CN113343109A - 榜单推荐方法、计算设备及计算机存储介质 - Google Patents

榜单推荐方法、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN113343109A
CN113343109A CN202110742773.7A CN202110742773A CN113343109A CN 113343109 A CN113343109 A CN 113343109A CN 202110742773 A CN202110742773 A CN 202110742773A CN 113343109 A CN113343109 A CN 113343109A
Authority
CN
China
Prior art keywords
list
recommended
lists
matching
user
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
CN202110742773.7A
Other languages
English (en)
Inventor
王国涛
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.)
Ireader Technology Co Ltd
Original Assignee
Ireader Technology 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 Ireader Technology Co Ltd filed Critical Ireader Technology Co Ltd
Priority to CN202110742773.7A priority Critical patent/CN113343109A/zh
Publication of CN113343109A publication Critical patent/CN113343109A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种榜单推荐方法、计算设备及计算机存储介质。该方法包括:获取用户画像数据和用户历史行为特征数据;根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1;依据榜单样式向用户推荐N个待推荐榜单。本发明提供的方案,实现了个性化榜单推荐,不同用户所推荐的榜单数量及榜单样式均不同,实现了千人千面,另外,由于是基于匹配分筛选N个待推荐榜单,从而能够精准地向用户推荐榜单,提高了用户查看榜单的可能性。

Description

榜单推荐方法、计算设备及计算机存储介质
技术领域
本发明涉及计算机技术领域,具体涉及一种榜单推荐方法、计算设备及计算机存储介质。
背景技术
随着电子设备的日益普及,越来越多的用户习惯于通过电子设备阅读电子书籍,以替代传统的纸质书籍。为了方便向用户推荐书籍,电子书应用通常设置有榜单,但是发明人在实现本发明的过程中发现,现有技术中向用户推荐书籍时所采用的榜单是相同的,即,所有用户所看到的榜单数量和榜单样式均相同,推荐精度较低且没有区分性,导致用户体验不佳,另外,还可能出现由于推荐的榜单不满足用户需求,而导致部分用户可能对榜单中的书籍不感兴趣,无法吸引用户查看所推荐的书籍。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的榜单推荐方法、计算设备及计算机存储介质。
根据本发明的一个方面,提供了一种榜单推荐方法,包括:
获取用户画像数据和用户历史行为特征数据;
根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐N个待推荐榜单。
根据本发明的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行以下操作:
获取用户画像数据和用户历史行为特征数据;
根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐N个待推荐榜单。
根据本发明的又一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述榜单推荐方法对应的操作。
根据本发明提供的方案,不同用户对应的用户画像数据和用户历史行为特征数据不同,因此,根据用户画像数据和用户历史行为特征数据,所计算得到的用于表征用户与榜单池中各个待推荐榜单之间匹配程度的匹配分也不同,也就是说,针对同一个待推荐榜单,不同用户与该待推荐榜单的匹配分是不同的,因此,对于不同用户而言,根据匹配分所筛选出的待推荐榜单的数量也不同,即,N的取值是不同的,由于N个待推荐榜单对应的榜单样式具体是根据匹配分确定的,使得即便是筛选出相同数量的待推荐榜单,也使得不同用户所看到的N个待推荐榜单对应的榜单样式并不相同,从而实现了个性化榜单推荐,不同用户所推荐的榜单数量及榜单样式均不同,实现了千人千面,另外,由于是基于匹配分筛选N个待推荐榜单,从而能够精准地向用户推荐榜单,提高了用户查看榜单的可能性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的榜单推荐方法的流程示意图;
图2A示出了根据本发明另一个实施例的榜单推荐方法的流程示意图;
图2B-图2C是榜单样式的示意图;
图3示出了根据本发明一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的榜单推荐方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S101,获取用户画像数据和用户历史行为特征数据。
用户历史行为特征数据是用户在历史时间段内所发生行为对应的数据。
用户画像数据反映的是用户信息,是通过将收集到的用户信息分类并进行标签化,其中,用户画像数据可以包括以下数据:用户来源渠道、年龄、性别、城市、用户生命周期等,其中,用户来源渠道包括:浏览器、不同品牌的终端设备安装的应用程序,例如,OPPO手机、华为手机、vivo手机;用户生命周期反映了用户留存情况,包括:新用户、活跃用户、即将流失用户、自然回流用户、投放回流用户。
在本实施例中,预先收集并存储各个用户对应的用户画像数据和用户历史行为特征数据,因此,当存在榜单推荐需求时,可以获取用户对应的用户画像数据和用户历史行为特征数据。
步骤S102,根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分。
榜单池是一系列细分推荐维度的待推荐榜单的集合,能够满足用户的特定需求。
为了能够精准地向用户推荐榜单,提高用户查看榜单的可能性,并且实现个性化榜单推荐,需要根据用户画像数据和用户历史行为特征数据,来计算用户与榜单池中各个待推荐榜单的匹配分,其中,计算得到的匹配分数量与榜单池中待推荐榜单的总数量对应。例如,榜单池中共有10个待推荐榜单,那么在本步骤中将会计算得到10个匹配分,每个匹配分反映了用户与相应的待推荐榜单的匹配情况。
步骤S103,根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1。
榜单池中存在多个待推荐榜单,为了能够精准地向用户推荐榜单,提高用户查看榜单的可能性,并且实现个性化榜单推荐,在计算得到用户与榜单池中各个待推荐榜单的匹配分之后,还需要从榜单池筛选确定要推荐给用户的待推荐榜单及其对应的榜单样式,例如,可以根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1。
其中,榜单样式是指榜单一屏资源位的设置样式,例如,资源位的排列方式和资源位数量等。
步骤S104,依据榜单样式向用户推荐N个待推荐榜单。
在筛选出N个待推荐榜单并确定了N个待推荐榜单分别对应的榜单样式后,可以依据榜单样式向用户推荐N个待推荐榜单。
本发明提供的方案,不同用户对应的用户画像数据和用户历史行为特征数据不同,因此,根据用户画像数据和用户历史行为特征数据,所计算得到的用于表征用户与榜单池中各个待推荐榜单之间匹配程度的匹配分也不同,也就是说,针对同一个待推荐榜单,不同用户与该待推荐榜单的匹配分是不同的,因此,对于不同用户而言,根据匹配分所筛选出的待推荐榜单的数量也不同,即,N的取值是不同的,由于N个待推荐榜单对应的榜单样式具体是根据匹配分确定的,使得即便是筛选出相同数量的待推荐榜单,也使得不同用户所看到的N个待推荐榜单对应的榜单样式并不相同,从而实现了个性化榜单推荐,不同用户所推荐的榜单数量及榜单样式均不同,实现了千人千面,另外,由于是基于匹配分筛选N个待推荐榜单,从而能够精准地向用户推荐榜单,提高了用户查看榜单的可能性。
图2A示出了根据本发明另一个实施例的榜单推荐方法的流程示意图。如图2A所示,该方法包括以下步骤:
步骤S201,获取用户画像数据和用户历史行为特征数据。
用户历史行为特征数据是用户在历史时间段内所发生行为对应的数据。其中,用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为特征数据、付费行为特征数据、访问行为特征数据,当然,用户历史行为还可能是其他行为,这里不再一一列举。
用户画像数据反映的是用户信息,是通过将收集到的用户信息分类并进行标签化,其中,用户画像数据可以包括以下数据:用户来源渠道、年龄、性别、城市、用户生命周期等。
在本实施例中,预先收集并存储各个用户对应的用户画像数据和用户历史行为特征数据,因此,当存在榜单推荐需求时,可以获取用户对应的用户画像数据和用户历史行为特征数据。
步骤S202,根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分。
榜单池是一系列细分推荐维度的待推荐榜单的集合,能够满足用户的特定需求。以书籍榜单为例,榜单池中可以包括如下细分推荐维度的待推荐榜单:今日推荐、分类推荐、高分佳作、畅销书籍、潜力新书、全网大热、完结榜,这里仅是举例说明,不具有任何限定作用。
榜单池中各个待推荐榜单都对应有相应的榜单属性,为了能够精准地向用户推荐榜单,提高用户查看榜单的可能性,并且实现个性化榜单推荐,可以根据用户画像数据和用户历史行为特征数据与各个待推荐榜单的榜单属性,来计算用户与榜单池中各个待推荐榜单的匹配分,该匹配分反映了用户与相应的待推荐榜单的匹配情况,榜单属性是各个待推荐榜单的属性信息,反映的是该推荐榜单中内容的共有特征。其中,计算得到的匹配分数量与榜单池中待推荐榜单的总数量对应。例如,榜单池中共有10个待推荐榜单,那么在本步骤中将会计算得到10个匹配分。
榜单池中存在多个待推荐榜单,为了能够精准地向用户推荐榜单,提高用户查看榜单的可能性,并且实现个性化榜单推荐,在计算得到用户与榜单池中各个待推荐榜单的匹配分之后,还需要从榜单池筛选确定要推荐给用户的待推荐榜单及其对应的榜单样式,具体地,可以利用步骤S203-步骤S208筛选确定N个待推荐榜单及N个待推荐榜单对应的榜单样式:
步骤S203,从榜单池中选择一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;若否,则执行步骤S204;若是,则执行步骤S205。
步骤S204,过滤掉该待推荐榜单。
步骤S205,保留该待推荐榜单。
步骤S206,判断榜单池中的各个待推荐榜单是否均被选择过,若否,则执行步骤S203;若是,则执行步骤S207。
步骤S207,筛选得到N个待推荐榜单,其中,N大于或等于1。
具体地,预先设置了匹配分阈值,该匹配分阈值是一个临界值,是待推荐榜单保留或过滤掉的一个判断依据,例如,预设的匹配分阈值为5,当然这里仅是举例说明,不具有任何限定作用。
针对榜单池中的各个待推荐榜单,将该待推荐榜单对应匹配分与预设匹配分阈值进行比较,根据比较结果来确定该待推荐榜单应该被保留或过滤掉,匹配分大于或等于该预设匹配分阈值的待推荐榜单将会被保留,而匹配分小于该预设匹配分阈值的待推荐榜单将会被过滤掉。当榜单池中的各个待推荐榜单均被选择过之后,所保留的N个待推荐榜单则是要推荐给用户的榜单。
在本实施例中,还可以通过如下方法来筛选N个待推荐榜单:
计算各个待推荐榜单的匹配分对应的平均值,根据平均值来筛选N个待推荐榜单,例如,将待推荐榜单的匹配分与平均值进行比较,若匹配分大于或等于平均值,则保留该待推荐榜单,从而筛选出N个待推荐榜单。
另外,N的取值可以与最高的匹配分有关,预先设置了匹配分区间与榜单数量的对应关系,根据最高的匹配分所在的匹配分区间来确定榜单数量,即,N的取值,举例说明,以10分制为例,用户与榜单池中某个待推荐榜单的匹配分最高,匹配分为9,匹配分区间为[9,10],该区间对应的榜单数量为1,那么,N的取值可以是1。
或者,N的取值分数值排序在前的几个匹配分的平均值有关,匹配分的平均值越高,N的取值越小。
步骤S208,针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
其中,榜单样式是指榜单一屏资源位的设置样式,例如,资源位的排列方式和资源位数量等。榜单样式包括:卡片榜单样式、列表榜单样式;其中,卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,F个资源位以宫格方式排列;列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位,其中,F的取值小于M的取值,也就是说,卡片榜单样式对应的榜单在一屏中所显示的资源位数量小于列表榜单样式对应的榜单在一屏中所显示的资源位数量,另外,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项,也就是说,卡片榜单样式的资源位所显示的资源信息更详细,用户能够通过资源位所呈现的资源信息项更多地了解资源。以向用户推荐书籍榜单为例,卡片榜单样式对应的榜单在一屏中向用户推荐的书籍数量少于列表榜单样式对应的榜单在一屏中向用户推荐的书籍数量,而卡片榜单样式对应的榜单所显示的书籍信息项更详细,例如,可以显示如下书籍信息项:书籍名称、书籍作者、书籍简介、书籍中金句、热评、书籍相关改编作品等,列表榜单样式对应的榜单所显示的书籍信息项则相对于而言更简洁,例如,仅显示书籍名称,这里仅是举例说明,不具有任何限定作用。图2B为卡片榜单样式的示意图,图2C为列表榜单样式的示意图,图中资源位的数量仅是示意性说明,不具有任何限定作用,如图2B-图2C所示,F的取值为2,M的取值为4。在实际应用中,列表榜单样式还可以细分为有缩略图的列表榜单样式和无缩略图的列表榜单样式。卡片榜单样式能够更突出资源位,从而吸引用户注意力;列表榜单样式通过向用户呈现更多的资源位,来提高用户查看资源位所提供内容的概率。
在本实施例中,针对各榜单样式设置了匹配分区间,其中,卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
在确定了N个待推荐榜单后,将N个待推荐榜单的匹配分分别与各榜单样式对应的匹配分区间进行匹配,最终确定各个待推荐榜单对应的榜单样式。
步骤S209,依据榜单样式向用户推荐N个待推荐榜单。
在筛选出N个待推荐榜单并确定了N个待推荐榜单分别对应的榜单样式后,可以依据榜单样式向用户推荐N个待推荐榜单,其中,匹配分还决定着N个待推荐榜单的榜单顺序和榜单位置,例如,依据匹配分的从高至低对N个待推荐榜单进行排序。
在本发明一种可选实施方式中,在依据榜单样式向用户推荐N个待推荐榜单之前,方法还包括:
针对N个待推荐榜单中的各个待推荐榜单,根据该推荐维度榜单对应的书籍筛选规则,从该待推荐榜单筛选出与榜单样式中资源位数量对应的至少一本书籍;也就是说,筛选出的书籍数量与榜单样式中资源位数量是对应的。
具体地,可以根据书籍下载数据、书籍留存率、书籍下载完成数据,计算该推荐维度榜单中各书籍对应的书籍评分;根据书籍评分和/或用户阅读偏好,从该推荐维度榜单筛选出至少一本书籍。
本发明提供的方案,不同用户对应的用户画像数据和用户历史行为特征数据不同,因此,根据用户画像数据和用户历史行为特征数据,所计算得到的用于表征用户与榜单池中各个待推荐榜单之间匹配程度的匹配分也不同,也就是说,针对同一个待推荐榜单,不同用户与该待推荐榜单的匹配分是不同的,因此,对于不同用户而言,根据匹配分所筛选出的待推荐榜单的数量也不同,即,N的取值是不同的,由于N个待推荐榜单对应的榜单样式具体是根据匹配分确定的,使得即便是筛选出相同数量的待推荐榜单,也使得不同用户所看到的N个待推荐榜单对应的榜单样式并不相同,从而实现了个性化榜单推荐,不同用户所推荐的榜单数量及榜单样式均不同,实现了千人千面,另外,由于是基于匹配分筛选N个待推荐榜单,从而能够精准地向用户推荐榜单,提高了用户查看榜单的可能性。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的榜单推荐方法。
可执行指令具体可以用于使得处理器执行以下操作:
获取用户画像数据和用户历史行为特征数据;
根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐N个待推荐榜单。
在一种可选的实现方式中,可执行指令进一步使处理器执行以下操作:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
在一种可选的实现方式中,可执行指令进一步使处理器执行以下操作:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
在一种可选的实现方式中,榜单样式包括:卡片榜单样式、列表榜单样式;
卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
在一种可选的实现方式中,卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,F个资源位以宫格方式排列;
列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位;其中,F的取值小于M的取值,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项。
在一种可选的实现方式中,用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为特征数据、付费行为特征数据、访问行为特征数据。
图3示出了根据本发明一个实施例的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述榜单推荐方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
获取用户画像数据和用户历史行为特征数据;
根据用户画像数据和用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据匹配分从榜单池中筛选N个待推荐榜单,并根据匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐N个待推荐榜单。
在一种可选的实现方式中,程序310进一步使处理器302执行以下操作:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
在一种可选的实现方式中,程序310进一步使处理器302执行以下操作:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
在一种可选的实现方式中,榜单样式包括:卡片榜单样式、列表榜单样式;
卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
在一种可选的实现方式中,卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,F个资源位以宫格方式排列;
列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位;其中,F的取值小于M的取值,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项。
在一种可选的实现方式中,用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为特征数据、付费行为特征数据、访问行为特征数据。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
本发明公开了:A1.一种榜单推荐方法,包括:
获取用户画像数据和用户历史行为特征数据;
根据所述用户画像数据和所述用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据所述匹配分从榜单池中筛选N个待推荐榜单,并根据所述匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据所述匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐所述N个待推荐榜单。
A2.根据A1所述的方法,其中,所述根据匹配分从榜单池中筛选N个待推荐榜单进一步包括:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
A3.根据A1或A2所述的方法,其中,所述根据匹配分确定N个待推荐榜单对应的榜单样式进一步包括:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
A4.根据A3所述的方法,其中,所述榜单样式包括:卡片榜单样式、列表榜单样式;
卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
A5.根据A4所述的方法,其中,所述卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,所述F个资源位以宫格方式排列;
所述列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位;
其中,F的取值小于M的取值,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项。
A6.根据A1-A5中任一项所述的方法,其中,所述用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为数据、付费行为数据、访问行为特征数据。
B7.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取用户画像数据和用户历史行为特征数据;
根据所述用户画像数据和所述用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据所述匹配分从榜单池中筛选N个待推荐榜单,并根据所述匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据所述匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐所述N个待推荐榜单。
B8.根据B7所述的计算设备,其中,所述可执行指令进一步使所述处理器执行以下操作:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
B9.根据B7或B8所述的计算设备,其中,所述可执行指令进一步使所述处理器执行以下操作:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
B10.根据B9所述的计算设备,其中,所述榜单样式包括:卡片榜单样式、列表榜单样式;
卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
B11.根据B10所述的计算设备,其中,所述卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,所述F个资源位以宫格方式排列;
所述列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位;其中,F的取值小于M的取值,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项。
B12.根据B7-B11中任一项所述的计算设备,其中,所述用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为特征数据、付费行为特征数据、访问行为特征数据。
C13.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如A1-A6中任一项所述的榜单推荐方法对应的操作。

Claims (10)

1.一种榜单推荐方法,包括:
获取用户画像数据和用户历史行为特征数据;
根据所述用户画像数据和所述用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据所述匹配分从榜单池中筛选N个待推荐榜单,并根据所述匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据所述匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐所述N个待推荐榜单。
2.根据权利要求1所述的方法,其中,所述根据匹配分从榜单池中筛选N个待推荐榜单进一步包括:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
3.根据权利要求1或2所述的方法,其中,所述根据匹配分确定N个待推荐榜单对应的榜单样式进一步包括:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
4.根据权利要求3所述的方法,其中,所述榜单样式包括:卡片榜单样式、列表榜单样式;
卡片榜单样式对应的待推荐榜单的匹配分区间高于列表榜单样式对应的待推荐榜单的匹配分区间。
5.根据权利要求4所述的方法,其中,所述卡片榜单样式指资源位以卡片形式显示且榜单一屏显示F个资源位,所述F个资源位以宫格方式排列;
所述列表榜单样式指资源位以列表方式排列且榜单一屏显示M个资源位;
其中,F的取值小于M的取值,所述卡片榜单样式的资源位所显示的资源信息项多于列表榜单样式的资源位所显示的资源信息项。
6.根据权利要求1-5中任一项所述的方法,其中,所述用户历史行为特征数据包括以下特征数据中的一种或多种:点击行为特征数据、下载行为特征数据、阅读行为数据、付费行为数据、访问行为特征数据。
7.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取用户画像数据和用户历史行为特征数据;
根据所述用户画像数据和所述用户历史行为特征数据,计算用户与榜单池中各个待推荐榜单的匹配分;
根据所述匹配分从榜单池中筛选N个待推荐榜单,并根据所述匹配分确定N个待推荐榜单对应的榜单样式;其中,N的取值根据所述匹配分而确定,N大于或等于1;
依据榜单样式向用户推荐所述N个待推荐榜单。
8.根据权利要求7所述的计算设备,其中,所述可执行指令进一步使所述处理器执行以下操作:
针对任一待推荐榜单,判断该待推荐榜单对应的匹分度是否大于或等于预设匹配分阈值;
若否,则过滤掉该待推荐榜单;
若是,则保留该待推荐榜单,筛选得到N个待推荐榜单。
9.根据权利要求7或8所述的计算设备,其中,所述可执行指令进一步使所述处理器执行以下操作:
针对N个待推荐榜单中的各个待推荐榜单,将该待推荐榜单对应的匹配分与各榜单样式对应的匹配分区间进行匹配,得到该待推荐榜单对应的榜单样式。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-6中任一项所述的榜单推荐方法对应的操作。
CN202110742773.7A 2021-06-30 2021-06-30 榜单推荐方法、计算设备及计算机存储介质 Pending CN113343109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742773.7A CN113343109A (zh) 2021-06-30 2021-06-30 榜单推荐方法、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742773.7A CN113343109A (zh) 2021-06-30 2021-06-30 榜单推荐方法、计算设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113343109A true CN113343109A (zh) 2021-09-03

Family

ID=77482142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742773.7A Pending CN113343109A (zh) 2021-06-30 2021-06-30 榜单推荐方法、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113343109A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114040013A (zh) * 2021-11-02 2022-02-11 掌阅科技股份有限公司 书籍流量的分发方法、计算设备及计算机存储介质
WO2024041043A1 (zh) * 2022-08-24 2024-02-29 掌阅科技股份有限公司 书籍推荐方法、计算设备及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114040013A (zh) * 2021-11-02 2022-02-11 掌阅科技股份有限公司 书籍流量的分发方法、计算设备及计算机存储介质
WO2024041043A1 (zh) * 2022-08-24 2024-02-29 掌阅科技股份有限公司 书籍推荐方法、计算设备及计算机存储介质

Similar Documents

Publication Publication Date Title
CN110245069B (zh) 页面版本的测试方法和装置、页面的展示方法和装置
WO2017218526A1 (en) Methods and systems for processing and displaying review data based on one or more stored relationship associations and one or more rule sets
US20100318422A1 (en) Method for recommending information of goods and system for executing the method
US10235712B1 (en) Generating product image maps
CN111506849A (zh) 页面生成方法及装置
CN110688009B (zh) 一种折叠屏终端的应用程序访问方法及装置
CN111241389A (zh) 基于矩阵的敏感词过滤方法、装置、电子设备、存储介质
JP5717921B2 (ja) フォントを推奨するためのシステムおよび方法
CN113343109A (zh) 榜单推荐方法、计算设备及计算机存储介质
CN111563218B (zh) 一种页面的修复方法及装置
CN108769157B (zh) 消息弹窗的展示方法、装置、计算设备及计算机存储介质
CN112241495A (zh) 页面更新方法
CN110362702B (zh) 图片管理方法及设备
CN111782946A (zh) 书友推荐方法、计算设备及计算机存储介质
CN110058992B (zh) 一种文案模板效果反馈方法、装置及电子设备
CN111131419A (zh) 基于书籍页面的信息推送方法及服务器
CN111026964B (zh) 榜单页面的展示方法、电子设备及计算机存储介质
CN110188297B (zh) 资源信息展示方法、计算设备及计算机存储介质
CN110909247A (zh) 文本信息的推送方法、电子设备及计算机存储介质
CN113342762B (zh) 针对商户好友的共享消息的智能处理方法及相关装置
CN111552795B (zh) 书籍榜单页面的展示方法、电子设备及存储介质
US20150142576A1 (en) Methods and mobile devices for displaying an adaptive advertisement object and systems for generating the adaptive advertisement object
CN110930103A (zh) 服务单审核方法及系统、介质和计算机系统
CN105243132B (zh) 一种搜索记录控制方法及电子设备
CN114119139A (zh) 一种信息推荐方法、装置、存储介质及电子设备

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