CN112528146A - 内容资源推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开公开了内容资源推荐方法、装置、电子设备及存储介质，涉及知识图谱、自然语言处理及深度学习等人工智能领域，其中的方法可包括：构建由各标签组成的标签图谱；根据标签图谱，为待推荐的各内容资源分别添加标签；针对任一冷启动用户，根据标签图谱，为用户添加标签；根据用户及各内容资源的标签，确定出推荐给用户的内容资源，并进行推荐。应用本公开所述方案，可解决冷启动场景下的内容资源推荐问题，提升推荐结果的准确性等。

Description

内容资源推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及知识图谱、自然语言处理及深度学习领域的内容资源推荐方法、装置、电子设备及存储介质。

背景技术

推荐系统作为一种信息过滤的重要手段，是当前解决信息超载问题的有效方法之一，是面向用户的互联网产品的核心技术。

目前的推荐系统通常采用以下方式：基于用户画像信息等对用户可能感兴趣的内容资源进行召回，评估用户点击召回的不同内容资源的概率，选择概率较大的部分内容资源推荐给用户。

上述召回及评估概率等操作中均需要用到预先训练好的网络模型，而所述网络模型需要使用用户的历史点击数据作为训练数据。这样，在冷启动场景下，当历史点击数据很少甚至完全不存在的情况下，如果仍采用上述方式，推荐效果往往难以保证。

发明内容

本公开提供了内容资源推荐方法、装置、电子设备及存储介质。

一种内容资源推荐方法，包括：

构建由各标签组成的标签图谱；

根据所述标签图谱，为待推荐的各内容资源分别添加标签；

针对任一冷启动用户，根据所述标签图谱，为所述用户添加标签；

根据所述用户及各内容资源的标签，确定出推荐给所述用户的内容资源，并进行推荐。

一种内容资源推荐装置，包括：图谱构建模块、标签添加模块以及资源推荐模块；

所述图谱构建模块，用于构建由各标签组成的标签图谱；

所述标签添加模块，用于根据所述标签图谱，为待推荐的各内容资源分别添加标签，并针对任一冷启动用户，根据所述标签图谱，为所述用户添加标签；

所述资源推荐模块，用于根据所述用户及各内容资源的标签，确定出推荐给所述用户的内容资源，并进行推荐。

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如以上所述的方法。

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计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：在冷启动场景下，可基于构建的标签图谱分别为用户和待推荐的内容资源添加标签，并可根据添加的标签为用户推荐内容资源，无需使用用户的历史点击数据，从而解决了冷启动场景下的内容资源推荐问题，提升了推荐结果的准确性等。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述内容资源推荐方法实施例的流程图；

图2为本公开所述标签图谱的示意图；

图3为本公开所述内容资源推荐方法的整体实现过程示意图；

图4为本公开所述内容资源推荐装置40实施例的组成结构示意图；

图5示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

另外，应理解，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述内容资源推荐方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，构建由各标签(Tag)组成的标签图谱。

在步骤102中，根据标签图谱，为待推荐的各内容资源分别添加标签。

在步骤103中，针对任一冷启动用户，根据标签图谱，为用户添加标签。

在步骤104中，根据用户及各内容资源的标签，确定出推荐给用户的内容资源，并进行推荐。

可以看出，上述方法实施例所述方案中，在冷启动场景下，可基于构建的标签图谱分别为用户和待推荐的内容资源添加标签，并可根据添加的标签为用户推荐内容资源，无需使用用户的历史点击数据，从而解决了冷启动场景下的内容资源推荐问题，提升了推荐结果的准确性等。

标签图谱为可以表示用户兴趣的标签体系。为构建标签图谱，可首先获取标签，包括以下之一或任意组合：主题标签、话题标签、实体标签，并可获取标签间的关联关系，进而可将获取到的标签作为节点，并可根据标签间的关联关系将对应节点通过边相连，从而得到为无向图的标签图谱。

较佳地，标签图谱中可同时包括主题标签、话题标签和实体标签。图2为本公开所述标签图谱的示意图。如图2所示，其中的“**(某手机品牌)爆炸”、“谷歌发布虚拟现实(Virtual Reality)摄像机”、“特斯拉新款上市”和“北京车展”为话题标签，“VR眼镜”、“比亚迪”和“特斯拉”为实体标签，“智能手机”、“科技”、“人工智能”、“无人驾驶”等为主题标签。

针对主题标签，可采用人工定义的方法，即可获取人工定义的主题标签，如上述的“智能手机”、“人工智能”等。此外，可从预定站点的网页数据中挖掘出话题标签及实体标签。比如，可从一些百科类站点的网页数据中挖掘出实体标签，从微博等网页数据中挖掘出话题标签等。

另外，可根据标签间的共现关系确定出标签间的关联关系。比如，对于主题标签和实体标签间的关联关系，可通过文章对应的主题和文章中包含的实体的共现关系得到。作为一种可能的实现方式，假设某一主题标签和某一实体标签的共现次数大于预定阈值，则可认为该主题标签和该实体标签之间存在关联关系，从而可在标签图谱中将这两个节点通过边相连。共现是指出现在同一文章中，即文章对应的主题为该主题标签，且文章中包含该实体标签。

对于主题标签和话题标签间的关联关系，可通过文章对应的主题和文章中包含的话题的共现关系得到。对于实体标签和实体标签间的关联关系，可通过实体和实体在文章中的共现关系得到。对于实体标签和话题标签间的关联关系，可通过实体和话题在文章中的共现关系得到。对于话题标签和话题标签间的关联关系，可通过话题和话题在文章中的共现关系得到。特殊地，对于主题标签和主题标签间的关联关系，可通过人工标注得到。

以上获取标签间的关联关系的方式仅为举例说明，并不用于限制本公开的技术方案，若采用其它任意可行的实现方式，主要能够达到同样的目的，也是可以的。

可以看出，按照上述方式得到的标签图谱中包含了主题、话题和实体等多种粒度，从而可以全方位、多层次的表征用户兴趣等。

根据构建的标签图谱，可分别为待推荐的各内容资源添加标签。比如，针对任一内容资源，可分别利用预先训练得到的网络模型确定出内容资源的标签，确定出的标签为标签图谱中的标签。

其中，可利用预先训练得到的多标签分类模型，确定出内容资源的主题标签，和/或，利用预先训练得到的语义匹配模型，确定出内容资源的话题标签，和/或，利用预先训练得到的语义匹配模型，确定出内容资源的实体标签。

主题标签是一个相对较小的较为固定的标签集合，因此可采用多标签分类模型来确定出内容资源的主题标签。多标签分类模型可通过有监督的模型训练得到。

话题标签和实体标签的数量通常较多，且标签集合通常会动态变化，因此可采用语义匹配模型来确定出内容资源的话题标签和实体标签。

通过上述处理，可准确高效地确定出内容资源的各种标签，从而为后续处理奠定了良好的基础等。

另外，若内容资源为非文本形式的内容资源，可将内容资源转换为文本形式后，利用网络模型确定出内容资源的标签。即针对多模态的内容资源，如视频、音频等，可进行多模态的语义分析等，从而将内容资源转换为文本形式，之后再按照上述方式确定出标签等。通过该处理，使得本公开所述方案可适用于各种形式的内容资源，具有广泛适用性等。

针对任一冷启动用户，还可根据构建的标签图谱，为用户添加标签，具体实现可包括以下方式之一或任意组合：

1)根据用户在搜索引擎中的历史搜索行为确定出用户的标签；

2)为用户提供N篇用于进行兴趣探索的文章，N为大于一的正整数，根据用户对文章的点击行为确定出用户的标签；

3)为用户展示待选择的标签，将用户从所展示的标签中选定的标签作为用户的标签。

方式1)可称为搜索日志挖掘方式，可按照现有方式获取用户在搜索引擎中的历史搜索行为，如获取最近预定时长内的历史搜索行为，并从中挖掘出用户的标签，可包括主题标签、话题标签和实体标签。通常来说，主题标签为长期用户兴趣标签，话题标签和实体标签为短期用户兴趣标签。如何从历史搜索行为中挖掘出用户的标签不作限制。

方式2)可称为用户兴趣探索方式，如当用户初始登录时，可为用户提供N篇用于进行兴趣探索的文章，N的具体取值可根据实际需要额定，根据用户对文章的点击行为来确定出用户的标签。在实际应用中，希望能够在尽量少的提供文章的前提下更好的挖掘用户的标签，且提供的用来探索用户兴趣的文章需要具有比较高的多样性等，具体实现方式同样不作限制。

方式3)可称为用户标签选择方式，如当用户初始登录时，可为用户展示一些标签供用户进行选择，并可将用户从所展示的标签中选定的标签作为用户的标签。

以上三种方式可分别单独使用，也可结合使用，如同时使用其中的两种方式或同时使用三种方式等。

通过上述处理，可准确高效地确定出用户的标签，从而为后续处理进一步奠定了良好的基础等。

根据用户及各内容资源的标签，可进一步确定出推荐给用户的内容资源，并进行推荐。如可根据用户及各内容资源的标签，从各内容资源中选出作为候选推荐对象的内容资源，并可将各候选推荐对象按评分降序排序，将排序后处于前M位的候选推荐对象作为推荐给用户的内容资源，M为正整数，且小于候选推荐对象的数量。

其中，可采用以下方式之一或全部来从各内容资源中选出作为候选推荐对象的内容资源：

1)分别将用户的标签与各内容资源的标签进行匹配，将匹配成功的内容资源作为候选推荐对象，匹配成功的内容资源包括：至少一个标签与用户的标签相同；

2)将标签图谱中与用户的标签相连的标签作为相关标签，将标签中包括至少一个相关标签的内容资源作为候选推荐对象。

方式1)可称为标签匹配召回方式，假设某一内容资源的标签和用户的标签中的至少一个相同，那么则可将该内容资源作为候选推荐对象。比如，内容资源a的标签中包括三个标签，分别为标签1、标签2和标签3，用户的标签中也包括三个标签，分别为标签4、标签5和标签6，假设标签1和标签4相同，那么则可将内容资源a作为候选推荐对象，假设标签1和标签4相同，标签2和标签5也相同，那么也可将内容资源a作为候选推荐对象，假设标签1和标签4相同，标签2和标签5相同，标签3和标签6也相同，那么也可将内容资源a作为候选推荐对象。

方式2)可称为相关标签召回方式，根据标签图谱中的标签与标签之间的关联关系，召回候选推荐对象。假设用户的标签中包括三个标签，分别为标签a、标签b和标签c，那么可从标签图谱中找出与标签a相连的标签、与标签b相连的标签以及与标签c相连的标签，将找出的这些标签作为相关标签，并可将标签中包括至少一个相关标签的内容资源作为候选推荐对象。

上述两种方式可分别单独使用，也可同时使用，较佳地，可同时使用上述两种方式，以扩大召回范围等。

针对召回的各候选推荐对象，可分别利用预先训练得到的评分模型，基于各候选推荐对象的标签以及用户的标签，计算出各候选推荐对象的评分，并可将各候选推荐对象按评分降序排序。

可根据获取到的用户在搜索引擎中的历史搜索行为，得到用户的标签与用户点击的内容资源的标签间的对应关系等，之后基于有监督的方法训练一个标签到标签(tag2tag)的评分模型，评分模型可根据候选推荐对象的标签以及用户的标签，计算出候选推荐对象的评分。通常来说，对于一个候选推荐对象，其标签与用户的标签越相似，评分就会越高。

在分别获取到各候选推荐对象的评分之后，可将各候选推荐对象按评分降序排序，即按照评分从大到小的顺序进行排序，并可将排序后处于前M位的候选推荐对象作为推荐给用户的内容资源，推荐给用户。M的具体取值可根据实际需要而定，如10。

通过上述处理，可实现冷启动场景下针对不同用户的个性化推荐，并具有很好的准确性，所推荐的内容资源可为各种形式的内容资源，如文章等。

基于上述介绍，图3为本公开所述内容资源推荐方法的整体实现过程示意图，具体实现请参照前述相关说明，不再赘述。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述内容资源推荐装置40实施例的组成结构示意图。如图4所示，包括：图谱构建模块401、标签添加模块402以及资源推荐模块403。

图谱构建模块401，用于构建由各标签组成的标签图谱。

标签添加模块402，用于根据标签图谱，为待推荐的各内容资源分别添加标签，并针对任一冷启动用户，根据标签图谱，为用户添加标签。

资源推荐模块403，用于根据用户及各内容资源的标签，确定出推荐给用户的内容资源，并进行推荐。

标签图谱为可以表示用户兴趣的标签体系。图谱构建模块401可首先获取标签，包括以下之一或任意组合：主题标签、话题标签、实体标签等，并可获取标签间的关联关系，进而可将获取到的标签作为节点，并可根据标签间的关联关系将对应节点通过边相连，从而得到为无向图的标签图谱。

具体地，图谱构建模块401可获取人工定义的主题标签，和/或，从预定站点的网页数据中挖掘出话题标签，和/或，从预定站点的网页数据中挖掘出实体标签。比如，可从一些百科类站点的网页数据中挖掘出实体标签，从微博等网页数据中挖掘出话题标签等。图谱构建模块401还可根据标签间的共现关系确定出标签间的关联关系。

根据构建的标签图谱，标签添加模块402可分别为待推荐的各内容资源添加标签。比如，针对任一内容资源，可分别利用预先训练得到的网络模型确定出内容资源的标签，确定出的标签为标签图谱中的标签。

其中，标签添加模块402可利用预先训练得到的多标签分类模型，确定出内容资源的主题标签，和/或，利用预先训练得到的语义匹配模型，确定出内容资源的话题标签，和/或，利用预先训练得到的语义匹配模型，确定出内容资源的实体标签。

另外，若内容资源为非文本形式的内容资源，标签添加模块402还可将内容资源转换为文本形式后，利用网络模型确定出内容资源的标签。

针对任一冷启动用户，标签添加模块402还可根据构建的标签图谱，为用户添加标签。

比如，标签添加模块402可根据用户在搜索引擎中的历史搜索行为确定出用户的标签，和/或，为用户提供N篇用于进行兴趣探索的文章，N为大于一的正整数，根据用户对文章的点击行为确定出用户的标签，和/或，为用户展示待选择的标签，将用户从所展示的标签中选定的标签作为用户的标签，其中，用户的标签为标签图谱中的标签。

根据用户及各内容资源的标签，资源推荐模块403可确定出推荐给用户的内容资源，并进行推荐。如可根据用户及各内容资源的标签，从各内容资源中选出作为候选推荐对象的内容资源，并可将各候选推荐对象按评分降序排序，将排序后处于前M位的候选推荐对象作为推荐给用户的内容资源，M为正整数，且小于候选推荐对象的数量。

具体地，资源推荐模块403可分别将用户的标签与各内容资源的标签进行匹配，将匹配成功的内容资源作为候选推荐对象，匹配成功的内容资源包括：至少一个标签与用户的标签相同，和/或，将标签图谱中与用户的标签相连的标签作为相关标签，将标签中包括至少一个相关标签的内容资源作为候选推荐对象。

另外，资源推荐模块403可针对各候选推荐对象，分别利用预先训练得到的评分模型，基于各候选推荐对象的标签以及用户的标签，计算出各候选推荐对象的评分，并将各候选推荐对象按评分降序排序。

图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，在冷启动场景下，可基于构建的标签图谱分别为用户和待推荐的内容资源添加标签，并可根据添加的标签为用户推荐内容资源，从而解决了冷启动场景下的内容资源推荐问题，提升了推荐结果的准确性等。

本公开所述方案可应用于人工智能领域，特别涉及知识图谱、自然语言处理及深度学习等领域。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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、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，个人数字助理、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/或者要求的本公开的实现。

如图5所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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)和互联网。

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。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种内容资源推荐方法，包括：

构建由各标签组成的标签图谱；

根据所述标签图谱，为待推荐的各内容资源分别添加标签；

针对任一冷启动用户，根据所述标签图谱，为所述用户添加标签；

根据所述用户及各内容资源的标签，确定出推荐给所述用户的内容资源，并进行推荐。

2.根据权利要求1所述的方法，其中，所述构建由各标签组成的标签图谱包括：

获取标签，包括以下之一或任意组合：主题标签、话题标签、实体标签；

获取标签间的关联关系；

将获取到的标签作为节点，根据标签间的关联关系将对应节点通过边相连，得到为无向图的所述标签图谱。

3.根据权利要求2所述的方法，其中，

所述获取标签包括以下之一或任意组合：获取人工定义的所述主题标签，从预定站点的网页数据中挖掘出所述话题标签，从预定站点的网页数据中挖掘出所述实体标签；

所述获取标签间的关联关系包括：根据标签间的共现关系确定出标签间的关联关系。

4.根据权利要求2所述的方法，其中，所述为待推荐的各内容资源分别添加标签包括：

针对任一内容资源，分别利用预先训练得到的网络模型确定出所述内容资源的标签，确定出的标签为所述标签图谱中的标签。

5.根据权利要求4所述的方法，其中，所述利用预先训练得到的网络模型确定出所述内容资源的标签包括以下之一或任意组合：

利用预先训练得到的多标签分类模型，确定出所述内容资源的主题标签；

利用预先训练得到的语义匹配模型，确定出所述内容资源的话题标签；

利用预先训练得到的语义匹配模型，确定出所述内容资源的实体标签。

6.根据权利要求4所述的方法，还包括：

若所述内容资源为非文本形式的内容资源，则将所述内容资源转换为文本形式后，利用所述网络模型确定出所述内容资源的标签。

7.根据权利要求1所述的方法，其中，所述为所述用户添加标签包括以下之一或任意组合：

根据所述用户在搜索引擎中的历史搜索行为确定出所述用户的标签；

为所述用户提供N篇用于进行兴趣探索的文章，N为大于一的正整数，根据所述用户对所述文章的点击行为确定出所述用户的标签；

为所述用户展示待选择的标签，将所述用户从所展示的标签中选定的标签作为所述用户的标签；

其中，所述用户的标签为所述标签图谱中的标签。

8.根据权利要求2所述的方法，其中，所述根据所述用户及各内容资源的标签，确定出推荐给所述用户的内容资源包括；

根据所述用户及各内容资源的标签，从各内容资源中选出作为候选推荐对象的内容资源；

将各候选推荐对象按评分降序排序，将排序后处于前M位的候选推荐对象作为推荐给所述用户的内容资源，M为正整数，且小于所述候选推荐对象的数量。

9.根据权利要求8所述的方法，其中，所述从各内容资源中选出作为候选推荐对象的内容资源包括以下之一或全部：

分别将所述用户的标签与各内容资源的标签进行匹配，将匹配成功的内容资源作为所述候选推荐对象，所述匹配成功的内容资源包括：至少一个标签与所述用户的标签相同；

将所述标签图谱中与所述用户的标签相连的标签作为相关标签，将标签中包括至少一个所述相关标签的内容资源作为所述候选推荐对象。

10.根据权利要求8所述的方法，其中，所述将各候选推荐对象按评分降序排序包括：

针对各候选推荐对象，分别利用预先训练得到的评分模型，基于各候选推荐对象的标签以及所述用户的标签，计算出各候选推荐对象的评分，并将各候选推荐对象按所述评分降序排序。

11.一种内容资源推荐装置，包括：图谱构建模块、标签添加模块以及资源推荐模块；

所述图谱构建模块，用于构建由各标签组成的标签图谱；

所述标签添加模块，用于根据所述标签图谱，为待推荐的各内容资源分别添加标签，并针对任一冷启动用户，根据所述标签图谱，为所述用户添加标签；

所述资源推荐模块，用于根据所述用户及各内容资源的标签，确定出推荐给所述用户的内容资源，并进行推荐。

12.根据权利要求11所述的装置，其中，

所述图谱构建模块获取标签，包括以下之一或任意组合：主题标签、话题标签、实体标签，并获取标签间的关联关系，将获取到的标签作为节点，根据标签间的关联关系将对应节点通过边相连，得到为无向图的所述标签图谱。

13.根据权利要求12所述的装置，其中，

所述图谱构建模块获取人工定义的所述主题标签，和/或，从预定站点的网页数据中挖掘出所述话题标签，和/或，从预定站点的网页数据中挖掘出所述实体标签；

所述图谱构建模块根据标签间的共现关系确定出标签间的关联关系。

14.根据权利要求12所述的装置，其中，

所述标签添加模块针对任一内容资源，分别利用预先训练得到的网络模型确定出所述内容资源的标签，确定出的标签为所述标签图谱中的标签。

15.根据权利要求14所述的装置，其中，

所述标签添加模块利用预先训练得到的多标签分类模型，确定出所述内容资源的主题标签，和/或，利用预先训练得到的语义匹配模型，确定出所述内容资源的话题标签，和/或，利用预先训练得到的语义匹配模型，确定出所述内容资源的实体标签。

16.根据权利要求14所述的装置，其中，

所述标签添加模块进一步用于，若所述内容资源为非文本形式的内容资源，则将所述内容资源转换为文本形式后，利用所述网络模型确定出所述内容资源的标签。

17.根据权利要求11所述的装置，其中，

所述标签添加模块根据所述用户在搜索引擎中的历史搜索行为确定出所述用户的标签，和/或，为所述用户提供N篇用于进行兴趣探索的文章，N为大于一的正整数，根据所述用户对所述文章的点击行为确定出所述用户的标签，和/或，为所述用户展示待选择的标签，将所述用户从所展示的标签中选定的标签作为所述用户的标签；其中，所述用户的标签为所述标签图谱中的标签。

18.根据权利要求12所述的装置，其中，

所述资源推荐模块根据所述用户及各内容资源的标签，从各内容资源中选出作为候选推荐对象的内容资源，将各候选推荐对象按评分降序排序，将排序后处于前M位的候选推荐对象作为推荐给所述用户的内容资源，M为正整数，且小于所述候选推荐对象的数量。

19.根据权利要求18所述的装置，其中，

所述资源推荐模块分别将所述用户的标签与各内容资源的标签进行匹配，将匹配成功的内容资源作为所述候选推荐对象，所述匹配成功的内容资源包括：至少一个标签与所述用户的标签相同；

和/或，所述资源推荐模块将所述标签图谱中与所述用户的标签相连的标签作为相关标签，将标签中包括至少一个所述相关标签的内容资源作为所述候选推荐对象。

20.根据权利要求18所述的装置，其中，

所述资源推荐模块针对各候选推荐对象，分别利用预先训练得到的评分模型，基于各候选推荐对象的标签以及所述用户的标签，计算出各候选推荐对象的评分，并将各候选推荐对象按所述评分降序排序。

21.一种电子设备，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1-10中任一项所述的方法。

22.一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计算机执行权利要求1-10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。

Images