JP2022031624A - コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム - Google Patents

コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム Download PDF

Info

Publication number
JP2022031624A
JP2022031624A JP2021049336A JP2021049336A JP2022031624A JP 2022031624 A JP2022031624 A JP 2022031624A JP 2021049336 A JP2021049336 A JP 2021049336A JP 2021049336 A JP2021049336 A JP 2021049336A JP 2022031624 A JP2022031624 A JP 2022031624A
Authority
JP
Japan
Prior art keywords
user
preference
content
conversation
past
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
Application number
JP2021049336A
Other languages
English (en)
Inventor
リウ、ホーション
Hesheng Liu
ワン、ユイ
Yu Wang
シオン、ユイリン
Yuiling Xiong
ポン、チーミン
Zhiming Peng
ソン、ナイフェイ
Naifei Song
チン、ショウコー
Shouke Qin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2022031624A publication Critical patent/JP2022031624A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】ユーザの構造選好を確定することにより、グローバル向けの構造化表示と興味推論を実現し、構造選好に基づいて推薦結果を確定し、ユーザ選好にいっそう合致する推薦コンテンツを提供することができ、コンテンツ供給とユーザ選好のマッチング度を向上させるコンテンツ推奨方法、装置、電子機器、記憶媒体及びコンピュータプログラムを提供する。【解決手段】方法は、ユーザが製品を使用する過去の行動データと、推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定する。構造は、任意のコンテンツタグシステムの分類方法に基づいて推薦対象コンテンツを分類して確定される。方法はさらに、ユーザの目標構造選好に基づいて、少なくとも２種の構造及び各構造に対応する推薦コンテンツが含まれる各ユーザの推薦結果を確定することを含む。【選択図】図１

Description

本出願は、インターネット分野に関し、特にスマート推薦技術に関し、具体的にはコンテンツ推薦方法、装置、電子機器、記憶媒体及びコンピュータプログラムに関する。
現在のコンテンツエコロジーに基づくインターネット製品において、個人化コンテンツ推薦ポリシーが幅広く応用されている。コンテンツ推薦の従来の方法は主にリコール、ソート、融合の三段階の階層的なスクリーニングメカニズムを含み、リコール、ソート及び融合モジュールで構成される。そのうち、リコールモジュールはユーザの基礎情報及び過去のユーザ行動に基づいて、全リソースライブラリからユーザが興味を持っている可能性があるコンテンツを一次スクリーニングし、ソートモジュールは機械学習アルゴリズムを用い、リコールモジュールから返信されたコンテンツに対して１つずつスコアリングを行い、融合モジュールはソートモジュールのスコアリングに対して転置索引を行い、多様性等のビジネスロジックを実現し、最終的な推薦結果を組み合わせる。
しかしながら、階層的なスクリーニングメカニズムに基づくコンテンツ推薦方法は比較的優れた推薦効果を取得したが、コンテンツ提供とユーザ選好とのマッチングには依然として不十分な点がある。
本出願は、コンテンツ提供とユーザ選好とのマッチング度を向上させるために、コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラムを提供する。
第１態様において、本出願は、コンテンツ推奨方法であって、ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定することであって、前記構造は任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される、ことと、前記目標構造選好に基づいて、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む各ユーザの推薦結果を確定することと、を含むコンテンツ推薦方法を提供する。
第２態様において、本出願はさらにコンテンツ推奨装置であって、ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定するための構造選好確定モジュールであって、前記構造は任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される、構造選好確定モジュールと、前記目標構造選好に基づいて、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む各ユーザの推薦結果を確定する推薦結果確定モジュールとを含むコンテンツ推薦装置を提供する。
第３態様において、本出願は電子機器であって、少なくとも１つのプロセッサと、前記少なくとも１つのプロセッサと通信可能に接続されたメモリとを備える電子機器において、前記メモリには、前記少なくとも１つのプロセッサが実行可能な指令が格納されており、前記指令が前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに本出願の実施形態のいずれかに記載のコンテンツ推奨方法を実行させる電子機器を提供する。
第４態様において、本出願はコンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、前記コンピュータ指令は前記コンピュータに本出願の実施形態のいずれかに記載のコンテンツ推奨方法を実行させるためのものである非一時的コンピュータ可読記憶媒体を提供する。
第５態様によれば、プロセッサによって実行されると、本出願の実施形態のいずれかに記載のコンテンツ推奨方法を実現する、コンピュータプログラムを提供する。
本出願の技術的解決手段に基づいて、ユーザの構造選好を確定することにより、グローバル向けの構造化表示と興味推論を実現し、次に推薦結果において各種の異なる構造に対していずれも対応する推薦コンテンツを有するように、構造選好に基づいて推薦結果を確定し、それによりユーザ選好にいっそう合致する推薦コンテンツを提供し、コンテンツ提供とユーザ選好とのマッチング度を向上できる。
なお、発明の概要に記載された内容は、本出願の実施形態のかなめとなる特徴又は重要な特徴を限定することを意図するものではなく、本出願の範囲を限定するものでもない。本出願の他の特徴は、以下の説明によって容易に理解されるであろう。上述した選択可能な実施形態の他の効果について、以下に具体的な実施例を踏まえて説明する。
図面は本出願をよりよく理解するために用いられ、本出願に対する限定を構成しない。
本出願の実施例に係るコンテンツ推薦方法の概略フローチャートである。 本出願の実施例に係るコンテンツ推薦方法の概略フローチャートである。 本出願の実施例に係る会話レベル構造選好モデルのネットワーク構造図である。 本出願の実施例に係るコンテンツ推薦方法の概略フローチャートである。 本出願の実施例に係るリフレッシュレベル構造選好モデルの概略図である。 本出願の実施例に係るコンテンツ推薦装置の構造概略図である。 本出願の実施例に係るコンテンツ推薦方法を実現するための電子機器のブロック図である。
以下は図面を参照して本出願の例示的な実施例を説明し、ここでは理解を容易にするため、本出願の実施例の様々な詳細が記載されるが、これらは単なる例示的なものに過ぎない。従って、本出願の範囲および要旨を逸脱しない限り、当業者が本明細書の実施例に対して様々な変更や修正を行うことができることは自明である。なお、以下の説明では、明確化及び簡略化のため、公知の機能及び構成については説明を省略する。
図１は本出願の実施例に係るコンテンツ推薦方法の概略フローチャートであり、本実施例はユーザにコンテンツを推薦する場合に適用することができ、例えばｆｅｅｄシステムを介してユーザにコンテンツを推薦し、スマート推薦、深層学習及びビッグデータ技術に関する。該方法はコンテンツ推薦装置によって実行することができ、該装置はソフトウェア及び／又はハードウェアの方式で実現され、好ましくは例えばサーバ又はコンピュータデバイス等の電子機器に配置される。図１に示すように、該方法は具体的に次のステップを含む。
Ｓ１０１：ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定し、前記構造は任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される。
コンテンツエコロジーに基づくインターネット製品の推薦できるリソースコンテンツにおいて、任意のコンテンツタグシステムの分類方法に基づいて、異なる構造に分けることができ、各種の構造は対応するリソースコンテンツに対応する。なお、本出願における構造は、明示的な構造であっても暗黙的な構造であってもよい。そのうち、明示的な構造は一定の分類方法に基づいて分類された現実的な意味を有するカテゴリ構造であり、例えば、ビデオと絵文字、スポーツと娯楽、国際と国内などの異なる構造である。暗黙的な構造は必ずしも現実的な意味を有するとは限らず、ある抽象的な分類方式であってもよく、具体的にはビジネスニーズに応じて定義されてもよい。本出願の実施例は構造の分類方法を何ら限定せず、本出願の技術的解決手段はいずれの方法に基づいて分類された構造に適する。
ユーザが製品を使用する過去の行動データは例えばユーザがどの推薦コンテンツをクリックしたか、又は推薦されたどのコンテンツがクリックされなかったか、又はいくつかの推薦コンテンツに対する閲覧時間が長いなどの行動を含むことができ、これらのユーザ行動を分析することによって、ユーザがどの構造の推薦コンテンツに比較的興味を持っているか、又はどの構造の推薦コンテンツにあまり興味がないかなどを表現することができ、ユーザのこのような選好関係は構造選好ともいう。したがって、ユーザが製品を使用する過去の行動データに基づいて、さらに構造自体の構造の特徴を合わせて、ユーザの目標構造選好を確定することができる。そのうち、構造自体の構造の特徴は、例えば構造の名称であってもよく、又は多くの構造の中での特定の構造の人気又は関心の度合い、又は両者の組み合わせであってもよく、いずれも構造自体の構造の特徴とすることができ、それにより異なる構造の個人化スコアリングに根拠を提供する。
具体的な実現には、深層学習の方法に基づいて、予測モデルを予め構築してトレーニングし、予測モデルに基づいて過去の行動データと構造の特徴とに基づいてユーザの目標構造選好を確定することを実現する。例えば、予測モデルに基づいてスコアリングの方式により各種の構造に対してユーザの関心度の予測を行い、スコア又はパーセンテージを予測値とし、続いて、全ての予測値においてスコアに応じて上位の所定数の構造を選択し、最終的な構造選好を得る。本出願の実施例は採用する具体的なモデル構造及びアルゴリズムを限定しない。
Ｓ１０２：目標構造選好に基づいて、各ユーザに対して、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む推薦結果を確定する。
目標構造選好が確定された後、ユーザが最も興味のある少なくとも２種の構造が取得されたことに相当し、次に、各種の構造に基づいて対応する推薦コンテンツを取得し、これらのいくつかの構造及びその推薦コンテンツは最終的な推薦結果となる。
具体的には、目標構造選好に基づいて、リコール、ソート及び融合という３つの段階を経て各ユーザの推薦結果を確定することができる。すなわち、リコール及びソート段階では、構造化のリコール及びソートが実現され、異なる構造に基づいてリコール及びソートを行い、融合段階でも構造化融合が実現され、各種の構造で融合を行い、各種の構造に基づいて対応する推薦コンテンツを確定する。そのうち具体的に採用されたリコールアルゴリズム、ソートアルゴリズム及び融合アルゴリズムは、本出願の実施例では限定されない。
なお、従来技術におけるリコール、ソート及び融合の階層的なスクリーニングに基づく推薦ポリシフレームワークは、コンテンツ提供とユーザ選好とのマッチングに不足がある。
まず、従来技術において融合モジュールはソートスコアの逆順で最終的な配信結果を構成するため、例えば、ユーザはビデオ系コンテンツをピクチャ系コンテンツより多くクリックすれば、階層的なスクリーニングに基づく推薦ポリシフレームワークにおいて、より多くのビデオ系コンテンツを提供し、上位１００の推薦コンテンツはビデオ系である可能性があり、これは配信されたコンテンツ構造に明示的な制御がなく、配信された構造がユーザ選好と一致しない可能性がある。ユーザは過去にビデオ系コンテンツを多くクリックしたが、ユーザがビデオ系コンテンツにのみ興味を持つことを意味するものではない。本出願の実施例においてユーザの実際の構造化ニーズに基づいてコンテンツ推薦を行うことができ、最終的な推薦結果に少なくとも２種の構造及び各種の構造に対応する推薦コンテンツが含まれ、それにより構造化の明示的な制御を実現し、複数種の構造におけるユーザが興味を持っている可能性があるコンテンツをユーザに推薦することができ、同時に推薦コンテンツの多様性及び豊富性を向上させ、ユーザに没入型体験及び消費を誘導することに役立つ。
次に、あまり人気のない関心点を有するユーザに対し、従来技術に基づいて階層的なスクリーニングを行う過程において、このような関心点は一般的にスコアの高い普遍的な関心点によって容易に圧倒され、ユーザのニーズを完全に満たすことができず、そのため、従来技術における階層的なスクリーニングメカニズムはあまり人気のない関心点を圧倒しやすく且つ情報繭房を生成しやすい。本出願の実施例においてグローバル向けの構造化表示と興味推論を行うため、まずユーザの構造選好を確定し、次に構造化されたコンテンツ推薦を行うため、これらの人気のある普遍的な関心点が推薦されることに加え、ユーザに合致するあまり人気のない関心点も推薦され、それにより情報繭房を破壊し、ユーザの実際の構造化ニーズに合致する推薦コンテンツを提供する。
さらに、従来技術の階層的なスクリーニングに基づくコンテンツ推薦方法は、特定のビジネス目標を実現する必要がある場合、各階層で重みを調整する方式を採用することが多く、ビジネス目標が徐々に増加する場合、推薦システムがブラックボックスになる傾向があり、且つ一つのビジネス目標を満たすと同時に他の一つのビジネス目標に影響を与え、各ビジネス目標の間はバランスを取ることは困難であり、システム全体の発展が制約される。本出願の実施例において実現されるユーザ興味推論に基づく構造化コンテンツ推薦はこの問題を回避することができる。例えば、異なるビジネス目標に基づいてリソースを構造化分類し、次に興味推論及び構造化推薦を実行し、このように各ビジネス目標の間の相互影響の問題を回避することができる。
さらに、目標構造選好に基づいて各ユーザの推薦結果を確定する前に、前記方法はさらに目標構造選好に基づいて構造次元の探索を行うことを含むことができる。例えば、推論して得られた構造選好は過去のユーザ行動に基づいて推論された真の構造化選好を表し、しかし、推薦システムとして、ユーザが興味を持たなかった構造は、推薦システムが過去にユーザに提供されなかったためである可能性がある。そのため、ビジネスニーズに基づいて構造選好を調整し、構造選好に対して干渉及び探索を行い、それによりユーザの新たな興味点を効果的に発見することができ、情報繭房を破壊し、さらにユーザニーズを満足することができる。
本出願の実施例の技術的解決手段は、ユーザの構造選好を確定することにより、グローバル向けの構造化表示と興味推論を実現し、次に推薦結果において各種の異なる構造に基づいていずれも対応する推薦コンテンツを有するように、構造選好に基づいて推薦結果を確定し、それによりユーザ選好にいっそう合致する推薦コンテンツを提供し、コンテンツ提供とユーザ選好とのマッチング度を強化し、ユーザが推薦システムを用いて没入型体験を行うことを促進し、製品の時間、配信等の指標を顕著に向上させる。
図２Ａは、本出願の実施例に係るコンテンツ推薦方法の概略フローチャートである。本実施例は上記実施例に基づいてさらに最適化を行う。図２Ａに示すように、該方法は具体的にＳ２０１～Ｓ２０４を含む。
Ｓ２０１：会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定し、前記会話レベル構造選好を前記目標構造選好とする。
ユーザはコンテンツ推薦製品を使用する時に、ページを開いて使用を開始してから、ページを閉じて使用を停止するまで、常に一定の閲覧又は消費過程を行い、且つその間に一連の動作及びフィードバックを行い、この過程は会話（ｓｅｓｓｉｏｎ）と呼ばれる。ユーザの会話が長いほど、ユーザがコンテンツ推薦における没入状態が持続的であると意味し、間接的に推薦効果がよく、ユーザ選好とのマッチング度が高いことを意味する。
ユーザの選好は毎回の会話において一致性を維持することはなく、そのため、本出願は会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定し、且つ会話レベル構造選好を目標構造選好とする。すなわち、会話が開始するたびに、ユーザの現在の会話の会話レベル構造選好を予測し、それによりいっそう好適な推薦を実現する。そのうち、過去の行動データは例えばユーザにより前回の会話過程で生成されたデータであってもよく、又は少なくとも前回のデータを含む所定期間内に発生した会話過程で生成されたデータを含む。
具体的に、前記過去の行動データは、過去に選択された構造コンテンツ、過去に選択されたエントリコンテンツ、過去に選択されなかった構造コンテンツ及び過去に選択されなかったエントリコンテンツを含む。そのうち、過去に選択された構造コンテンツ及び過去に選択されなかった構造コンテンツは、推薦コンテンツに係る構造のうちのどの構造がユーザに選択された（例えば、クリックの方式で選択された）か、及びどの構造が選択されなかったかということであり、過去に選択されたエントリコンテンツ及び過去に選択されなかったエントリコンテンツは、推薦コンテンツ内の各エントリに対してどれがユーザに選択されたか、及びどれが選択されなかったかということを指す。過去に選択された構造コンテンツ及び過去に選択されたエントリコンテンツは、ユーザの興味のあるコンテンツを示すことができ、過去に選択されなかった構造コンテンツ及び過去に選択されなかったエントリコンテンツはユーザの興味のないコンテンツを示すことができ、且つ、これらの構造コンテンツ及びエントリコンテンツはいずれもリスト形式で表示されてもよい。
前記構造の特徴は、構造の名称及び構造の属性で表され、具体的には構造の名称及び構造の属性を接続することができ、それにより構造の特徴を構成する。そのうち、構造の属性は、異なる構造の過去のクリック・表示情報を表示するために用いられ、例えばクリック数及び表示数等の統計値であり、過去のクリック・表示情報によって異なる構造の全体に対する平均優位性を反映することができ、ある程度で個人化スコアリングに情報を提供することができる。
また、過去の行動データ及び構造の特徴を考慮する以外に、さらに第１シーン特徴を考慮し、過去の行動データ、第１シーン特徴及び構造の特徴を合わせて根拠とし、ユーザの現在の会話レベル構造選好を確定する。すなわち、ユーザの過去の会話過程における過去の行動データ、第１シーン特徴及び推薦対象コンテンツの構造の特徴に基づいて、ユーザの現在の会話レベル構造選好を確定する。そのうち、第１シーン特徴は毎回の会話の所属するシーンを表すために用いられる。シーンは、予めビジネスニーズに応じて分類することができ、例えば、時間帯に応じてシーンを朝ラッシュ、午前、昼、午後及び夜ラッシュなどに分類することができ、又は地理的位置に応じてシーンを分類し、例えば自宅、オフィス又は公園などである。本出願は具体的なシーン分類方式を限定しない。ユーザのシーン特徴を結合して会話レベル構造選好を確定することで、構造選好の推論結果がより正確で、より全面的である。
一実施形態において、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することは、
予めトレーニングされた会話レベル構造選好モデルを利用し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することを含み、そのうち、前記会話レベル構造選好モデルの学習目標はユーザの会話内におけるいずれの構造に対する選好度を含む。
すなわち、会話レベル構造選好の予測は、深層学習技術を合わせて、事前にトレーニングされた深層学習モデルを用いて達成される。そのうち、モデルは日ごとに更新することができ、且つリアルタイムにユーザの会話レベル構造選好の予測に用いられる。具体的には、前記会話レベル構造選好モデルのトレーニングプロセスは、
複数のトレーニングサンプルをモデルとして入力することであって、各トレーニングサンプルは一回の会話過程で生成されたユーザ行動データであり、且つ各トレーニングサンプルにＮ個のサブサンプルを含み、各サブサンプルは該回の会話過程に表示された各種の構造のユーザ行動データであり、Ｎは自然数である、ことと、
予め注記された各トレーニングサンプルに関わる各種の構造のクリック率をモデルの出力として、前記会話レベル構造選好モデルをトレーニングすることと、を含む。
そのうち、各トレーニングサンプルに複数種の構造が含まれるため、混乱を回避するために、本出願ではトレーニングサンプルをＮ個のサブサンプルに分け、各サブサンプルは該回の会話過程に表示された各種の構造に対するユーザ行動データである。また、モデルは例えばＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、ディープニューラルネットワーク）を採用して実現することができ、トレーニングは誤差逆伝播を採用してモデルパラメータを学習することができる。なお、本出願はモデルのアルゴリズム及びトレーニング方式に対して限定しない。
図２Ｂは、本出願の実施例に係る会話レベル構造選好モデルのネットワーク構造図である。一例として、図に示すように、モデルは入力された過去のクリック構造リスト及び集約された過去のクリックエントリリストのｅｍｂｅｄｄｉｎｇ（埋め込み）に基づいてユーザの興味表示を抽出し、過去にクリックされなかった構造リスト及び集約された過去にクリックされなかったエントリリストのｅｍｂｅｄｄｉｎｇに基づいてユーザの非興味表示を抽出し、さらにユーザのシーン特徴のｅｍｂｅｄｄｉｎｇを結合してユーザ表示を得、最後に構造の特徴のｅｍｂｅｄｄｉｎｇを結合してユーザの構造選好を予測する。
Ｓ２０２：リコールアルゴリズムに基づいて、目標構造選好における各種の構造及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールする。
従来技術において階層的なスクリーニングメカニズムに基づくコンテンツ推薦方法において、リコールモジュールポリシーは過去のユーザ行動及び深層学習モデルに基づいて、フルリソースライブラリにおいてユーザベクトルとコンテンツベクトルとのマッチングを行ってリコールを行う。本出願の実施例においてリコールする前に予めユーザの目標構造選好を予測して計算し、したがってリコールポリシーは構造化リコールにアップグレードすることができ、すなわちシステムが予測した目標構造選好及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールする。そのうち、目標構造選好にはユーザが各種の構造に対する選好度の重み表示を含み、重み表示及び所定閾値に基づいて、上位の所定数の構造を選択してリコールの目標とすることができ、それにより構造化リコールによってより多くの計算力をユーザが真に興味のある構造にフォーカスし、目標構造選好における各構造に十分な候補コンテンツを提供し、且つユーザ選好の構造におけるより優れたリソースコンテンツをリコールする。なお、本出願の実施例はリコールアルゴリズムを限定しない。
Ｓ２０３：ソートアルゴリズムに基づいて、リコールされた各種の構造におけるコンテンツに対してソートを行う。
すなわち、目標構造選好における各種の構造でリコールされたコンテンツをソートする。そのうち、本出願の実施例はソートアルゴリズムを限定しない。
Ｓ２０４：各種の構造の重みに基づいて、各種の構造が推薦結果における位置を確定し、且つ各種の構造でリコールされたコンテンツのソート結果に応じて、各種の構造で対応するコンテンツを対応する構造に充填し、充填後に推薦結果を得る。
Ｓ２０４により実現された構造化融合により、ユーザの選好に最も合致する構造を用いてコンテンツをユーザに配信することができ、且つ各構造が属する最適なリソースを表示することができる。
本出願の実施例の技術的解決手段に基づいて、ユーザの会話レベル構造選好を確定することにより、グローバル向けの構造化表示と興味推論を実現し、会話を開始するたびに、推薦結果において各種の異なる構造に対していずれも対応する推薦コンテンツを有するように、会話レベル構造選好に基づいて推薦結果を確定し、それによりユーザの選好にいっそう合致する推薦コンテンツを提供し、コンテンツ提供とユーザ選好とのマッチング度を向上できる。
図３Ａは、本出願の実施例に係るコンテンツ推薦方法の概略フローチャートである。本実施例は上記実施例に基づいてさらに最適化を行う。図３Ａに示すように、該方法は具体的にＳ３０１～Ｓ３０５を含む。
Ｓ３０１：会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定する。
Ｓ３０２：会話内の毎回のリフレッシュ要求に応答し、会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定し、リフレッシュレベル構造選好を目標構造選好とする。
一つの会話において、サーバは複数回に分けて推薦結果をクライアントに送信し、ユーザによるクライアントにおけるスクロールアップ、スクロールダウン等の操作はサーバとのインタラクションをトリガし、一回のリフレッシュと呼ばれる。一般的に、一つの会話は複数回の連続的なリフレッシュで構成され、次回のリフレッシュはユーザの前回のリフレッシュに対するフィードバックに基づいてリアルタイムに調整される。すなわち、今回の会話で予測された会話レベル構造選好に基づいて、該会話レベル構造選好及びユーザの構造化フィードバック情報を合わせて、毎回リフレッシュするリフレッシュレベル構造選好を確定し、より細粒度にユーザ構造選好の予測を実現する。
そのうち、構造化フィードバック情報は、前回のリフレッシュ過程を含む過去の設定期間内のユーザ行動データに基づいて統計して得られた異なる構造のフィードバック情報を表すために用いられる。すなわち、前回のリフレッシュ過程における行動データ、及び設定期間内（例えば１週間）の他のリフレッシュ過程における行動データに基づいて、異なる構造のフィードバック情報を統計し、例えば異なる構造の表示数又はクリック率等の統計値が挙げられる。
一実施形態では、進化的学習方法を使用して、リフレッシュレベル構造選好を予測することができる。例えば、会話レベル構造選好及び構造化フィードバック情報をモデル入力とし、進化的学習モデルを用い、会話レベル構造選好を調整し、リフレッシュレベル構造選好を出力する。本出願の実施例はモデルの構造及びアルゴリズムを限定しない。
また、さらに第２シーン特徴を考慮することができ、すなわち、会話レベル構造選好と、第２シーン特徴と、ユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定し、ここで、第２シーン特徴は毎回のリフレッシュの所属するシーンを表すために用いられる。シーン特徴を合わせて、より正確で全面的な構造選好を予測することができる。本出願の実施例はシーンの分け方を限定しない。
図３Ｂは、本出願の実施例に係るリフレッシュレベル構造選好モデルの概略図である。そのうち、リフレッシュレベル構造スコアを得た後、さらにビジネスニーズに応じて構造次元のポストプロセシング、探索及び正規化を行うことができ、最終的なリフレッシュレベル構造選好を得る。
Ｓ３０３：リコールアルゴリズムに基づいて、前記目標構造選好における各種の構造及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールする。
Ｓ３０４：ソートアルゴリズムに基づいて、前記リコールされた各種の構造におけるコンテンツに対してソートを行う。
Ｓ３０５：前記各種の構造の重みに基づいて、各種の構造の前記推薦結果における位置を確定し、各種の構造でリコールされたコンテンツのソート結果に基づいて、各種の構造で対応するコンテンツを対応する構造に充填し、充填後に前記推薦結果を得る。
本出願の実施例の技術的解決手段は、２つの階層の構造化表示を設定することにより、会話レベル構造選好を確定した後、該会話レベル構造選好に基づいて、会話中の毎回のリフレッシュ時、リフレッシュレベル構造選好をさらに確定し、より細かい粒度でユーザの選好を推定し、それにより毎回リフレッシュする過程でユーザの現在の構造選好にいっそう合致する推薦コンテンツを得ることができ、コンテンツ提供とユーザ選好のマッチング度がいっそう向上される。
図４は、本出願の実施例に係るコンテンツ推薦装置の構造概略図であり、本実施例はユーザにコンテンツを推薦する場合に適用することができ、例えばｆｅｅｄシステムを介してユーザにコンテンツを推薦し、スマート推薦、深層学習及びビッグデータ技術に関する。該装置は本出願のいずれかの実施例に記載のコンテンツ推薦方法を実現することができる。図４に示すように、該装置４００は具体的に、
ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定するための構造選好確定モジュールであって、前記構造は任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される、構造選好確定モジュール４０１と、
前記目標構造選好に基づいて、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む各ユーザの推薦結果を確定する推薦結果確定モジュール４０２と、を含む。
オプションとして、前記構造選好確定モジュールは、
会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定し、前記会話レベル構造選好を前記目標構造選好とするための会話レベル構造選好確定ユニットを含む。
オプションとして、前記過去の行動データは、過去に選択された構造コンテンツ、過去に選択されたエントリコンテンツ、過去に選択されなかった構造コンテンツ及び過去に選択されなかったエントリコンテンツを含む。
オプションとして、前記構造の特徴は、構造の名称と、異なる構造の過去のクリック・表示情報を表すための構造の属性と、によって表される。
オプションとして、前記会話レベル構造選好確定ユニットは、具体的に
ユーザの過去の会話過程における過去の行動データと、毎回の会話の所属するシーンを表すための第１シーン特徴と、推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定するように構成される。
オプションとして、前記会話レベル構造選好確定ユニットは、具体的にさらに
予めトレーニングされた会話レベル構造選好モデルを利用し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定するように構成され、
前記会話レベル構造選好モデルの学習目標は、ユーザの会話におけるいずれかの構造に対する選好度を含む。
オプションとして、前記会話レベル構造選好モデルのトレーニングプロセスは、
複数のトレーニングサンプルをモデルとして入力することであって、各トレーニングサンプルは一回の会話過程で生成されたユーザ行動データであり、且つ各トレーニングサンプルにＮ個のサブサンプルを含み、各サブサンプルは該回の会話過程に表示された各種の構造のユーザ行動データであり、Ｎは自然数である、ことと、
予め注記された各トレーニングサンプルに関わる各種の構造のクリック率をモデルの出力として、前記会話レベル構造選好モデルをトレーニングすることと、を含む。
オプションとして、前記構造選好確定モジュールは、
前記会話内の毎回のリフレッシュ要求に応答し、前記会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定し、前記リフレッシュレベル構造選好を前記目標構造選好とするように構成されるリフレッシュレベル構造選好確定ユニットをさらに含み、
前記構造化フィードバック情報は、前回のリフレッシュ過程を含む過去の設定期間内のユーザ行動データに基づいて統計して得られた異なる構造のフィードバック情報を表すために用いられる。
オプションとして、前記リフレッシュレベル構造選好確定ユニットは、具体的に
前記会話レベル構造選好及び構造化フィードバック情報をモデル入力とし、進化的学習モデルを利用し、前記会話レベル構造選好を調整し、前記リフレッシュレベル構造選好を出力するように構成される。
オプションとして、前記リフレッシュレベル構造選好確定ユニットは、具体的にさらに
前記会話レベル構造選好と、毎回のリフレッシュの所属するシーンを表すための第２シーン特徴と、ユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定するように構成される。
オプションとして、前記装置は、
前記推薦結果確定モジュールが前記目標構造選好に基づいて各ユーザの推薦結果を確定する前に、前記目標構造選好に基づいて構造次元の探索を行うように構成される探索モジュールをさらに含む。
オプションとして、前記推薦結果確定モジュールは、具体的に
前記目標構造選好に基づいて、リコール、ソート及び融合により、各ユーザの推薦結果を確定するように構成される。
オプションとして、前記目標構造選好にはユーザの各種の構造に対する選好度の重み表現が含まれ、
それに応じて、前記推薦結果確定モジュールは、
リコールアルゴリズムに基づいて、前記目標構造選好における各種の構造及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールするように構成されるリコールユニットと、
ソートアルゴリズムに基づいて、前記リコールの各種の構造におけるコンテンツに対してソートを行うように構成されるソートユニットと、
前記各種の構造の重みに基づいて、各種の構造の前記推薦結果における位置を確定し、且つ各種の構造でリコールされたコンテンツのソート結果に基づいて、各種の構造で対応するコンテンツを対応する構造に充填し、充填後に前記推薦結果を得るように構成される融合ユニットと、を含む。
本出願の実施例が提供するコンテンツ推薦装置４００は本出願のいずれかの実施例が提供するコンテンツ推薦方法を実行することができ、方法の実行に対応する機能モジュール及び有益な効果を有する。本実施例において詳しく説明されていない内容は本出願のいずれかの方法の実施例における説明を参照することができる。
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５に示すように、本出願の実施例に係るコンテンツ推奨方法を実現するための電子機器のブロック図である。ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレード型サーバ、メインフレームコンピュータおよびその他の適切なコンピュータ等の様々な形態のデジタルコンピュータを表す。また、電子機器は、個人デジタル処理、携帯電話、スマートフォン、ウェアラブル機器およびその他の類似するコンピューティングデバイス等の様々な形態のモバイルデバイスを表すことができる。なお、ここで示したコンポーネント、それらの接続関係、およびそれらの機能はあくまでも例示であり、ここで記述および／または要求した本出願の実施形態を限定することを意図するものではない。
図５に示すように、該電子機器は、１つ又は複数のプロセッサ５０１、メモリ５０２、及び各コンポーネントを接続するためのインターフェース（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）を含む。各コンポーネントは、互いに異なるバスで接続されており、共通のマザーボード上に実装されていてもよいし、必要に応じて他の方式で実装されていてもよい。プロセッサは電子機器内で実行される指令を処理することができ、インターフェースに結合された表示装置等の外部入出力装置に、グラフィカルユーザインターフェース（ＧＵＩ，Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）のグラフィック情報を表示するために指令をメモリ内またはメモリ上に格納することを含む。他の実施形態では、必要に応じて、複数のプロセッサおよび／または複数のバスおよび複数のメモリを、複数のメモリとともに使用することができる。また、複数の電子機器が接続されていてもよく、各機器は、例えば、サーバアレイ、ブレードサーバ群またはマルチプロセッサシステムなど、一部の必要な動作を提供する。図５では、１つのプロセッサ５０１を例としている。
メモリ５０２は、本出願が提供する非一時的コンピュータ可読記憶媒体である。ここで、前記メモリは、少なくとも１つのプロセッサが実行可能な指令を格納しており、それにより前記少なくとも１つのプロセッサに本出願が提供するコンテンツ推奨方法を実行させる。本出願の非一時的コンピュータ可読記憶媒体はコンピュータ指令を格納し、該コンピュータ指令はコンピュータに本出願が提供するコンテンツ推奨方法を実行させるために用いられる。
メモリ５０２は、非一時的コンピュータ可読記憶媒体として、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及びモジュールを格納することに用いることができ、例えば本出願の実施例におけるコンテンツ推奨方法に対応するプログラム指令／モジュール（例えば、図４に示す構造選好確定モジュール４０１及び推薦結果確定モジュール４０２）。プロセッサ５０１は、メモリ５０２に格納された非一時的ソフトウェアプログラム、指令及びモジュールを実行することにより、サーバの各種機能アプリケーション及びデータ処理を実行し、すなわち上記方法の実施例におけるコンテンツ推奨方法を実現する。
メモリ５０２はオペレーティングシステム、少なくとも１つの機能に必要なアプリケーションを記憶できるプログラム記憶領域と、本出願実施例のコンテンツ推奨方法を実行する電子機器の使用に応じて作成されたデータ等を記憶できるデータ記憶領域とを含み得る。また、メモリ５０２は高速ランダムアクセスメモリを含むことができ、また非一時的メモリ（例えば、少なくとも１つの磁気ディスク記憶装置、フラッシュメモリデバイス又はその他の非一時的ソリッドステート記憶装置）を含むことができる。いくつかの実施例において、メモリ５０２は任意選択でプロセッサ５０１に対して遠隔に設置されたメモリを含み、これらのリモートメモリはネットワークを介して本出願実施例のコンテンツ推奨方法を実現するための電子機器に接続することができる。上記ネットワークとしては、例えば、インターネット、企業イントラネット、ローカルエリアネットワーク、移動体通信網及びこれらの組み合わせなどが挙げられるが、それらに限定されない。
本出願実施例のコンテンツ推奨方法を実現するための電子機器は、さらに入力装置５０３及び出力装置５０４を含むことができる。プロセッサ５０１、メモリ５０２、入力装置５０３及び出力装置５０４は、バス又はその他の方式で接続されていてもよく、図５ではバスで接続されている例を示している。
例えばタッチパネル、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングデバイス、１つまたは複数のマウスボタン、トラックボール、ジョイスティック等の入力装置５０３は、入力された数字や文字情報を受信でき、本出願実施例のコンテンツ推奨方法のための電子機器のユーザ設定および機能制御に関するキー信号入力を生成することができる。出力装置５０４は表示装置、補助照明装置（例えば、ＬＥＤ）及び触覚フィードバック装置（例えば、振動モータ）等を含むことができる。該表示装置は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ及びプラズマディスプレイを含むことができるが、これらに限定されない。いくつかの実施形態において、表示装置はタッチパネルであってもよい。
ここで説明するシステム及び技術の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（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ，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、１つ又は複数のコンピュータプログラムに実装され、該１つ又は複数のコンピュータプログラムは少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステムにおいて実行及び／又は解釈することができ、該プログラマブルプロセッサは専用又は汎用プログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置及び少なくとも１つの出力装置からデータ及び指令を受信することができ、且つデータ及び指令を該記憶システム、該少なくとも１つの入力装置及び該少なくとも１つの出力装置に伝送することを含み得る。
これらのコンピュータプログラムは、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呼ばれ、プログラマブルプロセッサの機械命令を含み、且つ高度プロセス及び／又はオブジェクト指向のプログラミング言語、及び／又はアセンブリ言語／機械語を利用して実現することができる。ここで、「機械可読媒体」及び「コンピュータ可読媒体」という用語は、機械指令及び／又はデータをプログラマブルプロセッサに供給するための任意のコンピュータプログラム製品、装置、及び／又はデバイス（たとえば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を意味し、機械可読信号である機械指令を受信する機械可読媒体を含む。「機械可読信号」という用語は、機械指令および／またはデータをプログラマブルプロセッサに供給するための任意の信号を意味する。
ユーザとのインタラクションを提供するために、ここで説明するシステムと技術は、ユーザに情報を表示するための表示装置（例えば、陰極線管（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ，ＣＲＴ）またはＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウスまたはトラックボール）とを備えるコンピュータ上で実現することができ、ユーザが該キーボード及び該ポインティングデバイスを介してコンピュータに入力を提供できる。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ことに用いることができる。例えば、ユーザに提供されるフィードバックは、例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバックであるいかなる形態のセンシングフィードバックであってもよく、且つ音入力、音声入力又は、触覚入力を含むいかなる形態でユーザからの入力を受信してもよい。
ここで説明したシステム及び技術は、バックグラウンドコンポーネント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）に実施されてもよく、又はミドルウェアコンポーネント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）に実施されてもよく、又はフロントエンドコンポーネント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又はウェブブラウザを有するユーザコンピュータ）に実施されてもよく、ユーザは該グラフィカルユーザインターフェース又はウェブブラウザを介してここで説明したシステム及び技術の実施形態とインタラクションしてもよく、又はこのようなバックグラウンドコンポーネント、ミドルウェアコンポーネント又はフロントエンドコンポーネントのいずれかの組み合わせを含むコンピューティングシステムに実施されてもよい。また、システムの各構成要素間は、通信ネットワーク等の任意の形態または媒体を介してデジタルデータ通信により接続されていてもよい。通信ネットワークとしては、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、ブロックチェーンネットワーク等が挙げられる。
コンピュータシステムは、クライアントとサーバとを含んでもよい。クライアントとサーバは、通常、互いに離れており、通信ネットワークを介してインタラクションを行う。クライアントとサーバとの関係は、互いにクライアント－サーバの関係を有するコンピュータプログラムをそれぞれのコンピュータ上で動作することによって生成される。サーバはクラウドサーバであってもよく、クラウドコンピューティングサーバ又はクラウドホストとも呼ばれ、クラウドコンピューティングサービスシステムにおけるホスト製品であり、従来の物理ホストとＶＰＳサービスにおける管理難度が大きく、ビジネス拡張性が弱いという欠陥を解決する。
本出願の実施例の技術的解決手段に基づいて、ユーザの構造選好を確定することにより、グローバル向けの構造化表示と興味推論を実現し、次に推薦結果において各種の異なる構造に対していずれも対応する推薦コンテンツを有するように、構造選好に基づいて推薦結果を確定し、それによりユーザ選好により合致する推薦コンテンツを提供し、コンテンツ提供とユーザ選好とのマッチング度を向上させることができる。
なお、上述した様々な形態のフローを用いて、ステップを改めて並び替え、追加または削除を行うことができる。例えば、本出願に記載された各ステップは、本出願に開示された技術案の所望の結果が達成できる限り、並行して実行されてもよいし、順番に実行されてもよいし、異なる順序で実行されてもよい。本明細書はここで制限しない。
上記具体的な実施形態は、本出願の保護範囲を限定するものではない。設計要件および他の要因に従って、様々な修正、組み合わせ、副次的な組み合わせ、および置換を行うことができることを当業者は理解すべきである。本出願の趣旨および原理を逸脱せずに行われたあらゆる修正、均等置換および改善などは、いずれも本出願の保護範囲内に含まれるべきである。

Claims (29)

  1. ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定することであって、前記構造は、任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される、ことと、
    前記目標構造選好に基づいて、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む各ユーザの推薦結果を確定することと、を含むコンテンツ推薦方法。
  2. 前記の、ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定することは、
    会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定し、前記会話レベル構造選好を前記目標構造選好とする、請求項１に記載のコンテンツ推薦方法。
  3. 前記過去の行動データは、過去に選択された構造コンテンツと、過去に選択されたエントリコンテンツと、過去に選択されなかった構造コンテンツと、過去に選択されなかったエントリコンテンツとを含む、請求項２に記載のコンテンツ推薦方法。
  4. 前記構造の特徴は、構造の名称と、異なる構造の過去のクリック・表示情報を表すための構造属性と、によって表される請求項２に記載のコンテンツ推薦方法。
  5. 前記の、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することは、
    ユーザの過去の会話過程における過去の行動データと、毎回の会話の所属するシーンを表すための第１シーン特徴と、推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することを含む請求項２に記載のコンテンツ推薦方法。
  6. 前記の、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することは、
    予めトレーニングされた会話レベル構造選好モデルを利用し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定することを含み、
    前記会話レベル構造選好モデルの学習目標は、ユーザの会話におけるいずれかの構造に対する選好度を含む、請求項２に記載のコンテンツ推薦方法。
  7. 前記会話レベル構造選好モデルのトレーニングプロセスは、
    複数のトレーニングサンプルをモデルとして入力することであって、各トレーニングサンプルは一回の会話過程で生成されたユーザ行動データであり、且つ各トレーニングサンプルにＮ個のサブサンプルを含み、各サブサンプルは該回の会話過程に表示された各種の構造のユーザ行動データであり、Ｎは自然数である、ことと、
    予め注記された各トレーニングサンプルに関わる各種の構造のクリック率をモデルの出力として、前記会話レベル構造選好モデルをトレーニングすることと、を含む請求項６に記載のコンテンツ推薦方法。
  8. 前記の、ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定することは、
    前記会話内の毎回のリフレッシュ要求に応答し、前記会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定し、前記リフレッシュレベル構造選好を前記目標構造選好とすることをさらに含み、
    前記構造化フィードバック情報は、前回のリフレッシュ過程を含む過去の設定期間内のユーザ行動データに基づいて統計して得られた異なる構造のフィードバック情報を表すために用いられる、請求項２に記載のコンテンツ推薦方法。
  9. 前記の、前記会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定することは、
    前記会話レベル構造選好及び構造化フィードバック情報をモデル入力とし、進化的学習モデルを利用し、前記会話レベル構造選好を調整し、前記リフレッシュレベル構造選好を出力すること、を含む請求項８に記載のコンテンツ推薦方法。
  10. 前記の、前記会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定することは、
    前記会話レベル構造選好と、毎回のリフレッシュの所属するシーンを表すための第２シーン特徴と、ユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定することを含む請求項８に記載のコンテンツ推薦方法。
  11. 前記目標構造選好に基づいて各ユーザの推薦結果を確定する前に、
    前記目標構造選好に基づいて構造次元の探索を行うことをさらに含む請求項１に記載のコンテンツ推薦方法。
  12. 前記目標構造選好に基づいて各ユーザの推薦結果を確定することは、
    前記目標構造選好に基づいて、リコール、ソート及び融合により、各ユーザの推薦結果を確定することを含む請求項１に記載のコンテンツ推薦方法。
  13. 前記目標構造選好にはユーザの各種の構造に対する選好度の重み表現が含まれ、
    前記目標構造選好に基づいて、リコール、ソート及び融合により、各ユーザの推薦結果を確定することは、
    リコールアルゴリズムに基づいて、前記目標構造選好における各種の構造及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールすることと、
    ソートアルゴリズムに基づいて、前記リコールの各種の構造におけるコンテンツに対してソートを行うことと、
    前記各種の構造の重みに基づいて、各種の構造の前記推薦結果における位置を確定し、且つ各種の構造でリコールされたコンテンツのソート結果に基づいて、各種の構造で対応するコンテンツを対応する構造に充填し、充填後に前記推薦結果を得ることと、を含む請求項１２に記載のコンテンツ推薦方法。
  14. ユーザが製品を使用する過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの目標構造選好を確定するための構造選好確定モジュールであって、前記構造は、任意のコンテンツタグシステムの分類方法に基づいて前記推薦対象コンテンツを分類して確定される、構造選好確定モジュールと、
    前記目標構造選好に基づいて、少なくとも２種の構造と各種の構造に対応する推薦コンテンツとを含む各ユーザの推薦結果を確定する推薦結果確定モジュールとを含むコンテンツ推薦装置。
  15. 前記構造選好確定モジュールは、
    会話開始要求に応答し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定し、前記会話レベル構造選好を前記目標構造選好とするための会話レベル構造選好確定ユニットを含む、請求項１４に記載のコンテンツ推薦装置。
  16. 前記過去の行動データは、過去に選択された構造コンテンツと、過去に選択されたエントリコンテンツと、過去に選択されなかった構造コンテンツと、過去に選択されなかったエントリコンテンツとを含む、請求項１５に記載のコンテンツ推薦装置。
  17. 前記構造の特徴は、構造の名称と、異なる構造の過去のクリック・表示情報を表すための構造属性と、によって表される請求項１５に記載のコンテンツ推薦装置。
  18. 前記会話レベル構造選好確定ユニットは、
    ユーザの過去の会話過程における過去の行動データと、毎回の会話の所属するシーンを表すための第１シーン特徴と、推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定するように構成される請求項１５に記載のコンテンツ推薦装置。
  19. 前記会話レベル構造選好確定ユニットは、さらに
    予めトレーニングされた会話レベル構造選好モデルを利用し、ユーザの過去の会話過程における過去の行動データと推薦対象コンテンツの構造の特徴とに基づいて、ユーザの現在の会話レベル構造選好を確定するように構成され、
    前記会話レベル構造選好モデルの学習目標は、ユーザの会話におけるいずれかの構造に対する選好度を含む、請求項１５に記載のコンテンツ推薦装置。
  20. 前記会話レベル構造選好モデルのトレーニングプロセスは、
    複数のトレーニングサンプルをモデルとして入力することであって、各トレーニングサンプルは一回の会話過程で生成されたユーザ行動データであり、且つ各トレーニングサンプルにＮ個のサブサンプルを含み、各サブサンプルは該回の会話過程に表示された各種の構造のユーザ行動データであり、Ｎは自然数である、ことと、
    予め注記された各トレーニングサンプルに関わる各種の構造のクリック率をモデルの出力として、前記会話レベル構造選好モデルをトレーニングすることと、を含む請求項１９に記載のコンテンツ推薦装置。
  21. 前記構造選好確定モジュールは、
    前記会話内の毎回のリフレッシュ要求に応答し、前記会話レベル構造選好とユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定し、前記リフレッシュレベル構造選好を前記目標構造選好とするように構成されるリフレッシュレベル構造選好確定ユニットをさらに含み、
    前記構造化フィードバック情報は、前回のリフレッシュ過程を含む過去の設定期間内のユーザ行動データに基づいて統計して得られた異なる構造のフィードバック情報を表すために用いられる、請求項１５に記載のコンテンツ推薦装置。
  22. 前記リフレッシュレベル構造選好確定ユニットは、
    前記会話レベル構造選好及び構造化フィードバック情報をモデル入力とし、進化的学習モデルを利用し、前記会話レベル構造選好を調整し、前記リフレッシュレベル構造選好を出力するように構成される請求項２１に記載のコンテンツ推薦装置。
  23. 前記リフレッシュレベル構造選好確定ユニットは、さらに
    前記会話レベル構造選好と、毎回のリフレッシュの所属するシーンを表すための第２シーン特徴と、ユーザの構造化フィードバック情報とに基づいて、ユーザの現在のリフレッシュレベル構造選好を確定するように構成される請求項２１に記載のコンテンツ推薦装置。
  24. 前記装置は、
    前記推薦結果確定モジュールが前記目標構造選好に基づいて各ユーザの推薦結果を確定する前に、前記目標構造選好に基づいて構造次元の探索を行うように構成される探索モジュールをさらに含む請求項１４に記載のコンテンツ推薦装置。
  25. 前記推薦結果確定モジュールは、
    前記目標構造選好に基づいて、リコール、ソート及び融合により、各ユーザの推薦結果を確定するように構成される請求項１４に記載のコンテンツ推薦装置。
  26. 前記目標構造選好にはユーザの各種の構造に対する選好度の重み表現が含まれ、
    前記推薦結果確定モジュールは、
    リコールアルゴリズムに基づいて、前記目標構造選好における各種の構造及びその重みに基づいて、対応する構造におけるコンテンツを指向的にリコールするように構成されるリコールユニットと、
    ソートアルゴリズムに基づいて、前記リコールの各種の構造におけるコンテンツに対してソートを行うように構成されるソートユニットと、
    前記各種の構造の重みに基づいて、各種の構造の前記推薦結果における位置を確定し、且つ各種の構造でリコールされたコンテンツのソート結果に基づいて、各種の構造で対応するコンテンツを対応する構造に充填し、充填後に前記推薦結果を得るように構成される融合ユニットと、を含む請求項２５に記載のコンテンツ推薦装置。
  27. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサと通信可能に接続されたメモリとを備える電子機器であって、
    前記メモリには、前記少なくとも１つのプロセッサによって実行可能な指令が格納されており、前記指令が前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに請求項１～１３のいずれか１項に記載のコンテンツ推奨方法を実行させる、電子機器。
  28. コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、
    前記コンピュータ指令は前記コンピュータに請求項１～１３のいずれか１項に記載のコンテンツ推奨方法を実行させるために用いられる非一時的コンピュータ可読記憶媒体。
  29. プロセッサによって実行されると、請求項１～１３のいずれか１項に記載のコンテンツ推奨方法を実現する、コンピュータプログラム。
JP2021049336A 2020-09-01 2021-03-24 コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム Pending JP2022031624A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010905989.6A CN112084404B (zh) 2020-09-01 2020-09-01 内容推荐方法、装置、设备和介质
CN202010905989.6 2020-09-01

Publications (1)

Publication Number Publication Date
JP2022031624A true JP2022031624A (ja) 2022-02-22

Family

ID=73731332

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021049336A Pending JP2022031624A (ja) 2020-09-01 2021-03-24 コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム

Country Status (5)

Country Link
US (1) US20210209491A1 (ja)
EP (1) EP3822827A1 (ja)
JP (1) JP2022031624A (ja)
KR (1) KR102644700B1 (ja)
CN (1) CN112084404B (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052664B (zh) * 2021-04-27 2024-01-26 口碑(上海)信息技术有限公司 一种服务信息召回方法、装置、电子设备及存储介质
CN115392944A (zh) * 2021-05-24 2022-11-25 腾讯科技（深圳）有限公司 一种推广内容的处理方法、装置、计算机设备和存储介质
CN113360770B (zh) * 2021-06-30 2024-04-12 北京百度网讯科技有限公司 内容推荐的方法、装置、设备以及存储介质
CN113420222A (zh) * 2021-07-08 2021-09-21 咪咕文化科技有限公司 内容推荐方法及装置
CN113609266B (zh) * 2021-07-09 2024-07-16 阿里巴巴创新公司 资源处理方法以及装置
CN113609381B (zh) * 2021-07-13 2023-12-12 杭州网易云音乐科技有限公司 作品推荐方法、装置、介质和计算设备
CN113469752A (zh) * 2021-07-22 2021-10-01 北京沃东天骏信息技术有限公司 内容推荐方法、装置、存储介质及电子设备
CN113434779B (zh) * 2021-07-22 2023-01-03 咪咕数字传媒有限公司 可智能推荐的互动阅读方法、装置、计算设备和存储介质
CN113656637B (zh) * 2021-07-26 2022-09-23 北京达佳互联信息技术有限公司 视频推荐方法、装置、电子设备及存储介质
CN113516539A (zh) * 2021-07-29 2021-10-19 中移（杭州）信息技术有限公司 商品推荐方法、装置及计算机可读存储介质
CN113590955A (zh) * 2021-07-30 2021-11-02 武汉斗鱼鱼乐网络科技有限公司 目标推荐用户确定方法、装置、电子设备以及存储介质
CN113741930A (zh) * 2021-08-02 2021-12-03 深圳Tcl新技术有限公司 应用升级方法、装置、电子设备及计算机可读存储介质
CN113727195B (zh) * 2021-08-31 2022-11-01 广东艾檬电子科技有限公司 一种视频推荐方法、终端设备以及计算机可读存储介质
CN113722594B (zh) * 2021-09-01 2024-01-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN114219516B (zh) * 2021-11-08 2023-06-30 梅瑞生 基于大数据的信息流会话推荐方法及深度学习服务系统
CN114399351A (zh) * 2021-12-22 2022-04-26 中国电信股份有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN114936326B (zh) * 2022-07-20 2022-11-29 陈守红 基于人工智能的信息推荐方法、装置、设备及存储介质
CN115499704B (zh) * 2022-08-22 2023-12-29 北京奇艺世纪科技有限公司 一种视频推荐方法、装置、可读存储介质及电子设备
CN117332145B (zh) * 2022-08-26 2024-09-06 荣耀终端有限公司 一种应用程序推荐方法、装置及用户设备
CN115797723B (zh) * 2022-11-29 2023-10-13 北京达佳互联信息技术有限公司 滤镜推荐方法、装置、电子设备及存储介质
CN117112870B (zh) * 2023-09-12 2024-07-02 周向红 基于人工智能的用户交互画像分类方法及ai会话交互系统
CN118628213A (zh) * 2024-08-12 2024-09-10 安徽省优质采科技发展有限责任公司 一种基于用户行为分析的公告智能推荐方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001285744A (ja) * 2000-03-28 2001-10-12 Matsushita Electric Ind Co Ltd 電子番組表表示装置、媒体及び情報集合体
JP2007060398A (ja) * 2005-08-25 2007-03-08 Toshiba Corp 番組情報提供装置、番組情報提供方法及びそのプログラム
JP2009252179A (ja) * 2008-04-10 2009-10-29 Ntt Docomo Inc レコメンド情報評価装置およびレコメンド情報評価方法
JP2010041163A (ja) * 2008-08-01 2010-02-18 Fujitsu Ltd 表示装置，遠隔操作装置および表示プログラム
JP2015154440A (ja) * 2014-02-19 2015-08-24 Kddi株式会社 携帯端末、携帯端末用プログラム及びコンテンツ配信システム
US20180129749A1 (en) * 2015-09-08 2018-05-10 Tencent Technology (Shenzhen) Company Limited Method, apparatus, and system for recommending real-time information
JP2019057259A (ja) * 2017-09-19 2019-04-11 ヤフー株式会社 提供プログラム、提供装置、提供方法、端末装置および情報提供装置

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8255413B2 (en) * 2004-08-19 2012-08-28 Carhamm Ltd., Llc Method and apparatus for responding to request for information-personalization
US8290986B2 (en) * 2007-06-27 2012-10-16 Yahoo! Inc. Determining quality measures for web objects based on searcher behavior
CN102169566A (zh) * 2010-02-26 2011-08-31 国际商业机器公司 在陌生领域中生成推荐项目的方法和装置
US9218422B2 (en) * 2011-07-26 2015-12-22 Microsoft Technology Licensing, Llc Personalized deeplinks for search results
KR20130026567A (ko) * 2011-07-29 2013-03-14 (주)아이티에이치 사용자 단말의 행동패턴에 따른 추천 컨텐츠를 제공하는 컨텐츠 제공시스템
KR20130035064A (ko) * 2011-09-29 2013-04-08 삼성전자주식회사 개인 성향 기반의 개인화 서비스 제공 방법 및 시스템
US10198524B1 (en) * 2013-07-19 2019-02-05 BloomReach Inc. Dynamic categories
US11100554B1 (en) * 2014-03-13 2021-08-24 BloomReach Inc. System, method and computer program product for providing thematic landing pages
US11138631B1 (en) * 2015-10-30 2021-10-05 Amazon Technologies, Inc. Predictive user segmentation modeling and browsing interaction analysis for digital advertising
US10769189B2 (en) * 2015-11-13 2020-09-08 Microsoft Technology Licensing, Llc Computer speech recognition and semantic understanding from activity patterns
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
US11756106B1 (en) * 2017-05-26 2023-09-12 Qubit Digital Ltd. System and method for personalized portal interface
CN107562818B (zh) * 2017-08-16 2020-01-24 中国工商银行股份有限公司 信息推荐系统及方法
CN108334536B (zh) * 2017-11-30 2023-10-24 中国电子科技集团公司电子科学研究院 一种信息推荐方法、设备和存储介质
CN108829761B (zh) * 2018-05-28 2022-03-15 苏州大学 一种兴趣点推荐方法、系统、介质及设备
US10743049B2 (en) * 2018-10-24 2020-08-11 At&T Intellectual Property I, L.P. Pre-positioning of streaming content onto communication devices for future content recommendations
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치
CN111353091B (zh) * 2018-12-24 2024-10-11 北京三星通信技术研究有限公司 信息处理方法、装置、电子设备及可读存储介质
CN110119467B (zh) * 2019-05-14 2023-05-02 苏州大学 一种基于会话的项目推荐方法、装置、设备及存储介质
CN110674406A (zh) * 2019-09-29 2020-01-10 百度在线网络技术（北京）有限公司 推荐方法、装置、电子设备及存储介质
US11361239B2 (en) * 2019-11-07 2022-06-14 Fmr Llc Digital content classification and recommendation based upon artificial intelligence reinforcement learning
US11494670B2 (en) * 2020-03-18 2022-11-08 Microsoft Technology Licensing, Llc Unified moderation and analysis of content
CN111177575B (zh) * 2020-04-07 2020-07-24 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001285744A (ja) * 2000-03-28 2001-10-12 Matsushita Electric Ind Co Ltd 電子番組表表示装置、媒体及び情報集合体
JP2007060398A (ja) * 2005-08-25 2007-03-08 Toshiba Corp 番組情報提供装置、番組情報提供方法及びそのプログラム
JP2009252179A (ja) * 2008-04-10 2009-10-29 Ntt Docomo Inc レコメンド情報評価装置およびレコメンド情報評価方法
JP2010041163A (ja) * 2008-08-01 2010-02-18 Fujitsu Ltd 表示装置，遠隔操作装置および表示プログラム
JP2015154440A (ja) * 2014-02-19 2015-08-24 Kddi株式会社 携帯端末、携帯端末用プログラム及びコンテンツ配信システム
US20180129749A1 (en) * 2015-09-08 2018-05-10 Tencent Technology (Shenzhen) Company Limited Method, apparatus, and system for recommending real-time information
JP2019057259A (ja) * 2017-09-19 2019-04-11 ヤフー株式会社 提供プログラム、提供装置、提供方法、端末装置および情報提供装置

Also Published As

Publication number Publication date
US20210209491A1 (en) 2021-07-08
EP3822827A1 (en) 2021-05-19
KR20210042867A (ko) 2021-04-20
CN112084404A (zh) 2020-12-15
CN112084404B (zh) 2024-03-01
KR102644700B1 (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
JP2022031624A (ja) コンテンツ推奨方法、装置、電子機器、記憶媒体およびコンピュータプログラム
JP6989628B2 (ja) 将来のアクションのためのユーザインターフェースデータキャッシングの最適化
CN111143686B (zh) 资源推荐方法及装置
JP7224395B2 (ja) 推薦システムの最適化方法、装置、デバイス及びコンピュータ記憶媒体
CN112106093B (zh) 高级网页内容管理
JP2024503774A (ja) 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
KR20130014581A (ko) 관심사항 클라우드에 포함된 관심사항 태그에 기초한 콘텐츠 선택
JP7371317B2 (ja) 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
US20160350658A1 (en) Viewport-based implicit feedback
CN113392237A (zh) 一种分类标签展示方法、服务器及显示设备
JP7498248B2 (ja) コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム
CN111552884B (zh) 用于内容推荐的方法和设备
US20240211512A1 (en) Search result reordering method and apparatus, device, storage medium, and program product
US20230089574A1 (en) Modifying a document content section of a document object of a graphical user interface (gui)
CN113869377A (zh) 训练方法、装置及电子设备
CN117573973A (zh) 资源推荐方法、装置、电子设备以及存储介质
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN116957678A (zh) 一种数据处理方法和相关装置
JP2024502609A (ja) 学習したユーザコンテキストと対話とに基づいたアンビエント情報、ならびに関連するシステムおよびデバイスの提供
CN114491249A (zh) 一种对象推荐方法、装置、设备以及存储介质
US20240242106A1 (en) Machine learning rank and prediction calibration
CN114302242B (zh) 一种媒资推荐方法、显示设备及服务器
CN114398490B (zh) 一种基于分层注意力机制的知识图谱补全方法及装置
CN117786209A (zh) 资源推荐方法、推荐模型的训练方法及装置
CN117271880A (zh) 一种推荐方法、装置和电子设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211208

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230124

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230224

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230524

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230614

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230913

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231212

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240305

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240701

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20240709