S130和步骤S140,或者同时执行 步骤S120和步骤S150。
[0101] S160;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。
[010引步骤S140得到热点推荐对象的集合，步骤S150得到个性推荐对象的集合，将该两 个集合进行合并，可W得到针对目标用户的待推荐对象的集合。进一步的，可W将该待推荐 对象的集合中的对象推荐给目标用户。
[0103] 应用本发明实施例所提供的技术方案，根据获得的包含目标用户在内的多个用户 的关注行为数据，确定出目标用户对于热点对象的喜好，得到热点推荐对象的集合，并将目 标用户与其他用户的关注行为数据进行协同过滤，得到个性推荐对象的集合，合并热点推 荐对象的集合与个性推荐对象的集合，得到待推荐对象的集合，充分考虑了用户对于热点 对象的喜好，避免了推荐对象的单一性，推荐的准确率较高，可W提升用户体验。
[0104] 在本发明的一个实施例中，第一时间段可W由相等的多个子时间段构成，该方法 还可W包括W下步骤：
[01化]第一个步骤；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。
[0106] 步骤S110获得了在第一时间段内目标用户的关注行为数据，从目标用户的关注 行为数据中可W提取得到目标用户在各个子时间段内关注的对象及关注的对象的个数。比 如，第一时间段为一个月，各子时间段为该一个月的每一天，从目标用户的关注行为数据 中，获得目标用户在每一天关注的对象的个数。
[0107] 第二个步骤；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。
[0108] 在第一个步骤中，获得了目标用户在各个子时间段内关注的对象的个数，将所有 子时间段对应的个数进行平均，可W得到针对目标用户的待推荐对象的个数。也就是根据 目标用户在各个子时间段关注的对象的个数，对要推荐给该目标用户的对象的个数进行预 测。
[0109] 针对各个子时间段，可W继续执行第=个步骤的操作。
[0110] 第S个步骤：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。
[0111] 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。
[0112] 为方便理解，举例说明。
[0113] 在某个子时间段内，对象A被步骤S110中的多个用户关注的总关注次数为5,对 象B被步骤S110中的多个用户关注的总关注次数为8,对象C被步骤S110中的多个用户关 注的总关注次数为9,对象D被步骤S110中的多个用户关注的总关注次数为4,根据各个对 象的总关注次数，确定该子时间段的热点对象为对象B和对象C。目标用户关注的对象有3 个，分别为对象B、对象E和对象F，在目标用户关注的对象中对象B为热点对象，对象E和对 象F可W确定为目标用户关注的个性化对象，该目标用户在该子时间段的个性率即为；2/3 =66. 67%。
[0114] 第四个步骤；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。
[0115] 针对每个子时间段，均执行一次第S个步骤，则可W得到目标用户在各个子时间 段内的个性率，将该些个性率进行平均，可W得到目标用户在第一时间段内的个性率。
[0116] 第五个步骤；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。
[0117] 根据第二个步骤得到针对目标用户的待推荐对象的个数，根据第四个步骤得到目 标用户在第一时间段内的个性率，据此，可W确定出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：
[011引个性推荐对象的个数为；countn= nX入；
[0119] 热点推荐对象的个数为；countc= nX (1-入）。
[0120] 其中，n为待推荐对象的个数，A为个性率。
[0121] 相应的，步骤S140具体可W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。
[0122] 步骤S150具体可W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。
[0123] 根据目标用户的关注行为数据，确定要推荐给目标用户的对象的个数及个性率， 据此确定出热点推荐对象的个数及个性推荐对象的个数，更贴合用户的需求，提高推荐对 象的准确性。
[0124] 确定出针对目标用户的待推荐对象的集合后，可W将待推荐对象中的对象推荐给 目标用户。而在实际应用中，新用户的不断加入、新对象的出现，用户由于流行趋势或者新 事物出现导致的兴趣变化等，都需要对推荐对象进行动态调整。
[01巧]在本发明的一个实施例中，该方法还可W包括W下步骤：
[01%] 步骤一；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；
[0127] 步骤二：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；
[0128] 步骤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；
[0129] 步骤四：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。
[0130] 为描述方便，将上述四个步骤结合起来进行说明。
[0131] 将步骤S160得到的针对目标用户的待推荐对象的集合中的对象推荐给目标用户 后，可W获得在此之后的第二时间段内包含目标用户在内的多个用户的关注行为数据，在 目标用户的第二时间段内的关注行为数据中，可能包含目标用户针对当前的推荐对象的反 馈数据。该里的多个用户可W与步骤S110中的多个用户相同或不同。
[0132] 根据第二时间段内每一个对象被多个用户关注的总关注次数，可W确定第二时间 段的热点对象，并进一步确定目标用户在第二时间段的个性率。
[0133] 将第一时间段的个性率与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，则可W表明推荐对象所对应的第一时间段的个性率已经偏离了用户当 前行为特征，需要对第一时间段的个性率进行调整。如果二者差值的绝对值不高于该预设 第二阔值，则可W表明第一时间段的个性率与用户当前行为特征较为相似，对此可W不做 调整。
[0134] 具体的，可W采用基于多元线性回归的方法对个性率进行调整，参见下述公式：
[0135]
[0136] 其中，P、I、D为通过多次计算得到的经验值，C (i)为第i次进行待推荐对象的确 定时使用的个性率与第i-1次进行待推荐对象的确定时使用的个性率的差值。
[0137] 通过调整第一时间段的个性率，在进行下一次待推荐对象的确定时，可W根据调 整后的个性率确定待推荐对象中热点推荐对象的个数与个性推荐对象的个数。该样，更符 合用户的实际需求，可W提升用户体验。
[0138] 在本发明的一个实施例中，该方法还可W包括W下步骤：
[0139] 第一个步骤；获得所述目标用户在第S时间段内的关注行为数据，所述第S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；
[0140] 第二个步骤；根据所述目标用户在所述第S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；
[0141] 第=个步骤：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，如果是，则执行第四个步骤；
[0142] 第四个步骤；调整所述第一时间段。
[0143] 为描述方便，将上述四个步骤结合起来进行说明。
[0144] 将待推荐对象的集合中的对象推荐给目标用户后，可W获得目标用户在此之后第 =时间段内的关注行为数据，并确定出目标用户关注的对象为待推荐对象的集合中的对象 的个数，即目标用户在第=时间段内关注的对象有多少个是当前推荐给该目标用户的对 象。如果当前推荐给目标用户的对象可W完全满足或者部分满足目标用户的需求，则目标 用户关注的对象的集合与待推荐对象的集合会存在交集，交集中的对象即为目标用户在第 =时间段内关注的对象为待推荐对象的集合中的对象，可W将交集中对象的个数与待推荐 对象的集合中的对象的个数的比值确定为推荐准确率。
[0145] 需要说明的是，在本发明实施例中，可W将第一时间段的多个用户的关注行为数 据作为当前使用的训练集，如果当前训练集大小合适，则在不考虑其他因素的情况下推荐 准确率应该比较高，反之，推荐准确率比较低。因此，如果推荐准确率低于预设第=阔值， 可W表明当前的推荐对象对于目标用户来说不是很准确，目标用户对于推荐对象的兴趣不 高，当前训练集大小不太合适。可W对当前训练集大小进行调整，也就是调整第一时间段。 对推荐准确率与预设第=阔值的比较过程也就是性能评估过程。
[0146] 在实际应用中，推荐、性能评估、调整为一个循环过程，也就是说在每一次执行推 荐步骤时，第一时间段的关注行为数据可能发生变化，多次执行推荐、性能评估、调整的步 骤，可W使得到的待推荐对象更为准确。
[0147] 对于当前训练集的具体调整数量与调整的次数有关，如果调整的次数低于某一预 设次数要求，如要求为3次，则可W对训练集进行线性调整，及每次对当前训练集加或减1 个子时间段的关注行为数据，如果调整的次数高于该预设次数要求，则可W从该次，如第3 次开始，对当前训练集进行指数调整，如对当前训练集加或减W 2为底的指数个子时间段 的关注行为数据，此即为采用"慢恢复"与"快调整"的实施方法。当然，本领域技术人员也 可W通过其他方法对当前训练集进行调整，本发