CN110532473A

CN110532473A - 一种内容推荐方法及计算设备

Info

Publication number: CN110532473A
Application number: CN201910816977.3A
Authority: CN
Inventors: 李猛; 侯礼鹏; 张少俭
Original assignee: Chezhi Interconnection (beijing) Technology Co Ltd
Current assignee: Chezhi Interconnection (beijing) Technology Co Ltd
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2019-12-03

Abstract

本发明公开了一种内容推荐方法，在计算设备中执行，计算设备与数据存储装置相连，数据存储装置中存储有多个用户的偏好内容集合以及对各偏好内容的偏好程度，该方法包括：根据各用户的偏好内容集合，确定目标用户的相似用户；根据相似用户的偏好内容集合来确定目标用户的候选内容集合；对于候选内容集合中的每一个候选内容，根据相似用户对候选内容的偏好程度以及目标用户与相似用户的相似度来确定该候选内容的推荐值；将推荐值大于第一阈值的候选内容或者推荐值最大的第一数量个候选内容作为目标用户的推荐内容。本发明一并公开了相应的计算设备。

Description

一种内容推荐方法及计算设备

技术领域

本发明涉及数据处理技术领域，尤其涉及一种内容推荐方法及计算设备。

背景技术

网站或移动应用(App)的首页通常会有一个横幅(banner)区域，用于向用户展示广告、热门文章等内容。用户可以通过点击横幅区域来浏览内容详情，产生转化行为。

通常地，网站或移动应用的横幅区域显示的是当前最新的内容。在这种方式下，同一时间点每个用户看到的内容均相同，没有考虑不同用户的个性化需求，很可能呈现出用户不感兴趣的内容，导致内容转化率不理想，甚至造成用户流失。在另一些情况中，网站或移动应用根据用户的特征，例如性别、所在地、年龄等，来向用户推荐内容。这种方法的推荐结果往往不够精准。而且，用户的特征通常是比较稳定的，这样每次推荐给用户的内容都没有太大变化。用户重复地看到相同的内容，会对推荐结果失去兴趣，导致点击率、转化率大打折扣。

发明内容

为此，本发明提供一种内容推荐方法及计算设备，以力图解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供一种内容推荐方法，在计算设备中执行，所述计算设备与数据存储装置相连，所述数据存储装置中存储有多个用户的偏好内容集合以及对各偏好内容的偏好程度，所述方法包括：根据各用户的偏好内容集合，确定目标用户的相似用户；根据相似用户的偏好内容集合来确定目标用户的候选内容集合；对于候选内容集合中的每一个候选内容，根据相似用户对候选内容的偏好程度以及目标用户与相似用户的相似度来确定该候选内容的推荐值；将推荐值大于第一阈值的候选内容或者推荐值最大的第一数量个候选内容作为目标用户的推荐内容。

可选地，在根据本发明的内容推荐方法中，用户的偏好内容为用户曾经产生过行为的内容，所述行为包括浏览、点赞、评论、收藏；用户对偏好内容的偏好程度根据行为类型和/或行为时间来确定。

可选地，在根据本发明的内容推荐方法中，目标用户的相似用户按照以下步骤来确定：根据偏好内容集合，分别确定目标用户与其他各用户的相似度；将相似度大于第二阈值的用户或者相似度最大的第二数量个用户作为目标用户的相似用户。

可选地，在根据本发明的内容推荐方法中，目标用户的相似用户按照以下步骤来确定：对于每一个内容，将偏好该内容的用户两两组合，得到多个用户对；将包含目标用户的用户对作为待测用户对；对于每一个待测用户对，根据该待测用户对所包括的两个用户的偏好内容集合来确定这两个用户的相似度；将相似度大于第三阈值的用户或者相似度最大的第三数量个用户作为目标用户的相似用户。

可选地，在根据本发明的内容推荐方法中，两个用户的相似度为二者的偏好内容集合的交集中所包括的内容数量与二者的偏好内容集合的并集中所包括的内容数量的比值。

可选地，在根据本发明的内容推荐方法中，目标用户的候选内容集合为各相似用户的偏好内容集合的并集与目标用户的偏好内容集合之差。

可选地，在根据本发明的内容推荐方法中，还包括步骤：分别计算候选内容集合中的每一个候选内容与目标用户的偏好内容集合的关联度；将关联度小于第四阈值的候选内容或关联度最小的第四数量个候选内容从候选内容集合中删除。

可选地，在根据本发明的内容推荐方法中，候选内容与目标用户的偏好内容集合的关联度为候选内容与目标用户的偏好内容的相似度与目标用户对偏好内容的偏好程度之积的平均值。

可选地，在根据本发明的内容推荐方法中，两个内容的相似度为二者的TD-IDF向量的余弦相似度。

可选地，在根据本发明的内容推荐方法中，两个内容的相似度为二者的用户偏好程度向量的余弦相似度。

可选地，在根据本发明的内容推荐方法中，候选内容的推荐值为相似用户对该候选内容的偏好程度与相似用户与目标用户的相似度之积的平均值。

根据本发明的第二个方面，提供一种内容推荐方法，在计算设备中执行，所述计算设备与数据存储装置相连，所述数据存储装置中存储有多个用户的推荐内容集合以及各推荐内容对用户的推荐值，所述方法包括：接收用户发来的推荐请求；查找所述用户的推荐内容集合，将所述推荐内容集合中推荐值最大的推荐内容返回给用户。

可选地，在根据本发明的内容推荐方法中，用户的推荐内容集合以及各推荐内容对用户的推荐值采用上述第一个方面所述的方法确定。

根据本发明的第三个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的内容推荐方法。

根据本发明的第四个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的内容推荐方法。

本发明的内容推荐方法根据已存储的用户偏好数据(即偏好内容集合和对各偏好内容的偏好程度)，来确定目标用户的相似用户，然后根据相似用户的偏好内容集合来确定目标用户的候选内容集合，并结合相似用户与目标用户的相似度来确定每一个候选内容的推荐值，最终将推荐值较大的候选内容作为目标用户的推荐内容。

本发明的内容推荐方法综合目标用户的兴趣偏好以及目标用户的相似用户的兴趣偏好来对目标用户进行内容推荐，提高了对目标用户的潜在感兴趣内容的挖掘能力。并且，随着用户使用网站、应用，各用户的偏好数据会发生动态变化，相应地，根据偏好数据所计算出的目标用户的相似用户、目标用户的候选内容集合以及各候选内容的推荐值也会发生动态变化。这样，不同时间目标用户的推荐内容不同，可以使目标用户对推荐的内容保持兴趣，提高推荐内容的点击率和转化率。

此外，本发明的内容推荐方法采用离线更新的方式来定期或不定期更新每一个用户的推荐内容集合。当用户在用户终端上发起推荐请求时，服务端可以快速获取该用户对应的推荐内容集合，并将推荐内容集合中推荐值最大的推荐内容返回给用户，实现推荐内容的快速、低延时返回，提高了用户体验。

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

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的内容推荐系统100的示意图；

图2示出了根据本发明一个实施例的计算设备200的示意图；

图3示出了根据本发明一个实施例的内容推荐方法300的流程图；

图4示出了根据本发明一个实施例的内容推荐过程400的示意图；

图5示出了根据本发明一个实施例的内容推荐方法500的流程图；

图6示出了根据本发明一个实施例的内容推荐过程600的示意图。

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。

图1示出了根据本发明一个实施例的内容推荐系统100的示意图。如图1所示，内容推荐系统100包括计算设备200、数据存储装置110和多个用户终端120。应当指出，图1所示的内容推荐系统100仅是示例性的，虽然其中仅示出了一个计算设备和一个数据存储装置，但是，在具体的实践情况中，内容推荐系统中可以包括不同数量的计算设备和数据存储装置，本发明对内容推荐系统中所包括的计算设备和数据存储装置的数量不做限制。

计算设备200是具有通信和计算能力的设备，其可以实现为服务器、工作站等，也可以实现为桌面计算机、笔记本计算机等配置的个人计算机，在一些情况中，计算设备200还可以实现为手机、平板电脑、智能可穿戴设备等设备。

数据存储装置110可以是关系型数据库例如MySQL、ACCESS等，也可以是非关系型数据库例如NoSQL等；可以是驻留于计算设备200中的本地数据库，也可以作为分布式数据库例如HBase等设置于多个地理位置处，总之，数据存储装置110用于存储数据，本发明对数据存储装置110的具体部署、配置情况不做限制。

用户终端120例如可以是桌面计算机、笔记本计算机等个人配置的计算机，也可以是手机、平板电脑、多媒体播放器、智能可穿戴设备等移动终端，还可以是智能电视、智能门禁、工控设备等物联网(Internet of Things，IoT)设备，但不限于此。

计算设备200与数据存储装置110连接，其可以向数据存储装置110中写入数据，以及获取数据存储装置110中所存储的数据。例如，计算设备200可以直接读取数据存储装置110中的数据(在数据存储装置110为计算设备200的本地数据库时)，也可以通过有线或无线的方式接入互联网，并通过数据接口来获取数据存储装置110中的数据。

用户终端120中通常安装有多个应用，例如购物应用、资讯类应用、即时通信应用等，但不限于此。计算设备200是用户终端120中安装的某一应用的服务端，其用于向该应用提供方法及数据调用。例如，用户终端120中安装有应用A，计算设备200是应用A的服务端。

在本发明的实施例中，应用的交互界面中设置有一块用于向用户展示推荐内容的区域，该区域例如可以是应用首页上的横幅(banner)区域，但不限于此。当用户进入相应的交互界面(例如进入应用首页)后，计算设备200可以确定针对该用户的推荐内容，将该推荐内容返回给用户终端，并在相应区域展示给用户。推荐内容例如可以是广告、文章等，但不限于此。

在本发明的实施例中，当用户在用户终端120访问某一应用中的内容(可以是应用中的任意内容，而仅限于横幅区域的内容)时，该应用对应的服务端计算设备200或其他第三方数据服务商会收集用户的行为数据，并将收集到的行为数据存储至数据存储装置110。相应地，数据存储装置110中存储有多条用户行为记录，每条行为记录例如可以包括用户标识、内容标识、行为类型、行为起始时间、行为持续时间等，其中，行为类型包括浏览、点赞、评论、收藏等，但不限于此。例如，用户A在2019年8月28日17时11分点赞了内容B，那么，在该行为所对应的行为记录中，用户标识为A，内容标识为B，行为时间为2019年8月28日17时11分，行为类型为点赞。

在本发明的实施例中，计算设备200基于数据存储装置110中存储的用户行为记录，可以分别确定各用户的偏好内容集合以及对各偏好内容的偏好程度。偏好程度越大，表示用户对该偏好内容越感兴趣。

根据一种实施例，用户的偏好内容为用户曾经产生过行为(例如浏览、点赞、评论等)的内容，用户对偏好内容的偏好程度根据行为类型和/或行为时间来确定。本领域技术人员可以自行设置偏好程度的具体计算方式，本发明对此不做限制。例如，可以定义不同行为类型对应于不同的偏好程度，对于同一个内容，收藏、点赞、评论、浏览的偏好程度依次递减；又例如，可以定义行为时间距离当前时间越近，偏好程度越大；还例如，可以定义不同行为类型的权重，以及定义当前时间与行为时间的时间差所对应的权重，将两个权重之积作为用户对偏好内容的偏好程度；等等。

根据用户行为记录确定各用户的偏好数据(即用户的偏好内容集合以及对各偏好内容的偏好程度)之后，将各用户的偏好数据存储至数据存储装置110中。下表1是偏好数据的一个示例：

表1

	用户1	用户2	用户3	用户4	用户5
						内容a	0	4	0	8	0
内容b	0	0	9	5	2
						内容c	0	0	4	5	3
内容d	7	1	0	0	0

在表1中，每一行表示一个内容，每一列表示一个用户，内容行与用户列的交点处的数值为用户对该内容的偏好程度。偏好程度大于0的内容为用户的偏好内容。例如，用户1的偏好内容为内容d，偏好程度为7；用户2的偏好内容为内容a和内容d，用户2对内容a、内容d的偏好程度分别为4、1；等等。

基于数据存储装置110中存储的各用户的偏好内容集合以及对各偏好内容的偏好程度，计算设备200可以执行本发明的内容推荐方法300，离线确定各用户的推荐内容集合；以及执行本发明的内容推荐方法500，根据已确定的用户的推荐内容集合来在线向用户推荐内容。

图2示出了根据本发明一个实施例的计算设备200的示意图。需要说明的是，图2所示的计算设备200仅为一个示例，在实践中，用于实施本发明的内容推荐方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图2所示的计算设备200相同，也可以与图2所示的计算设备200不同。实践中用于实施本发明的内容推荐方法的计算设备可以对图2所示的计算设备200的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。

如图2所示，在基本的配置202中，计算设备200典型地包括系统存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和系统存储器206之间的通信。

取决于期望的配置，处理器204可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与处理器204一起使用，或者在一些实现中，存储器控制器218可以是处理器204的一个内部部分。

取决于期望的配置，系统存储器206可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器204读取。系统存储器206可以包括操作系统220、一个或者多个应用222以及程序数据224。在一些实施方式中，应用222可以布置为在操作系统上由一个或多个处理器204利用程序数据224执行指令。操作系统220例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用222包括用于实现各种用户期望的功能的程序指令，应用222例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等，但不限于此。当应用222被安装到计算设备200中时，可以向操作系统220添加驱动模块。

在计算设备200启动运行时，处理器204会从存储器206中读取操作系统220的程序指令并执行。应用222运行在操作系统220之上，利用操作系统220以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用222时，应用222会加载至存储器206中，处理器204从存储器206中读取并执行应用222的程序指令。

计算设备200还可以包括有助于从各种接口设备(例如，输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备142包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256，它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260，其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

在根据本发明的计算设备200中，应用222包括用于执行本发明的内容推荐方法300和/或内容推荐方法500的指令，该指令可以指示处理器104执行本发明的内容推荐方法300和/或内容推荐方法500，以向用户推荐内容。

图3示出了根据本发明一个实施例的内容推荐方法300的流程图。方法300在计算设备(例如前述计算设备200)中执行，用于离线确定各用户的推荐内容集合。如图3所示，方法300始于步骤S310。

在步骤S310中，根据各用户的偏好内容集合，确定目标用户的相似用户。

需要说明的是，目标用户可以任意一个在数据存储装置110中存储有偏好数据的用户，而不特指某一用户。

根据一种实施例，目标用户的相似用户可以按照以下步骤确定：首先，根据各用户的偏好内容集合，分别确定目标用户与其他各用户的相似度；随后，将相似度大于第二阈值的用户或者相似度最大的第二数量个用户作为目标用户的相似用户。第二阈值以及第二数量的值可以由本领域技术人员自行设置，本发明对此不做限制。

用户之间的相似度有多种计算方式。根据一种实施例，可以将两用户的偏好内容集合的交集中所包括的内容数量与二者的偏好内容集合的并集中所包括的内容数量的比值作为两用户的相似度，即，两用户的相似度按照以下公式计算：

其中，s_ij为用户i与用户j的相似度，A_i、A_j分别为用户i、用户j的偏好内容集合，|X|表示集合X中元素的个数。

根据另一种实施例，可以将两用户的偏好程度向量的余弦相似度作为两用户的相似度，用户的偏好程度向量为用户对所有内容的偏好程度所组成的向量，例如，基于表1所示的用户偏好数据，用户1的偏好程度向量为[0,0,0,7]，用户2的偏好程度向量为[4,0,0,1]，用户3的偏好程度向量为[0,9,4,0]；等等。即，两用户的相似度按照以下公式计算：

其中，s_ij为用户i与用户j的相似度，a_i、a_j分别为用户i、用户j的偏好程度向量，|a_i|、|a_j|分别表示向量a_i、a_j的模。

以上给出了用户相似度的两种计算方式，本领域技术人员可以理解，除上述两种方法外，还可以采用其他方法来计算用户的相似度，本发明对用户相似度的计算方法不做限制。

理论上，为了确定目标用户的相似用户，需要计算目标用户与数据存储装置110中存储的其他每一个用户的相似度。数据存储装置110中存储的用户数量、内容数量通常很庞大，因此，依次计算目标用户与其他每一个用户的相似度的计算量很大。实际上，每个用户感兴趣的内容是有限的，整个偏好数据矩阵是一个稀疏矩阵。只有当两个用户对同一个内容感兴趣时(即两个用户对同一个内容的偏好程度均大于0)，这两个用户的相似度才可能不为0。因此，为了简化用户相似度的计算，优选地，不再依次计算目标用户与其他每一个用户的相似度，而仅计算目标用户和与目标用户至少具有一个相同偏好内容的用户之间的相似度，根据一种实施例，该过程可以按照以下步骤S312～S318执行：

在步骤S312中，对于每一个内容，将偏好该内容的用户两两组合，得到多个用户对。

例如，对于表1的偏好数据矩阵，偏好内容a的用户包括用户2和用户4，将用户2、用户4组合得到一个用户对(用户2，用户4)；偏好内容b的用户包括用户3～用户5，将用户3～用户5两两组合，可以得到(用户3，用户4)、(用户3，用户5)、(用户4，用户5)三个用户对；偏好内容c的用户包括用户3～5，用户3～5两两组合，可以得到(用户3，用户4)、(用户3，用户5)、(用户4，用户5)三个用户对；偏好内容d的用户包括用户1和用户2，二者可以组成(用户1，用户2)一个用户对。

随后，在步骤S314中，将包含目标用户的用户对作为待测用户对。

仍以表1为例，经过步骤S312后，得到(用户2，用户4)、(用户3，用户4)、(用户3，用户5)、(用户4，用户5)、(用户1，用户2)共5个用户对。在步骤S314中，以用户5为目标用户，将包含用户5的两个用户对(用户3，用户5)、(用户4，用户5)作为待测用户对。

随后，在步骤S316中，对于每一个待测用户对，根据该待测用户对所包括的两个用户的偏好内容集合来确定这两个用户的相似度。

步骤S316中计算每一个待测用户对中的两用户的相似度。两用户的相似度例如可以按照上文所述的公式(1)、公式(2)来计算，但不限于此。

随后，在步骤S318中，将相似度大于第三阈值的用户或者相似度最大的第三数量个用户作为目标用户的相似用户。

第三阈值以及第三数量的值可以由本领域技术人员自行设置，本发明对此不做限制。

在步骤S310确定了目标用户的相似用户后，执行步骤S320。

在步骤S320中，根据相似用户的偏好内容集合来确定目标用户的候选内容集合。

根据一种实施例，可以将各相似用户的偏好内容集合的并集与目标用户的偏好内容集合之差作为目标用户的候选内容集合，这样便可以得出相似用户感兴趣的、但目标用户尚未关注过的内容。例如，目标用户为用户5，目标用户的相似用户为用户1～用户4，用户1～用户5的偏好内容集合分别为A₁～A₅。则目标用户的候选内容集合为A₁∪A₂∪A₃∪A₄-A₅。

根据一种实施例，在按照上述方法确定了目标用户的候选内容集合之后，还可以对候选内容集合中的内容进行筛选。例如，分别计算候选内容集合中的每一个候选内容与目标用户的偏好内容集合的关联度；将关联度小于第四阈值的候选内容或关联度最小的第四数量个候选内容从候选内容集合中删除，候选内容集合中保留的内容是与目标用户的偏好内容关联度较大的内容，从而更可能使用户感兴趣。第四阈值以及第四数量的值可以由本领域技术人员自行设置，本发明对此不做限制。

根据一种实施例，候选内容与目标用户的偏好内容集合的关联度为候选内容与目标用户的偏好内容的相似度与目标用户对偏好内容的偏好程度之积的平均值。即，候选内容与目标用户的偏好内容集合的关联度按照以下公式计算：

其中，co_iA表示候选内容i与目标用户的偏好内容集合A的关联度，|A|表示目标用户的偏好内容集合A中的元素(即内容)的数量，ss_ij为候选内容i与目标用户的偏好内容j的相似度，value_j为目标用户对偏好内容j的偏好程度。

内容之间的相似度(即公式(3)中的ss_ij)有多种计算方式。根据一种实施例，可以将两个内容的TD-IDF向量的余弦相似度作为两个内容的相似度。即，首先，采用TD-IDF算法分别确定两个内容的TD-IDF词向量，随后，计算两个TD-IDF词向量的余弦相似度，将余弦相似度作为两个内容的相似度。余弦相似度的计算公式可以参考前述公式(2)，此处不再赘述。

根据另一种实施例，可以将两个内容的用户偏好程度向量的余弦相似度作为两个内容的相似度。内容的偏好程度向量为所有用户对该内容的偏好程度所组成的向量，例如，基于表1所示的用户偏好数据，内容a的用户偏好程度向量为[0,4,0,8,0]，内容b的用户偏好程度向量为[0,0,9,5,2]，内容c的用户偏好程度向量为[0,0,4,5,3]，内容d的用户偏好程度向量为[7,1,0,0,0]。余弦相似度的计算公式可以参考前述公式(2)，此处不再赘述。

以上给出了内容相似度的两种计算方式，本领域技术人员可以理解，除上述两种方法外，还可以采用其他方法来计算内容的相似度，本发明对内容相似度的计算方法不做限制。

在步骤S320确定了目标用户的候选内容集合后，执行步骤S330。

在步骤S330中，对于候选内容集合中的每一个候选内容，根据相似用户对候选内容的偏好程度以及目标用户与相似用户的相似度来确定该候选内容的推荐值。

根据一种实施例，候选内容的推荐值为相似用户对该候选内容的偏好程度与相似用户与目标用户的相似度之积的平均值。即，候选内容的推荐值按照以下公式计算：

其中，rec_j为候选内容j的推荐值，B为目标用户的相似用户集合，|B|表示目标用户的相似用户的数量，value_ij为相似用户i对候选内容j的偏好程度，s_i为相似用户i与目标用户的相似度。

在步骤S330计算出候选内容集合中的每一个候选内容的推荐值后，执行步骤S340。

在步骤S340中，将推荐值大于第一阈值的候选内容或者推荐值最大的第一数量个候选内容作为目标用户的推荐内容。

第一阈值以及第一数量的值可以由本领域技术人员自行设置，本发明对此不做限制。

步骤S340所确定的目标用户的推荐内容可能有多个，目标用户的所有推荐内容组成目标用户的推荐内容集合。随后，将目标用户的推荐内容集合以及各推荐内容的推荐值存储至数据存储装置110中，以便计算设备200可以根据已存储的推荐内容集合和推荐值来向用户推荐内容。

图4示出了根据本发明一个实施例的内容推荐过程400的示意图。内容推荐过程400是前述内容推荐方法300的一个实施例。

如图4所示，数据存储装置110中存储有用户的偏好数据，即，存储有用户的偏好内容集合以及对各偏好内容的偏好程度。例如，基于图4中示出的用户偏好数据，用户1的偏好内容集合为{内容a，内容c}，用户1对内容a、内容c的偏好程度分别为6、7；用户2的偏好内容集合为{内容a，内容c}，用户2对内容a、内容c的偏好程度分别为4、1；等等。目标用户例如可以是用户5。

在步骤S410中，根据数据存储装置110中存储的用户偏好数据，分别计算目标户与其他用户的相似度，并将相似度较大(例如大于第二阈值或者相似度最大的第二数量个)的用户作为目标用户的相似用户。用户之间的相似度例如可以按照前述公式(1)或公式(2)来计算。例如，计算得出目标用户与用户1～用户4的相似度分别为s₁～s₄，根据相似度来对用户进行筛选，确定目标用户的相似用户为用户1和用户2。

随后，获取目标用户及其相似用户的偏好内容集合，并在步骤S420中，将各相似用户的偏好内容集合的并集与目标用户的偏好内容集合之差作为目标用户的候选内容集合。如图4所示，目标用户的偏好内容集合为{内容b，内容d，内容f}；用户1的偏好内容集合为{内容a，内容c，内容f}，偏好程度分别为value_1a、value_1c、value_1f；用户2的偏好内容集合为{内容a，内容c，内容e，内容f，内容g}，偏好程度分别为value_2a、value_2c、value_2e、value_2f、value_2g。候选内容集合为{内容a，内容c，内容f}∪{内容a，内容c，内容e，内容f，内容g}-{内容b，内容d，内容f}＝{内容a，内容c，内容e，内容g}。

随后，在步骤S430中，分别计算候选内容集合中每一个候选内容的推荐值。候选内容的推荐值为相似用户对该候选内容的偏好程度与相似用户与目标用户的相似度之积的平均值，即，候选内容的推荐值按照公式(4)计算。基于图4中的候选内容集合，候选内容a、c、e、g的推荐值分别如下：

ReccomendValue_a＝(value_1a*s1+value_2a*s2)/2

ReccomendValue_c＝(value_1c*s1+value_2c*s2)/2

ReccomendValue_e＝(value_2e*s2)/2

ReccomendValue_g＝(value_2g*s2)/2

随后，在步骤S440中，将各候选内容按照推荐值由大到小的顺序排序，依次为内容c、内容g、内容a、内容e。取其中推荐值最大的三个作为目标用户的推荐内容，即，目标用户的推荐内容集合为{内容c，内容g，内容a}。

随后，将目标用户的推荐内容集合、推荐内容的推荐值与目标用户的用户标识关联存储至数据存储装置110。

内容推荐方法300用于离线确定各用户的推荐内容集合。并且，计算设备可以定期或不定期地多次执行方法300，来动态更新各用户的推荐内容集合，以使推荐内容集合中的内容更符合用户近期的兴趣。

基于方法300所确定的推荐内容集合，计算设备可以执行下述内容推荐方法500，内容推荐方法500用于在线向用户推荐内容。

图5示出了根据本发明一个实施例的内容推荐方法500的流程图。方法500在计算设备(例如前述计算设备200)中执行。需要说明的是，用于执行内容推荐方法500的计算设备可以与执行前述内容推荐方法300的计算设备是同一个计算设备，也可以是不同的计算设备。

如图5所示，方法500始于步骤S510。

在步骤S510中，接收用户发来的推荐请求。

用户在用户终端120上使用应用，应用的交互界面中设置有一块或多块用于向用户展示推荐内容的区域。该区域例如可以是应用首页上的横幅区域，但不限于此。当用户进入相应的交互界面时(例如启动应用进入应用首页时)，用户终端120向该应用的服务端计算设备发起推荐请求，推荐请求包括用户标识、请求时间等信息。相应地，计算设备接收用户发来的推荐请求，并执行后续步骤S520，将推荐内容返回给用户。

在步骤S520中，查找该用户的推荐内容集合，将推荐内容集合中推荐值最大的推荐内容返回给用户。

基于前述内容推荐方法300，数据存储装置110中已存储有各用户的推荐内容集合和各推荐内容的推荐值。在步骤S520中，计算设备从数据存储装置110中查找步骤S510中发来推荐请求的用户的推荐内容集合，将推荐内容集合中推荐值最大的推荐内容返回给用户终端120，用户终端120将在交互界面的相应区域将该推荐内容展示给用户。

图6示出了根据本发明一个实施例的内容推荐过程600的示意图。内容推荐过成400是前述内容推荐方法500的一个实施例。

如图6所示，在步骤S610中，当用户访问应用中的特定交互界面时，用户终端120向计算设备200发起推荐请求。

在步骤S620中，计算设备200基于用户终端120发来的推荐请求，从数据存储装置110-1中查找该用户的推荐内容集合中推荐值最大的推荐内容，并于步骤S630中，接收数据存储装置110-1返回的查询结果。

在步骤S640、S650中，计算设备200从数据存储装置110-2中获取用于渲染应用交互界面的其他数据资源，例如web页面的HTML文件、引用的图片资源等。

需要说明的是，步骤S620与步骤S640可以并行执行，即，计算设备200可以并发地向数据存储装置110-1发起查询推荐内容的请求，以及向数据存储装置110-2发起资源获取请求。

随后，在步骤S660中，计算设备200将步骤S630获取到的推荐内容和步骤S650获取到的页面资源进行整合。

在步骤S670中，计算设备200将整合后的数据发送至用户终端120,。用户终端120基于接收到的数据，渲染界面，将推荐内容以及交互界面上的其他内容展示给用户。

根据本发明的技术方案，采用内容推荐方法300来离线更新各用户的推荐内容集合，并基于离线更新的各用户的推荐内容集合，采用内容推荐方法500在线向用户推荐内容。本发明的离线更新与在线推荐结合的内容推荐方案，不仅能够使不同时间目标用户的推荐内容不同，可以使目标用户对推荐的内容保持兴趣，提高推荐内容的点击率和转化率；还可以实现推荐内容的快速、低延时返回，提高了用户体验。

A11、如权利要求1-10中任一项所述的方法，其中，候选内容的推荐值为相似用户对该候选内容的偏好程度与相似用户与目标用户的相似度之积的平均值。

A12、一种内容推荐方法，在计算设备中执行，所述计算设备与数据存储装置相连，所述数据存储装置中存储有多个用户的推荐内容集合以及各推荐内容对用户的推荐值，所述方法包括：

接收用户发来的推荐请求；

查找所述用户的推荐内容集合，将所述推荐内容集合中推荐值最大的推荐内容返回给用户。

A13、如权利要求12所述的方法，其中，用户的推荐内容集合以及各推荐内容对用户的推荐值采用如权利要求1-11中任一项所述的方法确定。

A14、一种计算设备，包括：

至少一个处理器；和

存储有程序指令的存储器；

当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-13中任一项所述的内容推荐方法。

A15、一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-13中任一项所述的内容推荐方法。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的内容推荐方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述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。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims

1.一种内容推荐方法，在计算设备中执行，所述计算设备与数据存储装置相连，所述数据存储装置中存储有多个用户的偏好内容集合以及对各偏好内容的偏好程度，所述方法包括：

根据各用户的偏好内容集合，确定目标用户的相似用户；

根据相似用户的偏好内容集合来确定目标用户的候选内容集合；

对于候选内容集合中的每一个候选内容，根据相似用户对候选内容的偏好程度以及目标用户与相似用户的相似度来确定该候选内容的推荐值；

将推荐值大于第一阈值的候选内容或者推荐值最大的第一数量个候选内容作为目标用户的推荐内容。

2.如权利要求1所述的方法，其中，用户的偏好内容为用户曾经产生过行为的内容，所述行为包括浏览、点赞、评论、收藏；

用户对偏好内容的偏好程度根据行为类型和/或行为时间来确定。

3.如权利要求1或2所述的方法，其中，目标用户的相似用户按照以下步骤来确定：

根据偏好内容集合，分别确定目标用户与其他各用户的相似度；

将相似度大于第二阈值的用户或者相似度最大的第二数量个用户作为目标用户的相似用户。

4.如权利要求1或2所述的方法，其中，目标用户的相似用户按照以下步骤来确定：

对于每一个内容，将偏好该内容的用户两两组合，得到多个用户对；

将包含目标用户的用户对作为待测用户对；

对于每一个待测用户对，根据该待测用户对所包括的两个用户的偏好内容集合来确定这两个用户的相似度；

将相似度大于第三阈值的用户或者相似度最大的第三数量个用户作为目标用户的相似用户。

5.如权利要求3或4所述的方法，其中，两个用户的相似度为二者的偏好内容集合的交集中所包括的内容数量与二者的偏好内容集合的并集中所包括的内容数量的比值。

6.如权利要求1-5中任一项所述的方法，其中，目标用户的候选内容集合为各相似用户的偏好内容集合的并集与目标用户的偏好内容集合之差。

7.如权利要求6所述的方法，还包括步骤：

分别计算候选内容集合中的每一个候选内容与目标用户的偏好内容集合的关联度；

将关联度小于第四阈值的候选内容或关联度最小的第四数量个候选内容从候选内容集合中删除。

8.如权利要求7所述的方法，其中，候选内容与目标用户的偏好内容集合的关联度为候选内容与目标用户的偏好内容的相似度与目标用户对偏好内容的偏好程度之积的平均值。

9.如权利要求8所述的方法，其中，两个内容的相似度为二者的TD-IDF向量的余弦相似度。

10.如权利要求8所述的方法，其中，两个内容的相似度为二者的用户偏好程度向量的余弦相似度。