信息推薦方法及伺服器與流程

2023-07-10 06:07:46

本發明實施例涉及通信技術，尤其涉及一種信息推薦方法及伺服器。

背景技術：

網際網路技術的出現和普及，給用戶帶來了大量的信息，滿足用戶在資訊時代對信息的需求，但隨著網絡的迅速發展而帶來的信息大幅增長，使得用戶在面對大量信息時無法從中找到對自己有用的部分信息，對信息的使用效率反而降低，從而產生信息超載(informationoverload)問題。信息推薦技術便是為解決該問題而產生的。

常用的信息推薦技術，實際是針對大用戶群體確定推薦算法，並根據該推薦算法為大用戶群體確定推薦信息，繼而向大用戶群體發送該推薦信息。

由於該信息推薦技術中，根據該推薦算法為大用戶群體確定相同的推薦信息，因而，該推薦信息無法體現用戶個性，信息推薦的準確率較低。

技術實現要素：

本發明實施例提供一種信息推薦方法及伺服器，以提高信息推薦的準確率度。

第一方面，提供一種信息推薦方法，包括：

對多個用戶進行分組，獲得至少兩個用戶組；其中，每個用戶組包括至少一個用戶；

確定每個用戶組對應的推薦策略；其中，推薦策略可包括每個用戶組對應的推薦算法；

根據每個用戶組對應的推薦策略生成每個用戶組的推薦信息；

向至少一個用戶對應的終端發送推薦信息。

可選的，對多個用戶進行分組，獲得至少兩個用戶組，可包括：

根據該多個用戶中每個用戶的數據特徵，對該多個用戶進行分組，獲得 該至少兩個用戶組。

可選的，每個用戶的數據特徵包括：至少一種數據特徵；

根據多個用戶中每個用戶的數據特徵，對多個用戶進行分組，獲得至少兩個用戶組，可包括：

根據每個用戶的至少一種數據特徵，按照預設的數據特徵順序，對多個用戶進行分組，得到至少兩個用戶組。

本發明實施例提供的信息推薦算法，可根據用戶的至少一種數據特徵，按照預設的數據特徵順序對該多個用戶進行分組，可使得用戶的分組更精確，使得對每個用戶組內的用戶採用的推薦算法相同，提高信息推薦的準確度。

可選的，每個用戶的數據特徵包括以下至少一種：

每個用戶的歷史記錄數據、每個用戶的標籤數據、每個用戶的屬性數據和每個用戶的社交數據。

其中，每個用戶的歷史記錄數據包括：每個用戶的所有歷史記錄數據和每個用戶在預設時間段內的歷史記錄數據中的至少一種；每個用戶的標籤數據包括：每個用戶的有效標籤數量和每個用戶的突出標籤數量中的至少一種；每個用戶的屬性數據包括每個用戶的性別、每個用戶的年齡段、每個用戶的身份中的至少一種；每個用戶的社交數據包括每個用戶的聯繫人數量、每個用戶的緊密聯繫人數量、每個用戶的主動聯繫次數中的至少一種；每個用戶的緊密聯繫人為與每個用戶的聯繫次數大於或等於預設次數閾值的聯繫人。

可選的，確定每個用戶組對應的推薦策略，包括：

確定每個用戶組的數據特徵值所屬的特徵值範圍；

將特徵值範圍對應的推薦算法作為每個用戶組對應的推薦算法。

可選的，在確定每個用戶組的數據特徵值所屬的特徵值範圍之前，該方法還可包括：

確定每個用戶組的數據特徵值。

可選的，每個用戶組的數據特徵包括以下至少一種：每個用戶組的歷史記錄數據、每個用戶組的標籤數據、每個用戶組的屬性數據和每個用戶組的社交數據；每個用戶組的數據特徵值包括：每個用戶組的每種數據特徵對應的特徵值。

可選的，將特徵值範圍對應的推薦算法作為每個用戶組對應的推薦算法 包括：

根據每個用戶組的數據特徵值所屬的特徵值範圍，確定預設的推薦算法庫中特徵值範圍對應的推薦算法，將確定的推薦算法作為每個用戶組對應的推薦算法。

可選的，若每個用戶組對應的推薦算法包括多個推薦算法；推薦策略包括：每個用戶組對應的n種融合推薦算法；其中，每種融合推薦算法包括多個推薦算法和多個推薦算法對應的一個融合方式；

確定每個用戶組對應的推薦策略，可包括：

根據每個用戶組對應的推薦算法，和，預設的融合方式庫中每個融合方式對推薦算法的使用條件，從推薦算法庫中確定符合每個用戶組對應的推薦算法的使用條件的n個融合方式為多個推薦算法對應的n個融合方式；

根據n個融合方式，分別對多個推薦算法進行融合，獲得n種融合推薦算法。

可選的，根據每個用戶組對應的推薦策略生成每個用戶組的推薦信息，包括：

確定每個用戶組對應的每種融合推薦算法的推薦準確度；

從n個融合推薦算法中確定最高推薦準確度的融合推薦算法，作為每個用戶組的最優融合推薦算法；

根據每個用戶組的最優融合推薦算法，生成每個用戶組的推薦信息。

本發明實施例提供的信息推薦算法，通過確定每個用戶組的最優融合推薦算法，繼而根據該最優融合推薦算法生成該每個用戶組的推薦信息，可使得每個用戶組的信息推薦準確度最大化，保證信息推薦準確度。

第二方面，提供一種伺服器，包括用於執行第一方面中的方法的模塊。

第三方面，提供一種伺服器，包括處理器，存儲器，通信接口和總線，處理器與存儲器、通信接口通過總線連接；存儲器用於存儲指令；處理器用於執行該指令；當處理器執行存儲器存儲的指令時，使得處理器執行第一方面所述的方法。

第四方面，提供了一種計算機可讀存儲介質，其中存儲有可執行的程序代碼，該程序代碼用以實現第一方面所述的方法。

本發明實施例提供的信息推薦方法及伺服器，可通過對多個用戶進行分 組，獲得至少兩個用戶組，確定該每個用戶組對應的推薦策略，根據該每個用戶組對應的推薦策略生成該每個用戶組的推薦信息，並向該每個用戶組中的至少一個用戶對應的終端發送該推薦信息。由於該信息推薦方法可針對劃分後的每個用戶組確定推薦策略，繼而確定該每個用戶組的推薦信息，能夠體現不同用戶組間的用戶個性，保證信息推薦的準確度。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例提供的信息推薦方法適用的信息推薦系統的架構圖；

圖2為本發明實施例提供的伺服器對應的計算機結構示意圖；

圖3為本發明實施例提供的一種信息推薦方法的流程圖；

圖4為本發明實施例提供的另一種信息推薦方法的流程圖；

圖5為本發明實施例提供的一個用戶組、融合推薦策略、數據組與推薦信息的推薦準確度的對應關係圖；

圖6為本發明實施例提供的伺服器的結構示意圖；

圖7為本發明實施例提供的計算機可讀存儲介質的結構示意圖。

具體實施方式

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。

本發明各實施例提供的信息推薦方法可適用於網際網路技術領域，如電子商務或社交軟體等領域中的信息推薦系統。圖1為本發明實施例提供的信息 推薦方法適用的信息推薦系統的架構圖。如圖1所示，信息推薦系統中可包括伺服器101和至少一個終端102。伺服器101可以通過有線網絡或無線網絡與該至少一個終端102連接。該伺服器101可以可執行本發明實施例提供的信息推薦方法為各終端102推薦對應的信息。伺服器101可以為一個獨立的伺服器，也可以為若干伺服器組成的伺服器集群，或者是一個數據中心的伺服器。該伺服器101例如可以為信息推薦系統中業務伺服器。終端102可以將伺服器推薦的信息呈現給用戶，終端101還可根據用戶指令對該推薦信息進行對應操作，如響應或是不響應。該終端101例如可以為智慧型手機、平板計算機、電子閱讀器、筆記本計算機或臺式計算機等。

圖2為本發明實施例提供的伺服器對應的計算機結構示意圖。如圖2所示，伺服器200可包括：處理器201、存儲器202、網絡接口203和通信總線204。處理器201、存儲器202和網絡接口203通過通信總線204進行連接通信。

其中，處理器201，可以為中央處理器(centralprocessingunit，簡稱cpu)。處理器201還可以為其他通用處理器、數位訊號處理器(digitalsignalprocessing，簡稱dsp)、專用集成電路(applicationspecificintegratedcircuit，簡稱asic)、現場可編程門陣列(field-programmablegatearray，簡稱fpga)或者其他可編程邏輯器件、分立門或者電晶體邏輯器件、分立硬體組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。

存儲器202，可以包括易失性存儲器(volatilememory)，例如隨機存取存儲器(random-accessmemory，簡稱ram)；存儲器202也可以包括非易失性存儲器(non-volatilememory)，例如只讀存儲器(read-onlymemory，簡稱rom)，快閃記憶體(flashmemory)，硬碟(harddiskdrive，簡稱hdd)或固態硬碟(solid-statedrive，簡稱ssd)；存儲器202還可以包括上述種類的存儲器的組合。

網絡接口203，可以為接口電路，用於收發信息，網絡接口203接收外部設備發送的信息後，給處理器201處理；另外，網絡接口203可以通過有線通信或無線通信與網絡和其他設備通信。

該圖2的伺服器200可以為上述圖1中信息推薦系統中的伺服器101。伺服器200可通過處理器201確定推薦信息，通過網絡接口203將推薦信息 發送至用戶對應的終端。

具體可以是，處理器201可以通過調用存儲器202中存儲的程序或指令，執行本發明各實施例提供的信息推薦方法，從而獲得各用戶組的推薦信息，並將該各用戶組的推薦信息通過通信總線204傳輸至網絡接口203。網絡接口203可將該各用戶組的推薦信息發送至該各用戶組的用戶對應的終端。

圖3為本發明實施例提供的一種信息推薦方法的流程圖。該方法由如上所述的伺服器200執行。如圖3所示，該方法可包括：

s301、對多個用戶進行分組，獲得至少兩個用戶組；其中，每個用戶組包括至少一個用戶。

具體地，該多個用戶可以為大用戶群體中的多個用戶。該大用戶群體可以為未進行類型劃分的用戶群，該大用戶群例如可以為用戶個數大於1000的用戶群。伺服器可以是採用聚類算法(clusteringalgorithm)，按照分組數目，根據該多個用戶的數據對該多個用戶進行分組。其中，同一用戶組中用戶數據的相似度在一個預設範圍內。也就是說，同一用戶組中用戶的數據相似度較高，不同用戶組的用戶的數據相似度較低。該聚類算法例如可以為k-means聚類算法。該分組數目，即分組後的用戶組個數，可以為預設的分組數目，也可以為伺服器根據預設分組數目區間採用貝葉斯信息準則所確定的最優分組數目。

s302、確定該每個用戶組對應的推薦策略，該推薦策略包括：該每個用戶組對應的推薦算法。

s303、根據該每個用戶組對應的推薦策略生成該每個用戶組的推薦信息。

具體地，伺服器可以是根據該每個用戶組中用戶的數據確定該每個用戶組對應的推薦策略。同一用戶組對應相同的推薦策略，不同用戶組對應不同的推薦策略。該推薦策略用以生成推薦信息。

其中，該每個用戶組對應的推薦算法可以從預設的推薦算法庫中選擇的。該預設的推薦算法庫可包括基於內容(content-based)的推薦算法、基於用戶(user-based)的協同過濾推薦算法、基於條目(item-based)的協同過濾推薦算法、基於標籤的推薦算法、基於矩陣分解的協同過濾推薦算法、基於用戶屬性的推薦算法和基於社交的推薦算法等算法中至少一個推薦算法。

舉例來說，該基於內容的推薦算法，例如可以是根據用戶在當前時間之前感興趣的業務內容確定推薦信息。若該每個用戶組對應的推薦策略包括：基於內容的推薦算法，則該每個用戶組的推薦信息可包括：與該每個用戶組中各用戶在當前時間之前感興趣的業務內容相似度較高的業務內容。該業務 內容例如可以包括：用戶通過文字、圖片或視頻形式表示的該用戶所喜歡的業務條目(item)。

該基於用戶的協同過濾推薦算法，例如可以是根據多個用戶在當前時間之前感興趣的業務內容，確定該用戶與其他用戶的相似度，並將與該用戶的相似度較高的其他用戶感興趣的業務內容確定為該用戶的推薦信息。舉例來說，若用戶a感興趣的業務內容包括物品a和物品c，用戶b感興趣的業務內容包括物品b，用戶c感興趣的業務內容包括物品a、物品c和物品d，則用戶c與用戶a的相似度較高，該用戶a的推薦信息可包括該用戶c感興趣的業務內容，如物品d。若該每個用戶組的推薦策略包括：基於用戶的協同過濾推薦算法，則該每個用戶組的推薦信息可包括與該每個用戶組中各用戶的相似度較高的其他用戶感興趣的業務內容。該業務內容例如可以包括：用戶通過文字、圖片或視頻形式表示的該用戶所喜歡的業務條目，該用戶與其他用戶的相似度可以為該用戶與該其他用戶的喜好相似度。

該基於條目的協同過濾推薦，例如可以是根據多個用戶在當前時間之前感興趣的業務內容，確定與用戶感興趣的業務內容的相似度較高的業務內容，並將該相似度較高的業務內容確定為該用戶的推薦信息。舉例來說，若用戶a感興趣的業務內容包括物品a，用戶b感興趣的業務內容包括物品a、物品b和物品c，用戶c感興趣的業務內容包括物品a和物品c，則與物品a的相似度較高的業務內容為物品c，該用戶a的推薦信息可包括該物品c。若該每個用戶組的推薦策略包括：基於條目的協同過濾推薦算法，則該每個用戶組的推薦信息可包括：與該每個用戶組中各用戶感興趣的業務內容相似度較高的其他業務內容。

該基於標籤的推薦算法，例如可以是根據用戶在當前時間之前感興趣的業務內容，確定該用戶感興趣的業務內容標籤，並將具有該業務內容標籤的業務內容確定為該用戶的推薦信息。該業務內容標籤例如可以為文字表述性標籤，如「浪漫」、「80年代」等等。若該每個用戶組的推薦策略包括：基於標籤的推薦算法，則該每個用戶組的推薦信息可包括：具有該每個用戶組中各用戶的業務內容標籤的業務內容。

該基於矩陣分解的推薦算法，例如可以是在上述基於用戶或基於條目的協同過濾的推薦算法中加入矩陣分解技術，對該多個用戶在當前時間之前感 興趣的業務內容組成的矩陣進行分解，獲得用戶信息和業務內容信息，繼而根據用戶信息和/或業務內容信息確定用戶的的推薦信息，可解決數據稀疏性問題。

該基於用戶屬性的推薦算法，例如可以是將用戶屬性對應的所有用戶感興趣的業務內容確定為該用戶的推薦信息。若該每個用戶組的推薦策略包括：基於用戶屬性的推薦算法，則該每個用戶組的推薦信息可包括：具有該每個用戶組中各用戶的屬性對應的所有用戶感興趣的業務內容。

該基於社交的推薦算法，例如可以是根據該用戶的社交情況，將該社交情況對應的所有用戶感興趣的業務內容確定為該用戶的推薦信息。若該每個用戶組的推薦策略包括：基於社交的推薦算法，則該每個用戶組的推薦信息可包括：具有該每個用戶組中各用戶的社交情況對應的所有用戶感興趣的業務內容。

s304、向該至少一個用戶對應的終端發送該推薦信息。

具體地，伺服器可以是通過網絡接口將該推薦信息發送至該至少一個用戶對應的終端。

本發明實施例提供的信息推薦方法，可通過對多個用戶進行分組，獲得至少兩個用戶組，確定該每個用戶組對應的推薦策略，根據該每個用戶組對應的推薦策略生成該每個用戶組的推薦信息，並向該每個用戶組中的至少一個用戶對應的終端發送該推薦信息。由於該信息推薦方法可針對劃分後的每個用戶組確定推薦策略，繼而確定該每個用戶組的推薦信息，能夠體現不同用戶組間的用戶個性，保證信息推薦的準確度。

可選的，如上實施例所述的s301中對多個用戶進行分組獲得至少兩個用戶組，可以包括：

根據該多個用戶中每個用戶的數據特徵，對該多個用戶進行分組，獲得該至少兩個用戶組。

可選的，該每個用戶的數據特徵可包括：至少一種數據特徵。

如上所述的步驟中根據該多個用戶中每個用戶的數據特徵，對該多個用戶進行分組，獲得該至少兩個用戶組可以包括：

根據該每個用戶的該至少一種數據特徵，按照預設的數據特徵順序，對該多個用戶進行分組，得到該至少兩個用戶組。

具體地，伺服器可以是根據該每個用戶的該至少一種數據特徵，按照該預設的數據特徵順序，對該多個用戶進行逐級分組，繼而獲得該至少兩個用戶組。其中，根據該至少一種數據特徵對該多個用戶進行分組可以是採用聚類算法進行；根據不同數據特徵進行分組所採用的聚類群分算法可以相同，也可不同。

舉例來說，若該每個用戶的數據特徵包括3種數據特徵；預設的數據特徵順序可以為數據特徵1、數據特徵2和數據特徵3。那麼，伺服器可以是根據該預設的數據特徵順序，首先根據數據特徵1對該多個用戶進行一級分組，繼而根據該數據特徵2對該一級分組後的用戶組進行二級分組，並根據該數據特徵3對該二級分組後的用戶組進行三級分組，繼而獲得該至少兩個用戶組。

以下以伺服器根據一種數據特徵採樣聚類算法進行一級分組為例進行說明。若該一種數據特徵包括：多種統計數據，則該伺服器可根據這6種統計數據，使用聚類算法如k-means算法進行分組，從而將該多個用戶劃分為多個用戶組。具體地，該伺服器根據這6種統計數據使用k-means算法進行分組，具體過程可如下所示：

(1)隨機選取k個用戶的數據特徵作為質心，k為預設的分組數目；

(2)測量剩餘的每個用戶到每個質心的距離，並把該每個用戶歸到最近的質心對應的用戶組；

(3)重新計算已經得到的各個用戶組的質心；

(4)迭代2～3步直至新的質心與原質心相等或小於預設閾值。

可選的，該每個用戶的數據特徵可包括以下至少一種：該每個用戶的歷史記錄數據、該每個用戶的標籤數據、該每個用戶的屬性數據和該每個用戶的社交數據。

具體地，如上所述的步驟中根據該每個用戶的該至少一種數據特徵，按照預設的數據特徵順序，對該多個用戶進行分組，得到該至少兩個用戶組可以包括：根據用戶的所有歷史記錄數據，對多個用戶進行一級聚類，對該一級聚類後的用戶組根據用戶的近期歷史記錄數據進行二級聚類，對該二級聚類後的用戶組根據用戶的標籤數據進行三級聚類，對該三級聚類後的用戶組根據用戶的屬性數據進行四級聚類，對該四級聚類後的用戶組根據用戶的社 交數據進行最後一次的聚類，得到至少兩個用戶組。

其中，該每個用戶的歷史記錄數據包括：該每個用戶的所有歷史記錄數據和該每個用戶在預設時間段內的歷史記錄數據中的至少一種。

該每個用戶的標籤數據包括：該每個用戶的有效興趣標籤數量和該每個用戶的突出興趣標籤數量中的至少一種。

該每個用戶的屬性數據包括該每個用戶的性別、該每個用戶的年齡段、該每個用戶的身份中的至少一種。

該每個用戶的社交數據包括該每個用戶的聯繫人數量、該每個用戶的緊密聯繫人數量、該每個用戶的主動聯繫次數中的至少一種；該每個用戶的緊密聯繫人為與該每個用戶的聯繫次數大於或等於預設次數閾值的聯繫人。

具體地，該每個用戶的所有歷史記錄數據例如可以為該每個用戶從業務註冊時間開始至當前時間的所有歷史記錄數據。該每個用戶在預設時間段內的歷史記錄數據例如可以為該每個用戶在距離當前時間最近的預設段內的歷史記錄數據，如該每個用戶在距離當前時間最近的一周或是一個月內的歷史記錄數據。舉例來說，若該信息推薦方法應用於電子商務領域的信息推薦系統中，則該每個用戶的所有歷史記錄數據可包括：該每個用戶的瀏覽歷史記錄數據、該每個用戶的購買歷史記錄數據、該每個用戶的收藏歷史記錄數據等至少一種。其中，該每個用戶的瀏覽歷史記錄數據包括該每個用戶的瀏覽物品的歷史記錄數據，或，該每個用戶的瀏覽物品的條目的歷史記錄數據。該每個用戶的購買歷史記錄數據包括：該每個用戶所購買物品的歷史記錄數據，或，該每個用戶所購買物品的條目的歷史記錄數據。該每個用戶的收藏歷史記錄數據包括：該每個用戶的收藏物品的歷史記錄數據，或，該每個用戶的收藏物品的條目的歷史記錄數據。其中，該每個用戶所瀏覽物品的歷史記錄數據，與，該每個用戶所瀏覽物品的條目的歷史記錄數據，不同。該每個用戶所收藏物品的歷史記錄數據，與，該每個用戶所收藏物品的條目的歷史記錄數據，不同。該每個用戶所購買物品的歷史記錄數據，與，該每個用戶所購買物品的條目的歷史記錄數據，不同。以購買物品為例，如果一個用戶多次購買同一個物品，則該用戶的購買記錄總數大於購買物品的條目數量。

該每個用戶的有效興趣標籤數量可以為在預設有效期限內該每個用戶的興趣標籤數量；該每個用戶的突出興趣標籤數量可以為在該每個用戶的有效 興趣標籤內，標籤權重大於預設權重值的標籤數量。每個標籤可具有一個標籤權重，該標籤權重可用於表示該每個標籤對用戶的重要性。該標籤權重越大，則該每個標籤對該用戶的重要性越大。該每個標籤的標籤權重可根據時間的變化進行調整。例如，用戶觀看的某個影片的類型的標籤是一個月前生成的，後來用戶不看這個類型的影片了，這個權重應該被調低。

該每個用戶的性別可包括男或女。該每個用戶的年齡段例如可包括：兒童、年輕人、中年人和老人中任一。該每個用戶的身份可包括：學生、家庭主婦、上班族中任一。

該每個用戶的聯繫人數量例如可以為該每個用戶的通訊錄或社交軟體中的聯繫人總數量。該每個用戶的緊密聯繫人為該每個用戶的手機通訊錄或社交軟體中與該每個用戶的聯繫次數大於或等於預設次數閾值的聯繫人。該每個用戶的聯繫人數量、該每個用戶的緊密聯繫人數量及該每個用戶的主動聯繫次數可以為通過該每個用戶的通信記錄或社交記錄中獲得。

圖4為本發明實施例提供的另一種信息推薦方法的流程圖。如圖4所示，該方法在上述實施例所述的方法的基礎上，其中s302中確定該每個用戶組對應的推薦策略，可以包括：

s401、確定該每個用戶組的數據特徵值所屬的特徵值範圍。

s402、將該特徵值範圍對應的推薦算法作為該每個用戶組對應的推薦算法。

具體地，若該每個用戶組中每個用戶的數據特徵包括至少一種數據特徵，則該每個用戶組的數據特徵值包括：至少一種數據特徵對應的特徵值。那麼s401中可以是確定該至少一種數據特徵中每種數據特徵對應的數據特徵值所屬的特徵值範圍，該s402中可以是將該至少一種數據特徵中各數據特徵對應的數據特徵值所屬的特徵值範圍對應的推薦算法均作為該每個用戶組對應的推薦算法。

可選的，在s401中確定該每個用戶組的數據特徵值所屬的數據特徵值範圍之前，該方法還可包括：

s401a、確定該每個用戶組的數據特徵值。

可選的，該每個用戶組的數據特徵包括以下至少一種：該每個用戶組的歷史記錄數據、該每個用戶組的標籤數據、該每個用戶組的屬性數據和該每 個用戶組的社交數據；該每個用戶組的數據特徵值包括：該每個用戶組的每種數據特徵對應的特徵值。

具體地，若該每個用戶組的數據特徵包括以下至少一種：該每個用戶組的歷史記錄數據、該每個用戶組的標籤數據和該每個用戶組的社交數據，則該每個用戶組的每種數據特徵對應的特徵值包括：該每個用戶組中所有用戶的該種數據特徵的平均值；若該每個用戶組的數據特徵包括：該每個用戶組的屬性數據，則該每個用戶組的每種數據特徵對應的特徵值包括：該每個用戶組中所有用戶的屬性數據範圍。

舉例來說，若該每個用戶組的數據特徵包括該每個用戶組的歷史記錄數據，則該每個用戶組的歷史記錄數據的特徵值為該每個用戶組中所有用戶的歷史記錄數據的平均值。該每個用戶組的歷史記錄數據包括：該每個用戶組的所有歷史數據和該每個用戶組在預設時間段內所有歷史記錄數據中至少一種。該每個用戶組的所有歷史記錄數據包括：該每個用戶組的所有用戶的瀏覽歷史記錄數據之和、該每個用戶組的所有用戶的購買歷史記錄數據之和、該每個用戶組的所有用戶的收藏歷史記錄數據之和等至少一種。

若該每個用戶組的所有歷史記錄數據包括：該每個用戶組的所有用戶的瀏覽歷史記錄數據之和l、該每個用戶組的所有用戶的購買歷史記錄數據之和g，以及該每個用戶組的所有用戶的收藏歷史記錄數據k，若該每個用戶組中的用戶個數為n，那麼該每個用戶組的所有歷史記錄數據的特徵值可以根據如下公式(1)獲得。

(l+g+k)/n公式(1)

該每個用戶組在預設時間段內歷史記錄數據包括：該每個用戶組的所有用戶在該預設時間段內的瀏覽歷史記錄數據之和l』、該每個用戶組的所有用戶在該預設時間段內的購買歷史記錄數據之和g』，以及該每個用戶組的所有用戶在該預設時間段內的收藏歷史記錄數據k』，若該每個用戶組中的用戶個數為n，那麼該每個用戶組的在該預設時間段內的歷史記錄數據的特徵值可以根據如下公式(2)獲得。

(l』+g』+k』)/n公式(2)

該實施例中以該每個用戶組的數據特徵包括該每個用戶組的歷史記錄數據為例進行說明，該每個用戶組的標籤數據的特徵值及社交數據的特徵值的 確定方法與如上所述的確定該每個用戶組的歷史記錄數據的特徵值的過程類似，在此不再贅述。

舉例來說，若該每個用戶組的所有歷史記錄數據對應的特徵值v1可以為該每個用戶組的所有用戶的所有歷史記錄數據的平均值。該每個用戶組的近期歷史記錄數據對應的特徵值v2可以為該每個用戶組的所有用戶的近期歷史記錄數據的平均值。該每個用戶組的條目數據對應的特徵值v3可以為該每個用戶組的所有條目數據的平均值。該每個用戶組的有效標籤數據對應的特徵值v4可以為該每個用戶組的所有用戶的有效標籤數據的平均值。該每個用戶組的突出標籤數據對應的特徵值v5可以為該每個用戶組的所有用戶的突出標籤數據的平均值。該每個用戶組的用戶屬性數據對應的特徵值v6可以通過該每個用戶組的所有用戶的是否有用戶屬性數據表示。該每個用戶組的聯繫人數量對應的特徵值v7可以為該每個用戶組的所有用戶的聯繫人數量的平均值。該每個用戶組的緊密聯繫人數量對應的特徵值v8可以為該每個用戶組的所有用戶的緊密聯繫人數量的平均值。

如上所述的s401中確定該每個用戶組的數據特徵值所屬的特徵值範圍可以是將該每個用戶組的數據特徵值與對應的特徵值閾值進行比較，繼而確定該每個用戶組的數據特徵值所屬的特徵值範圍。該401例如可以是根據如下表1確定該每個用戶組的數據特徵值所屬的特徵值範圍。

表1

可選的，如上所述的s402中將該特徵值範圍對應的推薦算法作為該每個 用戶組對應的推薦算法可以包括：

根據該每個用戶組的數據特徵值所屬的特徵值範圍，確定預設的推薦算法庫中該特徵值範圍對應的推薦算法，將該確定的推薦算法作為該每個用戶組對應的推薦算法。

具體地，該步驟中可以是根據該每個用戶組的數據特徵值所屬的特徵值範圍，及該預設的推薦算法庫中各算法對於數據特徵的使用條件，確定該數據特徵值對應的特徵值範圍不適用的推薦算法，繼而將該預設推薦算法庫中該不適用的推薦算法外的其他推薦算法確定為該特徵值範圍對應的推薦算法。

該預設的推薦算法庫可包括基於內容的推薦算法、基於用戶的協同過濾推薦算法、基於條目的協同過濾推薦、基於標籤的推薦算法、基於矩陣分解的協同過濾推薦算法、基於用戶屬性的推薦算法和基於社交的推薦算法等算法中至少一個推薦算法。該基於內容的推薦算法的使用條件可以包括：每個用戶組的每個用戶的數據特徵具有歷史記錄數據。該基於用戶的協同過濾推薦算法和該基於條目的協同過濾推薦可包括：每個用戶組的每個用戶的數據特徵具有歷史記錄數據，且，該每個用戶組的歷史記錄數據的特徵值大於或等於預設的歷史記錄數據特徵值。該基於標籤的推薦算法的使用條件包括：每個用戶組的每個用戶的數據特徵具有標籤數據。該基於矩陣分解的協同過濾推薦算法的使用條件包括：每個用戶組的每個用戶的數據特徵具有歷史記錄數據。該基於用戶屬性的推薦算法的使用條件包括：該每個用戶組的每個用戶的數據特徵具有屬性數據。該基於社交的推薦算法的使用條件包括：該每個用戶組的每個用戶的數據特徵具有社交數據，且，該每個用戶組的社交數據的特徵值大於或等於預設的社交數據特徵值。

可選的，如上所述步驟根據該每個用戶組的數據特徵值所屬的特徵值範圍，確定預設的推薦算法庫中該特徵值範圍對應的推薦算法，將該確定的推薦算法作為該每個用戶組對應的推薦算法可以包括：

根據該每個用戶組的數據特徵值所屬的特徵值範圍確定該每個用戶組的類型；根據該每個用戶組的類型對應的推薦算法確定該每個用戶組對應的推薦算法。

其中，確定該每個用戶組的類型可以：根據該每個用戶組的數據特徵值 所屬的特徵值範圍以及如上表1確定該每個用戶組的類型；確定該每個用戶組對應的推薦算法可以是：根據該每個用戶組的類型，以及，推薦算法庫中各推薦算法對用戶組類型的使用條件，確定該每個用戶組的類型對應的推薦算法。

其中，該推薦算法庫中各推薦算法對用戶組類型使用條件例如可以為如下表2所示。

表2

該表2中「x」可用於表示當前用戶組類型不適用於對應推薦算法。

可選的，若該每個用戶組對應的推薦算法包括多個推薦算法；該推薦策略包括：該每個用戶組對應的n種融合推薦算法；其中，每種融合推薦算法包括該多個推薦算法和該多個推薦算法對應的一個融合方式。

可選的，如上所述的s302中確定該每個用戶組對應的推薦策略，還可以包括：

s403、根據該每個用戶組對應的推薦算法，和，預設的融合方式庫中每 個融合方式對推薦算法的使用條件，從該推薦算法庫中確定符合該每個用戶組對應的推薦算法的使用條件的n個融合方式為該多個推薦算法對應的n個融合方式。

具體地，該預設的融合方式庫可包括：加權型融合方式、交叉型融合方式、分級型融合方式及瀑布型融合方式中至少一個融合方式。

其中，該加權型融合方式，可以是通過對根據不同推薦算法所確定的推薦信息的評分進行加權，並將該加權後的推薦信息進行排序，確定該加權後的推薦信息的優先級，繼而根據加權後的推薦信息的優先級，確定發送至每個用戶組對應的推薦信息。其中，該加權採用的權重可以根據每個用戶組中每個用戶對於推薦信息的反饋信息進行動態調整。

該交叉型融合方式，可以是對根據不同推薦算法所確定的推薦信息按照預設的比例，確定為每個用戶組對應的推薦信息。

該分級型融合方式，可以是根據每個用戶組中每個用戶對於推薦信息的反饋信息，確定對根據不同推薦算法所確定的推薦信息的優先級，繼而根據推薦信息優先級，將最高優先級對應的至少一個推薦信息確定為該每個用戶組對應的推薦信息。

該瀑布型融合方式，例如可以是將一個推薦算法確定的推薦信息作為另一個推薦算法的輸入信息，繼而確定該每個用戶組對應的推薦信息。

其中，該加權融合方式對於推薦算法的使用條件可包括：根據推薦算法確定的推薦信息需包括預測評分信息。若一個推薦算法確定的推薦信息不包括預測評分信息，則該一個推薦算法不適用於與其他推薦算法採用該加權型融合方式。

該交叉型融合方式對於推薦算法的使用條件可包括：根據推薦算法確定的推薦信息的長度需大於待生成的該每個用戶組對應的推薦信息的長度。

該分級型融合方式對於推薦算法的使用條件可包括：根據推薦算法確定的推薦信息的長度需小於待生成的該每個用戶組對應的推薦信息的長度。

該瀑布型融合方式對於推薦算法的使用條件可包括：根據推薦算法確定的推薦信息的長度需大於待生成的該每個用戶組對應的推薦信息的長度。

s404、根據該n個融合方式，分別對該多個推薦算法進行融合，獲得該n種融合推薦算法。

可選的，如上所述的s303中根據該每個用戶組對應的推薦策略生成該每個用戶組的推薦信息，可以包括：

s405、確定該每個用戶組對應的每種融合推薦算法的推薦準確度。

s406、從該n個融合推薦算法中確定最高推薦準確度的融合推薦算法，作為該每個用戶組的最優融合推薦算法。

s407、根據該每個用戶組的最優融合推薦算法，生成該每個用戶組的推薦信息。

可選的，如上述s405中確定該每個用戶組對應的每種融合推薦算法的推薦準確度，可以包括：

針對該每個用戶組對應的n種融合推薦算法中的一種，根據該每個用戶組的n組數據中的一組數據，生成該種融合推薦算法對應的推薦信息，該n組數據中不同組的數據對應的用戶數相同；

根據該一組數據對應的用戶對該推薦信息的反饋信息，確定該每個用戶組對應的該種融合推薦算法的推薦準確度。

具體地，該n組數據可以是從該每個用戶組的所有用戶數據中隨機選擇的數據。該不同組的數據中同一種數據特徵的差值在預設範圍內。也就是說，該不同組的數據的數據特徵相似，對應的用戶數相同，因而，該n組數據可稱為n組均等數據。

舉例來說，圖5為本發明實施例提供的一個用戶組、融合推薦策略、數據組與推薦信息的推薦準確度的對應關係圖。如圖5所示，若一個用戶組對應的推薦策略包括：融合推薦算法1、融合推薦算法2、融合推薦算法3、融合推薦算法4和融合推薦算法5。該一個用戶組包括5組數據，即數據組1、數據組2、數據組3、數據組4及數據組5。根據該一個用戶組的數據組1，採用融合推薦算法1可獲得該融合推薦算法1對應的推薦信息；根據該數據組2採用融合推薦算法2可獲得該融合推薦算法2對應的推薦信息；根據該數據組3採用融合推薦算法3可獲得該融合推薦算法3對應的推薦信息；根據該數據組4採用融合推薦算法4可獲得該融合推薦算法4對應的推薦信息；根據該數據組5採用融合推薦算法5可獲得該融合推薦算法5對應的推薦信息。若該融合推薦算法1對應的推薦信息的推薦準確度為0.8，該融合推薦算法2對應的推薦信息的推薦準確度為0.3，該融合推薦算法3對應的推薦信息 的推薦準確度為0.4，該融合推薦算法4對應的推薦信息的推薦準確度為0.9，該融合推薦算法5對應的推薦信息的推薦準確度為0.5，因而，該一個用戶組的最高推薦準確度為0.9，則該融合推薦算法4可以為該一個用戶組的最優融合推薦算法。

可選的，該方法還可包括：

若最高推薦準確度小於預設準確度閾值的用戶組的比例大於或等於預設閾值，對該多個用戶進行重新分組；該最高推薦準確度小於預設準確度閾值的用戶組的比例，可以為該最高推薦準確度小於預設準確度閾值的用戶組的個數與該至少兩個用戶組的個數的比值；

確定該重新分組後的每個用戶組的對應的推薦策略；

根據該重新分組後的每個用戶組對應的推薦策略生成該重新分組後的每個用戶組的推薦信息；

向該重新分組後的每個用戶組中的用戶對應的終端發送推薦信息。

可選的，其中，確定該重新分組後的每個用戶組的對應的推薦策略，可以包括：

確定該重新分組後的每個用戶組的數據特徵值，是否在，原分組後的用戶組的數據特徵值所在的特徵值範圍內；

判斷該原分組後的用戶組的最高推薦準確度，是否大於或等於該預設準確度閾值；

若該重新分組後的每個用戶組的數據特徵值在該原分組後的用戶組的數據特徵值所在的特徵值範圍內，且，該原分組後的用戶組的最高推薦準確度大於或等於該預設準確度閾值，則將該原分組後的用戶組對應的推薦策略作為該重新分組後的每個用戶組對應的推薦策略。

本發明實施例通過提供多種用戶分組的實現方案、確定每個用戶組對應的推薦策略的實現方案等可更好地保證用戶分組更精確，推薦策略的確定更準確，更好地保證該信息推薦算法獲得推薦信息的準確度。

本發明實施例提供的信息推薦方法，通過具體的實例對上述實施例所述的方法進行說明，有益效果與上述實施例類似，在此不再贅述。

本發明實施例還提供一種伺服器。圖6為本發明實施例提供的伺服器的結構示意圖。如圖6所示，該伺服器600可包括：分組模塊601、確定模塊 602、生成模塊603和發送模塊604。

其中，該分組模塊601、確定模塊602、生成模塊603可通過如上圖2所述伺服器中的處理器201實現，處理器201可通過調用存儲器202中存儲的對應程序或執行，實現該分組模塊601、確定模塊602、生成模塊603各模塊的功能。發送模塊604可通過如上圖2所示的伺服器中的網絡接口203實現。

其中，分組模塊601，用於對多個用戶進行分組，獲得至少兩個用戶組；其中，每個用戶組包括至少一個用戶。

確定模塊602，用於確定該每個用戶組對應的推薦策略；該推薦策略包括該每個用戶組對應的推薦算法。

生成模塊603，用於根據該每個用戶組對應的推薦策略生成該每個用戶組的推薦信息。

發送模塊604，用於向該至少一個用戶對應的終端發送該推薦信息。

可選的，分組模塊601，用於根據該多個用戶中每個用戶的數據特徵，對該多個用戶進行分組，獲得該至少兩個用戶組。

可選的，該每個用戶的數據特徵包括：至少一個數據特。

分組模塊601，用於根據該每個用戶的該至少一種數據特徵，按照預設的數據特徵順序，對該多個用戶進行分組，得到該至少兩個用戶組。

可選的，該每個用戶的數據特徵包括以下至少一種：

該每個用戶的歷史記錄數據、該每個用戶的標籤數據、該每個用戶的屬性數據和該每個用戶的社交數據。

其中，該每個用戶的歷史記錄數據包括：該每個用戶的所有歷史記錄數據和該每個用戶在預設時間段內的歷史記錄數據中的至少一種；該每個用戶的標籤數據包括該每個用戶的有效標籤數量和該每個用戶的突出標籤數量中的至少一種。該每個用戶的屬性數據包括該每個用戶的性別、該每個用戶的年齡段、該每個用戶的身份中的至少一種。該每個用戶的社交數據包括該每個用戶的聯繫人數量、該每個用戶的緊密聯繫人數量、該每個用戶的主動聯繫次數中的至少一種。該每個用戶的緊密聯繫人為與該每個用戶的聯繫次數大於或等於預設次數閾值的聯繫人。

可選的，確定模塊602，確定該每個用戶組的數據特徵值所屬的特徵值範圍，將該特徵值範圍對應的推薦算法作為該每個用戶組對應的推薦算法。

可選的，確定模塊602，還用於確定該每個用戶組的數據特徵值。

可選的，該每個用戶組的數據特徵包括以下至少一種：該每個用戶組的歷史記錄數據、該每個用戶組的標籤數據、該每個用戶組的屬性數據和該每個用戶組的社交數據；該每個用戶組的數據特徵值包括：該每個用戶組的每種數據特徵對應的特徵值。

可選的，確定模塊602，還用於根據該每個用戶組的數據特徵值所屬的特徵值範圍，確定預設的推薦算法庫中該特徵值範圍對應的推薦算法，將該確定的推薦算法作為該每個用戶組對應的推薦算法。

可選的，若該每個用戶組對應的推薦算法包括多個推薦算法；該推薦策略包括：該每個用戶組對應的n種融合推薦算法；其中，每種融合推薦算法包括該多個推薦算法和該多個推薦算法對應的一個融合方式。

確定模塊602，還用於根據該每個用戶組對應的推薦算法，和，預設的融合方式庫中每個融合方式對推薦算法的使用條件，從該推薦算法庫中確定符合該每個用戶組對應的推薦算法的使用條件的n個融合方式為該多個推薦算法對應的n個融合方式；根據該n個融合方式，分別對該多個推薦算法進行融合，獲得該n種融合推薦算法。

可選的，確定模塊602，還用於確定該每個用戶組對應的每種融合推薦算法的推薦準確度；從該n個融合推薦算法中確定最高推薦準確度的融合推薦算法，作為該每個用戶組的最優融合推薦算法；

生成模塊603，還用於根據該每個用戶組的最優融合推薦算法，生成該每個用戶組的推薦信息。

本發明實施例提供的伺服器，可用於執行上述實施例所述的信息推薦方法，有益效果與上述實施例類似，在此不再贅述。

本發明實施例還提供一種計算機可讀存儲介質。圖7為本發明實施例提供的計算機可讀存儲介質的結構示意圖。

如圖7所示，該計算機可讀存儲介質700可存儲有可執行的程序代碼701。該程序代碼701用以實現上述權利要求1-10中如上實施例一或二中任一所述的信息推薦方法。

本發明實施例提供的計算機可讀存儲介質，可存儲的程序代碼可用於實現上述實施例所述的信息推薦方法，有益效果與上述實施例類似，在此不再 贅述。

本領域普通技術人員可以理解：實現上述各方法實施例的全部或部分步驟可以通過程序指令相關的硬體來完成。前述的程序可以存儲於一計算機可讀取存儲介質中。該程序在執行時，執行包括上述各方法實施例的步驟；而前述的存儲介質包括：rom、ram、磁碟或者光碟等各種可以存儲程序代碼的介質。

最後應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的範圍。