CN114090891A - 个性化内容推荐方法、装置、设备及存储介质 - Google Patents
个性化内容推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114090891A CN114090891A CN202111402608.3A CN202111402608A CN114090891A CN 114090891 A CN114090891 A CN 114090891A CN 202111402608 A CN202111402608 A CN 202111402608A CN 114090891 A CN114090891 A CN 114090891A
- Authority
- CN
- China
- Prior art keywords
- content
- recommended
- determining
- contents
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001816 cooling Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000036962 time dependent 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
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
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)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种个性化内容推荐方法、装置、设备及存储介质,涉及大数据领域,具体实现方案为:获取多个类别的多个待推荐内容以及用户的兴趣特征;根据所述待推荐内容在所属类别中的比例,确定第一评分标签;根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。由此,可以主动的给用户推送用户想看的内容,且使得推荐内容包含用户的兴趣特征,实现了对高热度且用户感兴趣的推荐内容的精准投放,直接体现在我们内容的点击率有了质的提升。
Description
技术领域
本公开涉及大数据领域,具体涉及一种个性化内容推荐方法、装置、设备及存储介质。
背景技术
每天互联网都会新增海量的内容,而每个用户每天能阅读的信息有限,从海量信息里面挑选自己感兴趣的内容非常困难,过载的信息给用户来了极大的选择恐惧症。用户需要一个智能的系统去根据他们的行为偏好,自动推荐一些他们可能感兴趣的内容。目前我们首页信息流,社区,各业务频道页以及详情页的相关推荐列表目前都没有给用户提供个性化的内容。
相关技术中,可以将效果图,案例和视频的频道页接入了DMP组合查询后主要使用热度值排序,所有人都看到的都是完全相同的高热度值内容,因而如何实现对用户个性化地进行精准投放推荐内容,是当前亟需解决的问题。
发明内容
本公开提供了一种个性化内容推荐方法、装置、设备及存储介质。
根据本公开的第一方面,提供了一种个性化内容推荐方法,包括:
获取多个类别的多个待推荐内容以及用户的兴趣特征;
根据所述待推荐内容在所属类别中的比例,确定第一评分标签;
根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;
根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;
根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
根据本公开的第二方面,提供了一种个性化内容推荐装置,包括:
第一获取模块,用于获取多个类别的多个待推荐内容以及用户的兴趣特征;
第一确定模块,用于根据所述待推荐内容在所属类别中的比例,确定第一评分标签;
第二确定模块,用于根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;
第三确定模块,用于根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;
第四确定模块,用于根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
本公开第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的方法。
本公开第四方面实施例提出了一种非临时性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如本公开第一方面实施例提出的方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的方法。本公开所提供的个性化内容推荐方法、装置、设备,至少存在以下有益效果:
本公开实施例中,首先获取多个类别的多个待推荐内容以及用户的兴趣特征,然后根据所述待推荐内容在所属类别中的比例,确定第一评分标签,然后根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,然后根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签,最后根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。由此,根据这套算法规则,可以主动的给用户推送用户想看的内容,且使得推荐内容包含用户的兴趣特征,实现了对高热度且用户感兴趣的推荐内容的精准投放,直接体现在我们内容的点击率有了质的提升。
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为本公开提供的一种个性化内容推荐方法的流程示意图;
图2为本公开提供的另一种个性化内容推荐方法的流程示意图;
图3为本公开提供的一种个性化内容推荐装置的结构框图;
图4是用来实现本公开实施例的个性化内容推荐方法的电子设备的框图。
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。
本公开提供的个性化内容推荐方法,该方法可以由本公开提供的个性化内容推荐装置执行,也可以由本公开提供的电子设备执行,其中,电子设备可以包括但不限于台式电脑、平板电脑等终端设备,下面以由本公开提供的个性化内容推荐装置来执行本公开提供的一种个性化内容推荐方法,而不作为对本公开的限定。
下面结合参考附图对本公开提供的一种个性化内容推荐方法进行详细描述。
图1为本公开一个实施例提供的一种个性化内容推荐方法的流程示意图。如图1所示,该个性化内容推荐方法可以包括以下步骤:
步骤101,获取多个类别的多个待推荐内容以及用户的兴趣特征。
可选的,在获取待推荐内容时,可以从预设的内容库中获取。其中,待推荐内容可以有不同的类别,比如文章、图片、视频、音频等等,在此不做限定。其中,预设的内容库可以包含有各个类别的子库,以对应不同类别的内容。
举例来说,可以从各个类别的子库中获取内容的CTR,也即点击通过率在排名前5000的内容,并对该内容进行曝光以及已读去重处理,并进一步选择非空的数据作为待推荐内容。
具体的,对于用户的兴趣特征,举例来说,当用户产生点击、搜索、互动行为时,该装置可以拉取用户最近7天的最后50次行为,且包含当前行为,并根据牛顿冷却定律基于时间衰减的方式从用户历史行为中提取出用户的喜好标签,即提取用户的兴趣特征,在此不做限定。
步骤102,根据待推荐内容在所属类别中的比例,确定第一评分标签。
需要说明的是,第一评分标签可以用于表征内容特征的重要度,其可以基于某个特征在整个内容库的分布情况计算得出,且特征分布的广度和特征的重要度成反比,也即待推荐内容在所属类别中的比例越高,则说明当前的待推荐内容的重要程度越小。
具体的,可以预先设定待推荐内容在所属类别中的比例与评分的映射关系,之后根据当前待推荐内容在所属类别中的比例,确定第一评分标签。
步骤103,根据多个待推荐内容与用户的兴趣特征的匹配度,确定第二评分标签。
可选的,可以首先确定每个待推荐内容对应的内容标签,然后计算每个所述待推荐内容对应的内容标签与所述用户的兴趣特征之间的余弦相似度,之后根据每个所述待推荐内容对应的内容标签以及所述用户的兴趣特征之间的余弦相似度,确定第二评分标签。
举例来说,若计算事件Si和事件Sj的相似度simi,j,可以将Si和Sj事件作为节点,simi,j即为事件Si和事件Sj这两节点之间的边的权重,通过余弦相似度计算待处理事件和各个参考事件间的相似度,公式如下:
其中,事件Si和事件Sj分别对应内容标签和兴趣特征。
具体的,通过遍历各个待推荐内容并确定每个待推荐内容对应的内容标签,然后再计算各个内容标签与用户的兴趣特征之间的余弦相似度,并将该相似度确定为第二评分标签。
其中,第二评分标签可以用于表征用户对特征的喜好度。
步骤104,根据用户的特征信息和多个待推荐内容的匹配度,确定第三评分标签。
其中,用户的特征信息可以包含装修风格、空间大小、元素、户型、面积、城市、作者,在此不做限定。
具体的,该装置可以基于用户特征与多个待推荐内容的内容特征的匹配程度,确定第三评分标签。通过余弦排序模型可以计算出用户和内容的匹配度,并进行排序,匹配度越高的会优先展示。
其中,第三评分标签可以用于表征用户跟内容的特征匹配度。
步骤105,根据多个待推荐内容对应的第一评分标签、第二评分标签以及第三评分标签,确定目标推荐内容。
可选的,该装置可以根据多个待推荐内容对应的第一评分标签、第二评分标签以及第三评分标签,从所述待推荐内容中确定多个意向推送内容,然后根据指定的内容类别配比,从多个意向推送内容中确定指定数量的目标推荐内容。
具体的,该装置可以根据每个待推荐内容对应的第一评分标签、第二评分标签以及第三评分标签对自身进行评分。其中,第一评分标签代表内容质量分,第二评分标签代表特征喜好分,第三评分标签代表特征匹配度。
具体的,可以基于特征匹配度、特征喜好分、内容质量分,计算出用户对于每篇待推荐内容的意向程度,即用户为待推荐内容的意向程度,以K作为意向程度,以M作为特征匹配度,以L作为特征喜好分、以C作为内容质量分,则K=M*L*C。
由此,可以计算出每个待推荐内容对应的意向程度评分,然后从多个意向推送内容中确定指定数量的意向程度评分较高的待推荐内容作为目标推荐内容。
需要说明的是,在生成目标推荐内容之时,可以根据一定的内容类别配比,比如可以为视频、文章、图片的内容配比,在此不做限定。
本公开实施例中,首先获取多个类别的多个待推荐内容以及用户的兴趣特征,然后根据所述待推荐内容在所属类别中的比例,确定第一评分标签,然后根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,然后根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签,最后根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。由此,根据这套算法规则,可以主动的给用户推送用户想看的内容,且使得推荐内容包含用户的兴趣特征,实现了对高热度且用户感兴趣的推荐内容的精准投放,直接体现在我们内容的点击率有了质的提升。
图2为本公开一个实施例提供的又一种个性化内容推荐方法的流程示意图。
如图2所示,该个性化内容推荐方法可以包括以下步骤:
步骤201,获取指定时期内当前用户的目标行为数据,其中,目标行为数据至少包括页面点赞数据、页面搜索数据以及页面收藏数据。
其中,目标行为数据可以为用户在页面针对任一内容的操作数据,比如点击、收藏、搜索、评论,在此不进行限定。因而对应的,目标操作数据可以包含页面点赞数据、页面搜索数据以及页面收藏数据,在此不做限定。
具体的,指定的时期可以为最近7天,目标行为数据可以为用户在近7天的最后50次行为,也包含当前行为。
步骤202,确定目标行为数据中各个行为数据对应的各个事件。
需要说明的是,在获取到目标行为数据之后,可以通过对目标行为数据进行处理,以确定其对应的各个事件。举例来说,若用户搜索“熬夜有什么危害”,则说明用户想要了解有关熬夜方面的数据,更广泛的,也即想要了解熬夜对健康方面的影响,因而可以确定该事件为“了解熬夜对健康的影响”,在此不做限定。
步骤203,从各个事件中确定各个目标参考事件,并确定各个目标参考事件对应的内容标签。
具体的,可以通过查询近期用户的历史行为信息,以过滤无效的事件,进而确定各个有效事件,也即目标参考事件。其中,目标参考事件可以用于确定内容标签。
举例来说,若用户近期经常进行点赞并在点赞之后进行取消,或者将任一内容进行收藏并取消收藏,因而可以确定该行为对应的事件为无效事件,也即不具有参考意义。
具体的,可以为每个目标参考事件确定对应的内容标签,比如用户对电视剧S相关的小视频进行点赞,则可以确定该内容标签为“影视”、“视频”、“娱乐”,等等,在此不做限定。
步骤204,根据每个目标参考事件对应的事件触发成本数据以及牛顿冷却定律,确定各个内容标签的权重。
需要说明的是,不同的目标参考事件,其对应的事件触发成本也是不相同的。举例来说,可以认为“评论内容D”这一事件的触发成本要高于“点赞内容D”,而“点赞内容D”的事件触发成本要低于“收藏内容D”,在此不做限定。
需要说明的是,牛顿冷却定律对应的数学模型一般都是用来与时间有关的衰减的模型上,比如随着时间的变化,用户对某一个品类商品的衰减过程变化,用户在投票过程中对票数衰减过程的模拟等基本原理都是建立在牛顿冷却定律的基础之上,增加相应的边界条件,从而得到适合自己应用场景的模型。
本公开中,可以通过结合每个目标参考事件对应的事件触发成本数据以及牛顿冷却定律,计算出每个目标参考事件对应的内容标签的权重,也即得分。
步骤205,根据各个内容标签的权重,确定当前用户对应的兴趣特征。
具体的,可以通过将各个内容标签的权重进行排序,进而将权重比较高的内容标签作为当前用户的兴趣标签。本公开中,可以在确定用户的兴趣标签之后,通过DMP建立用户画像并存储于消息队列中,并对兴趣标签进行处理,并保存至消息队列中。
其中,兴趣标签可以表征用户对应的兴趣特征。
步骤206,获取多个类别的多个待推荐内容以及用户的兴趣特征。
步骤207,根据所述待推荐内容在所属类别中的比例,确定第一评分标签。
步骤208,根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签。
步骤209,根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签。
步骤210,根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
需要说明的是,步骤206-210的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤211,确定用户对目标推荐内容的操作数据。
需要说明的是,在生成了目标推荐内容之后,可以将该内容展示给用户,并记录用户对该目标推荐内容的操作数据,比如点击、点赞、转发、分享、收藏,在此不进行限定。
步骤212,根据操作数据以及目标推荐内容对应的CTR排序,确定更新后的推荐内容。
具体的,如果给用户展示的目标推荐内容,没有得到用户的任何操作数据,则可以目标推荐内容对应的CTR排序的方式给用户展示内容,当用户产生新的行为时会重新给用户生成更新后的推荐数据。
本公开实施例中,首先获取指定时期内当前用户的目标行为数据,其中,所述目标行为数据至少包括页面点赞数据、页面搜索数据以及页面收藏数据,然后确定目标行为数据中各个行为数据对应的各个事件,然后从所述各个事件中确定各个目标参考事件,并确定所述各个目标参考事件对应的内容标签,然后根据每个所述目标参考事件对应的事件触发成本数据以及牛顿冷却定律,确定各个所述内容标签的权重,之后根据各个所述内容标签的权重,确定所述当前用户对应的兴趣特征。获取多个类别的多个待推荐内容以及用户的兴趣特征,然后根据所述待推荐内容在所属类别中的比例,确定第一评分标签,然后根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,然后根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签,然后根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容,最后确定用户对目标推荐内容的操作数据,并根据操作数据以及目标推荐内容对应的CTR排序,确定更新后的推荐内容。由此,可以智能的根据用户的行为偏好,为用户推荐他们感兴趣的内容,满足用户的需求,可以个性化地为用户精准投放他们喜欢的内容。
为了实现上述实施例,本公开还提出一种个性化内容推荐装置。
图3为本公开实施例所提供的一种个性化内容推荐装置的结构示意图。
如图3所示,该个性化内容推荐装置300包括:第一获取模块310、第一确定模块320、第二确定模块330、第三确定模块340以及第四确定模块350。
第一获取模块,用于获取多个类别的多个待推荐内容以及用户的兴趣特征;
第一确定模块,用于根据所述待推荐内容在所属类别中的比例,确定第一评分标签;
第二确定模块,用于根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;
第三确定模块,用于根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;
第四确定模块,用于根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
可选的,所述第一获取模块,还用于:
获取指定时期内当前用户的目标行为数据,其中,所述目标行为数据至少包括页面点赞数据、页面搜索数据以及页面收藏数据;
确定目标行为数据中各个行为数据对应的各个事件;
从所述各个事件中确定各个目标参考事件,并确定所述各个目标参考事件对应的内容标签;
根据每个所述目标参考事件对应的事件触发成本数据以及牛顿冷却定律,确定各个所述内容标签的权重;
根据各个所述内容标签的权重,确定所述当前用户对应的兴趣特征。
可选的,所述第二确定模块,具体用于:
确定每个所述待推荐内容对应的内容标签;
计算每个所述待推荐内容对应的内容标签与所述用户的兴趣特征之间的余弦相似度;
根据每个所述待推荐内容对应的内容标签以及所述用户的兴趣特征之间的余弦相似度,确定第二评分标签。
可选的,所述第四确定模块,包括:
第一确定单元,用于根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,从所述所述待推荐内容中确定多个意向推送内容;
第二确定单元,用于根据指定的内容类别配比,从所述多个意向推送内容中确定指定数量的目标推荐内容。
可选的,所述第二确定单元,还用于:
确定用户对所述目标推荐内容的操作数据;
根据所述操作数据以及所述目标推荐内容对应的CTR排序,确定更新后的推荐内容。
本公开实施例中,首先获取多个类别的多个待推荐内容以及用户的兴趣特征,然后根据所述待推荐内容在所属类别中的比例,确定第一评分标签,然后根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,然后根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签,最后根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。由此,根据这套算法规则,可以主动的给用户推送用户想看的内容,且使得推荐内容包含用户的兴趣特征,实现了对高热度且用户感兴趣的推荐内容的精准投放,直接体现在我们内容的点击率有了质的提升。
图4示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图4显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAI D系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
本公开实施例中,首先获取多个类别的多个待推荐内容以及用户的兴趣特征,然后根据所述待推荐内容在所属类别中的比例,确定第一评分标签,然后根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,然后根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签,最后根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。由此,根据这套算法规则,可以主动的给用户推送用户想看的内容,且使得推荐内容包含用户的兴趣特征,实现了对高热度且用户感兴趣的推荐内容的精准投放,直接体现在我们内容的点击率有了质的提升。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变形。
Claims (10)
1.一种个性化内容推荐方法,其特征在于,包括:
获取多个类别的多个待推荐内容以及用户的兴趣特征;
根据所述待推荐内容在所属类别中的比例,确定第一评分标签;
根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;
根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;
根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
2.根据权利要求1中所述的方法,其特征在于,在所述获取多个类别的多个待推荐内容以及用户的兴趣特征之前,还包括:
获取指定时期内当前用户的目标行为数据,其中,所述目标行为数据至少包括页面点赞数据、页面搜索数据以及页面收藏数据;
确定目标行为数据中各个行为数据对应的各个事件;
从所述各个事件中确定各个目标参考事件,并确定所述各个目标参考事件对应的内容标签;
根据每个所述目标参考事件对应的事件触发成本数据以及牛顿冷却定律,确定各个所述内容标签的权重;
根据各个所述内容标签的权重,确定所述当前用户对应的兴趣特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签,包括:
确定每个所述待推荐内容对应的内容标签;
计算每个所述待推荐内容对应的内容标签与所述用户的兴趣特征之间的余弦相似度;
根据每个所述待推荐内容对应的内容标签以及所述用户的兴趣特征之间的余弦相似度,确定第二评分标签。
4.根据权利要求1所述的方法,其特征在于,所述根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容,包括:
根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,从所述所述待推荐内容中确定多个意向推送内容;
根据指定的内容类别配比,从所述多个意向推送内容中确定指定数量的目标推荐内容。
5.根据权利要求4所述的方法,其特征在于,在所述根据指定的内容类别配比,从所述多个意向推送内容中确定指定数量的目标推荐内容之后,还包括:
确定用户对所述目标推荐内容的操作数据;
根据所述操作数据以及所述目标推荐内容对应的CTR排序,确定更新后的推荐内容。
6.一种个性化内容推荐装置,其特征在于,包括:
第一获取模块,用于获取多个类别的多个待推荐内容以及用户的兴趣特征;
第一确定模块,用于根据所述待推荐内容在所属类别中的比例,确定第一评分标签;
第二确定模块,用于根据所述多个待推荐内容与所述用户的兴趣特征的匹配度,确定第二评分标签;
第三确定模块,用于根据所述用户的特征信息和所述多个待推荐内容的匹配度,确定第三评分标签;
第四确定模块,用于根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,确定目标推荐内容。
7.根据权利要求6中所述的装置,其特征在于,所述第一获取模块,还用于:
获取指定时期内当前用户的目标行为数据,其中,所述目标行为数据至少包括页面点赞数据、页面搜索数据以及页面收藏数据;
确定目标行为数据中各个行为数据对应的各个事件;
从所述各个事件中确定各个目标参考事件,并确定所述各个目标参考事件对应的内容标签;
根据每个所述目标参考事件对应的事件触发成本数据以及牛顿冷却定律,确定各个所述内容标签的权重;
根据各个所述内容标签的权重,确定所述当前用户对应的兴趣特征。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块,具体用于:
确定每个所述待推荐内容对应的内容标签;
计算每个所述待推荐内容对应的内容标签与所述用户的兴趣特征之间的余弦相似度;
根据每个所述待推荐内容对应的内容标签以及所述用户的兴趣特征之间的余弦相似度,确定第二评分标签。
9.根据权利要求6所述的装置,其特征在于,所述第四确定模块,包括:
第一确定单元,用于根据多个待推荐内容对应的所述第一评分标签、所述第二评分标签以及所述第三评分标签,从所述所述待推荐内容中确定多个意向推送内容;
第二确定单元,用于根据指定的内容类别配比,从所述多个意向推送内容中确定指定数量的目标推荐内容。
10.一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权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111402608.3A CN114090891A (zh) | 2021-11-24 | 2021-11-24 | 个性化内容推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111402608.3A CN114090891A (zh) | 2021-11-24 | 2021-11-24 | 个性化内容推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114090891A true CN114090891A (zh) | 2022-02-25 |
Family
ID=80303989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111402608.3A Pending CN114090891A (zh) | 2021-11-24 | 2021-11-24 | 个性化内容推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090891A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048504A (zh) * | 2022-05-17 | 2022-09-13 | 咪咕文化科技有限公司 | 信息推送方法、装置、计算机设备及计算机可读存储介质 |
CN116546091A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市四格互联信息技术有限公司 | 流式内容的推荐方法、装置、设备及存储介质 |
-
2021
- 2021-11-24 CN CN202111402608.3A patent/CN114090891A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048504A (zh) * | 2022-05-17 | 2022-09-13 | 咪咕文化科技有限公司 | 信息推送方法、装置、计算机设备及计算机可读存储介质 |
CN116546091A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市四格互联信息技术有限公司 | 流式内容的推荐方法、装置、设备及存储介质 |
CN116546091B (zh) * | 2023-07-07 | 2023-11-28 | 深圳市四格互联信息技术有限公司 | 流式内容的推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609152B (zh) | 用于扩展查询式的方法和装置 | |
CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
CN104090919B (zh) | 推荐广告的方法及广告推荐服务器 | |
JP5581408B2 (ja) | 情報処理システム、情報処理装置、情報処理方法及びプログラム | |
CN108491540B (zh) | 文本信息推送方法、装置及智能终端 | |
CN103164804A (zh) | 一种个性化的信息推送方法及装置 | |
CN109918555B (zh) | 用于提供搜索建议的方法、装置、设备和介质 | |
CN110110201B (zh) | 一种内容推荐方法和系统 | |
CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114090891A (zh) | 个性化内容推荐方法、装置、设备及存储介质 | |
CN111723260B (zh) | 推荐内容的获取方法、装置、电子设备及可读存储介质 | |
CN106951527B (zh) | 一种歌曲推荐方法及装置 | |
CN109934684A (zh) | 一种商品推荐方法、装置、终端及存储介质 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN111782953A (zh) | 推荐方法、装置、设备及存储介质 | |
CN110546633A (zh) | 文档的基于命名实体的类别标签添加 | |
CN109740156B (zh) | 反馈信息处理方法、装置、电子设备及存储介质 | |
CN109672706B (zh) | 一种信息推荐方法、装置、服务器及存储介质 | |
CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
JP2018194922A (ja) | 広告効果推定装置、広告効果推定方法及び広告効果推定プログラム | |
CN107908724B (zh) | 一种数据模型匹配方法、装置、设备及存储介质 | |
JP6700146B2 (ja) | 評価値に基づいて推奨するコンテンツを決定するシステム | |
CN113254845B (zh) | 一种基于大数据的教育系统及数据处理方法 | |
US20180276294A1 (en) | Information processing apparatus, information processing system, and information processing method | |
CN114756758A (zh) | 一种混合推荐方法和系统 |
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 |