CN109190046A - 内容推荐方法、装置及内容推荐服务器 - Google Patents
内容推荐方法、装置及内容推荐服务器 Download PDFInfo
- Publication number
- CN109190046A CN109190046A CN201811087626.5A CN201811087626A CN109190046A CN 109190046 A CN109190046 A CN 109190046A CN 201811087626 A CN201811087626 A CN 201811087626A CN 109190046 A CN109190046 A CN 109190046A
- Authority
- CN
- China
- Prior art keywords
- vector collection
- keyword
- network model
- neural network
- internet resources
- 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
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种内容推荐方法、装置及内容推荐服务器,涉及计算机数据处理技术领域。该方法通过收集用户在第一预设时段内通过用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息,然后利用预设神经网络模型将关键词转换为第一向量集,以及将文本信息转换为第二向量集;然后确定第一向量集与第二向量集的相似度,并将多条第二网络资源中相似度大于或等于预设阈值对应的网络资源推送至用户终端。基于此,避免了因根据标签匹配造成推送内容单一的问题,使得推荐给用户的内容更加丰富。
Description
技术领域
本发明涉及计算机数据处理技术领域,具体而言,涉及一种内容推荐方法、装置及内容推荐服务器。
背景技术
目前信息流产品推荐文章的方式,主要是根据文章的标签与用户兴趣标签匹配度,创建文章与用户之间的相关性,来推荐符合用户兴趣标签的文章。该推荐方法,依赖于用户兴趣标签的计算和文章标签的计算,用户看到的文章丰富程度依赖于自身兴趣标签情况。在现有技术中,用户与文章匹配的准确度依赖于文章标签本身的准确度,并且众多维度的标签也使匹配计算复杂化。同时,根据用户标签进行文章的推荐,会使推荐出来的文章集中于标签所对应的内容,容易造成内容的单一化。
发明内容
为了克服上述现有技术中的不足,本发明提供一种内容推荐方法、装置及内容推荐服务器。
为了实现上述目的,本发明实施例所提供的技术方案如下所示:
第一方面,本发明实施例提供一种内容推荐方法,应用于内容推荐服务器,所述内容推荐服务器与用户终端通信连接,所述方法包括:
获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
可选地,上述将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,包括:
将所述至少一个关键词输入预设神经网络模型,所述预设神经网络模型基于所述至少一个关键词确定与所述至少一个关键词的含义相同或类似的词,并基于所述至少一个关键词及与所述至少一个关键词的含义相同或类似的词确定所述第一向量集。
可选地,上述将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,包括:
将所述文本信息输入所述预设神经网络模型,由所述预设神经网络模型将所述文本信息进行拆分以得到多个关键词,基于拆分得到的多个关键词确定所述第二向量集。
可选地,上述获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词之前,所述方法还包括:
基于预先构建的样本词库对神经网络模型进行学习训练,将训练后得到的神经网络模型作为所述预设神经网络模型。
可选地,上述网络资源包括文本信息、图片信息、视频信息中的至少一种。
可选地,上述将所述相似度大于或等于预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端,包括:
将与所述第二向量集对应的第二网络资源的URL信息推送至所述用户终端。
可选地,上述预设神经网络模型包括词嵌入模型。
可选地,上述将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端,包括:
从发布所述第一网络资源的第一平台所发布的网络资源中选取满足所述相似度大于或等于所述预设阈值的第二向量集所对应的网络资源,以作为所述第二网络资源,并将所述第二网络资源推送至所述用户终端。
第二方面,本发明实施例提供一种内容推荐装置,应用于内容推荐服务器,所述内容推荐服务器与用户终端通信连接,所述装置包括:
获取单元,用于获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
输入单元,用于将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
相似度确定单元,用于根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
推送单元,用于在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
第三方面,本发明实施例提供一种内容推荐服务器,所述内容推荐服务器与用户终端通信连接,所述内容推荐服务器包括:
存储单元;
处理单元;及
内容推荐装置,包括一个或多个存储于所述存储单元中并由所述处理单元执行的软件功能模块,所述内容推荐装置包括:
获取单元,用于获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
输入单元,用于将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
相似度确定单元,用于根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
推送单元,用于在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
相对于现有技术而言,本发明提供的内容推荐方法、装置及内容推荐服务器至少具有以下有益效果:该方法通过收集用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息,然后利用预设神经网络模型将关键词转换为第一向量集,以及将文本信息转换为第二向量集;然后确定第一向量集与第二向量集的相似度,并将多条第二网络资源中相似度大于或等于预设阈值对应的网络资源推送至用户终端。基于此,避免了因根据标签匹配造成推送内容单一的问题,使得推荐给用户的内容更加丰富。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的内容推荐服务器、用户终端及内容源服务器的交互示意图。
图2为本发明实施例提供的内容推荐服务器的方框示意图。
图3为本发明实施例提供的内容推荐方法的流程示意图。
图4为本发明实施例提供的内容推荐装置的方框示意图。
图标:10-内容推荐服务器;11-处理单元;12-通信单元;13-存储单元;20-用户终端;30-内容源服务器;100-内容推荐装置;110-获取单元;120-输入单元;130-相似度确定单元;140-推送单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,为本发明实施例提供的内容推荐服务器10、用户终端20及内容源服务器30的交互示意图。本发明提供的内容推荐服务器10可以与用户终端20通过网络建立通信连接,以进行数据交互,内容推荐服务器10还可以与数据源服务器通过网络建立通信连接,以进行数据交互。其中,内容推荐服务器10可以根据用户的喜爱,从内容源服务器30获取相应的网络资源并推送至用户终端20。推送的形式可以是网页推送链接,使得用户可以从用户终端20查看到网络资源的简略信息,若用户点击推送的链接,便会获取到详细的网络资源。其网络资源包括,但不限于文本、图片、视频、应用程序、发布网络资源的平台(如各类新闻网站)等。
值得说明的是,内容推荐服务器10可以预先存储有网络资源,也可以是从内容源服务器30获取到网络资源。即,在其他实施方式中,内容推荐服务器10也可以具有内容源服务器30的功能作用,用于存储网络资源,然后再根据存储的网络资源进行内容推荐。
进一步地,用户终端20可以是,但不限于,智能手机、个人电脑(personalcomputer,PC)、平板电脑、个人数字助理(personal digital assistant,PDA)、移动上网设备(mobile Internet device,MID)等。内容源服务器30可以是,但不限于云服务器、集群服务器、分布式服务器等。网络可以是,但不限于,有线网络或无线网络。
请参照图2,为本发明实施例提供的内容推荐服务器10的方框示意图。在本实施例中,内容推荐服务器10可以包括处理单元11、通信单元12、存储单元13以及内容推荐装置100,处理单元11、通信单元12、存储单元13以及内容推荐装置100各个元件之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
处理单元11可能是一种集成电路芯片,具有信号的处理能力。上述处理单元11可以是通用处理器。例如,该处理器可以是中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
通信单元12用于通过网络建立内容推荐服务器10与用户终端20及内容源服务器30的通信连接,并通过网络收发数据。
存储单元13可以是,但不限于,随机存取存储器,只读存储器,可编程只读存储器,可擦除可编程只读存储器,电可擦除可编程只读存储器等。在本实施例中,存储单元13可以用于存储预设神经网络模型。当然,存储单元13还可以用于存储程序,处理单元11在接收到执行指令后,执行该程序。
进一步地,内容推荐装置100包括至少一个可以软件或固件(firmware)的形式存储于存储单元13中或固化在内容推荐服务器10操作***(operating system,OS)中的软件功能模块。处理单元11用于执行存储单元13中存储的可执行模块,例如内容推荐装置100所包括的软件功能模块及计算机程序等。
可以理解的是,图2所示的结构仅为内容推荐服务器10的一种结构示意图,内容推荐服务器10还可以包括比图2所示更多或更少的组件。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参照图3,为本发明实施例提供的内容推荐方法的流程示意图。本发明提供的内容推荐方法可以应用于上述的内容推荐服务器10,由内容推荐服务器10执行内容推荐方法的各步骤,能够避免现有技术中因根据标签匹配造成推送内容单一的问题,使得推荐给用户的内容更加丰富。
下面将对图3所示的内容推荐方法的各步骤进行详细阐述,在本实施例中,内容推荐方法可以包括以下步骤:
步骤S210,获取用户在第一预设时段内通过用户终端20点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息。其中,第一预设时段可以根据实际情况进行设置,这里不作具体限定。
其中,获取多条第二网络资源所对应的文本信息的过程,可以包括:内容推荐服务器10预先存储有多条第二网络资源,内容推荐服务器10可以从自身的存储单元13获取到多条第二网络资源;或者,内容推荐服务器10可以从内容源服务器30获取内容源服务器30所存储的第二网络资源。
在步骤S210之前,方法还可以包括:
基于预先构建的样本词库对神经网络模型进行学习训练,将训练后得到的神经网络模型作为预设神经网络模型。
该预设神经网络模型可以包括word2vec词嵌入模型、循环神经网络模型等。
步骤S220,将至少一个关键词输入预设神经网络模型,得到与至少一个关键词对应的第一向量集,第一向量集包括M维第一向量;以及将文本信息输入预设神经网络模型,得到与文本信息对应的第二向量集,第二向量集包括M维第二向量,其中,M为大于0的整数。
可选地,将至少一个关键词输入预设神经网络模型,得到与至少一个关键词对应的第一向量集的步骤,可以包括:将至少一个关键词输入预设神经网络模型,预设神经网络模型基于至少一个关键词确定与至少一个关键词的含义相同或类似的词,并基于至少一个关键词及与至少一个关键词的含义相同或类似的词确定第一向量集。其中,基于关键词确定与该关键词的含义相同或类似的词的过程,可以是预先将词库中所有的词的含义向量化,然后匹配与该关键词对应的向量相同或相似的词,匹配到的相同或相似的词即为与该关键词的含义相同或相类似的词。基于此,便可以避免出现现有技术中的根据标签匹配造成的内容单一的问题。
将文本信息输入预设神经网络模型,得到与文本信息对应的第二向量集的步骤,可以包括:
将文本信息输入预设神经网络模型,由预设神经网络模型将文本信息进行拆分以得到多个关键词,基于拆分得到的多个关键词确定第二向量集。
步骤S230,根据预设神经网络模型确定第一向量集与第二向量集的相似度。
步骤S240,在相似度大于或等于预设阈值时,将相似度大于或等于预设阈值的第二向量集所对应的第二网络资源推送至用户终端20。其中,预设阈值可以根据实际情况进行设置,这里不作具体限定。
步骤S240还可以包括:从发布第一网络资源的第一平台所发布的网络资源中选取满足相似度大于或等于预设阈值的第二向量集所对应的网络资源,以作为第二网络资源,并将第二网络资源推送至用户终端20。基于此,可以使得同一平台的内容资源有了更多的曝光机会,同时能够丰富推送到用户终端20的网络资源。可理解地,该平台可以为虚拟平台,如新闻网站或其他网站。
步骤S240可以包括:将与第二向量集对应的第二网络资源的URL信息推送至用户终端20。其中,URL为统一资源定位符的简称(Uniform Resource Locator,URL)。
基于上述设计,本实施例可以将文章(网络资源)的文本特征直接向量化,用户特征和文章特征的完整度得以保留,消除了现有技术中特征标签化后再进行匹配过程中造成的信息丢失,增加了计算准确度。另外,将同一内容源的文章特征聚合到内容源本身,之后再进行用户向量与内容源向量之间的相关性,相对于计算文章与用户相关性,能够大幅提升计算效率。再者,给用户推荐时采用计算出来的内容源集合以及文章,使推荐给用户的内容更加丰富,避免了单纯根据标签匹配造成的内容同质化。通过给用户推荐内容源集合和这些平台所发布的其他文章,使内容源相对于之前,也有了更多的曝光机会,有助于促进内容源发布者的发文积极性。
请参照图4,为本发明实施例提供的内容推荐装置100的方框示意图。本发明实施例提供的内容推荐装置100可以应用于上述的内容推荐服务器10,可以用于执行内容推荐方法的各步骤,以避免现有技术中因根据标签匹配造成推送内容单一的问题,使得推荐给用户的内容更加丰富。其中,该内容推荐装置100可以包括获取单元110、输入单元120、相似度确定单元130以及推送单元140。
获取单元110,用于获取用户在第一预设时段内通过用户终端20点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息。
获取单元110在获取用户在第一预设时段内通过用户终端20点击查看的第一网络资源对应的至少一个关键词之前,内容推荐装置100还可以包括训练单元,用于:基于预先构建的样本词库对神经网络模型进行学习训练,将训练后得到的神经网络模型作为预设神经网络模型。
输入单元120,用于将至少一个关键词输入预设神经网络模型,得到与至少一个关键词对应的第一向量集,第一向量集包括M维第一向量;以及将文本信息输入预设神经网络模型,得到与文本信息对应的第二向量集,第二向量集包括M维第二向量,其中,M为大于0的整数。
输入单元120还可以用于:将至少一个关键词输入预设神经网络模型,预设神经网络模型基于至少一个关键词确定与至少一个关键词的含义相同或类似的词,并基于至少一个关键词及与至少一个关键词的含义相同或类似的词确定第一向量集。
输入单元120还可以用于,将文本信息输入预设神经网络模型,由预设神经网络模型将文本信息进行拆分以得到多个关键词,基于拆分得到的多个关键词确定第二向量集。
相似度确定单元130,用于根据预设神经网络模型确定第一向量集与第二向量集的相似度。
推送单元140,用于在相似度大于或等于预设阈值时,将相似度大于或等于预设阈值的第二向量集所对应的第二网络资源推送至用户终端20。
推送单元140还可以用于:将与第二向量集对应的第二网络资源的URL信息推送至用户终端20。
推送单元140还可以用于:从发布第一网络资源的第一平台所发布的网络资源中选取满足相似度大于或等于预设阈值的第二向量集所对应的网络资源,以作为第二网络资源,并将第二网络资源推送至用户终端20。
本发明实施例还提供一种计算机可读存储介质。所述可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述实施例中所述的内容推荐方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现,基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施场景所述的方法。
终上所述,本发明提供一种内容推荐方法、装置及内容推荐服务器。该方法通过收集用户在第一预设时段内通过用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息,然后利用预设神经网络模型将关键词转换为第一向量集,以及将文本信息转换为第二向量集;然后确定第一向量集与第二向量集的相似度,并将多条第二网络资源中相似度大于或等于预设阈值对应的网络资源推送至用户终端。基于此,避免了因根据标签匹配造成推送内容单一的问题,使得推荐给用户的内容更加丰富。
在本发明所提供的实施例中,应该理解到,所揭露的装置、***和方法,也可以通过其它的方式实现。以上所描述的装置、***和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种内容推荐方法,其特征在于,应用于内容推荐服务器,所述内容推荐服务器与用户终端通信连接,所述方法包括:
获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
2.根据权利要求1所述的方法,其特征在于,所述将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,包括:
将所述至少一个关键词输入预设神经网络模型,所述预设神经网络模型基于所述至少一个关键词确定与所述至少一个关键词的含义相同或类似的词,并基于所述至少一个关键词及与所述至少一个关键词的含义相同或类似的词确定所述第一向量集。
3.根据权利要求1所述的方法,其特征在于,所述将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,包括:
将所述文本信息输入所述预设神经网络模型,由所述预设神经网络模型将所述文本信息进行拆分以得到多个关键词,基于拆分得到的多个关键词确定所述第二向量集。
4.根据权利要求1所述的方法,其特征在于,所述获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词之前,所述方法还包括:
基于预先构建的样本词库对神经网络模型进行学习训练,将训练后得到的神经网络模型作为所述预设神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述网络资源包括文本信息、图片信息、视频信息中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述将所述相似度大于或等于预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端,包括:
将与所述第二向量集对应的第二网络资源的URL信息推送至所述用户终端。
7.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型包括词嵌入模型。
8.根据权利要求1所述的方法,其特征在于,所述将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端,包括:
从发布所述第一网络资源的第一平台所发布的网络资源中选取满足所述相似度大于或等于所述预设阈值的第二向量集所对应的网络资源,以作为所述第二网络资源,并将所述第二网络资源推送至所述用户终端。
9.一种内容推荐装置,其特征在于,应用于内容推荐服务器,所述内容推荐服务器与用户终端通信连接,所述装置包括:
获取单元,用于获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
输入单元,用于将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
相似度确定单元,用于根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
推送单元,用于在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
10.一种内容推荐服务器,其特征在于,所述内容推荐服务器与用户终端通信连接,所述内容推荐服务器包括:
存储单元;
处理单元;及
内容推荐装置,包括一个或多个存储于所述存储单元中并由所述处理单元执行的软件功能模块,所述内容推荐装置包括:
获取单元,用于获取用户在第一预设时段内通过所述用户终端点击查看的第一网络资源对应的至少一个关键词,以及获取多条第二网络资源所对应的文本信息;
输入单元,用于将所述至少一个关键词输入预设神经网络模型,得到与所述至少一个关键词对应的第一向量集,所述第一向量集包括M维第一向量;以及将所述文本信息输入所述预设神经网络模型,得到与所述文本信息对应的第二向量集,所述第二向量集包括M维第二向量,其中,M为大于0的整数;
相似度确定单元,用于根据所述预设神经网络模型确定所述第一向量集与所述第二向量集的相似度;
推送单元,用于在所述相似度大于或等于预设阈值时,将所述相似度大于或等于所述预设阈值的第二向量集所对应的第二网络资源推送至所述用户终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087626.5A CN109190046A (zh) | 2018-09-18 | 2018-09-18 | 内容推荐方法、装置及内容推荐服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087626.5A CN109190046A (zh) | 2018-09-18 | 2018-09-18 | 内容推荐方法、装置及内容推荐服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190046A true CN109190046A (zh) | 2019-01-11 |
Family
ID=64911981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811087626.5A Pending CN109190046A (zh) | 2018-09-18 | 2018-09-18 | 内容推荐方法、装置及内容推荐服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190046A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162701A (zh) * | 2019-05-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN111221936A (zh) * | 2020-01-02 | 2020-06-02 | 中科鼎富(北京)科技发展有限公司 | 一种信息匹配方法、装置、电子设备及存储介质 |
CN111538907A (zh) * | 2020-06-05 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种对象推荐方法、***及装置 |
CN111652664A (zh) * | 2019-03-04 | 2020-09-11 | 富士通株式会社 | 训练混合元学习网络的装置和方法 |
CN111914079A (zh) * | 2020-08-07 | 2020-11-10 | 上海梅斯医药科技有限公司 | 一种基于用户标签的话题推荐方法及*** |
CN112182460A (zh) * | 2019-07-04 | 2021-01-05 | 腾讯科技(北京)有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN112861001A (zh) * | 2021-02-18 | 2021-05-28 | 咪咕数字传媒有限公司 | 数字内容的推荐值生成方法、装置、电子设备及存储介质 |
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
CN113360745A (zh) * | 2020-03-04 | 2021-09-07 | 阿里巴巴集团控股有限公司 | 一种数据对象推荐方法、装置及电子设备 |
CN113377928A (zh) * | 2021-08-11 | 2021-09-10 | 明品云(北京)数据科技有限公司 | 一种文本推荐方法、***、设备及介质 |
CN113538108A (zh) * | 2021-07-27 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种资源信息确定方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007105909A1 (en) * | 2006-03-16 | 2007-09-20 | Nhn Corporation | Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof |
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
CN104239512A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种文本推荐方法 |
CN104899273A (zh) * | 2015-05-27 | 2015-09-09 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
CN105279288A (zh) * | 2015-12-04 | 2016-01-27 | 深圳大学 | 一种基于深度神经网络的在线内容推荐方法 |
CN105631009A (zh) * | 2015-12-25 | 2016-06-01 | 广州视源电子科技股份有限公司 | 基于词向量相似度的检索方法和*** |
-
2018
- 2018-09-18 CN CN201811087626.5A patent/CN109190046A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007105909A1 (en) * | 2006-03-16 | 2007-09-20 | Nhn Corporation | Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof |
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
CN102831234A (zh) * | 2012-08-31 | 2012-12-19 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
CN104239512A (zh) * | 2014-09-16 | 2014-12-24 | 电子科技大学 | 一种文本推荐方法 |
CN104899273A (zh) * | 2015-05-27 | 2015-09-09 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
CN105279288A (zh) * | 2015-12-04 | 2016-01-27 | 深圳大学 | 一种基于深度神经网络的在线内容推荐方法 |
CN105631009A (zh) * | 2015-12-25 | 2016-06-01 | 广州视源电子科技股份有限公司 | 基于词向量相似度的检索方法和*** |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652664A (zh) * | 2019-03-04 | 2020-09-11 | 富士通株式会社 | 训练混合元学习网络的装置和方法 |
CN110162701B (zh) * | 2019-05-10 | 2023-12-19 | 深圳市雅阅科技有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN110162701A (zh) * | 2019-05-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN112182460B (zh) * | 2019-07-04 | 2024-03-15 | 深圳市雅阅科技有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN112182460A (zh) * | 2019-07-04 | 2021-01-05 | 腾讯科技(北京)有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN111221936A (zh) * | 2020-01-02 | 2020-06-02 | 中科鼎富(北京)科技发展有限公司 | 一种信息匹配方法、装置、电子设备及存储介质 |
CN111221936B (zh) * | 2020-01-02 | 2023-11-07 | 鼎富智能科技有限公司 | 一种信息匹配方法、装置、电子设备及存储介质 |
CN113360745A (zh) * | 2020-03-04 | 2021-09-07 | 阿里巴巴集团控股有限公司 | 一种数据对象推荐方法、装置及电子设备 |
CN111538907B (zh) * | 2020-06-05 | 2023-04-18 | 支付宝(杭州)信息技术有限公司 | 一种对象推荐方法、***及装置 |
CN111538907A (zh) * | 2020-06-05 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种对象推荐方法、***及装置 |
CN111914079A (zh) * | 2020-08-07 | 2020-11-10 | 上海梅斯医药科技有限公司 | 一种基于用户标签的话题推荐方法及*** |
CN112861001A (zh) * | 2021-02-18 | 2021-05-28 | 咪咕数字传媒有限公司 | 数字内容的推荐值生成方法、装置、电子设备及存储介质 |
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
CN113538108A (zh) * | 2021-07-27 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种资源信息确定方法、装置、电子设备及存储介质 |
CN113377928A (zh) * | 2021-08-11 | 2021-09-10 | 明品云(北京)数据科技有限公司 | 一种文本推荐方法、***、设备及介质 |
CN113377928B (zh) * | 2021-08-11 | 2022-05-27 | 明品云(北京)数据科技有限公司 | 一种文本推荐方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190046A (zh) | 内容推荐方法、装置及内容推荐服务器 | |
US11669579B2 (en) | Method and apparatus for providing search results | |
US9141906B2 (en) | Scoring concept terms using a deep network | |
WO2018192491A1 (zh) | 信息推送方法和装置 | |
US9449271B2 (en) | Classifying resources using a deep network | |
US11172040B2 (en) | Method and apparatus for pushing information | |
CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN113204691B (zh) | 一种信息展示方法、装置、设备及介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112330382A (zh) | 物品推荐方法、装置、计算设备和介质 | |
CN110058992B (zh) | 一种文案模板效果反馈方法、装置及电子设备 | |
CN112650942A (zh) | 产品推荐方法、装置、计算机***和计算机可读存储介质 | |
CN110750708A (zh) | 关键词推荐方法、装置和电子设备 | |
CN113392200A (zh) | 基于用户学习行为的推荐方法及装置 | |
CN112818213A (zh) | 多媒体业务数据推送方法、装置、设备及存储介质 | |
CN112446214A (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
CN117216393A (zh) | 信息推荐方法、信息推荐模型的训练方法及装置、设备 | |
CN112131502A (zh) | 数据处理方法、数据处理装置、电子设备和介质 | |
US20190205934A1 (en) | Advertising device and method thereof | |
CN114139052B (zh) | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 | |
WO2021204039A1 (zh) | 用于推送信息的方法和装置 | |
KR20210084641A (ko) | 정보를 송신하는 방법 및 장치 | |
CN107483595A (zh) | 信息推送方法和装置 | |
CN111783808A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |