CN117194772B - 一种基于用户标签的内容推送方法及装置 - Google Patents
一种基于用户标签的内容推送方法及装置 Download PDFInfo
- Publication number
- CN117194772B CN117194772B CN202311042698.9A CN202311042698A CN117194772B CN 117194772 B CN117194772 B CN 117194772B CN 202311042698 A CN202311042698 A CN 202311042698A CN 117194772 B CN117194772 B CN 117194772B
- Authority
- CN
- China
- Prior art keywords
- label
- user
- content
- recommended content
- combination
- 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 31
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户标签的内容推送方法及装置,通过对用户设置的多个自定义标签进行组合,得到多个标签组合;分别将每个标签组合输入到第一内容推荐模型中,得到对应的第一推荐内容,并生成第一推荐内容序列;向用户推送所述第一推荐内容序列后,获取用户对每个第一推荐内容的有效浏览时间,选取最高有效浏览时间对应的有效标签组合,设置多个偏好值,分别将有效标签组合和每个偏好值输入到第二内容推荐模型中,得到对应的有效推荐内容,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列;与现有技术方案相比,本发明的技术方案能在缺少用户偏好行为的前提下,提高对推荐内容推送的准确性。
Description
技术领域
本发明涉及图像识别处理的技术领域,特别是涉及一种基于用户标签的内容推送方法及装置。
背景技术
现有的内容推送技术,普遍基于用户搜索和浏览的历史数据,得到用户的偏好行为,基于偏好行为,向用户推送感兴趣的内容,但在用户初次使用或初次登录的情况下,由于缺少用户搜索和浏览的相关数据,无法获取用户的偏好行为,在此情况下,难以准确的向用户推荐用户感兴趣的内容。
发明内容
本发明要解决的技术问题是:提供一种基于用户标签的内容推送方法及装置,能在缺少用户偏好行为的前提下,提高对推荐内容推送的准确性。
为了解决上述技术问题,本发明提供了一种基于用户标签的内容推送方法,包括:
获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值;
分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列;
向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合;
设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列。
在一种可能的实现方式中,获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间,具体包括:
当检测到所述用户任一选取所述第一推荐内容序列中的目标推荐内容后,采集实时用户图像,对所述实时用户图像进行图像特征提取,得到用户眼部图像,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,基于所述停留时间,得到所述目标推荐内容对应的有效浏览时间;
当检测到用户完成对所述第一推荐内容序列中每个第一推荐内容选取,或检测到所述用户退出对所述第一推荐内容序列的选取时,得到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间。
在一种可能的实现方式中,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,具体包括:
获取所述用户眼部图像在所述实时用户图像中的第一占比,记录所述第一占比大于预设占比阈值的所有第一时间,整合所有第一时间,得到所述用户在目标推荐内容显示界面的停留时间。
在一种可能的实现方式中,设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预设的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,具体包括:
设置多个偏好值,其中,所述多个偏好值包括浏览次数最大值、收藏次数最大值和发布时间最大值;
将所述有效标签组合和所述浏览次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述浏览次数最大值对应的第一有效推荐内容;
将所述有效标签组合和所述收藏次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述收藏次数最大值对应的第二有效推荐内容;
将所述有效标签组合和所述发布时间最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述发布时间最大值对应的第三有效推荐内容。
在一种可能的实现方式中,获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,具体包括:
获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签;
从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合。
在一种可能的实现方式中,基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值,具体包括:
获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值;
获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值;
对所述学习进度标签设置学习进度初始权重值;
根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
在一种可能的实现方式中,生成第一推荐内容序列后,还包括:
向所述用户推送所述第一推荐内容序列,且在预设时间内没有检测到所述用户选取所述第一推荐内容序列中的任一第一推荐内容时,检测所述用户的第一搜索记录,若所述用户的第一搜索记录不为空时,基于所述第一搜索记录,获取第一搜索关键词;
基于所述第一搜索关键词,分别计算所述第一搜索关键词与所述多个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
本发明还提供了一种基于用户标签的内容推送装置,包括:标签组合生成模块、第一推荐内容序列生成模块、第一有效标签组合获取模块和第二推荐内容序列生成模块;
其中,所述标签组合生成模块,用于获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值;
所述第一推荐内容序列生成模块,用于分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列;
所述第一有效标签组合获取模块,用于向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合;
所述第二推荐内容序列生成模块,用于设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列。
在一种可能的实现方式中,所述第一有效标签组合获取模块,用于获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间,具体包括:
当检测到所述用户任一选取所述第一推荐内容序列中的目标推荐内容后,采集实时用户图像,对所述实时用户图像进行图像特征提取,得到用户眼部图像,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,基于所述停留时间,得到所述目标推荐内容对应的有效浏览时间;
当检测到用户完成对所述第一推荐内容序列中每个第一推荐内容选取,或检测到所述用户退出对所述第一推荐内容序列的选取时,得到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间。
在一种可能的实现方式中,所述第一有效标签组合获取模块,用于基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,具体包括:
获取所述用户眼部图像在所述实时用户图像中的第一占比,记录所述第一占比大于预设占比阈值的所有第一时间,整合所有第一时间,得到所述用户在目标推荐内容显示界面的停留时间。
在一种可能的实现方式中,所述第二推荐内容序列生成模块,用于设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预设的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,具体包括:
设置多个偏好值,其中,所述多个偏好值包括浏览次数最大值、收藏次数最大值和发布时间最大值;
将所述有效标签组合和所述浏览次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述浏览次数最大值对应的第一有效推荐内容;
将所述有效标签组合和所述收藏次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述收藏次数最大值对应的第二有效推荐内容;
将所述有效标签组合和所述发布时间最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述发布时间最大值对应的第三有效推荐内容。
在一种可能的实现方式中,所述标签组合生成模块,用于获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,具体包括:
获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签;
从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合。
在一种可能的实现方式中,所述标签组合生成模块,用于基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值,具体包括:
获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值;
获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值;
对所述学习进度标签设置学习进度初始权重值;
根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
本发明提供的一种基于用户标签的内容推送装置,还包括:搜索关键词获取模块和第二有效标签组合获取模块;
其中,所述搜索关键词获取模块,用于向所述用户推送所述第一推荐内容序列,且在预设时间内没有检测到所述用户选取所述第一推荐内容序列中的任一第一推荐内容时,检测所述用户的第一搜索记录,若所述用户的第一搜索记录不为空时,基于所述第一搜索记录,获取第一搜索关键词;
所述第二有效标签组合获取模块,用于基于所述第一搜索关键词,分别计算所述第一搜索关键词与所述多个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于用户标签的内容推送方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于用户标签的内容推送方法。
本发明实施例一种基于用户标签的内容推送方法及装置,与现有技术相比,具有如下有益效果:
通过对用户选取的多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值;分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列,使得在缺少用户偏好行为数据的前提下,基于用户在初次使用或初次登录时记录的标签信息,向用户推送感兴趣的内容,提高内容推送的准确性;并在向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合;设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列,使得通过获取用户对第一推荐内容的有效浏览时间和选取最高有效浏览时间对应的有效标签组合,可以更精确地了解用户的偏好和兴趣,并更好地匹配用户的需求进行二次推荐,进一步提高内容推荐的准确性。
附图说明
图1是本发明提供的一种基于用户标签的内容推送方法的一种实施例的流程示意图;
图2是本发明提供的一种基于用户标签的内容推送装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,参见图1,图1是本发明提供的一种基于用户标签的内容推送方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤104,具体如下:
步骤101:获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值。
一实施例中,获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签。
具体的,所述子学科标签包括但不限于语文、数学、英语、物理、化学、地理、生物、历史、计算机、音乐、美术等;其中,所述多个子学科标签的数量为一个或多个。
具体的,所述子学习目标标签包括提高职业技能、考试考级、兴趣爱好等,其中,所述多个自学习目标标签的数量为一个或多个。
具体的,所述学习进度标签包括初学者、入门、进阶和高级,其中,所述学习进度标签的数量为一个。
具体的,用户的多个自定义标签可基于用户在客户端进行初登录或用户注册时,基于标签选取提示选取的多个自定义标签。
一实施例中,对所述多个自定义标签进行组合时,从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合。
作为本实施例中的一种举例说明:所述标签组合可以为:美术(子学科标签)-兴趣爱好(子学习目标标签)-初学者(学习进度标签);所述标签组合也可以为:英语(子学科标签)-考试考级(子学习目标标签)-入门(学习进度标签)。
一实施例中,获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值。
具体的,在用户基于标签选取提示选取的学科标签时,基于选取的顺序,对选取的第一个学科标签设置子学科初始权重值最大值,并基于所述子学科初始权重值进行依次递减,对选取的第一个学科标签后的学科标签设置对应的子学科初始权重值,以使基于第一选取顺序对应的学科标签序列,其对应的子学科初始权重值的序列为有大到小排序。
优选的,设置子学科初始权重值最大值为1,基于预设第一差额,对所述子学科初始权重值最大值进行依次递减,其中,所述预设第一差额可以为0.1,所述预设第一差额也可以为0.05。
一实施例中,获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值。
具体的,在用户基于标签选取提示选取的学习目标标签时,基于选取的顺序,对选取的第一个学习目标标签设置子学习目标初始权重值最大值,并基于所述子学习目标初始权重值进行依次递减,对选取的第一个学习目标标签后的学习目标标签设置对应的子学习目标初始权重值,以使基于子学习目标初始权重值对应的学习目标标签序列,其对应的子学习目标初始权重值的序列为有大到小排序。
优选的,设置子学习目标初始权重值最大值为1,基于预设第二差额,对所述子学习目标初始权重值最大值进行依次递减,其中,所述预设第二差额可以为0.1,所述预设第二差额也可以为0.05。
一实施例中,对所述学习进度标签设置学习进度初始权重值。
优选的,由于学习进度标签的选取数量为一个,设置所述学习进度初始权重值为1。
一实施例中,根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
步骤102:分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列。
一实施例中,获取历史推荐内容数据集,其中,所述历史推荐内容数据集包括多个历史推荐内容,以及每个历史推荐内容对应的历史标签组合和历史收藏值;其中,所述历史标签组合为历史推荐内容发布者在发布历史推荐内容时选取的历史标签的组合。
一实施例中,获取历史推荐内容数据集后,还包括对所述历史推荐内容数据集中的多个历史推荐内容,以及每个历史推荐内容对应的历史标签组合和历史收藏值进行数据预处理,得到预处理历史推荐内容数据集,其中,所述数据预处理包括数据清洗、去除异常值和填补缺失值等。
一实施例中,得到预处理历史推荐内容数据集后,还将历史标签组合、历史推荐内容、历史收藏量等特征进行编码和归一化处理。
一实施例中,在对所述历史推荐内容数据集进行数据预处理和归一化处理后,按照预设比例将历史推荐内容数据集分为训练集和测试集,利用训练集对模型进行训练,并利用所述测试集对模型的预测情况进行检测;优选的,设置预设比例为8:2。
一实施例中,构建模型结构形式为“多标签输入-多输出-多输入-单输出”的初始第一内容推荐模型,以所述历史标签组合为模型的多标签输入,以所述历史标签组合对应的所有历史推荐内容为模型的多输出,并以所述历史标签组合对应的所有历史推荐内容、以及每个历史推荐内容对应的历史收藏量作为模型的多输入,以历史收藏值最高值对应的历史推荐内容为模型的单输出,对所述初始第一内容推荐模型进行模型训练,直至模型收敛,得到第一内容推荐模型。
优选的,设置所述初始第一内容推荐模型为LSTM-CNN混合模型。
一实施例中,对模型进行训练时,使用交叉熵损失函数和梯度下降等优化算法进行迭代训练,直至模型收敛;具体的,基于随机分布值,对模型参数进行初始化设置;从所述训练随机中选取第一批次样本数据,将所述第一批次样本数据输入初始第一内容推荐模型,并计算损失函数,在确定所述损失函数未收敛时,计算模型输出结果与真是结果之间的第一差异值,将所述第一差异值传递回所述初始第一内容推荐模型的每一层的神经元中以计算梯度值;根据所述梯度值,基于梯度下降算法更新所述模型参数,以最小化损失函数的值,并重新从所述训练随机中选取第二批次样本数据,将所述第二批次样本数据输入初始第一内容推荐模型,重新计算损失函数,直至所述初始第一内容推荐模型的损失函数收敛,或达到预设的迭代次数,停止对模型的迭代训练。
一实施例中,当完成对模型的训练后,使用测试集对模型进行测试,并计算出测试结果对应的准确率、F1-score等性能度量指标,以评估模型的性能。
一实施例中,分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容时,基于所述标签组合的数量,可能会导致得到的第一推荐内容过多,基于此,还基于所述初始权重组合值对多个第一推荐内容进行排序,通过按所述初始权重组合值由大到小的顺序对所有第一推荐内容进行排序,以获取序列中预设数量个第一推荐内容,以生成第一推荐内容序列。
优选的,按所述初始权重组合值由大到小的顺序对所有第一推荐内容进行排序后,选取序列前5个第一推荐内容,生成第一推荐内容序列。
优选的,所述第一推荐内容包括但不限于课程推荐、音视频推荐和文章推荐等。
步骤103:向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合。
一实施例中,生成的第一推荐内容序列后,向所述用户的客户端推送所述第一推荐内容序列,以使用户在登录后,在客户端的显示界面上能直接接收到所述第一推荐内容序列。
一实施例中,当检测到所述用户任一选取所述第一推荐内容序列中的目标推荐内容后,采集实时用户图像,对所述实时用户图像进行图像特征提取,得到用户眼部图像,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,基于所述停留时间,得到所述目标推荐内容对应的有效浏览时间。
一实施例中,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间时,具体的,获取所述用户眼部图像在所述实时用户图像中的第一占比,记录所述第一占比大于预设占比阈值的所有第一时间,整合所有第一时间,得到所述用户在目标推荐内容显示界面的停留时间。
具体的,当检测到用户触发所述第一推荐内容序列中的任一目标推荐内容后,基于客户端的摄像头实时采集用户的实时用户图像。
一实施例中,当检测到用户完成对所述第一推荐内容序列中每个第一推荐内容选取,或检测到所述用户退出对所述第一推荐内容序列的选取时,得到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间。
优选的,对于用户没有浏览过的所述第一推荐内容序列中的第一推荐内容,设置其对应的有效浏览时间为0。
一实施例中,获取第一推荐内容序列中每个第一推荐内容对应的有效浏览时间后,对所有有效浏览时间按时间长度进行排序,选取最高有效浏览时间对应的有效标签组合。
一实施例中,通过获取用户对第一推荐内容的有效浏览时间和选取最高有效浏览时间对应的有效标签组合,可以更精确地了解用户的偏好和兴趣,并更好地匹配用户的需求进行二次内容推荐,且基于用户行为向用户进行个性化推荐,能提高推荐内容的准确性和个性化程度,从而提升用户的满意度和留存率,这种针对性更强的个性化推荐方式不仅可以提高用户使用的效果和粘性,还可以增加用户参与度。
一实施例中,若向所述用户推送所述第一推荐内容序列后,在预设时间内没有检测到所述用户选取所述第一推荐内容序列中的任一第一推荐内容,此时,由于所述第一推荐内容序列中的每个第一推荐内容对应的有效浏览时间都为0,此时无法选取最高有效浏览时间对应的有效标签组合;基于此,还检测所述用户的第一搜索记录,若所述用户的第一搜索记录不为空时,基于所述第一搜索记录,获取第一搜索关键词,
具体的,从第一搜索记录中提取出用户的所有搜索词条,对所述所有搜索词条进行数据处理,其中,所述数据处理包括去除冗余信息,根据所述搜索词条的频次,对所有搜索词条进行排序,得到频次最高对应的第一搜索词条;对所述第一搜索词条进行数据过滤和数据提取,以使将所述第一搜索词条中的动词和形容词进行去除,并保留所述第一搜索词条中的名词和实词,将所述名词和所述实词进行组合,得到所述第一搜索关键词。
一实施例中,基于所述第一搜索关键词,分别计算所述第一搜索关键词与所述多个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
一实施例中,将每个标签组合进行分词处理,得到每个标签组合对应的标签词;将所述第一搜索关键词和所述标签词进行向量化处理,得到第一搜索关键词和标签词向量,将所述第一搜索关键词和所述标签词向量映射到对应的词向量空间;计算所述第一搜索关键词向量和每个标签组合中标签词向量之间的余弦相似度,得到所述第一搜索关键词与每个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
一实施例中,基于第一搜索关键词计算其与多个标签组合的第一距离,可以更好地匹配用户的需求和兴趣,精确地推荐符合用户需求的内容,提高推荐准确性和可用性。与此同时,将目标标签组合设置为有效标签组合,并基于其进行后续推荐,可以提高推荐效率和响应速度,缩短推荐周期,增加用户使用的便捷性和流畅性。如果用户在预设时间内没有选取第一推荐内容,说明目前的内容推荐已经无法满足用户的需求,需要根据用户最近的搜索行为进行重新推荐,这种设置可以确保推荐系统始终保持对用户兴趣和需求的敏感度,避免出现过时或无效的推荐结果,提高用户的参与度和满意度。
一实施例中,检测所述用户的第一搜索记录,若所述用户的第一搜索记录空时,还可以获取用户的第一浏览记录,基于所述第一浏览记录,获取第一浏览关键词,基于所述第一浏览关键词,分别计算所述第一浏览关键词与所述多个标签组合的第二距离,选取第二距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
步骤104:设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列。
一实施例中,设置多个偏好值,其中,所述多个偏好值包括浏览次数最大值、收藏次数最大值和发布时间最大值。
一实施例中,为了使第二内容推荐模型输出每个偏好值对应的有效推荐内容,采用多路推荐模型构建第二内容推荐模型,其中,每个偏好值对应一路推荐模型,从而将有效标签组合和每个偏好值一一对应,作为不同多路推荐模型的输入特征进行处理。
具体的,针对每个偏好值构建一路推荐模型,从输入中选取与对应偏好值匹配的特征和标签组合,参与该推荐模型的推荐计算,最终将各个推荐模型的输出进行加权融合,输出每个偏好值对应的最终推荐结果。
具体的,针对浏览次数最大值,构建浏览次数推荐模型,针对收藏次数最大值,构建收藏次数推荐模型,针对发布时间最大值,构建发布时间推荐模型;整合所述浏览次数推荐模型、所述收藏次数推荐模型和所述发布时间推荐模型,得到第二推荐模型。
一实施例中,获取所有标签组合,将所述所有标签组合中的任一标签组合作为样本有效标标签组合,获取样本有效标签组合对应的所有历史样本推荐内容,以及每个历史样本推荐内容对应的历史浏览次数,得到第一偏好值样本数据集;获取样本有效标签组合对应的所有历史样本推荐内容,以及每个历史样本推荐内容对应的历史收藏次数,得到第二偏好值样本数据集;获取样本有效标签组合对应的所有历史样本推荐内容,以及每个历史样本推荐内容对应的历史发布时间,得到第三偏好值样本数据集。
具体的,按预设比例分别将第一偏好值样本数据集划分为第一偏好值训练集和第一偏好值测试集;按预设比例分别将第二偏好值样本数据集划分为第二偏好值训练集和第二偏好值测试集;按预设比例分别将第三偏好值样本数据集划分为第三偏好值训练集和第三偏好值测试集。
具体的,基于第一偏好值训练集中的所有历史样本推荐内容及其对应的历史浏览次数作为模型输入,以浏览次数最大值对应的历史样本推荐内容作为模型输出,对浏览次数推荐模型进行模型训练,并基于所述第一偏好值测试集对浏览次数推荐模型的预测结果进行检测;基于第二偏好值训练集中的所有历史样本推荐内容及其对应的历史收藏次数作为模型输入,以收藏次数最大值对应的历史样本推荐内容作为模型输出对收藏次数推荐模型进行模型训练,并基于所述第二偏好值测试集对收藏次数推荐模型的预测结果进行检测;基于第三偏好值训练集中的所有历史样本推荐内容及其对应的历史发布时间作为模型输入,以发布时间最大值对应的历史样本推荐内容作为模型输出对发布时间推荐模型进行模型训练,并基于所述第三偏好值测试集对发布时间推荐模型的预测结果进行检测。
优选的,获取预设时间段内所有的更新推荐内容数据,基于所述更新推荐内容数据对所述预构建的第二内容推荐模型进行更新处理,以使推荐系统经常性地向用户提供最新的数据时,使用最新的第二内容推荐模型可以更好地适应变化的数据和趋势,始终选择最佳的内容向用户推送,提高用户的满意度;且基于预构建的模型进行更新,能节省时间和资源。其中,所述预设时间段可基于需求进行自定义设置;优选的,所述预设时间段可以为一天。
一实施例中,将所述有效标签组合和所述浏览次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述浏览次数最大值对应的第一有效推荐内容。
具体的,获取所述有效标签组对应的所有第二推荐内容,将每个第二推荐内容对应的浏览次数输入到浏览次数推荐模型中,以使所述浏览次数推荐模型输出所述浏览次数最大值对应的第一有效推荐内容。
一实施例中,将所述有效标签组合和所述收藏次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述收藏次数最大值对应的第二有效推荐内容。
具体的,获取所述有效标签组对应的所有第二推荐内容,将每个第二推荐内容对应的收藏次数输入到收藏次数推荐模型中,以使所述收藏次数推荐模型输出所述浏览次数最大值对应的第二有效推荐内容。
一实施例中,将所述有效标签组合和所述发布时间最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述发布时间最大值对应的第三有效推荐内容。具体的,获取所述有效标签组对应的所有第二推荐内容,将每个第二推荐内容对应的发布时间输入到发布时间推荐模型中,以使所述发布时间推荐模型输出所述发布时间最大值对应的第三有效推荐内容。
一实施例中,对所述多个偏好值进行任意排序,得到偏好值序列,基于所述偏好值序列,对输出的所有有效推荐内容进行排序,生成第二推荐内容序列。
优选的,所述偏好值序列为浏览次数最大值-收藏次数最大值-发布时间最大值。
一实施例中,生成第二推荐内容序列后,检测所述用户对推荐界面的第一操作,当检测到所述第一操作为更新后,向所述用户推送所述第二推荐内容序列;优选的,当检测到所述第一操作为退出登录时,保存所述第二推荐内容序列,并在检测到所述用户重新登录时,向所述用户推送所述第二推荐内容序列。
综上,本实施例提供的一种基于用户标签的内容推送方法,通过利用用户自定义标签,生成标签组合,并设定权重组合值,基于预设的第一内容推荐模型,得到第一推荐内容序列,并向用户推送第一推荐内容序列,实现在用户初始注册阶段,缺乏用户行为数据的前提下,对用户推送感兴趣和需求的内容信息,提高用户满意度和互动性,并在此基础上,通过获取用户对第一推荐内容的有效浏览时间和选取最高有效浏览时间对应的有效标签组合,可以更精确地了解用户的偏好和兴趣,并更好地匹配用户的需求进行二次推荐,进一步提高内容推荐的准确性。
实施例2,参见图2,图2是本发明提供的一种基于用户标签的内容推送装置的一种实施例的结构示意图,如图2所示,该装置包括标签组合生成模块201、第一推荐内容序列生成模块202、第一有效标签组合获取模块203和第二推荐内容序列生成模块204,具体如下:
所述标签组合生成模块201,用于获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值。
所述第一推荐内容序列生成模块202,用于分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列。
所述第一有效标签组合获取模块203,用于向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合。
所述第二推荐内容序列生成模块204,用于设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列。
一实施例中,所述第一有效标签组合获取模块203,用于获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间,具体包括:当检测到所述用户任一选取所述第一推荐内容序列中的目标推荐内容后,采集实时用户图像,对所述实时用户图像进行图像特征提取,得到用户眼部图像,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,基于所述停留时间,得到所述目标推荐内容对应的有效浏览时间;当检测到用户完成对所述第一推荐内容序列中每个第一推荐内容选取,或检测到所述用户退出对所述第一推荐内容序列的选取时,得到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间。
一实施例中,所述第一有效标签组合获取模块203,用于基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,具体包括:获取所述用户眼部图像在所述实时用户图像中的第一占比,记录所述第一占比大于预设占比阈值的所有第一时间,整合所有第一时间,得到所述用户在目标推荐内容显示界面的停留时间。
一实施例中,所述第二推荐内容序列生成模块204,用于设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预设的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,具体包括:设置多个偏好值,其中,所述多个偏好值包括浏览次数最大值、收藏次数最大值和发布时间最大值;将所述有效标签组合和所述浏览次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述浏览次数最大值对应的第一有效推荐内容;将所述有效标签组合和所述收藏次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述收藏次数最大值对应的第二有效推荐内容;将所述有效标签组合和所述发布时间最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述发布时间最大值对应的第三有效推荐内容。
一实施例中,所述标签组合生成模块201,用于获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,具体包括:获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签;从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合。
一实施例中,所述标签组合生成模块201,用于基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值,具体包括:获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值;获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值;对所述学习进度标签设置学习进度初始权重值;根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
本实施例中提供的一种基于用户标签的内容推送装置,还包括:搜索关键词获取模块和第二有效标签组合获取模块;其中,所述搜索关键词获取模块,用于向所述用户推送所述第一推荐内容序列,且在预设时间内没有检测到所述用户选取所述第一推荐内容序列中的任一第一推荐内容时,检测所述用户的第一搜索记录,若所述用户的第一搜索记录不为空时,基于所述第一搜索记录,获取第一搜索关键词;
一实施例中,所述第二有效标签组合获取模块,用于基于所述第一搜索关键词,分别计算所述第一搜索关键词与所述多个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述基于用户标签的内容推送装置的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的基于用户标签的内容推送方法的实施例的基础上,本发明另一实施例提供了一种基于用户标签的内容推送终端设备,该基于用户标签的内容推送终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的基于用户标签的内容推送方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于用户标签的内容推送终端设备中的执行过程。
所述基于用户标签的内容推送终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于用户标签的内容推送终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),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(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。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,所述处理器是所述基于用户标签的内容推送终端设备的控制中心,利用各种接口和线路连接整个基于用户标签的内容推送终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于用户标签的内容推送终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于用户标签的内容推送方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的基于用户标签的内容推送方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明提供的一种基于用户标签的内容推送方法及装置,通过对用户设置的多个自定义标签进行组合,得到多个标签组合;分别将每个标签组合输入到第一内容推荐模型中,得到对应的第一推荐内容,并生成第一推荐内容序列;向用户推送所述第一推荐内容序列后,获取用户对每个第一推荐内容的有效浏览时间,选取最高有效浏览时间对应的有效标签组合,设置多个偏好值,分别将有效标签组合和每个偏好值输入到第二内容推荐模型中,得到对应的有效推荐内容,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列;与现有技术方案相比,本发明的技术方案能在缺少用户偏好行为的前提下,提高对推荐内容推送的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种基于用户标签的内容推送方法,其特征在于,包括:
获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值;
分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列;
构建模型结构形式为“多标签输入-多输出-多输入-单输出”的初始第一内容推荐模型,以历史标签组合为模型的多标签输入,以所述历史标签组合对应的所有历史推荐内容为模型的多输出,并以所述历史标签组合对应的所有历史推荐内容、以及每个历史推荐内容对应的历史收藏量作为模型的多输入,以历史收藏值最高值对应的历史推荐内容为模型的单输出,对所述初始第一内容推荐模型进行模型训练,直至模型收敛,得到第一内容推荐模型;
向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合;
设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列;
采用多路推荐模型构建第二内容推荐模型, 针对每个偏好值构建一路推荐模型,从输入中选取与对应偏好值匹配的特征和标签组合,参与该推荐模型的推荐计算,最终将各个推荐模型的输出进行加权融合,输出每个偏好值对应的最终推荐结果;
获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,具体包括:
获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签;
从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合;
基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值,具体包括:
获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值;
获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值;
对所述学习进度标签设置学习进度初始权重值;
根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
2.如权利要求1所述的一种基于用户标签的内容推送方法,其特征在于,获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间,具体包括:
当检测到所述用户任一选取所述第一推荐内容序列中的目标推荐内容后,采集实时用户图像,对所述实时用户图像进行图像特征提取,得到用户眼部图像,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,基于所述停留时间,得到所述目标推荐内容对应的有效浏览时间;
当检测到用户完成对所述第一推荐内容序列中每个第一推荐内容选取,或检测到所述用户退出对所述第一推荐内容序列的选取时,得到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间。
3.如权利要求2所述的一种基于用户标签的内容推送方法,其特征在于,基于所述用户眼部图像,获取所述用户在目标推荐内容显示界面的停留时间,具体包括:
获取所述用户眼部图像在所述实时用户图像中的第一占比,记录所述第一占比大于预设占比阈值的所有第一时间,整合所有第一时间,得到所述用户在目标推荐内容显示界面的停留时间。
4.如权利要求1所述的一种基于用户标签的内容推送方法,其特征在于,设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预设的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,具体包括:
设置多个偏好值,其中,所述多个偏好值包括浏览次数最大值、收藏次数最大值和发布时间最大值;
将所述有效标签组合和所述浏览次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述浏览次数最大值对应的第一有效推荐内容;
将所述有效标签组合和所述收藏次数最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述收藏次数最大值对应的第二有效推荐内容;
将所述有效标签组合和所述发布时间最大值输入到所述预设的第二内容推荐模型中,以使所述第二内容推荐模型输出所述发布时间最大值对应的第三有效推荐内容。
5.如权利要求1所述的一种基于用户标签的内容推送方法,其特征在于,生成第一推荐内容序列后,还包括:
向所述用户推送所述第一推荐内容序列,且在预设时间内没有检测到所述用户选取所述第一推荐内容序列中的任一第一推荐内容时,检测所述用户的第一搜索记录,若所述用户的第一搜索记录不为空时,基于所述第一搜索记录,获取第一搜索关键词;
基于所述第一搜索关键词,分别计算所述第一搜索关键词与所述多个标签组合的第一距离,选取第一距离最小值对应的目标标签组合,并将所述目标标签组合设置为有效标签组合。
6.一种基于用户标签的内容推送装置,其特征在于,包括:标签组合生成模块、第一推荐内容序列生成模块、第一有效标签组合获取模块和第二推荐内容序列生成模块;
其中,所述标签组合生成模块,用于获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,并基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值;
所述第一推荐内容序列生成模块,用于分别将每个标签组合输入到预构建的第一内容推荐模型中,以使所述第一内容推荐模型输出每个标签组合对应的第一推荐内容,并基于所述初始权重组合值对多个第一推荐内容进行排序,生成第一推荐内容序列;
构建模型结构形式为“多标签输入-多输出-多输入-单输出”的初始第一内容推荐模型,以历史标签组合为模型的多标签输入,以所述历史标签组合对应的所有历史推荐内容为模型的多输出,并以所述历史标签组合对应的所有历史推荐内容、以及每个历史推荐内容对应的历史收藏量作为模型的多输入,以历史收藏值最高值对应的历史推荐内容为模型的单输出,对所述初始第一内容推荐模型进行模型训练,直至模型收敛,得到第一内容推荐模型;
所述第一有效标签组合获取模块,用于向所述用户推送所述第一推荐内容序列,且获取到所述用户对所述第一推荐内容序列中每个第一推荐内容的有效浏览时间后,选取最高有效浏览时间对应的有效标签组合;
所述第二推荐内容序列生成模块,用于设置多个偏好值,分别将所述有效标签组合和每个偏好值输入到预构建的第二内容推荐模型中,以使所述第二内容推荐模型输出每个偏好值对应的有效推荐内容,基于预设的偏好值排列顺序,对所有有效推荐内容进行排序,生成第二推荐内容序列,并向所述用户推送所述第二推荐内容序列;
采用多路推荐模型构建第二内容推荐模型, 针对每个偏好值构建一路推荐模型,从输入中选取与对应偏好值匹配的特征和标签组合,参与该推荐模型的推荐计算,最终将各个推荐模型的输出进行加权融合,输出每个偏好值对应的最终推荐结果;
获取用户的多个自定义标签,对所述多个自定义标签进行组合,得到多个标签组合,具体包括:
获取用户的多个自定义标签,其中,所述多个自定义标签包括学科标签、学习目标标签和学习进度标签,所述学科标签包括多个子学科标签,所述学习目标标签包括多个子学习目标标签;
从所述学科标签中随机选取单个子学科标签,并从所述学习目标标签中随机选取单个子学习目标标签,基于所述单个子学科标签、所述单个子学习目标标签和所述学习进度标签,生成多个标签组合;
基于每个自定义标签对应的初始权重值,得到每个标签组合对应的初始权重组合值,具体包括:
获取所述学科标签中每个子学科标签对应的第一选取顺序,基于所述第一选取顺序对所述每个子学科标签设置对应的子学科初始权重值;
获取所述学习目标标签中每个子学习目标标签对应的第二选取顺序,基于所述第二选取顺序对所述每个子学习目标标签设置对应的子学习目标初始权重值;
对所述学习进度标签设置学习进度初始权重值;
根据每个标签组合中对应的第一子学科标签、第一子学习目标标签和所述学习进度标签,获取所述第一子学科标签对应的第一子学科初始权重值、所述第一子学习目标标签对应的第一子学习目标初始权重值,以及所述学习进度标签对应的学习进度初始权重值,整合所述第一子学科初始权重值、所述第一子学习目标初始权重值和所述学习进度初始权重值,得到每个标签组合对应的初始权重组合值。
7.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的基于用户标签的内容推送方法。
8.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于用户标签的内容推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042698.9A CN117194772B (zh) | 2023-08-17 | 2023-08-17 | 一种基于用户标签的内容推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042698.9A CN117194772B (zh) | 2023-08-17 | 2023-08-17 | 一种基于用户标签的内容推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117194772A CN117194772A (zh) | 2023-12-08 |
CN117194772B true CN117194772B (zh) | 2024-04-30 |
Family
ID=88989648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311042698.9A Active CN117194772B (zh) | 2023-08-17 | 2023-08-17 | 一种基于用户标签的内容推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194772B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892010B (zh) * | 2024-03-14 | 2024-05-24 | 江西省博库信息技术有限公司 | 一种基于大数据的科普知识精准推送方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870453A (zh) * | 2012-12-07 | 2014-06-18 | 盛乐信息技术(上海)有限公司 | 数据推荐方法及系统 |
CN109657138A (zh) * | 2018-12-10 | 2019-04-19 | 深圳墨世科技有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
WO2021107556A1 (ko) * | 2019-11-25 | 2021-06-03 | 오드컨셉 주식회사 | 사용자 이벤트 정보 기반 추천 아이템 제공 방법 및 이를 실행하는 장치 |
CN114154052A (zh) * | 2021-08-30 | 2022-03-08 | 平安国际融资租赁有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311042698.9A patent/CN117194772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870453A (zh) * | 2012-12-07 | 2014-06-18 | 盛乐信息技术(上海)有限公司 | 数据推荐方法及系统 |
CN109657138A (zh) * | 2018-12-10 | 2019-04-19 | 深圳墨世科技有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
WO2021107556A1 (ko) * | 2019-11-25 | 2021-06-03 | 오드컨셉 주식회사 | 사용자 이벤트 정보 기반 추천 아이템 제공 방법 및 이를 실행하는 장치 |
CN114154052A (zh) * | 2021-08-30 | 2022-03-08 | 平安国际融资租赁有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于社会化标签的用户标注行为和时间因素的个性化推荐方法研究;郭雪梅;;情报科学;20200201(第02期);第70-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117194772A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN106815252B (zh) | 一种搜索方法和设备 | |
US20180336193A1 (en) | Artificial Intelligence Based Method and Apparatus for Generating Article | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN108121800B (zh) | 基于人工智能的信息生成方法和装置 | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
US10949000B2 (en) | Sticker recommendation method and apparatus | |
CN110909145B (zh) | 针对多任务模型的训练方法及装置 | |
CN110232403A (zh) | 一种标签预测方法、装置、电子设备及介质 | |
CN110674292A (zh) | 一种人机交互方法、装置、设备及介质 | |
CN111275205B (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN117194772B (zh) | 一种基于用户标签的内容推送方法及装置 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN111506821B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
US12079289B2 (en) | Recommending content to subscribers | |
CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
CN117056575B (zh) | 一种基于智能图书推荐系统数据采集的方法 | |
CN117974234A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN109033078B (zh) | 语句类别识别方法及装置、存储介质、处理器 | |
CN110442767B (zh) | 一种确定内容互动平台标签的方法、装置及可读存储介质 | |
CN113971595A (zh) | 一种商品推荐方法、系统及设备 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN112417086B (zh) | 数据处理方法、装置、服务器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |