CN114036403A - 用户兴趣探测方法、装置和存储介质 - Google Patents
用户兴趣探测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114036403A CN114036403A CN202210012104.9A CN202210012104A CN114036403A CN 114036403 A CN114036403 A CN 114036403A CN 202210012104 A CN202210012104 A CN 202210012104A CN 114036403 A CN114036403 A CN 114036403A
- Authority
- CN
- China
- Prior art keywords
- interest
- interest point
- probability value
- point
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000005070 sampling Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000000875 corresponding effect Effects 0.000 claims description 117
- 230000002596 correlated effect Effects 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 description 111
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001680 brushing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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)
Abstract
本发明提供一种用户兴趣探测方法、装置和存储介质,其中方法包括:获取当前用户的兴趣分布;其中,兴趣分布中包含当前用户对所有兴趣点感兴趣的概率值;基于兴趣分布与探测情况,采样预设数量的兴趣点;获取预设数量的兴趣点对应的探测内容,将探测内容推送至当前用户的推荐页面,实现一轮兴趣探测;其中,在当前用户刷新推荐页面时,基于当前用户在刷新前对推荐页面中显示的探测内容的反馈行为,更新兴趣分布中探测内容对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新兴趣分布中与探测内容对应的第一兴趣点相关的其他第二兴趣点的概率值。本发明提高了冷启动用户的兴趣探测全面性和准确性,以及兴趣探测的效率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种用户兴趣探测方法、装置和存储介质。
背景技术
在个性化推荐场景中,新用户是比较特殊的一类用户:首先,新用户对社区缺乏清晰的了解,不清楚社区内都有什么样的内容;其次,新用户的兴趣画像非常稀疏,导致推荐***难以推测出用户喜欢的内容。同时,新用户群体又是社区持续增长的主要动力,其产品体验与后续的留存活跃度对社区非常重要。因此,做好新用户的冷启动,成为一项重要且充满挑战性的工作。
从推荐技术的角度来说,一个核心是对新用户做好兴趣探测。通过给新用户推荐各种领域的丰富内容,让新用户了解到社区内的丰富内容,同时收集用户反馈,逐步丰富用户的兴趣画像,为后续的个性化推荐提供强大助力。针对冷启动用户的兴趣探测,业界提出了很多方法,比如汤普森采样 、UCB等。这些方法将所有用户可能的兴趣点使用某种采样方式进行采样,并选取其中一部分兴趣点进行探测。然而,这些方式从所有可能的兴趣点中采样进行探测的兴趣点,兴趣探测过程不够高效和准确。
发明内容
本发明提供一种用户兴趣探测方法、装置和存储介质,用以解决现有技术中探测过程效率低且准确性不足的缺陷。
本发明提供一种用户兴趣探测方法,包括:
获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
根据本发明提供的一种用户兴趣探测方法,所述兴趣点之间的关联性包含在任一兴趣点的内容被正向反馈后,与所述任一兴趣点关联的兴趣点的内容也被正向反馈的条件概率,以及在任一兴趣点的内容被负向反馈后,与所述任一兴趣点关联的兴趣点的内容被正向反馈的条件概率;所述条件概率是基于抽样用户对各个兴趣点对应的内容的反馈行为计算得到的。
根据本发明提供的一种用户兴趣探测方法,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被正向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第一兴趣点对应的内容再次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被正向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
根据本发明提供的一种用户兴趣探测方法,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta1(X)*f(ShowNum_X)*idf(A_pos)*(p(X|A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta1(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_pos)为兴趣点A的内容被正向反馈的信息量,p(X|A)为所述反馈行为为正向反馈时兴趣点X对应的内容被正向反馈的条件概率。
根据本发明提供的一种用户兴趣探测方法,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被负向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第一兴趣点对应的内容下次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被负向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
根据本发明提供的一种用户兴趣探测方法,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta2(X)*f(ShowNum_X)*idf(A_neg)*(p(X|!A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta2(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_neg)为兴趣点A的内容被负向反馈的信息量,p(X|!A)为所述反馈行为为负向反馈时兴趣点X对应的内容被正向反馈的条件概率。
根据本发明提供的一种用户兴趣探测方法,所述基于所述兴趣分布与探测情况,采样预设数量的兴趣点,具体包括:
基于各个兴趣点在兴趣分布中的概率值,以及各个兴趣点当前的曝光次数,确定各个兴趣点的采样概率;其中,任一兴趣点的采样概率与所述任一兴趣点在兴趣分布中的概率值正相关,与所述任一兴趣点当前的曝光次数负相关;
基于各个兴趣点的采样概率来采样预设数量的兴趣点。
根据本发明提供的一种用户兴趣探测方法,所述各个兴趣点的采样概率为所述各个兴趣点在兴趣分布中的概率值与探测系数的乘积;
其中,任一兴趣点探测的轮次越多,所述探测系数越小。
本发明还提供一种用户兴趣探测装置,包括:
兴趣分布获取单元,用于获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
兴趣点采样单元,用于基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
探测内容推送单元,用于获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述用户兴趣探测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述用户兴趣探测方法的步骤。
本发明提供的用户兴趣探测方法、装置和存储介质,通过用户在上一刷对推荐页面中显示的探测内容的反馈行为,更新该用户的兴趣分布中该反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新兴趣分布中与该反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,充分利用用户每次行为的信息量,提高了兴趣分布更新的全面性和准确性,使得可以尽快对用户建立完善的兴趣画像,然后基于兴趣分布中各兴趣点的概率值进行兴趣点采样,实现兴趣探测,提高了冷启动用户的兴趣探测效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明提供的用户兴趣探测方法的流程示意图;
图2是本发明提供的兴趣点之间关联性的示意图;
图3是本发明提供的点击传导矩阵的示意图;
图4是本发明提供的不点击传导矩阵的示意图;
图5是本发明提供的用户兴趣探测装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的用户兴趣探测方法的流程示意图,如图1所示,该方法包括:
步骤110,获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
步骤120,基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
步骤130,获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
具体地,当前用户的兴趣分布中包含有该用户对目前所有预设兴趣点感兴趣的概率值。其中,预设兴趣点可以根据社区内的内容进行主题划分,从而设定合适粒度的兴趣点,且预设兴趣点能够对所有领域全面覆盖,例如情感、时尚、母婴等。当当前用户为新用户时,可以为其兴趣分布设置初始值。此处,可以基于先验知识,为冷启动用户赋予一个相对合理的初始的兴趣分布,以加强后续的探测效率。其中,可以根据社区大数据分析统计每个兴趣点下的人数,并计算每个兴趣点对应的初始概率。此处,热门兴趣点的初始概率可以设置得较高,小众兴趣点的初始概率可以设置得较低。
随后,根据该用户当前的兴趣分布中各兴趣点对应的概率值和当前的探测情况,例如已经探测的轮次、每次探测向用户推送的探测内容等,从中采样预设数量概率值较高、当前用户可能比较感兴趣的兴趣点,以供进行兴趣探测。获取上述预设数量的兴趣点对应的探测内容,将上述探测内容推送至当前用户的推荐页面,实现一轮兴趣探测。其中,可以离线为各个兴趣点挑选对应的优质内容并建立索引,在获取探测内容时可以直接根据索引获取上述兴趣点对应的探测内容。
当当前用户浏览完推荐页面中的当前内容并刷新推荐页面时,可以根据该用户在上一刷中对推荐页面中显示的探测内容的反馈行为,对该用户的兴趣分布进行更新,从而丰富用户的兴趣画像,更准确地构建用户的兴趣分布。具体而言,可以基于当前用户在上一刷对探测内容的反馈行为,更新反馈行为对应的第一兴趣点的概率值。其中,反馈行为可以包括正向反馈,例如点击、预览、查看等操作,表明该用户对该内容/兴趣点表示出了兴趣;反馈行为还可以包括负向反馈,例如针对推荐页面曝光的某一内容,用户未点击或将其折叠或点击不感兴趣等,表明该用户对该内容/兴趣点表示出不感兴趣。产生反馈行为的内容对应的兴趣点即第一兴趣点,与第一兴趣点存在关联的兴趣点为第二兴趣点。
此处,针对直接产生反馈行为的第一兴趣点,可以根据该反馈行为是正向反馈还是负向反馈对其在兴趣分布中的概率值进行更新。例如,若为正向反馈,则将对应的第一兴趣点的概率值调高,若为负向反馈,则将对应的第一兴趣点的概率值调低。
需要说明的是,理想的兴趣探测方法,应该兼具广度优先与深度优先,广度探测目的是全面,深度探测目的是准确,从而实现高效的探测过程。而兴趣分布更新的全面性和准确性是保证兴趣探测全面和准确的重要前提。因此,为了提高兴趣分布更新的全面性和准确性,尽快对用户建立完善的兴趣画像,从而提高兴趣探测的效率,还可以充分利用当前用户在上一刷的反馈行为的信息量,对与第一兴趣点存在关联的第二兴趣点的概率值也进行更新。
其中,兴趣点之间的关联性可以预先建立,且关联性氛围正关联性和负关联性。正关联性表明两者主题接近,在抽样用户的兴趣点数据中共现次数很多;负关联性表明两者主题相反,在抽样用户的兴趣点数据中共现次数很少。此处,可以根据大批量的抽样用户感兴趣的兴趣点和不感兴趣的兴趣点,统计任意两个兴趣点在这些用户上的共现数据,从而确定任意两个兴趣点之间的关联性。若任一第一兴趣点与任一第二兴趣点之间的正关联性很强,共现的次数很多,则可以根据该第一兴趣点的概率值的调整方向确定该第二兴趣点的调整方向,例如概率值都提升或都下降。若任一第一兴趣点与任一第二兴趣点之间的负关联性很强,共现的次数非常少,则可以根据该第一兴趣点的概率值的调整方向反向确定该第二兴趣点的调整方向,例如一个兴趣点的概率值提升,另一个兴趣点的概率值便下降。如图2所示,为当前用户推荐了若干兴趣点的探测内容后,该用户点击了军事类内容,那么用户对第一兴趣点「军事」及正相关的第二兴趣点「政治」的兴趣度提升,相应概率值增加,同时,对与「军事」负相关的第二兴趣点「时尚」、「母婴」的兴趣度下降,相应概率值减少。
当用户刷新推荐页面,根据上述方式对兴趣分布进行更新后,可以重复上述步骤开启新一轮的兴趣探测,直至建立该用户完善的兴趣画像。
本发明实施例提供的方法,通过用户在上一刷对推荐页面中显示的探测内容的反馈行为,更新该用户的兴趣分布中该反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新兴趣分布中与该反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,充分利用用户每次行为的信息量,提高了兴趣分布更新的全面性和准确性,使得可以尽快对用户建立完善的兴趣画像,然后基于兴趣分布中各兴趣点的概率值进行兴趣点采样,实现兴趣探测,提高了冷启动用户的兴趣探测效率。
基于上述实施例,所述兴趣点之间的关联性包含在任一兴趣点的内容被正向反馈后,与所述任一兴趣点关联的兴趣点的内容也被正向反馈的条件概率,以及在任一兴趣点的内容被负向反馈后,与所述任一兴趣点关联的兴趣点的内容被正向反馈的条件概率;所述条件概率是基于抽样用户对各个兴趣点对应的内容的反馈行为计算得到的。
具体地,兴趣点之间的关联性包含在任一兴趣点的内容被正向反馈后,其他任一兴趣点的内容也被正向反馈的条件概率,即正关联程度,以及在任一兴趣点的内容被负向反馈后,其他任一兴趣点的内容被正向反馈的条件概率,即负关联程度。其中,上述条件概率可以基于抽样用户对各个兴趣点对应的内容的反馈行为计算得到。
此处,可以基于各个抽样用户对各个兴趣点对应的内容的反馈行为,推测各个抽样用户感兴趣的兴趣点,得到各个抽样用户感兴趣的兴趣点列表。例如,可以根据某一抽样用户对任一兴趣点内容的点击率,判断该抽样用户是否对该兴趣点感兴趣。若点击率高,可以认为该抽样用户对该兴趣点感兴趣。对于所有预设兴趣点,若某一兴趣点不在某一抽样用户的兴趣点列表中,则可以认为该抽样用户对该兴趣点不感兴趣。随后,可以根据所有抽样用户对于各个兴趣点感兴趣与否的情况,计算上述条件概率。
例如,假设有兴趣点A和兴趣点X,则可以计算得到兴趣点A的内容被正向反馈后,兴趣点X的内容也被正向反馈的条件概率P(X|A) :
P(X|A) = P(A, X) / P(A)
其中,P(A, X)为既对A感兴趣又对X感兴趣的抽样用户数与抽样用户总数的比值,P(A)对A感兴趣的抽样用户数与抽样用户总数的比值。
类似地,还可以计算得到兴趣点A的内容被负向反馈后,兴趣点X的内容被正向反馈的条件概率P(X|!A):
P(X|!A) = P(!A, X) / P(!A)
其中,P(!A, X)为对A不感兴趣却对X感兴趣的抽样用户数与抽样用户总数的比值,P(!A)对A不感兴趣的抽样用户数与抽样用户总数的比值。
计算完任一兴趣点的内容被正向反馈后,其他任一兴趣点的内容也被正向反馈的条件概率后,可以将所有条件概率组织成点击传导矩阵;计算完在任一兴趣点的内容被负向反馈后,其他任一兴趣点的内容被正向反馈的条件概率后,可以将所有条件概率组织成不点击传导矩阵。其中,对于小于预设阈值的条件概率,可以将其置 0。点击传导矩阵和不点击传导矩阵如图3和图4所示。
基于上述任一实施例,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被正向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第一兴趣点对应的内容再次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被正向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
具体地,当当前用户针对某一探测内容的反馈行为为正向反馈时,确定该反馈行为对应的第一兴趣点以及与该第一兴趣点相关联的第二兴趣点。
随后,可以基于该第一兴趣点被正向反馈的信息量、该第一兴趣点的曝光次数,以及该反馈行为为正向反馈时,该第一兴趣点对应的内容再次被正向反馈的条件概率与该第一兴趣点的概率值之间的差异,更新该第一兴趣点的概率值。其中,该第一兴趣点被正向反馈的信息量与该第一兴趣点的流行度负相关,其流行度越高,该第一兴趣点被正向反馈时的信息量越低,对该第一兴趣点的概率值的调整幅度越小。任一兴趣点的流行度可以基于对该兴趣点感兴趣的抽样用户数与抽样用户总数的比值确定得到。此外,该第一兴趣点的曝光次数为该第一兴趣点对应的内容的历史推送次数。该第一兴趣点的曝光次数越高,其目前的概率值越置信,则此次概率值的调整幅度越小。
还可以基于该第一兴趣点被正向反馈的信息量、任一上述第二兴趣点的曝光次数,以及该反馈行为为正向反馈时,该第二兴趣点对应的内容被正向反馈的条件概率与该第二兴趣点的概率值之间的差异,更新该第二兴趣点的概率值。同样地,该第一兴趣点被正向反馈的信息量越低,对该第二兴趣点的概率值的调整幅度越小。该第二兴趣点的曝光次数越高,此次概率值的调整幅度越小。另外,该第一兴趣点的内容被正向反馈时,该第二兴趣点对应的内容被正向反馈的条件概率越高,表明该第一兴趣点与该第二兴趣点的正关联程度越高,此次针对该第一兴趣点的反馈行为对该第二兴趣点的参考价值越高,因此此次概率值的调整幅度越大。
基于上述任一实施例,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta1(X)*f(ShowNum_X)*idf(A_pos)*(p(X|A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta1(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_pos)为兴趣点A的内容被正向反馈的信息量,p(X|A)为所述反馈行为为正向反馈时兴趣点X对应的内容被正向反馈的条件概率。
此处,beta(X) 为固定参数,可以理解为更新的基础步长。f(ShowNum_X) 为ShowNum_X(兴趣点 X 的曝光次数)的单调递减函数,通过它来调节概率值更新的步长,ShowNum_X越大,f(ShowNum_X) 越小,概率值更新的步长越小。idf(A_pos) 是兴趣点A的内容被正向反馈的信息量,其可以为数值1与兴趣点A的流行度之间的差。
基于上述任一实施例,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被负向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第一兴趣点对应的内容下次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被负向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
具体地,当当前用户针对某一探测内容的反馈行为为负向反馈时,确定该反馈行为对应的第一兴趣点以及与该第一兴趣点相关联的第二兴趣点。
随后,可以基于该第一兴趣点被负向反馈的信息量、该第一兴趣点的曝光次数,以及该反馈行为为负向反馈时,该第一兴趣点对应的内容下次被正向反馈的条件概率与该第一兴趣点的概率值之间的差异,更新该第一兴趣点的概率值。其中,该第一兴趣点被负向反馈的信息量与该第一兴趣点的流行度正相关,其流行度越高,该第一兴趣点被负向反馈时的信息量越高,对该第一兴趣点的概率值的调整幅度越大。此外,该第一兴趣点的曝光次数越高,其目前的概率值越置信,则此次概率值的调整幅度越小。
还可以基于该第一兴趣点被负向反馈的信息量、任一上述第二兴趣点的曝光次数,以及该反馈行为为负向反馈时,该第二兴趣点对应的内容被正向反馈的条件概率与该第二兴趣点的概率值之间的差异,更新该第二兴趣点的概率值。同样地,该第一兴趣点被负向反馈的信息量越低,对该第二兴趣点的概率值的调整幅度越小。该第二兴趣点的曝光次数越高,此次概率值的调整幅度越小。另外,该第一兴趣点的内容被负向反馈时,该第二兴趣点对应的内容被正向反馈的条件概率越高,表明该第一兴趣点与该第二兴趣点的负关联程度越高,此次针对该第一兴趣点的反馈行为对该第二兴趣点的参考价值越高,因此此次概率值的调整幅度越大。
基于上述任一实施例,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta2(X)*f(ShowNum_X)*idf(A_neg)*(p(X|!A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta2(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_neg)为兴趣点A的内容被负向反馈的信息量,p(X|!A)为所述反馈行为为负向反馈时兴趣点X对应的内容被正向反馈的条件概率。
此处,beta2(X) 为固定参数,也可以理解为更新的基础步长。考虑到正向反馈的信息量大于负向反馈的信息量,故可以设置 beta1 (X)> beta2(X)。f(ShowNum_X) 为ShowNum_X(兴趣点 X 的曝光次数)的单调递减函数,通过它来调节概率值更新的步长,ShowNum_X越大,f(ShowNum_X) 越小,概率值更新的步长越小。idf(A_neg) 是兴趣点A的内容被负向反馈的信息量,其可以等于兴趣点A的流行度。
基于上述任一实施例,步骤120具体包括:
基于各个兴趣点在兴趣分布中的概率值,以及各个兴趣点当前的曝光次数,确定各个兴趣点的采样概率;其中,任一兴趣点的采样概率与所述任一兴趣点在兴趣分布中的概率值正相关,与所述任一兴趣点当前的曝光次数负相关;
基于各个兴趣点的采样概率来采样预设数量的兴趣点。
具体地,在选取兴趣点做兴趣探测时,需要把握E&E问题的平衡,即利用(Exploit)和探索(Explore)的平衡。因此,可以基于各个兴趣点在兴趣分布中的概率值,以及各个兴趣点当前的曝光次数,综合确定各个兴趣点的采样概率。其中,任一兴趣点的采样概率与该兴趣点在兴趣分布中的概率值正相关,与该兴趣点当前的曝光次数负相关。此处,兴趣点在兴趣分布中的概率值体现了“利用”,而兴趣点当前的曝光次数体现了“探索”。通过将兴趣点的采样概率与该兴趣点在兴趣分布中的概率值设置成正相关,可以充分利用之前学***衡。
随后,基于各个兴趣点的采样概率采样兴趣点,以供进行兴趣探测。
基于上述任一实施例,所述各个兴趣点的采样概率为所述各个兴趣点在兴趣分布中的概率值与探测系数的乘积;
其中,任一兴趣点探测的轮次越多,所述探测系数越小。
具体地,在采样兴趣点时,还可以引入多样性控制。其中,多样性控制的原则是:在兴趣探测的早期阶段,可以加强兴趣点的多样性,扩大兴趣探测的全面性,随着探测的深入,对该用户的了解越来越多,则可以逐渐将多样性控制放松,使探测的兴趣点更聚焦更精准。
此处,可以获取各个兴趣点探测的轮次,轮次越多,表明该兴趣点的兴趣探测越深入。基于兴趣点探测的轮次,确定采样兴趣点时用到的探测系数。其中,任一兴趣点探测的轮次越少,该兴趣点对应的探测系数越大,该兴趣点越容易被采样为待探测兴趣;相应地,任一兴趣点探测的轮次越多,该兴趣点对应的探测系数越小,该兴趣点越不容易再次被选中进行探测。
下面对本发明提供的用户兴趣探测装置进行描述,下文描述的用户兴趣探测装置与上文描述的用户兴趣探测方法可相互对应参照。
基于上述任一实施例,图5为本发明实施例提供的用户兴趣探测装置的结构示意图,如图5所示,该装置包括:兴趣分布获取单元510、兴趣点采样单元520和探测内容推送单元530。
其中,兴趣分布获取单元510用于获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
兴趣点采样单元520用于基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
探测内容推送单元530用于获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
本发明实施例提供的装置,通过用户在上一刷对推荐页面中显示的探测内容的反馈行为,更新该用户的兴趣分布中该反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新兴趣分布中与该反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,充分利用用户每次行为的信息量,提高了兴趣分布更新的全面性和准确性,使得可以尽快对用户建立完善的兴趣画像,然后基于兴趣分布中各兴趣点的概率值进行兴趣点采样,实现兴趣探测,提高了冷启动用户的兴趣探测效率。
基于上述任一实施例,所述兴趣点之间的关联性包含在任一兴趣点的内容被正向反馈后,与所述任一兴趣点关联的兴趣点的内容也被正向反馈的条件概率,以及在任一兴趣点的内容被负向反馈后,与所述任一兴趣点关联的兴趣点的内容被正向反馈的条件概率;所述条件概率是基于抽样用户对各个兴趣点对应的内容的反馈行为计算得到的。
基于上述任一实施例,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被正向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第一兴趣点对应的内容再次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被正向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
基于上述任一实施例,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta1(X)*f(ShowNum_X)*idf(A_pos)*(p(X|A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta1(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_pos)为兴趣点A的内容被正向反馈的信息量,p(X|A)为所述反馈行为为正向反馈时兴趣点X对应的内容被正向反馈的条件概率。
基于上述任一实施例,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被负向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第一兴趣点对应的内容下次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被负向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
基于上述任一实施例,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta2(X)*f(ShowNum_X)*idf(A_neg)*(p(X|!A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta2(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_neg)为兴趣点A的内容被负向反馈的信息量,p(X|!A)为所述反馈行为为负向反馈时兴趣点X对应的内容被正向反馈的条件概率。
基于上述任一实施例,所述基于所述兴趣分布与探测情况,采样预设数量的兴趣点,具体包括:
基于各个兴趣点在兴趣分布中的概率值,以及各个兴趣点当前的曝光次数,确定各个兴趣点的采样概率;其中,任一兴趣点的采样概率与所述任一兴趣点在兴趣分布中的概率值正相关,与所述任一兴趣点当前的曝光次数负相关;
基于各个兴趣点的采样概率来采样预设数量的兴趣点。
基于上述任一实施例,所述各个兴趣点的采样概率为所述各个兴趣点在兴趣分布中的概率值与探测系数的乘积;
其中,任一兴趣点探测的轮次越多,所述探测系数越小。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行用户兴趣探测方法,该方法包括:获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;基于所述兴趣分布与探测情况,采样预设数量的兴趣点;获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的用户兴趣探测方法,该方法包括:获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;基于所述兴趣分布与探测情况,采样预设数量的兴趣点;获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的用户兴趣探测方法,该方法包括:获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;基于所述兴趣分布与探测情况,采样预设数量的兴趣点;获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
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发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用户兴趣探测方法,其特征在于,包括:
获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
2.根据权利要求1所述的用户兴趣探测方法,其特征在于,所述兴趣点之间的关联性包含在任一兴趣点的内容被正向反馈后,与所述任一兴趣点关联的兴趣点的内容也被正向反馈的条件概率,以及在任一兴趣点的内容被负向反馈后,与所述任一兴趣点关联的兴趣点的内容被正向反馈的条件概率;所述条件概率是基于抽样用户对各个兴趣点对应的内容的反馈行为计算得到的。
3.根据权利要求2所述的用户兴趣探测方法,其特征在于,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被正向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第一兴趣点对应的内容再次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被正向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为正向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
4.根据权利要求3所述的用户兴趣探测方法,其特征在于,当所述反馈行为为正向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta1(X)*f(ShowNum_X)*idf(A_pos)*(p(X|A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta1(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_pos)为兴趣点A的内容被正向反馈的信息量,p(X|A)为所述反馈行为为正向反馈时兴趣点X对应的内容被正向反馈的条件概率。
5.根据权利要求2所述的用户兴趣探测方法,其特征在于,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
基于所述第一兴趣点被负向反馈的信息量、所述第一兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第一兴趣点对应的内容下次被正向反馈的条件概率与所述第一兴趣点的概率值之间的差异,更新所述第一兴趣点的概率值;
基于所述第一兴趣点被负向反馈的信息量、所述第二兴趣点的曝光次数,以及所述反馈行为为负向反馈时,所述第二兴趣点对应的内容被正向反馈的条件概率与所述第二兴趣点的概率值之间的差异,更新所述第二兴趣点的概率值。
6.根据权利要求5所述的用户兴趣探测方法,其特征在于,当所述反馈行为为负向反馈时,所述更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值,具体包括:
s(X)=s(X)+beta2(X)*f(ShowNum_X)*idf(A_neg)*(p(X|!A)-s(X))
其中,A为第一兴趣点,X为第一兴趣点或第二兴趣点,s(X)为兴趣点X的概率值,beta2(X)为预设的固定参数,ShowNum_X为兴趣点X的曝光次数,f(ShowNum_X)为ShowNum_X的单调递减函数,idf(A_neg)为兴趣点A的内容被负向反馈的信息量,p(X|!A)为所述反馈行为为负向反馈时兴趣点X对应的内容被正向反馈的条件概率。
7.根据权利要求1至6任一项所述的用户兴趣探测方法,其特征在于,所述基于所述兴趣分布与探测情况,采样预设数量的兴趣点,具体包括:
基于各个兴趣点在兴趣分布中的概率值,以及各个兴趣点当前的曝光次数,确定各个兴趣点的采样概率;其中,任一兴趣点的采样概率与所述任一兴趣点在兴趣分布中的概率值正相关,与所述任一兴趣点当前的曝光次数负相关;
基于各个兴趣点的采样概率来采样预设数量的兴趣点。
8.根据权利要求7所述的用户兴趣探测方法,其特征在于,所述各个兴趣点的采样概率为所述各个兴趣点在兴趣分布中的概率值与探测系数的乘积;
其中,任一兴趣点探测的轮次越多,所述探测系数越小。
9.一种用户兴趣探测装置,其特征在于,包括:
兴趣分布获取单元,用于获取当前用户的兴趣分布;其中,所述兴趣分布中包含所述当前用户对所有兴趣点感兴趣的概率值;
兴趣点采样单元,用于基于所述兴趣分布与探测情况,采样预设数量的兴趣点;
探测内容推送单元,用于获取所述预设数量的兴趣点对应的探测内容,将所述探测内容推送至所述当前用户的推荐页面,实现一轮兴趣探测;
其中,在所述当前用户刷新所述推荐页面时,基于所述当前用户在刷新前对所述推荐页面中显示的探测内容的反馈行为,更新所述兴趣分布中所述反馈行为对应的第一兴趣点的概率值,并基于兴趣点之间的关联性,更新所述兴趣分布中与所述反馈行为对应的第一兴趣点相关的第二兴趣点的概率值。
10.一种非暂态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如权利要求1至8任一项所述用户兴趣探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012104.9A CN114036403B (zh) | 2022-01-07 | 2022-01-07 | 用户兴趣探测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012104.9A CN114036403B (zh) | 2022-01-07 | 2022-01-07 | 用户兴趣探测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114036403A true CN114036403A (zh) | 2022-02-11 |
CN114036403B CN114036403B (zh) | 2022-03-25 |
Family
ID=80141328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210012104.9A Active CN114036403B (zh) | 2022-01-07 | 2022-01-07 | 用户兴趣探测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036403B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796076A (zh) * | 2023-08-29 | 2023-09-22 | 中亿(深圳)信息科技有限公司 | 业务推荐方法、装置、设备及存储介质 |
CN117056611A (zh) * | 2023-10-11 | 2023-11-14 | 北京小糖科技有限责任公司 | 新兴趣的试探方法、装置、电子设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035379A1 (en) * | 2009-08-10 | 2011-02-10 | Ye Chen | Probabilistic clustering of an item |
CN102326144A (zh) * | 2008-12-12 | 2012-01-18 | 阿迪吉欧有限责任公司 | 使用感兴趣领域确定的信息提供建议 |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
CN104537115A (zh) * | 2015-01-21 | 2015-04-22 | 北京字节跳动科技有限公司 | 用户兴趣的探索方法和装置 |
CN106445969A (zh) * | 2015-08-11 | 2017-02-22 | 北京字节跳动科技有限公司 | 一种全局兴趣探索推荐方法和装置 |
CN107229666A (zh) * | 2016-12-30 | 2017-10-03 | 北京字节跳动科技有限公司 | 一种基于推荐***的兴趣探索方法及装置 |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
CN108595461A (zh) * | 2018-01-05 | 2018-09-28 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及*** |
CN108681919A (zh) * | 2018-05-10 | 2018-10-19 | 苏州跃盟信息科技有限公司 | 一种内容推送方法及装置 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
US20180349820A1 (en) * | 2017-05-30 | 2018-12-06 | Microsoft Technology Licensing, Llc | Topic-based place of interest discovery feed |
CN110147481A (zh) * | 2017-08-24 | 2019-08-20 | 腾讯科技(北京)有限公司 | 媒体内容推送方法、装置及存储介质 |
CN112579876A (zh) * | 2019-09-30 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 基于用户兴趣的信息推送方法、装置、***及存储介质 |
US20210160653A1 (en) * | 2019-11-26 | 2021-05-27 | Naver Corporation | System and method for accurately and efficiently generating ambient point-of-interest recommendations |
US11106911B1 (en) * | 2018-06-13 | 2021-08-31 | Pointivo, Inc. | Image acquisition planning systems and methods used to generate information for structures of interest |
-
2022
- 2022-01-07 CN CN202210012104.9A patent/CN114036403B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102326144A (zh) * | 2008-12-12 | 2012-01-18 | 阿迪吉欧有限责任公司 | 使用感兴趣领域确定的信息提供建议 |
US20110035379A1 (en) * | 2009-08-10 | 2011-02-10 | Ye Chen | Probabilistic clustering of an item |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
CN104537115A (zh) * | 2015-01-21 | 2015-04-22 | 北京字节跳动科技有限公司 | 用户兴趣的探索方法和装置 |
CN106445969A (zh) * | 2015-08-11 | 2017-02-22 | 北京字节跳动科技有限公司 | 一种全局兴趣探索推荐方法和装置 |
CN107229666A (zh) * | 2016-12-30 | 2017-10-03 | 北京字节跳动科技有限公司 | 一种基于推荐***的兴趣探索方法及装置 |
US20180349820A1 (en) * | 2017-05-30 | 2018-12-06 | Microsoft Technology Licensing, Llc | Topic-based place of interest discovery feed |
CN110147481A (zh) * | 2017-08-24 | 2019-08-20 | 腾讯科技(北京)有限公司 | 媒体内容推送方法、装置及存储介质 |
CN108595461A (zh) * | 2018-01-05 | 2018-09-28 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及*** |
WO2019134274A1 (zh) * | 2018-01-05 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及*** |
CN108460101A (zh) * | 2018-02-05 | 2018-08-28 | 山东师范大学 | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 |
CN108681919A (zh) * | 2018-05-10 | 2018-10-19 | 苏州跃盟信息科技有限公司 | 一种内容推送方法及装置 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
US11106911B1 (en) * | 2018-06-13 | 2021-08-31 | Pointivo, Inc. | Image acquisition planning systems and methods used to generate information for structures of interest |
CN112579876A (zh) * | 2019-09-30 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 基于用户兴趣的信息推送方法、装置、***及存储介质 |
US20210160653A1 (en) * | 2019-11-26 | 2021-05-27 | Naver Corporation | System and method for accurately and efficiently generating ambient point-of-interest recommendations |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796076A (zh) * | 2023-08-29 | 2023-09-22 | 中亿(深圳)信息科技有限公司 | 业务推荐方法、装置、设备及存储介质 |
CN116796076B (zh) * | 2023-08-29 | 2023-11-03 | 中亿(深圳)信息科技有限公司 | 业务推荐方法、装置、设备及存储介质 |
CN117056611A (zh) * | 2023-10-11 | 2023-11-14 | 北京小糖科技有限责任公司 | 新兴趣的试探方法、装置、电子设备及存储介质 |
CN117056611B (zh) * | 2023-10-11 | 2024-01-23 | 北京小糖科技有限责任公司 | 新兴趣的试探方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114036403B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114036403B (zh) | 用户兴趣探测方法、装置和存储介质 | |
CN109190024B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN111046152B (zh) | Faq问答对自动构建方法、装置、计算机设备及存储介质 | |
US11157488B2 (en) | Reinforcement learning techniques to improve searching and/or to conserve computational and network resources | |
US20190251439A1 (en) | Neural architecture search | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
US20240185065A1 (en) | Training text summarization neural networks with an extracted segments prediction objective | |
US9355095B2 (en) | Click noise characterization model | |
EP4053716A1 (en) | Information recommendation method, apparatus, recommendation server and storage medium | |
Paquet et al. | A hierarchical model for ordinal matrix factorization | |
WO2019084560A1 (en) | SEARCH FOR NEURONAL ARCHITECTURES | |
JP6776310B2 (ja) | ユーザ−入力コンテンツと連関するリアルタイムフィードバック情報提供方法およびシステム | |
CN110597965A (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
EP3293646A1 (en) | Method and server for training a machine learning algorithm (mla) for content recommendation generation | |
CN113836388B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
US20220015657A1 (en) | Processing eeg data with twin neural networks | |
CN111079084B (zh) | 一种基于长短时记忆网络的信息转发概率预测方法及*** | |
CN111988642B (zh) | 推荐视频的方法、装置、服务器和存储介质 | |
CN116431912A (zh) | 用户画像推送方法及装置 | |
CN113378037B (zh) | 资费配置的获取方法及装置 | |
CN113076395B (zh) | 语义模型训练、搜索显示方法、装置、设备及存储介质 | |
CN115374247A (zh) | 一种基于改进lda模型的对话模板匹配方法及装置 | |
CN114282115A (zh) | 一种内容推荐方法 | |
CN109408725B (zh) | 用于确定用户兴趣的方法和装置 | |
CN113901337A (zh) | 应用推荐方法、装置、设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant |