CN115269999A - 内容推荐方法及装置 - Google Patents

Abstract

本申请公开了一种内容推荐方法及装置。其中，该方法包括：获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；过滤待推荐内容中的第一内容，得到第一目标推荐内容。本申请解决了相关技术无法有效过滤用户已不感兴趣的推荐内容，导致推荐准确性较低，用户体验较差的技术问题。

Description

内容推荐方法及装置

技术领域

本申请涉及内容推荐技术领域，具体而言，涉及一种内容推荐方法及装置。

背景技术

在内容推荐领域，内容推荐算法是推荐系统中最为核心的部分。当前，为了降低重复推荐，推荐系统通常是根据客户使用产品时，客户对推荐内容的点评操作，从而实现屏蔽或过滤重复推荐内容。

然而，上述过滤方法并不适用于无交互或交互量很少的推荐系统，例如电信iTV产品，由于该产品受遥控器操作不便捷等因素限制，客户很少对电信iTV推荐的内容进行喜好评价，因此，推荐系统很难过滤客户的临时喜好内容和已不感兴趣的内容，从而向用户推荐大量重复内容，导致推荐内容的准确性较低，客户使用体验差的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种内容推荐方法及装置，以至少解决相关技术无法有效过滤用户已不感兴趣的推荐内容，导致推荐准确性较低，用户体验较差的技术问题。

根据本申请实施例的一个方面，提供了一种内容推荐方法，包括：获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；过滤待推荐内容中的第一内容，得到第一目标推荐内容。

可选地，依据第一数据确定目标对象的喜好特征，包括：依据第一数据确定目标对象的第一喜好特征，其中，第一喜好特征中至少包括以下之一：临时喜好内容、临时喜好类型；依据第一数据确定目标对象的第二喜好特征，其中，第二喜好特征中至少包括以下之一：喜好周期、周期喜好内容、周期喜好类型。

可选地，第一内容中包括：第一子内容和第二子内容，基于喜好特征确定待推荐内容中的第一内容，包括：确定待推荐内容中与第一喜好特征相匹配的内容为第一子内容；确定待推荐内容中与第二喜好特征相匹配的内容为第二子内容。

可选地，确定待推荐内容中与第二喜好特征相匹配的内容为第二子内容，包括：依据第二喜好特征预估目标对象在目标时段内对待推荐内容中各个内容的访问数据，其中，访问数据中至少包括以下之一：访问次数、访问时长、访问占比；依据访问数据确定各个内容的推荐评分；将推荐评分小于预设阈值的内容确定为第二子内容。

可选地，对历史观看内容数据进行分类，得到多个内容分类特征；依据各个内容分类特征之间的关联关系确定内容关联特征；依据内容关联特征确定第一目标推荐内容中与第一内容存在关联关系的第二内容。

可选地，第二内容中包括：第三子内容和第四子内容，依据内容关联特征确定第一目标推荐内容中与第一内容存在关联关系的第二内容，包括：依据内容关联特征确定第一目标推荐内容中与第一子内容存在关联关系的第三子内容；依据内容关联特征确定第一目标推荐内容中与第二子内容存在关联关系的第四子内容。

可选地，获取待推荐内容，包括：基于目标对象的历史观看内容数据，确定待推荐内容。

根据本申请实施例的另一方面，还提供了一种内容推荐装置，包括：获取模块，用于获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；第一确定模块，用于依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；第二确定模块，用于获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；过滤模块，用于过滤待推荐内容中的第一内容，得到第一目标推荐内容。

根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的内容推荐方法。

根据本申请实施例的另一方面，还提供了一种电子设备，电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的内容推荐方法。

在本申请实施例中，首先获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；再依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；接着获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；最后过滤待推荐内容中的第一内容，得到第一目标推荐内容。其中，通过分析目标对象的临时喜好和周期喜好，将对应的第一喜好特征和第二喜好特征过滤，有效降低对目标对象已不感兴趣内容的推荐，提升了推荐内容的准确性，达到了提升推荐系统产品竞争力的目的，进而解决了相关技术无法有效过滤用户已不感兴趣的推荐内容，导致推荐准确性较低，用户体验较差技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种内容推荐方法的流程示意图；

图2是根据本申请实施例的一种可选的内容推荐方法的流程示意图；

图3是根据本申请实施例的一种内容推荐装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

当前在内容推荐领域中，为了降低重复推荐，推荐系统通常是根据客户使用产品时，客户对推荐内容的点评操作，从而实现屏蔽或过滤重复推荐内容。然而，该过滤方法并不适用于无交互或交互量很少的推荐系统。例如，电信iTV产品，由于该产品受遥控器操作不便捷等因素限制，客户很少对iTV产品推荐的内容进行喜好评价，因此，推荐系统很难过滤客户的临时喜好内容和已不感兴趣的内容，从而导致向用户推荐大量重复内容，造成客户使用体验差的问题。

为了解决上述问题，本申请实施例提供了一种内容推荐方法实施例，首先通过分析客户的历史观看内容数据，按照时、日、周、月、节假日等历史使用行为数据分析客户的周期喜好特征和临时喜好特征；再将获取的待推荐内容中与临时喜好特征匹配的内容全部过滤，并将推荐内容中推荐评分小于系统预设阈值的内容进行过滤，得到目标推荐内容，上述过程对推荐内容进行第一次过滤。为了避免系统重复推荐目标对象已不感兴趣的相关内容，本申请实施例还依据上述内容推荐方法对目标推荐内容进行二次过滤，保证有效降低客户已不感兴趣内容的重复推荐，提升推荐内容的准确性。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的一种可选的内容推荐方法的流程示意图，如图1所示，该方法至少包括步骤S102-S108，其中：

步骤S102，获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据。

可选地，第一数据中还可以包括：目标对象的基础数据、历史观看行为数据。

当前，互联网和网络通讯技术的迅猛发展，各运营商可以通过大数据平台将用户的第一数据进行加载、转换、清洗、加工并进行存储，以使各运营商的系统可以根据用户的第一数据向用户推荐可能感兴趣的内容。

步骤S104，依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征。

可选地，依据第一数据确定目标对象的第一喜好特征，其中，第一喜好特征中至少包括以下之一：临时喜好内容、临时喜好类型；依据第一数据确定目标对象的第二喜好特征，其中，第二喜好特征中至少包括以下之一：喜好周期、周期喜好内容、周期喜好类型。

举例而言，以用户的历史观看内容数据和历史使用行为数据为接入数据，执行临时喜好算法，生成临时喜好特征(即第一喜好特征)。

其中，临时喜好特征算法是根据用户互联网访问内容类型、次数、观看内容数据，确定用户的临时喜好特征，临时喜好特征中包括：用户ID、用户年龄、用户性别、入网时间、产品数量、临时喜好内容、临时喜好内容次数等。

以用户的历史观看内容数据和历史使用行为数据为接入数据，执行周期喜好特征算法，生成周期喜好特征(即第二喜好特征)。

其中，周期喜好特征算法是根据分析用户对同类喜好重复次数、周期喜好内容、喜好周期，确定用户的周期喜好特征，周期喜好特征中包括：用户ID、用户年龄、用户性别、入网时间、产品数量、周期喜好内容、周期喜好内容次数、周期喜好类型、周期喜好类型次数等。

步骤S106，获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容。

可选地，可以基于目标对象的历史观看内容数据，确定待推荐内容。

作为一种可选的实施方式，推荐系统可以采用内容推荐算法，生成待推荐内容，其中，常见的内容推荐算法包括：内容关联算法(Content-Based，CB)、协同过滤算法(Collaborative Filtering，CF)。本申请实施例对采用的内容推荐算法不做限制。

这里以内容推荐算法为例进行简单说明，推荐系统根据用户A喜爱或频繁播放的历史观看内容数据列表，将该列表的基本属性、内容等信息提取出来，组成一个标签列表，并为每一个标签赋予一个权重；接着将所有内容对应的标签列表做倒排转换，并存储至倒排索引服务器中，当需要对用户进行内容推荐时，可以对各个内容对应的标签列表取出并拼成一个搜索系统查询表达式，将召回的结果做一下排序作为待推荐内容输出即可，其中，待推荐内容中可以包括：用户ID、内容ID、内容名称、内容质量、内容价值、有效周期、内容特征等。

可选地，第一内容中包括：第一子内容和第二子内容，可以通过如下方式确定第一内容：确定待推荐内容中与第一喜好特征相匹配的内容为第一子内容；确定待推荐内容中与第二喜好特征相匹配的内容为第二子内容。

作为一种可选的实施方式，可以依据第二喜好特征预估目标对象在目标时段内对待推荐内容中各个内容的访问数据，其中，访问数据中至少包括以下之一：访问次数、访问时长、访问占比；依据访问数据确定各个内容的推荐评分；将推荐评分小于预设阈值的内容确定为第二子内容。

具体地，第一子内容为用户的临时喜好内容，第二子内容为用户的周期喜好内容。

例如，可以采用用户周期喜好趋势算法确定第二子内容，用户周期喜好趋势算法是根据用户周期喜好特征，计算用户在一个周期内容的用户访问次数、访问时长、历史访问均值、周期访问占比等，来评估用户对该喜好的推荐评分。

具体地，在本申请实施例中可以将第二喜好特征作为接入数据，采用用户周期喜好趋势算法，预估用户在目标时段内对待推荐内容中各个内容的访问数据，其中，访问数据中包括：用户ID、喜好特征、喜好周期、周期访问次数、周期访问时长、历史访问次数、历史访问时长、周期访问占比等，并依据访问数据评估用户对各个内容的推荐评分，最后将推荐评分与推荐系统的预设推荐评分阈值进行比较，将推荐评分小于预设阈值的内容确定为周期喜好内容。

步骤S108，过滤待推荐内容中的第一内容，得到第一目标推荐内容。

例如，可以通过临时喜好内容过滤算法，将待推荐内容中的第一子内容进行过滤；可以通过周期喜好内容过滤算法，将待推荐内容中的第二子内容进行过滤。

确定第一目标推荐内容后，为了降低推荐内容的重复性，进一步提升推荐内容的准确性。

可选地，还可以对历史观看内容数据进行分类，得到多个内容分类特征；依据各个内容分类特征之间的关联关系确定内容关联特征；依据内容关联特征确定第一目标推荐内容中与第一内容存在关联关系的第二内容。

具体地，第二内容中包括：第三子内容和第四子内容，可以通过如下方式确定第二内容：依据内容关联特征确定第一目标推荐内容中与第一子内容存在关联关系的第三子内容；依据内容关联特征确定第一目标推荐内容中与第二子内容存在关联关系的第四子内容。

例如，首先通过内容特征算法，对历史观看内容数据进行特征分类，得到内容ID、内容名称、内容类型、子类特征等多个内容分类特征；再依据各个内容分类特征之间的关联关系确定内容关联特征，其中，内容关联特征中包括：内容ID、关联内容ID、内容名称、内容类型、子类特征等；接着采用内容关联算法确定与第一目标推荐内容中与临时喜好内容存在关联关系的第三子内容，以及与周期喜好内容存在关联关系的第四子内容，其中，第三子内容和第四子内容同样为用户在目标时段内不感兴趣的内容；然后采用关联内容过滤算法对第一目标推荐内容中的第三子内容和第四子内容进行过滤，得到第二目标推荐内容。

其中，关联内容过滤算法是对过滤的内容进行内容关联，再匹配推荐内容数据关联特征，对推荐内容进行二次过滤，过滤用户已不感兴趣的关联内容，第二目标推荐内容中包括：用户ID、内容ID、内容名称、内容质量、内容有效周期等；最后，将第二目标推荐内容推送至推荐系统的应用平台上，可以提升应用平台推荐内容的准确性，进而提升推荐系统产品的竞争力。

作为一种可选的实施方式，可以电信iTV推荐系统为例，对上述内容推荐方法的过程进行举例说明，如图2所示，通过步骤S1-S10进行详细说明。

S1，获取用户的iTV第一数据，其中，iTV第一数据中包括：iTV历史观看内容数据和iTV历史使用行为数据；

S2，采用内容推荐算法生成iTV待推荐内容；

S3，接入信息为用户的iTV基础数据，采用用户特征算法确定用户的喜好特征，其中，用户特征算法包括临时喜好特征算法和周期喜好特征算法，采用临时喜好特征算法可以确定用户的临时喜好特征(即第一喜好特征)；采用周期喜好特征算法确定用户的周期喜好特征(即第二喜好特征)；

S4，采用周期喜好趋势算法计算待推荐内容中各个内容的访问数据；

S5，接入信息为iTV待推荐内容，采用临时喜好内容过滤算法，过滤临时喜好内容(即第一子内容)；

S6，采用周期喜好内容过滤算法，过滤周期喜好内容(即第二子内容)；

S7，得到第一目标推荐内容；

S8，接入信息为iTV历史观看内容数据，采用内容特征算法对iTV历史观看内容数据进行特征分类，得到多个内容分类特征；

S9，采用内容关联算法确定第一目标推荐内容中与临时喜好内容存在关联关系的第三子内容，以及与周期喜好内容存在关联关系的第四子内容；

S10，采用关联内容过滤算法过滤第一目标推荐内容中的第三子内容和第四子内容；

S11，得到第二目标推荐内容；

S12，将第二目标推荐内容推送至iTV应用平台。

在本申请实施例中，首先获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；再依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；接着获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；最后过滤待推荐内容中的第一内容，得到第一目标推荐内容。其中，通过分析目标对象的临时喜好和周期喜好，将对应的第一喜好特征和第二喜好特征过滤，有效降低对目标对象已不感兴趣内容的推荐，提升了推荐内容的准确性，达到了提升推荐系统产品竞争力的目的，进而解决了相关技术无法有效过滤用户已不感兴趣的推荐内容，导致推荐准确性较低，用户体验较差技术问题。

实施例2

根据本申请实施例，还提供了一种用于实现上述内容推荐方法的内容推荐装置，如图3所示，该装置至少包括获取模块31，第一确定模块32，第二确定模块33和过滤模块34，其中：

获取模块31，用于获取目标对象的第一数据，其中，所述第一数据中至少包括：历史观看内容数据和历史使用行为数据。

可选地，第一数据中还可以包括：目标对象的基础数据、历史观看行为数据。

当前，互联网和网络通讯技术的迅猛发展，各运营商可以通过大数据平台将用户的第一数据进行加载、转换、清洗、加工并进行存储，以使各运营商的系统可以根据用户的第一数据向用户推荐可能感兴趣的内容。

第一确定模块32，用于依据所述第一数据确定所述目标对象的喜好特征，其中，所述喜好特征包括：用于反映所述目标对象的临时喜好的第一喜好特征和用于反映所述目标对象的周期喜好的第二喜好特征。

可选地，依据第一数据确定目标对象的第一喜好特征，其中，第一喜好特征中至少包括以下之一：临时喜好内容、临时喜好类型；依据第一数据确定目标对象的第二喜好特征，其中，第二喜好特征中至少包括以下之一：喜好周期、周期喜好内容、周期喜好类型。

举例而言，以用户的历史观看内容数据和历史使用行为数据为接入数据，执行临时喜好算法，生成临时喜好特征(即第一喜好特征)。

其中，临时喜好算法是根据用户互联网访问内容类型、次数、观看内容数据，确定用户的临时喜好特征，临时喜好特征中包括：用户ID、用户年龄、用户性别、入网时间、产品数量、临时喜好内容、临时喜好内容次数等。

以用户的历史观看内容数据和历史使用行为数据为接入数据，执行周期喜好特征算法，生成周期喜好特征(即第二喜好特征)。

其中，周期喜好特征算法是根据分析用户对同类喜好重复次数、周期喜好内容、喜好周期，确定用户的周期喜好特征，周期喜好特征中包括：用户ID、用户年龄、用户性别、入网时间、产品数量、周期喜好内容、周期喜好内容次数、周期喜好类型、周期喜好类型次数等。

第二确定模块33，用于获取待推荐内容，并基于所述喜好特征确定所述待推荐内容中的第一内容，其中，所述第一内容为所述目标对象在目标时段不再感兴趣的内容。

可选地，可以基于目标对象的历史观看内容数据，确定待推荐内容。

作为一种可选的实施方式，推荐系统可以采用内容推荐算法，生成待推荐内容，其中，常见的内容推荐算法包括：内容关联算法(Content-Based，CB)、协同过滤算法(Collaborative Filtering，CF)。本申请实施例对采用的内容推荐算法不做限制。

这里以内容推荐算法为例进行简单说明，推荐系统根据用户A喜爱或频繁播放的历史观看内容数据列表，将该列表的基本属性、内容等信息提取出来，组成一个标签列表，并为每一个标签赋予一个权重；接着将所有内容对应的标签列表做倒排转换，并存储至倒排索引服务器中，当需要对用户进行内容推荐时，可以对各个内容对应的标签列表取出并拼成一个搜索系统查询表达式，将召回的结果做一下排序作为待推荐内容输出即可，其中，待推荐内容中可以包括：用户ID、内容ID、内容名称、内容质量、内容价值、有效周期、内容特征等。

可选地，第一内容中包括：第一子内容和第二子内容，可以通过如下方式确定第一内容：确定待推荐内容中与第一喜好特征相匹配的内容为第一子内容；确定待推荐内容中与第二喜好特征相匹配的内容为第二子内容。

作为一种可选的实施方式，可以依据第二喜好特征预估目标对象在目标时段内对待推荐内容中各个内容的访问数据，其中，访问数据中至少包括以下之一：访问次数、访问时长、访问占比；依据访问数据确定各个内容的推荐评分；将推荐评分小于预设阈值的内容确定为第二子内容。

具体地，第一子内容为用户的临时喜好内容，第二子内容为用户的周期喜好内容。

过滤模块34，用于过滤所述待推荐内容中的所述第一内容，得到第一目标推荐内容。

例如，可以通过临时喜好内容过滤算法，将待推荐内容中的第一子内容进行过滤；可以通过周期喜好内容过滤算法，将待推荐内容中的第二子内容进行过滤。

确定第一目标推荐内容后，为了降低推荐内容的重复性，进一步提升推荐内容的准确性。

可选地，还可以对历史观看内容数据进行分类，得到多个内容分类特征；依据各个内容分类特征之间的关联关系确定内容关联特征；依据内容关联特征确定第一目标推荐内容中与第一内容存在关联关系的第二内容。

具体地，第二内容中包括：第三子内容和第四子内容，可以通过如下方式确定第二内容：依据内容关联特征确定第一目标推荐内容中与第一子内容存在关联关系的第三子内容；依据内容关联特征确定第一目标推荐内容中与第二子内容存在关联关系的第四子内容。

需要说明的是，本申请实施例中的内容推荐装置中的各模块与实施例1中的内容推荐方法的各实施步骤一一对应，由于实施例1中已经进行了详尽的描述，本实施例中部分未体现的细节可以参考实施例1，在此不再过多赘述。

实施例3

根据本申请实施例，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行实施例1中的内容推荐方法。

根据本申请实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的内容推荐方法。

根据本申请实施例，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行实施例1中的内容推荐方法。

可选地，在程序运行时控制非易失性存储介质所在设备执行实现以下步骤：获取目标对象的第一数据，其中，第一数据中至少包括：历史观看内容数据和历史使用行为数据；依据第一数据确定目标对象的喜好特征，其中，喜好特征包括：用于反映目标对象的临时喜好的第一喜好特征和用于反映目标对象的周期喜好的第二喜好特征；获取待推荐内容，并基于喜好特征确定待推荐内容中的第一内容，其中，第一内容为目标对象在目标时段不再感兴趣的内容；过滤待推荐内容中的第一内容，得到第一目标推荐内容。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种内容推荐方法，其特征在于，包括：

获取目标对象的第一数据，其中，所述第一数据中至少包括：历史观看内容数据和历史使用行为数据；

依据所述第一数据确定所述目标对象的喜好特征，其中，所述喜好特征包括：用于反映所述目标对象的临时喜好的第一喜好特征和用于反映所述目标对象的周期喜好的第二喜好特征；

获取待推荐内容，并基于所述喜好特征确定所述待推荐内容中的第一内容，其中，所述第一内容为所述目标对象在目标时段不再感兴趣的内容；

过滤所述待推荐内容中的所述第一内容，得到第一目标推荐内容。

2.根据权利要求1所述的方法，其特征在于，依据所述第一数据确定所述目标对象的喜好特征，包括：

依据所述第一数据确定所述目标对象的所述第一喜好特征，其中，所述第一喜好特征中至少包括以下之一：临时喜好内容、临时喜好类型；

依据所述第一数据确定所述目标对象的所述第二喜好特征，其中，所述第二喜好特征中至少包括以下之一：喜好周期、周期喜好内容、周期喜好类型。

3.根据权利要求1所述的方法，其特征在于，所述第一内容中包括：第一子内容和第二子内容，基于所述喜好特征确定所述待推荐内容中的第一内容，包括：

确定所述待推荐内容中与所述第一喜好特征相匹配的内容为所述第一子内容；

确定所述待推荐内容中与所述第二喜好特征相匹配的内容为所述第二子内容。

4.根据权利要求3所述的方法，其特征在于，确定所述待推荐内容中与所述第二喜好特征相匹配的内容为所述第二子内容，包括：

依据所述第二喜好特征预估所述目标对象在所述目标时段内对所述待推荐内容中各个内容的访问数据，其中，所述访问数据中至少包括以下之一：访问次数、访问时长、访问占比；

依据所述访问数据确定所述各个内容的推荐评分；

将所述推荐评分小于预设阈值的内容确定为所述第二子内容。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

对所述历史观看内容数据进行分类，得到多个内容分类特征；

依据各个所述内容分类特征之间的关联关系确定内容关联特征；

依据所述内容关联特征确定所述第一目标推荐内容中与所述第一内容存在关联关系的第二内容。

6.根据权利要求5所述的方法，其特征在于，所述第二内容中包括：第三子内容和第四子内容，依据所述内容关联特征确定所述第一目标推荐内容中与所述第一内容存在关联关系的第二内容，包括：

依据所述内容关联特征确定所述第一目标推荐内容中与所述第一子内容存在关联关系的所述第三子内容；

依据所述内容关联特征确定所述第一目标推荐内容中与所述第二子内容存在关联关系的所述第四子内容。

7.根据权利要求1所述的方法，其特征在于，获取待推荐内容，包括：

基于所述目标对象的历史观看内容数据，确定所述待推荐内容。

8.一种内容推荐装置，其特征在于，包括：

获取模块，用于获取目标对象的第一数据，其中，所述第一数据中至少包括：历史观看内容数据和历史使用行为数据；

第一确定模块，用于依据所述第一数据确定所述目标对象的喜好特征，其中，所述喜好特征包括：用于反映所述目标对象的临时喜好的第一喜好特征和用于反映所述目标对象的周期喜好的第二喜好特征；

第二确定模块，用于获取待推荐内容，并基于所述喜好特征确定所述待推荐内容中的第一内容，其中，所述第一内容为所述目标对象在目标时段不再感兴趣的内容；

过滤模块，用于过滤所述待推荐内容中的所述第一内容，得到第一目标推荐内容。

9.根据本申请实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的内容推荐方法。

10.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被配置为通过所述计算机程序执行权利要求1至7中任意一项所述的内容推荐方法。

Images