【
技術(shù)領(lǐng)域：
】本申請(qǐng)涉及互聯(lián)網(wǎng)
技術(shù)領(lǐng)域：
，尤其涉及一種信息推薦方法及裝置。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，用戶可以從網(wǎng)站上獲取的內(nèi)容(簡稱為網(wǎng)絡(luò)對(duì)象)越來越多。在用戶瀏覽網(wǎng)站選擇網(wǎng)絡(luò)對(duì)象的過程中，網(wǎng)站推薦系統(tǒng)起著十分重要的作用，特別是對(duì)于不具有明確需求的用戶，很可能會(huì)直接選擇網(wǎng)站推薦系統(tǒng)所推薦的網(wǎng)絡(luò)對(duì)象。一個(gè)高效的推薦系統(tǒng)，不僅可以方便用戶使用，提升網(wǎng)站自身價(jià)值，而且更重要的是能夠減少用戶漫無目的的瀏覽、點(diǎn)擊等行為，有利于減輕網(wǎng)站服務(wù)器的負(fù)擔(dān)，節(jié)約網(wǎng)絡(luò)帶寬資源。目前，越來越多的業(yè)務(wù)系統(tǒng)開始有自己的推薦系統(tǒng)。現(xiàn)有推薦系統(tǒng)都是針對(duì)特定業(yè)務(wù)場景的，其所需的數(shù)據(jù)流是固化的，而目前業(yè)務(wù)系統(tǒng)提供的業(yè)務(wù)類型在不斷增多，如果直接將現(xiàn)有推薦系統(tǒng)應(yīng)用于新業(yè)務(wù)中，需要重新接入與新業(yè)務(wù)有關(guān)的數(shù)據(jù)，這種實(shí)現(xiàn)代價(jià)極高，所以現(xiàn)有推薦系統(tǒng)的通用性較差，無法直接應(yīng)用于多種業(yè)務(wù)場景，無法滿足業(yè)務(wù)種類不斷增多的應(yīng)用需求。技術(shù)實(shí)現(xiàn)要素：本申請(qǐng)的多個(gè)方面提供一種信息推薦方法及裝置，用以提供一種通用性更強(qiáng)的推薦方法，以適應(yīng)各種業(yè)務(wù)場景。本申請(qǐng)的一方面，提供一種信息推薦方法，包括：按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)；按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型；根據(jù)待推薦業(yè)務(wù)場景，從所述至少一種推薦數(shù)據(jù)模型中，獲取所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)；根據(jù)所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦。在本申請(qǐng)一可選實(shí)施方式中，所述按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)，包括：實(shí)時(shí)采集所述用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑、用戶標(biāo)識(shí)以及用戶行為類型，以形成所述實(shí)時(shí)用戶行為數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型，包括：從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，其中，所述行為對(duì)象為所述用戶行為涉及的網(wǎng)絡(luò)對(duì)象或所述用戶行為涉及的網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑上的節(jié)點(diǎn)；根據(jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得所述至少一種推薦數(shù)據(jù)模型。在本申請(qǐng)一可選實(shí)施方式中，所述從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，包括：根據(jù)所述用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)，將包括相同業(yè)務(wù)標(biāo)識(shí)的實(shí)時(shí)用戶行為數(shù)據(jù)劃入一個(gè)數(shù)據(jù)分組；從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)每個(gè)數(shù)據(jù)分組內(nèi)的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得每個(gè)數(shù)據(jù)分組中各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得所述至少一種推薦數(shù)據(jù)模型，包括：根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求、用戶偏好推薦需求、網(wǎng)絡(luò)對(duì)象熱度推薦需求以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求中的至少一種推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型，包括：從網(wǎng)絡(luò)對(duì)象的維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行組織管理，以獲得各網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)用戶偏好推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得用戶偏好推薦數(shù)據(jù)模型，包括：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)網(wǎng)絡(luò)對(duì)象熱度推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型，包括：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分；根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分，包括：對(duì)每個(gè)用戶，對(duì)所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)進(jìn)行加權(quán)求和，以獲得所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分；按照時(shí)間衰減因子，對(duì)所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分進(jìn)行加權(quán)求和，以獲得所述用戶對(duì)各行為對(duì)象的偏好得分。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值，包括：對(duì)每個(gè)行為對(duì)象，對(duì)各用戶對(duì)所述行為對(duì)象的偏好得分進(jìn)行累加，以獲得所述行為對(duì)象的熱度值。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型，包括：從對(duì)象轉(zhuǎn)移的維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，以獲得至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)，所述行為對(duì)象轉(zhuǎn)移對(duì)表示同一用戶前后兩次用戶行為涉及的行為對(duì)象之間的轉(zhuǎn)移關(guān)系。在本申請(qǐng)一可選實(shí)施方式中，所述根據(jù)待推薦業(yè)務(wù)場景，從所述至少一種推薦數(shù)據(jù)模型中，獲取所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)，包括：當(dāng)所述待推薦業(yè)務(wù)場景為根據(jù)目標(biāo)用戶正在搜索的目標(biāo)行為對(duì)象向所述目標(biāo)用戶推薦行為對(duì)象時(shí)，從所述至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)中，獲取包含所述目標(biāo)行為對(duì)象且從所述目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)；所述根據(jù)所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦，包括：對(duì)所述至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中的每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)，根據(jù)所述目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的次數(shù)，計(jì)算所述候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；根據(jù)每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率，從所述至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中選擇目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)，將所述目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)中除所述目標(biāo)行為對(duì)象之外的行為對(duì)象推薦給所述目標(biāo)用戶。本申請(qǐng)的另一方面，提供一種信息推薦裝置，包括：實(shí)時(shí)采集模塊，用于按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)；模型計(jì)算模塊，用于按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型；參數(shù)提取模塊，用于根據(jù)待推薦業(yè)務(wù)場景，從所述至少一種推薦數(shù)據(jù)模型中，獲取所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)；信息推薦模塊，用于根據(jù)所述待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦。在本申請(qǐng)一可選實(shí)施方式中，所述實(shí)時(shí)采集模塊具體用于：實(shí)時(shí)采集所述用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑、用戶標(biāo)識(shí)以及用戶行為類型，以形成所述實(shí)時(shí)用戶行為數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述模型計(jì)算模塊包括：數(shù)據(jù)解析單元，用于從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)所述實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，其中，所述行為對(duì)象為所述用戶行為涉及的網(wǎng)絡(luò)對(duì)象或所述用戶行為涉及的網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑上的節(jié)點(diǎn)；模型處理單元，用于根據(jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得所述至少一種推薦數(shù)據(jù)模型。在本申請(qǐng)一可選實(shí)施方式中，所述數(shù)據(jù)解析單元具體用于：根據(jù)所述用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)，將包括相同業(yè)務(wù)標(biāo)識(shí)的實(shí)時(shí)用戶行為數(shù)據(jù)劃入一個(gè)數(shù)據(jù)分組；從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)每個(gè)數(shù)據(jù)分組內(nèi)的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得每個(gè)數(shù)據(jù)分組中各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元具體用于：根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求、用戶偏好推薦需求、網(wǎng)絡(luò)對(duì)象熱度推薦需求以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求中的至少一種推薦需求，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元在獲得所述網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型時(shí)，具體用于：從網(wǎng)絡(luò)對(duì)象的維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行組織管理，以獲得各網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元在獲得所述用戶偏好推薦數(shù)據(jù)模型時(shí)，具體用于：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元在獲得所述網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型時(shí)，具體用于：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分；根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元具體用于：對(duì)每個(gè)用戶，對(duì)所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)進(jìn)行加權(quán)求和，以獲得所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分；按照時(shí)間衰減因子，對(duì)所述用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分進(jìn)行加權(quán)求和，以獲得所述用戶對(duì)各行為對(duì)象的偏好得分。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元具體用于：對(duì)每個(gè)行為對(duì)象，對(duì)各用戶對(duì)所述行為對(duì)象的偏好得分進(jìn)行累加，以獲得所述行為對(duì)象的熱度值。在本申請(qǐng)一可選實(shí)施方式中，所述模型處理單元在獲得所述網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型時(shí)，具體用于：從對(duì)象轉(zhuǎn)移的維度，對(duì)所述各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，以獲得至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)；所述行為對(duì)象轉(zhuǎn)移對(duì)表示同一用戶前后兩次用戶行為涉及的行為對(duì)象之間的轉(zhuǎn)移關(guān)系。在本申請(qǐng)一可選實(shí)施方式中，所述參數(shù)提取模塊具體用于：當(dāng)所述待推薦業(yè)務(wù)場景為根據(jù)目標(biāo)用戶正在搜索的目標(biāo)行為對(duì)象向所述目標(biāo)用戶推薦行為對(duì)象時(shí)，從所述至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)中，獲取包含所述目標(biāo)行為對(duì)象且從所述目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)；所述信息推薦模塊具體用于：對(duì)所述至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中的每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)，根據(jù)所述目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的次數(shù)，計(jì)算所述候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；根據(jù)每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率，從所述至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中選擇目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)，將所述目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)中除所述目標(biāo)行為對(duì)象之外的行為對(duì)象推薦給所述目標(biāo)用戶。在本申請(qǐng)中，按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，實(shí)時(shí)采集網(wǎng)絡(luò)系統(tǒng)中的用戶行為，獲得實(shí)時(shí)用戶行為數(shù)據(jù)，按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型，當(dāng)需要進(jìn)行信息推薦時(shí)，可以根據(jù)待推薦業(yè)務(wù)場景從至少一種推薦數(shù)據(jù)模型中獲取參考數(shù)據(jù)，根據(jù)獲取的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦。由此可見，本申請(qǐng)基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范進(jìn)行數(shù)據(jù)采集，并基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯給出推薦數(shù)據(jù)模型，使得可以根據(jù)業(yè)務(wù)場景的不同，從推薦數(shù)據(jù)模型中選擇具體的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦，因此可以適用于各種業(yè)務(wù)場景，通用性較強(qiáng)。【附圖說明】為了更清楚地說明本申請(qǐng)實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)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申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本申請(qǐng)一實(shí)施例提供的信息推薦方法的流程示意圖；圖2為本申請(qǐng)另一實(shí)施例提供的數(shù)據(jù)投放框架示意圖；圖3為本申請(qǐng)又一實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)示意圖；圖4為本申請(qǐng)又一實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)示意圖。【具體實(shí)施方式】為使本申請(qǐng)實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。圖1為本申請(qǐng)一實(shí)施例提供的信息推薦方法的流程示意圖。如圖1所示，該方法包括：101、按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)。102、按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型。103、根據(jù)待推薦業(yè)務(wù)場景，從至少一種推薦數(shù)據(jù)模型中，獲取待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)。104、根據(jù)待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向待推薦業(yè)務(wù)場景進(jìn)行信息推薦。本實(shí)施例提供一種信息推薦方法，可由信息推薦裝置來執(zhí)行，用以提供一種通用性更強(qiáng)的推薦方法，以適應(yīng)于各種業(yè)務(wù)場景。在實(shí)際應(yīng)用中，由于大型網(wǎng)站的業(yè)務(wù)繁多，業(yè)務(wù)與業(yè)務(wù)之前的信息共用性不高。現(xiàn)有推薦系統(tǒng)都是針對(duì)特定業(yè)務(wù)場景的，其所需數(shù)據(jù)流是固化的，如果要將現(xiàn)有推薦系統(tǒng)直接接入一個(gè)數(shù)據(jù)異構(gòu)的新業(yè)務(wù)場景中，其實(shí)現(xiàn)成本是很高的。以電子商務(wù)領(lǐng)域中的應(yīng)用為例，假設(shè)要將一個(gè)用于推薦商品的推薦系統(tǒng)用來推薦促銷/優(yōu)惠活動(dòng)，這需要重新接入與促銷/優(yōu)惠活動(dòng)相關(guān)的數(shù)據(jù)，而且還需要更新數(shù)據(jù)計(jì)算，其接入成本不亞于針對(duì)促銷/優(yōu)惠活動(dòng)重新做一套推薦系統(tǒng)。針對(duì)上述問題，本實(shí)施例提供一種通用的信息推薦方法，具體的：首先，提供一種適合各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，然后按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)，作為信息推薦的原始數(shù)據(jù)。這里的用戶行為主要是指用戶對(duì)網(wǎng)絡(luò)系統(tǒng)中的網(wǎng)絡(luò)對(duì)象進(jìn)行操作的行為。根據(jù)應(yīng)用場景的不同，本實(shí)施例的網(wǎng)絡(luò)系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)中的用戶行為及網(wǎng)絡(luò)對(duì)象均會(huì)有所不同。本實(shí)施例不對(duì)網(wǎng)絡(luò)系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)中的用戶行為及網(wǎng)絡(luò)對(duì)象的實(shí)現(xiàn)形式進(jìn)行限定。例如，網(wǎng)絡(luò)系統(tǒng)可以是以各電商網(wǎng)站為核心的網(wǎng)絡(luò)系統(tǒng)，相應(yīng)的，網(wǎng)絡(luò)系統(tǒng)中的網(wǎng)絡(luò)對(duì)象可以為商品對(duì)象，網(wǎng)絡(luò)系統(tǒng)中的用戶行為可以包括瀏覽、收藏、加購物車、購買、支付以及評(píng)論中的至少一種。又例如，網(wǎng)絡(luò)系統(tǒng)可以是以資源下載網(wǎng)站為核心的網(wǎng)絡(luò)系統(tǒng)，相應(yīng)的，網(wǎng)絡(luò)系統(tǒng)中的網(wǎng)絡(luò)對(duì)象可以為下載資源，例如音視頻資源、文本資源等，網(wǎng)絡(luò)系統(tǒng)中的用戶行為可以包括預(yù)覽、下載、播放等中的至少一種。另外，本實(shí)施例的網(wǎng)絡(luò)對(duì)象還可以是基于互聯(lián)網(wǎng)的服務(wù)對(duì)象，所述服務(wù)對(duì)象可以是洗車服務(wù)、養(yǎng)護(hù)服務(wù)、按摩服務(wù)、清潔服務(wù)、廚師上門服務(wù)、家政服務(wù)、家教服務(wù)、娛樂服務(wù)、吃喝服務(wù)、旅行服務(wù)、酒店服務(wù)、租車服務(wù)等等。在具體實(shí)現(xiàn)上，可以是網(wǎng)絡(luò)系統(tǒng)中每出現(xiàn)一次用戶行為，例如網(wǎng)絡(luò)系統(tǒng)中有用戶點(diǎn)擊了某個(gè)網(wǎng)絡(luò)對(duì)象，或者網(wǎng)絡(luò)系統(tǒng)中有用戶收藏了某個(gè)網(wǎng)絡(luò)對(duì)象等，信息推薦裝置就執(zhí)行一次采集操作，對(duì)該用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)。或者，為了減少信息推薦裝置實(shí)時(shí)采集的次數(shù)，以減輕信息推薦裝置的負(fù)擔(dān)，可以設(shè)置一個(gè)緩存(cache)空間，用于存儲(chǔ)網(wǎng)絡(luò)系統(tǒng)中出現(xiàn)的用戶行為。一次用戶行為對(duì)應(yīng)一條用戶行為數(shù)據(jù)。例如，當(dāng)該緩存空間被寫滿時(shí)，信息推薦裝置執(zhí)行一次采集操作，采集該緩存空間中的用戶行為數(shù)據(jù)。或者，當(dāng)該緩存空間中記錄的用戶行為數(shù)據(jù)達(dá)到一定數(shù)量(例如500條)時(shí)，信息推薦裝置執(zhí)行一次采集操作，采集該緩存空間中的用戶行為數(shù)據(jù)?；蛘?，可以預(yù)先設(shè)定一定時(shí)間間隔(例如1分鐘)，信息推薦裝置可以每間隔一定時(shí)間間隔執(zhí)行一次采集操作，采集該緩存空間中的用戶行為數(shù)據(jù)。由于本實(shí)施例提供的信息推薦方法是面向整個(gè)網(wǎng)絡(luò)系統(tǒng)的，優(yōu)選的需要適應(yīng)網(wǎng)絡(luò)系統(tǒng)中的各業(yè)務(wù)場景，所以有必要定義一套能夠體現(xiàn)用戶行為信息和網(wǎng)絡(luò)對(duì)象的詳細(xì)信息的數(shù)據(jù)規(guī)范，并且該數(shù)據(jù)規(guī)范一方面要能夠區(qū)分不同的業(yè)務(wù)場景，另一方面還要適合不同的業(yè)務(wù)場景。在本實(shí)施例中，將該數(shù)據(jù)規(guī)范稱為通用數(shù)據(jù)采集規(guī)范。基于此，信息推薦裝置在對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集時(shí)，可以按照適合各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集。考慮到在各業(yè)務(wù)場景中，用戶行為一般由行為用戶(簡稱為用戶)對(duì)網(wǎng)絡(luò)對(duì)象產(chǎn)生的行為構(gòu)成，即用戶行為會(huì)涉及用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型等信息?；诖?，在上述通用數(shù)據(jù)采集規(guī)范的一種示例中，可以規(guī)定采集用戶行為涉及的用戶標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、用戶行為類型。另外，業(yè)務(wù)可由其標(biāo)識(shí)來唯一區(qū)分，業(yè)務(wù)標(biāo)識(shí)一般由系統(tǒng)提供方進(jìn)行統(tǒng)一的分配和管理。為了區(qū)分不同業(yè)務(wù)場景，在通用數(shù)據(jù)采集規(guī)范中還可以規(guī)定采集用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)，以標(biāo)識(shí)該用戶行為所屬的業(yè)務(wù)。進(jìn)一步，網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑可以反映網(wǎng)絡(luò)對(duì)象的層級(jí)關(guān)系或歸屬。例如，目前大多數(shù)電商業(yè)務(wù)都會(huì)采用樹型或者目錄型的組織結(jié)構(gòu)來管理商品。例如，商品會(huì)有歸屬的行業(yè)、類目；同時(shí)又會(huì)劃分歸屬的賣家，還可能劃分歸屬的活動(dòng)等等。對(duì)某個(gè)商品來說，可以有多個(gè)業(yè)務(wù)路徑，不同的業(yè)務(wù)路徑記錄不同的層級(jí)結(jié)構(gòu)。比如第一業(yè)務(wù)路徑記錄商品歸屬的行業(yè)信息，第二業(yè)務(wù)路徑記錄商品的歸屬的商家，第三業(yè)務(wù)路徑記錄商品歸屬的活動(dòng)信息?；诖?，上述通用數(shù)據(jù)采集規(guī)范還可以規(guī)定采集用戶行為涉及的網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑。綜上所述，一種通用數(shù)據(jù)采集規(guī)范規(guī)定采集的參數(shù)如表1所示。表1以電子商務(wù)領(lǐng)域?yàn)槔?，?給出一種示例，用于說明用戶行為類型與其標(biāo)號(hào)之間的對(duì)應(yīng)關(guān)系。根據(jù)應(yīng)用場景的不同，用戶行為類型與標(biāo)號(hào)之間的對(duì)應(yīng)關(guān)系可適應(yīng)性設(shè)置。表2行為類型(action_type)標(biāo)號(hào)說明1點(diǎn)擊瀏覽2系統(tǒng)留言3qq或者微信留言4查看聯(lián)系方式5收藏6下單7支付8收貨9退貨10交易關(guān)閉11有效合同備案12加入進(jìn)貨單13搜索14喜歡15長時(shí)間瀏覽16vip身份激活……基于上述通用數(shù)據(jù)采集規(guī)范的示例，信息推薦裝置具體可以按照通用數(shù)據(jù)采集規(guī)范，實(shí)時(shí)采集用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑、用戶標(biāo)識(shí)以及用戶行為類型等信息，以形成實(shí)時(shí)用戶行為數(shù)據(jù)。這里的實(shí)時(shí)用戶行為數(shù)據(jù)包括：業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、業(yè)務(wù)路徑、用戶標(biāo)識(shí)、以及用戶行為類型。在獲得實(shí)時(shí)用戶行為數(shù)據(jù)之后，信息推薦裝置可以按照適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)采集到的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型。在本實(shí)施例中，每種推薦數(shù)據(jù)模型均包括信息推薦所需的參考數(shù)據(jù)，且不同推薦數(shù)據(jù)模型包括不同的參考數(shù)據(jù)。由于本實(shí)施例基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯對(duì)采集到的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行處理，因此適合各業(yè)務(wù)場景。當(dāng)某個(gè)業(yè)務(wù)場景需要進(jìn)行信息推薦時(shí)，可以根據(jù)業(yè)務(wù)場景，從至少一種推薦數(shù)據(jù)模型中獲取該業(yè)務(wù)場景所需的參考數(shù)據(jù)，根據(jù)所獲取的參考數(shù)據(jù)向該業(yè)務(wù)場景進(jìn)行信息推薦。為便于描述，本實(shí)施例將需要進(jìn)行信息推薦的業(yè)務(wù)場景稱為待推薦業(yè)務(wù)場景。待推薦業(yè)務(wù)場景可以是網(wǎng)絡(luò)系統(tǒng)所支持的各種業(yè)務(wù)場景。由于本實(shí)施例基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范進(jìn)行數(shù)據(jù)采集，并基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯給出推薦數(shù)據(jù)模型，使得可以根據(jù)業(yè)務(wù)場景的不同，從推薦數(shù)據(jù)模型中選擇具體的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦，因此可以適用于各種業(yè)務(wù)場景，通用性較強(qiáng)。如何按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型是本申請(qǐng)技術(shù)方案的核心。下面將具體進(jìn)行說明。在一種可選實(shí)施方式中，上述適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯具體可以是滿足各業(yè)務(wù)場景的信息推薦需求的數(shù)據(jù)處理邏輯。信息推薦裝置可以從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，其中，這里的行為對(duì)象為用戶行為涉及的網(wǎng)絡(luò)對(duì)象或用戶行為涉及的網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑上的節(jié)點(diǎn)；然后，根據(jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得至少一種推薦數(shù)據(jù)模型。在上述實(shí)施方式中，從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，可以從用戶行為類型和對(duì)象類型兩個(gè)維度對(duì)用戶行為數(shù)據(jù)進(jìn)行維護(hù)管理，可便于數(shù)據(jù)按照不同維度進(jìn)行組裝，有利于提高后續(xù)數(shù)據(jù)處理的效率。更進(jìn)一步，考慮到不同業(yè)務(wù)場景之間一般是相互獨(dú)立的。所以，可以按照用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)，將包括相同業(yè)務(wù)標(biāo)識(shí)的實(shí)時(shí)用戶行為數(shù)據(jù)劃入一個(gè)數(shù)據(jù)分組，該數(shù)據(jù)分組通過獨(dú)立的消息隊(duì)列進(jìn)行存儲(chǔ)管理，從而實(shí)現(xiàn)業(yè)務(wù)之間的隔離。然后，從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)每個(gè)數(shù)據(jù)分組中的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得每個(gè)數(shù)據(jù)分組中各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)。后續(xù)，信息推薦裝置可以對(duì)每個(gè)數(shù)據(jù)分組中各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，以獲得每個(gè)數(shù)據(jù)分組對(duì)應(yīng)的至少一種推薦數(shù)據(jù)模型。在一可選實(shí)施方式中，適合各業(yè)務(wù)場景的信息推薦需求包括：網(wǎng)絡(luò)對(duì)象推薦需求、用戶偏好推薦需求、網(wǎng)絡(luò)對(duì)象熱度推薦需求以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求中的至少一種推薦需求。相應(yīng)的，至少一種推薦數(shù)據(jù)模型包括：網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型?；诖耍鲜龈鶕?jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得至少一種推薦數(shù)據(jù)模型的實(shí)施方式具體包括：根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求、用戶偏好推薦需求、網(wǎng)絡(luò)對(duì)象熱度推薦需求以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求中的至少一種推薦需求，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型。對(duì)于根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型的過程：信息推薦裝置可以從網(wǎng)絡(luò)對(duì)象的維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行組織管理，以獲得各網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)。這意味著，網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型包括各網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)。網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)包括但不限于：網(wǎng)絡(luò)對(duì)象所屬業(yè)務(wù)的業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑等。在具體實(shí)現(xiàn)上，網(wǎng)絡(luò)對(duì)象所屬業(yè)務(wù)的業(yè)務(wù)標(biāo)識(shí)和網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)可以作為主鍵，而網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑及其它信息可以作為主鍵對(duì)應(yīng)的值，以便于進(jìn)行查詢。另外，網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑可能會(huì)發(fā)生變化，此時(shí)可以用新的業(yè)務(wù)路徑替換舊的業(yè)務(wù)路徑。在實(shí)際應(yīng)用中，可能會(huì)在數(shù)據(jù)采集過程中出現(xiàn)錯(cuò)誤造成業(yè)務(wù)路徑發(fā)生變化，此時(shí)新的業(yè)務(wù)路徑實(shí)際上是錯(cuò)誤的，如果用新的業(yè)務(wù)路徑替換舊的業(yè)務(wù)路徑就會(huì)發(fā)生錯(cuò)誤，為避免這種錯(cuò)誤，可以記錄新的業(yè)務(wù)路徑的出現(xiàn)次數(shù)，當(dāng)新的業(yè)務(wù)路徑的出現(xiàn)次數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，再用新的業(yè)務(wù)路徑替換舊的業(yè)務(wù)路徑，以降低業(yè)務(wù)路徑被錯(cuò)誤更新的概率。對(duì)于根據(jù)用戶偏好推薦需求獲得用戶偏好推薦數(shù)據(jù)模型的過程：信息推薦裝置可以從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；然后，根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。進(jìn)一步，考慮到用戶行為對(duì)用戶或網(wǎng)絡(luò)對(duì)象的影響程度會(huì)隨著時(shí)間的推移而逐漸減弱，所以本實(shí)施例根據(jù)艾賓浩斯遺忘曲線理論，為不同用戶行為類型設(shè)置不同的權(quán)值，該權(quán)值以時(shí)間作為衰減參數(shù)，從而更加合理的考慮用戶行為對(duì)用戶偏好的影響?；谏鲜?，對(duì)每個(gè)用戶，對(duì)該用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)進(jìn)行加權(quán)求和，以獲得該用戶在所述時(shí)間窗內(nèi)對(duì)行為對(duì)象的偏好得分；按照時(shí)間衰減因子，對(duì)該用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分進(jìn)行加權(quán)求和，以獲得該用戶對(duì)各行為對(duì)象的偏好得分。具體的，信息推薦裝置可以根據(jù)公式(1)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。在上述公式(1)中，f(u,o)表示用戶u對(duì)行為對(duì)象o的偏好得分；u表示用戶；o表示行為對(duì)象，可以是用戶行為涉及的網(wǎng)絡(luò)對(duì)象或者網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑上的節(jié)點(diǎn)；m表示時(shí)間窗的總數(shù)，每個(gè)時(shí)間窗代表指定時(shí)長；例如，每個(gè)時(shí)間窗代表的時(shí)長可以是但不限于：20分鐘；yi(u,o)表示用戶u在第i個(gè)時(shí)間窗內(nèi)對(duì)行為對(duì)象o的偏好得分；p(t)表示艾賓浩斯遺忘曲線的時(shí)間衰減因子。其中，p(t)＝k1+exp((-t-k2)/k3)。n表示用戶行為類型的數(shù)量，例如點(diǎn)擊、下單、支付、收藏等屬于不同類型的用戶行為；wj表示第j種用戶行為類型的權(quán)重；xj(u,o)表示用戶u對(duì)行為對(duì)象o發(fā)生第j種類型的用戶行為的次數(shù)；t表示時(shí)間長度；k1、k2、k3均為衰減因子。經(jīng)過上述處理，可以獲得各用戶的偏好得分。用戶偏好推薦數(shù)據(jù)模型包括各用戶的偏好得分。另外，在上述計(jì)算用戶偏好推薦數(shù)據(jù)模型的過程中，還可以獲取各用戶的歷史行為數(shù)據(jù)從而形成用戶歷史行為推薦數(shù)據(jù)模型。對(duì)于根據(jù)網(wǎng)絡(luò)對(duì)象熱度推薦需求獲得網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型的過程：信息推薦裝置可以從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分；根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值。同理，信息推薦裝置可以按照上述具體方式計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分，在此不再贅述。在一種具體實(shí)施方式中，計(jì)算各行為對(duì)象的熱度值的過程具體為：對(duì)每個(gè)行為對(duì)象，對(duì)各用戶對(duì)該行為對(duì)象的偏好得分進(jìn)行累加，以獲得該行為對(duì)象的熱度值。具體的，信息推薦裝置可以根據(jù)公式(2)，計(jì)算各行為對(duì)象的熱度值。在上述公式(2)中，h(o)表示行為對(duì)象o的熱度值，其它參數(shù)可參見公式(1)中的解釋或說明，在此不再贅述。值得說明的是，上述把各用戶對(duì)同一網(wǎng)絡(luò)對(duì)象的偏好得分進(jìn)行累加，并將累加結(jié)果作為該網(wǎng)絡(luò)對(duì)象的熱度值僅為一種具體實(shí)施方式，并不限于此。例如，還可以從單一維度對(duì)網(wǎng)絡(luò)對(duì)象進(jìn)行排序，例如按照銷量進(jìn)行排序、按照點(diǎn)擊率進(jìn)行排序、按照網(wǎng)絡(luò)對(duì)象的銷售價(jià)格進(jìn)行排序等等，或者也可以根據(jù)多種因素進(jìn)行綜合排序，然后根據(jù)排序先后順序確定網(wǎng)絡(luò)對(duì)象的熱度值。對(duì)于根據(jù)網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求獲得網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型的過程：信息推薦裝置可以從對(duì)象轉(zhuǎn)移的維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，以獲得至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)，這里的行為對(duì)象轉(zhuǎn)移對(duì)表示同一用戶前后兩次用戶行為涉及的行為對(duì)象之間的轉(zhuǎn)移關(guān)系。優(yōu)選的，上述行為對(duì)象轉(zhuǎn)移對(duì)具體可以是用戶倒數(shù)第二次用戶行為涉及的行為對(duì)象到最后一次用戶行為涉及的行為對(duì)象之間的轉(zhuǎn)移關(guān)系。優(yōu)選的，上述行為對(duì)象轉(zhuǎn)移對(duì)中的行為對(duì)象的類型和級(jí)別相同。例如，兩個(gè)行為對(duì)象都是商品、或者兩個(gè)行為對(duì)象都是商家，或者兩個(gè)行為對(duì)象都是相同級(jí)別的類目，等等。對(duì)于上述信息推薦裝置從對(duì)象轉(zhuǎn)移的維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得行為對(duì)象轉(zhuǎn)移對(duì)的操作，其在具體實(shí)現(xiàn)上可以是：信息推薦裝置從各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)中，獲取一條用戶行為數(shù)據(jù)，記錄該用戶行為數(shù)據(jù)涉及的用戶標(biāo)識(shí)和網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)；根據(jù)用戶標(biāo)識(shí)查詢?cè)撚脩魳?biāo)識(shí)所標(biāo)識(shí)的用戶最近一次發(fā)生用戶行為涉及的網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)，將這兩個(gè)網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)所標(biāo)識(shí)的網(wǎng)絡(luò)對(duì)象形成行為對(duì)象轉(zhuǎn)移對(duì)?？蛇x的，在獲得行為對(duì)象轉(zhuǎn)移對(duì)的同時(shí)，可以為該行為對(duì)象轉(zhuǎn)移對(duì)加上時(shí)間戳，以便于對(duì)該行為對(duì)象轉(zhuǎn)移對(duì)進(jìn)行更新。例如，可以通過行為對(duì)象轉(zhuǎn)移對(duì)的時(shí)間戳來判斷該行為對(duì)象轉(zhuǎn)移對(duì)是否過期，例如若從時(shí)間戳到當(dāng)前時(shí)刻的時(shí)間間隔大于預(yù)設(shè)時(shí)間間隔的閾值(例如該閾值可以是但不限于7天)，則確定該行為對(duì)象轉(zhuǎn)移對(duì)過期，否則確定該行為對(duì)象轉(zhuǎn)移對(duì)未過期；如果行為對(duì)象轉(zhuǎn)移對(duì)過期，則可以將其刪除，一方面可以節(jié)約存儲(chǔ)空間，另一方面也可以提高網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型的精度，進(jìn)而提高后續(xù)基于該網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型進(jìn)行信息推薦時(shí)的精度。經(jīng)過上述處理，可以獲得上述網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型。在獲得這些推薦數(shù)據(jù)模型之后，可以根據(jù)業(yè)務(wù)場景從這些推薦數(shù)據(jù)模型中提取參考數(shù)據(jù)，進(jìn)而基于參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦，這部分可稱為數(shù)據(jù)投放過程。一種數(shù)據(jù)投放過程的示意圖如圖2所示，本實(shí)施例提供的這些推薦數(shù)據(jù)模型支持多種業(yè)務(wù)場景。在數(shù)據(jù)投放過程中，預(yù)先為每個(gè)業(yè)務(wù)場景分配一個(gè)唯一的標(biāo)識(shí)(id)，并記錄業(yè)務(wù)場景所需的參數(shù)及其組合方式；當(dāng)每個(gè)業(yè)務(wù)場景發(fā)送參數(shù)請(qǐng)求時(shí)，攜帶該業(yè)務(wù)場景的標(biāo)識(shí)以及其所需的參數(shù)及其組合方式等參數(shù)(例如可以包括用戶標(biāo)識(shí)，對(duì)象標(biāo)識(shí)等)；模型配置與組裝模塊按照業(yè)務(wù)場景及其傳遞的參數(shù)及其組合方式到相應(yīng)的推薦數(shù)據(jù)模型中獲取參考數(shù)據(jù)并按照組合方式進(jìn)行組裝，然后返回到業(yè)務(wù)場景中，以供業(yè)務(wù)場景輸出推薦結(jié)果。舉例說明：當(dāng)用戶在電商平臺(tái)上搜索商品時(shí)，電商平臺(tái)可以從用戶歷史行為推薦數(shù)據(jù)模型中獲取用戶最近瀏覽過的商品中與用戶當(dāng)前搜索的商品相似的商品，并從用戶偏好推薦數(shù)據(jù)模型中獲取這些相似商品中偏好得分較高的商品，然后將這些相似且偏好得分較高的商品推薦給用戶。或者，當(dāng)用戶在電商平臺(tái)上搜索商品時(shí)，電商平臺(tái)可以從用戶歷史行為推薦數(shù)據(jù)模型中獲取用戶最近瀏覽過的商品中與用戶當(dāng)前搜索的商品相似的商品，然后從用戶偏好推薦數(shù)據(jù)模型中獲取這些商品中偏好得分較高的商品，再從網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型中獲取這些相似商品中熱度值較高的商品，最終選擇偏好得分較高且熱度值較高的商品推薦給用戶?；蛘?，當(dāng)用戶在電商平臺(tái)上搜索商品時(shí)，電商平臺(tái)可以確定用戶當(dāng)前搜索商品所在的類目路徑，例如假設(shè)用戶搜索的商品屬于連衣裙類目下，然后按照該類目路徑到網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型中進(jìn)行搜索，獲取熱度值最高的n個(gè)商品，例如選擇連衣裙類目下銷量最好的50件商品，然后推薦給用戶。在一種具體實(shí)施方式中，待推薦業(yè)務(wù)場景具體為根據(jù)目標(biāo)用戶正在搜索的目標(biāo)行為對(duì)象向目標(biāo)用戶推薦網(wǎng)絡(luò)對(duì)象。在該業(yè)務(wù)場景中，一種從至少一種推薦數(shù)據(jù)模型中，獲取待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)的實(shí)施方式包括：從網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系模型包含的至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)中，獲取包含該目標(biāo)行為對(duì)象且從目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)。這里至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)即為待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)。相應(yīng)的，上述根據(jù)待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向所述待推薦業(yè)務(wù)場景進(jìn)行信息推薦具體為：對(duì)至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中的每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)，根據(jù)該候選行為對(duì)象轉(zhuǎn)移對(duì)中的目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的次數(shù)，計(jì)算該候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；例如，可以根據(jù)如下公式(3)，獲得每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；之后，根據(jù)每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率，從至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中選擇目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)，將目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)中除目標(biāo)行為對(duì)象之外的行為對(duì)象推薦給目標(biāo)用戶。在上述公式(3)中，表示由目標(biāo)行為對(duì)象ai轉(zhuǎn)向另一行為對(duì)象aj形成的候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；表示從目標(biāo)行為對(duì)象ai轉(zhuǎn)向另一行為對(duì)象aj的轉(zhuǎn)移次數(shù)，實(shí)際上也是候選行為對(duì)象轉(zhuǎn)移對(duì)出現(xiàn)的次數(shù)，比如，假設(shè)從目標(biāo)行為對(duì)象ai轉(zhuǎn)向另一行為對(duì)象aj有100次或200次等，例如用戶瀏覽連衣裙后又瀏覽牛仔褲的次數(shù)共有100次或200次，或者用戶瀏覽華為手機(jī)后又瀏覽蘋果手機(jī)的次數(shù)為50次；k1、k2表示可調(diào)參數(shù)。值得說明的是，信息推薦裝置根據(jù)上述公式(3)計(jì)算候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率實(shí)際上是玻爾茲曼分布概率。本實(shí)施例之所以采用玻爾茲曼分布概率，主要是考慮到實(shí)時(shí)系統(tǒng)的統(tǒng)計(jì)周期較短，大部分的樣本統(tǒng)計(jì)差異不大。而玻爾茲曼分布可以把細(xì)小的差距從概率上進(jìn)行放大，從而保證結(jié)果有較強(qiáng)的區(qū)分度。在本申請(qǐng)實(shí)施例中，基于適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，實(shí)時(shí)采集網(wǎng)絡(luò)系統(tǒng)中的用戶行為，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)，然后基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)這些實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析以形成推薦數(shù)據(jù)模型，推薦數(shù)據(jù)模型可以采用鍵值(key-value)格式，通用性和可移植性很強(qiáng)。本申請(qǐng)實(shí)施例提供的技術(shù)方案適用于不同業(yè)務(wù)場景，解決了現(xiàn)有推薦系統(tǒng)存在的缺陷，適用于業(yè)務(wù)類型不斷增多的應(yīng)用場景，有利于降低為新增業(yè)務(wù)場景信息推薦的開發(fā)與維護(hù)成本。另外，本申請(qǐng)實(shí)施例基于實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行信息推薦，不需要離線收集數(shù)據(jù)的過程，可以快速對(duì)接新業(yè)務(wù)，不需要過多時(shí)間進(jìn)行數(shù)據(jù)積累，解決了業(yè)務(wù)變更頻繁以及用戶行為稀疏所帶來的冷啟動(dòng)問題，提升用戶體驗(yàn)。在產(chǎn)品實(shí)現(xiàn)上，上述實(shí)時(shí)采集以及對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析的操作可通過一個(gè)消息中間件來實(shí)現(xiàn)，例如notify中間件。中間計(jì)算各推薦數(shù)據(jù)模型的的操作可通過一個(gè)實(shí)時(shí)計(jì)算系統(tǒng)來實(shí)現(xiàn)，例如storm。上述數(shù)據(jù)投放過程可以通過模型配置與組裝模塊實(shí)現(xiàn)，但不限于此。需要說明的是，對(duì)于前述的各方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動(dòng)作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本申請(qǐng)并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本申請(qǐng)，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作和模塊并不一定是本申請(qǐng)所必須的。在上述實(shí)施例中，對(duì)各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒有詳述的部分，可以參見其他實(shí)施例的相關(guān)描述。圖3為本申請(qǐng)又一實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)示意圖。如圖3所示，該裝置包括：實(shí)時(shí)采集模塊31、模型計(jì)算模塊32、參數(shù)提取模塊33和信息推薦模塊34。實(shí)時(shí)采集模塊31，用于按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范，對(duì)網(wǎng)絡(luò)系統(tǒng)中的用戶行為進(jìn)行實(shí)時(shí)采集，以獲得實(shí)時(shí)用戶行為數(shù)據(jù)。模型計(jì)算模塊32，用于按照適用于各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯，對(duì)實(shí)時(shí)采集模塊31采集到的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行分析，以獲得至少一種推薦數(shù)據(jù)模型。參數(shù)提取模塊33，用于根據(jù)待推薦業(yè)務(wù)場景，從模型計(jì)算模塊32獲得的至少一種推薦數(shù)據(jù)模型中，獲取待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)。信息推薦模塊34，用于根據(jù)參數(shù)提取模塊33獲取的待推薦業(yè)務(wù)場景所需的參考數(shù)據(jù)向待推薦業(yè)務(wù)場景進(jìn)行信息推薦。在一可選實(shí)施方式中，實(shí)時(shí)采集模塊31具體用于：實(shí)時(shí)采集用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象標(biāo)識(shí)、網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑、用戶標(biāo)識(shí)以及用戶行為類型，以形成實(shí)時(shí)用戶行為數(shù)據(jù)。在一可選實(shí)施方式中，如圖4所示，模型計(jì)算模塊32的一種實(shí)現(xiàn)結(jié)構(gòu)包括：數(shù)據(jù)解析單元321和模型處理單元322。數(shù)據(jù)解析單元321，用于從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)，其中，行為對(duì)象為用戶行為涉及的網(wǎng)絡(luò)對(duì)象或用戶行為涉及的網(wǎng)絡(luò)對(duì)象所在的業(yè)務(wù)路徑上的節(jié)點(diǎn)。模型處理單元322，用于根據(jù)各業(yè)務(wù)場景的信息推薦需求，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得至少一種推薦數(shù)據(jù)模型。進(jìn)一步，數(shù)據(jù)解析單元321具體用于：根據(jù)用戶行為涉及的業(yè)務(wù)標(biāo)識(shí)，將包括相同業(yè)務(wù)標(biāo)識(shí)的實(shí)時(shí)用戶行為數(shù)據(jù)劃入一個(gè)數(shù)據(jù)分組；從用戶行為類型和對(duì)象類型兩個(gè)維度，對(duì)每個(gè)數(shù)據(jù)分組內(nèi)的實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行解析，以獲得每個(gè)數(shù)據(jù)分組中各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)。進(jìn)一步，模型處理單元322具體用于：根據(jù)網(wǎng)絡(luò)對(duì)象推薦需求、用戶偏好推薦需求、網(wǎng)絡(luò)對(duì)象熱度推薦需求以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦需求中的至少一種推薦需求，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行分析處理，以獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型、用戶偏好推薦數(shù)據(jù)模型、用戶歷史行為推薦數(shù)據(jù)模型、網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型以及網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型中的至少一種推薦數(shù)據(jù)模型。在一可選實(shí)施方式中，模型處理單元322在獲得網(wǎng)絡(luò)對(duì)象基礎(chǔ)推薦數(shù)據(jù)模型時(shí)，具體用于：從網(wǎng)絡(luò)對(duì)象的維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行組織管理，以獲得各網(wǎng)絡(luò)對(duì)象的基礎(chǔ)數(shù)據(jù)。在一可選實(shí)施方式中，模型處理單元322在獲得用戶偏好推薦數(shù)據(jù)模型時(shí)，具體用于：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。在一可選實(shí)施方式中，模型處理單元322在獲得網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型時(shí)，具體用于：從用戶、網(wǎng)絡(luò)對(duì)象以及用戶行為類型三個(gè)維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，獲得各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)；根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分；根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值。進(jìn)一步，在上述獲得用戶偏好推薦數(shù)據(jù)模型或網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型的過程中，模型處理單元322在根據(jù)各用戶對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分時(shí)，具體用于：對(duì)每個(gè)用戶，對(duì)該用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象發(fā)生每種類型的用戶行為的次數(shù)進(jìn)行加權(quán)求和，以獲得該用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分；按照時(shí)間衰減因子，對(duì)該用戶在各時(shí)間窗內(nèi)對(duì)各行為對(duì)象的偏好得分進(jìn)行加權(quán)求和，以獲得該用戶對(duì)各行為對(duì)象的偏好得分。具體的，可以根據(jù)公式(1)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分。關(guān)于公式(1)可參見上述方法實(shí)施例，在此不再贅述?；谏鲜龈鶕?jù)公式(1)，計(jì)算各用戶對(duì)各行為對(duì)象的偏好得分，模型處理單元322在根據(jù)各用戶對(duì)各行為對(duì)象的偏好得分，計(jì)算各行為對(duì)象的熱度值以構(gòu)成網(wǎng)絡(luò)對(duì)象熱度推薦數(shù)據(jù)模型時(shí)，具體用于：對(duì)每個(gè)行為對(duì)象，對(duì)各用戶對(duì)所述行為對(duì)象的偏好得分進(jìn)行累加，以獲得所述行為對(duì)象的熱度值。具體的，可以根據(jù)公式(2)，計(jì)算各行為對(duì)象的熱度值。關(guān)于公式(2)可參見上述方法實(shí)施例，在此不再贅述。在一可選實(shí)施方式中，模型處理單元322在獲得網(wǎng)絡(luò)對(duì)象轉(zhuǎn)移關(guān)系推薦數(shù)據(jù)模型時(shí)，具體用于：從對(duì)象轉(zhuǎn)移的維度，對(duì)各行為對(duì)象在各種用戶行為類型下的用戶行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，以獲得至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)。行為對(duì)象轉(zhuǎn)移對(duì)表示同一用戶前后兩次用戶行為涉及的行為對(duì)象之間的轉(zhuǎn)移關(guān)系?；谏鲜?，參數(shù)提取模塊33具體可用于：當(dāng)待推薦業(yè)務(wù)場景為根據(jù)目標(biāo)用戶正在搜索的目標(biāo)行為對(duì)象向目標(biāo)用戶推薦行為對(duì)象時(shí)，從至少一個(gè)行為對(duì)象轉(zhuǎn)移對(duì)中，獲取包含目標(biāo)行為對(duì)象且從目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)。相應(yīng)的，信息推薦模塊34具體用于：對(duì)至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中的每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)，根據(jù)目標(biāo)行為對(duì)象轉(zhuǎn)向另一行為對(duì)象的次數(shù)，計(jì)算該候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；例如，可以根據(jù)公式(3)，計(jì)算每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率；之后，根據(jù)每個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)的轉(zhuǎn)移概率，從至少一個(gè)候選行為對(duì)象轉(zhuǎn)移對(duì)中選擇目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)，將目標(biāo)行為對(duì)象轉(zhuǎn)移對(duì)中除目標(biāo)行為對(duì)象之外的行為對(duì)象推薦給目標(biāo)用戶。關(guān)于公式(3)可參見上述方法實(shí)施例，在此不再贅述。本實(shí)施例提供的信息推薦裝置，一方面基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)采集規(guī)范進(jìn)行數(shù)據(jù)采集，并基于適合各業(yè)務(wù)場景的通用數(shù)據(jù)處理邏輯給出推薦數(shù)據(jù)模型，使得可以根據(jù)業(yè)務(wù)場景的不同，從推薦數(shù)據(jù)模型中選擇具體的參考數(shù)據(jù)向待推薦業(yè)務(wù)場景進(jìn)行信息推薦，因此可以適用于各種業(yè)務(wù)場景，通用性較強(qiáng)；另一方面，采用實(shí)時(shí)用戶行為數(shù)據(jù)進(jìn)行信息推薦，不需要離線收集數(shù)據(jù)的過程，可以快速對(duì)接新業(yè)務(wù)，不需要過多時(shí)間進(jìn)行數(shù)據(jù)積累，解決了業(yè)務(wù)變更頻繁以及用戶行為稀疏所帶來的冷啟動(dòng)問題，提升用戶體驗(yàn)。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。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(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。另外，在本申請(qǐng)各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用硬件加軟件功能單元的形式實(shí)現(xiàn)。上述以軟件功能單元的形式實(shí)現(xiàn)的集成的單元，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。上述軟件功能單元存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例所述方法的部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(read-onlymemory，rom)、隨機(jī)存取存儲(chǔ)器(randomaccessmemory，ram)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。最后應(yīng)說明的是：以上實(shí)施例僅用以說明本申請(qǐng)的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本申請(qǐng)進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本申請(qǐng)各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁12