资源目录推荐方法、装置、可读存储介质及电子设备与流程

1.本发明涉及信息处理技术领域，特别是涉及一种资源目录推荐方法、装置、可读存储介质及电子设备。


背景技术：

2.资源目录平台是单位用户有效检索和使用部门间共享数据的一体化平台，用户可以通过订阅、收藏、评论、点赞等手段对资源目录质量情况进行反馈，因此智能化，个性化推荐用户感兴趣的资源目录有利于提高用户使用平台的友好性和黏性，有效的挖掘和利用资源目录间关联关系，提高平台的数据应用价值。目前的资源目录推荐的手段主要采取简单的热度推荐和规则筛选推荐，基于用户行为指标设计不同权重汇总获取热度值，为用户提供高热度值的资源目录，同时依据人工经验设置规则筛选推荐资源目录。
3.基于用户行为热度值和规则筛选推荐主要缺点为：1、热度值的指标权重以及规则筛选推荐具有较强的主观性，随着推荐方案的使用，热度值计算方式可能造成热门的越热门，冷门的越冷门情况，而规则筛选则需要不断的维护更新才能满足用户需求的变化。
4.2、热度值推荐和规则筛选推荐并不能很好的体现用户的个性化推荐，无法挖掘用户潜在的关注资源和关联资源，无法有效的利用整体用户的行为习惯来进行资源的推荐。
5.3、热度值推荐和规则筛选推荐的效果无法依据用户的使用情况对推荐服务进行自我迭代，自我更新。


技术实现要素：

6.鉴于上述状况，有必要针对现有技术中资源目录推荐效率低和无法满足用户需求的问题，提供一种资源目录推荐方法、装置、可读存储介质及电子设备。
7.一种资源目录推荐方法，包括：获取当前用户的资源目录使用数据，所述资源目录使用数据包括进行至少一种预设行为的资源目录，所述预设行为包括收藏、订阅、点赞和观看；利用至少两种类型的推荐算法分别对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以分别得到对应的资源目录集合，所述资源目录集合包括至少一个资源目录；根据各个所述资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算；将加权计算后热度值最大的预设数量个所述资源目录推荐给所述当前用户。
8.进一步的，上述资源目录推荐方法，其中，所述推荐算法的类型包括：基于热度类型、基于内容类型、基于用户协同过滤类型和基于最新资源目录类型，其中，利用基于热度类型的推荐算法对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到对应的资源目录集合，包括：
根据当前用户以及平台中各个其他用户的资源目录使用数据，确定最受用户关注的预设数量个资源目录类型；查找最受用户关注的各个所述资源目录类型所属的所有资源目录，并从中提取热度值最大的预设数量个资源目录，以生成资源目录集合；利用基于内容类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到对应的资源目录集合，包括：根据当前用户的资源目录使用数据在平台中查找与之相似度最高的预设数量个资源目录，并根据查找到的资源目录生成资源目录集合；利用基于用户协同过滤类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到对应的资源目录集合，包括：根据当前用户的资源目录使用数据和平台中各个其他用户的资源目录使用数据，确定所述当前用户对所述平台中各个资源目录的兴趣程度，并根据兴趣程度最大的预设数量个资源目录生成资源目录集合；利用基于最新资源目录类型的推荐算法对所述资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到对应的资源目录集合，包括：获取所述平台中最新的预设数量个资源目录，并根据所述最新的预设数量个资源目录生成推荐列表。
9.进一步的，上述资源目录推荐方法，其中，所述根据当前用户以及平台中各个其他用户的资源目录使用数据，确定最受用户关注的预设数量个资源目录类型的步骤包括：将所述当前用户以及平台中各个其他用户的资源目录使用数据中的所有资源目录按照资源目录类型进行数量统计，选取统计数量最多的预设数量个资源目录类型作为用户最为关注的资源目录类型。
10.进一步的，上述资源目录推荐方法，其中，所述根据当前用户的资源目录使用数据在平台中查找与之相似度最高的预设数量个资源目录的步骤包括：将所述当前用户的资源目录使用数据中的各个资源目录的聚类标签转换为对应的标签向量，得到第一标签向量数据；根据所述第一标签向量数据中的标签向量与平台中各个资源目录对应的标签向量进行相似度计算，并确定相似度计算值最大的预设数量个资源目录作为根据当前用户的资源目录使用数据相似度最高的预设数量个资源目录。
11.进一步的，上述资源目录推荐方法，其中，所述根据当前用户的资源目录使用数据和平台中各个其他用户的资源目录使用数据，确定所述当前用户对所述平台中各个资源目录的兴趣程度的步骤包括：将所述当前用户的资源目录使用数据中的各个资源目录的聚类标签转换为对应的标签向量，得到第一标签向量数据；分别将平台中各个其他用户的资源目录使用数据中的各个资源目录的聚类标签转换为对应的标签向量，得到每个所述其他用户对应的第二标签向量数据；将所述第一标签向量数据分别与各个所述其他用户对应的第二标签向量数据进行相似度计算，以分别得到所述当前用户与各个所述其他用户的兴趣相似度；选择所述兴趣相似度最大的预设数量个所述其他用户作为与所述当前用户兴趣
最相近的目标用户；根据所述当前用户与所述目标用户的兴趣相似度以及所述目标用户的资源目录使用数据中的各个资源目录的兴趣值，计算所述当前用户对所述平台中的各个资源目录的兴趣程度。
12.进一步的，上述资源目录推荐方法，其中，计算所述当前用户对所述平台中的各个资源目录的兴趣程度的公式为：，其中，，表示当前用户的资源目录使用数据中的资源目录，为其他用户的资源目录使用数据，为与当前用户兴趣最接近的k个其他用户的集合，是对资源目录i有所述预设行为的用户集合，表示当前用户和其他用户的兴趣相似度，代表其他用户对资源目录i的兴趣值。
13.进一步的，上述资源目录推荐方法，其中，所述根据各个所述资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算的步骤之前还包括：定期收集各个类型的推荐算法推荐的资源目录的效果反馈数据，所述效果反馈数据包括推荐的资源目录的总次数，和用户点击被推荐的资源目录的次数；根据各个类型的推荐算法对应的效果反馈数据计算各个类型推荐算法的推荐效果值，并根据各个推荐算法的效果值计算各个类型的推荐算法的权重。
14.本发明还公开了一种资源目录推荐装置，包括：获取模块，用于获取当前用户的资源目录使用数据，所述资源目录使用数据包括进行至少一种预设行为的资源目录，所述预设行为包括收藏、订阅、点赞和观看；分析模块，用于利用至少两种类型的推荐算法分别对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以分别得到对应的资源目录集合，所述资源目录集合包括至少一个资源目录；热点计算模块，用于根据各个所述资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算；推荐模块，用于将加权计算后热度值最大的预设数量个所述资源目录推荐给所述当前用户。
15.进一步的，上述资源目录推荐装置，还包括：收集模块，用于定期收集各个类型的推荐算法推荐的资源目录的效果反馈数据，所述效果反馈数据包括推荐的资源目录的总次数，和用户点击被推荐的资源目录的次数；权重计算模块，用于根据各个类型的推荐算法对应的效果反馈数据计算各个类型推荐算法的推荐效果值，并根据各个推荐算法的效果值计算各个类型的推荐算法的权重。
16.本发明还公开了一种可读存储介质，其上存储有计算机程序，该程序被处理器执
行时实现上述任一项所述的资源目录推荐方法。
17.本发明还公开了一种电子设备，包括存储器、处理器以及存储在所述存储器上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任一项所述的资源目录推荐方法。
18.本发明有效的整合用户需求的热度推荐和个性化推荐需求，关注和挖掘资源目录本身的特征属性，利用两种以上的资源推荐方法确定资源目录，并根据资源推荐方法的权重对确定的资源目录的热度值进行加权，根据加权后的资源目录的热度值确定最终的推荐结果，真正的实现智能化，个性化的资源目录推荐，挖掘资源目录的潜在内在关联价值和用户使用行为智慧，提高资源目录推荐效率以及结合用户的行为数据推荐符合用户需求的资源目录。
附图说明
19.图1为本发明第一实施例提供的资源目录推荐方法的流程图；图2为本发明第二实施例提供的资源目录推荐方法的流程图；图3为本发明第三实施例提供的资源目录推荐装置的结构框图；图4为本发明实施例中电子设备的结构示意图。
具体实施方式
20.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
21.参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
22.请参阅图1，为本发明第一实施例中的资源目录推荐方法，包括步骤s11~s14。
23.步骤s11，获取当前用户的资源目录使用数据。所述资源目录使用数据包括进行至少一种预设行为的资源目录，所述预设行为包括收藏、订阅、点赞和观看。
24.本实施例主要用于资源目录平台中，该资源目录平台可以为服务器或服务器集群。用户通过该平台可与进行资源目录搜索，并通过订阅、收藏、点赞等手段对资源目录质量情况进行反馈。用户进行订阅、收藏、点赞的各个资源目录即作为该用户的资源目录使用数据。
25.该平台对当前用户进行资源目录推荐时，获取该当前用户的资源目录使用数据，并结合多种推荐算法智能化为各个用户推荐用户感兴趣的资源目录。
26.步骤s12，利用至少两种类型的推荐算法分别对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以分别得到对应的资源目录集合，所述资源目录集合包括至少一个资源目录。
27.本实施例利用至少两种推荐算法来进行资源目录推荐，并分别得到对应推荐资的资源目录集合，该推荐算法推荐的资源目录集合至少包括一个资源目录。具体实施时，可以
从如下四种类型的推荐算法中选择至少两种，即基于热度类型、基于内容类型、基于用户协同过滤类型和基于最新资源目录类型。
28.其中，基于热度类型的推荐算法即根据平台中各个资源目录的热度值来推荐用户感兴趣的资源目录。该资源目录的热度值是平台根据所有用户的行为自动统计的数据，例如，可以根据目录资源的订阅数，收藏数，点赞数，周期内查看数等指标以及各指标对应的权重，进行数据汇总后得到各个资源目录的热度值。
29.基于内容类型的推荐算法的主要核心思想是查找和构建资源间的相似度，基于用户已订阅、收藏和点赞等行为的资源目录，为用户推荐与之最为相似的资源目录。
30.基于用户协同过滤类型的推荐算法，是基于所有用户的行为数据利用集体智慧进行推荐规则的构建，是基于邻域的算法。该算法的核心思想是查找当前用户具有相似兴趣的其他用户，然后将查找到的其他用户的所有资源目录使用数据中该当前用户未进行预设行为的资源目录推荐给当前用户。
31.基于最新资源目录类型的算法，即推荐预设数量个最新新上线的资源给到当前用户。
32.步骤s13，根据各个所述资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算。
33.步骤s14，将加权计算后热度值最大的预设数量个所述资源目录推荐给所述当前用户。
34.每种推荐算法都设置有对应的权重，该权重可以为平台管理员根据经验预设的值，也可以是平台根据每种推荐算法受到用户的欢迎程度自适应计算得到的值。
35.每种推荐算法进行资源推荐后，可以得到对应的一个资源目录集合，每个资源目集合中的各个资源目录都设置有对应的热度值，该热度值可以从平台中直接获取。根据各个资源目录集合对应类型推荐算法的权重对各个资源目录集合中各个资源目录的热度值进行加权计算，得到各个资源目录的新的热度值，根据新的热度值从大至小排序，挑选排序靠前的预设数量个资源目录推荐给该当前用户。推荐给用户的资源目录的数量（该预设数量）为平台系统中预设设定的值，例如每次推荐10个资源目录给用户。
36.本实施例有效的整合用户需求的热度推荐和个性化推荐需求，关注和挖掘资源目录本身的特征属性，利用两种以上的资源推荐方法确定资源目录，并根据资源推荐方法的权重对确定的资源目录的热度值进行加权，根据加权后的资源目录的热度值确定最终的推荐结果，真正的实现智能化，个性化的资源目录推荐，挖掘资源目录的潜在内在关联价值和用户使用行为智慧，提高资源目录推荐效率以及结合用户的行为数据推荐符合用户需求的资源目录。
37.请参阅图2，为本发明第二实施例中的资源目录推荐方法，包括步骤s21~s27。
38.步骤s21，获取当前用户的资源目录使用数据。其中，所述资源目录使用数据包括进行至少一种预设行为的资源目录，所述预设行为包括收藏、订阅、点赞和观看。
39.本实施例主要用于资源目录平台中，平台中记录了各个用户对资源目录的行为操作，以及存储有各个资源目录的资源信息。该行为操作例如为收藏、订阅、点赞和观看等。平台根据记录的各个用户对资源目录的收藏、订阅、点赞和观看的行为操作来得到各个用户的资源目录使用数据。资源目录的资源信息包括热度值，聚类标签和兴趣值。其中，该资源
目录的热度值可根据目录资源的订阅数，收藏数，点赞数，周期内查看数等指标以及各指标的权重来计算，并且平台可以定期进行更新。该聚类标签为平台中根据资源目录的内容进行聚类分析后得到的标签，该聚类标签例如为人物、社会、生活等。该兴趣值可以根据用户订阅、收藏或阅读数据计算得到的值。
40.步骤s22，利用基于热度类型的推荐算法对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第一资源目录集合。
41.具体的，利用基于热度类型的推荐算法对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第一资源目录集合，包括：根据当前用户以及平台中各个其他用户的资源目录使用数据，确定最受用户关注的预设数量个资源目录类型；查找最受用户关注的各个所述资源目录类型所属的所有资源目录，并从中提取热度值最大的预设数量个资源目录，以生成第一资源目录集合。
42.其中，所述根据当前用户以及平台中各个其他用户的资源目录使用数据，确定最受用户关注的预设数量个资源目录类型的步骤包括：将所述当前用户以及平台中各个其他用户的资源目录使用数据中的所有资源目录按照资源目录类型进行数量统计，选取统计数量最多的预设数量个资源目录类型作为用户最为关注的资源目录类型。
43.具体实施时，平台根据各个用户（包括当前用户和其他用户）已收藏和订阅资源按照资源目标类型进行分类统计数量，选取topn个分类构建每个用户的关注分类列表。最后提取各个用户关注分类列表中归属于分类的所有资源目录，并依据热度值降序排列，从而获取资源目录清单。从该资源目录清单中提取热度值靠前的预设数量个资源目录，以生成第一资源目录集合。可以理解的，该第一资源目录集合中资源目录的数量（即该预设数量）根据实际情况进行设置，例如设置为10或15。
44.步骤s23，利用基于内容类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第二资源目录集合。
45.具体的，利用基于内容类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第二资源目录集合，包括：根据当前用户的资源目录使用数据在平台中查找与之相似度最高的预设数量个资源目录，并根据查找到的资源目录生成第二资源目录集合。
46.其中，所述根据当前用户的资源目录使用数据在平台中查找与之相似度最高的预设数量个资源目录的步骤包括：将所述当前用户的资源目录使用数据中的各个资源目录的聚类标签转换为对应的标签向量，得到第一标签向量数据；根据所述第一标签向量数据中的标签向量与平台中各个资源目录对应的标签向量进行相似度计算，并确定相似度计算值最大的预设数量个资源目录作为根据当前用户的资源目录使用数据相似度最高的预设数量个资源目录。
47.基于内容类型的推荐算法的主要核心思想是查找和构建资源目录间的相似度，基于当前用户已进行预设行为（如收藏，点赞）的资源目录为其推荐最为相似的资源目录，从而相比简单的热度值排序而采用余弦相似度算法计算用户资源目录和感兴趣领域的
相似度。首先是获取各类资源的分类和聚类标签向量，其次聚合计算当前用户进行预设行为的资源目录的标签向量，再而使用余弦相似度算法计算当前用户已进行预设行为的资源目录的标签向量与平台中各个资源目录的相似度，最后取相似度最高的topn个资源目录，以形成第二资源目录集合，其中，公式中ai和bi分别为第一标签向量数据中的标签向量和平台中的资源目录的标签向量。
48.可以理解的，在本发明的其他实施例中，当前用户进行了预设行为（如订阅、点赞、收藏）的资源目录默认为自动推荐，而本发明中的资源目录推荐方法仅推荐当前用户未进行该预设行为的资源目录，利用各个推荐算法进行计算时，仅对当前用户未进行该预设行为的资源目录进行相关计算。例如，基于内容类型的推荐算法中，进行相似度计算时，可以仅计算当前用户的资源目录使用数据中的各资源目录的标签向量与平台中各个其他资源目录的相似度，该其他资源目录即不属于该当前用户的资源目录使用数据中的各资源目录，即得到的第二资源目录集合中不包含该当前用户已进行了预设行为的资源目录。
49.步骤s24，利用基于用户协同过滤类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第三资源目录集合。
50.具体的，利用基于用户协同过滤类型的推荐算法对所述当前用户的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到对应的资源目录集合，包括：根据当前用户的资源目录使用数据和平台中各个其他用户的资源目录使用数据，确定所述当前用户对所述平台中各个资源目录的兴趣程度，并根据兴趣程度最大的预设数量个资源目录使用数据生成第三资源目录集合。
51.其中，所述根据当前用户的资源目录使用数据和平台中各个其他用户的资源目录使用数据，确定所述当前用户对所述平台中各个资源目录的兴趣程度的步骤包括：分别将平台中各个其他用户的资源目录使用数据中的各个资源目录的聚类标签转换为对应的标签向量，得到每个所述其他用户对应的第二标签向量数据；将所述第一标签向量数据分别与各个所述其他用户对应的第二标签向量数据进行相似度计算，以分别得到所述当前用户与各个所述其他用户的兴趣相似度；选择所述兴趣相似度最大的预设数量个所述其他用户作为与所述当前用户兴趣最相近的目标用户；根据所述当前用户与所述目标用户的兴趣相似度以及所述目标用户的资源目录使用数据中的各个资源目录的兴趣值，计算所述当前用户对所述平台中的各个资源目录的兴趣程度。
52.计算该当前用户对所述平台中的各个资源目录的兴趣程度的公式为：，其中，
，表示当前用户的第一标签向量数据，为其他用户的第二标签向量数据，为与当前用户兴趣最接近的k个其他用户的集合，是对资源目录i有所述预设行为的用户集合，表示当前用户和其他用户的兴趣相似度，代表其他用户对资源目录i的兴趣值。
53.基于用户协同过滤类型的推荐算法是基于所有用户的行为数据利用集体智慧进行推荐规则的构建，是基于邻域的算法。算法的核心思想是查找当前用户具有相似兴趣的其他用户集合，然后将查找到的用户集合中当前用户未进行预设行为的资源目录推荐给当前用户。主要包括如下两个步骤。
54.第一步，利用当前用户与其他用户的行为的相似度计算兴趣的相似度。给定平台用户和用户，其中表示用户曾经有过预设行为（订阅、收藏等）的资源目录，而为用户订阅和收藏的资源目录。那么，通过余项公式简单地计算和的兴趣相似度。
55.第二步，得到用户之间的兴趣相似度后，算法会给用户推荐和他兴趣最相似的k个用户喜欢的资源目录。基于公式度量了算法中用户对资源目录i的感兴趣程度：其中，为包含和用户兴趣最接近的k个用户，是对资源目录i有预设行为的用户集合，表示用户和用户的兴趣相似度，代表用户对资源目录i的兴趣值，可以根据用户订阅收藏阅读情况设置不同的兴趣值，设置不同的。从而根据计算得到的兴趣程度的值的取topn个资源目录，以形成第三资源目录集合。
56.步骤s25，利用基于最新资源目录类型的推荐算法对所述资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以得到第四资源目录集合。
57.新上线的资源往往涉及冷启动的问题，其用户相关的行为较少，无相关的订阅量和收藏量，因此进行固定规则推荐。即固定给出n个最新资源，作为第四资源目录集合。
58.步骤s26，根据各个资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算。
59.步骤s27，将加权计算后热度值最大的预设数量个所述资源目录推荐给所述当前用户。
60.需要说明的是，各个类型的推荐算法的权重预先根据用户反馈的效果反馈数据计算得到，包括如下步骤：
定期收集各个类型的推荐算法推荐的资源目录的效果反馈数据，所述效果反馈数据包括推荐的资源目录的总次数，和用户点击被推荐的资源目录的次数；根据各个类型的推荐算法对应的效果反馈数据计算各个类型推荐算法的推荐效果值，并根据各个推荐算法的效果值计算各个类型的推荐算法的权重。
61.本实施例采用加权汇总法，对于各个不同类型的推荐算法设置不同的权重，再对每个资源的热门值和权重对各个推荐算法的推荐结果进行加权汇总获取最终的推荐值结果。
62.而各中推荐算法的权重依据推荐效果反馈动态变化，对于权重的设置进行一定周期的变动，权重的高低则根据推荐的效果进行变化，因此要求系统定期收集用户对推荐资源的效果反馈数据，计算不同算法的推荐效果值，该效果值计算公式为：用户点击推荐资源的次数/资源被推荐的次数，根据各个推荐算法的效果值确认不同方案的权重值。例如基于热度类型的推荐算法的效果值为0.25，基于内容类型的推荐算法的效果值为0.6，基于用户协同过滤类型的推荐算法的效果值为0.45，基于最新资源目录类型的推荐算法的效果值为0.3，则计算出基于热度类型的推荐算法的权重为0.25/(0.25+0.6+0.46+0.3)，为0.155，其他类型的推荐算法计算过程类似，此处不如赘述。
63.根据各个类型推荐算法的权重对各个资源目录集合中各个资源目录的热度值进行加权计算，得到各个资源目录新的热度值，将各个资源目录集合中的所有资源目录按照新的热度值进行降序排序，并选取top n个资源目录推荐给当前用户。
64.本实施例的主要思路是依据不同规则和算法等推荐引擎获取用户多个资源目录推荐集合，采用动态加权法融合策略确认最终推荐的资源目录。推荐引擎主要包含有四种，基于热度类型、基于内容类型、基于用户协同过滤类型和基于最新资源目录类型等。首先可通过聚类，文本挖掘等方式给资源目录打上相关属性的标签，其次结合用户对于资源目录的订阅、参看、收藏、点赞等行为，构建获取用户和资源目录的相关特征，再而使用基于热度类型、基于内容类型、基于用户协同过滤类型和基于最新资源目录类型的推荐引擎获取用户对资源目录的偏好程度，最后基于一定周期内用户对于不同推荐引擎的的成效结果高低进行动态权重分配，对多种推荐引擎算法进行加权汇总得到每个用户的资源目录推荐清单，从而为平台用户提供个性化和智能化的资源目录推荐服务。本发明的优势主要体现在以下方面：1、采用聚类，文本挖掘等算法实现一定程度的资源自动标签化作业，有效丰富资源目录的特征和多样性。
65.2、采用多种推荐引擎算法，主要使用用户的历史行为数据，构建用户与资源目录间的知识图谱，更加个性化和智能化的给用户提供资源目录推荐服务。
66.3、动态加权法依据用户对现有多种推荐引擎的效果反馈，能够不断的更新和迭代推荐结果，感知用户的偏好实现自我学习迭代。
67.请参阅图3，为本发明第三实施例中的资源目录推荐装置，包括：获取模块31，用于获取当前用户的资源目录使用数据，所述资源目录使用数据包括进行至少一种预设行为的资源目录，所述预设行为包括收藏、订阅、点赞和观看；分析模块32，用于利用至少两种类型的推荐算法分别对获取到的资源目录使用数据进行分析，并根据分析结果进行资源目录推荐，以分别得到对应的资源目录集合，所述资
源目录集合包括至少一个资源目录；热点计算模块33，用于根据各个所述资源目录集合对应类型推荐算法的权重对各个所述资源目录集合中各个资源目录的热度值进行加权计算；推荐模块34，用于将加权计算后热度值最大的预设数量个所述资源目录推荐给所述当前用户。
68.进一步的，上述资源目录推荐装置，还包括：收集模块，用于定期收集各个类型的推荐算法推荐的资源目录的效果反馈数据，所述效果反馈数据包括推荐的资源目录的总次数，和用户点击被推荐的资源目录的次数；权重计算模块，用于根据各个类型的推荐算法对应的效果反馈数据计算各个类型推荐算法的推荐效果值，并根据各个推荐算法的效果值计算各个类型的推荐算法的权重。
69.本发明实施例所提供的资源目录推荐装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
70.本发明另一方面还提出一种电子设备，请参阅图4，所示为本发明第四实施例当中的电子设备，包括处理器10、存储器20以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的资源目录推荐方法。
71.其中，所述电子设备可以为但不限于电脑、服务器、服务器集群等设备。处理器10在一些实施例中可以是一中央处理器（central processing unit, cpu）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据。
72.其中，存储器20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、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。存储器20在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置，例如电子设备上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于电子设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
73.可选地，该电子设备还可以包括用户接口、网络接口、通信总线等，用户接口可以包括显示器（display）、输入单元比如键盘（keyboard），可选的用户接口还可以包括标准的有线接口、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（organic light-emitting diode，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中处理的信息以及用于显示可视化的用户界面。网络接口可选的可以包括标准的有线接口、无线接口（如wi-fi接口），通常用于在该装置与其他电子装置之间建立通信连接。通信总线用于实现这些组件之间的连接通信。
74.需要指出的是，图4示出的结构并不构成对电子设备的限定，在其它实施例当中，该电子设备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。
75.本发明还提出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
器执行时实现如上述的资源目录推荐方法。
76.本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置中获取指令并执行指令的系统）使用，或结合这些指令执行系统、装置而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或结合这些指令执行系统、装置而使用的设备。
77.计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
78.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
79.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
80.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。