CN112256963A - 新闻推荐方法、装置、媒体服务器及可读存储介质 - Google Patents
新闻推荐方法、装置、媒体服务器及可读存储介质 Download PDFInfo
- Publication number
- CN112256963A CN112256963A CN202011138179.9A CN202011138179A CN112256963A CN 112256963 A CN112256963 A CN 112256963A CN 202011138179 A CN202011138179 A CN 202011138179A CN 112256963 A CN112256963 A CN 112256963A
- Authority
- CN
- China
- Prior art keywords
- interest
- news
- keyword
- database
- keywords
- 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)
Abstract
本申请提供一种新闻推荐方法、装置、媒体服务器及可读存储介质,涉及资讯推荐技术领域。本申请通过从目标用户当前阅读的新闻内容中提取新闻关键词,来对目标用户的兴趣数据库内已存储的兴趣关键词更新,并基于更新后的兴趣数据库所包括的所有关键词确定用户兴趣特征向量,接着从待推荐新闻中提取出新闻内容特征向量,并根据用户兴趣特征向量与新闻内容特征向量计算该待推荐新闻被目标用户点击的点击概率,进而在点击概率大于或等于预设概率阈值的情况下,直接将待推荐新闻推荐给目标用户,从而在缩减新闻推荐过程中的计算资源损耗量,提升新闻推荐效率的同时,确保推荐的新闻内容与用户兴趣变化趋势实时匹配,实现新闻个性化推荐功能。
Description
技术领域
本申请涉及资讯推荐技术领域,具体而言,涉及一种新闻推荐方法、装置、媒体服务器及可读存储介质。
背景技术
随着互联网技术的不断发展,各类信息呈指数级增长,人们要从海量资讯中找出自身感兴趣的内容的难度也越发高涨,由此针对各行业逐渐发展出合适的资讯推荐算法来向用户推荐合适的资讯信息,以提升用户的信息查阅体验。而目前,对新闻推荐过程中,现有的新闻推荐方案在推荐效率上仍存在较大缺陷,和/或无法确保推荐的新闻与用户兴趣变化趋势实时匹配,以实现新闻的个性化推荐。
发明内容
有鉴于此,本申请的目的在于提供一种新闻推荐方法、装置、媒体服务器及可读存储介质,能够在提升新闻推荐效率的同时,通过向用户推荐与用户兴趣变化趋势实时匹配的新闻内容,实现新闻个性化推荐功能。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种新闻推荐方法,所述方法包括:
对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词;
根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内;
根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量;
提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量;
根据所述用户兴趣特征向量及所述新闻内容特征向量,计算所述待推荐新闻被所述目标用户点击的点击概率;
在所述点击概率大于或等于预设概率阈值的情况下,将所述待推荐新闻推荐给所述目标用户。
在可选的实施方式中,所述根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内的步骤,包括:
计算每个所述新闻关键词与所述兴趣数据库内的每个所述兴趣关键词之间的特征相似度;
对所述兴趣数据库内存储的第一兴趣关键词以及所述第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对所述兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,其中所述第一兴趣关键词为与所述新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词,更新后的兴趣成新率等于所述预设时间迁移率与更新前的兴趣成新率之间的积值;
对所述兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及所述第二兴趣关键词的兴趣成新率进行删除,其中所述第二兴趣关键词为对应兴趣成新率小于预设成新率阈值的兴趣关键词;
针对每个所述新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到所述兴趣数据库内。
在可选的实施方式中,所述根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量的步骤,包括:
对所述兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量;
以所述兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到所述用户兴趣特征向量。
在可选的实施方式中,所述提取待推荐新闻的新闻分词向量的步骤,包括:
对所述待推荐新闻的新闻内容进行分词处理,得到所述待推荐新闻的分词结果;
对所述分词结果进行去停用词处理,得到与所述待推荐新闻对应的新闻分词;
对得到的所述新闻分词进行词向量转化,得到对应的新闻分词向量。
在可选的实施方式中,所述根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量的步骤,包括:
将所述新闻分词向量输入注意力机制模型;
调用所述注意力机制模型在词语级别注意力层级及句子级注意力层级,对所述新闻分词向量进行特征融合,得到所述新闻内容特征向量。
第二方面,本申请实施例提供一种新闻推荐装置,所述装置包括:
关键词提取模块,用于对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词;
数据库更新模块,用于根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内;
特征向量计算模块,用于根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量;
所述特征向量计算模块,还用于提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量;
点击概率计算模块,用于根据所述用户兴趣特征向量及所述新闻内容特征向量,计算所述待推荐新闻被所述目标用户点击的点击概率;
新闻推荐模块,用于在所述点击概率大于或等于预设概率阈值的情况下,将所述待推荐新闻推荐给所述目标用户。
在可选的实施方式中,所述数据库更新模块根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内的方式,包括:
计算每个所述新闻关键词与所述兴趣数据库内的每个所述兴趣关键词之间的特征相似度;
对所述兴趣数据库内存储的第一兴趣关键词以及所述第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对所述兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,其中所述第一兴趣关键词为与所述新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词,更新后的兴趣成新率等于所述预设时间迁移率与更新前的兴趣成新率之间的积值;
对所述兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及所述第二兴趣关键词的兴趣成新率进行删除,其中所述第二兴趣关键词为对应兴趣成新率小于预设成新率阈值的兴趣关键词;
针对每个所述新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到所述兴趣数据库内。
在可选的实施方式中,所述特征向量计算模块根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量的方式,包括:
对所述兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量;
以所述兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到所述用户兴趣特征向量。
第三方面,本申请实施例提供一种媒体服务器,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序,实现前述实施方式中任意一项所述的新闻推荐方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现前述实施方式中任意一项所述的新闻推荐方法。
本申请实施例的有益效果包括以下内容:
本申请通过从目标用户当前阅读的新闻内容中提取新闻关键词,并在采用新闻关键词对目标用户的兴趣数据库内已存储的兴趣关键词进行内容调整后,将该新闻关键词加入到兴趣数据库中,而后基于兴趣数据库所包括的所有关键词确定出用户当前的用户兴趣特征向量,接着从待推荐新闻中提取出对应的新闻内容特征向量,并根据得到的用户兴趣特征向量与新闻内容特征向量计算该待推荐新闻被目标用户点击的点击概率,进而在点击概率大于或等于预设概率阈值的情况下,直接将待推荐新闻推荐给目标用户,从而在缩减现有新闻推荐过程中的计算资源损耗量,提升新闻推荐效率的同时,确保了推荐的新闻内容与用户兴趣变化趋势实时匹配,实现新闻个性化推荐功能。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的媒体服务器的组成示意图;
图2为本申请实施例提供的新闻推荐方法的流程示意图;
图3为图2中的步骤S220所包括的子步骤的流程示意图;
图4为图2中的步骤S230所包括的子步骤的流程示意图;
图5为图2中的步骤S240所包括的子步骤的流程示意图之一;
图6为图2中的步骤S240所包括的子步骤的流程示意图之二;
图7为本申请实施例提供的新闻推荐装置的组成示意图。
图标:10-媒体服务器;11-存储器;12-处理器;13-通信单元;100-新闻推荐装置;110-关键词提取模块;120-数据库更新模块;130-特征向量计算模块;140-点击概率计算模块;150-新闻推荐模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要理解的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
申请人通过辛苦调研发现,现有的新闻推荐方案通常采用四种思路实现:
第一种推荐思路为基于热度的推荐方法,通常需要根据所要推荐的新闻内容的热度(如点赞数、评论数等)对推荐内容进行排序,并将排序靠前者推荐给用户。需要注意的是,该推荐思路所需用户兴趣信息较少,无法针对用户进行个性化推荐,推荐内容较为单一,不满足用户的信息查阅需求。
第二种推荐思路为基于内容的推荐方法,通常需要选定用户的某些历史点击内容进行人工标注,而后利用计算机技术对各项用户历史点击新闻进行自动特征标注,从而通过信息检索和信息过滤以及用户历史点击信息刻画用户画像,从而为用户推荐其更为感兴趣的信息。需要注意的是,该推荐思路需要对用户全部的历史点击新闻的文本信息进行处理,在自然语言处理的过程中耗费过多的计算资源及计算耗时,难以保证新闻推荐效率,同时无法实时代表用户兴趣偏移状况。
第三种推荐思路为基于协同过滤的推荐方法,通常需要利用“物以类聚,人以群分”的思想,将相似用户的历史点击内容作为推荐的重要指标,由此该推荐思路可分为两类:(1)基于用户的协同过滤推荐方法,该方法通过发现与当前用户兴趣爱好相似或相同用户的历史点击对推荐物品进行打分,从而实现推荐的目的;(2)基于物品的协同过滤方法,该方法给用户推荐那些和他们之前喜欢的物品相似的物品,通过用户对商品对不同行为进行打分,构建物品表示向量,从而通过对物品之间的相似度进行推荐。需要注意的是,该推荐思路虽然在一定程度上提升了推荐效率,可以在相似用户的喜好中发掘目标用户的潜在兴趣,但这种方法存在冷启动问题,即如果目标用户是新用户,历史点击信息较少,或者目标用户的兴趣爱好较为冷门,在大数据中极少存在与目标用户相似兴趣爱好的用户的情况下,该种方法无法进行有效的个性化新闻推荐。
第四种推荐思路为基于模型的推荐方法,通常需要通过机器学习对目标用户及其推荐内容进行建模,将推荐新闻中的实体转化为更具有普适性的上下文实体,并结合新闻标题、标题实体以及上下文实体进行用户画像表示,从而高效、自动地对用户喜好进行预测,得到推荐新闻的打分结果,进而向用户推荐合适的新闻。需要注意的是,该推荐思路需要对文本进行自然与处理后采用相似度比较或结合所有信息输入至多层感知机后进行预测,对计算资源的需求较高,且较为耗时,存在新闻推荐效率低的问题。与此同时,该种方法因需要对所有新闻采用相同的方法进行计算,忽略了用户兴趣的迁移问题,无法保证推荐的新闻与用户兴趣偏移状况匹配,无法实现新闻的个性化推荐。
为此,申请人通过提供一种新闻推荐方法、装置、媒体服务器及可读存储介质,来提升新闻推荐效率,并向用户推荐与用户兴趣变化趋势实时匹配的新闻内容,实现新闻个性化推荐功能。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
请参照图1,图1是本申请实施例提供的媒体服务器10的组成示意图。在本申请实施例中,所述媒体服务器10能够快速地向用户推荐与该用户的兴趣变化趋势实时匹配的新闻内容,实现新闻个性化推荐功能。
在本实施例中,所述媒体服务器10可以包括存储器11、处理器12、通信单元13及新闻推荐装置100。其中,所述存储器11、所述处理器12及所述通信单元13各个元件相互之间接或间接地电性连接,以实现数据的传输或交互。例如,所述存储器11、所述处理器12及所述通信单元13这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
在本实施例中,所述存储器11可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,所述存储器11用于存储程序,所述处理器12在接收到执行指令后,可相应地执行所述程序。
所述存储器11还可用于存储多个用户的用户账号,以及每个用户账号所对应的兴趣数据库。其中,所述兴趣数据库用于表示用户兴趣随时间变化趋势,该兴趣数据库内存储有用于表示用户现存兴趣的兴趣关键词,以及每个兴趣关键词的兴趣成新率。所述兴趣成新率用于表示对应兴趣随时间迁移的新旧程度,代表着对应兴趣的时效性,其数值小于或等于1,并且数值越小则表明对应兴趣被用户遗忘的可能性越高。
在本实施例中,所述处理器12可以是一种具有信号的处理能力的集成电路芯片。所述处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)及网络处理器(Network Processor,NP)中的至少一种。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
在本实施例中,所述通信单元13用于通过网络建立所述媒体服务器10与其他电子设备之间的通信连接,并通过所述网络收发数据,其中所述网络包括有线通信网络及无线通信网络。例如,所述媒体服务器10通过所述通信单元13,从登录有目标用户的用户账号的终端设备处,获取目标用户当前阅读新闻的相关信息,其中所述新闻的相关信息包括该新闻的新闻标题、新闻编号等。所述媒体服务器10也可通过所述通信单元13,向登录有目标用户的用户账号的终端设备推送某个新闻。
在本实施例中,所述新闻推荐装置100包括至少一个能够以软件或固件的形式存储于所述存储器11中或固化在所述媒体服务器10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块,例如所述新闻推荐装置100所包括的软件功能模块及计算机程序等。所述媒体服务器10通过所述新闻推荐装置100引入关键词的概念来确定目标用户当前的用户兴趣特征,并结合待推荐新闻的新闻内容,直观地推测出对应待推荐新闻被目标用户点击浏览的可能性,进而在可能性较大的情况下,将该待推荐新闻推荐给目标用户进行浏览,从而大大地减少现有技术中描述用户兴趣迁移状况的计算资源损耗量,提升了新闻推荐效率,并能确保推荐给目标用户的新闻内容与用户兴趣变化趋势实时匹配,实现了新闻个性化推荐功能。
可以理解的是,图1所示的框图仅为所述媒体服务器10的一种组成示意图,所述媒体服务器10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在本申请中,为确保所述媒体服务器10能够有效地提升新闻推荐效率,并保证新闻的个性化推荐效果,本申请通过提供应用于上述媒体服务器10的新闻推荐方法实现上述功能。下面对本申请提供的新闻推荐方法进行详细描述。
请参照图2,图2是本申请实施例提供的新闻推荐方法的流程示意图。在本申请实施例中,图2所述的新闻推荐方法的具体流程和步骤如下文所示。
步骤S210,对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词。
在本实施例中,所述媒体服务器10可通过所述通信单元13从登录有目标用户的用户账号的终端设备处,获取该目标用户当前阅读新闻的相关信息,而后基于所述相关信息相应地获取到该目标用户当前阅读的新闻内容,并提供使用采用词频-逆文档频率(TermFrequency-Inverse Document Frequency,TF-IDF)算法对得到的新闻内容进行关键词提取,得到目标用户当前阅读的新闻所包括的新闻关键词,此时所述新闻关键词即可代表目标用户当前感兴趣的新闻内容特征。
步骤S220,根据新闻关键词对与目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将新闻关键词加入到兴趣数据库内。
在本实施例中,所述媒体服务器10在得到所述目标用户当前阅读的新闻所包括的新闻关键词后,可根据该新闻关键词对目标用户的兴趣数据库中已有兴趣关键词在用户兴趣变化过程中的影响力大小进行更新,而后将该新闻关键词加入到更新后的兴趣数据库中,以使最终得到的兴趣数据库能够与用户真实兴趣实时匹配。
可选地,请参照图3,图3是图2中的步骤S220所包括的子步骤的流程示意图。在本实施例中,所述步骤S220可以包括子步骤S221~子步骤S224。
子步骤S221,计算每个新闻关键词与兴趣数据库内的每个兴趣关键词之间的特征相似度。
在本实施例中,所述媒体服务器10可采用词向量模型(例如,Word2vec、glove、one-hot、fastText、Bert及Elmo等)对所述兴趣数据库内的每个兴趣关键词以及当前得到的每个新闻关键词进行编码的方式,完成对所述每个兴趣关键词以及当前得到的每个新闻关键词的词向量转换,得到对应的兴趣关键词向量以及新闻关键词向量。而后,计算每个兴趣关键词向量与各新闻关键词向量之间的余弦相似度,并将得到余弦相似度作为对应兴趣关键词向量与新闻关键词向量之间的特征相似度。
子步骤S222,对兴趣数据库内存储的第一兴趣关键词以及第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新。
在本实施例中,所述第一兴趣关键词是所述兴趣数据库内的与所述新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词。当发现一个第一兴趣关键词,即可表明对应用户在当前阅读的新闻中找到了一个可替换该第一兴趣关键词的新闻关键词,所述媒体服务器10可通过在所述兴趣数据库内对所述第一兴趣关键词以及该第一兴趣关键词的兴趣成新率进行删除的方式,以在所述新闻关键词被加入所述兴趣数据库时出现关键词内容实质重复的现象,并延长对应关键词内容的时效性。
当所述媒体服务器10将所述兴趣数据库内存储的第一兴趣关键词以及第一兴趣关键词的兴趣成新率全部删除后,会采用预设时间迁移率对所述兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,以对各剩余兴趣关键词在用户兴趣变化过程中的影响力大小进行调整。其中,更新后的兴趣成新率等于所述预设时间迁移率与更新前的兴趣成新率之间的积值,所述预设时间迁移率为数值小于1的小数,因此更新后的兴趣成新率将对应小于更新前的兴趣成新率。
子步骤S223,对兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及第二兴趣关键词的兴趣成新率进行删除。
在本实施例中,所述第二兴趣关键词为所述兴趣数据库内对应兴趣成新率小于预设成新率阈值的兴趣关键词。当发现一个第二兴趣关键词时,即可表明该第二兴趣关键词在当前的用户兴趣变化过程中的影响力大小过小,其实质无法代表用户当前真实对新闻的选取意愿,此时所述媒体服务器10将对应删除所述兴趣数据库内的所有第二兴趣关键词及每个第二兴趣关键词的兴趣成新率,避免所述兴趣数据库出现数据冗余现象,并提升所述兴趣数据库与目标用户的适配程度。
子步骤S224,针对每个新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到兴趣数据库内。
在本实施例中,当所述媒体服务器10将对应删除所述兴趣数据库内的第一兴趣关键词及其对应的兴趣成新率,以及第二兴趣关键词及其对应的兴趣成新率后,会将当前得到的所有新闻关键词作为待加入到所述兴趣数据库的兴趣关键词,并针对当前得到的每个新闻关键词,为其配置数值为1的兴趣成新率,接着将该新闻关键词及其兴趣成新率加入到兴趣数据库内,从而保证最终的兴趣数据库与目标用户当前的兴趣变化趋势实质匹配。
由此,所述媒体服务器10可通过执行上述子步骤S221~子步骤S224的方式,确保最终得到的兴趣数据库能够与目标用户的真实兴趣实时匹配,并反映出目标用户当前的兴趣变化趋势。
步骤S230,根据兴趣数据库所包括的所有关键词,计算目标用户当前的用户兴趣特征向量。
在本实施例中,当完成对所述兴趣数据库的内容更新后,可通过对所述兴趣数据库所包括的所有关键词进行向量融合的方式,得到所述目标用户当前的用户兴趣特征向量。
可选地,请参照图4,图4是图2中的步骤S230所包括的子步骤的流程示意图。在本实施例中,所述步骤S230可以包括子步骤S231~子步骤S232。
子步骤S231,对兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量。
在本实施例中,所述媒体服务器10可采用词向量模型(例如,Word2vec、glove、one-hot、fastText、Bert及Elmo等)对此时的所述兴趣数据库内的每个关键词进行编码的方式,完成对所述兴趣数据库内所有关键词的词向量转化,得到对应的各关键词向量。
子步骤S232,以兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到用户兴趣特征向量。
在本实施例中,所述媒体服务器10可将所述兴趣数据库内各关键词的兴趣成新率作为权重,对得到的各关键词向量进行加权求和,并将最终的加权求和结果作为该目标用户当前的用户兴趣特征向量。
步骤S240,提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算待推荐新闻的新闻内容特征向量。
在本实施例中,所述待推荐新闻为所述媒体服务器10随机选取的某个可能被推荐给所述目标用户的新闻,所述媒体服务器10会从该待推荐新闻中提取出用于表征该待推荐新闻的实质新闻特性的新闻内容特征向量。
可选地,请参照图5,图5是图2中的步骤S240所包括的子步骤的流程示意图之一。在本实施例中,所述步骤S240中提取待推荐新闻的新闻分词向量的步骤可以包括子步骤S241~子步骤S243。
子步骤S241,对待推荐新闻的新闻内容进行分词处理,得到待推荐新闻的分词结果。
子步骤S242,对分词结果进行去停用词处理,得到与待推荐新闻对应的新闻分词。
子步骤S243,对得到的新闻分词进行词向量转化,得到对应的新闻分词向量。
其中,所述媒体服务器10可采用词向量模型(例如,Word2vec、glove、one-hot、fastText、Bert及Elmo等)对得到的新闻分词进行编码的方式,完成对所述新闻分词的词向量转化,得到对应的新闻分词向量。
可选地,请参照图6,图6是图2中的步骤S240所包括的子步骤的流程示意图之二。在本实施例中,所述步骤S240中根据提取到的新闻分词向量计算待推荐新闻的新闻内容特征向量的步骤可以包括子步骤S245及子步骤S246。
子步骤S245,将新闻分词向量输入注意力机制模型。
子步骤S246,调用注意力机制模型在词语级别注意力层级及句子级注意力层级,对新闻分词向量进行特征融合,得到新闻内容特征向量。
在本实施例中,所述注意力机制模型可以包括词语层级子模型及句子层级子模型,所述词语层级子模型的输出端与所述句子层级子模型的输入端连通,所述词语层级子模型的输入端用于接收所述新闻分词向量,所述句子层级子模型的输出端用于输出所述新闻内容特征向量。其中,所述词语层级子模型与所述句子层级子模型均可采用双向门控循环单元、单向门控循环单元、双向长短时记忆网络及单向长短时记忆网络中任意一种网络结构进行构建,而词语层级子模型与所述句子层级子模型之间的配合可采用层次注意力机制、自注意力机制及多头自注意力机制等注意力机制中的任意一种来实现。
请再次参照图2,步骤S250,根据用户兴趣特征向量及新闻内容特征向量,计算待推荐新闻被目标用户点击的点击概率。
在本实施例中,所述媒体服务器10可通过将得到的所述用户兴趣特征向量与所述新闻内容特征向量进行向量点乘的方式,得到所述待推荐新闻被目标用户点击的点击概率。
步骤S260,在点击概率大于或等于预设概率阈值的情况下,将待推荐新闻推荐给目标用户。
在本实施例中,当所述媒体服务器10计算出所述待推荐新闻在目标用户当前的用户兴趣特征向量下对应的点击概率大于或等于预设概率阈值时,即可表明所述媒体服务器10当前选定的待推荐新闻与目标用户当前的兴趣变化趋势实时匹配,所述媒体服务器10将对应地将所述待推荐新闻的访问连接发送给该目标用户所使用的终端设备,从而完成整个新闻个性化推荐功能。
由此,所述媒体服务器10能够通过执行上述步骤S210~步骤S260的方式,引入关键词的概念来确定目标用户当前的用户兴趣特征,并结合待推荐新闻的新闻内容,直观地推测出对应待推荐新闻被目标用户点击浏览的可能性,进而在可能性较大的情况下,将该待推荐新闻推荐给目标用户进行浏览,从而大大地减少现有技术中描述用户兴趣迁移状况的计算资源损耗量,提升了新闻推荐效率,并能确保推荐给目标用户的新闻内容与用户兴趣变化趋势实时匹配,实现了新闻个性化推荐功能。
在本申请中,为确保所述媒体服务器10所包括的新闻推荐装置100能够正常实施,本申请通过对所述新闻推荐装置100进行功能模块划分的方式实现其功能。下面对本申请提供的新闻推荐装置100的具体组成进行相应描述。
请参照图7,图7是本申请实施例提供的新闻推荐装置100的组成示意图。在本申请实施例中,所述新闻推荐装置100可以包括关键词提取模块110、数据库更新模块120、特征向量计算模块130、点击概率计算模块140及新闻推荐模块150。
关键词提取模块110,用于对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词。
数据库更新模块120,用于根据新闻关键词对与目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将新闻关键词加入到兴趣数据库内。
特征向量计算模块130,用于根据兴趣数据库所包括的所有关键词,计算目标用户当前的用户兴趣特征向量。
所述特征向量计算模块130,还用于提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算待推荐新闻的新闻内容特征向量。
点击概率计算模块140,用于根据用户兴趣特征向量及新闻内容特征向量,计算待推荐新闻被目标用户点击的点击概率。
新闻推荐模块150,用于在点击概率大于或等于预设概率阈值的情况下,将待推荐新闻推荐给目标用户。
其中,所述数据库更新模块120根据新闻关键词对与目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将新闻关键词加入到兴趣数据库内的方式,包括:
计算每个新闻关键词与兴趣数据库内的每个兴趣关键词之间的特征相似度;
对兴趣数据库内存储的第一兴趣关键词以及第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,其中第一兴趣关键词为与新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词,更新后的兴趣成新率等于预设时间迁移率与更新前的兴趣成新率之间的积值;
对兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及第二兴趣关键词的兴趣成新率进行删除,其中第二兴趣关键词为对应兴趣成新率小于预设成新率阈值的兴趣关键词;
针对每个新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到兴趣数据库内。
其中,所述特征向量计算模块130根据兴趣数据库所包括的所有关键词,计算目标用户当前的用户兴趣特征向量的方式,包括:
对兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量;
以兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到所述用户兴趣特征向量。
其中,所述特征向量计算模块130提取待推荐新闻的新闻分词向量的方式,包括:
对待推荐新闻的新闻内容进行分词处理,得到待推荐新闻的分词结果;
对分词结果进行去停用词处理,得到与待推荐新闻对应的新闻分词;
对得到的新闻分词进行词向量转化,得到对应的新闻分词向量。
其中,所述特征向量计算模块130根据提取到的新闻分词向量计算待推荐新闻的新闻内容特征向量的方式,包括:
将新闻分词向量输入注意力机制模型;
调用注意力机制模型在词语级别注意力层级及句子级注意力层级,对所述新闻分词向量进行特征融合,得到新闻内容特征向量。
需要说明的是,本申请实施例所提供的新闻推荐装置100,其基本原理及产生的技术效果与前述的新闻推荐方法相同,为简要描述,本实施例部分未提及之处,可参考上述的针对新闻推荐方法的描述内容。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,在本申请提供的一种新闻推荐方法、装置、媒体服务器及可读存储介质中,本申请通过从目标用户当前阅读的新闻内容中提取新闻关键词,并在采用新闻关键词对目标用户的兴趣数据库内已存储的兴趣关键词进行内容调整后,将该新闻关键词加入到兴趣数据库中,而后基于兴趣数据库所包括的所有关键词确定出用户当前的用户兴趣特征向量,接着从待推荐新闻中提取出对应的新闻内容特征向量,并根据得到的用户兴趣特征向量与新闻内容特征向量计算该待推荐新闻被目标用户点击的点击概率,进而在对点击概率大于或等于预设概率阈值的情况下,直接将待推荐新闻推荐给目标用户,从而在缩减现有新闻推荐过程中的计算资源损耗量,提升新闻推荐效率的同时,确保了推荐的新闻内容与用户兴趣变化趋势实时匹配,实现新闻个性化推荐功能。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种新闻推荐方法,其特征在于,所述方法包括:
对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词;
根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内;
根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量;
提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量;
根据所述用户兴趣特征向量及所述新闻内容特征向量,计算所述待推荐新闻被所述目标用户点击的点击概率;
在所述点击概率大于或等于预设概率阈值的情况下,将所述待推荐新闻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,所述根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内的步骤,包括:
计算每个所述新闻关键词与所述兴趣数据库内的每个所述兴趣关键词之间的特征相似度;
对所述兴趣数据库内存储的第一兴趣关键词以及所述第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对所述兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,其中所述第一兴趣关键词为与所述新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词,更新后的兴趣成新率等于所述预设时间迁移率与更新前的兴趣成新率之间的积值;
对所述兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及所述第二兴趣关键词的兴趣成新率进行删除,其中所述第二兴趣关键词为对应兴趣成新率小于预设成新率阈值的兴趣关键词;
针对每个所述新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到所述兴趣数据库内。
3.根据权利要求2所述的方法,其特征在于,所述根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量的步骤,包括:
对所述兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量;
以所述兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到所述用户兴趣特征向量。
4.根据权利要求1所述的方法,其特征在于,所述提取待推荐新闻的新闻分词向量的步骤,包括:
对所述待推荐新闻的新闻内容进行分词处理,得到所述待推荐新闻的分词结果;
对所述分词结果进行去停用词处理,得到与所述待推荐新闻对应的新闻分词;
对得到的所述新闻分词进行词向量转化,得到对应的新闻分词向量。
5.根据权利要求1所述的方法,其特征在于,所述根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量的步骤,包括:
将所述新闻分词向量输入注意力机制模型;
调用所述注意力机制模型在词语级别注意力层级及句子级注意力层级,对所述新闻分词向量进行特征融合,得到所述新闻内容特征向量。
6.一种新闻推荐装置,其特征在于,所述装置包括:
关键词提取模块,用于对目标用户当前阅读的新闻内容进行关键词提取,得到对应的新闻关键词;
数据库更新模块,用于根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内;
特征向量计算模块,用于根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量;
所述特征向量计算模块,还用于提取待推荐新闻的新闻分词向量,并根据提取到的新闻分词向量计算所述待推荐新闻的新闻内容特征向量;
点击概率计算模块,用于根据所述用户兴趣特征向量及所述新闻内容特征向量,计算所述待推荐新闻被所述目标用户点击的点击概率;
新闻推荐模块,用于在所述点击概率大于或等于预设概率阈值的情况下,将所述待推荐新闻推荐给所述目标用户。
7.根据权利要求6所述的装置,其特征在于,所述数据库更新模块根据所述新闻关键词对与所述目标用户对应的兴趣数据库内已存储的兴趣关键词进行内容调整,并将所述新闻关键词加入到所述兴趣数据库内的方式,包括:
计算每个所述新闻关键词与所述兴趣数据库内的每个所述兴趣关键词之间的特征相似度;
对所述兴趣数据库内存储的第一兴趣关键词以及所述第一兴趣关键词的兴趣成新率进行删除,并采用预设时间迁移率对所述兴趣数据库内剩余兴趣关键词的兴趣成新率进行更新,其中所述第一兴趣关键词为与所述新闻关键词的特征相似度大于预设相似度阈值的兴趣关键词,更新后的兴趣成新率等于所述预设时间迁移率与更新前的兴趣成新率之间的积值;
对所述兴趣数据库内剩余兴趣关键词中的第二兴趣关键词及所述第二兴趣关键词的兴趣成新率进行删除,其中所述第二兴趣关键词为对应兴趣成新率小于预设成新率阈值的兴趣关键词;
针对每个所述新闻关键词,为该新闻关键词配置数值为1的兴趣成新率,并将该新闻关键词及其兴趣成新率加入到所述兴趣数据库内。
8.根据权利要求7所述的装置,其特征在于,所述特征向量计算模块根据所述兴趣数据库所包括的所有关键词,计算所述目标用户当前的用户兴趣特征向量的方式,包括:
对所述兴趣数据库内各关键词进行词向量转化,得到对应的各关键词向量;
以所述兴趣数据库内各关键词的兴趣成新率为权重,对得到的各关键词向量进行加权求和,得到所述用户兴趣特征向量。
9.一种媒体服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序,实现权利要求1-5中任意一项所述的新闻推荐方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-5中任意一项所述的新闻推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138179.9A CN112256963A (zh) | 2020-10-22 | 2020-10-22 | 新闻推荐方法、装置、媒体服务器及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138179.9A CN112256963A (zh) | 2020-10-22 | 2020-10-22 | 新闻推荐方法、装置、媒体服务器及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112256963A true CN112256963A (zh) | 2021-01-22 |
Family
ID=74264728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138179.9A Pending CN112256963A (zh) | 2020-10-22 | 2020-10-22 | 新闻推荐方法、装置、媒体服务器及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112256963A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
CN113761365A (zh) * | 2021-09-01 | 2021-12-07 | 杭州云信智策科技有限公司 | 用于确定目标信息的数据处理系统 |
-
2020
- 2020-10-22 CN CN202011138179.9A patent/CN112256963A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
CN113761365A (zh) * | 2021-09-01 | 2021-12-07 | 杭州云信智策科技有限公司 | 用于确定目标信息的数据处理系统 |
CN113761365B (zh) * | 2021-09-01 | 2024-02-02 | 杭州云信智策科技有限公司 | 用于确定目标信息的数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012356B (zh) | 视频推荐方法、装置和设备及计算机存储介质 | |
US9892171B2 (en) | Personalized recommendation of a volatile item | |
US9165305B1 (en) | Generating models based on user behavior | |
US9697296B2 (en) | System generated context-based tagging of content items | |
WO2022033199A1 (zh) | 一种获得用户画像的方法及相关装置 | |
CN107992531A (zh) | 基于深度学习的新闻个性化智能推荐方法与系统 | |
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN110543598A (zh) | 信息推荐方法、装置及终端 | |
CN110163703B (zh) | 一种分类模型建立方法、文案推送方法和服务器 | |
CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
CN109241451B (zh) | 一种内容组合推荐方法、装置及可读存储介质 | |
CN110209931B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
CN112163149B (zh) | 推荐消息的方法及装置 | |
CN111552884B (zh) | 用于内容推荐的方法和设备 | |
CN111506831A (zh) | 一种协同过滤的推荐模块、方法、电子设备及存储介质 | |
CN112231593B (zh) | 一种金融资讯智能推荐系统 | |
CN112256963A (zh) | 新闻推荐方法、装置、媒体服务器及可读存储介质 | |
US20230237093A1 (en) | Video recommender system by knowledge based multi-modal graph neural networks | |
US20140214751A1 (en) | Mixed collaborative filtering-content analysis model | |
Parizi et al. | EmoNews: an Emotional News Recommender System. | |
CN112699307A (zh) | 一种信息的生成方法及装置 | |
CN117593089A (zh) | 信用卡推荐方法、装置、设备、存储介质及程序产品 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN110727853B (zh) | 向用户呈现控制的异构数字内容 | |
CN116610872A (zh) | 新闻推荐模型的训练方法及装置 |
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 |