CN112765470A - 内容推荐模型的训练方法、内容推荐方法、装置及设备 - Google Patents

Abstract

本申请提供了一种内容推荐模型的训练方法、内容推荐方法、装置、设备，属于大数据技术领域。方法包括：根据多条用户样本数据，获取特征均值向量；根据多条用户样本数据，获取第一参数；根据多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；根据特征均值向量、第一参数以及模型权重，获取用于确定是否满足推荐条件的第一阈值。上述技术方案，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，根据特征均值向量、第一参数以及模型权重来计算第一阈值，不需要进行多次迭代计算，降低了资源损耗，提高了计算效率，能够广泛的应用于购物领域、交通领域以及社交领域。

Description

内容推荐模型的训练方法、内容推荐方法、装置及设备

技术领域

本申请涉及大数据技术领域，特别涉及一种内容推荐模型的训练方法、内容推荐方法、装置及设备。

背景技术

随着大数据技术的发展，商家能够根据用户授权采集的行为数据来训练内容推荐模型，基于该内容推荐模型得到的推荐结果，向用户推荐用户可能感兴趣的内容，如商品、游戏、音视频会员以及优惠券等。因此，如何训练内容推荐模型，是需要解决的问题。

目前，基于自适应动态阈值的分类算法的方案中，通过采用Adaboost(一种迭代算法)自适应算法，根据样本数据，使用梯度下降法进行迭代计算来训练内容推荐模型，并且在计算过程中，需要每次将模型误分类的样本数据代入上述迭代过程中，同时传入阈值初始值，并根据阈值更新公式进行迭代计算，从而确定内容推荐模型的阈值，根据该阈值和内容推荐模型的输出来确定推荐的内容和不推荐的内容。

上述方案，由于计算阈值时基于模型误分类的样本数据也即上一次计算得到的阈值，进行多次迭代计算，计算的复杂度较高，资源损耗严重，计算效率低。

发明内容

本申请实施例提供了一种内容推荐模型的训练方法、内容推荐方法、装置及设备，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，不需要多次计算，节约了运算资源，因此，通过根据特征均值向量、第一参数以及模型权重，来计算第一阈值，使得不需要进行多次迭代计算，有效的降低了资源损耗，提高了计算效率。所述技术方案如下：

一方面，提供了一种内容推荐模型的训练方法，所述方法包括：

根据多条用户样本数据，获取特征均值向量，所述用户样本数据包括用户数据、内容数据以及用户兴趣标签，所述特征均值向量包括所述多条用户样本数据中属于同一维度的数据对应的特征均值；

根据所述多条用户样本数据，获取第一参数，所述第一参数与所述多条用户样本数据的数据条数正相关；

根据所述多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；

根据所述特征均值向量、所述第一参数以及所述模型权重，获取用于确定是否满足推荐条件的第一阈值，所述第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足所述推荐条件的用户样本数据和不满足所述推荐条件的用户样本数据的推荐概率的临界值。

在一种可选的实现方式中，所述根据所述多个测试兴趣标签和所述多个测试样本对应的用户兴趣标签，对所述模型进行测评，包括：

根据所述多个测试兴趣标签和所述多个测试样本数据对应的用户兴趣标签，确定所述内容推荐模型的测评指标，所述测评指标包括查全率、查准率和AUC。

在一种可选的实现方式中，所述方法还包括：

响应于根据测试样本数据和所述第一阈值确定所述内容推荐模型的测评指标满足测评通过条件，将所述内容推荐模型确定为训练完毕的内容推荐模型；

响应于根据测试样本数据和所述第一阈值确定所述内容推荐模型的测评指标不满足测评通过条件，再次根据所述多条用户样本数据对内容推荐模型进行训练，获取新模型权重，根据所述特征均值向量、所述第一参数以及所述新模型权重，获取新第一阈值。

另一方面，提供了一种内容推荐模型的训练装置，所述装置包括：

第一获取模块，用于根据多条用户样本数据，获取特征均值向量，所述用户样本数据包括用户数据、内容数据以及用户兴趣标签，所述特征均值向量包括所述多条用户样本数据中属于同一维度的数据对应的特征均值；

第二获取模块，用于根据所述多条用户样本数据，获取第一参数，所述第一参数与所述多条用户样本数据的数据条数正相关；

第三获取模块，用于根据所述多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；

第四获取模块，用于根据所述特征均值向量、所述第一参数以及所述模型权重，获取用于确定是否满足推荐条件的第一阈值，所述第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足所述推荐条件的用户样本数据和不满足所述推荐条件的用户样本数据的推荐概率的临界值。

在一种可选的实现方式中，所述第一获取模块，用于对于所述多条用户样本数据中属于任一维度的数据，确定属于所述维度的各个数据的平均值，将所述平均值作为所述特征均值向量中的一个元素。

在一种可选的实现方式中，所述第二获取模块，用于响应于所述多条用户样本数据包括的数据条数是目标值的倍数，将所述数据条数与所述目标值的商获取为所述第一参数，所述目标值为大于2的正整数；响应于所述多条用户样本数据包括的数据条数不是目标值的倍数，将大于所述数据条数与所述目标值的商的最小正整数获取为所述第一参数。

在一种可选的实现方式中，所述装置还包括：

推荐概率获取模块，用于根据所述多个用户样本数据中的多个测试样本数据，获取所述内容推荐模型输出的多个推荐概率，其中，一个推荐概率对应一个测试样本数据；

标签确定模块，用于根据所述多个推荐概率和所述第一阈值，确定所述多个测试样本数据对应的多个测试兴趣标签；

模型评测模块，用于根据所述多个测试兴趣标签和所述多个测试样本数据对应的多个用户兴趣标签，对所述内容推荐模型进行测评。

在一种可选的实现方式中，所述标签确定模块，用于对于所述用户样本数据中的任一测试样本数据，获取所述内容推荐模型输出的推荐概率；响应于所述推荐概率大于所述第一阈值，确定所述测试样本数据的测试兴趣标签为正标签；响应于所述推荐概率小于所述第一阈值，确定所述测试样本数据的测试兴趣标签为负标签。

在一种可选的实现方式中，所述模型评测模块，用于根据所述多个测试兴趣标签和所述多个测试样本数据对应的用户兴趣标签，确定所述内容推荐模型的测评指标，所述测评指标包括查全率、查准率和AUC。

在一种可选的实现方式中，所述装置还包括：

模型确定模块，用于响应于根据测试样本数据和所述第一阈值确定所述内容推荐模型的测评指标满足测评通过条件，将所述内容推荐模型确定为训练完毕的内容推荐模型；

模型训练模块，用于响应于根据测试样本数据和所述第一阈值确定所述内容推荐模型的测评指标不满足测评通过条件，再次根据所述多条用户样本数据对内容推荐模型进行训练，获取新模型权重，根据所述特征均值向量、所述第一参数以及所述新模型权重，获取新第一阈值。

另一方面，提供了一种内容推荐方法，所述方法包括：

根据内容推荐模型对目标内容进行处理，得到预测推荐概率，所述内容推荐模型根据上述内容推荐模型的训练方法训练得到；

根据所述目标内容的目标特征均值向量和第二参数，确定第二阈值；

响应于所述预测推荐概率大于所述第二阈值，推荐所述目标内容。

另一方面，提供了一种内容推荐装置，其特征在于，所述装置包括：

得分确定模块，用于根据内容推荐模型对目标内容进行处理，得到预测推荐概率，所述内容推荐模型根据上述内容推荐模型的训练方法训练得到；

阈值确定模块，用于根据所述目标内容的目标特征均值向量和第二参数，确定第二阈值；

内容推荐模块，用于响应于所述预测推荐概率大于所述第二阈值，推荐所述目标内容。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行以实现本申请实施例中的内容推荐模型的训练方法中所执行的操作，或者实现内容推荐方法中所执行的操作。

另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一段计算机程序，所述至少一段计算机程序由处理器加载并执行以实现如本申请实施例中内容推荐模型的训练方法中所执行的操作，或者实现如本申请实施例中内容推荐方法中所执行的操作。

另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各个方面或者各个方面的各种可选实现方式中提供的内容推荐模型的训练方法，或者执行上述内容推荐方法。

本申请实施例提供的技术方案带来的有益效果是：

在本申请实施例中，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，不需要多次计算，节约了运算资源，因此，通过根据特征均值向量、第一参数以及模型权重，来计算第一阈值，使得不需要进行多次迭代计算，有效的降低了资源损耗，提高了计算效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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是根据本申请实施例提供的内容推荐模型的训练方法和内容推荐方法的实施环境示意图；

图2是根据本申请实施例提供的一种内容推荐模型的训练方法的流程图；

图3是根据本申请实施例提供的一种内容推荐方法的流程图；

图4是根据本申请实施例提供的另一种内容推荐方法的流程图；

图5是根据本申请实施例提供的一种整体流程图；

图6是根据本申请实施例提供的一种内容推荐模型的训练装置的框图；

图7是根据本申请实施例提供的一种内容推荐装置的框图；

图8是根据本申请实施例提供的一种终端的结构框图；

图9是根据本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

下面简单介绍一下本申请实施例可能用到的技术。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。本申请实施例基于大数据能够获取用户的用户特征以及待推荐内容的内容特征。

逻辑回归(LR，Logistic Regression)是传统机器学习中的一种分类模型，由于LR算法具有简单、高效、易于并行且在线学习(动态扩展)的特点，在工业界具有非常广泛的应用。

二项分布：是n个独立的成功/失败试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。一般地，如果随机变量X服从参数为n和p的二项分布，记为X～b(n,p)，对应的概率计算公式为：

其中m表示n次实验中成功的次数。·

复合二项分布：二项分布中如果每次试验成功的概率参数p服从某个概率分布，则称该分布为复合二项分布，记为：X～b(n,p|φ)。

CTR(Click-Through-Rate)即点击通过率，是互联网广告常用的术语，指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率，即该广告的实际点击次数(严格的来说，可以是到达目标页面的数量)除以广告的展现量(Show content)。

AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。

以下，介绍本申请实施例提供的内容推荐模型的训练方法和内容推荐方法的实施环境。图1是根据本申请实施例提供的内容推荐模型的训练方法和内容推荐方法的实施环境示意图。参见图1，该实施环境包括终端101和服务器102。

终端101和服务器102能够通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。可选的，终端101用于实现该内容推荐方法，服务器102用户实现该内容推荐模型的训练方法。

可选的，终端101是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端101安装和运行有支持内容推荐的应用程序。该应用程序可以是购物类应用程序、音视频类应用程序、资讯类应用程序、社交通信类应用程序、游戏类应用程序以及应用市场类应用程序中的任意一种。示意性的，终端101是用户使用的终端，该终端登录有用户的用户账号。

可选的，服务器102是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102用于为支持内容推荐的应用程序提供后台服务。服务器102用于训练内容推荐模型，然后将该内容推荐模型发送至终端101，由该终端101基于该内容推荐模型实现内容推荐方法；或者由服务器102根据终端101发送的内容推荐请求，基于该内容推荐模型获取内容推荐结果，向终端101返回该内容推荐结果。

可选地，在实现内容推荐的过程中，服务器102承担主要内容推荐工作，终端101承担次要内容推荐工作；或者，服务器102承担次要内容推荐工作，终端101承担主要内容推荐工作；或者，服务器102和终端101二者之间采用分布式计算架构进行协同的内容推荐。

可选的，服务器102包括：接入服务器、内容推荐服务器和数据库。接入服务器用于提供终端的接入服务。内容推荐服务器用于提供应用程序的后台服务。内容推荐服务器可以是一台或多台。当内容推荐服务器是多台时，存在至少两台内容推荐服务器用于提供不同的服务，和/或，存在至少两台内容推荐服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。

可选的，终端101泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员能够知晓，上述终端101的数量能够更多。比如上述终端101为几十个或几百个，或者更多数量，此时上述内容推荐方法的实施环境还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。

可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也能够是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还能够使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还能够使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

图2是根据本申请实施例提供的一种内容推荐模型的训练方法的流程图，如图2所示，在本申请实施例中以应用于计算机设备为例进行说明。该内容推荐模型的训练方法包括以下步骤：

201、计算机设备根据多条用户样本数据，获取特征均值向量，该用户样本数据包括用户数据、内容数据以及用户兴趣标签，该特征均值向量包括该多条用户样本数据中属于同一维度的数据对应的特征均值。

在本申请实施例中，计算机设备能够根据一段时长内的用户特征、内容特征以及用户兴趣标签构建多条用户样本数据，然后根据该多条用户样本数据中属于同一维度的数据对应的特征均值，获取特征均值向量。

202、计算机设备根据多条用户样本数据，获取第一参数，该第一参数与多条用户样本数据的数据条数正相关。

在本申请实施例中，该第一参数为二项分布参数。

203、计算机设备根据该多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重。

在本申请实施例中，计算机设备能够根据上述多条用户样本数据，使用LR模型进行模型训练，然后通过梯度下降法得到模型权重，模型权重能够衡量特征对预测结果，也即对预测得到的标签的贡献。

204、计算机设备根据该特征均值向量、该第一参数以及该模型权重，获取用于确定是否满足推荐条件的第一阈值，该第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足该推荐条件的用户样本数据和不满足该推荐条件的用户样本数据的推荐概率的临界值。

在本申请实施例中，计算机设备能够将上述特征均值向量、目标参数以及模型权重代入阈值计算公式，来计算得到第一阈值，从而确定该第一阈值。

在本申请实施例中，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，不需要多次计算，节约了运算资源，因此，通过根据特征均值向量、第一参数以及模型权重，来计算第一阈值，使得不需要进行多次迭代计算，有效的降低了资源损耗，提高了计算效率。

图3是根据本申请实施例提供的一种内容推荐方法的流程图，如图3所示，在本申请实施例中以应用于计算机设备为例进行说明。该方法包括以下步骤：

301、计算机设备根据内容推荐模型对目标内容进行处理，得到预测推荐概率。

在本申请实施例中，该内容推荐模型由上述图2所示的内容推荐模型的训练方法的流程训练得到。计算机设备基于该内容推荐模型对待推荐的目标内容进行预测，得到预测推荐概率。

302、计算机设备根据该目标内容的目标特征均值向量和第二参数，确定第二阈值。

在本申请实施例中，计算机设备能够目标内容的将各个特征维度的算数平均值作为目标特征均值向量中对应的元素，得到目标特征均值向量，再根据目标内容包括的内容条数，确定第二参数，该第二参数为二项分布参数。

303、响应于该预测推荐概率大于该第二阈值，计算机设备推荐该目标内容。

在本申请实施例中，计算机设备能够获取内容推荐模型输出的预测推荐概率，如果任一目标内容对应的预测推荐概率大于第二阈值，则表示用户对该目标内容敢兴趣，计算机设备向用户推荐该目标内容。

在本申请实施例中，通过使用内容推荐模型来进行内容推荐，能够根据数据的实际数量来动态调整第二阈值，从而提高了分类推荐效果。

上述图2和图3示例性示出了本申请实施例提供的内容推荐模型的训练方法和内容推荐方法的主要流程，下面基于一种实现场景来进行进一步的描述。在该实现场景中，以待推荐的目标内容为商品，根据T时期用户的行为数据以及商品数据构建样本数据，来进行内容推荐模型的训练，然后在T+1时期根据内容推荐模型向用户推荐商品为例进行说明。参见图4，图4是根据本申请实施例提供的另一种内容推荐方法的流程图，如图4所示，在本申请实施例中以应用于服务器为例进行说明。该方法包括以下步骤：

401、服务器获取多条用户样本数据，该用户样本数据包括用户数据、内容数据以及用户兴趣标签。

在本申请实施例中，服务器能够通过终端采集用户授权采集的用户信息以及用户行为数据等得到用户数据和商品数据，该商品数据为用户浏览或者购买过的商品的数据，然后基于用户数据、商品数据以及用户兴趣标签构建多个用户样本数据。

其中，该用户样本数据为T时期的用户样本数据。

T时期的用户数据包括：性别、年龄、地域等基础属性数据；点击、评论、收藏、加购、退订、付费、领券、退货、分享等活跃属性数据；消费金额、充值次数、充值天数、首次充值距离当前时间天数间隔等充值属性数据；用户领取优惠券类型(数量、次数、价值)、使用优惠券类型(数量、价值)、过期优惠券类型(数量、价值)等优惠券属性。

T时期的商品数据包括：商品sku(Stock Keeping Unit，最小存货单位)属性(如颜色、品牌、尺码、类别、材质、风格、成分含量、材质成分组成等)、单价、CTR(Click-Through-Rate，点击通过率)、优惠幅度等。

T时期的用户兴趣标签包括：1和0。1表示商品点击且收藏或者放入购物车；0表示商品点击但没有进行收藏或者放入购物车。

402、服务器根据多条用户样本数据，获取特征均值向量，该特征均值向量包括该多条用户样本数据中属于同一维度的数据对应的特征均值。

在本申请实施例中，每条用户样本数据包括多个维度的数据。对于多条用户样本数据中属于任一维度的数据，服务器能够确定属于该维度的各个数据的算数平均值，将该算数平均值作为特征均值向量中的一个元素。

可选的，服务器能够通过公式(1)来计算每个维度的数据的算数平均值。

其中，X表示数据值，h表示维度，n表示数据条数。

403、服务器根据该多条用户样本数据，获取第一参数，该第一参数与该多条用户样本数据的数据条数正相关。

在本申请实施例中，服务器能够根据多条用户样本数据包括的数据条数，确定第一参数，该第一参数为二项分布参数。

可选的，响应于该多条用户样本数据包括的数据条数是目标值的倍数，将该数据条数与该目标值的商获取为该第一参数，该目标值为大于2的正整数；响应于该多条用户样本数据包括的数据条数不是目标值的倍数，将大于该数据条数与该目标值的商的最小正整数获取为该第一参数。

例如，目标值为2，响应于用户样本数据包括的数据条数是2的倍数，将该数据条数除以2，即可得到第一参数；响应于用户样本数据包括的数据条数不是2的倍数，将该将大于该数据条数与该目标值的商的最小正整数获取为该第一参数。

404、服务器根据该用户样本数据对模型进行训练，得到模型权重，该模型权重用于指示特征对预测结果的贡献。

在本申请实施例中，服务器能够将多条用户样本数据按照目标比例划分为多条训练样本数据和多条测试样本数据，其中，目标比例为a，则训练样本数据所占的比例为a，测试样本数据所占的比例为(1-a)，例如，训练样本数据:测试样本数据＝8:2，即按照8:2的比例随机将用户样本数据划分为训练样本数据和测试样本数据。

服务器能够对训练样本数据进行样本数据处理，如样本均衡、特征去相关处理(PCA，Principal Components Analysis，主成分分析技术)等，然后根处理后的训练样本，使用逻辑回归模型进行模型训练，根据梯度下降法得到模型权重，该模型权重能够衡量特征对预测结果，也即对预测得到的标签的贡献。

405、服务器根据该特征均值向量、该第一参数以及该模型权重，获取用于确定是否满足推荐条件的第一阈值，第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足该推荐条件的用户样本数据和不满足该推荐条件的用户样本数据的推荐概率的临界值。

在本申请实施例中，服务器能够基于如下公式(2)，来获取第一阈值。

其中，θ_train表示第一阈值，n表示数据条数，n/2和[n/2]+1表示第一参数，W表示模型权重，

表示特征均值向量。

例如，样本数量n＝1103677，则第一参数m＝[n/2]+1＝551839。

406、服务器对内容推荐模型进行评测。

在本申请实施例中，内容推荐模型每次训练后需要进行模型评测，如果内容推荐模型的测评指标满足测评通过条件，则表示模型训练完毕，如果模型的测评指标不满足测评通过条件，则表示内容推荐模型还需要训练。

可选的，服务器进行模型评测的方式为：服务器根据多个用户样本数据中的多个测试样本数据，获取该内容推荐模型输出的多个推荐概率，其中，一个推荐概率对应一个测试样本数据。然后，服务器根据该多个推荐概率和该第一阈值，确定该多个测试样本数据对应的多个测试兴趣标签。最后，服务器根据该多个测试兴趣标签和该多个测试样本数据对应的多个用户兴趣标签，对该内容推荐模型进行测评。

其中，服务器根据该多个推荐概率和该第一阈值，确定该用户样本数据中多个测试样本对应的多个测试兴趣标签，包括：对于该用户样本数据中的任一测试样本数据，获取该内容推荐模型输出的推荐概率；响应于该推荐概率大于该第一阈值，服务器确定该测试样本数据的测试兴趣标签为正标签，标记为1；响应于该推荐概率小于该第一阈值，服务器确定该测试样本数据的测试兴趣标签为负标签，标记为0。

其中，服务器根据多个测试兴趣标签和多个测试样本数据对应的用户兴趣标签，对内容推荐模型进行测评，包括：服务器根据多个测试兴趣标签和多个测试样本对应的多个用户兴趣标签，确定该内容推荐模型的测评指标，该测评指标包括查全率、查准率和AUC。本申请实施例对测评指标不进行限制。如果测评指标满足测评通过条件，则服务器确定该模型为训练完毕的内容推荐模型；如果测评指标不满足测评通过条件，则服务器重复执行步骤403至步骤406，直到模型的测评指标满足测评通过条件为止。

407、服务器根据内容推荐模型向用户推荐目标内容。

在本申请实施例中，服务器在得到内容推荐模型之后，即可基于该内容推荐模型进行内容推荐。首先，服务器根据内容推荐模型对目标内容进行处理，得到预测推荐概率。然后，服务器根据该目标内容的目标特征均值向量和第二参数，确定第二阈值。最后，响应于预测推荐概率大于第二阈值，服务器推荐该目标内容。

例如，服务器根据上述公式(1)计算得到，目标特征均值向量

其中，X表示数据值，h表示维度，n′表示待预测的数据条数。

相应的，第二参数m′为：

在此基础上，得到第二阈值θ_predict：

然后，服务器基于内容推荐模型对待推荐的目标内容进行处理，得到输出的预测推荐概率。如果该预测推荐概率大于第二阈值，则标记为1，如果该预测推荐概率小于第二阈值，则标记为0。服务器向用户推荐标记为1的商品。

需要说明的是，步骤407还能够由终端来实现，也即终端获取服务器训练得到的内容推荐模型，基于该内容推荐模型向用户推荐商品。本申请实施例对步骤407的执行主体不进行限制。

需要说明的是，为了使本申请提供的方法更为清楚，参见图5所示，图5是根据本申请实施例提供的一种整体流程图。如图5所示，包括以下步骤：501、从数据源获取T时期的样本特征，如用户特征和商品特征。502、计算T时期的特征均值。503、计算T时期的二项分布参数。504、根据数据源获取T时期的分类标签，即用户兴趣标签。505、根据样本特征和分类标签划分测试样本。506、根据样本特征和分类标签划分训练样本。507、根据训练样本进行模型训练。508、根据特征均值、二项分布参数和模型权重，计算第一阈值。509、根据第一阈值和测试样本进行模型评估，如果未通过评估则继续执行步骤507，如果通过评估则执行步骤510。510、从数据源获取T+1时期的样本特征，也即待推荐商品的样本特征。511、计算T+1时期的特征均值。512、计算T+1时期的二项分布参数。513、根据特征均值、二项分布参数和模型权重，计算第二阈值。514、对T+1时期的样本特征进行样本处理。515、基于训练完毕的内容推荐模型进行预测。516、根据第二阈值和模型输出的预测推荐概率，进行分类，根据分类结果进行内容推荐。

需要说明的是，本方案可用于所有分类算法的动态阈值计算，无论机器学习算法、深度学习算法、集成学习算法均适用，能够用于各种分类算法的业务场景，例如：预流失场景、流失挽回场景、CTR预估、用户兴趣预测、车道堵塞预测等，并且，基于复合二项分布能够根据数据的实际情况动态调节阈值的大小，提高了算法的分类推荐效果。为了验证本申请提供的基于复合二项分布动态调节阈值的方案有益效果，与固定阈值的方案以及自适应动态阈值(多次迭代确定阈值)的方案进行了对比，对比结果参见表1所示。

表1

对比指标	固定阈值(0.5)	自适应动态阈值	本方案
				查全率	66.13％	72.37％	81.43％
查准率	61.06％	68.44％	77.91％
				AUC	0.63314％	0.6626	0.7862
计算耗时	30m(1103677*660)	180m(1103677*660)	35m(1103677*660)

其中，1103677*660表示样本矩阵为1103677行，660列。经对比可知，本方案在查全率、查准率、AUC以及计算耗时等方面均由显著的提升。

在本申请实施例中，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，不需要多次计算，节约了运算资源，因此，通过根据特征均值向量、第一参数以及模型权重，来计算第一阈值，使得不需要进行多次迭代计算，有效的降低了资源损耗，提高了计算效率。

图6是根据本申请实施例提供的一种内容推荐模型的训练装置的框图。该装置用于执行上述内容推荐模型的训练方法执行时的步骤，参见图6，装置包括：第一获取模块601、第二获取模块602、第三获取模块603以及第四获取模块604。

第一获取模块601，用于根据多条用户样本数据，获取特征均值向量，该用户样本数据包括用户数据、内容数据以及用户兴趣标签，该特征均值向量包括该多条用户样本数据中属于同一维度的数据对应的特征均值；

第二获取模块602，用于根据该多条用户样本数据，获取第一参数，该第一参数与该多条用户样本数据的数据条数正相关；

第三获取模块603，用于根据该多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；

第四获取模块604，用于根据该特征均值向量、该第一参数以及该模型权重，获取用于确定是否满足推荐条件的第一阈值，该第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足该推荐条件的用户样本数据和不满足该推荐条件的用户样本数据的推荐概率的临界值。

在一种可选的实现方式中，该第一获取模块601，用于对于该多条用户样本数据中属于任一维度的数据，确定属于该维度的各个数据的平均值，将该平均值作为该特征均值向量中的一个元素。

在一种可选的实现方式中，该第二获取模块602，用于响应于该多条用户样本数据包括的数据条数是目标值的倍数，将该数据条数与该目标值的商获取为该第一参数，该目标值为大于2的正整数；响应于该多条用户样本数据包括的数据条数不是目标值的倍数，将大于该数据条数与该目标值的商的最小正整数获取为该第一参数。

在一种可选的实现方式中，该装置还包括：

推荐概率获取模块，用于根据该多个用户样本数据中的多个测试样本数据，获取该内容推荐模型输出的多个推荐概率，其中，一个推荐概率对应一个测试样本数据；

标签确定模块，用于根据该多个推荐概率和该第一阈值，确定该多个测试样本数据对应的多个测试兴趣标签；

模型评测模块，用于根据该多个测试兴趣标签和该多个测试样本数据对应的多个用户兴趣标签，对该内容推荐模型进行测评。

在一种可选的实现方式中，该标签确定模块，用于对于该用户样本数据中的任一测试样本数据，获取该内容推荐模型输出的推荐概率；响应于该推荐概率大于该第一阈值，确定该测试样本数据的测试兴趣标签为正标签；响应于该推荐概率小于该第一阈值，确定该测试样本数据的测试兴趣标签为负标签。

在一种可选的实现方式中，该模型评测模块，用于根据该多个测试兴趣标签和该多个测试样本数据对应的用户兴趣标签，确定该内容推荐模型的测评指标，该测评指标包括查全率、查准率和AUC。

在一种可选的实现方式中，该装置还包括：

模型确定模块，用于响应于根据测试样本数据和该第一阈值确定该内容推荐模型的测评指标满足测评通过条件，将该内容推荐模型确定为训练完毕的内容推荐模型；

模型训练模块，用于响应于根据测试样本数据和该第一阈值确定该内容推荐模型的测评指标不满足测评通过条件，再次根据该多条用户样本数据对内容推荐模型进行训练，获取新模型权重，根据该特征均值向量、该第一参数以及该新模型权重，获取新第一阈值。

在本申请实施例中，在模型训练过程中，不需要对误分类的样本数据进行多次计算，且特征均值向量和第一参数计算一次即可，不需要多次计算，节约了运算资源，因此，通过根据特征均值向量、第一参数以及模型权重，来计算第一阈值，使得不需要进行多次迭代计算，有效的降低了资源损耗，提高了计算效率。

图7是根据本申请实施例提供的一种内容推荐装置的框图。该装置用于执行上述内容推荐方法执行时的步骤，参见图7，装置包括：得分确定模块701、阈值确定模块702以及内容推荐模块703。

得分确定模块701，用于根据内容推荐模型对目标内容进行处理，得到预测推荐概率，该内容推荐模型根据上述实施例训练得到；

阈值确定模块702，用于根据该目标内容的目标特征均值向量和第二参数，确定第二阈值；

内容推荐模块703，用于响应于该预测推荐概率大于该第二阈值，推荐该目标内容。

在本申请实施例中，通过使用内容推荐模型来进行内容推荐，能够根据数据的实际数量来动态调整第二阈值，从而提高了分类推荐效果。

需要说明的是：上述实施例提供的内容推荐模型的训练装置和内容推荐装置在进行模型训练或者内容推荐时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的内容推荐模型的训练装置与内容推荐模型的训练方法实施例属于同一构思，上述实施例提供的内容推荐装置与内容推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在本申请实施例中，计算机设备能够被配置为终端或者服务器，当计算机设备被配置为终端时，可以由终端作为执行主体来实施本申请实施例提供的技术方案，当计算机设备被配置为服务器时，可以由服务器作为执行主体来实施本申请实施例提供的技术方案，也可以通过终端和服务器之间的交互来实施本申请提供的技术方案，本申请实施例对此不作限定。

图8是根据本申请实施例提供的一种终端800的结构框图。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端800包括有：处理器801和存储器802。

处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器801所执行以实现本申请中方法实施例提供的内容推荐模型的训练方法或者内容推荐方法。

在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。

外围设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置在终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在另一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。

定位组件808用于定位终端800的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。

加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器812可以检测终端800的机体方向及转动角度，陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器813可以设置在终端800的侧边框和/或显示屏805的下层。当压力传感器813设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在显示屏805的下层时，由处理器801根据用户对显示屏805的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置在终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时，指纹传感器814可以与物理按键或厂商Logo集成在一起。

光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制显示屏805的显示亮度。具体地，当环境光强度较高时，调高显示屏805的显示亮度；当环境光强度较低时，调低显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。

接近传感器816，也称距离传感器，通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制显示屏805从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图9是根据本申请实施例提供的一种服务器的结构示意图，该服务器900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处理器(Central ProcessingUnits，CPU)901和一个或一个以上的存储器902，其中，该存储器902中存储有至少一条计算机程序，该至少一条计算机程序由该处理器901加载并执行以实现上述各个方法实施例提供的内容推荐模型的训练方法或者内容推荐方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于计算机设备，该计算机可读存储介质中存储有至少一段计算机程序，该至少一段计算机程序由处理器加载并执行以实现上述实施例的内容推荐模型的训练方法或者内容推荐方法中计算机设备所执行的操作。

本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的内容推荐模型的训练或者内容推荐方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种内容推荐模型的训练方法，其特征在于，所述方法包括：

根据多条用户样本数据，获取特征均值向量，所述用户样本数据包括用户数据、内容数据以及用户兴趣标签，所述特征均值向量包括所述多条用户样本数据中属于同一维度的数据对应的特征均值；

根据所述多条用户样本数据，获取第一参数，所述第一参数与所述多条用户样本数据的数据条数正相关；

根据所述多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；

根据所述特征均值向量、所述第一参数以及所述模型权重，获取用于确定是否满足推荐条件的第一阈值，所述第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足所述推荐条件的用户样本数据和不满足所述推荐条件的用户样本数据的推荐概率的临界值。

2.根据权利要求1所述的方法，其特征在于，所述根据多条用户样本数据，获取特征均值向量，包括：

对于所述多条用户样本数据中属于任一维度的数据，确定属于所述维度的各个数据的平均值，将所述平均值作为所述特征均值向量中的一个元素。

3.根据权利要求1所述的方法，其特征在于，所述根据所述多条用户样本数据，获取第一参数，包括：

响应于所述多条用户样本数据包括的数据条数是目标值的倍数，将所述数据条数与所述目标值的商获取为所述第一参数，所述目标值为大于2的正整数；

响应于所述多条用户样本数据包括的数据条数不是目标值的倍数，将大于所述数据条数与所述目标值的商的最小正整数获取为所述第一参数。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述多个用户样本数据中的多个测试样本数据，获取所述内容推荐模型输出的多个推荐概率，其中，一个推荐概率对应一个测试样本数据；

根据所述多个推荐概率和所述第一阈值，确定所述多个测试样本数据对应的多个测试兴趣标签；

根据所述多个测试兴趣标签和所述多个测试样本数据对应的多个用户兴趣标签，对所述内容推荐模型进行测评。

5.根据权利要求1所述的方法，其特征在于，所述根据所述多个推荐概率和所述第一阈值，确定所述多个测试样本数据对应的多个测试兴趣标签，包括：

对于所述用户样本数据中的任一测试样本数据，获取所述内容推荐模型输出的推荐概率；

响应于所述推荐概率大于所述第一阈值，确定所述测试样本数据的测试兴趣标签为正标签；

响应于所述推荐概率小于所述第一阈值，确定所述测试样本数据的测试兴趣标签为负标签。

6.一种内容推荐方法，其特征在于，所述方法包括：

根据内容推荐模型对目标内容进行处理，得到预测推荐概率，所述内容推荐模型根据所述权利要求1至5任一项训练得到；

根据所述目标内容的目标特征均值向量和第二参数，确定第二阈值；

响应于所述预测推荐概率大于所述第二阈值，推荐所述目标内容。

7.一种内容推荐模型的训练装置，其特征在于，所述装置包括：

第一获取模块，用于根据多条用户样本数据，获取特征均值向量，所述用户样本数据包括用户数据、内容数据以及用户兴趣标签，所述特征均值向量包括所述多条用户样本数据中属于同一维度的数据对应的特征均值；

第二获取模块，用于根据所述多条用户样本数据，获取第一参数，所述第一参数与所述多条用户样本数据的数据条数正相关；

第三获取模块，用于根据所述多条用户样本数据中的多个训练样本数据对内容推荐模型进行训练，获取模型权重；

第四获取模块，用于根据所述特征均值向量、所述第一参数以及所述模型权重，获取用于确定是否满足推荐条件的第一阈值，所述第一阈值表示被正确分类的用户样本数据的推荐概率符合二项分布的情况下，满足所述推荐条件的用户样本数据和不满足所述推荐条件的用户样本数据的推荐概率的临界值。

8.一种内容推荐装置，其特征在于，所述装置包括：

得分确定模块，用于根据内容推荐模型对目标内容进行处理，得到预测推荐概率，所述内容推荐模型根据所述权利要求1至5任一项训练得到；

阈值确定模块，用于根据所述目标内容的目标特征均值向量和第二参数，确定第二阈值；

内容推荐模块，用于响应于所述预测推荐概率大于所述第二阈值，推荐所述目标内容。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行权利要求1至5任一权利要求所述的内容推荐模型的训练方法，或者权利要求6所述的内容推荐方法。

10.一种存储介质，其特征在于，所述存储介质用于存储至少一段计算机程序，所述至少一段计算机程序用于执行权利要求1至5任一权利要求所述的内容推荐模型的训练方法，或者权利要求6所述的内容推荐方法。

Images