CN112818218B

CN112818218B - 信息推荐方法、装置、终端设备及计算机可读存储介质

Info

Publication number: CN112818218B
Application number: CN202110081864.0A
Authority: CN
Inventors: 黄严汉
Original assignee: Ping An Life Insurance Company of China Ltd
Current assignee: Ping An Life Insurance Company of China Ltd
Priority date: 2021-01-21
Filing date: 2021-01-21
Publication date: 2023-06-27
Anticipated expiration: 2041-01-21
Also published as: CN112818218A

Abstract

本申请适用于大数据技术领域，提供了一种信息推荐方法、装置、终端设备及计算机可读存储介质，包括：获取目标平台上用户的历史行为数据，其中，所述历史行为数据包括用户执行操作的内容对象和用户对所述内容对象执行操作的行为次数；提取所述历史行为数据中所述内容对象的标签信息；根据所述内容对象的标签信息以及所述用户对所述内容对象执行操作的行为次数，确定所述用户的兴趣标签；根据所述兴趣标签向所述用户推荐信息。通过上述方法，可以有效地提取用户的兴趣标签，进而为用户提供精准的推荐信息。

Description

信息推荐方法、装置、终端设备及计算机可读存储介质

技术领域

本申请属于大数据技术领域，尤其涉及一种信息推荐方法、装置、终端设备及计算机可读存储介质。

背景技术

信息推荐系统用于根据用户画像(包括用户注册标签特征(如用户注册的时候获取的特征)和平台行为特征(如用户在信息平台的一些操作日志))向用户推荐信息。首先构建用户画像；然后根据用户画像从信息平台的内容库中选取部分内容，组成内容候选集(即召回过程)；之后利用排序算法对内容候选集中的内容进行预测和排序，获得内容推荐序列(即排序过程)；最后将内容推荐序列显示给用户。

其中，在排序过程中，由于信息平台的用户通常较多，且每个用户在信息平台上的操作日志也较多、平台行为较分散，因此，很难从用户分散的平台行为中抽取出用户的兴趣标签，无法获得精准地为用户推荐信息。

发明内容

本申请实施例提供了一种信息推荐方法、装置、终端设备及计算机可读存储介质，可以有效地提取用户的兴趣标签，进而为用户提供精准的推荐信息。

第一方面，本申请实施例提供了一种信息推荐方法，包括：

获取目标平台上用户的历史行为数据，其中，所述历史行为数据包括用户执行操作的内容对象和用户对所述内容对象执行操作的行为次数；

提取所述历史行为数据中所述内容对象的标签信息；

根据所述内容对象的标签信息以及所述用户对所述内容对象执行操作的行为次数，确定所述用户的兴趣标签；

根据所述兴趣标签向所述用户推荐信息。

本申请实施例中，通过从用户的历史行为数据中提取用户执行操作的内容对象的标签信息，相当于对用户浏览、点击过的内容进行了分类；然后根据标签信息以及用户对内容对象执行操作的行为次数确定用户的兴趣标签，相当于从用户浏览、点击过的内容类型中确定出用户感兴趣的内容类型；最后再根据用户感兴趣的内容类型为用户推荐信息。通过上述方法，能够有效地从用户分散的行为数据中抽取出用户的兴趣标签，进而为用户提供精准的推荐信息。

在第一方面的一种可能的实现方式中，所述提取所述历史行为数据中所述内容对象的标签信息，包括：

基于预设的支持向量机模型提取所述内容对象的第一特征信息；

基于预设的文本分类模型提取所述内容对象的第二特征信息；

将所述第一特征信息和所述第二特征信息融合为第三特征信息；

根据所述第三特征信息提取所述内容对象的标签信息。

在第一方面的一种可能的实现方式中，所述标签信息中包括至少一个内容标签和每个所述内容标签的标签系数；

所述根据所述内容对象的标签信息以及所述用户对所述内容对象执行操作的行为次数，确定所述用户的兴趣标签，包括：

根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的行为次数，计算所述用户对所述内容对象的每个所述内容标签的兴趣评分；

根据所述内容对象的所述内容标签和所述用户对所述内容对象的每个所述内容标签的兴趣评分确定所述用户的兴趣标签。

在第一方面的一种可能的实现方式中，所述根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的行为次数，计算所述用户对所述内容对象的每个所述内容标签的兴趣评分，包括：

根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的历史评分；

根据所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的行为衰减评分，其中，所述内容标签的衰减评分用于表示所述用户对属于所述内容标签的内容的兴趣变化程度；

根据所述历史评分和所述衰减评分计算用户对所述内容对象的每个所述内容标签的所述兴趣评分。

在第一方面的一种可能的实现方式中，所述根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的历史评分，包括：

对于每个所述内容标签，通过公式

计算所述内容标签的所述历史评分；

其中，H为所述内容标签的所述历史评分，h_l为属于所述内容标签的第l个所述内容对象中所述内容标签的标签系数，Num_l为属于所述内容标签的第l个所述内容对象对应的所述行为次数，L为属于所述内容标签的所述内容对象的数量。

在第一方面的一种可能的实现方式中，所述根据所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的行为衰减评分，包括：

通过公式

计算所述内容对象的每个所述内容标签的衰减评分；

其中，S_T为第T个时间周期内所述用户对所述内容标签的衰减评分，k_t是第t个时间周期内所述用户对属于所述内容标签的内容对象执行操作的行为次数，a为预设衰减系数，T>t。

在第一方面的一种可能的实现方式中，所述根据所述内容对象的所述内容标签和所述用户对所述内容对象的每个所述内容标签的兴趣评分确定所述用户的兴趣标签，包括：

将所述内容标签和所述内容标签的所述兴趣评分输入到预设的排序模型中，输出标签序列，所述标签序列中包括至少一个所述内容标签；

将所述标签序列中的所述内容标签确定为所述用户的所述兴趣标签。

第二方面，本申请实施例提供了一种信息推荐装置，包括：

历史数据获取单元，用于获取目标平台上用户的历史行为数据，其中，所述历史行为数据包括用户执行操作的内容对象和用户对所述内容对象执行操作的行为次数；

标签信息提取单元，用于提取所述历史行为数据中所述内容对象的标签信息；

兴趣标签确定单元，用于根据所述内容对象的标签信息以及所述用户对所述内容对象执行操作的行为次数，确定所述用户的兴趣标签；

信息推荐单元，用于根据所述兴趣标签向所述用户推荐信息。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的信息推荐方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例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存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的信息推荐方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的信息推荐方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

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性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的信息推荐方法的流程的示意图；

图2是本申请实施例提供的兴趣标签的确定方法的流程示意图；

图3是本申请实施例提供的信息推荐装置的结构框图；

图4是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。

本申请实施例提供的信息推荐方法可以由目标平台的处理器执行，也可以由为目标平台提供信息推荐服务的信息推荐系统的处理器执行。在一个应用场景中，执行本申请实施例提供的信息推荐方法的处理器获取目标平台上用户的历史行为数据；然后从历史行为数据中抽取出用户的兴趣标签；之后从目标平台对应的数据库中获取属于用户的兴趣标签的内容，并将这些内容作为推荐信息通过目标平台的前台界面显示给用户。

下面具体介绍本申请实施例提供的信息推荐方法。参见图1，是本申请实施例提供的信息推荐方法的流程的示意图。作为示例而非限定，如图1所示，信息推荐方法可以包括以下步骤：

S101，获取目标平台上用户的历史行为数据。

其中，历史行为数据包括用户执行操作的内容对象和用户对内容对象执行操作的行为次数。

内容对象是指，用户在目标平台上发生过操作行为(如浏览、点击、转发、收藏、评论、点赞等)的内容。内容可以指一篇文章或一条新闻等。行为次数是指用户对内容对象发生过操作行为的次数，例如，用户转发一篇文章3次，那么这篇文章是一个内容对象，用户对这篇文章的执行操作的行为次数为3。

目标平台是指，能够为用户推荐信息、且用户可以自行搜索信息的信息平台。例如，某新闻网站为一个信息平台，当需要利用本申请实施例提供的信息推荐方法为该新闻网站上的用户推荐信息时，该新闻网站即为本申请实施例中的目标平台。

实际应用中，通常信息平台的服务器会对用户在平台上的操作行为进行记录，如通过存储日志的方式。示例性的，当用户在信息平台上点击浏览某条内容时，信息平台的服务器会获取到用户的点击指令以及点击指令对应的内容，这时服务器会将执行点击指令的时间、执行点击指令的用户信息(如用户的账号信息等)以及点击指令对应的内容存储为一条日志。日志可以存储在信息平台的缓存介质中或数据库中。当执行本申请实施例中的信息推荐方法的处理器需要获取历史行为数据时，该处理器从存储日志的存储介质中获取信息平台的日志即可。

当然，在实际应用中，通常一个新用户在登录目标平台时，需要进行注册。而在注册时需要输入注册信息，包括用户的个人基本信息(如年龄、性别等)、社交账号信息和预采集信息(如用户注册时勾选的标签信息)等。因此，本申请实施例中的历史行为数据也可以包括从用户的注册信息中获取的内容对象、行为次数和标签信息等。

相应的，本申请实施例提供的信息推荐方法可以包括两种处理方式：

第一种，当历史行为数据中包括内容对象和行为次数时，在获取用户的历史行为数据之后，执行下述的S102-S104。

例如，假设用户通过某个社交app的社交账号登录目标平台，那么处理器可以从该社交app的数据库中获取用户的行为对象和每个行为对象的行为次数；然后继续执行S102-S104。

第二种，当历史行为数据中包括用户注册时勾选的标签信息时，获取用户的历史行为数据之后，将用户注册时勾选的标签信息确定为用户的兴趣标签，然后执行下述的S104。

例如，用户在注册时勾选了“汽车”、“美容”等标签信息，那么处理器可以将这些标签信息确定为用户的兴趣标签，然后执行S104。

两种处理方式可以是并行的，这样能够保证确定出的用户的兴趣标签更为全面。

在本申请实施例中，历史行为数据是指，在需要为用户推荐信息的时刻之前用户的行为数据。例如，第N天的历史行为数据可以设定为第N天之前M天的行为数据。具体的：要在12月31号为用户推荐信息，可以获取12月31号之前30天用户的行为数据，即12月1号-12月30号用户的行为数据。

S102，提取历史行为数据中内容对象的标签信息。

标签信息可以用于表示内容对象所属的内容类别。标签信息可以包括多级标签，如关键词标签、一级标签和二级标签等。示例性的，内容对象为一篇文章，提取该文章的关键词标签为“感冒”、“发烧”，一级标签为“健康”，二级标签为“疾病防治”；其中，“感冒”、“发烧”、“健康”和“疾病防治”均为该篇文章的标签信息。

在一个实施例中，提取标签信息的方式可以包括：

基于预设的支持向量机模型提取内容对象的第一特征信息；基于预设的文本分类模型提取所述内容对象的第二特征信息；将第一特征信息和第二特征信息融合为第三特征信息；根据第三特征信息提取内容对象的标签信息。

其中，支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器。可选的，提取第一特征信息的一种方式可以包括：先对内容对象进行分词处理，获得多个词组；然后基于卡方检验算法对多个词组进行筛选；对筛选后的词组进行向量化处理，获得每个词组的词向量；最后将词向量输入到预设的支持向量机模型中，输出内容对象的第一特征信息。

可选的，文本分类模型可以是神经网络模型，如textcnn模型(一种多标签分类卷积神经网络)。

示例性的，采用数组扁平化方式在拉平的二级以上one-vs-rest(将一个给定的二分类算法有效地扩展到多分类问题应用中的一种算法)多分类方式进行线性支持向量机训练。具体的，采用卡方检验作为特征选择，取每个类别下的卡方检验值top1500。对卡方特征选择后的词组成一个词汇表，对内容tf-idf(term frequency–inverse documentfrequency，词频-逆文本频率指数)向量化，将向量化得到的词向量输入到线性支持向量机，获得第一特征信息。Textcnn倒数第二层经过若干个卷积层之后联合，得到embedding层(用于把高维原始数据映射到低维流形，使得高维的原始数据被映射到低维流形之后变得可分，即从高维的原始数据中提取出特征数据)。将内容对象输入到textcnn中，获得第二特征信息。第二特征信息可以作为内容对象的语义表征，以增强支持向量机模型。将第一特征信息和第二特征信息融合为第三特征信息，再将第三特征信息输入到softmax分类器中提取内容对象的标签信息。

上述示例中的softmax分类器是一种线性分类器。该分类器能够对输入信息进行分类，得到当前输入信息对各个类别的分数；并且通softmax函数将分数转换为当前输入信息对各个类别的概率值。因此，通过softmax分类器可以输出内容对象的内容标签(即类别)和每个内容标签对应的标签系数(即每种类别对应的概率值)。

可选的，可以将第一特征信息和第二特征信息对应相加，得到第三特征信息。还可以利用神经网络中的全连接层对第一特征信息和第二特征信息进行融合。上述的支持向量机模型和文本分类模型可以为独立的两个模型，也可以是一个模型中的两个分支。例如，建立标签信息提取模型，该模型中左侧为textcnn模型，用于提取内容对象的语义关键特征，有较强的泛化性；该模型的右侧为支持向量机模型，用于提取内容对象中的重要特征(词向量特征)，这部分特征给模型较强的记忆性；两部分的输出端均输入到标签信息提取模型的全连接层，通过全连接层对第一特征信息和第二特征信息进行融合；融合后的第三特征信息输入到标签信息提取模型的分类层，这样分类层可以根据两条支路的特征信息提取标签信息。通过上述标签信息提取模型，在考虑了内容对象中词语本身的特征信息的同时，又考虑了词语之间的语义特征，有效提高了标签信息提取的准确度。

通常，上述标签信息提取模型中的分类层能够输出内容标签和每个内容标签对应的概率值。可选的，标签信息中包括至少一个内容标签和每个所述内容标签的标签系数。将概率值确定为每个内容标签的标签系数。

实际应用中，内容对象的内容标签可能有很多，有一些属于强相关标签，一些属于弱相关标签。可以根据标签系数对内容标签进行筛选，选取其中强相关的内容标签。例如：按照标签系数从大到小的顺序对内容标签进行排序，取前X个内容标签。

S103，根据内容对象的标签信息以及用户对内容对象执行操作的行为次数，确定用户的兴趣标签。

在一个实施例中，参见图2，是本申请实施例提供的兴趣标签的确定方法的流程示意图。如图2所示，确定兴趣标签的方式可以包括：

S201，根据内容对象的每个内容标签的标签系数以及用户对内容对象执行操作的行为次数，计算用户对内容对象的每个内容标签的兴趣评分。

可选的，每个内容标签的兴趣评分的计算方式可以包括：

I、根据内容对象的每个内容标签的标签系数以及用户对内容对象执行操作的行为次数，计算内容对象的每个内容标签的历史评分。

可选的，对于每个所述内容标签，可以通过公式

计算内容标签的历史评分。

其中，H为内容标签的历史评分，h_l为属于内容标签的第l个内容对象中内容标签的标签系数，Num_l为属于内容标签的第l个内容对象对应的行为次数，L为属于内容标签的内容对象的数量。

示例性的，假设在历史行为数据中，文章I的行为次数为3，文章I的内容标签a的标签系数为0.5，那么用户对内容标签a的历史评分为3×0.5＝1.5。

再假设在历史行为数据中，文章I的行为次数为3，文章I的内容标签a的标签系数为0.5；文章II的行为次数为1，文章II的内容标签a的标签系数为0.3。即两篇文章中均包含内容标签a，那么用户对内容标签a的历史评分为3×0.5+1×0.3＝1.8。

II、根据用户对内容对象执行操作的行为次数，计算内容对象的每个内容标签的行为衰减评分。

其中，内容标签的衰减评分表示用户对属于内容标签的内容的兴趣变化程度。

可选的，对于每个内容标签，可以通过公式

计算内容标签的衰减评分。

其中，S_T为第T个时间周期内用户对内容标签的衰减评分，k_t是第t个时间周期内用户对属于内容标签的内容对象执行操作的行为次数，a为预设衰减系数，T>t。

示例性的，假设一个时间周期为1天，需要在10日为用户推荐信息，历史行为数据中包括7-9日用户的行为数据，其中，用户对属于内容标签a的内容对象I在7日执行操作的行为次数为3、在8日执行操作的行为次数为2，在9日执行操作的行为次数为4，a＝0.5。那么在10日，内容标签a的衰减评分为：S₁₀＝k₇a^10-7+k₈a^10-8+k₉a^10-9＝3×0.5³+2×0.5²+4×0.5¹＝2.875。

需要说明的是，上述只是对历史评分和衰减评分的计算方式的示例，并不对涉及到的数据做具体限定。

上述示例中，计算衰减评分是以天作为时间周期进行计算的，即考虑第t天到第T天的评分衰减情况。通过这种计算方式，获得的推荐信息是针对一天而言的。换言之，第T天一整天的推荐信息不发生变化。这种计算方式适用于用户对于某些内容的兴趣比较固定的情况。但是当用户对于某些内容的兴趣变化较大时，采用上述方式计算的衰减评分将产生延迟，无法跟随用户兴趣的变化。

为了解决上述问题，可选的，可以采用较小的时间周期。例如以小时、分钟等作为时间周期进行计算。示例性的，上述公式中，S_T为第N天中第T个小时用户对内容标签的衰减评分，k_t是第N天中第t个小时用户对属于该内容标签的行为对象的操作次数。通过这种计算方式，可以在第N天中的每个小时更新推荐信息。

通过改变时间周期，可以控制推荐信息的频率，根据实际需要灵活调整，使得本申请中的信息推荐方案的适用性更强。

III、根据历史评分和衰减评分计算用户对内容对象的每个内容标签的兴趣评分。

可选的，将历史评分和衰减评分相加得到兴趣评分。

当然，也可以根据实际需要为两个评分添加权值。例如，若需要重点考虑历史评分，则将历史评分的权值设置大一些；若需要重点考虑衰减评分，则将最新评分的权值设置大一些。然后将历史评分和衰减评分加权求和，得到兴趣评分。

S202，根据内容对象的内容标签和用户对内容对象的每个内容标签的兴趣评分确定用户的兴趣标签。

可选的，将内容标签和内容标签的兴趣评分输入到预设的排序模型中，输出标签序列，标签序列中包括至少一个内容标签；将标签序列中的内容标签确定为用户的所述兴趣标签。

排序模型会将兴趣评分作为特征信息对内容标签进行预测排序，最后得到标签序列。

但是内容标签通常是文字形式的，排序模型对文字的处理速度相对较慢。可选的，可以将内容标签映射为数字。例如，将内容标签“生活”映射为01，将内容标签“学习”映射为02。

另外，为了减轻排序模型的数据处理压力，提高信息推荐的效率。可选的，可以按照兴趣评分从大到小的顺序对内容标签进行排序，然后获取前Y个内容标签；将前Y个内容标签及其兴趣评分输入到排序模型中。通过上述方法，相当于在排序预测之前，预先对内容标签进行了筛选，过滤掉了兴趣评分较低的内容标签。

需要说明的是，若包括多级内容标签，则分别对每一级内容标签进行排序。例如：包括关键词标签和一级标签。按照兴趣评分进行排序是指，分别对关键词标签和一级标签进行排序。关键词标签按照兴趣评分从大到小排序为“感冒”-“流感”-“发烧”，一级标签按照兴趣评分从大到小排序为“生活”-“运动”-“美妆”。

S104，根据兴趣标签向所述用户推荐信息。

处理器从目标平台对应的数据库中获取属于兴趣标签的内容，然后将这些内容通过目标平台的前台界面显示给用户。

目标平台对应的数据库可以是目标平台自身的数据库，也可以是云端存储空间等第三方数据库，还可以是与目标平台进行数据交互的其他信息平台的数据库。

对于目标平台自身的数据库，在向数据库中添加内容时，需要对添加的每条内容进行安全审查，然后为每条内容建立内容标签，最后将内容及其内容标签存储到数据库中。这样，在执行S104步骤时，处理器可以将数据库中与用户的兴趣标签相匹配的内容标签对应的内容召回，获得召回序列(包括多条符合用户兴趣标签的内容)；然后利用排序算法对召回序列中的内容进行预测和排序，获得内容推荐序列(即排序过程)；最后将内容推荐序列显示给用户。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的信息推荐方法，图3是本申请实施例提供的信息推荐装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图3，该装置包括：

历史数据获取单元31，用于获取目标平台上用户的历史行为数据，其中，所述历史行为数据包括用户执行操作的内容对象和用户对所述内容对象执行操作的行为次数。

标签信息提取单元32，用于提取所述历史行为数据中所述内容对象的标签信息。

兴趣标签确定单元33，用于根据所述内容对象的标签信息以及所述用户对所述内容对象执行操作的行为次数，确定所述用户的兴趣标签。

信息推荐单元34，用于根据所述兴趣标签向所述用户推荐信息。

可选的，标签信息提取单元32还用于：

基于预设的支持向量机模型提取所述内容对象的第一特征信息；基于预设的文本分类模型提取所述内容对象的第二特征信息；将所述第一特征信息和所述第二特征信息融合为第三特征信息；根据所述第三特征信息提取所述内容对象的标签信息。

可选的，标签信息中包括至少一个内容标签和每个所述内容标签的标签系数。

可选的，兴趣标签确定单元33包括：

评分计算模块331，用于根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的行为次数，计算所述用户对所述内容对象的每个所述内容标签的兴趣评分；

标签确定模块332，用于根据所述内容对象的所述内容标签和所述用户对所述内容对象的每个所述内容标签的兴趣评分确定所述用户的兴趣标签。

可选的，评分计算模块331包括：

历史评分计算子模块，用于根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的历史评分。

衰减评分计算子模块，用于根据所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的行为衰减评分，其中，所述内容标签的衰减评分用于表示所述用户对属于所述内容标签的内容的兴趣变化程度。

兴趣评分计算子模块，用于根据所述历史评分和所述衰减评分计算用户对所述内容对象的每个所述内容标签的所述兴趣评分。

可选的，历史评分计算子模块还用于：

对于每个所述内容标签，通过公式

计算所述内容标签的所述历史评分；其中，H为所述内容标签的所述历史评分，h_l为属于所述内容标签的第l个所述内容对象中所述内容标签的标签系数，Num_l为属于所述内容标签的第l个所述内容对象对应的所述行为次数，L为属于所述内容标签的所述内容对象的数量。

可选的，衰减评分计算子模块还用于：

通过公式

计算所述内容对象的每个所述内容标签的衰减评分；其中，S_T为第T个时间周期内所述用户对所述内容标签的衰减评分，k_t是第t个时间周期内所述用户对属于所述内容标签的内容对象执行操作的行为次数，a为预设衰减系数，T>t。

可选的，标签确定模块332还用于：

将所述内容标签和所述内容标签的所述兴趣评分输入到预设的排序模型中，输出标签序列，所述标签序列中包括至少一个所述内容标签；将所述标签序列中的所述内容标签确定为所述用户的所述兴趣标签。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

另外，图3所示的信息推荐装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图4是本申请实施例提供的终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个信息推荐方法实施例中的步骤。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种信息推荐方法，其特征在于，包括：

提取所述历史行为数据中所述内容对象的标签信息；

根据所述兴趣标签向所述用户推荐信息；

所述提取所述历史行为数据中所述内容对象的标签信息，包括：

根据所述第三特征信息提取所述内容对象的标签信息；

所述支持向量机模型用于提取所述内容对象的词向量特征，所述文本分类模型用于提取所述内容对象的语义关键特征；将内容标签和内容标签的兴趣评分输入到预设的排序模型中，将兴趣评分从大到小的顺序对内容标签进行排序，获取前Y个内容标签，将前Y个内容标签及兴趣评分输入到排序模型中；

所述标签信息中包括至少一个内容标签和每个所述内容标签的标签系数；

根据所述内容对象的所述内容标签和所述用户对所述内容对象的每个所述内容标签的兴趣评分确定所述用户的兴趣标签；

所述根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的行为次数，计算所述用户对所述内容对象的每个所述内容标签的兴趣评分，包括：

根据所述内容对象的每个所述内容标签的所述标签系数以及所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的历史评分；对于每个所述内容标签，通过公式

计算所述内容标签的所述历史评分；

其中，H为所述内容标签的所述历史评分，h_l为属于所述内容标签的第l个所述内容对象中所述内容标签的标签系数，Num_l为属于所述内容标签的第l个所述内容对象对应的所述行为次数，L为属于所述内容标签的所述内容对象的数量；

根据所述用户对所述内容对象执行操作的所述行为次数，计算所述内容对象的每个所述内容标签的行为衰减评分，其中，所述内容标签的衰减评分用于表示所述用户对属于所述内容标签的内容的兴趣变化程度；通过公式

计算所述内容对象的每个所述内容标签的衰减评分；

其中，S_T为第T个时间周期内所述用户对所述内容标签的衰减评分，k_t是第t个时间周期内所述用户对属于所述内容标签的内容对象执行操作的行为次数，a为预设衰减系数，T>t；所述时间周期为天或小时或分钟；

2.如权利要求1所述的信息推荐方法，其特征在于，所述根据所述内容对象的所述内容标签和所述用户对所述内容对象的每个所述内容标签的兴趣评分确定所述用户的兴趣标签，包括：

3.一种信息推荐装置，其特征在于，包括：

信息推荐单元，用于根据所述兴趣标签向所述用户推荐信息；

所述标签信息提取单元还用于：

基于预设的支持向量机模型提取所述内容对象的第一特征信息；基于预设的文本分类模型提取所述内容对象的第二特征信息；将所述第一特征信息和所述第二特征信息融合为第三特征信息；根据所述第三特征信息提取所述内容对象的标签信息；

所述支持向量机模型用于提取所述内容对象的词向量特征，所述文本分类模型用于提取所述内容对象的语义关键特征；

计算所述内容标签的所述历史评分；

计算所述内容对象的每个所述内容标签的衰减评分；

其中，S_T为第T个时间周期内所述用户对所述内容标签的衰减评分，k_t是第t个时间周期内所述用户对属于所述内容标签的内容对象执行操作的行为次数，a为预设衰减系数，T>t；

4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的方法。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的方法。