一种网络资源推荐方法及计算机设备与流程

本发明涉及通信技术领域，尤其涉及一种网络资源推荐方法及计算机设备。

背景技术：

随着互联网技术的发展，用户通过互联网实现的功能越来越多，比如网上购物、浏览网页、在线影视、在线游戏等等。互联网每时每刻都在产生巨大数量的数据，如何有效利用这些数据已经成为一个世界性关注的问题。经过多年的研究，对于这些数据附加价值的挖掘和利用也逐渐成熟，主要应用于电子商务、在线信息应用(如在线新闻、在线音乐、在线影视)等领域的网络资源推荐系统。网络资源推荐是根据用户的兴趣特点，向用户推荐用户感兴趣的信息，避免了信息快速增长导致信息过载而导致的用户不断流失的问题。

目前，网络资源推荐方法是针对用户对网络资源推荐列表的反馈信息(比如用户对网络资源推荐列表中的某一推荐事件的点击)来确定用于本次推荐的兴趣模型。若反馈信息很少或者没有反馈信息的情况下，采用这种网络资源推荐方法会导致确定的用于本次推荐的兴趣模型准确率下降，最终导致推荐结果的准确率下降。

技术实现要素：

本发明实施例提供一种网络资源推荐方法及服务器，以期提高推荐结果的准确率。

第一方面，本发明提供一种网络资源推荐方法，其中，计算机设备存储有第二兴趣模型和第三兴趣模型，其中，第二兴趣模型为时间窗口与当前时间窗口相邻且位于当前时间窗口之前的兴趣模型，第三兴趣模型为由用户在不同时间窗口(位于第二兴趣模型对应的时间窗口之前)的兴趣模型组合而成的兴趣模型，当计算机检测到用户在当前时间窗口的用户行为记录时，计算机设备根据当前时间窗口的用户行为记录确定第一兴趣模型，然后计算第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度，再然后 根据计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型和推荐算法，再然后根据第四兴趣模型和推荐算法生成网络资源推荐列表，最后根据网络资源推荐列表进行推荐。可见，本方案不针对于用户对网络资源推荐列表的反馈信息确定用于本次推荐的兴趣模型，而针对用户行为记录确定用于本次推荐的兴趣模型，实现了对用户兴趣变化响应的准确性和及时性，进而提高推荐结果的准确率。

在一个可能的设计中，计算机设备计算得到的任意两个兴趣模型之间的相似度包括第一相似度、第二相似度以及第三相似度，其中，第一相似度为第一兴趣模型和第二兴趣模型的相似度，第二相似度为第一兴趣模型和所述第三兴趣模型的相似度，第三相似度为第二兴趣模型和第三兴趣模型的相似度。

在一个可能的设计中，计算机设备根据计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型的具体实施方式为：

当第一相似度和第二相似度均大于或等于预设相似度时，计算机设备检测到用户兴趣未发生显著变化，计算机设备根据所述第二兴趣模型、所述第三兴趣模型以及第一公式确定第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

当第一相似度大于或等于预设相似度，且第二相似度小于预设相似度时，计算机设备检测到用户兴趣发生漂移，计算机设备根据第一兴趣模型、第二兴趣模型以及第一公式确定第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

当第一相似度小于预设相似度，且第二相似度大于或等于预设相似度时，计算机设备检测到噪声，计算机设备根据第一兴趣模型、第三兴趣模型以及第一公式确定第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

当第一相似度小于预设相似度，第二相似度小于预设相似度，且第三相似度大于或等于预设相似度时，计算机设备未检测到用户兴趣发生变化，计算机设备根据第二兴趣模型、第三兴趣模型以及第一公式确定第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

当第一相似度小于预设相似度，第二相似度小于预设相似度，且第三相似度小于预设相似度时，计算机设备检测噪声，计算机设备将第三兴趣模型作为第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

其中，第一公式为：

m＝αa+βb

m表示第四兴趣模型，a和b为第一兴趣模型、第二兴趣模型以及第三兴趣模型中任意两个兴趣模型，α表示a的权重，β表示b的权重，α和β的和等于1。

在一个可能的设计中，计算机设备根据第二兴趣模型、第三兴趣模型以及第一公式确定第四兴趣模型之后，计算机设备将第三兴趣模型更新为第四兴趣模型。

在一个可能的设计中，计算机设备根据第一兴趣模型、第二兴趣模型以及第一公式确定第四兴趣模型之后，计算机设备根据第二兴趣模型、第三兴趣模型以及第一公式确定第五兴趣模型，并将第三兴趣模型更新为第五兴趣模型。

在一个可能的设计中，计算机设备根据计算得到的任意两个兴趣模型之间的相似度确定推荐算法的具体实施方式为：

当第一相似度和第二相似度均大于或等于预设相似度时，计算机设备检测到用户兴趣未发生显著变化，计算机设备将基于内容的协同过滤推荐作为推荐算法。此时，计算机设备采用基于内容的协同过滤推荐，能在基于长期兴趣做推荐的同时，保证对当前短期兴趣的敏感性，从而提升推荐的准确率。

当第一相似度大于或等于预设相似度，且第二相似度小于预设相似度时，计算机设备检查到用户兴趣发生了变化，计算机设备将基于内容的推荐作为所述推荐算法。此时，计算机设备采用基于内容的推荐，能更好地针对当前短期兴趣做推荐，捕捉用户当前的新兴趣，提高推荐准确率。

当第一相似度小于所述预设相似度，且第二相似度大于或等于预设相似度；或者，若第一相似度小于预设相似度，第二相似度小于预设相似度；或者，若第一相似度小于预设相似度，第二相似度小于预设相似度时，计算机设备检测到了噪声或检测到了用户兴趣未发生变化，计算机设备将基于协同过滤推荐作为所述推荐算法。此时，计算机设备采用基于协同过滤的推荐，能最大程度上保证推荐的多样性，提高推荐成功率。

在一个可能的设计中，兴趣模型包括向量模型，计算机设备计算第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度的具体实施方式为：

计算机设备根据第二公式计算第一向量模型、第二向量模型以及第三向量模型中的任意两个向量模型之间的相似度，

第二公式为：

其中，similarity表示任意两个向量模型之间的相似度，a和b为第一向量模型、第二向量模型以及第三向量模型中任意两个向量模型，n表示向量模型中包含的元素总数，i表示向量模型的第i个元素。

第二方面，本发明提供一种计算机设备，包含用于执行第一方面中的方法的模块。

第三方面，本发明提供一种计算机设备，计算机设备中包括接收器、发送器以及处理器，处理器被配置为支持计算机设备执行第一方面提供的一种网络资源推荐方法中相应的功能。发送器用于支持计算机设备与移动网络服务器之间的通信。计算机设备还可以包括存储器，存储器用于与处理器耦合，其保存计算机设备必要的程序指令和数据。计算机设备还可以包括通信接口，用于计算机设备与其他设备或通信网络通信。

第四方面，本发明提供一种计算机存储介质，用于储存为上述计算机设备所用的计算机软件指令，其包含用于执行上述方面所设计的程序。

可以看出，本发明实施例中，本发明不针对于用户对网络资源推荐列表的反馈信息确定用于本次推荐的兴趣模型，本发明针对用户行为记录确定用于本次推荐的兴趣模型，实现了对用户兴趣变化响应的准确性和及时性，进而提高推荐结果的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种计算机设备示意图；

图2是本发明实施例提供的一种网络资源推荐方法的流程示意图；

图2.1是本发明实施例提供的另一种网络资源推荐方法的流程示意图；

图2.2是本发明实施例提供的另一种网络资源推荐方法的流程示意图；

图3是本发明实施例提供的另一种计算机设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

以下分别进行详细说明。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1所示为本发明实施例提供的计算机设备示意图。计算机设备100包括至少一个处理器101，通信总线102，存储器103、至少一个通信接口104、发送器105以及接收器106。

处理器101可以是一个通用中央处理器(cpu)，微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制本发明方案程序执行的集成电路。

通信总线102可包括一通路，在上述组件之间传送信息。所述通信接口104， 使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(ran)，无线局域网(wirelesslocalareanetworks，wlan)等。

存储器103可以是只读存储器(read-onlymemory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，所述存储器103用于存储执行本发明方案的应用程序代码，并由处理器101来控制执行。所述处理器101用于执行所述存储器103中存储的应用程序代码。

图1所示的计算机设备的存储器103存储的代码可执行本发明提供的网络资源推荐方法，比如，根据当前时间窗口的用户行为记录确定第一兴趣模型，然后计算第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度，再然后根据计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型和推荐算法，再然后根据第四兴趣模型和推荐算法，生成网络资源推荐列表，并基于网络资源推荐列表进行推荐。

在具体实现中，作为一种实施例，计算机设备100还可以包括发送器105和接收器106。发送器105和处理器101通信，可以以多种方式来显示信息。接收器106和处理器101通信，可以以多种方式接受应用服务器或业务层装置发送的信令。

上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑(personaldigitalassistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备或有图1中类似结构的设备。本发明实施例不限定计算机设备100的类型。

与上述描述的技术方案一致的，作为一个具体实施例，图2是包括计算机设备的具体执行过程的网络资源推荐方法的流程示意图。尽管这里描述的网络资源推荐方法是基于图1所示的计算机设备100来执行，但需要注意的是，本发明实施例公开的网络资源推荐方法的具体运行环境不仅限于上述计算机设备100。

如图2所示，本发明方法实施例公开的网络资源推荐方法具体包括以下步骤：

s201、计算机设备根据当前时间窗口的用户行为记录确定第一兴趣模型。

其中，时间窗口指用户在线并有操作记录的时长(比如半小时或1小时等)。用户在该时间窗口范围内的操作记录要求不少于m条，其中，m例如可以是3、4、5、7或是其他值。

其中，用户行为记录例如可以是上网行为记录，点击记录，购买记录，收藏记录；等等。

其中，兴趣模型可以是向量模型，也可以是其他模型，比如规则模型等，其中规则模型包括决策树(decisiontree)等等，本发明不做限定。

s202、计算机设备计算所述第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度，其中，所述第二兴趣模型对应的时间窗口与所述当前时间窗口相邻，所述第三兴趣模型为基于参考时间窗口集内的所有用户行为记录确定的兴趣模型，所述参考时间窗口集包括所述第二兴趣模型对应的时间窗口之前的n个时间窗口，所述n为大于1的整数。

其中，第二兴趣模型为时间窗口与当前时间窗口相邻，且位于当前时间窗口之前的兴趣模型。所述第三兴趣模型为长期兴趣模型，是基于参考时间窗口集内的所有用户行为记录确定的兴趣模型，即由用户在不同时间窗口的兴趣模型组合而成，组合的方法包括但不限于多个模型加权求和，等等。

可选的，兴趣模型包括向量模型，计算机设备计算第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度的具体实现方式为：计算机设备根据第二公式计算第一向量模型、第二向量模型以及第三向量模型中的任意两个向量模型之间的相似度；

第二公式为：

其中，similarity表示任意两个向量模型之间的相似度，a和b为第一向量模型、第二向量模型以及第三向量模型中任意两个向量模型，n表示向量模型中包含的元素总数，i表示向量模型的第i个元素。

其中，向量模型中的值表示用户对某一项事件(比如商品/服务等)的偏好程度，值越大代表越感兴趣。比如，向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，可见，用户对商品的偏好程度有手表>咖啡>手机。

举例来说，假设第一向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手表，手机}＝{0.5，0.3，0.2}，第三向量模型＝{咖啡，手表，手机}＝{0，0.6，0.4}。计算机设备根据第二公式计算第一向量模型和第二向量模型之间的相似度为0.949，第一向量模型和第三向量模型之间的相似度为0.302，第二向量模型和第三向量模型之间的相似度为0.585。

s203、计算机设备根据计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型和推荐算法。

举例来说，请参见图2.1，上述步骤s202计算得到的任意两个兴趣模型之间的相似度包括第一相似度、第二相似度以及第三相似度，所述第一相似度为所述第一兴趣模型和所述第二兴趣模型的相似度，所述第二相似度为所述第一兴趣模型和所述第三兴趣模型的相似度，所述第三相似度为所述第二兴趣模型和所述第三兴趣模型的相似度，计算机设备根据计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型的具体实施方式为：

s203-a1、若所述第一相似度和所述第二相似度均大于或等于预设相似度，计算机设备根据所述第二兴趣模型、所述第三兴趣模型以及第一公式确定第四兴趣模型。

具体地，若第一相似度≥预设相似度，第二相似度≥预设相似度，表示用户当前时间窗口关注的事件与用户前一时间窗口关注的事件相似，且用户当前时间窗口关注的事件与用户长期关注的事件相似，此时计算机设备检测到用户兴趣未发生显著变化，计算机设备将第二兴趣模型和第三兴趣模型根据第一公式进行融合成第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。第 四兴趣模型为用于本次推荐的兴趣模型。预设相似度例如可以等于0.7、0.75、0.8或是其他值。

s203-a2、若所述第一相似度大于或等于所述预设相似度，且所述第二相似度小于所述预设相似度，计算机设备根据所述第一兴趣模型、所述第二兴趣模型以及所述第一公式确定所述第四兴趣模型。

具体地，若第一相似度≥预设相似度，第二相似度＜预设相似度，表示用户当前时间窗口关注的事件与用户前一时间窗口关注的事件相似，且用户当前时间窗口关注的事件与用户长期关注的事件不相似，此时计算机设备检测到用户兴趣发生漂移，计算机设备将第一兴趣模型和第二兴趣模型根据第一公式进行融合成第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

s203-a3、若所述第一相似度小于所述预设相似度，且所述第二相似度大于或等于所述预设相似度，计算机设备根据所述第一兴趣模型、所述第三兴趣模型以及所述第一公式确定所述第四兴趣模型。

具体地，若第一相似度＜预设相似度，第二相似度≥预设相似度，表示用户当前时间窗口关注的事件与用户前一时间窗口关注的事件不相似，且用户当前时间窗口关注的事件与用户长期关注的事件相似，此时计算机设备检测到噪声(噪声表示非用户兴趣，是由于用户误操作或者探索性操作而导致的)，计算机设备将第一兴趣模型和第三兴趣模型根据第一公式进行融合成第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

s203-a4、若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度，且所述第三相似度大于或等于所述预设相似度，计算机设备根据所述第二兴趣模型、所述第三兴趣模型以及所述第一公式确定所述第四兴趣模型。

具体地，若第一相似度＜预设相似度，第二相似度＜预设相似度，第三相似度≥预设相似度，表示用户当前时间窗口关注的事件与用户前一时间窗口关注的事件不相似，用户当前时间窗口关注的事件与用户长期关注的事件不相似，且用户前一时间窗口关注的事件与用户长期关注的事件相似，此时计算机设备未检测到用户兴趣发生变化，计算机设备将第二兴趣模型和第三兴趣模型根据第一公式进行融合成第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

s203-a5、若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度，且所述第三相似度小于所述预设相似度，计算机设备将所述第三兴趣模型作为所述第四兴趣模型。

具体地，若第一相似度＜预设相似度，第二相似度＜预设相似度，第三相似度＜预设相似度，表示用户当前时间窗口关注的事件与用户前一时间窗口关注的事件不相似，用户当前时间窗口关注的事件与用户长期关注的事件不相似，且用户前一时间窗口关注的事件与用户长期关注的事件不相似，此时计算机设备检测噪声，此时计算机设备将第三兴趣模型作为第四兴趣模型，有利于提升用于本次推荐的兴趣模型的准确率。

其中，第一公式为：

m＝αa+βb

m表示第四兴趣模型，a和b为第一兴趣模型、第二兴趣模型以及第三兴趣模型中任意两个兴趣模型，α表示a的权重，β表示b的权重，α和β的和等于1。

可选的，α和β的值可以相同也可以不同，在本发明实施例中以α和β的值相同为例进行举例说明，α和β的值为1/n，n为待融合模型的个数。比如，假设兴趣模型为向量模型时，第一向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手表，手机}＝{0.5，0.3，0.2}，将第一向量模型和第二向量模型融合，取α＝β＝0.5，融合后的向量模型＝{咖啡，手表，手机}＝{0.6，0.25，0.15}。

可选的，当a和b为向量模型时，a和b分别为归一化的向量模型。

举例来说，请参见图2.2，计算机设备根据计算得到的任意两个兴趣模型之间的相似度确定推荐算法的具体实施方式为：

s202-b1、若所述第一相似度和所述第二相似度均大于或等于预设相似度，计算机设备将基于内容的协同过滤推荐作为推荐算法。

s202-b2、若所述第一相似度大于或等于所述预设相似度，且所述第二相似度小于所述预设相似度，计算机设备将基于内容的推荐作为所述推荐算法。

s202-b3、若所述第一相似度小于所述预设相似度，且所述第二相似度大于或等于所述预设相似度；或者，若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度；或者，若所述第一相似度小于所述预设相似 度，所述第二相似度小于所述预设相似度，计算机设备将基于协同过滤推荐作为所述推荐算法。

其中，基于内容的推荐是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。主要是从启发式的方法和基于模型的方法来描述基于内容的推荐方法。基于协同过滤推荐是一种基于一组兴趣相同的用户或项目进行的推荐，它根据邻居用户(与目标用户兴趣相似的用户)的偏好信息产生对目标用户的推荐列表。协同过滤算法主要分为基于用户的协同过滤算法和基于项目的协同过滤算法。基于内容的协同过滤推荐是基于内容的推荐和基于协同过滤推荐的一种混合(hybrid)推荐方法。

在计算机设备未检测到兴趣发生显著变化，计算机设备采用基于内容的协同过滤推荐，能在基于长期兴趣做推荐的同时，保证对当前短期兴趣的敏感性，从而提升推荐的准确率。

在计算机设备检测到兴趣发生了变化，计算机设备采用基于内容的推荐，能更好地针对当前短期兴趣做推荐，捕捉用户当前的新兴趣，提高推荐准确率。

在计算机设备检测到噪声或兴趣未发生变化，计算机设备采用基于协同过滤的推荐，能最大程度上保证推荐的多样性，提高推荐成功率。

可选的，计算机设备根据所述第二兴趣模型、所述第三兴趣模型以及第一公式确定第四兴趣模型，计算机设备将所述第三兴趣模型更新为所述第四兴趣模型。第四兴趣模型作为用于本次推荐的兴趣模型。

可选的，在计算机设备根据所述第一兴趣模型、所述第二兴趣模型以及所述第一公式确定所述第四兴趣模型之后，计算机设备根据所述第二兴趣模型、所述第三兴趣模型以及所述第一公式确定第五兴趣模型，并将所述第三兴趣模型更新为所述第五兴趣模型。第四兴趣模型作为用于本次推荐的兴趣模型，第五兴趣模型作为长期兴趣模型。

需要说明的是，在第一相似度＜预设相似度，且第二相似度≥预设相似度或者，第一相似度＜预设相似度，第二相似度＜所述预设相似度，且第三相似度＜预设相似度的情况下，计算机设备检测到了噪声，此时计算机设备无需更新第三兴趣模型。

举例来说，当兴趣模型为向量模型时，假设第一向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手表，手机}＝{0.5，0.3，0.2}， 第三向量模型＝{咖啡，手表，手机}＝{0，0.6，0.4}，计算机设备根据第二公式计算得到的第一相似度为0.949，第二相似度为0.302，第三相似度为0.585。若预设相似度为0.7，根据上述步骤s202可知，计算机设备检测到了用户兴趣发生了漂移，计算机设备基于步骤s203-a2根据第一向量模型、第二向量模型以及第一公式确定第四向量模型，其中，第四向量模型＝{咖啡，手表，手机}＝{0.6，0.25，0.15}。计算机设备将第二向量模型和第三向量模型以及第一公式确定第五向量模型，并将第三向量模型更新为第五向量模型，其中，第五向量模型＝{咖啡，手表，手机}＝{0.25，0.45，0.3}，此时，第三向量模型＝{咖啡，手表，手机}＝{0.25，0.45，0.3}。计算机设备将基于内容的推荐作为本次推荐的推荐算法。由于检测到了用户兴趣发生了漂移，采用基于内容的推荐，能更好地针对当前的短期兴趣做推荐，捕捉用户当前的新兴趣，提高推荐准确率。由于用于本次推荐的向量模型中{咖啡}的偏好值最大，因此基于内容的推荐会侧重于{咖啡}这一兴趣。

又举例来说，当兴趣模型为向量模型时，假设第一向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，第二向量模型{咖啡，手表，手机}＝{0，0.3，0.7}，第三向量模型＝{咖啡，手表，手机}＝{0，0.8，0.2}，计算机设备根据第二公式计算得到的第一相似度为0.232，第二相似度为0.297，第三相似度为0.605。若预设相似度为0.7，根据上述步骤s202可知，计算机设备检测到了噪声，计算机设备将第三向量模型作为第四向量模型，即第四向量模型＝{咖啡，手表，手机}＝{0，0.8，0.2}。计算机设备将基于协同过滤推荐作为本次推荐的推荐算法。由于计算机设备检测到了噪声，采用基于协同过滤的推荐，能最大程度上保证推荐的多样性，提高推荐成功率。

又举例来说，当兴趣模型为向量模型时，假设第一向量模型＝{咖啡，手表，手机}＝{0.7，0.2，0.1}，第二向量模型{咖啡，手表，手机}＝{0，0.3，0.7}，第三向量模型＝{咖啡，手表，手机}＝{0.8，0.1，0.1}，计算机设备根据第二公式计算得到的第一相似度为0.232，第二相似度为0.988，第三相似度为0.162。若预设相似度为0.7，根据上述步骤s202可知，计算机设备检测到用户兴趣未发生变化，计算机设备根据第二向量模型、第三向量模型以及第一公式确定第四向量模型，其中，第四向量模型＝{咖啡，手表，手机}＝{0.75，0.15，0.1}。计算机设备将第三向量模型更新为第四向量模型，此时，第三向量模型＝{咖啡，手表，手机}＝{0.75，0.15，0.1}。计算机设备将基于内容的协同过滤推荐本次推荐的推 荐算法。由于计算机设备检测检测到用户兴趣未发生变化，采用基于协同过滤的推荐，能最大程度上保证推荐的多样性，提高推荐成功率。

s204、计算机设备根据所述第四兴趣模型和所述推荐算法，生成网络资源推荐列表。

s205、计算机设备根据所述网络资源推荐列表进行推荐。

具体的，计算机设备根据网络资源推荐列表进行推荐的具体实施方式可以是：计算机设备直接根据上述网络资源推荐列表进行推荐；或者，计算机设备将上述网络资源推荐列表发送给另一计算机设备(比如智能手机、平板电脑等等)，然后另一计算机设备再根据上述网络资源推荐列表进行推荐，或者，也可以是其他的推荐方式，本发明不做限定。

可以看出，本发明实施例中，本发明不针对于用户对网络资源推荐列表的反馈信息确定用于本次推荐的兴趣模型，本发明针对用户行为记录确定用于本次推荐的兴趣模型，实现了对用户兴趣变化响应的准确性和及时性，进而提高推荐结果的准确率。

图3是本发明实施例提供的一种计算机设备的结构示意图。计算机设备300包括：确定模块301、计算模块302、生成模块303以及推荐模块304。

确定模块301，用于根据当前时间窗口的用户行为记录确定第一兴趣模型。计算模块302，用于计算所述第一兴趣模型、第二兴趣模型以及第三兴趣模型中的任意两个兴趣模型之间的相似度，其中，所述第二兴趣模型对应的时间窗口与所述当前时间窗口相邻，所述第三兴趣模型为基于参考时间窗口集内的所有用户行为记录确定的兴趣模型，所述参考时间窗口集包括所述第二兴趣模型对应的时间窗口之前的n个时间窗口，所述n为大于1的整数。确定模块301，还用于根据所述计算模块计算得到的任意两个兴趣模型之间的相似度确定第四兴趣模型和推荐算法。生成模块303，用于根据所述确定模块确定得到的所述第四兴趣模型和所述推荐算法，生成网络资源推荐列表。推荐模块304，用于根据所述网络资源推荐列表进行推荐。

可选的，所述计算得到的任意两个兴趣模型之间的相似度包括第一相似度、第二相似度以及第三相似度，所述第一相似度为所述第一兴趣模型和所述第二兴趣模型的相似度，所述第二相似度为所述第一兴趣模型和所述第三兴趣模型 的相似度，所述第三相似度为所述第二兴趣模型和所述第三兴趣模型的相似度。

可选的，所述确定模块301具体用于：

若所述第一相似度和所述第二相似度均大于或等于预设相似度，根据所述第二兴趣模型、所述第三兴趣模型以及第一公式确定第四兴趣模型；

若所述第一相似度大于或等于所述预设相似度，且所述第二相似度小于所述预设相似度，根据所述第一兴趣模型、所述第二兴趣模型以及所述第一公式确定所述第四兴趣模型；

若所述第一相似度小于所述预设相似度，且所述第二相似度大于或等于所述预设相似度，根据所述第一兴趣模型、所述第三兴趣模型以及所述第一公式确定所述第四兴趣模型；

若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度，且所述第三相似度大于或等于所述预设相似度，根据所述第二兴趣模型、所述第三兴趣模型以及所述第一公式确定所述第四兴趣模型；

若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度，且所述第三相似度小于所述预设相似度，将所述第三兴趣模型作为所述第四兴趣模型；

其中，所述第一公式为：

m＝αa+βb

所述m表示所述第四兴趣模型，所述a和所述b为所述第一兴趣模型、所述第二兴趣模型以及所述第三兴趣模型中任意两个兴趣模型，所述α表示所述a的权重，所述β表示所述b的权重，所述α和所述β的和等于1。

可选的，在确定模块301根据所述第二兴趣模型、所述第三兴趣模型以及第一公式确定第四兴趣模型之后，图3所示的计算机设备还包括：

更新模块，用于将所述第三兴趣模型更新为所述第四兴趣模型。

可选的，在确定模块301根据所述第一兴趣模型、所述第二兴趣模型以及所述第一公式确定所述第四兴趣模型之后，确定模块301，还用于根据所述第二兴趣模型、所述第三兴趣模型以及所述第一公式确定第五兴趣模型。更新模块305，还用于将所述第三兴趣模型更新为确定模块301确定的所述第五兴趣模型。

可选的，确定模块301还具体用于：

若所述第一相似度和所述第二相似度均大于或等于预设相似度，将基于内 容的协同过滤推荐作为推荐算法；

若所述第一相似度大于或等于所述预设相似度，且所述第二相似度小于所述预设相似度，将基于内容的推荐作为所述推荐算法；

若所述第一相似度小于所述预设相似度，且所述第二相似度大于或等于所述预设相似度；或者，若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度；或者，若所述第一相似度小于所述预设相似度，所述第二相似度小于所述预设相似度，将基于协同过滤推荐作为所述推荐算法。

可选的，所述兴趣模型包括向量模型，所述计算模块302具体用于：根据第二公式计算第一向量模型、第二向量模型以及第三向量模型中的任意两个向量模型之间的相似度；

所述第二公式为：

其中，所述similarity表示任意两个向量模型之间的相似度，所述a和所述b为所述第一向量模型、所述第二向量模型以及所述第三向量模型中任意两个向量模型，所述n表示向量模型中包含的元素总数，所述i表示向量模型的第i个元素。

需要说明的是，上述各功能模块(确定模块301、计算模块302、生成模块303、推荐模块304以及更新模块305)用于执行实施例图2的步骤s201-s205的相关步骤。

在本实施例中，计算机设备300是以功能模块的形式来呈现。这里的“模块”可以指特定应用集成电路(application-specificintegratedcircuit，asic)，电路，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。在一个简单的实施例中，本领域的技术人员可以想到计算机设备300可以采用图1所示的形式。确定模块301、计算模块302、生成模块303、以及更新模块305可以通过图1的处理器和存储器来实现。推荐模块304可以通过图1的处理器、存储器和通信接口来实现。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存 储有程序，该程序执行时包括上述方法实施例中记载的任何一种网络资源推荐方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

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，可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，例如所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块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器中。基于这样的理解，本发明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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包 括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取器(英文：randomaccessmemory，简称：ram)、磁盘或光盘等。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本发明的限制。