CN113836389B - 内容推荐方法及装置 - Google Patents
内容推荐方法及装置 Download PDFInfo
- Publication number
- CN113836389B CN113836389B CN202010580899.4A CN202010580899A CN113836389B CN 113836389 B CN113836389 B CN 113836389B CN 202010580899 A CN202010580899 A CN 202010580899A CN 113836389 B CN113836389 B CN 113836389B
- Authority
- CN
- China
- Prior art keywords
- target recommendation
- recommendation
- strategy
- user
- content
- 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 43
- 238000002474 experimental method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000000758 substrate Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method 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)
Abstract
本公开关于一种内容推荐方法及装置。其中,该方法包括:接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;使用获取的所述目标推荐策略,向所述用户终端推荐内容。
Description
技术领域
本公开涉及计算机及互联网技术领域,尤其涉及一种内容推荐方法及装置。
背景技术
为了确定多种推荐方式的优劣,一般采用AB测试的方式评价多种推荐方式。相关技术中,主要采用随机分组AB实验的方式进行AB测试:将用户随机划分到对照组和若干实验分组,每个实验分组的用户采用相同的推荐方式进行实验。
在一次AB实验中,一般固定每个实验分组的推荐方式,然而,在进行AB测试的过程中,可能存在实验组内用户并不适合测试的推荐方式的情形,如果出现该种情形,则可能出现因测试的功能不匹配从而导致测试结果不准确的问题。
发明内容
本公开提供一种内容推荐方法及装置,以至少解决实验组用户在一次实验中固定使用一种推荐策略而导致测试结果不准确的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种内容推荐方法,包括:接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;使用获取的所述目标推荐策略,向所述用户终端推荐内容。
可选地,获取的所述目标推荐策略包括多个;所述使用获取的所述目标推荐策略,向所述用户终端推荐内容,包括:依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。
可选地,在向所述用户终端推荐内容之后,所述方法还包括:从所述用户终端获取针对推荐的所述内容的反馈信息,并保存到用户历史数据库中;基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
可选地,所述基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
可选地,所述基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
根据本公开实施例的第二方面,提供一种内容推荐装置,包括:接收单元,被配置为执行接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;第一获取单元,被配置为执行基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;推荐单元,被配置为执行使用获取的所述目标推荐策略,向所述用户终端推荐内容。
可选地,获取的所述目标推荐策略包括多个,所述推荐单元使用获取的所述目标推荐策略,向所述用户终端推荐内容,包括:依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。
可选地,还包括:第二获取单元,被配置为执行从所述用户终端获取针对推荐的所述内容的反馈信息,并保存到用户历史数据库中;更新单元,被配置为执行基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
可选地,所述更新单元基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
可选地,所述更新单元基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
根据本公开实施例的第三方面,供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述的内容推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述的内容推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行上述任一种内容推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:在本公开的实施例提供的技术方案中,在接收到AB测试的实验组中的平台账户用户发送的内容获取请求后,根据平台账户的信息,从策略库中获取与平台账户匹配的目标推荐策略,使用目标推荐策略向用户终端推荐内容,从而可以根据平台帐户的信息,采用与平台账户匹配的目标推荐策略为用户终端推荐内容,进而避免因测试的功能不匹配从而导致测试结果不准确的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图;
图2是根据一示例性实施例示出的另一种内容推荐方法的流程图;
图3是根据一示例性实施例示出的一种内容推荐装置的框图;
图4是根据一示例性实施例示出的一种装置的框图;
图5是根据一示例性实施例示出的一种装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图,如图1所示,该内容推荐方法可以用于服务器中,该方法可以包括以下步骤S11至步骤S13。
在步骤S11中,接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户。
其中,用户终端发送的内容获取请求可以是用户在用户终端的客户端APP上输入的刷新请求,或者,也可以是用户在客户端APP上输入的推荐请求。例如,在客户端APP的首页,可以设置一个刷新按钮,用户通过点击该按钮,触发用户终端向服务器发送刷新请求,当然,也可以不用设置一个按钮,而通过设置一定的滑动姿势来触发用户终端向服务器发送刷新请求。或者,也可以在客户端APP上设置一个“推荐栏”,用户通过选择“推荐栏”,触发用户终端向服务器发送一个推荐请求。具体本实施例中不作限定。
在本公开实施例中,用户终端可以是终端设备、移动终端(Mobile Terminal)、移动用户设备等,可以经网络(包括有线网络和无线网络)与服务器进行通信。其中,移动终端和移动用户设备包括但不限于移动电话和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,终端设备包括但不限于笔记本、台式机(desktop)、便携式电脑(laptop)等。具体本实施例中不作限定。
在本公开实施例中,所述平台账户的信息可以包括:用户标识和用户的特征信息。其中,用户标识可以是用户注册的用户ID,也可以是用户的手机号码等可以唯一标识用户的信息。
在本公开实施例中,用户的特征信息可以包括以下至少一项:用户的性别、用户的年龄、用户所处的地域、和用户当前使用的用户终端的属性。其中,用户的性别、年龄和地域等可以是用户通过客户端APP输入的。例如,在用户注册时,客户端APP可以提供让用户输入这些信息的页面,例如,通过下拉列表的方式,让用户选择对应的特征信息,以采集用户的特征信息。用户终端的属性可以包括:用户终端型号等信息,可以是用户通过客户端APP输入的,例如,客户端APP可以提供现有主要移动终端的型号让用户选择输入,也可以是客户端APP读取用户终端的配置信息得到的。
另外,对于用户的年龄,由于同一年龄段的用户的喜好相同的概率比较大,因此,在提供用户输入年龄的界面时,为了减少特征信息的种类,可以提供不同的年龄段让用户进行选择,例如,可以提供以下年龄段让用户选择:0-10、10-20、20-30、30-40、40-50、50-60、60-70、以及70以上。
在本公开实施例中,用户的特征信息除了上述各项以外,还可以包括其它项的信息,例如,国籍、家庭状态、以及婚姻状况等信息,具体本实施例中不作限定。
在步骤S12中,基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应。
例如,所述策略库中可以存储有平台账户的信息与推荐策略的对应关系。在本公开实施例中,策略库中可以存储有用户标识与推荐策略的对应关系,还可以存储有特征信息与推荐策略的对应关系。在初始状态下,可以根据已有用户历史数据,构建特征信息与推荐策略的对应关系,即具有相同或相似的特征信息的用户使用相同的推荐策略,在接收到某个用户的内容请求后,根据该用户的特征信息,获取与该用户的特征信息对应的推荐策略,使用获取的推荐策略,向该用户推荐内容。在获取该用户针对推荐内容的反馈信息后,如果反馈信息显示用户对推荐内容很感兴趣,例如,点击的次数较多,或者浏览的时间较长,或者留存的时间较长,则可以确定该推荐策略对该用户是有效的,因此,可以在策略库中记录该用户的用户标识与该推荐策略的对应关系,在下一次接收到该用户的内容获取请求时,可以采用该推荐策略再次向该用户推荐内容。
在一个可能的实现方式中,策略库中存储的信息与推荐策略的对应关系中,可以存储平台账户的信息与推荐策略ID的对应关系,服务器中可以存储各个推荐策略ID对应的推荐策略,在步骤S12中,先获取与平台账户的信息对应的推荐策略ID,再根据推荐策略ID得到对应的推荐策略。通过该可能的实现方式中,可以减少存储量。
在一个可能的实现方式中,为了减少存储的数据,策略库中还可以采用哈希(hash)表或树状储存结构进行存储,在每一个hash表储存单元或树叶子节点中存储一个推荐策略ID队列,当用户ID或特征信息输入时,搜索hash表或决策树,从储存单元或叶子节点的队列中pop一个推荐策略。
例如,以hash表进行存储,其中,关键码值(Key value)可以基于用户标识或用户的特征信息得到,与用户标识或特征信息对应的推荐策略ID作为值存放在f(k)的存储位置上。例如,可以对用户标识或用户的特征信息进行哈希计算,将计算得到的哈希值作为关键码值,在接收到内容请求后,对内容请求中携带的第一用户的用户标识和第一用户的特征信息分别进行哈希计算,得到两个关键码值k1和k2,分别代入哈希函数,得到两个值f(k1)和f(k2),从而得到对应的推荐策略ID,若策略库中没有存储有与第一用户的用户标识对应的记录,则f(k1)为空。
在步骤S13中,使用获取的所述目标推荐策略,向所述用户终端推荐内容。
在本公开实施例中,推荐的内容包括但不限于视频、文章等。
在本公开实施例中,候选推荐策略可以有多种,包括但不限基于内容的推荐、基于内容的协同过滤、基于用户的协同过滤、以及基于标签的推荐等。在步骤S12中,获取到与平台账户匹配的目标推荐策略之后,在步骤S13中,应用目标推荐策略,获取向该用户终端推荐的内容,并将获取到的内容发送给用户终端。例如,在步骤S12中获取的目标推荐策略为基于内容的推荐,则在步骤S13中,针对该平台账户的用户曾经浏览过的视频,向该平台账户的用户推荐相同分类的其它视频。而在步骤S12中获取的目标推荐策略为基于内容的协同过滤,则在步骤S13中,针对该平台账户的用户曾经浏览过的视频,则根据该平台账户的用户对不同内容的评分所评测内容之间的相似性,获取与该平台账户的用户曾经浏览过的视频具有相似性的视频,例如,两个视频被同一个用户同时留存的次数越多,这两个视频越相似。
在一个可能的实现方式中,获取的目标推荐策略可能包括多个,则在步骤S13中,可以依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。例如,如果目标推荐策略包括10个,即与该平台账户的信息匹配的目标推荐策略有10个,则可以先使用前3个目标推荐策略,获取向该平台账户的用户推荐的内容,并发送给用户终端,然后下一次再使用前3个目标推荐策略中的后2个目标推荐策略,获取向该平台账户的用户推荐的内容,并发送给用户终端,然后下一次再继续使用前5个的后3个目标推荐策略,获取向该平台账户的用户推荐的内容,并发送给用户终端,然后下一次再使用剩余的2个目标推荐策略,获取向该平台账户的用户推荐的内容,并发送给用户终端。其中,可以是在接收到用户终端发送的刷新操作时,使用后续的目标推荐策略向用户终端发送推荐的内容。例如,用户在浏览推荐的视频的过程,可以通过向下翻页,来获取新的推荐内容。通过该可能的实现方式,可以使用多种目标推荐策略向同一用户推荐内容,可以避免只使用一个目标推荐策略对同一用户推荐内容,而导致推荐的内容不完整的问题。
在一个可能的实现方式中,在向用户终端推荐内容之后,还可以获取用户对推荐的内容的反馈信息,基于该反馈信息,对策略库中与该平台账户相匹配的目标推荐策略进行更新。因此,如图1所示,在步骤S13之后,该方法还可以包括步骤S14和S15。
在步骤S14中,从所述用户终端获取针对推荐的所述内容的反馈信息,并保存到用户历史数据库中。
在一个可能的实现方式中,所述反馈信息包括以下至少一项:点击次数、浏览时长、和预定时间内的留存情况。
在具体应用中,可以通过日志埋点的方式,获取用于针对推荐的所述内容的反馈信息,并记录到用户历史数据库中。例如,可以针对各项反馈信息分别设置一个埋点,以对第一用户针对推荐内容的行为进行捕获。
在步骤S15中,基于所述用户历史数据库中存储的数据,对所述策略库中与平台账户相匹配的目标推荐策略进行更新。
在一个可能的实现方式中,可以周期性的对所述策略库中与平台账户相匹配的目标推荐策略进行更新,因此,步骤S15可以包括:在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与平台账户相匹配的目标推荐策略进行更新。通过该可能的实现方式,可以定时对策略库进行更新,以减少频繁更新所导致的服务器计算压力大的问题。
在上述可能的实现方式中,更新周期可以是固定的,也可以是可变的。例如,对于用户使用客户端APP比较多的时段,例如,8:00-22:00,可以将更新周期设置短些,例如,1小时,而22:00-8:00,用户使用比较少,因此,更新周期可以设置相对长一些,例如,2小时。具体可以根据实际应用确定。
在一个可能的实现方式中,策略库中存储平台账户与推荐策略的对应关系可以通过推荐模型来获取,其中,推荐模型可以以多臂游戏机(Multi Armed Bandit,MAB)算法或上下文***(Contextual Bandit,CB)算法为基础进行操作。其中,MAB算法可以包括e-greedy(e-贪心)、UCB(Upper Confident Bound,上置信区间)、TS(Thompson Sampling,汤普森采样)等算法,而CB算法可以包括LinUCB(Linear UCB,线性回归/分类UCB)算法,LinTS(Linear TS,线性汤普森采样)算法或各种线性/非线性的机器学习算法(如boostingtree、随机森林、神经网络等)与e-greedy/TS/UCB的结合。
在初始状态下,推荐模型可以通过采集的样本数据进行训练,将训练出的模型用hash表或树结构近似表达,得到初始的策略库。在对策略库进行更新时,将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
例如,可以采用热启动训练的方式,使用用户历史数据库中的数据对推荐模型进行更新,将训练出的模型用hash表或树结构近似表达,即对策略库进行更新。
在本公开实施例中,服务器每接收到一个与平台账户对应的内容获取请求,都可以执行上述步骤S11至步骤S14,从而可以在用户历史数据库中存储多个用户的历史数据,在步骤S15中,可以利用多个用户的历史数据,对策略库进行更新,以保证按照更新后的策略库推荐的内容更能符合用户的需求。
在上述可能的实现方式中,还可以基于当前所述推荐模型的模型参数和所述用户历史数据库中当前存储的数据,估计所述推荐模型的有效性。在具体应用中,监控人员可以在需求时,通过向服务器发送请求,获取当前所述推荐模型的模型参数和所述用户历史数据库中当前存储的数据,基于获取的数据,采用各种统计推断方法(例如,bootstrap,或连列表卡方检验等),估计所述推荐模型的有效性,并且可以分析用户中可能存在的异质性处理效应(Heterogeneous Treatment Effects,HTE)。
在本公开的实施例提供的技术方案中,在接收到AB测试的实验组中的平台账户用户发送的内容获取请求后,根据平台账户的信息,从策略库中获取与平台账户匹配的目标推荐策略,使用目标推荐策略向用户终端推荐内容,从而可以根据平台帐户的信息,采用与平台账户匹配的目标推荐策略为用户终端推荐内容,进而避免因测试的功能不匹配从而导致测试结果不准确的问题。并且,在本公开的实施例中,与平台账户匹配的目标推荐策略可以为多个,从而可以采用多种推荐策略向同一个用户推荐内容,提高内容推荐的准确性和多样性。
下面以AB实验平台的短视频推荐为例,对本公开实施例提供的内容推荐方法进行说明。
图2为本公开实施例提供的另一种内容推荐方法的流程图,如图2所示,在本实施例中,短视频平台可以包括线上实时模块、定时更新模块和实验监控模块来实现,其中,线上实时模块包括:线上用户请求接收模块、CB/MAB算法分类器、个性化策略选取推荐模块;定时更新模块包括:CB/MAB算法训练器和用户历史记录数据库;以及实验监控模块包括实验数据监控模块。其中,线上实时模块在每一个用户请求到达时调用,定时更新模块每隔一段时间(如一小时左右)进行调用,实时监控模块在工程师需要查看数据时调用。
如图2所示,该内容推荐方法可以包括以下步骤。
步骤S21,接收到线上用户短视频请求。短视频平台服务器实时接收用户刷新请求,并将用户ID、用户特征(如性别、年龄、地域、手机型号等)提供给CB/MAB算法分类器。
步骤S22,输入用户ID或用户特征到CB/MAB算法分类器,CB/MAB算法分类器输出对应该用户ID的最优推荐策略。该部分可采用hash表或树状储存结构,每一个hash表储存单元或树叶子节点中存储一个推荐策略ID队列,当用户ID或用户特征输入时,CB/MAB算法分类器搜索hash表或决策树,从储存单元或叶子节点的队列中pop一个推荐策略,将这个推荐策略与用户ID配对,提供给个性化策略选取模块。
步骤S23,个性化策略选取模块得到用户ID-推荐策略对后,实时采用选择的推荐策略,为该用户推荐短视频。
步骤S24,用户在这次推荐后的观看行为将通过埋点记录到用户历史数据库中。
步骤S25,用户历史记录数据库记录用户实验过程中接受到的推荐策略以及推荐视频的观看行为,包括点击次、播放时长、次日留存等。这些数据被CB/MAB算法训练器读取用于训练CB/MAB模型,也可以被监控组件读取用于实验的实时监控。
步骤S26,根据从用户历史记录数据库中读取的信息,每隔一段时间,CB/MAB算法训练器采用热启动训练的方法更新CB/MAB模型,并且将训练出的模型用hash表或树结构近似表达,定时更新CB/MAB算法训练器的参数。
步骤S27,实验数据监控模块在接收到工程师发出请求时,读取目前CB/MAB算法训练出的模型参数以及实验用户的历史记录数据,采用各种统计推断方法(bootstrap,连列表卡方检验等),估计训练模型的有效性(检验p值、置信区间等),并且分析用户中可能存在的HTE现象。
图3是根据一示例性实施例示出的一种内容推荐装置的框图。参照图3,该装置300包括接收单元311、第一获取单元312和推荐单元313。
在本实施例中,接收单元311,被配置为执行接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;第一获取单元312,被配置为执行基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;推荐单元313,被配置为执行使用获取的所述目标推荐策略,向所述用户终端推荐内容。
在一个可能的实现方式中,取的所述目标推荐策略包括多个,所述推荐单元313使用获取的所述目标推荐策略,向所述用户终端推荐内容,包括:依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。
在一个可能的实现方式中,如图3所示,该装置还可以包括:第二获取单元314,被配置为执行从所述用户终端获取针对推荐的所述内容的反馈信息,并保存到用户历史数据库中;更新单元315,被配置为执行基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
在一个可能的实现方式中,所述更新单元315对基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
在一个可能的实现方式中,所述更新单元315基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,并具有相同的有益效果此处将不做详细阐述说明。
图4根据一示例性实施例示出的一种用于内容推荐装置400的框图。例如,装置400可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置400可以包括以下一个或多个组件:处理组件402,存储器404,电力组件406,多媒体组件408,音频组件410,输入/输出(I/O)的接口412,传感器组件414,以及通信组件416。
处理组件402通常控制装置400的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件402可以包括一个或多个模块,便于处理组件402和其他组件之间的交互。例如,处理组件402可以包括多媒体模块,以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理***,一个或多个电源,及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件408包括一个前置摄像头和/或后置摄像头。当设备400处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如,音频组件410包括一个麦克风(MIC),当装置400处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中,音频组件410还包括一个扬声器,用于输出音频信号。
I/O接口412为处理组件402和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器,用于为装置400提供各个方面的状态评估。例如,传感器组件414可以检测到设备400的打开/关闭状态,组件的相对定位,例如所述组件为装置400的显示器和小键盘,传感器组件414还可以检测装置400或装置400一个组件的位置改变,用户与装置400接触的存在或不存在,装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件414还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件416经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件416还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器404,上述指令可由装置400的处理器420执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是根据一示例性实施例示出的一种用于内容推荐装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理组件522的执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述内容推荐方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似的操作***。
本公开的实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述内容推荐方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本公开的实施例还提供一种计算机程序产品,当所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行上述任一种内容推荐方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种内容推荐方法,其特征在于,包括:
接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;
基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;
使用获取的所述目标推荐策略,向所述用户终端推荐内容;
其中,在向所述用户终端推荐内容之后,所述方法还包括:
从所述用户终端获取针对推荐的所述内容的反馈信息相匹配的目标推荐策略,并保存到用户历史数据库中;
基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新;
其中,所述基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:
将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
2.根据权利要求1所述的方法,其特征在于,
获取的所述目标推荐策略包括多个;
所述使用获取的所述目标推荐策略,向所述用户终端推荐内容,包括:依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。
3.根据权利要求1所述的方法,其特征在于,所述基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:
在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
4.一种内容推荐装置,其特征在于,包括:
接收单元,被配置为执行接收用户终端发送的内容获取请求,其中,所述内容获取请求中携带有通过所述用户终端使用应用程序的平台账户的信息,所述平台账户为AB测试的实验组中的账户;
第一获取单元,被配置为执行基于所述平台账户的信息,从策略库中获取与所述平台账户匹配的目标推荐策略,其中,所述策略库中存储有预先确定出的与各账户相匹配的目标推荐策略,所述策略库中存储有多个目标推荐策略,不同的目标推荐策略与一个或多个平台账户相对应;
推荐单元,被配置为执行使用获取的所述目标推荐策略,向所述用户终端推荐内容;
其中,所述装置还包括:
第二获取单元,被配置为执行从所述用户终端获取针对推荐的所述内容的反馈信息,并保存到用户历史数据库中;
更新单元,被配置为执行基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新;
其中,所述更新单元基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:
将所述用户历史数据库中当前存储的数据,输入到推荐模型,得到更新后的所述平台账户对应的目标推荐策略,将更新后的所述平台账户与目标推荐策略的对应关系存储到所述策略库,其中,所述推荐模型用于根据输入所述用户历史数据库,得到所述平台账户对应的目标推荐策略。
5.根据权利要求4所述的装置,其特征在于,获取的所述目标推荐策略包括多个,所述推荐单元使用获取的所述目标推荐策略,向所述用户终端推荐内容,包括:依次使用多个所述目标推荐策略中的一个或多个所述目标推荐策略,向所述用户终端推荐内容。
6.根据权利要求4所述的装置,其特征在于,所述更新单元基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新,包括:
在预定的更新周期到达时,基于所述用户历史数据库中存储的数据,对所述策略库中与所述平台账户相匹配的目标推荐策略进行更新。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至3中任一项所述的内容推荐方法。
8.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至3中任一项所述的内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580899.4A CN113836389B (zh) | 2020-06-23 | 2020-06-23 | 内容推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580899.4A CN113836389B (zh) | 2020-06-23 | 2020-06-23 | 内容推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836389A CN113836389A (zh) | 2021-12-24 |
CN113836389B true CN113836389B (zh) | 2024-03-26 |
Family
ID=78963997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010580899.4A Active CN113836389B (zh) | 2020-06-23 | 2020-06-23 | 内容推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836389B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186529A (zh) * | 2011-12-27 | 2013-07-03 | 中国电信股份有限公司 | 基于网络接入服务器的网页推送方法和*** |
CN106685933A (zh) * | 2016-12-08 | 2017-05-17 | 腾讯科技(深圳)有限公司 | 一种授权策略推荐及装置 |
CN107180386A (zh) * | 2017-05-02 | 2017-09-19 | 优品财富管理股份有限公司 | 一种量化策略直播*** |
CN110110268A (zh) * | 2019-03-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 消息推送方法、装置、计算机装置及存储介质 |
CN111177569A (zh) * | 2020-01-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐处理方法、装置及设备 |
CN111275496A (zh) * | 2020-02-24 | 2020-06-12 | 北京头条易科技有限公司 | 一种自媒体广告智能推荐方法 |
-
2020
- 2020-06-23 CN CN202010580899.4A patent/CN113836389B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186529A (zh) * | 2011-12-27 | 2013-07-03 | 中国电信股份有限公司 | 基于网络接入服务器的网页推送方法和*** |
CN106685933A (zh) * | 2016-12-08 | 2017-05-17 | 腾讯科技(深圳)有限公司 | 一种授权策略推荐及装置 |
CN107180386A (zh) * | 2017-05-02 | 2017-09-19 | 优品财富管理股份有限公司 | 一种量化策略直播*** |
CN110110268A (zh) * | 2019-03-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 消息推送方法、装置、计算机装置及存储介质 |
CN111177569A (zh) * | 2020-01-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐处理方法、装置及设备 |
CN111275496A (zh) * | 2020-02-24 | 2020-06-12 | 北京头条易科技有限公司 | 一种自媒体广告智能推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113836389A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104079962B (zh) | 一种推送推荐信息的方法及装置 | |
CN105488154A (zh) | 主题应用推荐方法及装置 | |
CN106896991B (zh) | 一种更新信息的方法及装置 | |
CN110688527A (zh) | 视频推荐方法、装置、存储介质及电子设备 | |
CN112445970B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN106095465B (zh) | 设置身份图像的方法及装置 | |
CN107315487B (zh) | 一种输入处理方法、装置及电子设备 | |
CN110688576B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN110020156B (zh) | 信息推荐方法、前端实现方法、装置、设备和存储介质 | |
CN105677392A (zh) | 应用程序的推荐方法和装置 | |
CN112148923B (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
CN104331503A (zh) | 信息推送的方法及装置 | |
CN104111979A (zh) | 搜索推荐方法和装置 | |
CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
US11546663B2 (en) | Video recommendation method and apparatus | |
CN110110207B (zh) | 一种信息推荐方法、装置及电子设备 | |
CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
CN109842688B (zh) | 一种内容推荐方法、装置、电子设备及存储介质 | |
CN117453933A (zh) | 一种多媒体数据推荐方法、装置、电子设备及存储介质 | |
CN111368161B (zh) | 一种搜索意图的识别方法、意图识别模型训练方法和装置 | |
CN105740356B (zh) | 一种对目标音频进行标记的方法和装置 | |
CN113836389B (zh) | 内容推荐方法及装置 | |
CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
CN111898019B (zh) | 信息推送方法及装置 | |
CN107844495B (zh) | 一种应用程序推荐方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |