CN112765450A - 推荐内容确定方法、装置及存储介质 - Google Patents

推荐内容确定方法、装置及存储介质 Download PDF

Info

Publication number
CN112765450A
CN112765450A CN202011553823.9A CN202011553823A CN112765450A CN 112765450 A CN112765450 A CN 112765450A CN 202011553823 A CN202011553823 A CN 202011553823A CN 112765450 A CN112765450 A CN 112765450A
Authority
CN
China
Prior art keywords
user
contents
recommended
module
content
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
Application number
CN202011553823.9A
Other languages
English (en)
Inventor
桑文锋
曹犟
刘耀洲
付力力
胡士文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sensors Data Network Technology Beijing Co Ltd
Original Assignee
Sensors Data Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sensors Data Network Technology Beijing Co Ltd filed Critical Sensors Data Network Technology Beijing Co Ltd
Priority to CN202011553823.9A priority Critical patent/CN112765450A/zh
Publication of CN112765450A publication Critical patent/CN112765450A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/047Probabilistic or stochastic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0255Targeted advertisements based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0269Targeted advertisements based on user profile or attribute
    • G06Q30/0271Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及一种推荐内容确定方法、装置及存储介质。其中,该方法包括:根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,根据预测点击概率对多个待推荐内容进行排序,以确定目标推荐内容。本发明解决了由于相关技术中的推荐系统无法对新内容和新用户进行建模,而导致无法针对新内容和新用户进行精准的个性化推荐的技术问题。

Description

推荐内容确定方法、装置及存储介质
技术领域
本发明涉及广告投放领域,具体涉及一种推荐内容确定方法、装置及存储介质。
背景技术
随着深度学习技术的研究与发展,将深度学习应用到推荐系统中也称为了一个研究热点。越来越多的推荐系统开始采用深度学习技术,并取得了显著的效果提升。以(DeepNeural Networks for YouTube Recommendations)和(DSSM)为代表的方案使用用户的行为数据,将深度学习应用到推荐系统中,取得了显著的效果提升。
在这类基于用户行为的算法中,存在新内容和新用户的冷启动问题。该问题是由于新内容和新用户缺乏用户行为,深度学习算法难以对其建模,因而无法进行精准的个性化推荐。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种推荐内容确定方法、装置及存储介质,以至少解决由于相关技术中的推荐系统无法对新内容和新用户进行建模,而导致无法针对新内容和新用户进行精准的个性化推荐的技术问题。
根据本发明实施例的一个方面,提供了一种推荐内容确定方法,包括:根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
进一步地,在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,还包括:获取所述用户的用户特征以及所述用户的历史浏览内容;根据所述用户的历史浏览内容获取第一关键词特征;根据所述待推荐内容获取第二关键词特征;根据所述用户的用户特征、所述第一关键词特征以及所述第二关键词特征对所述预测神经网络模型进行训练。
进一步地,所述用户特征包括以下至少之一:性别、年龄、地域、兴趣。
进一步地,所述历史浏览内容包括多条浏览内容;所述根据所述用户的历史浏览内容获取第一关键词特征包括:根据预设选取策略对所述多条浏览内容进行排序,得到内容序列;从所述内容序列中选取预设数量的浏览内容,作为目标浏览内容;对所述目标浏览内容的标题和正文进行分词,得到所述第一关键词特征。
进一步地,所述选取策略包括以下至少之一:根据所述多条浏览内容分别对应的浏览时间对所述多条浏览内容进行排序;根据所述多条浏览内容分别对应的浏览时长对所述多条浏览内容进行排序。
进一步地,所述预测神经网络模型包括第一模块、第二模块以及拼接模块,其中:所述第一模块,用于对所述用户特征以及所述第一关键词特征进行处理;所述第二模块,用于对所述第二关键词特征进行处理;所述拼接模块,分别与所述第一模块以及所述第二模块连接,用于根据所述第一模块对应的输出结果以及所述第二模块对应的输出结果确定所述预测点击概率。
进一步地,所述第一模块与所述第二模块,分别包括特征映射层、第一全连接层、第二全连接层、第三全连接层,其中:所述特征映射层,用于将输入特征映射为嵌入向量,并对所述嵌入向量进行平均处理,其中,所述第一模块的输入特征为所述用户特征以及所述第一关键词特征,所述第二模块的输入特征为所述第二关键词特征;所述第一全连接层、所述第二全连接层以及所述第三全连接层,依次串联,用于对经过平均处理的所述嵌入向量进行步进式降维,以获取输出结果;所述拼接模块,用于确定所述第一模块对应的输出结果以及所述第二模块对应的输出结果之间的余弦距离,作为所述预测点击概率。
根据本发明实施例的另一方面,还提供了一种推荐内容确定装置,包括:确定单元,用于根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;处理单元,用于根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
进一步地,还包括:第一获取单元,用于在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,获取所述用户的用户特征以及所述用户的历史浏览内容;第二获取单元,用于根据所述用户的历史浏览内容获取第一关键词特征;第三获取单元,用于根据所述待推荐内容获取第二关键词特征;训练单元,用于根据所述用户的用户特征、所述第一关键词特征以及所述第二关键词特征对所述预测神经网络模型进行训练。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如上所述的推荐内容确定方法。
在本发明实施例中,根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,根据预测点击概率对多个待推荐内容进行排序,以确定目标推荐内容。达到了针对新用户和新内容建模的目的,从而实现了对用户实现精准个性化推荐的技术效果,进而解决了由于相关技术中的推荐系统无法对新内容和新用户进行建模,而导致无法针对新内容和新用户进行精准的个性化推荐的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,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是根据本发明实施例的一种可选的推荐内容确定方法的示意图;
图2是根据本发明实施例的一种可选的预设神经网络模型的示意图;
图3是根据本发明实施例的又一种可选的预设神经网络模型的示意图;
图4是根据本发明实施例的一种可选的推荐内容确定装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
实施例1
根据本发明实施例,提供了一种推荐内容确定方法,如图1所示,该方法包括:
S102,根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,预测神经网络模型是根据用户的用户特征、用户的历史浏览内容以及待推荐内容训练得到的;
S104,根据预测点击概率对多个待推荐内容进行排序,以确定目标推荐内容。
在相关技术中,一般针对用户都存在多个待推荐内容,位于待推荐内容库中,预备为用户进行推荐。例如,在用户登陆时即为用户进行展示的内容。而针对新用户或新内容,待推荐内容都是固定的,无法在待推荐内容筛选出更符合用户个性化的内容。在本实施例中,通过获取预先录入的用户特征、用户的历史浏览内容以及待推荐内容库中的多个待推荐内容训练得到预测神经网络模型,确定用户对应的多个待推荐内容的预测点击概率,进而根据预测点击概率对待推荐内容进行排序,确定目标推荐内容,来向用户推送目标推荐内容。
在具体的应用场景中,历史浏览内容以及待推荐内容,可以是文档,文档具备标题以及文档内容,获取用户的历史浏览内容即为获取用户的历史浏览文档。根据用户历史浏览文档中的主题以及内容来确定文档的关键词特征,该关键词特征可以是文档的主题,也可以是文档中提取的关键词。
在本实施例中,根据预设神经网络模型可以根据用户特征、历史浏览内容中关键词特征对待推荐内容的关键词特征进行比较,来确定待推荐内容对应的预测点击概率。获取多个待推荐内容的预测点击概率较高的,具体数值可以根据实际经验来进行设置。常用的方式是根据预测点击概率对待推荐内容进行排序,选取排名较前、预测点击概率较高的待推荐内容作为目标推荐内容。
需要说明的是,通过本实施例,根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,根据预测点击概率对多个待推荐内容进行排序,以确定目标推荐内容。达到了针对新用户和新内容建模的目的,从而实现了对用户实现精准个性化推荐的技术效果。
可选地,在本实施例中,在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,还包括:获取用户的用户特征以及用户的历史浏览内容;根据用户的历史浏览内容获取第一关键词特征;根据待推荐内容获取第二关键词特征;根据用户的用户特征、第一关键词特征以及第二关键词特征对预测神经网络模型进行训练。
具体的,在预测神经网络模型的训练过程中,针对浏览新内容的用户,获取用户预先录入的用户特征,该用户特征包括用户的基本资料,例如年龄、性别、兴趣等,同时获取用户的历史浏览内容,而根据用户的历史浏览内容获取第一关键词特征,然后根据待推荐内容获取第二关键词特征,将用户特征、第一关键词特征作为一组数据、将第二关键词特征作为一组数,利用二组数据对预测神经网络模型进行训练,在神经网络收敛后即训练完成。
可选地,在本实施例中,用户特征包括以下至少之一:性别、年龄、地域、兴趣。在具体的应用场景中,用户特征包括了用户的性别、年龄、用户所处的地理位置、用户的关注内容或者订阅内容等。以上仅是一种示例,并不会对本实施例产生任何限定。
可选地,在本实施例中,历史浏览内容包括多条浏览内容;根据用户的历史浏览内容获取第一关键词特征包括:根据预设选取策略对多条浏览内容进行排序,得到内容序列;从内容序列中选取预设数量的浏览内容,作为目标浏览内容;对目标浏览内容的标题和正文进行分词,得到第一关键词特征。
在具体的应用场景中,从用户的历史浏览内容中生成历史浏览内容的第一关键词特征(或主题特征),该第一关键词特征需要从用户的历史浏览内容中,根据一定的选取策略,选取一定量的内容,并对内容标题和正文进行分词来得到相应的关键词特征或主题特征。
相应地,待推荐内容中的第二关键词特征,是对待推荐内容(或文档)的标题和正文进行分词而得到的关键词特征或主题特征。
可选地,在本实施例中,选取策略包括以下至少之一:根据多条浏览内容分别对应的浏览时间对多条浏览内容进行排序;根据多条浏览内容分别对应的浏览时长对多条浏览内容进行排序。
具体的,选取策略可以是根据浏览时间对历史浏览内容中的多条浏览内容进行排序,例如,选取预设数量的浏览时间最近的浏览内容。另一方面,选取策略也可以是根据浏览时长对多条浏览内容进行排序,例如,选取预设数量的浏览时长最长的浏览内容。此外,选取策略还可以是上述两种浏览策略的组合。
可选地,在本实施例中,预测神经网络模型包括第一模块、第二模块以及拼接模块,其中:第一模块,用于对用户特征以及第一关键词特征进行处理;第二模块,用于对第二关键词特征进行处理;拼接模块,分别与第一模块以及第二模块连接,用于根据第一模块对应的输出结果以及第二模块对应的输出结果确定预测点击概率。
具体的,在如图2所示的预测神经网络模型中,包括第一模块10、第二模块20以及拼接模块30,其中,第一模块10,与拼接模块30连接,用于对输入的用户特征以及第一关键词特征进行处理,第二模块20,与拼接模块30连接,用于对第二关键词特征进行处理。拼接模块30,用于对第一模块10的输出结果A以及第二模块20的输出结果B进行处理,对输出结果A与输出结果B进行处理后得到预测点击概率。
可选地,在本实施例中,第一模块与第二模块,分别包括特征映射层、第一全连接层、第二全连接层、第三全连接层,其中:特征映射层,用于将输入特征映射为嵌入向量,并对嵌入向量进行平均处理,其中,第一模块的输入特征为用户特征以及第一关键词特征,第二模块的输入特征为第二关键词特征;第一全连接层、第二全连接层以及第三全连接层,依次串联,用于对经过平均处理的嵌入向量进行步进式降维,以获取输出结果;拼接模块,用于确定第一模块对应的输出结果以及第二模块对应的输出结果之间的余弦距离,作为预测点击概率。
具体的,在如图3所示的预测神经网络模型中,包括第一模块10、第二模块20以及拼接模块30,其中,第一模块10中包括特征映射层100、第一全连接层102、第二全连接层104、第三全连接层106;第二模块20中包括括特征映射层200、第一全连接层202、第二全连接层204、第三全连接层206;其中,特征映射层100用于对输入的用户特征以及第一关键词特征进行处理,特征映射层200用于对第二关键词特征进行处理;第三全连接层106用于输出第一模块10的输出结果A,第三全连接层206用于输出第二模块20的输出结果B;拼接模块30,计算输出结果A与输出结果B之间的余弦距离,作为预估的用户对待推荐内容的预测点击概率。
在上述预测神经网络模型中,特征映射层100以及特征映射层200是将每一个输入特征映射成128维的嵌入embedding向量,然后在第一模块10和第二模块20中分别做平均运算,第一全连接层102以及第一全连接层202的输出为512维,第二全连接层104以及第二全连接层204的输出为256维,第三全连接层106以及第三全连接层206的输出为128维,拼接模块30的根据第一模块10和第二模块30中输出结果128维向量的余弦cosine距离,作为预估的用户对待推荐内容的预测点击概率。
通过本发明实施例,根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,根据预测点击概率对多个待推荐内容进行排序,以确定目标推荐内容。达到了针对新用户和新内容建模的目的,从而实现了对用户实现精准个性化推荐的技术效果,进而解决了由于相关技术中的推荐系统无法对新内容和新用户进行建模,而导致无法针对新内容和新用户进行精准的个性化推荐的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。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发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述推荐内容确定方法的推荐内容确定装置,如图4所示,该装置包括:
1)确定单元40,用于根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;
2)处理单元42,用于根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
可选地,在本实施例中,还包括:
1)第一获取单元,用于在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,获取所述用户的用户特征以及所述用户的历史浏览内容;
2)第二获取单元,用于根据所述用户的历史浏览内容获取第一关键词特征;
3)第三获取单元,用于根据所述待推荐内容获取第二关键词特征;
4)训练单元,用于根据所述用户的用户特征、所述第一关键词特征以及所述第二关键词特征对所述预测神经网络模型进行训练。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
实施例3
本发明的实施例还提供了一种存储介质。可选地,存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如上所述的推荐内容确定方法。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;
S2根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种推荐内容确定方法,其特征在于,包括:
根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;
根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
2.根据权利要求1所述的方法,其特征在于,在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,还包括:
获取所述用户的用户特征以及所述用户的历史浏览内容;
根据所述用户的历史浏览内容获取第一关键词特征;
根据所述待推荐内容获取第二关键词特征;
根据所述用户的用户特征、所述第一关键词特征以及所述第二关键词特征对所述预测神经网络模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述用户特征包括以下至少之一:
性别、年龄、地域、兴趣。
4.根据权利要求2所述的方法,其特征在于,所述历史浏览内容包括多条浏览内容;所述根据所述用户的历史浏览内容获取第一关键词特征包括:
根据预设选取策略对所述多条浏览内容进行排序,得到内容序列;
从所述内容序列中选取预设数量的浏览内容,作为目标浏览内容;
对所述目标浏览内容的标题和正文进行分词,得到所述第一关键词特征。
5.根据权利要求4所述的方法,其特征在于,所述选取策略包括以下至少之一:
根据所述多条浏览内容分别对应的浏览时间对所述多条浏览内容进行排序;
根据所述多条浏览内容分别对应的浏览时长对所述多条浏览内容进行排序。
6.根据权利要求1所述的方法,其特征在于,所述预测神经网络模型包括第一模块、第二模块以及拼接模块,其中:
所述第一模块,用于对所述用户特征以及所述第一关键词特征进行处理;
所述第二模块,用于对所述第二关键词特征进行处理;
所述拼接模块,分别与所述第一模块以及所述第二模块连接,用于根据所述第一模块对应的输出结果以及所述第二模块对应的输出结果确定所述预测点击概率。
7.根据权利要求6所述的方法,其特征在于,所述第一模块与所述第二模块,分别包括特征映射层、第一全连接层、第二全连接层、第三全连接层,其中:
所述特征映射层,用于将输入特征映射为嵌入向量,并对所述嵌入向量进行平均处理,其中,所述第一模块的输入特征为所述用户特征以及所述第一关键词特征,所述第二模块的输入特征为所述第二关键词特征;
所述第一全连接层、所述第二全连接层以及所述第三全连接层,依次串联,用于对经过平均处理的所述嵌入向量进行步进式降维,以获取输出结果;
所述拼接模块,用于确定所述第一模块对应的输出结果以及所述第二模块对应的输出结果之间的余弦距离,作为所述预测点击概率。
8.一种推荐内容确定装置,其特征在于,包括:
确定单元,用于根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测点击概率,其中,所述预测神经网络模型是根据所述用户的用户特征、所述用户的历史浏览内容以及待推荐内容训练得到的;
处理单元,用于根据所述预测点击概率对所述多个待推荐内容进行排序,以确定目标推荐内容。
9.根据权利要求8所述的装置,其特征在于,还包括:
第一获取单元,用于在根据预测神经网络模型确定用户对应的多个待推荐内容分别对应的预测概率之前,获取所述用户的用户特征以及所述用户的历史浏览内容;
第二获取单元,用于根据所述用户的历史浏览内容获取第一关键词特征;
第三获取单元,用于根据所述待推荐内容获取第二关键词特征;
训练单元,用于根据所述用户的用户特征、所述第一关键词特征以及所述第二关键词特征对所述预测神经网络模型进行训练。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至7任一项中所述的推荐内容确定方法。
CN202011553823.9A 2020-12-24 2020-12-24 推荐内容确定方法、装置及存储介质 Pending CN112765450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553823.9A CN112765450A (zh) 2020-12-24 2020-12-24 推荐内容确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553823.9A CN112765450A (zh) 2020-12-24 2020-12-24 推荐内容确定方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112765450A true CN112765450A (zh) 2021-05-07

Family

ID=75694156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553823.9A Pending CN112765450A (zh) 2020-12-24 2020-12-24 推荐内容确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112765450A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379503A (zh) * 2021-06-24 2021-09-10 北京沃东天骏信息技术有限公司 推荐信息展示方法、装置、电子设备和计算机可读介质
CN113792163A (zh) * 2021-08-09 2021-12-14 北京达佳互联信息技术有限公司 多媒体推荐方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN110781396A (zh) * 2019-10-25 2020-02-11 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
CN111506820A (zh) * 2020-04-30 2020-08-07 喜大(上海)网络科技有限公司 推荐模型、方法、装置、设备及存储介质
CN111523044A (zh) * 2020-07-06 2020-08-11 南京梦饷网络科技有限公司 用于推荐目标对象的方法、计算设备和计算机存储介质
CN111538912A (zh) * 2020-07-07 2020-08-14 腾讯科技(深圳)有限公司 内容推荐方法、装置、设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492157A (zh) * 2018-10-24 2019-03-19 华侨大学 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN110781396A (zh) * 2019-10-25 2020-02-11 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111046294A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 点击率预测方法、推荐方法、模型、装置及设备
CN111506820A (zh) * 2020-04-30 2020-08-07 喜大(上海)网络科技有限公司 推荐模型、方法、装置、设备及存储介质
CN111523044A (zh) * 2020-07-06 2020-08-11 南京梦饷网络科技有限公司 用于推荐目标对象的方法、计算设备和计算机存储介质
CN111538912A (zh) * 2020-07-07 2020-08-14 腾讯科技(深圳)有限公司 内容推荐方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379503A (zh) * 2021-06-24 2021-09-10 北京沃东天骏信息技术有限公司 推荐信息展示方法、装置、电子设备和计算机可读介质
CN113792163A (zh) * 2021-08-09 2021-12-14 北京达佳互联信息技术有限公司 多媒体推荐方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110941740B (zh) 视频推荐方法及计算机可读存储介质
CN111538912B (zh) 内容推荐方法、装置、设备及可读存储介质
CN110598206B (zh) 文本语义识别方法、装置、计算机设备和存储介质
CN109344314B (zh) 一种数据处理方法、装置及服务器
CN103390194A (zh) 用户意图预测及推荐建议的方法、设备和系统
CN108345419B (zh) 一种信息推荐列表的生成方法及装置
CN112380331A (zh) 信息推送的方法和装置
CN109117442B (zh) 一种应用推荐方法及装置
CN112070550A (zh) 基于搜索平台的关键词确定方法、装置、设备及存储介质
CN112765450A (zh) 推荐内容确定方法、装置及存储介质
CN110852056A (zh) 一种获取文本相似度的方法、装置、设备及可读存储介质
CN109819002B (zh) 数据推送方法和装置、存储介质及电子装置
CN111625715A (zh) 信息提取方法、装置、电子设备及存储介质
CN113869931A (zh) 广告投放策略确定方法、装置、计算机设备和存储介质
CN111552767A (zh) 搜索方法、搜索装置以及计算机设备
CN111078997B (zh) 一种资讯推荐方法及装置
CN112784168B (zh) 信息推送模型训练方法以及装置、信息推送方法以及装置
CN108563648B (zh) 数据显示方法和装置、存储介质及电子装置
CN112597292B (zh) 问题回复推荐方法、装置、计算机设备和存储介质
CN113656699A (zh) 用户特征向量确定方法、相关设备及介质
CN112288510A (zh) 物品推荐方法、装置、设备及存储介质
CN115730217A (zh) 模型的训练方法、物料的召回方法及装置
CN110929526A (zh) 样本生成方法、装置以及电子设备
CN116089727A (zh) 基于用户画像挖掘的信息分析方法及系统
CN113449210B (zh) 基于时空特征的个性化推荐方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210507