CN117407584A - 确定推荐内容的方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提出一种确定推荐内容的方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及大模型、深度学习、大数据等人工智能技术领域。具体方案为：首先确定目标用户的标识，然后从数据库中获取与目标用户的标识关联的候选推荐内容列表，并根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，最后将目标内容发送给目标用户。由此，通过基于数据库中预先生成的与目标用户标识关联的每个候选推荐内容的优先级，确定目标内容并发送给目标用户，从而在提高了确定推荐内容的效率的基础上，实现了推荐内容的个性化。

Description

确定推荐内容的方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及大模型、深度学习、大数据等人工智能技术领域，具体涉及一种确定推荐内容的方法、装置、电子设备及存储介质。

背景技术

相关推荐系统中，进行内容推荐时，通常基于目标用户的信息与推荐系统中各内容间的匹配度，将资源进行打分、排序，之后选取前N个内容进行推荐。但是这种推荐内容选取方式，个性化程度低，且准确性差。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

本公开第一方面实施例提出了一种确定推荐内容的方法，包括：

确定目标用户的标识；

从数据库中获取与所述目标用户的标识关联的候选推荐内容列表，其中，所述候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，所述候选推荐内容列表为根据所述目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的；

根据每个所述候选推荐内容的优先级，从所述候选推荐内容列表中获取目标内容；

将所述目标内容发送给所述目标用户。

本公开第二方面实施例提出了一种确定推荐内容的装置，包括：

确定模块，用于确定目标用户的标识；

第一获取模块，用于从数据库中获取与所述目标用户的标识关联的候选推荐内容列表，其中，所述候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，所述候选推荐内容列表为根据所述目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的；

第二获取模块，用于根据每个所述候选推荐内容的优先级，从所述候选推荐内容列表中获取目标内容；

发送模块，用于将所述目标内容发送给所述目标用户。

本公开第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的确定推荐内容的方法。

本公开第四方面实施例提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如本公开第一方面实施例提出的确定推荐内容的方法。

本公开第五方面实施例提出了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，实现如本公开第一方面实施例提出的确定推荐内容的方法。

本公开提供的确定推荐内容的方法、装置、计算机设备及存储介质，存在如下有益效果：

本公开实施例中，首先确定目标用户的标识，然后从数据库中获取与目标用户的标识关联的候选推荐内容列表，并根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，最后将目标内容发送给目标用户。由此，通过基于数据库中预先生成的与目标用户标识关联的每个候选推荐内容的优先级，确定目标内容并发送给目标用户，从而在提高了确定推荐内容的效率的基础上，实现了推荐内容的个性化。

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为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图2为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图3为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图4为本公开实施例提供的一种确定推荐内容的方法的离线架构示意图；

图5为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图6为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图7为本公开实施例提供的一种确定推荐内容的方法的在线架构示意图；

图8为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图；

图9为本公开一实施例所提供的一种确定推荐内容的装置的结构示意图；

图10示出了适于用来实现本公开实施方式的示例性电子设备的框图。

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。

本公开涉及大模型、深度学习、大数据等人工智能技术领域。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

大模型又可以称为Foundation Model(基石)模型，模型通过亿级的语料或者图像进行知识抽取，学习进而生产了亿级参数的大模型。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

大数据(big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

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。

相关技术中，基于大模型的文本生成能力进行个性化推荐的开发，通常有以下两种架构：

1.基于深度学习推荐系统架构：通常使用在线使用模型打分、排序的方式，给用户提供个性化的服务。但是，基于深度学习的模型更多的是进行资源的匹配，无法对资源进行个性化的生成。

2.基于大语言模型的架构：使用大语言模型进行在线生成。但是，这种架构的推理效率和资源消耗较大、成本较高、且延时较高。

本公开针对上述问题，提出一种确定推荐内容的方法，首先在离线阶段，使用大语言模型对个性化推荐结果进行计算，并存储在数据库中，然后在在线阶段，可以基于用户标识，从数据库中读取已生成的推荐内容，并发送给目标用户，从而提升了资源的利用率，实现了推荐内容的个性化，提高了确定的推荐内容的准确性。

下面参考附图描述本公开实施例的确定推荐内容的方法、装置、电子设备和存储介质。

图1为本公开实施例所提供的一种确定推荐内容的方法的流程示意图。

如图1所示，该确定推荐内容的方法可以包括以下步骤：

步骤101，确定目标用户的标识。

其中，目标用户，为当前待进行内容推荐的用户。比如，目标用户可以为新登录应用的用户，或者向应用提交了“搜索”、“查询”等服务请求的用户。

其中，目标用户的标识，可以为任意可以唯一区分该用户与其他用户的标识。比如，目标用户的标识可以是目标用户的号码、目标用户所使用的终端设备的标识等等，本公开对此不做限定。

步骤102，从数据库中获取与目标用户的标识关联的候选推荐内容列表，其中，候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，候选推荐内容列表为根据目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的。

其中，候选推荐内容，为基于目标用户的信息及当前的热点事件，生成的目标用户可能会感兴趣的内容。比如，正在××旅游的用户可能会对“××特色美食”、“××著名景点”等等旅游相关话题感兴趣。

其中，预设时段，为预先设置的，用来规定统计多长时间内的热点事件。比如，预设时段可以为一天、一周等等，本公开对此不做限定。

本公开中，候选推荐内容列表可以为根据目标用户的历史对话及用户画像，离线生成的基于目标用户的候选推荐内容组成的列表，或者还可以为根据用户画像及预设时段内的热点事件，离线生成的基于热点事件的候选推荐内容组成的列表。其中，基于目标用户的历史对话等生成的候选推荐内容的优先级，高于基于热点事件的候选推荐内容的优先级。

需要说明的是，由于随着用户的使用，其关联的历史对话会发生变化，且热点事件也会随着时间改变，本公开中，为了尽量保证数据库中的候选推荐内容列表的准确性和可靠性，可以以固定的周期，对数据库中的候选推荐内容列表进行更新。且对候选推荐内容列表的更新过程，可以离线执行，比如，可以在应用的访问量较低的时段，进行数据库的更新，从而即保证了候选推荐内容的准确性和可靠性，又避免了影响应用的在线服务质量。

步骤103，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

其中，目标内容，为最终要推荐给用户的内容。

本公开中，在获取到每个候选推荐内容的优先级后，可以基于优先级，从候选推荐内容列表中选取优先级较高的候选推荐内容，来作为目标内容。

步骤104，将目标内容发送给目标用户。

本公开中，在获取到目标内容后，可以将目标内容发送给目标用户。

本公开实施例中，首先确定目标用户的标识，然后从数据库中获取与目标用户的标识关联的候选推荐内容列表，并根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，最后将目标内容发送给目标用户。由此，通过基于数据库中预先生成的与目标用户标识关联的每个候选推荐内容的优先级，确定目标内容并发送给目标用户，从而在提高了确定推荐内容的效率的基础上，实现了推荐内容的个性化。

图2为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图。

如图2所示，该确定推荐内容的方法可以包括以下步骤：

步骤201，确定目标用户的标识。

其中，步骤201的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

步骤202，获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息。

本公开中，在确定目标用户的标识后，可以从数据库中获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息。

步骤203，根据历史对话，生成第一关键词列表，其中，第一关键词列表中包括至少一个第一关键词集。

其中，第一关键词集，可以为基于目标用户在预设时段内的历史对话，提取出的关键词组成的集合。

在一些可能的实现形式中，在预设时段内有多次历史对话的情况下，可以首先确定每次历史对话对应的第一关键词集，再确定每两个第一关键词集间的第一相似度，然后将第一相似度大于或等于第一阈值的两个第一关键词集进行融合，以获取融合后的一个第一关键词集，最后基于第一相似度小于第一阈值的第一关键词集、及融合后的第一关键词集，生成第一关键词列表。

其中，第一相似度，为每两个第一关键词集间的相似程度，其可以通过任意的实现形式来确定。比如，可以通过计算每两个第一关键词集的交集与每两个第一关键词集的并集间的比值，来确定第一相似度，本公开对此不做限定。

举例来说，两个第一关键词集的交集包含3个关键词，这两个第一关键词集的并集包含5个关键词，那么这两个第一关键词集间的第一相似度为3/5，即0.6。

其中，第一阈值，为每两个第一关键词集间的相似度的临界值，其为预先设置的。比如，第一阈值可以为0.8等等，本公开对此不做限定。

其中，融合后的第一关键词集，可以为每两个第一关键词集的交集，或者还可以为每两个第一关键词集的并集等等，本公开对此不做限定。

需要说明的是，第一相似度大于或等于第一阈值的情况下，可以认为第一相似度对应的这两个第一关键词集的相似程度较高，此时，可以将这两个第一关键词集进行融合，生成融合后的第一关键词集。

步骤204，从热点事件信息中获取与用户画像匹配的事件信息，并生成第二关键词列表，其中，第二关键词列表中包括至少一个第二关键词集。

其中，第二关键词集，可以为基于与用户画像匹配的热点事件，提取出的关键词组成的集合。

本公开中，在获得用户画像以及预设时段内的热点事件信息后，可以基于与用户画像匹配的事件信息，提取第二关键词集，生成第二关键词列表。

步骤205，将每个第一关键词集和/或一个第二关键词集输入大模型，以获取大模型生成的一个候选推荐内容。

本公开中，在获取到第一关键词集和/或第二关键词集后，可以将关键词集输入大模型，来离线生成候选推荐内容。

在一些可能的实现形式中，可以首先确定每个第一关键词集与每个第二关键词集间的第二相似度，在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将任一第一关键词集及至少一个第二关键词集输入大模型，以获取大模型生成的第一候选推荐内容。

其中，第二相似度，为每个第一关键词集与每个第二关键词集间的相似程度，其可以通过任意的实现形式来确定。比如，可以通过计算每个第一关键词集与每个第二关键词集间的交集，和每个第一关键词集与每个第二关键词集间的并集间的比值，来确定第一相似度，本公开对此不做限定。

其中，第二阈值，为每个第一关键词集与每个第二关键词集间的相似度的临界值，其为预先设置的，其可以与第一阈值相同，或者也可以与第一阈值不相同。比如，第二阈值可以为0.8、0.9等等，本公开对此不做限定。

本公开中，在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，可以认为这任一基于目标用户的历史对话生成的第一关键词集，与这至少一个基于预设时段内与用户画像关联的热点事件生成的第二关键词集的相似程度较高，此时，可以将这任一基于历史对话生成的第一关键词集与这至少一个基于热点事件生成的第二关键词集聚合，输入大模型，离线生成第一候选推荐内容。

步骤206，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

步骤207，将目标内容发送给目标用户。

其中，步骤206至步骤207的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

本公开实施例中，首先确定目标用户的标识，并获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息，然后根据历史对话，生成第一关键词列表，再从热点事件信息中获取与用户画像匹配的事件信息，并生成第二关键词列表，之后将每个第一关键词集和/或一个第二关键词集输入大模型，以获取大模型生成的一个候选推荐内容，最后根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，并将目标内容发送给目标用户。由此，分别基于目标用户的历史对话以及热点事件，生成对应的关键词集，并将相似度较高的关键词集输入大模型，生成候选推荐内容，并从中确定目标内容发送给目标用户，从而在实现了推荐内容的个性化的基础上，提高了确定的推荐内容的准确性。

图3为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图。

如图3所示，该确定推荐内容的方法可以包括以下步骤：

步骤301，确定目标用户的标识。

步骤302，获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息。

步骤303，根据历史对话，生成第一关键词列表，其中，第一关键词列表中包括至少一个第一关键词集。

步骤304，从热点事件信息中获取与用户画像匹配的事件信息，并生成第二关键词列表，其中，第二关键词列表中包括至少一个第二关键词集。

步骤305，确定每个第一关键词集与每个第二关键词集间的第二相似度。

其中，步骤301至步骤305的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

步骤306，在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将任一第一关键词集及至少一个第二关键词集输入大模型，以获取大模型生成的第一候选推荐内容。

在一些可能的实现形式中，在任一第一关键词集与每个第二关键词集间的第二相似度均小于第二阈值的情况下，可以将任一第一关键词集输入大模型，以获取大模型生成的第二候选推荐内容。

本公开中，在任一第一关键词集与每个第二关键词集间的第二相似度均小于第二阈值的情况下，可以认为这任一基于目标用户的历史对话生成的第一关键词集与每个基于热点事件生成的第二关键词集均不相似，此时，可以将这任一第一关键词集输入大模型，生成基于目标用户的历史对话的第二候选推荐内容。

在一些可能的实现形式中，在任一第二关键词集与每个第一关键词集间的第二相似度均小于第二阈值的情况下，可以将任一第二关键词集输入大模型，以获取大模型生成的第三候选推荐内容。

本公开中，在任一第二关键词集与每个第一关键词集间的第二相似度均小于第二阈值的情况下，可以认为这任一基于热点事件生成的第二关键词集与每个基于目标用户的历史对话生成的第一关键词集均不相似，此时，可以将这任一第二关键词集输入大模型，来生成基于预设时段内与目标用户关联的热点事件的第三候选推荐内容。

在一些可能的实现形式中，在任一第二关键词集与至少一个第一关键词集间的第二相似度大于或等于第二阈值的情况下，可以将任一第二关键词集及至少一个第一关键词集输入大模型，以获取大模型生成的第四候选推荐内容。

本公开中，在任一第二关键词集与至少一个第一关键词集间的第二相似度大于或等于第二阈值的情况下，可以认为这任一基于热点事件生成的第二关键词集与至少一个基于目标用户的历史对话生成的第一关键词集相似程度较高，此时，可以将这任一第二关键词集及至少一个第一关键词集聚合，输入大模型，生成第四候选推荐内容。

步骤307，根据任一第一关键词集关联的第一历史对话的轮数、及第一历史对话的时间与当前时间间的时间间隔，确定任一第一关键词集的第一优先级。

其中，第一历史对话，为目标用户在预设时段内进行的历史对话。第一历史对话的轮数，为目标用户在预设时段内进行历史对话的轮数。第一历史对话的时间，可以为第一历史对话开始的时间，也可以为第一历史对话结束的时间，或者还可以为第一历史对话过程中的任意一个时间，本公开对此不做限定。

举例来说，某一第一关键词集关联的第一历史对话的轮数为n，第一历史对话的时间为last_dialog_ts，当前时间为now_ts，此时，这某一第一关键词集的第一优先级score可以计算为：n/(now_ts-last_dialog_ts)。

需要说明的是，任一第一关键词集的第一历史对话的时间与当前时间间的时间间隔越小，这任一第一关键词集的优先级越高，可以认为目标用户对这个任一第一关键词集关联的推荐内容越感兴趣。

步骤308，根据至少一个第二关键词集中每个第二关键词集关联的事件信息在预设时段内的热度，确定第二关键词集的第二优先级。

需要说明的是，第二关键词集关联的事件信息在预设时段内的热度越高，对应的第二关键词集的第二优先级越高。

步骤309，根据任一第一关键词集对应的第一优先级，及至少一个第二关键词集对应的第二优先级中的至少一项，确定第一候选推荐内容的第三优先级。

本公开中，基于第一优先级及第二优先级，来确定第三优先级时，可以通过任意的实现形式来确定。比如，可以为第一优先级和第二优先级分别分配不同的权重，之后再基于各自对应的权重，进行加权计算第三优先级，或者也可以仅基于第一优先级，确定第三优先级，本公开对此不做限定。

步骤310，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

步骤311，将目标内容发送给目标用户。

其中，步骤310至步骤311的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

下面结合图4对本公开实施例提供的确定推荐内容的方法进行详细说明。图4为本公开实施例提供的一种确定推荐内容的方法的离线架构示意图，如图4所示，离线架构中主要包含两个服务，分别是数据分发服务、流式数据处理服务。其中，历史session为历史对话，ums为用户画像，kv存储为key-value键值对存储。

首先数据分发服务从数据库中定时读取活跃用户信息和历史对话信息，并将数据打包，发送给流式数据处理服务。然后流式数据处理服务接收到数据之后，通过获取相关的依赖信息如用户画像信息、热点事件信息等，请求大模型，生成个性化的候选推荐内容，之后将候选推荐内容进行排序、截断，并存储到数据库以及kv存储服务中，以便在线服务能及时获取信息。

本公开实施例中，首先确定目标用户的标识，并获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息，然后根据历史对话，生成第一关键词列表，并从热点事件信息中获取与用户画像匹配的事件信息，并生成第二关键词列表，再确定每个第一关键词集与每个第二关键词集间的第二相似度，在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将任一第一关键词集及至少一个第二关键词集输入大模型，以获取大模型生成的第一候选推荐内容，之后根据任一第一关键词集关联的第一历史对话的轮数、及第一历史对话的时间与当前时间间的时间间隔，确定任一第一关键词集的第一优先级，并根据至少一个第二关键词集中每个第二关键词集关联的事件信息在预设时段内的热度，确定第二关键词集的第二优先级，然后根据任一第一关键词集对应的第一优先级，及至少一个第二关键词集对应的第二优先级中的至少一项，确定第一候选推荐内容的第三优先级，最后根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，并将目标内容发送给目标用户。由此，基于关键词集的优先级，确定数据库中预先生成的候选推荐内容的优先级，从而确定目标内容并发送给目标用户，提高了确定推荐内容的效率以及准确性。

图5为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图。

如图5所示，该确定推荐内容的方法可以包括以下步骤：

步骤501，确定目标用户的标识。

步骤502，从数据库中获取与目标用户的标识关联的候选推荐内容列表，其中，候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，候选推荐内容列表为根据目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的。

步骤503，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

步骤504，将目标内容发送给目标用户。

其中，步骤501至步骤504的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

步骤505，并将目标内容的已推荐次数加1。

本公开中，在将目标内容发送给目标用户后，可以将目标内容的已推荐次数加1。

步骤506，根据生成目标内容的数据来源，确定第三阈值。

其中，目标内容的数据来源，可以为目标用户的历史对话，或者还可以为预设时段内与用户画像关联的热点事件，本公开对此不做限定。

其中，第三阈值，为目标内容的已推荐次数的临界值，其为预先设置的。比如，第三阈值可以为3，本公开对此不做限定。

需要说明的是，生成目标内容的数据来源不同，对应的第三阈值可以相同，也可以不相同。比如，根据第一关键词集生成的目标内容对应的第三阈值，可以大于根据第二关键词集生成的目标内容对应的第三阈值，本公开对此不做限定。

步骤507，在确定目标内容的已推荐次数大于第三阈值的情况下，将目标内容从数据库中删除。

本公开中，在确定目标内容的已推荐次数大于第三阈值的情况下，可以认为目标内容已进行过多次推荐，为了避免目标内容重复推荐，此时，可以将目标内容从数据库中删除。

本公开实施例中，首先确定目标用户的标识，并从数据库中获取与目标用户的标识关联的候选推荐内容列表，然后根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，将目标内容发送给目标用户，并将目标内容的已推荐次数加1，最后根据生成目标内容的数据来源，确定第三阈值，在确定目标内容的已推荐次数大于第三阈值的情况下，将目标内容从数据库中删除。由此，通过基于目标内容的已推荐次数，对数据库中预先生成的推荐内容进行管理，从而提升了资源的利用率，节约了成本。

图6为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图。

如图6所示，该确定推荐内容的方法可以包括以下步骤：

步骤601，确定目标用户的标识。

步骤602，从数据库中获取与目标用户的标识关联的候选推荐内容列表，其中，候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，候选推荐内容列表为根据目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的。

步骤603，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

其中，步骤601至步骤603的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

步骤604，获取当前周期内已发送给目标用户的已推荐内容列表。

其中，当前周期，为统计目标用户相关信息的周期，其为预先设置的。比如，当前周期可以为一天、一周等等，本公开对此不做限定。

其中，已推荐内容列表，为由已向目标用户推荐过的内容组成的列表。

步骤605，在目标内容与任一已推荐内容匹配，且目标内容的已推荐次数大于第三阈值的情况下，从候选推荐内容列表中重新获取目标内容。

本公开中，在目标内容与任一已推荐内容匹配，且目标内容的已推荐次数大于第三阈值的情况下，可以认为目标内容已经多次推荐给目标用户，为了避免向目标用户重复推荐目标内容，此时，可以从候选推荐内容列表中重新获取目标内容。

需要说明的是，在目标内容与任一已推荐内容匹配，且目标内容的已推荐次数小于第三阈值的情况下，仍然可以将目标内容发送给目标用户，同时把已推荐内容列表中的已推荐次数加1。

下面结合图7对本公开实施例提供的确定推荐内容的方法进行详细说明。图7为本公开实施例提供的一种确定推荐内容的方法的在线架构示意图，如图7所示，在线架构中主要包含数据召回服务。其中，hs为下发历史存储服务。

数据召回服务从kv存储中召回候选推荐内容列表数据，并读取下发历史存储服务，即已推荐内容列表，然后读取候选推荐内容列表，基于已推荐内容，对候选推荐内容列表进行去重，删除已推荐内容，返回优先级较高的推荐内容给目标用户，并将其写入下发历史存储服务。

本公开实施例中，首先确定目标用户的标识，并从数据库中获取与目标用户的标识关联的候选推荐内容列表，然后根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，之后获取当前周期内已发送给目标用户的已推荐内容列表，在目标内容与任一已推荐内容匹配，且目标内容的已推荐次数大于第三阈值的情况下，从候选推荐内容列表中重新获取目标内容。由此，在目标内容与推荐内容匹配，且已进行多次推荐后，重新获取目标内容，从而避免了对目标内容的重复推荐，在保证了确定推荐内容的个性化的基础上，提升了目标用户的体验。

图8为本公开一实施例所提供的一种确定推荐内容的方法的流程示意图。

如图8所示，该确定推荐内容的方法可以包括以下步骤：

步骤801，确定目标用户的标识。

步骤802，从数据库中获取与目标用户的标识关联的候选推荐内容列表，其中，候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，候选推荐内容列表为根据目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的。

步骤803，根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容。

步骤804，获取当前周期内已发送给目标用户的已推荐内容列表。

其中，步骤801至步骤804的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体赘述。

步骤805，在目标内容与每个已推荐内容均未匹配的情况下，将目标内容加入已推荐内容列表中，并将已推荐内容列表中的目标内容的已推荐次数置为1。

本公开中，在目标内容与每个已推荐内容均未匹配的情况下，可以认为目标内容尚未被推荐给目标用户，此时，可以将目标内容发送给目标用户，同时将目标内容加入已推荐内容列表中，并将已推荐内容列表中的目标内容的已推荐次数置为1。

本公开实施例中，首先确定目标用户的标识，并从数据库中获取与目标用户的标识关联的候选推荐内容列表，然后根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，并获取当前周期内已发送给目标用户的已推荐内容列表，在目标内容与每个已推荐内容均未匹配的情况下，将目标内容加入已推荐内容列表中，并将已推荐内容列表中的目标内容的已推荐次数置为1。由此，在目标内容尚未推荐给目标用户的情况下，将目标内容发送给目标用户，同时加入已推荐内容列表，并将已推荐次数置1，从而提高了确定推荐内容的效率以及准确性。

为了实现上述实施例，本公开还提出一种确定推荐内容的装置。

图9为本公开实施例所提供的一种确定推荐内容的装置的结构示意图。

如图9所示，该确定推荐内容的装置900包括：确定模块901、第一获取模块902、第二获取模块903、发送模块904。

确定模块901，用于确定目标用户的标识；

第一获取模块902，用于从数据库中获取与目标用户的标识关联的候选推荐内容列表，其中，候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，候选推荐内容列表为根据目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的；

第二获取模块903，用于根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容；

发送模块904，用于将目标内容发送给目标用户。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

获取目标用户的用户画像，目标用户在预设时段内的历史对话及预设时段内的热点事件信息；

根据历史对话，生成第一关键词列表，其中，第一关键词列表中包括至少一个第一关键词集；

从热点事件信息中获取与用户画像匹配的事件信息，并生成第二关键词列表，其中，第二关键词列表中包括至少一个第二关键词集；

将每个第一关键词集和/或一个第二关键词集输入大模型，以获取大模型生成的一个候选推荐内容。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

在预设时段内有多次历史对话的情况下，确定每次历史对话对应的第一关键词集；

确定每两个第一关键词集间的第一相似度；

将第一相似度大于或等于第一阈值的两个第一关键词集进行融合，以获取融合后的一个第一关键词集；

基于第一相似度小于第一阈值的第一关键词集、及融合后的第一关键词集，生成第一关键词列表。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

确定每个第一关键词集与每个第二关键词集间的第二相似度；

在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将任一第一关键词集及至少一个第二关键词集输入大模型，以获取大模型生成的第一候选推荐内容。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

在任一第一关键词集与每个第二关键词间的第二相似度均小于第二阈值的情况下，将任一第一关键词集输入大模型，以获取大模型生成的第二候选推荐内容；或者，

在任一第二关键词集与每个第一关键词间的第二相似度均小于第二阈值的情况下，将任一第二关键词集输入大模型，以获取大模型生成的第三候选推荐内容；或者，

在任一第二关键词集与至少一个第一关键词集间的第二相似度大于或等于第二阈值的情况下，将任一第二关键词集及至少一个第一关键词集输入大模型，以获取大模型生成的第四候选推荐内容。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

根据任一第一关键词集对应的第一优先级，及至少一个第二关键词集对应的第二优先级中的至少一项，确定第一候选推荐内容的第三优先级。

在本公开一种可能的实现方式中，上述第一获取模块902，还用于：

根据任一第一关键词集关联的第一历史对话的轮数、及第一历史对话的时间与当前时间间的时间间隔，确定任一第一关键词集的第一优先级；

根据至少一个第二关键词集中每个第二关键词集关联的事件信息在预设时段内的热度，确定第二关键词集的第二优先级。

在本公开一种可能的实现方式中，上述发送模块904，还用于：

并将目标内容的已推荐次数加1；

在确定目标内容的已推荐次数大于第三阈值的情况下，将目标内从数据库中删除。

在本公开一种可能的实现方式中，上述发送模块904，还用于：

根据生成目标内容的数据来源，确定第三阈值。

在本公开一种可能的实现方式中，上述发送模块904，还用于：

获取当前周期内已发送给目标用户的已推荐内容列表；

在目标内容与任一已推荐内容匹配，且目标内容的已推荐次数大于第三阈值的情况下，从候选推荐内容列表中重新获取目标内容。

在本公开一种可能的实现方式中，上述发送模块904，还用于：

在目标内容与每个已推荐内容均未匹配的情况下，将目标内容加入已推荐内容列表中，并将已推荐内容列表中的目标内容的已推荐次数置为1。

本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。

本公开实施例中，首先确定目标用户的标识，然后从数据库中获取与目标用户的标识关联的候选推荐内容列表，并根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，最后将目标内容发送给目标用户。由此，通过基于数据库中预先生成的与目标用户标识关联的每个候选推荐内容的优先级，确定目标内容并发送给目标用户，从而在提高了确定推荐内容的效率的基础上，实现了推荐内容的个性化。

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。

图10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如确定推荐内容的方法。例如，在一些实施例中，确定推荐内容的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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的确定推荐内容的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定推荐内容的方法。

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)、互联网及区块链网络。

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。

本公开实施例中，首先确定目标用户的标识，然后从数据库中获取与目标用户的标识关联的候选推荐内容列表，并根据每个候选推荐内容的优先级，从候选推荐内容列表中获取目标内容，最后将目标内容发送给目标用户。由此，通过基于数据库中预先生成的与目标用户标识关联的每个候选推荐内容的优先级，确定目标内容并发送给目标用户，从而在提高了确定推荐内容的效率的基础上，实现了推荐内容的个性化。

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。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本公开的描述中，所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。

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 (25)

1.一种确定推荐内容的方法，包括：

确定目标用户的标识；

从数据库中获取与所述目标用户的标识关联的候选推荐内容列表，其中，所述候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，所述候选推荐内容列表为根据所述目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的；

根据每个所述候选推荐内容的优先级，从所述候选推荐内容列表中获取目标内容；

将所述目标内容发送给所述目标用户。

2.如权利要求1所述的方法，其中，在所述从数据库中获取与所述目标用户的标识关联的候选推荐内容列表之前，还包括：

获取所述目标用户的用户画像，所述目标用户在所述预设时段内的历史对话及所述预设时段内的热点事件信息；

根据所述历史对话，生成第一关键词列表，其中，所述第一关键词列表中包括至少一个第一关键词集；

从所述热点事件信息中获取与所述用户画像匹配的事件信息，并生成第二关键词列表，其中，所述第二关键词列表中包括至少一个第二关键词集；

将每个所述第一关键词集和/或一个所述第二关键词集输入大模型，以获取所述大模型生成的一个候选推荐内容。

3.如权利要求2所述的方法，其中，所述根据所述历史对话，生成第一关键词列表，包括：

在所述预设时段内有多次历史对话的情况下，确定每次历史对话对应的第一关键词集；

确定每两个所述第一关键词集间的第一相似度；

将第一相似度大于或等于第一阈值的两个第一关键词集进行融合，以获取融合后的一个第一关键词集；

基于第一相似度小于所述第一阈值的第一关键词集、及所述融合后的第一关键词集，生成所述第一关键词列表。

4.如权利要求2所述的方法，其中，所述将每个所述第一关键词集和/或一个所述第二关键词集输入大模型，以获取所述大模型生成的一个候选推荐内容，包括：

确定每个第一关键词集与每个所述第二关键词集间的第二相似度；

在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将所述任一第一关键词集及所述至少一个第二关键词集输入所述大模型，以获取所述大模型生成的第一候选推荐内容。

5.如权利要求4所述的方法，其中，在所述确定每个第一关键词集与每个所述第二关键词集间的第二相似度之后，还包括：

在任一第一关键词集与每个第二关键词间的第二相似度均小于所述第二阈值的情况下，将所述任一第一关键词集输入所述大模型，以获取所述大模型生成的第二候选推荐内容；或者，

在任一第二关键词集与每个第一关键词间的第二相似度均小于所述第二阈值的情况下，将所述任一第二关键词集输入所述大模型，以获取所述大模型生成的第三候选推荐内容；或者，

在任一第二关键词集与至少一个第一关键词集间的第二相似度大于或等于所述第二阈值的情况下，将所述任一第二关键词集及所述至少一个第一关键词集输入所述大模型，以获取所述大模型生成的第四候选推荐内容。

6.如权利要求4所述的方法，其中，在所述将所述任一第一关键词集及所述至少一个第二关键词集输入所述大模型，以获取所述大模型生成的第一候选推荐内容之后，还包括：

根据所述任一第一关键词集对应的第一优先级，及所述至少一个第二关键词集对应的第二优先级中的至少一项，确定所述第一候选推荐内容的第三优先级。

7.如权利要求6所述的方法，其中，在所述确定所述第一候选推荐内容的第三优先级之前，还包括：

根据所述任一第一关键词集关联的第一历史对话的轮数、及所述第一历史对话的时间与当前时间间的时间间隔，确定所述任一第一关键词集的第一优先级；

根据所述至少一个第二关键词集中每个第二关键词集关联的事件信息在所述预设时段内的热度，确定所述第二关键词集的第二优先级。

8.如权利要求1-7任一所述的方法，其中，在所述将所述目标内容发送给所述目标用户之后，还包括：

并将所述目标内容的已推荐次数加1；

在确定所述目标内容的已推荐次数大于第三阈值的情况下，将所述目标内从所述数据库中删除。

9.如权利要求8所述的方法，其中，在所述确定所述目标内容的已推荐次数大于第三阈值之前，还包括：

根据生成所述目标内容的数据来源，确定所述第三阈值。

10.如权利要求1-7任一所述的方法，其中，在所述将所述目标内容发送给所述目标用户之前，还包括：

获取当前周期内已发送给所述目标用户的已推荐内容列表；

在所述目标内容与任一已推荐内容匹配，且所述目标内容的已推荐次数大于第三阈值的情况下，从所述候选推荐内容列表中重新获取目标内容。

11.如权利要求10所述的方法，其中，在所述获取当前周期内已发送给所述目标用户的已推荐内容之后，还包括：

在所述目标内容与每个已推荐内容均未匹配的情况下，将所述目标内容加入所述已推荐内容列表中，并将所述已推荐内容列表中的所述目标内容的已推荐次数置为1。

12.一种确定推荐内容的装置，包括：

确定模块，用于确定目标用户的标识；

第一获取模块，用于从数据库中获取与所述目标用户的标识关联的候选推荐内容列表，其中，所述候选推荐内容列表中包括多个候选推荐内容及每个候选推荐内容的优先级，所述候选推荐内容列表为根据所述目标用户的历史对话、用户画像及预设时段内的热点事件中的至少一项生成的；

第二获取模块，用于根据每个所述候选推荐内容的优先级，从所述候选推荐内容列表中获取目标内容；

发送模块，用于将所述目标内容发送给所述目标用户。

13.如权利要求12所述的装置，其中，所述第一获取模块，还用于：

获取所述目标用户的用户画像，所述目标用户在所述预设时段内的历史对话及所述预设时段内的热点事件信息；

根据所述历史对话，生成第一关键词列表，其中，所述第一关键词列表中包括至少一个第一关键词集；

从所述热点事件信息中获取与所述用户画像匹配的事件信息，并生成第二关键词列表，其中，所述第二关键词列表中包括至少一个第二关键词集；

将每个所述第一关键词集和/或一个所述第二关键词集输入大模型，以获取所述大模型生成的一个候选推荐内容。

14.如权利要求13所述的装置，其中，所述第一获取模块，还用于：

在所述预设时段内有多次历史对话的情况下，确定每次历史对话对应的第一关键词集；

确定每两个所述第一关键词集间的第一相似度；

将第一相似度大于或等于第一阈值的两个第一关键词集进行融合，以获取融合后的一个第一关键词集；

基于第一相似度小于所述第一阈值的第一关键词集、及所述融合后的第一关键词集，生成所述第一关键词列表。

15.如权利要求13所述的装置，其中，所述第一获取模块，还用于：

确定每个第一关键词集与每个所述第二关键词集间的第二相似度；

在任一第一关键词集与至少一个第二关键词集间的第二相似度大于或等于第二阈值的情况下，将所述任一第一关键词集及所述至少一个第二关键词集输入所述大模型，以获取所述大模型生成的第一候选推荐内容。

16.如权利要求15所述的装置，其中，所述第一获取模块，还用于：

在任一第一关键词集与每个第二关键词间的第二相似度均小于所述第二阈值的情况下，将所述任一第一关键词集输入所述大模型，以获取所述大模型生成的第二候选推荐内容；或者，

在任一第二关键词集与每个第一关键词间的第二相似度均小于所述第二阈值的情况下，将所述任一第二关键词集输入所述大模型，以获取所述大模型生成的第三候选推荐内容；或者，

在任一第二关键词集与至少一个第一关键词集间的第二相似度大于或等于所述第二阈值的情况下，将所述任一第二关键词集及所述至少一个第一关键词集输入所述大模型，以获取所述大模型生成的第四候选推荐内容。

17.如权利要求15所述的装置，其中，所述第一获取模块，还用于：

根据所述任一第一关键词集对应的第一优先级，及所述至少一个第二关键词集对应的第二优先级中的至少一项，确定所述第一候选推荐内容的第三优先级。

18.如权利要求17所述的装置，其中，所述第一获取模块，还用于：

根据所述任一第一关键词集关联的第一历史对话的轮数、及所述第一历史对话的时间与当前时间间的时间间隔，确定所述任一第一关键词集的第一优先级；

根据所述至少一个第二关键词集中每个第二关键词集关联的事件信息在所述预设时段内的热度，确定所述第二关键词集的第二优先级。

19.如权利要求12-18任一所述的装置，其中，所述发送模块，还用于：

并将所述目标内容的已推荐次数加1；

在确定所述目标内容的已推荐次数大于第三阈值的情况下，将所述目标内从所述数据库中删除。

20.如权利要求19所述的装置，其中，所述发送模块，还用于：

根据生成所述目标内容的数据来源，确定所述第三阈值。

21.如权利要求12-18任一所述的装置，其中，所述发送模块，还用于：

获取当前周期内已发送给所述目标用户的已推荐内容列表；

在所述目标内容与任一已推荐内容匹配，且所述目标内容的已推荐次数大于第三阈值的情况下，从所述候选推荐内容列表中重新获取目标内容。

22.如权利要求21所述的装置，其中，所述发送模块，还用于：

在所述目标内容与每个已推荐内容均未匹配的情况下，将所述目标内容加入所述已推荐内容列表中，并将所述已推荐内容列表中的所述目标内容的已推荐次数置为1。

23.一种电子设备，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能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1-11中任一项所述的方法。

24.一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1-11中任一项所述的方法。

25.一种计算机程序产品，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1-11中任一项所述的方法。