CN117390276A - 内容推荐方法、装置、设备、计算机可读存储介质及产品 - Google Patents
内容推荐方法、装置、设备、计算机可读存储介质及产品 Download PDFInfo
- Publication number
- CN117390276A CN117390276A CN202311398316.6A CN202311398316A CN117390276A CN 117390276 A CN117390276 A CN 117390276A CN 202311398316 A CN202311398316 A CN 202311398316A CN 117390276 A CN117390276 A CN 117390276A
- Authority
- CN
- China
- Prior art keywords
- content
- target
- user
- target user
- preset
- 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 62
- 230000003993 interaction Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 122
- 230000006399 behavior Effects 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 39
- 238000002372 labelling Methods 0.000 claims description 21
- 230000002452 interceptive effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000010354 integration 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
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开提供了内容推荐方法、装置、设备、计算机可读存储介质及产品,涉及人工智能领域,尤其涉及大数据领域。具体实现方案为:获取内容推荐请求;根据内容推荐请求中的标识信息获取目标用户对应的关联数据;基于关联数据构建目标用户对应的序列特征,序列特征包括目标用户关联的轨迹序列特征、检索序列特征、交互序列特征、交叉序列特征中的一项或多项;将序列特征输入至预设的内容推荐模型,根据内容推荐模型的输出结果确定目标推荐内容。序列特征能够更加精准地识别用户的偏好以及意图,详细地描述用户与推荐内容之间的关联关系、精准地刻画用户在不同场景下的内容偏好,从而基于序列特征能够更加准确地对目标用户进行内容推荐操作。
Description
技术领域
本公开涉及人工智能中的大数据,尤其涉及一种内容推荐方法、装置、设备、计算机可读存储介质及产品。
背景技术
随着科技的不断发展,地图应用逐渐走入了用户的生活。用户在出行时,可以在地图应用中输入目的地,以进行目的地关联信息的查看。例如,用户可以在地图应用中查看目的地的介绍信息,或者,可以在地图应用中查看由当前位置前往目的地的导航路线等。
为了使得用户能够更加便捷地使用地图应用,当前的内容推荐系统可以基于用户关联的属性信息以及历史使用数据进行目标位置的预测,并向用户推荐目标位置。因此,如何提高内容推荐系统推荐内容的准确性成为了亟待解决的问题。
发明内容
本公开提供了一种用于提高内容推荐系统推荐内容的准确性的内容推荐方法、装置、设备、计算机可读存储介质及产品。
根据本公开的第一方面,提供了一种内容推荐方法,包括:
获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息;
根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据;
基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
根据本公开的第二方面,提供了一种内容推荐方法,包括:
获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如第一方面所述的内容推荐模型。
根据本公开的第三方面,提供了一种内容推荐装置,包括:
获取模块,用于获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息;
处理模块,用于根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据;
构建模块,用于基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
确定模块,用于将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
根据本公开的第四方面,提供了一种内容推荐装置,包括:
数据获取模块,用于获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
训练模块,用于基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如第三方面所述的内容推荐模型。
根据本公开的第五方面,提供了一种电子设备,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第一方面或第二方面所述的方法。
根据本公开的第六方面,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,其中,所述计算机指令用于使所述计算机执行第一方面或第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。
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为本公开所基于的系统架构图;
图2为本公开实施例提供的内容推荐方法的流程示意图;
图3为本公开实施例提供的应用场景示意图;
图4为本公开实施例提供的轨迹序列特征的示意图;
图5为本公开实施例提供的内容推荐方法的流程示意图;
图6为本公开又一实施例提供的内容推荐方法的流程示意图;
图7为本公开实施例提供的内容推荐装置的结构示意图;
图8为本公开实施例提供的内容推荐装置的结构示意图;
图9为本公开实施例提供的电子设备的结构示意图。
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。
本公开提供一种内容推荐方法、装置、设备、计算机可读存储介质及产品,应用于人工智能领域中的大数据,以达到准确地基于用户信息进行内容推荐的效果。
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。
为使读者更深刻地理解本公开的实现原理,现结合以下图1-图9对本公开实施例进行进一步细化。
内容推荐系统通常可以基于用户关联的数据构建用户与至少一个推荐内容之间的关联性,并基于关联性智能化的为用户进行内容推荐。
当前的地图内容推荐方法一般采用编码或统计数值的方式对用户属性特征、用户行为特征、场景特征等内容进行数据处理,以实现内容推荐操作。或者,当前的地图内容推荐方法在单一特征的基础上增加特征交叉能力,叠加单一特征,例如用户行为特征和时间场景特征交叉:工作日用户点击行为、晚上用户点击行为等;用户行为特征和空间场景特征交叉:熟悉地用户点击行为、异地用户点击行为等。但是,采用上述方法得到的推荐内容往往准确率较低,无法满足用户的实际需求。
在解决上述技术问题的过程中,发明人通过研究发现,为了丰富用于内容推荐的用户数据,且提高对用户行为的感知,在获取到目标用户的关联数据之后,可以对关联数据进行内容整合。基于关联数据构建目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、目标用户历史检索操作对应的检索序列特征、目标用户针对历史推荐内容的交互序列特征、目标用户关联的不同场景下的历史行为数据对应的交叉序列特征。
其中,轨迹序列特征能够准确地表征用户与至少一个候选地点之间的状态是在接近、停留还是在远离,从而为用户选取合适的候选点进行推荐。检索序列特征则能够基于用户的检索点与检索类别之间的关联关系精细化满足用户的个性化小众需求。交互序列特征能够基于用户对推荐内容的交互操作将用户对推荐内容的行为进行详细刻画,更加智能精准的满足用户需求,并减少对用户的打扰。交叉序列特征则可以将基础序列特征与周期、时间场景和空间场景进行交叉,细粒度刻画用户的行为序列,发掘用户在不同场景下的详细偏好,从而更加全面智能的满足用户需求。其中,该基础序列特征包括但不限于用户的年龄、性别、学历、收入、职业等基础的属性信息以及用户的触发行为、搜索行为、出行行为等用户行为数据。
进一步地,为了能够准确地基于序列特征向目标用户进行内容推荐操作,还可以预先基于训练数据集构建内容推荐模型。从而在对目标用户的关联数据进行整合,得到序列特征之后,可以将序列特征输入至该内容推荐模型中,得到目标推荐内容。从而能够基于该目标推荐内容对目标用户进行内容推送操作。
图1为本公开所基于的系统架构图,如图1所示,本公开所基于的系统架构至少包括终端设备11以及服务器12。其中,终端设备11与服务器12通信连接。该服务器12中可以设置有内容推荐装置。该内容推荐装置可采用C/C++、Java、Shell或Python等语言编写;终端设备11则可例如手机、平板电脑等设备。
基于上述系统架构,目标用户可以通过终端设备11发起内容推荐请求。服务器12在获取到终端设备11发送的内容推荐请求之后,可以通过预设的内容推荐装置获取目标用户的关联数据,并基于关联数据构建序列特征。将序列特征输入至预设的内容推荐模型,得到目标推荐内容。从而服务器12能够基于目标推荐内容向终端设备11进行内容推荐操作。
图2为本公开实施例提供的内容推荐方法的流程示意图,如图2所示,该方法包括:
步骤201、获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息。
本实施例的执行主体为内容推荐装置。该内容推荐装置可耦合于服务器中,该服务器能够与终端设备通信连接,从而能够与终端设备进行信息交互,基于终端设备发送的内容推荐请求进行内容推荐操作。或者,该内容推荐装置还可耦合于终端设备中。从而能够基于目标用户在终端设备上的触发操作进行内容推荐操作。
在本实施方式中,用户可以在终端设备上进行地图软件的使用。而为了目标用户能够更加便捷地使用地图软件,可以向目标用户进行内容推送操作。当目标用户打开地图软件时,可以生成并向服务器发送内容推荐请求,其中,内容推荐请求中包括目标用户的标识信息。或者,目标用户在打开地图软件之后,可以通过地图软件中预设的推送控件触发内容推荐请求。
作为一种可以实施的方式,当目标用户打开地图软件时,或者,在确定目标用户对推送控件进行触发操作时,可以在地图软件的显示界面中显示提示信息,以基于该提示信息明确地提示目标用户,其请求执行的操作将需要获取和使用到目标用户的个人信息,其中,该个人信息包括但不限于目标用户的标识信息、位置信息等。从而,使得目标用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到目标用户的主动请求,向目标用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供目标用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取目标用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
以实际应用举例来说,当目标用户打开地图软件时,可以在显示界面上显示目标用户当前所处的位置。此外,为了便于目标用户的出行,还可以在显示界面中显示推荐内容,该推荐内容可以为目标用户可能前往的地点。例如,当目标用户早晨打开地图软件时,其所在的位置可以为家,可以在显示界面中显示推荐内容为公司,以便用户快捷地基于推荐内容进行导航以及出行。
相应地,内容推荐装置可以获取该内容推荐请求。
步骤202、根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据。
在本实施方式中,在获取到内容推荐请求之后,可以基于内容推荐请求中的标识信息获取目标用户对应的关联数据,其中,关联数据包括目标用户对应的属性数据以及历史行为数据。
可选地,该属性数据包括但不限于目标用户的年龄、性别、职业、学历等属性信息。该历史行为数据包括但不限于目标用户在地图软件中的触发操作、历史搜索行为、每次打开地图软件时的定位、导航行为等。
步骤203、基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。
在本实施方式中,为了能够准确地基于关联数据进行内容推荐操作,还可以对关联数据进行数据整合操作,得到序列特征,其中,序列特征包括目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、目标用户历史检索操作对应的检索序列特征、目标用户针对历史推荐内容的交互序列特征、目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。
其中,轨迹序列特征能够准确地表征目标用户与至少一个候选地点之间的状态是在接近、停留还是在远离,从而为目标用户选取合适的候选点进行推荐。检索序列特征则能够基于目标用户的检索点与检索类别之间的关联关系精细化满足目标用户的个性化小众需求。交互序列特征能够基于目标用户对推荐内容的交互操作将目标用户对推荐内容的行为进行详细刻画,更加智能精准的满足目标用户需求,并减少对目标用户的打扰。交叉序列特征则可以将基础序列特征与周期、时间场景和空间场景进行交叉,细粒度刻画目标用户的行为序列,发掘目标用户在不同场景下的详细偏好,从而更加全面智能的满足目标用户需求。
步骤204、将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
在本实施方式中,在对关联数据进行数据处理,得到序列特征之后,可以将序列特征输入至预设的内容推荐模型,从而能够根据内容推荐模型的输出结果确定目标推荐内容。
其中,该内容推荐模型可以为长短期记忆网络(Long Short-Term Memory,简称LSTM),其是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。从而能够基于该内容推荐模型以及序列特征准确地推荐与目标用户相关联的目标推荐内容。
图3为本公开实施例提供的应用场景示意图,如图3所示,在获取到内容推荐请求之后,可以获取目标用户对应的关联数据31。基于关联数据31构建序列特征32,其中,序列特征32中包括轨迹序列特征33、检索序列特征34、交互序列特征35以及交叉序列特征36中的一项或多项。将序列特征32输入至预设的内容推荐模型37中,可以基于内容推荐模型37的输出结果确定目标推荐内容38。
本实施例提供的内容推荐方法,通过在获取到目标用户的关联数据之后,可以对关联数据进行内容整合。基于关联数据构建目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、目标用户历史检索操作对应的检索序列特征、目标用户针对历史推荐内容的交互序列特征、目标用户关联的不同场景下的历史行为数据对应的交叉序列特征,将序列特征输入至预设的内容推荐模型,从而能够准确地基于用户的关联信息进行内容推荐操作。由于序列特征能够更加精准地识别用户的偏好以及意图,详细地描述用户与推荐内容之间的关联关系、精准地刻画用户在不同场景下的内容偏好,从而基于序列特征能够更加准确地对目标用户进行内容推荐操作。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括在预设的第一时间范围内所述目标用户对应的至少一个轨迹点以及所述目标用户历史出行的至少一个候选地点。所述序列特征包括所述轨迹序列特征时。
步骤203包括:
针对每一轨迹点,分别计算所述轨迹点在所述第一时间范围内与各所述候选地点之间的欧氏距离。
根据各轨迹点与各候选地点之间的欧式距离确定各轨迹点与各候选地点之间的距离变化序列,将所述距离变化序列确定为所述轨迹序列特征。
在本实施例中,历史行为数据包括在预设的第一时间范围内目标用户对应的至少一个轨迹点以及目标用户历史出行的至少一个候选地点。序列特征包括轨迹序列特征。其中,该第一时间范围可以为过去一天或者过去六小时等时间范围。目标用户也可以根据实际需求对第一时间范围进行设置,本公开对此不做限制。例如,该历史行为数据可以包括目标用户在过去一天内触发地图软件定位功能的多个轨迹点以及目标用户历史出行的多个候选地点。
为了更精准地为目标用户进行内容推荐操作,针对每一轨迹点,分别计算轨迹点在第一时间范围内与各候选地点之间的欧氏距离。基于该欧式距离可以准确地确定目标用户当前与各候选地点之间的关系是接近、停留还是远离。进一步地,可以根据各轨迹点与各候选地点之间的欧式距离确定各轨迹点与各候选地点之间的距离变化序列,将距离变化序列确定为轨迹序列特征。
图4为本公开实施例提供的轨迹序列特征的示意图,如图4所示,目标用户在第一时间范围内途径多个轨迹点41,此外,目标用户历史出行过多个候选地点42。为了准确地确定目标用户当前与各候选地点之间的关系是接近、停留还是远离,可以分别计算各轨迹点41与各候选地点42之间的欧氏距离,基于欧式距离构建各轨迹点与各候选地点之间的距离变化序列,将距离变化序列确定为轨迹序列特征34。
本实施例提供的内容推荐方法,通过基于目标用户的关联数据构建轨迹序列特征,该轨迹序列特征能够准确地表征目标用户与至少一个候选地点之间的状态是在接近、停留还是在远离,从而能够基于轨迹序列特征为目标用户选取更加精准的候选点进行内容推荐。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括在预设的第二时间范围内所述目标用户历史搜索的至少一个检索点,以及各检索点对应的检索类别信息,所述序列特征包括检索序列特征时。
步骤203包括:
确定所述目标用户在所述第二时间范围内搜索各检索点的时间信息、搜索次数信息。
针对每一检索点,构建所述检索点对应的时间信息、搜索次数信息、检索类别信息之间的搜索关联信息。
对各检索点对应的搜索关联信息进行序列化处理,获得所述检索序列特征。
在本实施例中,历史行为数据包括在预设的第二时间范围内目标用户历史搜索的至少一个检索点,以及各检索点对应的检索类别信息,序列特征包括检索序列特征。其中,该第二时间范围可以为过去一个月时间,或者可以为过去一周时间等。第二时间范围可以大于第一时间范围,或者,第二时间范围可以小于第一时间范围,本公开对此不做限制。
实际应用中,针对不同的地址,其可以对应有不同的类别。举例来说,目标用户居住的位置对应的检索类别可以为居民区,其进一步可以对应有个检索子类别“家”。或者,目标用户常去的美食餐厅对应的检索类别可以为餐饮,其进一步还可以对应有检索子类别“火锅类别”。仍旧举例来说,若目标用户多次搜索的餐厅对应的检索子类别均为“火锅类别”,则可以表征目标用户对火锅喜爱度较高,从而能够准确地确定目标用户的个性化需求。
为了更准确地确定用户的个性化需求,可以确定目标用户历史搜索各检索点的时间信息、搜索次数信息。针对每一检索点,构建检索点对应的时间信息、搜索次数信息、检索类别信息之间的搜索关联信息。对各检索点对应的搜索关联信息进行序列化处理,获得检索序列特征。
其中,可以采用任意一种能够实现对数据进行序列化的方式对搜索关联信息进行序列化处理,本公开对此不做限制。
本实施例提供的内容推荐方法,通过基于目标用户的关联数据构建检索序列特征,检索序列特征则能够基于目标用户的检索点与检索类别之间的关联关系精细化满足目标用户的个性化小众需求。从而能够基于该检索序列特征生成更加贴合目标用户个性化需求的推荐内容,提高内容推荐的准确性。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括为所述目标用户推送的至少一个历史推荐内容以及所述目标用户针对各历史推荐内容触发的交互内容。所述序列特征包括交互序列特征时。
步骤203包括:
针对各所述历史推荐内容,确定所述目标用户针对所述历史推荐内容触发的反馈内容的反馈类别。
建立所述历史推荐内容、反馈内容、反馈类别之间的反馈关联信息。
对所述反馈关联信息进行序列化处理,获得所述交互序列特征。
在本实施例中,历史行为数据包括为目标用户推送的至少一个历史推荐内容以及目标用户针对各历史推荐内容触发的交互内容。序列特征包括交互序列特征。
在目标用户使用地图软件的过程中,内容推荐装置可以向目标用户进行内容推荐操作。在预设的时间范围内,可以向目标用户推送至少一个历史推荐内容。目标用户在获取到历史推荐内容之后,可以针对历史推荐内容进行交互操作。例如,历史推荐内容可以为推荐候选位置。目标用户可以直接基于推荐候选位置进行导航操作,或者对推荐候选位置进行查看操作。或者,目标用户可以关闭该历史推荐内容,或者针对历史推荐内容反馈“推送错误”“不感兴趣”等反馈意见。
因此,目标用户针对历史推荐内容的交互操作能够精准地刻画目标用户对历史推荐内容的偏好行为,准确地表征目标用户的需求。
在获取到目标用户对应的关联数据之后,针对各历史推荐内容,确定目标用户针对历史推荐内容触发的反馈内容的反馈类别。建立历史推荐内容、反馈内容、反馈类别之间的反馈关联信息。对反馈关联信息进行序列化处理,获得交互序列特征。
本实施例提供的内容推荐方法,通过基于目标用户的关联数据构建交互序列特征,交互序列特征能够基于目标用户对推荐内容的交互操作将目标用户对推荐内容的偏好行为进行详细刻画,更加精准的满足用户需求。从而能够在准确地进行内容推荐的基础上,减少对目标用户的打扰。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括用户行为数据、空间属性数据、时间属性数据,所述序列特征包括交叉序列特征时。
步骤203包括:
建立用户行为数据与时间属性数据之间的第一交叉关联信息,或者,建立用户行为数据与空间属性数据之间的第二交叉关联信息,或者,建立用户行为数据与时间属性数据以及空间属性数据之间的第三交叉关联信息。
对所述第一交叉关联信息或第二交叉关联信息或第三交叉关联信息进行序列化处理,获得所述交叉序列特征。
在本实施例中,历史行为数据包括用户行为数据、空间属性数据、时间属性数据,序列特征包括交叉序列特征。为了进一步地细粒度地刻画目标用户的行为,发掘用户在不同场景下的详细偏好,还可以用户行为数据与时间属性数据之间的第一交叉关联信息,或者,建立用户行为数据与空间属性数据之间的第二交叉关联信息,或者,建立用户行为数据与时间属性数据以及空间属性数据之间的第三交叉关联信息,对第一交叉关联信息或第二交叉关联信息或第三交叉关联信息进行序列化处理,获得交叉序列特征。其中,该用户行为数据可以包括但不限于用户触发的搜索行为、点击行为等行为数据。空间属性数据包括但不限于公司、家、商场等空间数据。时间属性数据则包括但不限于早上、中午、晚上等时间数据。
以实际应用举例来说,可以将用户行为数据和时间属性数据交叉,例如,可以确定工作日目标用户的点击行为、工作日晚上目标用户点击行为;或者,可以将用户行为数据和空间属性数据交叉,例如,可以确定熟悉地目标用户的点击行为、异地目标用户的点击行为等。
本实施例提供的内容推荐方法,通过基于目标用户的关联数据构建交叉序列特征,交叉序列特征则可以将用户行为特征与周期、时间场景和空间场景进行交叉,细粒度刻画目标用户的行为序列,发掘目标用户在不同场景下的详细偏好,从而更加全面的满足目标用户需求。
进一步地,在上述任一实施例的基础上,所述内容推荐模型的输出结果包括各候选地点对应的概率信息。
步骤204包括:
根据所述各候选地点对应的概率信息在所述至少一个候选地点中确定满足预设的推荐条件的目标候选地点,将所述目标候选地点确定为所述目标推荐内容。
在本实施例中,该内容推荐模型的输出结果包括各候选地点对应的概率信息。
为了实现对目标推荐内容的选择,还可以预先设置推荐条件。其中,该推荐条件可以为将输出结果中概率最高的候选地点确定为目标推荐内容。
作为一种可以实施的方式,在分别得到各候选地点对应的概率信息之后,可以控制终端设备显示各候选地点及其对应的概率信息供用户选择。该推荐条件可以为将用户选择的候选地点确定为目标推荐内容。
作为一种可以实施的方式,在分别得到各候选地点对应的概率信息之后,还可以分别确定各候选地点对应的历史出行次数。基于历史出行次数以及概率信息共同确定目标推荐内容。分别为概率信息以及历史出行次数设置不同的权重,计算各候选地点的加权平均值。该推荐条件则可以为将加权平均值最高的候选地点确定为目标推荐内容。
作为一种可以实施的方式,在基于目标用户的关联数据得到序列特征之后,可以多次将序列特征输入至预设的内容推荐模型,得到内容推荐模型输出的多个输出结果。该推荐条件可以为将输出结果中概率最高次数最多的候选地点确定为目标推荐内容。
因此,在分别确定各候选地点对应的概率信息以及推荐条件之后,可以准确地在至少一个候选地点中确定满足预设的推荐条件的目标候选地点,将该目标候选地点确定为目标推荐内容。
举例来说,目标用户历史前往五个候选地点,内容推荐模型可以基于序列特征得到五个候选地点对应的概率分别为40%、20%、15%、14%、11%。可以在五个候选地点中选择概率最高的候选地点作为目标推荐内容。
本实施例提供的内容推荐方法,通过在获取到内容推荐模型的输出结果之后,基于输出结果中各候选地点的概率以及预设的推荐条件确定目标候选地点,从而使得目标推荐内容更加贴合预设的推荐条件,能够进一步地提高内容推荐的准确性。
可选地,在上述任一实施例的基础上,步骤204之后,还包括:
将所述目标推荐内容推送至所述目标用户的终端设备。
和/或,
获取所述目标推荐内容对应的关联推荐信息,其中,所述关联推荐信息包括所述目标推荐内容关联的虚拟资源、所述目标推荐内容周围预设区域内的目标兴趣点、所述目标推荐内容的介绍内容中的一项或多项。
将所述目标推荐内容以及所述关联推荐信息推送至所述目标用户的终端设备。
在本实施例中,在基于内容推荐模型得到目标推荐内容之后,可以直接基于目标推荐内容向目标用户进行内容推荐操作。例如,当目标用户通过触发地图软件触发内容推荐请求之后,可以基于目标用户的关联数据构建序列特征。将序列特征输入至预设的内容推荐模型,得到目标推荐内容,并将目标推荐内容发送至目标用户的终端设备。相应地,目标用户在触发地图软件之后,可以在地图软件中的显示界面上显示该目标推荐内容,以便目标用户基于该目标推荐内容更便捷地对目标推荐内容进行了解以及快速出行。
作为一种可以实施的方式,为了丰富向目标用户推送的内容,在基于内容推荐模型得到目标推荐内容之后,还可以获取目标推荐内容对应的关联推荐信息,其中,关联推荐信息包括目标推荐内容关联的虚拟资源、目标推荐内容周围预设区域内的目标兴趣点、目标推荐内容的介绍内容中的一项或多项。其中,该虚拟资源可以为目标推荐内容关联的优惠券、团购套餐等资源。以目标推荐内容为美食餐厅举例来说,该目标推荐内容对应的关联推荐信息可以包括美食餐厅的团购优惠券、该美食餐厅附近的兴趣点、该美食餐厅的简介、由当前位置前往美食餐厅的路线等内容。
因此,在获得关联推荐信息之后,可以同时将目标推荐内容以及关联推荐信息一同发送至目标用户的终端设备。从而目标用户能够在终端设备上对目标推荐内容进行更全面地了解。
本实施例提供的内容推荐方法,通过在确定目标推荐内容之后,基于目标推荐内容以及关联推荐信息对目标用户进行内容推荐操作,从而能够使得用户浏览到更加贴合实际需求的内容,提升用户体验。
图5为本公开实施例提供的内容推荐方法的流程示意图,如图5所示,该方法包括:
步骤501、获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。
步骤502、基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如上述任一实施例所述的内容推荐模型。
本实施例的执行主体为内容推荐装置。该内容推荐装置可耦合于服务器中,该服务器能够与数据服务器通信连接,从而能够从数据服务器中获取训练数据集,并基于训练数据集进行待训练模型的训练操作。
在本实施例中,为了实现对内容推荐模型的构建操作,首先可以获取预设的训练数据集,其中,训练数据集中包括多组训练数据对,训练数据对包括基于预设用户对应的关联数据构建的训练特征以及训练特征对应的标注信息,标注信息为预设用户确定的目标搜索内容,预设用户对应的训练特征包括预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、预设用户历史检索操作对应的检索序列特征、预设用户针对历史推荐内容的交互序列特征、预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。
其中,轨迹序列特征能够准确地表征预设用户与至少一个候选地点之间的状态是在接近、停留还是在远离,从而为预设用户选取合适的候选点进行推荐。检索序列特征则能够基于预设用户的检索点与检索类别之间的关联关系精细化满足预设用户的个性化小众需求。交互序列特征能够基于预设用户对推荐内容的交互操作将用户对推荐内容的行为进行详细刻画,更加智能精准的满足用户需求,并减少对预设用户的打扰。交叉序列特征则可以将基础序列特征与周期、时间场景和空间场景进行交叉,细粒度刻画预设用户的行为序列,发掘预设用户在不同场景下的详细偏好,从而更加全面智能的满足用户需求。从而在基于上述训练数据对待训练模型进行训练之后,得到的内容推荐模型能够准确地基于目标用户的关联数据进行内容推荐操作。
进一步地,在获取到训练数据集之后,可以基于训练数据集对预设的待训练模型进行迭代训练操作。直至待训练模型满足预设的收敛条件,获得内容推荐模型。
其中,该待训练模型可以为长短期记忆网络(Long Short-Term Memory,简称LSTM),是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
本实施例提供的内容推荐方法,通过获取训练数据集,该训练数据集中包括基于预设用户对应的关联数据构建的训练特征以及训练特征对应的标注信息,标注信息为预设用户确定的目标搜索内容,预设用户对应的训练特征包括预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、预设用户历史检索操作对应的检索序列特征、预设用户针对历史推荐内容的交互序列特征、预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。从而基于该训练数据集对预设的待训练模型进行训练之后,得到的内容推荐模型能够基于目标用户的轨迹序列特征、检索序列特征、交互序列特征、交叉序列特征中的一项或多项准确地基于目标用户的关联数据进行内容推荐操作。
图6为本公开又一实施例提供的内容推荐方法的流程示意图,在上述任一实施例的基础上,如图6所示,步骤502包括:
步骤601、将所述训练数据对中的训练特征输入至所述待训练模型中,获得所述待训练模型生成的推荐内容。
步骤602、基于所述推荐内容与所述训练数据对中的标注信息确定所述待训练模型的损失值。
步骤603、判断损失值是否满足预设的收敛条件。
步骤604、若是,则将所述待训练模型确定为所述内容推荐模型。
步骤605、若否,则基于所述损失值对所述待训练模型的参数进行调整,返回执行所述将所述训练数据对中的训练特征输入至所述待训练模型中的步骤,直至所述损失值满足预设的收敛条件。
在本实施例中,在获取到训练数据集之后,可以基于训练数据集对预设的待训练模型进行迭代训练操作。为了实现对待训练模型的训练操作,可以预先设置有收敛条件。其中,该收敛条件包括但不限于待训练模型的损失值低于预设的损失值阈值、两次迭代训练过程中待训练模型的损失值之差小于预设阈值、训练次数达到预设次数阈值、训练时长达到预设时间阈值等。
进一步地,在待训练模型迭代训练的过程中,可以将训练数据对中的训练特征输入至所述待训练模型中,获得所述待训练模型生成的推荐内容。通过预设的损失函数基于该推荐内容以及训练数据对中的标注信息确定所述待训练模型的损失值。判断损失值是否满足预设的收敛条件。例如,可以判断损失值是否低于预设的损失值阈值。
若判定损失值满足预设的收敛条件,则可以判定当前待训练模型训练完毕,可以将当前的待训练模型确定为内容推荐模型。反之,则表征待训练模型当前未训练完毕,还需要继续基于训练数据进行迭代训练。因此,可以基于损失值对待训练模型的参数进行调整。在完成对待训练模型的参数调整之后,可以继续基于训练数据集对待训练模型进行迭代训练操作,直至待训练模型的损失值满足预设的收敛条件,得到内容推荐模型。
本实施例提供的内容推荐方法,通过基于训练数据集以及预设的收敛条件对待训练模型进行迭代训练,从而能够提高内容推荐模型的数据处理精度,从而能够提高内容推荐的准确性。
图7为本公开实施例提供的内容推荐装置的结构示意图,如图7所示,该装置包括:获取模块71、处理模块72、构建模块73以及确定模块74。其中,获取模块71,用于获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息。处理模块72,用于根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据。构建模块73,用于基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。确定模块74,用于将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括在预设的第一时间范围内所述目标用户对应的至少一个轨迹点以及所述目标用户历史出行的至少一个候选地点时。所述序列特征包括所述轨迹序列特征。所述构建模块包括:计算单元,用于针对每一轨迹点,分别计算所述轨迹点在所述第一时间范围内与各所述候选地点之间的欧氏距离。确定单元,用于根据各轨迹点与各候选地点之间的欧式距离确定各轨迹点与各候选地点之间的距离变化序列,将所述距离变化序列确定为所述轨迹序列特征。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括在预设的第二时间范围内所述目标用户历史搜索的至少一个检索点,以及各检索点对应的检索类别信息,所述序列特征包括检索序列特征时。所述构建模块包括:确定单元,用于确定所述目标用户在所述第二时间范围内搜索各检索点的时间信息、搜索次数信息。构建单元,用于针对每一检索点,构建所述检索点对应的时间信息、搜索次数信息、检索类别信息之间的搜索关联信息。处理单元,用于对各检索点对应的搜索关联信息进行序列化处理,获得所述检索序列特征。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括为所述目标用户推送的至少一个历史推荐内容以及所述目标用户针对各历史推荐内容触发的交互内容。所述序列特征包括交互序列特征时。所述构建模块包括:确定单元,用于针对各所述历史推荐内容,确定所述目标用户针对所述历史推荐内容触发的反馈内容的反馈类别。建立单元,用于建立所述历史推荐内容、反馈内容、反馈类别之间的反馈关联信息。处理单元,用于对所述反馈关联信息进行序列化处理,获得所述交互序列特征。
进一步地,在上述任一实施例的基础上,当所述历史行为数据包括用户行为数据、空间属性数据、时间属性数据,所述序列特征包括交叉序列特征时;所述构建模块,包括:建立单元,用于建立用户行为数据与时间属性数据之间的第一交叉关联信息,或者,建立用户行为数据与空间属性数据之间的第二交叉关联信息,或者,建立用户行为数据与时间属性数据以及空间属性数据之间的第三交叉关联信息。处理单元,用于对所述第一交叉关联信息或第二交叉关联信息或第三交叉关联信息进行序列化处理,获得所述交叉序列特征。
进一步地,在上述任一实施例的基础上,所述内容推荐模型的输出结果包括各候选地点对应的概率信息。所述确定模块包括:确定单元,用于根据所述各候选地点对应的概率信息在所述至少一个候选地点中确定满足预设的推荐条件的目标候选地点,将所述目标候选地点确定为所述目标推荐内容。
进一步地,在上述任一实施例的基础上,所述装置还包括:推送模块,用于将所述目标推荐内容推送至所述目标用户的终端设备。和/或,获取模块,用于获取所述目标推荐内容对应的关联推荐信息,其中,所述关联推荐信息包括所述目标推荐内容关联的虚拟资源、所述目标推荐内容周围预设区域内的目标兴趣点、所述目标推荐内容的介绍内容中的一项或多项。推送模块,用于将所述目标推荐内容以及所述关联推荐信息推送至所述目标用户的终端设备。
图8为本公开实施例提供的内容推荐装置的结构示意图,如图8所示,该装置包括:数据获取模块81以及训练模块82。其中,数据获取模块81,用于获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项。训练模块82,用于基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如上述任一实施例所述的内容推荐模型。
进一步地,在上述任一实施例的基础上,所述训练模块包括:输入单元,用比喻将所述训练数据对中的训练特征输入至所述待训练模型中,获得所述待训练模型生成的推荐内容。损失值确定单元,用于基于所述推荐内容与所述训练数据对中的标注信息确定所述待训练模型的损失值。第一处理单元,用于若所述损失值满足预设的收敛条件,则将所述待训练模型确定为所述内容推荐模型。第二处理单元,用于若损失值不满足预设的收敛条件,则基于所述损失值对所述待训练模型的参数进行调整,返回执行所述将所述训练数据对中的训练特征输入至所述待训练模型中的步骤,直至所述损失值满足预设的收敛条件。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开还提供了一种电子设备,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上述任意实施例提供的方案。
根据本公开的实施例,本公开还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,其中,所述计算机指令用于使所述计算机执行如上述任一实施例提供的方案。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图9为本公开实施例提供的电子设备的结构示意图。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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如内容推荐方法。例如,在一些实施例中,内容推荐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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的内容推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行内容推荐方法。
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)、复杂可编程逻辑设备(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,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器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。
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公开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 (21)
1.一种内容推荐方法,包括:
获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息;
根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据;
基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
2.根据权利要求1所述的方法,当所述历史行为数据包括在预设的第一时间范围内所述目标用户对应的至少一个轨迹点以及所述目标用户历史出行的至少一个候选地点;所述序列特征包括所述轨迹序列特征时;
所述基于所述关联数据构建所述目标用户对应的序列特征,包括:
针对每一轨迹点,分别计算所述轨迹点在所述第一时间范围内与各所述候选地点之间的欧氏距离;
根据各轨迹点与各候选地点之间的欧式距离确定各轨迹点与各候选地点之间的距离变化序列,将所述距离变化序列确定为所述轨迹序列特征。
3.根据权利要求1所述的方法,当所述历史行为数据包括在预设的第二时间范围内所述目标用户历史搜索的至少一个检索点,以及各检索点对应的检索类别信息,所述序列特征包括检索序列特征时;
所述基于所述关联数据构建所述目标用户对应的序列特征,包括:
确定所述目标用户在所述第二时间范围内搜索各检索点的时间信息、搜索次数信息;
针对每一检索点,构建所述检索点对应的时间信息、搜索次数信息、检索类别信息之间的搜索关联信息;
对各检索点对应的搜索关联信息进行序列化处理,获得所述检索序列特征。
4.根据权利要求1所述的方法,当所述历史行为数据包括为所述目标用户推送的至少一个历史推荐内容以及所述目标用户针对各历史推荐内容触发的交互内容;所述序列特征包括交互序列特征时;
所述基于所述关联数据构建所述目标用户对应的序列特征,包括:
针对各所述历史推荐内容,确定所述目标用户针对所述历史推荐内容触发的反馈内容的反馈类别;
建立所述历史推荐内容、反馈内容、反馈类别之间的反馈关联信息;
对所述反馈关联信息进行序列化处理,获得所述交互序列特征。
5.根据权利要求1所述的方法,当所述历史行为数据包括用户行为数据、空间属性数据、时间属性数据,所述序列特征包括交叉序列特征时;
所述基于所述关联数据构建所述目标用户对应的序列特征,包括:
建立用户行为数据与时间属性数据之间的第一交叉关联信息,或者,建立用户行为数据与空间属性数据之间的第二交叉关联信息,或者,建立用户行为数据与时间属性数据以及空间属性数据之间的第三交叉关联信息;
对所述第一交叉关联信息或第二交叉关联信息或第三交叉关联信息进行序列化处理,获得所述交叉序列特征。
6.根据权利要求1-5任一项所述的方法,所述内容推荐模型的输出结果包括各候选地点对应的概率信息;
所述根据所述内容推荐模型的输出结果确定目标推荐内容,包括:
根据所述各候选地点对应的概率信息在所述至少一个候选地点中确定满足预设的推荐条件的目标候选地点,将所述目标候选地点确定为所述目标推荐内容。
7.根据权利要求1-5任一项所述的方法,所述根据所述内容推荐模型的输出结果确定目标推荐内容之后,还包括:
将所述目标推荐内容推送至所述目标用户的终端设备;
和/或,
获取所述目标推荐内容对应的关联推荐信息,其中,所述关联推荐信息包括所述目标推荐内容关联的虚拟资源、所述目标推荐内容周围预设区域内的目标兴趣点、所述目标推荐内容的介绍内容中的一项或多项;
将所述目标推荐内容以及所述关联推荐信息推送至所述目标用户的终端设备。
8.一种内容推荐方法,包括:
获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如权利要求1-7任一项所述的内容推荐模型。
9.根据权利要求8所述的方法,所述基于所述训练数据集对预设的待训练模型进行迭代训练操作,包括:
将所述训练数据对中的训练特征输入至所述待训练模型中,获得所述待训练模型生成的推荐内容;
基于所述推荐内容与所述训练数据对中的标注信息确定所述待训练模型的损失值;
若所述损失值满足预设的收敛条件,则将所述待训练模型确定为所述内容推荐模型;
若损失值不满足预设的收敛条件,则基于所述损失值对所述待训练模型的参数进行调整,返回执行所述将所述训练数据对中的训练特征输入至所述待训练模型中的步骤,直至所述损失值满足预设的收敛条件。
10.一种内容推荐装置,包括:
获取模块,用于获取内容推荐请求,其中,所述内容推荐请求中包括目标用户的标识信息;
处理模块,用于根据所述内容推荐请求中的标识信息获取所述目标用户对应的关联数据,其中,所述关联数据包括所述目标用户对应的属性数据以及历史行为数据;
构建模块,用于基于所述关联数据构建所述目标用户对应的序列特征,其中,所述序列特征包括所述目标用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述目标用户历史检索操作对应的检索序列特征、所述目标用户针对历史推荐内容的交互序列特征、所述目标用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
确定模块,用于将所述序列特征输入至预设的内容推荐模型,根据所述内容推荐模型的输出结果确定目标推荐内容。
11.根据权利要求10所述的装置,当所述历史行为数据包括在预设的第一时间范围内所述目标用户对应的至少一个轨迹点以及所述目标用户历史出行的至少一个候选地点;所述序列特征包括所述轨迹序列特征时;
所述构建模块包括:
计算单元,用于针对每一轨迹点,分别计算所述轨迹点在所述第一时间范围内与各所述候选地点之间的欧氏距离;
确定单元,用于根据各轨迹点与各候选地点之间的欧式距离确定各轨迹点与各候选地点之间的距离变化序列,将所述距离变化序列确定为所述轨迹序列特征。
12.根据权利要求10所述的装置,当所述历史行为数据包括在预设的第二时间范围内所述目标用户历史搜索的至少一个检索点,以及各检索点对应的检索类别信息,所述序列特征包括检索序列特征时;
所述构建模块包括:
确定单元,用于确定所述目标用户在所述第二时间范围内搜索各检索点的时间信息、搜索次数信息;
构建单元,用于针对每一检索点,构建所述检索点对应的时间信息、搜索次数信息、检索类别信息之间的搜索关联信息;
处理单元,用于对各检索点对应的搜索关联信息进行序列化处理,获得所述检索序列特征。
13.根据权利要求10所述的装置,当所述历史行为数据包括为所述目标用户推送的至少一个历史推荐内容以及所述目标用户针对各历史推荐内容触发的交互内容;所述序列特征包括交互序列特征时;
所述构建模块包括:
确定单元,用于针对各所述历史推荐内容,确定所述目标用户针对所述历史推荐内容触发的反馈内容的反馈类别;
建立单元,用于建立所述历史推荐内容、反馈内容、反馈类别之间的反馈关联信息;
处理单元,用于对所述反馈关联信息进行序列化处理,获得所述交互序列特征。
14.根据权利要求10所述的装置,当所述历史行为数据包括用户行为数据、空间属性数据、时间属性数据,所述序列特征包括交叉序列特征时;
所述构建模块包括:
建立单元,用于建立用户行为数据与时间属性数据之间的第一交叉关联信息,或者,建立用户行为数据与空间属性数据之间的第二交叉关联信息,或者,建立用户行为数据与时间属性数据以及空间属性数据之间的第三交叉关联信息;
处理单元,用于对所述第一交叉关联信息或第二交叉关联信息或第三交叉关联信息进行序列化处理,获得所述交叉序列特征。
15.根据权利要求10-14任一项所述的装置,所述内容推荐模型的输出结果包括各候选地点对应的概率信息;
所述确定模块包括:
确定单元,用于根据所述各候选地点对应的概率信息在所述至少一个候选地点中确定满足预设的推荐条件的目标候选地点,将所述目标候选地点确定为所述目标推荐内容。
16.根据权利要求10-14任一项所述的装置,所述装置还包括:
推送模块,用于将所述目标推荐内容推送至所述目标用户的终端设备;
和/或,
获取模块,用于获取所述目标推荐内容对应的关联推荐信息,其中,所述关联推荐信息包括所述目标推荐内容关联的虚拟资源、所述目标推荐内容周围预设区域内的目标兴趣点、所述目标推荐内容的介绍内容中的一项或多项;
推送模块,用于将所述目标推荐内容以及所述关联推荐信息推送至所述目标用户的终端设备。
17.一种内容推荐装置,包括:
数据获取模块,用于获取预设的训练数据集,其中,所述训练数据集中包括多组训练数据对,所述训练数据对包括基于预设用户对应的关联数据构建的训练特征以及所述训练特征对应的标注信息,所述标注信息为所述预设用户确定的目标搜索内容,所述预设用户对应的训练特征包括所述预设用户关联的至少一个轨迹点与历史出行的至少一个候选地点之间的轨迹序列特征、所述预设用户历史检索操作对应的检索序列特征、所述预设用户针对历史推荐内容的交互序列特征、所述预设用户关联的不同场景下的历史行为数据对应的交叉序列特征中的一项或多项;
训练模块,用于基于所述训练数据集对预设的待训练模型进行迭代训练操作,直至所述待训练模型满足预设的收敛条件,获得如权利要求10-16任一项所述的内容推荐模型。
18.根据权利要求17所述的装置,所述训练模块包括:
输入单元,用比喻将所述训练数据对中的训练特征输入至所述待训练模型中,获得所述待训练模型生成的推荐内容;
损失值确定单元,用于基于所述推荐内容与所述训练数据对中的标注信息确定所述待训练模型的损失值;
第一处理单元,用于若所述损失值满足预设的收敛条件,则将所述待训练模型确定为所述内容推荐模型;
第二处理单元,用于若损失值不满足预设的收敛条件,则基于所述损失值对所述待训练模型的参数进行调整,返回执行所述将所述训练数据对中的训练特征输入至所述待训练模型中的步骤,直至所述损失值满足预设的收敛条件。
19.一种电子设备,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或8-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7或8-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-7或8-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398316.6A CN117390276A (zh) | 2023-10-25 | 2023-10-25 | 内容推荐方法、装置、设备、计算机可读存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398316.6A CN117390276A (zh) | 2023-10-25 | 2023-10-25 | 内容推荐方法、装置、设备、计算机可读存储介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390276A true CN117390276A (zh) | 2024-01-12 |
Family
ID=89437046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398316.6A Pending CN117390276A (zh) | 2023-10-25 | 2023-10-25 | 内容推荐方法、装置、设备、计算机可读存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390276A (zh) |
-
2023
- 2023-10-25 CN CN202311398316.6A patent/CN117390276A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11397772B2 (en) | Information search method, apparatus, and system | |
CN112612957B (zh) | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 | |
JP2021056991A (ja) | 推薦方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN113656698B (zh) | 兴趣特征提取模型的训练方法、装置和电子设备 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN112632380A (zh) | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN112765452A (zh) | 搜索推荐方法、装置及电子设备 | |
CN113792212A (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
CN113326450B (zh) | 一种兴趣点召回方法、装置、电子设备和存储介质 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN113360590B (zh) | 兴趣点信息的更新方法、装置、电子设备及存储介质 | |
CN113326436B (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN117390276A (zh) | 内容推荐方法、装置、设备、计算机可读存储介质及产品 | |
CN114756774A (zh) | 出行方案推荐、模型训练方法、装置、设备以及存储介质 | |
CN112541123A (zh) | 地图图区推荐方法、装置、设备及存储介质 | |
CN113378082A (zh) | 一种信息推荐方法、装置、电子设备以及存储介质 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN112528145B (zh) | 信息推荐方法、装置、设备及可读存储介质 | |
CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
CN112906994B (zh) | 订单出餐时间预测方法、装置、电子设备及存储介质 | |
CN117633360A (zh) | 基于多场景的内容推荐方法、装置、电子设备及存储介质 | |
CN117651167A (zh) | 资源推荐方法、装置、设备以及存储介质 |
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 |