CN113312511A - 用于推荐内容的方法、装置、设备和计算机可读存储介质 - Google Patents
用于推荐内容的方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113312511A CN113312511A CN202110653519.XA CN202110653519A CN113312511A CN 113312511 A CN113312511 A CN 113312511A CN 202110653519 A CN202110653519 A CN 202110653519A CN 113312511 A CN113312511 A CN 113312511A
- Authority
- CN
- China
- Prior art keywords
- candidate content
- content
- viewing
- candidate
- time length
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开提供了一种用于推荐内容的方法、装置、设备和计算机可读存储介质，涉及人工智能技术领域，尤其涉及智能推荐技术领域。实现方案为：对于多个候选内容中的每一个，计算该候选内容的评分，包括：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长；以及至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；基于多个候选内容的评分，从多个候选内容中选择待推荐的内容；以及向用户推荐待推荐的内容。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及智能推荐技术领域，具体涉及一种用于推荐内容的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着逐渐进入互联网时代，越来越多的用户在多媒体平台(例如，直播平台)上观看或创建内容。由于在多媒体平台上存在海量的内容，需要向用户更准确、高效地推荐优质内容。因此，如何准确地筛选出多媒体平台上的优质内容以进行推荐是当今亟需解决的问题。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于推荐内容的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种用于推荐内容的方法，包括：对于多个候选内容中的每一个，计算该候选内容的评分，包括：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长；以及至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；基于多个候选内容的评分，从多个候选内容中选择待推荐的内容；以及向用户推荐待推荐的内容。
根据本公开的另一方面，提供了一种用于推荐内容的装置，包括：评分计算模块，被配置为：对于多个候选内容中的每一个，计算该候选内容的评分，其中，评分计算模块包括：次均时长计算模块，被配置为：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；修正时长计算模块，被配置为：基于该候选内容的次均观看时长和观看次数和该候选内容所属的频道的次均观看时长和观看次数，计算该候选内容的修正观看时长；以及内容评分计算模块，被配置为：至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；以及内容选择模块，被配置为：基于多个候选内容的评分，从多个候选内容中选择所推荐的内容；以及内容推荐模块，被配置为：向用户推荐待推荐的内容。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开所述的用于推荐内容的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开所述的用于推荐内容的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现如本公开所述的用于推荐内容的方法。
根据本公开的一个或多个实施例，可以准确地向用户推荐多媒体平台上的优质内容。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的用于推荐内容的方法的流程图；
图3示出了根据本公开的实施例的在图2的方法中对于多个候选内容中的每一个计算该候选内容的评分的示例过程的流程图；
图4示出了根据本公开的实施例的在图3的过程中基于该候选内容的用户观看记录计算该候选内容的次均观看时长和观看次数的示例过程的流程图；
图5示出了根据本公开的实施例的在图4的过程中基于该候选内容的用户观看记录计算该候选内容的观看次数和总观看时长的示例过程的流程图；
图6示出了根据本公开的实施例的用于推荐内容的装置的结构框图；
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
如上所述，需要准确地筛选出多媒体平台上的优质内容以进行推荐。在筛选多媒体平台上的优质内容时，用户观看时长是一项重要的指标。在传统方案中，通常每天计算内容所对应的频道的用户观看时长，并根据内容所属频道的内容观看时长来评估内容质量。其中，同一频道的内容由同一内容创作者所创作，例如，同一直播主播的全部直播内容。但是，对于实时性较强的内容(例如，直播)，以天为单位所计算的频道的用户观看时长不具有实时性，难以准确地评估内容质量。
本公开的示例性实施例提出了一种用于推荐内容的方法，包括：对于多个候选内容中的每一个，计算该候选内容的评分，包括：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长；以及至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；基于多个候选内容的评分，从多个候选内容中选择待推荐的内容；以及向用户推荐待推荐的内容。在如本公开的示例性实施例所述的用于推荐内容的方法，由于根据该候选内容的观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数来修正该候选内容的次均观看时长，从而保证了反映候选内容的观看时长信号的修正观看时长的实时性和可靠性，以准确地向用户推荐优质内容。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行向用户推荐内容的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来观看服务器120所推荐的内容，或者观看服务器120上所存储的其它内容。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的用于推荐内容的方法200的流程图。
在步骤S201处，对于多个候选内容中的每一个，计算该候选内容的评分。
根据一些实施例，多个候选内容从多媒体平台上的用户尚未观看的内容中初步筛选出的内容。根据一些实施例，可以按照用户的特性初步筛选内容，例如，用户的性别、年龄、兴趣爱好等。
根据一些实施例，对于多个候选内容中的每一个，计算该候选内容的评分包括：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长；以及至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分。
根据一些实施例，该候选内容的次均观看时长为该候选内容的平均每次观看的观看时长，该候选内容的观看次数为该候选内容自被创作起被观看的次数。根据一些实施例，在计算该候选内容的次均观看时长和观看次数时，可以舍弃部分用户观看记录，例如，时长过长或过短的用户观看记录，以提高该候选内容的次均观看时长和观看次数的准确度。
根据一些实施例，该候选内容所属的频道的次均观看时长为该候选内容所属的频道的内容的平均每次观看的观看时长，该候选内容所属的频道的内容观看次数为根据该频道的全部内容的观看次数所计算的每个内容的观看次数，例如，内容观看次数为该频道的全部内容的观看次数的60分位数，或者为该频道的全部内容的观看次数的平均数。
在步骤S203处，基于多个候选内容的评分，从多个候选内容中选择待推荐的内容。
根据一些实施例，基于多个候选内容的评分，从多个候选内容中选择待推荐的内容包括：基于多个候选内容的评分，对多个候选内容进行排序；以及根据多个候选内容的排序结果，从多个候选内容中选择待推荐的内容。
根据一些实施例，选取多个候选内容中的评分靠前的预定数量的内容，并从该预定数量的内容中随机抽取待推荐的内容。根据另一些实施例，选取多个候选内容中的评分最高的内容，作为待推荐的内容。
在步骤S205处，向用户推荐待推荐的内容。
根据一些实施例，向用户所使用的客户端(如图1所述的客户端设备101、102、103、104、105和/或106)发送待推荐的内容的信息，使得用户可以观看该待推荐的内容。例如，当用户在观看直播时，可以将待推荐的直播内容信息发送到客户端，并且，在用户结束观看正在观看的直播时，在客户端上自动播放待推荐的直播内容。
在如本公开的示例性实施例所述的用于推荐内容的方法，由于根据该候选内容的观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数来修正该候选内容的次均观看时长，从而保证了反映候选内容的观看时长信号的修正观看时长的实时性和可靠性，以准确地向用户推荐优质内容。
图3示出了根据本公开的实施例的在图2的方法中对于多个候选内容中的每一个计算该候选内容的评分(步骤S201)的示例过程的流程图。
在步骤S301处，基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数。
根据一些实施例，基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数包括：基于该候选内容的用户观看记录，计算该候选内容的观看次数和总观看时长；以及基于该候选内容的观看次数和总观看时长，计算该候选内容的次均观看时长。
在步骤S303处，基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长。
根据一些实施例，根据该候选内容的观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，对该候选内容的次均观看时长进行修正，以得到该候选内容的修正观看时长。
根据一些实施例，基于该候选内容的次均观看时长和观看次数和该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长包括：基于该候选内容的观看次数和该候选内容所属的频道的内容观看次数，计算该候选内容的置信度；以及基于该候选内容的置信度、该候选内容的次均观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的修正观看时长。
根据一些实施例，按照以下公式计算该候选内容的置信度：
其中，conf为该候选内容的置信度，click为该候选内容的观看次数，clickbias为该候选内容所属的频道的内容观看次数。
根据一些实施例，按照以下公式计算该候选内容的修正观看时长：
adjustdur＝perdur*conf+basedur*(1-conf)，
其中，conf为该候选内容的置信度，adjustdur为该候选内容的修正观看时长，perdur为该候选内容的次均观看时长，basedur为该候选内容所属的频道的次均观看时长。
在步骤S305处，至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分。
根据一些实施例，至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分包括：基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的评分。
根据一些实施例，基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的评分包括：基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的观看时长权重；以及基于该候选内容的时长权重，计算该候选内容的评分。
根据一些实施例，基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的观看时长权重包括：基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的初始权重；响应于该候选内容的初始权重大于第一权重阈值，将该候选内容的观看时长权重设置为该候选内容的第一权重阈值，响应于该候选内容的初始权重小于第二权重阈值，将该候选内容的观看时长权重设置为该候选内容的第二权重阈值，并且，响应于该候选内容的初始权重在第二权重阈值到第一权重阈值的范围内时，将该候选内容的观看时长权重设置为该候选内容的初始权重，其中，第一权重阈值大于第二权重阈值。
根据一些实施例，根据以下公式计算该候选内容的观看时长权重：
其中，weight为该候选内容的观看时长权重，minweight和maxweight为第一权重阈值和第二权重阈值，adjustdur为该候选内容的修正观看时长，basedur为该候选内容所属的频道的次均观看时长，powval为幂参数。
根据一些实施例，基于该候选内容的时长权重，计算该候选内容的评分包括：基于观看次数权重、时长权重和用户反馈权重，计算该候选内容的评分，其中，观看次数权重可以反映候选内容被观看的次数，用户反馈权重可以反映用户对候选内容的评价(例如，用户的正面反馈或负面反馈)。例如，该候选内容的评分为观看次数权重、时长权重和用户反馈权重的乘积。
根据另一些实施例，除了观看次数、观看时长和用户反馈，在计算候选内容的评分时还可以考虑用户特性。例如，在选择向某一用户推荐的待推荐内容时，基于观看次数权重、时长权重、用户反馈权重和待推荐用户的关联度权重，计算该候选内容的评分，其中，待推荐用户的关联度权重可以反映待推荐用户对该内容的感兴趣程度。
图4示出了根据本公开的实施例的在图3的过程中基于该候选内容的用户观看记录计算该候选内容的次均观看时长和观看次数(步骤S301)的示例过程的流程图。
在步骤S401处，基于该候选内容的用户观看记录，计算该候选内容的观看次数和总观看时长。
根据一些实施例，基于该候选内容的用户观看记录，计算该候选内容的观看次数和总观看时长包括：从该候选内容的用户观看记录中，选择符合预定时长条件的用户观看记录；计算符合预定时长条件的用户观看记录的数量，作为该候选内容的观看次数；以及计算符合预定时长条件的用户观看记录的总时长，作为该候选内容的总观看时长。
在步骤S403处，基于该候选内容的观看次数和总观看时长，计算该候选内容的次均观看时长。
根据一些实施例，基于该候选内容的观看次数和总观看时长，计算该候选内容的次均观看时长包括：基于该候选内容的观看次数和总观看时长以及该候选内容所属类别的类别因数，计算该候选内容的次均观看时长。
根据一些实施例，按照如下公式计算该候选内容的次均观看时长：
perdur＝kclass*alldur/click,
其中，perdur为该候选内容的次均观看时长，kclass为该候选内容所属类别的类别因数，alldur为该候选内容的总观看时长，click为该候选内容的观看次数。
图5示出了根据本公开的实施例的在图4的过程中基于该候选内容的用户观看记录计算该候选内容的观看次数和总观看时长(步骤S401)的示例过程的流程图。
在步骤S501处，从该候选内容的用户观看记录中，选择符合预定时长条件的用户观看记录。
根据一些实施例，预定时长条件为：用户观看记录中的观看时长大于第一阈值，并且，用户观看记录中的观看时长小于第二阈值，其中，第二阈值大于第一阈值。例如，第一阈值可以在1s至5s之间，并且第二阈值可以在3h至5h之间。过短的观看时长可能是由用户误点击该内容所造成的，而过长的观看时长可能是用户点开内容后忘记关闭界面所造成的，因此，排除这部分过短或过长的观看时长可以提高计算候选内容的观看次数和次均观看时长的准确性。
在步骤S503处，计算符合预定时长条件的用户观看记录的数量，作为该候选内容的观看次数。
在步骤S505处，计算符合预定时长条件的用户观看记录的总时长，作为该候选内容的总观看时长。
根据一些实施例，计算所有符合预定时长条件的用户观看记录的时长之和，作为该候选内容的总观看时长。
根据一些实施例，候选内容为直播内容。当候选内容为直播内容时，在直播过程中，实时计算候选内容的观看时长，以计算候选内容的评分，提高了内容推荐的准确性。
本公开的示例性实施例提供了一种用于推荐内容的装置，包括：评分计算模块，被配置为：对于多个候选内容中的每一个，计算该候选内容的评分，其中，评分计算模块包括：次均时长计算模块，被配置为：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；修正时长计算模块，被配置为：基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和观看次数，计算该候选内容的修正观看时长；以及内容评分计算模块，被配置为：至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；内容选择模块，被配置为：基于多个候选内容的评分，从多个候选内容中选择所推荐的内容；以及内容推荐模块，被配置为：向用户推荐待推荐的内容。
图6示出了根据本公开的实施例的用于推荐内容的装置600的结构框图。
如图6所示，装置600包括：评分计算模块601、内容选择模块602和内容推荐模块603。
根据一些实施例，评分计算模块601被配置为：对于多个候选内容中的每一个，计算该候选内容的评分。
根据一些实施例，评分计算模块601包括：次均时长计算模块、修正时长计算模块和内容评分计算模块，其中，次均时长计算模块被配置为：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；修正时长计算模块被配置为：基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和观看次数，计算该候选内容的修正观看时长；以及内容评分计算模块被配置为：至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分。
根据一些实施例，内容选择模块602被配置为：基于多个候选内容的评分，从多个候选内容中选择所推荐的内容。
根据一些实施例，内容推荐模块603被配置为：向用户推荐待推荐的内容。
应当理解，图6中所示装置600的各个模块可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置600及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图6描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，评分计算模块601、内容选择模块602和内容推荐模块603中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
在本公开的示例性实施例中，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开所述的方法。
在本公开的示例性实施例中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开所述的方法。
在本公开的示例性实施例中，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现如本公开所述的方法。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、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，个人数字处理、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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元707加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元707以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元707可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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707。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
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)和互联网。
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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (15)
1.一种用于推荐内容的方法，包括：
对于多个候选内容中的每一个，计算该候选内容的评分，包括：
基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；
基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长；以及
至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；
基于所述多个候选内容的评分，从所述多个候选内容中选择待推荐的内容；以及
向用户推荐所述待推荐的内容。
2.如权利要求1所述的方法，其中，所述基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数包括：
基于该候选内容的用户观看记录，计算该候选内容的观看次数和总观看时长；以及
基于该候选内容的观看次数和总观看时长，计算该候选内容的次均观看时长。
3.如权利要求2所述的方法，其中，所述基于该候选内容的用户观看记录，计算该候选内容的观看次数和总观看时长包括：
从该候选内容的用户观看记录中，选择符合预定时长条件的用户观看记录；
计算所述符合预定时长条件的用户观看记录的数量，作为该候选内容的观看次数；以及
计算所述符合预定时长条件的用户观看记录的总时长，作为该候选内容的总观看时长。
4.如权利要求3所述的方法，其中，所述预定时长条件为：
所述用户观看记录中的观看时长大于第一阈值，并且，
所述用户观看记录中的观看时长小于第二阈值，
其中，所述第二阈值大于所述第一阈值。
5.如权利要求2所述的方法，其中，所述基于该候选内容的观看次数和总观看时长，计算该候选内容的次均观看时长包括：
基于该候选内容的观看次数和总观看时长以及该候选内容所属类别的类别因数，计算该候选内容的次均观看时长。
6.如权利要求1-5中任一项所述的方法，其中，所述基于该候选内容的次均观看时长和观看次数以及该候选内容所属的频道的次均观看时长和内容观看次数，计算该候选内容的修正观看时长包括：
基于该候选内容的观看次数和该候选内容所属的频道的内容观看次数，计算该候选内容的置信度；以及
基于该候选内容的置信度、该候选内容的次均观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的修正观看时长。
7.如权利要求1-5中任一项所述的方法，其中，所述至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分包括：
基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的评分。
8.如权利要求7所述的方法，其中，所述基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的评分包括：
基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的观看时长权重；以及
基于该候选内容的时长权重，计算该候选内容的评分。
9.如权利要求8所述的方法，其中，所述基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的观看时长权重包括：
基于该候选内容的修正观看时长和该候选内容所属的频道的次均观看时长，计算该候选内容的初始权重；
响应于该候选内容的初始权重大于第一权重阈值，将该候选内容的观看时长权重设置为该候选内容的第一权重阈值，
响应于该候选内容的初始权重小于第二权重阈值，将该候选内容的观看时长权重设置为该候选内容的第二权重阈值，并且，
响应于该候选内容的初始权重在所述第二权重阈值到所述第一权重阈值的范围内时，将该候选内容的观看时长权重设置为该候选内容的初始权重，
其中，所述第一权重阈值大于所述第二权重阈值。
10.如权利要求1-5中任一项所述的方法，其中，所述基于所述多个候选内容的评分，从所述多个候选内容中选择待推荐的内容包括：
基于所述多个候选内容的评分，对所述多个候选内容进行排序；以及
根据所述多个候选内容的排序结果，从所述多个候选内容中选择待推荐的内容。
11.如权利要求1-5中任一项所述的方法，其中，所述候选内容为直播内容。
12.一种用于推荐内容的装置，包括：
评分计算模块，被配置为：对于多个候选内容中的每一个，计算该候选内容的评分，其中，所述评分计算模块包括：
次均时长计算模块，被配置为：基于该候选内容的用户观看记录，计算该候选内容的次均观看时长和观看次数；
修正时长计算模块，被配置为：基于该候选内容的次均观看时长和观看次数、以及该候选内容所属的频道的次均观看时长和观看次数，计算该候选内容的修正观看时长；以及
内容评分计算模块，被配置为：至少部分地基于该候选内容的修正观看时长，计算该候选内容的评分；
内容选择模块，被配置为：基于所述多个候选内容的评分，从所述多个候选内容中选择所推荐的内容；以及
内容推荐模块，被配置为：向用户推荐所述待推荐的内容。
13.一种电子设备，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1-11中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110653519.XA CN113312511B (zh) | 2021-06-11 | 2021-06-11 | 用于推荐内容的方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110653519.XA CN113312511B (zh) | 2021-06-11 | 2021-06-11 | 用于推荐内容的方法、装置、设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113312511A true CN113312511A (zh) | 2021-08-27 |
| CN113312511B CN113312511B (zh) | 2024-02-27 |
Family
ID=77378525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110653519.XA Active CN113312511B (zh) | 2021-06-11 | 2021-06-11 | 用于推荐内容的方法、装置、设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113312511B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992076A (zh) * | 2023-09-27 | 2023-11-03 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130041725A (ko) * | 2011-10-17 | 2013-04-25 | 한국전자통신연구원 | Ｔｖ 시청 패턴을 고려하여 선호 채널/프로그램을 추천하기 위한 시스템 및 그 방법 |
| CN106407241A (zh) * | 2016-03-21 | 2017-02-15 | 传线网络科技（上海）有限公司 | 视频推荐方法及系统 |
| WO2017166630A1 (zh) * | 2016-03-31 | 2017-10-05 | 乐视控股（北京）有限公司 | 一种任务优先级修正方法和装置 |
| CN111935291A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 游戏推送方法、装置、设备及计算机可读存储介质 |
| US20200410428A1 (en) * | 2019-06-28 | 2020-12-31 | Microsoft Technology Licensing, Llc | Candidate selection using personalized relevance modeling system |
| CN112579913A (zh) * | 2020-12-30 | 2021-03-30 | 上海众源网络有限公司 | 一种视频推荐方法、装置、设备和计算机可读存储介质 |
-
2021
- 2021-06-11 CN CN202110653519.XA patent/CN113312511B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130041725A (ko) * | 2011-10-17 | 2013-04-25 | 한국전자통신연구원 | Ｔｖ 시청 패턴을 고려하여 선호 채널/프로그램을 추천하기 위한 시스템 및 그 방법 |
| CN106407241A (zh) * | 2016-03-21 | 2017-02-15 | 传线网络科技（上海）有限公司 | 视频推荐方法及系统 |
| WO2017166630A1 (zh) * | 2016-03-31 | 2017-10-05 | 乐视控股（北京）有限公司 | 一种任务优先级修正方法和装置 |
| US20200410428A1 (en) * | 2019-06-28 | 2020-12-31 | Microsoft Technology Licensing, Llc | Candidate selection using personalized relevance modeling system |
| CN111935291A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 游戏推送方法、装置、设备及计算机可读存储介质 |
| CN112579913A (zh) * | 2020-12-30 | 2021-03-30 | 上海众源网络有限公司 | 一种视频推荐方法、装置、设备和计算机可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| DING J 等: "Improving implicit recommender systems with view data", PROCEEDINGS OF THE 27TH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE * |
| 刘迎盈;丁钰;汪正周;: "个性化视频内容智能推荐的算法设计", 视听界(广播电视技术), no. 06 * |
| 张;常淑华;王李冬;沈兵虎;练益群;: "新媒体平台电视节目高效组织和浏览研究", 电视技术, no. 2 * |
| 张宜浩;朱小飞;徐传运;董世都;: "基于用户评论的深度情感分析和多视图协同融合的混合推荐方法", 计算机学报, no. 06 * |
| 罗贺;赵培;: "面向电视观众的用户兴趣偏好建模方法", 中国管理科学, no. 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992076A (zh) * | 2023-09-27 | 2023-11-03 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
| CN116992076B (zh) * | 2023-09-27 | 2023-12-01 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113312511B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4080384A1 (en) | Object recommendation method and apparatus, computer device, and medium | |
| CN113411645B (zh) | 信息推荐方法及装置、电子设备和介质 | |
| CN114791982B (zh) | 对象推荐方法和装置 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| CN113382310B (zh) | 信息推荐方法及装置、电子设备和介质 | |
| CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
| CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
| CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
| CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN112906387B (zh) | 风险内容识别方法、装置、设备、介质和计算机程序产品 | |
| CN113596011B (zh) | 流量识别方法及装置，计算设备和介质 | |
| CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
| CN113312554A (zh) | 用于评价推荐系统的方法及装置、电子设备和介质 | |
| CN113722534B (zh) | 视频推荐方法和装置 | |
| CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
| CN114048759A (zh) | 模型训练方法、数据处理方法、装置、设备及介质 | |
| CN113946498A (zh) | 兴趣点识别方法和装置、推荐方法和装置、设备及介质 | |
| CN114187924A (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN115617968A (zh) | 对话方法及装置、设备和介质 | |
| CN115829653A (zh) | 广告文本的相关度确定方法及装置、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 | |
| CN117708419A (zh) | 题目推荐方法、装置、介质及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |