CN116821509A - 待推荐资源的确定方法、装置及计算机程序产品 - Google Patents
待推荐资源的确定方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN116821509A CN116821509A CN202310860988.8A CN202310860988A CN116821509A CN 116821509 A CN116821509 A CN 116821509A CN 202310860988 A CN202310860988 A CN 202310860988A CN 116821509 A CN116821509 A CN 116821509A
- Authority
- CN
- China
- Prior art keywords
- resources
- target
- determining
- target user
- resource
- 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 96
- 238000004590 computer program Methods 0.000 title claims description 16
- 230000002452 interceptive effect Effects 0.000 claims abstract description 36
- 238000012163 sequencing technique Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种待推荐资源的确定方法、装置、电子设备、存储介质及程序产品,涉及计算机技术领域,具体为信息流推荐技术领域,可应用于信息流推荐场景下。具体实现方案为:获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源;根据触发项,召回目标用户的待推荐资源。本公开使得所确定的触发项具有高置信度,进而基于具有高置信度的触发项,提高了召回精度和所确定的待推荐资源的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体为信息流推荐技术领域,尤其涉及一种待推荐资源的确定方法、装置、电子设备、存储介质以及计算机程序产品,可应用于信息流推荐场景下。
背景技术
当前的信息流推荐系统中,主要分为召回、排序两个阶段。ICF(Item-basedCollaborative Filtering,基于项目的协同过滤)召回方法是一种非常高效且成熟的召回方式。但是,ICF召回方法的精度还有待提升。
发明内容
本公开提供了一种待推荐资源的确定方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面,提供了一种待推荐资源的确定方法,包括:获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源;根据触发项,召回目标用户的待推荐资源。
根据第二方面,提供了一种待推荐资源的确定装置,包括:获取单元,被配置成获取被召回的、目标用户对应的多个资源;第一确定单元,被配置成从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;第二确定单元,被配置成从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源;召回单元,被配置成根据触发项,召回目标用户的待推荐资源。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面,提供了一种计算机程序产品,包括:计算机程序,计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
根据本公开的技术,提供了一种待推荐资源的确定方法,通过获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源,使得所确定的触发项具有高置信度,进而基于具有高置信度的触发项,提高了召回精度和所确定的待推荐资源的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的待推荐资源的确定方法的一个实施例的流程图;
图3是根据本实施例的待推荐资源的确定方法的应用场景的示意图;
图4是根据本公开的待推荐资源的确定方法的又一个实施例的流程图;
图5是根据本公开的待推荐资源的确定装置的一个实施例的结构图;
图6是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的待推荐资源的确定方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络,网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息获取、交互、显示、处理等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,接收终端设备101、102、103的网络请求,通过预设召回方法根据所确定的高置信度触发项,确定目标用户的待推荐资源的后台处理服务器。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的待推荐资源的确定方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,待推荐资源的确定装置包括的各个部分(例如各个单元)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当待推荐资源的确定方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括待推荐资源的确定方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2,图2为本公开实施例提供的一种待推荐资源的确定方法的流程图。其中,在流程200中,包括以下步骤:
步骤201,获取被召回的、目标用户对应的多个资源。
本实施例中,待推荐资源的确定方法的执行主体(例如,图1中的终端设备或服务器)可以通过有线网络连接或无线网络连接从远程,或从本地获取被召回的、目标用户对应的多个资源。
其中,资源表征信息化时代中的数字化媒体数据。在不同的应用场景中,资源可具体表现为不同的数据。作为示例,在视频推荐场景中,资源可以是短视频、长视频等数据;在新闻推荐场景中,资源可以是报道、文章、新闻视频等数据;在广告推荐场景中,资源可以是娱乐新闻、政治新闻等数据。
本实施例中,上述执行主体可以采用预设召回算法,从资源库中召回目标用户对应的多个资源。
作为示例,预设召回算法是ICF召回算法。具体的,首先,构建用户-资源的图模型,通过图embeding(嵌入)方法,得到资源的embeding向量。然后,基于资源的embeding向量计算两两资源之间的余弦相似度。其中,相似度数值越大,说明两个资源之间越相似。最后,构建索引,供在线召回。对于索引,给出如下示例:
nid1[nid2&0.91,nid3&0.82,nid4&0.71,…]
nid2[nid1&0.91,nid4&0.85,nid5&0.67,…]
其中,每一行为一条索引;第一列为触发项(例如,第一行的nid1,第二行的nid2);第二列是多个资源的信息,以第一行的第二列“nid2&0.91,nid3&0.82,nid4&0.71,…”为例,“nid2&0.91”表示nid2和nid1的余弦相似度为0.91,“nid3&0.82”表示nid3和nid1的余弦相似度为0.82。并且,在第二列中,根据余弦相似度由大到小的顺序对多个资源进行排序。一般仅保留余弦相似度最高的50个资源,同时,需要保证被保留的资源的余弦相似度大于预设相似度阈值。其中,预设相似度阈值可以根据实际情况具体设置,在此不做限定。
在召回目标用户对应的多个资源的过程中,先获取用户交互过(例如,点击、浏览)的最新的多个资源,然后,将最新的多个资源作为触发项去访问索引,召回和触发项相似的资源。
作为又一示例,在采用步骤201-204所表征的方法向目标用户进行连续推荐的过程中,本次推荐过程中步骤201所获取的目标用户对应的多个资源,是上一次推荐操作中步骤204根据目标用户的交互资源中确定出的触发项所召回的待推荐资源。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤201:获取被多个不同的召回方法召回的、目标用户对应的多个资源。
其中,除了上述的ICF召回方法之外,多个不同的召回方法还可以包括如下方法:
基于内容的召回(Content-based Recall)方法:该方法基于物品的内容特征来进行召回。通过计算用户历史行为中所涉及的物品的内容相似度,从候选物品中选择与用户过去喜欢的物品相似的物品进行召回。
矩阵分解召回(Matrix Factorization Recall)方法:矩阵分解是一种经典的协同过滤方法,通过分解用户-物品评分矩阵,将用户和物品映射到潜在的低维空间,从而发现隐藏在用户行为背后的潜在因素。利用矩阵分解的结果,可以进行召回推荐。
基于标签的召回(Tag-based Recall)方法:该方法利用用户对物品打的标签信息进行召回。通过分析用户对物品的标签,找到具有相同或相似标签的物品进行召回。标签可以是用户自己添加的,也可以是来自其他来源的标签。
基于知识图谱的召回(Knowledge Graph-based Recall)方法:知识图谱包含大量实体和实体之间的关系,在推荐系统中可以利用知识图谱的结构信息来进行召回。通过将用户历史行为数据与知识图谱中的实体和关系进行匹配,从中找到可能感兴趣的物品进行召回。
本实现方式中,首先,对于多个不同的召回方法中的每个召回方法,上述执行主体可以通过该召回方法从资源库中召回目标用户对应的多个资源;然后,融合各召回方法召回的资源,进行去重等操作,最终得到多个不同的召回方法召回的融合后的多个资源。
本实现方式中,通过采用多个不同的召回方法执行召回操作,以得到目标用户对应的多个资源,提高了资源的丰富度,进而有助于通过后续步骤从多个资源中确定出的触发项的置信度。
步骤202,从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源。
本实施例中,上述执行主体可以从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源。
作为示例,上述执行主体可以从多个资源中随机确定出目标用户感兴趣的多个目标资源,并将多个目标资源推送至目标用户对应的目标应用(例如,新闻资源对应的新闻应用,短视频资源对应的短视频应用),以曝光多个目标资源。
作为又一示例,上述执行主体可以通过兴趣确定模型,确定目标用户对每个资源的感兴趣程度,并根据感兴趣程度由大到小对资源进行排序,将排序在前的第一指定数量个资源确定为目标资源,并向目标用户曝光目标资源。其中,兴趣确定模型用于表征目标用户与资源之间的感兴趣程度,可以通过神经网络模型训练得到。第一指定数量可以根据实际情况进行具体设置,在此不做限定。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤202:
第一,对多个资源进行多目标排序,确定多个资源的排序信息。
其中,多目标排序表征根据多个排序指标对所述多个资源进行排序。
作为示例,上述执行主体可以将多个资源分别输入多目标排序模型,从而得到排序过程所依据的排序依据信息(例如分值)。进而根据多个资源的排序依据信息对多个资源进行排,得到多个资源的排序信息。
其中,多个排序指标例如可以是预估点击率、预估时长、预估点赞等指标。需要说明的是,不同的推荐场景中的多个排序指标可能不同。本实现方式中,上述执行主体可以根据具体的推荐场景,确定推荐场景对应的多个排序指标。作为示例,上述执行主体或与上述执行主体通信连接的电子设备中,设置有表征推荐场景和排序指标的对应关系的二维表格,以通过二维表格确定推荐场景对应的多个排序指标。
第二,根据排序信息,从多个资源中确定出目标资源。
本实现方式中,上述执行主体可以根据多个资源的排序信息,选取排序在前的第一指定数量个资源确定为目标资源。
本实现方式中,采用多目标排序方式对多个资源进行排序,通过综合考虑多个排序指标,提高了排序信息的准确度,进而提高了所确定的目标资源的准确度,更进一步的有助于提高从目标资源中确定出的触发项的置信度。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第一步骤:
首先,确定多个资源在多个排序指标中的每个排序指标下的预测分值。其中,预测分值用于表征目标用户对资源的感兴趣程度。
作为示例,以多各排序指标分别为预估点击率、预估时长、预估点赞为例,可以确定预估点击率指标下的预测分值qctr,预估时长指标下的预测分值qdur,预估点赞指标下的预测分值qlike。
然后,对于多个资源中的每个资源,根据该资源在每个排序指标下的预测分值,确定该资源对应的融合分值。
本实现方式中,上述执行主体可以预先设置融合方式,进而基于预设融合方式,确定资源对应的融合分值。
作为示例,上述执行主体可以通过如下方式进行分值融合:
score=(qctr)a×(qdur)b×(qlike)c
其中,score表示融合分值,a、b、c分表表示预设的超参数。
最后,根据融合分值对多个资源进行排序,确定多个资源的排序信息。
本实现方式中,可以根据融合分值从大到小的顺序对多个资源进行排序,以从中确定出排序在前的第一指定数量个目标资源。
本实现方式中,可以将排序在前的第一指定数量个目标资源的融合分值落盘日志,落盘的格式例如可以是:用户1_资源1_融合分1、用户1_资源2_融合分2、…、用户1_资源M_融合分M。在后续的处理步骤中,可以从落盘在日志中确定资源的融合分值,以确定目标用户对的感兴趣程度。
本实现方式中,采用融合各排序指标下的预测分值,得到融合分值,进而根据融合分值进行排序的方式,进一步提高了排序信息的准确度。
步骤203,从目标用户的交互资源中确定出触发项。
本实施例中,上述执行主体可以从目标用户的交互资源中确定出触发项。其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源。
作为示例,在向目标用户曝光目标资源后,可以监测目标用户与目标资源的交互行为,确定出用户交互过的资源,并将目标资源中目标用户交互过的资源与目标用户之前交互过的资源融合,得到交互资源。例如,确定出目标资源中目标用户交互过的资源为3个,在向目标用户曝光目标资源之前的一个月内,目标用户交互过的资源为100个,最终得到包括103个资源的交互资源。
在确定目标用户的交互资源后,上述执行主体可以从中确定出预设召回方法所需的触发项。作为示例,对于交互资源中的每个资源,上述执行主体可以根据目标用户对该资源的交互行为中的具体参数(例如,观看时长、翻页操作),确定目标用户对该资源的实际感兴趣程度;进而根据实际感兴趣程度对交互资源进行排序,并将排序在前的第二指定数量个交互资源确定为触发项。其中,第二指定数量可以根据实际情况进行具体设置,在此不做限定。
作为又一示例,为了减少信息推荐过程中的信息处理量,上述执行主体可以根据确定目标资源的过程中所预测的感兴趣程度(具体例如是融合分值),对交互资源进行排序,并将排序在前的第二指定数量个交互资源确定为触发项。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤203:
第一,获取目标用户对应的用户模型。
其中,用户模型中包括目标用户在目标资源之前交互过的历史推荐资源。
一般情况下,在曝光目标资源之前,上述执行主体可能已经向目标用户进行了多次资源推荐操作。上述执行主体可以根据目标用户在目标资源之前交互过的历史推荐资源生成对应于目标用户的用户模型。
为了保证用户模型的中交互资源的时效性,用户模型中的交互资源可以是交互时间较近的资源。例如,可以将交互时间距离当前时间的差值在预设差值范围内的交互资源,生成目标用户的用户模型。其中,预设差值范围可以根据实际情况具体设置,例如预设差值范围为一个月。
第二,根据目标资源中目标用户交互过的资源,更新用户模型,得到更新后用户模型。
本实现方式中,上述执行主体可以将目标资源中目标用户交互过的资源,补充进用户模型,得到目标用户对应的更新后用户模型。
第三,从更新后用户模型中包括的历史推荐资源中确定出触发项。
作为示例,上述执行主体可以从更新后用户模型中包括的历史推荐资源中筛选出目标用户刚兴趣程度最大的预设数量个资源,作为触发项。其中,感兴趣程度例如可以通过上述的融合分值表征。
本实现方式中,对于每个用户设置对应的用户模型,用来表征用户的交互资源,进而可以根据更新后用户模型确定触发项,从而可以针对于每个用户进行针对性地信息处理,提高了信息处理过程的有效性和高效性。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述第三步骤:
首先,根据时间差与优先级之间的负相关性,从更新后用户模型中包括的历史推荐资源中确定出预设数量个初始触发项。
其中,时间差表征目标用户、历史推荐资源之间的交互时间与当前时间之间的差值。
本实现方式中,从更新后用户模型中包括的历史推荐资源中确定出交互时间距离当前时间最近的预设数量个初始触发项。
然后,根据目标用户对历史推荐资源的感兴趣程度,从预设数量个初始触发项中确定出触发项。
本实现方式中,上述执行主体将初始触发项中用户感兴趣程度最大的多个历史推荐资源确定为触发项。其中,感兴趣程度例如可以通过融合分值确定。
本实现方式中,首先根据时间差确定出具有较高时效性的初始触发项,进而从中筛选出触发项,在保证触发项的置信度的同时,提高了触发项的时效性。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行从预设数量个初始触发项中确定出触发项的操作:
响应于确定更新后用户模型中目标历史推荐资源的数量超过预设数量,根据时间差与优先级之间的负相关性,从更新后用户模型中的目标历史推荐资源中确定出预设数量个初始触发项。
其中,目标历史推荐资源为所对应的时间差小于预设时间差阈值的历史推荐资源。
本实现方式中,预设时间差阈值可以根据实际情况具体设置,例如,预设时间差阈值为一周。通过预设时间差阈值的限制,进一步提高了初始触发项的时效性。
本实现方式中,响应于确定更新后用户模型中目标历史推荐资源的数量不超过预设数量,将所有的目标历史推荐资源确定为初始触发项。
步骤204,根据触发项,召回目标用户的待推荐资源。
本实施例中,上述执行主体可以根据触发项,召回目标用户的待推荐资源。
具体的,上述执行主体可以采用预设召回方法,根据触发项从资源库中召回目标用户的待推荐资源。
以预设召回方法为ICF召回方法为例,从表征触发项和资源的相似度的索引中,召回触发项相似的资源,作为目标用户对应的待推荐资源。
在实际的推荐场景中,往往会向目标用户进行多次的推荐操作。以短视频推荐场景为例,基于目标用户的推荐请求,在向目标用户推荐了多个短视频后,目标用户会观看、点赞所推荐的短视频,或直接划走所推荐的短视频;在观看完这一次所推荐的短视频后,目标用户会再次发起推荐请求,以获取短视频平台再次推荐的短视频。
在多次推荐场景中,上述步骤201-204循环执行,以源源不断地向目标用户推荐资源。具体的,在一次推荐操作中,上述执行主体执行步骤201-204,确定了目标用户的待推荐资源。在确定待推荐资源后,上述执行主体可以需要向目标用户推荐资源,这实质上即是步骤201-202所表述的确定目标资源并曝光目标资源的过程。也即,进行下一次推荐操作中的步骤201-202。本质上,上一次推荐操作中步骤204所得到的待推荐资源,可以视为当前推荐操作的步骤201所获取的目标用户对应的多个资源。
继续参见图3,图3是根据本实施例的待推荐资源的确定方法的应用场景的一个示意图300。在图3的应用场景中,用户301通过终端设备302上的短视频应用在浏览短视频资源。向短视频应用提供服务的服务器303首先获取被召回的、目标用户对应的多个资源;然后,从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源,监测目标用户的交互行为,确定目标资源中目标用户交互的资源;然后,将目标用户在目标资源之前的交互资源和目标资源中目标用户交互过的资源进行融合,得到交互资源,进而从目标用户的交互资源中确定出触发项;最后,根据触发项,召回目标用户的待推荐资源。
本实施例中,提供了一种待推荐资源的确定方法,通过获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源,使得所确定的触发项具有高置信度,进而基于具有高置信度的触发项,提高了召回精度和所确定的待推荐资源的准确度。
继续参考图4,示出了根据本公开的待推荐资源的确定方法的又一个实施例的示意性流程400。在流程400中,包括以下步骤:
步骤401,获取被多个不同的召回方法召回的、目标用户对应的多个资源。
步骤402,确定多个资源在多个排序指标中的每个排序指标下的预测分值。
其中,预测分值用于表征目标用户对资源的感兴趣程度。
步骤403,对于多个资源中的每个资源,根据该资源在每个排序指标下的预测分值,确定该资源对应的融合分值。
步骤404,根据融合分值对多个资源进行排序,确定多个资源的排序信息。
步骤405,根据排序信息,从多个资源中确定出目标资源,并向目标用户曝光目标资源。
步骤406,获取目标用户对应的用户模型。
其中,用户模型中包括目标用户在目标资源之前交互过的历史推荐资源。
步骤407,根据目标资源中目标用户交互过的资源,更新用户模型,得到更新后用户模型。
步骤408,响应于确定更新后用户模型中目标历史推荐资源的数量超过预设数量,根据时间差与优先级之间的负相关性,从更新后用户模型中的目标历史推荐资源中确定出预设数量个初始触发项。
其中,目标历史推荐资源为所对应的时间差小于预设时间差阈值的历史推荐资源。
步骤409,根据初始触发项中历史推荐资源的融合分值,从预设数量个初始触发项中确定出触发项。
步骤410,根据触发项,召回目标用户的待推荐资源。
需要说明的,在向目标用户进行连续多次的推荐操作过程中,上述步骤401-410循环执行。在上一次推荐过程中步骤410所确定的待推荐资源,即是当前推荐过程中步骤401所需获取的多个资源,如此循环往复,源源不断地确定目标用户的待推荐资源。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的待推荐资源的确定方法的流程400具体说明了确定目标资源的过程,确定触发项的过程,在保证触发项的时效性的基础上,提高了触发项的置信度,进而有助于提高待推荐资源的准确度。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种待推荐资源的确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,待推荐资源的确定装置500包括:获取单元501,被配置成获取被召回的、目标用户对应的多个资源;第一确定单元502,被配置成从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;第二确定单元503,被配置成从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源;召回单元504,被配置成根据触发项,召回目标用户的待推荐资源。
在本实施例的一些可选的实现方式中,第一确定单元502,进一步被配置成:对多个资源进行多目标排序,确定多个资源的排序信息,其中,多目标排序表征根据多个排序指标对多个资源进行排序;根据排序信息,从多个资源中确定出目标资源。
在本实施例的一些可选的实现方式中,第一确定单元502,进一步被配置成:确定多个资源在多个排序指标中的每个排序指标下的预测分值,其中,预测分值用于表征目标用户对资源的感兴趣程度;对于多个资源中的每个资源,根据该资源在每个排序指标下的预测分值,确定该资源对应的融合分值;根据融合分值对多个资源进行排序,确定多个资源的排序信息。
在本实施例的一些可选的实现方式中,第二确定单元503,进一步被配置成:获取目标用户对应的用户模型,其中,用户模型中包括目标用户在目标资源之前交互过的历史推荐资源;根据目标资源中目标用户交互过的资源,更新用户模型,得到更新后用户模型;从更新后用户模型中包括的历史推荐资源中确定出触发项。
在本实施例的一些可选的实现方式中,其中,第二确定单元503,进一步被配置成:根据时间差与优先级之间的负相关性,从更新后用户模型中包括的历史推荐资源中确定出预设数量个初始触发项,其中,时间差表征目标用户、历史推荐资源之间的交互时间与当前时间之间的差值;根据目标用户对历史推荐资源的感兴趣程度,从预设数量个初始触发项中确定出触发项。
在本实施例的一些可选的实现方式中,第二确定单元503,进一步被配置成:响应于确定更新后用户模型中目标历史推荐资源的数量超过预设数量,根据时间差与优先级之间的负相关性,从更新后用户模型中的目标历史推荐资源中确定出预设数量个初始触发项,其中,目标历史推荐资源为所对应的时间差小于预设时间差阈值的历史推荐资源。
在本实施例的一些可选的实现方式中,获取单元501,进一步被配置成:获取被多个不同的召回方法召回的、目标用户对应的多个资源。
本实施例中,提供了一种待推荐资源的确定装置,通过获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源,使得所确定的触发项具有高置信度,进而基于具有高置信度的触发项,提高了召回精度和所确定的待推荐资源的准确度。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的待推荐资源的确定方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的待推荐资源的确定方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的待推荐资源的确定方法。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如待推荐资源的确定方法。例如,在一些实施例中,待推荐资源的确定方法可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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的待推荐资源的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行待推荐资源的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷;也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本公开实施例的技术方案,提供了一种待推荐资源的确定方法,通过获取被召回的、目标用户对应的多个资源;从多个资源中确定出目标用户感兴趣的目标资源,并向目标用户曝光目标资源;从目标用户的交互资源中确定出触发项,其中,交互资源中包括截止到目标资源,目标用户交互过的历史推荐资源,使得所确定的触发项具有高置信度,进而基于具有高置信度的触发项,提高了召回精度和所确定的待推荐资源的准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种待推荐资源的召回方法,包括:
获取被召回的、目标用户对应的多个资源;
从所述多个资源中确定出所述目标用户感兴趣的目标资源,并向所述目标用户曝光所述目标资源;
从所述目标用户的交互资源中确定出触发项,其中,所述交互资源中包括截止到所述目标资源,所述目标用户交互过的历史推荐资源;
根据所述触发项,召回所述目标用户的待推荐资源。
2.根据权利要求1所述的方法,其中,所述从所述多个资源中确定出所述目标用户感兴趣的目标资源,包括:
对所述多个资源进行多目标排序,确定所述多个资源的排序信息,其中,所述多目标排序表征根据多个排序指标对所述多个资源进行排序;
根据所述排序信息,从所述多个资源中确定出所述目标资源。
3.根据权利要求2所述的方法,其中,所述对所述多个资源进行多目标排序,确定所述多个资源的排序信息,包括:
确定所述多个资源在所述多个排序指标中的每个排序指标下的预测分值,其中,所述预测分值用于表征所述目标用户对资源的感兴趣程度;
对于所述多个资源中的每个资源,根据该资源在每个排序指标下的预测分值,确定该资源对应的融合分值;
根据所述融合分值对所述多个资源进行排序,确定所述多个资源的排序信息。
4.根据权利要求1所述的方法,其中,所述从所述目标用户的交互资源中确定出触发项,包括:
获取所述目标用户对应的用户模型,其中,所述用户模型中包括所述目标用户在所述目标资源之前交互过的历史推荐资源;
根据所述目标资源中所述目标用户交互过的资源,更新所述用户模型,得到更新后用户模型;
从所述更新后用户模型中包括的历史推荐资源中确定出所述触发项。
5.根据权利要求4所述的方法,其中,所述从所述更新后用户模型中包括的历史推荐资源中确定出所述触发项,包括:
根据时间差与优先级之间的负相关性,从所述更新后用户模型中包括的历史推荐资源中确定出预设数量个初始触发项,其中,所述时间差表征所述目标用户、历史推荐资源之间的交互时间与当前时间之间的差值;
根据所述目标用户对历史推荐资源的感兴趣程度,从所述预设数量个初始触发项中确定出所述触发项。
6.根据权利要求5所述的方法,其中,所述根据时间差与优先级之间的负相关性,从所述更新后用户模型中包括的历史推荐资源中确定出预设数量个初始触发项,包括:
响应于确定所述更新后用户模型中目标历史推荐资源的数量超过所述预设数量,根据时间差与优先级之间的负相关性,从所述更新后用户模型中的目标历史推荐资源中确定出所述预设数量个初始触发项,其中,所述目标历史推荐资源为所对应的时间差小于预设时间差阈值的历史推荐资源。
7.根据权利要求1所述的方法,其中,所述获取被召回的、目标用户对应的多个资源,包括:
获取被多个不同的召回方法召回的、所述目标用户对应的所述多个资源。
8.一种待推荐资源的确定装置,包括:
获取单元,被配置成获取被召回的、目标用户对应的多个资源;
第一确定单元,被配置成从所述多个资源中确定出所述目标用户感兴趣的目标资源,并向所述目标用户曝光所述目标资源;
第二确定单元,被配置成从所述目标用户的交互资源中确定出触发项,其中,所述交互资源中包括截止到所述目标资源,所述目标用户交互过的历史推荐资源;
召回单元,被配置成根据所述触发项,召回所述目标用户的待推荐资源。
9.根据权利要求8所述的装置,其中,所述第一确定单元,进一步被配置成:
对所述多个资源进行多目标排序,确定所述多个资源的排序信息,其中,所述多目标排序表征根据多个排序指标对所述多个资源进行排序;根据所述排序信息,从所述多个资源中确定出所述目标资源。
10.根据权利要求9所述的装置,其中,所述第一确定单元,进一步被配置成:
确定所述多个资源在所述多个排序指标中的每个排序指标下的预测分值,其中,所述预测分值用于表征所述目标用户对资源的感兴趣程度;对于所述多个资源中的每个资源,根据该资源在每个排序指标下的预测分值,确定该资源对应的融合分值;根据所述融合分值对所述多个资源进行排序,确定所述多个资源的排序信息。
11.根据权利要求8所述的装置,其中,所述第二确定单元,进一步被配置成:
获取所述目标用户对应的用户模型,其中,所述用户模型中包括所述目标用户在所述目标资源之前交互过的历史推荐资源;根据所述目标资源中所述目标用户交互过的资源,更新所述用户模型,得到更新后用户模型;从所述更新后用户模型中包括的历史推荐资源中确定出所述触发项。
12.根据权利要求11所述的装置,其中,所述第二确定单元,进一步被配置成:
根据时间差与优先级之间的负相关性,从所述更新后用户模型中包括的历史推荐资源中确定出预设数量个初始触发项,其中,所述时间差表征所述目标用户、历史推荐资源之间的交互时间与当前时间之间的差值;根据所述目标用户对历史推荐资源的感兴趣程度,从所述预设数量个初始触发项中确定出所述触发项。
13.根据权利要求12所述的装置,其中,所述第二确定单元,进一步被配置成:
响应于确定所述更新后用户模型中目标历史推荐资源的数量超过所述预设数量,根据时间差与优先级之间的负相关性,从所述更新后用户模型中的目标历史推荐资源中确定出所述预设数量个初始触发项,其中,所述目标历史推荐资源为所对应的时间差小于预设时间差阈值的历史推荐资源。
14.根据权利要求8所述的装置,其中,所述获取单元,进一步被配置成:
获取被多个不同的召回方法召回的、所述目标用户对应的所述多个资源。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括:计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860988.8A CN116821509A (zh) | 2023-07-13 | 2023-07-13 | 待推荐资源的确定方法、装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860988.8A CN116821509A (zh) | 2023-07-13 | 2023-07-13 | 待推荐资源的确定方法、装置及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821509A true CN116821509A (zh) | 2023-09-29 |
Family
ID=88112635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860988.8A Pending CN116821509A (zh) | 2023-07-13 | 2023-07-13 | 待推荐资源的确定方法、装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821509A (zh) |
-
2023
- 2023-07-13 CN CN202310860988.8A patent/CN116821509A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143686B (zh) | 资源推荐方法及装置 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN107426328B (zh) | 信息推送方法和装置 | |
CN107908662B (zh) | 搜索系统的实现方法和实现装置 | |
CN113312512B (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN112559901B (zh) | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN109344327B (zh) | 用于生成信息的方法和装置 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN112529646A (zh) | 一种商品分类方法和装置 | |
CN113705683B (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN112887426B (zh) | 信息流的推送方法、装置、电子设备以及存储介质 | |
CN116821509A (zh) | 待推荐资源的确定方法、装置及计算机程序产品 | |
CN113360761A (zh) | 信息流推荐方法、装置、电子设备和计算机可读存储介质 | |
CN113762535A (zh) | 一种物品召回方法和装置 | |
CN113158032A (zh) | 一种信息推送方法和装置 | |
CN113360765B (zh) | 事件信息的处理方法、装置、电子设备和介质 | |
CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
CN118277647A (zh) | 话题的推送处理方法、装置、设备及介质 | |
CN113360756A (zh) | 资源推荐方法、装置、电子设备和介质 |
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 |