基于智能降级的资源推荐方法、装置、设备及存储介质与流程

本发明涉及数据分析技术领域，尤其涉及一种基于智能降级的资源推荐方法、装置、电子设备及计算机可读存储介质。

背景技术：

在对用户进行资源推荐时，往往由统一的服务器对用户数据进行分析，并根据分析结果生成与用户相符的推荐列表，以实现对用户的智能推荐。但当并发用户数量过大，或者服务器出现部分故障时，服务器所能分析的用户数据量会部分降低，因此，需要对用户的推荐进行降级，例如，将针对每个用户的精准推荐降级为针对某一类用户群体的统一模板推荐。

目前针对服务器无法正常提供推荐服务的解决办法多为将全体用户进行无差别降级，但服务器往往仅是部分功能降低，若直接对全体用户的资源推荐服务进行降级，会造成服务器大量计算资源的空置，因此，如何在服务器无法正常提供推荐服务时，实现对资源推荐服务的智能降级成为了亟待解决的问题。

技术实现要素：

本发明提供一种基于智能降级的资源推荐方法、装置及计算机可读存储介质，其主要目的在于解决对用户的推荐服务进行降级会造成计算资源空置的问题。

为实现上述目的，本发明提供的一种基于智能降级的资源推荐方法，包括：

获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识；

若所述访问标识为第一标识，确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述访问标识为第二标识，确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征；

判断所述用户特征是否在目标降级特征中；

若所述用户特征不在所述目标降级特征中，按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述用户特征在所述目标降级特征中，调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

可选地，所述提取出所述资源推荐请求中的访问标识，包括：

遍历所述资源推荐请求以确定所述资源推荐请求中字段间隔符号的位置；

按照所述字段间隔符号的位置将所述资源推荐请求划分为多个请求字段，并对所述多个请求字段按照在所述资源推荐请求中从前向后的顺序进行编号；

选取预设编号的请求字段，并对选取的请求字段进行解析，得到请求标识。

可选地，所述按照第一策略生成资源推荐列表对所述用户进行资源推荐，包括：

获取所述用户的用户数据，根据所述用户数据生成所述用户的用户画像；

获取多个待推荐资源，分别将所述多个待推荐资源与所述用户画像进行匹配分析，得到每个待推荐资源与所述用户画像的匹配度；

选取匹配度大于预设匹配度阈值的待推荐资源，并按照所述匹配度从大到小的顺序将选取的待推荐资源进行排序生成资源推荐列表；

根据资源推荐列表对所述用户进行资源推荐。

可选地，所述根据所述用户数据生成所述用户的用户画像，包括：

对所述用户数据进行文本转化，得到文本数据；

对所述文本数据进行分词处理，得到文本分词；

对所述文本分词进行词向量转化，得到文本词向量；

利用预先训练的特征提取算法对所述文本词向量进行特征提取，得到特征词向量；

根据所述特征词向量生成所述用户的用户画像。

可选地，所述对所述文本数据进行分词处理，得到文本分词，包括：

获取预先构建的标准词典，其中，所述标准词典中包含多个标准分词；

将所述文本数据按照预设的第一长度进行文本划分，得到检索词；

将所述检索词在所述标准词典中进行检索，当从所述标准词典中检索到与所述检索词相同的标准分词时，确定所述检索词为所述文本数据的文本分词，并返回文本划分的步骤按照预设的第二长度进行文本划分，直至所述文本划分的次数达到预设次数，得到所述文本数据对应的文本分词。

可选地，所述判断所述用户特征是否在目标降级特征中，包括：

对所述目标降级特征中的各特征构建索引；

根据所述用户特征及所述索引在所述目标降级特征中进行检索，得到检索内容；

检测所述检索内容的长度，当所述检索内容的长度为零，确定所述用户特征不在所述目标降级特征内；

当所述检索内容的长度不为零，确定所述用户特征在所述目标降级特征内。

可选地，所述调用与所述用户关联存储的资源推荐列表对用户进行资源推荐，包括：

提取所述资源推荐请求中的用户id；

根据所述用户id生成资源推荐列表调用请求；

利用所述资源列表调用请求调用与所述用户关联存储的资源推荐列表；

利用所述资源推荐列表对所述用户进行资源推荐。

为了解决上述问题，本发明还提供一种基于智能降级的资源推荐装置，所述装置包括：

标识提取模块，用于获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识；

第一推荐模块，用于若所述访问标识为第一标识，确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

数据获取模块，用于若所述访问标识为第二标识，确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征；

降级判断模块，用于判断所述用户特征是否在目标降级特征中；

第二推荐模块，用于若所述用户特征不在所述目标降级特征中，按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

第三推荐模块，用于若所述用户特征在所述目标降级特征中，调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的基于智能降级的资源推荐方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于智能降级的资源推荐方法。

本发明实施例提取资源推荐请求中的访问标识，并对该访问标识进行判断，以确定资源推荐请求是否为首次请求，若为首次请求，按照第一策略生成用户的资源推荐列表以实现对用户的资源推荐，并存储资源推荐列表，实现了对首次请求的用户进行精细化的推荐；若该请求不是首次请求，则获取用户特征，对不在目标降级特征中的用户特征对应的用户生成用户的资源推荐列表，进行精细化的推荐，对在目标降级特征中的用户特征对应的用户，通过调用历史生成的资源推荐列表进行降级推荐，实现了针对不同用户群体进行区别性的资源推荐，避免了对所有用户进行无差别的推荐服务降级，进而在服务器无法正常提供推荐服务时，实现对资源推荐服务的智能降级，提高了服务器中计算资源的利用率。因此本发明提出的基于智能降级的资源推荐方法、装置、电子设备及计算机可读存储介质，可以解决对用户的推荐服务进行降级会造成计算资源空置的问题。

附图说明

图1为本发明一实施例提供的基于智能降级的资源推荐方法的流程示意图；

图2为本发明一实施例提供的生成资源推荐列表并进行资源推荐的流程示意图；

图3为本发明一实施例提供的生成用户画像的流程示意图；

图4为本发明一实施例提供的基于智能降级的资源推荐装置的功能模块图；

图5为本发明一实施例提供的实现所述基于智能降级的资源推荐方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于智能降级的资源推荐方法。所述基于智能降级的资源推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于智能降级的资源推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的基于智能降级的资源推荐方法的流程示意图。在本实施例中，所述基于智能降级的资源推荐方法包括：

s1、获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识。

本发明实施例中，所述资源推荐请求为用户请求获取推荐资源的请求，所述推荐资源包括但不限于：时事政治、新闻资讯、娱乐信息。

所述资源推荐请求可由用户通过客户端中用于采集资源推荐请求的页面上传，或者，通过预先安装的资源推荐请求生成程序根据用户输入的推荐需求生成所述资源推荐请求。

本发明其中一个实际应用场景中，所述资源推荐请求中包含多条信息，如，用户id，请求访问标识等，所述请求访问标识可用判断所述资源推荐请求是否为首次请求。

由于资源推荐请求往往以固定字段顺序进行表达，例如，资源推荐请求中包含三个字段，第一个字段用于记载发出该请求的用户信息，第二个字段用户记载请求标识，第三个字段用户记载数据的响应方式；因此，可利用字段划分的方式将资源推荐请求划分为多个请求字段，并选取所述资源推荐请求中用于记载请求标识进行处理，以提取出所述资源推荐请求中的访问标识。

本发明实施例中，所述提取出所述资源推荐请求中的访问标识，包括：

遍历所述资源推荐请求以确定所述资源推荐请求中字段间隔符号的位置；

按照所述字段间隔符号的位置将所述资源推荐请求划分为多个请求字段，并对所述多个请求字段按照在所述资源推荐请求中从前向后的顺序进行编号；

选取预设编号的请求字段，并对选取的请求字段进行解析，得到请求标识。

详细地，所述字段间隔符号用于将所述资源推荐请求中各字段进行分隔，所述字段间隔符号可由用户预先定义。

例如，存在资源推荐请求：xxx<yyyy<zzz，其中，“<”为字段间隔符号，则可根据该字段间隔符号的位置将所述资源推荐请求划分为三个请求字段，并按照从前向后的顺序将三个请求字段进行编号，得到1号请求字段xxx，2号请求字段yyyy，3号请求字段zzz；选取预设的2号请求字段，对2号请求字段进行解析，得到请求标识。

本发明其他实施例中，还可通过具有请求标识提取功能的计算机语句(如java语句，python语句等)从资源推荐请求中提取访问标识。

s2、判断所述访问标识的类型，当所述访问标识为第一标识时，执行下述的s3，或者当所述访问标识为第二标识时，执行下述的s4。

s3、确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储。

本发明实施例中，所述第一标识用于标记所述资源推荐请求为首次请求，若所述访问表述与所述第一标识相同，则确定所述资源推荐请求为首次请求，需按照第一策略生成资源推荐列表，以利用该资源推荐列表对所述用户进行资源推荐。

详细地，所述第一策略为智能推荐策略，即通过获取用户数据，对用户数据进行分析，以根据分析结果对用户实现针对性的资源推荐。

本发明实施例中，参图2所示，所述按照第一策略生成资源推荐列表对所述用户进行资源推荐，包括：

s21、获取所述用户的用户数据，根据所述用户数据生成所述用户的用户画像；

s22、获取多个待推荐资源，分别将所述多个待推荐资源与所述用户画像进行匹配分析，得到每个待推荐资源与所述用户画像的匹配度；

s23、选取匹配度大于预设匹配度阈值的待推荐资源，并按照所述匹配度从大到小的顺序将选取的待推荐资源进行排序生成资源推荐列表；

s24、根据资源推荐列表对所述用户进行资源推荐。

详细地，所述用户数据包括但不限于用户的年龄、性别、职业及兴趣爱好，且获取的所述用户数据可以为多种形式(如视频、图像和文本等)，以便于生成更加精确的用户画像。

本发明实施例可通过预先训练的智能模型对所述用户数据进行分析，以生成所述用户数据的用户画像，所述智能模型包括但不限于ocr(opticalcharacterrecognition,光学字符识别)模型、nlp模型(naturallanguageprocessing，自然语言处理)模型、asr(automaticspeechrecognition，自动语音识别)模型等。

本发明其中一个实施例中，参图3所示，所述根据所述用户数据生成所述用户的用户画像，包括：

s31、对所述用户数据进行文本转化，得到文本数据；

s32、对所述文本数据进行分词处理，得到文本分词；

s33、对所述文本分词进行词向量转化，得到文本词向量；

s34、利用预先训练的特征提取算法对所述文本词向量进行特征提取，得到特征词向量；

s35、根据所述特征词向量生成所述用户的用户画像。

例如，所述用户数据中包含图像数据与视频数据，可利用ocr模型对用户数据中的图像数据进行处理，以实现将图像数据转化为文本数据；利用asr模型和ocr模型的结合，对用户数据中的视频数据进行处理，以实现将视频数据转化为文本数据。

本实施例可利用预先构建的标准词典对所述文本数据进行分词处理，所述标准词典中包含多个标准分词。例如，将所述文本数据按照不同的长度进行划分，并将划分结果在所述标准词典中进行检索，若可检索到与划分结果相同的标准分词，则确定该标准分词为所述文本数据的文本分词。

本发明其中一个实施例中，所述对所述文本数据进行分词处理，得到文本分词，包括：

获取预先构建的标准词典，其中，所述标准词典中包含多个标准分词；

将所述文本数据按照预设的第一长度进行文本划分，得到检索词；

将所述检索词在所述标准词典中进行检索，当从所述标准词典中检索到与所述检索词相同的标准分词时，确定所述检索词为所述文本数据的文本分词，并返回文本划分的步骤按照预设的第二长度进行文本划分，直至所述文本划分的次数达到预设次数，得到所述文本数据对应的文本分词。

例如，分别将文本数据按照不同的预设的长度进行划分，并将每次文本划分得到的检索词在所述词典中进行检索，以获取文本分词，直至文本划分的次数达到预设的次数，以实现对文本数据的分词。

本实施例中，按照不同的长度对文本数据进行划分、检索的方式实现对文本数据的分词，无需对文本数据的内容进行分析，有利于提高对文本数据进行分词的效率。

本实施例中，可利用预设的word2vec模型将所述文本分词转化为文本词向量。

进一步地，所述特征提取算法包括但不限于贝叶斯分类算法、逻辑回归算法、knn算法等，利用所述特征提取算法对文本词向量进行特征提取，得到特征词向量，并将所述特征词向量进行汇集，得到所述用户的用户画像。

本发明实施例中，所述多个待推荐资源为可选择的向用户进行推荐的资源，例如，时事政治、新闻资讯、娱乐信息等。

本发明实施例可利用预设的匹配算法分别将多个待推荐资源与用户画像进行匹配分析，得到每个待推荐资源与所述用户画像的匹配度，所述匹配算法包括欧式距离算法、余弦距离算法等。

本发明实施例通过预设的匹配算法分别计算每个待推荐资源与用户画像之间的匹配值，并按照所述匹配值从大到小的顺序生成资源推荐列表，以根据该资源推荐列表实现对用户的资源推荐。

例如，存在待推荐资源1、待推荐资源2、待推荐资源3和待推荐资源4，经过计算，可知待推荐资源1与所述用户画像的匹配值为80，待推荐资源2与所述用户画像的匹配值为94，待推荐资源3与所述用户画像的匹配值为75，待推荐资源4与所述用户画像的匹配值为83，则按照所述匹配值从大到小的顺序生成资源推荐列表：待推荐资源2、待推荐资源4、待推荐资源1、待推荐资源3；并根据所述资源推荐列表中待推荐资源的顺序对用户进行资源推荐。

进一步地，当生成所述资源推荐列表后，本发明实施例将所述资源推荐列表与所述用户进行关联存储。

例如，可通过在所述资源推荐列表中生成与用户id相关联的连接，当点击所述用户id时，可调用出与该用户id相关联的资源推荐列表，以实现将资源推荐列表与用户进行关联存储。

或者，还可将所述资源推荐列表存储于预先构建的数据库中，并以用户id对所述资源推荐列表进行命名，以实现将资源推荐列表与用户进行关联存储。

s4、确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征。

本发明实施例中，所述第二标识用于标记所述资源推荐请求为非首次请求，若所述访问表述与所述第二标识相同，则确定所述资源推荐请求为非首次请求，需获取预先存储的用户特征及目标降级特征。

详细地，所述用户特征为与用户相关的，可对用户进行分类的数据，例如，用户住址，用户年龄，用户性别等。

所述目标降级特征为需要进行降级推荐的用户特征，可预先设定。例如，预设先设定的目标降级特征为：住址为非北上广深的用户；则对用户特征中包含的用户住址为非北上广深的用户进行推荐降级。

具体地，所述降级推荐是指将精准的资源推荐降级为非精准的资源推荐。例如，将原本依照用户特征对每个用户分别进行精准的资源推荐，更换为按照预设模板对所有用户进行资源推荐。

本发明实施例可通过具有数据抓取功能的python语句从预设的区块链节点中抓取所述用户特征及所述目标降级特征，利用区块链对数据的高吞吐性，可提高从区块链中获取所述用户特征及所述目标降级特征的效率。

s5、判断所述用户特征是否在目标降级特征中，当所述用户特征不在目标降级特征中时，执行下述的s6，或者当所述用户特征在目标降级特征中时，执行下述的s7。

本发明实施例中，可通过检索方式判断所述用户特征是否在目标降级特征中。

详细地，所述判断所述用户特征是否在目标降级特征中，包括：

对所述目标降级特征中的各特征构建索引；

根据所述用户特征及所述索引在所述目标降级特征中进行检索，得到检索内容；

检测所述检索内容的长度，当所述检索内容的长度为零，确定所述用户特征不在所述目标降级特征内；

当所述检索内容的长度不为零，确定所述用户特征在所述目标降级特征内。

详细地，所述检索可以为由所述目标特征中任一特征构建的指针，通过该指正，可唯一检索到该特征。因此通过构建索引，可以唯一且快速地进行数据检索。

进一步地，本发明可利用具有字段检测功能的java语句检测所述检索内容的长度。例如，通过对检索内容执行预设的具有字段检测功能的java语句，以获取与该语句对应的返回值，当检索内容的长度不为零时，返回该检索内容的长度数据，当检索内容的长度为零时，返回null。

根据得到检索内容的长度判断所述用户特征是否在目标降级特征中，无需对检索得到的检索内容进行详细分析，有利于提高判断用户特征是否在目标降级特征中的效率。

s6、按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储。

本发明实施例中，若所述用户特征不在所述目标降级特征中，则可按照与步骤s3中相同的所述第一策略生成资源推荐列表，并利用生成的资源推荐列表对用户进行资源推荐，同时，按照如步骤s3中的方式将所述资源推荐列表与所述用户进行关联存储，在此不做赘述。

s7、调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

本发明实施例中，若所述用户特征在所述目标降级特征中，则确定该用户曾经被进行资源推荐，因此，可调用与所述用户关联存储的资源推荐列表，并通过调用处的资源推荐列表对所述用户进行资源推荐。

本发明其中一个实施例中，所述调用与所述用户关联存储的资源推荐列表对用户进行资源推荐，包括：

提取所述资源推荐请求中的用户id；

根据所述用户id生成资源推荐列表调用请求；

利用所述资源列表调用请求调用与所述用户关联存储的资源推荐列表；

利用所述资源推荐列表对所述用户进行资源推荐。

详细地，所述提取所述资源推荐请求中的用户id的步骤，与步骤s1中提取出所述资源推荐请求中的访问标识的步骤一致，在此不做赘述。

具体地，可利用预设的编译器根据所述用户id编译出资源源推荐列表调用请求，所述资源源推荐列表调用请求可实现对于所述用户id进行关联存储的资源推荐列表进行调用。

进一步地，所述利用所述资源推荐列表对所述用户进行资源推荐的步骤，与步骤s3中对所述用户进行资源推荐的步骤一致，在此不做赘述。

本发明实施例提取资源推荐请求中的访问标识，并对该访问标识进行判断，以确定资源推荐请求是否为首次请求，若为首次请求，按照第一策略生成用户的资源推荐列表以实现对用户的资源推荐，并存储资源推荐列表，实现了对首次请求的用户进行精细化的推荐；若该请求不是首次请求，则获取用户特征，对不在目标降级特征中的用户特征对应的用户生成用户的资源推荐列表，进行精细化的推荐，对在目标降级特征中的用户特征对应的用户，通过调用历史生成的资源推荐列表进行降级推荐，实现了针对不同用户群体进行区别性的资源推荐，避免了对所有用户进行无差别的推荐服务降级，进而在服务器无法正常提供推荐服务时，实现对资源推荐服务的智能降级，提高了服务器中计算资源的利用率。因此本发明提出的基于智能降级的资源推荐方法，可以解决对用户的推荐服务进行降级会造成计算资源空置的问题。

如图4所示，是本发明一实施例提供的基于智能降级的资源推荐装置的功能模块图。

本发明所述基于智能降级的资源推荐装置100可以安装于电子设备中。根据实现的功能，所述基于智能降级的资源推荐装置100可以包括标识提取模块101、第一推荐模块102、数据获取模块103、降级判断模块104、第二推荐模块105及第三推荐模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述标识提取模块101，用于获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识；

所述第一推荐模块102，用于在判断所述访问标识为第一标识时，确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

所述数据获取模块103，用于在判断所述访问标识为第二标识时，确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征；

所述降级判断模块104，用于判断所述用户特征是否在目标降级特征中；

所述第二推荐模块105，用于在所述用户特征不在所述目标降级特征中时，按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

所述第三推荐模块106，用于在所述用户特征在所述目标降级特征中时，调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

详细地，本发明实施例中所述基于智能降级的资源推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于智能降级的资源推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于智能降级的资源推荐方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于智能降级的资源推荐程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于智能降级的资源推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于智能降级的资源推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于智能降级的资源推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识；

若所述访问标识为第一标识，确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述访问标识为第二标识，确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征；

判断所述用户特征是否在目标降级特征中；

若所述用户特征不在所述目标降级特征中，按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述用户特征在所述目标降级特征中，调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至3对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取用户的资源推荐请求，提取出所述资源推荐请求中的访问标识；

若所述访问标识为第一标识，确定所述资源推荐请求为首次请求，按照第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述访问标识为第二标识，确定所述资源推荐请求为非首次请求，获取预先存储的用户特征及目标降级特征；

判断所述用户特征是否在目标降级特征中；

若所述用户特征不在所述目标降级特征中，按照所述第一策略生成资源推荐列表对所述用户进行资源推荐，并将所述资源推荐列表与所述用户进行关联存储；

若所述用户特征在所述目标降级特征中，调用与所述用户关联存储的资源推荐列表对用户进行资源推荐。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。

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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。