CN117056611B - 新兴趣的试探方法、装置、电子设备及存储介质 - Google Patents
新兴趣的试探方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117056611B CN117056611B CN202311308408.0A CN202311308408A CN117056611B CN 117056611 B CN117056611 B CN 117056611B CN 202311308408 A CN202311308408 A CN 202311308408A CN 117056611 B CN117056611 B CN 117056611B
- Authority
- CN
- China
- Prior art keywords
- content
- click
- new
- class
- old
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000007704 transition Effects 0.000 claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 239000000523 sample Substances 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种新兴趣的试探方法、装置、电子设备及存储介质。该方法包括：向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容，经过预定时间段之后，对得到曝光的老品类内容做降采样处理；基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关。本申请实施例提供了一种快速高效的新兴趣试探方法。
Description
技术领域
本申请涉及互联网技术领域，具体涉及内容推荐技术，尤其涉及一种新兴趣的试探方法、装置、电子设备及计算机可读存储介质。
背景技术
通常，系统平台会根据用户画像向系统中的老用户推荐一些老品类的内容，例如，视频平台可向老用户推荐其感兴趣的类型的视频内容，电商平台可向老用户推荐其感兴趣的类型的商品等等，有利于增强用户粘性。如今随着信息技术的日益发展，互联网上可推荐内容的种类或称品类不断增多，如果仍旧按照原有方式向用户提供推荐内容，将限制用户对新品类、新内容的探索需求。例如，常见的视频网站的推荐系统大多会向老用户推荐与其兴趣标签相关的视频内容，比如向喜爱影视类视频内容的用户推荐影视类视频，向喜爱健身类视频内容的用户推荐健身类视频，虽然不会有错，但对于老用户而言，这种较为单一的推荐机制实际上对用户潜在的兴趣形成了限制。为了发现老用户的潜在兴趣，可将新品类的内容推送给老用户，试探其接受程度，但是，如何利用推荐系统进行行之有效的试探，尚缺乏针对性的研究。
发明内容
有鉴于此，本申请实施例提供一种新兴趣的试探方法、装置、电子设备及计算机可读存储介质，用于解决至少一种技术问题。
本申请实施例提供一种新兴趣的试探方法，包括：向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容，经过预定时间段之后，对得到曝光的老品类内容做降采样处理；基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关；根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系；根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个，根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果。
可选地，根据本申请实施例的方法，所述第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量成正比，且与相邻两次推荐中新品类内容的点击量的增加量成正比。
可选地，根据本申请实施例的方法，在所述确定多次推荐后生成的多个第一类点击转移概率之后，所述方法还包括：在每种新品类内容的曝光量均达到预设值之后，计算每种新品类对应的多个第一类点击转移概率的平均值，作为每种新品类内容对应的平均点击转移概率；根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容。
可选地，根据本申请实施例的方法，根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容，进一步包括：如果所述平均点击转移概率大于预设阈值，则将所述平均点击转移概率对应的新品类内容作为当前老品类内容对应的试探新品类内容。
可选地，根据本申请实施例的方法，还包括：基于所述具有相同用户画像的用户相邻两次刷新的推荐内容中的老品类内容的点击量以及新品类内容的点击量，计算相邻两次刷新的推荐内容中的各个品类之间的第二类点击转移概率；基于所述第二类点击转移概率，计算所述具有相同用户画像的用户对新品类的平均点击转移概率PX和对老品类的平均点击转移概率PL，如果PX<PL，则减少推荐页面中用于放置所述试探新品类的槽位数；如果PX>PL，则增加推荐页面中用于放置所述试探新品类的槽位数。
可选地，根据本申请实施例的方法，所述第一类点击转移概率和所述第二类点击转移概率均通过点击转移概率公式计算，所述点击转移概率公式如下：P(i, j) = N(i, j)/ N(i)，其中，P(i, j)表示从品类i转移到品类j的点击转移概率，N(i, j)表示从前一次刷新推荐内容的品类i到当前次刷新推荐内容的品类j的点击转移次数，N(i)表示前一次刷新推荐内容中品类i点击的次数。
可选地，根据本申请实施例的方法，所述根据每次推荐后各个试探新品类内容的曝光量和点击量，对各个试探新品类内容进行排序，包括：将曝光量和点击量分别作为beta分布的两个参数，利用beta分布生成样本值，基于所述样本值完成排序。
可选地，根据本申请实施例的方法，确定预设时长的曝光窗口，在所述预设时长的曝光窗口内，如果曝光的待试探的新品类内容中有点击量小于预设值的新品类内容，则将所述点击量小于预设值的新品类内容放入负反馈池中，放入负反馈池中的新品类内容不作为当前试探周期内的推荐内容，其中，曝光的待试探的新品类内容在预设时长的曝光窗口内的曝光条数不少于预设条数。
可选地，根据本申请实施例的方法，在同一个试探周期内，获取所有用户在所述试探周期内每次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量；根据获取的任意相邻两次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量，计算第三类点击转移概率；基于所有用户的数量以及多个第三类点击转移概率，计算所有用户的第三类点击转移概率的平均值，得到所有用户的平均点击转移概率，所述平均点击转移概率是下次试探周期中第二用户的初始点击转移概率，所述第二用户为未出现在本次试探周期内的用户。
可选地，根据本申请实施例的方法，所述第一数量小于所述第二数量，所述第一数量的用户为从所有用户中抽取的预设数量的用户，所述第二数量的用户为系统中所有用户。
本申请实施例提供一种新兴趣试探装置，包括：第一分发模块，用于向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容；降采样处理模块，用于经过预定时间段之后，对得到曝光的老品类内容做降采样处理；统计模块，用于基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；第一确定模块，用于确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关；第二确定模块，用于根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系；第二分发模块，用于根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个；排序模块，用于根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果。
本申请实施例提供一种电子设备，所述电子设备包括处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如上所述的方法的步骤。
本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的方法的步骤。
本申请实施例利用推荐系统将新品类内容分发给少量老用户并提出老品类内容和新品类内容之间的点击转移概率的计算方式，可在一定程度上缩小试探所有用户时所需要分发的新品类内容的种类，使得试探过程更有针对性，试探效果好，且试探效率高；其中，根据确定好的用于试探的新品类内容对全部老用户进行试探时，根据每次推荐之后获取的试探新品类内容的曝光量和点击量，实时更新下一次推荐的试探新品类内容，不仅能够扩大试探的新品类内容的种类还能够提高试探结果的准确性，以及进一步缩短试探过程所需时长，提高试探效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，以下对本申请实施例中的附图作简单介绍。
图1是本申请实施例的系统架构的示意图；
图2是本申请实施例的新兴趣的试探方法的流程框图；
图3是本申请实施例的新兴趣的试探装置的结构框图；
图4示出本申请实施例的电子设备的硬件结构示意图。
具体实施方式
以下将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，提供这些实施方式的目的是为了使本申请的原理和精神更加清楚和透彻，使本领域技术人员能够更好地理解进而实现本申请的原理和精神。本文中提供的示例性实施方式仅是本申请的一部分实施方式，而不是全部的实施方式。基于本文中的实施方式，本领域普通技术人员在不付出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
本申请的实施例涉及终端设备和/或服务器。本领域技术人员知晓，本申请的实施方式可以实现为一种系统、装置、设备、方法、计算机可读存储介质或计算机程序产品。因此，本公开可以具体实现为以下至少一种形式：完全的硬件、完全的软件，或者硬件与软件结合的形式。根据本申请的实施方式，本申请请求保护一种新兴趣的试探方法、装置、电子设备及计算机可读存储介质。图1示出了本申请实施例的一种系统架构的示意图。如图1所示，该系统包括终端设备102和服务器104。其中，终端设备102可以包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式电脑、智能电视、各类可穿戴设备、增强现实AR设备、虚拟现实VR设备等等。终端设备102上可以安装客户端，例如，该客户端可以为专门执行特定功能的客户端（如应用程序app），或者为内嵌有多种应用小程序（不同功能）的客户端，还可以是通过浏览器登录的客户端。用户可以在终端设备102上进行操作，比如，用户可以打开终端设备102上安装的客户端，并通过客户端操作输入指令，或者，用户可以打开终端设备102上安装的浏览器，并通过浏览器操作输入指令。在终端设备102接收到用户输入的指令之后，将包含指令的请求信息发送至服务器104。服务器104接收到请求信息之后执行相应的处理，然后将处理结果信息返回给终端设备102。通过一系列数据处理和信息交互完成用户指令。
在本文中，诸如第一、第二、第三之类的用语，仅用来将一个实体（或操作）与另一个实体（或操作）区分开来，而不在于要求或暗示这些实体（或操作）之间存在任何顺序或关联。
图2是本申请实施例的新兴趣的试探方法的流程框图。如图2所示，该试探方法包括以下步骤：
S101，向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容，经过预定时间段之后，对得到曝光的老品类内容做降采样处理。
S102，基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量。
S103，确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关。
S104，根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系。
S105，根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个，根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果。
举例来讲，本申请提出的新兴趣的试探方法可视为包括两个试探阶段：
（1）第一试探阶段是根据第一数量用户对待试探的新品类内容的反应确定对某一老品类内容感兴趣的用户可能感兴趣的新品类内容，这样，通过第一试探阶段可以压缩对某一老品类内容感兴趣的用户的试探新品类内容的种类，使得试探更具有针对性，例如，第一试探阶段结束后发现，对老品类内容X感兴趣的用户对新品类内容A、新品类内容B和新品类内容C具有兴趣，因此，在下一试探阶段，将新品类内容A、新品类内容B和新品类内容C分发给对老品类内容X感兴趣的用户。另外，需要强调的是，本申请的试探用户是具有用户画像的老用户。
另外，在本申请实施例的第一试探阶段，经过预定时间段之后，需要对曝光的老品类内容做降采样处理，这样处理的原因是，老品类内容和新品类内容非平衡分布，如舞蹈和其它品类内容的占比是9:1，如果在此环境中去做新品类内容的试探，试探的新品类内容的曝光样本的占比是很少的，比如不超过25%。而且在第一试探阶段，第一数量的用户是对老品类内容所感兴趣的老用户（老品类内容点击率很高，比如平均点击率是0.20），在此情况下，在做试探过程中，用户还是会更多点击老品类内容，而少量点击新品类，所以在统计老品类内容的点击量和曝光量时，对其降采样，相应的与新品类与之对比，能够减少数据处理量，使得新品类内容和老品类内容的曝光量和点击量处于相近的数量级别。具体地，在计算第一类点击转移概率时，可以将老品类的视频随机35~70%和新品类的全部视频作为待统计的视频，针对每次刷新后的曝光列表，都做老品类降采样和新品类合并之后的统计。
在本申请的一些实施例中，可选地，经过预定时间段可以是从新品类开始曝光到新品类内容的曝光数量达到保量值时所经过的时间。经过预定时间段，新品类的曝光量达到预设的保量值。在预定时间段内，对于任意相邻两次刷新的推荐内容，根据任意相邻两次刷新的推荐内容中的部分老品类内容对应的点击量，以及任意相邻两次刷新的推荐内容中所有曝光的新品类的点击量，计算任意相邻两次刷新的推荐内容中同一种老品类对同一种新品类的第一点击转移概率，得到多个第一点击转移概率，其中，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关。
进一步地，可以根据多个第一类点击转移概率确定一个能够反映多个第一类点击转移概率趋势的代表值，该代表值可以代表在预设时间段中，多个第一类点击转移概率的集中趋势，利用该集中趋势可以确定对某一老品类内容感兴趣的用户感兴趣的试探新品类内容。在本申请的一些实施例中，代表值越大，说明具有该老品类内容标签的用户对对应的试探新品类内容的兴趣越高。在本申请的一些实施例中，可选地，代表值为第一类点击转移概率的平均值（算数平均值、几何平均数、加权平均数等），具体地，当每种新品类的曝光量均等于预设的保量值时，计算每种新品类对应的多个第一类点击转移概率的平均值，作为每种新品类内容对应的平均点击转移概率。根据所述平均点击转移概率的大小确定各种老品类内容潜在对应的试探新品类内容。
（2）第二试探阶段是根据第二数量用户对待经第一试探阶段确定的试探新品类的反应确定用户感兴趣的新品类内容。具体地，在第一试探阶段结束之后，进行周期性的试探，在满足预设条件的情况下，结束第二试探阶段。
在第二试探阶段的每个试探周期内，向第二数量的用户发放与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类。在每次刷新推荐内容之后，获取具有相同用户画像的用户对试探新品类的累计曝光量和累计点击量，并将累计点击量和累计曝光量分别作为两个参数，生成一个可以反应用户对该试探新品类的兴趣程度的指标值，对该指标值进行排序，可以确定再次刷新推荐页面之后，具有相同用户画像的用户的推荐页面中用于放置新品类内容的槽位中放置的新品类内容。
在本申请的一些实施例中，可选地，用于结束第二试探阶段的预设条件包括以下条件中的一种或多种：
① 新品类的试探过程包括多个试探周期，当前已试探的试探周期的数量大于或等于预设周期的数量；
② 新品类的曝光总量达到预设总量；
③ 新品类在一个周期内的点击率低于预设点击量。
在本申请的实施例中，可选地，第一数量小于第二数量，第一数量的用户为从所有用户中抽取的预设数量的用户，第二数量的用户为系统中所有用户。这样，通过第一试探阶段的少量统计计算，可以缩小对某一老品类内容感兴趣的用户的试探新品类内容的种类，在进入第二试探阶段时，能够提高试探的效率。
本申请实施例通过利用推荐系统将新品类内容分别分发给少量老用户以及计算老品类内容和新品类内容之间的点击转移概率，缩小试探所用用户时分发的新品类内容的种类，使得试探更有针对性，提高试探效率。根据确定的老品类内容对应的试探新品类对全部老用户进一步地新兴趣的试探以及根据每次推荐之后获取的试探新品类的曝光量和点击量，实时确定试探的新品类内容，进一步提高了试探效率。
在本申请的一些实施例中，可选地，本申请实施例提出的新兴趣的试探方法还包括以下步骤：
S201，基于所述具有相同用户画像的用户相邻两次刷新的推荐内容中的老品类内容的点击量以及新品类内容的点击量，计算相邻两次刷新的推荐内容中的各个品类之间的第二类点击转移概率。
S202，基于所述第二类点击转移概率，计算所述具有相同用户画像的用户对新品类的平均点击转移概率PX和对老品类的平均点击转移概率PL，如果PX<PL，则减少推荐页面中用于放置所述试探新品类的槽位数；如果PX>PL，则增加推荐页面中用于放置所述试探新品类的槽位数。
例如，预先设定推荐系统曝光的槽位数为12个，其中新品类内容的槽位数为2个，同时根据上一次刷新后推荐系统曝光的内容的曝光量和点击量，以及本次刷新后推荐系统曝光的内容的曝光量和点击量，实时更新用户针对新品类内容的点击转移概率。如果第二数量中具有相同用户画像的用户对新品类内容的平均点击转移概率大于对老品类内容的平均点击转移概率，则增加具有相同用户画像的用户的推荐页面中新品类内容的曝光条数（推荐页面中用于放置新品类内容的槽位数）。如在一次刷新后推荐页面中具有12个槽位数，新品类内容的槽位数为3，如果第二数量中具有相同用户画像的用户对新品类内容的平均点击转移概率小于对老品类内容的平均点击转移概率，则将新品类内容的槽位数从3个减少到1个，其中，减少的槽位数可以为1个或多个。
另外，平均点击转移概率PX和对老品类的平均点击转移概率PL的计算公式如下：
PX=∑P(a, b)/k2;
PL= ∑P(a, c)/k3;
其中，∑P(a, b)表示多个老品类a到新品类b的第二点击转移概率的总和，k2表示老品类a到新品类b的第二点击转移概率的个数;∑P(a, c)表示多个老品类a到老品类c的第二点击转移概率的总和，k3表示老品类a到老品类c的第二点击转移概率的个数；老品类a包括老品类a1、老品类a2···老品类an，新品类b包括老品类b1、老品类b2···老品类bm,老品类c包括老品类a1、老品类a2···老品类an，n表示老品类的种类数量，m表示新品类的种类数量。
在本申请的一些实施例中，可选地，所述第一类点击转移概率和所述第二类点击转移概率均通过点击转移概率公式计算，所述点击转移概率的计算公式如下：
P(i, j) = N(i, j) / N(i)
其中，P(i, j)表示从品类i转移到品类j的点击转移概率，N(i, j)表示从前一次刷新推荐内容的品类i到当前次刷新推荐内容的品类j的点击转移次数，N(i)表示前一次刷新推荐内容中品类i点击的次数。
根据上述计算公式可知，所述第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量成正比，且与相邻两次推荐中新品类内容的点击量的增加量成正比。
根据本申请的一些实施例，可选地，在所述确定多次推荐后生成的多个第一类点击转移概率之后，且在每种新品类内容的曝光量均达到预设值之后，计算每种新品类对应的多个第一类点击转移概率的平均值，作为每种新品类内容对应的平均点击转移概率；
根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容。
作为一种示例，第一类点击转移概率的平均值Pt的计算公式如下：
Pt=∑P(X, A)/k1
其中，Pt表示同一种老品类针对同一种新品类的第一类点击转移概率的平均值，P(X, A)表示同一种老品类X对同一种新品类A的第一点击转移概率，老品类X包括老品类X1、老品类X2···老品类Xm, m表示老品类的种类数量，新品类A包括新品类A1、新品类A2···新品类An, n表示新品类的种类数量，∑P(X, A)表示多个第一点击转移概率之和，k1表示第一点击转移概率的个数。
在本申请的一些实施例中，可选地，根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容，可通过如下处理实现：
如果所述平均点击转移概率大于预设阈值，则将所述平均点击转移概率对应的新品类内容作为当前老品类内容对应的试探新品类内容。
根据上述第一类点击转移概率的平均值Pt的计算公式可以对第一类点击转移概率的平均值进行计算，如果同一种老品类内容对应的同一种新品类内容的第一类点击转移概率的平均值大于预设值，则可以确定该老品类内容对应的新品类内容为老品类内容对应的试探新品类。这样在第二个试探阶段的试探周期内，可以将试探新品类内容分发给具有对应的老品类内容兴趣标签的第二数量的用户。
在本申请的一些实施例中，可选地，根据每次推荐后各个试探新品类内容的曝光量和点击量，对各个试探新品类内容进行排序，可通过如下处理实现：将累计曝光量和累计点击量分别作为beta分布的两个参数，利用beta分布生成样本值，基于所述样本值完成排序。
在本申请中，试探新品类内容是多样的，如ABCDE5个试探新品类去试探，但是考虑到新品类内容的槽位数有限，导致这5个新品类在当前环境中没有有效分发。举一个用户为例，记录其试探ABCDE新品类的曝光数，点击数以及点击率。可以根据点击率判断试探效果，但是如果只看点击率，在后续的试探过程中，无法试探更多的品类，但是以试探广度为目的试探因为没有较高的点击率，因此无法获得更好的点击。考虑到这两个因素，本申请以点击量和曝光量作为beta分布的两个参数，通过两个参数并且随着大数定律（数据越大越置信）确立的beta分布会近似等同其点击率，所以在每次试探新品类之前，计算ABCDE5个品类beta分布的采样数值，按最大值去取试探新品类内容作为下一个试探新品类内容，获得点击数和曝光数后再次更新其beta分布，这样不仅能够增大试探种类，还能够提高试探的准确性。
在本申请的一些实施例中，可选地，本申请的新兴趣的试探方法还包括以下处理：
确定预设时长的曝光窗口，在所述预设时长的曝光窗口内，如果曝光的待试探的新品类内容中有点击量小于预设值的新品类内容，则将所述点击量小于预设值的新品类内容放入负反馈池中，放入负反馈池中的新品类内容不作为当前试探周期内的推荐内容，其中，曝光的待试探的新品类内容在预设时长的曝光窗口内的曝光条数不少于预设条数。
例如，预先设定预设时长的曝光窗口（如最近的5次刷新后的推荐页面），如果推荐页面中的某一新品类内容在5次刷新后的推荐页面中均没有得到点击，则将该新品类内容放入负反馈池中，不做当前试探周期内（如3天）的推荐，否则如果有未被曝光的内容，则至少保证曝光最少曝光条数，（如1条）。加入反馈机制后，可以更加高效地对用户的新兴趣点进行试探。
在本申请的一些实施例中，可选地，本申请的新兴趣试探方法还包括以下步骤：
S301，在同一个试探周期内，获取所有用户在所述试探周期内每次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量；根据获取的任意相邻两次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量，计算第三类点击转移概率。
S302，基于所有用户的数量以及多个第三类点击转移概率，计算所有用户的第三类点击转移概率的平均值，得到所有用户的平均点击转移概率，所述平均点击转移概率是下次试探周期中第二用户的初始点击转移概率，所述第二用户为未出现在本次试探周期内的用户。
具体地，在同一个周期内，统计得出所有用户在每一次刷新后对于曝光的内容的点击量，计算所有用户的平均点击转移概率，作为下一次周期开始试探的点击转移概率，此点击转移概率只作为未出现在本次试探周期内的用户使用，已经有试探的用户获取自己本身的点击转移概率。
以上通过多个实施例描述了本申请实施例的实现方式以及带来的优势。以下结合具体的例子，详细描述本申请实施例的具体处理过程。
作为一种示例，本申请提出的新兴趣的试探方法包括以下处理过程：
●第一试探阶段（面向少量用户进行试探）：
在保量期间，向a用户（对X品类内容感兴趣）、b用户（对Y、Z品类内容感兴趣）、c用户（对X、Y、Z品类内容感兴趣）的内容推荐页面中发放多种品类的视频，其中，a用户的内容推荐页面中有X品类的视频、A品类的视频和B品类的视频；b用户的内容推荐页面中有Y、Z品类的视频、C品类的视频；c用户的内容推荐页面中有X、Y、Z和D品类的视频，其中，X品类、Y品类和Z品类为老品类内容；A品类、B品类和C品类为新品类内容。
a用户、b用户和c用户的数量之和等于5万（只占所有用户数量的一部分），在一次刷新推荐页面后，由于每个用户中老品类的曝光量比较多，我们只选取老品类中曝光总量的35%作为采样对象，并且针对这些视频计算X、Y、Z品类的点击量。比如，一次刷新推荐页面之后，X、Y、Z品类总的视频曝光量的35%为10万，其中，这10万视频中，X品类的视频的点击量为2万，Y品类的视频的点击量为3万、Z品类的视频的点击量为1万；A、B、C、D品类的视频曝光量总数为1万，其中A品类的视频的点击量为1000、B品类的视频的点击量为2000、C品类的视频的点击量为1000、D品类的视频的点击量为3000；再次刷新推荐页面之后，X、Y、Z品类总的视频曝光量的35%为9万，其中，这9万视频中，X品类的视频的点击量为3万，Y品类的视频的点击量为2万、Z品类的视频的点击量为2万；A、B、C、D品类的视频曝光量总数为3万，其中，A品类的视频的点击量为3000、B品类的视频的点击量为5000、C品类的视频的点击量为7000、D品类的视频的点击量为6000。
对于上述老品类和新品类的点击量数据，用表1表示如下：
表1
示例性地，基于相邻的一刷和二刷后的数据计算第一类点击转移概率：
P（X，A）=（3000-1000）/20000=0.1
P（X，B）=（5000-2000）/30000=0.1
……
与上述示例不同的，在本申请中，用一种简单的示例来解释第一类点击转移概率的计算过程如下：
在当前刷新后有A品类点击的状态下，有6次转移到A（下一刷点击A品类6次），有3次转移到B（下一刷点击B品类3次），有1次转移到C（下一刷点击B品类1次）
P(A,A) = 6/(6+3+1) = 0.6
P(A,B) = 3/(6+3+1) = 0.3
P(A,C) = 1/(6+3+1) = 0.1
作为一种示例，计算保量期间，每次刷新之后，基于相邻两次的点击量计算点击转移概率。假设保量期间，每个新品类的曝光量要达到1万，为此，需要经过多次刷新推荐，假设经过10次刷新推荐，那么，共计算了9次的第一类点击转移概率，然后计算出9次第一类点击转移概率的平均点击转移概率，用表2表示各个品类之间的平均点击转移概率如下：
表2
其中，表2中的数字为计算的第一类点击转移概率的平均点击转移概率，例如，第一行第一列的0.29表示的是品类X到品类X的平均点击转移概率为0.29。
进一步地，可以根据平均点击转移概率的大小，确定老品类对应的试探新品类，缩小第二试探阶段的新品类的试探种类。例如，预先设定如果平均点击转移概率>0.05，则可以将该老品类对应的新品类作为该老品类在第二试探阶段的试探新品类。这样，根据表2，可得X品类对应的试探新品类为：ABCE， Y品类对应的试探新品类为：BCE，Z品类对应的试探新品类为：CDE 。
●第二试探阶段（面向所有用户进行试探）：
在面向所有用户进行试探时，根据保量期间的试探结果，向对X品类感兴趣的用户发放A、B、C、E中至少一种品类的视频内容，向对Y品类感兴趣的用户发放B、C、E中至少一种品类的视频内容，向对Z品类感兴趣的用户发放C、D、E中至少一种品类的视频内容，采集一刷之后具有相同用户画像（对老品类感兴趣的种类相同，例如对X品类感兴趣的用户）的用户对于曝光的各个新品类的累计点击量和累计曝光量，将累计点击量和累计曝光量作为beta分布的参数α和参数β的值，提取beta分布的采样值，将其作为类似点击率值，至于beta分布的采样值的计算，主要通过平滑+随机处理得出的在统一分布里的随机值。采样值score的具体计算公式如下：
score=a*/(a*+b)；
a*=a*exp(c*[log(random1)-log(-random1+1)])
c*=sqrt((a+b-2)/2*a*b-(a+b))
其中，a*是根据平滑和随机得出的值，a是具有相同用户画像的用户的累计点击量，b是具有相同用户画像的用户的累计曝光量，
根据确定的采样值的大小，对采样值进行排序，假设A品类对应的采样值为0.8，B品类对应的采样值为0.7，C品类对应的采样值为0.5，这三个采样值对应采样值前三，那么二刷的时候，对X品类感兴趣的用户的推荐页面中用于放置新品类的三个槽中将放置前三A、B、C品类对应的视频内容。二刷之后，能够得到A、B、C三个品类视频的累计点击量和累计曝光量，基于此可以再分别计算每个品类的beta分布，并确定各自的采样值，并进行排序，此时，排名前三的是B、A、C可以将B、A、C品类中没有被用户点击过的视频作为三刷后推荐页面中的内容。另外，各个新品类内容下对应不同身份信息的视频，进行beta分布采样值计算时，需要统计这个新品类下所有视频的beta分布的采样值，即需要在每次请求推荐结果时，就需要实时统计得出不同身份信息的新品类对应的视频的点击量和曝光量，并在每次请求推荐服务接口时实时计算每个视频的beta分布采样值，并以此从大到小排序，再次刷新之后，推荐页面中的新品类内容槽位中可以放置序列号在前的视频。
同时基于推荐页面第一刷和第二刷得到的老品类和新品类的累计点击量和累计曝光量确定各个品类的点击转移概率，如果老品类的平均点击转移概率小于新品类的平均点击转移概率，那么在推荐页面中增加一个新品类的曝光槽，那么新增加的曝光槽的内容由随机数最大的品类确定，即曝光槽相对于二刷变为四个，分别放置B、B、A、C品类的视频内容，如果老品类的平均点击转移概率大于新品类的平均转移概率，那么在推荐页面中减少一个新品类的曝光槽，即曝光槽相对于二刷变为两个，分别放置B、A品类的视频内容。
在一个试探周期内的前三次推荐中，如果新品类的内容没有得到点击，那么可以直接把这个新品类直接从本周期试探时间内排除掉，不推荐给任何用户。
以上详细描述了本申请实施例提出的新兴趣的试探方法的处理过程，通过该处理过程，能够对老用户的新兴趣点进行有效地试探。
与本申请的方法实施例对应地，本申请还提供一种新兴趣的试探装置，图3是本申请实施例的新兴趣的试探装置的结构框图。如图3所示，新兴趣的试探装置100包括：
第一分发模块110，用于向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容；
降采样处理模块120，用于经过预定时间段之后，对得到曝光的老品类内容做降采样处理；
统计模块130，用于基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；
第一确定模块140，用于确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关；
第二确定模块150，用于根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系；
第二分发模块160，用于根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个；
排序模块170，用于根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果。
本申请实施例中的电子设备可以是用户终端设备，可以是服务器，还可以是其他计算设备，也可以是云端服务器。图4示出本申请实施例的电子设备的硬件结构示意图，该电子设备可以包括处理器601以及存储有计算机程序指令的存储器602，处理器601执行计算机程序指令时实现上述任一实施例方法的流程或功能。
具体地，处理器601可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。存储器602可以包括用于数据或指令的大容量存储器。举例来说，存储器602可以是以下至少一者：硬盘驱动器（Hard Disk Drive，HDD）、只读存储器（ROM），随机存取存储器（RAM）、软盘驱动器、闪存、光盘、磁光盘、磁带、通用串行总线（Universal Serial Bus，USB）驱动器或其他物理/有形的存储器存储设备。又如，存储器602可包括可移除或不可移除（或固定）的介质。再如，存储器602可在综合网关容灾设备的内部或外部。存储器602可以是非易失性固态存储器。换句话说，通常存储器602包括编码有计算机可执行指令的有形（非暂态）计算机可读存储介质（如存储器设备），并且当该软件被执行（如由一个或多个处理器执行）时，可执行本申请实施例的方法所描述的操作。处理器601通过读取并执行存储器602中存储的计算机程序指令，实现上述实施例中任一种方法的流程或功能。
在一个示例中，图4所示的电子设备还可包括通信接口603和总线610。其中，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。通信接口603主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。总线610包括硬件、软件或两者皆有，可将在线数据流量计费设备的部件彼此耦接在一起。举例来说，总线可包括以下至少一者：加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、外围组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线。总线610可包括一个或多个总线。尽管本申请实施例描述或示出了特定的总线，但本申请实施例可考虑任何合适的总线或互连方式。
结合上述实施例中的方法，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中任一种方法的流程或功能。
另外，本申请实施例还提供一种计算机程序产品，该计算机程序产品上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中任一种方法的流程或功能。
以上示例性地描述了本申请实施例的方法、装置、系统和计算机程序产品的流程图和/或框图，并描述了相关的各个方面。应当理解，流程图和/或框图中的每个方框或其组合，可以由计算机程序指令实现，也可以由执行指定功能或动作的专用硬件来实现，还可由专用硬件和计算机指令的组合来实现。例如，这些计算机程序指令可被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，以形成一种机器可使得经由这种处理器执行的这些指令使能对流程图和/或框图中的每个方框或其组合中指定的功能/动作的实现。这种处理器可以是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。
本申请实施例的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等；当以软件方式实现时，是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在存储器中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
需说明，本申请并不局限于上文所描述或在图中示出的特定配置和处理。以上所述仅为本申请的具体实施方式，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，所描述的系统、设备、模块或单元的具体工作过程，可以参考方法实施例中的对应过程，不需再赘述。应理解，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。
Claims (9)
1.一种新兴趣的试探方法，其特征在于，包括：
向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容，经过预定时间段之后，对得到曝光的老品类内容做降采样处理；
基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；
确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关；
根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系；
根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个，根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果；
其中，在所述确定多次推荐后生成的多个第一类点击转移概率之后，所述方法还包括：在每种新品类内容的曝光量均达到预设值之后，计算每种新品类对应的多个第一类点击转移概率的平均值，作为每种新品类内容对应的平均点击转移概率；根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容；如果所述平均点击转移概率大于预设阈值，则将所述平均点击转移概率对应的新品类内容作为当前老品类内容对应的试探新品类内容；
其中，基于所述具有相同用户画像的用户相邻两次刷新的推荐内容中的老品类内容的点击量以及新品类内容的点击量，计算相邻两次刷新的推荐内容中的各个品类之间的第二类点击转移概率；基于所述第二类点击转移概率，计算所述具有相同用户画像的用户对新品类的平均点击转移概率PX和对老品类的平均点击转移概率PL，如果PX<PL，则减少推荐页面中用于放置所述试探新品类的槽位数；如果PX>PL，则增加推荐页面中用于放置所述试探新品类的槽位数；
还包括：在同一个试探周期内，获取所有用户在所述试探周期内每次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量；根据获取的任意相邻两次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量，计算第三类点击转移概率；基于所有用户的数量以及多个第三类点击转移概率，计算所有用户的第三类点击转移概率的平均值，得到所有用户的平均点击转移概率，所述平均点击转移概率是下次试探周期中第二用户的初始点击转移概率，所述第二用户为未出现在本次试探周期内的用户。
2.根据权利要求1所述的试探方法，其特征在于，所述第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量成正比，且与相邻两次推荐中新品类内容的点击量的增加量成正比。
3. 根据权利要求1所述的试探方法，其特征在于，所述第一类点击转移概率和所述第二类点击转移概率均通过点击转移概率公式计算，所述点击转移概率公式如下：
P(i, j) = N(i, j) / N(i)
其中，P(i, j)表示从品类i转移到品类j的点击转移概率，N(i, j)表示从前一次刷新推荐内容的品类i到当前次刷新推荐内容的品类j的点击转移次数，N(i)表示前一次刷新推荐内容中品类i点击的次数。
4.根据权利要求1所述的试探方法，其特征在于，所述根据每次推荐后各个试探新品类内容的曝光量和点击量，对各个试探新品类内容进行排序，包括：将曝光量和点击量分别作为beta分布的两个参数，利用beta分布生成样本值，基于所述样本值完成排序。
5.根据权利要求1所述的试探方法，其特征在于，所述方法还包括：
确定预设时长的曝光窗口，在所述预设时长的曝光窗口内，如果曝光的待试探的新品类内容中有点击量小于预设值的新品类内容，则将所述点击量小于预设值的新品类内容放入负反馈池中，放入负反馈池中的新品类内容不作为当前试探周期内的推荐内容，其中，曝光的待试探的新品类内容在预设时长的曝光窗口内的曝光条数不少于预设条数。
6.根据权利要求1所述的试探方法，其特征在于，所述第一数量小于所述第二数量，所述第一数量的用户为从所有用户中抽取的预设数量的用户，所述第二数量的用户为系统中所有用户。
7. 一种新兴趣试探装置， 其特征在于，包括：
第一分发模块，用于向第一数量的用户分发与其兴趣标签对应的老品类内容以及待试探的新品类内容；
降采样处理模块，用于经过预定时间段之后，对得到曝光的老品类内容做降采样处理；
统计模块，用于基于降采样后的数据，统计每次向用户推荐内容后老品类内容的点击量以及得到曝光的新品类内容的点击量；
第一确定模块，用于确定多次推荐后生成的多个第一类点击转移概率，第一类点击转移概率与相邻两次推荐中老品类内容点击量的减少量以及新品类内容的点击量的增加量相关；
第二确定模块，用于根据所述多个第一类点击转移概率中涉及的老品类内容及新品类内容，确定多种老品类内容与多种待试探新品类内容之间的对应关系；
第二分发模块，用于根据所述对应关系，在每个试探周期内，向第二数量的用户试探地分发与其兴趣标签对应的老品类内容以及与老品类内容对应的试探新品类内容，以获得试探新品类内容的试探结果，其中试探新品类内容的数量为多个；
排序模块，用于根据每次推荐后各个试探新品类内容在具有相同用户画像的用户中的曝光量和点击量，对各个试探新品类内容进行排序，作为试探结果；
其中，在所述确定多次推荐后生成的多个第一类点击转移概率之后，还包括：在每种新品类内容的曝光量均达到预设值之后，计算每种新品类对应的多个第一类点击转移概率的平均值，作为每种新品类内容对应的平均点击转移概率；根据所述平均点击转移概率确定各种老品类内容潜在对应的试探新品类内容；如果所述平均点击转移概率大于预设阈值，则将所述平均点击转移概率对应的新品类内容作为当前老品类内容对应的试探新品类内容；
其中，基于所述具有相同用户画像的用户相邻两次刷新的推荐内容中的老品类内容的点击量以及新品类内容的点击量，计算相邻两次刷新的推荐内容中的各个品类之间的第二类点击转移概率；基于所述第二类点击转移概率，计算所述具有相同用户画像的用户对新品类的平均点击转移概率PX和对老品类的平均点击转移概率PL，如果PX<PL，则减少推荐页面中用于放置所述试探新品类的槽位数；如果PX>PL，则增加推荐页面中用于放置所述试探新品类的槽位数；
还包括：在同一个试探周期内，获取所有用户在所述试探周期内每次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量；根据获取的任意相邻两次刷新推荐内容中老品类内容的点击量以及新品类内容的点击量，计算第三类点击转移概率；基于所有用户的数量以及多个第三类点击转移概率，计算所有用户的第三类点击转移概率的平均值，得到所有用户的平均点击转移概率，所述平均点击转移概率是下次试探周期中第二用户的初始点击转移概率，所述第二用户为未出现在本次试探周期内的用户。
8.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；所述电子设备执行所述计算机程序指令时实现如权利要求1-6中任一项所述的方法。
9.一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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308408.0A CN117056611B (zh) | 2023-10-11 | 2023-10-11 | 新兴趣的试探方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308408.0A CN117056611B (zh) | 2023-10-11 | 2023-10-11 | 新兴趣的试探方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056611A CN117056611A (zh) | 2023-11-14 |
| CN117056611B true CN117056611B (zh) | 2024-01-23 |
Family
ID=88661180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308408.0A Active CN117056611B (zh) | 2023-10-11 | 2023-10-11 | 新兴趣的试探方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056611B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019134274A1 (zh) * | 2018-01-05 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及系统 |
| CN112328906A (zh) * | 2020-11-04 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 内容项推荐方法、装置、设备及存储介质 |
| CN114036403A (zh) * | 2022-01-07 | 2022-02-11 | 智者四海（北京）技术有限公司 | 用户兴趣探测方法、装置和存储介质 |
| CN115935082A (zh) * | 2022-12-29 | 2023-04-07 | 企知道网络技术有限公司 | 一种用户冷启动内容推荐方法、计算设备及存储介质 |
| CN116193206A (zh) * | 2023-04-25 | 2023-05-30 | 北京小糖科技有限责任公司 | 优质内容筛选方法、装置、终端设备及存储介质 |
| CN116821554A (zh) * | 2023-08-30 | 2023-09-29 | 中航金网(北京)电子商务有限公司 | 一种页面分析方法、装置、电子设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346894B (zh) * | 2010-08-03 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
-
2023
- 2023-10-11 CN CN202311308408.0A patent/CN117056611B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019134274A1 (zh) * | 2018-01-05 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及系统 |
| CN112328906A (zh) * | 2020-11-04 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 内容项推荐方法、装置、设备及存储介质 |
| CN114036403A (zh) * | 2022-01-07 | 2022-02-11 | 智者四海（北京）技术有限公司 | 用户兴趣探测方法、装置和存储介质 |
| CN115935082A (zh) * | 2022-12-29 | 2023-04-07 | 企知道网络技术有限公司 | 一种用户冷启动内容推荐方法、计算设备及存储介质 |
| CN116193206A (zh) * | 2023-04-25 | 2023-05-30 | 北京小糖科技有限责任公司 | 优质内容筛选方法、装置、终端设备及存储介质 |
| CN116821554A (zh) * | 2023-08-30 | 2023-09-29 | 中航金网(北京)电子商务有限公司 | 一种页面分析方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056611A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11995559B2 (en) | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms | |
| CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
| JP2018516404A (ja) | 情報推奨方法および装置、ならびにサーバ | |
| CN109543940B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN108132963A (zh) | 资源推荐方法和装置、计算设备和存储介质 | |
| CN111210255B (zh) | 广告推送方法、装置及电子设备 | |
| CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
| US11755979B2 (en) | Method and system for finding a solution to a provided problem using family tree based priors in Bayesian calculations in evolution based optimization | |
| CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
| CN110427358B (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
| CN117056611B (zh) | 新兴趣的试探方法、装置、电子设备及存储介质 | |
| CN113886697A (zh) | 基于聚类算法的活动推荐方法、装置、设备及存储介质 | |
| CN113722588A (zh) | 资源推荐方法、装置及电子设备 | |
| CN116450881B (zh) | 基于用户偏好推荐兴趣分段标签的方法、装置及电子设备 | |
| CN108537570B (zh) | 一种信息曝光方法及装置 | |
| CN116847132A (zh) | 基于时间分片的视频更新方法、装置、电子设备及存储介质 | |
| CN111199454A (zh) | 实时用户转化评估方法、装置及电子设备 | |
| CN111881469A (zh) | 数据处理方法、装置 | |
| CN110597702A (zh) | 一种用户行为分析系统、方法及介质 | |
| CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 | |
| CN110659919A (zh) | 数据匹配方法、装置、介质及电子设备 | |
| CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
| CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| JP2023525814A (ja) | ユーザ検索カテゴリ予測器 |
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 |