目标对象推荐方法及装置与流程

1.本技术涉及信息处理技术领域，特别涉及一种目标对象推荐方法及目标对象推荐装置。


背景技术：

2.随着网络商城的线上会员业务的普及，每天都有大量的新用户访问系统。如果商城活动能够与新用户建立准确的映射关系，并为其推荐偏爱的互动活动，商城会赢得更多用户的信任，对商家来说增加了客源，提高用户对系统的忠诚度，对用户来说，可以随时得到高质量的个性化服务。
3.通常情况下，网络商城需要获取用户的浏览记录，基于浏览记录进行相应类别的产品及营销活动推荐。但这类推荐方式适合于老用户，而新用户由于浏览记录较少或并未产生有效的浏览记录，无法准确新用户的偏好习惯，导致推荐活动的准确性较差。


技术实现要素：

4.本技术提供了一种目标对象推荐方法及目标对象推荐装置，本技术采用的技术方案如下所示。
5.本技术第一方面提供了一种目标对象推荐方法，包括：
6.获取客户端的操作信息，将所述操作信息映射为物理属性信息；所述操作信息能够表征用户对客户端的操作行为特性，所述物理属性信息能够表征通信链路的物理属性；
7.对目标对象集进行模糊化处理获取模糊对象集，所述模糊对象集包括与所述目标对象集中各个目标对象相对应的模糊权重值；
8.建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；
9.基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
10.在一些实施例中，所述将所述操作信息映射为物理属性信息，包括：
11.通过灰色关系聚类分析模型将所述操作信息映射为所述物理属性信息。
12.在一些实施例中，所述对目标对象集进行模糊化处理获取模糊对象集，包括：
13.对所述目标对象集中的各个目标对象进行标准化处理，获取与各所述目标对象相对应的标准权重值；
14.对所述标准权重值进行模糊化处理获取模糊权重值，并通过所述模糊权重值形成所述模糊对象集。
15.在一些实施例中，所述建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型，包括：
16.基于多个所述物理属性信息，生成第一数据序列；
17.基于所述模糊对象集中的模糊权重值，生成第二数据序列；
18.基于所述第一数据序列和所述第二数据序列之间的关联关系，建立第一映射模型。
19.在一些实施例中，所述建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型，还包括：
20.获取能够表征用户身份属性的用户身份信息；
21.基于所述用户身份信息，确定隶属度权重；所述隶属度权重用于表征用户对目标对象的倾向性；
22.基于所述隶属度权重，对所述第一映射模型进行优化形成第二映射模型。
23.在一些实施例中，所述获取客户端的操作信息，将所述操作信息映射为物理属性信息，包括：
24.通过边缘终端设备获取所述客户端的操作信息；
25.通过与所述边缘终端设备连接的边缘控制器将所述操作信息映射为物理属性信息；其中，所述边缘终端设备和所述边缘控制器均位于边缘层。
26.在一些实施例中，所述对目标对象集进行模糊化处理获取模糊对象集，包括：
27.通过位于服务层的边缘管理器对所述目标对象集进行模糊化处理，以获取模糊对象集。
28.在一些实施例中，所述建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型，包括：
29.通过边缘连接器建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；其中，所述边缘连接器连接在所述边缘终端设备和所述边缘管理器之间。
30.在一些实施例中，所述基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象，包括：
31.通过位于边缘层的边缘接口基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
32.本技术第二方面提供了一种目标对象推荐装置，包括：
33.获取模块，用于获取客户端的操作信息，将所述操作信息映射为物理属性信息；所述操作信息能够表征用户对客户端的操作行为特性，所述物理属性信息能够表征通信链路的物理属性；
34.处理模块，用于对目标对象集进行模糊化处理获取模糊对象集，所述模糊对象集包括与所述目标对象集中各个目标对象相对应的模糊权重值；
35.构建模块，用于建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；
36.推荐模块，用于基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
37.本技术的目标对象推荐方法，获取客户端的操作信息，将所述操作信息映射为物理属性信息；对目标对象集进行模糊化处理获取模糊对象集；建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。如此，能够基于用户行为属性准确的向用户推荐目标对象，为向新用户推荐目标对象提供一种可行的实现方式，而且能够保护用户和服务商的信息安全，避免用户直接相关信息和服务商的原始数据泄露。
附图说明
38.图1为本技术第一种实施例的目标对象推荐方法的流程图；
39.图2为本技术第一种实施例的目标对象推荐方法中步骤s130的流程图；
40.图3为边缘系统的系统架构图；
41.图4为本技术第二种实施例的目标对象推荐方法的流程图；
42.图5为本技术第三种实施例的目标对象推荐装置的结构框图；
43.图6为本技术第四种实施例的电子设备的结构框图。
具体实施方式
44.此处参考附图描述本技术的各种方案以及特征。
45.应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本技术的范围和精神内的其他修改。
46.包含在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且与上面给出的对本技术的大致描述以及下面给出的对实施例的详细描述一起用于解释本技术的原理。
47.通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本技术的这些和其它特性将会变得显而易见。
48.还应当理解，尽管已经参照一些具体实例对本技术进行了描述，但本领域技术人员能够确定地实现本技术的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
49.当结合附图时，鉴于以下详细说明，本技术的上述和其他方面、特征和优势将变得更为显而易见。
50.此后参照附图描述本技术的具体实施例；然而，应当理解，所申请的实施例仅仅是本技术的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本技术模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本技术。
51.本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本技术的相同或不同实施例中的一个或多个。
52.本技术第一种实施例提供了一种目标对象推荐方法，图1为本技术第一种实施例的目标对象推荐方法的流程图，参见图1所示，本技术第一种实施例的目标对象推荐方法具体可包括如下步骤。
53.s110，获取客户端的操作信息，将所述操作信息映射为物理属性信息。
54.所述操作信息能够表征用户对客户端的操作行为特性，所述操作信息在一定程度上也能够反映用户的行为属性。可选的，所述操作信息可包括用户对客户端的显示对象的点击、查询、点击顺序、重复点击、访问时长、访问频次等信息。例如，在客户端显示商城活动时，所述操作信息可包括表征用户对商城活动的点击、查询、点击顺序、重复点击及访问时长的信息。需要说明的是，本技术中的操作信息主要包括与用户对客户端的操作方式和行
为属性相关的信息，并不涉及到用户的个人隐私信息。
55.可选的，可获取客户端的多个操作信息。例如，可获取用户对客户端的n次操作行为的操作信息，或者可获取预设时间内用户对客户端的m次操作行为的操作信息，n和m均为正整数。
56.所述物理属性信息能够表征通信链路的物理属性。可选的，所述物理属性信息包括但不限于通信链路的传输速率、带宽、比特率、信道增益等参数，此处并不对所述物理属性信息的类型进行限定，在具体实施时，可采用任何能够表征通信链路的物理属性的信息。
57.可选的，获取到客户端的操作信息，可对客户端的操作信息和物理属性信息进行关联关系分析，基于分析结果将所述操作信息映射为物理属性信息。例如，在获取多个操作信息的基础上，可基于多个所述操作信息生成操作信息序列。继而，基于曲线的几何相似度或阵列的相似度，将所述操作信息序列映射为物理属性信息序列。
58.在具体实施时，可采用多种算法对所述操作信息和物理属性信息进行关联关系分析并进行映射转换。示例性的，可预先构建灰色关系聚类分析模型。在获取到所述操作信息之后，可通过灰色关系聚类分析模型将所述操作信息映射为所述物理属性信息。如此，能够保护与用户直接相关信息的信息安全。
59.s120，对目标对象集进行模糊化处理获取模糊对象集，所述模糊对象集包括与所述目标对象集中各个目标对象相对应的模糊权重值。
60.所述目标对象集包括多个目标对象，所述目标对象可包括用于向所述客户端推荐的显示对象或操作对象。以所述客户端为网络购物软件为例，所述目标对象可包括商城活动或商品等等。所述商城活动可包括例如转盘活动、抽奖活动、集卡活动、试用活动、积分活动等等。可以理解的是，所述客户端不仅限于网络购物软件，所述目标对象也不仅限于商品或商城活动。在具体实施时，只要所述目标对象为与所述客户端相关的可推介对象即可。
61.可选的，在获取到目标对象集之后，可通过预设模糊算法或预设模糊模型对目标对象集进行模糊化处理，以获取模糊对象集。可选的，在获取到所述目标对象集之后，也可对所述目标对象集中的各个目标对象进行编码和/或标准化处理，获取与各个所述目标对象相对应的编码信息或标准权重值。继而，可对所述标准权重值或编码信息进行模糊化处理获取模糊权重值，通过所述模糊权重值形成所述模糊对象集。可选的，所述模糊对象集可包括与所述目标对象集中各个目标对象一一对应的模糊权重值。如此，能够保护服务商的数据安全，避免服务商的原始数据发生泄漏。
62.s130，建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型。
63.可选的，在获取到所述物理属性信息和所述模糊对象集的基础上，可基于所选取关联关系分析函数、算法对所述物理属性信息和所述模糊对象集进行关联关系分析，建立映射模型。所述映射模型能够表征所述物理属性信息和所述模糊对象集之间的关联关系。实际上，所述映射模型也在一定程度上表征用户行为属性和目标对象集中目标对象之间的关联关系。
64.s140，基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
65.可选的，可基于所述映射模型确定所述模糊对象集中各个模糊权重值与所述物理属性信息的关联指标。所述关联指标可用于表征与该模糊权重值相对应的目标对象的接受
度或倾向性程度。继而，可基于所述关联指标，从所述目标对象集中选取接受度最高的目标对象，或者用户倾向性程度最高的目标对象推荐给用户。以所述目标对象集中包括转盘活动、抽奖活动、集卡活动、试用活动、积分活动等商城活动为例，基于所述映射模型从目标对象集中选取出的商城活动更容易被用户接受。
66.本技术实施例的目标对象推荐方法，获取客户端的操作信息，将所述操作信息映射为物理属性信息；对目标对象集进行模糊化处理获取模糊对象集；建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。如此，能够基于用户行为属性准确的向用户推荐目标对象，为向新用户推荐目标对象提供一种可行的实现方式，而且能够保护用户和服务商的信息安全，避免用户直接相关信息和服务商的原始数据泄露。
67.配合图2所示，在一些实施例种，步骤s130，建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型，可包括如下步骤。
68.s131，基于多个所述物理属性信息，生成第一数据序列。
69.可选的，可基于时间顺序、数值大小等方式对多个所述物理属性信息进行排序，以生成所述第一数据序列。也可对所述物理属性信息进行再处理，对处理结果进行排序生成第一数据序列。例如，可基于所述物理属性信息转化为无量纲数值，基于时序或数值大小对无量纲数值进行排序形成所述第一数据序列。
70.s132，基于所述模糊对象集中的模糊权重值，生成第二数据序列。
71.可选的，可基于模糊权重值的数值大小或其他维度信息对所述模糊权重值进行排序，以生成所述第二数据序列。或者，与所述第一数据序列类似，也可对所述模糊权重值进行在处理形成无量纲数值，基于数值大小或其他维度信息对所述无量纲数值进行排序形成所述第二数据序列。
72.s133，基于所述第一数据序列和所述第二数据序列之间的关联关系，建立第一映射模型。
73.可选的，可对所述第一数据序列和所述第二数据序列进行数据序列相关性分析，从而构建所述第一映射模型。例如，可构建所述第一数据序列和所述第二数据序列之间关联分布的概率模型，将所述概率模型作为所述第一映射模型。通过数据序列之间的关联性构建第一映射模型，能够缩短数据序列之间的数量级差异，有利于降低数据处理量，并有益于提高处理效率。
74.继续配合图2所示，在一些实施例中，步骤s130，建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型，还可包括如下步骤。
75.s134，获取能够表征用户身份属性的用户身份信息。
76.可选的，所述用户身份信息可包括当前用户进行注册时所提供的信息。例如，用户名、性别、年龄、地址、自我介绍及个人签名等等。需要说明的是，所述用户身份信息还可包括其他能够表征当前用户的用户身份属性的信息。所述用户身份信息均为从服务商侧能够合法获取到的信息，不涉及非法获取当前用户的隐私信息。
77.s135，基于所述用户身份信息，确定隶属度权重。所述隶属度权重用于表征用户对目标对象的倾向性。
78.可选的，所述服务商侧可基于历史用户的用户身份信息，确定各个历史用户的历
史隶属度权重。所述历史隶属度权重可用于表征历史用户对目标对象的倾向性。所述历史用户可为已注册的用户。例如，所述服务商侧可获取历史用户的历史推荐数据，所述历史推荐数据可用于表征向历史用户推荐各个目标对象的实际接受情况。可基于所述历史推荐数据和用户身份信息分别历史用户对各个目标对象的倾向性，获取历史隶属度权重。
79.在获取当前用户的用户身份信息的基础上，可基于当前用户的用户身份信息与历史用户的用户身份信息之间的相似度，以及历史用户的历史隶属度权重，确定当前用户的隶属度权重。例如，可将相似度最高的历史用户的历史隶属度作为当前用户的隶属度权重。还例如，可基于所述相似度，以及历史用户的历史隶属度权重，计算获得当前用户的隶属度权重。
80.可选的，所述隶属度权重可为基于一个或多个关联度评价指标所构建的函数，所述隶属度权重可通过如下公式表示。
81.wi＝a1s1 a2s2
…
ansn82.其中，wi表示隶属度权重。s1、s2、
…
、sn表示关联度评价指标，所述关联度评价指标包括但不限于偏差、方差、离散度、序列熵等关联度评价指标。例如，s1可采用偏差，s2可采用方差，s3可采用离散度，s4可采用序列熵。a1、a2、
…
、an为相对应的关联度评价指标的权重系数。
83.s136，基于所述隶属度权重，对所述第一映射模型进行优化形成第二映射模型。
84.可选的，在确定所述隶属度权重和所述第一映射模型的基础上，可利用所述隶属度权重对所述第一映射模型的输出结果进行校正，形成第二映射模型。所述第二映射模型的输出结果既受到用户行为属性影响，也收到用户身份属性影响，能够更加准确的反应当前用户对目标对象的倾向性，进而能够精准的向当前用户推荐目标对象。
85.示例性的，所述第二映射模型可通过如下公式表示。
[0086][0087]
其中，x
′i表示第一数据序列中的元素；f
′k表示第二数据序列中的元素；f
(x
′
,f
′
)
表示感知距离系数，用于表征与f
′k相对应的目标对象与当前用户的关联程度，f(x
′
,f
′
)的数值越小，则目标对象与当前用户的关联程度越高；σ∈[0,1]为分辨系数，σ通常取0.5；分别表示两级最小差及两级最大差；wi表示隶属度权重。
[0088]
本技术第二种实施例提供了一种目标对象推荐方法，可应用于边缘系统。图3为边缘系统的系统架构图，参见图3所示，所述边缘系统可包括边缘终端设备201、边缘控制器202、边缘管理器203、边缘连接器204和边缘接口205。所述边缘终端设备201、所述边缘控制器202、所述边缘连接器204和所述边缘接口205可位于边缘层，所述边缘管理器203可位于服务层，所述边缘连接器204分别与所述边缘控制器202和所述边缘管理器203连接。可选的，边缘终端设备201、边缘控制器202和边缘连接器204可通过位于边缘层的硬件设备或虚拟设备形成，所述边缘管理器203可通过位于服务层的硬件设备或虚拟设备形成。
[0089]
图4为本技术第二种实施例的目标对象推荐方法的流程图，参见图4所示，本技术第二种实施例的目标对象推荐方法具体可包括如下步骤。
[0090]
s301，通过边缘终端设备201获取所述客户端的操作信息。
[0091]
其中，所述操作信息能够表征用户对客户端的操作行为特性，所述操作信息在一定程度上也能够反映用户的行为属性。可选的，所述操作信息可包括用户对客户端的显示对象的点击、查询、点击顺序、重复点击、访问时长、访问频次等信息。
[0092]
可选的，可获取客户端的多个操作信息。例如，可获取用户对客户端的n次操作行为的操作信息，或者可获取预设时间内用户对客户端的m次操作行为的操作信息，n和n均为正整数。
[0093]
s302，通过与所述边缘终端设备201连接的边缘控制器202将所述操作信息映射为物理属性信息。
[0094]
其中，所述物理属性信息能够表征通信链路的物理属性。可选的，所述物理属性信息包括但不限于通信链路的传输速率、带宽、比特率、信道增益等参数，此处并不对所述物理属性信息的类型进行限定，在具体实施时，可采用任何能够表征通信链路的物理属性的信息。
[0095]
可选的，获取到客户端的操作信息，可通过边缘控制器202对客户端的操作信息和物理属性信息进行关联关系分析，基于分析结果将所述操作信息映射为物理属性信息。例如，在获取多个操作信息的基础上，可基于多个所述操作信息生成操作信息序列。继而，基于曲线的几何相似度或阵列的相似度，将所述操作信息序列映射为物理属性信息序列。
[0096]
在具体实施时，可采用多种算法对所述操作信息和物理属性信息进行关联关系分析并进行映射转换。示例性的，可预先在所述边缘控制器202上构建灰色关系聚类分析模型。在获取到所述操作信息之后，可通过边缘控制器202利用灰色关系聚类分析模型将所述操作信息映射为所述物理属性信息。如此，能够保护用户直接相关信息的信息安全。
[0097]
s303，通过边缘管理器203对目标对象集进行模糊化处理，以获取模糊对象集。
[0098]
目标对象集通常位于服务商系统中，也即目标对象集通常位于服务层。将边缘管理器203部署在服务层更有利于目标对象集的获取，以及快速的对目标对象集进行模糊化处理。
[0099]
可选的，所述边缘管理器203还可用于调度所述边缘终端设备201、边缘控制器202、边缘连接器204和所述边缘接口205。也即，所述边缘管理器203不仅限于对目标对象集进行模糊化处理，还可用于遂行边缘系统的管理功能。
[0100]
可选的，在获取到目标对象集之后，可通过预设模糊算法或预设模糊模型对目标对象集进行模糊化处理，以获取模糊对象集。
[0101]
可选的，在获取到所述目标对象集之后，也可对所述目标对象集中的各个目标对象进行编码和/或标准化处理，获取与各个所述目标对象相对应的编码信息或标准权重值。继而，可对所述标准权重值或编码信息进行模糊化处理获取模糊权重值，通过所述模糊权重值形成所述模糊对象集。
[0102]
s304，通过边缘连接器204建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型。
[0103]
可选的，所述边缘连接器204可从所述边缘控制器202获取所述物理属性信息，所
述边缘连接器204还可从所述边缘管理器203获取所述模糊对象集。继而，所述边缘连接器204可基于所述物理属性信息和所述模糊对象集之间的关联关系，建立映射模型。
[0104]
可选的，在获取到所述物理属性信息和所述模糊对象集的基础上，所述边缘连接器204可基于所选取关联关系分析函数、算法对所述物理属性信息和所述模糊对象集进行关联关系分析，建立映射模型。所述映射模型能够表征所述物理属性信息和所述模糊对象集之间的关联关系。实际上，所述映射模型也在一定程度上表征用户行为属性和目标对象集中目标对象之间的关联关系。
[0105]
s305，通过边缘接口205基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
[0106]
可选的，所述边缘接口205作为边缘系统的信息反馈接口，可为所述边缘连接器204的接口，也可为边缘系统中其他设备的接口。可选的，所述目标接口可选取与所述客户端相对应的当前用户关联关系最高的目标对象推荐给所述客户端。以所述目标对象集中包括转盘活动、抽奖活动、集卡活动、试用活动、积分活动等商城活动为例，可从所述目标对象集中选取与当前用户关联关系醉倒的商城活动推荐至购物软件。
[0107]
本技术实施例的目标对象推荐方法，通过边缘终端设备201获取所述客户端的操作信息；通过与所述边缘终端设备201连接的边缘控制器202将所述操作信息映射为物理属性信息；通过边缘管理器203对目标对象集进行模糊化处理，以获取模糊对象集；通过边缘连接器204建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；通过边缘接口205基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。如此，不仅能够基于用户行为属性准确的向用户推荐目标对象，而且主要数据处理过程均在边缘层完成，具有较高的数据处理效率和响应速率。
[0108]
参见图5所示，本技术第三种实施例提供了一种目标对象推荐装置，包括：
[0109]
获取模块401，用于获取客户端的操作信息，将所述操作信息映射为物理属性信息；所述操作信息能够表征用户对客户端的操作行为特性，所述物理属性信息能够表征通信链路的物理属性；
[0110]
处理模块402，用于对目标对象集进行模糊化处理获取模糊对象集，所述模糊对象集包括与所述目标对象集中各个目标对象相对应的模糊权重值；
[0111]
构建模块403，用于建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；
[0112]
推荐模块404，用于基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
[0113]
在一些实施例中，所述获取模块401具体用于：
[0114]
通过灰色关系聚类分析模型将所述操作信息映射为所述物理属性信息。
[0115]
在一些实施例中，所述处理模块402具体用于：
[0116]
对所述目标对象集中的各个目标对象进行标准化处理，获取与各所述目标对象相对应的标准权重值；
[0117]
对所述标准权重值进行模糊化处理获取模糊权重值，并通过所述模糊权重值形成所述模糊对象集。
[0118]
在一些实施例中，所述构建模块403具体用于：
[0119]
基于多个所述物理属性信息，生成第一数据序列；
[0120]
基于所述模糊对象集中的模糊权重值，生成第二数据序列；
[0121]
基于所述第一数据序列和所述第二数据序列之间的关联关系，建立第一映射模型。
[0122]
在一些实施例中，所述构建模块403还用于：
[0123]
获取能够表征用户身份属性的用户身份信息；
[0124]
基于所述用户身份信息，确定隶属度权重；所述隶属度权重用于表征用户对目标对象的倾向性；
[0125]
基于所述隶属度权重，对所述第一映射模型进行优化形成第二映射模型。
[0126]
在一些实施例中，所述获取模块401具体用于：
[0127]
通过边缘终端设备获取所述客户端的操作信息；
[0128]
通过与所述边缘终端设备连接的边缘控制器将所述操作信息映射为物理属性信息；其中，所述边缘终端设备和所述边缘控制器均位于边缘层。
[0129]
在一些实施例中，所述处理模块402具体用于：
[0130]
通过位于服务层的边缘管理器对所述目标对象集进行模糊化处理，以获取模糊对象集。
[0131]
在一些实施例中，所述构建模块403还用于：
[0132]
通过边缘连接器建立能够表征所述物理属性信息和所述模糊对象集之间关联关系的映射模型；其中，所述边缘连接器连接在所述边缘终端设备和所述边缘管理器之间。
[0133]
在一些实施例中，所述推荐模块404具体用于：
[0134]
通过位于边缘层的边缘接口基于所述映射模型，向所述客户端推荐所述目标对象集中的目标对象。
[0135]
参见图6所示，本技术第四种实施例提供了一种电子设备，至少包括存储器501和处理器502，所述存储器501上存储有程序，所述处理器502在执行所述存储器501上的程序时实现如上任一实施例所述的方法。
[0136]
本技术第五种实施例提供了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可执行指令，在执行所述计算机可读存储介质中的所述计算机可执行指令时实现如上任一实施例所述的方法。
[0137]
本领域技术人员应明白，本技术的实施例可提供为方法、电子设备、计算机可读存储介质或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。当通过软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
[0138]
上述处理器可以是通用处理器、数字信号处理器、专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic,简称gal)或其任意组合。通用处理器可以是微处理器或者
任何常规的处理器等。
[0139]
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0140]
上述可读存储介质可为磁碟、光盘、dvd、usb、只读存储记忆体(rom)或随机存储记忆体(ram)等，本技术对具体的存储介质形式不作限定。
[0141]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。