CN115878898A - 一种频道页面推荐方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种频道页面推荐方法、装置、计算机设备及存储介质，本方案获取对目标客户端的浏览行为数据，并从浏览行为数据中筛选与候选频道页面相关的目标浏览行为数据；基于访问时间，对目标浏览行为数据进行排序，得到页面访问序列；通过预设的召回模型，对目标浏览行为数据进行特征提取，得到目标用户的短期兴趣特征，并基于目标浏览行为数据在页面访问序列中所处的位置，为短期兴趣特征赋予对应权值；通过召回模型，基于赋予权值后的短期兴趣特征预测目标用户对候选频道页面的感兴趣程度；基于目标用户对候选频道页面的感兴趣程度，确定待推荐的频道页面，并向目标用户推荐待推荐的频道页面的页面标识，从而满足用户的个性化需求。

Description

一种频道页面推荐方法、装置、计算机设备及存储介质

技术领域

本申请涉及频道页面推荐技术领域，具体涉及一种频道页面推荐方法、装置、计算机设备及存储介质。

背景技术

随着社会的发展，越来越多的网页或者客户端会向用户推荐用户所需的某一频道页面，以便于用于通过推荐的频道页面快速进入该频道页面。但现有的推荐方式是通过预设的固定的一些常用频道页面进行推荐，导致不能实现用户的个性化需求。

发明内容

本申请实施例提供一种可用于金融科技或其他相关领域的频道页面推荐方法、装置、计算机设备及存储介质，可以满足用户的个性化需求。

本申请实施例提供了一种频道页面推荐方法，包括：

获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；

通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；

基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

相应的，本申请实施例还提供了一种频道页面推荐装置，包括：

数据筛选模块，用于获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

排序模块，用于基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；

特征提取模块，用于通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

预测模块，用于通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；

推荐模块，用于基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

相应的，本申请实施例还提供了一种计算机设备，包括存储器，处理器及存储在储存器上并可在处理器上运行的计算机程序，其中，处理器执行本申请实施例任一提供的频道页面推荐方法。

相应的，本申请实施例还提供了一种存储介质，存储介质存储有多条指令，指令适于处理器进行加载，以执行如上的频道页面推荐方法。

本申请实施例获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识，从而通过预测用户预设时间内的浏览数据来智能为用户推荐用户所需的频道页面，以满足用户的个性化需求。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种频道页面推荐方法的流程示意图。

图2为本申请实施例提供的一种频道页面推荐装置的结构示意图。

图3为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种频道页面推荐方法、装置、存储介质及计算机设备。具体地，本申请实施例的频道页面推荐方法可以由计算机设备执行，其中，该计算机设备可以为服务器，也可以为终端等设备。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、台式计算机、笔记本电脑、平板电脑等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

例如，该计算机设备可以是终端，该终端可以获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

基于上述问题，本申请实施例提供一种频道页面推荐方法、装置、计算机设备及存储介质，可以满足用户的个性化需求。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

本申请实施例提供一种频道页面推荐方法，该方法可以由终端或服务器执行，本申请实施例以频道页面推荐方法由终端执行为例来进行说明。

请参阅图1，图1为本申请实施例提供的一种频道页面推荐方法的流程示意图。该频道页面推荐方法的具体流程可以如下：

101、获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据。

其中，上述预设时间为在当前时刻之前(包含当前时刻)的预设时间，具体预设时间的数值可根据需求进行设定。

其中，上述访问页面为目标用户当前在目标客户端中所访问的页面，例如，与“生活优惠”相关的页面。而用户对访问页面的浏览行为数据包括但不限于是访问时间、具体访问信息等，由于并不是一页面对应的浏览行为数据中的所有的数据均和后续推荐的频道页面相关，所以需基于可推荐的候选频道页面，确定出访问页面的浏览行为数据中哪些数据是与该候选频道页面相关的数据从而进行筛选。

其中，上述频道页面为客户端中的各频道对应的固定的频道页面，例如，若上述访问页面为与“生活优惠”相关的页面，那么对应的频道页面可以为“生活优惠”的频道页面。

其中，上述目标客户端可以是以APP的形式在用户所持有的终端中进行展示，也可以是以网页的形式在用户所持有的终端中进行展示，在此不做限定。

在本实施例中，终端通过获取待推荐的目标用户在短时间内的浏览数据，以便于基于该浏览行为数据，为目标用户推荐频道页面，从而基于目标用户的即时兴趣，来为目标用户推荐，提高了目标用户的个性化需求。

102、基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列。

在本实施例中，由于是基于目标用户的短时间内的浏览数据为目标用户进行推荐，所以，为了更好的达到推荐效果，需确定出目标用户浏览各个访问页面所对应的访问时间，从而基于该访问时间，可以得到目标用户浏览访问页面的页面顺序，以基于该页面顺序，对各个页面的目标流栏行为数据进行排序，从而组成了页面访问序列，该页面访问序列中包括以浏览时间为顺序进行排列的目标浏览行为数据，从而基于特定顺序的目标浏览行为数据来为用户进行推荐，以提高向用户推荐频道页面的精准性。

在一些实施例中，上述基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列，可以包括：基于上述目标用户对上述至少一个访问页面的访问时间，确定访问上述目标浏览行为数据所处的访问页面的目标访问时间；基于上述目标浏览行为数据对应的目标访问时间，由先到后对上述目标浏览行为数据进行排序，得到上述页面访问序列。

103、通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值。

在本实施例中，通过召回模型对目标浏览行为数据进行特征提取，可以得到该目标浏览行为对应的短期兴趣特征，由于页面序列中的目标浏览行为数据示意访问时间进行排序的，所以需基于访问时间对目标浏览行为数据对应的短期兴趣特征赋予权值，以基于赋予权值后的短期兴趣特征来实现精准向用户推荐频道页面。

可以理解的是，由于不同时间访问的数据给用户的影响程度不同，而用户的短期行为存在时序性和相关性，一般距离推荐时间越近的行为所起的重要性越高，所以，为了实时感知用户的即时兴趣，距离推荐时间越近的访问数据对应的重要性越高，所以对该访问数据所赋予的权值越高。

在一些实施例中，若采用由先到后对上述目标浏览行为数据进行排序的方式来得到上述页面访问序列，则在基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值之后，所呈现的结果为上述位置在前的目标浏览行为数据对应的短期兴趣特征的权值小于位置在后的目标浏览行为数据对应的短期兴趣特征的权值。

在一些实施例中，由于用户的行为数据之间存在时序性和相关性，所以上述通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，具体可以包括：通过上述召回模型，终端对上述页面访问序列中的目标浏览行为数据之间的相对浏览顺序，以及上述页面访问序列中的目标浏览行为数据所在访问页面之间的关联关系进行特征提取，得到上述目标用户的短期兴趣特征。

在一些实施例中，在通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征之前，需生成对应的召回模型，例如，针对某一用户特有的召回模型，即基于该用户的历史数据来训练召回模型，从而生成该用户特有的召回模型。又例如，获取用户的用户属性，该用户属性包括但不限于是用户性别、用户年龄等，从而基于该用户属性，选取属性一致的用户的历史数据来训练召回模型，从而生成该类用户所特有的召回模型。

具体地，可以包括：获取样本集，上述样本集中一样本包括一历史访问用户在上述预设时间内，对上述目标客户端至少一个访问页面访问时的历史浏览行为数据，且上述样本的标签为频道页面标识，上述频道页面标识用于指示上述历史访问用户访问的频道页面。然后，根据上述样本集中各样本的历史访问用户的访问时间，将上述样本集划分为训练集、测试集和验证集，并通过上述训练接、测试集和验证集构建上述召回模型。其中，上述历史浏览行为数据也可采用序列的方式进行存储，具体可参考上述步骤102，该序列的数据长度可以设置为100，即存在100个历史浏览行为数据。

示例性地，可以将访问时间最后的预设数量的样本作为测试集，将测试集中的样本之外的样本中的访问时间最后的预设数量的样本作为验证集，将剩余样本作为训练集。

具体地，由于在本实施例中是通过用户的短期行为来向用户推荐用户下一个向访问的页面，而且用户的短期行为存在时序性和相关性，因此，可基于自注意力机制的序列推荐模型(记为SASRec)来构建得到召回模型。其中，该召回模型中包括embedding层、Self-Attention层和预测层，该embedding层包含了item embedding和位置embedding，通过该召回模型可以学习到item之间的相关性和时间上的先后顺序。

在一些实施例中，上述通过上述训练接、测试集和验证集构建上述召回模型，包括：通过上述训练集中的样本对上述召回模型进行训练，并获取上述召回模型对应的损失函数；若上述召回模型对应的损失函数不符合预设条件，则继续通过上述样本集中的样本对上述召回模型进行训练，直至上述召回模型对应的损失函数符合预设条件时，停止对上述召回模型的训练。

具体地，在对召回模型进行训练的过程中，可针对训练过程中的每一样本均随机生成一个负样本，从而计算出相应的交叉损失函数，以基于该交叉损失函数，来防止训练过程中出现梯度爆炸和过拟合。此外，针对召回模型还可进一步进行梯度裁剪和dropout率调整。

在一些实施例中，由于用户对页面的浏览行为数据中可能存在一些噪声数据，即对构建召回模型不相关的数据，例如用户登录等埋点上报的无关数据，即非真实用户行为数据，所以在获取样本集之前，还需对组成样本集的浏览行为数据进行筛选以保留相关数据。

具体地，可以包括：获取至少一个历史访问用户对上述目标客户端的访问页面进行访问时的历史浏览行为数据；基于上述历史访问用户所访问的访问页面数量、上述访问页面的页面类型和上述历史浏览行为数据的数据属性中的至少一种，对至少一个历史访问用户对应的历史浏览行为数据进行筛选，得到筛选后的历史浏览行为数据；根据筛选后的历史浏览行为数据生成上述样本集。

示例性地，若用户访问的页面很少，比如小于预设数量阈值，则说明该用户为访问频率很低的用户，故而不将该用户的浏览行为数据作为样本数据，其中，上述数量阈值可以为3。

示例性地，若上述访问页面的页面类型为高频类型，比如目标客户端的“首先”、“我的”和“搜索页”等，则该访问页面不但对访问频道页面没有作用，而且还可能造成误预测的影响，所以不将该访问页面对应的浏览行为数据作为样本数据。

示例性地，若设定历史浏览行为数据的数据属性中的浏览时间很短，说明该页面或该页面中的浏览行为数据可能是由于用户误点而产生的，故而不讲该历史浏览行为数据作为样本数据。

104、通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度。

在本实施例中，终端通过召回模型，可基于至少一个目标浏览行为数据对应的赋予权值后的短期兴趣特征，来预测出目标用户对上述至少一个候选频道页面的感兴趣程度，以基于该目标用户对上述至少一个候选频道页面的感兴趣程度，来确定出至少一个候选频道页面中向目标用户进行推荐的待推荐的频道页面。

在一些实施例中，由于召回模型中包括embedding层、Self-Attention层和预测层，而通过在embedding层中的位置embedding，可以得到在页面访问序列中的由先到后排列的各目标浏览行为数据对应的短期兴趣特征的权值中，最后一个目标浏览行为数据对应的短期兴趣特征的权值最大，即用户最后一个访问的目标浏览行为数据对应的短期兴趣特征的全职最大，从而在通过预测层进行预测时，可基于Self-Attention层中最后一个目标浏览行为数据对应的embedding向量作为用户短期兴趣表征，和至少一个候选频道分别对应的embedding向量做匹配，从而得到各个候选频道分别对应的匹配值，即目标用户对各个候选频道分别对应的感兴趣程度。

105、基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

在本实施例中，终端可基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，由大到小对各候选频道页面进行排序，并选取排序在前的预设数量的频道页面作为待推荐的频道页面，该预设数量可根据用户需求进行设定，例如3，从而通过用户实时浏览页面的行为和浏览行为的相对顺序，来实时感知用户的即使兴趣，以基于该即使兴趣来进行推荐，提升了推荐效果，并且满足了用户的个性化需求。

具体地，终端可将上述待推荐的频道页面的页面标识在目标用户当前浏览的页面中进行显示，以便于目标用户通过在当前浏览的页面中点击该页面标识，进入相应的频道页面；又或者终端可将上述待推荐的频道页面的页面标识在目标用户当前浏览的目标客户端的“首页”中进行显示，以便于目标用户通过在“首页”中点击该页面标识，进入相应的频道页面。

本申请实施例公开了一种频道页面推荐方法，该方法包括：获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识，以此，通过预测用户预设时间内的浏览数据来智能为用户推荐用户所需的频道页面，可以满足用户的个性化需求。

为便于更好的实施本申请实施例提供的频道页面推荐方法，本申请实施例还提供一种基于上述频道页面推荐方法的频道页面推荐装置。其中名词的含义与上述频道页面推荐方法中相同，具体实现细节可以参考方法实施例中的说明。

请参阅图2，图2为本申请实施例提供的一种频道页面推荐装置的结构框图，该装置包括：

数据筛选模块201，用于获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

排序模块202，用于基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；

特征提取模块203，用于通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

预测模块204，用于通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；

推荐模块205，用于基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

在一些实施例中，上述频道页面推荐装置还包括：

获取模块，用于获取样本集，上述样本集中一样本包括一历史访问用户在上述预设时间内，对上述目标客户端至少一个访问页面访问时的历史浏览行为数据，且上述样本的标签为频道页面标识，上述频道页面标识用于指示上述历史访问用户访问的频道页面；

划分模块，用于根据上述样本集中各样本的历史访问用户的访问时间，将上述样本集划分为训练集、测试集和验证集；

模型构建模块，用于通过上述训练接、测试集和验证集构建上述召回模型。

在一些实施例中，上述模型构建模块包括：

第一训练单元，用于通过上述训练集中的样本对上述召回模型进行训练，并获取上述召回模型对应的损失函数；

第二训练单元，用于若上述召回模型对应的损失函数不符合预设条件，则继续通过上述样本集中的样本对上述召回模型进行训练，直至上述召回模型对应的损失函数符合预设条件时，停止对上述召回模型的训练。

在一些实施例中，上述频道页面推荐装置还包括：

数据获取模块，用于获取至少一个历史访问用户对上述目标客户端的访问页面进行访问时的历史浏览行为数据；

数据处理模块，用于基于上述历史访问用户所访问的访问页面数量、上述访问页面的页面类型和上述历史浏览行为数据的数据属性中的至少一种，对至少一个历史访问用户对应的历史浏览行为数据进行筛选，得到筛选后的历史浏览行为数据；

生成模块，用于根据筛选后的历史浏览行为数据生成上述样本集。

在一些实施例中，上述排序模块202包括：

时间确定单元，用于基于上述目标用户对上述至少一个访问页面的访问时间，确定访问上述目标浏览行为数据所处的访问页面的目标访问时间；

排序单元，用于基于上述目标浏览行为数据对应的目标访问时间，由先到后对上述目标浏览行为数据进行排序，得到上述页面访问序列。

在一些实施例中，上述位置在前的目标浏览行为数据对应的短期兴趣特征的权值小于位置在后的目标浏览行为数据对应的短期兴趣特征的权值。

在一些实施例中，上述特征提取模块203包括：

特征提取单元，用于通过上述召回模型，对上述页面访问序列中的目标浏览行为数据之间的相对浏览顺序，以及上述页面访问序列中的目标浏览行为数据所在访问页面之间的关联关系进行特征提取，得到上述目标用户的短期兴趣特征。

本申请实施例公开了一种频道页面推荐装置，通过数据筛选模块201，获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；通过排序模块202，基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；通过特征提取模块203，来通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；通过预测模块204，来通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；通过推荐模块205，基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。以此，通过预测用户预设时间内的浏览数据来智能为用户推荐用户所需的频道页面，以满足用户的个性化需求。

相应的，本申请实施例还提供一种计算机设备，该计算机设备可以为终端。如图3所示，图3为本申请实施例提供的计算机设备的结构示意图。该计算机设备300包括有一个或者一个以上处理核心的处理器301、有一个或一个以上计算机可读存储介质的存储器302及存储在存储器302上并可在处理器上运行的计算机程序。其中，处理器301与存储器302电性连接。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

处理器301是计算机设备300的控制中心，利用各种接口和线路连接整个计算机设备300的各个部分，通过运行或加载存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行计算机设备300的各种功能和处理数据，从而对计算机设备300进行整体监控。

在本申请实施例中，计算机设备300中的处理器301会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能：

获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；

通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；

基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

可选的，如图3所示，计算机设备300还包括：触控显示屏303、射频电路304、音频电路305、输入单元306以及电源307。其中，处理器301分别与触控显示屏303、射频电路304、音频电路305、输入单元306以及电源307电性连接。本领域技术人员可以理解，图3中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

触控显示屏303可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏303可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的消息或提供给用户的消息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(LCD，Liquid Cryst客户端账户l Displ客户端账户y)、有机发光二极管(OLED，Org客户端账户nic Light-Emitting Diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸消息，并将它转换成触点坐标，再送给处理器301，并能接收处理器301发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器301以确定触摸事件的类型，随后处理器301根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中，可以将触控面板与显示面板集成到触控显示屏303而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏303也可以作为输入单元306的一部分实现输入功能。

射频电路304可用于收发射频信号，以通过无线通信与网络设备或其他计算机设备建立无线通讯，与网络设备或其他计算机设备之间收发信号。

音频电路305可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路305可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路305接收后转换为音频数据，再将音频数据输出处理器301处理后，经射频电路304以发送给比如另一计算机设备，或者将音频数据输出至存储器302以便进一步处理。音频电路305还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。

输入单元306可用于接收输入的数字、字符消息或用户特征消息(例如指纹、虹膜、面部消息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

电源307用于给计算机设备300的各个部件供电。可选的，电源307可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源307还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管图3中未示出，计算机设备300还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。

在上述实施例中，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。

由上可知，本实施例提供的计算机设备，通过获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种频道页面推荐方法中的步骤。例如，该计算机程序可以执行如下步骤：

获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从上述浏览行为数据中筛选出与上述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

基于上述目标用户对上述至少一个访问页面的访问时间，对上述目标浏览行为数据进行排序，得到页面访问序列；

通过预设的召回模型，对上述页面访问序列中的目标浏览行为数据进行特征提取，得到上述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

通过上述召回模型，基于赋予权值后的短期兴趣特征预测上述目标用户对上述至少一个候选频道页面的感兴趣程度；

基于上述目标用户对上述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向上述目标用户推荐上述待推荐的频道页面的页面标识。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Re客户端账户d Only Memory)、随机存取记忆体(R客户端账户M，R客户端账户ndom客户端账户ccess Memory)、磁盘或光盘等。

由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种频道页面推荐方法中的步骤，因此，可以实现本申请实施例所提供的任一种频道页面推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种频道页面推荐方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种频道页面推荐方法，其特征在于，所述方法包括：

获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从所述浏览行为数据中筛选出与所述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

基于所述目标用户对所述至少一个访问页面的访问时间，对所述目标浏览行为数据进行排序，得到页面访问序列；

通过预设的召回模型，对所述页面访问序列中的目标浏览行为数据进行特征提取，得到所述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

通过所述召回模型，基于赋予权值后的短期兴趣特征预测所述目标用户对所述至少一个候选频道页面的感兴趣程度；

基于所述目标用户对所述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向所述目标用户推荐所述待推荐的频道页面的页面标识。

2.根据权利要求1所述的方法，其特征在于，在通过预设的召回模型，对所述页面访问序列中的目标浏览行为数据进行特征提取，得到所述目标用户的短期兴趣特征之前，还包括：

获取样本集，所述样本集中一样本包括一历史访问用户在所述预设时间内，对所述目标客户端至少一个访问页面访问时的历史浏览行为数据，且所述样本的标签为频道页面标识，所述频道页面标识用于指示所述历史访问用户访问的频道页面；

根据所述样本集中各样本的历史访问用户的访问时间，将所述样本集划分为训练集、测试集和验证集；

通过所述训练接、测试集和验证集构建所述召回模型。

3.根据权利要求2所述的方法，其特征在于，所述通过所述训练接、测试集和验证集构建所述召回模型，包括：

通过所述训练集中的样本对所述召回模型进行训练，并获取所述召回模型对应的损失函数；

若所述召回模型对应的损失函数不符合预设条件，则继续通过所述样本集中的样本对所述召回模型进行训练，直至所述召回模型对应的损失函数符合预设条件时，停止对所述召回模型的训练。

4.根据权利要求2所述的方法，其特征在于，在获取样本集之前，还包括：

获取至少一个历史访问用户对所述目标客户端的访问页面进行访问时的历史浏览行为数据；

基于所述历史访问用户所访问的访问页面数量、所述访问页面的页面类型和所述历史浏览行为数据的数据属性中的至少一种，对至少一个历史访问用户对应的历史浏览行为数据进行筛选，得到筛选后的历史浏览行为数据；

根据筛选后的历史浏览行为数据生成所述样本集。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户对所述至少一个访问页面的访问时间，对所述目标浏览行为数据进行排序，得到页面访问序列，包括：

基于所述目标用户对所述至少一个访问页面的访问时间，确定访问所述目标浏览行为数据所处的访问页面的目标访问时间；

基于所述目标浏览行为数据对应的目标访问时间，由先到后对所述目标浏览行为数据进行排序，得到所述页面访问序列。

6.根据权利要求5所述的方法，其特征在于，所述位置在前的目标浏览行为数据对应的短期兴趣特征的权值小于位置在后的目标浏览行为数据对应的短期兴趣特征的权值。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述通过预设的召回模型，对所述页面访问序列中的目标浏览行为数据进行特征提取，得到所述目标用户的短期兴趣特征，包括：

通过所述召回模型，对所述页面访问序列中的目标浏览行为数据之间的相对浏览顺序，以及所述页面访问序列中的目标浏览行为数据所在访问页面之间的关联关系进行特征提取，得到所述目标用户的短期兴趣特征。

8.一种频道页面推荐装置，其特征在于，所述装置包括：

数据筛选模块，用于获取待推荐的目标用户在预设时间内，对目标客户端至少一个访问页面访问时的浏览行为数据，并从所述浏览行为数据中筛选出与所述目标客户端的至少一个候选频道页面相关的目标浏览行为数据；

排序模块，用于基于所述目标用户对所述至少一个访问页面的访问时间，对所述目标浏览行为数据进行排序，得到页面访问序列；

特征提取模块，用于通过预设的召回模型，对所述页面访问序列中的目标浏览行为数据进行特征提取，得到所述目标用户的短期兴趣特征，并基于每个目标浏览行为数据在页面访问序列中所处的位置，为每个目标浏览行为数据对应的短期兴趣特征赋予对应权值；

预测模块，用于通过所述召回模型，基于赋予权值后的短期兴趣特征预测所述目标用户对所述至少一个候选频道页面的感兴趣程度；

推荐模块，用于基于所述目标用户对所述至少一个候选频道页面的感兴趣程度，确定预设数量的待推荐的频道页面，并向所述目标用户推荐所述待推荐的频道页面的页面标识。

9.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至7任一项所述的频道页面推荐方法。

10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的频道页面推荐方法。

Images