CN115455280A - 一种推荐列表确定方法和服务器 - Google Patents
一种推荐列表确定方法和服务器 Download PDFInfo
- Publication number
- CN115455280A CN115455280A CN202211000605.1A CN202211000605A CN115455280A CN 115455280 A CN115455280 A CN 115455280A CN 202211000605 A CN202211000605 A CN 202211000605A CN 115455280 A CN115455280 A CN 115455280A
- Authority
- CN
- China
- Prior art keywords
- content
- recommended
- recommendation
- list
- browsing
- 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 46
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 65
- 238000004364 calculation method Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000004547 Hallucinations Diseases 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 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
- G06F16/906—Clustering; Classification
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种推荐列表确定方法和服务器，应用于个性化推荐技术领域，该方法包括：根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度；构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度；基于内容推荐函数，将使内容推荐函数的函数值最大的待推荐列表确定为目标推荐列表。能够关注用户在不同兴趣领域浏览的内容占比，使得推荐给用户的内容更符合用户的偏好，提升了推荐效果。
Description
技术领域
本申请实施例涉及个性化推荐技术。更具体地讲，涉及一种推荐列表确定方法和服务器。
背景技术
目前，在推荐系统领域，推荐算法大多基于用户行为历史预测用户主要兴趣领域的推荐内容，进而实现个性化推荐。但是个性化推荐往往得到的推荐结果会过分放大用户主要兴趣领域，忽略次要兴趣领域，而没有维持住原有的兴趣偏好比例，如此则容易发生偏好放大现象，类似于回声室效应。
推荐系统的这种偏好放大现象将逐渐缩小用户的兴趣范围，对于用户来说，看到的推荐内容越来越单一，丧失了多元化，而看不到用户本来感兴趣的推荐内容或者未来会感兴趣的推荐内容，用户体验较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种推荐列表确定方法和服务器，能够关注用户在不同兴趣领域浏览的内容占比，使得推荐给用户的内容更符合用户的偏好，提升了推荐效果。
第一方面，本申请实施例提供了一种推荐列表确定方法，该方法包括：根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；
构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；
基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。
本申请一些实施例中，浏览历史记录中的每条记录包括浏览内容，以及浏览内容属于预设维度下多个内容类别中的每个内容类别的概率；多个内容类别包括N个内容类别；
浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及一个第一内容类别的概率；该一个第一内容类别的概率为浏览历史记录中各个浏览内容对应的第一数值的加权，第一数值为相应浏览内容属于一个第一内容类别的概率。
本申请一些实施例中，每条记录还包括用户对浏览内容的偏好程度；第一数值具体为相应浏览内容属于一个第一内容类别的概率与相应浏览内容的偏好程度的乘积。
本申请一些实施例中，一个第一内容类别的概率大于或等于第一概率阈值。
本申请一些实施例中，待推荐列表中的每个条目包括待推荐内容，以及待推荐内容属于预设维度下多个内容类别中的每个内容类别的概率，多个内容类别包括M个内容类别；
推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及一个第二内容类别的概率；该一个第二内容类别的概率为待推荐列表中各个待推荐内容对应的第二数值的加权，第二数值为相应待推荐内容属于一个第二内容类别的概率。
本申请一些实施例中，每个条目还包括待推荐内容的推荐评分；第二数值具体为相应待推荐内容属于一个第二内容类别的概率与目标待推荐内容的推荐评分的乘积。
本申请一些实施例中，一个第二内容类别的概率大于或等于第二概率阈值。
本申请一些实施例中，相关性评价具体为总概率与第一平衡系数的乘积，差异性评价具体为推荐偏好分布与浏览偏好分布的差异性，与第二平衡系数的乘积；
其中，第一平衡系数为1与第二平衡系数之差，第二平衡系数大于或等于0，且小于或等于1。
本申请一些实施例中，构建内容推荐函数之前，该方法还包括：获取目标信息，目标信息包括以下至少一项：当前用户信息，当前时间信息；
从预设平衡系数库中确定与目标信息匹配的目标预设信息，将目标预设信息对应的目标预设平衡系数确定为第二平衡系数；
其中，平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。
第二方面，本申请提供了一种服务器，该服务器包括：
控制器，被配置为：根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；
构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；
基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。
第三方面，本申请实施例提供了一种推荐列表确定装置，该装置包括：获取模块，构建模块，确定模块；
该获取模块，用于根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；
该构建模块，用于构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；
该确定模块，基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。
第四方面，本申请提供了一种计算机可读存储介质，包括：计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如第一方面所示的推荐列表确定方法。
第五方面，本申请提供了一种计算机程序产品，其特征在于，包括：当计算机程序产品在计算机上运行时，使得计算机实现如第一方面所示的推荐列表确定方法。
本申请实施例提供的技术方案与现有技术相比具有如下优点：本申请实施例中，根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。如此，根据构建的内容推荐函数，确定使内容推荐函数值最大的目标推荐列表，目标推荐列表综合考虑了相关性评分和差异性评分，使得相关性评分与差异性评分的差值最大，确保目标推荐列表的推荐偏好分布(反应待推荐列表推荐的各内容类型的占比)与当前用户的浏览偏好分布(反应用户关注的各内容类型的占比)更接近，即推荐给当前用户的各内容类别及各内容类别的占比与用户的历史浏览偏好的内容类别及各内容类别的占比较接近，从而在推荐给用户主要兴趣领域的内容类别的同时，也关注了用户次要兴趣领域的内容类别，使得推荐效果更好，用户体验更佳。
附图说明
为了更清楚地说明本申请实施例或相关技术中的实施方式，下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1示出了根据一些实施例的推荐列表确定方法的流程示意图之一；
图2示出了根据一些实施例的用户浏览历史记录的内容示意图之一；
图3示出了根据一些实施例的用户浏览历史记录的内容示意图之二；
图4示出了根据一些实施例的待推荐列表的内容示意图之一；
图5示出了根据一些实施例的待推荐列表的内容示意图之二；
图6示出了根据一些实施例的推荐列表确定方法的流程示意图之二；
图7示出了根据一些实施例的推荐列表确定方法的流程示意图之三；
图8示出了根据一些实施例的推荐列表确定方法的流程示意图之四；
图9示出了根据一些实施例的服务器与显示设备的交互示意图；
图10示出了根据一些实施例的推荐列表确定装置的结构示意图；
图11示出了根据一些实施例的服务设备的结构示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
如图1所示，本申请实施例提供一种推荐列表确定方法，下面以执行主体为服务器为例，对本申请实施例提供的推荐列表确定方法进行示例性的说明。该方法可以包括下述的步骤101至步骤103。
101、根据当前用户的浏览历史记录获取当前用户的浏览偏好分布。
其中，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数。
可以理解，将用户的浏览历史记录基于预设维度进行分类，如：根据用户的历史观看视频的记录，将用户的观看内容按照一级分类可以划分为：电视剧，电影，综艺，动漫，幼儿，纪录片，此时预设维度即为一级分类；将用户的观看内容按照电影二级分类可以划分为：喜剧，科幻，动画，爱情，军事，战争，动作，悬疑，恐怖等，此时预设维度即为电影二级分类；具体的预设维度，根据实际情况确定，本申请实施例不做限定。
可以理解，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，即根据用户的浏览历史记录，确定的用户偏好某一内容类别的概率，如按照电影的二级分类，计算得到的浏览偏好分布为{动画：0.35，爱情：0.22，悬疑：0.15}，该浏览偏好分布用于反映该用户观影时，更偏好动画类的电影。
102、构建内容推荐函数。
其中，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数。
可以理解，待推荐列表是通过各种推荐模型得到的，如因子分解机(Factorization Machines Model，FM)模型，深度因子分解机(Deep FactorizationMachines Model，DeepFM)模型，wide&deep模型，深度兴趣网络(Deep Interest Network，DIN)模型等，具体使用的模型根据实际需要确定，本申请实施例不做限定。
可以理解，对待推荐列表中的内容分类，也是按照预设维度进行分类，即浏览历史记录的内容分类与待推荐列表中的内容分类都是按照预设维度分类的。
可以理解，待推荐列表中的每个条目中的待推荐内容的相关性得分依据推荐模型确定，不同的推荐模型的相关性得分不同，具体根据实际使用的推荐模型确定，本申请实施例不做限定。
可以理解，待推荐列表的相关性评价，即根据确定的待推荐列表中的每一条目中包含的待推荐内容，预测用户浏览该推荐内容的概率，将该待推荐列表中所有预测用户浏览对应推荐内容的概率相加，即为待推荐列表的相关性评价。
可以理解，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，即根据待推荐列表，预测用户会偏好某一推荐内容的概率，如按照电影的二级分类，推荐偏好分布为{战争：0.78，爱情：0.23，悬疑：0.15}，通过该推荐偏好分布，可以确定待推荐列表中，推荐给用户的内容属于战争类的偏多一些。
可以理解，待推荐列表对应的推荐偏好分布与用户的浏览偏好分布差异值越小，则表明待推荐列表中各推荐内容的类别与用户偏好的内容类别越接近，并且待推荐列表中的各推荐内容的类别的占比与用户偏好的内容类别的占比也比较接近。如用户的浏览偏好分布为：{战争：0.7，爱情：0.2，悬疑：0.1}，则确定的用户对电影二级分类中各类别的偏好占比为：战争：爱情：悬疑＝7：2：1，若推荐偏好分布为：{战争：0.6，爱情：0.2，悬疑：0.1，动画：0.1}，战争：爱情：悬疑：动画＝6：2：1：1，则该推荐偏好分布与用户的浏览偏好分布差异值较小；若推荐偏好分布为：{战争：0.3，爱情：0.2，动画：0.1，动作：0.3，科幻：0.2}，则该推荐偏好分布与用户的浏览偏好分布差异值较大。
可以理解，推荐偏好分布与用户的浏览偏好分布差异性大小，可以通过KL散度(Kullback–Leibler divergence)、交叉熵、JS散度(Jensen-Shannon divergence)等确定，具体地根据实际情况确定，本申请实施例不做限定。
103、基于内容推荐函数，确定目标推荐列表。
其中，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。
可选地，对多个待推荐内容进行排列组合得到多个待推荐列表，从多个待推荐列表中，计算得到使内容推荐函数的函数值最大的待推荐列表，将该内容推荐函数确定为目标推荐列表。
可选地，通过优化算法对内容推荐函数进行优化，以在内容推荐函数的函数值最大时，将解算得到待推荐列表确定为目标推荐列表。
可以理解，在多个待推荐内容的数量较小时，使用全排列组合也可以很快确定目标推荐列表，在多个待推荐内容的数量较大时(如上万条)，可以使用优化算法，解算得到目标推荐列表，具体地根据实际情况确定，本申请实施例不做限定。
可以理解，最终确定的目标推荐列表，综合考虑了相关性评分与差异性评分，使得相关性评分的值越大越好，差异性评分的值越小越好，综合获取最优解，将得到的最优解作为目标推荐列表。
可以理解，优化算法可以是爬山算法、模拟退火算法等贪婪算法，还可以是其他算法，本申请实施例不做具体限定。
本申请实施例中，根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。如此，根据构建的内容推荐函数，确定使内容推荐函数值最大的目标推荐列表，目标推荐列表综合考虑了相关性评分和差异性评分，使得相关性评分与差异性评分的差值最大，确保目标推荐列表的推荐偏好分布(反应待推荐列表推荐的各内容类型的占比)与当前用户的浏览偏好分布(反应用户关注的各内容类型的占比)更接近，即推荐给当前用户的各内容类别及各内容类别的占比与用户的历史浏览偏好的内容类别及各内容类别的占比较接近，从而在推荐给用户主要兴趣领域的内容类别的同时，也关注了用户次要兴趣领域的内容类别，使得推荐效果更好，用户体验更佳。
本申请一些实施例中，上述步骤101中的浏览历史记录中，每条记录包括浏览内容，以及浏览内容属于预设维度下多个内容类别中的每个内容类别的概率；多个内容类别包括N个内容类别；浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及一个第一内容类别的概率；一个第一内容类别的概率为浏览历史记录中各个浏览内容对应的第一数值的加权，第一数值为相应浏览内容属于一个第一内容类别的概率。
可以理解，对获取到的用户的浏览日志进行处理得到浏览历史记录，浏览历史记录可以是表格，也可以是文本，还可以是其他形式，具体的本申请实施例不做限定。
可以理解，当前用户的浏览偏好分布中的每个内容类别对应的概率的计算公式如下(1)：
其中，u代表用户，c代表当前用户浏览历史记录中的任一内容类别，Iu表示浏览历史记录，p(c|i)表示浏览历史记录第i条属于内容类别c的概率，S表示浏览历史记录的总条数，p(c|u)代表用户u浏览内容类别c的概率。
示例性地，浏览历史记录为一个表格，如图2所示，第一条记录的浏览内容为“熊出没·重返地球”，该浏览内容属于“喜剧”的概率是0.03，属于“科幻”的概率是0.03，属于“动画”的概率是0.4，属于“儿童”的概率是0.4。通过公式(1)，可以计算得到浏览偏好分布为：{喜剧：0.03/4，科幻：0.17/4，动画：0.4/4，儿童：0.4/4，历史：0.04/4，军事：(0.48+0.42)/4，战争：(0.48+0.7+0.42)/4，枪战：(0.15+0.16)/4，动作：0.15/4}，即浏览偏好分布为：{喜剧：0.0075，科幻：0.0425，动画：0.1，儿童：0.1，历史：0.01，军事：0.225，战争：0.4，枪战：0.0775，动作：0.0375}。
本申请实施例中，浏览历史记录中，每条记录包括浏览内容，以及浏览内容属于预设维度下多个内容类别中的每个内容类别的概率；多个内容类别包括N个内容类别；浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及一个第一内容类别的概率；一个第一内容类别的概率为浏览历史记录中各个浏览内容对应的第一数值的加权，第一数值为相应浏览内容属于一个第一内容类别的概率。如此，根据预设维度，将用户的浏览历史记录进行分类后，计算得到用户的浏览偏好分布，便于后续与推荐偏好分布的比较。
本申请一些实施例中，上述步骤101中的浏览历史记录中，每条记录包括浏览内容，浏览内容属于预设维度下多个内容类别中的每个内容类别的概率，以及用户对浏览内容的偏好程度；第一数值具体为相应浏览内容属于一个第一内容类别的概率与相应浏览内容的偏好程度的乘积。
可以理解，浏览内容的偏好程度可以反映用户对某个以点击内容的偏好，如通过用户观看一个视频的时间长短，或者阅读某一文章的完成率，或者浏览某个物品后是否购买等行为反映用户对浏览内容的偏好程度。
可以理解，浏览历史记录中包括偏好程度的情况下，当前用户的浏览偏好分布中的每个内容类别对应的概率的计算公式如下(2)：
其中，u代表用户，c代表当前用户浏览历史记录中的任一内容类别，Iu表示浏览历史记录，ωu,i代表用户对第i条记录中的内容的偏好值，p(c|i)表示浏览历史记录第i条属于内容类别c的概率，p(c|u)代表用户u浏览内容类别c的概率。
示例性地，如图3所示，
的值为5+5+2+3＝15，通过公式(2)，可以计算得到浏览偏好分布为：{喜剧：0.03×5/15，科幻：0.17×5/15，动画：0.4×5/15，儿童：0.4×5/15，历史：0.04×5/15，军事：(0.48×5+0.42×3)/15，战争：(0.48×5+0.7×2+0.42×3)/15，枪战：(0.15×2+0.16×3)/15，动作：0.15×2/15}，即浏览偏好分布为：{喜剧：0.01，科幻：0.057，动画：0.13，儿童：0.13，历史：0.013，军事：0.244，战争：0.337，枪战：0.052，动作：0.02}。
本申请实施例中，每条记录包括浏览内容，浏览内容属于预设维度下多个内容类别中的每个内容类别的概率，以及用户对浏览内容的偏好程度；第一数值具体为相应浏览内容属于一个第一内容类别的概率与相应浏览内容的偏好程度的乘积。如此，在对用户的浏览偏好分布的计算中引入对某一内容的偏好程度，能更准确的反应用户的兴趣。
本申请一些实施例中，在计算得到的浏览偏好分布中，一个第一内容类别的概率大于或等于第一概率阈值。
可以理解，为了防止用户浏览记录中的内容是用户误点击产生的，将计算得到的内容类别对应的概率小于第一概率阈值的数据剔除掉，第一概率阈值根据实际需要确定，具体的取值本申请实施例不做限定。如上述计算的浏览偏好分布为：{喜剧：0.01，科幻：0.057，动画：0.13，儿童：0.13，历史：0.013，军事：0.244，战争：0.337，枪战：0.052，动作：0.02}，若第一概率阈值为0.1，剔除概率值小于0.1的内容类型，则最终得到的浏览偏好分布为{动画：0.13，儿童：0.13，军事：0.244，战争：0.337}。
本申请实施例中，在计算得到的浏览偏好分布中，将内容类别对应的概率小于第一概率阈值的内容类别剔除，是为了清洗数据，防止用户误点击产生的浏览记录对用户的偏好分布的影响，如此，剔除掉小概率的内容类别的浏览偏好分布中能够更准确的反应用户的兴趣。
本申请一些实施例中，待推荐列表中的每个条目包括待推荐内容，以及待推荐内容属于预设维度下多个内容类别中的每个内容类别的概率，多个内容类别包括M个内容类别；推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及一个第二内容类别的概率；一个第二内容类别的概率为待推荐列表中各个待推荐内容对应的第二数值的加权，第二数值为相应待推荐内容属于一个第二内容类别的概率。
可以理解，推荐偏好分布中的每个内容类别对应的概率的计算公式如下(3)：
其中，u代表用户，c代表待推荐列表中的任一待推荐内容的内容类别，
表示待推荐列表，q(c|i)表示待推荐列表第i条属于内容类别c的概率，S表示待推荐列表的总条数，q(c|u)代表推荐给用户u的内容类别c的概率。
示例性地，如图4所示，为一个待推荐列表，第一条目中包括的待推荐内容为“聊斋”，属于“恐怖”的概率是0.2，属于“玄幻”的概率是0.4，属于“喜剧”的概率是0.1，属于“古装”的概率是0.3。
本申请实施例中，待推荐列表中的每个条目包括待推荐内容，以及待推荐内容属于预设维度下多个内容类别中的每个内容类别的概率，多个内容类别包括M个内容类别；推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及一个第二内容类别的概率；一个第二内容类别的概率为待推荐列表中各个待推荐内容对应的第二数值的加权，第二数值为相应待推荐内容属于一个第二内容类别的概率。如此，根据预设维度，计算得到待推荐列表对应的推荐偏好分布，方便推荐偏好分布和浏览偏好分布的比较。
本申请一些实施例中，待推荐列表中每个条目还包括待推荐内容的推荐评分；第二数值具体为相应待推荐内容属于一个第二内容类别的概率与目标待推荐内容的推荐评分的乘积。
可以理解，待推荐列表中每个条目还包括待推荐内容的推荐评分，推荐偏好分布中的每个内容类别对应的概率的计算公式如下(4)：
其中，u代表用户，c代表待推荐列表中的任一待推荐内容的内容类别，
表示待推荐列表，q(c|i)表示待推荐列表第i条属于内容类别c的概率，ri是待推荐列表第i行的rank值，
是基于rank值的推荐评分，q(c|u)代表推荐给用户u的内容类别c的概率。如：ri是待推荐列表第i行的rank值，如待推荐列表第一行的rank值为1，对应rank值的推荐评分为1，第二行的rank值为2，对应rank值的推荐评分为1/2，第三行的rank值为3，对应rank值的推荐评分为1/3，具体的ri及
根据不同的推荐模型确定，本申请实施例不做限定。
示例性地，如图5所示，为一个待推荐列表，第一条目中包括的待推荐内容为“聊斋”，推荐评分为1，属于“恐怖”的概率是0.2，属于“玄幻”的概率是0.4，属于“喜剧”的概率是0.1，属于“古装”的概率是0.3。
本申请实施例中，待推荐列表中每个条目还包括待推荐内容的推荐评分；第二数值具体为相应待推荐内容属于一个第二内容类别的概率与目标待推荐内容的推荐评分的乘积。考虑排在不同位置的推荐内容的推荐效果也不同，因此在计算推荐偏好分布时，结合待推荐列表不同位置的推荐内容的推荐评分，能够更准确的预测待推荐列表的推荐后，用户的关注度。
本申请一些实施例中，推荐偏好分布中的一个第二内容类别的概率大于或等于第二概率阈值。
可以理解，推荐偏好分布中的一个第二内容类别的概率大于或等于第二概率阈值，即在计算得到的内容类别的概率小于第二概率阈值时，将该内容类别从推荐偏好分布剔除掉，如此，可以降低计算过程的复杂度，并且可以提高推荐偏好分布的准确性。
本申请一些实施例中，相关性评价具体为总概率与第一平衡系数的乘积，差异性评价具体为推荐偏好分布与浏览偏好分布的差异性，与第二平衡系数的乘积。
其中，第一平衡系数为1与第二平衡系数之差，第二平衡系数大于或等于0，且小于或等于1。
可以理解，第一平衡系数和第二平衡系数是为了平衡相关性评价和差异性评价，为了使得推荐给用户的推荐列表与用户浏览历史记录更接近，可以将第二平和系数的取值设置的接近1，如此，内容推荐函数中，相似性评价的贡献更大一些。
可选地，第一平衡系数与第二平衡系数可以为任意的正数，推荐给用户的推荐列表若更关注相关性评价，可以将第一平衡系数的值设置为大于第二平衡系数，推荐给用户的推荐列表若更关注差异性评价，可以将第一平衡系数的值设置为小于第二平衡系数，具体的本申请实施例不做限定。
可以理解，以KL散度确定浏览偏好分布和推荐偏好分布的差异性为例，构建得到的内容推荐函数如下(5)：
其中，u代表用户，
是待推荐列表的相关性评价，s(i)是预测待推荐列表第i条内容被浏览的概率，p为用户的浏览偏好分布，
表示待推荐列表的偏好分布，(1-λ)即为第一平衡系数，λ即为第二平衡系数，用于平衡
和KL散度，KL散度越小，表示浏览偏好分布与待推荐列表的偏好分布越接近。
具体地，可以使用优化算法优化以下公式，将解得的最优解作为目标推荐列表：
需要说明的是，在计算用户浏览偏好分布和推荐偏好分布的相似性评分时，浏览偏好分布的计算选择公式(1)，则对应的推荐偏好分布的计算选择公式(3)，即公式(1)和公式(3)组合使用；浏览偏好分布的计算选择公式(2)，则对应的推荐偏好分布的计算选择公式(4)，即公式(2)和(4)组合使用。
需要说明的是，
起始为空，贪婪算法是先从多个待推荐内容中任选一个，确定出使得内容推荐函数值最大的一个待推荐内容，将该推荐内容加入
此时
中包含一个待推荐内容，再从未选中的多个待推荐内容任选一个与上次选中的待推荐内容组合，确定出组合后使得内容推荐函数值最大的一个待推荐内容，将该推荐内容加入
此时
中包含两个待推荐内容，以此类推，循环迭代，每次选中一个使得内容推荐函数值最大待推荐内容，直到
中包括的待推荐内容的数量达到预设需要的数量，将最终的
确定为
示例性地，如图6所示，以优化算法为贪婪算法，从10个待推荐内容中选择两个推荐内容作为目标推荐列表的内容为例进行说明，具体过程包括以下步骤S11至步骤S15：
S11、根据用户的浏览历史记录计算得到用户的浏览偏好分布；
S12、将10个待推荐内容中的任一个作为目标推荐列表的第一个推荐内容，得到10个仅包含一个推荐内容的待推荐列表；
S13、从10个待推荐列表中，确定使得内容推荐函数值最大的推荐列表，将该推荐列表作为目标推荐列表。此时，目标推荐列表中仅包含第一个推荐内容；
S14、从除目标推荐列表包含的第一个推荐内容外的9个待推荐内容中任选一个，添加到待推荐列表的第二个位置，得到9个待推荐列表；
S15、从9个待推荐列表中，确定使得内容推荐函数值最大的待推荐列表，将该待推荐列表作为目标推荐列表。此时，目标推荐列表中包含两个推荐内容。
需要说明的是，排列组合是先确定需要推荐内容的目标数量，从多个待推荐内容中选择将所有可能的组合的目标数量个待推荐内容，确定出多个待推荐列表，从多个待推荐列表中确定使得内容推荐函数值最大的待推荐列表，将该待推荐列表作为目标推荐列表。
示例性地，如图7所示，以从5个待推荐内容中选择两个推荐内容作为目标推荐列表的内容为例进行说明，具体过程包括以下步骤S21至步骤S23：
S21、根据用户的浏览历史记录计算得到用户的浏览偏好分布；
S22、将5个待推荐内容两两组合，得到20个待推荐列表；
需要说明的是，待推荐内容相同但顺序不同的待推荐列表，属于不同的待推荐列表，即待推荐内容标号为1至5，两两可能的组合为：(1，2)，(1，3)，(1，4)，(1，5)，(2，1)，(3，1)，(4，1)，(5，1)，(2，3)，(2，4)，(2，5)，(3，2)，(4，2)，(5，2)，(3，4)，(3，5)，(4，3)，(5，3)，(4，5)，(5，4)。
S23、从20个待推荐列表中，确定使得内容推荐函数值最大的推荐列表，将该推荐列表作为目标推荐列表。
本申请实施例中，相关性评价具体为总概率与第一平衡系数的乘积，差异性评价具体为推荐偏好分布与浏览偏好分布的差异性，与第二平衡系数的乘积。其中，第一平衡系数为1与第二平衡系数之差，第二平衡系数大于或等于0，且小于或等于1。如此，可以根据不同的需要，设置不同的平衡系数，使得推荐效果更佳，用户体验更好。
本申请一些实施例中，结合图1，如图8所示，上述步骤102之前，本申请实施例的方法还包括下述步骤104和步骤105。
104、获取目标信息。
其中，目标信息包括以下至少一项：当前用户信息，当前时间信息。
可以理解，当前用户信息可以为用户的生物特征信息(如：人脸特征、指纹特征、虹膜特征等)，也可以为任意可以唯一标识一个用户的其他信息，具体地根据实际情况确定，本申请实施例不做限定。
105、从预设平衡系数库中确定与目标信息匹配的目标预设信息，将目标预设信息对应的目标预设平衡系数确定为第二平衡系数。
其中，平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。
可以理解，根据目标信息确定第二平衡系数，能够更准确地为用户提供推荐列表，如从用户的历史记录中确定，用户晚上8：00观看某一电视剧的时间较长，因此，在该时间段可以将第二平衡系数设置的小一些，减少对用户次要兴趣领域的关注；同一账号下有多个用户，根据用户的生物特征信息，对于兴趣较广泛的用户，可以将第二平衡系数设置的大一些，对于兴趣比较单一的用户，可以将第二平衡系数设置的小一些。
本申请实施例中，获取目标信息，目标信息包括以下至少一项：当前用户信息，当前时间信息；从预设平衡系数库中确定与目标信息匹配的目标预设信息，将目标预设信息对应的目标预设平衡系数确定为第二平衡系数，平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。如此，可以根据目标信息不同，确定不同的第二平衡系数，动态改变推荐列表，进一步提升推荐效果和用户体验。
如图9所示，为本申请一些实施例中提供的服务器900与各显示设备之间的交互，服务器900可以为多个显示设备服务，图中示出显示设备801、显示设备802和显示设备803，服务器900基于用户在显示设备上的操作，计算得到对应的推荐列表，将对应的推荐列表发送给显示设备，以使显示设备可以将推荐列表中的内容推荐(显示)给用户。
具体地，该服务器900，包括：控制器，被配置为：根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。如此，根据构建的内容推荐函数，确定使内容推荐函数值最大的目标推荐列表，目标推荐列表综合考虑了相关性评分和差异性评分，使得相关性评分与差异性评分的差值最大，确保目标推荐列表的推荐偏好分布(反应待推荐列表推荐的各内容类型的占比)与当前用户的浏览偏好分布(反应用户关注的各内容类型的占比)更接近，即推荐给当前用户的各内容类别及各内容类别的占比与用户的历史浏览偏好的内容类别及各内容类别的占比较接近，从而在推荐给用户主要兴趣领域的内容类别的同时，也关注了用户次要兴趣领域的内容类别，使得推荐效果更好，用户体验更佳。
可选地，浏览历史记录中的每条记录包括浏览内容，以及浏览内容属于预设维度下多个内容类别中的每个内容类别的概率；多个内容类别包括N个内容类别；浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及一个第一内容类别的概率；该一个第一内容类别的概率为浏览历史记录中各个浏览内容对应的第一数值的加权，第一数值为相应浏览内容属于一个第一内容类别的概率。如此，根据预设维度，将用户的浏览历史记录进行分类后，综合计算得到用户的浏览偏好分布，便于后续与推荐偏好分布的比较。
可选地，浏览历史记录中的每条记录还包括用户对浏览内容的偏好程度；第一数值具体为相应浏览内容属于一个第一内容类别的概率与相应浏览内容的偏好程度的乘积。如此，在对用户的浏览偏好分布的计算中引入对某一内容的偏好程度，能更准确的反应用户的兴趣。
可选地，一个第一内容类别的概率大于或等于第一概率阈值。剔除掉小概率的内容类别的浏览偏好分布中能够更准确的反应用户的兴趣。
可选地，待推荐列表中的每个条目包括待推荐内容，以及待推荐内容属于预设维度下多个内容类别中的每个内容类别的概率，多个内容类别包括M个内容类别；推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及一个第二内容类别的概率；该一个第二内容类别的概率为待推荐列表中各个待推荐内容对应的第二数值的加权，第二数值为相应待推荐内容属于一个第二内容类别的概率。根据预设维度，计算得到待推荐列表对应的推荐偏好分布，方便推荐偏好分布和浏览偏好分布的比较。
可选地，每个条目还包括待推荐内容的推荐评分；第二数值具体为相应待推荐内容属于一个第二内容类别的概率与目标待推荐内容的推荐评分的乘积。考虑排在不同位置的推荐内容的推荐效果也不同，因此在计算推荐偏好分布时，结合待推荐列表不同位置的推荐内容的推荐评分，能够更准确的预测待推荐列表的推荐后，用户的关注度。
可选地，一个第二内容类别的概率大于或等于第二概率阈值。在计算得到的内容类别的概率小于第二概率阈值时，将该内容类别从推荐偏好分布剔除掉，如此，可以降低计算过程的复杂度，并且可以提高推荐偏好分布的准确性。
可选地，相关性评价具体为总概率与第一平衡系数的乘积，差异性评价具体为推荐偏好分布与浏览偏好分布的差异性，与第二平衡系数的乘积；其中，第一平衡系数为1与第二平衡系数之差，第二平衡系数大于或等于0，且小于或等于1。如此，可以根据不同的需要，设置不同的平衡系数，使得推荐效果更佳，用户体验更好。
可选地，构建内容推荐函数之前，该控制器，还被配置为：获取目标信息，目标信息包括以下至少一项：当前用户信息，当前时间信息；从预设平衡系数库中确定与目标信息匹配的目标预设信息，将目标预设信息对应的目标预设平衡系数确定为第二平衡系数；其中，平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。如此，可以根据目标信息不同，确定不同的第二平衡系数，动态改变推荐列表，进一步提升推荐效果和用户体验。
本申请实施例中，还提供了一种推荐列表确定装置，如图10所示，该装置包括：获取模块1001，构建模块1002，确定模块1003；该获取模块1001，用于根据当前用户的浏览历史记录获取当前用户的浏览偏好分布，浏览偏好分布用于反映当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；该构建模块1002，用于构建内容推荐函数，内容推荐函数用于表征待推荐列表与浏览历史记录的相关性评价和差异性评价的差值，相关性评价用于表征基于浏览历史记录预测当前用户浏览待推荐列表的各推荐内容的总概率，差异性评价用于表征基于待推荐列表得到的推荐偏好分布与浏览偏好分布的差异性，待推荐列表为从多个推荐内容中确定的，推荐偏好分布用于预测当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；该确定模块1003，用于基于内容推荐函数，确定目标推荐列表，目标推荐列表为使内容推荐函数的函数值最大的待推荐列表。
可选地，浏览历史记录中的每条记录包括浏览内容，以及浏览内容属于预设维度下多个内容类别中的每个内容类别的概率；多个内容类别包括N个内容类别；浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及一个第一内容类别的概率；该一个第一内容类别的概率为浏览历史记录中各个浏览内容对应的第一数值的加权，第一数值为相应浏览内容属于一个第一内容类别的概率。
可选地，每条记录还包括用户对浏览内容的偏好程度；第一数值具体为相应浏览内容属于一个第一内容类别的概率与相应浏览内容的偏好程度的乘积。
可选地，一个第一内容类别的概率大于或等于第一概率阈值。
可选地，待推荐列表中的每个条目包括待推荐内容，以及待推荐内容属于预设维度下多个内容类别中的每个内容类别的概率，多个内容类别包括M个内容类别；推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及一个第二内容类别的概率；该一个第二内容类别的概率为待推荐列表中各个待推荐内容对应的第二数值的加权，第二数值为相应待推荐内容属于一个第二内容类别的概率。
可选地，每个条目还包括待推荐内容的推荐评分；第二数值具体为相应待推荐内容属于一个第二内容类别的概率与目标待推荐内容的推荐评分的乘积。
可选地，一个第二内容类别的概率大于或等于第二概率阈值。
可选地，相关性评价具体为总概率与第一平衡系数的乘积，差异性评价具体为推荐偏好分布与浏览偏好分布的差异性，与第二平衡系数的乘积；其中，第一平衡系数为1与第二平衡系数之差，第二平衡系数大于或等于0，且小于或等于1。
可选地，在构建内容推荐函数之前，该获取模块，还用于获取目标信息，目标信息包括以下至少一项：当前用户信息，当前时间信息；该确定模块，还用于从预设平衡系数库中确定与目标信息匹配的目标预设信息，将目标预设信息对应的目标预设平衡系数确定为第二平衡系数；其中，平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。
本申请实施例中，各模块可以实现上述方法实施例提供的推荐列表确定方法，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现上述推荐列表确定方法执行的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，该计算机可读存储介质可以为只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本发明提供一种计算机程序产品，包括：当所述计算机程序产品在计算机上运行时，使得所述计算机实现上述的推荐列表确定方法。
图11为本公开实施例提供的一种服务设备的结构示意图，用于对实现本公开实施例中任意推荐列表确定方法的服务设备进行示例性说明，不应理解为对本公开实施例的具体限定。
如图11所示，服务设备1100可以包括处理器(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有服务设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
通常，以下装置可以连接至I/O接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许服务设备1100与其他设备进行无线或有线通信以交换数据。虽然示出了具有各种装置的服务设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1108被安装，或者从ROM 1102被安装。在该计算机程序被处理器1101执行时，可以执行本公开实施例提供的任意方法中限定的功能。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。
为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
Claims (10)
1.一种推荐列表确定方法，其特征在于，所述方法包括：
根据当前用户的浏览历史记录获取所述当前用户的浏览偏好分布，所述浏览偏好分布用于反映所述当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；
构建内容推荐函数，所述内容推荐函数用于表征待推荐列表与所述浏览历史记录的相关性评价和差异性评价的差值，所述相关性评价用于表征基于所述浏览历史记录预测所述当前用户浏览所述待推荐列表的各推荐内容的总概率，所述差异性评价用于表征基于所述待推荐列表得到的推荐偏好分布与所述浏览偏好分布的差异性，所述待推荐列表为从多个推荐内容中确定的，所述推荐偏好分布用于预测所述当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；
基于所述内容推荐函数，确定目标推荐列表，所述目标推荐列表为使所述内容推荐函数的函数值最大的待推荐列表。
2.根据权利要求1所述的方法，其特征在于，所述浏览历史记录中的每条记录包括浏览内容，以及所述浏览内容属于所述预设维度下多个内容类别中的每个内容类别的概率；所述多个内容类别包括所述N个内容类别；
所述浏览偏好分布包括N个第一元素，每个第一元素包括一个第一内容类别以及所述一个第一内容类别的概率；
所述一个第一内容类别的概率为所述浏览历史记录中各个浏览内容对应的第一数值的加权，所述第一数值为相应浏览内容属于所述一个第一内容类别的概率。
3.根据权利要求2所述的方法，其特征在于，所述每条记录还包括用户对所述浏览内容的偏好程度；
所述第一数值具体为相应浏览内容属于所述一个第一内容类别的概率与所述相应浏览内容的偏好程度的乘积。
4.根据权利要求2或3所述的方法，其特征在于，所述一个第一内容类别的概率大于或等于第一概率阈值。
5.根据权利要求1所述的方法，其特征在于，所述待推荐列表中的每个条目包括待推荐内容，以及所述待推荐内容属于所述预设维度下多个内容类别中的每个内容类别的概率，所述多个内容类别包括所述M个内容类别；
所述推荐偏好分布包括M个第二元素，每个第二元素包括一个第二内容类别以及所述一个第二内容类别的概率；
所述一个第二内容类别的概率为所述待推荐列表中各个待推荐内容对应的第二数值的加权，所述第二数值为相应待推荐内容属于所述一个第二内容类别的概率。
6.根据权利要求5所述的方法，其特征在于，所述每个条目还包括所述待推荐内容的推荐评分；
所述第二数值具体为相应待推荐内容属于所述一个第二内容类别的概率与所述目标待推荐内容的推荐评分的乘积。
7.根据权利要求5或6所述的方法，其特征在于，所述一个第二内容类别的概率大于或等于第二概率阈值。
8.根据权利要求1所述的方法，其特征在于，所述相关性评价具体为所述总概率与第一平衡系数的乘积，所述差异性评价具体为所述推荐偏好分布与所述浏览偏好分布的差异性，与第二平衡系数的乘积；
其中，第一平衡系数为1与所述第二平衡系数之差，所述第二平衡系数大于或等于0，且小于或等于1。
9.根据权利要求8所述的方法，其特征在于，所述构建内容推荐函数之前，所述方法还包括：
获取目标信息，所述目标信息包括以下至少一项：当前用户信息，当前时间信息；
从预设平衡系数库中确定与所述目标信息匹配的目标预设信息，将所述目标预设信息对应的目标预设平衡系数确定为所述第二平衡系数；
其中，所述平衡系数库中包括多个预设信息和与每个预设信息对应的预设平衡系数。
10.一种服务器，其特征在于，包括：
控制器，被配置为：根据当前用户的浏览历史记录获取所述当前用户的浏览偏好分布，所述浏览偏好分布用于反映所述当前用户分别对预设维度下N个内容类别中每个内容类别的历史关注度，N为正整数；
构建内容推荐函数，所述内容推荐函数用于表征待推荐列表与所述浏览历史记录的相关性评价和差异性评价的差值，所述相关性评价用于表征基于所述浏览历史记录预测所述当前用户浏览所述待推荐列表的各推荐内容的总概率，所述差异性评价用于表征基于所述待推荐列表得到的推荐偏好分布与所述浏览偏好分布的差异性，所述待推荐列表为从多个推荐内容中确定的，所述推荐偏好分布用于预测所述当前用户分别对预设维度下M个内容类别中的每个内容类别的关注度，M为正整数；
基于所述内容推荐函数，确定目标推荐列表，所述目标推荐列表为使所述内容推荐函数的函数值最大的待推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211000605.1A CN115455280A (zh) | 2022-08-19 | 2022-08-19 | 一种推荐列表确定方法和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211000605.1A CN115455280A (zh) | 2022-08-19 | 2022-08-19 | 一种推荐列表确定方法和服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115455280A true CN115455280A (zh) | 2022-12-09 |
Family
ID=84298831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211000605.1A Pending CN115455280A (zh) | 2022-08-19 | 2022-08-19 | 一种推荐列表确定方法和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115455280A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029798A (zh) * | 2023-03-22 | 2023-04-28 | 北京新发地农产品网络配送中心有限责任公司 | 一种用户需求推荐方法、系统、电子设备和可读存储介质 |
| CN116777529A (zh) * | 2023-08-11 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种对象推荐的方法、装置、设备、存储介质及程序产品 |
-
2022
- 2022-08-19 CN CN202211000605.1A patent/CN115455280A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029798A (zh) * | 2023-03-22 | 2023-04-28 | 北京新发地农产品网络配送中心有限责任公司 | 一种用户需求推荐方法、系统、电子设备和可读存储介质 |
| CN116777529A (zh) * | 2023-08-11 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种对象推荐的方法、装置、设备、存储介质及程序产品 |
| CN116777529B (zh) * | 2023-08-11 | 2024-02-06 | 腾讯科技（深圳）有限公司 | 一种对象推荐的方法、装置、设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781391B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
| US20210326674A1 (en) | Content recommendation method and apparatus, device, and storage medium | |
| RU2725659C2 (ru) | Способ и система для оценивания данных о взаимодействиях пользователь-элемент | |
| US11017024B2 (en) | Media content rankings for discovery of novel content | |
| EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
| KR101060487B1 (ko) | 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법 | |
| US10635973B1 (en) | Recommendation system using improved neural network | |
| CN112313697A (zh) | 用于生成描述角度增强的可解释的基于描述的推荐的系统和方法 | |
| US8869211B2 (en) | Zoomable content recommendation system | |
| CN108595493B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
| KR101620748B1 (ko) | 아이템 추천 방법 및 아이템 추천 장치 | |
| US9922110B2 (en) | Information processing apparatus, information processing method, and program | |
| CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
| US9251527B2 (en) | System and method for providing personalized recommendations | |
| US10853867B1 (en) | Recommendation engine using action node mapping | |
| 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 | |
| US20130218907A1 (en) | Recommender system | |
| US20150186934A1 (en) | Group composition based recommender system and method | |
| US20150074544A1 (en) | Information processing apparatus, information processing method, and program | |
| CN107341172B (zh) | 视频收益计算建模装置与方法及视频推荐装置与方法 | |
| US20150170035A1 (en) | Real time personalization and categorization of entities | |
| US11410220B2 (en) | Exploration for interactive recommendation system, method, and computer program product | |
| KR101452414B1 (ko) | 메타 정보를 활용한 컨텐츠 제공 방법 | |
| US20210383451A1 (en) | Iterative, multi-user selection and weighting recommendation engine | |
| CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 |
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 |