CN111506803B - 内容推荐方法、装置、电子设备及存储介质 - Google Patents

内容推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111506803B
CN111506803B CN202010188379.9A CN202010188379A CN111506803B CN 111506803 B CN111506803 B CN 111506803B CN 202010188379 A CN202010188379 A CN 202010188379A CN 111506803 B CN111506803 B CN 111506803B
Authority
CN
China
Prior art keywords
recommendation
user
recommended
content
recommendation model
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
Application number
CN202010188379.9A
Other languages
English (en)
Other versions
CN111506803A (zh
Inventor
缪石乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN202010188379.9A priority Critical patent/CN111506803B/zh
Publication of CN111506803A publication Critical patent/CN111506803A/zh
Priority to US17/021,078 priority patent/US11343572B2/en
Priority to JP2020192055A priority patent/JP7371317B2/ja
Priority to EP20215619.6A priority patent/EP3882791A1/en
Application granted granted Critical
Publication of CN111506803B publication Critical patent/CN111506803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/816—Monomedia components thereof involving special video data, e.g 3D video

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了内容推荐方法、装置、电子设备及存储介质，涉及移动互联网领域，其中的方法可包括：针对待推荐的用户，获取待推荐的候选内容及用户的用户特征标签；根据候选内容及用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于候选内容的数目；按照推荐方案向用户返回推荐内容。应用本申请所述方案，可提升推荐效果等。

Description

内容推荐方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机应用技术，特别涉及移动互联网领域的内容推荐方法、装置、电子设备及存储介质。
背景技术
目前，在向用户进行内容推荐时，推荐内容中通常会包含多种不同类型(不同场景)的内容，如图文、视频及直播等。对于这些不同类型的内容，通常按照固定比例合并后按固定顺序展示给用户，不能针对不同用户实现个性化推荐，从而导致推荐效果较差等。
发明内容
有鉴于此，本申请提供了内容推荐方法、装置、电子设备及存储介质。
一种内容推荐方法，包括：
针对待推荐的用户，获取待推荐的候选内容及所述用户的用户特征标签；
根据所述候选内容及所述用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给所述用户的N条推荐内容中的占比，按照所述占比从所述候选内容中选出的N条推荐内容，以及所述N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于所述候选内容的数目；
按照所述推荐方案向所述用户返回推荐内容。
根据本申请一优选实施例，所述用户特征标签基于收集到的所述用户的预定信息生成；
所述预定信息包括：用户基本属性信息以及所述用户针对历史推荐内容的用户行为信息。
根据本申请一优选实施例，该方法进一步包括：周期性地根据最新收集到的所述预定信息对所述用户特征标签进行优化更新。
根据本申请一优选实施例，所述根据所述候选内容及所述用户特征标签确定出推荐方案包括：将所述候选内容及所述用户特征标签输入预先训练得到的第一推荐模型，得到输出的所述推荐方案。
根据本申请一优选实施例，训练得到所述第一推荐模型包括：根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据所述训练样本训练得到所述第一推荐模型。
根据本申请一优选实施例，该方法进一步包括：
周期性地根据最新收集到的所述用户行为信息对所述第一推荐模型进行优化更新；
和/或，获取第二推荐模型，对所述第二推荐模型进行小流量实验，若根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型，则用所述第二推荐模型替代所述第一推荐模型。
根据本申请一优选实施例，所述对所述第二推荐模型进行小流量实验包括：当需要根据所述候选内容及所述用户特征标签确定出推荐方案时，确定所述用户是否命中小流量实验；若是，则将所述候选内容及所述用户特征标签输入所述第二推荐模型，得到输出的所述推荐方案；若否，则将所述候选内容及所述用户特征标签输入所述第一推荐模型，得到输出的所述推荐方案；
所述根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型包括：将所述第二推荐模型的推荐效果与所述第一推荐模型的推荐效果进行比对，若所述第二推荐模型的推荐效果优于所述第一推荐模型的推荐效果，则确定所述第二推荐模型优于所述第一推荐模型。
一种内容推荐装置，包括：信息获取单元以及内容推荐单元；
所述信息获取单元，用于针对待推荐的用户，获取待推荐的候选内容及所述用户的用户特征标签；
所述内容推荐单元，用于根据所述候选内容及所述用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给所述用户的N条推荐内容中的占比，按照所述占比从所述候选内容中选出的N条推荐内容，以及所述N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于所述候选内容的数目；按照所述推荐方案向所述用户返回推荐内容。
根据本申请一优选实施例，所述装置中进一步包括：第一预处理单元，用于基于收集到的所述用户的预定信息生成所述用户特征标签；
所述预定信息包括：用户基本属性信息以及所述用户针对历史推荐内容的用户行为信息。
根据本申请一优选实施例，所述第一预处理单元进一步用于，周期性地根据最新收集到的所述预定信息对所述用户特征标签进行优化更新。
根据本申请一优选实施例，所述内容推荐单元将所述候选内容及所述用户特征标签输入预先训练得到的第一推荐模型，得到输出的所述推荐方案。
根据本申请一优选实施例，所述装置中进一步包括：第二预处理单元，用于根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据所述训练样本训练得到所述第一推荐模型。
根据本申请一优选实施例，所述第二预处理单元进一步用于，周期性地根据最新收集到的所述用户行为信息对所述第一推荐模型进行优化更新；
和/或，所述第二预处理单元进一步用于，获取第二推荐模型，通过所述内容推荐单元对所述第二推荐模型进行小流量实验，若根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型，则用所述第二推荐模型替代所述第一推荐模型。
根据本申请一优选实施例，所述内容推荐单元在需要根据所述候选内容及所述用户特征标签确定出推荐方案时，确定所述用户是否命中小流量实验，若是，则将所述候选内容及所述用户特征标签输入所述第二推荐模型，得到输出的所述推荐方案，若否，则将所述候选内容及所述用户特征标签输入所述第一推荐模型，得到输出的所述推荐方案；
所述第二预处理单元将所述第二推荐模型的推荐效果与所述第一推荐模型的推荐效果进行比对，若所述第二推荐模型的推荐效果优于所述第一推荐模型的推荐效果，则确定所述第二推荐模型优于所述第一推荐模型。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：针对不同的用户，可分别根据用户的用户特征标签等确定出适用于用户的推荐方案，如不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序等，从而实现了针对不同用户的个性化推荐，而且推荐内容及展示顺序等更为符合用户需求，从而提升了推荐结果的准确性，提升了推荐效果，将推荐内容的展示效果最大化，并可使整体推荐的内容得到用户点击的概率更高等；可对用户特征标签进行周期性优化更新，从而可使得推荐内容符合最新的用户需求，进而进一步提升了推荐效果等；可利用预先训练得到的推荐模型来确定出推荐方案，实现方式简单便捷，且具备很好的准确性等；可对推荐模型进行周期性的优化更新或基于小流量实验进行模型替换等，从而优化了模型性能，进而进一步提升了推荐效果等。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述内容推荐方法第一实施例的流程图；
图2为本申请所述内容推荐方法第二实施例的流程图；
图3为本申请所述内容推荐装置30实施例的组成结构示意图；
图4为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述内容推荐方法第一实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，针对待推荐的用户，获取待推荐的候选内容及用户的用户特征标签。
在102中，根据候选内容及用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于候选内容的数目。
在103中，按照确定出的推荐方案向用户返回推荐内容。
针对任一用户，如使用某一内容推荐app的用户，当需要进行内容推荐时，可首先获取待推荐的候选内容及用户的用户特征标签。
如何获取待推荐的候选内容为现有技术。候选内容中可包括图文、视频及直播等不同类型的内容。
用户特征标签可为预先生成的，优选地，可基于收集到的预定信息生成。预定信息可包括：用户基本属性信息以及用户针对历史推荐内容的用户行为信息等。
其中，用户基本属性信息可包括用户的年龄、性别、文化程度等，用户基本属性信息的收集方式不限。
在用户使用内容推荐app时，可将用户针对推荐内容的用户行为信息进行实时采集存储，从而可获取到用户针对历史推荐内容的用户行为信息。用户行为信息中可包括用户点击了哪种或哪些类型的内容、点击时间、浏览时长、用户点击了某一类型的内容之后接下来点击的为何种类型的内容等，具体包括哪些信息可根据实际需要而定，原则上越细化越好。可以采用实时流技术来对用户行为信息进行采集，实时流技术可包括spark及kafka等。可将采集到的用户行为信息存储到分布式存储系统中，如hadoop等。
除上述用户基本属性信息以及用户行为信息之外，预定信息中还可包括其它信息，具体包括哪些信息同样可根据实际需要而定，如还可包括后期业务扩展之后，因为业务需要采集的其它信息。
可根据收集到的预定信息生成用户特征标签，即将收集到的预定信息按照一定的维度整理归类为用户特征标签，如青年、硕士、高薪、追星、科幻电影等，这些用户特征标签能够反应用户属性及用户兴趣点等。
优选地，还可周期性地根据最新收集到的预定信息对用户特征标签进行优化更新，如在每天的预定时间进行优化更新，从而使得用户特征标签能够随着用户兴趣点等的变化而及时更新，体现用户的最新兴趣点等。
在获取到候选内容及用户特征标签之后，可根据候选内容及用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照所述占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序等。N为大于一的正整数，且小于或等于候选内容的数目，N的具体取值可根据实际需要而定，如可向用户推荐20条内容。
优选地，可将候选内容及用户特征标签输入预先训练得到的第一推荐模型，从而得到输出的推荐方案。
为此，可预先根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据训练样本训练得到第一推荐模型。另外，还可根据用户行为信息构建测试样本，利用测试样本来测试/验证第一推荐模型的效果。如何构建训练样本和测试样本为现有技术。在对第一推荐模型进行训练时，同样需要结合用户特征标签来进行。
另外，还可周期性地根据最新收集到的用户行为信息对第一推荐模型进行优化更新，如可在每天的预定时间进行优化更新，即可不断的基于线上的用户反馈学习优化。
和/或，获取第二推荐模型，对第二推荐模型进行小流量实验，若根据小流量实验结果确定第二推荐模型优于第一推荐模型，则可用第二推荐模型替代第一推荐模型。
第二推荐模型可为研发工程师开发的新版的推荐模型，比如，相比于第一推荐模型，第二推荐模型的结构或算法等可能发生了改变，为了确定第二推荐模型的效果，可进行小流量实验。比如，可令大部分用户仍使用第一推荐模型，令少部分用户使用第二推荐模型，然后进行推荐效果比对，即将第二推荐模型的推荐效果与第一推荐模型的推荐效果进行比对，若第二推荐模型的推荐效果优于第一推荐模型的推荐效果，则可确定第二推荐模型优于第一推荐模型。
推荐效果可通过数据指标来衡量，如内容的曝光量、点击量、点击率、浏览时长等。如果采用第二推荐模型指标呈现出增长趋势，那么则可用第二推荐模型替代第一推荐模型，所有用户均使用替代后的第一推荐模型。
相应地，当需要根据候选内容及用户特征标签确定出推荐方案时，可首先确定出用户是否命中小流量实验，若是，则可将候选内容及用户特征标签输入第二推荐模型，得到输出的推荐方案，若否，则可将候选内容及用户特征标签输入第一推荐模型，得到输出的推荐方案。
基于上述介绍，图2为本申请所述内容推荐方法第二实施例的流程图。如图2所示，包括以下具体实现方式。
在201中，获取用户请求。
在202中，获取待推荐的候选内容及用户的用户特征标签。
用户特征标签可基于收集到的用户的预定信息生成。预定信息可包括：用户基本属性信息以及用户针对历史推荐内容的用户行为信息。另外，可周期性地根据最新收集到的预定信息对用户特征标签进行优化更新。
假设本实施例中获取到的候选内容由图文、视频以及直播三种类型的内容组成。
在203中，确定用户是否命中小流量实验，若否，则执行204，若是，则执行205。
如可令95％的用户使用第一推荐模型，令剩余的5％用户使用第二推荐模型，那么可确定用户是否属于所述“5％用户”，如何确定为现有技术。
在204中，将候选内容及用户特征标签输入第一推荐模型，之后执行206。
可根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据训练样本训练得到第一推荐模型。
在205中，将候选内容及用户特征标签输入第二推荐模型，之后执行206。
第二推荐模型可为研发工程师开发的新版的推荐模型，比如，相比于第一推荐模型，第二推荐模型的结构或算法等可能发生了改变。
在206中，得到输出的推荐方案，包括：不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于候选内容的数目。
N的取值通常小于候选内容的数目。比如，候选内容的数目为20，N的取值为10，即最终展示给用户10条推荐内容，假设候选内容中分别包含8条图文内容、6条视频内容以及6条直播内容，并假设推荐方案中的图文、视频和直播的占比分别为3％、3％和4％，那么推荐方案中还可包括选中哪3条图文内容、哪3条视频内容以及哪4条直播内容，进一步地，推荐方案中还可包括各图文内容、各视频内容以及各直播内容的展示顺序，如展示顺序可为：图文内容1、视频内容2、视频内容3、直播内容1、图文内容2、直播内容2、直播内容3、图文内容3、视频内容1、直播内容4。
在207中，按照推荐方案向用户返回推荐内容。
用户即可看到按照推荐方案展示的各推荐内容。
另外，经过一段时间之后，可将第二推荐模型的推荐效果与第一推荐模型的推荐效果进行比对，若第二推荐模型的推荐效果优于第一推荐模型的推荐效果，则可确定第二推荐模型优于第一推荐模型，并可用第二推荐模型替代第一推荐模型。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
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，可以参见其它实施例的相关描述。
总之，采用本申请方法实施例所述方案，针对不同的用户，可分别根据用户的用户特征标签等确定出适用于用户的推荐方案，如不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序等，从而实现了针对不同用户的个性化推荐，而且推荐内容及展示顺序等更为符合用户需求，从而提升了推荐结果的准确性，提升了推荐效果，将推荐内容的展示效果最大化，并可使整体推荐的内容得到用户点击的概率更高等；可对用户特征标签进行周期性优化更新，从而可使得推荐内容符合最新的用户需求，进而进一步提升了推荐效果等；可利用预先训练得到的推荐模型来确定出推荐方案，实现方式简单便捷，且具备很好的准确性等；可对推荐模型进行周期性的优化更新或基于小流量实验进行模型替换等，从而优化了模型性能，进而进一步提升了推荐效果等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3为本申请所述内容推荐装置30实施例的组成结构示意图。如图3所示，包括：信息获取单元301以及内容推荐单元302。
信息获取单元301，用于针对待推荐的用户，获取待推荐的候选内容及用户的用户特征标签。
内容推荐单元302，用于根据候选内容及用户特征标签确定出推荐方案，包括：不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于候选内容的数目；按照推荐方案向用户返回推荐内容。
图3所示装置中还可进一步包括：第一预处理单元300，用于基于收集到的用户的预定信息生成用户特征标签。预定信息可包括：用户基本属性信息以及用户针对历史推荐内容的用户行为信息。
可根据收集到的预定信息生成用户特征标签，即将收集到的预定信息按照一定的维度整理归类为用户特征标签，如青年、硕士、高薪、追星、科幻电影等，这些用户特征标签能够反应用户属性及用户兴趣点等。
另外，第一预处理单元300还可周期性地根据最新收集到的预定信息对用户特征标签进行优化更新。
内容推荐单元302可将候选内容及用户特征标签输入预先训练得到的第一推荐模型，从而得到输出的推荐方案。
相应地，图3所示装置中还可进一步包括：第二预处理单元303，用于根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据训练样本训练得到第一推荐模型。
第二预处理单元303还可周期性地根据最新收集到的用户行为信息对第一推荐模型进行优化更新。和/或，第二预处理单元303还可获取第二推荐模型，通过内容推荐单元302对第二推荐模型进行小流量实验，若根据小流量实验结果确定第二推荐模型优于第一推荐模型，则可用第二推荐模型替代第一推荐模型。
其中，内容推荐单元302在需要根据候选内容及用户特征标签确定出推荐方案时，可首先确定用户是否命中小流量实验，若是，则可将候选内容及用户特征标签输入第二推荐模型，得到输出的推荐方案，若否，可将候选内容及用户特征标签输入第一推荐模型，得到输出的推荐方案。
第二预处理单元303可将第二推荐模型的推荐效果与第一推荐模型的推荐效果进行比对，若第二推荐模型的推荐效果优于第一推荐模型的推荐效果，则可确定第二推荐模型优于第一推荐模型。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，针对不同的用户，可分别根据用户的用户特征标签等确定出适用于用户的推荐方案，如不同类型的候选内容分别在推荐给用户的N条推荐内容中的占比，按照占比从候选内容中选出的N条推荐内容，以及N条推荐内容中的各推荐内容的展示顺序等，从而实现了针对不同用户的个性化推荐，而且推荐内容及展示顺序等更为符合用户需求，从而提升了推荐结果的准确性，提升了推荐效果，将推荐内容的展示效果最大化，并可使整体推荐的内容得到用户点击的概率更高等；可对用户特征标签进行周期性优化更新，从而可使得推荐内容符合最新的用户需求，进而进一步提升了推荐效果等；可利用预先训练得到的推荐模型来确定出推荐方案，实现方式简单便捷，且具备很好的准确性等；可对推荐模型进行周期性的优化更新或基于小流量实验进行模型替换等，从而优化了模型性能，进而进一步提升了推荐效果等。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以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、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种内容推荐方法，其特征在于，包括：
针对待推荐的用户，获取待推荐的候选内容及所述用户的用户特征标签；
根据所述候选内容及所述用户特征标签确定出推荐方案，包括：将所述候选内容及所述用户特征标签输入预先训练得到的第一推荐模型，得到输出的所述推荐方案，所述推荐方案包括：不同类型的候选内容分别在推荐给所述用户的N条推荐内容中的占比，按照所述占比从所述候选内容中选出的N条推荐内容，以及所述N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于所述候选内容的数目；
按照所述推荐方案向所述用户返回推荐内容；
该方法进一步包括：获取第二推荐模型，对所述第二推荐模型进行小流量实验，包括：当需要根据所述候选内容及所述用户特征标签确定出推荐方案时，确定所述用户是否命中小流量实验，若是，则将所述候选内容及所述用户特征标签输入所述第二推荐模型，得到输出的所述推荐方案，若否，则将所述候选内容及所述用户特征标签输入所述第一推荐模型，得到输出的所述推荐方案；若根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型，则用所述第二推荐模型替代所述第一推荐模型。
2.根据权利要求1所述的方法，其特征在于，
所述用户特征标签基于收集到的所述用户的预定信息生成；
所述预定信息包括：用户基本属性信息以及所述用户针对历史推荐内容的用户行为信息。
3.根据权利要求2所述的方法，其特征在于，
该方法进一步包括：周期性地根据最新收集到的所述预定信息对所述用户特征标签进行优化更新。
4.根据权利要求1所述的方法，其特征在于，
训练得到所述第一推荐模型包括：根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据所述训练样本训练得到所述第一推荐模型。
5.根据权利要求4所述的方法，其特征在于，
该方法进一步包括：周期性地根据最新收集到的所述用户行为信息对所述第一推荐模型进行优化更新。
6.根据权利要求1所述的方法，其特征在于，
所述根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型包括：将所述第二推荐模型的推荐效果与所述第一推荐模型的推荐效果进行比对，若所述第二推荐模型的推荐效果优于所述第一推荐模型的推荐效果，则确定所述第二推荐模型优于所述第一推荐模型。
7.一种内容推荐装置，其特征在于，包括：信息获取单元、内容推荐单元以及第二预处理单元；
所述信息获取单元，用于针对待推荐的用户，获取待推荐的候选内容及所述用户的用户特征标签；
所述内容推荐单元，用于根据所述候选内容及所述用户特征标签确定出推荐方案，包括：将所述候选内容及所述用户特征标签输入预先训练得到的第一推荐模型，得到输出的所述推荐方案，所述推荐方案包括：不同类型的候选内容分别在推荐给所述用户的N条推荐内容中的占比，按照所述占比从所述候选内容中选出的N条推荐内容，以及所述N条推荐内容中的各推荐内容的展示顺序；其中，N为大于一的正整数，且小于或等于所述候选内容的数目；按照所述推荐方案向所述用户返回推荐内容；
所述第二预处理单元，用于获取第二推荐模型，通过所述内容推荐单元对所述第二推荐模型进行小流量实验，若根据小流量实验结果确定所述第二推荐模型优于所述第一推荐模型，则用所述第二推荐模型替代所述第一推荐模型；
其中，所述内容推荐单元在需要根据所述候选内容及所述用户特征标签确定出推荐方案时，确定所述用户是否命中小流量实验，若是，则将所述候选内容及所述用户特征标签输入所述第二推荐模型，得到输出的所述推荐方案，若否，则将所述候选内容及所述用户特征标签输入所述第一推荐模型，得到输出的所述推荐方案。
8.根据权利要求7所述的装置，其特征在于，
所述装置中进一步包括：第一预处理单元，用于基于收集到的所述用户的预定信息生成所述用户特征标签；
所述预定信息包括：用户基本属性信息以及所述用户针对历史推荐内容的用户行为信息。
9.根据权利要求8所述的装置，其特征在于，
所述第一预处理单元进一步用于，周期性地根据最新收集到的所述预定信息对所述用户特征标签进行优化更新。
10.根据权利要求7所述的装置，其特征在于，
所述第二预处理单元进一步用于，根据收集到的不同用户针对历史推荐内容的用户行为信息构建训练样本，根据所述训练样本训练得到所述第一推荐模型。
11.根据权利要求10所述的装置，其特征在于，
所述第二预处理单元进一步用于，周期性地根据最新收集到的所述用户行为信息对所述第一推荐模型进行优化更新。
12.根据权利要求7所述的装置，其特征在于，
所述第二预处理单元将所述第二推荐模型的推荐效果与所述第一推荐模型的推荐效果进行比对，若所述第二推荐模型的推荐效果优于所述第一推荐模型的推荐效果，则确定所述第二推荐模型优于所述第一推荐模型。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN202010188379.9A 2020-03-17 2020-03-17 内容推荐方法、装置、电子设备及存储介质 Active CN111506803B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010188379.9A CN111506803B (zh) 2020-03-17 2020-03-17 内容推荐方法、装置、电子设备及存储介质
US17/021,078 US11343572B2 (en) 2020-03-17 2020-09-15 Method, apparatus for content recommendation, electronic device and storage medium
JP2020192055A JP7371317B2 (ja) 2020-03-17 2020-11-18 コンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体
EP20215619.6A EP3882791A1 (en) 2020-03-17 2020-12-18 Method, apparatus for content recommendation, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010188379.9A CN111506803B (zh) 2020-03-17 2020-03-17 内容推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111506803A CN111506803A (zh) 2020-08-07
CN111506803B true CN111506803B (zh) 2023-10-31

Family

ID=71863984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010188379.9A Active CN111506803B (zh) 2020-03-17 2020-03-17 内容推荐方法、装置、电子设备及存储介质

Country Status (4)

Country Link
US (1) US11343572B2 (zh)
EP (1) EP3882791A1 (zh)
JP (1) JP7371317B2 (zh)
CN (1) CN111506803B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778285A (zh) * 2021-09-28 2021-12-10 北京字跳网络技术有限公司 道具处理方法、装置、设备及介质
WO2023188808A1 (ja) * 2022-03-30 2023-10-05 株式会社Ｎｔｔドコモ レコメンドシステム
CN115129985B (zh) * 2022-06-27 2023-05-05 北京字跳网络技术有限公司 一种数据处理方法、装置、设备及存储介质
CN117631909A (zh) * 2022-08-12 2024-03-01 华为技术有限公司 服务推荐方法及电子设备
CN117151819B (zh) * 2023-09-04 2024-06-25 杭州易靓好车互联网科技有限公司 基于数据分析的交易用户风险推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104216965A (zh) * 2014-08-21 2014-12-17 北京金山安全软件有限公司 信息推荐方法和装置
CN106326277A (zh) * 2015-06-30 2017-01-11 上海证大喜马拉雅网络科技有限公司 一种基于用户行为的音频个性化推荐方法和系统
CN108052650A (zh) * 2017-12-26 2018-05-18 百度在线网络技术（北京）有限公司 信息推荐方法、装置和电子设备
WO2018204076A1 (en) * 2017-05-05 2018-11-08 Microsoft Technology Licensing, Llc Personalized user-categorized recommendations
CN109766013A (zh) * 2018-12-28 2019-05-17 北京金山安全软件有限公司 诗词语句输入推荐方法、装置和电子设备
CN110162700A (zh) * 2019-04-23 2019-08-23 腾讯科技（深圳）有限公司 信息推荐及模型的训练方法、装置、设备以及存储介质
CN110263244A (zh) * 2019-02-14 2019-09-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、存储介质和计算机设备

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3820243B2 (ja) * 2003-10-24 2006-09-13 株式会社エヌ・ティ・ティ・ドコモ コンテンツ配信サーバ、コンテンツ配信プログラム、及びコンテンツ配信プログラムを記録したコンピュータ読み取り可能な記録媒体
JP4882918B2 (ja) * 2007-08-21 2012-02-22 ソニー株式会社 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム
US20110055004A1 (en) * 2009-09-02 2011-03-03 Bradd Elden Libby Method and system for selecting and optimizing bid recommendation algorithms
US20130080907A1 (en) * 2011-09-23 2013-03-28 Richard Skelton Method and system for a personalized content play list
US8996530B2 (en) * 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US9317812B2 (en) * 2012-11-30 2016-04-19 Facebook, Inc. Customized predictors for user actions in an online system
JP2015153029A (ja) * 2014-02-12 2015-08-24 Kddi株式会社 コンテンツ配信制御装置、コンテンツ配信制御方法、及びコンテンツ配信制御システム
US10165069B2 (en) * 2014-03-18 2018-12-25 Outbrain Inc. Provisioning personalized content recommendations
US9473803B2 (en) * 2014-08-08 2016-10-18 TCL Research America Inc. Personalized channel recommendation method and system
US20170061482A1 (en) * 2015-08-24 2017-03-02 TCL Research America Inc. Focal-point based recommendation method and system
US9836453B2 (en) 2015-08-27 2017-12-05 Conduent Business Services, Llc Document-specific gazetteers for named entity recognition
US10341728B2 (en) * 2015-12-30 2019-07-02 Sling Media L.L.C. Media systems for temporally and contextually relevant recommendations
TWI645303B (zh) 2016-12-21 2018-12-21 財團法人工業技術研究院 字串驗證方法、字串擴充方法與驗證模型訓練方法
US10607273B2 (en) * 2016-12-28 2020-03-31 Google Llc System for determining and displaying relevant explanations for recommended content
US11250347B2 (en) * 2018-06-27 2022-02-15 Microsoft Technology Licensing, Llc Personalization enhanced recommendation models

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104216965A (zh) * 2014-08-21 2014-12-17 北京金山安全软件有限公司 信息推荐方法和装置
CN106326277A (zh) * 2015-06-30 2017-01-11 上海证大喜马拉雅网络科技有限公司 一种基于用户行为的音频个性化推荐方法和系统
WO2018204076A1 (en) * 2017-05-05 2018-11-08 Microsoft Technology Licensing, Llc Personalized user-categorized recommendations
CN108052650A (zh) * 2017-12-26 2018-05-18 百度在线网络技术（北京）有限公司 信息推荐方法、装置和电子设备
CN109766013A (zh) * 2018-12-28 2019-05-17 北京金山安全软件有限公司 诗词语句输入推荐方法、装置和电子设备
CN110263244A (zh) * 2019-02-14 2019-09-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、存储介质和计算机设备
CN110162700A (zh) * 2019-04-23 2019-08-23 腾讯科技（深圳）有限公司 信息推荐及模型的训练方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于搜索日志的图文推荐系统设计与实现;郭彬;《中国优秀硕士学位论文全文数据库》(第03期);全文 *

Also Published As

Publication number Publication date
EP3882791A1 (en) 2021-09-22
JP7371317B2 (ja) 2023-10-31
US11343572B2 (en) 2022-05-24
JP2021149929A (ja) 2021-09-27
US20210297743A1 (en) 2021-09-23
CN111506803A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111506803B (zh) 内容推荐方法、装置、电子设备及存储介质
CN111984689B (zh) 信息检索的方法、装置、设备以及存储介质
JP7194163B2 (ja) マルチメディアリソースの推薦方法、マルチメディアリソースの推薦装置、電子機器、非一時的なコンピュータ読み取り可能な記憶媒体及びコンピュータプログラム
JP7369740B2 (ja) 検索語の推薦方法と装置、目的モデルの訓練方法と装置、電子デバイス、記憶媒体、及びプログラム
US20210357469A1 (en) Method for evaluating knowledge content, electronic device and storage medium
CN111695695B (zh) 用户决策行为量化分析方法及装置
CN111104514A (zh) 文档标签模型的训练方法及装置
US20210217031A1 (en) Method and apparatus for forecasting demand for talent, device and storage medium
CN111563198B (zh) 一种物料召回方法、装置、设备及存储介质
CN111090991A (zh) 场景纠错方法、装置、电子设备和存储介质
CN112100530B (zh) 网页分类方法、装置、电子设备及存储介质
CN111414455B (zh) 舆情分析方法、装置、电子设备及可读存储介质
CN110969501A (zh) 网络购物车页面的显示方法、系统、设备和存储介质
CN113111216B (zh) 广告推荐方法、装置、设备和存储介质
CN112100454A (zh) 搜索方法、装置、电子设备和可读存储介质
CN111125445A (zh) 社区主题生成方法、装置、电子设备及存储介质
CN112052402B (zh) 信息推荐方法、装置、电子设备及存储介质
CN111767444B (zh) 页面特征构建方法、装置、设备和存储介质
CN111125603B (zh) 网页场景识别方法、装置、电子设备及存储介质
CN111274497B (zh) 社区推荐及模型训练方法、装置、电子设备及存储介质
CN112989219B (zh) 兴趣点推荐方法、装置、电子设备及存储介质
CN114329230B (zh) 信息生成方法和装置
CN111125587B (zh) 网页结构优化方法、装置、设备和存储介质
CN112948718B (zh) 信息投放方法、装置、设备和介质
CN112801682B (zh) 数据修正方法、装置、设备和存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20211021

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant