多用户模型的推荐系统鲁棒性影响指标分析方法及系统

1.本发明涉及社会动力学模型、推荐系统和机器学习技术，主要涉及一种利用基于代理的社会动力学模型评估推荐系统鲁棒性的系统。


背景技术：

2.当今社会处在一个信息量爆炸的时代，用户每天会面对大量的信息，而信息量过大会导致用户对信息的消费程度降低，从而减少信息的利用率，推荐系统的出现解决了海量信息的个性化筛选问题，系统根据用户的历史数据进行喜好分析，从而在海量数据中筛选出用户感兴趣的信息推送至用户。然而推荐系统容易遭受到来自外部的攻击，如何评估推荐系统鲁棒性显得尤为重要。传统的鲁棒性评估系统的基本概念为向原始数据集注入假用户配置文件，并伴随原始数据注入到推荐系统中，进而影响推荐系统的训练过程，导致推荐系统模型受到攻击，进而根据受到攻击的模型给出的错误结果分析模型在遭受到攻击的鲁棒性。现阶段利用机器学习、深度学习、强化学习等多种先进的方法来对注入假用户的配置进行配置，进而更加深入研究推荐系统在面对注入不同类型的假用户时的鲁棒性。然而现实中的推荐系统多为反复迭代更新的，这类方法专注于单次攻击，缺少对推荐系统模型迭代的研究。
3.专利cn202110018824.1提出了一种抗注入攻击的鲁棒推荐方法和系统，该方法未考虑系统迭代的问题；专利cn201910397783.4提出了一种针对推荐系统脆弱性的智能通用评估方法和系统利用强化学习对系统进行攻击策略生成，并评估鲁棒性；同样未考虑系统迭代的问题；


技术实现要素：

4.本发明主要填补现阶段研究的缺陷，结合社会动力学模型，提出迭代推荐系统模型，提供一种多用户用户模型的推荐系统鲁棒性影响指标分析方法。
5.本发明结合传统的基于代理的社会动力学模型、推荐系统、协同过滤等机器学习方法，通过建立模型，并生成自主决策用户进行模型系统的迭代，得到受到用户干预的模型给出的错误结果，通过对结果的分析评估推荐模型的鲁棒性。
6.本发明实现上述发明目的所采用的技术方案如下：
7.基于多用户用户模型的推荐系统鲁棒性影响指标分析方法，包括以下步骤：
8.s1：获取一种带有用户评分的推荐系统数据集并载入该数据集；
9.s2：以用户为单位个体，根据载入的数据集得到用户间相似度矩阵，同时分为普通用户、目标用户、干预用户三种不同的模型执行群体，并执行干预操作，然后为研究模型装载研究的目标推荐算法；
10.s3：将用户相似度矩阵输入至推荐算法进行计算，获得每个用户的推荐列表；
11.s4：根据所有用户的推荐列表计算干预成功率；
12.s5：用户根据自身具备的能力，在每次获得推荐列表后，根据多种指标有选择得与
模型的推荐算法进行交互，并更新自身的喜好特征。再进行用户相似度矩阵的更新，并再次投入模型推荐算法进行计算，形成一种迭代模运行模式，最终得到推荐系统鲁棒性的多指标影响。
13.s6：分别根据干预相似度、用户交互接受度、用户交互信任度三个变量进行对比实验，并统计每次推荐算法的推荐结果计算干预成功率，并根据统计的结果进行分析，得出参数变化对干预结果的影响，得出不同指标对推荐系统鲁棒性的影响。
14.s7：根据步骤s6的结果，在现实社交网络平台环境中手动控制账号，并根据上述步骤进行测试，观察干预结果，测试推荐系统鲁棒性。
15.优选的，所述步骤s1中：根据载入的数据集进行构建，将数据构建为用户-项目二维矩阵，矩阵内容为用户对某项目的具体评分数值，将评分为空的项目填充为0评分，即评分最低值，将所有用户的缺失评分进行补全。
16.优选的，所述步骤s2中：
17.s2.1：将用户的评分项目转化为评分数值列表作为用户的喜好特征，并根据用户特征计算用户间相似度，获得用户相似度矩阵，计算相似度的方法包含但不限于余弦相似度，余弦相似度计算公式如下：
[0018][0019]
其中s
xy
为用户x与用户y共同评分的项目，r
x,s
为用户x对项目s的评分，完成相似度计算后获得相似度矩阵matrix
sim
(u,v)；
[0020]
s2.2：根据用户的喜好特征，并根据多种聚类方法，包含但不限于kmeans聚类、dbscan等聚类方法，选取多种聚类方法均认为是同一类的用户作为目标用户群体；
[0021]
s2.3：根据用户相似矩阵选取与目标用户群体相似度为para
sim
的用户作为干预用户群体，计算公式如下：
[0022][0023]
其中n
target
为目标用户个数，为每个干预用户新增选取的目标干预项目，加入到干预用户的喜好特征中。选取完目标用户以及干预用户之后，剩下的群体即为普通用户群体；
[0024]
s2.4：完成用户分类之后，为模型装备推荐算法，推荐算法包含但不限于经典协同过滤算法等；
[0025]
优选的，所述步骤s3中：根据s2.1步骤计算用户相似矩阵，并作为模型推荐算法的输入，推荐算法经过计算，给出指定用户的前n个相似用户，并根据用户项目矩阵选取出推荐项目，并将推荐项目作为列表输出；
[0026]
优选的，所述步骤s4中：根据所有用户的推荐列表计算干预成功率，计算公式如下：
[0027][0028]
其中count
hit
,count
all
分别为目标用户中被推送到目标项目的用户个数以及目标
用户个数。
[0029]
优选的，所述步骤s5中：
[0030]
s5.1：每个用户在接收到推荐结果之后根据当前模型迭代次数t以及用户接受度计算与模型进行交互的概率，计算公式如下：
[0031][0032]
其中xi为用户收到的推荐列表中的项目，para
take
为接受度参数；
[0033]
s5.2：当用户选择与模型进行交互时，遵循以下交互步骤，首先，为用户生成一个随机数，满足随机数属于0至1的范围内，并将随机数与信任度para
trust
进行比较，根据比较结果选择随机交互，或是信任交互；
[0034]
s5.3：根据步骤s5.2选择的交互模型进行交互，随机交互则在用户的推荐列表中随机选择项目加入到用户的项目列表中去，如果选择的是信任交互，则根据推荐算法给出的每个项目的置信度进行排序，选取置信度较高的项目加入到用户的项目列表中去，用户与推荐算法的交互如公式所示：
[0035][0036]
s5.4：所有用户与推荐算法选择性交互完成之后，用户项目矩阵发生一定程度的改变，执行步骤s2.1得到改变后的用户相似度矩阵，并作为输入再次投入到推荐算法进行计算，得到推荐结果。
[0037]
s5.5：最后设置一组对照参数进行对照实验，分别设置选取干预相似度、用户交互接受度、用户交互信任度三个变量的对比实验，实验控制其中一个变量变化，其余变量保持不变，在步骤s2完成之后，反复执行s3至s5.4步骤
[0038]
s6：分别根据干预相似度、用户交互接受度、用户交互信任度三个变量进行对比实验，并统计每次推荐算法的推荐结果计算干预成功率，并根据统计的结果进行分析，得出参数变化对干预结果的影响，得出不同指标对推荐系统鲁棒性的影响。
[0039]
s7：根据步骤s6的结果，在现实社交网络平台环境中手动控制账号，并根据上述步骤进行测试，观察干预结果，测试推荐系统鲁棒性。
[0040]
实现权利要求1所述的多用户模型的推荐系统鲁棒性影响指标分析方法，包括：预处理模块、用户关系构建模块、用户分类模块、干预执行模块、推荐算法模块、用户交互模块、模型迭代模块、对比模型模块、结果分析模块。
[0041]
所述预处理模块对载入的数据进行清洗操作，根据载入的数据集进行构建，将数据构建为用户-项目二维矩阵，矩阵内容为用户对某项目的具体评分数值，将评分为空的项目填充为0评分，即评分最低值，将所有用户的缺失评分进行补全。
[0042]
所述用户关系构建模块根据用户项目矩阵，来构建用户之间的相似关系，然后将用户相似度矩阵作为模型推荐算法的输入，同时相似度矩阵也为用户分类模块的输入；
[0043]
所述用户分类模块利用用户相似度矩阵，将用户分为目标用户、干预用户、普通用户三类用户群体；
[0044]
所述执行干预模块将目标项目加入到选取出来的干预用户的项目列表中；
[0045]
所述推荐算法模块通过引入目前流行的推荐算法，为模型中的用户推荐项目，该
模块的输入为用户相似度矩阵，输出是为所有用户提供的n个推荐项目，并且每个项目有模型给出的置信度，表示算法认为该用户喜欢该项目的程度；
[0046]
所述用户交互模块，在该模块中，用户根据系统迭代的次数，与推荐算法进行选择性交互，交互概率受到接受度，迭代次数二者的影响，当选择与推荐算法进行交互后，用户根据参数信任度选择交互的行为模式，但用户选择随机交互时，会在推荐列表中随机选择一项加入到自己的项目列表中，若选择信任交互，则根据算法给出的置信度进行选择；
[0047]
所述模迭代模块将经过用户交互后的用户项目矩阵转化为用户相似度矩阵，再利用模型推荐算法进行推荐，循环达到指定的迭代次数；
[0048]
所述对比模型模块设置了一个保持与实验模型相同的结构配置，执行同样的干预过程，只保持与实验模型一致相似度的参数的空白模型，同时设置迭代次数为0，即不发生迭代，通过对照模型探究接受度与信任度对干预的影响，并且探究干预实验的级联效应对结果的影响；
[0049]
所述结果分析模块根据迭代模块产生的干预结果以及模型参数进行绘图分析，总结结果；
[0050]
所述的预处理模块、用户关系构建模块、用户分类模块、干预执行模块、推荐算法模块顺序依次连接，与用户交互模块、模型迭代模块、对比模型模块三者形成的闭环回路连接，最后连接到结果分析模块。
[0051]
本发明的有益效果为：
[0052]
(1).根据多用户模型进行用户与推荐系统的交互迭代，执行注入干预的操作，并在注入完成后进行模型的迭代，该方法考虑到了用户自主决策能力，以及用户自主决策后对系统带来的级联效应的影响；
[0053]
(2).通过对模型进行注入，保证基于多用户的推荐系统鲁棒性分析系统具备传统推荐系统鲁棒性分析方法的功能；
[0054]
(3).与其他的推荐系统鲁棒性分析方法相比，本发明考虑了当前研究所欠缺的研究方面，引入了用户行为概念，模型中的用户具备自主决策能力；同时，该模型可装载多种不同的推荐算法，具有优秀的扩展性。
[0055]
(4).社交网络运营商将模型运用于推荐系统上线前的测试阶段；通过分析模型参数与模型迭代结果，进而对推荐算法进行有针对性的改善，有利于提高推荐系统在面对各种攻击时的鲁棒性。社交平台可以利用该系统对自身推荐系统进行测试，在推荐功能上线前对模型的推荐结果，安全等方面进行改善，取得最佳效益，减少后期的维护成本。
[0056]
(5).本发明可以应用于各大社交网络，对各类型的推荐系统进行评估。通过鲁棒性分析系统，可以对推荐系统的各方面指标对模型鲁棒性的影响进行分析。进一步，分析指标的影响特性及影响程度，可以对模型的潜在风险进行规避，增强推荐系统模型的鲁棒性，达到最大收益。
附图说明
[0057]
图1是本发明的方法的流程图；
[0058]
图2是本发明的模型迭代示意图；
[0059]
图3是本发明的干预步骤流程图；
[0060]
图4是本发明的系统结构示意图。
具体实施方式
[0061]
实施例1
[0062]
现有的推荐系统鲁棒性检测都集中于单次攻击的鲁棒性，很少有方法和系统考虑用户行为对推荐系统攻击，而本方法系统在进行单次攻击的情况下引入用户行为对注入攻击的影响，可以更全面的检测推荐系统鲁棒性。
[0063]
本发明实现上述发明目的所采用的技术方案如下：
[0064]
如图1所示，应用本发明的基于多用户用户模型的推荐系统鲁棒性影响指标分析方法的社交网络推荐系统的测试方法，包括以下步骤：
[0065]
s1：获取微博目标用户的点赞和评论记录数据形成推荐数据集，并在鲁棒性影响指标分析系统中载入该数据集；
[0066]
s2：以用户为单位个体，根据载入的数据集得到用户间相似度矩阵，同时分为普通用户、目标用户、干预用户三种不同的模型执行群体，并执行干预操作，然后为研究模型装载用于模拟微博平台推荐功能的推荐算法；
[0067]
s3：将用户相似度矩阵输入至推荐算法进行计算，获得每个用户的推荐列表；
[0068]
s4：根据所有用户的推荐列表计算干预成功率；
[0069]
s5：用户根据自身具备的能力，在每次获得推荐列表后，根据多种指标有选择得与模型的推荐算法进行交互，并更新自身的喜好特征。再进行用户相似度矩阵的更新，并再次投入模型推荐算法进行计算，形成一种迭代模运行模式，最终得到推荐系统鲁棒性的多指标影响。
[0070]
s6：分别根据干预相似度、用户交互接受度、用户交互信任度三个变量进行对比实验，并统计每次推荐算法的推荐结果计算干预成功率，并根据统计的结果进行分析，得出参数变化对干预结果的影响，得出不同指标对推荐系统鲁棒性的影响。
[0071]
s7：根据步骤s6的结果，在现实微博社交网络平台环境中手动控制账号，并根据上述步骤进行测试，观察干预结果，测试微博推荐系统鲁棒性。
[0072]
步骤s1中：根据载入的数据集进行构建，将数据构建为用户-项目二维矩阵，矩阵内容为用户对某项目的具体评分数值，由于微博为点赞数据，不存在评分功能，所以点赞的项目即为满分5评分，将评分为空的项目填充为0评分，即评分最低值，将所有用户的缺失评分进行补全。
[0073]
步骤s2包括：
[0074]
s2.1：将用户的评分项目转化为评分数值列表作为用户的喜好特征，并根据用户特征计算用户间相似度，获得用户相似度矩阵，计算相似度的方法包含但不限于余弦相似度，余弦相似度计算公式如下：
[0075][0076]
其中s
xy
为用户x与用户y共同评分的项目，r
x,s
为用户x对项目s的评分，完成相似度计算后获得相似度矩阵matrix
sim
(u,v)；
[0077]
s2.2：根据用户的喜好特征，并根据多种聚类方法，包含但不限于kmeans聚类和dbscan两种聚类方法，选取这两种聚类方法均认为是同一类的用户作为目标用户群体；
[0078]
s2.3：根据用户相似矩阵选取与目标用户群体相似度为para
sim
的用户作为干预用户群体，计算公式如下：
[0079][0080]
其中n
target
为目标用户个数，为每个干预用户新增选取的目标干预项目，加入到干预用户的喜好特征中。选取完目标用户以及干预用户之后，剩下的群体即为普通用户群体；
[0081]
s2.4：完成用户分类之后，为模型装备用于模拟微博推荐功能的推荐算法，由于微博推荐算法采用了协同过滤算法的原理，所以利用基于用户相似的协同过滤算法模拟微博推荐功能；
[0082]
步骤s3具体包括：
[0083]
根据s2.1步骤计算用户相似矩阵，并作为微博推荐算法的输入，推荐算法经过计算，给出指定用户的前10个相似用户，并以10名相似用户的点赞记录为备选项目库，利用加权求和的方法计算出最为可能被用户选择的的20个推荐项目，并将这20个推荐项目作为列表输出；
[0084]
步骤s4具体包括：
[0085]
根据所有用户的推荐列表计算干预成功率，计算公式如下：
[0086][0087]
其中count
hit
,count
all
分别为目标用户中被推送到目标项目的用户个数以及目标用户个数。
[0088]
步骤s5具体包括：
[0089]
s5.1：每个用户在接收到推荐结果之后根据当前模型的t次迭代以及用户接受度计算与模型进行交互的概率，计算公式如下：
[0090][0091]
其中xi为用户收到的推荐列表中的项目，para
take
为接受度参数；
[0092]
s5.2：当用户选择与模型进行交互时，遵循以下交互步骤，首先，为用户生成一个随机数，满足随机数属于0至1的范围内，并将随机数与信任度para
trust
进行比较，根据比较结果选择随机交互，或是信任交互；
[0093]
s5.3：根据步骤s5.2选择的交互模型进行交互，随机交互则在用户的推荐列表中随机选择项目加入到用户的项目列表中去，如果选择的是信任交互，则根据推荐算法给出的每个项目的置信度进行排序，选取置信度较高的项目加入到用户的项目列表中去，用户与推荐算法的交互如公式所示：
[0094][0095]
s5.4：所有用户与推荐算法选择性交互完成之后，用户项目矩阵发生一定程度的
改变，执行步骤s2.1得到改变后的用户相似度矩阵，并作为输入再次投入到推荐算法进行计算，得到推荐结果。
[0096]
s5.5：最后设置一组对照参数进行对照实验，分别设置选取干预相似度、用户交互接受度、用户交互信任度三个变量的对比实验，实验时控制其中一个变量变化，其余变量保持不变，在步骤s2完成之后，反复执行s3至s5.4步骤直至模型迭代次数达到100次。
[0097]
步骤s6具体包括：
[0098]
s6.1：统计收集每次推荐算法的推荐结果，并计算干预成功率用户后续的分析，以目标用户id、目标用户点赞项目数，目标用户的相似用户个数，目标用户与其相似用户的平均相似度，实验控制变量以及干预成功率6个数据为一个字段以csv格式存入excel表格；
[0099]
s6.2：根据处理完成的结果数据进行绘图，分别以实验控制变量-干预成功率、目标用户点赞项目数-干预成功率、目标用户的相似用户个数-干预成功率、目标用户与其相似用户的平均相似度-干预成功率四组变量绘制折线图，同时以目标用户与其相似用户的平均相似度和实验控制变量为自变量，干预成功率为因变量绘制二维热力图。
[0100]
s6.3：分别设置选取干预相似度、用户交互接受度、用户交互信任度三个变量的对比实验，根据上述步骤s1-步骤s6进行实验，获得实验结果图表。对干预相似度变量实验，分析干预相似度变化对干预成功率的影响；对用户交互接受度变量实验，分析用户交互接受度对干预成功率的影响；对用户交互信任度实验，分析用户交互信任度变化对干预成功率的影响。进而总结不同指标下的干预行为对推荐系统的影响，得到推荐系统鲁棒性影响指标规律。
[0101]
步骤7具体包括：
[0102]
s7.1：手动控制50个微博账号作为目标用户群体，控制50个账号的点赞信息，使其50个账号之间的相似度符合步骤s6中达到60％干预结果的相似用户的平均相似度，在现实微博中形成符合模型用户的真实用户群体；同时手动控制10个账号作为干预群体，控制10个账号的点赞信息使其与目标用户群体相似度符合步骤s6中达到60％干预结果的干预相似度，点赞信息限定在游戏、娱乐类信息；
[0103]
s7.2：在设置完用户后，控制干预用户群体点赞体育类信息，同时控制目标用户群体按照用户交互接受度、用户交互信任度两个参数选择性点击微博信息，观察记录目标用户推荐界面出现体育类信息数量，根据本方法可以观察到目标用户群体中接近60％用户推荐页面出现体育类新闻。
[0104]
实施例2
[0105]
实现本发明的多用户模型的推荐系统鲁棒性影响指标分析方法及系统，包括：预处理模块、用户关系构建模块、用户分类模块、干预执行模块、推荐算法模块、用户交互模块、模型迭代模块、对比模型模块、结果分析模块。
[0106]
所述预处理模块对获取的数据集文件进行清洗操作，即使用构建完整的用户信息矩阵，具体包括：
[0107]
对获取的数据集进行清洗操作，将数据信息导入计算机内存中，根据载入的数据集进行构建，将数据构建为用户-项目二维矩阵，矩阵内容为用户对某项目的具体评分数值，将评分为空的项目填充为0评分，即评分最低值，将所有用户的缺失评分进行补全；
[0108]
所述用户关系构建模块根据用户项目矩阵，来构建用户之间的相似关系，然后将
用户相似度矩阵作为模型推荐算法的输入，同时相似度矩阵也为用户分类模块的输入，具体步骤包括：
[0109]
首先为对用户项目矩阵进行循环操作，针对每次循环的用户，利用相似度计算公式计算每个用户与其他所有用户的相似度，每次计算两个用户之间的相似度时，循环两个用户的历史项目列表，统计两个用户的共同项目以及二者项目综合，计算相似度，循环结束后，获得包含所有用户间相似度的相似度矩阵。其中计算相似度方法包含但不限于余弦相似度、jaccard相似度等；
[0110]
所述用户分类模块利用用户相似度矩阵，将用户分为目标用户、干预用户、普通用户三类用户群体，具体步骤包括：
[0111]
首先将预处理模块获得的用户项目矩阵按照用户进行抽取，获得每个用户的项目列表，再利用多种聚类方法获得多个分类结果，通过对比多个分类结果，将所有分类结果均认为是同类的用户群体作为目标用户群体，在确定目标用户群体之后，根据相似度矩阵选取与目标用户群体的平均相似度为目标相似度的用户作为干预用户，剩余的用户即为普通用户；
[0112]
所述执行干预模块将目标项目加入到选取出来的干预用户的项目列表中，具体步骤包括：
[0113]
在选取的干预用户的历史项目列表中加入目标攻击项目；
[0114]
所述推荐算法模块通过引入目前流行的推荐算法，为模型中的用户推荐项目，具体包括：
[0115]
该模块的输入为用户相似度矩阵，根据每个用户与其他用户的相似度对其他用户进行排序，得到相似度靠前指定数量的用户，并根据靠前用户的历史项目输出可能被该用户选择的n个推荐项目，并且每个项目有模型给出的置信度，表示算法认为该用户喜欢该项目的程度；
[0116]
所述用户交互模块，在该模块中，用户根据系统迭代的次数，与推荐算法进行选择性交互，交互概率受到接受度，迭代次数二者的影响，当选择与推荐算法进行交互后，用户根据参数信任度选择交互的行为模式，但用户选择随机交互时，会在推荐列表中随机选择一项加入到自己的项目列表中，若选择信任交互，则根据算法给出的置信度进行选择，具体步骤包括：
[0117]
首先用户会收到推荐系统给出的推荐结果列表，随后每个用户根据一定概率对推荐结果进行选取，其规则公式如下：
[0118][0119]
其中t表示系统迭代的次数，其中xi为用户收到的推荐列表中的项目，para
take
为接受度参数。
[0120]
在用户选择与推荐系统进行交互后，用户会根据一定的规则进行交互，交互的规则如下：
[0121][0122]
其中random表示每个用户生成的随机数，para
trust
表示用户信任度参数，profile
x
表示用户的喜好特征，当用户生成的随机数小于信任度时，进入信任交互模式，用户会根据推荐系统给出的推荐列表进行排序，选择指标最高的项目并引入到自身的喜好特征中。
[0123]
当用户生成的随机数大于信任度，则进入随机交互模式，用户在推荐系统给出的推荐结果中随机选择一条引入到自身的喜好特征中。
[0124]
当所有用户完成交互后，模型的用户项目矩阵发生变化，导致用户相似度矩阵跟着发生变化，模型进入下一次迭代。
[0125]
所述模迭代模块将经过用户交互后的用户项目矩阵转化为用户相似度矩阵，再利用模型推荐算法进行推荐，循环达到指定的迭代次数，具体包括：
[0126]
首先根据模型的用户项目矩阵计算获得用户相似度矩阵，然后将计算获得的用户相似矩阵投入推荐系统进行推荐并获得包含所有用户及其推荐结果的列表。在获得推荐结果列表后，根据所有用户的推荐结果计算干预成功率；之后利用用户交互模块实现用户与推荐系统进行交互。
[0127]
所述对比模型模块设置了一个保持与实验模型相同的结构配置，执行同样的干预过程，只保持与实验模型一致相似度的参数的空白模型，同时设置迭代次数为0，即不发生迭代，通过对照模型探究接受度与信任度对干预的影响，并且探究干预实验的级联效应对结果的影响；
[0128]
所述结果分析模块根据迭代模块产生的干预结果以及模型参数进行绘图分析，总结结果；
[0129]
所述的预处理模块、用户关系构建模块、用户分类模块、干预执行模块、推荐算法模块顺序依次连接，与用户交互模块、模型迭代模块、对比模型模块三者形成的闭环回路连接，最后连接到结果分析模块。
[0130]
如上所述，本发明以微博，亚马逊，豆瓣电影等数据为例，这些数据集为用户对电影的评论数据。将数据转化为矩阵，并执行干预后，对模型进行了大量的迭代，得到了多指标对干预结果的影响。
[0131]
本发明可以利用多种数据集构建用户项目矩阵，并研究不同领域的推荐系统的鲁棒性与各指标之间的定性及定量关系，为多个平台的推荐系统提供优化的方案。
[0132]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。