内容推荐方法及装置、存储介质及电子装置与流程

1.本发明涉及通信领域，具体而言，涉及一种内容推荐方法及装置、存 储介质及电子装置。


背景技术：

2.受目标对象的职业、教育以及成长环境等的影响，造成目标对象倾向 的领域、关注的点以及感兴趣的内容产生很大的差异。若目标对象的在手 机终端能看到自己感兴趣的内容，将会产生更大的阅读意图并产生更多的 经济效应。因此，针对目标对象的兴趣点进行相关内容的推送以满足目标 对象的需求就显得尤为重要。
3.常见的推荐算法有协同过滤的推荐方法，基于内容的推荐方法，基于 关联规则推荐，基于效用推荐，基于知识推荐，组合推荐等，但这些算法 都普遍存在推荐内容的准确率不高的问题。
4.针对相关技术中，基于目标对象的感兴趣内容为目标对象的推荐阅读 内容的准确率不高的问题，尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种内容推荐方法及装置、存储介质及电子装置， 以解决相关技术中，基于目标对象的感兴趣内容为目标对象的推荐阅读内 容的准确率不高的问题等问题。
6.根据本发明的一个实施例，提供了一种内容推荐方法，包括：获取目 标客户端中保存的以下至少之一参数信息：目标对象的已浏览内容数据、 行为数据及标签数据；调用偏好算法对所述参数信息进行计算，得到当前 偏好结果；获取所述目标对象的历史偏好结果，并根据所述当前偏好结果 和所述历史偏好结果确定内容推荐列表；根据所述内容推荐列表为所述目 标对象推荐内容。
7.在本发明的一个可选实施例中，根据所述内容推荐列表为所述目标对 象推荐内容，包括：获取目标对象的历史推荐数据，其中，所述历史推荐 数据保存在所述目标客户端的推荐日志中；根据所述历史推荐数据对所述 内容推荐列表进行过滤处理；对经过过滤处理的所述内容推荐列表进行排 序操作，得到目标推荐列表，并根据所述目标推荐列表为所述目标对象推 荐内容。
8.在本发明的一个可选实施例中，在所述参数信息为所述目标对象的行 为数据的情况下，调用偏好算法对所述行为数据进行计算，得到当前偏好 结果，包括：从所述目标对象的行为数据中获取多个目标对象的行为权重 和所述多个目标对象的行为权重中每个目标对象的行为权重对应的目标 对象的行为次数；通过行为计算算法对所述每个目标对象的行为权重和所 述目标对象的行为次数进行计算，得到行为分数，并将所述行为分数作为 所述目标对象的当前偏好结果，其中，所述偏好算法包括所述行为计算算 法。
9.在本发明的一个可选实施例中，在所述参数信息为所述目标对象的标 签数据的
情况下，调用偏好算法对所述标签数据进行计算，包括：通过标 签计算算法对所述目标对象的标签数据进行计算，得到标签重要分数和标 签稀缺分数，其中，所述偏好算法包括所述标签计算算法；根据所述标签 重要分数和所述标签稀缺分数得到目标对象的标签分数，并将所述标签分 数作为所述当前偏好结果。
10.在本发明的一个可选实施例中，调用偏好算法对所述参数信息进行计 算，以得到当前偏好结果之后，所述方法还包括：根据偏好内容的原始热 度值，偏好内容的创建时间，当前时间和冷却系数确定偏好衰减分数；根 据所述偏好衰减分数确定是否更新所述当前偏好结果。
11.在本发明的一个可选实施例中，根据所述偏好衰减分数确定是否更新 所述当前偏好结果，包括：在所述偏好衰减分数大于预设阈值的情况下， 确定更新所述当前偏好结果；在所述偏好衰减分数小于预设阈值的情况下， 确定不更新所述当前偏好结果。
12.根据本发明的另一个实施例，还提供了一种内容推荐装置，包括：获 取模块，用于获取目标客户端中保存的以下至少之一参数信息：目标对象 的已浏览内容数据、行为数据及标签数据；调用模块，用于调用偏好算法 对所述参数信息进行计算，得到当前偏好结果；第一处理模块，用于获取 所述目标对象的历史偏好结果，并根据所述当前偏好结果和所述历史偏好 结果确定内容推荐列表；第二处理模块，用于根据所述内容推荐列表为所 述目标对象推荐内容。
13.在本发明的一个可选实施例中，所述第二处理模块，还用于获取目标 对象的历史推荐数据，其中，所述历史推荐数据保存在所述目标客户端的 推荐日志中；根据所述历史推荐数据对所述内容推荐列表进行过滤处理； 对经过过滤处理的所述内容推荐列表进行排序操作，得到目标推荐列表， 并根据所述目标推荐列表为所述目标对象推荐内容。
14.根据本发明的又一个实施例，还提供了一种计算机可读的存储介质， 所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行 以上任一项中所述的方法。
15.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和 处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述 计算机程序执行以上任一项中所述的方法。
16.通过本发明，获取目标客户端中保存的以下至少之一参数信息：目标 对象的已浏览内容数据、目标对象的行为数据和目标对象的标签数据；调 用目标对象的偏好算法对所述参数信息进行计算，得到目标对象的当前偏 好结果；获取所述目标对象的历史偏好结果，并根据所述当前偏好结果和 所述历史偏好结果确定内容推荐列表；根据所述内容推荐列表为所述目标 对象推荐内容。也就是说，本发明实施例可以根据目标对象已浏览的内容 数据、目标对象的行为数据和目标对象的标签数据中的一个或多个确定目 标对象的当前偏好结果，进而确定内容推荐列表，并根据内容推荐列表为 目标对象推荐内容。采用上述技术方案，解决了相关技术中，基于目标对 象的感兴趣内容为目标对象的推荐阅读内容的准确率不高的问题，进而提 高了为用户推荐内容的准确性。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一 部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发 明的不当限定。在附图中：
18.图1是本发明实施例的一种内容推荐方法的移动终端的硬件结构框图；
19.图2是根据本发明实施例的一种内容推荐方法的流程示意图；
20.图3是根据本发明实施例的一种内容推荐方法的示意图；
21.图4是根据本发明实施例的一种内容推荐装置的结构框图。
具体实施方式
22.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是， 在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语
ꢀ“
第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序 或先后次序。
24.本技术实施例所提供的方法实施例可以在移动终端，或者类似的运算 装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种内容 推荐方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一 个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限 于微处理器(microprocessor unit,简称是mpu)或可编程逻辑器件 (programmable logic device,简称是pld))和用于存储数据的存储器104，在 一个示例性实施例中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的 结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端 还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功 能或比图1所示功能更多的不同的配置。
25.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及 模块，如本发明实施例中的内容推荐方法对应的计算机程序，处理器102 通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及 数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可 包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非 易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理 器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。 上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网 及其组合。
26.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体 实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输 装置106包括一个网络适配器(network interface controller，简称为nic)， 其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例 中，传输装置106可以为射频(radio frequency，简称为rf)模块，其 用于通过无线方式与互联网进行通讯。
27.需要说明的是，智能推荐算法是内容推送应用领域的一项关键技术， 是当前预测消费者购买意图和消费者偏好的主流方案。购物网站的智能推 荐技术现阶段已经发展相对比较完善，但是，目标对象的偏好的内容的推 送和购物网站的智能推荐还存在很大的差异，不全部适用。因此，解决目 标对象的感兴趣内容的推送需要从多角度进行算法设计。
28.常规的商品推荐的做法根据目标对象的对对购物网站商品的浏览记 录以及历史购买情况进行目标对象的画像。如根据目标对象的浏览记录推 荐相似产品：当目标对象的历史购买记录中经常出现护肤品、化妆品等美 妆系列商品，当目标对象的历史下单记录中包含女性服装且单价超过万元， 或者目标对象的购买的产品常为高端品牌，则可推测该目
标对象的为高消 费目标对象的。由此，可以根据当前的浏览需求为目标对象的推荐适合女 性应用的相对高端品牌的商品。如根据目标对象的浏览记录推荐互补产品。 比如，目标对象的购买眼镜架，可根据商品互补的关联向目标对象的推荐 可验光配镜的店家或者产品等。
29.基于内容推荐方法，复杂属性不好处理，且需要有足够数据构造分类 器，建立目标对象的画像，需要基于大量目标对象的行为数据；协同过滤 推荐方法，存在可扩展性问题，质量取决于历史数据集，系统开始时推荐 质量差；基于规则推荐方法，规则抽取难、耗时，产品名同义性问题，个 性化程度低；基于效用推荐方法，目标对象的必须输入效用函数，推荐是 静态的，灵活性差，属性重叠问题；基于知识推荐方法，知识难获得，推 荐是静态的。
30.为了解决上述技术问题，本发明以下实施例研究推荐方式，综合目标 对象的行为次数、行为种类、目标对象的行为时间衰减、if
‑
idf等多种因 素，进行内容的推荐，本发明实施例同时将克服以上方法的弊端，根据目 标对象的对包含标签的内容的操作行为预测目标对象的对内容标签的偏 好。
31.为了解决上述技术问题，在本实施例中提供了一种内容推荐方法，应 用于上述移动终端，图2是根据本发明实施例的内容推荐方法的流程示意 图，该流程包括如下步骤：
32.步骤s202：获取目标客户端中保存的以下至少之一参数信息：目标 对象的已浏览内容数据、目标对象的行为数据和目标对象的标签数据；
33.步骤s204：调用目标对象的偏好算法对所述参数信息进行计算，得 到目标对象的当前偏好结果；
34.步骤s206：获取所述目标对象的历史偏好结果，并根据所述当前偏 好结果和所述历史偏好结果确定内容推荐列表；
35.步骤s208：根据所述内容推荐列表为所述目标对象推荐内容。
36.通过本发明实施例的上述技术方案，获取目标客户端中保存的以下至 少之一参数信息：目标对象已浏览的内容数据、目标对象的行为数据及目 标对象的标签数据；调用目标对象的偏好算法对所述参数信息进行计算， 得到目标对象的当前偏好结果；获取所述目标对象的历史偏好结果，并根 据所述当前偏好结果和所述历史偏好结果确定内容推荐列表；根据所述内 容推荐列表为所述目标对象推荐内容。也就是说，本发明实施例可以根据 目标对象已浏览的内容数据、目标对象的行为数据和目标对象的标签数据 中的一个或多个确定目标对象的当前偏好结果，进而确定内容推荐列表， 并根据内容推荐列表为目标对象推荐内容。采用上述技术方案，解决了相 关技术中，基于目标对象的感兴趣内容为目标对象的推荐阅读内容的准确 率不高的问题，进而提高了为用户推荐内容的准确性。
37.在一个可选实施例中，为了提高推荐内容的准确性，还可以执行以下 技术方案：获取目标对象的历史推荐数据，其中，所述目标对象的历史推 荐数据保存在所述目标客户端的推荐日志中；根据所述目标对象的历史推 荐数据对所述内容推荐列表进行过滤处理；对经过过滤处理的所述内容推 荐列表进行排序操作，得到目标推荐列表，并根据所述目标推荐列表为所 述目标对象推荐内容。
38.需要说明的是，本发明实施例可以拿历史推荐数据在内容推荐列表中 过滤，例如，如果在历史推荐数据中出现过多次的内容，那么可以继续在 内容推荐列表中出现，历
史推荐数据出现的次数越多，在目标推荐列表中 出现的顺序就越靠前，就越先推荐给用户。
39.实际操作过程中，参数信息可以引用一个或多个用于确定目标对象的 当前偏好结果的计算过程中，具体地：
40.1)在所述参数信息为所述目标对象的行为数据的情况下，调用目标 对象的偏好算法对所述目标对象的行为数据进行计算，得到目标对象的当 前偏好结果，包括：从所述目标对象的行为数据中获取多个目标对象的行 为权重和所述多个目标对象的行为权重中每个目标对象的行为权重对应 的目标对象的行为次数；通过行为计算算法对所述每个目标对象的行为权 重和所述目标对象的行为次数进行计算，得到目标对象的行为分数，并将 所述目标对象的行为分数作为所述目标对象的当前偏好结果，其中，所述 目标对象的偏好算法包括所述行为计算算法。
41.2)在本发明的一个可选实施例中，在所述参数信息为所述目标对象 的标签数据的情况下，调用目标对象的偏好算法对所述目标对象的标签数 据进行计算，包括：通过标签计算算法对所述目标对象的标签数据进行计 算，得到标签重要分数和标签稀缺分数，其中，所述目标对象的偏好算法 包括所述标签计算算法；根据所述标签重要分数和所述标签稀缺分数得到 目标对象的标签分数，并将所述目标对象的标签分数作为所述目标对象的 当前偏好结果。
42.3)在本发明的一个可选实施例中，在所述参数信息为所述目标对象 已浏览的内容数据的情况下，可以直接从目标客户端中保存的日志记录中 获取所述目标对象已浏览的内容数据，本发明实施例对获取目标对象已浏 览的内容数据的方式不进行限定。
43.在确定用户的当前偏好结果的过程中，还需考虑时间因素，即随着时 间的增长，如果用户一直没有对关注的推荐内容执行任何操作，那么很可 能用户对该推荐内容失去兴趣了，所以根据偏好衰减分数确定目标对象的 偏好结果的过程是非常重要的，那么在本发明实施例中，在调用目标对象 的偏好算法对所述参数信息进行计算，以得到目标对象的当前偏好结果之 后，所述方法还包括：
44.根据偏好内容的原始热度值，偏好内容的创建时间，当前时间和冷却 系数确定偏好衰减分数；根据所述偏好衰减分数确定是否更新所述目标对 象的当前偏好结果。
45.具体的，根据以下公式计算偏好衰减分数h(t)：h(t)＝ ha*exp[
‑
γ*(t
‑
tpost)/86400]；其中，ha是偏好内容的原始热度值，tpost 是偏好内容的创建时间，t是当前时间，γ是冷却系数，exp是以e为底的 指数函数。在所述偏好衰减分数大于预设阈值的情况下，确定更新所述 目标对象的当前偏好结果；在所述偏好衰减分数小于预设阈值的情况下， 确定不更新所述目标对象的当前偏好结果。
[0046]
为了更好的理解上述技术方案，使用以下可选流程图用于解释说明内 容推荐方法的整个流程。
[0047]
本发明实施例的主要发明思想为：综合目标对象的行为次数、行为种 类、目标对象的行为时间衰减、if
‑
idf等多种因素，进行内容的推荐。
[0048]
一、基于目标对象的行为以及内容标签进行内容推荐的算法流程，如 图2所示，具体地算法执行过程如下：
[0049]
首选，需要对目标对象的行为进行分类，智家app的
‘
生活家’页 面是为目标对象
的提供个性化阅读内容的板块，包括精选、智能、活动、美食、时尚、生活、健康等多个主题的相关内容。由于每个目标对象的感兴趣的内容不同，对不同内容的行为就会产生差异。根据不同目标对象的对内容操作的差异性进而了解目标对象的对内容阅读主题的需求，为目标对象的提供不同主题的阅读内容。
[0050]
1)本发明实施例还引入了时间衰减(相当于上述实施例的偏好衰减分数)的概念，具体地：
[0051]
时间衰减是指偏好值按一定的衰减系数，随时间衰减，时间衰减的计算公式如下：
[0052]
h(t)＝ha*exp[
‑
γ*(t
‑
tpost)/86400]；
[0053]
其中ha是内容的原始热度值，即通过互动量算出的热度值；采用以e为底的指数函数，tpost即该内容的创建时间。
[0054]
要以天为单位做衰减，因此若系统采用的时间单位是秒，要除一天中的秒数86400。
[0055]
γ是所谓“重力因子”，即冷却系数，该值越大，帖子的热度会更快地下落。
[0056]
当目标对象的曾经关注的某类相关标签的内容之后，之后很长的一段时间没有再对此类标签相关的内容有过任何操作，可能目标对象的对此类内容已经失去了兴趣，以后就不再进行推送。
[0057]
2)本发明实施例还提供了信息检索数据挖掘的常用加权技术(termfrequency
‑
iversedocumentfequency，简称为tfidf)的值，tfidf值用来衡量标签对一个目标对象的关键程度。tf
‑
idf实际上是：tf*idf，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。tf值(相当于上述实施例中目标对象的标签分数)计算的是目标对象的所有标签中，某个标签的重要程度(出现频率)，具体通过以下公式实现：
[0058][0059]
idf值反映的是一个标签的稀缺程度，如果一个标签全部目标对象的都有，则idf值就比较小，相反，一个标签只有少数目标对象的有，则idf值比较大。
[0060][0061]
3)本发明实施例还引入了目标对象的行为权重值的概念，具体如下：
[0062]
目标对象的对不同内容操作的不同行为(相当于上述实施例的目标对象的行为数据)影响目标对象的对内容的喜爱程度。目标对象的行为主要包括点击进入、点赞、收藏、转发以及评论等。“点击进入”说明目标对象的对该内容有微弱程度的关注；“点赞”和“收藏”说明目标对象的对该内容有一定程度的关注；“转发”和“评论”说明目标对象的对该内容有很大的兴趣。行为类型的权重值是按照业务需要设定的，比如下表1所示：
[0063][0064]
如上表1所示，不同的目标对象的对相同标签的不同的行为(点如击 进入、点赞、收藏、转发以及评论等)分别的行为次数的统计，行为次数 来源于页面前端的埋点事件。
[0065]
本发明实施例的可选实现方案如下：
[0066]
登录目标对象的如果选择了兴趣标签，那么就为该目标对象的该兴趣 标签设定一个初始兴趣值(a)。
[0067]
1)若该目标对象的历史曾经看过包含这个标签的内容，且兴趣值存 在；
[0068][0069]
其中，h(t):目标对象的分数每日更新计算一次，h(t)表示该目标对象 的该标签的分数值随时间衰减的值。若该目标对象的历史曾经看过包含这 个标签的内容，则存在h(t)值，若该目标对象的首次对包含此标签的内容 有操作行为，则无h(t)值。
[0070]
2)目标对象的手动选择标记的感兴趣标签，若选择了，则给该目标 对象的该兴趣标签设定一个初始兴趣值(a)；
[0071]
u:代表该目标对象的；
[0072]
i:代表该标签；
[0073]
j:表示不同的行为类型，比如评论，转发等；
[0074]
wij:表示对该标签的不同行为类型设置的比重；
[0075]
nij:表示对该标签的不同行为类型发生的次数；
[0076]
tfij:表示目标对象的所有行为类型的所有内容标签中，某个标签的重 要程度(出现频率)；
[0077]
idfi：反映的是一个标签的稀缺程度；
[0078]
3)若该目标对象的历史曾经看过包含这个标签的内容，且未选择感 兴趣标签：
[0079][0080]
4)若该目标对象的首次对包含此标签的内容有操作行为，且兴趣值 存在；
[0081][0082]
5)若该目标对象的首次对包含此标签的内容有操作行为，且未选择感 兴趣标签；
[0083][0084]
可以看出，通过本发明实施例的上述技术方案，基于目标对象的对 app内容推荐板块的不同行为操作的贡献比重不同进行推荐的方案；利用 不同的操作反映的目标对象的不同程度的喜好程度，可以更加突出目标对 象的对不同主题内容的偏好，以进行精准的消息内容推送；然后本发明实 施例还参考可以基于目标对象的对包含标签属性的内容的操作进行文章 内容推荐的方案，由于对不同主题的文章打上相关的标签，由于一个内容 可以对应多个标签，可以增加目标对象的分析的基础数据的量，使推荐的 偏差率更低。
[0085]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根 据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当 然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理 解，本发明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(如 rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可 以是手机，计算机，移动终端，或者网络设备等)执行本发明各个实施例 所述的方法。
[0086]
在本实施例中还提供了一种内容推荐装置，该装置用于实现上述实施 例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语
ꢀ“
模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描 述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现 也是可能并被构想的。
[0087]
图4是根据本发明实施例的一种内容推荐装置的结构框图；如图4所 示的内容推荐装置，包括：
[0088]
获取模块40，用于获取目标客户端中保存的以下至少之一参数信息： 目标对象的已浏览内容数据、目标对象的行为数据和目标对象的标签数据；
[0089]
调用模块42，用于调用目标对象的偏好算法对所述参数信息进行计算， 得到目标对象的当前偏好结果；
[0090]
第一处理模块44，用于获取所述目标对象的历史偏好结果，并根据所 述当前偏好结果和所述历史偏好结果确定内容推荐列表；
[0091]
第二处理模块46，用于根据所述内容推荐列表为所述目标对象推荐内 容。
[0092]
通过本发明实施例的上述技术方案，获取目标客户端中保存的以下至 少之一参数信息：目标对象的已浏览内容数据、目标对象的行为数据和目 标对象的标签数据；调用目标对象的偏好算法对所述参数信息进行计算， 得到目标对象的当前偏好结果；获取所述目标对象的历史偏好结果，并根 据所述当前偏好结果和所述历史偏好结果确定内容推荐列表；根据所述内 容推荐列表为所述目标对象推荐内容。也就是说，本发明实施例可以根据 目标对象的已浏览内容数据、目标对象的行为数据和目标对象的标签数据 中的一个或多个确定目标对象的当前偏好结果，进而确定内容推荐列表， 并根据内容推荐列表为目标对象推荐内容。采用上述技术方案，解决了相 关技术中，基于目标对象的感兴趣内容为目
标对象的推荐阅读内容的准确 率不高的问题，进而提高了为用户推荐内容的准确性。
[0093]
在一个可选实施例中，为了提高推荐内容的准确性，所述第二处理模 块，还用于获取目标对象的历史推荐数据，其中，所述目标对象的历史推 荐数据保存在所述目标客户端的推荐日志中；根据所述目标对象的历史推 荐数据对所述内容推荐列表进行过滤处理；对经过所述过滤处理的内容推 荐列表进行排序操作，得到目标推荐列表，并根据所述目标推荐列表为所 述目标对象推荐内容。
[0094]
需要说明的是，本发明实施例可以拿历史推荐数据在内容推荐列表中 过滤，例如，如果在历史推荐数据中出现过多次的内容，那么可以继续在 内容推荐列表中出现，历史推荐数据出现的次数越多，在目标推荐列表中 出现的顺序就越靠前，就越先推荐给用户。
[0095]
实际操作过程中，参数信息可以引用一个或多个用于确定目标对象的 当前偏好结果的计算过程中，具体地：
[0096]
1)在所述参数信息为所述目标对象的行为数据的情况下，所述调用 模块还用于：从所述目标对象的行为数据中获取多个目标对象的行为权重 和所述多个目标对象的行为权重中每个目标对象的行为权重对应的目标 对象的行为次数；通过行为计算算法对所述每个目标对象的行为权重和所 述目标对象的行为次数进行计算，得到目标对象的行为分数，并将所述目 标对象的行为分数作为所述目标对象的当前偏好结果，其中，所述目标对 象的偏好算法包括所述行为计算算法。
[0097]
2)在本发明的一个可选实施例中，在所述参数信息为所述目标对象 的标签数据的情况下，所述调用模块还用于：通过标签计算算法对所述目 标对象的标签数据进行计算，得到标签重要分数和标签稀缺分数，其中， 所述目标对象的偏好算法包括所述标签计算算法；根据所述标签重要分数 和所述标签稀缺分数得到目标对象的标签分数，并将所述目标对象的标签 分数作为所述目标对象的当前偏好结果。
[0098]
3)在本发明的一个可选实施例中，在所述参数信息为所述目标对象 已浏览的内容数据的情况下，获取模块40，还用于可以直接从目标客户端 中保存的日志记录中获取所述目标对象已浏览的内容数据，本发明实施例 对获取目标对象已浏览的内容数据的方式不进行限定。
[0099]
在确定用户的当前偏好结果的过程中，还需考虑时间因素，即随着时 间的增长，如果用户一直没有对关注的推荐内容执行任何操作，那么很可 能用户对该推荐内容失去兴趣了，所以根据偏好衰减分数确定目标对象的 偏好结果的过程是非常重要的，那么在本发明实施例中，在调用目标对象 的偏好算法对所述参数信息进行计算，以得到目标对象的当前偏好结果之 后，所述方法还包括：
[0100]
第一处理模块44，还用于根据偏好内容的原始热度值，偏好内容的创 建时间，当前时间和冷却系数确定计算偏好衰减分数；根据所述偏好衰减 分数确定是否更新所述目标对象的当前偏好结果。
[0101]
具体的，根据以下公式计算偏好衰减分数h(t)：h(t)＝ ha*exp[
‑
γ*(t
‑
tpost)/86400]；其中，ha是偏好内容的原始热度值，tpost 是偏好内容的创建时间，t是当前时间，γ是冷却系数，exp是以e为底的 指数函数。
[0102]
具体地，第一处理模块44还用于在所述偏好衰减分数大于预设阈值 的情况下，确
定更新所述目标对象的当前偏好结果；在所述偏好衰减分数 小于预设阈值的情况下，确定不更新所述目标对象的当前偏好结果。
[0103]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于 后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器 中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0104]
综上所述，本发明实施例的技术方案达到了以下技术效果：
[0105]
1)具有更好的目标对象的体验：利用合理的算法推荐模型，根据目 标对象的行为记录，可以准确的掌握目标对象的感兴趣的内容以及偏好标 签，根据标签定位相关的内容进行对不同的目标对象的进行推荐，实现千 人千面，更符合目标对象的阅读兴趣习惯，使目标对象的有更好的使用体 验。
[0106]
2)更精准的算法推送结果：基于历史行为、不同行为所带来的比重 程度不同、时间衰减系数以及tfidf等综合多种因素，进行算法设计与计 算，提高了推送的准确度。
[0107]
3)更多的经济效益：抓住目标对象的偏好进行推送，客户感兴趣的 内容，提高目标对象的用买欲望，必然增加市场的认可，进而可以提高经 济效益。
[0108]
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机 程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中 的步骤。
[0109]
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以 下步骤的计算机程序：
[0110]
s1，获取目标客户端中保存的以下至少之一参数信息：目标对象的已 浏览内容数据、行为数据及标签数据；
[0111]
s2，调用偏好算法对所述参数信息进行计算，得到当前偏好结果；
[0112]
s3，获取所述目标对象的历史偏好结果，并根据所述当前偏好结果和 所述历史偏好结果确定内容推荐列表；
[0113]
s4，根据所述内容推荐列表为所述目标对象推荐内容。
[0114]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只 读存储器(read
‑
only memory，简称为rom)、随机存取存储器(randomaccess memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存 储计算机程序的介质。
[0115]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存 储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述 任一项方法实施例中的步骤。
[0116]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中， 该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0117]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执 行以下步骤：
[0118]
s1，获取目标客户端中保存的以下至少之一参数信息：目标对象的已 浏览内容数据、行为数据及标签数据；
[0119]
s2，调用偏好算法对所述参数信息进行计算，得到当前偏好结果；
[0120]
s3，获取所述目标对象的历史偏好结果，并根据所述当前偏好结果和 所述历史偏好结果确定内容推荐列表；
[0121]
s4，根据所述内容推荐列表为所述目标对象推荐内容。
[0122]
可选地，在本可选地，本实施例中的具体示例可以参考上述实施例及 可选实施方式中所描述的示例，本实施例在此不再赘述。
[0123]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤 可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者 分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执 行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来 执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的 步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模 块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特 定的硬件和软件结合。
[0124]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于 本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。