CN112559883B - 用于评估推荐系统的方法、装置、电子设备以及可读介质 - Google Patents

Abstract

本公开提供了一种用于评估推荐系统的方法、装置、电子设备以及可读介质，涉及大数据技术领域，尤其涉及智能推荐技术领域。该方法包括：获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息，其中，推荐集包括待推荐给目标用户的多个推荐内容；将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签；以及基于每个推荐内容的标签，对推荐系统进行修正。

Description

用于评估推荐系统的方法、装置、电子设备以及可读介质

技术领域

本公开涉及大数据技术领域，尤其涉及智能推荐技术领域，具体涉及一种用于评估推荐系统的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着互联网的发展，用户能够越来越便捷地接触到海量内容。Feed是将用户主动订阅的若干消息源组合在一起形成内容聚合器，帮助用户持续地获取新的内容。Feed流是持续更新并呈现给用户内容的信息流。随着feed产品的优化，feed流背后的推荐系统会不断推荐用户感兴趣的内容，从而让用户沉溺在某个兴趣圈中，逐渐丧失获取其他兴趣的途径，陷入“信息茧房”。

虽然用户能够在“信息茧房”中获得满足感，但用户会逐渐失去新信息带来的新鲜感和惊喜感，用户满意度也随之下降。

发明内容

本公开提供了一种用于评估推荐系统的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于评估推荐系统的方法，包括：获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息，其中，推荐集包括待推荐给目标用户的多个推荐内容；将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签；以及基于每个推荐内容的标签，对推荐系统进行修正。

根据本公开的另一方面，提供了一种用于评估推荐系统的装置，包括：第一获取模块，配置为获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息，其中，推荐集包括待推荐给目标用户的多个推荐内容；第二获取模块，配置为将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签；以及修正模块，配置为基于每个推荐内容的标签，对推荐系统进行修正。

根据本公开的另一方面，提供一种电子设备，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。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根据本公开实施例的方法。

根据本公开的另一方面，提供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所述计算机执行根据本公开实施例的方法。

根据本公开的另一方面，提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开实施例的方法。

借助于本公开的一个或多个示例性实施例，能够根据推荐给用户的推荐内容的标签和/或用户对推荐内容的点击情况，对推荐系统进行修正。由此，可以提高推荐的准确性和推荐效率，提升用户体验。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开一些实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开一些实施例的用于评估推荐系统的方法的流程图；

图3示出了根据本公开一些实施例的多个特征的示意图；

图4示出了根据本公开另一些实施例的用于评估推荐系统的方法的流程图；

图5示出了根据本公开另一些实施例的用于评估推荐系统的方法的流程图；

图6示出了根据本公开另一些实施例的用于评估推荐系统的方法的流程图；

图7示出了根据本公开一些实施例的用于评估推荐系统的装置的结构框图；

图8示出了能够用于实现本公开一些实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

Feed是将用户主动订阅的若干消息源组合在一起形成内容聚合器，帮助用户持续地获取新的内容。Feed流是指持续更新并呈现给用户内容的信息流。随着feed产品的优化，feed流背后的推荐系统会不断推荐用户感兴趣的内容，从而让用户沉溺在某个兴趣圈中，逐渐丧失了获取其他兴趣的途径，陷入“信息茧房(information cocoons)”。虽然用户能够在“信息茧房”中获得满足感，但用户会逐渐失去新信息带来的新鲜感和惊喜感，用户满意度也随之下降。为打破“信息茧房”，需要推荐系统为用户推荐多样性的内容，让用户在已有兴趣之外，探索新的内容。

对此，本公开实施例提供一种用于评估推荐系统的方法，能够根据推荐给用户的推荐内容的标签和/或用户对推荐内容的点击情况，对推荐系统进行修正，使得修正后的推荐系统多为用户推荐多样性的内容，提高推荐效率，提升用户体验。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于评估推荐系统的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106接收推荐系统的推荐内容。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开一些实施例的用于评估推荐系统的方法200的流程图。方法200可由用于评估推荐系统的装置执行，该装置可以采用软件和/或硬件的方式实现。如图2所示，该方法包括：获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息(步骤201)；将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签(步骤202)；以及基于每个推荐内容的标签，对推荐系统进行修正(步骤203)。由此，能够根据推荐给用户的推荐内容的标签和/或用户对推荐内容的点击情况，对推荐系统进行修正，使得修正后的推荐系统多为用户推荐多样性的内容，提高推荐效率，提升用户体验。

示例性地，推荐集是指待推荐给目标用户的多个推荐内容的集合。推荐内容可以是社交互动类内容，新闻资讯类内容、视频直播类内容等，例如文章、商品、视频等，本公开对此并不限制。目标用户的属性信息可以为目标用户的标识信息。示例性地，属性信息可以为用户画像，包括用户的姓名、年龄、内容偏好等。示例性地，推荐系统可以为用于推荐的系统，例如推荐引擎。推荐引擎可以接收应用程序发送的用户请求，调用各种服务，比如召回服务和排序服务，然后按照规则对各种服务返回的结果进行处理，最后将推荐内容返回给用户。

在一些实施例中，推荐引擎待推荐给目标用户的推荐集可以基于目标用户的历史行为数据来确定。示例性地，目标用户的历史行为数据可以为目标用户历史选择的推荐内容等。用户历史选择的推荐内容可以是预定时间段内(例如，半个月，一个月等)选择的推荐内容。以推荐内容为文章为例，推荐引擎可以根据待推荐文章的元数据、目标用户的属性信息、目标用户对文章的偏好等，获取用于推荐给目标用户的推荐文章。文章的元数据可以为，例如文章的关键字，标题等。目标用户的属性信息可以为，例如目标用户的性别，年龄，偏好等。目标用户对文章的偏好可以为，例如用户对文章的点评、点击查看等。

在一些实施例中，推荐内容的标签可以包括第一标签和第二标签。第一标签可以用于表征，对于目标用户，该推荐内容的推荐值大于预设阈值。第二标签用于表征，对于目标用户，该推荐内容的推荐值不大于预设阈值。示例性地，以推荐内容为文章为例，可以预先采集多个用户对多篇文章的评估数据，以对多篇文章进行标注，得到文章的标签。例如，可以询问某用户对文章的印象，例如是否看到过与该文章的人物或主题相同或相似的内容，并根据用户的回答获得该文章的标签。例如，在用户的回答为“经常看到”与该文章的人物或主题相同或相似的内容时，可以表示该文章为用户感兴趣的文章(例如，该用户兴趣圈内的文章)，该文章具有较大的推荐值，例如大于某阈值。此时，对于该用户而言，可以标注该文章的标签为第一标签。在用户的回答为“较少看到”或“第一次看到”与该文章的人物或主题相同或相似的内容时，可以表示该文章不是用户感兴趣的文章(例如，该用户兴趣圈外的文章)，该文章的推荐值会相对较小。此时，对于该用户而言，可以标注该文章的标签为第二标签。

在一些实施例中，预先构建的神经网络模型可以是使用XGboost算法进行训练得到的。XGBoost是一种提升树模型，将多个分类与回归树(Classification and RegressionTree,CART)模型集成在一起，形成强分类器。XGBoost主要用于解决有监督学习问题，利用包含多个特征的训练数据来预测目标变量。XGBoost是由k个基模型组成的加法运算式：

其中，f_k为第k个模型，为第i个样本的预测值。

示例性地，以推荐内容为文章为例，可以使用多方面的特征进行模型训练。图3示出了根据本公开示例性实施例的多个特征的示意图。如图3所示，这些特征可以包括，例如用户历史及当前状态的统计行为特征，属性类特征，以及组合类特征。用户历史及当前状态的统计行为特征可以为，例如用户历史展现量、用户历史点击量、用户活跃度等。属性类特征可以为，例如文章是否为新热资源，是否为视频等。组合类特征可以为，例如用户当前浏览的文章的兴趣点与用户历史点击相同兴趣点文章的间隔天数等。可选地，这些特征还可以包括文章二级分类的历史出现次数(相似行为)，相同类型的文章展现的间隔天数，用户对文章的互动行为(例如点评、评分等)，用户历史使用时长，以及用户浏览文章列表的时长等，本公开对此并不限制。

图4示出了根据本公开另一些实施例的用于评估推荐系统的方法400的流程图。如图4所示，该方法400可以包括以下步骤。

在步骤401中，获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息。

在步骤402中，将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签。

在步骤403中，获取多个推荐内容中具有第二标签的推荐内容的数量。

在步骤404中，确定多个推荐内容中具有第二标签的推荐内容的数量与多个推荐内容的总数量的第一比例。

在步骤405中，响应于确定第一比例小于第一预设比例，对推荐系统进行修正，使得第一比例不小于第一预设比例。

第一预设比例可以根据实际情况确定，本公开对比并不限制。例如，第一预设比例可以为0.2-0.4。示例性地，推荐系统待推荐给目标用户的推荐集中可以包括20个推荐内容，这20个推荐内容包括目标用户兴趣圈内的内容(即具有第一标签的推荐内容)和/或目标用户兴趣圈外的内容(即具有第二标签的推荐内容)。可以获取该20个推荐内容中具有第二标签的推荐内容数量，例如3个。然后，可以确定具有第二标签的推荐内容的数量与推荐内容的总数量的第一比例，即3/20。由于，3/20小于第一预设比例，则可以对推荐系统进行修正，使得修正后的推荐系统多推荐具有第二标签的推荐内容。由此，可以将用户兴趣圈外的内容推荐给用户，使得用户接触多样性的内容，打破“信息茧房”，提升用户体验。可以理解地，在第一比例不小于第一预设比例时，可以表明推荐系统的推荐效果较好。

图5示出了根据本公开另一些实施例的用于评估推荐系统的方法500的流程图。如图5所示，该方法500可以包括以下步骤。

在步骤501中，获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息。

在步骤502中，将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签。

在步骤503中，获取多个推荐内容中被目标用户点击的推荐内容的数量。

在步骤504中，确定多个推荐内容中被目标用户点击的推荐内容的数量与多个推荐内容的总数量的第二比例。

在步骤505中，响应于确定第二比例小于第二预设比例，基于被目标用户点击的推荐内容，对推荐系统进行修正。

示例性地，推荐系统待推荐给目标用户的推荐集中可以包括20个推荐内容，这20个推荐内容包括目标用户兴趣圈内的内容(即具有第一标签的推荐内容)和目标用户兴趣圈外的内容(即具有第二标签的推荐内容)。可以获取多个推荐内容中被目标用户点击的推荐内容的数量。例如，在这20个推荐内容中，用户点击了其中10个推荐内容，则可知被目标用户点击的推荐内容的数量为10。第二预设比例可以根据实际情况确定，本公开对比并不限制。例如，第二预设比例可以为0.8-1。然后，可以确定多个推荐内容中被目标用户点击的推荐内容的数量与多个推荐内容的总数量的第二比例，即10/20＝0.5。由于0.5小于第二预设比例，则可以基于被目标用户点击的推荐内容，对推荐系统进行修正，使得修正后的推荐系统多推荐与之相关或类似的内容。由此，可以提高推荐系统的推荐准确率和推荐效率。可以理解地，在第二比例不小于第二预设比例时，可以表明推荐系统的推荐效果较好。

图6示出了根据本公开另一些实施例的用于评估推荐系统的方法600的流程图。如图6所示，该方法600可以包括以下步骤。

在步骤601中，获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息。

在步骤602中，将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签。

在步骤603中，获取被目标用户点击的推荐内容中具有第二标签的推荐内容的数量。

在步骤604中，确定被目标用户点击的推荐内容中具有第二标签的推荐内容的数量与具有第二标签的推荐内容的数量的第三比例。

在步骤605中，响应于确定第三比例小于第三预设比例，对推荐系统进行修正，使得第三比例不小于第三预设比例。

示例性地，推荐系统待推荐给目标用户的推荐集中可以包括20个推荐内容，这20个推荐内容包括目标用户兴趣圈内的内容(即具有第一标签的推荐内容)和目标用户兴趣圈外的内容(即具有第二标签的推荐内容)。例如，20个推荐内容包括15个具有第一标签的推荐内容和5个具有第二标签的推荐内容。可以获取多个推荐内容中被目标用户点击的推荐内容的数量。例如，在这20个推荐内容中，目标用户点击了其中10个推荐内容，则可知被目标用户点击的推荐内容的数量为10。可以获取被目标用户点击的推荐内容中具有第二标签的推荐内容的数量。例如，被目标用户点击的10个推荐内容中包括2个具有第二标签的推荐内容。可以确定被目标用户点击的推荐内容中具有第二标签的推荐内容的数量与具有第二标签的推荐内容的数量的第三比例，即2/5。示例性地，第三预设比例也可以根据实际情况确定，本公开对比并不限制。例如，第三比例可以为0.6-0.8。由于2/5小于第三比例，可以对推荐系统进行修正，使得第三比例不小于第三预设比例。由此，可以使得修正后的推荐系统多推荐用户兴趣圈外的内容，同时提高用户点击兴趣圈外的内容的点击率，从而在打破“信息茧房”的同时，提高推荐系统的推荐准确性，提升用户体验。可以理解地，在第三比例不小于第三预设比例时，可以表明推荐系统的推荐效果较好。

图7示出了根据本公开一些实施例的用于评估推荐系统的装置700的结构框图。如图7所示，该装置700包括第一获取模块701，第二获取模块702和修正模块703。

第一获取模块701被配置为获取推荐系统待推荐给目标用户的推荐集以及目标用户的属性信息。推荐集包括待推荐给目标用户的多个推荐内容。

第二获取模块702被配置为将目标用户的属性信息以及推荐集中的多个推荐内容输入预先构建的神经网络模型，得到多个推荐内容中每个推荐内容的标签。

修正模块703被配置为基于每个推荐内容的标签，对推荐系统进行修正。

在一些示例中，第一获取模块701，第二获取模块702和修正模块703的操作分别对应于上面关于图2和图4-6中描述的方法的步骤。由此，能够根据推荐给用户的推荐内容的标签和/或用户对推荐内容的点击情况，对推荐系统进行修正。由此，可以提高推荐的准确性和推荐效率，提升用户体验。

在一些实施例中，推荐内容的标签包括第一标签和第二标签。第一标签用于表征，对于所述目标用户，该推荐内容的推荐值大于预设阈值。第二标签用于表征，对于所述目标用户，该推荐内容的推荐值不大于所述预设阈值。

在一些实施例中，修正模块703还包括：

用于获取多个推荐内容中具有第二标签的推荐内容的数量的单元；

用于确定多个推荐内容中具有第二标签的推荐内容的数量与多个推荐内容的总数量的第一比例的单元；以及

用于响应于确定第一比例小于第一预设比例，对推荐系统进行修正，使得第一比例不小于第一预设比例的单元。

在一些实施例中，修正模块703还包括：

用于获取多个推荐内容中被目标用户点击的推荐内容的数量的单元；

用于确定多个推荐内容中被目标用户点击的推荐内容的数量与多个推荐内容的总数量的第二比例的单元；以及

用于响应于确定第二比例小于第二预设比例，基于被目标用户点击的推荐内容，对推荐系统进行修正的单元。

在一些实施例中，修正模块703还包括：

用于获取被目标用户点击的推荐内容中具有第二标签的推荐内容的数量的单元；

用于确定被目标用户点击的推荐内容中具有第二标签的推荐内容的数量与具有第二标签的推荐内容的数量的第三比例的单元；以及

用于响应于确定第三比例小于第三预设比例，对推荐系统进行修正，使得第三比例不小于第三预设比例的单元。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。

本公开示例性实施例还提供一种电子设备，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。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根据本公开实施例的方法。

本公开示例性实施例还提供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所述计算机执行根据本公开实施例的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开实施例的方法。

参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。

如图8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、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

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，例如方法200和方法400-600。例如，在一些实施例中，方法200和方法400-600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方法200和方法400-600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)而被配置为执行方法200和方法400-600。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (13)

1.一种用于评估推荐系统的方法，包括：

获取所述推荐系统待推荐给目标用户的推荐集以及所述目标用户的属性信息，其中，所述推荐集包括待推荐给所述目标用户的多个推荐内容；

将所述目标用户的属性信息以及所述推荐集中的所述多个推荐内容输入预先构建的神经网络模型，得到所述多个推荐内容中每个推荐内容的标签，其中，所述推荐内容的标签包括第一标签和第二标签，

所述第一标签用于表征，对于所述目标用户，该推荐内容的推荐值大于预设阈值；

所述第二标签用于表征，对于所述目标用户，该推荐内容的推荐值不大于所述预设阈值；以及

基于所述每个推荐内容的标签，对所述推荐系统进行修正，包括：

获取被所述目标用户点击的推荐内容中具有所述第二标签的推荐内容的数量；

确定所述被所述目标用户点击的推荐内容中具有所述第二标签的推荐内容的数量与所述具有所述第二标签的推荐内容的数量的第三比例；以及

响应于确定所述第三比例小于第三预设比例，对所述推荐系统进行修正，使得所述第三比例不小于所述第三预设比例。

2.根据权利要求1所述的方法，其中，基于所述每个推荐内容的标签，对所述推荐系统进行修正包括：

获取所述多个推荐内容中具有所述第二标签的推荐内容的数量；

确定所述多个推荐内容中具有所述第二标签的推荐内容的数量与所述多个推荐内容的总数量的第一比例；以及

响应于确定所述第一比例小于第一预设比例，对所述推荐系统进行修正，使得所述第一比例不小于所述第一预设比例。

3.根据权利要求1所述的方法，其中，基于所述每个推荐内容的标签，对所述推荐系统进行修正包括：

获取所述多个推荐内容中被所述目标用户点击的推荐内容的数量；

确定所述多个推荐内容中被所述目标用户点击的推荐内容的数量与所述多个推荐内容的总数量的第二比例；以及

响应于确定所述第二比例小于第二预设比例，基于所述被所述目标用户点击的推荐内容，对所述推荐系统进行修正。

4.根据权利要求1-3中任一项所述的方法，其中，所述推荐系统待推荐给所述目标用户的推荐集是基于所述目标用户的历史行为数据确定。

5.根据权利要求1-3中任一项所述的方法，其中，所述预先构建的神经网络模型是使用XGboost算法进行训练得到的。

6.一种用于评估推荐系统的装置，包括：

第一获取模块，配置为获取所述推荐系统待推荐给目标用户的推荐集以及所述目标用户的属性信息，其中，所述推荐集包括待推荐给所述目标用户的多个推荐内容；

第二获取模块，配置为将所述目标用户的属性信息以及所述推荐集中的所述多个推荐内容输入预先构建的神经网络模型，得到所述多个推荐内容中每个推荐内容的标签，其中，所述推荐内容的标签包括第一标签和第二标签，

所述第一标签用于表征，对于所述目标用户，该推荐内容的推荐值大于预设阈值；

所述第二标签用于表征，对于所述目标用户，该推荐内容的推荐值不大于所述预设阈值；以及

修正模块，配置为基于所述每个推荐内容的标签，对所述推荐系统进行修正，其中，所述修正模块还包括：

用于获取被所述目标用户点击的推荐内容中具有所述第二标签的推荐内容的数量的单元；

用于确定所述被所述目标用户点击的推荐内容中具有所述第二标签的推荐内容的数量与所述具有所述第二标签的推荐内容的数量的第三比例的单元；以及

用于响应于确定所述第三比例小于第三预设比例，对所述推荐系统进行修正，使得所述第三比例不小于所述第三预设比例的单元。

7.根据权利要求6所述的装置，其中，所述修正模块还包括：

用于获取所述多个推荐内容中具有所述第二标签的推荐内容的数量的单元；

用于确定所述多个推荐内容中具有所述第二标签的推荐内容的数量与所述多个推荐内容的总数量的第一比例的单元；以及

用于响应于确定所述第一比例小于第一预设比例，对所述推荐系统进行修正，使得所述第一比例不小于所述第一预设比例的单元。

8.根据权利要求6所述的装置，其中，所述修正模块还包括：

用于获取所述多个推荐内容中被所述目标用户点击的推荐内容的数量的单元；

用于确定所述多个推荐内容中被所述目标用户点击的推荐内容的数量与所述多个推荐内容的总数量的第二比例的单元；以及

用于响应于确定所述第二比例小于第二预设比例，基于所述被所述目标用户点击的推荐内容，对所述推荐系统进行修正的单元。

9.根据权利要求6-8中任一项所述的装置，其中，所述推荐系统待推荐给所述目标用户的推荐集是基于所述目标用户的历史行为数据确定。

10.根据权利要求6-8中任一项所述的装置，其中，所述预先构建的神经网络模型是使用XGboost算法进行训练得到的。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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所述计算机执行根据权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法。