CN111224731B - 基于语音广播的内容推送方法、装置及设备 - Google Patents
基于语音广播的内容推送方法、装置及设备 Download PDFInfo
- Publication number
- CN111224731B CN111224731B CN201911364087.XA CN201911364087A CN111224731B CN 111224731 B CN111224731 B CN 111224731B CN 201911364087 A CN201911364087 A CN 201911364087A CN 111224731 B CN111224731 B CN 111224731B
- Authority
- CN
- China
- Prior art keywords
- voice
- content
- audience
- scene
- group
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04H—BROADCAST COMMUNICATION
- H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
- H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
- H04H60/46—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for recognising users' preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04H—BROADCAST COMMUNICATION
- H04H20/00—Arrangements for broadcast or for distribution combined with broadcast
- H04H20/53—Arrangements specially adapted for specific applications, e.g. for traffic information or for mobile receivers
- H04H20/61—Arrangements specially adapted for specific applications, e.g. for traffic information or for mobile receivers for local area broadcast, e.g. instore broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例一种基于语音广播的内容推送方法、装置及设备,根据单体活跃受众的单体特征和群体受众的群体特征确定候选语音集中每个语音内容的单体匹配度和群体匹配度,并根据每个语音内容的单体匹配度和群体匹配度确定出本次需要推送的最优语音内容广播出去。
Description
技术领域
本说明书实施例涉及推荐领域,尤其涉及一种基于语音广播的内容推送方法、装置及设备。
背景技术
通过视觉触达已经较为普遍,广泛的应用于各种信息内容的推荐。而且,视觉触达的技术也已经相对成熟。随着IOT(Internet of Things,物联网)设备的发展,声音触达有望成为一种新兴的信息推荐渠道。目前,IOT设备在顾客行动触发下,如顾客完成移动支付、进店、离店等行为时,会触发针对该顾客进行语音广播,播报例如:谢谢惠顾,欢迎再次光临、支付成功、支付金额等固定的语音内容。
发明内容
本说明书实施例提供一种基于语音广播的内容推送方法、装置及设备,使得语音媒体广播推荐内容更精准、高效。
第一方面,本说明书实施例提供一种基于语音广播的内容推送方法,包括:获取当前多受众场景下的多维场景特征,其中,在所述当前多受众场景下包括群体受众和触发获取所述多维场景特征的单体活跃受众,所述多维场景特征中包括所述单体活跃受众的单体特征以及所述群体受众的群体特征;根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度;根据所述候选语音集中每个语音内容的单体匹配度和群体匹配度,从所述候选语音集中确定出最优语音内容,并在所述当前多受众场景下语音广播所述最优语音内容。
第二方面,本说明书实施例提供一种基于语音广播的内容推送装置,包括:特征获取单元,用于获取当前多受众场景下的多维场景特征,其中,在所述当前多受众场景下包括群体受众和触发获取所述多维场景特征的单体活跃受众,所述多维场景特征中包括所述单体活跃受众的单体特征以及所述群体受众的群体特征;匹配度预估单元,用于根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度;最优语音确定单元,用于根据所述候选语音集中每个语音内容的单体匹配度和群体匹配度,从所述候选语音集中确定出最优语音内容;语音广播单元,用于在所述当前多受众场景下语音广播所述最优语音内容。
第三方面,本说明书实施例提供一种语音广播设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述基于语音广播的内容推送方法的步骤。
本说明书实施例提供的一个或者多个技术方案,至少实现了如下技术效果:
通过上述技术方案,根据单体活跃受众的单体特征和群体受众的群体特征确定候选语音集中每个语音内容的单体匹配度和群体匹配度,并根据每个语音内容的单体匹配度和群体匹配度确定出本次推荐的最优语音内容广播出去。使得向多受众广播的语音内容同时能够兼顾了群体受众的兴趣偏好和触发此次广播语音内容的单体活跃受众的兴趣偏好,从而广播的语音内容考虑了多方受众的兴趣,而不仅仅是考虑单个受众的兴趣偏好、也不仅仅是针对单个受众广播本次推荐的语音内容。从而很好的利用了语音媒体广播的特性,因此,更适合基于语音媒体广播的线下推荐场景,且提高了通过语音广播进行内容推送的精准性和效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本说明书的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本说明书实施例中基于语音广播的内容推送方法的场景示意图;
图2为本说明书实施例中基于语音广播的内容推送方法的流程图;
图3为本说明书实施例中基于语音广播的内容推送装置的结构示意图;
图4为本说明书实施例中语音广播设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
图1为本说明书实施例提供的基于语音广播的内容推送方法的应用场景示意图。在图1中,包含语音广播设备、以及能听到该语音广播设备进行广播语音的每个受众,以及受众所持有的终端。在一些应用场景下,还可包括一个或者多个向语音广播设备提供数据来源的服务端、一个或多个受众的终端提供数据来源的服务端。
其中,语音广播设备可以是带语音播报功能的IOT设备。比如,服务于线下商户,在顾客移动支付成功时自动播报到账语音的IOT设备。当然,也可以是服务于其他公共场所的设备,比如:用于地铁站点、火车站点,公交车站点内在购票过程中进行购票提示的购票设备。又比如,商场内用于查询商场内店铺信息的引导设备。
在语音广播设备确定出一个用户执行目标行为时,则该用户成作为单体活跃受众(受众是能够听到该语音内容的用户),以及会确定出相对于该单体活跃受众存在的一个受众群体。而在本说明书实施例中语音广播设备,基于语音广播设备的语音播报能力,若确定出一个用户执行目标行为,除了会触发对单体活跃受众执行目标行为的相关信息进行语音播报,还会触发语音推送兼顾到当前多受众场景下每个受众的语音内容。具体来讲,会触发获取当前多受众场景下的多维场景特征,根据多维场景特征中单体活跃受众的单体特征以及群体受众的群体特征确定最优语音内容,并在当前多受众场景下广播最优语音内容。该最优语音内容以广播的方式触达到当前多受众场景下的每个受众,而当前多受众场景下的受众包括:一个活跃受众(即单体活跃受众)和群体受众。群体受众是除单体活跃受众之外,能够听到该语音广播的多个受众形成的一个群体。以移动支付情形为例,单体活跃受众是指当前正在执行移动支付行为的顾客,一个用户执行移动支付行为会触发对该移动支付行为的到账信息进行语音播报,比如,支付到账金额、支付成功。而当前排队的顾客群体即为群体受众。当然在具体实施过程中,可以将除单体活跃受众之外的受众划分为多个群体受众或者作为一个群体受众。
在本说明书实施例中,多受众场景可以是在一个室内空间的多受众场景,在该室内空间的每个用户对象都是一个受众。
就服务端而言,可以有一个服务端向语音广播设备传递用户执行目标行为的相关信息。这一点以语音播报移动支付成功的场景来讲,服务端在接收到一个用户向线下商户的一次支付到账时,该服务端向该线下商户的语音广播设备发送到账信息,使得语音广播设备能够根据该语音到账信息确定用户执行了移动支付行为。当然,也可以有一个服务端向受众终端投递与语音内容相对应的展示内容。
第一方面,本说明书实施例提供一种基于语音广播的内容推送方法,可以应用于图1所示的语音广播设备中,用以确定针对当前多受众场景的最优语音内容,并在当前多受众场景下广播该最优语音内容,使得广播的最优语音内容兼顾到单体活跃受众和群体受众的偏好。参考图2所示,本说明书实施例提供的基于语音广播的内容推送方法,包括如下步骤:
S200:获取当前多受众场景下的多维场景特征,其中,在当前多受众场景下包括群体受众和触发获取多维场景特征的单体活跃受众,多维场景特征中包括单体活跃受众的单体特征以及群体受众的群体特征。
在可选的第一实施方式下,获取的多维场景特征中,至少包括:单体活跃受众的多维单体特征、群体受众的多维群体特征。
其中,多维单体特征中包括:属性特征和历史行为特征。其中,属性特征包括该单体活跃受众的用户标识、性别、年龄、教育程度等任一种或者多种基本属性,历史行为特征具体是受到用户历史行为影响的特征。根据实际应用场景不同,历史行为特征也相应不同,以消费场景为例,历史行为特征可以包括:消费类型偏好(消费类型偏好反映了受众偏好的消费类型,比如:美食、电影、景点门票)、消费信用、消费频率(反映受众在限定时段消费的次数,比如,一个月内消费的次数)、消费层级(反映受众的消费档次)等任一种或者多种历史行为特征。
其中,群体受众的多维群体特征中,每维群体特征是指:该维具体特征的每个特征值在群体受众中的人群浓度。本说明书实施例中的群体特征具体包括:群体属性特征和群体历史行为特征,而群体属性特征包括性别、年龄、教育程度、受众人数等任一种或者多种基本属性,群体历史行为特征包括:消费类型偏好、消费信用、消费频率、消费层级等任一种或者多种历史行为特征。
以群体受众的性别这一群体特征为例,具体是:女性的百分比和男性的百分比。比如:女性占75%,男性占25%。以群体受众的年龄特征这一群体特征为例,具体包括:每个年龄段的人群浓度,比如:18岁以下占5%,18~36岁占45%,36~45岁占40%,45岁以上占10%。以群体受众的消费类型偏好这一群体特征为例,具体是:群体受众中存在的每类消费类型的人群浓度,比如:美食占60%,服装占40%。从而,针对每个具体特征都可以知晓该具体特征在群体受众中的人群浓度,从而得到每维群体特征。
在可选的第二实施方式下,多维场景特征中包括:针对单体活跃受众的多维单体特征和针对群体受众的多维群体特征,以及目标商户的商户特征。而单体特征和群体特征参考前文,为了说明书的简洁,在此不再赘述。目标商户是语音广播设备所在的商户。而多维商户特征具体包括:目标商户的商户唯一标识、商户行业归属(具体反映了目标商户所属的行业,比如,可以是:服装、美食、电影演出、酒店住宿、景点门票、加油等中的一种行业)、商户地址、服务人群消费等级(服务人群消费等级反映了目标商户的消费金额范围)、历史平均客单价(比如,一个月内平均客单价)等等商户特征中的一种或者多种。
当然,为了提高确定最优语音内容的准确性,多维场景特征中还可以包括:广播声音信息、未来预估收款等等。广播声音信息具体是预先配置的用于对成功执行目标行为的相关信息进行语音播报的声音信息,比如:男女声、语速、播报时长等等。未来预估收款是未来一定时长内,对目标商户的收款金额预估值。比如,未来一周内的收款预估值。
在本说明书实施例中,若确定出任意一个用户执行目标行为,则将本次执行目标行为的用户判定为单体活跃受众,该目标行为具体可以是进店行为、离店行为、移动支付行为、购票行为等等行为中的某一行为。以移动支付情形为例,每次确定出任意用户执行移动支付行为,则将执行该移动支付行为的用户判定为单体活跃受众,并触发执行一次获取当前多受众场景下的多维场景特征的步骤。而获取的多维场景特征中,包括:执行这次移动支付行为的顾客的多维度特征以及当前排队的顾客群体的多维度特征,即获得了:单体活跃受众的多维单体特征和群体受众的多维群体特征。
需要说明的是,本说明书实施例中的当前多受众场景,是指收到一个用户执行当前次移动支付行为所对应的场景,收到另一个用户执行的下一次移动支付行为所对应的场景,则是下一个多受众场景。当前多受众场景与下一个多受众场景的不同是:单体活跃受众是不同的受众,群体受众中是部分受众不同。
下面,以某一用户01正在执行移动支付行为,在用户01之后,有用户02、03、04、05、06在排队进行举例说明:用户02、30、04、05、06构成当前多受众场景的群体受众,用户01是当前多受众场景下的单体活跃受众,确定出用户01执行移动支付行为,触发获取用户01的多维度特征,以及用户02、30、04、05、06所构成的群体受众的多维度特征。在此之后,用户02执行移动支付行为,用户03、04、05、06继续排队,并新增加了用户07,则用户02、03、04、05、06、07构成下一个受众场景的群体受众,用户02是该下一个多受众场景下的单体活跃受众,确定出用户02执行移动支付行为,则触发获取用户02的多维度特征,以及用户03、04、05、06、07所构成的群体受众的多维度特征。
在本说明书实施例中,对多维场景特征中的不同场景特征的获取方式进行描述:
就群体特征而言,可以是根据LBS(Location Based Services,基于位置的服务)探测到在语音广播设备预设距离范围内打开目标客户端的用户,如果是在室内,可以基于WiFi探针探测到在语音广播设备预设距离范围内的用户。接着,从数据库中匹配出在预设距离范围内每个打开目标客户端的用户的用户特征,基于在预设距离范围内每个打开目标客户端的用户的用户特征,确定出每个用户特征的人群浓度,一个用户特征的人群浓度作为该群体受众的一维群体特征,从而得到多维群体特征。其中,在预设距离范围内的各个打开目标客户端的用户构成了该群体受众。就语音播报支付成功的场景而言,目标客户端可以是用户用于完成移动支付的客户端。
就单体特征而言,可以是从服务端下发的执行目标行为的相关信息中确定出受众标识信息,以语言播报支付成功的场景为例,可以是从服务端向语音广播设备下发的到账信息中获取单体活跃受众的受众标识信息。接着,根据该受众标识信息,从数据库中匹配出该单体活跃受众相应的多维度单体特征。
就广播声音信息、未来预估收款而言,可以是预设提供有多种广播声音信息,根据单体活跃受众的单体特征匹配出针对当前次语音广播的广播声音信息。可以根据目标商户预设历史时间段的收款金额预估未来收款金额。
S202、根据单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据群体受众的群体特征,确定候选语音集中每个语音内容的群体匹配度。
针对步骤S202,可以有多种不同的实施方式,下面分别进行说明:
实施方式一、每次确定出任意一个用户执行目标行为,将该执行目标行为的用户作为单体活跃受众,并触发执行步骤S200~S204。以移动支付情形为例,每个用户完成移动支付行为,都会触发一次执行步骤S200~S204。从而实现只要存在用户执行一次目标行为,就会相应触发广播一次语音内容。
优选地,为了节省语音广播设备的计算资源,且减少语音内容的无效广播,可以选择实施方式二:
在当前多受众场景满足预设的内容推荐条件下,获取针对的当前多受众场景的候选语音集,并基于获取的候选语音集执行步骤S202~S204。从而,在当前多受众场景满足预设的内容推荐条件下,才会确定并语音广播语音内容,而不是每次用户执行目标行为都会触发广播语音内容。具体的,实施方式二可以通过如下步骤1~3实现:
步骤1、根据预设的内容推荐条件,从多维场景特征确定出场景判别特征;步骤2、根据场景判别特征,判断当前多受众场景是否满足内容推荐条件;步骤3、如果当前多受众场景满足内容推荐条件,获得针对当前多受众场景的多个语音内容,并基于多个语音内容形成候选语音集。
具体来讲,预设的内容推荐条件不同,确定出的场景判别特征则相应不同。下面,给出举例说明,但是步骤1~3的实现并不仅限于如下举例:
实现举例一:
预设的内容推荐条件是:群体受众的受众人数大于K人,K为预先设置的大于1的整数。基于此,根据多维场景特征,确定出当前多受众场景下的群体受众的受众人数,并判断群体受众的受众人数是否大于k人,如果是,表征当前多受众场景满足预设的内容推荐条件,则获取针对当前多受众场景的多个语音内容,并基于获取的多个语音内容形成候选语音集;如果不满足,则等待下一次存在任意一个用户通过执行目标行为来触发执行步骤S200。
实现举例二:
预设的内容推荐条件是:未来预估收款低于某一金额阈值。基于此,根据多维场景特征确定出未来预估收款;并判断未来预估收款是否低于该金额阈值,如果是,表征当前多受众场景满足预设的内容推荐条件,则获取针对当前多受众场景的多个语音内容,并基于获取的多个语音内容形成候选语音集;如果不满足,则等待下一次存在任意一个用户执行目标行为来触发执行步骤S200。
具体的,可以根据当前多受众场景下群体受众的受众人数和历史平均客单价,确定出未来预估收款。当然,也可以从其他业务模块直接获取该未来预估收款。
实现举例三:
预设的内容推荐条件是:当前时间在目标推荐时间段内。基于此,从多维场景特征中确定出当前时间,并判断当前时间是否在目标推荐时间段内,如果是,则获取针对当前多受众场景的多个语音内容,并基于多个语音内容形成候选语音集。其中,目标推荐时间段可以是预设设置的固定时间段,也可以是根据目标商户的历史支付记录确定的动态时间段。无论固定或者动态时间段,推荐时间段设置在目标商户的客流量较大时间段。
当然,在具体实施过程中,也可以预设上述多个不同的内容推荐条件,在满足多个不同内容推荐条件中的任一内容推荐条件,或者同时满足多个内容推荐条件时,获取针对当前多受众场景的多个语音内容,并基于多个语音内容形成候选语音集。
具体的,候选语音集可以是包含所有语音内容的原始语音集。
具体的,为了减少确定出最优语音内容的计算量,候选语音集可以是一个从语音库中召回的、且与当前多受众场景匹配的子集,从而只需在针对当前多受众场景的候选语音范围内进行语音内容的匹配度计算。具体的,可以通过如下步骤实现:
根据预设的筛选策略,从多维场景特征确定出内容筛选特征。根据内容筛选特征,从语音库中召回符合筛选策略的多个语音内容,其中,召回的每个语音内容与单体活跃受众和群体受众相关。语音库可以配置在服务器上。
具体的,预设的筛选策略不同,确定出的内容筛选特征则相应不同。而召回的语音内容,包括:优惠券和/或用户权益等展示内容对应的语音文案。
如果预设的筛选策略,是:召回语音内容与单体活跃受众以及群体受众中每一个受众的消费偏好不冲突,具体的,消费偏好不冲突,具体是与每个受众的消费等级、消费类型均不冲突。与此对应的,确定出的内容筛选特征是:单体活跃受众的单体特征和群体受众的群体特征。
如果多维场景特征中包含目标商户的商户特征,则预设的筛选策略,还可以是:召回的语音内容,不仅与单体活跃受众以及群体受众中每一个受众的消费偏好不冲突,还与目标商户相关。基于此,确定出的内容筛选特征中,包括:单体活跃受众的单体特征和群体受众的群体特征、以及目标商户的目标商户特征。
1、召回的语音内容与目标商户相关,具体是:召回的语音内容与目标商户的商户行业归属不冲突。目标商户特征具体是商户行业归属。比如,召回的语音内容是与目标商户的同行业归属的多个商户的优惠券对应的语音内容。
2、召回的语音内容与目标商户相关,具体是:召回的语音内容属于目标商户的优惠券对应的语音内容。目标商户特征具体是商户唯一标识。
3、召回的语音内容与目标商户相关,具体是:召回的语音内容是目标商户的预设距离范围内的一个以上商户的优惠券对应的语音内容。目标商户特征具体是商户地址。
比如,召回的语音内容是优惠券对应的语音内容,则优惠券的消费金额门槛低于或者等于当前多受众场景下的每一个受众的消费等级所表征的消费金额范围,优惠券的可用行业与当前多受众场景下每个受众的消费类型不冲突。比如,则当前多受众场景下每个受众的消费类型均包含食品,如果优惠券的可用行业是食品、则表征优惠券的可用行业与当前多受众场景下每个受众的消费类型不冲突。
在获取到候选语音集之后,评估候选语音集中每个语音内容的匹配度,以从候选语音集中确定出最优语音内容。具体包括如下步骤S2021~S2022:
S2021:针对候选语音集中每个语音内容,将单体活跃受众的单体特征输入第一CTR(Click-Through-Rate,即点击通过率)预估模型,预估单体活跃受众对语音内容对应的展示内容的点击率,并根据点击率确定语音内容的单体匹配度。
具体来讲,针对候选语音集中的每个语音内容,利用由历史数据训练学习得到的机器学习模型,即是:第一CTR预估模型Fs,预估该语音内容进行广播后,单体活跃受众打开终端上相应的APP(客户端),并点击与该语音内容对应的展示内容的点击率:
ctr(us,x)=Fs(x,us).
其中,us表示单体活跃受众,x表示语音内容,表示候选语音集,ctr(us,x)表示单体活跃受众us对该语音内容x对应的展示内容的点击率。以该点击率作为单体活跃受众对该语音内容的匹配度预估值,即:单体匹配度。
具体的,用于训练第一CTR预估模型Fs的历史数据是:历史上多个单体活跃受众中每个单体活跃受众的多维单体特征,作为训练样本训练出第一CTR预估模型Fs。
S2022:针对候选语音集中每个语音内容,将群体受众的群体特征输入第二CTR预估模型,预估群体受众对语音内容对应的展示内容的点击数概率密度函数,并根据点击数概率密度函数确定出语音内容的群体匹配度。
利用由历史数据学习得到的机器学习模型--第二CTR预估模型Fc,获得语音内容的广播后,该群体受众打开相应APP(客户端),点击与该语音内容所指示的推荐内容的点击数概率密度函数:
FY(y|x,Uc)=Fc(y,x,Uc)
其中,Uc表示群体受众,y表示语音内容,表示候选语音集,ctr(us,x)表示群体受众Uc对该语音内容x对应的展示内容的点击数概率密度函数。以该点击数概率密度函数作为群体受众对该语音内容的匹配度预估值,即:群体匹配度。
具体的,用于训练第二CTR预估模型Fs的历史数据是:历史上多个群体活跃受众中每个单体活跃受众的多维群体特征,作为训练样本训练出第二CTR预估模型Fs。
在具体实施时,步骤S2021~S2022可以为两个独立执行的步骤,也可以同时执行或者顺序执行。
S204、根据候选语音集中每个语音内容的单体匹配度和群体匹配度,从候选语音集中确定出最优语音内容,并在当前多受众场景下语音广播最优语音内容。
具体的,针对候选语音集中每个语音内容,根据该语音内容的单体匹配对和群体匹配对,计算得到该语音内容的推荐可能性值;根据每个语音内容的推荐可能性值,确定出最优语音内容。最优语音内容可以为一个或者多个。推荐可能性值具体可以是推荐分值、推荐比例值。
在一可选的实施方式下,预先针对单体匹配度配置有第一权重、以及预先针对群体匹配度配置有第二权重,基于此,针对每个语音内容,根据该语音内容,根据第一权重以及该语音内容的单体匹配度,第二权重以及该语音内容的群体匹配度,确定出该语音内容的推荐可能性值。
依据公式对候选语音集中的每个语音内容进行计算,得到该候选语音集中每个语音内容的推荐分数S(x,us,Uc),其中,计算语音内容的推荐分数,可以参考如下分数计算公式:
S(x,us,Uc)=∫Ft(ctr(us,x),FY(y|x,Uc),α,β)dy
其中,α为单体匹配度的第一权重、β为群体匹配度的第二权重,在具体实施过程中,第一权重、第二权重可以根据实际需求配置。
在得到候选语音集中的每个语音内容的推荐分数之后,选择分数最高的语音内容作为用于本次推荐的最优语音内容,将最优语音内容广播出去,完成本次语音内容推送。
在一可选的实施方式下,在多受众场景变化较快的应用情形下,可以选择分数最高的一个语音内容进行语音广播。具体可以参考如下公式:x*=argmaxxS(x,us,Uc),其中,x*为最优语音内容,argmaxx表示取最大值。
在一可选的实施方式下,在对单体活跃受众成功执行目标行为的相关信息进行语音广播之后,针对当前多受众场景语音广播最优语音内容。比如,在移动支付情形下,是在播报包含支付金额的支付到账语音之后,语音广播针对当前多受众场景下的最优语音内容,使得执行移动支付行为的顾客和排队的顾客群体都能听到广播的最优语音内容,从而增加了推荐语音内容推荐的效率。当然也可以是以最优语音内容替代固定语音内容进行语音广播。
需要说明的是,在针对当前多受众场景语音广播最优语音内容时,是针对执行目标行为的单体活跃受众和相对于该单体活跃受众的群体受众进行语音广播该最优语音内容。
基于与基于语音广播的内容推送方法的同样发明构思,本说明书实施例提供一种基于语音广播的内容推送装置,参考图3所示,该内容推送装置包括:
特征获取单元301,用于获取当前多受众场景下的多维场景特征,其中,在当前多受众场景下包括群体受众和触发获取多维场景特征的单体活跃受众,多维场景特征中包括单体活跃受众的单体特征以及群体受众的群体特征;
匹配度预估单元302,用于根据单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据群体受众的群体特征,确定候选语音集中每个语音内容的群体匹配度;
最优语音确定单元303,用于根据候选语音集中每个语音内容的单体匹配度和群体匹配度,从候选语音集中确定出最优语音内容;
语音广播单元304,用于在当前多受众场景下语音广播最优语音内容。
在一可选的实施方式下,该内容推送装置还包括:行为确定单元,用于确定用户执行目标行为;
特征获取单元,用于若所述行为确定单元确定出用户执行目标行为,将该用户判定为单体活跃受众,并触发执行获取当前多受众场景下的多维场景特征的步骤。
在一可选的实施方式下,该内容推送装置还包括:
场景特征确定单元,用于根据预设的内容推荐条件,从多维场景特征确定出场景判别特征;
推荐判断单元,用于根据场景判别特征,判断当前多受众场景是否满足内容推荐条件;
推荐内容获得单元,如果当前多受众场景满足内容推荐条件,用于获得针对当前多受众场景的多个语音内容,并基于多个语音内容形成候选语音集。
在一可选的实施方式下,推荐内容获得单元,包括:
特征确定子单元,用于根据预设的筛选策略,从多维场景特征确定出内容筛选特征。
召回子单元,用于根据内容筛选特征,从语音库中召回符合筛选策略的多个语音内容,其中,召回的每个语音内容与单体活跃受众和群体受众相关。
在一可选的实施方式下,匹配度预估单元302,包括:
点击率预估子单元,用于针对候选语音集中每个语音内容,将单体活跃受众的单体特征输入第一CTR预估模型,预估单体活跃受众对语音内容对应的展示内容的点击率;
第一匹配度确定子单元,用于根据点击率确定语音内容的单体匹配度。
在一可选的实施方式下,匹配度预估单元302,包括:
概率密度预估子单元,用于针对候选语音集中每个语音内容,将群体受众的群体特征输入第二CTR预估模型,预估群体受众对语音内容对应的展示内容的点击数概率密度函数;
第二匹配度确定子单元,用于根据点击数概率密度函数确定语音内容的群体匹配度。
在一可选的实施方式下,语音广播单元304,具体用于:在对单体活跃受众执行目标行为的相关信息进行语音广播之后,针对当前多受众场景语音广播最优语音内容,或者以最优语音内容替换预先配置固定语音内容,在当前多受众场景下进行语音广播。
关于上述基于语音广播的内容推送装置,其中各个模块的具体功能已经在本说明书实施例提供的基于语音广播的内容推送方法实施例中进行了详细描述,此处将不做详细阐述说明。
第三方面,基于与前述实施例中基于语音广播的内容推送方法同样的发明构思,本说明书实施例还提供一种语音广播设备,如图4所示,包括存储器404、处理器402及存储在存储器404上并可在处理器402上运行的计算机程序,处理器402执行程序时实现前文基于语音广播的内容推送方法的任一方法的步骤。实现了提高了通过语音广播进行内容推荐的精准性和效率。
其中,在图4中,总线架构(用总线400来代表),总线400可以包括任意数量的互联的总线和桥,总线400将包括由处理器402代表的一个或多个处理器和存储器404代表的存储器的各种电路链接在一起。总线400还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口406在总线400和接收器401和发送器403之间提供接口。接收器401和发送器403可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器402负责管理总线400和通常的处理,而存储器404可以被用于存储处理器402在执行操作时所使用的数据。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。
Claims (15)
1.一种基于语音广播的内容推送方法,包括:
获取当前多受众场景下的多维场景特征,其中,在所述当前多受众场景下包括群体受众和触发获取所述多维场景特征的单体活跃受众,所述多维场景特征中包括所述单体活跃受众的单体特征以及所述群体受众的群体特征;
根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度;
根据所述候选语音集中每个语音内容的单体匹配度和群体匹配度,从所述候选语音集中确定出最优语音内容,并在所述当前多受众场景下语音广播所述最优语音内容。
2.如权利要求1所述的内容推送方法,所述获取当前多受众场景下的多维场景特征,包括:
若确定出用户执行目标行为,则将所述用户判定为所述单体活跃受众,并触发执行所述获取当前多受众场景下的多维场景特征的步骤。
3.如权利要求1所述的内容推送方法,在所述根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度之前,所述方法还包括:
根据预设的内容推荐条件,从所述多维场景特征确定出场景判别特征;
根据所述场景判别特征,判断所述当前多受众场景是否满足所述内容推荐条件;
如果满足,获得针对所述当前多受众场景的多个语音内容,并基于所述多个语音内容形成候选语音集。
4.如权利要求3所述的内容推送方法,所述获得针对所述当前多受众场景的多个语音内容,包括:
根据预设的筛选策略,从所述多维场景特征确定出内容筛选特征;
根据所述内容筛选特征,从语音库中召回符合所述筛选策略的多个语音内容,其中,召回的每个语音内容与所述单体活跃受众和所述群体受众相关。
5.如权利要求1所述的内容推送方法,所述根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,包括:
针对所述候选语音集中每个语音内容,将所述单体活跃受众的单体特征输入单体第一点击通过率CTR预估模型,预估所述单体活跃受众对所述语音内容对应的展示内容的点击率;
根据所述点击率确定所述语音内容的单体匹配度。
6.如权利要求1所述的内容推送方法,所述根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度,包括:
针对所述候选语音集中每个语音内容,将所述群体受众的群体特征输入第二CTR预估模型,预估所述群体受众对所述语音内容对应的展示内容的点击数概率密度函数;
根据所述点击数概率密度函数确定所述语音内容的群体匹配度。
7.如权利要求2所述的内容推送方法,所述在所述当前多受众场景下语音广播所述最优语音内容,包括:
在对所述单体活跃受众执行所述目标行为的相关信息进行语音广播之后,针对所述当前多受众场景语音广播所述最优语音内容,或者
以所述最优语音内容替换预先配置的固定语音内容,在所述当前多受众场景下进行语音广播。
8.一种基于语音广播的内容推送装置,包括:
特征获取单元,用于获取当前多受众场景下的多维场景特征,其中,在所述当前多受众场景下包括群体受众和触发获取所述多维场景特征的单体活跃受众,所述多维场景特征中包括所述单体活跃受众的单体特征以及所述群体受众的群体特征;
匹配度预估单元,用于根据所述单体活跃受众的单体特征,确定候选语音集中每个语音内容的单体匹配度,以及根据所述群体受众的群体特征,确定所述候选语音集中每个语音内容的群体匹配度;
最优语音确定单元,用于根据所述候选语音集中每个语音内容的单体匹配度和群体匹配度,从所述候选语音集中确定出最优语音内容;
语音广播单元,用于在所述当前多受众场景下语音广播所述最优语音内容。
9.如权利要求8所述的内容推送装置,还包括:行为确定单元,用于确定用户执行目标行为;
所述特征获取单元,用于若所述行为确定单元确定出用户执行目标行为,则将所述用户判定为所述单体活跃受众,并触发执行所述获取当前多受众场景下的多维场景特征的步骤。
10.如权利要求8所述的内容推送装置,还包括:
场景特征确定单元,用于根据预设的内容推荐条件,从所述多维场景特征确定出场景判别特征;
推荐判断单元,用于根据所述场景判别特征,判断所述当前多受众场景是否满足所述内容推荐条件;
推荐内容获得单元,如果所述当前多受众场景满足所述内容推荐条件,用于获得针对所述当前多受众场景的多个语音内容,并基于所述多个语音内容形成候选语音集。
11.如权利要求10所述的内容推送装置,所述推荐内容获得单元,包括:
特征确定子单元,用于根据预设的筛选策略,从所述多维场景特征确定出内容筛选特征;
召回子单元,用于根据所述内容筛选特征,从语音库中召回符合所述筛选策略的多个语音内容,其中,召回的每个语音内容与所述单体活跃受众和所述群体受众相关。
12.如权利要求8所述的内容推送装置,所述匹配度预估单元,包括:
点击率预估子单元,用于针对所述候选语音集中每个语音内容,将所述单体活跃受众的单体特征输入第一CTR预估模型,预估所述单体活跃受众对所述语音内容对应的展示内容的点击率;
第一匹配度确定子单元,用于根据所述点击率确定所述语音内容的单体匹配度。
13.如权利要求8所述的内容推送装置,所述匹配度预估单元,包括:
概率密度预估子单元,用于针对所述候选语音集中每个语音内容,将所述群体受众的群体特征输入第二CTR预估模型,预估所述群体受众对所述语音内容对应的展示内容的点击数概率密度函数;
第二匹配度确定子单元,用于根据所述点击数概率密度函数确定所述语音内容的群体匹配度。
14.如权利要求9所述的内容推送装置,所述语音广播单元,具体用于:
在对所述单体活跃受众执行所述目标行为的相关信息进行语音广播之后,针对所述当前多受众场景语音广播所述最优语音内容,或者
以所述最优语音内容替换预先配置固定语音内容,在所述当前多受众场景下进行语音广播。
15.一种语音广播设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911364087.XA CN111224731B (zh) | 2019-12-26 | 2019-12-26 | 基于语音广播的内容推送方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911364087.XA CN111224731B (zh) | 2019-12-26 | 2019-12-26 | 基于语音广播的内容推送方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111224731A CN111224731A (zh) | 2020-06-02 |
CN111224731B true CN111224731B (zh) | 2021-06-08 |
Family
ID=70806838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911364087.XA Active CN111224731B (zh) | 2019-12-26 | 2019-12-26 | 基于语音广播的内容推送方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111224731B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007148817A1 (ja) * | 2006-06-23 | 2007-12-27 | Nec Corporation | コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム |
CN103324729A (zh) * | 2013-06-27 | 2013-09-25 | 北京小米科技有限责任公司 | 一种推荐多媒体资源的方法和装置 |
CN105224617A (zh) * | 2015-09-17 | 2016-01-06 | 北京金山安全软件有限公司 | 一种广播内容的推荐方法、装置及系统 |
CN106897897A (zh) * | 2017-01-20 | 2017-06-27 | 北京小米移动软件有限公司 | 内容项目推送方法及装置 |
CN108964939A (zh) * | 2017-05-21 | 2018-12-07 | 杭州阶形网络科技有限公司 | 一种基于主动推送广播的网络社交系统和方法 |
CN109492180A (zh) * | 2018-09-07 | 2019-03-19 | 平安科技(深圳)有限公司 | 资源推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109672724A (zh) * | 2018-11-01 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 信息推送方法、装置及设备 |
CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
-
2019
- 2019-12-26 CN CN201911364087.XA patent/CN111224731B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007148817A1 (ja) * | 2006-06-23 | 2007-12-27 | Nec Corporation | コンテンツ推薦システム、コンテンツ推薦方法及びコンテンツ推薦用プログラム |
CN103324729A (zh) * | 2013-06-27 | 2013-09-25 | 北京小米科技有限责任公司 | 一种推荐多媒体资源的方法和装置 |
CN105224617A (zh) * | 2015-09-17 | 2016-01-06 | 北京金山安全软件有限公司 | 一种广播内容的推荐方法、装置及系统 |
CN106897897A (zh) * | 2017-01-20 | 2017-06-27 | 北京小米移动软件有限公司 | 内容项目推送方法及装置 |
CN108964939A (zh) * | 2017-05-21 | 2018-12-07 | 杭州阶形网络科技有限公司 | 一种基于主动推送广播的网络社交系统和方法 |
CN109492180A (zh) * | 2018-09-07 | 2019-03-19 | 平安科技(深圳)有限公司 | 资源推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109672724A (zh) * | 2018-11-01 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 信息推送方法、装置及设备 |
CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111224731A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574139B2 (en) | Information pushing method, storage medium and server | |
US9135666B2 (en) | Generation of advertising targeting information based upon affinity information obtained from an online social network | |
US11188928B2 (en) | Marketing method and apparatus based on deep reinforcement learning | |
CN110097066B (zh) | 一种用户分类方法、装置及电子设备 | |
US8615434B2 (en) | Systems and methods for automatically generating campaigns using advertising targeting information based upon affinity information obtained from an online social network | |
CN110570232A (zh) | 互联网广告投放方法、装置、服务器及存储介质 | |
US8732015B1 (en) | Social media pricing engine | |
JP6846390B2 (ja) | ドメイン間の文法スロットによる分類 | |
US10776816B2 (en) | System and method for building a targeted audience for an online advertising campaign | |
US20130218678A1 (en) | Systems and methods for selecting and generating targeting information for specific advertisements based upon affinity information obtained from an online social network | |
CN110473000A (zh) | 一种信息推荐方法、服务器及存储介质 | |
US20180349954A1 (en) | Optimizing notification triggers for geo-fence communication systems | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
CN110515904B (zh) | 媒体文件的质量预测模型训练方法、质量预测方法及装置 | |
CN103177129A (zh) | 互联网实时信息推荐预测系统 | |
CN112215448A (zh) | 分配客服的方法和装置 | |
US20230231930A1 (en) | Content processing method and apparatus, computer device, and storage medium | |
US8751492B1 (en) | System, method, and computer program product for selecting an event category based on a category score for use in providing content | |
CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
CN109961308B (zh) | 评估标签数据的方法和装置 | |
CN109087124A (zh) | 一种应用程序价值预测方法及装置 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN112884529A (zh) | 一种广告竞价方法、装置、设备及介质 | |
CN111224731B (zh) | 基于语音广播的内容推送方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |