CN114707074B - 一种内容推荐方法、设备和系统 - Google Patents

一种内容推荐方法、设备和系统 Download PDF

Info

Publication number
CN114707074B
CN114707074B CN202210630035.8A CN202210630035A CN114707074B CN 114707074 B CN114707074 B CN 114707074B CN 202210630035 A CN202210630035 A CN 202210630035A CN 114707074 B CN114707074 B CN 114707074B
Authority
CN
China
Prior art keywords
user
recommendation
data
game
module
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
Application number
CN202210630035.8A
Other languages
English (en)
Other versions
CN114707074A (zh
Inventor
李遵山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shang Mi Network Technology Co ltd
Original Assignee
Shenzhen Shang Mi Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shang Mi Network Technology Co ltd filed Critical Shenzhen Shang Mi Network Technology Co ltd
Priority to CN202210630035.8A priority Critical patent/CN114707074B/zh
Publication of CN114707074A publication Critical patent/CN114707074A/zh
Application granted granted Critical
Publication of CN114707074B publication Critical patent/CN114707074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/55—Details of game data or player data management
    • A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history

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)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种内容推荐方法，用于基于用户偏好特征及基于相似用户进行不同内容类型的内容推荐，以提升内容推荐准确率；所述方法的执行主体为内容推荐系统；所述系统用于根据用户行为数据进行多种类型内容的推荐；所述系统包括：系统控制模块、用户分析模块、分类推荐模块、数据接口模块、数据库模块；本发明以基于用户偏好特征数据的推荐方法及基于相似用户的推荐方法的结合方法进行内容推荐，同时考虑用户自主设置的喜好标签，提升了内容推荐的准确性及有效性；针对不同内容类型，结合用户偏好特征数据训练不同的内容推荐模型，避免了传统推荐方式因忽略用户对不同类型内容的偏好差异而造成的推荐准确率低的问题。

Description

一种内容推荐方法、设备和系统
技术领域
本发明涉及计算机技术领域，具体涉及一种内容推荐方法、设备和系统。
背景技术
近些年，游戏市场不断增长，以游戏应用为核心的游戏社群日益兴盛，围绕游戏的社交正成为年轻人的主要社交主题。因此，个性化、定制化、精准化的游戏内容推荐能极大提升用户体验、提升用户粘性，从而带来营收增长，以低运算成本高推荐准确度为目标的内容推荐方法成为各互联网平台的核心竞争力之一。
面向游戏社群的内容推荐包括游戏应用推荐、游戏相关活动推荐、游戏相关文章推荐、游戏相关视频推荐等诸多内容类型。传统面向游戏社群场景的内容推荐主要以游戏标签为核心，推荐与游戏标签相关的内容类型的信息。然而，当用户对不同内容类型存在不同偏好时，单纯以游戏标签为核心推荐的效果不佳；而基于相似用户的内容推荐尽管提升了以游戏标签进行推荐的方法的准确度，但面对不同内容类型的偏好差异时，仍旧效果不佳。
发明内容
针对上述存在的技术局限性，本发明提出了一种内容推荐方法、设备和系统，用于基于用户偏好特征及基于相似用户进行不同内容类型的内容推荐，以提升内容推荐准确率。
为实现上述目的，本发明采用以下技术方案：
本发明的发明点是提供一种内容推荐方法，所述方法的执行主体为内容推荐系统，所述方法包括以下步骤：
步骤1、系统控制模块通过数据接口模块获取内容推荐请求，获得推荐请求信息；所述推荐请求信息由推荐类型标识、用户id、请求信息组成；
步骤2、系统控制模块调用用户分析模块及分类推荐模块获取第一推荐结果；
第一推荐结果的获取方式为：由用户分析模块调用数据库模块，依据所述推荐请求信息中的用户id查询目标用户的喜好标签；分类推荐模块根据所述喜好标签及所述推荐类型标识从数据库模块获取相应的内容数据作为第一推荐结果；
步骤3、系统控制模块调用用户分析模块，根据预设行为分析时间段内的用户数据通过用户分析模型获得用户偏好特征数据；
步骤4、系统控制模块调用用户分析模块，根据所述用户偏好特征数据在数据库模块中查找具有相似偏好特征的相似用户集合，并获取所述相似用户集合在所述推荐类型标识下的历史数据，经筛选后作为第二推荐结果；
步骤5、系统控制模块调用分类推荐模块根据所述用户偏好特征数据获取第三推荐结果；
第三推荐结果的获取方式为：分类推荐模块根据所述推荐类型标识调用对应的类型推荐模型、以所述用户偏好特征数据为输入获得推荐标签，并根据推荐标签为关键词在数据库模块中查询相应数据，经筛选后作为第三推荐结果；
步骤6、系统控制模块在第一推荐结果、第二推荐结果及第三推荐结果中筛选出第四推荐结果，并由数据接口模块输出。
所述系统部署在云服务器上，所属系统包括：系统控制模块、用户分析模块、分类推荐模块、数据接口模块、数据库模块；
所述系统控制模块用于识别内容推荐请求，并根据内容推荐请求调用用户分析模块、分类推荐模块的对应功能进行内容推荐；
所述用户分析模块用于根据用户id进行用户偏好分析，包括：获得用户的喜好标签，根据用户的历史数据通过用户分析模型获得用户偏好特征数据，根据用户偏好特征数据筛选相似用户集合；
所述分类推荐模块用于根据用户偏好特征数据通过与内容推荐类型对应的推荐模型生成推荐标签；
所述数据接口模块用于与外部系统进行数据交互，包括获得推荐请求、输出推荐结果响应；
所述数据库模块用于存储所述游戏内容推荐系统所依赖的数据。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种内容推荐方法、设备和系统达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：
（1）本发明以基于用户偏好特征数据的推荐方法及基于相似用户的推荐方法的结合方法进行内容推荐，同时考虑用户自主设置的喜好标签，提升了内容推荐的准确性及有效性；
（2）针对不同内容类型，结合用户偏好特征数据训练不同的内容推荐模型，避免了传统推荐方式因忽略用户对不同类型内容的偏好差异而造成的推荐准确率低的问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的一种内容推荐系统的结构图。
图2为本发明实施例提供的一种内容推荐方法的流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种内容推荐方法，详细说明如后。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例提供了本发明提出了一种内容推荐系统，所述系统用于根据用户行为数据进行多种类型内容的推荐；
参考图1，所述系统包括：系统控制模块、用户分析模块、分类推荐模块、数据接口模块、数据库模块；
所述系统控制模块用于识别内容推荐请求，并根据内容推荐请求调用用户分析模块、分类推荐模块的对应功能进行内容推荐。
所述用户分析模块用于根据用户id进行用户偏好分析，包括：获得用户的喜好标签，根据用户的历史数据通过用户分析模型获得用户偏好特征数据，根据用户偏好特征数据筛选相似用户集合。
所述分类推荐模块用于根据用户偏好特征数据通过与内容推荐类型对应的推荐模型生成推荐标签。
所述数据接口模块用于与外部系统进行数据交互，包括获得推荐请求、输出推荐结果响应。
所述数据库模块用于存储所述游戏内容推荐系统所依赖的数据；所述数据库模块包括用户数据库、游戏数据库、内容数据库。
所述用户数据库用于存储用户相关信息，包括用户基本信息列表、用户偏好数据列表、用户平台数据列表、用户游戏数据列表；
其中，用户基本信息列表用于存储用户注册信息及喜好标签，包括用户id、用户年龄、用户类型、喜好标签；用户偏好数据列表用于存储用户的偏好标签数据；用户平台数据列表用于存储用户在游戏平台上的相关操作数据，包括用户id、类型、浏览id、浏览时间；用户游戏数据列表用于存储用户使用游戏应用的相关数据，包括用户id、游戏id、游戏注册时间、游戏时长、游戏投入；
所述游戏数据库用于存储游戏平台提供的游戏应用的相关数据，包括游戏基本数据列表、游戏特征列表；
其中，游戏基本数据列表用于存储游戏应用的基本信息，包括游戏名称、游戏id、游戏发行商、游戏运营商；游戏特征列表用于存储各游戏的特征标签，包括游戏id、标签id、关注度。
所述内容数据库用于存储游戏平台上所产生内容的相关数据，包括文章信息列表、文章特征列表、视频信息列表、视频特征列表；
其中，文章信息列表用于存储平台上发布文章的详细信息，包括文章id、文章作者、发布日期、浏览数量；文章特征列表用于存储各文章的特征标签，包括文章id、标签id、关注度；视频信息列表用于存储平台上发布视频的详细信息，包括视频id、视频作者、发布日期、浏览数量；视频特征列表用于存储各视频的特征标签，包括视频id、标签id、关注度。
作为一种实施例，所述系统部署在云服务器上。
本发明实施例的还提供了本发明提出了一种内容推荐方法，所述方法基于所述系统实现；参考图2，所述方法包括以下步骤：
步骤1、系统控制模块通过数据接口模块获取用户终端发出的内容推荐请求，获得推荐请求信息；所述推荐请求信息由推荐类型标识、用户id、请求信息组成；
步骤2、系统控制模块调用用户分析模块及分类推荐模块获取第一推荐结果；
第一推荐结果的获取方式为：由用户分析模块调用数据库模块，依据所述推荐请求信息中的用户id查询目标用户的喜好标签；分类推荐模块根据所述喜好标签及所述推荐类型标识从数据库模块获取相应的内容数据作为第一推荐结果；
步骤3、系统控制模块调用用户分析模块，根据预设分析时间内的用户数据通过用户分析模型获得用户偏好特征数据；
步骤4、系统控制模块调用用户分析模块，根据所述用户偏好特征数据在数据库模块中查找具有相似偏好特征的相似用户集合，并获取所述相似用户集合在所述推荐类型标识下的历史数据，经筛选后作为第二推荐结果；
步骤5、系统控制模块调用分类推荐模块根据所述用户偏好特征数据获取第三推荐结果；
第三推荐结果的获取方式为：分类推荐模块根据所述推荐类型标识调用与所述推荐类型标识对应的类型推荐模型，并以所述用户偏好特征数据为输入获得推荐标签；根据推荐标签为关键词在数据库模块中查询相应数据，经筛选后作为第三推荐结果；
步骤6、系统控制模块在第一推荐结果、第二推荐结果及第三推荐结果中筛选出第四推荐结果，并由数据接口模块输出。
作为一种实施例，步骤2包括：
步骤21、系统控制模块调用用户分析模块，以目标用户的用户id为关键字从用户数据库的用户基本信息列表中查询该用户的喜好标签；
所述喜好标签由类型标识、标签id组成；所述喜好标签在用户注册时由用户自行选择；
步骤22、系统控制模块调用分类推荐模块，由分类推荐模块根据所述喜好标签的类型标识确定与之对应的数据库列表，并在该数据库列表中以标签id为关键字进行查询得到第一预推荐数据集合；
步骤23、将所述第一预推荐数据集合中的元素按照创建时间及浏览量倒序排序，并根据预设推荐数量NR提取所述第一预推荐数据集合中排名前NR位的数据，以该数据作为第一推荐结果。
步骤22中，喜好标签的类型标识与数据库列表的对应关系参考表1：
表1喜好标签的类型标识与数据库列表的对应关系
Figure 814109DEST_PATH_IMAGE001
作为一种实施例，步骤3中所述用户分析模型由游戏行为分析模型及平台行为分析模型组成；
其中，所述游戏行为分析模型用于通过分析用户在游戏应用中的操作数据得到第一用户偏好矩阵，所述平台行为分析模型用于通过分析用户在游戏平台中的浏览数据得到第二用户偏好矩阵；
所述第一用户偏好矩阵、所述第二用户偏好矩阵分别表征通过游戏行为分析得到的用户偏好标签及通过平台行为分析得到的用户偏好标签；
所述游戏行为分析模型通过以下方式得到：
从用户游戏数据列表中提取预设样本数量的用户id对应的用户游戏行为数据，并提取游戏行为特征值作为模型样本输入量；
对各游戏行为特征值打上偏好标签，组成偏好矩阵作为模型样本输出量，模型样本输入量与对应的模型样本输出量组成原始样本数据集；
将所述原始样本数据集拆分为训练集和测试集；采用逻辑回归算法依靠训练集训练游戏行为分析模型，并利用测试集对游戏行为分析模型进行评估；调整参数不断训练模型直到召回率和准确率满足预设阈值，输出游戏行为分析模型。
所述游戏行为统计特征值包括各类型游戏的游戏时间、平均游戏时长、游戏时长方差、游戏时长中位数、游戏时段分布值、游戏充值金额分布值、游戏画面特征平均值、游戏画面特征方差。
所述偏好矩阵为m×n矩阵，表示方式如下：
Figure 338631DEST_PATH_IMAGE002
，
其中，A为偏好矩阵；偏好矩阵中的元素a ij 为（i,j）位置对应的偏好标签的取值，取值方式为：若当前行为特征值命中该偏好标签，则元素a ij 取值为1，否则为0。
所述平台行为分析模型通过以下方式得到：
从用户平台数据列表中提取预设样本数量的用户id对应的用户平台行为数据，并提取平台行为特征值作为模型样本输入量；
对各平台行为特征值打上偏好标签，组成偏好矩阵作为模型样本输出量，模型样本输入量与对应的模型样本输出量组成原始样本数据集；
将所述原始样本数据集拆分为训练集和测试集；采用逻辑回归算法依靠训练集训练平台行为分析模型，并利用测试集对平台行为分析模型进行评估；调整参数不断训练模型直到召回率和准确率满足预设阈值，输出平台行为分析模型。
所述平台行为统计特征值包括各类平台内容的浏览时间、平均浏览时长、浏览时长方差、浏览时长中位数、浏览时段分布、日均平均评论次数、月均评论次数、日均转发次数、月均转发次数。
可以理解的是，上述游戏行为分析模型、平台行为分析模型获得方法中采用的逻辑回归算法亦可采用决策树、遗传算法、支持向量机等机器学习算法实现，均为成熟技术手段，本领域的技术人员根据上述实施例的描述，完全可顺利实现该算法，在此不赘述。
作为一种实施例，步骤3包括：
步骤31、系统控制模块调用用户分析模块，根据目标用户的用户id在用户数据库的用户游戏数据列表中获取预设分析时间内的用户游戏行为数据，并计算游戏行为统计特征值；
所述游戏行为统计特征值包括各类型游戏的游戏时间、平均游戏时长、游戏时长方差、游戏时长中位数、游戏时段分布值、游戏充值金额分布值、游戏画面特征平均值、游戏画面特征方差；
同时，根据目标用户的用户id在用户数据库的用户平台数据列表中获取预设分析时间内的用户平台行为数据，并计算平台行为统计特征值；
所述平台行为统计特征值包括各类平台内容的浏览时间、平均浏览时长、浏览时长方差、浏览时长中位数、浏览时段分布、日均平均评论次数、月均评论次数、日均转发次数、月均转发次数；
步骤32、分别将所述游戏行为统计特征值、平台行为统计特征值输入所述游戏行为分析模型、所述平台行为分析模型，得到第一用户偏好矩阵及第二用户偏好矩阵；
步骤33、将第一用户偏好矩阵与第二用户偏好矩阵进行矩阵合并得到用户偏好矩阵，归一化后得到用户偏好特征数据；
所述矩阵合并按下式进行：
U 0 =L 1 U 1 +L 2 U 2 ，
其中，U 0 为用户偏好矩阵，U 1 为第一用户偏好矩阵，U 2 为第二用户偏好矩阵，L 1 为预设的第一权值矩阵，L 2 为预设的第二权值矩阵。
作为一种实施例，步骤4包括：
步骤41、系统控制模块调用用户分析模块，以目标用户的用户偏好特征数据为依据，计算目标用户与其他用户的用户偏好特征数据的相似度；
所述相似度采用包括欧氏距离、汉明距离、余弦相似度、皮尔逊相关系数中的任一种方法计算得到；
步骤42、筛选相似度大于预设相似度阈值的用户，组成相似用户集合；
步骤43、系统控制模块根据所述推荐类型标识调用数据库模块中对应的目标列表，并以所述相似用户集合中各元素的用户id为关键词，在目标列表中查询各用户id对应的浏览id及浏览时间，并统计各浏览id的浏览频次，得到第二预推荐数据集合；
步骤44、将所述第二预推荐数据集合中的元素按照各浏览id的创建时间及浏览频次倒序排序，并根据预设推荐数量NR提取所述第二预推荐数据集合中排名前NR位的数据，以该数据作为第二推荐结果。
其中，浏览id包括文章id与视频id；各浏览id的创建时间通过用户平台数据列表与文章信息列表或视频信息列表关联查询得到。
步骤43中所述推荐类型标识与目标列表的对应关系参考表2:
表2类型标识与目标列表的对应关系
Figure 624119DEST_PATH_IMAGE003
作为一种实施例，所述类型推荐模型包括游戏应用推荐模型、文章推荐模型、视频推荐模型；
所述游戏应用推荐模型是以用户偏好特征数据为输入，输出游戏应用的推荐标签；所述文章推荐模型是以用户偏好特征数据为输入，输出文章的推荐标签；述视频推荐模型是以用户偏好特征数据为输入，输出视频的推荐标签。
作为一种实施例，步骤5包括：
步骤51、系统控制模块调用分类推荐模块，由分类推荐模块根据所述推荐类型标识选择对应的类型推荐模型；
其中，当所述推荐类型标识为“app”时，对应游戏应用推荐模型；当所述推荐类型标识为“article”时，对应文章推荐模型；当所述推荐类型标识为“video”时，对应视频推荐模型；
步骤52、分类推荐模块以所述用户偏好特征数据为输入调用所述类型推荐模型获得推荐标签；
步骤53、系统控制模块调用数据库模块，根据所述推荐类型标识确定对应的数据库列表，并在该数据库列表中以所述推荐标签的标签id为关键字进行查询得到第三预推荐数据集合；
其中，所述推荐类型标识与数据库列表的对应关系参考表3：
表3推荐类型标识与数据库列表的对应关系
Figure 892289DEST_PATH_IMAGE004
步骤54、将所述第三预推荐数据集合中的元素按照创建时间及关注度倒序排序，并根据预设推荐数量NR提取所述第三预推荐数据集合中排名前NR位的数据，以该数据作为第三推荐结果。
作为一种实施例，所述类型推荐模型通过以下方式得到：
（1）从数据库中筛选一定数量的用户作为用户样本集，查询用户样本集中所有用户的目标类型历史数据组成基本数据集；
所述目标类型历史数据为文章浏览数据、视频浏览数据、游戏行为数据中的一种，与所训练的模型一一对应；
（2）通过所述用户分析模型计算用户样本集中所有用户的用户偏好特征数据；
（3）根据所有用户的目标类型历史数据统计出所有用户各类型标签下的频率，并将低于预设类型频率阈值的频率数值置为0，组合得到所有用户的类型标签矩阵；
以（2）中的用户偏好特征数据作为输入量，对应的类型标签矩阵作为输出量，组成推荐模型原始数据集；
（4）将所述推荐模型原始数据集拆分为推荐模型训练集和推荐模型测试集；采用机器学习算法依靠推荐模型训练集训练类型推荐模型，并利用推荐模型测试集对类型推荐模型进行评估；调整参数不断训练模型直到召回率和准确率满足预设阈值，输出类型推荐模型。
所述机器学习算法包括：逻辑回归算法、决策树、遗传算法、支持向量机（SVN）、K-means算法、随机森林和朴素贝叶斯算法，采用不同算法时其程序设计有所差异，但均为成熟技术手段，本领域的技术人员根据上述实施例的描述，完全可顺利实现该算法，在此不赘述。
作为一种实施例，步骤6中第四推荐结果的筛选方法如下：
将第一推荐结果、第二推荐结果及第三推荐结果进行合并，计算合并结果中每一元素的频次，根据预设推荐数量NR筛选出频次排名前NR位的数据，以此作为第四推荐结果。
作为一种实施例，本发明所述方法可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用计算机或任何其他类似硬件设备来实现。
本发明所述的系统可以软件程序的形式实施，所述软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，所述软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。
另外，本发明所述方法的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明所述的系统的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本发明所述方法的程序指令，可被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。
作为一种实施例，本发明还提供一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述的多个实施例的方法和/或技术方案。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，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可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
最后，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种内容推荐方法，其特征在于，
所述方法的执行主体为内容推荐系统，所述方法包括以下步骤：
步骤1、系统控制模块通过数据接口模块获取内容推荐请求，获得推荐请求信息；所述推荐请求信息由推荐类型标识、用户id、请求信息组成；
步骤2、系统控制模块调用用户分析模块及分类推荐模块获取第一推荐结果；
第一推荐结果的获取方式为：由用户分析模块调用数据库模块，依据所述推荐请求信息中的用户id查询目标用户的喜好标签；分类推荐模块根据所述喜好标签及所述推荐类型标识从数据库模块获取相应的内容数据作为第一推荐结果；
步骤3、系统控制模块调用用户分析模块，根据预设分析时间内的用户数据通过用户分析模型获得用户偏好特征数据；
步骤4、系统控制模块调用用户分析模块，根据所述用户偏好特征数据在数据库模块中查找具有相似偏好特征的相似用户集合，并获取所述相似用户集合在所述推荐类型标识下的历史数据，经筛选后作为第二推荐结果；
步骤5、系统控制模块调用分类推荐模块根据所述用户偏好特征数据获取第三推荐结果；
第三推荐结果的获取方式为：分类推荐模块根据所述推荐类型标识调用对应的类型推荐模型、以所述用户偏好特征数据为输入获得推荐标签，并根据推荐标签为关键词在数据库模块中查询相应数据，经筛选后作为第三推荐结果；
步骤6、系统控制模块在第一推荐结果、第二推荐结果及第三推荐结果中筛选出第四推荐结果，并由数据接口模块输出；
其中，在步骤3中，所述用户分析模型由游戏行为分析模型及平台行为分析模型组成；所述游戏行为分析模型用于通过分析用户在游戏应用中的操作数据得到第一用户偏好矩阵；所述平台行为分析模型用于通过分析用户在游戏平台中的浏览数据得到第二用户偏好矩阵；
所述第一用户偏好矩阵、所述第二用户偏好矩阵分别表征通过游戏行为分析得到的用户偏好标签及通过平台行为分析得到的用户偏好标签；
所述步骤3包括：
步骤31、系统控制模块调用用户分析模块，根据目标用户的用户id在用户数据库的用户游戏数据列表中获取预设分析时间内的用户游戏行为数据，并计算游戏行为统计特征值；同时，根据目标用户的用户id在用户数据库的用户平台数据列表中获取预设分析时间内的用户平台行为数据，并计算平台行为统计特征值；
步骤32、分别将所述游戏行为统计特征值、平台行为统计特征值输入所述游戏行为分析模型、所述平台行为分析模型，得到第一用户偏好矩阵及第二用户偏好矩阵；
步骤33、将第一用户偏好矩阵与第二用户偏好矩阵进行矩阵合并得到用户偏好矩阵，归一化后得到用户偏好特征数据。
2.根据权利要求1所述的方法，其特征在于，
步骤2包括：
步骤21、系统控制模块调用用户分析模块，以目标用户的用户id为关键字从用户数据库的用户基本信息列表中查询该用户的喜好标签；所述喜好标签由类型标识、标签id组成；
步骤22、系统控制模块调用分类推荐模块，由分类推荐模块根据所述喜好标签中的类型标识确定对应的数据库列表，并在该数据库列表中以标签id为关键字进行查询得到第一预推荐数据集合；
步骤23、将所述第一预推荐数据集合中的元素按照创建时间及浏览量倒序排序，并根据预设推荐数量提取相应的数据作为第一推荐结果。
3.根据权利要求1所述的方法，其特征在于，
游戏/平台行为分析模型通过以下方式得到：
从用户游戏/平台数据列表中提取预设样本数量的用户id对应的用户游戏/平台行为数据，并提取游戏/平台行为特征值作为模型样本输入量；
对各游戏/平台行为特征值打上偏好标签，组成偏好矩阵作为模型样本输出量，模型样本输入量与对应的模型样本输出量组成原始样本数据集；
将所述原始样本数据集拆分为训练集和测试集；采用逻辑回归算法依靠训练集训练游戏/平台行为分析模型，并利用测试集对游戏/平台行为分析模型进行评估；调整参数不断训练模型直到召回率和准确率满足预设阈值，输出游戏/平台行为分析模型。
4.根据权利要求1所述的方法，其特征在于，
步骤4包括：
步骤41、系统控制模块调用用户分析模块，以目标用户的用户偏好特征数据为依据，计算目标用户与其他用户的用户偏好特征数据的相似度；
所述相似度采用包括欧氏距离、汉明距离、余弦相似度、皮尔逊相关系数中的任一种方法计算得到；
步骤42、筛选相似度大于预设相似度阈值的用户，组成相似用户集合；
步骤43、系统控制模块根据所述推荐类型标识调用数据库模块中对应的目标列表，并以所述相似用户集合中各元素的用户id为关键词，在目标列表中查询各用户id对应的浏览数据，并统计浏览频次，得到第二预推荐数据集合；
步骤44、将所述第二预推荐数据集合中的元素按照创建时间及浏览频次倒序排序，并根据预设推荐数量提取相应的数据作为第二推荐结果。
5.根据权利要求1 所述的方法，其特征在于，
步骤5包括：
步骤51、系统控制模块调用分类推荐模块，由分类推荐模块根据所述推荐类型标识选择对应的类型推荐模型；
步骤52、分类推荐模块以所述用户偏好特征数据为输入调用所述类型推荐模型获得推荐标签；
步骤53、系统控制模块调用数据库模块，根据所述推荐类型标识调用数据库模块中对应的目标列表，并在该目标列表中以所述推荐标签为关键字查询相应数据获得第三预推荐数据集合；
步骤54、将所述第三预推荐数据集合中的元素按照创建时间及浏览量倒序排序，并根据预设推荐数量提取相应的数据作为第三推荐结果。
6.根据权利要求1所述的方法，其特征在于，
所述类型推荐模型包括游戏应用推荐模型、文章推荐模型、视频推荐模型；
所述类型推荐模型通过以下方式得到：
（1）从数据库中筛选一定数量的用户作为用户样本集，查询用户样本集中所有用户的目标类型历史数据组成基本数据集；
所述目标类型历史数据为文章浏览数据、视频浏览数据、游戏行为数据中的一种，与所训练的模型对应；
（2）通过所述用户分析模型计算用户样本集中所有用户的用户偏好特征数据；
（3）根据所有用户的目标类型历史数据统计出所有用户各类型标签下的频率，并将低于预设类型频率阈值的频率数值置为0，组合得到所有用户的类型标签矩阵；
以（2）中的用户偏好特征数据作为输入量，对应的类型标签矩阵作为输出量，组成推荐模型原始数据集；
（4）将所述推荐模型原始数据集拆分为推荐模型训练集和推荐模型测试集；采用机器学习算法依靠推荐模型训练集训练类型推荐模型，并利用推荐模型测试集对类型推荐模型进行评估；调整参数不断训练模型直到召回率和准确率满足预设阈值，输出类型推荐模型。
7.一种内容推荐系统，其特征在于，
所述系统用于根据用户行为数据进行多种类型内容的推荐；
所述系统包括：系统控制模块、用户分析模块、分类推荐模块、数据接口模块、数据库模块；
所述系统控制模块用于识别内容推荐请求，并根据内容推荐请求调用用户分析模块、分类推荐模块的对应功能进行内容推荐；
所述用户分析模块用于根据用户id进行用户偏好分析，包括：获得用户的喜好标签，根据用户的历史数据通过用户分析模型获得用户偏好特征数据，根据用户偏好特征数据筛选相似用户集合；
所述分类推荐模块用于根据用户偏好特征数据通过与内容推荐类型对应的推荐模型生成推荐标签；
所述数据接口模块用于与外部系统进行数据交互，包括获得推荐请求、输出推荐结果响应；
所述数据库模块用于存储所述内容推荐系统所依赖的数据；
所述系统部署在云服务器上；
其中，所述用户分析模型由游戏行为分析模型及平台行为分析模型组成；所述游戏行为分析模型用于通过分析用户在游戏应用中的操作数据得到第一用户偏好矩阵；所述平台行为分析模型用于通过分析用户在游戏平台中的浏览数据得到第二用户偏好矩阵；
所述第一用户偏好矩阵、所述第二用户偏好矩阵分别表征通过游戏行为分析得到的用户偏好标签及通过平台行为分析得到的用户偏好标签；
所述系统控制模块调用用户分析模块，根据目标用户的用户id在用户数据库的用户游戏数据列表中获取预设分析时间内的用户游戏行为数据，并计算游戏行为统计特征值；同时，根据目标用户的用户id在用户数据库的用户平台数据列表中获取预设分析时间内的用户平台行为数据，并计算平台行为统计特征值；
分别将所述游戏行为统计特征值、平台行为统计特征值输入所述游戏行为分析模型、所述平台行为分析模型，得到第一用户偏好矩阵及第二用户偏好矩阵；
将第一用户偏好矩阵与第二用户偏好矩阵进行矩阵合并得到用户偏好矩阵，归一化后得到用户偏好特征数据。
8.根据权利要求7所述的系统，其特征在于，
所述数据库模块包括用户数据库、游戏数据库、内容数据库；
所述用户数据库用于存储用户相关信息，包括用户基本信息列表、用户偏好数据列表、用户平台数据列表、用户游戏数据列表；
所述游戏数据库用于存储游戏平台提供的游戏应用的相关数据，包括游戏基本数据列表、游戏特征列表；
所述内容数据库用于存储游戏平台上所产生内容的相关数据，包括文章信息列表、文章特征列表、视频信息列表、视频特征列表。
9.一种电子设备，其特征在于，
所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
CN202210630035.8A 2022-06-06 2022-06-06 一种内容推荐方法、设备和系统 Active CN114707074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630035.8A CN114707074B (zh) 2022-06-06 2022-06-06 一种内容推荐方法、设备和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630035.8A CN114707074B (zh) 2022-06-06 2022-06-06 一种内容推荐方法、设备和系统

Publications (2)

Publication Number Publication Date
CN114707074A CN114707074A (zh) 2022-07-05
CN114707074B true CN114707074B (zh) 2022-11-04

Family

ID=82177911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630035.8A Active CN114707074B (zh) 2022-06-06 2022-06-06 一种内容推荐方法、设备和系统

Country Status (1)

Country Link
CN (1) CN114707074B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304315B (zh) * 2023-02-27 2024-02-06 广州兴趣岛信息科技有限公司 一种网上教学用内容智能推荐系统
CN116077942B (zh) * 2023-04-06 2023-06-27 深圳尚米网络技术有限公司 一种交互式内容推荐的实现方法
CN116492693A (zh) * 2023-06-28 2023-07-28 北京乐盟互动科技有限公司 网络游戏数据推广的方法、装置、电子设备及存储介质
CN117011019B (zh) * 2023-09-28 2023-12-22 无锡锡商银行股份有限公司 一种基于大数据的银行架构自适应分析管理系统及方法
CN117112911B (zh) * 2023-10-22 2024-03-22 成都亚度克升科技有限公司 基于大数据分析和人工智能的软件推荐方法和系统
CN117541359B (zh) * 2024-01-04 2024-03-29 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) 一种基于偏好分析的用餐推荐方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9387392B1 (en) * 2011-02-17 2016-07-12 Aristocrat Technologies Australia Pty Limited Gaming tracking and recommendation system
CN109543111A (zh) * 2018-11-28 2019-03-29 广州虎牙信息科技有限公司 推荐信息筛选方法、装置、存储介质及服务器
CN111582984A (zh) * 2020-05-08 2020-08-25 广州探途网络技术有限公司 一种商品推荐方法、装置及计算设备
CN112685635A (zh) * 2020-12-29 2021-04-20 深圳市金蝶天燕云计算股份有限公司 基于分类标签的项目推荐方法、装置、服务器和存储介质
CN112950328A (zh) * 2021-03-24 2021-06-11 第四范式（北京）技术有限公司 一种组合对象推荐方法、装置、系统和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191896A (zh) * 2021-04-27 2021-07-30 华世界数字科技(深圳)有限公司 一种招标信息的推荐方法、装置及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9387392B1 (en) * 2011-02-17 2016-07-12 Aristocrat Technologies Australia Pty Limited Gaming tracking and recommendation system
CN109543111A (zh) * 2018-11-28 2019-03-29 广州虎牙信息科技有限公司 推荐信息筛选方法、装置、存储介质及服务器
CN111582984A (zh) * 2020-05-08 2020-08-25 广州探途网络技术有限公司 一种商品推荐方法、装置及计算设备
CN112685635A (zh) * 2020-12-29 2021-04-20 深圳市金蝶天燕云计算股份有限公司 基于分类标签的项目推荐方法、装置、服务器和存储介质
CN112950328A (zh) * 2021-03-24 2021-06-11 第四范式（北京）技术有限公司 一种组合对象推荐方法、装置、系统和存储介质

Also Published As

Publication number Publication date
CN114707074A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114707074B (zh) 一种内容推荐方法、设备和系统
CN107424043B (zh) 一种产品推荐方法及装置，电子设备
CN105335391B (zh) 基于搜索引擎的搜索请求的处理方法和装置
CN110543598B (zh) 信息推荐方法、装置及终端
CN107463698B (zh) 基于人工智能推送信息的方法和装置
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN109902823B (zh) 一种基于生成对抗网络的模型训练方法及设备
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN111309940A (zh) 一种信息展示方法、系统、装置、电子设备及存储介质
CN111444380B (zh) 音乐搜索排序方法、装置、设备和存储介质
CN110413894A (zh) 内容推荐模型的训练方法、内容推荐的方法及相关装置
CN110209921B (zh) 媒体资源的推送方法和装置、以及存储介质和电子装置
CN111259257A (zh) 一种信息展示方法、系统、装置、电子设备及存储介质
CN114186130A (zh) 一种基于大数据的体育资讯推荐方法
CN114881712B (zh) 智能广告投放方法、装置、设备及存储介质
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
CN115168700A (zh) 一种基于预训练算法的信息流推荐方法、系统及介质
CN105808737B (zh) 一种信息检索方法及服务器
CN113626638A (zh) 短视频推荐处理方法、装置、智能终端及存储介质
CN117436956A (zh) 基于广告推送的智能营销管理系统
CN112417956A (zh) 信息推荐方法及装置、电子设备及计算机可读存储介质
CN110971973A (zh) 一种视频推送方法、装置及电子设备
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN113392266B (zh) 排序模型的训练、排序方法、装置、电子设备及存储介质
CN113486247B (zh) 一种互联网在线鉴阅文档阅读分级管理系统

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
GR01 Patent grant
GR01 Patent grant