CN112733014A - 推荐方法、装置、设备及存储介质 - Google Patents
推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112733014A CN112733014A CN202011612465.4A CN202011612465A CN112733014A CN 112733014 A CN112733014 A CN 112733014A CN 202011612465 A CN202011612465 A CN 202011612465A CN 112733014 A CN112733014 A CN 112733014A
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- characteristic
- model
- historical behavior
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000002452 interceptive effect Effects 0.000 claims abstract description 59
- 230000006399 behavior Effects 0.000 claims description 148
- 230000003993 interaction Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003997 social interaction Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged 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
- G06F16/90—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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/44—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种推荐方法、装置、设备及存储介质,方法包括:获取当前用户的历史行为信息;根据历史行为信息,判断用户是否属于互动群体;获取当前用户的历史行为信息;根据历史行为信息,判断用户是否属于互动群体用于当判定所述用户属于所述互动群体时,获取用户的第一特征,根据第一特征,对用户推荐第一多媒体数据,其中,第一特征为用户的互动行为,以及用户对应的多媒体特征。本申请用以针对互动群体的用户推荐相对应的多媒体数据。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种推荐方法、装置、设备及存储介质。
背景技术
随着信息时代的到来,每天会有海量数据的内容产生,比如,视频内容、文字内容的产生,并且,各商家越来越关注用户的爱好,以能够更好的为用户提供个性化的内容。其中,个性化推荐的准确性越来越影响一个产品的用户留存和用户粘性。
另外,对于用户来说,用户对推荐的内容除了点击、浏览,还可以有很多互动的行为,例如,点赞、分享、收藏等。但是,很多的用户可能因为性格、习惯等原因,都止步于点击或观看,只有部分用户才会有点赞、评论等进一步的互动行为。
如何针对互动群体的用户,进行个性化的推荐是急需解决的问题。
发明内容
本申请提供了一种推荐方法、装置、设备及存储介质,用以针对互动群体的用户推荐相对应的多媒体数据。
第一方面,本申请提供了一种推荐方法,所述方法包括:
获取当前用户的历史行为信息;
根据所述历史行为信息,判断所述用户是否属于互动群体;
当判定所述用户属于所述互动群体时,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据;
其中,所述第一特征为所述用户的互动行为,以及所述用户对应的多媒体特征。
可选地,所述方法还包括:
当判定所述用户不属于所述互动群体时,获取所述用户的第二特征,根据所述第二特征,对所述用户推荐第二多媒体数据;
其中,所述第二特征为所述用户的用户画像、用户行为以及所述用户对应的多媒体特征。
可选地,根据所述历史行为信息,判断所述用户是否属于互动群体,包括:
将所述历史行为信息输入至判别模型,通过所述判别模型提取所述历史行为信息对应的所述用户的互动行为,根据所述互动行为判断所述用户是否属于所述互动群体,输出判断结果。
可选地,根据所述历史行为信息,判断所述用户是否属于互动群体,包括:
将所述历史行为信息输入至预先训练的判别模型中,得到所述判断结果;
其中,所述判别模型的训练过程包括:
获取第一样本用户的历史行为信息样本集合,其中,所述历史行为信息样本集合包括:N个所述第一样本用户的历史行为样本信息,以及每个所述第一样本用户的预设用户标记,所述预设用户标记用于指示所述第一样本用户是否属于所述互动群体,所述N为大于或等于1的整数;
分别对所述历史行为信息样本集合中每条所述历史行为样本信息执行以下训练过程:将所述历史行为样本信息输入至初始判别模型,通过所述初始判别模型提取所述历史行为样本信息对应的互动行为样本,根据所述互动行为样本判断所述第一样本用户是否属于互动群体,输出模型判断结果;
计算所述初始判别模型输出的所述模型判断结果,和所述第一样本用户的预设用户标记的第一一致率;
若所述第一一致率不大于第一预设阈值,调整所述初始判别模型中的参数后,重复执行所述训练过程,直至所述第一一致率大于所述第一预设阈值时,将所述初始判别模型作为最终的所述判别模型。
可选地,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据,包括:
将所述第一特征输入至多目标模型;
通过所述多目标模型计算所述第一特征中各个参数的权重,根据所述权重,输出所述第一特征中各个参数分别所对应的分值,其中,所述权重和所述分值成正比关系;
对所述各个参数分别所对应的分值进行排序,根据排序结果对所述用户推荐所述第一多媒体数据;
其中,所述分值用于表示所述第一特征中各个参数分别对应的所述用户的兴趣程度。
可选地,所述多目标模型的训练过程包括:
获取属于所述互动群体的第二样本用户的第一特征样本集合,其中,所述第一特征样本集合包括:M个所述第二样本用户的第一特征样本,以及每条所述第一特征样本中各个参数分别所对应的预设分值,所述M为大于或等于1的整数;
分别对所述第一特征样本集合中每条所述第一特征样本执行以下训练过程:将所述第一特征样本输入至初始多目标模型,通过所述初始多目标模型计算所述第一特征样本中各个参数的权重,根据所述权重,输出所述第一特征样本中各个参数分别所对应的分值;
计算所述初始多目标模型输出的所述各个参数分别所对应的分值,和所述预设分值的第二一致率;
若所述第二一致率不大于第二预设阈值,调整所述初始多目标模型中的参数后,重复执行所述训练过程,直至所述第二一致率大于所述第二预设阈值时,将所述初始多目标模型作为最终的所述多目标模型。
可选地,获取所述用户的第二特征,根据所述第二特征,对所述用户推荐第二多媒体数据,包括:
将所述第二特征输入至基准模型,通过所述基准模型对所述第二特征进行分析,输出多媒体数据的个数和播放时长;
根据所述多媒体数据的个数和所述播放时长,对所述用户推荐所述第二多媒体数据;
其中,所述基准模型的训练过程包括:
获取不属于所述互动群体的第三样本用户的第二特征样本集合,其中,所述第二特征样本集合包括:Q个所述第三样本用户的第二特征样本,以及每条所述第二特征样本所对应的多媒体数据的预设个数和预设播放时长,所述Q为大于或等于1的整数;
分别对所述第二特征样本集合中每条所述第二特征样本执行以下训练过程:将所述第二特征样本输入至初始基准模型,通过所述初始基准模型对所述第二特征样本进行分析,输出所述第二特征样本所对应的多媒体数据的个数和播放时长;
计算所述初始基准模型输出的所述个数与所述预设个数的第三一致率,以及初始基准模型输出的所述播放时长与所述预设播放时长的第四一致率;
若所述第三一致率和所述第四一致率均不大于第三预设阈值,调整所述初始基准模型中的参数后,重复执行所述训练过程,直至所述第三一致率和所述第四一致率均大于所述第三预设阈值时,将所述初始基准模型作为最终的所述基准模型。
第二方面,本申请提供了一种推荐装置,包括:
获取模块,用于获取当前用户的历史行为信息;
判断模块,用于根据所述历史行为信息,判断所述用户是否属于互动群体;
推荐模块,用于当判定所述用户属于所述互动群体时,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据;
其中,所述第一特征为所述用户的互动行为,以及所述用户对应的多媒体特征。
第三方面,本申请提供了一种电子设备,包括:处理器、通信组件、存储器和通信总线,其中,处理器、通信组件和存储器通过通信总线完成相互间的通信;所述存储器,用于存储计算机程序;所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的推荐方法。
第四方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的推荐方法。
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该方法,获取当前用户的历史行为信息,根据该历史行为信息,判断该用户是否属于互动群体,当判定该用户属于互动群体时,获取该用户的第一特征,根据第一特征,对用户推荐第一多媒体数据,第一特征为用户的互动行为以及该用户对应的多媒体特征,本申请通过判断当前用户是否属于互动群体,当判定当前用户属于互动群体时,进一步获取该用户对应的特征,根据获取的特征进行多媒体数据的推荐,实现了针对互动群体的用户推荐相应的多媒体数据,并且,在提高用户的互动行为的同时,由于用户的高互动行为,提高多媒体数据的曝光率,也提高了用户的留存率。
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为本申请实施例中推荐方法的流程示意图;
图2为本申请实施例中判别模型的训练过程示意图;
图3为本申请实施例中多目标模型的训练过程示意图;
图4为本申请实施例中基准模型的训练过程示意图;
图5为本申请实施例中推荐方法的具体流程示意图;
图6为本申请实施例中推荐装置的结构示意图;
图7为本申请实施例中电子设备的结构示意图。
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。
本申请实施例提供了一种推荐方法,该方法可以应用在终端,例如,手机、电脑、平板和电视等,也可以应用在安装在终端的应用程序中,例如,视频类应用程序和新闻类应用程序等,也可以应用在服务器中,该方法的具体实现,如图1所示:
下面,以该方法方法应用在视频类应用程序为例进行说明,当然,此处仅是举例说明,并不用于对本申请的保护范围进行限制,此处不再一一列举。并且,本申请中的一些其他举例说明,也不用于对本申请的保护范围的限制,便不在一一说明。
步骤101,获取当前用户的历史行为信息。
具体地,当用户打开一个视频类应用程序,该应用程序则根据当前用户的唯一标识获取该用户的历史行为信息,其中,该唯一标识可以为用户登录该应用程序的账号。其中,本申请从视频发布者和视频观看者两个用户角度说明用户的历史行为信息,该历史行为信息包括:视频发布者的历史行为信息和视频观看者的历史行为信息。当然,两个用户角度并不冲突,视频发布者也可以是视频观看者,视频观看者也可以是视频发布者,即,一个用户即可以制作、发布视频,也可以观看视频。
其中,视频发布者的历史行为信息包括:视频发布行为。
视频观看者的历史行为信息包括:基本行为和互动行为。其中,基本行为包括:观看行为,例如视频点击和视频滑动等。另外,在观看行为中还包括视频观看信息,该视频观看信息包括:观看时长、观看频率、观看视频的个数和观看时间段等。
互动行为包括:发弹幕行为、评论行为、分享行为和点赞行为等社交类互动行为,和,下载行为和收藏行为等偏好类互动行为。
另外,在获取用户历史行为信息的同时,也需要获取该用户的用户画像,例如,用户的年龄、性别、城市、学历、偏好视频的属性等,其中,偏好视频的属性包括:视频的类型,比如,搞笑类视频、颜值类视频、街坊类视频、恶搞类视频、动画类视频、美食类视频、萌宠类视频等,视频的时长等。
步骤102,根据历史行为信息,判断用户是否属于互动群体。
具体地,互动群体为高活跃群体,属于该群体的用户在观看视频的同时,能够积极参与互动。
一个具体实施例中,将历史行为信息输入至判别模型;通过判别模型提取历史行为信息对应的用户的互动行为,根据提取的互动行为判断用户是否属于互动群体,然后输出判断结果。其中,该判别模型通过历史行为信息样本数据训练获得。例如,判别模型在确定该用户的历史行为信息中的评论行为、点赞行为、收藏行为、发弹幕行为、下载行为、分享行为等互动行为分别达到各自预设定的预设次数时,则判断该用户属于互动群体,否则,判断该用户不属于互动群体。
例如,该用户满足发表评论的次数达到了第一预设次数,点赞的次数达到了第二预设次数,收藏的视频次数达到了第三预设次数,在观看视频时发布弹幕的次数达到了第四预设次数,下载视频的次数达到了第五预设次数时,分享视频的次数达到了第六预设次数时,则判定该用户属于互动群体,否则,判定该用户不属于互动群体。
本申请采用判别模型,判断该用户是否属于互动群体,目的是对用户做群体划分,针对不同群体的用户进行不同的视频推荐,以满足不同群体用户的观看需要,也能够提高视频的观看时长。
一个具体实施例中,将历史行为信息输入至预先训练的判别模型,输出判别结果,该判别模型的训练过程具体如图2所示:
步骤201,获取第一样本用户的历史行为信息样本集合,其中,历史行为信息样本集合包括:N个第一样本用户的历史行为样本信息,以及每个第一样本用户的预设用户标记,预设用户标记用于指示第一样本用户是否属于互动群体,N为大于或等于1的整数。
步骤202,分别对历史行为信息样本集合中每条历史行为样本信息执行以下训练过程:将历史行为样本信息输入至初始判别模型,通过初始判别模型根据历史行为样本信息判断第一样本用户是否属于互动群体,输出模型判断结果。
步骤203,计算初始判别模型输出的模型判断结果,和第一样本用户的预设用户标记的第一一致率。
步骤204,若第一一致率不大于第一预设阈值,调整初始判别模型中的参数后,重复执行训练过程,直至第一一致率大于第一预设阈值时,将初始判别模型作为最终的判别模型。
另外,定时采集判别模型应用后,第一预设时间段的历史行为信息,将该第一预设时间段的历史行为信息组成新的第一样本用户的历史行为信息样本集合,并对新的第一样本用户的历史行为信息样本集合重复执行判别模型的训练过程,直至第一一致率大于第一预设阈值时,判别模型更新成功。
本申请通过不断更新判别模型,使得该判别模型的判断结果越来越准确,用户群体划分精度越来越高,提高了用户的留存率。
另外,除了采用将用户对应的历史行为信息输入至判别模型,得到用户是否属于互动群体的方式,还可以采取以下方式来实现:
从历史行为信息中提取预设的互动行为中的任意一项或多项,分别统计提取的每项互动行为的发生次数,当每项互动行为的次数分别大于各自的预设次数时,则判定该用户属于互动群体,否则,判定该用户不属于互动群体。若,无法提取到预设的互动行为中的任意一项,则,判定该用户不属于互动群体。
步骤103,当判定用户属于互动群体时,获取用户的第一特征,根据第一特征,对用户推荐第一多媒体数据,其中,第一特征为用户的互动行为以及多媒体特征。
具体地,互动行为包括:发弹幕行为、评论行为、分享行为和点赞行为等社交类互动行为,和,下载行为和收藏行为等偏好类互动行为;多媒体特征包括:视频的类型、视频的时长等。
一个具体实施例中,将用户的第一特征输入至多目标模型;通过多目标模型计算第一特征中各个参数的权重,根据权重,输出第一特征中各个参数分别所对应的分值,其中,权重和分值成正比关系;对各个参数分别所对应的分值进行排序,根据排序结果对用户推荐所述第一多媒体数据;其中,分值用于表示第一特征中各个参数分别对应的用户的兴趣程度,该多目标模型通过属于互动群体用户的第一特征样本数据训练获得。该多目标模型可以为多任务模型(Modeling Task Relationships in Multi-task Learning withMulti-gate Mixture-of-Experts,简称MMOE模型)。
例如,第一特征包括发弹幕行为、评论行为、分享行为、点赞行为、下载行为和收藏行为等参数,通过多目标模型计算获得各个参数的权重,比如,评论行为占比50%,点赞行为占比30%,发弹幕行为占比18%,下载行为占比2%,分享行为占比0%,收藏行为占比0%。进一步的根据获得的权重确定各个参数的分值,明显可见,该用户的评论、点赞行为的分值更高,确定该用户更喜欢发布评论和点赞,因此,可以在推荐视频满足用户偏好需求的基础上,将需要推广以及需要增加互动曝光率的视频推荐给用户。
一个具体实施例中,该多目标模型的训练过程具体如3所示:
步骤301,获取属于互动群体的第二样本用户的第一特征样本集合,其中,第一特征样本集合包括:M个第二样本用户的第一特征样本,以及每条第一特征样本中各个参数分别所对应的预设分值,M为大于或等于1的整数。
步骤302,分别对第一特征样本集合中每条第一特征样本执行以下训练过程:将第一特征样本输入至初始多目标模型,通过初始多目标模型计算第一特征样本中各个参数的权重,根据权重,输出第一特征样本中各个参数分别所对应的分值。
步骤303,计算初始多目标模型输出的各个参数分别所对应的分值,和预设分值的第二一致率。
步骤304,若第二一致率不大于第二预设阈值,调整初始多目标模型中的参数后,重复执行训练过程,直至第二一致率大于第二预设阈值时,将初始多目标模型作为最终的多目标模型。
另外,定时采集更新多目标模型应用后,第二预设时间段的属于互动群体的第二样本用户的新的第一特征样本集合,并对新的第二样本用户的第一特征样本集合重复执行多目标模型的训练过程,直至第二一致率大于第二预设阈值时,多目标模型更新成功。
本申请通过不断更新多目标模型,使得多目标模型输出的各个参数的权重越来越准确,提高了用户的留存率。
另外,除了采用将用户对应的第一特征输入至多目标模型,得到第一特征中各个参数分值,根据得到的分值对用户推荐第一多媒体数据之外,还可以采取以下方式来实现:
计算第一特征的各个参数的权重,根据计算得到的权重,对第一特征各个参数以权重从高到低进行排序,得到排序结果,根据排序结果对用户推荐第一多媒体数据。
一个具体实施例中,若判断结果为否,获取用户的第二特征,根据第二特征,对用户推荐第二多媒体数据,其中,第二特征为用户的用户画像、用户行为以及多媒体特征。
具体地,此处的用户行为为用户的基本行为。
一个具体实施例中,将用户的第二特征输入至基准模型,通过基准模型对第二特征进行分析,输出多媒体数据的个数和播放时长;根据多媒体数据的个数和播放时长,对用户推荐所述第二多媒体数据。其中,多媒体数据个数为用户观看的视频个数,播放时长为用户观看的各个视频分别所对应的时长,以及用户观看视频的总时长。该基准模型通过不属于互动群体的用户的第二特征样本数据训练获得。
一个具体实施例中,该基准模型的训练过程具体如图4所示:
步骤401,获取不属于互动群体的第三样本用户的第二特征样本集合,其中,第二特征样本集合包括:Q个第三样本用户的第二特征样本,以及每条第二特征样本所对应的多媒体数据的预设个数和预设播放时长,Q为大于或等于1的整数。
步骤402,分别对第二特征样本集合中每条第二特征样本执行以下训练过程:将第二特征样本输入至初始基准模型,通过初始基准模型对第二特征样本进行分析,输出第二特征样本所对应的多媒体数据的个数和播放时长。
步骤403,计算初始基准模型输出的个数与预设个数的第三一致率,以及初始基准模型输出的播放时长与预设播放时长的第四一致率。
步骤404,若第三一致率和第四一致率均不大于第三预设阈值,调整初始基准模型中的参数后,重复执行训练过程,直至第三一致率和第四一致率均大于第三预设阈值时,将初始基准模型作为最终的基准模型。
另外,定时采集基准模型应用后,第三预设时间段的不属于互动群体的第三样本用户的新的第二特征样本集合,并对新的第三样本用户的第二特征样本集合重复执行基准模型的训练过程,直至第三一致率和第四一致率均大于第三预设阈值时,基准模型更新成功。
本申请通过不断更新基准模型,使得基准模型输出的视频个数和视频播放时长越来越准确,提高了视频的播放时长,也提高了用户的留存率。
另外,除了采用将用户对应的第二特征输入至基准模型,得到该用户对应的多媒体数据的个数和播放时长之外,还可以采取以下方式来实现:
根据第二特征,统计该用户对应多媒体数据和播放时长,根据多媒体数据的个数和播放时长,对用户推荐第二多媒体数据。
下面,通过图5对推荐方法做一个具体说明:
步骤501,获取当前用户的历史行为信息。
步骤502,通过判别模型判断用户是否属于互动群体,若是,执行步骤503,否则,执行步骤505。
步骤503,获取用户的第一特征,通过多目标模型根据第一特征,对用户推荐第一多媒体数据。
步骤504,显示第一多媒体数据。
步骤505,获取用户的第二特征,通过基准模型根据第二特征,对用户推荐第二多媒体数据。
步骤506,显示第二多媒体数据。
本申请实施例提供的该方法,获取当前用户的历史行为信息,根据该历史行为信息,判断该用户是否属于互动群体,当判定该用户属于互动群体时,获取该用户的第一特征,根据第一特征,对用户推荐第一多媒体数据,第一特征为用户的互动行为以及该用户对应的多媒体特征,本申请通过判断当前用户是否属于互动群体,当判定当前用户属于互动群体时,进一步获取该用户对应的特征,根据获取的特征进行多媒体数据的推荐,实现了针对互动群体的用户推荐相应的多媒体数据,并且,在提高用户的互动行为的同时,由于用户的高互动行为,提高多媒体数据的曝光率,也提高了用户的留存率。
本申请又一实施例,提供了一种推荐装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图6所示,该装置主要包括:
获取模块601,用于获取当前用户的历史行为信息。
判断模块602,用于根据历史行为信息,判断用户是否属于互动群体。
推荐模块603,用于当判定所述用户属于所述互动群体时,获取用户的第一特征,根据第一特征,对用户推荐第一多媒体数据。
其中,第一特征为用户的互动行为,以及用户对应的多媒体特征。
基于同一构思,本申请实施例中还提供了一种电子设备,如图7所示,该电子设备主要包括:处理器701、通信组件702、存储器703和通信总线704,其中,处理器701、通信组件702和存储器703通过通信总线704完成相互间的通信。其中,存储器703中存储有可被至处理器701执行的程序,处理器701执行存储器703中存储的程序,实现如下步骤:获取当前用户的历史行为信息;根据历史行为信息,判断用户是否属于互动群体用于当判定所述用户属于所述互动群体时,获取用户的第一特征,根据第一特征,对用户推荐第一多媒体数据,其中,第一特征为用户的互动行为,以及用户对应的多媒体特征。
上述电子设备中提到的通信总线704可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示,图7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。
通信组件702用于上述电子设备与其他设备之间的通信。
存储器703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。可选地,存储器还可以是至少一个位于远离前述处理器701的存储装置。
上述的处理器701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。
在本申请的又一实施例中,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计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的推荐方法。
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。该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该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该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,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该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。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)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。
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)
1.一种推荐方法,其特征在于,所述方法包括:
获取当前用户的历史行为信息;
根据所述历史行为信息,判断所述用户是否属于互动群体;
当判定所述用户属于所述互动群体时,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据;
其中,所述第一特征为所述用户的互动行为,以及所述用户对应的多媒体特征。
2.根据权利要求1所述的推荐方法,其特征在于,所述方法还包括:
当判定所述用户不属于所述互动群体时,获取所述用户的第二特征,根据所述第二特征,对所述用户推荐第二多媒体数据;
其中,所述第二特征为所述用户的用户画像、用户行为以及所述用户对应的多媒体特征。
3.根据权利要求1或2所述的推荐方法,其特征在于,根据所述历史行为信息,判断所述用户是否属于互动群体,包括:
将所述历史行为信息输入至判别模型,通过所述判别模型提取所述历史行为信息对应的所述用户的互动行为,根据所述互动行为判断所述用户是否属于所述互动群体,输出判断结果。
4.根据权利要求1或2所述的推荐方法,其特征在于,根据所述历史行为信息,判断所述用户是否属于互动群体,包括:
将所述历史行为信息输入至预先训练的判别模型中,得到所述判断结果;
其中,所述判别模型的训练过程包括:
获取第一样本用户的历史行为信息样本集合,其中,所述历史行为信息样本集合包括:N个所述第一样本用户的历史行为样本信息,以及每个所述第一样本用户的预设用户标记,所述预设用户标记用于指示所述第一样本用户是否属于所述互动群体,所述N为大于或等于1的整数;
分别对所述历史行为信息样本集合中每条所述历史行为样本信息执行以下训练过程:将所述历史行为样本信息输入至初始判别模型,通过所述初始判别模型提取所述历史行为样本信息对应的互动行为样本,根据所述互动行为样本判断所述第一样本用户是否属于互动群体,输出模型判断结果;
计算所述初始判别模型输出的所述模型判断结果,和所述第一样本用户的预设用户标记的第一一致率;
若所述第一一致率不大于第一预设阈值,调整所述初始判别模型中的参数后,重复执行所述训练过程,直至所述第一一致率大于所述第一预设阈值时,将所述初始判别模型作为最终的所述判别模型。
5.根据权利要求1所述的推荐方法,其特征在于,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据,包括:
将所述第一特征输入至多目标模型;
通过所述多目标模型计算所述第一特征中各个参数的权重,根据所述权重,输出所述第一特征中各个参数分别所对应的分值,其中,所述权重和所述分值成正比关系;
对所述各个参数分别所对应的分值进行排序,根据排序结果对所述用户推荐所述第一多媒体数据;
其中,所述分值用于表示所述第一特征中各个参数分别对应的所述用户的兴趣程度。
6.根据权利要求5所述的推荐方法,其特征在于,所述多目标模型的训练过程包括:
获取属于所述互动群体的第二样本用户的第一特征样本集合,其中,所述第一特征样本集合包括:M个所述第二样本用户的第一特征样本,以及每条所述第一特征样本中各个参数分别所对应的预设分值,所述M为大于或等于1的整数;
分别对所述第一特征样本集合中每条所述第一特征样本执行以下训练过程:将所述第一特征样本输入至初始多目标模型,通过所述初始多目标模型计算所述第一特征样本中各个参数的权重,根据所述权重,输出所述第一特征样本中各个参数分别所对应的分值;
计算所述初始多目标模型输出的所述各个参数分别所对应的分值,和所述预设分值的第二一致率;
若所述第二一致率不大于第二预设阈值,调整所述初始多目标模型中的参数后,重复执行所述训练过程,直至所述第二一致率大于所述第二预设阈值时,将所述初始多目标模型作为最终的所述多目标模型。
7.根据权利要求2所述推荐方法,其特征在于,获取所述用户的第二特征,根据所述第二特征,对所述用户推荐第二多媒体数据,包括:
将所述第二特征输入至基准模型,通过所述基准模型对所述第二特征进行分析,输出多媒体数据的个数和播放时长;
根据所述多媒体数据的个数和所述播放时长,对所述用户推荐所述第二多媒体数据;
其中,所述基准模型的训练过程包括:
获取不属于所述互动群体的第三样本用户的第二特征样本集合,其中,所述第二特征样本集合包括:Q个所述第三样本用户的第二特征样本,以及每条所述第二特征样本所对应的多媒体数据的预设个数和预设播放时长,所述Q为大于或等于1的整数;
分别对所述第二特征样本集合中每条所述第二特征样本执行以下训练过程:将所述第二特征样本输入至初始基准模型,通过所述初始基准模型对所述第二特征样本进行分析,输出所述第二特征样本所对应的多媒体数据的个数和播放时长;
计算所述初始基准模型输出的所述个数与所述预设个数的第三一致率,以及初始基准模型输出的所述播放时长与所述预设播放时长的第四一致率;
若所述第三一致率和所述第四一致率均不大于第三预设阈值,调整所述初始基准模型中的参数后,重复执行所述训练过程,直至所述第三一致率和所述第四一致率均大于所述第三预设阈值时,将所述初始基准模型作为最终的所述基准模型。
8.一种推荐装置,其特征在于,包括:
获取模块,用于获取当前用户的历史行为信息;
判断模块,用于根据所述历史行为信息,判断所述用户是否属于互动群体;
推荐模块,用于当判定所述用户属于所述互动群体时,获取所述用户的第一特征,根据所述第一特征,对所述用户推荐第一多媒体数据;
其中,所述第一特征为所述用户的互动行为,以及所述用户对应的多媒体特征。
9.一种电子设备,其特征在于,包括:处理器、通信组件、存储器和通信总线,其中,处理器、通信组件和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-7任一项所述的推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011612465.4A CN112733014A (zh) | 2020-12-30 | 2020-12-30 | 推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011612465.4A CN112733014A (zh) | 2020-12-30 | 2020-12-30 | 推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733014A true CN112733014A (zh) | 2021-04-30 |
Family
ID=75611010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011612465.4A Pending CN112733014A (zh) | 2020-12-30 | 2020-12-30 | 推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733014A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626712A (zh) * | 2021-08-19 | 2021-11-09 | 云南腾云信息产业有限公司 | 一种基于用户互动行为的内容确定方法及装置 |
CN113724454A (zh) * | 2021-08-25 | 2021-11-30 | 上海擎朗智能科技有限公司 | 移动设备的互动方法、移动设备、装置及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686396A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 视频分享方法及装置 |
CN106446078A (zh) * | 2016-09-08 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种信息的推荐方法和推荐装置 |
CN106484777A (zh) * | 2016-09-12 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种多媒体数据处理方法以及装置 |
CN107609198A (zh) * | 2017-10-20 | 2018-01-19 | 咪咕互动娱乐有限公司 | 一种推荐方法、装置及计算机可读存储介质 |
CN108388624A (zh) * | 2018-02-12 | 2018-08-10 | 科大讯飞股份有限公司 | 多媒体信息推荐方法及装置 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110321455A (zh) * | 2019-06-19 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 一种信息推送方法及装置 |
CN110781321A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种多媒体内容推荐方法及装置 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111010592A (zh) * | 2019-12-19 | 2020-04-14 | 上海众源网络有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
CN111723910A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技(北京)有限公司 | 构建多任务学习模型的方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-30 CN CN202011612465.4A patent/CN112733014A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686396A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 视频分享方法及装置 |
CN106446078A (zh) * | 2016-09-08 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种信息的推荐方法和推荐装置 |
CN106484777A (zh) * | 2016-09-12 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种多媒体数据处理方法以及装置 |
CN107609198A (zh) * | 2017-10-20 | 2018-01-19 | 咪咕互动娱乐有限公司 | 一种推荐方法、装置及计算机可读存储介质 |
CN108388624A (zh) * | 2018-02-12 | 2018-08-10 | 科大讯飞股份有限公司 | 多媒体信息推荐方法及装置 |
CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110321455A (zh) * | 2019-06-19 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 一种信息推送方法及装置 |
CN110781321A (zh) * | 2019-08-28 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种多媒体内容推荐方法及装置 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111010592A (zh) * | 2019-12-19 | 2020-04-14 | 上海众源网络有限公司 | 一种视频推荐方法、装置、电子设备及存储介质 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
CN111723910A (zh) * | 2020-06-17 | 2020-09-29 | 腾讯科技(北京)有限公司 | 构建多任务学习模型的方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113626712A (zh) * | 2021-08-19 | 2021-11-09 | 云南腾云信息产业有限公司 | 一种基于用户互动行为的内容确定方法及装置 |
CN113724454A (zh) * | 2021-08-25 | 2021-11-30 | 上海擎朗智能科技有限公司 | 移动设备的互动方法、移动设备、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781391B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN107832437B (zh) | 音/视频推送方法、装置、设备及存储介质 | |
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
CN108540826B (zh) | 弹幕推送方法、装置、电子设备及存储介质 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN110598157B (zh) | 目标信息识别方法、装置、设备及存储介质 | |
CN111767429B (zh) | 一种视频推荐方法、装置及电子设备 | |
US20140279121A1 (en) | Customizable and adjustable pricing of games | |
CN111107416B (zh) | 一种弹幕屏蔽方法、装置及电子设备 | |
US20140274355A1 (en) | Dynamic recommendation of games | |
CN110737859A (zh) | 一种up主匹配方法及装置 | |
US20140274354A1 (en) | Intelligent merchandising of games | |
CN110851712B (zh) | 书籍信息的推荐方法、设备以及计算机可读介质 | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN112733014A (zh) | 推荐方法、装置、设备及存储介质 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
JP2011227721A (ja) | 関心抽出装置、関心抽出方法、及び関心抽出プログラム | |
CN107656918A (zh) | 获取目标用户的方法及装置 | |
CN113297486B (zh) | 一种点击率预测方法及相关装置 | |
CN108062415B (zh) | 用户行为的统计方法、装置及终端设备 | |
JP2014222474A (ja) | 情報処理装置、方法及びプログラム | |
CN111177564B (zh) | 一种产品推荐方法及装置 | |
CN105446971B (zh) | 一种信息显示方法和装置 | |
CN107341172B (zh) | 视频收益计算建模装置与方法及视频推荐装置与方法 | |
CN115834959A (zh) | 一种视频推荐信息确定方法、装置、电子设备和介质 |
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 |