CN112650931B - 一种内容推荐方法 - Google Patents

Abstract

本发明实施例提供了一种内容推荐方法，该方法包括：根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

Description

一种内容推荐方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种内容推荐方法。

背景技术

随着网络的应用越来深入到人们的生活中，为了能够让用户在随意浏览网络中的内容过程中能够更快得发现感兴趣的内容，可使用推荐算法，优先将推荐的内容发送给客户。

现有的推荐算法，均是基于内容本身的特征，旨在面向所有的用户推荐平台上的优质内容，从而导致对部分用户的推荐效率低下。

发明内容

本发明实施例的目的是提供一种内容推荐方法，以解决现有的推荐算法，均是基于内容本身的特征，旨在面向所有的用户推荐平台上的优质内容，从而导致对部分用户的推荐效率低下的问题。

为了解决上述技术问题，本发明实施例是这样实现的：

第一方面，本发明实施例提供了一种内容推荐方法，包括：

根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；

基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；

将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。

进一步的，所述用户类型包括：

用于表征为新用户的第一类用户，所述新用户为不存在对应的用户标签的用户；

用于表征为老用户的第二类用户，所述老用户为存在对应的用户标签的用户。

进一步的，所述根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，包括：

若所述目标用户为第一类用户，则所述目标用户的推荐算法包括：基于内容被推送的历史记录进行评分的第一评分机制和基于用户对内容的互动操作的历史记录进行评分的第二评分机制；

若所述目标用户为第二类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制和基于内容的标签与所述目标用户的标签之间的第一相似度进行评分的第三评分机制。

进一步的，所述用户类型还包括：

用于表征为正在浏览内容页面的老用户的第三类用户。

进一步的，所述根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，还包括：

若所述目标用户为第三类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制、第三评分机制和基于内容的标签与所述目标用户正在浏览的内容的标签的第二相似度进行评分的第四评分机制。

进一步的，在所述第一评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据所述内容所在的流量池，获取所述内容的流量池信息，所述流量池信息包括：所述内容在所述流量池中存活的时间、所述流量池的级别和对应的级别权重；其中，所述流量池为，通过预设的分级方法将所述内容库中的内容进行分级后得到的内容集合，所述级别权重为，根据所述用户类型预设的与所述流量池的级别对应的权重；

基于所述内容在所述流量池中存活的时间和所述级别权重，对所述内容进行评分，得到所述内容的第一待选评分；其中，在同一流量池中，存活时间越久的内容将得到越高的第一待选评分；

根据所述内容库中各内容的第一待选评分，以及与所述用户类型对应的所述第一评分机制的第一机制权重，得到所述内容的第一推荐评分。

进一步的，在所述根据所述内容所在的流量池，获取所述内容的流量池信息之前，所述方法还包括：

根据预设的初始划分方法，将所述内容库中的内容分别划分到预设级别数量的流量池中；

在预设的第一时间区间内，若所述内容被推送的数量达到与所述流量池对应的推送量阈值时，则统计所述内容的点击量和互动量，并判断所述内容是否满足预设的转换条件；其中，所述点击量为，各用户对所述内容进行点击进入到内容页面的数量，所述互动量为，各用户进入到所述内容页面后进行互动操作的数量；

在所述内容满足预设的转换条件时，将所述内容从当前的流量池中转换到相邻级别的流量池中。

进一步的，若所述转换条件为升级条件，则所述升级条件包括以下至少一种：

所述内容的点击率达到预设的点击率阈值，所述点击率为所述内容的点击量与所述推送量阈值的比值；

所述内容的互动率达到预设的互动率阈值，所述互动率为所述内容的互动量与所述内容的点击量的比值。

进一步的，在所述第二评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，并得到所述内容的第二待选评分；

根据所述内容库中各内容的第二待选评分，以及与所述用户类型对应的所述第二评分机制的第二机制权重，得到所述内容的第二推荐评分。

进一步的，所述根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，包括：

基于各互动操作的类型、预设的与各互动操作的类型对应的互动值、以及预设的与所述存活时间相关的衰减函数，根据各用户对所述内容的互动操作，得到所述内容的热度值。

进一步的，在所述第三评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据所述目标用户的标签和所述内容的标签，得到所述内容与目标用户之间的第一相似度，并得到所述内容的第三待选评分；

根据所述内容库中各内容的第三待选评分，以及与所述用户类型对应的所述第三评分机制的第三机制权重，得到所述内容的第三推荐评分。

进一步的，在所述第四评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

基于所述内容的标签与所述目标用户正在浏览的内容的标签，得到所述内容与正的浏览的内容之间标签的第二相似度，并得到所述内容的第四待选评分；

根据所述内容库中各内容的第四待选评分，以及与所述用户类型对应的所述第四评分机制的第四机制权重，得到所述内容的第四推荐评分。

进一步的，所述将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端，包括：

在各评分机制下，分别根据各内容的推荐评分由高到低进行排序，将排名最高的预设第一数量的内容作为各评分机制的待选内容；

将各待选内容在各评分机制下的推荐评分进行加权，得到各待选内容的推荐总分，并将推荐总分最高的预设第二数量的待选内容作为推荐项推送给所述目标用户的终端。

进一步的，所述方法还包括：

获取与所述目标用户对应的内容过滤列表；

从所述内容库中删除所述内容过滤列表中的内容。

进一步的，所述方法还包括：

获取预设的第二时间区间内所述目标用户的互动操作的记录，所述互动操作记录包括内容和互动操作的类型；

基于预设的与各互动操作的类型对应的互动值和各内容的标签，根据所述目标用户的互动操作的记录，得到所述目标用户对各标签的关联值，所述关联值为所述目标用户对包括所述标签的内容进行互动操作的互动值之和；

将所述关联值最高的预设标签数量的标签作为所述目标用户的标签。

进一步的，所述方法还包括：

基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项

由以上本发明实施例提供的技术方案可见，本发明实施例通过根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的内容推荐方法的第一种流程示意图；

图2为本发明实施例提供的内容推荐方法的第二种流程示意图；

图3为本发明实施例提供的内容推荐装置的模块组成示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

本发明实施例提供了一种内容推荐方法。

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示，本发明实施例提供一种内容推荐方法，该方法的执行主体可以为应用服务器，其中，该应用服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该应用服务器可以是能够进行网络操作处理的服务器，如某网络资源配置的服务器等。该方法具体可以包括以下步骤：

步骤S01、根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重。

本发明实施例中，应用服务器的数据库中保存有内容库，并预先设定多种评分机制，用于对内容库中的内容进行评分。当应用服务器判断需要向目标用户的终端推送推荐项时，将根据所述目标用户的用户类型，从多种评分机制中选取与该用户类型对应的评分机制，并设定各评分机制的机制权重来作为所述目标用户的推荐算法。

在实施中，所述应用服务器判断需要向目标用户的终端推送推荐项可以是接收到了由所述目标用户的终端发送的推荐请求。所述目标用户的终端发送该推荐请求可基于目标用户对终端上应用的相应操作，例如刷新操作或加载操作等。

所述刷新操作可以包括自动刷新和主动刷新，所述自动刷新可以包括在满足以下至少任一项条件下产生：

目标用户开启应用APP；

目标用户重新进入应用的推荐页面；

目标用户在使用该应用过程中离开推荐页面超过一定的时长等。

所述主动刷新可以包括在满足以下至少任一项条件下产生：

目标用户在推荐页面进行例如下拉操作的触控操作；

目标用户对推荐页面的图标进行例如双击操作的触控操作；

目标用户对推荐页面的首页图标进行例如双击操作的触控操作。

所述加载操作可以包括目标用户在浏览完推荐页面后进行例如上滑操作的触控操作。

步骤S02、基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分。

在确定目标用户的推荐算法后，分别基于所述推荐算法中各个评分机制，对内容库中各个内容进行评分，并基于各评分机制的机制权重，得到在各评分机制下，各内容的推荐评分。

步骤S03、将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。

将在各评分机制下，各内容的推荐评分进行汇总后进行加权，从而计算得到各内容的推荐总分，并基于所述推荐总分由高到低对各内容进行排序。然后，根据目标用户对推荐项的需求数量，从排序的列表中由高到低选取需求数量的内容作为推荐项发送给所述目标用户的终端，以实现对目标用户的推送。所述目标用户对推荐项的需求数量可包含在接收到的推荐请求中，可以为一项，也可以为20项或者更多。

在实施中，也可以先对内容库中的内容进行分类，并在各类的内容子库中分别进行评分和排序，分别提取一定数量的推荐项汇总后推送给目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，所述用户类型的分类方法有很多，在本发明实施例中以用户是否存在用户标签为分类标准，所述用户类型包括：

用于表征为新用户的第一类用户，所述新用户为不存在对应的用户标签的用户；

用于表征为老用户的第二类用户，所述老用户为存在对应的用户标签的用户。

所述新用户可以包括以游客身份登陆的用户和新注册的用户。当新注册的用户在使用应用的过程中产生的行为数据满足预设的标注条件，则将根据该用户的行为数据，为所述用户标注上相应的标签，从而使该用户从新用户转变为老用户。

所述标注条件可以根据实际的应用进行设定，例如，可以为用户使用应用的时长达到预设的时长阈值，浏览内容的数量达到预设的内容数量阈值，或者产生的互动操作的数量达到预设的互动数量阈值等。

进一步的，基于不同的用户类型，所述步骤S01具体可以包括：

步骤S011、若所述目标用户为第一类用户，则所述目标用户的推荐算法包括：基于内容被推送的历史记录进行评分的第一评分机制和基于用户对内容的互动操作的历史记录进行评分的第二评分机制。

步骤S012、若所述目标用户为第二类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制和基于内容的标签与所述目标用户的标签之间的第一相似度进行评分的第三评分机制。

进一步的，所述评分机制可以有很多，在本发明实施例中设置的评分机制包括：

基于内容被推送的历史记录的第一评分机制；所述被推送的历史记录包括内容被推送的数量和内容被推送后用户进行互动操作的信息等。

基于各用户对内容的互动操作的历史记录的第二评分机制；所述用户对内容的互动操作可以由应用根据实际的需要进行设置，本发明实施例仅给出了其中的几种进行举例说明，包括：用户对内容进行点击后进入内容页面的点击操作、用户在内容页面将内容完整播放完的完播操作、用户对内容进行点赞的点赞操作、用户对内容进行评论的评论操作、用户对内容的发布者进行关注的关注操作和用户对内容进行分享的分享操作。

基于目标用户与内容之间标签的第一相似度的第三评分机制。

由于第一类用户是不存在标签的新用户，因此，若所述目标用户为第一类用户，则所述第一类用户对应的推荐算法可以包括：第一评分机制和第二评分机制，并根据应用过程中的重要程序，设定第一评分机制的第一机制权重和第二评分机制的第二机制权重，例如，所述第一机制权重为0.4，所述第二机制权重为0.6。

而若所述目标用户为第二类用户，则所述第二类用户对应的推荐算法可以包括：第一评分机制、第二评分机制和第三评分机制，并分别设定第一评分机制的第一机制权重、第二评分机制的第二机制权重和第三评分机制的第三机制权重，例如，所述第一机制权重为0.3、第二机制权重为0.1、第三评分机制为0.6。

进一步的，对于老用户还可以根据用户当前对应用的使用状态，进一步进行细分，所述用户类型还包括：

用于表征为正在浏览内容页面的老用户的第三类用户。

将老用户分为未在浏览内容页面的第二类用户和正在浏览内容页面的第三类用户。

进一步的，对于第三类用户，所述步骤S01包括：

步骤S013、若所述目标用户为第三类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制、第三评分机制和基于内容的标签与所述目标用户正在浏览的内容的标签的第二相似度进行评分的第四评分机制。

本发明实施例还设置了与第三类用户相对应的第四评分机制，当所述目标用户为第三类用户时，对应的推荐算法将包括：第一评分机制、第二评分机制、第三评分机制和第四评分机制，并分别设定第一评分机制的第一机制权重、第二评分机制的第二机制权重、第三评分机制的第三机制权重和第四评分机制的第四机制权重，例如，所述第一机制权重为0.2、第二机制权重为0.2、第三机制权重为0.1和第四机制权重为0.5。

由以上本发明实施例提供的技术方案可见，本发明实施例通过根据是否存在用户标签，以及用户当前对应用的使用状态，将用户类型分为第一类型用户、第二类型用户和第三类型用户，并分别为各用户类型设置对应的评分机制和机制权重作为推荐算法。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，在所述第一评分机制下，所述步骤S02，包括：

步骤S021、根据所述内容所在的流量池，获取所述内容的流量池信息，所述流量池信息包括：所述内容在所述流量池中存活的时间、所述流量池的级别和对应的级别权重；其中，所述流量池为，通过预设的分级方法将所述内容库中的内容进行分级后得到的内容集合，所述级别权重为，根据所述用户类型预设的与所述流量池的级别对应的权重。

应用服务器预先在所述内容库中设置多个级别的流量池，以及与各流量池分别对应的推送量阈值，所述内容库中各内容将根据预设的分级方法，划归到对应的流量池中。所述流量池的级别数量可根据实际的需要进行设定，本发明实施例中仅以五级为例进行举例说明，由低到高分别包括：一级流量池、二级流量池、三级流量池、四级流量池和五级流量池，而各流量池的推送量阈值分别设为一级流量池为100次、二次流量池为500次、三级流量池为1000次、四次流量池为3000次和五级流量池为5000次。可见，位于更高级别的流量池的内容可获得更多的被推荐的数量。

所述分级方法有很多，本发明实施例仅给出了其中的一种举例说明，所述方法还包括：

步骤S0210、根据预设的初始划分方法，将所述内容库中的内容分别划分到预设级别数量的流量池中。

在所述应用服务器建立流量池后，将根据预设的初始划分方法对所有的内容进行划分，分别归于对应的流量池。所述初始划分方法有很多，例如，可以直接根据内容在内容库中的存活时间进行划分，或者根据内容的被推送的数量进行划分，在本发明实施例中，则直接由后台根据内容和应用的运营要求，将各内容划分到不同推送量阈值的流量池中，并将新增加的内容直接划分到一级流量池中。

步骤S0211、在预设的第一时间区间内，若所述内容被推送的数量达到与所述流量池对应的推送量阈值时，则统计所述内容的点击量和互动量，并判断所述内容是否满足预设的转换条件；其中，所述点击量为，各用户对所述内容进行点击进入到内容页面的数量，所述互动量为，各用户进入到所述内容页面后进行互动操作的数量。

步骤S0212、在所述内容满足预设的转换条件时，将所述内容从当前的流量池中转换到相邻级别的流量池中。

所述应用服务器还设置了转换条件，从而将满足转换条件的内容可以转换到相邻一级的流量池中，所述转换条件可以包括：升级条件和降级条件。若所述内容满足预设的升级条件，则将该内容升级到更高一级的流量池中，从而获取到相对更多被推送的机会；而若所述内容满足预设的降级条件，则将该内容降级到更低一级的流量池中，从而获取相对更少的被推送的机会。

在所述内容进入到一个流量池中后，若在预设的第一时间区间内，其被推送的数量达到或超过了该流量池的推送量阈值时，将根据在此期间各用户对该内容的互动操作的记录，统计所述内容的点击量和互动量。其中，所述点击量为用户在接收到该内容的推送后，点击该内容并进入到内容页面的数量，所述互动量为用户进入到该内容页面后，进行其它互动操作的数量，包括：完播操作的数量+点赞操作的数量+评论操作的数量+关注操作的数量+分享操作的数量。

在实施中，为了确保统计的点击量和互动量真实可靠，在所述内容被推送的数量达到所述推送量阈值后可以先等待预设间隔时间，例如10分钟，再进行统计。

所述第一时间区间可根据实际的需要进行设定，例如可以设定为一周、两周或一个月等，在此不作具体地限定。

应用服务器可设置的升级条件有很多，在本发明实施例中，所述升级条件包括：

所述内容的点击率CTR达到预设的点击率阈值，所述点击率为所述内容的点击量与所述推送量阈值的比值；

所述内容的互动率达到预设的互动率阈值，所述互动率为所述内容的互动量与所述内容的点击量的比值。

根据统计得到的所述内容的点击量和互动量，结合推送量阈值，来判断所述内容是否满足预设的升级条件。

在本发明实施例中，在所述内容被推送的数量达到推送量阈值后，先计算所述内容的点击率＝点击量/推送量阈值，若所述点击率超过预设的点击率阈值，例如：60％。则进一步计算所述内容的互动率＝互动量/点击量，若所述互动率超过互动率阈值，例如：20％，将该内容进行升级，进入到上一级的流量池中。

而若所述点击率未超过点击率阈值或者互动率未超过互动率阈值，则可将该内容从当前的流量池中删除，或者，还可以将该内容的被推送的数量进行重置，并且统计重置的数量，在达到重置阈值时，再从当前的流量池中删除。

在实施中，所述应用服务器还可以设置降级条件，将满足降级条件的内容从当前的流量池中降低到下一级的流量池中，而若当前的流量池为一级流量池，则将该内容从一级流量池中删除。

在所述第一评分机制下，需要先获取各内容的流量池信息，所述流量池信息至少包括内容所在流量池的级别和对应级别权重，以及各内容在流量池中存活的时间。

所述级别权重可根据用户类型的不同进行预先设置，例如，对于作为新用户的第一类用户，从一级流量池到五级流量池的级别权重分别为0，0，0，0.5，0.5；对于作为老用户的第二类用户和第三类用户，从一级流量池到五级流量池的级别权重分别为1，0.8，0.6，0.5，0.3。相当于，对于新用户更倾向于推荐高级别的流量池中的内容，即在内容库中存活时间较久且热度较高的内容，而对于老用户更倾向于推荐低级别的流量池中的内容，即在内容库中存活时间较短的新增加的内容。

步骤S022、基于所述内容在所述流量池中存活的时间和所述级别权重，对所述内容进行评分，得到所述内容的第一待选评分；其中，在同一流量池中，存活时间越久的内容将得到越高的第一待选评分。

用于计算所述内容的第一待选评分的方法有很多，本发明实施例仅给出了一种举例说明，基于在流量池中所有内容的存活时间进行归一化处理，并乘上对应的级别权重，具体公式如下所示：

/>

可见，在同一流量池中，进入该流量池越早的内容，将获取到更好的推荐机会。

步骤S023、根据所述内容库中各内容的第一待选评分，以及与所述用户类型对应的所述第一评分机制的第一机制权重，得到所述内容的第一推荐评分。

通过以下公式，计算得到第一推荐评分：

第一推荐评分＝第一待选评分×第一机制权重

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的多个级别的流量池对各内容进行分级，并根据用户类型设置对应的级别权重，从而根据内容的流量池信息，计算各内容在第一评分机制下的第一推荐评分。通过本发明实施例，实现了能够根据不同的用户类型内容在第一评分机制进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，所述在第二评分机制下，所述步骤S02包括：

步骤S024、根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，并得到所述内容的第二待选评分。

所述第二评分机制用于对各内容的热度值进行评分，所述热度值为基于各用户对内容进行互动操作的历史记录通过预设的热度值计算方法得到，所述历史记录包括：各用户对该内容的互动操作和操作时间。

进一步的，所述热度值计算方法有很多，本发明实施例采用的热度值计算方法为基于各互动操作的类型、预设的与各互动操作的类型对应的互动值、以及预设的与所述存活时间相关的衰减函数，根据各用户对所述内容的互动操作，得到所述内容的热度值。

所述互动操作的类型可以分为：点击操作、完播操作、点赞操作、评论操作、关注操作和分享操作。而在热度值计算方法中具体采用何种类型的互动操作作为评分依据，则可根据实际的需要预先进行设定，本发明实施例中选取了其中的完播操作、点赞操作、评论操作和分享操作。

所述各互动操作类型对应的互动值也可以由应用服务器根据需要进行设定，在本发明实施例中设定的互动值分别为：完播操作10、点赞操作10、评论操作20和分享操作20。

所述衰减函数为预设的基于内容在内容库中存活时间的加权函数，存活时间越短，即越新的内容其对应的衰减函数得到的加权值越大，而存活时间越长，即越旧的内容其对应的衰减函数得到的加权值越小。所述衰减函数可由应用服务器预先设定，例如，可以设定多个时间阈值以及对应的加权值，也可以为设为指数函数、对数函数等。

本发明实施例的热度值计算公式如下：

热度值＝(完播操作×10+点赞操作×10+评论操作×20+分享操作×20)×衰减函数

将得到的所有内容的热度值进行归一化处理，得到所述内容的第二待选评分。

步骤S025、根据所述内容库中各内容的第二待选评分，以及与所述用户类型对应的所述第二评分机制的第二机制权重，得到所述内容的第二推荐评分。

通过以下公式，计算得到第二推荐评分：

第二推荐评分＝第二待选评分×第二机制权重

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的热度值计算方法，基于各内容相关的互动操作，计算各内容在第二评分机制下的第二推荐评分。通过本发明实施例，实现了在第二评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，在所述第三评分机制下，所述步骤S02，包括：

步骤S026、根据所述目标用户的标签和所述内容的标签，得到所述内容与目标用户之间的第一相似度，并得到所述内容的第三待选评分。

应用服务器预先设置多个标签用于为目标用户和内容进行标注，其中，对于内容的标签可以由发布者在发布内容的时候在预设的多个标签中进行选择，还可以在后台由运营人员对内容的标签进行优化或补充。每个内容的标签数量可以设置为最多5个或4个等。

进一步的，所述目标用户的标签同样可以由目标用户在注册时在预设的多个标签中进行选择，也可以基于目标用户在使用应用过程中的行为数据，包括对内容进行互动操作的历史记录，通过预设的标注方法自动从预设的多个标签中进行选择，从而为所述目标用户进行标注。本发明实施例提供的标注方法具体如步骤S0261-S0263所述。

步骤S0261、获取预设的第二时间区间内所述目标用户的互动操作的记录，所述每条互动操作记录包括内容和互动操作的类型。

所述第二时间区间的设定方法有很多，例如，可以为当前时间前的预设时间段内，例如一个月，或一周。

在实施中，若第二时间区间内目标用户对内容的互动操作的记录的数量过少，未超过预设的最少数量，例如15条，由于无法作为参考，因此，无需对目标用户进行标签的标注，并等待下一个统计时刻，例如，每天零时。而若第二时间区间内的互动操作的记录的数量过多，则从中选取预设最多数量的记录，例如50条。

步骤S0262、基于预设的与各互动操作的类型对应的互动值和各内容的标签，根据所述目标用户的互动操作的记录，得到所述目标用户对各标签的关联值，所述关联值为所述目标用户对包括所述标签的内容进行互动操作的互动值之和。

应用服务器预先设置各互动操作的类型的互动值，该互动值可以设置为与第二评分机制中互动值相同，也可以分别设定，本发明实施例中各互动操作的类型的互动值设置为：点击操作5、完播操作20、点赞操作10、评论操作20、关注操作30和分享操作30。

对应于每条互动操作的记录，根据该记录中互动操作的类型和内容的标签，得到在该条互动操作的记录下，目标用户与各标签关联值。例如，对于互动操作的记录R1，对内容A1进行了点赞操作，所述内容A1的标签为B1、B2、B3和B4，则在记录R1下，目标用户与标签B1、B2、B3和B4的关联值均10；对于互动操作的记录R2，对内容A2进行分享操作，所述内容A2的标签为B2、B4和B5，则在记录R2下，目标用户与标签B2、B4和B5的关联值为30。

将各互动操作的记录下目标用户与各相同标签的关联值进行加权，从而得到目标用户与各标签的最终的关联值，并进行排序。

步骤S0263、将所述关联值最高的预设标签数量的标签作为所述目标用户的标签。

从排序的列表中由高到低选取关联值最高的几个标签作为所述目标用户的标签，从而对目标用户进行标注。若所述目标用户已经存在标签，则对该目标用户的标签进行优化，具体的优化方案可由应用服务器根据需要进行设置。

在所述目标用户存在标签的情况下，即所述目标用户为老用户的情况下，通过第三评分机制，可以比较所述目标用户与各内容之间标签的第一相似度。所述第一相似度的计算方法有很多，本发明实施例以如下公式为例进行举例说明：

进一步，对目标用户与内容之间标签的第一相似度进行归一化，得到第三待选评分。

步骤S027、根据所述内容库中各内容的第三待选评分，以及与所述用户类型对应的所述第三评分机制的第三机制权重，得到所述内容的第三推荐评分。

通过以下公式，计算得到第三推荐评分：

第三推荐评分＝第三待选评分×第三机制权重

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的目标用户与内容之间标签的第一相似度的计算方法，基于目标用户的标签和各内容的标签，计算各内容在第三评分机制下的第三推荐评分。通过本发明实施例，实现了在第三评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，在所述第四评分机制下，所述步骤S02，包括：

步骤S028、基于所述内容的标签与所述目标用户正在浏览的内容的标签，得到所述内容与正的浏览的内容之间标签的第二相似度，并得到所述内容的第四待选评分。

对于正在浏览内容页面的第三类用户而言，还可以根据内容库中各内容与目标用户正在浏览的内容页面的内容，计算两者之间的标签的第二相似度。

所述第四评分机制下的标签的第二相似度可以采用与第三评分机制下的标签的第一相似度相似的计算方法，本发明实施例具体采用如下所示的公式：

进一步，同样，对第二相似度进行归一化，得到第四待选评分。

步骤S029、根据所述内容库中各内容的第四待选评分，以及与所述用户类型对应的所述第四评分机制的第四机制权重，得到所述内容的第四推荐评分。

通过以下公式，计算得到第三推荐评分：

第四推荐评分＝第四待选评分×第四机制权重

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的目标用户与内容之间标签的第二相似度的计算方法，基于目标用户的标签和各内容的标签，计算各内容在第四评分机制下的第四推荐评分。通过本发明实施例，实现了在第四评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，如图2所示，所述步骤S03包括：

步骤S031、在各评分机制下，分别根据各内容的推荐评分由高到低进行排序，将排名最高的预设第一数量的内容作为各评分机制的待选内容。

为了减少运算量，在应用服务器根据评分机制计算出各内容的推荐评分并进行汇总时，无需将各评分机制下内容库中所有的内容的推荐评分进行汇总。

在任一评分机制下，根据对应的推荐评分对内容库中的内容进行排序，提取排序列表中推荐评分最高的预设第一数量的内容，作为该评分机制的待选内容，例如推荐评分最高的50个内容。

若目标用户为第一类用户，则分别提取第一评分机制和第二评分机制下，第一推荐评分最高的前50个内容作为第一评分机制的待选内容和第二推荐评分最高的前50个内容作为第二评分机制的待选内容。

若目标用户为第二类用户，则分别提取第一评分机制、第二评分机制和第三评分机制下，第一推荐评分最高的前50个内容作为第一评分机制的待选内容、第二推荐评分最高的前50个内容作为第二评分机制的待选内容和第三推荐评分最高的前50个内容作为第三评分机制的待选内容。

若目标用户为第三类用户，则分别提取第一评分机制、第二评分机制、第三评分机制和第四评分机制下，第一推荐评分最高的前50个内容为第一评分机制的待选内容、第二推荐评分最高的前50个内容为第二评分机制的待选内容、第三推荐评分最高的前50个内容为第三评分机制的待选内容和第四推荐评分最高的前50个内容为第四评分机制的待选内容。

在实施中，在每个评分机制下，即可根据对应的推荐评分也可根据对应的待选评分进行排序。而在每个排序列表中提取的内容的数量也可以根据实际的需要分别设定为不同的值。

步骤S032、将各待选内容在各评分机制下的推荐评分进行加权，得到各待选内容的推荐总分，并将推荐总分最高的预设第二数量的待选内容作为推荐项推送给所述目标用户的终端。

将在各评分机制下选取到的待选内容进行汇总，若存在相同的待选内容，则将该待选内容的各推荐评分进行加权，从而得到各待选内容的推荐总分。

根据推荐总分的高低，对各待选内容进行排序，

根据推荐总分的高低，对各待选内容进行排序，再从排序列表中从高到低选取预设第二数量，即目标用户的需求数量的待选内容作为推荐项推送给所述目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过在各评分机制下，分别根据对应的推荐评分选取预设第一数量的内容作为待选内容，再将各待选内容的推荐评分进行汇总，并根据各待选内容的推荐总分进行排序，选取第二数量的待选内容作为推荐项。通过本发明实施例，实现了减少推荐算法的计算量，有效提高了推荐的效率和成功率。

基于上述实施例，本发明实施例在应用服务器中设置了用于执行推荐算法的推荐引擎，由推荐引擎根据目标用户，选择对应评分机制，并对内容库中的内容分别执行对应的评分机制，而在此之前，进一步的，所述方法还包括：

步骤S001、获取与所述目标用户对应的内容过滤列表。

在应用服务器的数据库中保存有与各用户对应的内容过滤列表，所述内容过滤列包括该用户已浏览过或删除的内容。其中，若该用户为已注册的用户，对应的内容过滤列表中的内容源于该用户已浏览过或删除的内容。而若该用户为非注册的用户，例如为游客模式，则对应的内容过滤列表中内容源于该用户的终端的已浏览过或删除的内容。

当应用服务器确定目标用户时，从数据库中查找出与目标用户对应的内容过滤列表。

步骤S002、从所述内容库中删除所述内容过滤列表中的内容。

在推荐引擎对内容中的内容执行推荐算法前，需要先从内容库中删除所述内容过滤列表中的内容，从而不对内容过滤列表中的内容执行推荐算法，从而使目标用户已经浏览过或删除的内容不被作为推荐项推送给目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过获取与所述目标用户对应的内容过滤列表；从所述内容库中删除所述内容过滤列表中的内容。通过本发明实施例，实现了对内容库中的内容进行过滤，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

基于上述实施例，进一步的，所述方法还包括：

基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项。

为了应对所述应用服务器或推荐引擎出现故障，无法及时根据目标用户执行对应的推荐算法获取推荐项。应用服务器预先根据各内容的热度值进行排序，并从中依次选取预设第三数量的内容组成备用内容列表。从而在无法及时通过推荐算法获取推荐项时，从该备用内容列表中选取前第二数量的内容作为推荐项推荐给目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项。通过本发明实施例，实现了提高了应用服务器的容错率和鲁棒性，有效提高了推荐的效率和成功率。

对应上述实施例提供的内容推荐方法，基于相同的技术构思，本发明实施例还提供了一种内容推荐装置，图3为本发明实施例提供的内容推荐装置的模块组成示意图，该内容推荐装置用于执行图1至图2描述的内容推荐方法，如图3所示，该内容推荐装置包括：信息获取模块301、推荐引擎模块302和内容推送模块303。

所述信息获取模块301用于根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；所述推荐引擎模块302用于基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；所述内容推送模块303用于将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述用户类型包括：

用于表征为新用户的第一类用户，所述新用户为不存在对应的用户标签的用户；

用于表征为老用户的第二类用户，所述老用户为存在对应的用户标签的用户。

进一步的，所述信息获取模块包括：第一获取单元和第二获取单元。

所述第一获取单元用于若所述目标用户为第一类用户，则所述目标用户的推荐算法包括：基于内容被推送的历史记录进行评分的第一评分机制和基于用户对内容的互动操作的历史记录进行评分的第二评分机制；

所述第二获取单元用于若所述目标用户为第二类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制和基于内容的标签与所述目标用户的标签之间的第一相似度进行评分的第三评分机制。

进一步的，所述用户类型还包括：

用于表征为正在浏览内容页面的老用户的第三类用户。

进一步的，所述信息获取模块，还包括：第三获取单元。

所述第三获取单元用于若所述目标用户为第三类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制、第三评分机制和基于内容的标签与所述目标用户正在浏览的内容的标签的第二相似度进行评分的第四评分机制。

由以上本发明实施例提供的技术方案可见，本发明实施例通过根据是否存在用户标签，以及用户当前对应用的使用状态，将用户类型分为第一类型用户、第二类型用户和第三类型用户，并分别为各用户类型设置对应的评分机制和机制权重作为推荐算法。通过本发明实施例，实现了能够根据不同的用户类型进行内容推荐，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述推荐引擎模块，包括：第一机制第一单元、第一机制第二单元和第一机制第三单元。

所述第一机制第一单元用于根据所述内容所在的流量池，获取所述内容的流量池信息，所述流量池信息包括：所述内容在所述流量池中存活的时间、所述流量池的级别和对应的级别权重；其中，所述流量池为，通过预设的分级方法将所述内容库中的内容进行分级后得到的内容集合，所述级别权重为，根据所述用户类型预设的与所述流量池的级别对应的权重；

所述第一机制第二单元用于基于所述内容在所述流量池中存活的时间和所述级别权重，对所述内容进行评分，得到所述内容的第一待选评分；其中，在同一流量池中，存活时间越久的内容将得到越高的第一待选评分；

所述第一机制第三单元用于根据所述内容库中各内容的第一待选评分，以及与所述用户类型对应的所述第一评分机制的第一机制权重，得到所述内容的第一推荐评分。

进一步的，所述推荐引擎模块，还包括：第一机制第四单元、第一机制第五单元和第一机制第六单元。

所述第一机制第四单元用于根据预设的初始划分方法，将所述内容库中的内容分别划分到预设级别数量的流量池中；

所述第一机制第五单元用于在预设的第一时间区间内，若所述内容被推送的数量达到与所述流量池对应的推送量阈值时，则统计所述内容的点击量和互动量，并判断所述内容是否满足预设的转换条件；其中，所述点击量为，各用户对所述内容进行点击进入到内容页面的数量，所述互动量为，各用户进入到所述内容页面后进行互动操作的数量；

所述第一机制第六单元用于在所述内容满足预设的转换条件时，将所述内容从当前的流量池中转换到相邻级别的流量池中。

进一步的，若所述转换条件为升级条件，则所述升级条件包括以下至少一种：

所述内容的点击率达到预设的点击率阈值，所述点击率为所述内容的点击量与所述推送量阈值的比值；

所述内容的互动率达到预设的互动率阈值，所述互动率为所述内容的互动量与所述内容的点击量的比值。

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的多个级别的流量池对各内容进行分级，并根据用户类型设置对应的级别权重，从而根据内容的流量池信息，计算各内容在第一评分机制下的第一推荐评分。通过本发明实施例，实现了能够根据不同的用户类型内容在第一评分机制进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述推荐引擎模块，包括：第二机制第一单元和第二机制第二单元。

所述第二机制第一单元用于根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，并得到所述内容的第二待选评分；

所述第二机制第二单元用于根据所述内容库中各内容的第二待选评分，以及与所述用户类型对应的所述第二评分机制的第二机制权重，得到所述内容的第二推荐评分。

进一步的，所述第二机制第一单元用于：

基于各互动操作的类型、预设的与各互动操作的类型对应的互动值、以及预设的与所述存活时间相关的衰减函数，根据各用户对所述内容的互动操作，得到所述内容的热度值。

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的热度值计算方法，基于各内容相关的互动操作，计算各内容在第二评分机制下的第二推荐评分。通过本发明实施例，实现了在第二评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述推荐引擎模块，还包括：第三机制第一单元和第三机制第二单元。

所述第三机制第一单元用于根据所述目标用户的标签和所述内容的标签，得到所述内容与目标用户之间的第一相似度，并得到所述内容的第三待选评分；

所述第三机制第二单元用于根据所述内容库中各内容的第三待选评分，以及与所述用户类型对应的所述第三评分机制的第三机制权重，得到所述内容的第三推荐评分。

进一步的，内容推荐装置还包括：第一标签模块、第二标签模块和第三标签模块。

所述第一标签模块用于获取预设的第二时间区间内所述目标用户的互动操作的记录，所述每条互动操作记录包括内容和互动操作的类型；

所述第二标签模块用于基于预设的与各互动操作的类型对应的互动值和各内容的标签，根据所述目标用户的互动操作的记录，得到所述目标用户对各标签的关联值，所述关联值为所述目标用户对包括所述标签的内容进行互动操作的互动值之和；

所述第三标签模块用于将所述关联值最高的预设标签数量的标签作为所述目标用户的标签。

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的目标用户与内容之间标签的第一相似度的计算方法，基于目标用户的标签和各内容的标签，计算各内容在第三评分机制下的第三推荐评分。通过本发明实施例，实现了在第三评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述推荐引擎模块，还包括：第四机制第一单元和第四机制第二单元。

所述第四机制第一单元用于基于所述内容的标签与所述目标用户正在浏览的内容的标签，得到所述内容与正的浏览的内容之间标签的第二相似度，并得到所述内容的第四待选评分；

所述第四机制第二单元用于根据所述内容库中各内容的第四待选评分，以及与所述用户类型对应的所述第四评分机制的第四机制权重，得到所述内容的第四推荐评分。

由以上本发明实施例提供的技术方案可见，本发明实施例通过预先设置的目标用户与内容之间标签的第二相似度的计算方法，基于目标用户的标签和各内容的标签，计算各内容在第四评分机制下的第四推荐评分。通过本发明实施例，实现了在第四评分机制对内容进行评分，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述内容推送模块，包括：第一推送单元和第二推送单元。

所述第一推送单元用于在各评分机制下，分别根据各内容的推荐评分由高到低进行排序，将排名最高的预设第一数量的内容作为各评分机制的待选内容；

所述第二推送单元用于将各待选内容在各评分机制下的推荐评分进行加权，得到各待选内容的推荐总分，并将推荐总分最高的预设第二数量的待选内容作为推荐项推送给所述目标用户的终端。

由以上本发明实施例提供的技术方案可见，本发明实施例通过在各评分机制下，分别根据对应的推荐评分选取预设第一数量的内容作为待选内容，再将各待选内容的推荐评分进行汇总，并根据各待选内容的推荐总分进行排序，选取第二数量的待选内容作为推荐项。通过本发明实施例，实现了减少推荐算法的计算量，有效提高了推荐的效率和成功率。

进一步的，所述内容推荐装置还包括：第一过滤模块和第二过滤模块。

所述第一过滤模块用于获取与所述目标用户对应的内容过滤列表；

所述第二过滤模块用于从所述内容库中删除所述内容过滤列表中的内容。

由以上本发明实施例提供的技术方案可见，本发明实施例通过获取与所述目标用户对应的内容过滤列表；从所述内容库中删除所述内容过滤列表中的内容。通过本发明实施例，实现了对内容库中的内容进行过滤，从而使推荐项更加符合当前的目标用户，有效提高了推荐的效率和成功率。

进一步的，所述内容推荐装置还包括：备用推送模块。

所述备用推送模块用于基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项。

由以上本发明实施例提供的技术方案可见，本发明实施例通过基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项。通过本发明实施例，实现了提高了应用服务器的容错率和鲁棒性，有效提高了推荐的效率和成功率。

本发明实施例提供的内容推荐装置能够实现上述内容推荐方法对应的实施例中的各个过程，为避免重复，这里不再赘述。

需要说明的是，本发明实施例提供的内容推荐装置与本发明实施例提供的内容推荐方法基于同一发明构思，因此该实施例的具体实施可以参见前述内容推荐方法的实施，重复之处不再赘述。

对应上述实施例提供的内容推荐方法，基于相同的技术构思，本发明实施例还提供了一种电子设备，该电子设备用于执行上述的内容推荐方法，图4为实现本发明各个实施例的一种电子设备的结构示意图，如图4所示。电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在电子设备上执行存储器402中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入输出接口405，一个或一个以上键盘406。

具体在本实施例中，电子设备包括有处理器、通信接口、存储器和通信总线；其中，所述处理器、所述通信接口以及所述存储器通过总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序，实现以下方法步骤：

根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；

基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；

将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。

本申请实施例还提供一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以下方法步骤：

根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；

基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；

将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、装置或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (13)

1.一种内容推荐方法，其特征在于，所述方法包括：

根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，所述推荐算法包括至少一种评分机制，以及所述评分机制的机制权重；

基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的推荐评分；

将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端；

所述用户类型包括：

用于表征为新用户的第一类用户，所述新用户为不存在对应的用户标签的用户；

用于表征为老用户的第二类用户，所述老用户为存在对应的用户标签的用户；

所述根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，包括：

若所述目标用户为第一类用户，则所述目标用户的推荐算法包括：基于内容被推送的历史记录进行评分的第一评分机制和基于用户对内容的互动操作的历史记录进行评分的第二评分机制；

若所述目标用户为第二类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制和基于内容的标签与所述目标用户的标签之间的第一相似度进行评分的第三评分机制；

在所述第一评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据所述内容所在的流量池，获取所述内容的流量池信息，所述流量池信息包括：所述内容在所述流量池中存活的时间、所述流量池的级别和对应的级别权重；其中，所述流量池为，通过预设的分级方法将所述内容库中的内容进行分级后得到的内容集合，所述级别权重为，根据所述用户类型预设的与所述流量池的级别对应的权重；

基于所述内容在所述流量池中存活的时间和所述级别权重，对所述内容进行评分，得到所述内容的第一待选评分；其中，在同一流量池中，存活时间越久的内容将得到越高的第一待选评分；

根据所述内容库中各内容的第一待选评分，以及与所述用户类型对应的所述第一评分机制的第一机制权重，得到所述内容的第一推荐评分。

2.根据权利要求1所述的内容推荐方法，其特征在于，所述用户类型还包括：

用于表征为正在浏览内容页面的老用户的第三类用户。

3.根据权利要求2所述的内容推荐方法，其特征在于，所述根据目标用户的用户类型，得到与所述用户类型对应的推荐算法，还包括：

若所述目标用户为第三类用户，则所述目标用户的推荐算法包括：所述第一评分机制、第二评分机制、第三评分机制和基于内容的标签与所述目标用户正在浏览的内容的标签的第二相似度进行评分的第四评分机制。

4.根据权利要求1所述的内容推荐方法，其特征在于，在所述根据所述内容所在的流量池，获取所述内容的流量池信息之前，所述方法还包括：

根据预设的初始划分方法，将所述内容库中的内容分别划分到预设级别数量的流量池中；

在预设的第一时间区间内，若所述内容被推送的数量达到与所述流量池对应的推送量阈值时，则统计所述内容的点击量和互动量，并判断所述内容是否满足预设的转换条件；其中，所述点击量为，各用户对所述内容进行点击进入到内容页面的数量，所述互动量为，各用户进入到所述内容页面后进行互动操作的数量；

在所述内容满足预设的转换条件时，将所述内容从当前的流量池中转换到相邻级别的流量池中。

5.根据权利要求4所述的内容推荐方法，其特征在于，若所述转换条件为升级条件，则所述升级条件包括以下至少一种：

所述内容的点击率达到预设的点击率阈值，所述点击率为所述内容的点击量与所述推送量阈值的比值；

所述内容的互动率达到预设的互动率阈值，所述互动率为所述内容的互动量与所述内容的点击量的比值。

6.根据权利要求1-3任一所述的内容推荐方法，其特征在于，在所述第二评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，并得到所述内容的第二待选评分；

根据所述内容库中各内容的第二待选评分，以及与所述用户类型对应的所述第二评分机制的第二机制权重，得到所述内容的第二推荐评分。

7.根据权利要求6所述的内容推荐方法，其特征在于，所述根据各用户对所述内容的互动操作和所述内容的存活时间，通过预设的热度值计算方法，计算所述内容的热度值，包括：

基于各互动操作的类型、预设的与各互动操作的类型对应的互动值、以及预设的与所述存活时间相关的衰减函数，根据各用户对所述内容的互动操作，得到所述内容的热度值。

8.根据权利要求1-3任一所述的内容推荐方法，其特征在于，在所述第三评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

根据所述目标用户的标签和所述内容的标签，得到所述内容与目标用户之间的第一相似度，并得到所述内容的第三待选评分；

根据所述内容库中各内容的第三待选评分，以及与所述用户类型对应的所述第三评分机制的第三机制权重，得到所述内容的第三推荐评分。

9.根据权利要求3所述的内容推荐方法，其特征在于，在所述第四评分机制下，所述基于所述评分机制和对应的机制权重，分别计算内容库中各内容在所述评分机制下的评分，包括：

基于所述内容的标签与所述目标用户正在浏览的内容的标签，得到所述内容与正的浏览的内容之间标签的第二相似度，并得到所述内容的第四待选评分；

根据所述内容库中各内容的第四待选评分，以及与所述用户类型对应的所述第四评分机制的第四机制权重，得到所述内容的第四推荐评分。

10.根据权利要求1所述的内容推荐方法，其特征在于，所述将各内容在各评分机制下的推荐评分进行加权，得到各内容的推荐总分，并将推荐总分最高的至少一个内容作为推荐项推送给所述目标用户的终端，包括：

在各评分机制下，分别根据各内容的推荐评分由高到低进行排序，将排名最高的预设第一数量的内容作为各评分机制的待选内容；

将各待选内容在各评分机制下的推荐评分进行加权，得到各待选内容的推荐总分，并将推荐总分最高的预设第二数量的待选内容作为推荐项推送给所述目标用户的终端。

11.根据权利要求1所述的内容推荐方法，其特征在于，所述方法还包括：

获取与所述目标用户对应的内容过滤列表；

从所述内容库中删除所述内容过滤列表中的内容。

12.根据权利要求1所述的内容推荐方法，其特征在于，所述方法还包括：

获取预设的第二时间区间内所述目标用户的互动操作的记录，所述互动操作记录包括内容和互动操作的类型；

基于预设的与各互动操作的类型对应的互动值和各内容的标签，根据所述目标用户的互动操作的记录，得到所述目标用户对各标签的关联值，所述关联值为所述目标用户对包括所述标签的内容进行互动操作的互动值之和；

将所述关联值最高的预设标签数量的标签作为所述目标用户的标签。

13.根据权利要求1所述的内容推荐方法，其特征在于，所述方法还包括：

基于各内容的热度值，从内容库中选取热度值最高的预设第三数量的内容组成备用内容列表，并推送给所述目标用户的终端，以使目标用户的终端在无法接收到推荐项时，将所述备用内容列表中的内容作为推荐项。

Images