JP2021149929A - コンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体 - Google Patents

Abstract

【課題】モバイルインターネットの分野のコンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体を提供する。【解決手段】コンテンツ推奨方法において、推奨対象となるユーザに対して、推奨待ちの候補コンテンツ及びユーザのユーザ特徴ラベルとを取得する１０１。候補コンテンツ及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ及びＮ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定する１０２。確定された推奨スキームに従ってユーザに推奨コンテンツを返す１０３。【選択図】図１

Description

本出願は、コンピュータアプリケーション技術に関し、特に、モバイルインターネットの分野のコンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体に関する。

現在、ユーザに向けてコンテンツ推奨を行う場合、推奨コンテンツには、通常、例えば、グラフィック、ビデオ、ライブブロードキャストなどのさまざまな異なるタイプ（異なるシナリオ）のコンテンツを含む。これらの異なるタイプのコンテンツは、通常、固定比率で組み合わされた後に固定順序でユーザに表示され、異なるユーザに対してパーソナライズされた推奨を実現することができなく、推奨効果が悪いことなどを招く。

これに鑑み、本出願は、コンテンツ推奨方法、装置、電子機器、及び記憶媒体を提供する。

コンテンツ推奨方法であって、
推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルを取得し、
候補コンテンツ、及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、Ｎは、１よりも大きい正の整数であり、且つ、候補コンテンツの数以下であり、
推奨スキームに従って、ユーザに推奨コンテンツを返す、ことを含む。

本出願の好ましい実施例によれば、ユーザ特徴ラベルは、収集されたユーザの所定の情報に基づいて生成され、
所定の情報は、ユーザ基本属性情報、及びユーザによる履歴推奨コンテンツに対するユーザ行為情報を含む。

本出願の好ましい実施例によれば、この方法は、周期的に、最も新しく収集された所定の情報に応じて、ユーザ特徴ラベルに対して最適化の更新を行うことをさらに含む。

本出願の好ましい実施例によれば、候補コンテンツ、及びユーザ特徴ラベルに応じて、推奨スキームを確定することは、候補コンテンツ、及びユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力し、出力された推奨スキームを取得することを含む。

本出願の好ましい実施例によれば、第１の推奨モデルをトレーニングして得ることは、収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、トレーニングサンプルに応じて第１の推奨モデルをトレーニングして得ることを含む。

本出願の好ましい実施例によれば、この方法は、
周期的に、最も新しく収集されたユーザ行為情報に応じて、第１の推奨モデルを最適化の更新を行い、
及び/又は、
第２の推奨モデルを取得し、第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて第２の推奨モデルが第１の推奨モデルよりも優れたと確定されれば、第１の推奨モデルに代えて第２の推奨モデルを使用する、ことをさらに含む。

本出願の好ましい実施例によれば、第２の推奨モデルに対してスモールフローテストを行うことは、候補コンテンツ、及びユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合、ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、候補コンテンツ、及びユーザ特徴ラベルを第２の推奨モデルに入力し、出力された推奨スキームを取得し、ヒットされない場合に、候補コンテンツ、及びユーザ特徴ラベルを第１の推奨モデルに入力し、出力された推奨スキームを取得することを含み、
スモールフローテストの結果に応じて第２の推奨モデルが第１の推奨モデルよりも優れたと確定することは、第２の推奨モデルの推奨効果と第１の推奨モデルの推奨効果とを比較し、第２の推奨モデルの推奨効果が第１の推奨モデルの推奨効果よりも優れれば、第２の推奨モデルが第１の推奨モデルよりも優れたと確定されたことを含む。

コンテンツ推奨装置であって、
情報取得ユニットと、コンテンツ推奨ユニットとを含み、
情報取得ユニットは、推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルを取得するために用いられ、
コンテンツ推奨ユニットは、候補コンテンツ、及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、推奨スキームに従って、ユーザに推奨コンテンツを返すために用いられ、Ｎは、１よりも大きい正の整数であり、且つ、候補コンテンツの数以下である。

本出願の好ましい実施例によれば、装置は、収集されたユーザの所定の情報に基づいてユーザ特徴ラベルを生成するための第１の前処理ユニットをさらに含み、
所定の情報は、ユーザ基本属性情報及びユーザによる履歴推奨コンテンツに対するユーザ行為情報を含む。

本出願の好ましい実施例によれば、第１の前処理ユニットは、さらに、周期的に、最も新しく収集された所定の情報に応じて、ユーザ特徴ラベルに対して最適化の更新を行うために用いられる。

本出願の好ましい実施例によれば、コンテンツ推奨ユニットは、候補コンテンツ、及びユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力し、出力された推奨スキームを取得する。

本出願の好ましい実施例によれば、装置は、収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、トレーニングサンプルに応じて第１の推奨モデルをトレーニングして得るための第２の前処理ユニットをさらに含む。

本出願の好ましい実施例によれば、第２の前処理ユニットは、さらに、周期的に、最も新しく収集されたユーザ行為情報に応じて、第１の推奨モデルに対して最適化の更新を行うために用いられ、
及び/又は、
第２の前処理ユニットは、さらに、第２の推奨モデルを取得し、コンテンツ推奨ユニットにより第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて第２の推奨モデルが第１の推奨モデルよりも優れたと確定されれば、第１の推奨モデルに代えて第２の推奨モデルを使用するために用いられる。

本出願の好ましい実施例によれば、コンテンツ推奨ユニットは、候補コンテンツ、及びユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合に、ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、候補コンテンツ、及びユーザ特徴ラベルを第２の推奨モデルに入力し、出力された推奨スキームを取得し、ヒットされない場合に、候補コンテンツ、及びユーザ特徴ラベルを第１の推奨モデルに入力し、出力された推奨スキームを取得し、
第２の前処理ユニットは、第２の推奨モデルの推奨効果と第１の推奨モデルの推奨効果とを比較し、第２の推奨モデルの推奨効果が第１の推奨モデルの推奨効果よりも優れれば、第２の推奨モデルが第１の推奨モデルよりも優れたと確定された。

電子機器であって、
少なくとも一つのプロセッサーと、
少なくとも一つのプロセッサーに通信接続されるメモリと、を含み、
メモリには、少なくとも一つのプロセッサーによって実行可能なコマンドが記憶されており、コマンドが少なくとも一つのプロセッサーによって実行されることで、少なくとも一つのプロセッサーに上記に記載の方法を実行させることができる。

コンピュータに上記に記載の方法を実行させるためのコンピュータコマンドが記憶されている非一時的コンピュータ可読記録媒体である。

上記の出願における一実施例は、例えば、以下の利点又は有益な効果を有する。異なるユーザに対して、それぞれ、ユーザのユーザ特徴ラベルなどに応じてユーザに適用する推奨スキーム、例えば、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択したＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序などを確定することができ、異なるユーザ向けのパーソナライズされた推奨を実現し、そして、推奨コンテンツ及び表示順序などはユーザのニーズにより合致し、これにより、推奨結果の正確性が向上し、推奨効果が改善され、推奨コンテンツの表示効果が最大化され、推奨コンテンツ全体がユーザによってクリックされる確率が高くなるようにする等して、ユーザ特徴ラベルを周期的に最適化の更新を行うことができ、推奨コンテンツが最も新しいユーザのニーズに合致でき、ひいては、推奨効果などがさらに向上し、予めトレーニングして得られた推奨モデルを利用して推奨スキームを確定でき、実現方式は簡単で便利であり、且つ良い正確性などを有し、推奨モデルを周期的に最適化の更新を行うか、スモールフロー実験に基づいてモデル置き換えなどを行い、これにより、モデルの性能は最適化され、さらに、推奨効果などを向上させる。

添付の図面は、この方案をよりよく理解するためのものであり、本出願の制限を構成するものではない。
本出願に係るコンテンツ推奨方法の第１の実施例のフローチャートである。 本出願に係るコンテンツ推奨方法の第２の実施例のフローチャートである。 本出願に係るコンテンツ推奨装置３０の実施例の概略構造図である。 本出願の実施例による方法の電子機器のブロック図である。

以下、図面に基づいて、本出願の例示的な実施例を記述する。理解を容易にするために、本出願の実施例の様々な詳細が含まれており、それらは単なる例示と見なされるべきである。当業者は、本出願の範囲及び精神から逸脱することなく、本明細書に記載の実施形態に対して様々な変更及び修正を行うことができることを認識するはずである。明らか、簡明のために、以下の説明では、よく知られた機能と構造の説明は省略される。

また、「及び/又は」という用語は、関連オブジェクトを説明する関連関係にすぎないことが理解されたい。つまり、３種類の関係が存在する可能性があることを意味する。例えば、Ａ及び/又はＢは、Ａが単独で存在し、ＡとＢが同時に存在、Ｂが単独で存在する場合を示すことができる。本明細書の文字「/」は、通常、前後関連するオブジェクトが「又は」関係であることを示す。

図１は、本出願に係るコンテンツ推奨方法の第１の実施例のフローチャートである。図１に示すように、以下の具体的な実現方式を含む。

１０１において、推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルとを取得する。

１０２において、候補コンテンツ、及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、なお、Ｎは、１よりも大きい正の整数であり、且つ、候補コンテンツの数以下である。

１０３において、確定された推奨スキームに従ってユーザに推奨コンテンツを返す。
いずれかのユーザ、例えば、あるコンテンツ推奨ａｐｐを使用するユーザに対して、コンテンツ推奨を行う必要がある場合に、まず、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルと、を取得してもよい。

如何に推奨待ちの候補コンテンツを取得するかは従来の技術である。候補コンテンツには、グラフィック、ビデオ、及びライブブロードキャストなどの異なるタイプのコンテンツを含んでもよい。

ユーザ特徴ラベルは予め生成されてもよく、好ましくは、収集された所定の情報に基づいて生成されてもよい。所定の情報は、ユーザ基本属性情報、及びユーザによる履歴推奨コンテンツに対するユーザ行為情報などを含んでもよい。

なお、ユーザ基本属性情報は、ユーザの年齢、性別、学歴などを含んでもよく、ユーザ基本属性情報の収集方式は限定されない。

ユーザがコンテンツ推奨ａｐｐを使用する場合、ユーザによる推奨コンテンツに対するユーザ行為情報をリアルタイムで採集して記憶し、ユーザによる履歴推奨コンテンツに対するユーザ行為情報を取得することができる。ユーザ行為情報には、ユーザがクリックした種類又はタイプのコンテンツ、クリック時間、閲覧期間、ユーザがあるタイプのコンテンツをクリックした後に次にクリックしたコンテンツのタイプのコンテンツなどを含んでもよく、具体的にどのような情報を含むのは、実際のニーズに応じて定められてもよい、原則として、詳細であるほど良いと言える。リアルタイム・ストリーミング技術を使用してユーザ行為情報を採集してもよく、リアルタイム・ストリーミング技術はｓｐａｒｋ及ｋａｆｋａなどを含んでもよい。採集されたユーザ行為情報を、分散記憶システム、例えば、ｈａｄｏｏｐなどに記憶してもよい。

所定の情報には、上記のユーザ基本属性情報及びユーザ行為情報に加えて、他の情報を含んでもよく、具体的にどのような情報を含むのは、同様に、実際のニーズに応じて定められてもよく、例えば、事業拡大後にビジネスのために収集する必要があるその他の情報をさらに含んでもよい。

収集された所定の情報に応じてユーザ特徴ラベルを生成してもよく、即ち、収集された所定の情報を、一定の次元に従って、ユーザ特徴ラベル、例えば、若者、マスター、高給、スターチェイス、ＳＦ映画などにまとめて分類され、これらのユーザ特徴ラベルはユーザ属性、ユーザ関心点などを反映できる。

好ましくは、さらに、周期的に、最も新しく収集された所定の情報によりユーザ特徴ラベルを最適化の更新し、例えば、毎日所定の時間に最適化の更新を行い、これにより、ユーザ特徴ラベルはユーザの関心点などの変化に応じて更新され、ユーザの最も新しい関心点などを体現する。

候補コンテンツ、及びユーザ特徴ラベルを取得した後に、候補コンテンツ、及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序などを含む推奨スキームを確定することができる。Ｎは、１よりも大きい正の整数であり、且つ、候補コンテンツの数以下である。Ｎの具体的な値は、実際のニーズに応じて定められてもよく、例えば、ユーザに２０のコンテンツを推奨してもよい。

好ましくは、候補コンテンツ、及びユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力することにより、出力された推奨スキームを取得してもよい。

そのために、事前に、収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、トレーニングサンプルに応じて第１の推奨モデルをトレーニングして得てもよい。また、さらに、ユーザ行為情報に応じてテストサンプルを構築し、テストサンプルを利用して第１の推奨モデルの效果をテスト/検証してもよい。如何にトレーニングサンプルを構築し、及びサンプルをテストするかは従来の技術である。第１の推奨モデルをトレーニングする場合に、同様に、ユーザ特徴ラベルと結びつけて行う必要がある。

また、さらに、周期的に、最も新しく収集されたユーザ行為情報に応じて第１の推奨モデルを最適化の更新し、例えば、毎日所定の時間に最適化の更新をしてもよく、継続的にオンラインのユーザからのフィードバック基づいて学習して最適化することできる。

及び/又は、第２の推奨モデルを取得し、第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて第２の推奨モデルが第１の推奨モデルよりも優れたと確定されれば、第１の推奨モデルに代えて第２の推奨モデルを使用できる。

第２の推奨モデルはＲ＆Ｄエンジニアが開発した新しいバージョンの推奨モデルであってもよく、例えば、第１の推奨モデルと比べて、第２の推奨モデルの構造又はアルゴリズムなど変更されている可能性があり、第２の推奨モデルの效果を確定するために、スモールフローテストを行ってもよい。例えば、ユーザの大部分が依然として第１の推奨モデルを使用し、ユーザの一部が第２の推奨モデルを使用して、推奨効果を比較し、つまり、第２の推奨モデルの推奨効果と第１の推奨モデルの推奨効果とを比較し、第２の推奨モデルの推奨効果が第１の推奨モデルの推奨効果よりも優れれば、第２の推奨モデルが第１の推奨モデルよりも優れたと確定できる。

推奨効果は、例えば、コンテンツの露出量、クリック量、クリック率、閲覧時間などのデータ指標で測定できる。第２の推奨モデルを採用すると指標が増加傾向を示している場合、第１の推奨モデルに代えて第２の推奨モデルを使用でき、全てのユーザは代えた第１の推奨モデルを使用する。

それに対応して、候補コンテンツ、及びユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合に、まず、ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、候補コンテンツ、及びユーザ特徴ラベルを第２の推奨モデルに入力し、出力された推奨スキームを取得し、ヒットされない場合に、候補コンテンツ、及びユーザ特徴ラベルを第１の推奨モデルに入力し、出力された推奨スキームを取得してもよい。

上記の説明に基づいて、図２は、本出願に係るコンテンツ推奨方法の第２の実施例のフローチャートである。図２に示すように、以下の具体的な実現方式を含む。

２０１において、ユーザ要求を取得する。

２０２において、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルを取得する。

ユーザ特徴ラベルは、収集されたユーザの所定の情報に基づいて生成されてもよい。所定の情報は、ユーザ基本属性情報、及びユーザによる履歴推奨コンテンツに対するユーザ行為情報を含んでもよい。また、周期的に、最も新しく収集された所定の情報に応じて、ユーザ特徴ラベルに対して最適化の更新を行う。

本実施例における取得された候補コンテンツは、グラフィック、ビデオ及びライブブロードキャストの三つのタイプコンテンツからなるものとする。

２０３において、ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされない場合に、２０４を実行し、ヒットされた場合に、２０５を実行する。

例えば、ユーザの９５％が第１の推奨モデルを使用し、残りの５％のユーザが第２の推奨モデルを使用すると、ユーザが「５%のユーザ」に属するかどうかを確定でき、如何に確定するかは従来の技術である。

２０４において、候補コンテンツ、及びユーザ特徴ラベルを第１の推奨モデルに入力し、その後、２０６を実行する。

収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、トレーニングサンプルに応じて第１の推奨モデルをトレーニングして得てもよい。

２０５において、候補コンテンツ、及びユーザ特徴ラベルを第２の推奨モデルに入力し、その後、２０６を実行する。

第２の推奨モデルは、Ｒ＆Ｄエンジニアが開発した新しいバージョンの推奨モデルであってもよく、例えば、第１の推奨モデルと比べて、第２の推奨モデルの構造又はアルゴリズムなど変更されている可能性がある。

２０６において、出力された推奨スキームを取得し、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序を含み、なお、Ｎは、１よりも大きい正の整数であり且つ、候補コンテンツの数以下である。

Ｎの値は、通常、候補コンテンツの数よりも小さい。例えば、候補コンテンツの数は２０であり、Ｎの値は１０であり、つまり、最終的にユーザに１０の推奨コンテンツを表示し、候補コンテンツに８のグラフィックコンテンツ、６のビデオコンテンツ、及び６のライブブロードキャストコンテンツをそれぞれ含むと仮定し、推奨スキームにおけるグラフィック、ビデオ及びライブブロードキャストの割合がそれぞれ３%、３%、４%であると仮定すると、推奨スキームには、どの３つのグラフィックコンテンツ、どの３つのビデオコンテンツ、及びどの４つのライブブロードキャストコンテンツを選択したかをさらに含んでもよく、ひいては、推奨スキームには、各グラフィックコンテンツ、各ビデオコンテンツ、及び各ライブブロードキャストコンテンツの表示順序をさらに含んでもよく、例えば、表示順序は、グラフィックコンテンツ１、ビデオコンテンツ２、ビデオコンテンツ３、ライブブロードキャストコンテンツ１、グラフィックコンテンツ２、ライブブロードキャストコンテンツ２、ライブブロードキャストコンテンツ３、グラフィックコンテンツ３、ビデオコンテンツ１、ライブブロードキャストコンテンツ４であってもよい。

２０７において、推奨スキームに従って、ユーザに推奨コンテンツを返す。

ユーザは、推奨スキームに従って表示された各推奨コンテンツを見る。

また、経時後、第２の推奨モデルの推奨効果と、第１の推奨モデルの推奨効果とを比較し、第２の推奨モデルの推奨効果が第１の推奨モデルの推奨効果よりも優れれば、第２の推奨モデルが第１の推奨モデルよりも優れたと確定でき、第１の推奨モデルに代えて第２の推奨モデルを使用できる。

なお、上記の各方法の実施例は簡明化のために一連のアクションの組み合わせとして説明されていることに留意すべきであり、ただし、本出願は説明されたアクションの順番に限定されず、本出願によると、幾つかのステップは、他の順番で又は同時に実行されてよいことを、当業者は理解すべきである。また、本明細書で説明される実施例は全て好ましい実施例であり、かかるアクション及びモジュールは必須でないかもしれないことも、当業者は理解すべきである。

上記の実施例では、各実施例の説明に重点を置いており、ある実施例で詳細に説明されていない部分については、他の実施例の関連する説明を参照されたい。

要するに、本出願の方法実施例に係る方案を採用すると、異なるユーザに対して、それぞれ、ユーザのユーザ特徴ラベルなどに応じてユーザに適用する推奨スキーム、例えば、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択したＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序などを確定することができ、異なるユーザ向けのパーソナライズされた推奨を実現し、そして、推奨コンテンツ及び表示順序などはユーザのニーズにより合致し、これにより、推奨結果の正確性が向上し、推奨効果が改善され、推奨コンテンツの表示効果が最大化され、推奨コンテンツ全体がユーザによってクリックされる確率が高くなるようにする等して、ユーザ特徴ラベルを周期的に最適化の更新を行うことができ、推奨コンテンツが最も新しいユーザのニーズに合致でき、ひいては、推奨効果などがさらに向上し、予めトレーニングして得られた推奨モデルを利用して推奨スキームを確定でき、実現方式は簡単で便利であり、且つ良い正確性などを有し、推奨モデルを周期的に最適化の更新を行うか、スモールフロー実験に基づいてモデル置き換えなどを行い、これにより、モデルの性能は最適化され、さらに、推奨効果などを向上させる。

以上は方法実施例についての説明であり、装置実施例により、本出願に係る方案を以下さらに説明する。

図３は、本出願に係るコンテンツ推奨装置３０の実施例の概略構造図である。図３に示すように、情報取得ユニット３０１と、コンテンツ推奨ユニット３０２とを含む。

情報取得ユニット３０１は、推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及びユーザのユーザ特徴ラベルを取得するために用いられる。

コンテンツ推奨ユニット３０２は、候補コンテンツ、及びユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択されたＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、推奨スキームに従って、ユーザに推奨コンテンツを返すために用いられ、なお、Ｎは、１よりも大きい正の整数であり、且つ、候補コンテンツの数以下である。

図３に示された装置は、収集されたユーザの所定の情報に基づいてユーザ特徴ラベルを生成するための第１の前処理ユニット３００をさらに含んでもよい。所定の情報は、ユーザ基本属性情報、及びユーザによる履歴推奨コンテンツに対するユーザ行為情報を含んでもよい。

収集された所定の情報に応じてユーザ特徴ラベルを生成してもよく、つまり、収集された所定の情報を、一定の次元に従って、ユーザ特徴ラベル、例えば、若者、マスター、高給、スターチェイス、ＳＦ映画などにまとめて分類され、これらのユーザ特徴ラベルはユーザ属性、ユーザ関心点などを反映できる。

また、第１の前処理ユニット３００は、さらに、周期的に、最も新しく収集された所定の情報に応じて、ユーザ特徴ラベルに対して最適化の更新をしてもよい。

コンテンツ推奨ユニット３０２は、候補コンテンツ、及びユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力し、出力された推奨スキームを取得してもよい。

それに対応して、図３に示された装置は、収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、トレーニングサンプルに応じて第１の推奨モデルをトレーニングして得るための第２の前処理ユニット３０３さらに含んでもよい。

第２の前処理ユニット３０３は、さらに、周期的に、最も新しく収集されたユーザ行為情報に応じて第１の推奨モデルに対して最適化の更新をしてもよい。及び/又は、第２の前処理ユニット３０３は、さらに、第２の推奨モデルを取得し、コンテンツ推奨ユニット３０２により第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて第２の推奨モデルが第１の推奨モデルよりも優れたと確定されれば、第１の推奨モデルに代えて第２の推奨モデルを使用できる。

なお、コンテンツ推奨ユニット３０２は、候補コンテンツ、及びユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合、まず、ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、候補コンテンツ、及びユーザ特徴ラベルを第２の推奨モデルに入力し、出力された推奨スキームを取得し、ヒットされない場合に、可候補コンテンツ、及びユーザ特徴ラベルを第１の推奨モデルに入力し、出力された推奨スキームを取得してもよい。

第２の前処理ユニット３０３は、第２の推奨モデルの推奨効果と第１の推奨モデルの推奨効果とを比較し、第２の推奨モデルの推奨効果が第１の推奨モデルの推奨効果よりも優れれば、第２の推奨モデルが第１の推奨モデルよりも優れたと確定できる。

図３に示された装置実施例の具体的な作動プロセスについては、前述方法実施例における関連する説明を参照されたい。ここで再度説明しない。

要するに、本出願に係る装置実施例の方案を採用すると、異なるユーザに対して、それぞれ、ユーザのユーザ特徴ラベルなどに応じてユーザに適用する推奨スキーム、例えば、異なるタイプの候補コンテンツのそれぞれがユーザに推奨されるＮ個の推奨コンテンツに占める割合、割合に従って候補コンテンツから選択したＮ個の推奨コンテンツ、及びＮ個の推奨コンテンツのそれぞれの表示順序などを確定することができ、異なるユーザ向けのパーソナライズされた推奨を実現し、そして、推奨コンテンツ及び表示順序などはユーザのニーズにより合致し、これにより、推奨結果の正確性が向上し、推奨効果が改善され、推奨コンテンツの表示効果が最大化され、推奨コンテンツ全体がユーザによってクリックされる確率が高くなるようにする等して、ユーザ特徴ラベルを周期的に最適化の更新を行うことができ、推奨コンテンツが最も新しいユーザのニーズに合致でき、ひいては、推奨効果などがさらに向上し、予めトレーニングして得られた推奨モデルを利用して推奨スキームを確定でき、実現方式は簡単で便利であり、且つ良い正確性などを有し、推奨モデルを周期的に最適化の更新を行うか、スモールフロー実験に基づいてモデル置き換えなどを行い、これにより、モデルの性能は最適化され、さらに、推奨効果などを向上させる。

本出願の実施例によれば、本出願は、さらに、電子機器及び可読記憶媒体を提供する 。

図４に示すように、本出願の実施例による方法の電子機器のブロック図である。電子機器は、様々な形式のデジタルコンピュータ、例えば、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータであることが意図される。電子機器は、様々な種類のモバイル装置、例えば、携帯情報端末、携帯電話、スマートフォン、ウェアラブルデバイス、及び他の類似するコンピューティング装置を示してもよい。ここで示した構成要素、これらの接続及び関係、ならびにこれらの機能は例示にすぎなく、本明細書において説明及び／又は請求される本出願の実現を限定することが意図されない。

図４に示すように、電子機器は、一つ又は複数のプロセッサーＹ０１、メモリＹ０２、及び各構成要素に接続するためのインターフェースを含み、高速インターフェース及び低速インターフェースを含む。各構成要素は、異なるバスで相互接続され、そして、共通マザーボードに、又は必要に応じて、他の方式で実装されてもよい。プロセッサーは、電子機器内で実行されるコマンドを処理してもよく、メモリに又はメモリ上で外部入力/出力装置（例えば、インターフェースに結合される表示装置）にグラフィカルユーザインターフェースのグラフィカル情報を表示するコマンドを含む。他の実施形態において、必要な場合に、複数のプロセッサー及び／又は複数のバスが、適宜、複数のメモリ及びメモリのタイプとともに用いられてもよい。同様に、複数の電子機器が接続されてもよく、それぞれの装置が（例えば、サーババンク、ブレードサーバの集まり、又はマルチプロセッサーシステムとして）必要な操作の一部を提供する。図４において、一つのプロセッサーＹ０１を例にとる。

メモリＹ０２は本出願で提供される非一時的コンピュータ可読記録媒体である。なお、メモリは、少なくとも一つのプロセッサーによって実行可能なコマンドが記憶されており、少なくとも一つのプロセッサーに本出願で提供される方法を実行させる。本出願の非一時的コンピュータ可読記録媒体は、コンピュータに本出願で提供される方法を実行させるためのコンピュータコマンドが記憶されている。

メモリＹ０２は、非一時的コンピュータ可読記録媒体として、非一時的ソフトウェアプログラム、非一時的コンピュータ実行可能なプログラム、モジュール、例えば、本出願の実施例における方法に対応するプログラムコマンド/モジュールを記憶するために用いられる。プロセッサーＹ０１は、メモリ６０２に記憶されている非一時的ソフトウェアプログラム、コマンド及びユニットを実行することで、サーバの様々な機能アプリケーション及びデータ処理を実行し、即ち、上記の方法実施例における方法を実現する。

メモリＹ０２は、記憶プログラム領域及び記憶データ領域を含んでもよく、記憶プログラム領域はオペレーティングシステム、少なくとも一つの機能に必要なアプリケーションプログラムを記憶してもよく、記憶データ領域は本セマンティック表現モデルの処理方法の電子機器の使用により作成されたデータなどを記憶してもよい。また、メモリＹ０２は、高速ランダムアクセスメモリを含んでもよく、さらに非一時的メモリ、例えば、少なくとも一つの磁気ディスク記憶装置、フラッシュメモリ装置、又は他の非一時的固体記憶装置を含んでもよい。幾つかの実施例において、メモリＹ０２は、プロセッサーＹ０１に対してリモートに設置されたメモリを選択的に含んでもよく、これらのリモートメモリは、ネットワークを介して電子機器に接続されてもよい。上記のネットワークの例には、インターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びそれらの組み合わせが含まれるが、これらに限定されない。

電子機器は、入力装置Ｙ０３と出力装置Ｙ０４とをさらに含むことができる。プロセッサーＹ０１、メモリＹ０２、入力装置Ｙ０３及び出力装置Ｙ０４は、バス又は他の方式で接続されてもよく、図４に、バスで接続されることを例にとる。

入力装置Ｙ０３は、入力された数値又は文字情報を受信し、セマンティック表現モデルの処理方法の電子機器のユーザ設定及び機能制御に関連するキー信号入力を生成でき、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングスティック、一つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置Ｙ０４は、表示装置、補助照明装置、触覚フィードバック装置（例えば、振動モーター）などを含むことができる。表示装置は、液晶ディスプレイ、発光ダイオードディスプレイ、及びプラズマディスプレイを含み得るが、これらに限定されない。 いくつかの実施形態では、表示装置はタッチスクリーンであってもよい。

本明細書に説明されるシステム及び技術的様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向け集積回路（ＡＳＩＣ）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせにおいて実現することができる。これらの様々な実施形態は、記憶システム、少なくとも一つの入力装置、及び少なくとも一つの出力装置からデータ及びコマンドを受信し、記憶システム、少なくとも一つの入力装置、及び少なくとも一つの出力装置にデータ及びコマンドを送信するようにつなげられた、特殊用途でもよく一般用途でもよい少なくとも一つのプログラマブルプロセッサーを含む、プログラム可能なシステム上で実行可能及び／又は解釈可能な一つ又は複数のコンピュータプログラムにおける実行を含んでもよい。

これらのコンピューティングプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又は、コードとも称される）は、プログラマブルプロセッサーの機械コマンドを含み、高水準のプロセス及び／もしくはオブジェクト向けプログラミング言語、及び／又はアセンブリ／機械言語で実行されることができる。本明細書で用いられる「機械可読媒体」という用語は、機械可読信号としての機械コマンドを受け取る機械可読媒体を含むプログラマブルプロセッサーに機械コマンド及び／又はデータを提供するのに用いられる任意のコンピュータプログラム製品、機器、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、及びプログラマブル論理デバイス）を指す。「機械可読信号」という用語は、プログラマブルプロセッサーに機械コマンド及び／又はデータを提供するために用いられる任意の信号を指す。

ユーザとのインタラクトを提供するために、本明細書に説明されるシステムと技術は、ユーザに対して情報を表示するための表示装置（例えば、ＣＲＴ（ブラウン管）又はＬＣＤ（液晶ディスプレイ）モニタ）、ユーザがコンピュータに入力を与えることができるキーボード及びポインティングデバイス（例えば、マウス又はトラックボール）を有するコンピュータ上に実施されることが可能である。その他の種類の装置は、さらに、ユーザとのインタラクションを提供するために使用されることが可能であり、例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚的フィードバック、聴覚的フィードバック、又は触覚的フィードバック）であり得、ユーザからの入力は、任意の形態で（音響、発話、又は触覚による入力を含む）受信され得る。

本明細書に説明されるシステムと技術的実施形態は、バックエンド構成要素を含むコンピューティングシステム（例えば、データサーバとする）、又はミドルウェア構成要素を含むコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンド構成要素を含むコンピューティングシステム（例えば、グラフィカルユーザインターフェースもしくはウェブブラウザを有するクライアントコンピュータであり、ユーザは、グラフィカルユーザインターフェースもしくはウェブブラウザを通じて本明細書で説明されるシステムと技術的実施形態とインタラクションすることができる）、そのようなバックエンド構成要素、ミドルウェア構成要素、もしくはフロントエンド構成要素の任意の組合せを含むコンピューティングシステムに実施されることが可能である。ステムの構成要素は、任意の形態又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によって相互に接続されることが可能である。通信ネットワークの例は、ローカルエリアネットワーク（「ＬＡＮ」）、ワイド・エリア・ネットワーク（「ＷＡＮ」）、インターネットワークを含む。

コンピュータシステムは、クライアントとサーバを含み得る。クライアントとサーバは、一般的に互いから遠く離れており、通常は、通信ネットワークを通じてインタラクトする。クライアントとサーバとの関係は、相応するコンピュータ上で実行され、互いにクライアント-サーバの関係にあるコンピュータプログラムによって生じる。

以上で示された様々な形式のフローを使用して、ステップを並べ替え、追加、又は削除できることを理解されたい。例えば、本出願に説明される各ステップは、並列の順序又は順次的な順序で実施されてもよいし、又は異なる順序で実行されてもよく、本出願で開示された技術案の望ましい結果を達成できる限り、ここで制限されない。

上記の具体的な実施形態は本出願の保護範囲に対する制限を構成しない。設計要件及び他の要因に従って、様々な修正、組み合わせ、部分的組み合わせ及び置換を行うことができることを当業者は理解するべきである。本出願の精神及び原則の範囲内で行われる修正、同等の置換、改善は、本出願の保護範囲内に含まれるべきである。

Claims (17)

1. コンテンツ推奨方法であって、
   推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及び前記ユーザのユーザ特徴ラベルを取得し、
   前記候補コンテンツ、及び前記ユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれが前記ユーザに推奨されるＮ個の推奨コンテンツに占める割合、前記割合に従って前記候補コンテンツから選択されたＮ個の推奨コンテンツ、及び前記Ｎ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、Ｎは１よりも大きい正の整数であり、且つ、Ｎは前記候補コンテンツの数の以下であり、
   前記推奨スキームに従って、前記ユーザに推奨コンテンツを返す、ことを含む方法。
2. 前記ユーザ特徴ラベルは、収集された前記ユーザの所定の情報に基づいて生成され、
   前記所定の情報は、ユーザ基本属性情報、及び前記ユーザによる履歴推奨コンテンツに対するユーザ行為情報を含む請求項１に記載の方法。
3. 周期的に、最も新しく収集された前記所定の情報に応じて、前記ユーザ特徴ラベルに対して最適化の更新を行うことをさらに含む請求項２に記載の方法。
4. 前記候補コンテンツ、及び前記ユーザ特徴ラベルに応じて、推奨スキームを確定することは、
   前記候補コンテンツ、及び前記ユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力し、出力された前記推奨スキームを取得することを含む請求項１から３のいずれか一項に記載の方法。
5. 前記第１の推奨モデルをトレーニングして得ることは、
   収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、前記トレーニングサンプルに応じてトレーニングして前記第１の推奨モデルを得ることを含む請求項４に記載の方法。
6. 周期的に、最も新しく収集された前記ユーザ行為情報に応じて、前記第１の推奨モデルに対して最適化の更新を行い、
   及び/又は、
   第２の推奨モデルを取得し、前記第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて前記第２の推奨モデルが前記第１の推奨モデルよりも優れたと確定されれば、前記第１の推奨モデルに代えて前記第２の推奨モデルを使用する、ことをさらに含む請求項５に記載の方法。
7. 前記第２の推奨モデルに対してスモールフローテストを行うことは、
   前記候補コンテンツ、及び前記ユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合、前記ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、前記候補コンテンツ、及び前記ユーザ特徴ラベルを前記第２の推奨モデルに入力し、出力された前記推奨スキームを取得し、ヒットされない場合に、前記候補コンテンツ、及び前記ユーザ特徴ラベルを前記第１の推奨モデルに入力し、出力された前記推奨スキームを取得することを含み、
   スモールフローテストの結果に応じて前記第２の推奨モデルが前記第１の推奨モデルよりも優れたと確定することは、
   前記第２の推奨モデルの推奨効果と前記第１の推奨モデルの推奨効果とを比較し、前記第２の推奨モデルの推奨効果が前記第１の推奨モデルの推奨効果よりも優れれば、前記第２の推奨モデルが前記第１の推奨モデルよりも優れたと確定されることを含む請求項６に記載の方法。
8. 情報取得ユニットと、コンテンツ推奨ユニットとを含むコンテンツ推奨装置であって、
   前記情報取得ユニットは、推奨対象となるユーザに対して、推奨待ちの候補コンテンツ、及び前記ユーザのユーザ特徴ラベルを取得するために用いられ、
   前記コンテンツ推奨ユニットは、前記候補コンテンツ、及び前記ユーザ特徴ラベルに応じて、異なるタイプの候補コンテンツのそれぞれが前記ユーザに推奨されるＮ個の推奨コンテンツに占める割合、前記割合に従って前記候補コンテンツから選択されたＮ個の推奨コンテンツ、及び前記Ｎ個の推奨コンテンツのそれぞれの表示順序を含む推奨スキームを確定し、前記推奨スキームに従って、前記ユーザに推奨コンテンツを返すために用いられ、Ｎは、１よりも大きい正の整数であり、且つ、前記候補コンテンツの数以下である、
   コンテンツ推奨装置。
9. 前記コンテンツ推奨装置は、収集された前記ユーザの所定の情報に基づいて前記ユーザ特徴ラベルを生成するための第１の前処理ユニットをさらに含み、
   前記所定の情報は、ユーザ基本属性情報、及び前記ユーザによる履歴推奨コンテンツに対するユーザ行為情報を含む請求項８に記載のコンテンツ推奨装置。
10. 前記第１の前処理ユニットは、周期的に、最も新しく収集された前記所定の情報に応じて、前記ユーザ特徴ラベルに対して最適化の更新を行うためにさらに用いられる請求項９に記載のコンテンツ推奨装置。
11. 前記コンテンツ推奨ユニットは、前記候補コンテンツ、及び前記ユーザ特徴ラベルを、予めトレーニングして得られた第１の推奨モデルに入力し、出力された前記推奨スキームを取得する請求項８から１０のいずれか一項に記載のコンテンツ推奨装置。
12. 前記コンテンツ推奨装置は、
    収集された異なるユーザによる履歴推奨コンテンツに対するユーザ行為情報に応じて、トレーニングサンプルを構築し、前記トレーニングサンプルに応じてトレーニングして前記第１の推奨モデルを得るための第２の前処理ユニットをさらに含む請求項１１に記載のコンテンツ推奨装置。
13. 前記第２の前処理ユニットは、周期的に、最も新しく収集された前記ユーザ行為情報に応じて、前記第１の推奨モデルに対して最適化の更新を行うためにさらに用いられ、
    及び/又は、
    前記第２の前処理ユニットは、第２の推奨モデルを取得し、前記コンテンツ推奨ユニットにより前記第２の推奨モデルに対してスモールフローテストを行い、スモールフローテストの結果に応じて前記第２の推奨モデルが前記第１の推奨モデルよりも優れたと確定されれば、前記第１の推奨モデルに代えて前記第２の推奨モデルを使用するためにさらに用いられる請求項１２に記載のコンテンツ推奨装置。
14. 前記コンテンツ推奨ユニットは、
    前記候補コンテンツ、及び前記ユーザ特徴ラベルに応じて、推奨スキームを確定する必要がある場合に、前記ユーザがスモールフローテストにヒットされたかどうかを確定し、ヒットされた場合に、前記候補コンテンツ、及び前記ユーザ特徴ラベルを前記第２の推奨モデルに入力し、出力された前記推奨スキームを取得し、ヒットされない場合に、前記候補コンテンツ、及び前記ユーザ特徴ラベルを前記第１の推奨モデルに入力し、出力された前記推奨スキームを取得し、
    前記第２の前処理ユニットは、
    前記第２の推奨モデルの推奨効果と前記第１の推奨モデルの推奨効果とを比較し、前記第２の推奨モデルの推奨効果が前記第１の推奨モデルの推奨効果よりも優れれば、前記第２の推奨モデルが前記第１の推奨モデルよりも優れたと確定される請求項１３に記載のコンテンツ推奨装置。
15. 電子機器であって、
    少なくとも一つのプロセッサーと、
    前記少なくとも一つのプロセッサーに通信接続されるメモリと、を含み、
    前記メモリには、前記少なくとも一つのプロセッサーによって実行可能なコマンドが記憶されており、前記コマンドが前記少なくとも一つのプロセッサーによって実行されることで、前記少なくとも一つのプロセッサーに請求項１から７のいずれか一項に記載の方法を実行させる電子機器。
16. コンピュータに請求項１から７のいずれか一項に記載の方法を実行させるためのコンピュータコマンドが記憶されている非一時的コンピュータ可読記録媒体。
17. コンピュータに請求項１から７のいずれか一項に記載の方法を実行させるためのコンピュータプログラム。

Images