推荐方法及装置、设备、存储介质与流程

1.本技术涉及通信技术，涉及但不限于推荐方法及装置、设备、存储介质。


背景技术：

2.随着5g的普及以及网络带宽的增加，网络技术和应用服务的规模呈现爆发式的增长。面对海量数据，推荐系统使用推荐算法在用户和数据信息之间建立起有效、直接的关联，剖析出用户的需求趋势，并将结果整理成个性化列表的形式推荐给用户，虽然可以有效地缓解因数据体量过大、超出个人负荷所造成的信息过载问题，但是仍存在个性化推荐结果的准确性难以保证，从而影响到用户体验的问题。


技术实现要素：

3.有鉴于此，本技术提供的推荐方法及装置、设备、存储介质，使得对目标用户对于待推荐的第一项目相关联的第二项目的偏好分析更加全面，从而使得生成的推荐结果更加准确，提升了用户体验。
4.根据本技术实施例的一个方面，提供一种推荐方法，应用于边缘侧，包括：获取目标用户的第一行为数据；根据所述第一行为数据，确定待推荐的至少一个第一项目；确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。
5.根据本技术实施例的一个方面，提供一种推荐方法，应用于云端侧，包括：接收边缘设备发送的目标用户的用户行为数据；根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目；确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的；确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评价信息而确定的；至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果；将所述项目推荐结果发送给边缘设备。
6.可以理解地，第一推荐结果至少是根据各个所述第一项目相关联的第二项目的第一偏好和第一评价分数生成的，如此，在为目标用户推荐与第一项目关联的第二项目时，不仅考虑到了因为目标用户使用过第二项目而对第二项目产生偏好的情况，还考虑到了第二项目接收到的评价信息，即考虑到了目标用户和/或其他用户在没有使用第二项目的情况下也会对第二项目产生偏好的情况，使得对目标用户对于第二项目的偏好分析更加全面，从而使得生成的推荐结果更加准确，提升了用户体验。
7.根据本技术实施例的一个方面，提供一种推荐装置，应用于边缘侧，所述推荐装置
包括：第一获取模块，用于获取目标用户的第一行为数据；第一确定模块，用于根据所述第一行为数据，确定待推荐的至少一个第一项目；第二确定模块，用于确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；第一生成模块，用于至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。
8.根据本技术实施例的一个方面，提供一种推荐装置，应用于云端侧，所述推荐装置包括：第一接收模块，用于接收边缘设备发送的目标用户的用户行为数据；第三确定模块，用于根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目；第四确定模块，用于确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的；确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评价信息而确定的；第二生成模块，用于至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果；第一发送模块，用于将所述项目推荐结果发送给边缘设备。
9.根据本技术实施例的一个方面，提供一种边缘设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的方法。
10.根据本技术实施例的一个方面，提供一种云端设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的方法。
11.根据本技术实施例的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例提供的所述的方法。
12.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
13.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本技术的实施例，并与说明书一起用于说明本技术的技术方案。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
14.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
15.图1为本技术实施例提供的推荐方法的实现流程示意图；
16.图2为本技术实施例提供的另一推荐方法的实现流程示意图；
17.图3为本技术实施例提供的又一推荐方法的实现流程示意图；
18.图4为本技术实施例提供的确定第四项目推荐分数的实现流程示意图；
19.图5为本技术实施例提供的再一推荐方法的实现流程示意图；
20.图6为本技术实施例提供的混合推荐方法的流程示意图；
21.图7为本技术实施例提供的混合推荐流程示意图；
22.图8为本技术实施例提供的一种推荐装置的结构示意图；
23.图9为本技术实施例提供的另一推荐装置的结构示意图；
24.图10为本技术实施例提供的一种边缘设备的结构示意图；
25.图11为本技术实施例提供的一种云端设备的结构示意图。
具体实施方式
26.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术的具体技术方案做进一步详细描述。以下实施例用于说明本技术，但不用来限制本技术的范围。
27.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
28.在以下的描述中，涉及到“一些实施例”、“本实施例”、“本技术实施例”以及举例等等，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
29.面对因网络技术和应用服务的规模呈现爆发式增长而产生的海量数据，将推荐系统部署在云端侧，利用云计算集中式的计算模式在用户和数据信息之间建立其有效、直接的关联，剖析出用户的需求趋势，并将结果整理成个性化列表的形式实时地推荐给用户，可以有效的缓解因数据体量过大，超出个人负载所造成的信息过载等一系列问题。然而，随着5g的普及和网络带宽的增加使得部署在云端的整个系统正面临日趋严重的存储压力，云计算集中式的计算模式给云端系统带来的负载、运维及故障风险等问题也日趋突显。因此，需要引入边缘计算架构，在靠近用户的网络边缘侧环境中部署终端设备，提供存储、计算、网络等资源，将部分关键业务应用下沉接入到网络边缘侧，以缓解数据延迟问题，提升服务运行效率。
30.在本技术实施例中，边缘侧可以理解为部署在边缘侧的电子设备，其也可以描述为边缘侧设备，边缘设备、边缘节点等等，本技术实施例对此不做限定。
31.在一些实施例中，边缘侧设备可以是目标用户终端设备，也可以是靠近目标用户终端设备的电子设备，本技术实施例对此不做限定。
32.在本技术实施例中，云端侧可以理解为部署在云端或者云端侧的电子设备，其也可以描述为云端侧设备、云端设备、云端、中心节点、网络中心节点等等，本技术实施例对此不做限定。
33.本技术实施例提供一种推荐方法，图1为本技术实施例提供的推荐方法的实现流程示意图，所述方法应用于边缘侧，如图1所示，该方法可以包括以下步骤101至步骤103：
34.步骤101，边缘设备获取目标用户的第一行为数据。
35.在一些实施例中，第一行为数据可以是基于目标用户浏览、点击等行为生成的数据，所述第一行为数据的形式可以是多个《offset,(user,item,score)》构成的集合；其中，
36.offset为文件位置的偏移量，其用于在获取第一行为数据时规范和校对第一行为数据；
37.user为目标用户的唯一标识符；
38.item为某一项目的唯一标识符；
39.score为基于目标用户行为确定的item的推荐分数。
40.本技术实施例所涉及到的项目可以是商品、文章、视频或音乐等等，本技术实施例中对项目的形式不做限定。
41.步骤102，根据所述第一行为数据，确定待推荐的至少一个第一项目。
42.在一些实施例中，可以根据推荐算法和目标用户的第一行为数据确定待推荐的至少一个第一项目，即通过目标用户对项目的第一行为数据，使用数学算法在海量项目中过滤目标用户不太可能产生行为或者不太喜欢的项目，从而推测出用户可能喜欢的至少一个第一项目；在本技术实施例中，对推荐算法的类型不做限定。
43.步骤103，边缘设备确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的。
44.在一些实施例中，与所述第一项目相关联的第二项目可以是和第一项目同时出现的项目，或者与所述第一项目相关联的第二项目可以是用户在使用第一项目或购买第一项目时同时使用或购买的项目。
45.例如，用户在购买项目a时同时购买了项目b，则与第一项目a相关联的第二项目就是项目b。
46.在一些实施例中，用户对项目的使用数据可以是用户使用项目的次数、使用项目的时长、使用项目的平均间隔、使用过项目后对项目的评价以及使用过项目后对项目的打分等。
47.在一些实施例中，若用户使用项目的次数越高或者时长越长，项目的使用分数越高；用户使用项目的平均间隔越长，项目的使用分数越高，用户使用过项目后对项目的评价中表示肯定或者赞美的词语(例如：好看，漂亮和美味等)越多，项目的使用分数越高；用户使用过项目后对项目的打分越高，项目的使用分数越高。
48.在一些实施例中，可以根据不同于所述目标用户的至少一个其他用户对第二项目的平均使用分数确定第二项目的所述第一偏好。
49.在一些实施例中，边缘设备可以通过如下步骤1031在第二行为数据中挖掘出各个所述第一项目的第一频繁项集；其中，所述第一频繁项集包括所述第一项目的至少一个第一频繁关联规则，通过步骤1032至步骤1034确定所述至少一个第一频繁关联规则中的强关联规则(图中未示出)；
50.在一些实施例中，可以对所述强关联规则进行拆分，得到所述第一项目对应的至少一个第一子关联规则；所述第一子关联规则包括第一项目和与第一项目相关联的第二项目；同一所述第一项目的不同第一子关联规则中关联的第二项目不同。
51.步骤1031，边缘设备根据关联分析算法，在第二行为数据中挖掘出各个所述第一项目的第一频繁项集；其中，所述第一频繁项集包括所述第一项目的至少一个第一频繁关联规则，所述第一频繁关联规则为使用次数大于第一阈值的关联规则。
52.在一些实施例中，所述第二行为数据可以理解为边缘侧设备存储的行为数据，所述第二行为数据包括所述目标用户的第一行为数据；或者，所述第二行为数据包括所述目标用户的第一行为数据和不同于所述目标用户的其他至少一个用户的行为数据。可以理解地，若边缘设备是目标用户终端设备，相应地，边缘设备存储的可以是目标用户的第一行为数据；若边缘设备是靠近用户终端设备的电子设备，相应地。边缘设备存储的可以是目标用户的第一行为数据和不同于所述目标用户的其他至少一个用户的行为数据。
53.所谓挖掘第一项目的第一频繁项集，可以理解为在包括所述第一项目的关联规则中确定出使用次数大于第一阈值的关联规则；其中，大于第一阈值的关联规则称为第一频繁关联规则，所述关联规则可以理解为至少一个项目的集合，所述包含第一项目的关联规则可以是第一项目和其他项目的集合；其他项目包括与第一项目一起或同时出现的项目。
54.在一些实施例中，第一阈值可以是边缘设备根据自身需求预先设置的。
55.示例1：第一项目为商品a，则用户在买a的时候，通常会一起买b、一起买b和c、一起买d、或一起买b和d等，则包含a的关联规则为：(ab)、(abc)、(ad)和(abd)；用户一起购买ab的次数为1，一起购买abc的次数为3，一起购买ad的次数为2，一起购买abd的次数为3；第一阈值为1；则第一频繁关联规则为(abc)、(ad)和(abd)，相应地，第一频繁项集为[(abc)，(ad)，(abd)]。
[0056]
在一些实施例中，可以通过如下步骤1032至步骤1034确定出至少一个第一频繁关联规则中的强关联规则。
[0057]
步骤1032，确定所述第一频繁项集中包括第j个所述第一频繁关联规则的第一频繁关联规则的第三数目；其中，j大于0且小于或等于所述第一频繁项集的第一频繁关联规则总数；j为正整数。
[0058]
示例2：如上示例1所述，第一频繁关联规则为(abc)、(ad)和(abd)；一起购买abc的次数为3，一起购买ad的次数为2，一起购买abd的次数为3，则第一频繁关联规则(abc)的第三数目为3，第一频繁关联规则(ad)的第三数目为2，第一频繁关联规则(abd)的第三数目为3。
[0059]
步骤1033，根据所述第三数目和所述第一频繁项集中第一频繁关联规则的总数，确定所述第j个所述第一频繁关联规则在所述第一频繁项集中的占比。
[0060]
示例3：如上示例2所述，所述第一频繁关联规则的总数为3+2+3＝8；第一频繁关联规则(abc)的占比为3/8，(ad)的占比为2/8，(abd)的占比为3/8。
[0061]
步骤1034，将所述占比大于或等于第二阈值的第一频繁关联规则作为第一强关联规则，对所述第一强关联规则进行拆分，得到所述第一项目对应的至少一个第一子关联规则；所述第一子关联规则包括第一项目和与第一项目相关联的第二项目；同一所述第一项目的不同第一子关联规则中关联的第二项目不同。
[0062]
在一些实施例中，第二阈值可以是边缘设备根据自身需求预先设置的。
[0063]
示例4：如上示例3所述，若第二阈值为3/8，则第一强关联规则为(abc)和(abd)。
[0064]
对第一强关联规则进行拆分，即对(abc)和(abd)进行拆分，得到(ab)、(ac)和(ad)；其中第一项目为a，第二项目为b、c和d。
[0065]
步骤104，边缘设备确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的。
[0066]
在一些实施例中，所述第二项目接收到的评价信息可以是用户在没有使用第二项目的情况下确定的；例如，用户在没有观看电影而给电影打的评分，用户没有使用商品而给商品打的评分。
[0067]
在一些实施例中，所述第一评价分数可以是至少一个用户在没有使用第二项目的情况下对第二项目打的评分的均值。
[0068]
在一些实施例中，第二项目接收到的评价信息可以是第二项目推出前第二项目的生产方为其设置的预估评分；例如，某一厂家将要上架一款商品p，厂家预估该商品p能够得到至少一个用户喜爱的概率，根据预估的概率为商品p设置一个评分。
[0069]
步骤105，边缘设备至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。
[0070]
在一些实施例中，先至少根据所述第二项目的第一偏好和所述第一评价分数，确定所述第二项目的推荐分数；然后根据各个所述第一项目相关联的第二项目的推荐分数和各个所述第一项目的推荐分数，生成所述第一推荐结果。
[0071]
在一些实施例中，可以根据如下实施例的步骤202至步骤207来确定第二项目的推荐分数，在此不再赘述。
[0072]
可以理解地，第一推荐结果至少是根据各个所述第一项目相关联的第二项目的第一偏好和第一评价分数生成的，如此，在为目标用户推荐与第一项目关联的第二项目时，不仅考虑到了因为目标用户使用过第二项目而对第二项目产生偏好的情况，还考虑到了第二项目接收到的评价信息，即考虑到了目标用户和/或其他用户在没有使用第二项目的情况下也会对第二项目产生偏好的情况，使得对第二项目的偏好分析更加全面，从而使得生成的推荐结果更加准确。
[0073]
本技术实施例提供一种推荐方法，图2为本技术实施例提供的推荐方法的实现流程示意图，所述方法应用于边缘侧，如图2所示，该方法可以包括以下步骤201至步骤208：
[0074]
步骤201，边缘设备根据目标用户的第一行为数据，确定待推荐的至少一个第一项目；
[0075]
步骤202，边缘设备确定与所述第一项目相关联的第二项目的第一偏好；
[0076]
步骤203，边缘设备确定所述第二项目的第一评价分数；
[0077]
步骤204，边缘设备确定所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好，所述第二偏好是基于所述目标用户对对应第一项目的使用数据而确定的。
[0078]
在一些实施例中，若目标用户使用第一项目的次数越高或者时长越长，第二偏好的参数值越大；用户使用第一项目的平均间隔越长，第二偏好的参数值越大，用户使用过第一项目后对第一项目的评价中表示肯定或者赞美的词语(例如：好看，漂亮和美味等)越多，第二偏好的参数值越大；用户使用过第一项目后对第一项目的打分越高，第二偏好的参数值越大。
[0079]
在一些实施例中，先根据如上实施例的步骤1031至步骤1034确定出除所述第一项目外待推荐的其他第一项目相关联的第二项目；再确定其他第一项目相关联的第二项目中包含所述第一项目相关联的第二项目对应的各个第一项目，从而确定目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好。
[0080]
示例5：如上示例4所述，与待推荐的第一项目a关联的第二项目包括：b、c、d。若要确定与第二项目b相关联的各个第一项目的第二偏好，则：
[0081]
首先，根据如上实施例的步骤1031至步骤1034确定出除第一项目a以外待推荐的其他第一项目所关联的第二项目；例如，待推荐的第一项目包括项目a、r、t；根据步骤1031至步骤1034确定出r的第一频繁项集为：(ref)、(rg)、(rh)和(rf)，r的第一强关联规则为(ref)，相应地，r的第一子关联规则为(re)和(rf)；t的第一频繁项集为(tbf)(tb)和(tbd)，t的第一强关联规则为(tb)和(tbd)，相应地，t的第一子关联规则为(tb)和(td)；则与r相关联的第二项目为e、f，与t相关联的第二项目为b、d，各个第一项目相关联的第二项目如下表所示：
[0082]
表1各个第一项目相关联的第二项目
[0083][0084]
其次，确定其他第一项目(r、t)相关联的第二项目中包含所述第一项目(a)相关联的第二项目(b、d)对应的各个第一项目(t)。
[0085]
可以理解地，与a相关联的第二项目为b、c和d，包含b的第一项目为t，包含d的第一项目为t，因此，除a以外的其他第一项目相关联的第二项目中包含与a相关联的第二项目对应的第一项目为t。
[0086]
最后，确定目标用户分别对与所述第二项目(b)相关联的各个第一项目(t和a)的第二偏好。
[0087]
步骤205，边缘设备确定包括所述第二项目的第一目标子关联规则的第一推荐度；其中，所述第一目标子关联规则包括所述第二项目和与所述第二项目关联的第一项目，所述第一推荐度表征所述第二项目和与所述第二项目关联的第一项目的关联程度。
[0088]
在一些实施例中，在确定包括所述第二项目的第一目标子关联规则的第一推荐度之前，先根据如上实施例的步骤1031至步骤1034确定出各个第一项目的第一频繁项集，对各个第一频繁项集中的第一强关联规则进行拆分，得到各个第一项目对应的第一子关联规则。
[0089]
在一些实施例中，边缘设备在各个第一项目对应的第一子关联规则中筛选出包含第二项目的关联规则，即第一目标子关联规则。
[0090]
示例6：如上示例5所述，包括第二项目(b)的第一目标子关联规则为(ab)和(tb)，则需要确定(ab)和(tb)的第一推荐度。
[0091]
在一些实施例中，确定包括所述第二项目的第i个第一目标子关联规则(例如(ab))的推荐度，包括以下步骤2051至步骤2055(图中未示出)：
[0092]
步骤2051，边缘设备将包括各个所述第一项目的第一频繁项集作为第一目标频繁项集。
[0093]
示例7：如上表1所述，r的第一频繁项集为：(ref)、(rg)、(rh)和(rf)，t的第一频繁
项集为(tbf)、(tb)和(tbd)，a的第一频繁项集为(abc)、(ad)和(abd)，则第一目标频繁项集为(ref)、(rg)、(rh)、(rf)、(tbf)、(tb)和(tbd)、(abc)、(ad)和(abd)。
[0094]
步骤2052，边缘设备确定所述第一目标频繁项集中包括所述第i个第一目标子关联规则的第一频繁关联规则的第一数目。
[0095]
示例8：如上示例7所述，包含(ab)的第一频繁关联规则为(abc)和(abd)，则第一数目为2；
[0096]
步骤2053，边缘设备根据所述第一数目与所述第一目标频繁项集中第一频繁关联规则的总数的比值，确定所述第i个第一目标子关联规则的第一置信度；
[0097]
在一些实施例中，第i个第一目标子关联规则(例如(ab))的第一置信度可以用下式(1)来表示，i为正整数：
[0098][0099]
其中，conf(a
→
b)表示第一子关联规则(ab)的置信度，sup(a∪b)表示第一数目，sup(a)表示第一目标频繁项集中第一频繁关联规则的总数。
[0100]
示例9：如上示例8所述，第一数目为2，第一目标频繁项集中第一频繁关联规则的总数为10，则(ab)的第一置信度为1/5。
[0101]
步骤2054，边缘设备确定所述第一目标频繁项集中包括所述第二项目的第一频繁关联规则的第二数目；
[0102]
在一些实施例中，第二数目可以是包括所述第二项目但不包括所述第一项目的第一频繁关联规则的数目。
[0103]
如上示例7所述，包括第二项目(b)的第一频繁关联规则为：(tbf)、(tb)、(tbd)、(abc)、和(abd)，其中，不包括a的第一频繁关联规则为：(tbf)、(tb)、(tbd)。则第二数目为3。
[0104]
步骤2055，边缘设备根据所述第i个第一目标子关联规则(例如(ab))的第一置信度与所述第二数目的比值，确定所述第i个第一目标子关联规则的第一推荐度。
[0105]
在一些实施例中，第i个第一目标子关联规则(例如(ab))的推荐度用下式(2)表示：
[0106][0107]
其中，srec(a
→
b)为第i个第一目标子关联规则(例如(ab))的第一推荐度，sup(b)表示第二数目。
[0108]
可以理解地，若第一子关联规则的第一置信度越高(ab同时出现的频次越高)，且b单独出现的次数越少，第一推荐度越大，则说明ab之间的的关联程度强。因此，可以根据第一推荐度来确定第一项目a和第二项目b的关联程度。
[0109]
步骤206，边缘设备根据各个所述第一目标子关联规则的第一推荐度、所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好、所述第一偏好，确定所述第二项目的第二评价分数。
[0110]
在一些实施例中，所述第二项目(例如b)的第二评价分数可以用下式3表示：
[0111][0112]
其中，spre
ub
1用来表示第二项目b的第二评价分数；iu表示所有待推荐的第一项目组成的集合；r
ua
表示与所述第二项目相关联的各个第一项目的第二偏好；表示与所述第一项目相关联的第二项目(b)的第一偏好；
[0113]
步骤207，边缘设备根据所述第一评价分数和所述第二评价分数，确定所述第二项目的推荐分数。
[0114]
在一些实施例中，所述第二项目(例如b)的推荐分数可以用下式4表示：
[0115][0116]
其中，spre
ub
2用来表示第二项目b的推荐分数；表示所述第二项目(b)的第一评价分数。
[0117]
可以理解地，根据第一评价分数和第二评价分数确定第二项目(b)的推荐分数时，不仅考虑到了因为用户使用过第二项目(b)而对第二项目产生偏好的情况，还考虑到了第二项目接收到的评价信息，即考虑到了在没有使用第二项目的情况下也会对第二项目产生偏好的情况，使得对第二项目的偏好分析更加全面，使得生成的推荐结果更加准确。
[0118]
步骤208，边缘设备根据各个所述第一项目相关联的第二项目的推荐分数和各个所述第一项目的推荐分数，生成所述第一推荐结果。
[0119]
在一些实施例中，对各个第一项目和与各个所述第一项目相关联的第二项目的推荐分数进行排序，按照推荐分数的高低来生成第一推荐结果。
[0120]
在一些实施例中，第一推荐结果的形式可以是：多个《user,list[(item1:prediction score)]》构成的集合。其中，user表示目标用户的位移标识符，item1表示第一项目或第二项目的名称，prediction score表示第一项目或第二项目的推荐分数。
[0121]
本技术实施例提供一种推荐方法，图3为本技术实施例提供的推荐方法的实现流程示意图，如图3所示，该方法可以包括以下步骤301至步骤316：
[0122]
步骤301，边缘设备获取所述目标用户的第三行为数据；其中，所述第三行为数据的产生时段在所述第一行为数据的产生时段之后。
[0123]
所述第三行为数据的产生时段在所述第一行为数据的产生时段之后，可以理解为：相比第一行为数据，第三行为数据更新。
[0124]
步骤302，边缘设备根据所述第三行为数据，对所述第一推荐结果进行更新，得到第二推荐结果。
[0125]
在一些实施例中，首先基于推荐算法和第三行为数据确定出新的待推荐的至少一个第一项目，以及基于如上实施例的步骤1031至步骤1034确定出与各个新的第一项目相关联的第二项目；其次基于第三行为数据和如上实施例的步骤202至步骤208确定出与各个新的第一项目相关联的第二项目的推荐分数，最后，根据各个新的第一项目的推荐分数以及
新的第一项目相关联的第二项目的推荐分数对第一推荐列表的第一项目和/或第二项目的顺序进行更新，或者增删第一推荐列表中的第一项目和/或第二项目，得到第二推荐结果。
[0126]
步骤303，边缘设备将所述第三行为数据发送给云端设备；
[0127]
步骤304，云端设备接收所述第三行为数据；
[0128]
步骤305，云端设备根据所述第三行为数据和不同于所述目标用户的其他至少一个用户的行为数据，确定待推荐的至少一个第三项目；
[0129]
需要说明的是，云端设备是根据云端设备存储的至少一个用户的行为数据，确定待推荐的至少一个第三项目的。云端设备中存储的至少一个用户的行为数据相比于边缘设备中存储的至少一个用户的行为数据，数据量更大，用户数更多，云端设备几乎存储了所有用户的行为数据，而边缘设备只存储了部分用户的行为数据。
[0130]
步骤306，云端设备确定与所述第三项目相关联的第四项目的第三偏好；所述第三偏好是基于不同于所述目标用户的至少一个其他用户对所述第四项目的使用数据而确定的。
[0131]
在一些实施例中，可以根据不同于所述目标用户的至少一个其他用户对第四项目的平均使用分数确定第四项目的所述第三偏好。
[0132]
在一些实施例中，云端设备通过如下步骤3061至步骤3064确定各个第三项目的第二子关联规则(图中未示出)：
[0133]
步骤3061，云端设备根据关联分析算法，在所述第三行为数据和所述不同于所述目标用户的其他至少一个用户的行为数据中挖掘出各个所述第三项目的第二频繁项集；其中，所述第二频繁项集包括所述第三项目的至少一个第二频繁关联规则，所述第二频繁关联规则为使用次数大于第三阈值的关联规则。
[0134]
在一些实施例中，所述第三阈值可以是云端设备根据自身需求预先设置的。
[0135]
需要说明的是，挖掘各个第三项目的第二频繁项集所使用的至少一个用户的行为数据是云端设备存储的至少一个用户的行为数据。
[0136]
步骤3062，云端设备确定所述第二频繁项集中包括第m个所述第二频繁关联规则的第二频繁关联规则的第六数目；其中，m大于0且小于或等于所述第二频繁项集的第二频繁关联规则总数，m为正整数；
[0137]
步骤3063，云端设备根据所述第六数目和所述第二频繁项集中第二频繁关联规则的总数，确定所述第m个所述第二频繁关联规则在所述第二频繁项集中的占比；
[0138]
步骤3064，云端设备将所述占比大于或等于第四阈值的第二频繁关联规则作为第二强关联规则，对所述第二强关联规则进行拆分，得到所述第三项目对应的至少一个第二子关联规则；所述第二子关联规则包括第三项目和与所述第三项目相关联的第四项目，同一所述第三项目的不同第二子关联规则中关联的第四项目不同。
[0139]
在一些实施例中，所述第三阈值可以是云端设备根据自身需求预先设置的。
[0140]
步骤307，云端设备确定所述第四项目的第五评价分数；所述第五评价分数是基于所述第四项目接收的评价信息而确定的；
[0141]
步骤308，云端设备至少根据各个所述第三项目相关联的第四项目的第三偏好、第五评价分数和各个所述第三项目，生成第三推荐结果。
[0142]
在一些实施例中，先至少根据所述第四项目的第三偏好和所述第五评价分数，确
定所述第四项目的推荐分数；然后根据各个所述第三项目相关联的第四项目的推荐分数和各个所述第三项目的推荐分数，生成所述第三推荐结果。
[0143]
在一些实施例中，可以通过如下实施例的步骤401至步骤404来确定各个所述第三项目相关联的第四项目的推荐分数，在此不做赘述。
[0144]
步骤309，云端设备将所述第三推荐结果发送给边缘设备；
[0145]
步骤310，边缘设备接收所述云端设备返回的第三推荐结果；其中，所述第三推荐结果包括所述第三项目和与所述第三项目关联的第四项目的推荐分数；
[0146]
步骤311，边缘设备根据所述第三行为数据的发送时间和所述第三推荐结果的接收时间，确定交互时长。
[0147]
在一些实施例中，所述交互时长可以根据云端设备发送第三行为数据时的时间戳以及边缘设备接收到第三推荐结果时的时间戳来确定。
[0148]
步骤312，边缘设备根据所述交互时长，确定时间衰减因子。
[0149]
可以理解地，边缘设备将目标用户当前最新的第三行为数据发送给云端设备，以便云端设备能够基于第三行为数据和云端存储的全量数据来生成第三推荐结果。然而，由于云端设备与边缘设备之间数据传输需要耗费一定时间，在边缘设备将第三行为数据发送给云端设备之后，目标用户仍然会产生更新的行为数据，而云端设备却无法基于用户更新的行为数据确定第三推荐结果，从而使得云端设备无法实时的感知用户的兴趣度的变化。例如：边缘设备给云端设备发送第三行为数据后，过了一段时间云端设备才给边缘设备返回基于第三行为数据和全量数据生成的第三推荐结果，但在这一段时间内，目标用户对于第三推荐结果中第四项目的兴趣可能会下降，而第三推荐结果中第四项目的推荐评分是基于第三行为数据确定的，而不是基于用户实时产生的更新的行为数据确定的，因此，需要根据边缘设备与云端设备的交互时长对第四项目的推荐评分进行衰减。
[0150]
在一些实施例中，可以根据下式(5)来确定时间衰减因子：
[0151][0152]
其中，|t
ei-t
ci
|表示交互时长；α表示权重系数。
[0153]
步骤313，边缘设备根据所述时间衰减因子，重新确定所述第四项目的推荐分数；
[0154]
在一些实施例中，边缘设备先根据所述时间衰减因子，对所述第四项目的第三评价分数进行衰减，得到第四评价分数；再根据所述第四评价分数和所述第四项目的第五评价分数，重新确定所述第四项目的推荐分数。
[0155]
在一些实施例中，可以先根据各个所述第二目标子关联规则的第二推荐度、所述目标用户分别对与所述第四项目相关联的各个第三项目的第四偏好、所述第三偏好，确定所述第四项目的第三评价分数，再对第三评价分数进行衰减得到第四评价分数。然后根据根据所述第四评价分数和所述第四项目的第五评价分数，重新确定所述第四项目的推荐分数。
[0156]
在一些实施例中，在确定第二推荐度之前，云端设备可以根据如上步骤3061至步骤3064确定各个第三项目的第二频繁项集，对各个第二频繁项集中的第二强关联规则进行拆分，得到各个第三项目对应的第二子关联规则。边缘设备在各个第三项目对应的第二子关联规则中筛选出包含第四项目的关联规则，即第二目标子关联规则。
[0157]
在一些实施例中，可以根据以下式(6)对第三评价分数进行衰减，得到第四评价分数：
[0158][0159]
其中，第四项目的第三评价分数，spre
u1b1new2
用来衰减后的第四项目的第四评价分数；i
u1
表示所有待推荐的第三项目组成的集合；r
u1a1
表示与所述第四项目相关联的第三项目的第四偏好；表示与所述第三项目相关联的第四项目的第三偏好；srec(a1
→
b1)为第k个第二目标子关联规则的第二推荐度。
[0160]
在一些实施例中，可以根据以下式(7)确定所述第四项目的第五评价分数：
[0161][0162]
其中，spre
u1b1new
用来表示衰减后的第四项目的推荐分数；表示所述第四项目的第五评价分数。
[0163]
可以理解地，由于第四项目的第五评价分数与用户的使用行为无关，其是不会随着时间或者用户使用行为而改变的。而用来确定第三评价分数的第三偏好和第四偏好均与用户的使用行为相关，因此在确定第四项目的推荐分数时，仅对第三评价分数做了衰减，而并未衰减第五评价分数，保证了第四项目推荐分数的准确性。
[0164]
步骤314，边缘设备根据所述第四项目的重新确定的推荐分数，更新所述第三推荐结果，得到第四推荐结果。
[0165]
可以理解地，在确定第四推荐结果时，考虑到了在云端设备和边缘设备的交互时长中目标用户行为可能会发生变化而造成的目标用户对第四项目的兴趣度衰减的情况，对第四项目的第三评价分数进行了衰减，从而根据衰减后的第四项目的推荐分数确定第四推荐结果，使得确定的第四推荐结果更加符合用户的实际兴趣需求。
[0166]
在一些实施例中，更新第三推荐结果，可以是对第三推荐结果中的第三项目和/或第四项目按照推荐分数进行重新排序，或者增删第三推荐结果中的第三项目和/或第四项目。
[0167]
步骤315，边缘设备根据所述第二推荐结果和所述第四推荐结果，生成目标推荐结果。
[0168]
在一些实施例中，可以对第二推荐结果中的第一项目和第四项目与第四推荐结果中的第三项目和第四项目混合后按照推荐分数重新排序，也可以混合后对混合后的推荐项目进行增删处理，从而得到目标推荐结果，如此生成的第四推荐结果考虑到了目标用户随着时间的推移行为发生变化从而对第四项目的兴趣度会产生变化的情况，保证了在确定推
荐结果的同时对用户兴趣度感知的实时性。
[0169]
可以理解地，在确定最终的目标推荐结果时，既考虑了边缘设备自身最新的行为数据，也考虑到了云端设备的全量数据以及衰减后的第四项目的推荐分数，使得生成的目标推荐结果更加全面和准确。
[0170]
步骤316，边缘设备根据所述目标推荐结果，进行项目推荐。
[0171]
在一些实施例中，先判断目标推荐结果中所包含的所有项目的数量是否大于n，若大于n，则根据所述目标推荐结果进行项目推荐，否则，获取云端设备中所有用户使用频次最多的至少一个项目，进行项目推荐。
[0172]
本技术实施例提供一种确定第四项目推荐分数的方法，所述方法应用于云端侧，图4为本技术实施例提供的确定第四项目推荐分数的实现流程示意图，如图4所示，该方法包括以下步骤401至步骤404：
[0173]
步骤401，云端设备确定所述目标用户分别对与所述第四项目相关联的各个第三项目的第四偏好；所述第四偏好是基于所述目标用户对对应第三项目的使用数据而确定的；
[0174]
在一些实施例中，若目标用户使用第三项目的次数越高或者时长越长，第四偏好的参数值越大；用户使用第三项目的平均间隔越长，第四偏好的参数值越大，用户使用过第三项目后对第三项目的评价中表示肯定或者赞美的词语(例如：好看，漂亮和美味等)越多，第四偏好的参数值越大；用户使用过第三项目后对第三项目的打分越高，第四偏好的参数值越大。
[0175]
步骤402，云端设备确定包括所述第四项目的第二目标子关联规则的第二推荐度；其中，所述第二目标子关联规则包括所述第四项目和与所述第四项目关联的第三项目，所述第二推荐度表征所述第四项目和与所述第四项目关联的第三项目的关联程度。
[0176]
在一些实施例中，可以通过以下步骤4021至步骤4025确定包括第四项目的第k个第二目标子关联规则的第二推荐度，k为正整数：
[0177]
步骤4021，确定包括各个所述第三项目的第二频繁项集的第二目标频繁项集；
[0178]
步骤4022，确定所述第二目标频繁项集中包括所述第k个第二目标子关联规则的第二频繁关联规则的第四数目；
[0179]
步骤4023，根据所述第四数目与所述第二目标频繁项集中第二频繁关联规则的总数的比值，确定所述第k个第二目标子关联规则的第二置信度；
[0180]
步骤4024，确定所述第二目标频繁项集中包括所述第四项目的第二频繁关联规则的第五数目；
[0181]
步骤4025，根据所述第k个第二目标子关联规则的第二置信度与所述第五数目的比值，确定所述第k个第二目标子关联规则的第二推荐度。
[0182]
步骤403，根据各个所述目标子关联规则的第二推荐度、所述目标用户分别对与所述第四项目相关联的各个第三项目的第四偏好、所述第三偏好，确定所述第四项目的第三评价分数；
[0183]
步骤404，根据所述第五评价分数和所述第三评价分数，确定所述第四项目的推荐分数。
[0184]
在一些实施例中，云端设备以多个《item i,list[(item j,score)]》集合的形式
来记录各个第三项目相关联的第四项目的推荐分数，并生成如下表2所示的推荐评分矩阵，将所述推荐评分矩阵发送至边缘设备，以便边缘设备基于各个第三项目相关联的第四项目的推荐评分生成目标推荐结果。
[0185]
表2各个第三项目相关联的第四项目的推荐评分矩阵
[0186][0187]
其中，i1～i2表示第三项目，ia～ib表示第四项目，score表示与第三项目相关联的第四项目的推荐分数。
[0188]
本技术实施例提供一种推荐方法，图5为本技术实施例提供的推荐方法的实现流程示意图，所述方法应用于云端侧，如图5所示，该方法可以包括以下步骤501至步骤506：
[0189]
步骤501，接收边缘设备发送的目标用户的用户行为数据。
[0190]
在一些实施例中，所述目标用户的用户行为数据可以是所述第三行为数据。
[0191]
步骤502，根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目。
[0192]
在一些实施例中，所述待推荐项目可以是所述第三项目。
[0193]
步骤503，确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的。
[0194]
在一些实施例中，所述关联项目可以是第四项目，所述使用偏好可以是第三偏好。
[0195]
步骤504，确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评价信息而确定的。
[0196]
在一些实施例中，所述综合评价分数可以是第五评价分数。
[0197]
步骤505，至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果。
[0198]
在一些实施例中，所述项目推荐结果可以是第三推荐结果。
[0199]
步骤506，将所述项目推荐结果发送给边缘设备。
[0200]
随着云服务的发展，网络技术和应用服务的规模呈现爆发式的增长。面对海量数据，推荐系统使用推荐算法在用户和数据信息之间建立起有效、直接的关联，剖析出用户的需求趋势，并将结果整理成个性化列表的形式实时地推荐给用户；如此，可以有效地缓解因数据体量过大，超出个人负荷所造成的信息过载等一系列问题。然而，5g的普及和网络带宽的增加使得部署在云端的整个系统正面临着日趋严重的存储压力，云计算集中式的计算模式给云端系统带来的负载、运维及故障风险等问题也日趋突显。其中，基于传统云计算场景下的推荐系统，即推荐系统部署在云端，通过网络中心节点集中计算的模式生成推荐结果，存在网络中心节点与用户终端装置网络带宽限制或延迟等问题，因此个性化推荐结果的实时性和准确性难以保证，进而影响到用户交互和体验。而边缘计算将原本完全由网络中心
节点处理的大型服务加以分解，通过边缘云平台使得计算存储能力与业务服务能力可以被迁移到边缘节点，缓解数据延迟问题，提升服务运行效率。
[0201]
针对传统云计算场景下推荐系统所面临的问题，研究者们将边缘计算作为切入点，提出通过用户行为数据在用户终端装置上建设用户实时行为的特征体系，比如用户在项目上的曝光行为动作特征，包括曝光时长、滚动速度等；还有用户在点击项目后详情页的行为动作特征，包括详情页停留时长等。构建出端上实时用户感知模型，根据用户产生的行为动作特征实时判断用户偏好的变化，并及时地对用户终端装置上的待推荐项目信息流进行重新排序。从而降低因云端获取用户行为延迟导致的用户偏好变化与推荐系统对用户的感知和对推荐内容调整时机不同步的问题，提高对用户个性化推荐内容的准确度，提升用户浏览和点击的兴趣度。
[0202]
相关技术的缺点主要有：
[0203]
(1)基于边缘云场景下的个性化推荐技术，根据云端存储的用户历史行为数据获取的初始待推荐列表，没有考虑到项目和项目之间本就存在的关联关系，从而导致边缘节点获取到的初始数据不够准确，进而影响推荐结果。并且，对于没有行为数据的新用户而言还存在有冷启动的问题。
[0204]
(2)基于边缘节点实时计算的个性化推荐技术，受制于边缘节点所含资源的限制，用于推荐算法的数据较为稀少，根据稀疏数据实时生成的个性化推荐结果也较为单一，覆盖面小，不能在广度上满足用户偏好。
[0205]
(3)基于云边协同模式的并行个性化推荐技术，通过云端返回的用户数据与边缘节点计算能力相结合生成推荐结果，没有考虑到云端返回结果的同时，因数据传输和时延问题引起的用户兴趣度变化，进而使得最终的推荐结果与用户的实时偏好存在一定误差，影响用户体验。
[0206]
基于此，下面将说明本技术实施例在一个实际的应用场景中的示例性应用。
[0207]
在本技术实施例中，提供一种基于边缘云平台的推荐方法，能够解决相关技术方案中无法解决的技术难题和缺点，解决的技术问题包括：
[0208]
(1)针对初始数据不够准确以及冷启动问题。基于关联规则，提出了一种通过关联分析构建的强关联规则推荐评分计算方法，利用项目和项目之间本就存在的关联关系，提升待推荐项目的准确度。同时，对于没有行为数据的新用户，通过混合热门项目数据产生初始的推荐结果，提升用户体验。
[0209]
(2)针对边缘节点资源有限以及数据稀疏问题。基于云边并行，通过将用户对项目最新的行为数据实时地传输至云端，并通过云端存储的全量数据产生推荐结果，与边缘节点局部数据产生的推荐结果相结合，生成结果更为丰富的个性化混合推荐列表对目标用户进行推荐，提升推荐质量。
[0210]
(3)针对数据传输和时延引起的用户兴趣变化问题。引入时间衰减因子，对上述提出的强关联规则推荐评分计算方法进行改进，生成随时间推移更符合用户当前兴趣的个性化推荐结果，提高端上实时用户感知模型对用户偏好的预测准确度，降低数据传输和时延问题对推荐结果带来的影响。
[0211]
基于此，下面将说明本技术实施例在一个实际的应用场景中的示例性应用。
[0212]
在本技术实施例中，提供一种基于边缘云平台的混合推荐方法，通过边缘云平台
将原本完全由网络中心节点处理的应用程序、数据资料与服务运算改为与网络逻辑上的边缘节点协同处理，提升运行效率。同时，通过云边并行的方式，在传统推荐方法的基础上引入关联规则对项目进行关联分析，结合时间衰减因子，实时混合云边两端生成的推荐结果，提高在边缘云场景下个性化推荐技术的准确率。步骤如下：
[0213]
第一步：边缘设备获取《offset,(user,item,score)》形式的第一行为数据，offset为文件位置的偏移量，user为用户的唯一标识符，item为项目的唯一标识符，score为该项记录中基于用户行为对项目产生的评价分数。使用推荐算法生成待推荐列表，所述待推荐列表包括至少一个第一项目。根据强关联规则推荐评分计算方法对待推荐列表中的所述至少一个第一项目进行关联分析，并计算各个第一项目相关联的第二项目的推荐评分，以《user,list[(item:prediction score)]》的形式生成第一推荐结果。
[0214]
第二步：云边并行。在边缘节点，通常是用户终端装置上建立用户行为特征体系，构建出端上实时用户感知模型，根据用户实时行为特征判断用户偏好变化，利用边缘节点上存储的局部数据对第一推荐结果进行实时的端上重新排序，并将最新的第三行为数据同步传输至云端。在云端，根据边缘节点提供的第三行为数据，利用全量数据，通过引入时间衰减因子的强关联规则推荐评分计算方法生成第三推荐列表。
[0215]
第三步：混合推荐。所述混合推荐的步骤包括：通过对云端返回的第三推荐结果进行衰减，与边缘节点实时生成的第二推荐结果混合重新排序，生成更为精准的目标推荐结果，以top-n的方式对目标用户进行推荐。而对于新用户以及目标推荐结果中项目个数不满足n的情况，则通过计算热门项目填充待目标推荐结果中的推荐项目集，保证个性化推荐结果的质量。
[0216]
在对流程进行详细阐述前，先给出流程内相关的三个基本概念：
[0217]
边缘云平台：边缘云平台采用一种分散式运算的架构，将之前由网络中心节点处理的应用程序、数据资料与服务运算交由网络逻辑上的边缘节点处理。边缘节点更接近用户的特点可以提高数据处理和传输的速度，进一步降低时延。
[0218]
推荐算法：通过目标用户对项目的历史行为数据，使用数学算法在海量数据中过滤掉用户不太可能产生行为的项目，从而推测出用户可能喜欢的项目生成个性化待推荐列表对目标用户进行推荐。
[0219]
关联规则：引入关联分析算法挖掘出项目与项目之间存在的相关性，即通过计算分析出用户在选择项目a的情况下同时选择项目b的概率。在此基础上结合项集支持度和项集置信度，构建出强关联规则推荐度计算方法。
[0220]
图6为本技术实施例提供的混合推荐方法的流程示意图，如图6所示，所述混合推荐方法包括步骤601至步骤608：
[0221]
步骤601，边缘设备获取目标用户的第一行为数据；
[0222]
步骤602，根据推荐算法生成待推荐项目列表。
[0223]
在一些实施例中，边缘设备基于推荐算法生成待推荐的第一项目列表，其中所述列表里包括至少一个待推荐的第一项目；
[0224]
步骤603，云端重排生成初始推荐项目列表。
[0225]
在一些实施例中，边缘设备根据关联分析算法确定各个第一项目关联的第二项目，生成第一推荐结果；云端设备根据全量数据对第一推荐结果中各个第一项目以及各个
第一项目关联的第二项目重新排列，生成初始推荐列表。
[0226]
步骤604，云端设备构建端上用户实时感知模型。
[0227]
在一些实施例中，云端设备构建端上用户实时感知模型用于感知用户是否产生新的行为数据。
[0228]
步骤605，云端设备判断用户是否产生第三行为数据，若是，执行步骤606，否则，执行步骤608；
[0229]
步骤606，边缘节点实时排序，将用户数据同步云端。
[0230]
在一些实施例中，边缘节点根据第三行为数据对第一推荐结果进行更新，得到第二推荐结果，将第三行为数据传递至云端。
[0231]
步骤607，云边并行生成混合推荐结果。
[0232]
在一些实施例中，云端根据第三行为数据生成第三推荐结果，对第三推荐结果中的第四项目的推荐分数做衰减处理，得到第四推荐结果，然后和第二推荐结果混合，得到目标推荐结果。
[0233]
步骤608，热门项目填充，top-n推荐。
[0234]
在一些实施例中，根据所有用户兴趣度最高的热门项目对第一推荐结果或目标推荐结果进行填充，填充后的推荐结果中的项目数量大于n。
[0235]
在本技术实施例中，实现所述云边并行，通过关联分析和端上实时用户感知模型生成个性化混合推荐结果，具体过程如下：
[0236]
首先，边缘设备根据第一行为数据，生成待第一推荐结果，引入关联分析在云端对第一推荐结果重新排序后生成初始待推荐列表，缓存至用户终端装置。之后，利用边缘节点计算能力，部署在用户终端装置上的推荐系统，实时获取用户的第三行为数据，对用户产生行为的最新项目进行关联分析并同步第三行为数据至云端。然后，边缘节点利用关联分析的结果对端上第一推荐结果进行实时重排，得到第二推荐结果。云端则利用边缘节点上传的第三行为数据生成第三推荐结果传输至边缘节点。最后，边缘节点对云端返回的第三推荐结果进行时间衰减处理，得到第四推荐结果，并结合端上最新第二推荐结果生成最终的混合推荐结果(目标推荐结果的一种示例)对端上的目标用户感兴趣的项目进行实时排序。云边并行的推荐过程可分为以下几个阶段：
[0237]
(1)第一阶段，边缘设备的推荐系统通过采集到的第一行为数据《offset,(user,item,score)》使用推荐算法确定至少一个第一项目。然后，通过关联分析算法挖掘各个第一项目在同一分类中所有项目的频繁项集，并根据预先设置的第一阈值筛选出符合预设条件的强关联规则，以《list[(item i,item j,...)...]》的形式输出。通过分析，本技术实施例对于边缘设备实施的推荐方法，在引入项目之间关联分析的基础上提出了一种新的推荐评分计算方法。强关联规则可以有效的表示项目之间存在的隐藏关系，通过算法进行关联分析，以获取有效的强关联规则，再对有效的强关联规则进行拆分，形成多对一或一对一的行式，具体拆分公式如下式(8)所示：
[0238][0239]
根据关联规则定义，强关联规则的项集支持度的个数表示为sup，项集置信度表示
为conf，则通过算法关联分析出的第i个目标子关联规则构建推荐度计算公式如式(2)所示。其表示的是第i个目标子关联规则中含有项目a的条件下同时含有项目b的概率与不含项目a却含有项目b的概率之比。
[0240]
引入上述关联分析得到的第i个目标子关联规则推荐度rec，并基于此推荐度来预测用户对于第二项目偏好，进而在一定程度上提升个性化推荐的准确度，提升用户体验。第二项目的评分计算计算方法如式(4)所示：
[0241]
最后，将强关联规则的预测的各个第一项目相关联的第二项目与推荐算法生成的各个第一项目进行混合重新排序后，以《user,list[(item:score)]》的形式输出到用户终端装置进行top-n展示。
[0242]
第二阶段，构建端上用户实时感知模型，以《user,item,action]》的形式实时获取第三行为数据。采用云边并行的方式，边缘节点根据缓存的局部数据以及用户最新的第三行为数据对用户终端装置上的第一推荐结果进行实时分析，并重新排序第一推荐结果，得到第二推荐结果。
[0243]
同时，将第三行为数据同步传输至云端，利用云端存储的全量数据继续使用推荐算法以及关联分析生成第三推荐结果。以《item i,list[(item j,score)]》的形式生成各个第一项目相关联的第二项目的推荐评分矩阵。
[0244]
(3)第三阶段，引入时间衰减因子的推荐评分计算方法生成第四推荐结果。时间衰减因子函数根据云端返回第三推荐结果时的时间戳，以及第三推荐结果传输至边缘节点的时间戳进行构建，具体函数如式(5)所示。
[0245]
通过分析，考虑到云端与边缘节点之间存在的数据传输和时延问题可能导致对用户兴趣感知的延迟，并且，时间相隔接近的项目相对于时间相隔较远的项目更能反映用户偏好，所以引入时间衰减因子对第三推荐结果进行衰减处理，得到第四推荐结果。
[0246]
最后，将进行过时间衰减处理的第四推荐结果与边缘节点最新的第二推荐结果进行混合重新排序，生成最终目标推荐结果，以《item i,list[(item j,score)]》的形式向目标用户进行混合推荐。
[0247]
在一些实施例中，判断所述目标推荐结果中所含项目个数是否大于n。若大于n，则使用top-n的推荐策略生成最终的推荐列表向目标用户进行推荐；否则，获取用户历史行为数据中行为最多的n个项目，即所有项目中的热门项目，以《item,score》的形式填充目标推荐结果。
[0248]
图7为本技术实施例提供的混合推荐流程示意图，如图7所示，可以根据以下步骤701至步骤709来实现混合推荐。
[0249]
步骤701，获取目标推荐结果；
[0250]
步骤702，判断目标推荐结果中的目标项目数量是否大于n；若是，执行步骤703；否则，执行步骤705。
[0251]
在一些实施例中，n大于0；
[0252]
步骤703，按照推荐分数的高低确定前n个目标项目；
[0253]
步骤704，生成最终个性化推荐列表。
[0254]
在一些实施例中，根据所述前n个目标项目生成最终个性化推荐列表。
[0255]
步骤705，获取第一行为数据《offset,(user,item,score)》；
[0256]
步骤706，获取第一行为数据中所有项目的推荐评分《item,list[value]》；
[0257]
步骤707，根据所有项目的推荐评分确定热门项目《item,score》，所述热门项目的个数小于等于n；
[0258]
步骤708，将热门项目填充至目标推荐结果中；
[0259]
步骤709，根据目标推荐结果和热门项目生成最终个性化推荐列表。
[0260]
本技术实施例提出一种基于边缘云平台的混合推荐方法。解决了现有技术方案下，边缘云平台中个性化推荐技术因忽略项目之间关联关系造成的推荐准确率低的问题。通过引入关联分析的方式，构建出强关联规则推荐度计算方法，进而计算出更符合目标用户偏好的预测评分数据，提升了个性化推荐结果的准确率以及用户体验。
[0261]
(2)提出了引入时间衰减因子改进的强关联规则计算方法，基于云边并行的推荐模式，生成结果更为丰富、内容更符合用户当前兴趣的个性化推荐结果。同时，根据待推荐项目集中所包含的项目个数，使用不同的推荐策略对目标用户进行混合推荐的方法。能够在对用户进行推荐时有效的保证推荐结果的质量，降低了推荐系统因用户历史行为数据稀疏和冷启动问题带来的影响。
[0262]
本技术实施例基于关联规则，提出了一种通过关联分析构建的强关联规则推荐评分计算方法，利用项目和项目之间本就存在的关联关系，提升待推荐项目的准确度。同时，对于没有行为数据的新用户，通过混合热门项目数据产生初始的推荐结果，提升用户体验。
[0263]
本技术实施例基于云边并行的推荐模式，通过将用户对项目最新的行为数据实时的传输至云端。并通过云端存储的全量数据产生推荐结果，与边缘节点局部数据产生的推荐结果相结合，生成结果更为丰富的个性化混合推荐列表对目标用户进行推荐，提升推荐质量。
[0264]
本技术实施例提出引入时间衰减因子，对上述提出的强关联规则推荐评分计算方法进行改进，生成随时间推移更符合用户当前兴趣的个性化推荐结果，提高端上实时用户感知模型对用户偏好的预测准确度，降低数据传输和时延问题对推荐结果带来的影响。
[0265]
可以理解的是，在本技术实施例中，涉及到用户信息、用户行为数据等相关的数据，当本技术实施例运用到具体产品或技术中，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律和标准。
[0266]
应当注意，尽管在附图中以特定顺序描述了本技术中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等；或者，将不同实施例中步骤组合为新的技术方案。
[0267]
基于前述的实施例，本技术实施例提供一种推荐装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)或现场可编程门阵列(fpga)等。
[0268]
图8为本技术实施例提供的推荐装置的结构示意图，如图8所示，所述推荐装置80包括第一获取模块81、第一确定模块82、第二确定模块83和第一生成模块84，其中：
[0269]
第一获取模块81，用于获取目标用户的第一行为数据；
[0270]
第一确定模块82，用于根据所述第一行为数据，确定待推荐的至少一个第一项目；
[0271]
第二确定模块83，用于确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；
[0272]
第一生成模块84，用于至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。
[0273]
在一些实施例中，所述推荐装置80还包括第五确定模块，所述第五确定模块，用于确定所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好；所述第二偏好是基于所述目标用户对对应第一项目的使用数据而确定的；确定包括所述第二项目的第一目标子关联规则的第一推荐度；其中，所述第一目标子关联规则包括所述第二项目和与所述第二项目关联的第一项目，所述第一推荐度表征所述第二项目和与所述第二项目关联的第一项目的关联程度；根据各个所述第一目标子关联规则的第一推荐度、所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好和所述第一偏好，确定所述第二项目的第二评价分数；根据所述第一评价分数和所述第二评价分数，确定所述第二项目的推荐分数；所述第一生成模块，用于根据各个所述第一项目相关联的第二项目的推荐分数和各个所述第一项目的推荐分数，生成所述第一推荐结果。
[0274]
在一些实施例中，推荐装置80还包括第一挖掘模块，所述第一挖掘模块，用于根据关联分析算法，在第二行为数据中挖掘出各个所述第一项目的第一频繁项集；其中，所述第一频繁项集包括所述第一项目的至少一个第一频繁关联规则。
[0275]
在一些实施例中，所述推荐装置80还包括第一拆分模块，所述第一拆分模块，用于确定所述至少一个第一频繁关联规则中的强关联规则，对所述强关联规则进行拆分，得到所述第一项目对应的至少一个第一子关联规则；同一所述第一项目的不同第一子关联规则中关联的第二项目不同。
[0276]
在一些实施例中，所述推荐装置80还包括第一更新模块，所述第一更新模块，用于获取所述目标用户的第三行为数据；根据所述第三行为数据，对所述第一推荐结果进行更新，得到第二推荐结果；其中，所述第三行为数据的产生时段在所述第一行为数据的产生时段之后。
[0277]
在一些实施例中，所述推荐装置80还包括第二发送模块和第二接收模块，所述第二发送模块，用于将所述第三行为数据发送给云端设备，以便所述云端设备根据所述第三行为数据和不同于所述目标用户的其他至少一个用户的行为数据，确定待推荐的至少一个第三项目；所述第二接收模块用于接收所述云端设备返回的第三推荐结果；其中，所述第三推荐结果包括所述第三项目和与所述第三项目关联的第四项目的推荐分数；所述推荐装置80还包括第六确定模块和第二更新模块，所述第六确定模块用于根据所述第三行为数据的发送时间和所述第三推荐结果的接收时间，确定交互时长；根据所述交互时长，确定时间衰减因子；根据所述时间衰减因子，重新确定所述第四项目的推荐分数；所述第二更新模块用于根据所述第四项目的重新确定的推荐分数，更新所述第三推荐结果，得到第四推荐结果。
[0278]
在一些实施例中，所述第六确定模块还用于根据所述时间衰减因子，对所述第四项目的第三评价分数进行衰减，得到第四评价分数；根据所述第四评价分数和所述第四项
目的第五评价分数，重新确定所述第四项目的推荐分数。
[0279]
在一些实施例中，所述推荐装置80还包括第三生成模块和推荐模块，所述第三生成模块用于根据所述第二推荐结果和所述第四推荐结果，生成目标推荐结果；所述推荐模块用于根据所述目标推荐结果，进行项目推荐。
[0280]
图9为本技术实施例推荐装置的结构示意图，如图9所示，所述推荐装置90包括第一接收模块91、第三确定模块92、第四确定模块93、第二生成模块94和第一发送模块95，其中：
[0281]
第一接收模块91，用于接收边缘设备发送的目标用户的用户行为数据；
[0282]
第三确定模块92，用于根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目；
[0283]
第四确定模块93，用于确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的；确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评价信息而确定的；
[0284]
第二生成模块94，用于至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果；
[0285]
第一发送模块95，用于将所述项目推荐结果发送给边缘设备。
[0286]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术装置实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0287]
需要说明的是，本技术实施例中图8和图9所示的推荐装置对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
[0288]
需要说明的是，本技术实施例中，如果以软件功能模块的形式实现上述的方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得边缘设备和云端设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本技术实施例不限制于任何特定的硬件和软件结合。
[0289]
本技术实施例提供一种边缘设备，图10为本技术实施例的边缘设备的硬件实体示意图，如图10所示，所述边缘设备100包括存储器1001和处理器1002，所述存储器1001存储有可在处理器1002上运行的计算机程序，所述处理器1002执行所述程序时实现上述实施例中提供的方法中的步骤。
[0290]
需要说明的是，存储器1001配置为存储由处理器1002可执行的指令和应用，还可以缓存在处理器1002以及边缘设备100中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器
(random access memory，ram)实现。
[0291]
本技术实施例提供一种云端设备，图11为本技术实施例的云端设备的硬件实体示意图，如图11所示，所述云端设备110包括存储器1101和处理器1102，所述存储器1101存储有可在处理器1102上运行的计算机程序，所述处理器1102执行所述程序时实现上述实施例中提供的方法中的步骤。
[0292]
需要说明的是，存储器1101配置为存储由处理器1102可执行的指令和应用，还可以缓存在处理器1102以及云端设备110中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现。
[0293]
本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的推荐方法中的步骤。
[0294]
本技术实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法实施例提供的推荐方法中的步骤。
[0295]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术存储介质、存储介质和设备实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0296]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0297]
可以理解的是，在本技术实施例中，涉及用户信息、用户数据等相关的数据，当本技术实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0298]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如对象a和/或对象b，可以表示：单独存在对象a，同时存在对象a和对象b，单独存在对象b这三种情况。
[0299]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0300]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以
集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0301]
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
[0302]
另外，在本技术各实施例中的各功能模块可以全部集成在一个处理单元中，也可以是各模块分别单独作为一个单元，也可以两个或两个以上模块集成在一个单元中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0303]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0304]
或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得边缘设备和云端设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0305]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0306]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0307]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0308]
以上所述，仅为本技术的实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种推荐方法，其特征在于，所述方法应用于边缘侧，所述方法包括：获取目标用户的第一行为数据；根据所述第一行为数据，确定待推荐的至少一个第一项目；确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。2.根据权利要求1所述的方法，其特征在于，所述至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果，包括：确定所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好；所述第二偏好是基于所述目标用户对对应第一项目的使用数据而确定的；确定包括所述第二项目的第一目标子关联规则的第一推荐度；其中，所述第一目标子关联规则包括所述第二项目和与所述第二项目关联的第一项目，所述第一推荐度表征所述第二项目和与所述第二项目关联的第一项目的关联程度；根据各个所述第一目标子关联规则的第一推荐度、所述目标用户分别对与所述第二项目相关联的各个第一项目的第二偏好和所述第一偏好，确定所述第二项目的第二评价分数；根据所述第一评价分数和所述第二评价分数，确定所述第二项目的推荐分数；根据各个所述第一项目相关联的第二项目的推荐分数和各个所述第一项目的推荐分数，生成所述第一推荐结果。3.根据权利要求2所述的方法，其特征在于，在确定包括所述第二项目的第一目标子关联规则的第一推荐度之前，所述方法还包括：根据关联分析算法，在第二行为数据中挖掘出各个所述第一项目的第一频繁项集；其中，所述第一频繁项集包括所述第一项目的至少一个第一频繁关联规则；确定所述至少一个第一频繁关联规则中的强关联规则，对所述强关联规则进行拆分，得到所述第一项目对应的至少一个第一子关联规则；同一所述第一项目的不同第一子关联规则中关联的第二项目不同。4.根据权利要求3所述的方法，其特征在于，在获取所述第一行为数据之后，所述方法还包括：获取所述目标用户的第三行为数据；根据所述第三行为数据，对所述第一推荐结果进行更新，得到第二推荐结果；其中，所述第三行为数据的产生时段在所述第一行为数据的产生时段之后；将所述第三行为数据发送给云端设备，以便所述云端设备根据所述第三行为数据和不同于所述目标用户的其他至少一个用户的行为数据，确定待推荐的至少一个第三项目；接收所述云端设备返回的第三推荐结果；其中，所述第三推荐结果包括所述第三项目和与所述第三项目关联的第四项目的推荐分数；根据所述第三行为数据的发送时间和所述第三推荐结果的接收时间，确定交互时长；
根据所述交互时长，确定时间衰减因子；根据所述时间衰减因子，重新确定所述第四项目的推荐分数；根据所述第四项目的重新确定的推荐分数，更新所述第三推荐结果，得到第四推荐结果；根据所述第二推荐结果和所述第四推荐结果，生成目标推荐结果；根据所述目标推荐结果，进行项目推荐。5.根据权利要求4所述的方法，其特征在于，所述根据所述时间衰减因子，重新确定所述第四项目的推荐分数，包括：根据所述时间衰减因子，对所述第四项目的第三评价分数进行衰减，得到第四评价分数；根据所述第四评价分数和所述第四项目的第五评价分数，重新确定所述第四项目的推荐分数。6.一种推荐方法，其特征在于，所述方法应用于云端侧，所述方法包括：接收边缘设备发送的目标用户的用户行为数据；根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目；确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的；确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评价信息而确定的；至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果；将所述项目推荐结果发送给边缘设备。7.一种推荐装置，其特征在于，应用于边缘侧，所述推荐装置包括：第一获取模块，用于获取目标用户的第一行为数据；第一确定模块，用于根据所述第一行为数据，确定待推荐的至少一个第一项目；第二确定模块，用于确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；第一生成模块，用于至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果。8.一种推荐装置，其特征在于，应用于云端侧，所述推荐装置包括：第一接收模块，用于接收边缘设备发送的目标用户的用户行为数据；第三确定模块，用于根据所述目标用户的用户行为数据和不同于所述目标用户的其他至少一个用户的用户行为数据，确定至少一个待推荐项目；第四确定模块，用于确定与所述待推荐项目相关联的关联项目的使用偏好；所述使用偏好是基于不同于所述目标用户的至少一个其他用户对所述关联项目的使用数据而确定的；确定所述关联项目的综合评价分数；所述综合评价分数是基于所述关联项目接收的评
价信息而确定的；第二生成模块，用于至少根据各个所述待推荐项目相关联的关联项目的使用偏好、综合评价分数和各个所述待推荐项目，生成项目推荐结果；第一发送模块，用于将所述项目推荐结果发送给边缘设备。9.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述的方法，或者实现权利要求6所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法，或者，该计算机程序被处理器执行时实现如权利要求6所述的方法。

技术总结
本申请提供了推荐方法及装置、设备、存储介质；其中，所述方法包括：获取目标用户的第一行为数据；根据所述第一行为数据，确定待推荐的至少一个第一项目；确定与所述第一项目相关联的第二项目的第一偏好；所述第一偏好是基于不同于所述目标用户的至少一个其他用户对所述第二项目的使用数据而确定的；确定所述第二项目的第一评价分数；所述第一评价分数是基于所述第二项目接收的评价信息而确定的；至少根据各个所述第一项目相关联的第二项目的第一偏好、第一评价分数和各个所述第一项目，生成第一推荐结果；如此，对目标用户对于与待推荐的第一项目相关联的第二项目的偏好分析更加全面，使得生成的推荐结果更加准确，从而提升了用户体验。了用户体验。了用户体验。


技术研发人员：王琦 黄新安 仇明
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.09.09
技术公布日：2023/9/20