CN113139122A - 信息推荐方法、***及设备 - Google Patents
信息推荐方法、***及设备 Download PDFInfo
- Publication number
- CN113139122A CN113139122A CN202010067079.5A CN202010067079A CN113139122A CN 113139122 A CN113139122 A CN 113139122A CN 202010067079 A CN202010067079 A CN 202010067079A CN 113139122 A CN113139122 A CN 113139122A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- candidate recommendation
- candidate
- recommendation information
- 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 91
- 230000006399 behavior Effects 0.000 claims description 195
- 230000015654 memory Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 31
- 230000001502 supplementing effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002349 favourable effect Effects 0.000 claims description 8
- 239000013589 supplement Substances 0.000 abstract description 9
- 230000009471 action Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种信息推荐方法、***及设备。其中,方法包括如下的步骤:根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;根据所述至少一个第一候选推荐信息,为所述用户推荐信息。本申请实施例提供的技术方案在缺乏用户行为数据时,可基于用户所属的用户群体进行信息获取,解决了基于用户行为数据信息获取不足的问题;且基于用户群体进行信息获取补充,可提高命中用户兴趣的概率,提升用户体验。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种信息推荐方法、***及设备。
背景技术
随着互联网技术的发展,互联网能够为用户提供越来越多的网络服务,例如:用户可通过互联网浏览视频、收听音乐、阅读、购物等。在互联网平台中,用户可以通过搜索功能搜索自己需要的信息。同时,为了方便用户获取信息,互联网平台还可以主动向用户推荐信息。
目前,比较流行的信息推荐方法是基于用户的历史行为数据来为用户推荐相应信息。
发明内容
鉴于上述问题,提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的信息推荐方法、***及设备。
于是,在本申请的一个实施例中,提供了一种信息推荐方法。该方法包括:
根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;
判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
在本申请的一个实施例中,提供了一种信息推荐***。该***包括:
客户端,用于将用户的行为数据发送至服务端;
所述服务端,用于根据所述行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;将所述至少一个候选推荐信息发送至所述客户端,以由所述客户端根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
在本申请的另一个实施例中,提供了一种信息推荐方法。该方法包括:
在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
在本申请的另一个实施例中,提供了一种信息推荐***。该***包括:
服务端,用于在用户对应的候选推荐列表中候选推荐信息数量不足的情况下,根据所述用户所属的用户群体,获取至少一个第一候选推荐信息;
所述客户端,用于接收所述服务端发送来的所述至少一个第一候选推荐信息;并将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便继续为所述用户推荐信息。
在本申请的一实施例中,提供了一种电子设备。该电子设备,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;
判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
在本申请的另一实施例中,提供了一种电子设备。该电子设备,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
本申请实施例提供的技术方案,根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。不满足第一条件时,基于用户所属的用户群体进行信息获取,以为用户进行信息推荐。这样,在判断出缺乏用户行为数据时,可基于用户所属的用户群体进行信息获取,解决了基于用户行为数据获取不足的问题;且基于用户群体进行信息获取补充,可提高命中用户兴趣的概率,提升用户体验。
本申请实施例提供的技术方案,在缺乏候选推荐信息时,可基于用户所属的用户群体进行信息获取,避免了信息推荐的间断;且基于用户群体进行信息获取补充,可提高命中用户兴趣的概率,提升用户体验。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图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1a为本申请一实施例提供的基于智能音箱的歌曲推荐方法的流程示意图;
图1b为本申请另一实施例提供的信息推荐方法的流程示意图;
图2为本申请另一实施例提供的信息推荐***的结构框图;
图3为本申请另一实施例提供的信息推荐方法的流程示意图;
图4为本申请另一实施例提供的信息推荐装置的结构框图;
图5为本申请另一实施例提供的信息推荐装置的结构框图;
图6为本申请另一实施例提供的电子设备的结构框图;
图7为本申请一实施例提供的信息推荐方法的流程示意图。
具体实施方式
以音乐推荐服务为例,目前很多电子设备,例如:智能手机、智能音箱,都能够提供音乐推荐服务。音乐推荐服务是智能音箱中最为重要的技能之一。用户体验的好坏,会直接关系到用户对智能音箱整体的好感度;智能音箱与手机上的APP(Application,应用程序)的交互方式不太一样,用户对音箱具体某一技能的了解或熟练使用的沉淀过程相对比较慢;并且以音乐随便听听为例,每次推荐时只能推荐最可能匹配用户偏好的内容。传统的推荐方案中,主要分为信息获取和信息排序两个环节:第一个环节是根据用户的历史行为数据找到可能感兴趣的内容;第二个环节是根据用户的长期行为或短期行为以及内容特征对找到的可能感兴趣内容进行排序,得到用户喜欢的内容进行推荐。
发明人在实现本申请实施例提供的技术方案的过程中研究发现:现有的推荐机制,在面对新用户、主动点播歌曲行为较少的用户、属于重度随便听听的用户时,往往会出现获取不到充足信息的问题。为了避免出现没有推荐内容,***可采用全局热点内容或人工整理的内容进行兜底。但是发明人通过实际观察发现,用户对热点内容往往表现出很大的不满意;人工整理的内容较少,维护成本较高,且不一定能很好的贴合不同人群的口味。然而,在音乐推荐***中,每次推荐时只能推荐最可能匹配用户偏好的内容,没有更多的机会进行试错,需要每次推荐都能尽可能的保证很高的质量,这就使得这种兜底策略很难保证每次推荐的推荐质量。可见采用热门数据进行兜底,用户的体验并不是很好。特别是针对新用户,一开始的推荐是否合适,会直接影响用户对产品的第一印象。本申请实施例提供的技术方案旨在解决新用户没有行为或用户行为较少时,能够快速找到合适的音乐推荐内容,提供用户体验。
为了使本技术领域的人员更好地理解本申请方案,下面将根据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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动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。
此外,在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图1b示出了本申请一实施例提供的信息推荐方法的流程示意图。该方法的执行主体可以为客户端,也可以为服务端。其中,所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件,也可以是安装在终端中的一个应用软件,还可以是嵌入在终端操作***中的工具软件等,本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能音箱等任意终端设备。其中,服务端可以是常用服务器、云端或虚拟服务器等,本申请实施例对此不作具体限定。如图1b所示,该方法包括:
101、根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。
102、判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息。
103、根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
上述101中,在不同的应用场景中,用户的行为数据中所涉及的行为类型也会有所不同。例如:在音乐推荐场景中,用户的行为数据中所涉及的行为类型可包括:收听、切歌、点播、收藏、分享等中的一种或多种。再例如:在视频推荐场景中,用户的行为数据中所涉及的行为类型可包括:观看、点播、删除、收藏、分享等中的一种或多种。又例如:在新闻资讯推荐场景中,用户的行为数据中所涉及的行为类型可包括:浏览、搜索、删除、收藏、分享等中的一种或多种。
在一实例中,基于智能音箱的音乐推荐场景中,用户的行为数据中所涉及的行为类型可包括:收听、切歌、点播以及收藏。
在一实例中,可根据用户的行为数据中的行为数,来判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。其中,行为数等于行为的发生次数。具体地,若用户的行为数据中的行为数小于或等于第二预设阈值,则判定当前不满足第一条件。若用户的行为数据中的行为数大于第二预设阈值,则判定当前满足第一条件。第二预设阈值的大小可根据实际需要来设定,本申请对此不做具体限定。在本实施例中,当用户的历史行为数较少时,就会判定不满足第一条件。
实际应用时发现:基于用户的行为数据进行信息获取时,为了提高获取的有效性,只会依据某些指定行为类型的行为,其他行为类型的行为则会忽略。以音乐推荐场景为例,指定行为类型具体可为:点播、收藏、分享。因此,在另一种实例中,可根据用户的行为数据中指定行为类型的行为数,来判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。具体地,若用户的行为数据中指定行为类型的行为数小于或等于第一预设阈值,则判定当前不满足第一条件。若用户的行为数据中指定行为类型的行为数大于第一预设阈值,则判定当前满足第一条件。其中,指定行为类型的行为具体可概括为好感行为,好感行为能够准确反应出用户的兴趣。具体地,上述101中“根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件”,具体可采用如下步骤来实现:
1011、确定所述行为数据中好感行为的数量。
1012、所述数量小于第一预设阈值时,判定当前不满足所述第一条件。
其中,第一预设阈值的大小可根据实际需要来设定,本申请对此不做具体限定。其中,上述行为数据中好感行为的数量,其等于好感行为的发生次数。
在实际应用时,可将用户的行为划分成好感行为、反感行为以及中性行为。其中,好感行为能够准确反应出用户的兴趣爱好;反感行为能够准确反应出用户的厌恶;中性行为既不能够反应出用户的兴趣爱好,也不能反应出用户的厌恶。以音乐推荐场景为例,好感行为可包括:点播、收藏、分享;反感行为可包括:切歌;中性行为可包括:推荐音乐的收听。
上述102中,判断出当前不满足第一条件时,说明当前无法基于用户的行为数据进行有效地信息获取(即信息召回match),故需要基于用户所属的用户群体进行信息获取,也即是根据用户所属的用户群体,来确定至少一个第一候选推荐信息。通常来说,一个用户群体中用户的兴趣爱好是比较相近的,因此,根据用户所属的用户群体来获取信息,可提高命中用户兴趣的概率,提升用户体验。
在一实例中,可事先统计出各个不同的用户群体的偏好信息,后续即可直接获取用户所属的用户群体的偏好信息;根据用户所属的用户群体的偏好信息,确定至少一个第一候选推荐信息。可将用户所属的用户群体的偏好信息部分或全部作为至少一个第一候选推荐信息。
具体地,可根据多个用户的用户属性,对多个用户进行分群,得到多个用户群体;根据各用户群体的历史行为数据,统计各用户群体的偏好信息。其中,各用户群体中包括第一用户群体,第一用户群体指代的是各用户群体中的任一个。其中,用户属性中可包括:性别、年龄、所属地域、职业、籍贯中的一项或多项。具体地,可将同一个地域的用户归为同一个用户群体,或者将同一个籍贯的用户归为同一个用户群体。当然,还可综合用户的多个属性来分群,这样用户群体划分更加精细,更能够提高命中用户兴趣的概率。
上述“根据第一用户群体的历史行为数据,统计第一用户群体的偏好信息”,具体可采用如下步骤来实现:
a、统计第一用户群体中各用户的第一偏好信息。
b、对第一用户群体中各用户的第一偏好信息进行去重处理,得到多个不同的第二偏好信息。
c、统计所述第一用户群体中偏好各所述第二偏好信息的用户数。
d、根据所述用户数,对多个不同的第二偏好信息进行排序。
c、根据所述排序结果,从多个不同的第二偏好信息中确定出第一用户群体的偏好信息。
例如:排序结果为降序排序结果,则可将排序靠前的指定数目个第二偏好信息作为第一用户群体的偏好信息。由于第一用户群体中不同用户的第一偏好信息很可能存在重复的情况,故需要进行去重。在上述去重过程中,不仅包括对身份标识相同的信息进行去重,还包括:对身份标识不同但内容实质相同的信息进行去重。其中,身份标识具体可以为ID(Identity document,身份标识号)。比如:歌曲“***”,由于版本等综合因素,歌曲库中可能有多个ID对应的歌曲实质上都是“***”。
在根据各用户群体中用户的历史行为数据,统计各用户群体的偏好信息的过程中,还可涉及对用户的历史行为数据的过滤和调整操作,具体地:可按照预设的筛选条件,对各用户群体中用户的历史行为数据进行筛选,筛选出各用户群体中用户的有效历史行为数据;根据各用户群体中用户的有效历史行为数据,统计各用户群体的偏好信息。其中,筛选条件可根据实际需要来设定,本申请对此不做具体限定。以筛选条件为时间条件为例,筛选条件为近一个月,即:筛选出近一个月内的历史行为数据,作为有效历史行为数据。设置筛选条件可有效提高统计的有效性。
上述103中,根据所述至少一个第一候选推荐信息,为所述用户推荐信息,在某些因场景中,可每次为所述用户推荐一个信息。以音乐推荐为例,每次只播放一首音乐。
本申请实施例提供的技术方案,根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。满足第一条件时,基于用户所属的用户群体进行信息获取,以为用户进行信息推荐。也就是说,在判断出缺乏用户行为数据时,可基于用户所属的用户群体进行信息获取,解决了基于用户行为数据获取不足的问题;且基于用户群体进行信息获取补充,可提高命中用户兴趣的概率,提升用户体验。
在实际应用中,当上述行为数据中好感行为的数量小于第一预设阈值时,会基于用户所属的用户群体进行信息获取。但上述行为数据中存在的少量的好感行为也是非常重要的信息,因此,可以基于这些少量的好感行为进行信息获取补充。具体地,上述方法,还可包括:
104、所述数量大于1且小于所述第一预设阈值时,根据所述好感行为,确定至少一个第二候选推荐信息。
其中,所述数量指的是上述行为数据中好感行为的数量,其等于好感行为的发生次数。在本实施例中,第一预设阈值大于1。可对好感行为进行分析,得到用户的兴趣;根据用户的兴趣,匹配得到至少一个第二候选推荐信息。其中,具体的分析过程以及匹配过程可参见现有技术,在此不再赘述。
相应的,上述103中“根据所述至少一个第一候选推荐信息,为所述用户推荐信息”,具体为:根据所述至少一个第一候选推荐信息和所述至少一个第二候选推荐信息,为所述用户推荐信息。
具体地,可将至少一个第一候选推荐信息和至少一个第二候选推荐信息添加到该用户对应的候选推荐列表中,根据该候选推荐列表,为该用户推荐信息。
考虑到实际应用中,存在一些这样的用户:这种用户并非是新用户,且曾经基于其好感行为为其获取过信息。针对该类用户,当其没有新产生的好感行为或新产生的好感行为较少时,难以基于新产生的好感行为进行充足的信息获取时,也可基于该用户的用户群体进行信息获取补充。也就是说,上述1011中“确定所述行为数据中好感行为的数量”,具体为:确定所述行为数据中新产生的好感行为的数量。其中,新产生的好感行为可理解为尚未用来确定候选推荐信息的好感行为。
可选的,上述102中“判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息”,具体为:判断出当前不满足所述第一条件且所述用户对应的已有候选推荐信息数量不足时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息。
这样,针对那些一直消费着基于其过往的好感行为确定的已有候选推荐信息、且一直没有新的好感行为补充的用户,也可基于其所属的用户群体进行信息获取补充,以便不间断地为用户推荐信息,避免出现没有推荐内容。在某些应用场景中,例如:音乐推荐以及短视频推荐的场景中,就要求不间断地为用户推荐信息,也即是不间断地为用户播放信息。
在一实例中,上述103中“根据所述至少一个第一候选推荐信息,为所述用户推荐信息”,具体可采用如下步骤来实现:
1031、将所述至少一个第一候选推荐信息添加到所述用户对应的候选推荐列表中。
1032、根据所述候选推荐列表,为所述用户推荐信息。
在一种可实现的方案中,上述1031中,可获取所述用户群体中偏好各所述第一候选推荐信息的用户数;根据用户数,确定至少一个第一候选推荐信息在候选推荐列表中的排序;按照排序,将至少一个第一候选推荐信息添加到候选推荐列表中。第一候选推荐信息的用户数越大,其排序越靠前,越靠前推荐给用户。本申请实施例中为用户推荐信息具体指的是向用户展示推荐信息。
在一种可实现的方案中,上述1032中,可按照所述候选推荐列表中信息的排序,为所述用户推荐信息。每次为用户推荐一个推荐信息。
为了能够尽快命中用户兴趣,还可根据所述用户在所述为所述用户推荐信息的过程中产生的行为数据,对所述候选推荐列表中信息的排序进行调整。具体地,可根据所述用户在所述为所述用户推荐信息的过程中产生的好感行为和反感行为对候选推荐列表中信息的排序进行调整。例如:根据用户的反感行为可确定用户反感的内容属性,将候选推荐列表中与用户反感的内容属性相关的信息的排序降低;根据用户的好感行为可确定用户偏好的内容属性,将候选推荐列表中与用户偏好的内容属性相关的信息的排序提高。
可以实时地对候选推荐列表中信息的排序进行调整。现有的推荐***中通常是基于用户的长期行为来调整信息排序,而这种排序方式针对新用户基本上失去了排序效果,此时可设计一个基于在所述为所述用户推荐信息的过程中产生的实时行为数据或短期行为数据来调整信息排序,这样能够比较灵敏地感知用户的反馈,避免了调整延迟所带来的整体推荐效果断层等问题。
为了能够进一步提高命中用户兴趣的概率,还可结合用户在为用户推荐信息的过程中产生的行为,为用户进行信息获取补充。具体地,上述方法,还可包括:
105、根据所述用户在为所述用户推荐信息的过程中针对已推荐信息产生的反感行为,获取所述用户可能不反感的至少一个第三候选推荐信息。
106、将根据所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中。
上述105中,以音乐推荐为例,反感行为具体可包括切歌或反感标记。
在一种可实现的方案中,上述105中“根据所述用户在为所述用户推荐信息的过程中针对已推荐信息产生的反感行为,获取所述用户可能不反感的至少一个第三候选推荐信息”,具体可采用如下步骤来实现:
1051、根据所述用户在为所述用户推荐信息的过程中产生的反感行为,从当前已推荐信息中,确定出所述用户反感的信息。
1052、根据所述用户反感的信息,确定所述用户反感的信息属性。
1053、根据多个信息属性中除所述用户反感的信息属性以外的其他信息属性,获取所述至少一个第三候选推荐信息。
上述1051中,在一实例中,可根据反感行为,确定反感行为所针对的信息;将反感行为所针对的信息作为用户反感的信息。
有些时候,用户的反感行为所针对的信息不一定是用户反感的信息,例如:在音乐推荐场景中,用户在一首歌的快要播放结束时执行了切歌行为,该切歌行为就不能代表该用户不喜欢该首歌曲。因此,在另一实例中,可根据反感行为的发生时间点以及反感行为所针对的信息的播放起始时间点,确定反感行为所针对的信息的播放时长;反感行为所针对的信息的播放时长小于或等于预设时长阈值时,确定反感行为所针对的信息为用户反感的信息。
上述1052中,对所述用户反感的信息进行分析,可确定出所述用户反感的信息属性。
其中,信息属性可包括但不限于:创作者、风格、年代、语种中的一项或多项。以音乐推荐为例,创作者具体为歌手;风格具体为音乐风格或曲风。
例如:反感信息中创作者A的信息最多、风格B的信息最多、年代C的信息最多、语种D的信息最多,则可确定出用户反感的信息属性为创作者A、风格B、年代C以及语种D。
上述1053中,上述多个信息属性可以为事先设定的所有信息属性。根据多个信息属性中除所述用户反感的信息属性以外的其他信息属性,获取所述至少一个第三候选推荐信息。
根据其他信息属性,获取至少一个第三候选推荐信息。可获取其他信息属性中各内容属性对应的至少一个信息;根据其他信息属性中各内容属性对应的至少一个信息,确定至少一个第三候选推荐信息。在一实例中,至少一个第三候选推荐信息中包括其他信息属性中各内容属性对应的至少一个信息中热度排序靠前的指定数目个信息。信息的热度具体可根据信息的用户量级和/或历史总播放时长等来确定,用户量级越大或历史总播放时长越大,则热度越高,热度排序越靠前。注:在音乐推荐和视频推荐场景中,可根据历史总播放时长来确定。
在上述基于用户群体进行信息获取时,针对属于同一个用户群体中的不同用户所获取的信息是相同的,在基于上述反感行为进行信息获取时,针对属于同一个用户群体中的不同用户所获取的信息是具有差异的,与基于用户群体获取的信息相比,更加贴近用户的兴趣。因此,基于上述反感行为进行信息获取的步骤也称为“差异获取”。基于用户群体的信息获取以及基于产生的反感行为的信息获取的结合实现了由粗到细的推荐符合用户兴趣的信息,提升用户体验。此外,再结合推荐过程中产生的行为数据,对候选推荐列表中信息的排序进行调整,能够更快地命中用户兴趣,从而加速引导到基于行为数据进行信息获取与排序的机制下。
在实际应用中,可事先针对预先设定的不同的内容属性,查找到与之匹配的至少一个信息;并建立每一个内容属性与其匹配的至少一个信息之间的对应关系。这样,后续即可直接获取。
需要说明的是,针对每一个内容属性,查找到与之匹配的至少一个信息中可能会存在信息重复的问题,故需要对查找到的与之匹配的至少一个信息进行去重操作,得到去重后的与之匹配的至少一个信息。然后建立每一个内容属性与去重后的与之匹配的至少一个信息的对应关系。在上述去重过程中,不仅包括对身份标识相同的信息进行去重,还包括:对身份标识不同但内容实质相同的信息进行去重。
为了在前述基于用户群体进行信息获取的基础上捕捉到用户更细粒度的兴趣点,上述1053中“根据多个信息属性中除所述用户反感的信息属性以外的其他信息属性,获取所述至少一个第三候选推荐信息”,具体可以为:根据所述其他信息属性和所述用户的用户属性,获取至少一个第三候选推荐信息。可获取其他信息属性中各信息属性与用户的各用户属性之间的两两组合各自对应的至少一个信息;至少一个第三候选推荐信息中包括两两组合各自对应的至少一个信息中热度排序靠前的指定数目个信息。
也可事先针对不同的内容属性与用户属性组合,针对组合中的内容属性查找到与之匹配的至少一个第一信息;针对组合中的用户属性,查找到具有所述用户属性的用户群体的第一偏好信息;确定所述至少一个第一信息与所述第一偏好信息中相同的至少一个信息;建立该组合与该至少一个信息之间的对应关系。这样,后续即可直接获取每一个组合对应的至少一个信息。
上述106中,可将所述至少一个第三候选推荐信息直接添加到候选推荐队列中。
在一种可实现的方案中,上述106中“将所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中”,具体可采用如下步骤来实现:
1061、根据所述反感行为,确定所述用户针对当前已推荐信息的容忍程度。
1062、所述容忍程度小于或等于第一预设程度时,将所述至少一个第三候选推荐信息补充到所述候选推荐列表中。
上述1061中,在一实例中,可统计所述反感行为的发生频率,根据发生频率来确定所述容忍程度。发生频率越大,容忍程度越低。发生频率指的是单位时间内发生次数。在另一实例中,可根据反感行为,确定用户反感的信息;根据用户反感的信息的数量与当前已推荐的信息总数的比值,来确定所述容忍程度。比值越大,容忍程度越低。
上述实施例中是通过规则策略,来预估用户的容忍程度。当然,还可通过一训练好的算法模型来预估用户的容忍程度。因此,在又一实例中,上述1061中“根据所述反感行为,确定所述用户针对当前已推荐信息的容忍程度”,具体可以为:根据所述反感行为,确定训练好的计算模型的输入信息;将所述输入信息输入至所述计算模型中,得到所述计算模型输出的所述容忍程度。根据反感行为,可确定出反感行为所针对的信息的数量、连续反感行为的发生次数、连续无反感行为的次数以及当前已推荐信息的平均播放时长,以作为输入信息。将输入信息输入至计算模型中,由计算模型根据输入信息来预测用户对当前已推荐信息的容忍程度。在本实施例中,计算模型基于多个维度信息来判断用户的容忍程度,可提高判断的准确性。且该计算模型通过不断的学习或训练,可有效提高其预测准确率。可事先基于大量的训练样本来训练该计算模型,一个训练样本中可包括一个测试用户针对多个测试信息的反感行为及其对多个测试信息反馈的真实容忍程度。其中,计算模型的内部实现可根据实际需要来设定,本申请对此不做具体限定。
上述1062中,第一预设程度的大小可根据实际需要来设定,本申请实施例对此不做具体限定。容忍程度小于或等于第一预设程度,说明用户此时明显不喜欢基于至少一个第一候选推荐信息的推荐,则可停止基于该范围的推荐。
注:候选推荐列表中,每一个候选推荐信息一旦被推荐给用户,该候选推荐信息就会从候选推荐列表中被自动删除或被标记为已推荐。
可选的,上述方法,还可包括:
107、根据所述用户在所述为所述用户推荐信息的过程中产生的好感行为,确定至少一个第四候选推荐信息。
108、将所述至少一个第四候选推荐信息添加到所述用户对应的候选推荐列表中。
上述107中,根据产生的好感行为,确定用户的兴趣爱好;根据兴趣爱好,匹配得到至少一个第四候选推荐信息。
上述108中,将所述至少一个第四候选推荐信息添加到所述用户对应的候选推荐列表中。
在一实例中,上述方法,还可包括:
109、获取所述用户的用户属性。
110、根据所述用户属性,确定所述用户所属的用户群体。
上述109中,用户属性可以是提醒用户输入的;也可以是通过获取所述用户的登陆账户信息;从所述登陆账户信息中获取得到的。其中,登录账户可以是用户在平台上注册的账户。当然,现在很多平台都支持用户使用其在其他平台注册的账户进行登录,故该登录账户还可以是用户在其他平台上已注册过的外部账户。通常登录账户信息中包括性别、年龄、所属地域、职业、籍贯等。
用户属性中可包括:性别、年龄、所属地域、职业、籍贯中的一项或多项。在音乐推荐场景中,所述第一候选推荐信息为第一候选推荐音乐。上述103中“根据所述至少一个第一候选推荐信息,为所述用户推荐信息”,具体为:根据所述至少一个第一候选推荐音乐,为所述用户播放推荐音乐。每次为用户推荐并播放一首推荐音乐。
在家庭版智能音箱的音乐推荐场景中,智能音箱播放音乐时,通常家庭中多个成员都会收听到。而在上述各实施例中,在基于用户群体获取候选推荐信息时,是完全基于某一个用户的属性信息,并不会考虑到家庭中的其他成员,会出现推荐不合理的情况出现,例如:某一个家庭中有一个婴儿成员,这个时候,推荐的音乐中最好不要出现摇滚风格的、悲伤风格的音乐。因此,在另一实施例中,可结合家庭信息,对基于用户所属的用户群体获取到的至少一个第一候选推荐信息进行进一步的筛选,以提高家庭满意度。家庭信息可以是用户主动输入的或者是经用户授权通过语音或图像识别得到的,本申请对此不做具体限定。根据家庭信息,可确定出需过滤掉的第一信息风格(例如:音乐风格或曲风);过滤掉至少一个第一候选推荐信息中第一信息风格的候选推荐信息,得到至少一个过滤后候选推荐信息。后续,基于至少一个过滤后候选推荐信息,为用户推荐。
此外,在音乐推荐场景中,用户在不同时间段,想要收听到的音乐风格也是会存在差异的。例如:一个用户在白天的时候喜欢听一些动感的音乐,而其在深夜的时候希望听到一些安静的音乐。为了满足这一需求,还可结合当前时间对获取到的候选推荐信息进行过滤。具体地,可根据当前时间,确定需过滤掉的信息风格;对获取到的候选推荐信息进行过滤。例如:当前时间为深夜时间,则确定需过滤掉的音乐风格有:摇滚风格。
图2示出了本申请一实施例提供的信息推荐***的结构示意图。如图2所示,该***包括:客户端10和服务端20。其中,
客户端10,用于将用户的行为数据发送至服务端20;
所述服务端20,用于根据所述行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;将所述至少一个候选推荐信息发送至所述客户端,以由所述客户端根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
上述客户端10可以实时或每隔第一预设时间间隔向服务端20发送用户的行为数据。
此外,上述客户端10还用于:响应于用户的触发操作,向服务端发送推荐请求。上述服务端20,用于在接收到客户端发送来的推荐请求,根据所述行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。
当然,上述服务端20,可每隔第二预设时间间隔,自动根据行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。
客户端101可以是集成在终端上的一个具有嵌入式程序的硬件,也可以是安装在终端中的一个应用软件,还可以是嵌入在终端操作***中的工具软件等,本实施例对此不作限定。终端可以是任何具有一定计算能力的设备,例如可以是智能手机、平板电脑、个人电脑、智能音箱等等。具有所述客户端101的终端的基本结构可包括:至少一个处理单元和至少一个存储器。处理单元和存储器的数量取决于终端的配置和类型。存储器可以包括易失性的,例如RAM,也可以包括非易失性的,例如只读存储器(Read-Only Memory,ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作***(Operating System,OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,终端还包括一些基本配置,例如网卡芯片、IO总线、音视频组件等。可选地,终端还可以包括一些***设备,例如键盘、鼠标、输入笔等。其它***设备在本领域中是众所周知的,在此不做赘述。
服务端102是指可以在网络环境中提供信息交互服务的服务器,用户可以通过网络向服务端102发送图像,还可以通过网络从服务端102中获取到目标椭圆信息,在物理实现上,服务端102可以是任何能够提供计算服务,响应服务请求,并进行处理的设备,例如可以是常规服务器、云服务器、云主机、虚拟中心等。服务器的构成主要包括处理器、硬盘、内存、***总线等,和通用的计算机架构类似。
在本实施例中,客户端101与服务端102进行网络连接。客户端101与服务端102之间可以是无线或有线网络连接。若客户端101与服务端102通信连接,该移动网络的网络制式可以为3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
本***实施例中的各组成单元,如客户端、服务端的执行原理及交互过程可参见上述各方法实施例的描述。
下面将以智能音箱中的音乐推荐为例对本申请实施例的技术方案进行详细介绍:
如图1a所示,用户A开启智能音箱50之后,进入到随便听听场景中。智能音箱50可以向服务端51发送一个用户进入随便听听场景的提示信号。服务端51接收到该提示信号后,可依次执行下述步骤:
步骤601:获取用户A的行为数据。
步骤602:根据用户A的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件。
例如:获取用户A的行为数据中好感行为的数量;所述数量小于或等于第一预设阈值时,判定当前满足第一条件。
步骤603:判断出当前不满足第一条件时,判断用户A所属的用户群体。
步骤604、判断出用户A所属的用户群体为用户群体B后,将用户群体B的偏好集合K返回给智能音箱50。
智能音箱50接收到集合K后,将集合K中的信息添加到该用户A对应的候选播放列表中,智能音箱50根据候选播放列表依次播放推荐信息。用户A在听歌的过程中,可以通过语音或通过界面手动触发进行反馈。例如:用户A不喜欢某个推荐的歌曲时,用户可向智能音箱50发出“请切换到下一曲”的语音指令,以使智能音箱50切换到下一曲。再例如:用户A听到某首喜欢的歌曲时,用户可向智能音箱50发出“请收藏本首歌曲”的语音指令,以使智能音箱50执行收藏操作。
智能音箱50在为用户播放推荐歌曲的过程中,可将用户的反馈行为发送给服务端51,以使服务端根据反馈行为执行后续操作,如图7所示:
701、根据候选播放列表为用户播放歌曲。
702、判断切歌行为是否较多。
切歌星期较少时,执行步骤703;切歌行为较多时,执行步骤704。
703、判断候选播放列表中候选播放歌曲的数量是否不多。
数量不多时,执行步骤704,也即基于切歌行为,进行差异获取。切歌行为即上述反感行为。
其中,上述步骤704的具体实现可参见上述各实施例中相应内容,在此不再赘述。服务端51可将差异获取的歌曲返回给智能音箱50,以由智能音箱50加入到候选播放列表中。
此外,服务端还可基于用户的反馈行为对候选播放列表中的信息进行排序具体过程可参见上述各实施例中相应内容,在此不再赘述。
经测试,采用本申请实施例提供的技术方案,可使得线上流量的人均时长相对增长1.04%,切歌率相对减少2.55%;并且统计随便听听场景当日激活的新用户的信息获取分布发现,基于用户群体的信息获取所占比例约为60%。
图3示出了本申请又一实施例提供的信息推荐方法的流程示意图。该方法的执行主体可以为客户端,也可以为服务端。其中,所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件,也可以是安装在终端中的一个应用软件,还可以是嵌入在终端操作***中的工具软件等,本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能音箱等任意终端设备。其中,服务端可以是常用服务器、云端或虚拟服务器等,本申请实施例对此不作具体限定。
如图3所示,该方法包括:
201、在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息。
202、将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
上述201中,可获取候选推荐列表中的候选推荐信息数量;候选推荐信息数量小于或等于第三预设阈值时,可判定候选推荐列表中候选推荐信息数量不多。
候选推荐列表中已有的候选推荐信息具体可以是基于用户的行为数据确定得到的。
上述201中“根据所述用户所属的用户群体,确定至少一个第一候选推荐信息”的具体实现可参见上述各实施例中相应内容,在此不再赘述。
上述202中,将至少一个第一候选推荐信息补充到候选推荐列表中;后续继续根据该候选推荐列表,为用户推荐信息。
本申请实施例提供的技术方案,在缺乏候选推荐信息时,可基于用户所属的用户群体进行信息获取,避免了信息推荐的间断;且基于用户群体进行信息获取补充,可提高命中用户兴趣的概率,提升用户体验。
可选的,上述候选推荐列表为候选播放列表。上述202中“将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息”,具体为:将所述至少一个第一候选推荐信息补充到所述候选播放列表中,以便不间断地为所述用户播放推荐信息。在为用户播放推荐信息时,每次仅播放一个推荐信息。
这里需要说明的是:本申请实施例提供的所述方法中各步骤未尽详述的内容可参见上述实施例中的相应内容,此处不再赘述。此外,本申请实施例提供的所述方法中除了上述各步骤以外,还可包括上述各实施例中其他部分或全部步骤,具体可参见上述各实施例相应内容,在此不再赘述。
图2示出了本申请一实施例提供的信息推荐***的结构示意图。该***包括:客户端10和服务端20。
服务端20,用于在用户对应的候选推荐列表中候选推荐信息数量不足的情况下,根据所述用户所属的用户群体,获取至少一个第一候选推荐信息;
所述客户端10,用于接收所述服务端20发送来的所述至少一个第一候选推荐信息;并将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
在一实例中,上述客户端10可每隔第四预设时间间隔将用户对应的候选推荐列表中候选推荐信息数量发送给服务端20,以由服务端20判断用户对应的候选推荐列表中候选推荐信息数量是否不足。在另一实例中,上述客户端10可每隔第五预设时间间隔,根据用户对应的候选推荐列表中候选推荐信息数量来判断用户对应的候选推荐列表中候选推荐信息数量是否不足;当判断出用户对应的候选推荐列表中候选推荐信息数量不足时,向服务端20发送有关数量不足的提示信息,以触发服务端20根据用户所属的用户群体,获取至少一个第一候选推荐信息。
客户端101可以是集成在终端上的一个具有嵌入式程序的硬件,也可以是安装在终端中的一个应用软件,还可以是嵌入在终端操作***中的工具软件等,本实施例对此不作限定。终端可以是任何具有一定计算能力的设备,例如可以是智能手机、平板电脑、个人电脑、智能音箱等等。具有所述客户端101的终端的基本结构可包括:至少一个处理单元和至少一个存储器。处理单元和存储器的数量取决于终端的配置和类型。存储器可以包括易失性的,例如RAM,也可以包括非易失性的,例如只读存储器(Read-Only Memory,ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作***(Operating System,OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,终端还包括一些基本配置,例如网卡芯片、IO总线、音视频组件等。可选地,终端还可以包括一些***设备,例如键盘、鼠标、输入笔等。其它***设备在本领域中是众所周知的,在此不做赘述。
服务端102是指可以在网络环境中提供信息交互服务的服务器,用户可以通过网络向服务端102发送图像,还可以通过网络从服务端102中获取到目标椭圆信息,在物理实现上,服务端102可以是任何能够提供计算服务,响应服务请求,并进行处理的设备,例如可以是常规服务器、云服务器、云主机、虚拟中心等。服务器的构成主要包括处理器、硬盘、内存、***总线等,和通用的计算机架构类似。
在本实施例中,客户端101与服务端102进行网络连接。客户端101与服务端102之间可以是无线或有线网络连接。若客户端101与服务端102通信连接,该移动网络的网络制式可以为3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
本***实施例中的各组成单元,如客户端、服务端的执行原理及交互过程可参见上述各方法实施例的描述。
图4示出了本申请一实施例提供的信息推荐装置的结构框图。如图4所示,该装置包括:
第一判断模块301,用于根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;
第一确定模块302,用于判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
第一推荐模块303,用于根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
可选的,所述第一确定模块302,还用于:
所述数量大于1且小于所述第一预设阈值时,根据所述好感行为,确定至少一个第二候选推荐信息;
上述第一推荐模块303,具体用于:
根据所述至少一个第一候选推荐信息和所述至少一个第二候选推荐信息,为所述用户推荐信息。
可选的,上述装置,还包括:
第二确定模块,用于根据所述用户在为所述用户推荐信息的过程中针对已推荐信息产生的反感行为,获取所述用户可能不反感的至少一个第三候选推荐信息;
第二补充模块,用于将所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中。
可选的,上述第一确定模块,还用于:
根据所述用户在所述为所述用户推荐信息的过程中产生的好感行为,确定至少一个第四候选推荐信息;
上述装置,还可包括:
第一添加模块,用于将所述至少一个第四候选推荐信息添加到所述用户对应的候选推荐列表中。
上述装置,还可包括:
第一调整模块,用于根据所述用户在所述为所述用户推荐信息的过程中产生的行为数据,对所述候选推荐列表中信息的排序进行调整。
上述装置,还可包括:
第二获取模块,用于获取所述用户的用户属性;
第三确定模块,用于根据所述用户属性,确定所述用户所属的用户群体。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块具体实现的原理及有益效果可参见上述各方法实施例中的相应内容,此处不再赘述。
图5示出了本申请一实施例提供的信息推荐装置的结构框图。如图5所示,该装置包括:
第四确定模块401,用于在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
第一补充模块402,用于将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
可选的,上述装置,还包括:
第五确定模块,用于根据所述用户在所述为所述用户推荐信息的过程中针对已推荐信息产生的反感行为,获取至少一个第三候选推荐信息;
第三补充模块,用于将所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中。
可选的,上述第四确定模块,还用于:
根据所述用户在所述为所述用户推荐信息的过程中产生的好感行为,确定至少一个第四候选推荐信息;
上述装置,还包括:
第二添加模块,用于将所述至少一个第四候选推荐信息添加到所述用户对应的候选推荐列表中。
可选的,上述装置,还包括:
第二调整模块,用于根据所述用户在所述为所述用户推荐信息的过程中产生的行为数据,对所述候选推荐列表中信息的排序进行调整。
可选的,上述装置,还包括:
第四获取模块,用于获取所述用户的用户属性;
第六确定模块,用于根据所述用户属性,确定所述用户所属的用户群体。
这里需要说明的是:上述实施例提供的信息推荐装置可实现上述各方法实施例中描述的技术方案,上述各模块具体实现的原理及有益效果可参见上述各方法实施例中的相应内容,此处不再赘述。
图6示出了本申请一实施例提供的电子设备的结构示意图。如图6所示,所述电子设备包括存储器1101以及处理器1102。存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器1101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。
所述存储器1101,用于存储程序;
所述处理器1102,与所述存储器1101耦合,用于执行所述存储器1101中存储的所述程序,以实现上述各方法实施例提供的信息推荐方法。
进一步,如图6所示,电子设备还包括:通信组件1103、显示器1104、电源组件1105、音频组件1106等其它组件。图6中仅示意性给出部分组件,并不意味着电子设备只包括图6所示组件。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被计算机执行时能够实现上述各方法实施例提供的信息推荐方法的步骤或功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (24)
1.一种信息推荐方法,其特征在于,包括:
根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;
判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
2.根据权利要求1所述的方法,其特征在于,根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件,包括:
确定所述行为数据中好感行为的数量;
所述数量小于第一预设阈值时,判定当前不满足所述第一条件。
3.根据权利要求2所述的方法,其特征在于,还包括:
所述数量大于1且小于所述第一预设阈值时,根据所述好感行为,确定至少一个第二候选推荐信息;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息,包括:
根据所述至少一个第一候选推荐信息和所述至少一个第二候选推荐信息,为所述用户推荐信息。
4.根据权利要求2或3所述的方法,其特征在于,确定所述行为数据中好感行为的数量,包括:
确定所述行为数据中新产生的好感行为的数量。
5.根据权利要求4所述的方法,其特征在于,判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息,包括:
判断出当前不满足所述第一条件且所述用户对应的已有候选推荐信息数量不足时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息。
6.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息,包括:
获取所述用户所属的用户群体的偏好信息;
根据所述用户群体的偏好信息,确定所述至少一个第一候选推荐信息。
7.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述至少一个第一候选推荐信息,为所述用户推荐信息,包括:
将所述至少一个第一候选推荐信息添加到所述用户对应的候选推荐列表中;
根据所述候选推荐列表,为所述用户推荐信息。
8.根据权利要求7所述的方法,其特征在于,还包括:
根据所述用户在为所述用户推荐信息的过程中产生的反感行为,获取所述用户可能不反感的至少一个第三候选推荐信息;
将所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中。
9.根据权利要求8所述的方法,其特征在于,将所述至少一个第三候选推荐信息补充到所述用户对应的候选推荐列表中,包括:
根据所述反感行为,确定所述用户针对当前已推荐信息的容忍程度;
所述容忍程度小于或等于第一预设程度时,将所述至少一个第三候选推荐信息添加到所述候选推荐列表中。
10.根据权利要求9所述的方法,其特征在于,根据所述反感行为,确定所述用户针对当前已推荐信息的容忍程度,包括:
根据所述反感行为,确定训练好的计算模型的输入信息;
将所述输入信息输入至所述计算模型中,得到所述计算模型输出的所述容忍程度。
11.根据权利要求8所述的方法,其特征在于,根据所述用户在为所述用户推荐信息的过程中产生的反感行为,获取所述用户可能不反感的至少一个第三候选推荐信息,包括:
根据所述用户在为所述用户推荐信息的过程中产生的反感行为,从当前已推荐信息中,确定出所述用户反感的信息;
根据所述用户反感的信息,确定所述用户反感的信息属性;
根据多个信息属性中除所述用户反感的信息属性以外的其他信息属性,获取所述至少一个第三候选推荐信息。
12.根据权利要求11所述的方法,其特征在于,根据多个信息属性中除所述用户反感的信息属性以外的其他信息属性,获取所述至少一个第三候选推荐信息,包括:
根据所述其他信息属性和所述用户的用户属性,获取至少一个第三候选推荐信息。
13.根据权利要求7所述的方法,其特征在于,还包括:
根据所述用户在所述为所述用户推荐信息的过程中产生的好感行为,确定至少一个第四候选推荐信息;
将所述至少一个第四候选推荐信息添加到所述用户对应的候选推荐列表中。
14.根据权利要求7所述的方法,其特征在于,根据所述候选推荐列表,为所述用户推荐信息,包括:
按照所述候选推荐列表中信息的排序,为所述用户推荐信息。
15.根据权利要求14所述的方法,其特征在于,还包括:
根据所述用户在所述为所述用户推荐信息的过程中产生的行为数据,对所述候选推荐列表中信息的排序进行调整。
16.根据权利要求1至3中任一项所述的方法,其特征在于,还包括:
获取所述用户的用户属性;
根据所述用户属性,确定所述用户所属的用户群体。
17.根据权利要求16所述的方法,其特征在于,获取所述用户的用户属性,包括:
获取所述用户的登陆账户信息;
从所述登陆账户信息中获取所述用户的用户属性。
18.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一候选推荐信息为第一候选推荐音乐;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息,包括:
根据所述至少一个第一候选推荐音乐,为所述用户播放推荐音乐。
19.一种信息推荐***,其特征在于,包括:
客户端,用于将用户的行为数据发送至服务端;
所述服务端,用于根据所述行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;将所述至少一个候选推荐信息发送至所述客户端,以由所述客户端根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
20.一种信息推荐方法,其特征在于,包括:
在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
21.根据权利要求20所述的方法,其特征在于,所述候选推荐列表为候选播放列表;
将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息,包括:
将所述至少一个第一候选推荐信息补充到所述候选播放列表中,以便不间断地为所述用户播放推荐信息。
22.一种信息推荐***,其特征在于,包括:
服务端,用于在用户对应的候选推荐列表中候选推荐信息数量不足的情况下,根据所述用户所属的用户群体,获取至少一个第一候选推荐信息;
所述客户端,用于接收所述服务端发送来的所述至少一个第一候选推荐信息;并将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
23.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
根据用户的行为数据,判断当前是否满足基于所述用户的行为数据获取候选推荐信息的第一条件;
判断出当前不满足所述第一条件时,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
根据所述至少一个第一候选推荐信息,为所述用户推荐信息。
24.一种电子设备,其特征在于,包括:存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
在所述用户对应的候选推荐列表中候选推荐信息数量不多的情况下,根据所述用户所属的用户群体,确定至少一个第一候选推荐信息;
将所述至少一个第一候选推荐信息补充到所述候选推荐列表中,以便不间断地为所述用户推荐信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067079.5A CN113139122A (zh) | 2020-01-20 | 2020-01-20 | 信息推荐方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067079.5A CN113139122A (zh) | 2020-01-20 | 2020-01-20 | 信息推荐方法、***及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139122A true CN113139122A (zh) | 2021-07-20 |
Family
ID=76809130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067079.5A Pending CN113139122A (zh) | 2020-01-20 | 2020-01-20 | 信息推荐方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139122A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123325A (zh) * | 2013-04-28 | 2014-10-29 | 北京百度网讯科技有限公司 | 多媒体文件的推荐方法和推荐服务器 |
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和*** |
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 |
CN108200142A (zh) * | 2017-12-28 | 2018-06-22 | 广州酷狗计算机科技有限公司 | 一种音乐推送方法及音箱设备 |
CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110430477A (zh) * | 2019-08-12 | 2019-11-08 | 广州华多网络科技有限公司 | 直播内容的推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-01-20 CN CN202010067079.5A patent/CN113139122A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123325A (zh) * | 2013-04-28 | 2014-10-29 | 北京百度网讯科技有限公司 | 多媒体文件的推荐方法和推荐服务器 |
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和*** |
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 |
CN108200142A (zh) * | 2017-12-28 | 2018-06-22 | 广州酷狗计算机科技有限公司 | 一种音乐推送方法及音箱设备 |
CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN110430477A (zh) * | 2019-08-12 | 2019-11-08 | 广州华多网络科技有限公司 | 直播内容的推荐方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832437B (zh) | 音/视频推送方法、装置、设备及存储介质 | |
WO2017096877A1 (zh) | 一种推荐方法和装置 | |
KR102393154B1 (ko) | 컨텐츠 추천 서비스 시스템, 그리고 이에 적용되는 장치 및 그 장치의 동작 방법 | |
CN110557659B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
JP7136932B2 (ja) | ディープラーニングに基づく音域バランシング方法、装置及びシステム | |
CN103718166B (zh) | 信息处理设备、信息处理方法 | |
US11973819B1 (en) | Image recommendations for thumbnails for online media items based on user activity | |
CN111259192B (zh) | 音频推荐方法和装置 | |
US20170169040A1 (en) | Method and electronic device for recommending video | |
CN108021568B (zh) | 一种歌单推荐方法及装置 | |
CN104486649B (zh) | 视频内容评级方法及装置 | |
CN107967280B (zh) | 一种标签推荐歌曲的方法及*** | |
KR20120088650A (ko) | 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체 | |
US20210382609A1 (en) | Method and device for displaying multimedia resource | |
US20140074828A1 (en) | Systems and methods for cataloging consumer preferences in creative content | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN108475260A (zh) | 基于评论的媒体内容项的语言识别的方法、***和介质 | |
US20190278819A1 (en) | Systems and methods of providing recommendations of content items | |
US20130318021A1 (en) | Information processing apparatus, information processing method, and program | |
CN111209477A (zh) | 一种信息推荐的方法及装置、电子设备、存储介质 | |
CN112131456A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN106294601B (zh) | 数据处理方法和装置 | |
CN110769312A (zh) | 一种直播应用中推荐信息的方法及装置 | |
CN114095749A (zh) | 推荐及直播界面展示方法、计算机存储介质、程序产品 |
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 |