CN113360744A - 媒体内容的推荐方法、装置、计算机设备和存储介质 - Google Patents
媒体内容的推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113360744A CN113360744A CN202010143131.0A CN202010143131A CN113360744A CN 113360744 A CN113360744 A CN 113360744A CN 202010143131 A CN202010143131 A CN 202010143131A CN 113360744 A CN113360744 A CN 113360744A
- Authority
- CN
- China
- Prior art keywords
- content
- matrix
- media content
- feature
- feature matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims abstract description 165
- 239000011159 matrix material Substances 0.000 claims description 391
- 239000013598 vector Substances 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 26
- 230000004913 activation Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003068 static effect 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
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
本公开涉及一种媒体内容的推荐方法、装置、计算机设备和存储介质。所述方法包括:获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。采用本方法能够提高媒体内容的推荐准确度。
Description
技术领域
本公开涉及互联网技术领域,特别是涉及一种媒体内容的推荐方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的迅速发展,用户可以通过手机、笔记本电脑等电子设备访问互联网提供的图片、视频、音乐等媒体内容。例如,用户可以通过移动终端上安装的短视频应用程序实时观看短视频内容。
在传统技术当中,通常是通过用户相应的属性信息和用户历史行为来为用户推荐用户可能感兴趣的媒体内容。然而,用户历史行为往往不能准确地反映出用户对应的兴趣偏好,这也使得现有技术在为用户进行媒体内容推荐时的准确度不高。
因此,现有技术中存在媒体内容推荐准确度不高的问题。
发明内容
本公开提供一种媒体内容的推荐方法、装置、计算机设备和存储介质,以至少解决相关技术中如何提高媒体内容推荐准确度的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种媒体内容的推荐方法,包括:
获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
在一示例性实施例中,所述根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征,包括:
分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;
根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;
基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
在一示例性实施例中,所述根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度,包括:
对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;
根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
在一示例性实施例中,所述根据内容特征矩阵,确定相似度特征矩阵,包括:
对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;
将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;
将所述第一特征矩阵,作为所述相似度特征矩阵。
在一示例性实施例中,所述基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征,包括:
对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;
将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;
根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
在一示例性实施例中,所述第二特征矩阵具有多列,所述根据所述第二特征矩阵,确定所述加权后的内容特征矩阵,包括:
分别确定所述第二特征矩阵中的每列的均值;
根据所述第二特征矩阵中的每列的均值,确定第三特征矩阵;
将所述第三特征矩阵,作为所述加权后的内容特征矩阵。
在一示例性实施例中,所述根据所述用户兴趣特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐,包括:
获取所述候选媒体内容的内容类型特征;
根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;
将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;
推荐所述待推荐媒体内容至所述用户账户。
在一示例性实施例中,所述根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值,包括:
获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;
获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;
根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
在一示例性实施例中,所述根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值,包括:
将所述用户特征矩阵和所述内容特征矩阵进行矩阵内积,得到矩阵内积结果;
通过预设的激活函数,确定所述矩阵内积结果对应的激活函数值,作为所述访问概率值。
根据本公开实施例的第二方面,提供一种媒体内容的推荐装置,包括:
获取模块,用于获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
确定模块,用于根据每个所述历史操作行为的已访问媒体内容和多个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
推荐模块,用于根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
在一示例性实施例中,上述的确定模块,具体用于:所述根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征,包括:分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
在一示例性实施例中,上述的确定模块,具体用于:对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
在一示例性实施例中,上述的确定模块,具体用于:对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;将所述第一特征矩阵,作为所述相似度特征矩阵。
在一示例性实施例中,上述的确定模块,具体用于:对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
在一示例性实施例中,所述第二特征矩阵具有多列,上述的确定模块,具体用于:分别确定所述第二特征矩阵中的每列的均值;根据所述第二特征矩阵中的每列的均值,确定第三特征矩阵;将所述第三特征矩阵,作为所述加权后的内容特征矩阵。
在一示例性实施例中,上述的推荐模块,具体用于:获取所述候选媒体内容的内容类型特征;根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;推荐所述待推荐媒体内容至所述用户。
在一示例性实施例中,上述的推荐模块,具体用于:获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
在一示例性实施例中,上述的推荐模块,具体用于:将所述用户特征矩阵和所述内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定所述矩阵内积结果对应的激活函数值,作为所述访问概率值。
根据本公开实施例的第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
上述一种媒体内容的推荐方法、装置、计算机设备和存储介质,通过获取用户历史行为;用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;再根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,进而提高基于用户账户的各个用户历史行为,以及,各个用户历史行为所对应的已访问媒体内容之间的内容相似度,准确地确定出可以准确表达出用户账户的真实兴趣偏好的兴趣偏好特征;从而可以根据兴趣偏好特征,准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,进而提高了媒体内容的推荐准确度。
附图说明
图1为一个实施例中一种媒体内容的推荐方法的应用环境图;
图2为一个实施例中一种媒体内容的推荐方法的流程示意图;
图3为另一个实施例中一种媒体内容的推荐方法的流程示意图;
图4为一个实施例中一种媒体内容的推荐装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
本公开提供的一种媒体内容的推荐方法,可以应用于如图1所示的应用环境中。其中,终端110通过网络与推荐服务器120通过网络进行通信。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,推荐服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种媒体内容的推荐方法,包括以下步骤:步骤210,获取用户历史行为;用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个历史操作行为具有对应的已访问媒体内容。
其中,历史操作行为包括历史点击行为和历史关注行为中的至少一种。
其中,用户历史行为可以是指用于表征用户访问媒体内容时产生操作行为。例如,用户最近在短视频应用中点击的N个短视频。再例如,用户最近在短视频应用中关注的M个短视频作者。其中,N和M均可以为正整数。
其中,媒体内容可以包括图片、视频、短视频、文章、音乐、短视频作者中的至少一种。
其中,历史操作行为特征包括历史点击行为特征或历史关注行为特征中的至少一种。
具体实现中,当推荐服务器120需要为用户推荐媒体内容时,推荐服务器120可以获取用户历史行为;具体来说,推荐服务器120可以获取用户在访问媒体内容时产生的多个历史操作行为。其中,历史操作行为可以包括用户的历史点击行为和历史关注行为中的至少一种。
步骤220,根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,确定用户账户对应的兴趣偏好特征。
其中,行为相似度可以是指历史操作行为之间的相似度。
其中,兴趣偏好特征可以是指用户在访问媒体内容对应的兴趣偏好的特征。
具体实现中,当推荐服务器120获取到用户对应的用户历史行为后,推荐服务器120可以根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,确定用户账户对应的兴趣偏好特征。具体来说,各个已访问媒体内容之间的内容相似度越高,则已访问媒体内容与用户的兴趣偏好的偏好匹配程度越高。因此,可以准确地从用户账户对应的用户历史行为中,确定用户账户对应的兴趣偏好特征。例如,当用户最近一直在点击并观看搞笑类型的视频时即用户最近的多个历史操作行为均为观看多个搞笑类型的视频,则此时推荐服务器120确定多个视频之间的内容相似度高,此时多个历史操作行为可以准确地反映出用户当前的兴趣偏好。再例如,当用户最近分别看了搞笑类型的视频、舞蹈类型的视频、烹饪类型的视频和旅游类型的视频时,此时推荐服务器120确定多个视频之间的内容相似度不高,上述的历史操作行为并不能反映出用户的真实兴趣偏好。
具体来说,推荐服务器120可以将内容相似度,作为推荐服务器120在根据用户历史行为确定用户对应的兴趣偏好特征过程中的影响权重,具体来说,推荐服务器120可以根据内容相似度对已访问媒体内容的内容特征进行加权,得到加权后内容特征,使得加权后内容特征可以准确地表征出用户账户对应的兴趣偏好特征。
步骤230,根据兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
其中,候选媒体内容可以是指尚未确定是否需要推荐至用户的媒体内容。
具体实现中,推荐服务器120在获取到的兴趣偏好特征后,推荐服务器120可以根据该兴趣偏好特征在多个候选媒体内容中挑选待推荐媒体内容并将待推荐媒体内容推荐至用户账户。具体来说,推荐服务器120可以根据兴趣偏好特征,计算出用户账户访问各个候选媒体内容对应的概率值,然后将概率值超过预设的阈值的候选媒体内容作为待推荐媒体内容,最后,推荐服务器120将待推荐媒体内容推荐至用户账户。
上述媒体内容的推荐方法中,通过获取用户历史行为;用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;再根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,进而提高基于用户账户的各个用户历史行为,以及,各个用户历史行为所对应的已访问媒体内容之间的内容相似度,准确地确定出可以准确表达出用户账户的真实兴趣偏好的兴趣偏好特征;从而可以根据兴趣偏好特征,准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,进而提高了媒体内容的推荐准确度。
在另一个实施例中,根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,确定用户账户对应的兴趣偏好特征,包括:分别获取各个历史操作行为的已访问媒体内容对应的内容特征向量;根据各个内容特征向量,确定各个已访问媒体内容之间的内容相似度;基于内容相似度,对已访问媒体内容的内容特征进行加权,得到加权后的内容特征;加权后的内容特征用于表征用户账户对应的兴趣偏好特征。
具体实现中,推荐服务器120在根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,确定用户账户对应的兴趣偏好特征的过程中,具体包括:推荐服务器120分别获取各个历史操作行为的已访问媒体内容对应的内容特征向量;然后,推荐服务器120根据各个内容特征向量,确定各个已访问媒体内容之间的内容相似度;具体地,推荐服务器120通过计算各个内容特征向量的特征相似度,并根据该各个内容特征向量的特征相似度,确定各个已访问媒体内容之间的内容相似度。然后,推荐服务器120再基于该内容相似度,对已访问媒体内容的内容特征进行加权,得到加权后的内容特征,以使用于作为推荐服务器120在根据用户历史行为确定用户对应的兴趣偏好特征过程中的影响权重即将加权后的内容特征用于表征用户账户对应的兴趣偏好特征。
本实施例的技术方案,通过分别获取各个历史操作行为的已访问媒体内容对应的内容特征向量;并根据各个内容特征向量,确定各个已访问媒体内容之间的内容相似度;最后,基于内容相似度,对已访问媒体内容的内容特征进行加权,得到加权后的内容特征,使得可以根据用户的历史操作行为,准确地提炼出可以表达用户账户的兴趣偏好或兴趣意图的兴趣偏好特征,进而提高了媒体内容的推荐准确度。
在另一个实施例中,根据各个内容特征向量,确定各个已访问媒体内容之间的内容相似度,包括:对各个内容特征向量进行组合,构建内容特征矩阵;内容特征矩阵用于表征已访问媒体内容的内容特征;根据内容特征矩阵,确定相似度特征矩阵;相似度特征矩阵用于表征各个已访问媒体内容之间的内容相似度。
具体实现中,推荐服务器120在根据各个内容特征向量,确定各个已访问媒体内容之间的内容相似度的过程中,具体包括:推荐服务器120分别获取各个历史操作行为的已访问媒体内容对应的内容特征向量。例如,推荐服务器120可以获取每个用户账户的最近的K个历史点击行为的已访问媒体内容对应的特征向量(例如,embedding隐向量,如已知,第一历史点击行为的已访问媒体内容为某美食视频,则第一历史点击行为对应的内容特征向量可以为01010001;第二历史点击行为的已访问媒体内容为某搞笑视频,则第二历史点击行为对应的内容特征向量可以为01101001等),然后,推荐服务器120可以将上述K个历史点击行为对应的行为特征向量,构建内容特征矩阵。实际应用中,K可以等于4。行为特征向量的向量维度大小可以为6。因此,历史行为特征矩阵X为4行6列的特征矩阵。最后,推荐服务器120再根据内容特征矩阵,确定用于表征各个已访问媒体内容之间的内容相似度的相似度特征矩阵。
另外,推荐服务器120获取不足K个历史操作行为时,推荐服务器120可以使用0向量补全。
本实施例的技术方案,通过对各个内容特征向量进行组合,构建用于表征已访问媒体内容的内容特征的内容特征矩阵;使得内容特征矩阵可以准确地表达出用户访问媒体内容时产生的多个历史操作行为对应的内容特征,便于后续准确地计算出相似度特征矩阵,进而便于后续推荐服务器准确地确定用户对应的兴趣偏好特征,准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,提高了媒体内容的推荐准确度。
在另一个实施例中,根据内容特征矩阵,确定相似度特征矩阵,包括:对内容特征矩阵进行转置,得到转置后的内容特征矩阵;将内容特征矩阵和转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;将第一特征矩阵,作为相似度特征矩阵。
具体实现中,推荐服务器120在确定多个历史操作行为之间的行为相似度的过程中,具体包括:推荐服务器120获取用户历史行为对应的历史行为特征矩阵;其中,历史行为特征矩阵可以表示为X;然后,推荐服务器120对历史行为特征矩阵进行转置,得到转置后的历史行为特征矩阵;其中,转置后的历史行为特征矩阵可以表示为transpose(X);再然后,推荐服务器120将历史行为特征矩阵和转置后的历史行为特征矩阵进行矩阵乘法,得到第一特征矩阵Y,作为行为相似度。其中,第一特征矩阵可以表示为Y=X*transpose(X),*为矩阵乘法。
本实施例的技术方案,通过获取用户历史行为对应的历史行为特征矩阵;对历史行为特征矩阵进行转置,得到转置后的历史行为特征矩阵;将历史行为特征矩阵和转置后的历史行为特征矩阵进行矩阵乘法,得到第一特征矩阵,从而可以准确地计算出用户多个历史操作行为之间的行为相似度,方便后续准确地刻画出用户的兴趣偏好,从而提高媒体内容的推荐准确度。
在另一个实施例中,基于内容相似度,对已访问媒体内容的内容特征进行加权,得到加权后的内容特征,包括:对相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;将归一化后的相似度特征矩阵和内容特征矩阵进行矩阵乘法,得到第二特征矩阵;根据第二特征矩阵,确定加权后的内容特征矩阵。
具体实现中,推荐服务器120在基于内容相似度,对已访问媒体内容的内容特征进行加权,得到加权后的内容特征的过程中,具体包括:推荐服务器120对相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;具体地,推荐服务器120可以对相似度特征矩阵的每一行使用SoftMax(一种矩阵归一化方法)归一化,进而得到归一化后的相似度特征矩阵,归一化后的相似度特征矩阵可以表示为Z=SoftMax(Y),然后,推荐服务器120将归一化后的相似度特征矩阵和内容特征矩阵进行矩阵乘法,得到第二特征矩阵;即第二特征矩阵可以表示为A=Z*X=SoftMax(Y)*(X*transpose(X))。如此,可以调整已访问媒体内容在确定用户账户的兴趣偏好过程中的的影响权重,使得加权后的内容特征矩阵可以更为准确地表达出用户的兴趣偏好或兴趣意图。例如,当各个已访问媒体内容之间的内容相似度高时,则通过将归一化后的相似度特征矩阵和内容特征矩阵进行矩阵乘法来加强内容特征矩阵在确定用户账户的兴趣偏好过程中的的影响权重,进而可以使推荐服务器120根据第二特征矩阵,准确地确定用户对应的兴趣偏好特征。
本实施例的技术方案,通过对相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵,减少了参数计算量,提高了计算速度;然后,将归一化后的相似度特征矩阵和内容特征矩阵进行矩阵乘法,来加强内容特征矩阵在确定用户账户的兴趣偏好过程中的的影响权重,进而准确地根据第二特征矩阵,确定用户账户对应的兴趣偏好特征,使得兴趣偏好特征可以更加准确地表达出用户的兴趣偏好或兴趣意图,进而可以便于推荐服务器准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,提高了媒体内容的推荐准确度。
在另一个实施例中,第二特征矩阵具有多列,根据第二特征矩阵,确定加权后的内容特征矩阵,包括:分别确定第二特征矩阵的每一列的均值;根据第二特征矩阵的每一列的均值,确定第三特征矩阵;将第三特征矩阵,作为用户对应的兴趣偏好特征。
其中,第二特征矩阵具有多列。
具体实现中,推荐服务器120在根据第二特征矩阵A,确定加权后的内容特征矩阵的过程中,具体包括:推荐服务器120首先通过分别确定第二特征矩阵A的每一列的均值;然后,推荐服务器120根据第二特征矩阵A的每一列的均值,确定第三特征矩阵M。最后,推荐服务器120将第三特征矩阵M,作为加权后的内容特征矩阵,进而用于表征用户对应的兴趣偏好特征。
本实施例的技术方案,通过分别确定第二特征矩阵的每一列的均值;根据第二特征矩阵的每一列的均值,确定第三特征矩阵;将第三特征矩阵,作为用户对应的兴趣偏好特征;消除了第二特征矩阵中因特征长度不同而影响推荐服务器后续使用兴趣偏好特征进行媒体内容推荐的准确度,同时还可以实现在避免信息丢失的同时降低了兴趣偏好特征的参数量,进而便于后续推荐服务器快速地根据兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐,从而实现了可以快速且准确地根据用户兴趣特征为用户推荐相应的视频、图片等媒体内容。
在另一个实施例中,根据用户兴趣特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐,包括:获取候选媒体内容的内容类型特征;根据兴趣偏好特征和内容类型特征,确定用户账户访问候选媒体内容对应的访问概率值;将访问概率值大于预设阈值的候选媒体内容,作为待推荐媒体内容;推荐待推荐媒体内容至用户账户。
具体实现中,当推荐服务器110根据用户兴趣特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐的过程中,具体包括:推荐服务器110获取候选媒体内容的内容类型特征;然后,推荐服务器110根据用户账户对应的兴趣偏好特征和各个候选媒体内容对应的内容类型特征,确定用户账户访问各个候选媒体内容对应的访问概率值;然后,推荐服务器110将访问概率值大于预设阈值的候选媒体内容,作为待推荐媒体内容;最后,推荐服务器110推荐待推荐媒体内容至用户账户。
本实施例的技术方案,通过获取候选媒体内容的内容类型特征;然后,根据兴趣偏好特征和内容类型特征,确定用户访问候选媒体内容对应的访问概率值;并将访问概率值大于预设阈值的候选媒体内容,作为待推荐媒体内容;推荐待推荐媒体内容至用户,从而可以准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,提高了媒体内容的推荐准确度。
在另一个实施例中,根据兴趣偏好特征和内容类型特征,确定用户账户访问候选媒体内容对应的访问概率值,包括:获取用户账户的用户账户信息,并根据用户账户信息对应的特征矩阵和第三特征矩阵,确定用户账户的用户特征矩阵;获取候选媒体内容的作者信息;并根据作者信息对应的特征矩阵和内容类型特征对应的特征矩阵,确定候选媒体内容的内容特征矩阵;其中,根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值;具体包括:将用户的用户特征矩阵和候选媒体内容的内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定矩阵内积结果对应的激活函数值,作为用户访问候选媒体内容对应的访问概率值。
其中,作者信息可以是指发布上述候选媒体内容的作者的信息。
其中,用户账户信息可以是UID(user ID,用户ID)。
具体实现中,推荐服务器120在根据兴趣偏好特征和内容类型特征,确定用户账户访问候选媒体内容对应的访问概率值的过程中,具体包括:推荐服务器120获取用户的用户账户信息,推荐服务器120并根据用户账户信息对应的特征矩阵和第三特征矩阵,确定用户账户的用户特征矩阵;然后,推荐服务器120获取候选媒体内容的作者信息;并根据作者信息对应的特征矩阵和内容类型特征对应的特征矩阵,确定候选媒体内容的内容特征矩阵;再然后,推荐服务器120将用户的用户特征矩阵和候选媒体内容的内容特征矩阵进行矩阵内积,得到矩阵内积结果;最后,推荐服务器120通过预设的激活函数,确定矩阵内积结果对应的激活函数值,作为用户访问候选媒体内容对应的访问概率值。
实际应用中,激活函数可以是sigmoid、ReLU函数等。
举例来说,推荐服务器120在根据兴趣偏好特征和内容类型特征,确定用户账户访问候选媒体内容对应的访问概率值的过程中,推荐服务器120可以通过使用FM(Factorization Machines,因子分解机)模型,根据兴趣偏好特征和内容类型特征,确定用户账户访问候选媒体内容对应的访问概率值。其中,推荐服务器120可以使用原始数据集,对FM模型进行训练,得到训练后的FM模型。然后,推荐服务器120在使用训练后的FM模型根据兴趣偏好特征和内容类型特征,确定用户访问候选媒体内容对应的访问概率值的过程中,推荐服务器120可以将兴趣偏好特征对应的第三特征矩阵M作为一个特征;然后,推荐服务器120获取用户账户的用户账户信息UID(UserID,用户ID),并将用户账户信息对应的特征矩阵和第三特征矩阵进行相加,得到user(用户)端的embedding向量之和(UID+M),作为用户账户的用户特征矩阵。同时,推荐服务器120获取候选媒体内容的作者信息AID(AuthorID,作者ID);并根据作者信息对应的特征矩阵和内容类型特征PID(PhotoID)对应的特征矩阵,得到item(候选媒体内容)端的embedding向量之和(AID+PID),作为候选媒体内容的内容特征矩阵。然后,推荐服务器120将用户账户的用户特征矩阵和候选媒体内容的内容特征矩阵进行矩阵内积,得到矩阵内积结果(UID+M)*(PID+AID);其中,*表示做内积。最后,推荐服务器120通过预设的激活函数,确定矩阵内积结果对应的激活函数值,作为用户账户访问候选媒体内容对应的访问概率值。在本例中,激活函数可以是sigmoid函数。因此,用户账户访问候选媒体内容对应的访问概率值G可以表示为G=sigmoid((UID+M)*(PID+AID)),其中,G大于或等于0小于或等于1。
本实施例的技术方案,通过获取用户账户的用户账户信息,并根据用户账户信息对应的特征矩阵和第三特征矩阵,确定用户账户的用户特征矩阵;获取候选媒体内容的作者信息;并根据作者信息对应的特征矩阵和内容类型特征对应的特征矩阵,确定候选媒体内容的内容特征矩阵;将用户账户的用户特征矩阵和候选媒体内容的内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定矩阵内积结果对应的激活函数值,作为用户账户访问候选媒体内容对应的访问概率值,从而可以根据该访问概率值,更为准确地从多个候选媒体内容中挑选符合用户账户的兴趣偏好的待推荐媒体内容进行推荐,提高了媒体内容的推荐准确度。
在一个实施例中,如图3所示,提供了一种媒体内容的推荐方法,包括以下步骤:步骤310,获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容。步骤320,分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量。步骤330,根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度。步骤340,基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。步骤350,获取所述候选媒体内容的内容类型特征。步骤360,根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值。步骤370,将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容。步骤380,推荐所述待推荐媒体内容至所述用户账户。上述步骤的具体限定可以参见上文对一种媒体内容的推荐方法的具体限定,在此不再赘述。
本实施例的技术方案,通过获取用户历史行为即用户在访问所述媒体内容时产生的多个历史操作行为,历史操作行为包括历史点击行为和历史关注行为中的至少一种;然后,通过根据多个历史操作行为之间的行为相似度,确定该用户历史行为与用户的兴趣偏好的偏好匹配程度,并根据用户历史行为和该用户历史行为对应的偏好匹配程度,确定出可以准确表达用户兴趣偏好的兴趣偏好特征;从而可以通过该兴趣偏好特征,准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,提高了媒体内容的推荐准确度。
应该理解的是,虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种媒体内容的推荐装置,包括:
获取模块410,用于获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
确定模块420,用于根据每个所述历史操作行为的已访问媒体内容和多个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
推荐模块430,用于根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
上述媒体内容的推荐装置中,通过获取用户历史行为;用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;再根据每个历史操作行为对应的已访问媒体内容和各个已访问媒体内容之间的内容相似度,进而提高基于用户账户的各个用户历史行为,以及,各个用户历史行为所对应的已访问媒体内容之间的内容相似度,准确地确定出可以准确表达出用户账户的真实兴趣偏好的兴趣偏好特征;从而可以根据兴趣偏好特征,准确地从多个候选媒体内容中挑选符合用户兴趣偏好的待推荐媒体内容进行推荐,进而提高了媒体内容的推荐准确度。
在其中一个实施例中,上述的确定模块420,具体用于:所述根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征,包括:分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
在其中一个实施例中,上述的确定模块420,具体用于:对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
在其中一个实施例中,上述的确定模块420,具体用于:对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;将所述第一特征矩阵,作为所述相似度特征矩阵。
在其中一个实施例中,上述的确定模块420,具体用于:对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
在其中一个实施例中,所述第二特征矩阵具有多列,上述的确定模块420,具体用于:分别确定所述第二特征矩阵中的每列的均值;根据所述第二特征矩阵中的每列的均值,确定第三特征矩阵;将所述第三特征矩阵,作为所述加权后的内容特征矩阵。
在其中一个实施例中,上述的推荐模块430,具体用于:获取所述候选媒体内容的内容类型特征;根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;推荐所述待推荐媒体内容至所述用户。
在其中一个实施例中,上述的推荐模块430,具体用于:获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
在其中一个实施例中,上述的推荐模块430,具体用于:将所述用户特征矩阵和所述内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定所述矩阵内积结果对应的激活函数值,作为所述访问概率值。
关于一种媒体内容的推荐装置的具体限定可以参见上文中对于一种媒体内容的推荐方法的限定,在此不再赘述。上述一种媒体内容的推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储媒体内容的推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种媒体内容的推荐方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤210,获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
步骤220,根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
步骤230,根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;将所述第一特征矩阵,作为所述相似度特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
在一个实施例中,所述第二特征矩阵具有多列,处理器执行计算机程序时还实现以下步骤:分别确定所述第二特征矩阵中的每列的均值;根据所述第二特征矩阵中的每列的均值,确定第三特征矩阵;将所述第三特征矩阵,作为所述加权后的内容特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述候选媒体内容的内容类型特征;根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;推荐所述待推荐媒体内容至所述用户账户。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述用户特征矩阵和所述内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定所述矩阵内积结果对应的激活函数值,作为所述访问概率值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤210,获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
步骤220,根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
步骤230,根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;将所述第一特征矩阵,作为所述相似度特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
在一个实施例中,所述第二特征矩阵具有多列,计算机程序被处理器执行时还实现以下步骤:分别确定所述第二特征矩阵中的每列的均值;根据所述第二特征矩阵中的每列的均值,确定第三特征矩阵;将所述第三特征矩阵,作为所述加权后的内容特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述候选媒体内容的内容类型特征;根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;推荐所述待推荐媒体内容至所述用户账户。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述用户特征矩阵和所述内容特征矩阵进行矩阵内积,得到矩阵内积结果;通过预设的激活函数,确定所述矩阵内积结果对应的激活函数值,作为所述访问概率值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种媒体内容的推荐方法,其特征在于,所述方法包括:
获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述根据每个所述历史操作行为对应的已访问媒体内容和各个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征,包括:
分别获取各个所述历史操作行为的已访问媒体内容对应的内容特征向量;
根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度;
基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征;所述加权后的内容特征用于表征所述用户账户对应的兴趣偏好特征。
3.根据权利要求2所述的方法,其特征在于,所述根据各个所述内容特征向量,确定各个所述已访问媒体内容之间的内容相似度,包括:
对各个所述内容特征向量进行组合,构建内容特征矩阵;所述内容特征矩阵用于表征所述已访问媒体内容的内容特征;
根据内容特征矩阵,确定相似度特征矩阵;所述相似度特征矩阵用于表征各个所述已访问媒体内容之间的内容相似度。
4.根据权利要求3所述的方法,其特征在于,所述根据内容特征矩阵,确定相似度特征矩阵,包括:
对所述内容特征矩阵进行转置,得到转置后的内容特征矩阵;
将所述内容特征矩阵和所述转置后的内容特征矩阵进行矩阵乘法,得到第一特征矩阵;
将所述第一特征矩阵,作为所述相似度特征矩阵。
5.根据权利要求3所述的方法,其特征在于,所述基于所述内容相似度,对所述已访问媒体内容的内容特征进行加权,得到加权后的内容特征,包括:
对所述相似度特征矩阵进行矩阵归一化处理,得到归一化后的相似度特征矩阵;
将所述归一化后的相似度特征矩阵和所述内容特征矩阵进行矩阵乘法,得到第二特征矩阵;
根据所述第二特征矩阵,确定所述加权后的内容特征矩阵。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述用户兴趣特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐,包括:
获取所述候选媒体内容的内容类型特征;
根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值;
将所述访问概率值大于预设阈值的候选媒体内容,作为所述待推荐媒体内容;
推荐所述待推荐媒体内容至所述用户账户。
7.根据权利要求6所述的方法,其特征在于,所述根据所述兴趣偏好特征和所述内容类型特征,确定所述用户账户访问所述候选媒体内容对应的访问概率值,包括:
获取所述用户账户的用户账户信息,并根据所述用户账户信息对应的特征矩阵和所述兴趣偏好特征对应的特征矩阵,确定所述用户账户的用户特征矩阵;
获取所述候选媒体内容的作者信息;并根据所述作者信息对应的特征矩阵和所述内容类型特征对应的特征矩阵,确定所述候选媒体内容的内容特征矩阵;
根据所述用户特征矩阵和所述内容特征矩阵,确定所述用户账户访问所述候选媒体内容对应的访问概率值。
8.一种媒体内容的推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用户历史行为;所述用户历史行为包括用户账户在访问多个媒体内容时的多个历史操作行为;其中,每个所述历史操作行为具有对应的已访问媒体内容;
确定模块,用于根据每个所述历史操作行为的已访问媒体内容和多个所述已访问媒体内容之间的内容相似度,确定所述用户账户对应的兴趣偏好特征;
推荐模块,用于根据所述兴趣偏好特征,从多个候选媒体内容中挑选待推荐媒体内容进行推荐。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143131.0A CN113360744B (zh) | 2020-03-04 | 2020-03-04 | 媒体内容的推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143131.0A CN113360744B (zh) | 2020-03-04 | 2020-03-04 | 媒体内容的推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113360744A true CN113360744A (zh) | 2021-09-07 |
CN113360744B CN113360744B (zh) | 2024-07-12 |
Family
ID=77523362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143131.0A Active CN113360744B (zh) | 2020-03-04 | 2020-03-04 | 媒体内容的推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201642A (zh) * | 2021-11-17 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543132A (zh) * | 2018-11-22 | 2019-03-29 | 深圳墨世科技有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
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 |
-
2020
- 2020-03-04 CN CN202010143131.0A patent/CN113360744B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543132A (zh) * | 2018-11-22 | 2019-03-29 | 深圳墨世科技有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201642A (zh) * | 2021-11-17 | 2022-03-18 | 北京达佳互联信息技术有限公司 | 一种媒体内容推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113360744B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110162993B (zh) | 脱敏处理方法、模型训练方法、装置和计算机设备 | |
CN110489622B (zh) | 对象信息的分享方法、装置、计算机设备和存储介质 | |
CN113536139B (zh) | 基于兴趣的内容推荐方法、装置、计算机设备及存储介质 | |
CN113157863A (zh) | 问答数据处理方法、装置、计算机设备及存储介质 | |
CN110765286A (zh) | 跨媒体检索方法、装置、计算机设备和存储介质 | |
CN113239176B (zh) | 语义匹配模型训练方法、装置、设备及存储介质 | |
CN113254679B (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
CN111651666A (zh) | 用户主题推荐方法、装置、计算机设备及存储介质 | |
CN112035611A (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
CN110162689B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN113420203B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN111291563A (zh) | 词向量对齐方法和词向量对齐模型训练方法 | |
CN113360744B (zh) | 媒体内容的推荐方法、装置、计算机设备和存储介质 | |
CN112749557A (zh) | 文本处理模型的构建方法和文本处理方法 | |
CN113434633B (zh) | 基于头像的社交话题推荐方法、装置、设备及存储介质 | |
CN113947185B (zh) | 任务处理网络生成、任务处理方法、装置、电子设备及存储介质 | |
CN116129881A (zh) | 语音任务处理方法、装置、电子设备及存储介质 | |
CN115756821A (zh) | 在线任务处理模型训练、任务处理方法及装置 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN113868516A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN113434652A (zh) | 智能问答方法、智能问答装置、设备及存储介质 | |
CN114048392B (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 | |
CN113868408A (zh) | 文本数据推荐方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant |