CN110555131A - 内容推荐方法、内容推荐装置和电子设备 - Google Patents
内容推荐方法、内容推荐装置和电子设备 Download PDFInfo
- Publication number
- CN110555131A CN110555131A CN201810258812.4A CN201810258812A CN110555131A CN 110555131 A CN110555131 A CN 110555131A CN 201810258812 A CN201810258812 A CN 201810258812A CN 110555131 A CN110555131 A CN 110555131A
- Authority
- CN
- China
- Prior art keywords
- content
- tag
- word vector
- user
- label
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种内容推荐方法、内容推荐装置和电子设备。该内容推荐方法包括:获取用户对于第一内容和第二内容的行为数据,所述第一内容和所述第二内容具有相同类型和不同子类型;确定所述第一内容的至少一个第一标签和所述第二内容的至少一个第二标签;计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量;计算所述第一词向量和所述第二词向量之间的距离作为所述第一标签和所述第二标签之间的标签相似度;以及,基于所述标签相似度向用户提供内容。这样,可以利用用户的异构数据进行用户的画像迁移,提高用户兴趣预测的准确度,优化用户体验。
Description
技术领域
本申请总的来说涉及数据处理领域,且更为具体地,涉及一种内容推荐 方法、内容推荐装置和电子设备。
背景技术
随着文化产业的发展,越来越多的内容被生产出来,以满足人们日益增 长的需求。并且,随着内容表现形式的丰富,越来越多的内容被以诸如多媒 体的形式表现出来。
当用户需要获取自己所需的内容时,针对网络上的海量内容,用户需要 花费大量的时间才能找到自己想要的内容。如果用户需要浏览大量无关的内 容,这个过程显然会使得用户感到不便。
尤其是,即使对于相同类型的内容,例如视频,随着其类型的进一步细 分,也出现了更精细的子类型。例如,许多平台将视频分类为UGC(用户 生产内容)、PGC(专业生产内容)和OGC(品牌生产内容)。
因此,需要根据用户的兴趣特点,向用户推荐用户可能感兴趣的内容。 特别是,当仅掌握用户对于某一子类型的内容的兴趣特点时,也需要据此向 用户推荐其它子类型的内容。
因此,需要改进的内容推荐方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种内 容推荐方法、内容推荐装置和电子设备,其可以利用用户的异构数据进行用 户的画像迁移,提高用户兴趣预测的准确度,优化用户体验。
根据本申请的一方面,提供了一种内容推荐方法,包括:获取用户对于 第一内容和第二内容的行为数据,所述第一内容和所述第二内容具有相同类 型和不同子类型;确定所述第一内容的至少一个第一标签和所述第二内容的 至少一个第二标签;计算所述至少一个第一标签中的每个第一标签的第一词 向量和所述至少一个第二标签中的每个第二标签的第二词向量;通过所述第 一词向量和所述第二词向量计算所述第一标签和所述第二标签之间的标签 相似度;以及,基于所述标签相似度向用户提供内容。
在上述内容推荐方法中,获取用户对于第一内容和第二内容的行为数据 包括:获取用户在预定时段内对于所述第一内容和所述第二内容的行为数据。
在上述内容推荐方法中,计算所述至少一个第一标签中的每个第一标签 的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量包 括:通过神经网络语言模型计算所述至少一个第一标签中的每个第一标签的 第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量,所述 神经网络语言模型中标签向量的维度是50维。
在上述内容推荐方法中,通过所述第一词向量和所述第二词向量计算所 述第一标签和所述第二标签之间的标签相似度包括:通过所述第一词向量和 所述第二词向量的余弦函数计算所述第一标签和所述第二标签之间的标签 相似度;以及,通过所述第一词向量和所述第二词向量之间的距离计算所述 第一标签和所述第二标签之间的标签相似度。
在上述内容推荐方法中,所述第一内容和所述第二内容是视频内容;所 述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个;以及, 所述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另一个。
根据本申请的另一方面,提供了一种内容推荐装置,包括:数据获取单 元,用于获取用户对于第一内容和第二内容的行为数据,所述第一内容和所 述第二内容具有相同类型和不同子类型;标签确定单元,用于确定所述第一 内容的至少一个第一标签和所述第二内容的至少一个第二标签;词向量计算 单元,用于计算所述至少一个第一标签中的每个第一标签的第一词向量和所 述至少一个第二标签中的每个第二标签的第二词向量;相似度计算单元,用 于通过所述第一词向量和所述第二词向量计算所述第一标签和所述第二标签之间的标签相似度;以及,内容提供单元,用于基于所述标签相似度向用 户提供内容。
在上述内容推荐装置中,所述数据获取单元用于获取用户在预定时段内 对于所述第一内容和所述第二内容的行为数据。
在上述内容推荐装置中,所述词向量计算单元用于通过神经网络语言模 型计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少 一个第二标签中的每个第二标签的第二词向量,所述神经网络语言模型中标 签向量的维度是50维。
在上述内容推荐装置中,所述相似度计算单元用于以下的其中之一:通 过所述第一词向量和所述第二词向量的余弦函数计算所述第一标签和所述 第二标签之间的标签相似度;以及,通过所述第一词向量和所述第二词向量 之间的距离计算所述第一标签和所述第二标签之间的标签相似度。
在上述内容推荐装置中,所述第一内容和所述第二内容是视频内容;所 述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个;以及, 述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另一个。
根据本申请的又一方面,提供了一种电子设备,包括:处理器;以及, 存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被 所述处理器运行时使得所述处理器执行如上所述的内容推荐方法。
本申请提供的内容推荐方法、内容推荐装置和电子设备可以利用用户的 异构数据进行用户的画像迁移,提高用户兴趣预测的准确度,优化用户体验。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本申请各种其他的优 点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出 优选实施方式的目的,而并不认为是对本申请的限制。显而易见地,下面描 述的附图仅仅是本申请的一些实施例,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的附图。而且在整 个附图中,用相同的附图标记表示相同的部件。
图1图示了根据本申请实施例的内容推荐方法的流程图;
图2图示了根据本申请实施例的内容推荐装置的框图;
图3图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述 的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理 解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,随着内容形式的不断丰富,即使对于某一类型的内容,比如 视频,各个视频平台在视频内容上也会出现不同的视频子类型(比如,UGC 视频、PGC视频或者OGC视频)。并且,在视频平台上,既会向用户推荐 UGC视频,也会给用户推荐PGC视频,从而满足用户的不同需求。但是, 在推荐策略上,不同子类型的视频,例如UGC视频和PGC视频在视频内容 上有一定的区别,从而使得用于推荐视频的内容标签和内容分布上的差异较 大。这种不同子类型的内容数据也可以被称为异构数据。
因此,如何在内容平台内利用用户对于某一子类型的内容的行为,推荐 出用户感兴趣的另一子类型的内容,满足用户对不同子类型的内容的需求, 显得尤为重要。
针对上述技术问题,本申请的基本构思是收集用户对于不同子类型的内 容的行为数据,例如观看不同子类型的视频的观看行为数据,并基于上述观 看行为数据获取与所述内容对应的标签,并计算所述标签的词向量,以词向 量之间的距离作为标签之间的标签相似度,以向用户推荐内容。因此,在获 得了不同子类型的内容的标签之间的标签相似度之后,就可以针对某一子类 型的内容的用户标签画像计算出用户对于另一子类型的内容的标签画像,从 而实现用户的画像迁移,以推荐出用户感兴趣的内容。
基于此,本申请提出了一种内容推荐方法、内容推荐装置和电子设备, 其首先获取用户对于不同子类型的内容的行为数据,再确定内容对应的标签, 并以获得每个标签的词向量,计算词向量之间的距离作为标签的相似度,从 而向用户推荐内容。因此,可以利用用户针对不同子类型的内容的行为数据 进行用户的画像迁移,提高预测用户对于不同子类型的内容的喜好的准确度, 提高用户体验。
需要说明的是,本申请的上述基本构思可以应用于各种用于推荐内容的 推荐***和相应的产品,包括视频内容、音频内容、文字内容以及其它内容 的推荐***和相应的产品等。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的 各种非限制性实施例。
示例性方法
图1图示了根据本申请实施例的内容推荐方法的流程图。
如图1所示,根据本申请实施例的内容推荐方法包括:S110,获取用户 对于第一内容和第二内容的行为数据,所述第一内容和所述第二内容具有相 同类型和不同子类型;S120,确定所述第一内容的至少一个第一标签和所述 第二内容的至少一个第二标签;S130,计算所述至少一个第一标签中的每个 第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二 词向量;S140,通过所述第一词向量和所述第二词向量计算所述第一标签和 所述第二标签之间的标签相似度;以及S150,基于所述标签相似度向用户提供内容。
在步骤S110中,获取用户对于第一内容和第二内容的行为数据,所述 第一内容和所述第二内容具有相同类型和不同子类型。如上所述,由于内容 的进一步细分,即使对于同一类型的内容,例如视频,也可以细分为不同的 子类型。例如,各个视频平台向用户提供的视频可以细分为UGC(用户生 产内容)、PGC(专业生产内容)和OGC(品牌生产内容)。
具体地,UGC指的是用户原创内容,是伴随着以提倡个性化为主要特 点的网络2.0(Web2.0)概念而兴起的。UGC反映的不仅是某一种具体的业 务,也是一种用户使用互联网的新方式,即由原来的以下载为主变成下载和 上传并重。PGC指的是专业生产内容(例如,视频网站)或者专家生产内容 (例如,微博)。其特点时内容个性化、视角多元化、传播民主化、社会关 系虚拟化。OGC指的是品牌生产内容,主要通过具有一定知识和专业背景 的行业人士生产内容,并且这些人士会领取相应的报酬。例如,媒体平台的 记者、编辑等,既有新闻的专业背景,也以写稿为职业领取报酬。
因此,在根据本申请实施例的内容推荐方法中,所述第一内容和所述第 二内容是类型相同的内容,例如,都属于视频、音频或者文本等,但是其进 一步细分的子类型不同,例如,在所述第一内容和所述第二内容都是视频的 情况下,所述第一内容可以是如上所述的UGC、PGC和OGC视频中的一个, 且所述第二内容是UGC、PGC和OGC视频中的另一个。
此外,现在的内容平台除了向用户提供内容以外,也会向用户推送广告, 例如,视频平台会向用户推送视频广告。并且,为了提升广告推送的精确性, 也会对广告设置标签。因此,在根据本申请实施例的内容推荐方法中,所述 第一内容和所述第二内容也可以是一般内容和广告。
在根据本申请实施例的内容推荐方法中,用户对于第一内容和第二内容 的行为数据指的是用户基于推荐***的推荐选择特定内容的行为,以视频为 例,是用户观看特定视频的行为。以用户对UGC和PGC视频的观看行为为 例,可以用uv代表UGC视频,pv代表PGC视频,则用户的行为数据可以 表示为h={pv1,pv2,…,pvN,uv1,uv2,…,uvM}。
这里,为了准确地反映用户的行为,用户对于第一内容和第二内容的行 为数据指的是使用内容平台的所有用户的行为数据。即,内容平台可以获取 在一段时间内所有用户的行为数据,例如视频平台获取近15天内所有用户 观看特定视频的行为数据。
但是,由于用户对于内容的行为数据反映了用户对于内容的兴趣,且用 户对于内容的兴趣并不是一成不变的。举例来说,如果用户在一个视频网站 上观看视频,一个月前观看动漫相关视频,但是一个月后可能开始观看游戏 相关视频。为了能够获得用户相对稳定的兴趣,在根据本申请实施例的内容 推荐方法中,通过时间的切分获取用户的短时稳定兴趣。也就是说,假定用 户的兴趣在短时间内是稳定的,但是在长时间上是变化的。因此,可以根据 用户一段时期内针对内容的行为,将此行为按照时间切分为多个行为序列。
也就是说,在根据本申请实施例的内容推荐方法中,获取用户对于第一 内容和第二内容的行为数据包括:获取用户在预定时段内对于所述第一内容 和所述第二内容的行为数据。
这里,所述预定时段可以是12个小时,即,将用户针对内容的行为按 照12个小时的间隔进行切分,划分为多个行为序列,例如视频观看序列, 并记为hs。
在步骤S120中,确定所述第一内容的至少一个第一标签和所述第二内 容的至少一个第二标签。例如,针对上述视频观看序列hs={pv1,pv2,…,pvN, uv1,uv2,…,uvM},确定相应的标签序列,例如表示为hst={pt1,pt2,…,ptN, ut1,ut2,…,utM},其中pt表示PGC视频标签,ut表示UGC视频标签。
在步骤S130中,计算所述至少一个第一标签中的每个第一标签的第一 词向量和所述至少一个第二标签中的每个第二标签的第二词向量。这里,本 领域技术人员可以理解,在根据本申请实施例的内容推荐方法中,可以以各 种方式计算标签的词向量。具体地,可以使用word2vec模型获得标签的词 向量,且设定标签向量的维度为50。例如,将上述标签序列hst={pt1,pt2,…, ptN,ut1,ut2,…,utM}输入word2vec模型中,从而得到每一标签的词向量 pt1_vec,pt2_vec,…,ptN_vec和ut1_vec,ut2_vec,…,utM_vec。这里,pt1_vec, pt2_vec,…,ptN_vec表示PGC视频的标签的词向量,且ut1_vec,ut2_vec,…, utM_vec表示UGC视频的标签的词向量。
因此,在根据本申请实施例的内容推荐方法中,计算所述至少一个第一 标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第 二标签的第二词向量包括:通过神经网络语言模型计算所述至少一个第一标 签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二 标签的第二词向量,所述神经网络语言模型中标签向量的维度是50维。
在步骤S140中,通过所述第一词向量和所述第二词向量计算所述第一 标签和所述第二标签之间的标签相似度。例如,针对如上所述在步骤S130 获得的PGC视频的标签的词向量pt1_vec,pt2_vec,…,ptN_vec和PGC视频 的标签的词向量ut1_vec,ut2_vec,…,utM_vec,可以计算 p(ut|pt)=cosin(ut_vec,pt_vec),其中cosin(ut_vec,pt_vec)是标签向量ut_vec和 pt_vec的余弦函数。另外,还可以通过标签向量ut_vec和pt_vec之间的距离 来计算两个标签之间的相似度。这里,两个标签向量之间的距离可以是欧氏 距离或者曼哈顿距离。
因此,在根据本申请实施例的内容推荐方法中,通过所述第一词向量和 所述第二词向量计算所述第一标签和所述第二标签之间的标签相似度包括 以下的其中之一:通过所述第一词向量和所述第二词向量的余弦函数计算所 述第一标签和所述第二标签之间的标签相似度;以及,通过所述第一词向量 和所述第二词向量之间的距离计算所述第一标签和所述第二标签之间的标 签相似度。
最后,在步骤S150中,基于所述标签相似度向用户提供内容。
这里,虽然在上文中,以视频平台向用户推荐视频为例进行了说明。但 是,本领域技术人员可以理解,根据本申请实施例的内容推荐方法可以应用 于各种内容平台向用户推荐内容,也因此用于通过其它类型的异构数据进行 针对特定内容的用户画像的迁移。本申请并不意在对此进行任何限制。
示例性装置
图2图示了根据本申请实施例的内容推荐装置的框图。
如图2所示,根据本申请实施例的内容推荐装置200包括:数据获取单 元210,用于获取用户对于第一内容和第二内容的行为数据,所述第一内容 和所述第二内容具有相同类型和不同子类型;标签确定单元220,用于确定 所述数据获取单元210所获取的第一内容的至少一个第一标签和第二内容的 至少一个第二标签;词向量计算单元230,用于计算所述标签确定单元220 所确定的至少一个第一标签中的每个第一标签的第一词向量和至少一个第 二标签中的每个第二标签的第二词向量;相似度计算单元240,用于通过所 述词向量计算单元230所计算的第一词向量和第二词向量计算所述第一标签 和所述第二标签之间的标签相似度;以及,内容提供单元250,用于基于所 述相似度计算单元240所计算的标签相似度向用户提供内容。
在一个示例中,在上述内容推荐装置200中,所述数据获取单元210用 于获取用户在预定时段内对于所述第一内容和所述第二内容的行为数据。
在一个示例中,在上述内容推荐装置200中,所述词向量计算单元230 用于通过神经网络语言模型计算所述至少一个第一标签中的每个第一标签 的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量,所 述神经网络语言模型中标签向量的维度是50维。
在一个示例中,在上述内容推荐装置200中,所述相似度计算单元240 用于以下的其中之一:通过所述第一词向量和所述第二词向量的余弦函数计 算所述第一标签和所述第二标签之间的标签相似度;以及,通过所述第一词 向量和所述第二词向量之间的距离计算所述第一标签和所述第二标签之间 的标签相似度。
在一个示例中,在上述内容推荐装置200中,所述第一内容和所述第二 内容是视频内容;所述第一内容是用户生产内容、专业生产内容和品牌生产 内容中的一个;以及,述第二内容是用户生产内容、专业生产内容和品牌生 产内容中的另一个。
这里,本领域技术人员可以理解,上述内容推荐装置200中的各个单元 和模块的具体功能和操作已经在上面参考图1描述的内容推荐方法中详细介 绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的内容推荐装置200可以实现在各种终端 设备中,例如各种内容平台的服务器。在一个示例中,根据本申请实施例的 内容推荐装置200可以作为一个软件模块和/或硬件模块而集成到所述终端 设备中。例如,该内容推荐装置200可以是该终端设备的操作***中的一个 软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该 内容推荐装置200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该内容推荐装置200与该终端设备也可以是分 立的设备,并且该内容推荐装置200可以通过有线和/或无线网络连接到该验 证设备,并且按照约定的数据格式来传输交互信息。
替代实施例
这里,本领域技术人员可以理解,本申请的实质在于以标签的词向量之 间的距离来计算不同内容的标签之间的相似度。因此,通过以上方式得到的 标签相似度除了用于推荐内容以外,还可以用于计算其它参数或者实现其它 功能,例如间接判定内容的相似性以实现内容聚类等。
因此,在替代实施例中,本申请实施例的提供了一种标签相似度计算方 法,包括:获取用户对于第一内容和第二内容的行为数据,所述第一内容和 所述第二内容具有相同类型和不同子类型;确定所述第一内容的至少一个第 一标签和所述第二内容的至少一个第二标签;计算所述至少一个第一标签中 的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签 的第二词向量;以及,计算所述第一词向量和所述第二词向量之间的距离作 为所述第一标签和所述第二标签之间的标签相似度。
在上述标签相似度计算方法中,获取用户对于第一内容和第二内容的行 为数据包括:获取用户在预定时段内对于所述第一内容和所述第二内容的行 为数据。
在上述标签相似度计算方法中,计算所述至少一个第一标签中的每个第 一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词 向量包括:通过神经网络语言模型计算所述至少一个第一标签中的每个第一 标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向 量,所述神经网络语言模型中标签向量的维度是50维。
在上述标签相似度计算方法中,所述第一词向量和所述第二词向量之间 的距离是所述第一词向量和所述第二词向量之间的欧氏距离或者曼哈顿距 离。
在上述标签相似度计算方法中,所述第一内容和所述第二内容是视频内 容;所述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个; 以及,所述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另 一个。
根据本申请的另一方面,提供了一种标签相似度计算装置,包括:数据 获取单元,用于获取用户对于第一内容和第二内容的行为数据,所述第一内 容和所述第二内容具有相同类型和不同子类型;标签确定单元,用于确定所 述第一内容的至少一个第一标签和所述第二内容的至少一个第二标签;词向 量计算单元,用于计算所述至少一个第一标签中的每个第一标签的第一词向 量和所述至少一个第二标签中的每个第二标签的第二词向量;以及,相似度 计算单元,用于计算所述第一词向量和所述第二词向量之间的距离作为所述第一标签和所述第二标签之间的标签相似度。
在上述标签相似度计算装置中,所述数据获取单元用于获取用户在预定 时段内对于所述第一内容和所述第二内容的行为数据。
在上述标签相似度计算装置中,所述词向量计算单元用于通过神经网络 语言模型计算所述至少一个第一标签中的每个第一标签的第一词向量和所 述至少一个第二标签中的每个第二标签的第二词向量,所述神经网络语言模 型中标签向量的维度是50维。
在上述标签相似度计算装置中,所述第一词向量和所述第二词向量之间 的距离是所述第一词向量和所述第二词向量之间的欧氏距离或者曼哈顿距 离。
在上述标签相似度计算装置中,所述第一内容和所述第二内容是视频内 容;所述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个; 以及,述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另一 个。
示例性电子设备
下面,参考图3来描述根据本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的框图。
如图3所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指 令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组 件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品 可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性 存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高 速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器 (ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多 个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的内容推荐方法以及/或者其他期望的功能。在所述计算 机可读存储介质中还可以存储诸如内容数据、标签数据等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14, 这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
例如,该输入装置13可以是例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括向用户推荐的内容等。 该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其 所连接的远程输出设备等等。
当然,为了简化,图3中仅示出了该电子设备10中与本申请有关的组 件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据 具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品, 其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处 理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例 的内容推荐方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编 写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象 的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言, 诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备 上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用 户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务 器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算 机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本 说明书上述“示例性方法”部分中描述的根据本申请各种实施例的内容推荐 方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可 读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括 但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者 任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具 有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、 便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述 的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是, 在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优 点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具 体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限 制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子 并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。 如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、 装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇, 指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词 汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用 的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是 可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方 案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或 者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而 易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范 围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的 原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本 申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和 实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子 组合。
Claims (11)
1.一种内容推荐方法,包括:
获取用户对于第一内容和第二内容的行为数据,所述第一内容和所述第二内容具有相同类型和不同子类型;
确定所述第一内容的至少一个第一标签和所述第二内容的至少一个第二标签;
计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量;
基于所述第一词向量和所述第二词向量计算所述第一标签和所述第二标签之间的标签相似度;以及
基于所述标签相似度向用户提供内容。
2.根据权利要求1所述的内容推荐方法,其中,获取用户对于第一内容和第二内容的行为数据包括:
获取用户在预定时段内对于所述第一内容和所述第二内容的行为数据。
3.根据权利要求1所述的内容推荐方法,其中,计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量包括:
通过神经网络语言模型计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量,所述神经网络语言模型中标签向量的维度是50维。
4.根据权利要求1所述的内容推荐方法,其中,基于所述第一词向量和所述第二词向量计算所述第一标签和所述第二标签之间的标签相似度包括以下的其中之一:
通过所述第一词向量和所述第二词向量的余弦函数计算所述第一标签和所述第二标签之间的标签相似度;以及
通过所述第一词向量和所述第二词向量之间的距离计算所述第一标签和所述第二标签之间的标签相似度。
5.根据权利要求1到4中任意一项所述的内容推荐方法,其中,
所述第一内容和所述第二内容是视频内容;
所述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个;以及
所述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另一个。
6.一种内容推荐装置,包括:
数据获取单元,用于获取用户对于第一内容和第二内容的行为数据,所述第一内容和所述第二内容具有相同类型和不同子类型;
标签确定单元,用于确定所述第一内容的至少一个第一标签和所述第二内容的至少一个第二标签;
词向量计算单元,用于计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量;
相似度计算单元,用于通过所述第一词向量和所述第二词向量计算所述第一标签和所述第二标签之间的标签相似度;以及
内容提供单元,用于基于所述标签相似度向用户提供内容。
7.根据权利要求6所述的内容推荐装置,其中,所述数据获取单元用于获取用户在预定时段内对于所述第一内容和所述第二内容的行为数据。
8.根据权利要求6所述的内容推荐装置,其中,所述词向量计算单元用于通过神经网络语言模型计算所述至少一个第一标签中的每个第一标签的第一词向量和所述至少一个第二标签中的每个第二标签的第二词向量,所述神经网络语言模型中标签向量的维度是50维。
9.根据权利要求6所述的内容推荐装置,其中,所述相似度计算单元用于以下的其中之一:
通过所述第一词向量和所述第二词向量的余弦函数计算所述第一标签和所述第二标签之间的标签相似度;以及
通过所述第一词向量和所述第二词向量之间的距离计算所述第一标签和所述第二标签之间的标签相似度。
10.根据权利要求6到9任意一项所述的内容推荐装置,其中,
所述第一内容和所述第二内容是视频内容;
所述第一内容是用户生产内容、专业生产内容和品牌生产内容中的一个;以及
所述第二内容是用户生产内容、专业生产内容和品牌生产内容中的另一个。
11.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258812.4A CN110555131B (zh) | 2018-03-27 | 2018-03-27 | 内容推荐方法、内容推荐装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258812.4A CN110555131B (zh) | 2018-03-27 | 2018-03-27 | 内容推荐方法、内容推荐装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555131A true CN110555131A (zh) | 2019-12-10 |
CN110555131B CN110555131B (zh) | 2023-04-07 |
Family
ID=68733887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810258812.4A Active CN110555131B (zh) | 2018-03-27 | 2018-03-27 | 内容推荐方法、内容推荐装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555131B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313602A (zh) * | 2020-02-26 | 2021-08-27 | 京东数字科技控股股份有限公司 | 产品信息的交互方法、装置及***、存储介质、电子装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1203315A1 (en) * | 1999-06-15 | 2002-05-08 | Kanisa Inc. | System and method for document management based on a plurality of knowledge taxonomies |
WO2008033840A2 (en) * | 2006-09-12 | 2008-03-20 | Eyespot Corporation | System and methods for creating, collecting, and using metadata |
WO2008073594A1 (en) * | 2006-12-09 | 2008-06-19 | Motorola, Inc. | A content recommendation system and a method of operation therefor |
US20090089141A1 (en) * | 2007-09-27 | 2009-04-02 | Yahoo!, Inc. | Methods for cross-market brand advertising, content metric analysis, and placement recommendations |
CN102047277A (zh) * | 2008-05-29 | 2011-05-04 | 诺基亚公司 | 通过利用社会图信息进行内容使用分配的方法、装置和计算机程序产品 |
WO2011064675A1 (en) * | 2009-11-30 | 2011-06-03 | France Telecom | Method and system to recommend applications from an application market place |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及*** |
CN103744849A (zh) * | 2011-12-27 | 2014-04-23 | 北京奇虎科技有限公司 | 一种应用自动推荐的方法及装置 |
US20140129373A1 (en) * | 2012-11-02 | 2014-05-08 | Ebay Inc. | Item recommendations based on true fit determination |
CA2821177A1 (en) * | 2013-01-10 | 2014-07-10 | Spielo International Canada Ulc | Systems and methods for recommending games using distributed storage |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
CN104598518A (zh) * | 2014-12-10 | 2015-05-06 | 深圳市腾讯计算机***有限公司 | 一种内容的推送方法和装置 |
US20150199333A1 (en) * | 2014-01-15 | 2015-07-16 | Abbyy Infopoisk Llc | Automatic extraction of named entities from texts |
US20160117329A1 (en) * | 2014-10-22 | 2016-04-28 | Legit Corporation | Systems and methods for social recommendations |
CN105959374A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法及其设备 |
CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股(北京)有限公司 | 一种数据推送方法及装置 |
CN106294502A (zh) * | 2015-06-09 | 2017-01-04 | 北京搜狗科技发展有限公司 | 一种电子书信息处理方法及装置 |
CN106649848A (zh) * | 2016-12-30 | 2017-05-10 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN106708829A (zh) * | 2015-07-31 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法及推荐*** |
CN107733984A (zh) * | 2017-09-14 | 2018-02-23 | 深圳市金立通信设备有限公司 | 一种推送锁屏信息的方法、终端及计算机可读存储介质 |
-
2018
- 2018-03-27 CN CN201810258812.4A patent/CN110555131B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1203315A1 (en) * | 1999-06-15 | 2002-05-08 | Kanisa Inc. | System and method for document management based on a plurality of knowledge taxonomies |
WO2008033840A2 (en) * | 2006-09-12 | 2008-03-20 | Eyespot Corporation | System and methods for creating, collecting, and using metadata |
WO2008073594A1 (en) * | 2006-12-09 | 2008-06-19 | Motorola, Inc. | A content recommendation system and a method of operation therefor |
US20090089141A1 (en) * | 2007-09-27 | 2009-04-02 | Yahoo!, Inc. | Methods for cross-market brand advertising, content metric analysis, and placement recommendations |
CN102047277A (zh) * | 2008-05-29 | 2011-05-04 | 诺基亚公司 | 通过利用社会图信息进行内容使用分配的方法、装置和计算机程序产品 |
WO2011064675A1 (en) * | 2009-11-30 | 2011-06-03 | France Telecom | Method and system to recommend applications from an application market place |
CN103744849A (zh) * | 2011-12-27 | 2014-04-23 | 北京奇虎科技有限公司 | 一种应用自动推荐的方法及装置 |
US20140129373A1 (en) * | 2012-11-02 | 2014-05-08 | Ebay Inc. | Item recommendations based on true fit determination |
CA2821177A1 (en) * | 2013-01-10 | 2014-07-10 | Spielo International Canada Ulc | Systems and methods for recommending games using distributed storage |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及*** |
US20150199333A1 (en) * | 2014-01-15 | 2015-07-16 | Abbyy Infopoisk Llc | Automatic extraction of named entities from texts |
CN104156472A (zh) * | 2014-08-25 | 2014-11-19 | 四达时代通讯网络技术有限公司 | 一种视频推荐方法及*** |
US20160117329A1 (en) * | 2014-10-22 | 2016-04-28 | Legit Corporation | Systems and methods for social recommendations |
CN104598518A (zh) * | 2014-12-10 | 2015-05-06 | 深圳市腾讯计算机***有限公司 | 一种内容的推送方法和装置 |
CN106294502A (zh) * | 2015-06-09 | 2017-01-04 | 北京搜狗科技发展有限公司 | 一种电子书信息处理方法及装置 |
CN106708829A (zh) * | 2015-07-31 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法及推荐*** |
CN105959374A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种数据推荐方法及其设备 |
CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股(北京)有限公司 | 一种数据推送方法及装置 |
CN106649848A (zh) * | 2016-12-30 | 2017-05-10 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN107733984A (zh) * | 2017-09-14 | 2018-02-23 | 深圳市金立通信设备有限公司 | 一种推送锁屏信息的方法、终端及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
宋美娜;赵雪君;鄂海红;: "基于分类的多属性实体推荐" * |
朱征宇;张小林;熊茜;谢祈鸿;: "基于用户兴趣子类的协作推荐算法" * |
游贵荣;陈杰;: "一种高校图书馆新书个性化推荐方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313602A (zh) * | 2020-02-26 | 2021-08-27 | 京东数字科技控股股份有限公司 | 产品信息的交互方法、装置及***、存储介质、电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110555131B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210027160A1 (en) | End-to-end deep collaborative filtering | |
CN110378732B (zh) | 信息显示方法、信息关联方法、装置、设备及存储介质 | |
US10169830B2 (en) | Adjusting sentiment scoring for online content using baseline attitude of content author | |
US20170169341A1 (en) | Method for intelligent recommendation | |
US20200097538A1 (en) | Book analysis and recommendation | |
US9310879B2 (en) | Methods and systems for displaying web pages based on a user-specific browser history analysis | |
WO2019062021A1 (zh) | 在应用程序中推送贷款广告的方法、电子装置及介质 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及*** | |
US9635337B1 (en) | Dynamically generated media trailers | |
CN110309414B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN109255035B (zh) | 用于构建知识图谱的方法和装置 | |
CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
CN110019948B (zh) | 用于输出信息的方法和装置 | |
US20170228378A1 (en) | Extracting topics from customer review search queries | |
CN110851712A (zh) | 书籍信息的推荐方法、设备以及计算机可读介质 | |
CN107515870B (zh) | 一种搜索方法和装置、一种用于搜索的装置 | |
US20090327877A1 (en) | System and method for disambiguating text labeling content objects | |
CN110555135B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
US9201967B1 (en) | Rule based product classification | |
US10339559B2 (en) | Associating social comments with individual assets used in a campaign | |
Araújo et al. | Tensorcast: forecasting time-evolving networks with contextual information | |
CN110555131B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
CN112948602A (zh) | 一种内容显示方法、装置、***、设备及存储介质 | |
CN111898022A (zh) | 商标类别推荐方法和装置、以及存储介质和电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200520 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 100080 Beijing Haidian District city Haidian street A Sinosteel International Plaza No. 8 block 5 layer A, C Applicant before: Youku network technology (Beijing) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |