CN106446078A - 一种信息的推荐方法和推荐装置 - Google Patents

Abstract

本发明实施例提供了一种信息的推荐方法和推荐装置，该推荐方法和装置应用于终端或视频服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

Description

一种信息的推荐方法和推荐装置

技术领域

本发明涉及内容推荐技术领域，特别是涉及一种信息的推荐方法和推荐装置。

背景技术

随着互联网的快速发展，我们正处于信息过载的时代。用户面对海量的信息很难找到自己真正感兴趣的内容，而内容提供商也很难把优质的内容准确推送给感兴趣的用户。

发明人在实现本发明的过程中发现，内容推荐被认为是解决这些问题的主要方法，如果能够将用户感兴趣的信息及时推荐给用户，就能够解决用户无法得到感兴趣的内容的问题，从而可以提高用户的观看体验，进而能够培养用户的忠诚度，相应可以为网站的发展壮大提供相应的用户基础。

发明内容

有鉴于此，本发明实施例提供了一种信息的推荐方法和推荐装置，以将用户感兴趣的信息及时推荐给用户，以提高用户的体验。

为了解决上述问题，本发明实施例公开了一种信息的推荐方法，包括：

获取多个用户的行为特征；

根据所述行为特征对所述多个用户进行聚类分类；

根据聚类分类的结果向目标用户推荐信息。

可选的，所述根据所述行为特征对所述多个用户进行聚类分类，包括：

根据所述行为特征对所述多个用户进行聚类分类，得到多个类簇；

对每个所述类簇内任意用户之间的相似度进行计算。

可选的，所述根据所述行为特征对所述多个用户进行分类，得到多个类簇，包括：

根据每个所述用户的曝光点击特征、播放特征、收藏特征、分享特征和评价特征中的部分特征或全部特征对所述多个用户进行分类，得到多个类簇。

可选的，所述根据聚类的结果向所述目标用户推荐信息，包括：

将与所述目标用户同属一个类簇的其他相似用户按与所述目标用户的相似度进行排序；

将所述其他相似用户中与所述目标用户的相似度超过预设阈值的所述相似用户喜欢的信息推荐给所述目标用户。

可选的，在所述将与所述用户同属一个类簇的其他相似用户按与所述用户的相似度进行排序步骤之前，还包括步骤：

获取所述目标用户的行为特征；

根据所述目标用户的行为特征确定所述目标用户所属的类簇。

相应的，为了保证上述方法的实施，本发明还提供了一种信息的推荐装置，包括：

行为特征获取模块，用于获取多个用户的行为特征；

聚类分类模块，用于根据所述行为特征对所述多个用户进行聚类分类；

信息推荐模块，用于根据聚类分类的结果向目标用户推荐信息。

可选的，所述聚类分类模块包括：

用户分类单元，用于根据所述行为特征对所述多个用户进行聚类分类，得到多个类簇；

相似度计算单元，用于对每个所述类簇内任意用户之间的相似度进行计算。

可选的，所述行为特征包括每个所述用户的曝光点击特征、播放特征、收藏特征、分享特征和评价特征中的部分特征或全部特征。

可选的，所述信息推荐模块包括：

相似用户排序单元，用于将与所述目标用户同属一个类簇的其他相似用户按与所述用户的相似度进行排序；

信息推荐单元，用于将所述其他相似用户中与所述用户的相似度超过预设阈值的所述相似用户喜欢的信息推荐给所述用户。

可选的，所述信息推荐模块还包括：

行为特征获取单元，用于获取所述目标用户的行为特征；

目标用户分类单元，用于根据所述目标用户的行为特征确定所述目标用户所属的类簇。

从上述技术方案可以看出，本发明实施例提供了一种信息的推荐方法和推荐装置，该推荐方法和推荐装置应用于终端或服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的一种信息的推荐方法实施例的步骤流程图；

图2为本发明的另一种信息的推荐方法实施例的步骤流程图；

图3为本发明的向目标用户推荐信息的步骤流程图；

图4为本发明的一种信息的推荐装置实施例的结构框图；

图5为本发明的另一种信息的推荐装置实施例的结构框图。

具体实施方式

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，所描述的实施例仅仅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。

实施例一

图1为本发明的一种信息的推荐方法实施例的步骤流程图。

参照图1所示，本实施例提供的信息的推荐方法应用于终端或者视频服务器，用于向用户推荐相应的信息，具体方法包括如下步骤：

S101：获取多个用户的行为特征。

具体为获取用户在利用终端获取各种信息的行为特征，用户在对终端进行操作时会做出诸如曝光点击、播放、收藏、分享和评价等行为，本实施例将这些行为的特征进行抽取，从而得到曝光点击特征、播放特征、收藏特征、分享特征和评价特征等。

本实施例可以从上述特征中选取部分特征或全部特征作为该行为特征。其中的信息具体指音频、视频或者新闻文本等资讯。

曝光点击是指用户在终端上显示的全部信息中选取一个进行点击操作，但是不意味着全部播放，可能会进入后随即退出；播放特征是指对某个信息进行播放的播放时长；收藏指的是将特定的信息收藏在某个收藏夹中，方便以后观看；分享则指的是将特定信息向好友推荐；评价是指在终端上提供的评价平台上对特定信息发表意见，例如表达正面评价的点赞或者表达负面评价的负反馈等。

S102：根据行为特征对所述多个用户进行聚类分类。

在得到上述的用户的行为特征后，根据该行为特征对用户进行聚类分类。聚类又称无监督学习，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的集合叫做簇，并且对每一个这样的簇进行描述的过程。

与分类规则不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。它的目的是使得属于同一个簇的样本之间应该彼此相似，而不同簇的样本应该足够不相似。

本实施例中的聚类分类即使利用上述聚类原理将用户进行分类处理，得到多个类簇，具体为根据用户的行为特征对用户进行抽象，抽象为某一类别的用户，例如根据播放的影片的种类、分享的对象确定该用户为儿童用户或者成人用户，还可以确定该用户为中国用户、美国用户或者日本用户，等等依次类推。同样该类簇的数量不是预先确定的，而是根据最终的分类结果得到的，每个类簇包含若干个用户。

S103：根据聚类分类的结果向目标用户推荐信息。

在多个用户被进行聚类归类后，确定向某个目标用户推荐信息时，根据该目标用户的行为特征和聚类分类的结果，将与该目标用户最为相似的其他用户喜欢的信息作为推荐信息推荐给该用户。

从上述技术方案可以看出，本实施例提供了一种信息的推荐方法，该推荐方法应用于终端或服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

实施例二

图2为本发明的另一种信息的推荐方法实施例的步骤流程图。

参照图2所示，本实施例提供的信息的推荐方法应用于终端或视频服务器，用于向用户推荐相应的信息，具体方法包括如下步骤：

S101：获取多个用户的行为特征。

S102：根据行为特征对所述多个用户进行聚类分类。

S103：根据聚类分类的结果向目标用户推荐信息。

其中，每个步骤的具体实施方式参见实施例1中的描述。

其中，所述根据行为特征对所述多个用户进行聚类分类还可以进一步包括以下步骤：

S1021：根据行为特征对多个用户进行聚类分类，得到多个类簇。

鉴于上述行为特征的多样性，因此可以根据曝光点击、播放、收藏、分享和评价等行为特征对用户进行无限量的分类，得到多个不限数量的类簇，例如男用户、女用户、成人用户、儿童用户、中国用户、美国用户、高学历用户、低学历用户等等。通过不限数量的分类可以深切挖掘不同的用户类型，避免有限用户类型对用户类型描述的局限性，从而可以对用户进行更为贴切的描述，使用户的分类更为精准并贴近实际。

S1022：对每个类簇内任意用户之间的相似度进行计算。

在根据用户的行为特征得到上述多个类簇后，对每个类簇内任意用户之间的相似度进行计算，即将用户之间的曝光点击特征、播放特征、收藏特征、分享特征和评价特征进行分别对比，并将对比结果按预设规则进行量化，从而得到任意用户之间的相似度，或者说任意用户之间按行为特征评价的相似程度。

通过对用户进行相似度计算，使对相似用户的判断标准以量化标准进行判断，从而提高了判断的客观性，能够避免主观判断造成的偏差。

相应的，所述根据聚类分类的结果向目标用户推荐信息还可以进一步包括以下步骤，如图3所示：

S1031：获取目标用户的行为特征。

目标用户为最终得到推荐信息的用户，这里目标用户的行为特征与上述的行为特征的界定相同，这里不再赘述。

S1032：根据目标用户的行为特征对目标用户进行分类。

即根据上述得到的目标用户的行为特征确定目标用户所属的类簇，这里的类簇是指上述对多个用户进行聚类分类得到的多个类簇中的一种，即该目标用户所属的具体类别。

S1033：将与目标用户同属一个类簇的其他用户进行排序。

当需要对某个目标用户推荐信息时，基于上述任意用户之间的相似度，将与该某个目标用户同属一个类簇的其他用户按与该目标用户之间的相似度进行排序，即按与该目标用户之间的相似度得分进行从高到低进行排序。

S1034：将与目标用户的相似度超出预设阈值的用户喜欢的信息推荐给目标用户。在对其他相似用户进行排序后，将与目标用户的相似度超出预设阈值的用户喜欢的信息推荐给目标用户，即将与其相似程度最高的部分用户喜欢的信息作为该目标用户喜欢的信息。

需要说明的是，在一些可选实施例中，所述步骤1031和步骤1032所完成的对目标用户分类步骤，可以采用线下完成的方式，而不采用实时完成的方式，从而能够节约***资源，提高响应速度。则所述根据聚类分类的结果向目标用户推荐信息的步骤具体进行的是可以是步骤1033和步骤1034，也可以是步骤1031-步骤1034。

从上述技术方案可以看出，本实施例提供了一种信息的推荐方法，该推荐方法应用于终端或服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

实施例三

图4为本发明的一种信息的推荐装置实施例的结构框图。

参照图4所示，本实施例提供的信息的推荐装置应用于终端，用于向用户推荐用户喜欢的信息，具体包括行为特征获取模块10、聚类分类模块20和信息推荐模块30。

行为特征获取模块10用于获取用户的行为特征。

具体为获取用户在利用终端获取信息时的行为特征，用户在对终端进行操作时会做出诸如曝光点击、播放、收藏、分享和评价等行为，本实施例将这些行为的特征进行抽取，从而得到曝光点击特征、播放特征、收藏特征、分享特征和评价特征等。

本实施例可以从上述特征中选取部分特征或全部特征作为该行为特征。其中的信息具体指音频、视频或者新闻文本等资讯。

曝光点击是指用户在终端上显示的全部信息中选取一个进行点击操作，但是不意味着全部播放，可能会进入后随即退出；播放特征是指对某个信息进行播放的播放时长；收藏指的是将特定的信息收藏在某个收藏夹中，方便以后观看；分享则指的是将特定信息向好友推荐；评价是指在终端上提供的评价平台上对特定信息发表意见，例如表达正面评价的点赞或者表达负面评价的负反馈等。

聚类分类模块20用于根据用户的行为特征对用户进行聚类分类。

在行为特征获取模块10在得到上述的用户的行为特征后，根据该行为特征对用户进行聚类分类。聚类又称无监督学习，是指根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的集合叫做簇，并且对每一个这样的簇进行描述的过程。

与分类规则不同，进行聚类前并不知道将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。它的目的是使得属于同一个簇的样本之间应该彼此相似，而不同簇的样本应该足够不相似。

本实施例中的聚类分类即使利用上述聚类原理将用户进行分类处理，得到多个类簇，具体为根据用户的行为特征对用户进行抽象，抽象为某一类别的用户，例如根据播放的影片的种类、分享的对象确定该用户为儿童用户或者成人用户，还可以确定该用户为中国用户、美国用户或者日本用户，等等依次类推。同样该类簇的数量不是预先确定的，而是根据最终的分类结果得到的，每个类簇包含若干个用户。

信息推荐模块30用于根据聚类分类后的结果向目标用户推荐信息。

具体来说是在多个用户被聚类分类模块20聚类归类后，在确定向某个目标用户推荐信息时，根据该目标用户的行为各种和聚类分类的结果，将与该目标用户最为相似的其他用户喜欢的信息作为推荐信息推荐给该用户。

从上述技术方案可以看出，本实施例提供了一种信息的推荐装置，该推荐装置应用于终端或服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

实施例四

图5为本发明的另一种信息的推荐装置实施例的结构框图。

参照图5所示，本实施例提供的信息的推荐装置应用于终端，用于向用户推荐用户喜欢的信息，具体包括行为特征获取模块10、聚类分类模块20和信息推荐模块30。

行为特征获取模块10用于获取用户的行为特征。

具体为获取用户在利用终端获取信息时的行为特征，用户在对终端进行操作时会做出诸如曝光点击、播放、收藏、分享和评价等行为，本实施例将这些行为的特征进行抽取，从而得到曝光点击特征、播放特征、收藏特征、分享特征和评价特征等。

本实施例可以从上述特征中选取部分特征或全部特征作为该行为特征。其中的信息具体指音频、视频或者新闻文本等资讯。

曝光点击是指用户在终端上显示的全部信息中选取一个进行点击操作，但是不意味着全部播放，可能会进入后随即退出；播放特征是指对某个信息进行播放的播放时长；收藏指的是将特定的信息收藏在某个收藏夹中，方便以后观看；分享则指的是将特定信息向好友推荐；评价是指在终端上提供的评价平台上对特定信息发表意见，例如表达正面评价的点赞或者表达负面评价的负反馈等。

聚类分类模块20用于根据用户的行为特征对用户进行聚类分类。可选地，该模块包括用户分类单元21和相似度计算单元22。

用户分类单元21根据每个用户行为特征对用户进行聚类分类。鉴于上述行为特征的多样性，因此可以根据曝光点击、播放、收藏、分享和评价等行为特征对用户进行无限量的分类，得到多个不限数量的类簇，例如男用户、女用户、成人用户、儿童用户、中国用户、美国用户、高学历用户、低学历用户等等。通过不限数量的分类可以深切挖掘不同的用户类型，避免有限用户类型对用户类型描述的局限性，从而可以对用户进行更为贴切的描述，使用户的分类更为精准并贴近实际。

在用户分类单元21根据用户的行为特征得到上述多个类簇后，相似度计算单元22对每个类簇内任意用户之间的相似度进行计算，即将用户之间的曝光点击特征、播放特征、收藏特征、分享特征和评价特征进行分别对比，并将对比结果按预设规则进行量化，从而得到任意用户之间的相似度，或者说任意用户之间按行为特征评价的相似程度。

通过对用户进行相似度计算，使对相似用户的判断标准以量化标准进行判断，从而提高了判断的客观性，能够避免主观判断造成的偏差。

信息推荐模块30用于根据聚类分类后的结果向用户推荐其喜欢的信息，可选地，该模块具体包括相似用户排序单元31和推荐单元32。

相似用户排序单元31用于当需要对某个目标用户推荐信息时，基于相似度计算单元22得到的任意用户之间的相似度，将与该目标用户同属一个类簇的其他用户按与该某个用户之间的相似度进行排序，即将与该某个用户之间的相似度得分进行从高到低进行排序。

推荐单元32用于在相似用户排序单元31对其他用户与该目标用户的相似度进行排序后，将与该目标用户的形似度超出预设阈值的用户喜欢的信息推荐给该目标用户。

另外，在一些可选实施例中，该信息推荐模块30还包括行为特征计获取单元33和目标用户分类单元34。

行为特征获取单元33用于获取目标用户的行为特征，这里的目标用户为最终得到推荐信息的用户，这里目标用户的行为特征与上述的行为特征的界定相同，这里不再赘述。

目标用户分类单元34用于根据上述得到的目标用户的行为特征确定目标用户所属的类簇，这里的类簇是指上述对多个用户进行聚类分类得到的多个类簇中的一种，即该目标用户所属的具体类别。

需要说明的是，可选地，所述特征获取单元33和目标用户分类单元34，所完成的对目标用户分类，可以采用线下完成的方式，而不采用实时完成的方式，从而能够节约***资源，提高响应速度。则所述信息推荐模块30可以包括相似用户排序单元31、推荐单元32、行为特征获取单元33和目标用户分类单元34，也可以只包括相似用户排序单元31和推荐单元32。

从上述技术方案可以看出，本实施例提供了一种信息的推荐装置，该推荐装置应用于终端或服务器，具体为获取该终端的用户的行为特征，然后根据行为特征对用户进行聚类分类，最后根据聚类的结果向目标用户进行信息推荐。这样一来，本发明能够实现根据用户的喜好向用户推荐相应的信息，从而解决了用户无法得到感兴趣的内容的问题，进而有效提高了用户的观看体验。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种信息的推荐方法，其特征在于，包括：

获取多个用户的行为特征；

根据所述行为特征对所述多个用户进行聚类分类；

根据聚类分类的结果向目标用户推荐信息。

2.如权利要求1所述的推荐方法，其特征在于，所述根据所述行为特征对所述多个用户进行聚类分类，包括：

根据所述行为特征对所述多个用户进行聚类分类，得到多个类簇；

对每个所述类簇内任意用户之间的相似度进行计算。

3.如权利要求2所述的推荐方法，其特征在于，所述根据所述行为特征对所述多个用户进行分类，得到多个类簇，包括：

根据每个所述用户的曝光点击特征、播放特征、收藏特征、分享特征和评价特征中的部分特征或全部特征对所述多个用户进行分类，得到多个类簇。

4.如权利要求2所述的推荐方法，其特征在于，所述根据聚类的结果向所述目标用户推荐信息，包括：

将与所述目标用户同属一个类簇的其他相似用户按与所述目标用户的相似度进行排序；

将所述其他相似用户中与所述目标用户的相似度超过预设阈值的所述相似用户喜欢的信息推荐给所述目标用户。

5.如权利要求4所述的推荐方法，其特征在于，在所述将与所述用户同属一个类簇的其他相似用户按与所述用户的相似度进行排序步骤之前，还包括步骤：

获取所述目标用户的行为特征；

根据所述目标用户的行为特征确定所述目标用户所属的类簇。

6.一种信息的推荐装置，其特征在于，包括：

行为特征获取模块，用于获取多个用户的行为特征；

聚类分类模块，用于根据所述行为特征对所述多个用户进行聚类分类；

信息推荐模块，用于根据聚类分类的结果向目标用户推荐信息。

7.如权利要求6所述的推荐装置，其特征在于，所述聚类分类模块包括：

用户分类单元，用于根据所述行为特征对所述多个用户进行聚类分类，得到多个类簇；

相似度计算单元，用于对每个所述类簇内任意用户之间的相似度进行计算。

8.如权利要求7所述的推荐装置，其特征在于，所述行为特征包括每个所述用户的曝光点击特征、播放特征、收藏特征、分享特征和评价特征中的部分特征或全部特征。

9.如权利要求7所述的推荐装置，其特征在于，所述信息推荐模块包括：

相似用户排序单元，用于将与所述目标用户同属一个类簇的其他相似用户按与所述用户的相似度进行排序；

信息推荐单元，用于将所述其他相似用户中与所述用户的相似度超过预设阈值的所述相似用户喜欢的信息推荐给所述用户。

10.如权利要求9所述的推荐装置，其特征在于，所述信息推荐模块还包括：

行为特征获取单元，用于获取所述目标用户的行为特征；

目标用户分类单元，用于根据所述目标用户的行为特征确定所述目标用户所属的类簇。