CN108763502B - 信息推荐方法和*** - Google Patents

Abstract

本发明公开了一种信息推荐方法，该方法包括终端采集用户的操作数据发送给服务器，服务器根据预置时长内的操作数据，得到用户的行为特征，服务器实时构建与行为特征对应的各应用场景的实时推荐模型，并向终端发送实时推荐模型，当满足触发条件时，终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示推荐信息。本发明还公开了一种信息推荐***，可提高推荐准确度，可实现基于用户个人的推荐。

Description

信息推荐方法和***

技术领域

本发明属于终端技术领域，尤其涉及一种信息推荐方法和***。

背景技术

随着大数据时代来临，各大应用商店或应用市场都陆续引入基于大数据的个性化推荐算法来提升用户体验。但由于技术和成本限制，这些方案大都利用的是离线挖掘算法生成的用户画像属性进行推荐，例如根据用户的性别、年龄、学历、职业、收入等特点，向用户推荐应用。

上述现有技术的缺陷是用户画像数据基本都是按天级时间粒度更新，仅能够反映用户的长期兴趣，而用户大量的信息需求却具有即时的、短暂的、快速变化的特征，造成推荐不准确；受限于用户隐私保护和某些属性数据本身收集困难等因素的影响，数据的准确率和覆盖率都很难提升，造成推荐不准确；只能细化到对一类人的推荐，不能精确到针对个人的推荐，推荐个性化效果差；因为无法新用户未产生历史数据，推荐不适用新用户群体，适用性不足。

发明内容

本发明实施例提供一种信息推荐方法和***，可以解决人工线上巡检应用内容，导致的发现有问题的应用内容时间太长，以及应用下载量低、活跃度低的问题。

本发明实施例提供的一种信息推荐方法，包括：

终端采集用户的操作数据发送给服务器；

所述服务器根据预置时长内的所述操作数据，得到所述用户的行为特征；

所述服务器实时构建与所述行为特征对应的各应用场景的实时推荐模型，并向所述终端发送所述实时推荐模型；

当满足触发条件时，所述终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息。

本发明实施例提供的一种信息推荐***，包括：

终端和服务器；

所述终端，用于采集用户的操作数据发送给所述服务器；

所述服务器，用于根据预置时长内的所述操作数据，得到所述用户的行为特征；

所述服务器，用于实时构建与所述行为特征对应的各应用场景的实时推荐模型，并向所述终端发送所述实时推荐模型；

所述终端，用于当满足触发条件时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息。

从上述本发明实施例可知，终端通过客户端实时采集用户的操作数据，并将该操作数据发送给服务器，该服务器根据预置时长内的该操作数据，得到该用户的行为特征，该服务器构建与该行为特征对应的各应用场景的实时推荐模型，并向该终端发送该实时推荐模型，当满足触发条件时，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息，可实现针对用户个人的信息推荐，提高客户体验，提高信息推荐效率，推荐模型多样化且可组合，适合应用到不同的推荐应用场景，可循环获取用户的操作数据，不断实现推荐模型的更新，实现信息推荐的自我完善。

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。

图1为本发明实施例中提供的信息推荐方法的应用场景示意图；

图2为本发明第一实施例提供的信息推荐方法的流程示意图；

图3为本发明第二实施例提供的信息推荐方法的流程示意图；

图4(a)、图4(b)、图4(c)为本发明实施例提供的信息推荐方法的一个实例界面示意图；

图5为本发明第三实施例提供的信息推荐***的结构示意图；

图6为本发明第四实施例提供的终端结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。

本发明实施例提供的信息推荐方法，可应用在电子商务、新闻、阅读的首页、搜索页，也可以应用在应用市场或应用商店的首页、软件页、游戏页等应用场景下。用户在浏览、点击、下载或者搜索任何一个应用、商品、新闻或者文章后，通过下拉刷新或者页面切换即可体验到与刚才操作相关的实时个性化推荐结果。下面以用户在应用市场或应用商店中对应用的操作数据为例描述本发明实施例提供的信息推荐方法。

图1为本发明各实施例中信息推荐方法的典型应用场景示意图，移动终端10与服务器20在同一网络中，移动终端10通过内置的客户端(如应用商城、应用市场)实时采集用户的操作数据，具体采集用户在客户端的各应用场景下的操作数据，采集的操作数据类型包括曝光数据、搜索数据、点击数据、下载数据等，采集的操作数据具体包括：用户标识、操作标识、应用标识、内容标识、操作时间等，具体地，用户标识、操作标识、应用标识、内容标识可以分别为用户ID(identity)、操作ID、操作对象ID、操作对象的内容ID。采集到的操作数据以单条或者多条打包的形式发往服务器20中进行下一步的处理。

应用场景是指客户端的首页、软件页、游戏页、搜索页等应用场景。

服务器20是分布式服务器集群，包括接入服务器和业务服务器，接入服务器即接入层，用于接收移动终端上报的操作数据，接入服务器接收移动终端上报的操作数据，然后按照预设的分发规则，将操作数据分门别类的分发给对应的业务服务器进行处理。

服务器20中设置有实时流式计算***对客户端上报的百亿级别数据量进行实时清洗和计算。具体地，实时流式计算***由接入层接收客户端实时上报的操作数据后，根据操作数据类型进行分布式统计，即分别将曝光数据、搜索数据、点击数据、下载数据等不同类型的操作数据，按不同的类别由不同的服务器统计，通过最后的汇总统计出用户的行为特征，行为特征是用于评价用户行为特点的指标，如点击数，下载数、实时下载转化率(RCVR，Realtime Click Value Rate)等，该实时下载转化率为在该时间窗口曝光量与下载量的比例。具体根据该用户的用户ID、操作ID、应用ID等获取该用户对应的统计相关数据。实时流式计算***利用滑动时间窗口保存用户近期的一段时长的实时操作数据，并通过定时器或者数据阈值等触发方式，不断把实时操作数据处理成行为特征，发往实时模型构建***。

服务器20中设置离线模型***，离线模型***中存储有多个离线数据模型，这些离线数据模型是通过传统的数据挖掘算法生成的。离线数据模型包括应用的相似模型、应用的相关模型、内容的相似模型、内容的相关模型、用户的中长期兴趣模型等，模型是指通过数据挖掘算法生成的处理逻辑。

其中，应用的相似模型，是指召回同类应用的模型，即当用户对一个应用操作时，与该应用同类型的应用不被推荐。如，用户点击第一新闻APP，则第二新闻APP不被推荐，应用的相似模型用于排除同类型应用的推荐。

应用的相关模型，是指召回有内在联系的应用的模型，即当用户对一个应用操作时，与该应用相关联的应用不被推荐。如，用户点击第一新闻APP，则与第一新闻APP同一运营商的第一阅读APP不被推荐，应用的相关模型用于排除相关联应用的推荐。

内容的相似模型，是指召回同类内容的模型，即当用户对一个应用的内容操作时，与该内容同类型的内容不被推荐。如，用户搜索第一新闻，则与第一新闻类似的第二新闻不被推荐，内容的相似模型用于排除同类型内容的推荐。

内容的相关模型，是指召回有内在联系的内容的模型，即当用户对一个应用的内容操作时，与该内容相关联的内容不被推荐。如，用户搜索第一图书，则与第一图书同一作者的第二图书不被推荐，内容的相关模型用于排除相关联内容的推荐。

用户的中长期兴趣模型，是指一类用户的中长期兴趣模型，中长期兴趣模型适用于比较稳定的中长期操作数据的处理，不适用处理实时操作数据，因此，用户的中产期兴趣模型用于排除用户的行为特征的推荐。

实时模型构建***针对用户不同的行为特征和应用场景的特征构建不同的实时推荐模型。应用场景是指在应用市场或应用商店的首页、搜索页、软件页、游戏页等场景。应用场景的特征是指应用市场或应用商店的首页、搜索页、软件页、游戏页各自的构成特征。在实时模型构建***中存储有多个应用场景的特征，以及各实时推荐模型。

具体地，在实时模型构建***中存储有多个推荐模型，主要有单行为模型、多行为模型、曝光负反馈模型、自身召回模型、离线模型结合实时模型、内容相关模型、内容相似模型、应用相关模型、应用相似模型、行为打散模型等。

以上实时模型构建***的推荐模型通常不会单独使用，而是通过排列组合的方式结合起来共同发挥作用。例如可先使用多行为模型混合排序，然后再使用曝光负反馈模型进行重排，达到同时保留两个模型的优点的作用。另外模型可以根据数据特征平行扩展，并非局限于以上所列。

实时模型构建***根据当前用户的当前应用场景和实时行为特征，构建实时推荐模型，该实时推荐模型即为根据用户当前行为特征、当前应用场景得到的推荐逻辑。实时模型构建***将构建的实时推荐模型发送给移动终端10，移动终端10调用与当前场景对应的实时推荐模型，对备选数据按照该实时推荐模型进行处理，得到最终要展现给用户的应用推荐信息，具体可以是以排列列表的形式按推荐展现。不同的场景可根据场景特征选择不同的实时推荐模型，以达到最大化推荐的效果。

本实施例中的信息推荐方法中的终端可包括手机、平板电脑、PC(个人电脑，personal computer)机等。具体技术方案参见下述各实施例的描述，为描述方便，以下各实施例中的终端以移动终端为例。

请参见图2，图2为本发明第一实施例提供的信息推荐方法的流程示意图，本实施例中，终端以手机为例，该方法包括：

S101、终端采集用户的操作数据发送给服务器；

具体地，手机通过客户端实时采集用户在预设的信息展示页面进行的操作产生的数据，该信息展示页面是指应用的操作页面，在其他场景下也可以是电子商务页面、新闻页面、阅读页面等。操作数据中包括在该信息展示页面用户输入的内容。例如在新闻页面输入的搜索词。

操作数据类型包括曝光操作、搜索操作、点击操作以及下载操作中的任意一个或多个，操作数据具体包括用户标识、行为标识、操作对象标识、操作对象的内容标识以及操作时间。其中用户标识、行为标识、操作对象标识、操作对象的内容标识，分别具体可以为用户ID、行为ID、操作对象ID、操作对象的内容ID，用户标识、行为标识、操作对象标识、操作对象的内容标识均具有唯一标识性，操作对象例如应用，操作对象的内容例如应用内容。

采集到的数据以单条或者多条打包的形式发往服务器，该服务器中的实时流式计算***可处理采集到的数据。

S102、该服务器根据预置时长内的该操作数据，得到该用户的行为特征；

该预置时长可以由服务器通过滑动时间窗口来确定的，服务器获取该预置时长内的手机上报的用户操作数据，并根据该操作数据，得到该用户的行为特征。

行为特征是用于评价用户行为特点的指标，如点击数，下载数、RCVR等。

S103、服务器实时构建与该行为特征对应各应用场景的的实时推荐模型，并向该终端发送该实时推荐模型；

在服务器中存储有各种推荐模型，模型即为处理逻辑，推荐模型即为推荐信息的逻辑。

服务器实时构建与该行为特征对应的各应用场景的的实时推荐模型，该实时推荐逻辑可以是多个推荐模型的组合，将构建的各应用场景的该实时推荐模型进行保存，并发送给该终端。

该实时推荐模型也可以由终端构建。

S104、当满足触发条件时，该终端调用与当前应用场景的特征相匹配的该实时推荐模型，得到推荐信息并展示该推荐信息。

该触发条件可以是检测到页面翻页或页面刷新，页面刷新包括用户主动的刷新操作或到达预设刷新周期时被动的刷新，页面翻页包括用户主动的翻页操作或到达预设翻页周期时被动的翻页，还可以设置为其他操作作为触发条件。

当满足触发条件时，手机调用与当前应用场景的特征相匹配的实时推荐模型，处理备选数据，得到推荐信息，该推荐信息是一种有先后排列顺序的信息，如推荐列表，并按照推荐顺序展示该推荐信息。

备选数据是指与用户当前操作相对应的***中的原始数据，该原始数据可以是手机从服务器中请求到的。例如，当用户操作是在应用市场中搜索“微信”，则备选数据是该应用市场的所有微信相关数据。

本发明实施例中，终端通过客户端实时采集用户的操作数据，并将该操作数据发送给服务器，该服务器根据预置时长内的该操作数据，得到该用户的行为特征，该服务器构建与该行为特征对应的各应用场景的实时推荐模型，并向该终端发送该实时推荐模型，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息，可实现针对用户个人的信息推荐，提高客户体验，提高信息推荐效率，推荐模型多样化且可组合，适合应用到不同的推荐应用场景，可循环获取用户的操作数据，不断实现推荐模型的更新，实现信息推荐的自我完善。

请参见图3，图3为本发明第二实施例提供的信息推荐方法的流程示意图，本实施例中，终端以手机为例，该方法包括：

S201、终端采集用户的操作数据发送给服务器；

操作数据包括曝光操作、搜索操作、点击操作以及下载操作中的任意一个或多个操作产生的所有数据，操作数据还具体包括用户标识、行为标识、操作对象标识、操作对象的内容标识以及操作时间。

S202、该服务器根据预置时长内的该操作数据，得到该用户的行为特征；

该预置时长可以由服务器通过滑动时间窗口来确定的，服务器获取该预置时长内的手机上报的用户操作数据，并根据该操作数据，得到该用户的行为特征。

行为特征是用于评价用户行为特点的指标，如点击数，下载数、RCVR等。

将预置时长内的操作数据，分别按照该操作数据类型进行分布式统计，统计方式为根据各所该操作数据类型的该用户标识、该操作标识、该操作对象标识、该时间窗口分别统计，汇总各数据类型的统计结果得到该用户的行为特征，例如点击量、下载量、实时下载转化率等。

S203、在该服务器中存储的预置的推荐模型中，获取与该行为特征匹配的各应用场景的推荐模型，匹配到的各应用场景的推荐模型作为实时推荐模型，向该终端发送；

在服务器中存储有各种推荐模型，模型即为处理逻辑，推荐模型即为推荐信息的逻辑。

推荐模型具体可包括：单行为模型、多行为模型、曝光负反馈模型、自身召回模型、离线模型结合实时模型、内容相关模型、内容相似模型、应用相关模型、应用相似模型、行为打散模型等。

其中，单行为模型，是指仅根据用户最近产生的最频繁的行为特征进行定向的处理逻辑，该行为特征成为推荐的依据；

多行为模型，是指整合用户最近产生的多条操作数据进行混合排序的处理逻辑；

曝光负反馈模型，是指对曝光后用户没有进一步行为的应用进行降低推荐度的处理逻辑，例如，对于曝光后用户没有点击的应用降低推荐度；

自身召回模型，是指对用户有过点击、搜索等行为的应用强制不推荐的处理逻辑；

离线模型结合实时模型，是指对用户的备选数据先用离线模型***中的离线模型处理，再用实时行为特征进行处理的处理逻辑；

应用的相似模型，是指召回同类应用的模型，即当用户对一个应用操作时，与该应用同类型的应用不被推荐。如，用户点击第一新闻APP，则第二新闻APP不被推荐，应用的相似模型用于排除同类型应用的推荐。

应用的相关模型，是指召回有内在联系的应用的模型，即当用户对一个应用操作时，与该应用相关联的应用不被推荐。如，用户点击第一新闻APP，则与第一新闻APP同一运营商的第一阅读APP不被推荐，应用的相关模型用于排除相关联应用的推荐。

内容的相似模型，是指召回同类内容的模型，即当用户对一个应用的内容操作时，与该内容同类型的内容不被推荐。如，用户搜索第一新闻，则与第一新闻类似的第二新闻不被推荐，内容的相似模型用于排除同类型内容的推荐。

内容的相关模型，是指召回有内在联系的内容的模型，即当用户对一个应用的内容操作时，与该内容相关联的内容不被推荐。如，用户搜索第一图书，则与第一图书同一作者的第二图书不被推荐，内容的相关模型用于排除相关联内容的推荐。

行为打散模型，是指将此用户在本次被采集的实时操作数据之间采集的操作数据，与本次被采集的实时操作数据按照预设规则打乱后混排的处理逻辑。例如，用户本次被采集到的实时操作数据为搜索“漫画”，之前1天被采集到的操作数据是搜索“二次元”，之前1小时被采集到的操作数据是搜索“购书网站”，若适用行为打散模型，则在刷新页面时，为用户展示混合了“漫画”、“二次元”、“购书网站”的搜索结果，具体可以是前3条显示“漫画”的搜索结果，后3条显示“漫画”和“二次元”的组合搜索结果，再下一组3条显示“购书网站”和“漫画”的组合搜索结果。

以上推荐模型通常不会单独使用，而是通过排列组合的方式结合起来共同发挥作用。

服务器构建与该行为特征对应的各应用场景的的实时推荐模型，该实时推荐逻辑可以是多个推荐模型的组合，将构建的各应用场景的该实时推荐模型发送给该终端。

进一步地，服务器中还设置有离线模型***，离线模型***中存储有多个离线数据模型，这些离线数据模型是通过传统的数据挖掘算法生成的。离线数据模型包括应用的相似模型、应用的相关模型、内容的相似模型、内容的相关模型、用户的中长期兴趣模型等，模型是指通过数据挖掘算法生成的处理逻辑。

其中，离线模型中的应用的相似模型、应用的相关模型、内容的相似模型和内容的相关模型，与上述推荐模型中的同名模型的处理逻辑是相同的，不同的是，离线模型中的同名模型是处理离线数据的逻辑，实时模型构建***中的内容相似模型、内容相关模型、应用相似模型、应用相关模型是处理实时数据。

用户的中长期兴趣模型，是指一类用户的中长期兴趣模型，中长期兴趣模型适用于比较稳定的中长期操作数据的处理，不适用处理实时操作数据，因此，用户的中产期兴趣模型用于排除用户的行为特征的推荐。该中长期兴趣模型是通过分析多个用户的长期行为特征得到。

离线数据模型主要有以下两个作用：

一是在进行实时推荐的计算之前对备选数据进行预筛选，备选数据是指与用户当前操作相对应的***中的原始数据，该原始数据可以是手机从服务器中请求到的，例如，用户当前操作是在客户端中搜索“漫画”，则备选数据是该客户端中所有漫画相关数据。利用离线数据模型从该备选数据中筛选掉一部分数据，减少实时推荐时的处理时延，提升推荐***的性能。

二是在用户刚打开客户端没有任何行为反馈的情况下，利用离线数据模型从该备选数据中筛选掉一部分数据，也能在一定程度上实现对该用户的个性化推荐。

具体地，手机在客户端初次启动时，向服务器请求加载首页数据，由于还未产生实时操作数据，则服务器将离线模型确认为实时推荐模型，并发送给手机，手机调用离线模型，得到推荐信息并展示该推荐信息，该离线模型通过分析多个用户的长期行为特征得到。

S204、当满足触发条件时，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息。

该触发条件可以是检测到页面翻页或页面刷新，页面刷新包括用户主动的刷新操作或到达预设刷新周期时被动的刷新，页面翻页包括用户主动的翻页操作或到达预设翻页周期时被动的翻页，还可以设置为其他操作作为触发条件。

当满足触发条件时，该手机调用与当前应用场景的特征相匹配的该实时推荐模型，处理备选数据，得到推荐信息，该推荐信息是一种有先后排列顺序的信息，如推荐列表，并按照推荐顺序展示该推荐信息。

备选数据是指与用户当前操作相对应的***中的原始数据，该原始数据可以是手机从服务器中请求到的。例如，当用户操作是在客户端中搜索“漫画”，则备选数据是该客户端的所有漫画相关数据。

需要说明的是，在手机调用该实时推荐模型，得到推荐信息并展示该推荐信息之前，手机调用预设的离线模型，对备选数据进行预处理，可以减少使用该实时推荐模型得到推荐信息的处理时间。

终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息具体可以是，获取与当前应用场景的特征相匹配的目标推荐模型，具体地，获取当前应用场景的特征以及获取页面翻页或页面刷新前的操作数据，并根据当前应用场景的特征，确认当前应用场景，当前应用场景包括当前客户端的首页、软件页、游戏页或搜索页，页面翻页或页面刷新前的操作数据包括：用户当前应用场景中浏览、点击、下载或者搜索的内容。从存储的实时推荐模型和离线模型中，获取与当前应用场景相匹配的的目标推荐模型。

当该目标推荐模型包括实时推荐模型和离线模型时，手机调用离线模型，对与该页面翻页或页面刷新前的操作数据对应的备选数据进行预处理，该备选数据也即与该页面翻页或页面刷新前的操作数据关联的备选数据，例如，当该当前应用场景是客户端首页，操作是搜索，该操作数据是“漫画”，则备选数据是该客户端的所有漫画相关数据。进一步地，基于预处理的备选数据，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息；

当该目标推荐模型包括实时推荐模型时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息。

进一步地，当存在多个与当前应用场景的特征相匹配的实时推荐模型时，手机按照预设的调用顺序，依次调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到推荐信息。具体地，若存在4个与当前应用场景的特征相匹配的实时推荐模型，手机按照预设的调用顺序，依次调用4个该实时推荐模型，从备选数据中得到最终的推荐信息。

一个实例如图4所示，图4(a)是用户使用手机在客户端进行搜索的搜索界面，图4(b)是当用户搜索后，返回了客户端的首页，在该首页自动刷新，图4(c)是展示刷新后为用户推荐的搜索结果。

或者，当与当前应用场景的特征相匹配的实时推荐模型为多个时，终端分别调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到与多个该实时推荐模型分别对应的多组备选推荐信息，分别取各组备选推荐信息中的预置排位的目标推荐信息，并将取得的多组目标推荐信息，按照各实时推荐模型的优先级进行排序，得到推荐信息。具体地，若存在4个与当前应用场景的特征相匹配的实时推荐模型，手机分别调用4个该实时推荐模型，从备选数据中得到与该4个实时推荐模型对应的4组备选推荐信息，分别取4组备选推荐信息中的预置排位的目标推荐信息，并将取得的4组目标推荐信息，按照各实时推荐模型的预设的优先级进行排序，得到最终的推荐信息。

进一步地，为了更贴近用户的兴趣进行推荐，获取各推荐信息***作的时间顺序及次数，根据时间顺序及次数，调整各实时推荐模型的优先级。其中，时间顺序越靠前，说明用户越对此推荐信息感兴趣，次数越多，说明用户越对此推荐信息感兴趣，则实时推荐模型的优先级越高。可以为时间顺序和次数分别设置权重，例如时间顺序和次数的权重分别为0.5和0.5。根据设置的算法，用户对推荐信息的操作的时间顺序、次数与设置的权重，调整各实时推荐模型的优先级。

将调整后的各实时推荐模型的优先级发送给服务器，服务器根据预设统计时长内各终端发送的调整后的各实时推荐模型的优先级，在服务器中将调整次数超过预设次数实时推荐模型的优先级进行调整。为了排除偶然因素，服务器可在调整次数超过一定次数后，再调整实时推荐模型的优先级，提高调整的准确性。

本发明实施例中，终端通过客户端实时采集用户的操作数据，并将该操作数据发送给服务器，该服务器根据预置时长内的该操作数据，得到该用户的行为特征，该服务器构建与该行为特征对应的各应用场景的实时推荐模型，并向该终端发送该实时推荐模型，当满足触发条件时，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息，可实现针对用户个人的信息推荐，提高客户体验，提高信息推荐效率，推荐模型多样化且可组合，适合应用到不同的推荐应用场景，可循环获取用户的操作数据，不断实现推荐模型的更新，实现信息推荐的自我完善。

请参见图5，图5为本发明第三实施例提供的信息推荐***，为了便于说明，仅示出了与本发明实施例相关的部分。该***包括：

终端301和服务器302；

终端301，用于实时采集用户的操作数据发送给服务器302；

服务器302，用于根据预置时长内的该操作数据，得到该用户的行为特征；

服务器302，用于实时构建与该行为特征对应的各应用场景的实时推荐模型，并向终端301发送该实时推荐模型；

终端301，用于当满足触发条件时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息。

进一步地，服务器302，还用于通过滑动时间窗口确定该预置时长；

服务器302，还用于将该预置时长内的该操作数据，分别按照该操作数据类型进行分布式统计；

服务器302，还用于汇总统计结果得到该用户的行为特征。

服务器302，还用于在客户端初次启动时，向终端301发送离线模型，该离线模型通过分析多个用户的长期行为特征得到；

终端301，还用于调用该离线模型，得到推荐信息并展示该推荐信息。

终端301，还用于当检测到页面翻页或页面刷新时，获取与当前应用场景的特征相匹配的目标推荐模型；

终端301，还用于获取当前应用场景的特征以及获取页面翻页或页面刷新前的操作数据，并根据当前应用场景的特征，确认当前应用场景，当前应用场景包括当前客户端的首页、软件页、游戏页或搜索页，页面翻页或页面刷新前的操作数据包括：用户当前应用场景中浏览、点击、下载或者搜索的内容，还用于获取与当前应用场景相匹配的的目标推荐模型。

终端301，还用于当该目标推荐模型包括该实时推荐模型和离线模型时，调用该离线模型，对该页面翻页或页面刷新前的操作数据对应的备选数据进行预处理，并基于预处理的备选数据，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息；

终端301，还用于当该目标推荐模型包括该实时推荐模型时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息。

终端301，还用于当与当前应用场景的特征相匹配的实时推荐模型为多个时，按照预设的调用顺序，依次调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到该推荐信息。

终端301，还用于当与当前应用场景的特征相匹配的实时推荐模型为多个时，终端分别调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到与多个实时推荐模型分别对应的多组备选推荐信息；

分别取各组备选推荐信息中的预置排位的目标推荐信息，并将取得的多组目标推荐信息，按照各实时推荐模型的优先级进行排序，得到推荐信息。

终端301，还用于获取各推荐信息***作的时间顺序及次数，以及，根据时间顺序及次数，调整各实时推荐模型的优先级，并将调整后的各实时推荐模型的优先级发送给服务器302；

服务器302，还用于根据预设统计时长内各终端301发送的调整后的各实时推荐模型的优先级，在服务器302中将调整次数超过预设次数实时推荐模型的优先级进行调整。

本发明实施例中的未描述的技术细节，参见前述图1～图4所示各实施例相同，此处不再赘述。

本发明实施例中，终端通过客户端实时采集用户的操作数据，并将该操作数据发送给服务器，该服务器根据预置时长内的该操作数据，得到该用户的行为特征，该服务器构建与该行为特征对应的各应用场景的实时推荐模型，并向该终端发送该实时推荐模型，当满足触发条件时，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息，可实现针对用户个人的信息推荐，提高客户体验，提高信息推荐效率，推荐模型多样化且可组合，适合应用到不同的推荐应用场景，可循环获取用户的操作数据，不断实现推荐模型的更新，实现信息推荐的自我完善。

请参见图6，图6为本发明第四实施例提供的终端，为了便于说明，仅示出了与本发明实施例相关的部分。该终端包括：

采集模块401，用于采集用户的操作数据；

发送模块402，用于将该操作数据发送给服务器；

推荐模块403，用于接收该服务器发送的各应用场景的实时推荐模型，当满足触发条件时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息。

进一步地，推荐模块403，还用于在客户端初次启动时，获取服务器发送的离线模型，该离线模型通过分析多个用户的长期行为特征得到，并调用该离线模型，得到推荐信息并展示该推荐信息。

终端还一进步包括：

获取模块404，还用于当检测到页面翻页或页面刷新时，获取与当前应用场景的特征相匹配的目标推荐模型；

获取模块404，还用于获取当前应用场景的特征以及获取页面翻页或页面刷新前的操作数据，并根据当前应用场景的特征，确认当前应用场景，当前应用场景包括当前客户端的首页、软件页、游戏页或搜索页，页面翻页或页面刷新前的操作数据包括：用户当前应用场景中浏览、点击、下载或者搜索的内容；以及，获取与当前应用场景相匹配的的目标推荐模型。

推荐模块403，还用于当该目标推荐模型包括该实时推荐模型和离线模型时，调用该离线模型，对与该页面翻页或页面刷新前的操作数据对应的备选数据进行预处理，并基于预处理的备选数据，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息；

推荐模块403，还用于当该目标推荐模型包括该实时推荐模型时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息；

推荐模块403，还用于当与当前应用场景的特征相匹配的实时推荐模型为多个时，按照预设的调用顺序，依次调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到该推荐信息。

推荐模块403，还用于调用预设的离线模型，对备选数据进行预处理。

推荐模块403，还用于当与当前应用场景的特征相匹配的实时推荐模型为多个时，终端分别调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到与多个实时推荐模型分别对应的多组备选推荐信息；分别取各组备选推荐信息中的预置排位的目标推荐信息，并将取得的多组目标推荐信息，按照各实时推荐模型的优先级进行排序，得到推荐信息。

获取模块404，还用于获取各推荐信息***作的时间顺序及次数；

调整模块405，用于根据时间顺序及次数，调整各实时推荐模型的优先级；

发送模块402，还用于将调整后的各实时推荐模型的优先级发送给服务器。

本发明实施例未尽描述细节，参见前述相同内容的描述。

本发明实施例中，终端通过客户端实时采集用户的操作数据，并将该操作数据发送给服务器，使得该服务器根据预置时长内的该操作数据，得到该用户的行为特征，并构建与该行为特征对应的各应用场景的实时推荐模型，终端接收该服务器发送的实时推荐模型，当满足触发条件时，该终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示该推荐信息，可实现针对用户个人的信息推荐，提高客户体验，提高信息推荐效率，推荐模型多样化且可组合，适合应用到不同的推荐应用场景，可循环获取用户的操作数据，不断实现推荐模型的更新，实现信息推荐的自我完善。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图2和图3所示实施例中描述的信息推荐方法。进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的信息推荐方法和信息推荐***的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种信息推荐方法，其特征在于，包括：

终端实时采集用户的操作数据发送给服务器；

所述服务器根据预置时长内的所述操作数据，得到所述用户的行为特征；

所述服务器实时构建与所述行为特征对应的各应用场景的实时推荐模型，并向所述终端发送所述实时推荐模型；

当满足触发条件时，所述终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息，所述触发条件为检测到页面翻页或页面刷新，包括：

当检测到页面翻页或页面刷新时，获取与当前应用场景的特征相匹配的目标推荐模型；

当所述目标推荐模型包括所述实时推荐模型和离线模型时，所述终端调用所述离线模型，对与页面翻页或页面刷新前的操作数据对应的备选数据进行筛选处理，并基于筛选处理的备选数据，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息；

当所述目标推荐模型包括所述实时推荐模型时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息。

2.如权利要求1所述的方法，其特征在于，所述服务器根据预置时长内的所述操作数据，得到所述用户的行为特征，包括：

所述服务器通过滑动时间窗口确定所述预置时长；

将所述预置时长内的所述操作数据，分别按照所述操作数据类型进行分布式统计；

汇总统计结果得到所述用户的行为特征。

3.如权利要求1所述的方法，其特征在于，所述获取与当前应用场景的特征相匹配的目标推荐模型包括：

获取当前应用场景的特征以及获取所述页面翻页或页面刷新前的操作数据，并根据所述当前应用场景的特征，确认当前应用场景，所述当前应用场景包括当前客户端的首页、软件页、游戏页或搜索页，所述页面翻页或页面刷新前的操作数据包括：用户所述当前应用场景中浏览、点击、下载或者搜索的内容；

获取与所述当前应用场景相匹配的目标推荐模型。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

在客户端初次启动时，所述服务器向所述终端发送离线模型，所述离线模型通过分析多个用户的长期行为特征得到；

所述终端调用所述离线模型，得到推荐信息并展示所述推荐信息。

5.如权利要求1所述的方法，其特征在于，所述终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息包括：

当与当前应用场景的特征相匹配的实时推荐模型为多个时，所述终端按照预设的调用顺序，依次调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到所述推荐信息。

6.如权利要求1所述的方法，其特征在于，所述终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息包括：

当与当前应用场景的特征相匹配的实时推荐模型为多个时，所述终端分别调用与当前应用场景的特征相匹配的各实时推荐模型，从备选数据中得到与多个所述实时推荐模型分别对应的多组备选推荐信息；

分别取各组所述备选推荐信息中的预置排位的目标推荐信息，并将取得的多组目标推荐信息，按照各所述实时推荐模型的优先级进行排序，得到所述推荐信息。

7.如权利要求6所述的方法，其特征在于，所述终端调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息之后，还包括：

获取各所述推荐信息***作的时间顺序及次数；

根据所述时间顺序及次数，调整各所述实时推荐模型的优先级，并将调整后的各所述实时推荐模型的优先级发送给所述服务器；

所述服务器根据预设统计时长内各所述终端发送的调整后的各所述实时推荐模型的优先级，在所述服务器中将调整次数超过预设次数实时推荐模型的优先级进行调整。

8.一种信息推荐***，其特征在于，包括：

终端和服务器；

所述终端，用于实时采集用户的操作数据发送给所述服务器；

所述服务器，用于根据预置时长内的所述操作数据，得到所述用户的行为特征；

所述服务器，用于实时构建与所述行为特征对应的各应用场景的实时推荐模型，并向所述终端发送所述实时推荐模型；

所述终端，用于当满足触发条件时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息，所述触发条件为检测到页面翻页或页面刷新，包括：

当检测到页面翻页或页面刷新时，获取与当前应用场景的特征相匹配的目标推荐模型；

当所述目标推荐模型包括所述实时推荐模型和离线模型时，调用所述离线模型，对与页面翻页或页面刷新前的操作数据对应的备选数据进行筛选处理，并基于筛选处理的备选数据，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息；

当所述目标推荐模型包括所述实时推荐模型时，调用与当前应用场景的特征相匹配的实时推荐模型，得到推荐信息并展示所述推荐信息。

9.如权利要求8所述的***，其特征在于，

所述服务器，还用于通过滑动时间窗口确定所述预置时长；

所述服务器，还用于将所述预置时长内的所述操作数据，分别按照所述操作数据类型进行分布式统计；

所述服务器，还用于汇总统计结果得到所述用户的行为特征；

所述服务器，还用于在客户端初次启动时，向所述终端发送离线模型，所述离线模型通过分析多个用户的长期行为特征得到；

所述终端，还用于调用所述离线模型，得到推荐信息并展示所述推荐信息；

所述终端，还用于获取当前应用场景的特征以及获取页面翻页或页面刷新前的所述操作数据，并根据所述当前应用场景的特征，确认当前应用场景，所述当前应用场景包括当前客户端的首页、软件页、游戏页或搜索页，所述页面翻页或页面刷新前的操作数据包括：用户所述当前应用场景中浏览、点击、下载或者搜索的内容；

获取与所述当前应用场景相匹配的目标推荐模型。

Images