信息推荐方法、装置和设备与流程

1.本技术涉及信息推荐系统技术领域，尤其涉及一种信息推荐方法、装置和设备。


背景技术：

2.目前个性化的信息推荐系统广泛应用于各个领域，该系统基于大数据推荐机制：将多样、海量的信息进行搜索以及筛选，结合用户的实际需要，将个性化信息推荐给不同的用户。因此为了使得用户能够快速准确的获取到感兴趣的内容，需要提高大数据推荐机制的准确性。
3.现有技术中，可以采用k均值聚类算法(k-means clustering algorithm，简称k-means聚类算法)对用户的信息进行聚类处理，可以对用户针对信息的评分参数进行聚类处理，进而进行信息的推荐。
4.但现有技术中，仅对用户针对信息的评分参数进行聚类处理以完成信息推荐的方式，并不准确，进而亟需一种准确的信息推荐方式。


技术实现要素：

5.本技术提供一种信息推荐方法、装置和设备，用以解决对用户的信息推荐并不准确的问题。
6.第一方面，本技术提供一种信息推荐方法，所述方法包括：
7.获取待分析用户组中每一待分析用户的第一信息数据，其中，所述第一信息数据中包括待分析用户对每一信息的评分参数；并获取目标用户的第二数据信息，其中，所述第二数据信息中包括所述目标用户对每一信息的评分参数；
8.根据各所述待分析用户的第一信息数据对各所述待分析用户进行聚类处理，得到多个簇，其中，每一簇中包括至少一个待分析用户；并根据所述目标用户的第二数据信息确定所述目标用户所归属的目标簇；
9.根据所述目标用户的第二数据信息、所述目标用户对每一信息的第一兴趣热度函数、以及所述目标簇中每一待分析用户的第一信息数据，确定与所述目标用户相似的相似用户；所述第一兴趣热度函数表征在随着时间的变化下目标用户对信息的兴趣热度的变化；每一所述相似用户与所述目标用户之间具有相似度参数；
10.根据每一所述相似用户对每一指定信息的评分参数、以及与每一所述相似用户对应的相似度参数，确定出所述目标用户针对每一指定信息的预测评分；根据所述每一指定信息的预测评分，确定并向所述目标用户推荐待推荐的指定信息。
11.在可行的一种实施方式中，所述根据各所述待分析用户的第一信息数据对各所述待分析用户进行聚类处理，得到多个簇，包括：
12.在根据各所述待分析用户的第一信息数据对所述待分析用户组进行聚类处理的过程中，根据每一所述待分析用户对每一信息的第二兴趣热度函数、以及所述每一待分析用户的第一信息数据，确定每一所述待分析用户与每一聚类中心之间的第一相似度，以得
到所述多个簇；
13.其中，所述聚类中心为所述待分析用户组中的一个待分析用户，所述第二兴趣热度函数表征在随着时间的变化下待分析用户对信息的兴趣热度的变化。
14.在可行的一种实施方式中，所述方法还包括：
15.针对同一信息，根据每一所述待分析用户对该信息的第一感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，确定第一时间差，所述第一时间差为所述第一感兴趣时间与所述第二感兴趣时间之间的差值的绝对值；
16.针对同一信息，根据所述第一时间差、当前时间、以及预设的兴趣热度衰减因子，建立每一所述待分析用户对该信息的第二兴趣热度函数；
17.其中，每一所述待分析用户对每一信息的第二兴趣热度函数为f(|t
pi-t
qi
|)＝1-μ(t-|t
pi-t
qi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间。
18.在可行的一种实施方式中，根据每一所述待分析用户对每一信息的第二兴趣热度函数、以及所述每一待分析用户的第一信息数据，确定每一所述待分析用户与每一聚类中心之间的第一相似度，包括：
19.针对同一信息，根据每一所述待分析用户对该信息的第二兴趣热度函数、所述每一待分析用户对该信息的评分参数、所述每一待分析用户的信息评分均值、每一聚类中心对该信息的评分参数以及每一聚类中心的信息评分均值，确定每一所述待分析用户与每一聚类中心之间针对该信息的相似度值；
20.根据每一所述待分析用户与每一聚类中心之间针对各信息的相似度值，确定每一所述待分析用户与每一聚类中心之间的第一相似度。
21.在可行的一种实施方式中，根据所述目标用户的第二数据信息确定所述目标用户所归属的目标簇，包括：
22.针对同一信息，根据每一所述目标用户对该信息的第三感兴趣时间、以及每一簇的聚类中心对该信息的第二感兴趣时间，确定第二时间差，其中，所述第二时间差为所述第三感兴趣时间与所述第二感兴趣时间之间的差值的绝对值；所述聚类中心为所述待分析用户组中的一个待分析用户；
23.针对同一信息，根据所述第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立所述目标用户对该信息的第三兴趣热度函数；其中，所述目标用户对每一信息的第三兴趣热度函数为f(|t
ui-t
qi
|)＝1-μ(t-|t
ui-t
qi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间；
24.针对同一信息，根据所述目标用户对该信息的第三兴趣热度函数、所述目标用户对该信息的评分参数、所述目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定所述目标用户与每一簇的聚类中心之间针对该信息的相似度值；
25.根据所述目标用户与每一簇的聚类中心之间针对各信息的相似度值，确定所述目
标用户与每一簇的聚类中心之间的第二相似度；
26.根据各所述第二相似度，确定所述目标用户所归属的目标簇。
27.在可行的一种实施方式中，根据所述目标用户的第二数据信息、所述目标用户对每一信息的第一兴趣热度函数、以及所述目标簇中每一待分析用户的第一信息数据，确定与所述目标用户相似的相似用户，包括：
28.针对同一信息，根据每一所述目标用户对该信息的第三感兴趣时间、以及所述目标簇中每一待分析用户对该信息的第一感兴趣时间，确定第三时间差，其中，所述第三时间差为所述第三感兴趣时间与所述第一感兴趣时间之间的差值的绝对值；
29.针对同一信息，根据所述第三时间差、当前时间、以及预设的兴趣热度衰减因子，建立所述目标用户对该信息的第一兴趣热度函数；其中，所述目标用户对每一信息的第一兴趣热度函数为f(|t
ui-t
vi
|)＝1-μ(t-|t
ui-t
vi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，为目标用户对第i个信息的第三感兴趣时间，t
vi
为所述目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间；
30.针对同一信息，根据所述目标用户对该信息的第一兴趣热度函数、所述目标用户对该信息的评分参数、所述目标用户对该信息的信息评分均值、所述目标簇中每一待分析用户对该信息的评分参数、以及所述目标簇中每一待分析用户的信息评分均值，确定所述目标用户与所述目标簇中每一待分析用户之间针对该信息的相似度值；
31.根据所述目标用户与所述目标簇中每一待分析用户之间针对该信息的相似度值，确定所述目标用户与所述目标簇中每一待分析用户之间的第三相似度；
32.根据各所述第三相似度，确定出与所述目标用户相似的相似用户。
33.在可行的一种实施方式中，与每一所述相似用户对应的相似度参数，为所述目标用户与每一所述相似用户之间的第三相似度；
34.根据每一所述相似用户对每一指定信息的评分参数、以及与每一所述相似用户对应的相似度参数，确定出所述目标用户针对每一指定信息的预测评分，包括：
35.根据所述目标用户的信息评分均值、每一所述相似用户对每一指定信息的评分参数、每一所述相似用户的信息评分均值、所述目标用户与每一所述相似用户之间的第三相似度，确定所述目标用户针对每一指定信息的预测评分。
36.在可行的一种实施方式中，所述目标用户针对每一指定信息的预测评分为
37.其中，为所述目标用户的信息评分均值；k表征相似用户，u表征所述目标用户，sim(u，k)为所述目标用户与每一所述相似用户之间的第三相似度，s为相似用户的集合；α
kj
为相似用户对第j个指定信息的评分参数，j为大于等于1、小于等于w的正整数，w为大于等于1的正整数，w为指定信息的总个数；为相似用户的信息评分均值。
38.第二方面，本技术提供一种信息推荐装置，所述装置包括：
39.获取单元，用于获取待分析用户组中每一待分析用户的第一信息数据，其中，所述第一信息数据中包括待分析用户对每一信息的评分参数；并获取目标用户的第二数据信息，其中，所述第二数据信息中包括所述目标用户对每一信息的评分参数；
40.处理单元，用于根据各所述待分析用户的第一信息数据对各所述待分析用户进行聚类处理，得到多个簇，其中，每一簇中包括至少一个待分析用户；
41.第一确定单元，用于根据所述目标用户的第二数据信息确定所述目标用户所归属的目标簇；
42.第二确定单元，用于根据所述目标用户的第二数据信息、所述目标用户对每一信息的第一兴趣热度函数、以及所述目标簇中每一待分析用户的第一信息数据，确定与所述目标用户相似的相似用户；所述第一兴趣热度函数表征在随着时间的变化下目标用户对信息的兴趣热度的变化；每一所述相似用户与所述目标用户之间具有相似度参数；
43.第三确定单元，用于根据每一所述相似用户对每一指定信息的评分参数、以及与每一所述相似用户对应的相似度参数，确定出所述目标用户针对每一指定信息的预测评分；
44.执行单元，用于根据所述每一指定信息的预测评分，确定并向所述目标用户推荐待推荐的指定信息。
45.在可行的一种实施方式中，所述处理单元具体用于：
46.在根据各所述待分析用户的第一信息数据对所述待分析用户组进行聚类处理的过程中，根据每一所述待分析用户对每一信息的第二兴趣热度函数、以及所述每一待分析用户的第一信息数据，确定每一所述待分析用户与每一聚类中心之间的第一相似度，以得到所述多个簇；
47.其中，所述聚类中心为所述待分析用户组中的一个待分析用户，所述第二兴趣热度函数表征在随着时间的变化下待分析用户对信息的兴趣热度的变化。
48.在可行的一种实施方式中，所述装置还包括：
49.计算单元，用于针对同一信息，根据每一所述待分析用户对该信息的第一感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，确定第一时间差，所述第一时间差为所述第一感兴趣时间与所述第二感兴趣时间之间的差值的绝对值；
50.建立单元，用于针对同一信息，根据所述第一时间差、当前时间、以及预设的兴趣热度衰减因子，建立每一所述待分析用户对该信息的第二兴趣热度函数；
51.其中，每一所述待分析用户对每一信息的第二兴趣热度函数为f(|t
pi-t
qi
|)＝1-μ(t-|t
pi-t
qi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间。
52.在可行的一种实施方式中，所述处理单元，包括：
53.第一计算子单元，用于针对同一信息，根据每一所述待分析用户对该信息的第二兴趣热度函数、所述每一待分析用户对该信息的评分参数、所述每一待分析用户的信息评分均值、每一聚类中心对该信息的评分参数以及每一聚类中心的信息评分均值，确定每一所述待分析用户与每一聚类中心之间针对该信息的相似度值；
54.第一确定子单元，用于根据每一所述待分析用户与每一聚类中心之间针对各信息的相似度值，确定每一所述待分析用户与每一聚类中心之间的第一相似度。
55.在可行的一种实施方式中，所述第一确定单元包括：
56.第二计算子单元，用于针对同一信息，根据每一所述目标用户对该信息的第三感
兴趣时间、以及每一簇的聚类中心对该信息的第二感兴趣时间，确定第二时间差，其中，所述第二时间差为所述第三感兴趣时间与所述第二感兴趣时间之间的差值的绝对值；所述聚类中心为所述待分析用户组中的一个待分析用户；
57.第一建立子单元，用于针对同一信息，根据所述第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立所述目标用户对该信息的第三兴趣热度函数；其中，所述目标用户对每一信息的第三兴趣热度函数为f(|t
ui-t
qi
|)＝1-μ(t-|t
ui-t
qi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间；
58.第三计算子单元，用于针对同一信息，根据所述目标用户对该信息的第三兴趣热度函数、所述目标用户对该信息的评分参数、所述目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定所述目标用户与每一簇的聚类中心之间针对该信息的相似度值；
59.第二确定子单元，用于根据所述目标用户与每一簇的聚类中心之间针对各信息的相似度值，确定所述目标用户与每一簇的聚类中心之间的第二相似度；
60.第三确定子单元，用于根据各所述第二相似度，确定所述目标用户所归属的目标簇。
61.在可行的一种实施方式中，所述第二确定单元，包括：
62.第四计算子单元，用于针对同一信息，根据每一所述目标用户对该信息的第三感兴趣时间、以及所述目标簇中每一待分析用户对该信息的第一感兴趣时间，确定第三时间差，其中，所述第三时间差为所述第三感兴趣时间与所述第一感兴趣时间之间的差值的绝对值；
63.第二建立子单元，用于针对同一信息，根据所述第三时间差、当前时间、以及预设的兴趣热度衰减因子，建立所述目标用户对该信息的第一兴趣热度函数；其中，所述目标用户对每一信息的第一兴趣热度函数为f(|t
ui-t
vi
|)＝1-μ(t-|t
ui-t
vi
|)
λ
；μ、λ均为所述兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
vi
为所述目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为所述当前时间；
64.第五计算子单元，用于针对同一信息，根据所述目标用户对该信息的第一兴趣热度函数、所述目标用户对该信息的评分参数、所述目标用户对该信息的信息评分均值、所述目标簇中每一待分析用户对该信息的评分参数、以及所述目标簇中每一待分析用户的信息评分均值，确定所述目标用户与所述目标簇中每一待分析用户之间针对该信息的相似度值；
65.第四确定子单元，用于根据所述目标用户与所述目标簇中每一待分析用户之间针对该信息的相似度值，确定所述目标用户与所述目标簇中每一待分析用户之间的第三相似度；
66.第五确定子单元，用于根据各所述第三相似度，确定出与所述目标用户相似的相似用户。
67.在可行的一种实施方式中，与每一所述相似用户对应的相似度参数，为所述目标
用户与每一所述相似用户之间的第三相似度；所述第三确定单元具体用于：
68.根据所述目标用户的信息评分均值、每一所述相似用户对每一指定信息的评分参数、每一所述相似用户的信息评分均值、所述目标用户与每一所述相似用户之间的第三相似度，确定所述目标用户针对每一指定信息的预测评分。
69.在可行的一种实施方式中，所述目标用户针对每一指定信息的预测评分为
70.其中，为所述目标用户的信息评分均值；k表征相似用户，u表征所述目标用户，sim(u，k)为所述目标用户与每一所述相似用户之间的第三相似度，s为相似用户的集合；α
kj
为相似用户对第j个指定信息的评分参数，j为大于等于1、小于等于w的正整数，w为大于等于1的正整数，w为指定信息的总个数；为相似用户的信息评分均值。
71.第三方面本技术提供一种电子设备，所述电子设备包括：存储器，处理器；
72.存储器；用于存储所述处理器可执行指令的存储器；
73.其中，所述处理器被配置为执行如第一方面所述的方法。
74.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
75.第五方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。
76.本技术提供的一种信息推荐方法、装置和设备，通过获取待分析用户组中每一待分析用户的第一信息数据、目标用户的第二数据信息，其中，第一信息数据中包括待分析用户对每一信息的评分参数，第二数据信息中包括目标用户对每一信息的评分参数；根据各待分析用户的第一信息数据对各待分析用户进行聚类处理，得到多个簇，再目标用户的第二数据信息确定目标用户所归属的目标簇。再根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户，同时确定出每一相似用户与目标用户之间的相似度参数，根据每一相似用户对每一指定信息的评分参数、以及与每一相似用户对应的相似度参数，确定出目标用户针对每一指定信息的预测评分，根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息，在这个过程中，不仅参照了用户针对信息的评分参数，还考虑到了用户对信息的兴趣热度随时间的变化，提高了推荐系统的预测准确度。
附图说明
77.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
78.图1为本技术实施例提供的一种信息推荐方法的流程图；
79.图2为本技术实施例提供的另一种信息推荐方法的流程图；
80.图3为本技术实施例提供的一种信息推荐装置的结构示意图；
81.图4为本技术实施例提供的另一种信息推荐装置的结构示意图；
82.图5为本技术实施例提供的一种电子设备的结构示意图；
83.图6是本技术实施例提供的一种终端设备的框图。
84.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
85.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
86.目前个性化的信息推荐系统广泛应用于各个领域，信息推荐系统基于大数据推荐机制：将复杂多样、海量的信息进行搜索以及筛选，结合用户的实际需要，将个性化信息推荐给不同的用户。因此为了使得用户能够快速准确的获取到感兴趣的内容，需要提高大数据推荐机制的准确性。
87.一个示例中，目前老龄化加重，据2021年人口普查结果显示，我国60岁及以上人口为2.6亿，占全国总人口的18.70％(其中，65岁及以上人口为1.9亿，占全国总人口的13.50％)，而加强老年文化建设是积极应对人口老龄化和支持养老服务业建设的重要任务，据调查发现，老年人最希望增加是老年大学，但目前由于疫情等多方面原因，线下的老年大学不便于老年人进行学习，因此线上的老年大学成为老人获取知识的重点途径。目前，线上存在多种形式的老年大学学习平台，但他们基于大数据的对老年人进行信息推荐。
88.现有技术中，可以采用k-means聚类算法对用户的信息进行聚类处理，其核心思想为：首先在全部对象中任选个作为聚类中心，然后通过用户相似度，计算出用户与每个聚类中心的相似度，并且将用户分至所得值最大的簇内，直至全部划分为止，得到个簇群。每个簇群中的各用户之间都拥有极大的相似度。聚类结束后，再根据公式计算出目标用户和各聚类中心相似程度，目标用户的邻居集合就是相似度最高的簇中用户集合。得到目标用户与邻居集合中用户的相似度值，并且按照从大到小的顺序排列，取得的前个用户即为最近邻集合。可以对用户针对信息的评分参数进行聚类处理，进而进行信息的推荐。但上述方法中，仅对用户针对信息的评分参数，获得用户之间的相似度，进而完成信息推荐的方式，并不准确。
89.本技术提供的信息推荐方法，旨在解决现有技术的如上技术问题。
90.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
91.图1为本技术实施例提供的一种信息推荐方法的流程图，如图1所示，该方法包括：
92.101、获取待分析用户组中每一待分析用户的第一信息数据，其中，第一信息数据中包括待分析用户对每一信息的评分参数；并获取目标用户的第二数据信息，其中，第二数据信息中包括目标用户对每一信息的评分参数。
93.示例性地，为了预测某个特定的用户，即目标用户对指定信息的偏好，随机挑选出多个待分析用户组成待分析用户集合，对待分析用户与目标用户的偏好相似度进行分析。
一个信息集合中可以包含有多个信息，为了便于后续的相似度分析，针对于信息集合中，待分析用户进行过评分并且目标用户也进行过评分的所有信息，获取待分析用户集合中的每一个待分析用户的第一信息数据，其中，每一个待分析用户的第一信息数据都包含着待分析用户对于每一信息的评分参数，同样的，针对于信息集合中，待分析用户进行过评分并且目标用户也进行过评分的所有信息，获取目标用户的第二数据信息，目标用户的第二信息数据包含着目标用户对于每一信息的评分参数，其中，评分参数可以表征着用户信息的感兴趣程度、点击率、购买率等。
94.102、根据各待分析用户的第一信息数据对各待分析用户进行聚类处理，得到多个簇，其中，每一簇中包括至少一个待分析用户。
95.示例性地，首先随机选择多个待分析用户作为聚类处理的聚类中心，根据各待分析用户的第一信息数据，取其余待分析用户中的一个待分析用户分别与每一聚类中心进行相似度分析，得到多个相似度分析的计算值，确定这其中相似度分析最大的计算值，将该待分析用户划分到该最大计算值所对应的聚类中心的簇中，形成簇群，并将该待分析用户作为该簇群新的聚类中心；以此类推，对剩余待分析用户也按照该流程进行聚类处理，经过不断更新聚类中心，最终所有的待分析用户被分别归类进多个簇中。
96.103、根据目标用户的第二数据信息确定目标用户所归属的目标簇。
97.示例性地，根据目标用户的第二数据信息，将目标用户与上述确定的多个个簇的每一个聚类中心进行相似度分析，得到得到多个相似度分析的计算值，进而确定这些相似度分析的计算值中最大的计算值，将目标用户划分到该最大的计算值所对应的聚类中心的簇中，该簇即为目标用户所归属的目标簇。
98.104、根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户；第一兴趣热度函数征在随着时间的变化下目标用户对信息的兴趣热度的变化；每一相似用户与目标用户之间具有相似度参数。
99.示例性地，根据目标用户的第二数据信息、目标簇中每一待分析用户的第一信息数据，将目标用户与目标簇中每一待分析用户进行相似度分析，得到多个目标用户与目标簇中每一待分析用户的相似度分析的计算值，将这些计算值进行由大到小的排序，选择这个序列中的前几序位作为目标用户相似的相似用户(例如选择序列中处于前三序位待分析用户作为目标用户相似的相似用户)，相似用户与目标用户之间的相似度分析的计算值，即相似度参数，这些相似度参数表征相似用户与目标用户对于信息的偏好方面的相似程度。并且，在相似度分析的过程中，考虑到目标用户以及待分析用户对信息的兴趣热度会随着时间的变化而变化，引入了第一兴趣热度函数。
100.105、根据每一相似用户对每一指定信息的评分参数、以及与每一相似用户对应的相似度参数，确定出目标用户针对每一指定信息的预测评分。
101.示例性地，为了得到目标用户对每一指定信息的预测评分，以便针对性的对目标用户进行信息推荐，获取每一相似用户对每一指定信息的评分参数，根据每一相似用户与目标用户相似度参数，确定出目标用户针对每一指定信息的预测评分。
102.106、根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息。
103.示例性地，根据目标用户针对每一指定信息的预测评分，根据预设的相关规则，确
定并向目标用户推荐待推荐的指定信息，例如当目标对指定信息的预测评分大于一定预设阈值时，则将该指定信息推荐给目标用户。
104.本实施例中，获取待分析用户组中每一待分析用户的第一信息数据、目标用户的第二数据信息，其中，第一信息数据中包括待分析用户对每一信息的评分参数，第二数据信息中包括目标用户对每一信息的评分参数；根据各待分析用户的第一信息数据对各待分析用户进行聚类处理，得到多个簇，再目标用户的第二数据信息确定目标用户所归属的目标簇。再根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户，同时确定出每一相似用户与目标用户之间的相似度参数，根据每一相似用户对每一指定信息的评分参数、以及与每一相似用户对应的相似度参数，确定出目标用户针对每一指定信息的预测评分，根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息，在这个过程中，不仅参照了用户针对信息的评分参数，还考虑到了用户对信息的兴趣热度随时间的变化，提高了推荐系统的预测准确度。
105.图2为本技术实施例提供的另一种信息推荐方法的流程图，如图2所示，该方法包括：
106.201、获取待分析用户组中每一待分析用户的第一信息数据，其中，第一信息数据中包括待分析用户对每一信息的评分参数；并获取目标用户的第二数据信息，其中，第二数据信息中包括目标用户对每一信息的评分参数。
107.示例性地，本步骤可以参见图1的步骤101，不再赘述。
108.202、针对同一信息，根据每一待分析用户对该信息的第一感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，确定第一时间差，第一时间差为第一感兴趣时间与第二感兴趣时间之间的差值的绝对值。
109.示例性地，针对同一信息，根据每一待分析用户对该信息的第一感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，将第一感兴趣时间与第二感兴趣时间之间的差值的绝对值确定为第一时间差，其中，第一感兴趣时间表征待分析用户对该信息的关注时间，例如待分析用户接触该信息的起始时间，当第一感兴趣时间的值越大时，根据依据艾兵浩斯遗忘曲线，待分析用户对该信息的兴趣热度会越低；同样的，第二感兴趣时间表征聚类中心对该信息的关注时间，例如作为聚类中心的用户接触该信息的起始时间，当第二感兴趣时间的值越大时，作为聚类中心的用户对该信息的兴趣热度会越低。
110.203、针对同一信息，根据第一时间差、当前时间、以及预设的兴趣热度衰减因子，建立每一待分析用户对该信息的第二兴趣热度函数。
111.其中，每一待分析用户对每一信息的第二兴趣热度函数为f(|t
pi-t
qi
|)＝1-μ(t-|t
pi-t
qi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
112.示例性地，针对同一个信息，根据待分析用户与聚类中心的第一时间差、当前时间、以及预设的兴趣热度衰减因子，建立每一待分析用户对该信息的第二兴趣热度函数，其中当前时间表征当前系统时间，预设的兴趣热度衰减因子为兴趣热度随时间变化而衰减的参数，第二兴趣热度函数表征了待分析用户与作为聚类中心的用户之间的兴趣热度判别残
差。
113.一个示例中，用户对信息的兴趣热度会随着一些外在或内在因素而产生改变，例如用户对信息的兴趣热度会随着时间的推移而变化，依据艾兵浩斯遗忘曲线，将关注某类信息的时间，即感兴趣时间，与用户的兴趣热度的相关性函数定义为：
114.f(t)＝1-μ(t-t)
λ t≥t
115.式中：μ和λ表示兴趣热度衰减因子，t为用户对信息的感兴趣时间，t表示当前时间。所以当时t＝t时，f(t)达到最大，表示此时用户兴趣热度最大。
116.一个示例中，根据用户的兴趣热度的相关性函数的定义，每一待分析用户对每一信息的第二兴趣热度函数为：
117.f(|t
pi-t
qi
|)＝1-μ(ｔ-|t
pi-t
qi
|)
λ
118.其中，μ、λ均为兴趣热度衰减因子，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
119.204、在根据各待分析用户的第一信息数据对待分析用户组进行聚类处理的过程中，根据每一待分析用户对每一信息的第二兴趣热度函数、以及每一待分析用户的第一信息数据，确定每一待分析用户与每一聚类中心之间的第一相似度，以得到多个簇，其中，聚类中心为待分析用户组中的一个待分析用户，第二兴趣热度函数表征在随着时间的变化下待分析用户对信息的兴趣热度的变化。
120.一个示例中，步骤204包括以下步骤：
121.在根据各待分析用户的第一信息数据对待分析用户组进行聚类处理的过程中，针对同一信息，根据每一待分析用户对该信息的第二兴趣热度函数、每一待分析用户对该信息的评分参数、每一待分析用户的信息评分均值、每一聚类中心对该信息的评分参数以及每一聚类中心的信息评分均值，确定每一待分析用户与每一聚类中心之间针对该信息的相似度值。
122.根据每一待分析用户与每一聚类中心之间针对各信息的相似度值，确定每一待分析用户与每一聚类中心之间的第一相似度，以得到多个簇。
123.示例性地，在根据各待分析用户的第一信息数据对待分析用户组进行聚类处理的过程中，首先随机选择多个待分析用户作为聚类处理的聚类中心，任意取出一个待分析用户，根据该待分析用户对每一信息的评分参数，该待分析用户的信息评分均值、每一聚类中心对每一信息的评分参数以及每一聚类中心的信息评分均值，待分析用户对每一信息的第二兴趣热度函数，确定该待分析用户与每一聚类中心之间针对每一信息的相似度值。其中，待分析用户的信息评分均值为该待分析用户对信息的评分历史数据，在一定程度上可以反映出该待分析用户的评分习惯，聚类中心的信息评分均值也可以反映出作为聚类中心的用户的评分习惯，将该待分析用户与每一聚类中心之间针对每一信息的相似度值进行加权平均，得到待分析用户与每一聚类中心之间的第一相似度，进而确定最大的第一相似度，将该待分析用户划分最大的第一相似度所对应的聚类中心的簇中，形成簇群，并将该待分析用户作为该簇群新的聚类中心，以此类推，对剩余全部待分析用户也按照该流程进行聚类处理，经过不断更新聚类中心，得到多个簇，其中，聚类中心为待分析用户组中的一个待分析用户，第二兴趣热度函数表征在随着时间的变化下待分析用户对信息的兴趣热度的变化。
124.一个示例中，根据每一待分析用户对该信息的第二兴趣热度函数、每一待分析用户对该信息的评分参数、每一待分析用户的信息评分均值、每一聚类中心对该信息的评分参数以及每一聚类中心的信息评分均值，确定每一待分析用户与每一聚类中心之间针对该信息的相似度值，可以采用以下公式：
[0125][0126]
其中，p为待分析用户，q为聚类中心，为待分析用户p评分的均值；为聚类中心q评分的均值；α
pi
为待分析用户p对信息i的评分参数；α
qi
代表聚类中心q对信息i的评分参数，f(|t
pi-t
qi
|为待分析用户对该信息的第二兴趣热度函数，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0127]
205、根据目标用户的第二数据信息确定目标用户所归属的目标簇。
[0128]
一个示例中，步骤205包括以下步骤：
[0129]
针对同一信息，根据目标用户对该信息的第三感兴趣时间、以及每一簇的聚类中心对该信息的第二感兴趣时间，确定第二时间差，其中，第二时间差为第三感兴趣时间与第二感兴趣时间之间的差值的绝对值；聚类中心为待分析用户组中的一个待分析用户。
[0130]
针对同一信息，根据第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第三兴趣热度函数；其中，目标用户对每一信息的第三兴趣热度函数为f(|t
ui-t
qi
|)＝1-μ(t-|t
ui-t
qi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0131]
针对同一信息，根据目标用户对该信息的第三兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定目标用户与每一簇的聚类中心之间针对该信息的相似度值。
[0132]
根据目标用户与每一簇的聚类中心之间针对各信息的相似度值，确定目标用户与每一簇的聚类中心之间的第二相似度。
[0133]
根据各第二相似度，确定目标用户所归属的目标簇。
[0134]
示例性地，针对同一信息，根据每一目标用户对该信息的第三感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，将第一感兴趣时间与第二感兴趣时间之间的差值的绝对值确定为第二时间差，其中，第三感兴趣时间表征目标用户对该信息的关注时间，例如目标用户接触该信息的起始时间，当第三感兴趣时间的值越大时，根据依据艾兵浩斯遗忘曲线，目标用户对该信息的兴趣热度会越低；同样的，第二感兴趣时间表征作为聚类中心的用户对该信息的关注时间，根据目标用户与每一聚类中心的第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第三兴趣热度函数，其中当前时间表征当前系统时间，预设的兴趣热度衰减因子为兴趣热度随时间变化而衰减的参数，第三兴
趣热度函数表征目标用户与作为聚类中心的用户之间的兴趣热度判别残差，根据目标用户的对每一信息的评分参数，目标用户信息的信息评分均值，每一簇的聚类中心对每一信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定目标用户与每一簇的聚类中心之间针对每一信息的相似度值，将该目标用户与每一聚类中心之间针对每一信息的相似度值进行加权平均，得到目标用户与每一聚类中心之间的第二相似度，进而确定最大的第二相似度，选择最大的第二相似度对应的聚类中心所在的簇，作为目标簇。其中，聚类中心为待分析用户组中的一个待分析用户，第三兴趣热度函数表征在随着时间的变化下目标用户对信息的兴趣热度的变化。
[0135]
一个示例中，针对同一信息，根据第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第三兴趣热度函数为：
[0136]
f(|t
ui-t
qi
|)＝1-μ(t-|t
ui-t
qi
|)
λ
[0137]
其中，μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0138]
一个示例中，针对同一信息，根据目标用户对该信息的第三兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定目标用户与每一簇的聚类中心之间针对该信息的相似度值，可以采用以下公式：
[0139][0140]
其中，u为目标用户，q为聚类中心，为目标用户u评分的均值；为聚类中心q评分的均值；α
ui
为目标用户u对信息i的评分参数；α
qi
代表聚类中心q对信息i的评分参数，f(|t
ui-t
qi
|)为目标用户对该信息的第三兴趣热度函数，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0141]
206、根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户；第一兴趣热度函数征在随着时间的变化下目标用户对信息的兴趣热度的变化；每一相似用户与目标用户之间具有相似度参数。
[0142]
一个示例中，步骤206包括以下步骤：
[0143]
针对同一信息，根据每一目标用户对该信息的第三感兴趣时间、以及目标簇中每一待分析用户对该信息的第一感兴趣时间，确定第三时间差，其中，第三时间差为第三感兴趣时间与第一感兴趣时间之间的差值的绝对值。
[0144]
针对同一信息，根据第三时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第一兴趣热度函数；其中，目标用户对每一信息的第一兴趣热度函数为f(|t
ui-t
vi
|)＝1-μ(t-|t
ui-t
vi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
vi
为目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于
等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0145]
针对同一信息，根据目标用户对该信息的第一兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、目标簇中每一待分析用户对该信息的评分参数、以及目标簇中每一待分析用户的信息评分均值，确定目标用户与目标簇中每一待分析用户之间针对该信息的相似度值。
[0146]
根据目标用户与目标簇中每一待分析用户之间针对该信息的相似度值，确定目标用户与目标簇中每一待分析用户之间的第三相似度。
[0147]
根据各第三相似度，确定出与目标用户相似的相似用户。
[0148]
示例性地，针对同一信息，根据目标用户对该信息的第三感兴趣时间、以及目标簇中每一待分析用户对该信息的第一感兴趣时间，将第三感兴趣时间与第一感兴趣时间之间的差值的绝对值确定为第三时间差，其中，第三感兴趣时间表征目标用户对该信息的关注时间，例如目标用户接触该信息的起始时间，当第三感兴趣时间的值越大时，目标用户对该信息的兴趣热度会越低；同样的，第一感兴趣时间表征目标簇中每一待分析用户对该信息的关注时间，根据目标用户与目标簇中每一待分析用户的第三时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第一兴趣热度函数，其中当前时间表征当前系统时间，预设的兴趣热度衰减因子为兴趣热度随时间变化而衰减的参数，第一兴趣热度函数为目标用户与目标簇中每一待分析用户之间的兴趣热度判别残差函数，针对同一信息，根据目标用户对每一信息的第一兴趣热度函数、目标用户对每一信息的评分参数、目标用户对信息的信息评分均值、目标簇中每一待分析用户对每一信息的评分参数、以及目标簇中每一待分析用户的信息评分均值，确定目标用户与目标簇中每一待分析用户之间针对每一信息的相似度值，确定目标用户与目标簇中每一待分析用户之间针对每一信息的相似度值，将该目标用户与目标簇中每一待分析用户之间针对每一信息的相似度值进行加权平均，得到目标用户与每一聚类中心之间的第三相似度，将这些第三相似度进行由大到小的排序，选择这个序列中的前几序位作为目标用户相似的相似用户(例如选择序列中处于前三序位待分析用户作为目标用户相似的相似用户)，相似用户与目标用户之间的相似度分析的第三相似度，即相似度参数，这些相似度参数表征相似用户与目标用户对于信息的偏好方面的相似程度。
[0149]
一个示例中，目标用户对每一信息的第一兴趣热度函数为f(|t
ui-t
vi
|)＝1-μ(t-|t
ui-t
vi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
vi
为目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0150]
一个示例中，针对同一信息，根据目标用户对该信息的第一兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、目标簇中每一待分析用户对该信息的评分参数、以及目标簇中每一待分析用户的信息评分均值，确定目标用户与目标簇中每一待分析用户之间针对该信息的相似度值，可以采用以下公式：
[0151][0152]
其中，其中，u为目标用户，v为目标簇中的待分析用户，为目标用户u评分的均
值；为目标簇中待分析用户v评分的均值；α
ui
为目标用户u对信息i的评分参数；α
vi
代表目标簇中待分析用户v对信息i的评分参数，f(|t
ui-t
vi
|)为目标用户对该信息的第一兴趣热度函数，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
vi
为目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0153]
207、与每一相似用户对应的相似度参数，为目标用户与每一相似用户之间的第三相似度；根据目标用户的信息评分均值、每一相似用户对每一指定信息的评分参数、每一相似用户的信息评分均值、目标用户与每一相似用户之间的第三相似度，确定目标用户针对每一指定信息的预测评分。
[0154]
一个示例中，目标用户针对每一指定信息的预测评分为
[0155]
其中，为目标用户的信息评分均值；k表征相似用户，u表征目标用户，sim(u，k)为目标用户与每一相似用户之间的第三相似度，s为相似用户的集合；α
kj
为相似用户对第j个指定信息的评分参数，j为大于等于1、小于等于w的正整数，w为大于等于1的正整数，w为指定信息的总个数；为相似用户的信息评分均值。
[0156]
示例性地，为了得到目标用户对每一指定信息的预测评分，以便针对性的对目标用户进行信息推荐，获取每一相似用户对每一指定信息的评分参数，以及每一相似用户的信息评分均值，根据每一相似用户与目标用户相似度参数，以及目标用户的信息评分均值，确定出目标用户针对每一指定信息的预测评分。其中，与每一相似用户对应的相似度参数，为目标用户与每一相似用户之间的第三相似度，该目标用户的信息评分均值为目标用户对信息的评分历史数据，在一定程度上可以反映出目标用户的评分习惯。
[0157]
一个示例中，；根据目标用户的信息评分均值、每一相似用户对每一指定信息的评分参数、每一相似用户的信息评分均值、目标用户与每一相似用户之间的第三相似度，确定目标用户针对每一指定信息的预测评分，可以采用以下公式：
[0158][0159]
其中，为目标用户的信息评分均值；k表征相似用户，u表征目标用户，sim(u，k)为目标用户与每一相似用户之间的第三相似度，s为相似用户的集合；α
kj
为相似用户对第j个指定信息的评分参数，j为大于等于1、小于等于w的正整数，w为大于等于1的正整数，w为指定信息的总个数；为相似用户的信息评分均值。
[0160]
208、根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息。
[0161]
示例性地，示例性地，本步骤可以参见图1的步骤106，不再赘述。
[0162]
本实施例中，获取待分析用户组中每一待分析用户的第一信息数据、目标用户的第二数据信息，其中，第一信息数据中包括待分析用户对每一信息的评分参数，第二数据信息中包括目标用户对每一信息的评分参数；根据各待分析用户的第一信息数据、各待分析用户对每一信息的第二兴趣热度函数、对各待分析用户进行聚类处理，得到多个簇，再根据目标用户的第二数据信息、目标用户对每一信息的第三兴趣热度函数、目标用户对该信息
的评分参数、目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定目标用户所归属的目标簇。根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户，同时确定出每一相似用户与目标用户之间的相似度参数，根据每一相似用户对每一指定信息的评分参数、以及与每一相似用户对应的相似度参数，确定出目标用户针对每一指定信息的预测评分，根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息，在这个过程中，针对待分析用户、作为聚类中心的用户、目标用户，都通过建立兴趣热度函数考虑到了用户对信息的兴趣热度随时间的变化，提高了推荐系统的预测准确度。
[0163]
图3为本技术实施例提供的一种信息推荐装置的结构示意图，如图3所示，该装置包括：
[0164]
获取单元31，用于获取待分析用户组中每一待分析用户的第一信息数据，其中，第一信息数据中包括待分析用户对每一信息的评分参数；并获取目标用户的第二数据信息，其中，第二数据信息中包括目标用户对每一信息的评分参数。
[0165]
处理单元32，用于根据各待分析用户的第一信息数据对各待分析用户进行聚类处理，得到多个簇，其中，每一簇中包括至少一个待分析用户。
[0166]
第一确定单元33，用于根据目标用户的第二数据信息确定目标用户所归属的目标簇。
[0167]
第二确定单元34，用于根据目标用户的第二数据信息、目标用户对每一信息的第一兴趣热度函数、以及目标簇中每一待分析用户的第一信息数据，确定与目标用户相似的相似用户；第一兴趣热度函数征在随着时间的变化下目标用户对信息的兴趣热度的变化；每一相似用户与目标用户之间具有相似度参数。
[0168]
第三确定单元35，用于根据每一相似用户对每一指定信息的评分参数、以及与每一相似用户对应的相似度参数，确定出目标用户针对每一指定信息的预测评分。
[0169]
执行单元36，用于根据每一指定信息的预测评分，确定并向目标用户推荐待推荐的指定信息。
[0170]
图4为本技术实施例提供的另一种信息推荐装置的结构示意图，在图3所示实施例的基础上，如图4所示，该装置包括：
[0171]
一个示例中，处理单元32具体用于：
[0172]
在根据各待分析用户的第一信息数据对待分析用户组进行聚类处理的过程中，根据每一待分析用户对每一信息的第二兴趣热度函数、以及每一待分析用户的第一信息数据，确定每一待分析用户与每一聚类中心之间的第一相似度，以得到多个簇；其中，聚类中心为待分析用户组中的一个待分析用户，第二兴趣热度函数表征在随着时间的变化下待分析用户对信息的兴趣热度的变化。
[0173]
一个示例中，该装置还包括：
[0174]
计算单元41，用于针对同一信息，根据每一待分析用户对该信息的第一感兴趣时间、以及每一聚类中心对该信息的第二感兴趣时间，确定第一时间差，第一时间差为第一感兴趣时间与第二感兴趣时间之间的差值的绝对值。
[0175]
建立单元42，用于针对同一信息，根据第一时间差、当前时间、以及预设的兴趣热
度衰减因子，建立每一待分析用户对该信息的第二兴趣热度函数；其中，每一待分析用户对每一信息的第二兴趣热度函数为f(|t
pi-t
qi
|)＝1-μ(t-|t
pi-t
qi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
pi
为待分析用户对第i个信息的第一感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0176]
一个示例中，处理单元32包括：
[0177]
第一计算子单元321，用于针对同一信息，根据每一待分析用户对该信息的第二兴趣热度函数、每一待分析用户对该信息的评分参数、每一待分析用户的信息评分均值、每一聚类中心对该信息的评分参数以及每一聚类中心的信息评分均值，确定每一待分析用户与每一聚类中心之间针对该信息的相似度值。
[0178]
第一确定子单元322，用于根据每一待分析用户与每一聚类中心之间针对各信息的相似度值，确定每一待分析用户与每一聚类中心之间的第一相似度。
[0179]
一个示例中，第一确定单元33包括：
[0180]
第二计算子单元331，用于针对同一信息，根据每一目标用户对该信息的第三感兴趣时间、以及每一簇的聚类中心对该信息的第二感兴趣时间，确定第二时间差，其中，第二时间差为第三感兴趣时间与第二感兴趣时间之间的差值的绝对值；聚类中心为待分析用户组中的一个待分析用户。
[0181]
第一建立子单元332，用于针对同一信息，根据第二时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第三兴趣热度函数；其中，目标用户对每一信息的第三兴趣热度函数为f(|t
ui-t
qi
|)＝1-μ(t-|t
ui-t
qi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
qi
为聚类中心对第i个信息的第二感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个数；t为当前时间。
[0182]
第三计算子单元333，用于针对同一信息，根据目标用户对该信息的第三兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、每一簇的聚类中心对该信息的评分参数、以及每一簇的聚类中心的信息评分均值，确定目标用户与每一簇的聚类中心之间针对该信息的相似度值。
[0183]
第二确定子单元334，用于根据目标用户与每一簇的聚类中心之间针对各信息的相似度值，确定目标用户与每一簇的聚类中心之间的第二相似度。
[0184]
第三确定子单元335，用于根据各第二相似度，确定目标用户所归属的目标簇。
[0185]
一个示例中，第二确定单元34包括：
[0186]
第四计算子单元341，用于针对同一信息，根据每一目标用户对该信息的第三感兴趣时间、以及目标簇中每一待分析用户对该信息的第一感兴趣时间，确定第三时间差，其中，第三时间差为第三感兴趣时间与第一感兴趣时间之间的差值的绝对值。
[0187]
第二建立子单元342，用于针对同一信息，根据第三时间差、当前时间、以及预设的兴趣热度衰减因子，建立目标用户对该信息的第一兴趣热度函数；其中，目标用户对每一信息的第一兴趣热度函数为f(|t
ui-t
vi
|)＝1-μ(t-|t
ui-t
vi
|)
λ
；μ、λ均为兴趣热度衰减因子，t
ui
为目标用户对第i个信息的第三感兴趣时间，t
vi
为目标簇中待分析用户对第i个信息的第一感兴趣时间，i为大于等于1、小于等于n的正整数，n为大于等于1的正整数，n为信息的总个
数；t为当前时间。
[0188]
第五计算子单元343，用于针对同一信息，根据目标用户对该信息的第一兴趣热度函数、目标用户对该信息的评分参数、目标用户对该信息的信息评分均值、目标簇中每一待分析用户对该信息的评分参数、以及目标簇中每一待分析用户的信息评分均值，确定目标用户与目标簇中每一待分析用户之间针对该信息的相似度值。
[0189]
第四确定子单元344，用于根据目标用户与目标簇中每一待分析用户之间针对该信息的相似度值，确定目标用户与目标簇中每一待分析用户之间的第三相似度。
[0190]
第五确定子单元345，用于根据各第三相似度，确定出与目标用户相似的相似用户。
[0191]
一个示例中，与每一相似用户对应的相似度参数，为目标用户与每一相似用户之间的第三相似度；第三确定单元35具体用于：
[0192]
根据目标用户的信息评分均值、每一相似用户对每一指定信息的评分参数、每一相似用户的信息评分均值、目标用户与每一相似用户之间的第三相似度，确定目标用户针对每一指定信息的预测评分。
[0193]
一个示例中，目标用户针对每一指定信息的预测评分为：
[0194][0195]
其中，为目标用户的信息评分均值；k表征相似用户，u表征目标用户，sim(u，k)为目标用户与每一相似用户之间的第三相似度，s为相似用户的集合；α
kj
为相似用户对第j个指定信息的评分参数，j为大于等于1、小于等于w的正整数，w为大于等于1的正整数，w为指定信息的总个数；为相似用户的信息评分均值。
[0196]
图5为本技术实施例提供的一种电子设备的结构示意图，如图5所示，电子设备包括：存储器51，处理器52。
[0197]
存储器51；用于存储处理器52可执行指令的存储器。
[0198]
其中，处理器52被配置为执行如上述实施例提供的方法。
[0199]
图6是根据一示例性实施例示出的一种终端设备的框图，该设备可以是移动电话，计算机，平板设备等。
[0200]
装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
[0201]
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0202]
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组
合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0203]
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
[0204]
多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0205]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0206]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0207]
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0208]
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0209]
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0210]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。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(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0211]
本技术实施例还提供了一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例提供的方法。
[0212]
本技术实施例还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
[0213]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0214]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。