CN110598092A - 一种内容推荐的方法 - Google Patents
一种内容推荐的方法 Download PDFInfo
- Publication number
- CN110598092A CN110598092A CN201910740725.7A CN201910740725A CN110598092A CN 110598092 A CN110598092 A CN 110598092A CN 201910740725 A CN201910740725 A CN 201910740725A CN 110598092 A CN110598092 A CN 110598092A
- Authority
- CN
- China
- Prior art keywords
- content
- value
- user
- prediction error
- calculating
- 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.)
- Pending
Links
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)
Abstract
本申请适用于内容推荐的技术领域,提供了一种内容推荐的方法及装置,包括:获取多个用户观看多个内容的次数,每个所述内容包括多个属性;根据多个所述属性训练回归模型,根据所述回归模型计算多个所述内容的第二预测评分值;根据已观看内容的所述第二预测评分值计算第一预测误差;根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差;将所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第二评分值。本申请结合属性形成用户画像,并通过基于邻居的协同推荐算法控制回归模型的误差,极大地提高了推荐内容的精确度。
Description
技术领域
本申请属于内容推荐技术领域,尤其涉及一种内容推荐的方法和终端、计算机可读存储介质。
背景技术
推荐算法是计算机专业中的一种算法,通过一些数学算法,推测出用户可能喜欢的东西。所谓推荐算法就是利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西。
传统的推荐算法多数采用基于内容或协同过滤推荐,所述基于内容的信息推荐方法的理论依据主要来自于信息检索和信息过滤,所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。所述协同过滤算法主要是通过对未评分项进行评分预测来实现的。而上述两种推荐算法仅仅是根据用户的行为进行基于历史行为的推测,进而实现瀑布式的推送,缺少对用户的画像以及误差控制,导致推荐内容的精确度较低。
发明内容
有鉴于此,本申请实施例提供了一种内容推荐的方法及装置,以解决现有技术中缺少对用户的画像以及误差的控制,导致推荐内容的精确度较低的技术问题。
本申请实施例的第一方面提供了一种内容推荐的方法,包括:
获取多个用户观看多个内容的次数,根据所述次数生成第一内容评分矩阵;所述第一内容评分矩阵的元素为多个用户中的每个用户对应每个内容的第一评分值,所述第一评分值表征用户历史观看多个所述内容的次数;其中,未观看内容的所述第一评分值为零或为空,每个所述内容包括多个属性;
根据多个所述属性训练回归模型,根据所述回归模型计算多个所述内容的第二预测评分值;
根据已观看内容的所述第二预测评分值计算第一预测误差;
根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差;
将所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第二评分值;
根据所述第二评分值推荐内容给用户。
本申请实施例的第二方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可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第一方面所述方法的步骤。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:在本申请中,根据回归模型计算全部所述内容的预测评分值,并分别计算所述已评分内容和未评分内容的预测误差,根据所述预测评分值和所述预测误差计算评分值,并根据全部所述内容的评分值顺序进行内容推荐。与传统的推荐算法相比,本申请结合属性形成用户画像,并通过基于邻居的协同推荐算法控制回归模型的误差,极大地提高了推荐内容的精确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种内容推荐的方法实现流程示意图;
图2是本申请实施例提供的一种内容推荐的方法中S104具体实现流程示意图;
图3是本申请实施例提供的一种内容推荐的方法S106的具体实现流程示意图;
图4是本申请实施例提供的另一种内容推荐的方法的实现流程示意图;
图5是本申请一实施例提供的一种终端设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了解决在现有技术中,根据用户的行为进行基于历史行为的推测,进而实现瀑布式的推送,缺少对用户的画像以及误差控制,导致推荐内容的精确度较低的技术问题,本申请提出了一种内容推荐的方法,请参见图1,图1是本申请实施例提供的一种内容推荐的方法实现流程示意图。如图1所示的一种内容推荐的方法包括:
S101,获取多个用户观看多个内容的次数,根据所述次数生成第一内容评分矩阵;所述第一内容评分矩阵的元素为多个用户中的每个用户对应每个内容的第一评分值,所述第一评分值表征用户历史观看多个所述内容的次数;其中,未观看内容的所述第一评分值为零或为空,每个所述内容包括多个属性。
获取数据库中所述用户观看所述内容的历史数据,根据所述历史数据得到所述次数,根据多个所述用户的观看所述内容的次数生成所述第一内容评分矩阵,生成例如表1所示的内容评分矩阵:
表1
内容1 | 内容2 | 内容3 | 内容4 | 内容5 | 内容6 | 内容7 | 内容8 | 内容9 | |
用户1 | 2 | 1 | NULL | 4 | 3 | 5 | NULL | NULL | 5 |
用户2 | 4 | NULL | 5 | 8 | NULL | 1 | 5 | 5 | 3 |
用户3 | 6 | 2 | 4 | NULL | 22 | 5 | 6 | 6 | 2 |
用户4 | NULL | 4 | 5 | 3 | 6 | NULL | 1 | 3 | 5 |
表1仅仅起示例作用,用户数量或内容数量不限于表1所示数量,可根据具体计算需要而定,在此不做限定。如表1中每一个元素都为多个用户中的每个用户对应每个内容的所述第一评分值,所述第一评分值表征用户历史观看多个所述内容的次数,而所述第一评分值也可以是每个内容的观看次数在总次数中的权重或百分比等等一切能表征其固定观看次数的表示方式,在此不做限定。当所述用户未观看所述内容时,其所述第一评分值为空(NULL)或0,代表其评分值暂时空缺。其中,多个所述用户的选取可随机选取或者按照预设规则选取,所述预设规则可根据具体的应用场景而定。
其中,每个所述内容都有对应的属性,多个内容可能共有一个属性,一个内容也可能拥有多个属性,例如:在农业视频类的内容中,所述内容可以拥有作物属性、讲师属性、季节属性等等。通过将不同的内容赋予不同的属性,实现对用户的画像的勾勒,所述属性的权重值决定了各个属性对用户的重要性。而用户画像是以最为浅显和贴近生活的话语将用户的属性、行为与期待联结起来。实现对每个用户个性化的推荐方式,使得内容推荐准确度更高。
S102,根据多个所述属性训练回归模型,根据所述回归模型计算多个所述内容的第二预测评分值。
获取多个所述属性的权重值,将多个所述属性的权重值和每个用户对多个已观看内容的第一评分值作为样本数据,通过所述样本数据训练回归模型。
具体地,所述根据多个所述属性训练回归模型,包括:根据所述第一内容评分矩阵计算每个所述用户的每个所述属性的第一权重值;根据所述第一权重值以及每个所述用户的已观看内容的所述第一评分值训练所述回归模型。
根据所述第一内容评分矩阵中每个用户对应每个内容的评分值计算所述所述属性的第一权重值。
具体地,所述根据所述第一内容评分矩阵计算每个所述用户的每个所述属性的第一权重值,包括:提取具有所述属性的多个所述已观看内容的所述第一评分值;将多个所述已观看内容的所述第一评分值相加得到每个所述属性的所述第一权重值。
例如:包含属性1的所述内容包括内容1和内容4和内容6,提取其对应的评分值分别为4和1和2,将上述三个所述内容的评分值相加得到每个所述属性的所述第一权重值,也即所述属性1的权重值为7。
而所述回归模型函数式如下:
Ri,j=ai,0+ai,1Xi,j,1+ai,2Xi,j,2+ai,3Xi,j,3+...+ai,mXi,j,m
其中,Ri,j表示用户i的已观看内容j的第一评分值,Xi,j,k表示用户i对视频j的第k个属性的权重值(k∈[0,m]),m表示需要播放的视频的属性总个数。ai,k表示用户i对视频j的第k个属性的参数值(x∈[0,m])。
将多个所述属性的权重值以及每个用户对多个已观看内容的第一评分值代入上述回归模型,求解多元一次方程,得出不同属性的所述参数值,通过所述参数值得到所述回归模型,并根据所述回归模型计算多个所述内容的第二预测评分值,所述第二预测评分值包括已观看内容的第二评分值和未观看内容的第二评分值,所述第二预测评分值既可以用做对已观看内容评分值的结果检验,也可以用做对用户未观看内容空缺值的预测。
S103,根据已观看内容的所述第二预测评分值计算第一预测误差。
通过已观看内容的第一评分值和已观看内容的所述第二预测评分值计算第一预测误差。
具体地,所述根据所述已观看内容的所述第二预测评分值计算第一预测误差,包括:将所述已观看内容的第一评分值减去对应的所述预测评分值得到所述第一预测误差。
已观看内容的所述第一预测误差εi,j的计算函数式如下:
εi,j=Ri,j-R*i,j
其中,Ri,j表示用户i对所述已观看内容j的第一评分值,R*i,j表示用户i对所述已观看内容j的第二预测评分值。
其中由于未观看内容的评分值为空或零,故,得不到所述第一预测误差,需要通过S104计算其预测误差。
S104,根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差。
本申请实施例计算所述未评分内容的所述第二预测误差,采用基于邻居的协同推荐算法计算其所述第二预测误差。在传统技术中,所述基于邻居的协同推荐算法通过对用户历史行为数据的挖掘发现用户的偏好,基于不同的偏好对用户进行推荐品味相似的内容,找到用户的相似用户,通过相似用户喜欢的内容推荐给该用户。与传统的基于邻居的协同推荐算法不同的是,本申请通过基于邻居的协同推荐算法计算用户的第二预测误差,所述基于邻居的协同推荐算法计算函数式如下:
其中,Ra,j表示用户a的已观看内容j的第一评分值,εa,j表示通过S103计算得出的用户a对所述已观看内容j的第一预测误差,n表示对视频j播放过的用户的数量,λ表示一个总和值为1的正太化因素,Wa,i表示用户i和相似用户a之间的相似度。
例如:在表1中假设对用户1而言,内容3是需要通过预测来判断是否值得推荐的,基于邻居的算法中,需要获得用户2、用户3等其他用户对视频3播放权重值的加权平均数。另外,权重Wa,i的大小取决于用户1在视频播放方面与其他用户的相似性。
具体地,所述根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差,具体包括如下步骤,请参见图2,图2是本申请实施例提供的一种内容推荐的方法中S104具体实现流程示意图。
S1041,计算目标用户和其他用户的评分值相识度;
所述相识度可通过包括皮尔森(Pearson)相关系数法、欧几里得距离和向量相似度等方法测定该值,在此不做限定。例如:在欧几里得距离算法中,首先计算目标用户和其他用户的距离d,函数式如下:
其中,xi表示目标用户的评分值,yi表示其他用户的评分值相识度。
根据所述距离d计算所述相识度,函数式如下:
根据上述函数式求出表1中多个其他用户的所述评分相识度,以满足所述基于邻居的协同推荐算法的计算需求。
S1042,将所述第一预测误差和所述评分值相识度代入所述基于邻居的协同推荐算法中计算所述未观看内容的所述第二预测误差。
在上述所述基于邻居的协同推荐算法计算函数式中代入所述其他用户的所述第一预测误差εa,,j和所述评分值相识度Wa,i和所述其他用户的第一评分值Ra,j。再通过上述基于邻居的协同推荐算法计算所述第二预测误差。其中,所述其他用户的所述第一预测误差和所述第一评分值都是已观看内容的预测误差和评分值。
S105,将所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第二评分值。
此时,表1中所有元素都对应有一个第一预测误差或第二预测误差。可通过所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第二评分值。
S106,根据所述第二评分值推荐内容给用户。
将所述第二评分值按照数值大小排列顺序,根据所述顺序推荐对应的未观看内容给用户。
在本实施例中,根据回归模型计算全部所述内容的预测评分值,并分别计算所述已评分内容和未评分内容的预测误差,根据所述预测评分值和所述预测误差计算评分值,并根据全部所述内容的评分值顺序进行内容推荐。与传统的推荐算法相比,本申请结合属性形成用户画像,并通过基于邻居的协同推荐算法控制回归模型的误差,极大地提高了推荐内容的精确度。
具体地,在上述图1所示实施例的S106具体包括如下步骤,请参见图3,图3是本申请实施例提供的一种内容推荐的方法S106的具体实现流程示意图。
如图3所示,S106具体包括如下步骤:
S301,根据所述已观看内容的所述第一评分值和所述未观看内容的所述第二评分值计算每个所述属性的第二权重值。
将所述已观看内容的所述第一评分值和所述未观看内容的所述第二评分值相加得到所述第二权重值。
S302,根据指数衰减函数衰减每个所述属性的第二权重值。
按照固定周期通过指数衰减函数衰减每个所述属性的第二权重值,计算函数式如下:
N(t)=N0e-t/τ
其中,N0表示第二权重值的初始量,τ表示时间衰减因子。
所述第二权重可视为属性的热度,权重越大热度越高,而时间衰减因子体现了属性的热度随着时间逐渐冷却的过程。
S303,统计所述计算周期内每个所述属性增长的第三权重值;将衰减后的所述第二权重值与所述第三权重值相加得到第四权重值。
在实际应用场景中,每个所述属性在一个计算周期内,在通过指数衰减函数衰减的同时,也可能存在用户对每个属性对应内容的观看,使得每个属性对应的权重值发生增长。故,需统计所述计算周期内用户观看内容对应的观看次数,根据所述观看次数计算所述属性增长的第三权重值,例如:在一个计算周期内,用户观看了内容1的次数为2,而所述内容1对应的属性包括属性1和属性2,那么所述属性1和属性2增长的第三权重值为2。将所述第三权重值和衰减后的所述第二权重值相加得到所述第四权重值。
S304,根据每个用户的每个所述属性的第四权重值推荐对应内容。
根据所述第四权重值大小推荐对应内容至用户。
具体地,所述根据每个用户的每个所述属性的第二权重值推荐对应内容,包括:获取所述第四权重值最大的所述属性对应的多个第一预选内容;根据多个所述第一预选内容中已观看内容的第一评分值或未观看内容的所述第二评分值大小顺序推荐对应内容。
作为本申请的一个实施例,也可根据多个所述属性的所述第四权重值的排列顺序,选取预设数量的所述属性,提取预设数量的所述属性对应内容中评分值最高的对应内容进行推荐。
在本实施例中,通过时间衰减因子衰减每个属性的权重值,所述权重值表征了属性随着时间衰减的过程,以实现随着用户喜好的变化,推荐相应的内容,提高了推荐内容的准确性。
可选的,在上述图1所示实施例的基础上,步骤S106还包括根据评分值顺序推荐内容的步骤,请参见图4,图4是本申请实施例提供的另一种内容推荐的方法的实现流程示意图。本实施例中与图1所述实施例中相同的步骤,具体请参阅图1所示实施例中相关描述,此处不赘述。
如图4所示,该方法包括如下步骤:
S101,获取多个用户观看多个内容的次数,根据所述次数生成第一内容评分矩阵;所述第一内容评分矩阵的元素为多个用户中的每个用户对应每个内容的第一评分值,所述第一评分值表征用户历史观看多个所述内容的次数;其中,未观看内容的第二评分值所述第一评分值为零或为空,每个所述内容包括多个属性。
S102,根据多个所述属性训练回归模型,根据所述回归模型计算多个所述内容的第二预测评分值。
S103,根据已观看内容的所述第二预测评分值计算第一预测误差。
S104,根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差。
S105,将所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第三评分值。
S106,根据所述第二评分值推荐内容给用户。
S401,将所述未观看内容的所述第一评分值替换为所述第二评分值,形成第二内容评分矩阵。
已观看内容的所述第一评分值和未观看内容的所述第二评分值构成第二内容评分矩阵。
S402,根据所述第二内容评分矩阵中每个用户的每个内容的评分值大小顺序推荐对应内容。
可以理解的是,与S106的区别在于,S106仅仅向用户推荐未观看过的内容,而在本实施例中不仅向用户推荐未观看过的内容,也向用户推荐已观看过的内容。
在本实施例中,通过每个用户的多个内容的评分值大小推荐对应内容,提高了推荐内容的准确度。
图5是本申请一实施例提供的一种终端设备的示意图。如图5所示,该实施例的一种终端设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52,例如一种推荐内容的方法的程序。所述处理器50执行所述计算机程序52时实现上述各个一种内容推荐的方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各单元的功能。
示例性的,所述计算机程序52可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述一种终端设备5中的执行过程。
所述一种终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是一种终端设备5的示例,并不构成对一种终端设备5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,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述一种终端设备5的内部存储单元,例如一种终端设备5的硬盘或内存。所述存储器51也可以是所述一种终端设备5的外部存储设备,例如所述一种终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述一种终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之间。
Claims (10)
1.一种内容推荐的方法,其特征在于,包括:
获取多个用户观看多个内容的次数,根据所述次数生成第一内容评分矩阵;所述第一内容评分矩阵的元素为多个用户中的每个用户对应每个内容的第一评分值,所述第一评分值表征用户历史观看多个所述内容的次数;其中,未观看内容的所述第一评分值为零或为空,每个所述内容包括多个属性;
根据多个所述属性训练回归模型,根据所述回归模型计算多个所述内容的第二预测评分值;
根据已观看内容的所述第二预测评分值计算第一预测误差;
根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差;
将所述未观看内容的所述第二预测评分值减去对应的所述第二预测误差得到所述未观看内容的第二评分值;
根据所述第二评分值推荐内容给用户。
2.如权利要求1所述的方法,其特征在于,所述根据多个所述属性训练回归模型,包括:
根据所述第一内容评分矩阵计算每个所述用户的每个所述属性的第一权重值;根据所述第一权重值以及每个所述用户的已观看内容的所述第一评分值训练所述回归模型。
3.如权利要求2所述的方法,其特征在于,所述根据所述第一内容评分矩阵计算每个所述用户的每个所述属性的第一权重值,包括:
提取具有所述属性的多个所述已观看内容的所述第一评分值;
将多个所述已观看内容的所述第一评分值相加得到每个所述属性的所述第一权重值。
4.如权利要求1所述的方法,其特征在于,所述根据基于邻居的协同推荐算法和所述第一预测误差计算所述未观看内容的第二预测误差,包括:
计算目标用户和其他用户的评分值相识度;
将所述第一预测误差和所述评分值相识度代入所述基于邻居的协同推荐算法中计算所述未观看内容的所述第二预测误差。
5.如权利要求1所述的方法,其特征在于,所述根据所述已观看内容的所述第二预测评分值计算第一预测误差,包括:
将所述已观看内容的第一评分值减去对应的所述第二预测评分值得到所述第一预测误差。
6.如权利要求1所述的方法,其特征在于,所述根据所述第二评分值推荐内容给用户,包括:
根据所述已观看内容的所述第一评分值和所述未观看内容的所述第二评分值计算每个所述属性的第二权重值;
在一个计算周期内,根据指数衰减函数衰减每个所述属性的第二权重值;
统计所述计算周期内每个所述属性增长的第三权重值;将衰减后的所述第二权重值与所述第三权重值相加得到第四权重值;
根据每个用户的每个所述属性的第四权重值推荐对应内容。
7.如权利要求6所述的方法,其特征在于,所述根据每个用户的每个所述属性的第四权重值推荐对应内容,包括:
获取所述第四权重值最大的所述属性对应的多个第一预选内容;根据多个所述第一预选内容中所述第二评分值大小顺序推荐对应内容。
8.如权利要求1所述的方法,其特征在于,所述根据所述第二评分值推荐内容给用户,还包括:
将所述未观看内容的所述第一评分值替换为所述第二评分值,形成第二内容评分矩阵;
根据所述第二内容评分矩阵中每个用户的每个内容的评分值大小顺序推荐对应内容。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740725.7A CN110598092A (zh) | 2019-08-12 | 2019-08-12 | 一种内容推荐的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740725.7A CN110598092A (zh) | 2019-08-12 | 2019-08-12 | 一种内容推荐的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598092A true CN110598092A (zh) | 2019-12-20 |
Family
ID=68854151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740725.7A Pending CN110598092A (zh) | 2019-08-12 | 2019-08-12 | 一种内容推荐的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598092A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
US20150058264A1 (en) * | 2012-10-21 | 2015-02-26 | Concept.Io, Inc. | Method and system of iteratively autotuning prediction parameters in a media content recommender |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109284442A (zh) * | 2018-11-27 | 2019-01-29 | 浙江工商大学 | 融合协同过滤的线性回归推荐方法 |
CN109635291A (zh) * | 2018-12-04 | 2019-04-16 | 重庆理工大学 | 一种基于协同训练的融合评分信息和物品内容的推荐方法 |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
-
2019
- 2019-08-12 CN CN201910740725.7A patent/CN110598092A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058264A1 (en) * | 2012-10-21 | 2015-02-26 | Concept.Io, Inc. | Method and system of iteratively autotuning prediction parameters in a media content recommender |
CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
CN109241415A (zh) * | 2018-08-20 | 2019-01-18 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109284442A (zh) * | 2018-11-27 | 2019-01-29 | 浙江工商大学 | 融合协同过滤的线性回归推荐方法 |
CN109635291A (zh) * | 2018-12-04 | 2019-04-16 | 重庆理工大学 | 一种基于协同训练的融合评分信息和物品内容的推荐方法 |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
庞海龙等: "融合协同过滤的线性回归推荐算法", 《计算机应用研究》 * |
张旭阳: "基于权重的混合推荐策略研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》 * |
陈垲冰等: "一种基于电影评分预测的协同过滤", 《哈尔滨师范大学自然科学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929052A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN110896488B (zh) | 一种直播间的推荐方法以及相关设备 | |
GB2545311A (en) | Attribute weighting for media content-based recommendation | |
CN109218769B (zh) | 一种直播间的推荐方法以及相关设备 | |
US20140279121A1 (en) | Customizable and adjustable pricing of games | |
US9088811B2 (en) | Information providing system, information providing method, information providing device, program, and information storage medium | |
US20140274355A1 (en) | Dynamic recommendation of games | |
US9251527B2 (en) | System and method for providing personalized recommendations | |
CN108062692B (zh) | 一种录音推荐方法、装置、设备及计算机可读存储介质 | |
CN106686460B (zh) | 一种视频节目推荐方法及视频节目推荐装置 | |
CN111935291A (zh) | 游戏推送方法、装置、设备及计算机可读存储介质 | |
CN111107416B (zh) | 一种弹幕屏蔽方法、装置及电子设备 | |
CN104615741B (zh) | 一种基于云计算的冷启动项目推荐的方法及装置 | |
US20140274354A1 (en) | Intelligent merchandising of games | |
WO2022007626A1 (zh) | 视频内容推荐方法、装置及计算机设备 | |
CN109257617B (zh) | 一种确定直播平台中嫌疑用户的方法以及相关设备 | |
CN108419135B (zh) | 相似度确定方法、装置及电子设备 | |
CN111327609B (zh) | 数据审核方法及装置 | |
CN113130052A (zh) | 医生推荐方法、医生推荐装置、终端设备及存储介质 | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
CN111797319A (zh) | 推荐方法、装置、设备及存储介质 | |
US20160132771A1 (en) | Application Complexity Computation | |
CN112733034B (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN114756758B (zh) | 一种混合推荐方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |