每個(gè)對(duì)象的子解的適用度，其中，AD_Comp表示子解的適用度，表示歸一化相似度值，C_i表示第一對(duì)象推薦列表中的對(duì)象，C^*表示在案例推理庫(kù)中，子解Comp出現(xiàn)過(guò)的次數(shù)；

比較子單元，用于將所述對(duì)象的子解的適應(yīng)度與預(yù)設(shè)的適應(yīng)度閾值比較，根據(jù)所述比較結(jié)果生成第二對(duì)象推薦列表。

優(yōu)選的，所述裝置還包括：

監(jiān)測(cè)單元，用于監(jiān)測(cè)所述指定用戶是否采用推薦的對(duì)象；

案例添加單元，用于如果所述用戶采用所述推薦的對(duì)象，則將所述用戶采用所述推薦的對(duì)象添加至案例推理庫(kù)。

本發(fā)明實(shí)施例所述對(duì)象推薦裝置，圖1-圖3所述對(duì)象推薦方法對(duì)應(yīng)，在此不作重復(fù)贅述。

在本發(fā)明所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過(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，所述單元的劃分，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)單元或組件可以結(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，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，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)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(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)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(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)介質(zhì)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)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(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。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，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、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。