405,具體用于按照預設的采集頻率對第一交互數(shù)據(jù)進行采 集，獲得第二交互數(shù)據(jù)，第一交互數(shù)據(jù)為微博服務提供商與終端交互的數(shù)據(jù)。
[0182] 第一過濾模塊406,具體用于采用降低維度技術或者矩陣分解技術對第二交互數(shù) 據(jù)進行過濾，獲得第一數(shù)量的第三交互數(shù)據(jù)。
[0183] 第一標記模塊407,具體用于按照預設的數(shù)據(jù)類別獲取第二數(shù)量的第三交互數(shù)據(jù) 并進行標注。
[0184] 第一訓練模塊408,具體用于采用終生機器學習方法對標注后的第三交互數(shù)據(jù)進 行訓練，獲得數(shù)據(jù)類別模型。
[0185] 分類模塊402,具體用于將第一狀態(tài)感知數(shù)據(jù)按照第一訓練模塊訓練出的數(shù)據(jù)類 別模型進行分類，并獲得分類結(jié)果。
[0186] 進一步地，第二過濾模塊409,具體用于采用降低維度技術或者矩陣分解技術對第 一狀態(tài)感知數(shù)據(jù)進行過濾，獲得第二狀態(tài)感知數(shù)據(jù)。
[0187] 分類模塊402,具體用于將第二狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得 分類結(jié)果。
[0188] 進一步地，獲取模塊401，還用于按照微博產(chǎn)品的類別獲取第三數(shù)量的歷史興趣狀 態(tài)數(shù)據(jù)進行標注。
[0189] 第二訓練模塊410,具體用于利用終生機器學習方法對標注后的歷史興趣狀態(tài)數(shù) 據(jù)進行訓練，確定微博推薦模型。
[0190] 進一步地，獲取模塊401，還用于獲取用戶反饋的微博推薦信息。
[0191] 更新模塊411，具體用于根據(jù)微博推薦信息，更新預設的微博推薦模型。
[0192] 進一步地，確定模塊404,還用于確定分類結(jié)果對應的權重。
[0193] 計算模塊403,具體用于根據(jù)所述分類結(jié)果對應的權重對所述第一狀態(tài)感知數(shù)據(jù) 進行整合計算，得到所述第一興趣狀態(tài)數(shù)據(jù)。
[0194] 本實施例的設備，可以用于執(zhí)行圖2所示方法實施例的技術方案，其實現(xiàn)原理和 技術效果類似，此處不再贅述。
[0195] 圖5為本發(fā)明終端再一個實施例的結(jié)構(gòu)示意圖，如圖5所示，該終端可以包括：存 儲器501和處理器502,存儲器501和處理器502通過總線通信。
[0196] 其中，存儲器501，用于存儲指令。處理器502,用于運行存儲器501中的指令，以 執(zhí)行本發(fā)明微博推薦方法。
[0197] 具體地，處理器502,用于獲取終端的第一狀態(tài)感知數(shù)據(jù)。
[0198] 處理器502,還用于將第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分類 結(jié)果。處理器502,還用于根據(jù)預設的計算規(guī)則對分類結(jié)果進行統(tǒng)計，確定第一興趣狀態(tài)數(shù) 據(jù)。處理器502,還用于根據(jù)微博推薦模型，確定第一興趣狀態(tài)數(shù)據(jù)對應的微博產(chǎn)品，并向用 戶推薦微博產(chǎn)品。
[0199] 進一步地，處理器502,具體用于按照預設的采集頻率對第一交互數(shù)據(jù)進行采集， 獲得第二交互數(shù)據(jù)，第一交互數(shù)據(jù)為微博服務提供商與終端交互的數(shù)據(jù)。
[0200] 處理器502,具體用于采用降低維度技術或者矩陣分解技術對第二交互數(shù)據(jù)進行 過濾，獲得第一數(shù)量的第三交互數(shù)據(jù)。
[0201] 處理器502,具體用于按照預設的數(shù)據(jù)類別獲取第二數(shù)量的第三交互數(shù)據(jù)并進行 標注，第二數(shù)量小于或等于第一數(shù)量。
[0202] 處理器502,具體用于采用終生機器學習方法對標注后的第三交互數(shù)據(jù)進行訓練， 獲得數(shù)據(jù)類別模型。
[0203] 處理器502,具體用于將第一狀態(tài)感知數(shù)據(jù)按照處理器502訓練出的數(shù)據(jù)類別模 型進行分類，并獲得分類結(jié)果。
[0204] 進一步地，處理器502,具體用于采用降低維度技術或者矩陣分解技術對第一狀態(tài) 感知數(shù)據(jù)進行過濾，獲得第二狀態(tài)感知數(shù)據(jù)；
[0205] 處理器502,具體用于將第二狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分 類結(jié)果。
[0206] 進一步地，處理器502,還用于按照微博產(chǎn)品的類別獲取第三數(shù)量的歷史興趣狀態(tài) 數(shù)據(jù)進行標注。
[0207] 處理器502,具體用于利用終生機器學習方法對標注后的歷史興趣狀態(tài)數(shù)據(jù)進行 訓練，確定微博推薦模型。
[0208] 進一步地，處理器502,還用于獲取用戶反饋的微博推薦信息。
[0209] 處理器502,具體用于根據(jù)微博推薦信息，更新微博推薦模型。
[0210] 進一步地，處理器502,還用于確定分類結(jié)果對應的權重。
[0211] 處理器502,具體用于根據(jù)分類結(jié)果對應的權重對第一狀態(tài)感知數(shù)據(jù)進行整合計 算，得到第一興趣狀態(tài)數(shù)據(jù)。
[0212] 本實施例的終端，可以用于執(zhí)行圖1和圖2所示方法實施例的技術方案，其實現(xiàn)原 理和技術效果類似，此處不再贅述。
[0213] 本領域普通技術人員可以理解：實現(xiàn)上述各方法實施例的全部或部分步驟可以通 過程序指令相關的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中。該程 序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而前述的存儲介質(zhì)包括：ROM (Read Only Memory,只讀存儲器）、RAM (Random Access Memory,隨機存儲器）、磁碟或者光盤等各種可 以存儲程序代碼的介質(zhì)。
[0214] 最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡 管參照前述實施例對本發(fā)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(zhì)脫離本發(fā)明各實施例技術方案的精 神和范圍。
【主權項】
1. 一種微博推薦方法，其特征在于，包括： 獲取終端的第一狀態(tài)感知數(shù)據(jù)； 將所述第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分類結(jié)果； 根據(jù)預設的計算規(guī)則對所述分類結(jié)果進行統(tǒng)計，確定第一興趣狀態(tài)數(shù)據(jù)； 根據(jù)微博推薦模型，確定所述第一興趣狀態(tài)數(shù)據(jù)對應的微博產(chǎn)品，并向用戶推薦所述 微博產(chǎn)品。2. 根據(jù)權利要求1所述的方法，其特征在于，所述將所述第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù) 類別模型進行分類之前還包括： 按照預設的采集頻率對第一交互數(shù)據(jù)進行采集，獲得第二交互數(shù)據(jù)，所述第一交互數(shù) 據(jù)為微博服務提供商與所述終端交互的數(shù)據(jù)； 采用降低維度技術或者矩陣分解技術對所述第二交互數(shù)據(jù)進行過濾，獲得第一數(shù)量的 第三交互數(shù)據(jù)； 按照所述數(shù)據(jù)類別模型獲取第二數(shù)量的所述第三交互數(shù)據(jù)并進行標注，所述第二數(shù)量 小于或等于第一數(shù)量； 采用終生機器學習方法對標注后的第三交互數(shù)據(jù)進行訓練，獲得所述數(shù)據(jù)類別模型。3. 根據(jù)權利要求1或2所述的方法，其特征在于，所述將所述第一狀態(tài)感知數(shù)據(jù)按照數(shù) 據(jù)類別模型進行分類之前，還包括： 采用降低維度技術或者矩陣分解技術對所述第一狀態(tài)感知數(shù)據(jù)進行過濾，獲得第二狀 態(tài)感知數(shù)據(jù)； 所述將所述第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分類結(jié)果包括： 將所述第二狀態(tài)感知數(shù)據(jù)按照所述數(shù)據(jù)類別模型進行分類，并獲得分類結(jié)果。4. 根據(jù)權利要求1至3任一所述的方法，其特征在于，所述根據(jù)微博推薦模型，確定所 述第一興趣狀態(tài)數(shù)據(jù)對應的微博產(chǎn)品之前，還包括： 按照微博產(chǎn)品的類別獲取第三數(shù)量的歷史興趣狀態(tài)數(shù)據(jù)，并對所述歷史興趣狀態(tài)數(shù)據(jù) 進打標注； 利用終生機器學習方法對所述標注后的歷史興趣狀態(tài)數(shù)據(jù)進行訓練，確定所述微博推 薦模型。5. 根據(jù)權利要求1至4任一所述的方法，其特征在于，所述向用戶推薦所述微博產(chǎn)品之 后,還包括： 獲取用戶反饋的微博推薦信息； 根據(jù)所述微博推薦信息，更新所述微博推薦模型。6. 根據(jù)權利要求1至5任一所述的方法，其特征在于，根據(jù)預設的計算規(guī)則對所述分類 結(jié)果進行統(tǒng)計，確定第一興趣狀態(tài)數(shù)據(jù)之前，還包括：確定所述分類結(jié)果對應的權重； 所述根據(jù)預設的計算規(guī)則對所述分類結(jié)果進行統(tǒng)計包括： 根據(jù)所述分類結(jié)果對應的權重對所述第一狀態(tài)感知數(shù)據(jù)進行整合計算，得到所述第一 興趣狀態(tài)數(shù)據(jù)。7. -種終端，其特征在于，包括： 獲取模塊，用于獲取所述終端的第一狀態(tài)感知數(shù)據(jù)； 分類模塊，用于將所述第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分類結(jié) 果； 計算模塊，用于根據(jù)預設的計算規(guī)則對所述分類結(jié)果進行統(tǒng)計，確定第一興趣狀態(tài)數(shù) 據(jù)； 確定模塊，用于根據(jù)微博推薦模型，確定所述第一興趣狀態(tài)數(shù)據(jù)對應的微博產(chǎn)品，并向 用戶推薦所述微博產(chǎn)品。8. 根據(jù)權利要求7所述的終端，其特征在于，還包括采集模塊、第一過濾模塊、第一標 記模塊以及第一訓練模塊， 所述采集模塊，具體用于按照預設的采集頻率對第一交互數(shù)據(jù)進行采集，獲得第二交 互數(shù)據(jù)，所述第一交互數(shù)據(jù)為微博服務提供商與所述終端交互的數(shù)據(jù)； 所述第一過濾模塊，具體用于采用降低維度技術或者矩陣分解技術對所述第二交互數(shù) 據(jù)進行過濾，獲得第一數(shù)量的第三交互數(shù)據(jù)； 所述第一標記模塊，具體用于按照所述數(shù)據(jù)類別模型獲取第二數(shù)量的所述第三交互數(shù) 據(jù)并進行標注，所述第二數(shù)量小于或等于第一數(shù)量； 所述第一訓練模塊，具體用于采用終生機器學習方法對標注后的第三交互數(shù)據(jù)進行訓 練，獲得所述數(shù)據(jù)類別模型； 所述分類模塊，具體用于將所述第一狀態(tài)感知數(shù)據(jù)按照所述第一訓練模塊訓練出的數(shù) 據(jù)類別模型進行分類，并獲得分類結(jié)果。9. 根據(jù)權利要求7或8所述的終端，其特征在于，所述終端還包括第二過濾模塊， 所述第二過濾模塊，具體采用降低維度技術或者矩陣分解技術對所述第一狀態(tài)感知數(shù) 據(jù)進行過濾，獲得第二狀態(tài)感知數(shù)據(jù)； 所述分類模塊，具體用于將所述第二狀態(tài)感知數(shù)據(jù)按照所述數(shù)據(jù)類別模型進行分類， 并獲得分類結(jié)果。10. 根據(jù)權利要求7至9任一所述的終端，其特征在于，所述終端還包括第二訓練模塊， 所述獲取模塊，還用于按照微博產(chǎn)品的類別獲取第三數(shù)量的歷史興趣狀態(tài)數(shù)據(jù)進行標 注； 所述第二訓練模塊，具體用于利用終生機器學習方法對所述標注后的歷史興趣狀態(tài)數(shù) 據(jù)進行訓練，確定所述微博推薦模型。11. 根據(jù)權利要求7至10任一所述的終端，其特征在于，所述終端還包括更新模塊， 所述獲取模塊，還用于獲取用戶反饋的微博推薦信息； 所述更新模塊，具體用于根據(jù)所述微博推薦信息，更新所述微博推薦模型。12. 根據(jù)權利要求7至11任一所述的終端，其特征在于，所述確定模塊，還用于確定所 述分類結(jié)果對應的權重； 所述計算模塊，具體用于根據(jù)所述分類結(jié)果對應的的權重對所述第一狀態(tài)感知數(shù)據(jù)進 行整合計算，得到所述第一興趣狀態(tài)數(shù)據(jù)。
【專利摘要】本發(fā)明實施例提供一種微博推薦方法和終端。該方法包括：獲取終端的第一狀態(tài)感知數(shù)據(jù)；將該第一狀態(tài)感知數(shù)據(jù)按照數(shù)據(jù)類別模型進行分類，并獲得分類結(jié)果；根據(jù)預設的計算規(guī)則對分類結(jié)果進行計算，確定第一興趣狀態(tài)數(shù)據(jù)；根據(jù)微博推薦模型，確定該第一興趣狀態(tài)數(shù)據(jù)對應的微博產(chǎn)品，并向用戶推薦微博產(chǎn)品。本發(fā)明通過針對每個用戶建立數(shù)據(jù)類別模型和預設的微博推薦模型，實現(xiàn)向每個用戶推送比較能滿足用戶需求的微博產(chǎn)品，使用戶獲得更好的體驗。
【IPC分類】H04L12/58, G06F17/30
【公開號】CN105095219
【申請?zhí)枴緾N201410167137
【發(fā)明人】楊強, 甄毅, 江焯林
【申請人】華為技術有限公司
【公開日】2015年11月25日
【申請日】2014年4月23日