一种信息推荐方法及装置与流程

1.本技术涉及通信技术领域，尤其涉及一种信息推荐方法及装置。


背景技术：

2.现今的大部分应用程序(app)上在进行品牌或地点搜索的时候，除了提供搜索关键字的输入框之外，还会在搜索界面显示出历史搜索记录、热门推荐以及按字母排序的候选选项等。
3.其中，热门推荐往往都是基于全网用户的搜索记录，而这些热门推荐并不一定能满足特定用户的特定需求；而字母排序则是较为通用检索方法，只有在用户明确地知道自己想要搜索的目标品牌和目标地点时，才能提供一定的便利；历史搜索记录虽然能够记录用户曾经进行过的搜索，但这一功能更接近于书签的功能，仅在用户想要再次进行相同搜索的时，才能提供一定的便利。
4.实际上，由于对充电品牌的偏好不同、活动范围不同、经常充电的时段不同，每个用户的真正需求也会存在或多或少的个体差异，但现有的应用程序在搜索品牌或地点时，都还没有实现真正意义上的私人化定制推荐。


技术实现要素：

5.本技术人创造性地提供一种信息推荐方法及装置。
6.根据本技术实施例第一方面，提供一种信息推荐方法，该方法包括：根据用户的定位，确定能源供给站的第一推荐列表；获取用户与能源供给站关联的历史行为数据；根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分；根据个人偏好评分，对第一推荐列表中的能源供给站进行筛选和排序，得到第二推荐列表。
7.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取第一推荐列表中每个能源供给站的选择合理度，其中，选择合理度表示预测选择结果与实际选择结果的差异程度，差异程度越大选择合理度越低；根据选择合理度，确定第一推荐列表中每个能源供给站的个人偏好评分，以使得选择合理度越低个人偏好评分越高。
8.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户的历史等待时间阈值；获取第一推荐列表中每个能源供给站在当前时段的等待时间；根据等待时间和历史等待时间阈值，确定第一推荐列表中每个能源供给站的个人偏好评分。
9.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中与当前时段对应的目的地，确定用户的疑似目的地；获取第一推荐列表中每个能源供给站与疑似目的地的距离；根据与疑似目的地的距离，确定第一推荐列表中每个能源供给站的个人偏好评分。
10.根据本技术一实施例，根据历史行为数据中与当前时段对应的目的地，确定用户
的疑似目的地，包括：若当前时段为上班时段，则将用户的公司地址确定为用户的疑似目的地；若当前时段为下班时段，则将用户的家庭地址确定为用户的疑似目的地。
11.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户对第一推荐列表中每个能源供给站的访问频次；根据访问频次，确定第一推荐列表中每个能源供给站的个人偏好评分。
12.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户的选择因素偏好；根据选择因素偏好，确定第一推荐列表中每个能源供给站的个人偏好评分。
13.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的能源供给站评价记录，获取第一推荐列表中每个能源供给站的评价记录；根据评价记录，确定第一推荐列表中每个能源供给站的个人偏好评分。
14.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的至少两种数据，分别对第一推荐列表中每个能源供给站进行评分得到至少两个评分结果；对至少两个评分结果进行加权求和得到每个能源供给站的个人偏好评分。
15.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据和用户行为机器学习模型，确定第一推荐列表中每个能源供给站的个人偏好评分。
16.根据本技术一实施例，在得到第二推荐列表之后，该方法还包括：获取用户的个人信息和车辆信息；根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
17.根据本技术一实施例，获取用户的个人信息包括：获取用户的个人画像信息；根据个人画像信息将用户映射到相应的用户群体得到第一用户群体；相应地，根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分，包括：根据第一用户群体偏好和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
18.根据本技术的上述实施例，历史行为数据包括定位记录、能源供给站搜索记录、能源供给站导航记录和能源供给站评价记录中的至少一种。
19.根据本技术实施例第二方面，提供一种信息推荐装置，该装置包括：第一推荐列表确定模块，用于获取用户与能源供给站关联的历史行为数据；历史行为数据获取模块，用于获取用户与能源供给站关联的历史行为数据；个人偏好评分确定模块，用于根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分；个性化筛选和排序模块，用于根据个人偏好评分，对能源供给站推荐列表中的能源供给站进行筛选和排序，得到第二推荐列表。
20.本技术实施例提供一种信息推荐方法及装置，该方法首先根据用户的定位，确定一个备选推荐列表；之后，通过获取用户与能源供给站关联的历史行为数据分析用户的个人偏好，并根据用户的个人偏好对备选推荐列表中的能源供给站进行二次筛选和排序，得到一个更符合用户个人偏好的推荐列表。如此，使用更符合用户个人偏好的推荐列表进行
源供给站推荐，可帮助用户更快捷地找到自己偏爱的能源供给站，实现了能源供给站的私人化定制推荐。
21.需要理解的是，本技术的实施并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本技术的其他实施方式还能够实现上面未提到的有益效果。
附图说明
22.通过参考附图阅读下文的详细描述，本技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本技术的若干实施方式，其中：
23.在附图中，相同或对应的标号表示相同或对应的部分。
24.图1为本技术信息推荐方法一实施例的实现流程示意图；
25.图2为本技术信息推荐方法另一实施例的实现流程示意图；
26.图3为本技术信息推荐装置一实施例的组成结构示意图。
具体实施方式
27.为使本技术的目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而非全部实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
28.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
29.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
30.图1示出了本技术信息推荐方法一实施例的实现流程。参考图1，该方法包括：操作110，根据用户的定位，确定能源供给站的第一推荐列表；操作120，获取用户与能源供给站关联的历史行为数据；操作130，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分；操作140，根据个人偏好评分，对第一推荐列表中的能源供给站进行筛选和排序，得到第二推荐列表。
31.在本实施例中，信息推荐方法主要应用于能源供给站点的搜索或推荐系统或应用(app)中。
32.其中，能源供给站主要指加油站、充气站和充电桩等站点或商铺。
33.在操作110中，根据用户的定位确定能源供给站的第一推荐列表时，可使用现有方
案中任何适用的推荐方法来获取相应的推荐列表，例如，根据能源供给站的用户搜索记录或导航记录确定的历史推荐列表；根据大多数的用户选择确定的热点推荐列表；根据用户评价确定的优质能源供给站推荐；根据最近开业的能源供给站确定的新增能源供给站列表；按字母排序的推荐列表或根据用户输入的关键字得到的推荐列表等等。
34.这些推荐列表中的站点与当前定位的距离范围可由用户来确定，例如，<500m，<1000m和1000m以上等。
35.在该推荐列表中的每一选项，除了提供能源供给站的名称和地理位置之外，还可提供能源供给站与当前定位的距离信息，以及预计到达能源供给站的时间和到达能源供给站之后还需要排队等待的时间等。
36.在操作120中，获取用户与能源供给站关联的历史行为数据，可以从本系统或本应用中的各种记录中获取，例如，用户定位历史记录、能源供给站搜索历史记录、能源供给站导航历史记录和目标对象评价历史记录等；也可以根据某一协议从用户安装的其他第三方系统或应用中获取用户定位信息历史记录、能源供给站搜索历史记录、能源供给站搜索历史记录、加油信息历史记录和充电信息历史记录等等。
37.通常，这些与能源供给站关联的历史行为数据是有助于分析用户偏好历史行为数据，并通过记录和存储用户每一次的相关行为数据形成的。
38.在通过操作110，获得了这些有助于分析用户偏好历史行为数据后，即可通过操作130根据历史行为数据分析用户的偏好，确定第一推荐列表中每个能源供给站的个人偏好评分。
39.在操作130中，个人偏好在本技术中特指用户个人在选择能源供给站的偏好，例如，对能源供给站品牌的偏好；对能源品牌的偏好；对能源供给站的选择因素偏好(例如，偏爱距离近的、偏爱等待时间短的或偏爱好评多的)等。
40.在确定能源供给站的个人偏好评分时，往往会根据能源供给站与用户个人偏好的符合程度来进行评分，越符合用户个人偏好的评分越高。该评分可以时预先定义的、离散型的等级；也可以是根据某一计算公式计算得到评分；还可以是根据某一综合打分模型的输出结果而确定的评分。
41.通过操作130得到了第一推荐列表中每个能源供给站的个人偏好评分之后，就可以通过操作140，根据该个人偏好评分对第一推荐表中的能源供给站进行筛选和排序，得到第二推荐列表。
42.在操作140中，可以首选进行筛选，将个人偏好评分小于个人偏好评分阈值的能源供给站从第一推荐列表中移除出去；也可以先进行排序，仅选取排序最靠前的n个能源供给站等。其中，人偏好评分阈值或n值都是可以通过系统缺省配置设定的或通过用户交互设定的。
43.由此可见，本实施例所提供的信息推荐方法，首先，通过操作110根据用户的定位，确定一个备选推荐列表；之后，通过操作120获取用户与能源供给站关联的历史行为数据；以便随后在操作130中，根据历史行为数据分析用户的个人偏好以确定第一推荐列表中每个能源供给站的个人偏好评分；然后，通过操作140，根据每个能源供给站的个人偏好评分对备选推荐列表中的能源供给站进行二次筛选和排序，以得到一个更符合用户个人偏好的推荐列表。
44.如此，使用更符合用户个人偏好的推荐列表进行源供给站推荐，可帮助用户更快捷地找到自己偏爱的能源供给站，实现了能源供给站的私人化定制推荐。
45.进一步地，由于用户历史行为数据随着时间的推移，可不断丰富并发生变化，因而能更准确地反映用户当下的行为偏好并可以及时反映用户偏好的改变。因此，本技术信息推荐方法是动态可变的私人化定制推荐，能更好地贴合用户当下的偏好并随用户偏好的改变而改变。
46.需要说明的是图1所示的实施例仅为本技术信息推荐方法最基本的一个实施例，实施者还可在其基础上进行进一步细化和扩展。
47.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取第一推荐列表中每个能源供给站的选择合理度，其中，选择合理度表示预测选择结果与实际选择结果的差异程度，差异程度越大选择合理度越低；根据选择合理度，确定第一推荐列表中每个能源供给站的个人偏好评分，以使得选择合理度越低个人偏好评分越高。
48.在本实施例中，可在每次用户搜索能源供给站时，记录并存储用户定位、与该用户定位对应的能源供给站搜索结果，以及搜索结果中每一能源供给站距离当时用户定位的距离信息和等待时间等，形成用户历史行为数据。
49.之后，在响应用户请求进行个性化推荐时，获取上述存储的用户历史行为数据，根据用户的当前定位即可获取：1)与当前定位接近的定位记录所对应的搜索结果以及搜索结果中每一能源供给站与用户当时定位的距离；2)根据搜索后的导航记录(或能源补给记录)，可确定用户最终选择的源供给站。
50.若对1)和2)进行分析后发现：在有多个能源供给站可供选择的时候，用户并没有选则距离最近的能源供给站a1，而是选了一个更远的能源供给站b1，则表明该车主对更远的这个能源供给站b1更偏爱。因此，可对更远的能源供给站b1设定较高的个人偏好评分。比如，能源供给站b1距定位点的距离为900m，而能源供给站a1距定位点的距离为600m，则能源供给站b1的个人偏好评分＝((900m
‑
600m)/100m)＝3。相应地，还可以对最近的能源供给站a1设定较低的个人偏好评分，比如，正好是能源供给站b1的相反数
‑
3。
51.类似的，若在距离相同的情况下，用户并没有选则等待时间更短的能源供给站a2，而是选了一个更远的能源供给站b2，则表明该车主对更远的这个能源供给站b2更偏爱；若在距离相同和等待时间类似的情况下，用户并没有选则评分更高的能源供给站a3，而是选了一个评分更低的能源供给站b3，则表明该车主对更远的这个能源供给站b3更偏爱等等。
52.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户的历史等待时间阈值；获取第一推荐列表中每个能源供给站在当前时段的等待时间；根据等待时间和历史等待时间阈值，确定第一推荐列表中每个能源供给站的个人偏好评分。
53.在本实施例中，可在每次用户搜索能源供给站时，记录并存储每次用户选择的能源供给站所对应的等待时间形成可接受的等待时间历史记录。
54.之后，在响应用户请求进行个性化推荐时，可获取等待时间历史记录中最长的等待时间(或平均等待时间)作为用户的历史等待时间阈值，并根据当前时段每一能源供给站的等待时间和历史等待时间阈值，确定第一推荐列表中每个能源供给站的个人偏好评分。
55.例如，假设以历史最长的等待时间作为用户的历史等待时间阈值，每一能源供给站的个人偏好评分为历史最长的等待时间与当前时段的等待时间的差。当用户历史最长的等待时间为30分钟，第一推荐列表
56.中能源供给站a4的当前时段的等待时间为10分钟，能源供给站b4的
57.当前时段的等待时间为40分钟，则能源供给站a4的个人偏好评分为20，能源供给站b4的个人偏好评分为
‑
10。
58.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中与当前时段对应的目的地，确定用户的疑似目的地；获取第一推荐列表中每个能源供给站与疑似目的地的距离；根据与疑似目的地的距离，确定第一推荐列表中每个能源供给站的个人偏好评分。
59.在本实施例中，可在每次用户搜索能源供给站时，推测用户的目的地，记录并存储用户定位、时间和推测的目的地，形成与定位和时段对应的目的地历史记录。
60.之后，在响应用户请求进行个性化推荐时，获取与定位和时段对应的目的地历史记录。若根据上述历史行为数据并结合从第三方系统或应用中该用户在该时段出行的历史导航记录发现：该用户在这一时段更倾向选择目的地附近的能源供给站进行能源补给，而不是选择当前定位附近的能源供给站进行能源补给，则可以获取历史行为数据中的目的地作为疑似目的地，并根据第一推荐列表中每个能源供给站与疑似目的地的距离，对第一推荐列表中每个能源供给站的个人偏好评分，以使得与疑似目的地的距离越近的能源供给站的个人偏好评分越高。
61.根据本技术一实施例，根据历史行为数据中与当前时段对应的目的地，确定用户的疑似目的地，包括：若当前时段为上班时段，则将用户的公司地址确定为用户的疑似目的地；若当前时段为下班时段，则将用户的家庭地址确定为用户的疑似目的地。
62.通常，用户在上班时段都是去往公司的路上，而下班时段则是去往回家的路上。因此，在本实施例中会直接将公司地址确定为上班时段的疑似目的地，将家庭地址确定为下班时段的疑似目的地。其中，公司地址和家庭地址可以是用户输入的；也可以是根据之前的历史行为数据确定的；还可以是第三方系统或应用中获取的。
63.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户对第一推荐列表中每个能源供给站的访问频次；根据访问频次，确定第一推荐列表中每个能源供给站的个人偏好评分。
64.在本实施例中，可在每次用户搜索能源供给站时，记录并存储用户最终所选择的能源供给站，形成用户能源供给站历史选择记录。
65.之后，在响应用户请求进行个性化推荐时，获取上述存储的用户定位所对应的能源供给站历史选择记录，并统计用户对第一推荐列表中每个能源供给站的访问频次，并根据访问频次确定个人偏好评分，访问频次越高，个人偏好评分越高。
66.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户的选择因素偏好；根据选择因素偏好，确定第一推荐列表中每个能源供给站的个人偏好评分。
67.在本实施例中，可在每次用户搜索能源供给站时，推测用户选择能源供给站的选择因素，然后记录和存储用户每次的选择因素形成选择因素历史记录。
68.其中，用户的选择因素是系统预置的，通常与排序因素对应，例如，“距离”、“等待时间”、“用户评价”和“品牌”等。
69.在推测用户选择该能源供给站的选择因素时，可根据该能源供给站在搜索结果中各种“选择因素”下排序的情况来判断。例如，如果用户此次选择的能源供给站是距离最近的，则用户此次的选择因素是“距离”；如果用户此次选择的能源供给站是等待时间最短的，则用户此次的选择因素是“时间”；如果用户此次选择的能源供给站是用户评价最高的，则用户此次的选择因素是“用户评价”；如果用户此次选择的能源供给站是经常选择的品牌，则用户此次的选择因素是“品牌”。
70.在推测用户选择该能源供给站的选择因素时，也可以将搜索结果和用户选择的能源供给占输入事先建立的选择因素判断模型，并通过模型的输出交过获取能源供给站的选择因素。
71.此外，还可以在用户每次点击排序因素时，将用户选择的排序因素也记录和存储为用户的选择因素。
72.之后，在响应用户请求进行个性化推荐时，可获取选择因素历史记录，并选择其中出现次数最多的选择因素作为此次推荐的排序因素。
73.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的能源供给站评价记录，获取第一推荐列表中每个能源供给站的评价记录；根据评价记录，确定第一推荐列表中每个能源供给站的个人偏好评分。
74.在本实施例中，可在每次对能源供给站进行评价时，记录并存储用户对能源供给站的评价，形成能源供给站评价记录。
75.之后，在响应用户请求进行个性化推荐时，可获取用户对能源供给站评价记录，并根据该评价记录确定每个能源供给站的个人偏好评分。例如，如果该能源供给站有对应的评价记录，则直接使用用户的对该能源攻击站的评价中的评分作为个人偏好评分；如果没有对应的评价记录，则使用该能源供给站的人均评分作为个人偏好评分。
76.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的至少两种数据，分别对第一推荐列表中每个能源供给站进行评分得到至少两个评分结果；对至少两个评分结果进行加权求和得到每个能源供给站的个人偏好评分。
77.在本实施例中，在对能源供给站进行个人偏好评分，并不是根据某一次历史行为记录或某个评分因素确定的，而是根据多次历史行为记录或多个评分因素确定的，如此得到的个人偏好评分可综合各种偏好因素，并对可能出现的偏差进行修正，因此也更为全面和精准。
78.例如，当用户历史行为记录中有多个相关记录时，可根据与当前时间的远近来进行加权，时间越近的权重越重；当考虑多个选择因素得到多个评分结果时，则可以考虑以用户对选择因素的选择频次作为相应评分的权重等。
79.此外，还可以使用某一偏好因素的评分作为基础个人偏好评分，使用另一偏好因素的评分作为权重进行加和。
80.例如，使用根据选择合理度确定的个人偏好评分作为基础个人偏好评分，使用历
史选择频次作为权重进行加和等。
81.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据和用户行为机器学习模型，确定第一推荐列表中每个能源供给站的个人偏好评分。
82.在本实施例中，时通过根据历史行为数据和用户行为机器学习模型。实施者可选用任何适用的机器学习模型，并使用每个用户历史行为数据对其进行训练得到用户个人偏好模型。
83.之后，在响应用户请求进行个性化推荐时，可直接输入该用户定位和当前时段，即可得到对应的推荐列表。由于，新产生的用户历史行为数据和用户最终选择的能源供给站还可以作为训练数据持续对模型进行训练，则随着时间的推移，该模型的精度会不断提升，所提供的推荐列表也会越来越接符合户的真实偏好。
84.根据本技术一实施例，在得到第二推荐列表之后，该方法还包括：获取用户的个人信息和车辆信息；根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
85.不同年龄段、不同性别的用户对能源供给站品牌的偏好可能会有所不同。
86.此外，在相同排序的情况下，用户可能更倾向去与所驾驶车辆相同品牌的能源供给站。
87.在本实施例中，用户的个人信息可以由用户交互输入，也可以通过协议从第三方系统或应用获取。
88.根据本技术一实施例，获取用户的个人信息包括：获取用户的个人画像信息；根据个人画像信息将用户映射到相应的用户群体得到第一用户群体；相应地，根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分，包括：根据第一用户群体偏好和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
89.在本实施例中，通过获取用户的个人画像信息，对用户进行分类，将其划归到某一用户群体，例如，品牌忠实者、时间效率优先者、经济效益优先者等，然后再根据这类群体的典型特征，对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。如此得到的用户个人偏好更精准，根据调整后的个人偏好评分排序的推荐列表也相应会更贴合用户的性格和个人习惯。
90.其中，个人画像信息可根据该用户的历史行为数据形成，也可通过协议从第三方系统或应用获取。
91.根据本技术的上述实施例，所涉及的用户历史行为数据各不相同，但通常都会包括定位记录、能源供给站搜索记录、能源供给站导航记录和能源供给站评价记录中的至少一种。
92.需要说明的是，以上本技术实施例的实施方式，只是在图1所示的基础实施例之上进行细化和扩展的示例性说明。实施者还可根据具体实施需求和实施条件对上述实施方式进行灵活组合形成新的实施例。
93.图2示出了本技术信息推荐方法的另一实施例。该实施例应用在一个新能源汽车充电站推荐系统中。该系统在进行用户注册或账号维护时，会录入或更小用户的基本信息
(例如，年龄、性别、公司地址和家庭地址)以及车辆的品牌和型号信息。在用户每次搜索附件充电桩时，该系统会记录下用户的定位、搜索时间、搜索关键字、搜索排序因素、查看充电桩信息的访问记录和充电桩导航记录。此外，在每次搜索结束之后，该系统还会根据充电桩导航记录推测用户最终选择的充电桩，根据该充电桩和搜索结果推测用户的选择因素。之后，将最终选择的充电桩和选择因素也存储为用户的历史行为记录。
94.该系统提供一个“个性化定制推荐”选项，在用户点击该选项之后，该系统主要执行以下步骤以获取一个充电桩推荐列表，并显示在用户界面中：
95.步骤2010，获取用户的当前定位和时段；
96.步骤2020，查询用户历史行为记录，判断是否有与当前定位相同或相近的搜索记录，若有，则继续步骤2030，若没有则继续步骤2040；
97.步骤2030，将最近一次搜索记录中的搜索结果作为第一推荐列表；
98.步骤2050，根据选择合理度确定第一推荐列表中每一充电桩的个人偏好评分得到第一个人偏好评分；
99.步骤2040，获取用户当前定位附近的充电桩以及每个充电桩的等待时间作为第一推荐列表，该等待时间包括到达充电桩的时间和排队等待的时间；
100.步骤2060，获取历史等待时间阈值，并根据该历史等待时间确定第一推荐列表中的每一充电桩的个人偏好评分得到第一个人偏好评分；
101.步骤2070，获取第一列表中每一充电桩访问频次，并根据访问频次确定第一推荐列表中每一充电桩的个人偏好评分得到第二个人偏好评分；
102.步骤2080，获取用户历史选择因素，根据最常用的选择因素确定第一列表中每一充电桩的个人偏好评分得到第三个人偏好评分；
103.步骤2090，使用0.4作为第一个人偏好评分的权重，0.3作为第二个人偏好评分的权重，0.3作为第三个人偏好评分的权重，计算得到第一推荐列表中每一充电桩的综合个人偏好评分，取综合个人偏好评分前5的充电桩并按综合个人偏好评分从高到低的顺序排序得到第二推荐列表；
104.步骤2100，获取用户车辆的品牌作为优选品牌；
105.步骤2110，判断第二推荐列表中是否有优选品牌的充电桩，若有，则继续步骤2120，若无，则结束本次执行；
106.步骤2120，将该充电桩的排序设置为第一位，其他充电桩按照原有排序依次后移，结束本次执行。
107.需要说明的是，图2所示的实施例仅为本技术小区切换方法的示例性说明，而非对本技术小区切换方法实施方式和应用场景的限定。实施者可根据具体的实施条件，采用任何适用的实施方式，应用于任何适用的应用场景中。
108.进一步地，本技术实施例还提供一种信息推荐装置。如图3所示，该装置30包括：第一推荐列表确定模块301，用于获取用户与能源供给站关联的历史行为数据；历史行为数据获取模块302，用于获取用户与能源供给站关联的历史行为数据；个人偏好评分确定模块303，用于根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分；个性化筛选和排序模块304，用于根据个人偏好评分，对能源供给站推荐列表中的能源供给站进行筛选和排序，得到第二推荐列表。
109.根据本技术一实施例，个人偏好评分确定模块303包括：选择合理度获取子模块，用于根据历史行为数据，获取第一推荐列表中每个能源供给站的选择合理度，其中，选择合理度表示预测选择结果与实际选择结果的差异程度，差异程度越大选择合理度越低；个人偏好评分确定子模块，用于根据选择合理度，确定第一推荐列表中每个能源供给站的个人偏好评分，以使得选择合理度越低个人偏好评分越高。
110.根据本技术一实施例，个人偏好评分确定模块303包括：等待时间阈值获取子模块，用于根据历史行为数据，获取用户的历史等待时间阈值；当前等待时间子模块，用于获取第一推荐列表中每个能源供给站在当前时段的等待时间；个人偏好评分确定子模块，用于根据等待时间和历史等待时间阈值，确定第一推荐列表中每个能源供给站的个人偏好评分。
111.根据本技术一实施例，个人偏好评分确定模块303包括：疑似目的地确定子模块，用于根据历史行为数据中与当前时段对应的目的地，确定用户的疑似目的地；距离获取子模块，用于获取第一推荐列表中每个能源供给站与疑似目的地的距离；个人偏好评分确定子模块，用于根据与疑似目的地的距离，确定第一推荐列表中每个能源供给站的个人偏好评分。
112.根据本技术一实施例，疑似目的地确定子模块具体用于，若当前时段为上班时段，则将用户的公司地址确定为用户的疑似目的地；若当前时段为下班时段，则将用户的家庭地址确定为用户的疑似目的地。
113.根据本技术一实施例，个人偏好评分确定模块303包括：访问频次获取子模块，用于根据历史行为数据，获取用户对第一推荐列表中每个能源供给站的访问频次；个人偏好评分子模块，用于根据访问频次，确定第一推荐列表中每个能源供给站的个人偏好评分。
114.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据，获取用户的选择因素偏好；根据选择因素偏好，确定第一推荐列表中每个能源供给站的个人偏好评分。
115.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的能源供给站评价记录，获取第一推荐列表中每个能源供给站的评价记录；根据评价记录，确定第一推荐列表中每个能源供给站的个人偏好评分。
116.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据中的至少两种数据，分别对第一推荐列表中每个能源供给站进行评分得到至少两个评分结果；对至少两个评分结果进行加权求和得到每个能源供给站的个人偏好评分。
117.根据本技术一实施例，根据历史行为数据，确定第一推荐列表中每个能源供给站的个人偏好评分，包括：根据历史行为数据和用户行为机器学习模型，确定第一推荐列表中每个能源供给站的个人偏好评分。
118.根据本技术一实施例，在得到第二推荐列表之后，该方法还包括：获取用户的个人信息和车辆信息；根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
119.根据本技术一实施例，获取用户的个人信息包括：获取用户的个人画像信息；根据
个人画像信息将用户映射到相应的用户群体得到第一用户群体；相应地，根据个人信息和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分，包括：根据第一用户群体偏好和车辆信息对第二推荐列表的个人偏好评分进行调整得到调整后的个人偏好评分。
120.根据本技术实施例第三方面，提供一种计算机存储介质，存储介质包括一组计算机可执行指令，当指令被执行时用于执行上述任一项的方法。
121.这里需要指出的是：以上针对信息推荐装置实施例的描述和以上针对计算机存储介质实施例的描述，与前述方法实施例的描述是类似的，具有同前述方法实施例相似的有益效果，因此不做赘述。对于本技术对信息推荐装置实施例的描述和对计算机存储介质实施例的描述尚未披露的技术细节，请参照本技术前述方法实施例的描述而理解，为节约篇幅，因此不再赘述。
122.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
123.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
124.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
125.另外，在本技术各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以利用硬件的形式实现，也可以利用硬件加软件功能单元的形式实现。
126.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储介质、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
127.或者，本技术上述集成的单元若以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例方法的全部或部分。而前述的存储介质包括：移动存储介质、rom、磁碟或者光盘等各种可以存储程序代码的介质。
128.以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。