本发明涉及互联网技术领域，尤其涉及一种更新资源文件标签权重值的方法及装置。
背景技术：
随着互联网的发展与智能终端的普及，大量的应用程序应运而生。为了满足人们的需求，应用程序中的资源也越来越丰富，例如，图片资源、音频资源、视频资源等，视频资源中还包括大量的短视频资源，如秒拍应用程序、美拍应用程序和微视应用程序等上传的资源。
由于资源极其丰富，在使用应用程序的过程中，往往需要耗费大量的时间从眼花缭乱的资源中查找感兴趣的资源，存在效率较低的缺陷，进而影响用户体验。
为了能让用户尽快找到感兴趣的资源，目前一般会根据资源的标签向用户推荐资源，然后用户从推荐的资源中查找感兴趣的资源即可，虽然上述方法可以在一定程度上提高用户查找的效率，但是由于推荐的资源的标签一般是人工操作，并且是不变的，那么资源与对应的标签可能不匹配，关联程度较低，因此，现有技术中存在资源与标签的关联程度较低的缺陷。
技术实现要素：
鉴于上述问题，提出了本发明，以便提供一种克服上述问题或者至少部分地解决上述问题的一种更新资源文件标签权重值的方法及装置，用于解决现有技术中存在的资源文件与标签的关联程度较低的缺陷。
依据本发明的第一方面，提供了一种更新资源文件标签权重值的方法，包括：计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
依据本发明的第二方面，提供了一种更新资源文件标签权重值的装置，包括：计算单元，用于计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；所述计算单元还用于，计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；更新单元，用于根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
本发明实施例中，计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；然后，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重；这样，每个资源文件与各个标签的关联程度会根据操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率进行调整，并不是人工来将资源文件与标签对应，因此，可以提高资源文件与标签的关联度，由于关联权重会不断调整，不是固定不变的，因此，进一步还可以提高资源文件与标签的关联程度的准确度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是根据本发明的实施例提出的更新资源文件标签权重值的流程图；
图2是根据本发明的实施例提出的兴趣点网络层级拓扑图的示意图；
图3是根据本发明的实施例提出的更新资源文件标签权重值的装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示意性地示出了根据本发明实施方式的更新资源文件标签权重值的方法10的流程示意图。如图1所示，该方法10可以包括步骤100、110、120和130。
步骤100：计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；
步骤110：计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；
步骤120：根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，第二级目标团簇有4个：B1、B2、B3和B4，第三级目标团簇有2个：C1和C2，第四级目标团簇有1个：D1，针对A1中的视频1，先计算视频1分别与A1、A2、A3、A4、A5、A6、A7、A8、A9、A10相关联的关联权重，得到10个关联权重，关联权重1、关联权重2、关联权重3、关联权重4、关联权重5、关联权重6、关联权重7、关联权重8、关联权重9、关联权重10，计算播放视频1的用户对各个标签下的资源感兴趣的概率，如得到概率1,、概率2、概率3、……、概率10，并用概率1更新关联权重1，用概率2更新关联权重2，用概率3更新关联权重3，用概率4更新关联权重4，……，用概率10更新关联权重10。
本发明实施例中，针对资源文件类型的不同，操作方式可能不同，例如，针对音频文件或者视频文件，操作可能为播放，针对文本文件，操作方式可能是浏览，当然上述只是几种示例，在此不做具体限定。
本发明实施例中，计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重时，可选地，可以采用如下方式：
构建所述资源文件的第一向量；
针对所述每一个第一级目标团簇，构建该第一级目标团簇的第二向量，并将所述第二向量与所述第一向量的距离值作为所述资源文件与该第一级目标团簇的标签相关联的关联权重。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，视频1与标签1相关联的关联权重为关联权重1，视频1与标签2相关联的关联权重为关联权重2，……，视频1与标签10相关联的关联权重为关联权重10，其中，针对视频1构建的向量为向量1，计算关联权重1时，,构建A1的向量2，并将向量1和向量2之间的距离作为关联权重1；计算关联权重2时，构建A2的向量3，并将向量1和向量3之间的距离作为关联权重2；计算关联权重3时，构建A3的向量4，将向量1和向量4之间的距离作为关联权重3；……；以此类推，计算关联权重10时，构建A10的向量11，将向量1和向量11之间的距离作为关联权重10。
本发明实施例中，构建该第一级目标团簇的第二向量时，可选地，可以采用如下方式：
构建该第一级目标团簇中的每一个资源文件的第三向量；
根据针对该第一级目标团簇的所有第三向量确定该第一级目标团簇的第二向量。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，构建A1的第二向量时，先构建视频1的第三向量1、视频4的第三向量2和视频8的第三向量3，并根据第三向量1、第三向量2和第三向量3确定A1的第二向量；构建A2的第二向量时，先构建视频2的第三向量4,、视频19的第三向量5，并根据第三向量4和第三向量5确定A2的第二向量；针对A3，直接根据构建的视频20的第三向量确定A3的第二向量，等等，以此类推，针对A10，构建视频12的第三向量19、视频15的第三向量20，并根据第三向量19和第三向量20确定A10的第二向量。
本发明实施例中，计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率时，可选地，可以采用如下方式：
针对任意一标签，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率；
将所述子概率之和作为操作所述资源文件的对象对该标签下的资源感兴趣的概率。
例如，兴趣点网络层级拓扑图包括的第一级目标团簇有3个，A1、A2和A3，视频1与A1的关联权重为0.5，视频1与A2的关联权重为0.3，视频1与A3的关联权重为0.2，播放视频1的用户数为10，针对A1，计算播放视频1的10个用户中的每一个用户对A1下的视频感兴趣的子概率，如，用户1对A1下的视频感兴趣的子概率1，用户2对A1下的视频感兴趣的子概率2，用户3对A1下的视频感兴趣的子概率3，……，用户10对A1下的视频感兴趣的子概率10，并将子概率1、子概率2、子概率3、……、子概率10之和作为播放视频1的10个用户对A1下的视频感兴趣的概率，针对A2、A3的计算过程与针对A1的计算过程类似，在此不再进行详述。
本发明实施例中，为了避免各个子概率对总概率的影响有较大差别，可以将子概率进行归一化处理，使得各个归一化处理后的各个子概率处于同一区间，如，归一化处理后的子概率都处于[0,1]之间，仍以上述示例为例进行说明，如为了避免子概率1、子概率2、子概率3、……、子概率10对用户对A1下的视频感兴趣的概率的影响差别较大，可以将子概率1、子概率2、子概率3、……、子概率10进行归一化处理，使得归一化处理后的各个子概率都处于同一区间，如都处于[0,1]之间。
上述是以用户数为10为例进行说明，当然，实际应用中可能播放视频1的用户数远远大于10，但是计算原理是类似的，在此不再进行详述。
本发明实施例中，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率的方式有多种，可选地，可以采用如下方式：
针对每一个对象，确定该对象操作的至少一个资源文件与该标签的关联权重，将确定的所有关联权重相加，得到该对象对该标签下的资源感兴趣的子概率。
仍以上述例子为例进行说明，如计算用户1对A1下的视频感兴趣的子概率1时，确定用户1播放的视频，如用户1播放了10个视频：视频1、视频2、视频3、……、视频10，视频1与A1的关联权重为a1、视频2与A1的关联权重为a2、视频3与A1的关联权重为a3、……、视频10与A1的关联权重为a10，则将a1、a2、a3、……、a10之和作为用户1对A1下的视频感兴趣的子概率。
同理，为了避免各个关联权重对子概率的影响有较大差别，可以将关联权重进行归一化处理，使得各个归一化处理后的关联权重处于同一区间，如，归一化处理后的关联权重都处于[0,1]之间，仍以上述示例为例进行说明，如为了避免a1、a2、a3、……、a10对用户1对A1下的视频感兴趣的子概率的影响差别较大，可以将a1、a2、a3、……、a10进行归一化处理，使得归一化处理后的各个关联权重都处于同一区间，如都处于[0,1]之间。
本发明实施例中，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重时，可选地，可以采用如下方式：
针对每一个标签，直接采用计算得到的对应的概率代替所述资源文件与该标签的关联权重；或者
针对每一个标签，将计算得到的对应的概率与对应的关联权重之和代替所述资源文件与该标签的关联权重。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，资源文件为A1中的视频1，先计算视频1分别与A1、A2、A3、A4、A5、A6、A7、A8、A9、A10的关联权重，得到10个关联权重，关联权重1、关联权重2、关联权重3、关联权重4、关联权重5、关联权重6、关联权重7、关联权重8、关联权重9、关联权重10，计算播放视频1的对象对标签1、标签2、标签3、……、标签10下的视频感兴趣的概率，如得到概率1,、概率2、概率3、……、概率10，并用概率1直接替换关联权重1，用概率2直接替换关联权重2，用概率3直接替换关联权重3，用概率4直接替换关联权重4，……，用概率10直接替换关联权重10；或者，用概率1与关联权重1之和作为视频1与A1的新的关联权重1，用概率2与关联权重2之和作为视频1与A2的新的关联权重2，用概率3与关联权重3之和作为视频1与A3的新的关联权重3，……，以此类推，用概率10与关联权重10之和作为视频1与A10的新的关联权重10。
需要说明的是，由于在更新资源文件与标签的关联权重值的过程会用到用户对标签下的资源感兴趣的概率，而计算用户对标签下的资源感兴趣的概率时又会用到资源文件与标签的关联权重值，因此，上述过程是一个迭代的过程，更新完关联权重值之后，还会进一步更新用户对标签下的资源感兴趣的概率，反反复复，直至计算得到的关联权重值稳定为止。
本发明实施例中，所述资源文件为所述兴趣点网络层级拓扑图中的文件或者为新增加的文件。
例如，资源文件为图2中所示的A1中的视频1，或者也可以是图2中所示的视频之外的文件。
在向操作资源文件的对象推荐资源文件时，会根据资源文件与各个标签的关联权重推荐，那么资源文件与各个标签的关联权重更新之后，推荐的方式也会发生变化，例如，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重之后，会采用如下方式推荐：
按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，第二级目标团簇有4个：B1、B2、B3和B4，第三极目标团簇有2个：C1和C2，第四级目标团簇有1个：D1，针对A1中的视频1，先计算视频1分别与A1、A2、A3、A4、A5、A6、A7、A8、A9、A10相关联的关联权重，得到10个关联权重，关联权重1、关联权重2、关联权重3、关联权重4、关联权重5、关联权重6、关联权重7、关联权重8、关联权重9、关联权重10，在关联权重更新之前，按照关联权重1向播放视频1的用户推荐标签1下的视频，按照关联权重2向播放视频1的用户推荐标签2下的视频，按照关联权重3向播放视频1的用户推荐标签3下的视频，以此类推，按照关联权重10向播放视频1的用户象推荐标签10下的视频，向播放视频1的用户推荐各个标签下的视频后，计算播放视频1的用户对各个标签下的资源感兴趣的概率，如得到概率1,、概率2、概率3、……、概率10，并用概率1替换关联权重1，用概率2替换关联权重2，用概率3替换关联权重3，用概率4替换关联权重4，……，用概率10替换关联权重10，此时，再向播放视频1的用户推荐视频时，按照概率1向播放视频1的用户推荐标签1下的视频，按照概率2向播放视频1的用户推荐标签2下的视频，按照概率3向播放视频1的用户推荐标签3下的视频，以此类推，按照概率10向播放视频1的用户象推荐标签10下的视频。
其中，按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件时，可选地，可以采用如下方式：
针对每一个标签，从操作所述资源文件的对象中选择出所占比例为与该标签对应的更新后的关联权重的目标对象；并向选择出的目标对象推荐该标签下的资源文件。
例如，兴趣点网络层级拓扑图包括的第一级目标团簇有3个，A1、A2和A3，视频1与A1的更新后的关联权重为0.5，视频1与A2的更新后的关联权重为0.3，视频1与A3的更新后的关联权重为0.2，播放视频1的人数为100万，针对A1，向100万中的50％的用户推荐A1中包括的视频，针对A2，向100万中的30％的用户推荐A2中包括的视频，针对A3，向100万中的20％的用户推荐A3中包括的视频。
参阅图3所示，本发明实施例中，还提出一种更新资源文件标签权重值的装置30，包括：
计算单元300，用于计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；
所述计算单元300，用于计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；
更新单元310，用于根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，第二级目标团簇有4个：B1、B2、B3和B4，第三级目标团簇有2个：C1和C2，第四级目标团簇有1个：D1，针对A1中的视频1，先计算视频1分别与A1、A2、A3、A4、A5、A6、A7、A8、A9、A10相关联的关联权重，得到10个关联权重，关联权重1、关联权重2、关联权重3、关联权重4、关联权重5、关联权重6、关联权重7、关联权重8、关联权重9、关联权重10，计算播放视频1的用户对各个标签下的资源感兴趣的概率，如得到概率1,、概率2、概率3、……、概率10，并用概率1更新关联权重1，用概率2更新关联权重2，用概率3更新关联权重3，用概率4更新关联权重4，……，用概率10更新关联权重10。
本发明实施例中，针对资源文件类型的不同，操作方式可能不同，例如，针对音频文件或者视频文件，操作可能为播放，针对文本文件，操作方式可能是浏览，当然上述只是几种示例，在此不做具体限定。
本发明实施例中，可选地，所述计算单元300计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，包括：
构建所述资源文件的第一向量；
针对所述每一个第一级目标团簇，构建该第一级目标团簇的第二向量，并将所述第二向量与所述第一向量的距离值作为所述资源文件与该第一级目标团簇的标签相关联的关联权重。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，第一级目标团簇对应的标签分别为：标签1、标签2、标签3、标签4、标签5、标签6、标签7、标签8、标签9、标签10，视频1与标签1相关联的关联权重为关联权重1，视频1与标签2相关联的关联权重为关联权重2，……，视频1与标签10相关联的关联权重为关联权重10，其中，针对视频1构建的向量为向量1，计算关联权重1时，,构建A1的向量2，并将向量1和向量2之间的距离作为关联权重1；计算关联权重2时，构建A2的向量3，并将向量1和向量3之间的距离作为关联权重2；计算关联权重3时，构建A3的向量4，将向量1和向量4之间的距离作为关联权重3；……；以此类推，计算关联权重10时，构建A10的向量11，将向量1和向量11之间的距离作为关联权重10。
本发明实施例中，所述计算单元300构建该第一级目标团簇的第二向量，包括：
构建该第一级目标团簇中的每一个资源文件的第三向量；
根据针对该第一级目标团簇的所有第三向量确定该第一级目标团簇的第二向量。
例如，兴趣点网络层级拓扑图如图2所示，兴趣点网络层级拓扑图包括4级目标团簇，第一级目标团簇有10个：A1、A2、A3、A4、A5、A6、A7、A8、A9、A10，构建A1的第二向量时，先构建视频1的第三向量1、视频4的第三向量2和视频8的第三向量3，并根据第三向量1、第三向量2和第三向量3确定A1的第二向量；构建A2的第二向量时，先构建视频2的第三向量4,、视频19的第三向量5，并根据第三向量4和第三向量5确定A2的第二向量；针对A3，直接根据构建的视频20的第三向量确定A3的第二向量，等等，以此类推，针对A10，构建视频12的第三向量19、视频15的第三向量20，并根据第三向量19和第三向量20确定A10的第二向量。
本发明实施例中，所述计算单元300计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率，包括：
针对任意一标签，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率；
将所述子概率之和作为操作所述资源文件的对象对该标签下的资源感兴趣的概率。
例如，兴趣点网络层级拓扑图包括的第一级目标团簇有3个，A1、A2和A3，视频1与A1的关联权重为0.5，视频1与A2的关联权重为0.3，视频1与A3的关联权重为0.2，播放视频1的用户数为10，针对A1，计算播放视频1的10个用户中的每一个用户对A1下的视频感兴趣的子概率，如，用户1对A1下的视频感兴趣的子概率1，用户2对A1下的视频感兴趣的子概率2，用户3对A1下的视频感兴趣的子概率3，……，用户10对A1下的视频感兴趣的子概率10，并将子概率1、子概率2、子概率3、……、子概率10之和作为播放视频1的10个用户对A1下的视频感兴趣的概率，针对A2、A3的计算过程与针对A1的计算过程类似，在此不再进行详述。
上述是以用户数为10为例进行说明，当然，实际应用中可能播放视频1的用户数远远大于10，但是计算原理是类似的，在此不再进行详述。
本发明实施例中，可选地，所述计算单元300计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率，包括：
针对每一个对象，确定该对象操作的至少一个资源文件与该标签的关联权重，将确定的所有关联权重相加，得到该对象对该标签下的资源感兴趣的子概率。
仍以上述例子为例进行说明，如计算用户1对A1下的视频感兴趣的子概率1时，确定用户1播放的视频，如用户1播放了10个视频：视频1、视频2、视频3、……、视频10，视频1与A1的关联权重为a1、视频2与A1的关联权重为a2、视频3与A1的关联权重为a3、……、视频10与A1的关联权重为a10，则将a1、a2、a3、……、a10之和作为用户1对A1下的视频感兴趣的子概率。
本发明实施例中，可选地，所述更新单元310根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重，包括：
针对每一个标签，直接采用计算得到的对应的概率代替所述资源文件与该标签的关联权重；或者
针对每一个标签，将计算得到的对应的概率与对应的关联权重之和代替所述资源文件与该标签的关联权重。
本发明实施例中，可选地，所述资源文件为所述兴趣点网络层级拓扑图中的文件或者为新增加的文件。
本发明实施例中，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重之后，所述装置还包括推荐单元320，用于按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件。
本发明实施例中，可选地，所述推荐单元320按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件，包括：
针对每一个标签，从操作所述资源文件的对象中选择出所占比例为与该标签对应的更新后的关联权重的目标对象；并向选择出的目标对象推荐该标签下的资源文件。
例如，兴趣点网络层级拓扑图包括的第一级目标团簇有3个，A1、A2和A3，视频1与A1的更新后的关联权重为0.5，视频1与A2的更新后的关联权重为0.3，视频1与A3的更新后的关联权重为0.2，播放视频1的人数为100万，针对A1，向100万中的50％的用户推荐A1中包括的视频，针对A2，向100万中的30％的用户推荐A2中包括的视频，针对A3，向100万中的20％的用户推荐A3中包括的视频。
本发明实施例中，还提出一种更新资源文件标签权重值的装置，包括：
一个或者多个处理器；
存储器；
存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如上所述的方法。
本发明实施例中，还提出一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如上所述的方法。
本发明还公开了：
A1、一种更新资源文件标签权重值的方法，包括：
计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；
计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；
根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
A2、如A1所述的方法，计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，包括：
构建所述资源文件的第一向量；
针对所述每一个第一级目标团簇，构建该第一级目标团簇的第二向量，并将所述第二向量与所述第一向量的距离值作为所述资源文件与该第一级目标团簇的标签相关联的关联权重。
A3、如A2所述的方法，构建该第一级目标团簇的第二向量，包括：
构建该第一级目标团簇中的每一个资源文件的第三向量；
根据针对该第一级目标团簇的所有第三向量确定该第一级目标团簇的第二向量。
A4、如A1所述的方法，计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率，包括：
针对任意一标签，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率；
将所述子概率之和作为操作所述资源文件的对象对该标签下的资源感兴趣的概率。
A5、如A4所述的方法，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率，包括：
针对每一个对象，确定该对象操作的至少一个资源文件与该标签的关联权重，将确定的所有关联权重相加，得到该对象对该标签下的资源感兴趣的子概率。
A6、如A1-A5任一项所述的方法，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重，包括：
针对每一个标签，直接采用计算得到的对应的概率代替所述资源文件与该标签的关联权重；或者
针对每一个标签，将计算得到的对应的概率与对应的关联权重之和代替所述资源文件与该标签的关联权重。
A7、如A1所述的方法，所述资源文件为所述兴趣点网络层级拓扑图中的文件或者为新增加的文件。
A8、如A1所述的方法，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重之后，所述方法还包括：
按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件。
A9、如A8所述的方法，按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件，包括：
针对每一个标签，从操作所述资源文件的对象中选择出所占比例为与该标签对应的更新后的关联权重的目标对象；并向选择出的目标对象推荐该标签下的资源文件。
A10、一种更新资源文件标签权重值的装置，包括：
计算单元，用于计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，所述兴趣点网络层级拓扑图包括N级目标团簇，第J级目标团簇包括至少一个第J-1级目标团簇，1＜J≥N，所述J为整数，所述每一个第一级目标团簇均包括至少一个资源文件，一个第一级目标团簇对应一个标签，且任意两个不同的第一级目标团簇对应的标签不同；
所述计算单元，用于计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率；
更新单元，用于根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重。
A11、如A10所述的装置，所述计算单元计算资源文件与兴趣点网络层级拓扑图中的每一个第一级目标团簇的标签相关联的关联权重，包括：
构建所述资源文件的第一向量；
针对所述每一个第一级目标团簇，构建该第一级目标团簇的第二向量，并将所述第二向量与所述第一向量的距离值作为所述资源文件与该第一级目标团簇的标签相关联的关联权重。
A12、如A11所述的装置，所述计算单元构建该第一级目标团簇的第二向量，包括：
构建该第一级目标团簇中的每一个资源文件的第三向量；
根据针对该第一级目标团簇的所有第三向量确定该第一级目标团簇的第二向量。
A13、如A10所述的装置，所述计算单元计算操作所述资源文件的对象对所述每一个标签下的资源感兴趣的概率，包括：
针对任意一标签，计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率；
将所述子概率之和作为操作所述资源文件的对象对该标签下的资源感兴趣的概率。
A14、如A13所述的装置，所述计算单元计算操作所述资源文件的对象中的每一个对象对该标签下的资源感兴趣的子概率，包括：
针对每一个对象，确定该对象操作的至少一个资源文件与该标签的关联权重，将确定的所有关联权重相加，得到该对象对该标签下的资源感兴趣的子概率。
A15、如A10-A14任一项所述的装置，所述更新单元根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重，包括：
针对每一个标签，直接采用计算得到的对应的概率代替所述资源文件与该标签的关联权重；或者
针对每一个标签，将计算得到的对应的概率与对应的关联权重之和代替所述资源文件与该标签的关联权重。
A16、如A10所述的装置，所述资源文件为所述兴趣点网络层级拓扑图中的文件或者为新增加的文件。
A17、如A10所述的装置，根据计算得到的对应的概率更新所述资源文件与所述每一个标签的关联权重之后，所述装置还包括推荐单元，用于按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件。
A18、如A17所述的装置，所述推荐单元按照更新后的关联权重向操作所述资源文件的对象推荐所述资源文件，包括：
针对每一个标签，从操作所述资源文件的对象中选择出所占比例为与该标签对应的更新后的关联权重的目标对象；并向选择出的目标对象推荐该标签下的资源文件。
A19、一种更新资源文件标签权重值的装置，包括：
一个或者多个处理器；
存储器；
存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如A1-A9中任意一项所述的方法。
A20、一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如A1-A9中任意一项所述的方法。
在此提供的方法和装置不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的若干模块组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者模块中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个装置实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。