TW201734914A - 內容推薦方法、裝置及系統 - Google Patents
內容推薦方法、裝置及系統 Download PDFInfo
- Publication number
- TW201734914A TW201734914A TW106107715A TW106107715A TW201734914A TW 201734914 A TW201734914 A TW 201734914A TW 106107715 A TW106107715 A TW 106107715A TW 106107715 A TW106107715 A TW 106107715A TW 201734914 A TW201734914 A TW 201734914A
- Authority
- TW
- Taiwan
- Prior art keywords
- content
- recommendation
- sequence
- preferred
- probability
- Prior art date
Links
Classifications
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/1396—Protocols specially adapted for monitoring users' activity
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本發明涉及內容推薦方法、裝置及系統,所述方法包括:基於平均推薦機率將內容集合中的內容推薦給使用者;收集來自使用者的使用者端的對所推薦內容的回饋資訊,所述回饋資訊包括展示資訊和點擊資訊,其中展示資訊包括所推薦的內容在使用者端上被展示的次數和展示時間,點擊資訊包括所推薦的內容在使用者端上被點擊的次數和點擊時間;以及根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。本發明各方面基於使用者的回饋進行內容推薦,使得對於點擊行為少的隨機使用者也能夠合理有效地進行內容推薦。
Description
本發明是有關於一種網際網路技術領域,尤其涉及一種內容推薦方法、裝置及系統。
對於為使用者提供視訊、音訊、廣告等各種內容的網路平臺,其研究的一個重點是如何有效地預估使用者的需求,以向使用者推薦可能感興趣的內容。
現有方法通常是從使用者點擊歷史資料中提取使用者的興趣標籤等反應使用者偏好的資訊,來進行內容推薦。然而,對於占使用者大多數的隨機使用者來說,他們點擊行為很少,點擊歷史資料中包含的信息量不足,因此難以通過上述方式進行推薦。
因此,本發明的目的,即在提供一種內容推薦方法及裝置,基於使用者的回饋進行內容推薦,使得對於點擊行為少的隨機使用者也能夠合理有效地進行內容推薦。
一方面,提出了一種內容推薦方法,包括:基於平均推薦機率將內容集合中的內容推薦給使用者;收集來自使用者的使用者端的對所推薦內容的回饋資訊,所述回饋資訊包括展示資訊和點擊資訊,以及根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
另一方面,提出了一種內容推薦方法,包括:建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應類型的內容;以及針對內容池中的各內容集合,執行上述一方面的方法,以生成針對各內容集合的優選內容的序列。
另一方面,提出了一種內容推薦裝置,包括:第一推薦部件,用於基於平均推薦機率將內容集合中的內容推薦給使用者;收集部件,用於收集來自使用者的使用者端的對所推薦內容的回饋資訊;以及確定部件,用於根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
另一方面,提出了一種內容推薦裝置,包括:建立部件,用於建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應類型的內容;以及序列生成部件,用於針對內容池中的各內容集合,運行根據上述一方面所述的內容推薦裝置,以生成針對各內容集合的優選內容的序列。
另一方面,提出了一種內容推薦系統,包括:伺服器設備,所述伺服器設備配置有根據上述方面所述的內容推薦裝置;以及使用者端設備,所述使用者端設備包括:資訊採集部件,用於採集所述回饋資訊;資訊傳送部件,用於將所述回饋資訊傳送至伺服器設備;序列儲存部件,用於儲存來自伺服器設備的優選內容的序列;以及內容推薦部件,用於基於所述優選內容的序列向該使用者推薦內容。
本發明各方面基於使用者的回饋進行內容推薦,使得對於點擊行為少的隨機使用者也能夠合理有效地進行內容推薦。
以下將參考圖式詳細說明本發明的各種示例性實施例、特徵和方面。圖式中相同的圖式標記表示功能相同或相似的元件。儘管在圖式中示出了實施例的各種方面,但是除非特別指出,不必按比例繪製圖式。
在這裡專用的詞“示例性”意為“用作例子、實施例或說明性”。這裡作為“示例性”所說明的任何實施例不必解釋為優於或好於其它實施例。
另外,為了更好的說明本發明,在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解,沒有某些具體細節,本發明同樣可以實施。在一些實例中,對於本領域技術人員熟知的方法、手段、元件和電路未作詳細描述,以便於凸顯本發明的主旨。
實施例1:
圖1示出根據本發明一實施例的內容推薦方法的流程圖。該實施例可在伺服器端實施。如圖1所示,該方法主要包括:
步驟101,基於平均推薦機率將內容集合中的內容推薦給使用者;
步驟102,收集來自使用者的使用者端的對所推薦內容的回饋資訊;
步驟103,根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
該實施例基於使用者的回饋進行內容推薦,使得對於點擊行為少的隨機使用者也能夠合理有效地進行內容推薦。
本文中的“內容集合”,是指由多個內容構成的集合,同一內容集合中的內容可具有相同的類型,例如為視訊、音訊和廣告中的一種。內容集合中的內容可以是人工挑選或通過某種規則篩選的、有推薦給使用者的可能性的內容,例如一段時間內比較熱門的視訊、剛推出的新視訊等,本發明對此不作限制。內容集合可在伺服器端儲存並維護,其中的內容可以定期更新。
本文中的“使用者”,可以是廣義上的所有類型的使用者,也可以是某類特定使用者,例如已經通過某種規則選定的、對某種內容特別感興趣的使用者,或者已經被判斷為歷史點擊數量較少的隨機使用者等,本發明對此不作限制。
本文中的某一內容的“推薦機率”,是指從內容集合中隨機選取一個內容進行推薦的情況下,該內容被推薦的機率。內容集合中所有內容被推薦的機率的總和為1。例如,假設內容集合中共有100個內容,則每個內容的平均推薦機率為1/100。
以下結合具體例子,詳細說明本實施例各步驟的示例性的具體實施方式,本領域技術人員應理解,這些具體實施方式僅為了便於理解,並不以任何方式限制本發明。
1、步驟101,基於平均推薦機率將內容集合中的內容推薦給使用者。
步驟101可以做是“初始化”的過程。在內容集合建立之初,或者在內容集合剛經過更新,尚未得到足夠的客戶回饋時,可以基於平均推薦機率將內容集合中的內容推薦給使用者,以通過這些內容的展示和點擊得到後續的回饋資訊。步驟101可在方法開始執行的預定時間段(例如5秒)內執行,該預定時間段過後,可不再執行步驟101,而僅即時地執行後續的步驟102-103。
在一個示例中,基於平均推薦機率的推薦可利用輪盤演算法來實現。圖2示出了輪盤演算法的原理的示意圖。其中圓形中的每個扇形代表每個內容被推薦的機率,所有機率的總和為1,在隨機轉動輪盤的情況下會得到一個選定的內容,扇形面積大(即推薦機率高)的內容被選定的機率更大,反之,扇形面積小(即推薦機率低)的內容被選定的機率更小。在步驟101中,以平均推薦機率進行推薦,即每個內容對應扇形的面積相等,被選中的機率相等。
利用輪盤演算法進行推薦的一種示例性的具體實現方式如下:可為每個推薦機率指定一個對應的數值範圍,還以上述100個內容為例,在平均推薦機率的情況下,每個內容所對應的數值範圍可以相同,例如第1個內容對應數值範圍1-2,第2個內容對應數值範圍3-4……第100個內容對應數值範圍199-200,這相當於在圖2的圓形上劃分了100個面積相等的扇形。生成一個1-200之間的亂數(相當於轉動輪盤),亂數落在哪個數值範圍內,就相當於選定了相對應的哪個內容,可將此內容推薦給使用者。
步驟101可以定期進行,例如以一定的時間間隔執行輪盤演算法進行推薦,也可以響應於來自使用者端的請求而進行,例如,在方法開始執行的預定時間段(例如5秒)內,每當有使用者通過使用者端登入網路平臺或打開網路平臺中特定網頁等適當時機,即可向伺服器端發送請求,響應於該請求,伺服器端可執行一次推薦(即轉動一次輪盤),以向該使用者推薦內容集合中的一個內容。
執行步驟101後,使用者的使用者端上會展示所推薦內容的資訊,例如連結、內容ID、摘要等資訊,使用者可通過使用者端對該資訊進行點擊以收看或收聽該內容,並產生回饋資訊。
2、步驟102,收集來自使用者的使用者端的對所推薦內容的回饋資訊。
在一個示例中,回饋資訊可包括展示資訊和點擊資訊,其中展示資訊可包括所推薦的內容在使用者端上被展示的次數和展示時間,即某個內容在各使用者端上被展示了多少次(例如某個視訊的連結在各使用者端介面上出現多少次),每次是在什麼時間被展示的,點擊資訊可包括所推薦的內容在使用者端上被點擊的次數和點擊時間,即某個內容在各使用者端上被點擊了多少次,每次是在什麼時間被點擊的。
可以通過使用者的使用者端採集這些回饋資訊,再由伺服器從各使用者端收集這些資訊。在伺服器中,回饋資訊可存放於統一的資訊佇列(information queue),由多執行緒(multithreading)處理回饋資訊。回饋資訊可存放於視訊回饋物件中。
這裡對回饋資訊的收集可以是在方法執行過程中持續地、即時地收集,及一旦回饋資訊在使用者端產生,使用者端就將其採集下來,並將其立即傳送給伺服器,或者在使用者端經由緩衝後再傳送給伺服器,以減輕伺服器的處理壓力。這種收集使得後續的推薦不再依賴於歷史點擊資料,而是依賴於使用者的即時回饋,從而實現對歷史點擊資料不足的隨機使用者的推薦。
3、步驟103,根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列。
步驟103可以定期進行,即以一定的時間間隔來定期確定優選內容的序列,也可以響應於客戶請求來進行,即每當使用者通過使用者端登入網路平臺或打開網路平臺中特定網頁等適當時機,使用者端即可向伺服器端發送請求,響應於該請求,伺服器端可根據以上所收集的回饋資訊,從內容集合的內容中確定優選內容的序列。
在一個示例中,考慮到使用者回饋資訊可能存在延時較長、具有特定的有效時間段等特徵,可以採用時間視窗的方法對收集到的回饋資訊進行處理。例如可以對展示時間和點擊時間在指定時間段內的回饋資訊進行統計處理,以確定優選內容的序列。其中指定時間段可以根據統計的需要、使用者回饋的特點、內容的特徵等來選取,本發明對此不作限制。例如,如果內容為即時熱門新聞,則可以以半小時的時間作為指定時間段,相應地,可每隔半小時執行一次步驟103。也可以以當前時間(例如收到使用者請求的時間)作為起點,向前追溯某個時間段作為指定時間段。
優選內容的序列可以基於指定時間段內的回饋資訊來確定。以下結合圖3給出一個確定優選內容的序列的具體示例,在該示例中,根據回饋資訊重新確定內容集合中各內容的推薦機率,並利用輪盤演算法,基於該重新確定的推薦機率來確定優選內容的序列。
圖3示出了根據回饋資訊確定優選內容的序列的過程的一個示例的流程圖,該示例對展示時間和點擊時間在指定時間段內的回饋資訊進行處理,主要包括以下步驟301-303:
步驟301,從展示次數超過預定閾值的內容中,確定具有最高關注度的內容,其中所述關注度與該內容的點擊次數和展示次數的比值相關聯。
舉例來說,假設預定閾值為20次(該閾值的具體數值可以根據情況適當確定),收集到指定時間段內展示次數超過該閾值的內容有5個,即A1,A2,A3,A4,A5,可以計算這5個內容各自的關注度。這裡所說的關注度反應了該內容被使用者關注的程度,或者說“熱度”,可以以回饋資訊中該內容的點擊次數和展示次數的比值(也稱為點擊率)作為關注度。關注度的計算還可引入其他因素,例如該內容原有的反應其熱度的屬性資訊等,該資訊可以是人工賦予的,也可以是基於內容的歷史點擊率等統計得到的。
可確定這5個內容中,具有最高關注度的內容,例如A1,以待後續步驟的處理。
步驟302,對展示次數低於閾值的內容賦予指定推薦機率,並用1減去所有指定推薦機率之和,得到的結果作為優選推薦機率賦予所述具有最高關注度的內容。
這一步驟的作用,是重新確定各個內容對應的推薦機率,就是上文中所述的“扇形的面積”,以為後續執行輪盤演算法做準備。
對展示次數低於閾值的內容,可以理解為這部分內容在步驟101的以平均推薦機率推薦的環節中沒有得到“公平對待”,或者說沒有得到充分的展示。為了對這種情況進行補償,步驟302將這部分內容也納入了“輪盤”之中,對其賦予指定推薦機率。
在一個示例中,所述指定推薦機率可為上述平均推薦機率,這種方式相對比較簡單。在另一示例中,所述指定推薦機率可為該內容的補償推薦機率,“補償推薦機率”為所述平均推薦機率減去該內容的實際展示機率(即該內容的展示次數與所有內容的總展示次數的比值)。也就是說,用補償推薦機率來彌補這部分內容的展示不足。這種方式相對比較複雜,但補償的精度更高。
接下來,可用1減去所有指定推薦機率之和,得到的結果作為優選推薦機率賦予所述具有最高關注度的內容。
仍以上述例子來說明,設展示次數的預定閾值為20,假設展示次數低於閾值的內容有20個,即B1~B20,則可以將它們分別賦予平均推薦機率1/100,並將1-20*1/100=0.8作為優選推薦機率賦予上面選定的具有最高關注度的內容A1。其他內容的推薦機率為0。
這樣,在“輪盤”上就得到了21個扇形,其中面積最大的一個對應具有最高關注度的內容A1,其面積占輪盤總面積的80%,另外20個扇形對應B1~B20,其每個的面積占輪盤總面積的1%。
步驟303,基於上述指定推薦機率和優選推薦機率,利用輪盤演算法從具有最高關注度的內容和展示次數低於閾值的內容中選擇一個內容作為第一優選內容放入優選內容的序列。
輪盤演算法的原理如上文所描述的。可定期執行步驟301-303,以定期生成優選內容的序列。在一種替代方式中,步驟301和步驟302可以是定期進行的,步驟303可以是響應於客戶請求而執行得,即定期重新確定各內容的推薦機率,一旦接收到來自使用者端的請求(例如是使用者端響應於使用者登錄網路平臺或打開指定網頁而發出的請求),即可“轉動”步驟302中所形成的輪盤,這樣即可得到一個第一優選內容,例如是A1,並將其放入優選內容的序列。在另一種替代方式中,也可以響應於客戶的請求,來執行步驟301、302、303。
可以直接將該第一優選內容推薦給該發出請求的使用者。此外,在一個示例中,本實施例還可通過以下手段來避免向使用者發送重複的內容。可從展示次數超過預定閾值的內容中,選取關注度低於最高關注度的預定數量的內容作為候選內容,例如預定數量為4,則選擇選取候選內容A2-A5,此預定數量可以根據需要任意選擇。可以對這些候選內容進行隨機排序,並排列在所述第一優選內容之後。舉例來說,通過這種方式可得到優選內容的序列A1,A3,A4,A2, A5,其中A1是第一優選內容,A3,A4,A2, A5是隨機排列的候選內容。伺服器可將該優選內容的序列傳送至使用者端,使用者端可對該序列進行“過濾”,找到未向使用者推薦過的內容,例如可將優選內容的序列中排列在最前面的、不在針對該使用者的已推薦內容的清單中的內容推薦給該使用者,並將所推薦的該內容的資訊加入針對該使用者的已推薦內容的清單中。舉例來說,如果內容A1已經在使用者端所儲存或獲取的針對該使用者的已推薦內容的清單中了(即已經向該使用者推薦過內容A1),那麼可以依次考察序列中的A3,A4,A2, A5,直到找到一個不在已推薦內容的清單的內容為止,並將該內容推薦給該使用者。
在一種可能的實施方式中,可由伺服器端定期生成優選內容的清單提供給使用者端,使用者端可響應於使用者的請求基於以上過程從中選擇最終推薦給使用者的內容,以避免重複推薦。此外,使用者端還可緩存來自伺服器設備的優選內容的序列。例如,當使用者向使用者端請求推薦內容時,如果使用者端緩存模組為空,則可向伺服器設備發送請求以獲取優選內容的序列,緩存計時器清零;如果緩存模組不為空且緩存計時器超過閾值,則可向伺服器請求刷新優選內容的序列的資料。
將內容推薦給客戶可以是以推薦的方式向該使用者展示該內容的連結(例如URL)、ID、摘要等資訊。序列中的其他內容也可以清單的方式展示給使用者,以供使用者備選。
實施例2
圖4示出了根據本發明另一實施例的內容推薦方法的流程圖,該實施例可在伺服器端實施。如圖4所示,該實施例的方法主要包括:步驟401,建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應類型的內容;步驟402,針對內容池中的各內容集合,執行實施例1所述的方法,以生成針對各內容集合的優選內容的序列。
在該實施例中,可以以多個內容集合組成內容池,每個內容集合可包含一類內容。可按業務類型分類,例如第一內容集合中為視訊內容,第二內容集合中為廣告內容等等,也可以按更加細化的分類原則進行分類,例如第一內容集合中為時事新聞視訊、第二內容集合中為影視視訊等等。可以針對各個內容集合分別執行實施例1的方法,從而獨立地生成針對各內容集合的優選內容的序列。
該方法還可包括對內容池進行管理的步驟,包括判斷內容池是否存在、建立內容池、設置內容池有效時間、載入內容池物件等操作。該方法還可包括對內容池的增刪改查和過期操作處理。
實施例3
圖5示出根據本發明一實施例的內容推薦裝置的結構圖。該實施例的裝置可在配置在伺服器設備中。如圖5所示,該內容推薦裝置500主要包括:第一推薦部件501,用於基於平均推薦機率將內容集合中的內容推薦給使用者;收集部件502,用於收集來自使用者的使用者端的對所推薦內容的回饋資訊;確定部件503,用於根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
該實施例基於使用者的回饋資訊進行內容推薦,使得對於點擊行為少的隨機使用者也能夠合理有效地進行內容推薦。
在一個示例中,所述回饋資訊可包括展示資訊和點擊資訊,其中展示資訊可包括所推薦的內容在使用者端上被展示的次數和展示時間,點擊資訊可包括所推薦的內容在使用者端上被點擊的次數和點擊時間。
在一個示例中,確定部件503可包括:推薦機率確定部件,用於根據回饋資訊重新確定內容集合中各內容的推薦機率,以及序列確定部件,用於利用輪盤演算法,基於重新確定的推薦機率來確定優選內容的序列。
在一個示例中,所述推薦機率確定部件可包括:最高關注度內容確定部件,用於針對展示時間和點擊時間在指定時間段內的回饋資訊,從展示次數超過預定閾值的內容中,確定具有最高關注度的內容,其中所述關注度與該內容的點擊次數和展示次數的比值相關聯;推薦機率賦予部件,用於對展示次數低於閾值的內容賦予指定推薦機率,並用1減去所有指定推薦機率之和,得到的結果作為優選推薦機率賦予所述具有最高關注度的內容。所述序列確定部件可包括:選擇部件,用於基於上述指定推薦機率和優選推薦機率,利用輪盤演算法從具有最高關注度的內容和展示次數低於閾值的內容中選擇一個內容作為第一優選內容放入優選內容的序列。
在一個示例中,所述指定推薦機率可為所述平均推薦機率。在另一個示例中,其中所述指定推薦機率可為該內容的補償推薦機率,所述補償推薦機率為所述平均推薦機率減去該內容的實際展示機率。
在一個示例中,所述序列確定部件還可包括:候選內容選取部件,用於從展示次數超過預定閾值的內容中,選取關注度低於最高關注度的預定數量的內容作為候選內容,排列部件,用於將所述候選內容排列在所述第一優選內容之後。
在一個示例中,所述排列部件可用於將所述候選內容隨機排序後,排列在所述第一優選內容之後。
在一個示例中,所述內容集合中的內容可為視訊、音訊、廣告中的一種。
實施例4
圖6示出根據本發明一實施例的內容推薦裝置的結構圖。該實施例的裝置可配置於伺服器設備中。該實施例的內容推薦裝置600主要包括:建立部件601,用於建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應類型的內容;序列生成部件602,用於針對內容池中的各內容集合,運行實施例3中的內容推薦裝置500,以生成針對各內容集合的優選內容的序列。
該內容推薦裝置600還可包括用於對內容池進行管理的部件,其中,管理可包括判斷內容池是否存在、建立內容池、設置內容池有效時間、載入內容池物件等。該內容推薦裝置600還可包括用於對內容池的增刪改查和過期操作處理的部件。
實施例5
圖7示出根據本發明一實施例的內容推薦系統的結構圖,如圖7所示,該系統主要包括:伺服器設備701和使用者端設備702。伺服器設備701配置有實施例3或4的內容推薦裝置500、600。使用者端設備702包括:資訊採集部件7021,用於採集所述回饋資訊;資訊傳送部件7022,用於將所述回饋資訊傳送至伺服器設備;序列儲存部件7023,用於儲存來自伺服器設備的優選內容的序列;內容推薦部件7024,用於基於所述優選內容的序列向該使用者推薦內容。
使用者端設備702可為智慧手機、個人電腦等終端設備。
在一個示例中,使用者端設備702中的內容推薦部件7024可用於對優選內容的序列進行過濾,以避免向使用者推薦重複的內容。例如,內容推薦部件7024可具體用於將所述優選內容的序列中排列在最前面的、不在針對該使用者的已推薦內容的清單中的內容推薦給該使用者,並將所推薦的該內容的資訊加入針對該使用者的已推薦內容的清單中。
在一個示例中,使用者端設備702還可包括緩存部件,以對資訊採集部件7021採集到的回饋資訊進行緩存後再傳送給伺服器設備701,減輕伺服器設備701的壓力。舉例來說,緩存部件可以採用如下緩存策略:如果緩存部件中當前緩存資料量超過閾值,則將回饋資訊合併後發送至伺服器設備701,緩存計時器清零;如果當前緩存計時器計時超過閾值,則將回饋資訊合併後發送至伺服器設備701,緩存計時器清零。由於回饋資訊的量可能高達每秒超過10萬條,將回饋緩存合併後發送至伺服器設備701,能夠有效的減輕伺服器的壓力。
在一個示例中,序列儲存部件7023可以包括緩存模組,用於緩存來自伺服器設備701的優選內容的序列。當使用者向使用者端請求推薦內容時,如果緩存模組為空,則可向伺服器設備701發送請求以獲取優選內容的序列,緩存計時器清零;如果緩存模組不為空且緩存計時器超過閾值,則可向伺服器請求刷新優選內容的序列的資料。
在一個示例中,伺服器設備701還可包括內容池管理模組,用於對內容池進行管理操作,包括判斷內容池是否存在、建立內容池、設置內容池有效時間、載入內容池物件等操作。內容池管理模組還可用於內容池的增刪改查和過期操作處理。
在伺服器設備701中,回饋資訊可存放於統一的資訊佇列,由多執行緒處理回饋資訊。回饋資訊可存放於視訊回饋物件中。
實施例6
圖8示出了本發明的另一個實施例的一種內容優選設備1100的結構框圖。所述內容優選設備1100可以是具備計算能力的主機伺服器、個人電腦PC、或者可攜帶的可擕式電腦或終端等。本發明具體實施例並不對計算端點的具體實現做限定。
所述內容優選設備1100包括處理器(processor)1110、通信介面(Communications Interface)1120、記憶體(memory) 1130和匯流排1140。其中,處理器1110、通信介面1120、以及記憶體1130通過匯流排1140完成相互間的通信。
通信介面1120用於與網路設備通信,其中網路設備包括例如虛擬機器管理中心、共用儲存等。
處理器1110用於執行程式。處理器1110可能是一個中央處理器CPU,或者是專用積體電路ASIC(Application Specific Integrated Circuit),或者是被配置成實施本發明實施例的一個或多個積體電路。
記憶體1130用於存放文件。記憶體1130可能包含高速RAM記憶體,也可能還包括非揮發性記憶體(non-volatile memory),例如至少一個磁碟記憶體。記憶體1130也可以是記憶體陣列。記憶體1130還可能被分塊,並且所述塊可按一定的規則組合成虛擬卷(virtual volume)。
在一種可能的實施方式中,上述程式可為包括電腦操作指令的程式碼。該程式具體可用於執行實施例1或2所述的方法的各步驟。
本領域普通技術人員可以意識到,本文所描述的實施例中的各示例性單元及演算法步驟,能夠以電子硬體、或者電腦軟體和電子硬體的結合來實現。這些功能究竟以硬體還是軟體形式來實現,取決於技術方案的特定應用和設計約束條件。專業技術人員可以針對特定的應用選擇不同的方法來實現所描述的功能,但是這種實現不應認為超出本發明的範圍。
如果以電腦軟體的形式來實現所述功能並作為獨立的產品銷售或使用時,則在一定程度上可認為本發明的技術方案的全部或部分(例如對現有技術做出貢獻的部分)是以電腦軟體產品的形式體現的。該電腦軟體產品通常儲存在電腦可讀取的非揮發性儲存媒介中,包括若干指令用以使得電腦設備(可以是個人電腦、伺服器、或者網路設備等)執行本發明各實施例方法的全部或部分步驟。而前述的儲存介質包括USB隨身碟、行動硬碟、唯讀記憶體(ROM,Read-Only Memory)、隨機存取記憶體(RAM,Random Access Memory)、磁碟或者光碟等各種可以儲存程式碼的媒介。
以上所述,僅為本發明的具體實施方式,但本發明的保護範圍並不局限於此,任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內,可輕易想到變化或替換,都應涵蓋在本發明的保護範圍之內。因此,本發明的保護範圍應以所述請求項的保護範圍為准。
101~103‧‧‧流程步驟
301~303‧‧‧流程步驟
401~402‧‧‧流程步驟
500‧‧‧內容推薦裝置
501‧‧‧第一推薦部件
502‧‧‧收集部件
503‧‧‧確定部件
600‧‧‧內容推薦裝置
601‧‧‧建立部件
602‧‧‧序列生成部件
701‧‧‧伺服器設備
702‧‧‧使用者端設備
7021‧‧‧資訊採集部件
7022‧‧‧資訊傳送部件
7023‧‧‧序列儲存部件
7024‧‧‧內容推薦部件
1100‧‧‧內容優選設備
1110‧‧‧處理器
1120‧‧‧通信介面
1130‧‧‧記憶體
1140‧‧‧匯流排
301~303‧‧‧流程步驟
401~402‧‧‧流程步驟
500‧‧‧內容推薦裝置
501‧‧‧第一推薦部件
502‧‧‧收集部件
503‧‧‧確定部件
600‧‧‧內容推薦裝置
601‧‧‧建立部件
602‧‧‧序列生成部件
701‧‧‧伺服器設備
702‧‧‧使用者端設備
7021‧‧‧資訊採集部件
7022‧‧‧資訊傳送部件
7023‧‧‧序列儲存部件
7024‧‧‧內容推薦部件
1100‧‧‧內容優選設備
1110‧‧‧處理器
1120‧‧‧通信介面
1130‧‧‧記憶體
1140‧‧‧匯流排
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中: 圖1示出根據本發明一實施例的內容推薦方法的流程圖。 圖2示出了輪盤演算法的原理的示意圖。 圖3示出了根據回饋資訊確定優選內容的序列的過程的一個示例的流程圖。 圖4示出根據本發明另一實施例的內容推薦方法的流程圖。 圖5示出根據本發明另一實施例的內容推薦裝置的結構圖。 圖6示出根據本發明另一實施例的內容推薦裝置的結構圖。 圖7示出根據本發明另一實施例的內容推薦系統的結構圖。 圖8示出根據本發明另一實施例的內容推薦設備的結構圖。
101~103‧‧‧流程步驟
Claims (20)
- 一種內容推薦方法,包含: 基於平均推薦機率將內容集合中的內容推薦給使用者; 收集來自使用者的使用者端的對所推薦內容的回饋資訊;以及 根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
- 如請求項1所述的方法,其中,根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列包括: 根據回饋資訊重新確定內容集合中各內容的推薦機率,並利用輪盤演算法,基於重新確定的推薦機率來確定優選內容的序列。
- 如請求項1或2所述的方法,其中,所述回饋資訊包括展示資訊和點擊資訊,其中展示資訊包括所推薦的內容在使用者端上被展示的次數和展示時間,點擊資訊包括所推薦的內容在使用者端上被點擊的次數和點擊時間。
- 如請求項3所述的方法,其中,根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列包括: 對展示時間和點擊時間在指定時間段內的回饋資訊進行如下處理,以得到優選內容的序列: 從展示次數超過預定閾值的內容中,確定具有最高關注度的內容,其中所述關注度與該內容的點擊次數和展示次數的比值相關聯; 對展示次數低於閾值的內容賦予指定推薦機率,並用1減去所有指定推薦機率之和,得到的結果作為優選推薦機率賦予所述具有最高關注度的內容;以及 基於上述指定推薦機率和優選推薦機率,利用輪盤演算法從具有最高關注度的內容和展示次數低於閾值的內容中選擇一個內容作為第一優選內容放入優選內容的序列。
- 如請求項4所述的方法,其中,所述指定推薦機率為所述平均推薦機率。
- 如請求項4所述的方法,其中,所述指定推薦機率為該內容的補償推薦機率,所述補償推薦機率為所述平均推薦機率減去該內容的實際展示機率。
- 如請求項4所述的方法,其中,根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列還包括: 從展示次數超過預定閾值的內容中,選取關注度低於最高關注度的預定數量的內容作為候選內容,排列在所述第一優選內容之後。
- 如請求項1所述的方法,其中,所述內容集合中的內容為視訊、音訊、廣告中的一種。
- 一種內容推薦方法,包含: 建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應 類型的內容;以及 針對內容池中的各內容集合,執行請求項1-8中任意一項所述的方法,以生成針對各內容集合的優選內容的序列。
- 一種內容推薦裝置,包含: 第一推薦部件,用於基於平均推薦機率將內容集合中的內容推薦給使用者; 收集部件,用於收集來自使用者的使用者端的對所推薦內容的回饋資訊;以及 確定部件,用於根據所述回饋資訊從所述內容集合的內容中確定優選內容的序列,以便基於所述優選內容的序列向該使用者推薦內容。
- 如請求項10所述的裝置,其中,所述確定部件包括: 推薦機率確定部件,用於根據回饋資訊重新確定內容集合中各內容的推薦機率;以及 序列確定部件,用於利用輪盤演算法,基於重新確定的推薦機率來確定優選內容的序列。
- 如請求項10或11所述的裝置,其中,所述回饋資訊包括展示資訊和點擊資訊,其中展示資訊包括所推薦的內容在使用者端上被展示的次數和展示時間,點擊資訊包括所推薦的內容在使用者端上被點擊的次數和點擊時間。
- 如請求項12所述的裝置,其中,所述推薦機率確定部件包括: 最高關注度內容確定部件,用於針對展示時間和點擊時間在指定時間段內的回饋資訊,從展示次數超過預定閾值的內容中,確定具有最高關注度的內容,其中所述關注度與該內容的點擊次數和展示次數的比值相關聯;以及 推薦機率賦予部件,用於對展示次數低於閾值的內容賦予指定推薦機率,並用1減去所有指定推薦機率之和,得到的結果作為優選推薦機率賦予所述具有最高關注度的內容; 所述序列確定部件包括: 選擇部件,用於基於上述指定推薦機率和優選推薦機率,利用輪盤演算法從具有最高關注度的內容和展示次數低於閾值的內容中選擇一個內容作為第一優選內容放入優選內容的序列。
- 如請求項13所述的裝置,其中,所述指定推薦機率為所述平均推薦機率。
- 如請求項13所述的裝置,其中所述指定推薦機率為該內容的補償推薦機率,所述補償推薦機率為所述平均推薦機率減去該內容的實際展示機率。
- 如請求項13所述的裝置,其中,所述序列確定部件還包括: 候選內容選取部件,用於從展示次數超過預定閾值的內容中,選取關注度低於最高關注度的預定數量的內容作為候選內容;以及 排列部件,用於將所述候選內容排列在所述第一優選內容之後。
- 如請求項10所述的裝置,其中所述內容集合中的內容為視訊、音訊、廣告中的一種。
- 一種內容推薦裝置,包括: 建立部件,用於建立內容池,所述內容池包括多個內容集合,各內容集合分別包含相應類型的內容;以及 序列生成部件,用於針對內容池中的各內容集合,運行根據請求項10-17中任意一項所述的內容推薦裝置,以生成針對各內容集合的優選內容的序列。
- 一種內容推薦系統,包括: 伺服器設備,所述伺服器設備配置有根據請求項10-18中任意一項所述的內容推薦裝置;以及 使用者端設備,所述使用者端設備包括: 資訊採集部件,用於採集所述回饋資訊; 資訊傳送部件,用於將所述回饋資訊傳送至伺服器設備; 序列儲存部件,用於儲存來自伺服器設備的優選內容的序列;以及 內容推薦部件,用於基於所述優選內容的序列向該使用者推薦內容。
- 如請求項19所述的系統,其中,所述內容推薦部件具體用於: 將所述優選內容的序列中排列在最前面的、不在針對該使用者的已推薦內容的清單中的內容推薦給該使用者,並將所推薦的該內容的資訊加入針對該使用者的已推薦內容的清單中。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610158871.5A CN105872629B (zh) | 2016-03-18 | 2016-03-18 | 内容推荐方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201734914A true TW201734914A (zh) | 2017-10-01 |
Family
ID=56625696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106107715A TW201734914A (zh) | 2016-03-18 | 2017-03-09 | 內容推薦方法、裝置及系統 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11481657B2 (zh) |
EP (1) | EP3346397A4 (zh) |
CN (1) | CN105872629B (zh) |
TW (1) | TW201734914A (zh) |
WO (1) | WO2017156995A1 (zh) |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872629B (zh) | 2016-03-18 | 2019-08-27 | 合一网络技术(北京)有限公司 | 内容推荐方法、装置及系统 |
CN106412106B (zh) * | 2016-11-07 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 消息发送方法和装置 |
CN106651509A (zh) * | 2016-11-15 | 2017-05-10 | 福建天泉教育科技有限公司 | 在线展品评选方法与系统 |
CN106488267A (zh) * | 2016-11-21 | 2017-03-08 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐策略的评估方法、用户设备和服务器系统 |
CN106604044A (zh) * | 2016-11-21 | 2017-04-26 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐策略的评估方法、用户设备和服务器系统 |
CN106658074A (zh) * | 2016-11-21 | 2017-05-10 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐策略的评估方法、用户设备和服务器系统 |
TWI631523B (zh) * | 2016-12-29 | 2018-08-01 | 人因設計所股份有限公司 | 使用者日誌儲存及其廣告推播之方法 |
CN108259546A (zh) * | 2017-01-16 | 2018-07-06 | 广州市动景计算机科技有限公司 | 消息推送方法、设备及可编程设备 |
CN107193891B (zh) * | 2017-05-02 | 2021-08-17 | 百度在线网络技术(北京)有限公司 | 内容推荐方法及装置 |
CN107196999B (zh) * | 2017-05-03 | 2020-01-24 | 网易传媒科技(北京)有限公司 | 用于下发信息流推送数据的方法及设备 |
CN107341172B (zh) * | 2017-05-12 | 2020-06-19 | 阿里巴巴(中国)有限公司 | 视频收益计算建模装置与方法及视频推荐装置与方法 |
CN107368533B (zh) * | 2017-06-15 | 2020-04-03 | 北京奇艺世纪科技有限公司 | 一种内容项推荐方法、装置及电子设备 |
CN107679236B (zh) * | 2017-10-26 | 2020-12-29 | 麒麟合盛网络技术股份有限公司 | 一种热门内容池维护方法和装置 |
CN108052671B (zh) * | 2017-12-29 | 2021-01-08 | 北京奇元科技有限公司 | 一种基于动态匹配进行内容项推送的方法及系统 |
CN108710635B (zh) * | 2018-04-08 | 2022-03-18 | 达而观信息科技(上海)有限公司 | 一种内容推荐方法及装置 |
CN109213933B (zh) * | 2018-08-14 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 内容项推荐方法、装置、设备及存储介质 |
CN109299351B (zh) * | 2018-09-21 | 2022-04-12 | 北京百度网讯科技有限公司 | 内容推荐方法和装置、电子设备及计算机可读介质 |
CN111263229B (zh) * | 2018-11-30 | 2023-06-16 | 南京超聚通信科技有限公司 | 一种视频分发方法、装置及电子设备 |
CN110097397B (zh) * | 2019-04-04 | 2022-09-13 | 北京字节跳动网络技术有限公司 | 基于反馈的信息推送方法、装置及电子设备 |
US11449536B2 (en) | 2019-05-16 | 2022-09-20 | Microsoft Technology Licensing, Llc | Generating electronic summary documents for landing pages |
WO2020252751A1 (zh) * | 2019-06-20 | 2020-12-24 | 深圳市欢太科技有限公司 | 资源推送方法、装置、服务器以及存储介质 |
CN110473000A (zh) * | 2019-07-17 | 2019-11-19 | 深圳市元征科技股份有限公司 | 一种信息推荐方法、服务器及存储介质 |
JP2021022243A (ja) * | 2019-07-29 | 2021-02-18 | 富士通株式会社 | 推薦システム、推薦制御プログラム、および、推薦制御方法 |
CN110413893A (zh) * | 2019-07-31 | 2019-11-05 | 腾讯科技(北京)有限公司 | 对象推送方法、装置、计算机设备及存储介质 |
US11076185B2 (en) * | 2019-09-05 | 2021-07-27 | Rovi Guides, Inc. | Evolutionary parameter optimization for selecting optimal personalized screen carousels |
CN110809177B (zh) * | 2019-10-22 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 内容的处理方法、装置、服务器及存储介质 |
CN111079000B (zh) * | 2019-11-25 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 内容处理方法、装置、设备及存储介质 |
CN110942376B (zh) * | 2019-12-02 | 2023-09-01 | 上海麦克风文化传媒有限公司 | 一种音频类产品的实时多召回策略的融合方法 |
US11593340B2 (en) * | 2019-12-12 | 2023-02-28 | Fmr Llc | Normalizing digital content across databases and generating personalized content recommendations |
CN111339416A (zh) * | 2020-02-25 | 2020-06-26 | 咪咕文化科技有限公司 | 热度召回方法、装置、电子设备及存储介质 |
CN111651704B (zh) * | 2020-04-14 | 2024-01-12 | 北京齐尔布莱特科技有限公司 | 一种内容推荐方法、计算设备以及存储介质 |
CN111523041B (zh) * | 2020-04-30 | 2023-03-24 | 掌阅科技股份有限公司 | 热度数据的推荐方法、计算设备及计算机存储介质 |
CN111597443A (zh) * | 2020-05-13 | 2020-08-28 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN111767429B (zh) * | 2020-06-29 | 2023-06-02 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法、装置及电子设备 |
CN111651679B (zh) * | 2020-07-09 | 2023-07-11 | 支付宝(杭州)信息技术有限公司 | 基于强化学习的推荐方法及装置 |
CN112100558A (zh) * | 2020-09-02 | 2020-12-18 | 北京字节跳动网络技术有限公司 | 用于对象推荐的方法、装置、设备和存储介质 |
CN112182397A (zh) * | 2020-10-12 | 2021-01-05 | 北京自如信息科技有限公司 | 物品推荐方法、装置、电子设备及可读存储介质 |
CN112395505B (zh) * | 2020-12-01 | 2021-11-09 | 中国计量大学 | 一种基于协同注意力机制的短视频点击率预测方法 |
CN112597388B (zh) * | 2020-12-18 | 2022-10-14 | 南京邮电大学 | 一种缓存使能的d2d通信联合推荐与缓存方法 |
CN112786175A (zh) * | 2021-01-29 | 2021-05-11 | 四川急客方便科技有限公司 | 一种基于无水厕所的信息推荐方法及系统 |
CN113468431B (zh) * | 2021-07-22 | 2024-06-04 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
US11914663B2 (en) | 2021-12-29 | 2024-02-27 | Microsoft Technology Licensing, Llc | Generating diverse electronic summary documents for a landing page |
CN114662008B (zh) * | 2022-05-26 | 2022-10-21 | 上海二三四五网络科技有限公司 | 基于点击位置因素改进的ctr热门内容计算方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8387093B2 (en) * | 2002-08-23 | 2013-02-26 | Microsoft Corporation | Media recommendations based on negative feedback |
CN102043781B (zh) * | 2009-10-23 | 2013-03-27 | 华为技术有限公司 | 一种网页资源推荐方法及装置 |
CN103309866B (zh) * | 2012-03-09 | 2017-06-13 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
US8996530B2 (en) * | 2012-04-27 | 2015-03-31 | Yahoo! Inc. | User modeling for personalized generalized content recommendations |
CN103714084B (zh) * | 2012-10-08 | 2018-04-03 | 腾讯科技(深圳)有限公司 | 推荐信息的方法和装置 |
US20140136554A1 (en) * | 2012-11-14 | 2014-05-15 | National Public Radio, Inc. | System and method for recommending timely digital content |
US20140280120A1 (en) * | 2013-03-15 | 2014-09-18 | Highspot, Inc. | Interest graph-powered browsing |
US10165069B2 (en) * | 2014-03-18 | 2018-12-25 | Outbrain Inc. | Provisioning personalized content recommendations |
CN104268187B (zh) * | 2014-09-17 | 2016-09-28 | 合一网络技术(北京)有限公司 | 基于用户反馈的支持多场景的在线内容优选系统 |
CN105872629B (zh) | 2016-03-18 | 2019-08-27 | 合一网络技术(北京)有限公司 | 内容推荐方法、装置及系统 |
-
2016
- 2016-03-18 CN CN201610158871.5A patent/CN105872629B/zh active Active
- 2016-09-19 US US15/759,902 patent/US11481657B2/en active Active
- 2016-09-19 EP EP16894154.0A patent/EP3346397A4/en not_active Ceased
- 2016-09-19 WO PCT/CN2016/099365 patent/WO2017156995A1/zh active Application Filing
-
2017
- 2017-03-09 TW TW106107715A patent/TW201734914A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20180240030A1 (en) | 2018-08-23 |
EP3346397A1 (en) | 2018-07-11 |
WO2017156995A1 (zh) | 2017-09-21 |
US11481657B2 (en) | 2022-10-25 |
EP3346397A4 (en) | 2018-11-07 |
CN105872629A (zh) | 2016-08-17 |
CN105872629B (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201734914A (zh) | 內容推薦方法、裝置及系統 | |
US10783563B2 (en) | Methods and systems for modeling campaign goal adjustment | |
JP5928920B2 (ja) | お勧めデータの決定 | |
TWI529642B (zh) | Promotion method and equipment of product information | |
JP5693746B2 (ja) | 製品情報のランク付け | |
CN108733706B (zh) | 热度信息的生成方法和装置 | |
JP6422617B2 (ja) | ネットワークアクセス動作識別プログラム、サーバ及び記憶媒体 | |
US9460449B2 (en) | Multi-campaign content allocation | |
CN107463641B (zh) | 用于改进对搜索结果的访问的系统和方法 | |
JP5465774B2 (ja) | ホストされたメディアに対するユーザ計量値に基づきオンライン広告を配置すること | |
KR101813436B1 (ko) | 비디오-기반 검색 결과를 제공하는 방법 및 시스템 | |
US20150302012A1 (en) | Generating suggested search queries | |
US10262339B2 (en) | Externality-based advertisement bid and budget allocation adjustment | |
US20080281941A1 (en) | System and method of processing online advertisement selections | |
US8799455B1 (en) | Addressable network resource selection management | |
TW201524567A (zh) | 推薦方法、裝置及伺服器 | |
JP5203847B2 (ja) | 仮定ターゲティング属性に基づく広告配信方法 | |
CN103399861B (zh) | 一种网址导航中的网址推荐方法、装置和系统 | |
US10489828B2 (en) | Analyzing the advertisement bidding-chain | |
JP2010113542A (ja) | 情報提供システム、情報処理装置及びそのプログラム | |
CN110659404A (zh) | 一种信息推荐方法、装置及存储介质 | |
US20120005021A1 (en) | Selecting advertisements using user search history segmentation | |
US20120030021A1 (en) | Selecting advertisements using same session queries | |
JP6872853B2 (ja) | 検出装置、検出方法及び検出プログラム | |
JP6329015B2 (ja) | 広告配信サーバ |