技术领域
[0001] 本
发明属于计算机信息技术领域，具体涉及一种推荐信息推送方法及其装置。
背景技术
[0002] 网络购物和网络社区越来越广泛地进入人们的生活，在用户浏览网络社区的信息，或者浏览购物
网站的商品时，网站经常会自动给用户推送一些信息或者商品。但
现有技术中，只能基于用户的个人浏览数据进行信息或商品的推送，由于参考的因素过于单一，因此用户对网站所推送的信息或商品的兴趣度较低，从而影响用户的浏览体验。
发明内容
[0003] 本发明旨在至少解决现有技术中存在的技术问题之一，提供一种推荐信息推送方法，其通过结合多种因素筛选推荐信息，从而能够更准确地选取用户感兴趣的推荐信息进行推送，提高用户的浏览体验。
[0004] 解决本发明技术问题所采用的技术方案是一种推荐信息推送方法，包括以下步骤：
[0005] 数据建立阶段：
[0006] 建立推荐信息
数据库，每个所述推荐信息包括至少一个标签；
[0007] 获取各个用户的操作记录，并根据各个用户的所述操作记录，按照预设的第一
算法分别生成每个用户的关联数据；其中，所述关联数据为用户进行过操作的各个所述推荐信息所包括的标签与所述操作记录的关系；
[0008] 根据各个用户的所述关联数据和预先训练得到的分类器，将各个用户分类为多个用户群组；
[0009] 根据各个用户的所述关联数据，按照预设的第二算法分别筛选出各个用户群组的群组推荐标签，以及每个用户群组中各个用户的个人推荐标签；
[0010] 信息推送阶段：
[0011] 获取用户所属的所述用户群组，根据用户所属的所述用户群组的所述群组推荐标签，以及用户的所述个人推荐标签，在所述推荐信息数据库中筛选标签相匹配的所述推荐信息；
[0012] 获取用户的
位置信息，确定推送所述推荐信息的时间，结合所述位置信息和所述时间，按照预设的第三算法计算筛选出的所述推荐信息的推荐分值，将所述推荐信息按照推荐分值从高到低的顺序进行排列，选取前K个所述推荐信息推送给用户。
[0013] 本发明提供的上述方法，由于根据用户个人的操作记录，和用户所属的用户群组中每个用户的操作记录筛选出推荐信息，再结合用户的地理位置和时间等因素进一步筛选出推荐信息推送给用户，从而能够更准确地选取用户感兴趣的推荐信息进行推送，提高用户的浏览体验。
[0014] 优选的是，在本发明提供的上述方法中，所述推荐信息包括商品和内容；所述操作记录包括对所述商品的购买记录，对所述内容的点赞记录、评论记录和转发记录；对于所述关联数据中的每个标签，所述预设的第一算法满足：
[0015] A1×lg(B1)+A2×lg(B2)+A3×lg(B3)+A4×lg(C1)
[0016] 其中，B1为每个用户点赞过的内容包含该标签的数量；A1 为对内容进行点赞的权重；
[0017] B2为每个用户评论过的内容包含该标签的数量；A2为对内容进行评论的权重；
[0018] B3为每个用户转发过的内容包含该标签的数量；A3为对内容进行转发的权重；
[0019] C1为每个用户购买过的商品包含该标签的数量；A4为对商品进行购买的权重。
[0020] 优选的是，在本发明提供的上述方法中，所述预先训练得到的分类器采用
聚类算法将各个用户分类为多个用户群组。
[0021] 优选的是，在本发明提供的上述方法中，所述按照预设的第二算法分别筛选出各个用户群组的群组推荐标签，以及每个用户群组中各个用户的个人推荐标签，具体包括：
[0022] 筛选群组推荐标签：
[0023] 获取每个用户群组中各个用户的关联数据中，所述推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前J个所述标签作为该用户群组的群组推荐标签；
[0024] 筛选个人推荐标签：
[0025] 获取用户个人的关联数据中，所述推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前L个所述标签作为该用户的个人推荐标签。
[0026] 优选的是，在本发明提供的上述方法中，所述位置信息下包括多个根据位置场景设置的标签，所述时间下包括多个根据时间场景设置的标签，每个位置信息和每个时间下的标签分别具有对应的权重；每个所述推荐信息具有相同的
基础推荐分值；所述结合所述位置信息和所述时间，按照预设的第三算法计算筛选出的所述推荐信息的推荐分值，具体包括：
[0027] 获取所筛选出的每个所述推荐信息的标签，比较每个所述推荐信息的标签与该用户的位置信息下的标签是否存在相同的标签，比较每个所述推荐信息的标签与该用户的所述时间下的标签是否存在相同的标签；
[0028] 若存在，则分别用所述相同的标签的权重与该推荐信息的基础推荐分值相乘，以各项乘积之和作为该推荐信息的基础推荐分值。
[0029] 相应地，本发明还提供一种推荐信息推送装置，该装置包括：数据建立单元和信息推送单元；
[0030] 所述数据建立单元，具体包括：
[0031] 数据库组建模
块，用于建立推荐信息数据库，每个所述推荐信息包括至少一个标签；
[0032] 关联数据生成模块，用于获取各个用户的操作记录，并根据各个用户的所述操作记录，按照预设的第一算法分别生成每个用户的关联数据；其中，所述关联数据为用户进行过操作的各个所述推荐信息所包括的标签与所述操作记录的关系；
[0033] 用户分类模块，用于根据各个用户的所述关联数据和预先训练得到的分类器，将各个用户分类为多个用户群组；
[0034] 推荐标签计算模块，用于根据各个用户的所述关联数据，按照预设的第二算法分别筛选出各个用户群组的群组推荐标签，以及每个用户群组中各个用户的个人推荐标签；
[0035] 所述信息推送单元，具体包括：
[0036] 推荐信息筛选模块，用于获取用户所属的所述用户群组，根据用户所属的所述用户群组的所述群组推荐标签，以及用户的所述个人推荐标签，在所述推荐信息数据库中筛选标签相匹配的所述推荐信息；
[0037] 推荐信息打分模块，用于获取用户的位置信息，确定推送所述推荐信息的时间，结合所述位置信息和所述时间，按照预设的第三算法计算筛选出的所述推荐信息的推荐分值，将所述推荐信息按照推荐分值从高到低的顺序进行排列，选取前K个所述推荐信息推送给用户。
[0038] 优选的是，在本发明提供的上述装置中，所述推荐信息包括商品和内容；所述操作记录包括对所述商品的购买记录，对所述内容的点赞记录、评论记录和转发记录；在所述关联数据生成模块中，对于所述关联数据中的每个标签，所述预设的第一算法满足：
[0039] A1×lg(B1)+A2×lg(B2)+A3×lg(B3)+A4×lg(C1)
[0040] 其中，B1为每个用户点赞过的内容包含该标签的数量；A1 为对内容进行点赞的权重；
[0041] B2为每个用户评论过的内容包含该标签的数量；A2为对内容进行评论的权重；
[0042] B3为每个用户转发过的内容包含该标签的数量；A3为对内容进行转发的权重；
[0043] C1为每个用户购买过的商品包含该标签的数量；A4为对商品进行购买的权重。
[0044] 优选的是，在本发明提供的上述装置中，在所述用户分类模块中，所述预先训练得到的分类器采用聚类算法将各个用户分类为多个用户群组。
[0045] 优选的是，在本发明提供的上述装置中，所述推荐标签计算模块，具体包括：群组推荐标签模块和个人推荐标签模块；
[0046] 所述群组推荐标签，用于获取每个用户群组中各个用户的关联数据中，所述推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前J个所述标签作为该用户群组的群组推荐标签；
[0047] 所述个人推荐标签，用于获取用户个人的关联数据中，所述推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前L个所述标签作为该用户的个人推荐标签。
[0048] 优选的是，在本发明提供的上述装置中，所述位置信息下包括多个根据位置场景设置的标签，所述时间下包括多个根据时间场景设置的标签，每个位置信息和每个时间下的标签分别具有对应的权重；每个所述推荐信息具有相同的基础推荐分值；
[0049] 所述推荐信息打分模块，具体用于获取所筛选出的每个所述推荐信息的标签，比较每个所述推荐信息的标签与该用户的位置信息下的标签是否存在相同的标签，比较每个所述推荐信息的标签与该用户的所述时间下的标签是否存在相同的标签；
[0050] 若存在，则分别用所述相同的标签的权重与该推荐信息的基础推荐分值相乘，以各项乘积之和作为该推荐信息的基础推荐分值。
附图说明
[0051] 图1为本
实施例提供的一种推荐信息推送方法中，数据建立阶段的
流程图；
[0052] 图2为本实施例提供的一种推荐信息推送方法中，信息推送阶段的流程图；
[0053] 图3为本实施例提供的一种推荐信息推送装置的结构示意图。
具体实施方式
[0054] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
[0055] 附图中各部件的形状和大小不反映真实比例，目的只是为了便于对本发明实施例的内容的理解。
[0056] 本实施例提供一种推荐信息推送方法，包括以下步骤：
[0057] 如图1所示，在数据建立阶段：
[0058] S11、建立推荐信息数据库，每个推荐信息包括至少一个标签。
[0059] 具体地，根据需要建立推荐信息数据库，推荐信息可以包括多个类型，每个类型下具有多个该类型的推荐信息，再根据每个推荐信息的具体内容，给每个推荐信息添加至少一个标签。例如，推荐信息包括商品和内容两个类型，商品类型下有绿植商品，则可以给该商品建立“
植物”“绿化”“家居装饰”等标签。具体的分类和标签可以根据需要设计，在此不做限定。
[0060] S12、获取各个用户的操作记录，并根据各个用户的操作记录，按照预设的第一算法分别生成每个用户的关联数据。
[0061] 需要说明的是，关联数据为用户进行过操作的各个推荐信息所包括的标签与操作记录的关系。
[0062] 具体地，获取用户进行过操作的推荐信息所包括的各个标签，推荐信息可以包括多种类型，根据用户的操作记录可以得到用户在每个标签下，分别对每种类型的推荐信息进行过操作的次数。并且，用户对每种类型的推荐信息可以分别进行几种不同的操作，因此根据用户的操作记录，可以获取在每个标签下，用户对每种推荐信息进行的每种操作的次数，给每种操作分别赋值权重，预设的第一算法即根据操作的权重得出每个标签与该用户的操作记录的关系，即用户的关联数据。
[0063] 例如，推荐信息包括商品和内容两个类型，用户对商品的操作类型包括购买，用户对内容的操作类型包括点赞、评论和转发，操作记录包括对所述商品的购买记录，对所述内容的点赞记录、评论记录和转发记录。若用户的操作记录中，所操作过的商品或内容包括N个标签，则对于根据用户的操作记录生成的关联数据中的每个标签，预设的第一算法满足：
[0064] A1×lg(B1)+A2×lg(B2)+A3×lg(B3)+A4×lg(C1)
[0065] 其中，B1为每个用户点赞过的内容包含该标签的数量；A1 为对内容进行点赞的权重。
[0066] B2为每个用户评论过的内容包含该标签的数量；A2为对内容进行评论的权重。
[0067] B3为每个用户转发过的内容包含该标签的数量；A3为对内容进行转发的权重。
[0068] C1为每个用户购买过的商品包含该标签的数量；A4为对商品进行购买的权重。
[0069] 需要说明的是，若用户在一个标签下，仅对一种类型的推荐信息进行过操作，或者仅对一种类型的推荐信息进行过一种操作，则只在上式计算该操作的权项即可。没有操作过的推荐信息的权项为0。
[0070] 依次类推，用户所操作过的商品或内容包括的N个标签都按照上述公式计算，N个标签的结果合成用户的关联数据表。例如，用户A所操作过的商品或内容包括标签P和标签Q，用户对包含标签P的内容点赞过4次，评论过3次，转发过1次；用户对包含标签P的商品购买过2次；用户对包含标签Q的内容点赞过7 次，评论过2次，转发过0次；用户对包含标签Q的商品购买过 5次。则用户的关联数据表如下表：
[0071] 用户 标签 关系式P M A1×lg(4)+A2×lg(3)+A3×lg(1)+A4×lg(2)
Q N A1×lg(7)+A2×lg(2)+A4×lg(5)
[0072] 当然，推荐信息所包括的类型，和对每个类型的推荐信息可进行的操作还有其他形式，例如上例还可以记录对商品购买后进行评论的评论记录，具体的可以根据需要设置，在此不做限定。并且，关联数据的算法也可以是其他算法，具体的根据需要设计，在此不做限定。
[0073] 可选地，用户的关联数据可以根据用户的操作记录的变化进行实时更新。
[0074] S13、根据各个用户的关联数据和预先训练得到的分类器，将各个用户分类为多个用户群组。
[0075] 具体地，根据各个用户的关联数据，预先训练得到的分类器可以采用聚类算法将各个用户分类为多个用户群组。分类器获取各个用户的关联数据，以各个用户的关联数据作为输入数据，以各个标签作为维度，选取合适的度量，例如欧几里得度量或者曼哈顿距离度量，对各个用户进行
聚类分析，得出多个数据簇，各个数据簇即为各个用户群组，数据簇中的各个数据即为各个用户。根据用户在各个标签下对推荐信息进行的操作，将用户分为多个用户群组，即在同一用户群组中，各个用户对推荐信息的操作相似度最高，从而能够更准确地对用户进行分类，避免使用单一变量对用户进行分类，而使分类不准确。当然，也可以采用其他方法对用户进行分类，具体的可以根据实际需要设计，在此不做限定。
[0076] 可选地，预先训练得到的分类器可以采用多种类型的聚类算法对用户进行分类，例如K均值聚类算法、中心点聚类算法、随机选择聚类算法中的任一种。以采用K均值聚类算法对用户进行分类为例，若需要将用户分为K个用户群组，则以各个用户的关联数据建立多维
坐标系，首先随机选取K个用户的关联数据作为初始的聚类中心，再计算每个用户的关联数据与各个作为聚类中心的用户的关联数据之间的距离，根据计算把每个用户分配给距离它最近的作为聚类中心的用户。若全部用户都分配完毕，则得出K个数据簇，再根据K个数据簇中每个用户的位置，计算出新的K个作为聚类中心的用户。这个过程将不断重复直到满足终止条件，终止条件可以根据需要设置，例如可以是没有(或最小数目)用户被重新分配给不同的数据簇，也可以是没有(或最小数目)数据簇的聚类中心再发生变化。具体地，根据需要设计，在此不做限定。
[0077] 进一步地，每个用户的用户群组可以根据用户的关联数据的变化进行更新。
[0078] S14、根据各个用户的关联数据，按照预设的第二算法分别筛选出各个用户群组的群组推荐标签，以及每个用户群组中各个用户的个人推荐标签。
[0079] 具体地，S14中筛选群组推荐标签可以包括：
[0080] 获取每个用户群组中各个用户的关联数据中，推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，数量越多的标签，代表该用户群组中的用户对包括该标签的推荐信息越该兴趣，则可以选取前J个标签作为该用户群组的群组推荐标签。例如，用户群组H中包括300个用户，获取这300 个用户的关联数据，统计出300个用户的关联数据中所包括的推荐信息中所关联的各个标签，以及各个标签的数量，例如300个用户的关联数据中包括5个标签，记作标签一～标签五，300个用户的关联数据所包括的推荐信息的标签中，标签一的数量为100 次，标签二的数量为30次，标签三的数量为50次，标签四的数量为70次，标签五的数量为20次，则将标签一～标签五按照数量从高到低的顺序排列为[标签一、标签四、标签三、标签二、标签五]，则可以取J＝2，即选取前2个标签，也就是标签一和标签四作为用户群组H的群组推荐标签。
[0081] 进一步地，S14中筛选个人推荐标签可以包括：
[0082] 获取用户个人的关联数据中，推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，数量越多的标签，代表该用户对包括该标签的推荐信息越该兴趣，则可以选取前L个所述标签作为该用户的个人推荐标签。
[0083] 例如，获取用户A的关联数据，用户A对10个推荐信息进行过操作，统计出10个推荐信息中所包括的各个标签，以及各个标签的数量，例如10个推荐信息中包括3个标签，记作标签S、标签Z和标签X，用户A所操作过的推荐信息中，标签S的数量为5次，标签Z的数量为3次，标签X的数量为6次，则将标签 S、标签Z和标签X按照数量从高到低的顺序排列为[标签X、标签S、标签Z]，则可以取L＝1，即选取前1个标签，也就是标签X 作为用户A的个人推荐标签。
[0084] 可选地，群组推荐标签和个人推荐标签可以根据每个群组中每个用户对于推荐信息的实时操作进行实时更新。
[0085] 可选地，若用户数量较多，产生的操作数据较多时，要对群组推荐标签进行实时更新可以利用流式计算(stream computing)，以便可以快速相应用户操作的变化。具体地，例如可以采用Storm 或者spark streaming等流式
框架进行计算。当然，也可以采用其他类型的流式框架进行计算，具体的可以根据实际需要设计，在此不做限定。
[0086] 如图2所示，在信息推送阶段：
[0087] S21、获取用户所属的用户群组，根据用户所属的用户群组的群组推荐标签，以及用户的个人推荐标签，在推荐信息数据库中筛选标签相匹配的推荐信息。
[0088] 具体地，推荐信息数据库中包括多个推荐信息，每个推荐信息包括至少一个标签，根据用户的个人推荐标签和用户所属的群组推荐标签中所包含的标签，可以在推荐信息数据库中筛选出相同标签的推荐信息，作为用户可能感兴趣的推荐信息。
[0089] 可选地，可以给群组推荐标签和个人推荐标签分别设置不同的权重，例如个人推荐标签的权重大于群组推荐标签的权重，根据权重对以个人推荐标签在推荐信息数据库中筛选出的推荐信息，和对以群组推荐标签在推荐信息数据库中筛选出的推荐信息进行不同处理，以得出更准确的用户感兴趣的推荐信息。
[0090] 通过根据用户所属的用户群组的群组推荐标签进行推荐信息的筛选，可以提前预测用户可能感兴趣的推荐信息，又结合用户的个人推荐标签进行推荐信息的筛选，可知用户以及感兴趣的推荐信息，综合用户所属的用户群组所感兴趣的推荐信息，以及用户个人所感兴趣的推荐信息进行推荐信息的筛选，从而能够更准确地选取用户感兴趣的推荐信息进行推送，提高用户的浏览体验。
[0091] S22、获取用户的位置信息，确定推送推荐信息的时间，结合位置信息和时间，按照预设的第三算法计算筛选出的推荐信息的推荐分值，将推荐信息按照推荐分值从高到低的顺序进行排列，选取前K个推荐信息推送给用户。
[0092] 具体地，可以建立包括多个位置信息的位置信息组，每个位置信息下包括多个根据位置场景设置的标签，可以建立包括多个时间的时间点组，每个时间下包括多个根据时间场景设置的标签，给每个位置信息下的标签分别赋值对应的权重，给每个时间下的标签分别赋值对应的权重。给每个推荐信息设置相同的基础推荐分值。S22中，结合位置信息和时间，按照预设的第三算法计算 S21中筛选出的推荐信息的推荐分值，具体包括：
[0093] 获取S21中所筛选出的每个所述推荐信息的标签，比较每个推荐信息的标签与该用户的位置信息下的标签是否存在相同的标签，比较每个推荐信息的标签与该用户的时间下的标签是否存在相同的标签。
[0094] 若存在，则分别用得到的相同的标签的权重与该推荐信息的基础推荐分值相乘，以各项乘积之和作为该推荐信息的基础推荐分值。
[0095] 例如，位置信息组中包括地
铁、办公室、商场；时间点组包括上午(8～12点)，下午(12～19点)，晚上(19～24点)。地铁包括相关标签“娱乐”“音乐”，办公室包括标签“工作”“收纳工具”等。上午包括相关标签“早餐”“运动”，晚上包括标签“晚餐”“助眠”等。S21中筛选出的用户A的推荐信息例如可以包括咖啡(商品) 和运动音乐推荐(内容)，咖啡包括的标签有“饮品”“工作”，运动音乐推荐包括的标签有“运动”，获取到用户A当前的位置信息为办公室，确定此次给用户A推送推荐信息的时间为上午，则通过比较得出筛选出的用户A的推荐信息(咖啡和运动音乐推荐)中，与用户的位置信息(办公室)具有相同的标签“工作”，与推送时间 (上午)具有相同的标签“运动”，则咖啡的推荐分值为咖啡的基础推荐分值，加上咖啡的基础推荐分值与标签“工作”的权重的乘积；运动音乐推荐的推荐分值为运动音乐推荐的基础推荐分值，加上其基础推荐分支与标签“运动”的权重的乘积。比较得出的咖啡的推荐分值与运动音乐推荐的推荐分值的高低，取较高的一个推荐信息作为最终的推荐信息推送给用户。
[0096] 当然，具体的位置信息所包含的标签，与时间所包含的标签可以根据需要设计，在此不做限定。
[0097] 可选地，若本实施例提供的推荐信息推送方法应用到网站或应用程序中，在用户第一次登陆网站或应用程序时，可以根据用户的登陆信息，例如年龄，性别，所绑定的社交账号中的内容，获取用户的初始关联标签，也可以给用户推送一个包括多个标签的页面，让用户选择自己感兴趣的标签作为用户的初始关联标签。
[0098] 综上所述，本实施例提供的推荐信息推送方法，由于根据用户个人的操作记录，和用户所属的用户群组中每个用户的操作记录筛选出推荐信息，再结合用户的地理位置和时间等因素进一步筛选出推荐信息推送给用户，从而能够更准确地选取用户感兴趣的推荐信息进行推送，提高用户的浏览体验。
[0099] 相应地，如图3所示，本实施例还提供一种推荐信息推送装置，该装置包括：数据建立单元1和信息推送单元2，
[0100] 具体地，数据建立单元1可以包括：
[0101] 数据库组建模块11，其用于建立推荐信息数据库，每个推荐信息包括至少一个标签。
[0102] 关联数据生成模块12，其用于获取各个用户的操作记录，并根据各个用户的操作记录，按照预设的第一算法分别生成每个用户的关联数据。关联数据为用户进行过操作的各个推荐信息所包括的标签与操作记录的关系。
[0103] 用户分类模块13，其用于根据各个用户的关联数据和预先训练得到的分类器，将各个用户分类为多个用户群组。
[0104] 推荐标签计算模块14，其用于根据各个用户的关联数据，按照预设的第二算法分别筛选出各个用户群组的群组推荐标签，以及每个用户群组中各个用户的个人推荐标签。
[0105] 具体地，信息推送单元2可以包括：
[0106] 推荐信息筛选模块21，其用于获取用户所属的用户群组，根据用户所属的用户群组的群组推荐标签，以及用户的个人推荐标签，在推荐信息数据库中筛选标签相匹配的推荐信息。
[0107] 推荐信息打分模块22，其用于获取用户的位置信息，确定推送推荐信息的时间，结合位置信息和时间，按照预设的第三算法计算筛选出的推荐信息的推荐分值，将推荐信息按照推荐分值从高到低的顺序进行排列，选取前K个推荐信息推送给用户。
[0108] 可选地，在本实施例提供的上述装置中，推荐信息包括商品和内容。操作记录包括对商品的购买记录，对内容的点赞记录、评论记录和转发记录。在关联数据生成模块12中，对于关联数据中的每个标签，预设的第一算法满足：
[0109] A1×lg(B1)+A2×lg(B2)+A3×lg(B3)+A4×lg(C1)
[0110] 其中，B1为每个用户点赞过的内容包含该标签的数量；A1 为对内容进行点赞的权重；
[0111] B2为每个用户评论过的内容包含该标签的数量；A2为对内容进行评论的权重；
[0112] B3为每个用户转发过的内容包含该标签的数量；A3为对内容进行转发的权重；
[0113] C1为每个用户购买过的商品包含该标签的数量；A4为对商品进行购买的权重。
[0114] 可选地，在本实施例提供的上述装置中，在用户分类模块13 中，预先训练得到的分类器采用聚类算法将各个用户分类为多个用户群组。
[0115] 可选地，在本实施例提供的上述装置中，推荐标签计算模块 14，具体可以包括：群组推荐标签模块141和个人推荐标签模块 142。
[0116] 群组推荐标签141用于获取每个用户群组中各个用户的关联数据中，推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前J个标签作为该用户群组的群组推荐标签。
[0117] 个人推荐标签142用于获取用户个人的关联数据中，推荐信息所包含的各个标签的数量，将各个标签按照数量从高到低的顺序进行排列，选取前L个标签作为该用户的个人推荐标签。
[0118] 可选地，在本实施例提供的上述装置中，位置信息下包括多个根据位置场景设置的标签，时间下包括多个根据时间场景设置的标签，每个位置信息和每个时间下的标签分别具有对应的权重。每个推荐信息具有相同的基础推荐分值。推荐信息打分模块22具体用于获取所筛选出的每个推荐信息的标签，比较每个推荐信息的标签与该用户的位置信息下的标签是否存在相同的标签，比较每个推荐信息的标签与该用户的时间下的标签是否存在相同的标签，若存在，则分别用相同的标签的权重与该推荐信息的基础推荐分值相乘，以各项乘积之和作为该推荐信息的基础推荐分值。
[0119] 可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
