CN113360761A - 信息流推荐方法、装置、电子设备和计算机可读存储介质 - Google Patents
信息流推荐方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113360761A CN113360761A CN202110653900.6A CN202110653900A CN113360761A CN 113360761 A CN113360761 A CN 113360761A CN 202110653900 A CN202110653900 A CN 202110653900A CN 113360761 A CN113360761 A CN 113360761A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- information flow
- alternative
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 31
- 230000006399 behavior Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search 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
本公开公开了信息流推荐方法、装置、电子设备和计算机可读存储介质,涉及计算机网络领域。具体实现方案为:基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题;基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分;以及基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。以此方式,本公开的技术方案可以基于用户的历史行为数据实现用户画像,从而从海量信息流资源中确定该用户感兴趣的若干信息流资源。
Description
技术领域
本公开涉及计算机网络领域,具体地,涉及信息流推荐方法、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
随着各种信息流资源的推广和普及,用户可以通过加载在诸如移动终端的计算设备上的客户端对任何感兴趣的信息流资源进行浏览、评论、评价等操作。为了提升用户体验、增加相关应用的使用粘性,客户端或提供相应服务业务的服务器通常会基于用户的搜索词汇以及当前观看的直播间信息等,来为用户提供相关度较高的信息流资源。然而,由于过于依赖用户的主动表达,推荐给用户的信息流资源的风格、特色、以及表现形式通常均会较为单一。
发明内容
本公开提供了一种信息流推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的第一方面,提供了一种信息流推荐方法。该方法可以包括基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题。进而,可以基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分。该方法还可以包括基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。
在本公开的第二方面中,提供了信息流推荐装置,包括:信息流标签确定模块,被配置为基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题;相关性得分确定模块,被配置为基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分;以及推荐列表推送模块,被配置为基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。
在本公开的第三方面中,提供了一种电子设备,包括一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
在本公开的第五方面中,提供了一种计算机程序产品,计算机程序在被处理器执行时实现根据本公开的第一方面的方法。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的实施例的用于训练和应用模型的详细示例环境的示意图;
图3示出了根据本公开的实施例的用于对信息流进行推荐的过程的流程图;
图4示出了根据本公开的实施例的用于确定信息流标签的过程的流程图;
图5示出了根据本公开的实施例的用于确定相关性得分的过程的流程图;
图6示出了根据本公开的实施例的用于确定信息流标签的装置的框图;以及
图7示出了能够实施本公开的多个实施例的计算设备的框图。
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和精神。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。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
直播推荐技术是一种基于用户兴趣点搜索、筛选、排列直播资源的技术。例如,服务于直播平台的内容提供者通常会在直播平台上创建虚拟直播间,并且在预定时段提供直播的视频资源。这些直播间或者相应视频资源均被注明相应主题或标签。当用户输入感兴趣的主题或关键词时,可以基于用户输入的主题或关键词从上述直播平台上的海量直播间或者直播视频资源中搜索、筛选出与用户的兴趣点相关联的若干直播间或直播视频资源。上述的基于用户主动输入的关键词信息的直播推荐技术存在如下缺点:严重依赖用户主动表达,无法在用户浏览意愿不强烈或者浏览目的不明确时为其推荐直播资源;此外,基于用户当前表达信息进行相关推荐,容易为用户重复推荐相似类型的直播资源,无法挖掘用户的其他兴趣。
为此,本公开提供了一种信息流推荐方法,能够快速高效且低成本地确定用户感兴趣的信息流资源的推荐列表。该信息流推荐方法通过获取用户历史行为数据确定用户的多个兴趣点,每个兴趣点均可以使用用户浏览过的信息流资源所含有的标签来表示。相应地,对于若干候选的信息流资源,可以计算每个信息流资源所含有的标签与用户的兴趣点之间的相关性,从而可以确定与用户的兴趣点相关联的多个候选的信息流资源,这些信息流资源可以被添加至针对该用户的推荐列表。
以此方式,无需用户任何主动的输入,本公开可以基于用户的历史行为数据实现用户画像,从而从海量信息流资源中确定该用户感兴趣的若干信息流资源。由于历史行为数据通常涉及较长的时间段(例如,三个月,或者更多或更少),用户的被确定的兴趣点会更加丰富,因此被推荐给用户的信息流资源可以在具有关联性的同时具备多样性,极大地提升了用户体验。
以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示,示例环境100中包含用户的网络行为数据110、计算设备120、计算设备120可搜索到的备选信息流130、以及经计算设备120确定的信息流资源的推荐列表140。
在一些实施例中,网络行为数据110可以是用户在网络上浏览相应内容的历史数据。作为示例,当用户浏览某网页时,该网页上的信息流资源的链接被展现给用户,该展现的操作将作为日志信息被记录在历史数据中,作为网络行为数据110的一部分。此外,在该网页上的信息流资源的链接被用户点击后,该点击的操作将作为日志信息被记录在历史数据中,作为网络行为数据110的一部分。因此,网络行为数据110可以被认为是上述操作的日志信息的集合。
在一些实施例中,计算设备120可以包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理PDA、媒体播放器等)、消费电子产品、小型计算机、大型计算机、云计算资源等。作为示例,计算设备120可以实现在网络平台的服务器侧或加载有客户端的移动终端侧。
在计算设备120接收到网络行为数据110之后,可以从网络行为数据110中解析出用于表示用户感兴趣的主题的信息流标签121。作为示例,计算设备120可以基于网络行为数据110确定用户较为关注的多个信息流标签,作为信息流标签121。这些信息流标签至少可以被视为用户在预定时间段内的兴趣点,从而实现了用户画像。
此外,计算设备120还从备选信息流130中获取标签122。备选信息流130可以是网络平台上的短视频、直播视频、图片、文本等。应理解,备选信息流130也可以是信息流之外的其他视频或音频内容,诸如电影、电视剧、综艺节目、新闻视频以及音频电台栏目等。应理解,所有的信息流资源在被上载到网络平台时、或者在创建直播间时,均会确定多个标签,用于表征该信息流资源的相关特点。这些标签可以是信息流资源的类别信息,也可以是该信息流资源的作者、创作团队的信息等。通过设置这些标签,可以较为容易地搜索到这些信息流资源。
为了确定备选信息流130与用户兴趣点是否匹配,计算设备120将信息流标签121与备选信息流的标签122进行相关性计算,从而得到备选信息流130中的每个备选信息流与用户兴趣点的相关性得分123。由此,计算设备120可以基于相关性得分123对备选信息流进行筛选或排序,从而确定针对用户的推荐列表140。
此外,还应理解,虽然本公开示出了作为“一个”处理单元的计算设备120,但如上所述的从网络行为数据110解析出信息流标签121的过程、计算信息流标签121与标签122的相关性得分123的过程可以分别在不同的多个处理单元中执行,且这些处理单元可以被统称为计算设备120。作为示例,从网络行为数据110解析出信息流标签121的过程可以在加载有客户端的移动终端中执行,并且计算信息流标签121与标签122的相关性得分123的过程可以在网络平台的服务器中执行。
为了进一步优化用户体验,可以通过预测推荐列表140中的每个信息流资源的点展比来对信息流资源进行重新排序。为了实现上述预测过程,本公开训练了点展比预估模型。
为了更为详细的描述点展比预估模型的训练过程,下文将参照图2来描述模型的训练和应用过程。图2示出了根据本公开的实施例的用于训练和应用模型的详细示例环境200的示意图。如图2所示,示例环境200总体上可以包括模型训练系统260和模型应用系统270。作为示例,模型训练系统260和/或模型应用系统270可以在如图1所示的计算设备120或如图2所示的计算设备220中实现。应当理解,仅出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。
如前所述,预测推荐列表140中的每个信息流资源的点展比的过程均可以分为两个阶段:模型训练阶段和模型应用阶段。作为示例,在模型训练阶段中,模型训练系统260可以利用训练数据集250来训练用于执行相应功能的模型240。应理解,训练数据集250可以是多个参考数据(作为模型240的输入)以及相应的被标注的参考监督信息(作为模型240的输出)的组合。在模型应用阶段中,模型应用系统270可以接收经训练的模型240。例如,模型240为点展比预估模型。由此,载入到模型应用系统270的计算设备220中的模型240可以基于多个备选信息流的标签和信息流标签来确定多个备选信息流的点展比。
在其他实施例中,模型240可以被构建为学习网络。在一些实施例中,该学习网络可以包括多个网络,其中每个网络可以是一个多层神经网络,其可以由大量的神经元组成。通过训练过程,每个网络中的神经元的相应参数能够被确定。这些网络中的神经元的参数被统称为模型240的参数。
模型240的训练过程可以以迭代方式来被执行,直至模型240的参数中的至少部分参数收敛或者直至达到预定迭代次数,由此获得最终的模型参数。
上文描述的技术方案仅用于示例,而非限制本发明。应理解,还可以按照其他方式和连接关系来布置各个网络。为了更清楚地解释上述方案的原理,下文将参考图3来更详细描述信息流推荐的过程。
图3示出了根据本公开的实施例的用于对信息流进行推荐的过程300的流程图。在某些实施例中,过程300可以在图1中的计算设备120中实现。现参照图3并结合图1描述根据本公开实施例的对信息流进行推荐的过程300。为了便于理解,在下文描述中提及的具体实例均是示例性的,并不用于限定本公开的保护范围。
在302,计算设备120可以基于用户在预定时间段内的网络行为数据110,确定用户的信息流标签121。应理解,信息流标签121用于表示用户感兴趣的主题。在某些实施例中,计算设备120可以从浏览器的日志记录中获取用户在预定时间段内浏览网页、观看相应信息流资源的操作的数据。该预定时间段可以是由用户或网络平台设置的时间段,例如,3个月。应理解,预定时间段的长短可有用户自行设置。通过增加预定时间段的长度,信息流标签121可以更综合地反映用户的兴趣点。通过缩短预定时间段的长度,信息流标签121可以更加专注于用户的当前或短期兴趣点。
为了清楚地描述本公开确定信息流标签的过程,现参照图4描述信息流标签的确定方式。图4示出了根据本公开的实施例的用于确定信息流标签的过程400的流程图。在某些实施例中,过程400可以在图1中的计算设备120中实现。现参照图4并结合图1描述根据本公开实施例的确定信息流标签的过程400。为了便于理解,在下文描述中提及的具体实例均是示例性的,并不用于限定本公开的保护范围。
在402,计算设备120可以从网络行为数据110中确定在预定时间段内展现给用户或者被用户点击的一个或多个资源。作为示例,在该预定时间段内,用户为了观看电竞比赛A的视频,在客户端中输入了“电竞比赛A”的搜索关键字。之后,客户端为用户展现了与“电竞比赛A”相关的M个信息流资源,并且用户点击了这M个信息流资源中的N个信息流资源的链接。因此,计算设备120可以确定展现给用户的M个信息流资源以及用户点击的N个信息流资源。应理解,M和N均为整数,并且M大于或等于N。
在404,计算设备120可以确定上述一个或多个资源中所具有的备选标签被展现给用户的第一次数以及被用户点击的第二次数。作为示例,展现给用户的M个信息流资源以及其中的被用户点击的N个信息流资源通常可以被标记有“电竞比赛A”的标签,除此之外,这些信息流资源还可以分别被标记有其他标签。例如,某个信息流资源被标记有“选手B”,某个信息流资源被标记有“游戏角色C”等。因此,计算设备120可以统计这M个信息流资源的每个标签被展现给该用户的次数以及被该用户点击的次数。
在406,计算设备120可以至少基于第一次数和第二次数确定兴趣得分。也就是说,对于每个标签,计算设备120均基于该标签被展现给该用户的次数以及被该用户点击的次数来确定用户是否对该标签感兴趣的兴趣得分。在某些实施例中,计算设备120可以基于第二次数与第一次数的比确定每个标签的点展比,并且基于点展比、第二次数以及预先确定的第一权重信息来确定兴趣得分。应理解,点展比用于表示一个标签被该用户点击的次数与该标签被展现给该用户的次数的比值,该第二次数即为该标签被该用户点击的次数,以及该第一权重信息是该标签的逆文档频率。这里,用户的相应标签的逆文档频率可以被表示为log(用户总数目/含有相应标签的用户数目)。也就是说,如果对应于该用户的一个标签的逆文档频率越高,说明该标签与该用户越相关,该标签的点展比以及被用户点击的次数就可以获得较大的权重,从而增加用户对该标签的兴趣得分。
之后,在408,计算设备120可以将该标签的兴趣得分与预先设置的阈值兴趣得分进行比较。如果该标签的兴趣得分高于阈值兴趣得分,计算设备120可以将该标签确定为信息流标签121。以此方式,本公开可以基于任何用户的网络行为数据110来为该用户进行画像,从而可以确定该用户的兴趣点,以便为该用户准确地推荐适合该用户的信息流资源。
回到图3,在304,计算设备120可以基于备选信息流130的标签122与信息流标签121,确定备选信息流130与用户的相关性得分。应理解,与信息流标签121对应的信息流资源的种类可以不同于备选信息流130。作为示例,与信息流标签121对应的信息流资源可以是用户在浏览器中浏览的图文信息,而备选信息流130可以是直播资源或视频资源。
为了清楚地描述本公开确定相关性得分的过程,现参照图5描述特征图的示例形式。图5示出了根据本公开的实施例的用于确定相关性得分的过程500的流程图。在某些实施例中,过程500可以在图1中的计算设备120中实现。现参照图5并结合图1描述根据本公开实施例的确定相关性得分的过程500。为了便于理解,在下文描述中提及的具体实例均是示例性的,并不用于限定本公开的保护范围。
在502,计算设备120可以确定备选信息流130的多个标签122中的每个标签与信息流标签121的语义相似度。作为示例,计算设备120可以将标签122中的每个标签以及信息流标签121均转换成词向量,并计算标签122中的每个标签与信息流标签121中的每个标签的余弦相似度作为语义相似度。备选地或附加地,还可以将标签122中的每个标签以及信息流标签121均转换成特征向量,并计算标签122中的每个标签与信息流标签121中的每个标签的欧氏距离作为语义相似度。
在504,计算设备120可以基于语义相似度和备选信息流130的多个标签122中的每个标签的预先确定的第二权重信息,确定相关性得分123。应理解,第二权重信息是多个标签中的每个标签的逆文档频率。这里,备选信息流130的相应标签的逆文档频率可以被表示为log(信息流总数目/含有相应标签的信息流数目)。也就是说,如果对应于该信息流资源的一个标签的逆文档频率越高,说明该标签与该信息流资源越相关,该标签的语义相似度就可以获得较大的权重,从而可以更为精确地确定相关性得分123。因此,每个信息流资源的相关性得分的确定方式可以是:该信息流资源的各个标签与信息流标签121的语义相似度的加权平均。备选地或附加地,可仅基于语义相似度大于阈值相似度的标签来确定信息流资源的相关性得分。
回到图3,在304,计算设备120可以将相关性得分123与预先设置的阈值相关性得分进行比较,如果相关性得分123大于阈值相关性得分,计算设备120可以将备选信息流添加至针对该用户的推荐列表140。
以此方式,本公开可以基于用户的网络历史行为数据来确定用户的兴趣点,并从多个信息流资源中筛选出与用户的兴趣点相匹配的信息流资源。本公开的信息流推荐方式无需用户主动输入任何信息,并且可以深入挖掘用户的潜在兴趣点。
在某些实施例中,为了进一步细化推荐列表140中的信息流资源的排序操作,计算设备120可以基于推荐列表140中的多个备选信息流的标签信息流标签121,预测多个备选信息流的点展比。此外,如果多个备选信息流中的第一备选信息流的点展比大于多个备选信息流中的第二备选信息流的点展比,计算设备120可以将第一备选信息流先于第二备选信息流展现给所述用户。换言之,计算设备120可以根据预测的点展比来对推荐列表140中的多个备选信息流进行排序。
在某些实施例中,为了准确预测上述多个备选信息流的点展比,计算设备120可以将多个备选信息流的标签和信息流标签121应用于点展比预估模型,以确定多个备选信息流的点展比,点展比预估模型是将预先设置的参考标签和参考信息流标签作为输入以及对应的经标注的参考点展比作为输出来训练得到的。
备选地或附加地,对推荐列表140中的信息流资源进行排序可以包括粗排打分、精排打分和多目标调权三个阶段:粗排打分可以使用深度学习模型预估资源的点展比得分,将得分较大的信息流资源送入后续流程,用于初步筛选最终结果;精排打分可以使用特征规模更大的深度学习模型更精确地预估资源的点展比得分;多目标调权可以在精排打分的基础上,使用其他调权策略对排序结果进行调整,以满足各种功能性需要。
通过上述实施例,本公开能够通过用户在信息流推荐产品中浏览的所有资源,挖掘用户的潜在兴趣点。此外,对于系统中的新用户,本公开可以通过用户的非直播资源浏览行为确定该用户对于直播资源的兴趣点。而对于系统中的老用户,本公开可以通过用户在直播资源上的浏览行为为用户推荐包含直播资源、其他视频资源、音频资源、图文资源在内的更为丰富多样的信息流资源。
图6示出了根据本公开的实施例的用于确定信息流标签的装置600的框图。如图6所示,装置600可以包括:信息流标签确定模块602,被配置为基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题;相关性得分确定模块604,被配置为基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分;以及推荐列表推送模块606,被配置为基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。
在某些实施例中,信息流标签确定模块602可以包括:资源确定模块,被配置为从所述网络行为数据中确定在所述预定时间段内展现给所述用户或者被所述用户点击的一个或多个资源;展现点击次数确定模块,被配置为确定所述一个或多个资源中所具有的备选标签被展现给所述用户的第一次数以及被所述用户点击的第二次数;兴趣得分确定模块,被配置为至少基于所述第一次数和所述第二次数确定兴趣得分;以及判定模块,被配置为响应于所述兴趣得分高于阈值兴趣得分,将所述备选标签确定为所述信息流标签。
在某些实施例中,兴趣得分确定模块可以进一步被配置为:基于所述第二次数与所述第一次数的比,确定所述备选标签的点展比;以及基于所述点展比、所述第二次数和预先确定的第一权重信息,确定所述兴趣得分。
在某些实施例中,所述第一权重信息可以是所述备选标签的逆文档频率。
在某些实施例中,相关性得分确定模块604可以包括:语义相似度确定模块,被配置为确定所述备选信息流的多个标签中的每个标签与所述信息流标签的语义相似度;以及相关性得分计算模块,被配置为基于所述语义相似度和所述多个标签中的每个标签的预先确定的第二权重信息,确定所述相关性得分。
在某些实施例中,所述第二权重信息可以是所述多个标签中的每个标签的逆文档频率。
在某些实施例中,装置600还可以包括:点展比预测模块,被配置为基于所述推荐列表中的多个备选信息流的标签以及所述信息流标签,预测所述多个备选信息流的点展比;以及信息路排序模块,被配置为响应于所述多个备选信息流中的第一备选信息流的点展比大于所述多个备选信息流中的第二备选信息流的点展比,将所述第一备选信息流先于所述第二备选信息流展现给所述用户。
在某些实施例中,点展比预测模块可以进一步被配置为:将所述多个备选信息流的标签和所述信息流标签应用于点展比预估模型,以确定所述多个备选信息流的点展比,所述点展比预估模型是将预先设置的参考标签和参考信息流标签作为输入以及对应的经标注的参考点展比作为输出来训练得到的。
根据本公开的实施例,本公开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。
图7示出了能够实施本公开的多个实施例的计算设备700的框图。电子设备旨在表示各种形式的数字计算机,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708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,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。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。
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,例如过程300、400、500。例如,在一些实施例中,过程300、400、500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708。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RAM 703并由计算单元701执行时,可以执行上文描述的过程300、400、500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)而被配置为执行过程300、400、500。
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,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,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。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种信息流推荐方法,包括:
基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题;
基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分;以及
基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。
2.根据权利要求1所述的方法,其中确定所述信息流标签包括:
从所述网络行为数据中确定在所述预定时间段内展现给所述用户或者被所述用户点击的一个或多个资源;
确定所述一个或多个资源中所具有的备选标签被展现给所述用户的第一次数以及被所述用户点击的第二次数;
至少基于所述第一次数和所述第二次数确定兴趣得分;以及
响应于所述兴趣得分高于阈值兴趣得分,将所述备选标签确定为所述信息流标签。
3.根据权利要求2所述的方法,其中至少基于所述第一次数和所述第二次数确定所述兴趣得分包括:
基于所述第二次数与所述第一次数的比,确定所述备选标签的点展比;以及
基于所述点展比、所述第二次数和预先确定的第一权重信息,确定所述兴趣得分。
4.根据权利要求3所述的方法,其中所述第一权重信息是所述备选标签的逆文档频率。
5.根据权利要求1所述的方法,其中确定所述相关性得分包括:
确定所述备选信息流的多个标签中的每个标签与所述信息流标签的语义相似度;以及
基于所述语义相似度和所述多个标签中的每个标签的预先确定的第二权重信息,确定所述相关性得分。
6.根据权利要求5所述的方法,其中所述第二权重信息是所述多个标签中的每个标签的逆文档频率。
7.根据权利要求1所述的方法,还包括:
基于所述推荐列表中的多个备选信息流的标签以及所述信息流标签,预测所述多个备选信息流的点展比;以及
响应于所述多个备选信息流中的第一备选信息流的点展比大于所述多个备选信息流中的第二备选信息流的点展比,将所述第一备选信息流先于所述第二备选信息流展现给所述用户。
8.根据权利要求7所述的方法,其中预测所述多个备选信息流的点展比包括:
将所述多个备选信息流的标签和所述信息流标签应用于点展比预估模型,以确定所述多个备选信息流的点展比,所述点展比预估模型是将预先设置的参考标签和参考信息流标签作为输入以及对应的经标注的参考点展比作为输出来训练得到的。
9.一种信息流推荐装置,包括:
信息流标签确定模块,被配置为基于用户在预定时间段内的网络行为数据,确定所述用户的信息流标签,所述信息流标签用于表示所述用户感兴趣的主题;
相关性得分确定模块,被配置为基于备选信息流的标签与所述信息流标签,确定所述备选信息流与所述用户的相关性得分;以及
推荐列表推送模块,被配置为基于所述相关性得分与阈值相关性得分的比较,确定将所述备选信息流添加至针对所述用户的推荐列表。
10.根据权利要求9所述的装置,其中所述信息流标签确定模块包括:
资源确定模块,被配置为从所述网络行为数据中确定在所述预定时间段内展现给所述用户或者被所述用户点击的一个或多个资源;
展现点击次数确定模块,被配置为确定所述一个或多个资源中所具有的备选标签被展现给所述用户的第一次数以及被所述用户点击的第二次数;
兴趣得分确定模块,被配置为至少基于所述第一次数和所述第二次数确定兴趣得分;以及
判定模块,被配置为响应于所述兴趣得分高于阈值兴趣得分,将所述备选标签确定为所述信息流标签。
11.根据权利要求10所述的装置,其中所述兴趣得分确定模块进一步被配置为:
基于所述第二次数与所述第一次数的比,确定所述备选标签的点展比;以及
基于所述点展比、所述第二次数和预先确定的第一权重信息,确定所述兴趣得分。
12.根据权利要求11所述的装置,其中所述第一权重信息是所述备选标签的逆文档频率。
13.根据权利要求9所述的装置,其中所述相关性得分确定模块包括:
语义相似度确定模块,被配置为确定所述备选信息流的多个标签中的每个标签与所述信息流标签的语义相似度;以及
相关性得分计算模块,被配置为基于所述语义相似度和所述多个标签中的每个标签的预先确定的第二权重信息,确定所述相关性得分。
14.根据权利要求13所述的装置,其中所述第二权重信息是所述多个标签中的每个标签的逆文档频率。
15.根据权利要求9所述的装置,还包括:
点展比预测模块,被配置为基于所述推荐列表中的多个备选信息流的标签以及所述信息流标签,预测所述多个备选信息流的点展比;以及
信息路排序模块,被配置为响应于所述多个备选信息流中的第一备选信息流的点展比大于所述多个备选信息流中的第二备选信息流的点展比,将所述第一备选信息流先于所述第二备选信息流展现给所述用户。
16.根据权利要求15所述的装置,其中所述点展比预测模块进一步被配置为:
将所述多个备选信息流的标签和所述信息流标签应用于点展比预估模型,以确定所述多个备选信息流的点展比,所述点展比预估模型是将预先设置的参考标签和参考信息流标签作为输入以及对应的经标注的参考点展比作为输出来训练得到的。
17.一种电子设备,所述电子设备包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653900.6A CN113360761A (zh) | 2021-06-11 | 2021-06-11 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653900.6A CN113360761A (zh) | 2021-06-11 | 2021-06-11 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360761A true CN113360761A (zh) | 2021-09-07 |
Family
ID=77534181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653900.6A Pending CN113360761A (zh) | 2021-06-11 | 2021-06-11 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360761A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398558A (zh) * | 2022-01-19 | 2022-04-26 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN109299426A (zh) * | 2018-11-30 | 2019-02-01 | 广东大比特网络科技有限公司 | 一种精确头条信息的推荐方法及装置 |
CN110110202A (zh) * | 2018-01-09 | 2019-08-09 | 苏州跃盟信息科技有限公司 | 一种信息流推送方法及装置 |
CN112784151A (zh) * | 2019-11-08 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种确定推荐信息的方法及相关装置 |
CN112837106A (zh) * | 2019-11-22 | 2021-05-25 | 上海哔哩哔哩科技有限公司 | 商品推荐方法、装置、计算机设备 |
-
2021
- 2021-06-11 CN CN202110653900.6A patent/CN113360761A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN110110202A (zh) * | 2018-01-09 | 2019-08-09 | 苏州跃盟信息科技有限公司 | 一种信息流推送方法及装置 |
CN109299426A (zh) * | 2018-11-30 | 2019-02-01 | 广东大比特网络科技有限公司 | 一种精确头条信息的推荐方法及装置 |
CN112784151A (zh) * | 2019-11-08 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种确定推荐信息的方法及相关装置 |
CN112837106A (zh) * | 2019-11-22 | 2021-05-25 | 上海哔哩哔哩科技有限公司 | 商品推荐方法、装置、计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398558A (zh) * | 2022-01-19 | 2022-04-26 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180212918A1 (en) | Methods and apparatus for inserting content into conversations in on-line and digital environments | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
US20130132851A1 (en) | Sentiment estimation of web browsing user | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
CN107526718B (zh) | 用于生成文本的方法和装置 | |
CN111339406B (zh) | 个性化推荐方法、装置、设备及存储介质 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN107609192A (zh) | 一种搜索引擎的补充搜索方法和装置 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
US11294964B2 (en) | Method and system for searching new media information | |
CN113792212A (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
CN113360761A (zh) | 信息流推荐方法、装置、电子设备和计算机可读存储介质 | |
CN112579729A (zh) | 文档质量评价模型的训练方法、装置、电子设备和介质 | |
CN115858815A (zh) | 确定映射信息的方法、广告推荐方法、装置、设备及介质 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114647739A (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN114329206A (zh) | 标题生成方法和装置、电子设备、计算机可读介质 | |
CN113190779A (zh) | 网页评估方法和装置 | |
CN113934902A (zh) | 用于输出信息的方法和装置 | |
CN115481347A (zh) | 落地页生成方法、装置、电子设备、介质和程序产品 | |
CN114428857A (zh) | 一种信息的标注方法、装置、设备以及存储介质 |
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 |