CN115705379A - 智能推荐方法及装置、设备、存储介质 - Google Patents

Abstract

本申请实施例公开了一种智能推荐方法及装置、设备、存储介质；其中，所述方法包括：获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；根据所述非内容的参与性数据，得到第一候选内容；根据所述内容的参与性数据，得到第二候选内容；根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。如此，能够提高推荐准确度，使得目标推荐内容更接近用户的实际需求，进而提升用户体验。

Description

智能推荐方法及装置、设备、存储介质

技术领域

本申请实施例涉及计算机技术，涉及但不限于智能推荐方法及装置、设备、存储介质。

背景技术

虚拟现实技术(Virtual Reality，VR)应用的增长速度快，用户想要迅速和准确地找到感兴趣的VR应用越来越困难。相关技术中的在线互动，用户参与的资源多为培训管理员根据生产运营需求，分散性发布给相应参与人群，用户也仅能够根据标题与关键词进行模糊查询，导致操作步骤繁琐，且检索结果准确度也不高。

发明内容

有鉴于此，本申请实施例提供的智能推荐方法及装置、设备、存储介质，能够提高推荐准确性，使得推荐内容更接近用户的实际需求，提升用户体验。本申请实施例提供的智能推荐方法及装置、设备、存储介质是这样实现的：

本申请实施例提供的智能推荐方法，包括：获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；根据所述非内容的参与性数据，得到第一候选内容；根据所述内容的参与性数据，得到第二候选内容；根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。

本申请实施例提供的智能推荐装置，包括：获取模块，用于获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；生成模块，用于根据所述非内容的参与性数据，得到第一候选内容；根据所述内容的参与性数据，得到第二候选内容；根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。

本申请实施例提供的电子设备，包括存储器和处理器，所述存储器存储有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本申请实施例所述的方法。

本申请实施例提供的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本申请实施例提供的所述的方法。

在本申请实施例中，提供一种智能推荐方法，通过获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；然后根据所述非内容的参与性数据，得到第一候选内容；再根据所述内容的参与性数据，得到第二候选内容；最终根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。如此，通过在获取了用户与平台内容的参与性数据的基础上，还增加了更为丰富的用户与平台非内容的参与性数据来源，从而能够提高推荐准确度，使得目标推荐内容更接近用户的实际需求，进而能够节省用户自行检索的操作步骤与时间，提升用户体验。

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，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。

图1为本申请实施例提供的一种智能推荐方法的实现流程示意图；

图2为本申请实施例提供的另一智能推荐方法的实现流程示意图；

图3为本申请实施例提供的又一智能推荐方法的实现流程示意图；

图4为本申请实施例提供的一种基于行为数据的智能内容推荐算法的结构示意图；

图5为本申请实施例提供的一种***智能推荐算法示意图；

图6为本申请实施例提供的另一***智能推荐算法示意图；

图7为本申请实施例提供的又一***智能推荐算法示意图；

图8为本申请实施例智能推荐装置的结构示意图；

图9为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

需要指出，本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

本申请实施例提供一种智能推荐方法，该方法应用于电子设备，该电子设备在实施的过程中可以为各种类型的具有信息处理能力的计算机设备，例如所述计算机设备可以包括台式机、笔记本电脑或掌上电脑等；该电子设备还可以为移动终端，例如所述移动终端可以包括手机、车载电脑、平板电脑或POS机等。该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该电子设备至少包括处理器和存储介质。

图1为本申请实施例提供的智能推荐方法的实现流程示意图，如图1所示，该方法可以包括以下步骤101至步骤104：

步骤101，获取用户与平台交互的行为轨迹数据；其中，行为轨迹数据包括非内容的参与性数据和内容的参与性数据。

在本申请实施例中，当用户第一次访问平台时，平台根据相似用户感兴趣的内容和内容的热度，将相似用户感兴趣的内容排序后呈现给用户访问。其中，内容热度可使用平台中用户对内容的点击次数进行计算，点击次数越高，则热度越高，排名越靠前。

在定位相似用户时，是根据当前用户所属的属性来确定的。举例来说，在针对企业或机构的平台中，相似用户可以是相同职能部门，相同职级、相同业务线条等；在针对个人用户的平台中，相似用户可以是相近年龄、相似职业、相似学历、相似收入等。

在用户与平台进行交互的过程中，用户与平台交互的行为轨迹数据是实时获取的，获取到的行为轨迹数据中包括非内容的参与性数据和内容的参与性数据。其中，非内容的参与性数据是指用户在平台中与呈现内容无直接关系的操作记录，例如，用户在使用分类、关键词或资源名称检索目标内容时产生的用户行为数据。内容的参与性数据是指用户在平台中操作与呈现内容有直接关系的交互动作所产生的行为数据，例如，用户点击、观看呈现内容，为呈现内容打分，对呈现内容的浏览时长、观看进度、参与次数等等。

在一些实施例中，呈现内容可以为资讯内容或培训内容。例如，资讯内容可以为社会资讯、军事资讯、历史资讯、地理资讯、国内资讯或国际资讯等等；培训内容可以为法律法规、专业技能或职业素养等等。

步骤102，根据非内容的参与性数据，得到第一候选内容。

在获取到用户与平台交互的非内容的参与性数据后，根据获取的非内容的参与性数据，生成如用户在搜索内容时使用的分类标识或关键词内容、搜索频次等，从而分析出用户与平台上不同内容类别的第一占比，根据第一占比，确定出第一候选内容。在一些实施例中，可以通过执行步骤202至步骤203来实现步骤102。

步骤103，根据内容的参与性数据，得到第二候选内容。

在获取到用户与平台的内容的参与性数据后，根据获取的内容的参与性数据，生成如用户内容的参与总时长，参与频次，内容打分情况等，分析出用户对已参与的内容的关注度，根据关注度，确定出第二候选内容。在一些实施例中，可以通过执行如下步骤204至步骤205来实现步骤103。

步骤104，根据第一候选内容和第二候选内容，得到目标推荐内容。

在本申请实施例中，在获取用户与平台交互的行为轨迹数据时，在获取了用户与平台内容的参与性数据的基础上，还增加了更为丰富的用户与平台非内容的参与性数据来源，分别根据两种数据确定出对应的候选内容，并根据得到的两种候选内容，确定出目标推荐内容。如此，通过收集用户到更细微及更详细的操作轨迹数据，能够提高推荐准确度，使得目标推荐内容更接近用户的实际需求，进而能够节省用户自行检索的操作步骤与时间，提升用户体验。

图2为本申请实施例提供的智能推荐方法的实现流程示意图，如图2所示，该方法可以包括以下步骤201至步骤208：

步骤201，获取用户与平台交互的行为轨迹数据；其中，行为轨迹数据包括非内容的参与性数据和内容的参与性数据；

步骤202，根据第一时间段内的非内容的参与性数据，确定不同内容类别的第一占比。

在本申请实施例中，根据当前时间段内用户与平台的非内容的参与性数据，如使用分类、关键词或资源名称等检索目标内容时涉及的类别，确定出用户对平台上某一内容所属类别的第一占比。举例来说，用户近期在平台中检索的10个资讯内容中，有5个属于军事类别，则军事类别在此场景下的第一占比即为50％；有3个属于教育类别，则教育类别在此场景下的第一占比即为30％。

步骤203，根据每一内容类别的第一占比，确定对应内容类别的推荐参数；根据每一内容类别的推荐参数，得到第一候选内容。

可以理解地，推荐参数与第一占比成正比例关系，第一占比越大，说明用户对该类别的内容更感兴趣，更倾向于在接下来的时间段内观看到该类别的内容，因此可以将其对应的推荐参数设置更高。可见，不同内容类别对应的推荐参数并不相同，根据每一内容类别的推荐参数，选取对应比例的内容，构成第一候选内容的方式，更贴近用户实际需求。

在一些实施例中，在执行完步骤202至步骤203之后，还包括：根据第二时间段内的非内容的参与性数据，确定不同内容类别的第二占比；根据内容类别的第二占比，调整对应内容类别的推荐参数。

用户查看平台内容的需求可能会实时改变，例如，在第一时间段内用户更倾向于查看有关军事的资讯，但是在满足更新周期之后的第二时间段内，用户可能想要查看更多有关教育的资讯，因此，可以根据用户后继与平台交互得到的非内容的参与性数据，得到用户在后续时间段内与不同内部类别交互的第二占比，并根据第二占比，动态调整对对应内容类别的推荐参数，从而使得第一候选内容更加贴合用户的实际需求，推荐更具备灵活性，进而逐步完善平台对用户实际需求的了解程度。

在本申请实施例中，更新周期取决于平台资讯或培训内容的更新频率，更新频率快的，可一天或半天运算一次，更新慢的可一周或一月运算一次。

步骤204，根据第一时间段内的内容的参与性数据，确定不同内容的被关注度。

可以理解地，在向用户推荐内容时，应该较多的考虑到用户对内容的喜好。因此，可以根据当前时间段内用户与平台内容的参与性数据，生成如用户内容的参与总时长，参与频次，内容打分情况等，根据这些因素，分析出用户对已参与的内容的喜欢程度(即关注度)。

步骤205，根据内容的被关注度，确定待获取的与内容具有第一属性的相似内容的第三占比；获取第三占比的内容的相似内容作为第二候选内容。

与用户具有第一属性的相似内容，是指在平台中，与用户与当前平台内容的参与性数据具有相同或相似属性的其他内容。举例来说，用户当前观看了一段上海旅游的视频，则相似内容可以为一段北京旅游的视频；或者，用户查看了一张敦煌莫高窟的图片，则相似内容可以为一张龙门石窟的图片。

在本申请实施例中，在确定出用户对与当前平台内容的参与性数据的关注度之后，可以根据平台内容的被关注度，确定出对相似内容的推荐占比(第三占比)，根据不同相似内容的第三占比，在平台中获取对应数量的相似内容，组成第二候选内容，从而为最终获取到目标推荐内容提供数据基础。

在一些实施例中，在执行完步骤204至步骤205之后，还包括：获取所述内容的相似内容的内容的参与性数据；根据所述相似内容的内容的参与性数据，确定所述相似内容中不同内容的被关注度；根据所述相似内容中的内容的被关注度，确定对应的所述相似内容中的内容的第四占比和所述相似内容中的内容的属性参数；根据每一所述相似内容中的内容的第四占比和属性参数，调整所述第二候选内容。

在得到相似内容组成的第二候选内容后，可以通过获取用户与第二候选内容中的内容的参与性数据，确定出用户对相似内容中的不同内容的关注度。用户对某一内容的关注度越高，则说明用户对该相似内容越感兴趣，因此在后续推荐中，应当较多地推荐被关注度高的内容。也即，某一内容的被关注度越高，在第二候选内容中的第四占比应当越大，因此能够通过调整第四占比的方式，动态调整第二候选内容。

另外，还可以根据用户对第二候选内容中内容的关注度，调整内容对应的属性参数，例如，调整第二候选内容中相似内容的播放时长区间，即增加被关注度高的内容的播放时长区间，或者减少被关注度低的内容的播放时长区间。

在本申请实施例中，通过不断调整组成第二候选内容的相似内容的第四占比和属性参数，能够根据用户的实际需求和喜好，不断调整推荐给用户的第二候选内容，从而能够提高推荐准确性，使得推荐内容更接近用户的实际需求。

步骤206，对第一候选内容进行排序，得到第一排序结果；对第二候选内容进行排序，得到第二排序结果。

在得到候选内容后，可以根据候选内容中具体内容的热度对这些内容进行排序，如根据具体内容的被点击次数或者被查看次数，对内容进行排序，得到排序结果。在一些实施例中，可以按照内容热度的高低，对内容进行降序排列。

步骤207，根据预设的第一候选内容的第五占比，对第一排序结果进行提取，得到第三排序结果；根据预设的第二候选内容的第六占比，对第二排序结果进行提取，得到第四排序结果；其中，第五占比用于表征第一候选内容的重要程度；第六占比用于表征第二候选内容的重要程度；第五占比和第六占比的和为1。

可以理解地，对于不同的应用场景，第一候选内容的第五占比和第二候选内容的第六占比设置也不同。例如，面向企业或机构的资讯或培训平台，内容及用户的定义相对明确，强制性高，且关联性强，因此在设置第五占比和第六占比时，可以将根据相似内容组成的第二候选内容对应的第六占比设置较高，如70％，而将根据用户对平台上不同内容类别进行检索生成的第一候选内容对应的第五占比设置较低，如30％。

在本申请实施例中，根据第五占比对第一排序结果进行提取，可以为将第一排序结果中的内容提取出对应占比，如提取出第一候选内容中热度较高的70％的内容，得到第三排序结果；相应地，根据第六占比对第二排序结果进行提取，也可以为提取出第二候选内容中热度较高的30％的内容，得到第四排序结果，随后，再将第三排序结果和第四排序结果进行汇总，得到第五排序结果。

在得到第五排序结果之后，该排序结果中可能存在重复的内容，或者热度低于一定阈值的内容。因此，还需要对这些重复的内容进行去重处理，或者，对热度低于阈值的内容进行过滤处理，以得到最终的目标推荐内容。

步骤208，综合第三排序结果和第四排序结果，得到第五排序结果；对第五排序结果进行去重处理，得到目标推荐内容。

在本申请实施例中，在得到第一候选内容和第二候选内容后，是根据预设的占比，分别对第一候选内容和第二候选内容中的内容进行提取，进而汇总之后得到目标推荐内容。这样，通过这种设置占比的方式，使得在确定目标推荐内容时，更加贴合具体使用场景，从而使得推荐内容更准确，更接近用户的实际需求。

图3为本申请实施例提供的智能推荐方法的实现流程示意图，如图3所示，该方法可以包括以下步骤301至步骤306：

步骤301，获取用户与平台交互的行为轨迹数据；其中，行为轨迹数据包括非内容的参与性数据、内容的参与性数据和与用户具有第二属性的相似用户的内容的参与性数据；第二属性用于表征相似用户与用户之间的关联程度。

相比于步骤101和步骤201中的行为轨迹数据，在本申请实施例中，行为轨迹数据还包括与用户具有第二属性的相似用户的内容的参与性数据。其中，在定位相似用户时，是根据当前用户的第二属性来确定的。例如，在针对企业或机构的平台中，相似用户可以是相同职能部门，相同职级、相同业务线条等；在针对个人用户的平台中，相似用户可以是相近年龄、相似职业、相似学历、相似收入等。可以理解地，通过增加相似用户的内容的参与性数据，能够使得在对平台内容进行推荐时，数据来源更加丰富，从而使得推荐结果更准确。

步骤302，根据相似用户的内容的参与性数据，得到第三候选内容。

在本申请实施例中，根据相似用户的内容的参与性数据，得到第三候选内容的方式，与步骤204至步骤205中根据用户的内容的参与性数据，得到第二候选内容的方式相同，在此不再赘述。

在一些实施例中，在得到第三候选内容之后，还可以根据用户与第三候选内容交互的行为轨迹数据，调整第二属性的范围，以调整相似用户。

调整第二属性的范围，可以为增加相似用户的年龄范围区间，或者减少相似用户年龄范围区间；还可以为增加相似用户职业对应范围，或者减少相似用户职业对应范围。通过调整第二属性的范围，能够实现调整相似用户，进而调整第三候选内容。具体如何调整第二属性的范围，可以根据实际需求确定，对此并不限定。

在得到第三候选内容之后，可以通过执行如下步骤303至步骤306，实现根据第一候选内容、第二候选内容和第三候选内容，得到目标推荐内容。

步骤303，对第三候选内容进行排序，得到第六排序结果。

在得到第三候选内容后，对第三候选内容进行排序的方式与步骤206中对候选内容的排序方式相同，在此不再赘述。

步骤304，根据预设的第一候选内容的第七占比，对第一排序结果进行提取，得到第七排序结果；根据预设的第二候选内容的第八占比，对第二排序结果进行提取，得到第八排序结果；根据预设的第三候选内容的第九占比，对第六排序结果进行提取，得到第九排序结果；其中，第七占比、第八占比和第九占比的和为1。

需要说明的是，第七占比用于表征第一候选内容的重要程度；第八占比用于表征第二候选内容的重要程度；第九占比用于表征第三候选内容的重要程度。

可以理解地，对于不同的应用场景，第一候选内容的第七占比、第二候选内容的第八占比和第三候选内容的第九占比设置也不同。举例来说，对于面向企业或机构的资讯或培训平台，内容及用户的定义相对明确，强制性高，且关联性强，在第一候选内容、第二候选内容、第三候选内容三个维度的占比系数上，第二候选内容和第三候选内容的占比系数可相应的设置高一些，如第二候选内容占比为50％，第三候选内容占比为30％，第一候选内容占比为20％。

或者，对于面向个人的资讯或培训平台，内容及用户类型相对分散，关联性不强，为保证平台对用户的粘性，第一候选内容占比应当设置较高，可设置为50％或者更高，而第二候选内容和第三候选内容平分剩余占比即可。

在本申请实施例中，根据预设占比对对应的候选内容进行提取的方式与步骤207中的提取方式一样，在此不再赘述。

步骤305，综合第七排序结果、第八排序结果和第九排序结果，得到第十排序结果；

步骤306，对第十排序结果进行去重处理，得到目标推荐内容。

在得到第十排序结果之后，该排序结果中可能存在重复的内容，或者热度低于一定阈值的内容。因此，还需要对这些重复的内容进行去重处理，或者，对热度低于阈值的内容进行过滤处理，以得到最终的目标推荐内容。

在本申请实施例中，在得到第一候选内容、第二候选内容和第三候选内容后，根据预设的占比，分别对第一候选内容、第二候选内容和第三候选内容中的内容进行提取，进而汇总之后得到目标推荐内容。这样，通过这种设置占比的方式，且综合考虑了多种推荐因素，使得在确定目标推荐内容时，更加贴合具体使用场景，从而使得推荐内容更准确，更接近用户的实际需求。

基于此，下面将说明本申请实施例在一个实际的应用场景中的示例性应用。

VR应用开发发展迅速，VR应用的增长速度极快，用户想要迅速和准确地找到他们感兴趣的VR应用越来越困难。如果用户的目标明确，可以使用搜索(其实搜索也是有关键字的推荐、推荐是无关键字的搜索)，但很多时候用户是没有明确目标的。现有的在线互动，用户参与的资源多为培训管理员根据生产运营需求，分散性发布给相应参与人群，用户也仅能够根据标题与关键词进行模糊查询，其操作步骤繁琐，且检索结果准确度不高。以上存在的问题造成用户参与体验较差，VR云平台用户粘度较低。

行为记录，是一种非正式参与***互操作记录，用户使用终端访问时，将用户与应用交互的各种操作行为存储于数据存储中，并使用会话标识与事件时间戳关联数据的轨迹性数据；应用平台利用行为记录模块的数据收集接口实现不同层次的应用集成，能够记录用户操作细节，记录任何活动及跟踪各种资讯与内容的参与过程，例如张三在[教育]栏目下搜索了[项目管理]的内容、王丽在资源[X]中读到了第12页、赵磊在[内容提供者X]的VR应用上点了喜欢等，这种格式也是行为记录语句的核心，从而可以轻松跟踪任何上下文中的任何体验，目前已被广泛应用于培训、教育行业，并在众多领域都表现出广阔的应用前景。

因此，利用行为记录中用户与平台交互数据的完整性，以及丰富的数据来源等特点，同时结合平台中用户基本属性数据、VR内容分类数据与基本属性数据实现VR应用的智能推荐，能够帮助用户筛选优质内容。

综上所述，从用户交互轨迹数据收集、海量数据分析用户需求的角度出发，基于用户行为记录实现平台应用智能推荐，提升平台对用户的粘性需求将越来越突出。

本申请实施例所要解决的技术问题是从用户交互轨迹数据收集、海量数据分析用户需求的角度出发，利用行为记录收集用户操作细节，记录任何活动及跟踪各种资讯与内容的参与过程的特点，实现基于行为记录的VR内容智能推荐问题。

为了解决上述问题，本申请实施例所采用的技术方式是一种基于行为数据的智能内容推荐算法，包括：

资源分类管理模块，根据运营管理需求，建设资源分类管理体系，将平台VR内容维护到对应的分类节点中。

用户行为数据收集模块，收集用户参与在线互动行为轨迹，浏览过程中的交互数据与结果数据，并根据数据类型进行存储与推送。

智能分析模块，接收行为数据收集模块推送的参与行为轨迹数据与结果数据，进行数据梳理与清洗，将包含用户、知识分类、搜索关键词、在线资源、参与轨迹，浏览轨迹、打分、参与结果等相关数据进行存储，形成用户参与行为模型。根据用户相似群体、用户参与资源、资讯的相似内容，按照用户参与的资源归属分类占比系数，进行计算，生成具体用户可能喜欢的资源或资讯清单，实现智能内容推荐；对于平台管理员，利用参与行为数据分析，展现平台资源的受众情况，了解用户喜爱的内容厂商、表现形式、内容分类等相关数据分析结果，能够更有针对性的完善VR云平台资源内容。

所述资源分类管理模块，根据VR内容资源的分类归属，支持创建多级别的资源内容分类树，并支持同一个VR内容归属多个分类的管理方式。

所述行为数据收集模块包括多个模块接口与行为记录枚举字典，平台记录事件时利用统一接口与事件行为的枚举字典，验证行为记录的有效性。

所述智能分析模块包括多组预制参数及参数值调整算法；所述预制参数主要用于在用户第一次访问平台时的推荐算法，当用户与平台持续交互时，所述参数调整算法，会根据用户的实际交互事件动态调整具体用户的计算参数；通过上述方式，用户与平台交互的事件数据越多，推荐算法中使用的相关计算参数会越接近用户的实际需求。

在本申请实施例中，创建性地将用户行为模块集成到VR应用平台中，相较于相关技术中的内容推荐，在原有参与性用户交互数据(即内容的参与性数据)来源的基础上，增加了更丰富的非参与性的用户交互数据(即非内容的参与性数据)来源，能够收集用户更细微及更详细的用户操作轨迹数据；并利用VR云平台智能内容推荐算法，支持管理人员对各类资源按照统一分类进行管理。用户在主动参与在线互动的过程中，通过平台自身行为记录模块的全过程数据收集，整理为用户在各个分类上的参与轨迹与结果数据。根据相关用户群体参与资源、个人参与资源的相似资源，根据用户个人参与轨迹，生成用户可能喜欢的资源，节省用户自行检索的操作步骤与时间，提升用户自主参与的个人体验，增加VR云平台用户粘度。

针对相关技术中的内容平台采用参与***互数据收集不利于更精准更细化的进行内容推荐的问题，本申请实施例利用用户与平台交互数据的完整性，以及丰富的数据来源等特点，提供一种基于用户行为的智能内容推荐***及方法，实现将VR内容更精准的推送给用户。本申请实施例将行为记录模块与内容平台进行深度集成，记录用户操作轨迹时，由平台将用户的交互事件存储为时间、地点、人物、操作对象、操作动作、运行结果等多维度的行为轨迹数据；同时，本申请实施例在智能推荐算法中预置了可动态调整的推荐计算参数，根据用户后继在平台中的交互轨迹数据，动态调整推荐算法中相对应的计算参数，使推荐内容越来越接近用户的实际需求；而且，本申请实施例从数据使用性能和少量数据存储的容量要求出发，利用数据库中间件对用户行为记录进行纵向、横向的拆分存储。

其中，在进行拆分存储时，可以基于关系型数据库管理***软件(mysql)，借助mysql数据库应用，利用分库分表功能，实现海量数据拆分到多个数据库实例中的多个逻辑数据表中。而进行纵向、横向的拆分存储的原因是：用户行为记录，实际应用中，数据产生的速度非常快，按10万用户量、2万活跃用户的平台计算，每年预计可产生近15亿的原始记录，除用于智能推荐外，学习情况统计分析，积分计算、用户画像等等相关的业务场景也会使用，对行为数据的原始记录读取效率也有一定的要求。为保障相关业务场景的响应速度，根据不同业务场景读取行为记录的业务需求，设置分库分表的规则，实现海量数据根据既定规则进行分散存储。在数据读取时，通过多个独立数据库实例的协同处理，在弥补数据库软件数据存储量限制问题的基础上，极大提升按分库分表规则检索数据的获取时间。

图4为本申请实施例提供的一种基于行为数据的智能内容推荐算法的结构示意图，如图4所示，包括统一分类管理模块、行为记录收集模块，以及统计分析模块；其中：

统一分类模块，由管理员统一维护分类，与资源形成分类管理体系；用户访问平台后，可根据选择分类与关键词检索平台资源；

行为记录收集模块，随时记录用户参与在线互动的过程数据，包括但不限于分类、检索关键词、资源名称、参与时长、参与次数、完成后的参与次数、浏览时长、打分情况等等，以及结果数据等；对各类过程数据进行预处理后，将结果数据推送到统计分析模块；

统计与分析模块，接收行为记录收集模块推送的海量行为轨迹与参与结果数据存储于数据窗口中，按照个人，分类、行为轨迹、参与结果、喜欢或不喜欢标记数据，活动评分数据等多个维度建设个人行为模型，从管理者与用户两个层面进行统计与分析；对于平台用户，使用用户参与培训、浏览的行为轨迹数据进行分析，生成用户侧重的分类占比基础系数，根据用户个人属性定位平台中相似用户群体参与的资源与资讯行为与结果数据，根据用户个人参与资源与资讯属性定位平台中相似资源与资讯数据，利用三部分数据进行交叉对比，并利用预先设置的偏差系数进行计算，生成推荐内容的基础数据集；使用用户个人侧重分类的占比系数，生成初次推荐清单；后继根据用户与推荐内容的交互轨迹数据(如喜欢或不喜欢，参与频次、评分等等)，对偏差系数及个人侧重分类占比进行校正，最终实现资源的精确推送。

图5为本申请实施例提供的一种***智能推荐算法示意图，如图5所示，包括以下步骤1至步骤4：

步骤1，用户第一次访问内容平台时，根据平台内相似用户感兴趣的内容，以及内容的热度，对现有内容进行排序推荐。

步骤2，用户与平台进行交互时，如参与内容、对内容进行打分、使用分类及(或)关键词进行搜索、浏览资讯、标记喜欢或不喜欢，以及与推荐内容进行相关操作时，内容平台将调用行为记录模块数据收集接口，传递用户在平台中进行的所有操作轨迹，包括时间、地点、人物、操作对象分类、操作对象子类、操作动作、运行结果，存储于用户行为底层数据库中。

步骤2.1，根据用户行为轨迹数据中非内容参与性数据进行分析，智能推荐算法中用户行为分析组件调用用户行为记录数据读取接口，获取用户与平台交互中对内容非参与性操作轨迹，主要包括使用分类及(或)关键词搜索等相关轨迹数据，用户行为分析组件根据用户间接与平台内容的交互操作轨迹数据进行汇总，生成如用户在具体内容上的搜索内容时使用的分类标识及(或)关键词内容、搜索频次等，分析出用户在内容平台上各个内容分类的交互占比(即第一占比)，生成用户需求模型，同时，根据用户后继间接参与交互轨迹数据，动态调整用户在内容平台上各个分类的倾向性占比；

步骤2.2，根据用户行为轨迹数据中内容参与性数据进行分析，智能推荐算法中参与性内容分析组件通过调用行为记录模块数据读取接口，获取用户与内容平台交互中对内容参与性操作轨迹，主要包含内容选择、内容参与、参与时长、内容打分等相关轨迹数据，参与性内容分析组件根据用户直接与平台内容的交互操作轨迹数据进行汇总，生成如用户内容的参与总时长，参与频次，内容打分情况等，分析出用户对已参与的内容的喜欢程度(即关注度)，利用这些内容的属性值，根据内容相似性参数定义，例如具体内容分类对应的内容平台中的分类范围、内容操作时长对应的内容平台中的操作时长范围等，调用内容属性索引的数据查询接口，获取相似内容清单(即第二候选内容)；同时，根据用户与推荐内容中参与性内容分析组件推送内容的互动轨迹数据的分析，调整具体用户的内容相似性参数(即第一属性)，例如调整内容分类与相似内容的对应范围，即增加对应范围或减少对应范围，或者，调整内容播放时长对应的相似内容的播放时长区间，即增加播放时长区间或减少播放时长区间。

步骤3，根据相似用户内容参与性数据(即相似内容的内容的参与性数据)进行分析，智能推荐算法中，相似用户分析组件使用具体用户的基本属性信息根据预制参数的取值范围(如年龄、职业等)，全平台查找与当前具体用户相似的用户数据，查找相似用户参与过的平台内容清单(即第三候选内容)，并根据相似用户参与内容的打分情况进行初次排序；同时，根据具体用户与推荐内容中相似用户分析组件推荐内容的交互轨迹数据，调整具体用户的相似用户对比参数(即第二属性)，如增加相似用户年龄范围区间或减少相似用户年龄范围区间、增加相似用户职业对应范围或减少相似用户职业对应范围；

步骤4，汇总、排序及推荐内容占比分析，智能推荐算法中，智能推荐与分析组件利用参与性内容分析组件、相似用户分析组件、用户行为分析组件推送的内容汇总清单，对不同分析组件内容按照热度与平均打分值进行排序，根据***预置的推荐内容组成比例，过滤并进行排序，生成具体用户的推荐内容清单，同时根据具体用户与推荐内容的交互轨迹数据，调整三个分析组件推荐内容在最终推荐内容中的占比。

在本申请实施例中，行为记录收集模块对外提供数据收集接口，允许外部应用节点调用数据收集接口，并获取对应的内容推荐清单。

如上所述，本申请实施例对外部应用节点提供了完整的数据交互接口，允许外部应用传输行为轨迹数据、获取对应的内容推荐清单，建立相对开放的应用***，对外提供完整数据交互接口，而存储算法则由应用***内容管理，允许外部通过统一数据接口访问。同时，可根据具体需求建立完全封闭的应用***，使信息的生成、管理、维护和使用均只在指定集成的***内使用，只有***内容应用可以参与，在此情景下，将不提供外部数据接口访问。

在本申请实施例中，是否允许外部访问，主要取决于是否允许其他平台共用智能推荐产生的推荐数据，可单个平***享，也可多平台共享。也即，可作为一个平台的子模块存在，也可作为多个平台的共享模块使用。

图6为本申请实施例提供的再一基于用户行为记录的***智能推荐算法示意图，如图6所示，包括以下步骤1至步骤3：

步骤1，用户首次登录平台，根据相似用户及平台内容热度，生成推荐内容清单；

步骤1.1，汇总平台内容访问及打分情况，根据访问次数、平均打分值汇总生成热门内容清单；

步骤1.2，根据当前用户属性定位平台中相似用户，获取相似用户打分高的内容清单；

步骤1.3，汇总平台内容清单及相似用户内容清单，按照访问次数、平均打分值排序后，生成用户首次推荐内容。

步骤2，行为记录组件记录用户在平台上的交互数据，各分析组件主动调用数据读取接口，获取相关行为轨迹数据。

步骤2.1，根据应用程序编程(experience API，xAPI)接口标准定义平台操作标识，以及对象数据标识(如用户、内容、评价等等)；

步骤2.2，内容平台实现与用户行为轨迹模块的集成，如事件点调用接口，或日志传输，将用户交互数据传输到用户行为轨迹模块进行存储；

步骤2.3，用户行为轨迹模块存储中，用户的交互数据应至少包括用户标识、操作标识(浏览、参与、打分等等)、对象数据标识(新闻、内容、咨询评分等，以及自身唯一标识)、结果数据(时长、分值等等)。

步骤3，各分析组件完善各自的数据模型，通过内容属性索引生成完整的推荐内容列表，最终由智能推荐与分析组件进行过滤与排序，生成优化后的内容推荐清单；

步骤3.1，用户需求模型，根据用户与需求模型产生的推荐内容相关的用户行为数据(如是否喜欢、是否收藏等，内容打分、参与时长等与内容自身有关；与推荐结果无关，不进行考虑)的结果数据，调整用户需求模型中相应内容分类推荐占比的百分比数值；

步骤3.2，相似内容模型，根据用户与相似内容模型产生的推荐内容相关的用户行为数据(如是否喜欢、是否收藏等)的结果数据，调整相似内容模型中相应的关联属性取值范围；

步骤3.3，相似用户模型，根据用户与相似内容模型产生的推荐内容相关的用户行为数据(如是否喜欢、是否收藏等)的结果数据，调整相似用户模型中相应的关联属性取值范围；

步骤3.4，智能分析与推荐模块，根据用户与各模型产生的推荐内容相关的用户行为数据(如是否喜欢、是否收藏等)的结果数据，调整各模型推荐内容在最终推荐列表中的占比百分比数值；

步骤3.5，智能分析与推荐模块，根据推荐清单的更新周期，定时读取用户行为轨迹模块中周期内的用户行为数据，传递给各个模型，各自进行完善，并定时生成新的推荐清单。

图7为本申请实施例提供的另一***智能推荐算法示意图，如图7所示，包括以下步骤1至步骤4：

步骤1，用户行为轨迹数据收集，平台应用节点将用户与平台的交互轨迹数据推送至行为记录组件，由行为记录组件进行存储，用户行为分析组件、相似内容分析组件、相似用户分析组件，以及智能推荐与分析组件，主动调用行为记录组件数据读取接口，分别获取非参与***互轨迹数据、参与***互轨迹数据，以及用户与推荐内容交互轨迹数据并进行存储。

步骤2，根据用户行为轨迹数据，完善具体用户的需求模型、相似内容清单、相似用户参与的内容清单。

步骤2.1，根据用户行为数据完善用户需求模型，用户行为分析组件根据用户非参与***互轨迹数据，传输至内容属性索引，由内容属性索引检索对应的完整内容分类，汇总并完善具体用户的需求模型，包括用户可能感兴趣的内容分类占比；

步骤2.2，根据用户行为数据完善相似内容清单，相似内容分析组件根据用户参与***互轨迹数据，完善用户可能感兴趣的相似内容模型，传输至内容属性索引，由内容属性索引检索对应的完成内容清单；

步骤2.3，根据用户行为数据完善相似用户检索范围，相似用户分析组件根据具体用户与推荐内容交互的轨迹数据，完善具体用户的相似用户模型，使用相似用户喜欢的内容数据，传输至内容属性索引，由内容属性索引检索对应的完成内容清单；

步骤3，根据用户行为轨迹数据中与推荐内容交互的行为数据，进行需求模型、相似内容清单、相似用户中检索对象数据的范围参数，智能推荐与分析组件根据用户与推荐内容交互的轨迹数据，完善推荐清单中各分析组件的内容占比；

步骤4，汇总需求模型、相似内容、相似用户三个模块产生的推荐内容清单，依据当下具体用户的推荐清单占比，生成推荐内容清单，由内容属性索引将具体用户的完整推荐清单推送到智能推荐与分析组件，由智能推荐与分析组件根据各个分析组件推荐内容占比，根据内容打分的平均分以及内容热度，排序并过滤为最终推荐清单。

本申请实施例提供的一种基于用户行为记录的智能内容推荐算法与***，采用内容平台与用户行为轨迹深度集成的方案，达到内容平台智能分析与推荐的基础数据收集的技术效果；采用多维度数据模型的搭建方案，达到多相关性的内容推荐的技术效果；采用分析参数动态调整的方案，达到推荐算法自主学习、无限接近用户真实需求的技术效果。

本申请实施例提供的基于用户行为记录的智能内容推荐算法与***，具有以下优势：

(1)丰富用户与内容平台交互数据的来源，从单纯的依赖用户与内容的交互数据进行分析，创新的加入了用户行为轨迹记录组件，将计算依据提升为用户与平台各类操作轨迹进行分析推荐。

(2)在收集用户与平台相对完整的交互轨迹数据后，根据交互操作的性质，将轨迹数据定义为参与类交互数据、非参与类交互数据，以及推荐反馈交互数据，为多维度数据分析提供完善的数据基础。

(3)在内容推荐的过程中创新的将推荐算法分解为用户相似度分析、内容相似度分析，用户行为分析多个维度。其中，用户行为分析，收集并存储用户在内容平台中所有非内容参与***互数据，作为用户可能更期望的内容分析基础数据，并结合平台内容分类与属性，生成用户需求内容清单；相似内容分析，收集并存储用户在内容平台中所有内容参与***互数据，作为用户可能感兴趣的内容分析基础数据，并结合动态计算参数，生成用户可能感兴趣的内容清单；相似用户分析，根据用户关键性属性，查找平台中相似用户群体，生成相似用户参与的内容清单，并根据用户与相似用户分析产生的推荐内容清单的交互数据，动态调整相似用户定位参数，生成其他人都在看的内容清单。

(4)能够根据用户后继的操作轨迹数据，对各个分析算法进行动态参数调整，逐步完善平台对用户实际需求的了解程度。

(5)对用户多维度分析后，仍能根据用户的反馈性操作轨迹，再次进行动态权重调整，无限接近用户的实际需求。

基于前述的实施例，本申请实施例提供一种智能推荐装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

图8为本申请实施例智能推荐装置的结构示意图，如图8所示，所述装置800包括获取模块801和生成模块802，其中：获取模块801，用于获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；生成模块802，用于根据所述非内容的参与性数据，得到第一候选内容；根据所述内容的参与性数据，得到第二候选内容；根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。

在一些实施例中，智能推荐装置还包括确定模块，所述确定模块，用于根据第一时间段内的非内容的参与性数据，确定不同内容类别的第一占比；根据每一所述内容类别的第一占比，确定对应内容类别的推荐参数；所述生成模块802，根据每一所述内容类别的推荐参数，得到第一候选内容。

在一些实施例中，智能推荐装置还包括调整模块，所述确定模块，用于根据第二时间段内的非内容的参与性数据，确定不同内容类别的第二占比；所述调整模块，用于根据所述内容类别的第二占比，调整对应内容类别的推荐参数。

在一些实施例中，所述确定模块，用于根据第一时间段内的内容的参与性数据，确定不同内容的被关注度；根据所述内容的被关注度，确定待获取的与所述内容具有第一属性的相似内容的第三占比；所述获取模块801，用于获取所述第三占比的所述内容的相似内容作为所述第二候选内容。

在一些实施例中，所述获取模块801，用于获取所述内容的相似内容的内容的参与性数据；所述确定模块，用于根据所述相似内容的内容的参与性数据，确定所述相似内容中不同内容的被关注度；根据所述相似内容中的内容的被关注度，确定对应的所述相似内容中的内容的第四占比和所述相似内容中的内容的属性参数；所述调整模块，用于根据每一所述相似内容中的内容的第四占比和属性参数，调整所述第二候选内容。

在一些实施例中，智能推荐装置还包括排序模块和提取模块，所述排序模块，用于对所述第一候选内容进行排序，得到第一排序结果；对所述第二候选内容进行排序，得到第二排序结果；所述提取模块，用于根据预设的第一候选内容的第五占比，对所述第一排序结果进行提取，得到第三排序结果；其中，所述第五占比用于表征所述第一候选内容的重要程度；根据预设的第二候选内容的第六占比，对所述第二排序结果进行提取，得到第四排序结果；其中，所述第六占比用于表征所述第二候选内容的重要程度；所述第五占比和所述第六占比的和为1；所述生成模块802，用于综合所述第三排序结果和所述第四排序结果，得到第五排序结果；对所述第五排序结果进行去重处理，得到目标推荐内容。

在一些实施例中，所述生成模块802，用于根据所述相似用户的内容的参与性数据，得到第三候选内容；根据所述第一候选内容、所述第二候选内容和所述第三候选内容，得到目标推荐内容。

在一些实施例中，所述排序模块，用于对所述第三候选内容进行排序，得到第六排序结果；所述提取模块，用于根据预设的第一候选内容的第七占比，对所述第一排序结果进行提取，得到第七排序结果；其中，所述第七占比用于表征所述第一候选内容的重要程度；根据预设的第二候选内容的第八占比，对所述第二排序结果进行提取，得到第八排序结果；其中，所述第八占比用于表征所述第二候选内容的重要程度；根据预设的第三候选内容的第九占比，对所述第六排序结果进行提取，得到第九排序结果；其中，所述第九占比用于表征所述第三候选内容的重要程度；所述第七占比、所述第八占比和所述第九占比的和为1；所述生成模块802，用于综合所述第七排序结果、所述第八排序结果和所述第九排序结果，得到第十排序结果；对所述第十排序结果进行去重处理，得到目标推荐内容。

在一些实施例中，所述调整模块，用于根据与所述第三候选内容交互的行为轨迹数据，调整所述第二属性的范围，以调整所述相似用户。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中图8所示的智能推荐装置对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

本申请实施例提供一种电子设备，图9为本申请实施例的电子设备的硬件实体示意图，如图9所示，所述电子设备900包括存储器901和处理器902，所述存储器901存储有可在处理器902上运行的计算机程序，所述处理器902执行所述程序时实现上述实施例中提供的方法中的步骤。

需要说明的是，存储器901配置为存储由处理器902可执行的指令和应用，还可以缓存在处理器902以及电子设备900中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccess Memory，RAM)实现。

本申请实施例提供一种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上述实施例中提供的方法中的步骤。

本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法实施例提供的方法中的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如对象A和/或对象B，可以表示：单独存在对象A，同时存在对象A和对象B，单独存在对象B这三种情况。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，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全部模块来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能模块可以全部集成在一个处理单元中，也可以是各模块分别单独作为一个单元，也可以两个或两个以上模块集成在一个单元中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种智能推荐方法，其特征在于，所述方法包括：

获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；

根据所述非内容的参与性数据，得到第一候选内容；

根据所述内容的参与性数据，得到第二候选内容；

根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。

2.根据权利要求1所述的方法，其特征在于，所述根据所述非内容的参与性数据，得到第一候选内容，包括：

根据第一时间段内的非内容的参与性数据，确定不同内容类别的第一占比；

根据每一所述内容类别的第一占比，确定对应内容类别的推荐参数；

根据每一所述内容类别的推荐参数，得到第一候选内容。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据第二时间段内的非内容的参与性数据，确定不同内容类别的第二占比；

根据所述内容类别的第二占比，调整对应内容类别的推荐参数。

4.根据权利要求1所述的方法，其特征在于，所述根据所述内容的参与性数据，得到第二候选内容，包括：

根据第一时间段内的内容的参与性数据，确定不同内容的被关注度；

根据所述内容的被关注度，确定待获取的与所述内容具有第一属性的相似内容的第三占比；

获取所述第三占比的所述内容的相似内容作为所述第二候选内容。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述内容的相似内容的内容的参与性数据；

根据所述相似内容的内容的参与性数据，确定所述相似内容中不同内容的被关注度；

根据所述相似内容中的内容的被关注度，确定对应的所述相似内容中的内容的第四占比和所述相似内容中的内容的属性参数；

根据每一所述相似内容中的内容的第四占比和属性参数，调整所述第二候选内容。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一候选内容和所述第二候选内容，得到目标推荐内容，包括：

对所述第一候选内容进行排序，得到第一排序结果；

对所述第二候选内容进行排序，得到第二排序结果；

根据预设的第一候选内容的第五占比，对所述第一排序结果进行提取，得到第三排序结果；其中，所述第五占比用于表征所述第一候选内容的重要程度；

根据预设的第二候选内容的第六占比，对所述第二排序结果进行提取，得到第四排序结果；其中，所述第六占比用于表征所述第二候选内容的重要程度；所述第五占比和所述第六占比的和为1；

综合所述第三排序结果和所述第四排序结果，得到第五排序结果；

对所述第五排序结果进行去重处理，得到目标推荐内容。

7.根据权利要求1所述的方法，其特征在于，所述行为轨迹数据还包括与所述用户具有第二属性的相似用户的内容的参与性数据；其中，所述第二属性用于表征所述相似用户与所述用户之间的关联程度；

根据所述相似用户的内容的参与性数据，得到第三候选内容；

根据所述第一候选内容、所述第二候选内容和所述第三候选内容，得到目标推荐内容。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第一候选内容、所述第二候选内容和所述第三候选内容，得到目标推荐内容，包括：

对所述第三候选内容进行排序，得到第六排序结果；

根据预设的第一候选内容的第七占比，对所述第一排序结果进行提取，得到第七排序结果；其中，所述第七占比用于表征所述第一候选内容的重要程度；

根据预设的第二候选内容的第八占比，对所述第二排序结果进行提取，得到第八排序结果；其中，所述第八占比用于表征所述第二候选内容的重要程度；

根据预设的第三候选内容的第九占比，对所述第六排序结果进行提取，得到第九排序结果；其中，所述第九占比用于表征所述第三候选内容的重要程度；所述第七占比、所述第八占比和所述第九占比的和为1；

综合所述第七排序结果、所述第八排序结果和所述第九排序结果，得到第十排序结果；

对所述第十排序结果进行去重处理，得到目标推荐内容。

9.根据权利要求7所述的方法，其特征在于，所述方法还包括：

根据与所述第三候选内容交互的行为轨迹数据，调整所述第二属性的范围，以调整所述相似用户。

10.一种智能推荐装置，其特征在于，包括：

获取模块，用于获取用户与平台交互的行为轨迹数据；其中，所述行为轨迹数据包括非内容的参与性数据和内容的参与性数据；

生成模块，用于根据所述非内容的参与性数据，得到第一候选内容；根据所述内容的参与性数据，得到第二候选内容；根据所述第一候选内容和所述第二候选内容，得到目标推荐内容。

11.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述的方法。

12.一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，该计算机程序被处理器执行时实现如权利要求1至9任一项所述的方法。

Images