CN112328906A - 内容项推荐方法、装置、设备及存储介质 - Google Patents

内容项推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112328906A
CN112328906A CN202011219044.5A CN202011219044A CN112328906A CN 112328906 A CN112328906 A CN 112328906A CN 202011219044 A CN202011219044 A CN 202011219044A CN 112328906 A CN112328906 A CN 112328906A
Authority
CN
China
Prior art keywords
content item
recommended
content items
exposure
target
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
Application number
CN202011219044.5A
Other languages
English (en)
Other versions
CN112328906B (zh
Inventor
纪曾文
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202011219044.5A priority Critical patent/CN112328906B/zh
Publication of CN112328906A publication Critical patent/CN112328906A/zh
Application granted granted Critical
Publication of CN112328906B publication Critical patent/CN112328906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请适用于大数据技术领域，提供了一种内容项推荐方法、装置、设备及存储介质。该方法包括获取目标应用中的目标内容项；目标内容项为被触发的时间最邻近当前时间的内容项；从全网数据中召回多个相关内容项；多个相关内容项与目标内容项之间符合文本相似度规则；基于探索和利用策略从多个相关内容项中筛选推荐内容项；向用户推送推荐内容项。本申请实施例提供的方法增大了用户感兴趣的相对冷门的内容项的曝光力度，克服了当前推荐的内容项越来越集中和固定，覆盖面越来越窄的技术问题；且不会对点击率造成较大的负面影响。

Description

内容项推荐方法、装置、设备及存储介质
技术领域
本申请属于大数据技术领域，尤其涉及一种内容项推荐方法、装置、设备及存储介质。
背景技术
随着大数据时代的到来，内容推荐已经成为大众在面对海量互联网信息筛选问题时的最佳解决方案。
传统技术中的内容推荐通常依赖于用户的行为特征，或内容项的曝光量进行分析处理。无论是在召回时还是精排处理时，传统的推荐算法通常会推荐热门的内容项或者符合用户喜好的内容项，导致推荐的内容项越来越集中和固定，覆盖面越来越窄，有明显的马太效应。
发明内容
有鉴于此，本申请实施例提供了一种内容项推荐方法、装置、设备及存储介质，以解决现有技术中推荐的内容项越来越集中和固定，覆盖面越来越窄的技术问题。
第一方面，本申请实施例提供了一种内容项推荐方法，方法包括：
获取目标应用中的目标内容项；目标内容项为被触发的时间最邻近当前时间的内容项；
从全网数据中召回多个相关内容项；多个相关内容项与目标内容项之间符合文本相似度规则；
基于探索和利用策略从多个相关内容项中筛选推荐内容项；推荐内容项为长尾内容项；
向用户推送推荐内容项。
在第一方面的一种可能实现方式中，文本相似度规则包括下述至少一项：
多个相关内容项与目标内容项的语义相似、多个相关内容项与目标内容项位于同一语义中心、以及多个相关内容项与目标内容项具有同一概念。
在第一方面的一种可能实现方式中，从全网数据中召回多个相关内容项，包括：
获取目标内容项在多个应用中的曝光量，并基于该曝光量生成第一向量；
获取多个候选内容项中每个候选内容在多个应用中的曝光量，并基于每个候选内容项的曝光量生成对应的第二向量；
将第一向量与每个第二向量进行余弦相似度计算，并将计算结果确定为目标内容项与对应的候选内容项之间的语义相似度；
将语义相似度满足第一预设要求的候选内容项，确定为相关内容项。
在第一方面的一种可能实现方式中，
基于探索和利用策略从多个相关内容项中筛选推荐内容项，包括：
获取每个相关内容项的曝光量和每个相关内容项的预测点击率；
根据每个相关内容项的曝光量，确定多个相关内容项的汇总曝光量；
将每个相关内容项的曝光量、预测点击率以及汇总曝光量作为输入，基于置信区间上界算法，计算获得每个相关内容项的指标值；
将多个指标值中的最大值对应的相关内容项，确定为推荐内容项。
在第一方面的一种可能实现方式中，曝光量为相关内容项在目标应用中被推荐给用户的次数；
和/或，
预测点击量为相关内容项在目标应用中被触发的次数与所述相关内容项的曝光量的比值。
在第一方面的一种可能实现方式中，向用户推送推荐内容项，包括：
根据推荐内容项与多个待推荐内容项生成推荐列表；多个待推荐内容项均为基于热度召回的内容项；
向用户曝光推荐列表。
在第一方面的一种可能实现方式中，根据所述推荐内容项与多个待推荐内容项生成推荐列表，包括：
基于热度从全网数据中召回多个待推荐内容项；
对多个待推荐内容项进行排序处理，生成待推荐列表；待推荐列表中多个待推荐内容项按照点击量从高到低的顺序排列；
将推荐内容项添加至待推荐列表的预设位置，生成推荐列表；预设位置用于指示推荐内容项的曝光量。
在第一方面的一种可能实现方式中，向用户曝光推荐列表之后，方法还包括；
获取目标应用在预设时间内的线上点击率；
在线上点击率满足第二预设要求的情况下，保持预设位置不变；
在线上点击率不满足第二预设要求的情况下，向后调整预设位置。
第二方面，本申请实施例提供了一种内容项推荐装置，装置包括：
获取模块，用于获取目标应用中的目标内容项；目标内容项为被触发的时间最邻近当前时间的内容项；
召回模块，用于从全网数据中召回多个相关内容项；多个相关内容项与目标内容项之间符合文本相似度规则
筛选模块，用于基于探索和利用策略从多个相关内容项中筛选推荐内容项；推荐内容项为长尾内容项；
推送模块，用于向用户推送推荐内容项。
第三方面，本申请实施例提供了一种内容项推荐设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面任一项方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一项方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的方法。
本申请实施例提供的内容项推荐方法，目标内容项为被触发的时间最邻近当前时间的内容项，即目标内容项目为实时获取的符合用户喜好的内容项。因此与目标内容项之间符合文本相似度规则的相关内容项也为用户喜好的内容项，而在相关内容项中筛选出的推荐内容项也能够符合用户的喜好，保障了目标应用的点击率。之后，基于探索和利用策略从多个相关内容项中筛选推荐内容项。其中，探索和利用策略不仅能够尝试不同的行为以期望获得最大的收益(例如多样化的内容项)，还可以基于当前已知信息做出最佳选择(例如基于该选择确定的内容项可以带来较高的在线点击率)。因此，基于探索和利用策略筛选推荐内容项，可以在兼顾点击率的同时，探索确定相对较为冷门的内容项(长尾内容项)为推荐内容项，通过增大推荐内容项的曝光量，缓解马太效应。本申请实施例提供的内容项推荐方法，在每一次内容推荐中增大用户感兴趣的长尾内容项的曝光力度，从而在多次内容推荐中，保障用户感兴趣的多个长尾内容项得到曝光，增大推荐内容项的覆盖面，缓解马太效应。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的内容项推荐方法的流程示意图；
图2为本申请实施例提供的召回多个相关内容项的流程示意图；
图3为本申请实施例提供的一种获取推荐内容项的流程示意图；
图4为本申请实施例提供的一种向用户推送推荐内容项的流程示意图
图5为本申请实施例提供的待推荐列表和推荐列表的示意图；
图6为本申请另一实施例提供的内容项推荐方法的流程示意图；
图7为本申请一实施例提供的内容项推荐装置的结构示意图；
图8是本申请一实施例提供的内容项推荐设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行示例性说明。值得说明的是，下文中列举的具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请实施例提供的一种内容项推荐方法的流程示意图，如图1所示，该方法包括：
S10、获取目标应用中的目标内容项；目标内容项为被触发的时间最邻近当前时间的内容项。
本实施例中，内容项被触发的时间可以是指用户在目标应用中点击该内容项的时间。用户点击的内容项可以称为被触发的内容项。
本实施例中，可以将自当前时间起之前的多个被触发的内容，按照被触发的时间的先后顺序进行排序；并将排序获得的最后M个被触发的内容项确定为目标内容项。其中，M为大于或等于1的整数。
本实施例中，不同用户对应的目标内容项目可以不同。
示例性的，M为1。用户A在目标应用中按照时间先后顺序依次点击了内容项1，内容项3，内容项11。则用户A的目标内容项为内容项11。
用户B在目标应用中按照时间先后顺序依次点击了内容项8、内容项4。用户B的目标内容项为内容项4。
S20、从全网数据中召回多个相关内容项；多个相关内容项与目标内容项之间符合文本相似度规则。
本实施例中，每个目标内容项可以对应有多个相关内容项。多个相关内容项与目标内容项之间符合文本相似度规则。
本实施例中，文本相似度规则可以包括下述至少一项：
多个相关内容项与目标内容项的语义相似；多个相关内容项与目标内容项位于同一语义中心；多个相关内容项与目标内容项具有同一概念。
一种实施方式中，可以从全网数据中召回，与目标内容项语义相似的多个相关内容项。其中，语义相似可以是指目标内容项的标签向量，与相关内容项的标签向量之间的相似度大于第一阈值。
标签向量为表征内容项的语义的向量。可以通过标签向量之间的欧式距离确定相似度。欧式距离越小，则相似度越高。
例如，在获取目标内容项后，可以对目标内容项的标题进行分解得到多个分词；再对各分词进行向量扩词，得到各分词的扩词；并基于预设的词典对各扩词进行翻译，得到目标内容项的标签向量。
在得到目标内容项的标签向量之后，从全网数据中检索查询，与上述标签向量相似度大于第一阈值的多个相关内容项。
示例性的，目标内容项的标题名称为“教育日历|给孩子一个有爱的环境”，则基于语义相似召回的相关内容项的标题，可以包括“教育日历|培养孩子的上进心”、“教育日历|父母也需要反省自己”和”教育日历|教育需要耐心”。
另一种实施方式中，可以从全网数据中召回，与目标内容项位于同一语义中心多个相关内容项。
例如，可以在目标应用离线状态时，预先根据标签向量，对全网中的多个内容项进行聚类分析处理，获得多个类别。每个类别包含的内容项表达一个相似的文章主题。则同一类别中的内容项可以理解为位于同一语义中心的内容项。
本实施方式中，在获取目标内容项后，确定目标内容项所属的类别。可以将该类别中，除目标内容项之外的内容项作为相关内容项，或者从该类别中筛选，除目标内容项之外的内容项，从而获得多个相关内容项。
又一种实施方式中，可以从全网数据中召回，与目标内容项具有同一概念的多个相关内容项。其中，同一概念可以是指标题包含相同的文章主题。
例如，目标内容项的标题的主题为“抗洪救灾”，则可以将标题中包含“抗洪救灾”的内容项确定为相关内容项。
本实施例中的召回为基于文本相似度规则的召回，不仅仅考虑内容项的热度、曝光量或用户行为数据，可以使得召回的相关内容项具有多样项，且召回的多个相关内容项中能够包含相对冷门的内容项。
S30、基于探索和利用策略从多个相关内容项中筛选推荐内容项，推荐内容项为长尾内容项。
本实施例中，探索和利用策略包含探索策略和利用策略。
探索策略的目标在于尝试不同的行为以期望获得最大的收益。本实施例中探索策略的目标可以是指，推荐曝光量较低的内容项，以增大内容项的覆盖面。
利用策略旨在利用当前已知信息做出最佳选择。本实施例中利用策略可以是指，基于各相关内容项的已知的点击量，筛选具有高点击率的内容项，以提高目标应用的在线点击率。
因此，通过探索和利用策略从多个相关内容项中筛选推荐内容项，可以兼顾点击率的同时，探索确定相对冷门的内容项，以增大推荐内容项的覆盖面。
其中，相对冷门的内容项可以是指长尾内容项。长尾内容项是指将多个内容项按曝光量降序排序后的分布曲线中，分布在尾巴位置的内容项。长尾内容项的曝光量排名较低。
本实施例中，可以根据探索和利用策略确定每个相关内容项的指标值。然后根据各相关内容项的指标值确定推荐内容项。其中，每个指标值用于表征相关内容项可能带来的效益。
示例性地，探索和利用策略包括但不限于：置信度上界算法(Upper ConfidenceBound Algorithm)、抽样方法、自适应ε贪婪策略。
S40、向用户推送推荐内容项。
本实施例中，可以将推荐内容项添加至推荐列表，向用户推送推荐列表以实现推荐内容项的曝光。
本申请实施例提供的内容项推荐方法，目标内容项为被触发的时间最邻近当前时间的内容项，即目标内容项目为实时获取的符合用户喜好的内容项。因此与目标内容项之间符合文本相似度规则的相关内容项也为用户喜好的内容项，而在相关内容项中筛选出的推荐内容项也能够符合用户的喜好，保障了目标应用的点击率。之后，基于探索和利用策略从多个相关内容项中筛选推荐内容项。其中，探索和利用策略不仅能够尝试不同的行为以期望获得最大的收益(例如多样化的内容项)，还可以基于当前已知信息做出最佳选择(例如基于该选择确定的内容项可以带来较高的在线点击率)。因此，基于探索和利用策略筛选推荐内容项，可以在兼顾点击率的同时，探索确定相对较为冷门的内容项(长尾内容项)为推荐内容项，通过增大推荐内容项的曝光量，缓解马太效应。本申请实施例提供的内容项推荐方法，在每一次内容推荐中增大用户感兴趣的长尾内容项的曝光力度，从而在多次内容推荐中，保障用户感兴趣的多个长尾内容项得到曝光，增大推荐内容项的覆盖面，缓解马太效应。
图2为本申请实施例提供的一种多个相关内容项的流程示意图。如图2所示，从全网数据中召回多个相关内容项，包括：
S201、获取目标内容项在多个应用中的曝光量，并基于曝光量生成第一向量。
本实施例中，目标内容项在每个应用中的曝光量可以为统计数据。
本实施例中，基于目标内容项目在每个应用中的曝光量，确定目标内容项在多个应用中的分布概率，然后根据目标内容项目的分布概率生成第一向量。
示例性地，目标内容项在三个应用中(例如可以为应用1、应用2、应用3)的曝光量分别为100、150以及180。则可以计算获得目标内容项在三个应用中的分布概率为{应用1：0.232，应用2：0.349，应用3：0.419}
根据目标内容项的分布概率，确定目标内容项目的第一向量为{0.232，0.349，0.419}。
S202、获取多个候选内容项中每个候选内容在多个应用中的曝光量，并基于每个候选内容项的曝光量生成对应的第二向量。
本实施例中，获取每个候选内容项的第二向量的方式与步骤201相同，在此不再赘述。
本实施例中，每个第二向量中与第一向量中相同位置对应相同的应用的分布概率。
应理解的是，本步骤中的多个应用于步骤201中的多个应用相同，且统计时间也相同。
S203、将第一向量与每个第二向量进行余弦相似度计算，并将计算结果确定为目标内容项与对应的候选内容项之间的语义相似度。
本实施例中，余弦相似度可以是指向量空间中两个向量夹角的余弦值。
两个向量之间的余弦值越接近1，则表明两个向量之间的夹角越接近0°，即表征两个向量越相似。
本实施例中，计算余弦相似度的公式可以参见式(1)：
Figure BDA0002761434240000101
其中，n表示第一向量和第二向量的维度，n与多个应用的个数相同；
1≤i≤n，i为整数；xi是第一向量中第i个参数的向量值，yi是第二向量中第i个参数的向量值。
S204、将语义相似度满足第一预设要求的候选内容项，确定为相关内容项。
本实施例中，第一预设要求可以是指语义相似度与1接近。具体可以表征为1与语义相似度之间的差值小于预设阈值。例如，语义相似度为(0.8-1)的候选内容项可以确定为相关内容项。
由于内容项不同应用上的曝光意图具有相似性，本申请实施例提供的召回多个相关内容项的方法，基于不同内容项在多个应用上的曝光量的分布概率进行相似度比较，确定与目标内容项语义相似的相关内容项。同时，基于余弦相似度可以确定在各内容项分布上的差异，降低曝光量的绝对数值的敏感性，修正了度量标准不统一的问题。
图3为本申请实施例提供的一种获取推荐内容项的流程示意图。本实施例中。如图3所示，基于探索和利用策略从多个相关内容项中筛选推荐内容项，包括：
S301、获取每个相关内容项的曝光量和每个相关内容项的预测点击率。
本实施例中，曝光量可以为相关内容项在目标应用中被推荐给用户的次数；预测点击率可以为相关内容项在目标应用中被触发的次数与相关内容项的曝光量的比值。
其中，每个相关内容的曝光量、目标应用中被触发的次数均为统计数据。可以根据在线用户在预设时间长度内的实时数据，统计获得每个相关内容的曝光量、以及被触发的次数。
根据被触发的次数与曝光量的比值确定每个相关内容项的预测点击率。
针对每个相关内容项，若该相关内容项统计获得的曝光量或被触发的次数不为0，则根据统计数据确定曝光量或被触发的次数。若统计获得额曝光量或被触发的次数为0，则根据预设的缺省值确定曝光量或被触发的次数。
S302、根据每个相关内容项的曝光量，确定多个相关内容项的汇总曝光量。
本实施例中，对多个相关内容项中每个相关内容项的曝光量求和处理，确定汇总曝光量。
S303、将每个相关内容项的曝光量、预测点击率以及汇总曝光量作为输入，基于置信区间上界算法，计算获得每个相关内容项的指标值。
本实施例中，置信区间上界算法可以参考式(2)。
Figure BDA0002761434240000111
其中，Pj是第j个相关内容项的指标值，xj(t)是第j个相关内容项的预测点击率量，t是第j个相关内容项的曝光量，Tn,t是n个相关内容项的汇总曝光量。n为相关内容项的个数，j为大于等于且小于等于n的整数。
根据式(2)计算获得每个相关内容项的指标值。每个相关内容项的指标值表征了该相关内容项可能带来的效益。
S304、将多个指标值中的最大值对应的相关内容项，确定为推荐内容项。
本实施例中，可以将n个指标值中最大值对应的相关内容项，确定为推荐内容项。
一些实施例中，也可以将n个指标中TOPN的数值各自分别对应的相关内容项，确定为N个推荐内容项。其中，N为大于1且小于n的整数。
本申请实施例中，指标值根据置信区间上界算法计算获得，指标值包含了两部分，同时兼顾了相关内容项已知点击量，以及曝光量。因此，基于该方法确定推荐内容项可以为曝光量排名靠后的内容项。
图4为本申请实施例提供的一种向用户推送推荐内容项的流程示意图。如图4所示，向用户推送推荐内容项，包括：
S401、根据推荐内容项与多个待推荐内容项生成推荐列表；多个待推荐内容项均为基于热度召回的内容项。
一些示例中，可以对推荐内容项以及多个待推荐内容项进行排序处理，生成推荐列表。
又一些示例中，可以对多个待推荐内容项首先进行排序处理，生成待推荐内容项的队列。之后将推荐内容项插入上述队列，生成推荐列表。
其中，排序处理可以是指通过精排模型对多个待推荐内容项进行排序。精排模型可以为现有技术中的精排模型，在此不做限定。
本实施例中，待推荐内容项可以为下述至少一种：基于热度召回的内容项、基于协同过滤算法召回的内容项、基于兴趣标签召回的内容项。
一些示例中，可以基于根据协同过滤推荐算法(Collaborative FilteringRecommendation，CF算法)，或者基于内容的推荐算法(Content-based Recommendation，CB算法)进行全网内容项的搜索和召回。
另一些示例中，可以基于热度召回多个待推荐内容项，并生成推荐列表。例如，根据推荐内容项与多个待推荐内容项生成推荐列表可以包括：
步骤1：基于热度从全网数据中召回多个待推荐内容项。
本步骤中，待推荐内容项为全网数据中热度较高的内容项。其中，热度较高的内容项可以是指在全网数据中曝光量较大的内容项。
步骤2：对多个待推荐内容项进行排序处理，生成待推荐列表。待推荐列表中多个待推荐内容项按照曝光量从高到低的顺序排列。
本步骤中，将获得多个待推荐内容项目按照曝光量从高到低的顺序进行排列，生成待推荐列表。
步骤3：将推荐内容项添加至待推荐列表的预设位置，生成推荐列表。
本实施例中，待推荐列表中多个待推荐内容项按照曝光量从高到低的顺序排列，并依次为每个待推荐内容项分配一个序号。则预设位置可以是指待推荐列表中的预设序号对应的待推荐内容项的位置。
本实施例中，预设位置用于指示推荐内容项的曝光量。预设位置对应的预设序号越靠前，则表示推荐内容项的曝光量排名越靠前。即推荐内容项的曝光量越高。
例如，待推荐列表包含了20个待推荐内容项，每个待推荐内容项按照顺序依次对应一个序号。20个待推荐内容项对应的序号分别为1、2、3…20。预设为可以是指，预设序号10对应的待推荐内容项的位置。
本实施例中，可以直接将预设序号对应的待推荐内容项，替换为推荐内容项；也可以将推荐内容项添加至预设序号对应的位置，然后将预设序号以及预设序号之后的内容项依次向后移动一个位置。
例如，推荐列表中包含了20个内容项，预设序号为10。则可以将待推荐列表中序号为10的待推荐内容项，直接替换为推荐内容项，生成最终的推荐列表。也可以将推荐内容项添加至预设序号为10的位置，将原预设序号为10以及10以后的待推荐内容项依次向后移动一个位置，则原序号为20的待推荐内容项被间接替换，生成最终的推荐列表。
应理解的是，若推荐内容项有多个，可以为每个内容项分别设置一个预设位置。
图4为本申请实施例提供的待推荐列表和推荐列表的示意图。如图4所示，图4包括(A)、(B)以及(C)三个列表，其中表(A)为基于热度召回的待推荐内容生成的待推荐列表。待推荐列表中包含了22个待推荐的内容项，该22个待推荐内容项根据曝光量从高到低的顺序进行排序，各待推荐内容项对应的序号依次为1、2…22。
本示例中，预设序号为16。一种实施方式中，将该待推荐列表中预设序号为16的位置的待推荐内容项替换为推荐内容项，可以获得如表(B)所示的推荐列表。另一种实施方式中，将推荐内容项添加至预设序号16对应的位置，将原预设序号为16以及16以后的待推荐内容项依次向后移动一个位置，则原序号为22的待推荐内容项被间接替换，生如表(C)所示的推荐列表。
S402、向用户曝光推荐列表。
本实施例中，推挤列表中的内容项为待曝光内容项。向用户曝光推荐列表可以是指，根据推荐列表中各待曝光内容项的位置，确定各待曝光内容项的曝光量。并根据上述曝光量向用户曝光推荐列表中各待曝光内容项。
其中，待曝光内容项在推荐列表中的位置越靠前，则对应的曝光量越高。
本申请实施例提供的向用户推送推荐内容项的方法，直接在预设位置插入推荐内容项，使得推荐内容项不需要进行精排处理，即可直接向用户曝光。
由于推荐内容项可以为相对冷门的长尾内容项，则在推荐列表中加入推荐内容项可能会对目标应用的线上点击率造成不良影响，即线上点击率可能会降低。故在向用户曝光推荐列表中，可以获取目标应用的线上点击率，以根据点击率的大小调整推荐内容项在推荐列表中的预设位置。下面通过图6的实施例，进行示例性的说明。
图6为本申请另一实施例提供的内容项推荐方法的流程示意图。如图6所示，向用户曝光推荐列表之后，内容项推荐方法还可以包括；
S50、获取目标应用在预设时间内的线上点击率。
本实施例中，线上点击率可以是指线上点击量和线上曝光量的比值。目标应用在预设时间内的线上点击率，可以是指预设时间内，目标应用上被曝光的内容项被在线用户点击的概率。
被曝光的内容项有多个，不同的内容项对线上点击率的影响不同。例如，被曝光的内容项的热度较高，则线上点击率会增大；被曝光的内容项的热度较低，则线上点击率会降低。
本实施例中，可以分别获取预设时间内，被曝光的内容项被在线用户点击的汇总点击量，以及预设时间内被曝光的内容项的汇总曝光量。将汇总点击量与汇总曝光量之间的比值，确定为目标应用在预设时间内的线上点击率。
其中，汇总点击量可以是指，所有被曝光的内容项中每个内容项的点击量的数量和。汇总曝光量可以是指，所有被曝光的内容项中每个内容项的曝光量的数量和。
S60、在线上点击率满足第二预设要求的情况下，保持预设位置不变。
本实施例中，线上点击率满足第二预设要求可以是指线上点击率高于第二阈值。
一些示例中，第二阈值可以为预设值。
另一些示例中，第二阈值可以为根据目标推荐列表确定的线上点击率。目标推荐列表为基于热度从全网召回的内容项生成的推荐列表。
可以首先召回多个热度较高的内容项。将上述多个内容项按照热度从高到低排列生成目标推荐列表，并向用户推荐该目标推荐列表。基于向用户推荐该目标推荐列表的情况下，统计计算目标应用在预设时间内的基准线上点击率。根据该基准线上点击率确定第二阈值，例如，可以将基准线上点击率的90％的值确定为第二阈值。
本实施例中，保持预设位置不变可以是指，保持推荐内容项在推荐列表中的对应的序号不变。
例如，推荐列表包含了20个内容项，每个内容项对应一个序号。20个内容项对应的序号分别为1、2、3…20，推荐内容项对应的序号为10。若线上点击率高于第二阈值，则在持续向用户推荐包含推荐内容项的推荐列表时，推荐内容项对应的序号保持为10不变。
本实施例中，若线上点击率高于第二阈值，则表示推荐内容项虽然为相对冷门的长尾内容项，但是推荐内容项对线上点击率的不良影响较低。
S70、在线上点击率不满足第二预设要求的情况下，向后调整预设位置。
本实施例中，线上点击率不满足第二预设要求可以是指线上点击率低于或等于第二阈值。线上点击率不满足第二预设要求，则表征推荐内容项对线上点击率造成了不良影响，可以相应的向后调整预设位置，以降低推荐内容项的曝光量，进而降低推荐内容项对线上点击率的不良影响。
一些示例中，向后调整预设位置可以是指，增大推荐内容项在推荐列表中对应的序号。
例如，推荐列表包含了20个内容项，每个内容项按照对应一个序号。20个内容项对应的序号分别为1、2、3…20，推荐内容项对应的序号为10。若线上点击率低于或等于第二阈值，则在下一次生成推荐列表时，将推荐内容项对应的序号增大为11；获取目标应用在预设时间内的线上点击率，若线上点击率仍低于或等于第二阈值，则继续增大推荐内容项对应的序号，直至线上点击率高于第二阈值。
本实施例，在向用户曝光推荐列表后，按照预设的时间间隔获取目标应用的线上点击率。在线上点击率不满足预设要求的情况下，通过向后调整预设位置的方法，降低推荐内容项的曝光量；从而降低推荐内容项对线上点击率的不良影响，保障线上点击率满足预设要求。因此，基于本实施例方法获取的推荐内容项，既能包含相对冷门的长尾内容项，增大推荐的内容项的覆盖面；同时可以满足线上点击率的要求。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的内容项推荐方法，本发明实施例进一步给出实现上述方法实施例的装置实施例。
图7为本申请一实施例提供的内容项推荐装置的结构示意图。如图7所示，内容项推荐装置80包括获取模块801、召回模块802、筛选模块803以及推送模块804。
获取模块801，用于获取目标应用中的目标内容项；目标内容项为被触发的时间最邻近当前时间的内容项。
召回模块802，用于从全网数据中召回多个相关内容项；多个相关内容项与目标内容项之间符合文本相似度规则。
筛选模块803，用于基于探索和利用策略从多个相关内容项中筛选推荐内容项，推荐内容项为长尾内容项。
推送模块804，用于向用户推送推荐内容项。
本申请实施例提供的内容项推荐装置，
目标内容项为被触发的时间最邻近当前时间的内容项，即目标内容项目为实时获取的符合用户喜好的内容项。因此与目标内容项之间符合文本相似度规则的相关内容项也为用户喜好的内容项，而在相关内容项中筛选出的推荐内容项也能够符合用户的喜好，保障了目标应用的点击率。之后，基于探索和利用策略从多个相关内容项中筛选推荐内容项。其中，探索和利用策略不仅能够尝试不同的行为以期望获得最大的收益(例如多样化的内容项)，还可以基于当前已知信息做出最佳选择(例如基于该选择确定的内容项可以带来较高的在线点击率)。因此，基于探索和利用策略筛选推荐内容项，可以在兼顾点击率的同时，探索确定相对较为冷门的内容项(长尾内容项)为推荐内容项，通过增大推荐内容项的曝光量，缓解马太效应。本申请实施例提供的内容项推荐方法，在每一次内容推荐中增大用户感兴趣的长尾内容项的曝光力度，从而在多次内容推荐中，保障用户感兴趣的多个长尾内容项得到曝光，增大推荐内容项的覆盖面，缓解马太效应。
可选地，文本相似度规则包括下述至少一项：
多个相关内容项与目标内容项的语义相似、多个相关内容项与目标内容项位于同一语义中心、以及多个相关内容项与目标内容项具有同一概念。
可选地，召回模块802，用于从全网数据中召回多个相关内容项，具体包括：获取目标内容项在多个应用中的曝光量，并基于该曝光量生成第一向量；
获取多个候选内容项中每个候选内容在多个应用中的曝光量，并基于每个候选内容项的曝光量生成对应的第二向量；
将第一向量与每个第二向量进行余弦相似度计算，并将计算结果确定为目标内容项与对应的候选内容项之间的语义相似度；
将语义相似度满足第一预设要求的候选内容项，确定为相关内容项。
可选地，筛选模块803用于基于探索和利用策略从多个相关内容项中筛选推荐内容项，具体可以包括：
获取每个相关内容项的曝光量和每个相关内容项的预测点击率；
根据每个相关内容项的曝光量，确定多个相关内容项的汇总曝光量；
将每个相关内容项的曝光量、预测点击率以及汇总曝光量作为输入，基于置信区间上界算法，计算获得每个相关内容项的指标值；
将多个指标值中的最大值对应的相关内容项，确定为推荐内容项。
可选地，曝光量为相关内容项在目标应用中被推荐给用户的次数；
和/或，
预测点击量为相关内容项在目标应用中被触发的次数与所述相关内容项的曝光量的比值。
可选地，推送模块804用于向用户推送推荐内容项，具体可以包括：
根据推荐内容项与多个待推荐内容项生成推荐列表；多个待推荐内容项均为基于热度召回的内容项；
向用户曝光推荐列表。
可选地，推送模块804用于根据所述推荐内容项与多个待推荐内容项生成推荐列表，具体可以包括：
基于热度从全网数据中召回多个待推荐内容项；
对多个待推荐内容项进行排序处理，生成待推荐列表；待推荐列表中多个待推荐内容项按照点击量从高到低的顺序排列；
将推荐内容项添加至待推荐列表的预设位置，生成推荐列表；预设位置用于指示推荐内容项的曝光量。
可选地，内容项推荐装置80还可以包括调整模块，调整模块用于在向用户曝光推荐列表之后，获取目标应用在预设时间内的线上点击率；在线上点击率满足第二预设要求的情况下，保持预设位置不变；在线上点击率不满足第二预设要求的情况下，向后调整预设位置。
图7所示实施例提供的内容项推荐装置，可用于执行上述方法实施例中的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图8是本申请一实施例提供的内容项推荐设备的示意图。如图8所示，该实施例的内容项推荐设备90包括：至少一个处理器901、存储器902以及存储在所述存储器902中并可在所述处理器901上运行的计算机程序。内容项推荐设备还包括通信部件903，其中，处理器901、存储器902以及通信部件903通过总线904连接。
处理器901执行所述计算机程序时实现上述各个内容项推荐方法实施例中的步骤，例如图1所示实施例中的步骤S10至步骤S40。或者，处理器901执行计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块801至804的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器902中，并由处理器901执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在所述内容项推荐设备90中的执行过程。
本领域技术人员可以理解，图8仅仅是内容项推荐设备的示例，并不构成对内容项推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
所称处理器901可以是中央处理单元(Central Processkng Unkt，CPU)，还可以是其他通用处理器、数字信号处理器(Dkgktal Skgnal Processor，DSP)、专用集成电路(Applkcatkon Speckfkc Kntegrated Ckrcukt，ASKC)、现成可编程门阵列(Fkeld-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器902可以是内容项推荐设备的内部存储单元，也可以是内容项推荐设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Medka Card，SMC)，安全数字(SecureDkgktal，SD)卡，闪存卡(Flash Card)等。所述存储器902用于存储所述计算机程序以及内容项推荐设备所需的其他程序和数据。存储器902还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Kndustry Standard Archktecture，KSA)总线、外部设备互连(Perkpheral Component，PCK)总线或扩展工业标准体系结构(ExtendedKndustry Standard Archktecture，EKSA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种内容项推荐方法，其特征在于，方法包括：
获取目标应用中的目标内容项；所述目标内容项为被触发的时间最邻近当前时间的内容项；
从全网数据中召回多个相关内容项；所述多个相关内容项与所述目标内容项之间符合文本相似度规则；
基于探索和利用策略从所述多个相关内容项中筛选推荐内容项；所述推荐内容项为长尾内容项；
向用户推送所述推荐内容项。
2.如权利要求1所述的内容项推荐方法，其特征在于，所述文本相似度规则包括下述至少一项：
所述多个相关内容项与所述目标内容项的语义相似、所述多个相关内容项与所述目标内容项位于同一语义中心、以及所述多个相关内容项与所述目标内容项具有同一概念。
3.如权利要求2所述的内容项推荐方法，其特征在于，所述从全网数据中召回多个相关内容项，包括：
获取所述目标内容项在多个应用中的曝光量，并基于所述曝光量生成第一向量；
获取多个候选内容项中每个候选内容在所述多个应用中的曝光量，并基于每个候选内容项的曝光量生成对应的第二向量；
将所述第一向量与每个所述第二向量进行余弦相似度计算，并将计算结果确定为所述目标内容项与对应的候选内容项之间的语义相似度；
将语义相似度满足第一预设要求的候选内容项，确定为所述相关内容项。
4.如权利要求1所述的内容项推荐方法，其特征在于，所述基于探索和利用策略从所述多个相关内容项中筛选推荐内容项，包括：
获取每个所述相关内容项的曝光量和每个所述相关内容项的预测点击率；
根据每个所述相关内容项的曝光量，确定多个所述相关内容项的汇总曝光量；
将每个所述相关内容项的曝光量、预测点击率以及所述汇总曝光量作为输入，基于置信区间上界算法，计算获得每个相关内容项的指标值；
将多个所述指标值中的最大值对应的相关内容项，确定为所述推荐内容项。
5.如权利要求4所述的内容项推荐方法，其特征在于，所述曝光量为相关内容项在所述目标应用中被推荐给用户的次数；
和/或，
所述预测点击率为相关内容项在所述目标应用中被触发的次数与所述相关内容项的曝光量的比值。
6.如权利要求1-5任一项所述的内容项推荐方法，其特征在于，所述向用户推送所述推荐内容项，包括：
根据所述推荐内容项与多个待推荐内容项生成推荐列表；所述多个待推荐内容项均为基于热度召回的内容项；
向用户曝光所述推荐列表。
7.如权利要求6所述的内容项推荐方法，其特征在于，所述根据所述推荐内容项与多个待推荐内容项生成推荐列表，包括：
基于热度从全网数据中召回所述多个待推荐内容项；
对所述多个待推荐内容项进行排序处理，生成待推荐列表；其中，在所述待推荐列表中，所述多个待推荐内容项按照点击量从高到低的顺序排列；
将所述推荐内容项添加至所述待推荐列表的预设位置，生成所述推荐列表；所述预设位置用于指示所述推荐内容项的曝光量。
8.如权利要求7所述的内容项推荐方法，其特征在于，所述向用户曝光所述推荐列表之后，所述方法还包括；
获取所述目标应用在预设时间内的线上点击率；
在所述线上点击率满足第二预设要求的情况下，保持所述预设位置不变；
在所述线上点击率不满足第二预设要求的情况下，向后调整所述预设位置。
9.一种内容项推荐设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN202011219044.5A 2020-11-04 2020-11-04 内容项推荐方法、装置、设备及存储介质 Active CN112328906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219044.5A CN112328906B (zh) 2020-11-04 2020-11-04 内容项推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219044.5A CN112328906B (zh) 2020-11-04 2020-11-04 内容项推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112328906A true CN112328906A (zh) 2021-02-05
CN112328906B CN112328906B (zh) 2024-08-27

Family

ID=74315897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219044.5A Active CN112328906B (zh) 2020-11-04 2020-11-04 内容项推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112328906B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800234A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN113378068A (zh) * 2021-07-14 2021-09-10 聚好看科技股份有限公司 一种内容推荐方法及服务器
CN113836412A (zh) * 2021-09-24 2021-12-24 北京爱奇艺科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN114564496A (zh) * 2022-03-01 2022-05-31 北京有竹居网络技术有限公司 一种内容推荐方法及装置
CN116193206A (zh) * 2023-04-25 2023-05-30 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质
CN116911957A (zh) * 2023-09-12 2023-10-20 深圳须弥云图空间科技有限公司 一种异质内容混合推荐方法、装置、系统及存储介质
CN117056611A (zh) * 2023-10-11 2023-11-14 北京小糖科技有限责任公司 新兴趣的试探方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质
CN111191108A (zh) * 2018-10-26 2020-05-22 上海交通大学 基于增强学习的软件众包项目推荐方法及系统
CN111651704A (zh) * 2020-04-14 2020-09-11 北京齐尔布莱特科技有限公司 一种内容推荐方法、计算设备以及存储介质
CN111859126A (zh) * 2020-07-09 2020-10-30 有半岛(北京)信息科技有限公司 推荐项目确定方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191108A (zh) * 2018-10-26 2020-05-22 上海交通大学 基于增强学习的软件众包项目推荐方法及系统
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质
CN111651704A (zh) * 2020-04-14 2020-09-11 北京齐尔布莱特科技有限公司 一种内容推荐方法、计算设备以及存储介质
CN111859126A (zh) * 2020-07-09 2020-10-30 有半岛(北京)信息科技有限公司 推荐项目确定方法、装置、设备及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800234A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN112800234B (zh) * 2021-04-15 2021-06-22 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN113378068A (zh) * 2021-07-14 2021-09-10 聚好看科技股份有限公司 一种内容推荐方法及服务器
CN113836412A (zh) * 2021-09-24 2021-12-24 北京爱奇艺科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN114564496A (zh) * 2022-03-01 2022-05-31 北京有竹居网络技术有限公司 一种内容推荐方法及装置
CN114564496B (zh) * 2022-03-01 2023-09-19 北京有竹居网络技术有限公司 一种内容推荐方法及装置
CN116193206A (zh) * 2023-04-25 2023-05-30 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质
CN116193206B (zh) * 2023-04-25 2023-08-22 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质
CN116911957A (zh) * 2023-09-12 2023-10-20 深圳须弥云图空间科技有限公司 一种异质内容混合推荐方法、装置、系统及存储介质
CN116911957B (zh) * 2023-09-12 2024-01-05 深圳须弥云图空间科技有限公司 一种异质内容混合推荐方法、装置、系统及存储介质
CN117056611A (zh) * 2023-10-11 2023-11-14 北京小糖科技有限责任公司 新兴趣的试探方法、装置、电子设备及存储介质
CN117056611B (zh) * 2023-10-11 2024-01-23 北京小糖科技有限责任公司 新兴趣的试探方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112328906B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN112328906A (zh) 内容项推荐方法、装置、设备及存储介质
CN112424763B (zh) 对象推荐方法及装置、存储介质与终端设备
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN106326391B (zh) 多媒体资源推荐方法及装置
US8869211B2 (en) Zoomable content recommendation system
US20080077569A1 (en) Integrated Search Service System and Method
WO2018040069A1 (zh) 信息推荐系统及方法
CN110543598A (zh) 信息推荐方法、装置及终端
CN107729578B (zh) 一种音乐推荐方法及装置
CN113672793A (zh) 一种信息召回方法、装置、电子设备及存储介质
CN113961823B (zh) 新闻推荐方法、系统、存储介质及设备
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
CN114691828B (zh) 数据处理方法、装置、设备以及介质
CN111291217B (zh) 一种内容推荐方法、装置、电子设备以及计算机可读介质
CN115309954A (zh) 一种数据检索方法、装置、设备以及存储介质
CN115600017A (zh) 特征编码模型训练方法及装置、媒体对象推荐方法及装置
CN107528899A (zh) 信息推荐方法、装置、移动终端及存储介质
CN112989118B (zh) 视频召回方法及装置
CN110569447A (zh) 一种网络资源的推荐方法、装置及存储介质
CN105824946A (zh) 基于数据评分进行多媒体推荐的方法及系统
CN111782880B (zh) 语义泛化方法及显示设备
CN111353052B (zh) 一种多媒体对象推荐方法、装置、电子设备及存储介质
CN117150053A (zh) 多媒体信息推荐模型训练方法、推荐方法及装置
CN110275986B (zh) 基于协同过滤的视频推荐方法、服务器及计算机存储介质
CN110659419B (zh) 确定目标用户的方法及相关装置

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