WO2025167643A1 - 用户兴趣画像生成方法、装置、设备、存储介质以及产品 - Google Patents

用户兴趣画像生成方法、装置、设备、存储介质以及产品

Info

Publication number
WO2025167643A1
WO2025167643A1 PCT/CN2025/073940 CN2025073940W WO2025167643A1 WO 2025167643 A1 WO2025167643 A1 WO 2025167643A1 CN 2025073940 W CN2025073940 W CN 2025073940W WO 2025167643 A1 WO2025167643 A1 WO 2025167643A1
Authority
WO
WIPO (PCT)
Prior art keywords
interest
user
room
term
portrait
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
PCT/CN2025/073940
Other languages
English (en)
French (fr)
Inventor
岳文应
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.)
Bigo Technology Pte Ltd
Original Assignee
Bigo Technology Pte 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 Bigo Technology Pte Ltd filed Critical Bigo Technology Pte Ltd
Publication of WO2025167643A1 publication Critical patent/WO2025167643A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/40—Business processes related to social networking or social networking services
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/10—Multimedia information

Definitions

  • the embodiments of the present application relate to the field of computer technology, and in particular to a method, apparatus, device, storage medium, and product for generating a user interest profile.
  • Voice chat rooms provide a platform for live streamers to share their experiences and for users to interact. Users can listen to live streamers' voices or directly participate in multi-topic discussions and share insights, gaining timely access to information and building stronger social connections.
  • voice chat room platforms need to better understand user interests in order to recommend relevant content and customize the interactive experience. Because the data generated during active voice chat rooms is vast and complex, and users discuss a wide variety of topics in voice chat rooms, with discussions covering a wide range of depth and breadth, the interests of users in voice chat rooms can vary greatly. Understanding and adapting to these diverse interests and contexts is crucial to accurately capture user preferences and ensure that the content delivered meets user expectations.
  • an embodiment of the present application provides a method for generating a user interest profile, the method comprising:
  • the short-term interest portrait and the long-term interest portrait are combined to obtain a user interest portrait.
  • An acquisition module is configured to acquire room text information corresponding to a voice room that a user has visited most recently, wherein a statistical time range of the room text information is determined based on a triggering time point of an active behavior event of the user;
  • a short-term portrait generation module configured to determine the user's short-term interest portrait based on the room text information and the trained first text classification model
  • a long-term portrait generation module configured to obtain the recorded historical short-term portraits of the user and the room interest portraits of the voice rooms of interest, and determine the long-term interest portrait of the user based on the short-term interest portraits, the historical short-term portraits, and the room interest portraits;
  • an embodiment of the present application further provides a user interest profile generation device, the device comprising:
  • processors one or more processors
  • the one or more processors When the one or more programs are executed by the one or more processors, the one or more processors implement the user interest portrait generation method described in the embodiment of the present application.
  • an embodiment of the present application further provides a non-volatile storage medium storing computer-executable instructions, which, when executed by a computer processor, are configured to execute the user interest portrait generation method described in an embodiment of the present application.
  • an embodiment of the present application also provides a computer program product, which includes a computer program stored in a computer-readable storage medium. At least one processor of the device reads and executes the computer program from the computer-readable storage medium, so that the device executes the user interest portrait generation method described in the embodiment of the present application.
  • the reference information of the user's interest is effectively determined based on the triggering time point of the user's active behavior event, and by utilizing the room text information that meets the multi-source information and the corresponding type of text classification model, the real-time changes of the user's interests are effectively captured, and the user's short-term interest profile is reasonably constructed.
  • the user's long-term interest characteristics are accurately grasped, and the user's long-term interest profile is effectively constructed, thereby obtaining a comprehensive and accurate user interest profile, which is conducive to recommending relevant content that meets the user's interests and customizing a personalized interactive experience.
  • FIG2 is a flow chart of a method for generating a user interest profile including a short-term interest profile generation process provided by an embodiment of the present application;
  • FIG3 is a flowchart of a method for generating a user interest profile including a weight value calculation process provided by an embodiment of the present application
  • FIG4 is a flowchart of another method for generating a user interest portrait including a short-term interest portrait generation process provided by an embodiment of the present application;
  • FIG5 is a flow chart of a method for generating a user interest portrait including a long-term interest portrait generation process provided by an embodiment of the present application;
  • FIG6 is a flowchart of a method for generating a user interest portrait including a room interest portrait generation process provided by an embodiment of the present application;
  • FIG7 is a structural block diagram of a user interest profile generating device provided in an embodiment of the present application.
  • the user interest portrait can help the operation and product teams to have a deeper understanding of the user's preferences and tendencies, thereby implementing more refined operation strategies, which is conducive to improving the platform's retention rate and user engagement.
  • the execution subject of each step can be a computer device, which refers to any electronic device with data calculation, processing and storage capabilities, such as mobile phones, PCs (Personal Computers), tablet computers and other terminal devices, or servers and other devices.
  • a computer device refers to any electronic device with data calculation, processing and storage capabilities, such as mobile phones, PCs (Personal Computers), tablet computers and other terminal devices, or servers and other devices.
  • PCs Personal Computers
  • tablet computers and other terminal devices or servers and other devices.
  • the embodiment of the present application does not limit this.
  • FIG1 is a flow chart of a method for generating a user interest profile according to an embodiment of the present application. As shown in FIG1 , the method includes the following steps:
  • the aforementioned room text information acquisition setting is only an exemplary description.
  • the selection of active behavior events and statistical time ranges can be adaptively adjusted by developers based on the online time of the voice room in the actual scenario and the actual interest prediction effect. This application does not limit this.
  • Step S102 Determine the user's short-term interest profile based on the room text information and the trained first text classification model.
  • the first text classification model can be used to generate interest tags based on the provided text content.
  • This first text classification model can be a commonly used neural network, such as a CNN or RNN.
  • the model can be trained using the historically recorded room text data and the corresponding interest tag data. This allows the model to have excellent interest tagging capabilities and accurately tag the acquired room text information.
  • the room text information can include multiple different types of text content.
  • a trained first text classification model can be set for each type of text content, allowing the model to effectively adapt to the textual characteristics of that type of text information and accurately tag the interests of the user.
  • the room text information can be speech recognition text.
  • a first text classification model for interest tagging speech recognition text can be trained based on the historically recorded speech recognition data and the corresponding interest tag data.
  • the short-term interest profile can be feature information describing the real-time interests and preferences of users visiting the room.
  • the short-term interest profile can be generated by combining all interest tags obtained by inputting the room text information into the trained first text classification model.
  • the room text information may be input into a trained first text classification model to obtain a plurality of interest tags, and a predetermined number of interest tags may be screened from high to low frequencies to obtain partial interest tags, and the partial interest tags may be sorted and combined according to their frequencies to obtain a short-term interest profile.
  • Step S103 Obtain the recorded historical short-term portrait of the user and the room interest portrait of the voice room of interest, and determine the long-term interest portrait of the user based on the short-term interest portrait, the historical short-term portrait and the room interest portrait.
  • the frequency or weight value of each selected interest tag can be weighted according to the degree of direct correlation between each type of interest portrait and the user's long-term interest, and then the weighted interest tags after the weight adjustment can be sorted and combined according to the frequency or weight value to obtain a long-term interest portrait.
  • the above-mentioned method of generating long-term interest portraits is only an exemplary description, and the developer can make adaptive adjustments to the different needs of user interest portrayal according to actual application scenarios, and this application is not limited to this.
  • the components of user interest portraits can include short-term interest portraits and long-term interest portraits, which comprehensively depict the user's interest changes from different statistical dimensions.
  • Short-term interest portraits can reflect the user's short-term interest trends
  • long-term interest portraits can reflect the user's long-term interest characteristics. In this way, diversified push strategies can be formulated corresponding to different types of interest portraits to improve push quality.
  • the statistical time range of the room text information is determined based on the triggering time point of the user's active behavior event; determining the user's short-term interest profile based on the room text information and the trained first text classification model; obtaining the recorded historical short-term profile of the user and the room interest portrait of the voice room that the user is following, and determining the user's long-term interest profile based on the short-term interest portrait, the historical short-term portrait, and the room interest portrait; and combining the short-term interest portrait and the long-term interest portrait to obtain the user interest profile.
  • the reference information of the user's interest is effectively determined based on the triggering time point of the user's active behavior event; by utilizing the room text information that meets the multi-source information and the corresponding type of text classification model, the real-time changes of the user's interests are effectively captured, and the user's short-term interest profile is reasonably constructed; by integrating multiple recorded short-term interest portraits and the room interest portraits corresponding to the voice rooms that the user is following, the user's long-term interest characteristics are accurately grasped, and the user's long-term interest profile is effectively constructed, thereby obtaining a comprehensive and accurate user interest profile, which is conducive to recommending relevant content that meets the user's interests and customizing a personalized interactive experience.
  • Step S201 Obtain room text information corresponding to the voice room most recently visited by the user, wherein the statistical time range of the room text information is determined based on the triggering time point of the user's active behavior event;
  • Step S203 Perform frequency statistics on each first interest tag in all first interest tags of the same type, and calculate the weight value of each first interest tag in each type based on the frequency statistics result and the interest tag information of all voice rooms obtained.
  • Each user behavior interest profile may correspond to multiple types of first text content. Since each type of first text content generates a corresponding first interest tag for each text sentence or text word, each type of first text content may correspond to multiple duplicate first interest tags. Frequency statistics for each first interest tag can be performed within the full set of first interest tags of the same type to eliminate duplicates while preserving the quantitative distribution characteristics of the first interest tags. Furthermore, the weight value can reflect the likelihood of each first interest tag being matched: a higher weight value indicates a greater likelihood that the first interest tag matches the user's interests, while a lower weight value indicates a lower likelihood that the first interest tag matches the user's interests.
  • the multiple first interest tags after the weight value adjustment can be directly sorted and combined according to their weight values to obtain the user's short-term interest portrait.
  • a preset number of first interest tags corresponding to the interest profile of each user behavior can be selected based on weight values from high to low, and the first interest tags selected corresponding to different user behaviors can be sorted and combined according to their weight values to obtain the user's short-term interest profile.
  • the aforementioned method of generating short-term interest profiles is only an example description, and the developer can adjust the integration method based on the interest profile granularity requirements of the actual application scenario, and this application does not limit it here.
  • Step S206 Combine the short-term interest portrait and the long-term interest portrait to obtain a user interest portrait.
  • Step S304 Calculate the frequency corresponding to each first interest tag based on the frequency statistics result and the total amount of each type of first interest tag.
  • the formula for calculating the inverse frequency corresponding to each first interest tag is as follows:
  • Step S306 Multiply the frequency and inverse frequency corresponding to each first interest tag to obtain a corresponding weight value.
  • the frequency becomes larger as the frequency of occurrence of the first interest tag in all first interest tags of the same type increases; the inverse frequency becomes smaller as the frequency of occurrence of the first interest tag in other voice rooms increases. Therefore, by multiplying the frequency by the inverse frequency, a highly distinctive first interest tag belonging to the user can be obtained to meet personalized needs.
  • Step S307 Adjust the weight value of each first interest tag to a first preset ratio, and sort and integrate the multiple first interest tags after the weight value adjustment to obtain a short-term interest portrait of the user.
  • Step S308 Obtain the recorded historical short-term portrait of the user and the room interest portrait of the voice room of interest, and determine the long-term interest portrait of the user based on the short-term interest portrait, the historical short-term portrait and the room interest portrait.
  • Step S309 Combine the short-term interest portrait and the long-term interest portrait to obtain a user interest portrait.
  • FIG4 is a flowchart of another method for generating a user interest profile including a short-term interest profile generation process provided by an embodiment of the present application. As shown in FIG4 , the method includes the following steps:
  • Step S402 Different types of first text contents are respectively input into the trained first text classification models of corresponding types to obtain a plurality of first interest tags of different types.
  • the second text classification model generates a corresponding second interest tag for each text sentence or text word in the user's voice text. Therefore, the user's voice text may correspond to multiple duplicate second interest tags.
  • the frequency of each second interest tag can be counted among all second interest tags of the same type to achieve the effect of deduplication while preserving the quantitative distribution characteristics of the second interest tags.
  • the weight value can reflect the hit probability of each second interest tag. The higher the weight value, the greater the probability that the second interest tag hits the user's interest orientation, and the lower the weight value, the lower the probability that the second interest tag hits the user's interest orientation.
  • the frequency of each second interest tag can be calculated based on the frequency statistics results, and the frequency of each second interest tag can be used as its weight value.
  • the second preset ratio can be set according to the importance of the interest characterization corresponding to different user behaviors, and the importance of each interest characterization can be determined by the degree of correlation between different user behaviors and interest orientations.
  • user behaviors can include user gift-giving behavior, user public screen interaction behavior, user room entry behavior, and user voice behavior.
  • the importance ranking can be user gift-giving interest>user voice interest>user public screen interaction interest>user room entry interest.
  • the corresponding second preset ratio can be set to 4:3:2:1.
  • Figure 8 is a schematic diagram of the structure of a user interest profile generation device provided in an embodiment of the present application.
  • the device includes a processor 201, a memory 202, an input device 203, and an output device 204.
  • the device may contain one or more processors 201, with one processor 201 being used as an example in Figure 8.
  • the processor 201, memory 202, input device 203, and output device 204 in the device may be connected via a bus or other means, with bus connection being used as an example in Figure 8.
  • Memory 202 as a computer-readable storage medium, can be configured to store software programs, computer-executable programs, and modules, such as the program instructions/modules corresponding to the user interest profile generation method in the embodiment of the present application.
  • the various units and modules included are only divided according to functional logic, but are not limited to the above-mentioned division, as long as the corresponding functions can be achieved; in addition, the specific names of the various functional units are only for the convenience of distinguishing each other, and are not configured to limit the scope of protection of the embodiments of this application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种用户兴趣画像生成方法、装置、设备、存储介质以及产品，该方法包括：获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像；获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。本方案实现了合理构建用户的短期兴趣画像，准确把握用户长期的兴趣特点，得到全面的用户兴趣画像，有利于推荐符合用户兴趣的相关内容，定制个性化的体验。

Description

用户兴趣画像生成方法、装置、设备、存储介质以及产品
本申请要求在2024年02月07日提交中国专利局，申请号为202410175392.9的中国专利申请的优先权，该申请的全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种用户兴趣画像生成方法、装置、设备、存储介质以及产品。
背景技术
随着社交媒体和实时沟通工具的普及，语音房作为一种新型的社交互动方式正在迅速崛起。语音房为主播分享以及用户交互提供良好的交流平台，使得用户可以通过收听主播语音，或直接参与多主题的讨论和分享见解，及时获取需要的资讯，建立更紧密的社交联系。为了提升用户体验，语音房平台需要更深入地理解用户的兴趣，以便为其推荐相关内容，定制个性化的互动体验。由于语音房在活跃期间生成的数据庞大而复杂，用户在语音房中涉及的主题多种多样，讨论的深度和广度都很大，因而语音房中用户的兴趣可能因人而异，需要能够理解和适应各种不同兴趣和语境，才能准确捕捉用户的偏好，确保推送的内容符合用户的期望。
相关技术中使用基于规则或传统的机器学习方法生成用户画像，但是缺乏对于用户兴趣的个性化分析，无法满足对于用户兴趣实时变化的捕捉，也无法对用户的兴趣进行全面且准确的把握，需要改进。
发明内容
本申请实施例提供了一种用户兴趣画像生成方法、装置、设备、存储介质以及产品，解决了相关技术中无法满足对于用户兴趣实时变化的捕捉，也无法对用户的兴趣进行全面且准确的把握的问题，实现了有效捕捉用户兴趣的实时变化，合理构建用户的短期兴趣画像，准确把握用户长期的兴趣特点，有效构建用户的长期兴趣画像，从而得到全面且准确的用户兴趣画像，以有利于推荐符合用户兴趣的相关内容，定制个性化的互动体验。
第一方面，本申请实施例提供了一种用户兴趣画像生成方法，该方法包括：
获取用户最近一次访问的语音房对应的房间文本信息，所述房间文本信息的统计时间范围基于所述用户的活跃行为事件的触发时间点确定；
基于所述房间文本信息以及训练完成的第一文本分类模型，确定所述用户的短期兴趣画像；
获取记录的所述用户的历史短期画像以及关注的语音房的房间兴趣画像，根据所述短期兴趣画像、所述历史短期画像以及所述房间兴趣画像，确定所述用户的长期兴趣画像；
将所述短期兴趣画像以及所述长期兴趣画像组合得到用户兴趣画像。
第二方面，本申请实施例还提供了一种用户兴趣画像生成装置，该装置包括：
获取模块，配置为获取用户最近一次访问的语音房对应的房间文本信息，所述房间文本信息的统计时间范围基于所述用户的活跃行为事件的触发时间点确定；
短期画像生成模块，配置为基于所述房间文本信息以及训练完成的第一文本分类模型，确定所述用户的短期兴趣画像；
长期画像生成模块，配置为获取记录的所述用户的历史短期画像以及关注的语音房的房间兴趣画像，根据所述短期兴趣画像、所述历史短期画像以及所述房间兴趣画像，确定所述用户的长期兴趣画像；
用户画像生成模块，配置为将所述短期兴趣画像以及所述长期兴趣画像组合得到用户兴趣画像。
第三方面，本申请实施例还提供了一种用户兴趣画像生成设备，该设备包括：
一个或多个处理器；
存储装置，配置为存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请实施例所述的用户兴趣画像生成方法。
第四方面，本申请实施例还提供了一种存储计算机可执行指令的非易失性存储介质，所述计算机可执行指令在由计算机处理器执行时配置为执行本申请实施例所述的用户兴趣画像生成方法。
第五方面，本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中，设备的至少一个处理器从计算机可读存储介质读取并执行计算机程序，使得设备执行本申请实施例所述的用户兴趣画像生成方法。
本申请实施例中，通过获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定，基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像，获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。上述方案中，通过获取用户最近一次访问的语音房的房间文本信息，有效基于用户活跃行为事件的触发时间点合理确定用户兴趣的参考信息，通过利用满足信息多源化的房间文本信息以及对应类型的文本分类模型，有效捕捉用户兴趣的实时变化，合理构建用户的短期兴趣画像，通过融合记录的多个短期兴趣画像以及用户关注的语音房对应的房间兴趣画像，准确把握用户长期的兴趣特点，有效构建用户的长期兴趣画像，从而得到全面且准确的用户兴趣画像，以有利于推荐符合用户兴趣的相关内容，定制个性化的互动体验。
附图说明
图1为本申请实施例提供的一种用户兴趣画像生成方法的流程图；
图2为本申请实施例提供的一种包含短期兴趣画像生成过程的用户兴趣画像生成方法的流程图；
图3为本申请实施例提供的一种包含权重值计算过程的用户兴趣画像生成方法的流程图；
图4为本申请实施例提供的另一种包含短期兴趣画像生成过程的用户兴趣画像生成方法的流程图；
图5为本申请实施例提供的一种包含长期兴趣画像生成过程的用户兴趣画像生成方法的流程图；
图6为本申请实施例提供的一种包含房间兴趣画像生成过程的用户兴趣画像生成方法的流程图；
图7为本申请实施例提供的一种用户兴趣画像生成装置的结构框图；
图8为本申请实施例提供的一种用户兴趣画像生成设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请实施例，而非对本申请实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请实施例相关的部分而非全部结构。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的用户兴趣画像生成方法，可以用于结合用户访问过的语音房的多源文本、用户访问期间的语音文本等信息，构建用户兴趣画像，有效优化个性化推荐服务，相关应用场景可以包括：语音直播、语音社交、语音教学等。前述罗列的几种应用场景仅是示例性和解释性的，在实际应用中，还可以在其他场景下的实时语音交流中用到该用户兴趣画像生成方法，本申请实施例对此不作限定。
相关技术中使用基于规则或传统的机器学习方法生成用户画像，在实际解决实时语音场景中的兴趣理解和推荐问题时，可能会存在一些不足，如准确性、实时性和个性化程度不足等。首先，相关技术在处理语音数据时，难以高效地识别、分析和理解用户的实时语音输入，无法充分利用用户在语音房的实时语音交流中产生的丰富信息，从而无法为用户提供准确体验。其次，相关系统平台对于多样性和复杂性的用户兴趣表达存在一定的局限性，由于语音房中的主题涉及范围广泛，往往难以准确捕捉用户对于不同主题的兴趣变化，导致推荐的内容不够个性化。此外，相关技术使用的数据源较为单一或片面，无法对用户的兴趣有深入全面的刻画。基于此，为了更好满足实时语音场景的服务需求，本申请旨在提供一种用户兴趣画像生成方法、装置、设备、存储介质以及产品，建立全面且准确的用户兴趣画像，该用户兴趣画像可以用于为推荐系统提供更为精确的参考信号，使其能够准确捕捉用户的兴趣点，从而提供定制化、个性化的房间和内容推荐，有助于提升用户发现感兴趣内容的体验，也为平台的内容推荐算法注入了更高的智能化因素，还可以智能地推荐兴趣相投的用户，促进社交关系的建立，有助于用户更有针对性地拓展社交圈子，增强社交体验的深度和广度。再者，该用户兴趣画像可以帮助运营和产品团队更深入地了解用户的喜好和倾向，从而实施更为精细化的运营策略，有利于提高平台的留存率和用户参与度。
本申请实施例提供的用户兴趣画像生成方法，各步骤的执行主体可以是计算机设备，该计算机设备是指任何具备数据计算、处理和存储能力的电子设备，如手机、PC(Personal Computer，个人计算机)、平板电脑等终端设备，也可以是服务器等设备，本申请实施例对此不作限定。
图1为本申请实施例提供的一种用户兴趣画像生成方法的流程图。如图1所示，包括如下步骤：
步骤S101、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定。
其中，房间文本信息可以是反映语音房的交流话题、关注方向等语音内容特点的文本内容，可以来源于语音房的实时语音流、公屏流或公示信息。该房间文本信息可以包括语音识别文本、公屏文本、公告文本以及标题文本。该统计时间范围可以是以用户的活跃行为事件的触发时间点为参考，确定获取哪个时段的房间文本信息。例如，活跃行为事件可以是用户送礼，可以将用户送礼的触发时间点作为参考时间，截取该参考时间前后10分钟内主播的语音流数据，提取该语音流数据的语音识别文本；又例如，活跃行为事件可以是用户在公屏上发言交互，可以将用户在公屏上发言交互的触发时间点作为参考时间，截取该参考时间前后5分钟内房间的语音流数据以及公屏流数据，提取该语音流数据的语音识别文本以及该公屏流数据的公屏文本，可选的，可以将该语音流数据或公屏流数据输入设置的敏感词模型或情感识别模型，剔除掉负向情感数据，保障该语音流数据以及公屏流数据可以有效反映用户的兴趣趋向。又例如，若用户进入语音房后没有进行语音或公屏交互的行为，但是进行满足预设范围的时长的停留，可以视为用户对于该语音房感兴趣的可能性很大，可以提取在房期间该语音房的语音流数据以及公屏流数据，提取该语音流数据的语音识别文本以及该公屏流数据的公屏文本，其中，该预设范围可以是用于剔除在房时长过短或过长的数据，比如，在房时长如果长达2～3个小时，可以视为用户可能出现挂机的异常情况，在房时长如果仅为1～2分钟，可以视为用户通过快速浏览筛选感兴趣的内容。当然，前述房间文本信息的获取设定仅为示例性的描述，对于活跃行为事件以及统计时间范围的选取，可以由开发人员根据实际场景中语音房的在线时间以及实际兴趣预测效果进行适应性调整，在此本申请不作限定。
步骤S102、基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像。
其中，该第一文本分类模型可以是用于根据提供的文本内容进行兴趣标签的生成，该第一文本分类模型可以是CNN、RNN等常用的神经网络，可以历史记录的语音房的房间文本数据，以及对应该房间文本数据的兴趣标签数据，对第一文本分类模型进行训练，使得该第一文本分类模型可以具备良好的兴趣打标能力，可以对于获取到的房间文本信息进行准确的兴趣打标。可选的，房间文本信息可以包括多种不同类型的文本内容，针对每种类型的文本内容可以对应设置训练完成的第一文本分类模型，使得每种类型对应的第一文本分类模型可以有效适应该类型的文本信息的文本特点，进行准确的兴趣打标。例如，房间文本信息可以是语音识别文本，可以基于历史记录的语音房的语音识别数据以及对应的兴趣标签数据，进行训练得到用于语音识别文本的兴趣打标的第一文本分类模型。该短期兴趣画像可以是描述用户访问语音房的实时兴趣偏好的特征信息。可选的，可以是将该房间文本信息输入至训练完成的第一文本分类模型后得到的所有兴趣标签组合得到短期兴趣画像。可选的，还可以是将该房间文本信息输入至训练完成的第一文本分类模型中得到多个兴趣标签，通过对该多个兴趣标签进行频率由高到低的预设数量的筛选得到部分兴趣标签，将该部分兴趣标签按照频率高低排序组合得到短期兴趣画像。此外，还可以将房间文本信息的不同类型的文本内容进行分类型输入至对应的训练完成的第一文本分类模型得到多个兴趣标签，并将多个兴趣标签进行分类型的频率计算或加权计算，选取每种类型中频率或权重值由高到低的预设数量的兴趣标签，将该部分兴趣标签按照频率或权重值高低排序组合得到短期兴趣画像。可选的，还可以根据每种类型的兴趣标签与用户兴趣的直接关联程度的高低，对选取的每个兴趣标签的频率或权重值进行不同比例的加权调整后，再将加权调整后的兴趣标签按照频率或权重值高低排序组合得到短期兴趣画像。当然，前述短期兴趣画像的生成方式仅为示例性描述，可以由开发人员根据实际应用场景对于用户兴趣刻画的不同需求进行适应性调整，在此本申请不作限定。
步骤S103、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像。
其中，可以将用户每次访问语音房对应生成的短期兴趣画像进行记录，得到多个历史短期画像，获取记录的用户的历史短期画像，可以是获取预设时间范围内的多个历史短期画像，例如，预设时间范围为半年，可以获取半年内除了用户最近一次访问语音房对应生成的短期兴趣画像之外的多个历史短期画像，获取的数量可以由开发人员根据不同应用场景中用户兴趣随时间的变化程度进行适应性选择，在此本申请不作限定，例如，长期兴趣画像需要参考半年内用户30次访问语音房对应生成的短期兴趣画像，该用于参考的兴趣画像信息可以由29个历史兴趣画像以及最近一次生成的短期兴趣画像组成。由于用户可能经常访问关注的语音房，因而该关注的语音房的房间兴趣画像可以用于确定用户的长期兴趣画像，该房间兴趣画像可以是描述语音房的内容兴趣偏好的特征信息。此外，该长期兴趣画像可以是描述用户访问语音房的实时兴趣偏好的特征信息，通过对短期兴趣画像、历史短期画像以及房间兴趣画像进行融合可以得到该长期兴趣画像。可选的，可以从短期兴趣画像、历史短期画像以及房间兴趣画像的所有标签中按照频率或权重值由高到低提取预设数量的部分标签组合得到长期兴趣画像。可选的，还可以分不同类型的兴趣画像进行标签选取，例如，可以从短期兴趣画像和历史短期画像的所有标签中按照频率或权重值由高到低提取预设数量的第一部分标签，接着从房间兴趣画像的所有标签中按照频率或权重值由高到低提取预设数量的第二部分标签，将第一部分标签以及第二部分标签按照频率或权重值高低排序组合得到长期兴趣画像。可选的，还可以根据每种类型的兴趣画像与用户长期兴趣的直接关联程度的高低，对选取的每个兴趣标签的频率或权重值进行不同比例的加权调整后，再将加权调整后的兴趣标签按照频率或权重值高低排序组合得到长期兴趣画像。当然，前述长期兴趣画像的生成方式仅为示例性描述，可以由开发人员根据实际应用场景对于用户兴趣刻画的不同需求进行适应性调整，在此本申请不作限定。
步骤S104、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
其中，用户兴趣画像的组成部分可以包括短期兴趣画像以及长期兴趣画像，从不同统计维度全面刻画用户的兴趣变化，短期兴趣画像可以反映用户短时间的兴趣趋向，长期兴趣画像可以反映用户长时间的兴趣特点，从而可以对应不同类型的兴趣画像制定多元化的推送策略，提高推送质量。
上述，通过获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像；获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。上述方案中，通过获取用户最近一次访问的语音房的房间文本信息，有效基于用户活跃行为事件的触发时间点合理确定用户兴趣的参考信息，通过利用满足信息多源化的房间文本信息以及对应类型的文本分类模型，有效捕捉用户兴趣的实时变化，合理构建用户的短期兴趣画像，通过融合记录的多个短期兴趣画像以及用户关注的语音房对应的房间兴趣画像，准确把握用户长期的兴趣特点，有效构建用户的长期兴趣画像，从而得到全面且准确的用户兴趣画像，以有利于推荐符合用户兴趣的相关内容，定制个性化的互动体验。
图2为本申请实施例提供的一种包含短期兴趣画像生成过程的用户兴趣画像生成方法的流程图。其中，房间文本信息包括不同类型的第一文本内容，如图2所示，包括如下步骤：
步骤S201、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；
步骤S202、将不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签。
其中，房间文本信息可以包括语音房中对应不同信息维度的多种类型的第一文本内容，例如，对应语音房中语音流数据的语音识别文本，对应语音房中公屏流数据的公屏文本，对应语音房的内容简介的公告文本和标题文本。对于用户行为，可以分别参考多种类型的第一文本内容进行兴趣刻画，例如，对于用户送礼行为可以通过主播的语音识别文本进行送礼兴趣刻画，对于用户公屏交互行为可以通过房间的语音识别文本以及公屏文本进行公屏交互兴趣刻画，对于用户进房行为可以通过房间的语音识别文本以及公屏文本进行公屏交互兴趣刻画。其中，每种类型的第一文本内容可以对应设置有训练完成的第一文本分类模型进行兴趣打标，例如，语音识别文本可以输入至对应的第一文本分类模型，得到语音识别文本中每句话的兴趣标签。由此，每种类型的第一文本内容都会对应每个文本句或文本词生成对应的第一兴趣标签，最终得到不同类型的多个第一兴趣标签。
步骤S203、对每个第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第一兴趣标签的权重值。
其中，在每种用户行为的兴趣刻画中，可能会对应多种类型的第一文本内容，由于每种类型的第一文本内容都会对应每个文本句或文本词生成对应的第一兴趣标签，因而每种类型的第一文本内容可能对应多个重复的第一兴趣标签，可以在相同类型的全量第一兴趣标签中进行每个第一兴趣标签的频次统计，达到去重作用，同时保留第一兴趣标签的数量分布特征。此外，该权重值可以是反映每个第一兴趣标签的命中可能性大小，权重值越高的，该第一兴趣标签命中用户的兴趣取向的可能性越大，权重值越低的，该第一兴趣标签命中用户的兴趣取向的可能性越小。可选的，可以基于频次统计结果计算每个第一兴趣标签的频率，并根据不同类型的文本内容的容量设置每种类型的调整系数，将每个第一兴趣标签的频率以及符合其类型的调整系数进行相乘得到其权重值。可选的，可以基于频次统计结果计算每个第一兴趣标签的频率，并计算每个第一兴趣标签相对于全量语音房的兴趣标签信息的逆向频率，将每个第一兴趣标签的频率以及逆向频率进行相乘得到其权重值。当然，前述权重值的计算方式仅为示例性描述，可以由开发人员根据兴趣刻画的准确度以及计算量进行适应性调整，在此本申请不作限定。
步骤S204、对每个第一兴趣标签进行对应第一预设比例的权重值调整，将权重值调整后的多个第一兴趣标签进行排序整合得到用户的短期兴趣画像。
其中，该第一预设比例可以是根据不同用户行为对应的兴趣刻画的重要性进行设置，可以通过不同用户行为与兴趣取向的关联程度确定每种兴趣刻画的重要性，示例的，用户行为可以包括用户送礼行为、用户公屏交互行为以及用户进房行为，该重要性排序可以是用户送礼兴趣>用户公屏交互兴趣>用户进房兴趣，对应可以设置第一预设比例为3:2:1，相应的，对于用户送礼兴趣对应的第一兴趣标签的权重值可以乘以3/6，对于用户公屏交互兴趣对应的第一兴趣标签的权重值可以乘以2/6，对于用户进房兴趣对应的第一兴趣标签的权重值可以乘以1/6。前述具体用户行为以及第一预设比例的具体取值仅为示例性的描述，对于用户行为以及第一预设比例的选取，可以由开发人员根据实际兴趣预测效果进行适应性调整，在此本申请不作限定。其中，排序整合可以是将多个第一兴趣标签进行梳理得到用户的短期兴趣画像，可选的，对于权重值调整后的多个第一兴趣标签可以直接根据其权重值大小进行排序组合得到用户的短期兴趣画像。可选的，对于将每个用户行为的兴趣刻画对应的第一兴趣标签可以根据权重值由高到低选取预设数量的第一兴趣标签，将不同用户行为对应选取的第一兴趣标签根据其权重值大小进行排序组合得到用户的短期兴趣画像。当然，前述短期兴趣画像的生成方式仅为示例性描述，可以由开发人员根据实际应用场景的兴趣刻画粒度需求进行整合方式的调整，在此本申请不作限定。
步骤S205、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像。
步骤S206、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过参考不同类型的第一文本内容进行第一兴趣标签生成，充分利用语音房的多源信息，提高了兴趣标签的全面性和综合性，使得生成的兴趣标签更加全面反映了房间的特点；通过计算每个兴趣标签的权重值，有效区分不同兴趣标签反映用户兴趣取向的参考价值高低，为梳理多个兴趣标签进行用户的短期兴趣画像生成提供合理的参考依据；通过对每个第一兴趣标签进行按比例的权重值调整，可以使得该权重值更加贴合不同用户行为对应的兴趣刻画的重要性，可以准确整合得到用户的短期兴趣画像。
图3为本申请实施例提供的一种包含权重值计算过程的用户兴趣画像生成方法的流程图，如图3所示，包括如下步骤：
步骤S301、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定。
步骤S302、将不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签。
步骤S303、对每个第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计。
步骤S304、根据频次统计结果以及每种类型的第一兴趣标签的总量，计算得到每个第一兴趣标签对应的频率。
其中，计算每个第一兴趣标签对应的频率可以通过统计得到的频次与相同类型的第一兴趣标签的总量进行相除得到，该频率可以是用于反映每个第一兴趣标签在相同类型的所有第一兴趣标签的重要程度，随着频率的增大，重要程度越高。
步骤S305、从获取的全量语音房的兴趣标签信息中，统计出现每个第一兴趣标签的语音房的数量，根据数量以及全量语音房的总量，计算得到每个第一兴趣标签对应的逆向频率。
其中，如果某个第一兴趣标签在其他语音房中出现的频率高，说明该第一兴趣标签同样适用于其他用户，不具备良好的区分度，因而第一兴趣标签在其他语音房中出现的频率越低越好，由此，随着第一兴趣标签在其他语音房中出现的频率越高，该逆向频率应该越低，示例的，计算每个第一兴趣标签对应的逆向频率的公式如下：
其中，+1可以避免分母出现0的情况，当然，还可以采用其它减函数或者能够反映函数值与自变量的负相关关系的函数进行逆向频率计算，本申请在此不作限定。
步骤S306、将每个第一兴趣标签对应的频率以及逆向频率相乘得到对应的权重值。
其中，该频率随着第一兴趣标签在相同类型的全量第一兴趣标签中的出现频次越高，取值越大；该逆向频率随着第一兴趣标签在其它语音房的出现频次越高，取值越小，因而将频率与逆向频率相乘，可以得到属于用户的高区分度的第一兴趣标签，满足个性化的需求。
步骤S307、对每个第一兴趣标签进行对应第一预设比例的权重值调整，将权重值调整后的多个第一兴趣标签进行排序整合得到用户的短期兴趣画像。
步骤S308、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像。
步骤S309、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过根据第一兴趣标签的频率以及逆向频率得到对应的权重值，有效得到高区分度的用户专属兴趣标签，向用户提供个性化的兴趣刻画，提升用户兴趣画像的个性化程度。
图4为本申请实施例提供的另一种包含短期兴趣画像生成过程的用户兴趣画像生成方法的流程图，如图4所示，包括如下步骤：
步骤S401、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；
步骤S402、将不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签。
步骤S403、对每个第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第一兴趣标签的权重值。
步骤S404、获取用户最近一次访问的语音房对应的用户语音文本，将用户语音文本输入至训练完成的第二文本分类模型，得到多个第二兴趣标签。
其中，用户行为还可以包括用户语音行为，该用户语音文本可以是对用户在语音房期间的语音内容进行识别得到的，用户语音文本可以输入至对应的第二文本分类模型，得到用户语音文本中每句话的第二兴趣标签，该多个第二兴趣标签可以用于刻画用户语音兴趣。
步骤S405、对每个第二兴趣标签在全量第二兴趣标签中进行频次统计，根据频次统计结果以及获取的全量用户对应的兴趣标签信息，计算每个第二兴趣标签的权重值。
其中，第二文本分类模型会对应用户语音文本中的每个文本句或文本词生成有对应的第二兴趣标签，因而用户语音文本可能对应多个重复的第二兴趣标签，可以在相同类型的全量第二兴趣标签中进行每个第二兴趣标签的频次统计，达到去重作用，同时保留第二兴趣标签的数量分布特征。此外，该权重值可以是反映每个第二兴趣标签的命中可能性大小，权重值越高的，该第二兴趣标签命中用户的兴趣取向的可能性越大，权重值越低的，该第二兴趣标签命中用户的兴趣取向的可能性越小。可选的，可以基于频次统计结果计算每个第二兴趣标签的频率，将每个第二兴趣标签的频率作为其权重值。可选的，可以基于频次统计结果计算每个第二兴趣标签的频率，并计算每个第二兴趣标签相对于全量用户的兴趣标签信息的逆向频率，将每个第二兴趣标签的频率以及逆向频率进行相乘得到其权重值。当然，前述权重值的计算方式仅为示例性描述，可以由开发人员根据兴趣刻画的准确度以及计算量进行适应性调整，在此本申请不作限定。
步骤S406、对每个第一兴趣标签以及每个第二兴趣标签进行对应第二预设比例的权重值调整，将权重值调整后的多个第一兴趣标签以及多个第二兴趣标签进行排序整合得到用户的短期兴趣画像。
其中，该第二预设比例可以是根据不同用户行为对应的兴趣刻画的重要性进行设置，可以通过不同用户行为与兴趣取向的关联程度确定每种兴趣刻画的重要性，示例的，用户行为可以包括用户送礼行为、用户公屏交互行为、用户进房行为以及用户语音行为，该重要性排序可以是用户送礼兴趣>用户语音兴趣>用户公屏交互兴趣>用户进房兴趣，对应可以设置第二预设比例为4:3:2:1，相应的，对于用户送礼兴趣对应的第一兴趣标签的权重值可以乘以4/10，对于用户语音兴趣对应的第二兴趣标签的权重值可以乘以3/10，对于用户公屏交互兴趣对应的第一兴趣标签的权重值可以乘以2/10，对于用户进房兴趣对应的第一兴趣标签的权重值可以乘以1/10。前述具体用户行为以及第二预设比例的具体取值仅为示例性的描述，对于用户行为以及第二预设比例的选取，可以由开发人员根据实际兴趣预测效果进行适应性调整，在此本申请不作限定。
步骤S407、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像。
步骤S408、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过加入用户语音行为的兴趣刻画，可以更加充分且全面利用语音房的多源信息，提高了兴趣标签的全面性和综合性，使得生成的兴趣标签可以用同步反映用户在房期间的兴趣特点；通过对每个第一兴趣标签以及每个第二兴趣标签进行按比例的权重值调整，可以使得该权重值更加贴合不同用户行为对应的兴趣刻画的重要性，可以准确整合得到用户的短期兴趣画像。
图5为本申请实施例提供的一种包含长期兴趣画像生成过程的用户兴趣画像生成方法的流程图，如图5所示，包括如下步骤：
步骤S501、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；
步骤S502、将不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签。
步骤S503、对每个第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第一兴趣标签的权重值。
步骤S504、对每个第一兴趣标签进行对应第一预设比例的权重值调整，将权重值调整后的多个第一兴趣标签进行排序整合得到用户的短期兴趣画像。
步骤S505、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像。
步骤S506、从短期兴趣画像以及历史短期画像中按照权重值由高到低依次提取得到第一预设数量的兴趣标签。
其中，按照权重值由高到低依次提取得到第一预设数量的兴趣标签，可以选择出短期兴趣画像中重要程度高的前几个兴趣标签，去除冗余的重要程度低的兴趣标签，合理简化短期兴趣画像的兴趣标签数量。
步骤S507、从房间兴趣画像中按照权重值由高到低依次提取得到第二预设数量的兴趣标签。
其中，按照权重值由高到低依次提取得到第二预设数量的兴趣标签，可以选择出房间兴趣画像中重要程度高的前几个兴趣标签，去除冗余的重要程度低的兴趣标签，合理简化房间兴趣画像的兴趣标签数量。
步骤S508、对提取到的兴趣标签进行对应第三预设比例的权重值调整，将权重值调整后的多个兴趣标签进行排序整合得到用户的长期兴趣画像。
其中，该第三预设比例可以是根据不同维度的兴趣画像的重要性进行设置，由于短期兴趣画像与用户在房行为相关，而房间兴趣画像仅与用户设置关注的语音房，用户不一定会进入相关的语音房，因而统计时间范围内的多个短期兴趣画像较于房间兴趣画像更接近于用户的兴趣取向，由此，示例的，重要性排序可以是短期兴趣画像>房间兴趣画像，对应可以设置第三预设比例为4:1，相应的，对于短期兴趣画像对应的兴趣标签的权重值可以乘以4/5，对于房间兴趣画像对应的兴趣标签的权重值可以乘以1/5。前述第三预设比例的具体取值仅为示例性的描述，对于第三预设比例的选取，可以由开发人员根据实际兴趣预测效果进行适应性调整，在此本申请不作限定。
步骤S509、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过结合短期兴趣画像以及用户关注的语音房的房间兴趣画像，不仅可以对用户当前兴趣进行有效把握，还能够考虑用户长期关注的兴趣特点，实现全面刻画用户的兴趣取向，有利于提升个性化推荐的准确性和用户满意度。
图6为本申请实施例提供的一种包含房间兴趣画像生成过程的用户兴趣画像生成方法的流程图，如图6所示，包括如下步骤：
步骤S601、获取用户最近一次访问的语音房对应的房间文本信息，其中，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定。
步骤S602、基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像。
步骤S603、获取用户关注的语音房在最近一次开播时的房间文本信息，房间文本信息包括不同类型的第二文本内容。
其中，该房间文本信息可以包括语音房中对应不同信息维度的多种类型的第二文本内容，该房间文本信息可以包括最近一次开播对应的语音识别文本、公屏文本、公告文本以及标题文本。
步骤S604、将不同类型的第二文本内容输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第三兴趣标签。
其中，每种类型的第二文本内容可以对应设置有训练完成的第一文本分类模型进行兴趣打标，例如，语音识别文本可以输入至对应的第一文本分类模型，得到语音识别文本中每句话的兴趣标签。由此，每种类型的第二文本内容都会对应每个文本句或文本词生成对应的第三兴趣标签，最终得到不同类型的多个第三兴趣标签。
步骤S605、对每个第三兴趣标签在相同类型的全量第三兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第三兴趣标签的权重值。
其中，每种类型的第二文本内容都会对应每个文本句或文本词生成对应的第三兴趣标签，因而每种类型的第二文本内容可能对应多个重复的第三兴趣标签，可以在相同类型的全量第三兴趣标签中进行每个第三兴趣标签的频次统计，达到去重作用，同时保留第三兴趣标签的数量分布特征。此外，该权重值可以是反映每个第三兴趣标签的命中可能性大小，权重值越高的，该第三兴趣标签命中语音房的兴趣话题的可能性越大，权重值越低的，该第三兴趣标签命中语音房的兴趣话题的可能性越小。
步骤S606、对每个第三兴趣标签进行对应第四预设比例的权重值调整，将权重值调整后的多个第三兴趣标签进行排序整合得到语音房的房间兴趣画像。
其中，该第四预设比例可以是根据不同类型的第二文本内容的重要性进行设置，可以根据用户访问语音房的行为习惯与兴趣取向的关联程度确定第二文本内容的重要性，示例的，若房间文本信息包括语音识别文本、公屏文本、标题文本以及公告文本，那么重要性排序可以是标题文本以及公告文本>语音识别文本>公屏文本，对应可以设置第四预设比例为5:3:1，相应的，对于标题文本以及公告文本对应的第三兴趣标签的权重值可以乘以5/9，对于语音识别文本对应的第三兴趣标签的权重值可以乘以3/9，对于公屏文本对应的第三兴趣标签的权重值可以乘以1/9。前述具体语音房信息以及第四预设比例的具体取值仅为示例性的描述，对于语音房信息以及第四预设比例的选取，可以由开发人员根据实际兴趣预测效果进行适应性调整，在此本申请不作限定。
步骤S607、获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像。
步骤S608、将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过使用语音房最近一次开播时的房间文本信息生成房间的第三兴趣标签，实现对语音房中兴趣话题的实时监测，通过关注的语音房的兴趣特点侧面捕捉用户的兴趣取向，提高用户兴趣刻画的灵活性，为用户的长期兴趣画像提供有效的兴趣标签参考。
图7为本申请实施例提供的一种用户兴趣画像生成装置的结构框图，该装置配置为执行上述实施例提供的用户兴趣画像生成方法，具备执行方法相应的功能模块和有益效果。如图7所示，该装置包括：
获取模块101，配置为获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；
短期画像生成模块102，配置为基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像；
长期画像生成模块103，配置为获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；
用户画像生成模块104，配置为将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
上述，通过获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像；获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。上述方案中，通过获取用户最近一次访问的语音房的房间文本信息，有效基于用户活跃行为事件的触发时间点合理确定用户兴趣的参考信息，通过利用满足信息多源化的房间文本信息以及对应类型的文本分类模型，有效捕捉用户兴趣的实时变化，合理构建用户的短期兴趣画像，通过融合记录的多个短期兴趣画像以及用户关注的语音房对应的房间兴趣画像，准确把握用户长期的兴趣特点，有效构建用户的长期兴趣画像，从而得到全面且准确的用户兴趣画像，以有利于推荐符合用户兴趣的相关内容，定制个性化的互动体验。
在一个可能的实施例中，短期画像生成模块102，还配置为：
将不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签；
对每个第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第一兴趣标签的权重值；
对每个第一兴趣标签进行对应第一预设比例的权重值调整，将权重值调整后的多个第一兴趣标签进行排序整合得到用户的短期兴趣画像。
在一个可能的实施例中，短期画像生成模块102，还配置为：
根据频次统计结果以及每种类型的第一兴趣标签的总量，计算得到每个第一兴趣标签对应的频率；
从获取的全量语音房的兴趣标签信息中，统计出现每个第一兴趣标签的语音房的数量，根据数量以及全量语音房的总量，计算得到每个第一兴趣标签对应的逆向频率；
将每个第一兴趣标签对应的频率以及逆向频率相乘得到对应的权重值。
在一个可能的实施例中，还包括第二短期画像生成模块，配置为：
获取用户最近一次访问的语音房对应的用户语音文本，将用户语音文本输入至训练完成的第二文本分类模型，得到多个第二兴趣标签；
对每个第二兴趣标签在全量第二兴趣标签中进行频次统计，根据频次统计结果以及获取的全量用户对应的兴趣标签信息，计算每个第二兴趣标签的权重值；
对每个第一兴趣标签以及每个第二兴趣标签进行对应第二预设比例的权重值调整，将权重值调整后的多个第一兴趣标签以及多个第二兴趣标签进行排序整合得到用户的短期兴趣画像。
在一个可能的实施例中，长期画像生成模块，还配置为：
从短期兴趣画像以及历史短期画像中按照权重值由高到低依次提取得到第一预设数量的兴趣标签；
从房间兴趣画像中按照权重值由高到低依次提取得到第二预设数量的兴趣标签；
对提取到的兴趣标签进行对应第三预设比例的权重值调整，将权重值调整后的多个兴趣标签进行排序整合得到用户的长期兴趣画像。
在一个可能的实施例中，还包括房间画像生成模块，配置为：
获取用户关注的语音房在最近一次开播时的房间文本信息，房间文本信息包括不同类型的第二文本内容；
将不同类型的第二文本内容输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第三兴趣标签；
对每个第三兴趣标签在相同类型的全量第三兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个第三兴趣标签的权重值；
对每个第三兴趣标签进行对应第四预设比例的权重值调整，将权重值调整后的多个第三兴趣标签进行排序整合得到语音房的房间兴趣画像。
图8为本申请实施例提供的一种用户兴趣画像生成设备的结构示意图，如图8所示，该设备包括处理器201、存储器202、输入装置203和输出装置204；设备中处理器201的数量可以是一个或多个，图8中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203和输出装置204可以通过总线或其他方式连接，图8中以通过总线连接为例。存储器202作为一种计算机可读存储介质，可配置为存储软件程序、计算机可执行程序以及模块，如本申请实施例中的用户兴趣画像生成方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的用户兴趣画像生成方法。输入装置203可配置为接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
本申请实施例还提供一种包含计算机可执行指令的非易失性存储介质，计算机可执行指令在由计算机处理器执行时配置为执行一种上述实施例描述的用户兴趣画像生成方法，其中，包括：获取用户最近一次访问的语音房对应的房间文本信息，房间文本信息的统计时间范围基于用户的活跃行为事件的触发时间点确定；基于房间文本信息以及训练完成的第一文本分类模型，确定用户的短期兴趣画像；获取记录的用户的历史短期画像以及关注的语音房的房间兴趣画像，根据短期兴趣画像、历史短期画像以及房间兴趣画像，确定用户的长期兴趣画像；将短期兴趣画像以及长期兴趣画像组合得到用户兴趣画像。
值得注意的是，上述用户兴趣画像生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不配置为限制本申请实施例的保护范围。
在一些可能的实施方式中，本申请提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码配置为使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤，例如，计算机设备可以执行本申请实施例所记载的用户兴趣画像生成方法。程序产品可以采用一个或多个可读介质的任意组合实现。

Claims (10)

  1. 一种用户兴趣画像生成方法，其中，包括：
    获取用户最近一次访问的语音房对应的房间文本信息，所述房间文本信息的统计时间范围基于所述用户的活跃行为事件的触发时间点确定；
    基于所述房间文本信息以及训练完成的第一文本分类模型，确定所述用户的短期兴趣画像；
    获取记录的所述用户的历史短期画像以及关注的语音房的房间兴趣画像，根据所述短期兴趣画像、所述历史短期画像以及所述房间兴趣画像，确定所述用户的长期兴趣画像；
    将所述短期兴趣画像以及所述长期兴趣画像组合得到用户兴趣画像。
  2. 根据权利要求1所述的用户兴趣画像生成方法，其中，所述房间文本信息包括不同类型的第一文本内容，所述基于所述房间文本信息以及训练完成的第一文本分类模型，确定所述用户的短期兴趣画像，包括：
    将所述不同类型的第一文本内容分别输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第一兴趣标签；
    对每个所述第一兴趣标签在相同类型的全量第一兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个所述第一兴趣标签的权重值；
    对每个所述第一兴趣标签进行对应第一预设比例的权重值调整，将权重值调整后的多个所述第一兴趣标签进行排序整合得到所述用户的短期兴趣画像。
  3. 根据权利要求2所述的用户兴趣画像生成方法，其中，所述根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个所述第一兴趣标签的权重值，包括：
    根据频次统计结果以及每种类型的第一兴趣标签的总量，计算得到每个所述第一兴趣标签对应的频率；
    从获取的全量语音房的兴趣标签信息中，统计出现每个所述第一兴趣标签的语音房的数量，根据所述数量以及所述全量语音房的总量，计算得到每个所述第一兴趣标签对应的逆向频率；
    将每个所述第一兴趣标签对应的频率以及逆向频率相乘得到对应的权重值。
  4. 根据权利要求2或3所述的用户兴趣画像生成方法，其中，所述方法还包括：
    获取所述用户最近一次访问的语音房对应的用户语音文本，将所述用户语音文本输入至训练完成的第二文本分类模型，得到多个第二兴趣标签；
    对每个所述第二兴趣标签在全量第二兴趣标签中进行频次统计，根据频次统计结果以及获取的全量用户对应的兴趣标签信息，计算每个所述第二兴趣标签的权重值；
    对每个所述第一兴趣标签以及每个所述第二兴趣标签进行对应第二预设比例的权重值调整，将权重值调整后的多个所述第一兴趣标签以及多个所述第二兴趣标签进行排序整合得到所述用户的短期兴趣画像。
  5. 根据权利要求2或3所述的用户兴趣画像生成方法，其中，所述根据所述短期兴趣画像、所述历史短期画像以及所述房间兴趣画像，确定所述用户的长期兴趣画像，包括：
    从所述短期兴趣画像以及所述历史短期画像中按照权重值由高到低依次提取得到第一预设数量的兴趣标签；
    从所述房间兴趣画像中按照权重值由高到低依次提取得到第二预设数量的兴趣标签；
    对提取到的所述兴趣标签进行对应第三预设比例的权重值调整，将权重值调整后的多个所述兴趣标签进行排序整合得到所述用户的长期兴趣画像。
  6. 根据权利要求1-5中任一项所述的用户兴趣画像生成方法，其中，在所述获取记录的所述用户的历史短期画像以及关注的语音房的房间兴趣画像之前，还包括：
    获取用户关注的语音房在最近一次开播时的房间文本信息，所述房间文本信息包括不同类型的第二文本内容；
    将所述不同类型的第二文本内容输入至对应类型的训练完成的第一文本分类模型，得到不同类型的多个第三兴趣标签；
    对每个所述第三兴趣标签在相同类型的全量第三兴趣标签中进行频次统计，根据频次统计结果以及获取的全量语音房的兴趣标签信息，计算得到每种类型中每个所述第三兴趣标签的权重值；
    对每个所述第三兴趣标签进行对应第四预设比例的权重值调整，将权重值调整后的多个所述第三兴趣标签进行排序整合得到所述语音房的房间兴趣画像。
  7. 一种用户兴趣画像生成装置，其中，包括：
    获取模块，配置为获取用户最近一次访问的语音房对应的房间文本信息，所述房间文本信息的统计时间范围基于所述用户的活跃行为事件的触发时间点确定；
    短期画像生成模块，配置为基于所述房间文本信息以及训练完成的第一文本分类模型，确定所述用户的短期兴趣画像；
    长期画像生成模块，配置为获取记录的所述用户的历史短期画像以及关注的语音房的房间兴趣画像，根据所述短期兴趣画像、所述历史短期画像以及所述房间兴趣画像，确定所述用户的长期兴趣画像；
    用户画像生成模块，配置为将所述短期兴趣画像以及所述长期兴趣画像组合得到用户兴趣画像。
  8. 一种用户兴趣画像生成设备，所述设备包括：一个或多个处理器；存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-6中任一项所述的用户兴趣画像生成方法。
  9. 一种存储计算机可执行指令的非易失性存储介质，所述计算机可执行指令在由计算机处理器执行时配置为执行权利要求1-6中任一项所述的用户兴趣画像生成方法。
  10. 一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的用户兴趣画像生成方法。
PCT/CN2025/073940 2024-02-07 2025-01-22 用户兴趣画像生成方法、装置、设备、存储介质以及产品 Pending WO2025167643A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410175392.9A CN118051615A (zh) 2024-02-07 2024-02-07 用户兴趣画像生成方法、装置、设备、存储介质以及产品
CN202410175392.9 2024-02-07

Publications (1)

Publication Number Publication Date
WO2025167643A1 true WO2025167643A1 (zh) 2025-08-14

Family

ID=91045798

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/073940 Pending WO2025167643A1 (zh) 2024-02-07 2025-01-22 用户兴趣画像生成方法、装置、设备、存储介质以及产品

Country Status (2)

Country Link
CN (1) CN118051615A (zh)
WO (1) WO2025167643A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121434509A (zh) * 2026-01-04 2026-01-30 浙江网联毛衫汇科技股份有限公司 基于私域流量的访客用户画像生成方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118051615A (zh) * 2024-02-07 2024-05-17 百果园技术(新加坡)有限公司 用户兴趣画像生成方法、装置、设备、存储介质以及产品
CN118797014B (zh) * 2024-09-11 2024-11-19 广州方硅信息技术有限公司 聊天机器人应答方法及其装置、设备、介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180285312A1 (en) * 2014-03-04 2018-10-04 Google Inc. Methods, systems, and media for providing content based on a level of conversation and shared interests during a social event
CN110275952A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于用户短期兴趣的新闻推荐方法、装置及介质
CN110489639A (zh) * 2019-07-15 2019-11-22 北京奇艺世纪科技有限公司 一种内容推荐方法及装置
CN111444158A (zh) * 2020-03-03 2020-07-24 中国平安人寿保险股份有限公司 长短期用户画像生成方法、装置、设备及可读存储介质
CN112085567A (zh) * 2020-09-09 2020-12-15 北京百度网讯科技有限公司 商品推荐方法、装置、电子设备以及可读介质
CN118051615A (zh) * 2024-02-07 2024-05-17 百果园技术(新加坡)有限公司 用户兴趣画像生成方法、装置、设备、存储介质以及产品

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180285312A1 (en) * 2014-03-04 2018-10-04 Google Inc. Methods, systems, and media for providing content based on a level of conversation and shared interests during a social event
CN110275952A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于用户短期兴趣的新闻推荐方法、装置及介质
CN110489639A (zh) * 2019-07-15 2019-11-22 北京奇艺世纪科技有限公司 一种内容推荐方法及装置
CN111444158A (zh) * 2020-03-03 2020-07-24 中国平安人寿保险股份有限公司 长短期用户画像生成方法、装置、设备及可读存储介质
CN112085567A (zh) * 2020-09-09 2020-12-15 北京百度网讯科技有限公司 商品推荐方法、装置、电子设备以及可读介质
CN118051615A (zh) * 2024-02-07 2024-05-17 百果园技术(新加坡)有限公司 用户兴趣画像生成方法、装置、设备、存储介质以及产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121434509A (zh) * 2026-01-04 2026-01-30 浙江网联毛衫汇科技股份有限公司 基于私域流量的访客用户画像生成方法及系统

Also Published As

Publication number Publication date
CN118051615A (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
WO2025167643A1 (zh) 用户兴趣画像生成方法、装置、设备、存储介质以及产品
CN111143697B (zh) 一种内容推荐的方法以及相关装置
US7421429B2 (en) Generate blog context ranking using track-back weight, context weight and, cumulative comment weight
CN110442790A (zh) 推荐多媒体数据的方法、装置、服务器和存储介质
CN112104642B (zh) 一种异常账号确定方法和相关装置
CN111881343A (zh) 信息推送方法、装置、电子设备及计算机可读存储介质
CN110781391A (zh) 一种信息推荐方法、装置、设备及存储介质
CN114119055B (zh) 一种测评实现方法、装置和存储介质
CN113065975B (zh) 网络舆情话题聚焦程度与演变关系计算方法、系统、终端
CN113869931A (zh) 广告投放策略确定方法、装置、计算机设备和存储介质
CN108259638A (zh) 个人群组列表智能排序方法、智能终端及存储介质
CN113590942B (zh) 一种短视频自动化推荐方法及系统
CN111428032A (zh) 内容质量评价方法及装置、电子设备、存储介质
CN114969487A (zh) 一种课程推荐方法、装置、计算机设备及存储介质
CN110175264A (zh) 视频用户画像的构建方法、服务器及计算机可读存储介质
US20090150380A1 (en) System and method for processing social relation oriented service
CN113271325A (zh) 信息推送方法、装置、电子设备及计算机可读介质
CN112115300B (zh) 文本处理方法、装置、电子设备及可读存储介质
TWM617933U (zh) 新聞及公眾意見分析系統
CN109558531A (zh) 新闻信息推送方法、装置以及计算机设备
KR101480714B1 (ko) 주제 및 이용 의도 기반 검색 시스템, 검색 장치, 검색 방법 및 저장 매체
CN114840742B (zh) 用户画像构建装置、方法以及计算机可读介质
CN111353052B (zh) 一种多媒体对象推荐方法、装置、电子设备及存储介质
CN110472744A (zh) 网络内容处理方法、装置、介质及电子设备
CN107025227A (zh) 用户对产品的熟悉度的确定、信息筛选、处理方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25751245

Country of ref document: EP

Kind code of ref document: A1