一種網絡資源推薦方法及計算機設備與流程
2023-04-25 08:37:16
本發明涉及通信技術領域，尤其涉及一種網絡資源推薦方法及計算機設備。
背景技術：
隨著網際網路技術的發展，用戶通過網際網路實現的功能越來越多，比如網上購物、瀏覽網頁、在線影視、在線遊戲等等。網際網路每時每刻都在產生巨大數量的數據，如何有效利用這些數據已經成為一個世界性關注的問題。經過多年的研究，對於這些數據附加價值的挖掘和利用也逐漸成熟，主要應用於電子商務、在線信息應用(如在線新聞、在線音樂、在線影視)等領域的網絡資源推薦系統。網絡資源推薦是根據用戶的興趣特點，向用戶推薦用戶感興趣的信息，避免了信息快速增長導致信息過載而導致的用戶不斷流失的問題。
目前，網絡資源推薦方法是針對用戶對網絡資源推薦列表的反饋信息(比如用戶對網絡資源推薦列表中的某一推薦事件的點擊)來確定用於本次推薦的興趣模型。若反饋信息很少或者沒有反饋信息的情況下，採用這種網絡資源推薦方法會導致確定的用於本次推薦的興趣模型準確率下降，最終導致推薦結果的準確率下降。
技術實現要素：
本發明實施例提供一種網絡資源推薦方法及伺服器，以期提高推薦結果的準確率。
第一方面，本發明提供一種網絡資源推薦方法，其中，計算機設備存儲有第二興趣模型和第三興趣模型，其中，第二興趣模型為時間窗口與當前時間窗口相鄰且位於當前時間窗口之前的興趣模型，第三興趣模型為由用戶在不同時間窗口(位於第二興趣模型對應的時間窗口之前)的興趣模型組合而成的興趣模型，當計算機檢測到用戶在當前時間窗口的用戶行為記錄時，計算機設備根據當前時間窗口的用戶行為記錄確定第一興趣模型，然後計算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度，再然後 根據計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型和推薦算法，再然後根據第四興趣模型和推薦算法生成網絡資源推薦列表，最後根據網絡資源推薦列表進行推薦。可見，本方案不針對於用戶對網絡資源推薦列表的反饋信息確定用於本次推薦的興趣模型，而針對用戶行為記錄確定用於本次推薦的興趣模型，實現了對用戶興趣變化響應的準確性和及時性，進而提高推薦結果的準確率。
在一個可能的設計中，計算機設備計算得到的任意兩個興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度，其中，第一相似度為第一興趣模型和第二興趣模型的相似度，第二相似度為第一興趣模型和所述第三興趣模型的相似度，第三相似度為第二興趣模型和第三興趣模型的相似度。
在一個可能的設計中，計算機設備根據計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型的具體實施方式為：
當第一相似度和第二相似度均大於或等於預設相似度時，計算機設備檢測到用戶興趣未發生顯著變化，計算機設備根據所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
當第一相似度大於或等於預設相似度，且第二相似度小於預設相似度時，計算機設備檢測到用戶興趣發生漂移，計算機設備根據第一興趣模型、第二興趣模型以及第一公式確定第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
當第一相似度小於預設相似度，且第二相似度大於或等於預設相似度時，計算機設備檢測到噪聲，計算機設備根據第一興趣模型、第三興趣模型以及第一公式確定第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
當第一相似度小於預設相似度，第二相似度小於預設相似度，且第三相似度大於或等於預設相似度時，計算機設備未檢測到用戶興趣發生變化，計算機設備根據第二興趣模型、第三興趣模型以及第一公式確定第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
當第一相似度小於預設相似度，第二相似度小於預設相似度，且第三相似度小於預設相似度時，計算機設備檢測噪聲，計算機設備將第三興趣模型作為第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
其中，第一公式為：
m＝αa+βb
m表示第四興趣模型，a和b為第一興趣模型、第二興趣模型以及第三興趣模型中任意兩個興趣模型，α表示a的權重，β表示b的權重，α和β的和等於1。
在一個可能的設計中，計算機設備根據第二興趣模型、第三興趣模型以及第一公式確定第四興趣模型之後，計算機設備將第三興趣模型更新為第四興趣模型。
在一個可能的設計中，計算機設備根據第一興趣模型、第二興趣模型以及第一公式確定第四興趣模型之後，計算機設備根據第二興趣模型、第三興趣模型以及第一公式確定第五興趣模型，並將第三興趣模型更新為第五興趣模型。
在一個可能的設計中，計算機設備根據計算得到的任意兩個興趣模型之間的相似度確定推薦算法的具體實施方式為：
當第一相似度和第二相似度均大於或等於預設相似度時，計算機設備檢測到用戶興趣未發生顯著變化，計算機設備將基於內容的協同過濾推薦作為推薦算法。此時，計算機設備採用基於內容的協同過濾推薦，能在基於長期興趣做推薦的同時，保證對當前短期興趣的敏感性，從而提升推薦的準確率。
當第一相似度大於或等於預設相似度，且第二相似度小於預設相似度時，計算機設備檢查到用戶興趣發生了變化，計算機設備將基於內容的推薦作為所述推薦算法。此時，計算機設備採用基於內容的推薦，能更好地針對當前短期興趣做推薦，捕捉用戶當前的新興趣，提高推薦準確率。
當第一相似度小於所述預設相似度，且第二相似度大於或等於預設相似度；或者，若第一相似度小於預設相似度，第二相似度小於預設相似度；或者，若第一相似度小於預設相似度，第二相似度小於預設相似度時，計算機設備檢測到了噪聲或檢測到了用戶興趣未發生變化，計算機設備將基於協同過濾推薦作為所述推薦算法。此時，計算機設備採用基於協同過濾的推薦，能最大程度上保證推薦的多樣性，提高推薦成功率。
在一個可能的設計中，興趣模型包括向量模型，計算機設備計算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度的具體實施方式為：
計算機設備根據第二公式計算第一向量模型、第二向量模型以及第三向量模型中的任意兩個向量模型之間的相似度，
第二公式為：
其中，similarity表示任意兩個向量模型之間的相似度，a和b為第一向量模型、第二向量模型以及第三向量模型中任意兩個向量模型，n表示向量模型中包含的元素總數，i表示向量模型的第i個元素。
第二方面，本發明提供一種計算機設備，包含用於執行第一方面中的方法的模塊。
第三方面，本發明提供一種計算機設備，計算機設備中包括接收器、發送器以及處理器，處理器被配置為支持計算機設備執行第一方面提供的一種網絡資源推薦方法中相應的功能。發送器用於支持計算機設備與行動網路伺服器之間的通信。計算機設備還可以包括存儲器，存儲器用於與處理器耦合，其保存計算機設備必要的程序指令和數據。計算機設備還可以包括通信接口，用於計算機設備與其他設備或通信網絡通信。
第四方面，本發明提供一種計算機存儲介質，用於儲存為上述計算機設備所用的計算機軟體指令，其包含用於執行上述方面所設計的程序。
可以看出，本發明實施例中，本發明不針對於用戶對網絡資源推薦列表的反饋信息確定用於本次推薦的興趣模型，本發明針對用戶行為記錄確定用於本次推薦的興趣模型，實現了對用戶興趣變化響應的準確性和及時性，進而提高推薦結果的準確率。
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作簡單地介紹，顯而易見地，下面描述中的附圖僅僅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的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是本發明實施例提供的一種計算機設備示意圖；
圖2是本發明實施例提供的一種網絡資源推薦方法的流程示意圖；
圖2.1是本發明實施例提供的另一種網絡資源推薦方法的流程示意圖；
圖2.2是本發明實施例提供的另一種網絡資源推薦方法的流程示意圖；
圖3是本發明實施例提供的另一種計算機設備示意圖。
具體實施方式
為了使本技術領域的人員更好地理解本發明方案，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，所描述的實施例僅僅是本發明一部分的實施例，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，都應當屬於本發明保護的範圍。
以下分別進行詳細說明。
本發明的說明書和權利要求書及所述附圖中的術語「第一」、「第二」、「第三」和「第四」等是用於區別不同對象，而不是用於描述特定順序。此外，術語「包括」和「具有」以及它們任何變形，意圖在於覆蓋不排他的包含。例如包含了一系列步驟或模塊的過程、方法、系統、產品或設備沒有限定於已列出的步驟或模塊，而是可選地還包括沒有列出的步驟或模塊，或可選地還包括對於這些過程、方法、產品或設備固有的其它步驟或模塊。
在本文中提及「實施例」意味著，結合實施例描述的特定特徵、結構或特性可以包含在本發明的至少一個實施例中。在說明書中的各個位置出現該短語並不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領域技術人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結合。
圖1所示為本發明實施例提供的計算機設備示意圖。計算機設備100包括至少一個處理器101，通信總線102，存儲器103、至少一個通信接口104、發送器105以及接收器106。
處理器101可以是一個通用中央處理器(cpu)，微處理器，特定應用集成電路(application-specificintegratedcircuit，asic)，或一個或多個用於控制本發明方案程序執行的集成電路。
通信總線102可包括一通路，在上述組件之間傳送信息。所述通信接口104， 使用任何收發器一類的裝置，用於與其他設備或通信網絡通信，如乙太網，無線接入網(ran)，無線區域網(wirelesslocalareanetworks，wlan)等。
存儲器103可以是只讀存儲器(read-onlymemory，rom)或可存儲靜態信息和指令的其他類型的靜態存儲設備，隨機存取存儲器(randomaccessmemory，ram)或者可存儲信息和指令的其他類型的動態存儲設備，也可以是電可擦可編程只讀存儲器(electricallyerasableprogrammableread-onlymemory，eeprom)、只讀光碟(compactdiscread-onlymemory，cd-rom)或其他光碟存儲、光碟存儲(包括壓縮光碟、雷射碟、光碟、數字通用光碟、藍光光碟等)、磁碟存儲介質或者其他磁存儲設備、或者能夠用於攜帶或存儲具有指令或數據結構形式的期望的程序代碼並能夠由計算機存取的任何其他介質，但不限於此。存儲器可以是獨立存在，通過總線與處理器相連接。存儲器也可以和處理器集成在一起。
其中，所述存儲器103用於存儲執行本發明方案的應用程式代碼，並由處理器101來控制執行。所述處理器101用於執行所述存儲器103中存儲的應用程式代碼。
圖1所示的計算機設備的存儲器103存儲的代碼可執行本發明提供的網絡資源推薦方法，比如，根據當前時間窗口的用戶行為記錄確定第一興趣模型，然後計算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度，再然後根據計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型和推薦算法，再然後根據第四興趣模型和推薦算法，生成網絡資源推薦列表，並基於網絡資源推薦列表進行推薦。
在具體實現中，作為一種實施例，計算機設備100還可以包括發送器105和接收器106。發送器105和處理器101通信，可以以多種方式來顯示信息。接收器106和處理器101通信，可以以多種方式接受應用伺服器或業務層裝置發送的信令。
上述的計算機設備100可以是一個通用計算機設備或者是一個專用計算機設備。在具體實現中，計算機設備100可以是臺式機、可攜式電腦、網絡伺服器、掌上電腦(personaldigitalassistant，pda)、移動手機、平板電腦、無線終端設備、通信設備、嵌入式設備或有圖1中類似結構的設備。本發明實施例不限定計算機設備100的類型。
與上述描述的技術方案一致的，作為一個具體實施例，圖2是包括計算機設備的具體執行過程的網絡資源推薦方法的流程示意圖。儘管這裡描述的網絡資源推薦方法是基於圖1所示的計算機設備100來執行，但需要注意的是，本發明實施例公開的網絡資源推薦方法的具體運行環境不僅限於上述計算機設備100。
如圖2所示，本發明方法實施例公開的網絡資源推薦方法具體包括以下步驟：
s201、計算機設備根據當前時間窗口的用戶行為記錄確定第一興趣模型。
其中，時間窗口指用戶在線並有操作記錄的時長(比如半小時或1小時等)。用戶在該時間窗口範圍內的操作記錄要求不少於m條，其中，m例如可以是3、4、5、7或是其他值。
其中，用戶行為記錄例如可以是上網行為記錄，點擊記錄，購買記錄，收藏記錄；等等。
其中，興趣模型可以是向量模型，也可以是其他模型，比如規則模型等，其中規則模型包括決策樹(decisiontree)等等，本發明不做限定。
s202、計算機設備計算所述第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度，其中，所述第二興趣模型對應的時間窗口與所述當前時間窗口相鄰，所述第三興趣模型為基於參考時間窗口集內的所有用戶行為記錄確定的興趣模型，所述參考時間窗口集包括所述第二興趣模型對應的時間窗口之前的n個時間窗口，所述n為大於1的整數。
其中，第二興趣模型為時間窗口與當前時間窗口相鄰，且位於當前時間窗口之前的興趣模型。所述第三興趣模型為長期興趣模型，是基於參考時間窗口集內的所有用戶行為記錄確定的興趣模型，即由用戶在不同時間窗口的興趣模型組合而成，組合的方法包括但不限於多個模型加權求和，等等。
可選的，興趣模型包括向量模型，計算機設備計算第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度的具體實現方式為：計算機設備根據第二公式計算第一向量模型、第二向量模型以及第三向量模型中的任意兩個向量模型之間的相似度；
第二公式為：
其中，similarity表示任意兩個向量模型之間的相似度，a和b為第一向量模型、第二向量模型以及第三向量模型中任意兩個向量模型，n表示向量模型中包含的元素總數，i表示向量模型的第i個元素。
其中，向量模型中的值表示用戶對某一項事件(比如商品/服務等)的偏好程度，值越大代表越感興趣。比如，向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，可見，用戶對商品的偏好程度有手錶>咖啡>手機。
舉例來說，假設第一向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手錶，手機}＝{0.5，0.3，0.2}，第三向量模型＝{咖啡，手錶，手機}＝{0，0.6，0.4}。計算機設備根據第二公式計算第一向量模型和第二向量模型之間的相似度為0.949，第一向量模型和第三向量模型之間的相似度為0.302，第二向量模型和第三向量模型之間的相似度為0.585。
s203、計算機設備根據計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型和推薦算法。
舉例來說，請參見圖2.1，上述步驟s202計算得到的任意兩個興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度，所述第一相似度為所述第一興趣模型和所述第二興趣模型的相似度，所述第二相似度為所述第一興趣模型和所述第三興趣模型的相似度，所述第三相似度為所述第二興趣模型和所述第三興趣模型的相似度，計算機設備根據計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型的具體實施方式為：
s203-a1、若所述第一相似度和所述第二相似度均大於或等於預設相似度，計算機設備根據所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型。
具體地，若第一相似度≥預設相似度，第二相似度≥預設相似度，表示用戶當前時間窗口關注的事件與用戶前一時間窗口關注的事件相似，且用戶當前時間窗口關注的事件與用戶長期關注的事件相似，此時計算機設備檢測到用戶興趣未發生顯著變化，計算機設備將第二興趣模型和第三興趣模型根據第一公式進行融合成第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。第 四興趣模型為用於本次推薦的興趣模型。預設相似度例如可以等於0.7、0.75、0.8或是其他值。
s203-a2、若所述第一相似度大於或等於所述預設相似度，且所述第二相似度小於所述預設相似度，計算機設備根據所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型。
具體地，若第一相似度≥預設相似度，第二相似度＜預設相似度，表示用戶當前時間窗口關注的事件與用戶前一時間窗口關注的事件相似，且用戶當前時間窗口關注的事件與用戶長期關注的事件不相似，此時計算機設備檢測到用戶興趣發生漂移，計算機設備將第一興趣模型和第二興趣模型根據第一公式進行融合成第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
s203-a3、若所述第一相似度小於所述預設相似度，且所述第二相似度大於或等於所述預設相似度，計算機設備根據所述第一興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型。
具體地，若第一相似度＜預設相似度，第二相似度≥預設相似度，表示用戶當前時間窗口關注的事件與用戶前一時間窗口關注的事件不相似，且用戶當前時間窗口關注的事件與用戶長期關注的事件相似，此時計算機設備檢測到噪聲(噪聲表示非用戶興趣，是由於用戶誤操作或者探索性操作而導致的)，計算機設備將第一興趣模型和第三興趣模型根據第一公式進行融合成第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
s203-a4、若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度，且所述第三相似度大於或等於所述預設相似度，計算機設備根據所述第二興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型。
具體地，若第一相似度＜預設相似度，第二相似度＜預設相似度，第三相似度≥預設相似度，表示用戶當前時間窗口關注的事件與用戶前一時間窗口關注的事件不相似，用戶當前時間窗口關注的事件與用戶長期關注的事件不相似，且用戶前一時間窗口關注的事件與用戶長期關注的事件相似，此時計算機設備未檢測到用戶興趣發生變化，計算機設備將第二興趣模型和第三興趣模型根據第一公式進行融合成第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
s203-a5、若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度，且所述第三相似度小於所述預設相似度，計算機設備將所述第三興趣模型作為所述第四興趣模型。
具體地，若第一相似度＜預設相似度，第二相似度＜預設相似度，第三相似度＜預設相似度，表示用戶當前時間窗口關注的事件與用戶前一時間窗口關注的事件不相似，用戶當前時間窗口關注的事件與用戶長期關注的事件不相似，且用戶前一時間窗口關注的事件與用戶長期關注的事件不相似，此時計算機設備檢測噪聲，此時計算機設備將第三興趣模型作為第四興趣模型，有利於提升用於本次推薦的興趣模型的準確率。
其中，第一公式為：
m＝αa+βb
m表示第四興趣模型，a和b為第一興趣模型、第二興趣模型以及第三興趣模型中任意兩個興趣模型，α表示a的權重，β表示b的權重，α和β的和等於1。
可選的，α和β的值可以相同也可以不同，在本發明實施例中以α和β的值相同為例進行舉例說明，α和β的值為1/n，n為待融合模型的個數。比如，假設興趣模型為向量模型時，第一向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手錶，手機}＝{0.5，0.3，0.2}，將第一向量模型和第二向量模型融合，取α＝β＝0.5，融合後的向量模型＝{咖啡，手錶，手機}＝{0.6，0.25，0.15}。
可選的，當a和b為向量模型時，a和b分別為歸一化的向量模型。
舉例來說，請參見圖2.2，計算機設備根據計算得到的任意兩個興趣模型之間的相似度確定推薦算法的具體實施方式為：
s202-b1、若所述第一相似度和所述第二相似度均大於或等於預設相似度，計算機設備將基於內容的協同過濾推薦作為推薦算法。
s202-b2、若所述第一相似度大於或等於所述預設相似度，且所述第二相似度小於所述預設相似度，計算機設備將基於內容的推薦作為所述推薦算法。
s202-b3、若所述第一相似度小於所述預設相似度，且所述第二相似度大於或等於所述預設相似度；或者，若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度；或者，若所述第一相似度小於所述預設相似 度，所述第二相似度小於所述預設相似度，計算機設備將基於協同過濾推薦作為所述推薦算法。
其中，基於內容的推薦是根據用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。主要是從啟發式的方法和基於模型的方法來描述基於內容的推薦方法。基於協同過濾推薦是一種基於一組興趣相同的用戶或項目進行的推薦，它根據鄰居用戶(與目標用戶興趣相似的用戶)的偏好信息產生對目標用戶的推薦列表。協同過濾算法主要分為基於用戶的協同過濾算法和基於項目的協同過濾算法。基於內容的協同過濾推薦是基於內容的推薦和基於協同過濾推薦的一種混合(hybrid)推薦方法。
在計算機設備未檢測到興趣發生顯著變化，計算機設備採用基於內容的協同過濾推薦，能在基於長期興趣做推薦的同時，保證對當前短期興趣的敏感性，從而提升推薦的準確率。
在計算機設備檢測到興趣發生了變化，計算機設備採用基於內容的推薦，能更好地針對當前短期興趣做推薦，捕捉用戶當前的新興趣，提高推薦準確率。
在計算機設備檢測到噪聲或興趣未發生變化，計算機設備採用基於協同過濾的推薦，能最大程度上保證推薦的多樣性，提高推薦成功率。
可選的，計算機設備根據所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型，計算機設備將所述第三興趣模型更新為所述第四興趣模型。第四興趣模型作為用於本次推薦的興趣模型。
可選的，在計算機設備根據所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型之後，計算機設備根據所述第二興趣模型、所述第三興趣模型以及所述第一公式確定第五興趣模型，並將所述第三興趣模型更新為所述第五興趣模型。第四興趣模型作為用於本次推薦的興趣模型，第五興趣模型作為長期興趣模型。
需要說明的是，在第一相似度＜預設相似度，且第二相似度≥預設相似度或者，第一相似度＜預設相似度，第二相似度＜所述預設相似度，且第三相似度＜預設相似度的情況下，計算機設備檢測到了噪聲，此時計算機設備無需更新第三興趣模型。
舉例來說，當興趣模型為向量模型時，假設第一向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，第二向量模型＝{咖啡，手錶，手機}＝{0.5，0.3，0.2}， 第三向量模型＝{咖啡，手錶，手機}＝{0，0.6，0.4}，計算機設備根據第二公式計算得到的第一相似度為0.949，第二相似度為0.302，第三相似度為0.585。若預設相似度為0.7，根據上述步驟s202可知，計算機設備檢測到了用戶興趣發生了漂移，計算機設備基於步驟s203-a2根據第一向量模型、第二向量模型以及第一公式確定第四向量模型，其中，第四向量模型＝{咖啡，手錶，手機}＝{0.6，0.25，0.15}。計算機設備將第二向量模型和第三向量模型以及第一公式確定第五向量模型，並將第三向量模型更新為第五向量模型，其中，第五向量模型＝{咖啡，手錶，手機}＝{0.25，0.45，0.3}，此時，第三向量模型＝{咖啡，手錶，手機}＝{0.25，0.45，0.3}。計算機設備將基於內容的推薦作為本次推薦的推薦算法。由於檢測到了用戶興趣發生了漂移，採用基於內容的推薦，能更好地針對當前的短期興趣做推薦，捕捉用戶當前的新興趣，提高推薦準確率。由於用於本次推薦的向量模型中{咖啡}的偏好值最大，因此基於內容的推薦會側重於{咖啡}這一興趣。
又舉例來說，當興趣模型為向量模型時，假設第一向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，第二向量模型{咖啡，手錶，手機}＝{0，0.3，0.7}，第三向量模型＝{咖啡，手錶，手機}＝{0，0.8，0.2}，計算機設備根據第二公式計算得到的第一相似度為0.232，第二相似度為0.297，第三相似度為0.605。若預設相似度為0.7，根據上述步驟s202可知，計算機設備檢測到了噪聲，計算機設備將第三向量模型作為第四向量模型，即第四向量模型＝{咖啡，手錶，手機}＝{0，0.8，0.2}。計算機設備將基於協同過濾推薦作為本次推薦的推薦算法。由於計算機設備檢測到了噪聲，採用基於協同過濾的推薦，能最大程度上保證推薦的多樣性，提高推薦成功率。
又舉例來說，當興趣模型為向量模型時，假設第一向量模型＝{咖啡，手錶，手機}＝{0.7，0.2，0.1}，第二向量模型{咖啡，手錶，手機}＝{0，0.3，0.7}，第三向量模型＝{咖啡，手錶，手機}＝{0.8，0.1，0.1}，計算機設備根據第二公式計算得到的第一相似度為0.232，第二相似度為0.988，第三相似度為0.162。若預設相似度為0.7，根據上述步驟s202可知，計算機設備檢測到用戶興趣未發生變化，計算機設備根據第二向量模型、第三向量模型以及第一公式確定第四向量模型，其中，第四向量模型＝{咖啡，手錶，手機}＝{0.75，0.15，0.1}。計算機設備將第三向量模型更新為第四向量模型，此時，第三向量模型＝{咖啡，手錶，手機}＝{0.75，0.15，0.1}。計算機設備將基於內容的協同過濾推薦本次推薦的推 薦算法。由於計算機設備檢測檢測到用戶興趣未發生變化，採用基於協同過濾的推薦，能最大程度上保證推薦的多樣性，提高推薦成功率。
s204、計算機設備根據所述第四興趣模型和所述推薦算法，生成網絡資源推薦列表。
s205、計算機設備根據所述網絡資源推薦列表進行推薦。
具體的，計算機設備根據網絡資源推薦列表進行推薦的具體實施方式可以是：計算機設備直接根據上述網絡資源推薦列表進行推薦；或者，計算機設備將上述網絡資源推薦列表發送給另一計算機設備(比如智慧型手機、平板電腦等等)，然後另一計算機設備再根據上述網絡資源推薦列表進行推薦，或者，也可以是其他的推薦方式，本發明不做限定。
可以看出，本發明實施例中，本發明不針對於用戶對網絡資源推薦列表的反饋信息確定用於本次推薦的興趣模型，本發明針對用戶行為記錄確定用於本次推薦的興趣模型，實現了對用戶興趣變化響應的準確性和及時性，進而提高推薦結果的準確率。
圖3是本發明實施例提供的一種計算機設備的結構示意圖。計算機設備300包括：確定模塊301、計算模塊302、生成模塊303以及推薦模塊304。
確定模塊301，用於根據當前時間窗口的用戶行為記錄確定第一興趣模型。計算模塊302，用於計算所述第一興趣模型、第二興趣模型以及第三興趣模型中的任意兩個興趣模型之間的相似度，其中，所述第二興趣模型對應的時間窗口與所述當前時間窗口相鄰，所述第三興趣模型為基於參考時間窗口集內的所有用戶行為記錄確定的興趣模型，所述參考時間窗口集包括所述第二興趣模型對應的時間窗口之前的n個時間窗口，所述n為大於1的整數。確定模塊301，還用於根據所述計算模塊計算得到的任意兩個興趣模型之間的相似度確定第四興趣模型和推薦算法。生成模塊303，用於根據所述確定模塊確定得到的所述第四興趣模型和所述推薦算法，生成網絡資源推薦列表。推薦模塊304，用於根據所述網絡資源推薦列表進行推薦。
可選的，所述計算得到的任意兩個興趣模型之間的相似度包括第一相似度、第二相似度以及第三相似度，所述第一相似度為所述第一興趣模型和所述第二興趣模型的相似度，所述第二相似度為所述第一興趣模型和所述第三興趣模型 的相似度，所述第三相似度為所述第二興趣模型和所述第三興趣模型的相似度。
可選的，所述確定模塊301具體用於：
若所述第一相似度和所述第二相似度均大於或等於預設相似度，根據所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型；
若所述第一相似度大於或等於所述預設相似度，且所述第二相似度小於所述預設相似度，根據所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型；
若所述第一相似度小於所述預設相似度，且所述第二相似度大於或等於所述預設相似度，根據所述第一興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型；
若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度，且所述第三相似度大於或等於所述預設相似度，根據所述第二興趣模型、所述第三興趣模型以及所述第一公式確定所述第四興趣模型；
若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度，且所述第三相似度小於所述預設相似度，將所述第三興趣模型作為所述第四興趣模型；
其中，所述第一公式為：
m＝αa+βb
所述m表示所述第四興趣模型，所述a和所述b為所述第一興趣模型、所述第二興趣模型以及所述第三興趣模型中任意兩個興趣模型，所述α表示所述a的權重，所述β表示所述b的權重，所述α和所述β的和等於1。
可選的，在確定模塊301根據所述第二興趣模型、所述第三興趣模型以及第一公式確定第四興趣模型之後，圖3所示的計算機設備還包括：
更新模塊，用於將所述第三興趣模型更新為所述第四興趣模型。
可選的，在確定模塊301根據所述第一興趣模型、所述第二興趣模型以及所述第一公式確定所述第四興趣模型之後，確定模塊301，還用於根據所述第二興趣模型、所述第三興趣模型以及所述第一公式確定第五興趣模型。更新模塊305，還用於將所述第三興趣模型更新為確定模塊301確定的所述第五興趣模型。
可選的，確定模塊301還具體用於：
若所述第一相似度和所述第二相似度均大於或等於預設相似度，將基於內 容的協同過濾推薦作為推薦算法；
若所述第一相似度大於或等於所述預設相似度，且所述第二相似度小於所述預設相似度，將基於內容的推薦作為所述推薦算法；
若所述第一相似度小於所述預設相似度，且所述第二相似度大於或等於所述預設相似度；或者，若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度；或者，若所述第一相似度小於所述預設相似度，所述第二相似度小於所述預設相似度，將基於協同過濾推薦作為所述推薦算法。
可選的，所述興趣模型包括向量模型，所述計算模塊302具體用於：根據第二公式計算第一向量模型、第二向量模型以及第三向量模型中的任意兩個向量模型之間的相似度；
所述第二公式為：
其中，所述similarity表示任意兩個向量模型之間的相似度，所述a和所述b為所述第一向量模型、所述第二向量模型以及所述第三向量模型中任意兩個向量模型，所述n表示向量模型中包含的元素總數，所述i表示向量模型的第i個元素。
需要說明的是，上述各功能模塊(確定模塊301、計算模塊302、生成模塊303、推薦模塊304以及更新模塊305)用於執行實施例圖2的步驟s201-s205的相關步驟。
在本實施例中，計算機設備300是以功能模塊的形式來呈現。這裡的「模塊」可以指特定應用集成電路(application-specificintegratedcircuit，asic)，電路，執行一個或多個軟體或固件程序的處理器和存儲器，集成邏輯電路，和/或其他可以提供上述功能的器件。在一個簡單的實施例中，本領域的技術人員可以想到計算機設備300可以採用圖1所示的形式。確定模塊301、計算模塊302、生成模塊303、以及更新模塊305可以通過圖1的處理器和存儲器來實現。推薦模塊304可以通過圖1的處理器、存儲器和通信接口來實現。
本發明實施例還提供一種計算機存儲介質，其中，該計算機存儲介質可存 儲有程序，該程序執行時包括上述方法實施例中記載的任何一種網絡資源推薦方法的部分或全部步驟。
需要說明的是，對於前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述的動作順序的限制，因為依據本發明，某些步驟可以採用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬於優選實施例，所涉及的動作和模塊並不一定是本發明所必須的。
在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置，可通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如所述模塊的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個模塊或組件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或模塊的間接耦合或通信連接，可以是電性或其它的形式。
所述作為分離部件說明的模塊可以是或者也可以不是物理上分開的，作為模塊顯示的部件可以是或者也可以不是物理模塊，即可以位於一個地方，或者也可以分布到多個網絡模塊上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。
另外，在本發明各個實施例中的各功能模塊可以集成在一個處理模塊中，也可以是各個模塊單獨物理存在，也可以兩個或兩個以上模塊集成在一個模塊中。上述集成的模塊既可以採用硬體的形式實現，也可以採用軟體功能模塊的形式實現。
所述集成的模塊如果以軟體功能模塊的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲器中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲器中，包括若干指令用以使得一臺計算機設備(可為個人計算機、伺服器或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲器包 括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬碟、磁碟或者光碟等各種可以存儲程序代碼的介質。
本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬體來完成，該程序可以存儲於一計算機可讀存儲器中，存儲器可以包括：快閃記憶體盤、只讀存儲器(英文：read-onlymemory，簡稱：rom)、隨機存取器(英文：randomaccessmemory，簡稱：ram)、磁碟或光碟等。
以上對本發明實施例進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用範圍上均會有改變之處，綜上上述，本說明書內容不應理解為對本發明的限制。