CN109918570A - 内容推荐方法、装置、存储介质及内容处理方法 - Google Patents

Abstract

本公开内容涉及内容推荐。本公开内容的一个实施方式公开了一种内容推荐方法，包括：从候选内容集中选择具有与用户相同的类别的多个感兴趣内容；针对多个感兴趣内容中的每个执行以下处理：针对至少一个相同类别中每个相同类别，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数和贝塔参数生成符服从贝塔分布函数的概率密度曲线的随机数；以及发送步骤：向用户使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息。本公开内容的方案至少能实现如下效果之一：实现个性化内容推荐、提升兴趣覆盖程度和时效性、提高推荐成功率和冷启动简单。

Description

内容推荐方法、装置、存储介质及内容处理方法

技术领域

本公开内容总体上涉及信息处理，更具体地，涉及内容推荐。

背景技术

近年来，随着包括移动网络的互联网的发展，用户和服务提供商每天面对海量的内容。准确、有效、快速的向用户提供有感兴趣的内容是期望的。

发明内容

在下文中将给出关于本公开内容的简要概述，以便提供关于本公开内容的某些方面的基本理解。应当理解，此概述并不是关于本公开内容的穷举性概述。它并不是意图确定本公开内容的关键或重要部分，也不是意图限定本公开内容的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

根据本公开内容的一个方面，提供了一种内容推荐方法，包括响应于来自第一范围内的用户使用的终端的第一请求而执行：选择步骤：从候选内容集中选择满足以下条件的多个感兴趣内容：各感兴趣内容的内容类别集与用户的兴趣类别集的之间存在至少一个相同类别；生成步骤：针对多个感兴趣内容中的每个执行以下处理：针对至少一个相同类别中每个相同类别，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数和贝塔参数生成符服从贝塔分布函数的概率密度曲线的随机数；以及发送步骤：向用户使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得终端显示指示要显示感兴趣内容的表示以供用户选择；其中，阿法尔参数为关于显示表示之前用户选择表示的选择次数的第一一次函数；贝塔参数为关于显示表示之前用户未选择表示的未选择次数的第二一次函数；第一一次函数和第二一次函数的斜率均为大于零的第一正值；并且第一一次函数和第二一次函数的常数项均为大于零的第二正值。

根据本公开内容的一个方面，提供了一种用于内容推荐的装置，包括：选择单元：响应于来自第一范围内的用户使用的终端的第一请求而从候选内容集中选择满足以下条件的多个感兴趣内容：各感兴趣内容的内容类别集与用户的兴趣类别集的之间存在至少一个相同类别；生成单元：针对多个感兴趣内容中的每个执行以下处理：针对至少一个相同类别中每个相同类别，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数和贝塔参数生成符服从贝塔分布函数的概率密度曲线的随机数；以及发送单元：向用户使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得终端显示指示要显示感兴趣内容的表示以供用户选择；其中，阿法尔参数为关于显示表示之前用户选择表示的选择次数的第一一次函数；贝塔参数为关于显示表示之前用户未选择表示的未选择次数的第二一次函数；第一一次函数和第二一次函数的斜率均为大于零的第一正值；并且第一一次函数和第二一次函数的常数项均为大于零的第二正值。

根据本公开内容的一个方面，提供了一种存储介质，其上存储有用于执行上述内容推荐方法的程序。

根据本公开内容的一个方面，提供了一种确定目标内容的关于其第一内容类别的受欢迎程度的内容处理方法，包括：针对第一范围内的多个用户多次执行上述内容推荐方法，其中，候选内容集包含目标内容；以及基于各用户的针对目标内容的关于第一内容类别的阿法尔参数和贝塔参数确定受欢迎程度。

根据本公开内容的一个方面，提供了一种使用上述内容处理方法向比第一范围更大的第二范围内的用户推荐目标内容的推荐方法，包括：执行上述内容处理方法以确定受欢迎程度；以及基于受欢迎程度向第二范围内的用户推荐目标内容

本公开内容的方法、装置和存储介质至少能实现如下效果之一：实现个性化内容推荐、提升兴趣覆盖程度和时效性、改善内容推荐的准确度、改善内容推荐的效率和冷启动简单。

附图说明

参照附图下面说明本公开内容的实施方式，这将有助于更加容易地理解本公开内容的以上和其他目的、特点和优点。附图只是为了示出本公开内容的原理。在附图中不必依照比例绘制出单元的尺寸和相对位置。在附图中：

图1示出了根据本公开内容的一个实施方式的内容推荐方法的示例性流程图；

图2示出了根据本公开内容的一个实施方式的选择感兴趣内容的方法的示例性流程图；

图3示出了不同参数下的贝塔分布函数的概率密度曲线；

图4示出了根据本公开内容的一个实施方式的用于内容推荐的装置的示例性框图；

图5示出了根据本公开内容的一个实施方式的确定目标内容的关于其内容类别的受欢迎程度的内容处理方法的示例性流程图；

图6示出了根据本公开内容的一个实施方式的推荐方法的示例性流程图；以及

图7是根据本公开的一个实施例的信息处理设备的示例性框图。

具体实施方式

在下文中将结合附图对本公开内容的示例性实施方式进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施方式的过程中可以做出很多特定于实施方式的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施方式的不同而有所改变。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开内容的方案密切相关的装置结构，而省略了与本公开关系不大的其他细节。

应理解的是，本公开内容并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施方式可以相互组合、不同实施方式之间的特征替换或借用、在一个实施方式中省略一个或多个特征。

下面将对根据本公开内容的一个实施方式的内容推荐方法进行描述。

图1示出了根据本公开内容的一个实施方式的内容推荐方法100的示例性流程图。

方法100包括响应于来自第一范围R1内的用户Uj使用的终端的第一请求而执行步骤101、步骤103及步骤105，其中，j是编号。在本公开内容中不同的同一类对象可以具有不同的编号，以相互区别。第一范围R1例如可以为招募的众测参与者的集合或者随机抽取的预定数量的用户。第一请求可以是针对内容的请求，例如针对感兴趣类别的内容的请求，进一步的，可以例如是感兴趣类别的商品的信息的请求，示例性的，商品的信息可以为广告。

在步骤101处，执行选择步骤，即，选择多个感兴趣内容。具体而言，从候选内容集{Ak}中选择满足以下条件的多个感兴趣内容Ak’：各感兴趣内容的内容类别集{Ik”}与用户Uj的兴趣类别集{Ij’}的之间存在至少一个相同类别Ik”’，其中，k、k”、j’和k”’是编号，兴趣类别和内容类别均选自同一类别集。

候选内容集{Ak}中的候选内容Ak可以包括：视频数据、音频数据、文章、网页和静态图像或其组合等。候选内容集{Ak}可以为诸如一天、一星期等预定时间段内的新内容，也可以为筛选后满足预定条件的内容。例如，可以将候选内容集{Ak}选择为在某日0:00:00至23:59:59获知2000个新网页。可以通过kafka队列来确定预定时间段内的新内容。

候选内容Ak的内容类别Ii可以通过诸如自然语言处理技术、神经网络分类器、图像识别技术、语音识别技术等的各种技术或其组合来确定，其中，i是编号。候选内容Ak的内容类别的数量可以为至少一个，即，同一内容可以具有多个类别。作为一个示例，本公开内容可以从二级行业类别中选择各候选内容Ak的内容类别。例如，候选内容Ak被确定为具有行业类别集{Im}中I2、I4、I6三个类别，则候选内容Ak的内容类别集为{I2，I4，I6}。候选内容的内容类别和用户的兴趣类别可以均来自行业类别集。

表1是各级行业类别的示例。需要说明的是，给出的示例仅为部分。可以看出一级行业类别涵盖的范围过广，三级行业类别划分过细，这对于高效且方便地区分用户感兴趣的内容可能是不利的，因此，选择二级行业类别来对候选内容和用户的兴趣进行分类是优选的。本领域技术人员能够理解：为了准确区分用户感兴趣的类别，可以选择更细的分类，或者，为了特定目的，可以设计出特定于该目的的特定分类类别，从而从特定分类类别中选择各候选内容和用户的兴趣的类别。

表1各级行业类别的示例

一级行业类别	二级行业类别	三级行业类别
			生活服务	运动健身	瑜伽；跑步；乒乓球；……
生活服务	家政服务	保姆；钟点工；育儿嫂
			生活服务	鲜花礼品	鲜花；绿植；仿真花
生活服务	婚纱摄影	婚礼跟拍；写真；儿童摄影

可选的，可以为候选内容集{Ak}中的每个候选内容Ak的每个内容类别Ii设置类别相关性置信度Ci。可以通过诸如自然语言处理技术、神经网络分类器、图像识别技术、语音识别技术等的各种技术或其组合来确定类别相关性置信度Ci。

用户Uj的兴趣类别集{Ij’}可以通过用户Uj的历史数据来确定。例如，在通过在线获取用户Uj的行为来为用户Uj绑定至少一个兴趣类别Ij’。例如，利用用户的历史数据通过机器学习算法确定每个用户的兴趣类别集，在该过程中，也可以考虑诸如相似用户(例如，工作类型相同的用户)的兴趣类别、该用户的朋友的兴趣类别的多种因素，或者考虑多种因素表征参数的加权求和。随这时间的流逝，用户的Uj 的兴趣类别集{Ij’}可以被按预定规则更新，例如，添加、删除兴趣类别、改变兴趣类别表述。可选的，可以为兴趣类别Ij’设置兴趣类别置信度Cj’以用于更新用户的Uj的兴趣类别集{Ij’}。例如，当用户刚选择或浏览了属于兴趣类别Ij’的网页，则可以设置兴趣类别置信度 Cj’＝100，之后，兴趣类别置信度Cj’可选的可以设置为随时间衰减直到用户再次选择并浏览了属于兴趣类别Ij’的网页；例如，某兴趣类别置信度Cx小于预定阈值，可以从兴趣类别集{Ij’}中删除该兴趣类别。替选的，可以将兴趣类别置信度Cj’设置为：当用户Uj的历史数据显示其选择、浏览、观看、收听该类别的内容，则以预定程度增大兴趣类别置信度Cj’。设置、更新兴趣类别置信度有利于提高内容推荐的准确度。

可选的，步骤101可以通过方法210来实现。图2示出了根据本公开内容的一个实施方式的选择感兴趣内容的方法210的示例性流程图。在步骤201处，为候选内容集{Ak}中的每个候选内容绑定至少一个类别Ii，从而得到各候选内容的类别集{Ii}。可选的，可以在本步骤201中还设定类别相关性置信度Ci。在步骤203处，为用户Uj 绑定至少一个兴趣类别Ij’，从而得到用户Uj的兴趣类别集{Ij’}。可选的，可以为在本步骤203中还设定兴趣类别置信度Cj’。在步骤205 处，根据类别选择多个感兴趣内容，具体而言，从候选内容集{Ak}中选择满足以下条件的多个感兴趣内容Ak’：各感兴趣内容的内容类别集{Ik”}与用户Uj的兴趣类别集{Ij’}的之间存在至少一个相同类别 Ik”’。可以配置数据库，用于存储Ak、Ii、Uj、Ij’和或Cj’，以便于提高处理效率。

返回到图1，在步骤103处，执行生成步骤，即生成随机数。具体而言，针对多个感兴趣内容中的每个感兴趣内容Ak’执行以下处理：针对每个相同类别Ik”’，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数afa(Ak’,Ik”’)和贝塔参数beta(Ak’,Ik’)生成符服从该贝塔分布函数的概率密度曲线的随机数rnd(afa,beta)。例如，k’有3种编号，k”’有2种编号，则会产生6个随机数。具体如何生成服从贝塔分布函数的概率密度曲线的随机数的方法是已知的，在此不再赘述。

在步骤105处，执行发送步骤，即，发送要显示感兴趣内容的相关信息。具体而言，向用户Uj使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得终端显示指示要显示感兴趣内容的表示以供用户Uj选择。例如，生成了100个随机数，其中，最大随机数对应内容Ax，则向用户Uj使用的终端发送诸如缩略图或内容Ax的至少一部分的相关信息，以使得终端显示指示要显示的内容Ax的表示(如，缩略图)以供用户Uj选择。例如，若用户点击了缩略图，则在终端上显示内容Ax。注意：在本公开内容中，显示的是最大随机数对应的内容的表示，而不是前N个最大随机数的对应的N个内容的表示(N>1，即多个)，这有利于快速、准确地确定优质或受欢迎的内容。

在本公开内容中，用户的选择行为包括：单击(点击)、双击、以预定手势触摸、执行预定手势、拖放、鼠标或触点在预定区域停留达到或超过预定时间、或前述行为的组合。

步骤101、103及105可以在服务器侧执行。步骤101、103及105 可以在同一服务器上上执行，也可以以分布式处理方式、云计算方式在不同的服务器上执行。

下面对步骤103和105作出进一步的说明。

下面对步骤105中的贝塔分布函数作出描述。图3示出了不同参数下的贝塔分布函数的概率密度曲线，横坐标x是自变量，在图中取值范围为0至1，因此x可以代表概率值，纵坐标P相当于概率密度。可以看出：当将afa/(afa+beta)固定至1/4时，afa和beta越大，则概率密度分布曲线越窄，收敛程度越高，方差越小，基于该贝塔分布函数产生的随机数(即，若生成了多个随机数，则各种大小的随机数出现的概率服从该贝塔分布函数的概率密度曲线)在afa/(afa+beta)附近的概率越大；当afa＝beta＝1时，在0至1范围内，各种大小的随机数产生的概率相同。贝塔分布函数最重要的应用是为某项实验的成功概率建模，通过根据每次实验的结果，更新afa和beta，将得到逐渐逼近该实验的成功概率的稳定值。在本公开内容中，使用由历史选择结果确定的afa和beta生成服从贝塔分布函数的随机数、基于随机数显示供用户选择的表示、基于选择结果更新afa和beta，从而可以利用贝塔分布函数的性质，确定出用户对涉及某内容类别的某内容的偏好的合理程度，这对于提高向用户推荐内容的准确度和效率是有益的。若对多个用户执行方法100，则可以得到各用户对涉及某内容类别的某内容的各偏好程度，对各偏好程度加权求平均，则可以确定关于该内容类别该内容受欢迎程度，从而筛选出优质或受欢迎的内容。例如，一种简便的加权求平均方式是，计算各偏好程度的算术平均值。

在本公开内容中阿法尔参数afa为关于显示表示之前用户Uj选择该表示的选择次数S的第一一次函数f1(S)。

在本公开内容中贝塔参数beta为显示表示之前第一用户Uj未选择该表示的未选择次数Q的第二一次函数f2(Q)。

第一一次函数f1(S)和第二一次函数f2(Q)的斜率均为大于零的第一正值v1；并且第一一次函数f1(S)和第二一次函数f2(Q)的常数项均为大于零的第二正值v2。即，afa＝f1(S)＝v1*S+v2；beta＝f2(Q)＝v1*Q+v2。

可以看出，对每一种(k’,k”’)组合，对应一组贝塔分布函数参数 (afa(k’,k”’),beta(k’,k”’))，每次得到用户Uj的选择结果后，可以更新选择次数S和未选择次数Q，即，S和Q的值会变化，因此afa(i’,k’), beta(i’,k’)也会变化。当用户选择了该表示后，S增加1，Q不变，当用户未选择该表示后，S不变，Q增加1。

在一个实施方式中，v1和v2可以均设置为1。在一个实施方式中， v2大于或等于1。在一个实施方式中，v1+v2大于1。

可选的，可以将第一正值v1与第二正值v2设置为相等。

可选的，可以将第一正值v1与第二正值v2设置为不同的值，此时，优选的v1>v2，从而减弱初次启动(冷启动)时的不利影响。

在一个实施方式中，第一正值v1可以选择为小于十的正值。优选，第一正值v1在二至五之间的自然数，以快速、准确确定关于某类别用户对内容Ax的偏好程度。例如，基于针对内容Ak’的关于内容类别Ik”’的阿法尔参数和贝塔参数确定关于内容类别Ik”’用户Uj对内容Ak’的关于内容类别Ik”’的偏好程度。例如，将偏好程度设置为afa/(afa+beta) 或(afa-1)/(afa+beta-2)。

方法100包括响应于来自第一范围R1内的用户Uj使用的终端的第二请求、第三请求等多次请求而多次执行步骤101、步骤103及步骤105，以便于准确确定第一用户Uj对内容Ak’的关于内容类别Ik”’偏好程度。

方法100可以还包括：基于用户Uj的选择结果调整类别相关性置信度。例如，当用户Uj未选择随机数rnd对应的内容Ak’的表示，则减小内容Ak’的随机数rnd对应的内容类别的类别相关性置信度Ck”’，当用户Uj选择了随机数rnd对应的内容Ak’的表示，则增大内容Ak’的随机数rnd对应的内容类别的类别相关性置信度Ck”’。可选的，可以将类别相关性置信度设置为随时间变化。例如，如果用户Uj选择了某表示，则将用户Uj对该表示对应的内容Ak’的对应内容类别Ik”’的类别相关性置信度Ck”’的贡献设置为随时间衰减。进一步的，方法100 包括：当类别相关性置信度小于预定置信度阈值时，从内容Ak’的内容类别中删除与该类别相关性置信度对应的内容类别。

本公开内容还提供一种存储介质，其上存储有用于执行根据本公开内容的内容推荐方法的程序。

本公开内容还提供一种用于内容推荐的装置。下面参照图4进行描述。

图4示出了根据本公开内容的一个实施方式的用于内容推荐的装置400的示例性框图。装置400包括选择单元401、生成单元403和发送单元405。

选择单元401被配置成：响应于来自第一范围R1内的用户Uj使用的终端的第一请求，从候选内容集{Ak}中选择满足以下条件的多个感兴趣内容Ak’：各感兴趣内容的内容类别集{Ik”}与用户Uj的兴趣类别集{Ij’}的之间存在至少一个相同类别Ik”’。选择单元401的功能例如可以由诸如服务器的能够运行程序的信息处理设备来实现，选择单元401可以对应程序的相应部分。

生成单元403被配置成：针对多个感兴趣内容中的每个感兴趣内容Ak’执行以下处理：针对每个相同类别Ik”’，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数afa(Ak’,Ik”’)和贝塔参数(beta(Ak’,Ik”’)生成符服从该贝塔分布函数的概率密度曲线的随机数rnd(afa,beta)。生成单元403的功能例如可以由能够运行程序的信息处理设备来实现，生成单元403可以对应程序的相应部分。

发送单元405被配置成：发送要显示感兴趣内容的相关信息。具体而言，向用户Uj使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得终端显示指示要显示感兴趣内容的表示以供用户Uj选择。发送单元405的功能例如可以由能够运行程序的信息处理设备来实现，发送单元405可以对应程序的相应部分。

装置400可以和方法100存在对应关系。因此，装置400所涉及的相关术语的进一步解释可以参考前面对方法100的描述。

本公开内容还提供一种确定目标内容的关于其内容类别的受欢迎程度的内容处理方法。下面参考图5对该内容处理方法进行描述。

图5示出了根据本公开内容的一个实施方式的确定目标内容Ao 的关于其内容类别Ii的受欢迎程度的内容处理方法500的示例性流程图。在步骤501处，针对第一范围R1内的多个用户多次执行上面描述的本公开内容的内容推荐方法100，其中，候选内容集{Ak}包含目标内容Ao。在步骤503处，基于各用户的针对目标内容Ao的关于其内容类别Ii的阿法尔参数afa(Ao,Ii)和贝塔参数beta(Ao,Ii)确定受欢迎程度。例如，受欢迎程度为各用户的对目标内容Ao的关于其内容类别 Ii偏好程度的加权平均值，其中，偏好程度与阿法尔参数afa(Ao,Ii)和贝塔参数beta(Ao,Ii)相关，各用户的权重可以根据用户的诸如专业、学历的属性确定，或者设置为统一的常数。前述偏好程度例如可以设置为afa/(afa+beta)或(afa-1)/(afa+beta-2)。进一步的，可以设置如下限制，对某用户，若阿法尔参数afa(Ao,Ii)和贝塔参数beta(Ao,Ii)分别等于第二正值v2，则将相应的偏好程度设置为零。优选的，对每个用户都多次执行选择、生成、发送步骤，从而得到满足预定稳定程度的偏好程度，或者在预定时间范围内每个用户的执行次数都达到或超过了预定次数阈值。内容处理方法500可以以众测方式执行。可选的，当确定的偏好程度大于预定阈值时，在以后的推荐中，可以提高对该用户推荐该内容的概率，从而提高选择率。

本公开内容还提供一种推荐方法，其使用前述内容处理方法向比第一范围R1更大的第二范围R2内的用户推荐目标内容Ao。下面参考图6对该推荐方法进行描述。

图6示出了根据本公开内容的一个实施方式的推荐方法600的示例性流程图。在步骤601处，执行根据本公开内容的内容处理方法以确定受欢迎程度，其中，该受欢迎程度是针对目标内容Ao的关于其内容类别Ii的受欢迎程度。在步骤603处，基于确定的受欢迎程度确定是否向第二范围R2内的用户推荐目标内容Ao。例如，当受欢迎程度大于预定阈值时，确定向用户推荐目标内容Ao。

图7是根据本公开的一个实施例的信息处理设备700的示例性框图。

在图7中，中央处理单元(CPU)701根据存储在只读存储器(ROM) 702中的程序或从存储部分708加载到随机存取存储器(RAM)703 的程序来进行各种处理。在RAM 703中，也根据需要来存储在CPU 701 执行各种处理时所需的数据等。

CPU 701、ROM 702以及RAM 703经由总线704彼此连接。输入 /输出接口705也连接至总线704。

下述部件连接至输入/输出接口705：包括软键盘等的输入部分 706；包括诸如液晶显示器(LCD)等的显示器以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括网络接口卡如LAN卡、调制解调器等的通信部分709。通信部分709经由诸如英特网、局域网的网络执行通信处理。

驱动器710根据需要也连接至输入/输出接口705。可拆卸介质711 如半导体存储器等根据需要安装在驱动器710上，使得从其中读取的计算机程序根据需要被安装到存储部分708。

CPU 701可以运行前述内容推荐方法、内容处理方法或推荐方法的程序代码。

根据上面对本公开内容的具体实施方式的描述，本领域技术人员能够理解：在推荐内容时，充分考虑到了用户兴趣，能根据兴趣实现内容的个性化推荐，改善内容推荐的准确度；在确定用户的兴趣时，除了考虑用户的点击行为，还考虑了兴趣偏好程度随时间的变化，从而确定的内容的受欢迎程度更准确；通过在线获取用户的行为来确定兴趣类别，提升了兴趣类别覆盖程度和时效性；方案具有良好的可扩展性，内容可以为各种类型；在方法执行过程中，可以在点击率高的用户群中会增加该内容的推荐几率，从而提升选择率；不需要设置复杂的冷启动参数，因而实施更简单，可操作性强，能够实现同一内容在不同兴趣类别的用户下的冷启动；能准确内容的受欢迎程度，提高推荐成功率。

应该理解，术语“包括”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或多个其他特征、整件、步骤或组件的存在或附加。

应该理解，在不偏离本公开内容的精神的情况下，针对一个实施方式描述和/或示出的特征可以以相同或类似的方式在一个或多个其他实施方式中使用，与其他实施方式中的特征相组合，或替代其他实施方式中的特征。

此外，本公开内容的方法不限于按照说明书中描述的时间顺序来执行，如果从原理上说可行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本公开内容的范围构成限制。

以上结合具体的实施方式对本公开内容进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本公开内容的保护范围的限制。本领域技术人员可以根据本公开内容的精神和原理对本公开内容做出各种变型和修改，这些变型和修改也在本公开内容的范围内。

Claims (10)

1.一种内容推荐方法，包括响应于来自第一范围内的用户使用的终端的第一请求而执行：

选择步骤：从候选内容集中选择满足以下条件的多个感兴趣内容：各感兴趣内容的内容类别集与所述用户的兴趣类别集的之间存在至少一个相同类别；

生成步骤：针对所述多个感兴趣内容中的每个执行以下处理：针对所述至少一个相同类别中每个相同类别，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数和贝塔参数生成符服从所述贝塔分布函数的概率密度曲线的随机数；以及

发送步骤：向所述用户使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得所述终端显示指示所述要显示感兴趣内容的表示以供所述用户选择；

其中，所述阿法尔参数为关于显示所述表示之前所述用户选择所述表示的选择次数的第一一次函数；

所述贝塔参数为关于显示所述表示之前所述用户未选择所述表示的未选择次数的第二一次函数；

所述第一一次函数和所述第二一次函数的斜率均为大于零的第一正值；并且

所述第一一次函数和所述第二一次函数的常数项均为大于零的第二正值。

2.根据权利要求1所述的内容推荐方法，其中，所述第一正值小于十。

3.根据权利要求1所述的内容推荐方法，其中，所述第二正值小于十。

4.根据权利要求1所述的内容推荐方法，其中，所述第一正值与所述第二正值相等。

5.根据权利要求1所述的内容推荐方法，还包括：为所述候选内容集中的每个候选内容绑定至少一个内容类别；以及

为所述用户绑定至少一个兴趣类别。

6.根据权利要求5所述的内容推荐方法，还包括：基于所述用户的选择结果调整相应内容的类别相关性置信度。

7.一种用于内容推荐的装置，包括：

选择单元，响应于来自第一范围内的用户使用的终端的第一请求而从候选内容集中选择满足以下条件的多个感兴趣内容：各感兴趣内容的内容类别集与所述用户的兴趣类别集的之间存在至少一个相同类别；

生成单元，针对所述多个感兴趣内容中的每个执行以下处理：针对所述至少一个相同类别中每个相同类别，基于贝塔分布函数的与该感兴趣内容及该相同类别相关联的阿法尔参数和贝塔参数生成符服从所述贝塔分布函数的概率密度曲线的随机数；以及

发送单元，向所述用户使用的终端发送与生成的多个随机数中的最大随机数对应的要显示感兴趣内容的相关信息，以使得所述终端显示指示所述要显示感兴趣内容的表示以供所述用户选择；

其中，所述阿法尔参数为关于显示所述表示之前所述用户选择所述表示的选择次数的第一一次函数；

所述贝塔参数为关于显示所述表示之前所述用户未选择所述表示的未选择次数的第二一次函数；

所述第一一次函数和所述第二一次函数的斜率均为大于零的第一正值；并且

所述第一一次函数和所述第二一次函数的常数项均为大于零的第二正值。

8.一种存储介质，其上存储有用于执行权利要求1所述的内容推荐方法的程序。

9.一种确定目标内容的关于其第一内容类别的受欢迎程度的内容处理方法，包括：

针对第一范围内的多个用户多次执行权利要求1所述的内容推荐方法，其中，所述候选内容集包含所述目标内容；以及

基于各用户的针对所述目标内容的关于所述第一内容类别的阿法尔参数和贝塔参数确定所述受欢迎程度。

10.一种使用权利要求9所述内容处理方法向比所述第一范围更大的第二范围内的用户推荐所述目标内容的推荐方法，包括：

执行权利要求9所述的内容处理方法以确定所述受欢迎程度；以及

基于所述受欢迎程度确定是否向所述第二范围内的用户推荐所述目标内容。