一种信息推荐方法及系统与流程

1.本发明涉及信息推荐领域，具体涉及一种信息推荐方法及系统。


背景技术：

2.目前，互联网行业中，在活动信息推荐过程中，能够创造短期用户价值、以及协助产品完善长期价值。
3.但是，现有技术中，在活动信息推荐时，均为通过设置时间，提前圈定用户群体等方式在网站或者软件显著位置进行活动的信息引导，设置提前就指定了活动用户边界，并不能动态的将活动的信息展示给必要用户；以及对于同一用户，在同时存在多个活动的信息时，人工计算手动调整各活动的显示优先级，费时费力，不智能化。无法通过活动信息的推荐方式能够更好的支撑活动信息推荐下发，也无法适用于业务的多种场景。


技术实现要素：

4.本发明实施例提供一种信息推荐方法及系统，能够解决现有技术中活动的信息推荐用户范围受限、用户优先级难调整的技术问题。
5.为达上述目的，一方面，本发明实施例提供一种信息推荐方法，包括：
6.根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；
7.确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；
8.针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；
9.按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。
10.另一方面，本发明实施例提供一种信息推荐系统，包括：
11.相关用户确定单元，用于根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；
12.优先级调整单元，用于针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；
13.推荐单元，用于按照所述第一相关用户和所述第二相关用户各自对应的至少一个
活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。
14.上述技术方案具有如下有益效果：根据具体的第一活动的具体情况确定相关用户，能够动态的将第一活动的信息展示给必要用户；扩大了推荐用户范围，提高了运营能力；避免了通过设置时间，提前圈定用户群体等方式在网站或者软件显著位置进行活动的信息引导对待推荐的第一活动进行推荐的局限性。并且在用户被确定为相关用户的同时直接确定对应的展示优先级，在用户的界面按照各活动的优先级级别展示相应的活动避免了人工计算手动调整各活动的显示优先级的费时费力的问题。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明实施例的一种信息推荐方法的流程示意图；
17.图2是本发明实施例的一种信息推荐系统的结构示意图；
18.图3是本发明实施例的另一种信息推荐系统的结构示意图；
19.图4是相似邻居的计算方法示例。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
21.如图1所示，结合本发明的实施例，提供一种信息推荐方法，包括：
22.s101：根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；
23.s102：确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；
24.s103：针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；
25.s104：按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。
26.根据具体的第一活动的具体情况确定相关用户，能够动态的将第一活动的信息展示给必要用户；避免了通过设置时间，提前圈定用户群体等方式在网站或者软件显著位置进行活动的信息引导对待推荐的第一活动进行推荐的局限性。并且在用户被确定为相关用户的同时直接确定对应的展示优先级，在用户的界面按照各活动的优先级级别展示相应的
活动避免了人工计算手动调整各活动的显示优先级的费时费力的问题。所以本发明实施例的活动信息推荐下发的方法能够适用于业务的多种场景，便于应用。
27.优选地，s101：所述根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户，具体包括：
28.s1011：将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，将所述特征相似度高于第一阈值的所述第一待推荐用户作为第一相关用户，所述第一待推荐用户为参加所述第一活动之外的其他活动的用户。
29.行为相似的用户，喜欢同一活动的可能性也会更大，所以充分利用用户行为相似的特征，将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，根据参加待推荐的第一活动的第一用户，充分利用了第一用户的行为，能够匹配到必要用户，够找到更准确的必要用户。
30.优选地，s1011中：所述将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，具体包括：
31.s10111-1：将每个所述第一用户参加各活动的用户行为映射为n维欧几里德空间内的点；
32.s10111-2：将每个所述第一待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；
33.s10111-3：将每个所述第一用户在n维欧几里德空间内的点分别与每个所述第一待推荐用户在n维欧几里德空间内的点进行计算，得到所述第一用户与所述第一待推荐用户之间的欧几里德距离；
34.s10111-4：基于所述欧几里德距离确定每个所述第一待推荐用户对应的特征相似度；特征相似度是指1与欧几里德距离之和的倒数。
35.其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。在二维空间中的欧几里德距离就是两个点之间的真实距离。
36.将每个所述第一用户在n维欧几里德空间内的点分别与每个所述第一待推荐用户在n维欧几里德空间内的点进行计算，得到所述第一用户与所述第一待推荐用户之间的欧几里德距离；欧几里德距离越小，相似度越大，通过欧几里德距离能够准确确定每个所述第一待推荐用户对应的特征相似度。
37.优选地，s102：所述根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户，具体包括：
38.s1021：将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，将所述特征相似度高于第二阈值、且未参加过所述第一活动的所述第二待推荐用户、以及未参加过所述第一活动的第二用户作为第二相关用户，所述第二待推荐用户为参加所述第二活动之外的其他活动的
用户。
39.充分利用活动相似的特征，具有将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，根据第二用户来确定第二相关用户，第二相关用户喜欢第一活动的可能性就更大，能够找到更准确的必要用户。
40.优选地，s1021中：所述将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，具体包括：
41.s1021-1：将每个所述第二用户参加各活动的用户行为映射为n维欧几里德空间内的点；
42.s1021-2：将每个所述第二待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；
43.s1021-3：将每个所述第二用户在n维欧几里德空间内的点分别与每个所述第二待推荐用户在n维欧几里德空间内的点进行计算，得到所述第二用户与所述第二待推荐用户之间的欧几里德距离；
44.s1021-4：基于所述欧几里德距离确定每个所述第二待推荐用户对应的特征相似度；特征相似度是指1与欧几里德距离之和的倒数。
45.其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。在二维空间中的欧几里德距离就是两个点之间的真实距离。
46.将每个所述第二用户在n维欧几里德空间内的点分别与每个所述第二待推荐用户在n维欧几里德空间内的点进行计算，得到所述第二用户与所述第二待推荐用户之间的欧几里德距离；欧几里德距离越小，相似度越大，通过欧几里德距离能够准确确定每个所述第一待推荐用户对应的特征相似度。
47.优选地，s103：所述针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级，具体包括：
48.s1031：在确定出所述第一相关用户的情况下，确定所述第一相关用户对应的第一优先级累加值；将所述第一优先级累加值与所述第一活动对应的优先级初始值相加得到所述第一相关用户对应的所述第一活动的优先级值；其中，在所述第一活动下发之前，为所述第一活动配置初始优先级及相应的优先级初始值；在用户被确定为相关用户的同时直接确定对应的展示优先级，在用户的界面按照各活动的优先级级别展示相应的活动避免了人工计算手动调整各活动的显示优先级的费时费力的问题。
49.s1032：在确定出所述第二相关用户的情况下，确定所述第二相关用户对应的第二优先级累加值；将所述第二优先级累加值与所述优先级初始值相加得到所述第二相关用户对应的所述第一活动的优先级值；其中，所述第一优先级累加值、以及所述第二优先级累加值定期更新；在用户被确定为相关用户的同时直接确定对应的展示优先级，在用户的界面按照各活动的优先级级别展示相应的活动避免了人工计算手动调整各活动的显示优先级的费时费力的问题。
50.s1034：当目标用户同时被多个第一活动确定为相关用户时，从所述多个第一活动中为所述目标用户配置一个目标第一活动，采用最高优先级向所述目标用户展示所配置的
目标第一活动，且所配置的目标第一活动不参与优先级的调整。
51.优选地，所述的信息推荐方法，还包括：
52.s105：获取每个用户对所有活动的用户行为，将所获取的用户行为存入到分布式发布订阅队列中；异步消费避免造成拥堵。
53.s106：自所述分布式发布订阅队列中异步获取所述用户行为，将所述用户行为存入到特征库；为活动推荐储备用户行为。
54.s107：以用户为单位，为所述用户行为标记相应的行为标签及相应的行为系数，所述行为系数为归一化值。各个行为的数据统一在一个相同的取值范围中，针对某个用户所关注的某个活动，对各个行为的取值进行加权求和，从而使得加权求和得到的总体喜好更加精确
55.s107：所述以用户为单位，为所述用户行为标记相应的行为标签及相应的行为系数，所述行为系数为归一化值，具体包括：
56.s1071：对所述行为系数进行处理，处理后的行为系数处于行为系数预设取值范围内；
57.s1072：通过将所述行为系数除以该行为类别内的行为系数最大值对所述行为系数进行归一化处理，得到用户的行为归一化值。各个行为的数据统一在一个相同的取值范围中，针对某个用户所关注的某个活动，对各个行为的取值进行加权求和，从而使得加权求和得到的总体喜好更加精确
58.优选地，所述的信息推荐方法，还包括：
59.s108：在所述第一活动下发之前，将所述第一活动的数据存储在数据库中，同时设置一级缓存和二级缓存；也就是，当配置一个推荐信息时，将推荐信息的数据存储在mysql数据库中，同时也设置一级缓存(即内存)和二级缓存，数据新增和修改时也同时更新二级缓存。
60.s109：当用户获取所述第一活动的数据时，首先访问所述一级缓存；若自所述一级缓存内未获取到所述第一活动的数据，则访问所述二级缓存；若自所述二级缓存内未获取到所述第一活动的数据，则访问所述数据库。从而防止一级缓存失效后，缓存击穿后造成mysql数据库压力骤增直至瘫痪。
61.如图2所示，结合本发明的实施例，提供一种信息推荐系统，包括：
62.相关用户确定单元21，用于根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；
63.优先级调整单元22，用于针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；
64.推荐单元23，用于按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。
65.优选地，所述相关用户确定单元21包括：
66.第一相关用户确定子单元，用于将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，将所述特征相似度高于第一阈值的所述第一待推荐用户作为第一相关用户，所述第一待推荐用户为参加所述第一活动之外的其他活动的用户。
67.优选地，所述相关用户确定单元21包括：
68.第二相关用户确定子单元，用于将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，将所述特征相似度高于第二阈值、且未参加过所述第一活动的所述第二待推荐用户、以及未参加过所述第一活动的第二用户作为第二相关用户，所述第二待推荐用户为参加所述第二活动之外的其他活动的用户。
69.优选地，所述优先级调整单元，具体用于：
70.在确定出所述第一相关用户的情况下，确定所述第一相关用户对应的第一优先级累加值；将所述第一优先级累加值与所述第一活动对应的优先级初始值相加得到所述第一相关用户对应的所述第一活动的优先级值；其中，在所述第一活动下发之前，为所述第一活动配置初始优先级及相应的优先级初始值；
71.在确定出所述第二相关用户的情况下，确定所述第二相关用户对应的第二优先级累加值；将所述第二优先级累加值与所述优先级初始值相加得到所述第二相关用户对应的所述第一活动的优先级值；其中，所述第一优先级累加值、以及所述第二优先级累加值定期更新；
72.当目标用户同时被多个第一活动确定为相关用户时，从所述多个第一活动中为所述目标用户配置一个目标第一活动，采用最高优先级向所述目标用户展示所配置的目标第一活动，且所配置的目标第一活动不参与优先级的调整。
73.优选地，所述第一相关用户确定子单元，具体用于：
74.将每个所述第一用户参加各活动的用户行为映射为n维欧几里德空间内的点；
75.将每个所述第一待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；
76.将每个所述第一用户在n维欧几里德空间内的点分别与每个所述第一待推荐用户在n维欧几里德空间内的点进行计算，得到所述第一用户与所述第一待推荐用户之间的欧几里德距离；
77.基于所述欧几里德距离确定每个所述第一待推荐用户对应的特征相似度；
78.其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。
79.优选地，所述第二相关用户确定子单元，具体用于：
80.将每个所述第二用户参加各活动的用户行为映射为n维欧几里德空间内的点；
81.将每个所述第二待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的
点；
82.将每个所述第二用户在n维欧几里德空间内的点分别与每个所述第二待推荐用户在n维欧几里德空间内的点进行计算，得到所述第二用户与所述第二待推荐用户之间的欧几里德距离；
83.基于所述欧几里德距离确定每个所述第二待推荐用户对应的特征相似度；
84.其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。
85.优选地，所述的活动运营系统，还包括：
86.用户行为获取单元，用于获取每个用户对所有活动的用户行为，将所获取的用户行为存入到分布式发布订阅队列中；
87.自所述分布式发布订阅队列中异步获取所述用户行为，将所述用户行为存入到特征库；
88.行为值标记单元，用于以用户为单位，为所述用户行为标记相应的行为标签及相应的行为系数，所述行为系数为归一化值。
89.行为值标记单元，具体用于对所述行为系数进行处理，处理后的行为系数处于行为系数预设取值范围内；通过将所述行为系数除以该行为类别内的行为系数最大值对所述行为系数进行归一化处理，得到用户的行为归一化值。
90.优选地，所述的信息推荐系统，还包括：
91.存储设置单元，用于在所述第一活动下发之前，将所述第一活动的数据存储在数据库中，同时设置一级缓存和二级缓存；当用户获取所述第一活动的数据时，首先访问所述一级缓存；若自所述一级缓存内未获取到所述第一活动的数据，则访问所述二级缓存；若自所述二级缓存内未获取到所述第一活动的数据，则访问所述数据库。
92.下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明，实施过程中没有介绍到的技术细节，可以参考前文的相关描述。
93.本发明实施例为一种信息推荐方法，能够配置多个推荐信息，不同的活动可以对应不同优先级，还可以根据用户的行为等动态调整活动优先级，从而引导用户接收到相应的活动的展示，并进行参与。
94.信息推荐的系统架构如图3所示，系统整体架构的网关层包括gateway网关进行鉴权、流量控制熔断降级等；应用层调用服务端api接口，返回所推荐的活动对应的各种信息；用户数据支撑通过后台配置，按照约定好的数据标准进行返回。
95.通过在应用层进行数据埋点获取用户行为，客户端通过api调用服务端上报接口，服务端获取客户端请求后，将用户行为数据存入到kafaka队列中。用于消费者消费broker中分区内的数据存入hbase中，通过flink进行数据清洗计算。
96.应用程序位于应用层内，是一个服务，用于运行活动推荐系统，客户端请求服务端数据，服务端的代码程序需要搭配运行环境才能够执行。应用程序通过docker容器化技术部署在k8s中的pod中，用户请求量激增可以通过k8s进行动态扩容保证服务正常可用，防止负载过高导致服务不可用。当自应用层一个针对所推荐的活动的用户请求过来时，通过网关层进行权限校验、流量控制。流量控制是指：若遇到高峰期时用户访问增多，用户请求压
力增大，若服务端程序不能满足所有请求都能正常返回，为保证至少一部分用户正常，则通过熔断以及降级策略，将部分请求直接返回，不参与程序的逻辑计算，减轻服务压力。
97.比如用户请求第一活动的列表页面，客户端调用服务端接口，首先建立网络通信包括dns解析，http三次握手等，然后服务端接收到用户请求后需要对该用户请求进行校验，查看是否是真实的用户请求，防止黑客模拟用户非法访问获取真实数据，当鉴权通过后服务端程序开始处理用户请求，判断为真实用户请求时，通过nginx进行请求转发到后端真实服务器中，服务器通过从一级缓存中获取到数据后，按照数据标准进行标准输出。同时为保证后续方便排查问题，通过trace标记一个请求的全链路过程，并通过pod的标准输出到clickhouse中，通过granfana进行查看。
98.在本发明实施例的信息推荐方法中，每个用户界面上均会展示多个活动，不同的用户所展示的活动会有所不同；且针对某个用户界面上具有多个活动展示时，各活动分别具有不同优先级，并且可以动态调整优先级，即哪一条活动优先展示。具体如下：
99.一、获取用户行为数据
100.1、获取每个用户对所有活动的用户行为，将所获取的用户行为存入到分布式发布订阅队列中；比如通过在应用层进行数据埋点，来获取用户行为，当用户在网站或者移动端访问信息页面时，记录用户点击话题id、浏览时长，当用户搜索感兴趣的话题时，也将该行为记录并通过前端点击事件(即客户端、h5和小程序)进行上报。用户行为作为后续动作的支撑；前端通过api调用服务端上报接口，服务端获取到前端请求后，将用户行为存放到kafka队列中。
101.2、分布式发布订阅队列中异步获取用户行为，将用户行为存入到特征库；即自kafka队列中获取用户行为，将获取到用户的大量行为存入到特征库。
102.3、数据处理：以用户为单位，为用户行为标记相应的行为标签及相应的行为系数，行为系数为归一化值。
103.通过后台定义行为标签，以用户为单位，为每一个用户打上相关的行为标签，为后续活动做线索。将各个行为的数据统一在一个相同的取值范围中，针对某个用户所关注的某个活动，对各个行为的取值进行加权求和，从而使得加权求和得到的总体喜好更加精确。其中，加权可以理解为哪一项行为更能代表用户的意向。
104.对行为系数进行处理，处理后的行为系数处于行为系数预设取值范围内；通过将行为系数除以该行为类别内的行为系数最大值对行为系数进行归一化处理，得到用户的行为归一化值，以保证归一化后的数据取值在[0,1]范围，归一化后的数据取值在后面配置待推荐的第一活动的时候会用到，会根据这个行为系数以及行为的关联进行计算。
[0105]
三、根据目标用户行为，确定目标用户与其他用户之间的相似度
[0106]
(一)在第一活动下发之前，将第一活动的数据存储在数据库中，同时设置一级缓存和二级缓存。也就是，当配置一个推荐信息时，将推荐信息的数据存储在mysql数据库中，同时也设置一级缓存(即内存)和二级缓存，数据新增和修改时也同时更新二级缓存。当用户获取第一活动的数据时，首先访问一级缓存；若自一级缓存内未获取到第一活动的数据，则访问二级缓存；若自二级缓存内未获取到第一活动的数据，则访问数据库。从而防止一级缓存失效后，缓存击穿后造成mysql数据库压力骤增直至瘫痪。
[0107]
(二)确定第一活动的相关用户
[0108]
1、根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；具体包括：将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，将所述特征相似度高于第一阈值的所述第一待推荐用户作为第一相关用户，所述第一待推荐用户为参加所述第一活动之外的其他活动的用户。
[0109]
所述将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，具体包括：
[0110]
将每个所述第一用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第一待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第一用户在n维欧几里德空间内的点分别与每个所述第一待推荐用户在n维欧几里德空间内的点进行计算，得到所述第一用户与所述第一待推荐用户之间的欧几里德距离；基于所述欧几里德距离确定每个所述第一待推荐用户对应的特征相似度；其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。
[0111]
在本发明实施例中，基于向量根据欧几里德距离算法进行特征相似度计算具体如下：假设x，y是n维空间的两个点，它们之间的欧几里德距离为：当n＝2时，欧几里德距离就是平面上两个点的距离。特征相似度表示为：当基于欧几里德表示特征相似度时，一般采用距离越小，相似度越大，在二维空间中的欧几里德距离就是两个点之间的真实距离。将用户行为的数据集映射为坐标系就可以明显的比较出用户之间特征相似度。其中，针对第i个待推荐活动的确定相关用户时，xi和yi分别表示用户x、用户y的坐标，两个坐标的距离即为欧几里德距离，特征相似度是指1与欧几里德距离之和的倒数。
[0112]
针对特征相似度的计算举例如下：针对a主题活动和b主题活动，预先设置对应行为的权重：点击的系数为0.5、搜索的系数为0.8，、评论系数为0.3、点赞系数为0.3、转发系数为0.5、参与活动系数为1、浏览时长10min以内系数0.2、时长大于10min小于20min的系数为0.4、超过20min的系数为0.6。此类系数以及权重可以根据具体情况自定义配置。
[0113]
假如用户a在点击了a主题，并浏览了该主题下的1篇博文的时长为5min，点赞并且评论了此篇博文，未查看主题b。用户b搜索了主题b并浏览了主题b下的1篇博文，时长1min，同时搜索了主题a并评论了其中一篇博文。
[0114]
将主题a作为欧几里德空间的纵坐标，主题b作为欧几里德空间的横坐标，用户a的坐标为对主题b的参与度为0，则横坐标为0，对主题a的参与度包括点击行为0.5、浏览行为10min以内0.2、点赞行为0.3、评论行为0.3，那么对主题a的系数为0.5+0.2+0.3+0.3＝1.3，那么对于用户a的坐标为(0，1.3)。同理可得，用户b的纵坐标为0.8+0.2+0.2＝1.2，横坐标为0.8+0.3＝1.1，b的坐标为(1.1，1.2)，采用欧几里德距离的公式计算出a&b相应的两点之间的距离1.10，即行为系数1.10，通过行为系数得到特征相似度为1+1.10的倒数0.47，通过类似活动归纳出当特征相似度大于0.5时，则认为用户之间存在较大相似度。表1举了一些
用户之间的特征相似度。
[0115]
表1用户之间的欧几里德距离示例
[0116]
用户关系relationship行为系数coefficient相似度similarity用户a&f4.610.18用户a&c0.380.72用户a&d0.690.59用户a&e3.670.21用户b&c4.410.18
[0117]
从表1中可以看出用户a&c的距离较近、用户a&d的距离较近。
[0118]
针对推荐方法的具体操作举例如下：因为前期获取了用户的行为数据，当配置新的活动时，为新活动设置好对应的行为系数以及权重，向相同喜好的邻居推荐活动。如图4所示，为相似邻居计算。邻居分为两类：1、获取固定数量的邻居，距离不约定，只取最近的k个，如图4中的a所示。2、获取相似度的邻居，我们以当前点作为中心，距离为k的区域中的所有点都作为当前点的邻居，如图4中的b部分所示。
[0119]
本发明实施例不采用图4中方法a，因为当它附近没有足够多比较相似的点，就被迫取一些不太相似邻居，影响相似度。采用图4中方法b，虽然计算得到的邻居个数不确定，但特征相似度不会出现较大的误差。
[0120]
针对第一活动为参与话题的现金活动(以下称为a)，通过参加该活动的用户找相同邻居(第一相关用户)参加过的该第一活动的用户的特征为：与当前时间相邻的第一段时间段内比如最近7天内参加该第一活动的用户作为第一用户，以第一用户为用户范围，采用欧几里德距离算法计算特征库里的第一待推荐用户和第一用户之间的特征相似度，对相似度高于第一阈值比如0.5的第一待推荐用户确定为第一相关用户，同时设置提升活动a对第一相关用户的展示优先级。
[0121]
2、确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；具体包括：将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，将所述特征相似度高于第二阈值、且未参加过所述第一活动的所述第二待推荐用户、以及未参加过所述第一活动的第二用户作为第二相关用户，所述第二待推荐用户为参加所述第二活动之外的其他活动的用户。
[0122]
将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，具体包括：将每个所述第二用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第二待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第二用户在n维欧几里德空间内的点分别与每个所述第二待推荐用户在n维欧几里德空间内的点进行计算，得到所述第二用户与所述第二待推荐用户之间的欧几里德距离；基于所述欧几里德距离确定每个所述第二待推荐用户对应的特征相似度；其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相
应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。
[0123]
针对第一活动为参与话题的现金活动a，通过参加过相似的第二活动比如参与答题得奖品活动(以下称为b)的用户找相同邻居(第二相关用户)。
[0124]
参加过的第二活动的用户的特征为与当前时间相邻的第二段时间段内比如15天为时间范围，参与过活动b的用户c作为第二用户，以此用户c为基础，采用欧几里德距离算法计算特征库里的第二待推荐用户的特征相似度，针对特征相似度高于第二阈值比如0.7、并且未参加过第一活动a的用户c，将活动a在显示时的优先级提高，优先展示。同时将第二用户也作为第二相关用户，如果某个第二用户并没有参加第一活动，则将这个第二用户的优先级设置为初始优先级。
[0125]
3、针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；具体包括：
[0126]
在确定出所述第一相关用户的情况下，确定所述第一相关用户对应的第一优先级累加值；将所述第一优先级累加值与所述第一活动对应的优先级初始值相加得到所述第一相关用户对应的所述第一活动的优先级值；其中，在所述第一活动下发之前，为所述第一活动配置初始优先级及相应的优先级初始值；
[0127]
在确定出所述第二相关用户的情况下，确定所述第二相关用户对应的第二优先级累加值；将所述第二优先级累加值与所述优先级初始值相加得到所述第二相关用户对应的所述第一活动的优先级值；
[0128]
当目标用户同时被多个第一活动确定为相关用户时，从所述多个第一活动中为所述目标用户配置一个目标第一活动，采用最高优先级向所述目标用户展示所配置的目标第一活动，且所配置的目标第一活动不参与优先级的调整。
[0129]
4、按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。
[0130]
5、第一优先级累加值、以及第二优先级累加值定期更新：当用户行为伴随时间以及行为变化而发生改变，每一次用户的行为都由客户端上报给服务端，并将行为存储到特征库，通过算法计算出用户与其他用户的特征相似度，使得第一优先级累加值、以及第二优先级累加值定期更新，再根据特征相似度对应的第一优先级累加值、以及第二优先级累加值定期更新，从而更改活动的展示优先级，将偏好喜欢的活动优先展示给用户，此过程无需人工干预。
[0131]
本发明实施例所取得有益技术效果如下：
[0132]
根据具体的第一活动的具体情况确定相关用户，能够动态的将第一活动的信息展示给必要用户；扩大了推荐用户范围，提高了运营能力；避免了通过设置时间，提前圈定用户群体等方式在网站或者软件显著位置进行活动的信息引导对待推荐的第一活动进行推荐的局限性。并且在用户被确定为相关用户的同时直接确定对应的展示优先级，在用户的界面按照各活动的优先级级别展示相应的活动避免了人工计算手动调整各活动的显示优先级的费时费力的问题。所以本发明实施例的活动信息推荐下发的方法能够适用于业务的多种场景，便于应用。通过显示优先级能够支持活动根据用户的兴趣意向高低进行动态排序，在展示时满足了不同用户的个性化需求。
[0133]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0134]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0135]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0136]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
[0137]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0138]
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0139]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并
可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0140]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
[0141]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种信息推荐方法，其特征在于，包括：根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。2.根据权利要求1所述的信息推荐方法，其特征在于，所述根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户，具体包括：将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，将所述特征相似度高于第一阈值的所述第一待推荐用户作为第一相关用户，所述第一待推荐用户为参加所述第一活动之外的其他活动的用户。3.根据权利要求2所述的信息推荐方法，其特征在于，所述将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，具体包括：将每个所述第一用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第一待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第一用户在n维欧几里德空间内的点分别与每个所述第一待推荐用户在n维欧几里德空间内的点进行计算，得到所述第一用户与所述第一待推荐用户之间的欧几里德距离；基于所述欧几里德距离确定每个所述第一待推荐用户对应的特征相似度；其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。4.根据权利要求1所述的信息推荐方法，其特征在于，所述根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户，具体包括：将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，将所述特征相似度高于第二阈值、且未参加过所述第一活动的所述第二待推荐用户、以及未参加过所述第一活动的第二用户作为第二相关用户，所述第二待推荐用户为参加所述第二活动之外的其他活动的用户。
5.根据权利要求4所述的信息推荐方法，其特征在于，所述将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，具体包括：将每个所述第二用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第二待推荐用户参加各活动的用户行为映射为n维欧几里德空间内的点；将每个所述第二用户在n维欧几里德空间内的点分别与每个所述第二待推荐用户在n维欧几里德空间内的点进行计算，得到所述第二用户与所述第二待推荐用户之间的欧几里德距离；基于所述欧几里德距离确定每个所述第二待推荐用户对应的特征相似度；其中，所述n维欧几里德空间的维度与活动的总数量相同，所有维度与所有活动之间具有一一对应关系，每一个维度上的坐标值为相应用户参加与所述维度相对应活动的行为系数之和，所述n大于等于2。6.根据权利要求1所述的信息推荐方法，其特征在于，所述针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级，具体包括：在确定出所述第一相关用户的情况下，确定所述第一相关用户对应的第一优先级累加值；将所述第一优先级累加值与所述第一活动对应的优先级初始值相加得到所述第一相关用户对应的所述第一活动的优先级值；其中，在所述第一活动下发之前，为所述第一活动配置初始优先级及相应的优先级初始值；在确定出所述第二相关用户的情况下，确定所述第二相关用户对应的第二优先级累加值；将所述第二优先级累加值与所述优先级初始值相加得到所述第二相关用户对应的所述第一活动的优先级值；其中，所述第一优先级累加值、以及所述第二优先级累加值定期更新；当目标用户同时被多个第一活动确定为相关用户时，从所述多个第一活动中为所述目标用户配置一个目标第一活动，采用最高优先级向所述目标用户展示所配置的目标第一活动，且所配置的目标第一活动不参与优先级的调整。7.根据权利要求1所述的信息推荐方法，其特征在于，还包括：获取每个用户对所有活动的用户行为，将所获取的用户行为存入到分布式发布订阅队列中；自所述分布式发布订阅队列中异步获取所述用户行为，将所述用户行为存入到特征库；以用户为单位，为所述用户行为标记相应的行为标签及相应的行为系数，所述行为系数为归一化值。8.根据权利要求1所述的信息推荐方法，其特征在于，还包括：在所述第一活动下发之前，将所述第一活动的数据存储在数据库中，同时设置一级缓存和二级缓存；当用户获取所述第一活动的数据时，首先访问所述一级缓存；若自所述一级缓存内未获取到所述第一活动的数据，则访问所述二级缓存；若自所述二级缓存内未获取到所述第一活动的数据，则访问所述数据库。9.一种信息推荐系统，其特征在于，包括：
相关用户确定单元，用于根据参加待推荐的第一活动的第一用户，确定与所述第一用户之间的特征相似度高于第一阈值的第一相关用户；确定与所述第一活动相似的第二活动，根据参加所述第二活动的第二用户，确定与所述第二用户之间的特征相似度高于第二阈值、且未参加过所述第一活动的第二相关用户；其中，所述特征包括用户针对第一活动和/或第二活动的行为特征；优先级调整单元，用于针对所述第一相关用户和所述第二相关用户，提升每个相关用户对应的所述第一活动的优先级；所述优先级表示当前活动向对应的用户进行展示的级别；推荐单元，用于按照所述第一相关用户和所述第二相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的所述至少一个活动的信息；其中，所述至少一个活动包括所述第一活动。10.根据权利要求9所述的信息推荐系统，其特征在于，所述相关用户确定单元包括：第一相关用户确定子单元，用于将与当前时间相邻的第一段时间段内参加所述第一活动的用户作为第一用户，将每个第一用户的用户行为分别与特征库中的每个第一待推荐用户的用户行为进行相似度计算，得到每个所述第一待推荐用户对应的特征相似度，将所述特征相似度高于第一阈值的所述第一待推荐用户作为第一相关用户，所述第一待推荐用户为参加所述第一活动之外的其他活动的用户。11.根据权利要求9所述的信息推荐系统，其特征在于，所述相关用户确定单元包括：第二相关用户确定子单元，用于将与当前时间相邻的第二段时间段内参加所述第二活动的用户作为第二用户，将每个第二用户的用户行为分别与特征库中的每个第二待推荐用户的用户行为进行相似度计算，得到每个所述第二待推荐用户对应的特征相似度，将所述特征相似度高于第二阈值、且未参加过所述第一活动的所述第二待推荐用户、以及未参加过所述第一活动的第二用户作为第二相关用户，所述第二待推荐用户为参加所述第二活动之外的其他活动的用户。12.根据权利要求9所述的信息推荐系统，其特征在于，所述优先级调整单元，具体用于：在确定出所述第一相关用户的情况下，确定所述第一相关用户对应的第一优先级累加值；将所述第一优先级累加值与所述第一活动对应的优先级初始值相加得到所述第一相关用户对应的所述第一活动的优先级值；其中，在所述第一活动下发之前，为所述第一活动配置初始优先级及相应的优先级初始值；在确定出所述第二相关用户的情况下，确定所述第二相关用户对应的第二优先级累加值；将所述第二优先级累加值与所述优先级初始值相加得到所述第二相关用户对应的所述第一活动的优先级值；其中，所述第一优先级累加值、以及所述第二优先级累加值定期更新；当目标用户同时被多个第一活动确定为相关用户时，从所述多个第一活动中为所述目标用户配置一个目标第一活动，采用最高优先级向所述目标用户展示所配置的目标第一活动，且所配置的目标第一活动不参与优先级的调整。

技术总结
本发明实施例提供一种信息推荐方法及系统，涉及活动运营领域，该方法包括：根据参加待推荐的第一活动的第一用户，确定与第一用户之间的特征相似度高于第一阈值的第一相关用户；确定与第一活动相似的第二活动，根据参加第二活动的第二用户，确定与第二用户之间的特征相似度高于第二阈值、且未参加过第一活动的第二相关用户；提升每个相关用户对应的第一活动的优先级；按照相关用户各自对应的至少一个活动的优先级，分别向各相关用户推荐对应的至少一个活动的信息。能够动态的将第一活动的信息展示给必要用户，扩大了推荐用户范围，提高了运营能力；在用户的界面按照各活动的优先级级别展示相应的活动满足了不同用户的个性化需求。展示相应的活动满足了不同用户的个性化需求。展示相应的活动满足了不同用户的个性化需求。


技术研发人员：张鑫 孙明哲 张春禹
受保护的技术使用者：微梦创科网络科技（中国）有限公司
技术研发日：2023.03.17
技术公布日：2023/7/7