KR20210042867A - 콘텐츠 추천 방법, 장치, 기기 및 매체 - Google Patents

콘텐츠 추천 방법, 장치, 기기 및 매체 Download PDF

Info

Publication number
KR20210042867A
KR20210042867A KR1020210042351A KR20210042351A KR20210042867A KR 20210042867 A KR20210042867 A KR 20210042867A KR 1020210042351 A KR1020210042351 A KR 1020210042351A KR 20210042351 A KR20210042351 A KR 20210042351A KR 20210042867 A KR20210042867 A KR 20210042867A
Authority
KR
South Korea
Prior art keywords
preference
user
content
session
past
Prior art date
Application number
KR1020210042351A
Other languages
English (en)
Other versions
KR102644700B1 (ko
Inventor
허성 리우
유 왕
유링 시옹
쥐밍 펭
나이페이 송
슈케 친
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20210042867A publication Critical patent/KR20210042867A/ko
Application granted granted Critical
Publication of KR102644700B1 publication Critical patent/KR102644700B1/ko

Links

Images

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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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

Abstract

본 발명은 콘텐츠 추천 방법, 장치, 기기 및 매체를 개시하고, 스마트 추천, 딥 러닝 및 빅데이터 기술에 관한 것이다. 구체적인 과제의 해결 수단은 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하고, 여기서, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정하며; 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하고, 여기서, 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함된다. 본 발명은 사용자의 구조 선호도를 결정하여, 글로벌 구조화 표현과 관심 추리를 구현한 다음 구조 선호도에 따라 추천 결과를 결정하므로, 사용자 선호도에 더 부합되는 추천 콘텐츠를 제공할 수 있어, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.

Description

콘텐츠 추천 방법, 장치, 기기 및 매체{CONTENT RECOMMENDATION METHOD, APPARATUS, EQUIPMENT AND MEDIUM}
본 발명은 인터넷 분야에 관한 것이고, 특히 스마트 추천 기술에 관한 것이며, 구체적으로 콘텐츠 추천 방법, 장치, 기기 및 매체에 관한 것이다.
현재 콘텐츠 생태계에 기반한 인터넷 제품에는, 맞춤형 콘텐츠 추천 전략이 많이 적용되고 있다. 기존의 콘텐츠 추천 방법은 주로 리콜, 배열, 융합 3단계의 층별 선별 메커니즘을 포함하고, 리콜 모듈, 배열 모듈 및 융합 모듈로 구성된다. 여기서, 리콜 모듈은 사용자 기초 정보 및 사용자 과거 행동에 따라, 전체 자원 풀(resource pool)에서 사용자가 관심을 가질 만한 콘텐츠를 초보적으로 선별하고; 배열 모듈은 머신 러닝 알고리즘을 사용하여, 리콜 모듈에서 반환되는 콘텐츠를 하나씩 채점하며; 융합 모듈은 배열 모듈의 채점을 역순으로 배열하고, 다양성 등 비즈니스 로직을 구현하여, 최종 추천 결과를 조립한다.
그러나, 층별 선별 메커니즘에 기반한 콘텐츠 추천 방법이 상대적으로 우수한 추천 효과를 획득하였지만, 콘텐츠 공급과 사용자 선호도의 매칭에서 여전히 부족한 점이 있다.
본 발명은 콘텐츠 추천 방법, 장치, 기기 및 매체를 제공하여, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.
제1 양태에 따르면, 본 발명은 콘텐츠 추천 방법을 제공하고, 상기 방법은, 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하는 단계 - 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정함 - ; 및 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하는 단계 - 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함됨 - ;를 포함한다.
제2 양태에 따르면, 본 발명은 콘텐츠 추천 장치를 더 제공하고, 상기 장치는 구조 선호도 결정 모듈 및 추천 결과 결정 모듈을 포함하며, 상기 구조 선호도 결정 모듈은 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하고, 여기서, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정하며; 상기 추천 결과 결정 모듈은 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하고, 여기서, 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함된다.
제3 양태에 따르면, 본 발명은 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하는 전자 기기를 제공하고, 상기 메모리에 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 본 발명의 임의의 실시예에 따른 콘텐츠 추천 방법을 수행할 수 있도록 한다.
제4 양태에 따르면, 본 발명은 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 제공하고, 상기 컴퓨터 명령은 상기 컴퓨터가 본 발명의 임의의 실시예에 따른 콘텐츠 추천 방법을 수행하도록 한다.
제5 양태에 따르면, 본 발명은 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램을 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 본 발명의 임의의 실시예에 따른 콘텐츠 추천 방법을 구현하도록 한다.
본 발명의 기술적 해결 수단에 따르면, 사용자의 구조 선호도를 결정하여, 글로벌 구조화 표현과 관심 추리를 구현한 다음 구조 선호도에 따라 추천 결과를 결정하여, 추천 결과에 각 상이한 구조를 기반으로 모두 대응되는 추천 콘텐츠가 있도록 함으로써, 사용자 선호도에 더 부합되는 추천 콘텐츠를 제공하여, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.
본 부분에서 설명되는 내용은 본 발명의 실시예의 핵심적이거나 중요한 특징을 식별하기 위한 것이 아니며, 본 발명의 범위를 제한하려는 의도도 아님을 이해해야 한다. 본 발명의 다른 특징은 아래 명세서에 의해 쉽게 이해될 것이며 상기 선택 가능한 방식의 다른 효과는 아래에서 구체적 실시예와 결합하여 설명한다.
도면은 본 해결 수단을 더 잘 이해하기 위한 것이며, 본 발명을 한정하지 않는다.
도 1은 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이다.
도 2a는 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이다.
도 2b는 본 발명의 실시예에 따른 세션 레벨 구조 선호도 모델의 네트워크 구조도이다.
도 3a는 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이다.
도 3b는 본 발명의 실시예에 따른 리프레쉬 레벨 구조 선호도 모델의 모식도이다.
도 4는 본 발명의 실시예에 따른 콘텐츠 추천 장치의 구조 모식도이다.
도 5는 본 발명의 실시예의 콘텐츠 추천 방법을 구현하기 위한 전자 기기의 블록도이다.
아래 도면을 참조하여 본 발명의 예시적 실시예를 설명하되, 여기에 이해를 돕기 위한 본 발명의 실시예의 다양한 세부사항들이 포함되지만, 이들은 단지 예시적인 것으로 이해해야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 발명의 범위 및 정신을 벗어나지 않는 전제하에 여기서 설명된 실시예에 대해 다양한 변형 및 수정을 진행할 수 있음을 이해해야 한다. 마찬가지로, 명확 및 간략을 위해, 아래의 설명에서 공지 기능 및 구조에 대한 설명을 생략한다.
도 1은 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이고, 본 실시예는 사용자에게 콘텐츠를 추천하는 경우에 적용될 수 있으며, 예를 들어 feed 시스템을 통해 사용자에게 스마트 추천, 딥 러닝 및 빅데이터 기술과 관련된 콘텐츠를 추천한다. 상기 방법은 콘텐츠 추천 장치에 의해 수행될 수 있고, 상기 장치는 소프트웨어 및/또는 하드웨어의 방식을 사용하여 구현되며, 바람직하게는 예를 들어 서버 또는 컴퓨터 기기 등 전자 기기에 설치된다. 도 1에 도시된 바와 같이, 상기 방법은 구체적으로 아래와 같은 단계를 포함한다.
단계(S101)에서, 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하고, 여기서, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정한다.
콘텐츠 생태계에 기반한 인터넷 제품이 추천할 수 있는 자원 콘텐츠에서, 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로, 상이한 구조로 분류할 수 있고, 각 구조는 상응한 자원 콘텐츠에 대응된다. 이 밖에, 본 발명 중의 구조는, 명시적 구조일 수 있고, 암시적 구조일 수도 있다. 여기서, 명시적 구조는 일정한 분류 방법에 따라 분류한 현실적 의미를 구비하는 타입 구조이고, 예를 들어, 비디오와 텍스트 및 이미지, 스포츠와 오락, 국제와 국내 등 상이한 구조이며; 암시적 구조는 현실적 의미를 구비하지 않을 수 있고, 어느 한 추상적 분류 방식일 수 있으며, 구체적으로 비즈니스 수요에 따라 정의할 수 있다. 본 발명의 실시예는 구조의 분류 방법에 대해 어떠한 한정도 하지 않으며, 본 발명의 기술적 해결 수단은 임의의 방법에 따라 분류하는 구조에 적용된다.
사용자가 제품을 사용한 과거 행동 데이터는 예를 들어 사용자가 무슨 추천 콘텐츠를 클릭하는지, 또는 어떤 추천 콘텐츠는 클릭한 적이 없는지, 또는 어떤 추천 콘텐츠를 보는 시간이 상대적으로 긴지 등 행동을 포함할 수 있고, 이러한 사용자 행동을 분석하여 사용자가 어떤 구조의 추천 콘텐츠에 비교적 관심을 가지는지, 또는 어떤 구조의 추천 콘텐츠에 관심이 적은지를 반영할 수 있으며, 사용자의 이러한 선호도 관계를 구조 선호도라고 할 수 있다. 따라서, 사용자가 제품을 사용한 과거 행동 데이터에 따라, 구조 자체의 구조 특징을 더 결합하여, 사용자의 타깃 구조 선호도를 결정할 수 있다. 여기서, 구조 자체의 구조 특징은 예를 들어 구조의 명칭, 또는 여러 구조 중 어느 구조의 인기도 또는 관심도, 또는 양자의 결합일 수 있고, 모두 구조 자체의 구조 특징으로 할 수 있으므로, 상이한 구조의 맞춤형 채점에 기반을 제공한다.
구체적인 구현에서, 딥 러닝의 방법을 기반으로, 예측 모델을 미리 구축 및 트레이닝 하고, 예측 모델을 기반으로 과거 행동 데이터 및 구조 특징에 따라 사용자의 타깃 구조 선호도를 결정하도록 할 수 있다. 예를 들어, 예측 모델을 기반으로 채점 방식을 통해 각 구조에 대해 사용자 관심도 예측을 진행하고, 점수 또는 비율을 획득하여 예측값으로 한 다음 모든 예측값에서 점수에 따라 최상부 사전 설정된 개수의 구조를 선택하여, 최종 구조 선호도를 획득한다. 본 발명의 실시예는 사용된 구체적인 모델 구조 및 알고리즘을 한정하지 않는다.
단계(S102)에서, 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하고, 여기서, 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함된다.
타깃 구조 선호도를 결정한 후, 사용자가 가장 관심을 갖는 적어도 두 가지 구조를 획득하는 것에 해당되며, 다음, 각 구조를 기반으로 모두 상응한 추천 콘텐츠를 획득하고, 이러한 구조 및 그 추천 콘텐츠는 최종 추천 결과를 구성한다.
구체적으로, 타깃 구조 선호도에 따라, 리콜, 배열 및 융합 3단계를 통해 각 사용자의 추천 결과를 결정할 수 있다. 다시 말하면, 리콜 및 배열 단계에서, 구조화 리콜 및 배열을 구현하고, 상이한 구조에 따라 리콜 및 배열을 진행하며, 융합 단계에서도 구조화 융합을 구현하고, 각 구조에서 융합을 진행하며, 각 구조를 기반으로 상응한 추천 콘텐츠를 모두 결정한다. 여기서 구체적으로 사용되는 리콜 알고리즘, 배열 알고리즘 및 융합 알고리즘에 대해, 본 발명의 실시예는 어떠한 한정도 하지 않는다.
여기서 설명해야 할 것은, 현재 기술에서 리콜, 배열 및 융합을 기반으로 층별 선별하는 추천 전략 프레임은, 일반적으로 콘텐츠 공급과 사용자 선호도의 매칭에서 부족한 점이 있다.
우선, 현재 기술에서 융합 모듈은 배열 채점을 역순으로 배열하여 최종 송신 결과를 조성하기 때문에, 예를 들어, 사용자가 비디오 타입 콘텐츠를 이미지 타입 콘텐츠보다 많이 클릭할 경우, 층별 선별하는 추천 전략 프레임에 의해, 보다 많은 비디오 타입 콘텐츠를 제공하고, 처음 100개의 추천 콘텐츠가 모두 비디오 타입일 수 있으므로, 이는 송신되는 콘텐츠 구조를 명시적으로 제어하지 않아, 송신되는 구조와 사용자 선호도가 매칭되지 않을 수 있다. 과거에 사용자가 비디오 타입 콘텐츠를 많이 클릭하였다고 하여, 사용자가 비디오 타입 콘텐츠에만 관심을 갖는다는 의미는 아니기 때문이다. 본 발명의 실시예에서는 사용자의 실제 구조화 수요에 따라 콘텐츠를 추천할 수 있고, 최종 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함됨으로써, 구조화의 명시적 제어를 구현하여, 다수의 구조 중 사용자가 관심을 가질 만한 콘텐츠를 모두 사용자에게 추천될 수 있고, 동시에 추천 콘텐츠의 다양성 및 풍부성을 향상시키며, 사용자가 몰입형 체험 및 소비를 할 수 있도록 안내하는데 매우 도움이 된다.
다음, 소수의 관심 지점을 가진 사용자에 있어서, 현재 기술을 기반으로 층별 선별하는 과정에서, 이러한 관심 지점은 일반적으로 채점이 비교적 높은 편재형 관심 지점에 가려지기 쉬우므로, 사용자의 수요를 충족시키지 못하기에, 현재 기술의 층별 선별 메커니즘은 소수의 관심 지점을 가리기 쉽고 정보 고치(information cocoons)를 생성한다. 본 발명의 실시예에서는 글로벌 구조화 표현과 관심 추리를 진행하여, 먼저 사용자의 구조 선호도를 결정하고 구조화된 콘텐츠를 추천하므로, 이러한 인기 있는 편재형 관심 지점이 추천될 뿐만 아니라, 사용자에 부합되는 소수의 관심 지점도 추천될 수 있음으로써, 정보 고치를 타파하고, 사용자 실제 구조화 수요에 부합되는 추천 콘텐츠를 제공할 수 있다.
그 다음, 현재 기술의 층별 선별에 기반한 콘텐츠 추천 방법은 특정 비즈니스 타깃을 구현해야 할 경우, 일반적으로 다양한 차원에서 가중치를 조절하는 방식을 사용하고, 비즈니스 타깃이 점차 증가될 경우, 추천 시스템은 블랙박스로 기울어지고, 하나의 비즈니스 타깃을 충족시키는 동시에 다른 비즈니스 타깃에도 영향을 미치며, 각 비즈니스 타깃 사이에 균형을 맞추기 어려워, 시스템 전체의 발전을 제한한다. 본 발명의 실시예에서는 사용자 관심 추리를 기반으로 구조화 콘텐츠 추천을 구현하므로 이러한 문제를 방지할 수 있다. 예를 들어, 상이한 비즈니스 타깃에 따라 자원을 구조화 분류한 다음 관심 추리 및 구조화 추천을 수행하기에, 각 비즈니스 타깃 사이에 서로 영향을 미치는 문제를 방지할 수 있다.
이 밖에, 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하는 단계 이전에, 상기 방법은 타깃 구조 선호도에 따라 구조 차원을 탐색하는 단계를 더 포함할 수 있다. 예를 들어, 추리하여 획득한 구조 선호도는 사용자 과거 행동을 기반으로 추리해낸 실제 구조화 선호도를 나타내지만, 추천 시스템으로서, 하나의 가능성도 존재하는데, 즉 사용자의 비관심 구조는, 추천 시스템에서 과거에 사용자에게 제공하지 않았기 때문일 수 있다. 따라서, 비즈니스 수요에 따라 구조 선호도를 조절하고, 구조 선호도를 간섭 및 탐색함으로써, 사용자의 새로운 관심 지점을 효과적으로 발견하고, 정보 고치를 타파하며, 사용자 수요를 더 충족시킬 수 있다.
본 발명의 실시예의 기술적 해결 수단은, 사용자의 구조 선호도를 결정하여, 글로벌 구조화 표현과 관심 추리를 구현한 다음 구조 선호도에 따라 추천 결과를 결정하여, 추천 결과에 각 상이한 구조를 기반으로 모두 대응되는 추천 콘텐츠가 있도록 함으로써, 사용자 선호도에 더 부합되는 추천 콘텐츠를 제공하여, 콘텐츠 공급과 사용자 선호도의 매칭률을 높이고, 사용자가 추천 시스템을 사용하여 몰입형 소비를 진행하고, 제품 시간을 견인하며, 분배하는 등 지표를 현저하게 향상시키는 것을 효과적으로 촉진한다.
도 2a는 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이고, 본 실시예는 상기 실시예를 기반으로 더 최적화한다. 도 2a에 도시된 바와 같이, 상기 방법은 구체적으로 아래와 같은 단계를 포함한다.
단계(S201)에서, 세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 상기 세션 레벨 구조 선호도를 상기 타깃 구조 선호도로 한다.
사용자는 콘텐츠 추천 제품을 사용할 경우, 페이지를 열어 사용하기 시작하여 페이지에서 나와 사용을 중지하기 까지, 일반적으로 지속적인 브라우징 또는 소비 과정을 진행하고, 그 기간 동안 일련의 동작과 피드백을 진행하는데, 이 과정을 세션(session)이라고 한다. 사용자의 세션이 길수록, 사용자가 콘텐츠 추천에 몰입한 상태가 지속적인 것을 설명하고, 이는 추천 효과가 좋을수록, 사용자 선호도와의 매칭률이 높다는 것을 간접적으로 설명한다.
사용자의 선호도는 각 세션에서 일치하지 않기에, 본 발명은 세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 세션 레벨 구조 선호도를 타깃 구조 선호도로 한다. 즉, 매번 세션이 시작될 경우, 사용자 현재 세션의 세션 레벨 구조 선호도를 예측함으로써, 보다 좋은 추천을 구현한다. 여기서, 과거 행동 데이터는 예를 들어 사용자의 직전의 세션 프로세스에서 생성되는 데이터, 또는 적어도 직전의 데이터를 포함하는 설정 시간대 내에 나타난 세션 프로세스에서 생성되는 데이터일 수 있다.
구체적으로, 상기 과거 행동 데이터는 과거 선택 구조 콘텐츠, 과거 선택 항목 콘텐츠, 과거 비선택 구조 콘텐츠 및 과거 비선택 항목 콘텐츠를 포함한다. 여기서, 과거 선택 구조 콘텐츠 및 과거 비선택 구조 콘텐츠는 추천 콘텐츠와 관련된 구조 중 어떤 구조가 사용자에게 선택되고(예를 들어, 클릭하는 방식을 통해 선택함), 어떤 구조가 선택되지 않았는지를 의미하고, 과거 선택 항목 콘텐츠 및 과거 비선택 항목 콘텐츠는 추천 콘텐츠 중의 각 항목에 대해 어떤 항목이 사용자에게 선택되고 어떤 항목이 선택되지 않았는지를 의미한다. 과거 선택 구조 콘텐츠 및 과거 선택 항목 콘텐츠는 사용자가 관심을 갖는 콘텐츠를 반영하고, 과거 비선택 구조 콘텐츠 및 과거 비선택 항목 콘텐츠는 사용자의 비관심 콘텐츠를 반영하며, 이러한 구조 콘텐츠 및 항목 콘텐츠는 모두 리스트의 형태로 표시될 수 있다.
상기 구조 특징은 구조 명칭 및 구조 속성으로 표시하고, 구체적으로 구조 명칭과 구조 속성을 스티칭함으로써, 구조 특징을 구성한다. 여기서, 구조 속성은 상이한 구조의 과거 클릭 노출 정보를 나타내고, 예를 들어 클릭수 및 노출수 등 통계값이며, 과거 클릭 노출 정보를 통해 상이한 구조가 전체에 대한 평균 우열 정도를 반영할 수 있고, 어느 정도 맞춤형 채점에 정보를 제공한다.
이 밖에, 과거 행동 데이터 및 구조 특징을 고려하는 외에, 제1 장면 특징도 고려할 수 있고, 과거 행동 데이터, 제1 장면 특징 및 구조 특징을 기반으로, 사용자의 현재 세션 레벨 구조 선호도를 결정한다. 다시 말하면, 과거 세션 프로세스 중 사용자의 과거 행동 데이터, 제1 장면 특징 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정한다. 여기서, 제1 장면 특징은 각 세션이 위치한 장면을 나타낸다. 장면은 비즈니스 수요에 따라 미리 분류할 수 있고, 예를 들어, 시간대에 따라 장면을 아침 피크, 오전, 정오, 오후 및 저녁 피크 등으로 분류하거나, 또는 지리적 위치에 따라 장면을 직접 분류할 수 있으며, 예를 들어 집, 사무실 또는 공원 등으로 분류한다. 본 발명은 구체적인 분류 방식에 대해 어떠한 한정도 하지 않는다. 사용자의 장면 특징을 결합하여 세션 레벨 구조 선호도를 결정하면, 구조 선호도의 추리 결과가 보다 정확하고 전면적일 수 있다.
일 실시형태에서, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계는, 미리 트레이닝된 세션 레벨 구조 선호도 모델을 이용하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계를 포함하고, 여기서, 상기 세션 레벨 구조 선호도 모델의 학습 타깃은 세션 내에서 임의의 구조에 대한 사용자의 선호도를 포함한다.
다시 말하면, 딥 러닝 기술을 결합하여, 미리 트레이닝된 딥 러닝 모델을 사용하여 세션 레벨 구조 선호도의 예측을 구현한다. 여기서, 모델은 매일 업데이트될 수 있고, 실시간으로 사용자 세션 레벨 구조 선호도의 예측에 사용될 수 있다. 구체적으로, 상기 세션 레벨 구조 선호도 모델의 트레이닝 프로세스는 아래와 같은 단계를 포함한다.
다수의 트레이닝 샘플을 모델 입력으로 하며, 여기서, 각 트레이닝 샘플은 한 번의 세션 프로세스에서 생성된 사용자 행동 데이터이고, 각 트레이닝 샘플에는 N 개의 서브 샘플이 포함되며, 각 서브 샘플은 상기 세션 프로세스에 표시되는 각 구조의 사용자 행동 데이터이고, N은 자연수이며; 미리 라벨링된 각 트레이닝 샘플에 관련된 각 구조의 클릭률 비율을 모델 출력으로 하여, 상기 세션 레벨 구조 선호도 모델을 트레이닝한다.
여기서, 각 트레이닝 샘플에는 다양한 구조가 포함되기 때문에, 혼란스러운 것을 방지하기 위해, 본 발명에서는 트레이닝 샘플을 N 개의 서브 샘플로 분류하고, 각 서브 샘플은 상기 세션 프로세스에 표시되는 각 구조의 사용자 행동 데이터이다. 이 밖에, 모델은 예를 들어 DNN(Deep Neural Networks, 심층 신경망)을 사용하여 구현될 수 있고, 트레이닝은 기울기 역방향 전파를 사용하여 모델 파라미터를 러닝할 수 있다. 설명해야 할 것은, 본 발명은 모델의 알고리즘 및 트레이닝 방식에 대해 어떠한 한정도 하지 않는다.
도 2b는 본 발명의 실시예에 따른 세션 레벨 구조 선호도 모델의 네트워크 구조도이다. 예시로서, 도면에 도시된 바와 같이, 모델은 입력된 과거 클릭 구조 리스트 및 통합된 과거 클릭 항목 리스트의 embedding(임베딩)에 따라 사용자의 관심 표현을 추출하고, 과거 클릭하지 않은 구조 리스트 및 통합된 과거 클릭하지 않은 항목 리스트의 embedding에 따라 사용자의 비관심 표현을 추출하며, 사용자 장면 특징의 embedding을 결합하여 사용자의 표현을 획득하고, 마지막으로 구조 특징의 embedding을 결합하여 사용자의 구조 선호도를 예측한다.
단계(S202)에서, 리콜 알고리즘을 기반으로, 타깃 구조 선호도 중 각 구조 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜한다.
현재 기술 중 층별 선별 메커니즘에 기반한 콘텐츠 추천 방법에서, 리콜 모듈 전략은 사용자 과거 행동 및 딥 러닝 모델을 기반으로, 전체 자원 풀에서 사용자 벡터 및 콘텐츠 벡터의 매칭에 의해 리콜된다. 본 발명의 실시예에서는 리콜하기 전에 사용자의 타깃 구조 선호도를 미리 견적 산출하기에, 리콜 전략은 구조화 리콜로 업그레이드될 수 있고, 즉 시스템이 견적한 타깃 구조 선호도 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜한다. 여기서, 타깃 구조 선호도에는 각 구조에 대한 사용자 선호도의 가중치 표현이 포함되고, 가중치 표현 및 사전 설정된 임계값에 따라, 최상부 사전 설정된 개수의 구조를 선택하여 리콜된 타깃으로 함으로써, 구조화 리콜을 통해 사용자가 실제로 관심을 갖는 구조에 더 많은 컴퓨팅 파워를 집중하여, 타깃 구조 선호도 중의 각 구조에 모두 충분한 후보 콘텐츠를 제공하며, 사용자가 선호하는 구조의 보다 우수한 자원 콘텐츠를 리콜한다. 여기서 설명해야 할 것은, 본 발명의 실시예는 리콜 알고리즘에 대해 어떠한 한정도 하지 않는다.
단계(S203)에서, 배열 알고리즘을 기반으로, 리콜된 각 구조의 콘텐츠를 배열한다.
즉, 타깃 구조 선호도 중 각 구조에서 리콜된 콘텐츠를 배열한다. 여기서, 본 발명의 실시예는 배열 알고리즘에 대해 어떠한 한정도 하지 않는다.
단계(S204)에서, 각 구조의 가중치에 따라, 추천 결과에서 각 구조의 위치를 결정하고, 각 구조에서 리콜된 콘텐츠의 배열 결과에 따라, 각 구조에 대응되는 콘텐츠를 상응한 구조에 채워 넣어, 추천 결과를 획득한다.
단계(S204)를 통해 구현된 구조화 융합은, 사용자 선호도에 가장 부합되는 구조를 사용하여 콘텐츠를 사용자에게 송신하고, 각 구조가 속한 가장 우수한 자원을 표시할 수 있다.
본 발명의 실시예의 기술적 해결 수단은, 사용자의 세션 레벨 구조 선호도를 결정하여, 글로벌 구조화 표현과 관심 추리를 구현하고, 매번 세션을 시작할 경우, 세션 레벨 구조 선호도에 따라 추천 결과를 결정하여, 추천 결과에 각 상이한 구조를 기반으로 모두 대응되는 추천 콘텐츠가 있도록 함으로써, 사용자 선호도에 더 부합되는 추천 콘텐츠를 제공하여, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.
도 3a는 본 발명의 실시예에 따른 콘텐츠 추천 방법의 흐름 모식도이고, 본 실시예는 상기 실시예를 기반으로 더 최적화한다. 도 3a에 도시된 바와 같이, 상기 방법은 구체적으로 아래와 같은 단계를 포함한다.
단계(S301)에서, 세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정한다.
단계(S302)에서, 세션 내의 각 리프레쉬 요청에 응답하여, 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하고, 리프레쉬 레벨 구조 선호도를 타깃 구조 선호도로 한다.
하나의 세션에서, 서버는 일반적으로 추천 결과를 여러 번 나누어 클라이언트에 발송하고, 사용자가 클라이언트에서 위아래로 슬라이딩하는 동작은 한 번의 서버와의 인터랙션을 발생하며, 한 번의 리프레쉬이라고 한다. 일반적으로, 하나의 세션은 다수의 연속적인 리프레쉬로 구성되고, 다음 리프레쉬는 이전 리프레쉬에 대한 사용자의 피드백에 따라 실시간으로 조절된다. 다시 말하면, 이번 세션에서 예측한 세션 레벨 구조 선호도를 기반으로, 상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보를 결합하여, 매번 리프레쉬된 리프레쉬 레벨 구조 선호도를 결정하여, 사용자 구조 선호도의 예측을 보다 세분화하여 구현한다.
여기서, 구조화 피드백 정보는 직전 리프레쉬 프로세스를 포함하는 과거 설정 시간대 내의 사용자 행동 데이터를 기반으로, 통계하여 획득한 상이한 구조의 피드백 정보를 표시한다. 다시 말하면, 직전 리프레쉬 프로세스 중의 행동 데이터, 및 설정된 시간대 내(예를 들어 일주일)의 다른 리프레쉬 프로세스 중의 행동 데이터에 따라, 상이한 구조의 피드백 정보를 통계하고, 예를 들어 상이한 구조의 노출수 또는 클릭 비율 등 통계 값이다.
일 실시형태에서, 진화 러닝의 방식을 통해 리프레쉬 레벨 구조 선호도를 예측할 수 있다. 예를 들어, 세션 레벨 구조 선호도 및 구조화 피드백 정보를 모델 입력으로 하고, 진화 러닝 모델을 이용하여, 세션 레벨 구조 선호도를 조절하여, 리프레쉬 레벨 구조 선호도를 출력한다. 본 발명의 실시예는 모델의 구조 및 알고리즘에 대해 어떠한 한정도 하지 않는다.
이 밖에, 제2 장면 특징을 고려할 수도 있고, 즉, 세션 레벨 구조 선호도, 제2 장면 특징 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하며, 여기서, 제2 장면 특징은 각 리프레쉬가 위치한 장면을 표시한다. 장면 특징을 결합하면, 보다 정확하고 전면적인 구조 선호도를 예측할 수 있다. 본 발명의 실시예는 장면의 분류 방식에 대해 어떠한 한정도 하지 않는다.
도 3b는 본 발명의 실시예에 따른 리프레쉬 레벨 구조 선호도 모델의 모식도이다. 여기서, 리프레쉬 레벨 구조 점수를 획득한 후, 비즈니스 수요에 따라 구조 차원의 후처리, 탐색 및 표준화를 진행하여, 최종 리프레쉬 레벨 구조 선호도를 획득할 수 있다.
단계(S303)에서, 리콜 알고리즘을 기반으로, 상기 타깃 구조 선호도 중 각 구조 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜한다.
단계(S304)에서, 배열 알고리즘을 기반으로, 상기 리콜된 각 구조의 콘텐츠를 배열한다.
단계(S305)에서, 상기 각 구조의 가중치에 따라, 상기 추천 결과에서 각 구조의 위치를 결정하고, 각 구조에서 리콜된 콘텐츠의 배열 결과에 따라, 각 구조에 대응되는 콘텐츠를 상응한 구조에 채워 넣어, 상기 추천 결과를 획득한다.
본 발명의 실시예의 기술적 해결 수단은, 2개의 차원의 구조화 표현을 설정하여, 세션 레벨 구조 선호도를 결정한 후, 상기 세션 레벨 구조 선호도를 기반으로, 매번 세션에서 리프레쉬할 경우, 리프레쉬 레벨 구조 선호도를 더 결정하여, 더 세분화된 각도에서 사용자 선호도를 추리함으로써, 각 리프레쉬 프로세스에서 모두 사용자의 현재 구조 선호도에 보다 부합되는 추천 콘텐츠를 획득할 수 있어, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.
도 4는 본 발명의 실시예에 따른 콘텐츠 추천 장치의 구조 모식도이고, 본 실시예는 사용자에게 콘텐츠를 추천하는 경우에 적용될 수 있으며, 예를 들어 feed 시스템을 통해 사용자에게 스마트 추천, 딥 러닝 및 빅데이터 기술과 관련된 콘텐츠를 추천한다. 상기 장치는 본 발명의 임의의 실시예에 따른 콘텐츠 추천 방법을 구현할 수 있다. 도 4에 도시된 바와 같이, 상기 장치(400)는 구체적으로 구조 선호도 결정 모듈(401) 및 추천 결과 결정 모듈(402)을 포함한다.
상기 구조 선호도 결정 모듈(401)은 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하고, 여기서, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정하며; 상기 추천 결과 결정 모듈(402)은 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하고, 여기서, 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함된다.
선택 가능하게, 상기 구조 선호도 결정 모듈은 세션 레벨 구조 선호도 결정 유닛을 포함한다.
상기 세션 레벨 구조 선호도 결정 유닛은 세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 상기 세션 레벨 구조 선호도를 상기 타깃 구조 선호도로 한다.
선택 가능하게, 상기 과거 행동 데이터는 과거 선택 구조 콘텐츠, 과거 선택 항목 콘텐츠, 과거 비선택 구조 콘텐츠 및 과거 비선택 항목 콘텐츠를 포함한다.
선택 가능하게, 상기 구조 특징은 구조 명칭 및 구조 속성으로 표시하고, 여기서, 상기 구조 속성은 상이한 구조의 과거 클릭 노출 정보를 나타낸다.
선택 가능하게, 상기 세션 레벨 구조 선호도 결정 유닛은 구체적으로, 과거 세션 프로세스 중 사용자의 과거 행동 데이터, 제1 장면 특징 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 여기서, 상기 제1 장면 특징은 각 세션이 위치한 장면을 나타낸다.
선택 가능하게, 상기 세션 레벨 구조 선호도 결정 유닛은 또한 구체적으로, 미리 트레이닝된 세션 레벨 구조 선호도 모델을 이용하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고; 여기서, 상기 세션 레벨 구조 선호도 모델의 학습 타깃은 세션 내에서 임의의 구조에 대한 사용자의 선호도를 포함한다.
선택 가능하게, 상기 세션 레벨 구조 선호도 모델의 트레이닝 프로세스는, 다수의 트레이닝 샘플을 모델 입력으로 하는 것을 포함하며, 각 트레이닝 샘플은 한 번의 세션 프로세스에서 생성된 사용자 행동 데이터이고, 각 트레이닝 샘플에는 N 개의 서브 샘플이 포함되며, 각 서브 샘플은 상기 세션 프로세스에 표시되는 각 구조의 사용자 행동 데이터이고, N은 자연수이며;
미리 라벨링된 각 트레이닝 샘플에 관련된 각 구조의 클릭률 비율을 모델 출력으로 하여, 상기 세션 레벨 구조 선호도 모델을 트레이닝하는 것을 포함한다.
선택 가능하게, 상기 구조 선호도 결정 모듈은 리프레쉬 레벨 구조 선호도 결정 유닛을 더 포함한다.
상기 리프레쉬 레벨 구조 선호도 결정 유닛은 상기 세션 내의 매번 리프레쉬 요청에 응답하여, 상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하고, 상기 리프레쉬 레벨 구조 선호도를 상기 타깃 구조 선호도로 하며; 여기서, 상기 구조화 피드백 정보는 직전 리프레쉬 프로세스를 포함하는 과거 설정 시간대 내의 사용자 행동 데이터를 기반으로, 통계하여 획득한 상이한 구조의 피드백 정보를 나타낸다.
선택 가능하게, 상기 리프레쉬 레벨 구조 선호도 결정 유닛은 구체적으로, 상기 세션 레벨 구조 선호도 및 구조화 피드백 정보를 모델 입력으로 하고, 진화 러닝 모델을 이용하여, 상기 세션 레벨 구조 선호도를 조절하여, 상기 리프레쉬 레벨 구조 선호도를 출력한다.
선택 가능하게, 상기 리프레쉬 레벨 구조 선호도 결정 유닛은 또한 구체적으로, 상기 세션 레벨 구조 선호도, 제2 장면 특징 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하고, 여기서, 상기 제2 장면 특징은 각 리프레쉬가 위치한 장면을 나타낸다.
선택 가능하게, 상기 장치는 탐색 모듈을 더 포함한다.
상기 탐색 모듈은 상기 추천 결과 결정 모듈이 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하기 이전에, 상기 타깃 구조 선호도에 따라 구조 차원을 탐색한다.
선택 가능하게, 상기 추천 결과 결정 모듈은 구체적으로, 상기 타깃 구조 선호도에 따라, 리콜, 배열 및 융합을 통해, 각 사용자의 추천 결과를 결정한다.
선택 가능하게, 상기 타깃 구조 선호도에는 각 구조에 대한 사용자 선호도의 가중치 표현이 포함되고; 상응하게, 상기 추천 결과 결정 모듈은, 리콜 알고리즘을 기반으로, 상기 타깃 구조 선호도 중 각 구조 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜 하기 위한 리콜 유닛; 배열 알고리즘을 기반으로, 상기 리콜된 각 구조의 콘텐츠를 배열하기 위한 배열 유닛; 및 상기 각 구조의 가중치에 따라, 상기 추천 결과에서 각 구조의 위치를 결정하고, 각 구조에서 리콜된 콘텐츠의 배열 결과에 따라, 각 구조에 대응되는 콘텐츠를 상응한 구조에 채워 넣어, 상기 추천 결과를 획득하기 위한 융합 유닛을 포함한다.
본 발명의 실시예가 제공하는 콘텐츠 추천 장치(400)는 본 발명의 임의의 실시예가 제공하는 콘텐츠 추천 방법을 수행할 수 있고, 수행 방법에 대응되는 기능 모듈 및 유익한 효과를 구비한다. 본 실시예에서 상세하게 설명되지 않은 내용은 본 발명의 임의의 방법 실시예의 설명을 참조할 수 있다.
본 발명의 실시예에 따르면, 본 발명은 전자 기기 및 판독 가능 저장 매체를 더 제공한다.
도 5에 도시된 바와 같이, 본 발명의 실시예에 따른 콘텐츠 추천 방법의 전자 기기의 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 운영 플랫폼, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터, 및 다른 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 의미한다. 전자 기기는 개인 디지털 처리, 셀룰러폰, 스마트폰, 웨어러블 기기 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 이동 장치를 의미할 수도 있다. 본문에서 나타낸 부재, 이들의 연결과 관계, 및 이들의 기능은 단지 예시적인 것으로, 본문에서 설명 및/또는 요구된 본 발명의 구현을 한정하지 않는다.
도 5에 도시된 바와 같이, 상기 전자 기기는 하나 또는 다수의 프로세서(501), 메모리(502), 및 고속 인터페이스 및 저속 인터페이스를 포함하는 각 부재를 연결하기 위한 인터페이스를 포함한다. 각 부재는 상이한 버스를 이용하여 서로 연결되고, 공통 메인보드에 장착될 수 있거나 필요에 따라 다른 방식으로 장착될 수 있다. 프로세서는, 메모리에 저장되거나 메모리에서 외부 입력/출력 장치(예를 들어, 인터페이스에 커플링된 표시 기기)에 GUI의 그래픽 정보를 표시하는 명령을 포함하는 전자 기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시형태에서, 필요에 따라 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 다수의 전자 기기를 연결할 수 있고, 각 기기는 일부 필요한 동작(예를 들어, 서버 어레이, 한 그룹의 블레이드 서버, 또는 다중 프로세서 시스템)을 제공한다. 도 5에서 하나의 프로세서(501)를 예로 든다.
메모리(502)는 본 발명에서 제공하는 비일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행되는 명령이 저장되어, 상기 적어도 하나의 프로세서가 본 발명에서 제공하는 콘텐츠 추천 방법을 수행하도록 한다. 본 발명의 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령을 저장하고, 상기 컴퓨터 명령은 컴퓨터가 본 발명에 제공하는 콘텐츠 추천 방법을 수행하도록 한다.
메모리(502)는 비일시적 컴퓨터 판독 가능 저장 매체로서, 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능한 프로그램, 및 본 발명의 실시예의 콘텐츠 추천 방법에 대응되는 프로그램 명령/모듈(예를 들어, 도 4에 도시된 구조 선호도 결정 모듈(401) 및 추천 결과 결정 모듈(402))과 같은 모듈을 저장할 수 있다. 프로세서(501)는 메모리(502)에 저장된 비일시적 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 서버의 다양한 기능 애플리케이션 및 데이터 처리를 수행하는데, 즉 상기 방법 실시예의 콘텐츠 추천 방법을 구현한다.
메모리(502)는 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있고, 여기서, 프로그램 저장 영역은 운영 체제, 적어도 하나의 기능에 필요한 응용 프로그램을 저장할 수 있으며; 데이터 저장 영역은 본 발명의 실시예에 따른 콘텐츠 추천 방법의 전자 기기의 사용에 따라 구축된 데이터 등을 저장할 수 있다. 이 밖에, 메모리(502)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 적어도 하나의 자기 디스크 메모리, 플래시 메모리, 또는 다른 비일시적 고체 상태 메모리와 같은 비일시적 메모리를 더 포함할 수 있다. 일부 실시예에서, 메모리(502)는 프로세서(501)에 대해 원격으로 설치된 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 본 발명의 실시예의 콘텐츠 추천 방법을 구현하는 전자 기기에 연결될 수 있다. 상기 네트워크의 구현예로 인터넷, 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하지만 이에 한정되지 않는다.
본 발명의 실시예의 콘텐츠 추천 방법을 구현하는 전자 기기는 입력 장치(503) 및 출력 장치(504)를 더 포함할 수 있다. 프로세서(501), 메모리(502), 입력 장치(503) 및 출력 장치(504)는 버스 또는 다른 방식을 통해 연결될 수 있고, 도 5에서 버스를 통해 연결되는 것을 예로 든다.
입력 장치(503)는 입력된 디지털 또는 캐릭터 정보를 수신할 수 있고, 본 발명의 실시예의 콘텐츠 추천 방법을 구현하는 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 발생할 수 있으며, 상기 입력 장치는 예를 들어 터치스크린, 키패드, 마우스, 트랙 패널, 터치 패널, 지시 바, 하나 또는 다수의 마우스 버튼, 트랙 볼, 조이스틱 등 입력 장치이다. 출력 장치(504)는 표시 기기, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 표시 기기는 액정 표시 장치(LCD), 발광 다이오드(LED) 표시 장치 및 플라스마 표시 장치를 포함할 수 있지만 이에 한정되지 않는다. 일부 실시형태에서, 표시 기기는 터치스크린일 수 있다.
여기서 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 다수의 컴퓨터 프로그램에서의 구현을 포함할 수 있고, 상기 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 데이터 및 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능 프로세서의 기계 명령을 포함하고, 하이레벨 프로세스 및/또는 객체에 대한 프로그래밍 언어, 및/또는 어셈블리/기계 언어를 이용하여 이러한 컴퓨팅 프로그램을 실행할 수 있다. 본문에서 사용된 바와 같이, 용어 "기계 판독 가능 매체” 및 "컴퓨터 판독 가능 매체”는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기, 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 로직 장치(PLD))를 의미하고, 기계 판독 가능 신호인 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호”는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.
사용자와의 인터랙션을 제공하기 위하여, 컴퓨터에서 여기서 설명된 시스템 및 기술을 실시할 수 있고, 상기 컴퓨터는 사용자에게 정보를 표시하기 위한 표시 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 표시 장치) 모니터); 및 키보드 및 지향 장치(예를 들어, 마우스 또는 트랙 볼)를 구비하며, 사용자는 상기 키보드 및 상기 지향 장치를 통해 컴퓨터에 입력을 제공한다. 다른 타입의 장치는 또한 사용자와의 인터랙션을 제공할 수 있는데, 예를 들어, 사용자에게 제공된 피드백은 임의의 형태의 감지 피드백(예를 들어, 시각 피드백, 청각 피드백, 또는 촉각 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력)로 사용자로부터의 입력을 수신할 수 있다.
여기서 설명된 시스템 및 기술을 백그라운드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어, 응용 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 웹 브라우저를 구비하는 사용자 컴퓨터이고, 사용자는 상기 그래픽 사용자 인터페이스 또는 상기 웹 브라우저를 통해 여기서 설명된 시스템 및 기술의 실시형태와 인터랙션할 수 있음), 또는 이러한 백그라운드 부재, 미들웨어 부재, 또는 프론트 엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 실시할 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예시로 근거리 통신망(LAN), 광역 통신망(WAN), 인터넷, 블록체인 네트워크를 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고 일반적으로 통신 네트워크를 통해 서로 인터랙션한다. 대응되는 컴퓨터에서 실행되고 또한 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트 및 서버의 관계를 생성한다. 서버는 클라우드 컴퓨팅 서버 또는 클라우드 호스트라고도 칭하는 클라우드 서버일 수 있고, 기존 물리적 호스트와 VPS 서비스의 관리가 어렵고, 업무 확장성이 약한 흠결을 해결하는 클라우드 컴퓨팅 서비스 시스템 중의 호스트 제품이다.
본 발명의 실시예의 기술적 해결 수단에 따르면, 사용자의 구조 선호도를 결정하여, 글로벌 구조화 표현과 관심 추리를 구현한 다음 구조 선호도에 따라 추천 결과를 결정하여, 추천 결과에 각 상이한 구조를 기반으로 모두 대응되는 추천 콘텐츠가 있도록 함으로써, 사용자 선호도에 더 부합되는 추천 콘텐츠를 제공하여, 콘텐츠 공급과 사용자 선호도의 매칭률을 높인다.
위에서 설명한 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들어, 본 발명에 기재된 각 단계는 동시에 수행될 수 있거나 순차적으로 수행될 수 있거나 상이한 순서로 수행될 수 있고, 본 발명에서 공개된 기술적 해결 수단이 이루고자 하는 결과를 구현할 수만 있으면, 본문은 여기서 한정하지 않는다.
상기 구체적인 실시형태는 본 발명의 보호 범위를 한정하지 않는다. 본 기술분야의 통상의 기술자는 설계 요구 및 다른 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해해야 한다. 본 발명의 정신 및 원칙 내에서 진행한 임의의 수정, 등가적 대체 및 개선 등은 모두 본 발명의 보호 범위 내에 속해야 한다.

Claims (29)

  1. 콘텐츠 추천 방법으로서,
    사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하는 단계로서, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정하는, 상기 타깃 구조 선호도를 결정하는 단계; 및
    상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하는 단계로서, 상기 추천 결과에 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함되는, 상기 추천 결과를 결정하는 단계
    를 포함하는, 콘텐츠 추천 방법.
  2. 제1항에 있어서,
    상기 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하는 단계는,
    세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 상기 세션 레벨 구조 선호도를 상기 타깃 구조 선호도로 하는 단계를 포함하는, 콘텐츠 추천 방법.
  3. 제2항에 있어서,
    상기 과거 행동 데이터는 과거 선택 구조 콘텐츠, 과거 선택 항목 콘텐츠, 과거 비선택 구조 콘텐츠 및 과거 비선택 항목 콘텐츠를 포함하는, 콘텐츠 추천 방법.
  4. 제2항에 있어서,
    상기 구조 특징은 구조 명칭 및 구조 속성으로 표시하고, 상기 구조 속성은 상이한 구조의 과거 클릭 노출 정보를 나타내는 것을 특징으로 하는 콘텐츠 추천 방법.
  5. 제2항에 있어서,
    상기 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계는,
    과거 세션 프로세스 중 사용자의 과거 행동 데이터, 제1 장면 특징 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계를 포함하고, 상기 제1 장면 특징은 각 세션이 위치한 장면을 나타내는 것을 특징으로 하는 콘텐츠 추천 방법.
  6. 제2항에 있어서,
    상기 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계는,
    미리 트레이닝된 세션 레벨 구조 선호도 모델을 이용하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하는 단계를 포함하고,
    상기 세션 레벨 구조 선호도 모델의 학습 타깃은 세션 내에서 임의의 구조에 대한 사용자의 선호도를 포함하는, 콘텐츠 추천 방법.
  7. 제6항에 있어서,
    상기 세션 레벨 구조 선호도 모델의 트레이닝 프로세스는,
    다수의 트레이닝 샘플을 모델 입력으로 하는 단계로서, 각 트레이닝 샘플은 한 번의 세션 프로세스에서 생성된 사용자 행동 데이터이고, 각 트레이닝 샘플에 N개의 서브 샘플이 포함되며, 각 서브 샘플은 상기 세션 프로세스에 표시되는 각 구조의 사용자 행동 데이터이고, N은 자연수인, 상기 다수의 트레이닝 샘플을 모델 입력으로 하는 단계; 및
    미리 라벨링된 각 트레이닝 샘플에 관련된 각 구조의 클릭률 비율을 모델 출력으로 하여, 상기 세션 레벨 구조 선호도 모델을 트레이닝하는 단계
    를 포함하는, 콘텐츠 추천 방법.
  8. 제2항에 있어서,
    상기 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하는 단계는,
    상기 세션 내의 각 리프레쉬 요청에 응답하여, 상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하고, 상기 리프레쉬 레벨 구조 선호도를 상기 타깃 구조 선호도로 하는 단계를 더 포함하고,
    상기 구조화 피드백 정보는 직전의 리프레쉬 프로세스를 포함하는 과거 설정 시간대 내의 사용자 행동 데이터를 기반으로, 통계하여 획득한 상이한 구조의 피드백 정보를 나타내는 것을 특징으로 하는 콘텐츠 추천 방법.
  9. 제8항에 있어서,
    상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하는 단계는,
    상기 세션 레벨 구조 선호도 및 구조화 피드백 정보를 모델 입력으로 하고, 진화 러닝 모델을 이용하여, 상기 세션 레벨 구조 선호도를 조절하여, 상기 리프레쉬 레벨 구조 선호도를 출력하는 단계를 포함하는, 콘텐츠 추천 방법.
  10. 제8항에 있어서,
    상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하는 단계는,
    상기 세션 레벨 구조 선호도, 제2 장면 특징 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하는 단계를 포함하고, 상기 제2 장면 특징은 각 리프레쉬가 위치한 장면을 나타내는 것을 특징으로 하는 콘텐츠 추천 방법.
  11. 제1항에 있어서,
    상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하는 단계 이전에, 상기 방법은,
    상기 타깃 구조 선호도에 따라 구조 차원을 탐색하는 단계를 더 포함하는, 콘텐츠 추천 방법.
  12. 제1항에 있어서,
    상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하는 단계는,
    상기 타깃 구조 선호도에 따라, 리콜, 배열 및 융합을 통해, 각 사용자의 추천 결과를 결정하는 단계를 포함하는, 콘텐츠 추천 방법.
  13. 제12항에 있어서,
    상기 타깃 구조 선호도에는 각 구조에 대한 사용자 선호도의 가중치 표현이 포함되고,
    상응하게, 상기 타깃 구조 선호도에 따라, 리콜, 배열 및 융합을 통해, 각 사용자의 추천 결과를 결정하는 단계는,
    리콜 알고리즘을 기반으로, 상기 타깃 구조 선호도 중 각 구조 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜하는 단계;
    배열 알고리즘을 기반으로, 상기 리콜된 각 구조의 콘텐츠를 배열하는 단계; 및
    상기 각 구조의 가중치에 따라, 상기 추천 결과에서 각 구조의 위치를 결정하고, 각 구조에서 리콜된 콘텐츠의 배열 결과에 따라, 각 구조에 대응되는 콘텐츠를 상응한 구조에 채워 넣어, 상기 추천 결과를 획득하는 단계
    를 포함하는, 콘텐츠 추천 방법.
  14. 콘텐츠 추천 장치로서,
    구조 선호도 결정 모듈 및 추천 결과 결정 모듈을 포함하되,
    상기 구조 선호도 결정 모듈은 사용자가 제품을 사용한 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 타깃 구조 선호도를 결정하고, 상기 구조는 임의의 콘텐츠 라벨 시스템의 분류 방법을 기반으로 상기 추천할 콘텐츠를 분류하여 결정하도록 구성되며;
    상기 추천 결과 결정 모듈은 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하도록 구성되고, 상기 추천 결과에는 적어도 두 가지 구조 및 각 구조에 대응되는 추천 콘텐츠가 포함되는 것을 특징으로 하는 콘텐츠 추천 장치.
  15. 제14항에 있어서,
    상기 구조 선호도 결정 모듈은 세션 레벨 구조 선호도 결정 유닛을 포함하며,
    상기 세션 레벨 구조 선호도 결정 유닛은 세션 시작 요청에 응답하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하고, 상기 세션 레벨 구조 선호도를 상기 타깃 구조 선호도로 하도록 구성되는, 콘텐츠 추천 장치.
  16. 제15항에 있어서,
    상기 과거 행동 데이터는 과거 선택 구조 콘텐츠, 과거 선택 항목 콘텐츠, 과거 비선택 구조 콘텐츠 및 과거 비선택 항목 콘텐츠를 포함하는, 콘텐츠 추천 장치.
  17. 제15항에 있어서,
    상기 구조 특징은 구조 명칭 및 구조 속성으로 표시하고, 상기 구조 속성은 상이한 구조의 과거 클릭 노출 정보를 나타내는 것을 특징으로 하는 콘텐츠 추천 장치.
  18. 제15항에 있어서,
    상기 세션 레벨 구조 선호도 결정 유닛은 구체적으로,
    과거 세션 프로세스 중 사용자의 과거 행동 데이터, 제1 장면 특징 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하도록 구성되고, 상기 제1 장면 특징은 각 세션이 위치한 장면을 나타내는 것을 특징으로 하는 콘텐츠 추천 장치.
  19. 제15항에 있어서,
    상기 세션 레벨 구조 선호도 결정 유닛은 또한 구체적으로,
    미리 트레이닝된 세션 레벨 구조 선호도 모델을 이용하여, 과거 세션 프로세스 중 사용자의 과거 행동 데이터 및 추천할 콘텐츠의 구조 특징에 따라, 사용자의 현재 세션 레벨 구조 선호도를 결정하도록 구성되고,
    상기 세션 레벨 구조 선호도 모델의 학습 타깃은 세션 내에서 임의의 구조에 대한 사용자의 선호도를 포함하는, 콘텐츠 추천 장치.
  20. 제19항에 있어서,
    상기 세션 레벨 구조 선호도 모델의 트레이닝 프로세스는,
    다수의 트레이닝 샘플을 모델 입력으로 하는 것으로서, 각 트레이닝 샘플은 한 번의 세션 프로세스에서 생성된 사용자 행동 데이터이고, 각 트레이닝 샘플에는 N개의 서브 샘플이 포함되며, 각 서브 샘플은 상기 세션 프로세스에 표시되는 각 구조의 사용자 행동 데이터이고, N은 자연수인, 상기 다수의 트레이닝 샘플을 모델 입력으로 하는 것; 및
    미리 라벨링된 각 트레이닝 샘플에 관련된 각 구조의 클릭률 비율을 모델 출력으로 하여, 상기 세션 레벨 구조 선호도 모델을 트레이닝하는 것
    을 포함하는, 콘텐츠 추천 장치.
  21. 제15항에 있어서,
    상기 구조 선호도 결정 모듈은 리프레쉬 레벨 구조 선호도 결정 유닛을 더 포함하고,
    상기 리프레쉬 레벨 구조 선호도 결정 유닛은 상기 세션 내의 각 리프레쉬 요청에 응답하여, 상기 세션 레벨 구조 선호도 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하고, 상기 리프레쉬 레벨 구조 선호도를 상기 타깃 구조 선호도로 하도록 구성되며;
    상기 구조화 피드백 정보는 직전의 리프레쉬 프로세스를 포함하는 과거 설정 시간대 내의 사용자 행동 데이터를 기반으로, 통계하여 획득한 상이한 구조의 피드백 정보를 나타내는 것을 특징으로 하는 콘텐츠 추천 장치.
  22. 제21항에 있어서,
    상기 리프레쉬 레벨 구조 선호도 결정 유닛은 구체적으로,
    상기 세션 레벨 구조 선호도 및 구조화 피드백 정보를 모델 입력으로 하고, 진화 러닝 모델을 이용하여, 상기 세션 레벨 구조 선호도를 조절하여, 상기 리프레쉬 레벨 구조 선호도를 출력하도록 구성되는, 콘텐츠 추천 장치.
  23. 제21항에 있어서,
    상기 리프레쉬 레벨 구조 선호도 결정 유닛은 또한 구체적으로,
    상기 세션 레벨 구조 선호도, 제2 장면 특징 및 사용자의 구조화 피드백 정보에 따라, 사용자의 현재 리프레쉬 레벨 구조 선호도를 결정하도록 구성되고, 상기 제2 장면 특징은 각 리프레쉬가 위치한 장면을 나타내는 것을 특징으로 하는 콘텐츠 추천 장치.
  24. 제14항에 있어서,
    상기 장치는 탐색 모듈을 더 포함하고,
    탐색 모듈은 상기 추천 결과 결정 모듈이 상기 타깃 구조 선호도에 따라 각 사용자의 추천 결과를 결정하기 이전에, 상기 타깃 구조 선호도에 따라 구조 차원을 탐색하도록 구성되는, 콘텐츠 추천 장치.
  25. 제14항에 있어서,
    상기 추천 결과 결정 모듈은 구체적으로,
    상기 타깃 구조 선호도에 따라, 리콜, 배열 및 융합을 통해, 각 사용자의 추천 결과를 결정하도록 구성되는, 콘텐츠 추천 장치.
  26. 제25항에 있어서,
    상기 타깃 구조 선호도에는 각 구조에 대한 사용자 선호도의 가중치 표현이 포함되고;
    상응하게, 상기 추천 결과 결정 모듈은,
    리콜 알고리즘을 기반으로, 상기 타깃 구조 선호도 중 각 구조 및 그 가중치에 따라, 상응한 구조의 콘텐츠를 타깃 리콜 하기 위한 리콜 유닛;
    배열 알고리즘을 기반으로, 상기 리콜된 각 구조의 콘텐츠를 배열하기 위한 배열 유닛; 및
    상기 각 구조의 가중치에 따라, 상기 추천 결과에서 각 구조의 위치를 결정하고, 각 구조에서 리콜된 콘텐츠의 배열 결과에 따라, 각 구조에 대응되는 콘텐츠를 상응한 구조에 채워 넣어, 상기 추천 결과를 획득하기 위한 융합 유닛
    을 포함하는, 콘텐츠 추천 장치.
  27. 전자 기기로서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결되는 메모리
    를 포함하되, 상기 메모리에 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제13항 중 어느 한 항에 따른 콘텐츠 추천 방법을 수행할 수 있도록 하는, 전자 기기.
  28. 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체로서,
    상기 컴퓨터 명령은 상기 컴퓨터가 제1항 내지 제13항 중 어느 한 항에 따른 콘텐츠 추천 방법을 수행하도록 하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  29. 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 제1항 내지 제13항 중 어느 한 항에 따른 콘텐츠 추천 방법을 구현하도록 하는, 컴퓨터 프로그램.
KR1020210042351A 2020-09-01 2021-03-31 콘텐츠 추천 방법, 장치, 기기 및 매체 KR102644700B1 (ko)

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 (2)

Publication Number Publication Date
KR20210042867A true KR20210042867A (ko) 2021-04-20
KR102644700B1 KR102644700B1 (ko) 2024-03-07

Family

ID=73731332

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042351A KR102644700B1 (ko) 2020-09-01 2021-03-31 콘텐츠 추천 방법, 장치, 기기 및 매체

Country Status (5)

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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052664A (zh) * 2021-04-27 2021-06-29 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
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
CN113609266A (zh) * 2021-07-09 2021-11-05 阿里巴巴新加坡控股有限公司 资源处理方法以及装置
CN114219516A (zh) * 2021-11-08 2022-03-22 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
CN114936326A (zh) * 2022-07-20 2022-08-23 深圳格隆汇信息科技有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质
CN115499704A (zh) * 2022-08-22 2022-12-20 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
CN115797723A (zh) * 2022-11-29 2023-03-14 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

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
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
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
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
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
CN117332145A (zh) * 2022-08-26 2024-01-02 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
CN117112870A (zh) * 2023-09-12 2023-11-24 宁夏智博源教育科技有限公司 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213786A1 (en) * 2010-02-26 2011-09-01 International Business Machines Corporation Generating recommended items in unfamiliar domain
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
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치

Family Cites Families (14)

* 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
JP5328212B2 (ja) * 2008-04-10 2013-10-30 株式会社エヌ・ティ・ティ・ドコモ 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
JP6212404B2 (ja) * 2014-02-19 2017-10-11 Kddi株式会社 コンテンツ配信システム
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和系统
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
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
JP6396568B1 (ja) * 2017-09-19 2018-09-26 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
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
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
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213786A1 (en) * 2010-02-26 2011-09-01 International Business Machines Corporation Generating recommended items in unfamiliar domain
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
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052664A (zh) * 2021-04-27 2021-06-29 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
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
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
CN113609266A (zh) * 2021-07-09 2021-11-05 阿里巴巴新加坡控股有限公司 资源处理方法以及装置
CN114219516A (zh) * 2021-11-08 2022-03-22 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
CN114936326A (zh) * 2022-07-20 2022-08-23 深圳格隆汇信息科技有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质
CN115499704A (zh) * 2022-08-22 2022-12-20 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
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
CN115797723A (zh) * 2022-11-29 2023-03-14 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
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

Also Published As

Publication number Publication date
KR102644700B1 (ko) 2024-03-07
JP2022031624A (ja) 2022-02-22
US20210209491A1 (en) 2021-07-08
CN112084404A (zh) 2020-12-15
EP3822827A1 (en) 2021-05-19
CN112084404B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
KR102644700B1 (ko) 콘텐츠 추천 방법, 장치, 기기 및 매체
CN107515909B (zh) 一种视频推荐方法及系统
CN111143686B (zh) 资源推荐方法及装置
CN111090756B (zh) 基于人工智能的多目标推荐模型的训练方法及装置
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
KR20130014581A (ko) 관심사항 클라우드에 포함된 관심사항 태그에 기초한 콘텐츠 선택
CN112163159A (zh) 资源推荐和参数确定方法、装置、设备及介质
US20160350658A1 (en) Viewport-based implicit feedback
EP3882791A1 (en) Method, apparatus for content recommendation, electronic device and storage medium
US20200004827A1 (en) Generalized linear mixed models for generating recommendations
CN109643323A (zh) 使用强化学习来选择内容项
CN112632403A (zh) 推荐模型的训练方法、推荐方法、装置、设备和介质
CN111708948A (zh) 内容项推荐方法、装置、服务器及计算机可读存储介质
CN115510313A (zh) 信息推荐方法、装置、存储介质及计算机设备
US20200410049A1 (en) Personalizing online feed presentation using machine learning
CN113869377A (zh) 训练方法、装置及电子设备
CN112100530B (zh) 网页分类方法、装置、电子设备及存储介质
CN115152242A (zh) 用于选择和显示的视频的机器学习管理
US20180137587A1 (en) Contextual personalized list of recommended courses
US11675492B2 (en) Determining user engagement in content based on scrolling events
CN114461919A (zh) 信息推荐的模型训练方法及装置
CN115706833A (zh) 评论的处理方法、装置、电子设备及存储介质
CN113655895A (zh) 应用于输入法的信息推荐方法、装置及电子设备
JP2022528212A (ja) ネットワークリソースのセキュリティおよび利用を改善するためにローカルコンテンツを生成および選択するためのシステムおよび方法
WO2019222746A1 (en) Reinforcement learning in combinatorial action spaces

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant