申请/专利权人：北京奇艺世纪科技有限公司

申请日：2018-03-26

公开（公告）日：2021-01-05

公开（公告）号：CN108647227B

主分类号：G06F16/9535(20190101)

分类号：G06F16/9535(20190101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.05#授权;2018.11.06#实质审查的生效;2018.10.12#公开

摘要：本发明提供了一种推荐方法及装置，属于计算机技术领域。本发明实施例提供的推荐方法及装置，在向目标用户推荐对象时，会计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，根据目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，从候选对象中确定推荐对象，并向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。

主权项：1.一种推荐方法，其特征在于，所述方法包括：计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度；根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象；向所述目标用户推荐所述推荐对象；其中，所述根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象的步骤，包括：将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除；所述候选集中包括所有候选对象；基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；其中，所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，包括：将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。

全文数据：_种推荐方法及装置技术领域[0001]本发明属于计算机技术领域，特别是涉及一种推荐方法及装置。背景技术[0002]随着计算机技术的不断发展，网络系统中的网络对象越来越多，为了吸引用户，各网络平台经常会基于用户的历史交互数据，进行对象召回，将召回的对象作为候选对象向用户推荐。[0003]具体的，在推荐时，通常是根据用户的历史行为确定用户感兴趣的主题，然后根据用户感兴趣的主题，预测用户对候选对象的偏好，最后根据用户对每个候选对象的偏好进行推荐。[0004]但是当用户感兴趣的主题较为单一，或者用户与某个感兴趣的主题的交互较多时，就会导致向用户推荐大量主题相同，内容相似的对象，导致用户的可选择性较低，推荐效果较差。发明内容[0005]本发明提供一种推荐方法及装置，以便解决向用户推荐时，用户的可选择性较低，推荐效果较差的问题。[0006]依据本发明的第一方面，提供了一种推荐方法，该方法可以包括：[0007]计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度；[0008]根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象；[0009]向所述目标用户推荐所述推荐对象。[0010]可选的，所述计算目标用户对每个候选对象的偏好值的步骤，包括：[0011]按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象；[0012]按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签；[0013]按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签；[0014]计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量；[0015]计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离；[0016]根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。[0017]可选的，所述计算目标用户对每个候选对象的偏好值的步骤，包括：[0018]按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别；[0019]根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值；[0020]按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。[0021]可选的，所述计算每个候选对象之间的相似度的步骤，包括：[0022]将每个候选对象分别作为第一目标对象，执行以下步骤：[0023]计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离；[0024]根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。[0025]可选的，所述根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象的步骤，包括：[0026]将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除;所述候选集中包括所有候选对象；[0027]基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；[0028]将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；[0029]若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值；[0030]所述预设数量阈值不小于2。[0031]可选的，所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，包括：[0032]将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：[0033]根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；[0034]计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；[0035]计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。[0036]依据本发明的第二方面，提供了一种推荐装置，该装置可以包括：[0037]计算模块，用于计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度；[0038]确定模块，用于根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象；[0039]推荐模块，用于向所述目标用户推荐所述推荐对象。[0040]可选的，所述计算模块，用于：[0041]按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象；[0042]按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签；[0043]按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签；[0044]计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量；[0045]计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离；[0046]根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。[0047]可选的，所述计算模块，用于：[0048]按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别；[0049]根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值；[0050]按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。[0051]可选的，所述计算模块，用于：[0052]将每个候选对象分别作为第一目标对象，执行以下步骤：[0053]计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离；[0054]根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。[0055]可选的，所述确定模块，包括：[0056]第一添加子模块，用于将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除;所述候选集中包括所有候选对象；[0057]计算子模块，用于基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；[0058]第二添加子模块，用于将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；[0059]执行子模块，用于若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值；[0060]所述预设数量阈值不小于2。[0061]可选的，所述计算子模块，用于：[0062]将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：[0063]根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；[0064]计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；[0065]计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。[0066]针对在先技术，本发明具备如下优点：[0067]在向目标用户推荐对象时，会计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，根据目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，从候选对象中确定推荐对象，并向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。[0068]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明[0069]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：[0070]图1是本发明实施例一提供的一种推荐方法的步骤流程图；[0071]图2是本发明实施例二提供的一种推荐方法的步骤流程图；[0072]图3是本发明实施例三提供的一种推荐装置的框图；[0073]图4是本发明实施例四提供的一种推荐装置的框图。具体实施方式[0074]下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。[0075]实施例一[0076]图1是本发明实施例一提供的一种推荐方法的步骤流程图，如图1所示，该方法可以包括：[0077]步骤101、计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度。[0078]本发明实施例中的对象，可以是视频、歌曲、游戏或网络商品等等，本发明实施例对此不作限定。进一步地，目标用户对每个候选对象的偏好值可以体现目标用户对候选对象的喜爱程度，可以认为偏好值越大，目标用户对该候选对象的喜爱程度越大，选择该候选对象的可能性越大，反之，偏好值越小，目标用户对该候选对象的喜爱程度越小，选择该候选对象的可能性越小。进一步地，候选对象和候选对象之间的相似度可以反映两个候选对象之间内容的相似性，可以认为相似度越大，两个候选对象的内容越相同，反之，相似度越小，两个候选对象的内容越不同。[0079]步骤102、根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象。[0080]本发明实施例中，从候选对象中确定推荐对象时，可以基于目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度来确定。具体的，可以选择对应的偏好值高，且相似度较小的候选对象作为推荐对象，这样，可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而增大目标用户对推荐对象的可选择性。[0081]步骤103、向所述目标用户推荐所述推荐对象。[0082]本发明实施例中，假设推荐对象包括推荐对象1，推荐对象2以及推荐对象3,那么可以将这三个推荐对象推荐给目标用户。示例的，假设推荐对象为视频，那么向目标用户推荐时，可以在目标用户进入视频系统时，以弹窗的形式显示推荐视频，或者，在目标用户进入视频系统时，在视频系统界面中的推荐区域显示推荐视频，等等，本发明实施例对此不作限定。[0083]综上所述，本发明实施例一提供的推荐方法，在向目标用户推荐对象时，会计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，根据目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，从候选对象中确定推荐对象，并向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。[0084]实施例二[0085]图2是本发明实施例二提供的一种推荐方法的步骤流程图，如图2所示，该方法可以包括：[0086]步骤201、计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度。[0087]具体的，可以通过下述实现方式一中的子步骤⑴〜子步骤⑸或实现方式二中的子步骤⑹〜子步骤⑻来计算目标用户对每个候选对象的偏好值：[0088]实现方式一[0089]子步骤1:按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象。[0090]本步骤中，目标用户的历史数据可以是目标用户产生的行为日志，目标用户的行为日志可以用于体现目标用户与各个对象的交互状态，假设对象为视频，目标用户的行为日志可以体现目标用户点击过哪些视频，观看每个点击过的视频的时长，对每个点击过的视频的评价，每个点击过的视频的具体信息，等等。[0091]具体的，假设对象为视频，可以根据目标用户的历史数据，将目标用户所点击过的视频中，历史观看时长大于预设时长阈值的视频，或者，历史点击次数大于预设次数阈值的视频确定为备选对象，[0092]子步骤2:按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签。[0093]示例的，假设预设的标签维度包括:导演，主演，视频类型，备选对象包括视频1、视频2,那么可以分别提取视频1和视频2的导演，主演以及视频类型，得到目标用户的标签。假设视频1的导演，主演以及视频类型分别为：“李安”、“范冰冰”以及“爱情”，视频2的导演，主演以及视频类型分别为：“张艺谋”、“巩価”以及“战争”，那么可以确定目标用户的标签为“李安、范冰冰、爱情、张艺谋、巩価、战争”。[0094]子步骤3:按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签。[0095]示例的，假设对象为视频，预设的标签维度包括:导演，主演，视频类型，候选对象包括视频3、视频4以及视频5,那么可以分别提取视频3、视频4以及视频5的导演，主演以及视频类型，得到每个候选对象的标签。假设视频3的导演，主演以及视频类型分别为：“张艺谋”、“周杰伦”以及“古装”，那么可以确定候选对象中视频3的标签为“张艺谋、周杰伦、古装”。[0096]子步骤4:计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量。[0097]本步骤中，可以将目标用户的标签中的词语与所有候选对象的标签中的词语汇总，然后统计每个词语的词频，最后根据目标用户的标签中每个词语的词频，生成第一词向量，根据每个候选对象的标签中包括的每个词语的词频，生成该候选对象的第二词向量。[0098]示例的，假设候选对象中视频4的标签为“李安、张一三、战争”，候选对象中视频4的标签为“张艺谋、巩価、战争”。通过汇总目标用户的标签中的词语以及视频3的标签中的词语，可以得到汇总后的词语为“李安、范冰冰、爱情、张艺谋、巩価、战争、周杰伦、古装、张一三”，然后计算每个词的词频，得到每个词语的词频分别为“李安:2、范冰冰:1、爱情：1、张艺谋:3、巩価:2、战争:3、周杰伦：1、古装：1、张一三：1”，最后，根据目标用户的标签中包括的每个词语的词频，生成第一词向量为X=211323000，根据视频3的标签中包括的每个词语的词频，生成视频的第二词向量为Y1=000300110，根据视频4的标签中包括的每个词语的词频，生成视频的第二词向量为Y2=200003001，根据视频5的标签中包括的每个词语的词频，生成视频的第二词向量为Y3=000323000。[0099]子步骤5:计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离。[0100]本步骤中，该第一距离可以是第一词向量和第二词向量之间的余弦距离，具体的，可以通过下述公式来计算第一词向量和第二词向量之间的余弦距离：[0102]其中，示第一词向量X和第二词向量Ym之间的余弦距离，η表示词向量中包括的分量的个数。[0103]示例的，可以将X和Y1代入上述公式，计算第一词向量X和第二词向量Y1之间的距离，得到第一距离D1，可以将X和Y2代入上述公式，计算第一词向量X和第二词向量Y2之间的距离，得到第一距离D2,可以将X和Y3代入上述公式，计算第一词向量X和第二词向量Y3之间的距离，得到第一距离D3。[0104]当然，本发明实施例中的第一距离也可以是其他距离，比如欧式距离，本发明实施例对此不作限定。[0105]子步骤¢:根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。[0106]本步骤中，可以按照相似度越大，偏好值越大的原则，来确定目标用户对每个候选对象的偏好值。假设该第一距离为余弦距离，由于余弦距离表示的是两个向量的夹角的余弦值，当余弦值越大时，说明两个向量之间的夹角越小，两个向量的相似度越大，因此，本步骤中，可以为对应的第二词向量与第一词向量的第一距离越大的候选对象，设置越大的偏好值。示例的，假设D1D3D2,那么可以设置视频3的偏好值大于视频5的偏好值，视频5的偏好值大于视频4的偏好值。[0107]实现方式二：[0108]子步骤7:按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别。[0109]本步骤中，预设的类别维度可是开发人员预先定义的，该预设的类别维度可以和上述步骤中预设的标签维度相同，具体的，以对象为视频为例，该预设的类别维度可以包括:导演、主演以及类型。根据该预设的类别维度，可以确定每个候选对象对应的类别。[0110]示例的，假设候选对象包括视频3、视频4以及视频5,那么可以分别提取视频3、视频4以及视频5的导演，主演以及视频类型，得到每个候选对象的类别。假设视频3的导演，主演以及视频类型分别为：“张艺谋”、“周杰伦”以及“古装”，那么可以确定候选对象中视频3的类别为“张艺谋、周杰伦、古装”。候选对象中视频4的类别为“李安、张一三、战争”，候选对象中视频4的类别为“张艺谋、巩価、战争”。[0111]子步骤8:根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值。[0112]本步骤中，可以根据历史数据，计算目标用户观看过的视频中属于每个类别的视频数量，然后，根据每个类别中包括的视频数量为每个类别设置偏好值，其中，偏好值可以与类别中包括的视频数量正相关，即就是，类别中包括的视频数量越多，该类别的偏好值越大。[0113]示例的，假设目标用户观看过的视频中属于类别“张艺谋”，即就是，导演为张艺谋的视频数量为30，目标用户观看过的视频中属于类别“李安”，即就是，导演为李安的视频数量为20,目标用户观看过的视频中属于类别“周杰伦”，即就是，主演为周杰伦的视频数量为3，目标用户观看过的视频中属于类别“张一三”，即就是，主演为张一三的视频数量为2，目标用户观看过的视频中属于类别“巩価”，即就是，主演为巩価的视频数量为7,目标用户观看过的视频中属于类别“古装”，即就是，类型为古装的视频数量为30，目标用户观看过的视频中属于类别“战争”，即就是，类型为战争的视频数量为35。那么可以设置类别“张艺谋”的偏好值为3，类别“李安”的偏好值为2，类别“周杰伦”的偏好值为0.3，类别“张一三”的偏好值为〇.2，类别“巩価”的偏好值为0.7，类别“古装”的偏好值为3，类别“战争”的偏好值为3.5〇[0114]子步骤9:按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。[0115]本步骤中，预设的类别权重可以是开发人员根据实际需求预先设定的，具体的，在计算时，可以先计算候选对象对应每个类别与每个类别对应的预设的类别权重的乘积，得到至少一个乘积，然后计算该至少一个乘积的和，得到目标用户对该候选的偏好值。示例的，假设类别“张艺谋”的权重为〇.3，类别“周杰伦”的权重为0.1，类别“古装”的权重为0.2，那么，目标用户对候选对象中视频3的偏好值可以为:3X0.3+0.3X0.1+3X0.2=1.53。[0116]进一步地，可以通过将每个候选对象分别作为第一目标对象，执行下述子步骤10〜子步骤11来实现计算每个候选对象之间的相似度：[0117]子步骤10:计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离。[0118]本步骤中，该第二距离以及第三距离可以余弦距离，假设第一目标对象为视频3，那么除所述第一目标对象之外的每个候选对象，即为视频4和视频5,可以计算视频3的对应的第二词向量与视频4的对应的第二词向量之间的余弦距离，计算视频3的对应的第二词向量与视频5的对应的第二词向量之间的余弦距离，得到两个第二距离。当然，也可以计算视频3的对应的偏好值与视频4的对应的偏好值之间的余弦距离，计算视频3的对应的偏好值与视频5的对应的偏好值之间的余弦距离，得到两个第三距离。需要说明的是，在本发明的另一可选实施例中，还可以基于协同过滤算法，计算预设的多个样本用户对每个候选对象的分值，然后计算第一目标对象对应的每个样本用户给出的分值，与除第一目标对象之外的每个候选对象对应的每个样本用户给出的分值之间的距离，得到多个第三距离，其中，预设的多个样本用户可以是网络系统中所有的用户，也可以是由开发人员定义的部分用户，本发明实施例对此不作限定，进一步地，基于协同过滤算法，计算预设的多个样本用户对每个候选对象的分值时，可以是利用每个样本用户对每个候选对象的历史观看行为进行计算的。[0119]进一步地，计算余弦距离的方式可以参考上述步骤中的计算方式，本发明实施例在此不作赘述。[0120]子步骤（I1:根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。[0121]本步骤中，假设第二距离、第三距离为余弦距离，由于余弦距离表示的是两个向量的夹角的余弦值，当余弦值越大时，说明两个向量之间的夹角越小，两个向量的相似度越大，因此，本步骤中，可以为对应的第二距离，或第三距离越大的候选对象，设置越大的偏好值。示例的，假设视频3和视频5之间的第二距离最大，那么可以设置视频3和视频5之间的相似度最大。[0122]步骤202、将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将所述推荐对象从候选集中去除。[0123]本步骤中，候选集中包括所有候选对象，示例的，候选集中可以包括视频3、视频4和视频5。进一步地，可以认为对应的偏好值最大的候选对象是所有候选对象中，目标用户最可能喜欢的对象，通过将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，可以保证推荐集中存在至少一个用户喜欢的对象，进而保证推荐效果。具体的，假设视频4对应的偏好值最大，那么可以将视频4作为推荐对象添加至推荐集中，并将视频4从候选集中去除，去除之后候选集中可以包括视频3和视频5。[0124]步骤203、基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数。[0125]具体的，可以将候选集中的每个候选对象分别作为第二目标对象，通过下述子步骤12〜子步骤14来实现步骤203。示例的，可以将视频3作为第二目标对象，通过执行下述子步骤（12〜子步骤（14来计算视频3的推荐参数，将视频5作为第二目标对象，通过执行下述子步骤12〜子步骤14来计算视频5的推荐参数。[0126]子步骤（12:根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度。[0127]示例的，假设第二目标对象为视频3,由于此时推荐集中仅包括推荐对象视频4,因此，可以直接将视频3和视频4之间的相似度确定为最大相似度。进一步地，假设此时推荐集中包括多个推荐对象，那么本步骤中，可以从第二目标对象和每个推荐对象之间的相似度中选择最大值，进而得到最大相似度。[0128]子步骤（13:计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数。[0129]本步骤中，预设的偏好值权重以及预设的相似度权重可以是开发人员根据实际需求设置的，优选的，在设置时，可以将预设的偏好值权重以及预设的相似度权重的取值范围均设置为〇，1，且预设的偏好值权重与预设的相似度权重的和等于1，这样，可以方便调节偏好值和相似度在推荐参数中所占的比重。当然，也可以采取其他的设置方式，本发明实施例对此不作限定。[0130]子步骤（14:计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。[0131]示例的，假设第一参数为A，第二参数为B，那么可以将A-B确定为第二目标对象的推荐参数。本发明实施例中，由于计算推荐参数时，结合了每个候选对象对应的偏好值以及每个候选对象与推荐集中各个候选对象的相似度，进而该推荐参数可以体现目标用户对该候选对象的喜爱程度，以及该候选对象和推荐集中各个推荐对象的相似度，该推荐参数越大，说明目标用户对该候选对象的喜爱程度越大，且该候选对象与推荐集中已有的推荐对象的相似度越小。[0132]步骤204、将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除。[0133]本步骤中，预设参数阈值的具体值可以根据实际需求设定，本发明实施例对此不作限定。假设候选集中视频3的推荐参数大于预设参数阈值，那么可以将视频3作为推荐对象添加至推荐集中，并将视频3从候选集中去除。[0134]步骤205、若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值。[0135]本步骤中，预设数量阈值的具体值可以根据实际需求设定，本发明实施例对此不作限定。示例的，假设该预设数量阈值为2,此时推荐集中包括视频3和视频4,推荐集中推荐对象的数量不小于预设数量阈值，可以执行后续步骤206,假设该预设数量阈值为3,此时推荐集中包括视频3和视频4,推荐集中推荐对象的数量小于预设数量阈值，可以继续从步骤203开始执行，以便于继续向推荐集中添加推荐对象。[0136]步骤206、向所述目标用户推荐所述推荐对象。[0137]具体的，本步骤的实现方式可以参考上述步骤103,本发明实施例在此不做赘述。[0138]综上所述，本发明实施例二提供的推荐方法，在向目标用户推荐对象时，会计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除，以保证向用户推荐的推荐物品中至少存在一个使目标用户能够喜欢的推荐对象，保证了推荐效果，进一步地，可以基于推荐集中的推荐对象以及候选集中的候选对象，计算候选集中的每个候选对象的推荐参数，将推荐参数大于预设参数阈值的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除，然后在推荐集中推荐对象的数量小于预设数量阈值时，继续执行基于推荐集中的推荐对象以及候选集中的候选对象，向推荐集中添加推荐对象，直至推荐集中推荐对象的数量等于预设数量阈值时，向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。[0139]实施例三[0140]图3是本发明实施例三提供的一种推荐装置的框图，如图3所示，该装置30可以包括：[0M1]计算模块301，用于计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度。[0142]确定模块302,用于根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象。[0143]推荐模块303,用于向所述目标用户推荐所述推荐对象。[0144]综上所述，本发明实施例三提供的推荐装置，在向目标用户推荐对象时，计算模块可以计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，确定模块可以根据目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，从候选对象中确定推荐对象，最后，推荐模块可以向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。[0145]实施例四[0M6]图4是本发明实施例四提供的一种推荐装置的框图，如图4所示，该装置40可以包括：[0147]计算模块401，用于计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度。[0148]确定模块402,用于根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象。[0149]推荐模块403,用于向所述目标用户推荐所述推荐对象。[0150]可选的，上述计算模块401，用于：[0151]按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象；[0152]按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签；[0153]按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签；[0154]计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量；[0155]计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离；[0156]根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。[0157]可选的，上述计算模块401，用于：[0158]按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别；[0159]根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值；[0160]按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。[0161]可选的，上述计算模块401，用于：[0162]将每个候选对象分别作为第一目标对象，执行以下步骤：[0163]计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离；[0164]根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。[0165]可选的，上述确定模块402,包括：[0166]第一添加子模块4021，用于将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除;所述候选集中包括所有候选对象；[0167]计算子模块4022,用于基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；[0168]第二添加子模块4023,用于将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；[0169]执行子模块4024,用于若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值；[0170]所述预设数量阈值不小于2。[0171]可选的，上述计算子模块4022,用于：[0172]将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：[0173]根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；[0174]计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；[0175]计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。[0176]综上所述，本发明实施例四提供的推荐装置，在向目标用户推荐对象时，计算模块可以计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度，然后，第一添加子模块可以将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除，以保证向用户推荐的推荐物品中至少存在一个使目标用户能够喜欢的推荐对象，保证了推荐效果，进一步地，可以计算子模块可以基于推荐集中的推荐对象以及候选集中的候选对象，计算候选集中的每个候选对象的推荐参数，第二添加子模块可有将推荐参数大于预设参数阈值的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除，然后执行子模块可以在推荐集中推荐对象的数量小于预设数量阈值时，继续执行基于推荐集中的推荐对象以及候选集中的候选对象，向推荐集中添加推荐对象，直至推荐集中推荐对象的数量等于预设数量阈值时，推荐模块可以向目标用户推荐对象，由于从候选对象中确定推荐对象时，结合了目标用户对每个候选对象的偏好值以及每个候选对象之间的相似度，进而可以在保证推荐对象是用户所喜爱的对象的同时，减少各个推荐物品之间的相似度，进而避免向用户推荐大量内容相似的推荐对象的问题。[0177]对于上述装置实施例而言，由于其与方法实施例基本相似，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。[0178]本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。[0179]本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。[0180]在此提供的推荐方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。[0181]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。[0182]类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。[0183]本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。[0184]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。[0185]本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器DSP来实现根据本发明实施例的推荐方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。[0186]应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

权利要求：1.一种推荐方法，其特征在于，所述方法包括：计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度；根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象；向所述目标用户推荐所述推荐对象。2.根据权利要求1所述的方法，其特征在于，所述计算目标用户对每个候选对象的偏好值的步骤，包括：按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象；按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签；按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签；计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量；计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离；根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。3.根据权利要求1所述的方法，其特征在于，所述计算目标用户对每个候选对象的偏好值的步骤，包括：按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别；根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值；按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。4.根据权利要求2所述的方法，其特征在于，所述计算每个候选对象之间的相似度的步骤，包括：将每个候选对象分别作为第一目标对象，执行以下步骤：计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离；根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象的步骤，包括：将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除;所述候选集中包括所有候选对象；基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值；所述预设数量阈值不小于2。6.根据权利要求5所述的方法，其特征在于，所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，包括：将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。7.—种推荐装置，其特征在于，所述装置包括：计算模块，用于计算目标用户对每个候选对象的偏好值，计算每个候选对象之间的相似度；确定模块，用于根据所述目标用户对每个候选对象的偏好值以及所述每个候选对象之间的相似度，从所述候选对象中确定推荐对象；推荐模块，用于向所述目标用户推荐所述推荐对象。8.根据权利要求7所述的装置，其特征在于，所述计算模块，用于：按照目标用户的历史数据，确定与所述目标用户交互过的历史观看时长大于预设时长阈值的对象，或，与所述目标用户交互过的历史点击次数大于预设次数阈值的对象，得到备选对象；按照预设的标签维度，提取每个备选对象与每个预设的标签维度对应的特征信息，得到所述目标用户的标签；按照所述预设的标签维度，提取每个候选对象与每个预设的标签维度对应的特征信息，得到每个候选对象的标签；计算所述目标用户的标签的词向量，得到第一词向量，计算每个候选对象的标签的词向量，得到多个第二词向量；计算所述第一词向量和每个第二词向量之间的距离，得到多个第一距离；根据所述多个第一距离，确定所述目标用户对每个候选对象的偏好值。9.根据权利要求7所述的装置，其特征在于，所述计算模块，用于：按照预设的至少一个类别维度以及每个候选对象的属性，确定每个候选对象对应的至少一个类别；根据所述目标用户的历史数据，确定所述目标用户对每个类别的偏好值；按照预设的类别权重和所述目标用户对每个候选对象对应的类别的偏好值，计算所述目标用户对每个候选对象的偏好值。10.根据权利要求8所述的装置，其特征在于，所述计算模块，用于：将每个候选对象分别作为第一目标对象，执行以下步骤：计算所述第一目标对象对应的第二词向量与除所述第一目标对象之外的每个候选对象对应的第二词向量的距离，得到多个第二距离;或，计算所述第一目标对象对应的偏好值与除所述第一目标对象之外的每个候选对象对应的偏好值之间的距离，得到多个第三距离；根据所述第二距离，或，第三距离，确定所述第一目标对象与除所述第一目标对象之外的每个候选对象之间的相似度。11.根据权利要求7所述的装置，其特征在于，所述确定模块，包括：第一添加子模块，用于将对应的偏好值最大的候选对象作为推荐对象添加至推荐集中，并将作为推荐对象的候选对象从候选集中去除;所述候选集中包括所有候选对象；计算子模块，用于基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数；第二添加子模块，用于将所述候选集中推荐参数大于预设参数阈值的候选对象作为推荐对象添加至所述推荐集中，并将作为推荐对象的候选对象从所述候选集中去除；执行子模块，用于若所述推荐集中推荐对象的数量小于预设数量阈值，则执行所述基于所述推荐集中的推荐对象以及所述候选集中的候选对象，计算所述候选集中每个候选对象的推荐参数的步骤，直至所述推荐集中推荐对象的数量等于预设数量阈值；所述预设数量阈值不小于2。12.根据权利要求11所述的装置，其特征在于，所述计算子模块，用于：将所述候选集中的每个候选对象分别作为第二目标对象，执行以下步骤：根据所述第二目标对象与所述推荐集中每个推荐对象之间的相似度，确定最大相似度；计算所述第二目标对象对应的偏好值与预设的偏好值权重的乘积，得到第一参数，计算所述最大相似度与预设的相似度权重的乘积，得到第二参数；计算所述第一参数与所述第二参数的差值，得到所述第二目标对象的推荐参数。

百度查询： 北京奇艺世纪科技有限公司 一种推荐方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD