一种信息推荐方法及装置与流程

本申请涉及信息
技术领域：
，尤其涉及一种混合推荐方法及装置。
背景技术：
：随着信息化社会的发展，人们越来越习惯于使用是网络来进行社会活动，如，进行网上购物、通过网上银行缴费、网络即时通讯等。为了提高人们浏览网站时的体验，使用户可以快速找到想浏览的内容，通常提供网上服务的服务供应商，都会根据用户的行为数据在网站主页面上显示一些推荐信息。如，音乐网站向用户推荐歌曲、社交网站向用户推荐好友等。推荐信息的推荐列表通常通过一些推荐算法计算得来，通常有两类推荐算法：基于信息内容的推荐和基于用户行为的推荐。前者由于不需要用户行为数据即可直接计算出推荐列表，但是推荐列表中的推荐结果不能针对用户喜好，准确率较低，后者虽然可以计算出较为准确的推荐列表，但是其准确度取决于用户的行为数据的多少，具有局限性。为了解决这两种推荐算法的弊端，现有技术中通常混合多种推荐算法的结果，计算得出混合推荐列表，其中，加权混合推荐方法由于其混合方式简单、易于融合推荐算法结果、使用灵活度高等优点成为人们常用的混合推荐方法。而加权混合推荐方法得到的推荐列表是否能符合用户的喜好，即推荐列表中的推荐结果是否是用户需要的，其核心就取决于加权混合时各权重的配比。但是现有技术中，在对加权混合推荐方法中各权重进行设置时，通常是通过人工观察或者经验来设置、调整的。这种通过人工观察或经验来进行权重的设置、调整方法，不仅需要耗费大量的人力和时间成本，而且得到的推荐列表的准确度也较差，另外，由于用户 的喜好并非固定不变的，而现有方法靠人工经验设置的权重在较长时间内均是固定的，所以当用户喜好改变时，现有方法就不能及时提供对应的信息。所以，现有技术中使用加权混合推荐方法得到的推荐列表难以符合用户的需求，导致用户为了找到自己想获取的信息，需要再次花费大量时间进行信息搜索，不仅浪费了网络资源，同时也增大了服务器压力。技术实现要素：本申请实施例提供一种信息推荐方法及装置，用以解决现有技术中通过人工设置权重而得到的推荐列表不符合用户的需求，导致用户需要花费大量的时间再次进行搜索，浪费网络资源、增大服务器压力的问题。本申请实施例提供的一种信息推荐的方法，包括：确定用户的历史行为信息；根据所述历史行为信息，分别确定若干个推荐信息组；根据针对各推荐信息组预设的权重，确定推荐列表；判断所述推荐列表是否满足预设的推荐条件；若满足，则将所述推荐列表中包含的信息推荐给所述用户；若不满足，则调整各推荐信息组的权重，并根据调整后的权重重新确定推荐列表，直到确定的推荐列表满足所述推荐条件，并将推荐列表中包含的信息推荐给所述用户为止。本申请实施例提供的一种信息推荐的装置，包括：行为确定模块，用于确定用户的历史行为信息；信息组确定模块，用于根据所述历史行为信息，分别确定若干个推荐信息组；混合模块，用于根据针对各推荐信息组预设的权重，确定推荐列表；判断推荐模块，用于判断所述推荐列表是否满足预设的推荐条件，若满足，则将所述推荐列表中包含的信息推荐给所述用户，若不满足，则调整各推荐信 息组的权重，并指示所述混合模块根据调整后的权重重新确定推荐列表，直到所述混合模块确定的推荐列表满足所述推荐条件，并将推荐列表中包含的信息推荐给所述用户为止。本申请实施例提供一种信息推荐的方法及装置，该方法根据用户的历史行为信息，采用不同的推荐算法，分别确定若干个推荐信息组，根据各推荐信息组对应的权重确定推荐列表，当该推荐列表是否满足预设的推荐条件时，对该推荐列表对应的推荐信息组的权重进行调整，并获得调整后的推荐列表，直到得到的推荐列表满足该预设的推荐条件时，将该推荐列表中的信息推荐给用户。上述信息推荐方法无需人工设置各推荐信息组的权重，可根据用户的历史行为数据自动调整各推荐信息组的权重，获得满足用户需求的推荐列表，因此可有效提高推荐列表的准确度，使得用户不必再花费大量的时间搜索信息，也节约了网络资源、减轻了服务器压力。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请实施例提供的一种信息推荐的过程；图2为本申请实施例提供的一种信息推荐装置的结构示意图。具体实施方式本申请实施例依然采用加权混合推荐方法得到推荐列表，而加权混合推荐方法中所涉及的各推荐信息组的权重可根据用户的历史行为信息，采用优化算法迭代确定，无需人工凭借经验确定，因此得到的推荐列表的准确性较高，使用户无需再次花费时间进行信息搜索，有效地节省了网络资源，减轻了服务器 压力。为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。图1为本申请实施例提供的一种信息推荐的过程，具体包括以下步骤：S101：确定用户的历史行为信息。在本申请实施例中，服务器为了达到节约网络资源、减轻服务器压力的目的，需要推荐给用户的信息更加准确、更加符合用户的行为规律。这就使得该服务器至少需要确定用户的喜好、需求等等相关的信息，并根据该用户的喜好、需求等信息选择性的推荐一些信息给该用户。由于这类与用户喜好、需求相关的信息是可以通过用户的行为反映出来的，所以网站可以根据用户的历史行为信息，来选择推荐信息。于是，在本申请实施例的步骤S101中，服务器首先需要确定用户的历史行为信息。其中，该用户的历史行为信息可以是，用户在该服务器中的历史行为对应的信息，如：用户浏览的信息内容及属性、用户搜索的信息内容及属性、用户关注或收藏的信息内容及属性等等，可见，这些信息都是与用户的喜好、需求等相关的信息。具体的，服务器可根据预设的历史时间段，确定该用户在该历史时间段内的历史数据。该历史时间段可根据需要进行设定，如过去的3个月等。S102：根据所述历史行为信息，分别确定若干个推荐信息组。在本申请实施例中，服务器依然采用加权混合推荐方法来确定最终向用户推荐的推荐列表，所以服务器在步骤S101中确定用户的历史行为信息后，还可根据该历史行为信息，采用不同的推荐算法分别确定若干个推荐信息组，使得后续对各推荐信息组进行混合加权得到推荐列表。其中，所述的推荐算法可 以是基于协同过滤的推荐算法、基于内容的推荐算法、基于关联规则的推荐算法或者基于知识的推荐算法等等，确定推荐信息组所采用的推荐算法在此并不做具体限定。需要说明的是，通过不同的推荐算分别法获得的各推荐信息组中的每一个信息会获取一个对应的推荐权重，即，针对每一个推荐信息组，该推荐信息组中包含的每个信息都具有一个相对于该推荐信息组的推荐权重，一个推荐信息组中包含的各信息相对于该推荐信息组的推荐权重可能相同，也可能不同。例如，服务器获取了用户I的历史行为信息后，假设根据该历史行为信息，采用了基于用户的协同过滤推荐算法和基于商品的协同过滤推荐算法分别进行计算，则可以分别确定出两个推荐信息组：推荐信息组α和推荐信息组β。这两个推荐信息组由于是使用不同推荐算法得出的，所以其包含的信息也可能不完全一致。S103：根据针对各推荐信息组预设的权重，确定推荐列表。由于在步骤S102中已经确定了各推荐信息组，据此，本申请便可以根据针对各推荐信息组预设的权重，确定出推荐列表。其中，所述预设的权重，可以是根据经验预设的一个初始权重或者是根据随机函数获得一个随机的初始权重，这个权重仅仅代表一个初始的系数，并不是后续最终得到推荐列表所基于的权重。于是在本申请实施例中，根据预设针对各推荐信息组的权重确定出推荐列表，具体可以是：首先，可针对每个推荐信息组，根据该推荐信息组的权重，以及该推荐信息组中包含的每个信息相对于该推荐信息组的推荐权重，确定每个信息相对于该推荐信息组的子权重。其中，由于该推荐信息组中包含的每个信息都具有一个相对该推荐信息组的推荐权重，所以本申请中所述的每个信息相对于该推荐信息组的子权重，可以是每个信息相对于该推荐信息组的推荐权重与该推荐信息组的权重之乘积。其次，可以针对每个信息，确定该信息相对于每个推荐信息组的子权重之和，作为该信息的总权重，最后可以根据每个信息的总权重，确定推荐列表。进一步的，根据每个信息的总权重确定推荐列表，可以是根据每个信息的总权重由大到小排列后，确定的推荐列表，其中总权重大的信息可以考虑优先推荐给用户。由于该推荐列表是根据每个信息的总权重确定的，所以该推荐列表可以包含各推荐信息组中的全部信息。而考虑到当推荐列表中包含的信息过多时，若将该推荐列表中全部信息都推荐给用户，可能造成用户难以从推荐信息中找到需要的信息，仍然需要进行信息搜索的问题，所以本申请提供的方法中，该推荐列表可以是由全部信息中的前几个信息组成的推荐列表。也就是说，可将各推荐信息组中的信息按照总权重从大到小的顺序排序后，按排序从前到后的顺序选择指定数量的信息，构成该推荐列表。继续沿用上例，假设针对两个推荐信息组预设的权重是(0.4，0.6)，即，针对推荐信息组α和推荐信息组β的权重分别为0.4和0.6。且该推荐信息组α和该推荐信息组β中分别包含的信息，以及这两个推荐信息组中包含的每个信息相对于这两个推荐信息组的推荐权重如表1所示。表1则根据表1，针对商品A，可以确定该信息在推荐信息组α中的推荐权重为0.9、在推荐信息组β的推荐权重为0.6，且由于该推荐信息组α的权重为0.4、该推荐信息组β的权重为0.6。于是，可以进一步确定该信息相对于推荐信息 组α的子权重为(0.4×0.9)＝0.36，该信息相对于推荐信息组β的子权重为(0.6×0.6)＝0.36，于是该信息的总权重为(0.4×0.9)+(0.6×0.6)＝0.72，即，商品A的总权重为0.72。所以针对每个商品，确定其总权重时，可以确定各商品的总权重如表2所示。信息总权重商品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，根据表2所示的各总权重，进一步按各商品总权重从大到小的顺序，排列为：商品A、商品O、商品M、商品G、商品C、商品T、商品F。假设，预设的推荐列表的确定是根据各信息的总权重，按照从大到小的顺序排列后，选取前5个信息作为推荐列表，则最后确定推荐列表为商品A、商品O、商品M、商品G、商品C。S104：判断所述推荐列表是否满足预设的推荐条件，若满足则执行步骤S105，若不满足则执行步骤S106。在本申请实施例中，通过上述步骤S101～S103已经确定了推荐列表，但是，由于不能确定该推荐列表中的信息是否能满足用户的期望，所以本申请还需要判断该推荐列表是否满足预设的推荐条件，并根据判断结果的不同，选择不同的后续处理方法。另外，由于在进行判断时，是要判断该推荐信息列表所包含的信息是否满 足用户的期望，这就需要通过用户的历史行为信息来判断。所以，在本申请中可以根据在步骤S101中确定的用户历史行为信息，来确定该推荐列表的准确度，并判断该推荐列表的准确度是否大于预设的阈值。当该准确度大于该阈值时，则判定该推荐列表满足预设的推荐条件并执行步骤S105，而当该准确度不大于该阈值时，则判定该推荐列表不满足预设的推荐条件并执行步骤S106。具体的，推荐列表的准确度的确定，可以先确定该推荐列表中包含的信息与该用户历史行为信息中一致的信息的数量，再确定该数量占该推荐列表中包含的信息的数量的比例，将该比例的值作为该推荐列表的准确度。继续沿用上例，假设服务器中预设的阈值是0.4，用户的历史行为信息为：用户点击了商品A、商品Q、商品R、商品H、商品M、商品F和商品L。由于在步骤S103中确定的推荐列表中包含的信息为：商品A、商品O、商品M、商品G、商品C，则可先确定该推荐列表中包含的信息与用户历史行为信息一致的信息，为商品A和商品M，并确定该一致信息的数量为2。由于该推荐列表一共包含有5个信息，所以可以进一步确定，该一致信息的数量占推荐列表中包含信息的数量的比例为0.4，最后将该数值(即，0.4)作为该推荐列表的准确度。由于该准确度不大于预设的阈值，所以判定该推荐列表不满足预设的推荐条件，并执行步骤S106。S105：将所述推荐列表中包含的信息推荐给所述用户。在本申请实施例中，若在步骤S104中已经判断推荐列表满足预设的条件，则可以确定该推荐列表已经满足用户的需求，因此可以执行步骤S105将该推荐列表中包含的信息推荐给用户。S106：调整各推荐信息组的权重，并返回步骤S103。也即，当步骤S103确定出的推荐列表不满足推荐条件时，服务器可采用预设的优化算法，调整各推荐信息组的权重，并将调整后的权重重新作为预设的权重，根据调整后的权重重新确定推荐列表，直到确定的推荐列表满足所述推荐条件，并将推荐列表中包含的信息推荐给所述用户为止。本申请可通过上述步骤S103～S106的迭代过程自动的调整各推荐信息组的权重，使得确定的推荐信息可以更加准确、快速，以达到节约网络资源、减轻服务器压力的目的。具体的，调整各推荐信息组的权重时，可采用预设的优化算法，并根据下述迭代信息中的至少一种，确定调整各推荐信息组的权重的调整量，并根据确定的调整量，调整各推荐信息组的权重。其中，该迭代信息包括：上一次调整各推荐信息组的权重的调整量、上一次确定的推荐列表的准确度、每次得到的各推荐列表的准确度中的最高准确度。下面以采用的优化算法是粒子群算法为例，对上述调整权重的过程进行说明。服务器可以利用公式VK+1＝WK·VK+C1·rand1·(Pbest-XK)+C2·rand2·(Gbest-XK)确定各推荐信息组的权重的调整量，再利用公式XK+1＝XK+VK+1确定调整后的各推荐信息组权重。其中，VK+1为第K+1次推荐信息组的权重调整值、VK为第K次权重调整值、WK为第K次的惯性权重、C1与C2为预设的常数、rand1与rand2为取值空间在(0，1)之间的随机函数、Pbest为第K次确定的推荐列表与第K+1次确定的推荐列表中准确度较高的推荐列表对应的各推荐信息组的权重、Gbest为确定过的所有推荐列表中准确度最高的推荐列表对应的各推荐信息组的权重、XK为第K次确定的推荐列表对应的各推荐信息组的权重。需要说明的是，惯性权重WK随着调整次数K的增加而减小，具体确定WK的公式可以是其中，Ws为预设的初始惯性权重，可人为根据经验设置，We为预设的最后惯性权重值，也可人为根据经验设置，K为当前的调整次数，Kmax是预设的最大调整次数。由上述公式可见，假设本次调整为第K+1次，则该公式中的Pbest可以通过迭代信息中的上一次确定的推荐列表的准确度和本次推荐列表的准确度经过对比而确定，而Gbest可以通过每次得到的各推荐列表的准确度中的最高准确度和本次推荐列表的准确度经过对比而确定，VK也可以通过迭代信息中的上一 次调整各推荐信息组的权重的调整量来确定。于是，可以通过计算确定本次调整量VK+1，进而根据公式XK+1＝XK+VK+1，确定本次调整后的各推荐信息组的权重。另外，需要说明的是，本申请采用的优化算法可以是粒子群算法、遗传算法、蚁群算法、退火算法等，本申请仅以粒子群算法为例说明，但并不限定使用何种优化算法确定各推荐信息组的权重调整量。在确定了该调整后的各推荐信息组的权重后，就可以依据在步骤S103中所述的方法，确定调整后的推荐列表。当确定调整后的推荐列表后，即可依据在步骤S104中所述的方法判断该推荐列表是否满足推荐条件，若满足则执行步骤S105推荐该推荐列表中的信息给用户，若不满足则可以继续重复上述步骤S106所述的方法，直到确定的推荐列表满足该推荐条件，并执行步骤S105。另外，由于在步骤S104中进行推荐列表的准确度判断时，是根据用户的历史行为信息判断的，而由前述步骤S101～S103可知，该推荐列表也是根据用户的历史行为信息确定的，这就使得在步骤S104进行判断时，服务器是使用同一组信息来判断由该组信息确定的推荐列表是否与该组信息一致。这就会导致确定的推荐列表的准确度受到干扰，其可信度不高。所以，为了使确定的推荐列表的准确度更加可信，本申请还可以通过步骤S102确定若干个推荐信息组之前，将该用户的历史行为信息划分为测试信息和参照信息。则划分得到的该测试信息用于根据本申请提供的步骤S102、步骤S103来确定推荐列表。即，则在步骤S102中，可根据测试信息，采用不同的推荐算法确定若干个推荐信息组，并通过步骤S103确定推荐列表。划分得到的该参照信息则用于在步骤S104中与该推荐信息列表进行比对，确定该推荐信列表的准确度。即，在步骤S104中，可根据参照信息，确定推荐列表的准确度。由于该参照信息同样是用户的历史行为信息，且与确定该推荐列表的用户 历史行为信息不同，所以以该参照信息做对比可以更加准确的确定推荐信息列表的准确度，其可信度更高。具体的，在根据参照信息确定推荐列表的准确度时，可以使用公式来进行准确度的计算，其中P表示准确度，R表示推荐列表中信息的合集，T表示参照信息中包含的信息的合集，u表示针对用户u的准确度。由此可见，根据参照信息确定的推荐列表准确度能更加准确的反映，推荐列表中包含的信息，有多少是符合用户需求的。例如，假设服务器已经在步骤S102中将该用户I的历史行为信息划分为测试信息和参照信息，且在步骤S103中确定的推荐列表是根据该测试信息确定的。在本申请中的预设阈值为0.4，则根据该参照信息(如，商品A、商品Q、商品R、商品H、商品M)，判断该推荐列表中包含的信息，商品A、商品O、商品M、商品G、商品C的准确度。根据公式则可以知道PI＝0.4，则准确度不大于预设的阈值，判定该推荐列表不满足预设的推荐条件，需要继续执行步骤S106。进一步的，通过步骤S103～S106的迭代方法调整各推荐信息组的权重时，有可能出现多次调整后，确定的推荐列表的准确度仍然不大于预设的阈值的情况。这种情况会导致服务器耗费了大量的资源后，仍不能推荐信息给用户的问题。所以为了避免出现大量重复调整后，确定的推荐列仍然不能满足推荐条件的情况的出现。本申请还可以再设定一个以调整次数是否达到预设次数的推荐条件，即当推荐列表的调整次数达到预设的推荐次数时，将确定的Gbest的权重所确定的推荐列表中的信息作为推荐给用户的信息。具体的，所述预设的推荐次数可以是上述的最大调整次数Kmax。由于Gbest对应的推荐列表是确定的所有推荐列表中准确度最高的推荐列表，因此也可以一定程度上满足用户的需求，且可以避免导致服务器耗费了大 量的资源后，也不能推荐信息给用户的问题。另外，本申请提供的上述如图1所示的推荐方法，可以由用户执行的某些指定操作触发，如，用户在登录账号时，可自动触发如图1所示的方法，用以为该用户推荐信息。当然，也可按照设定的时间间隔触发执行上述方法，这里就不再一一赘述。需要说明的是，本申请中所述的推荐方法可以采用多服务器执行，具体可以采用内容分发网络中的各服务器执行，使执行该推荐方法的压力可以分摊到多个服务器中。基于图1所示的信息推荐过程，本申请实施例还提供了一种信息推荐装置，如图2所示。图2是本申请实施例提供的一种信息推荐装置的结构示意图，具体包括：行为确定模块201，用于确定用户的历史行为信息；信息组确定模块202，用于根据所述历史行为信息，分别确定若干个推荐信息组；混合模块203，用于根据针对各推荐信息组预设的权重，确定推荐列表；判断推荐模块204，用于判断所述推荐列表是否满足预设的推荐条件，若满足，则将所述推荐列表中包含的信息推荐给所述用户，若不满足，则调整各推荐信息组的权重，并指示所述混合模块203根据调整后的权重重新确定推荐列表，直到所述混合模块203确定的推荐列表满足所述推荐条件，并将推荐列表中包含的信息推荐给所述用户为止。所述信息组确定模块202，还用于根据所述历史行为信息，分别确定若干个推荐信息组之前，将所述用户的历史行为信息划分为测试信息和参照信息，则所述信息组确定模块202具体用于根据所述测试信息，采用不同的推荐算法确定若干个推荐信息组。所述混合模块203，具体用于针对每个推荐信息组，根据该推荐信息组的权重，以及该推荐信息组中包含的每个信息相对于该推荐信息组的子权重，针 对每个信息，确定该信息相对于每个推荐信息组的推荐权重，确定每个信息相对于该推荐信息组的子权重之和，作为该信息的总权重，根据每个信息的总权重，确定推荐列表。所述判断推荐模块204，具体用于根据所述参照信息，确定所述推荐列表的准确度，判断所述准确度是否满足大于预设阈值，若是，则判定所述推荐列表满足预设的推荐条件，否则，判定所述推荐列表不满足预设的推荐条件。所述判断推荐模块204，具体用于根据下述迭代信息中的至少一种，确定调整各推荐信息组的权重的调整量，根据确定的调整量，调整各推荐信息组的权重；所述迭代信息包括：上一次调整各推荐信息组的权重的调整量、上一次确定的推荐列表的准确度、每次得到的各推荐列表的准确度中的最高准确度。所述判断推荐模块204，还用于当调整各推荐信息组的权重的次数达到预设次数时，确定每次得到的各推荐列表中准确度最高的推荐列表，将准确度最高的推荐列表中包含的信息推荐给所述用户。具体的，上述如图2所示的信息推荐装置可以位于各类网站的服务器中，该服务器可以是一个也可以是多个。当该服务器为多个的时候，具体还可以采用内容分发网络，建立多个服务器之间的联系，具体的实施方法本申请本不做限定。在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其 他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。当前第1页1 2 3