CN111782957A - 一种推荐内容的方法、装置、计算设备及存储介质 - Google Patents
一种推荐内容的方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN111782957A CN111782957A CN202010671209.6A CN202010671209A CN111782957A CN 111782957 A CN111782957 A CN 111782957A CN 202010671209 A CN202010671209 A CN 202010671209A CN 111782957 A CN111782957 A CN 111782957A
- Authority
- CN
- China
- Prior art keywords
- content
- recommended
- contents
- candidate
- 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.)
- Pending
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
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种推荐内容的方法、装置、计算设备及存储介质,用于提高推荐内容的多样性和有效性,降低推荐冗余。该方法包括:获取目标用户的至少两个类别的待推荐内容;对至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移除并对应加入其所属类别集合中;以及根据已完成推荐顺序排列的各个待推荐内容的排序,向目标用户进行内容推荐。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种推荐内容的方法、装置、计算设备及存储介质。
背景技术
随着互联网的迅猛发展,用户越来越便捷地接触到海量内容,但是这样容易造成信息过载,以推荐场景为例,例如在资讯推荐、短视频推荐等场景中,待推荐的内容较多,如果无目的地冗余推荐,用户的满意度较低。
为此,推荐系统可以先对内容进行过滤之后再向用户推荐,相关技术中一般是根据用户的喜好对用户进行匹配推荐,例如,用户喜欢观看美妆类视频,推荐系统就为该用户推荐大量美妆类视频,然而,基于用户喜好的推荐方式,容易形成信息茧房,长此以往,这种推荐方式推荐的内容单一,结果是,同一个用户被推荐的内容分类相同或相似,内容相似且冗余,容易造成用户厌烦。
所以,如何降低推荐内容的推荐冗余是需要考虑的问题。
发明内容
本申请实施例提供一种推荐内容的方法、装置、计算设备及存储介质,用于提高推荐系统推荐内容的多样性和有效性,降低推荐冗余,提高推荐系统的推荐性能。
一方面,提供一种推荐内容的方法,所述方法包括:
获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容;
对所述至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移出并对应加入其所属类别集合中;其中,每轮选择中的候选内容在该轮选择之前未被选择;
根据已完成推荐顺序排列的各个待推荐内容的排序,向所述目标用户进行内容推荐。
一方面,提供一种推荐内容的装置,所述装置包括:
获取模块,用于获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容;
排序模块,用于对所述至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移除并对应加入其所属类别集合中,其中,每轮选择中的候选内容在该轮选择之前未被选择;
推荐模块,用于根据已完成推荐顺序排列的各个待推荐内容的排序,向所述目标用户进行内容推荐。
可选的,所述获取模块用于:
获取所述目标用户对应的待推荐列表,所述待推荐列表中的待推荐内容是根据所述目标用户的用户特征数据召回的,所述待推荐列表中的待推荐内容的推荐顺序和各个待推荐内容与所述用户特征数据之间的匹配度相关;
根据所述待推荐列表中的各个待推荐内容的匹配度,从高匹配度的待推荐内容开始选择至少两个类别的待推荐内容。
可选的,所述排序模块用于:
从本轮的所有候选内容中选择推荐贡献预测值最大的候选内容作为本轮选择的内容。
可选的,所述排序模块用于:
按照推荐贡献预测值由大到小的顺序,确定从推荐贡献预测值最大开始的预定数量的候选内容,所述预定数量为大于或等于2的整数;
从所述预定数量的候选内容中确定本轮选择的内容。
可选的,所述排序模块用于:
按照推荐贡献预测值由大到小的顺序,若所述预定数量的候选内容中的两两相邻的候选内容的推荐贡献预测值之间的差值小于差值阈值,则从所述预定数量的候选内容中确定本轮选择的内容。
可选的,所述排序模块用于:
将所述预定数量的候选内容全部确定为本轮选择的内容;或者,
从所述预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮选择的内容。
可选的,所述排序模块用于:
将所述预定数量的候选内容中与上一轮选择出的内容的类别不同的候选内容作为本轮选择的内容;或者,
确定在本轮选择之前所述至少两个类别中包括的选择出的内容的数量符合设定数量限制的目标类别,并将所述预定数量的候选内容中属于所述目标类别的候选内容作为本轮选择的内容。
可选的,所述排序模块用于:
将所述预定数量的候选内容的原排序最优先的候选内容作为本轮选择的内容,其中,候选内容的原排序是指按照候选内容与所述目标用户的用户特征数据之间的匹配度由高到低的顺序进行的排序。
可选的,所述排序模块用于:
通过次模函数计算每个候选内容所属的类别集合中的所有已选择出的内容的第一总推荐贡献预测值;
通过所述次模函数计算每个候选内容和其所属的类别集合中的所有已选择出的内容的第二总推荐贡献预测值;
将每个候选内容的第二总推荐贡献预测值相对于第一总推荐贡献预测值的推荐贡献预测增量确定为该候选内容的推荐贡献预测值。
可选的,所述排序模块用于:
按照选择轮次越先对应选择出的内容的推荐顺序越靠前的方式,为每轮选择出的内容排列推荐顺序。
一方面,提供一种计算设备,包括存储器、处理器及存储在所述存储器上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如上述的推荐内容的方法包括的步骤。
一方面,提供一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述的推荐内容的方法包括的步骤。
一方面,提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行上述各种可能的实现方式中所描述的推荐内容的方法包括的步骤。
本申请实施例中,先获取多个类别的待推荐内容,再根据待推荐内容的推荐贡献预测值对所有的待推荐内容进行多轮选择,并根据选择轮次为每轮选出的已选内容排列推荐顺序,直至所有的待推荐内容全部被排序,进一步地再根据已完成推荐顺序排列的各个待推荐内容的排序向用户进行内容推荐。
在每轮选择中,先确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,再从本轮的所有候选内容中选择推荐贡献预测值满足设定条件的一个或多个候选内容作为本轮选择的内容进而参与排序,这样相当于是从所有类别的待推荐内容中选择相对自身所属类别集合推荐贡献预测值满足设定条件内容的优先进行排序,即将高推荐收益的内容排在前面,从而尽量确保所有待推荐内容的总推荐收益是最大的。同时,由于进行了多轮选择,每轮选择是根据各个待推荐内容的推荐收益预测值来决定每轮选择内容,这样相当于是将所有类别的内容进行打散排序,从而实现打压同类内容数量的目的,使得多种类别的内容尽量分散地交叉间隔排列,增加了推荐内容的类别多样性,以此实现所有待推荐内容的总推荐收益最大化的目的。
对待推荐内容进行重新排序之后,多种类别的内容被尽量打散之后交叉排列,在按照重新排序后的推荐顺序依次推荐的过程中,多种类别的内容均能够被推荐,实现提高推荐内容的多样性的目的,这样可以为用户提供惊奇、惊喜的推荐体验,这可以在一定程度上挖掘用户的潜在喜好,进而提升用户黏度,提高用户留存率。并且,越靠前的内容对于全部待推荐内容来说其推荐贡献值是相对较大的,所以按序推荐也可以尽量确保所有被推荐的待推荐内容的总体推荐收益是最大化的,以此确保推荐的准确性和有效性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例适用的一种应用场景的示意图;
图2为本申请实施例中的推荐内容的方法的流程示意图;
图3为本申请实施例中的获取的至少两个类别的待推荐内容的示意图;
图4为本申请实施例中的进行第一轮选择的示意图;
图5a为本申请实施例中的选择推荐贡献预测增量满足设定条件的候选内容作为已选内容的示意图;
图5b为本申请实施例中的选择推荐贡献预测增量满足设定条件的候选内容作为已选内容的另一示意图;
图5c为本申请实施例中的选择推荐贡献预测增量满足设定条件的候选内容作为已选内容的另一示意图;
图6为边际效益递减的示意图;
图7为本申请实施例中的推荐内容的方法的另一流程示意图;
图8为本申请实施例中的推荐内容的装置的结构示意图;
图9为本申请实施例中的计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,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,所描述的实施例仅仅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,都属于申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个,例如可以是两个、三个或者更多个,本申请实施例不做限制。
另外,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“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
以下对本文中涉及的部分用语进行说明,以便于本领域技术人员理解。
1、推荐系统,是一种信息过滤系统,推荐系统中包括有大量的待推荐内容,针对各个用户进行内容过滤和筛选,可以为对应用户推荐适合的内容。根据推荐内容的不同,推荐系统例如可以包括资讯推荐系统、短视频推荐系统、音乐推荐系统等等。
2、内容,本申请实施例中的内容主要是指通过推荐系统中向用户推荐的内容,可以包括资讯、短视频、音乐、新闻、书籍、应用程序以及其它类型。
3、边际效益递减,是指在其他条件不变的情况下,如果一种投入要素连续地等量增加,增加到一定产值后,所提供的产品的增量就会下降,即可变要素的边际产量会递减。当消费者消费某一物品的总数量越来越多时,其新增加的最后一单位物品的消费所获得的效用(即边际效用)通常会呈现越来越少的现象(递减),将这种现象称之为边际效益递减,或者称之为边际递减效应,或者称之为边际效用递减。
通俗的理解:开始的时候,收益值很高,越到后来,收益值就越少,用数学语言表达:x是自变量,y是因变量,y随x的变化而变化,随着x值的增加,y的增加量在不断减小。
4、次模函数,又称“子模函数”或“亚模函数”,次模函数具有次模性,次模性也称“子模性”或“亚模性”,它是边际效益递减现象的形式化描述,所以,次模函数适合于参与边际效益递减任务的描述和计算。
以下介绍本申请的设计思想。
如前所述的,相关技术中的推荐系统在为用户推荐内容时,大多是关注如何提高推荐的精确性,在这些推荐机制中,一般是根据用户的喜好对用户进行匹配推荐,长此以往,这种推荐方式推荐的内容单一,容易形成信息茧房,结果是,同一个用户被推荐的内容分类相同或相似,内容相似且冗余,容易造成用户厌烦,也就是说,相关技术在推荐内容时忽略了推荐结果的多样性,存在推荐冗余的问题,推荐的有效性较低。
具体来说,相关技术中的推荐系统在推荐过程中一般只关注召回和排序,而如何进行多样性提升以解决推荐内容的推荐冗余问题,并无处理。例如,推荐系统在接收到用户的推荐请求后,可以根据该用户自身的用户数据从包括海量内容的推荐池中召回一些待推荐内容,也就是说,召回的这些待推荐内容是与用户自身的用户数据相适应的,简单理解为是用户大概率喜欢的,进一步地,再根据召回的各个待推荐内容与用户自身的用户数据的匹配度的高低进行打分排序。可以根据用户自身的用户数据计算用户点击各个待推荐内容的概率,点击内容的概率可以简称为点击率,点击率可以表征用户对待推荐内容的喜欢程度,在得到各个待推荐内容的点击率之后,可以根据点击率高低对各个待推荐内容打分,以得到各个待推荐内容的score值,再按照score值由高到低的顺序为所有的待推荐内容进行排序,以得到最终的待推荐列表,score值越高表明用户点击对应的待推荐内容的概率越大,所以在为用户推荐内容时,则可以根据score值从高到低的顺序依次向用户进行推荐。
例如,用户的标签是“喜欢娱乐类型的资讯”,基于相关技术中的推荐方案,score值较高即排序在前的大多数都是娱乐类的资讯,按照score值由高到低的顺序进行资讯推荐的话,向用户推荐的绝大多数都是娱乐类的资讯,同一种类型(即娱乐类)的多条资讯内容可能还会存在内容重复,这样,用户长时间被推送的都是同一种类型的资讯,缺乏新奇和惊喜,可能造成用户厌烦,导致用户的兴趣衰减,对推荐系统的黏度会逐渐降低。
鉴于此,本申请的发明人考虑到,可以通过提高推荐内容的多样性来从一定程度上为用户提供新奇、惊喜的推荐体验,根据边际效益递减的原理,在每次推荐中,推荐物品(例如资讯或者短视频)中的同一类物品越多,总收益越多,但是每增多一个同类物品,收益增幅却是下降的,也就是说,随着推荐的同一类物品的数量越多,总收益是逐渐增加,但是随着同一类物品的数量越多,总收益的增幅(即收益增量)是逐渐减少的,也就是说,同类物品越多,同类物品的总收益提升趋势是变缓的。所以,为了最大化总收益,需要提高收益增量,这要求同一类物品不宜推荐过多,而需要提高物品类型的多样性,通过物品类型的多样性来促进收益提升加快,也就是说,通过增加物品类型的多样性来尽量提高收益增量,进而使得总收益最大化。
将上述的边际效益递减的原理应用到本申请实施例中的推荐场景中,为了最大化推荐系统的总推荐收益,这里的总推荐收益可以理解为是用户对所有推荐内容的总的点击率,即对所有推荐内容的总的感兴趣的数值量化,需要将高推荐收益的内容排在前面,同时又要打压同类内容的数量。基于此,提出本申请实施例中的推荐方案如下:先获取多个类别的待推荐内容,再根据各个待推荐内容的推荐贡献预测值对所有的待推荐内容进行多轮选择,并按照选择轮次为每轮选出的已选内容排列推荐顺序,直至所有的待推荐内容全部被排序,进一步地再根据已完成推荐顺序排列的各个待推荐内容的排序向用户进行内容推荐。在每轮选择中,先确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,再从本轮的所有候选内容中选择推荐贡献预测值满足设定条件的一个或多个候选内容作为本轮选择出的内容进而参与排序,这样相当于是从所有类别的待推荐内容中选择对于自身所属类别集合的推荐贡献预测值满足设定条件(例如推荐贡献预测值最大)内容的优先进行排序,即将高推荐收益的内容排在前面,从而尽量确保推荐系统向用户推荐的所有待推荐内容的总推荐收益是最大的,同时,由于进行了多轮选择,每轮选择是根据各个待推荐内容的推荐贡献预测值来决定每轮已选择的内容,这样相当于是将所有类别的内容进行打散排序,从而实现打压同类内容数量的目的,使得多种类别的内容尽量分散地交叉间隔排列,增加了推荐内容的类别多样性,以此实现所有待推荐内容的总推荐收益最大化的目的。
通过上述方案对待推荐内容进行重新排序之后,多种类别的内容被尽量打散之后交叉排列,在按照重新排序后的推荐顺序依次推荐的过程中,多种类别的内容均能够被推荐,实现提高推荐内容的多样性的目的,这样可以为用户提供惊奇、惊喜的推荐体验,这可以在一定程度上挖掘用户的潜在喜好,进而提升用户黏度,提高用户留存率。并且,越靠前的内容对于全部待推荐内容来说其推荐贡献值是相对较大的,所以按序推荐也可以尽量确保所有被推荐的待推荐内容的总体推荐收益是最大化的,以此确保推荐的准确性和有效性。
需要说明的是,本申请实施例中所涉及的多样性是指推荐内容所属类别的多样性,例如推荐顺序靠前的内容分属于多种类别,这样可以确保多种类型的内容推荐给用户;以及,本申请实施例中所设计的多样性还指在进行内容推荐时类别分布的多样化,即多种类别的内容交叉间隔排列,例如推荐顺序中排第1、第2的是娱乐类资讯,排第3的是军事类资讯,排第4、第5的是科技类资讯,排第6、第7的是娱乐类资讯,排第8的是科技类资讯,等等。以此,提高内容的多样性推荐,同时可以确保推荐的准确性和有效性。
本申请实施例提供的推荐内容的方法可以应用于多种推荐场景中,例如推荐视频的场景、推荐资讯的场景、推荐电子书的场景、推荐应用的场景等等。
为更好地理解本申请实施例提供的技术方案,下面对本申请实施例提供的技术方案适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
请参见图1,图1为本申请实施例中的推荐内容的方法适用的一种应用场景,该推荐内容的方法可以应用于内容推荐系统。如图1所示,在该应用场景中包括多个终端设备(例如终端设备101、终端设备102、终端设备103)和服务器104,其中的服务器104可以是服务于内容推荐平台的服务器,例如是资讯推荐服务器、短视频推荐服务器,等等。各个终端设备与服务器104之间通信连接,各个终端设备可以向服务器104发送内容以将其发布到服务器104服务的内容推荐平台上,同时,也可以接收服务器104发送的已经发布到内容推荐平台中的已发布内容。
以终端设备102及短视频推荐场景为例,终端设备102对应用户2,用户2可以操作终端设备102向服务器104发送短视频推荐请求,进一步地,服务器104可以采用本申请实施例中的推荐内容的方法对待推荐的短视频进行多样性排序,然后根据多样性排序后的短视频的推荐顺序向终端设备102推荐短视频供用户2观看,以便于用户2能够尽量查看到多种类型的短视频,增加新奇性,这样还可在一定程度上挖掘用户2的潜在喜好,增加内容推荐的惊喜程度。
再以终端设备101及资讯推荐场景为例,终端设备101对应用户1,用户1可以操作终端设备101向服务器104发送资讯推荐请求,进一步地,服务器104可以采用本申请实施例中的推荐内容的方法对待推荐的资讯进行多样性排序,然后根据多样性排序后的资讯的推荐顺序向终端设备101推荐资讯供用户1观看,以便于用户1能够尽量查看到多种类型的资讯,增加新奇性,这样还可以在一定程度上挖掘用户1的潜在喜好,增加内容推荐的惊喜程度。
其中,服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101、终端设备102、终端设备103可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能电视、智能穿戴式设备等,但并不局限于此。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可按照实施例或者附图所示的方法顺序执行或者并行执行。
本申请提供一种推荐内容的方法,该方法可以由推荐系统中的推荐服务器执行,例如由图1中的服务器104执行。本申请实施例提供的推荐内容的方法如图2所示,图2所示的流程图描述如下。
步骤201:获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容。
在步骤201之前,推荐服务器可以接收到客户端发起的推荐请求,而推荐请求中可以携带用户标识,例如用户登录的应用账户的账户标识,通过该账户标识确定目标用户,进而确定需要向目标用户推荐内容,例如推荐资讯或者推荐短视频等内容。可以将内容进行分类,例如可以根据内容的分类属性信息对其进行分类,以资讯为例,可以根据资讯所属的领域划分为科技类、娱乐类、体育类、军事类、社会类、财经类等类别,如此,进一步地,可以获取目标用户对应的至少两个类别的内容,本申请实施例中将可以向用户推荐的内容称作待推荐内容,也就是说,获取与目标用户对应的多个类别的待推荐内容,而每个类别中至少包括一个待推荐内容。
与目标用户对应可以是指这些待推荐内容是与目标用户匹配的,这可以通过推荐系统的信息过滤功能实现,例如根据目标用户的用户特征数据进行匹配,从推荐系统维护的海量内容池中召回与用户特征数据具有一定匹配度的内容,也就是说,可以通过用户特征数据确定出用户的喜好,进而选择与用户的喜好相匹配的内容,选择出的这些内容可以保存在待推荐列表中,并且在待推荐列表中的各个待推荐内容具有各自的推荐顺序,而各个待推荐内容的推荐顺序和其与用户特征数据之间的匹配度相关,具体来说,可以根据其与用户特征数据的匹配度的高低确定,匹配度越高的打分的score值越大,表明用户喜欢并进行点击的概率越大,对应的推荐顺序也就越靠前。
其中,用户特征数据可以包括用户属性数据和用户操作数据中的至少一种。用户属性数据是反映用户基础属性的数据,例如可以包括年龄、性别、所在地理位置、学历、工作、喜好标签等数据。用户操作数据是反映用户平时对已推荐内容的操作相关的数据,例如对已推荐内容的浏览时长、浏览次数、是否评论、是否点赞、是否转发、是否下载等与操作相关的数据。通过用户属性数据和用户操作数据均可以在一定程度上反映用户对推荐内容的兴趣喜好,所以,通过用户特征数据从内容库中召回待推荐内容以及根据匹配度高低进行推荐顺序的排序,可以使得推荐的内容均是用户大概率感兴趣的内容,从而提高内容推荐的精准性。
本申请实施例中步骤201中获取的至少两个类别的待推荐内容,可以是从上述根据用户特征数据召回并排序的待推荐列表中选择的内容,这样后续再次排序的话相当于是对这些待推荐内容重新进行多样性排序,这样是在确保推荐精确性的基础上进行的多样性重排推荐,以尽量提高推荐的有效性。或者,也可以采用其它方式获得前述的至少两个类别的待推荐内容,本申请实施例不做限制。
其中,在从上述的待推荐列表中选择至少两个类别的待推荐内容时,可以先确定待推荐列表中的待推荐内容的总数量,进一步地,再根据该总数量与设定阈值(例如第一阈值:150)进行大小比较,并根据比较结果从待推荐列表中选择用于重排序的至少两个类别的待推荐内容。
在该总数量大于或等于第一阈值时,可以从中选择部分且属于多个类别的多个待推荐内容,相当于是对其中一部分待推荐内容进行后续的多样性重排序,这样可以降低推荐过程中由于重排序而产生的计算量,尽量避免推荐时延和卡顿,提高推荐效率。
在该总数量小于前述的第一阈值时,可以将待推荐列表中的全部待推荐内容选为需要重排序的内容。可理解的是,如果此时待推荐列表中的待推荐内容不足两个类别的话,还可以根据用户特征数据再从内容池中召回一些其它类型的内容来补齐至少两个类别的待推荐内容,以此满足对多个类别的要求;或者,也可以从与目标用户相关联的用户(例如目标用户的社交好友或者其他家庭成员)的待推荐列表中选择一些其它类别的关联内容进行至少两个类别的补齐,因为目标用户与其关联的用户的生活圈层一般相同或接近,其感兴趣和关注的内容也可能存在一定的相似性,所以从关联用户处获取的内容也很有可能是用户自己感兴趣的,通过这种方式也是为了提高推荐的准确性。
在从上述的待推荐列表中选择部分且属于至少两个类别的待推荐内容时,可以根据待推荐列表中的各个待推荐内容的匹配度,从高匹配度的待推荐内容开始进行选择,例如从高匹配度的待推荐内容中为每种类别都分别挑选一些内容来参与后续的多样性重排,或者将匹配度大于设定阈值(例如第二阈值)的多种类型的内容都选择出来参与后续的多样性重排,或者从待推荐列表中从匹配度最高的待推荐内容开始选择排序连续且属于至少多个类别的待推荐内容来参与后续的多样性重排,等等。在选择的过程中,还可以数量加以限制,例如最终只需要选择100个待推荐内容来参与后续的多样性重排,这样可以结合前述的匹配度和这里的数量要求进行综合选择。
以推荐资讯为例,假设获取的是100个待推荐内容,且这100个待推荐内容分别属于科技类、娱乐类、体育类、军事类这四种类型,并且这100个待推荐内容已经有一个推荐顺序,例如将该已经有的推荐排序称作原排序。请参见图3所示的,在原排序中,假设从内容1、内容2、内容3、……、内容100的推荐顺序逐渐靠后,在图3中是以箭头所指方向表明推荐顺序越靠后。
步骤202:对至少两个类别的待推荐内容进行多轮选择,以确定每轮选择的内容;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从本轮的候选内容中移除并对应加入其所属类别集合中。
步骤203:根据选择轮次确定每轮选出的内容的推荐顺序。
在每轮选择中,将参与本轮选择的待推荐内容称作候选内容,以及将本轮选择出的需进行本轮排序的待推荐内容称作本轮的已选内容。
待推荐内容的推荐贡献预测值是预测的该推荐内容在被推荐后的推荐收益的量化数值,推荐贡献预测值越大,表示该待推荐内容在被推荐后被用户点击的概率越大,也就是说,表明该待推荐内容在被推荐后所产生的推荐收益越高,即对整个推荐效果的贡献越大,待推荐内容的推荐收益可以表征为是待推荐内容在被推荐后所产生的推荐效果,推荐效果越好,对应的推荐收益越大。以待推荐内容是资讯为例,可以通过用户的点击率和对待推荐内容的操作程度(例如点击查看次数、浏览时长、是否点赞、是否转发和评论等)等因素来表征推荐效果。
每个候选内容相对该候选内容所属类别集合的推荐贡献预测值,可以按照以下方式计算:先计算该候选内容所属的类别集合中的所有已选内容的总推荐贡献预测值,例如记作第一总推荐贡献预测值,再计算该候选内容和其所属的类别集合中的所有已选内容的总推荐贡献预测值,例如记作第二总推荐贡献预测值,最后将该候选内容对应的第二总推荐贡献值与第一总推荐贡献值之间的差值确定为该候选内容自身的推荐贡献预测值,也就是说,可以将该候选内容相对其所属类别集合中的所有已选内容的推荐贡献预测增量确定为是该候选内容自身的推荐贡献预测值。
本申请实施例中利用边际效益递减的原理来实现对待推荐内容的多样性重排序,而次模函数正适合处理边际效益递减这类任务,所以本申请实施例中可以通过次模函数来计算各个候选内容的推荐贡献预测值。
次模函数的定义如下:
f(A∪{x})-f(A)≥f(A∪{x,y})-f(A∪{y})(式1)
只要符合式1这个定义的函数都可以认为是次模函数,例如:
log(1+∑iscore(ai))(式2)
在式2中,A是类别集合Ci的子集,ai是A中的元素,如是科技类资讯集合中的各个科技类资讯,ai的收益记为score(ai),以资讯为例,收益通常是预估点击率、预估转化率等。
这C个集合的次模总收益如下:
问题转化为:
可以通过例如贪心算法或者其它算法来求解次模函数的次优解,即近似最优解。这个近似最优解,表明排在前面的多个内容的总体收益更大,例如,需要从100个内容中返回5个内容,有很多种组合方法,而每一种组合方法都有一个总体收益,那么通过这种近似最优求解,取次模函数进行重排序过的头部5个内容(最排在最前面的5个)组合的总体收益可以确保是最大的。
为便于理解,以下举例说明。
如图3所示的,假设步骤201中获取的需要进行多样性重排序的至少两个类别的待推荐内容是内容1、内容2、内容3、……、内容100,并且按照编号从小到大的顺序各个待推荐内容的原排序逐渐靠后,且这100个内容属于军事类、娱乐类、科技类、体育类这四个类别。
以下需对这100个内容进行多轮选择,以确定每轮选择中的已选内容,即得到每轮选择中选择出的内容,进而再根据选择轮次对每轮选择出的已选内容进行推荐顺序的排序。
第一轮选择:
遍历这100个内容,可以利用次模函数计算每个候选内容的推荐贡献预测值,即可以计算每个候选内容的次模增益。
在对着100个内容进行第一轮选择之前,各个类别集合中均还未包括有内容,即各个类别集合均为空,如图3中所示的表示4个类别集合的矩形框中均未有任何内容,在第一轮选择中,各个类别集合中当前均未有任何已选内容,所以各个类别集合当前的总推荐贡献预测值均为0,即各个类别集合当前的次模收益为0。
假设,内容1是“军事”分类,军事分类集合的当前次模收益为0,如果将内容1加入到军事分类的集合中,整个军事分类集合的次模收益是a1,则内容1的收益增量是a1-0,即为a1。需要说明的是,此时内容1实际上并没有加入到军事分类集合当中,所以更为确定的说,a1是预测的收益增量。
同理可算,内容2的收益增量是b1、内容3的收益增量是c1、……、内容100的收益增量是z1。
对比内容1至内容100中的各个候选内容的收益增量,选择收益增量满足设定条件的候选内容作为本轮的已选内容,此处的设定条件例如是选择收益增量最大的候选内容作为本轮的已选内容,假设第一轮中收益增量最大的候选内容是内容3,分类是“科技”。在第一轮之后,如图4所示的,选择出的第一轮中的已选内容是内容3,同时将内容3放入最终推荐列表中的第1个位置,如图4中针对“内容3”的虚线箭头所表示的,即将第一轮中选择出的已选内容排在重排序的第一位,因为第一轮中各个类别集合均为空,所以收益增量最大的候选内容表明是对其所属类别贡献最大,且在所有类别的候选内容中对于全部的待推荐内容的整体收益的贡献也就是最大的,所以可以将其重排序的推荐顺序排在第一位。
同时,将内容3从第一轮的候选内容中移除并将其放入其对应所属的类别集合中,即放入“科技”的类别集合中,如图4中针对“内容3”的实线箭头所表示的,所以在第一轮之后,“科技”类别集合中包括了内容3这个已选内容,而剩余的候选内容中不再包括内容3,即将内容3从原排序中移除了。
将内容3从候选内容中移除的目的,是为了下一轮选择时不再将其考虑在内,即不再将其作为下一轮的候选内容而参与选择了,因为内容3在第一轮中已经被确定为第一轮的已选内容而进行多样性重排序了。从这一点上来说,每轮选择中的候选内容在该轮选择之前是未被确定为已选内容的,每轮选择中的候选内容在该轮选择之前未被选择,因为在本轮之前已被确定为已选内容的候选内容在其被确定为已选内容的那个轮次中已经被添加到其所属的类别集合中了,如图4中的内容3在第一轮中已被添加到其所属的“科技类”中了。
第二轮选择:
第二轮选择中参与计算次模增益的只有99个候选内容,因为在上一轮中内容3已经从候选内容中移除而作为已选内容加入到“科技类”的类别集合中了。对于剩余的99个候选内容,采用前述介绍的方法依次计算各个候选内容的次模增益。
内容1是“军事”分类,军事分类的类别集合当前仍然为空,所以内容1的次模增益仍旧是a1。
内容2是“娱乐”分类,内容2的收益增量是b1。
内容4是“体育”分类,内容4的收益增量是d1。
内容5是“科技”分类,由于“科技”分类的类别集合中当前已经有了已选内容3,所以该类别集合的当前次模收益并不为0,以f表示次模函数,则在第二轮中,内容5的收益增益e2=f({内容5,内容3})-f({内容3})。
……
内容17是“娱乐”分类,内容17的收益增量例如是x1。
同理,可以计算其它所有候选内容在第二轮中的收益增量。
在第二轮中得到各个候选内容的收益增量之后,可以将所有的收益增量进行比较,再选择收益增量满足设定条件的候选内容作为第二轮的已选内容。
在一种可能的实施方式中,可以将收益增量最大的候选内容作为本轮的已选内容,假设内容17的收益增量x1是第二轮中最大的,则如图5a所示的,可以将内容17作为本轮的已选内容,并将其添加到最终推荐列表中的第二个推荐位置,以及将其从本轮的候选内容中移除,同时将内容17添加到其对应的“体育类”的类别集合中。这样,是将本轮中收益增量最大的候选内容选为本轮的已选内容优先进行了重排序,这样得到的最终推荐列表的整体收益是能够尽量确保收益最大化的,进而提高推荐的有效性。
在另一种可能的实施方式中,还可以按照推荐贡献预测值由大到小的顺序,确定从推荐贡献预测值最大开始的预定数量的候选内容,该预定数量为大于或等于2的整数,例如为2或者3或者4等。进一步地,再从选择出的预定数量的候选内容中确定本轮的已选内容。假设,预定数量为2,按照收益增量由大到小的顺序选择出的2个收益增量最大的2个候选内容是内容17和内容5,即内容5是第二轮选择中收益增量第二大的候选内容。
进一步地,在预定数量的候选内容之间的收益增量相差不大的情况下,例如在预定数量的候选内容中的两两相邻的候选内容的推荐贡献预测值之间的差值小于差值阈值(例如第三阈值)时,可以将这预定数量的候选内容全部确定为本轮的已选内容,例如内容17和内容5的次模增量之间的差值小于前述的第三阈值,则如图5b所示的,可以同时将内容17和内容5选为本轮的已选内容,如图5b中针对“内容5”和“内容17”的虚线箭头所表示的,并且按照收益增量的大小在最终推荐列表中顺序排位,即收益增量越大的在最终推荐列表中的排序位置越靠前。通过两两相邻的候选内容的推荐贡献预测增量之间的差值与差值阈值之间的比较,可以确保选择出的预定数量的候选内容之间的次模增益是相差不太大的,即预定数量的候选内容中的各个候选内容对最终的推荐总收益的贡献是差不多的,所以可以将其一并进行多样性重排。
再在另一种实施方式中,在预定数量的候选内容中的两两相邻的候选内容的推荐贡献预测值之间的差值小于差值阈值(例如前述的第三阈值)时,还可以从这预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮的已选内容。如此,可以将满足优先排序条件的候选内容优先进行排序,即可以排列在靠前的位置,这样可以尽量确保推荐总收益最大化,提高推荐的有效性和准确性。
例如,将预定数量的候选内容中与上一轮选择的已选内容的类别不同的候选内容作为本轮的已选内容,上一轮即第一轮中选择的已选内容是内容3,是科技类别,而内容17和内容5都不是科技类,所以本轮可以将内容17和内容5同时确定为是已选内容并进行优先排序,如图5b所示的。再假设内容17是科技类而内容5不是科技类,内容5是娱乐类,在该方式中,则可以只选择内容5作为已选内容,如图5c所示的。这样,相邻两轮选择的内容是不同类型的内容,可以对不同类型的内容尽量交叉排列,增强多样性。
或者例如,确定在本轮选择之前至少两个类别中包括的已选内容的数量符合设定数量限制的目标类别,并将预定数量的候选内容中属于目标类别的候选内容作为本轮的已选内容。比如一共有“科技”、“军事”、“娱乐”、“体育”这四种类别,当前若是第10轮选择,在前面9轮的所有选择中,被选择为“科技类”的内容最少或者少于指定的数量,则可以将“科技类”确定为本申请实施例中的目标类别,进而,那么本轮则可以将属于“科技类”的内容作为选择结果,如此,可以尽量增强多样性,且保证每种类型的数量都不宜太少。
再例如,将预定数量的候选内容的原排序最优先的候选内容作为本轮的已选内容,其中,候选内容的原排序是指按照候选内容与目标用户的用户特征数据之间的匹配度由高到低的顺序进行的排序。在第二轮中,内容17和内容5相比,内容5的原排序更靠前,所以如图5c所示的,可以仅将内容5确定为是本轮的已选内容而优先进行排序,这样在两个候选内容的次模增益相差不大的情形下,为了同时考虑推荐的精确性,可以将原排序靠前的优先进行重排序,这样在满足多样性重排的基础上,可以尽量满足推荐精确性的要求。
参照前述的讲解的第一轮和第二轮中选择已选内容的方式,可以进行多轮选择并进行重新排序,直至所有的待推荐内容全部被选为已选内容而进行重新排序。对于100个待推荐内容,假设每轮只选择了一个候选内容作为本轮的已选内容,则需进行100轮选择,若有些轮次中是选择了多个内容作为本轮的已选内容,则需进行少于100轮的选择,直至100个候选内容中的所有候选内容都被排序到最终推荐列表中,从而形成了新的重排序列表。
步骤204:根据已完成推荐顺序排列的各个待推荐内容的排序,向目标用户进行内容推荐。
进一步地,在得到多样性重排序的最终推荐列表之后,可以按照该最终推荐列表中的推荐顺序依次向用户进行内容推荐。
需要说明的是,如果步骤201中的至少两个类别的待推荐内容是从根据精准性推荐得到的待推荐列表中选取得到的话,可以将得到的最终推荐列表与前述的待推荐列表中剩余的待推荐内容进行拼接,然后再按照拼接后的推荐顺序顺次进行推荐。
本申请实施例中是利用边际效益递减来实现对多类别的内容进行重排序的,请参见图6所示的边际效益递减的示意图,对于同一类物品,随着推荐的物品个数的增加,推荐总收益是逐渐增大的,但是随着推荐物品个数的逐渐增加,推荐总收益的增幅是逐渐降低的,所以图6中的总收益曲线随着推荐的物品个数的增加是逐渐变得平缓,为此,本申请实施例通过增加推荐内容的类别来提高推荐总收益的增幅,以尽量提高推荐总收益。
所以,本申请实施例中由于最终推荐列表是根据各个待推荐内容相对其所属类别集合的推荐贡献预测值重新进行排序的,这样重排序后靠前的待推荐内容分属于多个类别的概率较大,按照重排序后进行顺序向用户推荐,多个类别的待推荐内容可以被更大概率地推荐给用户,如此,可以提高推荐内容的多样性,在一定程度上降低了推荐冗余。
为便于对本申请实施例中的多样性重排序方案进行理解,以下再以资讯推荐常见为例,结合图7对本申请实施例中的技术方案进行进一步地说明。
步骤701:获取目标用户的资讯推荐请求。
以目标用户为例,当目标用户希望查看资讯时,可以通过客户端向推荐服务器触发资讯推荐请求,例如,当用户打开资讯应用时则可以直接触发客户端向推荐服务器发送资讯推荐请求,或者用户可以在资讯应用的应用界面中进行特定操作或者输入“最新资讯”的请求后则可触发客户端向推荐服务器发送资讯推荐请求。
步骤702:根据目标用户的用户特征数据,从资讯池中召回若干待推荐资讯。
资讯池是推荐系统维护的包括海量资讯的数据库,用户通过推荐系统发布的资讯均可以保存在资讯库中,为了提高存储性能,可以定期对资讯池进行清理,例如将半年前发布的资讯从资讯池中删除,以便存储更多新发布的资讯。
可以根据目标用户的用户特征数据,从资讯池中选择一些与用户特征数据较为匹配的资讯作为召回资讯,资讯与用户特征数据的匹配度可以表征用户对资讯的喜欢程度,例如匹配度越高的资讯,在将其推荐给目标用户后,目标用户点击该资讯的概率越大,如此可以实现较为精准的推荐。
一般来说,在从资讯池中召回待推荐资讯时,召回的量一般不会太少,这样可以向目标用户持续推荐一定数量的资讯,并且,虽然是根据目标用户的用户特征数据进行匹配召回的,由于召回数量较大且用户特征数据也可能与多种类别的资讯匹配上,所以召回的待推荐资讯中一般是属于多种类别的。
根据用户特征数据从资讯池中进行资讯召回,这样可以确保召回的待推荐资讯都是目标用户大概率喜欢的资讯,如此,可以尽量提高推荐的精准性。
步骤703:根据各个待推荐资讯与用户特征数据的匹配度的高低,对召回的若干待推荐内容进行匹配度打分。
例如可以通过匹配度预测模型来预测各个待推荐资讯与用户特征数据之间的匹配度,按照匹配度越高对应的打分越高的方式对召回的各个待推荐资讯进行匹配度打分,例如打分范围是50分-100分,打分越高的资讯表明用户对该资讯的喜欢程度要大一些,如此,在将打分越高的资讯推荐给目标用户之后,目标用户点击该资讯的概率也越大。
步骤704:按照匹配度由高到低的顺序进行排序,得到排序后的待推荐列表。
假设从资讯池中召回的待推荐资讯的数量是150条,则可以根据匹配度打分的高低对这150条资讯顺序进行排序,匹配度打分越高的资讯排序越靠前,以此得到排序后的待推荐列表,可以理解的是,排序后的待推荐列表中的排序第一的资讯是匹配度打分最高的资讯,从排序第一的资讯依次往后,对应的资讯的匹配度打分越低。
步骤705:从待推荐列表中选取排序靠前且属于多个类别的K个待推荐内容,记作topK列表。
在排序后的待推荐列表中,可以从排序第一的资讯开始选择需要进行重排序的资讯,以K的取值为100为例,可以从前面已经排序的150条资讯中选择排序前100的资讯作为topK列表,需要说明的是,topK列表中包括的待推荐资讯属于至少两个类别,若排序前100的待推荐资讯所属类别不足两种,则可以从排序100以后的待推荐资讯中选择排序尽量靠前的资讯来补齐至少两种类别,如此,以确保选择出的topK列表中的待推荐列表是尽量与目标用户匹配的且属于多种类别,这样在后续重排序时可以是在确保精准性的基础上进行的多样性重排,这样可以同时保证推荐内容过的精准性和多样性。
步骤706:遍历topK列表。
在得到topK列表之后,可以根据各个待推荐资讯相对其所属类别集合的推荐贡献预测值来对topK列表进行中包括的所有待推荐资讯进行多轮选择。
步骤707:判断当前遍历到的资讯的推荐贡献预测值是否最大。
对于topK列表,按照一定顺序遍历各个待推荐资讯,依次计算各个待推荐资讯相对其所属类别集合的推荐贡献预测值,并将当前遍历到的待推荐资讯相对其所属类别集合的推荐贡献预测值与前面已经遍历的待推荐资讯的推荐贡献预测值进行大小比较,以判断当前遍历到的资讯的推荐贡献预测值是否是最大的,也就是说,在遍历的过程中,可以从所有待推荐资讯中确定出最大的推荐贡献预测值。
步骤708:在确定当前遍历到的资讯的推荐贡献预测值最大时,判断是否遍历完topK列表。
步骤709:判断下一个资讯的推荐贡献预测值是否最大。
在确定当前遍历到的资讯的推荐贡献预测值最大时,判断是否遍历完topK列表的目的是为了从所有待推荐资讯对应的所有推荐贡献预测值中找出最大的推荐贡献预测值。也就是说,需要从所有类别的待推荐资讯中挑选出推荐贡献预测值最大的待推荐资讯,因为推荐贡献预测值最大的待推荐资讯表明其对于topK列表中的所有待推荐资讯的推荐收益是最大的,如此,可以将其选择出作为多样性排序中的第一个排序。
在确定当前遍历到的资讯的推荐贡献预测值在已经得到的所有推荐贡献预测值中并不是最大的,或者,在确定当前遍历到的资讯的推荐贡献预测值在已经得到的所有推荐贡献预测值中是最大的且还没有遍历完topK列表时,则可以按照遍历顺序,继续计算出下一条资讯的推荐贡献预测值,并判断下一条资讯的推荐贡献预测值是不是得到的所有的推荐贡献预测值中最大的。
步骤710:将推荐贡献预测值最大的资讯放入多样性列表进行优先排序。
也就是说,按照遍历顺序,依次计算topK列表中的各个待推荐内容的推荐贡献预测值,并从topK列表选择出推荐贡献预测值最大的资讯,并将选择出的推荐贡献预测值最大的资讯放到多样性列表中优先进行排序,例如将第一轮中选择出的推荐贡献预测值最大的资讯排列在多样性列表中的第一排序。
步骤711:将推荐贡献预测值最大的资讯从topK列表移除,并将其加入其所属的类别集合中。
在将推荐贡献预测值在多样性列表中排序之后,可以将其从topK列表移除,在将其移除topK列表之后,topK列表中实质上只有K-1条待推荐资讯了,也就是说,topK列表实际上被更新了。
步骤712:判断topK列表是否为空。
采用上述步骤706-步骤711的方式,再次对更新后的topK列表进行多轮选择,直至topK列表中的所有待推荐资讯都被移除而添加到各条待推荐资讯各自对应的类别集合中了,此时,原topK列表中的所有待推荐资讯在多样性列表中都具有了新的排序,最终,topK列表变为了空列表。
步骤713:在topK列表已经为空时,用多样性列表替换待推荐列表中选出的topK列表,得到重新排序后的待推荐列表。
步骤714:根据重排序后的待推荐列表中的推荐顺序向目标用户推荐资讯。
在topK列表变为空列表之后,多样性列表中对原topK列表中包括的100条待推荐资讯进行了多样性的重排序,进而,可以用得到的多样性列表替换原排序的待推荐列表中的排序前K(即排序前100)的所有待推荐资讯,如此,重新排序后的前100的资讯与原待推荐列表中的前100的资讯的排序并不相同,相较于原待推荐列表中的前100的资讯,重排序后的前100的资讯中多种类别的资讯是尽量地打散排列的,例如多种类型的资讯错乱交叉排列,这样在向目标用户进行资讯推荐时,可以确保尽量多类型的资讯被优先推荐给目标用户,从而提高推荐资讯的类别的多样性,同时推荐顺序上也可以尽量多样化,尽量减少由推荐单一类别的资讯而导致的推荐冗余,提高推荐的有效性。
本申请实施例是应用于推荐场景解决多样性推荐问题的技术方案。推荐场景下的多样性推荐问题,是指如何实现将不同类别的推荐内容按照合理的顺序推荐的问题。可以理解,在将不同的推荐内容按照不同的顺序推荐时,用户在浏览推荐内容时可能会产生不同的浏览行为数据。比如,在相关技术中的仅考虑精准性的推荐机制下,推荐系统向用户先推荐了8篇娱乐类资讯和1篇体育类资讯,用户点击了其中3篇娱乐类资讯,由于娱乐类资讯过多且内容可能还有重复,所以用户对于推荐的9篇资讯的整体点击率并不高。假设,采用本申请实施例提供的多样性重排序后的推荐机制,推荐系统也向用户推荐了9篇资讯,其中有5篇娱乐类资讯、2篇体育类资讯、1篇科技类资讯、1篇军事类资讯,用户点击了其中的2篇娱乐类资讯、1篇体育类资讯、1篇科技类资讯和1篇军事类资讯,可见用户对于这9篇资讯的整体点击率要高很多,如此,相当于提高了资讯推荐的整体收益,通过为用户提供多样性的资讯推荐,不仅可以提高整体的推荐收益,从而提高推荐的准确性和有效性,同时,还可以尽量引导用户发现一些潜在兴趣爱好,这些多样性的内容推荐可能会给用户带来意想不到的惊奇和惊喜,从而增强用户的使用体验,有助于提高用户黏度,提高用户留存率。
本申请实施例中,利用边际效益递减的原理对待推荐内容进行多类别的重新排序,以实现多样性的推荐排序,对待推荐内容进行重新排序之后,多种类别的内容被尽量打散之后交叉排列,在按照重新排序后的推荐顺序依次推荐的过程中,多种类别的内容均能够被推荐,实现提高推荐内容的多样性的目的,这样可以为用户提供惊奇、惊喜的推荐体验,这可以在一定程度上挖掘用户的潜在喜好,进而提升用户黏度,提高用户留存率。并且,越靠前的内容对于全部待推荐内容来说其推荐贡献值是相对较大的,所以按序推荐也可以尽量确保所有被推荐的待推荐内容的总体收益是最大化的,以此确保推荐的准确性和有效性。
基于同一发明构思,本申请实施例提供一种推荐内容的装置,该推荐内容的装置可以是硬件结构、软件模块、或硬件结构加软件模块。该推荐内容的装置例如是前述图1中的服务器104本身,或者可以是设置于服务器104内的功能装置,该推荐内容的装置可以由芯片系统实现,芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。请参见图8所示,本申请实施例中的推荐内容的装置包括获取模块801、排序模块802和推荐模块803,其中:
获取模块801,用于获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容;
排序模块802,用于对至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移出并对应加入其所属类别集合中;其中,每轮选择中的候选内容在该轮选择之前未被选择;
推荐模块803,用于根据已完成推荐顺序排列的各个待推荐内容的排序,向目标用户进行内容推荐。
在一种可能的实施方式中,获取模块801用于:
获取目标用户对应的待推荐列表,待推荐列表中的待推荐内容是根据目标用户的用户特征数据召回的,待推荐列表中的待推荐内容的推荐顺序和各个待推荐内容与用户特征数据之间的匹配度相关;
根据待推荐列表中的各个待推荐内容的匹配度,从高匹配度的待推荐内容开始选择至少两个类别的待推荐内容。
在一种可能的实施方式中,排序模块802用于:
从本轮的所有候选内容中选择推荐贡献预测值最大的候选内容作为本轮选择的内容。
在一种可能的实施方式中,排序模块802用于:
按照推荐贡献预测值由大到小的顺序,确定从推荐贡献预测值最大开始的预定数量的候选内容,预定数量为大于或等于2的整数;
从预定数量的候选内容中确定本轮选择的内容。
在一种可能的实施方式中,排序模块802用于:
按照推荐贡献预测值由大到小的顺序,若预定数量的候选内容中的两两相邻的候选内容的推荐贡献预测值之间的差值小于差值阈值,则从预定数量的候选内容中确定本轮选择的内容。
在一种可能的实施方式中,排序模块802用于:
将预定数量的候选内容全部确定为本轮选择的内容;或者,
从预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮选择的内容。
在一种可能的实施方式中,排序模块802用于:
将预定数量的候选内容中与上一轮选择出的内容的类别不同的候选内容作为本轮选择的内容;或者,
确定在本轮选择之前至少两个类别中包括的选择出的内容的数量符合设定数量限制的目标类别,并将预定数量的候选内容中属于目标类别的候选内容作为本轮选择的内容。
在一种可能的实施方式中,排序模块802用于:
将预定数量的候选内容的原排序最优先的候选内容作为本轮选择的内容,其中,候选内容的原排序是指按照候选内容与目标用户的用户特征数据之间的匹配度由高到低的顺序进行的排序。
在一种可能的实施方式中,排序模块802用于:
通过次模函数计算每个候选内容所属的类别集合中的所有已选择出的内容的第一总推荐贡献预测值;
通过次模函数计算每个候选内容和其所属的类别集合中的所有已选择出的内容的第二总推荐贡献预测值;
将每个候选内容的第二总推荐贡献预测值相对于第一总推荐贡献预测值的差值确定为该候选内容的推荐贡献预测值。
在一种可能的实施方式中,排序模块802用于:
按照选择轮次越先对应选择出的内容的推荐顺序越靠前的方式,为每轮选择出的内容排列推荐顺序。
前述的推荐内容的方法的实施例中涉及的各步骤的所有相关内容均可以援引到本申请施例中的推荐内容的装置所对应的功能模块的功能描述,在此不再赘述。
本申请实施例中对模块的划分是示意性的,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,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于同一发明构思,本申请实施例提供一种计算设备,该计算设备例如是前述图1中的服务器104,该计算设备能够执行本申请实施例提供的推荐内容的方法,如图9所示,本申请实施例中的计算设备包括至少一个处理器901,以及与至少一个处理器901连接的存储器902和通信接口903,本申请实施例中不限定处理器901与存储器902之间的具体连接介质,图9中是以处理器901和存储器902之间通过总线900连接为例,总线900在图9中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线900可以分为地址总线、数据总线、控制总线等,为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,存储器902存储有可被至少一个处理器901执行的计算机程序,至少一个处理器901通过执行存储器902存储的计算机程序,可以执行前述的推荐内容的方法中所包括的步骤。
其中,处理器901是计算设备的控制中心,可以利用各种接口和线路连接整个计算设备的各个部分,通过运行或执行存储在存储器902内的指令以及调用存储在存储器902内的数据,计算设备的各种功能和处理数据,从而对计算设备进行整体监控。可选的,处理器901可包括一个或多个处理模块,处理器901可集成应用处理器和调制解调处理器,其中,处理器901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901中。在一些实施例中,处理器901和存储器902可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器901可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器902作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器902可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器902是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器902还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通信接口903是能够用于进行通信的传输接口,可以通过通信接口903接收数据或者发送数据,例如可以通过通信接口903与其它设备进行数据交互以实现通信的目的。
进一步地,该计算设备还包括帮助计算设备内的各个器件之间传输信息的基本输入/输出系统(I/O系统)904、用于存储操作系统905、应用程序906和其他程序模块907的大容量存储设备908。
基本输入/输出系统904包括有用于显示信息的显示器909和用于用户输入信息的诸如鼠标、键盘之类的输入设备910。其中显示器909和输入设备910都通过连接到系统总线900的基本输入/输出系统904连接到处理器901。所述基本输入/输出系统904还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备908通过连接到系统总线900的大容量存储控制器(未示出)连接到处理器901。所述大容量存储设备908及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说,大容量存储设备908可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
根据本申请的各种实施例,该计算设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该计算设备可以通过连接在所述系统总线900上的通信接口903连接到网络911,或者说,也可以使用通信接口903来连接到其他类型的网络或远程计算机系统(未示出)。
基于同一发明构思,本申请实施例还提供一种存储介质,该存储介质可以是计算机可读存储介质,该存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的推荐内容的方法的步骤。
基于同一发明构思,本申请实施例还提供一种芯片系统,该芯片系统包括处理器,还可以包括存储器,用于实现如前述的推荐内容的方法的步骤。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
在一些可能的实施方式中,本申请实施例提供的推荐内容的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机上运行时,所述程序代码用于使所述计算机执行前文所描述的根据本申请各种示例性实施方式的推荐内容的方法中的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种推荐内容的方法,其特征在于,所述方法包括:
获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容;
对所述至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移出并对应加入其所属类别集合中;其中,每轮选择中的候选内容在该轮选择之前未被选择;
根据已完成推荐顺序排列的各个待推荐内容的排序,向所述目标用户进行内容推荐。
2.如权利要求1所述的方法,其特征在于,获取目标用户的至少两个类别的待推荐内容,包括:
获取所述目标用户对应的待推荐列表,所述待推荐列表中的待推荐内容是根据所述目标用户的用户特征数据召回的,所述待推荐列表中的待推荐内容的推荐顺序和各个待推荐内容与所述用户特征数据之间的匹配度相关;
根据所述待推荐列表中的各个待推荐内容的匹配度,从高匹配度的待推荐内容开始选择至少两个类别的待推荐内容。
3.如权利要求1所述的方法,其特征在于,从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,包括:
从本轮的所有候选内容中选择推荐贡献预测值最大的候选内容作为本轮选择的内容。
4.如权利要求1所述的方法,其特征在于,从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,包括:
按照推荐贡献预测值由大到小的顺序,确定从推荐贡献预测值最大开始的预定数量的候选内容,所述预定数量为大于或等于2的整数;
从所述预定数量的候选内容中确定本轮选择的内容。
5.如权利要求4所述的方法,其特征在于,从所述预定数量的候选内容中确定本轮选择的内容,包括:
按照推荐贡献预测值由大到小的顺序,若所述预定数量的候选内容中的两两相邻的候选内容的推荐贡献预测值之间的差值小于差值阈值,则从所述预定数量的候选内容中确定本轮选择的内容。
6.如权利要求4所述的方法,其特征在于,从所述预定数量的候选内容中确定本轮选择的内容,包括:
将所述预定数量的候选内容全部确定为本轮选择的内容;或者,
从所述预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮选择的内容。
7.如权利要求6所述的方法,其特征在于,从所述预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮选择的内容,包括:
将所述预定数量的候选内容中与上一轮选择出的内容的类别不同的候选内容作为本轮选择的内容;或者,
确定在本轮选择之前所述至少两个类别中包括的选择出的内容的数量符合设定数量限制的目标类别,并将所述预定数量的候选内容中属于所述目标类别的候选内容作为本轮选择的内容。
8.如权利要求6所述的方法,其特征在于,从所述预定数量的候选内容中选择满足优先排序条件的候选内容作为本轮选择的内容,包括:
将所述预定数量的候选内容的原排序最优先的候选内容作为本轮选择的内容,其中,候选内容的原排序是指按照候选内容与所述目标用户的用户特征数据之间的匹配度由高到低的顺序进行的排序。
9.如权利要求1-8任一所述的方法,其特征在于,分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,包括:
通过次模函数计算每个候选内容所属的类别集合中的所有已选择出的内容的第一总推荐贡献预测值;
通过所述次模函数计算每个候选内容和其所属的类别集合中的所有已选择出的内容的第二总推荐贡献预测值;
将每个候选内容的第二总推荐贡献预测值相对于第一总推荐贡献预测值的差值确定为该候选内容的推荐贡献预测值。
10.如权利要求1-8任一所述的方法,其特征在于,根据选择轮次确定每轮选出的内容的推荐顺序,包括:
按照选择轮次越先对应选择出的内容的推荐顺序越靠前的方式,为每轮选择出的内容排列推荐顺序。
11.一种推荐内容的装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户的至少两个类别的待推荐内容,每个类别包括至少一个待推荐内容;
排序模块,用于对所述至少两个类别的待推荐内容根据推荐贡献预测值进行多轮选择,并根据选择轮次确定每轮选出的内容的推荐顺序,直至所有待推荐内容全部被排序;其中,在每轮选择中:分别确定本轮中的各个候选内容相对其所属类别集合的推荐贡献预测值,并从本轮的所有候选内容中确定推荐贡献预测值满足设定条件的至少一个候选内容作为本轮选择的内容,以及将选出的内容从候选内容中移除并对应加入其所属类别集合中,其中,每轮选择中的候选内容在该轮选择之前未被选择;
推荐模块,用于根据已完成推荐顺序排列的各个待推荐内容的排序,向所述目标用户进行内容推荐。
12.如权利要求11所述的装置,其特征在于,所述获取模块用于:
获取所述目标用户对应的待推荐列表,所述待推荐列表中的待推荐内容是根据所述目标用户的用户特征数据召回的,所述待推荐列表中的待推荐内容的推荐顺序和各个待推荐内容与所述用户特征数据之间的匹配度相关;
根据所述待推荐列表中的各个待推荐内容的匹配度,从高匹配度的待推荐内容开始选择至少两个类别的待推荐内容。
13.如权利要求11所述的装置,其特征在于,所述排序模块用于:
从本轮的所有候选内容中选择推荐贡献预测值最大的候选内容作为本轮选择的内容。
14.一种计算设备,其特征在于,包括存储器、处理器及存储在所述存储器上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如权利要求1-10任一所述的方法包括的步骤。
15.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-10任一所述的方法包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671209.6A CN111782957A (zh) | 2020-07-13 | 2020-07-13 | 一种推荐内容的方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671209.6A CN111782957A (zh) | 2020-07-13 | 2020-07-13 | 一种推荐内容的方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111782957A true CN111782957A (zh) | 2020-10-16 |
Family
ID=72767657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010671209.6A Pending CN111782957A (zh) | 2020-07-13 | 2020-07-13 | 一种推荐内容的方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782957A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364244A (zh) * | 2020-11-16 | 2021-02-12 | 广州酷狗计算机科技有限公司 | 多媒体数据推荐方法、装置、服务器及存储介质 |
CN112784159A (zh) * | 2021-01-21 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、终端设备及计算机可读存储介质 |
CN112882929A (zh) * | 2021-02-02 | 2021-06-01 | 网易(杭州)网络有限公司 | 测试方法、装置、计算机设备和存储介质 |
CN112905879A (zh) * | 2021-01-29 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
CN113468426A (zh) * | 2021-07-01 | 2021-10-01 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
CN113515696A (zh) * | 2021-05-17 | 2021-10-19 | 上海众源网络有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN113553509A (zh) * | 2021-07-29 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
CN113781086A (zh) * | 2021-01-21 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、介质及电子设备 |
CN116911957A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种异质内容混合推荐方法、装置、系统及存储介质 |
-
2020
- 2020-07-13 CN CN202010671209.6A patent/CN111782957A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364244A (zh) * | 2020-11-16 | 2021-02-12 | 广州酷狗计算机科技有限公司 | 多媒体数据推荐方法、装置、服务器及存储介质 |
CN113781086A (zh) * | 2021-01-21 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、介质及电子设备 |
CN112784159A (zh) * | 2021-01-21 | 2021-05-11 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、终端设备及计算机可读存储介质 |
CN112784159B (zh) * | 2021-01-21 | 2022-12-09 | 中国平安人寿保险股份有限公司 | 内容推荐方法、装置、终端设备及计算机可读存储介质 |
CN112905879B (zh) * | 2021-01-29 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
CN112905879A (zh) * | 2021-01-29 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
CN112882929B (zh) * | 2021-02-02 | 2023-08-08 | 网易(杭州)网络有限公司 | 测试方法、装置、计算机设备和存储介质 |
CN112882929A (zh) * | 2021-02-02 | 2021-06-01 | 网易(杭州)网络有限公司 | 测试方法、装置、计算机设备和存储介质 |
CN113515696A (zh) * | 2021-05-17 | 2021-10-19 | 上海众源网络有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN113468426A (zh) * | 2021-07-01 | 2021-10-01 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
CN113468426B (zh) * | 2021-07-01 | 2024-01-30 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
CN113553509A (zh) * | 2021-07-29 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
CN113553509B (zh) * | 2021-07-29 | 2024-03-01 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
CN116911957A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种异质内容混合推荐方法、装置、系统及存储介质 |
CN116911957B (zh) * | 2023-09-12 | 2024-01-05 | 深圳须弥云图空间科技有限公司 | 一种异质内容混合推荐方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111782957A (zh) | 一种推荐内容的方法、装置、计算设备及存储介质 | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
JP4524709B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
US10949000B2 (en) | Sticker recommendation method and apparatus | |
CN110704739A (zh) | 资源推荐方法、装置及计算机存储介质 | |
WO2014143018A1 (en) | Efficient and fault-tolerant distributed algorithm for learning latent factor models through matrix factorization | |
CN104142999A (zh) | 搜索结果展示方法及装置 | |
EP2646964A2 (en) | Recommendations based on topic clusters | |
CN104462594A (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
US20110213669A1 (en) | Allocation of Resources | |
CN108345419A (zh) | 一种信息推荐列表的生成方法及装置 | |
US20140278723A1 (en) | Methods and systems for predicting workflow preferences | |
CN112423134B (zh) | 视频内容推荐方法、装置、计算机设备及存储介质 | |
CN111259195A (zh) | 一种视频推荐方法、装置、电子设备及可读存储介质 | |
CN112749296B (zh) | 一种视频推荐方法、装置、服务器及存储介质 | |
CN111831891A (zh) | 物料推荐方法和系统 | |
CN112905879A (zh) | 推荐方法、装置、服务器以及存储介质 | |
CN113010790A (zh) | 内容推荐方法、装置、服务器及存储介质 | |
CN111198961A (zh) | 商品搜索方法、装置及服务器 | |
US11100158B1 (en) | Fast feature selection for search models | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN113901328A (zh) | 信息推荐方法和装置、电子设备和存储介质 | |
CN110275986B (zh) | 基于协同过滤的视频推荐方法、服务器及计算机存储介质 | |
US10915336B1 (en) | Optimizing content engagement with imposed content constraints | |
CN112231546A (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030683 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |