CN117216358A - 资源推荐方法、装置、设备及介质 - Google Patents
资源推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117216358A CN117216358A CN202210615703.XA CN202210615703A CN117216358A CN 117216358 A CN117216358 A CN 117216358A CN 202210615703 A CN202210615703 A CN 202210615703A CN 117216358 A CN117216358 A CN 117216358A
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- preference
- candidate
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种资源推荐方法、装置、设备及介质。其中，资源推荐方法包括：接收目标用户发送的访问请求；在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据；若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，则根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。根据本公开实施例，能够为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
Description
技术领域
本公开涉及互联网技术领域，尤其涉及一种资源推荐方法、装置、设备及介质。
背景技术
随着互联网技术的快速发展，基于互联网技术的网络应用的种类和功能越来越丰富，网络应用可以向用户推荐一些资源，例如，为了便于用户快速找到自己想要的商品，消费类应用可以向用户推荐其最可能感兴趣的商品。
在相关技术中，网络应用一般基于用户的历史偏好情况为其推荐资源，如果用户在较长时间内都没有过对该网络应用的使用行为，则无法准确地为其推荐资源，导致可能出现为用户推荐的资源与用户的实际需求不一致的情况，进而导致用户的体验较差。
发明内容
为了解决上述技术问题，本公开提供了一种资源推荐方法、装置、设备及介质。
第一方面，本公开提供了一种资源推荐方法，包括：
接收目标用户发送的访问请求；
在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据；
若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，则根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。
在一些实施例中，在确定目标用户的相似用户群体和非相似用户群体之后，方法还包括：
若相似用户群体和非相似用户群体针对候选资源集合的偏好相似，则获取与候选资源集合相关的多个资源榜单；
在多个资源榜单包含至少一个共同资源的情况下，计算每个共同资源的资源评分；
根据资源评分，在至少一个共同资源中选择第二推荐资源。
在一些实施例中，计算每个共同资源的资源评分，包括：
计算每个共同资源在每个资源榜单对应的评选范围下的资源子评分；
针对每个共同资源，对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分。
在一些实施例中，在获取与候选资源集合相关的多个资源榜单之后，方法还包括：
在多个资源榜单不包含共同资源的情况下，在多个资源榜单中，选择评选范围最小的目标资源榜单；
在目标资源榜单中选择第三推荐资源。
在一些实施例中，方法还包括：
计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数；
若偏好差异指数满足预设的差异检测条件，则确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
在一些实施例中，计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数，包括：
计算相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数；
将第一偏好指数与第二偏好指数的差值作为偏好差异指数；
其中，差异检测条件包括偏好差异指数大于或等于第一预设阈值。
在一些实施例中，计算相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数，包括：
计算相似用户群体对候选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值；
将各个第一偏好值之和作为第一偏好指数；
将各个第二偏好值之和作为第二偏好指数。
在一些实施例中，计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数，包括：
计算相似用户群体和非相似用户群体针对候选资源集合中的各个候选资源的偏好差异值，偏好差异值包括熵值或基尼系数；
将各个偏好差异值的平均值作为偏好差异指数；
其中，差异检测条件包括偏好差异指数小于或等于第二预设阈值。
在一些实施例中，在接收目标用户发送的访问请求之后，方法还包括：
在目标用户的用户类型不是目标类型的情况下，根据历史行为数据，构造目标用户的用户特征向量；
根据用户特征向量，在候选资源集合中选择第四推荐资源。
在一些实施例中，根据用户特征向量，在候选资源集合中选择第四推荐资源，包括：
获取候选资源集合中的各个候选资源的资源特征向量；
计算每个资源特征向量与用户特征向量的向量相似度；
根据向量相似度，在候选资源集合中选择第四推荐资源。
在一些实施例中，方法还包括：
查询目标用户在预设历史时长内的历史行为数据；
若未查询到历史行为数据，则确定目标用户的用户类型为目标类型；
若查询到历史行为数据，则确定目标用户的用户类型不是目标类型。
在一些实施例中，确定目标用户的相似用户群体和非相似用户群体，包括：
获取目标用户的用户标签；
根据目标用户的用户标签，对多个预设用户进行用户群体划分，得到相似用户群体和非相似用户群体，相似用户群体中各个用户的用户标签均包括目标用户的用户标签，非相似用户群体中各个用户的用户标签均至少部分不包括目标用户的用户标签。
第二方面，本公开提供了一种资源推荐装置，包括：
请求接收模块，用于接收目标用户发送的访问请求；
群体确定模块，用于在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据；
第一推荐模块，用于若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，则根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。
第三方面，本公开提供了一种资源推荐设备，包括：
处理器；
存储器，用于存储可执行指令；
其中，处理器用于从存储器中读取可执行指令，并执行可执行指令以实现第一方面的资源推荐方法。
第四方面，本公开提供了一种计算机可读存储介质，该存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现第一方面的资源推荐方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例的资源推荐方法、装置、设备及介质，能够在接收到目标用户发送的访问请求之后，在目标用户的用户类型为表征目标用户在预设历史时长内无历史行为数据的目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，并且进一步在相似用户群体和非相似用户群体针对候选资源集合的偏好不相似的情况下，根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源，因此，即使目标用户在预设历史时长内都没有过任何历史行为，也能够在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较大的情况下，基于相似用户群体对候选资源集合中的各个候选资源的偏好情况，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种资源推荐方法的流程示意图；
图2为本公开实施例提供的另一种资源推荐方法的流程示意图；
图3为本公开实施例提供的又一种资源推荐方法的流程示意图；
图4为本公开实施例提供的一种资源推荐装置的结构示意图；
图5为本公开实施例提供的一种资源推荐设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为了解决上述问题，本公开实施例提供了一种资源推荐方法、装置、设备及介质。下面结合图1至图3对本公开实施例提供的资源推荐方法进行详细说明。
图1示出了本公开实施例提供的一种资源推荐方法的流程示意图。
在本公开实施例中，该资源推荐方法可以由服务器执行。其中，服务器可以包括具有存储及计算功能的服务器或服务器集群。
如图1所示，该资源推荐方法可以包括如下步骤。
S110、接收目标用户发送的访问请求。
在本公开实施例中，当目标用户通过电子设备对网络应用的应用界面进行访问时，可以对网络应用的应用界面输入访问操作，使电子设备可以接收到目标用户的访问操作，并向服务器发送访问操作对应的访问请求。
可选地，目标用户可以为使用电子设备访问网络应用的应用界面的用户。
可选地，访问操作可以为用户对网络应用的应用界面进行访问的操作。其中，访问操作可以包括对网络应用的应用图标的点击、长按等操作，也可以包括对网络应用中指定应用界面的界面入口的点击、长按等操作，此处不做限定。
可选地，访问请求可以为用于获取目标用户所要访问的应用界面的界面资源的请求。
S120、在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据。
在本公开实施例中，服务器在获取到目标用户发送的访问请求之后，先确定目标用户的用户类型是否为目标类型，并在目标用户的用户类型为目标类型的情况下，在使用网络应用的多个预设用户中，确定目标用户的相似用户群体和非相似用户群体。
可选地，用户类型可以为表征目标用户在预设历史时长内无历史行为数据的类型，或者表征目标用户在预设历史时长内有历史行为数据的类型。
其中，表征目标用户在预设历史时长内无历史行为数据的类型可以指新用户，表征目标用户在预设历史时长内有历史行为数据的类型可以指老用户。
可选地，目标类型可以为表征目标用户在预设历史时长内无历史行为数据的类型。
可选地，预设历史时长可以为根据需要预先设定的历史时长。例如，可以为6个月、7个月等，此处不做限定。
可选地，历史行为数据可以为表征目标用户针对网络应用的用户行为的数据。例如，可以为历史购买数据、历史收藏数据等，此处不做限定。
例如，以预设历史时长为6个月为例，服务器在获取到目标用户发送的访问请求之后，可以先确定该目标用户在历史的6个月内是否存在历史购买数据或历史收藏数据等历史行为数据，若目标用户在历史的6个月内不存在历史行为数据，则可以确定该目标用户的用户类型为在预设历史时长内无历史行为数据的类型，即为目标类型；若目标用户在历史的6个月内存在历史行为数据，则可以确定该目标用户的用户类型为在预设历史时长内有历史行为数据的类型，即不为目标类型。
进一步地，服务器在确定目标用户的用户类型为目标类型的情况下，可以在使用网络应用的多个预设用户中，确定该目标用户的相似用户群体和非相似用户群体。
可选地，确定目标用户的相似用户群体和非相似用户群体可以具体包括：获取目标用户的用户标签；根据目标用户的用户标签，对多个预设用户进行用户群体划分，得到相似用户群体和非相似用户群体，相似用户群体中各个用户的用户标签均包括目标用户的用户标签，非相似用户群体中各个用户的用户标签均至少部分不包括目标用户的用户标签。
在本公开实施例中，服务器在确定目标用户的用户类型为目标类型的情况下，可以获取该目标用户的用户标签。
可选地，用户标签可以为包括用户信息的标签。例如，可以为用户性别标签、用户年龄标签、用户地址标签等。
进一步地，服务器在获取到目标用户的用户标签之后，可以根据该用户标签，对使用网络应用的多个预设用户进行用户群体划分，得到相似用户群体和非相似用户群体。
可选地，预设用户可以为预先设置的具有用户标签的用户。
具体地，服务器可以根据目标用户的用户标签，对多个预设用户进行用户群体划分，将各个用户的用户标签均包括目标用户的用户标签的各个用户作为相似用户群体，将各个用户的用户标签均至少部分不包括目标用户的用户标签的各个用户作为非相似用户群体。
例如，目标用户的用户标签可以为：“性别-男”、“年龄-20”，用户A的用户标签可以为：“性别-男”、“年龄-20”，用户B的用户标签可以为：“性别-男”、“年龄-20”、“地址-北京”，用户C的用户标签可以为：“性别-女”、“年龄-20”、“地址-北京”，其中，用户A的用户标签与目标用户的用户标签相同，即用户A的用户标签包括目标用户的用户标签，因此，用户A可以属于相似用户群体；用户B的用户标签虽然比目标用户的用户标签多一个标签，但用户B的用户标签包括目标用户的用户标签，因此，用户B可以属于相似用户群体；用户C的用户性别标签“性别-女”与目标用户的用户性别标签“性别-男”不相同，即用户C的用户标签至少部分不包括目标用户的用户标签，因此，用户C可以属于非相似用户群体。
由此，在本公开实施例中，可以根据目标用户的用户标签确定对应的相似用户群体和非相似用户群体，使得为目标用户推荐的资源更准确，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
S130、若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，则根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。
在本公开实施例中，服务器在确定目标用户的相似用户群体和非相似用户群体之后，可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好是否相似，并在相似用户群体和非相似用户群体针对候选资源集合的偏好不相似的情况下，根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。
可选地，候选资源集合可以为由预先设置的多个候选资源构成的集合。
可选地，多个候选资源可以为网络应用中全部的候选资源或部分候选资源。
可选地，候选资源可以为网络应用中待选择的资源。例如，可以为商品、菜品等，此处不做限定。
可选地，偏好可以为用户群体对资源的爱好程度。其中，偏好可以由偏好差异指数、偏好差异值等确定，此处不做限定。
可选地，第一偏好值可以为相似用户群体针对候选资源集合中的各个候选资源的偏好值。对于第一偏好值的计算方法在下文进行详细说明。
可选地，第一推荐资源可以为候选资源集合中第一偏好值最大的候选资源或候选资源集合中预设数量个第一偏好值较大的候选资源或第一偏好值大于预设值的各个候选资源。
可选地，预设数量可以为预先设定的数量。如，10个、20个等，此处不做限定。
可选地，预设值可以为预先设定的值。如，0.5、0.6等，此处不做限定。
具体地，服务器在确定目标用户的相似用户群体和非相似用户群体之后，可以先确定相似用户群体和非相似用户群体对选资源集合的偏好是否相似，若确定相似用户群体和非相似用户群体对选资源集合的偏好不相似，服务器则可以根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，选择该候选资源集合中最大的第一偏好值对应的第一推荐资源、或选择该候选资源集合中预设数量个(如10个)第一偏好值较大的各个候选资源、或选择该候选资源集合中第一偏好值大于预设值(如0.5)的各个候选资源。
进一步地，服务器在候选资源集合中选择第一推荐资源之后，可以向电子设备反馈第一推荐资源，电子设备可以向目标用户显示该第一推荐资源。
由此，在本公开实施例中，能够在接收到目标用户发送的访问请求之后，在目标用户的用户类型为表征目标用户在预设历史时长内无历史行为数据的目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，并且进一步在相似用户群体和非相似用户群体针对候选资源集合的偏好不相似的情况下，根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源，因此，即使目标用户在预设历史时长内都没有过任何历史行为，也能够在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较大的情况下，基于相似用户群体对候选资源集合中的各个候选资源的偏好情况，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
图2示出了本公开实施例提供的另一种资源推荐方法的流程示意图。
如图2所示，该资源推荐方法可以包括如下步骤。
S210、接收目标用户发送的访问请求。
S220、在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据。
S210-S220与S110-S120相同，此处不再赘述。
S230、若相似用户群体和非相似用户群体针对候选资源集合的偏好相似，则获取与候选资源集合相关的多个资源榜单。
在本公开实施例中，服务器在确定目标用户的相似用户群体和非相似用户群体之后，可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好是否相似，并在相似用户群体和非相似用户群体针对候选资源集合的偏好相似的情况下，获取与候选资源集合相关的多个资源榜单。
可选地，资源榜单可以为候选资源集合中各个资源的排名榜单。例如，可以为商品排名榜单、菜品排名榜单等，此处不做限定。
具体地，服务器在确定相似用户群体和非相似用户群体针对候选资源集合的偏好相似的情况下，获取与该候选资源集合相关的多个资源榜单。
例如，服务器可以获取目标用户访问网络应用的门店的资源榜单、目标用户所属地域的资源榜单、全国的资源榜单。
S240、在多个资源榜单包含至少一个共同资源的情况下，计算每个共同资源的资源评分。
在本公开实施例中，服务器在获取多个资源榜单之后，在多个资源榜单包含至少一个共同资源的情况下，计算每个共同资源的资源评分。
可选地，共同资源可以为多个资源榜单均包括的资源。例如，共同的商品、共同的菜品等，此处不做限定。
具体地，服务器可以计算多个资源榜单中至少一个共同资源的资源评分。
可选地，计算每个共同资源的资源评分可以具体包括：计算每个共同资源在每个资源榜单对应的评选范围下的资源子评分；针对每个共同资源，对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分。
在本公开实施例中，服务器可以计算每个共同资源在每个资源榜单对应的评选范围下的资源子评分。
可选地，评选范围可以为每个资源榜单进行评选对应的范围。例如，门店的资源榜单对应的评选范围可以为门店范围；地域的资源榜单对应的评选范围可以为地域范围；全国的资源榜单对应的评选范围可以为全国范围。
例如，对于门店的资源榜单，共同资源A的资源子评分A1可以为共同资源A的门店出售量/门店总体资源的出售量(即共同资源A的门店出售量与门店总体资源的出售量的比值；)；对于地域的资源榜单，共同资源A的资源子评分A2可以为共同资源A的地域出售量/地域总体资源的出售量(即共同资源A的地域出售量与地域总体资源的出售量的比值)；对于全国的资源榜单，共同资源A的资源子评分A3可以为共同资源A的全国出售量/全国总体资源的出售量(即共同资源A的全国出售量与全国总体资源的出售量的比值)。
进一步地，服务器在获取到每个共同资源在每个资源榜单对应的评选范围下的资源子评分之后，可以对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分。
具体地，服务器可以对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分。
例如，服务器获取到共同资源A的各个资源子评分A1，A2和A3，并进行加权求和，如：资源评分＝0.5×A1+0.3×A1+0.2×A1。
由此，在本公开实施例中，服务器可以根据多个资源榜单确定至少一个共同资源的资源评分，使得资源评分更准确。
S250、根据资源评分，在至少一个共同资源中选择第二推荐资源。
在本公开实施例中，服务器在获取到每个共同资源的资源评分之后，可以在至少一个共同资源中选择第二推荐资源。
可选地，第二推荐资源可以为至少一个共同资源中资源评分最高的共同资源或预设数量个资源评分较高的共同资源或资源评分大于预设评分的共同资源。
具体地，服务器在获取至少一个共同资源的资源评分之后，可以根据资源评分的高低排名，获取资源评分最高的共同资源或预设数量个资源评分较高的共同资源或资源评分大于预设评分的共同资源，并将该共同资源作为第二推荐资源。
由此，在本公开实施例中，在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较小的情况下，基于多个资源榜单包括的至少一个共同资源的资源评分，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
可选地，在S210之后，该资源推荐方法还可以包括：在多个资源榜单不包含共同资源的情况下，在多个资源榜单中，选择评选范围最小的目标资源榜单；在目标资源榜单中选择第三推荐资源。
在本公开实施例中，服务器在获取到多个资源榜单之后，若多个资源榜单中并不包含共同资源，服务器可以在多个资源榜单中，选择评选范围最小的目标资源榜单。
可选地，目标资源榜单可以为评选范围最小的资源榜单。
例如，对于门店的资源榜单、地域的资源榜单、全国的资源榜单，其中，评选范围最小可以为门店的资源榜单，即门店的资源榜单可以为目标资源榜单。
进一步地，服务器在确定目标资源榜单之后，可以在该目标资源榜单中，选择第三推荐资源。
可选地，第三推荐资源可以为目标资源榜单中排名最高的资源或预设数量个排名较高的资源或排名大于预设排名的资源。
具体地，服务器可以计算目标资源榜单中每个资源在每个资源榜单对应的评选范围下的资源子评分，从而根据资源子评分对每个资源进行排序，进而将排名最高的资源或预设数量个排名较高的资源或排名大于预设排名的资源作为第三推荐资源。
由此，在本公开实施中，服务器可以在多个资源榜单不包含共同资源的情况下，基于评选范围最小的目标资源榜单，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
下面对计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数的方法进行详细说明。
可选地，该资源推荐方法可以包括：计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数；若偏好差异指数满足预设的差异检测条件，则确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
在本公开实施例中，服务器可以计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数。
可选地，偏好差异指数可以为用于表示相似用户群体和非相似用户群体针对候选资源集合的偏好程度的指数。
具体地，服务器可以分别计算出相似用户群体和非相似用户群体针对候选资源集合的偏好指数，从而计算出偏好差异指数。
进一步地，服务器在计算出偏好差异指数之后，若偏好差异指数满足预设的差异检测条件，则确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
可选地，预设的差异检测条件可以为预先设定的用于检测偏好差异指数的检测条件。
具体地，服务器在计算出偏好差异指数后，判断该偏好差异指数是否满足预设的差异检测条件，若判断出偏好差异指数满足预设的差异检测条件，则可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
由此，在本公开实施例中，服务器可以根据偏好差异指数来确定相似用户群体和非相似用户群体针对候选资源集合的偏好是否相似，从而适应性的为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
可选地，计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数，可以具体包括：计算相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数；将第一偏好指数与第二偏好指数的差值作为偏好差异指数；其中，差异检测条件包括偏好差异指数大于或等于第一预设阈值。
在本公开实施例中，服务器可以分别计算出相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数，并将第一偏好指数与第二偏好指数的差值作为偏好差异指数。
可选地，第一偏好指数可以为用于表示相似用户群体针对候选资源集合的偏好程度。
可选地，第二偏好指数可以为用于表示非相似用户群体针对候选资源集合的偏好程度。
具体地，服务器可以分别计算出相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数，并将得到的第一偏好指数与第二偏好指数进行相减，从而得到偏好差异指数。
进一步地，服务器在得到偏好差异指数之后，可以判断该偏好差异指数是否满足预设的差异检测条件，即判断该偏好差异指数是否大于或等于第一预设阈值，若该偏好差异指数大于或等于第一预设阈值，则可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
可选地，第一预设阈值可以为预先设定的值。例如，可以为0.5、0.6等，此处不做限定。
由此，在本公开实施例中，服务器可以分别获取第一偏好指数和第二偏好指数，并将该第一偏好指数和第二偏好指数的差值作为偏好差异指数，从而适应性的为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
下面接着对第一偏好指数和第二偏好指数的具体计算方式进行详细说明。
可选地，计算相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数，可以具体包括：计算相似用户群体对候选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值；将各个第一偏好值之和作为第一偏好指数；将各个第二偏好值之和作为第二偏好指数。
在本公开实施例中，服务器可以计算出相似用户群体对候选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值。
可选地，计算相似用户群体对候选资源集合中的各个候选资源的第一偏好值的公式可以为：
其中，Combo_tgisimilar，i可以为相似用户群体对候选资源集合中的候选资源i的第一偏好值；X1可以为对候选资源i选择的用户中，属于相似用户群体的用户数量；Y1可以为对候选资源i选择的用户中，属于非相似用户群体的用户数量；X2可以为整体用户中，属于相似用户群体的用户数量；Y2可以为整体用户中，属于非相似用户群体的用户数量。
可选地，计算非相似用户群体对候选资源集合中的各个候选资源的第二偏好值的公式可以为：
其中，Combo_tgidissimilar，i可以为非相似用户群体对候选资源集合中的候选资源i的第一偏好值；X1可以为对候选资源i选择的用户中，属于相似用户群体的用户数量；Y1可以为对候选资源i选择的用户中，属于非相似用户群体的用户数量；X2可以为整体用户中，属于相似用户群体的用户数量；Y2可以为整体用户中，属于非相似用户群体的用户数量。
具体地，服务器可以根据上述计算第一偏好值的公式和第二偏好值的公式，分别对相似用户群体和非相似用户群体对的第一偏好值和第二偏好值进行计算，从而得到对应的相似用户群体对选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值。
进一步地，服务器在获取到各个第一偏好值和各个第二偏好值之后，可以将各个第一偏好值进行相加，得到第一偏好指数，还可以将各个第二偏好值进行相加，得到第二偏好指数。
可选地，第一偏好指数可以为：
其中，Combo_tgi_sumsimilar可以为第一偏好指数，N可以为候选资源集合中的候选资源的总数。
具体地，服务器可以将各个第一偏好值进行相加，从而得到第一偏好指数。
可选地，第二偏好指数可以为：
其中，Combo_tgi_sumdissimilar可以为第二偏好指数，N可以为候选资源集合中的候选资源的总数。
具体地，服务器可以将各个第二偏好值进行相加，从而得到第二偏好指数。
进一步地，服务器在计算出第一偏好指数和第二偏好指数之后，可以将第一偏好指数和第二偏好指数的差值作为偏好差异指数。
可选地，偏好差异指数可以为：
偏好差异指数＝Combo_tgi_sumsimilar-Combo_tgi_sumdissimilar。
由此，在本公开实施例中，能够在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较大的情况下，基于相似用户群体对候选资源集合中的各个候选资源的偏好情况，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
在一些实施例中，偏好差异指数还可以包括熵值或基尼系数。
可选地，计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数，还可以具体包括：计算相似用户群体和非相似用户群体针对候选资源集合中的各个候选资源的偏好差异值，偏好差异值包括熵值或基尼系数；将各个偏好差异值的平均值作为偏好差异指数；其中，差异检测条件包括偏好差异指数小于或等于第二预设阈值。
在本公开实施例中，服务器还可以通过计算相似用户群体和非相似用户群体针对候选资源集合中的各个候选资源的熵值或基尼系数，得到各个候选资源的偏好差异值，并将各个偏好差异值的平均值作为偏好差异指数。
可选地，计算各个候选资源的熵值或基尼系数参照偏好差异值的计算方式，可以为任一种已有的方法。
例如，以计算各个候选资源的熵值为例，服务器可以计算出候选资源集合中对菜品i下单过的用户中属于相似用户群体的概率P(x1)，计算出候选资源集合中对菜品i下单过的用户中属于非相似用户群体的概率P(x2)，根据熵计算公式计算出菜品i的熵Entropyi。
可选地，熵计算公式可以为：
Entropyi＝-(P(x1)·log P(x1)+P(x2)·log P(x2))
进一步地，服务器可以计算出候选资源集合中每个菜品的熵Entropy，接着计算出所有菜品的熵平均all_combo_entropy，即偏好差异指数。
可选地，熵平均计算公式可以为：
又例如，以计算各个候选资源的基尼系数为例，服务器可以计算出候选资源集合中对菜品i下单过的用户中属于相似用户群体的占比P1 2，计算出候选资源集合中对菜品i下单过的用户中属于非相似用户群体的占比根据基尼系数计算公式计算出菜品i的基尼系数Ginii。
可选地，基尼系数计算公式可以为：
进一步地，服务器可以计算出候选资源集合中每个菜品的基尼系数Gini，接着计算出所有菜品的基尼系数平均all_combo_gini，即偏好差异指数。
可选地，基尼系数平均计算公式可以为：
可选地，第二预设阈值可以为预先设定的值。例如0.4、0.5等，此处不做限定。
具体地，服务器根据熵值或基尼系数计算出偏好差异指数之后，若该偏好差异指数小于或等于第二预设阈值，则可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
由此，服务器还可以通过计算熵值或基尼系数，来确定偏好差异指数，从而能够在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较大的情况下，基于相似用户群体对候选资源集合中的各个候选资源的偏好情况，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
在本公开一些实施例中，服务器在接收目标用户发送的访问请求之后，若目标用户不是目标类型，则选择第四推荐资源，下面进行详细说明。
可选地，在S110之后，该资源推荐方法还可以包括：在目标用户的用户类型不是目标类型的情况下，根据历史行为数据，构造目标用户的用户特征向量；根据用户特征向量，在候选资源集合中选择第四推荐资源。
在本公开实施例中，服务器在接收到目标用户发送的访问请求之后，先确定目标用户的用户类型是否为目标类型，并在目标用户的用户类型不为目标类型的情况下，根据历史行为数据，构造目标用户的用户特征向量。
可选地，用户特征向量可以为用于表征用户特征的向量。
具体地，若目标用户的用户类型不为目标类型，服务器可以根据历史行为数据，构造目标用户的用户特征向量。
例如，服务器可以预先设置特征向量模板，如(a，b，c，d，e，f)，其中，各个字母可以分别代表不同的属性特征。以资源为菜品为例“a”可以为“鸡肉”、“b”可以为“牛肉”、“c”可以为“酸甜”、“d”可以为“甜辣”、“e”可以为“加冰”、“f”可以为“常温”。
进一步地，服务器可以根据目标用户的历史行为数据，构建对应的用户特征向量，如，用户的历史行为数据可以为“购买2份鸡肉，购买4份甜辣口味的菜品，购买3份常温的菜品”，由此，服务器可以构造目标用户的用户特征向量(2，0，0，4，0，3)。
进一步地，服务器可以根据构造的用户特征向量，在候选资源集合中选择第四推荐资源。
由此，在本公开实施例中，在目标用户的用户类型不为目标类型的情况下，可以根据构造的用户特征向量，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
可选地，根据用户特征向量，在候选资源集合中选择第四推荐资源，可以具体包括：获取候选资源集合中的各个候选资源的资源特征向量；计算每个资源特征向量与用户特征向量的向量相似度；根据向量相似度，在候选资源集合中选择第四推荐资源。
在本公开实施例中，服务器在获取到用户特征向量之后，可以获取候选资源集合中的各个候选资源的资源特征向量。
可选地，资源特征向量可以为表征各个候选资源特征的向量。
例如，对于候选资源集合中的菜品A，服务器可以根据菜品A的属性特征如“鸡肉1份，牛肉1份，甜辣口味的菜品3份，常温的菜品1份，加冰的菜品1份”，获取候选资源A的资源特征向量如(1，1，0，3，1，1)。
进一步地，服务器可以获取到候选资源集合中的各个候选资源的资源特征向量，并计算每个资源特征向量与用户特征向量的向量相似度。
可选地，向量相似度的计算公式可以为：
其中，可以为用户特征向量，/>可以为资源特征向量。
进一步地，服务器可以根据计算出的向量相似度，在候选资源集合中选择向量相似度最高的候选资源或预设数量个向量相似度较高候选资源或向量相似度大于预设相似度的候选资源，作为第四推荐资源。
在本公开另一些实施例中，服务器可以在获取用户特征向量和各个候选资源的资源特征向量之后，将该用户特征向量和各个资源特征向量输入到预设推荐模型中，从而得出第四推荐资源。
可选地，预设推荐模型可以为预先训练好的用于得出第四推荐资源的模型。
具体地，服务器可以将用户特征向量和各个资源特征向量输入到预设推荐模型中，得出各个资源的推荐排名或推荐的资源，从而确定第四推荐资源。
由此，在本公开实施例中，在目标用户的用户类型不为目标类型的情况下，可以根据向量相似度，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
在本公开另一些实施例中，服务器可以根据查询历史行为数据，来确定目标用户的用户类型是否为目标类型，下面进行详细说明。
可选地，该资源推荐方法还可以包括：查询目标用户在预设历史时长内的历史行为数据；若未查询到历史行为数据，则确定目标用户的用户类型为目标类型；若查询到历史行为数据，则确定目标用户的用户类型不是目标类型。
在本公开实施例中，服务器在接收目标用户发送的访问请求之后，可以查询该目标用户在预设历史时长内的历史行为数据。
在一些示例中，如果服务器未查询到该目标用户在预设历史时长内存在历史行为数据，则可以确定该目标用户的用户类型为目标类型。
例如，以预设历史时长为6个月为例，服务器在获取到目标用户发送的访问请求之后，可以先确定该目标用户在历史的6个月内是否存在历史购买数据或历史选择数据等历史行为数据，若目标用户在历史的6个月内不存在历史行为数据，则可以确定该目标用户的用户类型为目标类型。如，该目标用户的用户类型可以为新用户类型。
在另一些示例中，如果服务器查询到该目标用户在预设历史时长内存在历史行为数据，则可以确定该目标用户的用户类型不为目标类型。
例如，以预设历史时长为6个月为例，服务器在获取到目标用户发送的访问请求之后，可以先确定该目标用户在历史的6个月内是否存在历史购买数据或历史选择数据等历史行为数据，若目标用户在历史的6个月内存在历史行为数据，则可以确定该目标用户的用户类型不为目标类型。如，该目标用户的用户类型可以为老用户类型。
由此，在本公开实施例中，服务器可以确定目标用户的不同用户类型，从而针对性的为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
图3示出了本公开实施例提供的又一种资源推荐方法的流程示意图。
如图3所示，该资源推荐方法可以包括如下步骤。
S310、接收目标用户发送的访问请求。
S310与S110相同，此处不再赘述。
S320、确定目标用户的用户类型是否为目标类型。
在本公开实施例中，服务器在获取到目标用户发送的访问请求之后，先确定目标用户的用户类型是否为目标类型。若目标用户的用户类型为目标类型，执行S340；若目标用户的用户类型不为目标类型，执行S330。
例如，以预设历史时长为6个月为例，服务器在获取到目标用户发送的访问请求之后，可以先确定该目标用户在历史的6个月内是否存在历史购买数据或历史收藏数据等历史行为数据，若目标用户在历史的6个月内不存在历史行为数据，则可以确定该目标用户的用户类型为在预设历史时长内无历史行为数据的类型，即为目标类型；若目标用户在历史的6个月内存在历史行为数据，则可以确定该目标用户的用户类型为在预设历史时长内有历史行为数据的类型，即不为目标类型。
S330、在候选资源集合中选择第四推荐资源。
在本公开实施例中，若目标用户的用户类型不为目标类型，服务器可以根据历史行为数据，构造目标用户的用户特征向量，并获取候选资源集合中的各个候选资源的资源特征向量，然后计算用户特征向量与每个资源特征向量的向量相似度，最后基于向量相似度，在候选资源集合中选择第四推荐资源。
例如，服务器可以根据目标用户的历史行为数据，构造目标用户的用户特征向量(2，0，0，4，0，3)，并获取候选资源A的资源特征向量如(1，1，0，3，1，1)，从而根据向量相似度的计算公式计算出向量相似度，进而在候选资源集合中选择向量相似度最高的候选资源或预设数量个向量相似度较高候选资源或向量相似度大于预设相似度的候选资源。
又例如，服务器可以将用户特征向量和各个资源特征向量输入到预设推荐模型中，得出各个资源的推荐排名或推荐的资源，从而确定第四推荐资源。
S340、确定相似用户群体和非相似用户群体针对候选资源集合的偏好是否相似。
在本公开实施例中，若目标用户的用户类型为目标类型，服务器可以确定相似用户群体和非相似用户群体针对候选资源集合的偏好是否相似。若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，执行S350；若相似用户群体和非相似用户群体针对候选资源集合的偏好相似，执行S360。
具体地，服务器可以根据偏好值的公式计算出相似用户群体对候选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值，接着将各个第一偏好值进行相加，得到第一偏好指数且将各个第二偏好值进行相加，得到第二偏好指数，并将第一偏好指数和第二偏好指数的差值作为偏好差异指数，从而判断偏好差异指数是否满足预设的差异检测条件，进而确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
可选地，服务器还可以通过计算相似用户群体和非相似用户群体针对候选资源集合中的各个候选资源的熵值或基尼系数，得到各个候选资源的偏好差异值，并将各个偏好差异值的平均值作为偏好差异指数，从而判断偏好差异指数是否满足预设的差异检测条件，进而确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
S350、在候选资源集合中选择第一推荐资源。
在本公开实施例中，若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，服务器可以根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，选择该候选资源集合中最大第一偏好值对应的候选资源或候选资源集合中预设数量个第一偏好值较大的候选资源或第一偏好值大于预设值的各个候选资源。
具体地，服务器在确定目标用户的相似用户群体和非相似用户群体之后，可以先确定相似用户群体和非相似用户群体对选资源集合的偏好是否相似，若确定相似用户群体和非相似用户群体对选资源集合的偏好不相似，服务器则可以根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，选择该候选资源集合中最大的第一偏好值对应的第一推荐资源、或选择该候选资源集合中预设数量个如10个第一偏好值较大的各个候选资源、或选择该候选资源集合中第一偏好值大于预设值如0.5的各个候选资源。
S360、确定多个资源榜单是否包含至少一个共同资源。
在本公开实施例中，若相似用户群体和非相似用户群体针对候选资源集合的偏好相似，服务器可以获取与该候选资源集合相关的多个资源榜单，并确定该多个资源榜单是否包含共同资源。若多个资源榜单包含至少一个共同资源，执行S370；若多个资源榜单不包含至少一个共同资源，执行S380。
S370、在至少一个共同资源中选择第二推荐资源。
在本公开实施例中，若多个资源榜单包含至少一个共同资源，服务器可以计算每个共同资源在每个资源榜单对应的评选范围下的资源子评分，接着对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分，从而根据资源评分，在至少一个共同资源中选择第二推荐资源。
具体地，服务器在获取至少一个共同资源的资源评分之后，可以根据资源评分的高低排名，获取资源评分最高的共同资源或预设数量个资源评分较高的共同资源或资源评分大于预设评分的共同资源，并将该共同资源作为第二推荐资源。
S380、在目标资源榜单中选择第三推荐资源。
在本公开实施例中，若多个资源榜单不包含至少一个共同资源，服务器可以在多个资源榜单中，选择评选范围最小的目标资源榜单，从而在目标资源榜单中选择第三推荐资源。
具体地，服务器可以计算目标资源榜单中每个资源在每个资源榜单对应的评选范围下的资源子评分，从而根据资源子评分对每个资源进行排序，进而将排名最高的资源或预设数量个排名较高的资源或排名大于预设排名的资源做为第三推荐资源。
上述图3中各个步骤的具体实施方式参照上文，此处不再赘述。
由此，在本公开实施例中，服务器可以根据不同的情况，适应性的为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
图4示出了本公开实施例提供的一种资源推荐装置的结构示意图。
在本公开实施例中，该资源推荐装置可以设置于服务器内。其中，服务器可以包括具有存储及计算功能的服务器或服务器集群。
如图4所示，该资源推荐装置400可以包括请求接收模块410、群体确定模块420、第一推荐模块430。
该请求接收模块410可以用于接收目标用户发送的访问请求。
该群体确定模块420可以用于在目标用户的用户类型为目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，目标类型表征目标用户在预设历史时长内无历史行为数据。
该第一推荐模块430可以用于若相似用户群体和非相似用户群体针对候选资源集合的偏好不相似，则根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源。
由此，在本公开实施例中，能够在接收到目标用户发送的访问请求之后，在目标用户的用户类型为表征目标用户在预设历史时长内无历史行为数据的目标类型的情况下，确定目标用户的相似用户群体和非相似用户群体，并且进一步在相似用户群体和非相似用户群体针对候选资源集合的偏好不相似的情况下，根据相似用户群体对候选资源集合中的各个候选资源的第一偏好值，在候选资源集合中选择第一推荐资源，因此，即使目标用户在预设历史时长内都没有过任何历史行为，也能够在目标用户的相似用户群体和目标用户的非相似用户群体针对候选资源集合的偏好差异较大的情况下，基于相似用户群体对候选资源集合中的各个候选资源的偏好情况，为目标用户推荐资源，避免出现为目标用户推荐的资源与目标用户的实际需求不一致的情况，进而提升了目标用户的体验。
在本公开一些实施例中，该资源推荐装置400还可以包括榜单获取模块、第一计算模块和第二推荐模块。
该榜单获取模块可以用于在确定目标用户的相似用户群体和非相似用户群体之后，若相似用户群体和非相似用户群体针对候选资源集合的偏好相似，则获取与候选资源集合相关的多个资源榜单。
该第一计算模块可以用于在多个资源榜单包含至少一个共同资源的情况下，计算每个共同资源的资源评分。
该第二推荐模块可以用于根据资源评分，在至少一个共同资源中选择第二推荐资源。
在本公开一些实施例中，该第一计算模块可以包括第一计算单元和第二计算单元。
该第一计算单元可以用于计算每个共同资源在每个资源榜单对应的评选范围下的资源子评分。
该第二计算单元可以用于针对每个共同资源，对共同资源对应的各个资源子评分进行加权求和，得到共同资源的资源评分。
在本公开一些实施例中，该资源推荐装置400还可以包括榜单选择模块和第三推荐模块。
该榜单选择模块可以用于在获取与候选资源集合相关的多个资源榜单之后，在多个资源榜单不包含共同资源的情况下，在多个资源榜单中，选择评选范围最小的目标资源榜单。
该第三推荐模块可以用于在目标资源榜单中选择第三推荐资源。
在本公开一些实施例中，该资源推荐装置400还可以包括第二计算模块和偏好确定模块。
该第二计算模块可以用于计算相似用户群体和非相似用户群体针对候选资源集合的偏好差异指数。
该偏好确定模块可以用于若偏好差异指数满足预设的差异检测条件，则确定相似用户群体和非相似用户群体针对候选资源集合的偏好不相似。
在本公开一些实施例中，该第二计算模块可以包括第三计算单元和第四计算单元。
该第三计算单元可以用于计算相似用户群体针对候选资源集合的第一偏好指数和非相似用户群体针对候选资源集合的第二偏好指数。
该第四计算单元可以用于将第一偏好指数与第二偏好指数的差值作为偏好差异指数。
在本公开一些实施例中，差异检测条件可以包括偏好差异指数大于或等于第一预设阈值。
在本公开一些实施例中，该第三计算单元可以包括第一计算子单元、第二计算子单元和第三计算子单元。
该第一计算子单元可以用于计算相似用户群体对候选资源集合中的各个候选资源的第一偏好值和非相似用户群体对候选资源集合中的各个候选资源的第二偏好值。
该第二计算子单元可以用于将各个第一偏好值之和作为第一偏好指数。
该第三计算子单元可以用于将各个第二偏好值之和作为第二偏好指数。
在本公开一些实施例中，该第二计算模块还可以包括第五计算单元和第六计算单元。
该第五计算单元可以用于计算相似用户群体和非相似用户群体针对候选资源集合中的各个候选资源的偏好差异值，偏好差异值包括熵值或基尼系数。
该第六计算单元可以用于将各个偏好差异值的平均值作为偏好差异指数。
在本公开一些实施例中，差异检测条件可以包括偏好差异指数小于或等于第二预设阈值。
在本公开一些实施例中，该资源推荐装置400还可以包括向量构造模块和第四推荐模块。
该向量构造模块可以用于在接收目标用户发送的访问请求之后，在目标用户的用户类型不是目标类型的情况下，根据历史行为数据，构造目标用户的用户特征向量。
该第四推荐模块可以用于根据用户特征向量，在候选资源集合中选择第四推荐资源。
在本公开一些实施例中，该第四推荐模块可以包括第一获取单元、第七计算单元和资源选择单元。
该第一获取单元可以用于获取候选资源集合中的各个候选资源的资源特征向量。
该第七计算单元可以用于计算每个资源特征向量与用户特征向量的向量相似度。
该资源选择单元可以用于根据向量相似度，在候选资源集合中选择第四推荐资源。
在本公开一些实施例中，该资源推荐装置400还可以包括数据查询模块、第一确定模块和第二确定模块。
该数据查询模块可以用于查询目标用户在预设历史时长内的历史行为数据。
该第一确定模块可以用于若未查询到历史行为数据，则确定目标用户的用户类型为目标类型。
该第二确定模块可以用于若查询到历史行为数据，则确定目标用户的用户类型不是目标类型。
在本公开一些实施例中，该群体确定模块420可以包括第二获取单元和用户划分单元。
该第二获取单元可以用于获取目标用户的用户标签。
该用户划分单元可以用于根据目标用户的用户标签，对多个预设用户进行用户群体划分，得到相似用户群体和非相似用户群体，相似用户群体中各个用户的用户标签均包括目标用户的用户标签，非相似用户群体中各个用户的用户标签均至少部分不包括目标用户的用户标签。
需要说明的是，图4所示的资源推荐装置400可以执行图1至图3所示的方法实施例中的各个步骤，并且实现图1至图3所示的方法实施例中的各个过程和效果，在此不做赘述。
图5示出了本公开实施例提供的一种资源推荐设备的结构示意图。
在本公开一些实施例中，图5所示的资源推荐设备可以为服务器设备。具体地，该服务器设备可以包括具有存储及计算功能的服务器设备或服务器集群设备。
如图5所示，该资源推荐设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地，上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器502可以包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。在特定实施例中，存储器502包括只读存储器(Read-Only Memory，ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable ROM，PROM)、可擦除PROM(Electrical Programmable ROM，EPROM)、电可擦除PROM(Electrically ErasableProgrammable ROM，EEPROM)、电可改写ROM(Electrically Alterable ROM，EAROM)或闪存，或者两个或及其以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令，以执行本公开实施例所提供的资源推荐方法的步骤。
在一个示例中，该资源推荐设备还可包括收发器503和总线504。其中，如图5所示，处理器501、存储器502和收发器503通过总线504连接并完成相互间的通信。
总线504包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(ExtendedIndustry Standard Architecture，EISA)总线、前端总线(Front Side BUS，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industrial Standard Architecture，ISA)总线、无限带宽互连、低引脚数(Low Pin Count，LPC)总线、存储器总线、微信道架构(MicroChannel Architecture，MCA)总线、外围控件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment，SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线504可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本公开实施例还提供了一种计算机可读存储介质，该存储介质可以存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现本公开实施例所提供的资源推荐方法。
上述的存储介质可以例如包括计算机程序指令的存储器502，上述指令可由资源推荐设备的处理器501执行以完成本公开实施例所提供的资源推荐方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(Random Access Memory，RAM)、光盘只读存储器(Compact Disc ROM，CD-ROM)、磁带、软盘和光数据存储设备等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种资源推荐方法，其特征在于，包括：
接收目标用户发送的访问请求；
在所述目标用户的用户类型为目标类型的情况下，确定所述目标用户的相似用户群体和非相似用户群体，所述目标类型表征所述目标用户在预设历史时长内无历史行为数据；
若所述相似用户群体和所述非相似用户群体针对候选资源集合的偏好不相似，则根据所述相似用户群体对所述候选资源集合中的各个候选资源的第一偏好值，在所述候选资源集合中选择第一推荐资源。
2.根据权利要求1所述的方法，其特征在于，在所述确定所述目标用户的相似用户群体和非相似用户群体之后，所述方法还包括：
若所述相似用户群体和所述非相似用户群体针对候选资源集合的偏好相似，则获取与所述候选资源集合相关的多个资源榜单；
在所述多个资源榜单包含至少一个共同资源的情况下，计算每个所述共同资源的资源评分；
根据所述资源评分，在所述至少一个共同资源中选择第二推荐资源。
3.根据权利要求2所述的方法，其特征在于，所述计算每个所述共同资源的资源评分，包括：
计算每个所述共同资源在每个所述资源榜单对应的评选范围下的资源子评分；
针对每个所述共同资源，对所述共同资源对应的各个所述资源子评分进行加权求和，得到所述共同资源的资源评分。
4.根据权利要求2所述的方法，其特征在于，在所述获取与所述候选资源集合相关的多个资源榜单之后，所述方法还包括：
在所述多个资源榜单不包含所述共同资源的情况下，在所述多个资源榜单中，选择评选范围最小的目标资源榜单；
在所述目标资源榜单中选择第三推荐资源。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
计算所述相似用户群体和所述非相似用户群体针对所述候选资源集合的偏好差异指数；
若所述偏好差异指数满足预设的差异检测条件，则确定所述相似用户群体和所述非相似用户群体针对所述候选资源集合的偏好不相似。
6.根据权利要求5所述的方法，其特征在于，所述计算所述相似用户群体和所述非相似用户群体针对所述候选资源集合的偏好差异指数，包括：
计算所述相似用户群体针对所述候选资源集合的第一偏好指数和所述非相似用户群体针对所述候选资源集合的第二偏好指数；
将所述第一偏好指数与所述第二偏好指数的差值作为所述偏好差异指数；
其中，所述差异检测条件包括偏好差异指数大于或等于第一预设阈值。
7.根据权利要求6所述的方法，其特征在于，所述计算所述相似用户群体针对所述候选资源集合的第一偏好指数和所述非相似用户群体针对所述候选资源集合的第二偏好指数，包括：
计算所述相似用户群体对所述候选资源集合中的各个候选资源的第一偏好值和所述非相似用户群体对所述候选资源集合中的各个候选资源的第二偏好值；
将各个所述第一偏好值之和作为所述第一偏好指数；
将各个所述第二偏好值之和作为所述第二偏好指数。
8.一种资源推荐装置，其特征在于，包括：
请求接收模块，用于接收目标用户发送的访问请求；
群体确定模块，用于在所述目标用户的用户类型为目标类型的情况下，确定所述目标用户的相似用户群体和非相似用户群体，所述目标类型表征所述目标用户在预设历史时长内无历史行为数据；
第一推荐模块，用于若所述相似用户群体和所述非相似用户群体针对候选资源集合的偏好不相似，则根据所述相似用户群体对所述候选资源集合中的各个候选资源的第一偏好值，在所述候选资源集合中选择第一推荐资源。
9.一种资源推荐设备，其特征在于，包括：
处理器；
存储器，用于存储可执行指令；
其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-7中任一项所述的资源推荐方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现上述权利要求1-7中任一项所述的资源推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210615703.XA CN117216358A (zh) | 2022-05-31 | 2022-05-31 | 资源推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210615703.XA CN117216358A (zh) | 2022-05-31 | 2022-05-31 | 资源推荐方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117216358A true CN117216358A (zh) | 2023-12-12 |
Family
ID=89037601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210615703.XA Pending CN117216358A (zh) | 2022-05-31 | 2022-05-31 | 资源推荐方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216358A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743692A (zh) * | 2024-01-17 | 2024-03-22 | 深圳市星潮热点传播股份有限公司 | 一种个性化内容推荐的方法及装置 |
| CN118797176A (zh) * | 2024-09-13 | 2024-10-18 | 深圳市中农网有限公司 | 一种大数据联盟算法的云平台搭建方法及系统 |
-
2022
- 2022-05-31 CN CN202210615703.XA patent/CN117216358A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743692A (zh) * | 2024-01-17 | 2024-03-22 | 深圳市星潮热点传播股份有限公司 | 一种个性化内容推荐的方法及装置 |
| CN118797176A (zh) * | 2024-09-13 | 2024-10-18 | 深圳市中农网有限公司 | 一种大数据联盟算法的云平台搭建方法及系统 |
| CN118797176B (zh) * | 2024-09-13 | 2024-12-06 | 深圳市中农网有限公司 | 一种大数据联盟算法的云平台搭建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109166017B (zh) | 基于重聚类的推送方法、装置、计算机设备及存储介质 | |
| CN109360057B (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
| WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN102799591B (zh) | 一种提供推荐词的方法及装置 | |
| WO2016196857A1 (en) | Entity classification and/or relationship identification | |
| US20210110458A1 (en) | Faceted item recommendation system | |
| CN111325609A (zh) | 一种商品推荐列表确定方法、装置、电子设备及存储介质 | |
| CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN111310046B (zh) | 对象推荐方法及装置 | |
| CN117216358A (zh) | 资源推荐方法、装置、设备及介质 | |
| CN103425664A (zh) | 一种对实体数据单元进行搜索、显示的方法和设备 | |
| CN104899201A (zh) | 文本提取方法、敏感词判定方法、装置和服务器 | |
| US20180150754A1 (en) | Data analysis method, system and non-transitory computer readable medium | |
| CN105045835B (zh) | 信息搜索方法和装置 | |
| CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
| CN111930967B (zh) | 一种基于知识图谱的数据查询方法、装置及存储介质 | |
| CN110020209B (zh) | 内容和搜索词的相关性确定方法及系统、展示方法及系统 | |
| CN103514187B (zh) | 一种提供搜索结果的方法及装置 | |
| CN111159545A (zh) | 推荐房源确定方法及装置、房源推荐方法及装置 | |
| CN110287492A (zh) | 数据处理及主类别识别方法、装置、电子设备及存储介质 | |
| CN115601103A (zh) | 一种物品信息展示方法和装置 | |
| KR102323424B1 (ko) | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 | |
| CN113763070A (zh) | 信息推荐方法和装置 | |
| US20130054364A1 (en) | Offer selection system | |
| CN111831130A (zh) | 输入内容的推荐方法、终端设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |