信息推荐方法及装置制造方法及图纸

本公开是关于一种信息推荐方法及装置，所述方法包括：确定目标信息，并获取与目标信息相关联的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及向所述目标用户推荐所述目标信息。本公开解决了如何准确推荐信息的技术问题，达到了通过分析用户信息和用户历史行为数据，对用户进行准确的信息推荐，为用户获取有用信息节省时间，且提高运算效率的效果。

【技术实现步骤摘要】

本公开涉及互联网
，尤其涉及信息推荐方法及装置。
技术介绍
随着网络技术的发展，一方面，使得用户可获取大量的不同类型的信息；但同时，另一方面，也造成了网络信息的混乱，使得用户需要在大量的信息中，花费时间和精力去筛选出需要的信息。因此，针对用户行为，包括用户的日常访问习惯、兴趣点等，进行用户行为预测分析，并依此为用户推荐其需要信息成为亟待解决的技术问题。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种信息推荐方法及装置。根据本公开实施例的第一方面，提供一种信息推荐方法，包括：确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及向所述目标用户推荐所述目标信息。在一个实施例中，所述根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量的步骤包括：根据所述用户信息和所述用户历史行为数据确定训练集数据；将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。在一个实施例中，所述根据待筛选用户的属性值列表和所述特征值向量确定目标用户的步骤包括：按照预设拆分规则，对所述待筛选用户的属性值列表进行拆分；通过spark运算平台，将拆分后的待筛选用户的属性值列表分别与所述特征值向量进行笛卡尔运算；将运算结果进行排序；将排序在预设范围内的运算结果所对应的待筛选用户作为所述目标用户。在一个实施例中，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。在一个实施例中，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与目标信息相关的历史选择数据。根据本公开实施例的第二方面，提供一种信息推荐方法，包括：获取预设用户的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量；根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息；以及将所述目标信息推荐给所述预设用户。在一个实施例中，所述根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量的步骤包括：根据所述用户信息和所述用户历史行为数据确定训练集数据；将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。在一个实施例中，所述根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息的步骤包括：按照预设拆分规则，对所述待推荐目标信息的属性值列表进行拆分；通过spark运算平台，将拆分后的待推荐目标信息的属性值列表分别与所述特征值向量进行笛卡尔运算；将所述运算结果进行排序；将排序在预设范围内的运算结果所对应的待推荐目标信息作为所述目标信息。在一个实施例中，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。在一个实施例中，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与待推荐目标信息相关的历史选择数据。根据本公开实施例的第三方面，提供一种信息推荐装置，包括：第一获取模块，被配置为确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；第一计算模块，被配置为根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；目标用户确定模块，被配置为根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及第一推荐模块，被配置为向所述目标用户推荐所述目标信息。在一个实施例中，所述第一计算模块包括：第一训练集数据确定子模块，被配置为根据所述用户信息和所述用户历史行为数据确定训练集数据；第一迭代运算子模块，被配置为将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。在一个实施例中，所述目标用户确定模块包括：第一拆分子模块，被配置为按照预设拆分规则，对所述待筛选用户的属性值列表进行拆分；第一计算子模块，被配置为通过spark运算平台，将拆分后的待筛选用户的属性值列表分别与所述特征值向量进行笛卡尔运算；第一排序子模块，被配置为将所述第一计算子模块的运算结果进行排序；目标用户确定子模块，被配置为将排序在预设范围内的运算结果所对应的待筛选用户作为所述目标用户。在一个实施例中，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。在一个实施例中，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与目标信息相关的历史选择数据。根据本公开实施例的第四方面，提供一种信息推荐装置，包括：第二获取模块，被配置为获取预设用户的用户历史行为数据及用户信息；第二计算模块，被配置为根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量；推荐目标信息确定模块，被配置为根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息；以及第二推荐模块，被配置为将所述目标信息推荐给所述预设用户。在一个实施例中，所述第二计算模块包括：第二训练集数据确定子模块，被配置为根据所述用户信息和所述用户历史行为数据确定训练集数据；第二迭代运算子模块，被配置为将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。在一个实施例中，所述推荐目标信息确定模块包括：第二拆分子模块，被配置为按照预设拆分规则，对所述待推荐目标信息的属性值列表进行拆分；第二计算子模块，被配置为通过spark运算平台，将拆分后的待推荐目标信息的属性值列表分别与所述特征值向量进行笛卡尔运算；第二排序子模块，被配置为将第二计算子模块的运算结果进行排序；推荐目标信息确定子模块，被配置为将排序在预设范围内的运算结果所对应的待推荐目标信息作为所述目标信息。在一个实施例中，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。在一个实施例中，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与待推荐目标信息相关的历史选择数据。根据本公开实施例的第五方面，提供一种信息推荐装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及向所述目标用户推荐所述目标信息。根据本公开实施例的第六方面，提供一种信息推荐装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取预设用户的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量；根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息；以及将所述目标信息推荐给所述预设用户。根据本公开实施例的第七方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行一种信息推荐方法，所述方法包括：确本文档来自技高网...

【技术保护点】
一种信息推荐方法，其特征在于，包括：确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及向所述目标用户推荐所述目标信息。

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及向所述目标用户推荐所述目标信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量的步骤包括：根据所述用户信息和所述用户历史行为数据确定训练集数据；将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。3.根据权利要求1所述的方法，其特征在于，所述根据待筛选用户的属性值列表和所述特征值向量确定目标用户的步骤包括：按照预设拆分规则，对所述待筛选用户的属性值列表进行拆分；通过spark运算平台，将拆分后的待筛选用户的属性值列表分别与所述特征值向量进行笛卡尔运算；将运算结果进行排序；将排序在预设范围内的运算结果所对应的待筛选用户作为所述目标用户。4.根据权利要求3所述的方法，其特征在于，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。5.根据权利要求1所述的方法，其特征在于，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与目标信息相关的历史选择数据。6.一种信息推荐方法，其特征在于，包括：获取预设用户的用户历史行为数据及用户信息；根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量；根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息；以及将所述目标信息推荐给所述预设用户。7.根据权利要求6所述的方法，其特征在于，所述根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述预设用户的特征值向量的步骤包括：根据所述用户信息和所述用户历史行为数据确定训练集数据；将所述训练集数据按照预设规则进行转换，并输入spark运算平台进行迭代运算，以获得所述特征值向量。8.根据权利要求6所述的方法，其特征在于，所述根据待推荐目标信息的属性值列表和所述特征值向量确定目标信息的步骤包括：按照预设拆分规则，对所述待推荐目标信息的属性值列表进行拆分；通过spark运算平台，将拆分后的待推荐目标信息的属性值列表分别与所述特征值向量进行笛卡尔运算；将所述运算结果进行排序；将排序在预设范围内的运算结果所对应的待推荐目标信息作为所述目标信息。9.根据权利要求8所述的方法，其特征在于，所述预设拆分规则包括以下其中之一：以数量为依据进行拆分、以用户信息为依据进行拆分。10.根据权利要求6所述的方法，其特征在于，所述用户历史行为数据包括以下至少一种：网页浏览数据、购物数据和与待推荐目标信息相关的历史选择数据。11.一种信息推荐装置，其特征在于，包括：第一获取模块，被配置为确定目标信息，并获取与所述目标信息相关联的用户历史行为数据及用户信息；第一计算模块，被配置为根据所述用户信息和所述用户历史行为数据确定训练集数据，计算所述目标信息的特征值向量；目标用户确定模块，被配置为根据待筛选用户的属性值列表和所述特征值向量确定目标用户；以及第一推荐模块，被配置为向所述目标用户推荐所述目标信息。12.根据权利要求11所述的装置，其特征在于，所述第一计算模块包括：第一训练集数据确...

【专利技术属性】
技术研发人员：张旭华，郭涛，王啸飞，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11