CN115757952A - 内容信息推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种内容信息推荐方法、装置、设备及存储介质。该方法包括：获取用户数据，根据用户数据生成用户画像；根据用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户。通过上述方式，本发明能够准确、快速地获取用户感兴趣的内容，并及时推荐给用户，有效提高了用户在平台的停留时长以及点击率，同时可以释放运营压力。

Description

内容信息推荐方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，特别是涉及一种内容信息推荐方法、装置、设备及存储介质。

背景技术

近年来，随着互联网和大数据的快速发展，互联网内容更是呈爆发式增长，在此背景下，如何更快地让用户获取感兴趣的内容，如何基于用户做个性化推荐，在海量的内容信息中挖掘用户可能感兴趣的内容信息，提高用户黏性显得尤为重要。

例如，在一车险平台应用场景中，用户在车险平台上刷内容信息流时，点击率维持在5％左右，信息流中的置顶内容和位置更新不及时，需运营人工手动上传，且无法区分优质内容和内容发布的地区，导致在深圳的用户，可能看到北京相关内容。推荐规则都是通过运营选择指定的账号，或是最新发布的内容来做推荐，导致用户不一定能看到他想看的，只能看到运营想让他看的，从而导致整体的点击率一直停滞不前，甚至造成一定量的用户流失。

发明内容

本发明提供一种内容信息推荐方法、装置、设备及存储介质，能够准确、快速地获取用户感兴趣的内容，并及时推荐给用户，有效提高了用户在平台的停留时长以及点击率，同时可以释放运营压力。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种内容信息推荐方法，包括：

获取用户数据，根据所述用户数据生成用户画像；

根据所述用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；

确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；

根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户。

根据本发明的一个实施例，当所述推荐方式包括多种时，所述确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子包括：

确定各所述内容信息基于内容热度的推荐方式的推荐因子；

确定各所述内容信息基于内容协同过滤的推荐方式的推荐因子；

确定各所述内容信息基于用户协同过滤的推荐方式的推荐因子；

确定各所述内容信息基于运营推荐内容的推荐方式的推荐因子；以及

确定各所述内容信息基于用户行为推荐内容的推荐方式的推荐因子。

根据本发明的一个实施例，所述根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户包括：

计算同一所述内容信息基于各推荐方式的所述推荐因子的加权和，获得推荐评分；

对所述推荐评分进行排序，根据排序结果确定目标内容信息；

将所述目标内容信息推荐给与所述用户画像对应的目标用户。

根据本发明的一个实施例，所述将所述目标内容信息推荐给与所述用户画像对应的目标用户包括：

从所述目标内容提取关键词，根据所述关键词确定主题标签；

将所述主题标签与预设的用户兴趣标签进行匹配；

将所述目标内容添加到相匹配的所述用户兴趣标签展示列表中。

根据本发明的一个实施例，所述确定各所述内容信息基于内容热度的推荐方式的推荐因子包括：

获取所述内容信息的热度权重因子，所述热度权重因子包括浏览量权重因子、评论数权重因子、点赞数权重因子、分享数权重因子、发布时间权重因子以及时效性权重因子；

根据所述热度权重因子计算各内容信息基于内容热度的推荐方式的推荐因子，所述内容信息基于内容热度的推荐方式的推荐因子为各所述热度权重因子之和。

根据本发明的一个实施例，所述确定各所述内容信息基于用户行为推荐内容的推荐方式的推荐因子包括：

获取所述目标用户的用户行为事件时，判断预设的用户兴趣标签是否新增标签类别；

若是，则获取新增的标签类别对应的内容信息，将新增的所述内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第一预设值；

若否，则判断预设的所述用户兴趣标签是否减少标签类别；

若是，则获取所减少的标签类别对应的内容信息，将所减少的所述内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第二预设值，所述第二预设值小于所述第一预设值。

根据本发明的一个实施例，所述用户数据包括用户基础信息、用户行为数据和/或用户兴趣标签。

为解决上述技术问题，本发明采用的另一个技术方案是：提供一种。。装置，包括：

第一获取模块，用于获取用户数据，根据所述用户数据生成用户画像；

第二获取模块，用于根据所述用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；

确定模块，用于确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；

推荐模块，用于根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户。

为解决上述技术问题，本发明采用的再一个技术方案是：提供一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的内容信息推荐方法。

为解决上述技术问题，本发明采用的再一个技术方案是：提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述内容信息推荐方法。

本发明的有益效果是：通过获取用户数据，根据用户数据生成用户画像；根据用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户，能够准确、快速地获取用户感兴趣的内容，并及时推荐给用户，有效提高了用户在平台的停留时长以及点击率，同时可以释放运营压力。

附图说明

图1是本发明一实施例的内容信息推荐方法的流程示意图；

图2是本发明另一实施例的内容信息推荐方法的流程示意图；

图3是本发明另一实施例的内容信息推荐方法的流程示意图；

图4是本发明另一实施例的内容信息推荐方法的流程示意图；

图5是本发明实施例的内容信息推荐装置的结构示意图；

图6是本发明实施例的计算机设备的结构示意图；

图7是本发明实施例的计算机存储介质的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1是本发明一实施例的内容信息推荐方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：

步骤S101：获取用户数据，根据用户数据生成用户画像。

在步骤S101中，用户数据包括用户基础信息、用户行为数据和/或用户兴趣标签。其中，用户基础信息包括但不限于年龄、性别、地域、收入以及爱好；用户行为数据包括但不限于用户点击、分享、收藏、购买、主动搜索等行为产生的数据；用户兴趣标签包括但不限于短期兴趣标签和长期兴趣标签，用户兴趣标签可以基于用户使用平台选择偏好服务时产生，也可以根据用户历史数据自动分类产生。用户数据可以动态更新，相应地，用户画像也可以基于用户数据动态更新。

用户画像用于反映目标用户对内容信息的需求，例如目标用户在不同的车型的内容信息中，可能偏好某一车型的内容信息。在一实施例中，用户画像通过采用大数据处理技术对收集的用户数据进行分析获得，另一实施例中，用户画像可以通过人工智能模型获得，具体可以预先训练以用户数据为输入，以用户画像为输出的用户画像模型，即可通过用户画像模型获取目标用户的用户画像。

在一实施例中，若在使用平台的过程中，产生新的用户数据，则可以基于新的用户数据动态更新用户画像，以用于下一次的内容信息推荐，从而提高个性化推荐的准确率。例如，用户在浏览上一次推荐的内容信息时，可以对该内容信息执行负反馈操作，将该内容信息标记为不喜欢、不感兴趣，使用负反馈操作产生的数据更新用户数据，基于新的用户数据动态更新用户画像。

步骤S102：根据用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息。

在步骤S102中，根据用户画像可以从平台初步筛选出用户可能感兴趣的内容类型，即待推荐的内容类型，能够提高推荐的精准度和数据处理效率。其中，内容类型包括但不限于带货/非带货文章、带货/非带货视频、话题、可领取/待使用卡券、广告/活动Banner、商品排行榜、单个商品、综合内容专题等。每个内容类型可以包括若干条内容信息。

步骤S103：确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子。

在步骤S103中，推荐因子的数值越大，比值越高。在一实施例中，若采用其中一种推荐方式推荐内容信息，则推荐因子只有一个；在另一实施例中，若采用种推荐方式推荐内容信息，则推荐因子包括多个。

在一实施例中，以推荐方式包括内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容为例，请参见图2，步骤S103包括以下步骤S201-S205，这五个步骤可以不限定执行顺序，也可以同时执行，以下为一可实现的实施例：

步骤S201：确定各内容信息基于内容热度的推荐方式的推荐因子。

在步骤S201中，获取内容信息的热度权重因子，热度权重因子包括浏览量权重因子、评论数权重因子、点赞数权重因子、分享数权重因子、发布时间权重因子以及时效性权重因子；根据热度权重因子计算各内容信息基于内容热度的推荐方式的推荐因子，内容信息基于内容热度的推荐方式的推荐因子为各所述热度权重因子之和。在该实施例中，热度权重因子可以根据实际情况进行动态调整，热度权重因子的数值越高，比重越高。例如浏览量权重因子可以设为10，评论数权重因子可以设为10，点赞数权重因子可以设为5，分享数权重因子可以设为10，发布时间权重因子根据发布时间确定，如当前发布的权重因子为5，3天内发布的权重因子为3，7天内发布的权重因子为2，15天内发布的权重因子为1，30天内发布的权重因子为0.5。时效性权重因子根据推荐失效确定，如最近一个月内都可以被推荐的时效性权重因子为10；最近15天内可被推荐的时效性权重因子为8，最近7天内可被推荐的时效性权重因子为5，最近3天内可被推荐的时效性权重因子为3，只能当天被推荐，当天的时效性权重因子为8，不是当天的时效性权重因子则降低为0。

步骤S202：确定各内容信息基于内容协同过滤的推荐方式的推荐因子。

在步骤S202中，内容协同过滤指的是基于用户对内容信息的行为，获取用户对内容信息偏好的相似度，如甲、乙、丙为汽车保养编号内容信息相近的用户，A、B、C为不同的内容信息，其中，甲喜欢内容信息A、B、C，乙喜欢内容信息A、C，丙喜欢内容信息A，由历史偏好认为内容信息A与C相似，喜欢A的用户会喜欢C，因此，将内容信息C推给丙，推荐因子为预设值，例如10。

步骤S203：确定各内容信息基于用户协同过滤的推荐方式的推荐因子。

在步骤S203中，用户协同过滤指的是获取与目标用户的用户画像相似的用户，推荐相似用户喜欢的内容信息，推荐因子为预设值，例如5。

步骤S204：确定各内容信息基于运营推荐内容的推荐方式的推荐因子。

在步骤S204中，运营推荐内容指的是人工运维推荐内容，推荐因子为预设值，例如8。

步骤S205：确定各内容信息基于用户行为推荐内容的推荐方式的推荐因子。

在步骤S205中，用户行为推荐内容包括用户刚使用平台时选择的偏好服务产生的内容信息以及在使用过程中通过点击、浏览、搜索、互动等行为产生的内容信息，还可以包括用户浏览当前内容信息后的负反馈操作产生的内容信息。具体地，请参见图3，步骤S205包括以下步骤：

步骤S301：获取目标用户的用户行为事件时，判断预设的用户兴趣标签是否新增标签类别。

在步骤S301中，用户行为事件包括用户刚使用平台时选择偏好服务、在使用过程中通过点击、浏览、搜索、互动等行为以及用户浏览当前内容信息后的负反馈操作。在用户选择偏好服务时，可以点击偏好的标签，以将该标签加入用户兴趣标签中。在用户浏览当前内容信息后的负反馈操作中，标记不喜欢、不感兴趣的标签，则可以将该标签在用户兴趣标签中移除。

步骤S302：若是，则获取新增的标签类别对应的内容信息，将新增的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第一预设值。

在步骤S302中，第一预设值可以根据实际情况进行调整，例如10。若用户行为使用户兴趣标签新增标签类别，说明用户行为新增了偏好的标签类别，则获取新增的标签类别对应的内容信息，将新增的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第一预设值。

步骤S303：若否，则判断预设的用户兴趣标签是否减少标签类别。

步骤S304：若是，则获取所减少的标签类别对应的内容信息，将所减少的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第二预设值，第二预设值小于第一预设值。

在步骤S304中，若用户行为使用户兴趣标签减少标签类别，说明用户行为移除了不喜欢的标签类别，则获取所减少的标签类别对应的内容信息，将所减少的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第二预设值，第二预设值小于第一预设值，第一预设值可以根据实际情况进行调整，例如-10。

步骤S104：根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户。

在步骤S104中，目标内容信息可以为一个或多个。一实施例中，请参见图4，步骤S104还包括以下步骤：

步骤S401：计算同一内容信息基于各推荐方式的推荐因子的加权和，获得推荐评分。

具体地，推荐评分按照如下公式进行计算：推荐评分＝内容热度i*30％+内容协同过滤i*10％+用户协同过滤i*10％+运营推荐内容i*5％+用户行为推荐内容i*45％，其中i为推荐因子。

步骤S402：对推荐评分进行排序，根据排序结果确定目标内容信息。

具体地，对推荐评分进行降序排列，选择排序靠前的一个或多个内容信息作为目标内容信息。

步骤S403：将目标内容信息推荐给与用户画像对应的目标用户。

具体地，可以采用主题的方式将目标内容信息推荐给目标用户，每个主题对应一个用户兴趣标签。一实施例中，从目标内容提取关键词，根据关键词确定主题标签；将主题标签与预设的用户兴趣标签进行匹配；将目标内容添加到相匹配的用户兴趣标签展示列表中。

本发明一实施例的内容信息推荐方法通过获取用户数据，根据用户数据生成用户画像；根据用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户，能够准确、快速地获取用户感兴趣的内容，并及时推荐给用户，有效提高了用户在平台的停留时长以及点击率，同时可以释放运营压力。

图5是本发明实施例的内容信息推荐装置的结构示意图。如图5所示，该装置50包括第一获取模块51、第二获取模块52、确定模块53和推荐模块54。

第一获取模块51用于获取用户数据，根据用户数据生成用户画像；

第二获取模块52用于根据用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；

确定模块53用于确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；

推荐模块54用于根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户。

进一步地，确定模块53执行确定各内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子的步骤时，包括以下步骤：

确定各内容信息基于内容热度的推荐方式的推荐因子；

确定各内容信息基于内容协同过滤的推荐方式的推荐因子；

确定各内容信息基于用户协同过滤的推荐方式的推荐因子；

确定各内容信息基于运营推荐内容的推荐方式的推荐因子；

确定各内容信息基于用户行为推荐内容的推荐方式的推荐因子。

其中，确定各内容信息基于用户行为推荐内容的推荐方式的推荐因子的步骤中，具体地，获取目标用户的用户行为事件时，判断预设的用户兴趣标签是否新增标签类别；若是，则获取新增的标签类别对应的内容信息，将新增的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第一预设值；若否，则判断预设的用户兴趣标签是否减少标签类别；若是，则获取所减少的标签类别对应的内容信息，将所减少的内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第二预设值，第二预设值小于第一预设值。

推荐模块54执行根据推荐因子确定目标内容信息，并将目标内容信息推荐给与用户画像对应的目标用户的步骤时，包括以下步骤：

计算同一内容信息基于各推荐方式的推荐因子的加权和，获得推荐评分；

对推荐评分进行排序，根据排序结果确定目标内容信息；

将目标内容信息推荐给与用户画像对应的目标用户。

请参阅图6，图6为本发明实施例的计算机设备的结构示意图。如图6所示，该计算机设备60包括处理器61及和处理器61耦接的存储器62。

存储器62存储有用于实现上述任一实施例所述的内容信息推荐方法的程序指令。

处理器61用于执行存储器62存储的程序指令以推荐内容信息。

其中，处理器61还可以称为CPU(Central Processing Unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

参阅图7，图7为本发明实施例的计算机存储介质的结构示意图。本发明实施例的计算机存储介质存储有能够实现上述所有方法的程序文件71，其中，该程序文件71可以以软件产品的形式存储在上述计算机存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的计算机存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明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。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种内容信息推荐方法，其特征在于，包括：

获取用户数据，根据所述用户数据生成用户画像；

根据所述用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；

确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；

根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户。

2.根据权利要求1所述的内容信息推荐方法，其特征在于，当所述推荐方式包括多种时，所述确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子包括：

确定各所述内容信息基于内容热度的推荐方式的推荐因子；

确定各所述内容信息基于内容协同过滤的推荐方式的推荐因子；

确定各所述内容信息基于用户协同过滤的推荐方式的推荐因子；

确定各所述内容信息基于运营推荐内容的推荐方式的推荐因子；以及

确定各所述内容信息基于用户行为推荐内容的推荐方式的推荐因子。

3.根据权利要求2所述的内容信息推荐方法，其特征在于，所述根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户包括：

计算同一所述内容信息基于各推荐方式的所述推荐因子的加权和，获得推荐评分；

对所述推荐评分进行排序，根据排序结果确定目标内容信息；

将所述目标内容信息推荐给与所述用户画像对应的目标用户。

4.根据权利要求3所述的内容信息推荐方法，其特征在于，所述将所述目标内容信息推荐给与所述用户画像对应的目标用户包括：

从所述目标内容提取关键词，根据所述关键词确定主题标签；

将所述主题标签与预设的用户兴趣标签进行匹配；

将所述目标内容添加到相匹配的所述用户兴趣标签展示列表中。

5.根据权利要求2所述的内容信息推荐方法，其特征在于，所述确定各所述内容信息基于内容热度的推荐方式的推荐因子包括：

获取所述内容信息的热度权重因子，所述热度权重因子包括浏览量权重因子、评论数权重因子、点赞数权重因子、分享数权重因子、发布时间权重因子以及时效性权重因子；

根据所述热度权重因子计算各内容信息基于内容热度的推荐方式的推荐因子，所述内容信息基于内容热度的推荐方式的推荐因子为各所述热度权重因子之和。

6.根据权利要求2所述的内容信息推荐方法，其特征在于，所述确定各所述内容信息基于用户行为推荐内容的推荐方式的推荐因子包括：

获取所述目标用户的用户行为事件时，判断预设的用户兴趣标签是否新增标签类别；

若是，则获取新增的标签类别对应的内容信息，将新增的所述内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第一预设值；

若否，则判断预设的所述用户兴趣标签是否减少标签类别；

若是，则获取所减少的标签类别对应的内容信息，将所减少的所述内容信息基于用户行为推荐内容的推荐方式的推荐因子配置为第二预设值，所述第二预设值小于所述第一预设值。

7.根据权利要求1所述的内容信息推荐方法，其特征在于，所述用户数据包括用户基础信息、用户行为数据和/或用户兴趣标签。

8.一种内容信息推荐装置，其特征在于，包括：

第一获取模块，用于获取用户数据，根据所述用户数据生成用户画像；

第二获取模块，用于根据所述用户画像确定待推荐的内容类型并获取各内容类型所包含的内容信息；

确定模块，用于确定各所述内容信息基于内容热度、内容协同过滤、用户协同过滤、运营推荐内容以及用户行为推荐内容中的一种或多种推荐方式的推荐因子；

推荐模块，用于根据所述推荐因子确定目标内容信息，并将所述目标内容信息推荐给与所述用户画像对应的目标用户。

9.一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的内容信息推荐方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的内容信息推荐方法。

Images