CN117992675A - 内容推荐方法、装置、电子设备及存储介质 - Google Patents
内容推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117992675A CN117992675A CN202410269032.5A CN202410269032A CN117992675A CN 117992675 A CN117992675 A CN 117992675A CN 202410269032 A CN202410269032 A CN 202410269032A CN 117992675 A CN117992675 A CN 117992675A
- Authority
- CN
- China
- Prior art keywords
- content recommendation
- keywords
- preset
- determining
- keyword
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种内容推荐方法、装置、电子设备及存储介质,涉及互联网技术领域及人工智能技术领域,尤其涉及互联网搜索、大语言模型、机器学习、深度学习等领域。实现方案为:生成用于进行内容推荐的预设关键词;确定检索关键词与预设关键词是否匹配;响应于确定检索关键词与预设关键词匹配,基于识别信息确定是否要为当前检索进行内容推荐;以及响应于确定要为当前检索进行内容推荐,展示关联到内容推荐的关联信息。
Description
技术领域
本公开涉及互联网技术领域及人工智能技术领域,尤其涉及互联网搜索、大语言模型、机器学习、深度学习等领域,具体涉及一种内容推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
近年来,随着人工智能技术领域的兴起和发展,业界逐渐开始关注将人工智能技术与电子商务、互联网等应用领域进行深度结合,以期获得更广泛的应用。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种内容推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种内容推荐方法,包括:生成用于进行内容推荐的预设关键词;确定检索关键词与预设关键词是否匹配;响应于确定检索关键词与预设关键词匹配,基于识别信息确定是否要为当前检索进行内容推荐;以及响应于确定要为当前检索进行内容推荐,展示关联到内容推荐的关联信息。
根据本公开的另一方面,提供了一种内容推荐装置,包括:关键词生成模块,被配置为生成用于进行内容推荐的预设关键词;匹配确定模块,被配置为确定检索关键词与预设关键词是否匹配;内容推荐确定模块,被配置为响应于确定检索关键词与预设关键词匹配,基于识别信息确定是否要为当前检索进行内容推荐;以及展现模块,被配置为响应于确定要为当前检索进行内容推荐,展示关联到内容推荐的关联信息。
根据本公开的另一方面,提供了一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器,其中,存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的一个或多个实施例,可以便利于提升内容推荐的效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开实施例的内容推荐方法的流程图;
图3示出了根据本公开实施例的生成用于进行内容推荐的预设关键词的过程的流程图;
图4示出了根据本公开实施例的基于识别信息确定是否要为当前检索进行内容推荐的过程的流程图;
图5示出了根据本公开实施例的转化率确定模型的结构的示意图;
图6示出了根据本公开另一实施例的内容推荐方法的流程图;
图7示出了根据本公开一个实施例的内容推荐装置的结构框图;
图8示出了根据本公开另一个实施例的内容推荐装置的结构框图;以及
图9示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,传统的内容推荐方法一般通过增加或扩大推荐范围来提升内容推荐被用户响应的效果,在此过程中可能对不期望接收内容推荐或对内容推荐没有需求的用户造成额外的干扰和影响。此外,传统的内容推荐方法中也需要相关工作人员根据自身的经验、互联网统计工具、以及搜索词报告等进行关键词扩展工作。这些因素可能导致了传统的内容推荐方法效果不佳、智能化程度低等问题。
针对上述至少一个问题,本公开的实施例提供了一种内容推荐方法。
在详细描述本公开实施例的方法之前,首先结合图1描述可以将本文描述的方法在其中实施的示例性***。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行内容推荐方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106输入检索关键词。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
下文将结合附图详细描述根据本公开实施例的内容推荐方法的各个方面。
图2示出了根据本公开实施例的内容推荐方法的流程图。
如图2所示,根据本公开实施例的内容推荐方法200包括步骤S202、S204、S206和S208。
在步骤S202,生成用于进行内容推荐的预设关键词。
在步骤S204,确定检索关键词与预设关键词是否匹配。
在步骤S206,响应于确定检索关键词与预设关键词匹配,基于识别信息确定是否要为当前检索进行内容推荐。
在步骤S208,响应于确定要为当前检索进行内容推荐,展示关联到内容推荐的关联信息。
在一些实施例中,根据本公开实施例的内容推荐方法可以应用在例如提供检索或搜索功能的应用程序中,使得当检索请求被接收到时,可以创建适于触发内容推荐的场景。在一些示例中,内容推荐例如可以包括应用程序中的已有功能或新功能的推荐。
在一些实施例中,预先生成用于触发内容推荐的预设关键词,该预设关键词用于与检索关键词进行匹配,以初步判断与该检索关键词相关的检索请求是否与待进行的内容推荐存在相关性或关联性。在一些示例中,预设关键词例如可以包括检索常用词或检索量大的热词等。当初步判断存在相关性或关联性时,则进一步基于识别信息来二次判断是否要为当前检索进行内容推荐。在一些示例中,识别信息例如可以包括与进行当前检索的用户相关的信息。进而,如果判断可以进行内容推荐,则在应用程序或小程序中展示关联到内容推荐的关联信息。在一些示例中,关联信息例如可以包括对内容推荐的简要描述。
因此,根据本公开实施例的内容推荐方法可以借助于关键词匹配以及识别信息,通过两次判断过程来提高内容推荐的有效性,从而使得可以在接收到检索请求时创建适于触发内容推荐的场景,由此便利于提升内容推荐的效果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在下文中,将进一步详细描述根据本公开实施例的内容推荐方法的各个方面。
图3示出了根据本公开实施例的生成用于进行内容推荐的预设关键词的过程的流程图。
如图3所示,根据本公开实施例的预设关键词生成过程300可以包括步骤S302、S304和S306。
在步骤S302,可以基于大语言模型生成种子关键词。
在步骤S304,可以对种子关键词进行扩展以生成候选关键词。
在步骤S306,可以选择候选关键词中符合预定条件的至少一部分作为预设关键词。
根据本公开实施例的预设关键词生成过程可以借助于大语言模型的智能化交互能力和语言能力来辅助人力生成更为广泛和多样化的种子关键词,从而提升与检索关键词匹配的可能性,以使得可以更为准确地判断相应的检索请求是否与待进行的内容推荐存在相关性或关联性,由此便利于创建适于触发内容推荐的场景。
在一些实施例中,可以基于大语言模型生成种子关键词。为了便利于提升内容推荐的效果,期待大语言模型能够生成例如检索常用词或检索量大的热词作为种子关键词。可以通过输入提示(Prompt)与大语言模型进行交互以得到对应的回复。
在一些实施例中,在大语言模型生成种子关键词之后,可能尚不能确定这些种子关键词是否是检索常用词或检索量大的热词。因此,可以继续与大语言模型进行交互以对此进行确定。例如,为了获知大语言模型生成种子关键词的标准和逻辑,可以向大语言模型提供以下prompt:“你是如何确定这些关键词是检索常用词或检索量大的热词的”。基于大语言模型的回复,例如“确定关键词是否是检索常用词或检索量大的热词需要综合考虑多个因素,包括检索趋势、关键词工具和用户调研等”,可以看出其知晓如何判断关键词是否是检索常用词或检索量大的热词。接下来,可以进一步追问大语言模型是否能够确定种子关键词的热度。例如,可以向大语言模型提供以下prompt:“那么你在提供这些关键词的时候帮我查询了热度分析工具了么?这些词的热度是多少”。然而,基于大语言模型的回复,例如“很抱歉,我无法查询热度分析工具来获取这些关键词的热度”,可以看出其并没有真正确定关键词热度的能力。为此,可以进一步利用具有热度分析的工具来确定其中符合预定条件的种子关键词。
在一些实施例中,还可以先对种子关键词进行扩展以生成候选关键词。在示例中,可以利用具有拓词功能的工具对种子关键词进行扩展以生成候选关键词。例如,可以将几个或十几个种子关键词扩展成几十个甚至上百个候选关键词。然后,可以利用热度分析工具来确定候选关键词中哪些是检索常用词或检索量大的热词,进而可以选择这些候选关键词作为预设关键词。
在一些实施例中,预设关键词可以被分配对应的关键词标识。
在示例中,可以在生成预设关键词之后,自动为每个预设关键词生成关键词标识。之后,可以在预设关键词的落地页(即,进行内容推荐的页面)添加关键词标识,例如:xx.com?keyid=yy,从而能够对关键词进行追踪。
因此,关键词标识可以用于指示内容推荐的关联信息是基于哪个关键词而被点击。由此,可以对关键词进行追踪来提升关键词的使用效率,进而提升与检索关键词匹配的可能性。
在一些实施例中,可以继续利用大语言模型生成用于进行展示的关联到内容推荐的关联信息。图4示出了根据本公开实施例的基于识别信息确定是否要为当前检索进行内容推荐的过程的流程图。
如图4所示,过程400可以包括步骤S402、S404和S406。
在步骤S402,可以基于识别信息,确定进行当前检索的用户的多个特征。
在步骤S404,可以确定多个特征中是否存在与预设目标特征匹配的至少一个特征。
在步骤S406,可以响应于确定多个特征中存在与预设目标特征匹配的至少一个特征,确定要为当前检索进行内容推荐。
通过以上方式,可以基于识别信息从多个维度确定用户画像,从而进一步判断是否适于触发内容推荐的场景。
在一些实施例中,识别信息可以包括与进行当前检索的用户相关的信息。例如,识别信息可以包括用户在应用程序中的账户信息、账户注册时间、账户级别等。
在一些实施例中,预设目标特征可以基于历史统计数据得到。例如,可以利用历史统计数据,基于SQL(Structured Query Language,结构化查询语言)中的Grouping Sets功能统计出预设目标特征。即,可以经由历史统计数据反映出具有何种特征的用户更可能对内容推荐进行响应。例如,预设目标特征可以包括新注册账户,因此假如基于识别信息确定进行当前检索的用户最近刚刚注册了账户,则可以确定该用户存在与预设目标特征匹配的特征,由此可以确定要为当前检索进行内容推荐。
在一些实施例中,预设目标特征可以被配置用于作为训练数据来训练转化率确定模型。转化率确定模型可以用于根据输入的特征确定具有该特征的用户基于关联信息对内容推荐进行响应的概率。
由此,借助于训练完成的转化率确定模型可以快速且简便地判断是否适于对该用户触发内容推荐的场景,从而提高内容推荐的有效性,由此便利于提升内容推荐的效果。
图5示出了根据本公开实施例的转化率确定模型的结构的示意图。
如图5所示,转化率确定模型500可以采取多层MLP模型或者其他的网络结构。例如,转化率确定模型500可以包括特征输入层510、编码层520、全链接隐层530以及LR(Logistic Regression,逻辑回归)输出层540。
作为示例,以下示出建立并训练转化率确定模型的代码。可以理解,本公开的各个方面不局限于以下代码中的具体例子。
图6示出了根据本公开另一实施例的内容推荐方法的流程图。
如图6所示,根据本公开实施例的内容推荐方法600可以包括步骤S602、S604、S606、S608、S610和S612。
步骤S602至S608可以与结合图2所述的步骤S202至S208相同。
进一步的,在步骤S610,可以确定关联信息是否被点击以及内容推荐是否被响应。
在步骤S612,可以基于关联信息是否被点击以及内容推荐是否被响应,调整预设关键词和/或关联信息。
因此,可以通过以关联信息的点击和内容推荐的响应作为反馈信息来动态地优化内容推荐策略,从而便利于提升内容推荐的效果。
在一些实施例中,对于形成了点击多但是响应(即转化)少的预设关键词,可以适当地对其进行否词。对于形成了点击少但响应多的预设关键词,可以进行拓词,及时增加扩展的预设关键词。
根据本公开的实施例,还提供了一种内容推荐装置。
图7示出了根据本公开一个实施例的内容推荐装置的结构框图。
如图7所示,内容推荐装置700包括关键词生成模块702、匹配确定模块704、内容推荐确定模块706和展现模块708。
关键词生成模块702被配置为生成用于进行内容推荐的预设关键词。
匹配确定模块704被配置为确定检索关键词与预设关键词是否匹配。
内容推荐确定模块706被配置为响应于确定检索关键词与预设关键词匹配,基于识别信息确定是否要为当前检索进行内容推荐。
展现模块708被配置为响应于确定要为当前检索进行内容推荐,展示关联到内容推荐的关联信息。
关键词生成模块702、匹配确定模块704、内容推荐确定模块706和展现模块708可以分别对应于如图2所示的步骤S202、S204、S206和S208。因此,这里不再赘述其各个方面的细节。
图8示出了根据本公开另一个实施例的内容推荐装置的结构框图。
如图8所示,内容推荐装置800可以包括关键词生成模块802、匹配确定模块804、内容推荐确定模块806和展现模块808。上述模块可以与如图7所示的关键词生成模块702、匹配确定模块704、内容推荐确定模块706和展现模块708相同。
在一些实施例中,关键词生成模块802可以包括:第一生成模块802a,被配置为基于大语言模型生成种子关键词;第二生成模块802b,被配置为对种子关键词进行扩展以生成候选关键词;以及选择模块802c,被配置为选择候选关键词中符合预定条件的至少一部分作为预设关键词。
在一些实施例中,预设关键词可以被分配对应的关键词标识。
在一些实施例中,内容推荐确定模块806可以包括:特征确定模块806a,被配置为基于识别信息,确定进行当前检索的用户的多个特征;第一确定模块806b,被配置为确定多个特征中是否存在与预设目标特征匹配的至少一个特征;以及第二确定模块806c,被配置为响应于确定多个特征中存在与预设目标特征匹配的至少一个特征,确定要为当前检索进行内容推荐。
在一些实施例中,预设目标特征可以被配置用于作为训练数据来训练转化率确定模型,转化率确定模型可以用于根据输入的特征确定具有该特征的用户基于关联信息对内容推荐进行响应的概率。
在一些实施例中,内容推荐装置800还可以包括:点击及响应确定模块810,被配置为确定关联信息是否被点击以及内容推荐是否被响应;以及调整模块812,被配置为基于关联信息是否被点击以及内容推荐是否被响应,调整预设关键词和/或关联信息。
根据本公开的实施例,还提供了一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器,其中,存储器存储有能够被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现如上所述的方法。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理。例如,在一些实施例中,该方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上文描述的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (15)
1.一种内容推荐方法,包括:
生成用于进行内容推荐的预设关键词;
确定检索关键词与所述预设关键词是否匹配;
响应于确定所述检索关键词与所述预设关键词匹配,基于识别信息确定是否要为当前检索进行所述内容推荐;以及
响应于确定要为当前检索进行所述内容推荐,展示关联到所述内容推荐的关联信息。
2.根据权利要求1所述的方法,其中,所述生成用于进行内容推荐的预设关键词,包括:
基于大语言模型生成种子关键词;
对所述种子关键词进行扩展以生成候选关键词;以及
选择所述候选关键词中符合预定条件的至少一部分作为所述预设关键词。
3.根据权利要求1或2所述的方法,其中,所述预设关键词被分配对应的关键词标识。
4.根据权利要求1至3中任一项所述的方法,其中,所述基于识别信息确定是否要为当前检索进行所述内容推荐,包括:
基于所述识别信息,确定进行当前检索的用户的多个特征;
确定所述多个特征中是否存在与预设目标特征匹配的至少一个特征;以及
响应于确定所述多个特征中存在与所述预设目标特征匹配的至少一个特征,确定要为当前检索进行所述内容推荐。
5.根据权利要求4所述的方法,其中,所述预设目标特征被配置用于作为训练数据来训练转化率确定模型,所述转化率确定模型用于根据输入的特征确定具有所述特征的用户基于所述关联信息对所述内容推荐进行响应的概率。
6.根据权利要求1至5中任一项所述的方法,还包括:
确定所述关联信息是否被点击以及所述内容推荐是否被响应;以及
基于所述关联信息是否被点击以及所述内容推荐是否被响应,调整所述预设关键词和/或所述关联信息。
7.一种内容推荐装置,包括:
关键词生成模块,被配置为生成用于进行内容推荐的预设关键词;
匹配确定模块,被配置为确定检索关键词与所述预设关键词是否匹配;
内容推荐确定模块,被配置为响应于确定所述检索关键词与所述预设关键词匹配,基于识别信息确定是否要为当前检索进行所述内容推荐;以及
展现模块,被配置为响应于确定要为当前检索进行所述内容推荐,展示关联到所述内容推荐的关联信息。
8.根据权利要求7所述的装置,其中,所述关键词生成模块包括:
第一生成模块,被配置为基于大语言模型生成种子关键词;
第二生成模块,被配置为对所述种子关键词进行扩展以生成候选关键词;以及
选择模块,被配置为选择所述候选关键词中符合预定条件的至少一部分作为所述预设关键词。
9.根据权利要求7或8所述的装置,其中,所述预设关键词被分配对应的关键词标识。
10.根据权利要求7至9中任一项所述的装置,其中,所述内容推荐确定模块包括:
特征确定模块,被配置为基于所述识别信息,确定进行当前检索的用户的多个特征;
第一确定模块,被配置为确定所述多个特征中是否存在与预设目标特征匹配的至少一个特征;以及
第二确定模块,被配置为响应于确定所述多个特征中存在与所述预设目标特征匹配的至少一个特征,确定要为当前检索进行所述内容推荐。
11.根据权利要求10所述的装置,其中,所述预设目标特征被配置用于作为训练数据来训练转化率确定模型,所述转化率确定模型用于根据输入的特征确定具有所述特征的用户基于所述关联信息对所述内容推荐进行响应的概率。
12.根据权利要求7至11中任一项所述的装置,还包括:
点击及响应确定模块,被配置为确定所述关联信息是否被点击以及所述内容推荐是否被响应;以及
调整模块,被配置为基于所述关联信息是否被点击以及所述内容推荐是否被响应,调整所述预设关键词和/或所述关联信息。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269032.5A CN117992675A (zh) | 2024-03-08 | 2024-03-08 | 内容推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269032.5A CN117992675A (zh) | 2024-03-08 | 2024-03-08 | 内容推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117992675A true CN117992675A (zh) | 2024-05-07 |
Family
ID=90893119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269032.5A Pending CN117992675A (zh) | 2024-03-08 | 2024-03-08 | 内容推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117992675A (zh) |
-
2024
- 2024-03-08 CN CN202410269032.5A patent/CN117992675A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
WO2023245938A1 (zh) | 对象推荐方法和装置 | |
WO2023142406A1 (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
US20240104154A1 (en) | Ranking of recall data | |
CN115114424A (zh) | 查询请求的应答方法及装置 | |
CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
CN116541536B (zh) | 知识增强的内容生成***、数据生成方法、设备和介质 | |
CN116841506B (zh) | 程序代码生成方法及装置、模型训练方法及装置 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116450917A (zh) | 信息搜索方法及装置、电子设备和介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN117992675A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN113536120B (zh) | 基于用户行为的兴趣点召回方法和装置 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN113609370B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN112765975B (zh) | 分词岐义处理方法、装置、设备以及介质 | |
CN116244529A (zh) | 兴趣点检索方法、装置、电子设备及存储介质 | |
CN118113934A (zh) | 数据处理方法、装置、电子设备、介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |