CN116415059A - 用于推荐内容的方法、电子设备和计算机程序产品 - Google Patents
用于推荐内容的方法、电子设备和计算机程序产品 Download PDFInfo
- Publication number
- CN116415059A CN116415059A CN202111625650.1A CN202111625650A CN116415059A CN 116415059 A CN116415059 A CN 116415059A CN 202111625650 A CN202111625650 A CN 202111625650A CN 116415059 A CN116415059 A CN 116415059A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- content
- determining
- result
- similarity
- 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 63
- 238000004590 computer program Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
根据本公开的各实施例涉及用于推荐内容的方法、电子设备和计算机程序产品。一种用于推荐内容的方法包括确定针对内容集的第一推荐结果和第二推荐结果之间的相似度。第一推荐结果和第二推荐结果基于不同的推荐技术而被确定,并且分别指示对内容集中各内容的推荐程度。该方法还包括利用相似度来调整第二推荐结果。此外,该方法还包括基于第一推荐结果和经调整的第二推荐结果来确定针对内容集的目标推荐结果。以此方式,可以提高最终所获得的推荐结果的准确性和稳定性。
Description
技术领域
本公开的实施例涉及内容推荐技术领域,并且更具体地,涉及用于推荐内容的方法、电子设备和计算机程序产品。
背景技术
随着互联网技术的发展,互联网能够为用户提供越来越多的网络服务。例如,用户可以通过互联网观看视频、聆听音乐、阅读文章、选购商品等。通常,用户可以通过搜索功能在互联网平台上搜索自己需要的内容。同时,为了方便用户获取针对性的信息,互联网平台也可以主动向用户推荐内容。随着互联网上信息的爆炸式增长,内容推荐已经成为当前的一个关注热点。
发明内容
根据本公开的示例实施例,提供了一种用于推荐内容的方案。该方案基于由多种不同推荐技术生成的多个推荐结果来确定最终推荐结果,并且在确定最终推荐结果的过程中通过考虑这些推荐结果之间的相似度来利用各个推荐结果之间存在的关联。与已知传统方案相比,根据本公开的实施例的方案可以强化多个推荐结果中相似程度较高的若干推荐结果对最终推荐结果的影响,从而可以提高最终推荐结果的准确性和稳定性,以提升最终推荐结果的质量。
在本公开的第一方面中,提供了一种用于推荐内容的方法。该方法包括确定针对内容集的第一推荐结果和第二推荐结果之间的相似度。第一推荐结果和第二推荐结果基于不同的推荐技术而被确定,并且分别指示对内容集中各内容的推荐程度。该方法还包括利用相似度来调整第二推荐结果。此外,该方法还包括基于第一推荐结果和经调整的第二推荐结果来确定针对内容集的目标推荐结果。
在本公开的第二方面中,提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。动作包括确定针对内容集的第一推荐结果和第二推荐结果之间的相似度。第一推荐结果和第二推荐结果基于不同的推荐技术而被确定,并且分别指示对内容集中各内容的推荐程度。动作还包括利用相似度来调整第二推荐结果。此外,动作还包括基于第一推荐结果和经调整的第二推荐结果来确定针对内容集的目标推荐结果。
在本公开的第三方面中,提供了一种计算机程序产品,计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令,机器可执行指令在被执行时使机器执行根据第一方面的方法。
提供发明内容部分是为了简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其它特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的一些实施例的示例环境的框图;
图2示出了根据本公开的一些实施例的用于确定目标推荐结果的过程的示意图;
图3示出了根据本公开的一些实施例的用于确定第一优化推荐结果的过程的示意图;
图4示出了根据本公开的一些实施例的用于推荐内容的方法的流程图;以及
图5示出了可以用来实施根据本公开的一些实施例的示例设备的示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其它明确的和隐含的定义。
如上所述,内容推荐已经成为当前互联网技术的一个关注热点。传统的内容推荐例如可以借助于特定的一种推荐技术来获得推荐结果。然后,由于常规的各种不同推荐技术在准确性、稳定性等评估指标方面各有所长,因此此类方案无法兼顾各项评估指标,使得推荐质量往往效果平平。
另一种已知的方案使用多种不同的推荐技术来获得多个推荐结果,并且通过对多个推荐结果简单地进行加权来获得最终推荐结果。由于只是简单地进行加权,而并不会分析并利用各个推荐结果之间存在的关联,因此所得到的最终推荐结果的质量仍然可能较为一般。
本公开的实施例提供了一种用于推荐内容的方案。根据本公开的各种实施例,通过考虑借助于多种不同推荐技术而获得的多个推荐结果之间的相似度,来整合多个推荐结果,以确定最终的推荐结果。
通过下文描述将会理解,与已知传统方案相比,由于根据本公开的实施例的方案在整合多个推荐结果的过程中,通过考虑这些推荐结果之间的相似度来利用各个推荐结果之间存在的关联,以强化相似的若干推荐结果对最终推荐结果的影响,从而可以使得所获得的最终推荐结果更加准确且更为稳定。
以下将继续参考附图描述本公开的一些示例实施例。
图1示出了根据本公开的一些实施例的示例环境100的框图。如图1所示,示例环境100总体上可以包括电子设备120。在一些实施例中,电子设备120可以是诸如个人计算机、工作站、服务器等具有计算功能的设备。本公开的范围在此方面不受限制。
在一些实施例中,电子设备120可以获取内容集130作为输入。内容集130中的内容例如可以是文章、图片、音乐或视频等。本公开的范围在此方面不受限制。
在一些实施例中,电子设备120获取基于多种不同推荐技术而被确定的第一推荐结果110-1、第二推荐结果110-2、……、第N推荐结果110-N(单独或统一地被称为推荐结果110)作为输入,其中N是大于1的整数。推荐结果110分别指示对内容集130中各内容的推荐程度。以文章推荐为例,多种不同推荐技术包括但不限于BM25(Best Matching 25)算法、隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)算法、Doc2vec算法、以及Paper2Vec算法。应当理解的是,推荐结果110还可以通过使用其它任何合适的推荐技术而被确定,本公开的范围在此方面不受限制。
在一些实施例中,推荐结果110可以表格的形式被呈现。下面的表1示出了一个示例性的推荐结果110。
表1示例性推荐结果
内容编号 | 推荐度 |
1 | 0.37 |
2 | 0.21 |
3 | 0.05 |
4 | 0.11 |
5 | 0.26 |
其中表格的第一列“内容编号”示出了分别与内容集130中的内容相对应的内容编号,并且表格的第二列“推荐度”以数值形式示出了对相应内容的推荐程度。应当理解的是,推荐结果110还可以以其它任何合适的方式被呈现,并且推荐程度也可以以非数值的形式被体现,本公开的范围在此方面不受限制。
电子设备120可以通过考虑多个推荐结果110之间的相似度来整合多个推荐结果110,以获得针对内容集130的目标推荐结果140。这将在下文中结合图2至图4进一步详细描述。
图2示出了根据本公开的一些实施例的用于确定目标推荐结果140的过程200的示意图。如图2所示,电子设备120可以基于多个推荐结果110来生成第一优化推荐结果210-1、第二优化推荐结果210-2、……、第N优化推荐结果210-N(单独或统一地被称为优化推荐结果210),并且基于优化推荐结果210来确定目标推荐结果140。
在一些实施例中,电子设备120可以通过考虑多个推荐结果110之间的相似度来确定优化推荐结果210。这将在下文中结合图3进一步详细描述。
在一些实施例中,例如在推荐结果110呈上文所述的表格形式的情况下,电子设备120可以将基于推荐结果110确定的优化推荐结果210中的针对各个内容的推荐度直接相加,来获得目标推荐结果140。应当理解的是,取决于推荐结果的形式,还可以其它任何合适的方式来从优化推荐结果210获得目标推荐结果140,本公开的范围在此方面不受限制。
在一些实施例中,内容集130可以是一组候选文章,并且上述各种推荐技术可以基于预定的基础文章(未示出)来推荐一组候选文章中的候选文章。该基础文章例如可以由用户预先指定。在这种情况下,电子设备120可以附加地确定与一组候选文章相关联的一组相关性量度。该组相关性量度中的每个相关性量度指示相应的候选文章与基础文章之间的相关程度。
在一些实施例中,针对一组候选文章中的每个候选文章,电子设备120可以利用预训练的语言模型来确定该候选文章的参考文献与基础文章的标题之间的相关程度,以作为与该候选文章相关联的相关性量度。语言模型包括但不限于基于变换器的双向编码器表示技术(Bidirectional Encoder Representations from Transformers,BERT)模型、生成预训练(Generative Pre-Training,GPT)模型、Word2vec模型等。
发明人经研究发现:文章的参考文献往往包括了文章作者认为与其文章相关程度相对较高的一个或多个文章,因此利用语言模型所确定的、候选文章的参考文献与基础文章的标题之间的相关程度可以较为准确地反映候选文章与基础文章的相关性。因此,通过使用这样的相关性量度来调整目标推荐结果140,可以提高最终推荐结果的准确性,从而进一步提升最终推荐结果的质量。
应当理解的是,还可以以其它任何合适的方式来确定候选文章与基础文章之间的相关程度,本公开的范围在此方面不受限制。
在一些实施例中,针对一个候选文章所包括的多篇参考文献,电子设备120可以利用预训练的语言模型来确定每篇参考文献的标题与基础文章的标题之间的相关性,以作为该篇参考文献与基础文章之间的相关性。电子设备120可以计算一个候选文章所包括的全部参考文献与基础文章之间的相关性的平均值来作为与该候选文章相关联的相关性量度。
电子设备120可以利用所确定的一组相关性量度来调整目标推荐结果140,以更新目标推荐结果140。在一些实施例中,针对一组候选文章中的每个候选文章,电子设备120可以将与该候选文章相关联的相关性量度与该候选文章在目标推荐结果140中的推荐度的乘积,作为该候选文章的经更新的推荐度。
通过这种方式,电子设备120可以通过额外地考虑候选文章与基础文章之间的相关程度,来精调(finetune)所获得的目标推荐结果140,以进一步提升最终推荐结果的质量。
图3示出了根据本公开的一些实施例的用于确定第一优化推荐结果210-1的过程300的示意图。如图3所示,电子设备120可以基于推荐结果110来确定与第一推荐结果110-1相关联的一组相似度310-1至310-N(单独或统一地被称为相似度310)。相似度310可以指示两个不同的推荐结果110之间的相似程度。例如,相似度310-2指示第一推荐结果110-1与第二推荐结果110-2之间的相似程度,并且相似度310-N指示第一推荐结果110-1与第N推荐结果110-N之间的相似程度。需要指出的是,在本公开的上下文中,相似度310还可以包括一个推荐结果110与其自身之间的相似程度。例如,相似度310-1指示第一推荐结果110-1与其自身之间的相似程度。
在下文描述中,将以确定第一推荐结果110-1与第二推荐结果110-2之间的相似度310-2为例进行说明。在一些实施例中,电子设备120可以基于第一推荐结果110-1来确定第一组指示,第一组指示分别表示对内容集130中的相应内容的推荐程度。第一组指示例如可以以推荐程度所构成的向量的形式被体现。示例性地,针对上文中表1所示出的推荐结果的一组指示可以是向量[0.37,0.21,0.05,0.11,0.26]。类似地,电子设备120可以基于第二推荐结果110-2来确定第二组指示,第二组指示分别表示对内容集130中的相应内容的推荐程度。然后,电子设备120可以确定第一组指示与第二组指示之间的余弦相似度来作为第一推荐结果110-1与第二推荐结果110-2之间的相似度310-2。
通过这种方式,与常规的简单加权的技术方案相比,根据本公开的实施例的方案可以分析和挖掘各个推荐结果之间的关联性,使得可以强化相似度310较高的多个推荐结果在最终推荐结果中的占比,同时可以兼顾相似度310相对较低的推荐结果,从而可以提高最终推荐结果的准确性和稳定性。
应当理解的是,取决于第一组指示和第二组指示的具体形式,还可以借助于诸如欧氏距离、汉明距离等的其它任何合适的相似度度量方法来确定两个推荐结果110之间的相似度310,本公开的范围在此方面不受限制。
电子设备120可以以与上文参考相似度310-2描述类似的方式来确定其余的相似度310。本公开在此不再赘述。
如图3所示,电子设备120可以基于所确定的相似度310,借助于调整器320-1至320-N(单独或统一地被称为调整器320)来调整对应的推荐结果110,以获得经调整的推荐结果。在一些实施例中,电子设备120可以基于相似度310来确定缩放因子,并且利用缩放因子来调整推荐结果110。示例性地,电子设备120可以直接将上文中所描述的余弦相似度的值确定为缩放因子,并计算推荐结果110与该缩放因子的乘积来作为经调整的推荐结果。应当理解的是,电子设备120还可以以其它任何合适的方式来基于相似度310调整推荐结果110,例如通过使用指示相似度310与缩放因子之间的映射关系的映射表来基于相似度310来确定缩放因子,本公开的范围在此方面不受限制。通过这种调整方式,根据本公开的实施例的方法可以利用相似度来调整各个推荐结果110对最终所获得的推荐结果的影响,从而使得能够强化相似度310较高的若干推荐结果在最终推荐结果中的占比,并且还可以兼顾相似度310相对较低的推荐结果。因此,可以提高最终推荐结果的准确性和稳定性。
在一些实施例中,由于一个推荐结果110与其自身之间的余弦相似度始终为1,因此还可以不再针对第一推荐结果110-1计算相似度310-1,并且省去调整器320-1,从而可以节省电子设备120的算力。
如图3所示,电子设备120可以基于由调整器320输出的经调整的推荐结果来确定与第一推荐结果110-1相对应的第一优化推荐结果210-1。在一些实施例中,电子设备120可以直接将各个经调整的推荐结果相加来获得第一优化推荐结果210。应当理解的是,还可以以其它任何合适的方式来根据经调整的推荐结果获得优化推荐结果210,本公开的范围在此方面不受限制。通过这种调整方式,根据本公开的实施例的方法可以利用相似度来调整各个推荐结果110,使得基于优化推荐结果210获得的目标推荐结果140可以在较大程度上体现相似度较高的推荐结果,但同时也可以考虑到相似度相对较低的推荐结果,从而可以提高最终推荐结果的准确性和稳定性。
电子设备120可以以与确定第一优化推荐结果210类似的方式来确定与其余推荐结果110相对应的优化推荐结果210。例如,电子设备120可以确定第二推荐结果110-2与各个推荐结果110之间的相似度310,并利用所确定的相似度310来调整各个推荐结果110,以获得第二优化推荐结果210-2。本公开在此不再赘述。
图4示出了根据本公开的一些实施例的用于推荐内容的方法400的流程图。例如,方法400可以由如图1所示的电子设备120执行。应当理解的是,方法400还可以包括未示出的附加框,和/或可以省略所示出的框。本公开的范围在此方面不受限制。为了便于描述,以下参考图1至图3来描述方法400。
在框402处,电子设备120确定针对内容集130的第一推荐结果110-1和第二推荐结果110-2之间的相似度310,第一推荐结果110-1和第二推荐结果110-2基于不同的推荐技术而被确定,并且分别指示对内容集130中各内容的推荐程度。
在一些实施例中,确定相似度310包括:基于第一推荐结果110-1来确定第一组指示,第一组指示分别表示对内容集130中的相应内容的推荐程度;基于第二推荐结果110-2来确定第二组指示,第二组指示分别表示对内容集130中的相应内容的推荐程度;以及确定第一组指示与第二组指示之间的余弦相似度。
在框404处,电子设备120利用相似度310来调整第二推荐结果110-2。在一些实施例中,调整第二推荐结果110-2包括:基于相似度310来确定缩放因子;以及利用缩放因子来缩放第二推荐结果110-2。
在框406处,电子设备120基于第一推荐结果110-1和经调整的第二推荐结果,确定针对内容集130的目标推荐结果140。在一些实施例中,确定目标推荐结果140包括:利用第一推荐结果110-1和经调整的第二推荐结果来获取与第一推荐结果110-1相对应的第一优化推荐结果210-1;以及基于第一优化推荐结果210-1来确定目标推荐结果140。
在一些实施例中,基于第一优化推荐结果210-1来确定目标推荐结果140包括:利用相似度310来调整第一推荐结果110-1;利用第二推荐结果110-2和经调整的第一推荐结果来获取与第二推荐结果110-2相对应的第二优化推荐结果210-2;以及基于第一优化推荐结果210-1和第二优化推荐结果210-2,确定目标推荐结果140。
在一些实施例中,内容集130是一组候选文章,推荐技术基于预定的基础文章来推荐一组候选文章中的候选文章,方法400还包括:确定与一组候选文章相关联的一组相关性量度,一组相关性量度中的每个相关性量度指示相应的候选文章与基础文章之间的相关程度;以及利用一组相关性量度来调整目标推荐结果140,以更新目标推荐结果140。
在一些实施例中,一组候选文章包括第一候选文章,一组相关性量度包括与第一候选文章相对应的第一相关性量度,确定一组相关性量度包括:利用预训练的语言模型来确定第一候选文章的参考文献与基础文章的标题之间的相关程度,以作为第一相关性量度。
通过以上结合图1至图4的描述可以看到,根据本公开的实施例的用于推荐内容的方法可以在整合多个推荐结果以获得最终推荐结果的过程中,通过考虑这些推荐结果之间的相似度来利用各个推荐结果之间存在的关联,以强化相似的多个推荐结果对最终推荐结果的影响。因此,与已知传统方案相比,根据本公开的实施例的方法可以强化多个推荐结果中相似度较高的数个推荐结果在最终推荐结果中的占比,从而可以提高最终推荐结果的准确性和稳定性,以提升最终推荐结果的质量。
图5示出了可以用来实施根据本公开的一些实施例的示例设备500的示意性框图。如图5所示,设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其它设备交换信息/数据。
上文所描述的各个过程和处理,例如方法400,可以由处理单元501执行。例如,在一些实施例中,方法400可以被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到RAM 503并由CPU 501执行时,可以执行上文描述的方法200和300的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种用于推荐内容的方法,包括:
确定针对内容集的第一推荐结果和第二推荐结果之间的相似度,所述第一推荐结果和所述第二推荐结果基于不同的推荐技术而被确定,并且分别指示对所述内容集中各内容的推荐程度;
利用所述相似度来调整所述第二推荐结果;以及
基于所述第一推荐结果和经调整的第二推荐结果,确定针对所述内容集的目标推荐结果。
2.根据权利要求1所述的方法,其中确定所述相似度包括:
基于所述第一推荐结果来确定第一组指示,所述第一组指示分别表示对所述内容集中的相应内容的推荐程度;
基于所述第二推荐结果来确定第二组指示,所述第二组指示分别表示对所述内容集中的相应内容的推荐程度;以及
确定所述第一组指示与所述第二组指示之间的余弦相似度。
3.根据权利要求1或2所述的方法,其中调整所述第二推荐结果包括:
基于所述相似度来确定缩放因子;以及
利用所述缩放因子来缩放所述第二推荐结果。
4.根据权利要求1或2所述的方法,其中确定所述目标推荐结果包括:
利用所述第一推荐结果和经调整的第二推荐结果来获取与所述第一推荐结果相对应的第一优化推荐结果;以及
基于所述第一优化推荐结果来确定所述目标推荐结果。
5.根据权利要求4所述的方法,其中基于所述第一优化推荐结果来确定所述目标推荐结果包括:
利用所述相似度来调整所述第一推荐结果;
利用所述第二推荐结果和经调整的所述第一推荐结果来获取与所述第二推荐结果相对应的第二优化推荐结果;以及
基于所述第一优化推荐结果和所述第二优化推荐结果,确定所述目标推荐结果。
6.根据权利要求1或2所述的方法,其中所述内容集是一组候选文章,所述推荐技术基于预定的基础文章来推荐所述一组候选文章中的候选文章,所述方法还包括:
确定与所述一组候选文章相关联的一组相关性量度,所述一组相关性量度中的每个相关性量度指示相应的候选文章与所述基础文章之间的相关程度;以及
利用所述一组相关性量度来调整所述目标推荐结果,以更新所述目标推荐结果。
7.根据权利要求6所述的方法,其中所述一组候选文章包括第一候选文章,所述一组相关性量度包括与所述第一候选文章相对应的第一相关性量度,确定所述一组相关性量度包括:
利用预训练的语言模型来确定所述第一候选文章的参考文献与所述基础文章的标题之间的相关程度,以作为所述第一相关性量度。
8.一种电子设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
确定针对内容集的第一推荐结果和第二推荐结果之间的相似度,所述第一推荐结果和所述第二推荐结果基于不同的推荐技术而被确定,并且分别指示对所述内容集中各内容的推荐程度;
利用所述相似度来调整所述第二推荐结果;以及
基于所述第一推荐结果和经调整的第二推荐结果,确定针对所述内容集的目标推荐结果。
9.根据权利要求8所述的电子设备,其中确定所述相似度包括:
基于所述第一推荐结果来确定第一组指示,所述第一组指示分别表示对所述内容集中的相应内容的推荐程度;
基于所述第二推荐结果来确定第二组指示,所述第二组指示分别表示对所述内容集中的相应内容的推荐程度;以及
确定所述第一组指示与所述第二组指示之间的余弦相似度。
10.根据权利要求8或9所述的电子设备,其中调整所述第二推荐结果包括:
基于所述相似度来确定缩放因子;以及
利用所述缩放因子来缩放所述第二推荐结果。
11.根据权利要求8或9所述的电子设备,其中确定所述目标推荐结果包括:
利用所述第一推荐结果和经调整的第二推荐结果来获取与所述第一推荐结果相对应的第一优化推荐结果;以及
基于所述第一优化推荐结果来确定所述目标推荐结果。
12.根据权利要求11所述的电子设备,其中基于所述第一优化推荐结果来确定所述目标推荐结果包括:
利用所述相似度来调整所述第一推荐结果;
利用所述第二推荐结果和经调整的所述第一推荐结果来获取与所述第二推荐结果相对应的第二优化推荐结果;以及
基于所述第一优化推荐结果和所述第二优化推荐结果,确定所述目标推荐结果。
13.根据权利要求8或9所述的电子设备,其中所述内容集是一组候选文章,所述推荐技术基于预定的基础文章来推荐所述一组候选文章中的候选文章,所述动作还包括:
确定与所述一组候选文章相关联的一组相关性量度,所述一组相关性量度中的每个相关性量度指示相应的候选文章与所述基础文章之间的相关程度;以及
利用所述一组相关性量度来调整所述目标推荐结果,以更新所述目标推荐结果。
14.根据权利要求13所述的电子设备,其中所述一组候选文章包括第一候选文章,所述一组相关性量度包括与所述第一候选文章相对应的第一相关性量度,确定所述一组相关性量度包括:
利用预训练的语言模型来确定所述第一候选文章的参考文献与所述基础文章的标题之间的相关程度,以作为所述第一相关性量度。
15.一种计算机程序产品,所述计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625650.1A CN116415059A (zh) | 2021-12-28 | 2021-12-28 | 用于推荐内容的方法、电子设备和计算机程序产品 |
US17/578,838 US20230205802A1 (en) | 2021-12-28 | 2022-01-19 | Method, electronic device, and computer program product for content recommendation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625650.1A CN116415059A (zh) | 2021-12-28 | 2021-12-28 | 用于推荐内容的方法、电子设备和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415059A true CN116415059A (zh) | 2023-07-11 |
Family
ID=86897802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625650.1A Pending CN116415059A (zh) | 2021-12-28 | 2021-12-28 | 用于推荐内容的方法、电子设备和计算机程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230205802A1 (zh) |
CN (1) | CN116415059A (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8301623B2 (en) * | 2007-05-22 | 2012-10-30 | Amazon Technologies, Inc. | Probabilistic recommendation system |
GB2453753A (en) * | 2007-10-17 | 2009-04-22 | Motorola Inc | Method and system for generating recommendations of content items |
US8566256B2 (en) * | 2008-04-01 | 2013-10-22 | Certona Corporation | Universal system and method for representing and predicting human behavior |
US8301692B1 (en) * | 2009-06-16 | 2012-10-30 | Amazon Technologies, Inc. | Person to person similarities based on media experiences |
US9396492B2 (en) * | 2010-10-15 | 2016-07-19 | Opentable, Inc. | Computer system and method for analyzing data sets and providing personalized recommendations |
US10115146B1 (en) * | 2015-01-08 | 2018-10-30 | Google Llc | Scoring candidates for set recommendation problems |
US10810655B2 (en) * | 2018-01-04 | 2020-10-20 | Facebook, Inc. | Generating catalog-item recommendations based on social graph data |
US11113745B1 (en) * | 2020-04-03 | 2021-09-07 | Verizon Media Inc. | Neural contextual bandit based computational recommendation method and apparatus |
US11070881B1 (en) * | 2020-07-07 | 2021-07-20 | Verizon Patent And Licensing Inc. | Systems and methods for evaluating models that generate recommendations |
-
2021
- 2021-12-28 CN CN202111625650.1A patent/CN116415059A/zh active Pending
-
2022
- 2022-01-19 US US17/578,838 patent/US20230205802A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230205802A1 (en) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
US20190171724A1 (en) | Method and apparatus for determining hot event | |
WO2018121700A1 (zh) | 基于已安装应用来推荐应用信息的方法、装置、终端设备及存储介质 | |
EP2825981A1 (en) | Publishing product information | |
US10032448B1 (en) | Domain terminology expansion by sensitivity | |
US10685012B2 (en) | Generating feature embeddings from a co-occurrence matrix | |
CN103955464A (zh) | 一种基于情境融合感知的推荐方法 | |
CN112307344A (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
US20170142119A1 (en) | Method for creating group user profile, electronic device, and non-transitory computer-readable storage medium | |
US20160293045A1 (en) | Vocabulary learning support system | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
JP2019053386A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20220358175A1 (en) | Method and system of personalized blending for content recommendation | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
Wu | Can’t ridge regression perform variable selection? | |
CN110992127A (zh) | 一种物品推荐方法及装置 | |
US20170039873A1 (en) | Providing adaptive electronic reading support | |
KR20230150239A (ko) | 가맹점 추천 정보를 제공하는 방법 및 디바이스 | |
CN108550019A (zh) | 一种简历筛选方法及装置 | |
CN116415059A (zh) | 用于推荐内容的方法、电子设备和计算机程序产品 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
CN115905681A (zh) | 店铺推荐方法、服务器、展示方法、客户端及系统 | |
WO2018024222A1 (zh) | 应用推荐方法、装置及服务器 | |
CN112148751B (zh) | 用于查询数据的方法和装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 |
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 |