CN115062215A - 多媒体内容推荐方法、装置及存储介质 - Google Patents

Abstract

本公开提供一种多媒体内容推荐方法、装置及存储介质，涉及大数据领域。在进行多媒体内容推荐时，根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景；根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；基于目标推荐策略为目标用户推荐多媒体内容。本公开可提高推荐精准度，使得所推荐多媒体内容更能满足用户需求，增加用户粘性。

Description

多媒体内容推荐方法、装置及存储介质

技术领域

本公开涉及大数据领域，尤其涉及一种多媒体内容推荐方法、装置及存储介质。

背景技术

随着大数据处理技术、数据的可视化技术等技术日益成熟，基于大数据的多媒体内容生产是未来媒体的趋势之一。如何利用丰富的媒体资源和大量的互联网宽带、智能终端用户，进行多媒体内容的精准推送，是当下要解决的问题。

目前，多媒体内容的推送方式为基于用户浏览的多媒体内容，推送与多该媒体内容相关性高的其他多媒体内容，但这种方式推送的多媒体内容仍不够精准。

发明内容

为了解决上述问题，本公开提供了一种多媒体内容推荐方法、装置及存储介质，以提高推荐精准度，使得所推荐多媒体内容更能满足用户需求，增加用户粘性。

第一方面，本公开提供了一种多媒体内容推荐方法，包括：

根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景；

根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；

基于目标推荐策略为目标用户推荐多媒体内容。

一种可能的实施方式中，根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景，包括以下至少一种：响应于目标用户的即时操作行为为跨品类浏览行为，确定面向目标用户的多媒体内容推荐场景为跨品类推荐场景；响应于目标用户的即时操作行为为关键词搜索行为，确定面向目标用户的多媒体内容推荐场景为单品类推荐场景；响应于目标用户的即时操作行为为跨平台浏览同品类行为和/或多次进入购物车行为，确定面向目标用户的多媒体内容推荐场景为优惠券推荐场景；响应于目标用户的即时操作行为为凑单行为，确定面向目标用户的多媒体内容推荐场景为凑单推荐场景；响应于目标用户的即时操作行为为弃单行为，确定面向目标用户的多媒体内容推荐场景为同品类推荐场景；响应于目标用户的即时操作行为为支付行为，确定面向目标用户的多媒体内容推荐场景为关联品类推荐场景。

一种可能的实施方式中，根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，包括：在多媒体内容推荐场景下，根据目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人中的一种；其中，人推人为基于用户画像标签，确定与目标用户的关联度大于第一关联度阈值的邻居用户，以推荐邻居用户在多媒体内容推荐场景下存在交互行为的第一多媒体内容给目标用户；人推物为基于用户画像标签，确定在多媒体内容推荐场景下与目标用户的关联度大于第二关联度阈值的第二多媒体内容，以推荐第二多媒体内容给目标用户；物推物为基于用户画像标签，确定目标用户在多媒体内容推荐场景下存在交互行为的多媒体内容的关联度大于第三关联度阈值的第三多媒体内容，以推荐第三多媒体内容给目标用户；物推人为在多媒体内容推荐场景下，基于用户画像标签，确定目标用户是否为第四多媒体内容的目标受众；若目标用户为第四多媒体内容的目标受众，则推荐第四多媒体内容给目标用户。

一种可能的实施方式中，确定与目标用户的关联度大于第一关联度阈值的邻居用户，包括：确定目标用户所属的至少一个用户群组；基于目标用户和用户群组中其他用户的用户画像标签，确定与目标用户的关联度大于第一关联度阈值的其他用户为邻居用户。

一种可能的实施方式中，用户画像标签是通过以下方式构建的：获取用户特征数据；将用户特征数据输入标签模型进行确定标签的处理，得到目标用户的用户画像标签。

一种可能的实施方式中，基于目标推荐策略为目标用户推荐多媒体内容之后，还包括：根据目标用户面向推荐多媒体内容的交互行为，确定推荐效果的评估指标，评估指标包括推荐准确度、产品覆盖率和推荐多样性中的至少一种；根据评估指标，优化多媒体内容推荐方法。

一种可能的实施方式中，还包括：若目标用户的用户画像标签个数小于设定阈值，则根据目标用户的注册信息、登录账号信息以及热门推荐内容的至少一种，为目标用户推荐多媒体内容。

第二方面，本公开提供一种多媒体内容推荐装置，包括：

第一确定模块，用于根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景；

第二确定模块，用于根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；

推荐模块，用于基于目标推荐策略为目标用户推荐多媒体内容。

一种可能的实施方式中，第一确定模块具体用于：响应于目标用户的即时操作行为为跨品类浏览行为，确定面向目标用户的多媒体内容推荐场景为跨品类推荐场景；响应于目标用户的即时操作行为为关键词搜索行为，确定面向目标用户的多媒体内容推荐场景为单品类推荐场景；响应于目标用户的即时操作行为为跨平台浏览同品类行为和/或多次进入购物车行为，确定面向目标用户的多媒体内容推荐场景为优惠券推荐场景；响应于目标用户的即时操作行为为凑单行为，确定面向目标用户的多媒体内容推荐场景为凑单推荐场景；响应于目标用户的即时操作行为为弃单行为，确定面向目标用户的多媒体内容推荐场景为同品类推荐场景；响应于目标用户的即时操作行为为支付行为，确定面向目标用户的多媒体内容推荐场景为关联品类推荐场景。

一种可能的实施方式中，第二确定模块具体用于：在多媒体内容推荐场景下，根据目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人中的一种；其中，人推人为基于用户画像标签，确定与目标用户的关联度大于第一关联度阈值的邻居用户，以推荐邻居用户在多媒体内容推荐场景下存在交互行为的第一多媒体内容给目标用户；人推物为基于用户画像标签，确定在多媒体内容推荐场景下与目标用户的关联度大于第二关联度阈值的第二多媒体内容，以推荐第二多媒体内容给目标用户；物推物为基于用户画像标签，确定目标用户在多媒体内容推荐场景下存在交互行为的多媒体内容的关联度大于第三关联度阈值的第三多媒体内容，以推荐第三多媒体内容给目标用户；物推人为在多媒体内容推荐场景下，基于用户画像标签，确定目标用户是否为第四多媒体内容的目标受众；若目标用户为第四多媒体内容的目标受众，则推荐第四多媒体内容给目标用户。

一种可能的实施方式中，第二确定模块具体用于：确定目标用户所属的至少一个用户群组；基于目标用户和用户群组中其他用户的用户画像标签，确定与目标用户的关联度大于第一关联度阈值的其他用户为邻居用户。

一种可能的实施方式中，用户画像标签是通过以下方式构建的：获取用户特征数据；将用户特征数据输入标签模型进行确定标签的处理，得到目标用户的用户画像标签。

一种可能的实施方式中，推荐模块还用于：根据目标用户面向推荐多媒体内容的交互行为，确定推荐效果的评估指标，评估指标包括推荐准确度、产品覆盖率和推荐多样性中的至少一种；根据评估指标，优化多媒体内容推荐方法。

一种可能的实施方式中，推荐模块还用于：若目标用户的用户画像标签个数小于设定阈值，则根据目标用户的注册信息、登录账号信息以及热门推荐内容的至少一种，为目标用户推荐多媒体内容。

第三方面，本公开提供一种电子设备，包括：

存储器和处理器；

存储器用于存储程序指令；

处理器用于调用所述存储器中的程序指令执行第一方面的多媒体推荐方法。

第四方面，本公开一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被执行时，实现第一方面的多媒体推荐方法。

第五方面，本公开提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面的多媒体推荐方法。

本公开提供一种多媒体内容推荐方法、装置及存储介质，包括：根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景；根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；基于目标推荐策略为目标用户推荐多媒体内容。本公开中，由于目标推荐策略是根据多媒体内容推荐场景和目标用户的用户画像标签共同确定的，因此，在基于目标推荐策略为目标用户推荐多媒体内容时，可以提高推荐精准度，使得为目标用户推荐多媒体内容更能满足用户需求，增加用户粘性。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开一实施例提供的应用场景示意图；

图2为本公开一实施例提供多媒体内容推荐方法的流程图；

图3为本公开一实施例提供的多媒体内容推荐场景示意图；

图4为本公开一实施例的推荐策略示意图；

图5为本公开一实施例提供的推荐效果的评估方式图；

图6为本公开一实施提供的用户画像标签生成流程图

图7为本公开一实施例提供的用户画像标签的种类；

图8是本公开一实施例的用户画像标签示意图；

图9为本公开一实施例提供的多媒体内容推荐系统的总架构图；

图10为本公开一实施例提供的多媒体内容推荐系统的示意图；

图11为本公开一实施例提供的多媒体内容推荐装置的结构示意图；

图12为本公开一实施例提供的电子设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

目前，多媒体内容的推荐方法仅是基于用户当前浏览内容进行相关多媒体内容的推荐，发明人认为相关技术存在以下问题：不能针对用户个体的画像，进行个性化多媒体内容的推荐。推荐策略单一，没有基于多个实际场景进行考虑。

基于上述问题，本公开提供了一种多媒体内容推荐方法、装置及存储介质，该推荐方法对采集的用户数据和电商的标签进行数据分析和模型算法形成用户画像标签(也可以称为用户画像)，并以用户画像标签为基础，基于推荐策略，把多媒体内容以各种展现形式智能推荐给目标用户。

图1为本公开一实施例提供的应用场景示意图。如图1所示，本应用场景中，包括用户101、终端设备102以及服务器103。用户101在使用终端设备102时，服务器103基于用户101的用户画像标签，为用户确定推荐策略，示例地，可以是满足用户偏好的多媒体内容，并由终端设备102展示给用户101。

例如，服务器103还可以匹配出与用户101的用户画像标签相似的其他用户，之后将上述其他用户浏览的多媒体内容推荐给用户101。

需要说明的是，图1仅是本公开实施例提供的一种应用场景的示意图，本公开实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定。例如，在图1所示的应用场景中，终端设备102可以是手机、平板电脑或者笔记本电脑等等。服务器103可以对多个用户进行不同策略的多媒体内容推荐。

接下来，通过具体实施例介绍多媒体内容推荐方法、装置及存储介质。

图2为本公开一实施例提供的多媒体内容推荐方法的流程图。如图2所示，该方法包括：

S201、根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景。

其中，该多媒体内容可以包括广告、商品、音乐、视频、文字以及图片等内容的至少一种。示例地，即时操作行为可以是目标用户点击播放视频，浏览或者购买商品、或者播放音乐等等，本公开不对其进行限定。

例如，当目标用户浏览商品时，服务器可以检测到即时操作行为为浏览商品，此时会基于用户浏览商品的即时操作行为，确定具体的多媒体内容推荐场景，不同的即时操作行为对应的多媒体内容推荐场景可以相同的，也可以不同的，每个即使操作行为对应的多媒体内容推荐场景可以是一个，也可以是多个。

S202、根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略。

其中，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种。

其中，用户的身份特征属性反映了用户个体至少一个维度层面的属性特征，例如，用户的性别、用户的年龄、用户居住城市、用户可支配收入以及用户的偏好等等。用户的在线行为数据则包括了用户一个时段内的即使操作行为，例如，用户在一个月内浏览的视频、购买的商品、购物车中的商品以及评论的商品等等。

基于上述的身份特征属性和在线行为数据，可以确定用户的用户特征数据，之后基于用户特征数据，确定目标用户的用户画像标签，示例地，可以引入机器学习模型来确定目标用户的用户画像标签。用户画像标签结合了用户的历史行为数据和用户的身份特征属性。

目标推荐策略包括多种推荐方式，且推荐多媒体内容也可以是至少一种。作为一种示例，该目标推荐策略可以是：为目标用户推荐近10天以来，每日都搜索并浏览过的商品，本公开实施例不对该目标推荐策略的具体实施进行限定。

S203、基于目标推荐策略为目标用户推荐多媒体内容。

示例地，为目标用户推荐多媒体内容时，可以是目标用户的终端设备和服务器进行交互，即，由服务器将推荐多媒体内容发送至目标用户后，再由目标用户的终端设备将多媒体内容展示给目标用户。

另外，也可以是由目标用户的终端设备缓存了多个多媒体内容后，根据服务器的目标推荐策略，从缓存的多媒体内容中确定具体要推送的多媒体内容。应理解：由于用户在进行即使操作行为时，例如浏览图片后，该图片也会被缓存在终端设备中，因此，缓存的多媒体内容可以作为备选的推荐多媒体内容。

本公开实施例中，多媒体内容推荐方法包括：根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景；根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；基于目标推荐策略为目标用户推荐多媒体内容。由于目标推荐策略是根据多媒体内容推荐场景和目标用户的用户画像标签共同确定的，因此，在基于目标推荐策略为目标用户推荐多媒体内容时，可以提高多媒体内容的推荐精准度，使得为目标用户推荐多媒体内容更能满足用户需求，增加用户粘性。

一些实施例中，多媒体内容推荐场景可以分为：跨品类推荐场景、单品类推荐场景、优惠券推荐场景、凑单推荐场景、同品类推荐场景和关联品类推荐场景，等等。

对应地，为了确定上述多媒体内容推荐场景，上述根据目标用户的即时操作行为，确定面向目标用户的多媒体内容推荐场景，可以包括以下至少一种：响应于目标用户的即时操作行为为跨品类浏览行为，确定面向目标用户的多媒体内容推荐场景为跨品类推荐场景；响应于目标用户的即时操作行为为关键词搜索行为，确定面向目标用户的多媒体内容推荐场景为单品类推荐场景；响应于目标用户的即时操作行为为跨平台浏览同品类行为和/或多次进入购物车行为，确定面向目标用户的多媒体内容推荐场景为优惠券推荐场景；响应于目标用户的即时操作行为为凑单行为，确定面向目标用户的多媒体内容推荐场景为凑单推荐场景；响应于目标用户的即时操作行为为弃单行为，确定面向目标用户的多媒体内容推荐场景为同品类推荐场景；响应于目标用户的即时操作行为为支付行为，确定面向目标用户的多媒体内容推荐场景为关联品类推荐场景。

示例地，上述中，当目标用户浏览不同类型的商品信息时(跨品类浏览行为)，此时多媒体内容推荐场景为跨品类浏览推荐场景；当目标用户的即时操作为搜索商品的关键词时，此时的多媒体内容推荐场景为单品类推荐场景；当用户在多个平台浏览同类型的商品时，此时的多媒体内容推荐场景为优惠券推荐场景；当目标用户打算凑单时，此时的多媒体内容推荐场景为凑单推荐场景；当目标用户准备放弃支付订单时，此时的多媒体内容推荐场景为同品类推荐场景；当目标用户准备支付订单时，此时的多媒体内容推荐场景为关联品类推荐场景。

图3为本公开一实施例提供的多媒体内容推荐场景示意图。如图3所示，图3中包括了7种情况，分别对应于前述的多媒体内容推荐场景。

作为示例，当目标用户随意逛逛时，此时目标用户为跨商品浏览，则选用跨品类推荐策略，多媒体内容推荐场景为跨品类浏览推荐场景；当目标用户开始寻找某个商品时，可能会通过关键词搜索方法寻找相关商品，此时的推荐策略为单品推荐，多媒体内容推荐场景为单品类推荐场景；当用户货比三家，在不同APP或者平台浏览想要购买的某个商品时，或者，当用户收藏某个商品或者将某个商品放入购物车，却在一定时间内不购买该商品时，此时的推荐策略个性化促销优惠券，多媒体内容推荐场景为多媒体内容推荐场景为优惠券推荐场景；当用户打算凑单时，推荐策略为个性化凑单策略，同理，当用户打算弃单时，此时推荐策略为寻找替代商品，挽回目标用户；当用户付款成功时，则推荐策略为推荐与用户购买商品相关的其他商品。

通过本公开实施例示例说明即时操作行为与多媒体内容推荐场景的对应关系，以提供多种可实施方式。

可选地，还可以更进一步通过如下方式确定目标推荐策略。作为一种可实施方式，上述根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，可以包括：在多媒体内容推荐场景下，根据目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人中的一种。

其中：

人推人，为基于用户画像标签，确定与目标用户的关联度大于第一关联度阈值的邻居用户，以推荐邻居用户在多媒体内容推荐场景下存在交互行为的第一多媒体内容给目标用户；

人推物，为基于用户画像标签，确定在多媒体内容推荐场景下与目标用户的关联度大于第二关联度阈值的第二多媒体内容，以推荐第二多媒体内容给目标用户；

物推物，为基于用户画像标签，确定目标用户在多媒体内容推荐场景下存在交互行为的多媒体内容的关联度大于第三关联度阈值的第三多媒体内容，以推荐第三多媒体内容给目标用户；

物推人，为在多媒体内容推荐场景下，基于用户画像标签，确定目标用户是否为第四多媒体内容的目标受众；若目标用户为第四多媒体内容的目标受众，则推荐第四多媒体内容给目标用户。

其中，第一关联度阈值、第二关联度阈值以及第三关联度阈值可以相同，也可以不同，可以根据历史经验和/或实际情况进行调整。

可以理解：人推人的技术方案在于通过用户画像标签，确定与目标用户关联度高的邻居用户，并推荐该邻居用户的第一多媒体内容给目标用户，例如，将邻居用户购买的某个商品或者浏览的视频推荐给目标用户。人推物的技术方案在于确定与目标用户的用户画像标签关联度高的第二多媒体内容；物推物的技术方案在于基于目标用户当前交互的多媒体内容，为目标用户推荐与该多媒体内容关联度高的第三多媒体内容，例如，当目标用户浏览了财经类视频后，会推荐其他相关财经类视频给目标用户；物推人的技术方案在于先确定待推荐的第四多媒体内容，之后基于目标用户的用户画像标签，确定目标用户是否合适作为待推荐的第四多媒体内容的推荐对象，若合适，则将待推荐的第四多媒体内容推荐给目标用户。

图4为本公开一实施例的推荐策略示意图。如图4所示，推荐策略包括了人推人、人推物、物推物以及物推人。

例如，人推人的示例可以是：当确定了与目标用户的相关度高的邻居用户后，会给目标用户推荐邻居用户购买的商品。对应于人推物，当确定了目标用户的用户画像标签后，根据用户画像标签推荐目标用户可能喜欢的商品；物推物则是根据用户购买或者浏览的商品，推荐与该商品相关度高的其他商品；物推人则是在商品池中，确定每个商品对应的目标用户，其判断标准是基于用户的用户画像标签。示例地，当分析某目标用户的用户画像标签中携带有汽车类这一标签，则会将商品池中的相关汽车推荐给该用户，或者，分析目标用户的用户画像标签中携带有金融类标签，则推送金融类的文章或者视频给该目标用户，等等。

通过本公开实施例，进一步说明如何根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人这几种推荐策略中的一种，并解释了各推荐策略的具体内容。通过提供基于多媒体内容推荐场景和目标用户的用户画像标签共同确定目标推荐策略的具体实现方式，增强本公开的实用性，以在基于目标推荐策略为目标用户推荐多媒体内容时，提高多媒体内容的推荐精准度，使得为目标用户推荐多媒体内容更能满足用户需求，增加用户粘性。

示例地，关于人推人，可以包括该具体的一示例：确定与目标用户的关联度大于第一关联度阈值的邻居用户，包括：确定目标用户所属的至少一个用户群组；基于目标用户和用户群组中其他用户的用户画像标签，确定与目标用户的关联度大于第一关联度阈值的其他用户为邻居用户。

例如，在目标用户的群组中存在一用户，其用户画像标签与目标用户的用户画像标签的关联度为百分之五十，且若第一关联度阈值为百分之30，则确定该用户为邻居用户，本公开不对第一关联度阈值的具体数值进行限定。

该方案为用户画像标签的一种应用方式，示例地，可以将用户画像标签的应用分为微观画像应用和宏观画像应用，以及用户群筛选服务和洞察服务。

其中，用户群组的意义在于：实现精细化人群定位，挖掘潜在用户群体，为营销、运营提供数据支持服务。

具体地，用户群筛选服务用于按照用户画像标签找出确定目标用户群体，并将其组成一个群组。之后，微观画像应用可以查看以下详细信息：该用户群组下的所有用户；模糊检索某个用户；单个用户的基本信息，例如手机号、邮箱、用户账号(UserIdentification，简称UID)、昵称、微博、在线时长等；单个用户所属的至少一个用户群组；群组内用户之间的组合标签；单个用户的用户画像标签。进一步地，基于上述的数据，通过洞察服务可以满足在全站内、高自由度地自定义分析各个用户，以满足高阶需求。

另外，通过宏观画像服务可从多个维度展现不同用户群组的特征，例如，存在有浏览汽车偏好的用户群组，存在有浏览股市证券偏好的用户群组。

上述推荐策略中，人推人采用的算法有基于用户的协同过滤算法、基于余弦的相似性算法、调整的余弦相似性算法、基于Pearson相关性算法、基于条件概率的相似性算法，使用的规则为过滤规则。人推物采用的算法有标签文件建模算法、用户文件建模算法、机器学习算法，使用的规则是去重规则。物推物采用的算法有基于用户的协同过滤算法、空间关联规则算法、周期关联规则算法、顺序关联规则。使用的规则是排序规则。物推人采用的算法有标签文件建模算法、用户文件建模算法、标签筛选算法、预测用户点击率预估算法(Clink Through Rate，简称CTR算法)，使用的规则是自定义规则。

若存在一些特殊情况，例如用户为新用户，不具备完整的用户画像标签，此时本公开的多媒体内容推荐方法还可以包括：若目标用户的用户画像标签个数小于设定阈值，则根据目标用户的注册信息、登录账号信息以及热门推荐内容的至少一种，为目标用户推荐多媒体内容。

例如，可以通过以下方法解决上述用户冷启动问题：

1)先为新用户推荐热门排行榜，当用户行为数据收集到一定时候再切换为个性化推荐策略。

2)基于新用户的注册信息，例如，用户的年龄、性别以及一般爱好等进行粗粒化的推荐。

3)当新用户使用社交网络账号进行登录时，可以通过分析社交网络账号，确定推荐多媒体内容。

4)通过注册时新用户对一些物品进行的反馈，收集用户兴趣信息，确定推荐多媒体内容。

5)通过人工分析，短时间内迅速确定新用户的推荐多媒体内容。

除了推荐策略的确定，本公开还引入了基于推荐策略的推荐效果评估。

示例地，基于目标推荐策略为目标用户推荐多媒体内容之后，还可以包括：根据目标用户面向推荐多媒体内容的交互行为，确定推荐效果的评估指标，评估指标包括推荐准确度、产品覆盖率和推荐多样性中的至少一种；根据评估指标，优化多媒体内容推荐方法。

图5为本公开一实施例提供的推荐效果的评估方式图。如图5所示，其中，推荐准确度是评价推荐策略最基本的指标，它衡量的是推荐策略在多大程度上能够准确预测用户对推荐多媒体内容的喜好程度。例如，通过统计用户与推荐多媒体内容的交互行为，确定用户的喜好程度；产品覆盖率是指推荐策略向用户推荐多媒体内容能覆盖全部多媒体内容的比例，覆盖率指标能衡量推荐范围的局限性，尤其适用于那些需要为用户找出所有感兴趣的场景。例如，若覆盖率低于百分之十，则可以确定推荐多媒体内容过于单一，不利于多场景推荐；推荐多样性不仅可以评估不同用户间的推荐多媒体内容的多样性，也可以评估一个用户内推荐多媒体内容的多样性。例如，对于用户画像标签关联度较低的两个用户而言，其两者各自推荐多媒体内容的关联度也应该很低，且对两者中任意一个用户推荐多媒体内容的种类都应该大于等于5个(仅作为示例)，从而保持了对每个用户推荐多媒体内容时的多样性。

上述的推荐效果的评估方式具体可以通过统计访问用户总量、推荐栏展示量、推荐内容点击、推荐下定单数来确定推荐效果，并通过转化漏斗和图表的形式进行展示。因此，该实施例可以基于现有的推荐策略，通过对推荐效果进行评估，不断的优化推荐策略。

上述实施例中，用户画像标签可以是通过以下方式构建的：获取用户特征数据；将用户特征数据输入标签模型进行确定标签的处理，得到目标用户的用户画像标签。

前文已经叙述过，用户特征数据可以包括历史行为数据和用户的身份特征属性，历史行为数据主要包括了用户的历史操作数据；用户身份特征属性为用户自身的固有属性，然而，用户身份特征属性也可以定期更新，例如，设置每半年更新一次用户的身份属性特征。

示例地，图6为本公开一实施提供的用户画像标签生成流程图。如图6所示，上述流程可以分为三部分，第一部分为业务部分，当出现业务需求时，会对应出现该业务需求所对应的用户画像标签需求，因此首先需要定义用户画像标签。

作为一种示例，通过图7来介绍用户画像标签的种类，图7中，用户身份特征属性对应用户基本属性标签；历史行为数据则包括用户关联关系标签、用户兴趣偏好标签、用户价值信息标签以及用户营销信息标签。

用户基本属性标签中，分别定义了用户的姓名、性别、身份证号、家庭住址以及自身的群体信息等。用户关联关系标签中，定义了用户的家庭关系、同事关系、社交圈子以及社交网络账号上的信息等；用户兴趣偏好标签则包括了用户在各个维度上的偏好信息，例如收视偏好、非影视产品偏好、游戏偏好以及其他渠道偏好，例如，可以包括产品偏好、内容浏览偏好、产品渠道偏好、访问特征偏好、上网特征、购物偏好、购买行为偏好等；用户价值信息标签则包括了用户自身价值和用户贡献等；用户营销信息标签包括了用户近期需求信息以及营销活动信息。

上述用户画像标签被定义后，需要生成用户画像标签。具体地，可以通过服务器中搭载的标签模型，基于用户特征数据，确定用户画像标签。

标签模型可以是统计模型、算法模型以及商业模型。其中，统计模型为根据预设的规则生成用户画像标签；商业模型则是根据已有的商业模型(例如崭新频率货物分析模型(Recency Frequency Monetary，简称RFM模型)，或，比例风险回归模型(ProportionalHazards Model，简称Cox模型)，等等)。

算法模型则需要进一步通过机器学习算法对模型进行训练，生成用户画像标签。例如，基于支持向量机模型(Support Vector Machines，简称SVM模型)或者K最近近邻模型(K-Nearest-Neighbor，简称K-近邻模型)，基于数据集，得到训练后的标签模型，进而生成用户画像标签。

除了上述步骤之外，生成标签模型前，还包括业务理解、数据理解以及数据准备。其中，业务理解为明确面临的标签问题和建模想要达到的目的，完成标签问题到建模问题的定义过程；数据理解为收集标签所涉及到的数据、熟悉数据、识别数据质量问题、探索对数据的第一认识；数据准备为对原始未加工数据进行过滤清洗的操作。

再进一步地，生成用户画像标签后，还包括模型评估步骤，其目的在于基于生成的用户标签结果，重新检测建模时的各个过程，从而对建模进行改进，得到更准备的标签模型。

本公开实施例中，通过对用户的访问行为、操作行为、历史轨迹、以及用户其他在线行为资源的获取、分析、挖掘，构建基于用户全景视图用户画像标签体系。标签体系的编制要求基于信息服务特点和用户大数据应用需要，可作为精准营销的基础。

从用户画像标签的具有应用出发，示例地，以图8为例，图8是本公开一实施例的用户画像标签示意图，其可以反映目标用户的数据，是一种符合特定业务需求的对用户的数据化描述。通过用户画像标签，尤其是消费偏好和购买意图，可以精准地为广告主筛选目标受众，并在投放中不断的分析优化目标用户标签，提升到站客流量，通过细分广告位点击与转化，确定媒体、广告位与目标受众的最佳组合。

介绍了多媒体内容推荐方法后，可以进一步介绍该多媒体内容推荐方法对应的多媒体内容推荐系统。

图9为本公开一实施例提供的多媒体内容推荐系统的总架构图。如图9所示，多媒体内容推荐系统可以在客户端实时采集数据，并通过Kafka分布式消息队列系统发送消息至Storm分布式流计算平台，以完成非循环指向图表计算(Directed Acyclic Graph，简称DAG计算)，从而确定推荐多媒体内容，再将推荐多媒体内容存储于分布式内存数据库。

具体地，实时数据采集首先需要收集企业各应用平台上的原始数据，包括用户数据、用户行为数据等，其次要将企业内部其他平台的业务数据整合。通过对采集回来的数据进行清洗梳理，构建用户画像标签，梳理推荐的业务场景。

Kafka分布式消息队列系统以异步方式实现业务能力的解耦，提供高并发消息的缓冲存储，充分利用系统资源看，保证客户体验数据的一致性。

分布式数据库可以提供多种数据库分库分表的路由策略，支持读写分离、一主多副的数据分布策略；为应用提供数据的透明访问接口，屏蔽数据分布、数据位置、异构数据的差异；支持大容量场景下通过独立部署收敛数据库连接数，提高数据库连接使用效率；集群分布式结构，实现在线的数据库平滑扩容，提升系统整体可靠性。分布式缓存基于内存的键值对数据结构，实现高速访问，可以极大缓解对后端存储的压力，提高应用的响应速度。

另外，除了上述图9中包括的架构之外，还可以包括分布式文件存储、分布式搜索服务、实时算法引擎和智能推荐引擎。

分布式文件存储用于存储海量非结构化数据，即，对于不同大小文件，使用不同格式存储；容量可自动弹性扩展，支持高并发大流量访问，服务可用性高，多重备份，安全可靠。

分布式搜索服务基于分片机制提供更好的分布性，通过分而治之的方式来提升处理效率。例如，提供复制机制，一个分片可以设置多个复制，使得某台服务器宕机的情况下，集群仍旧可以照常运行，并会把由于服务器宕机丢失的复制恢复到其它可用节点上，提高系统的可用性；集群式管理，提高扩展性。

实时算法引擎里包含了各种数据挖掘、机器学习算法，其中一部分需要实时流处理计算，一部分只需要进行非实时的批处理计算。

智能推荐引擎是基于个性化推荐技术的数据处理引擎，能在任何时间给出最准确的建议。可以实时了解客户的意图，更精准的为客户推荐个性化的产品和服务，有效提高客户体验。上述两种引擎都可以确定推荐多媒体内容。

图10为本公开一实施例提供的多媒体内容推荐系统的示意图。如图10所示，多媒体内容推荐系统分为服务层、平台层、接口、数据中心以及显示层。

服务层作为底层服务应用，用于基于数据中心的用户数据为目标用户推荐多媒体内容。平台层为安装在多媒体内容推荐系统上的多个平台，例如，可以包括运营支撑系统(Operation Support Systems，简称OSS系统)、电子节目指南系统(Electronic ProgramGuide，简称EPG系统)等等。

接口作为与前端的交互层，主要用于确定以何种方式确定推荐多媒体内容，例如，可以包括个性化推荐接口、相关性推荐接口、搜索联想词接口等等。

数据中心包括了大数据基础平台、大数据分析系统、数据采集系统、爬虫工具、智能聚合搜索引起以及智能推荐搜索引擎等，用于保存不同数据来源的数据。

显示层作为前端，用于反映显示多媒体内容的平台或者设备，例如手机、平板或者网站等。

图2至图10的实施例之间，可以相互结合使用，也可以独立使用。

介绍了多媒体内容推荐方法和多媒体内容推荐系统后，通过介绍图11来介绍本公开一实施例提供的多媒体内容推荐装置。参考图11，该多媒体内容推荐装置1100包括：

第一确定模块1101，用于根据目标用户的即时操作行为，确定面向所述目标用户的多媒体内容推荐场景；

第二确定模块1102，根据多媒体内容推荐场景和目标用户的用户画像标签，确定目标推荐策略，用户画像标签是根据目标用户的用户特征数据构建的，用户特征数据包括身份特征属性和在线行为数据，在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；

推荐模块1103，用于基于目标推荐策略为目标用户推荐多媒体内容。

一种可能的实施方式中，第一确定模块1101具体用于：响应于目标用户的即时操作行为为跨品类浏览行为，确定面向目标用户的多媒体内容推荐场景为跨品类推荐场景；响应于目标用户的即时操作行为为关键词搜索行为，确定面向目标用户的多媒体内容推荐场景为单品类推荐场景；响应于目标用户的即时操作行为为跨平台浏览同品类行为和/或多次进入购物车行为，确定面向目标用户的多媒体内容推荐场景为优惠券推荐场景；响应于目标用户的即时操作行为为凑单行为，确定面向目标用户的多媒体内容推荐场景为凑单推荐场景；响应于目标用户的即时操作行为为弃单行为，确定面向目标用户的多媒体内容推荐场景为同品类推荐场景；响应于目标用户的即时操作行为为支付行为，确定面向目标用户的多媒体内容推荐场景为关联品类推荐场景。

一种可能的实施方式中，第二确定模块1102可以具体用于：在多媒体内容推荐场景下，根据目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人中的一种；其中，人推人为基于用户画像标签，确定与目标用户的关联度大于第一关联度阈值的邻居用户，以推荐邻居用户在多媒体内容推荐场景下存在交互行为的第一多媒体内容给目标用户；人推物为基于用户画像标签，确定在多媒体内容推荐场景下与目标用户的关联度大于第二关联度阈值的第二多媒体内容，以推荐第二多媒体内容给目标用户；物推物为基于用户画像标签，确定目标用户在多媒体内容推荐场景下存在交互行为的多媒体内容的关联度大于第三关联度阈值的第三多媒体内容，以推荐第三多媒体内容给目标用户；物推人为在多媒体内容推荐场景下，基于用户画像标签，确定目标用户是否为第四多媒体内容的目标受众；若目标用户为第四多媒体内容的目标受众，则推荐第四多媒体内容给目标用户。

一种可能的实施方式中，第二确定模块1102可以具体用于：确定目标用户所属的至少一个用户群组；基于目标用户和用户群组中其他用户的用户画像标签，确定与目标用户的关联度大于第一关联度阈值的其他用户为邻居用户。

一种可能的实施方式中，用户画像标签是通过以下方式构建的：获取用户特征数据；将用户特征数据输入标签模型进行确定标签的处理，得到目标用户的用户画像标签。

一种可能的实施方式中，推荐模块1103还可以用于：根据目标用户面向推荐多媒体内容的交互行为，确定推荐效果的评估指标，评估指标包括推荐准确度、产品覆盖率和推荐多样性中的至少一种；根据评估指标，优化多媒体内容推荐方法。

一种可能的实施方式中，推荐模块1103还可以用于：若目标用户的用户画像标签个数小于设定阈值，则根据目标用户的注册信息、登录账号信息以及热门推荐内容的至少一种，为目标用户推荐多媒体内容。

本公开实施例提供的装置，可用于执行如前所述的实施例的方法，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip，简称SOC)的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(Digital Video Disc，简称DVD))、或者半导体介质(例如固态硬盘(Solid StateDisk，简称SSD))等。

图12为本公开一实施例提供的电子设备的结构示意图。示例性地，电子设备可以被提供为一计算机，例如上文所述的服务器。参照图12，电子设备1200包括处理组件1201，其进一步包括一个或多个处理器，以及由存储器1202所代表的存储器资源，用于存储可由处理组件1201的执行的指令，例如应用程序。存储器1202中存储的应用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，处理组件1201被配置为执行指令，以执行上述任一方法实施例。

电子设备1200还可以包括一个电源组件1203被配置为执行电子设备1200的电源管理，一个有线或无线网络接口1204被配置为将电子设备1200连接到网络，和一个输入输出接口1205，其中，输入输出接口又可以称为I/O接口。电子设备1200可以操作基于存储在存储器1202的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本公开还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上多媒体内容推荐方法的方案。

本公开还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上的多媒体内容推荐方法的方案。

上述的计算机可读存储介质，上述可读存储介质可以是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，如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-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。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于多媒体内容推荐装置中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种多媒体内容推荐方法，其特征在于，包括：

根据目标用户的即时操作行为，确定面向所述目标用户的多媒体内容推荐场景；

根据所述多媒体内容推荐场景和所述目标用户的用户画像标签，确定目标推荐策略，所述用户画像标签是根据所述目标用户的用户特征数据构建的，所述用户特征数据包括身份特征属性和在线行为数据，所述在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；

基于所述目标推荐策略为所述目标用户推荐多媒体内容。

2.根据权利要求1所述的多媒体内容推荐方法，其特征在于，所述根据目标用户的即时操作行为，确定面向所述目标用户的多媒体内容推荐场景，包括以下至少一种：

响应于所述目标用户的即时操作行为为跨品类浏览行为，确定面向所述目标用户的多媒体内容推荐场景为跨品类推荐场景；

响应于所述目标用户的即时操作行为为关键词搜索行为，确定面向所述目标用户的多媒体内容推荐场景为单品类推荐场景；

响应于所述目标用户的即时操作行为为跨平台浏览同品类行为和/或多次进入购物车行为，确定面向所述目标用户的多媒体内容推荐场景为优惠券推荐场景；

响应于所述目标用户的即时操作行为为凑单行为，确定面向所述目标用户的多媒体内容推荐场景为凑单推荐场景；

响应于所述目标用户的即时操作行为为弃单行为，确定面向所述目标用户的多媒体内容推荐场景为同品类推荐场景；

响应于所述目标用户的即时操作行为为支付行为，确定面向所述目标用户的多媒体内容推荐场景为关联品类推荐场景。

3.根据权利要求1所述的多媒体内容推荐方法，其特征在于，所述根据所述多媒体内容推荐场景和所述目标用户的用户画像标签，确定目标推荐策略，包括：

在所述多媒体内容推荐场景下，根据所述目标用户的用户画像标签，确定目标推荐策略为人推人、人推物、物推物或物推人中的一种；

其中，人推人为基于用户画像标签，确定与所述目标用户的关联度大于第一关联度阈值的邻居用户，以推荐所述邻居用户在所述多媒体内容推荐场景下存在交互行为的第一多媒体内容给所述目标用户；

人推物为基于用户画像标签，确定在所述多媒体内容推荐场景下与所述目标用户的关联度大于第二关联度阈值的第二多媒体内容，以推荐所述第二多媒体内容给所述目标用户；

物推物为基于用户画像标签，确定所述目标用户在所述多媒体内容推荐场景下存在交互行为的多媒体内容的关联度大于第三关联度阈值的第三多媒体内容，以推荐所述第三多媒体内容给所述目标用户；

物推人为在所述多媒体内容推荐场景下，基于用户画像标签，确定所述目标用户是否为第四多媒体内容的目标受众；若所述目标用户为所述第四多媒体内容的目标受众，则推荐所述第四多媒体内容给所述目标用户。

4.根据权利要求3所述的多媒体内容推荐方法，其特征在于，所述确定与所述目标用户的关联度大于第一关联度阈值的邻居用户，包括：

确定所述目标用户所属的至少一个用户群组；

基于所述目标用户和所述用户群组中其他用户的用户画像标签，确定与所述目标用户的关联度大于第一关联度阈值的其他用户为邻居用户。

5.根据权利要求1至3中任一项所述的多媒体内容推荐方法，其特征在于，所述用户画像标签是通过以下方式构建的：

获取所述用户特征数据；

将所述用户特征数据输入标签模型进行确定标签的处理，得到所述目标用户的用户画像标签。

6.根据权利要求1至3中任一项所述的多媒体内容推荐方法，其特征在于，所述基于所述目标推荐策略为所述目标用户推荐多媒体内容之后，还包括：

根据所述目标用户面向推荐多媒体内容的交互行为，确定推荐效果的评估指标，所述评估指标包括推荐准确度、产品覆盖率和推荐多样性中的至少一种；

根据所述评估指标，优化所述多媒体内容推荐方法。

7.根据权利要求1至3中任一项所述的多媒体内容推荐方法，其特征在于，还包括：

若所述目标用户的用户画像标签个数小于设定阈值，则根据所述目标用户的注册信息、登录账号信息以及热门推荐内容的至少一种，为所述目标用户推荐多媒体内容。

8.一种多媒体内容推荐装置，其特征在于，包括：

第一确定模块，用于根据目标用户的即时操作行为，确定面向所述目标用户的多媒体内容推荐场景；

第二确定模块，根据所述多媒体内容推荐场景和所述目标用户的用户画像标签，确定目标推荐策略，所述用户画像标签是根据所述目标用户的用户特征数据构建的，所述用户特征数据包括身份特征属性和在线行为数据，所述在线行为数据包括访问行为数据、操作行为数据和历史轨迹数据中的至少一种；

推荐模块，用于基于所述目标推荐策略为所述目标用户推荐多媒体内容。

9.一种电子设备，其特征在于，包括：存储器和处理；其中：

存储器用于存储程序指令；

处理器用于调用存储器中的程序指令执行权利要求1至7中任一项所述的多媒体内容推荐方法。

10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被执行时，用于执行权利要求1至7任一项所述的多媒体内容推荐方法。

Images