CN117807307A - 信息推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents
信息推荐方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117807307A CN117807307A CN202311597078.1A CN202311597078A CN117807307A CN 117807307 A CN117807307 A CN 117807307A CN 202311597078 A CN202311597078 A CN 202311597078A CN 117807307 A CN117807307 A CN 117807307A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- resource
- information
- recommendation
- 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 61
- 238000012549 training Methods 0.000 claims description 148
- 238000012545 processing Methods 0.000 claims description 69
- 238000012216 screening Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 14
- 230000006399 behavior Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种信息推荐方法、装置、电子设备及计算机可读存储介质,该电子设备包括:显示器,被配置为显示用户界面;通信器,被配置为接收携带有用户输入信息的推荐请求,用户输入信息用于确定被推荐用户;控制器,被配置为:响应于推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;确定并输出待推荐资源的推荐信息。应用本申请提供的电子设备,能够根据用户输入信息区分不同用户,为各用户推荐精准的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
Description
技术领域
本申请涉及智能终端技术领域,尤其涉及一种信息推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着智能终端技术的不断发展和人工智能(Artificial Intelligence,AI)技术的飞速进步,智能电视已经不再局限于传统的观看电视节目,而是成为一个集娱乐、信息获取、互动交流为一体的智能化终端。并且随着近年来多媒体内容运营平台的不断增多,智能电视对接的媒资供应商也越来越多元化,用户能够观看的多媒体资源也越来越丰富。
在海量资源的背景下,用户对多媒体资源的推荐要求也日益增长,期望能够根据个人兴趣和喜好,获得更加精准和个性化的推荐服务。如何为家庭中每个成员提供精准的、个性化的推荐服务,成为亟需解决的技术问题之一。
发明内容
本申请实施例提供一种信息推荐方法、装置、电子设备及计算机可读存储介质,用于解决现有技术中无法为每个家庭成员提供精准、个性化的推荐服务的问题。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,本申请实施例提供一种电子设备,包括:
显示器,被配置为显示用户界面;
通信器,被配置为接收携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
控制器,分别与所述显示器和所述通信器耦接,且被配置为:
响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
确定并输出所述待推荐资源的推荐信息。
在一些实施例中,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述控制器被配置为:
利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
在一些实施例中,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述控制器具体被配置为:
利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
在一些实施例中,所述评分子模型包括评分模块和筛选模块;
所述控制器具体被配置为:
利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
在一些实施例中,所述通信器还被配置为:接收训练好的通用推荐模型;
所述控制器还被配置为:
获取所述电子设备的设备信息;
根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述通信器还被配置为:接收训练好的通用推荐模型;
所述控制器还被配置为:
获取用户历史行为数据;
根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述控制器还被配置为:
获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
第二方面,本申请实施例提供一种信息推荐方法,应用于电子设备,所述方法包括:
获取携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
确定并输出所述待推荐资源的推荐信息。
在一些实施例中,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源,包括:
利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
在一些实施例中,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征,包括:
利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
在一些实施例中,所述评分子模型包括评分模块和筛选模块;
所述利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源,包括:
利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
在一些实施例中,所述获取训练好的推荐模型,包括:
获取训练好的通用推荐模型和所述电子设备的设备信息;
根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述获取训练好的推荐模型,包括:
获取训练好的通用推荐模型和用户历史行为数据;
根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述获取训练好的通用推荐模型,包括:
获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
第三方面,本申请实施例提供一种信息推荐装置,应用于电子设备,所述装置包括:
第一获取模块,用于获取携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
第二获取模块,用于响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
第一确定模块,用于根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
第二确定模块,用于确定并输出所述待推荐资源的推荐信息。
在一些实施例中,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述第一确定模块,包括:
第一处理单元,用于利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
第二处理单元,用于利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
第三处理单元,用于利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
在一些实施例中,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述第一处理单元,包括:
特征提取子单元,用于利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
识别子单元,用于利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
查询子单元,用于利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
在一些实施例中,所述评分子模型包括评分模块和筛选模块;
所述第三处理单元,包括:
处理子单元,用于利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
筛选子单元,用于根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
在一些实施例中,所述第二获取模块,包括:
第一获取单元,用于获取训练好的通用推荐模型和所述电子设备的设备信息;
第一调整单元,用于根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第二获取模块,包括:
第二获取单元,用于获取训练好的通用推荐模型和用户历史行为数据;
第二调整单元,用于根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第二获取模块,包括:
第三获取单元,用于获取训练好的通用推荐模型和所述电子设备的设备信息;
第三调整单元,用于根据所述设备信息,对所述通用推荐模型进行调整,得到训练好的设备推荐模型;
第四获取单元,用于获取用户历史行为数据;
第四调整单元,用于根据所述用户历史行为数据,对所述设备推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第一获取单元,包括:
获取子单元,用于获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
第一训练子单元,用于利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
第二训练子单元,用于利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
第三训练子单元,用于利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
第四方面,本申请实施例提供了一种电子设备,包括:处理器和存储器;
所述存储器被配置为存储计算机指令;
当所述电子设备运行时,所述处理器执行所述存储器存储的所述计算机指令,以使所述电子设备执行如上第二方面实施例提供的信息推荐方法。
第五方面,本申请实施例提供一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得所述电子设备执行如如上第二方面实施例提供的信息推荐方法。
第六方面,本申请实施例提供了一种包含计算机指令的计算机程序产品,当计算机指令在电子设备上运行时,使得电子设备可以执行如上第二方面实施例提供的信息推荐方法。
第七方面,本申请实施例提供了一种装置(例如,该装置可以是芯片系统),该装置包括处理器,被配置为支持电子设备实现上述第二方面中所涉及的功能。在一种可能的设计中,该装置还包括存储器,该存储器,用于保存电子设备必要的程序指令和数据。该装置是芯片系统时,可以由芯片构成,也可以包含芯片和其他分立器件。
当用户使用电子设备查看资源时,本申请实施例提供的电子设备获取到推荐请求,该推荐请求携带有用于确定用户身份的用户输入信息;电子设备根据该用户输入信息,可以确定出被推荐用户为哪一用户;然后响应于推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;最后确定该待推荐资源的推荐信息,并输出推荐信息。本申请实施例提供的电子设备通过用户输入信息能够区分不同用户,结合不同用户的兴趣和喜好,为其推荐与个人兴趣爱好精准匹配的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
附图说明
图1是本申请实施例提供的一种电子设备与控制装置的交互场景示意图;
图2是本申请实施例提供的一种控制装置的配置框图;
图3是本申请实施例提供的一种电子设备的硬件配置框图;
图4是本申请实施例提供的一种信息推荐方法的实现流程示意图;
图5是本申请实施例提供的信息推荐方法中获取训练好的推荐模型步骤的一种实现流程示意图;
图6是本申请实施例提供的信息推荐方法中获取训练好的推荐模型步骤的另一种实现流程示意图;
图7是本申请实施例提供的信息推荐方法中获取训练好的推荐模型步骤的又一种实现流程示意图;
图8是本申请实施例提供的信息推荐方法中获取训练好的通用推荐模型步骤的一种实现流程示意图;
图9是本申请实施例提供的信息推荐方法中确定被推荐用户对应的待推荐资源步骤的一种实现流程示意图;
图10是本申请实施例提供的信息推荐方法中确定被推荐用户的用户特征步骤的一种实现流程示意图;
图11是本申请实施例提供的信息推荐方法中确定待推荐资源的详细步骤的一种实现流程示意图;
图12是本申请实施例提供的一种信息推荐装置的组成结构示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
本申请中术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本申请中术语“和/或”,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,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
基于本申请描述的示例性实施例,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,都属于本申请所附权利要求保护的范围。此外,虽然本申请中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
随着智能家居的普及,越来越多的智能设备出现在家庭环境中,例如智能电视、智能冰箱。家庭环境中使用的智能设备与智能手机不同:智能手机的使用用户一般只有机主本人,而家庭设备的使用用户是家庭的所有成员,大多情况下是多个用户共用智能设备。现有技术中智能设备的推荐系统,主要存在以下缺陷:
1)推荐准确度有限。现有推荐系统主要基于用户历史行为(如点击、收藏、评分等历史行为)刻画用户画像,依此确定推荐内容。这种方法用户画像主要依赖于用户历史行为,在一些宽泛搜索场景中效果不佳,忽略了用户的潜在兴趣和喜好。
2)个性化程度不高。现有推荐系统主要以当前登录账号对应的一个用户为基础进行推荐,未考虑多个用户共用一个设备时多用户之间的差异。因此推荐系统无法区分共用一个设备的多个用户,导致推荐内容不够个性化。
3)推荐内容比较固定。对同一个用户进行多次推荐时,由于短时间内用户画像几乎不变,导致推荐的资源比较固定。
为了解决上述问题,本申请实施例提供一种信息推荐方法、装置、电子设备及计算机可读存储介质。当电子设备接收到推荐请求,根据推荐请求确定用户输入信息,该用户输入信息用于确定待推荐用户;然后响应于推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;最后确定该待推荐资源的推荐信息,并输出推荐信息。通过用户输入信息能够区分不同用户,结合不同用户的兴趣和喜好,为其推荐与个人兴趣爱好精准匹配的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
图1是本申请实施例提供的一种电子设备与控制装置的交互场景示意图。如图1所示,至少一个用户(图1中示出了两个用户400-1和用户400-2)可通过智能设备300和控制装置100操作电子设备200。
在一些实施例中,控制装置100可以是遥控器。控制装置100和电子设备200可以通过红外协议、蓝牙协议通信,或者控制装置100也可以通过无线或其他有线方式来控制电子设备200。本申请实施例对电子设备200和控制装置100之间的通信协议不作限制。
用户400-1和用户400-2都可以通过控制装置100上的按键、语音输入、控制面板等输入用户指令,来控制电子设备200。例如,用户400-1可以通过控制装置100上的上下键控制电子设备200切换显示的页面,通过播放暂停键控制电子设备200播放的视频播放或暂停,通过语音输入键输入语音指令(如“看电影”),控制电子设备200执行相应的推荐操作,确定出与该用户400-1相对应的推荐内容(如向用户400-1推荐电影1、电影2、电影3)。又例如,用户400-2也可以通过语音输入语音指令(如“看电影”),控制电子设备200执行相应的推荐操作,确定出与该用户400-2相对应的推荐内容(如向用户400-2推荐电影2、电影4、电影5)。
在一些实施例中,用户400-1和用户400-2也可以使用移动终端、平板电脑、计算机、笔记本电脑和其他智能设备300来控制电子设备200。例如,用户可以通过安装在智能设备300上的应用程序控制电子设备200,该应用程序通过配置可以在与智能设备300关联的屏幕上,在直观的用户界面中为用户提供各种控制。
在一些实施例中,智能设备300可与电子设备200安装的软件应用,通过网络通信协议实现连接通信,实现一对一控制操作和数据通信的目的。例如,可以实现用智能设备300与电子设备200建立控制指令协议,将遥控控制键盘同步到智能设备300上,通过控制智能设备300上的用户界面,实现控制电子设备200的功能,或者也可以将智能设备300上显示的内容传输到电子设备200上,实现同步显示的功能。
在一些实施例中,电子设备200可以不使用上述的智能设备300或控制装置100接收指令,而是通过除控制装置100和智能设备300之外设置的设备或器件来接收指令。例如,通过语音、指纹、掌纹、人脸识别、手势等方式接收用户的控制指令(例如开机、关机指令)。除控制装置100和智能设备300之外设置的设备或器件,可以是设置在电子设备200内部的设备或器件(例如传感器),也可以是设置在电子设备200外部的设备或器件(例如墙体上设置的控制面板)。
如图1所示,在一些实施例中,电子设备200还与服务器500进行数据通信。可允许电子设备200通过局域网(Local Area Network,LAN)、无线局域网(Wireless Local AreaNetworks,WLAN)和其他网络进行通信连接。服务器500可以向电子设备200提供各种内容和互动。例如,电子设备200通过发送和接收消息,以及电子节目指南(Electrical ProgramGuide,EPG)互动,接收软件程序更新,或访问远程储存的数字媒体库。其中,服务器500可以是一个集群,也可以是多个集群,可以包括一类或多类服务器。
本申请实施方式提供的电子设备可以具有多种实施形式,例如,可以是电视机、智能电视、激光投影设备、显示器(monitor)、电子白板(electronic bulletin board)、电子桌面(electronic table)、空调、洗衣机等具有信息推荐功能的电子设备。具体设备类型,尺寸大小和分辨率等不作限定。与电子设备对应的,本申请实施方式提供的控制装置为控制对应电子设备的控制装置。本申请实施例中对电子设备和控制装置的具体形态不做限制。下面以电子设备为智能电视为例,对本申请实施例提供的信息推荐方法、装置进行示意说明。
图2示出了本申请实施例提供的一种控制装置的配置框图,如图2所示,控制装置100包括控制器110、通信接口130、用户输入/输出接口140、存储器120、供电电源150。控制装置100可以接收用户输入的操作指令,且将操作指令转换为电子设备200可识别和响应的指令,在用户与电子设备200之间起交互中介作用。
示例性的,以电子设备200为电视机为例,图3示出了本申请实施例提供的一种电子设备的硬件配置框图。如图3所示,电子设备200包括:调谐解调器210、通信器220、检测器230、外部装置接口240、控制器250、显示器260、音频输出接口270和存储器、供电电源、用户接口中的至少一种。
调谐解调器210可以通过有线或无线接收方式接收广播电视信号,以及从多个无线或有线广播电视信号中解调出音视频信号,如EPG数据信号。检测器230可以用于采集外部环境或与外部交互的信号。
在一些实施例中,调谐解调器210解调的频点受到控制器250的控制,控制器250可根据用户选择发出控制信号,以使得调制解调器响应用户选择的电视信号频率以及调制解调该频率所携带的电视信号。
广播电视信号可根据电视信号广播制式不同区分为地面广播信号、有线广播信号、卫星广播信号或互联网广播信号等。或者根据调制类型不同可以区分为数字调制信号,模拟调制信号等。再或者根据信号种类不同区分为数字信号、模拟信号等。
在一些实施例中,控制器250和调谐解调器210可以位于不同的分体设备中,即调谐解调器210也可在控制器250所在的主体设备的外置设备中,如外置机顶盒等。
在一些实施例中,通信器220可以是用于根据各种通信协议类型与外部设备或外部服务器进行通信的组件。例如:通信器可以包括WiFi芯片,蓝牙通信协议芯片,有线以太网通信协议芯片等其他网络通信协议芯片或近场通信协议芯片,以及红外接收器中的至少一种。
在一些实施例中,检测器230可以用于采集外部环境或与外部交互的信号,可以包括光接收器和温度传感器等。
其中,光接收器可以用于采集环境光线强度的传感器,以及根据环境光线强度自适应调整显示参数等;温度传感器可以用于感测环境温度,使得电子设备200可以自适应调整图像的显示色温,如当环境温度偏高时,可以调整电子设备200显示图像的色温偏冷色调,或者当环境温度偏低时,可以调整电子设备200显示图像的色温偏暖色调。
在一些实施例中,检测器230还可以包括图像采集器,如相机、摄像头等,可以用于采集外部环境场景,以及用于采集用户的属性或与用户交互手势,可以自适应变化显示参数,也可以识别用户手势和人脸等,以实现与用户之间互动的功能。例如,通过摄像头采集用户人脸图像,以根据人脸图像识别当前用户为哪一用户。
在一些实施例中,检测器230还可以包括声音采集器等,如麦克风,可以用于接收用户400-1或用户400-2的声音,使得电子设备200可以根据不同声音对应的声纹信息识别声音来自哪一用户,即识别当前说话的用户是哪一用户。又例如,包括用户控制电子设备200的控制指令的语音信号,或采集环境声音,用于识别环境场景类型,使得电子设备200可以自适应适应环境噪声。
在一些实施例中,外部装置接口240可以包括,但不限于如下:高清多媒体接口(High Definition Multimedia Interface,HDMI)、模拟或数据高清分量输入接口、复合视频输入接口、通行串行总线(Universal Serial Bus,USB)输入接口、RGB端口等任一个或多个接口,或者也可以是上述多个接口形成复合性的输入/输出接口。
如图3所示,控制器250可以包括中央处理器,视频处理器,音频处理器,图形处理器,随机存取存储器(Random Access Memory,RAM),只读存储器(Read-Only Memory,ROM),用于输入/输出的第一接口至第n接口中的至少一种。其中,通信总线连接各个部件。
在一些实施例中,控制器250可以通过存储在外部存储器上的各种软件控制程序,来控制电子设备200的工作和响应用户的操作。例如,用户可在显示器260上显示的图形用户界面GUI输入用户命令,则用户输入接口通过图形用户界面接收用户输入命令,或者用户可通过输入特定的声音或手势进行输入用户命令,则用户输入接口通过传感器识别出声音或手势,来接收用户输入命令。
“用户界面”是应用程序或操作系统与用户之间进行交互和信息交换的介质接口,它实现信息的内部形式与用户可以接受形式之间的转换。用户界面常用的表现形式是图形用户界面,是指采用图形方式显示的与计算机操作相关的用户界面。它可以是在电子设备的显示屏中显示的一个图标、窗口、控件等界面元素,其中控件可以包括图标、按钮、菜单、选项卡、文本框、对话框、状态栏、导航栏、微件(Web widget,简称Widget)等可视的界面元素中的至少一种。
在一些实施例中,RAM可以用于存储操作系统或其他正在运行中的程序的临时数据;ROM可以用于存储各种系统启动的指令,例如,可以用于存储一个基本输入输出系统,称为基本输入输出系统(Basic Input Output System,BIOS)启动的指令。ROM可以用于完成对系统的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统。
在一些实施例中,在收到开机信号时,电子设备200电源开始启动,中央处理器运行ROM中系统启动指令,将存储在存储器的操作系统的临时数据拷贝至RAM中,以便于启动或运行操作系统。当操作系统启动完成后,中央处理器再将存储器中各种应用程序的临时数据拷贝至RAM中,然后,以便于启动或运行各种应用程序。
在一些实施例中,中央处理器可以用于执行存储在存储器中操作系统和应用程序指令,以及根据接收外部输入的各种交互指令,来执行各种应用程序、数据和内容,以便最终显示和播放各种音视频内容。
在一些示例性实施例中,中央处理器可以包括多个处理器。多个处理器可包括一个主处理器以及一个或多个子处理器。主处理器,用于在预加电模式中执行电子设备200一些操作,和/或在正常模式下显示画面的操作。一个或多个子处理器,用于在待机模式等状态下一种操作。
在一些实施例中,视频处理器可以被配置为将接收外部视频信号,根据输入信号的标准编解码协议,进行解压缩、解码、缩放、降噪、帧率转换、分辨率转换、透明度设置、图像合成等等视频处理,可得到直接可电子设备200上显示或播放的信号。
在一些实施例中,视频处理器可以包括解复用模块、视频解码模块、图像合成模块、帧率转换模块、显示格式化模块等。
其中,解复用模块用于对输入音视频数据流进行解复用处理,如输入活动图像专家组标准2(Moving Picture Experts Group-2,MPEG-2),则解复用模块进行解复用成视频信号和音频信号等;视频解码模块则用于对解复用后的视频信号进行处理,包括解码和缩放处理、透明度设置等。
图像合成模块,如图像合成器,其用于将图形生成器根据用户输入或自身生成的GUI信号,与缩放处理后视频图像进行叠加混合处理,以生成可供显示的图像信号。帧率转换模块,用于对转换输入视频帧率,如将60Hz帧率转换为120Hz帧率或240Hz帧率,通常的格式采用如插帧方式实现。显示格式化模块,则用于将接收帧率转换后视频输出信号,改变信号以符合显示格式的信号,如输出RGB数据信号。
在一些实施例中,音频处理器可以用于接收外部的音频信号,根据输入信号的标准编解码协议,进行解压缩和解码,以及降噪、数模转换、和放大处理等处理,得到可以在扬声器中播放的声音信号。
在一些实施例中,视频处理器可以包括一颗或多颗芯片组成。音频处理器,也可以包括一颗或多颗芯片组成。同时,视频处理器和音频处理器可以是单独的一颗芯片,也可以与控制器250一起集成在一颗或多颗芯片中。
在一些实施例中,用于输入/输出的接口可以用于进行音频输出,即在控制器250的控制下接收音频处理器输出的声音信号,并输出至扬声器等外放装置,以及除了电子设备200自身携带的扬声器之外,可以输出至外接设备的发生装置的外接音响输出端子,如:外接音响接口或耳机接口等。音频输出还可以包括通信接口中的近距离通信模块,例如:用于进行蓝牙连接的扬声器声音输出的蓝牙模块。
在一些实施例中,图形处理器可以用于产生各种图形对象,如:图标、操作菜单、以及用户输入指令显示图形等。图形处理器可以包括运算器,通过接收用户输入各种交互指令进行运算,根据显示属性显示各种对象。以及包括渲染器,对基于运算器得到的各种对象,进行渲染,上述渲染后的对象用于显示在显示器上。
在一些实施例中,图形处理器可以和视频处理器可以集成设置,也可以分开设置,集成设置的时候可以执行输出给显示器的图形信号的处理,分离设置的时候可以分别执行不同的功能,例如图形处理器(Graphics Processing Unit,GPU)+帧频率转换技术(FrameRate Conversion,FRC)架构。
在一些实施例中,控制器250分别与显示器260和通信器220耦接,且被配置为:响应于推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;确定并输出待推荐资源的推荐信息。
在一些实施例中,推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
在一些实施例中,控制器250被配置为:利用用户特征识别子模型对用户输入信息进行处理,得到被推荐用户的用户特征;利用资源特征识别子模型对新增资源信息和历史资源信息进行处理,得到各资源的资源特征;利用评分子模型对用户特征和各资源的资源特征进行处理,得到待推荐资源。
在一些实施例中,用户特征识别子模型包括特征提取模块、识别模块和查询模块;
在一些实施例中,控制器250具体被配置为:利用特征提取模块对用户输入信息进行特征提取,得到用户输入特征;利用识别模块对用户输入特征进行识别,确定被推荐用户;利用查询模块查询被推荐用户的特征,得到用户特征。
在一些实施例中,评分子模型包括评分模块和筛选模块;
在一些实施例中,控制器250具体被配置为:利用评分模块对用户特征和各资源的资源特征进行处理,得到被推荐用户对各资源的兴趣评分;根据各资源的兴趣评分,利用筛选模块在各资源中进行筛选,得到待推荐资源。
在一些实施例中,通信器220还被配置为:接收训练好的通用推荐模型;
在一些实施例中,控制器250还被配置为:获取电子设备的设备信息;根据设备信息,对通用推荐模型进行调整,得到训练好的推荐模型。
在一些实施例中,通信器还被配置为:接收训练好的通用推荐模型;
在一些实施例中,控制器250还被配置为:获取用户历史行为数据;根据用户历史行为数据,对通用推荐模型进行调整,得到训练好的推荐模型。
在一些实施例中,控制器250还被配置为:获取初始推荐模型和训练数据,训练数据包括用户训练数据和资源训练数据,初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;利用用户训练数据对初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;利用资源训练数据对初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;利用用户训练数据和资源训练数据对初步训练好的用户特征识别子模型、初步训练好的资源特征识别子模型和初始评分子模型进行训练,得到训练好的通用推荐模型。
显示器260可以是液晶显示器、OLED显示器、触控显示器以及投影显示器中的至少一种,还可以为一种投影装置和投影屏幕。
在一些实施例中,显示器260可以用于显示用户界面,如可以用于显示电子设备200对应的界面,例如,显示界面可以是电子设备200中的频道搜索界面,或者也可以是某个应用程序的显示界面,或者也可以是推荐信息的显示界面等。
在一些实施例中,显示器260可以用于接收音频处理器和视频处理器输出的音视频信号,显示视频内容和图像、播放视频内容的音频,以及显示菜单操控界面的组件。
在一些实施例中,显示器260可以用于呈现电子设备200中产生且用于控制电子设备200的用户操作UI界面。
在一些实施例中,电子设备200可以通过通信器220与控制装置100或内容提供设备之间建立控制信号和数据信号发送和接收。
在一些实施例中,存储器可以包括存储用于驱动电子设备200的各种软件模块。如:第一存储器中存储的各种软件模块,包括:基础模块、检测模块、通信模块、推荐控制模块、显示控制模块、浏览器模块和各种服务模块等中的至少一种。
其中,基础模块用于电子设备200中各个硬件之间信号通信、并向上层模块发送处理和控制信号的底层软件模块。检测模块用于从各种传感器或用户输入接口中收集各种信息,并进行数模转换以及分析管理的管理模块。
推荐控制模块可以用于控制控制器进行信息推荐的模块,可以用于确定推荐信息。显示控制模块可以用于控制显示器进行显示图像内容的模块,可以用于输出推荐信息、播放多媒体图像内容和UI界面等。通信模块,可以用于与外部设备之间进行控制和数据通信的模块。浏览器模块,可以用于执行浏览服务器之间数据通信的模块。服务模块,用于提供各种服务以及各类应用程序在内的模块。同时,存储器还可以用存储接收外部数据和用户数据、各种用户界面中各个项目的图像以及焦点对象的视觉效果图等。
在一些实施例中,用户接口可以用于接收控制装置100,如:红外遥控器等发送的红外控制信号。
供电电源可以在控制器250控制下,通过外部电源输入的电力为电子设备200提供电。
在一些实施例中,电子设备200可以通过通信器220接收用户输入信息。例如,当通信器220为触控组件时,触控组件可以与显示器260共同构成触摸屏。在触摸屏上不同的用户可以通过触摸操作输入不同的用户输入信息,如用户可以输入点击、滑动、长按、双击等用户输入信息,不同的用户输入信息可以代表不同的用户。
为了实现上述不同的触摸动作,触控组件可以在用户输入不同触摸动作时,产生不同的电信号,并将产生的电信号发送给控制器250。控制器250可以对接收到的电信号进行特征提取,从而根据提取的特征确定用户输入信息。
例如,当用户400-1在显示界面中的推荐位置输入点击触摸动作时,触控组件将感应到触摸动作从而产生光信号和/或电信号。控制器250在接收到光信号和/或电信号后,可以对光信号和/或电信号中触摸动作对应电平信息进行判断,在电平信息与预先存储的第一指纹信息相匹配时,识别出执行触摸动作的用户是用户400-1;在电平信息的持续时间小于预设时间阈值时,识别出用户输入的是点击触控指令。控制器250可以对电信号产生的位置特征进行提取,从而确定触摸位置。当触摸位置在推荐位置范围内时,确定用户400-1在推荐位置输入了点击触控指令。然后,控制器250可以启动多媒体资源推荐功能,为用户400-1推荐其感兴趣的多媒体资源,达到准确、个性化推荐的效果。
在一些实施例中,用户可以通过触摸屏上的特定手势操作触发推荐操作,如当用户400-2在显示界面上连续进行两次双指点击的操作时,控制器250可以对连续两次双指点击的间隔时间进行判断,在间隔时间小于预设时间阈值时,识别出用户输入的是连续双指点击操作,确定用户触发推荐操作。
在一些实施例中,在触摸屏上用户可以通过触摸操作输入语音指令,如用户可以通过语音触发手势在显示器260上触发语音推荐操作。
在一些实施例中,通信器220也可以是外接控制组件,如可以是与电子设备200建立通信连接的鼠标、遥控器等。当用户在外接控制组件上执行不同的控制操作时,外接控制组件可以响应于用户的控制操作,产生不同的控制信号,并将产生的控制信号发送给控制器250。控制器250可以对接收到的控制信号进行特征提取,从而根据提取的特征确定用户要执行的控制功能。
例如,当用户通过外接控制组件在频道显示界面中的任一位置点击鼠标左键时,外接控制组件可以感应到控制动作从而产生控制信号。控制器250在接收到控制信号后,可以根据控制信号中控制动作在所在位置的停留时间,在停留时间小于预设时间阈值时,识别出用户通过外界控制组件输入的是点击指令。点击指令在当前场景下用于触发推荐指令的输入功能的指令或者切换页面的指令。
再例如,当用户按下遥控器上的语音键时,遥控器可以启动语音录入功能,在用户录入语音指令的过程中,遥控器可以将语音指令同步给显示器260,此时显示器260可以显示语音录入标识,以表示用户正在录入语音指令。
在一些实施例中,通信器220还可以是与显示器260连接的控制组件,以台式电脑为例,控制组件可以是与显示器连接的键盘。用户可以通过键盘输入不同的控制指令,如页面切换指令、推荐指令等。
示例性的,用户可以通过相应的快捷键,输入点击指令、语音指令等。例如,用户可以通过选择“Tab”键和方向键触发滑动操作,即当用户在键盘上同时选择“Tab”键和方向键时,控制器250可以接收到该按键信号,确定用户触发了向方向键对应的方向进行切换操作的操作,然后,控制器250可以控制在推荐信息展示页面中对显示界面进行翻页或滚动,以显示对应的资源选项。
相应的,用户也可以通过相应的快捷键,输入语音指令。例如,当用户选择“Ctrl”键和“V”键时,控制器250可以接收到按键信号,确定用户触发了语音搜索操作,然后,控制器250可以接收用户输入的语音指令,并按照语音指令控制显示器260执行相应操作,如显示语音指令对应的推荐结果页面。
下面详述本申请实施例提供的信息推荐方法,图4是本申请实施例提供的一种信息推荐方法的实现流程示意图,该方法可以应用于图1所示的电子设备200。
其中,电子设备200可以包括显示器260、通信器220和分别与显示器260和通信器220耦接的控制器250。显示器260可以用于显示用户界面,用户界面是用户与电子设备200的交互界面,用户可以通过控制操作,如触控操作、手势操作等向电子设备200发送指令,以实现某种任务。用户界面具有完善的交互式设计,可以使用户轻松完成一项任务。
例如,用户界面可以是推荐界面,用户可以通过推荐界面中的搜索框输入搜索关键词,或者用户界面也可以是推荐信息输出页面,该推荐信息输出页面可以包括推荐给当前用户的多个多媒体资源,当前用户可以选择其中某个多媒体资源进行显示或播放。通信器220可以用于接收携带有用户输入信息的推荐请求,该用户输入信息用于确定被推荐用户。推荐请求可以是指控制器250进行信息推荐。
根据本申请实施例提供的信息推荐方法,电子设备可以接收携带有用户输入信息的推荐请求,该用户输入信息用于确定被推荐用户。响应于接收到的推荐请求,确定需要进行信息推荐,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;确定并输出待推荐资源的推荐信息。
应用本申请实施例提供的方案,电子设备通过用户输入信息能够区分不同用户,结合不同用户的兴趣和喜好,为其推荐与个人兴趣爱好精准匹配的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
如图4所示,本申请实施例提供的信息推荐方法,包括以下步骤:
步骤S401,获取携带有用户输入信息的推荐请求。
其中,推荐请求携带的用户输入信息,可以用于确定被推荐用户。
示例性的,用户输入信息可以为电子设备或控制装置采集到的用户400-1的语音信息,例如,“看电影”。基于该语音信息生成推荐请求,发送到电子设备的控制器。控制器获取推荐请求,对其进行解析,得到的用户输入信息为“看电影”音频信息。不同用户的音色一般是不同的,控制器根据该音频信息对应的声纹信息,可以确定出被推荐用户为用户400-1。
又一示例性的,用户输入信息可以为电子设备采集到的用户400-2的人脸信息。基于该人脸信息生成推荐请求,发送到电子设备的控制器。控制器获取推荐请求,对其进行解析,得到的用户输入信息为用户400-2的人脸图像信息。控制器根据人脸图像进行人脸识别,可以确定出被推荐用户为用户400-2。
本申请实施例中,用户输入信息还可以包括音频信息、人脸图像信息、指纹信息、掌纹信息、静脉信息等生物特征信息,也可以包括手势信息、用户行为信息等非生物特征信息。需要说明的是,当用户输入信息为非生物特征信息,不同的非生物特征信息对应的用户不同。
步骤S402,响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息。
电子设备可以从服务器获取训练好的推荐模型、新增资源信息和历史资源信息。
其中,推荐模型用于根据被推荐用户的特征,为被推荐用户推荐与其兴趣喜好相匹配的资源。示例性的,该资源可以包括电影、电视剧、漫画、音乐、短视频、体育、综艺、小说、游戏、新闻等各种类型的资源。本申请实施例中,推荐模型可以由服务器训练得到,可以由其他设备训练得到,还可以由电子设备自身训练得到,并存储在服务器端或本地存储器。
资源信息可以包括资源的属性信息和实时指数信息。例如资源为电影,电影的属性信息可以包括电影标识、电影名称、上映时间、类型、宣传海报、导演、主演、剧情等固定信息。电影的实时指数信息可以包括实时热度、评分、累计票房、累计观看人次等流动信息。
历史资源信息可以包括某时间之前的所有资源信息,新增资源信息可以包括该时间之后的所有资源信息。示例性的,该时间可以为上次为当前被推荐用户推荐信息的时间,也可以为距离当前时间预设时长的时间,也可以为预设的时间值。例如,历史资源信息可以包括上次推荐时资源库包括的所有资源的信息,新增资源信息可以包括上次推荐时间至今资源库新增的所有资源的信息。又例如,历史资源信息可以包括三个月之前上映的所有电影资源的信息,新增资源信息可以包括三个月之内上映的所有电影资源的信息。再例如历史资源信息可以包括今年1月1日之前上映的所有电影资源的信息,新增资源信息可以包括今年1月1日至今上映的所有电影资源的信息。
本申请实施例中,在进行信息推荐时,考虑资源更新,区分新增资源和历史资源,在推荐时,可以优先为用户推荐新增资源,有利于用户查看最新资源,避免在用户画像固定的前提下,推荐给同一用户的资源固定不变。
步骤S403,根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源。
电子设备通过推荐模型,对用户输入信息、新增资源信息和历史资源信息进行处理,得到至少一个待推荐资源,该至少一个待推荐资源是结合被推荐用户的用户特征和各资源的资源特征确定出的与被推荐用户的兴趣喜好相匹配的资源。
在一些实施例中,在利用推荐模型对用户输入信息、新增资源信息和历史资源信息进行处理之前,可以对用户输入信息、新增资源信息和历史资源信息中至少一项信息进行预处理,去除无关噪音数据,能够提高推荐信息的准确度,为用户推荐更加准确、个性化的资源信息。
在一些实施例中,推荐模型可以为根据样本数据训练好的原始模型,也可以为根据实际应用过程中采集的实际使用数据对原始模型进行优化后的模型,还可以为根据当前设备信息对原始模型进行优化后的模型。
步骤S404,确定并输出所述待推荐资源的推荐信息。
确定出待推荐资源后,可以根据待推荐资源的资源信息,生成推荐信息,并将其输出,以便被推荐用户查看。其中,待推荐资源可以为一个,也可以多个,按照匹配度降低的排序方式、以列表形式在推荐界面显示。
本申请实施例提供的信息推荐方法,通过电子设备获取推荐请求,该推荐请求携带有用于确定用户身份的用户输入信息;根据该用户输入信息,可以确定出被推荐用户为哪一用户;然后响应于推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;根据用户输入信息、新增资源信息、历史资源信息和推荐模型,确定被推荐用户对应的待推荐资源;最后确定该待推荐资源的推荐信息,并输出推荐信息。该方法通过用户输入信息能够区分不同用户,结合不同用户的兴趣和喜好,为其推荐与个人兴趣爱好精准匹配的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
在实际应用中,若电子设备为智能手机,用户使用智能手机时,智能手机更多情况是竖屏状态,因此在确定待推荐资源时,优先为被推荐用户推荐竖屏类型的资源。若电子设备为电视机,在确定待推荐资源时,优先为被推荐用户推荐横屏类型的资源。若电子设备为超高清电视机,在确定待推荐资源时,优先为被推荐用户推荐横屏类型的高分辨率资源。若电子设备为三维立体影像电视机(即3D电视机),在确定待推荐资源时,优先为被推荐用户推荐横屏类型的3D资源。本申请实施例中,对同一待推荐用户,使用不同电子设备时,可以结合电子设备的设备信息为其推荐更合适的资源。
为了实现上述推荐功能,在一些实施例中,上述步骤S402中的“获取训练好的推荐模型”,可以包括图5所示的步骤S402a1和步骤S402a2:
步骤S402a1,获取训练好的通用推荐模型和所述电子设备的设备信息。
本申请实施例中,通用推荐模型可以由服务器基于训练数据训练得到、并发送到电子设备,也可以由电子设备基于样本数据训练得到。
电子设备的设备信息可以包括但不限于电子设备的设备类型、屏幕尺寸、分辨率、支持的资源类型等信息。
步骤S402a2,根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
通用推荐模型是基于样本数据训练得到的,其中样本数据与设备无关。本申请实施例中为了提高推荐资源的匹配度,可以根据电子设备的设备类型、屏幕尺寸、分辨率、支持的资源类型等信息对通用推荐模型进行调整,得到训练好的推荐模型。该推荐模型可以根据设备信息,对同一用户使用的不同设备推荐不同的资源。
例如,当电子设备为手机时,确定的待推荐资源可以为竖屏版的《xxx》,也可以为《xxx》的解说视频,还可以按照优先顺序为其同时推荐竖屏版的《xxx》、《xxx》的解说视频和横屏版的《xxx》。当电子设备为电视机时,确定的待推荐资源可以为横屏版《xxx》,也可以为《xxx》的相关剪辑视频,还可以按照优先顺序为其同时推荐横屏版《xxx》、《xxx》的相关剪辑视频和竖屏版的《xxx》。
本申请实施例提供的方法,结合电子设备的设备信息对通用训练模型进行调整,得到训练好的推荐模型。使用该推荐模型进行资源推荐,在实现个性化推荐的基础上,能够根据电子设备的设备信息为用户推荐更加合适的资源,进一步提高推荐效果。
在实际应用中,电子设备推荐给用户的推荐信息,若符合用户预期,用户会对其做出点击、收藏、评分、评论等反馈行为。该些反馈行为可以应用于确定该用户之后的推荐信息,有助于提高该用户的推荐准确度。基于此,本申请实施例中,在获取到训练好的通用推荐模型后,可以结合用户的历史行为数据,对通用推荐模型进行更新,以为其推荐更加准确、个性化的资源。
在一些实施例中,上述步骤S402中的“获取训练好的推荐模型”,可以包括图6所示的步骤S402b1和步骤S402b2:
步骤S402b1,获取训练好的通用推荐模型和用户历史行为数据。
本申请实施例中,通用推荐模型可以由服务器基于训练数据训练得到、并发送到电子设备,也可以由电子设备基于样本数据训练得到。
用户历史行为数据可以包括但不限于用户过去执行的点击、收藏、评论、评分、搜索、交易等操作的数据。
步骤S402b2,根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
通过分析用户历史行为数据,对用户的兴趣和喜好进行更新,实现用户画像的更新。基于更新后的用户画像,确定的用户特征有所不同。基于此,根据用户历史行为数据对通用推荐模型进行不断地调整,得到训练好的推荐模型,能够为被推荐用户提供更加准确的、符合个性化需求的推荐信息。
本申请实施例提供的方法,结合用户历史行为数据对通用训练模型进行调整,得到训练好的推荐模型。使用该推荐模型进行资源推荐,能够为用户提供更加准确的、更符合个性化需求的推荐信息,进一步提高推荐效果。
在实际应用过程中,电子设备获得训练好的通用推荐模型后,既可以仅根据图5所示的实施例,结合电子设备的设备信息对通用推荐模型进行更新;也可以仅根据图6所示的实施例,结合用户历史行为数据对通用推荐模型进行更新;还可以同时考虑电子设备的设备信息和用户历史行为数据,对通用推荐模型进行更新。
在一些实施例中,上述步骤S402中的“获取训练好的推荐模型”,可以包括图7所示的步骤S402c1至步骤S402c4:
步骤S402c1,获取训练好的通用推荐模型和所述电子设备的设备信息。
本申请实施例中,通用推荐模型可以由服务器基于训练数据训练得到、并发送到电子设备,也可以由电子设备基于样本数据训练得到。
电子设备的设备信息可以包括但不限于电子设备的设备类型、屏幕尺寸、分辨率、支持的资源类型等信息。
步骤S402c2,根据所述设备信息,对所述通用推荐模型进行调整,得到训练好的设备推荐模型。
通用推荐模型是基于样本数据训练得到的,其中样本数据与设备无关。本申请实施例中为了提高推荐资源的匹配度,可以根据电子设备的设备类型、屏幕尺寸、分辨率、支持的资源类型等信息对通用推荐模型进行调整,得到训练好的设备推荐模型。该设备推荐模型可以根据设备信息,对同一用户使用的不同设备推荐不同的资源。
步骤S402c3,获取用户历史行为数据。
用户历史行为数据可以包括但不限于用户过去执行的点击、收藏、评论、评分、搜索、交易等操作的数据。
用户历史行为数据可以是用户针对训练好的设备推荐模型推荐的推荐信息执行的历史操作的数据,也可以是用户针对训练好的通用推荐模型推荐的推荐信息执行的历史操作的数据。本申请实施例不作限定。
步骤S402c4,根据所述用户历史行为数据,对所述设备推荐模型进行调整,得到所述训练好的推荐模型。
通过分析用户历史行为数据,对用户的兴趣和喜好进行更新,实现用户画像的更新。基于更新后的用户画像,确定的用户特征有所不同。基于此,根据用户历史行为数据对经过设备信息调整后得到的设备推荐模型进行进一步地调整,得到训练好的推荐模型。使用该推荐模型,考虑不同设备信息、不同用户历史行为数据,可以为被推荐用户提供更加准确的、符合个性化需求的推荐信息,更进一步地提高推荐效果。
在一些实施例中,图5所示实施例中的步骤S402a1,或者图6所示实施例中的步骤S402b1,又或者图7所示实施例中的步骤S402c1中的“获取训练好的通用推荐模型”,可以通过如图8所示的步骤S40211至步骤S40214来实现。
步骤S40211,获取初始推荐模型和训练数据。
本申请实施例中,通用推荐模型可以由电子设备基于样本数据训练得到。首先电子设备构建初始推荐模型,并获取训练数据。
其中,初始推荐模型可以包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型。
本申请实施例中,该训练数据包括用户训练数据和资源训练数据。用户训练数据可以包括用户标识、性别、年龄、职业、声音、人脸/手指/掌纹图像、手势等数据。资源训练数据可以包括资源标识、类型、名称等数据。其中,用户训练数据用于确定样本用户特征(即样本用户画像),资源训练数据用于确定样本资源特征(即样本资源画像)。
步骤S40212,利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型。
在实际应用中,若不存在用户训练数据对应的用户标签数据,基于用户训练数据训练初始用户特征识别子模型时,可以包括以下步骤:利用初始用户特征识别子模型对用户训练数据进行处理,得到第一用户特征;根据第一用户特征确定第一损失函数;基于第一损失函数对初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型。
在实际应用中,若存在用户训练数据对应的用户标签数据,基于用户训练数据训练初始用户特征识别子模型时,可以包括以下步骤:利用初始用户特征识别子模型对用户训练数据进行处理,得到第一用户特征;根据第一用户特征和用户标签数据,确定第一损失函数;基于第一损失函数对初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型。
步骤S40213,利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型。
在实际应用中,若不存在资源训练数据对应的资源标签数据,基于资源训练数据训练初始资源特征识别子模型时,可以包括以下步骤:利用初始资源特征识别子模型对资源训练数据进行处理,得到第一资源特征;根据第一资源特征确定第二损失函数;基于第二损失函数对初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型。
在实际应用中,若存在资源训练数据对应的资源标签数据,基于资源训练数据训练初始资源特征识别子模型时,可以包括以下步骤:利用初始资源特征识别子模型对资源训练数据进行处理,得到第一资源特征;根据第一资源特征和资源标签数据,确定第二损失函数;基于第二损失函数对初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型。
步骤S40214,利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
在实际应用中,若不存在评分标签数据,基于用户训练数据和资源训练数据训练初步训练好的用户特征识别子模型、初步训练好的资源特征识别子模型和初始评分子模型时,可以包括以下步骤:利用初步训练好的用户特征识别子模型对用户训练数据进行处理,得到第二用户特征;利用初步训练好的资源特征识别子模型对资源训练数据进行处理,得到第二资源特征;利用初始评分子模型对第二用户特征和第二资源特征进行处理,得到训练评分;根据训练评分确定第三损失函数;基于第三损失函数对初步训练好的用户特征识别子模型、初步训练好的资源特征识别子模型和初始评分子模型进行训练,得到训练好的通用推荐模型。
在实际应用中,若存在评分标签数据,基于用户训练数据和资源训练数据训练初步训练好的用户特征识别子模型、初步训练好的资源特征识别子模型和初始评分子模型时,可以包括以下步骤:利用初步训练好的用户特征识别子模型对用户训练数据进行处理,得到第二用户特征;利用初步训练好的资源特征识别子模型对资源训练数据进行处理,得到第二资源特征;利用初始评分子模型对第二用户特征和第二资源特征进行处理,得到训练评分;根据训练评分和评分标签数据,确定第三损失函数;基于第三损失函数对初步训练好的用户特征识别子模型、初步训练好的资源特征识别子模型和初始评分子模型进行训练,得到训练好的通用推荐模型。
本申请实施例中,电子设备训练通用推荐模型时,可以基于有标签数据的训练数据进行训练,也可以基于无标签数据的训练数据进行训练,本申请实施例不作限定。
在一些实施例中,上述步骤S402中获取的训练好的推荐模型,也可以为电子设备训练好的通用推荐模型。也就是说,电子设备在进行信息推荐时,使用的推荐模型可以为未经过设备信息和用户历史行为数据调整的通用推荐模型。
在一些实施例中,推荐模型可以包括用户特征识别子模型、资源特征识别子模型和评分子模型。上述步骤S403“根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源”,可以包括图9所示的步骤S4031至步骤S4033:
步骤S4031,利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征。
在一些实施例中,用户特征识别子模型可以包括特征提取模块、识别模块和查询模块。被推荐用户的用户特征,可以根据图10所示的以下步骤来确定:
步骤S40311,利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征。
用户输入信息可以包括能够确定用户身份的任一输入信息。
步骤S40312,利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户。
用户特征可以包括但不限于用户标识、性别、年龄、职业、声音、人脸图像、手指图像、掌纹图像和特征手势等特征。
步骤S40313,利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
在一示例中,用户输入信息可以为音频信息。电子设备根据音频信息确定声纹特征,不同用户的声纹特征不同,因此基于声纹特征在预先存储的用户列表中能够确定出当前说话的用户。将该当前说话的用户确定为被推荐用户,查询该被推荐用户的特征,得到被推荐用户的用户特征。
另一示例中,用户输入信息可以为人脸/手指/掌纹图像信息。电子设备根据人脸/手指/掌纹图像信息确定人脸//手指/掌纹特征,不同用户的人脸//手指/掌纹特征不同,因此基于人脸//手指/掌纹特征在预先存储的用户列表中能够确定出当前用户。将该当前用户确定为被推荐用户,查询该被推荐用户的特征,得到被推荐用户的用户特征。
又一示例中,用户输入信息可以为能够区分不同用户的特定手势信息。电子设备根据特定手势信息确定特定特征,基于特定特征在预先存储的用户列表中能够确定出当前用户。将该当前用户确定为被推荐用户,查询该被推荐用户的特征,得到被推荐用户的用户特征。
实际应用中,用户输入信息还可以为能够区分不同用户的其他输入信息。在家庭成员为多个时,可以根据各家庭成员输入的信息区分不同成员,从而基于推荐模型为不同家庭成员推荐符合各成员个性化需求的推荐信息。
步骤S4032,利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征。
将新增资源信息和历史资源信息输入至资源特征识别子模型进行特征提取,得到各资源的资源特征。
在一些实施例中,可以对各历史资源的资源特征进行存储。当此次进行推荐时所利用的推荐模型和上次进行推荐时所利用的推荐模型相同(即推荐模型未更新)时,资源特征识别子模型未更新,因此无需再次利用资源特征识别子模型对历史资源信息进行处理,可以直接查询得到各历史资源的资源特征。
实际应用中,资源信息可以包括资源标识、类型、名称、简介、资源图像、创作时间、实时/历史热度、创作者、评分等信息。
步骤S4033,利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
在一些实施例中,评分子模型可以包括评分模块和筛选模块。待推荐资源可以根据图11所示的以下步骤来确定:
步骤S40331,利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分。
将被推荐用户的用户特征和各资源的资源特征输入评分子模型进行评分,得到各资源的兴趣评分。
在一些实施例中,资源的兴趣评分的高低,可以与资源的更新时间负相关。例如多媒体资源的更新时间(或者称为上传时间、上映时间等)距离当前时间越久,在推荐模型未更新的前提下,对同一被推荐用户确定的兴趣评分越来越小,实现优先为用户推荐新增资源的效果。
需要说明的是,利用评分子模型对各资源进行评分得到的兴趣评分,是指当前被推荐用户对各资源的兴趣、喜好程度的兴趣评分,该兴趣评分与资源自身的评分信息不同。
步骤S40332,根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
根据各资源的兴趣评分筛选待推荐资源时,筛选模块可以根据兴趣评分,从高到低选择前面预设数量(记为N)评分的资源作为待推荐资源;也可以根据兴趣评分,从前2N评分的资源中随机选择N个资源作为待推荐资源;还可以根据兴趣评分,从未被被推荐用户点击过的前2N评分的资源中随机选择N个资源作为待推荐资源。
本申请实施例提供的方法,利用推荐模型对用户输入信息和资源信息进行处理,确定出的与被推荐用户的兴趣喜好相匹配的待推荐资源。通过该方法,能够结合不同用户的兴趣和喜好,为其推荐与个人兴趣爱好精准匹配的、个性化的、持续更新的待推荐资源,达到提升电子设备推荐服务质量和智能化水平的效果。
图12是本申请实施例提供的一种信息推荐装置的组成结构示意图,应用于电子设备,如图12所示,该目标检测装置1200包括:
第一获取模块1201,用于获取携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
第二获取模块1202,用于响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
第一确定模块1203,用于根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
第二确定模块1204,用于确定并输出所述待推荐资源的推荐信息。
在一些实施例中,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述第一确定模块1203,包括:
第一处理单元,用于利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
第二处理单元,用于利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
第三处理单元,用于利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
在一些实施例中,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述第一处理单元,包括:
特征提取子单元,用于利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
识别子单元,用于利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
查询子单元,用于利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
在一些实施例中,所述评分子模型包括评分模块和筛选模块;
所述第三处理单元,包括:
处理子单元,用于利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
筛选子单元,用于根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
在一些实施例中,所述第二获取模块1202,包括:
第一获取单元,用于获取训练好的通用推荐模型和所述电子设备的设备信息;
第一调整单元,用于根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第二获取模块1202,包括:
第二获取单元,用于获取训练好的通用推荐模型和用户历史行为数据;
第二调整单元,用于根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第二获取模块1202,包括:
第三获取单元,用于获取训练好的通用推荐模型和所述电子设备的设备信息;
第三调整单元,用于根据所述设备信息,对所述通用推荐模型进行调整,得到训练好的设备推荐模型;
第四获取单元,用于获取用户历史行为数据;
第四调整单元,用于根据所述用户历史行为数据,对所述设备推荐模型进行调整,得到所述训练好的推荐模型。
在一些实施例中,所述第一获取单元,包括:
获取子单元,用于获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
第一训练子单元,用于利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
第二训练子单元,用于利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
第三训练子单元,用于利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
需要指出的是:以上装置示例性实施例项的描述,与上述方法描述是类似的,具有同方法对应的示例性实施例相同的有益效果。对于本申请装置示例性实施例中未披露的技术细节以及相应有益技术效果,本领域的技术人员请参照本申请方法示例性实施例的描述而理解,在此不再赘述。
本申请实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在显示设备/显示控制装置上运行时,使得所述显示设备/显示控制装置执行上述任意方法实施例中的信息推荐方法。
可执行指令具体可以用于使得显示设备/显示控制装置执行上述信息推荐方法。
在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读存储介质的更具体的例子(非穷举的列表)可以包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。此外,本申请实施例也不针对任何特定编程语言。
在此处所提供的说明书中,说明了大量具体细节。然而能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。类似地,为了精简本申请并帮助理解各个申请方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。其中,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (16)
1.一种电子设备,其特征在于,包括:
显示器,被配置为显示用户界面;
通信器,被配置为接收携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
控制器,分别与所述显示器和所述通信器耦接,且被配置为:
响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
确定并输出所述待推荐资源的推荐信息。
2.根据权利要求1所述的电子设备,其特征在于,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述控制器被配置为:
利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
3.根据权利要求2所述的电子设备,其特征在于,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述控制器具体被配置为:
利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
4.根据权利要求2所述的电子设备,其特征在于,所述评分子模型包括评分模块和筛选模块;
所述控制器具体被配置为:
利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
5.根据权利要求1所述的电子设备,其特征在于,所述通信器还被配置为:接收训练好的通用推荐模型;
所述控制器还被配置为:
获取所述电子设备的设备信息;
根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
6.根据权利要求1所述的电子设备,其特征在于,所述通信器还被配置为:接收训练好的通用推荐模型;
所述控制器还被配置为:
获取用户历史行为数据;
根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
7.根据权利要求1所述的电子设备,其特征在于,所述控制器还被配置为:
获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
8.一种信息推荐方法,其特征在于,应用于电子设备,所述方法包括:
获取携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
确定并输出所述待推荐资源的推荐信息。
9.根据权利要求8所述的方法,其特征在于,所述推荐模型包括用户特征识别子模型、资源特征识别子模型和评分子模型;
所述根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源,包括:
利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征;
利用所述资源特征识别子模型对所述新增资源信息和所述历史资源信息进行处理,得到各资源的资源特征;
利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源。
10.根据权利要求9所述的方法,其特征在于,所述用户特征识别子模型包括特征提取模块、识别模块和查询模块;
所述利用所述用户特征识别子模型对所述用户输入信息进行处理,得到所述被推荐用户的用户特征,包括:
利用所述特征提取模块对所述用户输入信息进行特征提取,得到用户输入特征;
利用所述识别模块对所述用户输入特征进行识别,确定所述被推荐用户;
利用所述查询模块查询所述被推荐用户的特征,得到所述用户特征。
11.根据权利要求9所述的方法,其特征在于,所述评分子模型包括评分模块和筛选模块;
所述利用所述评分子模型对所述用户特征和各所述资源的资源特征进行处理,得到所述待推荐资源,包括:
利用所述评分模块对所述用户特征和各所述资源的资源特征进行处理,得到所述被推荐用户对各所述资源的兴趣评分;
根据各所述资源的兴趣评分,利用所述筛选模块在各资源中进行筛选,得到所述待推荐资源。
12.根据权利要求8所述的方法,其特征在于,所述获取训练好的推荐模型,包括:
获取训练好的通用推荐模型和所述电子设备的设备信息;
根据所述设备信息,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
13.根据权利要求8所述的方法,其特征在于,所述获取训练好的推荐模型,包括:
获取训练好的通用推荐模型和用户历史行为数据;
根据所述用户历史行为数据,对所述通用推荐模型进行调整,得到所述训练好的推荐模型。
14.根据权利要求12或13所述的方法,其特征在于,所述获取训练好的通用推荐模型,包括:
获取初始推荐模型和训练数据,所述训练数据包括用户训练数据和资源训练数据,所述初始推荐模型包括初始用户特征识别子模型、初始资源特征识别子模型和初始评分子模型;
利用所述用户训练数据对所述初始用户特征识别子模型进行训练,得到初步训练好的用户特征识别子模型;
利用所述资源训练数据对所述初始资源特征识别子模型进行训练,得到初步训练好的资源特征识别子模型;
利用所述用户训练数据和所述资源训练数据对所述初步训练好的用户特征识别子模型、所述初步训练好的资源特征识别子模型和所述初始评分子模型进行训练,得到所述训练好的通用推荐模型。
15.一种信息推荐装置,其特征在于,应用于电子设备,所述装置包括:
第一获取模块,用于获取携带有用户输入信息的推荐请求,所述用户输入信息用于确定被推荐用户;
第二获取模块,用于响应于所述推荐请求,获取训练好的推荐模型、新增资源信息和历史资源信息;
第一确定模块,用于根据所述用户输入信息、所述新增资源信息、所述历史资源信息和所述推荐模型,确定所述被推荐用户对应的待推荐资源;
第二确定模块,用于确定并输出所述待推荐资源的推荐信息。
16.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在电子设备上运行时,使得所述电子设备执行如权利要求8-14中任一项所述的信息推荐方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597078.1A CN117807307A (zh) | 2023-11-27 | 2023-11-27 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597078.1A CN117807307A (zh) | 2023-11-27 | 2023-11-27 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117807307A true CN117807307A (zh) | 2024-04-02 |
Family
ID=90430761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597078.1A Pending CN117807307A (zh) | 2023-11-27 | 2023-11-27 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807307A (zh) |
-
2023
- 2023-11-27 CN CN202311597078.1A patent/CN117807307A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210352239A1 (en) | Smart television and method for displaying graphical user interface of television screen shot | |
CN110737840B (zh) | 语音控制方法及显示设备 | |
CN109618206B (zh) | 呈现用户界面的方法和显示设备 | |
CN111372109B (zh) | 一种智能电视以及信息交互方法 | |
CN112163086B (zh) | 多意图的识别方法、显示设备 | |
CN112000820A (zh) | 一种媒资推荐方法及显示设备 | |
WO2022032916A1 (zh) | 一种显示系统 | |
CN111625716B (zh) | 媒资推荐方法、服务器及显示设备 | |
CN111818378B (zh) | 显示设备及人物识别展示的方法 | |
CN111770370A (zh) | 显示设备、服务器及媒资推荐的方法 | |
CN111949782A (zh) | 一种信息推荐方法和服务设备 | |
CN111556350B (zh) | 一种智能终端及人机交互方法 | |
CN111654732A (zh) | 一种广告播放方法及显示设备 | |
CN111914134A (zh) | 一种关联推荐方法、智能设备及服务设备 | |
CN111083538A (zh) | 一种背景图像的显示方法及设备 | |
CN113132776A (zh) | 一种显示设备 | |
CN113489938A (zh) | 虚拟会议控制方法、智能设备及终端设备 | |
CN113468351A (zh) | 一种智能设备及图像处理方法 | |
CN113490060B (zh) | 一种显示设备及确定常用联系人的方法 | |
CN111950288B (zh) | 一种命名实体识别中的实体标注方法及智能设备 | |
CN112053688B (zh) | 一种语音交互方法及交互设备、服务器 | |
CN113115081B (zh) | 显示设备、服务器及媒资推荐方法 | |
CN117807307A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112883144A (zh) | 一种信息交互方法 | |
CN114339346B (zh) | 显示设备及图像识别结果显示方法 |
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 |