CN105913273A - 智能推荐的全端显示方法及装置 - Google Patents

Abstract

本发明实施例提供一种智能推荐的全端显示方法及装置。当检测到任意设备端有用户数据更新时，获取更新数据以及用户识别信息；根据所述更新数据结合预先训练的兴趣模型计算推荐结果，并将所述推荐结果与用户识别信息对应存入服务器中；当检测到任意设备端取推荐信息时，获取用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。实现了智能推荐在各个设备端的统一，方便用户在全端获取信息。

Description

智能推荐的全端显示方法及装置

技术领域

本发明实施例涉及视频技术领域，尤其涉及一种智能推荐的全端显示方法及装置。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，因此导致用户对信息的使用效率反而降低了，即所谓的信息超载。例如，随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息超载问题中的消费者不断流失。

目前，智能推荐***的出现是解决信息超载问题的一个非常有潜力的方法。智能推荐***是一个根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐***。与传统的搜索引擎相比，智能推荐***通过研究用户的兴趣偏好，进行个性化计算，由***发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐***不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

随着智能设备的种类的逐渐增多，智能推荐在更多设备端上有了用武之地，但是由于智能推荐***应用在各端的相关位置，对于同一用户，位于不同设备端的智能推荐结果不同，因此很难准确捕捉用户行为。若是不能准确捕捉用户的行为，则会导致在用户兴趣度模型建立的时候产生偏差，从而影响智能推荐***的质量。比如，乐视集团目前涵盖PC，APP，TV等端，对于视频的智能推荐，若是各端的推荐内容不统一将会影响用户观影体验，甚至有可能在一定程度上影响用户对视频的依赖性。

因此，一种新的智能推荐在全端展示的方法亟待提出。

发明内容

本发明实施例提供一种智能推荐的全端显示方法及装置，用以解决现有技术中智能推荐在不同设备端推荐内容不统一的缺陷，实现了智能推荐在全端的同一显示。

本发明实施例提供一种智能推荐的全端显示方法，包括：

当检测到任意设备端有用户数据更新时，获取更新数据以及用户识别信息；

根据所述更新数据计算推荐结果，并将所述推荐结果与用户识别信息对应存入服务器中；

当检测到任意设备端获取推荐信息时，获取用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

本发明实施例提供一种智能推荐的全端显示装置，包括：

数据获取模块，当检测到任意设备端有用户数据更新时，用于获取更新数据以及用户识别信息；

计算模块，用于根据所述更新数据结合预先训练的兴趣模型计算推荐结果，并将所述推荐结果与用户识别信息对应存入服务器中；

推荐模块，当检测到任意设备端获取推荐信息时，用于获取用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

本发明实施例提供的智能推荐的全端显示方法及装置，通过各个设备端对用户的行为进行捕捉从而建立用户兴趣模型，并根据兴趣模型将推荐结果存在同一服务器中，辅以用户识别信息，当通过不同设备端向用户进行信息推荐时，从同一服务器拉取数据，由此实现了智能推荐在各个端的统一，方便用户在全端获取信息。与此同时，通过各个设备端可以更准确地捕捉丰富的用户行为信息，将之用于训练用户兴趣模型，可以为后续的推荐提供更加准确的信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。

图1为本发明实施例一的技术流程图；

图2为本发明实施例二的技术流程图；

图3是本发明实施例三的技术流程图；

图4为本发明实施例四的装置结构示意图。

具体实施方式

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，都属于本发明保护的范围。

需要说明的是，本发明所述的“服务器”并非指一台服务器设备，为了保证服务器的负载均衡，服务器可以有多个子节点构成，因此应当理解，本发明各实施例中所述的服务器是指由多台服务器设备构成的服务器集群。

本发明实施例的智能推荐方法，适用于所有需要信息推荐的***，如视频推荐或是电子商务中商品推荐以及其他类型的智能推荐场景。

实施例一

图1是本发明实施例一的技术流程图，结合图1，本发明实施例一种智能推荐的全端显示方法，在服务器端主要由以下的步骤实现：

步骤110：当检测到任意设备端有用户数据更新时，获取更新数据以及用户识别信息；

本发明实施例中的所述数据更新可以包括用户对现有信息的操作、用户的访问足迹、搜索内容、用户在某一界面停留的时间等。例如在视频播放设备中，获取用户对现有展示视频的选择情况，用户的观看类型以及用户发起搜索的视频名称以及发起搜索的视频分类，用户对某部影片的分享及评分情况等；在电子商务中，可以是用户选择的商品品牌、商品类型、对某一商品的浏览时间、使用评价等等。

获取用户识别信息目的在于，将用户的账号信息与用户数据唯一对应地保存在服务器中，从而，当用户用同一账号登录各设备端时，生成的个性化推荐主题顺序、主题内推荐信息排序与用户的兴趣度相关并且各设备端数据保持一致。若用户在浏览信息时处于未登录状态或，则可获取用户的IP地址，建立用户数据与唯一IP地址的对应关系，从而也能实现用户兴趣的捕捉以及相关推荐。本发明实施例中的所述设备端包括Web端，手机端以及TV端等，这些设备通常有一个唯一的识别号，因此，本发明实施例还可以通过设备识别号与相应的用户关联，通过建立用户数据与设备识别号的对应关系进行用户兴趣的捕捉与推荐。

步骤120：根据所述更新数据计算推荐结果，并将所述推荐结果与用户识别信息对应存入服务器中；

可选地，需要结合预先训练的兴趣模型计算推荐结果；根据用户的所述更新数据可以判断出用户的兴趣点所在，即用户感兴趣的信息包括哪些特征，并跟据所述特征寻找用户可能会感兴趣的信息。例如，在使用视频播放客户端时，用户搜索电视剧为某一谍战剧且观看时间较长，后台检测到用户的搜索结果，并对这部谍战剧进行特征分析，得到故事主题，风格定位，背景年代，情节等方面。

本发明实施例中，所述特征分析通过查询预先建立的特征标签实现。根据所述查询到的特征标签，调用服务器中预先训练的兴趣模型进行匹配，得到相应的推荐结果，并将获取到的用户识别信息与推荐结果对应地保存在服务器中用于后续信息拉取。

步骤130：当检测到任意设备端取推荐信息时，获取用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

本发明实施例的核心在于，位于各设备端的用户推荐***使用同一服务器数据，而这些服务器数据可以由多个服务器来承载，其中服务器的数量不做限制。当用户需要读取推荐结果时，不管是Web端，App，还是TV端，均从统一的服务器数据中记录的推荐结果中拉取信息，从而保证推荐结果在不同客户端的一致性。本实施例中，实时检测用户的操作数据，并与用户的账号信息结合，使用预先建立的兴趣模型计算用户个性化的推荐结果，将推荐结果存入统一的服务器，实现了为用户进行信息推荐时，在各个设备端有相同的推荐结果，方便用户对于信息的获取，提升了用户体验。

实施例二

图2是本发明实施例二对应的技术流程图，结合图2，本发明实施例一种智能推荐的全端显示方法中，训练兴趣模型的过程如下：

步骤：210：对每一个待推荐的目标信息建立特征标签；

本发明实施例中，信息推荐的关键在于根据待推荐信息的特征标签建立用户兴趣模型，其中，特征标签是待推荐信息的特征标记，每一条推荐信息对应的特征标签的数量不做限制，可以固定为某个数值，也可以根据推荐信息的特征决定，但是这一特征标签需尽可能覆盖待推荐信息的所有特征，这样才能够实现更加精确的信息推荐。例如，在视频信息分类中，视频特征标签可以是“喜剧”、“港台”、“冒险”、“偶像”、“动漫”、“抗战”、“民国”等等，这些标签一定程度上代表了视频的实际特征。当然视频标签还包括视频固有属性的自动转化，例如：主演、导演等，同样对于某一商品，其商品标签也包括其品牌、产地等固有属性的转化。

步骤220：根据所述特征标签计算每个所述目标信息之间的相似度；

本实施例中，相似度的计算为用户历史行为与待推荐信息之间的相似度计算，其目的在于，计算用户兴趣，找到与用户历史行为相关的最相似的部分信息。若用户的历史数据较少或者用户爱好较为单一，则可能产生许多单特征标签的推荐信息，如“喜剧电影”或者“黄渤主演的电影”。具体地，首先根据用户的历史数据分析得到用户感兴趣的信息，查找所述用户感兴趣的信息对应的特征标签作为参考特征标签，计算所述待推荐目标信息的特征标签与所述参考特征标签之间的相似度，根据所述相似度向用户推荐可能感兴趣的信息。其中，用户的历史行为包括用户在一段时间范围内在各个设备端的产生的信息获取记录。

本发明实施例中以所述特征标签作为所述相似度计算的维度，根据向量距离计算方法计算所述相似度。

具体地，本发明实施例采用余弦相似度计算两个特征标签之间的相似度。余弦相似度，又称为余弦相似性，其原理在于通过计算两个向量的夹角余弦值来评估他们的相似度。首先将向量根据坐标值，绘制到向量空间中，如最常见的二维空间；其次求得他们的夹角，并得出夹角对应的余弦值，此余弦值就可以用来表征，这两个向量的相似性。余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越趋近于0，他们的方向更加一致。相应的相似度也越高。

本实施例中，相似度的计算方法也可以采用Jaccard相似度以及皮尔森相关系数计算方法。

所述Jaccard相似度是指狭义Jaccard相似。对集合A和B，Jaccard相似度计算如下：Jaccard(A,B)＝|A intersect B|/|A union B|

相似度数值在[0,1]之间，当A＝＝B的时候，Jaccard(A,B)为1。

所述皮尔森相关系数(Pearson product-moment correlationcoefficient)，用于度量两个变量X和Y之间的相关(线性相关)，其值介于-1与1之间，其中，1表示变量完全正相关，0表示无关，-1表示完全负相关。它是由卡尔·皮尔逊从弗朗西斯·高尔顿在19世纪80年代提出的一个相似却又稍有不同的想法演变而来的。

步骤230：根据所述相似度建立所述兴趣模型。本发明实施例采用兴趣模型建立方法包括协同过滤，矩阵分解，基于图的模型，LFM(Latent factormodel，隐语义模型)以及逻辑回归等。本发明实施例对算法的使用不做限制，因只有通过算法的不断迭代才能找到最适合的推荐算法。

协同过滤(Collaborative Filtering recommendation，简称CF)包括item-based CF以及user-based CF。基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐；基于user的协同过滤，通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。例如，在视频推荐***中，协同过滤主要是基于用户相似性或者影片相似性，例：“喜欢这部片的人也喜欢”“你喜欢的同类影片”都是基于协同过滤。逻辑回归算法首先需要利用梯度下降法或者随机梯度下降法等其他方法训练待分类信息特征标签的相应权重模型，当然这个权重训练是以收集到的用户历史行为为基准不断训练得到最终模型；然后再利用sigmod函数综合相关特征标签得到一个用户与特征标签的关联值，所述关联值的取值范围在0到1之间。可以抽象的理解为当所述关联值为0到0.5之间时，表示用户对此特征标签对应信息的兴趣度不高，而当值在0.5到1之间时表示用户对此特征标签对应信息有较高的兴趣。因此可以推荐出此类兴趣度较高的模型，并且可以利用协同过滤算法对兴趣度以及热度较高的主题排序，越在前面的主题，用户兴趣度越高。与此同时，对于同一个主题，主题内目前可展示一定数量的推荐信息，所述推荐信息如何展示，例如其前后排序也是基于推荐模型得到的。

需要说明的是，本发明实施例中，兴趣模型根据用户的行为不断更新。在推荐信息显示在相应的设备端之后，监测用户对所述推荐信息的操作结果，并将所述操作结果与所述用户识别信息对应存入所述服务器中用以更新所述兴趣模型。每一次用户的操作数据以及对推荐信息的选择情况都是新的数据，根据这些数据不断地更新训练兴趣模型，从而为用户提供更加个精准性化的信息推荐。

本实施例中，通过对待推荐的信息建立特征标签并采用推荐算法建立用户兴趣模型，从而可以根据用户的更新数据为用户计算出符合用户兴趣的信息，有效地为用户进行信息过滤。

实施例三

图3是本发明实施例三对应的技术流程图，结合图3，本发明实施例一种智能推荐的全端显示方法中，训练兴趣模型中，根据所述特征标签计算每个所述目标信息之间的相似度的另一实施例还包括如下的实施过程：

步骤310：根据用户的历史浏览行为将一定数量的所述特征标签建立组合标签，并根据所述组合标签生成主题板块；

需要说明的是，本发明实施例中，若是用户的历史数据较多，可以根据用户的历史浏览行为将一定数量的所述特征标签生成有一定主题的组合标签，并以主题版块的形式向用户推荐。组合标签的生成规则根据用户的历史数据设置，例如，对于某一用户在观看影片时，对特征标签为黄渤的电影观看数据较多，评分高且分享次数多，与此同时，这些特征标签为黄渤的电影还同时具有“喜剧”或是“搞笑”等特征标签，则可“演员+电影类型”作为生成规则生成组合标签，这样可以生成如下主题版块：“黄渤主演的喜剧电影”。

步骤320：计算所述组合标签之间的相似度，并根据所述相似度调整各所述主题板块。

本步骤中，对所述主题板块的调整包括同一主题板块之内，各个待推荐的目标信息之间的排序以及各个不同的主题板块之间排序的调整。

本步骤中，计算组合标签生成的主题之间的相似度计算主要是为了显示页面上各主题版块之间的去重以及同一主题内多个推荐信息之间的显示排序。例如“周星驰主演的喜剧片”和“周星驰主演的搞笑片”，二者差别并不大，但是若将二者分为两个推荐版块向用户进行推荐，则浪费了显示空间且用户使用体验不佳。因此，本发明实施例中，可以根据两个主题组合标签之间的相似度计算，去除重复的主题版块。“周星驰主演的喜剧片”和“周星驰主演的搞笑片”，在机器识别时，这是两个主题，被分成两个推荐版块。但是经过相似性计算，这两个主题应当被划分在同一个推荐版块中，从而合理化推荐页面的显示空间并且能够为用户提供更精简的视频信息推荐。

除此之外，若是同一主题的推荐版块中包含多个待推荐的目标信息，如何排列这多个目标信息是提升用户使用体验的关键。本发明实施例中，分别计算同一主题版块内的多个待推荐的目标信息与版块主题的相似度，并将这同一推荐版块中的待推荐目标信息按照相似度的高低排序，从而将用户最感兴趣的信息首先展示给用户，极大提升了推荐的质量。需要说明的是，本发明实施例中主题板块之间排序的调整，主要根据用户在预设时间段内的历史数据进行调整。具体实现时，首先检测在所述预设时间段内，计算用户对各个主题板块的信息兴趣度得分，比如，通过用户对各主题板块的浏览量、浏览时间、对这一主题板块内信息分享次数以及评价，综合这些数据对每个所述主题版块打分，得到打分成绩后，按照打分成绩降序将每个所述主题板块展示给用户。当然，需要说明的是，所述主题板块的排序根据用户的数据不断更新调整，从而实现了对用户兴趣的进一步挖掘跟踪，并在一定程度上增加了用户对信息推荐的依赖性。

本实施例中，根据用户的历史数据，将多个单一标签生成主题推荐版块，对信息进行进一步地过滤，使得推荐结果更加符合用户的兴趣；与此同时，通过计算组合标签之间的相似度，实现了特征相似的推荐信息之间的合并以及根据用户的兴趣度将推荐信息进行排序，进一步提升了用户体验。

实施例四

图4是本发明实施例四的装置结构示意图，结合图4，本发明实施例一种智能推荐的全端显示装置，主要包括如下的模块：数据获取模块410、计算模块420、推荐模块430以及模型训练模块440。

所述数据获取模块410，当检测到任意设备端有用户数据更新时，用于获取更新数据以及用户识别信息；

所述计算模块420，与所述数据获取模块410相连接，用于根据所述更新数据计算推荐结果，并将所述推荐结果与用户识别信息对应存入服务器中；

可选地，计算模块420可以根据所述更新数据，结合预先训练的兴趣模型计算推荐结果。

所述推荐模块430，当检测到任意设备端获取推荐信息时，用于获取用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

进一步地，所述模型训练模块440与所述计算模块420相连，用于对每一个待推荐的目标信息建立特征标签，根据所述特征标签计算所述目标信息之间的相似度；根据所述相似度建立所述兴趣模型。

进一步地，所述模型训练模块440用于根据一定数量的所述特征标签建立组合标签，计算所述组合标签之间的相似度。

进一步地，所述用户识别信息具体可以包括：用户账号、IP地址、设备识别号中的至少一个。

进一步地，所述数据获取模块410与所述模型训练模块440相连接，还用于在所述推荐信息显示在相应的设备端之后，监测用户对所述推荐信息的操作结果，并将所述操作结果与所述用户识别信息对应存入所述服务器中用以更新所述兴趣模型。

图4所示装置可以执行图1、图2以及图3所示实施例的方法，实现原理和技术效果参考图1、图2以及图3所示实施例，不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种智能推荐的全端显示方法，其特征在于，包括如下的步骤：

当检测到任意设备端有用户数据更新时，获取更新数据以及用户识别信息；

根据所述更新数据获取推荐结果，并将所述推荐结果与所述用户识别信息对应存入服务器中；

当检测到任意设备端获取推荐信息时，获取所述用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

2.根据权利要求1所述的方法，其特征在于，所述方法包括，预先采用如下步骤训练所述兴趣模型：

对每一个待推荐的目标信息建立特征标签，根据所述特征标签计算所述目标信息之间的相似度；

根据所述相似度建立所述兴趣模型。

3.根据权利要求2所述的方法，其特征在于，根据所述特征标签计算每个所述目标信息之间的相似度，进一步包括：

根据一定数量的所述特征标签建立组合标签，计算所述组合标签之间的相似度。

4.根据权利要求1所述的方法，其特征在于，所述用户识别信息具体包括：

用户账号、IP地址、设备识别号中的至少一个。

5.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

将所述推荐信息显示在相应的设备端之后，监测用户对所述推荐信息的操作结果，并将所述操作结果与所述用户识别信息对应存入所述服务器中用以更新所述兴趣模型。

6.一种智能推荐的全端显示装置，其特征在于，包括如下的模块：

数据获取模块，当检测到任意设备端有用户数据更新时，用于获取更新数据以及用户识别信息；

计算模块，用于根据所述更新数据计算推荐结果，并将所述推荐结果与所述用户识别信息对应存入服务器中；

推荐模块，当检测到任意设备端获取推荐信息时，用于获取所述用户识别信息，从所述服务器中读取与所述用户识别信息对应的所述推荐结果，从所述推荐结果中拉取相应的所述推荐信息，并将所述推荐信息显示在相应的设备端。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括模型训练模块，所述模型训练模块用于：

对每一个待推荐的目标信息建立特征标签，根据所述特征标签计算所述目标信息之间的相似度；

根据用户的历史数据以及所述相似度建立所述兴趣模型。

8.根据权利要求7所述的装置，其特征在于，所述模型训练模块用于：

根据一定数量的所述特征标签建立组合标签，计算所述组合标签之间的相似度。

9.根据权利要求6所述的装置，其特征在于，所述用户识别信息具体包括：

用户账号、IP地址、设备识别号中的至少一个。

10.根据权利要求6所述的装置，其特征在于，所述数据获取模块还用于：

在所述推荐信息显示在相应的设备端之后，监测用户对所述推荐信息的操作结果，并将所述操作结果与所述用户识别信息对应存入所述服务器中用以更新所述兴趣模型。