CN115062214A - 内容推荐方法、装置、可读存储介质及电子设备 - Google Patents

内容推荐方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN115062214A
CN115062214A CN202210567648.1A CN202210567648A CN115062214A CN 115062214 A CN115062214 A CN 115062214A CN 202210567648 A CN202210567648 A CN 202210567648A CN 115062214 A CN115062214 A CN 115062214A
Authority
CN
China
Prior art keywords
feedback
behavior
information
type
target object
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
Application number
CN202210567648.1A
Other languages
English (en)
Inventor
凌春阳
张泳
王强
陈文石
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202210567648.1A priority Critical patent/CN115062214A/zh
Publication of CN115062214A publication Critical patent/CN115062214A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种内容推荐方法、装置、可读存储介质及电子设备。方法包括：响应于接收到目标对象的内容推荐请求，获取目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及目标对象的属性信息，其中，多类行为信息包括显式反馈序列和隐式反馈序列；确定多类行为信息中每类行为信息的反馈等级；根据反馈等级、多类行为信息、内容特征信息和目标对象的属性信息，确定目标对象的行为反馈信息；根据行为反馈信息和所述内容特征信息，确定向目标对象推荐的目标推荐内容。提高所确定的目标对象的行为反馈信息的准确度，实现高精度的内容推荐，提升用户使用体验。

Description

内容推荐方法、装置、可读存储介质及电子设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种内容推荐方法、装置、可读存储介质及电子设备。
背景技术
个性化推荐系统已被广泛应用于电子商务、新闻和视频等诸多领域。现有推荐系统中的模型通常是基于深度神经网络的点击率预估(Click-Through Rate Prediction，CTR)模型，训练时采用曝光点击数据作为样本进行学习，预测时为候选集中的所有待推荐内容打分，向用户推荐其中得分最高者。
如何准确确定待向用户推荐的待推荐内容是推荐系统的核心问题。现有方法主要依赖用户的隐式反馈行为(如点击行为)来预测将要推荐给用户的待推荐内容。示例地，使用了不同的网络结构从历史点击序列中提取用户历史浏览内容，然后预测用户下一个可能点击的内容。然而，隐式反馈行为往往包含大量噪声，与用户的真正观看内容之间存在差距，因此会导致对待推荐内容预估不精准的问题。例如，在众多推荐场景下，用户经常由于标题或图片吸引发生了点击，但若用户对其中的内容不满意则会很快地关闭页面。
发明内容
本公开的目的是提供一种内容推荐方法、装置、可读存储介质及电子设备，以解决相关技术中存在的问题。
为了实现上述目的，本公开第一方面提供一种内容推荐方法，包括：
响应于接收到目标对象的内容推荐请求，获取所述目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及所述目标对象的属性信息，其中，所述多类行为信息包括显式反馈序列和隐式反馈序列；
确定所述多类行为信息中每类行为信息的反馈等级；
根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息；
根据所述行为反馈信息和所述内容特征信息，确定向所述目标对象推荐的目标推荐内容。
可选地，所述根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息，包括：
根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量；
根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息。
可选地，所述根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量，包括：
分别将每类行为信息输入所述深度交叉特征提取网络中的Transform模块，得到所述每类行为信息对应的高阶向量；
按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量。
可选地，所述多类行为信息包括正向行为反馈序列和负向行为反馈序列；所述反馈等级包括根据所述正向行为反馈序列确定的与所述正向行为反馈序列对应的第一反馈等级，以及根据所述负向行为反馈序列确定的与所述负向行为反馈序列对应的第二反馈等级；
所述按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量，包括：
针对所述每类行为信息，将该类行为信息对应的高阶向量和所述内容特征信息输入所述深度交叉特征提取网络中的Attention模块，得到该类行为信息的第一交叉特征向量；
分别将所述第一反馈等级和所述第二反馈等级确定为目标等级，并执行以下步骤：
按照所述目标等级的大小对与所述目标等级对应的每类行为信息进行排序，得到所述目标等级对应的排序列表；
将位于所述排序列表中第二位的第二类行为信息对应的高阶向量和位于所述排序列表中第一位的第一类行为信息对应的第一交叉特征向量输入所述Attention模块，得到所述第二类行为信息对应的第二交叉特征向量；以及
将位于所述排序列表中第i位的第i类行为信息对应的高阶向量、所述第一类行为信息对应的第一交叉特征向量、位于所述排序列表中第一位和第i位之间的每一类行为信息对应的第二交叉特征向量输入所述Attention模块，得到所述第i类行为信息对应的第二交叉特征向量，其中i的取值范围为3至N，N为所述多类行为信息的类别数量。
可选地，所述根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息，包括：
根据位于所述目标等级对应的排序列表中第一位的第一类行为信息对应的第一交叉特征向量和位于除第一位之外的其他位置的行为信息对应的第二交叉特征向量，确定所述目标对象的、与所述目标等级对应的第一类行为反馈向量；以及
根据位于除所述目标等级对应的排序列表中第一位之外的其他位置的行为信息对应的第一交叉特征向量，确定所述目标对象的、与所述目标等级对应的第二类行为反馈向量；
根据所述第一类行为反馈向量、所述第二类行为反馈向量以及所述目标对象的属性信息，确定所述目标对象的行为反馈信息。
可选地，在所述目标等级为所述第一反馈等级时所述第一类行为反馈向量为第一正向反馈向量，所述第二类行为反馈向量为第二正向反馈向量；在目标等级为所诉第二反馈等级时所述第一类行为反馈向量为第一负向反馈向量，所述第二类行为反馈向量为第二负向反馈向量；并且，所述第一正向反馈向量表征的喜欢程度大于所述第二正向反馈向量表征的喜欢程度，所述第一负向反馈向量表征的不喜欢程度大于所述第二负向反馈向量表征的不喜欢程度。
可选地，所述显式反馈序列包括分享行为反馈序列、收藏行为反馈序列和不喜欢行为反馈序列；所述隐式反馈序列包括点击行为反馈序列、曝光未点击行为反馈序列和短时退出行为反馈序列。
本公开第二方面提供一种内容推荐装置，包括：
获取模块，用于响应于接收到目标对象的内容推荐请求，获取所述目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及所述目标对象的属性信息，其中，所述多类行为信息包括显式反馈序列和隐式反馈序列；
第一确定模块，用于确定所述多类行为信息中每类行为信息的反馈等级；
第二确定模块，用于根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息；
第三确定模块，用于根据所述行为反馈信息和所述内容特征信息，确定向所述目标对象推荐的目标推荐内容。
可选地，所述第二确定模块包括：
第一确定子模块，用于根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量；
第二确定子模块，用于根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息。
可选地，所述第一确定子模块包括：
第一输入子模块，用于分别将每类行为信息输入所述深度交叉特征提取网络中的Transform模块，得到所述每类行为信息对应的高阶向量；
第二输入子模块，用于按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量。
可选地，所述多类行为信息包括正向行为反馈序列和负向行为反馈序列；所述反馈等级包括根据所述正向行为反馈序列确定的与所述正向行为反馈序列对应的第一反馈等级，以及根据所述负向行为反馈序列确定的与所述负向行为反馈序列对应的第二反馈等级；所述第二输入子模块包括：
第三输入子模块，用于针对所述每类行为信息，将该类行为信息对应的高阶向量和所述内容特征信息输入所述深度交叉特征提取网络中的Attention模块，得到该类行为信息的第一交叉特征向量；
执行子模块，用于分别将所述第一反馈等级和所述第二反馈等级确定为目标等级，并执行以下步骤：
按照所述目标等级的大小对与所述目标等级对应的每类行为信息进行排序，得到所述目标等级对应的排序列表；
将位于所述排序列表中第二位的第二类行为信息对应的高阶向量、位于所述排序列表中第一位的第一类行为信息对应的第一交叉特征向量输入所述Attention模块，得到所述第二类行为信息对应的第二交叉特征向量；以及
将位于所述排序列表中第i位的第i类行为信息对应的高阶向量、所述第一类行为信息对应的第一交叉特征向量、位于所述排序列表中第一位和第i位之间的每一类行为信息对应的第二交叉特征向量输入所述Attention模块，得到所述第i类行为信息对应的第二交叉特征向量，其中i的取值范围为3至N，N为所述多类行为信息的类别数量。
可选地，所述第二确定子模块包括：
第三确定子模块，用于根据位于所述目标等级对应的排序列表中第一位的第一类行为信息对应的第一交叉特征向量和位于除第一位之外的其他位置的行为信息对应的第二交叉特征向量，确定所述目标对象的、与所述目标等级对应的第一类行为反馈向量；以及
第四确定子模块，用于根据位于除所述目标等级对应的排序列表中第一位之外的其他位置的行为信息对应的第一交叉特征向量，确定所述目标对象的、与所述目标等级对应的第二类行为反馈向量；
第五确定子模块，用于根据所述第一类行为反馈向量、所述第二类行为反馈向量以及所述目标对象的属性信息，确定所述目标对象的行为反馈信息。
可选地，在所述目标等级为所述第一反馈等级时所述第一类行为反馈向量为第一正向反馈向量，所述第二类行为反馈向量为第二正向反馈向量；在目标等级为所述第二反馈等级时所述第一类行为反馈向量为第一负向反馈向量，所述第二类行为反馈向量为第二负向反馈向量；并且，所述第一正向反馈向量表征的喜欢程度大于所述第二正向反馈向量表征的喜欢程度，所述第一负向反馈向量表征的不喜欢程度大于所述第二负向反馈向量表征的不喜欢程度。
可选地，所述显式反馈序列包括分享行为反馈序列、收藏行为反馈序列和不喜欢行为反馈序列；所述隐式反馈序列包括点击行为反馈序列、曝光未点击行为反馈序列和短时退出行为反馈序列。
本公开第三方面提供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本公开第一方面所提供的所述方法的步骤。
本公开第四方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的所述方法的步骤。
通过上述技术方案，融合了目标对象的丰富的显式反馈序列和隐式反馈序列来准确确定目标对象的行为反馈信息，能够解决隐式反馈序列中的噪声问题。并且，在确定目标对象的行为反馈信息时还参考了多类行为信息中每类行为信息的反馈等级，利用反馈等级较大的行为信息指导反馈等级较小的行为信息，提取出目标对象有效的行为反馈信息，提高所确定的目标对象的行为反馈信息的准确度。并且，在基于准度较高的行为反馈信息为目标对象推荐内容时，可以实现高精度的内容推荐，提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种内容推荐方法的流程图。
图2是根据一示例性实施例示出的一种生成行为信息ik的示意图。
图3是根据一示例性实施例示出一种确定目标对象的行为反馈信息的流程图。
图4是根据一示例性实施例示出一种预估模型的结构示意图。
图5是根据一示例性实施例示出的一种内容推荐装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
相关技术中，通常采用下述三种方式来解决根据隐式反馈行为确定待向用户推荐的待推荐内容的噪声问题：第一种方式为假阳性样本识别方式，在该方式中利用一些行为相关的辅助信息(如页面停留时长)，或内容属性特征(如内容长度)，识别出点击样本中属于假阳性(False Positive)的样本，并从训练集中去除这部分样本。第二种方式为自适应样本加权方式，在训练过程中动态调整样本的权重，对那些训练时损失较大的样本进行降权，以减少噪音样本的干扰。但困难样本的损失也会较大，因此该方法会削弱困难样本的学习效果。第三种方式为引入多种反馈行为方式，该类方式中并不提前去除训练集中的噪声数据，而是将用户的额外反馈行为加入到模型中进行训练，例如跳过、完成浏览等额外反馈信息，使用协同过滤或多任务学习等方式为用户推荐内容。
然而，假阳性样本识别和自适应样本加权这两类方式基于的数据仍然是用户的点击行为，但用户的其他反馈(如不喜欢等负向反馈)很难用点击行为表征，而这些反馈对于提升用户体验有着至关重要的作用。而引入多种反馈行为方式目前仍存在一些缺点，例如：结合的反馈行为不够全面，比如只加入了点击、曝光未点击和不喜欢行为，没有考虑不同反馈行为表达的兴趣强度差异以及反馈行为间的交互。因此，相关技术均不能很好的解决隐式反馈序列中的噪声问题，无法准确确定待向用户推荐的待推荐内容，导致用户使用体验较差。
有鉴于此，本公开提供一种内容推荐方法、装置、可读存储介质及电子设备，以提高所确定的目标对象的行为反馈信息的准确度，实现高精度的内容推荐，提升用户使用体验。
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开中所有获取信号、信息(例如，下文所用到的多类行为信息、待推荐内容的内容特征信息、目标对象的属性信息等)或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图。如图1所示，该内容推荐方法可以包括以下步骤。
在步骤S11中，响应于接收到目标对象的内容推荐请求，获取目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及目标对象的属性信息。
值的说明的是，目标对象可以为用户，还可以为用户查看推荐内容时登陆的账号等，本公开对此不作具体限定。以目标对象为用户为例，用户可以在人机交互界面手动输入内容推荐请求或语音输入内容推荐请求，等等。此外，本公开所提供的内容推荐方法可以应用于服务器，也可以应用于电子设备，本公开对此也不作具体限定。
在本公开中，目标对象对已推荐内容的多类行为信息可以包括显式反馈序列和隐式反馈序列。显式反馈序列为明确表征目标对象对已推荐内容喜好的行为序列，并且，该显式反馈序列还可以进一步包括用于表征目标对象对已推荐内容喜欢的显式正反馈序列和/或用于表征目标对象对已推荐内容不喜欢的显式负反馈序列。例如，显式正反馈序列可以包括但不限于分享行为反馈序列、收藏行为反馈序列。显式负反馈信息可以包括但不限于不喜欢行为反馈序列。
类似地，隐式反馈序列为不明确表征目标对象对已推荐内容喜好的行为序列，并且，该隐式反馈序列还可以进一步包括用于表征目标对象对已推荐内容喜欢的隐式正反馈序列和/或用于表征目标对象对已推荐内容不喜欢的隐式负反馈序列。例如，隐式正反馈序列可以包括但不限于点击行为反馈序列，隐式负反馈信息可以包括但不限于曝光未点击行为反馈序列和短时退出行为反馈序列。此外，隐式负反馈序列还可以包括用户关闭通知行为反馈序列和卸载APP行为反馈序列等等。
其中，在数据统计时发现，隐式反馈序列的数量多，但包含的噪声较大，反映用户的行为反馈信息强度较低。显式反馈序列的数量少，但包含的噪声小，反映用户的行为反馈信息强度高。不同类型的反馈序列体现了用户行为反馈的不同方面，因此，在本公开中，所获取的多类行为信息包括显式反馈序列和隐式反馈序列，如此，能够相互补充，有利于全面刻画用户的无偏反馈。
值的说明的是，在本公开中，对多类行为信息的具体内容不做限制，其可以包括显式正反馈序列和隐式正反馈序列，也可以包括显式负反馈序列和隐式负反馈序列，还可以包括显式正反馈序列、隐式正反馈序列、显式负反馈序列和隐式负反馈序列，等等。下面主要以多类行为信息包括显式正反馈序列、隐式正反馈序列、显式负反馈序列和隐式负反馈序列为例进行详细介绍。
其中，行为信息ik可以包括但不限于：已推荐内容的属性信息ak和行为的上下文信息ck。以推荐内容为商品为例，属性信息ak可以包括商户ID、商品的二级类目ID、商圈ID等等。行为的上下文信息ck可以包括行为发生时刻距当前时刻的时间差、行为发生是一周中的周几、行为发生在一天中的第几个小时等等。
示例地，图2是根据一示例性实施例示出的一种生成行为信息ik的示意图。如图2所示，将已推荐内容的属性信息ak和行为的上下文信息ck通过融合函数得到行为信息ik＝fusion(ak,ck)。其中，ik表征第k个行为信息。
仍以商品为例，待推荐内容的内容信息可以包括商品名称、商家ID、商品的二级类目ID、商圈ID等等。值的说明的是，本公开所提及到的已推荐内容和待推荐内容还可以为文章、视频、音乐等等，本公开对此不作具体限定。
此外，目标对象的属性信息可以包括但不限于：用户年龄、职业、爱好等。
在步骤S12中，确定多类行为信息中每类行为信息的反馈等级。
在本公开中，反馈等级用于表征该类行为信息对已推荐内容的反馈程度。例如，反馈等级为用于表征对已推荐内容喜欢程度的第一反馈等级，第一反馈等级越大表征对已推荐内容的喜欢程度越高。又例如，反馈等级为用于表征对已推荐内容不喜欢程度的第二反馈等级，第二反馈等级越大表征对已推荐内容的不喜欢程度越高。
在可能的方式中，可以根据预设的反馈等级与行为信息之间的对应关系，确定该多类行为信息中每类行为信息的反馈等级。示例地，针对多类行为信息的正向行为反馈序列所确定的每类行为信息的反馈等级(即，第一反馈等级)大小为：分享行为反馈序列的第一反馈等级大于收藏行为反馈序列的第一反馈等级，收藏行为反馈序列的第一反馈等级大于点击行为反馈序列的第一反馈等级。针对多类行为信息的负向行为反馈序列所确定的每类行为信息的反馈等级(即，第二反馈等级)大小为：不喜欢行为反馈序列的第二反馈等级大于短时退出行为反馈序列的第二反馈等级，短时退出行为反馈序列的第二反馈等级大于曝光未点击行为反馈序列的第二反馈等级。
在步骤S13中，根据反馈等级、多类行为信息、内容特征信息和目标对象的属性信息，确定目标对象的行为反馈信息。
在本公开中，在确定目标对象的行为反馈信息时参考了每类行为信息的反馈等级，如此，可以利用反馈等级较大的行为信息指导反馈等级较小的行为信息，进而可以提取出目标对象有效的行为反馈信息。将在下文详细描述确定目标对象的行为反馈信息的具体实施方式。
在步骤S14中，根据行为反馈信息和内容特征信息，确定向目标对象推荐的目标推荐内容。
首先，根据行为反馈信息和内容特征信息，确定目标对象对待推荐内容的预估点击率，之后，根据该预估点击率确定向目标对象推荐的目标推荐内容。
示例地，可以将行为反馈信息和待推荐内容的内容特征信息输入用于预估点击率的模型中，以得到该模型输出的针对每一待推荐内容的预估点击率。其中，可以采用相关技术中的机器学习模型技术对模型进行训练，以得到用于预估点击率的模型，本公开对此不作具体限定。
在本公开中，可以将预估点击率最大的待推荐内容确定为目标推荐内容，也可以将预估点击率大于预设阈值的多个待推荐内容均确定为目标推荐内容。在确定出目标推荐内容之后，将该目标推荐内容推荐给目标对象。本公开对所确定的目标推荐内容的数量不作具体限定。
采用上述技术方案，融合了目标对象的丰富的显式反馈序列和隐式反馈序列来准确确定目标对象的行为反馈信息，能够解决隐式反馈序列中的噪声问题。并且，在确定目标对象的行为反馈信息时还参考了多类行为信息中每类行为信息的反馈等级，利用反馈等级较大的行为信息指导反馈等级较小的行为信息，提取出目标对象有效的行为反馈信息，提高所确定行为反馈信息的准确度。并且，在基于准度较高的行为反馈信息为目标对象推荐内容时，可以实现高精度的内容推荐，提升用户使用体验。
下面对根据反馈等级、多类行为信息、内容特征信息和目标对象的属性信息，确定目标对象的行为反馈信息的具体实施方式进行说明。
图3是根据一示例性实施例示出一种确定目标对象的行为反馈信息的流程图。如图3所示，图1中步骤S13可以包括以下步骤。
在步骤S131中，根据反馈等级、多类行为信息、内容特征信息和预估模型的深度交叉特征提取网络，确定每类行为信息的交叉特征向量。
首先，分别将每类行为信息输入深度交叉特征提取网络中的Transform模块，得到每类行为信息对应的高阶向量。
示例地，每类行为信息中的每一行为信息均可以采用序列向量表征，针对每类行为信息中的每一行为信息，使用Transformer模块提取序列内部行为的细粒度交互信息，以得到每类行为信息对应的高阶向量。其中，Transformer模块中包括多头注意力(Multi-head attention)、前馈网络(Feed-forward network)、残差连接(Residual connections)以及层标准化(Layer normalization)等单元。
示例地，如图4所示，分别将分享行为反馈序列、收藏行为反馈序列、点击行为反馈序列、曝光未点击行为反馈序列、短时退出行为反馈序列和不喜欢行为反馈序列中包括的每一行为序列(如图4中最底层的矩形框所示)输入Transformer模块，以得到每一行为序列对应的高阶向量。值的说明的是，每一行为序列对应有一个高阶向量，每类行为信息包括多个行为序列，因此，每类行为信息对应的高阶向量的数量为多个。
接着，按照反馈等级的大小，根据每类行为信息对应的高阶向量、内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到每类行为信息对应的交叉特征向量。
值的说明的是，在本公开中，除反馈等级最大的一类行为信息包括一种交叉特征向量(记为第一交叉特征向量)之外，其他类行为信息均包括两种交叉特征向量，以下称为第一交叉特征向量和第二交叉特征向量。
生成第一交叉特征向量的方式为：针对每类行为信息，将该类行为信息对应的高阶向量和内容特征信息输入深度交叉特征提取网络中的Attention模块，得到该类行为信息的第一交叉特征向量。示例地，如图4所示，将待推荐内容的内容特征信息作为目标item，并将该目标item作为输入Attention模块中的问询Query。如此，针对每类行为信息，将问询Query和该类行为信息对应的高阶向量输入Attention模块，得到该类行为信息的第一交叉特征向量。其中，该类行为信息的第一交叉特征向量仅是根据该类行为信息和内容特征信息生成。按照该方式，可以得到每类行为信息对应的第一交叉特征向量。
值的说明的是，在本公开中，是针对正向行为反馈序列和负向行为反馈序列分别确定交叉特征向量的，在确定正向行为反馈序列对应的交叉特征向量时不考虑负向行为反馈序列，以及，在确定负向行为反馈序列对应的交叉特征向量时不考虑正向行为反馈序列，因此，在多类行为信息包括正向行为反馈序列和负向行为反馈序列时，反馈等级包括根据正向行为反馈序列确定的与正向行为反馈序列对应的第一反馈等级，以及根据负向行为反馈序列确定的与负向行为反馈序列对应的第二反馈等级。
相应地，生成第二交叉特征向量的方式为：分别将第一反馈等级和第二反馈等级确定为目标等级，并执行以下步骤：按照目标等级的大小对与目标等级对应的每类行为信息进行排序，得到目标等级对应的排序列表；将位于排序列表中第二位的第二类行为信息对应的高阶向量和位于排序列表中第一位的第一类行为信息对应的第一交叉特征向量输入Attention模块，得到第二类行为信息对应的第二交叉特征向量；以及将位于排序列表中第i位的第i类行为信息对应的高阶向量、第一类行为信息对应的第一交叉特征向量、位于排序列表中第一位和第i位之间的每一类行为信息对应的第二交叉特征向量输入Attention模块，得到第i类行为信息对应的第二交叉特征向量，其中i的取值范围为3至N，N为多类行为信息的类别数量。
应当理解的是，在本公开中，第一位和第i位之间的每一类行为信息对应的第二交叉特征向量不包括位于第一位和第二i位的行为信息对应的第二交叉特征向量。
示例地，假设目标等级为正向行为反馈序列对应的第一反馈等级，且第一反馈等级的大小为：分享行为反馈序列的第一反馈等级大于收藏行为反馈序列的第一反馈等级，以及收藏行为反馈序列的第一反馈等级大于点击行为反馈序列的第一反馈等级，因此，第一反馈等级对应的排序列表为：分享行为反馈序列、收藏行为反馈序列和点击行为反馈序列。
参照图4，首先，将收藏行为反馈序列对应的高阶向量和分享行为反馈序列对应的第一交叉特征向量输入Attention模块，得到收藏行为反馈序列对应的第二交叉特征向量。例如，将分享行为反馈序列对应的第一交叉特征向量作为输入Attention模块的问询Query，将收藏行为反馈序列对应的高阶向量和该问询Query输入Attention模块，得到收藏行为反馈序列对应的第二交叉特征向量。
接着，将点击行为反馈序列对应的高阶向量、分享行为反馈序列对应的第一交叉特征向量和收藏行为反馈序列对应的第二交叉特征向量输入Attention模块，得到点击行为反馈序列对应的第二交叉特征向量。例如，将分享行为反馈序列对应的第一交叉特征向量和收藏行为反馈序列对应的第二交叉特征向量作为输入Attention模块的问询Query，将点击行为反馈序列对应的高阶向量和该问询Query输入Attention模块，得到点击行为反馈序列对应的第二交叉特征向量。
如此，即可得到第一反馈等级对应的排序列表中位于第一位的第一类行为信息的第一交叉特征向量，以及位于其他位的其他类行为信息的第一交叉特征向量和第二交叉特征向量。
又示例地，假设目标等级为负向行为反馈序列对应的第二反馈等级，且第二反馈等级的大小为：不喜欢行为反馈序列的第二反馈等级大于短时退出行为反馈序列的第二反馈等级，以及短时退出行为反馈序列的第二反馈等级大于曝光未点击行为反馈序列的第二反馈等级，因此，第二反馈等级对应的排序列表为：不喜欢行为反馈序列、短时退出行为反馈序列和曝光未点击行为反馈序列。
参照图4，首先，将短时退出行为反馈序列对应的高阶向量和不喜欢行为反馈序列对应的第一交叉特征向量输入Attention模块，得到短时退出行为反馈序列对应的第二交叉特征向量。例如，将不喜欢行为反馈序列对应的第一交叉特征向量作为输入Attention模块的问询Query，将短时退出行为反馈序列对应的高阶向量和该问询Query输入Attention模块，得到短时退出行为反馈序列对应的第二交叉特征向量。
接着，将曝光未点击行为反馈序列的高阶向量、不喜欢行为反馈序列对应的第一交叉特征向量和短时退出行为反馈序列对应的第二交叉特征向量输入Attention模块，得到曝光未点击行为反馈序列对应的第二交叉特征向量。例如，将不喜欢行为反馈序列对应的第一交叉特征向量和短时退出行为反馈序列对应的第二交叉特征向量作为输入Attention模块的问询Query，将曝光未点击行为反馈序列对应的高阶向量和该问询Query输入Attention模块，得到曝光未点击行为反馈序列对应的第二交叉特征向量。
如此，即可得到第二反馈等级对应的排序列表中位于第一位的第一类行为信息的第一交叉特征向量，以及位于其他位的其他类行为信息的第一交叉特征向量和第二交叉特征向量。
采用上述技术方案，在对反馈等级略低的一类行为信息提取关键有用信息时，将排序列表中位于该类行为信息之前的一类或几类行为信息作为参考，能够更为全面立体的刻画目标对象的无偏反馈，在后续基于该交叉特征向量确定目标对象的行为反馈信息时，能够提高所确定的目标对象的行为反馈信息准确度。
返回图3，在步骤S132中，根据目标对象的属性信息和每类行为信息的交叉特征向量，确定目标对象的行为反馈信息。
步骤S132的具体实施方式为：首先，根据位于目标等级对应的排序列表中第一位的第一类行为信息对应的第一交叉特征向量和位于除第一位之外的其他位置的行为信息对应的第二交叉特征向量，确定目标对象的、与目标等级对应的第一类行为反馈向量；以及，根据位于除目标等级对应的排序列表中第一位之外的其他位置的行为信息对应的第一交叉特征向量，确定目标对象的、与目标等级对应的第二类行为反馈向量；根据第一类行为反馈向量、第二类行为反馈向量以及目标对象的属性信息，确定目标对象的行为反馈信息。
其中，在目标等级为第一反馈等级时第一类行为反馈向量为第一正向反馈向量，第二类行为反馈向量为第二正向反馈向量；在目标等级为第二反馈等级时第一类行为反馈向量为第一负向反馈向量，第二类行为反馈向量为第二负向反馈向量；并且，第一正向反馈向量表征的喜欢程度大于第二正向反馈向量表征的喜欢程度，第一负向反馈向量表征的不喜欢程度大于第二负向反馈向量表征的不喜欢程度。
示例地，假设目标等级为第一反馈等级，如图4所示，根据分享行为反馈序列对应的第一交叉特征向量、收藏行为反馈序列对应的第二交叉特征向量和点击行为反馈序列对应的第二交叉特征向量，确定目标对象的、与第一反馈等级对应的第一正向反馈向量e1。例如，将分享行为反馈序列对应的第一交叉特征向量、收藏行为反馈序列对应的第二交叉特征向量和点击行为反馈序列对应的第二交叉特征向量输入聚合模块Aggregator进行聚合，得到第一正向反馈向量e1。以及，根据收藏行为反馈序列对应的第一交叉特征向量和点击行为反馈序列对应的第一交叉特征向量，确定目标对象的、与第一反馈等级对应的第二正向反馈向量e2。例如，将收藏行为反馈序列对应的第一交叉特征向量和点击行为反馈序列对应的第一交叉特征向量输入聚合模块Aggregator进行聚合，得到第二正向反馈向量e2。其中，第一正向反馈向量e1表征的喜欢程度大于第二正向反馈向量e2表征的喜欢程度。
又示例地，假设目标等级为第二反馈等级，如图4所示，根据不喜欢行为反馈序列对应的第一交叉特征向量、短时退出行为反馈序列对应的第二交叉特征向量和曝光未点击行为反馈序列对应的第二交叉特征向量，确定目标对象的、与第二反馈等级对应的第一负向反馈向量e4。例如，将不喜欢行为反馈序列对应的第一交叉特征向量、短时退出行为反馈序列对应的第二交叉特征向量和曝光未点击行为反馈序列对应的第二交叉特征向量输入聚合模块Aggregator进行聚合，得到第一负向反馈向量e4。以及，根据短时退出行为反馈序列对应的第一交叉特征向量和曝光未点击行为反馈序列对应的第一交叉特征向量，确定目标对象的、与第二反馈等级对应的第二负向反馈向量e3。例如，将短时退出行为反馈序列对应的第一交叉特征向量和曝光未点击行为反馈序列对应的第一交叉特征向量输入聚合模块Aggregator进行聚合，得到第二负向反馈向量e3。其中，第一负向反馈向量e4的表征的不喜欢程度大于第二负向反馈向量e3表征的不喜欢程度。
之后，可以将目标对象的属性信息e0、第一正向反馈向量e1、第二正向反馈向量e2、第一负向反馈向量e4和第二负向反馈向量e3通过聚合模块Aggregator聚合，得到目标对象的行为反馈信息u＝f(e0,e1,e2,e3,e4)。
如图4所示，在确定出目标对象的行为反馈信息之后，将该目标对象的行为反馈信息和待推荐内容的内容特征信息输入评估模型的CTR Predictor模块，以得到CTRPredictor模块输出的目标对象对待推荐内容的预估点击率CTR Score
Figure BDA0003658122540000141
最后，根据该预估点击率CTR Score
Figure BDA0003658122540000142
确定向目标对象推荐的目标内容。
相较于仅基于点击行为反馈序列确定目标对象的行为反馈信息的方案，采用本公开所提供的方案确定行为反馈信息的准确率提升了0.36％。因此，采用本公开所提供的方案，可以实现高精度的内容推荐，提升用户使用体验。
基于同一发明构思，本公开还提供一种内容推荐装置。图5是根据一示例性实施例示出的一种内容推荐装置的框图。如图5所示，该内容推荐装置500可以包括：
获取模块501，用于响应于接收到目标对象的内容推荐请求，获取所述目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及所述目标对象的属性信息，其中，所述多类行为信息包括显式反馈序列和隐式反馈序列；
第一确定模块502，用于确定所述多类行为信息中每类行为信息的反馈等级；
第二确定模块503，用于根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息；
第三确定模块504，用于根据所述行为反馈信息和所述内容特征信息，确定向所述目标对象推荐的目标推荐内容。
可选地，所述第二确定模块503包括：
第一确定子模块，用于根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量；
第二确定子模块，用于根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息。
可选地，所述第一确定子模块包括：
第一输入子模块，用于分别将每类行为信息输入所述深度交叉特征提取网络中的Transform模块，得到所述每类行为信息对应的高阶向量；
第二输入子模块，用于按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量。
可选地，所述多类行为信息包括正向行为反馈序列和负向行为反馈序列；所述反馈等级包括根据所述正向行为反馈序列确定的与所述正向行为反馈序列对应的第一反馈等级，以及根据所述负向行为反馈序列确定的与所述负向行为反馈序列对应的第二反馈等级；所述第二输入子模块包括：
第三输入子模块，用于针对所述每类行为信息，将该类行为信息对应的高阶向量和所述内容特征信息输入所述深度交叉特征提取网络中的Attention模块，得到该类行为信息的第一交叉特征向量；
执行子模块，用于分别将所述第一反馈等级和所述第二反馈等级确定为目标等级，并执行以下步骤：
按照所述目标等级的大小对与所述目标等级对应的每类行为信息进行排序，得到所述目标等级对应的排序列表；
将位于所述排序列表中第二位的第二类行为信息对应的高阶向量和位于所述排序列表中第一位的第一类行为信息对应的第一交叉特征向量输入所述Attention模块，得到所述第二类行为信息对应的第二交叉特征向量；以及
将位于所述排序列表中第i位的第i类行为信息对应的高阶向量、所述第一类行为信息对应的第一交叉特征向量、位于所述排序列表中第一位和第i位之间的每一类行为信息对应的第二交叉特征向量输入所述Attention模块，得到所述第i类行为信息对应的第二交叉特征向量，其中i的取值范围为3至N，N为所述多类行为信息的类别数量。
可选地，所述第二确定子模块包括：
第三确定子模块，用于根据位于所述目标等级对应的排序列表中第一位的第一类行为信息对应的第一交叉特征向量和位于除第一位之外的其他位置的行为信息对应的第二交叉特征向量，确定所述目标对象的、与所述目标等级对应的第一类行为反馈向量；以及
第四确定子模块，用于根据位于除所述目标等级对应的排序列表中第一位之外的其他位置的行为信息对应的第一交叉特征向量，确定所述目标对象的、与所述目标等级对应的第二类行为反馈向量；
第五确定子模块，用于根据所述第一类行为反馈向量、所述第二类行为反馈向量以及所述目标对象的属性信息，确定所述目标对象的行为反馈信息。
可选地，在所述目标等级为所述第一反馈等级时所述第一类行为反馈向量为第一正向反馈向量，所述第二类行为反馈向量为第二正向反馈向量；在目标等级为所述第二反馈等级时所述第一类行为反馈向量为第一负向反馈向量，所述第二类行为反馈向量为第二负向反馈向量；并且，所述第一正向反馈向量表征的喜欢程度大于所述第二正向反馈向量表征的喜欢程度，所述第一负向反馈向量表征的不喜欢程度大于所述第二负向反馈向量表征的不喜欢程度。
可选地，所述显式反馈序列包括分享行为反馈序列、收藏行为反馈序列和不喜欢行为反馈序列；所述隐式反馈序列包括点击行为反馈序列、曝光未点击行为反馈序列和短时退出行为反馈序列。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的内容推荐方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。输入/输出接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的内容推荐方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的内容推荐方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的内容推荐方法。
图7是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的内容推荐方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的内容推荐方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的内容推荐方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的内容推荐方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种内容推荐方法，其特征在于，包括：
响应于接收到目标对象的内容推荐请求，获取所述目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及所述目标对象的属性信息，其中，所述多类行为信息包括显式反馈序列和隐式反馈序列；
确定所述多类行为信息中每类行为信息的反馈等级；
根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息；
根据所述行为反馈信息和所述内容特征信息，确定向所述目标对象推荐的目标推荐内容。
2.根据权利要求1所述的方法，其特征在于，所述根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息，包括：
根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量；
根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述反馈等级、所述多类行为信息、所述内容特征信息和预估模型的深度交叉特征提取网络，确定所述每类行为信息的交叉特征向量，包括：
分别将每类行为信息输入所述深度交叉特征提取网络中的Transform模块，得到所述每类行为信息对应的高阶向量；
按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量。
4.根据权利要求3所述的方法，其特征在于，所述多类行为信息包括正向行为反馈序列和负向行为反馈序列；所述反馈等级包括根据所述正向行为反馈序列确定的与所述正向行为反馈序列对应的第一反馈等级，以及根据所述负向行为反馈序列确定的与所述负向行为反馈序列对应的第二反馈等级；
所述按照所述反馈等级的大小，根据所述每类行为信息对应的高阶向量、所述内容特征信息和所述深度交叉特征提取网络中的Attention模块，依次得到所述每类行为信息对应的交叉特征向量，包括：
针对所述每类行为信息，将该类行为信息对应的高阶向量和所述内容特征信息输入所述深度交叉特征提取网络中的Attention模块，得到该类行为信息的第一交叉特征向量；
分别将所述第一反馈等级和所述第二反馈等级确定为目标等级，并执行以下步骤：
按照所述目标等级的大小对与所述目标等级对应的每类行为信息进行排序，得到所述目标等级对应的排序列表；
将位于所述排序列表中第二位的第二类行为信息对应的高阶向量和位于所述排序列表中第一位的第一类行为信息对应的第一交叉特征向量输入所述Attention模块，得到所述第二类行为信息对应的第二交叉特征向量；以及
将位于所述排序列表中第i位的第i类行为信息对应的高阶向量、所述第一类行为信息对应的第一交叉特征向量、位于所述排序列表中第一位和第i位之间的每一类行为信息对应的第二交叉特征向量输入所述Attention模块，得到所述第i类行为信息对应的第二交叉特征向量，其中i的取值范围为3至N，N为所述多类行为信息的类别数量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标对象的属性信息和所述每类行为信息的交叉特征向量，确定所述目标对象的行为反馈信息，包括：
根据位于所述目标等级对应的排序列表中第一位的第一类行为信息对应的第一交叉特征向量和位于除第一位之外的其他位置的行为信息对应的第二交叉特征向量，确定所述目标对象的、与所述目标等级对应的第一类行为反馈向量；以及
根据位于除所述目标等级对应的排序列表中第一位之外的其他位置的行为信息对应的第一交叉特征向量，确定所述目标对象的、与所述目标等级对应的第二类行为反馈向量；
根据所述第一类行为反馈向量、所述第二类行为反馈向量以及所述目标对象的属性信息，确定所述目标对象的行为反馈信息。
6.根据权利要求5所述的方法，其特征在于，
在所述目标等级为所述第一反馈等级时所述第一类行为反馈向量为第一正向反馈向量，所述第二类行为反馈向量为第二正向反馈向量；在目标等级为所述第二反馈等级时所述第一类行为反馈向量为第一负向反馈向量，所述第二类行为反馈向量为第二负向反馈向量；并且，所述第一正向反馈向量表征的喜欢程度大于所述第二正向反馈向量表征的喜欢程度，所述第一负向反馈向量表征的不喜欢程度大于所述第二负向反馈向量表征的不喜欢程度。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述显式反馈序列包括分享行为反馈序列、收藏行为反馈序列和不喜欢行为反馈序列；所述隐式反馈序列包括点击行为反馈序列、曝光未点击行为反馈序列和短时退出行为反馈序列。
8.一种内容推荐装置，其特征在于，包括：
获取模块，用于响应于接收到目标对象的内容推荐请求，获取所述目标对象对已推荐内容的多类行为信息、待推荐内容的内容特征信息以及所述目标对象的属性信息，其中，所述多类行为信息包括显式反馈序列和隐式反馈序列；
第一确定模块，用于确定所述多类行为信息中每类行为信息的反馈等级；
第二确定模块，用于根据所述反馈等级、所述多类行为信息、所述内容特征信息和所述目标对象的属性信息，确定所述目标对象的行为反馈信息；
第三确定模块，用于根据所述行为反馈信息和所述内容特征信息，确定向所述目标对象推荐的目标推荐内容。
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，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202210567648.1A 2022-05-23 2022-05-23 内容推荐方法、装置、可读存储介质及电子设备 Pending CN115062214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567648.1A CN115062214A (zh) 2022-05-23 2022-05-23 内容推荐方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567648.1A CN115062214A (zh) 2022-05-23 2022-05-23 内容推荐方法、装置、可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115062214A true CN115062214A (zh) 2022-09-16

Family

ID=83199268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567648.1A Pending CN115062214A (zh) 2022-05-23 2022-05-23 内容推荐方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115062214A (zh)

Similar Documents

Publication Publication Date Title
CN108776676B (zh) 信息推荐方法、装置、计算机可读介质及电子设备
US20200265153A1 (en) Image classification modeling while maintaining data privacy compliance
CN112241327B (zh) 分享信息处理方法、装置、存储介质与电子设备
CN112100489B (zh) 对象推荐的方法、装置和计算机存储介质
CN112000822B (zh) 多媒体资源排序方法、装置、电子设备及存储介质
CN112100504B (zh) 内容推荐方法、装置、电子设备及存储介质
CN111460384B (zh) 策略的评估方法、装置和设备
CN112182281B (zh) 一种音频推荐方法、装置及存储介质
CN112989146B (zh) 向目标用户推荐资源的方法、装置、设备、介质和程序产品
CN114036398B (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
WO2022148186A1 (zh) 行为序列数据处理方法及装置
CN111897950A (zh) 用于生成信息的方法和装置
CN112328889A (zh) 推荐搜索词确定方法、装置、可读介质及电子设备
CN115712657A (zh) 基于元宇宙的用户需求挖掘方法及系统
CN115801980A (zh) 视频生成方法和装置
CN112905885B (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN113705683B (zh) 推荐模型的训练方法、装置、电子设备及存储介质
CN113569091B (zh) 视频数据的处理方法、装置
CN115062214A (zh) 内容推荐方法、装置、可读存储介质及电子设备
CN113934872A (zh) 一种搜索结果的排序方法、装置、设备以及存储介质
CN112000888B (zh) 信息推送方法、装置、服务器及存储介质
CN114417875B (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN114637921A (zh) 基于建模偶然不确定性的物品推荐方法、装置和设备
CN118349630A (zh) 一种信息处理方法、系统、设备、存储介质和程序产品

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