本申请涉及计算机技术领域，特别是涉及一种推荐信息的获取方法及装置，电子设备。
背景技术：
suggest(下拉提示)旨在对用户(在搜索框的)输入文本进行联想，推荐展示相关匹配提示词供用户选择，以降低用户输入成本，同时对联想结果进行质量把控，确保便于搜索引擎的理解和检索，从而提升用户搜索体验。现有技术中的下拉提示通常基于用户输入的文本进行前缀匹配，例如：根据输入前缀的权重及各权重下的各下拉提示结果的权重计算各推荐信息的推荐概率，如搜“火”suggest会给出“火锅”等推荐信息作为提示信息供用户选择。进一步的，为了扩充提供给用户的推荐信息扩充,现有技术中还会针对每一个提示信息，推荐与该提示信息相关的类目信息供用户选择。例如，当用户输入搜索关键词“衬衫”时，提示信息中包括“衬衫连衣裙”，同时，系统根据预设的标签词库，选择提示信息“衬衫连衣裙”的类目标签，然后推荐提示信息的类目信息，如：长款、修身、韩版等。
可见，现有技术中的推荐信息的获取方法至少存在获取的推荐信息单一，且相对于预设词库固定不变的缺陷。
技术实现要素：
本申请提供一种推荐信息的获取方法，解决现有技术中存在的获取的推荐信息单一，且相对于预设词库固定不变的问题。
为了解决上述问题，第一方面，本申请实施例提供了一种推荐信息的获取方法包括：
获取待展示的提示信息；
基于所述提示信息和预设的标签知识图谱构建标签池；
从所述标签池中选择预设数量的标签推荐给用户；
其中，所述标签知识图谱为：以所述提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。
第二方面，本申请实施例提供了一种推荐信息的获取装置，包括：
提示信息获取模块，用于获取待展示的提示信息；
标签池构建模块，用于基于所述提示信息和预设的标签知识图谱构建标签池；
推荐模块，用于从所述标签池构建模块构建的标签池中选择预设数量的标签推荐给用户；
其中，所述标签知识图谱为：以所述提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的推荐信息的获取方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例公开的推荐信息的获取方法的步骤。
本申请实施例公开的推荐信息的获取方法，通过获取待展示的提示信息，并基于所述提示信息和预设的标签知识图谱构建标签池，然后从所述标签池中选择预设数量的标签推荐给用户，解决了现有技术中存在的获取的推荐信息单一，且相对于预设词库固定不变的问题。通过基于预设的标签知识图谱构建标签池，丰富了推荐给用户的信息。通过根据预设方法在获得的标签池中对标签进行选择，使得推荐给用户的标签实时变化，增强了推荐信息的新颖性。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，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是本申请实施例一的推荐信息的获取方法流程图；
图2是本申请实施例二的推荐信息的获取方法流程图；
图3是本申请实施例三的推荐信息的获取装置结构示意图之一；
图4是本申请实施例三的推荐信息的获取装置结构示意图之二；
图5是本申请实施例三的推荐信息的获取装置结构示意图之三。
具体实施方式
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，都属于本申请保护的范围。
本申请实施例所述的推荐信息的获取方法可以应用于搜索推荐领域。例如，用户通过应用页面输入查询词之后，搜索引擎基于前缀搜索，召回多个搜索结果，并展示为提示信息。对于每个提示信息，推荐系统通过调用本申请公开的推荐信息获取方法获取相应的推荐信息，并在适当的位置进行展示。
实施例一
本实施例公开的一种推荐信息的获取方法，如图1所示，该方法包括：步骤100至步骤120。
步骤100，获取待展示的提示信息。
在推荐应用中，当用户输入搜索关键词之后，搜索引擎会给予前缀匹配的方式，返回相应的搜索结果，用于展示给用户。然后，推荐应用按照搜索结果的匹配度或点击率等指标，选择指标最好的预设数量搜索结果作为提示信息，便于推荐应用在搜索页面展示给用户。具体实施时，检测到用户输入搜索关键词之后，通过调用搜索引擎提供的接口可以获得待展示给用户的提示信息。
步骤110，基于所述提示信息和预设的标签知识图谱构建标签池。
其中，所述标签知识图谱为：以所述提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。
在基于提示信息进行信息推荐之前，首先要建立标签知识图谱。
建立标签知识图谱时，首先要确定可能的提示信息。提示信息通常基于用户的搜索日志基于搜索结果的点击日志获得。例如，很多用户在输入“汽车”之后，点击了“汽车美容”这个搜索结果，则建立标签知识图谱时，“汽车美容”将作为一个提示信息。
标签知识图谱是以提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。标签知识图谱中包括多个核心词，围绕每一个核心词，构建了该核心词的多维度的知识体系，最后形成簇状的知识图谱。其中，标签用于描述该核心词的各个维度的信息，例如，对于核心词“汽车美容”，其类目维度的信息可以描述为“内部美容”、“漆面护理”，其品牌维度的信息可以秒速为“汽车工坊”、“汽车亿佰”，则提示信息“汽车美容”的标签包括：“内部美容”、“漆面护理”、“汽车工坊”、“汽车亿佰”。然后，根据通过数据结构表示提示信息和各标签的层级及类目隶属关系，构成每个所述提示信息的知识图谱。具体实施时，标签涉及的维度包括：类目、子类目、附加属性等，附加属性可以为：商家信息、品牌信息、地域信息、产品特征信息等。核心词以及核心词的标签通常通过对平台数据的分析，结合具体业务需求确定。
具体实施时，标签知识图谱可以采用树状结构来表示。树状结构的根节点是每个簇状知识图谱的核心词，树状结构的叶子节点是核心词的各种维度的标签。通过将所述提示信息和预设的标签知识图谱中的每个核心词进行匹配，然后，取匹配成功的核心词对应的标签知识图谱中的所有标签作为该提示信息的标签，加入标签池。
步骤120，从所述标签池中选择预设数量的标签推荐给用户。
鉴于展示空间的局限，通常从所述标签池中选择预设数量的标签推荐给用户，如每个提示信息展示3个推荐标签。在选择展示给用户的标签时，可以随机选出预设数量的标签展示给用户；还可以挑选点击率高的标签展示给用户；或者，通过置信区间上界算法从所述标签池中选择预设数量的推荐值最高的标签推荐给用户。在计算推荐值的过程中可以根据标签的历史点击数据，或者结合标签的历史点击数据和接受推荐的用户的用户特征计算标签的推荐值。
本申请实施例公开的推荐信息的获取方法，通过获取待展示的提示信息，并基于所述提示信息和预设的标签知识图谱构建标签池，然后从所述标签池中选择预设数量的标签推荐给用户，解决了现有技术中存在的获取的推荐信息单一，且相对于预设词库固定不变的问题。通过基于预设的标签知识图谱构建标签池，丰富了推荐给用户的信息。通过根据预设方法在获得的标签池中对标签进行选择，使得推荐给用户的标签实时变化，增强了推荐信息的新颖性。
实施例二
本实施例公开的一种推荐信息的获取方法，如图2所示，该方法包括：步骤200至步骤240。
步骤200，构建标签知识图谱。
在基于提示信息进行信息推荐之前，首先要建立标签知识图谱。
建立标签知识图谱时，首先要确定可能的提示信息。提示信息通常基于用户的搜索日志和搜索结果的点击日志获得。例如，很多用户在输入“汽车”之后，点击了“汽车美容”这个搜索结果，则建立标签知识图谱时，“汽车美容”将作为一个提示信息。
标签知识图谱是以提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。其中标签是与核心词相关的词语，如描述核心词的各个维度属性的词语。标签知识图谱中包括多个核心词、围绕每一个核心词的标签，核心词和标签之间的层级关联关系构成了该核心词的多维度的知识体系，最后形成簇状的知识图谱。其中，标签用于描述该核心词的各个维度的信息，例如，对于核心词“汽车美容”，其类目维度的信息可以描述为“内部美容”、“漆面护理”，其品牌维度的信息可以描述为“汽车工坊”、“汽车亿佰”，则提示信息“汽车美容”的标签包括：“内部美容”、“漆面护理”、“汽车工坊”、“汽车亿佰”。然后，根据通过数据结构表示提示信息和各标签的层级及类目隶属关系，构成每个所述提示信息的知识图谱。具体实施时，标签涉及的维度包括：类目、子类目、附加属性等，附加属性可以为：商家信息、品牌信息、地域信息、产品特征信息等。核心词以及核心词的标签通常通过对平台数据的分析，结合具体业务需求确定。
构建标签知识图谱包括：根据结构化兴趣点数据构建标签知识图谱，和/或，根据用户行为日志构建标签知识图谱。具体实施时，可以仅根据结构化兴趣点数据构建标签知识图谱，也可以仅根据用户行为日志构建标签知识图谱，还可以根据结构化兴趣点数据和用户行为日志构建标签知识图谱。
当根据结构化兴趣点数据构建标签知识图谱时，构建标签知识图谱的具体方法，包括：基于结构化兴趣点数据中的兴趣点名称、类目名称和附加属性名称，确定核心词和所述核心词的标签；根据所述结构化兴趣点数据的类目体系层级关系、附加属性体系层级关系，以及类目体系和附加属性体系的对应关系，建立各标签的树状关系；其中，每个所述树状关系的根节点为该簇标签知识图谱的核心词，叶子节点为相应层级的标签。
结构化兴趣点数据，以下简称poi数据，通常是搜索或土建平台描述商品信息的数据，poi数据通常包括：类目体系和附加属性体系。
类目体系是按照业务需求，对商品设置不同的类目标签，以及所述类目的层级关系。类目标签包括：父类目、子类目类目名称；类目层级关系包括：所属类目、所属类目的父类目、所属类目包含的子类目等。以“丽人”业务为例，其类目体系包括的父类目有：美甲，美发，瑜伽，舞蹈，纹身等；美发类目下面又进一步划分为：染发，理发，发型设计等多个子类目，依次往下，构成了层级类目关系。基于poi数据的类目体系可以获取一定数量的商品的知识标签图谱。
附加属性体系是按照业务需求，对商品设置不同的附加属性标签，以及所述附件属性的层级关系。以“美甲”产品为例，其中，“美甲”为兴趣点名称，其附件属性可以包括:彩绘，磨砂等附加属性标签。“彩绘”标签的下一个级别又包括：富贵、清新、田园等属性。类目体系与附加属性体系的信息互相补充，可以得到构建标签知识谱图的更全面的数据。
每条poi数据包括多个字段，分别表示poi名称，所属父类目、所属子类目、属性信息等。具体实施时，通过对poi数据进行解析，可以获取poi名称对应的类目名称、各类目名称的层级关系、附加属性名称、各属性名称的层级关系等。其中，类目体系和附件属性体系中有具有关联关系，例如，“美甲”的类目层级为父类目，“彩绘”的类目层级为子类目。基于从poi数据中提取的上述信息可以构建标签知识图谱。
具体实施时，以核心词为“美甲”为例，其下级标签包括：“彩绘”和“磨砂”，据此，可以构建“美甲”的标签知识图谱。若以树状结构表示该标签知识图谱，其根节点为“美甲”，叶子节点包括：“彩绘”和“磨砂”。具体实施时，还可以进一步将描述富贵、清新、田园等附加属性标签作为叶子节点——“彩绘”的叶子节点，完善标签知识图谱。
当根据用户行为日志构建标签知识图谱时，构建标签知识图谱的具体方法，包括：基于挖掘的用户行为日志的频繁项集，确定核心词和所述核心词的标签；根据各频繁项之间的预设关联关系，建立相应标签的树状关系；其中，所述树状关系的根节点为该簇标签知识图谱的核心词，叶子节点为标签；所述预设关联关系包括：商品和商家的关联关系，商家和商圈的关联关系。
对于搜索平台或者推荐平台，平台上的应用拥有大量的用户行为日志，通过分析海量用户历史行为数据，可以获得核心词以及核心词相关的标签。具体实施时，对于用户行为日志，采用挖掘算法，挖掘日志数据中的频繁项集，从挖掘到的频繁项集中选择核心词，以及该核心词的标签，具体实施时，可以将搜索词作为核心词，根据具体业务需求，从挖掘到的频繁项中选择该核心词的标签，并建立核心词到标签的层级关系。比如，搜索小龙虾的用户大量点击“沪小胖”，“沪小胖”就构成了小龙虾的标签。如果将“小龙虾”作为树状关系的根节点，将“沪小胖”作为树状关系的叶子节点，就构成了核心词“小龙虾”的标签知识图谱的一部分。
具体实施时，还可以通过对用户行为日志进行频繁项集挖掘，挖掘到大部分用户搜索某个词时点击的商家后，进一步计算点击的商家的分布，然后，将商家作为核心词，将商家分布的商圈作为商家的标签，建立由商家到商圈的层级关系，进一步构建标签知识图谱。即将商家作为树状关系的根节点，将商圈作为树状关系的叶子节点。
具体实施时，通过频繁项集挖掘方法，可以根据业务需求选择核心词和标签，并进一步建立标签核心词的标签知识图谱。预设的关联关系还可以根据具体业务需求设置为其他关系，此处不一一列举。
通过基于用户行为日志进行频繁项集挖掘，从中挖掘出品质高，点击率高的商户，以及优质商圈，推荐给用户，进一步提升了用户体验。
步骤210，获取待展示的提示信息。
在推荐应用中，当用户输入搜索关键词之后，搜索引擎会给予前缀匹配的方式，返回相应的搜索结果，用于展示给用户。然后，推荐应用按照搜索结果的匹配度或点击率等指标，选择指标最好的预设数量搜索结果作为提示信息，便于推荐应用在搜索页面展示给用户。具体实施时，检测到用户输入搜索关键词之后，通过调用搜索引擎提供的接口可以获得待展示给用户的提示信息。具体实施时，所述提示信息可以采用下拉提示词的形式展示给用户，也可以采用其他形式展示给用户。
步骤220，基于所述提示信息和预设的标签知识图谱构建标签池。
其中，所述标签知识图谱为：以所述提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。
具体实施时，所述基于所述提示信息和预设的标签知识图谱构建标签池，包括：将所述提示信息和预设的标签知识图谱中的每个核心词进行匹配；将匹配成功的核心词对应的标签知识图谱中的所有标签加入标签池。
具体实施时，以标签知识图谱采用树状结构来表示为例。树状结构的根节点是每个簇状知识图谱的核心词，树状结构的叶子节点是核心词的各种维度的标签。通过将所述提示信息和预设的标签知识图谱中的每个根节点的核心词进行匹配，然后，取匹配成功的根节点下所有叶子节点对应的标签作为该提示信息的标签，加入标签池。
每一个提示信息对应的标签数量与该提示信息所在知识图谱的层级有关，层级越高，其对应的标签越多。具体实施时，受显示空间的限制，针对每个提示信息，显示给用户的推荐词，即标签的数量是有限的。例如：限定每个下拉词最多能展示三个与之相关标签，同时限制整个屏幕，最多允许展示九个标签，以避免屏幕标签泛滥。因此，通常按照知识图谱层次由高到低的顺序，取所述提示信息匹配成功的核心词所在知识图谱的最高几层中的标签构建标签池。
步骤230，从所述标签池中选择预设数量的标签推荐给用户。
鉴于展示空间的局限，通常从所述标签池中选择预设数量的标签推荐给用户，如每个提示信息展示3个推荐标签。在选择展示给用户的标签时，可以随机选出预设数量的标签展示给用户，但是随即选择的方法会导致许多冷门标签曝光过多，浪费了宝贵的展示机会；还可以挑选点击率高的标签展示给用户，这种方法带来的缺陷是展示给每个用户的标签是相同的，同时大量的标签没有展示机会，损害了用户体验。
优选的，具体实施时，所述从所述标签池中选择预设数量的标签推荐给用户，包括：通过置信区间上界算法从所述标签池中选择预设数量的标签推荐给用户。
所述通过置信区间上界算法从所述标签池中选择预设数量的标签推荐给用户，进一步包括：根据用户对标签的历史行为数据预估所述标签池中每个标签的期望收益；根据所述提示信息的历史标签展示总次数和所述标签池中每个标签的展示总次数，分别确定所述标签池中每个标签的收益调整指标；将所述期望收益和所述收益调整指标的和作为所述标签池中各标签的推荐值；从所述标签池中选择推荐值最高的预设数量标签推荐给用户。
具体实施时，标签的期望收益可以表示为：revenue＝xj(t),其中，t为提示信息x的标签j的期望收益。所述根据用户对标签的历史行为数据预估所述标签池中每个标签的期望收益有两种方法。
第一种，根据与标签相同的提示信息的历史点击率，预估所述标签池中相应标签的期望收益。
以推荐应用的搜索页面为例，在展示根据搜索关键词搜索得到的推荐信息时，通常设置提示信息展示位置和标签展示位置。其中，提示信息展示位置用于展示根据搜索关键词搜索得到的提示信息，如下拉提示词；标签展示位置用于展示提示信息的标签，如下拉提示词的类别。当根据提示信息确定的标签没有在标签展示位置展示过时，可以根据该标签作为提示信息时被展示后的历史点击率，预估所述标签池中相应标签的期望收益。计算提示信息的历史点击率的具体方法参见现有技术，例如，参见计算下拉提示词的历史点击率的具体方法，此处不再赘述。以用户输入“汽车”之后，搜索引擎返回的提示信息包括：“汽车”、“汽车美容”为例。如果推荐应用针对提示信息“汽车美容”确定的标签包括：“汽车亿佰”、“汽车工坊”、“汽车驿站”等标签，假设其中的“汽车亿佰”之前没有作为提示信息的标签被推荐给用户，则根据搜索引擎的历史数据，确定提示信息“汽车亿佰”的历史点击率，然后，根据提示信息“汽车亿佰”的历史点击率确定标签“汽车亿佰”的期望收益。例如，将提示信息“汽车亿佰”的历史点击率作为标签“汽车亿佰”的期望收益，或者，将提示信息“汽车亿佰”的历史点击率乘以一个系数，然后将乘积作为标签“汽车亿佰”的期望收益。具体实施时，根据与标签相同的提示信息的历史点击率，预估所述标签池中相应标签的期望收益revenue时，例如：revenue＝xj(t),其中，t为提示信息“汽车美容”的标签“汽车亿佰”的期望收益，即“汽车亿佰”作为提示信息时的历史点击率。还可以根据具体业务需求，采用其他计算方法，本申请对具体的计算方法不做限定。
第二种，根据当前用户的用户特征和标签的预估点击率，预估所述标签池中相应标签的期望收益。
优选的，为了进一步提升用户体验，对不同的用户推荐适合的标签，具体实施时，可以根据当前用户的用户特征和标签的预估点击率，预估所述标签池中相应标签的期望收益。当标签被展示后，标签的历史点击率数据将会实时更新，根据更新后的历史点击率数据进一步计算标签的期望收益，将会提高计算结果的准确性。具体实施时，当收集到大量的用户对标签是否点击的行为数据后，可以用逻辑回归算法(lr，logisticregression)训练出用户点击概率模型，更准确的计算出用户的当前的期望收益。训练点击概率模型的具体方法参见现有技术，此处不再赘述。
然后，根据公式
每个标签的收益调整指标bonus用来根据业务的需求，平衡标签的展示几率。具体实施时，根据所述提示信息的历史标签展示总次数和所述标签池中每个标签的展示总次数，分别确定所述标签池中每个标签的收益调整指标。在本申请的一个实施例中，可以采用公式
然后，将所述期望收益和所述收益调整指标的和作为所述标签池中各标签的推荐值，即推荐值＝revenue+bonus。在确定标签的展示得分的过程中，标签的期望收益值占较大权重，而标签的收益调整指标bonus仅起到微调的作用。因此，具体实施时，可以通过设置加权求和的权重系数或者调整收益调整指标的计算公式来平衡期望收益和收益调整指标在计算推荐值是的贡献。
最后，从所述标签池中选择推荐值最高的预设数量标签推荐给用户。一预设数量等于2为例，假设提示信息“汽车美容”确定的标签包括：“汽车亿佰”、“汽车工坊”、“汽车驿站”等标签，经过计算，选择推荐值最高的标签“汽车亿佰”、“汽车工坊”推荐给用户。
本申请实施例公开的推荐信息的获取方法，通过预先构建标签只是图谱，并在获取到待展示的提示信息后，基于所述提示信息和预设的标签知识图谱构建标签池，然后从所述标签池中选择预设数量的标签推荐给用户，解决了现有技术中存在的获取的推荐信息单一，且相对于预设词库固定不变的问题。通过结合用户行为日志构建标签知识图谱，并基于预设的标签知识图谱构建标签池，丰富了推荐给用户的信息。通过根据预设方法在获得的标签池中对标签进行选择，使得推荐给用户的标签实时变化，增强了推荐信息的新颖性。
进一步的，通过置信区间上界算法从所述标签池中选择预设数量的标签推荐给用户，最大程度保证各类标签得到充分展示，防止马太效应，同时，确保最优标签组合的呈现，最大化提升标签的使用率和搜索列表页的点击率。
实施例三
本实施例公开的一种推荐信息的获取装置，如图3所示，所述装置包括：
提示信息获取模块300，用于获取待展示的提示信息；
标签池构建模块310，用于基于所述提示信息和预设的标签知识图谱构建标签池；
推荐模块320，用于从所述标签池构建模块310构建的标签池中选择预设数量的标签推荐给用户；
其中，所述标签知识图谱为：以所述提示信息为核心词、以标签描述所述提示信息相应维度信息的知识图谱。
可选的，所述推荐模块320进一步用于：
通过置信区间上界算法从所述标签池中选择预设数量的标签推荐给用户。
可选的，如图4所示，所述推荐模块320进一步包括：
期望收益确定单元3201，用于根据用户对标签的历史行为数据预估所述标签池中每个标签的期望收益；
调整指标确定单元3202，用于根据所述提示信息的历史标签展示总次数和所述标签池中每个标签的展示总次数，分别确定所述标签池中每个标签的收益调整指标；
推荐值确定单元3203，用于将所述期望收益和所述收益调整指标的和作为所述标签池中各标签的推荐值；
标签选择单元3204，用于从所述标签池中选择推荐值最高的预设数量标签推荐给用户。
可选的，所述期望收益确定单元3201包括以下任意一项：
第一期望收益确定子单元(图中未示出)，用于根据与标签相同的提示信息的历史点击率，预估所述标签池中相应标签的期望收益；
第二期望收益确定子单元(图中未示出)，用于根据当前用户的用户特征和标签的预估点击率，预估所述标签池中相应标签的期望收益。
可选的，如图4所示，所述标签池构建模块310包括：
核心词匹配单元3101，用于将所述提示信息和预设的标签知识图谱中的每个核心词进行匹配；
标签池建立单元3102，用于将匹配成功的核心词对应的标签知识图谱中的所有标签加入标签池。
可选的，如图5所示，所述装置还包括：第一知识图谱构建模块330，和/或，第二知识图谱构建模块340；其中，
所述第一知识图谱构建模块330，用于根据结构化兴趣点数据构建标签知识图谱。
可选的，如图5所示，所述第一知识图谱构建模块330包括：
第一核心词和标签确定单元3301，用于基于结构化兴趣点数据中的兴趣点名称、类目名称和附加属性名称，确定核心词和所述核心词的标签；
第一图谱建立单元3302，用于根据所述结构化兴趣点数据的类目体系层级关系、附加属性体系层级关系，以及类目体系和附加属性体系的对应关系，建立各标签的树状关系；其中，每个所述树状关系的根节点为该簇标签知识图谱的核心词，叶子节点为相应层级的标签。
所述第二知识图谱构建模块340，用于根据用户行为日志构建标签知识图谱。
可选的，如图5所示，所述第二知识图谱构建模块340包括：
第二核心词和标签确定单元3401，用于基于挖掘的用户行为日志的频繁项集，确定核心词和所述核心词的标签；
第二图谱建立单元3402，用于根据各频繁项之间的预设关联关系，建立相应标签的树状关系；
其中，所述树状关系的根节点为该簇标签知识图谱的核心词，叶子节点为标签；所述预设关联关系包括：商品和商家的关联关系，商家和商圈的关联关系。
本申请实施例公开的推荐信息的获取装置，通过预先构建标签只是图谱，并在获取到待展示的提示信息后，基于所述提示信息和预设的标签知识图谱构建标签池，然后从所述标签池中选择预设数量的标签推荐给用户，解决了现有技术中存在的获取的推荐信息单一，且相对于预设词库固定不变的问题。通过结合用户行为日志构建标签知识图谱，并基于预设的标签知识图谱构建标签池，丰富了推荐给用户的信息。通过根据预设方法在获得的标签池中对标签进行选择，使得推荐给用户的标签实时变化，增强了推荐信息的新颖性。
进一步的，通过置信区间上界算法从所述标签池中选择预设数量的标签推荐给用户，最大程度保证各类标签得到充分展示，防止马太效应，同时，确保最优标签组合的呈现，最大化提升标签的使用率和搜索列表页的点击率。
相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的推荐信息的获取方法。所述电子设备可以为pc机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一和实施例二所述的推荐信息的获取方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种推荐信息的获取方法及装置进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。