CN111782968A - 内容推荐方法、装置、可读介质及电子设备 - Google Patents
内容推荐方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN111782968A CN111782968A CN202010633843.0A CN202010633843A CN111782968A CN 111782968 A CN111782968 A CN 111782968A CN 202010633843 A CN202010633843 A CN 202010633843A CN 111782968 A CN111782968 A CN 111782968A
- Authority
- CN
- China
- Prior art keywords
- user
- content item
- network data
- sample
- vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 230000002452 interceptive effect Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 134
- 230000003993 interaction Effects 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 64
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开涉及一种内容推荐方法、装置、可读介质及电子设备，包括获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论网络数据的待选内容项；根据用户信息、网络数据信息、多个待选内容项，通过预设端到端神经网络模型来确定每个待选内容项对应的推荐参数，推荐参数基于目标用户对待选内容项进行第一交互行为的第一概率和待选内容项被任意用户执行第二交互行为的第二概率来确定；根据推荐参数确定目标内容项以推荐给目标用户。这样能够充分考虑到可能影响交互行为的因素，并且还考虑到了被推荐的内容项与其他用户之间产生交互行为的概率，从而能够进一步提高网络场景中评论区的互动效果。
Description
技术领域
本公开涉及数据挖掘领域，具体地，涉及一种内容推荐方法、装置、可读介质及电子设备。
背景技术
在新闻资讯、视频、论坛发帖等等网络场景下，往往会有供在该场景下观看、阅读场景中的网络数据的用户进行评论、点赞、点踩、举报、转发等各种互动的区域。现有技术中，常见的评论区都需要用户自行输入文字评论内容或图像评论内容以进行评论。但是，由于在评论区输入评论内容的方式，需要用户去构思和组织语言，或者在网络场景中能提供的可供用户选择的表情包等图像较为固定，导致用户的评论意愿不高，从而最终导致网络场景中的评论区的互动效果较差。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种内容推荐方法，所述方法包括：
获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
第二方面，本公开提供一种内容推荐装置，所述装置包括：
获取模块，用于获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
确定模块，用于根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
推荐模块，用于根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
通过上述技术方案，根据用户、作为评论对象的网络数据、以及用于推荐给用户进行评论的内容项三方面的信息来确定出与该内容项对应的推荐参数，以根据该推荐参数确定内容项向用户进行内容推荐，并且，该推荐参数的确定参考了用户对被推荐的内容项进行第一交互行为的概率，而且还参考到了被推荐的该内容项与该用户或者任意其他用户之间产生第二交互行为的概率，这样能够充分考虑到可能影响用户与该推荐的内容项与之间产生交互行为的因素，从而提高该目标内容项的推荐精度，进而提高了网络场景中评论区的互动效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1根据本公开一示例性实施例示出的一种内容推荐方法的应用场景示意图。
图2是根据本公开一示例性实施例示出的一种内容推荐方法的流程图。
图3是根据本公开又一示例性实施例示出的一种内容推荐方法的流程图。
图4是应用于内容推荐方法的模型框架图。
图5是根据本公开又一示例性实施例示出的一种内容推荐方法的流程图。
图6是根据本公开又一示例性实施例示出的一种内容推荐方法的流程图。
图7是又一应用于内容推荐方法的模型框架图。
图8是根据本公开又一示例性实施例示出的一种内容推荐方法的流程图。
图9是根据本公开又一示例性实施例示出的内容推荐方法中的预设端到端神经网络模型的训练方法的流程图。
图10是根据本公开一示例性实施例示出的一种内容推荐装置的结构框图。
图11是根据本公开又一示例性实施例示出的一种内容推荐装置的结构框图。
图12示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1根据本公开一示例性实施例示出的一种内容推荐方法的应用场景示意图。如图1所示的应用场景为一短视频应用中观看短视频的场景，该应用场景的显示界面中，短视频显示区10用于对用户当前正在观看的短视频进行显示；评论显示区20是覆盖在该短视频显示区10上的第一弹窗，能够对被该评论显示区20覆盖的区域对应的该短视频内容起到一定的遮挡效果，弹窗中能够对属于用户当前正在观看的该短视频的评论进行显示，每条评论后都有相应的点赞区域，可供任意用户对该条评论进行点赞；评论输入区30是覆盖在该评论显示区20上的第二弹窗，能够对被该评论输入区30覆盖的区域对应的该评论显示区中显示的评论起到一定的遮挡效果。其中，该评论显示区20可以是用户在主动点击相关控件后触发显示，该评论输入区30可以是用户在评论显示区20中主动点击相关控件触发显示，以便用户对想要评论的短视频或该短视频的评论中的某一评论进行评论。
该评论输入区中包括用于用户自行构思和组织语言后输入评论的评论输入框40，该评论输入框40中还包括切换按钮401，用于键盘输入区(未示出)和表情包选择区50，该表情包选择区50用于展示给用户推荐的多个表情包60，以便于用户选择该表情包60中的任一表情包以进行评论；该评论输入区30中还包括用于切换可选表情包类型的表情包类型选择区70，以及评论发送按钮80。
如图1所示的网络场景中，在用户通过该切换按钮401将表情包选择区50切换出来时，则需要将用户可选的表情包60按照一定的格式显示于该表情包选择区50中，因此，为了提高该短视频评论区的用户互动效果，选择什么样的表情包60来推荐给用户很重要。
图2是根据本公开一示例性实施例示出的一种内容推荐方法的流程图。如图2所示，所述方法包括步骤201至步骤203。
在步骤201中，获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项。
该目标用户也即当前正在观看、浏览该网络数据的用户，该网络数据可以为视频数据，该网络数据信息可以为所述视频数据对应的视频ID，该待选内容项可以为图片格式的评论数据，包括静态图片和/或动态图片等。例如，在如图1所示的场景中，该目标用户也即观看该界面中正在播放的短视频的用户，该作为评论对象的网络数据也即如图1中所示的正在播放的短视频，用户评论该网络数据的待选内容项则可以是如图1中所示的多个表情包60。其中，该用户信息可以为例如用户ID，该网络数据信息也以为该短视频的视频ID。另外，该网络数据还可以为论坛贴文、新闻刊报等任意形式的、提供评论功能的网络数据，该网络数据信息还可以为该网络数据对应的关键词等，该待选内容项则还可以为文本格式的评论数据等。
其中，多个用户评论该网络数据的待选内容项可以是通过在内容项数据库中通过统计得到的每个内容项的展点比来确定的，也即每个内容项被点击选择进行评论占该内容项被展现给用户的次数的比例，可以是将该展点比大于预设展点比阈值的内容项作为该待选内容项。另外，还可以通过预设神经网络模型根据该目标用户的用户信息和该网络数据的网络数据信息预测内容项向量，并将该内容项数据库中与该预测得到的内容项向量相似度高于预设相似度阈值的内容项作为该待选内容项。另外，还可以是从根据上述两种待选内容项确定方法确定出来的内容项中按照一定比例采样，从而确定出该步骤201中所需要进行推荐参数预测的待选内容项。
在步骤202中，根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定。
该预设端到端神经网络模型能够根据该用户信息、网络数据信息和每个该待选内容项确定出该待选内容项对于该用户和该网络数据的推荐参数，从而可以从该目标用户对该待选内容项进行第一交互行为的第一概率和该待选内容项被任意用户执行第二交互行为的第二概率的角度，来判断该待选内容项是否需要被推荐给该目标用户来提高评论区的互动效果。其中，该第一交互行为则可以为例如被该目标用户选择评论，该第二交互行为可以为例如，在该待选内容项被该目标用户选择评论之后，该待选内容项在该网络数据的评论区中被任意用户点赞的行为，或者，还可以是该待选内容项在评论区中被任意用户进行评论的行为等。
其中，该推荐参数可以是通过该第一概率和该第二概率的加权和来计算得到，或者也可以是该第一概率和第二概率的平均值，或者，还可以将该第一概率和该第二概率中概率较大的概率值确定为该推荐参数等等。在计算该第一概率和该第二概率的加权和以确定该推荐参数时，该第一概率和该第二概率的权重比可以根据实际情况进行调整，在本公开中对此不进行限制。只要该推荐参数能够根据该第一概率和该第二概率共同确定出目标内容项来推荐给目标用户即可。
在步骤203中，根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
在确定出每个待选内容项对于该目标用户和该网络数据的推荐参数之后，根据该预设条件来对该待选内容项进行筛选，从中选择满足该预设条件的为目标内容项来推荐给用户。其中，该预设条件可以为例如该推荐参数大于预设参数阈值，也即，将该推荐参数大于预设参数阈值的待选内容项确定为该目标内容项，或者，也可以按照所有推荐参数的数值从高到低排序的顺序来确定，将该排序中的前预设个数个推荐参数所对应的待选内容项确定为该目标内容项。例如，在如图1所示的应用场景中，满足该预设条件的目标内容项可以根据该推荐参数从高到底的顺序依次在该表情包选择区50中依次展示。
通过上述技术方案，根据用户、作为评论对象的网络数据、以及用于推荐给用户进行评论的内容项三方面的信息来确定出与该内容项对应的推荐参数，以根据该推荐参数确定内容项向用户进行内容推荐，并且，该推荐参数的确定参考了用户对被推荐的内容项进行第一交互行为的概率，而且还参考了被推荐的该内容项与该用户或者任意其他用户之间产生第二交互行为的概率，能够充分考虑到可能影响用户与该推荐的内容项与之间产生交互行为的因素，从而提高该目标内容项的推荐精度，不仅能够通过提高该目标内容项的推荐精度的方式来提高目标用户的参与度，也即选择被推荐的待选内容项进行评论的概率，而且还能够提高用户的满意度，也即提高任意用户对该网络数据的评论区中的已经被选择评论的待选内容项点赞的概率，进而就能够进一步提高网络场景中评论区的互动效果。
图3是根据本公开又一示例性实施例示出的一种内容推荐方法的流程图。如图3所示，所述方法除了包括图2中所示的步骤201和步骤203，还包括步骤301至步骤303。
在步骤301中，将所述用户信息转化为与所述用户信息对应的第一用户向量。
在步骤302中，将所述网络数据信息转化为与所述网络数据信息对应的第一网络数据向量。
上述步骤301和步骤302中将该用户信息和该网络数据信息分别转化为第一用户向量和第一网络数据向量的方法可以为任一向量转化方法，也可以为同一种向量转化方法。
在步骤303中，将每个所述待选内容项转化为与所述待选内容项对应的特征信息。该特征信息可以为例如ID信息，转化为该特征信息的方法可以为例如哈希映射等。
在步骤304中，将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数。
以图4所示的应用于该内容推荐方法的模型框架图为例，用户信息A通过如图4所示的第一向量转化模块1后转化为该第一用户向量，网络数据信息B通过如图4所示的第二向量转化模块2后转化为第一网络数据向量，每个待选内容项C都通过该特征转化模块3后转化为与该待选内容项对应的特征信息，该第一用户向量和该第一网络数据向量和每个该待选内容项C对应的该特征信息被输入至该预设端到端神经网络模型M中，以确定与输入的该待选内容项C对应的该推荐参数X。
通过上述将用户信息和该网络数据信息转化为向量特征之后再输入该预设端到端神经网络模型中进行推荐参数的预测的方法，能够提高该预设端到端神经网络模型的计算速度，进而提高该待选内容项的推荐效率。通过将该待选内容项转化为与该待选内容项对应的特征信息后再输入该预设端到端神经网络模型中进行推荐参数预测的方法，也能够使得输入该端到端神经网络模型的与该待选内容项对应的数据更加紧凑简洁并且能够表征出该待选内容想的特征，从而进一步提高该预设端到端神经网络模型的计算速度和推荐效率。
其中，图4中还示出了该预设端到端神经网络模型M中包括的第一子网络4，第二子网络5和预设转换函数6。在一种可能的实施方式中，该内容推荐方法还包括如图5所示的步骤501至步骤504。
在步骤501中，将所述第一用户向量输入第一子网络中，以得到与所述用户信息对应的第二用户向量。
在步骤502中，将所述第一网络数据向量输入第二子网络中，以得到与所述网络数据信息对应的第二网络数据向量。
该第一子网络4和该第二子网络5能够将经过如图4所示的例如第一向量转化模块1或第二向量转化模块2直接转化得到的第一用户向量和第一网络数据向量再次转化为更加拟合当前推荐场景的第二用户向量和第二网络数据向量，该第二用户向量和该第一用户向量都是用于表征该用户信息的特征向量，但是在不同的特征空间对该用户信息进行的不同表示，该第二网络数据向量和该第一网络数据向量也都是用于表征该网络数据信息的特征向量，但是在不同的特征空间对该网络数据信息进行的不同表示。
在步骤503中，将每个所述待选内容项对应的所述特征信息输入所述预设转换函数6中，以得到与每个所述待选内容项对应的待选内容项向量。该预设转换函数可以为例如embedding lookup函数。
在步骤504中，根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数X。
通过上述技术方案，在该第一用户向量、该第一网络数据向量和与该待选内容项对应的特征信息输入该预设端到端神经网络模型中之后，还会经过再一次的转化，使得该第一用户向量所表示的用户信息、该第一网络数据向量所表示的网络数据信息、以及该待选内容项对应的特征信息能够在更加拟合当前推荐场景中的特征空间中转化为更加拟合当前推荐场景的特征向量，并且，该预设端到端神经网络模型中的该第一子网络4，第二子网络5和预设转换函数6是在该预设端到端神经网络模型训练的过程中同时训练得到的，因此这样就能够使得根据该再次转化得到的第二用户向量、第二网络数据向量和该待选内容项向量确定得到更加精确的推荐参数，进而进一步提高该待选内容项的推荐精度，提高推荐效果。
其中，图4中还示出了该预设端到端神经网络模型M中包括的特征融合模块7。在一种可能的实施方式中，该内容推荐方法还包括如图6所示的步骤601和步骤602。
在步骤601中，通过对所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行特征交叉，以得到与所述用户信息、所述网络数据信息和每个所述待选内容项所对应的融合特征向量。
其中，如图4所所示的该特征融合模块7可以通过例如向量拼接的方法对该第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行特征交叉以得到该融合特征向量，或者，还可以使用注意力机制网络(autoint)来实现对该第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行的特征交叉，以得到该融合特征向量。
在步骤602中，根据所述融合特征向量确定每个所述待选内容项C对应的推荐参数X。
在一种可能的实施方式中，可以如图4所示直接根据该融合特征向量输出该推荐参数X，或者，还可以如图7所示，分别经过如图7中所示的第三子网络8和第四子网络9后得到该推荐X。因此，在一种可能的实施方式中，该内容推荐方法还包括如图8所示的步骤801至步骤803。
在步骤801中，将所述融合特征向量输入所述第三子网络中，以确定所述目标用户对所述待选内容项进行所述第一交互行为的所述第一概率。
在步骤802中，将所述融合特征向量输入所述第四子网络中，以确定所述待选内容项被任意用户执行所述第二交互行为的所述第二概率。
以该第一交互行为为例如被该目标用户选择评论，该第二交互行为为在该待选内容项被该目标用户选择评论之后，在评论区中被任意用户点赞的行为为例，该第三子网络8和该第四子网络9可以分别根据该融合特征向量确定该待选内容项被该目标用户点击选择评论的第一概率，和该待选内容项被评论之后，在评论区中被任意用户点赞的第二概率。
在步骤803中，根据所述第一概率和所述第二概率确定与所述待选内容项对应的所述推荐参数。例如可以是根据该第一概率和该第二概率的加权和来确定该待选内容项所对应的该推荐参数。
通过上述技术方案，该推荐参数的确定可以是直接根据该融合特征向量确定得到，也即，在该预设端到端神经网络模型训练时便直接根据训练样本中基于该第一交互行为和该第二交互行为所确定的该推荐参数进行训练，从从而能够进一步提高该预设端到端神经网络模型的计算速度，或者，还可以分别根据该第一交互行为对应的第一概率和该第二交互行为对应的第二概率训练该第三子网络和该第四子网络，使得最终训练得到的该预设端到端神经网络模型能够确定得到精确的推荐参数，这样，该预设端到端神经网络模型能够分别得到每一个待选内容项被该目标用户进行第一交互行为的第一概率，和该待选内容项被任意用户执行该第二交互行为的第二概率，从而能够方便在实际地推荐场景中对该推荐参数的确定方式的调整，例如，在该推荐参数为通过该第一概率和该第二概率的加权和所确定时，该第一概率和该第二概率分别所占的权重能够在无需重新训练该预设端到端神经网络模型的情况下进行调整，从而更加满足实际地推荐需求，使得该预设端到端神经网络模型输出的推荐参数能够更加精确，满足实际的推荐效果。
在一种可能的实施方式中，该推荐参数还可以仅基于该第一交互行为和该第二交互行为中的一者来确定。例如，在该第一交互行为为被所述目标用户选择以对所述网络数据进行评论的行为，且该第二交互行为为所述待选内容项被所述目标用户选择以对所述网络数据进行评论之后，在所述网络数据的评论区中被任意用户点赞的行为的情况下，也可以进根据该第一交互行为对应的第一概率来对该预设端到端神经网络模型进行训练，也即，该预设端到端神经网络模型根据该用户信息、网络数据信息和多个待选内容项所确定的该推荐参数，可以仅表征该待选内容项被该目标用户选择以对该网络数据进行评论的概率。
在一种可能的实施方式中，图2中所示的步骤203中可以包括：根据所述目标内容项对应的所述推荐参数生成推荐界面，并将所述推荐界面对所述目标用户进行显示。例如，可以根据该目标内容项的推荐参数从高到低进行排序，按照排序顺序在该推荐界面中对该目标内容项进行展示，例如图1所示的应用场景中，该目标内容项为表情包的情况下，可以每个表情包对应的推荐参数的大小顺序，在该表情包选择区50中按序排列显示，以生成该推荐界面显示给该目标用户。这样，能够使得目标用户能够优先看到对应的该推荐参数较大的目标内容项，不仅简化了用户对该网络数据进行评论的复杂度，而且还进一步提高了用户选择该目标内容项对该网络数据进行评论的概率，从而进一步提高了网络场景中评论区的互动效果。
图9是根据本公开又一示例性实施例示出的内容推荐方法中的预设端到端神经网络模型的训练方法的流程图。如图9所示，所述训练方法包括步骤901至步骤903。
在步骤901中，获取训练样本数据，所述训练样本数据中包括样本用户的样本用户信息、作为所述样本用户的评论对象的样本网络数据的样本网络数据信息、被所述样本用户用于评论所述样本网络数据的样本内容项、所述样本用户与所述样本内容项之间的第一交互数据以及所述样本内容与任意用户之间的第二交互数据。
在步骤902中，根据所述样本用户信息、所述样本网络数据信息和所述样本内容项，通过所述预设端到端神经网络模型获取所述样本用户对所述样本内容项进行第一交互行为的概率和所述样本内容项被任意用户执行第二交互行为的概率。
在步骤903中，基于所述样本用户与所述样本内容项之间的第一交互数据与所述样本用户对所述样本内容项进行第一交互行为的概率之间的差别信息，以及所述样本内容与任意用户之间的第二交互数据与所述样本内容项被任意用户执行第二交互行为的概率之间的差别信息，调整所述预设端到端神经网络模型中的模型参数，直至所述预设端到端神经网络模型的模型参数符合目标截止条件。
以该第一交互行为为例如被该目标用户选择评论，该第二交互行为为在该待选内容项被该目标用户选择评论之后，在评论区中被任意用户点赞的行为为例，该训练样本数据中包括的该所述样本用户与所述样本内容项之间的第一交互数据以及所述样本内容与任意用户之间的第二交互数据则可以分别为，该样本内容项是否被点击选择(0/1)，以及该样本内容项被点击选择发布在评论区中的情况下，该样本内容项是否被点赞(0/1)。
所述样本用户与所述样本内容项之间的第一交互数据与所述样本用户对所述样本内容项进行第一交互行为的概率之间的差别信息，可以为例如该预设端到端神经网络模型输出的该样本用户对所述样本内容项进行第一交互行为的概率与该样本用户与所述样本内容项之间的第一交互数据(例如是否点击选择)之间的交叉熵损失(Cross Entropy)；该样本内容与任意用户之间的第二交互数据与所述样本内容项被任意用户执行第二交互行为的概率之间的差别信息，则可以为例如该预设端到端神经网络模型输出的所述样本内容项被任意用户执行第二交互行为的概率与样本内容与任意用户之间的第二交互数据(例如是否点赞)之间的交叉熵损失。
其中，可以对上述两个交叉熵损失值进行加权融合，根据最小化融合后的损失值的优化方式对该预设端到端神经网络模型进行训练。
在一种可能的实施方式中，所述内容推荐方法还包括：在所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户之后，基于所述目标用户与所述目标内容项之间的第一交互数据以及所述目标内容项与任意用户之间的第二交互数据，按照预设更新周期更新所述预设端到端神经网络模型。该预设更新周期可以为例如一天，也即，该预设端到端神经网络模型会根据每天产生的新的交互数据来进行训练，以对用户行为保持跟踪，保证该预设端到端神经网络模型的效果。
另外，在抓取交互数据对该预设端到端神经网络模型进行训练时，为了保证训练样本数据中正负样本的均衡，可以通过控制训练样本数据中不同样本比例，和/或在训练样本数据中再根据预设比例进行不同样本的采样，和/或调整正负训练样本在训练时在损失函数中对应的惩罚权重等。
图10是根据本公开一示例性实施例示出的一种内容推荐装置的结构框图。如图10所示，所述装置100包括：获取模块110，用于获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；确定模块120，用于根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；推荐模块130，用于根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
通过上述技术方案，根据用户、作为评论对象的网络数据、以及用于推荐给用户进行评论的内容项三方面的信息来确定出与该内容项对应的推荐参数，以根据该推荐参数确定内容项向用户进行内容推荐，能够充分考虑到可能影响用户与该推荐的内容项与之间是否会产生交互行为的因素，并且，该推荐参数的确定参考了用户对被推荐的内容项进行第一交互行为的概率，而且还参考了被推荐的该内容项与该用户或者任意其他用户之间产生第二交互行为的概率，这样能够充分考虑到可能影响用户与该推荐的内容项与之间产生交互行为的因素，从而提高该目标内容项的推荐精度，进而提高了网络场景中评论区的互动效果。
在一种可能的实施方式中，该确定模块120还用于：将所述用户信息转化为与所述用户信息对应的第一用户向量；将所述网络数据信息转化为与所述网络数据信息对应的第一网络数据向量；将每个所述待选内容项转化为与所述待选内容项对应的特征信息；将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数。
在一种可能的实施方式中，所述预设端到端神经网络模型中包括第一子网络、第二子网络和预设转换函数，该确定模块120还用于：将所述第一用户向量输入第一子网络中，以得到与所述用户信息对应的第二用户向量；将所述第一网络数据向量输入第二子网络中，以得到与所述网络数据信息对应的第二网络数据向量；将每个所述待选内容项对应的所述特征信息输入所述预设转换函数中，以得到与每个所述待选内容项对应的待选内容项向量；根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数。
在一种可能的实施方式中，该确定模块120还用于：通过对所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行特征交叉，以得到与所述用户信息、所述网络数据信息和每个所述待选内容项所对应的融合特征向量；根据所述融合特征向量确定每个所述待选内容项对应的推荐参数。
在一种可能的实施方式中，所述预设端到端神经网络模型中还包括第三子网络和第四子网络，该确定模块120还用于：将所述融合特征向量输入所述第三子网络中，以确定所述目标用户对所述待选内容项进行所述第一交互行为的所述第一概率；将所述融合特征向量输入所述第四子网络中，以确定所述待选内容项被任意用户执行所述第二交互行为的所述第二概率；根据所述第一概率和所述第二概率确定与所述待选内容项对应的所述推荐参数。
在一种可能的实施方式中，该推荐模块130还用于：所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户包括：根据所述目标内容项对应的所述推荐参数生成推荐界面，并将所述推荐界面对所述目标用户进行显示。
在一种可能的实施方式中，所述预设端到端神经网络模型通过以下方法进行训练：获取训练样本数据，所述训练样本数据中包括样本用户的样本用户信息、作为所述样本用户的评论对象的样本网络数据的样本网络数据信息、被所述样本用户用于评论所述样本网络数据的样本内容项、所述样本用户与所述样本内容项之间的第一交互数据以及所述样本内容与任意用户之间的第二交互数据；根据所述样本用户信息、所述样本网络数据信息和所述样本内容项，通过所述预设端到端神经网络模型获取所述样本用户对所述样本内容项进行第一交互行为的概率和所述样本内容项被任意用户执行第二交互行为的概率；基于所述样本用户与所述样本内容项之间的第一交互数据与所述样本用户对所述样本内容项进行第一交互行为的概率之间的差别信息，以及所述样本内容与任意用户之间的第二交互数据与所述样本内容项被任意用户执行第二交互行为的概率之间的差别信息，调整所述预设端到端神经网络模型中的模型参数，直至所述预设端到端神经网络模型的模型参数符合目标截止条件。
图11是根据本公开又一示例性实施例示出的一种内容推荐装置的结构框图。所述装置100还包括更新模块140，用于在所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户之后，基于所述目标用户与所述目标内容项之间的第一交互数据以及所述目标内容项与任意用户之间的第二交互数据，按照预设更新周期更新所述预设端到端神经网络模型。
下面参考图12，其示出了适于用来实现本公开实施例的电子设备1200的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示，电子设备1200可以包括处理装置(例如中央处理器、图形处理器等)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中，还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
通常，以下装置可以连接至I/O接口1205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1206；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207；包括例如磁带、硬盘等的存储装置1208；以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1209从网络上被下载和安装，或者从存储装置1208被安装，或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种内容推荐方法，所述方法包括：
获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数包括：
将所述用户信息转化为与所述用户信息对应的第一用户向量；
将所述网络数据信息转化为与所述网络数据信息对应的第一网络数据向量；
将每个所述待选内容项转化为与所述待选内容项对应的特征信息；
将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述预设端到端神经网络模型中包括第一子网络、第二子网络和预设转换函数，所述将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数包括：
将所述第一用户向量输入第一子网络中，以得到与所述用户信息对应的第二用户向量；
将所述第一网络数据向量输入第二子网络中，以得到与所述网络数据信息对应的第二网络数据向量；
将每个所述待选内容项对应的所述特征信息输入所述预设转换函数中，以得到与每个所述待选内容项对应的待选内容项向量；
根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数包括：
通过对所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行特征交叉，以得到与所述用户信息、所述网络数据信息和每个所述待选内容项所对应的融合特征向量；
根据所述融合特征向量确定每个所述待选内容项对应的推荐参数。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述预设端到端神经网络模型中还包括第三子网络和第四子网络，所述根据所述融合特征向量确定每个所述待选内容项对应的推荐参数包括：
将所述融合特征向量输入所述第三子网络中，以确定所述目标用户对所述待选内容项进行所述第一交互行为的所述第一概率；
将所述融合特征向量输入所述第四子网络中，以确定所述待选内容项被任意用户执行所述第二交互行为的所述第二概率；
根据所述第一概率和所述第二概率确定与所述待选内容项对应的所述推荐参数。
根据本公开的一个或多个实施例，示例6提供了示例1-5中任一示例的方法，所述第一交互行为为被所述目标用户选择以对所述网络数据进行评论的行为，所述第二交互行为为所述待选内容项被所述目标用户选择以对所述网络数据进行评论之后，在所述网络数据的评论区中被任意用户点赞的行为。
根据本公开的一个或多个实施例，示例7提供了示例1-5中任一示例的方法，所述网络数据为视频数据，所述网络数据信息为所述视频数据对应的视频ID，所述待选内容项为图片格式的评论数据。
根据本公开的一个或多个实施例，示例8提供了示例1-5中任一示例的方法，所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户包括：
根据所述目标内容项对应的所述推荐参数生成推荐界面，并将所述推荐界面对所述目标用户进行显示。
根据本公开的一个或多个实施例，示例9提供了示例1-5中任一示例的方法，所述预设端到端神经网络模型通过以下方法进行训练：
获取训练样本数据，所述训练样本数据中包括样本用户的样本用户信息、作为所述样本用户的评论对象的样本网络数据的样本网络数据信息、被所述样本用户用于评论所述样本网络数据的样本内容项、所述样本用户与所述样本内容项之间的第一交互数据以及所述样本内容与任意用户之间的第二交互数据；
根据所述样本用户信息、所述样本网络数据信息和所述样本内容项，通过所述预设端到端神经网络模型获取所述样本用户对所述样本内容项进行第一交互行为的概率和所述样本内容项被任意用户执行第二交互行为的概率；
基于所述样本用户与所述样本内容项之间的第一交互数据与所述样本用户对所述样本内容项进行第一交互行为的概率之间的差别信息，以及所述样本内容与任意用户之间的第二交互数据与所述样本内容项被任意用户执行第二交互行为的概率之间的差别信息，调整所述预设端到端神经网络模型中的模型参数，直至所述预设端到端神经网络模型的模型参数符合目标截止条件。
根据本公开的一个或多个实施例，示例10提供了示例1-5中任一示例的方法，所述方法还包括：
在所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户之后，基于所述目标用户与所述目标内容项之间的第一交互数据以及所述目标内容项与任意用户之间的第二交互数据，按照预设更新周期更新所述预设端到端神经网络模型。
根据本公开的一个或多个实施例，示例11提供了一种内容推荐装置，所述装置包括：
获取模块，用于获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
确定模块，用于根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
推荐模块，用于根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-10中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-10中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (13)
1.一种内容推荐方法，其特征在于，所述方法包括：
获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数包括：
将所述用户信息转化为与所述用户信息对应的第一用户向量；
将所述网络数据信息转化为与所述网络数据信息对应的第一网络数据向量；
将每个所述待选内容项转化为与所述待选内容项对应的特征信息；
将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数。
3.根据权利要求2所述的方法，其特征在于，所述预设端到端神经网络模型中包括第一子网络、第二子网络和预设转换函数，所述将所述第一用户向量、所述第一网络数据向量和每个所述待选内容项对应的所述特征信息输入所述预设端到端神经网络模型，以确定每个所述待选内容项对应的推荐参数包括：
将所述第一用户向量输入第一子网络中，以得到与所述用户信息对应的第二用户向量；
将所述第一网络数据向量输入第二子网络中，以得到与所述网络数据信息对应的第二网络数据向量；
将每个所述待选内容项对应的所述特征信息输入所述预设转换函数中，以得到与每个所述待选内容项对应的待选内容项向量；
根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量，确定每个所述待选内容项对应的推荐参数包括：
通过对所述第二用户向量、所述第二网络数据向量和每个所述待选内容项向量进行特征交叉，以得到与所述用户信息、所述网络数据信息和每个所述待选内容项所对应的融合特征向量；
根据所述融合特征向量确定每个所述待选内容项对应的推荐参数。
5.根据权利要求4所述的方法，其特征在于，所述预设端到端神经网络模型中还包括第三子网络和第四子网络，所述根据所述融合特征向量确定每个所述待选内容项对应的推荐参数包括：
将所述融合特征向量输入所述第三子网络中，以确定所述目标用户对所述待选内容项进行所述第一交互行为的所述第一概率；
将所述融合特征向量输入所述第四子网络中，以确定所述待选内容项被任意用户执行所述第二交互行为的所述第二概率；
根据所述第一概率和所述第二概率确定与所述待选内容项对应的所述推荐参数。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述第一交互行为为被所述目标用户选择以对所述网络数据进行评论的行为，所述第二交互行为为所述待选内容项被所述目标用户选择以对所述网络数据进行评论之后，在所述网络数据的评论区中被任意用户点赞的行为。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述网络数据为视频数据，所述网络数据信息为所述视频数据对应的视频ID，所述待选内容项为图片格式的评论数据。
8.根据权利要求1-5中任一项所述的方法，其特征在于，所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户包括：
根据所述目标内容项对应的所述推荐参数生成推荐界面，并将所述推荐界面对所述目标用户进行显示。
9.根据权利要求1-5中任一项所述的方法，其特征在于，所述预设端到端神经网络模型通过以下方法进行训练：
获取训练样本数据，所述训练样本数据中包括样本用户的样本用户信息、作为所述样本用户的评论对象的样本网络数据的样本网络数据信息、被所述样本用户用于评论所述样本网络数据的样本内容项、所述样本用户与所述样本内容项之间的第一交互数据以及所述样本内容与任意用户之间的第二交互数据；
根据所述样本用户信息、所述样本网络数据信息和所述样本内容项，通过所述预设端到端神经网络模型获取所述样本用户对所述样本内容项进行第一交互行为的概率和所述样本内容项被任意用户执行第二交互行为的概率；
基于所述样本用户与所述样本内容项之间的第一交互数据与所述样本用户对所述样本内容项进行第一交互行为的概率之间的差别信息，以及所述样本内容与任意用户之间的第二交互数据与所述样本内容项被任意用户执行第二交互行为的概率之间的差别信息，调整所述预设端到端神经网络模型中的模型参数，直至所述预设端到端神经网络模型的模型参数符合目标截止条件。
10.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
在所述将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户之后，基于所述目标用户与所述目标内容项之间的第一交互数据以及所述目标内容项与任意用户之间的第二交互数据，按照预设更新周期更新所述预设端到端神经网络模型。
11.一种内容推荐装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户的用户信息、作为评论对象的网络数据的网络数据信息、和多个用于评论所述网络数据的待选内容项；
确定模块，用于根据所述用户信息、所述网络数据信息、多个所述待选内容项，通过预设端到端神经网络模型来确定每个所述待选内容项对应的推荐参数，所述推荐参数基于所述目标用户对所述待选内容项进行第一交互行为的第一概率和所述待选内容项被任意用户执行第二交互行为的第二概率来确定；
推荐模块，用于根据多个所述待选内容项分别对应的所述推荐参数，将满足预设条件的所述待选内容项确定为目标内容项以推荐给所述目标用户。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-10中任一项所述方法的步骤。
13.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633843.0A CN111782968B (zh) | 2020-07-02 | 2020-07-02 | 内容推荐方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633843.0A CN111782968B (zh) | 2020-07-02 | 2020-07-02 | 内容推荐方法、装置、可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111782968A true CN111782968A (zh) | 2020-10-16 |
| CN111782968B CN111782968B (zh) | 2022-02-18 |
Family
ID=72758850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010633843.0A Active CN111782968B (zh) | 2020-07-02 | 2020-07-02 | 内容推荐方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111782968B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112269943A (zh) * | 2020-12-03 | 2021-01-26 | 北京达佳互联信息技术有限公司 | 一种信息推荐系统及方法 |
| CN112417275A (zh) * | 2020-11-17 | 2021-02-26 | 北京三快在线科技有限公司 | 一种信息提供的方法、装置存储介质及电子设备 |
| CN112785391A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置及智能设备、存储介质 |
| CN112835872A (zh) * | 2021-02-08 | 2021-05-25 | 北京明略昭辉科技有限公司 | 用于id打通的方法、装置及设备 |
| CN113254503A (zh) * | 2021-06-08 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 一种内容挖掘方法、装置及相关产品 |
| CN113780607A (zh) * | 2020-11-16 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 用于生成模型的方法和装置、用于生成信息的方法和装置 |
| CN114491272A (zh) * | 2022-02-14 | 2022-05-13 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
| CN115048504A (zh) * | 2022-05-17 | 2022-09-13 | 咪咕文化科技有限公司 | 信息推送方法、装置、计算机设备及计算机可读存储介质 |
| WO2023174075A1 (zh) * | 2022-03-17 | 2023-09-21 | 北京有竹居网络技术有限公司 | 内容检测模型的训练方法、内容检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108401005A (zh) * | 2017-02-08 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 一种表情推荐方法和装置 |
| US20180307765A1 (en) * | 2017-04-24 | 2018-10-25 | Kabushiki Kaisha Toshiba | Interactive system, interaction method, and storage medium |
| CN109885770A (zh) * | 2019-02-20 | 2019-06-14 | 杭州威佩网络科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技（北京）有限公司 | 信息处理方法、推荐方法及相关设备 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
| CN111258435A (zh) * | 2020-01-15 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 多媒体资源的评论方法、装置、电子设备及存储介质 |
-
2020
- 2020-07-02 CN CN202010633843.0A patent/CN111782968B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108401005A (zh) * | 2017-02-08 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 一种表情推荐方法和装置 |
| US20180307765A1 (en) * | 2017-04-24 | 2018-10-25 | Kabushiki Kaisha Toshiba | Interactive system, interaction method, and storage medium |
| CN109885770A (zh) * | 2019-02-20 | 2019-06-14 | 杭州威佩网络科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技（北京）有限公司 | 信息处理方法、推荐方法及相关设备 |
| CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111258435A (zh) * | 2020-01-15 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 多媒体资源的评论方法、装置、电子设备及存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780607A (zh) * | 2020-11-16 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 用于生成模型的方法和装置、用于生成信息的方法和装置 |
| CN112417275A (zh) * | 2020-11-17 | 2021-02-26 | 北京三快在线科技有限公司 | 一种信息提供的方法、装置存储介质及电子设备 |
| CN112269943A (zh) * | 2020-12-03 | 2021-01-26 | 北京达佳互联信息技术有限公司 | 一种信息推荐系统及方法 |
| CN112785391A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置及智能设备、存储介质 |
| CN112785391B (zh) * | 2021-02-02 | 2024-02-09 | 微民保险代理有限公司 | 推荐处理方法、装置及智能设备、存储介质 |
| CN112835872A (zh) * | 2021-02-08 | 2021-05-25 | 北京明略昭辉科技有限公司 | 用于id打通的方法、装置及设备 |
| CN113254503A (zh) * | 2021-06-08 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 一种内容挖掘方法、装置及相关产品 |
| CN113254503B (zh) * | 2021-06-08 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 一种内容挖掘方法、装置及相关产品 |
| CN114491272A (zh) * | 2022-02-14 | 2022-05-13 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
| CN114491272B (zh) * | 2022-02-14 | 2023-09-12 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
| WO2023174075A1 (zh) * | 2022-03-17 | 2023-09-21 | 北京有竹居网络技术有限公司 | 内容检测模型的训练方法、内容检测方法及装置 |
| CN115048504A (zh) * | 2022-05-17 | 2022-09-13 | 咪咕文化科技有限公司 | 信息推送方法、装置、计算机设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111782968B (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111782968B (zh) | 内容推荐方法、装置、可读介质及电子设备 | |
| CN112905839A (zh) | 模型训练方法、模型使用方法、装置、存储介质及设备 | |
| CN110366043B (zh) | 视频处理方法、装置、电子设备及可读介质 | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN111414543B (zh) | 用于生成评论信息序列的方法、装置、电子设备和介质 | |
| CN114443897B (zh) | 一种视频推荐方法、装置、电子设备和存储介质 | |
| CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
| CN112312225A (zh) | 信息展示方法、装置和电子设备 | |
| CN112083853A (zh) | 账号举报方法、审核方法、装置、电子设备和存储介质 | |
| CN115086700A (zh) | 推送处理方法、装置、设备及介质 | |
| CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
| CN114422482A (zh) | 消息的发送方法、装置、电子设备、存储介质和程序产品 | |
| WO2023143518A1 (zh) | 直播间话题推荐方法、装置、设备及介质 | |
| CN114820060A (zh) | 一种广告推荐方法、装置、设备及介质 | |
| CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
| CN115757933A (zh) | 推荐信息生成方法、装置、设备、介质和程序产品 | |
| CN111143740B (zh) | 信息处理方法、装置及电子设备 | |
| CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
| CN114528433A (zh) | 一种模板选择方法、装置、电子设备及存储介质 | |
| CN111368204A (zh) | 内容推送方法、装置、电子设备及计算机可读介质 | |
| CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
| CN114816599A (zh) | 图像显示方法、装置、设备及介质 | |
| CN114374738B (zh) | 信息推送方法、装置、存储介质及电子设备 | |
| CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
| CN110909206B (zh) | 用于输出信息的方法和装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230721 Address after: 100190 1309, 13th floor, building 4, Zijin Digital Park, Haidian District, Beijing Patentee after: Beijing volcano Engine Technology Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Douyin Vision Co.,Ltd. |
|
| TR01 | Transfer of patent right |