一种资源推荐方法、装置、电子设备和存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种资源推荐方法、装置、电子设备和存储介质。


背景技术：

2.随着科学技术的快速发展，不同场景下的网络用户数量越来越多，如，有智能家电网络用户、手机网络用户、笔记本网络用户等，在这些用户使用网络浏览资源的过程中，可利用智能推荐系统，对用户网络进行分析，向用户进行资源推荐。
3.随着推荐学习理论的快速发展，智能推荐系统被广泛应用于各个领域，并取得了巨大成效，以智能电视(television，tv)推荐系统为例：用户观看tv节目、广告等时，可基于智能tv推荐系统，结合用户网络中挖掘的潜在信息，向用户进行商品推荐，以便让商业的效益达到最大化。
4.然而，现实中tv用户网络结构越发复杂，由原先的小型简单tv用户网络逐步演变为大型复杂的tv用户网络结构，因而，在社区划分过程中，存在消耗大量计算时间的问题，进而，导致社区划分效果不佳，推荐不准确。
5.因而，如何提高社区划分的效果和资源推荐准确性，是亟待解决的。


技术实现要素：

6.本技术实施例提供的一种资源推荐方法、装置、电子设备和存储介质，用以提高社区划分的效果和资源推荐准确性。本技术实施例提供的一种资源推荐方法，包括：
7.获取基于多个对象构建的初始对象网络对应的网络规模，所述初始对象网络中的每个节点对应一个对象；
8.选取与所述网络规模相匹配的社区划分路径，对所述初始对象网络进行网络折叠，获得至少一个目标对象网络；其中，所述社区划分路径表征基于至少一种折叠策略对所述初始对象网络进行节点合并；
9.基于深度自编码器，分别对至少一个所述目标对象网络进行特征提取；
10.基于至少一个所述目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分，并根据社区划分结果进行资源推荐。
11.可选的，所述选取与所述网络规模相匹配的社区划分路径，包括：
12.若所述网络规模属于第一预设规模，则选取第一社区划分路径，所述第一社区划分路径表征基于一种折叠策略对所述初始对象网络进行节点合并；
13.若所述网络规模属于第二预设规模，则选取第二社区划分路径，所述第二社区划分路径表征基于多种不同的折叠策略对所述初始对象网络进行节点合并；
14.其中，所述第一预设规模大于所述第二预设规模。
15.可选的，若所述网络规模属于第一预设规模，则所述对所述初始对象网络进行网络折叠，获得至少一个目标对象网络，包括：
16.基于所述一种折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一个与所述初始对象网络对应的目标对象网络；
17.其中，所述目标对象网络中的节点数量少于所述初始对象网络。
18.可选的，若所述网络规模属于第二预设规模，则所述对所述初始对象网络进行网络折叠，获得至少一个目标对象网络，包括：
19.分别基于所述多种不同的折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一组与所述初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
20.将每个所述对象网络分别作为一个目标对象网络。
21.可选的，若所述网络规模属于第二预设规模，则所述对所述初始对象网络进行网络折叠，获得至少一个目标对象网络，包括：
22.分别基于所述多种不同的折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一组与所述初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
23.将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络。
24.可选的，所述将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络，包括：
25.每次随机组合都执行以下过程：
26.从属于同一组的多个对象网络中选取至少两个对象网络，作为待组合的对象网络；
27.将所述待组合的对象网络中，对应特征相似度达到预设阈值的节点，进行特征组合，获得一个目标对象网络。
28.可选的，所述基于深度自编码器，分别对至少一个所述目标对象网络进行特征提取，包括：
29.对于每个目标对象网络，都分别执行以下操作：
30.获取以一个目标对象网络作为所述深度自编码器的输入，以一个重构目标对象网络作为所述深度自编码器的输出时，所述深度自编码器的中间层输出的低维数据特征，并将所述低维数据特征作为所述一个目标对象网络的目标数据特征；
31.其中，所述一个重构目标对象网络与所述一个目标对象网络的节点特征差异在一定的范围内。
32.可选的，在所述基于至少一个所述目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分之前，还包括：
33.对于每个目标对象网络，分别执行以下操作：
34.将一个目标对象网络对应的当前待还原对象网络进行至少一次网络还原；其中，第一次网络还原过程中，所述当前待还原对象网络为所述一个目标对象网络；之后每一次网络还原过程中，所述当前待还原对象网络为上一次还原获得的目标对象网络。
35.可选的，在所述选取与所述网络规模相匹配的社区划分路径，对所述初始对象网络进行网络折叠，获得至少一个目标对象网络之前，还包括：
36.基于预设的变换策略，对所述初始对象网络对应的邻接矩阵进行矩阵变换，并基于变换后的邻接矩阵，对所述网络规模进行调整。
37.本技术实施例提供的一种资源推荐装置，包括：
38.网络规模获取单元，用于获取基于多个对象构建的初始对象网络对应的网络规模，所述初始对象网络中的每个节点对应一个对象；
39.网络折叠单元，用于选取与所述网络规模相匹配的社区划分路径，对所述初始对象网络进行网络折叠，获得至少一个目标对象网络；其中，所述社区划分路径表征基于至少一种折叠策略对所述初始对象网络进行节点合并；
40.特征提取单元，用于基于深度自编码器，分别对至少一个所述目标对象网络进行特征提取；
41.资源推荐单元，用于基于至少一个所述目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分，并根据社区划分结果进行资源推荐。
42.可选的，所述网络折叠单元具体用于：
43.若所述网络规模属于第一预设规模，则选取第一社区划分路径，所述第一社区划分路径表征基于一种折叠策略对所述初始对象网络进行节点合并；
44.若所述网络规模属于第二预设规模，则选取第二社区划分路径，所述第二社区划分路径表征基于多种不同的折叠策略对所述初始对象网络进行节点合并；
45.其中，所述第一预设规模大于所述第二预设规模。
46.可选的，若所述网络规模属于第一预设规模，所述网络折叠单元具体用于：
47.基于所述一种折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一个与所述初始对象网络对应的目标对象网络；
48.其中，所述目标对象网络中的节点数量少于所述初始对象网络。
49.可选的，若所述网络规模属于第二预设规模，所述网络折叠单元具体用于：
50.分别基于所述多种不同的折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一组与所述初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
51.将每个所述对象网络分别作为一个目标对象网络。
52.可选的，若所述网络规模属于第二预设规模，所述网络折叠单元具体用于：
53.分别基于所述多种不同的折叠策略，对所述初始对象网络进行至少一次节点合并处理，获得至少一组与所述初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
54.将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络。
55.可选的，所述网络折叠单元具体用于：
56.每次随机组合都执行以下过程：
57.从属于同一组的多个对象网络中选取至少两个对象网络，作为待组合的对象网络；
58.将所述待组合的对象网络中，对应特征相似度达到预设阈值的节点，进行特征组合，获得一个目标对象网络。
59.可选的，所述特征提取单元具体用于：
60.对于每个目标对象网络，都分别执行以下操作：
61.获取以一个目标对象网络作为所述深度自编码器的输入，以一个重构目标对象网络作为所述深度自编码器的输出时，所述深度自编码器的中间层输出的低维数据特征，并将所述低维数据特征作为所述一个目标对象网络的目标数据特征；
62.其中，所述一个重构目标对象网络与所述一个目标对象网络的节点特征差异在一定的范围内。
63.可选的，所述装置还包括：
64.网络还原单元，用于在所述资源推荐单元基于至少一个所述目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分之前，对于每个目标对象网络，分别执行以下操作：
65.将一个目标对象网络对应的当前待还原对象网络进行至少一次网络还原；其中，第一次网络还原过程中，所述当前待还原对象网络为所述一个目标对象网络；之后每一次网络还原过程中，所述当前待还原对象网络为上一次还原获得的目标对象网络。
66.可选的，所述装置还包括：
67.网络调整单元，用于在所述网络折叠单元选取与所述网络规模相匹配的社区划分路径，对所述初始对象网络进行网络折叠，获得至少一个目标对象网络之前，基于预设的变换策略，对所述初始对象网络对应的邻接矩阵进行矩阵变换，并基于变换后的邻接矩阵，对所述网络规模进行调整。
68.本技术实施例提供的一种电子设备，包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行上述任意一种资源推荐方法的步骤。
69.本技术实施例提供的一种计算机可读存储介质，包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行上述任意一种资源推荐方法的步骤。
70.本技术实施例提供的一种计算机程序产品，包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行上述任意一种资源推荐方法的步骤。
71.本技术有益效果如下：
72.本技术实施例提供了一种资源推荐方法、装置、电子设备和存储介质。现实中对象网络的网络规模越来越复杂，在本技术实施例中，基于对象网络的网络规模大小，可以选择多种社区划分路径，不仅可以处理小规模网络，还可以处理大规模网络；根据社区划分路径，采用不同的折叠策略，减小了因网络规模的不同造成的社区划分误差，增大了扩展性和容错性；此外，本技术还进一步基于深度自编码器，可以较好地提取网络节点数据的低维特征，提高社区划分的效果，进而，提高资源推荐准确性。
73.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
74.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
75.图1为本技术实施例中的应用场景示意图；
76.图2为本技术实施例中的一种资源推荐方法的实施流程图；
77.图3为本技术实施例中的一种初始对象网络的示意图；
78.图4为本技术实施例中的一种社区划分路径的示意图；
79.图5为本技术实施例中的一种调整后的初始对象网络的示意图；
80.图6为本技术实施例中的一种超大网络规模社区划分路径的示意图；
81.图7为本技术实施例中的一种大网络规模社区划分路径的示意图；
82.图8为本技术实施例中的一种中小网络规模社区划分路径的示意图；
83.图9a为本技术实施例中的第一种目标对象网络的示意图；
84.图9b为本技术实施例中的第二种目标对象网络的示意图；
85.图10为本技术实施例中的一种组合后的目标对象网络的示意图；
86.图11为本技术实施例中的一种特征提取后的目标对象网络的示意图；
87.图12a为本技术实施例中的一种资源推荐方法的具体实施流程示意图；
88.图12b为本技术实施例中的一种资源推荐方法的具体实施流程示意图；
89.图12c为本技术实施例中的一种资源推荐方法的具体实施流程示意图；
90.图12d为本技术实施例中的一种资源推荐方法的具体实施流程示意图；
91.图13为本技术实施例中的一种资源推荐装置的组成结构示意图；
92.图14为本技术实施例中的一种电子设备的组成结构示意图；
93.图15为应用本技术实施例的一种计算装置的一个硬件组成结构示意图。
具体实施方式
94.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术技术方案的一部分实施例，而不是全部的实施例。基于本技术文件中记载的实施例，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，都属于本技术技术方案保护的范围。
95.下面对本技术实施例中涉及的部分概念进行介绍。
96.资源：表示网络中可以向外界发布、传递、储存的信息内容，例如广告、商品、视频、歌曲等。
97.对象网络和社区：对象网络是由多个节点(对象)组成的网络，该网络中节点与节点之间的连接关系是基于相应对象的属性是否存在一定联系确定的。对象网络由不同大小的社区构成，给定一个对象网络时，其中具有相似属性的节点构成的子图称为社区。本技术实施例中涉及了初始对象网络、目标对象网络、重构对象网络；其中，基于折叠策略，由初始对象网络获得目标对象网络，基于深度自编码器，重构对象网络作为深度自编码器的输出。
98.深度自编码器和低维特征：深度自编码器表征的是以高维数据作为输入，以重构后的高维数据作为输出的一种深度学习模型，重构后的高维数据与初始的高维数据的差异
在一定的范围内，在深度自编码器的中间处理过程中，可获得低维数据。在本技术实施例中，以目标对象网络节点的高维特征作为深度自编码器的输入，以重构目标对象网络节点的高维特征作为深度自编码器的输出时，深度自编码器的中间层输出目标对象网络节点的低维特征。
99.社区划分：给定一个对象网络，根据网络节点数据特征，将网络划分成若干个子社区。例如，根据具有相同兴趣爱好，将一个网络划分为若干个子社区，每个子社区内部成员都具有相似的兴趣爱好，社区间成员尽可能没有共同的兴趣爱好。
100.邻接矩阵：表示顶点之间相邻关系的矩阵。例如，对于包含n个对象的对象网络，则用n
×
n的邻接矩阵来表示，其中，如果两个对象之间有一定的联系，则在邻接矩阵中相应的位置设为1，反之则为0。
101.变换策略：预设的，用于对对象网络的邻接矩阵进行转换的矩阵变换策略，用于将邻接矩阵进行矩阵变换。例如，可以采用模块度函数、欧式距离函数等进行矩阵变换，以在邻接矩阵中存在大量的数据0导致计算困难的情况下，通过矩阵变换，将数据0转换为非0的数据(如0～1之间的小数)，解决了大量0导致的稀疏性带来的计算困难。
102.折叠策略：预设的，用于对对象网络进行折叠的策略，用于将对象网络中的对象属性特征相似的对应节点进行合并。例如，可以采用将共同邻居的节点合并。
103.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
104.下面结合上述描述的应用场景，参考附图来描述本技术示例性实施方式提供的资源推荐方法，需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。
105.参阅图1所示，其为本技术实施例的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器120。
106.在本技术实施例中，终端设备110包括但不限于手机、平板电脑、笔记本电脑、台式电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端等设备；终端设备上可以安装有资源推荐相关的客户端，该客户端可以是软件(例如浏览器、视频软件、购物软件、音乐软件等)，也可以是网页、小程序等，服务器120则是与软件或是网页、小程序等相对应的后台服务器，或者是专门用于进行资源推荐的服务器，本技术不做具体限定。服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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(content delivery 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。
107.需要说明的是，本技术各实施例中的资源推荐方法可以由电子设备执行，该电子设备可以为终端设备110或者服务器120，即，该方法可以由终端设备110或者服务器120单独执行，也可以由终端设备110和服务器120共同执行。
108.在一种可选的实施方式中，终端设备110与服务器120之间可以通过通信网络进行通信。
109.在一种可选的实施方式中，通信网络是有线网络或无线网络。
110.需要说明的是，图1所示只是举例说明，实际上终端设备和服务器的数量不受限制，在本技术实施例中不做具体限定。
111.参阅图2所示，其为本技术实施例提供的一种资源推荐方法的实施流程图，以终端设备为执行主体为例，该方法的具体实施流程包括如下s21-s24：
112.s21：终端设备获取基于多个对象构建的初始对象网络对应的网络规模。
113.其中，初始对象网络中的每个节点对应一个对象。
114.在本技术实施例中，不同应用场景下，对象(如用户)也不相同。如tv网络场景下，对象可以是开通电视的用户；短视频网络场景下，对象可以是注册该短视频软件的用户；商品购物网络场景下，对象可以是注册该商品购物软件的用户。相应的，资源可以是用户观看电视时，可推荐的广告、节目；用户浏览短视频软件时，可推荐的短视频、广告；还可以是进行电视购物时，可推荐的商品等等。
115.需要说明的是，上述所列举的tv网络场景、短视频网络场景和商品购物网络场景等只是简单说明，本文不做具体限定。下文主要是以tv网络场景下的节目推荐为例进行详细介绍：
116.具体地，初始对象网络对应的网络规模表征初始对象网络中节点的数量多少；一种可选的划分方式为，根据节点数量，网络规模可分为小网络规模、中网络规模、大网络规模、超大网络规模等。小网络规模属于第一数量区间，中网络规模属于第二数量区间，大网络规模属于第三数量区间，超大网络规模属于第四数量区间。
117.上述所列举的第一数量区间至第四数量区间是依次增大的，如第一数量区间表示10万至100万以内；第二数量区间表示100万至1000万以内；第三数量区间表示1000万至1亿以内；第四数量区间表示1亿以上。
118.需要说明的是，上述数量区间的划分只是简单的举例说明，任何一种数量区间划分方式都适用于本技术实施例，在此不再一一赘述。
119.参阅图3所示，其为本技术实施例中的一种初始对象网络的示意图。该示意图中的节点有12个，分别为节点1-节点12，其中节点1和节点2之间存在一条边，表征节点1和节点2之间有连接关系，节点2和节点3之间不存在边，表征节点2和节点3之间没有连接关系，
…
，以此类推即可。根据上述数量区间划分方式，该初始对象网络属于小网络规模。
120.需要说明的是，上述所列的初始对象网络节点数为12只是简单的举例说明，本文不做具体限定。
121.在上述方式中，根据对象网络中节点数量，可以获得网络规模的大小。
122.s22：选取与网络规模相匹配的社区划分路径，对初始对象网络进行网络折叠，获得至少一个目标对象网络。
123.其中，社区划分路径表征基于至少一种折叠策略对初始对象网络进行节点合并。
124.在本技术实施例中，折叠策略包括但不限于模块度增益策略、自定义合并策略等。其中，自定义合并策略即根据实际需求自行设定的折叠策略，本文中以共同邻居折叠策略为例：
125.如果节点i和节点j都具有相同的邻居p，则可将节点i和节点j合并为一个节点。
126.一种可选的实施方式为，通过如下方式选取与网络规模相匹配的社区划分路径：
127.若网络规模属于第一预设规模，则选取第一社区划分路径，第一社区划分路径表
征基于一种折叠策略对初始对象网络进行节点合并。
128.若网络规模属于第二预设规模，则选取第二社区划分路径，第二社区划分路径表征基于多种不同的折叠策略对初始对象网络进行节点合并。
129.在本技术实施例中，第一预设规模可以表征超大网络规模，即，在网络规模很大的情况下，对象网络中的节点数量很多，不适合用多种不同的折叠策略同时对初始对象网络进行节点合并；也即，第一社区划分路径表征的是超大网络规模社区划分路径；进一步地，第二预设规模可以表征大网络规模、中网络规模和小网络规模中的任意一种，即，在网络规模相对较小的情况下，可采用多种不同的折叠策略，同时对初始对象网络进行节点合并；也即，第二社区划分路径可适用于多种网络规模相对较小的情况，这里还可基于不同的网络规模的大小，进一步分为多种不同的子路径，如第二社区划分路径包括两种子路径，分别为大网络规模社区划分子路径和中小网络规模社区划分子路径。
130.需要说明的是，上述列举的两种预设规模和上述列举的四种网络规模的关系，以及第二社区划分路径的划分只是举例说明，本文不做具体限定。
131.以图3所示为例，该初始对象网络的节点有12个，属于第二预设规模中的小网络规模，则选择第二社区划分路径中的中小网络规模社区划分子路径。
132.s23：基于深度自编码器，分别对至少一个目标对象网络进行特征提取。
133.在本技术实施例中，基于不同的折叠策略得到的一系列小规模对象网络(即目标对象网络)的基础上，可利用深度自编码器对网络进行低维数据特征的提取。
134.一种可实施的方式为，基于深度自编码器，分别对至少一个目标对象网络进行特征提取，对于每个目标对象网络，都分别执行以下操作：
135.获取以一个目标对象网络作为深度自编码器的输入，以一个重构目标对象网络作为深度自编码器的输出时，深度自编码器的中间层输出的低维数据特征，并将低维数据特征作为一个目标对象网络的目标数据特征。其中，一个重构目标对象网络与一个目标对象网络的节点特征差异在一定的范围内。
136.在本技术实施例中，低维数据特征表征的是节点的一些相关信息，例如某节点与其他节点之间是否相连，某节点与其他节点之间是否具有共同的兴趣爱好等。
137.s24：基于至少一个目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分，并根据社区划分结果进行资源推荐。
138.在本技术实施例中，基于目标对象网络的目标数据特征，对目标对象网络进行社区划分时，具体可采用如下规则：以tv对象网络为例，根据是否具有相同兴趣爱好数据特征，进行社区划分，划分了3个社区，其中，社区1表征观看电视的用户中喜欢观看综艺节目的用户，社区2表征观看电视的用户中喜欢观看体育节目的用户，社区3表征观看电视的用户中喜欢观看连续剧节目的用户。
139.需要说明的是，上述所列的对象网络社区划分只是简单的举例说明，本文不做具体限定。
140.在本技术实施例中，根据社区划分结果进行资源推荐表征的是具有多种社区划分结果，基于预设的社区划分评价标准，对多种社区划分结果进行评价，并选择最优的社区划分结果，进行资源推荐。
141.下面结合附图，对本技术实施例中所列举的不同的社区划分路径进行展开说明：
142.参阅图4所示，其为本技术实施例中的一种社区划分路径的示意图。其中初始社区划分路径，适用于对象网络中的对象数量很少，对应的网络规模很小的情况，如10万以下数量级，该情况下可直接对初始对象网络进行社区划分。在初始社区划分路径中，对初始对象网络直接进行社区划分，并根据划分结果进行智能推荐。
143.若对象网络中的对象数量相对很多，对应的网络规模很大的情况，则需要进一步缩小网络规模，在缩小后的网络上进行社区划分。如10万以上数量级，在该情况下，对初始对象网络进行预处理，其中预处理这一步骤是可选的，然后将对象网络进行网络折叠，网络折叠之后有两种路径，其中一种路径为网络折叠后获得一系列目标对象网络，将目标对象网络基于深度自编码器进行特征提取，然后将对象网络进行网络还原，最后进行社区划分，并根据划分结果进行智能推荐。另一种路径为网络折叠后获得多组目标对象网络，将同组的多个对象网络进行网络组合，将组合后的对象网络基于深度自编码器进行特征提取，然后将对象网络进行网络还原，最后进行社区划分，并根据划分结果进行智能推荐。
144.其中，进行网络折叠时可采用至少一种折叠策略，如图4所列举的折叠算法a、折叠算法b、折叠算法n等，每种折叠算法即为一种折叠策略。
145.在选取与网络规模相匹配的社区划分路径，对初始对象网络进行网络折叠，获得至少一个目标对象网络之前，一种可选的实施方式为：对初始对象网络进行预处理，具体地，基于预设的变换策略，对初始对象网络对应的邻接矩阵进行矩阵变换，并基于变换后的邻接矩阵，对网络规模进行调整。
146.在本技术实施例中，预设的变换策略包括但不限于模块度函数变换、欧氏距离函数变换等。初始对象网络对应的邻接矩阵可记作a，转换后的邻接矩阵可记作a’。以模块度函数为例，该函数是一种衡量网络社区结构强度的方法，可以具有多种计算公式，下面以某一种模块度公式为例：
[0147][0148]
其中，q为模块度函数；对于无向网络来说m表示网络中所有边的权值之和，如果是有向网络，则是网络中所有边权值和的一半；a
ij
代表节点i和节点j之间边的权值；ki表示所有指向节点i的边的权值和；δ(ci,cj)表示如果节点i和节点j在同一个社区内，那么δ(ci,cj)等于1；否则等于0。
[0149]
在本技术实施例中，节点i和节点j有一定的联系，则对应的权值为1，反之则为0。如，以节点1和节点2为例，这两个节点存在连接关系，对应的权值a
12
为1；以节点2和节点3为例，这两个节点不存在连接关系，对应的权值a
23
为0；以此类推即可。
[0150]
需要说明的是，上述所列的模块度函数变换策略只是举例说明，本文不做具体限定。此外，本技术实施例中的对象网络可以是无向网络，也可以是有向网络，可根据实际应用场景灵活设定，本文不做具体限定。
[0151]
对于初始对象网络中的每个节点，分别执行以下操作：从转换后的邻接矩阵中确定与一个节点对应的各目标元素；将各目标元素中的最大值对应的其他节点与一个节点进行合并，以缩小初始对象网络的网络规模；进而，将对初始对象网络进行节点合并后的网络，作为新的初始对象网络，也即预处理后的初始对象网络。
[0152]
其中，每个目标元素表征一个节点与相连的一个其他节点之间的关联紧密度。
[0153]
在本技术实施例中，关联紧密度表征对象网络中的节点与节点之间的联系强度，关联紧密度越大，表征节点与节点之间联系强度越大。
[0154]
基于上述公式中的q，可将a转换为a’，a’中的数据都是0-1之间的小数，而a中的数据都是0或者1，通过该转换，避免了邻接矩阵a造成的稀疏性问题。仍以图3所示为例，节点1和节点2之间权值为1，节点1和节点3之间权值为1，节点1和节点5之间权值为1，假设通过模块度函数公式计算，可以获得节点1和节点2之间的关联紧密度a’12
＝0.8，节点1和节点3之间的关联紧密度a’13
＝0.7，节点1和节点5之间的关联紧密度a’15
＝0.6，基于此，获得节点1和节点2之间的关联紧密度大于节点1和节点3之间的关联紧密度，且大于节点1和节点5之间的关联紧密度，节点1和节点2之间联系强度更大。
[0155]
在本技术实施例中，节点合并表征某一节点和与其有联系的节点之间，选择一个与该节点联系强度最大的节点进行合并，基于此，节点1和节点2进行合并，形成一个新的节点，可称作超节点。上述方式中，可以通过q进行节点与节点的融合成一个超节点，从而缩小网络规模。
[0156]
参阅图5所示，其为本技术实施例中的一种调整后的初始对象网络的示意图。该图是由初始对象网络基于模块度函数变换，获得的对象网络，图中节点1’，即是由节点1和节点2合并获得，节点6’，即是由节点6和节点12合并获得，节点10’，即是由节点8和节点10合并获得。
[0157]
在上述方式中，基于预设的变换策略，将初始对象网络对应的邻接矩阵进行矩阵变换，并基于转换后的邻接矩阵，获得了调整后的对象网络，解决了大量0导致的稀疏性带来的计算困难，同时可以反映出对象之间的相关性。
[0158]
在本技术实施例中，针对不同的网络规模，可采用不同的社区划分路径来实现更加准确的社区划分，下面分别对各种情况进行举例说明：
[0159]
(一)若网络规模属于第一预设规模，参阅图6所示，其为本技术实施例中的一种超大规模社区划分路径，该路径的具体步骤如下:
[0160]
①
将初始对象网络进行网络预处理，网络预处理是可选的。
[0161]
②
采用一种可选的实施方式将对象网络进行网络折叠，获得至少一个目标对象网络：基于一种折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一个与初始对象网络对应的目标对象网络。其中，目标对象网络中的节点数量少于初始对象网络。在本技术实施例中，每次节点合并处理都可执行以下过程：将当前待合并的对象网络中，具有共同邻居的至少两个节点进行合并，并将合并后的对象网络作为一个目标对象网络；之后每一次节点合并处理过程中，当前待合并的对象网络为上一次合并获得的目标对象网络。
[0162]
③
基于深度编码器，对折叠后的对象网络(即目标对象网络)进行特征提取。
[0163]
④
对目标对象网络进行网络还原。一种可选的实施方式为，在基于至少一个目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分之前，对于每个目标对象网络，分别执行以下操作：
[0164]
将一个目标对象网络对应的当前待还原对象网络进行至少一次网络还原；其中，第一次网络还原过程中，当前待还原对象网络为一个目标对象网络；之后每一次网络还原过程中，当前待还原对象网络为上一次还原获得的目标对象网络。
[0165]
在本技术实施例中，网络还原处理表征用深度学习模型将目标对象网络还原成上一层网络，逐步得到初始对象网络。深度学习模型，以gcn模型为例：
[0166]
将gi层网络节点的表示作为第g’i-1
层网络节点的预表示，经过gcn模型的处理后，得到g’i-1
层网络节点的真实表示，进一步，将g’i-1
层网络的节点表示作为g’i-2
层网络节点的预表示。
[0167]
若初始对象网络中的对象数量超级多，相关技术不能够获得到该对象网络中的节点特征信息时，可将该对象网络基于至少一种折叠策略获得一系列小规模的目标对象网络，分别将一系列小规模的目标对象网络作为深度自编码器的输入，基于深度自编码器，获得一系列表征低维数据特征的对象网络，进而，进行一系列的网络还原处理，从而获得对象网络中的特征信息。
[0168]
在本技术实施例中，通过网络还原处理可以进一步得到上层网络的特征，进而逐步得到初始对象网络的特征，使其网络特征误差越来越小。
[0169]
⑤
将还原后的对象网络进行社区划分，并根据划分结果进行智能推荐。
[0170]
在该步骤中，可采用至少一种划分方式进行划分，如图6中表示分别采用了n种划分方式获得的n种社区划分结果，即社区划分结果1、2、
…
、n，基于预设的社区划分评价标准，从这n种社区划分结果中选择最优的社区划分结果，并进行资源推荐。
[0171]
(二)若网络规模属于第二预设规模，参阅图7所示，其为本技术实施例中的一种大网络规模社区划分子路径，该路径的具体步骤如下:
[0172]
①
将初始对象网络进行网络预处理，网络预处理是可选的。
[0173]
②
采用一种可选的实施方式将对象网络进行网络折叠，获得至少一个目标对象网络：分别基于多种不同的折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一组与初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同。将每个对象网络分别作为一个目标对象网络。
[0174]
③
基于深度自编码器，对折叠后的对象网络(即目标对象网络)进行特征提取。
[0175]
④
对目标对象网络进行网络还原。一种可选的实施方式为，在基于至少一个目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分之前，对于每个目标对象网络，分别执行以下操作：
[0176]
将一个目标对象网络对应的当前待还原对象网络进行至少一次网络还原；其中，第一次网络还原过程中，当前待还原对象网络为一个目标对象网络；之后每一次网络还原过程中，当前待还原对象网络为上一次还原获得的目标对象网络。
[0177]
⑤
将还原后的对象网络进行社区划分，并根据划分结果进行智能推荐。
[0178]
在该步骤中，可采用至少一种划分方式进行划分，如图7中表示对于基于不同折叠策略获得的还原后的目标对象网络，分别进行社区划分获得的n个社区划分结果，即社区划分结果1、2、
…
、n，基于预设的社区划分评价标准，从这n个社区划分结果中选择最优的社区划分结果，并进行资源推荐。
[0179]
(三)若网络规模属于第二预设规模，参阅图8所示，其为本技术实施例中的一种中小规模社区划分子路径，该路径的具体步骤如下:
[0180]
①
将初始对象网络进行网络预处理，网络预处理是可选的。
[0181]
②
采用一种可选的实施方式，将对象网络进行网络折叠，获得至少一个目标对象
网络：分别基于多种不同的折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一组与初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
[0182]
③
将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络。
[0183]
④
基于深度编码器，对组合后的对象网络进行特征提取。
[0184]
⑤
将组合后的对象网络进行社区划分，并根据划分结果进行智能推荐。
[0185]
在该步骤中，可采用至少一种划分方式进行划分，如图8中表示分别采用了n种划分方式获得的n种社区划分结果，即社区划分结果1、2、
…
、n，基于预设的社区划分评价标准，从这n种社区划分结果中选择最优的社区划分结果，并进行资源推荐。
[0186]
在上述方式中，根据网络规模的大小，选取不同的社区划分路径，不仅可以处理小规模网络，还可以处理大规模网络。
[0187]
以第二预设规模的中小网络规模为例，具体地，在本技术实施例中，目标对象网络表征是由初始对象网络经过预设的多种折叠策略获得的，将初始对象网络进行多次节点合并，可获得多组一系列目标对象网络其中，初始对象网络用g表示，基于折叠策略a，g经过多次节点合并，获得目标对象网络g
i1
；基于折叠策略b，g经过多次节点合并，获得目标对象网络g
i2
；基于折叠策略c，g经过多次节点合并，获得目标对象网络g
i3
…
，以此类推即可；同一组中的目标对象网络g
i1
，g
i2
，
…
，g
in
的网络规模在一定范围内大小相等。
[0188]
在本技术实施例中，以折叠策略a和折叠策略b为例，分别对初始对象网络进行一次节点合并，获得一组与初始对象网络对应的对象网络，该对象网络组记为r，并以对象网络组中的网络规模大小相等为例。
[0189]
仍以图3所示为例，节点2和节点3有共同的邻居节点1，节点2和节点3合并，获得节点23’；节点3和节点4具有共同的邻居节点5，节点3和节点4合并，获得节点34’。
[0190]
参阅图9a所示，其为本技术实施例中的第一种目标对象网络的示意图，其中初始对象网络基于折叠策略a进行网络折叠，初始对象网络中节点2和节点3经过一次节点合并后，获得目标对象网络g
11
。
[0191]
参阅图9b所示，其为本技术实施例中的第二种目标对象网络的示意图，其中初始对象网络基于折叠策略b进行网络折叠，初始对象网络中节点3和节点4经过一次节点合并后，获得目标对象网络g
12
。
[0192]
其中，g
11
和g
12
网络规模大小相等。
[0193]
需要说明的是，上述两种折叠策略和一次节点合并只是简单的举例说明，折叠策略的种数和节点合并的次数，本文不做具体限定。
[0194]
将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络，每次随机组合都执行以下过程：
[0195]
从属于同一组的多个对象网络中选取至少两个对象网络，作为待组合的对象网络；将待组合的对象网络中，对应特征相似度达到预设阈值的节点，进行特征组合，获得一个目标对象网络。
[0196]
在本技术实施例中，随机组合表征的是将待组合的对象网络中，对应特征相似度达到预设阈值的节点，进行特征组合。
[0197]
以两个待组合的对象网络为例，具体以图9a和图9b所示为例，g
11
中节点23’和g
12
中节点2的特征相似度达到预设阈值，则节点23’和节点2的特征进行组合，获得节点23”；g
11
中节点4和g
12
中节点34’的特征相似度达到预设阈值，则节点4和节点34’的特征进行组合，获得节点34”。
[0198]
参阅图10所示，其为本技术实施例中的一种组合后的目标对象网络的示意图，g
11
和g
12
网络随机组合后，获得一个目标对象网络gg。以图10所示为例，将随机组合获得的一个目标对象网络gg作为深度编码器的输入，一个重构目标对象网络gg’作为深度编码器的输出。假设节点1和节点34”具有相同的兴趣爱好，节点23”和节点5具有相同的兴趣爱好，节点10和11具有相同的兴趣爱好，节点7、节点8和节点9具有相同的兴趣爱好。
[0199]
参阅图11所示，其为本技术实施例中的一种特征提取后的目标对象网络的示意图。网络节点表征的是低维特征数据，节点1和节点34”特征合并，获得节点134
”’
；节点23’和节点5特征合并，获得节点235
”’
；节点10和节点11特征合并，获得节点1011
”’
；节点7、节点8和节点9特征合并，获得节点789
”’
。
[0200]
在上述方式中，基于深度自编码器，可获得网络的低维特征，提高社区划分的效果。在本技术实施例中，可以根据不同的网络规模，选择不同的社区划分路径，从而得出最优的划分结果。
[0201]
下面结合图4、图6至图8所列举的几种社区划分路径，分别介绍各路径下对应的资源推荐流程：
[0202]
若初始对象网络中的对象数量较少时，可以直接对初始对象网络进行网络折叠，即采用图4所示的初始社区划分路径。
[0203]
对于图4所示的社区划分路径，参阅图12a所示，其为本技术实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下：
[0204]
步骤s1201a：获取初始对象网络；
[0205]
步骤s1202a：基于对象网络的数据特征，将相应的对象网络直接进行社区划分，并选择最优的社区划分结果；
[0206]
步骤s1203a：基于智能推荐模块，根据相应的社区划分结果进行资源推荐。
[0207]
若初始对象网络属于中小网络规模，可以采用中小网络规模社区划分路径，即采用图8所示的社区划分路径。
[0208]
对于图8所示的社区划分路径，参阅图12b所示，其为本技术实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下：
[0209]
步骤s1201b：获取初始对象网络；
[0210]
步骤s1202b：基于网路预处理模块，对初始对象网络进行调整；
[0211]
步骤s1203b：在网络折叠模块，基于多种折叠策略，对初始对象网络进行节点合并，获得至少一组目标对象网络；
[0212]
步骤s1204b：在组合模块中，将属于同一组的多个对象网络进行至少一次随机组合；
[0213]
步骤s1205b：基于深度自编码器，对组合后的目标对象网络进行特征提取；
[0214]
步骤s1206b：基于目标对象网络的目标数据特征，将相应的对象网络直接进行社区划分，并选择最优的社区划分结果；
[0215]
步骤s1207b：基于智能推荐模块，根据相应的社区划分结果进行资源推荐。
[0216]
其中，步骤s1202b用虚线框表示，表征的是该步骤可省略，可以是基于网络预处理模块对初始对象网络进行调整之后，再进行网络折叠，也可以是直接对初始对象网络进行网络折叠。
[0217]
若初始对象网络属于大网络规模，可以采用大网络规模社区划分路径，即采用图7所示的社区划分路径。
[0218]
对于图7所示的社区划分路径，参阅图12c所示，其为本技术实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下：
[0219]
步骤s1201c：获取初始对象网络；
[0220]
步骤s1202c：基于网路预处理模块，对初始对象网络进行调整；
[0221]
步骤s1203c：在网络折叠模块，基于多种折叠策略，对初始对象网络进行节点合并，获得至少一个目标对象网络；
[0222]
步骤s1204c：基于深度自编码器，对折叠后的目标对象网络进行特征提取；
[0223]
步骤s1205c：在网络还原模块中，将任意一个特征提取后的目标对象网络进行至少一次网络还原；
[0224]
步骤s1206c：基于目标对象网络的目标数据特征，将相应的对象网络直接进行社区划分，并选择最优的社区划分结果；
[0225]
步骤s1207c：基于智能推荐模块，根据相应的社区划分结果进行资源推荐。其中，步骤s1202c用虚线框表示，表征的是该步骤可省略，可以是基于网络预处理模块对初始对象网络进行调整之后，再进行网络折叠，也可以是直接对初始对象网络进行网络折叠。
[0226]
若初始对象网络属于超大网络规模，可以采用超大网络规模社区划分路径，即采用图6所示的社区划分路径。
[0227]
对于图6所示的社区划分路径，参阅图12d所示，其为本技术实施例中的一种资源推荐方法的具体实施流程示意图。该方法的具体实施流程如下：
[0228]
步骤s1201d：获取初始对象网络；
[0229]
步骤s1202d：基于网路预处理模块，对初始对象网络进行调整；
[0230]
步骤s1203d：在网络折叠模块，基于一种折叠策略，对初始对象网络进行节点合并，获得至少一个目标对象网络；
[0231]
步骤s1204d：基于深度自编码器，对折叠后的目标对象网络进行特征提取；
[0232]
步骤s1205d：在网络还原模块中，将任意一个特征提取后的目标对象网络进行至少一次网络还原；
[0233]
步骤s1206d：基于目标对象网络的目标数据特征，将相应的对象网络直接进行社区划分，并选择最优的社区划分结果；
[0234]
步骤s1207d：基于智能推荐模块，根据相应的社区划分结果进行资源推荐。
[0235]
其中，步骤s1202d用虚线框表示，表征的是该步骤可省略，可以是基于网络预处理模块对初始对象网络进行调整之后，再进行网络折叠，也可以是直接对初始对象网络进行网络折叠。
[0236]
基于相同的发明构思，本技术实施例还提供一种资源推荐装置。如图13所示，其为资源推荐装置1300的结构示意图，可以包括：
[0237]
网络规模获取单元1301，用于获取基于多个对象构建的初始对象网络对应的网络规模，初始对象网络中的每个节点对应一个对象；
[0238]
网络折叠单元1302，用于选取与网络规模相匹配的社区划分路径，对初始对象网络进行网络折叠，获得至少一个目标对象网络；其中，社区划分路径表征基于至少一种折叠策略对初始对象网络进行节点合并；
[0239]
特征提取单元1303，用于基于深度自编码器，分别对至少一个目标对象网络进行特征提取；
[0240]
资源推荐单元1304，用于基于至少一个目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分，并根据社区划分结果进行资源推荐。
[0241]
可选的，网络折叠单元1302具体用于：
[0242]
若网络规模属于第一预设规模，则选取第一社区划分路径，第一社区划分路径表征基于一种折叠策略对初始对象网络进行节点合并；
[0243]
若网络规模属于第二预设规模，则选取第二社区划分路径，第二社区划分路径表征基于多种不同的折叠策略对初始对象网络进行节点合并；
[0244]
其中，第一预设规模大于第二预设规模。
[0245]
可选的，若网络规模属于第一预设规模，网络折叠单元1302具体用于：
[0246]
基于一种折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一个与初始对象网络对应的目标对象网络；
[0247]
其中，目标对象网络中的节点数量少于初始对象网络。
[0248]
可选的，若网络规模属于第二预设规模，网络折叠单元1302具体用于：
[0249]
分别基于多种不同的折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一组与初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
[0250]
将每个对象网络分别作为一个目标对象网络。
[0251]
可选的，若网络规模属于第二预设规模，网络折叠单元1302具体用于：
[0252]
分别基于多种不同的折叠策略，对初始对象网络进行至少一次节点合并处理，获得至少一组与初始对象网络对应的对象网络；每个对象网络组中包含的多个对象网络的网络规模相同；
[0253]
将属于同一组的多个对象网络进行至少一次随机组合，获得至少一个目标对象网络。
[0254]
可选的，网络折叠单元1302具体用于：
[0255]
每次随机组合都执行以下过程：
[0256]
从属于同一组的多个对象网络中选取至少两个对象网络，作为待组合的对象网络；
[0257]
将待组合的对象网络中，对应特征相似度达到预设阈值的节点，进行特征组合，获得一个目标对象网络。
[0258]
可选的，特征提取单元1303具体用于：
[0259]
对于每个目标对象网络，都分别执行以下操作：
[0260]
获取以一个目标对象网络作为深度自编码器的输入，以一个重构目标对象网络作为深度自编码器的输出时，深度自编码器的中间层输出的低维数据特征，并将低维数据特征作为一个目标对象网络的目标数据特征；
[0261]
其中，一个重构目标对象网络与一个目标对象网络的节点特征差异在一定的范围内。
[0262]
可选的，网络还原单元1305，用于在资源推荐单元1304基于至少一个目标对象网络的目标数据特征，将相应的目标对象网络进行社区划分之前，对于每个目标对象网络，分别执行以下操作：
[0263]
将一个目标对象网络对应的当前待还原对象网络进行至少一次网络还原；其中，第一次网络还原过程中，当前待还原对象网络为一个目标对象网络；之后每一次网络还原过程中，当前待还原对象网络为上一次还原获得的目标对象网络。
[0264]
其中，网络还原单元1305用虚线框表示，表征该单元为执行上述相应的可选步骤时新增的单元。这里只是简单的举例，可以采用这种新增方式，也可以采用其他方式，本文不做具体限定。
[0265]
可选的，网络调整单元1306，用于在网络折叠单元1302选取与网络规模相匹配的社区划分路径，对初始对象网络进行网络折叠，获得至少一个目标对象网络之前，基于预设的变换策略，对初始对象网络对应的邻接矩阵进行矩阵变换，并基于变换后的邻接矩阵，对网络规模进行调整。
[0266]
其中，网络调整单元1306用虚线框表示，表征该单元为执行上述相应的可选步骤时新增的单元。这里只是简单的举例，可以采用这种新增方式，也可以采用其他方式，本文不做具体限定。
[0267]
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
[0268]
在介绍了本技术示例性实施方式的资源推荐方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
[0269]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0270]
与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种电子设备。在该实施例中，电子设备的结构可以如图14所示，包括存储器1401，通讯模块1403以及一个或多个处理器1402。
[0271]
存储器1401，用于存储处理器1402执行的计算机程序。存储器1401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
[0272]
存储器1401可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器1401也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固
态硬盘(solid-state drive，ssd)；或者存储器1401是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质，但不限于此。存储器1401可以是上述存储器的组合。
[0273]
处理器1402，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等等。处理器1402，用于调用存储器1401中存储的计算机程序时实现上述寄存器应用信息生成方法。
[0274]
通讯模块1403用于与终端设备和其他服务器进行通信。
[0275]
本技术实施例中不限定上述存储器1401、通讯模块1403和处理器1402之间的具体连接介质。本技术实施例在图14中以存储器1401和处理器1402之间通过总线1404连接，总线1404在图14中以粗线描述，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1404可以分为地址总线、数据总线、控制总线等。为便于描述，图14中仅用一条粗线描述，但并不描述仅有一根总线或一种类型的总线。
[0276]
存储器1401中存储有计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令用于实现本技术实施例的资源推荐方法。处理器1402用于执行上述的资源推荐方法，如图2所示。
[0277]
下面参照图15来描述根据本技术的这种实施方式的计算装置1500。图15的计算装置1500仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0278]
如图15，计算装置1500以通用计算装置的形式表现。计算装置1500的组件可以包括但不限于：上述至少一个处理单元1501、上述至少一个存储单元1502、连接不同系统组件(包括存储单元1502和处理单元1501)的总线1503。
[0279]
总线1503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0280]
存储单元1502可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1521和/或高速缓存存储器1522，还可以进一步包括只读存储器(rom)1523。
[0281]
存储单元1502还可以包括具有一组(至少一个)程序模块1524的程序/实用工具1525，这样的程序模块1524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0282]
计算装置1500也可以与一个或多个外部设备1504(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置1500交互的设备通信，和/或与使得该计算装置1500能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1505进行。并且，计算装置1500还可以通过网络适配器1506与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图15所示，网络适配器1506通过总线1503与用于计算装置1500的其它模块通信。应当理解，尽管图中未表示出，可以结合计算装置1500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0283]
在一些可能的实施方式中，本技术提供的资源推荐方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序，当程序产品在电子设备上运行时，计算机程序用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的资源推荐方法
中的步骤，例如，电子设备可以执行如图2中所示的步骤。
[0284]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0285]
本技术的实施方式的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括计算机程序，并可以在计算装置上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
[0286]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
[0287]
可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0288]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的计算机程序，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。计算机程序可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算装置，或者，可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
[0289]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0290]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0291]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0292]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0293]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。