智能推薦的全端顯示方法及裝置的制造方法
【專利摘要】本發明實施例提供一種智能推薦的全端顯示方法及裝置。當檢測到任意設備端有用戶數據更新時，獲取更新數據以及用戶識別信息；根據所述更新數據結合預先訓練的興趣模型計算推薦結果，并將所述推薦結果與用戶識別信息對應存入服務器中；當檢測到任意設備端取推薦信息時，獲取用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。實現了智能推薦在各個設備端的統一，方便用戶在全端獲取信息。
【專利說明】
智能推薦的全端顯示方法及裝置
技術領域
[0001]本發明實施例涉及視頻技術領域，尤其涉及一種智能推薦的全端顯示方法及裝置。
【背景技術】
[0002]互聯網的出現和普及給用戶帶來了大量的信息，滿足了用戶在信息時代對信息的需求，但隨著網絡的迅速發展而帶來的網上信息量的大幅增長，使得用戶在面對大量信息時無法從中獲得對自己真正有用的那部分信息，因此導致用戶對信息的使用效率反而降低了，即所謂的信息超載。例如，隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息超載問題中的消費者不斷流失。
[0003]目前，智能推薦系統的出現是解決信息超載問題的一個非常有潛力的方法。智能推薦系統是一個根據用戶的信息需求、興趣等，將用戶感興趣的信息、產品等推薦給用戶的個性化信息推薦系統。與傳統的搜索引擎相比，智能推薦系統通過研究用戶的興趣偏好，進行個性化計算，由系統發現用戶的興趣點，從而引導用戶發現自己的信息需求。一個好的推薦系統不僅能為用戶提供個性化的服務，還能和用戶之間建立密切關系，讓用戶對推薦產生依賴。
[0004]隨著智能設備的種類的逐漸增多，智能推薦在更多設備端上有了用武之地，但是由于智能推薦系統應用在各端的相關位置，對于同一用戶，位于不同設備端的智能推薦結果不同，因此很難準確捕捉用戶行為。若是不能準確捕捉用戶的行為，則會導致在用戶興趣度模型建立的時候產生偏差，從而影響智能推薦系統的質量。比如，樂視集團目前涵蓋PC，APP，TV等端，對于視頻的智能推薦，若是各端的推薦內容不統一將會影響用戶觀影體驗，甚至有可能在一定程度上影響用戶對視頻的依賴性。
[0005]因此，一種新的智能推薦在全端展示的方法亟待提出。

【發明內容】

[0006]本發明實施例提供一種智能推薦的全端顯示方法及裝置，用以解決現有技術中智能推薦在不同設備端推薦內容不統一的缺陷，實現了智能推薦在全端的同一顯示。
[0007]本發明實施例提供一種智能推薦的全端顯示方法，包括:
[0008]當檢測到任意設備端有用戶數據更新時，獲取更新數據以及用戶識別信息；
[0009]根據所述更新數據計算推薦結果，并將所述推薦結果與用戶識別信息對應存入服務器中；
[0010]當檢測到任意設備端獲取推薦信息時，獲取用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。
[0011]本發明實施例提供一種智能推薦的全端顯示裝置，包括:
[0012]數據獲取模塊，當檢測到任意設備端有用戶數據更新時，用于獲取更新數據以及用戶識別信息；
[0013]計算模塊，用于根據所述更新數據結合預先訓練的興趣模型計算推薦結果，并將所述推薦結果與用戶識別信息對應存入服務器中；
[0014]推薦模塊，當檢測到任意設備端獲取推薦信息時，用于獲取用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。
[0015]本發明實施例提供的智能推薦的全端顯示方法及裝置，通過各個設備端對用戶的行為進行捕捉從而建立用戶興趣模型，并根據興趣模型將推薦結果存在同一服務器中，輔以用戶識別信息，當通過不同設備端向用戶進行信息推薦時，從同一服務器拉取數據，由此實現了智能推薦在各個端的統一，方便用戶在全端獲取信息。與此同時，通過各個設備端可以更準確地捕捉豐富的用戶行為信息，將之用于訓練用戶興趣模型，可以為后續的推薦提供更加準確的信息。
【附圖說明】
[0016]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0017]圖1為本發明實施例一的技術流程圖；
[0018]圖2為本發明實施例二的技術流程圖；
[0019]圖3是本發明實施例三的技術流程圖；
[0020]圖4為本發明實施例四的裝置結構示意圖。
【具體實施方式】
[0021]為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0022]需要說明的是，本發明所述的“服務器”并非指一臺服務器設備，為了保證服務器的負載均衡，服務器可以有多個子節點構成，因此應當理解，本發明各實施例中所述的服務器是指由多臺服務器設備構成的服務器集群。
[0023]本發明實施例的智能推薦方法，適用于所有需要信息推薦的系統，如視頻推薦或是電子商務中商品推薦以及其他類型的智能推薦場景。
[0024]實施例一
[0025]圖1是本發明實施例一的技術流程圖，結合圖1，本發明實施例一種智能推薦的全端顯示方法，在服務器端主要由以下的步驟實現:
[0026]步驟110:當檢測到任意設備端有用戶數據更新時，獲取更新數據以及用戶識別信息;
[0027]本發明實施例中的所述數據更新可以包括用戶對現有信息的操作、用戶的訪問足跡、搜索內容、用戶在某一界面停留的時間等。例如在視頻播放設備中，獲取用戶對現有展示視頻的選擇情況，用戶的觀看類型以及用戶發起搜索的視頻名稱以及發起搜索的視頻分類，用戶對某部影片的分享及評分情況等;在電子商務中，可以是用戶選擇的商品品牌、商品類型、對某一商品的瀏覽時間、使用評價等等。
[0028]獲取用戶識別信息目的在于，將用戶的賬號信息與用戶數據唯一對應地保存在服務器中，從而，當用戶用同一賬號登錄各設備端時，生成的個性化推薦主題順序、主題內推薦信息排序與用戶的興趣度相關并且各設備端數據保持一致。若用戶在瀏覽信息時處于未登錄狀態或，則可獲取用戶的IP地址，建立用戶數據與唯一 IP地址的對應關系，從而也能實現用戶興趣的捕捉以及相關推薦。本發明實施例中的所述設備端包括Web端，手機端以及TV端等，這些設備通常有一個唯一的識別號，因此，本發明實施例還可以通過設備識別號與相應的用戶關聯，通過建立用戶數據與設備識別號的對應關系進行用戶興趣的捕捉與推薦。
[0029]步驟120:根據所述更新數據計算推薦結果，并將所述推薦結果與用戶識別信息對應存入服務器中；
[0030]可選地，需要結合預先訓練的興趣模型計算推薦結果;根據用戶的所述更新數據可以判斷出用戶的興趣點所在，即用戶感興趣的信息包括哪些特征，并跟據所述特征尋找用戶可能會感興趣的信息。例如，在使用視頻播放客戶端時，用戶搜索電視劇為某一諜戰劇且觀看時間較長，后臺檢測到用戶的搜索結果，并對這部諜戰劇進行特征分析，得到故事主題，風格定位，背景年代，情節等方面。
[0031]本發明實施例中，所述特征分析通過查詢預先建立的特征標簽實現。根據所述查詢到的特征標簽，調用服務器中預先訓練的興趣模型進行匹配，得到相應的推薦結果，并將獲取到的用戶識別信息與推薦結果對應地保存在服務器中用于后續信息拉取。
[0032]步驟130:當檢測到任意設備端取推薦信息時，獲取用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。
[0033]本發明實施例的核心在于，位于各設備端的用戶推薦系統使用同一服務器數據，而這些服務器數據可以由多個服務器來承載，其中服務器的數量不做限制。當用戶需要讀取推薦結果時，不管是Web端，App，還是TV端，均從統一的服務器數據中記錄的推薦結果中拉取信息，從而保證推薦結果在不同客戶端的一致性。本實施例中，實時檢測用戶的操作數據，并與用戶的賬號信息結合，使用預先建立的興趣模型計算用戶個性化的推薦結果，將推薦結果存入統一的服務器，實現了為用戶進行信息推薦時，在各個設備端有相同的推薦結果，方便用戶對于信息的獲取，提升了用戶體驗。
[0034]實施例二
[0035]圖2是本發明實施例二對應的技術流程圖，結合圖2，本發明實施例一種智能推薦的全端顯示方法中，訓練興趣模型的過程如下:
[0036]步驟:210:對每一個待推薦的目標信息建立特征標簽；
[0037]本發明實施例中，信息推薦的關鍵在于根據待推薦信息的特征標簽建立用戶興趣模型，其中，特征標簽是待推薦信息的特征標記，每一條推薦信息對應的特征標簽的數量不做限制，可以固定為某個數值，也可以根據推薦信息的特征決定，但是這一特征標簽需盡可能覆蓋待推薦信息的所有特征，這樣才能夠實現更加精確的信息推薦。例如，在視頻信息分類中，視頻特征標簽可以是“喜劇”、“港臺”、“冒險”、“偶像”、“動漫”、“抗戰”、“民國”等等，這些標簽一定程度上代表了視頻的實際特征。當然視頻標簽還包括視頻固有屬性的自動轉化，例如:主演、導演等，同樣對于某一商品，其商品標簽也包括其品牌、產地等固有屬性的轉化。
[0038]步驟220:根據所述特征標簽計算每個所述目標信息之間的相似度；
[0039]本實施例中，相似度的計算為用戶歷史行為與待推薦信息之間的相似度計算，其目的在于，計算用戶興趣，找到與用戶歷史行為相關的最相似的部分信息。若用戶的歷史數據較少或者用戶愛好較為單一，則可能產生許多單特征標簽的推薦信息，如“喜劇電影”或者“黃渤主演的電影”。具體地，首先根據用戶的歷史數據分析得到用戶感興趣的信息，查找所述用戶感興趣的信息對應的特征標簽作為參考特征標簽，計算所述待推薦目標信息的特征標簽與所述參考特征標簽之間的相似度，根據所述相似度向用戶推薦可能感興趣的信息。其中，用戶的歷史行為包括用戶在一段時間范圍內在各個設備端的產生的信息獲取記錄。
[0040]本發明實施例中以所述特征標簽作為所述相似度計算的維度，根據向量距離計算方法計算所述相似度。
[0041]具體地，本發明實施例采用余弦相似度計算兩個特征標簽之間的相似度。余弦相似度，又稱為余弦相似性，其原理在于通過計算兩個向量的夾角余弦值來評估他們的相似度。首先將向量根據坐標值，繪制到向量空間中，如最常見的二維空間；其次求得他們的夾角，并得出夾角對應的余弦值，此余弦值就可以用來表征，這兩個向量的相似性。余弦值的范圍在[-1，I]之間，值越趨近于I，代表兩個向量的方向越趨近于0，他們的方向更加一致。相應的相似度也越高。
[0042]本實施例中，相似度的計算方法也可以采用Jaccard相似度以及皮爾森相關系數計算方法。
[0043]所述Jaccard相似度是指狹義Jaccard相似。對集合A和B，Jaccard相似度計算如T:Jaccard(A1B)=|A intersect B|/|A un1n B
[0044]相似度數值在[0,1]之間，當厶==8的時候，如(^1(1(厶，8)為1。
[0045]所述皮爾森相關系數(Pearsonproduct-moment correlat1n coefficient)，用于度量兩個變量X和Y之間的相關(線性相關)，其值介于-1與I之間，其中，I表示變量完全正相關，O表示無關，-1表示完全負相關。它是由卡爾.皮爾遜從弗朗西斯.高爾頓在19世紀80年代提出的一個相似卻又稍有不同的想法演變而來的。
[0046]步驟230:根據所述相似度建立所述興趣模型。本發明實施例采用興趣模型建立方法包括協同過濾，矩陣分解，基于圖的模型，LFM(Latent factor model，隱語義模型)以及邏輯回歸等。本發明實施例對算法的使用不做限制，因只有通過算法的不斷迭代才能找到最適合的推薦算法。
[0047]協同過濾(CollaborativeFiltering reco_endat1n，簡稱CF)包括item-basedCF以及user-based CF。基于item的協同過濾，通過用戶對不同item的評分來評測item之間的相似性，基于i tem之間的相似性做出推薦;基于user的協同過濾，通過不同用戶對i tem的評分來評測用戶之間的相似性，基于用戶之間的相似性做出推薦。例如，在視頻推薦系統中，協同過濾主要是基于用戶相似性或者影片相似性，例:“喜歡這部片的人也喜歡” “你喜歡的同類影片”都是基于協同過濾。邏輯回歸算法首先需要利用梯度下降法或者隨機梯度下降法等其他方法訓練待分類信息特征標簽的相應權重模型，當然這個權重訓練是以收集到的用戶歷史行為為基準不斷訓練得到最終模型;然后再利用sigmod函數綜合相關特征標簽得到一個用戶與特征標簽的關聯值，所述關聯值的取值范圍在O到I之間。可以抽象的理解為當所述關聯值為O到0.5之間時，表示用戶對此特征標簽對應信息的興趣度不高，而當值在0.5到I之間時表示用戶對此特征標簽對應信息有較高的興趣。因此可以推薦出此類興趣度較高的模型，并且可以利用協同過濾算法對興趣度以及熱度較高的主題排序，越在前面的主題，用戶興趣度越高。與此同時，對于同一個主題，主題內目前可展示一定數量的推薦信息，所述推薦信息如何展示，例如其前后排序也是基于推薦模型得到的。
[0048]需要說明的是，本發明實施例中，興趣模型根據用戶的行為不斷更新。在推薦信息顯示在相應的設備端之后，監測用戶對所述推薦信息的操作結果，并將所述操作結果與所述用戶識別信息對應存入所述服務器中用以更新所述興趣模型。每一次用戶的操作數據以及對推薦信息的選擇情況都是新的數據，根據這些數據不斷地更新訓練興趣模型，從而為用戶提供更加個精準性化的信息推薦。
[0049]本實施例中，通過對待推薦的信息建立特征標簽并采用推薦算法建立用戶興趣模型，從而可以根據用戶的更新數據為用戶計算出符合用戶興趣的信息，有效地為用戶進行信息過濾。
[0050]實施例三
[0051]圖3是本發明實施例三對應的技術流程圖，結合圖3，本發明實施例一種智能推薦的全端顯示方法中，訓練興趣模型中，根據所述特征標簽計算每個所述目標信息之間的相似度的另一實施例還包括如下的實施過程:
[0052]步驟310:根據用戶的歷史瀏覽行為將一定數量的所述特征標簽建立組合標簽，并根據所述組合標簽生成主題板塊；
[0053]需要說明的是，本發明實施例中，若是用戶的歷史數據較多，可以根據用戶的歷史瀏覽行為將一定數量的所述特征標簽生成有一定主題的組合標簽，并以主題版塊的形式向用戶推薦。組合標簽的生成規則根據用戶的歷史數據設置，例如，對于某一用戶在觀看影片時，對特征標簽為黃渤的電影觀看數據較多，評分高且分享次數多，與此同時，這些特征標簽為黃渤的電影還同時具有“喜劇”或是“搞笑”等特征標簽，則可“演員+電影類型”作為生成規則生成組合標簽，這樣可以生成如下主題版塊:“黃渤主演的喜劇電影”。
[0054]步驟320:計算所述組合標簽之間的相似度，并根據所述相似度調整各所述主題板塊。
[0055]本步驟中，對所述主題板塊的調整包括同一主題板塊之內，各個待推薦的目標信息之間的排序以及各個不同的主題板塊之間排序的調整。
[0056]本步驟中，計算組合標簽生成的主題之間的相似度計算主要是為了顯示頁面上各主題版塊之間的去重以及同一主題內多個推薦信息之間的顯示排序。例如“周星馳主演的喜劇片”和“周星馳主演的搞笑片”，二者差別并不大，但是若將二者分為兩個推薦版塊向用戶進行推薦，則浪費了顯示空間且用戶使用體驗不佳。因此，本發明實施例中，可以根據兩個主題組合標簽之間的相似度計算，去除重復的主題版塊。“周星馳主演的喜劇片”和“周星馳主演的搞笑片”，在機器識別時，這是兩個主題，被分成兩個推薦版塊。但是經過相似性計算，這兩個主題應當被劃分在同一個推薦版塊中，從而合理化推薦頁面的顯示空間并且能夠為用戶提供更精簡的視頻信息推薦。
[0057]除此之外，若是同一主題的推薦版塊中包含多個待推薦的目標信息，如何排列這多個目標信息是提升用戶使用體驗的關鍵。本發明實施例中，分別計算同一主題版塊內的多個待推薦的目標信息與版塊主題的相似度，并將這同一推薦版塊中的待推薦目標信息按照相似度的高低排序，從而將用戶最感興趣的信息首先展示給用戶，極大提升了推薦的質量。需要說明的是，本發明實施例中主題板塊之間排序的調整，主要根據用戶在預設時間段內的歷史數據進行調整。具體實現時，首先檢測在所述預設時間段內，計算用戶對各個主題板塊的信息興趣度得分，比如，通過用戶對各主題板塊的瀏覽量、瀏覽時間、對這一主題板塊內信息分享次數以及評價，綜合這些數據對每個所述主題版塊打分，得到打分成績后，按照打分成績降序將每個所述主題板塊展示給用戶。當然，需要說明的是，所述主題板塊的排序根據用戶的數據不斷更新調整，從而實現了對用戶興趣的進一步挖掘跟蹤，并在一定程度上增加了用戶對信息推薦的依賴性。
[0058]本實施例中，根據用戶的歷史數據，將多個單一標簽生成主題推薦版塊，對信息進行進一步地過濾，使得推薦結果更加符合用戶的興趣;與此同時，通過計算組合標簽之間的相似度，實現了特征相似的推薦信息之間的合并以及根據用戶的興趣度將推薦信息進行排序，進一步提升了用戶體驗。
[0059]實施例四
[0060]圖4是本發明實施例四的裝置結構示意圖，結合圖4，本發明實施例一種智能推薦的全端顯示裝置，主要包括如下的模塊:數據獲取模塊410、計算模塊420、推薦模塊430以及模型訓練模塊440。
[0061 ]所述數據獲取模塊410，當檢測到任意設備端有用戶數據更新時，用于獲取更新數據以及用戶識別信息；
[0062]所述計算模塊420，與所述數據獲取模塊410相連接，用于根據所述更新數據計算推薦結果，并將所述推薦結果與用戶識別信息對應存入服務器中；
[0063]可選地，計算模塊420可以根據所述更新數據，結合預先訓練的興趣模型計算推薦結果。
[0064]所述推薦模塊430，當檢測到任意設備端獲取推薦信息時，用于獲取用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。
[0065]進一步地，所述模型訓練模塊440與所述計算模塊420相連，用于對每一個待推薦的目標信息建立特征標簽，根據所述特征標簽計算所述目標信息之間的相似度;根據所述相似度建立所述興趣模型。
[0066]進一步地，所述模型訓練模塊440用于根據一定數量的所述特征標簽建立組合標簽，計算所述組合標簽之間的相似度。
[0067]進一步地，所述用戶識別信息具體可以包括:用戶賬號、IP地址、設備識別號中的至少一個。
[0068]進一步地，所述數據獲取模塊410與所述模型訓練模塊440相連接，還用于在所述推薦信息顯示在相應的設備端之后，監測用戶對所述推薦信息的操作結果，并將所述操作結果與所述用戶識別信息對應存入所述服務器中用以更新所述興趣模型。
[0069]圖4所示裝置可以執行圖1、圖2以及圖3所示實施例的方法，實現原理和技術效果參考圖1、圖2以及圖3所示實施例，不再贅述。
[0070]以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性的勞動的情況下，即可以理解并實施。
[0071]通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到各實施方式可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件。基于這樣的理解，上述技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品可以存儲在計算機可讀存儲介質中，如R0M/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機裝置(可以是個人計算機，服務器，或者網絡裝置等)執行各個實施例或者實施例的某些部分所述的方法。
[0072]最后應說明的是:以上實施例僅用以說明本發明的技術方案，而非對其限制;盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
【主權項】
1.一種智能推薦的全端顯示方法，其特征在于，包括如下的步驟: 當檢測到任意設備端有用戶數據更新時，獲取更新數據以及用戶識別信息； 根據所述更新數據獲取推薦結果，并將所述推薦結果與所述用戶識別信息對應存入服務器中； 當檢測到任意設備端獲取推薦信息時，獲取所述用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。2.根據權利要求1所述的方法，其特征在于，所述方法包括，預先采用如下步驟訓練所述興趣t吳型: 對每一個待推薦的目標信息建立特征標簽，根據所述特征標簽計算所述目標信息之間的相似度； 根據所述相似度建立所述興趣模型。3.根據權利要求2所述的方法，其特征在于，根據所述特征標簽計算每個所述目標信息之間的相似度，進一步包括: 根據一定數量的所述特征標簽建立組合標簽，計算所述組合標簽之間的相似度。4.根據權利要求1所述的方法，其特征在于，所述用戶識別信息具體包括: 用戶賬號、IP地址、設備識別號中的至少一個。5.根據權利要求1所述的方法，其特征在于，所述方法進一步包括: 將所述推薦信息顯示在相應的設備端之后，監測用戶對所述推薦信息的操作結果，并將所述操作結果與所述用戶識別信息對應存入所述服務器中用以更新所述興趣模型。6.一種智能推薦的全端顯示裝置，其特征在于，包括如下的模塊: 數據獲取模塊，當檢測到任意設備端有用戶數據更新時，用于獲取更新數據以及用戶識別?目息; 計算模塊，用于根據所述更新數據計算推薦結果，并將所述推薦結果與所述用戶識別信息對應存入服務器中； 推薦模塊，當檢測到任意設備端獲取推薦信息時，用于獲取所述用戶識別信息，從所述服務器中讀取與所述用戶識別信息對應的所述推薦結果，從所述推薦結果中拉取相應的所述推薦信息，并將所述推薦信息顯示在相應的設備端。7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括模型訓練模塊，所述模型訓練模塊用于: 對每一個待推薦的目標信息建立特征標簽，根據所述特征標簽計算所述目標信息之間的相似度； 根據用戶的歷史數據以及所述相似度建立所述興趣模型。8.根據權利要求7所述的裝置，其特征在于，所述模型訓練模塊用于: 根據一定數量的所述特征標簽建立組合標簽，計算所述組合標簽之間的相似度。9.根據權利要求6所述的裝置，其特征在于，所述用戶識別信息具體包括: 用戶賬號、IP地址、設備識別號中的至少一個。10.根據權利要求6所述的裝置，其特征在于，所述數據獲取模塊還用于: 在所述推薦信息顯示在相應的設備端之后，監測用戶對所述推薦信息的操作結果，并將所述操作結果與所述用戶識別信息對應存入所述服務器中用以更新所述興趣模型。
【文檔編號】G06Q30/02GK105913273SQ201510926158
【公開日】2016年8月31日
【申請日】2015年12月14日
【發明人】唐雪
【申請人】樂視網信息技術（北京）股份有限公司