CN114372202A - 一种内容推荐方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明实施例涉及人工智能，提供了一种内容推荐方法、装置、存储介质及电子设备，所述方法包括：确定用户对感兴趣内容对应的兴趣标签的热度值；当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；将与所述目标标签关联的内容推荐给所述用户。本发明实施例的方案，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

Description

一种内容推荐方法、装置、存储介质及电子设备

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种内容推荐方法、装置、存储介质及电子设备。

背景技术

智能推荐已经在内容分发平台、电商、广告、音视频等互联网产品中随处可见。面对海量的信息，用户需要快速精准的找到自己需要的信息。通过将海量信息进行筛选、过滤、分类、匹配，把用户最关注、最希望看到的信息展现在他们面前。这大大节省了用户筛选信息的时间，提升了系统效率。据不完全统计，当前基于算法的个性化内容推送，已占整个互联网信息内容分发的70％左右。

人们习惯性地被自己的兴趣所引导，精准的信息完全遵从用户的喜好，却也导致用户收到的信息都是符合自己心意的。然而，只向用户推荐用户自己感兴趣的内容，会使用户的信息面越来越窄，而且当用户长时间只关注某类内容，也会感到乏味和厌倦。

发明内容

本发明实施例提供一种内容推荐方法、装置、存储介质及电子设备，可以有效解决长时间只向用户推荐注用户感兴趣的内容，导致用户信息面单一的技术问题。

第一方面，本发明实施例提供了一种内容推荐方法，包括：

确定用户对感兴趣内容对应的兴趣标签的热度值；

当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；

将与所述目标标签关联的内容推荐给所述用户。

第二方面，本发明实施例还提供了一种内容推荐装置，包括：

热度值确定模块，用于确定用户对感兴趣内容对应的兴趣标签的热度值；

目标标签确定模块，用于当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；

内容推荐模块，用于将与所述目标标签关联的内容推荐给所述用户。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的内容推荐方法。

第四方面，本发明实施例提供了一种电子设备，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计算机程序时实现如本发明实施例提供的内容推荐方法。

本发明实施例提供的内容推荐方案，确定用户对感兴趣内容对应的兴趣标签的热度值；当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；将与所述目标标签关联的内容推荐给所述用户。通过本发明实施例提供的技术方案，当用户对兴趣标签的热度值大于热度阈值时，认为用户对该兴趣标签关联的内容达到了兴趣峰值，可能会产生乏味和厌倦，此时，将与兴趣标签N度关联的目标标签对应的内容推荐给用户，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

附图说明

图1是本发明一实施例提供的一种内容推荐方法的流程图；

图2是本发明另一实施例中的一种内容推荐方法的流程图；

图3是本发明另一实施例中的一种内容推荐装置的结构示意图；

图4是本发明另一实施例中的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1为本发明一实施例提供的一种内容推荐方法的流程图，本发明实施例可适用于对内容进行智能推荐的情况，该方法可以由内容推荐装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中。如图1所示，该方法具体包括如下步骤：

步骤110，确定用户对感兴趣内容对应的兴趣标签的热度值。

其中，用户对感兴趣内容的兴趣标签的热度值反映了用户对兴趣标签关联的内容的喜爱程度或感兴趣程度，其中，热度值越小，表示用户对兴趣标签关联的内容的喜爱程度或感兴趣程度越低。

在本发明实施例中，确定用户的感兴趣内容，其中，可以根据用户主动输入信息，确定用户的感兴趣内容；也可以根据用户在预设时间段内对各类内容的反馈数据，确定用户的感兴趣内容。例如，若用户在预设时间段内对某类内容的反馈数据均为正反馈时，可以确定该类内容为用户的感兴趣内容。确定用户的感兴趣内容对应的兴趣标签，并确定用户对兴趣标签的热度值。其中，用户对感兴趣内容对应的兴趣标签的热度值可以随着时间的推移不断变化。示例性的，统计预设时间段内用户对兴趣标签关联的感兴趣内容的反馈数据，根据反馈数据实时调整用户对兴趣标签的热度值。例如，用户对某标签的初始热度值为0，随着用户对该标签关联的内容的正反馈(如点赞、分享、购买等)，用户对该标签的热度值逐渐增大。

可选的，在所述确定用户对感兴趣内容对应的兴趣标签的热度值之前，还包括：获取用户对应的特征标签；将所述特征标签与预先建立的内容标签体系中的内容标签进行比对，并将所述内容标签体系中与所述特征标签匹配的内容标签，作为所述用户的兴趣标签；将与所述兴趣标签关联的内容作为所述用户的感兴趣内容。具体的，获取用户对应的特征标签，其中，特征标签可以反映用户对哪些类别的内容感兴趣。例如，可以获取用户特征库，其中，用户特征库中包含各个用户的对应的特征标签。确定用户的标识信息(能够唯一表征该用户的信息，如身份信息)，根据用户的标识信息在用户特征库中查找该用户对应的特征标签。内容标签体系可以为基于推荐平台所涉及的内容预先建立的标签体系，内容标签体系可包含推荐平台所涉及的所有内容对应的内容标签。将用户对应的特征标签与内容标签体系中的各个内容标签一一进行比对，将内容标签体系中与用户对应的特征标签匹配的内容标签，作为用户的兴趣标签。其中，兴趣标签关联的内容为用户的感兴趣内容。然后，确定用户对感兴趣内容对应的兴趣标签的热度值。

步骤120，当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数。

其中，第一热度阈值为用户对兴趣标签关联的内容即将感到乏味或厌倦时对应的热度峰值。在本发明实施例中，可以根据内容推荐的应用场景(如视频类相关内容的推荐、淘宝类相关内容的推荐、教学类相关内容的推荐)、用户特征(用户的性别、年龄、职业等相关特征)、环境特征(与应用场景相关)、内容特征(与应用场景相关)，综合关联用户数据(用户对推荐内容的反馈数据，如点赞、分享、购买行为等)，动态评估用户对兴趣标签关联的内容的热度峰值(也即兴趣峰值)，以确定第一热度阈值。例如，可以通过机器学习的方式，对内容推荐的应用场景、用户特征、环境特征、内容特征，进行AI学习，确定与该用户对应的第一热度阈值。需要说明的是，对于不同的用户，第一热度阈值不同，对于不同的兴趣标签，第一的热度阈值也不同。

其中，N度关联中的N值，可以根据内容标签体系的密度，以及对用户保守/开放程度的学习，确定针对用户最适宜的标签跨度N。N为大于或等于1的整数，N值越大，表示目标标签与兴趣标签的关联性越弱，也即目标标签与兴趣标签的标签跨度越大；反之，N值越小，表示目标标签与兴趣标签的关联性越强，也即目标标签与兴趣标签的标签跨度越小。

在本发明实施例中，判断用户对兴趣标签的热度值是否大于第一热度阈值，若是，则认为用户对兴趣标签可能存在过热风险，即经过一段时间的喜爱或关注后，用户可能对该兴趣标签关联的内容感到乏味或厌倦。因此，当用户对感兴趣内容对应的兴趣标签的热度值大于第一热度阈值时，确定与兴趣标签N度关联的目标标签。其中，目标标签可以为一个，也可以为多个，本发明实施例对目标标签的数量不做限定。示例性的，获取内容标签体系中各个标签间的关联度，根据各个标签的关联度，在内容标签体系中查找与兴趣标签N度关联的标签，并将该标签作为目标标签。

可选的，当所述热度值小于所述第一热度阈值时，判断所述热度值是否大于第三热度阈值；其中，所述第三热度阈值小于所述第一热度阈值；当所述热度值大于所述第三热度阈值时，给所述用户打上与所述兴趣标签对应的特征标签。示例性的，当用户对兴趣标签的热度值小于第一热度阈值时，说明用户对兴趣标签目前不存在过热风险，因此，当用户对兴趣标签的热度值小于第一热度阈值时，进一步判断该热度值是否大于第三热度阈值，若是，则认为用户可能对该兴趣标签关联的内容仍处于感兴趣阶段，因此，可给用户打上与兴趣标签对应的特征标签，以更新用户对应的特征标签。

步骤130，将与所述目标标签关联的内容推荐给所述用户。

在本发明实施例中，获取与目标标签关联的内容，并将与目标标签关联的内容推荐给用户。可选的，将与所述目标标签关联的内容推荐给所述用户，包括：将与所述目标标签关联的内容，按照预设比例随机推荐给所述用户。其中，预设比例可以根据内容推荐的实际应用场景、用户特征及内容特征设定。例如，可以基于《最优学习的85％规则》，将预设比例设定为15.87％，可以使用户对推荐的内容获取较好的学习效果。

本发明实施例提供的内容推荐方法，确定用户对感兴趣内容对应的兴趣标签的热度值；当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；将与所述目标标签关联的内容推荐给所述用户。通过本发明实施例提供的技术方案，当用户对兴趣标签的热度值大于热度阈值时，认为用户对该兴趣标签关联的内容达到了兴趣峰值，可能会产生乏味和厌倦，此时，将与兴趣标签N度关联的目标标签对应的内容推荐给用户，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

在一些实施例中，所述第一热度阈值的确定方式，包括：获取所述用户的特征信息及所述感兴趣内容对应的内容特征；根据所述特征信息及所述内容特征，确定第一热度阈值。这样设置的好处在于，可以准确设定第一热度阈值，在保证用户对感兴趣的内容进行充分的了解或学习的前提下，有助于在合适的时间点扩大用户的喜好面或扩展用户的信息边界。

示例性的，获取用户的特征信息及感兴趣内容对应的内容特征，其中，特征信息可以包括用户的性别、年龄、职业、所在城市等相关信息，感兴趣内容对应的内容特征与内容推荐的应用场景相关，如在购物场景中，用户在买了牙刷后，大概率短期都不会再购买牙刷；但在学习场景中，用户开始学习明朝历史后，很可能数周都对此保持高度兴趣，因此，感兴趣内容对应的内容特征可以包括对内容保持兴趣的持久性。在本发明实施例中，根据特征信息及内容特征，确定第一热度阈值。例如，对特征信息和内容特征进行综合分析，确定第一热度阈值。又如，获取预先建立的特征信息、内容特征及第一热度阈值的对应关系表，根据确定的特征信息和内容特征，在该对应关系表中，查找确定第一热度阈值。

可选的，根据所述特征信息及所述内容特征，确定第一热度阈值，包括：将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中，根据所述热度阈值确定模型的输出结果，确定第一热度阈值。这样设置的好处在于，可快速、准确地确定第一热度阈值。其中，热度阈值确定模型可以理解为能够快速、准确确定第一热度阈值的机器学习模型。在本发明实施例中，将用户的特征信息和感兴趣内容对应的内容特征，输入至热度阈值确定模型中，热度阈值确定模型对上述信息进行综合分析，确定第一热度阈值。

可选的，在将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中之前，还包括：获取至少两个样本用户的用户特征及所述至少两个样本用户在预设时间段内的行为样本数据；其中，所述行为样本数据包括所述至少两个样本用户对内容数据的反馈信息；根据所述反馈信息确定所述至少两个样本用户对各类内容数据的热度峰值；根据所述热度峰值及所述用户特征对所述行为样本数据进行标记，并将标记后的数据作为训练样本；基于训练样本对预设机器学习模型进行训练，生成热度阈值确定模型。示例性的，可获取预设时间段内M个样本用户的行为样本数据及M个样本用户的用户特征，其中，行为样本数据包括M个样本用户对内容数据的反馈信息。根据反馈信息分别确定该M个样本用户对各类内容数据的热度峰值，然后基于热度峰值及用户特征对用户行为数据进行样本标记，并将样本标记后的用户行为数据作为训练样本；基于训练样本对预设机器学习模型(如CNN模型)进行训练，生成热度阈值确定模型。

示例性的，还可获取预设时间段内所述用户的行为样本数据，其中，行为样本数据包括用户对各类内容的反馈数据以及各类内容数据的特征；统计用户对某类内容数据的兴趣维持时长(也即将某类数据过度或转换为另一类数据的时长)；根据兴趣维持时长及内容数据的特征对用户行为数据进行样本标记，并将样本标记后的用户行为数据作为训练样本；基于训练样本对预设机器学习模型(如CNN模型)进行训练，生成热度阈值确定模型。其中，热度阈值确定模型可以准确、快速地确定出用户对各类内容数据的第一热度阈值。

其中，本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

在一些实施例中，与所述兴趣标签N度关联的N值的确定方式包括如下至少一种：获取所述兴趣标签所属内容标签体系的标签密度；根据所述标签密度及预先设定的标签密度与N的正比例关系，确定与所述兴趣标签N度关联的N值；其中，标签密度越大，N值越大；或者，针对所述兴趣标签所属内容标签体系中的各个内容标签，统计所述用户从当前内容标签切换至另一内容标签的标签跨度；计算所有标签跨度的均值，并所述均值作为与所述兴趣标签N度关联的N值。示例性的，获取兴趣标签所属内容标签体系的标签密度，其中，标签密度反映了内容标签体系中内容标签间的跨度大小，标签密度越大，表示内容标签体系中内容标签间的跨度越小；反之，标签密度越小，表示内容标签体系中内容标签间的跨度越大。根据标签密度及预先设定的标签密度与N的正比例关系，确定与兴趣标签N度关联的N值，例如预先设定的标签密度与N的正比例关系为：Y＝kN，其中，Y表示标签密度，k为常数，则根据该正比例关系及标签密度，可计算与兴趣标签N度关联的N值。又示例性的，统计预设时间段内用户从某一内容标签切换至另一内容标签的标签跨度，并计算所有标签跨度的均值，将均值作为兴趣标签N度关联的N值。

图2为本发明又一实施例提供的内容推荐方法的流程图，该方法包括：

步骤210，获取用户对应的特征标签。

步骤220，将所述特征标签与预先建立的内容标签体系中的内容标签进行比对，并将所述内容标签体系中与所述特征标签匹配的内容标签，作为所述用户的兴趣标签；其中，与所述兴趣标签关联的内容为所述用户的感兴趣内容。

步骤230，确定所述用户对所述感兴趣内容对应的兴趣标签的热度值。

步骤240，将所述感兴趣内容推荐给所述用户，并获取所述用户对所述感兴趣内容的第一反馈结果。

在本发明实施例中，将感兴趣内容推荐给用户，也即将兴趣标签关联的内容推荐给用户，并获取用户对兴趣标签关联的内容的反馈结果。为了描述方便，将用户对兴趣标签关联的内容的反馈结果称为第一反馈结果。其中，第一反馈结果可以反映用户对兴趣标签关联的内容是否感兴趣。

步骤250，根据所述第一反馈结果对所述所述兴趣标签的热度值进行更新。

可选的，所述第一反馈结果包括正反馈和负反馈；根据所述第一反馈结果对所述兴趣标签的热度值进行更新，包括：当所述第一反馈结果为正反馈时，提升所述兴趣标签的热度值；当所述第一反馈结果为负反馈时，降低所述兴趣标签的热度值。示例性的，针对视频类内容的推荐，第一反馈结果可以包括点赞、关注、分享、收藏、取消关注、删除以及浏览时长，其中，点赞、关注、分享、收藏、浏览时长大于预设时长可以理解为正反馈，取消关注、删除、浏览时长小于预设时长可以理解为负反馈。当第一反馈结果为正反馈时，可以按照第一预设规则提升用户对兴趣标签的热度值，例如，当第一反馈结果为正反馈时，将用户对兴趣标签的热度值加1；又如，当第一反馈结果为正反馈时，确定正反馈的反馈类型，根据正反馈的反馈类型，确定用户对兴趣标签的热度值的增加值，如正反馈为关注、分享或收藏时，将用户对兴趣标签的热度值加2，正反馈为点赞或浏览时长大于预设时长时，将用户对兴趣标签的热度值加1。当第一反馈结果为负反馈时，可以按照第二预设规则降低用户对兴趣标签的热度值，例如，当第一反馈结果为负反馈时，将用户对兴趣标签的热度值减1；又如，当第一反馈结果为负反馈时，确定负反馈的反馈类型，根据负反馈的反馈类型，确定用户对兴趣标签的热度值的减小值，如负反馈为删除或取消关注时，将用户对兴趣标签的热度值减2，负反馈为点浏览时长小于预设时长时，将用户对兴趣标签的热度值减1。通过上述方法，基于用户对兴趣标签关联内容的反馈结果，不断地更新用户对兴趣标签的热度值。

在本发明实施例中，当确定用户对兴趣标签关联的内容的反馈结果为正反馈时，不仅提升用户对兴趣标签的热度值，而且还可以加强对兴趣标签关联内容的推荐；反之，当用户对兴趣标签关联的内容给予负反馈时，将该用户对A标签的热度值降低，还可以减少对兴趣标签关联内容的推荐。

步骤260，当更新后的热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签。

步骤270，将与所述目标标签关联的内容，按照预设比例随机推荐给所述用户。

示例性的，当用户对兴趣标签A的热度值大于第一热度阈值时，则认为A标签可能存在过热风险，此时在内容标签体系中，确定与兴趣标签A N度关联的目标标签B1、目标标签B2……，并按照预设比例将与兴趣标签A，N度关联的目标标签对应的内容随机推荐给用户。

步骤280，获取所述用户对与所述目标标签关联的内容的第二反馈结果。

在本发明实施例中，获取用户对目标标签关联的内容的反馈结果，其中，为了描述方便，将用户对目标标签关联的内容的反馈结果称为第二反馈结果。其中，第二反馈结果可以反映用户对目标标签关联的内容是否感兴趣。示例性的，针对视频类内容的推荐，第二反馈结果也可以包括点赞、关注、分享、收藏、取消关注、删除以及浏览时长，其中，点赞、关注、分享、收藏、浏览时长大于预设时长可以理解为正反馈，取消关注、删除、浏览时长小于预设时长可以理解为负反馈。

步骤290，根据所述第二反馈结果确定所述用户对所述目标标签的热度值。

在本发明实施例中，可以将用户对目标标签的初始热度值设定为0，根据第二反馈结果不断对用户对目标标签的初始热度值进行更新，以确定用户对目标标签的热度值。例如，当第二反馈结果为正反馈时，提升用户对目标标签的初始热度值；当第二反馈结果为负反馈时，降低用户对兴趣标签的初始热度值。

步骤2100，当所述用户对所述目标标签的热度值大于第二热度阈值时，给所述用户打上与所述目标标签对应的特征标签。

在本发明实施例中，判断用户对目标标签的热度值是否大于第二热度阈值，若是，则说明用户对目标标签关联的内容很感兴趣，给用户打上与目标标签对应的特征标签，以更新用户对应的特征标签库。

在本发明实施例中，当用户对目标标签关联的内容给予正反馈时，将用户对目标标签的热度值提升的同时，加强对目标标签关联内容的推荐。当目标标签的热度值大于对应的第一预设阈值时，确定与目标标签具有N度关联的标签C1、C2……依次类推，通过上述方法不断扩大用户的喜好面或扩展用户的信息边界。

本发明实施例提供的技术方案，当用户对兴趣标签的热度值大于热度阈值时，认为用户对该兴趣标签关联的内容达到了兴趣峰值，可能会产生乏味和厌倦，此时，将与兴趣标签N度关联的目标标签对应的内容推荐给用户，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

图3为本发明另一实施例提供的一种内容推荐装置的结构示意图。如图3所示，该装置包括：热度值确定模块310，目标标签确定模块320和内容推荐模块330。其中，

热度值确定模块310，用于确定用户对感兴趣内容对应的兴趣标签的热度值；

目标标签确定模块320，用于当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；

内容推荐模块330，用于将与所述目标标签关联的内容推荐给所述用户。

本发明实施例提供的内容推荐装置，确定用户对感兴趣内容对应的兴趣标签的热度值；当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；将与所述目标标签关联的内容推荐给所述用户。通过本发明实施例提供的技术方案，当用户对兴趣标签的热度值大于热度阈值时，认为用户对该兴趣标签关联的内容达到了兴趣峰值，可能会产生乏味和厌倦，此时，将与兴趣标签N度关联的目标标签对应的内容推荐给用户，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

可选的，与所述兴趣标签N度关联的N值的确定方式包括如下至少一种：

获取所述兴趣标签所属内容标签体系的标签密度；根据所述标签密度及预先设定的标签密度与N的正比例关系，确定与所述兴趣标签N度关联的N值；其中，标签密度越大，N值越大；或者，

针对所述兴趣标签所属内容标签体系中的各个内容标签，统计所述用户从当前内容标签切换至另一内容标签的标签跨度；计算所有标签跨度的均值，并将所述均值作为与所述兴趣标签N度关联的N值。

可选的，所述装置还包括：

特征标签获取模块，用于在所述确定用户对感兴趣内容对应的兴趣标签的热度值之前，获取用户对应的特征标签；

兴趣标签确定模块，用于将所述特征标签与预先建立的内容标签体系中的内容标签进行比对，并将所述内容标签体系中与所述特征标签匹配的内容标签，作为所述用户的兴趣标签；

将与所述兴趣标签关联的内容作为所述用户的感兴趣内容。

可选的，所述装置还包括：

第一反馈结果获取模块，用于将所述感兴趣内容推荐给所述用户，并获取所述用户对所述感兴趣内容的第一反馈结果；

热度值更新模块，用于根据所述第一反馈结果对所述兴趣标签的热度值进行更新；

所述目标标签确定模块，用于：

当更新后的热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签。

可选的，所述第一反馈结果包括正反馈和负反馈；

所述热度值更新模块，用于：

当所述第一反馈结果为正反馈时，提升所述用户对所述兴趣标签的热度值；

当所述第一反馈结果为负反馈时，降低所述用户对所述兴趣标签的热度值。

可选的，所述装置还包括：

第二反馈结果获取模块，用于在所述将与所述目标标签关联的内容推荐给所述用户之后，获取所述用户对与所述目标标签关联的内容的第二反馈结果；

目标热度值确定模块，用于根据所述第二反馈结果确定所述用户对所述目标标签的热度值；

打标签模块，用于当所述用户对所述目标标签的热度值大于第二热度阈值时，给所述用户打上与所述目标标签对应的特征标签。

可选的，所述第一热度阈值的确定方式，包括：

获取所述用户的特征信息及所述感兴趣内容对应的内容特征；

将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中，根据所述热度阈值确定模型的输出结果，确定第一热度阈值。

可选的，在所述将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中之前，还包括：

获取至少两个样本用户的用户特征及所述至少两个样本用户在预设时间段内的行为样本数据；其中，所述行为样本数据包括所述至少两个样本用户对内容数据的反馈信息；

根据所述反馈信息确定所述至少两个样本用户对各类内容数据的热度峰值；

根据所述热度峰值及所述用户特征对所述行为样本数据进行标记，并将标记后的数据作为训练样本；

基于训练样本对预设机器学习模型进行训练，生成热度阈值确定模型。

可选的，所述内容推荐模块，用于：

将与所述目标标签关联的内容，按照预设比例随机推荐给所述用户。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例提供的内容推荐方法。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的内容推荐操作，还可以执行本发明任意实施例所提供的内容推荐方法中的相关操作。

本发明实施例提供了一种电子设备，该电子设备中可集成本发明实施例提供的内容推荐装置。图4为本发明实施例提供的一种电子设备的结构框图。电子设备400可以包括：存储器401，处理器402及存储在存储器401上并可在处理器运行的计算机程序，所述处理器402执行所述计算机程序时实现如本发明实施例所述的内容推荐方法。

本发明实施例中提供的电子设备，确定用户对感兴趣内容对应的兴趣标签的热度值；当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；将与所述目标标签关联的内容推荐给所述用户。通过本发明实施例提供的技术方案，当用户对兴趣标签的热度值大于热度阈值时，认为用户对该兴趣标签关联的内容达到了兴趣峰值，可能会产生乏味和厌倦，此时，将与兴趣标签N度关联的目标标签对应的内容推荐给用户，不仅解决了长时间只向用户推荐某类感兴趣内容，导致用户兴趣面单一的技术问题，而且通过将与用户感兴趣内容关联的内容，以一种模糊推荐的方式推送给用户，不仅可有效避免推荐内容跨度太大，导致用户无法接受的情况发生，而且能够以一种用户相对舒适或可以接收的方式，不断地扩大用户的喜好面或扩展用户的信息边界。

上述实施例中提供的内容推荐装置、存储介质及电子设备可执行本发明任意实施例所提供的内容推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的内容推荐方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种内容推荐方法，其特征在于，包括：

确定用户对感兴趣内容对应的兴趣标签的热度值；

当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；

将与所述目标标签关联的内容推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，与所述兴趣标签N度关联的N值的确定方式包括如下至少一种：

获取所述兴趣标签所属内容标签体系的标签密度；根据所述标签密度及预先设定的标签密度与N的正比例关系，确定与所述兴趣标签N度关联的N值；其中，标签密度越大，N值越大；或者，

针对所述兴趣标签所属内容标签体系中的各个内容标签，统计所述用户从当前内容标签切换至另一内容标签的标签跨度；计算所有标签跨度的均值，并将所述均值作为与所述兴趣标签N度关联的N值。

3.根据权利要求1所述的方法，其特征在于，在所述确定用户对感兴趣内容对应的兴趣标签的热度值之前，还包括：

获取用户对应的特征标签；

将所述特征标签与预先建立的内容标签体系中的内容标签进行比对，并将所述内容标签体系中与所述特征标签匹配的内容标签，作为所述用户的兴趣标签；

将与所述兴趣标签关联的内容作为所述用户的感兴趣内容。

4.根据权利要求3所述的方法，其特征在于，还包括：

将所述感兴趣内容推荐给所述用户，并获取所述用户对所述感兴趣内容的第一反馈结果；

根据所述第一反馈结果对所述兴趣标签的热度值进行更新；

所述当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签，包括：

当更新后的热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签。

5.根据权利要求1所述的方法，其特征在于，在所述将与所述目标标签关联的内容推荐给所述用户之后，还包括：

获取所述用户对与所述目标标签关联的内容的第二反馈结果；

根据所述第二反馈结果确定所述用户对所述目标标签的热度值；

当所述用户对所述目标标签的热度值大于第二热度阈值时，给所述用户打上与所述目标标签对应的特征标签。

6.根据权利要求1所述的方法，其特征在于，所述第一热度阈值的确定方式，包括：

获取所述用户的特征信息及所述感兴趣内容对应的内容特征；

将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中，根据所述热度阈值确定模型的输出结果，确定第一热度阈值。

7.根据权利要求6所述的方法，其特征在于，在所述将所述特征信息及所述内容特征输入预先训练的热度阈值确定模型中之前，还包括：

获取至少两个样本用户的用户特征及所述至少两个样本用户在预设时间段内的行为样本数据；其中，所述行为样本数据包括所述至少两个样本用户对内容数据的反馈信息；

根据所述反馈信息确定所述至少两个样本用户对各类内容数据的热度峰值；

根据所述热度峰值及所述用户特征对所述行为样本数据进行标记，并将标记后的数据作为训练样本；

基于训练样本对预设机器学习模型进行训练，生成热度阈值确定模型。

8.一种内容推荐装置，其特征在于，包括：

热度值确定模块，用于确定用户对感兴趣内容对应的兴趣标签的热度值；

目标标签确定模块，用于当所述热度值大于第一热度阈值时，确定与所述兴趣标签N度关联的目标标签；其中，N为大于或等于1的整数；

内容推荐模块，用于将与所述目标标签关联的内容推荐给所述用户。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的内容推荐方法。

10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，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1-7中任一所述的内容推荐方法。

Images