基于用户时长的用户推荐方法、装置、设备及介质与流程

1.本发明涉及群体画像技术领域，尤其涉及一种基于用户时长的用户推荐方法、装置、设备及介质。


背景技术：

2.目前，应用程序的使用越来越频繁，面向海量用户的访问是每秒上万的量级，每个用户的使用时长能够很好的反映出应用程序的使用率或者推广情况，对使用时长的用户所对应的用户类型进行推荐，能够更好地推广应用程序，提升应用程序的普及性，但是现有的技术，大部分是通过点击的起始时间点及退出时间点进行时长统计，然而有些用户会出现虚假使用的情况，每秒频繁点击，混淆起始时间点和退出时间点，造成频繁统计，且对于海量时长统计需要消耗很长的解读及处理时间，使得统计数据不准确和耗时的情况，就无法准确地和快速地确定出推荐的用户类型。


技术实现要素：

3.本发明提供一种基于用户时长的用户推荐方法、装置、设备及介质，实现了仅通过注册中心记录调用时长进行管理，提升服务运行速度，而且直接从镜像恢复服务，启动速度更快。
4.一种基于用户时长的用户推荐方法，包括：
5.获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据；
6.对所述解读数据进行实例去重，得到去重数据；
7.运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据；
8.对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据；
9.对所述日时长数据进行用户用时画像，得到用户推荐结果。
10.一种基于用户时长的用户推荐装置，包括：
11.获取模块，用于获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据；
12.去重模块，用于对所述解读数据进行实例去重，得到去重数据；
13.聚合模块，用于运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据；
14.升维模块，用于对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据；
15.画像模块，用于对所述日时长数据进行用户用时画像，得到用户推荐结果。
16.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述基于用户时长的用户推荐方法的步骤。
17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于用户时长的用户推荐方法的步骤。
18.本发明提供的基于用户时长的用户推荐方法、装置、设备及介质，该方法通过获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据；对所述解读数据进行实例去重，得到去重数据；运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据；对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据；对所述日时长数据进行用户用时画像，得到用户推荐结果，如此，实现了通过日志解读、实例去重得到解读数据，运用mapreduce方式和、分布式均衡策略以及粒度升维聚合处理，得到日时长数据，并通过用户用时画像得到用户推荐结果，因此，能够自动基于日志数据分析出日时长数据，自动画像出用时较长的用户类型，并基于该用户类型得到用户推荐结果，提高了用时准确性和精度，为后续作出针对性用户的相应措施，有效提高用户回报率。
附图说明
19.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的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。
20.图1是本发明一实施例中基于用户时长的用户推荐方法的应用环境示意图；
21.图2是本发明一实施例中基于用户时长的用户推荐方法的流程图；
22.图3是本发明一实施例中基于用户时长的用户推荐方法的步骤s10的流程图；
23.图4是本发明一实施例中基于用户时长的用户推荐方法的步骤s30的流程图；
24.图5是本发明一实施例中基于用户时长的用户推荐方法的步骤s50的流程图；
25.图6是本发明一实施例中基于用户时长的用户推荐装置的原理框图；
26.图7是本发明一实施例中计算机设备的示意图。
具体实施方式
27.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。
28.本发明提供的基于用户时长的用户推荐方法，可应用在如图1的应用环境中，其中，客户端(计算机设备或终端)通过网络与服务器进行通信。其中，客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
29.在一实施例中，如图2所示，提供一种基于用户时长的用户推荐方法，其技术方案主要包括以下步骤s10
‑
s60：
30.s10，获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据。
31.可理解地，所述待统计日志数据为需要统计用户时长以推荐用户类型的的日志数据，所述日志解读为对所述待统计日志数据进行用户标识识别、时间戳转换及始末时间识别，最终得到秒级用时的解读数据的过程，所述解读数据为每个客户端或者用户端访问或者通信所留下的有用的按照预设格式解读获得的用户记录。
32.在一实施例中，如图3所示，所述步骤s10中，即所述对所述待统计日志数据进行日志解读，得到解读数据，包括：
33.s101，对所述待统计日志数据进行秒级拆分，得到多个日志数据。
34.可理解地，所述秒级拆分为每一秒中的交互动作进行逐条响应拆分的过程，拆分出的逐条相应记录为所述日志数据。
35.s102，对各所述日志数据进行时间戳转换及始末时间识别，得到与各所述日志数据对应的访问时间戳、起始时间戳和结束时间戳。
36.可理解地，从所述日志数据中识别出访问时间，并按照埋点数据的协议规格识别出起始时间和结束时间，如果未识别出起始时间和结束时间，则将访问时间作为起始时间和结束时间，对所述访问时间、所述起始时间和所述结束时间分别进行时间戳格式的转换，得到所述访问时间戳、所述起始时间戳和所述结束时间戳。
37.s103，对各所述日志数据进行用户标识识别，得到与各所述日志数据对应的用户标识。
38.可理解地，所述用户标识识别为通过标识检测模型进行标识特征提取，并根据提取的标识特征进行识别出用户标识的识别过程，其中，所述用户标识可以为用户id信息，代表该用户和系统发生一次交互，也可以是ip或者电话等不同的标识信息，只要是唯一标识出用户即可。
39.其中，所述标识特征为与数字位数和ip规格相关的特征。
40.s104，根据与各所述日志数据对应的所述用户标识、所述访问时间戳、所述起始时间戳和所述结束时间戳，进行秒级用时生成，得到所述解读数据。
41.可理解地，建立所述用户标识、所述访问时间戳、所述起始时间戳和所述结束时间戳四个维度的基础上，再增加一个秒级时长的维度，以五个维度生成表格，其中，秒级时长的维度是根据起始时间戳和结束时间戳之间的差值获得，在所述起始时间戳和结束时间戳相同的情况下，将秒级时长的维度设置为1秒，进行初始化处理，将计算完秒级时长维度的数据之后得到的数据确定为所述解读数据。
42.本发明实现了通过对所述待统计日志数据进行秒级拆分，得到多个日志数据；对各所述日志数据进行时间戳转换及始末时间识别，得到与各所述日志数据对应的访问时间戳、起始时间戳和结束时间戳；对各所述日志数据进行用户标识识别，得到与各所述日志数据对应的用户标识；根据与各所述日志数据对应的所述用户标识、所述访问时间戳、所述起始时间戳和所述结束时间戳，进行秒级用时生成，得到所述解读数据，如此，实现了通过秒级拆分、时间戳转换、始末时间识别以及用户标识识别，能够自动解读待统计日志数据，获得有用的数据，并自动生成解读数据，无需人工识别及解读，节省了人工成本，提高了用时计算的效率。
43.s20，对所述解读数据进行实例去重，得到去重数据。
44.可理解地，所述实例去重的处理为以所述解读数据中的用户标识和访问时间戳作为唯一的实例，删除重复出现的实例的过程，避免重复统计相同的实例，从而得到所述去重数据，所述去重数据为无重复实例的所述解读数据的集合。
45.在一实施例中，所述步骤s20中，即所述对所述解读数据进行实例去重，得到去重数据，包括：
46.将所述解读数据中的用户标识和访问时间戳作为实例。
47.将相同的实例进行去重处理，得到所述去重数据。
48.s30，运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据。
49.可理解地，所述mapreduce方式为将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：map和reduce，采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片(split)，这些分片可以被多个map任务并行处理，再对map任务并行处理的结果进行排序、合并等操作最后得出汇总数据的过程，所述分钟聚合处理的过程为按照所述分布式均衡策略，对所述去重数据进行均衡分配，得到多个待聚合数据；对各所述待聚合数据进行map阶段的并行节点拆分，得到与各所述待聚合数据对应的节点数据；对与相同所述待聚合数据对应的所有所述节点数据进行reduce阶段的并行聚合处理，得到与各所述待聚合数据对应的聚合数据；对所有所述聚合数据进行分钟级合并，得到每分钟的所述分钟级时长数据的过程。
50.其中，所述分布式均衡策略为对大规模集群中各个节点服务器的性能进行负载均衡方式进行分配map任务的数量，性能的衡量方式为空闲的进程数及cpu的运行性能进行衡量。
51.在一实施例中，如图4所示，所述步骤s30中，即所述运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据，包括：
52.s301，按照所述分布式均衡策略，对所述去重数据进行均衡分配，得到多个待聚合数据。
53.可理解地，所述均衡分配为将所述去重数据进行分布式服务器或者计算机的不同进程的任务数及cpu的处理能力的空闲占比分配所述去重数据中的各条实例的数量的过程，所述待聚合数据为一个服务器或者计算机处理的map任务的集合。
54.s302，运用mapreduce方式，对各所述待聚合数据进行map阶段的并行节点拆分，得到与各所述待聚合数据对应的节点数据；其中，一个所述待聚合数据对应多个所述节点数据。
55.可理解地，所述并行节点拆分的处理过程为将所述待聚合数据进行map任务划分，分出多个并行的map任务的过程，其中，map任务为按照预设的map函数使用一个key和一个value作为参数，即对每条实例进行key
‑
value的划分出的任务。
56.其中，将所述待聚合数据中的各所述实例作为主键，即key；将所述待聚合数据中的各所述实例的秒级时长作为与该实例对应的所述主键关联的键值，即value；根据所述主键和与所述主键关联的键值，进行并行节点拆分，得到与所述主键对应的所述节点数据。
57.在一实施例中，所述步骤s302中，即所述运用mapreduce方式，对各所述待聚合数
据进行map阶段的并行节点拆分，得到与各所述待聚合数据对应的节点数据；其中，一个所述待聚合数据对应多个所述节点数据，包括：
58.将所述待聚合数据中的各所述实例作为主键。
59.可理解地，将各所述实例作为唯一的主键(key)。
60.将所述待聚合数据中的各所述实例的秒级时长作为与该实例对应的所述主键关联的键值。
61.可理解地，将各所述实例中的所述秒级时长作为该实例的键值(value)。
62.根据所述主键和与所述主键关联的键值，进行并行节点拆分，得到与所述主键对应的所述节点数据。
63.可理解地，将一个所述主键及与其关联的所述键值作为一个所述节点数据，从所述待聚合数据中拆分出可并行操作的所述节点数据。
64.本发明实现了通过将所述待聚合数据中的各所述实例作为主键；将所述待聚合数据中的各所述实例的秒级时长作为与该实例对应的所述主键关联的键值；根据所述主键和与所述主键关联的键值，进行并行节点拆分，得到与所述主键对应的所述节点数据，如此，能够运用mapreduce方式，自动从待聚合数据中拆分出节点数据，通过主键和键值的格式进行拆分，能够大大减少后续的数据处理量。
65.s303，对与相同所述待聚合数据对应的所有所述节点数据进行reduce阶段的并行聚合处理，得到与各所述待聚合数据对应的聚合数据。
66.可理解地，所述并行聚合处理为运用reduce函数使用一个key和一个value作为参数，其中value是一个数组，里面每一个元素是map函数输出的key的一个实例的value，其中value是所有相同key(此时的key为粒度升一级的分钟级的key)下的时长，也可认为是秒级的时长组成的数组，该reduce函数的处理过程为并行操作，最后将相同下的所述待聚合数据进行汇总，从而得到与该所述待聚合数据对应的所述聚合数据。
67.其中，将所有所述节点数据中的所述主键进行主键粒度变换，得到分钟节点数据；对与相同的所述待聚合数据对应的所有所述分钟节点数据进行排序，得到与该待聚合数据对应的排序数据；对所述排序数据进行相同主键的聚合处理，得到与所述待聚合数据对应的聚合数据。
68.在一实施例中，所述步骤s303中，即所述对与相同所述待聚合数据对应的所有所述节点数据进行reduce阶段的并行聚合处理，得到与各所述待聚合数据对应的聚合数据，包括：
69.将与相同的所述待聚合数据对应的所有所述节点数据中的所述主键进行主键粒度变换，得到与该待聚合数据对应的分钟节点数据。
70.可理解地，所述主键粒度变换为将主键的时间戳的粒度从秒级转换成分钟级的过程，也可以理解为将秒级的数据内容从主键中去除，保留分钟级作为最小单位的过程，将经过所述主键粒度变换的所述节点数据记录为所述分钟节点数据。
71.对与相同的所述待聚合数据对应的所有所述分钟节点数据进行排序，得到与该待聚合数据对应的排序数据。
72.可理解地，所述排序的方式可以降序方式也可以为升序方式，优选为升序方式，从而能将所有所述分钟节点数据中相同主键的数据排列在一起。
73.对与所述待聚合数据对应的所述排序数据进行相同主键的聚合处理，得到与所述待聚合数据对应的聚合数据。
74.可理解地，所述聚合处理为对所述排序数据中相同主键的键值进行累加或者求和的处理过程，即每出现一次与其相同的主键就在与其关联的键值上累加一，仅保留一个唯一的主键及键值，从而将所有主键进行聚合处理后得到与该待聚合数据对应的所述聚合数据。
75.本发明实现了通过将与相同的所述待聚合数据对应的所有所述节点数据中的所述主键进行主键粒度变换，得到与该待聚合数据对应的分钟节点数据；对与相同的所述待聚合数据对应的所有所述分钟节点数据进行排序，得到与该待聚合数据对应的排序数据；对与所述待聚合数据对应的所述排序数据进行相同主键的聚合处理，得到与所述待聚合数据对应的聚合数据，如此，能够进行主键粒度变换，快速地聚合得到聚合数据，提高了海量处理的处理效率，减少了计算机的处理操作。
76.s304，对所有所述聚合数据进行分钟级合并，得到每分钟的所述分钟级时长数据。
77.可理解地，将所有所述聚合数据进行合并，得到分钟级的分钟级时长数据，所述分钟级时长数据为每分钟不同用户的时长数据。
78.本发明实现了通过按照所述分布式均衡策略，对所述去重数据进行均衡分配，得到多个待聚合数据；运用mapreduce方式，对各所述待聚合数据进行map阶段的并行节点拆分，得到与各所述待聚合数据对应的节点数据；其中，一个所述待聚合数据对应多个所述节点数据；对与相同所述待聚合数据对应的所有所述节点数据进行reduce阶段的并行聚合处理，得到与各所述待聚合数据对应的聚合数据；对所有所述聚合数据进行分钟级合并，得到每分钟的所述分钟级时长数据，如此，能够运用均衡分配，以及mapreduce方式，自动进行并行节点拆分和并行聚合处理，获得分钟级时长数据，能够快速地从秒级统计出分钟级的时长数据，提高了时长统计的效率。
79.s40，对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据。
80.可理解地，对所有所述分钟级时长数据中的主键粒度变换后的主键进行粒度升维处理，得到各所述分钟级时长数据的粒度升维后的主键；对相同的粒度升维后的主键所对应的所述分钟级时长数据进行排序，得到各粒度升维后的主键所对应的待合并数据；将各所述待合并数据进行时长合并，其中，所述时长合并为将相同的主键的时长进行累加，得到所述日时长数据。
81.在一实施例中，所述步骤s40中，即所述对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据，包括：
82.对所有所述分钟级时长数据中的主键粒度变换后的主键进行粒度升维处理，得到各所述分钟级时长数据的粒度升维后的主键。
83.可理解地，所述粒度升维处理为按照粒度升维的等级，逐层从分钟级上升至半小时级，再上升至小时级，再上升至24小时级等升维过程，即时间粒度必须是上一次mapreduce过程key中时间戳时间粒度的整数倍，否则会造成交互时间重复计算，比如多次mapreduce过程时间粒度按分钟级提高到半小时级，再到六小时级，再到天级，这种提高就不会导致存在重复计算。
84.对相同的粒度升维后的主键所对应的所述分钟级时长数据进行排序，得到各粒度
升维后的主键所对应的待合并数据。
85.将各所述待合并数据进行时长合并，得到所述日时长数据。
86.可理解地，所述时长合并处理为将各个所述待合并数据进行一天内相同所述用户标识的时长合并操作，从而能够得到一天内各个所述用户标识汇合的所述日时长数据。
87.本发明实现了对所有所述分钟级时长数据中的主键粒度变换后的主键进行粒度升维处理，得到各所述分钟级时长数据的粒度升维后的主键；对相同的粒度升维后的主键所对应的所述分钟级时长数据进行排序，得到各粒度升维后的主键所对应的待合并数据；将各所述待合并数据进行时长合并，得到所述日时长数据，如此，通过逐层的粒度升维处理，能够准确地算出时长。
88.s50，对所述日时长数据进行用户用时画像，得到用户推荐结果。
89.可理解地，所述用户用时画像的处理方式为可以根据需求进行画像，比如，所述用户用时画像的处理方式可以为通过运用k
‑
means聚类的方式，对所述日时长数据进行各用户标识的聚类，得到多个聚类中心，从所有所述聚类中心中获取最长平均时长所对应的所述聚类中心，查询与获取的所述聚类中心中的所述用户标识对应的用户画像标签；对查询的所有所述用户画像标签进行筛选，从而作为所述用户推荐结果的处理方式，其中，所述预设个数可以根据需求设定，比如1个、3个或者5个等等；所述用户用时画像的处理方式还可以为对所述日时长数据进行时长过滤，过滤获得时长大于预设时长的待挖掘用户，对各所述待挖掘用户进行机器学习的特征工程学习，学习各所述待挖掘用户之间的共性特征，根据学习到的共性特征进行分类，得到具有共性特征的用户画像标签，将所有用户画像标签作为所述用户推荐结果的处理方式。
90.本发明实现了通过获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据；对所述解读数据进行实例去重，得到去重数据；运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据；对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据；对所述日时长数据进行用户用时画像，得到用户推荐结果，如此，实现了通过日志解读、实例去重得到解读数据，运用mapreduce方式和、分布式均衡策略以及粒度升维聚合处理，得到日时长数据，并通过用户用时画像得到用户推荐结果，因此，能够自动基于日志数据分析出日时长数据，自动画像出用时较长的用户类型，并基于该用户类型得到用户推荐结果，提高了用时准确性和精度，为后续作出针对性用户的相应措施，有效提高用户回报率。
91.在一实施例中，如图5所示，所述步骤s50中，即所述对所述日时长数据进行用户用时画像，得到用户推荐结果，包括：
92.s501，对所述日时长数据进行各用户标识的k
‑
means聚类处理，得到多个聚类中心。
93.可理解地，所述k
‑
means聚类处理的过程为将所述日时长数据按照日
‑
时长的二维坐标系中标识出各个用户标识，以逐日的具有时长的各用户标识作为k
‑
means算法的输入，从而聚类获得k个所述聚类中心，所述聚类中心表明了该簇中的中心，该聚类中心会统计出该簇中所有时长的均值。
94.其中，所述k
‑
means算法为对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇。
95.s502，从所有所述聚类中心中获取最长平均时长所对应的所述聚类中心。
96.可理解地，所述获取最长平均时长所对应的所述聚类中心的过程为对所有所述聚类中心所对应的均值进行降序排序，获取降序排序后序列第一的所述聚类中心的过程。
97.s503，查询与获取的所述聚类中心中的所述用户标识对应的用户画像标签。
98.可理解地，对获取降序排序后序列第一的所述聚类中心中的所有所述用户标识进行去重，并查询去重后的所述用户标识所对应的用户画像标签，一个所述用户标识对应若干个所述用户画像标签，所述用户画像标签为通过预设的用户画像模型对用户标识所关联的基础信息和行为轨迹进行识别获得的的群体分类标签，所述用户画像标签能够体现与其对应的所述用户标识具有该群体体现的共性的行为或者类型，所述预设的用户画像模型可以根据需求设定，比如该用户画像模型为通过学习基础信息和行为轨迹中包含的结构化数据和非结构化数据相互结合的特征，并训练完成获得的深度学习的神经网络模型。
99.s504，对查询的所有所述用户画像标签进行汇总降序排序，将排序后序列靠前的预设个数所对应的用户画像标签作为所述用户推荐结果。
100.可理解地，对查询到的所有所述用户画像标签进行汇总并按照降序方式进行排序，将排序后序列靠前的预设个数所对应的用户画像标签作为所述用户推荐结果，其中，所述预设个数可以根据需求设定，比如预设个数为3、4、5等等。
101.本发明实现了通过对所述日时长数据进行各用户标识的k
‑
means聚类处理，得到多个聚类中心；从所有所述聚类中心中获取最长平均时长所对应的所述聚类中心；查询与获取的所述聚类中心中的所述用户标识对应的用户画像标签；对查询的所有所述用户画像标签进行汇总降序排序，将排序后序列靠前的预设个数所对应的用户画像标签作为所述用户推荐结果，如此，能够准确地、快速地从日时长数据中自动找出需要推荐的用户标签，从而可以将找出的用户标签所关联的用户进行后续的推荐操作，提高了推荐准确性和正确性。
102.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
103.在一实施例中，提供一种基于用户时长的用户推荐装置，该基于用户时长的用户推荐装置与上述实施例中基于用户时长的用户推荐方法一一对应。如图6所示，该基于用户时长的用户推荐装置包括获取模块11、去重模块12、聚合模块13、升维模块14和画像模块15。各功能模块详细说明如下：
104.获取模块11，用于获取待统计日志数据，并对所述待统计日志数据进行日志解读，得到解读数据；
105.去重模块12，用于对所述解读数据进行实例去重，得到去重数据；
106.聚合模块13，用于运用mapreduce方式，通过分布式均衡策略对所述去重数据进行并行分钟聚合处理，得到多个分钟级时长数据；
107.升维模块14，用于对所有所述分钟级时长数据进行粒度升维聚合处理，得到日时长数据；
108.画像模块15，用于对所述日时长数据进行用户用时画像，得到用户推荐结果。
109.关于基于用户时长的用户推荐装置的具体限定可以参见上文中对于基于用户时
长的用户推荐方法的限定，在此不再赘述。上述基于用户时长的用户推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
110.在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于用户时长的用户推荐方法。
111.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于用户时长的用户推荐方法。
112.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于用户时长的用户推荐方法。
113.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
114.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
115.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。