CN113742599A - 内容推荐方法、装置、设备及计算机可读存储介质 - Google Patents
内容推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113742599A CN113742599A CN202111304689.3A CN202111304689A CN113742599A CN 113742599 A CN113742599 A CN 113742599A CN 202111304689 A CN202111304689 A CN 202111304689A CN 113742599 A CN113742599 A CN 113742599A
- Authority
- CN
- China
- Prior art keywords
- user
- initial
- content
- target
- features
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种内容推荐方法、装置、设备及计算机可读存储介质,所述方法包括:获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。本申请提供的技术方案可以提高向用户进行内容推荐的准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种内容推荐方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网的快速发展,越来越多的信息充斥在人们的生活中,人们需要从大量的信息中寻找有用的信息,但是这个信息寻找的过程显然耗费了人们大量的时间精力。因此,在社交、新闻、电商、音视频或广告推送等领域,通常采用推荐系统向不同的用户群体进行内容推荐,以使用户快捷地获取到有用信息。
传统地,在向用户进行内容推荐时,往往是通过采集用户产生交互行为时的历史浏览数据,根据用户的历史浏览数据筛选出用户感兴趣的内容,从而基于用户感兴趣的内容进行内容推荐。但是,由于历史浏览数据所包含的信息不够全面,因此,基于历史浏览数据不能准确地向用户进行内容推荐。
发明内容
基于此,本申请实施例提供了一种内容推荐方法、装置、设备及存储介质,可以提高向用户进行内容推荐的准确度。
第一方面,提供了一种内容推荐方法,该方法包括:
获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
在其中一个实施例中,获取用户与内容数据库产生交互行为时的多模态特征,包括:
获取用户的属性特征;属性特征包括身份特征;获取用户产生交互行为时的交互行为特征;获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征;用户相关信息包括用户的音视频信息及位姿信息。
在其中一个实施例中,从用户相关信息中提取用户产生交互行为时的当前状态特征,包括:
从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。
在其中一个实施例中,第二预设特征融合模型的生成过程,包括:
获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
在其中一个实施例中,在从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征之前,还包括:
对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;缺失状态包括部分缺失状态和全部缺失状态。
在其中一个实施例中,第一预设特征融合模型的生成过程,包括:
获取第一初始特征融合模型;将用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征;根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在其中一个实施例中,根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型,包括:
获取与初始目标特征对应的初始目标内容;计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数;根据目标函数对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在其中一个实施例中,第一相似度包括第二相似度及第三相似度;计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数,包括:
从初始目标内容中筛选第一初始目标内容,第一初始目标内容为用户产生任一交互行为所对应的初始目标内容;交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种;计算初始目标特征与第一初始目标内容之间的第二相似度、初始目标特征与各初始目标内容之间的第三相似度;基于第二相似度和第三相似度,计算目标函数。
在其中一个实施例中,从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容,包括:
根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容;根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果;将第一目标内容按照第一排序结果推荐至用户。
在其中一个实施例中,上述方法还包括:
将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果;将第一目标内容按照第二排序结果推荐至用户。
在其中一个实施例中,上述方法还包括:
获取用户向内容数据库发起的内容推荐请求的总数;根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。
第二方面,提供了一种内容推荐装置,该装置包括:
获取模块,用于获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及状态特征;
生成模块,用于将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;
推荐模块,用于从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述内容推荐方法、装置、设备及存储介质,通过获取用户与内容数据库产生交互行为时的多模态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。在本申请实施例提供的技术方案中,由于向用户进行内容推荐时,获取到了用户的多模态特征,多模态特征可以包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征,通过综合多种特征向用户进行内容推荐,提高了向用户进行内容推荐的准确度。
附图说明
图1为本申请实施例涉及到的一种应用环境图;
图2为本申请实施例提供的一种内容推荐方法的流程图;
图3为本申请实施例提供的一种计算目标特征架构图;
图4为本申请实施例提供的一种生成用户的当前状态特征的流程图;
图5为本申请实施例提供的一种生成第二预设特征融合模型的流程图;
图6为本申请实施例提供的一种生成第一预设特征融合模型的流程图;
图7为本申请实施例提供的一种对第一初始特征融合模型优化的架构图;
图8为本申请实施例提供的一种对第一初始特征融合模型进行优化的流程图;
图9为本申请实施例提供的一种计算目标函数的流程图;
图10为本申请实施例提供的一种生成第一次排序结果的流程图;
图11为本申请实施例提供的一种生成第二次排序结果的流程图;
图12为本申请实施例提供的一种分配预设排序模型的流程图;
图13为本申请实施例提供的一种内容推荐方法的流程图;
图14为本申请实施例提供的一种内容推荐装置的框图;
图15为本申请实施例提供的一种计算机设备的框图。
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。
本申请提供的内容推荐方法,可以应用于如图1所示的应用环境中。其中,用户终端102用于采集与用户相关的多种数据,服务器104用于根据用户终端102采集到的数据进行内容推荐。本申请提供的内容推荐方法可以应用于计算机设备中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是内容推荐装置,下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中,如图2所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,该方法可以包括以下步骤:
步骤220、获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征。
其中,内容数据库是预先存储了多种待推荐内容的数据库,待推荐内容可以是文本内容、视频内容等,当然也可以是其他类型的内容。不同的用户在与内容数据库产生交互行为时的状态不同,甚至同一用户在与内容数据库产生交互行为时的状态也会不同,因而在向用户推荐内容时,可以先获取用户与内容数据库产生交互行为时的多模态特征。
用户的多模态特征可以包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征,其中,用户的属性特征可以是用户的固有特征,例如,用户的身份信息、性别信息、年龄信息等。用户产生交互行为时的交互行为特征可以包括但不限于用户对某一内容的阅读行为特征、点赞行为特征、收藏行为特征、分享行为特征、点踩行为特征等。用户的当前状态特征可以包括但不限于用户在产生交互行为时的行为状态特征、心理状态特征等。
步骤240、将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征。
其中,第一预设特征融合模型是根据用户的历史多模态特征与对应的目标特征训练得到的,将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,从而输出用户产生交互行为时的目标特征;在计算用户产生交互行为时的目标特征时,可以基于如图3所示的架构得到。第一预设特征融合模型可以是神经网络模型,对用户的多模态特征进行特征融合可以是将多模态特征进行拼接处理,或者是将多模态特征按位元素相加得到,还可以是其他特征融合的方式,本实施例对此不做具体限定。
步骤260、从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
其中,生成用户产生交互行为时的目标特征后,可以从内容数据库中确定与目标特征对应的目标内容。内容数据库中可以预先存储与目标特征对应的目标内容,目标内容可以对应一个内容特征,可以通过目标特征与内容特征的对应关系,匹配到对应的目标内容。从而将获取到的目标内容推荐给用户,在向用户推荐目标内容时,可以按照目标内容的类型从内容数据库中获取目标内容的推荐方式,推荐方式可以包括目标内容的展示方案信息和展示概要信息,再对用户终端的展示页面进行渲染后,将目标内容按照获取到的推荐方式展示到用户终端上进行内容的推荐。
在获取目标内容的推荐方式时,例如,目标内容为视频内容,可以通过获取展示方案信息和展示概要信息后再进行展示,此时,展示方案信息可以为一个视频框,展示概要信息可以包括视频标题信息等;目标内容为文本内容时,展示方案信息可以为文本框,展示概要信息可以包括文本标题信息、正文中的一段内容等;对于其他类型的目标内容的获取过程在此不一一举例说明。
本实施例中,通过获取用户与内容数据库产生交互行为时的多模态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。由于向用户进行内容推荐时,获取到了用户的多模态特征,多模态特征可以包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征,通过综合多种特征向用户进行内容推荐,提高了向用户进行内容推荐的准确度。
在一个实施例中,获取用户与内容数据库产生交互行为时的多模态特征,可以包括:获取用户的属性特征;属性特征包括身份特征;获取用户产生交互行为时的交互行为特征;获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征;用户相关信息包括用户的音视频信息及位姿信息。
其中,用户的属性特征可以包括用户的身份特征,身份特征可以是根据用户账号id从预先设置的数据库中获取用户对应的身份特征。身份特征可以包括用户性别、年龄、工作年限、部门等特征,也可以是其他身份特征。
用户产生交互行为时的交互行为特征可以通过采集用户的交互行为后获取到,具体地,可以根据用户的交互行为生成用户行为列表,该用户行为列表中可以包括交互内容和交互行为对应的用户交互行为权重;再根据交互内容从预先设置的数据库中获取对应的内容特征;最后根据内容特征以及交互行为对应的用户交互行为权重计算得到交互行为特征。
其中,生成的用户行为列表的最大长度可以根据服务器资源自定义设置,例如,可以将该用户行为列表的最大长度设置为50,表示只保留该用户在当前会话中的最多50次交互行为。交互内容可以用预先创建的内容id号表征,内容id号的设置规则可以根据实际需求自定义。例如,内容id号可以是16位数字,前两位为年份后两位,三到四位为月份信息,五到六位为日信息,后面十位可以通过产生随机数得到,也可以按照一定的规则设定,本实施例对内容id号的设置规则不作具体限定。
不同的交互行为可以预先设置不同的初始权重,例如,阅读行为的初始权重为1,点赞行为的初始权重为5,点踩行为的初始权重为-10。在生成用户交互行为权重时,可以根据用户的当前交互行为的完成度进行初始权重加权,例如,交互内容为一段视频时,可以根据视频播放时间与视频总时长的比值,乘以该交互内容对应的初始权重,计算得到用户交互行为权重。最终生成的用户交互行为列表可以采用如下的表示方式:[(内容id1,0.2),(内容id2,1),(内容id3,-10),(内容id4,5),(内容id5,0.01)]。根据用户交互行为列表中的内容id从预先设置的数据库中获取对应的内容特征,最后将内容特征乘以交互行为对应的用户交互行为权重计算得到交互行为特征。若有五个内容id,则将五个内容特征分别与对应的用户交互行为权重的乘积之后求平均即可。
获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征。用户相关信息可以包括某一时间段内的或多个时间段内的用户的音视频信息及位姿信息,用户相关信息还可以包括音视频信息及位姿信息对应的状态码。该状态码用于表征对应信息的有效性,例如,若该信息有效用1表示,若该信息无效用0表示,从而状态码就为0与1的组合。若有多个时间段的音视频信息及位姿信息,提取得到的各时间段对应的当前状态特征求平均后作为最终的用户产生交互行为时的当前状态特征;同样地,也可以对各时间段的音视频信息及位姿信息对应的状态码求平均。
可以通过用户终端的摄像头与麦克风等采集到用户的音视频信息,通过陀螺仪、GPS等采集到用户的位姿信息,即位置信息与姿态信息。采集到的音视频信息及位姿信息可以以文件的形式保存,例如,将摄像头采集到的视频信息按照图片文件保存,将麦克风采集到的音频信息按照音频文件保存。还可以根据用户终端的性能,设置不同的采集频率与文件保存数量,例如,使用摄像头每秒保存1个图片文件,录音每秒生成1个音频文件,图片文件和音频文件保存最近的20个。
在一个实施例中,如图4所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是生成用户的当前状态特征的一种可能的过程,该方法可以包括以下步骤:
步骤420、从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征。
步骤440、将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。
其中,可以通过将用户的音视频信息及位姿信息输入至预先训练好的特征提取模型中提取得到用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征。例如,可以将音视频信息中的图片文件输入至预先训练好的Inception-ResNet-v2模型中得到感官特征;将音视频信息中的音频文件输入至预先训练好的DS-conv模型中得到音频特征等。再将生成的中间状态特征输入至第二预设特征融合模型中进行特征融合,从而生成用户产生交互行为时的当前状态特征,第二预设特征融合模型可以由三层全连接层构成。
本实施例中,通过从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。通过预先训练好的第二预设特征融合模型对提取出来的特征进行融合得到用户的当前状态特征,提高了生成当前状态特征的效率与准确性。
在一个实施例中,如图5所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是生成第二预设特征融合模型的一种可能的过程,该方法可以包括以下步骤:
步骤520、获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征。
步骤540、从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征。
步骤560、根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
其中,可以通过用户终端采集的数据获取到用户在产生不同交互行为时的历史音视频信息及历史位姿信息,再将历史音视频信息及历史位姿信息输入至对应的特征提取模型中,提取出用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为初始中间状态特征。将历史音视频信息及历史位姿信息输入至对应的特征提取模型时,可以是全部的历史音视频信息及历史位姿信息,也可以是部分历史音视频信息及历史位姿信息。这里的部分历史音视频信息及历史位姿信息可以是缺少某一种历史信息的情况,也可以是只缺少某一种历史信息中的部分信息。例如,可以只将历史音视频信息输入至对应的特征提取模型;或者是将历史音视频信息中的一部分信息以及历史位姿信息输入至对应的特征提取模型。
可以通过先验知识人工为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征,再将获取到的初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征。根据预测状态特征与初始状态特征以及预设的损失函数,对第二初始特征融合模型的模型参数进行更新,从而根据更新后的模型参数生成第二预设特征融合模型。
本实施例中,通过获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。通过预测状态特征与初始状态特征共同对模型参数进行更新,从而对第二预设特征融合模型进行训练,提高了第二预设特征融合模型的计算准确率。
在一个实施例中,在从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征之前,还包括:对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;缺失状态包括部分缺失状态和全部缺失状态。
其中,在上述实施例的基础上,在获取第二初始特征融合模型的训练集时,还可以对历史音视频信息及历史位姿信息进行缺失处理,生成处于部分缺失状态或全部缺失状态的历史音视频信息及历史位姿信息。进行缺失处理时可以根据实际需求随机将历史音视频信息和或历史位姿信息的部分或全部信息置为零;也可以指定将历史音视频信息和或历史位姿信息的部分或全部信息置为零;本实施例对此不作具体限定。
从而为生成的处于缺失状态的历史音视频信息及历史位姿信息预先配置的初始状态特征;从处于缺失状态的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;最后根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
本实施例中,通过对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息,再根据处于缺失状态的历史音视频信息及历史位姿信息对第二预设特征融合模型进行训练,进一步提高了第二预设特征融合模型的计算准确率。
在一个实施例中,如图6所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是生成第一预设特征融合模型的一种可能的过程,该方法可以包括以下步骤:
步骤620、获取第一初始特征融合模型。
步骤640、将用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征。
步骤660、根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
其中,第一初始特征融合模型可以是根据用户的历史多模态特征训练好的模型,可以基于该第一初始特征融合模型进一步对模型进行优化。通过将当前获取到的用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征,再根据初始目标特征以及与初始目标特征对应的初始目标内容,可以基于如图7所示的架构图对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在对第一初始特征融合模型进行优化时,如图8所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是对第一初始特征融合模型进行优化的一种可能的过程,该方法可以包括以下步骤:
步骤820、获取与初始目标特征对应的初始目标内容。
步骤840、计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数。
步骤860、根据目标函数对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
其中,在生成用户在产生交互行为时的初始目标特征后,可以从预设数据库中获取与初始目标特征对应的初始目标内容,并根据预设相似度算法计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数,从而使目标函数最小化对第一初始特征融合模型进行优化,生成第一预设特征融合模型。预设相似度算法可以根据实际需求人为设定。
在对计算初始目标特征与初始目标内容之间的第一相似度,第一相似度包括第二相似度和第三相似度,并基于第一相似度计算目标函数时,如图9所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是计算目标函数的一种可能的过程,该方法可以包括以下步骤:
步骤920、从初始目标内容中筛选第一初始目标内容,第一初始目标内容为用户产生任一交互行为所对应的初始目标内容;交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种。
步骤940、计算初始目标特征与第一初始目标内容之间的第二相似度、初始目标特征与各初始目标内容之间的第三相似度。
步骤960、基于第二相似度和第三相似度,计算目标函数。
其中,初始目标内容中可以包括用户产生交互行为的内容,以及用户没有产生交互行为的内容。通过从初始目标内容中筛选出用户产生任意一种交互行为的第一初始目标内容,并根据公式(1)计算得到初始目标特征与第一初始目标内容之间的第二相似度以及初始目标特征与各初始目标内容之间的第三相似度;最后基于第二相似度和第三相似度计算目标函数L的值。
其中,L为目标函数的值;sim()表示相似度;u表示初始目标特征;ci表示用户产生交互行为的第i个第一初始目标内容;N表示初始目标内容中的内容总数;cj表示第j个初始目标内容。
需要说明的是,若第一初始目标内容为零个,那么可以从初始目标内容中随机选取一个作为第一初始目标内容,并同时将公式(1)中的分子变形为;若第一初始目标内容有多个,那么需要分别根据公式(1)计算得到一个对应的目标函数值,再将各个目标函数值相加得到最终的L值。
本实施例中,通过初始目标特征以及与初始目标特征对应的初始目标内容之间的相似度对第一初始特征融合模型进行优化,生成第一预设特征融合模型,从而可以不断地提高第一预设特征融合模型的计算准确率。
在一个实施例中,如图10所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是生成第一次排序结果的一种可能的过程,该方法可以包括以下步骤:
步骤1020、根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容。
步骤1040、根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果。
步骤1060、将第一目标内容按照第一排序结果推荐至用户。
其中,通过用户在产生交互行为时的目标特征从内容数据库中确定与目标特征对应的第一目标内容,第一目标内容为未经过排序的内容;使用预设相似度算算法计算目标特征与第一目标内容之间的相似度,根据相似度对第一目标内容进行排序,生成第一排序结果。例如,可以根据服务器资源,保留相似度最高的预设数量的第一目标内容,根据相似度的高低得到第一排序结果,从而将第一目标内容按照第一排序结果推荐至用户。预设相似度算法可以是余弦相似度算法,也可以是其他相似度算法,本实施例对此不作具体限定。
本实施例中,通过根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容;根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果;将第一目标内容按照第一排序结果推荐至用户。通过计算相似度进行第一目标内容的推荐,提高了内容推荐的准确性以及推荐效率。
在一个实施例中,如图11所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是生成第二次排序结果的一种可能的过程,该方法可以包括以下步骤:
步骤1120、将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果。
步骤1140、将第一目标内容按照第二排序结果推荐至用户。
其中,在获取到与用户在产生交互行为时的目标特征对应的第一目标内容后,可以将目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果。预设排序模型可以预测用户与第一目标内容的产生交互行为的概率,从而根据概率值进行排序。预设排序模型为根据不同用户的历史目标特征训练得到的,历史目标特征中可能与当前获取到的用户在产生交互行为时的目标特征相似;预设排序模型可以是逻辑回归、决策树、xgboost、神经网络模型等,也可以是其他模型,从而将第一目标内容按照第二排序结果推荐至用户。与用户对应的预设排序模型的输入当然也可以是经过服务器召回得到的按照第一排序结果排序后的第一目标内容,即,可以单独执行第二次排序,也可以在第一次排序之后进行第二次排序,从而将第一目标内容按照第二排序结果推荐至用户。
本实施例中,通过将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果;将第一目标内容按照第二排序结果推荐至用户。可以进一步地对用户在产生交互行为时的目标特征与第一目标内容进行排序,从而推荐给用户更加准确的内容。
在一个实施例中,如图12所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,具体涉及的是分配预设排序模型的一种可能的过程,该方法可以包括以下步骤:
步骤1220、获取用户向内容数据库发起的内容推荐请求的总数。
步骤1240、根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。
其中,通过获取用户向内容数据库发起的内容推荐请求的总数,内容推荐请求可以是由同一用户发起的多个请求,也可以是由不同用户发起的多个请求。根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。具体地,由于影响预设排序模型的处理速度的因素可以包括cpu处理时间、磁盘读写资源消耗、内存占用等,以这三种影响因素为例进行说明,在为各用户分配对应的预设排序模型时,需要先根据公式(2)和公式(3)计算得到各预设排序模型可以处理的请求数。通过使得公式(3)最大化求解得到的值,从而得到分配给各个预设排序模型的请求数。根据各个预设排序模型的请求数向各模型随机分配各用户的请求,或是按照顺序将对应数目的用户请求进行分配。
其中,中z表示当前待排序的请求总数;表示分配给各个模型1,2,...,n的请求数;c1表示当前提供的cpu总数;表示各个模型1,2,...,n的单个请求所需消耗的单个cpu时间;c2表示当前提供的磁盘读写资源总数;表示各个模型1,2,...,n的单个请求所需消耗的磁盘读写资源;c3表示当前提供的内存资源总数;表示各个模型1,2,...,n的单个请求所需消耗的内存资源;表示各个模型1,2,...,n的排序准确率。
本实施例中,通过获取用户向内容数据库发起的内容推荐请求的总数;根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。通过预设排序模型的处理速度自适应地向各用户分配对应的模型,在用户请求数目较多的情况下,有效地向用户进行内容排序并推荐,提高了用户的整体体验。
在一个实施例中,由于初始目标内容是根据内容特征得到的,内容特征可以根据预先训练的内容特征提取模型生成。在训练内容特征提取模型时,可以根据采集到的内部资讯生成内部资讯语料库,并进行语言遮蔽,即在内容特征提取模型的输入文本序列中随机遮蔽15%的词语,然后在语言模型中通过上下文对被遮蔽的15%的词语进行预测。将预测得到的文本序列连续多次输入至内容特征提取模型中进行训练,例如,可以每次将16文本序列输入模型两次,根据两次输入模型得到16*2的语义表示;将语义表示两两计算相似度,得到16*16的矩阵,通过公式(4)计算损失函数,并最大化对角线的句子相似度后对内容特征提取模型的参数进行更新,从而生成内容特征提取模型。
在一个实施例中,如图13所示,其示出了本申请实施例提供的一种内容推荐方法的流程图,该方法可以包括以下步骤:
步骤1301、数据采集。
获取所述用户的属性特征;获取所述用户产生所述交互行为时的交互行为特征;获取所述用户与内容数据库产生交互行为时的音视频信息及位姿信息,从音视频信息及位姿信息中提取所述用户产生所述交互行为时的当前状态特征;将所述用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成所述用户产生所述交互行为时的目标特征。
步骤1302、内容召回。
从所述内容数据库中确定与所述目标特征对应的目标内容,根据目标特征与对应的目标内容之间的相似度,得到第一排序结果,即生成推荐内容清单,推荐内容清单中包括目标内容id和对应的相似度。
步骤1303、内容排序。
获取用户向所述内容数据库发起的内容推荐请求的总数;根据所述内容推荐请求的总数及多个预设排序模型的处理速度,为各所述用户分配对应的预设排序模型;调度用户对应的预设排序模型,将用户的目标特征及第一排序结果对应的目标内容输入至与所述用户对应的预设排序模型,生成第二排序结果,即生成内容排序清单。
步骤1304、结果展示。
根据内容排序清单中的内容id,从预设数据库获取目标内容的展示方案信息和展示概要信息,再对用户终端的展示页面进行渲染后,将目标内容按照获取到的推荐方式展示到用户终端上。
本实施例提供的内容推荐方法中各步骤,其实现原理和技术效果与前面各内容推荐方法实施例中类似,在此不再赘述。图13实施例中各步骤的实现方式只是一种举例,对各实现方式不作限定,各步骤的顺序在实际应用中可进行调整,只要可以实现各步骤的目的即可。
在本申请实施例提供的技术方案中,由于向用户进行内容推荐时,获取到了用户的多模态特征,多模态特征可以包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征,通过综合多种特征向用户进行内容推荐,提高了向用户进行内容推荐的准确度。
应该理解的是,虽然图2-13的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-13中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图14,其示出了本申请实施例提供的一种内容推荐装置1400的框图。如图14所示,该内容推荐装置1400可以包括:获取模块1402、生成模块1404和推荐模块1406,其中:
获取模块1402,用于获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及状态特征;
生成模块1404,用于将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;
推荐模块1406,用于从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
在一个实施例中,上述获取模块1402包括第一获取单元、第二获取单元和第三获取单元,其中,第一获取单元用于获取用户的属性特征;属性特征包括身份特征;第二获取单元用于获取用户产生交互行为时的交互行为特征;第三获取单元用于获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征;用户相关信息包括用户的音视频信息及位姿信息。
在一个实施例中,上述第三获取单元具体用于从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。
在一个实施例中,上述内容推荐装置1400还包括第一训练模块,第一训练模块具体用于获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
在一个实施例中,上述第一训练模块还用于对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;缺失状态包括部分缺失状态和全部缺失状态。
在一个实施例中,上述内容推荐装置1400还包括第二训练模块,第二训练模块具体用于获取第一初始特征融合模型;将用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征;根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在一个实施例中,上述第二训练模块还用于获取与初始目标特征对应的初始目标内容;计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数;根据目标函数对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在一个实施例中,上述第一相似度包括第二相似度及第三相似度;上述第二训练模块还用于从初始目标内容中筛选第一初始目标内容,第一初始目标内容为用户产生任一交互行为所对应的初始目标内容;交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种;计算初始目标特征与第一初始目标内容之间的第二相似度、初始目标特征与各初始目标内容之间的第三相似度;基于第二相似度和第三相似度,计算目标函数。
在一个实施例中,上述推荐模块1406包括确定单元、第一生成单元和第一推荐单元,其中,确定单元用于根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容;第一生成单元用于根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果;第一推荐单元用于将第一目标内容按照第一排序结果推荐至用户。
在一个实施例中,上述推荐模块还包括第二生成单元和第二推荐单元,其中,第二生成单元用于将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果;第二推荐单元用于将第一目标内容按照第二排序结果推荐至用户。
在一个实施例中,上述推荐模块1406还包括获取单元和分配单元,其中,获取单元用于获取用户向内容数据库发起的内容推荐请求的总数;分配单元用于根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。
关于内容推荐装置的具体限定可以参见上文中对于内容推荐方法的限定,在此不再赘述。上述内容推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是远程服务器,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于内容推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种内容推荐方法。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取用户的属性特征;属性特征包括身份特征;获取用户产生交互行为时的交互行为特征;获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征;用户相关信息包括用户的音视频信息及位姿信息。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;缺失状态包括部分缺失状态和全部缺失状态。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取第一初始特征融合模型;将用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征;根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取与初始目标特征对应的初始目标内容;计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数;根据目标函数对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在本申请的一个实施例中,第一相似度包括第二相似度及第三相似度;
处理器执行计算机程序时还实现以下步骤:
从初始目标内容中筛选第一初始目标内容,第一初始目标内容为用户产生任一交互行为所对应的初始目标内容;交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种;计算初始目标特征与第一初始目标内容之间的第二相似度、初始目标特征与各初始目标内容之间的第三相似度;基于第二相似度和第三相似度,计算目标函数。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容;根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果;将第一目标内容按照第一排序结果推荐至用户。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果;将第一目标内容按照第二排序结果推荐至用户。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取用户向内容数据库发起的内容推荐请求的总数;根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户与内容数据库产生交互行为时的多模态特征;多模态特征包括用户的属性特征、用户产生交互行为时的交互行为特征及当前状态特征;将用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成用户产生交互行为时的目标特征;从内容数据库中确定与目标特征对应的目标内容,向用户推荐目标内容。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取用户的属性特征;属性特征包括身份特征;获取用户产生交互行为时的交互行为特征;获取用户与内容数据库产生交互行为时的用户相关信息,从用户相关信息中提取用户产生交互行为时的当前状态特征;用户相关信息包括用户的音视频信息及位姿信息。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从用户的音视频信息及位姿信息中提取用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;将中间状态特征输入至第二预设特征融合模型中进行特征融合,生成用户产生交互行为时的当前状态特征。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;从用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;根据预测状态特征与初始状态特征,对第二初始特征融合模型进行更新,生成第二预设特征融合模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;缺失状态包括部分缺失状态和全部缺失状态。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取第一初始特征融合模型;将用户的多模态特征输入至第一初始特征融合模型中进行特征融合,生成用户在产生交互行为时的初始目标特征;根据初始目标特征以及与初始目标特征对应的初始目标内容,对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取与初始目标特征对应的初始目标内容;计算初始目标特征与初始目标内容之间的第一相似度,基于第一相似度计算目标函数;根据目标函数对第一初始特征融合模型进行优化,生成第一预设特征融合模型。
在本申请的一个实施例中,第一相似度包括第二相似度及第三相似度;
计算机程序被处理器执行时还实现以下步骤:
从初始目标内容中筛选第一初始目标内容,第一初始目标内容为用户产生任一交互行为所对应的初始目标内容;交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种;计算初始目标特征与第一初始目标内容之间的第二相似度、初始目标特征与各初始目标内容之间的第三相似度;基于第二相似度和第三相似度,计算目标函数。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据用户在产生交互行为时的目标特征,从内容数据库中确定与目标特征对应的第一目标内容;根据目标特征与第一目标内容之间的相似度对第一目标内容进行排序,生成第一排序结果;将第一目标内容按照第一排序结果推荐至用户。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将用户在产生交互行为时的目标特征与第一目标内容输入至与用户对应的预设排序模型,生成第二排序结果;将第一目标内容按照第二排序结果推荐至用户。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取用户向内容数据库发起的内容推荐请求的总数;根据内容推荐请求的总数及多个预设排序模型的处理速度,为各用户分配对应的预设排序模型。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取用户与内容数据库产生交互行为时的多模态特征;所述多模态特征包括所述用户的属性特征、所述用户产生所述交互行为时的交互行为特征及当前状态特征;
将所述用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成所述用户产生所述交互行为时的目标特征;
从所述内容数据库中确定与所述目标特征对应的目标内容,向所述用户推荐所述目标内容。
2.根据权利要求1所述的方法,其特征在于,所述获取用户与内容数据库产生交互行为时的多模态特征,包括:
获取所述用户的属性特征;所述属性特征包括身份特征;
获取所述用户产生所述交互行为时的交互行为特征;
获取所述用户与内容数据库产生交互行为时的用户相关信息,从所述用户相关信息中提取所述用户产生所述交互行为时的当前状态特征;所述用户相关信息包括所述用户的音视频信息及位姿信息。
3.根据权利要求2所述的方法,其特征在于,所述从所述用户相关信息中提取所述用户产生所述交互行为时的当前状态特征,包括:
从所述用户的音视频信息及位姿信息中提取所述用户的音频特征、感官特征、位置特征及姿态特征中的至少一种特征作为中间状态特征;
将所述中间状态特征输入至第二预设特征融合模型中进行特征融合,生成所述用户产生所述交互行为时的当前状态特征。
4.根据权利要求3所述的方法,其特征在于,所述第二预设特征融合模型的生成过程,包括:
获取所述用户在产生不同交互行为时的历史音视频信息及历史位姿信息,并获取为所述用户的历史音视频信息及历史位姿信息预先配置的初始状态特征;
从所述用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将所述初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征;
根据所述预测状态特征与所述初始状态特征,对所述第二初始特征融合模型进行更新,生成所述第二预设特征融合模型。
5.根据权利要求4所述的方法,其特征在于,在所述从所述用户的历史音视频信息及历史位姿信息中提取初始中间状态特征,将所述初始中间状态特征输入至第二初始特征融合模型中进行融合,生成预测状态特征之前,还包括:
对所述历史音视频信息及历史位姿信息进行缺失处理,生成处于缺失状态的历史音视频信息及历史位姿信息;所述缺失状态包括部分缺失状态和全部缺失状态。
6.根据权利要求1所述的方法,其特征在于,所述第一预设特征融合模型的生成过程,包括:
获取第一初始特征融合模型;
将所述用户的多模态特征输入至所述第一初始特征融合模型中进行特征融合,生成所述用户在产生所述交互行为时的初始目标特征;
根据所述初始目标特征以及与所述初始目标特征对应的初始目标内容,对所述第一初始特征融合模型进行优化,生成所述第一预设特征融合模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述初始目标特征以及与所述初始目标特征对应的初始目标内容,对所述第一初始特征融合模型进行优化,生成所述第一预设特征融合模型,包括:
获取与所述初始目标特征对应的初始目标内容;
计算所述初始目标特征与所述初始目标内容之间的第一相似度,基于所述第一相似度计算目标函数;
根据所述目标函数对所述第一初始特征融合模型进行优化,生成所述第一预设特征融合模型。
8.根据权利要求7所述的方法,其特征在于,所述第一相似度包括第二相似度及第三相似度;所述计算所述初始目标特征与所述初始目标内容之间的第一相似度,基于所述第一相似度计算目标函数,包括:
从所述初始目标内容中筛选第一初始目标内容,所述第一初始目标内容为用户产生任一所述交互行为所对应的初始目标内容;所述交互行为包括阅读行为、点赞行为、收藏行为、点踩行为中的至少一种;
计算所述初始目标特征与所述第一初始目标内容之间的第二相似度、所述初始目标特征与各所述初始目标内容之间的第三相似度;
基于所述第二相似度和所述第三相似度,计算所述目标函数。
9.根据权利要求1所述的方法,其特征在于,所述从所述内容数据库中确定与所述目标特征对应的目标内容,向所述用户推荐所述目标内容,包括:
根据所述用户在产生所述交互行为时的目标特征,从所述内容数据库中确定与所述目标特征对应的第一目标内容;
根据所述目标特征与所述第一目标内容之间的相似度对所述第一目标内容进行排序,生成第一排序结果;
将所述第一目标内容按照所述第一排序结果推荐至所述用户。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
将所述用户在产生所述交互行为时的目标特征与所述第一目标内容输入至与所述用户对应的预设排序模型,生成第二排序结果;
将所述第一目标内容按照所述第二排序结果推荐至所述用户。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
获取用户向所述内容数据库发起的内容推荐请求的总数;
根据所述内容推荐请求的总数及多个预设排序模型的处理速度,为各所述用户分配对应的预设排序模型。
12.一种内容推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用户与内容数据库产生交互行为时的多模态特征;所述多模态特征包括所述用户的属性特征、所述用户产生所述交互行为时的交互行为特征及状态特征;
生成模块,用于将所述用户的多模态特征输入至第一预设特征融合模型中进行特征融合,生成所述用户产生所述交互行为时的目标特征;
推荐模块,用于从所述内容数据库中确定与所述目标特征对应的目标内容,向所述用户推荐所述目标内容。
13.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至11任一项所述的方法的步骤。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304689.3A CN113742599B (zh) | 2021-11-05 | 2021-11-05 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304689.3A CN113742599B (zh) | 2021-11-05 | 2021-11-05 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742599A true CN113742599A (zh) | 2021-12-03 |
CN113742599B CN113742599B (zh) | 2022-03-18 |
Family
ID=78727618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304689.3A Active CN113742599B (zh) | 2021-11-05 | 2021-11-05 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742599B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010096752A1 (en) * | 2009-02-20 | 2010-08-26 | Voicebox Technologies, Inc. | System and method for processing multi-modal device interactions in a natural language voice services environment |
US20190147366A1 (en) * | 2017-11-13 | 2019-05-16 | International Business Machines Corporation | Intelligent Recommendations Implemented by Modelling User Profile Through Deep Learning of Multimodal User Data |
CN110321477A (zh) * | 2019-05-24 | 2019-10-11 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、终端及存储介质 |
CN111310019A (zh) * | 2018-12-11 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息处理方法、系统及设备 |
CN111538912A (zh) * | 2020-07-07 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
WO2020257993A1 (zh) * | 2019-06-24 | 2020-12-30 | 深圳市欢太科技有限公司 | 内容推送方法、装置、服务端及存储介质 |
CN112348640A (zh) * | 2020-11-12 | 2021-02-09 | 北京科技大学 | 一种基于面部情感状态分析的在线购物系统及方法 |
CN112785234A (zh) * | 2021-01-28 | 2021-05-11 | 江苏满运物流信息有限公司 | 货物推荐方法、装置、设备及存储介质 |
CN113158727A (zh) * | 2020-12-31 | 2021-07-23 | 长春理工大学 | 一种基于视频和语音信息的双模态融合情绪识别方法 |
-
2021
- 2021-11-05 CN CN202111304689.3A patent/CN113742599B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010096752A1 (en) * | 2009-02-20 | 2010-08-26 | Voicebox Technologies, Inc. | System and method for processing multi-modal device interactions in a natural language voice services environment |
US20190147366A1 (en) * | 2017-11-13 | 2019-05-16 | International Business Machines Corporation | Intelligent Recommendations Implemented by Modelling User Profile Through Deep Learning of Multimodal User Data |
CN111310019A (zh) * | 2018-12-11 | 2020-06-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息处理方法、系统及设备 |
CN110321477A (zh) * | 2019-05-24 | 2019-10-11 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、终端及存储介质 |
WO2020257993A1 (zh) * | 2019-06-24 | 2020-12-30 | 深圳市欢太科技有限公司 | 内容推送方法、装置、服务端及存储介质 |
CN111538912A (zh) * | 2020-07-07 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN112348640A (zh) * | 2020-11-12 | 2021-02-09 | 北京科技大学 | 一种基于面部情感状态分析的在线购物系统及方法 |
CN113158727A (zh) * | 2020-12-31 | 2021-07-23 | 长春理工大学 | 一种基于视频和语音信息的双模态融合情绪识别方法 |
CN112785234A (zh) * | 2021-01-28 | 2021-05-11 | 江苏满运物流信息有限公司 | 货物推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113742599B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874992B (zh) | 舆情分析方法、系统、计算机设备和存储介质 | |
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN111708949B (zh) | 医疗资源的推荐方法及装置、电子设备、存储介质 | |
CN112307762B (zh) | 搜索结果的排序方法及装置、存储介质、电子装置 | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN110263235A (zh) | 信息推送对象更新方法、装置和计算机设备 | |
CN112508609B (zh) | 人群扩量的预测方法、装置、设备及存储介质 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN110659416B (zh) | 一种浏览资源的推荐方法、推荐装置及可读存储介质 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
CN115238173B (zh) | 基于大数据的行为分析与医疗服务推送方法、设备及介质 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN112418656A (zh) | 智能坐席分派方法、装置、计算机设备和存储介质 | |
CN112669113A (zh) | 产品的推荐方法和装置、存储介质、电子装置 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN110598126A (zh) | 基于行为习惯的跨社交网络用户身份识别方法 | |
CN111859138B (zh) | 搜索方法及装置 | |
CN113742599B (zh) | 内容推荐方法、装置、设备及计算机可读存储介质 | |
CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
CN110827078A (zh) | 一种信息推荐方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |