本發(fā)明實(shí)施例涉及電子服務(wù)領(lǐng)域，并且更具體地，涉及一種生成推薦結(jié)果的方法和裝置。

背景技術(shù)：
通信技術(shù)的發(fā)展，特別是因特網(wǎng)技術(shù)的發(fā)展，提供了新交易平臺(tái)和娛樂(lè)平臺(tái)。例如，可以在因特網(wǎng)上購(gòu)買商品、下載音樂(lè)、在線觀看視頻等。隨著諸如電子商務(wù)的電子服務(wù)規(guī)模的不斷擴(kuò)大，商品或服務(wù)個(gè)數(shù)和種類快速增長(zhǎng)，消費(fèi)者需要花費(fèi)大量的時(shí)間進(jìn)行瀏覽才能找到自己關(guān)注的商品。這種瀏覽大量信息和產(chǎn)品的過(guò)程降低了消費(fèi)者進(jìn)行購(gòu)買或娛樂(lè)的興趣，從而使消費(fèi)者不斷流失。為了解決這些問(wèn)題，針對(duì)不同用戶的個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。電子商務(wù)網(wǎng)站通常通過(guò)為顧客提供個(gè)性化推薦服務(wù)來(lái)吸引顧客，部分電子商務(wù)網(wǎng)站甚至為顧客同時(shí)提供幾種不同的推薦。此外，諸如音樂(lè)/視頻在線服務(wù)網(wǎng)站的內(nèi)容媒體運(yùn)營(yíng)網(wǎng)站也在逐漸提供個(gè)性化推薦服務(wù)來(lái)增加點(diǎn)擊量。在網(wǎng)頁(yè)的推薦版面中通常呈現(xiàn)如下的推薦列表，推薦列表1“喜歡**的用戶也喜歡...”、推薦列表2“根據(jù)你的歷史記錄推薦...”、推薦列表3“本月最受歡迎的...”等等。每個(gè)推薦列表是基于特定的推薦算法。例如，所述推薦列表1是基于如下的協(xié)同推薦算法：在用戶群中找到指定用戶的相似用戶，綜合這些相似用戶對(duì)某一項(xiàng)目的評(píng)價(jià)，形成系統(tǒng)對(duì)該指定用戶對(duì)此項(xiàng)目的喜好程度預(yù)測(cè)；所述推薦列表2是基于如下的基于內(nèi)容的推薦算法：基于用戶評(píng)價(jià)項(xiàng)目的特征學(xué)習(xí)用戶的興趣，進(jìn)而依據(jù)用戶興趣與待預(yù)測(cè)項(xiàng)目的匹配程度進(jìn)行推薦；所述推薦列表3是基于如下的熱點(diǎn)推薦算法：統(tǒng)計(jì)一個(gè)時(shí)間段里的熱點(diǎn)項(xiàng)目，并在合適的時(shí)間與版面向用戶推薦?，F(xiàn)有的推薦版面設(shè)計(jì)針對(duì)所有的用戶采用相同的模式。例如，在推薦區(qū)的右側(cè)或下側(cè)羅列至少一個(gè)推薦列表，每個(gè)推薦列表包括基于一種推薦算法推薦的一個(gè)或多個(gè)項(xiàng)目；或者，在推薦區(qū)展示一個(gè)混合推薦列表，其中推薦列表中的項(xiàng)目是基于多種推薦算法進(jìn)行混合的結(jié)果。然而，在實(shí)際業(yè)務(wù)環(huán)境中，不同個(gè)性的用戶對(duì)于不同的推薦算法有不同的適應(yīng)程度。例如，用戶A比較依賴和信任社會(huì)關(guān)系網(wǎng)絡(luò)，因此用戶A更看重他的好友的推薦；而用戶B品味獨(dú)特而執(zhí)著，他一貫堅(jiān)持自己的選擇，因此用戶B更看重基于歷史興趣的推薦。此外，由于推薦版面的區(qū)域的限制，需要從基于眾多的推薦算法產(chǎn)生的推薦列表中選擇合適的推薦列表，來(lái)向用戶展示該推薦列表下的推薦項(xiàng)目。由于現(xiàn)有的推薦版面針對(duì)所有的用戶采用相同的模式，所以無(wú)法根據(jù)用戶的特征，來(lái)調(diào)整推薦算法層面的優(yōu)先權(quán)重。也就是說(shuō)，對(duì)于所有用戶，采用了相同的推薦列表的布局，或者采用了相同的混合推薦的混合方式。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明實(shí)施例提供一種生成推薦結(jié)果的方法和裝置，其能夠針對(duì)用戶的偏好提供不同側(cè)重的推薦算法及組合，實(shí)現(xiàn)更高層次的個(gè)性化服務(wù)。一方面，提供了一種生成推薦結(jié)果的方法，其特征在于，所述方法包括：獲取用戶對(duì)至少兩個(gè)推薦列表的反饋信息；基于所述反饋信息生成所述推薦列表的展示策略；基于展示策略生成針對(duì)所述用戶的推薦結(jié)果。另一方面，提供了一種生成推薦結(jié)果的裝置，其特征在于，所述裝置包括：反饋單元，獲取用戶對(duì)至少兩個(gè)推薦列表的反饋信息；生成單元，基于所述反饋信息生成所述推薦列表的展示策略；推薦單元，基于展示策略生成針對(duì)所述用戶的推薦結(jié)果。本發(fā)明實(shí)施例可以根據(jù)用戶的反饋，逐步學(xué)習(xí)用戶的興趣偏好，提供不同側(cè)重的推薦算法及組合，從而向用戶提供更高層次的個(gè)性化推薦服務(wù)。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是示意性圖示了進(jìn)行推薦所使用的推薦系統(tǒng)的框圖。圖2是圖示了根據(jù)本發(fā)明實(shí)施例的生成推薦結(jié)果的方法的流程圖；圖3圖示了兩個(gè)不同的推薦結(jié)果的展示示意圖；圖4圖示了根據(jù)本發(fā)明實(shí)施例的生成推薦結(jié)果的方法在推薦系統(tǒng)中的應(yīng)用的流程圖；圖5a圖示了所生成的各個(gè)推薦列表和相關(guān)的推薦項(xiàng)目；圖5b圖示了基于展示策略生成的推薦結(jié)果的展示頁(yè)面；圖6是圖示了根據(jù)本發(fā)明實(shí)施例的生成推薦結(jié)果的裝置的框圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。圖1是示意性圖示了進(jìn)行推薦所使用的推薦系統(tǒng)的框圖。在圖1的虛線方框內(nèi)圖示了推薦系統(tǒng)的組成。該推薦系統(tǒng)與業(yè)務(wù)系統(tǒng)和推薦系統(tǒng)之間至少有兩類接口：業(yè)務(wù)數(shù)據(jù)提供接口IF1，由業(yè)務(wù)系統(tǒng)向推薦系統(tǒng)提供進(jìn)行推薦所需要的原始業(yè)務(wù)數(shù)據(jù)；和推薦服務(wù)接口IF2，由推薦系統(tǒng)主動(dòng)或者被動(dòng)地向業(yè)務(wù)系統(tǒng)提供推薦結(jié)果。此外，更完善的推薦系統(tǒng)還包括反饋處理接口IF3，用于收集用戶對(duì)推薦結(jié)果的反饋，以便進(jìn)一步優(yōu)化推薦，提升用戶體驗(yàn)。本發(fā)明的技術(shù)特征集中在推薦系統(tǒng)的反饋處理模塊中。為了使本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明，下面結(jié)合圖1對(duì)推薦系統(tǒng)的各個(gè)模塊的功能進(jìn)行說(shuō)明。業(yè)務(wù)數(shù)據(jù)接收模塊用于從業(yè)務(wù)系統(tǒng)接收業(yè)務(wù)數(shù)據(jù)。該業(yè)務(wù)數(shù)據(jù)包括業(yè)務(wù)描述數(shù)據(jù)和業(yè)務(wù)操作數(shù)據(jù)。該業(yè)務(wù)描述數(shù)據(jù)包括描述業(yè)務(wù)項(xiàng)目的屬性的數(shù)據(jù)和業(yè)務(wù)用戶的屬性的數(shù)據(jù)。例如，在音樂(lè)業(yè)務(wù)中，描述業(yè)務(wù)項(xiàng)目的屬性的數(shù)據(jù)是每首歌曲的名稱、歌手、作曲、發(fā)行年代、價(jià)格等，描述業(yè)務(wù)用戶的屬性的數(shù)據(jù)指的是業(yè)務(wù)系統(tǒng)中用戶的性別、年齡、地區(qū)、社會(huì)關(guān)系等。所述業(yè)務(wù)操作數(shù)據(jù)指的是用戶在該業(yè)務(wù)中對(duì)于業(yè)務(wù)項(xiàng)目進(jìn)行操作的記錄，例如為用戶對(duì)于每首歌曲的試聽記錄、下載記錄、收藏記錄等。數(shù)據(jù)處理模塊用于對(duì)業(yè)務(wù)數(shù)據(jù)接收模塊接收到的業(yè)務(wù)數(shù)據(jù)進(jìn)行基本的預(yù)處理，包括無(wú)效數(shù)據(jù)剔除、缺失數(shù)據(jù)填充、數(shù)據(jù)合并等。模型計(jì)算模塊用于基于經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)，學(xué)習(xí)不同的數(shù)據(jù)模型，并生成數(shù)據(jù)模型以保存到模型庫(kù)中。所述基礎(chǔ)數(shù)據(jù)模型被用于不同的推薦算法。例如，基于用戶的協(xié)同推薦算法需要用戶評(píng)分和用戶近鄰模型支撐，基于項(xiàng)目的協(xié)同推薦算法需要用戶評(píng)分和項(xiàng)目近鄰模型支撐。在模型庫(kù)中保存由模型計(jì)算模塊生成的數(shù)據(jù)模型。常見的數(shù)據(jù)模型包括用戶評(píng)分模型、用戶近鄰模型、項(xiàng)目近鄰模型、用戶興趣模型、用戶社會(huì)關(guān)系模型。例如，用戶評(píng)分模型為<u，i，r>，u表示用戶標(biāo)識(shí)，i表示項(xiàng)目標(biāo)識(shí)，r表示用戶對(duì)項(xiàng)目的評(píng)分。該數(shù)據(jù)模型可以來(lái)自業(yè)務(wù)系統(tǒng)本身，或者由用戶對(duì)項(xiàng)目的具體操作轉(zhuǎn)化而來(lái)?？捎蓸I(yè)務(wù)運(yùn)營(yíng)人員根據(jù)需求定義。用戶近鄰模型為<u1，u2，similarity，source>，u1表示第一用戶標(biāo)識(shí)，u2表示第二用戶標(biāo)識(shí)，similarity表示u1和u2的相似度，source表示用戶相似的方面(例如為基礎(chǔ)屬性相似，或者興趣相似等)。項(xiàng)目近鄰為<i1，i2，similarity，source>，類似用戶近鄰模型。用戶社會(huì)關(guān)系模型為<u1，u2，relationship，weight>，用戶社會(huì)關(guān)系用于記錄用戶的社會(huì)關(guān)系，包括親屬、好友、同事等，weight表示用戶間關(guān)系的強(qiáng)弱。資源庫(kù)用于存儲(chǔ)待推薦的項(xiàng)目資源、和從業(yè)務(wù)系統(tǒng)傳送來(lái)的項(xiàng)目資源描述。該資源庫(kù)可以包含也可以不包含項(xiàng)目資源本身。推薦器用于實(shí)現(xiàn)推薦算法，并給出與推薦算法對(duì)應(yīng)的推薦列表。一個(gè)推薦器可實(shí)現(xiàn)一種推薦算法，也可以實(shí)現(xiàn)多種推薦算法。所述推薦列表中包括至少一個(gè)推薦項(xiàng)目。例如，推薦器可以基于給定的用戶ID給出推薦列表“根據(jù)你的歷史記錄推薦，音樂(lè)1、音樂(lè)2、...、音樂(lè)m”，其中音樂(lè)1、音樂(lè)2、...、音樂(lè)m為各個(gè)推薦項(xiàng)目。推薦生成模塊從反饋處理模塊接收展示策略，基于該展示策略選取不同推薦器的推薦列表以及推薦列表中的推薦項(xiàng)目，從而生成針對(duì)用戶的推薦結(jié)果，以供調(diào)用。推薦接口模塊用于接收業(yè)務(wù)系統(tǒng)的推薦請(qǐng)求，調(diào)用推薦生成模塊所生成的推薦結(jié)果，并提供給業(yè)務(wù)系統(tǒng)。下面結(jié)合本發(fā)明實(shí)施例來(lái)具體描述反饋處理模塊以及它與推薦生成模塊的協(xié)作。圖2是圖示了根據(jù)本發(fā)明第一實(shí)施例的生成推薦結(jié)果的方法200的流程圖。在210中，獲取用戶對(duì)至少兩個(gè)推薦列表的反饋信息。對(duì)于推薦系統(tǒng)給予業(yè)務(wù)系統(tǒng)的推薦結(jié)果，用戶會(huì)根據(jù)自己的需求對(duì)推薦結(jié)果的各個(gè)推薦列表中的推薦項(xiàng)目進(jìn)行點(diǎn)擊或者評(píng)分反饋。推薦系統(tǒng)需要對(duì)所述點(diǎn)擊或者評(píng)分反饋數(shù)據(jù)進(jìn)行收集匯總。要注意，所述反饋數(shù)據(jù)可以是用戶的顯性反饋，例如，通過(guò)點(diǎn)擊按鈕(喜歡按鈕、不喜歡按鈕、分?jǐn)?shù)按鈕)直接對(duì)推薦結(jié)果的接受程度給出顯性反饋?；蛘?，所述反饋數(shù)據(jù)可以是用戶的隱性反饋。例如，在沒(méi)有顯性反饋按鈕的情況下，將用戶點(diǎn)擊查看作為正向反饋，未點(diǎn)擊查看作為負(fù)向反饋。下面的表1示例性地示出了用戶u001在2011年10月份對(duì)推薦結(jié)果的隱性反饋的數(shù)據(jù)。表1用戶id推薦項(xiàng)目ID推薦列表點(diǎn)擊時(shí)間u001i001推薦列表32011-10-2001:00:00u001i002推薦列表32011-10-2001:01:00u001i003推薦列表12011-10-2001:02:00u001i004推薦列表32011-10-2001:03:00u001i011推薦列表32011-10-2001:04:00u001i055推薦列表32011-10-2001:05:00u001i022推薦列表12011-10-2406:00:00u001i042推薦列表12011-10-2406:01:00u001i063推薦列表32011-10-2406:02:00u001i044推薦列表22011-10-2406:03:00根據(jù)收集匯總數(shù)據(jù)，統(tǒng)計(jì)用戶在該階段時(shí)間內(nèi)對(duì)推薦結(jié)果的各個(gè)推薦列表的點(diǎn)擊情況，同樣以表1中的上述反饋數(shù)據(jù)為例，可以統(tǒng)計(jì)得到用戶u001在2011年10月份對(duì)不同推薦列表的反饋信息，如下面的表2所示。表2推薦列表反饋次數(shù)推薦列表13推薦列表21推薦列表36推薦列表40需要注意的是，可能存在在不同的推薦列表中同時(shí)推薦了同一項(xiàng)目的情況，例如，在表1中，推薦列表2和推薦列表3二者都推薦了項(xiàng)目i001。此時(shí)，在進(jìn)行統(tǒng)計(jì)時(shí)，可以將該推薦項(xiàng)目分別統(tǒng)計(jì)在推薦列表2和推薦列表3中，或者僅將項(xiàng)目i001統(tǒng)計(jì)一次，例如，統(tǒng)計(jì)在反饋次數(shù)較多的推薦列表3下。統(tǒng)計(jì)方式的細(xì)節(jié)變化不能構(gòu)成對(duì)本發(fā)明的限制。由于每個(gè)推薦列表是由推薦器根據(jù)對(duì)應(yīng)的推薦算法來(lái)獲得的，所以推薦器在推薦列表ID之后，可以調(diào)用對(duì)應(yīng)的推薦算法。在推薦器與推薦列表的推薦算法一一對(duì)應(yīng)的情況下，上面表1和表2中的推薦列表也可以為推薦器。在230中，基于所述反饋信息生成所述推薦列表的展示策略；用戶對(duì)不同推薦列表(在推薦列表與推薦器一一對(duì)應(yīng)的情況下為推薦器)的反饋信息表明了用戶對(duì)于不同推薦列表的偏好信息，使得可能基于所述偏好信息來(lái)在推薦版面上適當(dāng)?shù)卣故就扑]列表，即針對(duì)所述推薦列表采取適當(dāng)?shù)恼故静呗?。所述展示策略是推薦列表優(yōu)先級(jí)排序、或者推薦列表占比。工程技術(shù)人員在實(shí)現(xiàn)時(shí)可以根據(jù)需要采用其它的展示策略。以表2中的反饋數(shù)據(jù)為例，可以得到如下面的表3和表4所示的展示策略。表3表4表1是以優(yōu)先級(jí)為衡量維度的示例，數(shù)值越小優(yōu)先級(jí)越高。在表1中，推薦列表3的優(yōu)先級(jí)最高，因此在最終的推薦結(jié)果中，與推薦列表3對(duì)應(yīng)的推薦器所生成的推薦項(xiàng)目會(huì)放在首位。表4是以推薦列表的項(xiàng)目占比為衡量維度。在表4中，推薦列表1下的推薦項(xiàng)目的數(shù)目占推薦結(jié)果中的推薦項(xiàng)目總數(shù)的30％，推薦列表2下的推薦項(xiàng)目的數(shù)目占推薦結(jié)果中的推薦項(xiàng)目總數(shù)的10％，推薦列表3下的推薦項(xiàng)目的數(shù)目占推薦結(jié)果中的推薦項(xiàng)目總數(shù)的60％，推薦結(jié)果中沒(méi)有推薦列表4下的推薦項(xiàng)目。要注意，由于用戶的反饋是一個(gè)隨時(shí)間逐步進(jìn)行的過(guò)程?？梢栽谒@取的反饋信息的量超過(guò)預(yù)定數(shù)目(例如在所述反饋次數(shù)超過(guò)10次)之后執(zhí)行所述基于所述反饋信息生成展示策略。替換地，在獲取了用戶在特定時(shí)間段(例如，30天)內(nèi)的反饋信息的情況下執(zhí)行所述基于所述反饋信息生成展示策略。因此，在用戶沒(méi)有反饋數(shù)據(jù)，或反饋的數(shù)據(jù)量很小時(shí)，可以不生成所述展示策略。在240中，基于展示策略生成針對(duì)所述用戶的推薦結(jié)果。具體地，基于展示策略調(diào)整由推薦器基于推薦算法生成的推薦列表和其中的推薦項(xiàng)目，并將其組合為推薦結(jié)果。這里，以基于用戶協(xié)同的推薦算法的實(shí)現(xiàn)簡(jiǎn)要說(shuō)明推薦器的操作：a.獲取用戶ID(例如，x)；b.從模型庫(kù)查詢得到用戶x的近鄰用戶集合ys；c.取得近鄰用戶集合ys已經(jīng)評(píng)分的項(xiàng)目集合，并過(guò)濾用戶x已評(píng)分的項(xiàng)目集合，得到候選項(xiàng)目集s；d.預(yù)測(cè)用戶x對(duì)候選項(xiàng)目集s中每個(gè)項(xiàng)目的評(píng)分p；e.按照預(yù)測(cè)評(píng)分p的高低取前N個(gè)項(xiàng)目來(lái)推薦。工程技術(shù)人員根據(jù)需要知道如何實(shí)現(xiàn)不同的推薦算法，因此這里不進(jìn)行其他相關(guān)描述。該調(diào)整可以是對(duì)不同推薦列表在最終推薦結(jié)果中的排序進(jìn)行調(diào)整，如調(diào)整圖3(a)中的各個(gè)推薦列表的前后順序。替換地，該調(diào)整可以是對(duì)由不同推薦器推薦的推薦項(xiàng)目在推薦結(jié)果中的比例進(jìn)行調(diào)整，如調(diào)整圖3(b)中的混合推薦列表下的推薦項(xiàng)目，其是基于多種推薦算法的某種混合策略得到的推薦結(jié)果。以表4中的展示策略為例說(shuō)明如下。假設(shè)最終需要在頁(yè)面呈現(xiàn)10條推薦項(xiàng)目，則從與推薦列表3對(duì)應(yīng)的推薦器所推薦的推薦項(xiàng)目中取出最多6條，從與推薦列表1對(duì)應(yīng)的推薦器所推薦的推薦項(xiàng)目中取出3條，從與推薦列表2對(duì)應(yīng)的推薦器所推薦的推薦項(xiàng)目中取出1條推薦項(xiàng)目，組成最終的包括10條推薦項(xiàng)目的混合推薦結(jié)果。此外，如果不同推薦列表中有重復(fù)的推薦項(xiàng)目，相同的推薦項(xiàng)目只在頁(yè)面中顯示一個(gè)。此外，如果已經(jīng)存在先前的歷史展示策略，則在240中，可以利用所述展示策略來(lái)更新該歷史展示策略，并基于所述更新的展示策略生成針對(duì)所述用戶的推薦結(jié)果。作為更新歷史展示策略的示例，可以用所述展示策略直接替換所述歷史展示策略。例如，直接用推薦列表優(yōu)先級(jí)排序替換歷史推薦列表優(yōu)先級(jí)排序，或者直接用推薦列表占比替換歷史推薦列表占比。對(duì)于所述展示策略是推薦列表占比、所述歷史展示策略是歷史推薦列表占比的情況，還可以如下更新歷史展示策略包括：合并基于所述反饋信息生成的推薦列表占比和歷史推薦列表占比，并用合成后的推薦列表占比替換歷史推薦列表占比。表5示出了一占比合并示例。合并后的占比0.2＝(新占比0.3+歷史占比0.1)/2，對(duì)于推薦列表1，0.2＝(0.3+0.1)/2，依次類推。表5可選地，為了充分利用群體智慧，在210之后，可以進(jìn)一步包括220：獲取所述用戶的相似用戶對(duì)所述推薦列表的反饋信息，如圖2中的流程圖中虛線框所示。在這個(gè)情況下，所述基于所述反饋信息生成展示策略(230)可包括基于所述用戶的反饋信息和所述相似用戶的反饋信息來(lái)生成展示策略。所述相似用戶是與被提供推薦結(jié)果的所述用戶有相似性的一個(gè)或多個(gè)用戶用戶。例如，該相似用戶可以是與所述用戶有相似行為的用戶，可以是所述用戶的好友(處于同一社交群體中)，還可以是與所述用戶有其他關(guān)聯(lián)關(guān)系(例如，來(lái)自相同的地域)的一個(gè)或多個(gè)用戶。作為獲知所述相似用戶的示例，可以通過(guò)查詢用戶近鄰模型數(shù)據(jù)來(lái)獲得的所述相似用戶的ID。例如，圖1中的反饋處理模塊從模型庫(kù)中查詢所述用戶近鄰模型數(shù)據(jù)以獲得相似用戶(例如，ys)，如圖1中的反饋處理模塊與模型庫(kù)之間的虛線連接所示。作為實(shí)現(xiàn)示例，在所述用戶的反饋信息包括反饋時(shí)間信息時(shí)，可基于所述反饋時(shí)間信息來(lái)獲取所述相似用戶的反饋信息。例如，獲取所述相似用戶在所述反饋時(shí)間信息所跨的時(shí)間段內(nèi)、或與該時(shí)間段部分重疊的時(shí)間段內(nèi)的反饋信息。在實(shí)踐中可根據(jù)需要進(jìn)行靈活設(shè)計(jì)。在本發(fā)明的上述實(shí)施例中，通過(guò)根據(jù)用戶的反饋信息逐步學(xué)習(xí)用戶的興趣偏好，提供了不同側(cè)重的推薦算法及組合，從而向用戶提供更高層次的個(gè)性化推薦服務(wù)。為了更徹底地公開本發(fā)明，下面描述圖2所示的生成推薦結(jié)果的方法在圖1的推薦系統(tǒng)中的應(yīng)用。圖4圖示了根據(jù)本發(fā)明實(shí)施例的生成推薦結(jié)果的方法在推薦系統(tǒng)中的應(yīng)用的流程圖。401：業(yè)務(wù)系統(tǒng)提交推薦請(qǐng)求到推薦系統(tǒng)的推薦接口模塊，該請(qǐng)求至少包括用戶ID。402：推薦接口模塊請(qǐng)求推薦生成模塊生成推薦結(jié)果。403：推薦生成模塊調(diào)用推薦器中的不同推薦算法，由推薦器進(jìn)行模型和資源調(diào)用，生成各個(gè)推薦列表和相關(guān)的推薦項(xiàng)目。一個(gè)推薦算法可以由一個(gè)推薦器實(shí)現(xiàn)，也可以一個(gè)推薦器實(shí)現(xiàn)多個(gè)推薦算法。推薦生成模塊可以調(diào)用多個(gè)不同的推薦算法，產(chǎn)生多個(gè)推薦列表組成的推薦結(jié)果，這多個(gè)推薦列表來(lái)自多個(gè)不同的推薦算法的運(yùn)算結(jié)果。這里的推薦器可以實(shí)現(xiàn)各種已有的或?qū)?lái)的推薦算法。404：推薦生成模塊獲取最近的用于推薦列表的展示策略。405：推薦生成模塊根據(jù)所獲取的展示策略生成推薦結(jié)果。關(guān)于該操作的具體描述，請(qǐng)具體參見結(jié)合圖2進(jìn)行的說(shuō)明。406：返回給推薦接口模塊。407：推薦接口模塊返回所述推薦結(jié)果。在推薦系統(tǒng)的推薦接口模塊返回推薦結(jié)果時(shí)，推薦系統(tǒng)可以返回根據(jù)新生成的展示策略生成的推薦結(jié)果，由業(yè)務(wù)系統(tǒng)控制業(yè)務(wù)的展示，推薦系統(tǒng)也可以生成根據(jù)新生成的展示策略展示推薦結(jié)果的代碼，業(yè)務(wù)系統(tǒng)在接收到展示代碼后直接展示推薦結(jié)果。圖5a圖示了在403中生成的各個(gè)推薦列表和相關(guān)的推薦項(xiàng)目，圖5b圖示了基于展示策略生成的推薦結(jié)果(405)的展示頁(yè)面。在圖5a中，推薦結(jié)果中存在三個(gè)推薦列表，即推薦列表1“瀏覽更多同類商品”、推薦列表2“和您興趣相似的顧客還關(guān)注”、推薦列表3“購(gòu)買本商品的顧客還買過(guò)”。根據(jù)針對(duì)用戶的展示策略，各推薦列表的優(yōu)先級(jí)順序?yàn)橥扑]列表3＞推薦列表1＞推薦列表2，從而得到了如圖5b所示的展示頁(yè)面。可以看出，與推薦列表的優(yōu)先級(jí)高低對(duì)應(yīng)地按照先后順序展示推薦列表，優(yōu)先級(jí)最高的推薦列表3被優(yōu)先展示，其次是推薦列表1，最后是推薦列表2。此外，還可以根據(jù)推薦列表的優(yōu)先級(jí)高低而將推薦列表展示在不同的推薦區(qū)域。例如，優(yōu)先級(jí)最高的推薦列表3被展示在推薦區(qū)域的左方，優(yōu)先級(jí)最低的推薦列表2被展示在推薦區(qū)域的下方。圖6是圖示了根據(jù)本發(fā)明實(shí)施例的生成推薦結(jié)果的裝置600的框圖。該生成推薦結(jié)果的裝置600包括：反饋單元610，獲取用戶對(duì)至少兩個(gè)推薦列表的反饋信息；生成單元620，基于所述反饋信息生成所述推薦列表的展示策略；推薦單元630，基于展示策略生成針對(duì)所述用戶的推薦結(jié)果。所述反饋單元610和生成單元620例如可位于圖1的反饋處理模塊中，所述推薦單元630例如可位于圖1的推薦生成模塊中。所述反饋單元610可獲取用戶對(duì)至少兩個(gè)推薦列表的反饋信息。如前所述，反饋單元610從業(yè)務(wù)系統(tǒng)收集用戶對(duì)推薦結(jié)果的反饋數(shù)據(jù)，并對(duì)反饋數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理得到反饋信息。所述反饋數(shù)據(jù)可以是用戶的顯性反饋，例如，通過(guò)點(diǎn)擊按鈕(喜歡按鈕、不喜歡按鈕、分?jǐn)?shù)按鈕)直接對(duì)推薦結(jié)果的接受程度給出顯性反饋。替換地，所述反饋數(shù)據(jù)可以是用戶的隱性反饋。例如，在沒(méi)有顯性反饋按鈕的情況下，將用戶點(diǎn)擊查看作為正向反饋，未點(diǎn)擊查看作為負(fù)向反饋?？蛇x地，為了充分利用集體的智慧，所述反饋單元610還可以獲取所述用戶的相似用戶對(duì)所述推薦列表的反饋信息。在該情況中，所述生成單元620基于所述用戶的反饋信息和所述相似用戶的反饋信息來(lái)生成展示策略。所述相似用戶是通過(guò)查詢用戶近鄰模型數(shù)據(jù)獲得的一個(gè)或多個(gè)用戶。作為具體的實(shí)現(xiàn)，所述用戶的反饋信息可包括反饋時(shí)間信息，所述反饋單元610基于該反饋時(shí)間信息來(lái)獲取所述相似用戶的反饋信息。例如，獲取所述相似用戶在所述反饋時(shí)間信息所跨的時(shí)間段內(nèi)、或與該時(shí)間段部分重疊的時(shí)間段內(nèi)的反饋信息。在實(shí)踐中可根據(jù)需要進(jìn)行靈活設(shè)計(jì)。所述生成單元620可基于所述反饋信息生成所述推薦列表的展示策略。所述展示策略可以是表3所示的推薦列表優(yōu)先級(jí)排序、或者表4所示的推薦列表占比。用戶對(duì)不同推薦列表(在推薦列表與推薦器一一對(duì)應(yīng)的情況下為推薦器)的反饋信息表明了用戶對(duì)于不同推薦列表的偏好信息，使得可能基于所述偏好信息在推薦版面上適當(dāng)?shù)卣故就扑]列表，即針對(duì)所述推薦列表采取適當(dāng)?shù)恼故静呗?。要注意，由于用戶的反饋是一個(gè)隨時(shí)間逐步進(jìn)行的過(guò)程。作為示例，在所述反饋單元610所獲取的反饋信息的量超過(guò)預(yù)定數(shù)目(例如在所述反饋次數(shù)超過(guò)10次)之后，所述生成單元620基于所述反饋信息來(lái)生成展示策略。替換地，所述反饋單元610可以獲取用戶在特定時(shí)間段內(nèi)的反饋信息，例如，獲取用戶在30天內(nèi)對(duì)推薦結(jié)果的反饋數(shù)據(jù)以處理得到反饋信息，所述生成單元620基于所述反饋信息生成展示策略。此外，在用戶沒(méi)有反饋數(shù)據(jù)，或反饋的數(shù)據(jù)量很小時(shí)，可以不生成所述展示策略。所述推薦單元630可基于展示策略生成針對(duì)所述用戶的推薦結(jié)果。具體地，所述推薦單元630基于展示策略調(diào)整由推薦器基于推薦算法生成的推薦列表和其中的推薦項(xiàng)目，并將其組合為推薦結(jié)果。如前所述，工程技術(shù)人員根據(jù)需要知道如何利用推薦器實(shí)現(xiàn)不同的推薦算法，以生成推薦列表和其中的推薦項(xiàng)目，因此這里不再描述。所述推薦單元630進(jìn)行的調(diào)整操作可以是對(duì)不同推薦列表在最終推薦結(jié)果中的排序進(jìn)行調(diào)整，如調(diào)整圖3(a)中的各個(gè)推薦列表的前后順序。替換地，該調(diào)整操作可以是對(duì)由不同推薦器推薦的推薦項(xiàng)目在推薦結(jié)果中的比例進(jìn)行調(diào)整，如調(diào)整圖3(b)中的混合推薦列表下的推薦項(xiàng)目。此外，如果已經(jīng)存在先前的歷史展示策略，則所述推薦單元630可利用所述展示策略來(lái)更新歷史展示策略，并然后基于所述更新的展示策略生成針對(duì)所述用戶的推薦結(jié)果。具體地，所述推薦單元630可通過(guò)用所述展示策略替換所述歷史展示策略來(lái)更新歷史展示策略。作為示例，可直接用推薦列表優(yōu)先級(jí)排序替換歷史推薦列表優(yōu)先級(jí)排序，或者直接用推薦列表占比替換歷史推薦列表占比。在所述展示策略是推薦列表占比，所述歷史展示策略是歷史推薦列表占比的情況中，所述推薦單元630可以合并基于所述反饋信息生成的推薦列表占比和歷史推薦列表占比(如表5所示)，并然后用合成后的推薦列表占比替換歷史推薦列表占比，從而實(shí)現(xiàn)歷史展示策略的更新。關(guān)于該生成推薦結(jié)果的裝置600的各個(gè)組成單元的其他具體操作，可參見結(jié)合圖2進(jìn)行的相應(yīng)描述。在本發(fā)明的生成推薦結(jié)果的裝置的實(shí)施例中，同樣通過(guò)根據(jù)用戶的反饋信息逐步學(xué)習(xí)用戶的興趣偏好，提供了不同側(cè)重的推薦算法及組合，從而向用戶提供更高層次的個(gè)性化推薦服務(wù)。本領(lǐng)域普通技術(shù)人員可以意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計(jì)算機(jī)軟件和電子硬件的結(jié)合來(lái)實(shí)現(xiàn)。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)、裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過(guò)其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過(guò)一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-OnlyMemory)、隨機(jī)存取存儲(chǔ)器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。