一种对象推荐方法及设备与流程
本发明涉及网络技术领域，特别涉及一种对象推荐方法及设备。
背景技术：
随着网络技术以及电子商务技术的快速发展，网络业务得到广泛应用。在网络业务种，通常由供应商在网站上发布想要出售的商品信息，用户就可以基于该网站和该商品信息，在网站中购买该商品。然而不同的供应商在网站上发布相同或不同的商品信息，使得网站上出现海量的商品信息，导致用户在选择商品时，需要根据海量的商品信息选择，比较费时。
为此，目前网站通过把与当前用户相似的用户喜欢的商品推荐给当前用户的方式，供当前用户进一步选择商品。这样当前用户就可以从与其相似的用户所选择的商品中进一步选择商品，节约了选择时间。但是当前用户的喜好随着时间的迁移可能有所变化，那么与当前用户相似的用户也会有所改变，若是仍把之前与当前用户相似的用户购买的商品推荐给当前用户，可能不符合当前用户的喜好。如较早时间段内，一个用户比较喜欢“甜美风格”的衣服，最近比较喜欢“成熟风格”的衣服，若是与该用户相似的另一个用户一直都喜欢“甜美风格”的衣服，该用户在最近购买衣服时，若仍将另一个用户喜欢的衣服推荐给该用户，就不符合该用户的喜好，从而降低了为用户推荐对象的精确度。
技术实现要素：
本发明实施例提供一种对象推荐方法及设备，用于提高为用户推荐对象的精确度。
第一方面，本发明实施例提供了一种对象推荐方法，该对象推荐方法包括：
获取第一用户与多个第二用户在预设时间段内的多个相似度；其中，每个相似度用于指示所述第一用户与一个所述第二用户针对相同的对象的喜好的相似程度；
从所述多个相似度中选取大于第一阈值的至少一个相似度；
将所述至少一个相似度对应的至少一个第二用户购买的对象推荐给所述第一用户。
可选的，获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子；所述影响因子用于指示所述第一用户对所述任意一个第二用户的影响程度；
确定所述影响因子为所述相似度。
可选的，获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子，包括：
获取所述第一用户在所述预设时间段内购买的第一对象的第一数量及所述任意一个第二用户在所述预设时间段内购买的所述第一对象的第二数量；其中，所述任意一个第二用户在所述第一用户购买所述第一对象后购买所述第一对象；
根据得到的所述第一数量及所述第二数量计算所述影响因子。
可选的，根据得到的所述第一数量及所述第二数量计算所述影响因子，包括：
确定所述第一用户及所述任意一个第二用户在所述预设时间段内购买的所有对象的总数量；
确定所述第一数量与所述总数量的比值为所述第一用户对任意一个所述第二用户的所述影响因子。
可选的，获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户在所述预设时间段内对第二对象进行操作的第一信息，及所述任意一个第二用户在所述预设时间段内对所述第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到所述相似度。
可选的，根据获取的第一信息及第二信息得到所述相似度，包括：
将所述第一信息所对应的操作的类型与所述第二信息所对应的操作的类型的相似度，确定为所述第一用户与所述任意一个第二用户的所述相似度。
可选的，将所述至少一个第二用户购买的对象推荐给所述第一用户，包括：
预测所述第一用户对所述对象的评分；
从所述评分中选取大于第二阈值的评分；
将所述大于第二阈值的评分对应的对象推荐给所述第一用户。
可选的，预测所述第一用户对所述至少一个第二用户购买的对象的评分，包括：
建立所述至少一个第二用户对所述对象的评分矩阵；所述评分矩阵的行用于表示对象，所述评分矩阵的列用于表示第二用户，所述评分矩阵的行和列的交点为第二用户对对象的评分；
根据所述评分矩阵及交替最小二乘als算法计算所述第一用户对所述对象的评分。
第二方面，本发明实施例提供了一种对象推荐设备，该对象推荐设备包括：
获取模块，用于获取第一用户与多个第二用户在预设时间段内的多个相似度；其中，每个相似度用于指示所述第一用户与一个所述第二用户针对相同的对象的喜好的相似程度；
选取模块，用于从所述多个相似度中选取大于第一阈值的至少一个相似度；
推荐模块，用于将所述至少一个相似度对应的至少一个第二用户购买的对象推荐给所述第一用户。
可选的，所述获取模块用于获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子；所述影响因子用于指示所述第一用户对所述任意一个第二用户的影响程度；
确定所述影响因子为所述相似度。
可选的，所述获取模块用于获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子，包括：
获取所述第一用户在所述预设时间段内购买的第一对象的第一数量及所述任意一个第二用户在所述预设时间段内购买的所述第一对象的第二数量；其中，所述任意一个第二用户在所述第一用户购买所述第一对象后购买所述第一对象；
根据得到的所述第一数量及所述第二数量计算所述影响因子。
可选的，所述获取模块根据得到的所述第一数量及所述第二数量计算所述影响因子，包括：
确定所述第一用户及所述任意一个第二用户在所述预设时间段内购买的所有对象的总数量；
确定所述第一数量与所述总数量的比值为所述第一用户对任意一个所述第二用户的所述影响因子。
可选的，所述获取模块用于获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户在所述预设时间段内对第二对象进行操作的第一信息，及所述任意一个第二用户在所述预设时间段内对所述第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到所述相似度。
可选的，所述获取模块用于根据获取的第一信息及第二信息得到所述相似度，包括：
将所述第一信息所对应的操作的类型与所述第二信息所对应的操作的类型的相似度，确定为所述第一用户与所述任意一个第二用户的所述相似度。
可选的，所述推荐模块用于将所述至少一个第二用户购买的对象推荐给所述第一用户，包括：
预测所述第一用户对所述对象的评分；
从所述评分中选取大于第二阈值的评分；
将所述大于第二阈值的评分对应的对象推荐给所述第一用户。
可选的，所述推荐模块用于预测所述第一用户对所述至少一个第二用户购买的对象的评分，包括：
建立所述至少一个第二用户对所述对象的评分矩阵；所述评分矩阵的行用于表示对象，所述评分矩阵的列用于表示第二用户，所述评分矩阵的行和列的交点为第二用户对对象的评分；
根据所述评分矩阵及交替最小二乘als算法计算所述第一用户对所述对象的评分。
第三方面，本发明实施例还提供了一种对象推荐设备，该对象推荐设备包括：
存储器，用于存储指令；
处理器，用于调用所述存储器存储的指令，获取第一用户与多个第二用户在预设时间段内的多个相似度；从所述多个相似度中选取大于第一阈值的至少一个相似度；将所述至少一个相似度对应的至少一个第二用户购买的对象推荐给所述第一用户；其中，每个相似度用于指示所述第一用户与一个所述第二用户针对相同的对象的喜好的相似程度。
可选的，所述处理器用于获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子；所述影响因子用于指示所述第一用户对所述任意一个第二用户的影响程度；
确定所述影响因子为所述相似度。
可选的，所述处理器用于获取所述第一用户对所述任意一个第二用户在所述预设时间段内的影响因子，包括：
获取所述第一用户在所述预设时间段内购买的第一对象的第一数量及所述任意一个第二用户在所述预设时间段内购买的所述第一对象的第二数量；其中，所述任意一个第二用户在所述第一用户购买所述第一对象后购买所述第一对象；
根据得到的所述第一数量及所述第二数量计算所述影响因子。
可选的，所述处理器用于根据得到的所述第一数量及所述第二数量计算所述影响因子，包括：
确定所述第一用户及所述任意一个第二用户在所述预设时间段内购买的所有对象的总数量；
确定所述第一数量与所述总数量的比值为所述第一用户对任意一个所述第二用户的所述影响因子。
可选的，所述处理器用于获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取所述第一用户在所述预设时间段内对第二对象进行操作的第一信息，及所述任意一个第二用户在所述预设时间段内对所述第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到所述相似度。
可选的，所述处理器用于根据获取的第一信息及第二信息得到所述相似度，包括：
将所述第一信息所对应的操作的类型与所述第二信息所对应的操作的类型的相似度，确定为所述第一用户与所述任意一个第二用户的所述相似度。
可选的，所述处理器用于将所述至少一个第二用户购买的对象推荐给所述第一用户，包括：
预测所述第一用户对所述对象的评分；
从所述评分中选取大于第二阈值的评分；
将所述大于第二阈值的评分对应的对象推荐给所述第一用户。
可选的，所述处理器用于预测所述第一用户对所述至少一个第二用户购买的对象的评分，包括：
建立所述至少一个第二用户对所述对象的评分矩阵；所述评分矩阵的行用于表示对象，所述评分矩阵的列用于表示第二用户，所述评分矩阵的行和列的交点为第二用户对对象的评分；
根据所述评分矩阵及交替最小二乘als算法计算所述第一用户对所述对象的评分。
本发明实施例中，预设时间段可以认为是一个近期的时间段，获取第一用户和多个第二用户在预设时间段内的多个相似度，可以认为是确定与第一用户在近期内的喜好相似的多个第二用户，这样即使第一用户的喜好随着时间发生了改变，确定的也是与第一用户近期喜好相似的多个第二用户，然后将第二用户购买的对象推荐给第一用户，推荐的对象就比较准确。
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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的对象推荐方法的流程图；
图2为本发明实施例提供的用户关系的一种结构示意图；
图3为本发明实施例提供的评分矩阵的一种结构示意图；
图4为本发明实施例提供的对象推荐设备的一种结构示意图；
图5为本发明实施例提供的对象推荐设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，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，都属于本发明保护的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
另外，本文中术语“和/或”，仅仅是一种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：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
本发明实施例中，第一用户和第二用户可以是自然人，也可以是企业等，具体可以通过用户名和/或账户等用于唯一标识用户的身份(identity，id)号来实现。
本发明实施例中，对象可以为书籍、视频、生活用品或者其他用户可能购买的物品。
现有技术中，在第一用户购买一个对象时，通常是将与第一用户的喜好相似的第二用户所购买的对象推荐给第一用户，这样第一用户就可以从推荐的对象中进一步选择需要购买的对象，以避免第一用户从海量的对象中选择需要购买的对象，从而浪费了大量的时间。
然而用户的喜好随着时间的迁移可能有所变化，如较早时间段内，第一用户可能比较喜欢“甜美风格”的衣服，最近比较喜欢“成熟风格”的衣服，那么若第一用户最近购买衣服时，若是仍将第二用户喜欢的衣服推荐给第一用户，第一用户收到推荐的衣服中就会包括“甜美风格”的衣服，不符合第一用户的喜好，降低了为用户推荐对象的精确度。
鉴于此，请参见图1，提供一种对象推荐方法，该方法的流程描述如下。
s101：获取第一用户与多个第二用户在预设时间段内的多个相似度；其中，每个相似度用于指示第一用户与一个第二用户针对相同的对象的喜好的相似程度；
s102：从多个相似度中选取大于第一阈值的至少一个相似度；
s103：将至少一个相似度对应的至少一个第二用户购买的对象推荐给第一用户。
第一用户与一个第二用户的相似度可以理解为第一用户与该第二用户针对同一个对象的喜好的相似程度，例如，针对同一本书，第一用户购买了多次，第二用户也购买了多次，可以认为第一用户和第二用户都喜欢这本书，也就也可以认为第一用户与第二用户相似度较高，第一用户与第二用户比较相似。
预设时间段可以理解为短期的一个时间段，距离现在较近的一个时间段。比如以现在为起点的前一个月、两个月等。若第一用户与一个第二用户在预设时间段内的相似度较高，则可以认为第一用户在近期或者未来比较喜欢该第二用户购买的对象。
本发明实施例中，由于第二用户的数量较多，而且同一个用户对应多个不同的对象，通常也会有不同的喜好程度，为了更准确地获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度，本发明实施例可以通过以下两种方式来实现。
下面以获取第一用户与其中的一个第二用户的相似度为例进行介绍。
第一种方式：第一用户与第二用户的相似度可以通过第一用户对第二用户的影响因子来表示，影响因子越大，相似度就越大。其中，影响因子可以用于指示第一用户对第二用户的影响程度。
本发明实施例中，可以认为第一用户和第二用户之间是具有相互影响关系的，比如，若第一用户先购买了第一对象，第二用户后购买了第一对象，那么第二用户可能是参考第一用户来购买的第一对象，这样第一用户对第二用户就有影响。若是第一用户对第二用户的影响程度较大，则可以认为第一用户与第二用户的关系强度较强，第一用户与第二用户的相似度也较高。
为了更好地理解，请参见图2，图2是用户关系网络图，图2以有7个用户为例，u表示用户，用户与用户之间的虚线可以看成是用户购买的对象，由于用户之间具有影响关系，所以虚线是具有箭头的，针对同一个对象，箭头的起点对应的用户先购买，箭头的终点对应的用户后购买。虚线上的数字表示两个用户购买相同对象的数量。若是虚线上的数字越大，则虚线的起点对应的用户对虚线的终点对应的用户的影响就越大，具体可以通过用户之间的影响因子来表征。
本发明实施例确定第一用户对第二用户的影响因子，可以先获取第一用户在预设时间段内购买的第一对象的第一数量及第二用户在预设时间段内购买的第一对象的第二数量。其中，第二用户在第一用户购买第一对象后购买第一对象，以表示第一用户对第二用户的影响。同时，也可以确定第一用户及第二用户在预设时间段内购买的所有对象的总数量。本发明实施例中，第一用户对第二用户的影响因子可以用第一数量与总数量的比值表示，同样地，第二用户对第一用户的影响因子可以用第二数量与总数量的比值表示，比值越大，影响因子越大，相似度越高。
为了更好地理解，下面继续以图2为例，介绍本发明实施例确定第一用户对第二用户在预设时间段内的影响因子的方式。在可能的实施方式中，本发明实施例可以通过公式(1)计算第一用户对第二用户的影响因子或第二用户对第一用户的影响因子。
公式(1)中，f(ui,uj)为用户ui和uj在设定时间段内购买对象的并集，也就是总数量，ini→j为用户ui对用户uj的影响因子，wi→j表示用户ui相对于用户uj先购买同一个对象的数量。
以用户u1和用户u2为例，在预设时间段内，用户u1在用户u2前与用户u2购买同一个对象的数量是20，用户u2在用户u1前与用户u1购买同一个对象的数量是5，假设用户u1与用户u2在预设时间段内购买的所有对象的总数量为100，那么根据公式(1)可以得出，用户u1对用户u2的影响因子in1→2＝20/100＝0.2，而用户u2对用户u1的影响因子in2→1＝5/100＝0.05，那么可以确定用户u1对用户u2的影响因子较大，用户u1与用户u2的相似度较高。当然为了简便，可以确定第一用户对第二用户的影响因子为第一用户与第二用户的相似度，而不用再通过第一用户对第二用户的影响因子经过复杂的计算得到对应的第一用户与第二用户的相似度。
第二种方式：通过第一用户与第二用户针对同一个对象的操作行为的相似度来确定第一用户与第二用户的相似度。
一个用户对某个对象的喜欢可以通过用户和该对象之间的交互频率等行为来体现，比如购买、浏览、评分等。由于用户的数量较多，且同一用户对应多个不同的对象，通常也会有不同的喜好程度，即对应不同的行为。本发明实施例中，第一用户与一个第二用户针对同一个对象的操作行为相似就可以认为第一用户与该第二用户比较相似，因此可以通过第一用户与第二用户针对同一个对象的操作行为的相似度来确定第一用户与第二用户的相似度。
本发明实施例中，可以获取第一用户在预设时间段内对第二对象进行操作的第一信息，及任意一个第二用户在预设时间段内对第二对象进行操作的第二信息，根据获取的第一信息及获取的第二信息得到相似度。第一信息包括了第一用户针对第二对象的操作行为的数据，比如操作类型，如查看、购买、收藏、分享和/或评分等。第二信息同样包括了第二用户针对第二对象的操作行为的数据。
若第一用户与第二用户针对第二对象都进行了购买的操作，那么可以认为第一用户与第二用户比较相似。通常情况下，第一用户与第二用户对第二对象不止进行一个操作，比如购买一般都会浏览，又如购买后，可能分享，也可能评分，那么若第一用户与第二用户对第二对象进行多个操作的时候，若要确定第一用户与第二用户针对第二对象的操作行为的相似度，可能通过以下方式实现。
本发明实施例可以为每一种操作类型设置对应的权重，根据用户对对象进行的所有的操作的类型的权重来确定用户之间的相似度。例如用户在购买对象前一般都会浏览，那么浏览的权重可以较低，比如可以是2，购买可以直接反映用户的喜好程度，对应的权重较高，比如可以是5，购买后若用户分享购买的对象，可以认为用户很喜欢购买的对象，对购买的对象也比较满意，分享对应的权重可以更高，比如可以是8。本发明实施例可以将第一信息所包括的操作类型进行加权处理，同样地将第二信息所包括的操作类型进行加权处理，然后比较得到的两个加权值，若这两个加权值比较接近，则可以认为第一用户与第二用户相似。
通过以上两种方式可以确定与第一用户较为相似的多个第二用户，既然是为第一用户推荐第一用户可能喜欢的对象，那么自然是将与第一用户相似度较高的第二用户所购买的对象推荐给第一用户，因此，本发明实施例确定了第一用户与多个第二用户的多个相似度之后，可以从所述多个相似度中选取大于第一阈值的至少一个相似度，即选取与第一用户相似度较高的多个第二用户，第一阈值可以是事先预设的一个可能的值，比如90％，也可以是其他可能的值，然后将至少一个相似度对应的至少一个第二用户购买的对象推荐给第一用户，这样推荐的对象比较精确，满足第一用户的购买需求，提高了第一用户的满意度。
若是直接将与第一用户相似的至少一个第二用户购买的对象推荐给第一用户，所推荐的对象的数量还是比较多，第一用户从中选择可能要购买的对象的话，还是比较浪费时间。为此，本发明实施例在将至少一个第二用户购买的对象推荐给第一用户前，可以预测一下第一用户对这些对象的评分，如果某些对象的评分较高，可以认为第一用户可能对这些对象更喜欢、更满意，那么就可以将评分较高的对象推荐给第一用户，尽量节约第一用户从所推荐的对象中选取需要购买的对象的时间。
本发明实施例中，预测第一用户对至少一个第二用户购买的对象的评分前，可以先建立至少一个第二用户对购买的对象的评分矩阵，请参见图3，图3是评分矩阵的一种结构示意图，该评分矩阵的行用于表示对象，评分矩阵的列用于表示第二用户，评分矩阵的行和列的交点为第二用户对对象的评分。若第二用户没有对对象评分，则矩阵里面对应的第第二用户和对象的交点为0。建立评分矩阵之后可以根据评分矩阵及交替最小二乘(alternatingleastsquares，als)算法计算第一用户对对象的评分。
若评分矩阵用r(m×n)来表示，通过als算法首先可以将评分矩阵r(m×n)拆成两个低维的矩阵，如，矩阵x(m×k)和矩阵y(n×k)来近似逼近矩阵r(m×n)，其中，矩阵x(m×k)可以表示用户对对象所包含的隐含特征的喜好矩阵，矩阵y(n×k)可以表示对象所包括的隐含特征的矩阵，隐含特征可以理解为对象的品牌，材质，颜色等。
为了使得矩阵x(m×k)和矩阵y(n×k)尽可能地近似逼近矩阵r(m×n)，本发明实施例引入了损失函数，如公式(2)所示。
其中，l(x,y)为损失函数，x为用户矩阵如x(m×k)和y为对象矩阵如y(n×k)，x*为所有的用户，y*为所有的对象，rui为用户u对对象i的评分，向量xu和yi的内积xutyi是用户u对对象i评分的近似。t是矩阵y的转置矩阵。λ为改善矩阵稳定性的规则化因子，损失函数一般需要加入规则化因子来避免过拟合等问题。
预测评分时，首先可以对公式(2)进行训练，以得到收敛条件的训练模型，然后将用户和对象代入
收敛可以通过下面的公式(3)来表示，公式(3)的值很小，则表示模型收敛，此时向量xu和yi的内积xutyi是用户u对对象i评分的近似。
公式(3)中，r为评分矩阵，n为用户、商品和评分的个数。
将满足收敛条件下得到的x中的向量xu和y中的yi的内积xutyi确定为用户u对对象i的评分。
通过als算法可以预测第一用户对至少一个第二用户所购买的对象的评分，从而可以从评分中选取较高的评分对应的对象推荐给第一用户，如从评分中选取大于第二阈值的评分，将大于第二阈值的评分对应的对象推荐给第一用户。第二阈值可以是事先预设的一个可能的评分，如4分，或者其他可能的值。
下面结合附图介绍本发明实施例所提供的设备。
请参见图4，基于同一发明构思，本发明实施例提供一种对象推荐设备，该对象推荐设备可以包括存储器401和处理器402。存储器401可以通过总线400与处理器402相连接(图4以此为例)，或者也可以通过专门的连接线与处理器402连接。
其中，存储器401可以用于存储指令，处理器402可以用于调用存储器存储的指令，获取第一用户与多个第二用户在预设时间段内的多个相似度，从多个相似度中选取大于第一阈值的至少一个相似度，将至少一个相似度对应的至少一个第二用户购买的对象推荐给第一用户，其中，每个相似度用于指示，第一用户与一个，第二用户针对相同的对象的喜好的相似程度。
可选的，处理器402用于获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取第一用户对任意一个第二用户在所述预设时间段内的影响因子；影响因子用于指示第一用户对任意一个第二用户的影响程度；
确定影响因子为相似度。
可选的，处理器402用于获取第一用户对任意一个第二用户在预设时间段内的影响因子，包括：
获取第一用户在预设时间段内购买的第一对象的第一数量及任意一个第二用户在预设时间段内购买的第一对象的第二数量，其中，任意一个第二用户在所述第一用户购买第一对象后购买第一对象；
根据得到的第一数量及第二数量计算影响因子。
可选的，处理器402用于根据得到的第一数量及第二数量计算所述影响因子，包括：
确定第一用户及任意一个第二用户在预设时间段内购买的所有对象的总数量；
确定第一数量与总数量的比值为第一用户对任意一个第二用户的影响因子。
可选的，处理器402用于获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取第一用户在预设时间段内对第二对象进行操作的第一信息，及任意一个第二用户在预设时间段内对第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到相似度。
可选的，处理器402用于根据获取的第一信息及第二信息得到相似度，包括：
将第一信息所对应的操作的类型与第二信息所对应的操作的类型的相似度，确定为第一用户与任意一个第二用户的所述相似度。
可选的，处理器402用于将至少一个第二用户购买的对象推荐给第一用户，包括：
预测第一用户对所述对象的评分；
从评分中选取大于第二阈值的评分；
将大于第二阈值的评分对应的对象推荐给第一用户。
可选的，处理器402用于预测第一用户对至少一个第二用户购买的对象的评分，包括：
建立至少一个第二用户对对象的评分矩阵，评分矩阵的行用于表示对象，评分矩阵的列用于表示第二用户，评分矩阵的行和列的交点为第二用户对对象的评分；
根据评分矩阵及交替最小二乘als算法计算第一用户对对象的评分。
如图5所示，基于同一发明构思，本发明实施例还提供一种对象推荐设备，该对象推荐设备与图4所示的对象推荐设备可以是同一对象推荐设备包括获取模块501、选取模块502和推荐模块503。
其中，获取模块501可以用于获取第一用户与多个第二用户在预设时间段内的多个相似度，其中，每个相似度用于指示第一用户与一个第二用户针对相同的对象的喜好的相似程度。选取模块502可以用于从多个相似度中选取大于第一阈值的至少一个相似度。推荐模块503可以用于将至少一个相似度对应的至少一个第二用户购买的对象推荐给第一用户。
可选的，获取模块501用于获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取第一用户对任意一个第二用户在预设时间段内的影响因子，影响因子用于指示第一用户对任意一个第二用户的影响程度；
确定影响因子为相似度。
可选的，获取模块501用于获取第一用户对任意一个第二用户在预设时间段内的影响因子，包括：
获取第一用户在预设时间段内购买的第一对象的第一数量及任意一个第二用户在预设时间段内购买的第一对象的第二数量，其中，任意一个第二用户在第一用户购买第一对象后购买第一对象；
根据得到的第一数量及第二数量计算影响因子。
可选的，获取模块501根据得到的第一数量及第二数量计算所述影响因子，包括：
确定第一用户及任意一个第二用户在预设时间段内购买的所有对象的总数量；
确定第一用户购买的第一对象的数量与总数量的比值为第一用户对任意一个第二用户的所述影响因子。
可选的，获取模块501用于获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度，包括：
获取第一用户在预设时间段内对第二对象进行操作的第一信息，及任意一个第二用户在预设时间段内对第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到相似度。
可选的，获取模块501用于根据获取的第一信息及第二信息得到相似度，包括：
将第一信息所对应的操作的类型与第二信息所对应的操作的类型的相似度，确定为第一用户与任意一个第二用户的相似度。
可选的，推荐模块503用于将至少一个第二用户购买的对象推荐给第一用户，包括：
预测第一用户对对象的评分；
从评分中选取大于第二阈值的评分；
将大于第二阈值的评分对应的对象推荐给第一用户。
可选的，推荐模块503用于预测第一用户对至少一个第二用户购买的对象的评分，包括：
建立至少一个第二用户对对象的评分矩阵，评分矩阵的行用于表示对象，评分矩阵的列用于表示第二用户，评分矩阵的行和列的交点为第二用户对对象的评分；
根据评分矩阵及交替最小二乘als算法计算第一用户对对象的评分。
该对象推荐设备可以用于执行上述图1实施例中所述的对象推荐方法，因此，对于该对象推荐设备中的各模块所实现的功能等，可参考如前述方法部分的描述，不多赘述。
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，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。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。
在本发明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，所述模块或单元的划分，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)或处理器(processor)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：通用串行总线闪存盘(universalserialbusflashdisk)、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲，本申请实施例中的数据包发送方法对应的计算机程序指令可以被存储在光盘，硬盘，通用串行总线闪存盘等存储介质上，当存储介质中的与对象推荐对应的计算机程序指令被一电子设备读取或被执行时，包括如下步骤：
获取第一用户与多个第二用户在预设时间段内的多个相似度，其中，每个相似度用于指示第一用户与一个第二用户针对相同的对象的喜好的相似程度；
从多个相似度中选取大于第一阈值的至少一个相似度；
将至少一个相似度对应的至少一个第二用户购买的对象推荐给第一用户。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：获取第一用户与所述多个第二用户中的任意一个第二用户在预设时间段内的相似度时被执行，在被执行时包括如下步骤：
获取第一用户对任意一个第二用户在预设时间段内的影响因子，影响因子用于指示第一用户对所述任意一个第二用户的影响程度；
确定影响因子为相似度。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：获取第一用户对所述意一个第二用户在预设时间段内的影响因子时被执行，在被执行时包括如下步骤：
获取第一用户在预设时间段内购买的第一对象的第一数量及任意一个第二用户在预设时间段内购买的第一对象的第二数量；其中，任意一个第二用户在第一用户购买第一对象后购买所述第一对象；
根据得到的第一数量及第二数量计算影响因子。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：根据得到的第一数量及第二数量计算影响因子时被执行，在被执行时包括如下步骤：
确定第一用户及任意一个第二用户在预设时间段内购买的所有对象的总数量；
确定第一数量与总数量的比值为第一用户对任意一个第二用户的所述影响因子。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：获取第一用户与多个第二用户中的任意一个第二用户在预设时间段内的相似度时被执行，在被执行时包括如下步骤：
获取第一用户在预设时间段内对第二对象进行操作的第一信息，及任意一个第二用户在预设时间段内对第二对象进行操作的第二信息；
根据获取的第一信息及获取的第二信息得到相似度。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：根据获取的第一信息及第二信息得到所述相似度时被执行，在被执行时包括如下步骤：
将第一信息所对应的操作的类型与第二信息所对应的操作的类型的相似度，确定为第一用户与任意一个第二用户的相似度。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：将至少一个第二用户购买的对象推荐给第一用户时被执行，在被执行时包括如下步骤：
预测第一用户对对象的评分；
从评分中选取大于第二阈值的评分；
将大于第二阈值的评分对应的对象推荐给第一用户。
可选的，所述存储介质中还存储有另外一些计算机指令，这些计算机指令在步骤：预测第一用户对至少一个第二用户购买的对象的评分时被执行，在被执行时包括如下步骤：
建立至少一个第二用户对对象的评分矩阵，评分矩阵的行用于表示对象，评分矩阵的列用于表示第二用户，评分矩阵的行和列的交点为第二用户对对象的评分；
根据评分矩阵及交替最小二乘als算法计算第一用户对所述对象的评分。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 还没有人留言评论。精彩留言会获得点赞！