CN108304399A - 网络内容的推荐方法及装置 - Google Patents

Abstract

本发明实施例公开了一种网络内容的推荐方法及装置，其中，所述方法包括：获取当前站点的每一网络内容的用户行为数据和内容更新时间；根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。本发明实施例能够自动、精准地实现网络内容的推荐，使得用户能够在有限时间内，尽可能地在海量内容中的发现更多用户所感兴趣的内容，即优质内容。

Description

网络内容的推荐方法及装置

技术领域

本发明涉及计算机网络技术领域，尤其涉及一种网络内容的推荐方法及装置。

背景技术

对UGC(User Generated Content，用户生产内容)内容社区而言，一方面为了社区活跃度和内容生产，会尽一切手段降低用户生产内容的门槛，同时鼓励用户生产更多内容。另一方面，内容越来越多，用户发现优质内容的成本也越来越高。随着用户生产内容的越来越多，使用户能够在有限时间内，尽可能在海量内容中的发现更多用户所感兴趣的内容，即优质内容，对每个内容社区都具有重要意义。

目前，常见的内容提供手段主要有以下几种：

方案一、人工推荐，即由编辑或运营人员手动将优质内容推荐到首页或其他展示位置，以使用户发现优质内容。但是，该方案存在以下缺陷，一方面需要耗费大量运营资源来更新/维护推荐位(位置也有限)，另一方面，运营人员推荐的内容可能并不符合用户的口味，当这些内容充斥页面时用户会对网站失去兴趣。

方案二、站内搜索，搜索是常见的内容发现方式，但是，虽然站内搜索对有明确喜好的用户是可以提高内容发现效率的，但用户往往并不知道自己喜欢看什么，比较被动，无法满足用户希望能直接看到感兴趣的内容，而非自己主动去查找内容的需求。

方案三、内容分类，即依据内容自身的逻辑属性进行分类，缩小浏览范围。该方案分类范畴比较宽泛，即使缩小浏览范围效果也有限，而且某些分类方式与用户对内容的理解并不契合。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网络内容的推荐方法及装置，以自动、精准地实现网络内容的推荐。

本发明的一个方面，提供了一种网络内容的推荐方法，包括：

获取当前站点的每一网络内容的用户行为数据和内容更新时间；

根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；

根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；

根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

可选地，所述获取当前站点的每一网络内容的用户行为数据，包括：

获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

可选地，所述根据所述用户行为数据和内容更新时间确定每一网络内容的当前热度值，包括：

分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理，并根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

可选地，所述根据所述内容更新时间计算热度衰减系数，包括：

根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度×K)+1]^G；

其中，K为线性调节因子；G为指数调节因子。

可选地，所述采用所述热度衰减系数对每一网络内容的当前热度值进行调节，包括：

采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。

本发明的另一个方面，提供了一种网络内容的推荐装置，包括:

获取模块，用于获取当前站点的每一网络内容的用户行为数据和内容更新时间；

热度确定模块，用于根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；

热度调节模块，用于根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；

推荐模块，用于根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

可选地，所述获取模块，具体用于获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

可选地，所述热度确定模块，包括：

归一化处理单元，用于分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理；

第一计算单元，用于根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

可选地，所述热度调节模块，包括：

第二计算单元，用于根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

第三计算单元，用于根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度×K)+1]^G

其中，K为线性调节因子；G为指数调节因子。

可选地，所述热度调节模块，还包括：

热度调节单元，用于采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。

本发明实施例提供的网络内容的推荐方法及装置，基于每一网络内容的用户行为数据和内容本身的属性来确定内容的热度，能够自动、精准地实现网络内容的推荐，使得用户能够在有限时间内，尽可能地在海量内容中的发现更多用户所感兴趣的内容，即优质内容。

此外，本发明实施例通过热度衰减系数对内容的热度调节，使得内容的热度会随着时间流逝而衰减，从而为新的内容提供了充分的展示空间，避免马太效应；而且，可以通过调整各个因子权重值，以便适应当前的产品运营需要，提高网络内容的推荐灵活性。

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

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：

图1为本发明实施例的一种网络内容的推荐方法的流程图；

图2为本发明实施例的一种网络内容的推荐方法中步骤S13的细分流程图；

图3为本发明实施例的一种网络内容的推荐装置的结构示意图；

图4为本发明实施例的一种网络内容的推荐装置中热度调节模块的内部结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

图1示意性示出了本发明一个实施例的网络内容的推荐方法的流程图。参照图1，本发明实施例的网络内容的推荐方法具体包括以下步骤：

步骤S11、获取当前站点的每一网络内容的用户行为数据和内容更新时间。

本发明实施例中，用户行为数据可以为用户对当前网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。内容更新时间可以为网络内容的上架时间。本实施中的获取当前站点的每一网络内容的用户行为数据，具体可以为获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

步骤S12、根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值。

本发明实施例中，对每个网络内容引入热度的概念，结合站点定位及内容消费场景等因素，抽象出标识网络内容热度的若干维度，如用户行为数据和内容更新时间，其中用户行为数据又包括多个维度。其中，播放次数，播放次数越多，表示更多用户喜爱该视频；内容更新时间，即网络内容的上架时间，例如，对于新闻类网络内容，最近更新的内容更适合推荐给用户；收藏次数、分享次数、弹幕数量、评论数量等维度，这些用户行为都表示用户对视频的认可。因此，本发明具体通过根据上述的用户行为数据和内容更新时间能够真实、准确地确定出每一网络内容的当前热度值。

可理解的是，除此之外，还可以参考其他因子以便后续更加准确地确定各个网络内容的当前热度值，对此本发明不作具体限定。

步骤S13、根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值。

在实际应用中，在评估优质内容的同时，还需要考虑内容的更迭来避免马太效应，即应该让新的优质内容有机会展现，而不是让部分内容持续挤占优质推荐位置。因此，本发明实施例中，通过根据内容更新时间计算出一个与内容更新时间相关的热度衰减系数，并采用热度衰减系数对每一网络内容的当前热度值进行调节，进而实现网络内容的热度值随时间而衰减。

步骤S14、根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

本发明实施例中，具体可以根据网络内容的展示需求，提取排名前N个网络内容，其中，N为预设的正整数，然后将获取的网络内容推送给用户端显示，以使得用户可以直接从推荐的网络内容中选取用户所感兴趣的内容。此外，还可以根据所述热度统计值，直接选取热度统计值大于预设热度阈值的网络内容，然后将获取的网络内容推送给用户端显示。

本发明实施例提供的网络内容的推荐方法，基于每一网络内容的用户行为数据和内容本身的属性来确定内容的热度，能够自动、精准地实现网络内容的推荐，使得用户能够在有限时间内，尽可能地在海量内容中的发现更多用户所感兴趣的内容，即优质内容。此外，本发明实施例通过热度衰减系数对内容的热度调节，使得内容的热度会随着时间流逝而衰减，从而为新的内容提供了充分的展示空间，避免马太效应；而且，可以通过调整各个因子权重值，以便适应当前的产品运营需要，提高网络内容的推荐灵活性。

本发明实施例中，步骤S12中的根据所述用户行为数据和内容更新时间确定每一网络内容的当前热度值，具体包括：分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理，并根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

在一个具体实施例中，仅以播放次数作为用户行为数据，对本发明技术方案进行解释说明。播放次数是基于用户展示播放行为的数值，可以有由应用程序自动累计，网络内容对应的该项数值越大表示用户观看次数越多。

首先，分别对视频播放次数和内容更新时间进行对应的指定数量级的归一化处理，具体如下：

对于用户维度，对视频播放次数取以10为底的对数，使其数量级回归到1～10以内。

对于时间维度，首先获取内容更新时间、当前系统时间和预设的基准时间，其中：

内容更新时间：视频首次被发当前的布到网站上的时间；

当前时间：即当前的时间；

基准时间：作为参照系的时间，取值为过去的某个时间(当前是2016-11-400:00:00)；

然后，以内容更新时间与基准时间的差额作为分子，以当前系统时间与基准时间的差额做分母，使其数量级落在[0，1]区间内。当视频上架时间距离当前时间越近时，这个值越大。

在得到归一化处理后的播放次数和内容更新时间之后，查找播放次数对应的权重值和内容更新时间对应的权重值，其中，播放次数对应的权重值为播放因子权重，该播放因子权重作为系数调节播放维度在整个算法中的影响程度，可以在后台配置，取值范围可根据实际应用需求进行更改。内容更新时间对应的权重值为时间因子权重，该时间因子权重作为系数调节时间维度在整个算法中的影响程度，可以在后台配置，取值范围根据实际应用需求进行更改。本实施例中，当前热度值的具体公式如下：

其中，M为正整数，优选为10。

在一个具体实施例中，若在网络内容的推荐更新过程中需要更多地关注用户行为这一维度对热度值的影响，如：用户播放行为，则可增加播放因子权重，降低时间因子权重，例如，播放因子权重为0.6，时间因子权重为0.4。若在网络内容的推荐更新过程中需要更多地关注内容更新时间这一维度对热度值的影响，则可增加时间因子权重，降低播放因子权重，例如，播放因子权重为0.4，时间因子权重为0.6。

可理解的，用户行为数据和内容更新时间各自对应的权重值的取值范围可以根据热度值所侧重的因素进行设置和调整，对此本发明不作具体限定。

本发明实施例中，如图2所示，步骤S13中的根据所述内容更新时间计算热度衰减系数，具体包括：

步骤S131、根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

步骤S132、根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度*K)+1]^G；

其中，K为线性调节因子；G为指数调节因子。

线性调节因子K：线性调节调节热度随时间衰减的速度，可以在后台配置，取值范围可根据实际应用需求进行更改。

指数调节因子G：指数级调节热度随时间衰减的速度，可以在后台配置，取值范围可根据实际应用需求进行更改。

其中，步骤S13中还包括步骤S133，以实现采用所述热度衰减系数对每一网络内容的当前热度值进行调节，具体如下：

步骤S133、采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。

本发明实施例，为了让新的优质内容有机会展现，通过对已有内容统一做了热度衰减处理，上架时间越久衰减幅度越大，从而为新的内容提供了充分的展示空间，避免马太效应。

综上所述，本发明实施例提供的网络内容的推荐方法相较于其他现有方案的主要具有以下优点：

自动化：无需运营人工干预，基于内容本身的表现和属性来决定热度；

准确性：基于用户播放行为的推荐，热度来自用户自发的消费行为，准确性极高；

自更新：热度会随着时间流逝而衰减，从而为新的内容提供了充分的展示空间，避免马太效应；

灵活性：算法中的所有因子权重均可随时调整，以便适应当前的产品运营需要，例如为了突出新上架视频，可以将时间因子的权重提高。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图3示意性示出了本发明一个实施例的网络内容的推荐装置的结构示意图。

参照图3，本发明实施例的网络内容的推荐装置具体包括获取模块301、热度确定模块302、热度调节模块303以及推荐模块304，其中：

所述的获取模块301，用于获取当前站点的每一网络内容的用户行为数据和内容更新时间；

所述的热度确定模块302，用于根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；

所述的热度调节模块303，用于根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；

所述的推荐模块304，用于根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

在本发明的一个可选实施例中，所述获取模块301，具体用于获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

在本发明的一个可选实施例中，所述热度确定模块302，包括归一化处理单元和第一计算单元，其中：

所述的归一化处理单元，用于分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理；

所述的第一计算单元，用于根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

在本发明的一个可选实施例中，如图4所示，所述热度调节模块303，包括第二计算单元3031和第三计算单元3032，其中：

所述的第二计算单元3031，用于根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

所述的第三计算单元3032，用于根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度*K)+1]^G

其中，K为线性调节因子；G为指数调节因子。

进一步地，所述热度调节模块303，还包括热度调节单元3033，所述的热度调节单元3033，用于采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。

对于装置实施例而言，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。

本发明实施例提供的网络内容的推荐方法及装置，基于每一网络内容的用户行为数据和内容本身的属性来确定内容的热度，能够自动、精准地实现网络内容的推荐，使得用户能够在有限时间内，尽可能地在海量内容中的发现更多用户所感兴趣的内容，即优质内容。

此外，本发明实施例通过热度衰减系数对内容的热度调节，使得内容的热度会随着时间流逝而衰减，从而为新的内容提供了充分的展示空间，避免马太效应；而且，可以通过调整各个因子权重值，以便适应当前的产品运营需要，提高网络内容的推荐灵活性。

以上所描述的装置实施例仅仅是示意性的，其中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或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

此外，本领域的技术人员能够理解，尽管在此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，在下面的权利要求书中，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。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种网络内容的推荐方法，其特征在于，包括:

获取当前站点的每一网络内容的用户行为数据和内容更新时间；

根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；

根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；

根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

2.根据权利要求1所述的方法，其特征在于，所述获取当前站点的每一网络内容的用户行为数据，包括：

获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为数据和内容更新时间确定每一网络内容的当前热度值，包括：

分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理，并根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述内容更新时间计算热度衰减系数，包括：

根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度×K)+1]^G；

其中，K为线性调节因子；G为指数调节因子。

5.根据权利要求4所述的方法，其特征在于，所述采用所述热度衰减系数对每一网络内容的当前热度值进行调节，包括：

采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。

6.一种网络内容的推荐装置，其特征在于，包括:

获取模块，用于获取当前站点的每一网络内容的用户行为数据和内容更新时间；

热度确定模块，用于根据所述用户行为数据和所述内容更新时间确定每一网络内容的当前热度值；

热度调节模块，用于根据所述内容更新时间计算热度衰减系数，并采用所述热度衰减系数对每一网络内容的当前热度值进行调节，得到每一网络内容的热度统计值；

推荐模块，用于根据所述热度统计值的高低对其对应的网络内容进行排序，并根据排序结果进行网络内容的推荐。

7.根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于获取当前站点的每一网络内容的播放次数、收藏次数、分享次数、弹幕次数和/或评论次数。

8.根据权利要求6所述的装置，其特征在于，所述热度确定模块，包括：

归一化处理单元，用于分别对所述用户行为数据和内容更新时间进行对应的指定数量级的归一化处理；

第一计算单元，用于根据归一化处理后的用户行为数据和内容更新时间以及各自对应的权重值确定每一网络内容的当前热度值。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述热度调节模块，包括：

第二计算单元，用于根据各个网络内容对应的内容更新时间计算该网络内容从上架到当前系统时间的时间长度；

第三计算单元，用于根据所述时间长度以及预设的线性调节因子和指数调节因子计算热度衰减系数，公式如下：

热度衰减系数＝[(时间长度×K)+1]^G

其中，K为线性调节因子；G为指数调节因子。

10.根据权利要求9所述的装置，其特征在于，所述热度调节模块，还包括：

热度调节单元，用于采用预设的调节模型根据所述热度衰减系数对每一网络内容的当前热度值进行调节，所述调节模型具体如下：

热度统计值＝当前热度值/热度衰减系数。