信息推荐方法、装置和存储介质、电子装置与流程

1.本技术涉及个性化信息推荐技术，尤其涉及一种信息推荐方法、装置和存储介质、电子装置。


背景技术：

2.个性化推荐是根据用户兴趣和行为特点，向用户推荐所需的信息或物品，帮助用户在海量信息中快速发现真正所需物品的一种方法。
3.目前个性化推荐常用的推荐算法经常推荐出错误的内容。具体的，这种推荐算法包括基于用户推荐和基于物品推荐两种模式，由于基于用户推荐的模式存在用户基数大的问题，所以经常使用基于物品推荐的模式来为用户推荐所需物品。但是，这种基于物品推荐的模式往往会放大用户的小概率行为，从而导致推荐出错。除此之外，目前个性化推荐常用的推荐算法始终无法跳出用户的历史浏览兴趣点，限定了推荐范围。
4.因此，如何扩展推荐范围，提升推荐准确率，以提升用户浏览体验，仍然是需要解决的。


技术实现要素：

5.本技术提供一种信息推荐方法、装置和存储介质、电子装置，用以解决解决如何扩展推荐范围，提升推荐准确率，以提升用户浏览体验的问题。
6.一方面，本技术提供一种信息推荐方法，包括：
7.根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，所述拟推荐物品包括多个物品；
8.获取目标用户的用户画像，根据所述目标用户的用户画像获取所述目标用户所属的用户群体的消费分析结果，所述消费分析结果至少包括消费类别分析结果和消费级别分析结果；
9.根据所述所属的用户群体的消费分析结果对所述分布结果进行拟合处理，得到所述目标用户的物品推荐结果。
10.其中一个实施例中，所述根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果包括：
11.根据多个不同用户群体的历史浏览信息生成物品共现矩阵；
12.根据目标用户的历史浏览信息和所述物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。
13.其中一个实施例中，所述根据目标用户的历史浏览信息和所述物品共现矩阵确定目标用户对多个物品的兴趣度的分布结果包括：
14.根据目标用户的历史浏览信息和所述物品共现矩阵确定目标用户对多个物品的兴趣度的初始分布结果；
15.根据多个不同用户群体的历史浏览信息对不同类别的物品之间进行关联分析，基
于关联分析的结果筛选出所述初始分布结果中具有关联性的分布，得到所述分布结果。
16.其中一个实施例中，所述根据目标用户的历史浏览信息和所述物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果包括：
17.根据目标用户的历史浏览信息生成目标用户对历史浏览物品的兴趣度矩阵；
18.根据所述兴趣度矩阵和所述物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。
19.其中一个实施例中，所述根据所述兴趣度矩阵和所述物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果包括；
20.根据所述兴趣度矩阵和所述物品共现矩阵确定目标用户对拟推荐物品的兴趣度；
21.按照排序规则和目标用户对拟推荐物品的兴趣度，筛选出拟推荐物品中的待推荐物品对应的兴趣度，所述目标用户对拟推荐物品的兴趣度的分布结果为目标用户对待推荐物品的兴趣度的分布结果。
22.其中一个实施例中，所述根据所述目标用户的用户画像获取所述目标用户所属的用户群体的消费分析结果包括：
23.根据所述目标用户的用户画像确定所述目标用户所属的用户群体；
24.对所述所属的用户群体进行分析，得到所述所属的用户群体的消费分析结果。
25.其中一个实施例中，所述所属的用户群体的消费分析结果遵循幂律分布。
26.另一方面，本技术提供一种信息推荐装置，包括：
27.处理模块，用于根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，所述拟推荐物品包括多个物品；
28.获取模块，用于获取目标用户的用户画像，根据所述目标用户的用户画像获取所述目标用户所属的用户群体的消费分析结果，所述消费分析结果至少包括消费类别分析结果和消费级别分析结果；
29.所述处理模块还用于根据所述所属的用户群体的消费分析结果对所述分布结果进行拟合处理，得到所述目标用户的物品推荐结果。
30.另一方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述指令被执行时，使得计算机执行如第一方面所述的信息推荐方法。
31.另一方面，本技术提供一种电子装置，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如第一方面所述的信息推荐方法。
32.另一方面，本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被执行时实现如第一方面所述的信息推荐方法。
33.本技术的实施例提供的信息推荐方法先根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果。再根据目标用户的用户画像确定出目标用户所属用户群体的消费分析结果，根据目标用户所属用户群体的消费分析结果对目标用户对拟推荐物品的兴趣度的分布结果拟合处理，得到最终的物品推荐结果。
34.在对目标用户进行物品推荐时，结合目标用户所属的用户群体的消费分析结果，
使得物品推荐的结果更趋向于群体特征，推荐范围更广，且推荐准确率更高，不仅解决了推荐内容单一、局限的问题，还提升了用户浏览体验。
附图说明
35.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
36.图1为本技术提供的信息推荐方法的一种应用场景示意图；
37.图2为本技术的一个实施例提供的信息推荐方法的流程示意图；
38.图3为本技术的一个实施例提供的幂律分布的示意图；
39.图4为本技术的一个实施例提供的信息推荐装置的示意图；
40.图5为本技术的一个实施例提供的电子装置的示意图。
41.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
42.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。
43.在本技术的描述中，需要理解的是，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”的特征可以明示或者隐含地包括一个或者更多个该特征。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。
44.首先对本技术涉及的名词进行解释：
45.用户画像：用户画像就是与该用户相关联的数据的可视化展现，一句话总结就是用户信息标签化。
46.个性化推荐是根据用户兴趣和行为特点，向用户推荐所需的信息或物品，帮助用户在海量信息中快速发现真正所需物品的一种方法。例如用户浏览界面时，需要个性化推荐出用户所需的物品或界面，以提高用户浏览的点击率、浏览率等。
47.目前个性化推荐常用的推荐算法经常推荐出错误的内容。具体的，这种推荐算法包括基于用户推荐和基于物品推荐两种模式，由于基于用户推荐的模式存在用户基数大的问题，所以经常使用基于物品推荐的模式来为用户推荐所需物品。但是，这种基于物品推荐的模式往往会放大用户的小概率行为，从而导致推荐出错。除此之外，目前个性化推荐常用的推荐算法始终无法跳出用户的历史浏览兴趣点，限定了推荐范围。如果人工干预推荐，就会因为人工经验导致推荐失去猎奇的能力。
48.还有一种推荐方法是以用户标签和商品标签的方式进行算法结果干预，即通过建立用户历史的行为标签，对推荐结果进行限定，同时利用商品标签的相似计算对推荐结果打分排序，从而避免推荐出突兀的结果。但是这种方法依然无法跳出用户的历史浏览兴趣
点，限定了推荐范围。
49.因此，如何扩展推荐范围，提升推荐准确率，以提升用户浏览体验，仍然是需要解决的。
50.基于此，本技术提供一种信息推荐方法、装置和存储介质、电子装置。该信息推荐方法包括根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，该拟推荐物品包括多个物品；获取目标用户的用户画像，根据该目标用户的用户画像获取该目标用户所属的用户群体的消费分析结果，该消费分析结果至少包括消费类别分析结果和消费级别分析结果；根据该所属的用户群体的消费分析结果对该分布结果进行拟合处理，得到该目标用户的物品推荐结果。
51.该信息推荐方法可以结合目标用户所属群体的群体特征进行物品推荐，使得物品推荐的结果更趋向于群体特征，推荐范围更广，且推荐准确率更高，不仅解决了推荐内容单一、局限的问题，还提升了用户浏览体验。
52.本技术提供的信息推荐方法应用于电子装置，该电子装置例如计算机、实验室使用的服务器等。如图1为该信息推荐方法的应用示意图，图中，该电子装置获取多个不同用户群体的历史浏览信息和目标用户的历史浏览信息，根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果。再获取目标用户的用户画像，基于用户画像确定目标用户所属的用户群体，基于该所属的用户群体的消费分析结果对目标用户对拟推荐物品的兴趣度的分布结果进行拟合处理，得到该目标用户的物品推荐结果。
53.请参见图2，本技术的一个实施例提供一种信息推荐方法，包括：
54.s210，根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，该拟推荐物品包括多个物品。
55.多个不同用户群体的历史浏览信息包括海量用户历史浏览物品的记录，浏览物品的记录包括对浏览物品的购买记录。根据多个不同用户群体的历史浏览信息可以生成物品共现矩阵，该物品共现矩阵包括历史浏览物品，还包括与历史浏览物品相关的物品，这些与历史浏览物品相关的物品就是拟推荐物品。多个不同用户群体包括的用户可以是所有用户，或者是足够多的用户。
56.目标用户的历史浏览信息包括用户对浏览物品的购买记录，购买记录可以反映用户对浏览物品的兴趣度。根据目标用户的历史浏览信息和基于多个不同用户群体的历史浏览信息生成的物品共现矩阵，可以推算出目标用户对拟推荐物品的兴趣度的分布结果。
57.以下以历史浏览物品a和物品b，以及拟推荐物品c和物品d对如何确定目标用户对拟推荐物品的兴趣度的分布结果进行举例说明。
58.假如一个用户e，同时浏览过物品a和物品b，那么预测该用户e对物品c和物品d的兴趣度时，可以先根据多个不同用户群体的历史浏览信息(浏览物品a和物品b)生成物品共现矩阵。
59.所生成的物品共现矩阵例如为
60.再根据多个不同用户群体的历史浏览信息生成用户兴趣度矩阵，该用户兴趣度矩阵例如为
61.预测该用户e对物品c和物品d的兴趣度从该兴趣度s可以获知该用户e对物品c的兴趣度是2，对物品d的兴趣度是4，该用户e对物品d更感兴趣。
62.依此原理根据多个不同用户群体的历史浏览信息生成物品共现矩阵，再根据目标用户的历史浏览信息和该物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。具体的，先根据目标用户的历史浏览信息生成目标用户对历史浏览物品的兴趣度矩阵，再根据该兴趣度矩阵和该物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。
63.该物品共现矩阵是基于多个不同用户群体中多个用户的历史浏览信息生成的，信息量众多，往往呈现的是百万维度甚至千万维度的大小。同样的，目标用户的历史浏览信息也是具有比较大的维度。因此，最终得到的目标用户对拟推荐物品的兴趣度的分布结果具有局部信息密集、总体确很稀疏的特点，推荐结果也参差不齐。
64.例如，物品共现矩阵为
65.目标用户对历史浏览物品的兴趣度矩阵为
66.则该目标用户对拟推荐物品的兴趣度的分布结果
67.可以看出，得到的该分布结果虽然可以反映该目标用户对拟推荐物品的兴趣度，但是不同物品的兴趣度的差额较大，还需要对该分布结果进行进一步处理。
68.在一个可选的实施例中，按照排序规则和目标用户对拟推荐物品的兴趣度，筛选出拟推荐物品中的待推荐物品对应的兴趣度，该目标用户对拟推荐物品的兴趣度的分布结果为目标用户对待推荐物品的兴趣度的分布结果。目标用户对拟推荐物品的兴趣度例如以上描述的s＝[5 0 0 0 0 0 1.6 0 0.1]，筛选出的拟推荐物品中待推荐物品对应的兴趣度为5、1.6、0.1。
[0069]
在一个可选的实施例中，先根据目标用户的历史浏览信息和该物品共现矩阵确定目标用户对多个物品的兴趣度的初始分布结果。该初始分布结果例如以上描述的[5 0 0 0 0 0 1.6 0 0.1]，或者如以上描述的待推荐物品对应的兴趣度。
[0070]
再根据该多个不同用户群体的历史浏览信息对不同类别的物品之间进行关联分析，基于关联分析的结果筛选出该初始分布结果中具有关联性的分布，得到该分布结果。基于关联分析的结果筛选出该初始分布结果中具有关联性的分布是对该初始分布结果的合理过滤，即过滤出一些关联性强的物品的兴趣度分布结果作为需要的兴趣度分布结果。
[0071]
关联分析是通过分析人们实际发生的行为，将其中相关联的行为挖掘出来。进行关联分析时衡量的指标包括支持度、关联度和提升度，支持度指的是集合(例如某个物品)在总向集合(例如全部物品)中出现的概率，置信度指的是在先决条件x发生的情况下，由关联规则x-y推出条件y的概率。提升度等于含有先决条件x的条件下同时含有条件y的概率与条件y总体发生的概率之间的比值。不难看出，当两种物品频繁同时出现时，支持度越大。置信度是对两个物品是否有关联的校验，提升度则是对两个物品之间的相关性的量化体现。
[0072]
最终，以基于关联分析的结果筛选出该初始分布结果中具有关联性的分布为该目标用户对拟推荐物品的兴趣度的分布结果。
[0073]
s220，获取目标用户的用户画像，根据该目标用户的用户画像获取该目标用户所属的用户群体的消费分析结果，该消费分析结果至少包括消费类别分析结果和消费级别分析结果。
[0074]
随着用户群体的扩大，单个用户特征实际上会逐渐趋向于群体特征，如果按照群体特征进行物品推荐不仅可以解决推荐内容单一和局限的问题，还可以提高用户体验。因此，在进行物品推荐时，引入目标用户所属的用户群体的特征，以提高物品推荐效果。
[0075]
用户画像用于将用户信息标签化，可以根据目标用户的历史消费记录确定目标用户的用户画像，再根据目标用户的用户画像确定该目标用户所属的用户群体。对该所属的用户群体进行分析，得到该所属的用户群体的消费分析结果。具体的，对该所属的用户群体
的消费特性进行分析后得到该所属的用户群体的消费类别分析结果和消费级别分析结果。该消费类别分析结果例如包括该所属的用户群体偏好消费的物品类别，该消费级别分析结果例如包括该所属的用户群体偏好消费的物品级别。
[0076]
s230，根据该所属的用户群体的消费分析结果对该分布结果进行拟合处理，得到该目标用户的物品推荐结果。
[0077]
该所属的用户群体的消费分析结果遵循幂律分布。幂律分布就是常说的马太效应，是统计学中的概念。幂律分布概率密度可以表示成y＝αx-γ
的形式，其中x和y是正的随机变量，α和γ均为大于零的常数。在幂律分布上，概率越高占比越小，大占比的是一些概率小的。
[0078]
请参见图3，图3所示为幂律分布y＝5x-2
的幂指函数示意图，图的尾部(框选部分)表示概率高但占比小的部分。在进行物品的猎奇推荐时，需要推荐用户兴趣度高但消费占比小的物品，使得推荐的物品既具有猎奇特点，又符合用户消费习惯。
[0079]
根据该所属的用户群体的消费分析结果对该分布结果进行拟合处理时，可以通过调整如上所描述的对该初始分布结果进行关联分析时衡量的指标包括支持度、关联度和提升度，使得最终得到的该分布结果所确定的拟推荐物品的品类和特性分布与该所属的用户群体的幂律分布保持一致。在幂律分布保持一致的基础上，可以优选得基于幂律分布中兴趣度高但消费占比小的物品得到该目标用户的物品推荐结果。此时得到的该目标用户的物品推荐结构既可以真实反映所推荐物品的兴趣度情况，同时又考虑了该目标用户所属用户群体的群体特性，避免冷门推荐的同时提升推荐准确率，扩展了推荐范围，达到提升用户浏览体验的目的。
[0080]
综上，本实施例提供一种信息推荐方法，包括：根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，该拟推荐物品包括多个物品；获取目标用户的用户画像，根据该目标用户的用户画像获取该目标用户所属的用户群体的消费分析结果，该消费分析结果至少包括消费类别分析结果和消费级别分析结果；根据该所属的用户群体的消费分析结果对该分布结果进行拟合处理，得到该目标用户的物品推荐结果。
[0081]
即，先根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果。再根据目标用户的用户画像确定出目标用户所属用户群体的消费分析结果，根据目标用户所属用户群体的消费分析结果对目标用户对拟推荐物品的兴趣度的分布结果拟合处理，得到最终的物品推荐结果。
[0082]
在对目标用户进行物品推荐时，结合目标用户所属的用户群体的消费分析结果，使得物品推荐的结果更趋向于群体特征，推荐范围更广，且推荐准确率更高，不仅解决了推荐内容单一、局限的问题，还提升了用户浏览体验。
[0083]
请参见图4，本技术的一个实施例还提供一种信息推荐装置10，包括：
[0084]
处理模块11，用于根据多个不同用户群体的历史浏览信息和目标用户的历史浏览信息确定目标用户对拟推荐物品的兴趣度的分布结果，该拟推荐物品包括多个物品。
[0085]
获取模块12，用于获取目标用户的用户画像，根据该目标用户的用户画像获取该目标用户所属的用户群体的消费分析结果，该消费分析结果至少包括消费类别分析结果和消费级别分析结果。
[0086]
该处理模块11还用于根据该所属的用户群体的消费分析结果对该分布结果进行拟合处理，得到该目标用户的物品推荐结果。
[0087]
该处理模块11具体用于根据多个不同用户群体的历史浏览信息生成物品共现矩阵；根据目标用户的历史浏览信息和该物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。
[0088]
该处理模块11具体用于根据目标用户的历史浏览信息和该物品共现矩阵确定目标用户对多个物品的兴趣度的初始分布结果；根据该多个不同用户群体的历史浏览信息对不同类别的物品之间进行关联分析，基于关联分析的结果筛选出该初始分布结果中具有关联性的分布，得到该分布结果。
[0089]
该处理模块11具体用于根据目标用户的历史浏览信息生成目标用户对历史浏览物品的兴趣度矩阵；根据该兴趣度矩阵和该物品共现矩阵确定目标用户对拟推荐物品的兴趣度的分布结果。
[0090]
该处理模块11具体用于根据该兴趣度矩阵和该物品共现矩阵确定目标用户对拟推荐物品的兴趣度；按照排序规则和目标用户对拟推荐物品的兴趣度，筛选出拟推荐物品中的待推荐物品对应的兴趣度，该目标用户对拟推荐物品的兴趣度的分布结果为目标用户对待推荐物品的兴趣度的分布结果。
[0091]
该获取模块12具体用于根据该目标用户的用户画像确定该目标用户所属的用户群体；对该所属的用户群体进行分析，得到该所属的用户群体的消费分析结果。该所属的用户群体的消费分析结果遵循幂律分布。
[0092]
请参见图5，本技术的一个实施例还提供一种电子装置20，包括存储器21和处理器22，该存储器21中存储有计算机程序，该处理器22被设置为通过该计算机程序执行如上任一项实施例提供的信息推荐方法。
[0093]
本技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当该指令被执行时，使得计算机执行如以上任一项实施例提供的信息推荐方法。
[0094]
本技术还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如以上任一项实施例提供的信息推荐方法。
[0095]
需要说明的是，上述计算机可读存储介质可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性随机存取存储器(ferromagnetic random access memory，fram)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(compact disc read-only memory，cd-rom)等存储器。也可以是包括上述存储器之一或任意组合的各种电子装置，如移动电话、计算机、平板设备、个人数字助理等。
[0096]
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。
[0097]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0098]
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上述实施例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，本技术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，服务器，空调器，或者网络设备等)执行本技术各个实施例所描述的方法。
[0099]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。