[发明专利]品类推荐方法、存储设备和终端

说明书

本发明提供一种品类推荐方法、存储设备和终端，该方法包括步骤：获取目标用户在预设时间段内的品类观看记录，其中，所述品类观看记录包括观看的若干个品类以及对应的观看时长；根据若干个品类对应的观看时长，获得所述目标用户对各个品类的偏好程度；根据由若干个品类组成的源品类集合，生成第一幂集元素；根据所述第一幂集元素包含的品类的偏好程度，生成第一标识列表；根据所述第一幂集元素和所述第一标识列表，从预设的数据集中确定目标候选集；从所述目标候选集中选取品类并推荐给所述目标用户。本发明实施例大大提高了品类推荐的计算效率。

技术领域

本发明涉及计算机技术领域，具体而言，本发明涉及一种品类推荐方法、存储设备和终端。

背景技术

一般情况下，品类指的是对象的类别或者种类，例如，在游戏技术领域中，品类为游戏的名称，比如英雄联盟、王者荣耀等都是品类。品类信息复杂多样，用户在面对大量信息时无法从中获得自己真正需要的信息，因此对用户进行品类的推荐尤其重要。在给用户进行品类推荐时，先前千篇一律，给所有用户推荐的品类都是一样的，没有区别对待，现在已朝智能化方向发现，根据各个用户自身的兴趣爱好推荐品类，也就是常说的个性化推荐系统。其中有一个重要的环节是给用户推他没有看过的品类，用协同过滤来实现。

协同过滤，一种在数据挖掘中用于给用户推荐物品的模型，包括基于物品相似性的协同过滤与基于用户相似性的协同过滤。基于物品相似性的协同过滤基于物品的角度出发，给用户推荐的更多是自己兴趣范围内相似的。基于用户相似性的协同过滤从用户的角度出发，除了能满足前者的功能，还能拓展自身的兴趣爱好，给用户提供多种可能感兴趣的品类，提高应用留住用户的概率，因此为了追求更好的效果，一般选择基于用户相似性的协同过滤。

基于用户相似性的协同过滤，需要针对每个用户计算出与其最相近的若干个用户，再在这若干个用户看过的品类中挑选出该用户未观看过的品类，推荐给该用户。应用的用户量一般比较多，有的应用一个月的活跃用户都有好几千万，挑选跟自身最相近的若干个用户涉及到将用户群中的用户两两比较，实际上是做笛卡尔乘积，因此，在用户量较多时，采用笛卡尔乘积的运算量很庞大以至于几乎计算不出来，导致无法进行品类推荐。

发明内容

本发明针对现有方式的缺点，提出一种品类推荐方法、存储设备和终端，用以解决现有技术中存在的品类推荐计算效率低甚至无法计算的问题，以提高品类推荐的计算效率。

本发明的实施例根据第一个方面，提供了一种品类推荐方法，包括步骤：

获取目标用户在预设时间段内的品类观看记录，其中，所述品类观看记录包括观看的若干个品类以及对应的观看时长；

根据若干个品类对应的观看时长，获得所述目标用户对各个品类的偏好程度；

根据由若干个品类组成的源品类集合，生成第一幂集元素；

根据所述第一幂集元素包含的品类的偏好程度，生成第一标识列表；

根据所述第一幂集元素和所述第一标识列表，从预设的数据集中确定目标候选集，其中，所述数据集用于描述与各个幂集元素及其标识列表对应的候选集，所述候选集包括待推荐的品类；

从所述目标候选集中选取品类并推荐给所述目标用户。

在一个实施例中，所述从预设的数据集中确定目标候选集，包括：

获取所述目标用户对应的分组，其中，所述分组用于表征幂集元素及其标识列表；

将所述分组对应的候选集确定为目标候选集。

在一个实施例中，所述获取所述目标用户对应的分组之前，还包括：

获取各个用户在预设时间段内的品类观看记录；

根据若干个品类对应的观看时长，获得各个用户对各个品类的偏好程度；