及其购买力等等。
[0114]推荐模块300，用于基于所述设备配置信息及所述用户特征，对所述目标用户进行设备配置推荐。
[0115]所述推荐模块300包括调整与反馈单元，用于依据所述用户特征，对所述设备配置信息进行调整，得到待推荐的目标设备配置信息，并反馈所述目标设备配置信息。
[0116]具体地，在获取用户特征之后，可基于用户特征，如用户是否具有某一方面的应用偏好特性，用户购买力等考虑用户的实际设备配置需求，在此基础上初步制定出符合用户需求的设备配置信息。
[0117]接下来，以生成的设备配置信息为参考，对用户当前设备的设备配置信息进行相应调整，得到一套能够较好地与用户的实际配置需求相吻合的设备配置信息，最终可通过向用户设备反馈所述设备配置信息来实现设备配置的推荐。
[0118]由以上方案可知，本申请提供的设备配置推荐装置，基于用户当前设备的设备配置信息及预设时段内用户在其设备上的操作行为信息，确定用户特征，在此基础上，根据用户特征及其当前设备的设备配置信息，向用户推荐合适的设备配置。可见，本申请基于用户特征，并结合其当前设备的配置信息，综合考虑了用户的设备配置需求，在此基础上实现了为用户推荐符合其需求的设备配置，相比于现有技术从用户兴趣角度进行产品推荐的方式，本申请真正考虑了用户的配置需求，实现了设备配置级别这一更细粒度的推荐，进一步满足了用户需求。
[0119]实施例五
[0120]参考图5，图5为本申请提供的一种设备配置推荐装置实施例五的结构示意图，本实施例五中，所述确定模块200具体包括:
[0121 ]第一确定单元211，用于依据所述操作行为信息，确定所述目标用户与所述设备配置信息相关的用户需求特征。
[0122]本实施例的方案适用于具有某方面突出特征的特殊用户。
[0123]其中，可基于采集的各项用户信息，如用户的各种操作行为信息等，分析目标用户是否具有某一方面的突出特征，如果采集的用户操作行为信息中包括大量、较为频繁的某款/多款游戏软件的使用信息，即游戏相关信息在采集的总信息量中具有相当高的占比，则可分析出该用户为重度的游戏爱好者，如重度的网络3D(3-Dimens1n，三维)游戏爱好者或重度的大型单机游戏爱好者等；如果采集的用户操作行为信息中包括大量、较为频繁的某款软件开发工具的使用信息、大量关于软件开发的网页浏览信息等，则可分析出该用户为编程愛好者/程序工作者。
[0124]此类用户由于具有较为显著的某方面特征，因此可重点针对该类用户在相应方面的偏好特征，如偏好游戏、偏好软件开发等，对用户进行设备配置推荐。
[0125]具体地，在分析出用户具备某方面突出特征的基础上，可继续结合用户特征以及采集的当前设备配置信息、用户操作行为信息，分析用户与其当前设备配置相关的用户需求特征，比如假设用户偏好大型3D网络游戏，且通过采集的用户信息获知游戏过程中经常产生卡顿，则可分析出用户具有更高的显卡配置需求、更高的CPU配置需求或更高的内存配置需求等(相比于当前的设备配置)；假设用户偏好软件开发，且运行程序过程经常出现程序无响应或程序反应速度慢等问题，则可分析出用户的CPU使用量较大或内存使用率过高，从而用户具有更高的CPU配置需求或更高的内存配置需求(相比于当前的设备配置)。
[0126]在此基础上，可根据用户与其当前设备配置相关的需求特征，为用户生成相应的设备配置信息，例如生成更高配置的显卡信息、CPU信息等，由以上描述可知，该设备配置信息重点针对用户在某方面的偏好特征提供，从而在利用生成的所述设备配置信息，对用户当前设备的配置信息进行调整后，可实现为游戏爱好者或编程爱好者等具有某方面突出特征的用户，推荐一套满足其某方面应用偏好需求的设备配置信息，从而可有效满足用户需求，进一步提升了推荐质量。
[0127]实施例六
[0128]参考图6，图6为本申请提供的一种设备配置推荐装置实施例六的结构示意图，本实施例六中，所述确定模块200具体包括::
[0129]第一分析单元221，用于基于所述目标用户在所述用户设备上的软件操作信息及网页浏览信息，分析所述目标用户的性别、年龄、兴趣、行业和购买力；
[0130]第二分析单元222，用于基于所述目标用户使用所述用户设备的时间和频率，分析所述目标用户的在线活跃时间；
[0131 ]第三分析单元223，用于基于所述目标用户移动所述用户设备时的位置变化信息，分析所述目标用户的移动性；
[0132]第二确定单元224，用于利用所述设备配置信息及所述目标用户的性别、年龄、兴趣、行业、购买力、在线活跃时间及移动性，确定所述目标用户的用户特征。
[0133]本实施例的方案适用于不具有相应突出特征的普通用户。
[0134]具体地，针对采集的各方面用户操作行为信息，如各款软件的操作信息、各种不同内容的网页浏览信息等，在总采集信息量中的占比较为均衡，不能突出反映用户某方面特征的情况，本实施例采用综合考虑多方面用户特征点的方式，例如综合考虑用户的性别、年龄、兴趣、行业、购买力等，来分析用户的配置需求，进而实现在此基础上的设备配置推荐。
[0135]基于此，本实施例中所述用户特征具体为用户多方面特征点的综合，从而可采用特征向量F = (f i，f 2，…f n)来表征用户特征，其中，1-η分别对应用户的η个特征点，如性别、年龄、兴趣、行业、购买力、在线活跃时间、移动性等，fi为特征分量，fi = (S1，S2，…St)，表征用户在其第i个特征点的各个取值维度的概率，以“性别”为用户的第I个特征点，且性别的取值维度为“女性”、“男性”为例，则fi表示用户的性别特征分量，fi = (40%，60%)表示用户为女性的概率为40%，为男性的概率为60%。
[0136]用户特征向量中各特征分量在其相应维度的取值，具体可基于采集的用用户操作行为信息分析得出，其中，可依据用户的软件操作信息及网页浏览信息，分析用户在性别、年龄、兴趣、行业和购买力等各特征点相应取值维度的概率，依据用户使用其设备的时间和频率，分析用户的在线活跃时间在各个取值维度的概率，依据用户移动所述用户设备时的位置变化信息，分析用户的移动性在各个取值维度(如将移动性分为强、中、弱三个级别等)的概率。
[0137]其中，此部分具体可采用预先训练分类模型，并采用分类模型对分类目标进行分类的方式，来提升用户特征分析的准确度，例如预先基于大量用户浏览网页的关键词词汇训练一用户兴趣的分类模型，从而后续可通过向该模型输入采集的用户网页浏览信息，如输入一系列关键词汇等，得到该模型输出的用户在兴趣这一特征点的各个预设取值维度(如购物、理财、游戏、音乐等)上的概率。
[0138]在基于采集的用户操作行为信息分析出用户特征向量的基础上，可继续依据用户当前设备的配置信息，对用户特征向量进行适当调整，如基于当前设备的配置情况，适当调整用户的购买力取值等等，最终得到能够较为准确地反映用户特征的用户特征向量。
[0139]在此基础上，参考图6，所述推荐模块300中的调整与反馈单元具体包括:
[0140]第一获取子单元311，用于获取预先建立的用户特征向量与设备配置间的关联模型;其中，所述设备配置包括至少一个配置项，每个所述配置项对应相应维度的多个可选取值；
[0141 ]计算子单元312，用于利用所述关联模型，计算所述目标用户特征向量与所述设备配置间的相关系数;所述相关系数包括所述目标用户与每个所述配置项的每个取值间的相关度数值；
[0142]第二获取子单元313，用于获取相关度数值最大的各个配置项取值，得到参考配置信息；
[0143]调整子单元314，用于利用所述参考配置信息对所述设备配置信息进行调整，得到所述目标设备配置信息。
[0144]所述设备配置共包括q个配置项，可表示为Cl=U1, k2，‘"kq)，其中，ki表示CPU主频、CPU型号、内存大小、显寸容量、显卡型号、显示器尺寸、显示器分辨率、硬盘容量等配置项中的任意一项，每个配置项具有相应预设个数的可选取值，比如内存有IG，2G，4G，8G，16G共5个可选取值等。
[0145]本实施例预先建立用户特征向量与所述设备配置间的关联