CN110020133B - 内容推荐处理方法和装置、计算机设备和存储介质 - Google Patents
内容推荐处理方法和装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110020133B CN110020133B CN201711086004.6A CN201711086004A CN110020133B CN 110020133 B CN110020133 B CN 110020133B CN 201711086004 A CN201711086004 A CN 201711086004A CN 110020133 B CN110020133 B CN 110020133B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- characteristic data
- exit
- probability
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种内容推荐处理方法和装置、计算机设备和存储介质,该方法包括:在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识;获取与用户标识对应的各用户特征数据,各用户特征数据包括特征数据;根据用户标识对应的各用户特征数据预测用户标识的退出概率,退出概率为用户标识对应的用户退出应用程序的概率;当退出概率满足内容推荐的触发条件时,触发内容推荐。由于内容推荐是预测的退出概率满足一定条件下触发的,而退出概率是基于用户特征数据进行预测的,能够考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地触发内容推荐,提高了内容推荐的有效性,进一步地提高了用户粘度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种内容推荐处理方法和装置、计算机设备和存储介质。
背景技术
“粘度”是衡量用户忠诚度的重要指标。随着智能终端的硬件升级,智能终端上能够安装的应用程序越来越多,很多用户能够在智能终端上安装多个同类型的应用程序,例如,用户在智能终端上安装各大视频网站的视频播放软件。因此,各应用程序提供商的竞争日益激烈。
如何在竞争激烈的环境中,提高用户粘度以占据一定的市场地位,是各应用软件提供商需要考虑的问题。通常,为了挽留用户,在用户选择退出应用程序后,将推荐内容推送给用户。由于内容推荐是在用户选择退出应用程序后触发,用户退出应用程序的意图已非常明显,此时进行内容推荐的效果差,难以起到提高用户粘度的效果。
发明内容
基于此,有必要针对推荐效果差,难以提高用户粘度的问题,提供一种内容推荐处理方法和装置、计算机设备和存储介质。
为达到上述目的,一个实施例采用以下技术方案:
一种内容推荐处理方法,包括:
在监测到满足退出预测触发条件的特征数据时,获取所述特征数据对应的用户标识;
获取与所述用户标识对应的各用户特征数据,各所述用户特征数据包括所述特征数据;
根据所述用户标识对应的各用户特征数据预测所述用户标识的退出概率,所述退出概率为所述用户标识对应的用户退出应用程序的概率;
当所述退出概率满足内容推荐的触发条件时,触发内容推荐。
一种内容推荐处理装置,包括:
标识获取模块、特征获取模块、预测模块和推荐触发模块;
所述标识获取模块,用于在监测到满足退出预测触发条件的特征数据时,获取所述特征数据对应的用户标识;
所述特征获取模块,用于获取与所述用户标识对应的各用户特征数据,各所述用户特征数据包括所述特征数据;
所述预测模块,用于根据所述用户标识对应的各用户特征数据预测所述用户标识的退出概率,所述退出概率为所述用户标识对应的用户退出应用程序的概率;
所述推荐触发模块,用于当所述退出概率满足内容推荐的触发条件时,触发内容推荐。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的内容推荐处理方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的内容推荐处理方法的步骤。
上述的内容推荐处理方法和装置、计算机设备和存储介质,通过将用户退出应用程序的概率与内容推荐的触发条件建立关联,当退出概率满足内容推荐的触发条件时,触发内容推荐。由于内容推荐是预测的退出概率满足一定条件下触发的,而退出概率是基于用户特征数据进行预测的,能够基于每个用户的特征分别进行预测,并基于用户特征考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地触发内容推荐,提高了内容推荐的有效性,进一步地提高了用户粘度。
附图说明
图1为一个实施例中内容推荐处理方法的应用环境示意图;
图2为一个实施例中内容推荐处理方法的流程图;
图3为一个实施例中获取用户特征数据的步骤的流程图;
图4为另一个实施例中内容推荐处理方法的流程图;
图5为一个实施例中内容推荐处理装置的结构框图;
图6为另一个实施例中内容推荐处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为一个实施例中内容推荐处理方法的应用环境图。如图1所示,终端110与应用软件的服务器120通信连接,终端110获取用户的操作行为,并向服务器120上报与操作行为对应的特征数据。服务器120在监测到满足退出预测触发条件的特征数据时,根据用户标识对应的用户特征数据预测用户标识的退出概率,当退出概率满足内容推荐的触发条件时,触发内容推荐。
在另一个实施例中,可以分别设置推荐服务器和业务处理服务器。本发明的内容推荐处理方法执行在推荐服务器中,并将退出概率同步给业务处理服务器,由业务处理服务器触发内容推荐后,将推荐内容发送至用户终端。
由于内容推荐是在预测的退出概率满足一定条件下触发的,而退出概率是基于用户特征数据进行预测的,能够基于每个用户的特征分别进行预测,并基于用户特征考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地触发内容推荐,提高了内容推荐的有效性,进一步地提高了用户粘度。
图2为一个实施例中内容推荐处理方法的流程示意图。本实施例主要以该内容推荐处理方法应用于图1中的服务器120为例进行说明。参照图2,该方法具体包括如下步骤:
S202:在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识。
其中,用户标识为用户在应用程序中的唯一识别标识。
退出预测是指对用户退出应用程序的概率进行预测。退出预测触发条件是指触发进行退出预测的条件。具体地,根据特征数据判断是否满足退出预测触发条件。其中,特征数据是与用户操作行为对应的特征数据。例如,用户操作行为为搜索,对应的搜索结果为特征数据。一个实施例的退出预测触发条件为搜索结果为零。
终端实时向服务器上报用户的操作行为数据,由服务器基于用户的操作行为数据进行相应的处理,得到特征数据。例如,基于用户的搜索请求,搜索对应的资源,进而得到搜索结果,搜索结果即为特征数据。进一步对特征数据进行监测,在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识。在具体的实施方式中,退出预测程序触发条件,可以是当次资源搜索结果为零,或资源搜索失败次数达到设定值。本实施例中内容推荐处理方法,可适用能够浏览和查找资源的所有应用程序,例如,视频播放APP(应用程序)、购物APP和新闻APP等等。
具体地,在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识的步骤之前,还包括以下步骤S1至S2:
S1:获取基于用户操作行为产生的数据请求,并执行与数据请求对应的处理,得到数据请求处理结果。
S2:根据数据请求处理结果得到特征数据。
其中,数据请求基于用户在终端的操作行为产生,包括资源搜索请求,数据获取请求等。以视频播放软件为例,数据请求包括对视频资源的搜索请求,对某个视频内容的播放请求等。服务器在接收到数据请求时,执行与数据请求对应的处理,得到数据请求处理结果。例如,服务器搜索对应的视频资源,发送对应视频的视频流等。资源搜索结果和视频流发送结果即为数据请求处理结果。
根据数据请求处理结果得到特征数据。具体地,特征数据包括当次搜索结果、一段时间的累计搜索结果,全部视频流是否播放完毕等。具体地,预测条件可以为资源搜索结果为空,资源搜索失败次数达到设定值,资源浏览结束等。
S204:获取与用户标识对应的各用户特征数据,各用户特征数据包括特征数据。
用户特征数据指反应用户特征的数据,尤其是影响用户退出行为的用户特征数据,通常应当包括用户的操作行为数据。具体地,用户特征数据包括用户基本信息、历史行为统计和操作行为。可以理解的是,对于不同类型的应用程序,用户特征数据的类型可以有所不同,但用户特征数据的类型越多,预测结果越准确。以视频播放APP为例,设置的用户特征数据如表1所示。
表1视频播放APP的用户特征数据
S206:根据用户标识对应的各用户特征数据预测用户标识的退出概率。
退出概率为用户标识对应的用户退出应用程序的概率。用户退出是指用户关闭应用程序。退出应用程序的概率是指用户关闭应用程序的概率。具体地,根据各用户特征数据对用户退出行为进行预测。由于用户特征数据包括用户的操作行为和历史行为记录,根据这些数据能够把握用户的操作习惯,故,能够对用户的退出行为进行预测。
S208:当退出概率满足内容推荐的触发条件时,触发内容推荐。
具体地,预先设置触发内容推荐的条件对应的概率值,当退出概率与设定的概率值对应时,即可认为退出概率满足内容推荐的触发条件。本实施例中,通过将退出概率与内容推荐的触发条件建立关联,能够根据用户退出应用程序的概率,确定是否触发推荐内容。
在具体的应用中,内容推荐的触发条件对应的概率值可以为经验值,例如70%。即当用户退出应用程序的概率达到70%时,触发内容推荐。可以理解的是,内容推荐的触发条件对应的概率值可根据运行情况进行动态调整。
具体地,获取用户对推荐内容的反馈,并根据反馈调整内容推荐的触发条件对应的概率值。用户对推荐内容的反馈包括用户对推荐内容的点击率。若用户对推荐内容的点击率高,说明内容推荐的有效性高,起到了挽留用户的作用。而若用户对推荐内容的点击率低,说明内容推荐的作用小,即设置的概率值没有正确地反应用户对推荐内容的需求,可将内容推荐的概率值调整,以提高内容推荐的有效性,达到挽留用户的作用。
通过对退出应用程序的概率进行预测,能够及时发现用户退出应用程序的可能,在用户即将退出之前,触发内容推荐,例如进行产品的引导或推荐,以挽留用户。
上述的内容推荐处理方法,通过将用户退出应用程序的概率与内容推荐的触发条件建立关联,当退出概率满足内容推荐的触发条件时,触发内容推荐。由于内容推荐是预测的退出概率满足一定条件下触发的,而退出概率是基于用户特征数据进行预测的,能够基于每个用户的特征分别进行预测,并基于用户特征考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地触发内容推荐,提高了内容推荐的有效性,进一步地提高了用户粘度。
在另一个实施例中,触发内容推荐的步骤之后,还包括以下步骤:
S1:进行内容推荐处理,生成推荐内容。
S2:将推荐内容下发至用户标识对应的终端。
一个实施例中,特征数据包括资源搜索结果。具体地,进行内容推荐处理的步骤,包括:根据资源搜索结果,确定与当前搜索资源相关的资源,得到推荐内容。
具体地,退出预测触发条件为资源搜索结果为搜索失败(搜索结果为0),或是累计搜索失败次数达到设定值,在满足退出预测触发条件时,预测退出概率,在退出概率满足内容推荐的触发条件时,根据当前搜索资源,确定与当前搜索资源相关的资源,得到推荐内容。资源的相关程度可通过对资源进行聚类分析得到。推荐内容可以为与当前用户搜索的视频相关的视频,例如,同一类型的视频,同一主演的视频等等。
在另一个实施例中,进行内容推荐处理的步骤,包括:根据用户标识对应的用户特征数据确定推荐内容。
具体地,根据当前浏览的资源或是历史统计的浏览频率最高的资源类型进行推荐。以视频播放软件为例,推荐内容可以为统计的该用户观看频率最高的视频相关的视频。例如,通过历史行为统计,该用户观看频率最高的视频类型为综艺,则生成的推荐内容可以为时下最热门的综艺节目的视频。
在其它的实施例中,向用户的推荐内容还可以是相同的,例如推荐内容可以为浏览量最高的资源,播放量最高的视频等等。
上述的内容推荐处理方法,在满足内容推荐的触发条件时,根据特征数据或用户特征数据进行内容推荐,考虑了用户的喜好和需求,具有较好的推荐效果。
为提高数据获取的效率,本实施例中将用户特征数据划分为静态特征数据和动态特征数据。在该实施例中,获取用户特征数据的步骤,如图3所示,包括以下步骤S302至S308:
S302:获取预设的特征类型列表。
特征类型列表即预测所需的各特征类型的清单,对于各特征类型预先设置有属性标签以区别该特征类型为静态特征或为动态特征。根据特征类型列表中的特征类型,拉取所需的数据进行预测。可以理解的是,不同的应用程序,预测所需的特征类型可以不同。
S304:当特征类型列表包括预设动态类型特征时,计算用户标识的预设动态类型特征对应的动态特征数据,动态特征数据包括特征数据。
动态特征是指特征值变化快的特征。动态特征数据,就指动态特征的具体数值,由于动态特征值变化快,动态特征数据需要实时计算。如表1的用户特征数据中,动态特征包括:总打开应用程序的次数、总播放时长、最近观看的电视剧是否观看到最后一集,当前搜索0次结果次数,当前搜索停留时间,当前列表翻页次数,当前列表筛选次数。动态特征数据由于特征变化值快,需要时间根据用户的操作行为数据进行实时统计,用户的每一个操作都可以立刻进行计算并更新。
S306:根据用户标识查询离线计算的预设静态类型特征对应的静态特征数据。
静态特征,是指特征值变化小的特征。静态特征数据,就指静态特征的具体数值,由于静态特征值变化小,静态特征数据可离线计算。如表1的用户特征数据中,静态特征包括:用户基本信息、活跃行为中的过去每个月打开应用程序次数、周一到周日不同时段的平均打开应用程序的次数、过去一个月不同类型影片累计播放时长、操作行为中的是否曾经卸载等。对于静态特征,只要定期离线存储一份数据,线上预测时进行查询即可。以上所列的静态特征针对表1的视频播放应用程序的用户特征数据,不同的应用程序中可针对特征值变化程度将用户特征数据进行划分静态特征数据或动态特征数据。
由于静态特征数据的特征值变化小,可定时对静态特征数据进行统计并保存。当需要计算用户退出应用程序的概率时,根据用户标识查找获取即可,从而减少用户特征数据的计算量。
S308:对动态特征数据和静态特征数据分别进行归一化处理,得到用户特征数据。
归一化处理为了消除指标之间的量纲影响,对数据的标准化处理,以解决数据指标之间的可比性问题。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。
本实施例中,通过将特征类型区分为动态特征和静态特征,并分开进行处理,能够考虑到每种特征类型的特质,提高用户特征数据获取的效率。
又一个实施例中,内容推荐处理方法还包括:利用带有标注数据的训练集进行模型训练,得到退出预测模型。
退出预测模型预先根据训练集训练得到。本实施例中的退出预测模型使用监督学习的模型GBDT(Gradient Boost ing Decis ion Tree梯度提升决策树),它是一种迭代的决策树算法。
具体地,训练集是退出预测模型训练时的输入,包括标注数据和用户特征数据。标注数据是指表示用户是否退出应用程序的数据。在具体的实施例中,用户退出应用程序,则标注数据为1,用户未退出应用程序,标注数据为0。
用户特征数据包括用户特征类型和特征值,在训练前,对用户特征数据的特征值进行归一化处理。归一化处理为了消除指标之间的量纲影响,对数据的标准化处理,以解决数据指标之间的可比性问题。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。常用的归一化方法有min-max标准化(Min-Max Normal izat ion)Z-score标准化方法。
具体地,模型输入的格式为:
第一列:模型标签,此处为用户是否退出App,是为1,否为0;
第二列及后续每一列:特征值,格式为特征类型标识:特征值,如用户注册时间这一特征项,特征类型标识为1,值为100,则第二列赋值为1:100。此处特征类型标识只是标记不同的特征类型,在具体的实施例中可按顺序分配,取值不会影响模型训练结果。列与列之间使用空格分开。
训练完成后,退出预测模型会输出模型文件,模型文件是用来实时预测用户退出应用程序的概率。具体地,模型文件为训练得到的预测规则库,预测时输入各规则对应的特征值即可得到用户退出应用程序的概率。
在又一个实施例中,退出预测模型在训练过程中,还输出特征权重表。特征权重表是每一特征类型标识及其权重,权重越高,说明该特征越重要。通过特征权重表,能够确定每个特征类型对退出行为影响的权重,进而确定对退出行为影响最大的特征类型。基于特征权重表,便于产品经理做进一步数据分析,在各特征类型中确定影响用户退出应用程序行为的关键特征。具体地,对于不同的权重高的特征类型,针对性地使用数据统计、模型训练等方式进一步进行数据分析。
基于特征权重表的分析结果,可以进一步地优化应用程序产品,帮助应用程序进行功能的调整。例如,若分析发现性别特征的权重高,则可以进一步统计男性用户还是女性用户退出应用程序的概率高。如果是女性,在内容推荐时,可以在判断用户为女性时,做一些会员优惠等活动。
基于训练得到的退出预测模型,根据用户标识对应的各用户特征数据预测用户标识的退出概率的步骤,包括:将用户标识对应的各用户特征数据输入预先训练得到的退出模型,预测用户标识的退出概率。本实施例中,利用训练得到的退出预测模型进行预测,高效且准确。
下面结合具体的实施例对内容推荐处理方法进行说明。
一种内容推荐处理方法,如图4所示,包括三个阶段:第一阶段为退出预测模型训练阶段,第二阶段为预测阶段,第三阶段为推荐阶段。
预测模型训练阶段包括:获取带有标注数据的训练集进行模型训练,得到退出预测模型和特征权重表。
本实施例中的退出预测模型使用监督学习的模型GBDT(Gradient Boost ingDecis ion Tree梯度提升决策树)。训练集是退出预测模型训练时的输入,包括标注数据和用户特征数据。训练完成后,退出预测模型会输出模型文件,模型文件是用来实时预测用户退出应用程序的概率。具体地,模型文件为训练得到的预测规则库,预测时输入各规则对应的特征值即可得到用户退出应用程序的概率。
退出预测模型在训练过程中,还输出特征权重表。特征权重表是每一特征类型标识及其权重,权重越高,说明该特征越重要。基于特征权重表,便于产品经理做进一步数据分析,在各特征类型中确定影响用户退出应用程序行为的关键特征。
预测阶段包括以下步骤
S402:在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识。
具体地,在该步骤之前,还获取基于用户操作行为产生的数据请求,并执行与所述数据请求对应的处理,得到数据请求处理结果,根据所述数据请求处理结果得到特征数据。以视频应用程序为例,当监测到用户当次搜索结果为搜索失败(搜索为零)时,获取对应的用户标识。当当监测到用户当前播放的视频播放完毕时,获取对应的用户标识。
S404:获取与用户标识对应的各用户特征数据,各用户特征数据包括特征数据。
一个实施例的用户特征数据如表1所示。
具体地,计算所述用户标识的预设动态类型特征对应的动态特征数据,所述动态特征数据包括所述特征数据,根据所述用户标识查询离线计算的预设静态类型特征对应的静态特征数据,对所述动态特征数据和所述静态特征数据分别进行归一化处理,得到与所述用户标识对应的各用户特征数据。
通过将特征类型区分为动态特征和静态特征,并分开进行处理,能够考虑到每种特征类型的特质,提高用户特征数据获取的效率。
S406:根据用户标识对应的各用户特征数据预测用户标识的退出概率,退出概率为用户标识对应的用户退出应用程序的概率。
S408:当退出概率满足内容推荐的触发条件时,触发内容推荐。
由于内容推荐是预测的退出概率满足一定条件下触发的,而退出概率是基于用户特征数据进行预测的,能够基于每个用户的特征分别进行预测,并基于用户特征考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地触发内容推荐,提高了内容推荐的有效性,进一步地提高了用户粘度。
具体地,将用户特征数据输入预测模型训练阶段训练得到的退出预测模型,得到用户退出应用程序的概率。
推荐阶段包括以下步骤S410至步骤S412:
S410:进行内容推荐处理,生成推荐内容。
具体地,特征数据包括资源搜索结果,进行内容推荐处理的步骤,包括:根据资源搜索结果,确定与当前搜索资源相关的资源,得到推荐内容。
或者,根据用户特征数据生成推荐内容。
S412:将推荐内容下发至用户标识对应的终端。
本实施例的内容推荐推荐方法,基于机器学习对用户退出形为进行预测,能够及时发现用户退出应用程序的可能,在用户即将退出之前,进行产品的引导或推荐,进一步地提高了用户粘度。
在一个实施例中,提供一种内容推荐处理装置,如图5所示,包括:标识获取模块502、特征获取模块504、预测模块506和推荐触发模块508。
标识获取模块502,用于在监测到满足退出预测触发条件的特征数据时,获取特征数据对应的用户标识。
特征获取模块504,用于获取与用户标识对应的各用户特征数据,各用户特征数据包括特征数据。
预测模块506,用于根据用户标识对应的各用户特征数据预测用户标识的退出概率,退出概率为用户标识对应的用户退出应用程序的概率。
具体地,预测模块506,用于将用户标识对应的各用户特征数据输入预先训练得到的退出预测模型,预测用户标识的退出概率。
推荐处理模块508,用于当退出概率满足内容推荐的触发条件时,触发内容推荐。
上述的内容推荐处理装置,通过将用户退出应用程序的概率与内容推荐的条件建立关联,当用户退出应用程序的概率满足内容推荐条件时,将推荐内容下发至用户标识对应的终端。由于推荐内容是根据预测的用户退出应用程序的概率发送的,而用户退出应用程序的概率是基于用户特征数据进行预测的,能够基于每个用户的特征分别进行预测,并基于用户特征考虑到用户继续使用应用程序的意愿程度,从而在用户使用应用程序的意愿较低时,及时地向用户推荐内容,提高了内容推荐的有效性,进一步地提高了用户粘度。
如图6所示,内容推荐处理装置还包括:推荐处理模块510和内容发送模块512。
推荐处理模块510,用于进行内容推荐处理,生成推荐内容。
具体地,推荐处理模块510,用于根据资源搜索结果,确定与当前搜索资源相关的资源,得到推荐内容。
推荐发送模块512,用于将推荐内容下发至用户标识对应的终端。
请继续参阅图6,内容推荐处理装置还包括:数据请求处理模块514和特征处理模块516。
数据请求处理模块514,用于获取基于用户操作行为产生的数据请求,并执行与数据请求对应的处理,得到数据请求处理结果。
特征处理模块516,用于根据数据请求处理结果得到特征数据。
请继续参阅图6,特征获取模块504包括:动态数据获取模块、静态数据获取模块和归一化处理模块。
动态数据获取模块,用于计算用户标识的预设动态类型特征对应的动态特征数据,动态特征数据包括特征数据。
静态数据获取模块,用于查询离线计算的预设静态类型特征对应的静态特征数据。
归一化处理模块,用于对动态特征数据和静态特征数据分别进行归一化处理,得到用户特征数据。
本实施例的内容推荐处理装置,基于机器学习对用户退出形为进行预测,能够及时发现用户退出应用程序的可能,在用户即将退出之前,进行产品的引导或推荐,进一步地提高了用户粘度。
基于上述的实施例,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述各实施的内容推荐处理方法的步骤。
图7为一个实施例中计算机设备的内部结构示意图。该计算机设备可以是服务器。参照图7,该计算机设备包括通过***总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中,该计算机设备的非易失性存储介质可存储操作***和计算机程序,该计算机程序被执行时,可使得处理器执行一种内容推荐处理方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该内存储器中可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行一种内容推荐处理方法。计算机设备的网络接口用于进行网络通信。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
基于上述的实施例,本发明还提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现上述各实施例的内容推荐处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机***的存储介质中,并被该计算机***中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种内容推荐处理方法,其特征在于,包括:
获取基于用户操作行为产生的数据请求,并执行与所述数据请求对应的处理,得到数据请求处理结果,所述数据请求包括资源搜索请求或者数据获取请求;
根据所述数据请求处理结果得到特征数据,所述特征数据包括当次搜索结果、一段时间的累计搜索结果和浏览结果中的至少一种;
在监测到满足退出预测触发条件的特征数据时,获取所述特征数据对应的用户标识,所述退出预测触发条件包括资源搜索结果为空、资源搜索失败次数达到设定值或资源浏览结束;
获取与所述用户标识对应的各用户特征数据,各所述用户特征数据包括影响所述用户标识对应的用户退出应用程序的所述特征数据;
将所述用户标识对应的各用户特征数据输入预先训练得到的退出预测模型,基于所述退出预测模型输出的模型文件实时预测所述用户标识的退出概率,所述模型文件为预先训练得到的预测规则库,所述退出概率为所述用户标识对应的用户退出应用程序的概率,所述用户退出应用程序的概率是指用户关闭应用程序的概率;在所述退出预测模型的训练过程中还会输出特征权重表,所述特征权重表为每一特征类型标识与所述特征类型标识对应的权重,所述权重越高,所述权重对应的特征类型对所述用户标识对应的用户退出所述应用程序的行为影响越大;
当所述退出概率与内容推荐的触发条件对应的概率值对应时,确认所述退出概率满足内容推荐的触发条件,触发内容推荐;
根据资源搜索结果,确定与当前搜索资源相关的资源,得到推荐内容;或者,根据所述用户特征数据生成所述推荐内容;
将所述推荐内容下发至所述用户标识对应的终端;
根据对所述推荐内容的反馈,调整所述内容推荐的触发条件对应的概率值,所述反馈包括用户对所述推荐内容的点击率。
2.根据权利要求1所述的方法,其特征在于,所述获取与所述用户标识对应的各用户特征数据的步骤包括:
计算所述用户标识的预设动态类型特征对应的动态特征数据,所述动态特征数据包括所述特征数据;
根据所述用户标识查询离线计算的预设静态类型特征对应的静态特征数据;
对所述动态特征数据和所述静态特征数据分别进行归一化处理,得到与所述用户标识对应的各用户特征数据。
3.一种内容推荐处理装置,其特征在于,包括:标识获取模块、特征获取模块、预测模块、数据请求处理模块、特征处理模块、推荐处理模块、内容发送模块和推荐触发模块;
所述数据请求处理模块,用于获取基于用户操作行为产生的数据请求,并执行与所述数据请求对应的处理,得到数据请求处理结果,所述数据请求包括资源搜索请求或者数据获取请求;
所述特征处理模块,用于根据所述数据请求处理结果得到特征数据,所述特征数据包括当次搜索结果、一段时间的累计搜索结果和浏览结果中的至少一种;
所述标识获取模块,用于在监测到满足退出预测触发条件的特征数据时,获取所述特征数据对应的用户标识,所述退出预测触发条件包括资源搜索结果为空、资源搜索失败次数达到设定值或资源浏览结束;
所述特征获取模块,用于获取与所述用户标识对应的各用户特征数据,各所述用户特征数据包括影响所述用户标识对应的用户退出应用程序的所述特征数据;
所述预测模块,用于将所述用户标识对应的各用户特征数据输入预先训练得到的退出预测模型,基于所述退出预测模型输出的模型文件实时预测所述用户标识的退出概率,所述模型文件为预先训练得到的预测规则库,所述退出概率为所述用户标识对应的用户退出应用程序的概率,所述用户退出应用程序的概率是指用户关闭应用程序的概率;在所述退出预测模型的训练过程中还会输出特征权重表,所述特征权重表为每一特征类型标识与所述特征类型标识对应的权重,所述权重越高,所述权重对应的特征类型对退出行为影响越大;
所述推荐触发模块,用于当所述退出概率与内容推荐的触发条件对应的概率值对应时,确认所述退出概率满足内容推荐的触发条件时,触发内容推荐;
所述推荐处理模块,用于根据资源搜索结果,确定与当前搜索资源相关的资源,得到推荐内容;或者,根据所述用户特征数据生成所述推荐内容;
所述推荐发送模块,用于将所述推荐内容下发至所述用户标识对应的终端;
用于执行以下步骤的模块:根据对所述推荐内容的反馈,调整所述内容推荐的触发条件对应的概率值,所述反馈包括用户对所述推荐内容的点击率。
4.根据权利要求3所述的装置,其特征在于,所述特征获取模块包括:动态数据获取模块、静态数据获取模块和归一化处理模块;
所述动态数据获取模块,用于计算所述用户标识的预设动态类型特征对应的动态特征数据,所述动态特征数据包括所述特征数据;
所述静态数据获取模块,用于根据所述用户标识查询离线计算的预设静态类型特征对应的静态特征数据;
所述归一化处理模块,用于对所述动态特征数据和所述静态特征数据分别进行归一化处理,得到与所述用户标识对应的各用户特征数据。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至2任一项所述的内容推荐处理方法的步骤。
6.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现权利要求1至2任一项所述的内容推荐处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711086004.6A CN110020133B (zh) | 2017-11-07 | 2017-11-07 | 内容推荐处理方法和装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711086004.6A CN110020133B (zh) | 2017-11-07 | 2017-11-07 | 内容推荐处理方法和装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020133A CN110020133A (zh) | 2019-07-16 |
CN110020133B true CN110020133B (zh) | 2023-04-07 |
Family
ID=67186760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711086004.6A Active CN110020133B (zh) | 2017-11-07 | 2017-11-07 | 内容推荐处理方法和装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020133B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590927A (zh) * | 2020-04-30 | 2021-11-02 | 深圳绿米联创科技有限公司 | 内容推荐方法、装置、服务器及存储介质 |
CN112699254A (zh) * | 2021-01-05 | 2021-04-23 | 北京字节跳动网络技术有限公司 | 一种媒体内容筛选方法、装置及计算机存储介质 |
CN114567807B (zh) * | 2022-01-17 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种视频处理方法、装置、电子设备及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246526A (zh) * | 2012-02-07 | 2013-08-14 | 腾讯科技(深圳)有限公司 | 客户端预加载方法及客户端预加载装置 |
CN103605549A (zh) * | 2013-11-26 | 2014-02-26 | 随身云(南京)信息技术有限公司 | 一种界面退出展示方法及装置 |
CN104813353A (zh) * | 2012-10-30 | 2015-07-29 | 阿尔卡特朗讯 | 用于生成用户流失预测的***和方法 |
CN104903917A (zh) * | 2012-03-06 | 2015-09-09 | 克德比有限公司 | 预测处理***和使用方法以及执行业务的方法 |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及*** |
CN106649509A (zh) * | 2016-10-12 | 2017-05-10 | 腾讯科技(北京)有限公司 | 用户特征提取方法及装置 |
CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104427118B (zh) * | 2013-09-06 | 2017-02-01 | 华为技术有限公司 | 一种内容推荐的方法及移动终端 |
CN104679969B (zh) * | 2013-11-29 | 2018-12-28 | 腾讯科技(深圳)有限公司 | 防止用户流失的方法及装置 |
US10210453B2 (en) * | 2015-08-17 | 2019-02-19 | Adobe Inc. | Behavioral prediction for targeted end users |
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及*** |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及*** |
CN106997493A (zh) * | 2017-02-14 | 2017-08-01 | 云数信息科技(深圳)有限公司 | 基于多维度数据的彩票用户流失预测方法及其*** |
-
2017
- 2017-11-07 CN CN201711086004.6A patent/CN110020133B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246526A (zh) * | 2012-02-07 | 2013-08-14 | 腾讯科技(深圳)有限公司 | 客户端预加载方法及客户端预加载装置 |
CN104903917A (zh) * | 2012-03-06 | 2015-09-09 | 克德比有限公司 | 预测处理***和使用方法以及执行业务的方法 |
CN104813353A (zh) * | 2012-10-30 | 2015-07-29 | 阿尔卡特朗讯 | 用于生成用户流失预测的***和方法 |
CN103605549A (zh) * | 2013-11-26 | 2014-02-26 | 随身云(南京)信息技术有限公司 | 一种界面退出展示方法及装置 |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及*** |
CN106649509A (zh) * | 2016-10-12 | 2017-05-10 | 腾讯科技(北京)有限公司 | 用户特征提取方法及装置 |
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110020133A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Žliobaitė et al. | Active learning with drifting streaming data | |
CN110457581B (zh) | 一种资讯推荐方法、装置、电子设备及存储介质 | |
US11522938B2 (en) | Feature generation for online/offline machine learning | |
US20180077250A1 (en) | Method and System for Processing Data Used By Creative Users to Create Media Content | |
CN110543598A (zh) | 信息推荐方法、装置及终端 | |
CN111666448B (zh) | 搜索方法、装置、电子设备及计算机可读存储介质 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
US11269966B2 (en) | Multi-classifier-based recommendation method and device, and electronic device | |
CN110020133B (zh) | 内容推荐处理方法和装置、计算机设备和存储介质 | |
CN108304432B (zh) | 信息推送处理方法、信息推送处理装置及存储介质 | |
CN112052387A (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN110825966A (zh) | 一种信息推荐的方法、装置、推荐服务器和存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
US20170155939A1 (en) | Method and System for Processing Data Used By Creative Users to Create Media Content | |
CN111523035B (zh) | App浏览内容的推荐方法、装置、服务器和介质 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及*** | |
JP2011227721A (ja) | 関心抽出装置、関心抽出方法、及び関心抽出プログラム | |
CN113672793A (zh) | 一种信息召回方法、装置、电子设备及存储介质 | |
CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
WO2023168856A1 (zh) | 一种关联场景推荐方法、装置、存储介质及电子装置 | |
CN113919923B (zh) | 直播推荐模型训练方法、直播推荐方法及相关设备 | |
CN111026910B (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 | |
CN108563648B (zh) | 数据显示方法和装置、存储介质及电子装置 | |
US20170004402A1 (en) | Predictive recommendation engine |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |