CN108537568A - 一种信息推荐方法和装置 - Google Patents

Abstract

本申请公开了一种信息推荐方法和装置，所述方法包括：根据目标用户的目标用户标签，确定多个推荐信息，以及确定多个推荐信息中每个推荐信息的预设优先级和预测优先级，进而根据每个推荐信息的预设优先级和预测优先级，确定每个推荐信息的加权优先级，并根据多个推荐信息和多个推荐信息中每个推荐信息的加权优先级，向目标用户进行信息推荐。通过预设优先级和预测优先级加权相结合的方式对多个推荐信息进行优先级排序，从而有效提高推荐信息的转化率。

Description

一种信息推荐方法和装置

技术领域

本申请涉及互联网技术领域，尤其涉及一种信息推荐方法和装置。

背景技术

在信息推荐系统中，通常基于用户标签为用户确定推荐信息，进而将推荐信息向用户推荐。实际应用中，信息推荐系统在向用户进行信息推荐时，按照何种推荐顺序向用户推荐为用户确定的推荐信息，会影响推荐信息的转化率。因此，亟需一种能够有效提升推荐信息转化率的信息推荐方法。

发明内容

本申请实施例提供一种信息推荐方法和装置，能够有效提高推荐信息的转化率。

本申请实施例提供了一种信息推荐方法，包括：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

可选地，确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级，包括：

根据预设排序规则，确定所述每个推荐信息的预设优先级；

根据预设排序算法，计算所述每个推荐信息的预测优先级。

可选地，根据预设排序算法，计算所述每个推荐信息的预测优先级，包括：

确定所述每个推荐信息的预测点击率；

根据所述预设排序算法和所述预测点击率，计算所述每个推荐信息的所述预测优先级。

可选地，所述预设排序规则是根据运营需求确定的。

可选地，根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级，包括：

在权重数据库中，确定所述预设排序规则对应的第一预设权重和所述预设排序算法对应的第二预设权重；

根据所述第一预设权重和所述第二预设权重，对所述预设优先级和所述预测优先级进行加权求和，确定所述每个推荐信息的所述加权优先级。

可选地，在根据目标用户的目标用户标签，确定多个推荐信息之前，所述方法还包括：

根据预设标签生成规则，确定所述目标用户的第一用户标签；

根据预设标签生成算法，确定所述目标用户的第二用户标签；

将所述第一用户标签和所述第二用户标签确定为所述目标用户标签。

可选地，根据预设标签生成算法，确定所述目标用户的第二用户标签，包括：

确定所述目标用户的历史行为数据；

基于机器学习算法，对所述历史行为数据进行训练，确定分类模型；

根据所述分类模型，确定所述目标用户的所述第二用户标签。

本申请实施例还提供一种信息推荐装置，包括：

第一确定模块，根据目标用户的目标用户标签，确定多个推荐信息；

第二确定模块，确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

第三确定模块，根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

推荐模块，根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

可选地，所述第二确定模块还包括：

第一确定单元，根据预设排序规则，确定所述每个推荐信息的预设优先级；

第二确定单元，根据预设排序算法，计算所述每个推荐信息的预测优先级。

可选地，所述第二确定单元具体用于：

确定所述每个推荐信息的预测点击率；

根据所述预设排序算法和所述预测点击率，计算所述每个推荐信息的所述预测优先级。

可选地，所述预设排序规则是根据运营需求确定的。

可选地，所述第三确定模块具体用于：

在权重数据库中，确定所述预设排序规则对应的第一预设权重和所述预设排序算法对应的第二预设权重；

根据所述第一预设权重和所述第二预设权重，对所述预设优先级和所述预测优先级进行加权求和，确定所述每个推荐信息的所述加权优先级。

可选地，所述装置还包括：

第四确定模块，根据预设标签生成规则，确定所述目标用户的第一用户标签；

第五确定模块，根据预设标签生成算法，确定所述目标用户的第二用户标签；

所述第一确定模块，将所述第一用户标签和所述第二用户标签确定为所述目标用户标签。

可选地，所述第五确定模块具体用于：

确定所述目标用户的历史行为数据；

基于机器学习算法，对所述历史行为数据进行训练，确定分类模型；

根据所述分类模型，确定所述目标用户的所述第二用户标签。

本申请实施例还提供一种电子设备，包括：

存储器，存放程序；

处理器，执行所述存储器存储的程序，并具体执行：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

根据目标用户的目标用户标签，确定多个推荐信息，以及确定多个推荐信息中每个推荐信息的预设优先级和预测优先级，进而根据每个推荐信息的预设优先级和预测优先级，确定每个推荐信息的加权优先级，并根据多个推荐信息和多个推荐信息中每个推荐信息的加权优先级，向目标用户进行信息推荐。通过预设优先级和预测优先级加权相结合的方式对多个推荐信息进行优先级排序，从而有效提高推荐信息的转化率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种信息推荐方法的流程示意图；

图2为本申请实施例提供的另一种信息推荐方法的流程示意图；

图3为本申请实施例提供的一种电子设备的结构示意图；

图4为本申请实施例提供的一种信息推荐装置的结构示意图。

具体实施方式

下面结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

图1为本申请实施例提供的一种信息推荐方法的流程示意图。所述方法可以如下所示。

步骤102：根据目标用户的目标用户标签，确定多个推荐信息。

在营销推荐系统当中，需要根据较多的历史行为数据来对当前的目标用户进行信息推荐。实际应用中，在为目标用户确定推荐信息时，通常采用基于标签的确定方式。

需要说明的是，推荐信息可以是电子券，还可以是其他向用户进行推荐的资源，这里不做具体限定。

用户标签，又称为用户画像，是用户的全息图谱，通过多维度标签描述用户的整体特征。例如，用户的整体特征包括基本属性、购买能力、行为特征、兴趣爱好、社交网络等。

本申请实施例中，在根据目标用户的目标用户标签，确定多个推荐信息之前，所述方法还包括：

根据预设标签生成规则，确定目标用户的第一用户标签；

根据预设标签生成算法，确定目标用户的第二用户标签；

将第一用户标签和第二用户标签确定为目标用户标签。

目标用户标签的生成方式至少包括下述两种：

第一种：

根据特定营销需求和/或运营人员的营销经验，预先设置标签生成规则。针对需要进行信息推荐的目标用户，确定目标用户的历史行为数据。根据目标用户的历史行为数据和预设标签生成规则，确定目标用户的第一用户标签，进而将第一用户标签确定为目标用户的目标用户标签。

例如，预设标签生成规则为：用户最近30天的购买消费金额在1K～5K之间时，该用户的第一用户标签为“购买能力一般”。

基于特定营销需求和/或运营人员的营销经验设置标签生成规则，可以很好地利用运营人员丰富的经验以及特定的营销需求，为目标用户确定目标用户标签。

第二种：

本申请实施例中，根据预设标签生成算法，确定目标用户的第二用户标签，包括：

确定目标用户的历史行为数据；

基于机器学习算法，对历史行为数据进行训练，确定分类模型；

根据分类模型，确定目标用户的第二用户标签。

在确定目标用户的历史行为数据之后，基于机器学习算法，对历史行为数据进行分类模型训练，得到分类模型，根据训练得到的分类模型，可以确定目标用户的第二用户标签，进而将第二用户标签确定为目标用户的目标用户标签。

需要说明的是，机器学习算法是可以训练得到分类模型的算法，这里不做具体限定。

例如，对目标用户的历史行为数据进行分类模型训练，得到分类模型，进而根据该分类模型确定目标用户喜欢玩儿游戏，因此，确定目标用户的第二用户标签“游戏”。

基于算法模型的方式，可以有效预测目标用户的目标用户标签。

本申请实施例，基于营销需求和/或运营人员的营销经验设置的预设标签生成规则，以及基于算法模型对应的预设标签生成算法，共同为目标用户确定目标用户标签，使得确定的目标用户标签更加丰富，可以更好地反应用户特征，进而使得根据目标用户标签更加精准地为目标用户确定多个推荐信息，符合目标用户需求。

步骤104：确定多个推荐信息中每个推荐信息的预设优先级和预测优先级。

实际应用中，在向目标用户进行信息推荐时，多个推荐信息的不同排列顺序，会影响推荐信息的转化率。为了提升推荐信息的转化率，在向目标用户推荐多个推荐信息时，需要为多个推荐信息确定合适的推荐顺序，即需要为多个推荐信息中的每个推荐信息确定合适的优先级。

在根据目标用户的目标用户标签为目标用户确定多个推荐信息之后，确定多个推荐信息中每个推荐信息的预设优先级和预测优先级。

具体地，确定多个推荐信息中每个推荐信息的预设优先级和预测优先级，包括：

根据预设排序规则，确定每个推荐信息的预设优先级；

根据预设排序算法，计算每个推荐信息的预测优先级。

多个推荐信息中每个推荐信息的优先级确定方式至少包括下述两种：

第一种：

在营销推荐系统当中，信息数据库中存储有多个信息，运营人员基于特定营销需求和/或运营人员的营销经验，设置排序规则，进而营销推荐系统根据预设排序规则，为信息数据库中的信息确定预设优先级。

例如，营销推荐系统为电子优惠券营销推荐系统，电子优惠券数据库中存储有5个电子优惠券信息(电子优惠券A～E)，根据预设排序规则，5个电子优惠券的预设优先级由高到低为：电子优惠券A>电子优惠券B>电子优惠券C>电子优惠券D>电子优惠券E。

根据目标用户标签为目标用户确定的推荐信息为：电子优惠券B、电子优惠券D和电子优惠券E，因此，按照预设排序规则，每个推荐信息的预设优先级由高到低为：电子优惠券B>电子优惠券D>电子优惠券E。

基于特定营销需求和/或运营人员的营销经验设置排序规则，可以很好地利用运营人员丰富的经验以及特定的营销需求，为待推荐信息确定预设优先级，即通过人工经验的方式有效提升推荐信息的转化率。

第二种：

本申请实施例中，根据预设排序算法，计算每个推荐信息的预测优先级，包括

确定每个推荐信息的预测点击率；

根据预设排序算法和预设点击率，计算每个推荐信息的预测优先级。

在根据目标用户标签，为目标用户确定多个推荐信息之后，营销推荐系统根据每个推荐信息的历史点击数据，确定每个推荐信息的预测点击率，进而根据每个推荐信息的预测点击率，通过预设排序算法，实时计算每个推荐信息的预测优先级。

例如，营销推荐系统为电子优惠券营销推荐系统，根据目标用户标签为目标用户确定的推荐信息为：电子优惠券A、电子优惠券C和电子优惠券E，根据每个推荐信息的历史点击数据，确定每个推荐信息的预测点击率由高到低为：电子优惠券A>电子优惠券C>电子优惠券E，进而根据每个推荐信息的预测点击率和预设排序算法，计算得到每个推荐信息的预测优先级由高到低为：电子优惠券A>电子优惠券C>电子优惠券E。

根据预测点击率实时确定每个推荐信息的预测优先级，即通过机器智能的优先级确定方式有效提升推荐信息的转化率。

步骤106：根据预设优先级和预测优先级，确定每个推荐信息的加权优先级。

在确定每个推荐信息的预设优先级和预测优先级之后，为了能够在排序过程中综合考虑人工经验和机器智能，根据每个推荐信息的预设优先级和预测优先级，综合确定每个推荐信息的加权优先级。

具体地，根据预设优先级和预测优先级，确定每个推荐信息的加权优先级，包括：

在权重数据库中，确定预设排序规则对应的第一预设权重和预设排序算法对应的第二预设权重；

根据第一预设权重和第二预设权重，对预设优先级和预测优先级进行加权求和，确定每个推荐信息的加权优先级。

为了在排序过程中更加灵活地体现人工经验和机器智能的比重，预先设置预设排序规则对应的第一预设权重，以及预设排序算法对应的第二预设权重，进而对根据预设排序规则确定得到的预设优先级和根据预设排序算法确定得到的预测优先级进行加权求和，最终确定每个推荐信息的加权优先级。

其中，加权优先级＝预设优先级*第一预设权重+预测优先级*第二预设权重。

例如，推荐信息A：预设优先级为2，预测优先级为6；推荐信息B：预设优先级为1，预测优先级为4。预设排序规则对应的第一预设权重为0.3，预设排序算法对应的第二预设权重为0.7。因此，推荐信息A的加权优先级＝2*0.3+6*0.7＝4.8；推荐信息B的加权优先级＝1*0.3+4*0.7＝3.1。

需要说明的是，根据对人工经验和机器智能的不同比重需求，可以根据实际情况灵活调整第一预设权重和第二预设权重。

本申请实施例中，权重数据库中存储有预设排序规则对应的多个预设权重，以及预设排序算法对应的多个预设权重；

其中，在权重数据库中，确定预设排序规则对应的第一预设权重和预设排序算法对应的第二预设权重，包括：

在所述预设排序规则对应的多个预设权重中，确定本次加权求和中与预设排序规则对应的第一预设权重；

在所述预设排序算法对应的多个预设权重中，确定本次加权求和中与预设额排序算法对应的第二预设权重。

例如，在权重数据库中，配置有预设排序规则和预设排序算法对应的三对权重：预设排序规则对应的权重为0.5、预设排序算法对应的权重为0.5；预设排序规则对应的权重为0.3、预设排序算法对应的权重为0.7；预设排序规则对应的权重为0.7、预设排序算法对应的权重为0.3。

根据对人工经验和机器智能的不同比重需求，可以选定不同的权重对。例如，对人工经验和机器智能需求的比重相同时，可以选择预设排序规则对应的第一预设权重为0.5、预设排序算法对应的第二预设权重为0.5；对人工经验的比重要求高于机器智能的比重时，可以选择第一预设权重为0.7、预设排序算法对应的第二预设权重为0.3；对机器智能的比重要求高于人工经验的比重时，可以选择第一预设权重为0.3、预设排序算法对应的第二预设权重为0.7。

步骤108：根据多个推荐信息和每个推荐信息的加权优先级，向目标用户进行信息推荐。

在为目标用户确定多个推荐信息以及确定每个推荐信息的加权优先级之后，根据加权优先级大小，对多个推荐信息进行排序，进而将多个推荐信息按照顺序向目标用户进行推荐。

本申请实施例记载的技术方案，根据目标用户的目标用户标签，确定多个推荐信息，以及确定多个推荐信息中每个推荐信息的预设优先级和预测优先级，进而根据每个推荐信息的预设优先级和预测优先级，确定每个推荐信息的加权优先级，并根据多个推荐信息和多个推荐信息中每个推荐信息的加权优先级，向目标用户进行信息推荐。通过预设优先级和预测优先级加权相结合的方式对多个推荐信息进行优先级排序，从而有效提高推荐信息的转化率。

实施例2

基于前述实施例1详细叙述了本申请的发明构思，为了便于更好的理解本申请的技术特征、手段和效果，下面对本申请的信息推荐方法做进一步说明，从而形成本申请的又一个实施例。

本申请实施例2中信息推荐过程与实施例1中信息推荐过程相似，实施例2中没有介绍到的其他一些步骤可以参见实施例1中的相关描述，此处不再赘述。

图2为本申请实施例提供的另一种信息推荐方法的流程示意图。

步骤201：在营销推荐系统中，针对需要进行信息推荐的目标用户，确定目标用户的历史行为数据。

步骤202：根据预设标签生成规则，确定目标用户的第一用户标签；根据预设标签生成算法，确定目标用户的第二用户标签；将第一用户标签和第二用户标签确定为目标用户标签。

步骤203：根据目标用户的目标用户标签，确定多个推荐信息，即根据目标用户标签，召回与目标用户标签对应的多个推荐信息。

其中，多个推荐信息是从信息数据库中确定的，信息数据库中存储有多个信息。

步骤204：根据预设排序规则，确定多个推荐信息中每个推荐信息的预设优先级；根据预设排序算法，确定多个推荐信息中每个推荐信息的预测优先级。

其中，基于特定营销需求和/或运营人员的营销经验设置排序规则，根据预设排序规则，对信息数据库中的每个信息确定其预设优先级，进而可以根据信息数据库中的每个信息确定其预设优先级，确定每个推荐信息的预设优先级。

步骤205：在权重数据库中，确定预设排序规则对应的第一预设权重和预设排序算法对应的第二预设权重。

其中，第一预设权重和第二预设权重是根据对人工经验和机器智能的不同比重需求预先设置的。

步骤206：根据第一预设权重和第二预设权重，对预设优先级和预测优先级进行加权求和，确定每个推荐信息的加权优先级。

其中，加权优先级＝预设优先级*第一预设权重+预测优先级*第二预设权重。

步骤207：确定多个推荐信息中每个推荐信息的加权优先级之后，根据加权优先级大小，对多个推荐信息进行排序，进而将多个推荐信息按照顺序向目标用户进行推荐。

本申请实施例记载的技术方案，根据目标用户的目标用户标签，确定多个推荐信息，以及确定多个推荐信息中每个推荐信息的预设优先级和预测优先级，进而根据每个推荐信息的预设优先级和预测优先级，确定每个推荐信息的加权优先级，并根据多个推荐信息和多个推荐信息中每个推荐信息的加权优先级，向目标用户进行信息推荐。通过预设优先级和预测优先级加权相结合的方式对多个推荐信息进行优先级排序，从而有效提高推荐信息的转化率。

实施例3

图3为本申请实施例提供的一种电子设备的结构示意图。如图3所示，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成信息推荐装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

根据目标用户的目标用户标签，确定多个推荐信息；

确定多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据预设优先级和预测优先级，确定每个推荐信息的加权优先级；

根据多个推荐信息和每个推荐信息的加权优先级，向目标用户进行信息推荐。

上述如本申请实施例1和/或实施例2执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1和/或图2执行的方法，并实现上述实施例1和/或实施例2的功能，本申请实施例在此不再赘述。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中的信息推荐方法，并具体用于执行下述操作：

根据目标用户的目标用户标签，确定多个推荐信息；

确定多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据预设优先级和预测优先级，确定每个推荐信息的加权优先级；

根据多个推荐信息和每个推荐信息的加权优先级，向目标用户进行信息推荐。

图4为本申请实施例提供的一种信息推荐装置的结构示意图。如图4所示的装置400包括：

第一确定模块401，根据目标用户的目标用户标签，确定多个推荐信息；

第二确定模块402，确定多个推荐信息中每个推荐信息的预设优先级和预测优先级；

第三确定模块403，根据预设优先级和预测优先级，确定每个推荐信息的加权优先级；

推荐模块404，根据多个推荐信息和每个推荐信息的加权优先级，向目标用户进行信息推荐。

可选地，第二确定模块402还包括：

第一确定单元，根据预设排序规则，确定每个推荐信息的预设优先级；

第二确定单元，根据预设排序算法，计算每个推荐信息的预测优先级。

可选地，第二确定单元具体用于：

确定每个推荐信息的预测点击率；

根据预设排序算法和预测点击率，计算每个推荐信息的预测优先级。

可选地，预设排序规则是根据运营需求确定的。

可选地，第三确定模块403具体用于：

在权重数据库中，确定预设排序规则对应的第一预设权重和预设排序算法对应的第二预设权重；

根据第一预设权重和第二预设权重，对预设优先级和预测优先级进行加权求和，确定每个推荐信息的加权优先级。

可选地，装置400还包括：

第四确定模块，根据预设标签生成规则，确定目标用户的第一用户标签；

第五确定模块，根据预设标签生成算法，确定目标用户的第二用户标签；

第一确定模块401，将第一用户标签和第二用户标签确定为目标用户标签。

可选地，第五确定模块具体用于：

确定目标用户的历史行为数据；

基于机器学习算法，对历史行为数据进行训练，确定分类模型；

根据分类模型，确定目标用户的所述第二用户标签。

根据信息推荐装置，第一确定模块根据目标用户的目标用户标签，确定多个推荐信息；第二确定模块确定多个推荐信息中每个推荐信息的预设优先级和预测优先级；第三确定模块根据预设优先级和预测优先级，确定每个推荐信息的加权优先级；推荐模块根据多个推荐信息和每个推荐信息的加权优先级，向目标用户进行信息推荐。通过预设优先级和预测优先级加权相结合的方式对多个推荐信息进行优先级排序，从而有效提高推荐信息的转化率

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种信息推荐方法，包括：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

2.如权利要求1所述的方法，确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级，包括：

根据预设排序规则，确定所述每个推荐信息的预设优先级；

根据预设排序算法，计算所述每个推荐信息的预测优先级。

3.如权利要求2所述的方法，根据预设排序算法，计算所述每个推荐信息的预测优先级，包括：

确定所述每个推荐信息的预测点击率；

根据所述预设排序算法和所述预测点击率，计算所述每个推荐信息的所述预测优先级。

4.如权利要求2所述的方法，所述预设排序规则是根据运营需求确定的。

5.如权利要求2所述的方法，根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级，包括：

在权重数据库中，确定所述预设排序规则对应的第一预设权重和所述预设排序算法对应的第二预设权重；

根据所述第一预设权重和所述第二预设权重，对所述预设优先级和所述预测优先级进行加权求和，确定所述每个推荐信息的所述加权优先级。

6.如权利要求1所述的方法，在根据目标用户的目标用户标签，确定多个推荐信息之前，所述方法还包括：

根据预设标签生成规则，确定所述目标用户的第一用户标签；

根据预设标签生成算法，确定所述目标用户的第二用户标签；

将所述第一用户标签和所述第二用户标签确定为所述目标用户标签。

7.如权利要求6所述的方法，根据预设标签生成算法，确定所述目标用户的第二用户标签，包括：

确定所述目标用户的历史行为数据；

基于机器学习算法，对所述历史行为数据进行训练，确定分类模型；

根据所述分类模型，确定所述目标用户的所述第二用户标签。

8.一种信息推荐装置，包括：

第一确定模块，根据目标用户的目标用户标签，确定多个推荐信息；

第二确定模块，确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

第三确定模块，根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

推荐模块，根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

9.如权利要求8所述的装置，所述第二确定模块还包括：

第一确定单元，根据预设排序规则，确定所述每个推荐信息的预设优先级；

第二确定单元，根据预设排序算法，计算所述每个推荐信息的预测优先级。

10.如权利要求9所述的装置，所述第二确定单元具体用于：

确定所述每个推荐信息的预测点击率；

根据所述预设排序算法和所述预测点击率，计算所述每个推荐信息的所述预测优先级。

11.如权利要求9所述的装置，所述预设排序规则是根据运营需求确定的。

12.如权利要求9所述的装置，所述第三确定模块具体用于：

在权重数据库中，确定所述预设排序规则对应的第一预设权重和所述预设排序算法对应的第二预设权重；

根据所述第一预设权重和所述第二预设权重，对所述预设优先级和所述预测优先级进行加权求和，确定所述每个推荐信息的所述加权优先级。

13.如权利要求8所述的装置，还包括：

第四确定模块，根据预设标签生成规则，确定所述目标用户的第一用户标签；

第五确定模块，根据预设标签生成算法，确定所述目标用户的第二用户标签；

所述第一确定模块，将所述第一用户标签和所述第二用户标签确定为所述目标用户标签。

14.如权利要求13所述的装置，所述第五确定模块具体用于：

确定所述目标用户的历史行为数据；

基于机器学习算法，对所述历史行为数据进行训练，确定分类模型；

根据所述分类模型，确定所述目标用户的所述第二用户标签。

15.一种电子设备，包括：

存储器，存放程序；

处理器，执行所述存储器存储的程序，并具体执行：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。

16.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：

根据目标用户的目标用户标签，确定多个推荐信息；

确定所述多个推荐信息中每个推荐信息的预设优先级和预测优先级；

根据所述预设优先级和所述预测优先级，确定所述每个推荐信息的加权优先级；

根据所述多个推荐信息和所述每个推荐信息的加权优先级，向所述目标用户进行信息推荐。