CN112733034B - 内容推荐方法、装置、设备及存储介质 - Google Patents
内容推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112733034B CN112733034B CN202110082389.9A CN202110082389A CN112733034B CN 112733034 B CN112733034 B CN 112733034B CN 202110082389 A CN202110082389 A CN 202110082389A CN 112733034 B CN112733034 B CN 112733034B
- Authority
- CN
- China
- Prior art keywords
- content
- target
- feature
- target object
- recommendation
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种内容推荐方法、装置、设备及存储介质,涉及计算机和互联网技术领域。所述方法包括:获取目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,特征标签数据包括每一项特征对应的标签数据,标签数据用于指示目标对象或目标内容与特征之间的关联程度;基于目标对象在多个特征组上的特征标签数据、目标内容在多个特征组上的特征标签数据,以及多个特征组分别对应的权重值,确定目标内容相对于目标对象的匹配度;基于目标内容相对于目标对象的匹配度,确定向目标对象推荐目标内容的推荐策略。本申请实施例提供的技术方案,能够提升内容推荐的准确性。
Description
技术领域
本申请实施例涉及计算机和互联网技术领域,特别涉及一种内容推荐方法、装置、设备及存储介质。
背景技术
用户使用应用程序的过程中,有时应用程序需要针对不同的用户推荐不同的内容。
在相关技术中,通过相关技术人员确定需要推荐的多个内容以及多个内容的推荐方式,向不同用户按照该推荐方式推荐该多个内容。在上述相关技术中,不同用户被推荐的内容均相同,内容推荐的准确性较低。
发明内容
本申请实施例提供了一种内容推荐方法、装置、设备及存储介质,能够提升内容推荐的通用性。所述技术方案如下:
根据本申请实施例的一个方面,提供了一种内容推荐方法,所述方法包括:
获取目标对象在多个特征组上的特征标签数据,以及目标内容在所述多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,所述特征标签数据包括每一项特征对应的标签数据,所述标签数据用于指示所述目标对象或所述目标内容与所述特征之间的关联程度;
基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度;
基于所述目标内容相对于所述目标对象的匹配度,确定向所述目标对象推荐所述目标内容的推荐策略。
根据本申请实施例的一个方面,提供了一种内容推荐装置,所述装置包括:
数据获取模块,用于获取目标对象在多个特征组上的特征标签数据,以及目标内容在所述多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,所述特征标签数据包括每一项特征对应的标签数据,所述标签数据用于指示所述目标对象或所述目标内容与所述特征之间的关联程度;
匹配度确定模块,用于基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度;
策略确定模块,用于基于所述目标内容相对于所述目标对象的匹配度,确定向所述目标对象推荐所述目标内容的推荐策略。
根据本申请实施例的一个方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述内容推荐方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述内容推荐方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述内容推荐方法。
本申请实施例提供的技术方案可以包括如下有益效果:
通过将特征标签归类为多个特征组,基于目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据,以及多个特征组分别对应的权重,确定目标内容相对于目标对象的匹配度,再基于该匹配度确定向目标对象推荐内容的推荐策略,由于目标内容相对于不同对象的匹配度可以不相同,因而向各个对象推荐内容的推荐策略也可以不相同,从而可以向目标对象推荐与目标对象更匹配的内容,提升内容推荐的准确性。
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,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的内容推荐***的示意图;
图2是本申请一个实施例提供的内容推荐方法的流程图;
图3是本申请另一个实施例提供的内容推荐方法的流程图;
图4是本申请另一个实施例提供的内容推荐方法的流程图;
图5是本申请另一个实施例提供的内容推荐方法的流程图;
图6是本申请一个实施例提供的用户界面的示意图;
图7是本申请另一个实施例提供的内容推荐方法的流程图;
图8是本申请一个实施例提供的内容推荐装置的框图;
图9是本申请另一个实施例提供的内容推荐装置的框图;
图10是本申请一个实施例提供的计算机设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请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、本申请的一些方面相一致的方法的例子。
基于内容的推荐(Content-based Recommendation)是建立在项目的内容信息上作出的推荐,而不需要依据用户对项目的评价意见。在基于内容的推荐***中,项目或对象是通过相关的特征的属性来定义,***基于用户评价对象的特征,获取用户的兴趣,考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法,常用的有决策树、神经网络和基于向量的表示方法等。基于内容的用户资料是需要有用户的历史数据,用户资料模型可能随着用户的偏好改变而发生变化。
基于内容推荐方法的优点包括:
1)不需要其它用户的数据,没有冷开始问题和稀疏问题。
2)能为具有特殊兴趣爱好的用户进行推荐。
3)能推荐新的或不是很流行的项目内容,没有新项目问题。
4)通过列出推荐项目的内容特征,可以解释为什么推荐那些项目。
特征相似度:是指相同的特征组中,对象的标签数据和内容的标签数据之间的余弦距离。在基于向量或平面距离的计算(如平面上的两个坐标的相邻情况)时,特征性相似度还可以是欧式距离(Euclidean Distance);在对两个线性变量之间相似度进行衡量时,特征性相似度还可以是皮尔逊相关系数(Pearson);在需要修正传入数据的量纲对于余弦距离的影响时,特征性相似度还可以是修正余弦相似度(Adjusted Cosine);在计算文本字符串之间的相似度时,特征性相似度还可以是汉明距离(Hamming Distance)。
请参考图1,其示出了本申请一个实施例提供的实施环境的示意图。该实施环境可以实现为内容推荐***,该***10可以包括终端11和服务器12。
终端11用于显示推荐的内容。可选地,终端11中运行有目标应用程序,如目标应用程序的第一客户端。该目标应用程序可以是游戏应用程序,如射击类游戏应用程序、多人枪战类生存游戏应用程序、大逃杀生存类游戏应用程序、LBS(Location Based Service,基于位置服务)类游戏应用程序、MOBA(Multiplayer Online Battle Arena,多人在线战术竞技)类游戏应用程序等等,本申请实施例对此不作限定。该目标应用程序还可以是社交应用程序、支付应用程序、视频应用程序、音乐应用程序、购物应用程序、新闻应用程序等任何具有内容推荐功能的应用程序。
服务器12用于确定推荐的内容和内容推荐策略。服务器12与终端11建立有通信连接(如网络连接),服务器12用于为目标应用程序提供后台服务。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。
在一些实施例中,若目标应用程序为游戏应用程序,本申请实施例提供给的技术方案,可以应用于游戏任务推荐场景中。例如,基于游戏用户的多个特征组上的特征标签数据,向该游戏用户进行游戏任务推荐。
在另一些实施例中,若目标应用程序为购物应用程序,本申请实施例提供的技术方案,可以应用于商品推荐场景中。例如,基于用户的多个特征组上的特征标签数据,向该用户推荐适合该用户的商品。
在另一些实施例中,若目标应用程序为用于展示网络媒体内容的应用程序,本申请实施例提供的技术方案,可以应用于网络媒体内容推荐场景中。例如,基于用户的多个特征组上的特征标签数据,向该用户推荐该用户较为可能喜欢的网络媒体内容。可选地,网络媒体内容可以是歌曲、音乐、视频、文章等等,本申请实施例对此不作具体限定。
在另一些实施例中,若目标应用程序为用于推荐书籍的应用程序,本申请实施例提供的技术方案,可以应用于书籍推荐场景中。例如,基于用户的多个特征组上的特征标签数据,向该用户推荐该用户较为可能喜欢的书籍。
下面,通过几个实施例对本申请技术方案进行介绍说明。
请参考图2,其示出了本申请一个实施例提供的内容推荐方法的流程图。在本实施例中,以该方法应用于上文介绍的服务器中来举例说明。该方法可以包括如下几个步骤(201~203):
步骤201,获取目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据。
可选地,每个特征组包括至少一项特征,特征标签数据包括每一项特征对应的标签数据,标签数据用于指示目标对象或目标内容与特征之间的关联程度。
在一些实施例中,根据获取到的目标对象的历史数据,确定目标对象在多个特征组上的特征标签数据。目标内容在多个特征组上的特征标签数据,可以由相关技术人员根据实际情况进行设定,也可以有服务器根据用户的技术数据自动生成。在不同的内容推荐场景中,目标对象和目标内容可以有所不同。示例性地,目标对象可以是目标用户、目标小组、目标群体(如儿童、青少年、老年人等)、目标城市、目标地区等等,本申请实施例对此不作具体限定;目标内容可以是目标任务(如游戏任务、工作任务等等)、目标音视频(如音频、短视频、长视频等)、目标内容生产者(如作者、视频帐号等)、目标应用程序(如游戏应用程序、音乐应用程序、视频应用程序、社交应用程序、图像处理应用程序、生活服务类应用程序、交通出行类应用程序、购物应用程序等)、目标文本等等,本申请实施例对此也不作具体限定。
在一个示例中,目标游戏应用程序(或目标游戏应用程序的后台服务器)通过获取目标用户的历史数据,确定目标用户在多个特征组上的特征标签数据。可选地,历史数据包括目标用户的游戏对局时间、游戏对局频率、常用游戏角色类型等等。如下表一所示,特征组包括活跃类标签特征组、游戏水平类标签特征组和角色类标签特征组等等。示例性地,游戏水平类标签特征组包括高水平、中水平和低水平三种特征标签。
表一
在一些实施例中,该方法还包括如下步骤:
1、获取目标对象在目标时段内的历史数据;
2、基于目标对象在目标时段内的历史数据,更新目标对象在多个特征组上的特征标签数据。
在该实现方式中,目标对象的历史数据发生变化时,基于变化后的历史数据,对新目标对象在多个特征组上的特征标签数据进行更新。在一些实施例中,目标对象在目标时段内的历史数据是目标对象最新的历史数据,基于目标对象最新的历史数据,对新目标对象在多个特征组上的特征标签数据进行更新。在另一些实施例中,目标时段为工作日、周末、节假日等指定时段。在一个示例中,获取目标用户在历史的周末产生的历史数据,基于目标用户在历史的周末产生的历史数据,在用户周末登录目标游戏应用程序时,更新目标对象在多个特征组上的特征标签数据。在该实现方式中,基于目标用户在目标时段的历史数据,更新目标对象在多个特征组上的特征标签数据,使得更新后的特征标签数据与目标对象更相符,提升目标对象在多个特征组上的特征标签数据的准确性。
在一些实施例中,如上表一所示,若目标对象的历史数据符合某一特征的描述,则表示目标对象符合该特征,该特征对应的特征标签数据为1;若目标对象的历史数据不符合某一特征的描述,则表示目标对象不符合该特征,该特征对应的特征标签数据为。
步骤202,基于目标对象在多个特征组上的特征标签数据、目标内容在多个特征组上的特征标签数据,以及多个特征组分别对应的权重值,确定目标内容相对于目标对象的匹配度。
在一些实施例中,通过将每一项特征对应于目标对象的标签数据,与对应于目标内容的标签数据结合,确定目标对象在每一项特征上与目标内容的关联程度;再基于目标对象在每一项特征上与目标内容的关联程度,确定目标对象在每一个特征组上与目标内容的关联程度;之后,基于目标对象在每一个特征组上与目标内容的关联程度,以及多个特征组分别对应的权重值,确定目标内容相对于目标对象的匹配度。
可选地,特征组对应的权重值,用于指示该特征组对于确定向所述目标对象推荐所述目标内容的推荐策略的重要程度;目标内容相对于目标对象的匹配度,用于指示目标内容与目标对象之间的关联程度。
步骤203,基于目标内容相对于目标对象的匹配度,确定向目标对象推荐目标内容的推荐策略。
在一些实施例中,基于目标内容相对于目标对象的匹配度,确定是否向目标对象推荐目标内容,或者,确定向目标对象推荐目标内容的推荐程度,或者,确定目标内容在向目标对象推荐的多个内容中的排序。
综上所述,本申请实施例提供的技术方案中,通过将特征标签归类为多个特征组,基于目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据,以及多个特征组分别对应的权重,确定目标内容相对于目标对象的匹配度,再基于该匹配度确定向目标对象推荐内容的推荐策略,由于目标内容相对于不同对象的匹配度可以不相同,因而向各个对象推荐内容的推荐策略也可以不相同,从而可以向目标对象推荐与目标对象更匹配的内容,提升内容推荐的准确性。
另外,本申请实施例中,通过对各个特征组设置对应的权重值,从而体现目标内容对各个特征组不同的倾向程度,进而提升目标内容和与其强相关的特征组之间的关联性,进而进一步提升内容推荐的准确性。
请参考图3,其示出了本申请另一个实施例提供的内容推荐方法的流程图。在本实施例中,以该方法应用于上文介绍的计算机设备中来举例说明。该方法可以包括如下几个步骤(301~306):
步骤301,获取目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据。
该步骤301与上述图2实施例中步骤201的内容相同或相似,此处不再赘述。
步骤302,对于每一个特征组,确定目标对象在特征组上的特征标签数据与目标内容在特征组上的特征标签数据之间的特征相似度。
在一些实施例中,目标对象在特征组上的特征标签数据,包括目标对象对应于各个特征的权重值;目标内容在特征组上的特征标签数据,包括目标内容对应于各个特征的权重值;基于目标对象对应于各个特征的权重值,以及目标内容对应于各个特征的权重值,计算各个特征组分别对应的特征相似度。
在一些实施例中,各个特征组分别对应的特征相似度为余弦相似度。计算余弦相似度可以参考下述公式一:
公式一:
其中,cosθ为特征组对应的特征相似度,Xi为目标内容对应于该特征组的第i个特征的权重值,Yi为目标对象对应于该特征组的第i个特征的权重值,n为该特征组中特征的数量,n为正整数,i为小于或等于n的正整数。
在示例性实施例中,内容对应于特征的权重值、内容对应于特征组的权重值以及内容权重的权重值的取值包括:1、2、3、4、5。其中,权重值为1表示极度不推荐对应的内容,或内容与对应的特征或特征类极度不符合;权重值为2表示比较不推荐对应的内容,或内容与对应的特征或特征类比较不符合;权重值为3表示对对应的内容没有推荐倾向性,或内容与对应的特征或特征类极度的符合程度为一般;权重值为4表示比较不推荐对应的内容,或内容与对应的特征或特征类比较不符合;权重值为5表示极度推荐对应的内容,或内容与对应的特征或特征类极度符合。如下表二所示,设置各个内容偏向或抑制的特征标签,并设置内容对应的特征标签的权重值:
表二
如下表三所示,设置内容对应的特征组的权重值:
表三
在一个示例中,目标对象为目标用户,目标内容为目标游戏任务。目标用户在游戏水平类标签这一特征组中对应于各个特征点权重值如下表四:
表四
“在xx加入队伍3局xx游戏”这一游戏任务,在游戏水平类标签这一特征组中对应于各个特征点权重值如下表五:
表五
基于上述表二和表三,采用上述公式一,对于“在xx加入队伍3局xx游戏”这一游戏任务,计算游戏水平类标签这一特征组对应的特征相似度的过程如下:
其中,cosθ为游戏水平类标签这一特征组对应的特征相似度。
步骤303,基于多个特征组分别对应的特征相似度和权重值,采用加权求和方式确定目标内容相对于目标对象的匹配度。
在一些实施例中,对于第j个特征组,第j个特征组对应的特征相似度和第j个特征组对应的权重值相乘,得到第j个特征组对应的乘积,j为正整数;将多个特征组分别对应的乘积相加,得到多个特征组的乘积和;将多个特征组分别对应的权重值相加,得到多个特征组的权重和;将多个特征组的乘积和比上多个特征组的权重和,得到目标内容相对于目标对象的匹配度。在另一些实施例中,将多个特征组的乘积和确定为目标内容相对于目标对象的匹配度。
可选地,目标内容相对于目标对象的匹配度参考如下公式二:
公式二:
其中,为目标内容相对于目标对象的匹配度,xj为第j个特征组对应的特征相似度,wj为第j个特征组对应的权重值,m为特征组的数量,m为正整数,j为小于或等于m的正整数。
步骤304,确定目标对象所对应的随机因子。
在一些实施例中,不同对象对应于不同内容的随机因子可以不相同。可选地,随机因子是通过随机数模型确定的,其中,随机数模型是一种用于输出随机数的模型。
在一些实施例中,随机因子是从目标取值区间中选取的随机数,目标取值区间是从第一数值到第二数值的取值区间,第一数值小于第二数值;第二数值与第一数值之间的差值,小于预设差值;或者,第二数值与第一数值之间的差值,与第一数值之间的比值,大于第一预设比值;或者,第二数值与第一数值之间的差值,与第二数值之间的比值,小于第二预设比值。可选地,第一数值和第二数值由相关技术人员根据实际情况进行设定,本申请实施例对此不作具体限定。可选地,预设差值、第一预设比值和第二预设比值由相关技术人员根据实际情况进行设定,本申请实施例对此也不作具体限定。
在示例性实施例中,目标取值区间为0.96~1。
步骤305,基于目标内容相对于目标对象的匹配度和随机因子,确定目标内容相对于目标对象的推荐度。
可选地,采用随机因子对目标内容相对于目标对象的匹配度进行微调,从而确定目标内容相对于目标对象的推荐度。可选地,目标内容相对于目标对象的推荐度越高,向目标对象推荐目标内容的推荐力度越大;目标内容相对于目标对象的推荐度越低,向目标对象推荐目标内容的推荐力度越小。
在一些实施例中,将目标内容相对于目标对象的匹配度和随机因子的乘积,确定为目标内容相对于目标对象的推荐度。
可选地,确定目标内容相对于目标对象的推荐度参考如下公式三:
公式三:
cosθA=xA×γA
其中,cosθA为目标内容相对于目标对象的推荐度,xA为目标内容相对于目标对象的匹配度,γA为随机因子。
在另一些实施例中,将目标内容相对于目标对象的匹配度与随机因子之和,确定为目标内容相对于目标对象的推荐度。
在另一些实施例中,将目标内容相对于目标对象的匹配度比上随机因子得到的比值,确定为目标内容相对于目标对象的推荐度。
在另一些实施例中,将目标内容相对于目标对象的匹配度与随机因子的差值,确定为目标内容相对于目标对象的推荐度。
步骤306,基于目标内容相对于目标对象的推荐度,确定向目标对象推荐目标内容的推荐策略。
在一些实施例中,基于目标内容相对于目标对象的推荐度,确定是否向目标对象推荐目标内容,或者,确定向目标对象推荐目标内容的推荐程度。
在一些实施例中,该步骤306包括如下子步骤:
1、在存在多个候选推荐的内容的情况下,基于各个内容相对于目标对象的推荐度,确定多个内容的推荐排序;
2、按照多个内容的推荐排序,向目标对象进行内容推荐。
在一些实施例中,将多个候选推荐的内容按照推荐度由高到低(或由低到高)的推荐排序,向目标对象进行内容推荐。
在一些实施例中,目标内容的推荐策略是由内容推荐***确定的;特征标签数据是从内容推荐***之外的其他***中获取的。在一个示例中,目标内容为目标游戏任务,目标游戏任务的推荐策略是由游戏任务推荐***确定的;特征标签数据是通过游戏任务推荐***之外的其他***(如游戏应用程序的对局监测***、上线检测***等)中获取的。
在另一些实施例中,如图4所示,上述步骤304~306可以替换为如下步骤(307~309):
步骤307,确定目标内容对应的内容权重。
在一些实施例中,目标内容对应的内容权重,用于指示对目标内容进行推荐的推荐力度。
可选地,目标内容对应的内容权重由相关技术人员根据实际情况进行设定,本申请实施例对此不作具体限定。
在一些实施例中,该步骤307还包括如下几个子步骤:
1、在目标内容无需减小推荐力度或加强推荐力度的情况下,确定目标内容对应的内容权重为默认权重;
2、在目标内容需减小推荐力度的情况下,确定目标内容对应的内容权重为第一权重,第一权重小于默认权重;
3、在目标内容需加强推荐力度的情况下,确定目标内容对应的内容权重为第二权重,第二权重大于默认权重。
在该实现方式中,通过ASA(Analog Signature Analysis,任务标签体系),设置目标内容的内容权重,对目标内容的推荐力度进行调整,从而提成需要加强推荐的内容的推荐度,降低需要减少或靠后推荐的内容的推荐度。
在示例性实施例中,目标内容为目标游戏任务,内容权重为任务权重。如下表六所示,在目标游戏任务无需减小推荐力度或加强推荐力度的情况下,确定目标游戏任务对应的任务权重为3;在目标游戏任务需减小推荐力度的情况下,确定目标游戏任务对应的任务权重为第一权重,第一权重小于3,例如,第一权重可以为1、2等等,本申请实施例对此不作具体限定;在目标游戏任务需加强推荐力度的情况下,确定目标游戏任务对应的任务权重为第二权重,第二权重大于3,例如,第二权重可以为4、5等等,本申请实施例对此不作具体限定。
表六
步骤308,基于目标内容相对于目标对象的匹配度和内容权重,确定目标内容相对于目标对象的推荐度。
可选地,将目标内容相对于目标对象的匹配度与内容权重结合,从而得到目标内容相对于目标对象的推荐度。
在一些实施例中,将所述目标内容相对于所述目标对象的匹配度和所述内容权重的乘积,确定为所述目标内容相对于所述目标对象的推荐度。
可选地,确定目标内容相对于目标对象的推荐度参考如下公式四:
公式四:
cosθA=xA×αA
其中,cosθA为目标内容相对于目标对象的推荐度,xA为目标内容相对于目标对象的匹配度,αA为目标内容的内容权重。
步骤309,基于目标内容相对于目标对象的推荐度,确定向目标对象推荐目标内容的推荐策略。
在一些实施例中,基于目标内容相对于目标对象的推荐度,确定是否向目标对象推荐目标内容,或者,确定向目标对象推荐目标内容的推荐程度,或者,确定目标内容在向目标对象推荐的多个内容中的排序。
在另一些实施例中,如图5所示,上述步骤304~306可以替换为以下步骤(310~312):
步骤310,确定目标对象所对应的随机因子,以及确定目标内容对应的内容权重。
该步骤310的内容可以参考上述图3实施例中步骤304的内容,和图4实施例中步骤307的内容相同或相似,此处不再赘述。
步骤311,基于目标内容相对于目标对象的匹配度、随机因子和内容权重,确定目标内容相对于目标对象的推荐度。
在一些实施例中,将目标内容相对于目标对象的匹配度、随机因子和内容权重的乘积,确定为目标内容相对于目标对象的推荐度。
可选地,确定目标内容相对于目标对象的推荐度参考如下公式五:
公式五:
其中,simB为目标内容相对于目标对象的推荐度,n为各个特征组中特征的数量,m为特征组的数量,nAi为目标对象在特征组上的特征标签数据,nBi为目标内容在特征组上的特征标签数据,βAj为目标内容对应于第j个特征组的权重值,αA为目标内容的内容权重,γA为随机因子。
步骤312,基于目标内容相对于目标对象的推荐度,确定向目标对象推荐目标内容的推荐策略。
在一些实施例中,基于目标内容相对于目标对象的推荐度,确定是否向目标对象推荐目标内容,或者,确定向目标对象推荐目标内容的推荐程度,或者,确定目标内容在向目标对象推荐的多个内容中的排序。
在一些实施例中,该方法还包括如下步骤:
1、获取各个目标对象对对应的推荐内容的响应结果;
2、基于各个目标对象对对应的推荐内容的响应结果,对各个内容对应的内容权重进行调整;或者,基于各个目标对象对对应的推荐内容的响应结果,对多个特征组分别对应于目标内容的特征组权重进行调整;或者,基于各个目标对象对对应的推荐内容的响应结果,对目标对象在多个特征组上的特征标签数据进行调整。
在该实现方式中,通过分析各个目标对象对对应的推荐内容的响应结果,调整目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据,从而提升内容推荐的准确性。
综上所述,本申请实施例提供的技术方案中,通过对各个特征组设置对应的权重,从而对目标内容对应的特征组进行倾向或抑制,提升目标内容在多个特征组上的特征标签数据,与各个特征组的符合程度,进而提升内容推荐的准确性。
另外,本申请实施例通过引入随机因子,并将第一数值和第二数值之间的差距控制在较小范围内,从而对多个内容的推荐排序进行小幅度地调整,在保证一定内容推荐的准确性的前提下,避免了在多个特征组上的特征标签数据相同或相近的对象的内容推荐过于一致,提升了多个内容的排序的丰富性。
另外,本申请实施例中,基于目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据,通过确定的公式可以得到比较确定的内容推荐结果,因而内容推荐结果是可解释的,能够通过该确定的公式倒推得到,便于对各个内容在多个特征组上的特征标签数据进行调整,进一步提升内容推荐的准确性。
另外,本申请实施例提供的方案,可以泛化应用于其他场景,如商品推荐、歌曲推荐、书籍推荐等等,迁移性较强。并且,本申请实施例的算法模型较为简单,对于不同的应用场景,仅需输入不同的特征标签数据即可,开发和维护成本较低。
在一些实施例中,本申请实施例提供的内容推荐方法,可以实现为任务推荐方法。如图6所示,用户可以通过在目标应用程序中显示的任务推荐界面61中,通过点击领取控件62,领取对应的任务;当该任务完成后,用户可以在奖励领取界面63中领取对应的奖励。
下面,如图7所示,以目标对象为目标用户,目标内容为目标任务为例,本申请实施例提供的内容推荐方法,可以实现为任务推荐方法。该方法包括如下步骤(701~707):
步骤701,设置任务偏向和抑制,以及目标任务在多个特征组上的特征标签数据。
步骤702,设置目标用户在多个特征组上的特征标签数据。
步骤703,确定目标任务相对于目标用户的推荐度。
其中,该步骤703包括如下子步骤(7031~7032):
步骤7031,确定目标任务和目标用户在各个特征组上的余弦相似度;
步骤7032,基于多个特征组分别对应的特征相似度和权重值,采用加权求和方式确定目标任务相对于目标用户的匹配度;
步骤7033,基于目标任务相对于目标用户的匹配度、随机因子和内容权重,确定目标任务相对于目标用户的推荐度。
步骤704,确定各个任务相对于目标用户的推荐度。
步骤705,按照各个任务相对于目标用户的推荐度从高到低,想目标用户进行任务推荐。
步骤706,目标用户查看并领取任务,并开始执行领取的任务。
步骤707,通过任务迭代,更新设置的任务偏向和抑制,以及目标内容在多个特征组上的特征标签数据。
在一些实施例中,根据真实收集的用户数据,通过python代码实现上述内容推荐方法。以对象为用户,内容为任务为例,针对一个用户的内容推荐结果的说明如下表七:
表七
针对另一个用户的内容推荐结果的说明如下表八:
表八
/>
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图8,其示出了本申请一个实施例提供的内容推荐装置的框图。该装置具有实现上述内容推荐方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是上文介绍的计算机设备,也可以设置在计算机设备上。该装置800可以包括:数据获取模块810、匹配度确定模块820和策略确定模块830。
所述数据获取模块810,用于获取目标对象在多个特征组上的特征标签数据,以及目标内容在所述多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,所述特征标签数据包括每一项特征对应的标签数据,所述标签数据用于指示所述目标对象或所述目标内容与所述特征之间的关联程度。
所述匹配度确定模块820,用于基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度。
所述策略确定模块830,用于基于所述目标内容相对于所述目标对象的匹配度,确定向所述目标对象推荐所述目标内容的推荐策略。
综上所述,本申请实施例提供的方案中,通过将特征标签归类为多个特征组,基于目标对象在多个特征组上的特征标签数据,以及目标内容在多个特征组上的特征标签数据,以及多个特征组分别对应的权重,确定目标内容相对于目标对象的匹配度,再基于该匹配度确定向目标对象推荐内容的推荐策略,由于目标内容相对于不同对象的匹配度可以不相同,因而向各个对象推荐内容的推荐策略也可以不相同,从而可以向目标对象推荐与目标对象更匹配的内容,提升内容推荐的准确性。
在一些实施例中,所述匹配度确定模块820,用于:
对于每一个特征组,确定所述目标对象在所述特征组上的特征标签数据与所述目标内容在所述特征组上的特征标签数据之间的特征相似度;
基于所述多个特征组分别对应的特征相似度和权重值,采用加权求和方式确定所述目标内容相对于所述目标对象的匹配度。
在一些实施例中,所述策略确定模块830,用于:
确定所述目标对象所对应的随机因子;
基于所述目标内容相对于所述目标对象的匹配度和所述随机因子,确定所述目标内容相对于所述目标对象的推荐度;
基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
在一些实施例中,所述随机因子是从目标取值区间中选取的随机数,所述目标取值区间是从第一数值到第二数值的取值区间,所述第一数值小于所述第二数值;所述第二数值与所述第一数值之间的差值,小于预设差值;或者,所述第二数值与所述第一数值之间的差值,与所述第一数值之间的比值,大于第一预设比值;或者,所述第二数值与所述第一数值之间的差值,与所述第二数值之间的比值,小于第二预设比值。
在一些实施例中,如图9所示,所述策略确定模块830包括:权重确定子模块831、推荐度确定子模块832和策略确定子模块833。
所述权重确定子模块831,用于确定所述目标内容对应的内容权重。
所述推荐度确定子模块832,用于基于所述目标内容相对于所述目标对象的匹配度和所述内容权重,确定所述目标内容相对于所述目标对象的推荐度。
所述策略确定子模块833,用于基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
在一些实施例中,如图9所示,所述权重确定子模块831,用于:
在所述目标内容无需减小推荐力度或加强推荐力度的情况下,确定所述目标内容对应的内容权重为默认权重;
在所述目标内容需减小推荐力度的情况下,确定所述目标内容对应的内容权重为第一权重,所述第一权重小于所述默认权重;
在所述目标内容需加强推荐力度的情况下,确定所述目标内容对应的内容权重为第二权重,所述第二权重大于所述默认权重。
在一些实施例中,如图9所示,所述策略确定模块830,还包括:确定子模块834。
所述确定子模块834,用于确定所述目标对象所对应的随机因子,以及确定所述目标内容对应的内容权重。
所述推荐度确定子模块832,还用于基于所述目标内容相对于所述目标对象的匹配度、所述随机因子和所述内容权重,确定所述目标内容相对于所述目标对象的推荐度。
所述策略确定子模块833,还用于基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
在一些实施例中,如图9所示,所述推荐度确定子模块832,用于将所述目标内容相对于所述目标对象的匹配度、所述随机因子和所述内容权重的乘积,确定为所述目标内容相对于所述目标对象的推荐度。
在一些实施例中,如图9所示,所述装置800还包括:排序确定模块840和内容推荐模块850。
所述排序确定模块840,用于在存在多个候选推荐的内容的情况下,基于各个内容相对于所述目标对象的推荐度,确定所述多个内容的推荐排序。
所述内容推荐模块850,用于按照所述多个内容的推荐排序,向所述目标对象进行内容推荐。
在一些实施例中,所述目标内容的推荐策略是由内容推荐***确定的;所述特征标签数据是从所述内容推荐***之外的其他***中获取的。
在一些实施例中,如图9所示,所述装置800还包括:数据更新模块860。
所述数据获取模块810,还用于获取所述目标对象在目标时段内的历史数据。
所述数据更新模块860,用于基于所述目标对象在目标时段内的历史数据,更新所述目标对象在多个特征组上的特征标签数据。
在一些实施例中,如图9所示,所述装置800还包括:结果获取模块870和调整模块880。
所述结果获取模块870,用于获取各个目标对象对对应的推荐内容的响应结果。
所述调整模块880,用于基于所述各个目标对象对对应的推荐内容的响应结果,对所述各个内容对应的内容权重进行调整;或者,基于所述各个目标对象对对应的推荐内容的响应结果,对所述多个特征组分别对应于所述目标内容的特征组权重进行调整;或者,基于所述各个目标对象对对应的推荐内容的响应结果,对所述目标对象在所述多个特征组上的特征标签数据进行调整。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图10,其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备用于实施上述实施例中提供的内容推荐方法。具体来讲:
所述计算机设备1000包括CPU(Central Processing Unit,中央处理单元)1001、包括RAM(Random Access Memory,随机存取存储器)1002和ROM(Read-Only Memory,只读存储器)1003的***存储器1004,以及连接***存储器1004和中央处理单元1001的***总线1005。所述计算机设备1000还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output,输入/输出)***1006,和用于存储操作***1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
所述基本输入/输出***1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到***总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出***1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1007通过连接到***总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读介质为计算机设备1000提供非易失性存储。也就是说,所述大容量存储设备1007可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的***存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请的各种实施例,所述计算机设备1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1000可以通过连接在所述***总线1005上的网络接口单元1011连接到网络1012,或者说,也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机***(未示出)。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集在被处理器执行时以实现上述内容推荐方法。
可选地,该计算机可读存储介质可以包括:ROM(Read-Only Memory,只读存储器)、RAM(Random-Access Memory,随机存储器)、SSD(Solid State Drives,固态硬盘)或光盘等。其中,随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory,动态随机存取存储器)。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述内容推荐方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取目标对象在多个特征组上的特征标签数据,以及目标内容在所述多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,所述特征标签数据包括每一项特征对应的标签数据,所述标签数据用于指示所述目标对象或所述目标内容与所述特征之间的关联程度;
基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度;
确定所述目标对象所对应的随机因子;
基于所述目标内容相对于所述目标对象的匹配度和所述随机因子,确定所述目标内容相对于所述目标对象的推荐度;
基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度,包括:
对于每一个特征组,确定所述目标对象在所述特征组上的特征标签数据与所述目标内容在所述特征组上的特征标签数据之间的特征相似度;
基于所述多个特征组分别对应的特征相似度和权重值,采用加权求和方式确定所述目标内容相对于所述目标对象的匹配度。
3.根据权利要求1或2所述的方法,其特征在于,所述随机因子是从目标取值区间中选取的随机数,所述目标取值区间是从第一数值到第二数值的取值区间,所述第一数值小于所述第二数值;
所述第二数值与所述第一数值之间的差值,小于预设差值;
或者,
所述第二数值与所述第一数值之间的差值,与所述第一数值之间的比值,大于第一预设比值;
或者,
所述第二数值与所述第一数值之间的差值,与所述第二数值之间的比值,小于第二预设比值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述目标内容对应的内容权重;
基于所述目标内容相对于所述目标对象的匹配度和所述内容权重,确定所述目标内容相对于所述目标对象的推荐度;
基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
5.根据权利要求4所述的方法,其特征在于,所述确定所述目标内容对应的内容权重,包括:
在所述目标内容无需减小推荐力度或加强推荐力度的情况下,确定所述目标内容对应的内容权重为默认权重;
在所述目标内容需减小推荐力度的情况下,确定所述目标内容对应的内容权重为第一权重,所述第一权重小于所述默认权重;
在所述目标内容需加强推荐力度的情况下,确定所述目标内容对应的内容权重为第二权重,所述第二权重大于所述默认权重。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述目标对象所对应的随机因子,以及确定所述目标内容对应的内容权重;
基于所述目标内容相对于所述目标对象的匹配度、所述随机因子和所述内容权重,确定所述目标内容相对于所述目标对象的推荐度;
基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标内容相对于所述目标对象的匹配度、所述随机因子和所述内容权重,确定所述目标内容相对于所述目标对象的推荐度,包括:
将所述目标内容相对于所述目标对象的匹配度、所述随机因子和所述内容权重的乘积,确定为所述目标内容相对于所述目标对象的推荐度。
8.根据权利要求1、5或7所述的方法,其特征在于,所述方法还包括:
在存在多个候选推荐的内容的情况下,基于各个内容相对于所述目标对象的推荐度,确定所述多个内容的推荐排序;
按照所述多个内容的推荐排序,向所述目标对象进行内容推荐。
9.根据权利要求1所述的方法,其特征在于,所述目标内容的推荐策略是由内容推荐***确定的;所述特征标签数据是从所述内容推荐***之外的其他***中获取的。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标对象在目标时段内的历史数据;
基于所述目标对象在目标时段内的历史数据,更新所述目标对象在多个特征组上的特征标签数据。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取各个目标对象对对应的推荐内容的响应结果;
基于所述各个目标对象对对应的推荐内容的响应结果,对各个内容对应的内容权重进行调整;或者,基于所述各个目标对象对对应的推荐内容的响应结果,对所述多个特征组分别对应于所述目标内容的特征组权重进行调整;或者,基于所述各个目标对象对对应的推荐内容的响应结果,对所述目标对象在所述多个特征组上的特征标签数据进行调整。
12.一种内容推荐装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标对象在多个特征组上的特征标签数据,以及目标内容在所述多个特征组上的特征标签数据;其中,每个特征组包括至少一项特征,所述特征标签数据包括每一项特征对应的标签数据,所述标签数据用于指示所述目标对象或所述目标内容与所述特征之间的关联程度;
匹配度确定模块,用于基于所述目标对象在多个特征组上的特征标签数据、所述目标内容在所述多个特征组上的特征标签数据,以及所述多个特征组分别对应的权重值,确定所述目标内容相对于所述目标对象的匹配度;
策略确定模块,用于确定所述目标对象所对应的随机因子;基于所述目标内容相对于所述目标对象的匹配度和所述随机因子,确定所述目标内容相对于所述目标对象的推荐度;基于所述目标内容相对于所述目标对象的推荐度,确定向所述目标对象推荐所述目标内容的推荐策略。
13.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一段程序,所述至少一段程序由所述处理器加载并执行以实现如上述权利要求1至11任一项所述的内容推荐方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一段程序,所述至少一段程序由处理器加载并执行以实现如上述权利要求1至11任一项所述的内容推荐方法。
15.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1至11任一所述的内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110082389.9A CN112733034B (zh) | 2021-01-21 | 2021-01-21 | 内容推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110082389.9A CN112733034B (zh) | 2021-01-21 | 2021-01-21 | 内容推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733034A CN112733034A (zh) | 2021-04-30 |
CN112733034B true CN112733034B (zh) | 2023-08-01 |
Family
ID=75594624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110082389.9A Active CN112733034B (zh) | 2021-01-21 | 2021-01-21 | 内容推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733034B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554496B (zh) * | 2021-09-22 | 2022-02-11 | 中航信移动科技有限公司 | 基于行程的信息推荐数据处理*** |
CN116603238B (zh) * | 2023-07-14 | 2023-10-03 | 深圳尚米网络技术有限公司 | 一种界面控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及*** |
CN111382352A (zh) * | 2020-03-02 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN111538912A (zh) * | 2020-07-07 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111680219A (zh) * | 2020-06-09 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111737582A (zh) * | 2020-07-29 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法及装置 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107087235B (zh) * | 2017-04-21 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 媒体内容推荐方法、服务器及客户端 |
US10579632B2 (en) * | 2017-12-18 | 2020-03-03 | Microsoft Technology Licensing, Llc | Personalized content authoring driven by recommendations |
-
2021
- 2021-01-21 CN CN202110082389.9A patent/CN112733034B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及*** |
CN111382352A (zh) * | 2020-03-02 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN111680219A (zh) * | 2020-06-09 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111538912A (zh) * | 2020-07-07 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111737582A (zh) * | 2020-07-29 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法及装置 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112733034A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210326674A1 (en) | Content recommendation method and apparatus, device, and storage medium | |
CN110598086B (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
CN110929052A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
US20120185481A1 (en) | Method and Apparatus for Executing a Recommendation | |
US20010013009A1 (en) | System and method for computer-based marketing | |
CN111553754A (zh) | 行为预测***的更新方法及装置 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CN112733034B (zh) | 内容推荐方法、装置、设备及存储介质 | |
US10162868B1 (en) | Data mining system for assessing pairwise item similarity | |
KR20050043917A (ko) | 통계적 개인화된 추천 시스템 | |
US20130073618A1 (en) | Information Providing System, Information Providing method, Information Providing Device, Program, And Information Storage Medium | |
KR20200088134A (ko) | 상품 추천 방식 개선 방법 및 장치 | |
Vilakone et al. | Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
CN115600017A (zh) | 特征编码模型训练方法及装置、媒体对象推荐方法及装置 | |
CN110929172A (zh) | 信息选择方法、装置、电子设备及可读存储介质 | |
Guan et al. | Enhanced SVD for collaborative filtering | |
CN111666481B (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
KR102323424B1 (ko) | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 | |
CN111753208B (zh) | 确定用户可比属性收敛度的方法、装置、介质和电子设备 | |
CN112231546B (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 | |
CN110929528B (zh) | 对语句情感分析的方法、装置、服务器及存储介质 | |
CN112035740A (zh) | 项目使用时长预测方法、装置、设备及存储介质 | |
CN114912031A (zh) | 基于聚类和协同过滤的混合推荐方法和*** | |
CN112435091B (zh) | 推荐内容的选择方法、装置、设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40042609 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |