CN118277670A - 内容推荐方法、装置、电子设备、介质 - Google Patents

Abstract

本公开提供了一种内容推荐方法、装置、电子设备和介质，涉及数据处理领域，尤其涉及内容推荐和大语言模型领域。方法可以包括：基于操作数据获得操作描述文本；基于工作内容数据获得工作内容描述文本；基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据；以及基于所述工作偏好数据，获得推荐内容。

Description

内容推荐方法、装置、电子设备、介质

技术领域

本公开涉及数据处理技术领域，尤其涉及内容推荐和大语言模型，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

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：基于操作数据获得操作描述文本；基于工作内容数据获得工作内容描述文本；基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据；以及基于所述工作偏好数据，获得推荐内容。

根据本公开的另一方面，提供了一种内容推荐装置，包括：操作描述获得单元，用于基于操作数据获得操作描述文本；工作内容获得单元，用于基于工作内容数据获得工作内容描述文本；偏好生成单元，用于基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据；以及推荐内容获得单元，用于基于所述工作偏好数据，获得推荐内容。

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可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本公开的一个或多个实施例的内容推荐方法。

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，所述计算机指令用于使所述计算机执行根据本公开的一个或多个实施例的内容推荐方法。

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，所述计算机程序在被处理器执行时实现根据本公开的一个或多个实施例的内容推荐方法。

根据本公开的一个或多个实施例，可以更加精准地进行推荐。

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示出了根据本公开的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示出了根据本公开的实施例的内容推荐方法的流程图；

图3示出了根据本公开的另外的实施例的内容推荐的流程图；

图4示出了根据本公开的实施例的操作数据挖掘方法的示意图；

图5A-图5B示出了根据本公开的实施例的各种方法的数据流的示意图；

图6示出了根据本公开的实施例的内容推荐装置的结构框图；

图7示出了能够用于实现本公开的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元件与另一元件区分开。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。

下面将结合附图详细描述本公开的实施例。

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根据本公开的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来进行内容交互、内容推荐等。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。图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

下面参考图2描述根据本公开的示例性实施例的内容推荐方法200。

在步骤S201处，基于操作数据获得操作描述文本。

在步骤S202处，基于工作内容数据获得工作内容描述文本。

可以理解的是，步骤S201和步骤S202中所获得的操作描述文本和工作内容数据都是从公开数据中获取的，或者是经过用户授权后得到的。

在步骤S203处，基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据。

在步骤S204处，基于所述工作偏好数据，获得推荐内容。

根据本公开的实施例所述的方法，能够有效利用大语言模型的计算能力，并且基于用户的操作和工作内容进行推荐，从而能够提升推荐内容的准确性，提升用户体验。

示例性地，工作内容数据可以是用户撰写的工作内容数据，例如可以是工作内容文本或工作内容文档。

根据一些实施例，所述操作数据可以包括至少一个操作的名称与时间。

在这样的实施例中，可以通过名称反应操作的主题，并且通过时间可以反应用户的操作习惯等。从而，可以利用操作的内容和事件信息，向用户进行更精准的推荐。

根据一些实施例，方法还可以包括：获得多个操作；基于重要性条件对所述多个操作进行筛选；以及获得所述多个操作中满足所述重要性条件的操作作为所述至少一个操作。

在这样的实施例中，可以获得满足重要性要求的操作，并且仅基于这样的操作。

根据一些实施例，基于操作数据获得操作描述文本可以包括：基于与所述至少一个操作中的每个操作对应的名称和时间，获得相应的自然语言文本。

在这样的实施例中，可以将对应的操作名称和时间组装为自然语言文本，以便于大语言模型进行处理，从而能够更有效利用大语言模型的处理和分析能力。例如，可以采用模板句型填空的形式获得自然语言文本。

根据一些实施例，所述至少一个操作可以包括以下各项中的至少一项：文档操作、会议操作。

在这样的实施例中，可以通过用户的文档操作和会议操作中提取信息，从而丰富对用户的推荐。例如，文档操作可以包括文档撰写操作、文档修改操作、文档上传操作等。

根据一些实施例，基于工作内容数据获得工作内容描述文本可以包括：基于工作内容数据，通过第二大语言模型，获得工作内容描述文本。

在这样的实施例中，可以通过大语言模型提取工作内容描述文本，从而利用大模型的概括和抽取能力，从可能冗长的工作数据中抽取核心内容。

可以理解的是，虽然贯穿本文中，使用了诸如第一大语言模型、第二大语言模型、第三大语言模型这样的命名方式，但这并不意味着第一大语言模型、第二大语言模型、第三大语言模型必然是不同的模型。采用第一大语言模型、第二大语言模型、第三大语言模型等描述的模型中的两者或多者可以是相同的模型。作为一个具体的非限制性示例，第一大语言模型、第二大语言模型、第三大语言模型可以均为同一模型。

根据一些实施例，所述工作内容数据可以包括周报。

在这样的实施例中，能够利用周报信息，获得与用户已经完成了什么、用户工作习惯，用户打算做什么等相关的信息，从而能够获得更精准的推荐。

根据一些实施例，所述工作偏好数据可以是工作偏好描述文本，并且其中，基于所述工作偏好数据获得推荐内容可以包括：基于所述工作偏好数据描述文本，通过第三大语言模型，获得推荐内容。

在这样的实施例中，能够利用大语言模型来基于工作偏好数据获得推荐内容，从而利用大模型的抽取和概括能力。

根据一些实施例，所述推荐内容可以包括待办事项。由此，能够基于用户的操作和文件，向用户推荐待办事项，从而方便用户的下一步日程。

根据本公开的一个或多个实施例，能够基于文档和会议生成操作信息，基于周报内容抽取工作内容生成用户工作内容信息，基于两者通过大模型生成工作偏好数据。之后，可以基于工作偏好数据和查询语句等来对用户进行推荐。

作为一个可替选的实施例，方法可以包括：获得文档信息、会议信息和周报信息；基于所述文档信息和会议信息生成操作信息；基于所述周报信息抽取工作内容生成用户工作内容信息；以及基于所述操作信息和用户工作内容信息生成工作偏好，所述工作偏好用于向所述用户推荐内容。

示例性地，基于所述文档信息和所述会议信息生成操作信息可以包括：对所述文档信息中的一个或多个文档进行重要性排序；并且基于所述一个或多个文档中的满足重要性等级的至少一个文档生成所述操作信息，由此，可以选择重要的文档信息和会议信息。

示例性地，生成操作信息可以包括将操作信息转换为自然语言。

在企业中，每个员工在使用办公工具的过程中有自己的操作习惯、工作内容偏好和关注的事项，如果能感知到用户的这些工作相关信息，并将其进行存储和记忆，进而将这些信息应用到推荐、智能对话等场景中，使产品更加智能化、提升产品体验，例如信息中记录用户最近关注某个项目，当该项目有重要进展时及时提醒给用户查看，能够让用户及时获取项目进展信息，信息中记录用户最近在上海分公司出差，当用户询问智能对话机器人打印机位置在哪，机器人能够感知用户最近在上海，从而回答用户上海分公司的打印机位置。因此，本公开提出一种基于大语言模型(LLM)的企业员工偏好生成及检索***，首先从用户日常操作数据中挖掘出能代表用户的操作信息，并结合用户基础信息，进而使用LLM生成工作偏好。基于生成的工作偏好，本公开提出基于LLM的信息检索方法，能够根据输入的查询语句检索相关信息，从而灵活的为推荐、搜索等***提供所需对应的信息或推荐内容。

根据本公开的一个或多个实施例，能够根据用户文档、操作等生成用于用户***提醒的工作偏好。

根据本公开的一个或多个实施例，可以构建企业员工偏好生成及检索***，其中偏好生成可以包括两个模块，第一个模块是用户重要操作信息挖掘模块，从大量的操作记录中挖掘到重要的操作信息，第二个模块是用户重要工作内容挖掘，从周报中挖掘用户目前遇到的风险以及未来要做的事情，第三个模块是偏好生成，基于前两个模块挖掘到的操作和内容，使用LLM生成工作偏好。检索***基于生成好的工作偏好以及查询语句，使用LLM检索出相关信息或推荐内容。

下面结合图3描述根据本公开的其他的示例性实施例的推荐方法300的示例性流程图。

在步骤S301处，可以进行重要操作数据挖掘。

根据本公开的实施例，可以主要从用户日常写的文档、参加的会议、写周报操作中挖掘工作偏好。对于文档和会议数据，用户通常在一段时间内编写的文档和参加的会议较多，其中有的文档和会议不能代表用户的偏好或当前关注的工作内容，因此需要对文档和会议进行重要性排序，选取对用户而言最重要的N个文档、会议。以下介绍文档和会议重要性的排序策略。

继续前文的非限制性示例，在所述至少一个操作包括文档操作、会议操作的情况下，下面参考图4描述对用户重要操作数据挖掘的步骤的一个具体的示例，其中操作数据挖掘方法400可以包括步骤S401-S403。可以理解的是，参考图4描述的对操作数据进行获取和筛选的操作数据挖掘方法400可以对应于上述步骤S301，或者也可以对应于上文关于方法200描述的步骤S201的相应变型例，不过本公开不限于此。

返回参考图4，在步骤S401处，进行文档重要性排序。

构建排序特征，包括文档被引用次数、浏览次数、点赞次数、评论数、收藏数、创建时效性特征等，其中创建时效性特征用文档的最后一次更新时间和创建时间差计算获得，根据特征计算出排序分数，然后按照分数递减排序。示例性地，排序分数计算公式可以如下：

score＝(被引次数*被引特征权重+sigmoid(浏览次数,alpha＝0.05)*浏览特征权重+点赞次数*点赞特征权重+评论数*评论特征权重+收藏次数*收藏特征权重-sigmoid(时效性特征，alpha＝0.09)*时效性特征权重)

示例性地，各特征的权重可以分配如下：

权重类型	权重值
		被引特征权重	5
浏览特征权重	3
		点赞特征权重	4
收藏特征权重	4
		时效特征权重	3

在步骤S402处，进行会议重要性排序。

例如，可以构建排序特征，包括会议时长特征、会议文档数、会议用户自己的文档数、参会人数、是否上级参加特征、参会人亲密度特征、创建会议人特征，其中参会人亲密度特征可以指用户和所有参会人之间的亲密分数的平均值。例如，可以采用本领域技术人员能够理解的方式来获取亲密度分数，对此本公开不做赘述。创建会议人特征可以采用如下示例，如果创建会议人是自己则特征值为1，如果创建会议人是自己上级则特征值为1，否则创建会议人特征为亲密度分数。可以理解的是，可以采用其他的创建会议人特征赋值方案，并且本公开不限于此。示例性地，可以根据特征计算出排序分数。作为一个具体的非限制性示例，排序分数计算公式可以如下：

score＝(sigmoid(会议时长特征,alpha＝0.001)*会议时长特征权重+会议文档数*会议文档数特征权重+参会人数*参会人数特征权重+是否上级参加*上级参加特征权重+参会人亲密度特征*亲密度特征权重+创建会议人特征*创建会议人特征权重+会议用户自己文档数*会议用户自己文档数特征权重)

作为一个示例，各特征的权重分配可以如下：

在步骤S403处，将排序获得的文档和会议数据转换为自然语言描述的形式。

例如，可以将筛选后的文档、会议数据，以及写周报的操作以自然语言的形式进行组装和描述，以便于后续LLM理解数据并对用户的工作偏好信息进行抽取。示例性地，各个数据源都基于各自的描述模板进行组装生成。示例性地，模板可以如下：

示例性地，步骤S301可以用于选出用户比较重要的数据，例如从中挖掘操作数据，利用特征、浏览次数、点赞次数等进行重要性排序，选出重要的文档和会议。之后，可以将数据转换为自然语言以用于输入到大模型中。示例性地，该步骤的生成结果可以对应于步骤S303中的“操作信息”。

返回参考图3，在步骤S302处，进行用户重要工作内容挖掘。

以周报作为工作数据的示例，通常周报内容中包含以下方面：已经完成的、正在做的、计划要做的，本公开主要从周报中挖掘用户正在做的并且有风险的事情以及计划要做的事情，这两方面的内容对于用户的价值更大。示例性地，在抽取周报内容中的风险和待办，可以首先构造提示文本(prompt)，通过指令信息指引LLM按照要求抽取风险和***。作为一个具体的非限制性示例，prompt的样式可以如下：

示例性地，该步骤的生成结果可以对应于步骤S303中的“工作内容信息”。

在步骤S303处，进行工作偏好生成。

可以基于生成的操作信息、工作内容信息，使用LLM生成工作偏好，通过构造prompt指引LLM生成。示例性地，总结的维度可以包括以下几点：通过用户文档、会议、周报操作中总结出用户关注的项目、经常合作的对象、用户习惯性的操作，从工作内容中总结用户当前遇到的问题、用户即将要做的事情等等。作为一个具体的非限制性示例，prompt可以如下：

示例性地，上述所生成的“工作习惯/喜好”可以对应于工作偏好。

图5A描述了根据本公开的一些示例性实施例的偏好生成过程的数据流。例如，这里描述的偏好生成过程可以对应于参考图2描述的方法200中的步骤S201-S203，或者可以对应于参考图3描述的方法300中的步骤S301-S303，但本公开不限于此。

返回参考图3，在步骤S304处，进行推荐结果检索。

生成工作偏好数据后，通常信息较多，而下游场景在使用工作偏好数据时不需要所有的工作偏好数据，例如，在文档推荐***中，通常只需要知道用户关注的主题、关注的人有哪些，因此需要从工作偏好数据中提取到用户关注的主题和人，提供给文档推荐***，进而为用户做出推荐。因此如何灵活的、低成本的被下游场景使用也尤为关键。本公开进而提供一种基于LLM的工作偏好数据检索方法，可通过自然语言的形式查询工作偏好数据，为下游场景使用提供方便快捷的入口。作为一个非限制性的示例，检索的prompt可以采用如下所示：

描述工作偏好数据检索过程的数据流示意图可以如图5B所示，并且可以理解，本公开不限于此。

根据本公开的一个或多个实施例，能够通过挖掘用户工作操作和工作内容，使用大语言模型生成工作偏好，并提供对外的工作偏好数据检索能力。示例性地，可以提供一套全自动的工作偏好生成及检索***。

示例性地，贯穿本文，风险的示例可以是“本周进行的意图识别模型训练效果不符合预期，准确率较低”，并且待办的示例可以是“预计下周开展意图识别模型针对性优化，解决准确率较低的问题”，并且可以理解，本公开不限于此。

示例性地，工作偏好数据输出的样式可以形如以下示例，并且可以理解，本公开不限于此：

示例性地，可以在应用时基于工作偏好生成对应的查询结果。例如，这一步可以由推荐***进行，通过推荐***对大模型的接口进行查询。示例性地，查询词可以例如“给这个用户推荐未来做哪些事？”，查询结果可以是对应的推荐内容。

现在参考图6描述根据本公开的实施例的内容推荐装置600。内容推荐装置600可以包括操作描述获得单元601、工作内容获得单元602、偏好生成单元603以及推荐内容获得单元604。操作描述获得单元601可以用于基于操作数据获得操作描述文本。工作内容获得单元602可以用于基于工作内容数据获得工作内容描述文本。偏好生成单元603可以用于基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据。推荐内容获得单元604可以用于基于所述工作偏好数据，获得推荐内容。

根据本公开的实施例所述的装置，能够更加精准地进行推荐。

根据一些实施例，所述操作数据可以包括至少一个操作的名称与时间。

根据一些实施例，装置还可以包括用于以下操作的单元：获得多个操作；基于重要性条件对所述多个操作进行筛选；以及获得所述多个操作中满足所述重要性条件的操作作为所述至少一个操作。

根据一些实施例，基于操作数据获得操作描述文本可以包括：基于与所述至少一个操作中的每个操作对应的名称和时间，获得相应的自然语言文本。

根据一些实施例，所述至少一个操作可以包括以下各项中的至少一项：文档操作、会议操作。

根据一些实施例，基于工作内容数据获得工作内容描述文本可以包括：基于工作内容数据，通过第二大语言模型，获得工作内容描述文本。

根据一些实施例，所述工作内容数据可以包括周报。

根据一些实施例，所述工作偏好数据可以是工作偏好描述文本，并且其中，基于所述工作偏好数据获得推荐内容可以包括：基于所述工作偏好数据描述文本，通过第三大语言模型，获得推荐内容。

根据一些实施例，所述推荐内容可以包括待办事项。

本公开的技术方案中，所涉及的用户个人信息的收集、获取，存储、使用、加工、传输、提供和公开应用等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706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707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708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如方法200和/或300及其变型例等。例如，在一些实施例中，方法200和/或300及其变型例等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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法200和/或300及其变型例等的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和/或300及其变型例等。

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)、复杂可编程逻辑设备(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)和互联网。

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。

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 (21)

1.一种内容推荐方法，包括：

基于输入的操作数据获得操作描述文本；

基于工作内容数据获得工作内容描述文本；

基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据；以及

基于所述工作偏好数据，获得对应的推荐内容。

2.根据权利要求1所述的方法，其中，所述操作数据包括至少一个操作的名称与时间。

3.根据权利要求2所述的方法，还包括：

获得多个操作；

基于重要性条件对所述多个操作进行筛选；以及

获得所述多个操作中满足所述重要性条件的操作作为所述至少一个操作。

4.根据权利要求2或3所述的方法，其中，基于操作数据获得操作描述文本包括：基于与所述至少一个操作中的每个操作对应的名称和时间，获得相应的自然语言文本。

5.根据权利要求2-4中任一项所述的方法，其中，所述至少一个操作包括以下各项中的至少一项：文档操作、会议操作。

6.根据权利要求1-5中任一项所述的方法，其中，基于工作内容数据获得工作内容描述文本包括：

基于工作内容数据，通过第二大语言模型，获得工作内容描述文本。

7.根据权利要求6所述的方法，其中，所述工作内容数据包括周报数据。

8.根据权利要求1-7中任一项所述的方法，其中，所述工作偏好数据是工作偏好描述文本，并且其中，基于所述工作偏好数据获得推荐内容包括：基于所述工作偏好数据描述文本，通过第三大语言模型，获得推荐内容。

9.根据权利要求1-8中任一项所述的方法，其中，所述推荐内容包括待办事项。

10.一种内容推荐装置，包括：

操作描述获得单元，用于基于操作数据获得操作描述文本；

工作内容获得单元，用于基于工作内容数据获得工作内容描述文本；

偏好生成单元，用于基于所述操作描述文本和所述工作内容描述文本，通过第一大语言模型，生成工作偏好数据；以及

推荐内容获得单元，用于基于所述工作偏好数据，获得推荐内容。

11.根据权利要求10所述的装置，其中，所述操作数据包括至少一个操作的名称与时间。

12.根据权利要求11所述的装置，还包括用于以下操作的单元：

获得多个操作；

基于重要性条件对所述多个操作进行筛选；以及

获得所述多个操作中满足所述重要性条件的操作作为所述至少一个操作。

13.根据权利要求11或12所述的装置，其中，基于操作数据获得操作描述文本包括：基于与所述至少一个操作中的每个操作对应的名称和时间，获得相应的自然语言文本。

14.根据权利要求11-13中任一项所述的装置，其中，所述至少一个操作包括以下各项中的至少一项：文档操作、会议操作。

15.根据权利要求10-14中任一项所述的装置，其中，基于工作内容数据获得工作内容描述文本包括：

基于工作内容数据，通过第二大语言模型，获得工作内容描述文本。

16.根据权利要求15所述的装置，其中，所述工作内容数据包括周报数据。

17.根据权利要求10-16中任一项所述的装置，其中，所述工作偏好数据是工作偏好描述文本，并且其中，基于所述工作偏好数据获得推荐内容包括：基于所述工作偏好数据描述文本，通过第三大语言模型，获得推荐内容。

18.根据权利要求10-17中任一项所述的装置，其中，所述推荐内容包括待办事项。

19.一种电子设备，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权利要求1-9中任一项所述的方法。

20.一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所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，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权利要求1-9中任一项所述的方法。