本發(fā)明涉及推薦領(lǐng)域，涉及但不限于一種推薦方法、推薦裝置。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，個(gè)性化推薦已然成為提升用戶體驗(yàn)和推動(dòng)營銷的關(guān)鍵手段。個(gè)性化推薦通過分析和識別用戶的偏好信息和消費(fèi)傾向，為每個(gè)用戶量身定制個(gè)性化的推薦列表，能夠精準(zhǔn)滿足不同用戶的不同推薦需求。

2、傳統(tǒng)個(gè)性化推薦算法大多采用協(xié)同過濾算法，向用戶推薦的是具有相同愛好群體的相似內(nèi)容，并未考慮到用戶喜好信息在時(shí)間維度上的變化情況，導(dǎo)致推薦內(nèi)容在用戶喜好發(fā)生變化時(shí)未能及時(shí)、準(zhǔn)確地調(diào)整，進(jìn)而導(dǎo)致推薦效果較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種推薦方法、推薦裝置，能夠提高個(gè)性化推薦的精準(zhǔn)度和時(shí)效性，使得待推薦對象隨著時(shí)間變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

3、第一方面，本發(fā)明提供一種推薦方法，推薦方法包括：

4、在檢測到目標(biāo)用戶對于目標(biāo)對象存在推薦需求的情況下，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣；其中，歷史操作數(shù)據(jù)用于表征目標(biāo)用戶對于m個(gè)參考對象在最近n天時(shí)間內(nèi)的操作行為數(shù)據(jù)；m、n均為正整數(shù)；時(shí)間距離表征歷史操作數(shù)據(jù)的發(fā)生日期距離當(dāng)前日期的天數(shù)；衰減率表征時(shí)間距離占n的比例；基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個(gè)權(quán)重值；基于目標(biāo)行為矩陣和n個(gè)權(quán)重值，對目標(biāo)用戶進(jìn)行個(gè)性化推薦。

5、根據(jù)上述技術(shù)手段，第一、考慮到操作行為數(shù)據(jù)和時(shí)間衰減趨勢之間的相互作用對用戶整體行為特征的影響，通過先對操作行為數(shù)據(jù)進(jìn)行時(shí)間衰減處理，再基于經(jīng)過時(shí)間衰減處理后的操作行為數(shù)據(jù)來確定最近n天對應(yīng)的n個(gè)權(quán)重值，可以實(shí)現(xiàn)對用戶整體行為特征的準(zhǔn)確刻畫，進(jìn)而利用用戶整體行為特征來進(jìn)行個(gè)性化推薦，能夠提高個(gè)性化推薦的精準(zhǔn)度和時(shí)效性，使得待推薦對象隨著時(shí)間變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整；第二、由于常規(guī)衰減率無法準(zhǔn)確描述歷史操作數(shù)據(jù)的時(shí)間衰減趨勢，通過設(shè)置衰減率為時(shí)間距離占總天數(shù)的比例，可以有效捕捉歷史操作數(shù)據(jù)隨時(shí)間的動(dòng)態(tài)變化情況，實(shí)現(xiàn)對歷史操作數(shù)據(jù)的精準(zhǔn)度量和分析。

6、在一種可能的實(shí)施方式中，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣，包括：基于歷史操作數(shù)據(jù)，構(gòu)建初始行為矩陣；確定初始行為矩陣的第i×j個(gè)初始矩陣元素對應(yīng)的第i×j個(gè)時(shí)間距離和第i×j個(gè)衰減率；將第i×j個(gè)時(shí)間距離和第i×j個(gè)衰減率代入復(fù)合時(shí)間衰減函數(shù)，得到第i×j個(gè)初始矩陣元素對應(yīng)的第i×j個(gè)時(shí)間衰減值；復(fù)合時(shí)間衰減函數(shù)為衰減率的時(shí)間距離次方；將第i×j個(gè)初始矩陣元素與第i×j個(gè)時(shí)間衰減值的乘積，確定為目標(biāo)行為矩陣的第i×j個(gè)目標(biāo)矩陣元素；其中，第i×j個(gè)初始矩陣元素為初始行為矩陣的任一矩陣元素；i為小于或等于m的正整數(shù)；j為小于或等于n的正整數(shù)。

7、根據(jù)上述技術(shù)手段，由于不同時(shí)間產(chǎn)生的歷史操作數(shù)據(jù)所反映出的用戶對于對象的感興趣程度是不同的，通過設(shè)置復(fù)合時(shí)間衰減函數(shù)為衰減率的時(shí)間距離次方，以及設(shè)置衰減率為時(shí)間距離占總天數(shù)的比例，可以精準(zhǔn)確定每一個(gè)歷史操作數(shù)據(jù)對應(yīng)的時(shí)間衰減值，進(jìn)而將每一個(gè)歷史操作數(shù)據(jù)和每一個(gè)時(shí)間衰減值進(jìn)行結(jié)合，能夠準(zhǔn)確描繪用戶對于對象的感興趣程度的時(shí)間衰減趨勢，客觀反映用戶對于對象的感興趣程度的動(dòng)態(tài)變化規(guī)律。

8、在一種可能的實(shí)施方式中，在歷史操作數(shù)據(jù)包括歷史點(diǎn)擊數(shù)據(jù)、歷史收藏?cái)?shù)據(jù)以及歷史瀏覽數(shù)據(jù)的情況下，基于歷史操作數(shù)據(jù)，構(gòu)建初始行為矩陣，包括：獲取目標(biāo)用戶對于第i個(gè)參考對象在第j天的第一點(diǎn)擊數(shù)據(jù)、第一收藏?cái)?shù)據(jù)以及第一瀏覽數(shù)據(jù)；第一點(diǎn)擊數(shù)據(jù)至少包括點(diǎn)擊次數(shù)；第一收藏?cái)?shù)據(jù)至少包括收藏次數(shù)和收藏天數(shù)；第一瀏覽數(shù)據(jù)至少包括瀏覽次數(shù)和瀏覽時(shí)長；分別獲取點(diǎn)擊次數(shù)對應(yīng)的第一權(quán)重、收藏次數(shù)對應(yīng)的第二權(quán)重、收藏天數(shù)對應(yīng)的第三權(quán)重、瀏覽次數(shù)對應(yīng)的第四權(quán)重以及瀏覽時(shí)長對應(yīng)的第五權(quán)重；基于第一權(quán)重、第二權(quán)重、第三權(quán)重、第四權(quán)重以及第五權(quán)重，對點(diǎn)擊次數(shù)、收藏次數(shù)、收藏天數(shù)、瀏覽次數(shù)以及瀏覽時(shí)長進(jìn)行加權(quán)平均，得到初始行為矩陣的第i×j個(gè)初始矩陣元素；其中，第i×j個(gè)初始矩陣元素為初始行為矩陣的任一矩陣元素；i為小于或等于m的正整數(shù)；j為小于或等于n的正整數(shù)。

9、根據(jù)上述技術(shù)手段，考慮到歷史操作數(shù)據(jù)的復(fù)雜性和多樣性，通過獲取目標(biāo)用戶對于每一個(gè)對象在每一天的點(diǎn)擊次數(shù)、收藏次數(shù)、收藏天數(shù)、瀏覽次數(shù)、瀏覽時(shí)長等操作行為數(shù)據(jù)，可以實(shí)現(xiàn)在行為類型的基礎(chǔ)上結(jié)合行為次數(shù)和行為時(shí)長來構(gòu)建初始行為矩陣，如此，可以有效排除偶然行為、隨機(jī)行為以及好奇行為帶來的干擾，更全面、精準(zhǔn)地洞察用戶的真實(shí)意圖、穩(wěn)定興趣以及深度需求，為個(gè)性化推薦、精準(zhǔn)營銷提供更有價(jià)值的參考依據(jù)。

10、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個(gè)權(quán)重值，包括：基于熵權(quán)法的指標(biāo)標(biāo)準(zhǔn)化公式，對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)矩陣；基于熵權(quán)法的指標(biāo)比重公式，對標(biāo)準(zhǔn)矩陣進(jìn)行歸一化處理，得到歸一化矩陣；基于熵權(quán)法的指標(biāo)信息熵公式和歸一化矩陣，確定n天時(shí)間對應(yīng)的n個(gè)信息熵；基于熵權(quán)法的指標(biāo)權(quán)重公式和n個(gè)信息熵，確定n天時(shí)間對應(yīng)的n個(gè)權(quán)重值。

11、根據(jù)上述技術(shù)手段，通過采用熵權(quán)法來確定最近n天時(shí)間中每一天對應(yīng)的權(quán)重值，可以有效避免人為主觀因素的干擾，對整個(gè)統(tǒng)計(jì)時(shí)間段的每一天進(jìn)行客觀分析，而且能夠賦予信息量較大、變異程度較高的天數(shù)更高的權(quán)重，使得最近n天時(shí)間中每一天對應(yīng)的權(quán)重值的確定更加客觀、公正和科學(xué)。

12、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣和n個(gè)權(quán)重值，對目標(biāo)用戶進(jìn)行個(gè)性化推薦，包括：基于目標(biāo)行為矩陣和n個(gè)權(quán)重值，確定m個(gè)興趣度；一個(gè)興趣度用于表征目標(biāo)用戶對于一個(gè)參考對象在當(dāng)前日期的感興趣程度；基于m個(gè)興趣度，從對象庫中確定m個(gè)參考對象對應(yīng)的r個(gè)待推薦對象，并向目標(biāo)用戶展示r個(gè)待推薦對象；r為正整數(shù)。

13、根據(jù)上述技術(shù)手段，通過確定目標(biāo)用戶對于m個(gè)參考對象在當(dāng)前日期的m個(gè)興趣度，可以實(shí)現(xiàn)基于m個(gè)興趣度，以m個(gè)參考對象為維度對目標(biāo)用戶進(jìn)行個(gè)性化推薦。這樣，不僅能夠提高個(gè)性化推薦的全面性和多樣性，保證每一個(gè)參考對象均對應(yīng)若干待推薦對象，還可以使得待推薦對象隨著用戶感興趣程度的變化進(jìn)行及時(shí)、準(zhǔn)確地調(diào)整。

14、在一種可能的實(shí)施方式中，基于目標(biāo)行為矩陣和n個(gè)權(quán)重值，確定m個(gè)興趣度，包括：對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理和歸一化處理，得到歸一化矩陣；針對m個(gè)參考對象中的每個(gè)參考對象，執(zhí)行以下處理，得到m個(gè)興趣度：在歸一化矩陣中確定參考對象對應(yīng)的n個(gè)歸一化元素；分別將n個(gè)歸一化元素與n個(gè)權(quán)重值進(jìn)行相乘，得到n個(gè)乘積值；對n個(gè)乘積值進(jìn)行求和，得到目標(biāo)用戶對于參考對象的興趣度。

15、根據(jù)上述技術(shù)手段，通過對目標(biāo)行為矩陣進(jìn)行標(biāo)準(zhǔn)化處理和歸一化處理，可以消除不同數(shù)據(jù)的量綱差異，使得不同指標(biāo)之間具有可比性，同時(shí)避免某些數(shù)值較大的特征對結(jié)果產(chǎn)生過度影響；通過分別將每個(gè)參考對象的n個(gè)用戶操作行為數(shù)據(jù)和最近n天時(shí)間對應(yīng)的n個(gè)權(quán)重值進(jìn)行相乘后求和，可以有效減少舊數(shù)據(jù)對于用戶感興趣程度的影響，實(shí)現(xiàn)對用戶對于參考對象的感興趣程度的精準(zhǔn)量化。

16、在一種可能的實(shí)施方式中，基于m個(gè)興趣度，從對象庫中確定m個(gè)參考對象對應(yīng)的r個(gè)待推薦對象，包括：針對m個(gè)參考對象中的每個(gè)參考對象，執(zhí)行以下處理，得到r個(gè)待推薦對象：將目標(biāo)用戶對于參考對象的興趣度與m個(gè)興趣度之和的比值，確定為參考對象的待推薦比例；將待推薦比例與r的乘積，確定為參考對象的待推薦數(shù)目；在待推薦數(shù)目大于0的情況下，從對象庫中確定參考對象對應(yīng)的待推薦數(shù)目個(gè)待推薦對象。

17、根據(jù)上述技術(shù)手段，通過將每個(gè)參考對象對應(yīng)的興趣度與所有參考對象的興趣度之和的比值確定為每個(gè)參考對象的待推薦比例，可以實(shí)現(xiàn)根據(jù)用戶感興趣程度的不同來確定參考對象對應(yīng)的待推薦對象的數(shù)目，使得用戶感興趣程度較高的參考對象具備更多的推薦機(jī)會(huì)，用戶感興趣程度較低的參考對象也獲得一定的推薦可能。如此，通過動(dòng)態(tài)調(diào)整不同參考對象對應(yīng)的待推薦對象的數(shù)目，可以根據(jù)實(shí)時(shí)的用戶行為數(shù)據(jù)不斷優(yōu)化推薦結(jié)果，從而有效提升推薦系統(tǒng)的準(zhǔn)確性和偏好性，幫助用戶更快發(fā)現(xiàn)符合自身興趣的對象。

18、在一種可能的實(shí)施方式中，從對象庫中確定參考對象對應(yīng)的待推薦數(shù)目個(gè)待推薦對象，包括：獲取參考對象所屬的目標(biāo)對象類別；對象類別是對對象庫中的對象進(jìn)行聚類得到的；確定參考對象與目標(biāo)對象類別包括的至少一個(gè)候選對象中每個(gè)候選對象之間的距離值，得到至少一個(gè)距離值；將至少一個(gè)距離值按照從小到大的順序進(jìn)行排序，得到第一排序結(jié)果；將第一排序結(jié)果中的前待推薦數(shù)目個(gè)距離值對應(yīng)的候選對象，確定為參考對象對應(yīng)的待推薦數(shù)目個(gè)待推薦對象。

19、根據(jù)上述技術(shù)手段，通過確定參考對象與多個(gè)同類別候選對象之間的距離值，可以實(shí)現(xiàn)從多個(gè)同類別候選對象中篩選得到與該參考對象相似度較高的待推薦對象，這樣，通過評估對象之間的相似性和差異性，可以精準(zhǔn)地對對象進(jìn)行分類和篩選，從而為用戶提供更有針對性的待推薦對象。

20、在一種可能的實(shí)施方式中，向目標(biāo)用戶展示r個(gè)待推薦對象，包括：將m個(gè)參考對象按照興趣度從大到小的順序進(jìn)行排序，得到第二排序結(jié)果；基于第二排序結(jié)果，向目標(biāo)用戶展示r個(gè)待推薦對象。

21、根據(jù)上述技術(shù)手段，通過對m個(gè)參考對象按照興趣度從大到小的順序進(jìn)行排序，可以實(shí)現(xiàn)根據(jù)用戶感興趣程度的高低對r個(gè)待推薦對象進(jìn)行有序展示，優(yōu)先展示用戶感興趣程度較高的參考對象對應(yīng)的待推薦對象。這樣，通過優(yōu)化待推薦對象的排列順序和展示順序，不僅可以提高用戶發(fā)現(xiàn)心儀對象的概率和效率，還能夠提高待推薦對象的轉(zhuǎn)化率，實(shí)現(xiàn)精準(zhǔn)營銷。

22、第二方面，本發(fā)明提供一種推薦裝置，推薦裝置包括：

23、時(shí)間衰減單元，用于在檢測到目標(biāo)用戶對于目標(biāo)對象存在推薦需求的情況下，基于時(shí)間距離和衰減率，對目標(biāo)用戶的歷史操作數(shù)據(jù)進(jìn)行時(shí)間衰減處理，得到目標(biāo)行為矩陣；其中，歷史操作數(shù)據(jù)用于表征目標(biāo)用戶對于m個(gè)參考對象在最近n天時(shí)間內(nèi)的操作行為數(shù)據(jù)；m、n均為正整數(shù)；時(shí)間距離表征歷史操作數(shù)據(jù)的發(fā)生日期距離當(dāng)前日期的天數(shù)；衰減率表征時(shí)間距離占n的比例；

24、確定單元，用于基于目標(biāo)行為矩陣，確定n天時(shí)間對應(yīng)的n個(gè)權(quán)重值；

25、推薦單元，用于基于目標(biāo)行為矩陣和n個(gè)權(quán)重值，對目標(biāo)用戶進(jìn)行個(gè)性化推薦。

26、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括：存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行程序時(shí)實(shí)現(xiàn)上述推薦方法。

27、第四方面，本發(fā)明還提供了一種存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，存儲(chǔ)介質(zhì)上的計(jì)算機(jī)程序被執(zhí)行時(shí)，實(shí)現(xiàn)上述推薦方法。

28、第五方面，本發(fā)明還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述推薦方法。

29、需要說明的是，第二方面至第五方面的技術(shù)效果可以參考上述第一方面的詳細(xì)描述，此處不再一一贅述。