CN109829116A - 一种内容推荐方法、装置、服务器及计算机可读存储介质 - Google Patents

Abstract

本申请是关于一种内容推荐方法、装置、服务器及计算机可读存储介质，方法包括：获得待进行内容推荐的用户的特征信息；用户的特征信息包括：用户在历史上点击内容的行为所对应的行为特征信息；将用户的特征信息和待推荐内容的特征信息输入至点击率预估模型，得到用户点击待推荐内容的点击率估计值；点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值计算得到的；根据点击率估计值，确定给用户推荐待推荐内容的推荐策略。这样，该点击率预估模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性，使得可以得到更准确的点击率估计值，从而可以更精准地进行内容推荐。

Description

一种内容推荐方法、装置、服务器及计算机可读存储介质

技术领域

本申请涉及互联网技术领域，特别是涉及一种内容推荐方法、装置、服务器及计算机可读存储介质。

背景技术

随着互联网技术的发展，网络用户越来越频繁地浏览视频网站、新闻网站和购物网站等网站所推荐的内容。

但是，目前的视频网站、新闻网站和购物网站等网站向每个用户所推荐的内容是一样的。而对于不同用户而言，每个用户所感兴趣的视频、新闻或物品是不相同的。这样，使得网站所推荐的内容无法满足用户的个性化需求。

发明内容

为克服相关技术中存在的问题，本申请提供一种内容推荐方法、装置、服务器及计算机可读存储介质。

根据本申请实施例的第一方面，提供一种内容推荐方法，该方法包括：

获得待进行内容推荐的用户的特征信息；用户的特征信息包括：用户在历史上点击内容的行为所对应的行为特征信息；

将用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到用户点击待推荐内容的点击率估计值；其中，点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值计算得到的；

根据点击率估计值，确定给用户推荐待推荐内容的推荐策略。

可选地，点击率预估模型为深度感兴趣模型；深度感兴趣模型包括激活单元和计算单元；

激活单元，用于基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值，计算每个行为特征信息的权重值；

计算单元，用于根据加权和计算用户点击待推荐内容的点击率估计值；加权和是利用权重值对行为特征信息进行加权求和计算得到的。

可选地，计算用户对每个行为特征信息的选择倾向值的方式包括：

对用户的各个行为特征信息进行求和，得到和值特征信息；

根据各个行为特征信息的数量和和值特征信息，计算平均特征信息；

计算用户的每个行为特征信息与平均特征信息的第一相似度；

根据第一相似度，确定用户对每个行为特征信息的选择倾向值。

可选地，激活单元包括：第一特征连接层、第二特征连接层、第三特征连接层、第一全连接层、第二全连接层和第三全连接层；

第一特征连接层，用于对用户的行为特征信息、待推荐内容的特征信息以及第二相似度进行特征连接，得到第一特征信息；其中，第二相似度为用户的行为特征信息与待推荐内容的特征信息的差值；

第二特征连接层，用于对用户的行为特征信息、平均特征信息以及第一相似度进行特征连接，得到第二特征信息；其中，第一相似度为用户的行为特征信息与平均特征信息的差值；

第一全连接层，用于对第一特征信息进行全连接，得到第一全连接特征信息；

第二全连接层，用于对第二特征信息进行全连接，得到第二全连接特征信息；

第三特征连接层，用于连接第一全连接特征信息和第二全连接特征信息，得到第三特征信息；

第三全连接层，用于对第三特征信息进行全连接，得到每个行为特征信息的权重值。

可选地，根据点击率估计值，确定给用户推荐待推荐内容的推荐策略的步骤，包括：

判断点击率估计值是否大于预设点击率；

若是，确定给用户推荐待推荐内容；

若否，确定放弃给用户推荐待推荐内容。

根据本申请实施例的第二方面，提供一种内容推荐装置，该装置包括：

获得模块，用于获得待进行内容推荐的用户的特征信息；用户的特征信息包括：用户在历史上点击内容的行为所对应的行为特征信息；

输入模块，用于将用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到用户点击待推荐内容的点击率估计值；其中，点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值计算得到的；

确定模块，用于根据点击率估计值，确定给用户推荐待推荐内容的推荐策略。

可选地，点击率预估模型为深度感兴趣模型；深度感兴趣模型包括激活单元和计算单元；

激活单元，用于基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值，计算每个行为特征信息的权重值；

计算单元，用于根据加权和计算用户点击待推荐内容的点击率估计值；加权和是利用权重值对行为特征信息进行加权求和计算得到的。

可选地，激活单元计算用户对每个行为特征信息的选择倾向值的方式包括：

对用户的各个行为特征信息进行求和，得到和值特征信息；

根据各个行为特征信息的数量和和值特征信息，计算平均特征信息；

计算用户的每个行为特征信息与平均特征信息的第一相似度；

根据第一相似度，确定用户对每个行为特征信息的选择倾向值。

可选地，激活单元包括：第一特征连接层、第二特征连接层、第三特征连接层、第一全连接层、第二全连接层和第三全连接层；

第一特征连接层，用于对用户的行为特征信息、待推荐内容的特征信息以及第二相似度进行特征连接，得到第一特征信息；其中，第二相似度为用户的行为特征信息与待推荐内容的特征信息的差值；

第二特征连接层，用于对用户的行为特征信息、平均特征信息以及第一相似度进行特征连接，得到第二特征信息；其中，第一相似度为用户的行为特征信息与平均特征信息的差值；

第一全连接层，用于对第一特征信息进行全连接，得到第一全连接特征信息；

第二全连接层，用于对第二特征信息进行全连接，得到第二全连接特征信息；

第三特征连接层，用于连接第一全连接特征信息和第二全连接特征信息，得到第三特征信息；

第三全连接层，用于对第三特征信息进行全连接，得到每个行为特征信息的权重值。

可选地，在本申请实施例中确定模块包括：

判断子模块，用于判断点击率估计值是否大于预设点击率；

第一确定子模块，用于当点击率估计值大于预设点击率时，确定给用户推荐待推荐内容；

第二确定子模块，用于当点击率估计值小于等于预设点击率时，确定放弃给用户推荐待推荐内容。

根据本申请实施例的第三方面，提供一种服务器，包括：

处理器，用于存储处理器可执行指令的存储器；

其中，处理器被配置为执行上述第一方面中任一项潜在用户确定方法的方法步骤。

根据本申请实施例的第四方面，提供一种可读存储介质，当存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述第一方面中任一项潜在用户确定方法的方法步骤。

根据本申请实施例的第五方面，提供一种计算机程序产品，当其在服务器上运行时，使得服务器执行：上述第一方面中任一项潜在用户确定方法的方法步骤。

在本申请实施例中，可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据一示例性实施例示出的一种内容推荐方法的流程图。

图2是相关技术中提供的一种点击率预估模型的示意图。

图3是根据一示例性实施例示出的一种点击率预估模型中的激活单元的示意图。

图4是根据一示例性实施例示出的一种内容推荐装置的框图。

图5是根据一示例性实施例示出的一种服务器的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

为了解决相关技术中存在的技术问题，本申请实施例提供了一种内容推荐方法、装置、服务器及计算机可读存储介质。

下面结合图1至图3，对本申请实施例提供内容推荐方法进行说明。

图1是根据一示例性实施例示出的一种内容推荐方法的流程图。图2是相关技术中提供的一种点击率预估模型的示意图。图3是根据一示例性实施例示出的一种点击率预估模型中的激活单元的示意图。

本申请实施例提供内容推荐方法可以应用于服务器，如图1所示，该方法可以包括以下步骤：

S101：获得待进行内容推荐的用户的特征信息；用户的特征信息包括：用户在历史上点击内容的行为所对应的行为特征信息；

可以理解的是，在确定待进行内容推荐的用户之后，可以获得该用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息，当然并不局限于此。

举例而言，该用户的特征信息可以包括：该用户在历史上点击视频A的行为所对应的行为特征信息。其中，该行为特征信息可以包括：用户所点击的视频A的标识信息、作者信息和类型信息等。

S102：将用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到用户点击待推荐内容的点击率估计值；其中，点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值计算得到的；

可以理解的是，待推荐内容包括但并不局限于广告、新闻、视频和商品。另外，待推荐内容的特征信息可以包括：待推荐内容的标识信息、作者信息和类型信息等。

在本申请实施例中，点击率预估模型可以为DIN(Deep Interest Network，深度感兴趣模型)模型。而且，本申请实施例的深度感兴趣模型可以包括激活单元和计算单元。

其中，激活单元可以用于：基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值，计算每个行为特征信息的权重值。计算单元可以用于：根据加权和计算用户点击待推荐内容的点击率估计值；加权和是利用权重值对行为特征信息进行加权求和计算得到的。这样，使得点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。从而，使得该点击率预估模型能够得到更准确的点击率估计值。

其中，激活单元可以通过如下方式计算用户对每个行为特征信息的选择倾向值：对用户的各个行为特征信息进行求和，得到和值特征信息。然后，根据各个行为特征信息的数量和和值特征信息，计算平均特征信息。之后，计算用户的每个行为特征信息与平均特征信息的第一相似度。然后，根据第一相似度，确定用户对每个行为特征信息的选择倾向值。

可以理解的是，上述行为特征信息、和值特征信息、平均特征信息和第一相似度可以通过向量的形式表示。

下面结合图2所示的相关技术中的点击率预估模型对本申请实施例所提供的点击率预估模型进行说明：

如图2所示，图2所示的点击率预估模型中包括激活单元(Activation Unit)。但是在该激活单元中，仅考虑了用户的行为与待推荐内容的关系，而忽略了用户选择行为的倾向性。

其中，在图2中，全连接(FCs)表示神经网络中全连接层，可以是多层全连接。连接(Concatenate)表示特征连接层，用于对多个特征(例如嵌入特征)层首尾相接操作。元素-智能(element-wise)+、-和×表示按照维度进行相加、相减和相乘操作。加权和(weightsum)表示加权相加。另外，用户特征组中包含用户特征，广告特征组中包含广告特征，也可以叫做项目特征。广告特征中可以包括商品标识和商店标识等。

而在本申请实施例中，点击率预估模型中的激活单元如图3所示。参见图3，该激活单元包括：FCs301、连接(Concatenate)302、FCs303、FCs304、连接(Concatenate)305和连接(Concatenate)306。其中，FCs301表示第三全连接层、连接(Concatenate)302表示第三特征连接层、FCs303表示第一全连接层、FCs304表示第二全连接层、连接(Concatenate)305表示第一特征连接层，以及连接(Concatenate)306表示第二特征连接层。

其中，第一特征连接层用于：对用户的行为特征信息、待推荐内容的特征信息以及第二相似度进行特征连接，得到第一特征信息；第二相似度为用户的行为特征信息与待推荐内容的特征信息的差值。第二特征连接层用于：对用户的行为特征信息、平均特征信息以及第一相似度进行特征连接，得到第二特征信息；第一相似度为用户的行为特征信息与平均特征信息的差值。其中，图3中的用户特征是用户的行为特征信息、项目特征是待推荐内容的特征信息、组中用户特征平均值是平均特征信息，并且，用户特征与项目特征的差值是第二相似度，用户特征与组中用户特征平均值的差值是第一相似度。

其中，当用户的一个行为特征信息与平均特征信息的差值较小(例如小于预设差值)时，即该行为特征信息与平均特征信息较为相似时，说明是该行为特征信息对应的行为是用户的主要兴趣点的行为。否则，该行为特征信息对应的行为则是用户的次要兴趣点的行为。

第一全连接层用于：对第一特征信息进行全连接，得到第一全连接特征信息。第二全连接层用于：对第二特征信息进行全连接，得到第二全连接特征信息。第三特征连接层用于：连接第一全连接特征信息和第二全连接特征信息，得到第三特征信息。第三全连接层用于：对第三特征信息进行全连接，得到每个行为特征信息的权重值。

这样，使得该激活单元既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。从而，可以得到在用户行为较分散或者较集中等情况下，历史行为对后续选择行为的影响，即可以获得用户对兴趣点的选择倾向。从而，可以更为准确地给用户的行为特征信息分配权重值。进而，可以使点击率预估模型能够得到更准确的点击率估计值。

其中，发明人在通过大量实验对本申请所提供的点击率预估模型进行离线评估之后，得到的离线Auc(Area Under Curve，ROC曲线下方的面积大小)相比于图2所示的点击率预估模型的离线Auc增长了0.3pp。其中，离线Auc为模型优劣的评估指标，此为现有概念，在此不做详述。

另外，还可以对激活单元的输出值做softmax归一化处理，从而可以防止数值过大的情况发生。可以理解的是，本领域技术人员还可以根据实际情况，对图3所示的激活单元进行调整。例如，去掉激活单元中的全连接层，或者，将四个输入源直接进行特征连接等。

S103：根据点击率估计值，确定给用户推荐待推荐内容的推荐策略。

其中，可以通过如下方式来确定给用户推荐待推荐内容的推荐策略：

判断点击率估计值是否大于预设点击率。若点击率估计值大于预设点击率，则可以确定给该用户推荐该待推荐内容。若否，则可以确定放弃给该用户推荐该待推荐内容。

另外，当待推荐内容为多个时，还可以根据每个待推荐内容对应的点击率估计值来确定多个待推荐内容的推荐顺序和推荐时间等，这是合理的。

可以理解的是，由于击率预估模型能够得到更准确的点击率估计值，因而可以根据该点击率估计值给用户推荐用户较为感兴趣的内容，提高了用户的体验。

在本申请实施例中，可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

综上，应用本申请实施例提供的内容推荐方法，可以在内容推荐过程中，既考虑用户的行为与待推荐内容的关系，又考虑用户选择行为的倾向性，使得点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

相应于上述方法实施例，本申请实施例还提供了一种内容推荐装置，参见图4，该装置可以包括：

获得模块401，用于获得待进行内容推荐的用户的特征信息；用户的特征信息包括：用户在历史上点击内容的行为所对应的行为特征信息；

输入模块402，用于将用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到用户点击待推荐内容的点击率估计值；其中，点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值计算得到的；

确定模块403，用于根据点击率估计值，确定给用户推荐待推荐内容的推荐策略。

应用本申请实施例提供的装置，可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

可选地，点击率预估模型为深度感兴趣模型；深度感兴趣模型包括激活单元和计算单元；

激活单元，用于基于用户的行为特征信息与待推荐内容的特征信息的相似度，及用户对每个行为特征信息的选择倾向值，计算每个行为特征信息的权重值；

计算单元，用于根据加权和计算用户点击待推荐内容的点击率估计值；加权和是利用权重值对行为特征信息进行加权求和计算得到的。

可选地，激活单元计算用户对每个行为特征信息的选择倾向值的方式包括：

对用户的各个行为特征信息进行求和，得到和值特征信息；

根据各个行为特征信息的数量和和值特征信息，计算平均特征信息；

计算用户的每个行为特征信息与平均特征信息的第一相似度；

根据第一相似度，确定用户对每个行为特征信息的选择倾向值。

可选地，激活单元包括：第一特征连接层、第二特征连接层、第三特征连接层、第一全连接层、第二全连接层和第三全连接层；

第一特征连接层，用于对用户的行为特征信息、待推荐内容的特征信息以及第二相似度进行特征连接，得到第一特征信息；其中，第二相似度为用户的行为特征信息与待推荐内容的特征信息的差值；

第二特征连接层，用于对用户的行为特征信息、平均特征信息以及第一相似度进行特征连接，得到第二特征信息；其中，第一相似度为用户的行为特征信息与平均特征信息的差值；

第一全连接层，用于对第一特征信息进行全连接，得到第一全连接特征信息；

第二全连接层，用于对第二特征信息进行全连接，得到第二全连接特征信息；

第三特征连接层，用于连接第一全连接特征信息和第二全连接特征信息，得到第三特征信息；

第三全连接层，用于对第三特征信息进行全连接，得到每个行为特征信息的权重值。

可选地，在本申请实施例中，确定模块403包括：

判断子模块，用于判断点击率估计值是否大于预设点击率；

第一确定子模块，用于当点击率估计值大于预设点击率时，确定给用户推荐待推荐内容；

第二确定子模块，用于当点击率估计值小于等于预设点击率时，确定放弃给用户推荐待推荐内容。

图5是根据一示例性实施例示出的一种用于实现确定内容推荐的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述任一项内容推荐方法的方法步骤。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在本申请实施例中，服务器可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

相应于上述方法实施例，本申请实施例还提供了一种可读存储介质，当存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述任一项内容推荐方法的方法步骤。其中，该可读存储介质为计算机可读存储介质。

本申请实施例提供的可读存储介质中存储的计算机程序被服务器的处理器执行后，服务器可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

相应于上述方法实施例，本申请实施例还提供了一种计算机程序产品，当其在服务器上运行时，使得服务器执行：上述任一项内容推荐方法的方法步骤。

本申请实施例提供的计算机程序产品被服务器的处理器执行后，服务器可以获得待进行内容推荐的用户的特征信息。其中，该用户的特征信息可以包括：该用户在历史上点击内容的行为所对应的行为特征信息。然后，可以将该用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估计模型中。从而，可以得到该点击率预估计模型输出的该用户点击该待推荐内容的点击率估计值。之后，可以根据该点击率估计值，确定给该用户推荐该待推荐内容的推荐策略。其中，由于该点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度，以及用户对每个行为特征信息的选择倾向值计算得到的。因而，该点击率预估计模型既考虑了用户的行为与待推荐内容的关系，又考虑了用户选择行为的倾向性。这样，使得该点击率预估模型能够得到更准确的点击率估计值，从而可以给用户推荐用户较为感兴趣的内容，提高了用户的体验。

本领域技术人员在考虑说明书及实践这里申请的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由本申请的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、服务器、计算机可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，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。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种内容推荐方法，其特征在于，所述方法包括：

获得待进行内容推荐的用户的特征信息；所述用户的特征信息包括：所述用户在历史上点击内容的行为所对应的行为特征信息；

将所述用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到所述用户点击所述待推荐内容的点击率估计值；其中，所述点击率估计值是基于所述用户的行为特征信息与所述待推荐内容的特征信息的相似度，及所述用户对每个所述行为特征信息的选择倾向值计算得到的；

根据所述点击率估计值，确定给所述用户推荐所述待推荐内容的推荐策略。

2.根据权利要求1所述的方法，其特征在于，所述点击率预估模型为深度感兴趣模型；所述深度感兴趣模型包括激活单元和计算单元；

所述激活单元，用于基于所述用户的行为特征信息与所述待推荐内容的特征信息的相似度，及所述用户对每个所述行为特征信息的选择倾向值，计算每个所述行为特征信息的权重值；

所述计算单元，用于根据加权和计算所述用户点击所述待推荐内容的点击率估计值；所述加权和是利用所述权重值对所述行为特征信息进行加权求和计算得到的。

3.根据权利要求2所述的方法，其特征在于，计算所述用户对每个所述行为特征信息的选择倾向值的方式包括：

对所述用户的各个所述行为特征信息进行求和，得到和值特征信息；

根据所述各个行为特征信息的数量和所述和值特征信息，计算平均特征信息；

计算所述用户的每个所述行为特征信息与所述平均特征信息的第一相似度；

根据所述第一相似度，确定所述用户对每个所述行为特征信息的选择倾向值。

4.根据权利要求3所述的方法，其特征在于，所述激活单元包括：第一特征连接层、第二特征连接层、第三特征连接层、第一全连接层、第二全连接层和第三全连接层；

所述第一特征连接层，用于对所述用户的行为特征信息、所述待推荐内容的特征信息以及第二相似度进行特征连接，得到第一特征信息；其中，所述第二相似度为所述用户的行为特征信息与所述待推荐内容的特征信息的差值；

所述第二特征连接层，用于对所述用户的行为特征信息、所述平均特征信息以及所述第一相似度进行特征连接，得到第二特征信息；其中，所述第一相似度为所述用户的行为特征信息与所述平均特征信息的差值；

所述第一全连接层，用于对所述第一特征信息进行全连接，得到第一全连接特征信息；

所述第二全连接层，用于对所述第二特征信息进行全连接，得到第二全连接特征信息；

所述第三特征连接层，用于连接所述第一全连接特征信息和所述第二全连接特征信息，得到第三特征信息；

所述第三全连接层，用于对所述第三特征信息进行全连接，得到每个所述行为特征信息的权重值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据所述点击率估计值，确定给所述用户推荐所述待推荐内容的推荐策略的步骤，包括：

判断所述点击率估计值是否大于预设点击率；

若是，确定给所述用户推荐所述待推荐内容；

若否，确定放弃给所述用户推荐所述待推荐内容。

6.一种内容推荐装置，其特征在于，所述装置包括：

获得模块，用于获得待进行内容推荐的用户的特征信息；所述用户的特征信息包括：所述用户在历史上点击内容的行为所对应的行为特征信息；

输入模块，用于将所述用户的特征信息和待推荐内容的特征信息输入至预先构建的点击率预估模型，得到所述用户点击所述待推荐内容的点击率估计值；其中，所述点击率估计值是基于所述用户的行为特征信息与所述待推荐内容的特征信息的相似度，及所述用户对每个所述行为特征信息的选择倾向值计算得到的；

确定模块，用于根据所述点击率估计值，确定给所述用户推荐所述待推荐内容的推荐策略。

7.根据权利要求6所述的装置，其特征在于，所述点击率预估模型为深度感兴趣模型；所述深度感兴趣模型包括激活单元和计算单元；

所述激活单元，用于基于所述用户的行为特征信息与所述待推荐内容的特征信息的相似度，及所述用户对每个所述行为特征信息的选择倾向值，计算每个所述行为特征信息的权重值；

所述计算单元，用于根据加权和计算所述用户点击所述待推荐内容的点击率估计值；所述加权和是利用所述权重值对所述行为特征信息进行加权求和计算得到的。

8.根据权利要求7所述的装置，其特征在于，所述激活单元计算所述用户对每个所述行为特征信息的选择倾向值的方式包括：

对所述用户的各个所述行为特征信息进行求和，得到和值特征信息；

根据所述各个行为特征信息的数量和所述和值特征信息，计算平均特征信息；

计算所述用户的每个所述行为特征信息与所述平均特征信息的第一相似度；

根据所述第一相似度，确定所述用户对每个所述行为特征信息的选择倾向值。

9.一种服务器，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述1-5中任一项内容推荐方法的方法步骤。

10.一种可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述1-5中任一项内容推荐方法的方法步骤。