本发明涉及信息处理技术领域，尤其涉及一种建立兴趣点网络层级拓扑图的方法及装置。
背景技术：
随着互联网的发展与智能终端的普及，大量的应用程序应运而生。为了满足人们的需求，应用程序中的资源也越来越丰富，例如，图片资源、音频资源、视频资源等，视频资源中还包括大量的短视频资源，如秒拍应用程序、美拍应用程序和微视应用程序等上传的资源。
由于资源极其丰富，在使用应用程序的过程中，往往需要耗费大量的时间从眼花缭乱的资源中查找感兴趣的资源，存在效率较低的缺陷，进而影响用户体验。
为了能让用户尽快找到感兴趣的资源，目前一般会将各种资源打标签，然后用户根据标签查找感兴趣的资源即可，虽然上述方法可以在一定程度上提高用户查找的效率，但是由于给资源打标签一般是人工操作，那么资源与对应的标签可能不匹配，这样，会造成查找到的资源并不是感兴趣的资源，存在准确度较低的缺陷。
技术实现要素：
鉴于上述问题，提出了本发明，以便提供一种克服上述问题或者至少部分地解决上述问题的一种建立兴趣点网络层级拓扑图的方法及装置，用于解决现有技术中存在的资源文件对应的标签不匹配及用户根据标签查找到的资源文件准确度较低的缺陷。
依据本发明的第一方面，提供了一种建立兴趣点网络层级拓扑图的方法，包括：
将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；
将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；
当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
依据本发明的第二方面，提供了一种建立兴趣点网络层级拓扑图的装置，包括：
划分单元，用于将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；
所述划分单元还用于，将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；
构建单元，用于当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
本发明实施例中，提出一种建立兴趣点网络层级拓扑图的方法，包括：将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数；在该方案中，先将资源文件划分为一级目标团簇，再将一级目标团簇划分为二级目标团簇，再将二级目标团簇划分为三级目标团簇，以此类推，直至划分得到N级目标团簇，最终根据一级目标团簇、二级目标团簇、三级目标团簇……、所述N级目标团簇可以构建得到兴趣点网络层级拓扑图，在这种方案中并不是通过人工打标签的方式处理资源文件的，因此，可以提高将文件归类的准确度，进而提高用户查找文件的准确度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是根据本发明的实施例提出的建立兴趣点网络层级拓扑图的方法流程图；
图2是根据本发明的实施例提出的兴趣点网络层级拓扑图的示意图；
图3是根据本发明的实施例提出的划分兴趣点网络拓扑图的一种示意图；
图4是根据本发明的实施例提出的划分兴趣点网络拓扑图的另一种示意图；
图5是根据本发明的实施例提出的划分兴趣点网络拓扑图的另一种示意图；
图6是根据本发明的实施例提出的划分兴趣点网络拓扑图的另一种示意图；
图7是根据本发明的实施例提出的划分兴趣点团簇网络拓扑图的另一种示意图；
图8是根据本发明的实施例提出的建立兴趣点网络层级拓扑图的装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示意性地示出了根据本发明实施方式的建立兴趣点网络层级拓扑图的方法10的流程示意图。如图1所示，该方法10可以包括步骤100、110和120。
步骤100：将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；
步骤110：将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；
步骤120：当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
本发明实施例中所说的资源文件可以是图片文件、文字文件、音频文件、视频文件中的至少一种，当然，上述只是几种示例，在此不做具体限定。
下面对步骤100-120所述的方案进行举例说明。
例如，如图2所示，共有20个视频：视频1、视频2、视频3、视频4、视频5、视频6、视频7、视频8、视频9、视频10、视频11、视频12、视频13、视频14、视频15、视频16、视频17、视频18、视频19、视频20；现将20个视频划分为10个一级目标团簇：一级目标团簇A1(包括视频1、视频4、视频8)、一级目标团簇A2(包括视频2、视频19)、一级目标团簇A3(包括视频20)、一级目标团簇A4(包括视频5、视频7)、一级目标团簇A5(包括视频3、视频14、视频18)、一级目标团簇A6(包括视频12、视频16)、一级目标团簇A7(包括视频6、视频10)、一级目标团簇A8(包括视频9、视频17)、一级目标团簇A9(包括视频11、视频13)、一级目标团簇A10(包括视频12、视频15)，再将10个一级目标团簇划分为4个二级目标团簇：二级目标团簇B1(包括一级目标团簇A1、一级目标团簇A4、一级目标团簇A8)、二级目标团簇B2(包括一级目标团簇A2、一级目标团簇A10)、二级目标团簇B3(包括一级目标团簇A3、一级目标团簇A6)、二级目标团簇B4(包括一级目标团簇A5、一级目标团簇A7、一级目标团簇A9)，再将4个二级目标团簇划分为2个三级目标团簇：三级目标团簇C1(包括二级目标团簇B1、二级目标团簇B3)、三级目标团簇C2(包括二级目标团簇B2、二级目标团簇B4)；再将2个三级目标团簇划分为1个四级目标团簇D1(包括三级目标团簇C1、三级目标团簇C2)，然后根据10个一级目标团簇、4个二级目标团簇、2个三级目标团簇和1个四级目标团簇构建如图2所示的兴趣点网络层级拓扑图。
图2所示的兴趣点网络层级拓扑图包括四个层级的目标团簇，在实际应用中，可以包括四个以下层级的目标团簇或者也可以包括四个以上层级的目标团簇，在此不做具体限定，构建过程与上述过程类似，在此不再进行详述。
本发明实施例中，可选地，针对所述每一个一级目标团簇中的任意一资源文件，与其连续操作的资源文件属于该一级目标团簇的概率大于第一概率阈值；例如，针对图2中的一级目标团簇A1中的视频1，连续点播视频1和视频4的概率大于第一概率阈值，连续点播视频1和视频8的概率也大于第一概率阈值；同理，针对图2中的一级目标团簇A1中的视频4，连续点播视频4和视频8的概率大于第一概率阈值。
可选地，针对所述每一个二级目标团簇中的任意一一级目标团簇，与其连续操作的资源文件属于该二级目标团簇的概率大于所述第一概率阈值；例如，针对图2中的二级目标团簇B1中的一级目标团簇A1中的视频1，连续点播视频1和图2中的二级目标团簇B1中的一级目标团簇A4中的视频5的概率大于第一概率阈值；针对图2中的二级目标团簇B1中的一级目标团簇A1中的视频1，连续点播视频1和图2中的二级目标团簇B1中的一级目标团簇A4中的视频7的概率大于第一概率阈值；针对图2中的二级目标团簇B1中的一级目标团簇A1中的视频1，连续点播视频1和图2中的二级目标团簇B1中的一级目标团簇A8中的视频9的概率大于第一概率阈值。
可选地，针对所述每一个N级目标团簇中的任意一N-1级目标团簇，与其连续操作的资源文件属于该N级目标团簇的概率大于所述第一概率阈值。例如，针对图2中的三级目标团簇C1中的二级目标团簇B1中的一级目标团簇A1中的视频1，连续点播视频1和图2中的三级目标团簇C1中的二级目标团簇B1中的一级目标团簇A4中的视频5的概率大于第一概率阈值。
本发明实施例中，在将多个资源文件划分得到一级目标团簇时可以先初始划分为至少一个一级初始团簇，后续对得到的一级初始团簇进行优化得到最终的一级目标团簇，因此，在具体实现将相关联的多个资源文件划分为至少一个一级目标团簇的过程中，可以采用如下方式：
将所述相关联的多个资源文件划分为至少一个一级初始团簇，得到第一划分兴趣点网络拓扑图，所述至少一个一级初始团簇中的每一个一级初始团簇中均包括至少一个资源文件；
计算所述第一划分兴趣点网络拓扑图的第一信息熵；
将所述第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第二划分兴趣点网络拓扑图，并计算第二划分兴趣点网络拓扑图的第二信息熵；
根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇。
例如，参阅图3所示，将10个视频先划分为3个一级初始团簇：一级初始团簇a1、一级初始团簇a2、一级初始团簇a3，先计算这种划分方式下的第一信息熵，再将视频2移动至一级初始团簇a2中，视频5移动至一级初始团簇a1中，并计算视频移动后的这种划分方式下的第二信息熵，并根据第一信息熵和第二信息熵得到这10个视频的最终的一级目标团簇。
本发明实施例中，计算所述第一划分兴趣点网络拓扑图的第一信息熵时，可选地，可以采用如下这种方式：
计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵；
将所有所述第一子信息熵之和作为所述第一信息熵。
例如，计算如图3所示的第一划分兴趣点网络拓扑图的第一信息熵时，先计算一级初始团簇a1的第一子信息熵1、一级初始团簇a2的第一子信息熵2和一级初始团簇a3的第一子信息熵3，并将第一子信息熵1、第一子信息熵2和第一子信息熵3之和作为图3所示的第一划分兴趣点网络拓扑图的第一信息熵。
其中，在计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵时，可选地，可以采用如下方式：
针对所述每一个一级初始团簇中的任意一一级初始团簇，按照如下方式计算所述任意一一级初始团簇的第一子信息熵：
计算所述任意一一级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；
将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第一子信息熵。
例如，计算如图3所示的一级初始团簇a1的第一子信息熵1时，需要计算出一级初始团簇a1的内部信息熵、跳入信息熵和跳出信息熵，并将一级初始团簇a1的内部信息熵、跳入信息熵和跳出信息熵之和作为一级初始团簇a1的第一子信息熵1，当然，一级初始团簇a2的第一子信息熵2、一级初始团簇a3的第一子信息熵3的计算方式与计算一级初始团簇a1的第一子信息熵1的过程类似，在此不再详述。
本发明实施例中，计算所述任意一一级初始团簇的内部信息熵时，可选地，可以采用如下方式：
计算所述任意一一级初始团簇中的任意两个资源文件的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
例如，计算如图3所示的一级初始团簇a1的内部信息熵时，需要计算视频1和视频2的子内部信息熵1、视频1和视频3的子内部信息熵2，及视频2和视频3的子内部信息熵3，并将子内部信息熵1、子内部信息熵2和子内部信息熵3之和作为如图3所示的一级初始团簇a1的内部信息熵。计算图3所示的一级初始团簇a2的内部信息熵和一级初始团簇a3的内部信息熵的计算过程与上述计算一级初始团簇a1的内部信息熵的计算过程类似，在此不做具体详述。
本发明实施例中，针对任意两个资源文件的子内部信息熵可以采用如下方式计算：
A1＝Flow(i1,j1)*log(Flow(i1,j1) (公式一)
其中，所述A1为子内部信息熵；
所述Flow(i1,j1)为第一随机概率和第一转移概率的乘积；
所述i1为所述任意两个资源文件中的一个资源文件，所述j1为所述任意两个资源文件中的另一个资源文件。
例如，计算如图3所示的一级初始团簇a1中的视频1和视频2的子内部信息熵时，可以采用公式一来计算，其中，A1为视频1和视频2的子内部信息熵，i1可以为视频1，j1可以为视频2。
本发明实施例中，可选地，所述第一随机概率为所述i1被随机浏览到的概率，且通过随机浏览模型得到；
所述第一转移概率为第一直接转移概率和第一间接转移概率之和，所述第一直接转移概率为操作完所述i1之后直接操作所述j1的概率，所述第一间接操作概率为操作完所述i1之后间隔其他资源文件再操作所述j1的概率。
需要说明的是，由于操作完所述i1之后间隔其他资源文件再操作所述j1时，中间可能间隔1个资源文件，或者也可能间隔2个资源文件，如果总共有N个资源文件的话，之间还可能间隔N-2个资源文件，那么在计算第一间接操作概率时需要计算间隔不同数量的资源文件时的第一子间接操作概率，并将所有第一子间接操作概率之和作为播放完视频1之后再播放视频2的第一间接操作概率。
例如，计算如图4所示的一级初始团簇b1中的视频1和视频2的子内部信息熵时，可以采用公式一来计算，其中，A1为视频1和视频2的子内部信息熵，i1可以为视频1，j1可以为视频2，其中，第一直接转移概率为播放完视频1之后直接播放视频2的概率，在计算第一间接操作概率时，需要计算播放完视频1之后间隔视频3才播放视频2的第一子间接操作概率1，计算播放完视频1之后间隔视频4才播放视频2的第一子间接操作概率2，计算播放完视频1之后间隔视频5才播放视频2的第一子间接操作概率3，计算播放完视频1之后间隔视频3、视频4才播放视频2的第一子间接操作概率4，计算播放完视频1之后间隔视频3、视频5才播放视频2的第一子间接操作概率5，计算播放完视频1之后间隔视频4、视频5才播放视频2的第一子间接操作概率6，计算播放完视频1之后间隔视频3、视频4、视频5才播放视频2的第一子间接操作概率7，并将第一子间接操作概率1、第一子间接操作概率2、第一子间接操作概率3、第一子间接操作概率4、第一子间接操作概率5、第一子间接操作概率6、第一子间接操作概率7之和作为播放完视频1之后播放视频2的第一间接操作概率。
本发明实施例中，计算所述任意一一级初始团簇的跳入信息熵的方式有多种，可选地，可以采用如下方式：
计算所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
例如，计算图3所示的一级初始团簇a1的跳入信息熵时，需要计算播放完视频1之后播放视频4的子跳入信息熵1、播放完视频1之后播放视频8的子跳入信息熵2、播放完视频1之后播放视频9的子跳入信息熵3、播放完视频1之后播放视频5的子跳入信息熵4、播放完视频1之后播放视频6的子跳入信息熵5、播放完视频1之后播放视频7的子跳入信息熵6、播放完视频1之后播放视频10的子跳入信息熵7，同理，针对视频2，计算播放完视频2后分别播放视频4、视频8、视频9、视频5、视频6、视频7、视频10的子跳入信息熵，得到子跳入信息熵8、子跳入信息熵9、子跳入信息熵10、子跳入信息熵11、子跳入信息熵12、子跳入信息熵13、子跳入信息熵14；同理，针对视频3，计算播放完视频3后分别播放视频4、视频8、视频9、视频5、视频6、视频7、视频10的子跳入信息熵，得到子跳入信息熵15、子跳入信息熵16、子跳入信息熵17、子跳入信息熵18、子跳入信息熵19、子跳入信息熵20、子跳入信息熵21；将子跳入信息熵1、子跳入信息熵2、……、子跳入信息熵20之和作为图3所示的一级初始团簇a1的跳入信息熵。
本发明实施例中，针对所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵采用如下方式计算：
A2＝Flow(i2,j2)*log(Flow(i2,j2) (公式二)；
其中，所述A2为子跳入信息熵；
所述Flow(i2,j2)为第二随机概率和第二转移概率的乘积；
所述i2为所述任意一一级初始团簇中的任意一个资源文件，所述j2为所述任意一一级初始团簇之外的任意一资源文件。
例如，计算图3所示的一级初始团簇a1中的视频1到一级初始团簇a2的视频4的子跳入信息熵时，可以采用公式二，其中，A2为子跳入信息熵，i2为视频1，j2为视频4。
本发明实施例中，可选地，所述第二随机概率为所述i2被随机浏览到的概率，且通过随机浏览模型得到；
所述第二转移概率为第二直接转移概率和第二间接转移概率之和，所述第二直接转移概率为操作完所述i2之后直接操作所述j2的概率，所述第二间接操作概率为操作完所述i2之后间隔其他资源文件再操作所述j2的概率。
例如，计算图3所示的一级初始团簇a1中的视频1到一级初始团簇a2的视频4的子跳入信息熵时，可以采用公式二，其中，A2为子跳入信息熵，i2为视频1，j2为视频4，第二直接转移概率为播放完视频1之后播放视频4的概率，计算第二间接操作概率时，需要计算播放完视频1之后间隔不同数量的视频才播放视频4的所有第二子间接操作概率，并将所有第二子间接操作概率之和作为第二间接操持概率。
本发明实施例中，计算所述任意一一级初始团簇的跳出信息熵时，可选地，可以采用如下方式：
计算所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
例如，计算图3所示的一级初始团簇a1的跳出信息熵时，针对视频4，计算播放完视频4之后播放视频1的子跳出信息熵1、播放完视频4之后播放视频2的子跳出信息熵2、播放完视频4之后播放视频3的子跳出信息熵3；针对视频5，计算播放完视频5之后播放视频1的子跳出信息熵4、播放完视频5之后播放视频2的子跳出信息熵5、播放完视频5之后播放视频3的子跳出信息熵6；针对视频6，计算播放完视频6之后播放视频1的子跳出信息熵7、播放完视频6之后播放视频2的子跳出信息熵8、播放完视频6之后播放视频3的子跳出信息熵9，针对视频7，计算播放完视频7之后播放视频1的子跳出信息熵10、播放完视频7之后播放视频2的子跳出信息熵11、播放完视频7之后播放视频3的子跳出信息熵12；针对视频8，计算播放完视频8之后播放视频1的子跳出信息熵13、播放完视频8之后播放视频2的子跳出信息熵14、播放完视频8之后播放视频3的子跳出信息熵15；针对视频9，计算播放完视频9之后播放视频1的子跳出信息熵16、播放完视频9之后播放视频2的子跳出信息熵17、播放完视频9之后播放视频3的子跳出信息熵18；针对视频10，计算播放完视频10之后播放视频1的子跳出信息熵19、播放完视频10之后播放视频2的子跳出信息熵20、播放完视频10之后播放视频3的子跳出信息熵21；将子跳出信息熵1、子跳出信息熵2、子跳出信息熵3、……、子跳出信息熵20之和作为图3所示的一级初始团簇a1的跳出信息熵。
本发明实施例中，可选地，针对所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵采用如下方式计算：
A3＝Floj3(i3,j3)*log(Floj3(i3,j3) (公式三)
其中，所述A3为子跳出信息熵；
所述Floj3(i3,j3)为第三随机概率和第三转移概率的乘积；
所述i3为所述任意一一级初始团簇之外的任意一个资源文件，所述j3为所述任意一一级初始团簇中的任意一资源文件。
其中，所述第三随机概率为所述i3被随机浏览到的概率，且通过随机浏览模型得到；
所述第三转移概率为第三直接转移概率和第三间接转移概率之和，所述第三直接转移概率为操作完所述i3之后直接操作所述j3的概率，所述第三间接操作概率为操作完所述i3之后间隔其他资源文件再操作所述j3的概率。
例如，计算图3所示的视频4到视频1的子跳出信息熵时，第三直接转移概率为播放完视频4直接播放视频1的概率，计算第三间接操作概率时，需要计算播放视频4之后间隔1个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔2个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔3个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔4个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔5个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔6个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔7个视频再播放视频1的所有第三子间接操作概率，计算播放视频4之后间隔8个视频再播放视频1的所有第三子间接操作概率，并将上述间隔1个视频、2个视频、……、8个视频的所有第三子间接操作概率之和作为第三间接操作概率。
本发明实施例中，根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇时，可选地，可以采用如下方式：
判断所述第一信息熵是否大于或者等于所述第二信息熵；
若是，将所述第二划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，并判断所述第二信息熵是否大于或者等于所述第三信息熵；
否则，重新将第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到新的第二划分兴趣点网络拓扑图，并计算新的第二划分兴趣点网络拓扑图的新的第二信息熵，并判断所述第一信息熵是否大于或者等于所述新的第二信息熵；
当连续M次得到当前的划分兴趣点网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点网络拓扑图所包括的团簇作为所述至少一个一级目标团簇。
例如，第一信息熵为图3所示的第一划分兴趣点网络拓扑图的信息熵，第二信息熵1为图3所示的第二划分兴趣点网络拓扑图的信息熵，先判断第一信息熵是否大于图3所示的第二划分兴趣点网络拓扑图的第二信息熵1，如果第一信息熵大于第二信息熵1的话，将图3所示的第二划分兴趣点网络拓扑图中的视频移动，例如，将一级团簇a4中的视频3移动至一级团簇a6中，得到第三划分兴趣点网络拓扑图，如图5所示，计算第三划分兴趣点网络拓扑图的信息熵为第三信息熵，并判断第二信息熵1是否大于第三信息熵，如果大于的话，继续将第三划分兴趣点网络拓扑图的视频进行移动，得到第四划分兴趣点网络拓扑图，计算第四划分兴趣点网络拓扑图的信息熵为第四信息熵，再判断第三信息熵是否大于第四信息熵，如果仍然大于的话，继续再将第四划分兴趣点网络拓扑图的视频进行移动，后续过程与上述过程类似，在此不再详述。
上述描述的当第一信息熵大于第二信息熵1的情况后续怎么处理的过程，在实际应用中，可能第一信息熵小于或者等于第二信息熵1，此时，需要将第一划分兴趣点网络拓扑图中的视频重新移动，得到新的第二划分兴趣点网络拓扑图，如图6所示，并重新计算图6所示的新的第二划分兴趣点网络拓扑图的新的第二信息熵，如第二信息熵2，并判断第一信息熵是否大于新的第二信息熵(第二信息熵2)，如果否的话，再重新将第一划分兴趣点网络拓扑图中的视频移动再得到新的第二划分兴趣点网络拓扑图，并重新计算此次划分得到的第二划分兴趣点网络拓扑图的新的第二信息熵，如第二信息熵3，并判断第一信息熵是否大于新的第二信息熵(第二信息熵3)，以此类推。
前面示例当中描述的是当第一信息熵大于第二信息熵时要如何移动视频，或者当第一信息熵小于或者等于第二信息熵时要如何移动视频，但是，当满足一定条件时需要停止移动，如图3所示的第二划分兴趣点网络拓扑图的第二信息熵小于图3所示的第一划分兴趣点网络拓扑图的第一信息熵，将第二划分兴趣点网络拓扑图中的视频进行移动，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，如果第二信息熵小于第三信息熵，重新将第二划分兴趣点网络拓扑图中的视频移动，得到新的第三划分兴趣点网络拓扑图，计算新的第三信息熵，如果第二信息熵仍然小于新的第三信息熵的话，再继续重新将第二划分兴趣点网络拓扑图中的视频移动，得到新的第三划分兴趣点网络拓扑图，并计算新的第三信息熵，再继续判断第二信息熵是否大于新的第三信息熵，如果连续M次重新移动得到的第三划分兴趣点网络拓扑图的第三信息熵均大于第二信息熵，则停止移动，将图3所示的第二划分兴趣点网络拓扑图中的团簇作为最终的一级目标团簇，即图3所示的第二划分兴趣点网络拓扑图中的一级团簇a4、一级团簇a5、一级团簇a6作为一级目标团簇。
前面描述了如何根据资源文件生成一级目标团簇，下面描述如何将一级目标团簇生成二级目标团簇。
本发明实施例中，将所述至少一个一级目标团簇划分为至少一个二级目标团簇时，可选地，可以采用如下方式：
将所述至少一个一级目标团簇划分为至少一个二级初始团簇，得到第一划分兴趣点团簇网络拓扑图，所述至少一个二级初始团簇中的每一个二级初始团簇中均包括至少一个一级目标团簇；
计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵；
将所述第一划分兴趣点团簇网络拓扑图的一级目标团簇移动至该一级目标团簇当前所属二级初始团簇之外的其他二级初始团簇，得到第二划分兴趣点团簇网络拓扑图，并计算第二划分兴趣点团簇网络拓扑图的第五信息熵；
根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇。
例如，图3所示的10个一级目标团簇：一级目标团簇A1、一级目标团簇A2、一级目标团簇A3、一级目标团簇A4、一级目标团簇A5、一级目标团簇A6、一级目标团簇A7、一级目标团簇A8、一级目标团簇A9、一级目标团簇A10，先可以将10个一级目标团簇划分为4个二级初始团簇，如二级初始团簇b1(包括一级目标团簇A1、一级目标团簇A2、一级目标团簇A3)、二级初始团簇b2(一级目标团簇A4、一级目标团簇A5、一级目标团簇A6)、二级初始团簇b3(一级目标团簇A7、一级目标团簇A8)、二级初始团簇b4(一级目标团簇A9、一级目标团簇A10)，先计算由b1、b2、b3和b4构成的第一划分兴趣点团簇网络拓扑图的第四信息熵，再将b1中的A1移动至b2中，b2中的A4移动至b3，得到b3中的A7移动至b4，得到新的二级团簇：二级团簇b5(一级目标团簇A2、一级目标团簇A3)、二级团簇b6(一级目标团簇A1、一级目标团簇A5、一级目标团簇A6)、二级团簇b7(一级目标团簇A4、一级目标团簇A8)、二级团簇b8(一级目标团簇A7、一级目标团簇A9、一级目标团簇A10)，并计算由b5、b6、b7和b8构成的第二划分兴趣点团簇网络拓扑图的第五信息熵，并根据第四信息熵和第五信息熵得到二级目标团簇。
本发明实施例中，计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵时，可选地，可以采用如下方式：
计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵；
将所有所述第二子信息熵之和作为所述第四信息熵。
例如，第一划分兴趣点团簇网络拓扑图包括4个二级初始团簇：二级初始团簇1、二级初始团簇2、二级初始团簇3、二级初始团簇4，计算二级初始团簇1的第二子信息熵1、二级初始团簇2的第二子信息熵2、二级初始团簇3的第二子信息熵3、二级初始团簇4的第二子信息熵4，将第二子信息熵1、第二子信息熵2、第二子信息熵3和第二子信息熵4之和作为第一划分兴趣点团簇网络拓扑图的第四信息熵。
本发明实施例中，计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵，包括：
针对所述每一个二级初始团簇中的任意一二级初始团簇，按照如下方式计算所述任意一二级初始团簇的第二子信息熵：
计算所述任意一二级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；
将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第二子信息熵。
例如，第一划分兴趣点团簇网络拓扑图包括4个二级初始团簇：二级初始团簇1、二级初始团簇2、二级初始团簇3、二级初始团簇4，计算二级初始团簇1的第二子信息熵1时，需要计算二级初始团簇1的内部信息熵1、跳入信息熵1和跳出信息熵1，并将内部信息熵1、跳入信息熵1和跳出信息熵1之和作为第二子信息熵1。
本发明实施例中，计算所述任意一二级初始团簇的内部信息熵时，可选地，可以采用如下方式：
计算所述任意一二级初始团簇中的任意两个一级目标团簇的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
例如，第一划分兴趣点团簇网络拓扑图包括4个二级初始团簇：二级初始团簇1、二级初始团簇2、二级初始团簇3、二级初始团簇4，计算二级初始团簇1的第二子信息熵1时，需要计算二级初始团簇1的内部信息熵1、跳入信息熵1和跳出信息熵1，并将内部信息熵1、跳入信息熵1和跳出信息熵1之和作为第二子信息熵1。其中，二级初始团簇1包括一级目标团簇A1、一级目标团簇A4和一级目标团簇A8，在计算二级初始团簇1的内部信息熵1时，需要计算二级初始团簇1中的任意两个一级目标团簇的子内部信息熵，如A1和A4之间的子内部信息熵1、A1和A8之间的子内部信息熵2、A4和A8之间的子内部信息熵3，将子内部信息熵1、子内部信息熵2和子内部信息熵3之和作为二级初始团簇1的内部信息熵1。
本发明实施例中，针对任意两个一级目标团簇的子内部信息熵可以采用如下方式计算：
B1＝Flow(x1,y1)*log(Flow(x1,y1) (公式四)；
其中，所述B1为子内部信息熵；
所述Flow(x1,y1)为第四随机概率和第四转移概率的乘积；
所述x1为所述任意两个一级目标团簇中的一个一级目标团簇中的任意一资源文件，所述y1为所述任意两个一级目标团簇中的另外一个一级目标团簇中的任意一资源文件。
其中，可选地，所述第四随机概率为所述x1被随机浏览到的概率，且通过随机浏览模型得到；
所述第四转移概率为第四直接转移概率和第四间接转移概率之和，所述第四直接转移概率为操作完所述x1之后直接操作所述y1的概率，所述第四间接操作概率为操作完所述x1之后间隔其他资源文件再操作所述y1的概率。
例如，第四直接转移概率为播放完视频x1之后直接播放视频x2的概率，第四间接操作概率为播放完视频x1之后播放其他视频，播放完其他视频之后再播放视频x2的概率，当然，其他视频可以为1个视频，也可以为多个视频，在此不再进行详述。
本发明实施例中，计算所述任意一二级初始团簇的跳入信息熵时，可选地，可以采用如下方式：
计算所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
例如，有两个二级初始团簇b1(包括一级目标团簇a1和一级目标团簇a2)和b2(包括一级目标团簇a3和一级目标团簇a4)，计算b1的跳入信息熵时，需要计算a1中的每一个视频到a3、a4中的每一个视频的子跳入信息熵，及计算a2中的每一个视频到a3、a4中的每一个视频的子跳入信息熵，将计算得到的所有子跳入信息熵之和作为b1的跳入信息熵；同理，计算b2的跳入信息熵时，需要计算a3中的每一个视频到a1、a2中的每一个视频的子跳入信息熵，及计算a4中的每一个视频到a1、a2中的每一个视频的子跳入信息熵，将计算得到的所有子跳入信息熵之和作为b2的跳入信息熵。
本发明实施例中，针对所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵采用如下方式计算：
B2＝Flow(x2,y2)*log(Flow(x2,y2) (公式五)；
其中，所述B2为子跳入信息熵；
所述Flow(x2,y2)为第五随机概率和第五转移概率的乘积；
所述x2为所述任意一二级初始团簇中的任意一一级目标团簇中的任意一资源文件，所述y2为所述任意一二级初始团簇之外的任意一资源文件。
其中，可选地，所述第五随机概率为所述x2被随机浏览到的概率，且通过随机浏览模型得到；
所述第五转移概率为第五直接转移概率和第五间接转移概率之和，所述第五直接转移概率为操作完所述x2之后直接操作所述y2的概率，所述第五间接操作概率为操作完所述x2之后间隔其他资源文件再操作所述y2的概率。
本发明实施例中，计算所述任意一二级初始团簇的跳出信息熵，包括：
计算所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
例如，有两个二级初始团簇b1(包括一级目标团簇a1和一级目标团簇a2)和b2(包括一级目标团簇a3和一级目标团簇a4)，计算b1的跳出信息熵时，需要计算a3中的每一个视频到a1、a2中的每一个视频的子跳出信息熵，及计算a4中的每一个视频到a1、a2中的每一个视频的子跳出信息熵，将计算得到的所有子跳出信息熵之和作为b1的跳出信息熵；同理，计算b2的跳出信息熵时，需要计算a1中的每一个视频到a3、a4中的每一个视频的子跳出信息熵，及计算a2中的每一个视频到a3、a4中的每一个视频的子跳出信息熵，将计算得到的所有子跳出信息熵之和作为b2的跳出信息熵。
本发明实施例中，针对所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵采用如下方式计算：
B3＝Flow(x3,y3)*log(Flow(x3,y3) (公式六)；
其中，所述B3为子跳出信息熵；
所述Flow(x3,y3)为第六随机概率和第六转移概率的乘积；
所述y3为所述任意一二级初始团簇之外的任意一资源文件，所述x3为所述任意一二级初始团簇中的一级目标团簇中的任意一资源文件。
其中，可选地，所述第六随机概率为所述x3被随机浏览到的概率，且通过随机浏览模型得到；
所述第六转移概率为第六直接转移概率和第六间接转移概率之和，所述第六直接转移概率为操作完所述x3之后直接操作所述y3的概率，所述第六间接操作概率为操作完所述x3之后间隔其他资源文件再操作所述y3的概率。
本发明实施例中，根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇时，可选地，可以采用如下方式：
判断所述第四信息熵是否大于或者等于所述第五信息熵；
若是，将所述第二划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，并判断所述第五信息熵是否大于或者等于所述第六信息熵；
否则，重新将第一划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到新的第二划分兴趣点团簇网络拓扑图，并计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，并判断所述第四信息熵是否大于或者等于所述新的第五信息熵；
当连续M次得到当前的划分兴趣点团簇网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点团簇网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点团簇网络拓扑图所包括的团簇作为所述至少一个二级目标团簇。
例如，参阅图7所示，第四信息熵为第一划分兴趣点团簇网络拓扑图的信息熵，第五信息熵1为第二划分兴趣点团簇网络拓扑图的信息熵，先判断第四信息熵是否大于第二划分兴趣点团簇网络拓扑图的第五信息熵1，如果第四信息熵大于第五信息熵1的话，将第二划分兴趣点团簇网络拓扑图中的视频移动，例如，将二级团簇a3中的视频b1移动至二级团簇a4中，得到第三划分兴趣点团簇网络拓扑图，计算第三划分兴趣点团簇网络拓扑图的信息熵为第六信息熵，并判断第五信息熵1是否大于第六信息熵，如果大于的话，继续将第三划分兴趣点团簇网络拓扑图的视频进行移动，得到第四划分兴趣点团簇网络拓扑图，计算第四划分兴趣点团簇网络拓扑图的信息熵为第七信息熵，再判断第六信息熵是否大于第七信息熵，如果仍然大于的话，继续再将第四划分兴趣点团簇网络拓扑图的视频进行移动，后续过程与上述过程类似，在此不再详述。
上述描述的当第四信息熵大于第五信息熵1的情况后续怎么处理的过程，在实际应用中，可能第四信息熵小于或者等于第五信息熵1，此时，需要将第一划分兴趣点团簇网络拓扑图中的视频重新移动，得到新的第二划分兴趣点团簇网络拓扑图，并重新计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，如第五信息熵2，并判断第四信息熵是否大于新的第五信息熵(第五信息熵2)，如果否的话，再重新将第一划分兴趣点团簇网络拓扑图中的视频移动再得到新的第二划分兴趣点团簇网络拓扑图，并重新计算此次划分得到的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，如第五信息熵3，并判断第四信息熵是否大于新的第五信息熵(第五信息熵3)，以此类推。
前面示例当中描述的是当第四信息熵大于第五信息熵时要如何移动视频，或者当第四信息熵小于或者等于第五信息熵时要如何移动视频，但是，当满足一定条件时需要停止移动，如图7所示的第二划分兴趣点团簇网络拓扑图的第五信息熵小于图7所示的第一划分兴趣点团簇网络拓扑图的第四信息熵，将第二划分兴趣点团簇网络拓扑图中的视频进行移动，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，如果第五信息熵小于第六信息熵，重新将第二划分兴趣点团簇网络拓扑图中的视频移动，得到新的第三划分兴趣点团簇网络拓扑图，计算新的第六信息熵，如果第五信息熵仍然小于新的第六信息熵的话，再继续重新将第二划分兴趣点团簇网络拓扑图中的视频移动，得到新的第三划分兴趣点团簇网络拓扑图，并计算新的第六信息熵，再继续判断第五信息熵是否大于新的第六信息熵，如果连续M次重新移动得到的第三划分兴趣点团簇网络拓扑图的第六信息熵均大于第五信息熵，则停止移动，将图7所示的第二划分兴趣点团簇网络拓扑图中的团簇作为最终的二级目标团簇，即图7所示的第二划分兴趣点团簇网络拓扑图中的二级团簇a3、二级团簇a4作为二级目标团簇。
参阅图8所示，本发明实施例中，还提出一种建立兴趣点网络层级拓扑图的装置80，包括：
划分单元800，用于将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；
所述划分单元800还用于，将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；
构建单元810，用于当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
本发明实施例中所说的资源文件可以是图片文件、文字文件、音频文件、视频文件中的至少一种，当然，上述只是几种示例，在此不做具体限定。
本发明实施例中，可选地，针对所述每一个一级目标团簇中的任意一资源文件，与其连续操作的资源文件属于该一级目标团簇的概率大于第一概率阈值。
可选地，针对所述每一个二级目标团簇中的任意一一级目标团簇，与其连续操作的资源文件属于该二级目标团簇的概率大于所述第一概率阈值。
可选地，针对所述每一个N级目标团簇中的任意一N-1级目标团簇，与其连续操作的资源文件属于该N级目标团簇的概率大于所述第一概率阈值。
本发明实施例中，在将多个资源文件划分得到一级目标团簇时可以先初始划分为至少一个一级初始团簇，后续对得到的一级初始团簇进行优化得到最终的一级目标团簇，因此，所述划分单元800将相关联的多个资源文件划分为至少一个一级目标团簇时，可选地，可以采用如下方式：
将所述相关联的多个资源文件划分为至少一个一级初始团簇，得到第一划分兴趣点网络拓扑图，所述至少一个一级初始团簇中的每一个一级初始团簇中均包括至少一个资源文件；
计算所述第一划分兴趣点网络拓扑图的第一信息熵；
将所述第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第二划分兴趣点网络拓扑图，并计算第二划分兴趣点网络拓扑图的第二信息熵；
根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇。
本发明实施例中，所述划分单元800计算所述第一划分兴趣点网络拓扑图的第一信息熵时，可选地，可以采用如下方式：
计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵；
将所有所述第一子信息熵之和作为所述第一信息熵。
其中，所述划分单元800计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵时，可选地，可以采用如下方式：
针对所述每一个一级初始团簇中的任意一一级初始团簇，按照如下方式计算所述任意一一级初始团簇的第一子信息熵：
计算所述任意一一级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；
将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第一子信息熵。
本发明实施例中，所述划分单元800计算所述任意一一级初始团簇的内部信息熵时，可选地，可以采用如下方式：
计算所述任意一一级初始团簇中的任意两个资源文件的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
本发明实施例中，针对任意两个资源文件的子内部信息熵所述划分单元800可以采用如下方式计算：
A1＝Flow(i1,j1)*log(Flow(i1,j1)；
其中，所述A1为子内部信息熵；
所述Flow(i1,j1)为第一随机概率和第一转移概率的乘积；
所述i1为所述任意两个资源文件中的一个资源文件，所述j1为所述任意两个资源文件中的另一个资源文件。
本发明实施例中，可选地，所述第一随机概率为所述i1被随机浏览到的概率，且通过随机浏览模型得到；
所述第一转移概率为第一直接转移概率和第一间接转移概率之和，所述第一直接转移概率为操作完所述i1之后直接操作所述j1的概率，所述第一间接操作概率为操作完所述i1之后间隔其他资源文件再操作所述j1的概率。
需要说明的是，由于操作完所述i1之后间隔其他资源文件再操作所述j1时，中间可能间隔1个资源文件，或者也可能间隔2个资源文件，如果总共有N个资源文件的话，之间还可能间隔N-2个资源文件，那么在计算第一间接操作概率时需要计算间隔不同数量的资源文件时的第一子间接操作概率，并将所有第一子间接操作概率之和作为播放完视频1之后再播放视频2的第一间接操作概率。
本发明实施例中，所述划分单元800计算所述任意一一级初始团簇的跳入信息熵时，可以采用如下方式：
计算所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
本发明实施例中，针对所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵所述划分单元800采用如下方式计算：
A2＝Flow(i2,j2)*log(Flow(i2,j2)；
其中，所述A2为子跳入信息熵；
所述Flow(i2,j2)为第二随机概率和第二转移概率的乘积；
所述i2为所述任意一一级初始团簇中的任意一个资源文件，所述j2为所述任意一一级初始团簇之外的任意一资源文件。
本发明实施例中，可选地，所述第二随机概率为所述i2被随机浏览到的概率，且通过随机浏览模型得到；
所述第二转移概率为第二直接转移概率和第二间接转移概率之和，所述第二直接转移概率为操作完所述i2之后直接操作所述j2的概率，所述第二间接操作概率为操作完所述i2之后间隔其他资源文件再操作所述j2的概率。
本发明实施例中，所述划分单元800计算所述任意一一级初始团簇的跳出信息熵，包括：
计算所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
本发明实施例中，针对所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵所述划分单元800采用公式三计算。
其中，可选地，所述第三随机概率为所述i3被随机浏览到的概率，且通过随机浏览模型得到；
所述第三转移概率为第三直接转移概率和第三间接转移概率之和，所述第三直接转移概率为操作完所述i3之后直接操作所述j3的概率，所述第三间接操作概率为操作完所述i3之后间隔其他资源文件再操作所述j3的概率。
本发明实施例中，可选地，所述划分单元800根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇，包括：
判断所述第一信息熵是否大于或者等于所述第二信息熵；
若是，将所述第二划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，并判断所述第二信息熵是否大于或者等于所述第三信息熵；
否则，重新将第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到新的第二划分兴趣点网络拓扑图，并计算新的第二划分兴趣点网络拓扑图的新的第二信息熵，并判断所述第一信息熵是否大于或者等于所述新的第二信息熵；
当连续M次得到当前的划分兴趣点网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点网络拓扑图所包括的团簇作为所述至少一个一级目标团簇。
上述描述的当第一信息熵大于第二信息熵1的情况后续怎么处理的过程，在实际应用中，可能第一信息熵小于或者等于第二信息熵1，此时，需要将第一划分兴趣点网络拓扑图中的视频重新移动，得到新的第二划分兴趣点网络拓扑图，如图6所示，并重新计算图6所示的新的第二划分兴趣点网络拓扑图的新的第二信息熵，如第二信息熵2，并判断第一信息熵是否大于新的第二信息熵(第二信息熵2)，如果否的话，再重新将第一划分兴趣点网络拓扑图中的视频移动再得到新的第二划分兴趣点网络拓扑图，并重新计算此次划分得到的第二划分兴趣点网络拓扑图的新的第二信息熵，如第二信息熵3，并判断第一信息熵是否大于新的第二信息熵(第二信息熵3)，以此类推。
前面示例当中描述的是当第一信息熵大于第二信息熵时要如何移动视频，或者当第一信息熵小于或者等于第二信息熵时要如何移动视频，但是，当满足一定条件时需要停止移动，如图3所示的第二划分兴趣点网络拓扑图的第二信息熵小于图3所示的第一划分兴趣点网络拓扑图的第一信息熵，将第二划分兴趣点网络拓扑图中的视频进行移动，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，如果第二信息熵小于第三信息熵，重新将第二划分兴趣点网络拓扑图中的视频移动，得到新的第三划分兴趣点网络拓扑图，计算新的第三信息熵，如果第二信息熵仍然小于新的第三信息熵的话，再继续重新将第二划分兴趣点网络拓扑图中的视频移动，得到新的第三划分兴趣点网络拓扑图，并计算新的第三信息熵，再继续判断第二信息熵是否大于新的第三信息熵，如果连续M次重新移动得到的第三划分兴趣点网络拓扑图的第三信息熵均大于第二信息熵，则停止移动，将图3所示的第二划分兴趣点网络拓扑图中的团簇作为最终的一级目标团簇，即图3所示的第二划分兴趣点网络拓扑图中的一级团簇a4、一级团簇a5、一级团簇a6作为一级目标团簇。
前面描述了如何根据资源文件生成一级目标团簇，下面描述如何将一级目标团簇生成二级目标团簇。
本发明实施例中，所述划分单元800将所述至少一个一级目标团簇划分为至少一个二级目标团簇时，可选地，可以采用如下方式：
将所述至少一个一级目标团簇划分为至少一个二级初始团簇，得到第一划分兴趣点团簇网络拓扑图，所述至少一个二级初始团簇中的每一个二级初始团簇中均包括至少一个一级目标团簇；
计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵；
将所述第一划分兴趣点团簇网络拓扑图的一级目标团簇移动至该一级目标团簇当前所属二级初始团簇之外的其他二级初始团簇，得到第二划分兴趣点团簇网络拓扑图，并计算第二划分兴趣点团簇网络拓扑图的第五信息熵；
根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇。
本发明实施例中，所述划分单元800计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵时，可选地，可以采用如下方式：
计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵；
将所有所述第二子信息熵之和作为所述第四信息熵。
本发明实施例中，所述划分单元800计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵，包括：
针对所述每一个二级初始团簇中的任意一二级初始团簇，按照如下方式计算所述任意一二级初始团簇的第二子信息熵：
计算所述任意一二级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；
将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第二子信息熵。
本发明实施例中，所述划分单元800计算所述任意一二级初始团簇的内部信息熵时，可选地，可以采用如下方式：
计算所述任意一二级初始团簇中的任意两个一级目标团簇的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
本发明实施例中，针对任意两个一级目标团簇的子内部信息熵所述划分单元800采用如下公式四来计算。
其中，可选地，所述第四随机概率为所述x1被随机浏览到的概率，且通过随机浏览模型得到；
所述第四转移概率为第四直接转移概率和第四间接转移概率之和，所述第四直接转移概率为操作完所述x1之后直接操作所述y1的概率，所述第四间接操作概率为操作完所述x1之后间隔其他资源文件再操作所述y1的概率。
本发明实施例中，所述划分单元800计算所述任意一二级初始团簇的跳入信息熵时，可选地，可以采用如下方式：
计算所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
本发明实施例中，针对所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵所述划分单元800采用公式五计算。
其中，可选地，所述第五随机概率为所述x2被随机浏览到的概率，且通过随机浏览模型得到；
所述第五转移概率为第五直接转移概率和第五间接转移概率之和，所述第五直接转移概率为操作完所述x2之后直接操作所述y2的概率，所述第五间接操作概率为操作完所述x2之后间隔其他资源文件再操作所述y2的概率。
本发明实施例中，所述划分单元800计算所述任意一二级初始团簇的跳出信息熵时，可选地，可以采用如下方式：
计算所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
本发明实施例中，针对所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵所述划分单元800采用公式六计算。
本发明实施例中，所述划分单元800根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇时，可以采用如下方式：
判断所述第四信息熵是否大于或者等于所述第五信息熵；
若是，将所述第二划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，并判断所述第五信息熵是否大于或者等于所述第六信息熵；
否则，重新将第一划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到新的第二划分兴趣点团簇网络拓扑图，并计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，并判断所述第四信息熵是否大于或者等于所述新的第五信息熵；
当连续M次得到当前的划分兴趣点团簇网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点团簇网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点团簇网络拓扑图所包括的团簇作为所述至少一个二级目标团簇。
上述描述的当第四信息熵大于第五信息熵1的情况后续怎么处理的过程，在实际应用中，可能第四信息熵小于或者等于第五信息熵1，此时，需要将第一划分兴趣点团簇网络拓扑图中的视频重新移动，得到新的第二划分兴趣点团簇网络拓扑图，并重新计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，如第五信息熵2，并判断第四信息熵是否大于新的第五信息熵(第五信息熵2)，如果否的话，再重新将第一划分兴趣点团簇网络拓扑图中的视频移动再得到新的第二划分兴趣点团簇网络拓扑图，并重新计算此次划分得到的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，如第五信息熵3，并判断第四信息熵是否大于新的第五信息熵(第五信息熵3)，以此类推。
前面示例当中描述的是当第四信息熵大于第五信息熵时要如何移动视频，或者当第四信息熵小于或者等于第五信息熵时要如何移动视频，但是，当满足一定条件时需要停止移动，如图7所示的第二划分兴趣点团簇网络拓扑图的第五信息熵小于图7所示的第一划分兴趣点团簇网络拓扑图的第四信息熵，将第二划分兴趣点团簇网络拓扑图中的视频进行移动，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，如果第五信息熵小于第六信息熵，重新将第二划分兴趣点团簇网络拓扑图中的视频移动，得到新的第三划分兴趣点团簇网络拓扑图，计算新的第六信息熵，如果第五信息熵仍然小于新的第六信息熵的话，再继续重新将第二划分兴趣点团簇网络拓扑图中的视频移动，得到新的第三划分兴趣点团簇网络拓扑图，并计算新的第六信息熵，再继续判断第五信息熵是否大于新的第六信息熵，如果连续M次重新移动得到的第三划分兴趣点团簇网络拓扑图的第六信息熵均大于第五信息熵，则停止移动，将图7所示的第二划分兴趣点团簇网络拓扑图中的团簇作为最终的二级目标团簇，即图7所示的第二划分兴趣点团簇网络拓扑图中的二级团簇a3、二级团簇a4作为二级目标团簇。
本发明还公开了：
A1、一种建立兴趣点网络层级拓扑图的方法，包括：将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
A2、如A1所述的方法，针对所述每一个一级目标团簇中的任意一资源文件，与其连续操作的资源文件属于该一级目标团簇的概率大于第一概率阈值；针对所述每一个二级目标团簇中的任意一一级目标团簇，与其连续操作的资源文件属于该二级目标团簇的概率大于所述第一概率阈值；针对所述每一个N级目标团簇中的任意一N-1级目标团簇，与其连续操作的资源文件属于该N级目标团簇的概率大于所述第一概率阈值。
A3、如A1所述的方法，将相关联的多个资源文件划分为至少一个一级目标团簇，包括：将所述相关联的多个资源文件划分为至少一个一级初始团簇，得到第一划分兴趣点网络拓扑图，所述至少一个一级初始团簇中的每一个一级初始团簇中均包括至少一个资源文件；计算所述第一划分兴趣点网络拓扑图的第一信息熵；将所述第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第二划分兴趣点网络拓扑图，并计算第二划分兴趣点网络拓扑图的第二信息熵；根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇。
A4、如A3所述的方法，计算所述第一划分兴趣点网络拓扑图的第一信息熵，包括：计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵；将所有所述第一子信息熵之和作为所述第一信息熵。
A5、如A4所述的方法，计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵，包括：针对所述每一个一级初始团簇中的任意一一级初始团簇，按照如下方式计算所述任意一一级初始团簇的第一子信息熵：计算所述任意一一级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第一子信息熵。
A6、如A5所述的方法，计算所述任意一一级初始团簇的内部信息熵，包括：计算所述任意一一级初始团簇中的任意两个资源文件的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
A7、如A6所述的方法，针对任意两个资源文件的子内部信息熵采用如下方式计算：A1＝Flow(i1,j1)*log(Flow(i1,j1)；其中，所述A1为子内部信息熵；所述Flow(i1,j1)为第一随机概率和第一转移概率的乘积；所述i1为所述任意两个资源文件中的一个资源文件，所述j1为所述任意两个资源文件中的另一个资源文件。
A8、如A7所述的方法，所述第一随机概率为所述i1被随机浏览到的概率，且通过随机浏览模型得到；所述第一转移概率为第一直接转移概率和第一间接转移概率之和，所述第一直接转移概率为操作完所述i1之后直接操作所述j1的概率，所述第一间接操作概率为操作完所述i1之后间隔其他资源文件再操作所述j1的概率。
A9、如A5所述的方法，计算所述任意一一级初始团簇的跳入信息熵，包括：计算所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
A10、如A9所述的方法，针对所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵采用如下方式计算：A2＝Flow(i2,j2)*log(Flow(i2,j2)；其中，所述A2为子跳入信息熵；所述Flow(i2,j2)为第二随机概率和第二转移概率的乘积；所述i2为所述任意一一级初始团簇中的任意一个资源文件，所述j2为所述任意一一级初始团簇之外的任意一资源文件。
A11、如A10所述的方法，所述第二随机概率为所述i2被随机浏览到的概率，且通过随机浏览模型得到；所述第二转移概率为第二直接转移概率和第二间接转移概率之和，所述第二直接转移概率为操作完所述i2之后直接操作所述j2的概率，所述第二间接操作概率为操作完所述i2之后间隔其他资源文件再操作所述j2的概率。
A12、如A5所述的方法，计算所述任意一一级初始团簇的跳出信息熵，包括：计算所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
A13、如A12所述的方法，针对所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵采用如下方式计算：A3＝Floj3(i3,j3)*log(Floj3(i3,j3)；其中，所述A3为子跳出信息熵；所述Floj3(i3,j3)为第三随机概率和第三转移概率的乘积；所述i3为所述任意一一级初始团簇之外的任意一个资源文件，所述j3为所述任意一一级初始团簇中的任意一资源文件。
A14、如A13所述的方法，所述第三随机概率为所述i3被随机浏览到的概率，且通过随机浏览模型得到；所述第三转移概率为第三直接转移概率和第三间接转移概率之和，所述第三直接转移概率为操作完所述i3之后直接操作所述j3的概率，所述第三间接操作概率为操作完所述i3之后间隔其他资源文件再操作所述j3的概率。
A15、如A3-A14任一项所述的方法，根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇，包括：判断所述第一信息熵是否大于或者等于所述第二信息熵；若是，将所述第二划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，并判断所述第二信息熵是否大于或者等于所述第三信息熵；否则，重新将第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到新的第二划分兴趣点网络拓扑图，并计算新的第二划分兴趣点网络拓扑图的新的第二信息熵，并判断所述第一信息熵是否大于或者等于所述新的第二信息熵；当连续M次得到当前的划分兴趣点网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点网络拓扑图所包括的团簇作为所述至少一个一级目标团簇。
A16、如A1所述的方法，将所述至少一个一级目标团簇划分为至少一个二级目标团簇，包括：将所述至少一个一级目标团簇划分为至少一个二级初始团簇，得到第一划分兴趣点团簇网络拓扑图，所述至少一个二级初始团簇中的每一个二级初始团簇中均包括至少一个一级目标团簇；计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵；将所述第一划分兴趣点团簇网络拓扑图的一级目标团簇移动至该一级目标团簇当前所属二级初始团簇之外的其他二级初始团簇，得到第二划分兴趣点团簇网络拓扑图，并计算第二划分兴趣点团簇网络拓扑图的第五信息熵；根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇。
A17、如A16所述的方法，计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵，包括：计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵；将所有所述第二子信息熵之和作为所述第四信息熵。
A18、如A17所述的方法，计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵，包括：针对所述每一个二级初始团簇中的任意一二级初始团簇，按照如下方式计算所述任意一二级初始团簇的第二子信息熵：计算所述任意一二级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第二子信息熵。
A19、如A18所述的方法，计算所述任意一二级初始团簇的内部信息熵，包括：计算所述任意一二级初始团簇中的任意两个一级目标团簇的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
A20、如A19所述的方法，针对任意两个一级目标团簇的子内部信息熵采用如下方式计算：B1＝Flow(x1,y1)*log(Flow(x1,y1)；其中，所述B1为子内部信息熵；所述Flow(x1,y1)为第四随机概率和第四转移概率的乘积；所述x1为所述任意两个一级目标团簇中的一个一级目标团簇中的任意一资源文件，所述y1为所述任意两个一级目标团簇中的另外一个一级目标团簇中的任意一资源文件。
A21、如A20所述的方法，所述第四随机概率为所述x1被随机浏览到的概率，且通过随机浏览模型得到；所述第四转移概率为第四直接转移概率和第四间接转移概率之和，所述第四直接转移概率为操作完所述x1之后直接操作所述y1的概率，所述第四间接操作概率为操作完所述x1之后间隔其他资源文件再操作所述y1的概率。
A22、如A18所述的方法，计算所述任意一二级初始团簇的跳入信息熵，包括：计算所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
A23、如A22所述的方法，针对所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵采用如下方式计算：B2＝Flow(x2,y2)*log(Flow(x2,y2)；其中，所述B2为子跳入信息熵；所述Flow(x2,y2)为第五随机概率和第五转移概率的乘积；所述x2为所述任意一二级初始团簇中的任意一一级目标团簇中的任意一资源文件，所述y2为所述任意一二级初始团簇之外的任意一资源文件。
A24、如A23所述的方法，所述第五随机概率为所述x2被随机浏览到的概率，且通过随机浏览模型得到；所述第五转移概率为第五直接转移概率和第五间接转移概率之和，所述第五直接转移概率为操作完所述x2之后直接操作所述y2的概率，所述第五间接操作概率为操作完所述x2之后间隔其他资源文件再操作所述y2的概率。
A25、如A18所述的方法，计算所述任意一二级初始团簇的跳出信息熵，包括：计算所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
A26、如A25所述的方法，针对所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵采用如下方式计算：B3＝Flow(x3,y3)*log(Flow(x3,y3)；其中，所述B3为子跳出信息熵；所述Flow(x3,y3)为第六随机概率和第六转移概率的乘积；所述x3为所述任意一二级初始团簇之外的任意一资源文件，所述y3为所述任意一二级初始团簇中的一级目标团簇中的任意一资源文件。
A27、如A26所述的方法，所述第六随机概率为所述x3被随机浏览到的概率，且通过随机浏览模型得到；所述第六转移概率为第六直接转移概率和第六间接转移概率之和，所述第六直接转移概率为操作完所述x3之后直接操作所述y3的概率，所述第六间接操作概率为操作完所述x3之后间隔其他资源文件再操作所述y3的概率。
A28、如A16-A27任一项所述的方法，根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇，包括：判断所述第四信息熵是否大于或者等于所述第五信息熵；若是，将所述第二划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，并判断所述第五信息熵是否大于或者等于所述第六信息熵；否则，重新将第一划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到新的第二划分兴趣点团簇网络拓扑图，并计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，并判断所述第四信息熵是否大于或者等于所述新的第五信息熵；当连续M次得到当前的划分兴趣点团簇网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点团簇网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点团簇网络拓扑图所包括的团簇作为所述至少一个二级目标团簇。
A29、一种建立兴趣点网络层级拓扑图的装置，包括：划分单元，用于将相关联的多个资源文件划分为至少一个一级目标团簇，所述至少一个一级目标团簇中的每一个一级目标团簇包括至少一个资源文件；所述划分单元还用于，将所述至少一个一级目标团簇划分为至少一个二级目标团簇，所述至少一个二级目标团簇中的每一个二级目标团簇包括至少一个一级目标团簇；构建单元，用于当得到至少一个N级目标团簇时，根据得到的所述一级目标团簇、所述二级目标团簇、……、所述N级目标团簇，构建兴趣点网络层级拓扑图，所述至少一个N级目标团簇中的每一个N级目标团簇包括至少一个N-1级目标团簇，所述N为大于1的整数。
A30、如A29所述的装置，针对所述每一个一级目标团簇中的任意一资源文件，与其连续操作的资源文件属于该一级目标团簇的概率大于第一概率阈值；针对所述每一个二级目标团簇中的任意一一级目标团簇，与其连续操作的资源文件属于该二级目标团簇的概率大于所述第一概率阈值；针对所述每一个N级目标团簇中的任意一N-1级目标团簇，与其连续操作的资源文件属于该N级目标团簇的概率大于所述第一概率阈值。
A31、如A29所述的装置，所述划分单元将相关联的多个资源文件划分为至少一个一级目标团簇，包括：将所述相关联的多个资源文件划分为至少一个一级初始团簇，得到第一划分兴趣点网络拓扑图，所述至少一个一级初始团簇中的每一个一级初始团簇中均包括至少一个资源文件；计算所述第一划分兴趣点网络拓扑图的第一信息熵；将所述第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第二划分兴趣点网络拓扑图，并计算第二划分兴趣点网络拓扑图的第二信息熵；根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇。
A32、如A31所述的装置，所述划分单元计算所述第一划分兴趣点网络拓扑图的第一信息熵，包括：计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵；将所有所述第一子信息熵之和作为所述第一信息熵。
A33、如A32所述的装置，所述划分单元计算所述第一划分兴趣点网络拓扑图包括的每一个一级初始团簇的第一子信息熵，包括：针对所述每一个一级初始团簇中的任意一一级初始团簇，按照如下方式计算所述任意一一级初始团簇的第一子信息熵：计算所述任意一一级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第一子信息熵。
A34、如A33所述的装置，所述划分单元计算所述任意一一级初始团簇的内部信息熵，包括：计算所述任意一一级初始团簇中的任意两个资源文件的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
A35、如A34所述的装置，针对任意两个资源文件的子内部信息熵所述划分单元采用如下方式计算：A1＝Flow(i1,j1)*log(Flow(i1,j1)；其中，所述A1为子内部信息熵；所述Flow(i1,j1)为第一随机概率和第一转移概率的乘积；所述i1为所述任意两个资源文件中的一个资源文件，所述j1为所述任意两个资源文件中的另一个资源文件。
A36、如A35所述的装置，所述第一随机概率为所述i1被随机浏览到的概率，且通过随机浏览模型得到；所述第一转移概率为第一直接转移概率和第一间接转移概率之和，所述第一直接转移概率为操作完所述i1之后直接操作所述j1的概率，所述第一间接操作概率为操作完所述i1之后间隔其他资源文件再操作所述j1的概率。
A37、如A33所述的装置，所述划分单元计算所述任意一一级初始团簇的跳入信息熵，包括：计算所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
A38、如A37所述的装置，针对所述任意一一级初始团簇中的任意一个资源文件到所述任意一一级初始团簇之外的任意一资源文件的子跳入信息熵所述划分单元采用如下方式计算：A2＝Flow(i2,j2)*log(Flow(i2,j2)；其中，所述A2为子跳入信息熵；所述Flow(i2,j2)为第二随机概率和第二转移概率的乘积；所述i2为所述任意一一级初始团簇中的任意一个资源文件，所述j2为所述任意一一级初始团簇之外的任意一资源文件。
A39、如A38所述的装置，所述第二随机概率为所述i2被随机浏览到的概率，且通过随机浏览模型得到；所述第二转移概率为第二直接转移概率和第二间接转移概率之和，所述第二直接转移概率为操作完所述i2之后直接操作所述j2的概率，所述第二间接操作概率为操作完所述i2之后间隔其他资源文件再操作所述j2的概率。
A40、如A33所述的装置，所述划分单元计算所述任意一一级初始团簇的跳出信息熵，包括：计算所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
A41、如A40所述的装置，针对所述任意一一级初始团簇之外的任意一个资源文件到所述任意一一级初始团簇的任意一资源文件的子跳出信息熵所述划分单元采用如下方式计算：A3＝Floj3(i3,j3)*log(Floj3(i3,j3)；其中，所述A3为子跳出信息熵；所述Floj3(i3,j3)为第三随机概率和第三转移概率的乘积；所述i3为所述任意一一级初始团簇之外的任意一个资源文件，所述j3为所述任意一一级初始团簇中的任意一资源文件。
A42、如A41所述的装置，所述第三随机概率为所述i3被随机浏览到的概率，且通过随机浏览模型得到；所述第三转移概率为第三直接转移概率和第三间接转移概率之和，所述第三直接转移概率为操作完所述i3之后直接操作所述j3的概率，所述第三间接操作概率为操作完所述i3之后间隔其他资源文件再操作所述j3的概率。
A43、如A31-A42任一项所述的装置，所述划分单元根据所述第一信息熵和所述第二信息熵之间的关系确定至少一个一级目标团簇，包括：判断所述第一信息熵是否大于或者等于所述第二信息熵；若是，将所述第二划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到第三划分兴趣点网络拓扑图，并计算第三划分兴趣点网络拓扑图的第三信息熵，并判断所述第二信息熵是否大于或者等于所述第三信息熵；否则，重新将第一划分兴趣点网络拓扑图的资源文件移动至该资源文件当前所属一级初始团簇之外的其他一级初始团簇，得到新的第二划分兴趣点网络拓扑图，并计算新的第二划分兴趣点网络拓扑图的新的第二信息熵，并判断所述第一信息熵是否大于或者等于所述新的第二信息熵；当连续M次得到当前的划分兴趣点网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点网络拓扑图所包括的团簇作为所述至少一个一级目标团簇。
A44、如A29所述的装置，所述划分单元将所述至少一个一级目标团簇划分为至少一个二级目标团簇，包括：将所述至少一个一级目标团簇划分为至少一个二级初始团簇，得到第一划分兴趣点团簇网络拓扑图，所述至少一个二级初始团簇中的每一个二级初始团簇中均包括至少一个一级目标团簇；计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵；将所述第一划分兴趣点团簇网络拓扑图的一级目标团簇移动至该一级目标团簇当前所属二级初始团簇之外的其他二级初始团簇，得到第二划分兴趣点团簇网络拓扑图，并计算第二划分兴趣点团簇网络拓扑图的第五信息熵；根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇。
A45、如A44所述的装置，所述划分单元计算所述第一划分兴趣点团簇网络拓扑图的第四信息熵，包括：计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵；将所有所述第二子信息熵之和作为所述第四信息熵。
A46、如A45所述的装置，所述划分单元计算所述第一划分兴趣点团簇网络拓扑图包括的每一个二级初始团簇的第二子信息熵，包括：针对所述每一个二级初始团簇中的任意一二级初始团簇，按照如下方式计算所述任意一二级初始团簇的第二子信息熵：计算所述任意一二级初始团簇的内部信息熵、跳入信息熵和跳出信息熵；将所述内部信息熵、所述跳入信息熵和所述跳出信息熵之和，作为所述第二子信息熵。
A47、如A46所述的装置，所述划分单元计算所述任意一二级初始团簇的内部信息熵，包括：计算所述任意一二级初始团簇中的任意两个一级目标团簇的子内部信息熵，将所有子内部信息熵之和作为所述内部信息熵。
A48、如A47所述的装置，针对任意两个一级目标团簇的子内部信息熵所述划分单元采用如下方式计算：B1＝Flow(x1,y1)*log(Flow(x1,y1)；其中，所述B1为子内部信息熵；所述Flow(x1,y1)为第四随机概率和第四转移概率的乘积；所述x1为所述任意两个一级目标团簇中的一个一级目标团簇中的任意一资源文件，所述y1为所述任意两个一级目标团簇中的另外一个一级目标团簇中的任意一资源文件。
A49、如A48所述的装置，所述第四随机概率为所述x1被随机浏览到的概率，且通过随机浏览模型得到；所述第四转移概率为第四直接转移概率和第四间接转移概率之和，所述第四直接转移概率为操作完所述x1之后直接操作所述y1的概率，所述第四间接操作概率为操作完所述x1之后间隔其他资源文件再操作所述y1的概率。
A50、如A46所述的装置，所述划分单元计算所述任意一二级初始团簇的跳入信息熵，包括：计算所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵，将所有子跳入信息熵之和作为所述跳入信息熵。
A51、如A50所述的装置，针对所述任意一二级初始团簇中的任意一个一级目标团簇中的资源文件到所述任意一二级初始团簇之外的任意一资源文件的子跳入信息熵所述划分单元采用如下方式计算：B2＝Flow(x2,y2)*log(Flow(x2,y2)；其中，所述B2为子跳入信息熵；所述Flow(x2,y2)为第五随机概率和第五转移概率的乘积；所述x2为所述任意一二级初始团簇中的任意一一级目标团簇中的任意一资源文件，所述y2为所述任意一二级初始团簇之外的任意一资源文件。
A52、如A51所述的装置，所述第五随机概率为所述x2被随机浏览到的概率，且通过随机浏览模型得到；所述第五转移概率为第五直接转移概率和第五间接转移概率之和，所述第五直接转移概率为操作完所述x2之后直接操作所述y2的概率，所述第五间接操作概率为操作完所述x2之后间隔其他资源文件再操作所述y2的概率。
A53、如A46所述的装置，所述划分单元计算所述任意一二级初始团簇的跳出信息熵，包括：计算所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵，将所有子跳出信息熵之和作为所述跳出信息熵。
A54、如A53所述的装置，针对所述任意一二级初始团簇之外的任意一个资源文件到所述任意一二级初始团簇的任意一一级目标团簇中的任意一资源文件的子跳出信息熵所述划分单元采用如下方式计算：B3＝Flow(x3,y3)*log(Flow(x3,y3)；其中，所述B3为子跳出信息熵；所述Flow(x3,y3)为第六随机概率和第六转移概率的乘积；所述x3为所述任意一二级初始团簇之外的任意一资源文件，所述y3为所述任意一二级初始团簇中的一级目标团簇中的任意一资源文件。
A55、如A54所述的装置，所述第六随机概率为所述x3被随机浏览到的概率，且通过随机浏览模型得到；所述第六转移概率为第六直接转移概率和第六间接转移概率之和，所述第六直接转移概率为操作完所述x3之后直接操作所述y3的概率，所述第六间接操作概率为操作完所述x3之后间隔其他资源文件再操作所述y3的概率。
A56、如A44-A55任一项所述的装置，所述划分单元根据所述第四信息熵和所述第五信息熵之间的关系确定至少一个二级目标团簇，包括：判断所述第四信息熵是否大于或者等于所述第五信息熵；若是，将所述第二划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到第三划分兴趣点团簇网络拓扑图，并计算第三划分兴趣点团簇网络拓扑图的第六信息熵，并判断所述第五信息熵是否大于或者等于所述第六信息熵；否则，重新将第一划分兴趣点团簇网络拓扑图的资源文件移动至该资源文件当前所属二级初始团簇之外的其他二级初始团簇，得到新的第二划分兴趣点团簇网络拓扑图，并计算新的第二划分兴趣点团簇网络拓扑图的新的第五信息熵，并判断所述第四信息熵是否大于或者等于所述新的第五信息熵；当连续M次得到当前的划分兴趣点团簇网络拓扑图的信息熵大于或者等于相邻的前一次的划分兴趣点团簇网络拓扑图的信息熵时，停止移动资源文件，并将第前一次移动资源文件后得到的划分兴趣点团簇网络拓扑图所包括的团簇作为所述至少一个二级目标团簇。
A57、一种建立兴趣点网络层级拓扑图的装置，包括：一个或者多个处理器；存储器；存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如A1-A28中任意一项所述的方法。
A58、一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如A1-A28中任意一项所述的方法。
在此提供的方法和装置不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的若干模块组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者模块中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个装置实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。