CN112435091B - 推荐内容的选择方法、装置、设备及存储介质 - Google Patents

推荐内容的选择方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112435091B
CN112435091B CN202011322444.9A CN202011322444A CN112435091B CN 112435091 B CN112435091 B CN 112435091B CN 202011322444 A CN202011322444 A CN 202011322444A CN 112435091 B CN112435091 B CN 112435091B
Authority
CN
China
Prior art keywords
recommended content
recommended
initial
flow
quality control
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
CN202011322444.9A
Other languages
English (en)
Other versions
CN112435091A (zh
Inventor
王潇
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.)
Bigo Technology Pte Ltd
Original Assignee
Bigo Technology Pte 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 Bigo Technology Pte Ltd filed Critical Bigo Technology Pte Ltd
Priority to CN202011322444.9A priority Critical patent/CN112435091B/zh
Publication of CN112435091A publication Critical patent/CN112435091A/zh
Application granted granted Critical
Publication of CN112435091B publication Critical patent/CN112435091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种推荐内容的选择方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：获取初始的推荐内容集合；确定初始的推荐内容集合中各个推荐内容的流控评分；基于各个推荐内容的流控评分，从初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合；确定初筛后的推荐内容集合中各个推荐内容的品控评分；基于各个推荐内容的品控评分，确定提供的目标推荐内容。本申请实施例提供的技术方案，通过根据流控评分对初始的推荐内容集合进行筛选，再通过品控评分对初筛后的推荐内容集合进行排序，以获得推荐内容，确保推荐内容的流量需求度的同时，也确保推荐内容的品质，进而提高了推荐内容的预测准确度和用户满意度。

Description

推荐内容的选择方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机技术领域，特别涉及一种推荐内容的选择方法、装置、设备及存储介质。
背景技术
随着数据量的与日剧增，人们对海量数据越来越感觉束手无策。因此，技术人员提出了推荐系统，推荐系统可用于为人们推荐其潜在需求。
以商业化合约订单推荐系统为例。商业化合约订单推荐系统将商业化合约订单的完成率和效果进行耦合处理，得到超参数。商业化合约订单推荐系统通过调节超参数，获取理想的商业化合约订单。
然而，超参数难以调节，该系统所推荐的商业化合约订单不够理想。
发明内容
本申请实施例提供了一种推荐内容的选择方法、装置、设备及存储介质，能够在确保推荐内容的需求度的同时，确保推荐内容的质量和品质，从而获得最优的推荐内容。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种推荐内容的选择方法，所述方法包括：
获取初始的推荐内容集合，所述初始的推荐内容集合中包括至少一个候选的推荐内容；
确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，所述流控评分用于反映所述推荐内容的缺量程度；
基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合；
确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，所述品控评分用于反映所述推荐内容的品质程度；
基于各个所述推荐内容的品控评分，确定提供的目标推荐内容。
根据本申请实施例的一个方面，提供了一种推荐内容的选择装置，所述装置包括：
初始集合获取模块，用于获取初始的推荐内容集合，所述初始的推荐内容集合中包括至少一个候选的推荐内容；
流控评分确定模块，用于确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，所述流控评分用于反映所述推荐内容的缺量程度；
初筛集合获取模块，用于基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合；
品控评分确定模块，用于确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，所述品控评分用于反映所述推荐内容的品质程度；
推荐内容确定模块，用于基于各个所述推荐内容的品控评分，确定提供的目标推荐内容。
根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述推荐内容的选择方法。
根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述推荐内容的选择方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述推荐内容的选择方法。
本申请实施例提供的技术方案可以带来如下有益效果：
通过根据流控评分对初始的推荐内容集合进行筛选，再通过品控评分对初筛后的推荐内容集合进行排序，以获得推荐内容，确保推荐内容的流量需求度的同时，也确保推荐内容的品质，进而提高了推荐内容的预测准确度和用户满意度。
另外，基于流控评分对初始的推荐内容集合进行筛选，并基于品控评分对初筛后的推荐内容集合进行排序，而不是通过将流控评分和品控评分耦合在一起筛选初始的推荐内容集合，简化了处理难度，进而提高了推荐内容获取的效率。同时，解决了在将流控评分和品控评分耦合之后，无法兼顾流控评分和品控评分，导致推荐内容的准确度低的问题，提高了推荐内容获取的准确度。
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是本申请一个实施例提供的方案实施环境的示意图；
图2是本申请一个实施例提供的推荐内容的选择方法的流程图；
图3是本申请另一个实施例提供的推荐内容的选择方法的流程图；
图4是本申请一个实施例提供的推荐内容的选择装置的框图；
图5是本申请另一个实施例提供的推荐内容的选择装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的方案实施环境的示意图。该方案实施环境可以实现成为推荐系统的架构。该方案实施环境可以包括：终端10和服务器20。
终端10是指用户使用的终端设备。终端10可以是诸如手机、平板电脑、PC(Personal Computer，个人计算机)、可穿戴设备等电子设备。用户可以通过终端10对目标应用程序的客户端进行访问操作。该目标应用程序的客户端可以是安装至终端10中的任何应用程序的客户端。在不同的应用程序中有不同的推荐内容。例如，在订单交易类应用程序中，推荐内容可以是诸如订单需求、订单类型、订单服务等。在购物平台类应用程序中，推荐内容可以是诸如商户、商品、活动等内容。在浏览器类应用程序中，推荐内容可以是诸如热点信息、热点新闻、推送信息等内容。本申请实施例在此不作限定。
服务器20可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。服务器20用于为终端10中的目标应用程序的客户端提供内容推荐服务。例如，在订单交易类应用程序中，服务器20可以为该订单交易类应用程序提供订单推荐服务。
终端10与服务器20之间可以通过网络30进行通信。
示例性地，以安装运行有订单交易类应用程序的客户端为例。服务器20获取来至客户端的用户访问请求之后，根据用户的关联信息，预测客户可能感兴趣的合约订单，并将经过筛选后的合约订单发送至客户端中，客户端将接收到的筛选后的合约订单推荐给用户。
请参考图2，其示出了本申请一个实施例提供的推荐内容的选择方法的流程图。该方法各步骤的执行主体可以是图1所示方案实施环境中的服务器20。该方法可以包括如下几个步骤(201～205)：
步骤201，获取初始的推荐内容集合，初始的推荐内容集合中包括至少一个候选的推荐内容。
在本申请实施例中，推荐内容是指推荐系统向用户推荐的其想要的或者感兴趣的内容。例如，在订单交易类应用程序中，推荐内容可以是诸如订单需求、订单类型、订单服务等。在购物平台类应用程序中，推荐内容可以是诸如商户、商品、活动等内容。在浏览器类应用程序中，推荐内容可以是诸如热点信息、热点新闻、推送信息等内容。本申请实施例在此不作限定。
可选地，初始的推荐内容集合可以是根据用户、用户好友、关联推荐规则等获取的一个推荐内容的集合。
在一个示例中，可以通过用户历史行为信息获取初始的推荐内容集合，其具体的获取方式如下：获取用户历史行为信息，用户历史行为信息用于记录用户历史行为；获取与用户历史行为信息关联的内容信息；从内容信息中提取推荐内容，得到初始的推荐内容集合。例如，在订单交易类应用程序中，用户曾经浏览过订单A、订单B和订单C，推荐系统则会提取与订单A、订单B和订单C相似的订单，形成一个初始的订单集合，即初始的推荐内容集合。
在一个示例中，可以通过用户好友的关联信息获取初始的推荐内容集合，其具体的获取方式如下：获取用户好友的关联信息；从用户好友的关联信息中提取推荐内容，得到初始的推荐内容集合。例如，在订单交易类应用程序中，用户A的好友用户B对订单A感兴趣，推荐系统则会提取与订单A相似的订单，形成一个针对用户A的初始的订单集合，即初始的推荐内容集合。
需要说明的是，初始的推荐内容集合的获取方式，本申请实施例在此不作限定。
步骤202，确定初始的推荐内容集合中各个推荐内容的流控评分，流控评分用于反映推荐内容的缺量程度。
流控评分是指对推荐内容的缺量程度的一种评分，可以用于控制推荐内容的下发节奏。在本申请实施例中，流控评分可用于表示推荐内容的预测流量需求度与期望的流量需求度的匹配程度。例如，订单A的流控评分大于订单B的流控评分，则表示订单A的预测流量需求度比订单B的预测流量需求度更适合期望的流量需求度。
其中，缺量程度用于表示用户对推荐内容的流量需求度。推荐内容的缺量程度越大，则表示用户对推荐内容的流量需求度越大。反之，推荐内容的缺量程度越小，则表示用户对推荐内容的流量需求度越小。可选地，缺量程度可以与推荐内容的剩余时间有关。缺量程度越大，则表示推荐内容越急切地需要下发。
在一个示例中，推荐内容的流控评分的具体获取方式可以如下：获取初始的推荐内容集合中各个推荐内容的实际流量和期望流量；基于各个推荐内容的实际流量和期望流量，确定初始的推荐内容集合中各个推荐内容的流控评分。可选地，根据推荐内容在当前时刻的实际流量和期望流量，确定差值参数；基于差值参数，确定推荐内容的流控评分。
可选地，还可以通过获取推荐内容在多个时刻的实际流量，确定流控评分，具体确定方式如下：获取初始的推荐内容集合中的第i个推荐内容在第一历史时刻的实际流量、第二历史时刻的实际流量和当前时刻的实际流量，所述i为正整数；根据当前时刻的实际流量和期望流量，确定第一差值参数；根据第一历史时刻的实际流量和期望流量，确定第二差值参数；根据第二历史时刻的实际流量和期望流量，确定第三差值参数；基于第一差值参数、第二差值参数和第三差值参数，确定第i个推荐内容的流控评分。其中，差值参数为推荐内容在对应时刻的实际流量与期望流量的差值。
可选地，通过增量PID(Proportional Integral Derivative，比例积分微分)算法，基于第一差值参数、第二差值参数和第三差值参数，确定第i个推荐内容的流控评分。增量PID算法的具体公式如下：
ΔU(k)＝Kp×(err(k)-err(k-1))+Ki×err(k)+Kd×(err(k)-2err(k-1)+err(k-2))
其中，△U(k)表示推荐内容的流控评分，err表示推荐内容的实际流量与期望流量的差值，err(k)表示推荐内容在当前时刻的实际流量与期望流量的差值，err(k-1)表示推荐内容在第一历史时刻的实际流量与期望流量的差值，err(k-2)表示推荐内容在第二历史时刻的实际流量与期望流量的差值，Kp为比例系数，Ki为积分系数，Kd为微分系数。
通过基于推荐内容在多个时刻的实际流量，确定流控评分，如此可以获取更加准确稳定的流控评分，避免被推荐内容在当前时刻的实际流量的波动所误导。另外通过增量PID算法的获得的流控评分更具显著性和稳定性。
步骤203，基于各个推荐内容的流控评分，从初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合。
在一个示例中，获取预设流控评分，预设流控评分为一个范围值；从初始的推荐内容集合中剔除流控评分不属于预设流控评分的推荐内容，得到初筛后的推荐内容集合。例如，预设流控评分为98到102，初始的推荐内容集合包括流控评分为78的推荐内容A、流控评分为99的推荐内容B、流控评分为110的推荐内容C、流控评分为98的推荐内容D，在剔除不属于预设流控评分的推荐内容后，所得到的初筛后的推荐内容集合包括流控评分为99的推荐内容B和流控评分为98的推荐内容D。通过选取属于预设流控评分的推荐内容，可以合理控制客户端(如订单交易类应用程序的客户端)的流量分配。
步骤204，确定初筛后的推荐内容集合中各个推荐内容的品控评分，品控评分用于反映推荐内容的品质程度。
在本申请实施例中，品控评分是指针对推荐内容的品质进行评分而得到的分数，可用于管控推荐内容的品质。其中，推荐内容的品质与推荐内容的转化率相关。转化率可以包括诸如推荐内容的点击率、推荐内容的关注率、推荐内容的浏览率等。
在一个示例中，推荐内容的品控评分的具体获取方式可以如下：获取初筛后的推荐内容集合中各个推荐内容的特征信息；基于各个推荐内容的特征信息，确定初筛后的推荐内容集合中各个推荐内容的品控评分。其中，推荐内容的特征信息可以包括推荐内容的价值、类型、数量、目标对象等。例如，在订单交易类应用程序中，订单A的特征信息包括订单A的价值、类型、数量、目标对象等，本申请实施例在此不作限定。
可选地，推荐内容的品控评分的具体获取方式还包括：调用品控评分预估模型，品控评分预估模型是用于预估推荐内容的品控评分的神经网络模型；通过品控评分预估模型对推荐内容的特征信息进行处理，得到推荐内容的品控评分。
其中，品控预估模型的训练方法包括：构建训练样本集，训练样本集包括多个训练样本。其中，每个训练样本包括样本数据(即样本推荐内容)和标签数据(即样本推荐内容对应的品控评分标签)。将样本推荐内容输入至品控预估模型，由品控预估模型提取样本推荐内容的特征信息，并基于特征信息输出样本推荐内容预测品控评分。基于预测品控评分和品控评分标签，计算品控预估模型的损失函数值，直至损失函数值收敛，完成品控预估模型的训练。
步骤205，基于各个推荐内容的品控评分，确定提供的目标推荐内容。
可选地，按照品控评分由高到低的顺序对各个推荐内容进行排序，得到推荐内容序列；选取推荐内容序列头部的预设数量的推荐内容，作为目标推荐内容。其中，预设数量与客户端(如订单交易类应用程序的客户端)的推荐展示位相关。例如，在客户端的首页有三个推荐内容的展示位，则选取推荐内容序列头部的三项推荐内容。
综上所述，本申请实施例提供的技术方案，通过根据流控评分筛选推荐内容候选集，再通过品控评分对筛选后的推荐内容候选集进行排序，以获得推荐内容，实现了确保推荐内容的需求度的同时，确保推荐内容的质量和品质，进而提高了推荐内容的预测准确度和用户满意度。
另外，基于流控评分对初始的推荐内容集合进行筛选，并基于品控评分对初筛后的推荐内容集合进行排序，而不是通过将流控评分和品控评分耦合在一起筛选初始的推荐内容集合，简化了处理难度，进而提高了推荐内容获取的效率。同时，解决了在将流控评分和品控评分耦合之后，无法兼顾流控评分和品控评分，导致推荐内容的准确度低的问题，提高了推荐内容获取的准确度。另外，通过增量PID算法基于推荐内容在多个时刻的实际流量，确定流控评分，如此可以获取更加准确稳定的流控评分，避免被推荐内容在当前时刻的实际流量的波动所误导，从而获得更具显著性和稳定性的流控评分，进而优化推荐内容。
在一个示例性实施例中，请参考图3，其示出了本申请另一个实施例提供的推荐内容的选择方法的流程图。该方法各步骤的执行主体可以是图1所示方案实施环境中的服务器20。该方法可以包括如下：
1、获取用户访问请求301。可选地，访问请求301可以包括登陆访问请求、查看访问请求、输入访问请求、下载访问请求等。
2、获取用户的关联信息；用户的关联信息可以包括用户的属性、用户的喜好、用户的历史行为日志等。
3、根据用户的关联信息，通过召回单元302召回候选推荐内容，生成初始的推荐内容集合303。
4、通过召回单元302，基于增量PID算法计算初始的推荐内容集合303中的各个推荐内容的流控评分。
5、通过召回单元302基于各个推荐内容的流控评分，筛选推荐内容，获取初筛后的推荐内容集合304；
6、将初筛后的推荐内容集合304下发至排序单元305，排序单元305基于深度学习模型获取初筛后的推荐内容集合304中的推荐内容的品控评分，并根据推荐内容的品控评分，从初筛后的推荐内容集合304中，获取最优推荐内容306。
7、通过排序单元305将最优的推荐内容306发送至客户端307。
8、通过客户端307展示最优推荐内容306。
综上所述，本申请实施例提供的技术方案，通过根据流控评分筛选推荐内容候选集，再通过品控评分对筛选后的推荐内容候选集进行排序，以获得推荐内容，实现了确保推荐内容的需求度的同时，确保推荐内容的质量和品质，进而提高了推荐内容的预测准确度和用户满意度。
请参考图4，其示出了本申请另一个实施例提供的推荐内容的选择装置的框图。该装置具有实现上述服务器侧的推荐内容的选择方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置400可以包括：初始集合获取模块401、流控评分确定模块402、初筛集合获取模块403、品控评分确定模块404和推荐内容确定模块405。
初始集合获取模块401，用于获取初始的推荐内容集合，所述初始的推荐内容集合中包括至少一个候选的推荐内容。
流控评分确定模块402，用于确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，所述流控评分用于反映所述推荐内容的缺量程度。
初筛集合获取模块403，用于基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合。
品控评分确定模块404，用于确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，所述品控评分用于反映所述推荐内容的品质程度。
推荐内容确定模块405，用于基于各个所述推荐内容的品控评分，确定提供的目标推荐内容。
在一个示例性实施例中，如图4所示，所述流控评分确定模块402，包括：流量信息获取子模块402a和流控评分确定子模块402b。
流量信息获取子模块402a，用于获取所述初始的推荐内容集合中各个所述推荐内容的实际流量和期望流量。
流控评分确定子模块402b，用于基于各个所述推荐内容的实际流量和期望流量，确定所述初始的推荐内容集合中各个所述推荐内容的流控评分。
在一个示例性实施例中，所述流控评分确定子模块402b，用于：
获取所述初始的推荐内容集合中的第i个推荐内容在第一历史时刻的实际流量、第二历史时刻的实际流量和当前时刻的实际流量，所述i为正整数；
根据所述当前时刻的实际流量和所述期望流量，确定第一差值参数；
根据所述第一历史时刻的实际流量和所述期望流量，确定第二差值参数；
根据所述第二历史时刻的实际流量和所述期望流量，确定第三差值参数；
基于所述第一差值参数、所述第二差值参数和所述第三差值参数，确定所述第i个推荐内容的流控评分。
在一个示例性实施例中，如图5所示，所述品控评分确定模块404，包括：特征信息获取子模块404a和品控评分确定子模块404b。
特征信息获取子模块404a，用于获取所述初筛后的推荐内容集合中各个所述推荐内容的特征信息。
品控评分确定子模块404b，用于基于各个所述推荐内容的特征信息，确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分。
在一个示例性实施例中，所述品控评分确定子模块404b，用于：
调用品控评分预估模型，所述品控评分预估模型是用于预估所述推荐内容的品控评分的神经网络模型；
通过所述品控评分预估模型对所述推荐内容的特征信息进行处理，得到所述推荐内容的品控评分。
在一个示例性实施例中，所述初筛集合获取模块403，用于：
获取预设流控评分，所述预设流控评分为一个范围值；
从所述初始的推荐内容集合中剔除所述流控评分不属于所述预设流控评分的推荐内容，得到所述初筛后的推荐内容集合。
在一个示例性实施例中，所述推荐内容确定模块405，用于：
按照所述品控评分由高到低的顺序对各个所述推荐内容进行排序，得到推荐内容序列；
选取所述推荐内容序列头部的预设数量的推荐内容，作为所述目标推荐内容。
在一个示例性实施例中，所述初始集合获取模块401，用于：
获取用户历史行为信息，所述用户历史行为信息用于记录用户历史行为；
获取与所述用户历史行为信息关联的内容信息；
从所述内容信息中提取所述推荐内容，得到所述初始的推荐内容集合。
综上所述，本申请实施例提供的技术方案，通过根据流控评分对初始的推荐内容集合进行筛选，再通过品控评分对初筛后的推荐内容集合进行排序，以获得推荐内容，确保推荐内容的流量需求度的同时，也确保推荐内容的品质，进而提高了推荐内容的预测准确度和用户满意度。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在一个示例性实施例中，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述推荐内容的选择方法。
在一个示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序在被处理器执行时以实现上述推荐内容的选择方法。
可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在一个示例性实施例中，还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述推荐内容的选择方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种推荐内容的选择方法，其特征在于，所述方法包括：
获取初始的推荐内容集合，所述初始的推荐内容集合中包括至少一个候选的推荐内容；
获取所述初始的推荐内容集合中各个所述推荐内容的实际流量和期望流量；
基于各个所述推荐内容的实际流量和期望流量，确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，所述流控评分用于反映所述推荐内容的缺量程度；
基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合；
获取所述初筛后的推荐内容集合中各个所述推荐内容的特征信息；
基于各个所述推荐内容的特征信息，确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，所述品控评分用于反映所述推荐内容的品质程度；
基于各个所述推荐内容的品控评分，确定提供的目标推荐内容。
2.根据权利要求1所述的方法，其特征在于，所述基于各个所述推荐内容的实际流量和期望流量，确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，包括：
获取所述初始的推荐内容集合中的第i个推荐内容在第一历史时刻的实际流量、第二历史时刻的实际流量和当前时刻的实际流量，所述i为正整数；
根据所述当前时刻的实际流量和所述期望流量，确定第一差值参数；
根据所述第一历史时刻的实际流量和所述期望流量，确定第二差值参数；
根据所述第二历史时刻的实际流量和所述期望流量，确定第三差值参数；
基于所述第一差值参数、所述第二差值参数和所述第三差值参数，确定所述第i个推荐内容的流控评分。
3.根据权利要求1所述的方法，其特征在于，所述基于各个所述推荐内容的特征信息，确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，包括：
调用品控评分预估模型，所述品控评分预估模型是用于预估所述推荐内容的品控评分的神经网络模型；
通过所述品控评分预估模型对所述推荐内容的特征信息进行处理，得到所述推荐内容的品控评分。
4.根据权利要求1所述的方法，其特征在于，所述基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合，包括：
获取预设流控评分，所述预设流控评分为一个范围值；
从所述初始的推荐内容集合中剔除所述流控评分不属于所述预设流控评分的推荐内容，得到所述初筛后的推荐内容集合。
5.根据权利要求1所述的方法，其特征在于，所述基于各个所述推荐内容的品控评分，确定提供的目标推荐内容，包括：
按照所述品控评分由高到低的顺序对各个所述推荐内容进行排序，得到推荐内容序列；
选取所述推荐内容序列头部的预设数量的推荐内容，作为所述目标推荐内容。
6.根据权利要求1所述的方法，其特征在于，所述获取初始的推荐内容集合，包括：
获取用户历史行为信息，所述用户历史行为信息用于记录用户历史行为；
获取与所述用户历史行为信息关联的内容信息；
从所述内容信息中提取所述推荐内容，得到所述初始的推荐内容集合。
7.一种推荐内容的选择装置，其特征在于，所述装置包括：
初始集合获取模块，用于获取初始的推荐内容集合，所述初始的推荐内容集合中包括至少一个候选的推荐内容；
流控评分确定模块，用于获取所述初始的推荐内容集合中各个所述推荐内容的实际流量和期望流量；
所述流控评分确定模块，还用于基于各个所述推荐内容的实际流量和期望流量，确定所述初始的推荐内容集合中各个所述推荐内容的流控评分，所述流控评分用于反映所述推荐内容的缺量程度；
初筛集合获取模块，用于基于各个所述推荐内容的流控评分，从所述初始的推荐内容集合中选取至少一个推荐内容，得到初筛后的推荐内容集合；
品控评分确定模块，用于获取所述初筛后的推荐内容集合中各个所述推荐内容的特征信息；
所述品控评分确定模块，还用于基于各个所述推荐内容的特征信息，确定所述初筛后的推荐内容集合中各个所述推荐内容的品控评分，所述品控评分用于反映所述推荐内容的品质程度；
推荐内容确定模块，用于基于各个所述推荐内容的品控评分，确定提供的目标推荐内容。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的推荐内容的选择方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的推荐内容的选择方法。
CN202011322444.9A 2020-11-23 2020-11-23 推荐内容的选择方法、装置、设备及存储介质 Active CN112435091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322444.9A CN112435091B (zh) 2020-11-23 2020-11-23 推荐内容的选择方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322444.9A CN112435091B (zh) 2020-11-23 2020-11-23 推荐内容的选择方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112435091A CN112435091A (zh) 2021-03-02
CN112435091B true CN112435091B (zh) 2024-03-29

Family

ID=74692970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322444.9A Active CN112435091B (zh) 2020-11-23 2020-11-23 推荐内容的选择方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112435091B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681220A (zh) * 2015-12-30 2016-06-15 微梦创科网络科技（中国）有限公司 一种分配流量的方法及装置
CN108108446A (zh) * 2017-12-27 2018-06-01 暴风集团股份有限公司 视频推荐方法和装置、电子设备、存储介质、程序
CN108230026A (zh) * 2017-12-29 2018-06-29 暴风集团股份有限公司 广告推荐方法和装置、电子设备、存储介质、程序
CN108270828A (zh) * 2016-12-30 2018-07-10 北京国双科技有限公司 一种内容分发网络系统推荐方法及装置
CN108428144A (zh) * 2017-02-15 2018-08-21 腾讯科技（北京）有限公司 推送信息订单的流量分配方法、服务分配方法及装置
CN108550046A (zh) * 2018-03-07 2018-09-18 阿里巴巴集团控股有限公司 一种资源和营销推荐方法、装置及电子设备
WO2018181826A1 (ja) * 2017-03-30 2018-10-04 日本電気株式会社 レコメンドシステムと方法、装置、プログラム
CN109377329A (zh) * 2018-12-25 2019-02-22 北京时光荏苒科技有限公司 一种房源推荐方法、装置、存储介质及电子设备
CN109902713A (zh) * 2019-01-17 2019-06-18 平安城市建设科技(深圳)有限公司 基于数据分析的楼盘推荐方法、设备、存储介质及装置
CN110069714A (zh) * 2019-04-25 2019-07-30 北京酷我科技有限公司 一种视频推荐系统
CN110309418A (zh) * 2018-04-26 2019-10-08 腾讯科技（北京）有限公司 推荐内容确定方法、装置、存储介质和计算机设备
CN110399550A (zh) * 2019-03-14 2019-11-01 腾讯科技（深圳）有限公司 一种信息推荐方法及装置
CN110825974A (zh) * 2019-11-22 2020-02-21 厦门美柚股份有限公司 推荐系统内容排序方法及装置
CN111008278A (zh) * 2019-11-22 2020-04-14 厦门美柚股份有限公司 内容推荐方法及装置
CN111026971A (zh) * 2019-12-25 2020-04-17 腾讯科技（深圳）有限公司 内容的推送方法及装置、计算机存储介质
CN111523939A (zh) * 2020-04-23 2020-08-11 腾讯科技（深圳）有限公司 一种推广内容的投放方法、装置、存储介质和电子设备
CN111552888A (zh) * 2020-05-29 2020-08-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
WO2020211840A1 (zh) * 2019-04-18 2020-10-22 第四范式（北京）技术有限公司 物料推荐方法和系统
CN115311030A (zh) * 2021-04-21 2022-11-08 浙江口碑网络技术有限公司 产品推荐的排期方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030195937A1 (en) * 2002-04-16 2003-10-16 Kontact Software Inc. Intelligent message screening
US7509968B2 (en) * 2004-07-28 2009-03-31 Hamilton Sundstrand Corporation Flow control for on-board inert gas generation system

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681220A (zh) * 2015-12-30 2016-06-15 微梦创科网络科技（中国）有限公司 一种分配流量的方法及装置
CN108270828A (zh) * 2016-12-30 2018-07-10 北京国双科技有限公司 一种内容分发网络系统推荐方法及装置
CN108428144A (zh) * 2017-02-15 2018-08-21 腾讯科技（北京）有限公司 推送信息订单的流量分配方法、服务分配方法及装置
WO2018181826A1 (ja) * 2017-03-30 2018-10-04 日本電気株式会社 レコメンドシステムと方法、装置、プログラム
CN108108446A (zh) * 2017-12-27 2018-06-01 暴风集团股份有限公司 视频推荐方法和装置、电子设备、存储介质、程序
CN108230026A (zh) * 2017-12-29 2018-06-29 暴风集团股份有限公司 广告推荐方法和装置、电子设备、存储介质、程序
CN108550046A (zh) * 2018-03-07 2018-09-18 阿里巴巴集团控股有限公司 一种资源和营销推荐方法、装置及电子设备
CN110309418A (zh) * 2018-04-26 2019-10-08 腾讯科技（北京）有限公司 推荐内容确定方法、装置、存储介质和计算机设备
CN109377329A (zh) * 2018-12-25 2019-02-22 北京时光荏苒科技有限公司 一种房源推荐方法、装置、存储介质及电子设备
CN109902713A (zh) * 2019-01-17 2019-06-18 平安城市建设科技(深圳)有限公司 基于数据分析的楼盘推荐方法、设备、存储介质及装置
CN110399550A (zh) * 2019-03-14 2019-11-01 腾讯科技（深圳）有限公司 一种信息推荐方法及装置
WO2020211840A1 (zh) * 2019-04-18 2020-10-22 第四范式（北京）技术有限公司 物料推荐方法和系统
CN110069714A (zh) * 2019-04-25 2019-07-30 北京酷我科技有限公司 一种视频推荐系统
CN110825974A (zh) * 2019-11-22 2020-02-21 厦门美柚股份有限公司 推荐系统内容排序方法及装置
CN111008278A (zh) * 2019-11-22 2020-04-14 厦门美柚股份有限公司 内容推荐方法及装置
CN111026971A (zh) * 2019-12-25 2020-04-17 腾讯科技（深圳）有限公司 内容的推送方法及装置、计算机存储介质
CN111523939A (zh) * 2020-04-23 2020-08-11 腾讯科技（深圳）有限公司 一种推广内容的投放方法、装置、存储介质和电子设备
CN111552888A (zh) * 2020-05-29 2020-08-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
CN115311030A (zh) * 2021-04-21 2022-11-08 浙江口碑网络技术有限公司 产品推荐的排期方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动电话内容服务系统的个性化推荐;陈明等;计算机工程与应用;全文 *

Also Published As

Publication number Publication date
CN112435091A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110941740B (zh) 视频推荐方法及计算机可读存储介质
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN110378731B (zh) 获取用户画像的方法、装置、服务器及存储介质
CN107808314B (zh) 用户推荐方法及装置
CN110223186B (zh) 用户相似度确定方法以及信息推荐方法
CN110008397B (zh) 一种推荐模型训练方法及装置
US11195221B2 (en) System rendering personalized outfit recommendations
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN112364203A (zh) 电视视频推荐方法、装置、服务器和存储介质
CN113221019A (zh) 基于即时学习的个性化推荐方法和系统
CN111861605A (zh) 业务对象推荐方法
KR102319118B1 (ko) 전자상거래와 연관된 쇼핑몰의 상품 진열 업데이트 방법 및 장치
CN111340522A (zh) 资源推荐方法、装置、服务器及存储介质
CN112733034B (zh) 内容推荐方法、装置、设备及存储介质
CN112435091B (zh) 推荐内容的选择方法、装置、设备及存储介质
CN111861644A (zh) 一种工业设计产品智能推荐方法及系统
CN113836388A (zh) 信息推荐方法、装置、服务器及存储介质
CN115619503A (zh) 一种物品推荐方法、装置、存储介质和计算机设备
CN114510627A (zh) 对象推送方法、装置、电子设备及存储介质
CN114297511A (zh) 理财推荐方法、装置、系统和存储介质
CN113592589A (zh) 纺织原料推荐方法、装置及处理器
CN114722266A (zh) 问卷推送方法、装置、电子设备及可读存储介质
CN113077305A (zh) 页面处理方法、系统、电子设备及存储介质
Smirnov et al. Multicriteria Context-Driven Recommender Systems: Model and Method
CN111915339A (zh) 数据的处理方法、装置及设备

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