CN110688576B - 内容推荐方法、装置、电子设备及存储介质 - Google Patents
内容推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110688576B CN110688576B CN201910914097.XA CN201910914097A CN110688576B CN 110688576 B CN110688576 B CN 110688576B CN 201910914097 A CN201910914097 A CN 201910914097A CN 110688576 B CN110688576 B CN 110688576B
- Authority
- CN
- China
- Prior art keywords
- recommended
- recommended object
- recommendation
- target
- client
- 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
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
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
本公开关于一种内容推荐方法、装置、电子设备及存储介质,所述方法包括:接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;将所述目标推荐对象返回至所述目标客户端。从而取得了提高推荐对象与客户端的匹配度,进而提高客户端用户的留存率以及活跃度的有益效果。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种内容推荐方法、装置、电子设备及存储介质。
背景技术
推荐***的冷启动问题,是指对于目标客户端***缺乏足够的数据来捕获用户的兴趣并有效地推荐内容。这个问题是推荐***在实际产品应用中的一个主要挑战。
相关技术中,根据客户端用户的特征,通过人工对各个待推荐对象作标记分类,形成离线推荐源,进而在后续过程中客户端冷启动时,可以从离线推荐源中选出当前的客户端对应的目标推荐对象并推荐给相应客户端。但是这种方案对人工的依赖较重,成本较高,不易在规模上形成扩展;同时,人工标记分类依赖于人的知识体系和认知经验,对捕捉深层次相关性的能力较弱,从而使得推荐的对象与客户端的匹配度较弱,用户的留存率和活跃度不高。
发明内容
本公开提供一种内容推荐方法、装置、电子设备及存储介质,以至少解决相关技术中过分依赖人工,成本较高且冷启动时的推荐对象与用户匹配度较弱的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种内容推荐方法,包括:
接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;
基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;
从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;
将所述目标推荐对象返回至所述目标客户端。
可选地,在所述从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象的步骤之前,还包括:
针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;
基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;
计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;
根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;
根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
可选地,所述计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度的步骤,包括:
针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
可选地,所述根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象的步骤,包括:
获取与所述第二联合特征的相关度最高的N个推荐对象;
根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;
其中,M和N均为正整数,且N大于或等于M。
可选地,所述从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象的步骤,包括:
从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
对所述初始推荐对象进行去重处理,得到目标推荐对象。
可选地,所述将所述目标推荐对象返回至所述目标客户端的步骤,包括:
根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
可选地,在所述将所述目标推荐对象返回至所述目标客户端的步骤之后,还包括:
控制所述目标客户端依次展示所述目标推荐对象;
响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;
将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
根据本公开实施例的第二方面,提供一种内容推荐装置,包括:
推荐请求获取模块,被配置为执行接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;
第一联合特征获取模块,被配置为执行基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;
目标推荐对象获取模块,被配置为执行从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;
推荐结果返回模块,被配置为执行将所述目标推荐对象返回至所述目标客户端。
可选地,所述内容推荐装置还包括:
行为日志获取模块,被配置执行针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;
第二联合特征获取模块,被配置执行基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;
相关度获取模块,被配置执行计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;
推荐对象获取模块,被配置为执行根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;
选推荐对象集合构建模块,被配置为执行根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
可选地,所述相关度获取模块,包括:
第一相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第二相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第三相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
可选地,所述推荐对象获取模块,包括:
第一推荐对象筛选子模块,被配置为执行获取与所述第二联合特征的相关度最高的N个推荐对象;
第二推荐对象筛选子模块,被配置为执行根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;
其中,M和N均为正整数,且N大于或等于M。
可选地,所述目标推荐对象获取模块,包括:
初始推荐对象获取子模块,被配置执行从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
目标推荐对象获取子模块,被配置为执行对所述初始推荐对象进行去重处理,得到目标推荐对象。
可选地,所述推荐结果返回模块,包括:
推荐对象打分子模块,被配置为执行根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
推荐结果返回子模块,被配置为执行根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
可选地,所述内容推荐装置还包括:
目标推荐对象展示模块,被配置为执行控制所述目标客户端依次展示所述目标推荐对象;
推荐对象补充模块,被配置执行响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;
补充推荐对象发送模块,被配置执行将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
根据本公开实施例的第三方面,提供一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如前述的任意一种内容推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如前述的任意一种内容推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如前述的任意一种内容推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开实施例中,通过接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;将所述目标推荐对象返回至所述目标客户端。从而提高推荐至客户端的推荐对象与相应客户端的匹配度,进而提高客户端用户的留存率以及活跃度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图之一。
图2是根据一示例性实施例示出的一种内容推荐方法的流程图之二。
图3是根据一示例性实施例示出的一种内容推荐装置的框图之一。
图4是根据一示例性实施例示出的一种内容推荐装置的框图之二。
图5是根据一示例性实施例示出的一种装置的框图之一。
图6是根据一示例性实施例示出的一种装置的框图之二。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必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,以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图,如图1所示,内容推荐方法可以用于手机、电脑等电子设备中,包括以下步骤:
在步骤S11中,接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息。
在本公开实施例中,为了提高发送给每个目标客户端的推荐对象与相应客户端侧用户的匹配程度,可以根据目标客户端的联合特征,从海量的推荐对象中筛选出适合推荐至相应目标客户端的目标推荐对象。在本公开实施例中,客户端的APP(Application,应用程序)名称是一项重要的特征信息,可以表征用户的行为习惯、兴趣偏好、社会身份等信息;同时,不同地域的用户在兴趣偏好方面也能体现出不同的特点,所以可以根据目标客户端的至少一个应用名称和至少一个地域信息得到其联合特征,那么首先则需要获取目标客户端的至少一个应用名称和至少一个地域信息。而且,一般而言,如果目标客户端需要获取推荐对象,则可以主动发送推荐请求至进行对象推荐的电子设备,因此则可以在推荐对象中携带有至少一个应用名称和一个地域信息,从而实现的接收目标客户端发送的推荐请求的同时,获取其中携带的至少一个应用名称和一个地域信息。
其中,应用名称可以为目标客户端当前已经安装的App(Application,应用程序)的应用名称,也可以在目标客户端在当前时刻之前的一定时间段内安装的App的应用名称,等等;地域信息可以包括目标客户端上报的定位信息。
在本公开实施例中,可以通过任何可用方式获取目标客户端的应用名称和地域信息,对此本公开实施例也不加以限定。例如可通过目标客户端操作***提供的API(Application Program Interface,应用程序接口)获取目标客户端安装过的App,正在运行的App等;可以通过GPS(Global Positioning System,全球定位***)等获取目标客户端的位置轨迹作为其地域信息;等等。而且,在本公开实施例中,在获取地域信息和应用名称之前,需要先获取目标客户端的用户授权,从而在得到用户授权的情况下获取目标客户端的应用名称和地域信息。
在步骤S12中,基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征。
为了确认目标客户端对应的目标推荐对象,则可以先基于推荐请求中携带的至少一个应用名称和所述至少一个地域信息得到相应的目标客户端的第一联合特征。其中,在第一联合特征中应用名称和地域信息的存在形式可以根据需求进行预先设置,对此本发明实施例不加以限定。
例如,可以直接以推荐请求中携带的全部应用名称和全部地域信息的组合作为目标客户端的第一联合特征,且在第一联合特征中应用名称可以排在地域信息之前,也可以在地域信息之后;或者,也可以根据各个应用名称对应的App在目标客户端侧的使用时长、使用频率等属性,对应用名称进行排序构建应用名称列表,同样根据各个地域信息的出现次数、目标客户端在相应地域信息的时长等属性,对地域信息进行排序并构建得到地域信息列表,进而将应用名称列表和地域信息列表进行组合,得到目标客户端的第一联合特征;或者,也可以对应用名称和地域信息进行随机组合,从而得到目标客户端的第一联合特征;或者,也可以分别对应于名称和地域信息进行其他预设处理后进行组合,从而得到目标客户端的第一联合特征;等等。
在步骤S13中,从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象。
在获取得到目标客户端的第一联合特征之后,则可以进一步根据预先构建的候选推荐对象集合,从候选推荐对象集合中获取与相应的第一联合特征匹配的至少一个推荐对象。
其中,在候选推荐对象集合中可以包括包括多个联合特征,和每个联合特征对应的至少一个推荐对象。那么此时,则可以根据目标客户端的第一联合特征,以及候选推荐对象集合中各个推荐对象列表与联合特征之间的对应关系,获取与第一联合特征匹配的联合特征,进而获取与相应的联合特征对应的至少一个推荐对象,作为与目标客户端的第一联合特征匹配的至少一个推荐对象,从而得到目标客户端的目标推荐对象。
其中,候选推荐对象集合中包含的每个联合特征对应的推荐对象可以根据需求进行预先设置;也可以根据不同客户端的联合特征与不同推荐对象之间的相关度,确定每个联合特征所对应的推荐对象,其中可以通过任何可用方式获取联合特征与推荐对象之间的相关度,对此本发明实施例不加以限定。
而且,在实际应用中,可能存在部分用户的活跃度不高,那么其对构建候选推荐对象集合的参考意义相应也会不高。因此,在本公开实施例中,可以根据各个客户端对应的用户的活跃度确定用以构建候选推荐对象集合的指定客户端,具体的指定客户端需要满足的条件可以根据需求进行预先设置,对此本公开实施例不加以限定。
进而则可以根据每个指定客户端的联合特征与每个推荐对象的相关度,以及每个所述推荐对象的用户反馈指标,获取每个联合特征对应的目标推荐对象。例如,可以跟进每个指定客户端的联合特征与每个推荐对象的相关度,还可以考虑每个推荐对象从各个指定客户端侧得到的用户反馈指标,从推荐对象中筛选出与每个联合特征的相关度满足第一相关度阈值,且用户反馈指标满足第一指标阈值的推荐对象作为与相应的联合特征对应的推荐对象。其中的第一相关度阈值和第一指标阈值都可以根据需求进行预先设置,对此本公开实施例不加以限定。
在步骤S14中,将所述目标推荐对象返回至所述目标客户端。
在获取得到目标客户端的目标推荐对象之后,则可以将相应目标推荐对象返回至目标客户端。而且,当目标客户端处于冷启动阶段时,还可以相应的展示目标推荐对象。以推荐视频为例,此时则可以在目标客户端依次播放各个目标推荐视频。
本公开实施例中,通过接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;将所述目标推荐对象返回至所述目标客户端。从而提高了发送至客户端的推荐对象与相应客户端的用户的匹配度,进而提高客户端用户的留存率以及活跃度。
参照图2,在本公开实施例中,在所述步骤S13之前,还可以包括:
步骤S15,针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息。
步骤S16,基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征。
在本公开实施例中,为了获取每个指定客户端的第二联合特征,可以针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息,从而基于每个指定客户端的应用名称和地域信息,得到每个指定客户端的第二联合特征。其中,指定客户端可以根据需求进行预先设置,对此本发明实施例不加以限定。第二联合特征和第一联合特征均为联合特征,但是为了区分对应的对象不同,将目标客户端的联合特征称为第一联合特征,指定客户端的联合特征称为第二联合特征。而且,在本公开实施例中,在获取每个指定客户端的应用名称和地域信息时,也可以分别相应获取每个指定客户端的用户授权。
例如,如前述可以根据各个客户端对应的用户的活跃度确定用以构建候选推荐对象集合的指定客户端,具体的指定客户端需要满足的条件可以根据需求进行预先设置,对此本公开实施例不加以限定。
而且,在本公开实施例中,可以通过任何可用方式获取每个指定客户端的应用名称和地域信息,对此本发明实施例不加以限定。例如,可以先获取每个指定客户端在当前时刻之前的预设时间段内的行为日志,进而根据每个指定客户端的行为日志获取每个指定客户端的应用名称和地域信息。
具体的,可以统计在当前时刻之前的预设时间段内用户针对指定客户端的行为记录,从而得到指定客户端在当前时刻之前的预设时间段内的行为日志。进而则可以统计上述的行为日志内指定客户端的App安装记录和App卸载记录,从而得到相应的指定客户端的应用名称,同样地可以统计上述的行为日志内指定客户端所在的地域信息,进而则可以基于指定客户端的应用名称和地域信息,得到相应指定客户端的第二联合特征。其中,指定客户端的应用名称和地域信息在指定客户端的第二联合特征中的存在形式,与目标客户端的应用名称和地域信息在目标客户端的第一联合特征中的存在形式一致,也即基于指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征,与前述的基于目标客户端发送的推荐请求中携带的至少一个应用名称和至少一个地域信息得到相应目标客户端的第一联合特征的具体策略可以一致,对此不加以赘述。而且由于不同的第二联合特征是离散的,因此可以形成第二联合特征的离散空间。
另外,在本公开实施例中,可能存在多个指定客户端的第二联合特征相同或者相似度较高的情况,如果在构建候选推荐对象集合时,对不同指定客户端对应的相同或者相似度较高的第二联合特征进行区分处理,工作量较大,且构建得到的候选推荐对象集合的数据量也会较大,从而容易影响目标推荐对象的匹配效率。
因此,在本公开实施例中,在获取每个指定客户端的第二联合特征之后,还可以根据任意两个指定客户端的第二联合特征之间的相似度,将相似度满足第一相似度阈值的多个第二联合特征进行合并,从而得到新的第二联合特征,并以新的第二联合特征执行后续的操作以构建候选推荐对象集合。
步骤S17,计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度。
如前述,在本公开实施例中,可以通过任何可用方式获取每个推荐对象与每个第二联合特征的相关度,对此本公开实施例不加以限定。例如,可以通过PMI(PointwiseMutual Information,点互信息)表征每个指定客户端的第二联合特征与每个推荐对象的相关度,等等。
步骤S18,根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个。
具体的,对于每个第二联合特征,可以分别根据第二联合特征与每个推荐对象之间的相关度,以及每个推荐对象在全部指定客户端的用户反馈指标,对推荐对象连续进行两次筛选,并以最终的筛选结果作为与相应的第二联合特征对应的待推荐对象。例如,可以先根据第二联合特征与每个推荐对象之间的相关度,对推荐对象进行一次筛选,进而根据第一筛选后保留的每个推荐对象的用户反馈指标,对第一次筛选后保留的推荐对象进行二次筛选;或者,也可以先根据推荐对象的用户反馈指标进行一次筛选,进而根据第一筛选后保留的每个推荐对象与第二联合特征的相关度,对第一次筛选后保留的推荐对象进行二次筛选;等等。
当然,在本公开实施例中,也可以同时根据每个推荐对象与每个第二联合特征的相关度,以及每个推荐对象的用户反馈指标,获取与每个第二联合特征对应的推荐对象,对此本公开实施例不加以限定。
其中,推荐对象的用户反馈指标可以包括相应推荐对象在指定客户端侧获取的用户反馈指标,也可以包括相应推荐对象在全部客户端侧获取的用户反馈指标,对此本发明实施例不加以限定。而且用户反馈指标则可以包括任意一种客户端用户对推荐对象的反馈指标,例如可以包括但不限于CTR(Click-Through Rate,点击率)、LTR(Like-ThroughRate,点赞率)、评论率、分享率,收藏率等等。其中,点击率可以理解为推荐对象在客户端被点击的次数与被显示次数之比,点赞率可以理解为推荐对象在客户端被点赞的次数与被显示次数之比,评论率可以理解为推荐对象在客户端被评论的次数与被显示次数之比,分享率可以理解为推荐对象在客户端被分享的次数与被显示次数之比,收藏率可以理解为推荐对象在客户端被收藏的次数与被显示次数之比。
步骤S19,根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
在获取得到每个第二联合特征对应的推荐对象之后,则可以进一步根据每个第二联合特征,以及与每个第二联合特征对应的推荐对象,构建候选推荐对象集合。在候选推荐对象集合中可以通过任何可用方式表征各个推荐对象,具体可以根据需求进行预先设置,对此本发明实施例不加以限定。而且候选推荐对象集合中还可以包括各个推荐对象的相关信息,例如可以包括但不限于各个推荐对象的对象标识、获取路径等相关信息,对此本公开实施例也不加以限定。
另外,在本公开实施例中,为了保证候选推荐对象集合中的第二联合特征与推荐对象之间对应关系的准确性,可以周期性地执行上述的步骤S15-S19以更新候选推荐对象集合。具体的更新间隔可以根据需求进行预先设置,对此本公开实施例不加以限定。例如,可以每天进行更新,等等。
另外,在本公开实施例中,为了方便不同客户端获取候选推荐对象集合,可以将每次构建的候选推荐对象集合存入预设的线上缓存***,同时还可以记录每次更新的候选推荐对象集合的更新时间,以便各个客户端获取到最新的候选推荐对象集合;或者,在本公开实施例中,也可以在每次将最新的候选推荐对象集合存入线上缓存***时,同时将线上缓存***中原有的候选推荐对象集合清除,以使线上缓存***中始终仅保存最新的候选推荐对象集合;等等。
可选地,在本公开实施例中,所述步骤S17进一步可以包括:
步骤171,针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,步骤172,针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,步骤173,针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
另外,在本公开实施例中,为了获取每个推荐对象与每个第二联合特征的相关度,可以通过如下公式中的任意至少一种进行计算:
以任一第二联合特征X、任一推荐对象I和任一指定客户端U为例。其中,x表示推荐对象I被指定客户端U操作(例如,点击、点赞等行为)的事件;y表示指定客户端U符合第二联合特征X;p(x,y)表示推荐对象I被符合第二联合特征X的指定客户端操作的概率,也即推荐对象I在所述第二联合特征X对应的指定客户端收获反馈操作(例如,点击、点赞、评论、分享、收藏等操作)的概率,p(x,y)可以表示为推荐对象I在符合第二联合特征X的指定客户端上收获的反馈操作总次数/所有推荐对象在全部指定客户端上收获的反馈操作总次数;p(x)表示推荐对象I被全体指定客户端操作的概率,也即推荐对象I在全部指定客户端收获反馈操作的概率,p(x)为推荐对象I在全部指定客户端上收获的反馈操作总次数/所有推荐对象在全部指定客户端上收获的反馈操作总次数;p(y)表示指定客户端U符合第二联合特征X的概率,p(y)可以表示为通过符合第二联合特征X的指定客户端触发的反馈操作总次数/通过所有指定客户端触发的反馈操作总次数;p(x|y)表示推荐对象I在已知符合第二联合特征X的指定客户端上收获反馈操作的概率,p(x|y)可以表示为推荐对象I在符合第二联合特征X的指定客户端上收获的反馈操作总次数/所有推荐对象在符合第二联合特征X的指定客户端上收获的反馈操作总次数;p(y|x)表示对推荐对象I收获的反馈操作所对应的指定客户端符合第二联合特征X的概率,p(y|x)可以表示为推荐对象I在符合第二联合特征X的指定客户端上收获的反馈操作总次数/推荐对象I在全部指定客户端上收获的反馈操作总次数。
对于上述公式恒等式右侧的三种表示形式,都可以等价地计算出同样的相关度结果。在本公开的应用场景中,中间的表示方式在计算上更方便简洁,所以实际生产中可以优选地采用中间的表示方式获取每个推荐对象与每个第二联合特征的相关度。
可选地,在本公开实施例中,所述步骤S18进一步可以包括:
步骤181,获取与所述第二联合特征的相关度最高的N个推荐对象;
步骤182,根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;其中,M和N均为正整数,且N大于或等于M。
在实际应用中,由于相关度更能反映第二联合特征与推荐对象之间的匹配关系,因此在本公开实施例中,优选地可以先根据相关度对推荐对象进行筛选,进而根据用户反馈指标对初步筛选得到的推荐对象进行二次优化筛选。
具体的,针对每个第二联合特征,可以从推荐对象中获取与相应的第二联合特征的相关度最高的N个推荐对象,进而根据N个推荐对象中的每个推荐对象的用户反馈指标,从N个推荐对象中获取用户反馈指标最优的M个初始推荐对象,作为相应的第二联合特征对应的推荐对象。其中M和N的具体取值可以根据需求进行预先设置,对此本公开实施例不加以限定。例如,可以设置N为500,M为50,等等。
其中的用户反馈指标可以包含但不限于CTR、LTR等指标,而且当用户反馈指标中包含多项指标时,用户反馈指标的具体取值可以为多项指标的加权和,且各个指标的权重可以根据经验进行预设设置,对此本公开实施例不加以限定。
参照图2,在本公开实施例中,所述步骤S13进一步可以包括:
步骤S131,从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
步骤S132,对所述初始推荐对象进行去重处理,得到目标推荐对象。
在构建候选推荐对象集合时,是以第二联合特征为参照,获取与每个第二联合特征对应的推荐对象,而且不同第二联合特征对应的推荐对象中可能包含同样的推荐对象。
另外,在从候选推荐对象集合中获取与第一联合特征匹配的推荐对象时,可能获取多个与第一联合特征匹配的第二联合特征。而且,各个第二联合特征对应的推荐对象中可能存在同样的推荐对象。且如果在获取得到多个与第一联合特征匹配的第二联合特征,且将相应的多个第二联合特征对应的推荐对象都直接作为推荐结果返回至相应的客户端,容易重复推荐,导致资源浪费,且还容易导致客户端仅对其中的部分推荐对象列表进行展示,从而影响推荐效果。
因此,在本公开实施例中,为了避免上述情况,可以在根据第一联合特征,从候选推荐对象集合中获取与第一联合特征匹配的初始推荐对象列之后,进一步对各个初始推荐对象进行去重处理,从而得到与相应的第一联合特征匹配的目标推荐对象。而且,在本公开实施例中,可以通过任何可用方式进行去重处理,对此本发明实施例不加以限定。
可选地,在本公开实施例中,所述步骤S14进一步可以包括:
步骤S141,根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
步骤S142,根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
另外,在本公开实施例中,在对各个推荐对象列表进行去重处理,得到目标推荐对象之后,各个目标推荐对象的排列顺序可能是随机的,但是在实际应用中,可能不同目标推荐对象与目标客户端的第一联合特征的匹配程度不一致,如果各个目标推荐对象并没有按照与第一联合特征的匹配程度从高到低的顺序进行排序,那么后续在目标客户端展示目标推荐对象列表时,容易出现目标客户端用户对优先展示的目标推荐对象不感兴趣,从而使得目标客户端侧的用户流失。
因此,在本公开实施例中,为了提高优先展示的目标推荐对象与目标客户端的匹配度,进而提升用户留存度和活跃度,可以进一步根据目标客户端的第一联合特征,根据预设的预测模型获取各个目标推荐对象的得分,进而根据得分对各个目标推荐对象进行重新排序,并将排序后的目标推荐对象返回至所述目标客户端。其中的预测模型可以根据需求进行预先设置和训练,对此本公开实施例不加以限定。从而在目标客户端侧展示各个目标推荐对象时,则可以根据目标推荐对象的排列顺序依次进行展示,以提高目标客户端用户对展示的推荐对象的关注度。
另外,在本公开实施例中,还可以通过其他方式获取各个目标推荐对象的得分并重新排序,对此本公开实施例也不加以限定。
可选地,在本公开实施例中,在构建客户端的联合特征时,还可以考虑相应客户端的客户端信息、兴趣点(Point of Interest,POI)信息、用户画像等等,对此本发明实施例不加以限定。
参照图2,在本公开实施例中,在所述步骤S14之后,还可以包括:
步骤S110,控制所述目标客户端依次展示所述目标推荐对象。
步骤S111,响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象。
步骤S112,将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
目标客户端在接收到目标推荐对象之后,则可以控制相应的目标客户端依次展示各个目标待推荐对象。而且,由于本方案的推荐对象挖掘方式可以是基于定期的离线计算,在实时性上可能会有所欠缺,而且得到的目标推荐对象的数量也是有限的,可能用户在浏览完全部目标推荐对象之后,仍然意犹未尽。
因此,在本公开实施例中,为了继续进行推荐,以提升目标客户端用户的留存率,还可以引入相似视频的实时操作机制,当用户已经浏览完列表里的全部视频之后,也即当目标待推荐对象全部展示完毕后,还可以进一步获取与目标待推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象并发送至目标客户端以继续展示各个补充推荐对象。其中,每次获取的补充推荐对象的具体数量可以根据需求进行预先设置,对此本公开实施例不加以限定。例如,可以每次获取10个补充推荐对象,等等。
其中,补充推荐对象可以从前述的各个推荐对象中进行筛选,而且为了保证针对同一目标客户端每次获取的补充推荐对象不一致,还可以标记在目标客户端已展示的推荐对象,从而在下一次获取补充推荐对象时,可以从为被标记已在相应目标客户端展示的推荐对象中进行筛选。而且在本公开实施例中可以通过任何可用方式获取推荐对象与目标推荐对象的相似度,对此本公开实施例不加以限定。
在本公开实施例中,还可以针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。并且,针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;和/或,针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;和/或,针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。以及,获取与所述第二联合特征的相关度最高的N个推荐对象;根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;其中,M和N均为正整数,且N大于或等于M。从而可以进一步提高候选推荐对象集合中各个推荐对象与相应的第二联合特征的匹配度,进而提高筛选得到的目标推荐对象与目标客户端的匹配度,以及提高目标客户端用户的留存率与活跃度。
而且,在本公开实施例中,还可以从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;对所述初始推荐对象进行去重处理,得到目标推荐对象。可以避免重复推荐,导致资源浪费,同时提高目标客户端用户的留存率与活跃度。
另外,在本公开实施例中,控制所述目标客户端依次展示所述目标推荐对象;响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。从而可以通过及时补充推荐对象的方式进一步提高目标客户端用户的留存率与活跃度。
图3是根据一示例性实施例示出的一种内容推荐装置框图。参照图3,该装置包括推荐请求获取模块21,第一联合特征获取模块22,目标推荐对象获取模块23和推荐结果返回模块24。
推荐请求获取模块21,被配置为执行接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息。
第一联合特征获取模块22,被配置为执行基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征。
目标推荐对象获取模块23,被配置为执行从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象。
推荐结果返回模块24,被配置为执行将所述目标推荐对象返回至所述目标客户端。
本公开实施例中,通过接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;将所述目标推荐对象返回至所述目标客户端。从而提高了发送至客户端的推荐对象与相应客户端的用户的匹配度,进而提高客户端用户的留存率以及活跃度。
参照图4,在本公开实施例中,所述装置还可以包括:
行为日志获取模块25,被配置执行针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;
第二联合特征获取模块26,被配置执行基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;
相关度获取模块27,被配置执行计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;
推荐对象获取模块28,被配置为执行根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;
选推荐对象集合构建模块29,被配置为执行根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
可选地,在本公开实施例中,所述相关度获取模块27,进一步可以包括:
第一相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第二相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第三相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
可选地,在本公开实施例中,所述推荐对象获取模块28,进一步可以包括:
第一推荐对象筛选子模块,被配置为执行获取与所述第二联合特征的相关度最高的N个推荐对象;
第二推荐对象筛选子模块,被配置为执行根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;其中,M和N均为正整数,且N大于或等于M。
参照图4,在本公开实施例中,所述目标推荐对象获取模块23,进一步可以包括:
初始推荐对象获取子模块231,被配置执行从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
目标推荐对象获取子模块232,被配置为执行对所述初始推荐对象进行去重处理,得到目标推荐对象。
参照图4,在本公开实施例中,所述推荐结果返回模块24,进一步可以包括:
推荐对象打分子模块241,被配置为执行根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
推荐结果返回子模块242,被配置为执行根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
参照图4,在本公开实施例中,所述内容推荐装置,还可以包括:
目标推荐对象展示模块210,被配置为执行控制所述目标客户端依次展示所述目标推荐对象;
推荐对象补充模块211,被配置执行响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;
补充推荐对象发送模块212,被配置执行将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
在本公开实施例中,还可以针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。并且,针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;和/或,针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;和/或,针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。以及,获取与所述第二联合特征的相关度最高的N个推荐对象;根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;其中,M和N均为正整数,且N大于或等于M。从而可以进一步提高候选推荐对象集合中各个推荐对象与相应的第二联合特征的匹配度,进而提高筛选得到的目标推荐对象与目标客户端的匹配度,以及提高目标客户端用户的留存率与活跃度。
而且,在本公开实施例中,还可以从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;对所述初始推荐对象进行去重处理,得到目标推荐对象。可以避免重复推荐,导致资源浪费,同时提高目标客户端用户的留存率与活跃度。
另外,在本公开实施例中,控制所述目标客户端依次展示所述目标推荐对象;响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。从而可以通过及时补充推荐对象的方式进一步提高目标客户端用户的留存率与活跃度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种用于内容推荐的装置300的框图。例如,装置300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,装置300可以包括以下一个或多个组件:处理组件302,存储器304,电力组件306,多媒体组件308,音频组件310,输入/输出(I/O)的接口312,传感器组件314,以及通信组件316。
处理组件302通常控制装置300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件302可以包括一个或多个模块,便于处理组件302和其他组件之间的交互。例如,处理组件302可以包括多媒体模块,以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在设备300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件306为装置300的各种组件提供电力。电源组件306可以包括电源管理***,一个或多个电源,及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如,音频组件310包括一个麦克风(MIC),当装置300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中,音频组件310还包括一个扬声器,用于输出音频信号。
I/O接口312为处理组件302和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器,用于为装置300提供各个方面的状态评估。例如,传感器组件314可以检测到设备300的打开/关闭状态,组件的相对定位,例如所述组件为装置300的显示器和小键盘,传感器组件314还可以检测装置300或装置300一个组件的位置改变,用户与装置300接触的存在或不存在,装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件316经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供一种电子设备,其特征在于,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如前述的任意一种内容推荐方法。
在示例性实施例中,还提供提供一种计算机程序产品,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如前述的任意一种内容推荐方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器304,上述指令可由装置300的处理器320执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是根据一示例性实施例示出的一种用于内容推荐的装置400的框图。例如,装置400可以被提供为一服务器。参照图6,装置400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422的执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理,一个有线或无线网络接口450被配置为将装置400连接到网络,和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM,等等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种内容推荐方法,其特征在于,包括:
接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;
基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;
从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;
将所述目标推荐对象返回至所述目标客户端;
在所述从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象的步骤之前,还包括:
针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;
基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;
计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;
根据所述至少一个相关度,以及每个推荐对象在全部指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;
根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
2.根据权利要求1所述的方法,其特征在于,所述计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度的步骤,包括:
针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个相关度,以及每个所述推荐对象的用户反馈指标,获取与所述第二联合特征对应的推荐对象的步骤,包括:
获取与所述第二联合特征的相关度最高的N个推荐对象;
根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;
其中,M和N均为正整数,且N大于或等于M。
4.根据权利要求1所述的方法,其特征在于,所述从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象的步骤,包括:
从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
对所述初始推荐对象进行去重处理,得到目标推荐对象。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述将所述目标推荐对象返回至所述目标客户端的步骤,包括:
根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
6.根据权利要求1-4中任一项所述的方法,其特征在于,在所述将所述目标推荐对象返回至所述目标客户端的步骤之后,还包括:
控制所述目标客户端依次展示所述目标推荐对象;
响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;
将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
7.一种内容推荐装置,其特征在于,包括:
推荐请求获取模块,被配置为执行接收目标客户端发送的推荐请求;所述推荐请求中携带有至少一个应用名称和一个地域信息;
第一联合特征获取模块,被配置为执行基于所述至少一个应用名称和所述至少一个地域信息得到所述目标客户端的第一联合特征;
目标推荐对象获取模块,被配置为执行从候选推荐对象集合中获取与所述第一联合特征相匹配的至少一个推荐对象,得到目标推荐对象;所述候选推荐对象集合中包括多个联合特征,和每个联合特征对应的至少一个推荐对象;
推荐结果返回模块,被配置为执行将所述目标推荐对象返回至所述目标客户端;
所述基于内容推荐装置还包括:
行为日志获取模块,被配置执行针对任意一个指定客户端,获取所述指定客户端的应用名称和地域信息;
第二联合特征获取模块,被配置执行基于所述指定客户端的应用名称和地域信息,得到所述指定客户端的第二联合特征;
相关度获取模块,被配置执行计算所述第二联合特征与每个推荐对象的相关度,得到至少一个相关度;
推荐对象获取模块,被配置为执行根据所述至少一个相关度,以及每个推荐对象在全部所述指定客户端得到的用户反馈指标,获取与所述第二联合特征对应的推荐对象,所述用户反馈指标包括点击率、点赞率中的至少一个;
选推荐对象集合构建模块,被配置为执行根据所述第二联合特征,以及与所述第二联合特征对应的推荐对象,构建所述候选推荐对象集合。
8.根据权利要求7所述的装置,其特征在于,所述相关度获取模块,包括:
第一相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在所述第二联合特征对应的指定客户端收获反馈操作的概率,所述推荐对象在全部指定客户端收获反馈操作的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第二相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象在已知符合所述第二联合特征的指定客户端收获反馈操作的概率,以及所述推荐对象在全部指定客户端收获反馈操作的概率,获取所述推荐对象与所述第二联合特征的相关度;
和/或,第三相关度获取子模块,被配置为执行针对任意一个推荐对象,根据所述推荐对象收获的反馈操作所对应的指定客户端符合所述第二联合特征的概率,以及任意一个指定客户端符合所述第二联合特征的概率,获取所述推荐对象与所述第二联合特征的相关度。
9.根据权利要求7所述的装置,其特征在于,所述推荐对象获取模块,包括:
第一推荐对象筛选子模块,被配置为执行获取与所述第二联合特征的相关度最高的N个推荐对象;
第二推荐对象筛选子模块,被配置为执行根据所述N个推荐对象的用户反馈指标,从所述N个推荐对象中获取用户反馈指标最优的M个推荐对象,作为与所述第二联合特征对应的推荐对象;
其中,M和N均为正整数,且N大于或等于M。
10.根据权利要求7所述的装置,其特征在于,所述目标推荐对象获取模块,包括:
初始推荐对象获取子模块,被配置执行从所述候选推荐对象集合中获取与所述第一联合特征匹配的至少一个第二联合特征对应的推荐对象,得到初始推荐对象;
目标推荐对象获取子模块,被配置为执行对所述初始推荐对象进行去重处理,得到目标推荐对象。
11.根据权利要求7-10中任一项所述的装置,其特征在于,所述推荐结果返回模块,包括:
推荐对象打分子模块,被配置为执行根据所述目标客户端的第一联合特征,通过预设的预测模型获取每个所述目标推荐对象的得分;
推荐结果返回子模块,被配置为执行根据所述得分对所述目标推荐对象进行排序,并将排序后的目标推荐对象返回至所述目标客户端。
12.根据权利要求7-10中任一项所述的装置,其特征在于,所述内容推荐装置还包括:
目标推荐对象展示模块,被配置为执行控制所述目标客户端依次展示所述目标推荐对象;
推荐对象补充模块,被配置执行响应于所述目标推荐对象全部展示完毕,获取与所述目标推荐对象的相似度满足预设阈值的推荐对象,作为补充推荐对象;
补充推荐对象发送模块,被配置执行将所述补充推荐对象发送至所述目标客户端,以在所述目标客户端展示所述补充推荐对象。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的内容推荐方法。
14.一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6中任一项所述的内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914097.XA CN110688576B (zh) | 2019-09-25 | 2019-09-25 | 内容推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914097.XA CN110688576B (zh) | 2019-09-25 | 2019-09-25 | 内容推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688576A CN110688576A (zh) | 2020-01-14 |
CN110688576B true CN110688576B (zh) | 2020-11-06 |
Family
ID=69110060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914097.XA Active CN110688576B (zh) | 2019-09-25 | 2019-09-25 | 内容推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688576B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204699B (zh) * | 2020-02-03 | 2023-10-31 | 北京达佳互联信息技术有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
CN113495996B (zh) * | 2020-03-18 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN113742522B (zh) * | 2020-05-29 | 2024-05-10 | 北京达佳互联信息技术有限公司 | 视频召回方法、装置、电子设备和存储介质 |
CN112380452A (zh) * | 2021-01-14 | 2021-02-19 | 北京崔玉涛儿童健康管理中心有限公司 | 婴幼儿内容推荐中的用户兴趣收集方法、装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450997A (zh) * | 2017-07-27 | 2017-12-08 | 东软集团股份有限公司 | 图片动态播放的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4118580B2 (ja) * | 2002-03-20 | 2008-07-16 | 富士通株式会社 | 配置情報推薦装置、その方法、プログラム |
KR101081947B1 (ko) * | 2009-09-21 | 2011-11-10 | 경상대학교산학협력단 | 대용량 데이터를 위한 하이브리드 추천 방법 및 시스템 |
CN105095504A (zh) * | 2015-08-28 | 2015-11-25 | 广东小天才科技有限公司 | 一种基于学习习惯推荐学习内容的方法、装置和*** |
-
2019
- 2019-09-25 CN CN201910914097.XA patent/CN110688576B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450997A (zh) * | 2017-07-27 | 2017-12-08 | 东软集团股份有限公司 | 图片动态播放的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110688576A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688576B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
US11520824B2 (en) | Method for displaying information, electronic device and system | |
CN106874308B (zh) | 一种推荐方法和装置、一种用于推荐的装置 | |
CN111556327A (zh) | 直播间推荐方法、装置、终端、服务器、***及存储介质 | |
CN112131410A (zh) | 多媒体资源展示方法、装置、***和存储介质 | |
CN110688527A (zh) | 视频推荐方法、装置、存储介质及电子设备 | |
CN111556366A (zh) | 一种多媒体资源的展示方法、装置、终端、服务器及*** | |
CN112667887B (zh) | 内容推荐方法、装置、电子设备、服务器 | |
CN112445970B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN108874827B (zh) | 一种搜索方法及相关装置 | |
CN111859020A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
US11546663B2 (en) | Video recommendation method and apparatus | |
CN112148923A (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
CN113365099B (zh) | 弹幕下发方法、接收方法、装置、电子设备及存储介质 | |
CN111368161A (zh) | 一种搜索意图的识别方法、意图识别模型训练方法和装置 | |
CN113609380A (zh) | 标签体系更新方法、搜索方法、装置以及电子设备 | |
CN112784151A (zh) | 一种确定推荐信息的方法及相关装置 | |
CN114727119B (zh) | 直播连麦控制方法、装置及存储介质 | |
CN114547421A (zh) | 一种搜索处理方法、装置、电子设备及存储介质 | |
CN110866147B (zh) | 对直播应用程序进行分类的方法、装置及存储介质 | |
CN114117058A (zh) | 账户信息的确定方法、装置、电子设备及存储介质 | |
CN113420209A (zh) | 基于天气搜索的推荐方法、装置、设备及存储介质 | |
CN112598399A (zh) | 一种信息处理方法及装置 | |
CN107870941B (zh) | 一种网页排序方法、装置及设备 | |
CN111179011A (zh) | 一种保险产品推荐方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |