CN112685640A - 推荐阅读内容的方法、电子设备和计算机可读存储介质 - Google Patents
推荐阅读内容的方法、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112685640A CN112685640A CN202011626684.8A CN202011626684A CN112685640A CN 112685640 A CN112685640 A CN 112685640A CN 202011626684 A CN202011626684 A CN 202011626684A CN 112685640 A CN112685640 A CN 112685640A
- Authority
- CN
- China
- Prior art keywords
- user
- reading
- users
- reading content
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 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
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种推荐阅读内容的方法、电子设备和计算机可读存储介质,所述方法包括:获取第二用户的注册特征:根据所述第二用户的注册特征与多个第一用户的注册特征,从所述多个第一用户中选取至少一个目标用户;确定与所述至少一个目标用户对应的至少一个用户聚类结果;从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容,并将所述目标阅读内容推荐给所述第二用户。本申请能够提升向新用户推荐阅读内容时的智能性与准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及信息推荐技术领域中的一种推荐阅读内容的方法、电子设备和计算机可读存储介质。
背景技术
现有技术在向用户推荐阅读内容时,通常会根据用户在一段时间内的阅读行为进行推荐,而在刚注册的新用户不会存在较多的阅读行为的情况下,还没有一种能够准确地向新用户推荐阅读内容的方法。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种推荐阅读内容的方法,包括:获取第二用户的注册特征:根据所述第二用户的注册特征与多个第一用户的注册特征,从所述多个第一用户中选取至少一个目标用户;确定与所述至少一个目标用户对应的至少一个用户聚类结果;从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容,并将所述目标阅读内容推荐给所述第二用户。
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上述方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行上述方法。
一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现上述方法。
由以上技术方案可以看出,本申请通过使用第一用户与第二用户的注册特征来选取目标用户,进而再根据与所选取的目标用户对应的用户聚类结果确定向第二用户推荐的目标阅读内容,避免了无法根据有效信息向新用户推荐阅读内容的问题,借助老用户的注册特征来实现向新用户推荐阅读内容时的冷启动,提升了向新用户推荐阅读内容时的智能性与准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是用来实现本申请实施例的推荐阅读内容的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
图1是根据本申请第一实施例的示意图。如图1中所示,本实施例的推荐阅读内容的方法,具体可以包括如下步骤:
S101、获取第二用户的注册特征:
S102、根据所述第二用户的注册特征与多个第一用户的注册特征,从所述多个第一用户中选取至少一个目标用户;
S103、确定与所述至少一个目标用户对应的至少一个用户聚类结果;
S104、从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容,并将所述目标阅读内容推荐给所述第二用户。
本实施例的推荐阅读内容的方法,使用第一用户与第二用户的注册特征从第一用户中选取与第二用户匹配的目标用户之后,再根据与所选取的目标用户对应的用户聚类确定向第二用户推荐的目标阅读内容,从而借助第一用户的注册特征来实现向第二用户推荐阅读内容时的冷启动,进一步提升了向第二用户推荐阅读内容时的智能性与准确性。
本实施例中的第二用户为新用户,例如第二用户可以为注册天数小于等于预设天数的用户;本实施例中的第一用户为老用户,例如第一用户可以为注册天数大于预设天数的用户。
为了进一步确保第一用户属于深度阅读的用户,提升特征计算时的有效性,本实施例还可以将注册天数大于预设天数、且阅读章节数大于预设章节数的用户作为第一用户。
由于本实施例中的第一用户属于老用户,而老用户的注册特征可以预先存储在终端设备的本地或者云端服务器,因此本实施例通过终端设备的本地或者云端服务器即可直接获取第一用户的注册特征。
本实施例执行S101获取的第二用户的注册特征,可以包含第二用户的基础特征与初始阅读特征中的至少一种,该注册特征为第二用户刚注册而作为新用户时所获取的特征。
其中,本实施例执行S101获取的第二用户的注册特征中的基础特征,可以包含第二用户使用的终端设备的型号、第二用户所处的地理位置、第二用户的年龄、第二用户的性别、第二用户使用的终端设备中的应用安装列表等中的至少一种;获取的第二用户的注册特征中的初始阅读特征,可以包含在第二用户注册之后向其展示的引流阅读内容的名称、类别、作者性别、章节数,以及第二用户点击或阅读的引流阅读内容等中的至少一种。
本实施例在执行S101获取了第二用户的注册特征之后,执行S102根据第二用户的注册特征与多个第一用户的注册特征,从多个第一用户中选取至少一个目标用户,本实施例所选取的至少一个目标用户为与第二用户最为相似的用户。
本实施例执行S102时所使用的第一用户的注册特征,为第一用户刚注册而作为新用户时所获取的特征,第一用户的注册特征可以包含第一用户的基础特征与初始阅读特征中的至少一种;第一用户的注册特征中所包含特征的类型可以与第二用户的注册特征中所包含特征的类型相同。
为了进一步丰富第一用户的注册特征中所包含的信息,本实施例还可以获取第一用户在注册之后的预设时段内,最后一次与倒数第二次所阅读的阅读内容的名称、类别、作者性别、章节数等中的至少一种,添加到第一用户的注册特征中;另外,本实施例还可以获取第一用户在该预设时段内的消费金额、点击推广信息的次数、观看推广信息的次数等中的至少一种,添加到第一用户的注册特征中。
具体地,本实施例在执行S102根据第二用户的注册特征与多个第一用户的注册特征,从多个第一用户中选取至少一个目标用户时,可以采用的可选实现方式为:分别计算第二用户的注册特征与各第一用户的注册特征之间的相似度;根据相似度的计算结果,选取排在前N位的第一用户作为目标用户,其中N为大于等于1的正整数。
也就是说,本实施例通过计算第一用户与第二用户的注册特征之间的相似度,根据相似度的计算结果选取作为新用户时,与第二用户最为相似的第一用户,即与当前的新用户作为相似的老用户,进而根据所选取的老用户来向新用户进行阅读内容的推荐,极大地提升向新用户推荐阅读内容时的准确性。
本实施例在执行S102选取了至少一个目标用户之后,执行S103确定与所选取的至少一个目标用户对应的至少一个用户聚类结果。本实施例执行S103所定的用户聚类结果是根据第一用户预先构建的,具体的构建方式在下文详述,每个用户聚类结果包含至少一个第一用户与对应各第一用户的阅读内容,不同的用户聚类结果中不会包含同一个第一用户。
本实施例在执行S103确定与所选取的至少一个目标用户对应的至少一个用户聚类结果时,可以将包含所选取的目标用户的用户聚类结果,作为与目标用户对应的用户聚类结果。由于一个第一用户仅会出现在唯一的用户聚类结果中,因此本实施例执行S103时通过一个目标用户仅能够确定唯一一个用户聚类结果。
但是,不同的第一用户可能与同一个用户聚类结果相对应,因此若根据不同的目标用户确定了不同的用户聚类结果,则本实施例执行S103时会确定多个用户聚类结果;若根据不同的目标用户确定了相同的用户聚类结果,则本实施例执行S103时仅会确定一个用户聚类结果。
本实施例在执行S103确定了至少一个用户聚类结果之后,执行S104从所确定的至少一个用户聚类结果包含的阅读内容中选取目标阅读内容,并将所选取的目标阅读内容推荐给第二用户,本实施例向用户推荐的阅读内容可以为电子书、漫画等。
本实施例在执行S104从所确定的至少一个用户聚类结果包含的阅读内容中选取目标阅读内容时,可以随机地选取预设个数的阅读内容作为目标阅读内容;另外,本实施例还可以根据不同阅读内容之间的相似性与差异性来选取目标阅读内容,具体过程在下文详述。
根据上述实施例提供的方法,通过使用第一用户与第二用户的注册特征来选取目标用户,进而再根据与所选取的目标用户对应的用户聚类结果确定向第二用户推荐的目标阅读内容,避免了无法根据有效信息向新用户推荐阅读内容的问题,借助第一用户的注册特征来实现向第二用户推荐阅读内容时的冷启动,提升了向第二用户推荐阅读内容时的智能性与准确性。
图2是根据本申请第二实施例的示意图。如图2中所示,本实施例的构建用户聚类结果的方法,具体可以包括如下步骤:
S201、获取多个第一用户的历史阅读内容,根据所获取的历史阅读内容分别得到对应各第一用户的阅读内容向量;
S202、根据对应各第一用户的阅读内容向量与各第一用户的阅读章节数,分别得到对应各第一用户的用户向量;
S203、根据所述用户向量将各第一用户进行聚类,并在所得到的至少一个聚类中添加与该聚类包含的第一用户对应的阅读内容之后,得到至少一个用户聚类结果。
本实施例中的第一用户为老用户,具体为注册天数大于预设天数、且阅读章节数大于预设章节数的用户。本实施例执行S201获取的多个第一用户的历史阅读内容,可以为各第一用户在最近一个月所阅读的阅读内容。
本实施例在执行S201根据所获取的历史阅读内容分别得到对应各第一用户的阅读内容向量时,可以采用的可选实现方式为:分别将各第一用户的历史阅读内容输入预先训练得到的神经网络模型,将该神经网络模型的输出结果作为对应各第一用户的阅读内容向量,该阅读内容向量表示各第一用户在最近一个月内容所阅读的阅读内容的语义信息。
本实施例在执行S201分别得到对应各第一用户的阅读内容向量之后,执行S202根据对应各第一用户的阅读内容向量与各第一用户的阅读章节数,分别得到对应各第一用户的用户向量。
本实施例在执行S202得到用户向量时,可以使用阅读章节数对阅读内容向量进行对数加权,将对数加权的结果作为对应第一用户的用户向量。本实施例对根据阅读内容向量与阅读章节数得到用户向量的计算方式不进行限定。
本实施例在执行S202分别得到对应各第一用户的用户向量之后,执行S203首先根据用户向量将各第一用户进行聚类,然后在所得到的至少一个聚类中添加与该聚类包含的第一用户对应的阅读内容,得到至少一个用户聚类结果,所得到的每个用户聚类结果中包含不同的第一用户以及与所包含的第一用户对应的阅读内容。
本实施例在执行S203根据用户向量将各第一用户进行聚类时,可以采用的可选实现方式为:根据所得到的用户向量计算各第一用户之间的距离;将距离计算结果在预设距离范围内的各第一用户聚为一类,即本实施例会将在空间距离上较为接近的第一用户聚为一类,即将兴趣较为相似的第一用户聚为一类。
为了确保所得到的多个用户聚类结果之间具有较小的相似性,避免由于用户聚类结果之间相似性较大所导致的冗余问题,本实施例在执行S203得到至少一个用户聚类结果之后,还可以包含以下内容:根据各用户聚类结果中所包含的阅读内容,计算各用户聚类结果之间的相似性;将相似性计算结果超过预设阈值范围的多个用户聚类结果进行合并。也就是说,本实施例通过将用户聚类结果进行合并,使得合并之后的每个用户聚类结果与其他用户聚类结果之间存在较小的相似性。
另外,本实施例在执行S203得到至少一个用户聚类结果之后,还可以包含以下内容:将各用户聚类结果中不满足预设选取条件的阅读内容进行过滤,即本实施例会对各用户聚类结果中独立访客数UV较少、章节数较少或者字数较少的阅读内容进行过滤,从而提升用户聚类结果中阅读内容的有效性。
图3是根据本申请第三实施例的示意图。如图3中所示,本实施例在执行S104“从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容”时,具体可以包括如下步骤:
S301、从所述至少一个用户聚类结果中分别选取预设个数的阅读内容:
S302、根据所选取的阅读内容,得到各阅读内容对应的相似性得分与差异性得分;
S303、根据所得到的相似性得分与差异性得分计算各阅读内容的多样性得分,并选取多样性得分满足预设选取条件的阅读内容作为所述目标阅读内容。
本实施例在执行S301从至少一个用户聚类结果中分别选取预设个数的阅读内容时,可以从每个用户聚类结果中选取相同个数的阅读内容,页可以从每个用户聚类结果中分别选取不同个数的阅读内容,即不同用户聚类结果对应的预设个数可以相同,也可以不同。
本实施例在执行S302根据所选取的阅读内容得到各阅读内容对应的相似性得分时,可以将当前阅读内容与剩余阅读内容输入预先训练得到的相似性计算模型,将该相似性计算模型的输出结果作为当前阅读内容的相似性得分。
本实施例在执行S302根据所选取的阅读内容得到各阅读内容对应的差异性得分时,可以将当前阅读内容与剩余阅读内容输入预先训练得到的差异性计算模型,将该差异性计算模型的输出结果作为当前阅读内容的差异性得分。
本实施例在执行S303根据相似性得分与差异性得分计算各阅读内容的多样性得分时,可以根据相似性得分、相似性得分的权重值、差异性得分与差异性得分的权重值来得到阅读内容的多样性得分。本实施例通过在计算多样性得分时添加当前阅读内容与其他阅读内容之间的差异性,避免了所推荐的目标阅读内容均为相似的阅读内容,从而丰富用户的阅读选择。
具体地,本实施例在执行S303计算各阅读内容的多样性得分时,可以使用以下计算公式:
M=a×R+b×D
在上述公式中:M表示多样性得分;a表示相似性得分的权重值,例如0.8;R表示相似性得分;b表示差异性得分的权重值,例如0.2;D表示差异性得分。
本实施例在执行S303选取多样性得分满足预设选取条件的阅读内容作为目标阅读内容时,可以选取多样性得分超过预设得分阈值的阅读内容作为目标阅读内容,还可以选取多样性得分排在前M位的阅读内容作为目标阅读内容。
根据本申请的实施例,本申请还提供了一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如推荐阅读内容的方法。例如,在一些实施例中,推荐阅读内容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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的推荐阅读内容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401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行推荐阅读内容的方法。
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)、互联网和区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也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。
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 (11)
1.一种推荐阅读内容的方法,其特征在于,所述方法包括:
获取第二用户的注册特征:
根据所述第二用户的注册特征与多个第一用户的注册特征,从所述多个第一用户中选取至少一个目标用户;
确定与所述至少一个目标用户对应的至少一个用户聚类结果;
从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容,并将所述目标阅读内容推荐给所述第二用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第二用户的注册特征与多个第一用户的注册特征,从所述多个第一用户中选取至少一个目标用户包括:
分别计算所述第二用户的注册特征与各第一用户的注册特征之间的相似度;
根据相似度的计算结果,选取排在前N位的第一用户作为所述目标用户,其中N为大于等于1的正整数。
3.根据权利要求1所述的方法,其特征在于,所述用户聚类结果采用以下方式预先建立:
获取多个第一用户的历史阅读内容,根据所获取的历史阅读内容分别得到对应各第一用户的阅读内容向量;
根据对应各第一用户的阅读内容向量与各第一用户的阅读章节数,分别得到对应各第一用户的用户向量;
根据所述用户向量将各第一用户进行聚类,并在所得到的至少一个聚类中添加与该聚类包含的第一用户对应的阅读内容之后,得到至少一个用户聚类结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户向量将各第一用户进行聚类包括:
根据所述用户向量计算各第一用户之间的距离;
将距离计算结果在预设距离范围内的各第一用户聚为一类。
5.根据权利要求3所述的方法,其特征在于,在得到至少一个用户聚类结果之后,所述方法还包括:
根据各用户聚类结果中所包含的阅读内容,计算各用户聚类结果之间的相似性;
将相似性计算结果超过预设阈值范围的多个用户聚类结果进行合并。
6.根据权利要求3所述的方法,其特征在于,在得到至少一个用户聚类结果之后,所述方法还包括:
将各用户聚类结果中不满足预设选取条件的阅读内容进行过滤。
7.根据权利要求1所述的方法,其特征在于,所述从所述至少一个用户聚类结果包含的阅读内容中选取目标阅读内容包括:
从所述至少一个用户聚类结果中分别选取预设个数的阅读内容:
根据所选取的阅读内容,得到各阅读内容对应的相似性得分与差异性得分;
根据所得到的相似性得分与差异性得分计算各阅读内容的多样性得分,并选取多样性得分满足预设选取条件的阅读内容作为所述目标阅读内容。
8.根据权利要求7所述的方法,其特征在于,所述根据所得到的相似性得分与差异性得分计算各阅读内容的多样性得分包括:
根据所述相似性得分、所述相似性得分的权重值、所述差异性得分与所述差异性得分的权重值,计算各阅读内容的多样性得分。
9.一种电子设备,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1-8中任一项所述的方法。
10.一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所述计算机执行根据权利要求1-8中任一项所述的方法。
11.一种计算机程序产品,其特征在于,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626684.8A CN112685640A (zh) | 2020-12-31 | 2020-12-31 | 推荐阅读内容的方法、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626684.8A CN112685640A (zh) | 2020-12-31 | 2020-12-31 | 推荐阅读内容的方法、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112685640A true CN112685640A (zh) | 2021-04-20 |
Family
ID=75455773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011626684.8A Pending CN112685640A (zh) | 2020-12-31 | 2020-12-31 | 推荐阅读内容的方法、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685640A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886048A (zh) * | 2014-03-13 | 2014-06-25 | 浙江大学 | 一种基于聚类的增量数字图书推荐方法 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN111523035A (zh) * | 2020-04-24 | 2020-08-11 | 上海异势信息科技有限公司 | App浏览内容的推荐方法、装置、服务器和介质 |
-
2020
- 2020-12-31 CN CN202011626684.8A patent/CN112685640A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886048A (zh) * | 2014-03-13 | 2014-06-25 | 浙江大学 | 一种基于聚类的增量数字图书推荐方法 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN111523035A (zh) * | 2020-04-24 | 2020-08-11 | 上海异势信息科技有限公司 | App浏览内容的推荐方法、装置、服务器和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112597754A (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN113656733B (zh) | 一种落地页生成方法、装置、电子设备及存储介质 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN113791837A (zh) | 页面处理方法、装置、设备和存储介质 | |
CN115293291B (zh) | 排序模型的训练方法、排序方法、装置、电子设备及介质 | |
EP4134838A1 (en) | Word mining method and apparatus, electronic device and readable storage medium | |
CN113761381B (zh) | 兴趣点推荐的方法、装置、设备以及存储介质 | |
CN113408641B (zh) | 资源生成模型的训练与服务资源的生成方法、装置 | |
CN112685640A (zh) | 推荐阅读内容的方法、电子设备和计算机可读存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN114490965A (zh) | 问题处理方法、装置、电子设备和存储介质 | |
CN113761379A (zh) | 商品推荐方法及装置、电子设备和介质 | |
CN112860626A (zh) | 一种文档排序方法、装置及电子设备 | |
CN113032251A (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN113239296B (zh) | 小程序的展示方法、装置、设备和介质 | |
CN113691442B (zh) | 好友推荐方法、装置、设备、存储介质及程序产品 | |
CN114648672A (zh) | 构建样本图像集的方法、装置、电子设备及可读存储介质 | |
CN114881557A (zh) | 基于地域的物料信息推送方法、装置和设备 | |
CN117041202A (zh) | 聊天用户的推荐方法、装置、设备和介质 | |
CN113420227A (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
CN113221034A (zh) | 数据泛化方法、装置、电子设备和存储介质 | |
CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
CN106789140A (zh) | 一种识别非法用户的方法和设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |