CN114329187B - 内容对象的推荐方法、装置、电子设备以及可读介质 - Google Patents
内容对象的推荐方法、装置、电子设备以及可读介质 Download PDFInfo
- Publication number
- CN114329187B CN114329187B CN202111496768.9A CN202111496768A CN114329187B CN 114329187 B CN114329187 B CN 114329187B CN 202111496768 A CN202111496768 A CN 202111496768A CN 114329187 B CN114329187 B CN 114329187B
- Authority
- CN
- China
- Prior art keywords
- target
- interest
- user
- user operation
- model
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种内容对象的推荐方法、装置、电子设备及可读介质,所述方法包括:在用户浏览内容并执行回退操作时,首先通过用户在对象详情页中的用户操作确定用户的兴趣值,并根据该兴趣值判断用户是否对目标内容对象感兴趣,通过用户操作对用户的兴趣值进行确定,能够有效识别出用户需求,同时,在判定为感兴趣的情况下,确定与目标用户操作对应的兴趣信息,然后通过兴趣信息向用户推荐对应的内容对象,通过识别用户需求与根据用户操作进行内容推荐,有效地保证了内容推荐的准确性以及推荐内容与用户需求的匹配度。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种内容对象的推荐方法、一种内容对象的推荐装置、一种电子设备以及一种计算机可读存储介质。
背景技术
推荐系统是一种用于检索信息、预测信息的工具,推荐系统的主要目标为按照一定的条件,在大量的信息中选择用户需要的信息,在现有的推荐技术中,推荐模型往往集成在管理系统中的服务器中,从而服务可以器将符合用户需求的信息返回至对应的客户端中,这种返回符合与用户需求的相关信息的技术称为回退推荐技术,通过回退推荐技术可以直接将与用户相关的信息推荐给用户,这种推荐方式虽然比较简单,但是推荐的信息往往不够准确,还可能与用户需求相悖,导致用户的体验感差。
发明内容
本发明实施例是提供一种内容对象的推荐方法、装置、电子设备以及计算机可读存储介质,以解决或部分解决相关技术中在确定回退操作之后,无法根据当前用户操作进行推荐,导致推荐的准确度低以及无法进行个性化推荐。
为了解决上述问题,本发明实施例公开了一种内容对象的推荐方法,包括:
展示目标内容对象的对象详情页;
响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
确定与所述目标用户操作对应的目标兴趣值;
若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的兴趣信息,并获取与所述兴趣信息对应的至少一个推荐内容对象;
在所述推荐内容界面中展示所述至少一个推荐内容对象。
可选地,所述用户对应一用户标识,所述确定与所述目标用户操作对应的目标兴趣值,包括:
获取与所述用户标识对应的当前兴趣度模型;
将所述目标用户操作输入所述当前兴趣度模型,获得与所述目标用户操作对应的目标兴趣值。
可选地,所述确定与所述目标用户操作对应的兴趣信息,包括:
获取与所述用户标识对应的当前兴趣点模型;
将所述目标用户操作输入所述当前兴趣点模型,获得与所述目标用户操作对应的兴趣信息。
可选地,所述在所述推荐内容界面中展示所述至少一个推荐内容对象,包括:
获取所述目标内容对象在所述推荐内容界面中的显示位置;
在所述推荐内容界面中的所述显示位置之后显示所述至少一个推荐内容对象。
可选地,还包括:
获取基础用户操作以及兴趣特征信息;
从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
获取各个所述特征用户操作对应的训练权重系数;
根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型。
可选地,所述根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型,包括:
获取所述特征用户操作对应的标准兴趣值;
将所述特征用户操作以及对应的训练权重系数输入预设兴趣度模型,获得与所述特征用户操作对应的预测兴趣值;
将所述预测兴趣值与所述标准兴趣值进行比对,并根据比对结果对所述预设兴趣度模型进行反向训练,生成标准兴趣度模型。
可选地,所述标准兴趣点模型通过如下方式生成:
获取所述特征用户操作对应的标准操作结果;
将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标准兴趣点模型。
可选地,还包括:
响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
可选地,还包括:
若所述反馈操作的操作类型为负向反馈,则获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第二目标兴趣度模型;
获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第二目标兴趣点模型。
本发明实施例还公开了一种内容对象的推荐装置,包括:
对象详情页展示模块,用于展示目标内容对象的对象详情页;
目标用户操作获取模块,用于响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
目标兴趣值确定模块,用于确定与所述目标用户操作对应的目标兴趣值;
推荐内容对象获取模块,用于若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的兴趣信息,并获取与所述兴趣信息对应的至少一个推荐内容对象;
推荐内容对象展示模块,用于在所述推荐内容界面中展示所述至少一个推荐内容对象。
可选地,所述用户对应一用户标识,所述目标兴趣值确定模块具体用于:
获取与所述用户标识对应的当前兴趣度模型;
将所述目标用户操作输入所述当前兴趣度模型,获得与所述目标用户操作对应的目标兴趣值。
可选地,所述推荐内容对象获取模块具体用于:
获取与所述用户标识对应的当前兴趣点模型;
将所述目标用户操作输入所述当前兴趣点模型,获得与所述目标用户操作对应的兴趣信息。
可选地,所述推荐内容对象展示模块具体用于:
获取所述目标内容对象在所述推荐内容界面中的显示位置;
在所述推荐内容界面中的所述显示位置之后显示所述至少一个推荐内容对象。
可选地,所述装置还包括:
基础用户操作获取模块,用于获取基础用户操作以及兴趣特征信息;
特征用户操作提取模块,用于从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
训练权重系数获取模块,用于获取各个所述特征用户操作对应的训练权重系数;
标准兴趣度模型生成模块,用于根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型。
可选地,所述标准兴趣度模型生成模块具体用于:
获取所述特征用户操作对应的标准兴趣值;
将所述特征用户操作以及对应的训练权重系数输入预设兴趣度模型,获得与所述特征用户操作对应的预测兴趣值;
将所述预测兴趣值与所述标准兴趣值进行比对,并根据比对结果对所述预设兴趣度模型进行反向训练,生成标准兴趣度模型。
可选地,所述标准兴趣点模型通过如下方式生成:
标准操作结果获取模块,用于获取所述特征用户操作对应的标准操作结果;
预测操作结果获取模块,用于将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
标准兴趣点模型生成模块,用于将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标准兴趣点模型。
可选地,所述装置还包括:
操作类型获取模块,用于响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
第一目标兴趣度模型确定模块,用于若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
第一目标兴趣点模型确定模块,用于获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
可选地,所述装置还包括:
第二目标兴趣度模型确定模块,用于若所述反馈操作的操作类型为负向反馈,则获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第二目标兴趣度模型;
第二目标兴趣点模型确定模块,用于获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第二目标兴趣点模型。
本发明实施例还公开了一种电子设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述电子设备执行如上所述的方法。
本发明实施例还公开了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如上所述的方法。
本发明实施例包括以下优点:
在本发明实施例中,可以应用于客户端,用户在客户端中浏览目标内容对象的对象详情页,当用户在客户端中退出对象详情页时,客户端可以返回推荐内容界面,并获取用户在该对象详情页中输入的目标用户操作,接着可以根据目标用户操作确定出对应的目标兴趣值,若目标兴趣值大于或等于预设阈值,则进一步确定与目标用户操作对应的兴趣信息,并根据兴趣信息获取对应的至少一个推荐内容对象,接着将推荐内容对象展示在推荐内容界面中,从而在用户浏览内容并执行回退操作时,首先通过用户在对象详情页中的用户操作确定用户的兴趣值,并根据该兴趣值判断用户是否对目标内容对象感兴趣,通过用户操作对用户的兴趣值进行确定,能够有效识别出用户需求,同时,在判定为感兴趣的情况下,确定与目标用户操作对应的兴趣信息,然后通过兴趣信息向用户推荐对应的内容对象,通过识别用户需求与根据用户操作进行内容推荐,有效地保证了内容推荐的准确性以及推荐内容与用户需求的匹配度。
附图说明
图1是本发明实施例中提供的一种内容对象的推荐方法的步骤流程图;
图2是本发明实施例中提供的一种内容对象的推荐方法的步骤流程图;
图3是本发明实施例中提供的一种内容对象的推荐装置的结构框图;
图4是本发明实施例中提供的一种电子设备的框图;
图5是本发明实施例中提供的一种计算机可读介质的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
随着互联网的迅速发展,用户可以接收到大量且种类多的信息,虽然可以在一定程度上满足用户获取信息的需求,但是也让用户在面对大量的信息时,无法轻易获取到与自身需求强相关的信息,使得这些信息的使用率低、获取到相关信息较难。对于大部分互联网公司而言,为用户提供符合用户需求的信息是十分重要的,为此,许多互联网公司都会为相关产品开发可以向用户推荐信息的推荐系统,推荐系统一般是基于用户行为数据进行推荐的,用户行为数据在推荐系统中一般分为显性反馈行为以及隐性反馈行为,其中,显性反馈行为可以包括用户明确表示对物品喜好的行为,隐性反馈行为可以包括不能明确反应用户喜好的行为。因此,与传统的搜索引擎相比,推荐系统不仅应用领域广泛,而且可以根据用户行为数据分析用户的需求,将与用户的信息需求、兴趣等用户感兴趣的信息、产品等推荐给用户,从而引导用户通过推荐系统获取到与自身需求相关的信息。
然而,在目前的推荐系统中,其所使用推荐方式通常为直接分析隐性行为中的正反馈行为,然后向用户推荐与正反馈行为相似度较高的内容。例如,当用户通过触控操作进入内容A时,退出该内容界面后,可以在推荐界面中展示与内容A相似或类别相同的推荐内容B以及推荐内容C等。这种推荐方式虽然可以快速向用户推荐与用户正反馈行为相似的或者类别相同的内容,但是由于仅分析了用户对相关内容所进行的正反馈行为,导致推荐的内容存在较大偏差,可能会出现与用户需求相悖的内容,降低了用户浏览推荐内容的体验感。
对此,本发明实施例的核心发明点之一在于用户在客户端中浏览目标内容对象的对象详情页,当用户在客户端中退出对象详情页时,客户端可以返回推荐内容界面,并获取用户在该对象详情页中输入的目标用户操作,接着可以根据目标用户操作确定出对应的目标兴趣值,若目标兴趣值大于或等于预设阈值,则进一步确定与目标用户操作对应的兴趣信息,并根据兴趣信息获取对应的至少一个推荐内容对象,接着将推荐内容对象展示在推荐内容界面中,从而在用户浏览内容并执行回退操作时,首先通过用户在对象详情页中的用户操作确定用户的兴趣值,并根据该兴趣值判断用户是否对目标内容对象感兴趣,通过用户操作对用户的兴趣值进行确定,能够有效识别出用户需求,同时,在判定为感兴趣的情况下,确定与目标用户操作对应的兴趣信息,然后通过兴趣信息向用户推荐对应的内容对象,通过识别用户需求与根据用户操作进行内容推荐,有效地保证了内容推荐的准确性以及推荐内容与用户需求的匹配度。
具体的,参照图1,示出了本发明实施例中提供的一种内容对象的推荐方法的步骤流程图,具体可以包括如下步骤:
步骤101,展示目标内容对象的对象详情页;
在本发明实施例中,客户端可以展示对象详情页,用户在对象详情页中对目标内容对象进行一系列目标用户操作,不同用户对应有不同的用户标识,进而与用户对应的客户端可以独立地收集用户在对象详情页的各种用户操作,确定不同用户的需求,从而更好地保护用户的隐私。
可选地,客户端可以向用户提供目标内容对象的对象详情页,使用户在各自客户端中浏览目标内容对象的具体信息。其中,目标内容对象可以为用户通过触控等操作所选中的对象,例如帖子、商品等。对象详情界面可以为由客户端提供的包括目标内容对象的详细信息以及相关控件的显示界面,如包括了与目标内容对象对应的图片、标题、视频、收藏控件、分享控件、点赞控件等等界面。
步骤102,响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
在本发明实施例中,客户端可以响应于用户针对目标内容对象的对象详情页的退出操作,然后展示出与用户执行的退出操作存在关联关系的推荐内容界面,然后收集用户在对象详情页中对目标内容对象进行的各种目标用户操作。
可选地,推荐内容界面可以为客户端检测到用户退出对象详情页的操作后,生成界面展示指令,并通过界面展示指令触发目标内容对象进行展示的显示界面,其为由各个不同的目标用户操作共同作用、共同确定的结果,推荐内容界面与目标用户操作之间存在紧密的联系。目标用户操作可以为在基础用户操作中获取的至少一项基础用户操作,其包括用户对目标内容对象执行的正反馈操作与负反馈操作。其中,基础用户操作可以为通过对大量相关数据进行收集及分析,然后提取出的用户针对目标内容对象所执行的各种用户操作,例如,点赞操作、取消点赞操作、点开大图操作、评论操作、收藏操作、取消收藏操作、认可标签操作、取消认可标签操作、分享帖子操作、详情页浏览时长、关注操作、举报操作等等。本发明对此不作限制。
具体的,可以结合产品特性、不同基础用户操作对应的不同感兴趣程度、市场需求等等因素,从各个基础用户操作中确定出至少一项目标用户操作后,客户端可以收集目标用户操作中的正反馈操作与负反馈操作,其中,正反馈操作可以包括点赞操作、评论操作、收藏操作、分享帖子操作、详情页浏览时长长等,负反馈操作可以包括上下回滚操作、举报操作、取消点赞、详情页浏览时长短等操作,大部分目标用户操作可以采用计算机语言“1”表示正反馈操作,采用计算机语言“0”表示负反馈操作,还有一部分目标用户操作可以按照用户实际操作的内容确定具体取值,如详情页浏览时长可以为10秒、20秒、30秒等等。
作为一种示例,项目开发人员按照对大量的相关数据进行分析,得到了基础用户操作包括:浏览详情页时长、点赞操作、评论操作、点开大图操作、播放视频操作、关注操作、举报操作、认可标签操作,并结合产品A的特性与不同基础用户操作所表征的用户感兴趣程度不同,将浏览详情页时长、点赞操作、评论操作、点开大图操作、播放视频操作、关注操作以及举报操作作为目标用户操作,用户在对应的客户端触控操作选中目标内容对象后,可以进入与目标内容对象对应的对象详情页面,并且在对象详情页面浏览了目标内容对象10秒,在浏览时间内,还对目标内容对象进行了点赞、评论、点开大图的操作,当用户退出对象详情页时,客户端可以展示推荐内容界面,同时收集在对象详情页中用户对目标内容对象所执行的浏览时长为10秒、点赞、评论、点开大图、未播放视频、未关注、未举报的各个目标用户操作。
步骤103,确定与所述目标用户操作对应的目标兴趣值;
在本发明的实施例中,客户端可以响应于用户针对对象详情页的退出操作,展示推荐内容界面,并获取用户在对象详情页的目标用户操作之后,根据获取到的各个目标用户操作的具体内容确定对应的目标兴趣值。
可选地,目标兴趣值可以为客户端根据用户对目标内容对象所执行的不同目标用户操作预测计算的值,其用于表征用户对目标内容对象的感兴趣程度,目标兴趣值越大,表示用户对目标内容对象感兴趣程度越高,目标兴趣值越小,则表示用户对目标内容对象的感兴趣程度越低。
在具体实现中,可以获取当前时刻与用户标识对应的兴趣度模型,然后将目标用户操作输入至当前兴趣度模型,从而获得与目标用户操作对应的目标兴趣值。
可选地,当前兴趣度模型可以通过获取并计算用户对目标内容对象执行的目标用户操作,获得用于表征用户感兴趣程度的目标兴趣值。用户标识可以为不同用户在对应客户端中,对目标内容对象执行目标用户操作时所使用的账号信息,例如,账号名称、登录设备、登录号码等,不同用户标识对应有不同的兴趣度模型,每一用户至少对应一用户标识,从而客户端可以为不同的用户个性化配置不同的兴趣度模型,以实现个性化推荐,提高推荐的精准度。
作为一种示例,用户在对应的客户端触控操作选中目标内容对象后,进入目标内容对象的对象详情页面,并且在对象详情页面浏览了目标内容对象10秒,在浏览时间内,还对目标内容对象进行了点赞、评论、点开大图的操作,当用户退出对象详情页时,客户端可以展示推荐内容界面,并收集到的目标用户操作为:浏览时长为10秒、点赞、评论、点开大图、未播放视频、未关注、未举报,并可以采用集合[10,1,1,1,0,0,1]表示出用户当前对目标内容对象的目标用户操作,然后将[10,1,1,1,0,0,1]输入至当前兴趣度模型中,此时,输出与目标用户操作对应的目标兴趣值为0.3。
在本发明实施例的一种可选实施例中,各个客户端可以配置针对目标兴趣值的当前兴趣度模型,然后将目标用户操作输入至当前兴趣度模型中,预测出与目标用户操作对应的目标兴趣值。
具体的,在标准兴趣度模型的基础上,可以通过训练--更新的方式获得对应的当前兴趣度模型,标准兴趣度模型可以通过如下方式生成:
步骤S11,获取基础用户操作以及兴趣特征信息;
步骤S12,从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
步骤S13,获取各个所述特征用户操作对应的训练权重系数;
步骤S14,根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型。
在具体实现中,客户端可以先获取基础用户操作以及兴趣特征信息,根据获取到的兴趣特征信息从基础用户操作中,提取与兴趣特征信息匹配的特征用户操作,以及与各个特征用户操作对应的训练权重系数,然后将各个特征用户操作与对应的训练权重系数作为训练样本,从而预设兴趣度模型可以采用训练样本进行训练,进而得到对应的标准兴趣度模型。
在一种示例中,预设兴趣度模型可以获取至少一项基础用户操作以及针对至少一项基础用户操作的兴趣特征信息。其中,兴趣特征信息可以包括表征用户在多项基础用户操作中,被执行较多次数的信息以及用户感兴趣程度较高的信息,多项基础用户操作可以对应多项兴趣特征信息。例如,针对某帖子,点赞次数为25次>评论次数为21次>分享次数为5次,则可以直接将“点赞”与“评论”作为兴趣特征信息,或者将“用户操作超过20次”作为兴趣特征信息。
在另一种示例中,预设的兴趣度模型可以通过多项基础用户操作与至少一项兴趣特征信息之间的对应关系,从多项基础用户操作中,提取与兴趣特性信息对应的特征用户操作,实现通过配置不同的兴趣特征信息匹配到不同的特征用户操作,灵活调整预设兴趣度模型的训练样本,从而根据需求及时调整用于预测的用户操作有利于根据用户需求、市场发展等不稳定因素及时调整预测策略。
可选地,特征用户操作可以为与兴趣特征信息匹配的至少一项基础用户操作,例如,基础用户操作包括点赞操作、关注操作、举报操作,兴趣特征信息为在基础用户操作中,被执行次数大于20次的操作用户操作,则特征用户操作为点赞操作与关注操作。
在另一种示例中,基于市场调研结果或者对项目发展策略等因素,可以对不同的特征用户操作配置不同的训练权重系数,从而兴趣度模型可以依据不同的训练权重系数确定不同特征用户操作的感兴趣程度,预设兴趣度模型可以获取各个特征用户操作对应的训练权重系数。
可选地,权重系数表示在模型训练的过程中,某一指标项在指标项系统中的重要程度,它表示在其它指标项不变的情况下,这一指标项的变化可以对结果产生不同的影响,而训练权重系数的大小与特征用户操作的重要程度有关,例如,按照特征用户操作的重要程度进行区分,训练权重系数可以为0.1、0.2、0.3、0.4等等。
作为一种示例,当特征用户操作包括点赞操作与关注操作,且点赞操作的兴趣度为4,其对应的训练权重系数①为0.1,则加权计算后的结果为0.4,关注操作的兴趣度为3,其对应的训练权重系数②为0.2,则加权计算后的结果为0.6。
在另一种示例中,预设的兴趣度模型可以获取特征用户操作对应的标准兴趣值,然后将特征用户操作以及对应的训练权重系数输入至预设兴趣度模型,以获得与特征用户操作对应的预测兴趣值,并将预测兴趣值与标准兴趣值进行比对,若比对结果不相同,则根据比对结果对预设兴趣度模型进行反向训练,当将特征用户操作与训练权重系数输入至预设兴趣度模型时进行迭代,并计算每次迭代后的预设兴趣度模型的多个损失函数,直到预设兴趣度模型中的多个损失函数最小化时,则停止迭代,进而生成标准兴趣度模型。
其中,多个损失函数包括基于不同特征用户操作的损失函数,如特征用户操作①、特征用户操作②、特征用户操作③以及特征用户操作N等等,则多个损失函数可以包括特征用户操作①的预测值一,特征用户操作②的预测值二,特征用户操作③的预测值三以及特征用户操作N的预测值M等对应的损失函数。
在本发明实施例的另一种可选实施例中,当前兴趣度模型可以为客户端采用目标用户操作、训练权重系数以及预测兴趣值训练并生成的标准兴趣度模型,还可以为在展示推荐内容对象后,通过获取针对推荐内容对象的反馈操作,从而不断自我更新的标准兴趣度模型。
具体的,当前兴趣点模型获取到至少一项目标用户操作,获取到与目标用户操作对应的目标兴趣值与兴趣信息时,从而获取到至少一个推荐内容对象并展示在推荐内容界面,当前兴趣度模型还可以响应用户针对推荐内容对象的反馈操作,并获取到反馈操作对应的操作类型。
在一种示例中,反馈操作可以为用户针对推荐内容对象的用户操作,反馈操作的类型可以包括正向反馈与负向反馈。其中,正向反馈可以为表示用户对推荐内容对象感兴趣,并执行相应的用户操作,例如,用户在推荐内容界面中,通过触控操作进入推荐内容对象的对象详情页或在对象详情页中执行点赞操作、分享操作等感兴趣程度较高的用户操作,标准兴趣度模型接收到感兴趣程度较高的用户操作后,可以确定该用户操作为正向反馈。负向反馈可以表示用户对推荐内容不感兴趣,并执行相应的用户操作,例如,用户在推荐内容界面中,通过滚动操作划走推荐内容对象或在进入推荐内容对象的对象详情页后,对推荐内容对象执行了举报操作等用户操作,标准兴趣度模型接收到感兴趣程度低的用户操作后,可以确定该用户操作为负向反馈。在具体实现中,若客户端获取到用户针对推荐内容对象的反馈操作的操作类型为正向反馈,则先获取与正向反馈对应的第一权重值,然后根据第一权重值、目标用户操作以及目标兴趣值,将标准兴趣度模型更新为与用户标识对应的第一目标兴趣度模型。
具体的,标准兴趣度模型通过获取用户针对推荐内容对象的反馈操作,并按照不同的操作类型确定出于操作类型对应的权重值,采用权重值计算出于目标用户操作对应的目标兴趣值,并将目标兴趣值与预测兴趣值进行比对,根据比对结果生成目标兴趣度模型。
在一种示例中,当反馈操作为正向反馈时,当前兴趣点模型可以获取与正向反馈对应的第一权重值,如0.05,将目标兴趣值与第一权重值相加,获得第二目标兴趣值,然后将目标用户操作输入至标准兴趣度模型中,输出与目标用户操作对应的预测兴趣值,然后将目标兴趣值与预测兴趣值进行比对,并根据比对结果进行反向训练,从而将标准兴趣度模型更新为与用户标识对应的第一目标兴趣度模型,在不同用户的客户端中进行个性化训练标准兴趣度模型,进一步优化兴趣度模型,实现了“千人千模”的功能,使得不同用户通过兴趣度模型计算出来的兴趣值可以更加准确。
其中,千人千模是多个个性化程度更深的模型,对于不同的用户,可以使用不同的模型来进行推荐,在实际内容对象的推荐过程中,若将不同用户按照类型进行划分,则每个兴趣度模型可以对应有至少一个用户。
在另一种示例中,当反馈操作为反向反馈时,当前兴趣点模型可以获取与反向反馈对应的第二权重值,如0.05,将目标兴趣值与第二权重值相减,获得目标兴趣值,然后将目标用户操作输入至标准兴趣度模型中,输出与目标用户操作对应的预测兴趣值,然后将目标兴趣值与预测兴趣值进行比对,并根据比对结果进行反向训练,从而将标准兴趣度模型更新为与用户标识对应的第二目标兴趣度模型,实现了在不同用户的客户端中进行个性化训练标准兴趣度模型,进一步优化兴趣度模型,使得通过兴趣度模型计算出来的兴趣值更加准确。
步骤104,若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的兴趣信息,并获取与所述兴趣信息对应的至少一个推荐内容对象;
在本发明的实施例中,客户端获取目标用户操作,然后将目标用户操作输入至当前兴趣度模型中,然后输出目标兴趣值,当目标兴趣值大于或等于项目开发人员设置的预设阈值时,可以根据目标用户操作确定对应的兴趣信息,进而获得与兴趣信息对应的至少一个推荐内容对象。
可选地,预设阈值可以为项目开发人员结合实际需求所设置的兴趣值,其为触发当前兴趣点模型的条件,例如预设阈值可以为0.5、0.6等,当目标兴趣值大于或等于预设阈值时,表示此时用户对目标内容对象的感兴趣程度较深,满足分析与目标内容对象相似或相同的其他内容对象的条件,从而进一步确定与目标用户操作对应的兴趣信息。兴趣信息为客户端通过兴趣点模型分析计算用户对目标内容对象执行的目标用户操作后,获得用户对目标内容对象感兴趣程度较高的部分信息。
在具体实现中,客户端将目标用户操作输入至当前兴趣点模型,从而获得目标兴趣值,当目标兴趣值大于或等于预设阈值时,可以获取与用户标识对应的当前兴趣点模型,并将目标用户操作输入至当前兴趣点模型,然后获得与目标用户操作对应的兴趣信息。
可选地,当前兴趣度模型可以结合目标内容对象以及用户对目标内容对象执行的目标用户操作,获得表征用户具体兴趣点的兴趣信息。
作为一种示例,目标内容对象为“A牌手动研磨咖啡机”,用户进入目标内容对象的对象详情页后,浏览了20s目标内容对象的对象详情页,在此期间,播放了手动研磨咖啡豆的视频,同时在评论区筛选了“手动研磨”的关键词,并评论了“手动研磨”、“咖啡豆”等评论,当用户退出目标内容对象的对象详情页后,客户端收集了各个目标用户操作,并将目标用户操作输入至当前兴趣度模型,获得目标兴趣值为0.6,大于预设阈值0.5,然后将目标用户操作输入至当前兴趣点模型中,从而获得针对目标用户操作的兴趣信息包括“手动研磨”、“咖啡豆”,客户端将与“手动研磨”、“咖啡豆”等兴趣信息作为参数,发送至服务端,以请求用于向用户推荐的数据,从而获取到与“手动研磨”、“咖啡豆”对应的至少一个推荐内容对象。
在本发明实施例的一种可选实施例中,各个客户端可以配置针对目标兴趣值的标准兴趣点模型,标准兴趣点模型可以通过如下方式生成:
步骤S21,获取所述特征用户操作对应的标准操作结果;
步骤S22,将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
步骤S23,将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标准兴趣点模型。
在具体实现中,客户端可以获取特征用户操作对应的标准操作结果,然后将特征用户操作输入至预设兴趣点模型中进行预测,生成与特征用户操作对应的预测操作结果,接着将预测操作结果与标准操作进行比对,若比对结果不相同,则可以对预设兴趣点模型进行反向训练,从而确定对应的标准兴趣点模型。
在一种示例中,标准操作结果为与各个特征用户操作对应的具体的至少一个内容对象,每个特征用户操作与至少一个标准操作结果存在对应关系。例如,特征用户操作①---标准操作结果①、标准操作结果②、标准操作结果③,其中,不同标准操作结果与特征用户操作①的相似度由高到低的排序为①>②>③。
在另一种示例中,预测操作结果为实际使用预设兴趣点模型时,并将各个特征用户操作输入至预设兴趣点模型后,所生成并输出的具体的至少一个内容对象,每个特征用户操作与至少一个预测操作结果存在对应关系。例如,特征用户操作①---预测操作结果④、预测操作结果⑤、预测操作结果⑥,其中,不同预测操作结果与特征用户操作①的相似度由高到低的排序为④>⑤>⑥。
具体的,预设兴趣点模型可以对不同预测操作结果先采用粗排操作,如场景规则、类别规则等,对不同预测操作结果进行第一次筛选,然后通过精排操作,如相关性、权威性、可浏览性等等规则对粗排后的预测操作结果进行两次以上筛选,从而获得与不同特征用户操作对应的标注你操作结果,提高推荐的准确性。
在另一种示例中,可以将不同的预测操作结果分别与不同的标准操作结果进行比对,例如,标准操作结果①与预测操作结果④进行比对,标准操作结果②与预测操作结果⑤进行比对,且比对结果不相同,则根据比对结果对预设兴趣点模型进行反向训练,将特征用户操作输入至预设兴趣点模型时进行迭代,并计算每次迭代后的预设兴趣点模型的多个损失函数,直到预设兴趣点模型中的多个损失函数最小化时,则停止迭代,进而生成标准兴趣点模型。
在本发明实施例的另一种可选实施例中,当前兴趣点模型可以为客户端采用目标用户操作、标准操作结果以及预测操作结果训练并生成的标准兴趣点模型,还可以为在展示推荐内容对象后,通过获取针对推荐内容对象的反馈操作,从而不断自我更新的标准兴趣点模型。
具体的,可以先获取与正向反馈对应的第一权重值,并根据第一权重值、目标用户操作与所述目标兴趣信息,将标准兴趣点模型更新为与用户标识对应的第一目标兴趣点模型。
在一种示例中,当反馈操作为正向反馈时,当前兴趣点模型可以获取与正向反馈对应的第一权重值,如0.05,将目标兴趣值与第一权重值相加,获得目标兴趣值,然后判断目标兴趣值是否大于或等于预设阈值,若是,则将目标用户操作输入至标准兴趣点模型中,输出与目标用户操作对应的兴趣信息,依据兴趣信息向服务端请求推荐数据,从而获得预测操作结果,然后将预测结果与推荐内容对象进行比对,并根据比对结果进行反向训练,从而将标准兴趣点模型更新为与用户标识对应的第一目标兴趣点模型,提高了推荐的准确性,并且可以根据用户需求实时调整兴趣点模型。
在另一种示例中,当反馈操作为反向反馈时,当前兴趣点模型可以获取与反向反馈对应的第二权重值,如0.05,将目标兴趣值与第二权重值相减,获得目标兴趣值,然后判断目标兴趣值是否大于或等于预设阈值,若是,则将目标用户操作输入至标准兴趣点模型中,输出与目标用户操作对应的兴趣信息,依据兴趣信息向服务端请求推荐数据,从而获得预测操作结果,然后将预测结果与推荐内容对象进行比对,并根据比对结果进行反向训练,从而将标准兴趣点模型更新为与用户标识对应的第二目标兴趣点模型,提高了推荐的准确性,并且可以根据用户需求实时调整兴趣点模型。
步骤105,在所述推荐内容界面中展示所述至少一个推荐内容对象。
在具体实现中,服务端可以将与兴趣信息对应的至少一个推荐内容对象返回至与用户标识对应的客户端中,客户端可以先获取目标内容对象在推荐内容界面中的显示位置,然后在推荐内容界面中的显示位置之后插入至少一个推荐内容对象,以方便用户在浏览完目标内容对象之后,可以接着浏览依据目标用户操作所推荐的推荐内容对象,提高用户的体验感。
为了使本领域技术人员更好地理解本发明实施例的技术方案,下面通过一个例子,以及参照图2示出的流程图对本发明实施例进行说明。
用户在目标内容对象的对象详情页中用户进行了一系列目标用户操作,然后退出对象详情页,则目标用户操作可以表示为[30,1,1,0,1,1,0,0],并将目标用户操作输入至当前兴趣度模型中进行预测,得到的目标兴趣值0.6,大于预设阈值0.5,然后将目标用户操作输入至当前兴趣点模型中,获得推荐内容对象A,并在推荐内容界面中,将推荐内容对象A插入至目标内容对象的下方位置。
此时,若用户点击了推荐内容对象A,则说明目标用户操作表示的是用户比较感兴趣,从而将目标兴趣值0.6与第一权重值0.05相加,获得第二目标兴趣值0.65,然后将目标用户操作与第二目标兴趣值组成训练样本[30,1,1,0,1,1,0,0,0.65],将训练样本输入至标准兴趣度模型中,输出与目标用户操作对应的第二预测兴趣值,然后将第二目标兴趣值与第二预测兴趣值进行比对,并根据比对结果进行反向训练,将标准兴趣度模型更新为与用户标识对应的第一目标兴趣度模型,然后标准兴趣点模型可以获取第一权重值0.05,然后将目标用户操作输入至标准兴趣点模型中,获取到目标兴趣信息,从而将标准兴趣点模型更新为第一目标兴趣点模型。
若用户通过滚动操作划走了推荐内容对象A,则说明目标用户操作表示的是用户不感兴趣,从而将目标兴趣值0.6与第二权重值0.05相减,获得第二目标兴趣值0.55,判断第二目标兴趣值大于预设阈值0.5,则可以将目标用户操作与第二目标兴趣值组成训练样本[30,1,1,0,1,1,0,0,0.55],将训练样本输入至标准兴趣度模型中,输出与目标用户操作对应的第二预测兴趣值,将第二目标兴趣值与第二预测兴趣值进行比对,并根据比对结果进行反向训练,并将标准兴趣度模型更新为与用户标识对应的第一目标兴趣度模型,然后标准兴趣点模型可以获取第二权重值0.05,然后将目标用户操作输入至标准兴趣点模型中,获取到目标兴趣信息,从而将标准兴趣点模型更新为第二目标兴趣点模型。
需要说明的是,本发明实施例包括但不限于上述示例,可以理解的是,在本发明实施例的思想指导下,本领域技术人员可以根据实际情况进行设置,本发明对此不作限制。
在本发明实施例中,可以应用于客户端,用户在客户端中浏览目标内容对象的对象详情页,当用户在客户端中退出对象详情页时,客户端可以返回推荐内容界面,并获取用户在该对象详情页中输入的目标用户操作,接着可以根据目标用户操作确定出对应的目标兴趣值,若目标兴趣值大于或等于预设阈值,则进一步确定与目标用户操作对应的兴趣信息,并根据兴趣信息获取对应的至少一个推荐内容对象,接着将推荐内容对象展示在推荐内容界面中,从而在用户浏览内容并执行回退操作时,首先通过用户在对象详情页中的用户操作确定用户的兴趣值,并根据该兴趣值判断用户是否对目标内容对象感兴趣,通过用户操作对用户的兴趣值进行确定,能够有效识别出用户需求,同时,在判定为感兴趣的情况下,确定与目标用户操作对应的兴趣信息,然后通过兴趣信息向用户推荐对应的内容对象,通过识别用户需求与根据用户操作进行内容推荐,有效地保证了内容推荐的准确性以及推荐内容与用户需求的匹配度。
需要说明的是,对于方法实施例,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,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,示出了本发明实施例中提供的一种内容对象的推荐装置的结构框图,具体可以包括如下模块:
对象详情页展示模块301,用于展示目标内容对象的对象详情页;
目标用户操作获取模块302,用于响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
目标兴趣值确定模块303,用于确定与所述目标用户操作对应的目标兴趣值;
推荐内容对象获取模块304,用于若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的兴趣信息,并获取与所述兴趣信息对应的至少一个推荐内容对象;
推荐内容对象展示模块305,用于在所述推荐内容界面中展示所述至少一个推荐内容对象。
在本发明实施例的一种可选实施例中,所述目标兴趣值确定模块303具体用于:
获取与所述用户标识对应的当前兴趣度模型;
将所述目标用户操作输入所述当前兴趣度模型,获得与所述目标用户操作对应的目标兴趣值。
在本发明实施例的一种可选实施例中,所述用户对应一用户标识,所述推荐内容对象获取模块具体用于:
获取与所述用户标识对应的当前兴趣点模型;
将所述目标用户操作输入所述当前兴趣点模型,获得与所述目标用户操作对应的兴趣信息。
在本发明实施例的一种可选实施例中,所述推荐内容对象展示模块305具体用于:
获取所述目标内容对象在所述推荐内容界面中的显示位置;
在所述推荐内容界面中的所述显示位置之后显示所述至少一个推荐内容对象。
在本发明实施例的一种可选实施例中,所述装置还包括:
基础用户操作获取模块,用于获取基础用户操作以及兴趣特征信息;
特征用户操作提取模块,用于从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
训练权重系数获取模块,用于获取各个所述特征用户操作对应的训练权重系数;
标准兴趣度模型生成模块,用于根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型。
在本发明实施例的一种可选实施例中,所述标准兴趣度模型生成模块具体用于:
获取所述特征用户操作对应的标准兴趣值;
将所述特征用户操作以及对应的训练权重系数输入预设兴趣度模型,获得与所述特征用户操作对应的预测兴趣值;
将所述预测兴趣值与所述标准兴趣值进行比对,并根据比对结果对所述预设兴趣度模型进行反向训练,生成标准兴趣度模型。
在本发明实施例的一种可选实施例中,所述标准兴趣点模型通过如下方式生成:
标准操作结果获取模块,用于获取所述特征用户操作对应的标准操作结果;
预测操作结果获取模块,用于将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
标准兴趣点模型生成模块,用于将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标准兴趣点模型。
在本发明实施例的一种可选实施例中,所述装置还包括:
操作类型获取模块,用于响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
第一目标兴趣度模型确定模块,用于若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
第一目标兴趣点模型确定模块,用于获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
在本发明实施例的一种可选实施例中,所述装置还包括:
第二目标兴趣度模型确定模块,用于若所述反馈操作的操作类型为负向反馈,则获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第二目标兴趣度模型;
第二目标兴趣点模型确定模块,用于获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第二目标兴趣点模型。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
另外,本发明实施例还提供一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
展示目标内容对象的对象详情页;
响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
确定与所述目标用户操作对应的目标兴趣值;
若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的兴趣信息,并获取与所述兴趣信息对应的至少一个推荐内容对象;
在所述推荐内容界面中展示所述至少一个推荐内容对象。
在本发明实施例的一种可选实施例中,所述用户对应一用户标识,所述确定与所述目标用户操作对应的目标兴趣值,包括:
获取与所述用户标识对应的当前兴趣度模型;
将所述目标用户操作输入所述当前兴趣度模型,获得与所述目标用户操作对应的目标兴趣值。
在本发明实施例的一种可选实施例中,所述确定与所述目标用户操作对应的兴趣信息,包括:
获取与所述用户标识对应的当前兴趣点模型;
将所述目标用户操作输入所述当前兴趣点模型,获得与所述目标用户操作对应的兴趣信息。
在本发明实施例的一种可选实施例中,所述在所述推荐内容界面中展示所述至少一个推荐内容对象,包括:
获取所述目标内容对象在所述推荐内容界面中的显示位置;
在所述推荐内容界面中的所述显示位置之后显示所述至少一个推荐内容对象。
在本发明实施例的一种可选实施例中,还包括:
获取基础用户操作以及兴趣特征信息;
从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
获取各个所述特征用户操作对应的训练权重系数;
根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型。
在本发明实施例的一种可选实施例中,所述根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型,包括:
获取所述特征用户操作对应的标准兴趣值;
将所述特征用户操作以及对应的训练权重系数输入预设兴趣度模型,获得与所述特征用户操作对应的预测兴趣值;
将所述预测兴趣值与所述标准兴趣值进行比对,并根据比对结果对所述预设兴趣度模型进行反向训练,生成标准兴趣度模型。
在本发明实施例的一种可选实施例中,所述标准兴趣点模型通过如下方式生成:
获取所述特征用户操作对应的标准操作结果;
将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标准兴趣点模型。
在本发明实施例的一种可选实施例中,还包括:
响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
在本发明实施例的一种可选实施例中,还包括:
若所述反馈操作的操作类型为负向反馈,则获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第二目标兴趣度模型;
获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第二目标兴趣点模型。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
如图5所示,在本发明提供的又一实施例中,还提供了一种计算机可读存储介质501,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中所述的内容对象的推荐方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中所述的内容对象的推荐方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种内容对象的推荐方法,其特征在于,包括:
展示目标内容对象的对象详情页;
响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
确定与所述目标用户操作对应的目标兴趣值;
若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的目标兴趣信息,并获取与所述目标兴趣信息对应的至少一个推荐内容对象;
在所述推荐内容界面中展示所述至少一个推荐内容对象;
其中,所述用户对应一用户标识,所述方法还包括:
获取基础用户操作以及兴趣特征信息;
从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
获取各个所述特征用户操作对应的训练权重系数;
根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型;
响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
2.根据权利要求1所述的方法,其特征在于,所述确定与所述目标用户操作对应的目标兴趣值,包括:
获取与所述用户标识对应的当前兴趣度模型;
将所述目标用户操作输入所述当前兴趣度模型,获得与所述目标用户操作对应的目标兴趣值。
3.根据权利要求2所述的方法,其特征在于,所述确定与所述目标用户操作对应的目标兴趣信息,包括:
获取与所述用户标识对应的当前兴趣点模型;
将所述目标用户操作输入所述当前兴趣点模型,获得与所述目标用户操作对应的目标兴趣信息。
4.根据权利要求1所述的方法,其特征在于,所述在所述推荐内容界面中展示所述至少一个推荐内容对象,包括:
获取所述目标内容对象在所述推荐内容界面中的显示位置;
在所述推荐内容界面中的所述显示位置之后显示所述至少一个推荐内容对象。
5.根据权利要求1所述的方法,其特征在于,所述根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型,包括:
获取所述特征用户操作对应的标准兴趣值;
将所述特征用户操作以及对应的训练权重系数输入预设兴趣度模型,获得与所述特征用户操作对应的预测兴趣值;
将所述预测兴趣值与所述标准兴趣值进行比对,并根据比对结果对所述预设兴趣度模型进行反向训练,生成所述标准兴趣度模型。
6.根据权利要求1所述的方法,其特征在于,所述标准兴趣点模型通过如下方式生成:
获取所述特征用户操作对应的标准操作结果;
将所述特征用户操作输出预设兴趣点模型,获得与所述特征用户操作对应的预测操作结果;
将所述预测操作结果与所述标准操作结果进行比对,并根据比对结果对所述预设兴趣点模型进行反向训练,生成标所述准兴趣点模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
若所述反馈操作的操作类型为负向反馈,则获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第二目标兴趣度模型;
获取与所述负向反馈对应的第二权重值,并根据所述第二权重值、所述目标用户操作与所述目标兴趣信息,将所述标准兴趣点模型更新为与所述用户标识对应的第二目标兴趣点模型。
8.一种内容对象的推荐装置,其特征在于,包括:
对象详情页展示模块,用于展示目标内容对象的对象详情页;
目标用户操作获取模块,用于响应于针对所述对象详情页的退出操作,展示推荐内容界面,并获取用户在所述对象详情页中输入的目标用户操作;
目标兴趣值确定模块,用于确定与所述目标用户操作对应的目标兴趣值;
推荐内容对象获取模块,用于若所述目标兴趣值大于或等于预设阈值,则确定与所述目标用户操作对应的目标兴趣信息,并获取与所述目标兴趣信息对应的至少一个推荐内容对象;
推荐内容对象展示模块,用于在所述推荐内容界面中展示所述至少一个推荐内容对象;
其中,所述用户对应一用户标识,所述装置还包括:
基础用户操作获取模块,用于获取基础用户操作以及兴趣特征信息;
特征用户操作提取模块,用于从所述基础用户操作中,提取与所述兴趣特征信息对应的特征用户操作;
训练权重系数获取模块,用于获取各个所述特征用户操作对应的训练权重系数;
标准兴趣度模型生成模块,用于根据各个所述特征用户操作以及对应的训练权重系数,生成标准兴趣度模型;
操作类型获取模块,用于响应针对所述推荐内容对象的反馈操作,获取所述反馈操作的操作类型;
第一目标兴趣度模型确定模块,用于若所述反馈操作的操作类型为正向反馈,则获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣值,将所述标准兴趣度模型更新为与所述用户标识对应的第一目标兴趣度模型;
第一目标兴趣点模型确定模块,用于获取与所述正向反馈对应的第一权重值,并根据所述第一权重值、所述目标用户操作与所述目标兴趣信息,将标准兴趣点模型更新为与所述用户标识对应的第一目标兴趣点模型。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行所述指令时,使得所述电子设备执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有指令,当由一个或多个处理器执行所述指令时,使得所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111496768.9A CN114329187B (zh) | 2021-12-08 | 2021-12-08 | 内容对象的推荐方法、装置、电子设备以及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111496768.9A CN114329187B (zh) | 2021-12-08 | 2021-12-08 | 内容对象的推荐方法、装置、电子设备以及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114329187A CN114329187A (zh) | 2022-04-12 |
CN114329187B true CN114329187B (zh) | 2023-01-24 |
Family
ID=81050222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111496768.9A Active CN114329187B (zh) | 2021-12-08 | 2021-12-08 | 内容对象的推荐方法、装置、电子设备以及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329187B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
CN111127053A (zh) * | 2018-10-30 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 页面内容推荐方法、装置及电子设备 |
CN113298594A (zh) * | 2020-07-16 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据推送方法、装置、电子设备和存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8881209B2 (en) * | 2012-10-26 | 2014-11-04 | Mobitv, Inc. | Feedback loop content recommendation |
CN106294630B (zh) * | 2016-07-28 | 2019-11-05 | 五八同城信息技术有限公司 | 多媒体信息推荐方法、装置及多媒体系统 |
CN106844455A (zh) * | 2016-12-20 | 2017-06-13 | 北京五八信息技术有限公司 | 基于用户兴趣的页面推荐方法和装置 |
CN108197161B (zh) * | 2017-12-12 | 2021-11-09 | 五八有限公司 | 信息的推荐方法和装置 |
CN108230101B (zh) * | 2017-12-29 | 2022-05-17 | 百度在线网络技术(北京)有限公司 | 信息推荐方法和装置 |
CN108228873B (zh) * | 2018-01-17 | 2022-02-18 | 腾讯科技(深圳)有限公司 | 对象推荐、发布内容推送方法、装置、存储介质和设备 |
CN109359248A (zh) * | 2018-09-28 | 2019-02-19 | Oppo广东移动通信有限公司 | 用户画像更新方法、装置、终端及存储介质 |
CN112395489B (zh) * | 2019-08-15 | 2023-04-11 | 中移(苏州)软件技术有限公司 | 一种推荐方法及装置、设备和计算机存储介质 |
CN113298592A (zh) * | 2020-07-15 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 商品对象信息展示方法、装置及电子设备 |
CN112099722A (zh) * | 2020-09-21 | 2020-12-18 | 北京五八信息技术有限公司 | 业务信息的展示方法、装置、设备和计算机可读介质 |
CN112364217A (zh) * | 2020-10-15 | 2021-02-12 | 北京五八信息技术有限公司 | 一种信息展示方法、装置、电子设备及存储介质 |
CN113298283A (zh) * | 2020-10-19 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 一种内容对象预测方法和装置以及内容对象推荐方法 |
CN112650921B (zh) * | 2020-12-18 | 2024-06-18 | 中国平安人寿保险股份有限公司 | 一种对象推荐方法、装置、设备及存储介质 |
CN112765400B (zh) * | 2020-12-31 | 2024-04-23 | 上海众源网络有限公司 | 兴趣标签的权重更新方法、内容推荐方法、装置及设备 |
-
2021
- 2021-12-08 CN CN202111496768.9A patent/CN114329187B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
CN111127053A (zh) * | 2018-10-30 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 页面内容推荐方法、装置及电子设备 |
CN113298594A (zh) * | 2020-07-16 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 数据推送方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114329187A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
WO2016101777A1 (zh) | 用户兴趣数据分析和收集系统及其方法 | |
US20170140464A1 (en) | Method and apparatus for evaluating relevance of keyword to asset price | |
US20170076321A1 (en) | Predictive analytics in an automated sales and marketing platform | |
CN104978665A (zh) | 一种品牌评估方法和装置 | |
CA3070612A1 (en) | Click rate estimation | |
CN107153656B (zh) | 一种信息搜索方法和装置 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
WO2010010654A1 (ja) | 使い方推定装置 | |
CN112052394B (zh) | 专业内容信息的推荐方法、系统、终端设备和存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
CN113312512A (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
CN113656681A (zh) | 一种对象评价方法、装置、设备及存储介质 | |
CN114581175A (zh) | 商品推送方法、装置、存储介质及电子设备 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
Diwandari et al. | Research Methodology for Analysis of E-Commerce User Activity Based on User Interest using Web Usage Mining. | |
CN114329187B (zh) | 内容对象的推荐方法、装置、电子设备以及可读介质 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 |
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 |