CN107306355A - 一种内容推荐方法及服务器 - Google Patents

一种内容推荐方法及服务器 Download PDF

Info

Publication number
CN107306355A
CN107306355A CN201610247671.7A CN201610247671A CN107306355A CN 107306355 A CN107306355 A CN 107306355A CN 201610247671 A CN201610247671 A CN 201610247671A CN 107306355 A CN107306355 A CN 107306355A
Authority
CN
China
Prior art keywords
user
content
interest topic
interest
topic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610247671.7A
Other languages
English (en)
Other versions
CN107306355B (zh
Inventor
李正兵
汪芳山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201610247671.7A priority Critical patent/CN107306355B/zh
Publication of CN107306355A publication Critical patent/CN107306355A/zh
Application granted granted Critical
Publication of CN107306355B publication Critical patent/CN107306355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/239Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests
    • H04N21/2393Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests involving handling client requests
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2408Monitoring of the upstream path of the transmission network, e.g. client requests
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252Processing of multiple end-users' preferences to derive collaborative data
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26258Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for generating a list of items to be played back in a given order, e.g. playlist, or scheduling item distribution according to such list

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种内容推荐方法及服务器,涉及通信领域,解决了由于推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。具体方案为:获取第一用户的当前行为数据;根据当前行为数据,从兴趣主题集合中确定目标兴趣主题;兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,目标兴趣主题为第一用户当前感兴趣的兴趣主题;将目标兴趣主题对应的推荐列表提供给第一用户。本发明用于内容推荐的过程中。

Description

一种内容推荐方法及服务器
技术领域
本发明涉及通信领域,尤其涉及一种内容推荐方法及服务器。
背景技术
互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,但是随着互联网的迅速发展,信息量也在大幅增长,这会导致用户在面对大量信息时无法从中获得自己真正需要的信息,从而降低了对信息的使用效率。解决这一问题较好的办法就是推荐系统,它可以在大量的信息中为用户推荐合适的内容,以便用户从推荐的内容中获取自己需要的信息。并且,在推荐系统为用户推荐内容的过程中,为了保证用户体验,降低推荐请求的响应时间,通常情况下,在服务器端会预先根据用户行为生成推荐列表,以便在接收到用户的推荐请求时,可以根据预先生成推荐列表实时将内容推荐给用户。
但是,在实际的应用场景中,会存在一个用户行为隐含多个用户兴趣的情况,假设此处将多个用户兴趣定义为家庭兴趣,在这种情况下,服务器端根据用户行为生成推荐列表时,往往依据的是家庭兴趣对应的观影历史,这样会使得推荐列表中包含了用户不感兴趣的内容,从而导致推荐内容时资源的浪费,并会影响推荐效果。
例如,现有的互联协议电视(英文:Internet Protocol Television,简称:IPTV)机顶盒会被家庭中的多人使用。假设某个家庭中包括老人、小孩和青年人,且不同人对应不同的用户兴趣,即该IPTV机顶盒对应的用户行为会隐含三个用户兴趣,再假设,老人喜欢观看历史剧,小孩喜欢观看动画片,青年人喜欢观看动作片,且在某时间段内每个人观看对应内容的次数均为50次,这样,在服务器端(该服务器端为该IPTV机顶盒提供服务)依据该IPTV机顶盒对应的用户行为生成推荐列表时,会同时根据这三个用户对应的观影历史,那么生成的推荐列表中会既包含历史剧,还包含动画片和动作片,且三者之间的比重还很接近,这样在老人观看电视时,就会为其大量的动画片和动作片,从而会浪费大量的推荐资源,且推荐效果也不好。
发明内容
本发明提供一种内容推荐方法及服务器,解决了由于推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。
为达到上述目的,本发明采用如下技术方案:
本发明的第一方面,提供一种内容推荐方法,应用于服务器,该内容推荐方法包括:
在第一用户对终端设备进行操作之后,服务器由终端设备处获取该第一用户的当前行为数据,然后根据获取到的当前行为数据,从包括至少两个兴趣主题的兴趣主题集合中确定该第一用户当前感兴趣的兴趣主题,即确定出目标兴趣主题,在该兴趣主题集合中,不同的兴趣主题对应不同的用户兴趣,最后将确定出的目标兴趣主题对应的推荐列表通过终端设备提供给第一用户。
其中,目标兴趣主题对应的推荐列表包括的可以是该第一用户的目标兴趣主题中预设数量的第二类内容(第一用户对第二类内容的喜好程度未知),也可以是与该目标兴趣主题对应的根据当前行为数据得到的第一用户当前观看的内容的近邻。
当根据当前行为数据确定出两个目标兴趣主题时,可以按照一定的比例选取两个目标兴趣主题对应的推荐列表中内容组成一个新的推荐列表提供给第一用户。例如,根据当前行为数据确定出兴趣主题1(兴趣主题1对应的推荐列表中包括10个内容)和兴趣主题2(兴趣主题2对应的推荐列表中包括10个内容)均为第一用户当前感兴趣的兴趣主题,则可以从兴趣主题1对应的推荐列表中选取6个内容,从兴趣主题2对应的推荐列表中选取4个内容组成一个新的推荐列表提供给用户。
示例性的,第一用户对终端设备的操作,可以是第一用户对终端设备的显示器中显示的某个内容的点击、收藏、评分、观看等中的至少一种。相应的,服务器获取到的第一用户的当前行为数据即为用户对某个内容进行了点击、收藏、评分、观看等等中的至少一种。
其中,所述的当前行为数据可以包括:第一用户有过操作的内容的标识、第一用户对有过操作的内容的操作次数、第一用户对所述有过操作的内容的评分;所述的第一用户有过操作的内容包括:第一用户收藏的内容、第一用户点击的内容、第一用户评分的内容中的至少一种。
本发明提供的内容推荐方法,服务器获取到第一用户的当前行为数据之后,可以根据该当前行为数据从对应不同用户兴趣的至少两个兴趣主题中确定第一用户当前感兴趣的兴趣主题,然后将该第一用户当前感兴趣的兴趣主题对应的推荐列表提供给第一用户。通过将根据用户的当前行为数据确定的兴趣主题对应的推荐列表提供给用户,使得推荐给用户的推荐列表中包括的内容均是该用户感兴趣的内容,从而解决了由于生成的推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。
结合第一方面,在一种可能的实现方式中,为了能够根据用户的反馈实时的更新对应的推荐列表,所述的内容推荐方法还可以包括:服务器根据获取到的第一用户的当前行为数据更新目标兴趣主题对应的推荐列表,以便通过终端设备为第一用户提供更新后的推荐列表。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,
在本发明中,服务器根据当前行为数据,从兴趣主题集合中确定目标兴趣主题具体的可以是:服务器根据当前行为数据,依据建模算法确定出第一用户偏好兴趣主题集合中每个兴趣主题的概率,然后根据确定出的第一用户偏好兴趣主题集合中每个兴趣主题的概率确定目标兴趣主题。
示例性的,服务器可以确定概率最大的兴趣主题为目标兴趣主题,也可以选取概率大于预设阈值的兴趣主题作为目标兴趣主题。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,
在服务器获取第一用户的当前行为数据之前,所述的内容推荐方法还可以包括:服务器获取包括至少一个用户有过操作的至少一个内容的历史行为数据,所述的至少一个用户中包括第一用户,然后根据获取到的历史行为数据,依据建模算法,识别出兴趣主题集合,以及兴趣主题集合中包括的每个兴趣主题包括的内容。
其中,服务器识别出的兴趣主题集合以及兴趣主题集合中包括的每个兴趣主题包括的内容,是适用于至少一个用户中的每个用户的。第一用户是至少一个用户中的任意一个。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,服务器识别出的兴趣主题包括的内容中包括第一类内容和第二类内容,所述第一用户对所述第一类内容的喜好程度已知,所述第一用户对所述第二类内容的喜好程度未知。
在服务器根据历史行为数据,依据建模算法,识别出兴趣主题集合以及兴趣主题集合中包括的每个兴趣主题包括的内容之后,服务器可以根据第一用户偏好兴趣主题集合中每个兴趣主题的概率,从兴趣主题集合中选取概率大于预设阈值的兴趣主题作为第一用户的家庭兴趣主题,并可以获取第一用户的家庭兴趣主题中每个兴趣主题对应的推荐列表,以便将推荐列表提供给第一用户。
示例性的,假设兴趣主题集合包括:兴趣主题1、兴趣主题2、兴趣主题3、兴趣主题4、兴趣主题5,且第一用户偏好每个兴趣主题的概率分布为:第一用户偏好兴趣主题1的概率为0.4,第一用户偏好兴趣主题2的概率为0.03,第一用户偏好兴趣主题3的概率为0.5,第一用户偏好兴趣主题4的概率为0.01,第一用户偏好兴趣主题5的概率为0.07,那么选择出的第一用户的家庭兴趣主题则包括兴趣主题1和兴趣主题3。
第一用户偏好兴趣主题集合中每个兴趣主题的概率可以是服务器预先根据获取到的历史行为数据,依据建模算法,如隐含狄利克雷分布(英文:Latent Dirichlet Allocation,简称:LDA)主题模型得到的。
其中,在本发明的一种可能实现方式中,针对第一用户,与兴趣主题对应的推荐列表中包括的可以是预设数量的第二类内容,此时,服务器获取家庭兴趣主题中每个兴趣主题对应的推荐列表具体的可以是,服务器针对家庭兴趣主题中的每个兴趣主题包括的每个第二类内容,获取该兴趣主题中包括的第二类内容的包括第一类内容和第二类内容的近邻,然后,根据第一用户对该第二类内容的近邻中包括的第一类内容的喜好程度,预测第一用户对该第二类内容的喜好程度,以得到第一用户对兴趣主题中包括的所有第二类内容的喜好程度,最后根据第一用户对兴趣主题中包括的所有第二类内容的喜好程度,选取预设数量的第二类内容作为与兴趣主题对应的推荐列表,以便最终得到家庭兴趣主题中的每个兴趣主题对应的推荐列表。这样,当接收到用户的推荐请求之后,可以根据家庭兴趣主题中的每个兴趣主题对应的推荐列表为用户返回推荐内容。
当然,针对至少一个用户中的每个用户,服务器可以执行上述过程以获得每个用户的家庭兴趣主题包括的每个兴趣主题对应的推荐列表。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,
当与兴趣主题对应的推荐列表中包括的是预设数量的第二类内容时,相应的,服务器根据获取到的当前行为数据更新目标兴趣主题对应的推荐列表,具体的可以是:服务器根据获取到的当前行为数据,确定第一用户对当前观看的内容的喜好程度,然后根据确定出的第一用户对当前观看的内容的喜好程度,更新目标兴趣主题包括的各个内容的近邻,最后,便可以根据第一用户对当前观看内容的喜好程度、第一用户对所述目标兴趣主题中包括的所述第一类内容的喜好程度,以及目标兴趣主题中包括的各个内容更新后的近邻,更新第一用户对目标兴趣主题中包括的所有第二类内容的喜好程度,进而就可以更新目标兴趣主题对应的推荐列表。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,
在服务器根据历史行为数据,依据建模算法,识别出兴趣主题集合以及兴趣主题集合中包括的每个兴趣主题包括的内容之后,服务器可以根据第一用户偏好兴趣主题集合中每个兴趣主题的概率,从兴趣主题集合中选取概率大于预设阈值的兴趣主题作为第一用户的家庭兴趣主题(第一用户偏好兴趣主题集合中每个兴趣主题的概率是服务器根据历史行为数据得到的),并可以获取第一用户的家庭兴趣主题中每个兴趣主题对应的推荐列表。
其中,在本发明的另一种可能实现方式中,与兴趣主题对应的推荐列表中包括的可以是第一用户当前观看的内容的近邻,所述第一用户当前观看的内容是根据当前行为数据确定的内容,此时,服务器获取家庭兴趣主题中的每个兴趣主题对应的推荐列表具体的可以是,服务器针对家庭兴趣主题中的每个兴趣主题包括的每个内容,生成该内容的近邻,以便将内容的近邻作为推荐列表提供给第一用户;其中,家庭兴趣主题中的兴趣主题包括的内容中包括第一用户当前观看的内容。
结合第一方面和上述可能的实现方式,在另一种可能的实现方式中,
当与兴趣主题对应的推荐列表中包括的是第一用户当前观看的内容的近邻时,相应的,服务器根据获取到的当前行为数据更新目标兴趣主题对应的推荐列表,具体的可以是:服务器根据当前行为数据,确定第一用户对当前观看的内容的喜好程度,然后根据确定出的第一用户对当前观看的内容的喜好程度和目标兴趣主题中包括的内容,更新第一用户当前观看的内容的近邻,将更新后的所述第一用户当前观看的内容的近邻作为所述推荐列表。
本发明的第二方面,提供一种服务器,包括:
获取单元,用于获取第一用户的当前行为数据;
确定单元,用于根据所述获取单元获取到的所述当前行为数据,从兴趣主题集合中确定目标兴趣主题;所述兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,所述目标兴趣主题为所述第一用户当前感兴趣的兴趣主题;
反馈单元,用于将所述确定单元确定出的所述目标兴趣主题对应的推荐列表提供给所述第一用户。
结合第二方面,在一种可能的实现方式中,所述服务器还包括:
更新单元,用于根据所述获取单元获取到的所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表。
具体的实现方式可以参考第一方面或第一方面的可能的实现方式提供的内容推荐方法中服务器的行为功能。
本发明的第三方面,提供了一种计算机可读存储介质,其中存储有可执行的程序代码,该程序代码用以实现第一方面或第一方面的可能实现方式所述的方法。
本发明的第四方面,提供了一种服务器,包括至少一个处理器,存储器,至少一个通信接口和通信总线,至少一个处理器与存储器、至少一个通信接口通过通信总线连接。存储器用于存储指令,处理器用于执行该指令。当处理器执行存储器存储的指令时,使得处理器执行第一方面或第一方面的可能实现方式所述的方法。
附图说明
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用本发明的网络架构的简化示意图;
图2为本发明实施例提供的一种服务器组成示意图;
图3为本发明实施例提供的一种内容推荐方法的流程示意图;
图4为本发明实施例提供的另一种内容推荐方法的流程示意图;
图5为本发明实施例提供的一种服务器的组成示意图;
图6为本发明实施例提供的另一种服务器的组成示意图。
具体实施方式
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作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。
本发明的基本原理是:在第一用户对终端设备进行操作之后,服务器可以由终端设备处获取该第一用户的当前行为数据,然后服务器根据获取到的当前行为数据,从对应不同用户兴趣的至少两个兴趣主题中确定该第一用户当前感兴趣的兴趣主题,最后将确定出的第一用户当前感兴趣的兴趣主题对应的推荐列表通过终端设备提供给第一用户。通过将根据用户的当前行为数据确定的兴趣主题对应的推荐列表提供给用户,使得推荐给用户的推荐列表中包括的内容均是该用户感兴趣的内容,从而解决了由于生成的推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。
下面将结合附图对本发明的实施方式进行详细描述。
如图1所示,图1示出的是可以应用本发明的网络架构的简化示意图。该网络架构可以包括至少一个服务器01、至少一个终端设备02、电子程序向导(英文:Electronic Program Guide,简称:EPG)03。
其中,至少一个服务器01用于为至少一个终端设备02提供服务,且至少一个服务器01处注册有至少一个用户,一个用户可以对应一个账户,用户可以通过终端设备02登录该账户。
在具体实现中,作为一种实施例,例如图1中所示的本发明的网络架构包括五个服务器,分别为服务器01、服务器04、服务器05、服务器06和服务器07。
至少一个终端设备02为对应用户提供至少一个服务器01推荐给用户的内容。
在具体的实现中,该终端设备02可以是机顶盒、电脑、便携机、智能手机(如,安卓手机、苹果手机等)等。作为一种实施例,如图1中所示,本发明的网络架构包括两个终端设备,分别为终端设备02、终端设备08,例如,在图1中所示的终端设备02和终端设备08均为电脑。且在服务器01、服务器04、服务器05、服务器06和服务器07处注册有两个用户,如用户1和用户2,一个用户分别对应一个账户,且用户1通过终端设备02登录自己的账户,用户2通过终端设备08登录自己的账户。
EPG03,用于向终端设备02提供界面,该界面中包括服务器01推荐给用户的内容。
在本发明实施例中,可以通过信息收集模块、流引擎处理模块、兴趣识别模块、离线数据存储模块、模型存储模块、推荐列表更新模块、推荐列表生成模块以及推荐投放模块的配合实现本发明提供的推荐方法。且上述模块以分布式的方式部署在至少一个服务器01中。
在具体实现中,作为一种实施例,例如图1中所示,服务器01中部署有信息收集模块,服务器04中部署有流引擎处理模块和兴趣识别模块,服务器05中部署有离线数据存储模块和模型存储模块,服务器06中部署有推荐列表更新模块和推荐列表生成模块,服务器07中部署有推荐投放模块。
当然,本发明实施例在此仅是对服务器01、服务器04、服务器05、服务器06和服务器07中部署的模块进行了举例说明,在实际的应用场景中,服务器01、服务器04、服务器05、服务器06和服务器07中可以部署有信息收集模块、流引擎处理模块、兴趣识别模块、离线数据存储模块、模型存储模块、推荐列表更新模块、推荐列表生成模块以及推荐投放模块中的一个或多个的组合,以便互相配合实现本发明的推荐方法。
其中,信息收集模块,用于收集外部数据,可以包括用户的当前行为数据以及历史行为数据,该历史行为数据包括至少一个用户有过操作的至少一个内容。且,信息收集模块在收集到外部数据之后会将收集到的数据依据数据特性存放到离线数据存储模块以及流处理引擎模块中。例如,信息收集模块可以将历史行为数据存放到离线数据存储模块中,将用户的当前行为数据存放到流处理引擎中。
流处理引擎模块,用于实时接收信息收集模块收集到的信息,并将信息进行格式化处理,且将格式化处理后的信息传输至兴趣识别模块。例如,流处理引擎接收的用户的当前行为数据为内容的标识,那么流处理引擎模块将该内容的标识进行格式化处理后,可以得到该内容对应的兴趣主题、该内容的类别等等,然后可以将得到的内容的标识、内容对应的兴趣主题以及内容的类别传输至兴趣识别模块。
兴趣识别模块,用于接收流处理引擎模块格式化处理后的信息,并依据格式化后的信息,识别出用户的当前兴趣。例如,兴趣识别模块可以接收流处理引擎格式化后的用户的当前行为数据,然后可以根据格式化后的当前行为数据确定出用户当前感兴趣的兴趣主题。
离线数据存储模块,用于存储信息收集模块传输的数据,其中可以包括历史行为数据,用以支持后续推荐列表的生成。
模型存储模块,用于保存根据建模算法(如LDA主题模型)和数据构建的推荐列表。
推荐列表更新模块,用于依据获取的实时反馈数据更新模型存储模块中存储的推荐列表,如根据兴趣识别模块得到的用户的当前兴趣更新模型存储模块中存储的推荐列表。
推荐列表生成模块,用于依据离线数据存储模块中保存的历史行为数据识别出兴趣主题集合,并生成兴趣主题集合中每个兴趣主题对应的推荐列表,且存放到模型存储模块中。
推荐投放模块,用于接收外部应用推荐请求,并根据兴趣识别模块得到的用户的当前兴趣,从模型存储模块中存储的推荐列表中选择对应的推荐列表提供给用户,或者,根据兴趣识别模块得到的用户的当前兴趣,直接从模型存储模块中存储的推荐列表中选择对应的推荐列表提供给用户。
如图2所示,图1中所示的服务器01可以包括:至少一个处理器101、存储器102、至少一个通信接口103、通信总线104。
下面结合图2对服务器01的各个构成部件进行具体的介绍:
处理器101是服务器01的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器101是一个中央处理器(英文:centralprocessing unit,简称:CPU),也可以是特定集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(英文:digitalsignal processor,简称:DSP),或,一个或者多个现场可编程门阵列(英文:Field Programmable Gate Array,简称:FPGA)。
其中,处理器101可以通过运行或执行存储在存储器102内的软件程序,以及调用存储在存储器102内的数据,执行服务器01的各种功能。
在具体的实现中,作为一种实施例,处理器101可以包括一个或多个CPU,例如图2中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,服务器01可以包括多个处理器,例如图2中所示的处理器101和处理器105。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器102可以是只读存储器(英文:read-only memory,英文:ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(英文:random access memory,英文:RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(英文:Electrically Erasable Programmable Read-Only Memory,英文:EEPROM)、只读光盘(英文:Compact Disc Read-Only Memory,英文:CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器102用于存储执行本发明方案的软件程序,并由处理器101来控制执行。
通信接口103,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(英文:radio access network,简称:RAN),无线局域网(英文:Wireless Local Area Networks,英文:WLAN)等。通信接口103可以包括接收单元实现接收功能,以及发送单元实现发送功能。
通信总线104,可以是工业标准体系结构(英文:Industry StandardArchitecture,简称:ISA)总线、外部设备互连(英文:PeripheralComponent,英文:PCI)总线或扩展工业标准体系结构(英文:ExtendedIndustry Standard Architecture,英文:EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图2中示出的设备结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在具体实现中:
所述通信接口103,用于接收第一用户的当前行为数据。
所述处理器101,用于获取第一用户的当前行为数据,根据当前行为数据,从兴趣主题集合中确定目标兴趣主题。
其中,该兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,目标兴趣主题为第一用户当前感兴趣的兴趣主题。
所述通信接口103,还用于将目标兴趣主题对应的推荐列表提供给第一用户。
进一步的,处理器101,还用于根据当前行为数据更新目标兴趣主题对应的推荐列表,以便通过所述通信接口103为第一用户提供更新后的推荐列表。
图3为本发明实施例提供的一种内容推荐方法的流程图,该方法应用于服务器01中,如图3所示,该内容推荐方法可以包括以下步骤:
201、服务器获取第一用户的当前行为数据。
其中,在第一用户对终端设备进行了操作之后,终端设备可以将获取到的第一用户的当前行为数据转发给服务器,此时服务器便可以由终端设备处获取到第一用户的当前行为数据。
第一用户的当前行为数据可以包括但不限于以下至少一种:第一用户有过操作的内容的标识,第一用户对有过操作的内容的操作次数,第一用户对有过操作的内容的评分。第一用户有过操作的内容可以包括但不限于以下至少一种:第一用户收藏的内容、第一用户点击的内容、第一用户评分的内容。
202、服务器根据当前行为数据,从兴趣主题集合中确定目标兴趣主题。
其中,所述的兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,所述的目标兴趣主题为第一用户当前感兴趣的兴趣主题。具体的,在服务器获取到第一用户的当前行为数据之后,便可以根据该当前行为数据,从对应不同用户兴趣的至少两个兴趣主题中选择第一用户当前感兴趣的兴趣主题作为目标兴趣主题。
203、服务器将目标兴趣主题对应的推荐列表提供给第一用户。
其中,在服务器确定出目标兴趣主题之后,便可以将目标兴趣主题对应的推荐列表提供给第一用户。
步骤203具体的可以是,服务器将根据历史行为数据得到的目标兴趣主题对应的推荐列表提供给第一用户。在本发明实施例中,为了能够根据用户的反馈实时的更新对应的推荐列表,以为用户提供更合适的推荐列表,步骤203具体的还可以是,服务器根据当前行为数据对目标兴趣主题对应的推荐列表进行更新(其中更新前的推荐列表可以是根据历史行为数据得到的),并将更新后的推荐列表提供给第一用户。
需要说明的是,本发明实施例中为用户提供推荐列表,具体的可以是在接收到用户的请求或反馈之后,向用户返回推荐列表,也可以是在未接收到用户的请求或反馈的情况下,主动向用户推送推荐列表。本发明实施例在此对为用户提供推荐列表的具体实现方式并不做具体限定。
本发明提供的内容推荐方法,服务器获取到第一用户的当前行为数据之后,可以根据该当前行为数据从对应不同用户兴趣的至少两个兴趣主题中确定第一用户当前感兴趣的兴趣主题,然后将该第一用户当前感兴趣的兴趣主题对应的推荐列表提供给第一用户。通过将根据用户的当前行为数据确定的兴趣主题对应的推荐列表提供给用户,使得推荐给用户的推荐列表中包括的内容均是该用户感兴趣的内容,从而解决了由于生成的推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。
图4为本发明实施例提供的另一种内容推荐方法的流程图,该方法应用于服务器01中,如图4所示,该内容推荐方法可以包括以下步骤:
需要说明的是,在本发明实施例中以建模算法为LDA主题模型为例对本发明实施例的方法进行具体介绍。
301、服务器获取历史行为数据。
其中,历史行为数据包括至少一个用户有过操作的至少一个内容。用户有过操作的内容可以包括但不限于以下至少一种:用户收藏的内容、用户点击的内容、用户评分的内容。服务器可以收集服务器中所有已注册用户(一个已注册用户可以对应一个账号,用户可以通过终端设备登录该账号)的有过操作的至少一个内容。
其中进一步的,服务器可以获取预设时间段内的历史行为数据。该预设时间段可以根据实际应用场景的需求进行设置,本发明实施例在此并不做具体限制。
示例性的,假设终端设备为IPTV机顶盒,账号为登录IPTV机顶盒所需的用户认证信息,服务器是为该IPTV机顶盒提供服务的设备,用户有过操作的内容是用户观看过的影片,且在服务器侧有三个已注册用户,那么服务器可以收集这三个已注册用户中每个用户观看过的所有影片作为历史行为数据。再假设,预设时间段为2个月,那么进一步的,服务器可以收集这三个用户两个月内观看过的所有影片作为历史行为数据。
302、服务器根据历史行为数据,依据LDA主题模型,识别出兴趣主题集合,以及兴趣主题集合中包括的每个兴趣主题包括的内容。
其中,兴趣主题集合中包括至少两个兴趣主题,且不同兴趣主题对应不同的用户兴趣。
具体的,在服务器获取到包括至少一个用户有过操作的至少一个内容的历史行为数据之后,可以根据该历史行为数据,依据LDA主题模型,(其中,LDA主题模型是本领域的成熟技术,对于LDA主题模型的具体描述,本发明实施例在此不再详细赘述)将用户当作文档,内容当作词,识别出对应不同用户兴趣的至少两个兴趣主题以及每个兴趣主题包括的内容。
依据LDA主题模型得到兴趣主题集合以及每个兴趣主题包括的内容的具体过程可以是:
首先,针对每一个用户,根据历史行为数据从一个狄利克雷分布中采样得到所有的兴趣主题,即得到兴趣主题集合,以及用户偏好每个兴趣主题的概率分布。
示例性的,执行上述操作之后得到的兴趣主题集合中包括的兴趣主题为:兴趣主题1、兴趣主题2、…、兴趣主题N。
假设按照步骤301中的例子,执行上述操作之后得到的三个用户中每个用户偏好每个兴趣主题的概率分布如表1所示。
表1
兴趣主题1 兴趣主题2 兴趣主题3 兴趣主题N
用户1 0.4 0.5 0.02 0.05
用户2 0.2 0.3 0.3 0.01
用户3 0.7 0.04 0.2 0.08
然后,针对每一个用户的每一个有过操作的内容,从用户偏好每个兴趣主题的概率分布中采样出一个兴趣主题,并从采样得到的兴趣主题在内容上的多项分布中采样出一个内容,最终得到每个兴趣主题包括的内容。
示例性的,针对每一个用户的每一个有过操作的内容执行上述过程之后可以得到:兴趣主题1包括的内容1-1、内容1-2、…、内容1-n,兴趣主题2包括的内容2-1、内容2-2、…、内容2-n,…,兴趣主题N包括的内容N-1、内容N-2、…、内容N-n。其中,每个兴趣主题可以隐含包括传统分类的多个类别,如针对用户观看影片的场景,兴趣主题1可以隐含包括传统分类中的战争片、古装片、爱情片等等中的多种,当然,每个兴趣主题也可以仅包含传统分类的一个类别。例如,在兴趣主题1中,内容1-1、内容1-2属于传统分类中的战争片,内容1-4、内容1-7、内容1-9属于传统分类中的爱情片。
303、服务器根据第一用户偏好兴趣主题集合中每个兴趣主题的概率,从兴趣主题集合中选取概率大于预设阈值的兴趣主题作为第一用户的家庭兴趣主题。
其中,为了能够减小生成推荐列表时的计算量,服务器可以根据步骤302中确定出的第一用户偏好兴趣主题集合中每个兴趣主题的概率分布,从兴趣主题集合中选取概率大于预设阈值的兴趣主题作为第一用户的家庭兴趣主题。
需要说明的是,选取用户的家庭兴趣主题时采用的预设阈值可以根据实际应用场景的需求进行设置,本发明实施例在此并不做具体限定。
示例性的,根据步骤302中的表1所示,且预设阈值为0.1,那么可以得到用户1的家庭兴趣主题包括兴趣主题1和兴趣主题2,用户2的家庭兴趣主题包括兴趣主题1、兴趣主题2和兴趣主题3,用户3的家庭兴趣主题包括兴趣主题1和兴趣主题3。
304、服务器确定家庭兴趣主题中每个兴趣主题对应的推荐列表。
其中,在服务器识别出兴趣主题集合以及兴趣主题集合中包括的每个兴趣主题对应的内容,并确定出第一用户的家庭兴趣主题之后,可以继续确定出家庭兴趣主题中每个兴趣主题对应的推荐列表。确定家庭兴趣主题中每个兴趣主题对应的推荐列表可以有如下两种方式:
针对方式一,具体的,针对第一用户(第一用户为服务器端中所有已注册用户中的任意一个),可以通过执行以下步骤来实现:
其中,服务器确定出的兴趣主题包括的内容中可以包括第一类内容和第二类内容,第一用户对所述的第一类内容的喜好程度已知,第一用户对所述的第二类内容的喜好程度未知。
步骤1:针对家庭兴趣主题中的每个兴趣主题包括的每个第二类内容,服务器获取该兴趣主题中包括的第二类内容的近邻,并根据第一用户对该第二类内容的近邻中包括的第一类内容的喜好程度,预测第一用户对该第二类内容的喜好程度,从而得到第一用户对该兴趣主题中包括的所有第二类内容的喜好程度。
示例性的,可以采用协同过滤的方法获取每个第二类内容的近邻,按照步骤302中的例子,假设用户1对兴趣主题2中的内容2-4的喜好程度未知,那么可以确定该内容2-4的近邻,具体的,可以根据公式(1)确定出内容2-4与兴趣主题2中包括的除内容2-4外其他内容的相似度,然后取相似度大于预设阈值的内容作为内容2-4的近邻,或者,可以按照相似度对除内容2-4外其他内容进行排序,然后取排在前K位的内容作为内容2-4的近邻。
其中,sim(ip,iq)表示内容ip和内容iq的相似度。
表示服务器端的所有已注册用户(按照步骤301中的例子,此处指的就是用户1、用户2和用户3)对内容ip的评分之和。
表示服务器端的所有已注册用户对内容ip、内容iq的coRating之和,其中表示用户u对内容ip的喜好程度和用户u对内容iq的喜好程度的最小值。
在计算出每个内容和其它内容的相似度之后,便可以取相似度最高的K个内容,作内容的近邻。如Nk(ip)为例,表示与内容ip相似度最高的K个内容。
其中,在确定出的第二类内容的近邻中,会包含第一类内容和第二类内容。这是由于历史行为数据包括的内容是服务器端所有已注册用户有过操作的内容,这样会存在某个内容用户1有过操作,但是用户2没有过操作,进而针对所有已注册用户中的某个用户来说,根据历史行为数据,依据LDA主题模型得到的每个兴趣主题包括的内容中会包含该用户未操作过的内容和该用户有过操作的内容,也就是说,兴趣主题包括的内容中会包含第一类内容和第二类内容,因此在确定出的第二类内容的近邻中,同样也会包含第一类内容和第二类内容。
示例性的,按照步骤301和步骤302中的例子,假设服务器端注册的用户1、用户2和用户3对兴趣主题2中包括的内容的喜好程度如表2所示。
表2
内容2-1 内容2-2 内容2-3 内容2-4 内容2-n
用户1-兴趣主题2 5.0 3.2 2.0 - -
用户2-兴趣主题2 2.1 4.0 - - 3.7
用户3-兴趣主题2 3.8 - 4.9 2.6 -
其中,表2中的“-”表示用户未观看过此内容,数值表示用户对内容的喜好程度。需要说明的是,该数值可以是用户对内容的评分,也可以是服务器根据用户的隐式反馈估计得到的数值,如用户完整的观看完一部影片,则服务器可以认为该用户对该影片的喜好程度为5.0,用户仅观看了某部影片的1/3,则服务器可以认为该用户对该影片的喜好程度为1.7。
示例性的,假设针对用户1,根据公式(1)确定出内容2-4的近邻为内容2-2、内容2-3、内容2-7、内容2-12、内容2-15,且内容2-2和内容2-3为第一类内容,内容2-7、内容2-12和内容2-15为第二类内容。
在服务器得到内容的近邻之后,示例性的,可以采用协同过滤的方法预测第一用户对第二类内容的喜好程度:假设已知用户u对内容iq的喜好程度根据公式(2)就可以预测出用户u对内容ip的喜好程度。
其中,Nk(ip)表示内容ip的K近邻,示例性的,按照步骤1中的例子,可以根据用户1对内容2-2和内容2-3的喜好程度,预测出用户1对内容2-4的喜好程度,当然,针对兴趣主题2中包括的其他第二类内容,可以重复执行上述过程,以得到用户1对该兴趣主题中包括的其他第二类内容的喜好程度,最终得到用户1对该兴趣主题中包括的所有第二类内容的喜好程度。
步骤2:服务器根据第一用户对兴趣主题中包括的所有第二类内容的喜好程度,选取预设数量的第二类内容作为与兴趣主题对应的推荐列表,以得到第一用户的家庭兴趣主题中的每个兴趣主题对应的推荐列表。
其中,在服务器预测出第一用户对兴趣主题中包括的所有第二类内容的喜好程度之后,便可以根据预测出的第一用户对兴趣主题中包括的所有第二类内容的喜好程度,选取预设数量的第二类内容作为与兴趣主题对应的推荐列表,以得到第一用户的家庭兴趣主题中的每个兴趣主题对应的推荐列表。
需要说明的是,在本发明实施例中,选取的兴趣主题对应的推荐列表中包括的内容的数量可以根据实际应用场景的需求进行设置,本发明实施例在此并不做具体限制。
需要说明的是,服务器可以针对所有已注册用户中的每个用户,通过执行上述步骤1-步骤2,以得到各个用户的家庭兴趣主题中包括的每个兴趣主题对应的推荐列表。示例性的,执行上述步骤1-步骤2之后,得到的推荐列表可以如表3和表4所示。且表3和表4仅示出了家庭兴趣主题中的部分兴趣主题对应的推荐列表,对于家庭兴趣主题中包括的其他兴趣主题对应的推荐列表与表3和表4所示的类似,本发明实施例在此不再一一赘述。
表3
推荐列表
用户1-兴趣主题1 内容1-4、内容1-7、…
用户2-兴趣主题1 内容1-3、内容1-5、内容1-9、…
用户3-兴趣主题1 内容1-2、内容1-6、…
表4
推荐列表
用户1-兴趣主题2 内容2-5、内容2-14、内容2-17、…
用户2-兴趣主题2 内容2-4、内容2-6、…
针对方式二,具体的,可以通过执行以下步骤来实现:
针对家庭兴趣主题中的每个兴趣主题包括的每个内容,服务器生成内容的近邻;其中,家庭兴趣主题中的兴趣主题包括的内容中包括第一用户当前观看的内容,将第一用户当前观看的内容的近邻作为推荐列表。
其中,服务器获取内容的近邻的方法可以参考上述方式一中获取近邻的方法,本发明实施例在此不再一一赘述。
305、服务器获取第一用户的当前行为数据。
其中,当第一用户有对内容进行操作(如收藏、点击、评分、观看)的需求时,可以通过终端设备对需操作的内容进行操作处理,这样,在第一用户对终端设备进行了操作之后,终端设备可以将获取到的第一用户的当前行为数据转发给服务器,此时服务器便可以获取第一用户的当前行为数据。
进一步的,服务器可以获取预设时间段内第一用户的行为数据作为当前行为数据。该预设时间段可以根据实际应用场景的需求进行设置,本发明实施例在此并不做具体限制。
示例性的,假设终端设备为IPTV机顶盒,服务器是为该IPTV机顶盒服务的设备,当第一用户通过对IPTV机顶盒的操作,点击了某个电影时,IPTV机顶盒可以获取第一用户的当前行为数据,且获取到的第一用户的当前行为数据包括该电影的标识和第一用户对该电影的评分,并将获取到的该当前行为数据发送至服务器,此时服务器便可以获取到第一用户的包括电影的标识和第一用户对该电影的评分的当前行为数据。例如,获取到的第一用户的当前行为数据是内容1-4的标识,且第一用户对该内容1-4的评分3.8。
其中,需要说明的是,在第一用户刚打开终端设备时,服务器可以从预先获取到的兴趣主题集合中随机选择一兴趣主题对应的推荐列表提供给用户,也可以根据第一用户偏好兴趣主题集合中每个兴趣主题的概率,将概率最大的兴趣主题对应的推荐列表提供给用户。
在服务器获取到第一用户的当前行为数据之后,可以根据该当前行为数据,从兴趣主题集合中确定出目标兴趣主题,其中,在本发明实施例中,服务器根据该当前行为数据从兴趣主题集合中确定目标兴趣主题具体的可以包括以下步骤306-步骤307:
306、服务器根据当前行为数据,依据LDA主题模型确定第一用户偏好兴趣主题集合中每个兴趣主题的概率。
其中,服务器可以根据获取到的第一用户的当前行为数据获取第一用户当前观看的内容,然后将第一用户当前观看的内容组成向量,向量的值可以表示用户对当前观看的内容的操作次数,然后,将第一用户当前观看的内容组成的向量作为LDA主题模型的输入,以得到第一用户偏好兴趣主题集合中每个兴趣主题的概率。
需要说明的是,在本发明实施例中,可以获取预设时间段内第一用户的行为数据作为当前行为数据,也就是说,获取到的第一用户的当前行为数据可以包括一个或多个第一用户当前观看的内容。且该预设时间段可以根据实际应用场景的需求进行设置,本发明实施例在此并不做具体限制。
示例性的,根据步骤305中的例子,第一用户的当前行为数据是内容1-4的标识,且第一用户对内容1-4的操作次数为1,那么将第一用户当前观看的内容组成的向量如表5所示。
表5
将表5所示的向量作为LDA主题模型的输入,得到的第一用户偏好兴趣主题集合中每个兴趣主题的概率如表6所示。
表6
兴趣主题1 兴趣主题2 兴趣主题3 兴趣主题N
第一用户 0.7 0.1 0.05 0.06
307、服务器根据第一用户偏好兴趣主题集合中每个兴趣主题的概率确定目标兴趣主题。
其中,目标兴趣主题为第一用户当前感兴趣的兴趣主题,目标兴趣主题包括至少一个第一类内容,即目标兴趣主题包括至少一个已知喜好程度的内容。服务器可以根据步骤306中确定出的第一用户偏好兴趣主题集合中每个兴趣主题的概率,将概率大于预设阈值的兴趣主题或者将概率最大的兴趣主题确定为目标兴趣主题,以得到第一用户当前感兴趣的兴趣主题。示例性的,根据步骤306中的例子,选取概率最大的兴趣主题为目标兴趣主题,则确定出的目标兴趣主题为兴趣主题1。
进一步的,在服务器根据第一用户的当前行为数据确定出目标兴趣主题之后,可以执行以下步骤308或步骤309,以为第一用户提供推荐列表。其中,步骤308或步骤309的执行可以是在再次获取到第一用户的行为数据之后执行的,也可以是在获取到第一用户的当前行为数据之后执行的,本发明实施例在此并不做具体限制。
308、服务器将目标兴趣主题对应的推荐列表提供给第一用户。
示例性的,假设第一用户为用户2,按照步骤307中的例子目标兴趣主题为主题1,并参考表3,可以得到提供给第一用户的推荐列表为表7所示。
表7
推荐列表
用户2-兴趣主题1 内容1-3、内容1-5、内容1-9、…
309、服务器根据当前行为数据更新目标兴趣主题对应的推荐列表,以便为第一用户提供更新后的推荐列表。
其中,为了能够根据用户的反馈实时的更新对应的推荐列表,在确定出目标兴趣主题之后,可以根据当前行为数据更新目标兴趣主题对应的推荐列表,并为第一用户提供更新后的推荐列表。
具体的,对应于步骤304中的方式一,可以通过以下步骤更新目标兴趣主题对应的推荐列表:
步骤1:根据当前行为数据,确定第一用户对当前观看的内容的喜好程度。
示例性的,按照步骤305中的例子,可以确定出第一用户对当前观看的内容的喜好程度为:对内容1-4的评分3.8。
步骤2:根据第一用户对当前观看的内容的喜好程度,更新目标兴趣主题包括的各个内容的近邻。
其中具体的可以是,根据第一用户对当前观看的内容的喜好程度,更新目标兴趣主题中每两个内容之间的相似度,然后根据更新后的相似度,更新目标兴趣主题包括的各个内容的近邻。
步骤3:根据第一用户对当前观看内容的喜好程度、第一用户对目标兴趣主题中包括的第一类内容的喜好程度,以及目标兴趣主题中包括的各个内容更新后的近邻,更新第一用户对目标兴趣主题中包括的所有第二类内容的喜好程度,以便更新目标兴趣主题对应的推荐列表。
其中,根据获取到的第一用户对当前观看内容的喜好程度,以及第一用户对目标兴趣主题中已知喜好程度的内容(即第一类内容)的喜好程度,根据步骤304中的公式(1)和公式(2),便可以更新目标兴趣主题对应的推荐列表。
示例性的,假设第一用户为用户2,按照步骤307中的例子,目标兴趣主题为兴趣主题1,且用户2-兴趣主题1中包括的所有内容为:内容1-1,内容1-2,内容1-3,已知用户2对内容1-1的喜好程度和用户2对内容1-2的喜好程度,那么此时,在用户2观看了内容1-4之后,根据步骤304所述,会新产生相应的,pairCount便会改变,itemCount也会随着改变,进而根据公式(1)兴趣主题1中包括的每个内容的近邻也会发生改变,根据公式(2)预测出的第二类内容的喜好程度也会随之改变,这样在根据预测出的第二类内容的喜好程度确定出的推荐列表也会发生改变,也就更新了目标兴趣主题对应的推荐列表。
具体的,对应于步骤304中的方式二,可以通过以下步骤更新目标兴趣主题对应的推荐列表:
步骤1:根据当前行为数据,确定第一用户对当前观看的内容的喜好程度。
步骤2:根据第一用户对当前观看的内容的喜好程度和目标兴趣主题中包括内容,更新第一用户当前观看的内容的近邻,将更新后的第一用户当前观看的内容的近邻作为推荐列表。
假设在向第一用户推荐了兴趣主题1对应的推荐列表之后,第一用户未对推荐列表中的内容进行操作,而是通过查找的方式操作了内容2-9,那么此时服务器可以根据终端设备返回的行为数据得知第一用户操作了内容2-9,然后服务器可以通过执行步骤306-步骤307,确定目标兴趣主题为兴趣主题2,并可以更新兴趣主题2对应的推荐列表。
若在步骤305中,确定出第一用户既操作了内容1-4,又操作了内容2-9,那么此时服务器可以通过执行步骤306-步骤307,确定目标兴趣主题为兴趣主题1和兴趣主题2,并可以更新兴趣主题1和兴趣主题2对应的推荐列表。并且,进一步的,服务器还可以根据第一用户操作兴趣主题1和兴趣主题2中内容的比重,向用户返回推荐列表。例如,用户在预设时间段内,观看了兴趣主题1中的两部影片,观看了兴趣主题2中的一部影片,假设服务器给用户提供的推荐列表中包括10部影片,此时服务器可以从兴趣主题1对应的推荐列表中选择6部影片,并从兴趣主题2对应的推荐列表中选择4部影片,提供给用户。
本发明提供的内容推荐方法,服务器获取到第一用户的当前行为数据之后,可以根据该当前行为数据从对应不同用户兴趣的至少两个兴趣主题中确定第一用户当前感兴趣的兴趣主题,然后将该第一用户当前感兴趣的兴趣主题对应的推荐列表提供给第一用户。通过将根据用户的当前行为数据确定的兴趣主题对应的推荐列表提供给用户,使得推荐给用户的推荐列表中包括的内容均是该用户感兴趣的内容,从而解决了由于生成的推荐列表中包含有用户不感兴趣的内容,导致的推荐内容资源的浪费,推荐效果不好的问题。
并且,在更新推荐列表时,仅根据的是目标兴趣主题中包括的内容,而非所有兴趣主题对应的内容,降低了更新推荐列表时的计算量,从而节省了计算资源和更新推荐列表的时间,提高了系统的实时性,提升了推荐效果。
本发明另一实施例提供一种服务器,如图5所示,该服务器可以包括:获取单元41、确定单元42、反馈单元43。
获取单元41,用于获取第一用户的当前行为数据。
确定单元42,用于根据所述获取单元41获取到的所述当前行为数据,从兴趣主题集合中确定目标兴趣主题;所述兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,所述目标兴趣主题为所述第一用户当前感兴趣的兴趣主题。
反馈单元43,用于将所述确定单元42确定出的所述目标兴趣主题对应的推荐列表提供给所述第一用户。
在本发明实施例中,进一步的,所述确定单元42,具体用于根据所述当前行为数据,依据建模算法确定所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率;根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率确定所述目标兴趣主题。
在本发明实施例中,进一步的,所述获取单元41,还用于在所述获取第一用户的当前行为数据之前,获取历史行为数据,所述历史行为数据包括至少一个用户有过操作的至少一个内容,所述至少一个用户中包括所述第一用户。
如图6所示,所述的服务器还可以包括:识别单元44。
识别单元44,用于根据所述获取单元41获取到的所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容。
在本发明实施例中,进一步的,所述识别单元44得到的所述兴趣主题包括的内容中包括第一类内容和第二类内容,所述第一用户对所述第一类内容的喜好程度已知,所述第一用户对所述第二类内容的喜好程度未知。
所述服务器还包括:选取单元45。
选取单元45,用于在所述识别单元44根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的。
针对所述第一用户,所述获取单元41,还用于针对所述家庭兴趣主题中的每个兴趣主题包括的每个第二类内容,获取所述兴趣主题中包括的第二类内容的近邻。
所述的服务器还可以包括:预测单元46。
预测单元46,用于根据所述第一用户对所述第二类内容的近邻中包括的所述第一类内容的喜好程度,预测所述第一用户对所述第二类内容的喜好程度,以得到所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度。
所述选取单元45,还用于根据所述预测单元46得到的所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度,选取预设数量的所述第二类内容作为与所述兴趣主题对应的推荐列表,以得到所述家庭兴趣主题中的每个兴趣主题对应的推荐列表,以便将所述推荐列表提供给所述第一用户。
在本发明实施例中,进一步的,所述的服务器还可以包括:更新单元47。
更新单元47,用于根据所述获取单元41获取到的所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表。
所述更新单元47,具体用于根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;根据所述第一用户对当前观看的内容的喜好程度,更新所述目标兴趣主题包括的各个内容的近邻;根据所述第一用户对当前观看内容的喜好程度、所述第一用户对所述目标兴趣主题中包括的所述第一类内容的喜好程度,以及所述目标兴趣主题中包括的各个内容更新后的近邻,更新所述第一用户对所述目标兴趣主题中包括的所有所述第二类内容的喜好程度,以便更新所述目标兴趣主题对应的推荐列表。
在本发明实施例中,进一步的,所述目标兴趣主题对应的推荐列表是所述第一用户当前观看的内容的近邻,所述第一用户当前观看的内容是根据所述当前行为数据确定的内容。
选取单元45,用于在所述识别单元44根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的。
所述获取单元41,还用于针对所述家庭兴趣主题中的每个兴趣主题包括的每个内容,生成所述内容的近邻,以便将所述内容的近邻作为推荐列表提供给所述第一用户。
其中,所述家庭兴趣主题中的兴趣主题包括的内容中包括所述第一用户当前观看的内容。
在本发明实施例中,进一步的,所述服务器还包括:更新单元47。
更新单元47,用于根据所述获取单元41获取到的所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表。
所述更新单元47,具体用于根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;根据所述第一用户对当前观看的内容的喜好程度和所述目标兴趣主题中包括的内容,更新所述第一用户当前观看的内容的近邻,将更新后的所述第一用户当前观看的内容的近邻作为所述推荐列表。
在本发明实施例中,进一步的,所述获取单元41获取到的所述当前行为数据包括:所述第一用户有过操作的内容的标识、所述第一用户对有过操作的内容的操作次数、所述第一用户对所述有过操作的内容的评分;所述第一用户有过操作的内容包括:所述第一用户收藏的内容、所述第一用户点击的内容、所述第一用户评分的内容中的至少一种。
其中,需要说明的是,本实施例中的获取单元41,可以为服务器上具备接收功能的接口电路。反馈单元43,可以为服务器上具备发送功能的接口电路。确定单元42、识别单元44、选取单元45、预测单元46、和更新单元47可以分别为单独设立的处理器,也可以集成在服务器的某一个处理器中实现,此外,也可以以程序代码的形式存储于服务器的存储器中,由服务器的某一个处理器调用并执行以上确定单元42、识别单元44、选取单元45、预测单元46和更新单元47的功能。这里所述的处理器可以是一个CPU,或者是ASIC,或者是被配置成实施本发明实施例的一个或多个集成电路。
需要说明的是,本发明实施例提供的服务器中各功能模块的具体工作过程可以参考方法实施例中对应过程的具体描述,本发明实施例在此不再详细赘述。
本发明实施例提供的服务器,用于执行上述内容推荐方法,因此可以达到与上述内容推荐方法相同的效果。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。

Claims (17)

1.一种内容推荐方法,其特征在于,包括:
获取第一用户的当前行为数据;
根据所述当前行为数据,从兴趣主题集合中确定目标兴趣主题;所述兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,所述目标兴趣主题为所述第一用户当前感兴趣的兴趣主题;
将所述目标兴趣主题对应的推荐列表提供给所述第一用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前行为数据,从兴趣主题集合中确定目标兴趣主题,包括:
根据所述当前行为数据,依据建模算法确定所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率;
根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率确定所述目标兴趣主题。
3.根据权利要求1或2所述的方法,其特征在于,在所述获取第一用户的当前行为数据之前,还包括:
获取历史行为数据,所述历史行为数据包括至少一个用户有过操作的至少一个内容,所述至少一个用户中包括所述第一用户;
根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容。
4.根据权利要求3所述的方法,其特征在于,所述兴趣主题包括的内容中包括第一类内容和第二类内容,所述第一用户对所述第一类内容的喜好程度已知,所述第一用户对所述第二类内容的喜好程度未知;
在所述根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,所述方法还包括:
根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的;
针对所述家庭兴趣主题中的每个兴趣主题包括的每个第二类内容,获取所述兴趣主题中包括的第二类内容的近邻,并根据所述第一用户对所述第二类内容的近邻中包括的所述第一类内容的喜好程度,预测所述第一用户对所述第二类内容的喜好程度,以得到所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度;
根据所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度,选取预设数量的所述第二类内容作为与所述兴趣主题对应的推荐列表,以得到所述家庭兴趣主题中的每个兴趣主题对应的推荐列表,以便将所述推荐列表提供给所述第一用户。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表;
所述根据所述当前行为数据更新所述目标兴趣主题对应的推荐列表,包括:
根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;
根据所述第一用户对当前观看的内容的喜好程度,更新所述目标兴趣主题包括的各个内容的近邻;
根据所述第一用户对当前观看内容的喜好程度、所述第一用户对所述目标兴趣主题中包括的所述第一类内容的喜好程度,以及所述目标兴趣主题中包括的各个内容更新后的近邻,更新所述第一用户对所述目标兴趣主题中包括的所有所述第二类内容的喜好程度,以便更新所述目标兴趣主题对应的推荐列表。
6.根据权利要求3所述的方法,其特征在于,所述目标兴趣主题对应的推荐列表是所述第一用户当前观看的内容的近邻,所述第一用户当前观看的内容是根据所述当前行为数据确定的内容;
在所述根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,所述方法还包括:
根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的;
针对所述家庭兴趣主题中的每个兴趣主题包括的每个内容,生成所述内容的近邻,以便将所述内容的近邻作为推荐列表提供给所述第一用户;
其中,所述家庭兴趣主题中的兴趣主题包括的内容中包括所述第一用户当前观看的内容。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表;
所述根据所述当前行为数据更新所述目标兴趣主题对应的推荐列表,包括:
根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;
根据所述第一用户对当前观看的内容的喜好程度和所述目标兴趣主题中包括的内容,更新所述第一用户当前观看的内容的近邻,将更新后的所述第一用户当前观看的内容的近邻作为所述推荐列表。
8.根据权利要求1-7中任一项所述的方法,其特征在于,
所述当前行为数据包括:所述第一用户有过操作的内容的标识、所述第一用户对有过操作的内容的操作次数、所述第一用户对所述有过操作的内容的评分;
所述第一用户有过操作的内容包括:所述第一用户收藏的内容、所述第一用户点击的内容、所述第一用户评分的内容中的至少一种。
9.一种服务器,其特征在于,包括:
获取单元,用于获取第一用户的当前行为数据;
确定单元,用于根据所述获取单元获取到的所述当前行为数据,从兴趣主题集合中确定目标兴趣主题;所述兴趣主题集合中包括至少两个兴趣主题,且不同的兴趣主题对应不同的用户兴趣,所述目标兴趣主题为所述第一用户当前感兴趣的兴趣主题;
反馈单元,用于将所述确定单元确定出的所述目标兴趣主题对应的推荐列表提供给所述第一用户。
10.根据权利要求9所述的服务器,其特征在于,所述确定单元,具体用于:
根据所述当前行为数据,依据建模算法确定所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率;
根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率确定所述目标兴趣主题。
11.根据权利要求9或10所述的服务器,其特征在于,
所述获取单元,还用于在所述获取第一用户的当前行为数据之前,获取历史行为数据,所述历史行为数据包括至少一个用户有过操作的至少一个内容,所述至少一个用户中包括所述第一用户;
所述服务器还包括:
识别单元,用于根据所述获取单元获取到的所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容。
12.根据权利要求11所述的服务器,其特征在于,所述识别单元得到的所述兴趣主题包括的内容中包括第一类内容和第二类内容,所述第一用户对所述第一类内容的喜好程度已知,所述第一用户对所述第二类内容的喜好程度未知;
所述服务器还包括:
选取单元,用于在所述识别单元根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的;
所述获取单元,还用于针对所述家庭兴趣主题中的每个兴趣主题包括的每个第二类内容,获取所述兴趣主题中包括的第二类内容的近邻;
预测单元,用于根据所述第一用户对所述第二类内容的近邻中包括的所述第一类内容的喜好程度,预测所述第一用户对所述第二类内容的喜好程度,以得到所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度;
所述选取单元,还用于根据所述预测单元得到的所述第一用户对所述兴趣主题中包括的所有所述第二类内容的喜好程度,选取预设数量的所述第二类内容作为与所述兴趣主题对应的推荐列表,以得到所述家庭兴趣主题中的每个兴趣主题对应的推荐列表,以便将所述推荐列表提供给所述第一用户。
13.根据权利要求12所述的服务器,其特征在于,所述服务器还包括:
更新单元,用于根据所述获取单元获取到的所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表;
所述更新单元,具体用于:
根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;
根据所述第一用户对当前观看的内容的喜好程度,更新所述目标兴趣主题包括的各个内容的近邻;
根据所述第一用户对当前观看内容的喜好程度、所述第一用户对所述目标兴趣主题中包括的所述第一类内容的喜好程度,以及所述目标兴趣主题中包括的各个内容更新后的近邻,更新所述第一用户对所述目标兴趣主题中包括的所有所述第二类内容的喜好程度,以便更新所述目标兴趣主题对应的推荐列表。
14.根据权利要求11所述的服务器,其特征在于,所述目标兴趣主题对应的推荐列表是所述第一用户当前观看的内容的近邻,所述第一用户当前观看的内容是根据所述当前行为数据确定的内容;
所述服务器还包括:
选取单元,用于在所述识别单元根据所述历史行为数据,依据建模算法,识别出所述兴趣主题集合,以及所述兴趣主题集合中包括的每个兴趣主题包括的内容之后,根据所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率,从所述兴趣主题集合中选取概率大于预设阈值的兴趣主题作为所述第一用户的家庭兴趣主题;所述第一用户偏好所述兴趣主题集合中每个兴趣主题的概率是根据所述历史行为数据得到的;
所述获取单元,还用于针对所述家庭兴趣主题中的每个兴趣主题包括的每个内容,生成所述内容的近邻,以便将所述内容的近邻作为推荐列表提供给所述第一用户;
其中,所述家庭兴趣主题中的兴趣主题包括的内容中包括所述第一用户当前观看的内容。
15.根据权利要求14所述的服务器,其特征在于,所述服务器还包括:
更新单元,用于根据所述获取单元获取到的所述当前行为数据更新所述目标兴趣主题对应的推荐列表,以便为所述第一用户提供更新后的推荐列表;
所述更新单元,具体用于:
根据所述当前行为数据,确定所述第一用户对当前观看的内容的喜好程度;
根据所述第一用户对当前观看的内容的喜好程度和所述目标兴趣主题中包括的内容,更新所述第一用户当前观看的内容的近邻,将更新后的所述第一用户当前观看的内容的近邻作为所述推荐列表。
16.根据权利要求9-15中任一项所述的服务器,其特征在于,
所述获取单元获取到的所述当前行为数据包括:所述第一用户有过操作的内容的标识、所述第一用户对有过操作的内容的操作次数、所述第一用户对所述有过操作的内容的评分;
所述第一用户有过操作的内容包括:所述第一用户收藏的内容、所述第一用户点击的内容、所述第一用户评分的内容中的至少一种。
17.一种服务器,其特征在于,包括:至少一个处理器,存储器、至少一个通信接口和通信总线;所述至少一个处理器与所述存储器、所述至少一个通信接口通过所述通信总线连接;
其中,所述存储器,用于存储指令;
所述处理器,用于执行所述存储器存储的指令,以实现如权利要求1-8中任一项所述的内容推荐方法。
CN201610247671.7A 2016-04-20 2016-04-20 一种内容推荐方法及服务器 Active CN107306355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610247671.7A CN107306355B (zh) 2016-04-20 2016-04-20 一种内容推荐方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610247671.7A CN107306355B (zh) 2016-04-20 2016-04-20 一种内容推荐方法及服务器

Publications (2)

Publication Number Publication Date
CN107306355A true CN107306355A (zh) 2017-10-31
CN107306355B CN107306355B (zh) 2019-10-25

Family

ID=60151767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610247671.7A Active CN107306355B (zh) 2016-04-20 2016-04-20 一种内容推荐方法及服务器

Country Status (1)

Country Link
CN (1) CN107306355B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062415A (zh) * 2018-01-02 2018-05-22 武汉斗鱼网络科技有限公司 用户行为的统计方法、装置及终端设备
CN108230101A (zh) * 2017-12-29 2018-06-29 百度在线网络技术(北京)有限公司 信息推荐方法和装置
CN108256018A (zh) * 2018-01-09 2018-07-06 北京奇艺世纪科技有限公司 一种物品推荐方法及装置
CN109376297A (zh) * 2018-08-31 2019-02-22 中国联合网络通信集团有限公司 用户特征数据处理方法和装置
CN110110197A (zh) * 2017-12-25 2019-08-09 北京京东尚科信息技术有限公司 信息获取方法和装置
CN111191165A (zh) * 2019-12-05 2020-05-22 腾讯科技(深圳)有限公司 数据处理的方法、装置、设备及计算机可读存储介质
CN111723349A (zh) * 2019-03-18 2020-09-29 顺丰科技有限公司 一种用户识别方法、装置、设备及存储介质
CN111881355A (zh) * 2020-07-28 2020-11-03 北京深演智能科技股份有限公司 对象的推荐方法、装置、存储介质和处理器
WO2020238502A1 (zh) * 2019-05-31 2020-12-03 京东方科技集团股份有限公司 物品推荐方法及装置、电子设备及存储介质
CN112052397A (zh) * 2020-09-29 2020-12-08 北京百度网讯科技有限公司 用户特征生成方法、装置、电子设备及存储介质
WO2022148038A1 (zh) * 2021-01-11 2022-07-14 北京达佳互联信息技术有限公司 信息推荐方法及装置
CN115398928A (zh) * 2020-05-19 2022-11-25 葫芦有限责任公司 用于视频传输系统的模块化用户界面

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495872A (zh) * 2011-11-30 2012-06-13 中国科学技术大学 对移动设备用户进行个性化新闻推荐的方法和装置
WO2012138667A1 (en) * 2011-04-05 2012-10-11 Netflix, Inc. Recommending digital content based on implicit user identification
CN102999588A (zh) * 2012-11-15 2013-03-27 广州华多网络科技有限公司 一种多媒体应用的推荐方法和系统
WO2013065305A1 (en) * 2011-11-04 2013-05-10 Sony Corporation Information processing device, information processing method, and program
WO2013118232A1 (ja) * 2012-02-09 2013-08-15 パナソニック株式会社 情報推薦装置、情報推薦システム、情報推薦方法、及び、プログラム
CN103500212A (zh) * 2013-09-30 2014-01-08 乐视网信息技术(北京)股份有限公司 一种多媒体文件推荐方法及电子设备
CN104053023A (zh) * 2014-06-13 2014-09-17 海信集团有限公司 一种确定视频相似度的方法及装置
CN104661055A (zh) * 2013-11-21 2015-05-27 中兴通讯股份有限公司 一种业务推荐方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138667A1 (en) * 2011-04-05 2012-10-11 Netflix, Inc. Recommending digital content based on implicit user identification
WO2013065305A1 (en) * 2011-11-04 2013-05-10 Sony Corporation Information processing device, information processing method, and program
CN102495872A (zh) * 2011-11-30 2012-06-13 中国科学技术大学 对移动设备用户进行个性化新闻推荐的方法和装置
WO2013118232A1 (ja) * 2012-02-09 2013-08-15 パナソニック株式会社 情報推薦装置、情報推薦システム、情報推薦方法、及び、プログラム
CN102999588A (zh) * 2012-11-15 2013-03-27 广州华多网络科技有限公司 一种多媒体应用的推荐方法和系统
CN103500212A (zh) * 2013-09-30 2014-01-08 乐视网信息技术(北京)股份有限公司 一种多媒体文件推荐方法及电子设备
CN104661055A (zh) * 2013-11-21 2015-05-27 中兴通讯股份有限公司 一种业务推荐方法及装置
CN104053023A (zh) * 2014-06-13 2014-09-17 海信集团有限公司 一种确定视频相似度的方法及装置

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110197A (zh) * 2017-12-25 2019-08-09 北京京东尚科信息技术有限公司 信息获取方法和装置
CN110110197B (zh) * 2017-12-25 2021-08-03 北京京东尚科信息技术有限公司 信息获取方法和装置
CN108230101A (zh) * 2017-12-29 2018-06-29 百度在线网络技术(北京)有限公司 信息推荐方法和装置
CN108230101B (zh) * 2017-12-29 2022-05-17 百度在线网络技术(北京)有限公司 信息推荐方法和装置
CN108062415A (zh) * 2018-01-02 2018-05-22 武汉斗鱼网络科技有限公司 用户行为的统计方法、装置及终端设备
CN108256018A (zh) * 2018-01-09 2018-07-06 北京奇艺世纪科技有限公司 一种物品推荐方法及装置
CN109376297A (zh) * 2018-08-31 2019-02-22 中国联合网络通信集团有限公司 用户特征数据处理方法和装置
CN111723349A (zh) * 2019-03-18 2020-09-29 顺丰科技有限公司 一种用户识别方法、装置、设备及存储介质
WO2020238502A1 (zh) * 2019-05-31 2020-12-03 京东方科技集团股份有限公司 物品推荐方法及装置、电子设备及存储介质
CN111191165A (zh) * 2019-12-05 2020-05-22 腾讯科技(深圳)有限公司 数据处理的方法、装置、设备及计算机可读存储介质
CN115398928A (zh) * 2020-05-19 2022-11-25 葫芦有限责任公司 用于视频传输系统的模块化用户界面
US11956508B2 (en) 2020-05-19 2024-04-09 Hulu, LLC Modular user interface for video delivery system
CN115398928B (zh) * 2020-05-19 2024-06-11 葫芦有限责任公司 用于视频传输系统的模块化用户界面
CN111881355A (zh) * 2020-07-28 2020-11-03 北京深演智能科技股份有限公司 对象的推荐方法、装置、存储介质和处理器
CN111881355B (zh) * 2020-07-28 2023-03-10 北京深演智能科技股份有限公司 对象的推荐方法、装置、存储介质和处理器
CN112052397A (zh) * 2020-09-29 2020-12-08 北京百度网讯科技有限公司 用户特征生成方法、装置、电子设备及存储介质
CN112052397B (zh) * 2020-09-29 2024-05-03 北京百度网讯科技有限公司 用户特征生成方法、装置、电子设备及存储介质
WO2022148038A1 (zh) * 2021-01-11 2022-07-14 北京达佳互联信息技术有限公司 信息推荐方法及装置

Also Published As

Publication number Publication date
CN107306355B (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN107306355A (zh) 一种内容推荐方法及服务器
CN108108821B (zh) 模型训练方法及装置
CN106357517B (zh) 定向标签生成方法及装置
CN103138954B (zh) 一种推荐项的推送方法、系统及推荐服务器
CN109684478A (zh) 分类模型训练方法、分类方法及装置、设备和介质
CN110573837B (zh) 导航方法、装置、存储介质以及服务器
CN102937995B (zh) 一种交互信息处理方法及装置
EP3047392A1 (en) System and method for actively obtaining social data
CN105808649B (zh) 一种搜索结果排序方法及其设备
CN106484858A (zh) 热点内容推送方法和装置
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN103390194A (zh) 用户意图预测及推荐建议的方法、设备和系统
CN107545451B (zh) 一种广告推送方法及装置
CN110555172B (zh) 用户关系挖掘方法及装置、电子设备和存储介质
CN101901252A (zh) 一种整合多个网站中同一用户数据的方法及整合平台
CN110335123B (zh) 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置
CN111340522B (zh) 资源推荐方法、装置、服务器及存储介质
CN104052714A (zh) 多媒体信息的推送方法及服务器
CN106777341A (zh) 信息处理方法、装置及计算机设备
CN107634897A (zh) 群推荐方法和装置
US20240193402A1 (en) Method and apparatus for determining representation information, device, and storage medium
CN104683370A (zh) 一种内容聚合方法、服务器、客户端以及系统
CN105022807A (zh) 信息推荐方法及装置
CN108446311A (zh) 一种基于社交网络的app推荐方法及装置
CN112883725B (zh) 一种文案生成方法、装置、电子设备、存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant