微博推荐方法和终端的制作方法
【技术领域】
[0001] 本发明实施例涉及信息技术领域，尤其涉及一种微博推荐方法和终端。
【背景技术】
[0002] 微博已成为人们日常生活的一部分，可以满足人们各方面的需求，如信息、社交和 休闲等。对于微博来说，及时恰当地推荐满足用户需求的微博产品，如微博话题、微博音乐 和微博商品等，可以极大地提高用户对微博的依赖性。
[0003] 现有技术中，为了找到满足用户需求的产品，微博会对用户网页端的数据进行简 单规则的统计，进而提供用户个性化的微博产品的推荐，但由于用户网页端的数据类型单 一，对其进行简单的统计并不能准确的得出比较能满足用户需求的微博产品，导致用户体 验性差。
【发明内容】
[0004] 本发明实施例提供一种微博推荐方法和终端，用以实现向用户推送比较能满足用 户需求的微博产品，使用户获得更好的体验。
[0005] 第一方面，本发明实施例提供了一种微博推荐方法，包括：
[0006] 获取终端的第一状态感知数据；
[0007] 将所述第一状态感知数据按照数据类别模型进行分类，并获得分类结果；
[0008] 根据预设的计算规则对所述分类结果进行统计，确定第一兴趣状态数据；
[0009] 根据微博推荐模型，确定所述第一兴趣状态数据对应的微博产品，并向用户推荐 所述微博产品。
[0010] 结合第一方面，在第一方面的第一种实施方式中，所述将所述第一状态感知数据 按照数据类别模型进行分类之前还包括：
[0011] 按照预设的采集频率对第一交互数据进行采集，获得第二交互数据，所述第一交 互数据为从微博服务提供商与所述终端交互的数据；
[0012] 采用降低维度技术或者矩阵分解技术对所述第二交互数据进行过滤，获得第一数 量的第三交互数据；
[0013] 按照所述数据类别模型获取第二数量的所述第三交互数据并进行标注，所述第二 数量小于或等于第一数量；
[0014] 采用终生机器学习方法对标注后的第三交互数据进行训练，获得所述数据类别模 型。
[0015] 结合第一方面或第一方面的第一种实施方式，在第一方面的第二种实施方式中， 所述将所述第一状态感知数据按照数据类别模型进行分类之前，还包括：
[0016] 采用降低维度技术或者矩阵分解技术对所述第一状态感知数据进行过滤，获得第 二状态感知数据；
[0017] 所述将所述第一状态感知数据按照数据类别模型进行分类，并获得分类结果包 括：
[0018] 将所述第二状态感知数据按照所述数据类别模型进行分类，并获得分类结果。
[0019] 结合第一方面或第一方面的第一种实施方式或第一方面的第二种实施方式，在第 一方面的第三种实施方式中，所述根据微博推荐模型，确定所述第一兴趣状态数据对应的 微博产品之前，还包括：
[0020] 按照微博产品的类别获取第三数量的历史兴趣状态数据，并对所述历史兴趣状态 数据进行标注；
[0021] 利用终生机器学习方法对所述标注后的历史兴趣状态数据进行训练，确定所述微 博推荐模型。
[0022] 结合第一方面或第一方面的第一种实施方式或第一方面的第二种实施方式或第 一方面的第三种实施方式，在第一方面的第四种实施方式中，所述向用户推荐所述微博产 品之后，还包括：
[0023] 获取用户反馈的微博推荐信息；
[0024] 根据所述微博推荐信息，更新所述微博推荐模型。
[0025] 结合第一方面或第一方面的第一种实施方式或第一方面的第二种实施方式或第 一方面的第三种实施方式或第一方面的第四种实施方式，在第一方面的第五种实施方式 中，根据预设的计算规则对所述分类结果进行统计，确定第一兴趣状态数据之前，还包括： 确定所述分类结果对应的权重；
[0026] 所述根据预设的计算规则对所述分类结果进行统计包括：
[0027] 根据所述分类结果对应的权重对所述第一状态感知数据进行整合计算，得到所述 第一兴趣状态数据。
[0028] 第二方面，本发明实施例提供了一种终端，包括：
[0029] 获取模块，用于获取所述终端的第一状态感知数据；
[0030] 分类模块，用于将所述第一状态感知数据按照数据类别模型进行分类，并获得分 类结果；
[0031] 计算模块，用于根据预设的计算规则对所述分类结果进行统计，确定第一兴趣状 态数据；
[0032] 确定模块，用于根据微博推荐模型，确定所述第一兴趣状态数据对应的微博产品， 并向用户推荐所述微博产品。
[0033] 结合第二方面，在第二方面的第一种实施方式中，所述的终端还包括采集模块、第 一过滤模块、第一标记模块以及第一训练模块，
[0034] 所述采集模块，具体用于按照预设的采集频率对第一交互数据进行采集，获得第 二交互数据，所述第一交互数据为微博服务提供商与所述终端交互的数据；
[0035] 所述第一过滤模块，具体用于采用降低维度技术或者矩阵分解技术对所述第二交 互数据进行过滤，获得第一数量的第三交互数据；
[0036] 所述第一标记模块，具体用于按照所述数据类别模型获取第二数量的所述第三交 互数据并进行标注；
[0037] 所述第一训练模块，具体用于采用终生机器学习方法对标注后的第三交互数据进 行训练，获得所述数据类别模型；
[0038] 所述分类模块，具体用于将所述第一状态感知数据按照所述第一训练模块训练出 的数据类别模型进行分类，并获得分类结果。结合第二方面或第二方面的第一种实施方式， 在第二方面的第二种实施方式中，所述终端还包括第二过滤模块，
[0039] 所述第二过滤模块，具体用于采用降低维度技术或者矩阵分解技术对所述第一状 态感知数据进行过滤，获得第二状态感知数据；
[0040] 所述分类模块，具体用于将所述第二状态感知数据按照所述数据类别模型进行分 类，并获得分类结果。
[0041] 结合第二方面或第二方面的第一种实施方式或第二方面的第二种实施方式，在第 二方面的第三种实施方式中，所述终端还包括第二训练模块，
[0042] 所述获取模块，还用于按照微博产品的类别获取第三数量的历史兴趣状态数据进 行标注；
[0043] 所述第二训练模块，具体用于利用终生机器学习方法对所述标注后的历史兴趣状 态数据进行训练，确定所述微博推荐模型。
[0044] 结合第二方面或第二方面的第一种实施方式或第二方面的第二种实施方式或第 二方面的第三种实施方式，在第二方面的第四种实施方式中，所述终端还包括更新模块，
[0045] 所述获取模块，还用于获取用户反馈的微博推荐信息；
[0046]所述更新模块，具体用于根据所述微博推荐信息，更新所述微博推荐模型。
[0047] 结合第二方面或第二方面的第一种实施方式或第二方面的第二种实施方式或第 二方面的第三种实施方式或第二方面的第四种实施方式，在第二方面的第五种实施方式 中，
[0048] 所述确定模块，还用于确定所述分类结果对应的权重；
[0049] 所述计算模块，具体用于根据所述分类结果对应的权重对所述第一状态感知数据 进行整合计算，得到所述第一兴趣状态数据。
[0050] 本发明提供的微博推荐方法和终端，通过获取终端的第一状态感知数据；将该第 一状态感知数据按照数据类别模型进行分类，并获得分类结果；根据预设的计算规则对分 类结果进行计算，确定第一兴趣状态数据；根据预设的微博推荐模型，确定该第一兴趣状态 数据对应的微博产品，并向用户推荐所述微博产品。本发明通过针对每个用户获取数据类 别模型和预设的微博推荐模型，实现向每个用户推送比较能满足用户需求的微博产品，使 用户获得更好的体验。
【附图说明】
[0051] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的 附图。
[0052] 图1为本发明微博推荐方法一个实施例的流程图；
[0053] 图2为本发明微博推荐方法又一个实施例的流程图；
[0054] 图3为本发明终端一个实施例的结构示意图；
[0055] 图4为本发明终端的另一个实施例的结构示意图；
[0056] 图5为本发明终端的另一个实施例的结构示意图。
【具体实施方式】
[0057] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058] 图1为本发明微博推荐方法的一个实施例的流程图，如图1所示，本实施例的执 行主体是终端，具体可以通过软件、硬件，或者软件和硬件相结合的方式实现。则该方法包 括：
[0059] 步骤101，获取终端的第一状态感知数据。
[0060] 本实施例中，第一状态感知数据为微博服务提供商与当前状态下终端交互的数 据。第一状态感知数据包括服务请求数据、该用户的个性化数据和地理位置数据中至少一 种。
[0061] 其中，服务请求数据包括该请求的接收的时间、终端的IP地址、服务类型、语言类 型、关键字段等数据，如一个服务请求数据为：2013年09月20日上午9点192. 168. 1. 3浏 览网页中文体育-羽毛球比赛。根据服务请求数据中的服务类型，服务请求数据可为网页 浏览请求数据，拨打电话请求数据，多媒体请求数据，网上购物请求数据等。
[0062] 其中，用户个性化数据可以为该用户的基本信息数据，该终端的软件参数、硬件参 数等。上述的用户基本信息数据包含该用户的性别，年龄等信息，如用户的基本信息数据 为：性别：女，年龄：25岁。软件参数为该终端所使用的操作系统信息，如该终端所使用的操 作系统为安卓操作系统。硬件参数为该终端的网卡地址数据。
[0063] 其中，地理位置数据为在该终端和微博服务提供商交互时该终端所处的具体位置 数据。
[0064] 步骤102,将第一状态感知数据按照数据类别模型进行分类，并获得分类结果。 [0065] 具体地，数据类别模型包括用户基本信息模型，用户语言模型，用户兴趣模型和用 户活动模型。
[0066] 对应于数据类别模型，对第一状态感知数据进行特征抽取处理，得到的第一状态 感知数据可分为：用户基本信息数据，用户语言数据，用户兴趣数据和用户活动数据。
[0067] 具体地，在将第一状态感知数据按照数据类别模型进行分类前，首先对第一对状 态感知数据进行特征抽取的处理方法描述如下：
[0068] 将第一状态感知数据进行线性及非线性的组合