CN112084404B - 内容推荐方法、装置、设备和介质 - Google Patents

内容推荐方法、装置、设备和介质 Download PDF

Info

Publication number
CN112084404B
CN112084404B CN202010905989.6A CN202010905989A CN112084404B CN 112084404 B CN112084404 B CN 112084404B CN 202010905989 A CN202010905989 A CN 202010905989A CN 112084404 B CN112084404 B CN 112084404B
Authority
CN
China
Prior art keywords
preference
user
session
content
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010905989.6A
Other languages
English (en)
Other versions
CN112084404A (zh
Inventor
刘鹤声
王瑜
熊玉玲
彭志洺
宋乃飞
秦首科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010905989.6A priority Critical patent/CN112084404B/zh
Publication of CN112084404A publication Critical patent/CN112084404A/zh
Priority to EP21163895.2A priority patent/EP3822827A1/en
Priority to JP2021049336A priority patent/JP2022031624A/ja
Priority to US17/211,720 priority patent/US20210209491A1/en
Priority to KR1020210042351A priority patent/KR102644700B1/ko
Application granted granted Critical
Publication of CN112084404B publication Critical patent/CN112084404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q50/10—Services
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种内容推荐方法、装置、设备和介质，涉及智能推荐、深度学习和大数据技术。具体实现方案为：根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；根据所述目标结构偏好确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容。本申请通过确定用户的结构偏好，实现面向全局的结构化表示与兴趣推理，然后再根据结构偏好确定推荐结果，能够提供更加符合用户偏好的推荐内容，增强了内容供给与用户偏好的匹配度。

Description

内容推荐方法、装置、设备和介质
技术领域
本申请涉及互联网领域，尤其涉及一种智能推荐技术，具体涉及一种内容推荐方法、装置、设备和介质。
背景技术
在当前基于内容生态的互联网产品中，个性化内容推荐策略已得到广泛应用。内容推荐的传统方法主要包含召回、排序、融合三阶段的逐层筛选机制，由召回、排序和融合模块构成。其中，召回模块根据用户基础信息和用户行为历史，从全资源库中初步筛选用户可能感兴趣的内容；排序模块使用机器学习算法，对召回模块返回的内容逐一进行打分；融合模块对排序模块的打分进行倒排，并实现多样性等业务逻辑，组装最终推荐的结果。
然而，基于逐层筛选机制的内容推荐方法虽然取得了较为优秀的推荐效果，但是在内容供给与用户偏好的匹配上仍然存在不足之处。
发明内容
本申请提供一种内容推荐方法、装置、设备和介质，以增强内容供给与用户偏好的匹配度。
第一方面，本申请提供了一种内容推荐方法，包括：
根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；
根据所述目标结构偏好确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容。
第二方面，本申请还提供了一种内容推荐装置，包括：
结构偏好确定模块，用于根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；
推荐结果确定模块，根据所述目标结构偏好确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容。
第三方面，本申请还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的内容推荐方法。
第四方面，本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的内容推荐方法。
根据本申请的技术方案，通过确定用户的结构偏好，实现面向全局的结构化表示与兴趣推理，然后再根据结构偏好确定推荐结果，使得推荐结果中基于每种不同的结构都有对应的推荐内容，从而提供更加符合用户偏好的推荐内容，增强了内容供给与用户偏好的匹配度。
应当理解，本部分所描述的内容并非旨在标识本申请的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的内容推荐方法的流程示意图；
图2a是根据本申请实施例的内容推荐方法的流程示意图；
图2b是根据本申请实施例的会话级结构偏好模型的网络结构图；
图3a是根据本申请实施例的内容推荐方法的流程示意图；
图3b是根据本申请实施例的刷新级结构偏好模型的示意图；
图4是根据本申请实施例的内容推荐装置的结构示意图；
图5是用来实现本申请实施例的内容推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例的内容推荐方法的流程示意图，本实施例可适用于为用户推荐内容的情况，例如通过feed系统为用户推荐内容，涉及智能推荐、深度学习和大数据技术。该方法可由一种内容推荐装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备等。如图1所示，该方法具体包括如下：
S101、根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定。
在基于内容生态的互联网产品能够推荐的资源内容中，基于任意内容标签体系的分类方法，可以划分出不同的结构，每种结构对应相应的资源内容。此外，本申请中的结构，可以是显式的结构，也可以是隐式的结构。其中，显式的结构就是按照一定分类方法划分出的具有现实意义的类别结构，例如，视频与图文、体育与娱乐、国际与国内等不同的结构；隐式的结构不一定具有现实意义，可以是某种抽象的划分方式，具体可以根据业务需求来定义。本申请实施例对结构的划分方法不做任何限定，本申请的技术方案适用于依据任何方法划分的结构。
用户使用产品的历史行为数据例如可以包括用户点击了什么推荐内容，或者推荐的哪些内容从来没有点击过，或者对某些推荐内容的浏览时间较长等行为，通过对这些用户行为的分析就能够体现出用户对哪些结构的推荐内容比较感兴趣，或者对哪些结构的推荐内容的感兴趣程度偏低等，而用户的这种偏好关系可以称之为结构偏好。因此，根据用户使用产品的历史行为数据，再结合结构本身的结构特征，就可以确定出用户的目标结构偏好。其中，结构本身的结构特征例如可以是结构的名称，或者某结构在众多结构中的热门或感兴趣的程度，或者二者的结合，都可以作为结构本身的结构特征，从而为不同结构的个性化打分提供依据。
在具体实现上，可以基于深度学习的方法，预先构建并训练出预测模型，基于预测模型实现根据历史行为数据和结构特征确定用户的目标结构偏好。例如，基于预测模型并通过打分的方式对每种结构进行用户感兴趣程度的预测，并得到一个评分或百分比作为预估值，然后，在所有预估值中按分值选择顶部预设个数的结构，得到最终的结构偏好。本申请实施例并不限定所采用的具体模型结构和算法。
S102、根据目标结构偏好确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容。
在确定出目标结构偏好后，相当于获取到用户最感兴趣的至少两种结构，然后，基于每种结构都获取到相应的推荐内容，这几种结构及其推荐内容则构成了最终的推荐结果。
具体的，可以根据目标结构偏好，经召回、排序和融合三个阶段确定每个用户的推荐结果。也就是说，在召回和排序阶段，实现的是结构化的召回和排序，按照不同的结构进行召回和排序，在融合阶段实现的也是结构化融合，在每种结构下进行融合，基于每种结构都确定出相应的推荐内容。而其中具体采用的召回算法、排序算法和融合算法，本申请实施例不做任何限定。
这里需要说明的是，现有技术中基于召回、排序和融合的逐层筛选的推荐策略框架，在内容供给与用户偏好的匹配上往往存在不足之处。
首先，由于现有技术中融合模块使用排序打分的倒序组成最终的下发结果，例如，如果用户点击视频类内容比图片类内容多，在逐层筛选的推荐策略框架下，就会提供更多的视频类内容，可能前100条推荐内容都是视频类，这就造成对下发的内容结构没有显式的控制，很可能造成下发结构与用户偏好不匹配。因为用户历史上对视频类内容点击较多，并不代表用户只对视频类内容感兴趣。而本申请实施例中可以根据用户真实结构化需求进行内容推荐，最终的推荐结果中包括至少两种结构及每种结构对应的推荐内容，从而实现结构化的显式控制，让多种结构中用户可能感兴趣的内容都得以推荐给用户，同时也提高了推荐内容的多样性和丰富性，对引导用户进行沉浸式体验和消费很有帮助。
其次，对于拥有小众兴趣点的用户，在基于现有技术进行逐层筛选的过程中，这种兴趣点很容易被普遍打分较高的普适兴趣点淹没，导致用户的需求没有被完整满足，因此，现有技术中的逐层筛选机制容易淹没小众兴趣点并产生信息茧房。而本申请实施例中由于进行了面向全局的结构化表示与兴趣推理，先确定出用户的结构偏好在进行结构化的内容推荐，因此，除了这些热门的普适兴趣点能够被推荐到，那些符合用户的小众兴趣点也能够被推荐到，从而打破信息茧房，提供符合用户真实结构化需求的推荐内容。
第三，基于现有技术的逐层筛选的内容推荐方法在需要实现特定业务目标时，往往采取在各层级调权的方式，当业务目标逐渐增多时，会导致推荐系统趋向于黑盒，并且满足一个业务目标的同时会影响另一个业务目标，各个业务目标之间难以平衡，制约了系统整体的发展。而本申请实施例中实现的基于用户兴趣推理的结构化内容推荐则可以避免这一问题。例如，按照不同的业务目标对资源进行结构化划分，然后再执行兴趣推理和结构化推荐，这样就可以避免各个业务目标之间互相影响的问题。
此外，在根据目标结构偏好确定每个用户的推荐结果之前，所述方法还可以包括依据目标结构偏好进行结构维度的探索。例如，推理得到的结构偏好体现的是基于用户历史行为推理出的真实的结构化偏好，但是，作为推荐系统，也存在一种可能性，即：用户不感兴趣的结构，可能是由于推荐系统历史上未提供给用户。因此，根据业务需求调整结构偏好，对结构偏好进行干预和探索，从而可以有效地发现用户新兴趣点，打破信息茧房，进一步满足用户需求。
本申请实施例的技术方案，通过确定用户的结构偏好，实现面向全局的结构化表示与兴趣推理，然后再根据结构偏好确定推荐结果，使得推荐结果中基于每种不同的结构都有对应的推荐内容，从而提供更加符合用户偏好的推荐内容，增强了内容供给与用户偏好的匹配度，有效地促进了用户使用推荐系统进行沉浸式消费、带动产品时长、分发等指标显著提升。
图2a是根据本申请实施例的内容推荐方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2a所示，该方法具体包括如下：
S201、响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，并将所述会话级结构偏好作为所述目标结构偏好。
用户在使用内容推荐产品时，从打开页面开始使用，到退出页面停止使用，往往会进行一段持续的浏览或消费过程，并在期间进行一系列的操作与反馈，这一过程称之为会话(session)。用户的会话越长，说明用户在内容推荐中的沉浸状态越持久，间接说明推荐效果越好，与用户偏好的匹配度越高。
用户的偏好不会在每次会话中都保持一致，因此，本申请响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，并将会话级结构偏好作为目标结构偏好。也即，每次会话开启时，都会预测用户当前会话的会话级结构偏好，从而实现更好的推荐。其中，历史行为数据例如可以是用户在当前的上一次会话过程中产生的数据，或者至少包含上一次数据在内的设定时间段内出现的会话过程中产生的数据。
具体的，所述历史行为数据包括历史选择结构内容、历史选择条目内容、历史未选择结构内容和历史未选择条目内容。其中，历史选择结构内容和历史未选择结构内容是指针对推荐内容涉及的结构中哪些结构被用户选择(例如，通过点击的方式选择)了以及哪些结构未被选择，历史选择条目内容和历史未选择条目内容是指针对推荐内容中的各个条目哪些被用户选择了以及哪些未被选择。历史选择结构内容和历史选择条目内容可以反映出用户感兴趣的内容，历史未选择结构内容和历史未选择条目内容可以反映出用户不感兴趣的内容，并且，这些结构内容和条目内容均可以列表的形式展现。
所述结构特征由结构名称和结构属性表示，具体可以将结构名称和结构属性进行拼接，从而构成结构特征。其中，结构属性用于表示不同结构的历史点展信息，例如点击数和展现量等统计值，通过历史点展信息可以反映出不同结构就整体而言的平均优劣程度，在一定程度上为个性化打分提供了信息。
此外，除了考虑历史行为数据和结构特征之外，还可以考虑第一场景特征，将历史行为数据、第一场景特征和结构特征一起作为依据，来确定用户当前的会话级结构偏好。也就是说，根据用户在历史会话过程中的历史行为数据、第一场景特征和待推荐内容的结构特征，确定用户当前的会话级结构偏好。其中，第一场景特征用于表示每次会话所处的场景。场景可以预先根据业务需要进行划分，例如，可以按照时间段将场景划分为早高峰、上午、中午、下午和晚高峰等，或者直接根据地理位置进行场景划分，如家中、办公室或公园等。本申请对具体的场景划分方式不做任何限定。而结合用户的场景特征来确定会话级结构偏好，可以使结构偏好的推理结果更准确、更全面。
在一种实施方式中，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，包括：
利用预先训练的会话级结构偏好模型，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好；其中，所述会话级结构偏好模型的学习目标包括用户在会话内对任一结构的偏好程度。
也就是说，结合深度学习技术，用预先训练的深度学习模型来实现会话级结构偏好的预测。其中，模型可以按天更新，并实时地用于用户会话级结构偏好的预测。具体的，所述会话级结构偏好模型的训练过程包括：
将多个训练样本作为模型输入，其中，每个训练样本为一次会话过程产生的用户行为数据，并且每个训练样本中包括N个子样本，每个子样本为针对该次会话过程所展现的每一种结构的用户行为数据，N为自然数；
将预先标注的每个训练样本中涉及的每种结构的点击率占比作为模型输出，对所述会话级结构偏好模型进行训练。
其中，由于每个训练样本中会包含多种结构，为避免混乱，本申请中将训练样本划分为N个子样本，每个子样本为针对该次会话过程所展现的每一种结构的用户行为数据。此外，模型例如可以采取DNN(Deep Neural Networks，深度神经网络)实现，训练则可以采用梯度反向传播来学习模型参数。需要说明的是，本申请对模型的算法和训练方式不做任何限定。
图2b是根据本申请实施例的会话级结构偏好模型的网络结构图。作为一种示例，如图所示，模型根据输入的历史点击结构列表和经聚合的历史点击条目列表的embedding(嵌入)提取出用户兴趣表示，根据历史未点击结构列表和经聚合的历史未点击条目列表的embedding提取出用户非兴趣表示，再结合用户场景特征的embedding得到用户表示，最后结合结构特征的embedding预测出用户的结构偏好。
S202、基于召回算法，根据目标结构偏好中每种结构及其权重，定向召回相应结构下的内容。
在现有技术中基于逐层筛选机制的内容推荐方法中，召回模块策略是基于用户行为历史和深度学习模型，由全资源库中进行用户向量和内容向量的匹配进行召回。而本申请实施例中在召回之前预先预估计算了用户的目标结构偏好，因此召回策略可以升级到结构化召回，即根据系统预估的目标结构偏好及其权重，定向召回相应结构下的内容。其中，目标结构偏好中包括用户对每种结构偏好程度的权重表示，根据权重表示和预设阈值，可以选择顶部预设数量的结构作为召回的目标，从而通过结构化召回聚焦更多的算力到用户真正感兴趣的结构中，为目标结构偏好中的每个结构均提供足够多的候选内容，并召回用户偏好的结构下的更优的资源内容。这里需要说明的是，本申请实施例对召回算法不做任何限定。
S203、基于排序算法，针对召回的每种结构下的内容进行排序。
也即，对目标结构偏好中每种结构下召回的内容进行排序。其中，本申请实施例对排序算法不做任何限定。
S204、根据每种结构的权重，确定每种结构在推荐结果中的位置，并根据每种结构下召回的内容的排序结果，将每种结构下对应的内容填充到相应的结构下，填充后得到推荐结果。
通过S204实现的结构化融合，可以使用最符合用户偏好的结构将内容下发给用户，并且可以展示每个结构所属的最优资源。
本申请实施例的技术方案，通过确定用户的会话级结构偏好，实现面向全局的结构化表示与兴趣推理，在每次开启会话时，都根据会话级结构偏好确定推荐结果，使得推荐结果中基于每种不同的结构都有对应的推荐内容，从而提供更加符合用户偏好的推荐内容，增强了内容供给与用户偏好的匹配度。
图3a是根据本申请实施例的内容推荐方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图3a所示，该方法具体包括如下：
S301、响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好。
S302、响应会话内的每一次刷新请求，根据会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，并将刷新级结构偏好作为目标结构偏好。
在一个会话中，服务器往往会分多次发送推荐结果到客户端，用户在客户端的上滑、下拉等操作会触发一次与服务器的交互，并称之为一次刷新。一般来说，一个会话由多次连续的刷新构成，后一次刷新会根据用户对前一次刷新的反馈进行实时调整。也就是说，在本次会话预测出的会话级结构偏好的基础上，结合该会话级结构偏好和用户的结构化反馈信息，确定每一次刷新的刷新级结构偏好，以更细粒度地实现对用户结构偏好的预测。
其中，结构化反馈信息用于表示，基于包括上一次刷新过程在内的历史设定时间段内的用户行为数据，统计得到的不同结构的反馈信息。也就是说，根据上一次刷新过程中的行为数据，以及设定时间段内(例如一周)的其他次刷新过程中的行为数据，统计出不同结构的反馈信息，例如不同结构的展现量或点击占比等统计值。
在一种实施方式中，可以采用进化学习的方式来对刷新级结构偏好进行预测。例如，将会话级结构偏好和结构化反馈信息作为模型输入，利用进化学习模型，对会话级结构偏好进行调整，输出刷新级结构偏好。本申请实施例对模型的结构和算法不做任何限定。
此外，还可以考虑第二场景特征，也即，根据会话级结构偏好、第二场景特征和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，其中，第二场景特征用于表示每次刷新所处的场景。结合场景特征，则可以预测出更加准确和全面的结构偏好。本申请实施例对场景的划分方式不做任何限定。
图3b是根据本申请实施例的刷新级结构偏好模型的示意图。其中，在得到刷新级结构得分之后，还可以根据业务需求进行结构维度的后置处理、探索和归一化，得到最终的刷新级结构偏好。
S303、基于召回算法，根据所述目标结构偏好中每种结构及其权重，定向召回相应结构下的内容。
S304、基于排序算法，针对所述召回的每种结构下的内容进行排序。
S305、根据所述每种结构的权重，确定每种结构在所述推荐结果中的位置，并根据每种结构下召回的内容的排序结果，将每种结构下对应的内容填充到相应的结构下，填充后得到所述推荐结果。
本申请实施例的技术方案，通过设定两个层次的结构化表示，在确定出会话级结构偏好之后，基于该会话级结构偏好，在会话中的每一次刷新时，都进一步确定出刷新级结构偏好，从更细粒度的角度对用户偏好进行推理，从而在每一次刷新过程都可以得到更加符合用户当前结构偏好的推荐内容，进一步增强了内容供给与用户偏好的匹配度。
图4是根据本申请实施例的内容推荐装置的结构示意图，本实施例可适用于为用户推荐内容的情况，例如通过feed系统为用户推荐内容，涉及智能推荐、深度学习和大数据技术。该装置可实现本申请任意实施例所述的内容推荐方法。如图4所示，该装置400具体包括：
结构偏好确定模块401，用于根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；
推荐结果确定模块402，根据所述目标结构偏好确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容。
可选的，所述结构偏好确定模块包括：
会话级结构偏好确定单元，用于响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，并将所述会话级结构偏好作为所述目标结构偏好。
可选的，所述历史行为数据包括历史选择结构内容、历史选择条目内容、历史未选择结构内容和历史未选择条目内容。
可选的，所述结构特征由结构名称和结构属性表示，其中，所述结构属性用于表示不同结构的历史点展信息。
可选的，所述会话级结构偏好确定单元具体用于：
根据用户在历史会话过程中的历史行为数据、第一场景特征和待推荐内容的结构特征，确定用户当前的会话级结构偏好，其中，所述第一场景特征用于表示每次会话所处的场景。
可选的，所述会话级结构偏好确定单元具体还用于：
利用预先训练的会话级结构偏好模型，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好；
其中，所述会话级结构偏好模型的学习目标包括用户在会话内对任一结构的偏好程度。
可选的，所述会话级结构偏好模型的训练过程包括：
将多个训练样本作为模型输入，其中，每个训练样本为一次会话过程产生的用户行为数据，并且每个训练样本中包括N个子样本，每个子样本为针对该次会话过程所展现的每一种结构的用户行为数据，N为自然数；
将预先标注的每个训练样本中涉及的每种结构的点击率占比作为模型输出，对所述会话级结构偏好模型进行训练。
可选的，所述结构偏好确定模块还包括：
刷新级结构偏好确定单元，用于响应所述会话内的每一次刷新请求，根据所述会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，并将所述刷新级结构偏好作为所述目标结构偏好；
其中，所述结构化反馈信息用于表示，基于包括上一次刷新过程在内的历史设定时间段内的用户行为数据，统计得到的不同结构的反馈信息。
可选的，所述刷新级结构偏好确定单元具体用于：
将所述会话级结构偏好和结构化反馈信息作为模型输入，利用进化学习模型，对所述会话级结构偏好进行调整，输出所述刷新级结构偏好。
可选的，所述刷新级结构偏好确定单元具体还用于：
根据所述会话级结构偏好、第二场景特征和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，其中，所述第二场景特征用于表示每次刷新所处的场景。
可选的，所述装置还包括：
探索模块，用于在所述推荐结果确定模块根据所述目标结构偏好确定每个用户的推荐结果之前，依据所述目标结构偏好进行结构维度的探索。
可选的，所述推荐结果确定模块具体用于：
根据所述目标结构偏好，经召回、排序和融合，确定每个用户的推荐结果。
可选的，所述目标结构偏好中包括用户对每种结构偏好程度的权重表示；
相应的，所述推荐结果确定模块包括：
召回单元，用于基于召回算法，根据所述目标结构偏好中每种结构及其权重，定向召回相应结构下的内容；
排序单元，用于基于排序算法，针对所述召回的每种结构下的内容进行排序；
融合单元，用于根据所述每种结构的权重，确定每种结构在所述推荐结果中的位置，并根据每种结构下召回的内容的排序结果，将每种结构下对应的内容填充到相应的结构下，填充后得到所述推荐结果。
本申请实施例提供的内容推荐装置400可执行本申请任意实施例提供的内容推荐方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的内容推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的内容推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的内容推荐方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的内容推荐方法对应的程序指令/模块(例如，附图4所示的结构偏好确定模块401和推荐结果确定模块402)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的内容推荐方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例的内容推荐方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的内容推荐方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现本申请实施例的内容推荐方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与实现本申请实施例的内容推荐方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，通过确定用户的结构偏好，实现面向全局的结构化表示与兴趣推理，然后再根据结构偏好确定推荐结果，使得推荐结果中基于每种不同的结构都有对应的推荐内容，从而提供更加符合用户偏好的推荐内容，增强了内容供给与用户偏好的匹配度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (20)

1.一种内容推荐方法，包括：
根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，包括：响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，并将所述会话级结构偏好作为所述目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；所述结构偏好用于描述所述用户对不同结构的推荐内容的感兴趣程度；所述结构特征由结构名称和结构属性表示，其中，所述结构属性用于表示不同结构的历史点展信息；
根据所述目标结构偏好，经召回、排序和融合，确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容；
其中，所述目标结构偏好中包括用户对每种结构偏好程度的权重表示；
相应的，所述根据所述目标结构偏好，经召回、排序和融合，确定每个用户的推荐结果，包括：
基于召回算法，根据所述目标结构偏好中每种结构及其权重，定向召回相应结构下的内容；
基于排序算法，针对所述召回的每种结构下的内容进行排序；
根据所述每种结构的权重，确定每种结构在所述推荐结果中的位置，并根据每种结构下召回的内容的排序结果，将每种结构下对应的内容填充到相应的结构下，填充后得到所述推荐结果。
2.根据权利要求1所述的方法，其中，所述历史行为数据包括历史选择结构内容、历史选择条目内容、历史未选择结构内容和历史未选择条目内容。
3.根据权利要求1所述的方法，其中，所述根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，包括：
根据用户在历史会话过程中的历史行为数据、第一场景特征和待推荐内容的结构特征，确定用户当前的会话级结构偏好，其中，所述第一场景特征用于表示每次会话所处的场景。
4.根据权利要求1所述的方法，其中，所述根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，包括：
利用预先训练的会话级结构偏好模型，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好；
其中，所述会话级结构偏好模型的学习目标包括用户在会话内对任一结构的偏好程度。
5.根据权利要求4所述的方法，其中，所述会话级结构偏好模型的训练过程包括：
将多个训练样本作为模型输入，其中，每个训练样本为一次会话过程产生的用户行为数据，并且每个训练样本中包括N个子样本，每个子样本为针对该次会话过程所展现的每一种结构的用户行为数据，N为自然数；
将预先标注的每个训练样本中涉及的每种结构的点击率占比作为模型输出，对所述会话级结构偏好模型进行训练。
6.根据权利要求1所述的方法，其中，所述根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，还包括：
响应所述会话内的每一次刷新请求，根据所述会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，并将所述刷新级结构偏好作为所述目标结构偏好；
其中，所述结构化反馈信息用于表示，基于包括上一次刷新过程在内的历史设定时间段内的用户行为数据，统计得到的不同结构的反馈信息。
7.根据权利要求6所述的方法，其中，所述根据所述会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，包括：
将所述会话级结构偏好和结构化反馈信息作为模型输入，利用进化学习模型，对所述会话级结构偏好进行调整，输出所述刷新级结构偏好。
8.根据权利要求6所述的方法，其中，所述根据所述会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，包括：
根据所述会话级结构偏好、第二场景特征和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，其中，所述第二场景特征用于表示每次刷新所处的场景。
9.根据权利要求1所述的方法，其中，在所述根据所述目标结构偏好确定每个用户的推荐结果之前，所述方法还包括：
依据所述目标结构偏好进行结构维度的探索。
10.一种内容推荐装置，包括：
结构偏好确定模块，用于根据用户使用产品的历史行为数据和待推荐内容的结构特征，确定用户的目标结构偏好，包括：会话级结构偏好确定单元，用于响应会话开启请求，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好，并将所述会话级结构偏好作为所述目标结构偏好，其中，所述结构是基于任意内容标签体系的分类方法对所述待推荐内容进行划分确定；所述结构偏好用于描述所述用户对不同结构的推荐内容的感兴趣程度；所述结构特征由结构名称和结构属性表示，其中，所述结构属性用于表示不同结构的历史点展信息；
推荐结果确定模块，用于：根据所述目标结构偏好，经召回、排序和融合，确定每个用户的推荐结果，其中，所述推荐结果中包括至少两种结构及每种结构对应的推荐内容；
其中，所述目标结构偏好中包括用户对每种结构偏好程度的权重表示；
相应的，所述推荐结果确定模块包括：
召回单元，用于基于召回算法，根据所述目标结构偏好中每种结构及其权重，定向召回相应结构下的内容；
排序单元，用于基于排序算法，针对所述召回的每种结构下的内容进行排序；
融合单元，用于根据所述每种结构的权重，确定每种结构在所述推荐结果中的位置，并根据每种结构下召回的内容的排序结果，将每种结构下对应的内容填充到相应的结构下，填充后得到所述推荐结果。
11.根据权利要求10所述的装置，其中，所述历史行为数据包括历史选择结构内容、历史选择条目内容、历史未选择结构内容和历史未选择条目内容。
12.根据权利要求10所述的装置，其中，所述会话级结构偏好确定单元具体用于：
根据用户在历史会话过程中的历史行为数据、第一场景特征和待推荐内容的结构特征，确定用户当前的会话级结构偏好，其中，所述第一场景特征用于表示每次会话所处的场景。
13.根据权利要求10所述的装置，其中，所述会话级结构偏好确定单元具体还用于：
利用预先训练的会话级结构偏好模型，根据用户在历史会话过程中的历史行为数据和待推荐内容的结构特征，确定用户当前的会话级结构偏好；
其中，所述会话级结构偏好模型的学习目标包括用户在会话内对任一结构的偏好程度。
14.根据权利要求13所述的装置，其中，所述会话级结构偏好模型的训练过程包括：
将多个训练样本作为模型输入，其中，每个训练样本为一次会话过程产生的用户行为数据，并且每个训练样本中包括N个子样本，每个子样本为针对该次会话过程所展现的每一种结构的用户行为数据，N为自然数；
将预先标注的每个训练样本中涉及的每种结构的点击率占比作为模型输出，对所述会话级结构偏好模型进行训练。
15.根据权利要求10所述的装置，其中，所述结构偏好确定模块还包括：
刷新级结构偏好确定单元，用于响应所述会话内的每一次刷新请求，根据所述会话级结构偏好和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，并将所述刷新级结构偏好作为所述目标结构偏好；
其中，所述结构化反馈信息用于表示，基于包括上一次刷新过程在内的历史设定时间段内的用户行为数据，统计得到的不同结构的反馈信息。
16.根据权利要求15所述的装置，其中，所述刷新级结构偏好确定单元具体用于：
将所述会话级结构偏好和结构化反馈信息作为模型输入，利用进化学习模型，对所述会话级结构偏好进行调整，输出所述刷新级结构偏好。
17.根据权利要求15所述的装置，其中，所述刷新级结构偏好确定单元具体还用于：
根据所述会话级结构偏好、第二场景特征和用户的结构化反馈信息，确定用户当前的刷新级结构偏好，其中，所述第二场景特征用于表示每次刷新所处的场景。
18.根据权利要求10所述的装置，其中，所述装置还包括：
探索模块，用于在所述推荐结果确定模块根据所述目标结构偏好确定每个用户的推荐结果之前，依据所述目标结构偏好进行结构维度的探索。
19. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的内容推荐方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的内容推荐方法。
CN202010905989.6A 2020-09-01 2020-09-01 内容推荐方法、装置、设备和介质 Active CN112084404B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010905989.6A CN112084404B (zh) 2020-09-01 2020-09-01 内容推荐方法、装置、设备和介质
EP21163895.2A EP3822827A1 (en) 2020-09-01 2021-03-22 Method and apparatus for recommending content, device, medium and computer program product
JP2021049336A JP2022031624A (ja) 2020-09-01 2021-03-24 コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム
US17/211,720 US20210209491A1 (en) 2020-09-01 2021-03-24 Method and apparatus for recommending content, device, and medium
KR1020210042351A KR102644700B1 (ko) 2020-09-01 2021-03-31 콘텐츠 추천 방법, 장치, 기기 및 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010905989.6A CN112084404B (zh) 2020-09-01 2020-09-01 内容推荐方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112084404A CN112084404A (zh) 2020-12-15
CN112084404B true CN112084404B (zh) 2024-03-01

Family

ID=73731332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010905989.6A Active CN112084404B (zh) 2020-09-01 2020-09-01 内容推荐方法、装置、设备和介质

Country Status (5)

Country Link
US (1) US20210209491A1 (zh)
EP (1) EP3822827A1 (zh)
JP (1) JP2022031624A (zh)
KR (1) KR102644700B1 (zh)
CN (1) CN112084404B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052664B (zh) * 2021-04-27 2024-01-26 口碑(上海)信息技术有限公司 一种服务信息召回方法、装置、电子设备及存储介质
CN115392944A (zh) * 2021-05-24 2022-11-25 腾讯科技（深圳）有限公司 一种推广内容的处理方法、装置、计算机设备和存储介质
CN113360770B (zh) * 2021-06-30 2024-04-12 北京百度网讯科技有限公司 内容推荐的方法、装置、设备以及存储介质
CN113420222A (zh) * 2021-07-08 2021-09-21 咪咕文化科技有限公司 内容推荐方法及装置
CN113609266A (zh) * 2021-07-09 2021-11-05 阿里巴巴新加坡控股有限公司 资源处理方法以及装置
CN113609381B (zh) * 2021-07-13 2023-12-12 杭州网易云音乐科技有限公司 作品推荐方法、装置、介质和计算设备
CN113434779B (zh) * 2021-07-22 2023-01-03 咪咕数字传媒有限公司 可智能推荐的互动阅读方法、装置、计算设备和存储介质
CN113469752A (zh) * 2021-07-22 2021-10-01 北京沃东天骏信息技术有限公司 内容推荐方法、装置、存储介质及电子设备
CN113656637B (zh) * 2021-07-26 2022-09-23 北京达佳互联信息技术有限公司 视频推荐方法、装置、电子设备及存储介质
CN113516539A (zh) * 2021-07-29 2021-10-19 中移（杭州）信息技术有限公司 商品推荐方法、装置及计算机可读存储介质
CN113722594B (zh) * 2021-09-01 2024-01-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN114219516B (zh) * 2021-11-08 2023-06-30 梅瑞生 基于大数据的信息流会话推荐方法及深度学习服务系统
CN114399351A (zh) * 2021-12-22 2022-04-26 中国电信股份有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN114936326B (zh) * 2022-07-20 2022-11-29 陈守红 基于人工智能的信息推荐方法、装置、设备及存储介质
CN115499704B (zh) * 2022-08-22 2023-12-29 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、可读存储介质及电子设备
CN116049478B (zh) * 2022-08-26 2023-09-19 荣耀终端有限公司 一种应用程序推荐方法、装置及用户设备
CN115797723B (zh) * 2022-11-29 2023-10-13 北京达佳互联信息技术有限公司 滤镜推荐方法、装置、电子设备及存储介质
CN117112870A (zh) * 2023-09-12 2023-11-24 宁夏智博源教育科技有限公司 基于人工智能的用户交互画像分类方法及ai会话交互系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN108334536A (zh) * 2017-11-30 2018-07-27 中国电子科技集团公司电子科学研究院 一种信息推荐方法、设备和存储介质
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
CN108829761A (zh) * 2018-05-28 2018-11-16 苏州大学 一种兴趣点推荐方法、系统、介质及设备
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN110674406A (zh) * 2019-09-29 2020-01-10 百度在线网络技术（北京）有限公司 推荐方法、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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001285744A (ja) * 2000-03-28 2001-10-12 Matsushita Electric Ind Co Ltd 電子番組表表示装置、媒体及び情報集合体
JP2007060398A (ja) * 2005-08-25 2007-03-08 Toshiba Corp 番組情報提供装置、番組情報提供方法及びそのプログラム
JP5328212B2 (ja) * 2008-04-10 2013-10-30 株式会社エヌ・ティ・ティ・ドコモ レコメンド情報評価装置およびレコメンド情報評価方法
JP2010041163A (ja) * 2008-08-01 2010-02-18 Fujitsu Ltd 表示装置，遠隔操作装置および表示プログラム
CN102169566A (zh) * 2010-02-26 2011-08-31 国际商业机器公司 在陌生领域中生成推荐项目的方法和装置
KR20130026567A (ko) * 2011-07-29 2013-03-14 (주)아이티에이치 사용자 단말의 행동패턴에 따른 추천 컨텐츠를 제공하는 컨텐츠 제공시스템
KR20130035064A (ko) * 2011-09-29 2013-04-08 삼성전자주식회사 개인 성향 기반의 개인화 서비스 제공 방법 및 시스템
JP6212404B2 (ja) * 2014-02-19 2017-10-11 Kddi株式会社 コンテンツ配信システム
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和系统
JP6396568B1 (ja) * 2017-09-19 2018-09-26 ヤフー株式会社 提供プログラム、提供装置、提供方法、端末装置および情報提供装置
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN108334536A (zh) * 2017-11-30 2018-07-27 中国电子科技集团公司电子科学研究院 一种信息推荐方法、设备和存储介质
CN108829761A (zh) * 2018-05-28 2018-11-16 苏州大学 一种兴趣点推荐方法、系统、介质及设备
CN110119467A (zh) * 2019-05-14 2019-08-13 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN110674406A (zh) * 2019-09-29 2020-01-10 百度在线网络技术（北京）有限公司 推荐方法、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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向隐式反馈的标签感知推荐方法;李红梅;刁兴春;曹建军;冯钦;张磊;;计算机科学(04);全文 *

Also Published As

Publication number Publication date
US20210209491A1 (en) 2021-07-08
KR20210042867A (ko) 2021-04-20
CN112084404A (zh) 2020-12-15
JP2022031624A (ja) 2022-02-22
KR102644700B1 (ko) 2024-03-07
EP3822827A1 (en) 2021-05-19

Similar Documents

Publication Publication Date Title
CN112084404B (zh) 内容推荐方法、装置、设备和介质
CN110781321B (zh) 一种多媒体内容推荐方法及装置
CN111143686B (zh) 资源推荐方法及装置
WO2020011068A1 (zh) 用于执行机器学习过程的方法和系统
CN107463701B (zh) 基于人工智能推送信息流的方法和装置
CN111695695B (zh) 用户决策行为量化分析方法及装置
JP2022023776A (ja) オンライン予測モデルのトレーニング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
CN112163676B (zh) 多任务服务预测模型训练方法、装置、设备以及存储介质
CN112632403B (zh) 推荐模型的训练方法、推荐方法、装置、设备和介质
US20160350658A1 (en) Viewport-based implicit feedback
CN113392237A (zh) 一种分类标签展示方法、服务器及显示设备
CN114036398B (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
CN112106093A (zh) 高级网页内容管理
JP7371317B2 (ja) コンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体
CN116438555A (zh) 用于具有用户交互的时间序列预测的自动深度学习架构选择
CN114461919A (zh) 信息推荐的模型训练方法及装置
CN113869377A (zh) 训练方法、装置及电子设备
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN115152242A (zh) 用于选择和显示的视频的机器学习管理
CN116304335A (zh) 对象推荐方法、用户偏好识别方法及装置
US20230030341A1 (en) Dynamic user interface and machine learning tools for generating digital content and multivariate testing recommendations
CN111510376B (zh) 图像处理方法、装置及电子设备
CN113722594A (zh) 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN111563202A (zh) 资源数据处理方法、装置、电子设备和介质
CN114861071B (zh) 对象推荐方法和装置

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