統(tǒng)計各推薦場景下的第二場景維度；
[0113] 所述推薦場景聚類單元275用于根據(jù)所述第二場景維度對推薦場景進行聚類；
[0114] 所述場景維度提取單元272具體用于提取聚類后各推薦場景的第S場景維度，從 各推薦場景的第=場景維度中抽取得到所述第一場景維度。
[0115] 示例性的，所述推薦場景聚類單元275具體用于采用啟發(fā)式規(guī)則的方式對推薦場 景進行聚類。
[0116] 示例性的，所述推薦模型訓練模塊27還包括：推薦模型加權融合單元276 ;
[0117] 所述推薦模型加權融合單元276用于在所述推薦模型訓練單元273基于所述第一 場景維度訓練得到各推薦場景各自對應的推薦模型之后，將各推薦場景對應的推薦模型進 行加權融合，得到融合后的推薦模型；
[0118] 所述推薦場景匹配模塊24具體用于根據(jù)所述第二特征信息從所述融合后的推薦 模型中確定至少一個推薦結果；
[0119] 所述推薦結果返回模塊25具體用于從至少一個推薦結果中確定評分最高的推薦 結果；將所述評分最高的推薦結果返回給用戶。
[0120] 示例性的，所述歷史行為分布包括W下用戶歷史登錄場景信息中的至少一種：用 戶登錄IP地址、登錄時間、關注對象和消費周期。
[0121] 示例性的，所述推薦模型中包含所述推薦場景和推薦結果的對應關系。
[0122] 本實施例所述的信息推薦裝置用于執(zhí)行上述各實施例所述的信息推薦方法，其技 術原理和產生的技術效果類似，運里不再累述。
[0123] 注意，上述僅為本發(fā)明的較佳實施例及所運用技術原理。本領域技術人員會理解， 本發(fā)明不限于運里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、 重新調整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過W上實施例對本發(fā)明進行 了較為詳細的說明，但是本發(fā)明不僅僅限于W上實施例，在不脫離本發(fā)明構思的情況下，還 可W包括更多其他等效實施例，而本發(fā)明的范圍由所附的權利要求范圍決定。
【主權項】
1. 一種信息推薦方法，其特征在于，包括： 獲取登錄用戶的當前場景信息； 提取所述當前場景信息中的第一特征信息和第二特征信息； 根據(jù)所述第一特征信息查詢所述當前場景信息對應的推薦模型； 根據(jù)所述第二特征信息從所述推薦模型中確定與所述當前場景信息匹配的推薦場 景； 將所述匹配的推薦場景對應的推薦結果返回給用戶。2. 根據(jù)權利要求1所述的方法，其特征在于，還包括： 根據(jù)用戶的歷史行為分布確定至少一個目標場景； 提取目標場景的場景信息，基于所述目標場景的場景信息訓練得到所述目標場景的推 薦模型。3. 根據(jù)權利要求2所述的方法，其特征在于，提取目標場景的場景信息，基于所述目標 場景的場景信息訓練得到所述目標場景的推薦模型包括： 根據(jù)每個目標場景下用戶的歷史行為分布確定至少一個推薦場景； 提取各推薦場景的第一場景維度，基于所述第一場景維度訓練得到所述推薦模型。4. 根據(jù)權利要求3所述的方法，其特征在于，提取各推薦場景的第一場景維度之前還 包括： 統(tǒng)計各推薦場景下的第二場景維度； 根據(jù)所述第二場景維度對推薦場景進行聚類，并提取聚類后各推薦場景的第三場景維 度； 則提取各推薦場景的第一場景維度包括： 從各推薦場景的第三場景維度中抽取得到所述第一場景維度。5. 根據(jù)權利要求4所述的方法，其特征在于，采用啟發(fā)式規(guī)則的方式對推薦場景進行 聚類。6. 根據(jù)權利要求3~5任一項所述的方法，其特征在于，基于所述第一場景維度訓練得 到各推薦場景各自對應的推薦模型之后還包括： 將各推薦場景對應的推薦模型進行加權融合，得到融合后的推薦模型； 根據(jù)所述第二特征信息從所述推薦模型中確定與所述當前場景信息匹配的推薦場景 包括： 根據(jù)所述第二特征信息從所述融合后的推薦模型中確定至少一個推薦結果； 將所述匹配的推薦場景對應的推薦結果返回給用戶包括： 從至少一個推薦結果中確定評分最高的推薦結果； 將所述評分最高的推薦結果返回給用戶。7. 根據(jù)權利要求2~5任一項所述的方法，其特征在于，所述歷史行為分布包括以下用 戶歷史登錄場景信息中的至少一種：用戶登錄IP地址、登錄時間、關注對象和消費周期。8. 根據(jù)權利要求1~5任一項所述的方法，其特征在于，所述推薦模型中包含所述推薦 場景和推薦結果的對應關系。9. 一種信息推薦裝置，其特征在于，包括： 當前場景獲取模塊，用于獲取登錄用戶的當前場景信息； 特征信息提取模塊，用于提取所述當前場景信息中的第一特征信息和第二特征信息； 推薦模型查詢模塊，用于根據(jù)所述第一特征信息查詢所述當前場景信息對應的推薦模 型； 推薦場景匹配模塊，用于根據(jù)所述第二特征信息從所述推薦模型中確定與所述當前場 景信息匹配的推薦場景； 推薦結果返回模塊，用于將所述匹配的推薦場景對應的推薦結果返回給用戶。10. 根據(jù)權利要求9所述的裝置，其特征在于，還包括： 場景確定模塊，用于根據(jù)用戶的歷史行為分布確定至少一個目標場景； 推薦模型訓練模塊，用于提取目標場景的場景信息，基于所述目標場景的場景信息訓 練得到所述推薦模型。11. 根據(jù)權利要求10所述的裝置，其特征在于，推薦模型訓練模塊包括： 推薦場景確定單元，用于根據(jù)每個目標場景下用戶的歷史行為分布確定至少一個推薦 場景； 場景維度提取單元，用于提取各推薦場景的第一場景維度； 推薦模型訓練單元，用于基于所述第一場景維度訓練得到所述推薦模型。12. 根據(jù)權利要求11所述的裝置，其特征在于，所述推薦模型訓練模塊還包括： 場景維度統(tǒng)計單元，用于在所述場景維度提取單元提取各推薦場景的第一場景維度之 前，統(tǒng)計各推薦場景下的第二場景維度； 推薦場景聚類單元，用于根據(jù)所述第二場景維度對推薦場景進行聚類； 所述場景維度提取單元具體用于：提取聚類后各推薦場景的第三場景維度，從各推薦 場景的第三場景維度中抽取得到所述第一場景維度。13. 根據(jù)權利要求12所述的裝置，其特征在于，所述推薦場景聚類單元具體用于：采用 啟發(fā)式規(guī)則的方式對推薦場景進行聚類。14. 根據(jù)權利要求11~13任一項所述的裝置，其特征在于，所述推薦模型訓練模塊還 包括： 推薦模型加權融合單元，用于在所述推薦模型訓練單元基于所述第一場景維度訓練得 到各推薦場景各自對應的推薦模型之后，將各推薦場景對應的推薦模型進行加權融合，得 到融合后的推薦模型； 所述推薦場景匹配模塊具體用于：根據(jù)所述第二特征信息從所述融合后的推薦模型中 確定至少一個推薦結果； 所述推薦結果返回模塊具體用于：從至少一個推薦結果中確定評分最高的推薦結果； 將所述評分最高的推薦結果返回給用戶。15. 根據(jù)權利要求10~13任一項所述的裝置，其特征在于，所述歷史行為分布包括以 下用戶歷史登錄場景信息中的至少一種：用戶登錄IP地址、登錄時間、關注對象和消費周 期。16. 根據(jù)權利要求9~13任一項所述的裝置，其特征在于，所述推薦模型中包含所述推 薦場景和推薦結果的對應關系。
【專利摘要】本發(fā)明實施例公開了一種信息推薦方法及裝置，其中方法包括：獲取登錄用戶的當前場景信息；提取所述當前場景信息中的第一特征信息和第二特征信息；根據(jù)所述第一特征信息查詢所述當前場景信息對應的推薦模型；根據(jù)所述第二特征信息從推薦模型中確定與所述當前場景信息匹配的推薦場景；將所述匹配的推薦場景對應的推薦結果返回給用戶。本發(fā)明實施例首先確定當前場景信息對應的推薦模型，然后從所述推薦模型確定匹配的推薦場景，進一步將匹配的推薦場景對應的推薦結果返回給用戶，能夠過濾無效場景特征的干擾，使信息推薦的準確率得到提升。
【IPC分類】G06F17/30
【公開號】CN105183781
【申請?zhí)枴緾N201510501752
【發(fā)明人】劉水
【申請人】百度在線網絡技術（北京）有限公司
【公開日】2015年12月23日
【申請日】2015年8月14日