CN110209924B - 推荐参数获取方法、装置、服务器及存储介质 - Google Patents
推荐参数获取方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110209924B CN110209924B CN201810832890.0A CN201810832890A CN110209924B CN 110209924 B CN110209924 B CN 110209924B CN 201810832890 A CN201810832890 A CN 201810832890A CN 110209924 B CN110209924 B CN 110209924B
- Authority
- CN
- China
- Prior art keywords
- message
- user
- reading
- operation behavior
- 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.)
- Active
Links
Images
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种推荐参数获取方法、装置、服务器及存储介质；本发明实施例基于阅读兴趣度真实值以及阅读兴趣度预测值，对用户的操作行为特征以及消息的消息推荐特征进行优化，得到用户的优化后操作行为特征以及消息的优化后消息推荐特征；由于阅读兴趣度真实值反映了用户对消息的真实兴趣，进而用户的优化后操作行为特征以及消息的优化后消息推荐特征也反映了用户对消息的真实兴趣，那么基于用户的优化后操作行为特征以及消息的优化后消息推荐特征，为用户推荐的消息也符合用户兴趣，解决了现有消息推荐方式存在的推荐不准确的技术问题。
Description
技术领域
本发明涉及推荐领域，具体涉及一种推荐参数获取方法、装置、服务器及存储介质。
背景技术
基于用户反馈，进行新闻、广告等消息推荐是推荐系统的核心；现有推荐系统根据用户订阅的新闻频道(如经济、军事等)、喜好(如比赛、黄金走势等)等反馈参数，为用户推荐对应的新闻等消息。
这些消息推荐方式需要用户手动订阅新闻频道或喜好内容，会增加用户使用负担；同时，用户喜好会随时变化，现有推荐方式不能对这些变化产生响应，导致推荐的新闻等消息不够准确。
即现有消息推荐方式存在推荐不准确的技术问题。
发明内容
本发明实施例提供一种推荐参数获取方法、装置、服务器及存储介质，以解决现有消息推荐技术存在的推荐不准确的技术问题。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例提供一种推荐参数获取方法，其包括：
获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
获取所述用户对所述消息的阅读兴趣度真实值；
基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
本发明实施例提供一种推荐参数获取装置，其包括：
第一获取模块，用于获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
预测模块，用于使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述信息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
第二获取模块，用于获取所述用户对所述消息的阅读兴趣度真实值；
优化模块，用于基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
本发明实施例提供一种服务器，其包括处理器和存储器，所述存储器存储有多条指令，所述指令适于处理器进行加载，以执行上述推荐参数获取方法中的步骤。
本发明实施例提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述推荐参数获取方法中的步骤。
本发明实施例通过得到用户对消息的阅读兴趣度真实值，然后获取用户的操作行为特征以及消息的消息推荐特征，以得到用户对消息的阅读兴趣度预测值，然后基于阅读兴趣度真实值以及阅读兴趣度预测值，对用户的操作行为特征以及消息的消息推荐特征进行优化，得到用户的优化后操作行为特征以及消息的优化后消息推荐特征。由于阅读兴趣度真实值在很大程度反映了用户对消息的真实兴趣，进而用户的优化后操作行为特征以及消息的优化后消息推荐特征在很大程度也反映了用户对消息的真实兴趣，这样当需要推荐消息时，基于用户的优化后操作行为特征以及消息的优化后消息推荐特征，为待推荐用户推荐消息也很大概率符合用户兴趣，解决了现有消息推荐方式存在的推荐不准确的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的推荐系统的组网示意图；
图2a是本发明实施例提供的推荐参数获取方法的流程示意图；
图2b是本发明实施例提供的推荐参数获取方法中特征优化步骤的流程示意图；
图3是本发明实施例提供的推荐服务器的结构示意图；
图4是本发明实施例提供的消息推荐方法的流程示意图；
图5是本发明实施例提供的推荐参数获取装置的结构示意图；
图6是本发明实施例提供的阅读参数的示意图；
图7是本发明实施例提供的操作参数的示意图；
图8是本发明实施例提供的阅读界面的示意图；
图9是本发明实施例提供的推荐界面的示意图；
图10是本发明实施例提供的终端的结构示意图；
图11是本发明实施例提供的服务器的结构示意图。
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。
请参阅图1，图1为本发明实施例所提供的推荐系统的场景示意图，该系统可以包括用户终端11、网关12以及提供各种数据以及业务支持的服务器13；其中：
用户终端11包括但不局限于手机、平板等便携终端，以及电脑等固定终端，用于为用户提供业务访问接口，并根据用户各种操作，展示服务器返回的消息，并通过网关12传输至服务器13，如用户使用终端看服务器提供以及推荐的新闻、图片等；
网关12是连接服务器13与用户终端11的枢纽，主要进行数据请求以及响应的交互；
服务器13用于为用户提供各种业务服务，如消息推荐服务等。在本发明中，服务器13可以是推荐服务器，至少用于获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；获取所述用户对所述消息的阅读兴趣度真实值；基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，例如在所述阅读兴趣度真实值与所述阅读兴趣度预测值不满足推荐应用条件时，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征；当需要推荐消息时，使用所述消息阅读兴趣度模型，基于所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征，为待推荐用户推荐消息；在本发明实施例中，服务器采集历史操作行为数据即可得到阅读兴趣度真实值，进而即可实现对用户的推荐，不需要用户订阅频道或者喜好，解放了用户，同时历史操作行为特征在很大程度反映了用户对消息的真实兴趣，那么基于此为用户推荐的消息也很大概率符合用户兴趣，实现了消息推荐结果随着用户喜好变化而变化，解决了现有消息推荐方式存在的推荐不准确的技术问题。
在本发明中，操作行为数据包括所述用户对所述消息进行操作所产生的行为数据；具体的，包括阅读参数以及操作参数等多种参数。
阅读参数包括用户是否阅读消息，在实际存储时，可以采用图6所示的方式进行存储，在图6中，“0”表示对应位置的用户没有阅读(仅仅是打开消息，包括误操作等)对应位置的消息，“1”表示对应位置的用户阅读了对应位置的消息，阅读参数主要用于用户的操作行为特征以及消息的消息推荐特征的优化，针对具体的优化过程，将在下文进行详细描述。
操作参数包括：是否阅读、阅读时长、是否转发、是否收藏等多个维度操作参数中的至少一种参数，例如，在新闻推荐场景下，用户的操作行为比较丰富，抽取比较重要的集中用户行为特征进行拟合，是否阅读、阅读时长、是否转发、是否收藏，通过用户的这些隐性操作拟合显性打分，作为用户对该新闻的近似兴趣评分，总的来说，用户阅读时间越长、有过转发、收藏等正向行为，兴趣度真实值就越大，代表用户对新闻等消息更感兴趣。在本发明中，操作参数主要用于计算得到用户对消息的阅读兴趣度真实值。
在本发明中，消息包括新闻、图片、视频、网页中的至少一种。新闻、图片、视频、网页这些消息用户都可以进行订阅或者设置喜好，那么本发明通过历史数据进行推荐就不需要用户手动订阅或者设置喜好，就可以推荐用户喜好的消息，更大程度的满足用户需求。
在本发明中，操作行为特征用于从多个角度表征用户对消息的阅读兴趣，包括用户在多个抽象维度上的用户向量。而消息推荐特征用于从多个角度表征消息被推荐给用户的概率，包括消息在多个抽象维度上的消息向量。
可选的，所述操作行为特征所包含的抽象维度个数、与所述消息推荐特征所包含的抽象维度个数相同。本发明通过构建多个抽象维度，这些维度不是真实存在的，这样用户就不需要设置职业、性别、年龄等维度信息，进一步的降低用户负担，可以预见的是，抽象维度的个数越多，操作行为特征以及消息推荐特征的刻画就越准确，本发明可以将抽象维度的个数设置为500个。
需要说明的是，图1所示的系统场景示意图仅仅是一个示例，本发明实施例描述的服务器以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，例如仅由用户终端11来实现，同样适用。
以下分别针对消息推荐方法以及装置进行详细说明。
图2a是本发明实施例提供的推荐参数获取方法的流程示意图，请参阅图2a，该推荐参数获取方法包括以下步骤：
S201：获取用户对消息的操作行为特征、以及所述消息的消息推荐特征。
在本实施例中，定义如下：目标用户等用户为U、目标新闻等消息为i，每个用户的操作行为特征对应向量xu∈Rf，每篇消息的消息推荐特征对应向量yu∈Rf，f为f个抽象维度；操作行为特征以用户向量xu表示，消息推荐特征以新闻向量yi表示。
本步骤中的获取所述用户的操作行为特征以及所述消息的消息推荐特征包括：
随机初始化用户向量xu，新闻向量yi；
使用迭代算法得到用户的操作行为特征以及新闻的消息推荐特征。
在本实施例中，预设操作行为特征算法，即第一预设优化函数如公式：
Xu＝(YT·Cu·Y+λI)-1YTCup(u)；
预设消息推荐特征算法，即第二预设优化函数如公式：
Yi＝(XT·Ci·X+λI)-1XTCip(i)；
其中，Xu为操作行为特征，Yi为消息推荐特征，矩阵X为m个用户的用户向量m×f，矩阵Y为n个消息的消息向量n×f，λ为修正系数，一般为0.1。
I、Cu、Ci、p(u)、p(i)都是矩阵，I、Cu、Ci、p(u)、p(i)的内容都由图6所示的表格确定，即由阅读参数确定。具体的，矩阵I是一个m*m的对角矩阵，
表示用户u是否阅读消息i；矩阵Cu是一个m*m的对角矩阵，对角处为1表示对应位置的用户阅读过新闻i，为0表示没阅读；矩阵p(u)是个n*n的对角矩阵，对角处为1表示对应位置的新闻被任意用户阅读过，0表示没有被任意用户阅读；矩阵是一个n*n的对角矩阵，对角处为1表示对应位置的新闻被用户u阅读过，0表示没有用户u阅读；矩阵p(i)是个m*m的对角矩阵，对角处为1表示对应位置的用户阅读过新闻i，为0表示没阅读。
在本步骤中，通过以上公式，可以得到一个操作行为特征Xu(记为没有进行优化的操作行为特征)以及一个消息推荐特征Yi(记为没有进行优化的消息推荐特征)。
S202：使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值。
在本步骤中，兴趣度预测值是一个预测值，表示用户喜好某消息的概率。
然后基于操作行为特征Xu和消息推荐特征Yi可以得到一个阅读兴趣度预测值。
具体的，本步骤使用消息阅读兴趣度模型，计算操作行为特征Xu和消息推荐特征Yi对应的阅读兴趣度预测值，消息阅读兴趣度模型如以下公式所示：
使用预设消息阅读兴趣度模型，根据操作行为特征Xu以及消息推荐特征Yi得到兴趣度预测值Rui。
S203：获取所述用户对所述消息的阅读兴趣度真实值。
可选的，本步骤通过获取用户对消息的操作行为数据，以得到所述用户对所述消息的阅读兴趣度真实值。
本步骤是服务器采样预设时间段内的阅读参数以及操作参数，作为操作行为数据，以及得到阅读兴趣度真实值，预设时间段内可以是过去的所有时间段，也可以是过去24小时、48小时等。
操作行为特征包括用户是否阅读消息的阅读参数，以及在阅读消息时所产生的操作参数，具体的，阅读参数如图6所示，假设存在m个用户(分别标记为用户1等)，以及n个消息(分别标记为消息1等)，若用户1阅读了消息1，采用“1”表示，反之采用“0”表示；如图7所示，操作参数中的是否收藏以及是否转发，也采用“1或者0”表示，“1”表示用户收藏或者转发，“0”表示用户没有收拾或者没有转发，阅读时长的单位可以是秒、分钟等任意单位。
用户可以包括所有在推荐服务器或者其他服务器进行了注册的注册用户，也可以是使用终端登录的临时用户，这些用户都具备唯一标识，例如注册用户的唯一标识可以是用户账号、手机号等，而临时用户的唯一标识可以是推荐服务器为终端分配的终端编号、终端MAC地址等。在推荐服务器中，用户通过唯一标识或者标识对应的hash值来区别。
消息可以包括推荐服务器或者其他服务器内所有可以为用户推荐的图片、网页、论文、新闻等消息，这些消息也同样具有全网唯一标识码或者服务器内唯一标准码。在推荐服务器中，消息通过唯一标识码或者标识码对应的hash值来区别。
在本步骤中，兴趣度真实值是根据真实数据(即操作参数)计算得到的，表示用户对一个消息的兴趣度。
具体的，本步骤包括：从所述操作行为特征中，得到所述用户对所述消息的至少一个维度操作参数；获取各维度操作参数对应的兴趣系数；根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对消息的阅读兴趣度真实值。
本步骤可以预设一个真实兴趣度算法，该算法如公式所示：
cui＝λ1·r1+……+λi·ri+……+λn·rn，其中：ri表示第i个阅读参数，λi表示第i个阅读参数对应的加权系数(即上文中的兴趣系数)。
在本实施例中，本步骤需要计算每一个用户对每一个消息的阅读兴趣度真实值，在本实施例中，如图7所示，包括4个维度的操作参数，分别为是否阅读r1、阅读时长r2、是否收藏r3、是否转发r4，这4个参数在反映用户对新闻的兴趣度的作用依次增大，因此对应的加权系数分别为0.1、0.2、0.3、0.4；此时，预设真实兴趣度算法如下：
cui＝0.1·r1+0.2·r2+0.3·r3+0.4·r4。
为了便于计算，阅读时长r2可以进行归一化处理之后输入预设真实兴趣度算法，例如设置时长参数，时长小于10秒对应时长参数r2＝0.1，依次类推，直至时长大于90秒对应时长参数r2＝1。
通过本步骤，可以得到用户对消息的阅读兴趣度真实值Cui。
S204：基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
本步骤实现了特征的优化，具体的，参加图2b所示，本步骤包括以下子步骤：
S204-1：判断所述阅读兴趣度真实值与所述阅读兴趣度预测值是否满足推荐应用条件。
在本步骤中，推荐应用条件是指可以将操作行为特征Xu以及消息推荐特征Yi应用于后续消息推荐所需要满足的条件，一般会要求阅读兴趣度预测值与阅读兴趣度真实值的偏差小于风险阈值。
具体的，本步骤包括：使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件；若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件。
可选的，预设风险函数如下公式所示：
S＝min∑(Cui-Rui)2+λ(||Xu||2+||Yi||2)。
本步骤包括：根据Cui与Rui，计算风险函数值S；比较风险函数值S与风险阈值thres；若所述风险函数值S小于所述风险阈值，则Cui与Rui满足推荐应用条件，不需要进行优化，直接输出最优操作行为特征以及最优消息推荐特征，作为优化后的操作行为特征、以及优化后的消息推荐特征，然后执行步骤S204-4；否则不满足推荐应用条件，则执行步骤S204-2进行优化。
S204-2：在所述阅读兴趣度真实值与所述阅读兴趣度预测值不满足推荐应用条件时，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
本步骤包括：从所述操作行为特征中，得到所述用户对所述消息的阅读参数；根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征；将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
本步骤中的根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征的步骤，包括：通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征；通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征。
预设优化函数包括第一预设优化函数和第二预设优化函数，这2个函数在步骤S201里面已经有描述，迭代优化原理相同，不再赘述。
S204-3：判断所述阅读兴趣度真实值与所述中间阅读兴趣度预测值是否满足推荐应用条件。
本步骤包括：
根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；
在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，返回步骤S204-2，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；
在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征，在此基础上，执行步骤S204-4。
本步骤与步骤S204-1的实现机制相同，仅需要对风险函数的输入参数替换为中间阅读兴趣度预测值以及阅读兴趣度真实值即可。
中间阅读兴趣度预测值可以参数步骤S202的算法得到，仅需将对应函数的输入参数替换为用户的中间操作行为特征以及消息的中间消息推荐特征即可。
S204-4：输出所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
本步骤就是简单的数据输出，不再赘述。
在图2a所示的实施例的基础上，当需要推荐消息时，就可以使用所述消息阅读兴趣度模型，基于所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征，为待推荐用户推荐消息。本步骤涉及推荐服务，可选的本步骤包括：
获取所述待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征；
根据消息阅读兴趣度模型、待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征，预测所述待推荐用户对所述待推荐消息的阅读兴趣度；
根据所述阅读兴趣度为所述待推荐用户推荐消息。
例如当用户a打开新闻内的军事频道时，服务器在优化后特征集中获取待推荐用户a的操作行为特征、以及军事频道内所有消息(即待推荐消息)的消息推荐特征。在另外一些实施例中，若用户没有打开频道，可以将所有消息都作为待推荐消息。然后使用消息阅读兴趣度模型，逐一计算待推荐用户对各待推荐消息的阅读兴趣度，最后根据消息阅读兴趣度模型得到的待推荐用户对各消息的阅读兴趣度大小，为待推荐用户进行消息推荐，如进行top K推荐等。
基于上述描述可知，在本实施例中，服务器采集历史操作行为特征即可实现对用户的推荐，不需要用户订阅频道或者喜好，解放了用户，同时历史操作行为特征在很大程度反映了用户对消息的真实兴趣，那么基于此为用户推荐的消息也很大概率符合用户兴趣，实现了消息推荐结果随着用户喜好变化而变化，解决了现有消息推荐方式存在的推荐不准确的技术问题。
现以消息为新闻为例，对本发明进行进一步的说明。
如图4所示，本发明提供的推荐服务器(包括上文中的消息推荐装置)包括：采集模块41、训练模块42、测试模块43以及推荐模块44，其中：
采集模块41用于采集多个用户对多个新闻的阅读参数，并形成如图6及图7所示的表格；然后将这些数据按照9:1的比例分为训练集和测试集，训练集输入训练模块42，测试集输入测试模块43；
训练模块42基于训练集得到各用户的最优操作行为特征(即上文中的第二操作行为特征)以及各新闻的最优消息推荐特征(即上文中的第二消息推荐特征)；各子模块的功能在图5所示的方法中进行描述；
测试模块43基于测试集对训练模块42得到的数据进行测试，如果测试通过，则将其输入至推荐模块44，如果测试没有通过，则反馈给训练模块42重新训练；
推荐模块44根据各用户的最优操作行为特征以及各新闻的最优消息推荐特征为当前用户(即上文中的待推荐用户)进行新闻推荐。
结合图4，如图3所示，本实施例提供的消息推荐方法包括以下步骤：
S301：采集操作行为数据，输出训练集和测试集。
采集模块41采集m个用户对n个新闻的操作行为数据，并形成如图6及图7所示的表格；然后将这些数据按照9:1的比例分为训练集和测试集，训练集输入训练模块42，测试集输入测试模块43。
可选的，训练集和测试集都需要设置所有的用户和消息，以用户和消息都为4个为例，训练集包括用户1对消息2的操作行为特征、用户2对消息2的操作行为特征、用户2对消息3的操作行为特征、用户3对消息4的操作行为特征、用户4对消息4的操作行为特征等，而测试集包括用户1对消息1的操作行为特征、用户2对消息4的操作行为特征、用户3对消息3的操作行为特征、用户4对消息2的操作行为特征等，这样训练优化以及测试都可以涉及所有用户和消息，效果更准确。
例如用户的阅读界面如图8所示，用户阅读了一篇标题为“绝地求生：蓝洞故意弄出这个涂鸦来坑人，玩家看后直言已经上当”的新闻，然后服务器采集用户的阅读时长等阅读参数。
S302：在操作行为数据中查找得到阅读参数。
如图6所示，阅读参数包括目标用户是否阅读目标消息，1表示对应位置的用户阅读了对应位置的新闻，0表示对应位置的用户没有阅读对应位置的新闻。
查找模块421在训练集中进行查找，得到阅读参数。
S303：构建目标用户的初始操作行为特征、目标新闻的初始消息推荐特征。
在本实施例中，操作行为特征以用户向量xu表示，消息推荐特征以新闻向量yi表示。
初始化模块422随机初始化用户向量xu，新闻向量yi。
本实施例定义如下：目标用户为U、目标新闻为i，每个用户的操作行为特征对应向量xu∈Rf，每篇新闻消息推荐特征对应向量yu∈Rf，f为f个抽象维度。
S304：使用迭代算法得到用户的第一操作行为特征以及新闻的第一消息推荐特征。
在本实施例中，预设操作行为特征算法如公式：Xu＝(YT·Cu·Y+λI)-1YTCup(u)；预设消息推荐特征算法如公式：Yi＝(XT·Ci·X+λI)-1XTCip(i)。
其中，Xu为操作行为特征，Yi为消息推荐特征，矩阵X为m个用户的用户向量m×f，矩阵Y为n个消息的消息向量n×f，λ为修正系数，一般为0.1，I、Cu、Ci、p(u)、p(i)都是矩阵，I、Cu、Ci、p(u)、p(i)的内容都由图6所示的表格确定。
在本步骤中，迭代模块423可以得到一个操作行为特征Xu(记为第一操作行为特征)以及一个消息推荐特征Yi(记为第一消息推荐特征)。
具体的，操作行为特征迭代模块4231得到一个操作行为特征Xu，消息推荐特征迭代模块4232得到一个消息推荐特征Yi。
S305：根据用户的第一操作行为特征以及新闻的第一消息推荐特征，得到目标用户对目标新闻的兴趣度预测值。
在本步骤中，预设预测兴趣度算法如公式所示：
在本步骤中，预测模块424使用预设预测兴趣度算法，根据操作行为特征Xu以及消息推荐特征Yi得到兴趣度预测值Rui。
S306：根据操作参数，获得目标用户对目标新闻的兴趣度真实值。
在本步骤中，预设真实兴趣度算法如公式所示：
cui＝λ1·r1+……+λi·ri+……+λn·rn，其中，表示第i个阅读参数，表示第i个阅读参数对应的加权系数(即上文中的兴趣系数)，在本实施例中，阅读参数为4个，分别为是否阅读r1、阅读时长r2、是否收藏r3、是否转发r4，这4个参数在反映用户对新闻的兴趣度的作用依次增大，因此对应的加权系数分别为0.1、0.2、0.3、0.4；此时，预设真实兴趣度算法如下：
cui＝0.1·r1+0.2·r2+0.3·r3+0.4·r4。
为了便于计算，阅读时长r2可以进行归一化处理之后输入预设真实兴趣度算法，例如设置时长参数，时长小于10秒对应时长参数r2＝0.1，依次类推，直至时长大于90秒对应时长参数r2＝1。
在本步骤中，计算模块425根据预设真实兴趣度算法，根据图7所示的表格，计算目标用户对所述目标消息的兴趣度真实值Cui。图7示意性的给出了用户u对n个新闻的阅读参数。
S307：对兴趣度预测值和兴趣度真实值进行收敛。
在本步骤中，预设风险函数如下公式所示：
S＝min∑(Cui-Rui)2+λ(||Xu||2+||Yi||2)。
本步骤包括：收敛模块426根据Cui与Rui，计算风险函数值S；比较所述风险函数值S与风险阈值thres；若所述风险函数值S小于所述风险阈值，则Cui与Rui满足收敛条件，收敛结束，输出最优操作行为特征以及最优消息推荐特征；否则不满足收敛条件，通知迭代模块423继续迭代。
S308：使用测试集进行测试。
在本步骤中，测试模块43基于测试集对训练模块42得到的数据进行测试，如果测试通过，则将其输入至推荐模块44，如果测试没有通过，则反馈给训练模块42重新训练。
例如，测试模块43根据测试集中的数据，使用预设真实兴趣度算法计算得到任意用户m对任意新闻n的兴趣度真实值；然后根据调用用户m的操作行为特征以及新闻n的消息推荐特征，使用预设真实兴趣度算法计算得到用户m对新闻n的兴趣度预测值，然后计算风险函数值S，判断是否满足收敛条件，若满足，则测试通过，否则测试未通过。
S309：根据操作行为特征以及消息推荐特征进行推荐。
在本步骤中，推荐模块44根据各用户的最优操作行为特征以及各新闻的最优消息推荐特征为当前用户进行新闻推荐。
推荐模块44将各用户的操作行为特征以及各新闻的消息推荐特征分别进行hash映射后，按照hash值的大小排序存储。
在需要进行新闻推荐时，获得当前用户对应的操作行为特征，然后按照hash值大小依次选择对应新闻的消息推荐特征，使用预设预测兴趣度算法计算得到当前用户对所有新闻的兴趣度预测值，然后将最大的兴趣度预测值所对应的新闻推荐给当前用户，如图9所示，为当前用户推荐一篇新闻“绝地求生，玩家错买100个平底锅，没想到几天赚了上万块”。
相应的，图5是本发明实施例提供的推荐参数获取装置的结构示意图，请参阅图5，该推荐参数获取装置包括以下模块：
第一获取模块51，用于获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
预测模块52，用于使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
第二获取模块53，用于获取所述用户对所述消息的阅读兴趣度真实值；
优化模块54，用于基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，第二获取模块53可以具体用于：从所述操作行为数据中，得到所述用户对所述消息的至少一个维度操作参数；根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值。
在一实施例中，第二获取模块53可以具体用于：获取各维度操作参数对应的兴趣系数；根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对消息的阅读兴趣度真实值。
在一实施例中，优化模块54可以具体用于：使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件，不对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化；若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件，则对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，推荐模块55可以具体用于：获取所述待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征；根据消息阅读兴趣度模型、待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征，预测所述待推荐用户对所述待推荐消息的阅读兴趣度；根据所述阅读兴趣度为所述待推荐用户推荐消息。
在一实施例中，优化模块54可以具体用于：从操作行为数据中，得到所述用户对所述消息的阅读参数；根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征；将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
在一实施例中，优化模块54可以具体用于：通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征；通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征。
在一实施例中，优化模块54可以具体用于：根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
本发明提供的方法以及装置可以仅由服务器实现，也可以仅由手机等用户终端实现，还可以由用户终端与服务器配合实现。
本发明提供的方法中的各个步骤可以顺序运行，也可以多线程同时运行，现以多线程同时运行为例进行说明。
相应的，本发明实施例还提供一种终端，如图10所示，该终端可以包括射频(RF，Radio Frequency)电路1001、包括有一个或一个以上计算机可读存储介质的存储器1002、输入单元1003、显示单元1004、传感器1005、音频电路1006、无线保真(WiFi，WirelessFidelity)模块1007、包括有一个或者一个以上处理核心的处理器1008、以及电源1009等部件。本领域技术人员可以理解，图10中示出的终端结构并不构成对终端的限定，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。其中：
RF电路1001可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器1008处理；另外，将涉及上行的数据发送给基站。通常，RF电路1001包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路1001还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
存储器1002可用于存储软件程序以及模块，处理器1008通过运行存储在存储器1002的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1002可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1002还可以包括存储器控制器，以提供处理器1008和输入单元1003对存储器1002的访问。
输入单元1003可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元1003可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。在一实施例中，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1008，并能接收处理器1008发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元1003还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1004可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1004可包括显示面板，在一实施例中，可以采用液晶显示器(LCD，Liquid CrystalDisplay)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器1008以确定触摸事件的类型，随后处理器1008根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图10中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
终端还可包括至少一种传感器1005，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1006、扬声器，传声器可提供用户与终端之间的音频接口。音频电路1006可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路1006接收后转换为音频数据，再将音频数据输出处理器1008处理后，经RF电路1001以发送给比如另一终端，或者将音频数据输出至存储器1002以便进一步处理。音频电路1006还可能包括耳塞插孔，以提供外设耳机与终端的通信。
WiFi属于短距离无线传输技术，终端通过WiFi模块1007可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1007，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1008是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监控。在一实施例中，处理器1008可包括一个或多个处理核心；优选的，处理器1008可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1008中。
终端还包括给各个部件供电的电源1009(比如电池)，优选的，电源可以通过电源管理系统与处理器1008逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1009还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器1008会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中，并由处理器1008来运行存储在存储器1002中的应用程序，从而实现各种功能：
获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
获取所述用户对所述消息的阅读兴趣度真实值；
基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：从所述操作行为数据中，得到所述用户对所述消息的至少一个维度操作参数；根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值。
在一实施例中，实现功能：获取各维度操作参数对应的兴趣系数；根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对消息的阅读兴趣度真实值。
在一实施例中，实现功能：使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件，不对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化；若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件，则对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：获取所述待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征；根据消息阅读兴趣度模型、待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征，预测所述待推荐用户对所述待推荐消息的阅读兴趣度；根据所述阅读兴趣度为所述待推荐用户推荐消息。
在一实施例中，实现功能：从操作行为数据中，得到所述用户对所述消息的阅读参数；根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征；将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
在一实施例中，实现功能：通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征；通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征。
在一实施例中，实现功能：根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
相应的，本发明实施例还提供一种服务器，如图11所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器1101、一个或一个以上计算机可读存储介质的存储器1102、电源1103和输入单元1104等部件。本领域技术人员可以理解，图11中示出的服务器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。其中：
处理器1101是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器1102内的软件程序和/或模块，以及调用存储在存储器1102内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器1101可包括一个或多个处理核心；优选的，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。
存储器1102可用于存储软件程序以及模块，处理器1101通过运行存储在存储器1102的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1102还可以包括存储器控制器，以提供处理器1101对存储器1102的访问。
服务器还包括给各个部件供电的电源1103，优选的，电源1103可以通过电源管理系统与处理器1101逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1103还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元1104，该输入单元1104可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器1101会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1102中，并由处理器1101来运行存储在存储器1102中的应用程序，从而实现各种功能，如下：
获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
获取所述用户对所述消息的阅读兴趣度真实值；
基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：从所述操作行为数据中，得到所述用户对所述消息的至少一个维度操作参数；根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值。
在一实施例中，实现功能：获取各维度操作参数对应的兴趣系数；根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对消息的阅读兴趣度真实值。
在一实施例中，实现功能：使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件，不对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化；若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件，则对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：获取所述待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征；根据消息阅读兴趣度模型、待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征，预测所述待推荐用户对所述待推荐消息的阅读兴趣度；根据所述阅读兴趣度为所述待推荐用户推荐消息。
在一实施例中，实现功能：从操作行为数据中，得到所述用户对所述消息的阅读参数；根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征；将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
在一实施例中，实现功能：通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征；通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征。
在一实施例中，实现功能：根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对资源管理方法的详细描述，此处不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种方法中的步骤。例如，该指令可以执行如下步骤：
获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
获取所述用户对所述消息的阅读兴趣度真实值；
基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：从所述操作行为数据中，得到所述用户对所述消息的至少一个维度操作参数；根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值。
在一实施例中，实现功能：获取各维度操作参数对应的兴趣系数；根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对消息的阅读兴趣度真实值。
在一实施例中，实现功能：使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件，不对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化；若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件，则对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的优化后操作行为特征以及所述消息的优化后消息推荐特征。
在一实施例中，实现功能：获取所述待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征；根据消息阅读兴趣度模型、待推荐用户的优化后操作行为特征、以及待推荐消息的优化后消息推荐特征，预测所述待推荐用户对所述待推荐消息的阅读兴趣度；根据所述阅读兴趣度为所述待推荐用户推荐消息。
在一实施例中，实现功能：从操作行为数据中，得到所述用户对所述消息的阅读参数；根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化，得到所述用户的中间操作行为特征以及所述消息的中间消息推荐特征；将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
在一实施例中，实现功能：通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征；通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征。
在一实施例中，实现功能：根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种方法中的步骤，因此，可以实现本发明实施例所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种推荐参数获取方法、装置、服务器及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种推荐参数获取方法，其特征在于，包括：
获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
根据用户对所述消息在预设时间段内的操作行为数据，获取所述用户对所述消息的阅读兴趣度真实值；
基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，从操作行为数据中，得到所述用户对所述消息在预设时间段内的阅读参数，其中，所述操作行为数据包括所述用户对所述消息进行操作所产生的行为数据；
通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征，其中，所述预设优化函数表征基于所述阅读参数生成的阅读参数矩阵和所述消息的消息推荐特征之间的算术运算关系；
通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征，其中，所述预设优化函数表征基于所述阅读参数生成的阅读参数矩阵和所述用户的操作行为特征之间的算术运算关系；
将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
2.根据权利要求1所述的方法，其特征在于，所述根据用户对所述消息的操作行为数据，获取所述用户对所述消息的阅读兴趣度真实值的步骤，包括：
从操作行为数据中，得到所述用户对所述消息的至少一个维度操作参数；所述操作行为数据包括所述用户对所述消息进行操作所产生的行为数据；
根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个维度操作参数，确定所述用户对所述消息的阅读兴趣度真实值的步骤，包括：
获取各维度操作参数对应的兴趣系数；
根据所述至少一个维度操作参数、以及各维度操作参数对应的兴趣系数，得到所述用户对所述消息的阅读兴趣度真实值。
4.根据权利要求1所述的方法，其特征在于，所述基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，从操作行为数据中，得到所述用户对所述消息的阅读参数的步骤，包括：
使用预设风险函数，计算所述阅读兴趣度真实值与所述阅读兴趣度预测值对应的风险值；
若所述风险值小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值满足推荐应用条件，不对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化；
若所述风险值不小于风险阈值，则所述阅读兴趣度预测值与所述阅读兴趣度真实值不满足推荐应用条件，则从操作行为数据中，得到所述用户对所述消息的阅读参数。
5.根据权利要求1所述的方法，其特征在于，在将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征的步骤之前，还包括：
使用所述消息阅读兴趣度模型，根据所述用户的中间操作行为特征以及所述消息的中间消息推荐特征，得到所述用户对所述消息的中间阅读兴趣度预测值；
在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值不满足推荐应用条件时，继续执行根据所述阅读参数以及预设优化函数，对所述用户的操作行为特征以及所述消息的消息推荐特征进行优化的步骤；
在所述阅读兴趣度真实值与所述中间阅读兴趣度预测值满足推荐应用条件时，将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
6.一种推荐参数获取装置，其特征在于，包括：
第一获取模块，用于获取用户对消息的操作行为特征、以及所述消息的消息推荐特征；
预测模块，用于使用消息阅读兴趣度模型，基于所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户对所述消息的阅读兴趣度预测值；
第二获取模块，用于根据用户对所述消息在预设时间段内的操作行为数据，获取所述用户对所述消息的阅读兴趣度真实值；
参数获取模块，用于基于所述阅读兴趣度真实值与所述阅读兴趣度预测值，从操作行为数据中，得到所述用户对所述消息在预设时间段内的阅读参数，其中，所述操作行为数据包括所述用户对所述消息进行操作所产生的行为数据；
第一优化模块，用于通过第一预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述用户的中间操作行为特征，其中，所述预设优化函数表征基于所述阅读参数生成的阅读参数矩阵和所述消息的消息推荐特征之间的算术运算关系；
第二优化模块，用于通过第二预设优化函数，根据所述阅读参数、所述用户的操作行为特征以及所述消息的消息推荐特征，得到所述消息的中间消息推荐特征，其中，所述预设优化函数表征基于所述阅读参数生成的阅读参数矩阵和所述用户的操作行为特征之间的算术运算关系；
生成模块，用于将所述用户的中间操作行为特征作为所述用户的优化后操作行为特征，将所述消息的中间消息推荐特征作为所述消息的优化后消息推荐特征。
7.一种服务器，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至5任一项所述的推荐参数获取方法中的步骤。
8.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至5任一项所述的推荐参数获取方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832890.0A CN110209924B (zh) | 2018-07-26 | 2018-07-26 | 推荐参数获取方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810832890.0A CN110209924B (zh) | 2018-07-26 | 2018-07-26 | 推荐参数获取方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110209924A CN110209924A (zh) | 2019-09-06 |
| CN110209924B true CN110209924B (zh) | 2023-05-02 |
Family
ID=67779883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810832890.0A Active CN110209924B (zh) | 2018-07-26 | 2018-07-26 | 推荐参数获取方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110209924B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765476A (zh) * | 2020-07-27 | 2021-05-07 | 上海斐杰教育科技有限公司 | 一种亲子阅读资源推荐服务系统与方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103023977B (zh) * | 2012-11-19 | 2015-07-01 | 华南理工大学 | 基于位置信息的推荐系统及推荐方法 |
| CN103996053B (zh) * | 2014-06-05 | 2017-03-22 | 中交第一公路勘察设计研究院有限公司 | 基于机器视觉的车道偏离报警方法 |
| CN105678287B (zh) * | 2016-03-02 | 2019-04-30 | 江苏大学 | 一种基于脊度量的车道线检测方法 |
| CN106803061A (zh) * | 2016-12-14 | 2017-06-06 | 广州大学 | 一种基于动态感兴趣区域的简易快速车道线检测方法 |
-
2018
- 2018-07-26 CN CN201810832890.0A patent/CN110209924B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106528745A (zh) * | 2016-10-27 | 2017-03-22 | 北京奇虎科技有限公司 | 在移动终端上推荐资源的方法、装置及移动终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110209924A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10411945B2 (en) | Time-distributed and real-time processing in information recommendation system, method and apparatus | |
| CN108073605B (zh) | 一种业务数据的加载、推送、交互信息的生成方法和装置 | |
| CN108255382B (zh) | 一种悬浮菜单内容推荐方法及装置 | |
| CN107948748B (zh) | 推荐视频的方法、设备、移动终端及计算机存储介质 | |
| US20170316781A1 (en) | Remote electronic service requesting and processing method, server, and terminal | |
| CN111310079A (zh) | 评论信息排序方法、装置、存储介质及服务器 | |
| CN108156508B (zh) | 弹幕信息处理的方法、装置、移动终端、服务器及系统 | |
| CN106254910B (zh) | 一种记录图像的方法和装置 | |
| CN104618222A (zh) | 一种匹配表情图像的方法及装置 | |
| CN103455330A (zh) | 应用程序管理方法、终端、设备及系统 | |
| CN106293738B (zh) | 一种表情图像的更新方法及装置 | |
| CN106909667B (zh) | 基于桌面启动器的应用推荐方法、装置及移动终端 | |
| CN105227598B (zh) | 一种基于云存储的资源分享方法、装置和系统 | |
| CN112749074B (zh) | 一种测试用例推荐方法以及装置 | |
| JP6915074B2 (ja) | メッセージ通知方法及び端末 | |
| CN115373577A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN110209924B (zh) | 推荐参数获取方法、装置、服务器及存储介质 | |
| CN116980851A (zh) | 车机间子程序分享方法、装置、电子设备和存储介质 | |
| CN107798008B (zh) | 内容推送系统、方法及装置 | |
| CN114416254A (zh) | 名片展示方法、智能终端及存储介质 | |
| CN114119160A (zh) | 应用处理方法、移动终端及存储介质 | |
| CN114510417A (zh) | 一种图像渲染效果测试方法、装置、电子设备和存储介质 | |
| CN113836343A (zh) | 一种音频推荐方法、装置、电子设备和存储介质 | |
| CN113852450A (zh) | 一种消息推送反馈方法、装置、电子设备和存储介质 | |
| CN117201441B (zh) | 一种实现多消息类型多轮次用户交互的方法与装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221124 Address after: 1402, Floor 14, Block A, Haina Baichuan Headquarters Building, No. 6, Baoxing Road, Haibin Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518,101 Applicant after: Shenzhen Yayue Technology Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |