信息推荐方法、装置及服务器制造方法及图纸

本说明书实施例关于信息推荐方法、装置及服务器，该方法包括：获取历史用户在特定区域内的各店铺进行消费的消费次数；根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值，所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型；根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。本说明书实施例提高确定消费达人和热门店铺的准确性，进而提高推荐信息的可信度。

【技术实现步骤摘要】
信息推荐方法、装置及服务器
本申请涉及网络通信
，尤其涉及信息推荐方法、装置及服务器。
技术介绍
在互联网领域中，往往需要评价店铺的热门度和用户的质量。通过对用户质量的评估可以找出消费达人，消费达人是在如何选择店铺等方面非常在行的人，通过对店铺热门度的评估可以找出比较热门的店铺，以便向其他用户推荐热门店铺。相关技术中，通过统计用户的消费次数确定消费达人，通过统计店铺被消费的次数确定热门店铺。通过这种方式会导致经常在质量较差的店铺消费的人也能成为消费达人，被很多质量较差的用户消费过的店铺也能成为热门店铺，从而使推荐的热门店铺不是高质量的店铺，即推荐信息的可信度低。
技术实现思路
本申请提供信息推荐方法、装置及服务器，以解决现有技术中推荐信息的可信度低的问题。根据本申请实施例的第一方面，提供一种信息推荐方法，包括：获取历史用户在特定区域内的各店铺进行消费的消费次数，所述历史用户是与所述特定区域内店铺存在消费关系的用户；根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值，所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型；根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。根据本申请实施例的第二方面，提供一种信息推荐装置，所述装置包括：次数获取单元，用于获取历史用户在特定区域内的各店铺进行消费的消费次数，所述历史用户是与所述特定区域内店铺存在消费关系的用户；迭代计算单元，用于根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值，所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型；信息推荐单元，用于根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。根据本申请实施例的第三方面，提供一种服务器，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为：获取历史用户在特定区域内的各店铺进行消费的消费次数，所述历史用户是与所述特定区域内店铺存在消费关系的用户；根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值，所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型；根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。应用本申请实施例信息推荐方法、装置及服务器时，通过获取历史用户在特定区域内的各店铺进行消费的消费次数，根据消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定特定区域内各店铺的热门度和各历史用户的质量分值，并根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息，以实现质量分值高的历史用户常去的店铺的热门度高，常去热门度高的店铺的用户的质量分值高，从而提高确定消费达人和热门店铺的准确性，进而提高推荐信息的可信度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本公开的原理。图1A为本申请信息推荐方法的一个实施例流程图。图1B是本申请根据一示例性实施例示出的一种网格扩展示意图。图1C是本申请根据一示例性实施例示出的一种热门度和质量分值确定方法的示意图。图1D是本申请根据一示例性实施例示出的一种推荐信息展示示意图。图1E是本申请根据一示例性实施例示出的另一种推荐信息展示示意图。图2是本申请信息推荐装置所在服务器的一种硬件结构图。图3是本申请信息推荐装置的一个实施例框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。在很多电子商务平台中具有信息推荐功能，以便供进入该电子商务平台的用户参考推荐信息。例如，在淘宝应用上直接推荐热门店铺，或者输出消费达人推荐的热门店铺，又如百度外卖应用上推荐热门商家等。相关技术中，将被消费次数较高的店铺确定为热门店铺，将消费次数较高的用户确定为消费达人。由于存在经常在质量较差的店铺消费的人也能成为消费达人，被很多质量较差的用户消费过的店铺也能成为热门店铺，从而使推荐的热门店铺不是高质量的店铺，即推荐信息的可信度低。基于此，为了避免推荐信息可信度低的缺陷，本申请提供一种信息推荐方法，本申请根据消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定特定区域内各店铺的热门度和各历史用户的质量分值，以实现质量分值高的历史用户常去的店铺的热门度高，常去热门度高的店铺的用户的质量分值高，从而提高确定消费达人和热门店铺的准确性，进而提高推荐信息的可信度。如图1A所示，图1A为本申请信息推荐方法的一个实施例流程图，该方法包括以下步骤101至步骤103：在步骤101中，获取历史用户在特定区域内的各店铺进行消费的消费次数，所述历史用户是与所述特定区域内店铺存在消费关系的用户。在步骤102中，根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值，利用预设迭代模型确定所述特定区域内各店本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，所述方法包括：/n获取历史数据，所述历史数据包含有：特定区域内的多个店铺、与所述店铺存在消费关系的多个历史用户，以及所述历史用户在所述店铺的消费次数；/n利用所述历史数据和目标条件，确定各个店铺的热门度和各个历史用户的质量分值；其中，所述目标条件包括：店铺的热门度与如下参数正相关：历史用户的质量分值以及历史用户在该店铺内的消费次数；历史用户的质量分值与如下参数正相关：店铺的热门度以及该历史用户在该店铺内的消费次数；/n根据确定的各个店铺的热门度和/或各个历史用户的质量分值，向目标用户推荐店铺。/n

【技术特征摘要】
1.一种信息推荐方法，所述方法包括：
获取历史数据，所述历史数据包含有：特定区域内的多个店铺、与所述店铺存在消费关系的多个历史用户，以及所述历史用户在所述店铺的消费次数；
利用所述历史数据和目标条件，确定各个店铺的热门度和各个历史用户的质量分值；其中，所述目标条件包括：店铺的热门度与如下参数正相关：历史用户的质量分值以及历史用户在该店铺内的消费次数；历史用户的质量分值与如下参数正相关：店铺的热门度以及该历史用户在该店铺内的消费次数；
根据确定的各个店铺的热门度和/或各个历史用户的质量分值，向目标用户推荐店铺。


2.根据权利要求1所述的方法，所述利用所述历史数据和目标条件，确定各个店铺的热门度和各个历史用户的质量分值，包括：
将所述历史数据和目标条件输入至预设迭代模型，由所述预设迭代模型通过多次迭代计算输出各个店铺的热门度和各个历史用户的质量分值；其中，所述店铺配置有预设热门度初始值，所述历史用户配置有预设质量分值初始值。


3.根据权利要求2所述的方法，所述店铺的热门度通过如下方式确定：
采用下述公式计算特定区域内的店铺的源热门度，并将所述源热门度进行归一化处理获得店铺的热门度：



其中，As′表示特定区域内的店铺s的源热门度，U表示与店铺s存在消费关系的所有历史用户，u表示U中的其中一个历史用户，Hu表示历史用户u的质量分值，countus表示历史用户u在店铺s内的消费次数。


4.根据权利要求2所述的方法，所述历史用户的质量分值通过如下方式确定：
采用下述公式计算历史用户的源质量分值，并将所述源质量分值进行归一化处理获得该历史用户的质量分值：



其中，Hu′表示历史用户u的源质量分值，S表示在设定区域内与用户u存在消费关系的所有店铺，s表示S中的其中一个店铺，As表示店铺s的热门度，countus表示历史用户u在店铺s内的消费次数。


5.根据权利要求2所述的方法，所述预设迭代模型在每次迭代计算中，在确定特定区域内的店铺的热门度后，还包括：
判断是否存在高于第一热门度阈值的热门度；
当存在高于第一热门度阈值的热门度时，利用预设降差公式对所确定的店铺的热门度进行降差处理，获得本次迭代计算中店铺的最终的热门度；所述预设降差公式是降低最大热门度和最小热门度之间差距的公式。


6.根据权利要求1至5任一所述的方法，所述特定区域内店铺数量大于或等于预设店铺数量阈值，所述特定区域内用户数量大于或等于预设用户数量阈值，所述用户数量是与所述店铺存在消费关系的所有历史用户的数量。


7.根据权利要求1所述的方法，向所述目标用户推荐的店铺，满足如下任一条件：
店铺的热门度高于目标热门度阈值；
由质量分值大于高于预设质量阈值的历史用户推荐的；
店铺热门度高于目标热门度阈值、与质量分值大于高于预设质量阈值的历史用户存在消费关系、并且该质量分值大于高于预设质量阈值的历史用户与所述目标用户的特征匹配。


8.根据权利要求2所述的方法，所述预设迭代模型为Hits算法模型，所述店铺的热门度为Hits算法模型中的权威值，所述历史用户的质量分值为Hits算法模型中的枢纽值。


9.根据权利要求1所述的方法，所述特...

【专利技术属性】
技术研发人员：杨一品，毛仁歆，沈玮，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY