一种资源推送方法及装置与流程

本发明涉及通信技术领域，尤其涉及一种资源推送方法及装置。

背景技术：

随着网络技术的发展，社交网络成为了重要的交流平台之一。众所周知，在社交网络中进行资源推送，是资源推广的重要方式。然而在传统的资源推送方式中，通常采用是将全量用户按照预设规则进行过滤，得到候选用户集，然后利用种子用户加负样本构成的训练集训练模型对候选用户集，排序过滤出目标投放用户群，然后进行资源的一次性推送，这种推送方式的精准度较差。

技术实现要素：

本发明实施例提供一种资源推送方法及装置，以解决资源推送精准度较差的问题。

第一方面，本发明实施例提供了一种资源推送方法，包括：

获取基准用户的目标关系链；

根据所述基准用户和目标关系链确定所述基准用户的关系用户；

从预设数据库中获取所述关系用户的参数特征；

根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；

根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

第二方面，本发明实施例还提供了一种资源推送装置，包括：

关系链获取模块，用于获取基准用户的目标关系链；

第一确定模块，用于根据所述基准用户和目标关系链确定所述基准用户的关系用户；

圈子定向关系链拉取模块，用于从预设数据库中获取所述关系用户的参数特征；

第二确定模块，用于根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；

排序过滤模块，用于根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

这样，本发明实施例中，获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。由于在本发明实施例中采用基准用户的关系用户作为候选用户集，然后从候选用户集中选取推送用户，从而有效利用了用户群社交同质性(相似性)以及用户群社交影响力，因此提高了对资源推送的精准度，进而提升了资源推送的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，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资源推送方法的流程图；

图2是本发明又一实施例提供的资源推送方法的流程图；

图3是本发明实施例提供的资源推送方法中预测概率值的流程图；

图4是本发明又一实施例提供的资源推送方法的流程图；

图5是本发明又一实施例提供的资源推送方法的流程图；

图6是本发明实施例提供的资源推送方法中种子用户上传界面图；

图7是本发明实施例提供的资源推送方法应用的系统架构图；

图8是本发明实施例提供的资源推送方法中用户画像特征和兴趣标签的分析流程图；

图9是本发明实施例提供的资源推送方法中合并向量的直观图；

图10是本发明实施例提供的资源推送装置的结构图；

图11是本发明又一实施例提供的资源推送装置的结构图；

图12是本发明又一实施例提供的资源推送装置的结构图；

图13是本发明又一实施例提供的资源推送装置的结构图；

图14本发明实施例提供的服务器的结构图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明实施例提供了一种资源推送方法，包括：

步骤101，获取基准用户的目标关系链；

本发明实施例提供的资源推送方法主要应用于资源推送服务器中，用于对目标资源的推送进行管理。

该步骤中，上述目标关系链可以由用户进行设定，例如用户可以通过预设的交互界面设定目标关系链，例如该目标关系链包括全部好友或者部分好友，例如对好友进行分类包括朋友、亲人、同学、同事和亲人时，上述目标关系链包括朋友、亲人、同学、同事和亲人中的一项或者多项。

本发明实施例中，对目标资源进行推送时，可以采取多次动态的推送方式，在首次进行目标资源推送时，上述基准用户为种子用户(即资源推送方提供的用户)；后续每一次进行资源推送时，上述基准用户为历史推送用户中选取的用户。例如，可以根据上一次进行目标资源推送的推送用户选取下一次进行资源推送对应的基准用户。其中，同一用户作为基准用户使用的次数只能为一次，也就是说，在对同一目标资源进行推送时，每一用户仅被允许一次作为基准用户。

步骤102，根据所述基准用户和目标关系链确定基准用户的关系用户；

步骤103，从预设数据库中获取所述关系用户的参数特征；

上述参数特征的具体内容可以根据实际需要进行设置，例如，在本实施例中，该参数特征可以包括用户画像特征和嵌入(embedding)向量，其中，该embedding向量为用户位于共同类网络中的网络节点所映射的向量。可选的，为了提高对用户相似度计算的精准度，上述参数特征还可以包括：用于反应用户喜好资源类型的兴趣标签，该兴趣标签的划分规则可以根据实际需要进行设置，例如可以进行大类和小类逐层划分，例如兴趣标签可以包括体育类、军事类和阅读类等划分大类，再从大类进行小类划分，例如，在阅读内中可以划分为杂志类、小说类和文艺类等，其具体的划分细节在此不再一一列举。

其中，上述用户画像特征、embedding向量和兴趣标签通常是在之前进行了统计并储存。本实施例中，可以根据基准用户和目标关系链获取存储的参数特征，从而获得关系用户的参数特征。可选的，上述基准用户的数量可以根据实际需要进行设置，且每一基准用户的目标关系链对应的关系用户数量可以根据实际需要进行设置，应当说明的是，基准用户的目标关系链对应的关系用户数量和与关系用户的互动类行为状态均可以反应该基准用户的社交影响力，互动类行为包括两个用户在社交平台上的收发消息、点赞评论、视频通话和语音通话。

步骤104，根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；

该步骤中，可以根据预设的相似度模型或者概率分析模型对上述预设特征进行分析计算，得到每一关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值。

步骤105，根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

该步骤中，可以根据每一关系用户与对应的基准用户的相似度或者每一关系用户的概率值进行关系用户的排序，然后根据排序的顺序确定本次进行资源推送的推送用户。其中确定推送用户的方式可以根据实际需要进行设置，例如可以对每一基准用户的关系用户进行排序，分别选取与对应的基准用户的相似度值或者概率值排列前n位的关系用户作为本次资源推送的推送用户，即从每一基准用户对应的关系用户中选取相似度值或者概率值排列前n位的关系用户；还可以将所有关系用户与对应的基准用户的相似度值或者关系用户概率值进行整体排列，选取前m位关系用户作为本次资源推送的推送用户，即从所有的关系用户中选取相似度值或者概率值排列前m位的关系用户。

应理解，在排序的过程中，还可以增加其他的权重因子，例如可以根据用户在24小时内朋友圈的活跃度和用户1小时内情感状态分别设置相应的活跃度权重因子和情感监测权重因子，根据相似度值或者概率值与相应的权重因子的乘积对每一关系用户进行排序。

在确定推送用户后，可以向推送用户推送目标资源。具体的，推送目标资源的额方式可以根据实际需要进行设置，以下实施例中将会对此进行详细说明，在此不再详述。

这样，本发明实施例中，获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。由于在本发明实施例中采用基准用户的关系用户作为候选用户集，然后从候选用户集中选取推送用户，从而有效利用了用户群社交同质性(相似性)以及用户群社交影响力，因此提高了对资源推送的精准度，进而提升了资源推送的效果。

可选的，参照图2，上述步骤105之后，所述方法还包括：

步骤106，从所述推送用户中选择下一次对所述目标资源进行资源推送的基准用户。

该步骤中，根据选取的推送用户在预设的网络平台上进行资源推送，并且从本次进行资源推送的推送用户中选取下一次对目标资源进行资源推送的基准用户。

可以理解的是，从本次进行资源推送的推送用户中选取基准用户的方式可以根据实际需要进行设置。例如，可以将所述推送用户中的正向反馈用户设定为下一次对所述目标资源进行资源推送的基准用户，也可以从正向反馈用户中选取部分用户作为基准用户。其中，正向反馈用户可以是点击获取推送资源的用户，也可以是与所述推送资源对应的服务器存在交互的用户，例如在该服务器上进行注册的用户。

本实施例中，还可以根据每一正向反馈用户的社交影响力对正向反馈用户进行筛选，将社交影响力大的用户作为新的基准用户。

由于在本实施例中，根据上一次进行目标资源推送的推送用户选择下一次进行资源推送对应的基准用户，从而可以进一步提高资源推送的精准度。

可选的，计算每一关系用户与对应的基准用户之间的相似度值和概率值的方式可以根据实际需要进行设置，以下对此进行详细说明：

在一实施例中，上述步骤104包括：

将所述参数特征输入到逻辑回归lr(logisticregression)/支持向量机svm(supportvectormachine)模型中，预测所述每一所述关系用户的概率值，其中，所述lr/svm模型是根据梯度提升决策树gbdt(gradientboostingdecisiontree)树叶子节点序列和所述embedding向量进行训练的，所述gbdt树叶子节点序列是将预设的样本训练集输入到gbdt模型中转换获得的。

本实施例中，采用的是有监督相似模型预测每一关系用户对共同点击的概率。可选的，可以抽取2000万好友共同点击率高的样本作为训练集正样本，抽取2000万好友共同点击率低的样本作为训练集的负样本，然后从正向样本和负向样本中与参数特征所包含的特征类型一致的特征进行训练得到gbdt模型，该gbdt模型中可以综合考虑用户画像特征、兴趣标签和好友互动类行为特征等。如图3所示，可以根据样本训练集中的用户画像特征、兴趣标签和好友互动类行为特征训练gbdt模型，接着利用训练好的模型预测样本训练集全量数据的gbdt特征，即样本转换后的gbdt树叶子节点序列。接着根据gbdt树叶子节点序列和所述embedding向量训练lr/svm模型，并预测每一所述关系用户的概率值，即好友共同点击的概率。

需要理解的是，当输入的参数特征的类型不统一时，每一次进行推送用户确定时，都需要进行gbdt模型和lr/svm模型的训练。当采用固定的参数特征时，可以提前训练好，仅训练一次即可，也可以周期性的更新，提高准确率。

可选的，参照图4，在另一实施例中，上述步骤104包括：

步骤1041，将所述参数特征进行合并得到，每一所述关系用户的第一预设维目标向量，并将所述基准用户的参数特征进行合并得到每一所述基准用户的第二预设维目标向量；

步骤1042，根据预设函数计算每一所述基准用户的第二预设维目标向量和对应的关系用户的第一预设维目标向量的相似度，得到每一关系用户与对应的基准用户的相似度值。

本实施例中，上述基准用户的参数特征与关系用户的参数特征所包含的特征一致，且均存储在上述预设数据库中，在提取所述关系用户的参数特征同时，可以提取基准用户的参数特征。将参数特征进行合并是指将多个参数特征进行组合得到多维向量，例如，可以将50维的向量和50维的特征进行组合得到100维的向量。假设基准用户a的第二预设维目标向量用ua表示，该ua＝{ui}，i＝1,2,····，n，关系用户b的第一预设维目标向量用ub表示，该ub＝{ui}，i＝1,2,····，m。然后利用函数sim(ua，ub)用于衡量用户a与用户b的相似度值。具体的，该sim(ua，ub)可以是皮尔逊相关系数、余弦相似度、杰卡德(jaccard)相似度和欧式距离中的任一项。

可选的，参照图5，在上述104之前还包括：

步骤107，按照相似度计算条件对所述参数特征中的特征进行过滤；

上述步骤104具体包括：根据过滤后的参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据过滤后的参数特征确定每一所述关系用户的概率值。

本实施例中，可以提供一个相似度计算条件的选择按钮供用户输入，基于用户输入的相似度计算条件对获取的参数特征进行筛选，然后将筛选后的参数特征输入后后续的相似度模型中进行相似度值的计算或者概率值的预测。

其中，上述相似度计算条件可以包括但不限于以下三种：综合相似性、兴趣相似性和好友相互影响力。可以根据用户选择的不同相似度计算条件对获取的参数特征进行筛选，例如，选择综合相似性，则可以不进行筛选，如选择兴趣相似性，则可以筛选去除embedding向量中的部分特征，选择好友相互影响力，则可以筛选去除兴趣标签等，具体的，筛选原则和筛选实例在此不再详述。由于增加了对参数特征的筛选，从而可以提高对资源推送的针对性，提高用户对资源的点击率。

可以理解的是，对于上述目标资源推送的内容可以根据实际需要进行设置，以下将会以广告资源推送为例进行详细说明。

具体的，参照图6，广告投放商可以广告投放界面中种子用户上传界面中选择需要使用的种子用户，例如上传新的种子用户和或者从已有的用户包中选择种子用户，若采用上传新的种子用户时，显示相应的操作按钮供用户进行种子用户的上传。同时，还设有关系链标签供用户选择需要扩散的目标关系链，该关系链标签包括：不限、同事、亲人和同学四个选项按钮。此外还设有扩散规模，供用户选择广告资源扩散的用户量，该用户量可以为广告资源一次的扩散量，也可以广告资源总扩散量，根据总扩散量计算每一次资源推送时，广告资源的扩散量。在用户设置好相应的条件后，可以点击开始扩散按钮，此时将会将用户在种子用户上传界面中设置的条件和上传的种子用户发送给后台系统，由后台系统进行广告资源的用户的确定。

进一步的，参照图7，在后台系统中，包括离线计算部分a和实时计算部分b。

离线计算部分a中具有用户历史行为数据库、用户兴趣标签挖掘模块、精准用户画像模块和图特征embedding模块。其中，用户历史行为数据库可以拉取基础日志得到用户的历史行为，该基础日志可以包括：社交日志、支付日志、游戏日志、电商日志和o2o(onlinetooffline，线上到线下)日志等。如图8所示，然后由用户兴趣标签挖掘模块和精准用户画像模块通过对用户注册类数据、行为类数据、ugc(usergeneratedcontent，用户原创内容)数据等清洗处理，通过挖掘模型和语意分析技术，获取用户精准兴趣标签和全方位的用户画像特征。图特征embedding模块，抽取用户的共同类网络，分别通过网络嵌入networkembedding技术，将共同类网络中的节点(node)(即用户位于共同类网络中的节点)映射为空间的一个向量。networkembedding是一种图特征表达的学习算法，也就是通过一种映射方法f得到d维向量空间r^d的向量vec，利用该空间中的一个向量表达网络中的一个节点u,具体直观图如图9所示。在此模块中，我们采用deepwalk(该deepwalk是指一种训练网络节点潜在向量表示的方法)、node2vec(即网络节点的向量化)技术对用户在微信平台上的共同类网络，即共同好友网络、共同关注公众号网络、共同阅读公众号文章网络、互动类行为网络，分别得到这些网络节点在低维空间的描述向量，即上述embedding向量。

实时计算部分b包括圈子定向关系链拉取模块、基准用户提供模块、标签定向过滤模块、有监督相似度模型、无监督相似度模型、排序过滤模块和广告实时反馈数据库。在进行第一次广告资源推送时，基准用户提供模块可以获取广告投放商在系统前端交互的种子用户上传界面设置的种子用户以及关系链标签，然后输出给圈子定向关系链拉取模块，由圈子定向关系链拉取模块根据广告投放商在系统前端交互的种子用户上传界面设置的种子用户以及关系链标签从用户兴趣标签挖掘模块、精准用户画像模块和图特征embedding模块中拉取关系用户和基准用户的参数特征。圈子定向关系链拉取模块将拉取的参数特征输出到标签定向过滤模块进行预设特征过滤，然后将过滤后的参数特征输出到有监督相似度模型进行共同点击概率的预测或输出到无监督相似度模型进行相似度值的计算。接收由排序过滤模块对每一关系用户进行排序，然后确定推送广告资源的推送用户，由于在第一次进行广告资源推送时，种子用户也需要进行广告资源推送，因此也会将种子用户纳入到推送用户中。在后续推送时，排序过滤模块将会过滤掉已经进行同一广告资源推送的关系用户后，再进行排序确定推送用户。

排序过滤模块确定推送用户后，将会通过广告投放系统接口将推送用户发送给广告投放系统，由广告投放系统进行广告资源的推送。广告实时反馈数据库将会实时获取每一推送用户的反馈情况，在下一次进行广告资源推送时，基准用户提供模块将会获取广告实时反馈数据库中广告资源正向反馈用户，然后重新确定基准用户进行广告资源推送。

例如广告资源的推送量为500万，可以分5次进行广告资源推送，由于本发明基于社交影响力的社会强化效应，引入动态投放策略，可以大幅度提升点击量和互动率，提高广告资源推送的效果。

参照图10，本发明还提供了一种资源推送装置，该资源推送装置包括：

关系链获取模块1001，用于获取基准用户的目标关系链；

第一确定模块1002，用于根据所述基准用户和目标关系链确定基准用户的关系用户；

圈子定向关系链拉取模块1003，用于从预设数据库中获取所述关系用户的参数特征；

第二确定模块1004，用于根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；

排序过滤模块1005，用于根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

可选的，参照图11，所述装置还包括：基准用户提供模块1006，用于从所述推送用户中选择下一次对所述目标资源进行资源推送的基准用户。

可选的，所述基准用户提供模块具体用于，将所述推送用户中的正向反馈用户设定为下一次对所述目标资源进行资源推送的基准用户。

可选的，所述参数特征包括用户画像特征和embedding向量，所述embedding向量为用户位于共同类网络中的网络节点所映射的向量。

可选的，所述第二确定模块1004具体用于：将所述参数特征输入到逻辑回归lr/支持向量机svm模型中，预测所述每一所述关系用户的概率值，其中，所述lr/svm模型是根据gbdt树叶子节点序列和所述embedding向量进行训练的，所述gbdt树叶子节点序列是将预设的样本训练集输入到gbdt模型中转换获得的。

可选的，参照图12，所述第二确定模块1004包括：

向量合成子模块10041，用于将所述参数特征进行合并得到，每一所述关系用户的第一预设维目标向量，并将所述基准用户的参数特征进行合并得到每一所述基准用户的第二预设维目标向量；

计算子模块10042，用于根据预设函数计算每一所述基准用户的第二预设维目标向量和对应的关系用户的第一预设维目标向量之间的相似度，得到每一关系用户与对应的基准用户之间的相似度值。

可选的，所述预设函数包括皮尔逊相关系数、余弦相似度、jaccard相似度和欧式距离中的任一项。

可选的，所述参数特征还包括：用于反应用户喜好资源类型的兴趣标签。

可选的，参照图13，所述装置还包括：

特征过滤模块1007，用于按照相似度计算条件对所述参数特征中的特征进行过滤；

所述第二确定模块1004具体用于：根据过滤后的参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据过滤后的参数特征确定每一所述关系用户的概率值。

这样，本发明实施例中，获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。由于在本发明实施例中采用基准用户的关系用户作为候选用户集，然后从候选用户集中选取推送用户，从而有效利用了用户群社交同质性(相似性)以及用户群社交影响力，因此提高了对资源推送的精准度，进而提升了资源推送的效果。

参照图14，图14是本发明实施例提供的服务器的结构图，如图14所示服务器包括：至少一个处理器1401、存储器1402、至少一个网络接口1404和用户接口1403。服务器中的各个组件通过总线系统1405耦合在一起。可理解，总线系统1405用于实现这些组件之间的连接通信。总线系统1405除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图14中将各种总线都标为总线系统1405。

其中，用户接口1403可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

可以理解，本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的系统和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器1402存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统14021和应用程序14022。

其中，操作系统14021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序14022，包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14022中。

在本发明实施例中，通过调用存储器1402存储的程序或指令，具体的，可以是应用程序14022中存储的程序或指令，处理器1401用于：获取基准用户的目标关系链；根据所述基准用户和目标关系链确定所述基准用户的关系用户；从预设数据库中获取所述关系用户的参数特征；根据所述参数特征确定每一所述关系用户与对应的基准用户的相似度值，或根据所述参数特征确定每一所述关系用户的概率值；根据所述相似度值或概率值从所述关系用户中确定推送用户，向所述推送用户推送目标资源。

可选的，处理器1401还用于：从所述推送用户中选择下一次对所述目标资源进行资源推送的基准用户。

可选的，处理器1401还用于：将所述推送用户中的正向反馈用户设定为下一次对所述目标资源进行资源推送的基准用户。

可选的，所述参数特征包括用户画像特征和embedding向量，所述embedding向量为用户位于共同类网络中的网络节点所映射的向量。

可选的，处理器1401还用于：将所述参数特征输入到逻辑回归lr/支持向量机svm模型中，预测所述每一所述关系用户的概率值，其中，所述lr/svm模型是根据gbdt树叶子节点序列和所述embedding向量进行训练的，所述gbdt树叶子节点序列是将预设的样本训练集输入到gbdt模型中转换获得的。

可选的，所述目标用户还包括基准用户，处理器1401还用于：将所述参数特征进行合并得到，每一所述关系用户的第一预设维目标向量，并将所述基准用户的参数特征进行合并得到每一所述基准用户的第二预设维目标向量；根据预设函数计算每一所述基准用户的第二预设维目标向量和对应的关系用户的第一预设维目标向量之间的相似度，得到每一关系用户与对应的基准用户之间的相似度值。

可选的，所述预设函数包括皮尔逊相关系数、余弦相似度、jaccard相似度和欧式距离中的任一项。

可选的，所述参数特征还包括：用于反应用户喜好资源类型的兴趣标签。

可选的，处理器1401还用于：按照相似度计算条件对所述参数特征中的特征进行过滤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法实施例中的资源推送方法中的步骤。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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发明实施例方案的目的。

另外，在本发明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。

所述功能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。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。