CN107391680A - 内容推荐方法、装置和设备 - Google Patents
内容推荐方法、装置和设备 Download PDFInfo
- Publication number
- CN107391680A CN107391680A CN201710605696.4A CN201710605696A CN107391680A CN 107391680 A CN107391680 A CN 107391680A CN 201710605696 A CN201710605696 A CN 201710605696A CN 107391680 A CN107391680 A CN 107391680A
- Authority
- CN
- China
- Prior art keywords
- default feature
- weight
- feature tag
- content
- recommendation
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了内容推荐方法、装置和设备。该方法的一具体实施方式包括:获取用户对应于多个预设特征标签的特征信息和待推荐内容;基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数;向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容;其中,推荐权重按照如下方式确定:对各预设特征标签进行聚类,以确定各预设特征标签的类别标签;构建包括准则层、子准则层和目标层的层次结构模型,其中,子准则层的各元素为各预设特征标签,准则层的各元素为各类别标签;基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,作为各预设特征标签的推荐权重。该实施方式能够提升推荐效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及内容推荐方法、装置和设备。
背景技术
随着互联网技术的发展,人们可以通过互联网进行越来越多的活动,例如获取新闻消息、收发邮件、在线上平台购物等等。为了提升为用户提供内容的效率,在用户通过互联网访问网络资源的时候,网站或平台可以向用户推荐用户可能感兴趣的内容。
现有的内容推荐方法通常会根据用户的历史浏览记录、搜索记录等网络行为数据来甄别用户可能感兴趣的内容类型,进而向用户推荐对应类型的内容。然而这种方法仅能够确定推荐的内容的类型,无法进一步判断该类型的内容中是否包含用户感兴趣的内容,用户需要在被推荐的该类型的内容中进一步进行筛选或浏览其他类型的内容。因此,现有的内容推荐方法无法精准定位用户感兴趣的内容,内容推荐的效率和转化率有待提升。
发明内容
为了解决上述背景技术部分提到的一个或多个问题,本申请提供了内容推荐方法、装置和设备。
一方面,本申请实施例提供了一种内容推荐方法,包括:获取用户对应于多个预设特征标签的特征信息和待推荐内容;基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数;向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容;其中,推荐权重按照如下方式确定:对各预设特征标签进行聚类,以确定各预设特征标签的类别标签;构建包括准则层、子准则层和目标层的层次结构模型,其中,子准则层的各元素为各预设特征标签,准则层的各元素为各类别标签;基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,作为各预设特征标签的推荐权重。
在一些实施例中,基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数,包括:确定各特征信息对应于各待推荐内容的得分;对于每一个待推荐内容,将各预设特征标签的推荐权重作为对应的特征信息的权重,计算各特征信息的得分的加权和,作为待推荐内容的推荐指数。
在一些实施例中,基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,包括:确定每个类别标签对应的各预设特征标签间的相对重要性尺度;确定各类别标签间的相对重要性尺度;基于各预设特征标签间的相对重要性尺度计算各预设特征标签相对于对应的类别标签的第一权重;基于各类别标签间的相对重要性尺度计算各类别标签相对于目标层的第二权重;将预设特征标签的相对于对应的类别标签的第一权重与对应的类别标签相对于目标层的第二权重的乘积作为预设特征标签对应于目标层的权重。
在一些实施例中,上述基于各预设特征标签间的相对重要性尺度计算各预设特征标签相对于对应的类别标签的第一权重,包括:基于每个类别标签Ak对应的各预设特征标签间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,第一判断矩阵X中的元素xij为第i个预设特征标签相对于第j个预设特征标签的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量;对第一判断矩阵进行一致性检验;若第一判断矩阵通过一致性检验,按照如下方式计算各预设特征标签的权重:对第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n;以及上述基于各类别标签间的相对重要性尺度计算各类别标签相对于目标层的第二权重,包括:基于各类别标签间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;对第二判断矩阵进行一致性检验;若第二判断矩阵通过一致性检验,按照如下方式计算各类别标签的权重:对第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
在一些实施例中,向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容,包括:根据推荐指数对各待推荐内容进行排序;根据各待推荐内容的排序确定出至少一个目标推荐内容;向用户推荐目标推荐内容。
在一些实施例中,类别标签包括:基本属性、消费特征、价值特征以及偏好特征;预设特征标签包括:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。
第二方面,本申请实施例提供了一种内容推荐装置,包括:获取单元,配置用于获取用户对应于多个预设特征标签的特征信息和待推荐内容;确定单元,配置用于利用层次分析法确定各预设特征标签的推荐权重;计算单元,配置用于基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数;推荐单元,配置用于向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容;其中,确定单元配置用于按照如下方式确定推荐权重:对各预设特征标签进行聚类,以确定各预设特征标签的类别标签;构建包括准则层、子准则层和目标层的层次结构模型,其中,子准则层的各元素为各预设特征标签,准则层的各元素为各类别标签;基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,作为各预设特征标签的推荐权重。
在一些实施例中,上述计算单元进一步配置用于按照如下方式计算各待推荐内容的推荐指数:确定各特征信息对应于各待推荐内容的得分;对于每一个待推荐内容,将各预设特征标签的推荐权重作为对应的特征信息的权重,计算各特征信息的得分的加权和,作为待推荐内容的推荐指数。
在一些实施例中,上述确定单元进一步配置用于按照如下方式计算子准则层的各元素对应于目标层的权重:确定每个类别标签对应的各预设特征标签间的相对重要性尺度;确定各类别标签间的相对重要性尺度;基于各预设特征标签间的相对重要性尺度计算各预设特征标签相对于对应的类别标签的第一权重;基于各类别标签间的相对重要性尺度计算各类别标签相对于目标层的第二权重;将预设特征标签的相对于对应的类别标签的第一权重与对应的类别标签相对于目标层的第二权重的乘积作为预设特征标签对应于目标层的权重。
在一些实施例中,上述确定单元进一步配置用于按照如下方式计算各预设特征标签相对于对应的类别标签的第一权重:基于每个类别标签Ak对应的各预设特征标签间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,第一判断矩阵X中的元素xij为第i个预设特征标签相对于第j个预设特征标签的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量;对第一判断矩阵进行一致性检验;若第一判断矩阵通过一致性检验,按照如下方式计算各预设特征标签的权重:对第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n;上述确定单元进一步配置用于按照如下方式计算各类别标签相对于目标层的第二权重:基于各类别标签间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;对第二判断矩阵进行一致性检验;若第二判断矩阵通过一致性检验,按照如下方式计算各类别标签的权重:对第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
在一些实施例中,推荐单元进一步配置用于按照如下方式推荐目标推荐内容:根据推荐指数对各待推荐内容进行排序;根据各待推荐内容的排序确定出至少一个目标推荐内容;向用户推荐目标推荐内容。
在一些实施例中,类别标签包括:基本属性、消费特征、价值特征以及偏好特征;预设特征标签包括:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。
第三方面,本申请实施例提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本申请第一方面提供的内容推荐方法。
本申请提供的内容推荐方法、装置和设备,通过获取用户对应于多个预设特征标签的特征信息和待推荐内容,随后基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数,最后向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容,其中推荐权重由基于预设特征标签构建的层次结构模型得出,可以精准地确定出用户感兴趣的内容,提升了推荐效率和转化率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的内容推荐方法的一个实施例的流程图;
图3是根据本申请的确定推荐权重的方法一个实施例的流程图;
图4是根据本申请的确定权重的方法中构建的层次结构模型的一个结构示意图;
图5是根据本申请的内容推荐装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送信息等。终端设备101、102、103上可以安装有各种互联网客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持信息查阅的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的购物类应用、搜索引擎、文件管理类应用等提供支持的数据库服务器或云服务器。服务器可以对接收到的数据进行存储、分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的内容推荐方法可以由终端设备101、102、103或服务器105执行,相应地,内容推荐装置可以设置于终端设备101、102、103或服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的内容推荐方法的一个实施例的流程200。该内容推荐方法,可以包括以下步骤:
步骤201,获取用户对应于多个预设特征标签的特征信息和待推荐内容。
在本实施例中,内容推荐方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以获取用户的特征信息和待推荐内容,其中,用户的特征信息可以对应于多个预设特征标签。预设特征标签可以为特征信息的预设标签,该预设标签可以为特征信息的标识,例如用户的年龄信息、职业信息对应于预设特征标签“个人属性”,用户的详细消费记录对应于预设特征标签“消费详情”等等。
在这里,上述电子设备可以预先配置预设特征标签。在获取用户的特征信息时,可以查找预设特征标签对应的特征信息,例如当预设特征标签包括“个人属性”、“消费详情”时,可以获取与“个人属性”对应的用户的年龄、性别、职业、学历、地址、资产状况等特征信息,与“消费详情”对应的最近一次线上消费的金额、时间、消费对象等信息。这样,在获取用户的特征信息时,可以按照预设特征标签对特征信息进行分组,将获取到的特征信息归入不同的预设特征标签的组别中。
通常,用户利用终端上安装的网络应用来访问网络,这时,用户可以在网络应用中浏览网络页面、点击网络页面中的链接、在网络页面中输入个人信息或键入搜索词,这时,上述电子设备可以保存用户的操作行为数据(例如点击操作、浏览同一页面的次数)以及用户提交的数据(例如键入的搜索词),并与用户的标识信息或用户访问网络所采用的终端的标识关联地存储。这样,在进行内容推荐时,上述电子设备可以根据用户的标识或终端的标识获取已存储的、对应于预设特征标签的用户的特征信息。
在本实施例中,上述电子设备还可以获取待推荐内容。待推荐内容可以为从内容库中预先确定出的内容,可以为文字、图片、视频、音频等格式的内容。待推荐内容可以包含内容的名称、类型、关联内容等详情信息。具体地,待推荐内容可以为待推送的新闻、视频、商品等。在实际场景中,待推荐内容可以为热点新闻、热门视频、热销商品或促销商品等。
步骤202,基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数。
上述步骤201中可以获取多项待推荐内容,在本实施例中,可以利用层次分析法来从各待推荐内容中确定出一项或多项,作为向用户推荐的目标内容。具体地,可以计算各项待推荐内容的推荐指数,根据推荐指数来进行推荐决策。推荐指数可以是衡量用户对待推荐内容的兴趣度的指标,推荐指数越高,则用户对待推荐内容的兴趣度越高,用户在获取内容时所消耗的网络流量越少,推荐效率越高。
在本实施例中,上述电子设备可以根据获取的用户的特征信息和各预设特征标签的推荐权重计算各待推荐内容的推荐指数,其中推荐权重可以表征预设特征标签对推荐指数计算结果的重要程度,可以利用层次分析法确定。具体地,可以将用户的特征信息量化,并根据对应的各预设特征标签的权重,计算出用户的特征信息的总得分,即为待推荐内容的推荐指数。
在计算推荐指数时,对于不同的待推荐内容,用户的特征信息的量化值可以不相同。举例来说,若用户的年龄信息为20-30岁,则该年龄信息对于保健品相关的待推荐内容和电子产品相关的待推荐内容的量化值可例如分别为1和9;若用户的性别信息为女性,则该性别信息对于化妆品相关的待推荐内容和电子竞技类待推荐内容的量化值可例如分别为8和2,等等。上述用户特征信息的量化值可以根据经验确定,也可以基于大数量的训练数据、利用机器学习算法计算得出。这样,对于同一用户,不同的待推荐内容的推荐指数不相同,由此可以确定出用户感兴趣的内容。
在本实施例中,上述推荐权重可以按照如图3所示的确定推荐权重的方法的流程300计算得出。
如图3所示,本实施的确定推荐权重的方法的流程300,包括以下步骤:
步骤301,对各预设特征标签进行聚类,以确定各预设特征标签的类别标签。
上述预设特征标签具有类别特性,在本实施例中,可以采用聚类的方式将预设特征标签归入不同的类别,并将预设特征标签被归入的类别的标识作为该预设特征标签的类别标签。具体地,可以采用多种聚类方法确定各预设特征标签的类别标签。在一些可选的实现方式中,可以以预设特征标签间的关联性为依据进行聚类,例如预设特征标签“个人属性”和“社会关系属性”,二者具有相关联的标签“属性”,则可以划分为同一类别,“个人属性”和“平台影响力”的关联性较弱,则可以划分为不同的类别。在另一些可选的实现方式中,上述电子设备可以预先配置类别标签,这时可以将每个预设特征标签与其中一个类别标签关联起来,从而获得各预设特征标签的类别标签。需要说明的是,本申请实施例还可以采用已有的其他聚类方法对各预设特征标签进行聚类,并对每一类配置一个类别标签,这样,每个预设特征标签都对应一个类别标签,每个类别标签对应的类别中可以包含多个预设特征标签。
步骤302,构建包括准则层、子准则层和目标层的层次结构模型,其中,子准则层的各元素为各预设特征标签,准则层的各元素为各类别标签。
在确定各预设特征标签的类别标签之后,可以构建层次结构模型,以利用层次分析法对层次结构模型进行分析。在这里,层次结构模型可以包括位于最高层的目标层,位于目标层下方的准则层和子准则层。
请参考图4,其示出了根据本申请的确定权重的方法中构建的层次结构模型的一个结构示意图。
如图4所示,层级结构模型400的最高层为目标层,目标层为构建该层次结构的决策目标,在本实施例中,目标层为从待推荐内容中确定出目标内容。层级结构模型400还包括准则层和子准则层,准则层的元素可以作为对目标层的决策具有直接的影响力的评价准则,子准则层的元素可以作为对准则层的元素的决策具有直接影响力、对目标层的决策具有间接影响力的评价标准。在本实施例中,准则层的各元素为各类别标签A1、A2、A3、…、Am,子准则层的各元素为各类别标签对应的各预设特征标签,例如类别标签A1对应的预设特征标签B11、B12、…、B1n1,类别标签A2对应的预设特征标签B21、B22、…、B2n2,类别标签A3对应的预设特征标签B31、B32、…、B3n3,类别标签Am对应的预设特征标签Bm1、Bm2、…、Bmnm。其中,m、n1、n2、n3、…、nm均为正整数。
步骤303,基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,作为各预设特征标签的推荐权重。
本实施例中上述电子设备获取的用户的特征信息为对应于各预设特征标签的特征信息,可以利用层次分析法计算出各预设特征标签对应于目标层的权重,将该权重作为各预设特征标签的推荐权重。
具体地,可以首先将子准则层的每个元素作为第一备选元素,对应的准则层的元素作为第一决策目标,计算各第一备选元素对应于第一决策目标的权重;而后将准则层的各元素作为第二备选元素,目标层作为第二决策目标,计算各第二备选元素对应于第二决策目标的权重,之后将子准则层中某一元素对应于第一决策目标的权重和准则层的第一决策目标对应于第二决策目标的权重相乘,得出子准则层中的该元素对应于第二决策目标的权重,即为各预设特征标签的推荐权重。
在本实施例中,将与用户的特征信息对应的预设特征标签作为层次结构模型的最底层的子准则层,对预设特征标签的类别标签作为中间的准则层,在计算权重时可以利用子准则层对准则层的影响力以及准则层对目标层的影响力计算得出子准则层对目标层的影响力,即预设特征标签对于目标层的权重,这样,结合步骤202获取的用户的特征信息,将预设特征标签的权重作为对应的用户的特征信息的权重,可以计算出目标层的推荐指数。
返回图2,在步骤203中,向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容。
在得出各待推荐内容的推荐指数之后,可以根据推荐指数选择出满足预设条件的待推荐内容作为目标推荐内容,并向用户推荐该目标推荐内容。上述预设条件可以预先根据经验进行配置,也可以根据大数据量样本数据的机器学习训练结果得出,可以为推荐指数大于设定的阈值,或推荐指数最高等等。
本申请上述实施例提供的内容推荐方法,利用构建的层次结构模型确定出用户的各项特征信息的权重,并基于特征信息和对应的权重得到各待推荐内容的推荐指数,可以精准地确定出用户感兴趣的内容,提升了推荐效率,能够提升用户对推荐的内容的关注度和进行关联操作的概率,即提升了推荐内容的转换率。
在本实施例的一些可选的实现方式中,在上述步骤202中,可以按照如下方式计算各待推荐内容的推荐指数:确定各特征信息对应于各待推荐内容的得分;对于每一个待推荐内容,将各预设特征标签的推荐权重作为对应的特征信息的权重,计算各特征信息的得分的加权和,作为待推荐内容的推荐指数。
具体地,对于一项待推荐内容,可以对用户的对应于每一个预设特征标签的特征信息进行量化得到各特征信息对应于该待推荐内容的得分,在量化时对不同的待推荐内容可以量化为不同的得分,可以采用预先设定的量化标准确定该将用户的特征信息的得分与对应的预设特征标签的推荐权重相乘后求所有特征信息对于该项待推荐内容的加权和,即为该待推荐内容的推荐指数。
以下结合图4,进一步描述本实施例中基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重的一种可选实现方式。
在这里,首先,可以确定每个类别标签对应的各预设特征标签间的相对重要性尺度,确定各类别标签间的相对重要性尺度;然后基于各预设特征标签间的相对重要性尺度计算各预设特征标签相对于对应的类别标签的第一权重,基于各类别标签间的相对重要性尺度计算各类别标签相对于目标层的第二权重;最后将预设特征标签的相对于对应的类别标签的第一权重与对应的类别标签相对于目标层的第二权重的乘积作为预设特征标签对应于目标层的权重。
上述每个类别标签对应的各预设特征标签间的相对重要性尺度可以表征将类别标签作为评价准则时,对应的多个预设特征标签的重要性进行两两比较得出的指标。举例来说,在图4中,类别标签A1对应预设特征标签B11、B12、…、B1n1,则,类别标签A1对应的各预设特征标签B11、B12、…、B1n1间的相对重要性尺度为B11、B12、…、B1n1之间进行重要性的两两比较的量化值。
上述各类别标签间的相对重要性尺度可以表征将目标层作为评价准则时,各类别标签的重要性进行两两比较得出的指标。在图4示例的层次结构模型中,各类别标签A1、A2、A3、…、Am的相对重要性尺度可以为A1、A2、A3、…、Am之间进行重要性的两两比较的量化值。
在确定每个类别标签对应的各预设特征标签间的相对重要性尺度和各类别标签的相对重要性尺度之后,可以计算各预设特征标签相对于对应的类别标签的第一权重和各类别标签相对于目标层的第二权重。
进一步可选地,可以通过如下方式计算第一权重:
首先,基于每个类别标签Ak对应的n个预设特征标签Bk1、Bk2、…、Bkn间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,该第一判断矩阵X中的元素xij为第i个预设特征标签Bki相对于第j个预设特征标签Bkj的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量。
在构建第一判断矩阵X时,需要对预设特征标签Bk1、Bk2、…、Bkn的重要性进行两两比较,并进行量化,可选地,可以以表一的相对
重要性尺度定义为依据得到第一判断矩阵X中的各元素:
表一 相对重要性尺度定义
然后可以对第一判断矩阵X进行一致性检验。具体地,可以计算第一判断矩阵X的最大特征根λmax,一致性校验的相容性指标(Consistency Index,C.I)可以由式(1)计算:
并且查找相应的平均随机一致性指标(Random Index,R.I),得出一致性比例C.R:
其中随机一致性指标R.I可在表二中查找得出:
表二 随机一致性指标R.I
若一致性比例C.R<0.1,则第一判断矩阵X通过一致性检验;反之则第一判断矩阵X未通过一致性检验。
之后,在第一判断矩阵X通过一致性检验时,可以按照如下方式计算各预设特征标签的第一权重:对第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n。具体地,对第一判断矩阵X按列进行归一化后得到:
然后按行求和得到:
最后归一化得到:、
类似地,可以按照如下方式计算上述第二权重:基于各类别标签A1、A2、A3、…、Am间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,该第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;然后对第二判断矩阵进行一致性检验,一致性检验的方法与上述第一判断矩阵X的一致性检验方法类似,此处不再赘述;若第二判断矩阵Y通过一致性检验,按照如下方式计算各类别标签A1、A2、A3、…、Am的权重:对第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
在计算出各预设特征标签的第一权重和各类别标签的第二权重后,将预设特征标签的相对于对应的类别标签的第一权重与对应的类别标签相对于目标层的第二权重相乘,则可得到预设特征标签对应于目标层的权重。
本实施例通过构建各预设特征标签间的相对重要性尺度的第一判断矩阵和各类别标签间的相对重要性尺度的第二判断矩阵,在建立各特征信息与各待推荐内容之间的联系时充分考虑了不同特征信息对待推荐内容的决策具有的不同的影响力的因素,并且综合了对应于不同预设特征标签的特征信息对推荐结果进行决策,能够进一步提升内容推荐的针对性和准确性。
在上述实施例的一些可选的实现方式中,可以按照如下方式向用户推荐内容:根据计算得出的推荐指数对各待推荐内容进行排序,然后根据待推荐内容的排序确定出至少一个目标推荐内容并向用户推荐目标推荐内容。例如可以将排序前N(N为设定的正整数)位的待推荐内容作为目标推荐内容,或者可以将排序在待推荐内容总数的一半之前的待推荐内容作为目标推荐内容,并依照排序依次向用户推荐目标推荐内容。这样,可以将用户最感兴趣的内容有限推荐给用户,减少用户获取内容所需耗费的时间和网络流量。
可选地,上述预设特征标签可以包括但不限于以下任意一项或多项:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。上述类别标签可以包括但不限于以下任意一项或多项:基本属性、消费特征、价值特征以及偏好特征。其中,个人属性、社会关系属性对应于基本属性,消费详情、消费偏好、消费频率对应于消费特征,用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力对应于价值特征,敏感度、内容偏好度对应于偏好特征。
以用户访问购物平台作为示例,用户的特征信息可以包括:基本属性信息、消费特征信息、价值特征信息以及偏好特征信息。其中用户的基本属性信息可以包括个人属性信息和社会关系属性信息,个人属性信息可以包含性别、年龄、学历、职业、地址等信息,社会属性信息可以包括婚姻状态信息、亲属关系信息等。用户的消费特征信息可以包括消费详情信息、消费频率信息等,其中,消费详情信息可以包括用户在购物平台的首次消费时间。消费金额、消费项目、购买的商品类型、支付方式、支付途径、用户在该购物平台的最后一次登录时间、购买力等,消费频率信息包括用户在购物平台消费的活跃度、浏览购物平台页面的频率等。价值特征信息可以包括用户价值得分信息、用户价值类型信息、平台对用户的影响力信息和社交关系影响力信息,用户价值得分信息可以包括购物平台的全平台RFM得分、各类型商品的RFM得分等,其中RFM得分为利用RFM模型计算出的得分,其中R表示平均消费时间间隔,F表示在统计时间内消费的次数,M表示在统计时间内的消费金额;用户价值类型信息可以为用户在平台消费行为的类型(例如“爱好电子产品”类、“化妆品控”类等);平台对用户的影响力信息可以由用户在该平台的消费历史记录和浏览历史记录分析得出;社交关系影响力信息可以通过获取用户的好友与用户的交互记录获取。偏好特征信息包括敏感度信息和内容偏好度信息,敏感度可以包括用户对平台的评价信息、促销活动的敏感度信息,内容偏好度信息可以包括用户对颜色、品牌、商品类型的偏好度信息。
由此,可以根据以上所列举的丰富的用户的特征信息构建上述层次结构模型并计算各待推荐内容的推荐指数,确定出用户最感兴趣的内容进行推荐。
进一步参考图5,作为对上述方法的实现,本申请提供了一种内容推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的内容推荐装置500包括:获取单元501、确定单元504、计算单元503以及推荐单元504。其中,获取单元501配置用于获取用户对应于多个预设特征标签的特征信息和待推荐内容,确定单元502配置用于利用层次分析法确定各预设特征标签的推荐权重,计算单元503配置用于基于特征信息和利用层次分析法确定的各预设特征标签的推荐权重计算各待推荐内容的推荐指数;推荐单元504配置用于向用户推荐根据推荐指数从待推荐内容中确定出的目标推荐内容;其中,确定单元502配置用于按照如下方式确定推荐权重:对各预设特征标签进行聚类,以确定各预设特征标签的类别标签;构建包括准则层、子准则层和目标层的层次结构模型,其中,子准则层的各元素为各预设特征标签,准则层的各元素为各类别标签;基于层次结构模型,利用层次分析法计算子准则层的各元素对应于目标层的权重,作为各预设特征标签的推荐权重。
在本实施例中,内容推荐装置500的获取单元501可以根据用户标识或用户访问网络所实用的设备的标识获取关联的特征信息,作为用户的特征信息。上述预设特征标签可以为特征信息的预设标签,该预设标签可以为特征信息的标识,获取单元501可以通过上述方式获取对应于各预设特征标签的特征信息。此外,获取单元501可以从内容库中查找出待推荐内容。待推荐内容可以例如为新闻、热点视频、促销商品信息等。
在本实施例中,确定单元502可以基于预设特征标签构建包括目标层、准则层和子准则层的层次结构模型,并利用层次分析法确定子准则层的各预设特征标签对于目标层的推荐权重,具体地可以计算子准则层对于准则层的权重,然后计算准则层对于目标层的权重,将子准则层对于准则层的权重和准则层对于目标层的权重,得出子准则层对于目标层的推荐权重。
在本实施例中,计算单元503可以将获取单元501获取的用户的特征信息量化,并根据确定单元502确定出的对应的各预设特征标签的权重,计算出用户的特征信息的总得分,即得到待推荐内容的推荐指数。
在本实施例中,推荐单元504可以根据计算单元503计算得出的各待推荐内容的推荐指数选择出满足预设条件的待推荐内容作为目标推荐内容,并向用户推荐该目标推荐内容。上述预设条件可以预先根据经验进行配置,也可以根据大数据量的机器学习训练得出。
在一些实施例中,上述计算单元503可以进一步配置用于按照如下方式计算各待推荐内容的推荐指数:确定各特征信息对应于各待推荐内容的得分;对于每一个待推荐内容,将各预设特征标签的推荐权重作为对应的特征信息的权重,计算各特征信息的得分的加权和,作为待推荐内容的推荐指数。
在一些实施例中,确定单元502可以进一步配置用于按照如下方式计算子准则层的各元素对应于目标层的权重:确定每个类别标签对应的各预设特征标签间的相对重要性尺度;确定各类别标签间的相对重要性尺度;基于各预设特征标签间的相对重要性尺度计算各预设特征标签相对于对应的类别标签的第一权重;基于各类别标签间的相对重要性尺度计算各类别标签相对于目标层的第二权重;将预设特征标签的相对于对应的类别标签的第一权重与对应的类别标签相对于目标层的第二权重的乘积作为预设特征标签对应于目标层的权重。
进一步地,上述确定单元502可以进一步配置用于按照如下方式计算各预设特征标签相对于对应的类别标签的第一权重:基于每个类别标签Ak对应的各预设特征标签间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,第一判断矩阵X中的元素xij为第i个预设特征标签相对于第j个预设特征标签的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量;对第一判断矩阵进行一致性检验;若第一判断矩阵通过一致性检验,按照如下方式计算各预设特征标签的权重:对第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n。
类似地,上述确定单元502可以进一步配置用于按照如下方式计算各类别标签相对于目标层的第二权重:基于各类别标签间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;对第二判断矩阵进行一致性检验;若第二判断矩阵通过一致性检验,按照如下方式计算各类别标签的权重:对第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
在一些实施例中,推荐单元504进一步配置用于按照如下方式推荐目标推荐内容:根据推荐指数对各待推荐内容进行排序;根据各待推荐内容的排序确定出至少一个目标推荐内容;向用户推荐目标推荐内容。例如可以将排序前N(N为预设的正整数)位的待推荐内容按照排序依次推荐给用户。
可选地,上述类别标签可以包括但不限于:基本属性、消费特征、价值特征以及偏好特征;上述预设特征标签可以包括但不限于:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。
应当理解,装置500中记载的诸单元与参考图2描述的方法中的步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本申请实施例提供的内容推荐装置500,可以精准地确定出用户感兴趣的内容,提升了推荐效率,能够提升用户对推荐的内容的关注度和进行关联操作的概率,即能够提升推荐内容的转换率。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(可以为终端设备或服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元、计算单元和推荐单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取用户对应于多个预设特征标签的特征信息和待推荐内容的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取用户对应于多个预设特征标签的特征信息和待推荐内容;基于所述特征信息和利用层次分析法确定的各所述预设特征标签的推荐权重计算各所述待推荐内容的推荐指数;向所述用户推荐根据所述推荐指数从所述待推荐内容中确定出的目标推荐内容;其中,所述推荐权重按照如下方式确定:对各所述预设特征标签进行聚类,以确定各所述预设特征标签的类别标签;构建包括准则层、子准则层和目标层的层次结构模型,其中,所述子准则层的各元素为各所述预设特征标签,所述准则层的各元素为各所述类别标签;基于所述层次结构模型,利用层次分析法计算子准则层的各元素对应于所述目标层的权重,作为各所述预设特征标签的推荐权重。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取用户对应于多个预设特征标签的特征信息和待推荐内容;
基于所述特征信息和利用层次分析法确定的各所述预设特征标签的推荐权重计算各所述待推荐内容的推荐指数;
向所述用户推荐根据所述推荐指数从所述待推荐内容中确定出的目标推荐内容;
其中,所述推荐权重按照如下方式确定:
对各所述预设特征标签进行聚类,以确定各所述预设特征标签的类别标签;
构建包括准则层、子准则层和目标层的层次结构模型,其中,所述子准则层的各元素为各所述预设特征标签,所述准则层的各元素为各所述类别标签;
基于所述层次结构模型,利用层次分析法计算子准则层的各元素对应于所述目标层的权重,作为各所述预设特征标签的推荐权重。
2.根据权利要求1所述的方法,其特征在于,所述基于所述特征信息和利用层次分析法确定的各所述预设特征标签的推荐权重计算各所述待推荐内容的推荐指数,包括:
确定各所述特征信息对应于各所述待推荐内容的得分;
对于每一个所述待推荐内容,将各所述预设特征标签的推荐权重作为对应的特征信息的权重,计算各所述特征信息的得分的加权和,作为所述待推荐内容的推荐指数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述层次结构模型,利用层次分析法计算子准则层的各元素对应于所述目标层的权重,包括:
确定每个类别标签对应的各预设特征标签间的相对重要性尺度;
确定各类别标签间的相对重要性尺度;
基于所述各预设特征标签间的相对重要性尺度计算各所述预设特征标签相对于对应的类别标签的第一权重;
基于所述各类别标签间的相对重要性尺度计算各类别标签相对于所述目标层的第二权重;
将所述预设特征标签的相对于对应的类别标签的第一权重与所述对应的类别标签相对于所述目标层的第二权重的乘积作为所述预设特征标签对应于所述目标层的权重。
4.根据权利要求3所述的方法,其特征在于,所述基于所述各预设特征标签间的相对重要性尺度计算各所述预设特征标签相对于对应的类别标签的第一权重,包括:
基于每个类别标签Ak对应的各预设特征标签间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,所述第一判断矩阵X中的元素xij为第i个预设特征标签相对于第j个预设特征标签的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量;
对所述第一判断矩阵进行一致性检验;
若所述第一判断矩阵通过一致性检验,按照如下方式计算各预设特征标签的权重:对所述第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n;
所述基于所述各类别标签间的相对重要性尺度计算各类别标签相对于所述目标层的第二权重,包括:
基于各类别标签间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,所述第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;
对所述第二判断矩阵进行一致性检验;
若所述第二判断矩阵通过一致性检验,按照如下方式计算各类别标签的权重:对所述第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
5.根据权利要求1所述的方法,其特征在于,所述向所述用户推荐根据所述推荐指数从所述待推荐内容中确定出的目标推荐内容,包括:
根据所述推荐指数对各所述待推荐内容进行排序;
根据各所述待推荐内容的排序确定出至少一个所述目标推荐内容;
向所述用户推荐所述目标推荐内容。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述类别标签包括:基本属性、消费特征、价值特征以及偏好特征;
所述预设特征标签包括:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。
7.一种内容推荐装置,其特征在于,所述装置包括:
获取单元,配置用于获取用户对应于多个预设特征标签的特征信息和待推荐内容;
确定单元,配置用于利用层次分析法确定各所述预设特征标签的推荐权重;
计算单元,配置用于基于所述特征信息和利用层次分析法确定的各所述预设特征标签的推荐权重计算各所述待推荐内容的推荐指数;
推荐单元,配置用于向所述用户推荐根据所述推荐指数从所述待推荐内容中确定出的目标推荐内容;
其中,所述确定单元配置用于按照如下方式确定所述推荐权重:
对各所述预设特征标签进行聚类,以确定各所述预设特征标签的类别标签;
构建包括准则层、子准则层和目标层的层次结构模型,其中,所述子准则层的各元素为各所述预设特征标签,所述准则层的各元素为各所述类别标签;
基于所述层次结构模型,利用层次分析法计算子准则层的各元素对应于所述目标层的权重,作为各所述预设特征标签的推荐权重。
8.根据权利要求7所述的装置,其特征在于,所述计算单元进一步配置用于按照如下方式计算各所述待推荐内容的推荐指数:
确定各所述特征信息对应于各所述待推荐内容的得分;
对于每一个所述待推荐内容,将各所述预设特征标签的推荐权重作为对应的特征信息的权重,计算各所述特征信息的得分的加权和,作为所述待推荐内容的推荐指数。
9.根据权利要求7所述的装置,其特征在于,所述确定单元进一步配置用于按照如下方式计算子准则层的各元素对应于所述目标层的权重:
确定每个类别标签对应的各预设特征标签间的相对重要性尺度;
确定各类别标签间的相对重要性尺度;
基于所述各预设特征标签间的相对重要性尺度计算各所述预设特征标签相对于对应的类别标签的第一权重;
基于所述各类别标签间的相对重要性尺度计算各类别标签相对于所述目标层的第二权重;
将所述预设特征标签的相对于对应的类别标签的第一权重与所述对应的类别标签相对于所述目标层的第二权重的乘积作为所述预设特征标签对应于所述目标层的权重。
10.根据权利要求9所述的装置,其特征在于,所述确定单元进一步配置用于按照如下方式计算各所述预设特征标签相对于对应的类别标签的第一权重:
基于每个类别标签Ak对应的各预设特征标签间的相对重要性尺度构建第一判断矩阵X=(xij)n×n,所述第一判断矩阵X中的元素xij为第i个预设特征标签相对于第j个预设特征标签的相对重要性尺度,k=1,2,3,…,m;i,j=1,2,3,…,n;m为类别标签的数量,n为类别标签Ak对应的预设特征标签的数量;
对所述第一判断矩阵进行一致性检验;
若所述第一判断矩阵通过一致性检验,按照如下方式计算各预设特征标签的权重:对所述第一判断矩阵X按列进行归一化,对按列归一化的矩阵按行求和并归一化,得到W=(ωi)n×1,其中,ωi为第i个预设特征标签相对于对应的类别标签Ak的第一权重,i=1,2,3,…,n;
所述确定单元进一步配置用于按照如下方式计算各类别标签相对于所述目标层的第二权重:
基于各类别标签间的相对重要性尺度构建第二判断矩阵Y=(ypq)m×m,所述第二判断矩阵Y中的元素ypq为第p个类别标签相对于第q个类别标签的相对重要性尺度,p,q=1,2,3,…,m;
对所述第二判断矩阵进行一致性检验;
若所述第二判断矩阵通过一致性检验,按照如下方式计算各类别标签的权重:对所述第二判断矩阵Y按列进行归一化,对按列归一化的矩阵进行按行求和并归一化,得到E=(εp)m×1,其中,εp为第p个类别标签相对于目标层的第二权重,p=1,2,3,…,m。
11.根据权利要求7所述的装置,其特征在于,所述推荐单元进一步配置用于按照如下方式推荐所述目标推荐内容:
根据所述推荐指数对各所述待推荐内容进行排序;
根据各所述待推荐内容的排序确定出至少一个所述目标推荐内容;
向所述用户推荐所述目标推荐内容。
12.根据权利要求7-11任一项所述的装置,其特征在于,所述类别标签包括:基本属性、消费特征、价值特征以及偏好特征;
所述预设特征标签包括:个人属性、社会关系属性、消费详情、消费偏好、消费频率、用户价值得分、用户价值类型、平台对用户的影响力、社交关系影响力、敏感度、内容偏好度。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一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,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605696.4A CN107391680A (zh) | 2017-07-24 | 2017-07-24 | 内容推荐方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605696.4A CN107391680A (zh) | 2017-07-24 | 2017-07-24 | 内容推荐方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107391680A true CN107391680A (zh) | 2017-11-24 |
Family
ID=60336182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710605696.4A Pending CN107391680A (zh) | 2017-07-24 | 2017-07-24 | 内容推荐方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391680A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510313A (zh) * | 2018-03-07 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
CN108563670A (zh) * | 2018-01-12 | 2018-09-21 | 武汉斗鱼网络科技有限公司 | 视频推荐方法、装置、服务器及计算机可读存储介质 |
CN108804517A (zh) * | 2018-04-26 | 2018-11-13 | 北京五八信息技术有限公司 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
CN109190028A (zh) * | 2018-08-22 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 基于大数据的活动推荐方法、装置、电子设备及存储介质 |
CN109242544A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 产品信息推送的处理方法、装置、计算机设备及存储介质 |
CN109657950A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 层次分析方法、装置、设备及计算机可读存储介质 |
CN109710842A (zh) * | 2018-12-17 | 2019-05-03 | 泰康保险集团股份有限公司 | 业务信息的推送方法、装置及可读存储介质 |
CN109727059A (zh) * | 2018-11-20 | 2019-05-07 | 北京云和互动信息技术有限公司 | 一种基于大数据的评价方法及系统 |
CN109740065A (zh) * | 2019-01-22 | 2019-05-10 | 云南大学 | 基于特征模型的个性化信息推荐方法 |
CN109992714A (zh) * | 2019-03-28 | 2019-07-09 | 上海诺融信息科技有限公司 | 基于金融大数据的信息推荐方法、装置、介质和电子设备 |
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
CN110516156A (zh) * | 2019-08-29 | 2019-11-29 | 深信服科技股份有限公司 | 一种网络行为监控装置、方法、设备和存储介质 |
CN110580634A (zh) * | 2018-06-08 | 2019-12-17 | 北京嘀嘀无限科技发展有限公司 | 基于互联网的业务推荐方法、装置及存储介质 |
CN110825960A (zh) * | 2019-10-08 | 2020-02-21 | 中通服创发科技有限责任公司 | 一种学习内容推荐方法和装置 |
CN110929166A (zh) * | 2019-12-27 | 2020-03-27 | 咪咕文化科技有限公司 | 一种内容推荐的方法、电子设备和存储介质 |
CN111131359A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及系统 |
CN111274330A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种目标对象确定方法、装置、计算机设备及存储介质 |
CN112115908A (zh) * | 2020-09-25 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种社交能力评估方法及其装置 |
CN112348300A (zh) * | 2020-03-05 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
CN112381623A (zh) * | 2020-12-04 | 2021-02-19 | 南京浪脆电子商务有限公司 | 一种基于大数据分析的电子商务平台商品智能推荐方法 |
CN112417202A (zh) * | 2020-09-04 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 内容筛选方法及装置 |
CN112967117A (zh) * | 2018-02-08 | 2021-06-15 | 创新先进技术有限公司 | 一种信息分享的方法及装置 |
CN113407521A (zh) * | 2021-05-24 | 2021-09-17 | 广州市万表科技股份有限公司 | 一种用户行为标签偏好排序方法、装置、设备及存储介质 |
CN113793061A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 融合层次分析法和rfm的商业银行客户评级方法及装置 |
CN113935880A (zh) * | 2021-10-26 | 2022-01-14 | 平安科技(深圳)有限公司 | 政策推荐方法、装置、设备及存储介质 |
CN115774816A (zh) * | 2023-02-10 | 2023-03-10 | 成都萌想科技有限责任公司 | 基于用户价值的内容淘汰方法、系统、设备及存储介质 |
CN117194707A (zh) * | 2023-11-08 | 2023-12-08 | 广州电力工程监理有限公司 | 一种基于监理工作智能推送短视频的培训系统及推送方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140111152A (ko) * | 2013-03-08 | 2014-09-18 | 공주대학교 산학협력단 | 음악추천 시스템 및 방법 |
CN105976207A (zh) * | 2016-05-11 | 2016-09-28 | 山东大学 | 一种基于多属性动态权重分配的信息搜索结果生成方法及系统 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
-
2017
- 2017-07-24 CN CN201710605696.4A patent/CN107391680A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140111152A (ko) * | 2013-03-08 | 2014-09-18 | 공주대학교 산학협력단 | 음악추천 시스템 및 방법 |
CN105976207A (zh) * | 2016-05-11 | 2016-09-28 | 山东大学 | 一种基于多属性动态权重分配的信息搜索结果生成方法及系统 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
叶义成 等: "《系统综合评价技术及其应用》", 31 January 2006, 冶金工业出版社 * |
郭宇红 等: "一种基于AHP的智能电影推荐方法", 《南京邮电大学学报(自然科学版)》 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN108563670A (zh) * | 2018-01-12 | 2018-09-21 | 武汉斗鱼网络科技有限公司 | 视频推荐方法、装置、服务器及计算机可读存储介质 |
CN108563670B (zh) * | 2018-01-12 | 2021-04-27 | 武汉斗鱼网络科技有限公司 | 视频推荐方法、装置、服务器及计算机可读存储介质 |
CN112967117A (zh) * | 2018-02-08 | 2021-06-15 | 创新先进技术有限公司 | 一种信息分享的方法及装置 |
CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
CN108537568B (zh) * | 2018-03-07 | 2021-12-21 | 创新先进技术有限公司 | 一种信息推荐方法和装置 |
WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN108510313A (zh) * | 2018-03-07 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN108804517A (zh) * | 2018-04-26 | 2018-11-13 | 北京五八信息技术有限公司 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
CN108804517B (zh) * | 2018-04-26 | 2022-05-31 | 北京五八信息技术有限公司 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
CN110580634A (zh) * | 2018-06-08 | 2019-12-17 | 北京嘀嘀无限科技发展有限公司 | 基于互联网的业务推荐方法、装置及存储介质 |
CN109242544A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 产品信息推送的处理方法、装置、计算机设备及存储介质 |
CN109190028A (zh) * | 2018-08-22 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 基于大数据的活动推荐方法、装置、电子设备及存储介质 |
CN111131359A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN109727059A (zh) * | 2018-11-20 | 2019-05-07 | 北京云和互动信息技术有限公司 | 一种基于大数据的评价方法及系统 |
CN109657950A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 层次分析方法、装置、设备及计算机可读存储介质 |
CN109710842B9 (zh) * | 2018-12-17 | 2022-08-19 | 泰康保险集团股份有限公司 | 业务信息的推送方法、装置及可读存储介质 |
CN109710842A (zh) * | 2018-12-17 | 2019-05-03 | 泰康保险集团股份有限公司 | 业务信息的推送方法、装置及可读存储介质 |
CN109710842B (zh) * | 2018-12-17 | 2021-06-29 | 泰康保险集团股份有限公司 | 业务信息的推送方法、装置及可读存储介质 |
CN109740065A (zh) * | 2019-01-22 | 2019-05-10 | 云南大学 | 基于特征模型的个性化信息推荐方法 |
CN109740065B (zh) * | 2019-01-22 | 2020-05-12 | 云南大学 | 基于特征模型的个性化信息推荐方法 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110083634B (zh) * | 2019-03-19 | 2024-02-06 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN109992714A (zh) * | 2019-03-28 | 2019-07-09 | 上海诺融信息科技有限公司 | 基于金融大数据的信息推荐方法、装置、介质和电子设备 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
CN110516156B (zh) * | 2019-08-29 | 2023-03-17 | 深信服科技股份有限公司 | 一种网络行为监控装置、方法、设备和存储介质 |
CN110516156A (zh) * | 2019-08-29 | 2019-11-29 | 深信服科技股份有限公司 | 一种网络行为监控装置、方法、设备和存储介质 |
CN110825960A (zh) * | 2019-10-08 | 2020-02-21 | 中通服创发科技有限责任公司 | 一种学习内容推荐方法和装置 |
CN110929166A (zh) * | 2019-12-27 | 2020-03-27 | 咪咕文化科技有限公司 | 一种内容推荐的方法、电子设备和存储介质 |
CN111143681B (zh) * | 2019-12-27 | 2023-10-24 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及系统 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及系统 |
CN110929166B (zh) * | 2019-12-27 | 2023-10-20 | 咪咕文化科技有限公司 | 一种内容推荐的方法、电子设备和存储介质 |
CN111274330A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种目标对象确定方法、装置、计算机设备及存储介质 |
CN111274330B (zh) * | 2020-01-15 | 2022-08-26 | 腾讯科技(深圳)有限公司 | 一种目标对象确定方法、装置、计算机设备及存储介质 |
CN112348300A (zh) * | 2020-03-05 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
CN112417202B (zh) * | 2020-09-04 | 2023-06-30 | 上海哔哩哔哩科技有限公司 | 内容筛选方法及装置 |
CN112417202A (zh) * | 2020-09-04 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 内容筛选方法及装置 |
CN112115908B (zh) * | 2020-09-25 | 2024-02-20 | 北京易华录信息技术股份有限公司 | 一种社交能力评估方法及其装置 |
CN112115908A (zh) * | 2020-09-25 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种社交能力评估方法及其装置 |
CN112381623A (zh) * | 2020-12-04 | 2021-02-19 | 南京浪脆电子商务有限公司 | 一种基于大数据分析的电子商务平台商品智能推荐方法 |
CN112381623B (zh) * | 2020-12-04 | 2021-07-06 | 深圳市快云科技有限公司 | 一种基于大数据分析的电子商务平台商品智能推荐方法 |
CN113407521B (zh) * | 2021-05-24 | 2022-02-08 | 广州市万表科技股份有限公司 | 一种用户行为标签偏好排序方法、装置、设备及存储介质 |
CN113407521A (zh) * | 2021-05-24 | 2021-09-17 | 广州市万表科技股份有限公司 | 一种用户行为标签偏好排序方法、装置、设备及存储介质 |
CN113793061A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 融合层次分析法和rfm的商业银行客户评级方法及装置 |
CN113935880A (zh) * | 2021-10-26 | 2022-01-14 | 平安科技(深圳)有限公司 | 政策推荐方法、装置、设备及存储介质 |
CN115774816A (zh) * | 2023-02-10 | 2023-03-10 | 成都萌想科技有限责任公司 | 基于用户价值的内容淘汰方法、系统、设备及存储介质 |
CN115774816B (zh) * | 2023-02-10 | 2023-04-11 | 成都萌想科技有限责任公司 | 基于用户价值的内容淘汰方法、系统、设备及存储介质 |
CN117194707A (zh) * | 2023-11-08 | 2023-12-08 | 广州电力工程监理有限公司 | 一种基于监理工作智能推送短视频的培训系统及推送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391680A (zh) | 内容推荐方法、装置和设备 | |
CN107105031A (zh) | 信息推送方法和装置 | |
CN107247786A (zh) | 用于确定相似用户的方法、装置和服务器 | |
CN109189904A (zh) | 个性化搜索方法及系统 | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
CN110009401A (zh) | 基于用户画像的广告投放方法、装置和存储介质 | |
CN109509054A (zh) | 海量数据下商品推荐方法、电子装置及存储介质 | |
CN108090162A (zh) | 基于人工智能的信息推送方法和装置 | |
CN107908740A (zh) | 信息输出方法和装置 | |
US20230306491A1 (en) | User feature-based page displaying method and apparatus, medium, and electronic device | |
CN107172151A (zh) | 用于推送信息的方法和装置 | |
CN110162693A (zh) | 一种信息推荐的方法以及服务器 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN105279672A (zh) | 线索推荐 | |
CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
CN107832468A (zh) | 需求识别方法和装置 | |
CN107305551A (zh) | 推送信息的方法和装置 | |
KR20190063594A (ko) | 머신러닝 딥러닝 방식의 판매자 구매자 요구사항 분석, 협상 결과보고 시스템 | |
CN107885784A (zh) | 提取用户特征数据的方法和装置 | |
CN112215448A (zh) | 分配客服的方法和装置 | |
CN107346344A (zh) | 文本匹配的方法和装置 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
Yang et al. | Deep learning and complex network theory based analysis on socialized manufacturing resources utilisations and an application case study | |
CN107291835A (zh) | 一种搜索词的推荐方法和装置 | |
CN108959289A (zh) | 网站类别获取方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |