CN112528153A - 内容推荐方法、装置、设备、存储介质以及程序产品 - Google Patents
内容推荐方法、装置、设备、存储介质以及程序产品 Download PDFInfo
- Publication number
- CN112528153A CN112528153A CN202011526586.7A CN202011526586A CN112528153A CN 112528153 A CN112528153 A CN 112528153A CN 202011526586 A CN202011526586 A CN 202011526586A CN 112528153 A CN112528153 A CN 112528153A
- Authority
- CN
- China
- Prior art keywords
- producer
- target
- product information
- correlation
- product
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了内容推荐方法、装置、设备、存储介质及程序产品，涉及知识图谱，大数据和互联网技术领域。具体实现方案为：根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者；根据目标生产者的产品信息之间的相关性，建立推荐产品集；基于推荐产品集对目标生产者进行私域内容推荐。本公开实施例可针对优质生产者基于推荐产品集进行私域内容推荐，可有效提升优质生产者获客效率、降低获客成本，并且可更好地保证私域内容推荐的效果和营销平台的整体收入。
Description
技术领域
本公开涉及一种计算机技术领域，尤其涉及知识图谱，大数据和互联网技术领域。
背景技术
在当今的互联网时代，生产者关心的不只是被集体所共有的公域流量，而是更加重视属于单一个体的私域流量。私域流量包括品牌或生产者自主拥有的、无需付费的、可反复利用的、能随时触达用户的流量。为生产者进行内容推荐可以帮助生产者获得流量。
目前为生产者进行内容推荐的方法主要包括全网推荐的方式和向生产者提供私域推荐工具的方式。对于全网推荐的方式，用户浏览某生产者的产品时，大多数情况下会看到其他生产者的相关产品被推荐，较少看到当前生产者的产品被推荐。这种方式下生产者获客成本较高。对于向生产者提供私域推荐工具的方式，需要人工在后台为每一个产品配置要推荐的产品内容。人工配置私域推荐产品的效率较低，并且无法保证内容推荐的效果。
发明内容
本公开提供了一种内容推荐方法、装置、设备、存储介质及程序产品。
根据本公开的一方面，提供了一种内容推荐方法，包括：
根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者；
根据目标生产者的产品信息之间的相关性，建立推荐产品集；
基于推荐产品集对目标生产者进行私域内容推荐。
根据本公开的另一方面，提供了一种内容推荐装置，包括：
确定单元，用于根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者；
建立单元，用于根据目标生产者的产品信息之间的相关性，建立推荐产品集；
推荐单元，用于基于推荐产品集对目标生产者进行私域内容推荐。
根据本公开的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任意一项实施例所提供的方法。
根据本公开的又一方面，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，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开任意一项实施例所提供的方法。
上述申请中的一个实施例具有如下优点或有益效果：可针对优质生产者基于推荐产品集进行私域内容推荐，可有效提升优质生产者获客效率、降低获客成本，并且可更好地保证私域内容推荐的效果和营销平台的整体收入。
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是根据本公开一实施例的内容推荐方法的流程图；
图2是根据本公开另一实施例的生内容推荐方法的确定目标生产者的流程图；
图3是根据本公开另一实施例的内容推荐方法的相关性分析的流程图；
图4是根据本公开另一实施例的内容推荐方法的相关性分析的流程图；
图5是根据本公开另一实施例的内容推荐方法的优化产品集的流程图；
图6是根据本公开另一实施例的内容推荐方法的流程图；
图7是根据本公开一实施例的内容推荐装置的示意图；
图8是根据本公开另一实施例的内容推荐装置的示意图；
图9是根据本公开另一实施例的内容推荐装置的示意图；
图10是根据本公开另一实施例的内容推荐装置的示意图；
图11是用来实现本公开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。
相关技术中为生产者进行内容推荐的方法主要包括以下几种技术方案：
方案一、不进行私域推荐，仅提供全网推荐。平台根据所有生产者的产品内容相关度、类别等维度进行相似匹配推荐。用户浏览某生产者的产品时，大多数情况下会看到其他生产者的相关产品被推荐，较少看到当前生产者的产品被推荐。
方案二、平台向生产者提供私域推荐工具。生产者需要人工在后台为每一个产品配置上要推荐的产品内容。
以上技术方案存在的缺陷如下：
方案一、优质内容生产者无平台流量倾斜，且全网推荐导致生产者自身流量被分流，生产者获客成本高。生产者生产优质内容的动力缺失，造成优质生产者的流失，不利于平台内容生态建设。
方案二、人工配置私域推荐产品的效率较低，不便于生产者进行批量配置。且该方案无法根据用户行为数据等推荐效果实时调整推荐内容，无法保证内容推荐的效果，不利于生产者及平台的收益提升。
图1是根据本公开一实施例的内容推荐方法的流程图。参见图1，该内容推荐方法包括：
步骤S110，根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者；
步骤S120，根据目标生产者的产品信息之间的相关性，建立推荐产品集；
步骤S130，基于推荐产品集对目标生产者进行私域内容推荐。
互联网流量可以分为公域流量和私域流量。公域流量也叫平台流量，它不属于单一个体，而是被集体所共有的流量。例如在营销平台中，公域流量可以是卖家们都可以在公共展示位获得排名进行推广的流量。私域流量是属于单一个体的流量。私域流量包括个人或品牌自主拥有的自由流量，它不用付费，可以在任意时间、任意频次，直接触达到用户的渠道。在营销平台中，私域流量可以是店铺的内容营销带来的流量。例如，私域流量可以是产品展示网页中的相关产品推荐、直播、群聊等内容营销带来的流量。
以文库等知识店铺为例，随着线上知识内容迅速扩充和流量红利的殆尽，内容生产者获客成本变高，公域流量下进行变现变得越来越难。为生产者进行内容推荐可以帮助生产者获得流量。
本公开实施例提供一种内容推荐方法，可保证内容推荐的效果，降低生产者获客成本。在步骤S110中，以文库为例，可将文库中所有的内容生产者作为候选生产者。提取候选生产者的产品信息，产品信息中可包括产品内容、流量、付费率等关键信息点。根据候选生产者的产品信息，识别优质内容生产者。将优质内容生产者作为进行私域内容推荐的目标生产者。在本公开实施例中，在候选生产者中确定进行私域内容推荐的目标生产者，具体可以包括，在多个候选生产者的标识信息中，确定出进行私域内容推荐的目标生产者的标识信息。生产者的标识信息可以包括生产者的用户名、店铺名等信息。
在步骤S120中，针对步骤S110中确定的目标生产者，在为其进行私域内容推荐之前，分析该目标生产者所产出的各个产品信息之间的相关性。根据产品信息之间的相关性建立推荐产品集，在当前产品的展示网页中推荐与当前产品相关性较大的该目标生产者自身的产品。例如，可以基于目标生产者的标识信息，获取目标生产者的产品信息，再分析目标生产者的各个产品信息之间的相关性，进而进行推荐。
在步骤S130中，基于推荐产品集为目标生产者开通私域推荐功能。推荐内容可包括推荐产品集中目标生产者自身的相关优质内容。以知识店铺为例，在其店铺商品的展示网页中，系统可为目标生产者推荐本店中与当前展示网页中的商品相关性较高的知识商品。
本公开实施例可针对优质生产者基于推荐产品集进行私域内容推荐，可有效提升优质生产者获客效率、降低获客成本、节省营销成本、提高销量，帮助生产者有效打造个人品牌。并且本公开实施例可更好地保证营销平台整体收入，可保证营销保障平台长久健康发展。
图2是根据本公开另一实施例的生内容推荐方法的确定目标生产者的流程图。如图2所示，在一种实施方式中，图1中的步骤S110，根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者，具体可包括：
步骤S210，根据候选生产者的产品信息，利用网页排名算法对候选生产者进行品质评价；
步骤S220，根据品质评价的结果，在候选生产者中确定进行私域内容推荐的目标生产者。
网页排名(Pagerank)算法又称网页级别算法。该算法可根据网页之间相互的超链接进行分析计算来确定一个页面的重要性等级。
在知识店铺的示例中，可分析候选生产者的产品信息，如产品内容和流量数据、当前存量和新增的产品内容。根据候选生产者的产品信息利用网页排名算法对候选生产者进行品质评价，并建立优质生产者衡量标准。根据品质评价的结果和优质生产者衡量标准确定进行私域内容推荐的目标生产者。
以文库为例，利用Pagerank算法将每个候选生产者抽象成一个节点，根据生产者商品数量、内容质量、商品价格区间、浏览量、下载量、商品销量、关注量、付费转化率、生产者评分、用户评分、版权、用户评论等因子，将文库内所有候选生产者及其商品的相关因子抽象为一张有向图。再整合上述因子相关的数据计算出各个候选生产者的优质评分(α)，并建立优质生产者衡量标准。一个示例性的衡量标准如表1所示。
表1优质生产者衡量标准
在一个示例中，对候选生产者的品质评价会可定期进行一次，例如每月进行一次。对于新增的符合开通私域推荐功能条件的候选生产者可确定为目标生产者，自动为其进行私域内容推荐。对于已开通私域推荐功能但经过评价不再符合上述条件的生产者，则退出私域流量推荐。
本公开实施例利用网页排名算法对候选生产者进行品质评价，在候选生产者中确定进行私域内容推荐的目标生产者，使得生产者为了获取私域内容推荐的机会而有动机提升自身产品的质量。从而通过上述方法引导生产者迭代升级，提升生产者的品质成为优质生产者。
图3是根据本公开另一实施例的内容推荐方法的相关性分析的流程图。如图3所示，在一种实施方式中，上述方法还包括：
步骤S310，根据目标生产者的产品信息，构建知识图谱；
步骤S320，根据知识图谱，建立目标生产者的产品信息之间的相关性。
在这种实施方式中，可利用数据挖掘中的典型关联分析(CCA，CanonicalCorrelation Analysis)方法，根据产品的标题、内容、分类、关键词等基础属性挖掘知识点，并根据挖掘出的知识点搭建知识图谱。根据知识图谱可建立产品间的相关性。可将每个产品作为知识图谱中的一个元素，在知识图谱中元素之间的关系可表示出产品信息之间的相关性。本公开实施例中，将根据知识图谱建立的目标生产者的产品信息之间的相关性称为基础相关性。
本公开实施例根据知识图谱建立的目标生产者的产品信息之间的基础相关性，在后续流程中可根据基础相关性建立推荐产品集，使得推荐的内容与当前产品的相关性更大，可以达到较好的私域内容推荐效果。
图4是根据本公开另一实施例的内容推荐方法的相关性分析的流程图。如图4所示，在一种实施方式中，上述方法还包括：
步骤S410，根据目标生产者的产品信息，构建知识图谱；知识图谱中包括目标生产者的产品信息之间的相关性系数；
步骤S420，利用用户行为数据对相关性系数进行优化；
步骤S430，利用优化后的相关性系数，建立目标生产者的产品信息之间的相关性。
在这种实施方式中，通过产品信息搭建知识图谱，结合用户行为数据建立生产者自身商品信息之间的相关性。在后续流程中可根据相关性建立基础推荐商品集。
基于步骤S110选出的目标生产者，可按下述步骤对目标生产者的产品信息进行分析：
1)根据产品的标题、内容、分类、关键词等基础属性挖掘知识点，并根据挖掘出的知识点搭建知识图谱。根据知识图谱建立的目标生产者的产品信息之间的基础相关性。建立基础相关性的有关内容可参见图3所示的实施例的相关描述，在此不再赘述。
其中，在知识图谱中用基础相关性系数表示两种产品信息之间的相关度。
2)然后结合用户搜索、浏览、购买、用户评论等用户行为数据优化基础相关性系数。例如，对于用户评论好的商品，则将其与当前页面展示的商品之间的相关度增加，以便优先推荐。可利用优化后的相关性系数，建立目标生产者的产品信息之间的基于CPM(CostPer Mille，千人成本)的深度相关性。其中，千人成本是一种媒体送达1000人或"家庭"的成本计算单位。可利用以下公式计算千人成本：
CPM＝用户购买金额/页面PV*1000
其中，PV是Page View的缩写，即页面浏览量。
根据上述步骤，建立生产者自身商品信息之间的相关性，在此基础上可为每个产品建立私域推荐下的基础推荐商品集。将与当前产品相关性大的产品作为推荐商品集中的产品，将推荐商品集中的产品在当前产品的展示网页中进行内容推荐。推荐的核心目标是实现流量的CPM最大化。
本公开实施例通过产品信息搭建知识图谱，结合用户行为数据分析建立生产者自身商品信息之间的深度相关性，在后续流程中可根据深度相关性建立推荐产品集，使得用户体验好的产品能够优先得到推荐，可以达到较好的私域内容推荐效果。
在步骤S320和步骤S430中建立了目标生产者的产品信息之间的相关性的基础上，可根据相关性建立推荐产品集。按照相关度高低排序建立基础推荐商品集的排序。在一个示例中，在知识店铺每个产品的展示网页中可推荐n个内容相关的产品，则将当前产品对应的推荐产品集中排序在前的n个产品上架至平台，在当前产品的展示网页中进行内容推荐。
图5是根据本公开另一实施例的内容推荐方法的优化产品集的流程图。如图5所示，在一种实施方式中，上述方法还包括：
步骤S510，利用私域推荐效果衡量模型对私域内容推荐进行效果评价；
步骤S520，根据效果评价的结果，对推荐产品集进行优化。
在这种实施方式中，可首先搭建私域推荐效果衡量模型。然后根据推荐商品集上架后带来的数据效果按预设周期计算出每个商品的私域推荐效果，基于私域推荐效果动态调整推荐商品集。例如预设周期可设置为天级别，即每天计算一次每个商品的私域推荐效果，基于私域推荐效果以天级别为执行周期动态调整推荐商品集。
本公开实施例利用私域推荐效果衡量模型对推荐产品集进行优化，使得推荐内容更加符合用户需求，从而达到更好的推荐效果。
在一种实施方式中，上述方法还包括在私域推荐效果衡量模型中，利用以下至少一种因子对私域内容推荐进行效果评价：
目标生产者的品质评价的结果、目标生产者的产品信息之间的内容相关性、推荐产品集中产品的质量和目标生产者的产品信息之间的价格相关性。
私域推荐效果与各评价因子的关系可用以下公式表示：
F(e)＝f(c,q,n,p)
其中，F(e)表示私域推荐效果。私域推荐效果主要依赖如下因子：
1)目标生产者的品质评价的结果c
目标生产者的品质评价的结果c可以体现出生产者是否优质。私域内容推荐的基础是优质内容生产者。生产者越优质则私域推荐产品效果越优，开通私域推荐后可为生产者带来的盈利结果更佳。
2)目标生产者的产品信息之间的内容相关性q
产品的标题是产品内容的高度概括。内容相关性q也可以包括标题相关性。推荐产品标题、内容相关性越高，用户点击、购买可能性越大，则私域推荐的效果更好。
3)推荐产品集中产品的质量n
以文库为例，推荐产品集中产品的质量n可包括文库中文章的内容质量。在一个示例中，可使用商品质量星级评价系统对商品进行评价。推荐商品时需要尽量选用高质量商品。商品综合质量越高则推荐效果越好。
4)目标生产者的产品信息之间的价格相关性p
一方面，推荐商品价格需要考虑消费者心理预期。在营销平台中，通常用客单价表示每一个顾客平均购买商品的金额，也即是平均交易金额。推荐商品的价格高于消费者心理预期，需求量降低，客单价变高。推荐商品价格低于消费者心理预期，需求量增多，客单价降低。因此需要考虑目标生产者的产品信息之间的价格相关性，以找到推荐商品价格的最优点。
另一方面，推荐商品价格需要考虑生产者收入。并不是商品定价越高，生产者的收入越多。商品定价高可能导致商品出售量少，生产者收入可能会减少。商品定价适当低可能促使商品出售量多，生产者收入可能会增加。首先考虑使生产者获得最大的收入，给推荐商品一个适合的定价。然后基于推荐商品的定价，推荐商品价格需要考虑消费者心理预期，也就是推荐商品要与当前页面展示的商品的定价差距不大。
本公开实施例中，首先建立以公式F(e)＝f(c,q,n,p)为基础的私域推荐效果衡量模型。设置私域推荐效果的各个依赖因子对应的权值，在私域推荐效果衡量模型初期使用时(例如第一次使用或者开始使用的一段时间)，使用预先设置的权值计算私域推荐效果。然后后续的使用过程中对权值进行不断优化迭代。根据私域推荐效果不断优化私域推荐效果衡量模型，同时基于私域推荐效果衡量模型不断优化私域推荐商品集。在一个示例中，在知识店铺每个产品的展示网页中可推荐n个内容相关的产品，则优化目标是实现f(cpm)＝F(e1)+F(e2)+…+F(en)最大，即内容相关的产品推荐组合的千次展现收益最大。
本公开实施例中，利用评价因子对所述私域内容推荐进行效果评价，使得推荐内容更加符合消费者需求，同时又能够使生产者获得更多的收入，从而达到更好的推荐效果。
在一个示例中，还可以将机器测评和人工测评相结合对私域内容推荐进行效果评价，不断优化优质生产者衡量标准、产品信息之间的相关性模型、私域推荐效果衡量模型，以产出最优私域推荐产品集。例如，可基于私域推荐效果衡量模型的基础上人工进行第二轮测评，采用人工打分的机制不断完善上述各个模型，定期更新私域推荐商品，以产出最优私域推荐产品集，保证私域推荐效果。
图6是根据本公开另一实施例的内容推荐方法的流程图。如图6所示，一个示例性的内容推荐方法包括以下步骤：
步骤6.1：建立优质生产者衡量标准。具体可包括：根据商品属性和浏览量、下载量等用户行为数据结合加权计算生产者评分。在5分制的打分体系中，可为4分以上的优质生产者可开通私域推荐功能。
步骤6.2：利用产品信息之间的相关性，建立推荐产品集。基于商品基础属性建立商品间的基础相关性。结合用户行为数据建立商品内容深度相关性。
步骤6.3：建立私域推荐效果衡量模型。推荐效果衡量模型影响因子包括：生产者是否优质、标题内容相关性、内容质量和价格相关性。
步骤6.4：持续优化模型，保证私域推荐效果。具体可包括：机器测评与人工测评相结合，不断完善上述步骤中使用的各个模型，定期更换私域推荐商品，以产出最优私域推荐集合。
图7是根据本公开一实施例的内容推荐装置的示意图。参见图7，该内容推荐装置包括：
确定单元100，用于根据候选生产者的产品信息，在候选生产者中确定进行私域内容推荐的目标生产者；
建立单元200，用于根据目标生产者的产品信息之间的相关性，建立推荐产品集；
推荐单元300，用于基于推荐产品集对目标生产者进行私域内容推荐。
在一种实施方式中，确定单元100用于：
根据候选生产者的产品信息，利用网页排名算法对候选生产者进行品质评价；
根据品质评价的结果，在候选生产者中确定进行私域内容推荐的目标生产者。
图8是根据本公开另一实施例的内容推荐装置的示意图。如图8所示，在一种实施方式中，上述装置还包括第一分析单元120，用于：
根据目标生产者的产品信息，构建知识图谱；
根据知识图谱，建立目标生产者的产品信息之间的相关性。
图9是根据本公开另一实施例的内容推荐装置的示意图。如图9所示，在一种实施方式中，上述装置还包括第二分析单元140，用于：
根据目标生产者的产品信息，构建知识图谱；知识图谱中包括目标生产者的产品信息之间的相关性系数；
利用用户行为数据对相关性系数进行优化；
利用优化后的相关性系数，建立目标生产者的产品信息之间的相关性。
图10是根据本公开另一实施例的内容推荐装置的示意图。如图10所示，在一种实施方式中，上述装置还包括优化单元400，用于：
利用私域推荐效果衡量模型对私域内容推荐进行效果评价；
根据效果评价的结果，对推荐产品集进行优化。
在一种实施方式中，优化单元400还用于在私域推荐效果衡量模型中，利用以下至少一种因子对私域内容推荐进行效果评价：
目标生产者的品质评价的结果、目标生产者的产品信息之间的内容相关性、推荐产品集中产品的质量和目标生产者的产品信息之间的价格相关性。
本公开实施例的内容推荐装置中的各单元的功能可以参见上述方法中的对应描述，在此不再赘述。
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11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、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/或要求的本公开的实现。
如图11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RAM803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，例如内容推荐方法。例如，在一些实施例中，内容推荐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，可以执行上文描述的内容推荐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)而被配置为执行内容推荐方法。
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 (15)
1.一种内容推荐方法，包括：
根据候选生产者的产品信息，在所述候选生产者中确定进行私域内容推荐的目标生产者；
根据所述目标生产者的产品信息之间的相关性，建立推荐产品集；
基于所述推荐产品集对所述目标生产者进行私域内容推荐。
2.根据权利要求1所述的方法，其中，所述根据所述候选生产者的产品信息，在所述候选生产者中确定进行私域内容推荐的目标生产者，包括：
根据所述候选生产者的产品信息，利用网页排名算法对所述候选生产者进行品质评价；
根据所述品质评价的结果，在所述候选生产者中确定进行私域内容推荐的目标生产者。
3.根据权利要求1或2所述的方法，还包括：
根据所述目标生产者的产品信息，构建知识图谱；
根据所述知识图谱，建立所述目标生产者的产品信息之间的相关性。
4.根据权利要求1或2所述的方法，还包括：
根据所述目标生产者的产品信息，构建知识图谱；所述知识图谱中包括所述目标生产者的产品信息之间的相关性系数；
利用用户行为数据对所述相关性系数进行优化；
利用优化后的相关性系数，建立所述目标生产者的产品信息之间的相关性。
5.根据权利要求1或2所述的方法，还包括：
利用私域推荐效果衡量模型对所述私域内容推荐进行效果评价；
根据所述效果评价的结果，对所述推荐产品集进行优化。
6.根据权利要求5所述的方法，还包括在所述私域推荐效果衡量模型中，利用以下至少一种因子对所述私域内容推荐进行效果评价：
所述目标生产者的品质评价的结果、所述目标生产者的产品信息之间的内容相关性、所述推荐产品集中产品的质量和所述目标生产者的产品信息之间的价格相关性。
7.一种内容推荐装置，包括：
确定单元，用于根据候选生产者的产品信息，在所述候选生产者中确定进行私域内容推荐的目标生产者；
建立单元，用于根据所述目标生产者的产品信息之间的相关性，建立推荐产品集；
推荐单元，用于基于所述推荐产品集对所述目标生产者进行私域内容推荐。
8.根据权利要求7所述的装置，其中，所述确定单元用于：
根据所述候选生产者的产品信息，利用网页排名算法对所述候选生产者进行品质评价；
根据所述品质评价的结果，在所述候选生产者中确定进行私域内容推荐的目标生产者。
9.根据权利要求7或8所述的装置，还包括第一分析单元，用于：
根据所述目标生产者的产品信息，构建知识图谱；
根据所述知识图谱，建立所述目标生产者的产品信息之间的相关性。
10.根据权利要求7或8所述的装置，还包括第二分析单元，用于：
根据所述目标生产者的产品信息，构建知识图谱；所述知识图谱中包括所述目标生产者的产品信息之间的相关性系数；
利用用户行为数据对所述相关性系数进行优化；
利用优化后的相关性系数，建立所述目标生产者的产品信息之间的相关性。
11.根据权利要求7或8所述的装置，还包括优化单元，用于：
利用私域推荐效果衡量模型对所述私域内容推荐进行效果评价；
根据所述效果评价的结果，对所述推荐产品集进行优化。
12.根据权利要求11所述的装置，所述优化单元还用于在所述私域推荐效果衡量模型中，利用以下至少一种因子对所述私域内容推荐进行效果评价：
所述目标生产者的品质评价的结果、所述目标生产者的产品信息之间的内容相关性、所述推荐产品集中产品的质量和所述目标生产者的产品信息之间的价格相关性。
13.一种电子设备，其特征在于，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526586.7A CN112528153B (zh) | 2020-12-22 | 2020-12-22 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
| US17/530,672 US20220076320A1 (en) | 2020-11-22 | 2021-11-19 | Content recommendation method, device, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526586.7A CN112528153B (zh) | 2020-12-22 | 2020-12-22 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528153A true CN112528153A (zh) | 2021-03-19 |
| CN112528153B CN112528153B (zh) | 2024-03-08 |
Family
ID=75002149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011526586.7A Active CN112528153B (zh) | 2020-11-22 | 2020-12-22 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220076320A1 (zh) |
| CN (1) | CN112528153B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157725A (zh) * | 2021-04-22 | 2021-07-23 | 北京小米移动软件有限公司 | 推荐模型的确定方法、装置、设备及存储介质 |
| CN113254503A (zh) * | 2021-06-08 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 一种内容挖掘方法、装置及相关产品 |
| CN113888285A (zh) * | 2021-10-22 | 2022-01-04 | 北京明略昭辉科技有限公司 | 用户旅程分析方法、系统、存储介质及电子设备 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11715118B1 (en) * | 2022-03-30 | 2023-08-01 | Content Square SAS | Product performance with location on page analysis |
| CN116308683B (zh) * | 2023-05-17 | 2023-08-04 | 武汉纺织大学 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
| CN117135379B (zh) * | 2023-10-26 | 2023-12-22 | 武汉耳东信息科技有限公司 | 一种基于大数据的直播平台数据分析管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104516910A (zh) * | 2013-09-26 | 2015-04-15 | Sap欧洲公司 | 在客户端服务器环境中推荐内容 |
| US20150278909A1 (en) * | 2014-03-27 | 2015-10-01 | Yahoo! Inc. | Techniques for improving diversity and privacy in connection with use of recommendation systems |
| CN110489540A (zh) * | 2019-08-21 | 2019-11-22 | 合肥天源迪科信息技术有限公司 | 一种基于知识图谱的学习内容推荐方法 |
| CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
| CN111859020A (zh) * | 2019-04-26 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
| CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
| CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060294124A1 (en) * | 2004-01-12 | 2006-12-28 | Junghoo Cho | Unbiased page ranking |
| WO2008108750A1 (en) * | 2006-02-06 | 2008-09-12 | Cnet Networks, Inc. | Controllable automated generator of optimized allied product content |
| US20140289159A1 (en) * | 2013-03-22 | 2014-09-25 | Tata Consultancy Services Limited | Open source software products assessment |
| US10664757B2 (en) * | 2015-09-16 | 2020-05-26 | International Business Machines Corporation | Cognitive operations based on empirically constructed knowledge graphs |
| US11995564B2 (en) * | 2018-06-21 | 2024-05-28 | Samsung Electronics Co., Ltd. | System and method for generating aspect-enhanced explainable description-based recommendations |
-
2020
- 2020-12-22 CN CN202011526586.7A patent/CN112528153B/zh active Active
-
2021
- 2021-11-19 US US17/530,672 patent/US20220076320A1/en not_active Abandoned
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104516910A (zh) * | 2013-09-26 | 2015-04-15 | Sap欧洲公司 | 在客户端服务器环境中推荐内容 |
| US20150278909A1 (en) * | 2014-03-27 | 2015-10-01 | Yahoo! Inc. | Techniques for improving diversity and privacy in connection with use of recommendation systems |
| CN111859020A (zh) * | 2019-04-26 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
| CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
| CN110489540A (zh) * | 2019-08-21 | 2019-11-22 | 合肥天源迪科信息技术有限公司 | 一种基于知识图谱的学习内容推荐方法 |
| CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
| CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
Non-Patent Citations (2)
| Title |
|---|
| 沈冬东;汪海涛;姜瑛;陈星;: "基于知识图谱嵌入与多神经网络的序列推荐算法", 计算机工程与科学, no. 09 * |
| 王晓堤;文军舰;张悦;叶娟娟;: "基于模糊兴趣模型与多Agent的个性化推荐系统", 计算机系统应用, no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157725A (zh) * | 2021-04-22 | 2021-07-23 | 北京小米移动软件有限公司 | 推荐模型的确定方法、装置、设备及存储介质 |
| CN113254503A (zh) * | 2021-06-08 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 一种内容挖掘方法、装置及相关产品 |
| CN113888285A (zh) * | 2021-10-22 | 2022-01-04 | 北京明略昭辉科技有限公司 | 用户旅程分析方法、系统、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528153B (zh) | 2024-03-08 |
| US20220076320A1 (en) | 2022-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528153B (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
| US11526896B2 (en) | System and method for recommendations based on user intent and sentiment data | |
| CN108205768B (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
| US20170148085A1 (en) | Providing personalized item recommendations using scalable matrix factorization with randomness | |
| US10657575B2 (en) | Providing recommendations based on user-generated post-purchase content and navigation patterns | |
| CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
| US11321724B1 (en) | Product evaluation system and method of use | |
| CN108153792B (zh) | 一种数据处理方法和相关装置 | |
| CN111738805B (zh) | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 | |
| CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
| CN107301592A (zh) | 用于商品替代品发掘的方法及装置 | |
| WO2023142520A1 (zh) | 信息推荐方法及装置 | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| CN112925978A (zh) | 一种推荐系统评测方法、装置、电子设备和存储介质 | |
| CN113434755A (zh) | 页面的生成方法、装置、电子设备及存储介质 | |
| CN111091218A (zh) | 竞价预测模型的生成以及广告投放自动出价方法和装置 | |
| CN113793161A (zh) | 广告投放方法、广告投放装置、可读存储介质及电子设备 | |
| CN110490682B (zh) | 分析商品属性的方法和装置 | |
| CN107169837B (zh) | 用于辅助搜索的方法、装置、电子设备及计算机可读介质 | |
| CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
| KR102576123B1 (ko) | 제품 공동구매 연계 시스템 및 방법 | |
| CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
| CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
| CN110766488A (zh) | 一种自动确定主题场景的方法和装置 |
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 |