本發(fā)明涉及推薦領(lǐng)域，涉及但不限于一種推薦方法、推薦裝置。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，個性化推薦已然成為提升用戶體驗(yàn)和推動營銷的關(guān)鍵手段。個性化推薦通過分析和識別用戶的偏好信息和消費(fèi)傾向，為每個用戶量身定制個性化的推薦列表，能夠精準(zhǔn)滿足不同用戶的不同推薦需求。

2、傳統(tǒng)個性化推薦算法大多采用協(xié)同過濾算法，向用戶推薦的是具有相同愛好群體的相似內(nèi)容，并未考慮到用戶喜好信息在時(shí)間維度上的變化情況，導(dǎo)致推薦內(nèi)容在用戶喜好發(fā)生變化時(shí)未能及時(shí)、準(zhǔn)確地調(diào)整，進(jìn)而導(dǎo)致推薦效果較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種推薦方法、推薦裝置，能夠提高個性化推薦的精準(zhǔn)度和時(shí)效性，使得待推薦對象隨著時(shí)間變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

3、第一方面，本發(fā)明提供一種推薦方法，推薦方法包括：

4、在檢測到目標(biāo)用戶對于目標(biāo)對象存在推薦需求的情況下，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣；其中，歷史操作數(shù)據(jù)用于表征目標(biāo)用戶對于m個參考對象在最近n天時(shí)間內(nèi)的操作行為數(shù)據(jù)；m、n均為正整數(shù)；時(shí)間距離表征歷史操作數(shù)據(jù)的發(fā)生日期距離當(dāng)前日期的天數(shù)；衰減率表征時(shí)間距離占n的比例；基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個權(quán)重值；基于目標(biāo)行為矩陣和n個權(quán)重值，對目標(biāo)用戶進(jìn)行個性化推薦。

5、根據(jù)上述技術(shù)手段，第一、考慮到操作行為數(shù)據(jù)和時(shí)間衰減趨勢之間的相互作用對用戶整體行為特征的影響，通過先對操作行為數(shù)據(jù)進(jìn)行時(shí)間衰減處理，再基于經(jīng)過時(shí)間衰減處理后的操作行為數(shù)據(jù)來確定最近n天對應(yīng)的n個權(quán)重值，可以實(shí)現(xiàn)對用戶整體行為特征的準(zhǔn)確刻畫，進(jìn)而利用用戶整體行為特征來進(jìn)行個性化推薦，能夠提高個性化推薦的精準(zhǔn)度和時(shí)效性，使得待推薦對象隨著時(shí)間變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整；第二、由于常規(guī)衰減率無法準(zhǔn)確描述歷史操作數(shù)據(jù)的時(shí)間衰減趨勢，通過設(shè)置衰減率為時(shí)間距離占總天數(shù)的比例，可以有效捕捉歷史操作數(shù)據(jù)隨時(shí)間的動態(tài)變化情況，實(shí)現(xiàn)對歷史操作數(shù)據(jù)的精準(zhǔn)度量和分析。

6、在一種可能的實(shí)施方式中，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣，包括：基于歷史操作數(shù)據(jù)，構(gòu)建初始行為矩陣；確定初始行為矩陣的第i×j個初始矩陣元素對應(yīng)的第i×j個時(shí)間距離和第i×j個衰減率；將第i×j個時(shí)間距離和第i×j個衰減率代入復(fù)合時(shí)間衰減函數(shù)，得到第i×j個初始矩陣元素對應(yīng)的第i×j個時(shí)間衰減值；復(fù)合時(shí)間衰減函數(shù)為衰減率的時(shí)間距離次方；將第i×j個初始矩陣元素與第i×j個時(shí)間衰減值的乘積，確定為目標(biāo)行為矩陣的第i×j個目標(biāo)矩陣元素；其中，第i×j個初始矩陣元素為初始行為矩陣的任一矩陣元素；i為小于或等于m的正整數(shù)；j為小于或等于n的正整數(shù)。

7、根據(jù)上述技術(shù)手段，由于不同時(shí)間產(chǎn)生的歷史操作數(shù)據(jù)所反映出的用戶對于對象的感興趣程度是不同的，通過設(shè)置復(fù)合時(shí)間衰減函數(shù)為衰減率的時(shí)間距離次方，以及設(shè)置衰減率為時(shí)間距離占總天數(shù)的比例，可以精準(zhǔn)確定每一個歷史操作數(shù)據(jù)對應(yīng)的時(shí)間衰減值，進(jìn)而將每一個歷史操作數(shù)據(jù)和每一個時(shí)間衰減值進(jìn)行結(jié)合，能夠準(zhǔn)確描繪用戶對于對象的感興趣程度的時(shí)間衰減趨勢，客觀反映用戶對于對象的感興趣程度的動態(tài)變化規(guī)律。

8、在一種可能的實(shí)施方式中，在歷史操作數(shù)據(jù)包括歷史點(diǎn)擊數(shù)據(jù)、歷史收藏?cái)?shù)據(jù)以及歷史瀏覽數(shù)據(jù)的情況下，基于歷史操作數(shù)據(jù)，構(gòu)建初始行為矩陣，包括：獲取目標(biāo)用戶對于第i個參考對象在第j天的第一點(diǎn)擊數(shù)據(jù)、第一收藏?cái)?shù)據(jù)以及第一瀏覽數(shù)據(jù)；第一點(diǎn)擊數(shù)據(jù)至少包括點(diǎn)擊次數(shù)；第一收藏?cái)?shù)據(jù)至少包括收藏次數(shù)和收藏天數(shù)；第一瀏覽數(shù)據(jù)至少包括瀏覽次數(shù)和瀏覽時(shí)長；分別獲取點(diǎn)擊次數(shù)對應(yīng)的第一權(quán)重、收藏次數(shù)對應(yīng)的第二權(quán)重、收藏天數(shù)對應(yīng)的第三權(quán)重、瀏覽次數(shù)對應(yīng)的第四權(quán)重以及瀏覽時(shí)長對應(yīng)的第五權(quán)重；基于第一權(quán)重、第二權(quán)重、第三權(quán)重、第四權(quán)重以及第五權(quán)重，對點(diǎn)擊次數(shù)、收藏次數(shù)、收藏天數(shù)、瀏覽次數(shù)以及瀏覽時(shí)長進(jìn)行加權(quán)平均，得到初始行為矩陣的第i×j個初始矩陣元素；其中，第i×j個初始矩陣元素為初始行為矩陣的任一矩陣元素；i為小于或等于m的正整數(shù)；j為小于或等于n的正整數(shù)。

9、根據(jù)上述技術(shù)手段，考慮到歷史操作數(shù)據(jù)的復(fù)雜性和多樣性，通過獲取目標(biāo)用戶對于每一個對象在每一天的點(diǎn)擊次數(shù)、收藏次數(shù)、收藏天數(shù)、瀏覽次數(shù)、瀏覽時(shí)長等操作行為數(shù)據(jù)，可以實(shí)現(xiàn)在行為類型的基礎(chǔ)上結(jié)合行為次數(shù)和行為時(shí)長來構(gòu)建初始行為矩陣，如此，可以有效排除偶然行為、隨機(jī)行為以及好奇行為帶來的干擾，更全面、精準(zhǔn)地洞察用戶的真實(shí)意圖、穩(wěn)定興趣以及深度需求，為個性化推薦、精準(zhǔn)營銷提供更有價(jià)值的參考依據(jù)。

10、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個權(quán)重值，包括：基于熵權(quán)法的指標(biāo)標(biāo)準(zhǔn)化公式，對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)矩陣；基于熵權(quán)法的指標(biāo)比重公式，對標(biāo)準(zhǔn)矩陣進(jìn)行歸一化處理，得到歸一化矩陣；基于熵權(quán)法的指標(biāo)信息熵公式和歸一化矩陣，確定n天時(shí)間對應(yīng)的n個信息熵；基于熵權(quán)法的指標(biāo)權(quán)重公式和n個信息熵，確定n天時(shí)間對應(yīng)的n個權(quán)重值。

11、根據(jù)上述技術(shù)手段，通過采用熵權(quán)法來確定最近n天時(shí)間中每一天對應(yīng)的權(quán)重值，可以有效避免人為主觀因素的干擾，對整個統(tǒng)計(jì)時(shí)間段的每一天進(jìn)行客觀分析，而且能夠賦予信息量較大、變異程度較高的天數(shù)更高的權(quán)重，使得最近n天時(shí)間中每一天對應(yīng)的權(quán)重值的確定更加客觀、公正和科學(xué)。

12、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣和n個權(quán)重值，對目標(biāo)用戶進(jìn)行個性化推薦，包括：基于目標(biāo)行為矩陣和n個權(quán)重值，確定m個興趣度；一個興趣度用于表征目標(biāo)用戶對于一個參考對象在當(dāng)前日期的感興趣程度；基于m個興趣度，從對象庫中確定m個參考對象對應(yīng)的r個待推薦對象，并向目標(biāo)用戶展示r個待推薦對象；r為正整數(shù)。

13、根據(jù)上述技術(shù)手段，通過確定目標(biāo)用戶對于m個參考對象在當(dāng)前日期的m個興趣度，可以實(shí)現(xiàn)基于m個興趣度，以m個參考對象為維度對目標(biāo)用戶進(jìn)行個性化推薦。這樣，不僅能夠提高個性化推薦的全面性和多樣性，保證每一個參考對象均對應(yīng)若干待推薦對象，還可以使得待推薦對象隨著用戶感興趣程度的變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整。

14、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣和n個權(quán)重值，確定m個興趣度，包括：對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理和歸一化處理，得到歸一化矩陣；針對m個參考對象中的每個參考對象，執(zhí)行以下處理，得到m個興趣度：在歸一化矩陣中確定參考對象對應(yīng)的n個歸一化元素；分別將n個歸一化元素與n個權(quán)重值進(jìn)行相乘，得到n個乘積值；對n個乘積值進(jìn)行求和，得到目標(biāo)用戶對于參考對象的興趣度。

15、根據(jù)上述技術(shù)手段，通過對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理和歸一化處理，可以消除不同數(shù)據(jù)的量綱差異，使得不同指標(biāo)之間具有可比性，同時(shí)避免某些數(shù)值較大的特征對結(jié)果產(chǎn)生過度影響；通過分別將每個參考對象的n個用戶操作行為數(shù)據(jù)和最近n天時(shí)間對應(yīng)的n個權(quán)重值進(jìn)行相乘后求和，可以有效減少舊數(shù)據(jù)對于用戶感興趣程度的影響，實(shí)現(xiàn)對用戶對于參考對象的感興趣程度的精準(zhǔn)量化。

16、在一種可能的實(shí)施方式中，基于m個興趣度，從對象庫中確定m個參考對象對應(yīng)的r個待推薦對象，包括：針對m個參考對象中的每個參考對象，執(zhí)行以下處理，得到r個待推薦對象：將目標(biāo)用戶對于參考對象的興趣度與m個興趣度之和的比值，確定為參考對象的待推薦比例；將待推薦比例與r的乘積，確定為參考對象的待推薦數(shù)目；在待推薦數(shù)目大于0的情況下，從對象庫中確定參考對象對應(yīng)的待推薦數(shù)目個待推薦對象。

17、根據(jù)上述技術(shù)手段，通過將每個參考對象對應(yīng)的興趣度與所有參考對象的興趣度之和的比值確定為每個參考對象的待推薦比例，可以實(shí)現(xiàn)根據(jù)用戶感興趣程度的不同來確定參考對象對應(yīng)的待推薦對象的數(shù)目，使得用戶感興趣程度較高的參考對象具備更多的推薦機(jī)會，用戶感興趣程度較低的參考對象也獲得一定的推薦可能。如此，通過動態(tài)調(diào)整不同參考對象對應(yīng)的待推薦對象的數(shù)目，可以根據(jù)實(shí)時(shí)的用戶行為數(shù)據(jù)不斷優(yōu)化推薦結(jié)果，從而有效提升推薦系統(tǒng)的準(zhǔn)確性和偏好性，幫助用戶更快發(fā)現(xiàn)符合自身興趣的對象。

18、在一種可能的實(shí)施方式中，從對象庫中確定參考對象對應(yīng)的待推薦數(shù)目個待推薦對象，包括：獲取參考對象所屬的目標(biāo)對象類別；對象類別是對對象庫中的對象進(jìn)行聚類得到的；確定參考對象與目標(biāo)對象類別包括的至少一個候選對象中每個候選對象之間的距離值，得到至少一個距離值；將至少一個距離值按照從小到大的順序進(jìn)行排序，得到第一排序結(jié)果；將第一排序結(jié)果中的前待推薦數(shù)目個距離值對應(yīng)的候選對象，確定為參考對象對應(yīng)的待推薦數(shù)目個待推薦對象。

19、根據(jù)上述技術(shù)手段，通過確定參考對象與多個同類別候選對象之間的距離值，可以實(shí)現(xiàn)從多個同類別候選對象中篩選得到與該參考對象相似度較高的待推薦對象，這樣，通過評估對象之間的相似性和差異性，可以精準(zhǔn)地對對象進(jìn)行分類和篩選，從而為用戶提供更有針對性的待推薦對象。

20、在一種可能的實(shí)施方式中，向目標(biāo)用戶展示r個待推薦對象，包括：將m個參考對象按照興趣度從大到小的順序進(jìn)行排序，得到第二排序結(jié)果；基于第二排序結(jié)果，向目標(biāo)用戶展示r個待推薦對象。

21、根據(jù)上述技術(shù)手段，通過對m個參考對象按照興趣度從大到小的順序進(jìn)行排序，可以實(shí)現(xiàn)根據(jù)用戶感興趣程度的高低對r個待推薦對象進(jìn)行有序展示，優(yōu)先展示用戶感興趣程度較高的參考對象對應(yīng)的待推薦對象。這樣，通過優(yōu)化待推薦對象的排列順序和展示順序，不僅可以提高用戶發(fā)現(xiàn)心儀對象的概率和效率，還能夠提高待推薦對象的轉(zhuǎn)化率，實(shí)現(xiàn)精準(zhǔn)營銷。

22、第二方面，本發(fā)明提供一種推薦裝置，推薦裝置包括：

23、時(shí)間衰減單元，用于在檢測到目標(biāo)用戶對于目標(biāo)對象存在推薦需求的情況下，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣；其中，歷史操作數(shù)據(jù)用于表征目標(biāo)用戶對于m個參考對象在最近n天時(shí)間內(nèi)的操作行為數(shù)據(jù)；m、n均為正整數(shù)；時(shí)間距離表征歷史操作數(shù)據(jù)的發(fā)生日期距離當(dāng)前日期的天數(shù)；衰減率表征時(shí)間距離占n的比例；

24、確定單元，用于基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個權(quán)重值；

25、推薦單元，用于基于目標(biāo)行為矩陣和n個權(quán)重值，對目標(biāo)用戶進(jìn)行個性化推薦。

26、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括：存儲器和處理器，存儲器存儲有可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行程序時(shí)實(shí)現(xiàn)上述推薦方法。

27、第四方面，本發(fā)明還提供了一種存儲介質(zhì)，存儲介質(zhì)上存儲有計(jì)算機(jī)程序，存儲介質(zhì)上的計(jì)算機(jī)程序被執(zhí)行時(shí)，實(shí)現(xiàn)上述推薦方法。

28、第五方面，本發(fā)明還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述推薦方法。

29、需要說明的是，第二方面至第五方面的技術(shù)效果可以參考上述第一方面的詳細(xì)描述，此處不再一一贅述。