一种待推荐对象的确定方法及装置的制造方法
【技术领域】
[0001] 本发明设及互联网技术领域，特别设及一种待推荐对象的确定方法及装置。
【背景技术】
[0002] 随着互联网技术的快速发展，各种类型网站大量涌现，给人们的工作和生活带来 了便利。比如，视频网站，为用户提供了各种类型的视频文件W供人们休闲和娱乐，再如，购 物网站，为用户提供了各种类型的商品，可W满足人们的日常需求。随着时间的积累，网站 中的对象数量越来越多，为了更好的推广对象及为用户带来更好的用户体验，网站会针对 目标用户进行相应的对象推荐。
[0003] 目前，常见的推荐方法是通过分析目标用户的关注行为数据，确定目标用户关注 的对象的内容，如文本、元数据、特征等，将与之相关的其他对象推荐给目标用户。
[0004] 现有的该种推荐方法单纯依靠目标用户的关注行为数据，得到与目标用户所关注 的对象相关的对象进行推荐，比较单一，忽略了用户对于热点对象的喜好，推荐的准确性不 高，用户体验较差。
【发明内容】
[0005] 为解决上述问题，本发明实施例公开了一种待推荐对象的确定方法及装置。技术 方案如下：
[0006] 一种待推荐对象的确定方法，包括：
[0007] 获得预设的第一时间段内包含目标用户在内的多个用户针对预设关注对象组中 各对象的关注行为数据；
[000引分别从所述多个用户的关注行为数据中提取所述多个用户中每一个用户对所述 预设关注对象组中每一个对象的关注次数；
[0009] 确定所述第一时间段内每一个对象被所述多个用户关注的总关注次数；
[0010] 根据确定的每一个对象的总关注次数，确定热点推荐对象的集合；
[0011] 对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用 户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合；
[0012] 将所述热点推荐对象的集合与所述个性推荐对象的集合进行合并，得到针对所述 目标用户的待推荐对象的集合。
[0013] 在本发明的一种【具体实施方式】中，所述第一时间段由相等的多个子时间段构成， 所述方法还包括：
[0014] 从所述目标用户的关注行为数据中提取所述目标用户在各个子时间段内关注的 对象的个数；
[0015] 根据提取的所述目标用户在各个子时间段内关注的对象的个数，确定针对所述目 标用户的待推荐对象的个数；
[0016] 针对各个子时间段：
[0017] 获得该子时间段内每一个对象被所述多个用户关注的总关注次数；根据获得的总 关注次数，确定该子时间段的热点对象，并进一步确定所述目标用户在该子时间段的个性 率，所述目标用户在该子时间段的个性率为所述目标用户在该子时间段内关注的个性化对 象的个数与所述目标用户在该子时间段内关注的对象的总个数的比值，所述个性化对象为 所述目标用户关注的对象中非热点对象的对象；
[001引将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述 第一时间段内的个性率；
[0019] 根据确定的针对所述目标用户的待推荐对象的个数和所述目标用户在所述第一 时间段内的个性率，确定待推荐对象中热点推荐对象的个数及个性推荐对象的个数；
[0020] 所述根据确定的每一个对象的总关注次数，确定热点推荐对象的集合，包括：
[0021] 根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的 个数的热点推荐对象的集合；
[0022] 所述对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其 他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集合，包括：
[0023] 对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用 户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个 性推荐对象的集合。
[0024] 在本发明的一种【具体实施方式】中，所述对所述目标用户的关注行为数据与所述多 个用户中除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐 对象的集合，包括：
[0025] 根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包 含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；
[0026] 针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对 象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度 是否高于预设第一阔值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；
[0027] 根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标 用户的个性推荐对象。
[002引在本发明的一种【具体实施方式】中，还包括：
[0029] 获得包含所述目标用户在内的多个用户在第二时间段内的关注行为数据，所述第 二时间段为将所述待推荐对象的集合中的对象推荐给所述目标用户后的时间段；
[0030] 获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数；
[0031] 根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点 对象，并进一步确定所述目标用户在所述第二时间段的个性率；
[0032] 将所述第一时间段的个性率与所述第二时间段的个性率进行比较，如果二者差值 的绝对值高于预设第二阔值，则对所述第一时间段的个性率进行调整。
[0033] 在本发明的一种【具体实施方式】中，还包括：
[0034] 获得所述目标用户在第=时间段内的关注行为数据，所述第=时间段为将所述待 推荐对象的集合中的对象推荐给所述目标用户后的时间段；
[0035] 根据所述目标用户在所述第=时间段内的关注行为数据，确定所述目标用户关注 的对象为所述待推荐对象的集合中的对象的个数；
[0036] 判断推荐准确率是否低于预设第=阔值，所述推荐准确率为：所述目标用户关注 的对象为所述待推荐对象的集合中的对象的个数与所述待推荐对象的集合中的对象的总 个数的比值；
[0037] 如果是，则调整所述第一时间段。
[003引一种待推荐对象的确定装置，包括：
[0039] 行为数据获得模块，用于获得预设的第一时间段内包含目标用户在内的多个用户 针对预设关注对象组中各对象的关注行为数据；
[0040] 关注次数提取模块，用于分别从所述多个用户的关注行为数据中提取所述多个用 户中每一个用户对所述预设关注对象组中每一个对象的关注次数；
[0041] 关注次数确定模块，用于确定所述第一时间段内每一个对象被所述多个用户关注 的总关注次数；
[0042] 热点推荐对象确定模块，用于根据确定的每一个对象的总关注次数，确定热点推 荐对象的集合；
[0043] 个性推荐对象获得模块，用于对所述目标用户的关注行为数据与所述多个用户中 除所述目标用户外的其他用户的关注行为数据进行协同过滤处理，获得个性推荐对象的集 合；
[0044] 待推荐对象确定模块，用于将所述热点推荐对象的集合与所述个性推荐对象的集 合进行合并，得到针对所述目标用户的待推荐对象的集合。
[0045] 在本发明的一种【具体实施方式】中，所述第一时间段由相等的多个子时间段构成， 所述装置还包括：
[0046] 待推荐对象个数确定模块，用于从所述目标用户的关注行为数据中提取所述目标 用户在各个子时间段内关注的对象的个数；根据提取的所述目标用户在各个子时间段内关 注的对象的个数，确定针对所述目标用户的待推荐对象的个数；
[0047] 个性率确定模块，用于针对各个子时间段；获得该子时间段内每一个对象被所述 多个用户关注的总关注次数；根据获得的总关注次数，确定该子时间段的热点对象，并进 一步确定所述目标用户在该子时间段的个性率，所述目标用户在该子时间段的个性率为所 述目标用户在该子时间段内关注的个性化对象的个数与所述目标用户在该子时间段内关 注的对象的总个数的比值，所述个性化对象为所述目标用户关注的对象中非热点对象的对 象；将所述目标用户在各个子时间段内的个性率进行平均，得到所述目标用户在所述第一 时间段内的个性率；
[0048] 热点推荐对象个数及个性推荐对象个数确定模块，用于根据确定的针对所述目标 用户的待推荐对象的个数和所述目标用户在所述第一时间段内的个性率，确定待推荐对象 中热点推荐对象的个数及个性推荐对象的个数；
[0049] 所述热点推荐对象确定模块，具体用于：
[0050] 根据确定的每一个对象的总关注次数，确定对象个数为所确定的热点推荐对象的 个数的热点推荐对象的集合；
[0051] 所述个性推荐对象获得模块，具体用于：
[0化2] 对所述目标用户的关注行为数据与所述多个用户中除所述目标用户外的其他用 户的关注行为数据进行协同过滤处理，确定对象个数为所确定的个性推荐对象的个数的个 性推荐对象的集合。
[0053] 在本发明的一种【具体实施方式】中，所述个性推荐对象获得模块，具体用于：
[0054] 根据所述多个用户的关注行为数据，构建评分矩阵，所述评分矩阵的元素至少包 含用户的标识、用户关注的对象的标识和用户对所关注对象的隐式评分；
[0055] 针对所述多个用户中除所述目标用户外的各个用户，根据所述目标用户关注的对 象的标识，确定该用户关注的对象与所述目标用户关注的对象的相似度，判断所述相似度 是否高于预设第一阔值，如果是，则将该用户确定为所述目标用户的兴趣相似用户；
[0化6] 根据所述评分矩阵中兴趣相似用户对所关注对象的隐式评分，确定针对所述目标 用户的个性推荐对象。
[0化7] 在本发明的一种【具体实施方式】中，还包括个性率调整模块：
[005引所述个性率调整模块，用于获得包含所述目标用户在内的多个用户在第二时间段 内的关注行为数据，所述第二时间段为将所述待推荐对象的集合中的对象推荐给所述目标 用户后的时间段；获得所述第二时间段内每一个对象被所述多个用户关注的总关注次数； 根据获得的第二时间段内每一个对象的总关注次数，确定所述第二时间段的热点对象，并 进一步确定所述目标用户在所述第二时间段的个性率；将所述第一时间段的个性率与所述 第二时间段的个性率进行比较，如果二者差值的绝对值高于预设第二阔值，则对所述第一 时间段的个性率进行调整。