CN114443956A - 内容推荐方法以及相关设备 - Google Patents
内容推荐方法以及相关设备 Download PDFInfo
- Publication number
- CN114443956A CN114443956A CN202210042812.7A CN202210042812A CN114443956A CN 114443956 A CN114443956 A CN 114443956A CN 202210042812 A CN202210042812 A CN 202210042812A CN 114443956 A CN114443956 A CN 114443956A
- Authority
- CN
- China
- Prior art keywords
- content
- historical
- deep
- feature information
- sequence
- 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 86
- 230000002452 interceptive effect Effects 0.000 claims abstract description 327
- 230000003993 interaction Effects 0.000 claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 230000007774 longterm Effects 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 18
- 239000000047 product Substances 0.000 description 15
- 230000006399 behavior Effects 0.000 description 11
- 238000007500 overflow downdraw method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000003058 natural language processing Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种内容推荐方法以及相关设备,相关实施例可应用于云技术、人工智能、智慧交通等各种场景;可以获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及交互时间信息;对对象属性信息、以及历史交互内容序列进行深层特征提取,得到对象属性信息的深层属性特征信息、以及历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和交互时间信息,对目标对象进行兴趣分析,得到目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以提高了内容推荐的准确度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种内容推荐方法以及相关设备。
背景技术
随着互联网技术的飞速发展,互联网上的内容爆炸式的进行了增加,从海量的内容中筛选出用户感兴趣的内容并推荐给用户也变得越来越重要。
在目前的相关技术中,一般是基于用户的历史交互内容为用户进行个性化的内容推荐,用户的历史交互内容是用户曾经交互过的内容,可以在一定程度上表征用户的兴趣。然而,目前这类内容推荐方式没有考虑到历史交互内容的时序特征,使得内容推荐的准确率较低。
发明内容
本申请实施例提供一种内容推荐方法以及相关设备,相关设备可以包括内容推荐装置、电子设备、计算机可读存储介质和计算机程序产品,可以提高内容推荐的准确度。
本申请实施例提供一种内容推荐方法,包括:
获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;
对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;
基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;
根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
相应的,本申请实施例提供一种内容推荐装置,包括:
获取单元,用于获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;
提取单元,用于对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;
分析单元,用于基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;
选取单元,用于根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述在至少一个历史时间段内的历史交互内容序列包括第一历史时间段内和第二历史时间段内的历史交互内容序列;所述第二历史时间段早于所述第一历史时间段;
所述分析单元可以包括短期兴趣分析子单元和长期兴趣分析子单元,如下:
所述短期兴趣分析子单元,用于根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征;
长期兴趣分析子单元,用于根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征。
可选的,在本申请的一些实施例中,所述选取单元可以包括第一融合子单元、浅层特征提取子单元、第二融合子单元和选取子单元,如下:
所述第一融合子单元,用于将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息;
浅层特征提取子单元,用于对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息;
第二融合子单元,用于将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息;
选取子单元,用于基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述选取子单元具体可以用于将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息;根据所述目标特征信息,预测所述候选推荐内容对应的推荐指数;根据所述推荐指数,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述深层特征信息包括至少一个维度的深层子特征;
步骤“将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息”,可以包括:
对各个维度的深层子特征进行交叉运算,得到所述深层特征信息对应的二阶交叉特征信息;
对所述深层特征信息进行全连接处理,得到所述深层特征信息对应的全连接特征信息;
将所述二阶交叉特征信息、所述全连接特征信息、所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息。
可选的,在本申请的一些实施例中,所述短期兴趣分析子单元具体可以用于对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息;对所述融合特征信息和所述第一历史时间段内的历史交互内容序列对应的交互时间信息进行归一化运算,得到所述第一历史时间段内的历史交互内容序列对应的权重信息;根据所述权重信息,对所述第一历史时间段内历史交互内容序列的各个历史交互内容进行融合,得到所述目标对象的短期兴趣特征。
可选的,在本申请的一些实施例中,步骤“对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行求和运算,得到加和运算结果;
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行乘积运算,得到乘积运算结果;
将所述加和运算结果、所述乘积运算结果、所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息。
可选的,在本申请的一些实施例中,所述第二历史时间段内的历史交互内容序列包括所述第二历史时间段内至少一个维度下的历史交互内容序列;
所述长期兴趣分析子单元具体可以用于针对所述第二历史时间段内各个维度下的历史交互内容序列,对所述维度下的历史交互内容序列对应的深层内容特征信息进行注意力处理,得到所述维度下的历史交互内容序列对应的初始权重信息;基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息;将所述第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合,得到所述目标对象的长期兴趣特征。
可选的,在本申请的一些实施例中,步骤“基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息”,可以包括:
将所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合,得到所述维度下的历史交互内容序列对应的目标权重信息;
基于所述目标权重信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息。
本申请实施例提供的一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令,以执行本申请实施例提供的内容推荐方法中的步骤。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本申请实施例提供的内容推荐方法中的步骤。
此外,本申请实施例还提供一种计算机程序产品,包括计算机程序或指令,该计算机程序或指令被处理器执行时实现本申请实施例提供的内容推荐方法中的步骤。
本申请实施例提供了一种内容推荐方法以及相关设备,可以获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以基于目标对象不同时间段下的兴趣特征,来向目标对象进行内容推荐,提高了内容推荐的准确度。
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,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本申请实施例提供的内容推荐方法的场景示意图;
图1b是本申请实施例提供的内容推荐方法的流程图;
图1c是本申请实施例提供的内容推荐方法的页面示意图;
图1d是本申请实施例提供的内容推荐方法的模型结构图;
图1e是本申请实施例提供的内容推荐方法的另一模型结构图;
图1f是本申请实施例提供的内容推荐方法的另一模型结构图;
图2是本申请实施例提供的内容推荐方法的另一流程图;
图3是本申请实施例提供的内容推荐装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种内容推荐方法以及相关设备,相关设备可以包括内容推荐装置、电子设备、计算机可读存储介质和计算机程序产品。该内容推荐装置具体可以集成在电子设备中,该电子设备可以是终端或服务器等设备。
可以理解的是,本实施例的内容推荐方法可以是在终端上执行的,也可以是在服务器上执行,还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
如图1a所示,以终端和服务器共同执行内容推荐方法为例。本申请实施例提供的内容推荐系统包括终端10和服务器11等;终端10与服务器11之间通过网络连接,比如,通过有线或无线网络连接等,其中,内容推荐装置可以集成在服务器中。
其中,服务器11,可以用于:获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。其中,服务器11可以是单台服务器,也可以是由多个服务器组成的服务器集群或云服务器。本申请所公开的内容推荐方法或装置,其中多个服务器可组成为一区块链,而服务器为区块链上的节点。
其中,终端10,可以用于:接收服务器11发送的目标推荐内容,并在相应的推荐内容页面上展示该目标推荐内容。其中,终端10可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC,Personal Computer)等。终端10上还可以设置客户端,该客户端可以是应用程序客户端或浏览器客户端等等。
上述服务器11获取推荐内容的步骤,也可以由终端10执行。
本申请实施例提供的内容推荐方法涉及人工智能领域中的计算机视觉技术和自然语言处理。
其中,人工智能(AI,Artificial Intelligence)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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。其中,人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
其中,计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
其中,自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从内容推荐装置的角度进行描述,该内容推荐装置具体可以集成在电子设备中,该电子设备可以是服务器或终端等设备。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息,如用户的历史交互内容等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本申请实施例的内容推荐方法可以应用于各种需要进行内容推荐的场景中,如视频推荐、文本推荐等场景。本实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。
如图1b所示,该内容推荐方法的具体流程可以如下:
101、获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息。
其中,目标对象为待推荐内容的对象,通过本申请提供的内容推荐方法,可以向目标对象进行内容推荐。对象属性信息具体可以包括目标对象的年龄和性别等对象特征,本实施例对此不作限制。
其中,历史交互内容序列可以包括至少一个历史交互内容,比如,它可以包括多个按照交互时间顺序排列的历史交互内容。其中,每个历史交互内容具体可以是目标对象在历史时间段内某个时间的交互行为对应的内容,这里的交互行为具体可以指浏览、点击等行为;所交互的内容可以包括视频、音频、文本、图像等各种模态下的信息,本实施例对此不作限制。具体地,对于每个历史交互内容,历史交互内容可以包括至少一个维度的内容相关信息,或者说,每个历史交互内容包括多个领域下的内容相关信息,比如,可以包括内容本身、内容的发布者、内容类别、内容标题、以及内容的标识号等维度的内容相关信息。
其中,历史交互内容序列的交互时间信息可以包括历史交互内容序列中的每个历史交互内容具体对应的交互时间信息。一般来说,离当前时间越近的历史交互内容,对目标对象下一交互行为的预测越有帮助。
如图1c所示,可以是基于本申请的内容推荐方法显示的订阅号消息页面,其中可以包括向目标对象推荐的视频、图文消息。本申请可以应用在推荐流程中的精排侧,以点击率为目标进行建模,具体也即以推荐准确度为目标进行建模。
102、对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息。
其中,可以通过神经网络模型对对象属性信息、以及历史交互内容序列进行深层特征提取,该神经网络模型可以包括视觉几何组网络(VGGNet,Visual Geometry GroupNetwork)、残差网络(ResNet,Residual Network)和密集连接卷积网络(DenseNet,DenseConvolutional Network)等等,但是应当理解的是,本实施例的神经网络模型并不仅限于上述列举的几种类型。
具体地,相对于浅层特征提取,深层特征提取所对应提取到的特征信息的尺度size相对较大,特征信息的尺度越大,包含的信息越丰富。
103、基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征。
具体地,本实施例中,可以先将目标对象不同历史时间段的历史交互内容分开进行单独分析,得到不同时间段下的兴趣特征,不同历史时间段的历史交互内容可以反应目标对象不同的兴趣特征。比如,距离当前时间较近的历史交互内容对预测目标对象接下来的交互内容具有更显著的指示意义,距离当前时间较近的历史交互内容可称为短期历史交互内容;而距离当前时间较远的历史交互内容可能反应目标对象的长期兴趣,对预测目标对象接下来的交互内容没有太强的提示性,而是反应目标对象潜在的、稳定的兴趣,距离当前时间较远的历史交互内容可称为长期历史交互内容。
可选地,本实施例中,所述在至少一个历史时间段内的历史交互内容序列包括第一历史时间段内和第二历史时间段内的历史交互内容序列;所述第二历史时间段早于所述第一历史时间段;
步骤“基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征”,可以包括:
根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征;
根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征。
其中,具体地,第一历史时间段的时间长度可以小于第二历史时间段的时间长度。
例如,第一历史时间段可以是距离当前时间3天内对应的历史时间段,第二历史时间段可以是在当前时间之前的第3到15天对应的时间段。本实施例可以基于目标对象在3天内产生的历史交互内容,构建第一历史时间段内的历史交互内容序列;基于目标对象在当前时间之前的第3到15天内产生的历史交互内容,构建第二历史时间段内的历史交互内容序列。
其中,候选推荐内容的深层内容特征信息可以是通过对候选推荐内容进行深层特征提取得到的,具体地,候选推荐内容可以是预设内容数据库中任意的内容。
在一具体实施例中,对象属性信息可以包括m个field(领域)的属性信息,field具体可以理解为特征组,比如年龄是一个field,性别则是另一个field。候选推荐内容和每个历史交互内容均有K个field的内容信息。
其中,候选推荐内容可以记为目标item(一则新闻),历史交互内容可以记为历史交互内容序列中的item,历史交互内容序列可以视为目标对象在某场景下、一定历史时间段内点击的item序列。对于序列中的每个item,具体可以挖掘5类特征,分别是:item ID(identity,标识信息),作者ID,item的类目,item的tag(标签)以及item的标题。
假设第一历史时间段的历史交互内容序列包含n个历史交互内容,即短期序列的长度为n;第二历史时间段的历史交互内容序列包含p个历史交互内容,即长期序列的长度为p;深层特征提取所提取到的特征信息的尺度size为D,则对象属性信息的深层属性特征信息可以记为候选推荐内容的深层内容特征信息可以记为短期序列对应的深层内容特征信息可以记为长期序列对应的深层内容特征信息可以记为此外,第一历史时间段内的历史交互内容序列对应的交互时间信息可以记为具体即短期序列中各item发生的时间;第二历史时间段内的历史交互内容序列对应的交互时间信息可以记为具体即长期序列中各item发生的时间。其中,表示实数域。
可选地,本实施例中,步骤“根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息;
对所述融合特征信息和所述第一历史时间段内的历史交互内容序列对应的交互时间信息进行归一化运算,得到所述第一历史时间段内的历史交互内容序列对应的权重信息;
根据所述权重信息,对所述第一历史时间段内历史交互内容序列的各个历史交互内容进行融合,得到所述目标对象的短期兴趣特征。
其中,候选推荐内容的深层内容特征信息、和第一历史时间段内的历史交互内容序列对应的深层内容特征信息的融合方式有多种,本实施例对此不作限制。比如,该融合方式可以是拼接、加权运算等。
其中,可以通过softmax函数进行归一化运算,softmax函数可以将多分类的输出值转换为范围在[0,1]和为1的概率分布。
其中,该权重信息具体可以包括第一历史时间段内历史交互内容序列的各个历史交互内容对应的权重,基于该权重信息,可以将第一历史时间段内历史交互内容序列的历史交互内容进行加权运算,从而得到目标对象的短期兴趣特征。
可选地,本实施例中,步骤“对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行求和运算,得到加和运算结果;
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行乘积运算,得到乘积运算结果;
将所述加和运算结果、所述乘积运算结果、所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息。
其中,对加和运算结果、乘积运算结果、候选推荐内容的深层内容特征信息、和第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是拼接处理,拼接的顺序不限,或者,该融合方式也可以是加权运算等。
在一具体实施例中,可以通过短期兴趣分析模型来对目标对象进行短期兴趣分析,其中,短期兴趣分析模型的类型有多种,本实施例对此不作限制。比如,该短期兴趣分析模型可以是DIN Attention(deep interest network,深度兴趣网络,Attention,注意力机制)的神经网络结构,模型结构图如图1d所示。该短期兴趣分析模型可以通过建立候选推荐内容与目标对象的短期历史行为的attention关系来完成序列特征建模。
其中,在对候选推荐内容的深层内容特征信息XI、和第一历史时间段内的历史交互内容序列对应的深层内容特征信息Xs进行融合前,可以先对XI进行重复处理,以使XI和Xs维度相同。本实施例具体可以利用Tile函数,Tile函数的功能是重复某个数组,比如Tile(A,n),功能是将数组A重复n次,构成一个新的数组。通过Tile函数,可以把XI沿着行方向重复n次,得到重复处理后的候选推荐内容的深层内容特征信息:与Xs同形状。
然后,由于短期序列行为对目标对象的下一动作具有更显著的指示意义,因此可以将候选推荐内容与短期序列中的item进行关联。其中,具体地,可以先对(记为)和Xs(记为R)使用“求和”还有“乘积”两种操作,如式子(1)和式子(2)所示:
其中,表示加和运算结果,表示乘积运算结果。再通过连接(concatenate)层将以及R进行融合(具体可以是拼接处理)后,得到融合特征信息然后对Fs通过若干次全连接层(又称多层感知器,MLP,MultilayerPerceptron)进行降维后,得到由于短期序列中每个item加权系数不仅受到特征关联度的影响(通过attention所得),还会受该序列item发生时间与当前时间间隔的影响,因此可以将时序特征,也即短期序列对应的交互时间信息Ts与Ss通过逻辑回归层进行归一化运算后,得到短期序列中各个item的加权分数即上述实施例中第一历史时间段内的历史交互内容序列对应的权重信息,Ws的计算过程具体如式子(3)所示:
Ws=Softmax(Ss+Ts) (3)
其中,Softmax函数可以将多分类的输出值转换为范围在[0,1]的概率分布。得到权重信息Ws后,可以使用Ws对R的各行进行加权运算,得到加权运算结果并使用reduce_sum函数对进行求和处理,即可获得最后的输出Os,Os即目标对象的短期兴趣特征。其中,函数reduce_sum()可以用于对向量中指定维度上的元素进行求和运算,可以在求和后降维。
可选地,本实施例中,所述第二历史时间段内的历史交互内容序列包括所述第二历史时间段内至少一个维度下的历史交互内容序列;
步骤“根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征”,可以包括:
针对所述第二历史时间段内各个维度下的历史交互内容序列,对所述维度下的历史交互内容序列对应的深层内容特征信息进行注意力处理,得到所述维度下的历史交互内容序列对应的初始权重信息;
基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息;
将所述第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合,得到所述目标对象的长期兴趣特征。
其中,具体地,每个历史交互内容可以包括多个维度的内容信息,因此长期序列可以划分为多个维度下的长期序列,每个维度下的长期序列可以包括第二历史时间段内对应维度下的各个历史交互内容。
其中,对第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是拼接处理,也可以是加权运算等。
具体地,第二历史时间段内的历史交互内容序列对应的深层内容特征信息可以记为长期序列对应的交互时间信息可以记为其中,输入Xl的每个item都可以具有K个field的特征,因此可以通过split函数将这K个field分开,形成i=1,...,K,即第二历史时间段内每个维度下的历史交互内容序列对应的深层内容特征信息,然后再对每个分别进行注意力处理,这样可以为不同类型(即不同维度)的特征分别进行特定的attention。其中,split函数可以通过指定分隔符对字符串进行切片。
可选地,本实施例中,步骤“基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息”,可以包括:
将所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合,得到所述维度下的历史交互内容序列对应的目标权重信息;
基于所述目标权重信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息。
其中,由于长期序列中每个item加权系数不仅受到特征关联度的影响,还会受该序列item发生时间与当前时间间隔的影响,因此,可以通过融合交互时间信息,来得到对应的目标权重信息。初始权重信息与第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合的方式有多种,本实施例对此不作限制,比如,该融合方式可以是加权运算,也可以是拼接处理等。
在一具体实施例中,可以通过长期兴趣分析模型来对目标对象进行长期兴趣分析,其中,长期兴趣分析模型的类型有多种,本实施例对此不作限制。比如,该长期兴趣分析模型可以是Transformer(变换器)的网络结构,模型结果图如图1e所示,Transformer其网络结构主要是由注意力机制组成,它是属于多头self-attention(自注意力)的结构,可以作用于长期序列特征。
其中,Attention的具体结构可以如图1e右侧的“多头注意力机制(AttentionHeader)”所示,将每个作为输入,将输入利用三个投影矩阵和分别投影到attention的三要素,得到querykey知value上,它们的形状大小都是p×D。然后,通过matmul函数将与的转置矩阵相乘,可以得到初始权重矩阵即第二历史时间段内第i个维度下的历史交互内容序列对应的初始权重信息,其计算过程如式子(4)所示:
attention具体是在CV(Computer Vision,计算机视觉)和NLP(Natural LanguageProcessing,自然语言处理)领域均被广泛应用的一种加权机制,其组成包括key,query和value。其中key(键向量)指参考特征,一般是item特征;而query(查询向量)和value(值向量)都是由输入的序列特征通过线性变换而来,而初始权重信息则可以通过key和query进行内积所得,并将初始权重信息作用于value上,由此能够得到加权后的特征输出。如果key,query和value都是相同的输入特征,这种attention就称为“self-attention”。
其中,可以先对交互时间信息进行预处理,将时序特征做“diff”计算,可以理解为Tl中的元素互相进行两两相减(一共p2个元素),再通过reshape函数变换到p×p的形状,得到作为长期序列item间的“时间差”信息。其中,diff可以以逐行的方式比较文本文件的异同处。reshape函数是将指定的矩阵变换成特定维数矩阵一种函数,它可以用于重新调整矩阵的行数、列数、维数。
然后,可以将与初始权重信息进行求和,再对求和结果进行归一化运算,获得attention scores(注意力分数)即第二历史时间段内第i维度下的历史交互内容序列对应的目标权重信息,其具体计算过程如式子(5)所示:
其中,Softmax函数可以将多分类的输出值转换为范围在[0,1]的概率分布。得到目标权重信息后,可以通过Matmul函数将与相乘,得到加权后的序列特征信息即第二历史时间段内第i维度下的历史交互内容序列对应的序列特征信息,其具体计算过程如式子(6)所示:
其中,Matmul可以用于返回两个数组的矩阵乘积。求得各个维度的后,可以通过连接层将它们进行拼接,可以获得与输入Xl形状一致的输出最后,对进行“feed-forward(前馈)”操作(feed-forward由两层全连接层构成),最后的输出形状仍然是p×D*K。然后,通过reduce_sum函数对第一维进行求和操作,可以求得最后的输出即目标对象的长期兴趣特征。其中,函数reduce_sum()可以用于对向量中指定维度上的元素进行求和运算,可以在求和后降维。
104、根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选地,本实施例中,步骤“根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐”,可以包括:
将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息;
对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息;
将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息;
基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
其中,将候选推荐内容的深层内容特征信息、兴趣特征以及深层属性特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是加权运算,也可以是拼接处理等。其中,该兴趣特征可以包括长期兴趣特征和短期兴趣特征。
其中,浅层属性特征信息和候选推荐内容的浅层内容特征信息进行融合的方式也有多种,本实施例对此不作限制。比如,该融合方式可以是加权运算,也可以是拼接处理等。
Os=DIN(XI,Xs,Ts) (7)
Ol=Transformer(Xl,Tl) (8)
可选地,本实施例中,步骤“基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐”,可以包括:
将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息;
根据所述目标特征信息,预测所述候选推荐内容对应的推荐指数;
根据所述推荐指数,从所述候选推荐内容中选取目标推荐内容进行推荐。
其中,可以通过全连接深度神经网络(DNN,Deep Neual Networks)来预测候选推荐内容对应的推荐指数,也可以通过支持向量机(SVM,Support Vector Machine)来预测候选推荐内容对应的推荐指数,本实施例对此不作限制。
其中,一些实施例中,可以将推荐指数大于预设值的候选推荐内容选取为目标推荐内容,并向目标对象进行推荐。另一些实施例中,可以基于推荐指数,对各个候选推荐内容进行排序,如从大到小进行排序,得到排序后候选推荐内容,再将排序后候选推荐内容的前n个候选推荐内容选取为目标推荐内容,向目标对象进行推荐该目标推荐内容。
其中,融合指的是特征融合,将深层特征信息和浅层特征信息进行融合可以提高特征的表征能力。深层特征信息包含更多的细节信息,但其包含的噪声可能较多,语义性较低;而浅层特征信息则具有较强的语义信息,但其丢失的细节信息较多。通过融合不同尺度的深层特征信息和浅层特征信息,能够提升内容推荐的准确性。
在一具体实施例中,深层特征信息可以记为quad embedding,浅层特征信息可以记为wide embedding,“wide embedding”指代size为1的embedding,代表一种浅层的embedding表达;而“quad embedding”指代size为D的embedding,代表深层的embedding表达。其中,embedding可以指将输入的离散特征或连续特征投影到连续的向量。
可选地,本实施例中,所述深层特征信息包括至少一个维度的深层子特征;
步骤“将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息”,可以包括:
对各个维度的深层子特征进行交叉运算,得到所述深层特征信息对应的二阶交叉特征信息;
对所述深层特征信息进行全连接处理,得到所述深层特征信息对应的全连接特征信息;
将所述二阶交叉特征信息、所述全连接特征信息、所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息。
其中,该交叉运算具体可以是哈达玛乘积运算,本实施例对此不作限制。
其中,对二阶交叉特征信息、全连接特征信息、深层特征信息和浅层特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是加权运算,也可以是拼接处理等。
在一具体实施例中,可以内容推荐模型来向目标对象进行内容推荐,内容推荐模型的整体框架可以如图1f所示,具体描述如下:
XA=Concat(Xu,XI,Os,Ol) (9)
其中,Concat函数表示拼接处理。由于不同的序列特征是对象特征的不同维度表征,因此本实施例不对DIN/Transformer输出的特征(即短期兴趣特征和长期兴趣特征)进行加权,而是当成多个field的特征进行拼接。
其中,浅层特征信息可以记为ZA,它是由浅层属性特征信息Zu和候选推荐内容的浅层内容特征信息ZI通过连接层拼接得到,其计算方式可以如式子(10)所示:
ZA=Concat(Zu,ZI) (10)
得到深层特征信息后,可以对深层特征信息中各个维度的深层子特征进行交叉运算,具体地,可以将视为H个field的特征组成,并将第i个field特征记为再对两两间进行Hadamard积,得到二阶交叉特征信息其计算过程如式子(11)所示:
其中,Hadamard(哈达玛)积是矩阵的一类运算,它是对矩阵中的元素进行按位相乘,输出同样维度的向量;因此使用Hadamard积时要求输入的向量维度一致。
此外,还可以通过深度全连接框架(DeepFM Framework)对深层特征信息XA进行全连接处理,DeepFM中的Deep层可以由l层全连接层(又称多层感知机,MLP,MultilayerPerceptron)组成,记第i层全连接层的参数为和全连接层可以通过一个投影矩阵将向量投影到另一个维度,一般后面会接非线性函数,如Relu,Sigmoid等。
其中,sigmoid函数,即S型生长曲线,它可以用作神经网络中的激活函数(Activation Function)或逻辑回归处理中,将变量映射到零到一的数值范围。Relu函数即线性整流函数(Rectified Linear Unit,ReLU),是一种人工神经网络中常用的激活函数。
具体地,Deep层可以如式子(12)所示:
其中,MA表示深层特征信息对应的全连接特征信息。
然后,将二阶交叉特征信息IA、全连接特征信息MA、深层特征信息XA和浅层特征信息ZA进行融合,如拼接处理,可以得到最终的特征输出C,C即上述实施例中的目标特征信息,其计算过程如式子(13)所示:
C=Concat(XA,ZA,MA,IA) (13)
最后,将C经过一层全连接层FC后(参数为WC,bC)投影到1维标量值,并且进行sigmoid转换,可以得到[0,1]范围的预测分数Y,如式子(14)所示:
Y=Sigmoid(FC(C,WC,bC)) (14)
其中,预测分数Y也即候选推荐内容对应的推荐指数。
具体地,该内容推荐模型所使用的训练样本可以来自于订阅号场景的真实日志数据。历史时间段内的历史交互内容序列所对应的场景可以包括图文场景和视频场景,并且对其进行了长短期序列的划分。通过扩充对象的序列特征,可以对对象的行为兴趣刻画得更加准确。
本申请可以将目标对象的历史交互内容序列分成“短期序列”和“长期序列”两部分,考虑到时序的作用,将短期序列与候选推荐内容建立attention;同时对长期序列,使用多头self-attention,即transformer网络来建模其内在关联,以刻画目标对象长期、稳定的兴趣。最后对两部分序列特征进行融合,获得目标对象丰富的历史行为信息,提升了离线AUC(机器学习领域的一种模型评估指标)和线上ctr(点击通过率,Click-Through-Rate)指标。
在一具体场景中,如在订阅号视频场景的精排上进行实验。这个场景中每小时大概有1500万的日志数据,考虑到特征比较稀疏,可以使用某天的10个小时的数据作为训练集,然后以接下来的一个小时的数据作为验证集。本实施例采用的对比模型列举如下,所有模型的特征size均为64:
1、DeepFM模型,划分长短期序列,通过reduce sum对序列特征直接进行求和;
2、纯DIN模型(DIN-1),不划分长短期序列,不带时序特征;
3、纯DIN模型(DIN-2),划分长短期序列,但是不带时序特征;
4、基于本申请的内容推荐方法提供的DIN-Transformer模型(DIN-T),划分长短期序列,并使用时序特征。
上述四个模型的实验结果如表1所示:
表1
模型 | Auc |
DeepFM | 0.765 |
DIN-1 | 0.770 |
DIN-2 | 0.774 |
DIN-T | 0.781 |
由表1可知,相比于直接对序列特征进行reduce sum的DeepFM,使用了attention对序列进行加权求和的DIN系列模型都比DeepFM好。另外,DIN-2的auc比DIN-1高,说明划分长短期序列后,对用户兴趣的刻画更加准确,也说明了用户在短期兴趣和长期兴趣上是不同的,应该区别开来。最后,本申请提出的DIN-T算法达到了最优的效果,充分说明了Transformer结构对长期兴趣建模的有效性,也说明了时序特征的重要性;结合DIN对短期兴趣建模的能力,DIN-T能够更加准确地预测用户的点击行为。
此外,将DIN-T和DeepFM模型部署到线上进行A/B Test(测试),连续观察7天,发现DIN-T模型对应的ctr(曝光点击率)平均提升了4%。
由上可知,本实施例可以获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以基于目标对象不同时间段下的兴趣特征,来向目标对象进行内容推荐,提高了内容推荐的准确度。
根据前面实施例所描述的方法,以下将以该内容推荐装置具体集成在服务器举例作进一步详细说明。
本申请实施例提供一种内容推荐方法,如图2所示,该内容推荐方法的具体流程可以如下:
201、服务器获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息。
其中,历史交互内容序列可以包括至少一个历史交互内容,比如,它可以包括多个按照交互时间顺序排列的历史交互内容。其中,每个历史交互内容具体可以是目标对象在历史时间段内某个时间的交互行为对应的内容,所交互的内容可以包括视频、音频、文本、图像等各种模态下的信息,本实施例对此不作限制。具体地,对于每个历史交互内容,历史交互内容可以包括至少一个维度的内容相关信息,或者说,每个历史交互内容包括多个领域下的内容相关信息,比如,可以包括内容本身、内容的发布者、内容类别、内容标题、以及内容的标识号等维度的内容相关信息。
其中,历史交互内容序列的交互时间信息可以包括历史交互内容序列中的每个历史交互内容具体对应的交互时间信息。一般来说,离当前时间越近的历史交互内容,对目标对象下一交互行为的预测越有帮助。
202、服务器对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息。
具体地,相对于浅层特征提取,深层特征提取所对应提取到的特征信息的尺度size相对较大,特征信息的尺度越大,包含的信息越丰富。
203、服务器基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征。
具体地,本实施例中,可以先将目标对象不同历史时间段的历史交互内容分开进行单独分析,得到不同时间段下的兴趣特征,不同历史时间段的历史交互内容可以反应目标对象不同的兴趣特征。比如,距离当前时间较近的历史交互内容对预测目标对象接下来的交互内容具有更显著的指示意义,距离当前时间较近的历史交互内容可称为短期历史交互内容;而距离当前时间较远的历史交互内容可能反应目标对象的长期兴趣,对预测目标对象接下来的交互内容没有太强的提示性,而是反应目标对象潜在的、稳定的兴趣,距离当前时间较远的历史交互内容可称为长期历史交互内容。
可选地,本实施例中,所述在至少一个历史时间段内的历史交互内容序列包括第一历史时间段内和第二历史时间段内的历史交互内容序列;所述第二历史时间段早于所述第一历史时间段;
步骤“基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征”,可以包括:
根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征;
根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征。
其中,具体地,第一历史时间段的时间长度可以小于第二历史时间段的时间长度。
可选地,本实施例中,步骤“根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息;
对所述融合特征信息和所述第一历史时间段内的历史交互内容序列对应的交互时间信息进行归一化运算,得到所述第一历史时间段内的历史交互内容序列对应的权重信息;
根据所述权重信息,对所述第一历史时间段内历史交互内容序列的各个历史交互内容进行融合,得到所述目标对象的短期兴趣特征。
其中,该权重信息具体可以包括第一历史时间段内历史交互内容序列的各个历史交互内容对应的权重,基于该权重信息,可以将第一历史时间段内历史交互内容序列的历史交互内容进行加权运算,从而得到目标对象的短期兴趣特征。
可选地,本实施例中,步骤“对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行求和运算,得到加和运算结果;
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行乘积运算,得到乘积运算结果;
将所述加和运算结果、所述乘积运算结果、所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息。
可选地,本实施例中,所述第二历史时间段内的历史交互内容序列包括所述第二历史时间段内至少一个维度下的历史交互内容序列;
步骤“根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征”,可以包括:
针对所述第二历史时间段内各个维度下的历史交互内容序列,对所述维度下的历史交互内容序列对应的深层内容特征信息进行注意力处理,得到所述维度下的历史交互内容序列对应的初始权重信息;
基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息;
将所述第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合,得到所述目标对象的长期兴趣特征。
其中,具体地,每个历史交互内容可以包括多个维度的内容信息,因此长期序列可以划分为多个维度下的长期序列,每个维度下的长期序列可以包括第二历史时间段内对应维度下的各个历史交互内容。
其中,对第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是拼接处理,也可以是加权运算等。
可选地,本实施例中,步骤“基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息”,可以包括:
将所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合,得到所述维度下的历史交互内容序列对应的目标权重信息;
基于所述目标权重信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息。
其中,由于长期序列中每个item加权系数不仅受到特征关联度的影响,还会受该序列item发生时间与当前时间间隔的影响,因此,可以通过融合交互时间信息,来得到对应的目标权重信息。初始权重信息与第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合的方式有多种,本实施例对此不作限制,比如,该融合方式可以是加权运算,也可以是拼接处理等。
204、服务器将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息。
其中,将候选推荐内容的深层内容特征信息、兴趣特征以及深层属性特征信息进行融合的方式有多种,本实施例对此不作限制。比如,该融合方式可以是加权运算,也可以是拼接处理等。其中,该兴趣特征可以包括长期兴趣特征和短期兴趣特征。
205、服务器对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息。
206、服务器将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息。
其中,浅层属性特征信息和候选推荐内容的浅层内容特征信息进行融合的方式也有多种,本实施例对此不作限制。比如,该融合方式可以是加权运算,也可以是拼接处理等。
207、服务器基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选地,本实施例中,步骤“基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐”,可以包括:
将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息;
根据所述目标特征信息,预测所述候选推荐内容对应的推荐指数;
根据所述推荐指数,从所述候选推荐内容中选取目标推荐内容进行推荐。
其中,融合指的是特征融合,将深层特征信息和浅层特征信息进行融合可以提高特征的表征能力。深层特征信息包含更多的细节信息,但其包含的噪声可能较多,语义性较低;而浅层特征信息则具有较强的语义信息,但其丢失的细节信息较多。通过融合不同尺度的深层特征信息和浅层特征信息,能够提升内容推荐的准确性。
其中,一些实施例中,可以将推荐指数大于预设值的候选推荐内容选取为目标推荐内容,并向目标对象进行推荐。另一些实施例中,可以基于推荐指数,对各个候选推荐内容进行排序,如从大到小进行排序,得到排序后候选推荐内容,再将排序后候选推荐内容的前n个候选推荐内容选取为目标推荐内容,向目标对象进行推荐该目标推荐内容。
由上可知,本实施例可以通过服务器获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息;对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息;将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息;基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以基于目标对象不同时间段下的兴趣特征,来向目标对象进行内容推荐,提高了内容推荐的准确度。
为了更好地实施以上方法,本申请实施例还提供一种内容推荐装置,如图3所示,该内容推荐装置可以包括获取单元301、提取单元302、分析单元303以及选取单元304,如下:
(1)获取单元301;
获取单元,用于获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息。
(2)提取单元302;
提取单元,用于对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息。
(3)分析单元303;
分析单元,用于基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征。
可选的,在本申请的一些实施例中,所述在至少一个历史时间段内的历史交互内容序列包括第一历史时间段内和第二历史时间段内的历史交互内容序列;所述第二历史时间段早于所述第一历史时间段;
所述分析单元可以包括短期兴趣分析子单元和长期兴趣分析子单元,如下:
所述短期兴趣分析子单元,用于根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征;
长期兴趣分析子单元,用于根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征。
可选的,在本申请的一些实施例中,所述短期兴趣分析子单元具体可以用于对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息;对所述融合特征信息和所述第一历史时间段内的历史交互内容序列对应的交互时间信息进行归一化运算,得到所述第一历史时间段内的历史交互内容序列对应的权重信息;根据所述权重信息,对所述第一历史时间段内历史交互内容序列的各个历史交互内容进行融合,得到所述目标对象的短期兴趣特征。
可选的,在本申请的一些实施例中,步骤“对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息”,可以包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行求和运算,得到加和运算结果;
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行乘积运算,得到乘积运算结果;
将所述加和运算结果、所述乘积运算结果、所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息。
可选的,在本申请的一些实施例中,所述第二历史时间段内的历史交互内容序列包括所述第二历史时间段内至少一个维度下的历史交互内容序列;
所述长期兴趣分析子单元具体可以用于针对所述第二历史时间段内各个维度下的历史交互内容序列,对所述维度下的历史交互内容序列对应的深层内容特征信息进行注意力处理,得到所述维度下的历史交互内容序列对应的初始权重信息;基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息;将所述第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合,得到所述目标对象的长期兴趣特征。
可选的,在本申请的一些实施例中,步骤“基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息”,可以包括:
将所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合,得到所述维度下的历史交互内容序列对应的目标权重信息;
基于所述目标权重信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息。
(4)选取单元304;
选取单元,用于根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述选取单元可以包括第一融合子单元、浅层特征提取子单元、第二融合子单元和选取子单元,如下:
所述第一融合子单元,用于将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息;
浅层特征提取子单元,用于对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息;
第二融合子单元,用于将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息;
选取子单元,用于基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述选取子单元具体可以用于将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息;根据所述目标特征信息,预测所述候选推荐内容对应的推荐指数;根据所述推荐指数,从所述候选推荐内容中选取目标推荐内容进行推荐。
可选的,在本申请的一些实施例中,所述深层特征信息包括至少一个维度的深层子特征;
步骤“将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息”,可以包括:
对各个维度的深层子特征进行交叉运算,得到所述深层特征信息对应的二阶交叉特征信息;
对所述深层特征信息进行全连接处理,得到所述深层特征信息对应的全连接特征信息;
将所述二阶交叉特征信息、所述全连接特征信息、所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息。
由上可知,本实施例可以通过获取单元301获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;通过提取单元302对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;通过分析单元303基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;通过选取单元304根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以基于目标对象不同时间段下的兴趣特征,来向目标对象进行内容推荐,提高了内容推荐的准确度。
本申请实施例还提供一种电子设备,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,该电子设备可以是终端或者服务器等,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,该电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例可以获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。本申请可以基于目标对象不同时间段下的兴趣特征,来向目标对象进行内容推荐,提高了内容推荐的准确度。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种内容推荐方法中的步骤。例如,该指令可以执行如下步骤:
获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请实施例所提供的任一种内容推荐方法中的步骤,因此,可以实现本申请实施例所提供的任一种内容推荐方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述内容推荐方面的各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种内容推荐方法以及相关设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (13)
1.一种内容推荐方法,其特征在于,包括:
获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;
对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;
基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;
根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述在至少一个历史时间段内的历史交互内容序列包括第一历史时间段内和第二历史时间段内的历史交互内容序列;所述第二历史时间段早于所述第一历史时间段;
所述基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征,包括:
根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征;
根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征。
3.根据权利要求1所述的方法,其特征在于,所述根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐,包括:
将候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息进行融合,得到深层特征信息;
对所述对象属性信息和所述候选推荐内容进行浅层特征提取,得到所述对象属性信息的浅层属性特征信息和所述候选推荐内容的浅层内容特征信息;
将所述浅层属性特征信息和所述候选推荐内容的浅层内容特征信息进行融合,得到浅层特征信息;
基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
4.根据权利要求3所述的方法,其特征在于,所述基于所述深层特征信息和所述浅层特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐,包括:
将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息;
根据所述目标特征信息,预测所述候选推荐内容对应的推荐指数;
根据所述推荐指数,从所述候选推荐内容中选取目标推荐内容进行推荐。
5.根据权利要求4所述的方法,其特征在于,所述深层特征信息包括至少一个维度的深层子特征;
所述将所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息,包括:
对各个维度的深层子特征进行交叉运算,得到所述深层特征信息对应的二阶交叉特征信息;
对所述深层特征信息进行全连接处理,得到所述深层特征信息对应的全连接特征信息;
将所述二阶交叉特征信息、所述全连接特征信息、所述深层特征信息和所述浅层特征信息进行融合,得到目标特征信息。
6.根据权利要求2所述的方法,其特征在于,所述根据所述候选推荐内容的深层内容特征信息、所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行短期兴趣分析,得到所述目标对象的短期兴趣特征,包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息;
对所述融合特征信息和所述第一历史时间段内的历史交互内容序列对应的交互时间信息进行归一化运算,得到所述第一历史时间段内的历史交互内容序列对应的权重信息;
根据所述权重信息,对所述第一历史时间段内历史交互内容序列的各个历史交互内容进行融合,得到所述目标对象的短期兴趣特征。
7.根据权利要求6所述的方法,其特征在于,所述对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息,包括:
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行求和运算,得到加和运算结果;
对所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行乘积运算,得到乘积运算结果;
将所述加和运算结果、所述乘积运算结果、所述候选推荐内容的深层内容特征信息、和所述第一历史时间段内的历史交互内容序列对应的深层内容特征信息进行融合,得到融合特征信息。
8.根据权利要求2所述的方法,其特征在于,所述第二历史时间段内的历史交互内容序列包括所述第二历史时间段内至少一个维度下的历史交互内容序列;
所述根据所述第二历史时间段内的历史交互内容序列对应的深层内容特征信息、和所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述目标对象进行长期兴趣分析,得到所述目标对象的长期兴趣特征,包括:
针对所述第二历史时间段内各个维度下的历史交互内容序列,对所述维度下的历史交互内容序列对应的深层内容特征信息进行注意力处理,得到所述维度下的历史交互内容序列对应的初始权重信息;
基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息;
将所述第二历史时间段内各个维度下的历史交互内容序列的序列特征信息进行融合,得到所述目标对象的长期兴趣特征。
9.根据权利要求8所述的方法,其特征在于,所述基于所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息,包括:
将所述初始权重信息与所述第二历史时间段内的历史交互内容序列对应的交互时间信息进行融合,得到所述维度下的历史交互内容序列对应的目标权重信息;
基于所述目标权重信息,对所述维度下的历史交互内容序列进行处理,得到所述维度下的历史交互内容序列的序列特征信息。
10.一种内容推荐装置,其特征在于,包括:
获取单元,用于获取目标对象的对象属性信息、在至少一个历史时间段内的历史交互内容序列、以及所述历史交互内容序列的交互时间信息;
提取单元,用于对所述对象属性信息、以及所述历史时间段内的历史交互内容序列进行深层特征提取,得到所述对象属性信息的深层属性特征信息、以及所述历史时间段内历史交互内容序列的深层内容特征信息;
分析单元,用于基于所述深层内容特征信息和所述历史交互内容序列的交互时间信息,对所述目标对象进行兴趣分析,得到所述目标对象在不同时间段下的兴趣特征;
选取单元,用于根据候选推荐内容的深层内容特征信息、所述兴趣特征以及所述深层属性特征信息,从所述候选推荐内容中选取目标推荐内容进行推荐。
11.一种电子设备,其特征在于,包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行权利要求1至9任一项所述的内容推荐方法中的操作。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至9任一项所述的内容推荐方法中的步骤。
13.一种计算机程序产品,包括计算机程序或指令,其特征在于,该计算机程序或指令被处理器执行时实现权利要求1至9任一项所述的内容推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042812.7A CN114443956A (zh) | 2022-01-14 | 2022-01-14 | 内容推荐方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042812.7A CN114443956A (zh) | 2022-01-14 | 2022-01-14 | 内容推荐方法以及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114443956A true CN114443956A (zh) | 2022-05-06 |
Family
ID=81367818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042812.7A Pending CN114443956A (zh) | 2022-01-14 | 2022-01-14 | 内容推荐方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114443956A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911953A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 物品推荐方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807156A (zh) * | 2019-10-23 | 2020-02-18 | 山东师范大学 | 一种基于用户序列点击行为的兴趣推荐方法及系统 |
CN111898032A (zh) * | 2020-08-13 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-14 CN CN202210042812.7A patent/CN114443956A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807156A (zh) * | 2019-10-23 | 2020-02-18 | 山东师范大学 | 一种基于用户序列点击行为的兴趣推荐方法及系统 |
CN111898032A (zh) * | 2020-08-13 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
罗西的思考: "[论文阅读]阿里DIN深度兴趣网络之总体解读", pages 3 - 16, Retrieved from the Internet <URL:《博客园https://www.cnblogs.com/rossiXYZ/p/13796470.html》> * |
肖垚: "Transformer 在美团搜索排序中的实践", pages 1 - 12, Retrieved from the Internet <URL:《https://tech.meituan.com/2020/04/16/transformer-in-meituan.html》> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911953A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 物品推荐方法、装置、电子设备及计算机可读存储介质 |
CN116911953B (zh) * | 2023-09-12 | 2024-01-05 | 深圳须弥云图空间科技有限公司 | 物品推荐方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11893071B2 (en) | Content recommendation method and apparatus, electronic device, and storage medium | |
CN110866140B (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
CN110737801B (zh) | 内容分类方法、装置、计算机设备和存储介质 | |
CN111382361B (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
CN111191092B (zh) | 标签确定方法和标签确定模型训练方法 | |
CN112163165A (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN112989212B (zh) | 媒体内容推荐方法、装置和设备及计算机存储介质 | |
CN111831924A (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN112818251A (zh) | 视频推荐方法、装置、电子设备以及存储介质 | |
CN111625715A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
CN117494051A (zh) | 一种分类处理的方法、模型训练的方法以及相关装置 | |
CN114201516A (zh) | 一种用户画像构建的方法、信息推荐的方法以及相关装置 | |
CN114627282A (zh) | 目标检测模型的建立方法、应用方法、设备、装置及介质 | |
US9875443B2 (en) | Unified attractiveness prediction framework based on content impact factor | |
CN114494809A (zh) | 特征提取模型优化方法、装置及电子设备 | |
CN114443956A (zh) | 内容推荐方法以及相关设备 | |
CN115640449A (zh) | 媒体对象推荐方法、装置、计算机设备和存储介质 | |
CN114329004A (zh) | 数字指纹生成、数据推送方法、装置和存储介质 | |
CN113420179A (zh) | 基于时序高斯混合空洞卷积的语义重构视频描述方法 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN112330442A (zh) | 基于超长行为序列的建模方法及装置、终端、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40071911 Country of ref document: HK |