CN108595461B - 兴趣探索方法、存储介质、电子设备及系统 - Google Patents

Abstract

本发明公开了一种兴趣探索方法、存储介质、设备及系统，涉及网络技术领域。该方法包括以下步骤：根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率；当用户的探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，推荐访问内容属于多个内容分类；根据反馈信息从多个内容分类中筛选出继续推送的内容分类。本发明根据用户的探索概率确定是否对该用户进行兴趣探索，避免盲目地向所有用户进行兴趣探索，从而提高兴趣探索的成功率和用户的转化率。

Description

兴趣探索方法、存储介质、电子设备及系统

技术领域

本发明涉及网络技术领域，具体来讲是一种兴趣探索方法、存储介质、设备及系统。

背景技术

在推荐领域中，个性化的推荐系统都是基于用户的历史行为，这样的推荐系统虽然可以做到个性化，但是基于这一模型的推荐很容易出现推荐的内容集中在用户经常关注的偏好内，久而久之，就会出现用户的兴趣偏好越来越窄，甚至会出现部分用户的活跃度下降或者流失。造成这一现象的原因主要是在信息爆炸的时代，用户本身对信息的筛选十分困难，需要借助工具。个性化的推荐系统虽然很好地帮助用户做到了这一点，但是却不能帮助用户发现新的兴趣点。在推荐领域中，这一问题被定义为惊喜度。由于推荐系统针对用户所探索的内容都是用户没有发生的行为，具有一定的盲目性，这可能会造成最终的转化率下降，因此大部分的推荐系统为了规避兴趣探索带来的负面效果，都没有使用这一功能。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种兴趣探索方法、存储介质、设备及系统，根据用户的探索概率确定是否对该用户进行兴趣探索，提高兴趣探索的成功率和用户的转化率。

为达到以上目的，本发明采取的技术方案是：提供一种兴趣探索方法，该方法包括以下步骤：

根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率；

当用户的所述探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，所述推荐访问内容属于多个内容分类；

根据所述反馈信息从多个所述内容分类中筛选出继续推送的内容分类。

在上述技术方案的基础上，用户包括注册用户，注册用户的所述探索概率p_m的计算方法为：

其中，a为固定概率，0＜a＜1，m为该注册用户访问过的内容分类总数。

在上述技术方案的基础上，用户包括非注册用户，非注册用户的所述探索概率ρ_k的计算方法为：

其中，λ为期望进行兴趣探索的次数，k为对该非注册用户已经进行的兴趣探索的次数。

在上述技术方案的基础上，对每个用户未访问过的所有N₀个内容分类按照权重从大到小进行排序，并选取排在前面的N₁个内容分类作为所述推荐访问内容的内容分类，其中，1＜N₁≤N₀，所述内容分类的权重通过对所有用户访问过的所有内容分类进行统计得到。

在上述技术方案的基础上，从内存数据库中提取用户的反馈信息，所述反馈信息是从客户端获取后存入内存数据库的；

其中，所述反馈信息包括在每个所述内容分类中，所述推荐访问内容的曝光次数以及该用户的点击次数。

在上述技术方案的基础上，根据反馈信息从多个所述内容分类中筛选出继续推送的内容分类的具体流程包括：

计算多个所述内容分类的得分，将得分最高的所述内容分类作为继续推送的内容分类。

在上述技术方案的基础上，根据置信区间上界算法计算所有所述内容分类的得分，其计算方法为：

其中，I_j为第j个所述内容分类的得分，

为第j个所述内容分类的平均分，

T_j(n)为对第j个所述内容分类累计兴趣探索次数，n为对所有所述内容分类累计兴趣探索的次数，β为第j个所述内容分类的权重，c为用户对第j个所述内容分类的点击次数，v为第j个所述内容分类的曝光次数。

本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明还提供一种控件呈现设备，包括存储器、处理器及存储在存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明还提供一种兴趣探索系统，该系统包括探索概率计算模块、反馈信息获取模块和筛选模块；

所述探索概率计算模块用于：根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率；

所述反馈信息获取模块用于：当用户的所述探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，所述推荐访问内容属于多个内容分类；

所述筛选模块用于：根据所述反馈信息从多个所述内容分类中筛选出继续推送的内容分类。

与现有技术相比，本发明的优点在于：

(1)根据用户的探索概率确定是否对该用户进行兴趣探索，避免盲目地向所有用户进行兴趣探索，从而提高兴趣探索的成功率和用户的转化率。

(2)在每个用户未访问过的内容分类中，推送权重排序在前的内容分类，可以实现对不同的内容分类进行有差别地探索，以进一步提高探索的成功率。

(3)将用户分为注册用户和非注册用户，注册用户和非注册用户的探索概率的计算方法不同，以给予注册用户和非注册用户不同的探索概率，以进一步提高探索的成功率。

附图说明

图1为本发明实施例兴趣探索方法的流程图；

图2为本发明实施例中电子设备的结构示意图；

图3为本发明实施例中兴趣探索系统的结构框图。

具体实施方式

以下结合附图及实施例对本发明作进一步详细说明。

参见图1所示，本发明实施例提供一种兴趣探索方法，可以适用于用户在音乐、视频、新闻、游戏、网络直播或者网上购物等方面的线上实时探索，该方法包括以下步骤：

S1.根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率。

以网络直播平台为例，线上首先读取用户的历史行为信息(用户画像)，确定用户的偏好；然后，根据配置计算用户的该次请求是否触发兴趣探索行为。

用户的历史行为信息包括用户的基础信息和行为信息。其中，基础信息包括用户注册时长、用户等级、用户邮箱认证状态，用户手机认证状态、来源类型和注册地等。行为信息包括观看信息、登录信息、充值信息、弹幕信息和交易信息等。从时间维度上，行为信息还包括历史行为信息指标、历史行为信息指标波动率和最近行为信息等。用户的历史行为信息还可以包括根据基础信息和行为信息中的一种、或者两种以上进行统计得到的用户数据。

在一种实施方式中，将用户分为注册用户和非注册用户，注册用户和非注册用户的探索概率的计算方法不同，以给予注册用户和非注册用户不同的探索概率，以进一步提高探索的成功率，具体的，倾向于给予注册用户较小的探索概率，并加大非注册用户的探索概率。注册用户的探索概率p_m的计算方法为：

其中，a为固定概率，a为根据具体的应用场景来选定的常数，0＜a＜1，m为该注册用户访问过的内容分类总数，可以从用户的历史行为信息中统计得到。当注册用户没有访问过任何内容分类时，对该注册用户的探索概率最大(为1)。当注册用户访问过的内容分类越多时，对该注册用户进行兴趣探索的探索概率越小。

非注册用户的探索概率ρ_k的计算方法为：

其中，λ为期望进行兴趣探索的次数，k为对该非注册用户已经进行的兴趣探索的次数，可以从用户的历史行为信息中统计得到。k可能会超过λ，当k超过期望进行兴趣探索的次数越大时，探索概率会越低。

在实际应用中，由于几乎所有的注册用户都有自己的兴趣偏好的内容分类，即m都不等于0，而非注册用户普遍缺乏兴趣偏好的内容分类，m基本都为0，因此，如果采用公式(1)来计算非注册用户的探索概率，会导致所有非注册用户的探索概率都为1，没有考虑随着对非注册用户已经进行兴趣探索的次数增加，所造成的探索概率应当下降的因素。因此，与注册用户相比，对于非注册用户不但采用公式(2)来计算探索概率，而且倾向于加大非注册用户的探索概率。

内容分类是推荐访问内容的类别，不同的应用场景具有不同的内容分类，以网络直播平台为例，内容分类可以包括游戏、娱乐、颜值、科技等大类，其中，游戏还可以分为电脑游戏、客厅游戏和手机游戏等小类，各小类还可以进一步细分。推送给用户的内容分类可以是上述的大类、小类、细分中的一种，或者几种的组合。每一个内容分类中，可以有多个推荐访问内容，每个推荐访问内容只能归入一个内容分类中。

S2.当用户的探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，推荐访问内容属于多个内容分类。

当用户的探索概率超过设定的阈值时，则触发对该用户的兴趣探索，首先，获取该用户对最近的推荐访问内容的反馈信息。在一种实施方式中，从内存数据库中提取用户的反馈信息，反馈信息是从客户端获取后存入内存数据库的。其中，反馈信息包括在每个内容分类中，推荐访问内容的曝光次数以及该用户的点击次数。

具体的，在实际应用中，该用户所使用的客户端实时将用户行为日志传回日志回收系统，日志回收系统将用户行为日志写入数据流，例如Kafka分布式发布订阅消息系统。同时启动一个流式服务实时统计各用户在各自内容分类下的点击次数和曝光次数。在每个统计周期内，实时将统计结果写入redis内存数据库，则该反馈信息可以在离线时实时流泻入redis内存数据库中。

进一步的，确定推荐访问内容的内容分类的方法为：对每个用户未访问过的所有N₀个内容分类按照权重从大到小进行排序，并选取排在前面的N₁个内容分类作为推荐访问内容的内容分类，其中，1＜N₁≤N₀，内容分类的权重通过对所有用户访问过的所有内容分类进行统计得到，可以实现对不同的内容分类进行有差别地探索，以进一步提高探索的成功率。

进一步的，推送给每个用户的内容分类数量可以相同，也可以不同。例如，可以为每个用户预先设定其访问的内容分类总数，则推送给该用户的推荐访问内容的内容分类为内容分类总数与该用户访问过的内容分类数量之差。每次为用户推送多个内容分类，以提高兴趣探索的效率。

在其他的实施方式中，也可以从用户较少访问的内容分类中选择推荐访问内容，并推送给用户，以进一步发掘用户的兴趣或者需求。

用户的反馈信息包括对推荐访问内容的点击、下载、浏览、在线安装、收藏和/或评价(例如评论、评分、点赞等)等用户行为信息。

可以理解的是，设定的阈值根据应用场景来选定。

S3.根据反馈信息从多个内容分类中筛选出继续推送的内容分类。

步骤S3具体包括：计算多个内容分类的得分，将得分最高的内容分类作为继续推送的内容分类。计算多个内容分类的得分可以采用以下算法中的一种或者两种以上的组合，以下算法包括ε-greedy算法、抽样方法算法、Ranked Bandits算法、ContextualBandits算法和Reinforcement Learning算法等。

在一种实施方式中，根据置信区间上界算法计算所有内容分类的得分，其计算方法为：

其中，I_j为第j个内容分类的得分，

为第j个内容分类的平均分，

T_j(n)为对第j个内容分类累计兴趣探索次数，n为对所有内容分类累计兴趣探索的次数，β为第j个内容分类的权重，c为用户对第j个内容分类的点击次数，v为第j个内容分类的曝光次数。

每次出发兴趣探索，选取得分最大的内容分类进行探索。

根据用户的探索概率确定是否对该用户进行兴趣探索，避免盲目地向所有用户进行兴趣探索，从而提高兴趣探索的成功率和用户的转化率。

本发明实施例能够有效地解决推荐系统中的“惊喜度”问题，同时还能最大限度地规避兴趣探索带来的负面效果，能够有效地减少用户的流失，增加用户对产品的粘度。

本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述兴趣探索方法。需要说明的是，存储介质包括U盘、移动硬盘、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、磁碟或者光盘等各种可以存储程序代码的介质。

参见图2所示，本发明实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述兴趣探索方法。

需要说明的是：本发明实施例提供的系统在进行模块间通信时，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，即将系统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。

本发明实施例还提供一种兴趣探索系统，该系统包括探索概率计算模块、反馈信息获取模块和筛选模块。

探索概率计算模块用于：根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率。

反馈信息获取模块用于：当用户的探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，推荐访问内容属于多个内容分类。

筛选模块用于：根据反馈信息从多个内容分类中筛选出继续推送的内容分类。

进一步，本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种兴趣探索方法，其特征在于，该方法包括以下步骤：

根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率；

当用户的所述探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，所述推荐访问内容属于多个内容分类；

根据所述反馈信息从多个所述内容分类中筛选出继续推送的内容分类；

其中，确定所述推荐访问内容的内容分类的方法包括：

对每个用户未访问过的所有N₀个内容分类按照权重从大到小进行排序，并选取排在前面的N₁个内容分类作为所述推荐访问内容的内容分类，其中，1＜N₁≤N₀，所述内容分类的权重通过对所有用户访问过的所有内容分类进行统计得到。

2.如权利要求1所述的兴趣探索方法，其特征在于：用户包括注册用户，注册用户的所述探索概率p_m的计算方法为：

其中，a为固定概率，0＜a＜1，m为该注册用户访问过的内容分类总数。

3.如权利要求1所述的兴趣探索方法，其特征在于：用户包括非注册用户，非注册用户的所述探索概率ρ_k的计算方法为：

其中，λ为期望进行兴趣探索的次数，k为对该非注册用户已经进行的兴趣探索的次数。

4.如权利要求1所述的兴趣探索方法，其特征在于：从内存数据库中提取用户的反馈信息，所述反馈信息是从客户端获取后存入内存数据库的；

其中，所述反馈信息包括在每个所述内容分类中，所述推荐访问内容的曝光次数以及该用户的点击次数。

5.如权利要求1所述的兴趣探索方法，其特征在于，根据反馈信息从多个所述内容分类中筛选出继续推送的内容分类的具体流程包括：

计算多个所述内容分类的得分，将得分最高的所述内容分类作为继续推送的内容分类。

6.如权利要求5所述的兴趣探索方法，其特征在于，根据置信区间上界算法计算所有所述内容分类的得分，其计算方法为：

其中，I_j为第j个所述内容分类的得分，

为第j个所述内容分类的平均分，

T_j(n)为对第j个所述内容分类累计兴趣探索次数，n为对所有所述内容分类累计兴趣探索的次数，β为第j个所述内容分类的权重，c为用户对第j个所述内容分类的点击次数，v为第j个所述内容分类的曝光次数。

7.一种存储介质，该存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。

8.一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，其特征在于：处理器执行计算机程序时实现权利要求1至6任一项所述方法的步骤。

9.一种兴趣探索系统，其特征在于：该系统包括探索概率计算模块、反馈信息获取模块和筛选模块；

所述探索概率计算模块用于：根据用户的历史行为信息，计算对每个用户进行兴趣探索的探索概率；

所述反馈信息获取模块用于：当用户的所述探索概率超过设定的阈值时，获取该用户对最近的推荐访问内容的反馈信息，所述推荐访问内容属于多个内容分类；

其中，确定所述推荐访问内容的内容分类的方法包括：

对每个用户未访问过的所有N₀个内容分类按照权重从大到小进行排序，并选取排在前面的N₁个内容分类作为所述推荐访问内容的内容分类，其中，1＜N₁≤N₀，所述内容分类的权重通过对所有用户访问过的所有内容分类进行统计得到；

所述筛选模块用于：根据所述反馈信息从多个所述内容分类中筛选出继续推送的内容分类。

Images