CN111291217A - 一种内容推荐方法、装置、电子设备以及计算机可读介质 - Google Patents
一种内容推荐方法、装置、电子设备以及计算机可读介质 Download PDFInfo
- Publication number
- CN111291217A CN111291217A CN202010144164.7A CN202010144164A CN111291217A CN 111291217 A CN111291217 A CN 111291217A CN 202010144164 A CN202010144164 A CN 202010144164A CN 111291217 A CN111291217 A CN 111291217A
- Authority
- CN
- China
- Prior art keywords
- matrix
- interest
- user
- content
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 189
- 238000004891 communication Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- 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
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)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
一种内容推荐方法、装置、电子设备以及计算机可读介质,本申请通过获取用户感兴趣的媒体内容的历史点击记录;基于历史点击记录计算用户对媒体内容的兴趣广泛程度;根据用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,定制化推荐内容矩阵中每个元素的值用于表示标准推荐内容的推荐优先级;基于推荐优先级从多个标准推荐内容中选取出推荐内容,达到针对用户对媒体内容的兴趣广泛程度不同计算出个性化的兴趣广泛程度,再将兴趣广泛程度结合预设的标准推荐内容矩阵计算标准推荐内容的优先级,最后基于优先级从多个标准推荐内容中选取出符合用户兴趣广泛程度的推荐内容,进而实现灵活的个性化推荐,提升用户体验。
Description
技术领域
本申请涉及通信领域,尤其涉及一种内容推荐方法、装置、电子设备以及计算机可读介质。
背景技术
随着大数据时代的来临,人们日常生活中充斥着不同种类的推荐内容,应用软件、视频平台、购物平台等不同行业的平台都纷纷致力于向用户推荐内容,以挖掘用户新的兴趣点。例如:视频平台中,视频推荐***会根据用户的历史浏览推荐相同类型视频,为满足用户的多样性需求,再推荐相关类型的视频。
但是,不同的用户的兴趣范围不同,例如有的用户兴趣广泛,喜欢推荐***推送的各种类型的相关视频,有的用户兴趣单一,只喜欢推荐***推送的相同类型的视频,然而当前的推荐***并没有考虑不同用户的兴趣范围不同,统一推荐预先选取的视频,导致推荐内容死板,用户体验差。
发明内容
本发明实施例的目的在于提供一种内容推荐方法、装置、电子设备以及计算机可读介质,以解决当前的推荐***并没有考虑不同用户的兴趣范围不同,统一推荐预先选取的视频,导致推荐内容死板,用户体验差的技术问题。具体技术方案如下:
在本申请实施的第一方面,首先提供了一种内容推荐方法,所述方法包括:
若接收到用户的内容推荐请求,获取所述用户的历史点击记录;
基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
可选地,基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度的步骤,包括:
根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
可选地,根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度的公式如下:
其中,Wu表示所述兴趣广泛程度,M表示所述种类数,Nui表示类型i的关注度,Nu表示每个类型对应的关注度的总和。
可选地,根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵的步骤,包括:
将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵。
在本申请实施的第二方面,还提供了一种内容推荐装置,包括:
获取模块,用于若接收到用户的内容推荐请求,获取所述用户的历史点击记录;
第一计算模块,用于基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
第二计算模块,用于根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
选取模块,用于基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
可选地,所述第一计算模块包括:
确定单元,用于根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
第一计算单元,用于根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
可选地,根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度的公式如下:
其中,Wu表示所述兴趣广泛程度,M表示所述种类数,Nui表示类型i的关注度,Nu表示每个类型对应的关注度的总和。
可选地,所述第二计算模块包括:
分解单元,用于将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
第二计算单元,用于计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
生成单元,用于根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵。
在本申请实施的第三方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
在本申请实施的第四方面,还提供了一种计算机可读存储介质,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面第一方面任一所述的方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例提供的方法包括:若接收到用户的内容推荐请求,获取所述用户的历史点击记录;基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
本申请首先通过获取用户的历史点击记录,然后基于所述历史点击记录计算兴趣广泛程度,达到针对用户对媒体内容的兴趣广泛程度不同计算出个性化的兴趣广泛程度,再将兴趣广泛程度结合预设的标准推荐内容矩阵计算标准推荐内容的优先级,最后基于优先级多个所述标准推荐内容中选取出符合用户兴趣广泛程度的推荐内容,进而实现灵活的个性化推荐,提升用户体验。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种内容推荐方法的流程示意图;
图2为本申请实施例提供的图1中步骤S102的流程示意图;
图3为本申请实施例提供的标准推荐内容矩阵建立流程示意图;
图4为本申请实施例提供的图1中步骤S103的流程示意图;
图5为本申请实施例提供的图1中步骤S104的流程示意图;
图6本发明一个实施例提供的一种内容推荐装置的结构图;
图7为本发明一个实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
目前,人们日常生活中充斥着不同种类的推荐内容,应用软件、视频平台、购物平台等不同行业的平台都纷纷致力于向用户推荐内容,以挖掘用户新的兴趣点,大多数的多媒体平台都会向用户推荐一些预先设置的媒体内容,但是,不同的用户的兴趣范围不同,例如有的用户兴趣广泛,喜欢推荐***推送的各种类型的相关视频(生活类、军事类、科技类等等),有的用户兴趣单一,只喜欢推荐***推送的相同类型的视频,所以当前的推荐***统一想用户推荐预先选取的视频,推荐内容死板,推荐内容并不贴合用户需求,导致用户体验差。基于此,本申请实施例提供的一种内容推荐方法,如图1所示,所述内容推荐方法包括:
步骤S101,若接收到用户的内容推荐请求,获取所述用户的历史点击记录;
在本申请实施例中,内容推荐请求可以是用于获取推荐内容的请求,在实际应用中,推荐内容是否符合用户的兴趣也直接觉得了推荐内容质量的高低,所以本申请实施例首先获取用户的历史点击记录,以确定用户兴趣方向。
其中,获取用户的历史点击记录的方式可以根据实际情况而定,例如:在视频网站平台的实际应用中,用户点击视频后,后台记录用户的点击视频的视频分类标签,并在后台保存,以便分析出用户感兴趣的媒体内容。上述实施例仅为示例,本申请实施例对此不作具体限定。
步骤S102,基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
在本申请实施例中,媒体内容是指传播信息的媒介,它是指人借助用来传递信息与获取信息的工具、渠道、载体、中介物或技术手段,也可以把媒体内容看作为实现信息从信息源传递到受信者的一切技术手段,例如:音频、视频以及其他传递信息的形式。兴趣广泛程度表示用户对媒体内容的倾向,例如有的用户兴趣广泛程度高,代表用户喜欢的不同题材(军事题材、生活题材、科技题材、搞笑题材、综艺题材等等)的媒体内容,而有的用户兴趣广泛程度低,代表用户喜欢的媒体内容比较单一。
在该步骤中,通过历史点击记录计算兴趣广泛程度的方式可以依据实际情况而定,示例性地,历史点击记录中包括用户历史浏览视频和视频对应的分类标签,可以通过概率统计的方式,计算出用户浏览各个类别的视频的概率,从而判断用户浏览视频多是同一种类,还是种类多样,进而确定用户对媒体内容的兴趣广泛程度。
步骤S103,根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
在本申请实施例中,标准推荐内容可以是人为预设的,本申请通过建立标准推荐内容矩阵,用于表征每个标准推荐内容的推荐优先级,其中,推荐优先级可以是人为预先设置的。
在实际应用中,例如:某视频平台为用户挑选了10个精品视频作为推荐内容,建立用于表示推荐内容推荐优先级的标准推荐内容矩阵,其中,矩阵中存在若干个元素用于表征某个标准推荐内容,矩阵中每个元素都用于表示标准推荐内容的推荐优先级,所以可以通过计算用于表征某个标准推荐内容的若干个元素的推荐优先级确定该推荐内容是否满足推荐条件。
在该步骤中,根据兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵的方式可以根据实际情况而定,按照预设运算法则,将兴趣广泛程度引入标准推荐内容矩阵,即可得到定制化推荐内容矩阵,本申请通过针对用户对媒体内容的兴趣广泛程度不同计算出个性化的兴趣广泛程度,再将兴趣广泛程度结合预设的标准推荐内容矩阵计算标准推荐内容的优先级,得到包含多个标准推荐内容的优先级的标准内容推荐矩阵,最后再参考标准推荐内容的优先级,即可从多个所述标准推荐内容中选取出符合用户兴趣广泛程度的推荐内容,进而实现灵活的个性化推荐,提升用户体验。
步骤S104,基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
在本申请实施例中,推荐内容是从多个标准推荐内容中筛选出来的,并用于推送给用户的,本申请通过用户的历史浏览记录等历史信息计算出用户对媒体内容的兴趣广泛程度,然后将兴趣广泛程度与代表若干标准推荐内容的标准内容推荐矩阵相结合,得到表示推荐内容推荐优先级的定制化推荐内容矩阵,从而达到针对用户的兴趣广泛程度计算每个标准推荐内容的优先级,最后即可基于推荐优先级从多个所述标准推荐内容中选取出符合用户兴趣广泛程度的推荐内容,解决传统推荐***推送的内容单一死板的问题,使推荐内容更加贴合用户喜好,提升用户体验。
在本申请的又一实施例中,提供了一种通过历史点击记录计算兴趣广泛程度的具体实施方式,如图2所示,步骤S102,基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度,包括:
步骤S201,根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
在本申请实施例中,媒体内容的种类数可以是用户浏览过的媒体内容对应的分类标签的数量,在实际应用中,每个媒体内容都会对应有一个一级分类标签,其中一级分类标签用于表示媒体内容的最大分区,例如军事题材、综艺题材、搞笑题材等等,用户每次浏览一个媒体内容,后台都会记录,用户对某个题材A的浏览次数越多,代表越关注该题材,用户浏览某个题材B的次数少,代表用户不太关注该题材,历史点击记录可以用于表示用户历史浏览记录,所以从历史点击记录中提取用户感兴趣的媒体内容的种类数和与每个类型对应的关注度。
步骤S202,根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
在本申请实施例中,通过统计用户感兴趣的媒体内容的种类数和与每个类型对应的关注度,可以计算出用户的兴趣广泛程度,例如:根据历史点击记录可以确定用户对A类型内容的关注度为25%,对B类型内容的关注度为15%,对C类型内容的关注度为35%,对D类型内容的关注度为25%,根据预设的统计公式可以计算出的兴趣广泛程度,进一步地,在本发明的又一实施例,步骤S202,根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度的公式如下:
其中,Wu表示所述兴趣广泛程度,M表示所述种类数,Nui表示类型i的关注度,Nu表示每个类型对应的关注度的总和。
在本申请实施例中,将种类数和与每个类型对应的关注度带入基于信息熵概念建立的公式中,可以计算出兴趣广泛程度,由于信息具备不确定性,也就是用户浏览每各类型的媒体内容的概率都存在不确定性,所以基于信息熵概念建立的兴趣广泛程度计算公式,只关注于用户浏览媒体内容的广泛程度的可能性,即兴趣广泛程度,得到的Wu范围在0-1之间。
本申请实施例通过计算用户的兴趣广泛程度,以确定用户对感兴趣媒体内容的兴趣范围,即可实现针对不同用户兴趣不同,为用户推荐贴合兴趣的媒体内容。
在本申请提供的又一实施例中,针对于在媒体内容推荐***中标准体检内容矩阵的建立方式,可选地,如图3所示,所述标准推荐内容矩阵的建立过程,包括:
步骤S301,获取多个标准推荐内容和与每个所述标准推荐内容对应的特征向量;
在该步骤中,标准推荐内容对应的特征向量用于表示标准推荐内容的内容属性的向量,在实际应用中,标准推荐内容可以是视频网站预设的推荐视频,每个视频都对应一个用于表示该视频的题材类型的特征向量,例如:视频设计搞笑元素和综艺元素,在题材类型空间中,该视频的特征向量则偏向于搞笑元素和综艺元素。
步骤S302,针对每个所述标准推荐内容,根据所述标准推荐内容和所述历史点击记录计算用于表示所述标准推荐内容和所述历史点击记录之间的相关程度的相关性分值,得到多个所述相关性分值;
在该步骤中,标准的推荐内容是预先设置的,而历史点击记录是根据用户浏览感兴趣的媒体内容得到的,所以通过标准推荐内容和历史点击记录可以计算得到一个相关性分值,用于相关程度可以是指标准推荐内容与历史点击记录之间的类型相关程度,具体计算方式可以依据实际情况而定,凡是可以计算出历史点击记录与标准推荐内容之间的关联程度的计算方式都可以选用,本申请实施例对此不作具体限定。
步骤S303,依据所述相关性分值从大到小的顺序将多个所述相关性分值进行排序,得到标准推荐内容序列;
在该步骤中,在计算出每个标准推荐内容与历史点击记录之间的相关性得分之后,根据相关性分值的从大到小的顺序,将多个所述标准推荐内容排序,例如:视频A的相关性分值为90分,视频B的相关性分值为68分,视频C的相关性分值为88分,则根据相关性分值的从大到小的顺序将上述三个标准推荐内容排序后,得到{90,88,68},其中,每个相关性分值分别对应一个视频编号。
步骤S304,根据所述标准推荐内容序列生成相关性矩阵;
在该步骤中,由于相关性矩阵是由标准推荐内容序生成,所以相关性矩阵可以表示标准推荐内容与用户感兴趣媒体内容的历史点击记录之间相关程度。
在该步骤中,根据所述标准推荐内容序列生成相关性矩阵的具体运算方式可以根据实际情况而定,本申请实施例对此不作具体限定。
步骤S305,计算任意两个所述标准推荐内容的特征向量的乘积,得到多个用于表示两个所述标准推荐内容的相似程度的相似性分值;
在该步骤中,每个标准推荐内容对应的特征向量用于表示标准推荐内容的内容属性的向量,所以计算任意两个所述标准推荐内容的特征向量的乘积,得到的相似性分值用于表示两个所述标准推荐内容之间的相似程度,其中,任意选取的两个标准推荐内容可以不同,也可以相同。
步骤S306,根据多个所述相似性分值生成相似性矩阵;
在该步骤中,由于相似性矩阵是由多个所述相似性分值生成,所以相似性矩阵可以表示任意两个标准推荐内容之间相似程度。根据多个所述相似性分值生成相似性矩阵的具体运算方式可以根据实际情况而定,本申请实施例对此不作具体限定。
步骤S307,根据所述相关性矩阵和所述相似性矩阵生成所述标准推荐内容矩阵;
在该步骤中,标准推荐内容可以是人为预先设置的,根据用户感兴趣的历史点击记录与标准推荐内容可以计算出用于表示标准推荐内容与用户感兴趣媒体内容的历史点击记录之间相关程度的相关性矩阵,即可以表达用户对标准推荐内容的感兴趣的程度,然后再通过计算用于表示任意两个标准推荐内容之间的相似性矩阵,可以表示任意两个标准推荐内容之间的关联程度,最后根据所述相关性矩阵和所述相似性矩阵生成所述标准推荐内容矩阵,达到为每个标准推荐内容计算出一个推荐优先级的目的,进而可以选取出符合用户兴趣的标准推荐内容。
基于已经建立好的标准内容推荐矩阵,本申请再通过结合用户的兴趣广泛程度可以计算出贴合用户兴趣的定制化推荐内容矩阵,在本申请提供的又一实施例中,提供了一种根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵的具体实施方式,如图4所示,步骤S103,根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵的步骤,包括:
步骤S401,将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
在本申请实施例中,为了将预先计算好的用户的兴趣广泛程度引入标准推荐内容矩阵,需要先将标准推荐内容矩阵进行阵逆向分解得到相关性矩阵和相似性矩阵,具体标准推荐内容矩阵由相关性矩阵和相似性矩阵的构成方式可以参考上述实施例内容,同理可将标准推荐内容矩阵进行阵逆向分解得到相关性矩阵和相似性矩阵,此处便不再赘述。
步骤S402,计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
在本申请实施例中,通过计算兴趣广泛程度与相似性矩阵的乘积,将用户的兴趣广泛程度作为权重引入相似性矩阵,得到定制化相似性矩阵,实现根据用户的兴趣广泛程度调节标准推荐内容对应的优先级的目的,其中,当兴趣广泛程度Wu接近1时,表明用户的感兴趣的媒体内容类型比较广泛,也就是说用户希望多看到一些不同类型的推荐内容,所以兴趣广泛程度Wu接近1时,相似性矩阵也接近与原矩阵不变,此时向用户推荐的媒体内容基本和原始预设的一致;当兴趣广泛程度Wu接近0时,表明用户的兴趣比较集中,对相似性偏好比较弱,即定制化相似性矩阵几乎不起作用,最终的推荐内容的类型较集中。
步骤S403,根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵;
在本申请实施例中,根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵的具体实施方式可以根据实际情况而定,例如:可以计算定制化相似性矩阵与相关性矩阵的和,得到定制化推荐内容矩阵,可选地,在本申请实施例中,提供了一种根据定制化相似性矩阵和相关性矩阵生成定制化推荐内容矩阵的具体实施方式,步骤S402,根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵的公式如下:
θ∈[0,1]
其中,θ可以使人为预设的值,用于调节标准推荐内容的相关性与相似性之间的关系,θ越小,推荐结果更偏向相似性,推荐给用户的媒体内容就更加丰富多样,θ越大,推荐结果更偏向相关性,推荐给用户的媒体内容类型单一,具体θ的设置值,可以根据实际情况而定,本申请实施例对此不作具体限定。
在本申请实施例中,采用DPP(Determinantal Point Process,行列式点过程)多样性控制算法建立定制化推荐内容矩阵,本申请实施例通过将用户的兴趣广泛程度引入定制化相似性矩阵S,实现结合用户的兴趣广泛程度计算标准推荐内容优先级的目的。
在实际应用中,当用户的感兴趣的媒体内容类型比较广泛时,计算得到的兴趣广泛程度Wu则会接近1,此时,L矩阵近似于原始L矩阵,没有发生改变,也就是说此时向用户推荐的媒体内容基本和原始预设的一致;当用户的感兴趣的媒体内容类型比较单一时,计算得到的兴趣广泛程度Wu接近0时,表明用户的兴趣比较集中,对相似性偏好比较弱,即定制化相似性矩阵几乎不起作用,最终的推荐内容的类型较集中。
在本申请提供的实施例中,对DPP多样性控制算法建立的定制化推荐内容矩阵的求解方式,即推荐内容的确定方式,可选地,如图5所示,步骤S104,基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容的步骤,包括:
步骤S501,从所述定制化推荐内容矩阵中随机获取K2个元素构建子矩阵,得到多个子矩阵,其中K为预设的推荐内容数量;
在本申请实施例中,N为预设的推荐内容数量,例如视频网站想推荐3个视频内容给用户,则N为3,从定制化推荐内容矩阵中随机获取9个元素,优选地,从定制化推荐内容矩阵中选取9个关联度高的元素,即选取行位数与列位数相同的元素用于表示某个视频的推荐分值,例如:选取第一行和第一列的元素构建子矩阵A,则子矩阵A代表的推荐内容与Rc1对应的标准推荐内容是同一个。
在一次实际应用中,设置N为3,从定制化推荐内容矩阵中随机获取9个元素,选取第1、3、5行且位于第1、3、5列的元素,得到L11、L13、L15、L31、L33、L35、L51、L53、L55,并利用上述元素构建子矩阵,得到用于表征Rc1对应的标准推荐内容、Rc2对应的标准推荐内容以及Rc3对应的标准推荐内容的推荐分值的子矩阵。
步骤S502,针对每个子矩阵,根据所述子矩阵中每个元素对应的推荐优先级计算所述子矩阵的行列式值;
在本申请实施例中,采用计算子矩阵的行列式的值的方式,对随机抽取的标准推荐内容计算推荐分值,以确定推荐的最佳方案。
步骤S503,确定行列式值最大的子矩阵为推荐内容矩阵;
计算得到行列式值最大的子矩阵,并将该子矩阵为推荐内容矩阵,其中,Y是属于集合C、长度为N(最终推出视频数量,比如10个)的子集;LY是由L矩阵中Y所对应的行和列构成的子矩阵(比如,Y={1,2},则LY=[L11,L12;L21,L22]);det(LY)表示LY的行列式值。
步骤S504,将K个所述推荐内容矩阵的元素对应的标准推荐内容确定所述推荐内容。
在本申请实施例中,示例性地,选取第1、3、5行且位于第1、3、5列的元素,得到L11、L13、L15、L31、L33、L35、L51、L53、L55,并利用上述元素构建子矩阵,由于标准推荐内容序列是依据所述相关性分值从大到小的顺序将多个所述相关性分值进行排序,所以L11、L13、L15、、L31、L51用于表征集合C中第1个视频,以此类推,L13、L31、L33、L35、L53用于表示集合C中第3个视频,L15、L35、L51、L53、L55表示集合C中第5个视频。
本申请实施例基于DPP算法求解原理,实现了对定制化标准矩阵的求解,并基于矩阵中每个用于表示视频推荐优先级的元素计算子矩阵的行列式,以从基于用户兴趣广泛程度构建的定制化推荐矩阵中求出最优解,即贴合用户兴趣的推荐内容,达到提升用户体验的效果。
在本申请提供的又一实施例中,还提供了一种内容推荐装置,如图6所示,包括:
获取模块01,用于获取用户感兴趣的媒体内容的历史点击记录;
第一计算模块02,用于基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
第二计算模块03,用于根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
选取模块04,用于基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
在本申请提供的又一实施例中,所述第一计算模块包括:
确定单元,用于根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
第一计算单元,用于根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
可选地,根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度的公式如下:
其中,Wu表示所述兴趣广泛程度,M表示所述种类数,Nui表示类型i的关注度,Nu表示每个类型对应的关注度的总和。
在本申请提供的又一实施例中,所述第二计算模块包括:
分解单元,用于将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
第二计算单元,用于计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
生成单元,用于根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器1110、通信接口1120、存储器1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信,
存储器1130,用于存放计算机程序;
处理器1110,用于执行存储器1130上所存放的程序时,实现如下步骤:
获取用户感兴趣的媒体内容的历史点击记录;基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field -Programmable GateArray,简称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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的内容推荐方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的内容推荐方法。
在上述实施例中,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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种内容推荐方法,其特征在于,所述方法包括:
若接收到用户的内容推荐请求,获取所述用户的历史点击记录;
基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
2.根据权利要求1所述的内容推荐方法,其特征在于,基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度的步骤,包括:
根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
4.根据权利要求1所述的内容推荐方法,其特征在于,根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵的步骤,包括:
将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵。
5.一种内容推荐装置,其特征在于,包括:
获取模块,用于若接收到用户的内容推荐请求,获取所述用户的历史点击记录;
第一计算模块,用于基于所述历史点击记录计算所述用户对媒体内容的兴趣广泛程度;
第二计算模块,用于根据所述用户的兴趣广泛程度和预设的标准推荐内容矩阵计算定制化推荐内容矩阵,所述标准推荐内容矩阵和所述定制化推荐内容矩阵中相同位置元素对应同一个标准推荐内容,且所述定制化推荐内容矩阵中每个元素的值用于表示所述标准推荐内容的推荐优先级;
选取模块,用于基于所述推荐优先级从多个所述标准推荐内容中选取出推荐内容。
6.根据权利要求5所述的内容推荐装置,其特征在于,所述第一计算模块包括:
确定单元,用于根据所述历史点击记录确定用户感兴趣的媒体内容的种类数和与每个类型对应的关注度;
第一计算单元,用于根据所述种类数和与每个类型对应的关注度计算所述兴趣广泛程度。
8.根据权利要求5所述的内容推荐装置,其特征在于,所述第二计算模块包括:
分解单元,用于将所述标准推荐内容矩阵逆向分解得到相关性矩阵和相似性矩阵;
第二计算单元,用于计算所述兴趣广泛程度与所述相似性矩阵的乘积,得到定制化相似性矩阵;
生成单元,用于根据所述定制化相似性矩阵和所述相关性矩阵生成所述定制化推荐内容矩阵。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,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如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144164.7A CN111291217B (zh) | 2020-03-04 | 2020-03-04 | 一种内容推荐方法、装置、电子设备以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144164.7A CN111291217B (zh) | 2020-03-04 | 2020-03-04 | 一种内容推荐方法、装置、电子设备以及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291217A true CN111291217A (zh) | 2020-06-16 |
CN111291217B CN111291217B (zh) | 2024-02-02 |
Family
ID=71024723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144164.7A Active CN111291217B (zh) | 2020-03-04 | 2020-03-04 | 一种内容推荐方法、装置、电子设备以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291217B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351345A (zh) * | 2020-11-04 | 2021-02-09 | 深圳Tcl新技术有限公司 | 推荐内容的控制方法及装置、智能电视机、存储介质 |
CN112395496A (zh) * | 2020-10-22 | 2021-02-23 | 上海众源网络有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN116029798A (zh) * | 2023-03-22 | 2023-04-28 | 北京新发地农产品网络配送中心有限责任公司 | 一种用户需求推荐方法、***、电子设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866997A (zh) * | 2011-07-05 | 2013-01-09 | 腾讯科技(深圳)有限公司 | 用户数据的处理方法和装置 |
US20160371274A1 (en) * | 2015-06-18 | 2016-12-22 | Nbcuniversal Media Llc | Recommendation system using a transformed similarity matrix |
CN109697629A (zh) * | 2018-11-15 | 2019-04-30 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、存储介质、计算机设备 |
-
2020
- 2020-03-04 CN CN202010144164.7A patent/CN111291217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866997A (zh) * | 2011-07-05 | 2013-01-09 | 腾讯科技(深圳)有限公司 | 用户数据的处理方法和装置 |
US20160371274A1 (en) * | 2015-06-18 | 2016-12-22 | Nbcuniversal Media Llc | Recommendation system using a transformed similarity matrix |
CN109697629A (zh) * | 2018-11-15 | 2019-04-30 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、存储介质、计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395496A (zh) * | 2020-10-22 | 2021-02-23 | 上海众源网络有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN112351345A (zh) * | 2020-11-04 | 2021-02-09 | 深圳Tcl新技术有限公司 | 推荐内容的控制方法及装置、智能电视机、存储介质 |
CN116029798A (zh) * | 2023-03-22 | 2023-04-28 | 北京新发地农产品网络配送中心有限责任公司 | 一种用户需求推荐方法、***、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111291217B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002488B (zh) | 一种基于元路径上下文的推荐模型训练方法及装置 | |
CN110929052B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN110457581B (zh) | 一种资讯推荐方法、装置、电子设备及存储介质 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN103886090B (zh) | 基于用户喜好的内容推荐方法及装置 | |
JP5735087B2 (ja) | 個人化されたリソースをオンデマンドで消費者デバイスアプリケーションに広帯域ネットワークを介して提供すること | |
CN111767429B (zh) | 一种视频推荐方法、装置及电子设备 | |
CN111291217B (zh) | 一种内容推荐方法、装置、电子设备以及计算机可读介质 | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
CN109903086B (zh) | 一种相似人群扩展方法、装置及电子设备 | |
CN111010592B (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
US20120221505A1 (en) | Recommendation network | |
CN107592572B (zh) | 视频推荐方法、装置及其设备 | |
CN112507163B (zh) | 时长预测模型训练方法、推荐方法、装置、设备及介质 | |
CN109753601A (zh) | 推荐信息点击率确定方法、装置及电子设备 | |
CN102165441A (zh) | 用于分级媒体共享频道的方法、***以及设备 | |
CN112328906A (zh) | 内容项推荐方法、装置、设备及存储介质 | |
CN106162351A (zh) | 一种视频推荐方法及装置 | |
US20140289334A1 (en) | System and method for recommending multimedia information | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
WO2016094202A1 (en) | Content recommendation user interface | |
CN110110206B (zh) | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 | |
CN112989118A (zh) | 视频召回方法及装置 | |
CN111666481B (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
US20090112846A1 (en) | System and/or method for processing events |
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 |