CN113934937A - 一种内容智能推荐方法、装置、终端和存储介质 - Google Patents

Abstract

本申请适用于人工智能领域，提供了一种内容智能推荐方法、装置、终端和存储介质。其中，上述方法具体包括：获取内容的初始分数，并在用户为目标类型用户时，基于目标类型用户对应的评分衰减因子，对目标类型内容的初始分数进行修正，得到修正分数，然后，基于非目标类型内容的初始分数，以及目标类型内容的修正分数，从目标类型用户未使用的内容中筛选出向目标类型用户推荐的推荐内容。本申请的实施例能够减少情绪敏感的用户对负面视频的评分，从而使终端向此类用户推荐满足用户喜好的非负面视频，防止用户陷入负面情绪旋涡中无法自拔。

Description

一种内容智能推荐方法、装置、终端和存储介质

技术领域

本申请属于人工智能领域，尤其涉及一种内容智能推荐方法、装置、终端和存储介质。

背景技术

视频学习系统、网络视频播放系统等视频系统一般会基于视频推荐算法向用户推荐符合用户需求的视频。

目前存在的视频推荐算法一般是从内容或用户的角度出发进行视频推荐，忽略了推荐内容本身的情感属性以及用户的情感状态，因此，一个心理脆弱或情绪敏感的用户在视频系统中观看了一个负面视频(如悲剧类视频)后，视频系统便会不断推荐同类的负面视频，导致用户陷入负面情绪旋涡中无法自拔，对用户的正常生活造成影响，严重的甚至会危害自身或者他人的安全，造成较大的负面影响。

发明内容

本申请实施例提供一种内容智能推荐方法、装置、终端和存储介质，可以减少情绪敏感的用户对负面视频的评分，使得需要情感干预的人群对负面视频的评分相比非负面视频的评分降低，从而向此类用户推荐满足用户喜好的非负面视频，防止用户陷入负面情绪旋涡中无法自拔。

本申请实施例第一方面提供一种内容智能推荐方法，包括：

获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容

判断用户是否为目标类型用户；

若是，则基于所述目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数；

基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

本申请实施例第二方面提供的一种内容智能推荐装置，包括：

获取单元，用于获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容

判断单元，用于判断用户是否为目标类型用户；

修正单元，用于若是，则基于所述目标类型用户对应的评分衰减因子对所述目标类型内容的初始分数进行修正，得到修正分数；

推荐单元，用于基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

本申请实施例第三方面提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本申请实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例第五方面提供了一种计算机程序产品，当计算机程序产品在终端上运行时，使得终端执行时实现方法的步骤。

本申请的实施方式中，通过获取内容的初始分数，并在用户为目标类型用户时，基于目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数，然后，基于非目标类型内容的初始分数，以及目标类型内容的修正分数，从目标类型用户未使用的内容中筛选出向目标类型用户推荐的推荐内容，其中，目标类型内容可以指负面视频，而非目标类型内容可以指非负面视频，即本申请能够使需要情感干预的人群对负面视频的评分相比其对非负面视频的评分降低，从而使终端倾向于向此类用户推荐满足用户喜好的非负面视频，防止此类用户陷入负面情绪旋涡中无法自拔。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种内容智能推荐方法的实现流程示意图；

图2是本申请实施例提供的判断用户是否为目标类型用户的具体实现流程示意图；

图3是本申请实施例提供的判断用户情绪是否满足情绪条件的具体实现流程示意图；

图4是本申请实施例提供的判断用户行为信息是否满足行为信息条件的具体实现流程示意图；

图5是本申请实施例提供的判断用户画像是否满足用户画像条件的具体实现流程示意图；

图6是本申请实施例提供的对目标类型内容的初始分数进行修正的具体实现流程示意图；

图7是本申请实施例提供的筛选推荐内容的具体实现流程示意图；

图8是本申请实施例提供的一种内容智能推荐装置的结构示意图；

图9是本申请实施例提供的终端的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护。

为了说明本申请的技术方案，下面通过具体实施例来进行说明。

图1示出了本申请实施例提供的一种内容智能推荐方法的实现流程示意图，该方法可以应用于终端，可适用于需减少情绪敏感的用户对负面视频的评分，从而向此类用户推荐满足用户喜好的非负面视频，防止此类用户陷入负面情绪旋涡中无法自拔的情形。

需要说明的是，本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

具体的，上述内容智能推荐方法可以包括以下步骤S101至步骤S104。

步骤S101，获取内容的初始分数。

其中，上述内容可以指内容库中供用户使用的内容。本申请不对上述内容的类型进行限制，上述内容可以具体指视频、文章、音频等。

在本申请的实施方式中，上述内容可以包括目标类型内容和非目标类型内容。目标类型内容可以指负面类型的内容，也即容易给用户带来负面情绪的内容，例如悲剧视频等。非目标类型内容可以指非负面类型的内容，也即不容易给用户带来负面情绪的内容，例如喜剧视频等。

在本申请的一些实施方式中，用户可以依据自己的喜好为内容库中使用过的内容进行评分，上述初始分数可以指用户对内容实际的初始评分，也可以指评分系统利用智能算法和初始评分运算得到的系统得分。

具体的，在本申请的一些实施方式中，终端可以在用户使用内容的过程中显示评分输入框，并基于用户在评分输入框中的输入操作，获取用户对内容的初始评分，进而得到用户对内容的初始分数。

步骤S102，判断用户是否为目标类型用户。

在本申请的实施方式中，用户可以以用户对负面情绪的敏感程度为基准进行分类，不同类型的用户对负面情绪的敏感程度不同。其中，目标类型用户是指对负面情绪的敏感程度高于设定好的程度阈值的用户，也即需要情感干预的用户。非目标类型用户是指对负面情绪的敏感程度低于或等于上述程度阈值的用户，也即不需要情感干预的用户。负面情绪可以指悲伤、痛苦等情绪。

当用户为目标类型用户时，说明该用户对负面情绪的敏感程度较高，表示该用户在连续使用目标类型内容后容易陷入负面情绪旋涡。相应的，当用户为非目标类型用户时，说明该用户对负面情绪的敏感程度较低，表示该用户在连续使用目标类型内容后不容易陷入负面情绪旋涡。因此，终端需要对向目标类型用户推荐的内容进行一定的干预。

具体的，在本申请的一些实施方式中，终端可以结合智能算法获取用户的用户图像、用户情绪等用户信息，并基于这些用户信息判断用户是否为目标类型用户。

步骤S103，若是，则基于目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数。

在本申请的一些实施方式中，每个用户可以有与其对应的评分衰减因子。评分衰减因子与用户对负面情绪的敏感程度有关，可以用于减少目标类型用户对目标类型内容的初始分数。目标类型用户对负面情绪的敏感程度越高，对应的评分衰减因子对初始分数的衰减能力越高。

在本申请的实施方式中，若某个用户为目标类型用户，则终端可以基于该目标类型用户对应的评分衰减因子，对该目标类型用户对目标类型内容的初始分数进行修正，得到该目标类型用户对目标类型内容的修正分数。经过修正后，目标类型用户对目标类型内容的修正分数将低于修正前的初始分数。

在本申请的另一些实施方式中，若用户是非目标类型用户，则终端可以不对其对目标类型内容的初始分数进行修正，仅基于非目标类型用户对内容的初始分数进行视频推荐。

步骤S104，基于非目标类型内容的初始分数，以及目标类型内容的修正分数，从目标类型用户未使用的内容中筛选出推荐内容，并向目标类型用户推荐推荐内容。

在本申请的实施方式中，由于用户在使用非目标类型内容后不容易陷入负面情绪旋涡，因此，终端可以不对非目标类型内容的初始分数进行修正。

此时，终端基于目标类型用户对应的非目标类型内容的初始分数，以及目标类型用户对应的目标类型内容的修正分数，可以从目标类型用户未使用的内容中筛选出推荐内容，并向目标类型用户推荐该推荐内容。

具体的，在本申请的一些实施方式中，终端可以基于目标类型用户对应的非目标类型内容的初始分数，以及目标类型用户对应的目标类型内容的修正分数，从目标类型用户已进行评分的内容中选择分数最高的内容，并从内容库中筛选出与分数最高的内容相似度高于相似度阈值，且目标类型用户未使用过的内容作为推荐内容，以向目标类型用户推荐该推荐内容。

在本申请的另一些实施方式中，终端还可以基于目标类型用户对应的非目标类型内容的初始分数、目标类型用户对应的目标类型内容的修正分数，预估得到目标类型用户对其未使用的内容的预估分数，从而基于预估分数，从目标类型用户未使用的内容中筛选出推荐给目标类型用户的推荐内容。

例如，当某个用户打开终端上的视频系统时，终端可以获取该用户对内容的初始分数。若该用户为目标类型用户，则该用户对负面视频的初始分数将被修正为修正分数。接着，终端可以基于该用户对非负面视频的初始分数以及该用户对负面视频的修正分数，在视频系统中为该用户推荐其未使用过的内容。由于修正分数较修正前的初始分数更低，推荐视频时，终端便更倾向于推荐非负面视频。

需要说明的是，本申请不对推荐的方式进行限制，例如终端可以显示推荐内容对应的访问链接、直接对推荐内容进行显示，或者，还可以与目标类型用户的智能设备进行交互，将推荐内容发送至目标类型用户的智能设备，并通过智能设备安装的应用程序对推荐内容进行显示。

本申请的实施方式中，通过获取内容的初始分数，并在用户为目标类型用户时，基于目标类型用户对应的评分衰减因子，对目标类型内容的初始分数进行修正，得到修正分数，然后，基于非目标类型内容的初始分数，以及目标类型内容的修正分数，从目标类型用户未使用的内容中筛选出向目标类型用户推荐的推荐内容，其中，目标类型内容可以指负面视频，而非目标类型内容可以指非负面视频，即本申请能够使需要情感干预的人群对负面视频的评分相比其对非负面视频的评分降低，从而使终端倾向于向此类用户推荐满足用户喜好的非负面视频，防止此类用户陷入负面情绪旋涡中无法自拔。

具体的，如图2所示，在本申请的一些实施方式中，上述判断用户是否为目标类型用户，可以包括以下步骤S201至步骤S203。

步骤S201，获取用户的至少一项用户信息。

其中，上述用户信息可以包括在目标时间段内用户的用户情绪、用户对其已使用的目标类型内容的用户行为信息、或者用户的用户画像等。其中，上述用户画像可以是基于用户的家庭信息、身体状态信息、年龄信息等信息，利用智能算法得到的用户画像；上述用户行为信息可以是用户对其已使用过的目标类型内容的评论内容、点赞内容等。

为了能更加准确地判断用户是否为目标类型用户，终端可以获取多项用户信息，并分别利用每一项用户信息判断用户是否为目标类型用户，以利用不同维度的信息确认用户是否为目标类型用户。

步骤S202，判断用户信息是否满足与其对应的分类条件。

其中，上述分类条件用于确定用户是否为目标类型用户。当用户信息的项数大于1时，终端可以分别确定每一项用户信息是否满足各自对应的分类条件。

步骤S203，若用户的任意一项用户信息满足与其对应的分类条件，则确认用户为目标类型用户。

在本申请的一些实施方式中，当存在用户的某一项用户信息满足该项用户信息对应的分类条件时，说明用户对负面情绪的敏感程度高，属于需要情感干预的用户，因此可以确认该用户为目标类型用户。如果每一项用户信息都不满足各自对应的分类条件，说明用户对负面情绪的敏感程度不高，属于不需要情感干预的用户，因此可以确认用户为非目标类型用户。

在本申请的一些实施方式中，上述至少一项用户信息可以包括在目标时间段内用户的用户情绪。其中，目标时间段是指用户使用某个内容过程中的任意一段时间段。相应的，上述判断用户信息是否满足与其对应的分类条件，可以包括判断用户情绪是否满足情绪条件。

具体的，如图3所示，上述判断用户情绪是否满足情绪条件，可以包括以下步骤S301至步骤S302。

步骤S301，确定用户情绪是否属于目标情绪。

其中，目标情绪是指负面情绪，例如伤心、恐惧等。

具体的，在本申请的一些实施方式中，终端可以通过获取用户在目标时间段内的人脸图像，从而确定出目标时间段内用户的用户情绪。上述人脸图像可以是在用户接受隐私协议之后，在目标时间段内的多个时间点通过摄像头进行采集得到的图像。

以上述内容为视频为例，用户在观看当前视频的过程中，终端可以通过摄像头在目标时间段内多个时间点对用户进行拍摄，得到人脸图像。

在本申请的一些实施方式中，终端可以对人脸图像进行情绪识别，得到多个时间点中每个对应时间点的用户情绪；若用户情绪属于目标情绪的时间点在多个时间点中的占比大于预设的比例值，则确认在目标时间段内用户的用户情绪属于目标情绪。

在本申请的一些实施方式中，当用户在目标时间段内的用户情绪属于目标情绪，说明用户长时间处于负面情绪状态中，可以确认用户情绪满足情绪条件。反之，当用户在目标时间段内的用户情绪不属于目标情绪，说明用户未长时间处于负面情绪状态中，可以确认用户情绪不满足情绪条件。

需要说明的是，本申请不对情绪识别的方式进行限制。在本申请的一些实施方式中，情绪识别可以利用预先训练好的情绪识别模型实现。即，将某个时间点对应的人脸图像输入到情绪识别模型中，得到由情绪识别模型输出的用户在该时间点的用户情绪。其中，情绪识别模型可以使用卷积神经网络模型或其他较为成熟的情绪识别模型。

步骤S302，若用户情绪属于目标情绪，则确认用户情绪满足情绪条件。

在本申请的一些实施方式中，当用户情绪属于目标情绪，说明用户对负面情绪的敏感程度较高，此时终端可以确认用户情绪满足情绪条件，也即确认用户为目标类型用户。反之，当用户情绪不属于目标情绪，说明用户对负面情绪的敏感程度不高，此时终端可以确认用户情绪不满足情绪条件。

在本申请的另一些实施方式中，上述至少一项用户信息还可以包括用户对其已使用的目标类型内容的用户行为信息。其中，用户行为信息可以包括用户针对目标类型内容的评论内容、点赞内容等。终端同样可以在用户接受隐私协议之后获取用户行为信息。相应的，上述判断用户信息是否满足与其对应的类别条件，可以包括：判断用户行为信息是否满足行为信息条件。

在本申请的一些实施方式中，终端可以先将内容库中的每个内容划分为目标类型内容和非目标类型内容。

具体的，对于某个内容而言，终端可以通过截取其中的部分内容，并将部分内容输入到预先训练好的目标内容识别模型中，得到由目标内容识别模型输出的内容标识，若该内容的内容标识为负面内容标识，则可以确认该内容为目标类型内容。若该内容的内容标识为非负面内容标识，则可以确认该内容为非目标类型内容。

例如，终端可以截取某个视频的视频帧，并将视频帧输入到预先训练好的目标视频识别模型中，得到由目标视频识别模型输出的视频标识，若视频标识为负面内容标识，则确认视频为目标类型内容。若视频标识为非负面内容标识，则确认视频为非目标类型内容。

具体的，可以获取对多个样本内容分别进行截取得到的样本部分内容，并人工标记每一个样本部分内容对应的参考内容标识。例如，可以将目标类型内容对应的参考内容标识标记为1，将非目标类型内容对应的参考内容标识标记为0。然后，利用样本部分内容对待训练的内容识别模型进行训练，并利用参考内容标识进行验证，直至待训练的内容识别模型能够准确地输出样本部分内容的内容标识，得到训练好的初始内容识别模型。接着，通过删除初始内容识别模型的输出层，并在初始内容识别模型之后连接全连接层与dropout层，得到目标内容识别模型，以防止模型过度拟合。

在一些的实施方式中，初始内容识别模型可以为VGG16模型，删除输出层之后的初始内容识别模型能够输出形状为(7，7，512)的特征，该特征经过目标内容识别模型的全连接层与dropout层之后，能够得到内容标识。

在完成对内容的分类后，如图4所示，上述判断用户行为信息是否满足行为信息条件，可以包括以下步骤S401至步骤S402。

步骤S401，确定用户行为信息是否属于目标行为信息。

其中，目标行为信息是指负面行为信息，也即用户行为所指向的内容为负面类型的内容。

具体的，在本申请的一些实施方式中，终端可以将用户行为信息输入到目标语义识别模型中，得到由目标语义识别模型输出的语义标识，若语义标识为负面语义标识，则确认用户行为信息属于目标行为信息。若语义标识为非负面语义标识，则确认用户行为信息不属于目标行为信息。

同样的，可以获取多份样本用户行为信息，并对每份样本用户行为信息标记参考语义标识。例如，可以将负面行为信息的参考语义标识标记为1，将非负面行为信息的参考语义标识标记为0。然后，利用样本用户行为信息对待训练的语义识别模型进行训练，并利用参考语义标识进行验证，直至待训练的语义识别模型能够准确地输出样本用户行为信息的语义标识，得到目标语义识别模型。

为了保证模型的准确性，样本用户行为信息的数量可以大于或等于400。

在本申请的一些实施方式中，目标语义识别模型可以包括第一神经网络模型和与第一神经网络模型连接的第二神经网络模型，其中，第一神经网络模型用于提取用户行为信息对应的语义特征，第二神经网络模型用于根据第一神经网络模型输出的语义特征，输出用户行为信息对应的语义标识。

具体的，第一神经网络模型可以提取用户行为信息中每个字对应的字义向量，每个字对应的字义向量可以为768维的向量。接着，第一神经网络模型可以对每个字对应的字义向量进行平均处理，得到用户行为信息对应的语义向量，语义向量每个位置(即每一维)上的值用于表示语义信息，因此终端可以将语义向量作为用户行为信息对应的语义特征。

由于模型的训练过程需要人工地对样本用户行为信息进行标记，为了减少人工成本，可以使用能够兼容小样本的神经网络模型。

在本申请的一些实施方式中，第一神经网络模型可以为Bert神经网络模型，Bert神经网络模型是由谷歌搭建的神经网络模型，它不再采用传统的单向语言模型的方法进行预训练，也不采用把两个单向语言模型进行浅层拼接的方法进行预训练，而是采用maskedlanguage model(MLM)，以生成深度的双向语言表征，并且，Bert神经网络模型可以很好地解决小数据样本的问题。

进一步地，第二神经网络可以为参数较少的神经网络模型，例如可以为深度神经网络(Deep Neural Networks，DNN)模型，参数较少的神经网络模型可以避免模型欠拟合的问题。

步骤S402，若用户行为信息属于目标行为信息，则确认用户行为信息满足行为信息条件。

在本申请的一些实施方式中，若用户对其已使用目标类型内容的用户行为信息属于目标行为信息，即用户行为信息为负面行为信息，例如其评论、点赞的内容同样为负面类型的内容，说明该用户基于负面类型的内容容易产生负面情绪，属于需要情感干预的用户，此时终端可以确认用户行为信息满足行为信息条件，也即确认用户为目标类型用户。

反之，若用户行为信息不属于目标行为信息，即用户行为信息不是负面行为信息，例如其评论、点赞的内容为非负面类型的内容，说明该用户基于负面类型的内容不容易产生负面情绪，属于不需要情感干预的用户，此时终端可以确认用户行为信息不满足行为信息条件。

在本申请的另一些实施方式中，上述至少一项用户信息还可以包括用户的用户画像。其中，用户画像可以用于表征用户的家庭信息、身体状态信息等。终端可以在用户允许的情况下，获取用户的社交关系数据、就诊数据、购物数据等用户数据，并利用智能算法从用户数据中分析得到用户的用户画像。相应的，上述判断用户信息是否满足与其对应的类别条件，可以包括：判断用户画像是否满足用户画像条件。

具体的，如图5所示，上述判断用户画像是否满足用户画像条件，可以包括以下步骤S501至步骤S502。

步骤S501，确定用户画像是否属于目标用户画像。

其中，目标用户画像是指需要情感干预的群体对应的用户画像，可以由工作人员根据实际情况进行设置。例如，目标用户画像可以为来自单亲家庭的用户的用户画像、患有抑郁症的用户的用户画像。

步骤S502，若用户画像属于目标用户画像，则确认用户画像满足用户画像条件。

在本申请的一些实施方式中，当用户画像属于目标用户画像，说明该用户对负面情绪的敏感程度较高，属于需要情感干预的用户，此时终端可以确认用户画像满足用户画像条件，也即用户为目标类型用户。当用户画像不属于目标用户画像，说明该用户对负面情绪的敏感程度较低，不属于需要情感干预的用户，此时终端可以确认用户画像不满足用户画像条件。

基于上述说明可知，若多项用户信息中存在任意一项用户信息满足与其对应的分类条件，则可以确认用户为目标类型用户。若多项用户信息中每一项用户信息均不满足与其对应的分类条件，则可以确认用户为非目标类型用户。

实际应用中，除了图3至图5所描述的三种方式，还可以利用其他用户信息和对应的分类条件确认用户是否为目标类型用户，所使用的用户信息和对应的分类条件越多，则确认用户是否为目标类型用户时参考的信息维度更充足，准确性更高。

若用户为目标类型用户，则终端需要对该用户对目标类型内容的初始分数进行修正。

具体的，在本申请的一些实施方式中，如图6所示，上述基于目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数，可以包括以下步骤S601至步骤S602。

步骤S601，根据满足对应的分类条件的用户信息在至少一项用户信息中的数量占比，确定目标类型用户对应的评分衰减因子。

更具体的，假设上述至少一项用户信息的总数量为M，上述满足对应的分类条件的用户信息的总数量为m，则满足对应的分类条件的用户信息在至少一项用户信息中的数量占比

该占比可以表示对满足对应的分类条件的用户信息的总数量进行非线性叠加得到的数值。

终端可以根据满足对应的分类条件的用户信息在至少一项用户信息中的数量占比x，以及评分衰减因子计算公式r＝(x-1)²+ax，计算目标类型用户对应的评分衰减因子r。

其中，a为极小值，用于避免修正分数为0，其取值一般可以小于1，可以根据实际情况进行设置。

以用户信息包括前述人脸图像、用户行为信息和用户画像为例。若人脸图像、用户行为信息和用户画像中存在某一个用户信息满足与其对应的分类条件，则数量占比

相应的，评分衰减因子

若人脸图像、用户行为信息和用户画像中存在某两个用户信息满足与其对应的分类条件，则数量占比

相应的，评分衰减因子

若人脸图像、用户行为信息和用户画像均满足与其对应的分类条件，则数量占比x＝1，相应的，评分衰减因子r＝a。

步骤S602，基于目标类型用户对应的评分衰减因子，对目标类型内容的初始分数进行修正，得到修正分数。

具体的，在本申请的一些实施方式中，目标类型用户对目标类型内容的修正分数

其中，d为目标类型内容的初始分数。

在本申请的实施方式中，通过根据至少一项用户信息中满足对应的分类条件的用户信息的占比，确定目标类型用户对应的评分衰减因子，当至少一项用户信息中满足对应的分类条件的用户信息的总数量越多，说明用户对负面情绪敏感程度越高，对应的评分衰减因子越小，则修正后得到的修正分数相较于初始分数也越低，因此，对于负面情绪敏感程度越高的用户，终端越倾向于推荐非目标类型内容。

实际应用中，由于内容库的用户数量一般大于1，终端可以对每一个用户执行图1所示的步骤，则其中目标类型用户对目标类型内容的初始分数将被修正，对非目标类型内容的初始分数将被保留；而其中非目标类型用户对其已评分的内容的初始分数将都被保留。

在本申请的一些实施方式中，上述终端在为目标类型用户进行内容推荐时，可以基于目标类型用户对应的前述初始分数和修正分数，预估目标类型用户对其未使用的内容的预估分数，进而基于预估分数为目标类型用户推荐推荐内容。

具体的，如图7所示，在本申请的一些实施方式中，上述步骤S103可以具体包括以下步骤S701至步骤S702。

步骤S701，基于非目标类型内容的初始分数、目标类型内容的修正分数，预估得到目标类型用户对其未使用的内容的预估分数。

在本申请的一些实施方式中，终端可以获取目标类型用户对应的非目标类型内容的初始分数、目标类型用户对应的目标类型内容的修正分数、以及非目标类型用户对应已使用的内容的初始分数。基于目标类型用户对应的非目标类型内容的初始分数、目标类型用户对应的目标类型内容的修正分数，以及非目标类型用户对应已使用的内容的初始分数，利用隐语义模型(latent factor model，LFM)，预估得到目标类型用户对其未使用的内容的预估分数。

具体的，终端可以建立用户和内容之间的分数矩阵，该分数矩阵的数值表示用户对内容的最终分数，也即表示目标类型用户对应的非目标类型内容的初始分数、目标类型用户对应的目标类型内容的修正分数，以及非目标类型用户对应已使用的内容的初始分数中的一个。

终端利用分数矩阵，终端可以确定用户和偏好之间的第一映射关系，以及内容和偏好之间的第二映射关系；接着，基于第一映射关系和第二映射关系，确定目标类型用户对其未使用的内容的预估分数。

其中，偏好可以根据实际情况进行划分，其数量可以根据实际情况进行设置，每种偏好表示了联系用户和内容的隐含特征。

表1示出了分数矩阵R的示意图。

表1

	内容1	内容2	内容3	内容4	内容5	内容6	内容7
								用户1		0.6		0.32	0.44
用户2			0.33			0.5
								用户3	0.68			0.85	0.95
用户4	0.4	0.23	0.55			0.98	0.87
								用户5				0.54			0.33
用户6		0.54		0.44
								用户7			0.74
用户8	0.2			0.8
								用户9			0.7				0.54

由于用户并不会使用过每一个内容，一般也不会对使用过的每个内容均进行评分，因此，分数矩阵是一个稀疏矩阵，其中用户对未进行评分的内容的分数为空值。

在本申请的一些实施方式中，终端需要通过一定的人工智能算法预估目标类型用户对其未使用的内容的预估分数。

具体的，终端可以利用分数矩阵R，确定用户和偏好之间的第一映射关系P，以及内容和偏好之间的第二映射关系Q。

其中，第一映射关系P和第二映射关系Q可以以矩阵表示。第一映射关系P中的每一个关系值表示用户和偏好之间的相关程度，第二映射关系Q中的每一个关系值表示内容和偏好之间的相关程度。

更具体的，分数矩阵R＝P×Q。

表2示出了一种第一映射关系P的示意图。

表2

	偏好1	偏好2	偏好3	偏好4
					用户1		0.23		0.38
用户2		0.66	0.73
					用户3				0.78
用户4	0.9	0.4	0.56
					用户5				0.6

表3示出了一种第二映射关系Q的示意图

表3

	偏好1	偏好2
			内容1	0.3
内容2		0.5
			内容3	0.2
内容4		0.92
			内容5

在本申请的一些实施方式中，可以生成初始第一映射关系P’和初始第二映射关系Q’。然后计算P’×Q’得到的预估分数矩阵R’；基于分数矩阵R中的最终分数，以及在预估分数矩阵R’中对应的预估最终分数，可以计算分数矩阵R和预估分数矩阵R’之间的误差值。若误差值大于误差阈值，则重新调整初始第一映射关系P’中的任意一个或多个关系值，和/或重新调整初始第二映射关系Q’中的一个或多个关系值，并重新计算P’×Q’得到的预估分数矩阵R’，以及重新计算分数矩阵R和预估分数矩阵R’之间的误差值，直至误差值小于或等于误差阈值时，得到第一映射关系P和第二映射关系Q。

在得到第一映射关系P和第二映射关系Q之后，终端便可以通过P×Q预估得到目标类型用户对其未使用的内容的预估分数，也即得到用于替换分数矩阵中空值的预估分数。

需要说明的是，实际应用中，终端可以在每得到一个初始分数或修正分数时更新分数矩阵R，并利用更新后的分数矩阵R重新计算新的第一映射关系P和第二映射关系Q，以利用新的第一映射关系P和新的第二映射关系Q预估得到目标类型用户对其未使用的内容的预估分数。

步骤S702，基于预估分数，从目标类型用户未使用的内容中筛选出推荐内容。

在本申请的一些实施方式中，终端可以基于目标类型用户对其未使用的内容的预估分数，从目标类型用户未使用的内容中选择分数最高的一个或多个内容，并将选择出的一个或多个内容作为推荐内容向目标类型用户进行推荐。

在本申请的实施方式中，终端可以预估出目标类型用户对其未使用的内容的预估分数，进而从目标类型用户未使用的内容中选择出能够满足目标类型用户需求的内容，使得终端倾向于向目标类型用户推荐满足其喜好的非目标类型内容，从而防止目标类型用户陷入负面情绪旋涡中无法自拔。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为根据本申请，某些步骤可以采用其它顺序进行。

如图8所示为本申请实施例提供的一种内容智能推荐装置800的结构示意图，所述内容智能推荐装置800配置于终端上。

具体的，所述内容智能推荐装置800可以包括：

获取单元801，用于获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容；

判断单元802，用于判断用户是否为目标类型用户；

修正单元803，用于若是，则将基于所述目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数；

推荐单元804，用于基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

在本申请的一些实施方式中，上述判断单元802可以具体用于：获取所述用户的至少一项用户信息；判断所述用户信息是否满足与其对应的分类条件；若所述用户的任意一项用户信息满足与其对应的分类条件，则确认所述用户为所述目标类型用户。

在本申请的一些实施方式中，上述用户信息包括在目标时间段内所述用户的用户情绪、所述用户对其已使用的目标类型内容的用户行为信息、或者所述用户的用户画像。

在本申请的一些实施方式中，上述判断单元802还可以具体用于：判断所述用户情绪是否满足情绪条件；判断所述用户行为信息是否满足行为信息条件；或者，判断所述用户画像是否满足用户画像条件。

在本申请的一些实施方式中，上述修正单元803还可以具体用于：根据满足对应的分类条件的用户信息在所述至少一项用户信息中的数量占比，确定所述目标类型用户对应的评分衰减因子；基于所述目标类型用户对应的评分衰减因子，对所述目标类型内容的初始分数进行修正，得到所述修正分数。

在本申请的一些实施方式中，上述推荐单元804还可以具体用于：基于所述非目标类型内容的初始分数、所述目标类型内容的修正分数，预估得到所述目标类型用户对其未使用的内容的预估分数；根据所述预估分数，从所述目标类型用户未使用的内容中筛选出所述推荐内容。

在本申请的一些实施方式中，上述推荐单元804还可以具体用于：基于所述目标类型用户对应的所述非目标类型内容的初始分数、所述目标类型用户对应的所述目标类型内容的修正分数，以及所述非目标类型用户对应已使用的内容的初始分数，建立所述用户和所述内容之间的分数矩阵；利用所述分数矩阵，确定用户和偏好之间的第一映射关系，以及内容和偏好之间的第二映射关系；基于所述第一映射关系和所述第二映射关系，确定所述目标类型用户对其未使用的内容的预估分数。

需要说明的是，为描述的方便和简洁，上述内容智能推荐装置800的具体工作过程，可以参考图1至图7所述方法的对应过程，在此不再赘述。

如图9所示，为本申请实施例提供的一种终端的示意图。

该终端9可以包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如内容智能推荐程序。所述处理器90执行所述计算机程序92时实现上述各个内容智能推荐方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示的获取单元801、判断单元802、修正单元803和推荐单元804。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端中的执行过程。

例如，所述计算机程序可以被分割成：获取单元、判断单元、修正单元和推荐单元。

各单元具体功能如下：获取单元，用于获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容；判断单元，用于判断用户是否为目标类型用户；修正单元，用于若是，则基于所述目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数；推荐单元，用于基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

所述终端可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器91也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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

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

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

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

Claims (10)

1.一种内容智能推荐方法，其特征在于，包括：

获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容；

判断用户是否为目标类型用户；

若是，则基于所述目标类型用户对应的评分衰减因子对所述目标类型内容的初始分数进行修正，得到修正分数；

基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

2.如权利要求1所述的内容智能推荐方法，其特征在于，所述判断用户是否为目标类型用户，包括：

获取所述用户的至少一项用户信息；

判断所述用户信息是否满足与其对应的分类条件；

若所述用户的任意一项用户信息满足与其对应的分类条件，则确认所述用户为所述目标类型用户。

3.如权利要求2所述的内容智能推荐方法，其特征在于，所述用户信息包括在目标时间段内所述用户的用户情绪、所述用户对其已使用的目标类型内容的用户行为信息、或者所述用户的用户画像。

4.如权利要求3所述的内容智能推荐方法，其特征在于，所述判断所述用户信息是否满足与其对应的类别条件，包括以下至少一种：

判断所述用户情绪是否满足情绪条件；

判断所述用户行为信息是否满足行为信息条件；

或者，

判断所述用户画像是否满足用户画像条件。

5.如权利要求2至4任意一项所述的内容智能推荐方法，其特征在于，所述基于所述目标类型用户对应的评分衰减因子对所述目标类型内容的初始分数进行修正，得到修正分数，包括：

根据满足对应的分类条件的用户信息在所述至少一项用户信息中的数量占比，确定所述目标类型用户对应的评分衰减因子；

基于所述目标类型用户对应的评分衰减因子，对所述目标类型内容的初始分数进行修正，得到所述修正分数。

6.如权利要求1至4任意一项所述的内容智能推荐方法，其特征在于，所述基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，包括：

基于所述非目标类型内容的初始分数、所述目标类型内容的修正分数，预估得到所述目标类型用户对应未使用的内容的预估分数；

根据所述预估分数，从所述目标类型用户对应未使用的内容中筛选出所述推荐内容。

7.如权利要求6所述的内容智能推荐方法，其特征在于，所述基于所述非目标类型内容的初始分数、所述目标类型内容的修正分数，预估得到所述目标类型用户对应未使用的内容的预估分数，包括：

获取所述目标类型用户对应的所述非目标类型内容的初始分数、所述目标类型用户对应的所述目标类型内容的修正分数、以及所述非目标类型用户对应已使用的内容的初始分数；

基于所述目标类型用户对应的所述非目标类型内容的初始分数、所述目标类型用户对应的所述目标类型内容的修正分数，以及所述非目标类型用户对应的已使用的内容的初始分数，建立所述用户和所述内容之间的分数矩阵；

利用所述分数矩阵，确定用户和偏好之间的第一映射关系，以及内容和偏好之间的第二映射关系；

基于所述第一映射关系和所述第二映射关系，确定所述目标类型用户对应未使用的内容的预估分数。

8.一种内容智能推荐装置，其特征在于，包括：

获取单元，用于获取内容的初始分数；所述内容包括目标类型内容、非目标类型内容；

判断单元，用于判断用户是否为目标类型用户；

修正单元，用于若是，则基于所述目标类型用户对应的评分衰减因子对目标类型内容的初始分数进行修正，得到修正分数；

推荐单元，用于基于所述非目标类型内容的初始分数，以及所述目标类型内容的修正分数，从所述目标类型用户未使用的内容中筛选出推荐内容，并向所述目标类型用户推荐所述推荐内容。

9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images