CN111831891A - 物料推荐方法和系统 - Google Patents
物料推荐方法和系统 Download PDFInfo
- Publication number
- CN111831891A CN111831891A CN201910311757.5A CN201910311757A CN111831891A CN 111831891 A CN111831891 A CN 111831891A CN 201910311757 A CN201910311757 A CN 201910311757A CN 111831891 A CN111831891 A CN 111831891A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- level
- pool
- recommendation pool
- materials
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了一种物料推荐方法和系统,所述方法包括:确定推荐池的数量n,其中,n为大于或等于3的整数;确定每一级推荐池中对应单个物料的展示流量,使得展示流量从第1级推荐池到第n‑1级推荐池依次递增;针对特定推荐请求,在n级推荐池之中选取候选物料;基于选取的候选物料进行推荐;以及获取与所推荐物料对应的用户行为数据,并且,方法还包括按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i‑1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将物料从第i‑1级推荐池中移出、保留在第i‑1级推荐池还是移入第i级推荐池。
Description
技术领域
本发明总体说来涉及计算机实现的推荐方案,更具体地讲,涉及一种用于物料推荐的方法和系统。
背景技术
随着互联网技术的发展,产生了海量内容,向用户推荐其感兴趣的个性化内容会有助于极大提升用户的使用体验,也为内容提供者带来巨大的收益。通常,内容运营商每天都会产生大量的新物料。对于物料的冷启动可以使用探索-利用(explore&exploit)方法来执行,即,通过探索(explore)新物料,然后利用(exploit)探索收集到的行为数据(即,exploit算法)去计算优质内容,从而实现内容推荐。为确保用户体验,仅采用小部分流量用于探索新物料,其他大量的流量都采用exploit算法对优质内容做推荐。然而,如果新物料太多,则需要将大量流量做探索,这样将影响线上效果或者导致用户流失;另一方面,用于探索的流量太少又会导致新的物料探索不完,一些优质物料无法发现,同样会影响用户体验。
发明内容
本发明的目的在于提供一种用于物料推荐方法和系统,以解决现有技术中因新物料太多或探索流量不够而导致的推荐效果不佳。
本发明提供了一种物料推荐方法,所述方法包括:确定推荐池的数量n,其中,n为大于或等于3的整数;确定每一级推荐池中对应单个物料的展示流量,使得所述展示流量从第1级推荐池到第n-1级推荐池依次递增;针对特定推荐请求,在所述n级推荐池之中选取候选物料;基于选取的候选物料进行推荐;以及获取与所推荐物料对应的用户行为数据,并且,所述方法还包括按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
在根据发明构思的实施例中,确定推荐池的数量n的步骤可以包括:基于新物料的生成速度和/或流量分配来确定推荐池的数量n,其中,第1级推荐池到第n-1级推荐池对应于“探索-利用”方式中的探索流量,第n级推荐池对应于“探索-利用”方式中的利用流量。
在根据发明构思的实施例中,针对特定推荐请求,在所述n级推荐池之中选取候选物料的步骤可以包括:针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池;以及从确定的至少一个目标推荐池中选取候选物料。
在根据发明构思的实施例中,针对特定推荐请求,在所述n级推荐池之中选取候选物料的步骤可以包括:针对特定推荐请求,综合考虑所述n级推荐池之中的所有物料来选取候选物料。
在根据发明构思的实施例中,基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池的步骤可以包括:基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第i-2级推荐池中的所有接受程度的情况下,所述物料被移出第i-1级推荐池;在所述接受程度没有低于第i级推荐池中的所有接受程度的情况下,所述物料被移入第i级推荐池;否则,所述物料被保留在第i-1级推荐池。
在根据发明构思的实施例中,基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池的步骤可以包括:基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第n-1级推荐池中的所有接受程度的情况下,所述物料被移出第n级推荐池;否则,所述物料被保留在第n级推荐池。
在根据发明构思的实施例中,基于新物料的生成速度和/或流量分配来确定推荐池的数量n的步骤可以包括:基于新物料的生成速度和/或流量分配来动态地确定推荐池的数量n。
在根据发明构思的实施例中,针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池的步骤可以包括:在所述特定推荐请求对应于探索流量的情况下,从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池,并且,在所述特定推荐请求对应于利用流量的情况下,将第n级推荐池确定为目标推荐池。
在根据发明构思的实施例中,在所述特定推荐请求对应于探索流量的情况下,可以通过以下方式之中的至少一种从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池:随机选取目标推荐池、根据与发出推荐请求的用户的特性来选取目标推荐池和根据预设规则选取目标推荐池。
在根据发明构思的实施例中,针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池的步骤可以包括:针对特定推荐请求,根据以下项之一在所述n级推荐池之中确定至少一个目标推荐池:探索流量与利用流量的使用情况、随机选取方式、预设规则选取方式和发出推荐请求的用户的特性。
在根据发明构思的实施例中,从确定的至少一个目标推荐池中选取候选物料的步骤可以包括:在目标推荐池为单个目标推荐池的情况下,从单个目标推荐池中随机选取和/或按照关注指标来选取预定数量的候选物料;和/或在目标推荐池为多个目标推荐池的情况下,分别从各个目标推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。
在根据发明构思的实施例中,基于选取的候选物料进行推荐可以包括:对选取的候选物料进行排序,基于排序结果选出适合推荐的至少一个候选物料,以进行推荐。
在根据发明构思的实施例中,可以基于机器学习模型对选取的候选物料进行排序,并且/或者,可以根据发出推荐请求的用户的特性和/或新物料的关注指标来基于排序结果选出适合推荐的至少一个候选物料。
在根据发明构思的实施例中,探索流量可以与新物料的数量成正比,并且/或者,探索流量可以不超过总流量的十分之一。
在根据发明构思的实施例中,所述用户行为数据可以涉及对推荐的候选物料进行点击、转发、分享、评论、点赞和点踩中的至少一种操作。
在根据发明构思的实施例中,所述物料可以包括以下项之中的至少一项:博客文章、新闻资讯、论坛帖子、视频、短视频、音乐、图片、搞笑段子。
本发明提供了一种物料推荐系统,所述系统包括:推荐池生成单元,确定推荐池的数量n,其中,n为大于或等于3的整数;展示流量确定单元,确定每一级推荐池中对应单个物料的展示流量,使得所述展示流量从第1级推荐池到第n-1级推荐池依次递增;候选物料选取单元,针对特定推荐请求,在所述n级推荐池之中选取候选物料;推荐单元,基于选取的候选物料进行推荐;数据获取单元,获取与所推荐物料对应的用户行为数据;以及筛选单元,按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
在根据发明构思的实施例中,推荐池生成单元可以基于新物料的生成速度和/或流量分配来确定推荐池的数量n,其中,第1级推荐池到第n-1级推荐池对应于“探索-利用”方式中的探索流量,第n级推荐池对应于“探索-利用”方式中的利用流量。
在根据发明构思的实施例中,候选物料选取单元可以针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池;并且从确定的至少一个目标推荐池中选取候选物料。
在根据发明构思的实施例中,候选物料选取单元可以针对特定推荐请求,综合考虑所述n级推荐池之中的所有物料来选取候选物料。
在根据发明构思的实施例中,筛选单元可以基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第i-2级推荐池中的所有接受程度的情况下,将所述物料移出第i-1级推荐池;在所述接受程度没有低于第i级推荐池中的所有接受程度的情况下,将所述物料移入第i级推荐池;否则,将所述物料保留在第i-1级推荐池。
在根据发明构思的实施例中,筛选单元可以基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第n-1级推荐池中的所有接受程度的情况下,所述物料被移出第n级推荐池;否则,所述物料被保留在第n级推荐池。
在根据发明构思的实施例中,推荐池生成单元可以基于新物料的生成速度和/或流量分配来动态地确定推荐池的数量n。
在根据发明构思的实施例中,候选物料选取单元可以在所述特定推荐请求对应于探索流量的情况下,从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池,并且在所述特定推荐请求对应于利用流量的情况下,将第n级推荐池确定为目标推荐池。
在根据发明构思的实施例中,候选物料选取单元可以在所述特定推荐请求对应于探索流量的情况下,通过以下方式之中的至少一种从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池:随机选取目标推荐池、根据与发出推荐请求的用户的特性来选取目标推荐池和根据预设规则选取目标推荐池。
在根据发明构思的实施例中,候选物料选取单元可以针对特定推荐请求,根据以下项之一在所述n级推荐池之中确定至少一个目标推荐池:探索流量与利用流量的使用情况、随机选取方式、预设规则选取方式和发出推荐请求的用户的特性。
在根据发明构思的实施例中,候选物料选取单元可以在目标推荐池为单个目标推荐池的情况下,从单个目标推荐池中随机选取和/或按照关注指标来选取预定数量的候选物料;并且/或者在目标推荐池为多个目标推荐池的情况下,分别从各个目标推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。
在根据发明构思的实施例中,推荐单元可以对选取的候选物料进行排序,基于排序结果选出适合推荐的至少一个候选物料,以进行推荐。
在根据发明构思的实施例中,推荐单元可以基于机器学习模型对选取的候选物料进行排序,并且/或者,可以根据发出推荐请求的用户的特性和/或新物料的关注指标来基于排序结果选出适合推荐的至少一个候选物料。
本发明的另一方面提供了一种计算机可读存储介质,其中,当所述计算机指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的物料推荐方法。
本发明的另一方面提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的物料推荐方法。
根据本发明的一个或多个方面,用于物料推荐方法和/或系统通过增加多级推荐池,能够解决因产生的新物料太多或探索流量不够而导致的推荐效果不佳的问题。进一步地,通过多级推荐池,可以用更少的流量更快地发现优质内容,优化冷启动推荐算法,更快速地实现对优质内容的筛选。
附图说明
从下面结合附图对本公开实施例的详细描述中,本公开的这些和/或其他方面和优点将变得更加清楚并更容易理解,其中:
图1是示出根据本公开的示例性实施例的物料推荐的方法的流程图;
图2是示出根据本公开的示例性实施例的用于物料推荐的系统的框图;以及
图3是示出应用根据本公开的示例性实施例的利用图2中的系统进行物料推荐的环境的示意图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1是示出根据本公开的示例性实施例的物料推荐的方法的流程图。
参照图1,在步骤S10中,可以确定推荐池的数量n,其中,n为大于或等于3的整数。也就是说,至少生成3级推荐池。
根据本发明的示例性实施,可采用任何适当的方式来确定推荐池的数量。作为示例,可以基于新物料的生成速度和/或流量分配来确定推荐池的数量n。这里,物料可指示任何有可能推荐的内容或项目,例如,博客文章、新闻资讯、论坛帖子、视频、短视频、音乐、图片、搞笑段子等。
这里,作为示例,可通过统计特定时段生成的总物料数量来估算新物料的生成速度。例如,若在特定时段(如,一日)产生的新物料数量为1万,则可以将n确定为3,从而生成3级推荐池;若在特定时段(如,一日)产生的新物料数量为10万,则可以将n确定为4,从而生成4级推荐池。需要说明的是,这里的数值仅是举例,并不限制本发明的范围。
根据本发明的示例性实施例,可以基于流量分配来确定推荐池的数量n。这里,流量分配是指将用户请求对应的流量划分为“探索-利用”方式中的探索流量和利用流量。其中,利用(exploit)是对用户比较确定的兴趣,要利用开采迎合;然而,若仅利用用户已知的兴趣使用,用户很快会重复和厌烦,因此需要不断探索(explore)用户对新物料的兴趣。前者可以获得稳定的效果,但是不一定是最优的,后者可能会得到更优的效果,但是也可能得到一个不如以前方法的效果。因此,探索流量与利用流量之间的分配需要根据具体情况进行平衡。一方面,新物料的数量越多,则需要更多的探索流量对新物料进行探索;另一方面,探索流量过多则会影响用户体验。
在实施例中,如果分配的探索流量(即,“探索-利用”方式中的探索流量)比较高,则可设置相对较少的推荐池,而如果分配的探索流量比较低,则可设置相对较多的推荐池。
推荐池中,可将第1级推荐池到第n-1级推荐池对应于“探索-利用”方式中的探索流量,并将第n级推荐池对应于“探索-利用”方式中的利用流量。
在具体的实施例中,探索流量与新物料的数量成正比,并且/或者,探索流量不超过包括探索流量和利用流量的总流量的十分之一。上述两种方面可结合采用,例如,不妨假设总流量为5000万,当日预期产生的新物料数量为1万,那么,在本实施例中,探索流量可以为325万,利用流量可以为4675万。
在另一实施例中,若新物料数量增加至1.2万且其它条件不变,那么探索流量可以增加至390万,利用流量增加至4610万,即,探索流量可以与新物料的数量成正比。在又一实施例中,若新物料数量增加至2万,那么可以通过调整其它条件将探索流量控制在500万内,利用流量为4500万,即,探索流量不超过总流量的十分之一。
这里,还可将以上描述的基于新物料产生速度确定推荐池数量和基于总流量大小确定推荐池数量的这两种方式进行结合,综合确定适当的推荐池数量。
在步骤S20中,可以确定每一级推荐池中对应单个推荐物料的展示流量,使得所述展示流量从第1级推荐池到第n级推荐池依次递增。
这里,可确定每一级推荐池针对其中单个推荐物料的展示流量,使得与探索流量对应的推荐池中,随着级别的增长,对应的展示流量增长,而与利用流量对应的推荐池所对应的展示流量最大。
例如,在示例实施例中,假设已经确定总共有3级推荐池,第1级推荐池对应单个推荐物料的展示流量可以为100,第2级推荐池对应单个推荐物料的展示流量可以为4500,第3级推荐池对应单个推荐物料的展示流量可以大于第2级推荐池对应单个推荐物料的展示流量。具体说来,总流量若为5000万,当日预期产生的新物料数量为1万,且简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,那么,在本实施例中,探索流量为325万,利用流量为4675万。在另一实施例中,若新物料数量增加至1.2万且其它条件不变,那么探索流量为390万,利用流量为4610万,即,探索流量可以与新物料的数量成正比。需要说明的是,虽然示例中第2级推荐池中的新物料数量为第1级推荐池的5%,但是,这里示出的百分比仅是为了便于描述,不限制本发明的技术构思。在其它示例实施例中,可以选择其它的比例关系或者不受特定比例关系的限制。
又例如,在总共4级推荐池的示例中,第1级推荐池对应单个推荐物料的展示流量可以为100,第2级推荐池对应单个推荐物料的展示流量可以为200,第3级推荐池对应单个推荐物料的展示流量可以为4500,第4级推荐池对应单个推荐物料的展示流量可以大于第3级推荐池对应单个推荐物料的展示流量。
在示例实施例中,除了新物料的数量之外,所述方法还可以不断地得到用户请求对应的总流量,并根据总流量的变化和新物料的生成速度再次执行步骤S10和步骤S20,从而动态调整推荐池的级数n以及每一级推荐池中对应单个推荐物料的展示流量。例如,在实施例中,随着新物料的生成速度加快和/或分配的探索流量的减小而动态地增加推荐池的数量(例如,增加一级推荐池),或者随着新物料的生成速度降低和/或分配的探索流量的增大而动态地减少推荐池的数量(例如,减少一级推荐池)。另外,还可以基于经验或者历史上看比较稳定的数据相对固定地确定推荐池的数量n。
例如,当新物料的数量增大时,可以增加一级推荐池并适当调整每一级对应的展示流量。如上所述的3级推荐池的示例中,可以将3级推荐池调整为4级推荐池。作为示例,总流量若为5000万,当日预期产生的新物料数量为1万,已经确定总共有3级推荐池,其中,第1级推荐池的展示流量可以为100,第2级推荐池的展示流量可以为4500,且仍简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,那么,按照预期产生的探索流量为325万,利用流量为4675万。然而,当实际产生的新物料数增大,例如增大至2万时,若探索流量按照正比增加一倍至650万,则会超过了总流量的十分之一并因此影响用户体验。针对这一问题,在示例实施例中,可在步骤S10,基于获得的新物料数量和总流量,将3级推荐池调整为4级推荐池,并且在步骤S20,可以将第1级推荐池对应单个推荐推荐物料的展示流量调整为100,第2级推荐池中的展示流量可以调整为300,第3级推荐池中的展示流量可以调整为4600,仍简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,第3级推荐池中的新物料数量为第2级推荐池中的新物料数量的5%。通过这样方式,调整后总共4级推荐池所需的探索流量为253万,从而以较少的探索流量探索尽可能多的新物料。需要说明的是,这里的具体数值仅是为使发明构思清楚而进行的举例,并不限制本发明的范围。在上述实施例中,仅示出了新物料数量增大的情况,相对地,当新物料数量减少时,可以减少一级推荐池并适当调整每一级对应的展示流量。具体的方法可以与上述实施例相同或相似,在这里将省略其重复的描述。
另一方面,在上述实施例均假定总流量不变。相比之下,在总流量发生变化时可以参照上述实施例对推荐池的总级数和每一级对应的展示流量作出调整。例如,实时总流量小于预期总流量的情况与新物料数量增大的情况相同或相似,因此,可以参照上述实施例,对推荐池的总级数和每一级对应的展示流量作出调整。
接下来,在步骤S30中,可以针对特定推荐请求,在所述n级推荐池之中选取候选物料。
在示例实施例中,可以针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池;以及从确定的至少一个目标推荐池中选取候选物料。这里,目标推荐池可以是单个推荐池,也可以是多个推荐池。
在目标推荐池为单个推荐池的情况下,作为示例,在所述特定推荐请求对应于探索流量的情况下,可从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池,并且,在所述特定推荐请求对应于利用流量的情况下,可将第n级推荐池确定为目标推荐池。具体说来,在所述特定推荐请求对应于探索流量的情况下,通过以下方式之中的至少一种从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池:随机选取目标推荐池、根据与发出推荐请求的用户的特性来选取目标推荐池和根据预设规则选取目标推荐池。通过上述方式,可将随机挑选或根据预设规则挑选的推荐池作为目标推荐池,或者,也可结合将针对其推荐物料的用户(即,推荐请求的用户)的特性来选取目标推荐池。
这里,作为示例,发出推荐请求的用户的特性可以包括但不限于用户自身的属性,例如,用户的性别、用户的年龄、用户的ID、用户点击过的推荐内容的集合、用户点击过的推荐内容发布方的集合等等。另外,所述用户的特性还可以包括与环境有关的属性信息,例如,与用户和/或其他关联方所处环境相关的特征信息。作为示例,与环境有关的属性信息可以为展示候选内容的浏览器版本、展示候选内容的终端设备的类别(例如,台式机、平板电脑、智能手机)、终端设备的型号、天气、季节、近期热点事件等。
在目标推荐池为至少一个推荐池(例如,一个或多个推荐池)的情况下,可以针对特定推荐请求根据以下项之一在所述n级推荐池之中确定至少一个目标推荐池:探索流量与利用流量的使用情况、随机选取方式、预设规则选取方式和发出推荐请求的用户的特性。例如,探索流量与利用流量的使用情况可指示分别使用了多少探索流量和多少利用流量,这里既可以包括过去一段时间和/或当前的使用情况,也可以包括预估的将来可能的使用情况。
在示例实施例中,从确定的至少一个目标推荐池中选取候选物料的步骤可以包括:在目标推荐池为单个目标推荐池的情况下,从单个目标推荐池中随机选取和/或按照关注指标来选取预定数量的候选物料;和/或在目标推荐池为多个目标推荐池的情况下,分别从各个目标推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。此外,针对特定推荐请求,可以综合考虑所述n级推荐池之中的所有物料来选取候选物料。例如,可以采用将全部n级推荐池作为整体,从n级推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。这里,关注指标是指用于筛选出接下来将有可能进行推荐的候选物料的依据,例如,关注指标可以包括但不限于新物料的ID、类别、标题、摘要、关键词、新物料产生的地理位置等。
在所述n级推荐池之中选取候选物料之后,在步骤S40中,基于选取的候选物料进行推荐。这里,可针对全部选取的候选物料进行推荐,或者,也可以仅针对一部分选取的候选物料进行推荐。在进行推荐时,所述方法可直接将物料推荐给用户,也可以通过相关方将物料推荐给用户。
在示例实施例中,可以对选取的候选物料进行排序,基于排序结果选出适合推荐的至少一个候选物料,按照针对所述至少一个目标推荐池所确定的展示流量,对选出的至少一个候选物料进行推荐。可选地,可以基于机器学习模型对选取的候选物料进行排序,并且/或者,根据发出推荐请求的用户的特性和/或新物料的关注指标来基于排序结果选出适合推荐的至少一个候选物料。
作为示例,上述机器学习模型可以是预测用户对候选物料的接受情况的模型,训练机器学习模型的方法可以包括数据拼接、特征抽取、利用预设机器学习算法进行模型训练(包括参数调优等过程)等步骤。作为示例,所采用的机器学习算法可以是例如神经网络、支持向量机、决策树、逻辑回归等各种机器学习方法。并且,机器学习模型可以是任何类型的机器学习模型,例如,逻辑回归(LR)模型、支持向量机(SVM)、梯度提升决策树或深度神经网络等,但不限于此。应注意,本公开的示例性实施例对具体的机器学习算法并不进行特定限制。此外,还应注意,在训练和应用模型的过程中,还可结合统计算法等其他手段。
在步骤S50中,可以获取与所推荐物料对应的用户行为数据。这里,所述用户行为数据可表示用户针对其被推荐物料的接受程度。作为示例,所述用户行为数据涉及对推荐的候选物料进行点击、转发、分享、评论、点赞和点踩中的至少一种操作。这里,所述用户行为数据可根据其表示的含义而被划分为正向行为、负向行为和/或中性行为。
由此可以看出,对于实际推荐的物料,所述方法会持续获取用户对其的接受程度。这里,可以实时获取用户行为数据。另外,可直接从用户获取用户行为数据,也可通过其他方来获取用户行为数据。
所述方法还包括在各个推荐池中调配物料的步骤S60。这里,应理解,新物料的生成是持续不断发生的,相应地,选取候选物料并对其进行推荐也是持续不断进行的,用户行为数据的获取也是持续的。因此,这里描述的在各个推荐池中调配物料的步骤S60并不仅在步骤S50后执行,进一步地说,步骤S10-步骤S60之间并不具有严格的执行顺序。具体说来,步骤S60按照以下方式执行:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
作为示例,每次有新的物料引入,可首先将其放入第1级推荐池。假设第i-1级推荐池中的展示流量为预定值,例如,预定值可以是300,那么当所述物料的展示流量达到预定值(例如,300)时,统计与所述物料对应的用户行为数据。进一步地,基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第i-2级推荐池中的所有接受程度的情况下,所述物料被移出第i-1级推荐池;在所述接受程度没有低于第i级推荐池中的所有接受程度的情况下,所述物料被移入第i级推荐池;否则,所述物料被保留在第i-1级推荐池。
在另一示例中,若对应于利用流量的第n级推荐池中的物料的展示流量达到预定值(例如,10000)时,则统计与所述物料对应的用户行为数据。在示例实施例中,基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第n-1级推荐池中的所有接受程度的情况下,所述物料被移出第n级推荐池;否则,所述物料被保留在第n级推荐池。这里示出的数值仅是为了便于表述,并不限制发明构思的范围。
综上,通过步骤S60,可以根据在步骤S50中收集的用户行为数据,衡量出物料在被推荐时的实际受欢迎程度(即,接受程度),并将比较受欢迎的物料放入其下一级推荐池(针对第1级推荐池到第n-1级推荐池的情况)、保留在当前推荐池并且/或者将比较不受欢迎的物料去除掉。
在本公开提供的示例实施例中,通过使用多级推荐池,并使得每一级推荐池中对应单个推荐物料的展示流量从第1级推荐池到第n级推荐池依次递增,从而可以仅以较少的展示流量对位于初级推荐池(例如,第1级推荐池)中的新物料进行探索,并初步确定其质量,然后将优质内容筛选出来进入下一级推荐池(例如,第2级推荐池)。通过这种方式,可以在随后的推荐池中逐渐达到置信度(例如,特定的展示流量)。因此,可以解决因产生的新物料太多或探索流量不够而导致的推荐效果不佳。进一步地,通过所述特定的多级推荐池,可以用更少的流量更快地发现优质内容。
其外,如上描述的算法可以应用于各种推荐算法,作为示例,推荐算法包括但不限于ε-贪婪算法(Epsilon-Greedy)、Topmpson sampling,UCB算法(Upper ConfidenceBound)等。
图2是示出根据本公开的示例性实施例的用于物料推荐的系统10的框图。这里,作为示例,可由图2所示的系统10来执行图1所示的方法。
如图2所示,系统10可以是使用改进的探索-利用方法来执行推荐的系统。系统10可以包括:推荐池生成单元210、展示流量确定单元220、候选物料选取单元230、推荐单元240、数据获取单元250和筛选单元260。
推荐池生成单元210可以确定推荐池的数量n,其中,n为大于或等于3的整数。也就是说,至少生成3级推荐池。
根据本发明的示例性实施,可以采用任何适当的方式来确定推荐池的数量n,以得到n级推荐池R1、R2、……、Rn。作为示例,推荐池生成单元210可以基于新物料的生成速度和/或流量分配来确定推荐池的数量n。在示例实施例中,这里,物料可指示任何有可能推荐的内容或项目,例如,博客文章、新闻资讯、论坛帖子、视频、短视频、音乐、图片、搞笑段子等。新物料的获得方式可以包括直接/间接从物料生成方获取物料,包括但不限于经由作者上传、作者发布、他人转载、检索对应的数据库和/或从相关媒体/媒介获取等。
作为示例,推荐池生成单元210可通过统计特定时段生成的总物料数量来估算新物料的生成速度。例如,若在特定时段(如,一日)产生的新物料数量为1万,则可以将n确定为3,从而生成3级推荐池;若在特定时段(如,一日)产生的新物料数量为10万,则可以将n确定为4,从而生成4级推荐池。需要说明的是,这里的数值仅是举例,并不限制本发明的范围。
根据本发明的示例性实施例,推荐池生成单元210可以基于流量分配来确定推荐池的数量n。这里,流量分配是指将用户请求对应的流量划分为“探索-利用”方式中的探索流量和利用流量。关于“探索-利用”方式已经在上文中进行详细描述,在此不再赘述。
在实施例中,如果分配的探索流量比较高,则推荐池生成单元210可设置相对较少的推荐池,而如果分配的探索流量比较低,则推荐池生成单元210可设置相对较多的推荐池。
推荐池中,第1级推荐池到第n-1级推荐池对应于“探索-利用”方式中的探索流量,第n级推荐池对应于“探索-利用”方式中的利用流量。
系统10可将用户请求对应的流量划分为“探索-利用”方式中的探索流量和利用流量,在具体的实施例中,探索流量与新物料的数量成正比,并且/或者,探索流量不超过包括探索流量和利用流量的总流量的十分之一。系统10可结合采用上述两方面。例如,不妨假设总流量为5000万,当日预期产生的新物料数量为1万,那么,在本实施例中,探索流量可以为325万,利用流量可以为4675万。在另一实施例中,若新物料数量增加至1.2万且其它条件不变,那么探索流量可以增加至390万,利用流量增加至4610万,即,探索流量可以与新物料的数量成正比。在又一实施例中,若新物料数量增加至2万,那么可以通过调整其它条件将探索流量控制在500万内,利用流量为4500万,即,探索流量不超过总流量的十分之一。
这里,推荐池生成单元210还可将以上描述的基于新物料产生速度确定推荐池数量和基于总流量大小确定推荐池数量的这两种方式进行结合,综合确定适当的推荐池数量。
展示流量确定单元220可以确定每一级推荐池中对应单个推荐物料的展示流量,使得所述展示流量从第1级推荐池R1到第n级推荐池Rn依次递增。
这里,展示流量确定单元220可确定每一级推荐池针对其中单个推荐物料的展示流量,使得与探索流量对应的推荐池中,随着级别的增长,对应的展示流量增长,而与利用流量对应的推荐池所对应的展示流量最大。
例如,在示例实施例中,假设推荐池生成单元210已经生成总共有3级推荐池,展示流量确定单元220可以确定第1级推荐池对应单个推荐物料的展示流量为100,第2级推荐池对应单个推荐物料的展示流量为4500,第3级推荐池对应单个推荐物料的展示流量大于第2级推荐池对应单个推荐物料的展示流量。具体说来,总流量若为5000万,当日预期产生的新物料数量为1万,且简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,那么,在本实施例中,展示流量确定单元220可以确定探索流量为325万,利用流量为4675万。在另一实施例中,若新物料数量增加至1.2万且其它条件不变,那么展示流量确定单元220可以确定探索流量为390万,利用流量为4610万,即,探索流量可以与新物料的数量成正比。需要说明的是,虽然示例中展示流量确定单元220可以确定第2级推荐池中的新物料数量为第1级推荐池的5%,但是,这里示出的百分比仅是为了便于描述,不限制本发明的技术构思。在其它示例实施例中,展示流量确定单元220可以确定其它的比例关系或者不受特定比例关系的限制。
又例如,在推荐池生成单元210生成总共4级推荐池的示例中,展示流量确定单元220可以确定第1级推荐池对应单个推荐物料的展示流量为100,第2级推荐池对应单个推荐物料的展示流量为200,第3级推荐池对应单个推荐物料的展示流量为4500,第4级推荐池对应单个推荐物料的展示流量可以大于第3级推荐池对应单个推荐物料的展示流量。
在示例实施例中,除了新物料的数量之外,系统10还可以不断地得到用户请求对应的总流量,并且推荐池生成单元210和展示流量确定单元220可以根据总流量的变化和新物料的生成速度再次执行操作,从而动态调整推荐池的级数n以及每一级推荐池中对应单个推荐物料的展示流量。例如,在实施例中,随着新物料的生成速度加快和/或分配的探索流量的减小,推荐池生成单元210动态地增加推荐池的数量(例如,增加一级推荐池),或者随着新物料的生成速度降低和/或分配的探索流量的增大,推荐池生成单元210动态地减少推荐池的数量(例如,减少一级推荐池)。另外,推荐池生成单元210还可以基于经验或者历史上看比较稳定的数据相对固定地确定推荐池的数量n。
例如,当新物料的数量增大时,推荐池生成单元210可以增加一级推荐池,展示流量确定单元220可以适当调整每一级对应的展示流量。如上所述的3级推荐池的示例中,推荐池生成单元210可以将3级推荐池调整为4级推荐池。作为示例,总流量若为5000万,当日预期产生的新物料数量为1万,推荐池生成单元210已经生成总共有3级推荐池,其中,展示流量确定单元220确定第1级推荐池的展示流量为100,第2级推荐池的展示流量为4500,且仍简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,那么,按照预期产生的探索流量为325万,利用流量为4675万。然而,当实际产生的新物料数增大,例如增大至2万时,若探索流量按照正比增加一倍至650万,则会超过了总流量的十分之一并因此影响用户体验。针对这一问题,在示例实施例中,推荐池生成单元210可以基于获得的新物料数量和总流量,将3级推荐池调整为4级推荐池,并且展示流量确定单元220可以将第1级推荐池对应单个推荐推荐物料的展示流量调整为100,第2级推荐池中的展示流量可以调整为300,第3级推荐池中的展示流量可以调整为4600,仍简单假设第2级推荐池中的新物料数量为第1级推荐池的5%,第3级推荐池中的新物料数量为第2级推荐池中的新物料数量的5%。通过这样方式,调整后总共4级推荐池所需的探索流量为253万,从而以较少的探索流量探索尽可能多的新物料。需要说明的是,这里的具体数值仅是为使发明构思清楚而进行的举例,并不限制本发明的范围。在上述实施例中,仅示出了新物料数量增大的情况,相对地,当新物料数量减少时,推荐池生成单元210可以减少一级推荐池并且展示流量确定单元220可以适当调整每一级对应的展示流量。执行推荐池生成单元210和展示流量确定单元220的操作可以与上述实施例相同或相似,在这里将省略其重复的描述。
另一方面,在上述实施例均假定总流量不变。相比之下,在总流量发生变化时可以参照上述实施例对推荐池的总级数和每一级对应的展示流量作出调整。例如,实时总流量小于当日预期总流量的情况与新物料数量增大的情况相同或相似,因此,可以参照上述实施例,对推荐池的总级数和每一级对应的展示流量作出调整。
接下来,候选物料选取单元230可以针对特定推荐请求在所述n级推荐池之中选取候选物料CR。
在示例实施例中,候选物料选取单元230可以针对特定推荐请求在所述n级推荐池之中确定至少一个目标推荐池;并且可以从确定的至少一个目标推荐池中选取候选物料。这里,目标推荐池可以是单个推荐池,也可以是多个推荐池。
在目标推荐池为单个推荐池的情况下,作为示例,在所述特定推荐请求对应于探索流量的情况下,候选物料选取单元230可从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池,并且,在所述特定推荐请求对应于利用流量的情况下,候选物料选取单元230可将第n级推荐池确定为目标推荐池。具体说来,候选物料选取单元230在所述特定推荐请求对应于探索流量的情况下,通过以下方式之中的至少一种从第1级推荐池到第n-1级推荐池之中确定单个目标推荐池:随机选取目标推荐池、根据与发出推荐请求的用户的特性来选取目标推荐池和根据预设规则选取目标推荐池。通过上述方式,候选物料选取单元230可将随机挑选或根据预设规则挑选的推荐池作为目标推荐池,或者,候选物料选取单元230也可结合将针对其推荐物料的用户(即,推荐请求的用户)的特性来选取目标推荐池。
这里,作为示例,发出推荐请求的用户的特性可以包括但不限于用户自身的属性,例如,用户的性别、用户的年龄、用户的ID、用户点击过的推荐内容的集合、用户点击过的推荐内容发布方的集合等等。另外,所述用户的特性还可以包括与环境有关的属性信息,例如,与用户和/或其他关联方所处环境相关的特征信息。作为示例,与环境有关的属性信息可以为展示候选内容的浏览器版本、展示候选内容的终端设备的类别(例如,台式机、平板电脑、智能手机)、终端设备的型号、天气、季节、近期热点事件等。
在目标推荐池为至少一个推荐池(例如,一个或多个推荐池)的情况下,候选物料选取单元230可以针对特定推荐请求根据以下项之一在所述n级推荐池之中确定至少一个目标推荐池:探索流量与利用流量的使用情况、随机选取方式、预设规则选取方式和发出推荐请求的用户的特性。例如,探索流量与利用流量的使用情况可指示分别使用了多少探索流量和多少利用流量,这里既可以包括过去一段时间和/或当前的使用情况,也可以包括预估的将来可能的使用情况。
在示例实施例中,候选物料选取单元230在目标推荐池为单个目标推荐池的情况下,从单个目标推荐池中随机选取和/或按照关注指标来选取预定数量的候选物料;并且/或者在目标推荐池为多个目标推荐池的情况下,分别从各个目标推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。此外,针对特定推荐请求,候选物料选取单元230可以综合考虑所述n级推荐池之中的所有物料来选取候选物料。例如,候选物料选取单元230可以采用将全部n级推荐池作为整体,从n级推荐池中随机选取和/或按照关注指标来选取总数为预定数量的候选物料。这里,关注指标是指用于筛选出接下来将有可能进行推荐的候选物料的依据,例如,关注指标可以包括但不限于新物料的ID、类别、标题、摘要、关键词、新物料产生的地理位置等。
在候选物料选取单元230从所述n级推荐池之中选取候选物料之后,推荐单元240基于选取的候选物料进行推荐。这里,推荐单元240可针对全部选取的候选物料进行推荐,或者,推荐单元240也可以仅针对一部分选取的候选物料进行推荐。在进行推荐时,推荐单元240可直接将物料推荐给用户,也可以通过相关方(未示出)将物料推荐给用户。
在示例实施例中,推荐单元240可以对选取的候选物料进行排序,基于排序结果选出适合推荐的至少一个候选物料,按照针对所述至少一个目标推荐池所确定的展示流量,对选出的至少一个候选物料进行推荐。可选地,推荐单元240可以基于机器学习模型对选取的候选物料进行排序,并且/或者,根据发出推荐请求的用户的特性和/或新物料的关注指标来基于排序结果选出适合推荐的至少一个候选物料。
作为示例,上述机器学习模型可以是预测用户对候选物料的接受情况的模型,训练机器学习模型的方法可以包括数据拼接、特征抽取、利用预设机器学习算法进行模型训练(包括参数调优等过程)等步骤。作为示例,所采用的机器学习算法可以是例如神经网络、支持向量机、决策树、逻辑回归等各种机器学习方法。并且,机器学习模型可以是任何类型的机器学习模型,例如,逻辑回归(LR)模型、支持向量机(SVM)、梯度提升决策树或深度神经网络等,但不限于此。应注意,本公开的示例性实施例对具体的机器学习算法并不进行特定限制。此外,还应注意,在训练和应用模型的过程中,还可结合统计算法等其他手段。
数据获取单元250可以获取与所推荐物料对应的用户行为数据。这里,所述用户行为数据可表示用户针对其被推荐物料的接受程度。作为示例,所述用户行为数据涉及对推荐的候选物料进行点击、转发、分享、评论、点赞和点踩中的至少一种操作。这里,所述用户行为数据可根据其表示的含义而被划分为正向行为、负向行为和/或中性行为。
由此可以看出,对于实际推荐的物料,数据获取单元250会持续获取用户对其的接受程度。这里,数据获取单元250可以实时获取用户行为数据。另外,数据获取单元250可直接从用户获取用户行为数据,也可通过其他方来获取用户行为数据。
系统10还包括在各个推荐池中调配物料的筛选单元260。这里,应理解,新物料的生成是持续不断发生的,相应地,候选物料选取单元230选取候选物料并由推荐单元240对其进行推荐也是持续不断进行的,数据获取单元250获取用户行为数据也是持续的。具体说来,筛选单元260按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
作为示例,每次有新的物料引入,筛选单元260可首先将其放入第1级推荐池。假设第i-1级推荐池中的展示流量为预定值,例如,预定值可以是300,那么当所述物料的展示流量达到预定值(例如,300)时,筛选单元260统计与所述物料对应的用户行为数据。进一步地,筛选单元260基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第i-2级推荐池中的所有接受程度的情况下,将所述物料移出第i-1级推荐池;在所述接受程度没有低于第i级推荐池中的所有接受程度的情况下,将所述物料移入第i级推荐池;否则,将所述物料保留在第i-1级推荐池。
在另一示例中,若对应于利用流量的第n级推荐池中的物料的展示流量达到预定值(例如,10000)时,则筛选单元260统计与所述物料对应的用户行为数据。在示例实施例中,筛选单元260基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第n-1级推荐池中的所有接受程度的情况下,将所述物料移出第n级推荐池;否则,将所述物料保留在第n级推荐池。这里示出的数值仅是为了便于表述,并不限制发明构思的范围。
综上,通过筛选单元260,可以根据数据获取单元250收集的用户行为数据,衡量出物料在被推荐时的实际受欢迎程度(即,接受程度),并将比较受欢迎的物料放入其下一级推荐池(针对第i-1级推荐池的情况,其中2≤i≤n)、保留在当前推荐池并且/或者将比较不受欢迎的物料去除掉。
在本公开提供的示例实施例中,推荐池生成单元210生成多级推荐池R1、R2、……、Rn,展示流量确定单元220设定每一级推荐池中针对单个推荐物料的展示流量从第1级推荐池R1到第n级推荐池Rn依次递增,从而使得系统10可以仅以较少的展示流量对位于初级推荐池(例如,第1级推荐池R1)中的新物料进行探索,并初步确定其质量。基于与参照图1描述的方法类似的发明构思,系统10可以解决因产生的新物料太多或探索流量不够而导致的推荐效果不佳的问题,并且可以用更少的流量更快地发现优质内容。
图3是示出应用根据本公开的示例性实施例的利用图1中的系统10进行物料推荐的环境的示意图。应注意该附图中示出的场景仅为示例,而绝不可用于限制本发明的示例性实施例。
图3所示的环境可以包括用于物料推荐的系统10、网络20以及用户终端30和40。这里,应注意,用户终端30和用户终端40分别可指代多个终端。
其中,系统10可以是上面参照图1至图2描述的系统10,该系统10可以部署在经营物料分发的媒体、运营商等实体的IT设施上,也可部署在专门提供推荐服务的实体的IT设施上。网络20可以包括路由、交换机、服务器、云服务器等。用户终端30和40可以包括可以访问网络20的任何类型的电子产品,诸如蜂窝电话、智能电话、平板计算机、可穿戴装置、个人数字助理(PDA)、便携式多媒体播放器(PMP)、数字相机、音乐播放器、便携式游戏控制台、导航系统、数字电视、3D电视、个人计算机(PC)、家用电器、膝上型计算机等。用户终端30和40还可以是台式计算机、工作站计算机或服务器。用户终端30和40通过以太网协议、基于互联网协议(IP)的协议、基于传输控制协议(TCP)的协议、基于用户数据报协议(UDP)的协议、基于远程直接内存访问(RDMA)协议的协议以及基于NVMe-oF协议的协议或它们的组合来访问网络20和/或网络20中的服务器。
进一步地将,用户终端30可以是新物料提供方,并将新物料上传至网络20和/或网络20中的服务器。用户终端40可以向网络20和/或网络20中的服务器发出推荐请求,随后网络20和/或网络20中的服务器向系统10转发推荐请求,以及/或者用户终端40可以直接向系统10发出推荐请求。
在系统10收到推荐请求后,可以基于存储于自身内部、网络20和/或网络20中的服务器中的物料来生成推荐列表。生成推荐列表的方法可以与上面参照图1和图2描述的方法相同,在此不再赘述。
系统10生成推荐列表之后,可直接或经由第三方,通过网络20向用户终端40提供推荐的物料。
根据本发明示例性实施例的用于物料推荐的系统所包括的各单元可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些装置可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些装置所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
在本发明示例性实施例中还提出一种用于物料推荐的计算装置。所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的用于物料推荐的方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的用于物料推荐的方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
例如,如上所述,提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如参照图1描述的步骤S10~S70。
也就是说,可由上述的计算装置来执行图1所示的用于物料推荐的方法。由于上述在图1和图2中已经对用于物料推荐的方法进行了详细介绍,本发明对此部分的内容不再赘述。
可选地,上述用于物料推荐的系统和计算装置可被集成在内容运营方的服务器中,例如,可被集成在提供物料的应用程序的服务器中。除此之外,也可以可被集成在第三方服务器中以获得将新物料推荐给用户的推荐列表,再由内容运营方来根据推荐列表向用户进行推荐(例如,由第三方服务器提供的API接口)。
应理解,根据本发明示例性实施例的用于物料推荐的方法可通过记录在计算可读介质上的程序来实现,例如,根据本发明的示例性实施例,可提供一种存储指令的计算机可读介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如参照图1描述的步骤S10~S70。
上述计算机可读介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经参照图1和图2进行了描述,这里为了避免重复将不再进行赘述。
应注意,根据本发明示例性实施例的用于物料推荐的系统可完全依赖计算机程序的运行来实现相应的功能,即,各个装置与计算机程序的功能架构中与各步骤相应,使得整个系统通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,根据本发明示例性实施例的用于物料推荐的系统所包括的各个单元也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
以上描述了本发明的各示例性实施例,应理解,上述描述仅是示例性的,并非穷尽性的,本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的范围为准。
Claims (10)
1.一种物料推荐方法,其特征在于,包括:
确定推荐池的数量n,其中,n为大于或等于3的整数;
确定每一级推荐池中对应单个物料的展示流量,使得所述展示流量从第1级推荐池到第n-1级推荐池依次递增;
针对特定推荐请求,在所述n级推荐池之中选取候选物料;
基于选取的候选物料进行推荐;以及
获取与所推荐物料对应的用户行为数据,
并且,所述方法还包括按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
2.如权利要求1所述的物料推荐方法,其中,确定推荐池的数量n的步骤包括:基于新物料的生成速度和/或流量分配来确定推荐池的数量n,其中,第1级推荐池到第n-1级推荐池对应于“探索-利用”方式中的探索流量,第n级推荐池对应于“探索-利用”方式中的利用流量。
3.如权利要求2所述的物料推荐方法,其中,针对特定推荐请求,在所述n级推荐池之中选取候选物料的步骤包括:针对特定推荐请求,在所述n级推荐池之中确定至少一个目标推荐池;以及从确定的至少一个目标推荐池中选取候选物料。
4.如权利要求2所述的物料推荐方法,其中,针对特定推荐请求,在所述n级推荐池之中选取候选物料的步骤包括:针对特定推荐请求,综合考虑所述n级推荐池之中的所有物料来选取候选物料。
5.如权利要求1所述的物料推荐方法,其中,基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池的步骤包括:
基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第i-2级推荐池中的所有接受程度的情况下,所述物料被移出第i-1级推荐池;在所述接受程度没有低于第i级推荐池中的所有接受程度的情况下,所述物料被移入第i级推荐池;否则,所述物料被保留在第i-1级推荐池。
6.如权利要求1所述的物料推荐方法,其中,基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池的步骤包括:
基于统计结果得到用户对所述物料的接受程度,在所述接受程度没有高于第n-1级推荐池中的所有接受程度的情况下,所述物料被移出第n级推荐池;否则,所述物料被保留在第n级推荐池。
7.如权利要求2所述的物料推荐方法,其中,基于新物料的生成速度和/或流量分配来确定推荐池的数量n的步骤包括:基于新物料的生成速度和/或流量分配来动态地确定推荐池的数量n。
8.一种物料推荐系统,其特征在于,所述系统包括:
推荐池生成单元,确定推荐池的数量n,其中,n为大于或等于3的整数;
展示流量确定单元,确定每一级推荐池中对应单个物料的展示流量,使得所述展示流量从第1级推荐池到第n-1级推荐池依次递增;
候选物料选取单元,针对特定推荐请求,在所述n级推荐池之中选取候选物料;
推荐单元,基于选取的候选物料进行推荐;
数据获取单元,获取与所推荐物料对应的用户行为数据;以及
筛选单元,按照以下方式在各个推荐池中调配物料:将持续产生的新物料放入第1级推荐池;针对第i-1级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第i-1级推荐池中移出、保留在第i-1级推荐池还是移入第i级推荐池;并且,针对第n级推荐池中的物料,以对应的展示流量为单位来统计与所述物料对应的用户行为数据,并基于统计结果来确定将所述物料从第n级推荐池中移出还是保留在第n级推荐池,其中,i为大于或等于2且小于n的任一整数。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令,当所述计算机指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1至7中任一项所述的物料推荐方法。
10.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1至7中任一项所述的物料推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311757.5A CN111831891A (zh) | 2019-04-18 | 2019-04-18 | 物料推荐方法和系统 |
PCT/CN2020/085347 WO2020211840A1 (zh) | 2019-04-18 | 2020-04-17 | 物料推荐方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311757.5A CN111831891A (zh) | 2019-04-18 | 2019-04-18 | 物料推荐方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111831891A true CN111831891A (zh) | 2020-10-27 |
Family
ID=72837033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311757.5A Pending CN111831891A (zh) | 2019-04-18 | 2019-04-18 | 物料推荐方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111831891A (zh) |
WO (1) | WO2020211840A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435091B (zh) * | 2020-11-23 | 2024-03-29 | 百果园技术(新加坡)有限公司 | 推荐内容的选择方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8869211B2 (en) * | 2012-10-30 | 2014-10-21 | TCL Research America Inc. | Zoomable content recommendation system |
CN103810030B (zh) * | 2014-02-20 | 2017-04-05 | 北京奇虎科技有限公司 | 一种基于移动终端应用市场的应用推荐方法、装置及系统 |
CN108809751B (zh) * | 2018-04-23 | 2020-10-23 | 微梦创科网络科技(中国)有限公司 | 一种策略测试方法及装置 |
CN109614301B (zh) * | 2018-11-19 | 2024-01-26 | 微梦创科网络科技(中国)有限公司 | 一种信息的评估方法和装置 |
CN109284445B (zh) * | 2018-12-11 | 2020-12-29 | 北京达佳互联信息技术有限公司 | 网络资源的推荐方法、装置、服务器及存储介质 |
-
2019
- 2019-04-18 CN CN201910311757.5A patent/CN111831891A/zh active Pending
-
2020
- 2020-04-17 WO PCT/CN2020/085347 patent/WO2020211840A1/zh active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020211840A1 (zh) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2720899C2 (ru) | Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
US10397359B2 (en) | Streaming media cache for media streaming service | |
WO2018090793A1 (zh) | 多媒体推荐方法和装置 | |
US20180375949A1 (en) | Provisioning personalized content recommendations | |
WO2017071251A1 (zh) | 信息推送方法和装置 | |
JP6050327B2 (ja) | 動的な画像表示領域およびウェブ検索結果内での画像表示 | |
US10380649B2 (en) | System and method for logistic matrix factorization of implicit feedback data, and application to media environments | |
RU2725659C2 (ru) | Способ и система для оценивания данных о взаимодействиях пользователь-элемент | |
US8972418B2 (en) | Dynamic generation of relevant items | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN111782957A (zh) | 一种推荐内容的方法、装置、计算设备及存储介质 | |
RU2714594C1 (ru) | Способ и система определения параметра релевантность для элементов содержимого | |
US20170140028A1 (en) | Load balancing for multi-tiered querying | |
CN106227881B (zh) | 一种信息处理方法及服务器 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
WO2020211840A1 (zh) | 物料推荐方法和系统 | |
US10282474B2 (en) | Category constrained queries | |
US9959322B1 (en) | Ranking channels in search | |
US20160259494A1 (en) | System and method for controlling video thumbnail images | |
EP3871115A1 (en) | Data retrieval | |
CN111159578A (zh) | 一种推荐对象的方法和系统 | |
US10915597B2 (en) | Systems and methods for multiobjective optimization | |
CN106294417A (zh) | 一种数据排序方法、装置及电子设备 | |
CN112749296A (zh) | 一种视频推荐方法、装置、服务器及存储介质 |
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 |