CN112445970B - 一种信息推荐方法、装置、电子设备及存储介质 - Google Patents
一种信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112445970B CN112445970B CN201910838698.7A CN201910838698A CN112445970B CN 112445970 B CN112445970 B CN 112445970B CN 201910838698 A CN201910838698 A CN 201910838698A CN 112445970 B CN112445970 B CN 112445970B
- Authority
- CN
- China
- Prior art keywords
- information
- multimedia information
- multimedia
- target
- tag
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 12
- 230000002441 reversible effect Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
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
本公开关于一种信息推荐方法、装置、电子设备及存储介质，所述方法包括：确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；将所述目标信息推荐结果推荐给所述目标账户。本公开可以解决相关技术中推荐信息类型单一的问题。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的发展，越来越多的网站或应用软件可以为账户提供信息推荐服务。通过为账户提供个性化的信息推荐服务，一方面可以使网站或应用软件的账户获得更好的使用体验，另一方面可以使得信息提供者所提供的信息获得更多的关注或点击率等。
目前，为账户推荐信息时，只向账户推荐某一类型的信息。例如，只向账户推荐视频，或者，只向账户推荐图片。尽管实现了信息推荐，但是由于推荐信息的类型较为单一，造成为账户推荐的信息不丰富。
发明信息
本公开提供一种信息推荐方法、装置、电子设备及存储介质，以至少解决相关技术中推荐信息类型单一的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种信息推荐方法，包括：
确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；
从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；
从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；
将所述目标信息推荐结果推荐给所述目标账户。
可选地，所述从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息的步骤，包括：
将所述目标账户特征确定为索引值；
针对预设信息库中的每一种类型的多媒体信息，利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定所述第一候选信息集中每个多媒体信息的信息特征；根据所述目标账户特征和所述每个多媒体信息的信息特征，预测得到所述目标账户与所述每个多媒体信息的匹配度；利用预测得到的匹配度，从所述第一候选信息集中确定与所述目标账户特征相匹配的多媒体信息。
可选地，每一类型的多媒体信息的倒排索引的建立过程，包括：
确定该类型的多媒体信息中每个多媒体信息的至少一个标签；
对所确定的标签进行去重，得到第一标签集；
针对所述第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对应于该类型的多媒体信息的倒排列表；
将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
可选地，所述将所述目标账户特征确定为索引值的步骤之后，还包括：
将所述索引值确定为特征标签；
所述利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集的步骤，包括：
在所述第一标签集中确定与所述特征标签相匹配的目标标签；
确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重；
将去重后的信息ID对应的多媒体信息作为第一候选信息集。
可选地，所述利用预测得到的匹配度，从所述第一候选信息集中确定与所述目标账户特征相匹配的多媒体信息的步骤，包括：
对所述第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列；
利用所述信息序列，确定与所述目标账户特征相匹配的多媒体信息。
可选地，所述利用所述信息序列，确定与所述目标账户特征相匹配的多媒体信息的步骤，包括：
利用所述信息序列中各多媒体信息的热度，对所述信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列，其中，任一多媒体信息的热度用于表示：预定时间段内该多媒体信息的被访问频率；
将所述调整后的信息序列中的多媒体信息，作为与所述目标账户特征相匹配的多媒体信息。
可选地，所述从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果的步骤，包括：
从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取所述选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
可选地，所述多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，所述预定类型的多媒体信息至少包括：视频、图片、文本和动画。
根据本公开实施例的第二方面，提供一种信息推荐装置，包括：
确定模块，被配置为确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；
检索模块，被配置为从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；
筛选模块，被配置为从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；
推荐模块，被配置为将所述目标信息推荐结果推荐给所述目标账户。
可选地，所述检索模块，包括：
第一确定子模块，被配置为将所述目标账户特征确定为索引值；
第二确定子模块，被配置为针对预设信息库中的每一种类型的多媒体信息，利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定所述第一候选信息集中每个多媒体信息的信息特征；根据所述目标账户特征和所述每个多媒体信息的信息特征，预测得到所述目标账户与所述每个多媒体信息的匹配度；利用预测得到的匹配度，从所述第一候选信息集中确定与所述目标账户特征相匹配的多媒体信息。
可选地，所述装置还包括：
标签确定模块，被配置为确定该类型的多媒体信息中每个多媒体信息的至少一个标签；
标签去重模块，被配置为对所确定的标签进行去重，得到第一标签集；
倒排列表建立模块，被配置为针对所述第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对应于该类型的多媒体信息的倒排列表；
倒排索引建立模块，被配置为将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
可选地，所述装置还包括：
特征标签确定模块，被配置为将所述索引值确定为特征标签；
所述第二确定子模块，包括：
第一确定单元，被配置为在所述第一标签集中确定与所述特征标签相匹配的目标标签；
第二确定单元，被配置为确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重；
第三确定单元，被配置为将去重后的信息ID对应的多媒体信息作为第一候选信息集。
可选地，所述第二确定子模块，包括：
排序单元，被配置为对所述第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列；
利用所述信息序列，确定与所述目标账户特征相匹配的多媒体信息。
可选地，所述第二确定子模块，包括：
调整单元，被配置为利用所述信息序列中各多媒体信息的热度，对所述信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列，其中，任一多媒体信息的热度用于表示：预定时间段内该多媒体信息的被访问频率；
第四确定单元，被配置为将所述调整后的信息序列中的多媒体信息，作为与所述目标账户特征相匹配的多媒体信息。
可选地，所述筛选模块，包括：
第一选取子模块，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第二选取子模块，被配置为根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取所述选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第三选取子模块，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
可选地，所述多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，所述预定类型的多媒体信息至少包括：视频、图片、文本和动画。
根据本公开实施例的第三方面，提供一种电子设备，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，以实现如上第一方面所述的信息推荐方法。
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，使得所述电子设备能够执行如上第一方面所述的信息推荐方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上第一方面所述的信息推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：本公开在推荐信息时，首先确定待接收信息推荐结果的目标账户的目标账户特征；然后从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息，其中，多种类型的信息包括多种类型的多媒体信息；进一步从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；最后将目标信息推荐结果推荐给目标账户。本公开由于对从预设信息库中检索到的各类型多媒体信息进行筛选，得到包含至少两种类型的多媒体信息的目标信息推荐结果，推荐给目标账户，因而可以解决相关技术中推荐信息类型单一的问题。而且，本公开利用目标账户特征从预设信息库中进行检索，使得推荐给目标账户的信息为符合目标账户特征的信息，因而目标账户浏览目标信息推荐结果的可能性更大，可以使得信息提供者所提供的信息获得更多的关注或点击率。
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信息推荐方法的流程图。
图2是根据一示例性实施例示出的一种信息推荐方法的另一流程图。
图3是根据一示例性实施例示出的一种信息推荐方法的另一流程图。
图4是根据一示例性实施例示出的一种信息推荐方法的另一流程图。
图5是根据一示例性实施例示出的一种信息推荐方法的另一流程图。
图6是根据一示例性实施例示出的一种信息推荐装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种用于信息推荐的装置的框图。
图9是根据一示例性实施例示出的另一种用于信息推荐的装置的框图。
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。
随着计算机技术的发展，越来越多的网站或应用软件可以为账户提供信息推荐服务。通过为账户提供个性化的信息推荐服务，一方面可以使网站或应用软件的账户获得更好的使用体验，另一方面可以使得信息提供者所提供的信息获得更多的关注或点击率等。
目前，为账户推荐信息时，只向账户推荐某一类型的信息。例如，只向账户推荐视频，或者，只向账户推荐图片。尽管实现了信息推荐，但是由于推荐信息的类型较为单一，造成为账户推荐的信息不丰富。
为了解决相关技术的问题，本公开实施例提供了一种信息推荐方法、装置、电子设备及存储介质。
下面，首先对本公开实施例所提供的一种信息推荐方法进行介绍。
需要说明的是，本公开实施例所提供的一种信息推荐方法的执行主体可以为电子设备。在具体应用中，该电子设备可以为终端设备或服务器。示例性的，该终端设备可以为：智能手机、平板电脑和台式计算机等。
图1是根据一示例性实施例示出的一种信息推荐方法的流程图，如图1所示，一种信息推荐方法可以包括以下步骤：
S101，确定目标账户的目标账户特征。
当电子设备需要给某一账户推荐信息时，可以将该账户作为目标账户。即，目标账户为待接收信息推荐结果的账户。为了给目标账户推荐信息，可以先确定目标账户的目标账户特征，进一步基于该目标账户特征进行信息推荐。
其中，该目标账户特征可以是基于目标账户的账户信息和/或行为信息等确定的特征。目标账户的账户信息可以是：注册该目标账户的用户的性别、年龄、所处的地理区域等，目标账户的行为信息可以是：该目标账户在预定时间段内浏览信息的次数和类别、点赞信息的次数和类别等。例如，目标账户的账户信息为：注册该目标账户的用户的年龄为22岁，注册该目标账户的用户所处的地理区域为北京，那么，基于该账户信息确定出目标账户的目标账户特征包括：90后、北京。又例如，目标账户的行为信息为：目标账户在过去一周内浏览了体育视频、新闻视频，那么，基于该行为信息确定出目标账户的目标账户特征为：运动、新闻。
在实际应用中，目标账户的目标账户特征的数量可以为一个或多个。
S102，从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息。
预设信息库可以是由信息的推荐方提供的。例如，由视频网站提供该预设信息库。又例如，由购物网站提供该预设信息库。其中，该预设信息库中存储的多种类型的信息可以包括多种类型的多媒体信息。在向目标账户推荐信息时，可以从该预设信息库中进行检索与目标账户特征相匹配的各类型多媒体信息，从而进一步基于检索到的各类型多媒体信息确定目标信息推荐结果，推荐给目标账户。在实际应用中，该预设信息库可以定期更新，更新的周期可以为一天或一周等。
其中，多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，预定类型的多媒体信息至少包括：视频、图片、文本和动画。例如，预设信息库中存储有图片和视频，又例如，预设信息库中存储有视频和文本。
可以理解的是，从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息的具体实现方式存在多种。为了方案清楚及布局清晰，在下文中对从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息的过程进行举例介绍。
S103，从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果。
在检索到各类型多媒体信息之后，由于检索到的各类型的多媒体信息的数据量通常较大，为了保证目标账户的有效阅读，可以进一步从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果。
可选地，从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果的方式，可以包括以下三种方式中的任一种：
第一种方式：从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
例如，检索到的多媒体信息中包括有视频和图片，那么，从视频中选取10个视频，从图片中选取10张图片，作为目标信息推荐结果。
第二种方式：根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
例如，检索到的多媒体信息中包括有视频和图片，预设的目标信息推荐结果的总数量为20，视频的权重为70％，图片的权重为30％，那么，从视频中选取14个视频，从图片中选取6张图片，作为目标信息推荐结果。
第三种方式：从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
示例性的，一种方式中，可以采用蒙特卡洛方法从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取一定数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
例如，检索到的多媒体信息中包括有视频和图片，那么，采用蒙特卡洛方法从视频中随机选取12个视频，从图片中随机选取8张图片，作为目标信息推荐结果。
需要说明的是，在筛选时，只要从检索到的各类型多媒体信息中筛选出至少两种类型的多媒体信息即可，可以并不限定于：必须筛选出每种类型的多媒体信息。
S104，将目标信息推荐结果推荐给目标账户。
在确定出目标信息推荐结果后，可以将该目标信息推荐结果推荐给目标账户。示例性地，该目标信息推荐结果为视频推荐结果，则可以将该视频推荐结果显示在目标账户所使用的终端的显示界面中，从而方便目标账户浏览该视频推荐结果中的视频。
本公开的实施例提供的技术方案至少带来以下有益效果：本公开在推荐信息时，首先确定待接收信息推荐结果的目标账户的目标账户特征；然后从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息，其中，多种类型的信息包括多种类型的多媒体信息；进一步从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；最后将目标信息推荐结果推荐给目标账户。本公开由于对从预设信息库中检索到的各类型多媒体信息进行筛选，得到包含至少两种类型的多媒体信息的目标信息推荐结果，推荐给目标账户，因而可以解决相关技术中推荐信息类型单一的问题。而且，本公开利用目标账户特征从预设信息库中进行检索，使得推荐给目标账户的信息为符合目标账户特征的信息，因而目标账户浏览目标信息推荐结果的可能性更大，可以使得信息提供者所提供的信息获得更多的关注或点击率。
下面对S102中的从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息的过程进行介绍，如图2所示，该过程可以包括如下步骤：
S201，将目标账户特征确定为索引值；
S202，针对预设信息库中的每一种类型的多媒体信息，利用索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定第一候选信息集中每个多媒体信息的信息特征；根据目标账户特征和每个多媒体信息的信息特征，预测得到目标账户与每个多媒体信息的匹配度；利用预测得到的匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息。
由于预设信息库中的信息数量较多，为了降低推荐的复杂度，在本实施例中，可以预先针对预设信息库中的每一种类型的多媒体信息，建立该类型的多媒体信息的倒排索引，从而利用所建立的倒排索引从该类型的多媒体信息中进行筛选。
具体的，可以先将目标账户特征确定为索引值，利用该索引值和所建立的倒排索引在预设信息库中进行筛选，得到第一候选信息集，这样，使得筛选得到的第一候选信息集中的多媒体信息为符合目标账户特征的信息。
可以理解的是，建立的每一类型的多媒体信息的倒排索引的具体实现方式存在多种。为了方案清楚及布局清晰，在下文中对建立每一类型的多媒体信息的倒排索引的过程进行举例介绍。另外，利用索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集的具体实现方式，与倒排索引的构建过程相关，在介绍建立每一类型的多媒体信息的倒排索引的过程之后进行介绍。
进一步地，在确定出第一候选信息集后，为了更准确地推荐信息，可以确定第一候选信息集中每个多媒体信息的信息特征，基于所确定的信息特征在第一候选信息集中进一步筛选，从而从第一候选信息集中确定出与目标账户特征相匹配的多媒体信息。其中，第一候选信息集中任一多媒体信息的信息特征可以通过这几种参数来表征：该多媒体信息的类别、该多媒体信息的主题、发布该多媒体信息的账户的地域等。例如，某一多媒体信息的类别为：纪录片；该多媒体信息的主题为：旅游；发布该多媒体信息的账户的地域为：上海等。电子设备可以对第一候选信息集中的每个多媒体信息进行分析，得到该多媒体信息的信息特征。例如，电子设备可以利用机器学习模型对每个多媒体信息进行分析，得到该多媒体信息的信息特征。电子设备也可以读取人工标注好的第一候选信息集中的每个多媒体信息的信息特征。其中，该人工标注可以是多媒体信息推荐方，例如网站的管理人员进行标注，也可是的多媒体信息的提供方，例如上传该多媒体信息的账户进行标注，这都是合理的。
具体的，可以根据目标账户特征和第一候选信息集中每个多媒体信息的信息特征，预测得到目标账户与每个多媒体信息的匹配度，再利用预测得到的匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息。
示例性的，目标账户与每个多媒体信息的匹配度可以用于表征：目标账户对每个多媒体信息的感兴趣程度值。
在一种实现方式中，可以预先利用样本账户的样本账户特征、样本信息的样本信息特征以及样本账户与样本信息的匹配度训练预测模型。进而，在训练好该预测模型后，可以将目标账户特征和每个多媒体信息的信息特征输入训练好的预测模型，得到目标账户与第一候选信息集中每个多媒体信息的匹配度。进一步地，利用该匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息。
为了方案清楚及布局清晰，在下文中对训练预测模型的过程进行介绍。
进一步地，在得到目标账户与第一候选信息集中各个多媒体信息的匹配度后，可以利用所得到的匹配度，从第一候选信息集中确定信息推荐结果。其中，利用所得到的匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息的具体实现方式存在多种。为了方案清楚及布局清晰，在下文中对利用匹配度从第一候选信息集中确定与目标账户特征相匹配的多媒体信息的过程进行举例介绍。
下面对建立每一类型的多媒体信息的倒排索引的过程进行介绍，如图3所示，该过程可以包括如下步骤：
S301，确定该类型的多媒体信息中每个多媒体信息的至少一个标签。
该类型的多媒体信息中的每个多媒体信息，均至少具有一个标签。例如，多媒体信息1的标签为：旅游，北京；多媒体信息2的标签为：美食，上海等。每个多媒体信息的标签反映了该多媒体信息的主要的特点。而且，对于一个标签来说，可能有一个或多个多媒体信息具有该标签。
在构建该类型的多媒体信息的倒排索引时，可以将该类型的多媒体信息看做一个信息集合，将该类型的多媒体信息的标签看做一个标签集合，那么，所要建立的倒排索引即为：一组由标签到信息的映射关系。可以理解的，该标签集合中的标签并不重复，即该标签集合中的标签各不相同。
为了确定上述的标签集合，可以针对该类型的多媒体信息中的每个多媒体信息，确定该多媒体信息的至少一个标签，进一步基于所确定的标签，得到标签集合。例如，该类型的多媒体信息中有5个多媒体信息，分别为多媒体信息1～多媒体信息5。其中，多媒体信息1的标签为：标签a、标签b；多媒体信息2的标签为：标签a；多媒体信息3的标签为：标签c、标签d；多媒体信息4的标签为：标签a；多媒体信息5的标签为：标签b、标签d。那么，在该例子中，该类型的多媒体信息中的5个多媒体信息共具有4种标签，8个标签。
S302，对所确定的标签进行去重，得到第一标签集。
如上所述，用于建立倒排索引的标签集合中，各个标签各不相同，因而，需要对所确定的标签进行去重，得到第一标签集。
接续上述例子，对所确定的标签进行去重后，得到第一标签集，包括：标签a、标签b、标签c和标签d。
S303，针对第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对于该类型的多媒体信息的倒排列表。
在得到第一标签集后，可以针对其中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对于该类型的多媒体信息的倒排列表。接续上述例子，
针对标签a建立的倒排列表为：标签a：多媒体信息1，多媒体信息2，多媒体信息4；
针对标签b建立的倒排列表为：标签b：多媒体信息1，多媒体信息5；
针对标签c建立的倒排列表为：标签c：多媒体信息3；
针对标签d建立的倒排列表为：标签d：多媒体信息3，多媒体信息5。
S304，将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
也就是，该类型的多媒体信息的倒排索引包含了一组映射关系，具体为：由第一标签集中每个标签到包含该标签的目标多媒体信息的信息ID的映射关系。基于该倒排索引，可以直接通过标签来索引到：包含该标签的多媒体信息的信息ID，从而可以便于从该类型的多媒体信息中筛选信息。
可以理解的，由于需要为目标账户推荐信息，因而，可以将目标账户特征确定为索引值，并针对预设信息库中的每一种类型的多媒体信息，利用索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集。具体的，
在S201中的将目标账户特征确定为索引值的步骤之后，还可以包括：将索引值确定为特征标签。
例如，索引值为：体育，北京，则生成对应的特征标签为：体育、北京。也就是，将索引值表示为标签的形式，该特征标签作为索引值，从而进一步地利用该索引值在预设信息库的倒排索引中进行索引。
相应地，如图4所示，S202中的利用索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集，可以包括如下步骤：
S401，在第一标签集中确定与特征标签相匹配的目标标签。
其中，与特征标签相匹配可以是：与特征标签相同，或者与特征标签的相似度大于设定值。
由于该类型的多媒体信息的倒排索引包含的是：第一标签集中每个标签到包含该标签的目标多媒体信息的信息ID的映射关系，因而可以在第一标签集中确定出与特征标签相匹配的目标标签。
以上述的构建该类型的多媒体信息的倒排索引的例子为例，第一标签集包括：标签a、标签b、标签c和标签d。所生成的特征标签为：标签a和标签e。其中，标签e与第一标签集中的标签b符合预定的相似条件，因而，在第一标签集中确定与特征标签相匹配的目标标签为：标签a和标签b。
上述设定值可以根据需要来设置，如设定值为90％。例如，北京和首都这两个词的相似度为95％，那么，北京与首都即为相似度大于设定值的标签。
S402，确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重。
在确定出目标标签后，可以针对每一目标标签，确定每一目标标签的倒排列表中所记录的信息ID，也就是，确定出该类型的多媒体信息中包含该目标标签的多媒体信息的ID。
接续上述例子，目标标签为：标签a和标签b。确定标签a的倒排列表中所记录的信息ID为：多媒体信息1，多媒体信息2，多媒体信息4。确定标签b的倒排列表中所记录的信息ID为：多媒体信息1，多媒体信息5。进一步地，对所确定的信息ID进行去重，得到的信息ID为：多媒体信息1，多媒体信息2，多媒体信息4，多媒体信息5。
S403，将去重后的信息ID对应的多媒体信息作为第一候选信息集。
在对所确定的信息ID进行去重后，可以直接将去重后的信息ID对应的多媒体信息作为第一候选信息集。从该类型的多媒体信息中确定第一候选信息集的这一过程也可以称为召回过程，即从该类型的多媒体信息中初步筛选一些多媒体信息的过程。
以上为针对预设信息库中的每一种类型的多媒体信息，利用目标账户的目标账户特征和所建立的预设信息库的倒排索引，在该类型的多媒体信息中进行筛选，得到第一候选信息集的具体过程。可见，由于基于目标账户特征从倒排索引中进行索引，即考虑了目标账户的特点从该类型的多媒体信息中进行筛选，因而，所得到的第一候选信息集中的多媒体信息均是符合目标账户特点的多媒体信息，目标账户浏览这些多媒体信息的可能性较高。
下面对训练预测模型的过程进行介绍，如图5所示，该过程可以包括如下步骤：
S501，获得样本账户的样本账户特征，并获得样本信息的样本信息特征。
其中，样本信息为信息浏览记录中样本账户浏览的信息。
示例性地，对于信息的推荐方，如视频网站来说，样本账户可以是预定时间段内在该视频网站中浏览视频的账户，样本信息可以为预定时间段内的视频浏览记录中，样本账户浏览的视频。预定时间段可以根据需要来确定，例如过去一天或过去一周等。在实际应用中，样本信息可以是多种类型的信息，不限于视频、图片、文字、链接等。
样本账户的样本账户特征可以是基于样本账户的账户信息和/或行为信息等确定的特征。样本信息的样本信息特征可以表征：该样本信息的类型、该样本信息的主题、发布该样本信息的账户的地域等。电子设备可以对每个样本信息进行分析，得到该样本信息的样本信息特征。例如，电子设备可以利用机器学习模型对每个样本信息进行分析，得到该样本信息的样本信息特征。电子设备也可以读取人工标注好的每个样本信息的样本信息特征。
在具体应用中，样本信息特征还可以包括：样本信息的CTR(Click Through Rate，点击通过率)、LTR(Like Through Rate，点赞通过率)和CMTR(Comment Through Rate，评论通过率)等。其中，CTR表示：对样本信息的点击数量与样本信息的展示数量的比值，LTR表示：对样本信息的点赞数量与样本信息的展示数量的比值，CMTR表示：对样本信息的评论数量与样本信息的展示数量的比值。
所获得的样本账户的样本账户特征，以及样本信息的样本信息特征，作为训练预测模型的训练样本。训练样本的数量可以根据实际需要或经验来确定。
S502，利用所获得的样本账户特征和样本信息特征，构建交叉特征。
具体在训练时，可以利用所获得的样本账户特征和样本信息特征，构建交叉特征，将所构建的交叉特征输入预测模型。
本实施例中，可以将样本账户特征和样本信息特征均转化为向量形式。示例性的，样本账户特征的向量形式为：y1＝[0101]，样本信息特征的向量形式为：y2＝[1110]，则交叉特征的向量形式为将这两个向量进行组合，为：y＝[01011110]。也就是，将y1和y2拼接为交叉特征的向量形式。
将样本账户特征和样本信息特征转化为向量形式，可以采用例如word2vec等方法，本公开对此并不限定。
S503，将交叉特征以及样本账户与样本信息的匹配度输入初始的预测模型进行训练，得到训练完成的预测模型。
在构建好交叉特征后，可以将交叉特征以及样本账户与样本信息的匹配度输入初始的预测模型进行训练。其中，样本账户与样本信息的匹配度可以理解为：训练预测模型时所参考的真值。示例性的，样本账户与样本信息的匹配度可以用于表征：样本账户对样本信息的感兴趣程度值。那么，训练预测模型的目的在于，使得预测模型学习到：样本账户与样本信息的组合，和样本账户与样本信息的匹配度之间的映射关系。例如，对于样本账户1与样本信息1这一组合，使得预测模型学习到：这一组合对应的匹配度为90％，样本账户1与样本信息1的匹配度为90％。其中，样本账户与样本信息的组合的具体表示形式为上述交叉特征。
具体在训练的过程中，可以进行多次迭代，训练预测模型的参数，直到该预测模型达到设定的收敛条件，则预测模型训练完成。
可选地，预测模型可以是predictserver(预测服务器)模型，具体的模型类型可以是相关技术中存在的任一种神经网络模型，在此不做限定。在该模型中，可以将样本信息的CTR、LTR和CMTR等作为样本信息特征进行训练。
以上为训练预测模型的过程。利用训练好的预测模型，可以得到目标账户对第一候选信息集中每个多媒体信息的匹配度。该匹配度可以是0～1之间的实数，具体可以表示为百分比的形式。
下面对S202中的利用预测得到的匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息的过程进行举例介绍。
示例性的，第一种方式中，可以将第一候选信息集中，所对应的匹配度大于等于预设阈值的多媒体信息作为与目标账户特征相匹配的多媒体信息。
假设，第一候候选信息集包括：多媒体信息1，多媒体信息2，多媒体信息4，多媒体信息5，目标账户对多媒体信息1、多媒体信息2、多媒体信息4和多媒体信息5的匹配度分别为85％、92％、90％和95％。预设阈值为90％，那么，将多媒体信息2、多媒体信息4和多媒体信息5作为与目标账户特征相匹配的多媒体信息。
示例性的，第二种方式中，S202中的预测得到的匹配度，从第一候选信息集中确定与目标账户特征相匹配的多媒体信息的过程，可以包括如下步骤：
步骤1，对第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列。
接续上述第一种实现方式中的例子，经过排序后，得到的信息序列为：多媒体信息5，信息2，多媒体信息4，多媒体信息1。
步骤2，利用信息序列，确定与目标账户特征相匹配的多媒体信息。
在得到信息序列后，可以通过多种实现方式来确定与目标账户特征相匹配的信息。示例性的，以下给出三种实现方式：
实现方式1：将信息序列作为与目标账户特征相匹配的多媒体信息。
例如，将信息序列：多媒体信息5，多媒体信息2，多媒体信息4，多媒体信息1，作为与目标账户特征相匹配的多媒体信息。示例性的，如果目标账户与第一候选信息集中每个多媒体信息的匹配度用于表征：目标账户对第一候选信息集中每个多媒体信息的感兴趣程度值，那么由于将与目标账户特征相匹配的各多媒体信息按照对应的感兴趣程度值进行了排序，因而，可以在推荐给目标账户时，便于目标账户按照自己的感兴趣程度的高低，从该信息推荐结果中浏览多媒体信息。
实现方式2：将信息序列中将前预设数量个多媒体信息，作为与目标账户特征相匹配的信息。
例如，预设数量为3，那么，将多媒体信息5，多媒体信息2，多媒体信息4作为与目标账户特征相匹配的多媒体信息。且该与目标账户特征相匹配的多媒体信息可以为序列：多媒体信息5，多媒体信息2，多媒体信息4。
实现方式3：利用信息序列中各多媒体信息的热度，对信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列；将调整后的信息序列中的多媒体信息，作为与目标账户特征相匹配的多媒体信息。
在实现方式3中，信息序列中任一多媒体信息的热度用于表示：预定时间段内该多媒体信息的被访问频率。示例性地，被访问频率可以该多媒体信息的私信回复率，也可以通过该多媒体信息的点赞数或该多媒体信息的评论数等计算被访问频率，这都是合理的。
其中，多媒体信息的私信回复率是：发布该多媒体信息的账户对于接收到的私信进行回复的概率。如果多媒体信息的私信回复率高，说明发布该多媒体信息的账户的活跃度比较高，更愿意与其他账户进行社交互动。那么，对于信息序列中私信回复率高的多媒体信息，可以增加该多媒体信息的分数；对于信息序列中私信回复率低的多媒体信息，可以减少该多媒体信息的分数；对于信息序列中私信回复率介于高和低之间的多媒体信息，可以不改变该多媒体信息的分数。具体的，可以将信息序列中各多媒体信息对应的匹配度转换为百分制的分数。例如，信息序列中多媒体信息5，多媒体信息2，多媒体信息4，多媒体信息1的分数分别为95,92,90,85。其中，多媒体信息2和多媒体信息1的私信回复率高，则给这两个多媒体信息均加3分；多媒体信息5的私信回复率介于高和低之间，则不改变该多媒体信息的分数；多媒体信息4的私信回复率低，则给这个多媒体信息减3分。那么，调整分数后各多媒体信息在信息序列中的顺序为：多媒体信息5，多媒体信息2，多媒体信息1，多媒体信息4。也即，信息推荐结果为序列：多媒体信息5，多媒体信息2，多媒体信息1，多媒体信息4。
同理，对于信息序列中点赞数/评论数为多、少或介于多和少之间的多媒体信息，也可以相应地加分、减分或不改变分数，从而对信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列，并将调整后的信息序列中的多媒体信息，作为与目标账户特征相匹配的多媒体信息。
信息序列中每个多媒体信息的热度反应了大多数账户对该多媒体信息的感兴趣程度。如果一个多媒体信息的热度较高，则说明大多数账户对该多媒体信息比较感兴趣，如果一个多媒体信息的热度较低，则说明大多数账户对该多媒体信息不太感兴趣。其中，一个多媒体信息的热度较高可以是：该多媒体信息的私信回复率高、点赞数或评论数多，一个多媒体信息的热度较低可以是：该多媒体信息的私信回复率低、点赞数或评论数少。所以，利用信息序列中每个多媒体信息的热度，调整信息序列中各多媒体信息的顺序作为信息推荐结果，该信息推荐结果既符合目标账户的兴趣，也符合大多数账户的兴趣，因而使得信息推荐的效果更好。
以上的利用信息序列，确定与目标账户特征相匹配的多媒体信息的三种实现方式仅作为示例，在实际应用中，利用信息序列，确定与目标账户特征相匹配的多媒体信息的实现方式还可以有多种。
图6是根据一示例性实施例示出的一种信息推荐装置的框图。参照图6，该装置可以包括：
确定模块601，被配置为确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；
检索模块602，被配置为从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；
筛选模块603，被配置为从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；
推荐模块604，被配置为将所述目标信息推荐结果推荐给所述目标账户。
本公开的实施例提供的技术方案至少带来以下有益效果：本公开在推荐信息时，首先确定待接收信息推荐结果的目标账户的目标账户特征；然后从存储有多种类型的信息的预设信息库中，检索与目标账户特征相匹配的各类型多媒体信息，其中，多种类型的信息包括多种类型的多媒体信息；进一步从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；最后将目标信息推荐结果推荐给目标账户。本公开由于对从预设信息库中检索到的各类型多媒体信息进行筛选，得到包含至少两种类型的多媒体信息的目标信息推荐结果，推荐给目标账户，因而可以解决相关技术中推荐信息类型单一的问题。而且，本公开利用目标账户特征从预设信息库中进行检索，使得推荐给目标账户的信息为符合目标账户特征的信息，因而目标账户浏览目标信息推荐结果的可能性更大，可以使得信息提供者所提供的信息获得更多的关注或点击率。
可选地，所述检索模块602，包括：
第一确定子模块(图中未示出)，被配置为将所述目标账户特征确定为索引值；
第二确定子模块(图中未示出)，被配置为针对预设信息库中的每一种类型的多媒体信息，利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定所述第一候选信息集中每个多媒体信息的信息特征；根据所述目标账户特征和所述每个多媒体信息的信息特征，预测得到所述目标账户与所述每个多媒体信息的匹配度；利用预测得到的匹配度，从所述第一候选信息集中确定与所述目标账户特征相匹配的多媒体信息。
可选地，所述装置还包括：
标签确定模块(图中未示出)，被配置为确定该类型的多媒体信息中每个多媒体信息的至少一个标签；
标签去重模块(图中未示出)，被配置为对所确定的标签进行去重，得到第一标签集；
倒排列表建立模块(图中未示出)，被配置为针对所述第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对应于该类型的多媒体信息的倒排列表；
倒排索引建立模块(图中未示出)，被配置为将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
可选地，所述装置还包括：
特征标签确定模块(图中未示出)，被配置为将所述索引值确定为特征标签；
所述第二确定子模块，包括：
第一确定单元，被配置为在所述第一标签集中确定与所述特征标签相匹配的目标标签；
第二确定单元，被配置为确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重；
第三确定单元，被配置为将去重后的信息ID对应的多媒体信息作为第一候选信息集。
可选地，所述第二确定子模块，包括：
排序单元，被配置为对所述第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列；
利用所述信息序列，确定与所述目标账户特征相匹配的多媒体信息。
可选地，所述第二确定子模块，包括：
调整单元，被配置为利用所述信息序列中各多媒体信息的热度，对所述信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列，其中，任一多媒体信息的热度用于表示：预定时间段内该多媒体信息的被访问频率；
第四确定单元，被配置为将所述调整后的信息序列中的多媒体信息，作为与所述目标账户特征相匹配的多媒体信息。
可选地，所述筛选模块603，包括：
第一选取子模块(图中未示出)，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第二选取子模块(图中未示出)，被配置为根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取所述选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第三选取子模块(图中未示出)，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
可选地，所述多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，所述预定类型的多媒体信息至少包括：视频、图片、文本和动画。
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。
另外，相应于上述实施例所提供的信息推荐方法，本公开实施例还提供了一种电子设备，如图7所示，该电子设备可以包括：
处理器710；
用于存储所述处理器可执行指令的存储器720；
其中，所述处理器710被配置为执行所述指令，以实现上述实施例所提供的信息推荐方法，以获得相同的技术效果。
可以理解的是，该电子设备可以是服务器或是终端设备，在具体应用中，该终端设备可以为移动电话、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。
存储器720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720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710可以是通用处理器，包括中央处理器(Central ProcessingUnit，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 Gate Array，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。
图8是根据一示例性实施例示出的一种用于信息推荐的装置800的框图。例如，装置800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8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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804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806为装置800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当装置800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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，还提供了一种包括指令的存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820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9是根据一示例性实施例示出的一种用于信息推荐的装置900的框图。例如，装置900可以被提供为一服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932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922被配置为执行指令，以执行上述任一的信息推荐方法。
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM。
另外，本公开实施例还提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述实施例所提供的信息推荐方法，以获得相同的技术效果。
另外，本公开实施例还提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述实施例所提供的信息推荐方法，以获得相同的技术效果。
需要说明的是，本申请涉及的账户信息、用户信息或者设备信息，均是经用户授权后采集并进行后续处理的。
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。本申请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 (12)
1.一种信息推荐方法，其特征在于，包括：
确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；
从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；
从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；
将所述目标信息推荐结果推荐给所述目标账户；
其中，所述从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息的步骤，包括：
将所述目标账户特征确定为索引值；
针对预设信息库中的每一种类型的多媒体信息，利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定所述第一候选信息集中每个多媒体信息的信息特征；根据所述目标账户特征和所述每个多媒体信息的信息特征，预测得到所述目标账户与所述每个多媒体信息的匹配度；对所述第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列；利用所述信息序列中各多媒体信息的热度，对所述信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列；将所述调整后的信息序列中的多媒体信息，作为与所述目标账户特征相匹配的多媒体信息。
2.根据权利要求1所述的信息推荐方法，其特征在于，每一类型的多媒体信息的倒排索引的建立过程，包括：
确定该类型的多媒体信息中每个多媒体信息的至少一个标签；
对所确定的标签进行去重，得到第一标签集；
针对所述第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对应于该类型的多媒体信息的倒排列表；
将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
3.根据权利要求2所述的信息推荐方法，其特征在于，所述将所述目标账户特征确定为索引值的步骤之后，还包括：
将所述索引值确定为特征标签；
所述利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集的步骤，包括：
在所述第一标签集中确定与所述特征标签相匹配的目标标签；
确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重；
将去重后的信息ID对应的多媒体信息作为第一候选信息集。
4.根据权利要求1所述的信息推荐方法，其特征在于，所述从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果的步骤，包括：
从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取所述选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
5.根据权利要求1所述的信息推荐方法，其特征在于，所述多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，所述预定类型的多媒体信息至少包括：视频、图片、文本和动画。
6.一种信息推荐装置，其特征在于，包括：
确定模块，被配置为确定目标账户的目标账户特征，目标账户为待接收信息推荐结果的账户；
检索模块，被配置为从存储有多种类型的信息的预设信息库中，检索与所述目标账户特征相匹配的各类型多媒体信息，其中，所述多种类型的信息包括多种类型的多媒体信息；
筛选模块，被配置为从检索到的各类型多媒体信息中筛选出，包含至少两种类型的多媒体信息的目标信息推荐结果；
推荐模块，被配置为将所述目标信息推荐结果推荐给所述目标账户；
其中，所述检索模块，包括：
第一确定子模块，被配置为将所述目标账户特征确定为索引值；
第二确定子模块，被配置为针对预设信息库中的每一种类型的多媒体信息，利用所述索引值和预先建立的该类型的多媒体信息的倒排索引，从该类型的多媒体信息中确定第一候选信息集；确定所述第一候选信息集中每个多媒体信息的信息特征；根据所述目标账户特征和所述每个多媒体信息的信息特征，预测得到所述目标账户与所述每个多媒体信息的匹配度；对所述第一候选信息集中的各多媒体信息，按照所对应的匹配度从大到小的顺序进行排序，得到信息序列；利用所述信息序列中各多媒体信息的热度，对所述信息序列中各多媒体信息的顺序进行调整，得到调整后的信息序列；将所述调整后的信息序列中的多媒体信息，作为与所述目标账户特征相匹配的多媒体信息。
7.根据权利要求6所述的信息推荐装置，其特征在于，所述装置还包括：
标签确定模块，被配置为确定该类型的多媒体信息中每个多媒体信息的至少一个标签；
标签去重模块，被配置为对所确定的标签进行去重，得到第一标签集；
倒排列表建立模块，被配置为针对所述第一标签集中的每个标签，在该类型的多媒体信息中确定包含有该标签的目标多媒体信息，建立该标签到所确定的目标多媒体信息的信息ID的映射关系，得到该标签针对应于该类型的多媒体信息的倒排列表；
倒排索引建立模块，被配置为将所建立的各个标签的倒排列表作为该类型的多媒体信息的倒排索引。
8.根据权利要求7所述的信息推荐装置，其特征在于，所述装置还包括：
特征标签确定模块，被配置为将所述索引值确定为特征标签；
所述第二确定子模块，包括：
第一确定单元，被配置为在所述第一标签集中确定与所述特征标签相匹配的目标标签；
第二确定单元，被配置为确定每一目标标签的倒排列表中所记录的信息ID，并对所确定的信息ID进行去重；
第三确定单元，被配置为将去重后的信息ID对应的多媒体信息作为第一候选信息集。
9.根据权利要求6所述的信息推荐装置，其特征在于，所述筛选模块，包括：
第一选取子模块，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中，选取相同数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第二选取子模块，被配置为根据检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息的权重，以及预设的目标信息推荐结果的总数量，确定该类型的多媒体信息对应的选取数量，从检索到的该类型的多媒体信息中选取所述选取数量的多媒体信息，将所选取的多媒体信息作为目标信息推荐结果；或者，
第三选取子模块，被配置为从检索到的至少两种类型的多媒体信息中的每一种类型的多媒体信息中随机选取多媒体信息，将所选取的多媒体信息作为目标信息推荐结果。
10.根据权利要求6所述的信息推荐装置，其特征在于，所述多种类型的多媒体信息包括：预定类型的多媒体信息中的至少两种，所述预定类型的多媒体信息至少包括：视频、图片、文本和动画。
11.一种电子设备，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5中任一项所述的信息推荐方法。
12.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838698.7A CN112445970B (zh) | 2019-09-05 | 2019-09-05 | 一种信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838698.7A CN112445970B (zh) | 2019-09-05 | 2019-09-05 | 一种信息推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112445970A CN112445970A (zh) | 2021-03-05 |
| CN112445970B true CN112445970B (zh) | 2024-03-26 |
Family
ID=74733387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910838698.7A Active CN112445970B (zh) | 2019-09-05 | 2019-09-05 | 一种信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112445970B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362109B (zh) * | 2021-05-31 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 媒介资源的推荐方法、装置、电子设备、存储介质 |
| CN113554062B (zh) * | 2021-06-25 | 2023-08-01 | 北京百度网讯科技有限公司 | 多分类模型的训练方法、设备和存储介质 |
| CN113407754B (zh) * | 2021-07-13 | 2023-12-15 | 北京达佳互联信息技术有限公司 | 影集生成方法、装置、电子设备及存储介质 |
| CN113553509B (zh) * | 2021-07-29 | 2024-03-01 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
| CN115640370A (zh) * | 2022-12-08 | 2023-01-24 | 深圳市智多兴投控科技有限公司 | 一种数据分析方法及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015106347A (ja) * | 2013-12-02 | 2015-06-08 | 株式会社Ｎｔｔドコモ | レコメンド装置およびレコメンド方法 |
| CN107657004A (zh) * | 2017-09-21 | 2018-02-02 | 广州华多网络科技有限公司 | 视频推荐方法、***及设备 |
| CN109063143A (zh) * | 2018-08-07 | 2018-12-21 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
| WO2019128930A1 (zh) * | 2017-12-29 | 2019-07-04 | 中兴通讯股份有限公司 | 操作的处理方法、账号信息的处理方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104219647B (zh) * | 2014-05-23 | 2019-06-21 | 华为技术有限公司 | 无线信道控制方法、流量包交易、推荐方法及相关设备 |
-
2019
- 2019-09-05 CN CN201910838698.7A patent/CN112445970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015106347A (ja) * | 2013-12-02 | 2015-06-08 | 株式会社Ｎｔｔドコモ | レコメンド装置およびレコメンド方法 |
| CN107657004A (zh) * | 2017-09-21 | 2018-02-02 | 广州华多网络科技有限公司 | 视频推荐方法、***及设备 |
| WO2019128930A1 (zh) * | 2017-12-29 | 2019-07-04 | 中兴通讯股份有限公司 | 操作的处理方法、账号信息的处理方法、装置及存储介质 |
| CN109063143A (zh) * | 2018-08-07 | 2018-12-21 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112445970A (zh) | 2021-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112445970B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| CN106896991B (zh) | 一种更新信息的方法及装置 | |
| CN110688527A (zh) | 视频推荐方法、装置、存储介质及电子设备 | |
| CN110598098A (zh) | 一种信息推荐方法、装置和用于信息推荐的装置 | |
| CN110322305B (zh) | 数据对象信息提供方法、装置及电子设备 | |
| CN111127053B (zh) | 页面内容推荐方法、装置及电子设备 | |
| CN110955821A (zh) | 一种推荐方法、装置及可读介质 | |
| CN112148923B (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
| CN107622074A (zh) | 一种数据处理方法、装置和计算设备 | |
| CN113254135A (zh) | 界面处理方法、装置及电子设备 | |
| US11546663B2 (en) | Video recommendation method and apparatus | |
| CN107045541A (zh) | 数据显示方法和装置 | |
| CN111460172A (zh) | 产品问题的答案确定方法、装置和电子设备 | |
| CN105468783B (zh) | 信息收集方法及装置 | |
| CN113343028B (zh) | 意图确定模型的训练方法和装置 | |
| CN112612949B (zh) | 推荐数据集合的建立方法及装置 | |
| CN113901241A (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN117453933A (zh) | 一种多媒体数据推荐方法、装置、电子设备及存储介质 | |
| CN111752436A (zh) | 一种推荐方法、装置和用于推荐的装置 | |
| CN112685641A (zh) | 一种信息处理方法及装置 | |
| CN108572980B (zh) | 一种网页分屏显示方法和装置 | |
| CN114090870A (zh) | 搜索结果处理方法、装置、电子设备及存储介质 | |
| CN110020206B (zh) | 一种搜索结果排序方法及装置 | |
| CN113821145A (zh) | 页面处理方法、装置和介质 |
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 |