CN116611891A - 内容信息的推荐方法、装置、服务器及存储介质 - Google Patents

内容信息的推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN116611891A
CN116611891A CN202310595549.9A CN202310595549A CN116611891A CN 116611891 A CN116611891 A CN 116611891A CN 202310595549 A CN202310595549 A CN 202310595549A CN 116611891 A CN116611891 A CN 116611891A
Authority
CN
China
Prior art keywords
image
content
recommendation
similarity
target
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
Application number
CN202310595549.9A
Other languages
English (en)
Inventor
林晓琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310595549.9A priority Critical patent/CN116611891A/zh
Publication of CN116611891A publication Critical patent/CN116611891A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例涉及金融科技领域，具体公开了一种内容信息的推荐方法、装置、服务器及存储介质，其中，内容信息的推荐方法通过用户的基础信息确定用户的偏好数据及定位数据；从而确定用户所对应的待推荐的初始内容信息；基于内容热度、运营推荐指数从初始内容信息中确定目标内容信息；根据目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据内容推荐关键词生成多个推荐封面图；根据推荐封面图和内容推荐标题生成目标推荐内容，并将目标推荐内容发送给终端设备，以使终端设备将目标推荐内容显示于目标应用程序的预设程序页面，该内容信息的推荐方法可以用于与车险应用平台，实现提高车险应用平台的用户黏性。

Description

内容信息的推荐方法、装置、服务器及存储介质
技术领域
本申请涉及金融科技领域，尤其涉及一种内容信息的推荐方法、装置、服务器及存储介质。
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，信息推送平台通常将想推荐给用户的信息以链接的形式置顶于对应的应用界面中，用户在开启应用并浏览相关应用界面过程中可以获取到对应的感兴趣内容，并进行点击浏览。信息推送平台包括但不限于保险购置平台。例如，在一车险平台应用场景中，通过将车险理赔、车险推荐、车辆保养等跟用户用车相关的数据展示在对应的信息界面中，以便用户进行点击阅览。
然而，应用界面中所推荐的内容信息通常是运营人员手动更新，导致用户不一定能看到他想看的，只能看到运营人员想让他看的，从而导致应用界面中推荐的内容信息整体的点击率较低，最终使得客户站粘性不强，造成一定量的用户流失。故而，如何获取用户感兴趣的内容，并基于用户做个性化推荐，以提高用户黏性显得尤为重要。
发明内容
本申请实施例的主要目的在于提供一种内容信息的推荐方法、装置、服务器及存储介质，旨在准确获取用户感兴趣的内容并推荐给用户，以有效提高用户黏性。
第一方面，本申请实施例提供一种内容信息的推荐方法，包括：
获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；
根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；
基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；
根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；
根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
第二方面，本申请实施例还提供一种内容信息的推荐装置，包括：
信息获取模块，用于当接收到所述用户触发目标应用程序的触发指令时，根据所述触发指令获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；
第一内容模块，用于根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；
第二内容模块，用于基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；
图像生成模块，用于根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；
信息推送模块，用于根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
第三方面，本申请实施例还提供一种服务器，所述服务器包括处理器、存储器、存储在存储器上并可被处理器执行的计算机程序以及用于实现处理器和存储器之间的连接通信的数据总线，其中计算机程序被处理器执行时，实现如本申请说明书中任一实施例提供的内容信息的推荐方法的步骤。
第四方面，本申请实施例还提供一种存储介质，用于计算机可读存储，其特征在于，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书中任一实施例提供的内容信息的推荐方法的步骤。
本申请实施例提供一种内容信息的推荐方法、装置、服务器以及存储介质，其中，所述内容信息的推荐方法通过获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
该方法通过根据用户的基础信息准确快速的筛选出用户感兴趣的内容信息，并根据内容信息生成对应适配的推荐封面图，利用推荐封面图和内容推荐标题适配得到目标推荐内容，然后将目标推荐内容发送给终端设备看，以使终端设备将目标推荐内容显示在对应的界面，以通过界面显示的方式将目标推荐内容及时推荐给用户，从而有效提高相关信息对用户的吸引力，进而有效提高用户黏性。
附图说明
为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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。
图1为本申请实施例提供的一种内容信息的推荐方法的步骤流程图；
图2为本申请实施例提供的一种内容信息的推荐方法的应用场景示意图；
图3为服务器在运行内容信息的推荐方法向终端设备发送推荐内容后，终端设备在应用程序的程序页面进行显示的场景示意图；
图4为本申请实施例提供的一种内容信息的推荐装置的模块结构示意图；
图5为本申请实施例提供的一种服务器的结构示意框图。
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，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本申请实施例提供了一种内容信息的推荐方法、装置、服务器及存储介质。其中，该内容信息的推荐方法应用于服务器，其中，服务器可以为独立的服务器，也可以为服务器集群，在此不做限定。
其中，该内容信息的推荐方法包括，获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；根据所述推荐封面图和所述目标内容信息生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
也即，该方法通过根据用户的基础信息准确快速的筛选出用户感兴趣的内容信息，并根据内容信息生成对应适配的推荐封面图，利用推荐封面图和内容推荐标题适配得到目标推荐内容，然后将目标推荐内容发送给终端设备看，以使终端设备将目标推荐内容显示在对应的界面，以通过界面显示的方式将目标推荐内容及时推荐给用户，从而有效提高相关信息对用户的吸引力，进而有效提高用户黏性。
下面结合附图，对本申请的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请实施例提供的一种内容信息的推荐方法的流程图。
如图1所示，该内容信息的推荐方法包括步骤S1至步骤S5。
步骤S1：获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据。
示例性地，用户的基础信息包括但不限于用户身份数据、用户行为数据、用户兴趣标签、用户定位数据。其中，用户定位数据通过用户手持的终端设备上的定位信息获取。用户身份数据包括但不限于年龄、性别、联系方式。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，例如，用户通过与自己身份信息关联的账号登陆预设应用程序后，在该预设应用程序执行点击、分享、收藏、购买、主动搜索等行为后应用程序所搜集到的数据。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。通过对用户的基础信息进行聚类分析可以得出用户的偏好数据及定位数据，偏好数据用于表征用户对某一类产品、信息或事务的感兴趣程度。
请参阅图2，例如，服务器20安装有车险应用程序的服务端，终端设备10安装有车险应用程序的客户端，用户通过在车险平台上所注册的账号在车险应用程序的客户端上登陆车险平台后，可以在该车险平台阅览与车险相关的信息，如，购买车险、办理车险理赔、查询车险保单、车辆违章查询、洗车服务、停车服务、车辆维修服务、车辆加油服务等。
服务器20可以获取到用户在终端设备10所安装的车险应用程序的客户端执行相关操作的数据，例如，用户在该车平台上的点击、分享、收藏、购买、主动搜索等操作。
服务器20通过采集用户点击、分享、收藏、购买、主动搜索等操作的相关数据之后，对相关数据进行数据分析，得知用户当前对购买车险的相关服务感兴趣。
步骤S2：根据所述偏好数据和所述定位数据确定待推荐的初始内容信息。
示例性地，初始内容信息可以是视频信息、文本信息或者图片信息，在此不做限定，在获得用户的偏好数据和定位数据之后，利用用户的偏好数据和定位数据筛选出与用户当前位置匹配的第一偏好数据，并获取与第一偏好数据相关的偏好辅助数据，从而将第一偏好数据和偏好辅助数据作为初始内容信息。
例如，服务器20在获知当前用户对购买车险的相关服务感兴趣之后，从对应的数据库中获取到用户车辆在A城市可以购买的B、C、D三个种类的车险服务，在确定用户在A城市可以购买的B、C、D三个种类的车险服务之后，再从对应的数据库中获取到B、C、D三个种类的车险所对应的购买流程及后期理赔流程等相关的视频教程或者文本教程。将对应的B、C、D三个种类的车险、及车险所对应的购买流程教程及后期理赔流程教程作为待推荐的初始内容信息。
步骤S3：基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息。
示例性地，每个推荐因子用于从预设的维度评估初始内容信息的推荐优先级，每个初始内容信息均包括至少两个推荐因子，通过获取每个初始内容信息的推荐因子，并根据推荐因子确定对应初始内容信息的推荐优先级，从而可以根据推荐优先级从多个初始内容信息中确定待推荐的目标内容信息，其中，初始内容信息的推荐因子对应的数值越大，表征初始内容信息推荐优先级越高。进而，通过推荐优先级对初始内容信息进行排序，从而可以根据排序结果从多个初始内容信息中确定目标内容信息。
可选地，推荐因子至少包括基于内容热度的第一推荐因子和基于运营推荐指数的第二推荐因子，通过多个维度评测初始内容信息的推荐优先级，从而通过推荐优先级从所述初始内容信息筛选出的目标内容信息与用户感兴趣内容信息的匹配程度越高。
例如，在确定待推荐的初始内容信息包括B、C、D三个种类的车险、N个车险所对应的购买流程教程、及M后期理赔流程教程，N和M均为大于等于2的正整数。
基于内容热度、运营推荐指数计算B、C、D三个种类的车险的每个车险第一优先级得分，从而可以根据第一优先级得分从三个种类的车险中筛选出对应的目标车险。同时，基于内容热度、运营推荐指数计算N个车险所对应的购买流程教程的每个购买流程教程的第二优先级得分，并根据第二优先级得分从N个车险所对应的购买流程教程中筛选出目标购买流程教程。及基于内容热度、运营推荐指数计算M个后期理赔流程教程中每个后期理赔流程教程的第三优先级得分，并根据第三优先级得分从M个后期理赔流程教程中筛选出目标后期理赔流程教程，进而将目标车险、目标购买流程教程及目标后期理赔流程教程作为对应的待推荐的目标内容信息。
在一些实施方式中，所述基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，包括：
获取各个所述初始内容信息基于内容热度的第一推荐因子，及基于运营推荐指数的第二推荐因子；
根据所述第一推荐因子和所述第二推荐因子确定各个所述初始内容信息的推荐因子。
示例性地，内容热度用于表征对应的初始内容信息被大众关注的程度，内容热度越高，表征对应的初始内容信息被越多的大众所关注。运营推荐指数是运营人员根据平台用户的关注反馈及个人经验为对应初始内容信息的评分。
指数通过内容热度和运营推荐指数两个维度去计算每个初始内容信息的推荐因子，从而根据推荐因子获得每个初始内容信息的推荐优先级，从而使得初始信息的优先级评测结果的准确度各为合理。
步骤S4：根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图。
示例性地，推荐封面图与目标内容信息匹配，用于概括当前目标内容信息的侧重点，用户通过推荐封面图了解到更多关于目标内容信息的相关内容，进而增强目标内容信息对用户的吸引力，进而增加用户点击相关目标内容信息的几率。
服务器20中存储有内容信息与内容推荐关键词、内容推荐标题的映射关系，在确定目标内容信息之后，可以根据目标内容信息确定出于该目标内容信息匹配的推荐关键词，及内容推荐标题，从而将该推荐关键词输入至预设的图像生成模型，从而利用图像生成模型输出多个与目标内容信息匹配的推荐封面图片。
例如，每一个目标内容对应一组内容推荐关键词和内容推荐标题，图像生成模型根据每组内容推荐关键词可以生成至少两张不同的推荐封面图，用户通过推荐封面图可以快速了解到对应的目标内容的关键信息。
如，其中一组目标内容信息确定内容推荐关键词为“车辆保险的理赔注意事项及办理流程”，将该内容推荐关键词作为输入信息输入至图像生成模型，从而该图像生成模型可以输出与该内容推荐关键词匹配的推荐封面图，该推荐封面图中包含有车险标识、车险理赔标识或者车险办理流程标识中的至少一者，用户可以从推荐封面图中获取该推荐封面图所对应的目标内容信息中的部分关键信息。
步骤S5：根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
示例性地，在确定推荐封面图和内容推荐标题之后，根据推荐封面图和内容推荐标题生成目标推荐内容，并将目标推荐内容发送给终端设备，从而使得终端设备将目标推荐内容显示与目标应用程序预设的程序页面，该预设的程序页面包括但不限定于应用程序的首页。用户使用目标应用程序过程中通过目标应用程序对应的程序页面所显示的目标推荐内容的内容推荐标题和推荐封面图可以快速获取到对应目标内容信息的关键信息，并且推荐封面图可以提高视觉冲击，从而增强用户了解相关推荐封面图下所对应的目标内容信息的渴望度。
请参阅图3，以目标应用程序为车险应用程序为例，图3为车险应用程序对应的应用程序首页页面。
如图3所示，车险应用程序的首页页面101至少包括信息收搜区102、应用功能区103及内容推荐区104。其中，信息收搜区102用于为用户提供信息收搜服务，用户通过在信息收搜区内输入感兴趣的文本内容，使得应用程序跳转到对应的收搜结果页面，从而可以在搜索结果页面阅览到对应的收搜信息。
应用功能区103用于展示车险应用程序主要提供的应用服务，例如，购买车险、理赔办理、保单查询、车辆保养等服务。
内容推荐区104根据用户的偏好所定制的目标推荐内容1041，例如，当用户对购买B种类的车险时，在内容推荐区104展示目标推荐内容1041包括购买B种类车险的购买流程、购买B种类车险后的理赔流程、B种类车险的用户评价、B种类车险的购买注意事项等中的任一者。
其中，每个目标推荐内容1041均包括内容推荐标题1042和推荐封面图1043，用户可以通过文本和图片的形式快速了解到对应的目标推荐内容1041的关键信息，从而有效提高用户对目标推荐内容的了解效率及阅览兴趣。
终端设备10在接收到服务器20所发送的目标推荐内容1041之后，将目标推荐内容1041展示在内容推荐区104，从而便于用户在内容推荐区进行兴趣内容的阅览。
在一些实施方式中，所述根据所述推荐封面图和所述目标内容信息生成目标推荐内容，包括：
根据所述推荐封面图和所述目标内容信息生成初始图文内容，并将所述初始图文内容发送给预设审核终端，以在所述审核终端的显示界面显示所述初始图文内容；
在接收到所述审核终端发送的图文选择指令时，根据所述图文选择指令从所述初始图文内容中筛选出目标推荐内容。
示例性地，通过设置审核终端，在根据推荐封面图和目标内容信息生成初始图文内容之后，先将初始图文内容发送给对应的审核终端，以在审核终端的显示界面显示所述初始图文内容，从而便于审核人员通过审核终端的显示界面对初始图文内容进行审核，从而在初始图文内容中筛选出符合预设要求的目标推荐内容。审核人员在从初始图文内容中筛选出符合预设要求的目标推荐内容之后，通过点击显示界面上的“确定”虚拟按钮从而向服务器发送图文选择指令，进而使得服务器根据该图文选择指令将对应的目标推荐内容发送给终端设备。
基于根据推荐封面图和目标内容信息所生成的初始图文内容可能存在多种多样的布局样式，故而，通过人工筛选出符合预设要求的样式所对应的初始图文内容作为目标推荐内容，可以更好提升用户的预览体验。
在一些实施方式中，在所述利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图之前，所述方法还包括：
利用待训练的初始图像生成模型输出第一图像集；
获取所述第一图像集中各个第一图像的图像相似度，所述图像相似度至少包括灰度相似度、轮廓相似度及空间位置相似度，所述空间位置相似度用于表征图像中目标对象之间的空间关系；
根据所述图像相似度计算所述初始图像生成模型的损失函数的损失值；
根据所述损失值更新所述初始图像生成模型的模型参数，直至得到图像生成模型。
示例性地，初始图像生成模型为文-图模型，也即通过输入文本从而生成与文本匹配的图像。
基于不同的用户所感兴趣的内容可能不同，并且不同内容所要适配的推荐封面图存在差异，因此，对图像生成模型所生成图像的多样性提出了更高的要求。
近年来图像生成模型也有很好的发展，但在容易生成较同质化的图像，该问题一般是由于训练轮次过多发生了过拟合，或是因为训练样本少，复杂度高等。图像生成模型在训练过程中不会对生成图像的多样性进行判别，所以难以解决生成图像的单一问题，这个缺陷直接导致使用现有的图像生成模型仍难获得合格的推荐封面图。
为了提高图像生成模型输出图像的多样性，本实施方式中，通过利用待训练的初始图像生成模型输出第一图像集，再多维提取第一图像集中各个第一图像的图像相似度，图像相似度至少包括图像的灰度相似度、图像中目标对象的轮廓相似度及图像中目标对象的空间位置相似度。在获取第一图像集中各个第一图像的图像相似度之后，利用图像相似度计算初始图像生成模型的损失函数的损失值，再根据损失值调整更新初始图像生成模型的模型参数，直至得到目标图像生成模型，进而使得再次通过目标图像生成模型输出的图像集中各个图像之间的相似度较低，实现输出图像的多样性。
可以理解，初始图像生成模型训练完成得到目标图像生成模型，可以是初始图像生成模型的损失函数损失值收敛至预设值，或者，初始图像生成模型的迭代更新次数达到预设次数时，表征初始图像生成模型训练完成。
可以理解，本实施例中，损失函数为第一图像集的总相似度。即用第一图像集的总相似度作为初始图像生成模型的损失函数，并且损失函数的损失值和第一图像集的总相似度成正相关，总相似度越大，损失值越大；总相似度越小，损失值越小。也即，图像之间的相似度越小，表明多样性越好，越满足需求，损失值也越小。
在一些实施方式中，初始图像生成模型包括文本编码层、自动编码层、图像生成层、图像分类层，所述获取待训练的初始图像生成模型输出的第一图像集，包括：
根据所述初始图像生成模型的文本编码层将待生成图像的文本数据转换为第二文本向量；
获得与所述文本数据不相关的图像，并将所述图像利用所述初始图像生成模型的自动编码层获得图像编码向量；
将所述二文本向量和所述图像编码向量进行拼接，获得拼接向量并将所述拼接向量利用所述初始图像生成模型的图像生成层，获得符合所述文本数据的第二生成图像集；
将所述第二生成图像集利用所述初始图像生成模型的图像分类层获得所述第二生成图像集中每张图像符合所述文本数据的概率，并根据所述第二生成图像集中每张图像符合所述文本数据的概率确定所述第一图像集。
示例性地，文本生成图像时所使用的文本为关键词，利用文本编码层将关键词转化为机器可以识别的语言获得文本向量。随机生成一张图像，将该随机生成图像经过自动编码层进行图像特征提取获得图像编码向量，将文本向量和图像编码向量进行拼接获得拼接向量，并将拼接向量输入至图像生成层，获得符合文本关键词的第二生成图像集；图像分类层计算第二生成图像集中每个图像与关键词对应的类别概率，将第二生成图像集中每个图像对应的类别概率进行排序，从高到低排列，按照输出图像数量的需求，输出需求数量的图像即可，进而获得符合文本关键词的多个图像。通过优化输出需求数量的图像和真实图像的相似度，进而不断优化初始图像生成模型，生成符合需求的图像生成模型。
此外，初始图像生成模型整个训练过程是生成图像和文本数据的不断相互博弈和优化，图像生成模型不断生成图像的分布不断满足文本数据的要求，来提高图像生成模型的生成能力。为增强初始图像生成模型的泛化能力，在进行模型训练时，也可以增加一些文本数据和真实图像不匹配的数据作为负样本，以提高模型抗干扰的能力，具体数据量根据需求设定即可。
初始图像生成模型可以按照上述设置的模型结构进行训练获得，也可以为开源的图像生成模型，例如，潜在扩散模型(Latent Diffusion Models，LDM)。
在获得初始图像生成模型之后，对初始图像生成模型进行增量训练，以使得图像生成模型生成图像具有多样性。将训练文本输入初始图像生成模型之后获得第一图像集。
在一些实施方式中，第一图像集包括多个子图像，获取所述第一图像集中各个第一图像的图像相似度，包括：
对所述第一图像集中的图像对照组执行色彩比较操作，以将所述图像对照组内的子图像进行色彩比较，得到所述图像对照组的灰度相似度，其中，所述图像对照组由所述第一图像集中任意两个子图像构成；
对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度；
多次获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度并根据多次获取的所述灰度相似度、所述轮廓相似度及所述空间位置相似度确定所述图像相似度。
示例性地，从第一图像集中获取任意两张子图像组成图像对照组，进而计算图像对照组中两张子图像的图像相似度。图像相似度至少包括灰度相似度、轮廓相似度及空间位置相似度。
对所述第一图像集中的图像对照组执行灰度比较操作，获得能够明确表示图像对照组中两个子图像的灰度差异，进而获得图像对照组中两个子图像的灰度细节差异性，最后确定图像对照组中两个子图像的灰度细节的相似性。
对第一图像集中的图像对照组进行轮廓提取操作，获得图像对照组中子图像内目标对象的轮廓信息，根据子图像内目标对象的轮廓信息得知不同图像中目标对象轮廓大小的差异性，进而得到图像对照组中的两个图像之间轮廓相似性。
对第一图像集中的图像对照组执行空间位置比较操作，以将图像对照组内的子图像中的目标对象进行空间位置比较，得到图像对照组中子图像内目标对象的空间位置的差异性，进而得到图像对照组的空间位置相似度。
获得图像对照组的灰度相似度、轮廓相似度及空间位置相似度后，根据灰度相似度、轮廓相似度及空间位置相似度进行求取平均值，进而获得图像对照组的图像相似度。将第一图像集中任意两个图像组成的图像对照组均执行灰度比较操作、轮廓提取操作及空间位置比较操作后，获得图像对照组对应的图像相似度，进而获得第一图像集中各个第一图像对应的图像相似度。
在一些实施方式中，所述对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，包括：
将所述图像对照组中两个子图像分别进行灰度变换获得第一灰度图像和第二灰度图像；
获得所述第一灰度图像的第三像素向量和所述第二灰度图像的第四像素向量；
根据所述第三像素向量和所述第四像素向量进行余弦相似度计算，获得所述图像对照组中两个子图像的灰度相似度。
示例性地，为排除图像色彩对于图像细节提取的干扰，首先将图像对照组中的子图像进行灰度变化，获得两个子图像对应的第一灰度图像和第二灰度图像，其中，灰度变化可以使用二值化技术，将彩色图像转化为灰度图像，并且图像值只包含两个数据类型，进行二值化转化的阈值可以自行设置。
当灰度图像中只包含0和1时，0对应的位置信息表示背景，1对应的位置信息表示目标对象，如车辆，因此在获得第一灰度图像的第三像素向量和第二灰度图像的第四像素向量后，进行余弦相似度计算时计算结果越大，表示灰度相似度越大。
在一些实施方式中，所述对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度，包括：
将所述第一灰度图像添加噪音数据进行模糊处理，获得第一噪音图像并将将所述第二灰度图像添加噪音数据进行模糊处理，获得第二噪音图像；
根据二值化技术对所述第一噪音图像进行轮廓提取，获得第一轮廓向量并根据二值化对所述第二噪音图像进行轮廓提取，获得第二轮廓向量；
根据所述第一轮廓向量和所述第二轮廓向量进行余弦相似度计算，获得所述图像对照组中两个子图像的轮廓相似度。
示例性地，降低色彩对图像轮廓相似度的干扰，将图像对照组中的图像进行灰度处理，获得第一灰度图像和第二灰度图像。并对第一灰度图像和第二灰度图像进行添加噪音数据进行模糊处理，其中，噪音数据可以为白噪音或随机噪音，获得第一灰度图像对应的第一噪音图像和第二灰度图像对应的第二噪音图像。在此基础上在对第一噪音图像和第二噪音图像进行二值化处理获得图像的轮廓信息，根据第一轮廓向量和第二轮廓向量进行余弦相似度计算，获得图像对照组中两个子图像的轮廓相似度。
请参阅图4，图4为本申请实施例提供的一种内容信息的推荐装置的框图性结构示意图。
如图4所示，内容信息的推荐装置200包括信息获取模块201、第一内容模块202、第二内容模块203、图像生成模块204及信息推送模块205。其中，信息获取模块201，用于当接收到所述用户触发目标应用程序的触发指令时，根据所述触发指令获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据。第一内容模块202，用于根据所述偏好数据和所述定位数据确定待推荐的初始内容信息。第二内容模块203，用于基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息。图像生成模块204，用于根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图。信息推送模块205，用于根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。在一些实施方式中，所述基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，包括：
获取各个所述初始内容信息基于内容热度的第一推荐因子，及基于运营推荐指数的第二推荐因子；
根据所述第一推荐因子和所述第二推荐因子确定各个所述初始内容信息的推荐因子。
在一些实施方式中，所述根据所述推荐封面图和所述目标内容信息生成目标推荐内容，包括：
根据所述推荐封面图和所述目标内容信息生成初始图文内容，并将所述初始图文内容发送给预设审核终端，以在所述审核终端的显示界面显示所述初始图文内容；
在接收到所述审核终端发送的图文选择指令时，根据所述图文选择指令从所述初始图文内容中筛选出目标推荐内容。
在一些实施方式中，内容信息的推荐装置200还包括模型训练模块，模型训练模块用于，在所述利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图之前，执行：
利用待训练的初始图像生成模型输出第一图像集；
获取所述第一图像集中各个第一图像的图像相似度，图像相似度至少包括灰度相似度、轮廓相似度及空间位置相似度，所述空间位置相似度用于表征图像中目标对象之间的空间关系；
根据所述图像相似度计算所述初始图像生成模型的损失函数的损失值；
根据所述损失值更新所述初始图像生成模型的模型参数，直至得到图像生成模型。
在一些实施方式中，所述第一图像集包括多个子图像，所述获取所述第一图像集中各个第一图像的图像相似度，包括：
对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，其中，所述图像对照组由所述第一图像集中任意两个子图像构成；
对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度；
对所述图像对照组执行空间位置比较操作，以将所述图像对照组内的子图像中的目标对象进行空间位置比较，得到所述图像对照组的空间位置相似度；
多次获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度，并根据多次获取的获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度确定所述第一图像集对应的图像相似度。
在一些实施方式中，所述对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，包括：
将所述第一图像集的图像对照组中两个子图像分别进行灰度变换获得第一灰度图像和第二灰度图像；
获得所述第一灰度图像的第三像素向量和所述第二灰度图像的第四像素向量；
根据所述第三像素向量和所述第四像素向量进行余弦相似度计算，获得所述图像对照组中两个子图像的灰度相似度。
在一些实施方式中，所述对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度，包括：
将所述第一灰度图像添加噪音数据进行模糊处理，获得第一噪音图像并将将所述第二灰度图像添加噪音数据进行模糊处理，获得第二噪音图像；
根据二值化技术对所述第一噪音图像进行轮廓提取，获得第一轮廓向量并根据二值化对所述第二噪音图像进行轮廓提取，获得第二轮廓向量；
根据所述第一轮廓向量和所述第二轮廓向量进行余弦相似度计算，获得所述图像对照组中两个子图像的轮廓相似度。
可选地，内容信息的推荐装置200可以应用于服务器20，如，内容信息的推荐装置200可以集成或者安装于服务器。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述内容信息的推荐方法实施例中的对应过程，在此不再赘述。
请参阅图5，图5为本申请实施例提供的服务器的结构示意性框图。
如图5所示，服务器20包括处理器21和存储器22，处理器21和存储器22通过总线23连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器21用于提供计算和控制能力，支撑整个服务器的运行。处理器21可以是中央处理单元(Central Processing Unit，CPU)，该处理器21还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
具体地，存储器22可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请实施例方案相关的部分结构的框图，并不构成对本申请实施例方案所应用于其上的服务器的限定，具体的服务器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。
其中，处理器21用于运行存储在存储器中的计算机程序，并在执行计算机程序时实现本申请任一实施例提供的内容信息的推荐方法。
在一些实施方式中，处理器21用于运行存储在存储器中的计算机程序，并在执行计算机程序时实现如下步骤：
获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；
根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；
基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；
根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；
根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
在一些实施方式中，处理器21在基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子过程中，执行：
获取各个所述初始内容信息基于内容热度的第一推荐因子，及基于运营推荐指数的第二推荐因子；
根据所述第一推荐因子和所述第二推荐因子确定各个所述初始内容信息的推荐因子。
在一些实施方式中，处理器21在根据所述推荐封面图和所述目标内容信息生成目标推荐内容过程中，执行：
根据所述推荐封面图和所述目标内容信息生成初始图文内容，并将所述初始图文内容发送给预设审核终端，以在所述审核终端的显示界面显示所述初始图文内容；
在接收到所述审核终端发送的图文选择指令时，根据所述图文选择指令从所述初始图文内容中筛选出目标推荐内容。
在一些实施方式中，在所述利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图之前，处理器21还用于执行：
利用待训练的初始图像生成模型输出第一图像集；
获取所述第一图像集中各个第一图像的图像相似度，图像相似度至少包括灰度相似度、轮廓相似度及空间位置相似度，所述空间位置相似度用于表征图像中目标对象之间的空间关系；
根据所述图像相似度计算所述初始图像生成模型的损失函数的损失值；
根据所述损失值更新所述初始图像生成模型的模型参数，直至得到图像生成模型。
在一些实施方式中，所述第一图像集包括多个子图像，处理器21在获取所述第一图像集中各个第一图像的图像相似度过程中，执行：
对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，其中，所述图像对照组由所述第一图像集中任意两个子图像构成；
对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度；
对所述图像对照组执行空间位置比较操作，以将所述图像对照组内的子图像中的目标对象进行空间位置比较，得到所述图像对照组的空间位置相似度；
多次获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度，并根据多次获取的获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度确定所述第一图像集对应的图像相似度。
在一些实施方式中，处理器21在对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度过程中，执行：
将所述第一图像集的图像对照组中两个子图像分别进行灰度变换获得第一灰度图像和第二灰度图像；
获得所述第一灰度图像的第三像素向量和所述第二灰度图像的第四像素向量；
根据所述第三像素向量和所述第四像素向量进行余弦相似度计算，获得所述图像对照组中两个子图像的灰度相似度。
在一些实施方式中，处理器21在对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度过程中，执行：
将所述第一灰度图像添加噪音数据进行模糊处理，获得第一噪音图像并将将所述第二灰度图像添加噪音数据进行模糊处理，获得第二噪音图像；
根据二值化技术对所述第一噪音图像进行轮廓提取，获得第一轮廓向量并根据二值化对所述第二噪音图像进行轮廓提取，获得第二轮廓向量；
根据所述第一轮廓向量和所述第二轮廓向量进行余弦相似度计算，获得所述图像对照组中两个子图像的轮廓相似度。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的服务器的具体工作过程，可以参考前述内容信息的推荐方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书实施例提供的任一项内容信息的推荐方法的步骤。
其中，存储介质可以是前述实施例的服务器的内部存储单元，例如服务器内存。存储介质也可以是服务器的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上，仅为本申请的具体实施例，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种内容信息的推荐方法，其特征在于，所述方法包括：
获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；
根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；
基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；
根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；
根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
2.根据权利要求1所述的方法，其特征在于，所述基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，包括：
获取各个所述初始内容信息基于内容热度的第一推荐因子，及基于运营推荐指数的第二推荐因子；
根据所述第一推荐因子和所述第二推荐因子确定各个所述初始内容信息的推荐因子。
3.根据权利要求1所述的方法，其特征在于，所述根据所述推荐封面图和所述目标内容信息生成目标推荐内容，包括：
根据所述推荐封面图和所述目标内容信息生成初始图文内容，并将所述初始图文内容发送给预设审核终端，以在所述审核终端的显示界面显示所述初始图文内容；
在接收到所述审核终端发送的图文选择指令时，根据所述图文选择指令从所述初始图文内容中筛选出目标推荐内容。
4.根据权利要求1-3任一项所述的方法，其特征在于，在所述利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图之前，所述方法还包括：
利用待训练的初始图像生成模型输出第一图像集；
获取所述第一图像集中各个第一图像的图像相似度，图像相似度至少包括灰度相似度、轮廓相似度及空间位置相似度，所述空间位置相似度用于表征图像中目标对象之间的空间关系；
根据所述图像相似度计算所述初始图像生成模型的损失函数的损失值；
根据所述损失值更新所述初始图像生成模型的模型参数，直至得到图像生成模型。
5.根据权利要求4所述的方法，其特征在于，所述第一图像集包括多个子图像，所述获取所述第一图像集中各个第一图像的图像相似度，包括：
对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，其中，所述图像对照组由所述第一图像集中任意两个子图像构成；
对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度；
对所述图像对照组执行空间位置比较操作，以将所述图像对照组内的子图像中的目标对象进行空间位置比较，得到所述图像对照组的空间位置相似度；
多次获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度，并根据多次获取的获取所述灰度相似度、所述轮廓相似度及所述空间位置相似度确定所述第一图像集对应的图像相似度。
6.根据权利要求5所述的方法，其特征在于，所述对所述第一图像集中的图像对照组执行灰度比较操作，以将所述图像对照组内的子图像进行灰度比较，得到所述图像对照组的灰度相似度，包括：
将所述第一图像集的图像对照组中两个子图像分别进行灰度变换获得第一灰度图像和第二灰度图像；
获得所述第一灰度图像的第三像素向量和所述第二灰度图像的第四像素向量；
根据所述第三像素向量和所述第四像素向量进行余弦相似度计算，获得所述图像对照组中两个子图像的灰度相似度。
7.根据权利要求4所述的方法，其特征在于，所述对所述图像对照组执行轮廓提取操作，以将所述图像对照组内的子图像进行轮廓比较，得到所述图像对照组的轮廓相似度，包括：
将所述第一灰度图像添加噪音数据进行模糊处理，获得第一噪音图像并将将所述第二灰度图像添加噪音数据进行模糊处理，获得第二噪音图像；
根据二值化技术对所述第一噪音图像进行轮廓提取，获得第一轮廓向量并根据二值化对所述第二噪音图像进行轮廓提取，获得第二轮廓向量；
根据所述第一轮廓向量和所述第二轮廓向量进行余弦相似度计算，获得所述图像对照组中两个子图像的轮廓相似度。
8.一种内容信息的推荐装置，其特征在于，包括：
信息获取模块，用于当接收到所述用户触发目标应用程序的触发指令时，根据所述触发指令获取用户的基础信息，并根据所述基础信息确定所述用户的偏好数据及定位数据；
第一内容模块，用于根据所述偏好数据和所述定位数据确定待推荐的初始内容信息；
第二内容模块，用于基于内容热度、运营推荐指数确定各个所述初始内容信息的推荐因子，并根据所述推荐因子从所述初始内容信息中确定目标内容信息；
图像生成模块，用于根据所述目标内容信息确定内容推荐关键词及内容推荐标题，并利用图像生成模型根据所述内容推荐关键词生成多个推荐封面图；
信息推送模块，用于根据所述推荐封面图和所述内容推荐标题生成目标推荐内容，并将所述目标推荐内容发送给终端设备，以使所述终端设备将所述目标推荐内容显示于目标应用程序的预设程序页面。
9.一种服务器，其特征在于，所述服务器包括处理器、存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的内容信息的推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述的内容信息的推荐方法的步骤。
CN202310595549.9A 2023-05-23 2023-05-23 内容信息的推荐方法、装置、服务器及存储介质 Pending CN116611891A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310595549.9A CN116611891A (zh) 2023-05-23 2023-05-23 内容信息的推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310595549.9A CN116611891A (zh) 2023-05-23 2023-05-23 内容信息的推荐方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN116611891A true CN116611891A (zh) 2023-08-18

Family

ID=87684986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310595549.9A Pending CN116611891A (zh) 2023-05-23 2023-05-23 内容信息的推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN116611891A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934122A (zh) * 2024-03-22 2024-04-26 中电科大数据研究院有限公司 一种基于深度学习的智能推荐方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934122A (zh) * 2024-03-22 2024-04-26 中电科大数据研究院有限公司 一种基于深度学习的智能推荐方法和系统

Similar Documents

Publication Publication Date Title
CN113508378B (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
US10846534B1 (en) Systems and methods for augmented reality navigation
US20210056623A1 (en) Image analysis and identification using machine learning with output estimation
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
CN111898031B (zh) 一种获得用户画像的方法及装置
CN103329126B (zh) 利用联合图像-音频查询的搜索
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN115917535A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
CN110263242A (zh) 内容推荐方法、装置、计算机可读存储介质和计算机设备
CN110019943B (zh) 视频推荐方法、装置、电子设备和存储介质
CN110008397B (zh) 一种推荐模型训练方法及装置
CN110390033A (zh) 图像分类模型的训练方法、装置、电子设备及存储介质
US20220245706A1 (en) Methods and apparatuses for providing search results using embedding-based retrieval
US20190279263A1 (en) Database image matching using machine learning with output estimation
US11966829B2 (en) Convolutional artificial neural network based recognition system in which registration, search, and reproduction of image and video are divided between and performed by mobile device and server
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN115964560B (zh) 基于多模态预训练模型的资讯推荐方法及设备
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN115659008A (zh) 大数据信息反馈的信息推送系统、方法、电子设备及介质
CN113469752A (zh) 内容推荐方法、装置、存储介质及电子设备
CN116611891A (zh) 内容信息的推荐方法、装置、服务器及存储介质
CN116796027A (zh) 商品图片标签生成方法及其装置、设备、介质、产品
CN116955591A (zh) 用于内容推荐的推荐语生成方法、相关装置和介质
CN116664250A (zh) 内容信息的推荐方法、装置、服务器及存储介质
CN116764236A (zh) 游戏道具推荐方法、装置、计算机设备和存储介质

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