CN115935074B - 文章推荐方法、装置、设备及介质 - Google Patents
文章推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115935074B CN115935074B CN202310024505.0A CN202310024505A CN115935074B CN 115935074 B CN115935074 B CN 115935074B CN 202310024505 A CN202310024505 A CN 202310024505A CN 115935074 B CN115935074 B CN 115935074B
- Authority
- CN
- China
- Prior art keywords
- article
- target
- page
- recommendation
- title
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种文章推荐方法、装置、设备及介质,其中方法包括:根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;获取用户针对所述初始页面的操作数据;判断所述操作数据是否满足预设的动态推荐配置;若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
Description
技术领域
本发明涉及推荐技术领域,尤其涉及一种文章推荐方法、装置、设备及介质。
背景技术
随着电子设备的发展,阅读文章的用户时长越来越多。在用户阅读文章时进行文章推荐,能更好的推广业务。目标文章的文章推荐列表是根据待展示文章的整体特征提前设置好的,在页面加载时加载文章推荐列表。目前的文章推荐列表仅考虑了目标文章的整体特征,未考虑阅读用户的个性特征,导致展示的文章推荐列表的点击率不高。
发明内容
基于此,有必要针对现有的文章推荐列表是根据待展示文章的整体特征提前设置好的,仅考虑了目标文章的整体特征,未考虑阅读用户的个性特征,导致展示的文章推荐列表的点击率不高的技术问题,提出了一种文章推荐方法、装置、设备及介质。
本申请提出了一种文章推荐方法,所述方法包括:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
进一步地,所述根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面的步骤,包括:
获取所述目标页面标识对应的目标文章资源及初始文章推荐资源;
根据所述目标文章资源加载页面的文章内容展示区域,并根据所述初始文章推荐资源加载页面的所述文章推荐区域,得到所述初始页面。
进一步地,所述根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源的步骤,包括:
根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据;
根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征;
基于Jacard相似度,根据所述感兴趣文章框架特征和所述文章库进行文章推荐,得到候选文章集;
根据所述感兴趣内容数据进行特征词提取,得到感兴趣特征词集;
基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源。
进一步地,所述根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征的步骤,包括:
从所述文章内容展示区域对应的标题路径中获取与所述感兴趣内容数据最近的标题,作为第i层标题,i是大于0的整数;
将所述第i层标题添加到待分析标题集;
对所述待分析标题集进行语义分析,得到第i层语义特征;
判断所述第i层语义特征是否满足预设的语义特征指标配置;
若满足,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征;
若不满足,则判断i是否大于1;
若大于1,则将i-1,并重复执行所述将所述第i层标题添加到待分析标题集的步骤;
若小于或等于1,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征。
进一步地,所述根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据的步骤之后,还包括:
将所述感兴趣内容数据输入预设的内容分类模型进行分类预测,得到分类结果;
所述基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源的步骤,包括:
从所述候选文章集中找出类型与所述分类结果相同的各篇文章,得到同类文章集;
若所述同类文章集中的文章数量小于预设数量,则从所述候选文章集中找出类型与所述分类结果不相同的各篇文章,得到非同类文章集,将所述预设数量减去所述同类文章集中的文章数量,得到数量差值,对所述感兴趣特征词集和所述非同类文章集中的每篇文章进行余弦相似度计算,得到待处理相似度,根据各个所述待处理相似度,从所述非同类文章集中筛选出最相似的文章,得到非同类推荐文章集,对所述同类文章集和所述非同类推荐文章集进行合集处理,得到目标推荐文章集,其中,所述非同类推荐文章集中的文章数量等于所述数量差值;
若所述同类文章集中的文章数量大于或等于预设数量,则对所述感兴趣特征词集和所述同类文章集中的每篇文章进行余弦相似度计算,得到待分析相似度,根据各个所述待分析相似度,从所述同类文章集中筛选出最相似的文章,得到所述目标推荐文章集,其中,所述目标推荐文章集中的文章数量等于所述预设数量;
根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源。
进一步地,所述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
对所述目标推荐文章集中的各篇文章按余弦相似度从高到低排序;
采用顺序的方式,根据排序后的所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源,其中,所述目标文章推荐资源对应的文章排序与所述目标推荐文章集对应的文章排序相同。
进一步地,所述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
根据所述目标推荐文章集获取文章推荐资源,得到初始文章推荐资源;
在所述初始文章推荐资源中,根据所述分类结果对应的标记方法进行标记。
本申请还提出了一种文章推荐装置,所述装置包括:
请求获取模块,用于获取页面打开请求,所述页面打开请求携带有目标页面标识;
初始页面加载模块,用于根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
操作数据获取模块,用于获取用户针对所述初始页面的操作数据;
判断模块,用于判断所述操作数据是否满足预设的动态推荐配置;
目标页面加载模块,用于若所述操作数据满足所述动态推荐配置,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本申请还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本申请还提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本申请的文章推荐方法,通过根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,从而实现了快速的加载展示目标页面标识对应的文章的页面;在所述操作数据满足预设的动态推荐配置时,根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
附图说明
为了更清楚地说明本发明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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中文章推荐方法的流程图;
图2为一个实施例中文章推荐装置的结构框图;
图3为一个实施例中计算机设备的结构框图。
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种文章推荐方法。该文章推荐方法具体包括如下步骤:
S1:获取页面打开请求,所述页面打开请求携带有目标页面标识;
具体而言,获取用户输入的页面打开请求,也可以获取第三方应用发送的页面打开请求。
页面打开请求,采用Web页面打开文章的请求。Web页面,又称Web网页(web page),是一个计算机名词,是指万维网上的一个按照HTML格式组织起来的文件。
目标页面标识,是想要打开的文章对应的页面的页面标识。页面标识可以是页面名称,也可以是页面ID,用于唯一标识一个Web网页。
S2:根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
具体而言,根据所述目标页面标识,调用预设的接口获取文章资源,将获取的文章资源作为目标文章资源,将目标文章资源加载到页面的文章内容展示区域,将加载完成的页面作为初始页面。也就是说,文章内容展示区域中展示了目标页面标识对应的文章的详细内容。
S3:获取用户针对所述初始页面的操作数据;
具体而言,以初始页面的加载完成时间为开始时间,在等待预设时长时,获取用户针对所述初始页面的操作数据。
操作数据包括但不限于:在初始页面的文章内容展示区域的停留时长数据、在初始页面的文章内容展示区域的点击行为数据和在初始页面的文章内容展示区域的复制行为数据。点击行为数据包括:点击时间和点击段落,点击段落是用户光标停留的段落。复制行为数据包括:复制时间、复制内容和复制内容对应的段落。
S4:判断所述操作数据是否满足预设的动态推荐配置;
动态推荐配置包括:停留指标、点击行为指标、复制行为指标和综合判断指标。停留指标、点击行为指标、复制行为指标和综合判断指标中均包含计算方法。
具体而言,根据所述操作数据和所述停留指标进行计算,得到第一指标值,根据所述操作数据和所述点击行为指标进行计算,得到第二指标值,根据所述操作数据和所述复制行为指标进行计算,得到第三指标值,将第一指标值、第二指标值、第三指标值,输入综合判断指标中进行判断,若符合综合判断指标的要求,确定所述操作数据满足预设的动态推荐配置,若不符合综合判断指标的要求,确定所述操作数据不满足预设的动态推荐配置。
S5:若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
具体而言,若满足,也就是所述操作数据满足预设的动态推荐配置,意味着此时需要进行动态推荐,根据所述操作数据、所述初始页面确定目标页面标识对应的文章的特征和阅读用户的个性特征,基于目标页面标识对应的文章的特征和阅读用户的个性特征,从文章库中筛选出推荐的各篇文章,从而实现结合目标页面标识对应的文章的特征和阅读用户的个性特征的文章推荐,根据推荐的各篇文章获取文章推荐资源;根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,将更新后的所述初始页面作为目标页面。
若所述操作数据不满足预设的动态推荐配置,意味着此时不需要进行动态推荐,也就是不对所述初始页面进行更新。
可选的,文章推荐资源包括:文章标题。
可选的,文章推荐资源包括:文章标题和文章简介。
本实施例通过根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,从而实现了快速的加载展示目标页面标识对应的文章的页面;在所述操作数据满足预设的动态推荐配置时,根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
在一个实施例中,上述根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面的步骤,包括:
S21:获取所述目标页面标识对应的目标文章资源及初始文章推荐资源;
具体而言,根据所述目标页面标识,调用预设的接口获取文章资源,将获取的文章资源作为目标文章资源,调用预设的接口获取文章推荐资源,将获取的文章推荐资源作为初始文章推荐资源。
可选的,初始文章推荐资源对应的文章数量小于或等于目标文章推荐资源对应的文章数量,从而有利于提高初始页面的加载效率。
S22:根据所述目标文章资源加载页面的文章内容展示区域,并根据所述初始文章推荐资源加载页面的所述文章推荐区域,得到所述初始页面。
具体而言,根据所述目标文章资源加载页面的文章内容展示区域,并根据所述初始文章推荐资源加载页面的所述文章推荐区域,将加载完成的web页面作为所述初始页面。也就是说,此时的所述初始页面中包括目标文章资源对应的文章的具体内容,也包括基于目标页面标识对应的文章的整体特征提前设置好的文章推荐列表。
可以理解的是,在本申请的另一个实施例中,在根据所述目标页面标识对应的目标文章资源进行页面加载时,只加载目标文章资源,不加载初始文章推荐资源。在初始页面中不加载初始文章推荐资源,减少了需要下载的资源,提高了资源下载速度,从而提高了初始页面加载的速度,提高了用户体验;而且在用户对目标页面标识对应的文章的具体内容的兴趣不大时,用户会快速的翻动初始页面,并且未滑动到文章推荐区域或直接关闭初始页面,此时用户可能对基于目标页面标识对应的文章的整体特征得到的初始文章推荐资源的兴趣也可能不大,点击的概率也比较低,因此,在初始页面中只加载目标文章资源且不加载初始文章推荐资源,不会过于影响用户的阅读体验。
本实施例通过在所述初始页面中加载基于目标页面标识对应的文章的整体特征提前设置好的文章推荐列表,在用户对目标页面标识对应的文章的具体内容的兴趣不大时,用户会快速的翻动初始页面,此时用户仍然可以看到基于目标页面标识对应的文章的整体特征提前设置好的文章推荐列表(也就是静态推荐),通过该静态推荐,提高了用户体验。
在一个实施例中,上述根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源的步骤,包括:
S511:根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据;
具体而言,根据所述操作数据,从所述初始页面的文章内容展示区域提取用户停留超过时长阈值和/或点击和/或复制的段落的内容数据,该内容数据是用户感兴趣的内容数据,因此,将该内容数据作为感兴趣内容数据。
S512:根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征;
具体而言,根据所述感兴趣内容数据在所述文章内容展示区域中对应的标题路径及文章标签,确定文章框架特征,将该文章框架特征作为感兴趣文章框架特征。
S513:基于Jacard相似度,根据所述感兴趣文章框架特征和所述文章库进行文章推荐,得到候选文章集;
Jacard相似度,也就是杰卡德相似度,也称Jaccard相似系数(Jaccardsimilarity coefficient),用于比较有限样本集之间的相似性与差异性。
具体而言,对所述感兴趣文章框架特征和所述文章库中的每个文章的文章框架特征之间计算Jacard相似度,根据各个Jacard相似度,从所述文章库中获取与所述感兴趣文章框架特征最相似的N篇文章,将获取的文章作为候选文章集。
候选文章集中包含多个文章标识。文章标识是文章ID,用于唯一标识一篇文章。
S514:根据所述感兴趣内容数据进行特征词提取,得到感兴趣特征词集;
具体而言,采用预设的分词词典,对所述感兴趣内容数据进行分词,从分词得到的各个短语中找出位于预设的特征词词典中的短语,将找出的各个短语作为感兴趣特征词集。
可选的,对所述感兴趣内容数据进行数据清洗,采用分词词典,对清洗后的所述感兴趣内容数据进行分词,对分词得到的各个短语进行停用词去除,得到待分析词语集;从待分析词语集中找出位于预设的特征词词典中的短语,将找出的各个短语作为感兴趣特征词集。
S515:基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源。
具体而言,对所述感兴趣特征词集和所述候选文章集中的每篇文章之间计算余弦相似度,根据各个余弦相似度,从所述候选文章集中获取最相似的多篇文章的文章标识,根据获取的各个文章标识获取文章推荐资源,将获取的文章推荐资源作为所述目标文章推荐资源。
本实施例通过基于Jacard相似度从文章库中进行文章初筛,减少了计算量;基于余弦相似度对候选文章集进行二次筛选,提高所述目标文章推荐资源的准确性,有利于提高推荐效果;将根据所述感兴趣内容数据和所述文章内容展示区域确定的感兴趣文章框架特征作为初筛的依据,从而得到了结合目标页面标识对应的文章的细节特征和阅读用户的个性特征的特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
在一个实施例中,上述根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征的步骤,包括:
S5121:从所述文章内容展示区域对应的标题路径中获取与所述感兴趣内容数据最近的标题,作为第i层标题,i是大于0的整数;
具体而言,从所述文章内容展示区域对应的标题路径中获取与所述感兴趣内容数据最近的标题,将获取的标题作为第i层标题。比如,所述感兴趣内容数据是所述文章内容展示区域对应的标题路径中的2.1.1下的段落的内容数据,因此将2.1.1对应的文本作为第i层标题。
其中,i是与所述感兴趣内容数据最近的标题在目录结构中的层数。比如,2.1.1是目录结构中的第3层的标号。
S5122:将所述第i层标题添加到待分析标题集;
具体而言,待分析标题集的初始值为空;将所述第i层标题添加到待分析标题集,为基于标题路径进行逐层的逆向遍历提供了基础。
S5123:对所述待分析标题集进行语义分析,得到第i层语义特征;
具体而言,基于预设的NLP(自然语言处理)语义分析方法,对所述待分析标题集进行语义分析,将语义分析得到的数据作为第i层语义特征。
S5124:判断所述第i层语义特征是否满足预设的语义特征指标配置;
语义特征指标配置中包括:包含预设实体词集中的实体词、存在能完整表述含义的语义三元组中的一个或多个。比如,所述第i层语义特征为JAVA、应用,能完整表述含义为所述感兴趣内容数据对应的内容是JAVA的应用。又比如,所述第i层语义特征为应用、第一应用场景,不能理解是什么东西的应用,也就不能完整表述含义为所述感兴趣内容数据对应的内容。
S5125:若满足,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征;
具体而言,若满足,也就是所述第i层语义特征满足预设的语义特征指标配置,说明所述待分析标题集表述了完整的标题语义特征,因此,根据所述待分析标题集和所述文章内容展示区域中的文章标题依次进行分词、特征词提取,将提取的各个特征词作为所述感兴趣文章框架特征。
S5126:若不满足,则判断i是否大于1;
具体而言,若不满足,也就是所述第i层语义特征不满足预设的语义特征指标配置,说明所述待分析标题集未表述完整的标题语义特征,因此,判断i是否大于1。
S5127:若大于1,则将i-1,并重复执行所述将所述第i层标题添加到待分析标题集的步骤;
具体而言,若大于1,也就是i大于1,意味着此时还未提取到一级标题,因此,重复执行所述将所述第i层标题添加到待分析标题集的步骤,也就是重复执行步骤S5122至步骤S5127,直至i小于或等于1。
S5128:若小于或等于1,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征。
具体而言,若小于或等于1,也就是若i小于或等于1,意味着此时已经提取到一级标题,不能继续提取,因此,根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征。
本实施例从所述文章内容展示区域对应的标题路径提取所述感兴趣内容数据对应的文章框架特征,从而得到了结合目标页面标识对应的文章的细节特征和阅读用户的个性特征的特征。
在一个实施例中,上述根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据的步骤之后,还包括:
S5111:将所述感兴趣内容数据输入预设的内容分类模型进行分类预测,得到分类结果;
内容分类模型是一个多分类模型。内容分类模型的模型结构和模型训练方法可以从现有技术选择,在此不做赘述。
具体而言,将所述感兴趣内容数据输入预设的内容分类模型进行分类预测,从预测得到的向量中提取值为最大的向量元素,将提取的向量元素对应的分类标签作为分类结果。
所述基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源的步骤,包括:
S5151:从所述候选文章集中找出类型与所述分类结果相同的各篇文章,得到同类文章集;
具体而言,从所述候选文章集中找出类型与所述分类结果相同的各篇文章,将找出的各篇文章作为同类文章集。
S5152:若所述同类文章集中的文章数量小于预设数量,则从所述候选文章集中找出类型与所述分类结果不相同的各篇文章,得到非同类文章集,将所述预设数量减去所述同类文章集中的文章数量,得到数量差值,对所述感兴趣特征词集和所述非同类文章集中的每篇文章进行余弦相似度计算,得到待处理相似度,根据各个所述待处理相似度,从所述非同类文章集中筛选出最相似的文章,得到非同类推荐文章集,对所述同类文章集和所述非同类推荐文章集进行合集处理,得到目标推荐文章集,其中,所述非同类推荐文章集中的文章数量等于所述数量差值;
目标推荐文章集中包括文章标识。
具体而言,若所述同类文章集中的文章数量小于预设数量,此时意味着同类文章集的数量不够,需要从所述候选文章集中的与所述分类结果不相同的各篇文章中补充找出最相似的文章,因此,从所述候选文章集中找出类型与所述分类结果不相同的各篇文章,将找出的各篇文章作为非同类文章集,将所述预设数量减去所述同类文章集中的文章数量,得到数量差值,对所述感兴趣特征词集和所述非同类文章集中的每篇文章进行余弦相似度计算,得到待处理相似度,根据各个所述待处理相似度,从所述非同类文章集中筛选出最相似的文章,得到非同类推荐文章集,对所述同类文章集和所述非同类推荐文章集进行合集处理,得到目标推荐文章集,其中,所述非同类推荐文章集中的文章数量等于所述数量差值;从而使目标推荐文章集中的文章数量与预设数量相同。
S5153:若所述同类文章集中的文章数量大于或等于预设数量,则对所述感兴趣特征词集和所述同类文章集中的每篇文章进行余弦相似度计算,得到待分析相似度,根据各个所述待分析相似度,从所述同类文章集中筛选出最相似的文章,得到所述目标推荐文章集,其中,所述目标推荐文章集中的文章数量等于所述预设数量;
具体而言,若所述同类文章集中的文章数量大于或等于预设数量,此时意味着同类文章集的数量足够,对所述感兴趣特征词集和所述同类文章集中的每篇文章进行余弦相似度计算,得到待分析相似度,根据各个所述待分析相似度,从所述同类文章集中筛选出最相似的文章,得到所述目标推荐文章集,其中,所述目标推荐文章集中的文章数量等于所述预设数量,从而使目标推荐文章集中的文章数量与预设数量相同,并且目标推荐文章集中的文章类型都与分类结果相同。
S5154:根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源。
本实施例优先选择与所述感兴趣内容数据同类的文章进行推荐,提高了推荐的准确性,有利于进一步提高文章推荐列表的点击率。
在一个实施例中,上述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
S51541:对所述目标推荐文章集中的各篇文章按余弦相似度从高到低排序;
具体而言,对所述目标推荐文章集中的各篇文章按余弦相似度从高到低排序,从而使与所述感兴趣内容数据对应的所述感兴趣特征词集越相似的文章排在越前面。
S51542:采用顺序的方式,根据排序后的所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源,其中,所述目标文章推荐资源对应的文章排序与所述目标推荐文章集对应的文章排序相同。
具体而言,采用顺序的方式,根据排序后的所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源,其中,所述目标文章推荐资源对应的文章排序与所述目标推荐文章集对应的文章排序相同,从而使目标页面的文章推荐区域中的文章按与所述感兴趣内容数据对应的所述感兴趣特征词集的相似度倒序排序。
本实施例使目标页面的文章推荐区域中的文章按与所述感兴趣内容数据对应的所述感兴趣特征词集的相似度倒序排序,有利于进一步提高文章推荐列表的点击率。
在一个实施例中,上述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
S51543:根据所述目标推荐文章集获取文章推荐资源,得到初始文章推荐资源;
S51544:在所述初始文章推荐资源中,根据所述分类结果对应的标记方法进行标记。
可选的,在所述初始文章推荐资源中的与所述同类文章集对应的各个文章标题中,根据所述分类结果对应的标记方法进行标记。
可选的,在所述初始文章推荐资源中的与所述同类文章集对应的各个文章简介中,根据所述分类结果对应的标记方法进行标记。
可选的,标记方法包括:添加分类结果、添加副标题中的一种或多种。可以理解的是,标记方法还有其他,在此不做限定。
本实施例在所述初始文章推荐资源中,根据所述分类结果对应的标记方法进行标记,从而实现标记出与所述感兴趣内容数据同类的文章,方便用户快速的筛选出想要点击的文章,提高了用户体验。
如图2所示,本申请还提出了一种文章推荐装置,所述装置包括:
请求获取模块801,用于获取页面打开请求,所述页面打开请求携带有目标页面标识;
初始页面加载模块802,用于根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
操作数据获取模块803,用于获取用户针对所述初始页面的操作数据;
判断模块804,用于判断所述操作数据是否满足预设的动态推荐配置;
目标页面加载模块805,用于若所述操作数据满足所述动态推荐配置,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本实施例通过根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,从而实现了快速的加载展示目标页面标识对应的文章的页面;在所述操作数据满足预设的动态推荐配置时,根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图3所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现文章推荐方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行文章推荐方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本实施例通过根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,从而实现了快速的加载展示目标页面标识对应的文章的页面;在所述操作数据满足预设的动态推荐配置时,根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面。
本实施例通过根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,从而实现了快速的加载展示目标页面标识对应的文章的页面;在所述操作数据满足预设的动态推荐配置时,根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,从而实现了基于用户在页面的操作数据动态的生成文章推荐区域,不仅考虑了目标页面标识对应的文章的特征,同时也考虑了阅读用户的个性特征,提高了文章推荐区域展示的文章推荐列表的准确性,有利于提高了文章推荐列表的点击率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种文章推荐方法,所述方法包括:
获取页面打开请求,所述页面打开请求携带有目标页面标识;
根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,包括:根据所述目标页面标识,调用预设的接口获取文章资源,将获取的文章资源作为目标文章资源,将目标文章资源加载到页面的文章内容展示区域,所述初始页面包括:文章内容展示区域和文章推荐区域;
获取用户针对所述初始页面的操作数据;
判断所述操作数据是否满足预设的动态推荐配置;
若满足,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面;
所述根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源的步骤,包括:根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据;根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征;基于Jacard相似度,根据所述感兴趣文章框架特征和所述文章库进行文章推荐,得到候选文章集;根据所述感兴趣内容数据进行特征词提取,得到感兴趣特征词集;基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源;
所述根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征的步骤,包括:
从所述文章内容展示区域对应的标题路径中获取与所述感兴趣内容数据最近的标题,作为第i层标题,i是大于0的整数;
将所述第i层标题添加到待分析标题集;
对所述待分析标题集进行语义分析,得到第i层语义特征;
判断所述第i层语义特征是否满足预设的语义特征指标配置;
若满足,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征;
若不满足,则判断i是否大于1;
若大于1,则将i-1,并重复执行所述将所述第i层标题添加到待分析标题集的步骤;
若小于或等于1,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征。
2.根据权利要求1所述的文章推荐方法,其特征在于,所述根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面的步骤,包括:
获取所述目标页面标识对应的目标文章资源及初始文章推荐资源;
根据所述目标文章资源加载页面的文章内容展示区域,并根据所述初始文章推荐资源加载页面的所述文章推荐区域,得到所述初始页面。
3.根据权利要求1所述的文章推荐方法,其特征在于,所述根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据的步骤之后,还包括:
将所述感兴趣内容数据输入预设的内容分类模型进行分类预测,得到分类结果;
所述基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源的步骤,包括:
从所述候选文章集中找出类型与所述分类结果相同的各篇文章,得到同类文章集;
若所述同类文章集中的文章数量小于预设数量,则从所述候选文章集中找出类型与所述分类结果不相同的各篇文章,得到非同类文章集,将所述预设数量减去所述同类文章集中的文章数量,得到数量差值,对所述感兴趣特征词集和所述非同类文章集中的每篇文章进行余弦相似度计算,得到待处理相似度,根据各个所述待处理相似度,从所述非同类文章集中筛选出最相似的文章,得到非同类推荐文章集,对所述同类文章集和所述非同类推荐文章集进行合集处理,得到目标推荐文章集,其中,所述非同类推荐文章集中的文章数量等于所述数量差值;
若所述同类文章集中的文章数量大于或等于预设数量,则对所述感兴趣特征词集和所述同类文章集中的每篇文章进行余弦相似度计算,得到待分析相似度,根据各个所述待分析相似度,从所述同类文章集中筛选出最相似的文章,得到所述目标推荐文章集,其中,所述目标推荐文章集中的文章数量等于所述预设数量;
根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源。
4.根据权利要求3所述的文章推荐方法,其特征在于,所述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
对所述目标推荐文章集中的各篇文章按余弦相似度从高到低排序;
采用顺序的方式,根据排序后的所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源,其中,所述目标文章推荐资源对应的文章排序与所述目标推荐文章集对应的文章排序相同。
5.根据权利要求3所述的文章推荐方法,其特征在于,所述根据所述目标推荐文章集获取文章推荐资源,得到所述目标文章推荐资源的步骤,包括:
根据所述目标推荐文章集获取文章推荐资源,得到初始文章推荐资源;
在所述初始文章推荐资源中,根据所述分类结果对应的标记方法进行标记。
6.一种文章推荐装置,其特征在于,所述装置包括:
请求获取模块,用于获取页面打开请求,所述页面打开请求携带有目标页面标识;
初始页面加载模块,用于根据所述目标页面标识对应的目标文章资源进行页面加载,得到初始页面,包括:根据所述目标页面标识,调用预设的接口获取文章资源,将获取的文章资源作为目标文章资源,将目标文章资源加载到页面的文章内容展示区域,所述初始页面包括:文章内容展示区域和文章推荐区域;
操作数据获取模块,用于获取用户针对所述初始页面的操作数据;
判断模块,用于判断所述操作数据是否满足预设的动态推荐配置;
目标页面加载模块,用于若所述操作数据满足所述动态推荐配置,则根据所述操作数据、所述初始页面和预设的文章库进行文章推荐,得到目标文章推荐资源,根据所述目标文章推荐资源更新所述初始页面的文章推荐区域,得到目标页面,包括:根据所述操作数据,从所述初始页面的文章内容展示区域提取用户感兴趣的内容数据,作为感兴趣内容数据;根据所述感兴趣内容数据和所述文章内容展示区域,确定感兴趣文章框架特征,包括:从所述文章内容展示区域对应的标题路径中获取与所述感兴趣内容数据最近的标题,作为第i层标题,i是大于0的整数;将所述第i层标题添加到待分析标题集;对所述待分析标题集进行语义分析,得到第i层语义特征;判断所述第i层语义特征是否满足预设的语义特征指标配置;
若满足,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征;若不满足,则判断i是否大于1;若大于1,则将i-1,并重复执行所述将所述第i层标题添加到待分析标题集的步骤;若小于或等于1,则根据所述待分析标题集和所述文章内容展示区域中的文章标题提取特征,作为所述感兴趣文章框架特征;
基于Jacard相似度,根据所述感兴趣文章框架特征和所述文章库进行文章推荐,得到候选文章集;根据所述感兴趣内容数据进行特征词提取,得到感兴趣特征词集;基于余弦相似度,根据所述感兴趣特征词集,对所述候选文章集依次进行文章筛选及文章推荐资源获取,得到所述目标文章推荐资源。
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024505.0A CN115935074B (zh) | 2023-01-09 | 2023-01-09 | 文章推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024505.0A CN115935074B (zh) | 2023-01-09 | 2023-01-09 | 文章推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935074A CN115935074A (zh) | 2023-04-07 |
CN115935074B true CN115935074B (zh) | 2023-08-11 |
Family
ID=86656000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310024505.0A Active CN115935074B (zh) | 2023-01-09 | 2023-01-09 | 文章推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935074B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110500A (ja) * | 2007-10-29 | 2009-05-21 | Toshiba Corp | ドキュメント処理装置、ドキュメント処理方法、ドキュメント処理装置のプログラム |
CN113961702A (zh) * | 2021-10-25 | 2022-01-21 | 南京邮电大学 | 一种文章标题层次结构的提取方法 |
CN114239588A (zh) * | 2021-11-24 | 2022-03-25 | 泰康保险集团股份有限公司 | 文章处理方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2634020A1 (en) * | 2008-05-30 | 2009-11-30 | Biao Wang | System and method for multi-level online learning |
CN101615178B (zh) * | 2008-06-26 | 2013-01-09 | 日电(中国)有限公司 | 用于建立对象层次结构的方法和系统 |
-
2023
- 2023-01-09 CN CN202310024505.0A patent/CN115935074B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110500A (ja) * | 2007-10-29 | 2009-05-21 | Toshiba Corp | ドキュメント処理装置、ドキュメント処理方法、ドキュメント処理装置のプログラム |
CN113961702A (zh) * | 2021-10-25 | 2022-01-21 | 南京邮电大学 | 一种文章标题层次结构的提取方法 |
CN114239588A (zh) * | 2021-11-24 | 2022-03-25 | 泰康保险集团股份有限公司 | 文章处理方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于层次结构语义框架的文本过滤研究;王景中 等;信息网络安全(第11期);8-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN115935074A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN111666401B (zh) | 基于图结构的公文推荐方法、装置、计算机设备及介质 | |
CN111291210B (zh) | 图像素材库生成方法、图像素材推荐方法及相关装置 | |
CN109446525B (zh) | 文本处理方法、装置、计算机可读存储介质和计算机设备 | |
CN112699923A (zh) | 文档分类预测方法、装置、计算机设备及存储介质 | |
CN110837590B (zh) | 资讯推送方法、装置、计算机设备和存储介质 | |
CN112685475A (zh) | 报表查询方法、装置、计算机设备及存储介质 | |
CN112541121A (zh) | 页面数据推送方法、装置、计算机设备及存储介质 | |
CN114154043A (zh) | 网站指纹的计算方法、系统、存储介质和终端 | |
CN113255742A (zh) | 一种政策匹配度计算方法、系统、计算机设备和存储介质 | |
CN115935074B (zh) | 文章推荐方法、装置、设备及介质 | |
CN110851709B (zh) | 资讯推送方法、装置、计算机设备和存储介质 | |
CN110888977B (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN110705257B (zh) | 媒体资源的识别方法、装置、存储介质及电子装置 | |
CN112115266A (zh) | 恶意网址的分类方法、装置、计算机设备和可读存储介质 | |
CN111368061B (zh) | 短文本过滤方法、装置、介质及计算机设备 | |
CN110781310A (zh) | 目标概念图谱的构建方法、装置、计算机设备和存储介质 | |
CN115794743A (zh) | 一种针对专利和期刊文献的综合检索方法及系统 | |
CN113902354B (zh) | 旅游评价数据处理方法、装置和计算机设备 | |
CN115238124A (zh) | 视频人物检索方法、装置、设备和存储介质 | |
CN111460268B (zh) | 数据库查询请求的确定方法、装置和计算机设备 | |
CN114328837A (zh) | 序列标注方法、装置、计算机设备、存储介质 | |
CN113204697A (zh) | 一种搜索方法、装置、电子设备及存储介质 | |
CN116010588B (zh) | 实时与离线结合的文档推荐方法、装置、设备及介质 | |
CN113268566B (zh) | 问答对的质量评价方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |