CN117708437B - 一种个性化内容的推荐方法、装置、电子设备及存储介质 - Google Patents
一种个性化内容的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117708437B CN117708437B CN202410162121.XA CN202410162121A CN117708437B CN 117708437 B CN117708437 B CN 117708437B CN 202410162121 A CN202410162121 A CN 202410162121A CN 117708437 B CN117708437 B CN 117708437B
- Authority
- CN
- China
- Prior art keywords
- recommended
- content
- contents
- classification
- target user
- 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 115
- 238000012216 screening Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 230000003993 interaction Effects 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 47
- 238000013507 mapping Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 241001201614 Prays Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement 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
- 238000012552 review Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种个性化内容的推荐方法、装置、电子设备及存储介质,本发明通过分类模型可对各个待推荐内容进行精准的信息分类,并得出对应的类别指数;接着,即可通过各个待推荐内容的分类标签以及类别指数,并结合用户的兴趣标签,来进行信息的预筛选;而后,再利用分类标签和类别指数,从预筛选出的内容中进行二次筛选,从而得到与用户最匹配的待推荐内容;最后,即可将最匹配的待推荐内容推送至用户终端,从而为用户推送最为感兴趣的内容;由此,本发明可准确的实现个性化多媒体内容的推荐,能够使用户快速查找到自己感兴趣的内容,提升了用户的体验度,非常适用于大规模应用与推广。
Description
技术领域
本发明属于数据推送技术领域,具体涉及一种个性化内容的推荐方法、装置、电子设备及存储介质。
背景技术
随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代;与此同时,无论是信息消费者还是信息生产者都遇到了很大的挑战:对于信息消费者,在海量的多媒体内容中,用户往往难以找到自己感兴趣的内容,需要用户手动查找,如此,这不仅降低了用户的体验度,且也容易导致用户失去浏览兴趣;基于此,如何提供一种个性化内容的推荐方法来帮助用户快速准确地找到自己感兴趣的内容,已成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种个性化内容的推荐方法、装置、电子设备及存储介质,用以解决现有技术无法进行用户个性化内容的推荐,从而导致用户体验度低的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种个性化内容的推荐方法,包括:
获取若干待推荐内容以及目标用户的兴趣标签;
将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的;
基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容;
基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容;
将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐。
基于上述公开的内容,本发明预先训练有信息分类模型,该信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且任一样本信息的分类标签是基于该任一样本信息中的关键词所确定的;如此,本发明相当于训练有可进行信息分类的模型,以便在信息推荐过程中,对信息进行分类以及得出其类别指数,并在此基础上,结合用户的兴趣标签,来进行目标用户的个性化内容推荐。
其中,具体的推荐过程为:先将各个待推荐内容输入至信息分类模型中,得出各个待推荐内容的分类标签和类别指数(如待推荐内容A属于影视标签,待推荐内容B属于游戏标签等);接着,再基于目标用户的兴趣标签,以及得出的各个待推荐内容的分类标签和类别指数,来进行信息的预选,也就是基于前述数据,从若干待推荐内容中筛选出多个预推荐内容;而后,再利用各个预推荐内容的分类标签和类别指数,进行推荐内容的精细筛选,从而得到与目标用户最匹配的预推荐内容;最后,即可将与用户最匹配的预推荐内容作为最优推荐内容,并推送至目标用户的终端,以完成对目标用户的个性化内容的推荐。
通过前述设计,本发明通过分类模型可对各个待推荐内容进行精准的信息分类,并得出对应的类别指数;接着,即可通过各个待推荐内容的分类标签以及类别指数,并结合用户的兴趣标签,来进行信息的预筛选;而后,再利用分类标签和类别指数,从预筛选出的内容中进行二次筛选,从而得到与用户最匹配的待推荐内容;最后,即可将最匹配的待推荐内容推送至用户终端,从而为用户推送最为感兴趣的内容;由此,本发明可准确的实现个性化多媒体内容的推荐,能够使用户快速查找到自己感兴趣的内容,提升了用户的体验度,非常适用于大规模应用与推广。
在一个可能的设计中,所述信息分类模型包括:预训练语言识别网络和分类网络,其中,所述分类网络包括多门控多任务网络层、分类网络层以及类别指数映射网络层,且所述预训练语言识别网络的输出端连接所述多门控多任务网络层的输入端,所述多门控多任务网络层的输出端分别连接所述分类网络层和所述类别指数映射网络层;
所述预训练语言识别网络,用于对所述任一待推荐内容进行关键词提取处理,并基于提取的关键词,生成所述任一待推荐内容的语义特征;
所述多门控多任务网络层,用于获取所述预训练语言识别网络输出的语义特征,并基于所述语义特征,提取出所述任一待推荐内容的类别特征;
所述分类网络层,用于基于所述类别特征,得出所述任一待推荐内容的分类标签;
所述类别指数映射网络层,用于使用激活函数将所述类别特征进行映射处理,以得到所述任一待推荐内容的类别指数。
在一个可能的设计中,所述多门控多任务网络层中包含有多个专家子网络,其中,所述多门控多任务网络层的输出为:
式中,表示所述多门控多任务网络层中任务/>的输出,/>表示所述多门控多任务网络层中第i个专家子网络的权重分布,/>表示以所述任一待推荐内容的语义特征为输入时,第i个专家子网络的输出,/>表示专家子网络的总数,/>为任务/>对应的神经网络的参数,所述多门控多任务网络层的任务包括分类任务和类别指数映射任务,且分类任务对应的神经网络为分类网络层,所述类别指数映射任务对应的神经网络为类别指数映射网络层;
其中,
式中,表示权值矩阵,/>表示归一化指数激活函数,/>表示所述任一待推荐内容的语义特征;
相应的,第i个专家子网络的输出为:
式中,表示第i个专家子网络中输入层的网络参数,/>表示第i个专家子网络中输出层的网络参数,/>表示高斯误差激活函数。
在一个可能的设计中,所述分类网络层的输出为:
式中,表示所述分类网络层的输出,/>表示归一化指数激活函数,表示归一化函数,/>表示高斯误差激活函数,/>表示分类网络层的权重矩阵;
其中,所述类别指数映射网络层包括两层全连接层,且所述类别指数映射网络层的输出为:
式中,表示第二层全连接层的输出,/>表示第二层全连接层的权重矩阵,表示第一层全连接层的输出,其中,第二层全连接层的输出作为类别指数映射网络层的输出;
相应的,
式中,表示第一层全连接层的权重矩阵。
在一个可能的设计中,基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个待推荐内容的分类标签,组成各个待推荐内容的特征向量;
将各个待推荐内容的特征向量输入至交互预测模型,得到所述目标用户对各个待推荐内容的第一交互预测率;
基于所述目标用户对各个待推荐内容的第一交互预测率,从若干待推荐内容中筛选出第一备选内容;
利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度;
根据目标用户相对于各待推荐内容的匹配度,从若干待推荐内容中筛选出第二备选内容;
基于所述第一备选内容和所述第二备选内容,得到多个预推荐内容。
在一个可能的设计中,利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度,包括:
对于任一待推荐内容,利用目标用户的兴趣标签,以及所述任一待推荐内容的分类标签和类别指数,并按照如下公式,计算出所述目标用户相对于所述任一待推荐内容的匹配度;
式中,表示所述目标用户相对于所述任一待推荐内容的匹配度,,其中,若所述任一待推荐内容的分类标签中包含有所述兴趣标签中的第j个标签,/>为1,若所述任一待推荐内容的分类标签中未包含有所述兴趣标签中的第j个标签,/>为0,/>表示所述兴趣标签中的标签总数,/>表示所述任一待推荐内容的类别指数,/>均表示匹配权重,且/>,其中,/>表示匹配参数,且大于0。
在一个可能的设计中,基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个预推荐内容的分类标签,组成各个预推荐内容的特征向量;
将各个预推荐内容的特征向量输入至训练后的CTR模型,以得到目标用户对各个预推荐内容的第二交互预测率;
利用所述目标用户对各个预推荐内容的第二交互预测率,以及各个预推荐内容的类别指数,并按照如下公式,计算出各个预推荐内容的推荐度;
式中,表示多个预推荐内容中第/>个预推荐内容的推荐度,/>表示所述目标用户对第/>个预推荐内容的第二交互预测率,/>表示所述第/>个预推荐内容的类别指数,/>表示超参数,其中,/>,且/>表示预推荐内容的总数;
基于各个预推荐内容的推荐度,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容。
第二方面,提供了一种个性化内容的推荐装置,包括:
获取单元,用于获取若干待推荐内容以及目标用户的兴趣标签;
分类单元,用于将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的;
第一筛选单元,用于基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容;
第二筛选单元,用于基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容;
推荐单元,用于将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐。
第三方面,提供了另一种个性化内容的推荐装置,以装置为电子设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述个性化内容的推荐方法。
第四方面,提供了一种存储介质,存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述个性化内容的推荐方法。
第五方面,提供了一种包含指令的计算机程序产品,当指令在计算机上运行时,使计算机执行如第一方面或第一方面中任意一种可能设计的所述个性化内容的推荐方法。
有益效果:
(1)本发明通过分类模型可对各个待推荐内容进行精准的信息分类,并得出对应的类别指数;接着,即可通过各个待推荐内容的分类标签以及类别指数,并结合用户的兴趣标签,来进行信息的预筛选;而后,再利用分类标签和类别指数,从预筛选出的内容中进行二次筛选,从而得到与用户最匹配的待推荐内容;最后,即可将最匹配的待推荐内容推送至用户终端,从而为用户推送最为感兴趣的内容;由此,本发明可准确的实现个性化多媒体内容的推荐,能够使用户快速查找到自己感兴趣的内容,提升了用户的体验度,非常适用于大规模应用与推广。
附图说明
图1为本发明实施例提供的个性化内容的推荐方法的步骤流程示意图;
图2为本发明实施例提供的信息分类模型的结构示意图;
图3为本发明实施例提供的个性化内容的推荐装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,本实施例所提供的个性化内容的推荐方法,通过预先训练的信息分类模型,来对各个待推荐内容进行信息分类,从而得到各个待推荐内容的分类标签及对应的类别指数;而后,则可在此基础上,结合用户的兴趣标签,来进行信息的双重筛选,从而得出与用户最匹配的待推荐内容;最后,即可将其推送至用户终端,以完成对用户的个性化内容的推荐;由此,本方法可准确的实现个性化多媒体内容的推荐,能够使用户快速查找到自己感兴趣的内容,提升了用户的体验度,非常适用于大规模应用与推广;其中,举例本方法可以但不限于在信息推荐端侧运行,可选的,信息推荐端可以但不限于为个人电脑(personal computer,PC)、平板电脑或智能手机,可以理解的,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S5所示。
S1. 获取若干待推荐内容以及目标用户的兴趣标签;在本实施例中,各个待推荐内容可从各个社交媒体上爬取获得,同时,目标用户的兴趣标签则可从用户的账户信息中获取(账户信息中的兴趣方向是用户在注册时填写的),更进一步的,也可通过分析目标用户的行为数据,来得出目标用户的感兴趣内容,从而得到对应的兴趣标签。
在得到兴趣标签后,即可将其输入至预先构建的信息分类模型中进行各个待推荐内容的分类处理,从而得到各个待推荐内容的分类标签及对应的类别指数,以便后续基于前述得出的分类标签和类别指数,并结合目标用户的兴趣标签,来进行目标用户的个性化内容的推荐;其中,信息分类过程可以但不限于如下述步骤S2所示。
S2. 将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的;在本实施例中,信息分类模型实质是对各个待推荐内容进行关键词提取,然后基于提取的关键词来进行语义分析;而后,再根据得出的语义特征,来进行信息分类,并得出相应的类别指数;在具体应用时,模型训练时,也会为各个样本信息标注真实标签以及真实类别指数,以便将其作为真实数据,从而在模型训练时,结合模型的输出数据来调整模型的参数,直至模型达到最优时,即可结束训练。
在具体应用时,举例各个分类标签可以但不限于包括一级标签和二级标签,其中,一级标签可以但不限于包括:影视标签、游戏标签、音乐标签、体育标签、旅游标签、汽车标签、军事标签、骑行标签、地理标签、越野标签、徒步标签等等;而二级标签则是各个一级标签中的细分标签,如影视标签中的二级标签可以包括军事影视、古装影视、科幻影视等等;当然,前述标签的设置,可根据实际使用而具体设定,在此不限定于前述举例。
可选的,下述提供信息分类模型的其中一种模型结构。
在具体实施时,参见图2所示,举例所述信息分类模型可以但不限于包括:预训练语言识别网络和分类网络,其中,所述分类网络包括多门控多任务网络层、分类网络层以及类别指数映射网络层,且所述预训练语言识别网络的输出端连接所述多门控多任务网络层的输入端,所述多门控多任务网络层的输出端分别连接所述分类网络层和所述类别指数映射网络层;如此通过前述设计,相当于是利用所述预训练语言识别网络对前述若干待推荐内容中的任一待推荐内容进行关键词提取处理,并基于提取的关键词,生成所述任一待推荐内容的语义特征;然后将其输出作为分类网络的输入,以基于语义特征来进行信息分类以及类别指数的映射,即所述分类网络中的多门控多任务网络层,用于获取所述预训练语言识别网络输出的语义特征,并基于所述语义特征,提取出所述任一待推荐内容的类别特征,所述分类网络层,用于基于所述类别特征,得出所述任一待推荐内容的分类标签;而所述类别指数映射网络层,则用于使用激活函数将所述类别特征进行映射处理,以得到所述任一待推荐内容的类别指数。
更进一步的,举例预训练语言识别网络可以但不限于采用Ber网络、GPT网络或Ernie网络等,当然,前述举例仅是示例,在此不限定于此。
同时,下述公开前述多门控多任务网络层的具体结构。
在本实施例中,举例所述多门控多任务网络层中包含有多个专家子网络,也就是说,预训练语言识别网络的输出,作为各个专家子网络的输入,而后,各个专家子网络对其进行特征提取等处理后,将结果进行融合,并分别传输至分类网络层和类别指数映射层,从而实现信息分类及类别指数映射的功能;基于此,各专家子网络、分类网络层和类别指数映射层相当于就构成了MMOE模型;即本实施例是利用MMOE模型来完成信息分类及类别指数映射两个任务的联合训练与处理。
在一个具体的实施方式中,下述提供信息分类模型中各网络的详细输出表示,如下所示:
可选的,举例所述多门控多任务网络层的输出可以但不限于如下述公式所示:
式中,表示所述多门控多任务网络层中任务/>的输出,/>表示所述多门控多任务网络层中第i个专家子网络的权重分布,/>表示以所述任一待推荐内容的语义特征为输入时,第i个专家子网络的输出,/>表示专家子网络的总数,/>为任务/>对应的神经网络的参数,所述多门控多任务网络层的任务包括分类任务和类别指数映射任务,且分类任务对应的神经网络为分类网络层,所述类别指数映射任务对应的神经网络为类别指数映射网络层;在具体实施时,相当于将信息分类和类别指数映射作为分类网络(即MMOE模型)的任务,即多个专家子网络构成了MMOE模型的底层网络,在底层网络上连接两个塔网络(即分类网络层和类别指数映射网络层),来实现待推荐内容的分类和类别指数映射功能。
可选的,举例第i个专家子网络的权重分布可以但不限于如下述公式所示。
式中,表示权值矩阵,/>表示归一化指数激活函数,/>表示所述任一待推荐内容的语义特征;更进一步的,举例/>,其中,/>表示实数集,/>表示输入第i个专家子网络的语义特征的特征维度。
相应的,第i个专家子网络的输出为:
式中,表示第i个专家子网络中输入层的网络参数,/>表示第i个专家子网络中输出层的网络参数,/>表示高斯误差激活函数;在具体应用时,举例第i个专家子网络具有2层,其中,/>则表示第一层的网络参数,而/>则表示第二层的网络参数;同时,/> ,其中,/>表述前述任一待推荐内容的数据大小,/>表示所述任一待推荐内容的关键词总数,/>表示第i个专家子网络中所有层的网络参数。
同理,举例分类网络层可以但不限于是一个全连接层加一个标准化层(即层归一化)的网络结构,其最终输出的是softmax的结果,其中,举例所述分类网络层的输出可以但不限于如下述公式所示。
式中,表示所述分类网络层的输出,/>表示归一化指数激活函数,表示归一化函数,/>表示高斯误差激活函数,/>表示分类网络层的权重矩阵;其中,举例/> ,且/>表示分类标签的标签总数。
相应的,举例所述类别指数映射网络层可以但不限于包括两层全连接层,且所述类别指数映射网络层的输出可以但不限于如下述公式所示。
式中,表示第二层全连接层的输出,/>表示第二层全连接层的权重矩阵,表示第一层全连接层的输出,其中,第二层全连接层的输出作为类别指数映射网络层的输出;
且
式中,表示第一层全连接层的权重矩阵;在本实施例中,,/>,其中,/>表示第二全连接层的网络参数,/>表示第二全连接层中隐藏层的大小,当然第一全连接层和第二全连接层中隐藏层大小相同。
由此通过前述设计,即可利用前述训练后的信息分类模型,来得出各个待推荐内容的分类标签以及类别指数;而后,即可结合目标用户的兴趣标签,来进行目标用户的个性化内容的推荐;其中,举例个性化内容的推荐过程可以但不限于如下述步骤S3和步骤S4所示。
S3. 基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容;在本实施例中,步骤S3是预筛选步骤,也就是进行个性化内容的初步筛选,其中,举例本实施例可以但不限于采用多路召回的方式,来进行个性化内容的初步筛选,其过程可以但不限于如下述步骤S31~S37所示。
S31 获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;在具体应用时,与目标用户存在交互行为的历史信息可以但不限于包括:目标用户点赞、转发、评论过的信息;当然,这里的历史信息可以但不限于包括图文新闻、短视频、直播、商品信息等等;如此,该步骤相当于获取了用户历史感兴趣信息对应的标签。
在得到用户的历史交互内容标签后,即可结合各个待推荐内容的分类标签,来组成各个待推荐内容的特征向量,以便后续基于各个第一特征向量,来进行个性化内容的初步筛选;其中,第一特征向量的组成过程可以但不限于如下述步骤S32所示。
S32. 基于历史交互内容标签和各个待推荐内容的分类标签,组成各个待推荐内容的特征向量;在具体应用时,对于任一待推荐内容,举例可以但不限于将该任一待推荐内容的分类标签和历史交互内容标签进行编码(如转换为one-hot编码),并进行拼接,以得到对应的特征向量;当然,其余各个待推荐内容的特征向量的构建过程与前述举例相同,于此不再赘述。
在得到各个待推荐内容的特征向量后,则可使用不同的召回方式,来进行个性化内容的初步筛选;可选的,本实施例采用模型召回和类别指数召回的方式来进行两次不同的初步筛选;其中,模型召回的具体过程可以但不限于如下述步骤S33和步骤S34所示。
S33. 将各个待推荐内容的特征向量输入至交互预测模型,得到所述目标用户对各个待推荐内容的第一交互预测率;在本实施例中,举例交互预测模型可以但不限于采用训练后的DSSM模型或MV-DNN模型,当然,训练过程则是以样本信息的特征向量为输入,样本信息的第一交互预测率为输出来训练得到的;同时,举例任一待推荐内容的第一交互预测率则是目标用户对该任一待推荐内容的点击率;另外,DSSM模型和MV-DNN模型均是点击率预测的常用模型,其原理不再赘述。
基于前述步骤S33得到目标用户对各个待推荐内容的第一交互预测率后,即根据各个第一交互预测率,来进行个性化内容的初步筛选;其中,第一次的初步筛选过程如下述步骤S34所示。
S34. 基于所述目标用户对各个待推荐内容的第一交互预测率,从若干待推荐内容中筛选出第一备选内容;在具体应用时,举例按照第一交互预测率从高到低的顺序,将各个待推荐内容进行排序;然后将排序前D位的待推荐内容,作为第一备选内容;当然,在本实施例中,D的数值可根据实际使用而具体设定,在此不作具体限定。
同理,基于模型完成个性化内容的初步召回后,即可利用第二种召回方式,来进行个性化内容的初步筛选;其中,第二种召回方式如下述步骤S35和步骤S36所示。
S35. 利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度;在具体应用时,以任一待推荐内容为例,来具体阐述匹配度的计算过程,其中,其具体计算公式可以但不限于如下述所示。
式中,表示所述目标用户相对于所述任一待推荐内容的匹配度,,其中,若所述任一待推荐内容的分类标签中包含有所述兴趣标签中的第j个标签,/>为1,若所述任一待推荐内容的分类标签中未包含有所述兴趣标签中的第j个标签,/>为0,/>表示所述兴趣标签中的标签总数,/>表示所述任一待推荐内容的类别指数,/>均表示匹配权重,且/>,其中,/>表示匹配参数,且大于0;在本实施例中,匹配参数可根据业务场景和实际效果而进行调整。
在本实施例中,一个待推荐内容可存在含有多个标签,如一个待推荐内容为影视标签,其可以还可为科幻标签;因此,只要前述任一待推荐内容的分类标签中含有目标用户的兴趣标签中的第j个标签时,则为1,反之,则为0;如此,经过累加并乘以权重,即可得出分类标签包含有兴趣标签的得分;同时,结合该任一待推荐内容的类别指数,即可计算出目标用户相对于该任一待推荐内容的匹配度。
在计算出目标用户相对于各个待推荐内容的匹配度后,即可基于匹配度,来进行个性化内容的初步筛选;其中,初步筛选过程如下述步骤S36所示。
S36. 根据目标用户相对于各待推荐内容的匹配度,从若干待推荐内容中筛选出第二备选内容;在本实施例中,也是按照匹配度从高到低的顺序,将各个待推荐内容进行排序,然后选取排序前D位的待推荐内容,来作为第二备选内容;而后,即可结合第一备选内容,来组成预推荐内容;如下述步骤S37所示。
S37. 基于所述第一备选内容和所述第二备选内容,得到多个预推荐内容。
由此通过前述步骤S31~S37,即可完成目标用户的个性化内容的初步筛选;而后,即可从初步筛选得出的待推荐内容中,进行二次筛选,从而来得到与目标用户最匹配的待推荐内容;其中,二次筛选过程可以但不限于如下述步骤S4所示。
S4 .基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容;在本实施例中,还是利用各个预推荐内容的分类标签和目标用户的历史交互内容标签,来组成各个预推荐内容的特征向量;然后,将各个预推荐内容的特征向量输入至训练后的CTR模型,来得出目标用户对各个预推荐内容的第二交互预测率;最后,即可根据第二交互预测率和各个预推荐内容的类别指数,来完成目标用户的个性化内容的二次筛选;其中,具体过程如下述步骤S41~S45所示。
S41. 获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;在本实施例中,步骤S41中的历史交互内容标签与步骤S31相同,其获取过程及所含的具体信息不再赘述。
在得到目标用户的历史交互内容标签后,则可结合各个预推荐内容的分类标签,来组成各个预推荐内容的特征向量;其中,其具体构建过程如下述步骤S42所示。
S42. 基于历史交互内容标签和各个预推荐内容的分类标签,组成各个预推荐内容的特征向量;在具体实施时,步骤S42中各个预推荐内容的特征向量的构建过程,与前述步骤S32相同,其原理不再赘述;同样,在得到各个预推荐内容的特征向量后,即可将其输入至训练后的CTR模型,以得到目标用户对各个预推荐内容的第二交互预测率;其中,第二交互预测率的获取过程可以但不限于如下述步骤S43所示。
S43. 将各个预推荐内容的特征向量输入至训练后的CTR模型,以得到目标用户对各个预推荐内容的第二交互预测率;在本实施例中,CTR模型的模型复杂度高于前述交互预测模型;因此,对各个预推荐内容的第二交互预测率的精度,也高于第一交互预测率;如此,在二次筛选过程中,相当于是利用精度更高的模型,来进行用户对各个预推荐内容的点击率的预测;当然,CTR模型也是点击率预测的常用模型,其原理不再赘述。
在得到目标用户对各个预推荐内容的第二交互预测率后,即可结合各个预推荐内容的类别指数,来计算出各个预推荐内容的推荐度;其中,计算过程可以但不限于如下述步骤S44所示。
S44. 利用所述目标用户对各个预推荐内容的第二交互预测率,以及各个预推荐内容的类别指数,并按照如下公式,计算出各个预推荐内容的推荐度。
式中,表示多个预推荐内容中第/>个预推荐内容的推荐度,/>表示所述目标用户对第/>个预推荐内容的第二交互预测率,/>表示所述第/>个预推荐内容的类别指数,/>表示超参数,其中,/>,且/>表示预推荐内容的总数;在本实施例中,/>的取值范围为[0,1]的实数。
在计算出各个预推荐内容的推荐度后,则可基于推荐度来确定出与目标用户最匹配的预推荐内容;其中,确定过程如下述步骤S45所示。
S45. 基于各个预推荐内容的推荐度,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容;在本实施例中,同样是按照推荐度从高到低的顺序,来将各个预推荐内容进行排序;然后,将排序前3、5或10位的预推荐内容,作为与目标用户最匹配的预推荐内容(即最优推荐内容)。
由此通过前述步骤S41~S45,即可从若干待推荐内容中,选取出目标用户的最优推荐内容;而后,即可进行内容的推荐,如下述步骤S5所示。
S5.将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐;在本实施例中,举例可以但不限于目标用户进入社交媒体软件时进行首页展示;当然,其展示方式可根据实际使用而具体设定,在此不作具体限定。
由此通过前述步骤S1~S5所详细描述个性化内容的推荐方法,本发明通过预先训练的信息分类模型,来对各个待推荐内容进行信息分类,从而得到各个待推荐内容的分类标签及对应的类别指数;而后,则可在此基础上,结合用户的兴趣标签,来进行信息的双重筛选,从而得出与用户最匹配的待推荐内容;最后,即可将其推送至用户终端,以完成对用户的个性化内容的推荐;由此,本方法可准确的实现个性化多媒体内容的推荐,能够使用户快速查找到自己感兴趣的内容,提升了用户的体验度,非常适用于大规模应用与推广。
如图3所示,本实施例第二方面提供了一种实现实施例第一方面中所述的个性化内容的推荐方法的硬件装置,包括:
获取单元,用于获取若干待推荐内容以及目标用户的兴趣标签。
分类单元,用于将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的。
第一筛选单元,用于基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容。
第二筛选单元,用于基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容。
推荐单元,用于将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐。
本实施例提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图4所示,本实施例第三方面提供了另一种个性化内容的推荐装置,以装置为电子设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的个性化内容的推荐方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory ,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的个性化内容的推荐方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如实施例第一方面所述的个性化内容的推荐方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的个性化内容的推荐方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种个性化内容的推荐方法,其特征在于,包括:
获取若干待推荐内容以及目标用户的兴趣标签;
将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的;
基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容;
基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容;
将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐;
基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个待推荐内容的分类标签,组成各个待推荐内容的特征向量;
将各个待推荐内容的特征向量输入至交互预测模型,得到所述目标用户对各个待推荐内容的第一交互预测率;
基于所述目标用户对各个待推荐内容的第一交互预测率,从若干待推荐内容中筛选出第一备选内容;
利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度;
根据目标用户相对于各待推荐内容的匹配度,从若干待推荐内容中筛选出第二备选内容;
基于所述第一备选内容和所述第二备选内容,得到多个预推荐内容;
基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个预推荐内容的分类标签,组成各个预推荐内容的特征向量;
将各个预推荐内容的特征向量输入至训练后的CTR模型,以得到目标用户对各个预推荐内容的第二交互预测率;
利用所述目标用户对各个预推荐内容的第二交互预测率,以及各个预推荐内容的类别指数,并按照如下公式,计算出各个预推荐内容的推荐度;
式中,表示多个预推荐内容中第/>个预推荐内容的推荐度,/>表示所述目标用户对第/>个预推荐内容的第二交互预测率,/>表示所述第/>个预推荐内容的类别指数,表示超参数,其中,/>,且/>表示预推荐内容的总数;
基于各个预推荐内容的推荐度,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容。
2.根据权利要求1所述的方法,其特征在于,所述信息分类模型包括:预训练语言识别网络和分类网络,其中,所述分类网络包括多门控多任务网络层、分类网络层以及类别指数映射网络层,且所述预训练语言识别网络的输出端连接所述多门控多任务网络层的输入端,所述多门控多任务网络层的输出端分别连接所述分类网络层和所述类别指数映射网络层;
所述预训练语言识别网络,用于对所述任一待推荐内容进行关键词提取处理,并基于提取的关键词,生成所述任一待推荐内容的语义特征;
所述多门控多任务网络层,用于获取所述预训练语言识别网络输出的语义特征,并基于所述语义特征,提取出所述任一待推荐内容的类别特征;
所述分类网络层,用于基于所述类别特征,得出所述任一待推荐内容的分类标签;
所述类别指数映射网络层,用于使用激活函数将所述类别特征进行映射处理,以得到所述任一待推荐内容的类别指数。
3.根据权利要求2所述的方法,其特征在于,所述多门控多任务网络层中包含有多个专家子网络,其中,所述多门控多任务网络层的输出为:
式中,表示所述多门控多任务网络层中任务/>的输出,/>表示所述多门控多任务网络层中第i个专家子网络的权重分布,/>表示以所述任一待推荐内容的语义特征为输入时,第i个专家子网络的输出,/>表示专家子网络的总数,/>为任务/>对应的神经网络的参数,所述多门控多任务网络层的任务包括分类任务和类别指数映射任务,且分类任务对应的神经网络为分类网络层,所述类别指数映射任务对应的神经网络为类别指数映射网络层;
其中,
式中,表示权值矩阵,/>表示归一化指数激活函数,/>表示所述任一待推荐内容的语义特征;
相应的,第i个专家子网络的输出为:
式中,表示第i个专家子网络中输入层的网络参数,/>表示第i个专家子网络中输出层的网络参数,/>表示高斯误差激活函数。
4.根据权利要求3所述的方法,其特征在于,所述分类网络层的输出为:
式中,表示所述分类网络层的输出,/>表示归一化指数激活函数,/>表示归一化函数,/>表示高斯误差激活函数,/>表示分类网络层的权重矩阵;
其中,所述类别指数映射网络层包括两层全连接层,且所述类别指数映射网络层的输出为:
式中,表示第二层全连接层的输出,/>表示第二层全连接层的权重矩阵,/>表示第一层全连接层的输出,其中,第二层全连接层的输出作为类别指数映射网络层的输出;
相应的,
式中,表示第一层全连接层的权重矩阵。
5.根据权利要求1所述的方法,其特征在于,利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度,包括:
对于任一待推荐内容,利用目标用户的兴趣标签,以及所述任一待推荐内容的分类标签和类别指数,并按照如下公式,计算出所述目标用户相对于所述任一待推荐内容的匹配度;
式中,表示所述目标用户相对于所述任一待推荐内容的匹配度,/>,其中,若所述任一待推荐内容的分类标签中包含有所述兴趣标签中的第j个标签,/>为1,若所述任一待推荐内容的分类标签中未包含有所述兴趣标签中的第j个标签,/>为0,/>表示所述兴趣标签中的标签总数,/>表示所述任一待推荐内容的类别指数,/>均表示匹配权重,且/>,其中,/>表示匹配参数,且大于0。
6.一种个性化内容的推荐装置,其特征在于,包括:
获取单元,用于获取若干待推荐内容以及目标用户的兴趣标签;
分类单元,用于将各个待推荐内容输入至信息分类模型中,得到每个待推荐内容的分类标签以及类别指数,其中,所述信息分类模型是以若干样本信息为输入,每个样本信息的分类标签和类别指数为输出而训练得到的,且若干待推荐内容中任一待推荐内容的分类标签是所述信息分类模型根据所述任一待推荐内容中的关键词所确定的;
第一筛选单元,用于基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容;
第二筛选单元,用于基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,以作为目标用户的最优推荐内容;
推荐单元,用于将所述最优推荐内容推送至目标用户对应的终端,以完成对目标用户的个性化内容推荐;
基于所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,从若干待推荐内容中筛选出多个预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个待推荐内容的分类标签,组成各个待推荐内容的特征向量;
将各个待推荐内容的特征向量输入至交互预测模型,得到所述目标用户对各个待推荐内容的第一交互预测率;
基于所述目标用户对各个待推荐内容的第一交互预测率,从若干待推荐内容中筛选出第一备选内容;
利用所述目标用户的兴趣标签,以及各个待推荐内容的分类标签和类别指数,计算出所述目标用户相对于各个待推荐内容的匹配度;
根据目标用户相对于各待推荐内容的匹配度,从若干待推荐内容中筛选出第二备选内容;
基于所述第一备选内容和所述第二备选内容,得到多个预推荐内容;
基于各个预推荐内容的分类标签以及类别指数,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容,包括:
获取所述目标用户的历史交互内容标签,其中,所述历史交互内容标签包括与所述目标用户存在交互行为的历史信息的分类标签;
基于历史交互内容标签和各个预推荐内容的分类标签,组成各个预推荐内容的特征向量;
将各个预推荐内容的特征向量输入至训练后的CTR模型,以得到目标用户对各个预推荐内容的第二交互预测率;
利用所述目标用户对各个预推荐内容的第二交互预测率,以及各个预推荐内容的类别指数,并按照如下公式,计算出各个预推荐内容的推荐度;
式中,表示多个预推荐内容中第/>个预推荐内容的推荐度,/>表示所述目标用户对第/>个预推荐内容的第二交互预测率,/>表示所述第/>个预推荐内容的类别指数,/>表示超参数,其中,/>,且/>表示预推荐内容的总数;
基于各个预推荐内容的推荐度,从多个预推荐内容中筛选出与所述目标用户最匹配的预推荐内容。
7.一种电子设备,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~5任意一项所述的个性化内容的推荐方法。
8.一种存储介质,其特征在于,所述存储介质上存储有指令,当指令在计算机上运行时,执行如权利要求1~5任意一项所述的个性化内容的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162121.XA CN117708437B (zh) | 2024-02-05 | 2024-02-05 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162121.XA CN117708437B (zh) | 2024-02-05 | 2024-02-05 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708437A CN117708437A (zh) | 2024-03-15 |
CN117708437B true CN117708437B (zh) | 2024-04-16 |
Family
ID=90162817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162121.XA Active CN117708437B (zh) | 2024-02-05 | 2024-02-05 | 一种个性化内容的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708437B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886074A (zh) * | 2014-03-24 | 2014-06-25 | 江苏名通信息科技有限公司 | 基于社交媒体的商品推荐系统 |
CN109697657A (zh) * | 2018-12-27 | 2019-04-30 | 厦门快商通信息技术有限公司 | 一种餐饮推荐方法、服务器及存储介质 |
WO2020081969A2 (en) * | 2018-10-18 | 2020-04-23 | Oracle International Corporation | Techniques for ranking content item recommendations |
CN113821654A (zh) * | 2021-06-30 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种多媒体数据推荐方法、装置、电子设备及存储介质 |
CN113962567A (zh) * | 2021-10-26 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
CN114419501A (zh) * | 2022-01-11 | 2022-04-29 | 平安普惠企业管理有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN114647739A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 实体链指方法、装置、电子设备及存储介质 |
CN115774810A (zh) * | 2021-09-07 | 2023-03-10 | 天翼电子商务有限公司 | 一种融合了序列信息的特征组合推荐算法框架 |
CN116204721A (zh) * | 2023-03-10 | 2023-06-02 | 南京邮电大学 | 基于用户记录反馈与搜索内容的概念格推荐方法及装置 |
CN116245592A (zh) * | 2022-09-07 | 2023-06-09 | 京东科技信息技术有限公司 | 物品信息推荐方法、装置和电子设备 |
CN116741411A (zh) * | 2023-06-19 | 2023-09-12 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种基于医疗大数据分析的智慧健康科普推荐方法、系统 |
-
2024
- 2024-02-05 CN CN202410162121.XA patent/CN117708437B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886074A (zh) * | 2014-03-24 | 2014-06-25 | 江苏名通信息科技有限公司 | 基于社交媒体的商品推荐系统 |
WO2020081969A2 (en) * | 2018-10-18 | 2020-04-23 | Oracle International Corporation | Techniques for ranking content item recommendations |
CN109697657A (zh) * | 2018-12-27 | 2019-04-30 | 厦门快商通信息技术有限公司 | 一种餐饮推荐方法、服务器及存储介质 |
CN113821654A (zh) * | 2021-06-30 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种多媒体数据推荐方法、装置、电子设备及存储介质 |
CN115774810A (zh) * | 2021-09-07 | 2023-03-10 | 天翼电子商务有限公司 | 一种融合了序列信息的特征组合推荐算法框架 |
CN113962567A (zh) * | 2021-10-26 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
CN114419501A (zh) * | 2022-01-11 | 2022-04-29 | 平安普惠企业管理有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN114647739A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 实体链指方法、装置、电子设备及存储介质 |
CN116245592A (zh) * | 2022-09-07 | 2023-06-09 | 京东科技信息技术有限公司 | 物品信息推荐方法、装置和电子设备 |
CN116204721A (zh) * | 2023-03-10 | 2023-06-02 | 南京邮电大学 | 基于用户记录反馈与搜索内容的概念格推荐方法及装置 |
CN116741411A (zh) * | 2023-06-19 | 2023-09-12 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种基于医疗大数据分析的智慧健康科普推荐方法、系统 |
Non-Patent Citations (3)
Title |
---|
cold start thread recommendation as extreme multi-label classification;Kishaloy Halder et al.;《Companion Proceedings of the Web Conference 2018》;20180430;1911-1918 * |
专利情报方法、工具、应用研究进展及新技术应用趋势;吕璐成;罗文馨;许景龙;王莉莉;马丽婧;赵亚娟;;情报学进展;20200731(第00期);240-283 * |
个性化推荐中的隐语义模型;王升升;赵海燕;陈庆奎;曹健;;小型微型计算机系统;20160515(第05期);3-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708437A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Effects of user-provided photos on hotel review helpfulness: An analytical approach with deep leaning | |
Cao et al. | A cross-media public sentiment analysis system for microblog | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN108319888B (zh) | 视频类型的识别方法及装置、计算机终端 | |
CN113254711B (zh) | 一种互动图像的显示方法、装置、计算机设备和存储介质 | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
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 | |
CN114332680A (zh) | 图像处理、视频搜索方法、装置、计算机设备和存储介质 | |
CN115131698B (zh) | 视频属性确定方法、装置、设备及存储介质 | |
CN110209810A (zh) | 相似文本识别方法以及装置 | |
Zhang et al. | Image clustering: An unsupervised approach to categorize visual data in social science research | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
CN117708437B (zh) | 一种个性化内容的推荐方法、装置、电子设备及存储介质 | |
CN116578729A (zh) | 内容搜索方法、装置、电子设备、存储介质和程序产品 | |
CN111242239A (zh) | 一种训练样本选取方法、装置、以及计算机存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN114048294B (zh) | 相似人群扩展模型训练方法、相似人群扩展方法和装置 | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
CN116205686A (zh) | 一种多媒体资源推荐的方法、装置、设备和存储介质 | |
CN115129849A (zh) | 题目表示的获取方法、设备以及计算机可读存储介质 | |
Liu et al. | Multimodal Wireless Situational Awareness-Based Tourism Service Scene | |
Cheng et al. | [Retracted] Recommendation Model of Tourist Attractions Based on Deep Learning | |
KR102266153B1 (ko) | 인공지능 기반 자가심리분석플랫폼을 통한 소비자 선호도를 제공하는 방법 | |
CN117454146A (zh) | 运维策略确定方法、装置、机器人、存储介质和程序产品 |
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 |