一种对象推荐方法、装置、介质以及设备与流程

本申请涉及互联网技术领域，具体涉及一种基于协同过滤算法的对象推荐方法、装置、介质以及设备。

背景技术

随着互联网技术的快速发展，多种多样的网络平台已进入人们的日常生活与工作中，给人们的工作和生活带来众多便利；例如目前广受用户喜爱的电子商务平台、新闻平台、视频平台、服务推荐平台等等，这些网络平台为了给平台用户提供更个性化、更精准的服务，往往需要通过推荐系统来实现精准性个性化推荐。

现阶段被广泛应用的推荐系统是基于协同过滤算法实现的，其工作原理是基于用户协同的协同过滤，先根据目标用户的用户行为找到目标用户的相似用户，然后直接根据相似用户对对象的评分情况确定待推荐给目标用户的目标对象。

由于目前这种推荐系统仅基于用户协同维度，从目标用户自己感兴趣的对象中为目标用户选择待推荐的目标对象，其并不考虑从热门对象的维度为目标用户进行推荐的因素，因此，在实际应用中，该推荐系统的推荐结果不能够为用户推荐用户感兴趣的新颖对象，不满足网络平台的业务需求，导致网络平台用户流失。

技术实现要素：

本申请实施例提供了一种对象推荐方法，该方法能够保证为目标对象确定的待推荐的目标对象是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门对象，从而保证推荐结果的精准性，满足网络平台的业务需求。另外，本申请实施例为了保证上述方法在实际中的应用和实现，还提供了一种对象推荐装置、设备以及计算机存储介质。

有鉴于此，本申请第一方面提供了一种对象推荐方法，所述方法包括：

计算对象集中各对象各自对应的第一分值和第二分值，所述第一分值是根据对象的用户评分的方差以及平均值计算得到的分值，所述第二分值是根据目标用户的相似用户对对象的用户评分计算得到的分值；根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值；

根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象。

可选的，所述根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象，包括：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为待推荐给所述目标用户的目标对象，其中，m取值为大于2的正整数。

可选的，所述根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象，包括：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为候选对象，其中，m取值为大于2的正整数；

针对各候选对象，计算候选对象与所述目标用户的感兴趣对象集中各对象之间的相似度，作为第一相似度；以及，计算候选对象与所述目标用户的非感兴趣对象集中各对象之间的相似度，作为第二相似度；

根据各候选对象各自对应的所述第一相似度和所述第二相似度，计算得到各候选对象的相似度差异分值，所述相似度差异分值用于表征候选对象符合目标用户兴趣趋向的程度；

按照相似度差异分值由大到小顺序选择排序靠前的n个对象,作为待推荐给所述目标用户的目标对象,其中，n为小于m的正整数。

可选的，所述方法还包括：

根据所述目标用户的历史行为数据，更新所述目标用户对应的感兴趣对象集和非感兴趣对象集。

可选的，所述方法还包括：

根据目标用户的属性特征从对象平台中获取与所述属性特征匹配的对象，生成对象集。

可选的，所述根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值，包括：

针对各对象，计算对象对应的所述第一分值与第一平衡系数的乘积得到对象对应的第一乘积，以及，计算对象对应的所述第二分值与第二平衡系数的乘积得到对象对应的第二乘积；所述第一平衡系数小于所述第二平衡系数，且，所述第一平衡系数与所述第二平衡系数的和值为一；

计算各对象各自对应的所述第一乘积与所述第二乘积之间的和值，作为各对象各自对应的综合分值。

可选的，所述计算对象集中各对象各自对应的第一分值，包括：

根据各对象的用户评分计算得到各对象各自对应的第一平均值以及第二平均值，所述第一平均值是用户评分中的好评类评分的平均值，所述第二平均值是用户评分中差评类评分的平均值；

根据各对象各自对应的所述第一平均值计算评分方差得到好评方差，以及根据所述第二平均值计算对象的评分方差得到差评方差；

根据各对象各自对应的所述好评方差和所述坏评方差，对各对象对应的所述第一平均值以及所述第二平均值进行加权运算得到各对象各自对应的第一分值。

可选的，所述计算对象集中各对象各自对应的第二分值包括：

计算目标用户的相似用户对对象的用户评分的平均值，将所述平均值作为所述对象的第二分值。

可选的，所述对象为物品、新闻、视频和广告中的任意一种。

本申请第二方面提供一种对象推荐装置，所述装置包括：

第一计算模块，用于计算对象集中各对象各自对应的第一分值和第二分值，所述第一分值是根据对象的用户评分的方差以及平均值计算得到的分值，所述第二分值是目标用户的相似用户对对象的用户评分的平均值；

第二计算模块，用于根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值；

确定模块，用于根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象。

可选的，所述确定模块具体用于：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为待推荐给所述目标用户的目标对象，其中，m取值为大于2的正整数。

可选的，所述确定模块具体用于：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为候选对象，其中，m取值为大于2的正整数；

针对各候选对象，计算候选对象与所述目标用户的感兴趣对象集中各对象之间的相似度，作为第一相似度；以及，计算候选对象与所述目标用户的非感兴趣对象集中各对象之间的相似度，作为第二相似度；

根据各候选对象各自对应的所述第一相似度和所述第二相似度，计算得到各候选对象的相似度差异分值，所述相似度差异分值用于表征候选对象符合目标用户兴趣趋向的程度；

按照相似度差异分值由大到小顺序选择排序靠前的n个对象,作为待推荐给所述目标用户的目标对象,其中，n为小于m的正整数。

可选的，所述装置还包括更新模块，所述更新模块用于：

根据所述目标用户的历史行为数据，更新所述目标用户对应的感兴趣对象集和非感兴趣对象集。

可选的，所述装置还包括生成模块，所述生成模块用于：

根据目标用户的属性特征从对象平台中获取与所述属性特征匹配的对象，生成对象集。

可选的，所述第二计算模块具体用于：

针对各对象，计算对象对应的所述第一分值与第一平衡系数的乘积得到对象对应的第一乘积，以及，计算对象对应的所述第二分值与第二平衡系数的乘积得到对象对应的第二乘积；所述第一平衡系数小于所述第二平衡系数，且，所述第一平衡系数与所述第二平衡系数的和值为一；

计算各对象各自对应的所述第一乘积与所述第二乘积之间的和值，作为各对象各自对应的综合分值。

可选的，所述第一计算模块具体用于：

根据各对象的用户评分计算得到各对象各自对应的第一平均值以及第二平均值，所述第一平均值是用户评分中的好评类评分的平均值，所述第二平均值是用户评分中差评类评分的平均值；

根据各对象各自对应的所述第一平均值计算评分方差得到好评方差，以及根据所述第二平均值计算对象的评分方差得到差评方差；

根据各对象各自对应的所述好评方差和所述坏评方差，对各对象对应的所述第一平均值以及所述第二平均值进行加权运算得到各对象各自对应的第一分值。

可选的，所述第一计算模块具体用于：

计算目标用户的相似用户对对象的用户评分的平均值，将所述平均值作为所述对象的第二分值。

可选的，所述对象为物品、新闻、视频和广告中的任意一种。

本申请第三方面提供一种对象推荐设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的对象推荐方法的步骤。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的对象推荐方法。

本申请第五方面提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述第一方面所述的对象推荐方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例提供的一种对象推荐方法，在该方法中基于用户协同的算法以及基于热门对象推荐机制的核心技术，提出了根据两个维度的分值来综合衡量对象符合目标用户兴趣趋向的程度，作为对象的综合分值，其中，一个维度的分值是根据对象的所有用户的用户评分的方差以及平均值计算得到的第一分值，其能够更客观地反应用户对对象的真实兴趣趋向；另一个维度的分值是根据目标用户相关的相似用户对对象的评分计算得到的第二分值，其能够更客观地反应目标用户的所有相似用户公共的真实兴趣趋向；因此，在实际的对象推荐中，根据对象对应的第一分值和第二分值计算得到对象的综合分值，再基于对象的综合分值确定待推荐目标用户的目标对象，其能够保证所确定的目标对象是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门对象，从而保证推荐结果的精准性，满足网络平台的业务需求。

附图说明

图1为本申请实施例中一种对象推荐方法的场景架构图；

图2为本申请实施例中一种对象推荐方法的流程图；

图3为本申请实施例中一种计算第一分值的方法的流程图；

图4为本申请实施例中一种根据综合分值确定推荐给目标用户的目标对象的流程图；

图5为本申请实施例中一种对象推荐装置的结构示意图；

图6为本申请实施例中一种对象推荐设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

传统的推荐系统仅基于用户协同维度，从目标用户自己感兴趣的对象中为目标用户选择待推荐的目标对象，其并不考虑从热门对象的维度为目标用户进行推荐的因素，该推荐系统不能够为用户推荐用户感兴趣的新颖对象，不满足网络平台的业务需求，推荐结果不够精准，无法吸引用户，导致网络平台用户流失。针对推荐系统存在的问题，本申请提供了一种对象推荐方法，在该方法中基于用户协同的算法以及基于热门对象推荐机制的核心技术，提出了根据两个维度的分值来综合衡量对象符合目标用户兴趣趋向的程度，作为对象的综合分值，再基于对象的综合分值确定待推荐目标用户的目标对象。

其中，一个维度的分值是根据对象的所有用户的用户评分的方差以及平均值计算得到的第一分值，其能够更客观地反应用户对对象的真实兴趣趋向；另一个维度的分值是根据目标用户相关的相似用户对对象的评分计算得到的第二分值，其能够更客观地反应目标用户的所有相似用户公共的真实兴趣趋向；因此，在实际的对象推荐中，根据对象对应的第一分值和第二分值计算得到对象的综合分值，再基于对象的综合分值确定待推荐目标用户的目标对象，其能够保证所确定的目标对象是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门对象，从而保证推荐结果的精准性，满足网络平台的业务需求。

可以理解，本申请实施例提供的对象推荐方法可以应用于服务器，上述方法可以应用程序的形式存储于服务器中，服务器通过执行上述应用程序实现上述对象推荐方法，为用户推荐目标对象。需要说明的是，在进行对象推荐时，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

上述对象推荐方法可以应用于电子商务、新闻、视频、服务推荐等平台，给平台用户推荐物品、新闻、视频、服务等，该方法不仅基于用户协同维度，从目标用户自己感兴趣的对象中为目标用户选择待推荐的目标对象，还从热门对象的维度，从热门对象中为目标用户选择待推荐的目标对象，当目标用户的兴趣发生变化时，能够根据该变化推荐用户感兴趣的新颖对象，为用户提供更精准、更个性化的推荐服务。

为了便于理解本申请的技术方案，下面将结合电子商务平台也即电商平台中为平台用户推荐物品这一具体应用场景对本申请提供的对象推荐方法进行介绍。

图1为本申请实施例提供的一种对象推荐方法的场景架构图，参见图1，在该应用场景中，包括该电商平台对应的推荐服务器100以及终端设备200，终端设备200安装有电商平台的客户端，推荐服务器100通过与终端设备200中电商平台的客户端交互，实现为用户进行物品推荐。在该应用场景中，终端设备200包括多个，但每个终端设备与推荐服务器交互的过程是相同的，基于此，本实施例仅以其中一个终端设备200与推荐服务器100的交互过程作为示例，对本申请实施例的物品推荐方法进行说明。

首先，推荐服务器100获取各物品的所有用户评分，对每一物品分别计算所有用户评分的方差以及均值，并根据所有用户评分的方差以及均值确定该物品对应的第一分值；接着，推荐服务器100从所有用户评分中筛选出目标用户的相似用户对物品的评分，根据相似用户的用户评分计算得到第二分值。其次，推荐服务器100根据各物品各自对应的第一分值和第二分值，确定各物品的各自对应的综合分值。再次，推荐服务器100根据各物品各自对应的综合分值确定待推荐给所述目标用户的目标物品。最后，推荐服务器100向目标用户的终端设备200发送目标物品的链接，以使目标用户通过终端设备200查看推荐服务器100推荐的目标物品。

在该应用场景中，电商平台的推荐服务器100在为目标用户推荐物品时，通过表征用户真实兴趣趋向的第一分值，以及表征相似用户公共的真实兴趣趋向的第二分值，从两个维度综合衡量物品符合目标用户兴趣趋向的程度，基于此确定的目标物品是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门物品，即使用户兴趣发生转变也能够为用户推荐符合用户兴趣趋向的物品，保证了推荐结果的精准性，满足了网络平台的业务需求。

接下来，将从服务器的角度，结合附图对本申请实施例提供的对象推荐方法进行介绍。

图2为本申请实施例提供的一种对象推荐方法的流程图，参见图2，该方法包括：

s201：计算对象集中各对象各自对应的第一分值和第二分值。

所述第一分值是根据对象的用户评分的方差以及平均值计算得到的分值，所述第二分值是根据目标用户的相似用户对对象的用户评分计算得到的分值。

其中，对象集是指对象组成的集合。根据应用场景不同，对象可以是不同的。作为本申请的一个具体示例，对象可以是物品、新闻、视频和广告中的任意一种。服务器可以先获取对象集，然后从对象集中选取目标对象推荐给用户。

在本实施例中，服务器可以从对象平台中获取对象集。服务器可以获取对象平台中的所有对象，生成对象集。为了减少计算量，服务器还可以从对象平台中筛选出部分对象，生成对象集。例如，服务器可以根据对象平台中的用户行为数据筛选出热门对象，生成对象集。具体地，服务器可以根据用户行为数据筛选出评价次数超过评价次数阈值、浏览次数超过浏览次数阈值或者分享次数超过分享次数阈值的对象，作为热门对象，生成对象集。在一些可能的实现方式中，服务器可以根据目标用户的属性特征从对象平台中获取与该属性特征匹配的对象，生成对象集。其中，属性特征可以包括性别、年龄、职业、偏好等能够表征用户对对象偏好的特征，服务器可以通过用户画像等方式确定目标用户的属性特征，并基于该属性特征从对象平台中获取与该属性特征匹配的对象。

为了便于理解，结合具体示例进行说明。例如，在电商平台中，推荐服务器根据目标用户的注册信息如性别、年龄，以及目标用户在该电商平台中的收藏、购买、评论等用户行为数据，为目标用户画像，获得目标用户的属性特征，在该示例中，目标用户的属性特征可以为性别女，年龄在25～30岁左右，白领，在该电商平台月均消费3000元以上，偏好购买化妆品，基于此，服务器可以根据该属性特征获取对象平台中与该属性特征匹配的对象，例如，与年龄在25～30左右、消费能力相对较高的女性相匹配的衣物、化妆品等物品，生成对象集。

在获取到对象集后，服务器可以根据对象集中各对象的用户评分计算各对象的第一分值和第二分值。对于对象集中的每一个对象，服务器可以计算针对该对象的用户评分的方差和平均值，得到第一分值；并根据目标用户的相似用户对该对象的用户评分，计算得到第二分值。

s202：根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值。

在本实施例中，服务器可以对第一分值和第二分值进行加权运算，将第一分值和第二分值的加权平均值作为对象的综合分值。具体地，针对各对象，服务器计算对象对应的第一分值与第一平衡系数的乘积得到对象对应的第一乘积，以及，计算对象对应的第二分值与第二平衡系数的乘积得到对应的第二乘积；其中，第一平衡系数小于第二平衡系数，且第一平衡系数与第二平衡系数的和值为1；接着，服务器计算各对象各自对应的第一乘积与第二乘积之间的和值，作为各对象各自对应的综合分值。

其中，综合分值的具体计算过程可以参见如下公式：

score＝(1-a)·rod+a·god(1)

其中，score为综合评分，god为基于热门对象推荐机制确定的第一分值，rod为基于协同过滤机制确定的第二分值，1-a为第一平衡系数，a为第二平衡系数。基于协同过滤机制推荐对象的价值一般高于基于热门对象推荐机制推荐对象的价值，因此，可以设置第一平衡系数小于第二平衡系数。作为本申请的一个具体示例，服务器可以根据经验值将a设置为0.4，则第一平衡系数为0.6，第二平衡系数为0.4。

当然，在具体实现时，也可以根据实际业务需求调整第一平衡系数和第二平衡系数的占比，例如，设置第一平衡系数大于第二平衡系数。

s203：根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象。

由于综合分值可以表征对象符合目标用户兴趣趋向的程度，对象的综合分值越高，则该对象符合目标用户兴趣趋向的程度越高，因此，服务器可以根据各对象各自对应的综合分值确定待推荐给目标用户的目标对象。基于此，服务器可以将确定出的目标对象推荐给目标用户，从而实现本申请实施例所述的对象推荐方法。

由上可知，本申请实施例提供了一种对象推荐方法，在该方法中基于用户协同的算法以及基于热门对象推荐机制的核心技术，提出了根据两个维度的分值来综合衡量对象符合目标用户兴趣趋向的程度，作为对象的综合分值，其中，一个维度的分值是根据对象的所有用户的用户评分的方差以及平均值计算得到的第一分值，其能够更客观地反应用户对对象的真实兴趣趋向；另一个维度的分值是根据目标用户相关的相似用户对对象的评分计算得到的第二分值，其能够更客观地反应目标用户的所有相似用户公共的真实兴趣趋向；因此，在实际的对象推荐中，根据对象对应的第一分值和第二分值计算得到对象的综合分值，再基于对象的综合分值确定待推荐目标用户的目标对象，其能够保证所确定的目标对象是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门对象，从而保证推荐结果的精准性。

针对图2所示实施例中的s201，本申请实施例还提供了一种计算第一分值的具体实现方式。下面将结合附图，对本申请实施例中计算第一分值的方法进行详细介绍。

图3为本申请实施例提供的一种计算第一分值的方法的流程图，参见图3，该方法包括：

s301：根据各对象的用户评分计算得到各对象各自对应的第一平均值以及第二平均值。

所述第一平均值是用户评分中的好评类评分的平均值，所述第二平均值是用户评分中差评类评分的平均值。

服务器将各对象的用户评分按照好评或差评进行分类，然后对各个对象，分别计算用户评分中的好评类评分的平均值，得到各对象的第一平均值，计算用户评分中的差评类评分的平均值，得到各对象的第二平均值。

s302：根据各对象各自对应的所述第一平均值计算评分方差得到好评方差，以及根据所述第二平均值计算对象的评分方差得到差评方差。

在计算得到平均值后，服务器根据该平均值计算评分方差。具体地，针对各个对象，服务器可以根据第一平均值计算整体评分方差，得到好评方差；根据第二平均值计算整体评分方差，得到差评方差。

其中，方差是各个数据与其算术平均数的离差平方和的平均数。具体到本实施例，对于各个对象，服务器采用该对象的第一平均值代替针对该对象的用户评分总体平均值，计算针对对象的用户评分与第一平均值的离差平方和的平均数，作为好评方差；采用第二平均值代替针对该对象的用户评分总体平均值，计算针对对象的用户评分与第二平均值的离差平方和的平均数，作为差评方差。

s303：根据各对象各自对应的所述好评方差和所述差评方差，对各对象对应的所述第一平均值以及所述第二平均值进行加权运算得到各对象各自对应的第一分值。

在本实施例中，针对各对象，服务器将好评方差和差评方差相加，得到各对象各自对应的方差总和。其中，差评方差是根据差评平均分也即第二平均值计算整体方差得到的，好评越多，差评方差的值也越大，因此，可以将差评方差在方差总和的占比，作为好评平均分的权值，也即第一平均值的权值；好评方差是根据好评平均分计算整体方差，则差评越多，好评方差的值也越大，因此，可以将好评方差在方差总和的占比，作为差评平均分的权值，也即第二平均值的权值。服务器根据上述权值对各对象对应的第一平均值以及第二平均值进行加权运算，得到各对象各自对应的第一分值。

基于此，第一分值可以通过如下公式计算：

其中，god表征第一分值，v表征差评方差，r表征好评方差，c代表第一平均值，d代表第二平均值。

由上可知，本申请实施例提供了一种计算第一分值的方法，通过将各对象的用户评分按照好评和差评分别计算好评平均分以及差评平均分，基于该好评平均分、差评平均分分别计算整体方差得到好评方差、差评方差，并基于此确定好评平均分和差评平均分的权值，然后对其加权平均得到第一分值。该方法引入方差对好评类评分以及差评类评分加权相加，从好评以及差评等多个维度计算各对象各自对应的第一分值，该第一分值能够准确地反应所有用户对对象的真实兴趣趋向。

在本申请实施例中，服务器从两个维度综合衡量对象符合目标用户兴趣趋向的程度。因此，服务器除了需要计算第一分值，还需要根据目标用户相关的相似用户对对象的评分计算第二分值。

在一些可能的实现方式中，服务器首先从所有用户中确定与目标用户相似的相似用户，然后根据相似用户对对象的评分计算第二分值。其中，服务器可以根据目标用户的行为数据计算用户间的相似度，基于该相似度确定目标用户的相似用户。在确定相似用户后，服务器可以计算相似用户对对象的用户评分的平均值作为第二分值。该第二分值能够更客观地反应目标用户的所有相似用户公共的真实兴趣趋向。

需要说明的是，计算相似用户针对对象的用户评分的平均值作为第二分值仅为本申请的一个具体示例，在本申请实施例其他可能的实现方式中，服务器也可以将相似用户的用户评分的中位数等作为第二分值。

在计算得到第一分值、第二分值后，服务器根据该第一分值、第二分值计算得到综合分值，然后基于该综合分值确定目标对象，以向目标用户推荐该目标对象。其中，根据各对象各自对应的综合分值确定待推荐给目标用户的目标对象可以有多种实现方式。接下来，将对图2所示实施例中的s203也即确定待推荐给目标用户的目标对象的具体实现方式进行详细说明。

由于综合分值表征对象符合目标用户兴趣趋向的程度，因此，服务器可以根据综合分值的大小直接确定待推荐给目标用户的目标对象。在一些可能的实现方式中，服务器可以按照综合分值由大到小顺序选择排序靠前的m个对象，将这m个对象作为目标对象推荐给目标用户，其中，m取值为大于2的正整数。作为本申请实施例的扩展，服务器也可以将综合分值大于综合分值阈值的对象，作为目标对象推荐给目标用户。其中，综合分值阈值可以根据经验值设定。

考虑到用户的兴趣爱好会随时间的推移而发生变化，因此，为了给用户推荐更符合用户当前实际的兴趣爱好的对象，本申请提供了一种具体实现方式，该实现方式是结合对象的综合分值以及用户的实际兴趣爱好来为用户选择待推荐的目标对象，具体的，针对用户维护有用户的感兴趣对象集和非感兴趣对象集，通过感兴趣对象集和非感兴趣对象集中各个对象的特征挖掘出用户的实际兴趣爱好，从而保证为用户推荐用户感兴趣的新颖对象是符合用户实际兴趣爱好，提高推荐结果的精准性。

基于此，针对图2所示实施例中的s203，本申请实施例还提供了根据各对象各自对应的综合分值确定待推荐给目标用户的目标对象的另一种具体实现方式。为了便于理解，下面将结合具体实施例对本申请提供的一种根据综合分值确定推荐给目标用户的目标对象的方法进行介绍。

图4为本申请实施例提供的一种根据综合分值确定推荐给目标用户的目标对象的方法的流程图，参见图4，该方法包括：

s401：按照综合分值由大到小顺序选择排序靠前的m个对象,作为候选对象。

候选对象的数量m取值为大于2的正整数，其具体数值可以根据实际需求而设置。作为本申请的一些具体示例，可以根据对象总数以及预设比例确定候选对象的数量。例如，对象总数为1000，预设比例为1％，则可以设置候选对象的数量为10。如此，可以将综合分值按照由大到小顺序排序，然后选择排序靠前的10个对象作为候选对象。

s402：针对各候选对象，计算候选对象与所述目标用户的感兴趣对象集中各对象之间的相似度，作为第一相似度；以及，计算候选对象与所述目标用户的非感兴趣对象集中各对象之间的相似度，作为第二相似度。

感兴趣对象集是指目标用户感兴趣的对象的集合，而非感兴趣对象集则是指目标用户不感兴趣的对象的集合。在进行对象推荐时，服务器可以初始化感兴趣对象集以及非感兴趣对象集，然后收集目标用户的历史行为数据，根据该历史行为数据，更新目标用户对应的感兴趣对象集和非感兴趣对象集。其中，目标用户的历史行为数据包括目标用户在推荐页面实施的针对推荐对象的反馈数据。

以电商平台为例，当用户针对推荐页面的某一物品，点击了“不喜欢”控件，则服务器可根据用户实施的点击行为，将该物品更新至非感兴趣对象集，当用户针对推荐页面的某一物品，点击了“喜欢”控件，则服务器可根据用户实施的点击行为，将该物品更新至感兴趣对象集。

可以理解，候选对象可能同时存在与感兴趣对象相似的特征，以及与非感兴趣对象相似的特征，基于此，服务器针对各候选对象，分别计算候选对象与目标用户的感兴趣对象集中各对象之间的相似度，作为第一相似度，以及候选对象与目标用户的非感兴趣对象集中各对象之间的相似度，作为第二相似度。

s403：根据各候选对象各自对应的所述第一相似度和所述第二相似度，计算得到各候选对象的相似度差异分值。

所述相似度差异分值用于表征候选对象符合目标用户兴趣趋向的程度。

服务器可以根据候选物品与感兴趣对象集各对象的相似度也即第一相似度之和在感兴趣对象集的占比，以及候选物品与非感兴趣对象集各对象的相似度也即第二相似度之和在非感兴趣对象集的占比确定相似度差异分值。

相似度差异分值的具体计算过程可以参见如下公式：

其中，w'表征候选对象，t1为感兴趣对象集，t2为非感兴趣对象集，wi为感兴趣对象集中的对象，wj为非感兴趣对象集中的对象，sim(.)表示相似度，score(w')表示相似度差异分值。

s404：按照相似度差异分值由大到小顺序选择排序靠前的n个对象,作为待推荐给所述目标用户的目标对象。

在计算得到各候选对象的相似度差异分值后，服务器按相似度差异分值由大到小的顺序，选择排序靠前的n个对象，作为推荐给所述目标用户的目标对象。其中，目标对象的数量n为小于m的正整数，其具体数值可以根据实际需求而设定，本实施例对此不作限定。

在本申请实施例其他可能的实现方式中，服务器也可以将相似度差异分值大于相似度差异分值阈值的对象作为目标对象，推荐给目标用户。其中，相似度差异分值阈值可以根据经验值设定。

由上可知，本申请实施例提供了一种根据综合分值确定推荐给目标用户的目标对象，该方法中维护有针对目标用户的感兴趣对象集和非感兴趣对象集，通过计算候选对象与感兴趣对象集中各对象的相似程度，以及候选对象与非感兴趣集中各对象的相似程度，确定相似度差异分值，相似度差异分值越大，该候选对象与目标用户的兴趣趋向的符合程度越高，基于此，可以将相似度差异分值排序靠前的候选对象作为待推荐给目标用户的目标对象。通过引入交互式推荐方法，利用目标用户对对象的确认反馈，更新感兴趣对象集和非感兴趣对象集，在此基础上利用相似度差异过滤候选物品，然后推荐给用户，如此，当用户需求实时性变化时，可以实时调整推荐结果的排名顺序，提高推荐精准度，从而提高用户体验。

基于本申请实施例提供的一种对象推荐方法的具体实现方式，本申请实施例还提供了一种对象推荐装置。接下来，将结合附图，从功能模块化的角度对本申请实施例提供的对象推荐装置进行介绍。

图5为本申请实施例提供的一种对象推荐装置的结构示意图，参见图5，该装置包括：

第一计算模块510，用于计算对象集中各对象各自对应的第一分值和第二分值，所述第一分值是根据对象的用户评分的方差以及平均值计算得到的分值，所述第二分值是目标用户的相似用户对对象的用户评分的平均值；

第二计算模块520，用于根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值；

确定模块530，用于根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象。

可选的，所述确定模块530具体用于：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为待推荐给所述目标用户的目标对象，其中，m取值为大于2的正整数。

可选的，所述确定模块530具体用于：

按照综合分值由大到小顺序选择排序靠前的m个对象,作为候选对象，其中，m取值为大于2的正整数；

针对各候选对象，计算候选对象与所述目标用户的感兴趣对象集中各对象之间的相似度，作为第一相似度；以及，计算候选对象与所述目标用户的非感兴趣对象集中各对象之间的相似度，作为第二相似度；

根据各候选对象各自对应的所述第一相似度和所述第二相似度，计算得到各候选对象的相似度差异分值，所述相似度差异分值用于表征候选对象符合目标用户兴趣趋向的程度；

按照相似度差异分值由大到小顺序选择排序靠前的n个对象,作为待推荐给所述目标用户的目标对象,其中，n为小于m的正整数。

可选的，所述装置还包括更新模块，所述更新模块用于：

根据所述目标用户的历史行为数据，更新所述目标用户对应的感兴趣对象集和非感兴趣对象集。

可选的，所述装置还包括生成模块，所述生成模块用于：

根据目标用户的属性特征从对象平台中获取与所述属性特征匹配的对象，生成对象集。

可选的，所述第二计算模块520具体用于：

针对各对象，计算对象对应的所述第一分值与第一平衡系数的乘积得到对象对应的第一乘积，以及，计算对象对应的所述第二分值与第二平衡系数的乘积得到对象对应的第二乘积；所述第一平衡系数小于所述第二平衡系数，且，所述第一平衡系数与所述第二平衡系数的和值为一；

计算各对象各自对应的所述第一乘积与所述第二乘积之间的和值，作为各对象各自对应的综合分值。

可选的，所述第一计算模块510具体用于：

根据各对象的用户评分计算得到各对象各自对应的第一平均值以及第二平均值，所述第一平均值是用户评分中的好评类评分的平均值，所述第二平均值是用户评分中差评类评分的平均值；

根据各对象各自对应的所述第一平均值计算评分方差得到好评方差，以及根据所述第二平均值计算对象的评分方差得到差评方差；

根据各对象各自对应的所述好评方差和所述坏评方差，对各对象对应的所述第一平均值以及所述第二平均值进行加权运算得到各对象各自对应的第一分值。

可选的，所述第一计算模块510具体用于：

计算目标用户的相似用户对对象的用户评分的平均值，将所述平均值作为所述对象的第二分值。

可选的，所述对象为物品、新闻、视频和广告中的任意一种。

由上可知，本申请实施例提供了一种对象推荐转置，基于用户协同的算法以及基于热门对象推荐机制的核心技术，提出了根据两个维度的分值来综合衡量对象符合目标用户兴趣趋向的程度，作为对象的综合分值，其中，一个维度的分值是根据对象的所有用户的用户评分的方差以及平均值计算得到的第一分值，其能够更客观地反应用户对对象的真实兴趣趋向；另一个维度的分值是根据目标用户相关的相似用户对对象的评分计算得到的第二分值，其能够更客观地反应目标用户的所有相似用户公共的真实兴趣趋向；因此，在实际的对象推荐中，根据对象对应的第一分值和第二分值计算得到对象的综合分值，再基于对象的综合分值确定待推荐目标用户的目标对象，其能够保证所确定的目标对象是与目标用户兴趣吻合度最高并且能够引起用户兴趣的热门对象，从而保证推荐结果的精准性。

图5所示实施例从功能模块化的角度对本申请实施例提供的对象推荐装置进行介绍，为了便于理解，接下来将从硬件实体化的角度对本申请实施例提供的对象推荐设备进行介绍。

图6是本申请实施例提供的一种对象推荐设备的结构示意图，该对象推荐设备可以是服务器，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在服务器600上执行存储介质630中的一系列指令操作。

服务器600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，和/或，一个或一个以上操作系统641，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上述实施例中由服务器所执行的步骤可以基于该图6所示的服务器结构。

其中，cpu622用于执行如下步骤：

计算对象集中各对象各自对应的第一分值和第二分值，所述第一分值是根据对象的用户评分的方差以及平均值计算得到的分值，所述第二分值是根据目标用户的相似用户对对象的用户评分计算得到的分值；

根据各对象各自对应的所述第一分值和所述第二分值，计算得到各对象各自对应的综合分值；

根据各对象各自对应的综合分值确定待推荐给所述目标用户的目标对象。

可选的，所述cpu622还用于执行本申请实施例提供的对象推荐方法中任意一种实施方式的步骤。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种对象推荐方法中的任意一种实施方式。

本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的一种对象推荐方法中的任意一种实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。