信息推荐方法和装置与流程

本发明涉及网络
技术领域：
，特别涉及一种信息推荐方法和装置。
背景技术：
：目前，用户对于互联网产品或服务的个性化需求日益凸出，各种信息推荐方法(向用户推荐的推荐信息的方法)被广泛用于满足用户的个性化需求。相关技术中的信息推荐方法通常通过多个算法获取推荐信息，并将获取的推荐信息发送给用户的终端。示例的，该多个算法可以包括协同过滤算法(CollaborativeFiltering)和基于内容的过滤算法，其中，协同过滤算法可以为根据与目标用户相似度较高的用户的历史记录的内容(如历史观影记录等)来为目标用户推荐与该历史记录的内容类似的内容；基于内容的过滤算法为根据目标用户的历史记录的内容(如历史观影记录等)来为目标用户推荐与该历史记录的内容类似的内容。发明人在实现本发明的过程中，发现上述方式至少存在如下缺陷：相关技术中，推荐信息所采用的算法通常是预先设置的，信息推荐的过程中算法的种类单一，因此，推荐信息的灵活性较低，针对性较差。技术实现要素：为了解决相关技术中的问题，本发明实施例提供了一种信息推荐方法和装置。所述技术方案如下：一方面，提供一种信息推荐方法，所述方法包括：获取目标用户的用户特征，所述用户特征用于表征用户的特性；根据所述目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度，其中，任一算法的关注度曲线用于记录采用所述算法得到的用户特征与关注度之间的对应关系，所述关注度用于表征预设内容受用户的关注程度；基于所述至少两个关注度的大小，在所述至少两个算法中确定至少一个算法作为目标算法；根据所述目标算法确定所述目标用户的推荐信息；向所述目标用户的终端发送所述目标用户的推荐信息。另一方面，提供一种信息推荐装置，所述装置包括：获取单元，用于获取目标用户的用户特征，所述用户特征用于表征用户的特性；查询单元，用于根据所述目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度，其中，任一算法的关注度曲线用于记录采用所述算法得到的用户特征与关注度之间的对应关系，所述关注度用于表征预设内容受用户的关注程度；算法确定单元，用于基于所述至少两个关注度的大小，在所述至少两个算法中确定至少一个算法作为目标算法；信息确定单元，用于根据所述目标算法确定所述目标用户的推荐信息；发送单元，用于向所述目标用户的终端发送所述目标用户的推荐信息。本发明实施例提供的技术方案带来的有益效果是：通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。图1是本发明部分实施例中提供的信息推荐方法所涉及的实施环境的示意图；图2是本发明实施例提供的一种信息推荐方法的流程示意图；图3-1是本发明实施例提供的另一种信息推荐方法的流程示意图；图3-2是图3-1所示实施例中两种算法的关注度曲线图；图4-1是本发明实施例提供的另一种信息推荐方法的流程示意图；图4-2是图4-1所示实施例中设置权值的流程图；图5是本发明实施例示出的一种信息推荐装置的框图；图6-1是本发明实施例示出的另一种信息推荐装置的框图；图6-2是图6-1所示实施例中算法确定单元的框图；图7是本发明实施例示出的一种装置的框图。通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。请参见图1，其示出了本发明部分实施例中提供的信息推荐方法所涉及的实施环境的示意图。该实施环境可以包括：服务器110和至少一个终端120。服务器110可以是一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。终端120可以为智能手机、电脑、多媒体播放器、电子阅读器、可穿戴式设备等。服务器110和终端120之间可以通过有线网络或无线网络建立连接。图2是本发明实施例提供的一种信息推荐方法的流程示意图，本实施例以该信息推荐应用于图1所示实施环境中的服务器110来举例说明。该信息推荐方法可以包括：步骤201、获取目标用户的用户特征，该用户特征用于表征用户的特性。步骤202、根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度，其中，任一算法的关注度曲线用于记录采用该算法得到的 用户特征与关注度之间的对应关系，该关注度用于表征预设内容受用户的关注程度。步骤203、基于至少两个关注度的大小，在至少两个算法中确定至少一个算法作为目标算法。步骤204、根据目标算法确定目标用户的推荐信息。步骤205、向目标用户的终端发送目标用户的推荐信息。综上所述，本发明实施例提供的信息推荐方法，通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。可选的，基于至少两个关注度的大小，在至少两个算法中确定至少一个算法作为目标算法，包括：确定至少两个关注度中最大的关注度。将最大的关注度对应的算法确定为目标算法。可选的，基于至少两个关注度值的大小，在至少两个算法中确定至少一个算法作为目标算法，包括：为至少两个算法中的每个算法设置权值，其中，任一算法的权值与根据目标用户的用户特征查询任一算法的关注度曲线得到的关注度值的大小正相关，权值表示根据带有权值的算法获取的推荐信息在目标用户的推荐信息中所占的比重。将带有各自权值的至少两个算法组合得到的混合算法作为目标算法。可选的，为至少两个算法中的每个算法设置权值，包括：将至少两个关注度进行归一化处理，得到每个关注度对应的归一化值，每个归一化值属于[0，1]，且该至少两个关注度对应的归一化值之和为1。将每个关注度对应的归一化值作为每个关注度对应的算法的权值。可选的，根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度之前，方法还包括：获取历史时间段内至少两个算法的数据集合，数据集合记录有符合用户特 征的用户对通过每个算法获取的推荐信息的关注度。根据数据集合获取至少两个算法的关注度曲线。可选的，用户特征包括用户活跃度，用户活跃度为用户在预设时间段内点击预设内容的次数。可选的，至少两个算法包括：协同过滤算法和社交化推荐算法，协同过滤算法为根据与目标用户相似度较高的用户的历史记录的内容来为目标用户推荐与历史记录的内容类似的内容的算法，社交化推荐算法为通过社交平台中与目标用户关联的用户的历史记录的内容确定推荐信息的算法。可选的，关注度包括：转化率、点击率和千次广告收入ECPM中的任意一种，转化率为预设内容的访问量与总访问量的比值，点击率为预设内容被点击次数与被显示次数之比，ECPM为预设内容每一千次展示获得的广告收入。综上所述，本发明实施例提供的信息推荐方法，通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。图3-1是本发明实施例提供的另一种信息推荐方法的流程示意图，本实施例以该信息推荐应用于图1所示实施环境中的服务器110来举例说明。该信息推荐方法可以包括：步骤301、获取目标用户的用户特征，该用户特征用于表征用户的特性。在需要向目标用户进行信息推荐时，可以首先获取目标用户的用户特征。该用户特征可以包括用户活跃度，用户活跃度为用户在预设时间段内点击预设内容的次数，预设内容可以为电影、书籍、购物链接等等。此外，用户特征还可以包括用户的年龄、职业、性别和所在区域的至少一种。步骤302、获取历史时间段内至少两个算法的数据集合，数据集合记录有符合用户特征的用户对通过每个算法获取的推荐信息的关注度。获取历史时间段内至少两个算法的数据集合，本发明实施例中的任一算法为具有时间稳定性的算法，即符合用户特征的用户对通过该算法获取的推荐信息的关注度的曲线随着时间的变化较小，曲线较为平稳，这至少两个算法可以 包括：协同过滤算法和社交化推荐算法。协同过滤算法为根据与目标用户相似度较高的用户的历史记录的内容来为目标用户推荐与历史记录的内容类似的内容的算法，与目标用户相似度较高的用户可以包括与目标用户的身份信息(如表明用户兴趣的注册信息等)相似度较高的用户。此外，与目标用户的相似度还可以包括与目标用户过去的行为的相似度。以观看视频为例，可以通过比较目标用户与第一用户(第一用户为除目标用户外的任一用户)在过去一段时间内观影记录的相似性来确定目标用户与第一用户的相似度。具体的比较方法可以为：若目标用户与第一用户都看过某一部/类电影，则可以根据目标用户与第一用户对这个视频的评分来判断目标用户与第一用户是否喜欢该部/类电影，如打分为1～5分，5分表示最喜欢，1分表示最不喜欢，以目标用户与第一用户对他们共同看过的视频的打分的相似度作为目标用户与第一用户的相似度，根据该方法可以获取与目标用户相似度较高的用户。社交化推荐算法为通过社交平台中与目标用户关联的用户的历史记录的内容确定推荐信息的算法。需要说明的是，至少两个算法还可以包括更多个其它的算法，本发明实施例不作出限制。其中，关注度用于表征预设内容受用户的关注程度，而该关注度可以包括：转化率、点击率和千次广告收入(英文：effectivecostpermille；简称：ECPM)中的任意一种，该转化率为预设内容的访问量与总访问量的比值，比如，以一部视频为预设内容，则该转化率为视频的观看次数与视频网站的总访问量的比值，这个比值越大代表该视频受用户的关注度越高。该点击率为预设内容被点击次数与被显示次数之比，比如，以一个视频链接为预设内容，则该点击率为该视频链接被点击的次数与该视频链接被显示次数之比，这个比值越大代表该视频链接受用户的关注程度越高。该ECPM为预设内容每一千次展示获得的广告收入，比如预设内容为一部视频，则ECPM表示该视频每一千次展示，该视频附带的广告的广告商所支付的费用，这个费用也可以从侧面反映出该视频受用户的关注程度。此外，数据集合的获取过程可以是对包含有大量用户的用户群进行试验得到的，用户群也可以由历史记录中的一部分用户构成。示例性的，以点击率表 征关注度，根据协同过滤算法为用户群进行信息的推荐，之后获取用户群中用户对于推荐信息的点击率，在这之后，或在这同时，根据社交化推荐算法来为用户群中用户进行信息的推荐，并获取用户群中用户对于推荐信息的点击率，依此方法获取所有算法的数据集合。具体的，可以通过A/B测试(A/Btest)的方式来获取数据集合，A/B测试为一种灰度发布方式，灰度发布是指在黑与白之间，能够平滑过渡的一种发布方式。A/B测试是让一部分用户继续用A，一部分用户开始用B，如果用户对B没有什么反对意见，那么逐步扩大范围，把所有用户都迁移到B上面来。灰度发布可以保证整体系统的稳定，在初始灰度的时候就可以发现、调整问题，以保证其影响度。在本发明实施例中，可以建立测试页面，并向用户群中用户随机推荐包含有根据不同算法获取的推荐信息的测试页面，并记录用户的关注度。在使用A/B测试的方式来获取数据集合时，需要用户群中用户的数目较多。需要说明的是，在进行试验获取数据集合时，并不需要完全向同样的多个用户进行信息的推荐，只需要用户的用户特征相同即可。另外，用户群中的用户可以是根据用户特征均匀分布的，比如用户群中的用户有1000个，在以用户活跃度表征用户特征时，这1000个用户可以包括200个活跃度为20的用户，200个活跃度为30的用户，200个活跃度为40的用户，200个活跃度为50的用户，200个活跃度为60的用户，其中，当预设内容为电影时，用户活跃度可以定义为过去一个月内用户的观影数量，比如过去一个月一用户观看过20部电影(通常重复观看同一部电影记作观看了一部电影)，则该用户的用户活跃度为20，用户活跃度还可以以其他方式进行定义，比如过去一个月内用户的观影时长等，本发明实施例不作出限制。步骤303、根据数据集合获取至少两个算法的关注度曲线。在获取数据集合后，可以根据该数据集合获取至少两个算法的关注度曲线，任一算法的关注度曲线可以用于记录采用该算法得到的用户特征与关注度之间的对应关系。示例性的，如图3-2所示，其为关注度为点击率，用户特征为用户活跃度时，协同过滤算法和社交化推荐算法的关注度曲线。在图3-2中，协同过滤算法的关注度曲线q1与社交化推荐算法的关注度曲线q2相交于点A，在用户活跃度小于点A的用户活跃度时，协同过滤算法获取的推荐信息的点击率小于社交化推荐算法获取的推荐信息的点击率；在用户活跃度大于点A的用户活 跃度时，协同过滤算法获取的推荐信息的点击率大于社交化推荐算法获取的推荐信息的点击率，可以理解为，在用户的历史记录较为丰富时，协同过滤算法的性能强于社交化推荐算法，而在用户的历史记录较为稀少时，协同过滤算法的性能弱于社交化推荐算法。关注度曲线可以明确的示出使用每个算法时用户特征与关注度的对应关系，这一对应关系通常是较为稳定的，但也可以每隔预定时间间隔获取一次至少两个算法的关注度曲线，本发明实施例不作出限制。需要说明的是，步骤302至步骤303还可以在步骤301之前执行，本发明实施例不作出限制。步骤304、根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度。在获取了至少两个算法的关注度曲线后，可以根据获取的目标用户的用户特征来获取该用户特征在至少两个算法的关注度曲线中对应的至少两个关注度。以图3-2所表示的两个算法的关注度曲线为例，若表征用户特征的用户活跃度为20，则查询协同过滤算法的关注度曲线q1得到的表征关注度的点击率为0.16，查询社交化推荐算法的关注度曲线q2得到的表征关注度的点击率为0.19。步骤305、确定至少两个关注度中最大的关注度。在得到了至少两个关注度后，可以确定出至少两个关注度中最大的关注度。需要说明的是，可以将相差一定范围内的多个关注度均确定为最大的关注度，比如根据目标用户的用户特征查询五个关注度曲线得到的关注度为100，98，50，99，80这五个，实际最大的关注度为100，但可以将与100相差5以内的98、99和实际最大的100一同确定为最大的关注度。步骤306、将最大的关注度对应的算法确定为目标算法。在确定了最大的关注度后，可以将最大的关注度对应的算法确定为目标算法，在最大的关注度有两个以上时，两个以上的最大关注度对应的算法也相应的有两种以上，这时可以将两个以上的最大关注度对应的两种以上的算法中的一种确定为目标算法。此外，如图3-2所示，在获取的算法的关注度曲线为两个时，这两个关注度曲线可以相交于一个点A，点A的横坐标可以代表表征用户特征的用户活跃度，纵坐标可以代表表征关注度的点击率，在目标用户的用户活跃度大于点A的用户活跃度时，可以将协同过滤算法作为目标算法，在目标用户的用户活跃度小 于点A的用户活跃度时，可以将社交化推荐算法作为目的算法，在目标用户的用户活跃度等于点A的用户活跃度时，可以在协同过滤算法和社交化推荐算法中任选一种算法作为目标算法。步骤307、根据目标算法确定目标用户的推荐信息。在确定了目标算法后，可以根据目标算法确定目标用户的推荐信息。示例性的，在确定的目标算法为协同过滤算法时，根据协同过滤算法确定目标用户的推荐信息的过程可以为：在用户数据库(用户数据库可以位于本地服务器中)中查找与目标用户最为相似的k(k为预设值)个用户，并且获取这k个用户与目标用户的相似度，比如k＝3时，3个与目标用户相似度最高的用户喜欢的内容分别为：用户A喜欢战争片、喜剧片和动作片；用户B喜欢战争片、爱情片和伦理片；用户C喜欢战争片、动作片和爱情片。且目标用户与用户A的相似度为0.25，与用户B的相似度为0.35，与用户C的相似度为0.45，则可以获取各种类型的电影的推荐度：战争片＝0.25+0.35+0.45＝1.05；喜剧片＝0.25；动作片＝0.25+0.45＝0.7；伦理片＝0.35；爱情片＝0.35+0.45＝0.8。则各种类型的电影的推荐度排名为：1、战争片，2、爱情片，3、动作片，4、伦理片，5、喜剧片。可以将推荐度较高的类型的电影作为目标用户的推荐信息，或者将排名靠前的前几个类型电影作为目标用户的推荐信息，假设将排名靠前的前3个类型电影作为目标用户的推荐信息，则目标用户的推荐信息包括战争片、爱情片和动作片。而在确定的目标算法为社交化推荐算法时，根据社交化推荐算法确定目标用户的推荐信息的过程可以为：社交化推荐算法为通过社交平台中与目标用户关联的用户的历史记录的内容确定推荐信息的算法，其中，社交平台可以包括QQ好友、QQ群、微信朋友圈和微博中的至少一个。以向目标用户推荐电影为例，社交平台为QQ群，目 标用户可能加入了多个QQ群，因而首先可以根据目标用户的观影记录和群内总体观影记录的重合度或目标用户在多个QQ群中的活跃度以及其它数据来确定一个或几个候选群，之后根据候选群中的推荐信息生成包含有多个推荐信息的推荐列表，最后根据推荐列表获取目标用户的推荐信息。比如推荐列表可以如表1所示：表1群名称打分推荐信息同学0.2战争片、喜剧片和动作片工作0.3战争片、爱情片和伦理片XX论坛0.5战争片、动作片和爱情片在表1中，群名称列代表几个候选群的名称，打分列代表几个候选群的打分，推荐信息列代表几个候选群的推荐信息。根据表1能够获取每种类型的电影的打分，比如战争片＝0.2+0.3+0.5＝1，喜剧片＝0.2，动作片＝0.2+0.5＝0.7，爱情片＝0.3+0.5＝0.8，伦理片＝0.3，之后可以根据这些打分来确定推荐信息，比如将得分最高的战争片作为目标用户的推荐信息，或者将排名靠前的前几个类型电影作为目标用户的推荐信息，假设将排名靠前的前3个类型电影作为目标用户的推荐信息，则目标用户的推荐信息包括战争片、爱情片和动作片。在表1中的电影类型还可以代表该电影类型中的一部电影，比如战争片代表《地道战》，喜剧片代表《虎口脱险》等，本发明实施例不作出限制。需要说明的是，本发明实施例在使用社交化推荐算法时，还可以对多个社交平台进行综合考量来获取推荐信息，本发明实施例不作出限制。步骤308、向目标用户的终端发送目标用户的推荐信息。在确定了目标用户的推荐信息之后，可以将该目标用户的推荐信息发送给用户的终端。需要补充说明的是，本发明实施例提供的信息推荐方法，通过查询至少两个算法的关注度曲线来确定最大的关注度对应的算法，并将根据该算法确定的推荐信息发送给用户的终端，达到了能够通过最大的关注度对应的算法来确定推荐信息的效果。综上所述，本发明实施例提供的信息推荐方法，通过关注度的大小来确定 一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。图4-1是本发明实施例提供的另一种信息推荐方法的流程示意图，本实施例以该信息推荐应用于图1所示实施环境中的服务器110来举例说明。该信息推荐方法可以包括：步骤401、获取目标用户的用户特征，该用户特征用于表征用户的特性。在需要向目标用户进行信息推荐时，可以首先获取目标用户的用户特征用户特征包括用户活跃度，用户活跃度为用户在预设时间段内点击预设内容的次数，预设内容可以为电影、书籍、购物链接等等。此外，用户特征还可以包括用户的年龄、职业、性别和所在区域中的至少一种。步骤402、获取历史时间段内至少两个算法的数据集合，数据集合记录有符合用户特征的用户对通过每个算法获取的推荐信息的关注度。获取历史时间段内至少两个算法的数据集合，本发明实施例中的任一算法为具有时间稳定性的算法，即符合用户特征的用户对通过该算法获取的推荐信息的关注度的曲线随着时间的变化较小，曲线较为平稳，这至少两个算法可以包括：协同过滤算法和社交化推荐算法，协同过滤算法为根据与目标用户相似度较高的用户的历史记录的内容来为目标用户推荐与历史记录的内容类似的内容的算法，社交化推荐算法为通过社交平台中与目标用户关联的用户的历史记录的内容确定推荐信息的算法。其中，关注度用于表征预设内容受用户的关注程度，而该关注度可以包括：转化率、点击率和千次广告收入ECPM中的任意一种，该转化率为预设内容的访问量与总访问量的比值，该点击率为预设内容被点击次数与被显示次数之比，该ECPM为预设内容每一千次展示获得的广告收入。与目标用户相似度较高的用户可以包括与目标用户的身份信息(如表明用户兴趣的注册信息等)相似度较高的用户。此外，与目标用户的相似度还可以包括与目标用户过去的行为的相似度。此外，数据集合的获取过程可以是对包含有大量用户的用户群进行试验得 到的，用户群也可以由历史记录中的一部分用户构成。需要说明的是，在进行试验获取数据集合时，并不要求完全向同样的多个用户进行信息的推荐，只需要用户的用户特征相同即可。步骤403、根据数据集合获取至少两个算法的关注度曲线。在获取数据集合后，可以根据该数据集合获取至少两个算法的关注度曲线，任一算法的关注度曲线可以用于记录采用算法得到的用户特征与关注度之间的对应关系，这一对应关系通常是较为稳定的，但也可以每隔预定时间间隔获取一次至少两个算法的关注度曲线，本发明实施例不作出限制。在算法有两种时，本步骤获取的关注度曲线可以如图3-2所示。需要说明的是，步骤402至步骤403还可以在步骤401之前执行，本发明实施例不作出限制。步骤404、根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度。在获取了至少两个算法的关注度曲线后，可以根据获取的目标用户的用户特征来获取该用户特征在至少两个算法的关注度曲线中对应的至少两个关注度。以图3-2所表示的两个算法的关注度曲线为例，若表征用户特征的用户活跃度为20，则查询协同过滤算法的关注度曲线q1得到的表征关注度的点击率为0.16，查询社交化推荐算法的关注度曲线q2得到的表征关注度的点击率为0.19。步骤405、为至少两个算法中的每个算法设置权值。其中，任一算法的权值与根据目标用户的用户特征查询任一算法的关注度曲线得到的关注度值的大小正相关，即得到的关注度越大，则该关注度对应的算法的权值也会越大。而权值可以表示根据带有权值的算法获取的推荐信息在目标用户的推荐信息中所占的比重。如图4-2所示，步骤405可以包括下面两个步骤：步骤4051、将至少两个关注度进行归一化处理，得到每个关注度对应的归一化值，每个归一化值属于[0，1]，且该至少两个关注度对应的归一化值之和为1。其中归一化处理的过程可以为：设关注度共有n个，n个关注度为A1、A2···An，则n个关注度中第i(i属于[1，n])个关注度对应的归一化值Gi＝[Ai/(A1+A2···An-1+An)]，其中0≤Gi≤1，且G1+G2+······+Gn-1+Gn＝1。示例性的，以关注度为两个，且关注度为点击率为例，两个点击率为0.16和0.19，0.16对应的归一化值为0.16/(0.16+0.19)＝0.457，0.19对应的归一化值为0.19/(0.16+0.19)＝0.543。步骤4052、将每个关注度对应的归一化值作为每个关注度对应的算法的权值。在得到每个关注度对应的归一化值后，可以将每个关注度对应的归一化值作为每个关注度对应的算法的权值。此外，在获取的算法的关注度曲线为两个时，为这两个算法中的每个算法设置权值的方式还可以为：如图3-2所示，在获取的算法的关注度曲线为两个时，这两个关注度曲线可以相交于点A，点A的横坐标可以代表表征用户特征的用户活跃度，纵坐标可以代表表征关注度的点击率，可以根据目标用户的用户活跃度与点A的用户活跃度的差值来为协同过滤算法和社交化推荐算法设置权值，比如目标用户的用户活跃度大于点A的用户活跃度时，目标用户的用户特征与点A的用户特征的差值越大，则协同过滤算法的权值越大，社交化推荐算法的权值越小，目标用户的用户活跃度小于点A的用户活跃度的情况可以此推出。步骤406、将带有各自权值的至少两个算法组合得到的混合算法作为目标算法。在获取每个关注度对应的算法的权值后，可以将带有权值的算法进行组合得到混合算法，并将混合算法作为目标算法。在将带有权值的算法进行组合时，可以将权值作为每个算法的打分，比如表2所示：表2算法打分(权值)第一算法0.1第二算法0.5第三算法0.4在表2中第一算法的打分为0.1，第二算法的打分为0.5，第三算法的打分为0.4，可以将打分较高(比如大于0.3)的几种算法进行组合得到混合算法， 在混合算法中，每个算法的权值可以表示根据该算法确定的推荐信息在目标用户的推荐信息中所占的比重。示例性的，协同过滤算法的权值为0.4，社交化推荐算法的权值为0.6，则混合算法＝(0.4*协同过滤算法+0.6*社交化推荐算法)，其中0.4*协同过滤算法可以表示由协同过滤算法确定的推荐信息占目标用户的推荐信息的40％，比如通过协同过滤算法获取各种类型的电影的推荐度为：战争片＝1.05；喜剧片＝0.25；动作片＝0.7；伦理片＝0.35；爱情片＝0.8。而通过社交化推荐算法获取各种类型的电影的推荐度为：战争片＝1；喜剧片＝0.2；动作片＝0.7；爱情片＝0.8；伦理片＝0.3。则通过目标算法可以得到获取各种类型的电影的推荐度为：战争片＝0.4*1.05+0.6*1＝1.02；喜剧片＝0.4*0.25+0.6*0.2＝0.22；动作片＝0.4*0.7+0.6*0.7＝0.7；爱情片＝0.4*0.8+0.6*0.8＝0.8；伦理片＝0.4*0.35+0.6*0.3＝0.32。之后可以根据这些打分来确定推荐信息，比如将得分最高的战争片作为目标用户的推荐信息，或者将排名靠前的前几个类型电影作为目标用户的推荐信息，假设将排名靠前的前3个类型电影作为目标用户的推荐信息，则目标用户的推荐信息包括战争片、喜剧片和动作片。步骤407、根据目标算法确定目标用户的推荐信息。在确定目标算法后，可以根据目标算法确定目标用户的推荐信息。步骤408、向目标用户的终端发送目标用户的推荐信息。在确定目标用户的推荐信息之后，可以向目标用户的终端发送目标用户的推荐信息。需要补充说明的是，本发明实施例提供的信息推荐方法，通过查询至少两个算法的关注度曲线来确定每个算法的权值，并将带有权值的至少两个算法组合得到混合算法，最后通过混合算法确定推荐信息并向目标用户的终端发送，不但保证了推荐信息的关注度，还保证了推荐信息的多样性。综上所述，本发明实施例提供的信息推荐方法，通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解 决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。图5是本发明实施例示出的一种信息推荐装置的框图，该信息推荐装置可以通过软件、硬件或者两者的结合实现成为图1所示实施环境中服务器110的部分或者全部。该信息推荐装置可以包括：获取单元510，用于获取目标用户的用户特征，该用户特征用于表征用户的特性。查询单元520，用于根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度，其中，任一算法的关注度曲线用于记录采用算法得到的用户特征与关注度之间的对应关系，该关注度用于表征预设内容受用户的关注程度。算法确定单元530，用于基于至少两个关注度的大小，在至少两个算法中确定至少一个算法作为目标算法。信息确定单元540，用于根据目标算法确定目标用户的推荐信息。发送单元550，用于向目标用户的终端发送目标用户的推荐信息。综上所述，本发明实施例提供的信息推荐装置，通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。图6-1是本发明实施例示出的另一种信息推荐装置的框图，该信息推荐装置可以通过软件、硬件或者两者的结合实现成为图1所示实施环境中服务器110的部分或者全部。该信息推荐装置可以包括：获取单元510，用于获取目标用户的用户特征，该用户特征用于表征用户的特性。查询单元520，用于根据目标用户的用户特征分别查询至少两个算法的关注度曲线得到至少两个关注度，其中，任一算法的关注度曲线用于记录采用算法得到的用户特征与关注度之间的对应关系，该关注度用于表征预设内容受用户的关注程度。算法确定单元530，用于基于至少两个关注度的大小，在至少两个算法中确定至少一个算法作为目标算法。信息确定单元540，用于根据目标算法确定目标用户的推荐信息。发送单元550，用于向目标用户的终端发送目标用户的推荐信息。可选的，该装置还包括：集合获取单元560，用于获取历史时间段内至少两个算法的数据集合，数据集合记录有符合用户特征的用户对通过每个算法获取的推荐信息的关注度。曲线获取单元570，用于根据数据集合获取至少两个算法的关注度曲线。可选的，算法确定单元530，用于确定至少两个关注度中最大的关注度；将最大的关注度对应的算法确定为目标算法。可选的，如图6-2所示，算法确定单元530，包括：权值模块531，用于为至少两个算法中的每个算法设置权值，其中，任一算法的权值与根据目标用户的用户特征查询任一算法的关注度曲线得到的关注度值的大小正相关，权值表示根据带有权值的算法获取的推荐信息在目标用户的推荐信息中所占的比重。组合模块532，用于将带有各自权值的至少两个算法组合得到的混合算法作为目标算法。可选的，权值模块531，用于将至少两个关注度进行归一化处理，得到每个关注度对应的归一化值，每个归一化值属于[0，1]，且该至少两个关注度对应的归一化值之和为1；将每个关注度对应的归一化值作为每个关注度对应的算法的权值。可选的，用户特征包括用户活跃度，用户活跃度为用户在预设时间段内点击预设内容的次数。可选的，至少两个算法包括：协同过滤算法和社交化推荐算法，协同过滤算法为根据与目标用户相似度较高的用户的历史记录的内容来为目标用户推荐与历史记录的内容类似的内容的算法，社交化推荐算法为通过社交平台中与目 标用户关联的用户的历史记录的内容确定推荐信息的算法。可选的，关注度包括：转化率、点击率和千次广告收入ECPM中的任意一种，转化率为预设内容的访问量与总访问量的比值，点击率为预设内容被点击次数与被显示次数之比，ECPM为预设内容每一千次展示获得的广告收入。需要补充说明的是，本发明实施例提供的信息推荐装置，通过查询至少两个算法的关注度曲线来确定每个算法的权值，并将带有权值的至少两个算法组合得到混合算法，最后通过混合算法确定推荐信息并向目标用户的终端发送，不但保证了推荐信息的关注度，还保证了推荐信息的多样性。综上所述，本发明实施例提供的信息推荐装置，通过关注度的大小来确定一个算法作为目标算法，并将根据该目标算法生成的推荐信息推荐给用户；解决了相关技术中推荐信息所采用的算法通常是预先设置的,推荐信息的灵活性较低，针对性较差的问题；达到了根据关注度的大小来决定目标算法，推荐信息的针对性较强的效果。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。图7示出了本发明实施例提供的信息推荐方法中的服务器的结构示意图。所述服务器700包括中央处理单元(CPU)701、包括随机存取存储器(RAM)702和只读存储器(ROM)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述服务器700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。所述基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中所述显示器708和输入设备709都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。所述基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。所述大容量存储设备707通过连接到系统总线705的大容量存储控制器(未 示出)连接到中央处理单元701。所述大容量存储设备707及其相关联的计算机可读介质为服务器700提供非易失性存储。也就是说，所述大容量存储设备707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。根据本发明的各种实施例，所述服务器700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器700可以通过连接在所述系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本发明实施例提供的信息推荐方法的指令。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3