内容推荐方法、装置、计算机可读存储介质和计算机设备制造方法及图纸

本申请涉及一种内容推荐方法、装置、计算机可读存储介质和计算机设备，方法包括：获取目标推荐内容的第一特征；第一特征根据目标推荐内容的种子用户的用户特征数据得到；根据第一特征确定目标推荐内容在类别集合中所属的目标类别；类别集合中的类别，根据历史推荐内容的第二特征对历史推荐内容聚类得到；第二特征根据历史推荐内容的点击用户的用户特征数据得到；确定目标类别下的推荐预测模型；推荐预测模型根据目标类别下的历史推荐内容的第二特征训练得到；根据候选用户集合中各候选用户的用户特征数据，通过推荐预测模型从候选用户集合中筛选目标用户，推荐目标推荐内容。本申请提供的方案可以提高推荐准确率。

Content recommendation methods, devices, computer readable storage media and computer equipment

【技术实现步骤摘要】
内容推荐方法、装置、计算机可读存储介质和计算机设备
本申请涉及计算机
，特别是涉及一种内容推荐方法、装置、计算机可读存储介质和计算机设备。
技术介绍
随着计算机技术的飞速发展，越来越多的内容需要通过计算机处理来获取，再通过网络进行传输，而且越来越多的场景下需要对用户进行内容推荐。比如新闻、视频或者广告的推荐。然而，目前的内容推荐方式依赖于内容提供方对待推荐内容的描述，来选择目标用户进行推荐，在待推荐内容描述不够详尽的时候往往准确地进行推荐，导致内容推荐的准确率低下。
技术实现思路
基于此，有必要针对目前内容推荐的准确率低下的技术问题，提供一种内容推荐方法、装置、计算机可读存储介质和计算机设备。一种内容推荐方法，包括：获取目标推荐内容的第一特征；所述第一特征根据所述目标推荐内容的种子用户的用户特征数据得到；根据所述第一特征确定所述目标推荐内容在类别集合中所属的目标类别；所述类别集合中的类别，根据历史推荐内容的第二特征对所述历史推荐内容聚类得到；所述第二特征根据所述历史推荐内容的点击用户的用户特征数据得到；确定所述目标类别下的推荐预测模型；所述推荐预测模型根据所述目标类别下的历史推荐内容的第二特征训练得到；根据候选用户集合中各候选用户的用户特征数据，通过所述推荐预测模型从所述候选用户集合中筛选目标用户，推荐所述目标推荐内容。一种内容推荐装置，包括：获取模块，用于获取目标推荐内容的第一特征；所述第一特征根据所述目标推荐内容的种子用户的用户特征数据得到；确定模块，用于根据所述第一特征确定所述目标推荐内容在类别集合中所属的目标类别；所述类别集合中的类别，根据历史推荐内容的第二特征对所述历史推荐内容聚类得到；所述第二特征根据所述历史推荐内容的点击用户的用户特征数据得到；确定所述目标类别下的推荐预测模型；所述推荐预测模型根据所述目标类别下的历史推荐内容的第二特征训练得到；推荐模块，用于根据候选用户集合中各候选用户的用户特征数据，通过所述推荐预测模型从所述候选用户集合中筛选目标用户，推荐所述目标推荐内容。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述内容推荐方法的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述内容推荐方法的步骤。上述内容推荐方法、装置、计算机可读存储介质和计算机设备，对于一个待推荐的目标推荐内容，通过该目标推荐内容的种子用户的用户特征数据来表征该目标推荐内容的特征，不再依赖于内容提供方提供的描述信息；继而根据该特征确定目标推荐内容在类别集合中所属的目标类别，再确定目标类别下的推荐预测模型，以根据候选用户集合中各候选用户的用户特征数据，通过这些推荐预测模型从候选用户集合中筛选目标用户进行推荐，提高了内容推荐的准确性。而且，其中类别集合包括的类别，根据历史推荐内容的第二特征对历史推荐内容聚类得到，推荐预测模型也是根据目标类别下的历史推荐内容的第二特征训练得到，该第二特征是根据历史推荐内容的点击用户的用户特征数据得到，也就是说分类类别和模型训练都是根据实际用户而非种子用户的特征得到，实际用户更能够反映推荐内容在实际推荐中的受众特征，从而提高了推荐内容分类的准确性，进一步提高了内容推荐的准确性。附图说明图1为一个实施例中内容推荐方法的应用环境图；图2为一个实施例中内容推荐方法的流程示意图；图3为一个实施例中对历史推荐内容进行聚类的原理示意图；图4为一个实施例中训练类别预测模型的原理示意图；图5为一个实施例中进行推荐预测的原理示意图；图6为一个实施例中内容推荐方法的原理示意图；图7为一个实施例中展示推荐内容的界面示意图；图8为一个实施例中内容推荐装置的结构框图；图9为另一个实施例中内容推荐装置的结构框图；图10为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。图1为一个实施例中内容推荐方法的应用环境图。参照图1，该内容推荐方法应用于内容推荐系统。该内容推荐系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端110和服务器120均可独立用于执行该内容推荐方法，终端110和服务器120也可协同用于执行该内容推荐方法。如图2所示，在一个实施例中，提供了一种内容推荐方法。本实施例主要以该方法应用于计算机设备来举例说明，该计算机设备具体可以是上述图1中的终端110或服务器120。参照图2，该内容推荐方法具体包括如下步骤：S202，获取目标推荐内容的第一特征；第一特征根据目标推荐内容的种子用户的用户特征数据得到。其中，目标推荐内容是待向用户推荐的内容。内容具体可以是推广信息、应用程序、视频、音频、新闻或者商品等。其中，推广信息具体可以是广告等。举例说明，目标推荐内容具体可以是目标广告，目标广告是指尚未进行投放而正在挑选目标用户来进行投放的广告。目标推荐内容的种子用户是专门为目标推荐内容挑选的相关度高的用户。理论上认为目标推荐内容曝光给目标推荐内容的种子用户时，目标推荐内容的种子用户大概率会进一步点击查看该目标推荐内容。其中，曝光是指用户收到目标推荐内容的推荐并且浏览到该目标推荐内容的场景，进一步点击查看是指用户在浏览目标推荐内容的基础上点击查看该目标推荐内容的场景。用户特征数据是反映用户特性的数据。用户特征数据包括用户行为数据。用户行为数据是反映用户行为特征的数据。用户行为数据比如社交行为数据等。社交行为数据比如社交会话数据、社交消息发布数据或者社交消息评论信息等。用户特征数据还可包括用户基础数据。用户基础数据是反映用户基础属性的数据。用户基础数据比如性别、年龄或者学历等。具体地，计算机设备可确定目标推荐内容的种子用户，获取这些种子用户的用户特征数据，根据这些用户特征数据计算得到一个特征数据，将该特征数据作为目标推荐内容的第一特征，来表征目标推荐内容的特性。可以理解，由于目标推荐内容的种子用户，是还未推荐该目标推荐内容时，根据先验知识和经验挑选出来的、大概率会对该目标推荐内容感兴趣，也就是大概率会进一步点击查看该目标推荐内容的用户。那么在该目标推荐内容的描述信息不准确或者没有描述信息的场景下，该目标推荐内容的种子用户的特征能够在一定程度上反映出该目标推荐内容的特征，故在本实施例中根据目标推荐内容的种子用户的用户特征数据得到目标推荐内容的第一特征。S204，根据第一特征确定目标推荐内容在类别集合中所属的目标类别；类别集合中的类别，根据历史推荐内容的第二特征对历史推荐内容聚类得到；第二特征根据历史推荐内容的点击用户的用户特征数据得到。可以理解，类别集合是对历史推荐内容进行分类得到的类别的集合。对目标推荐内容的分类即为将目标推荐内容分类为该类别集合中的其中一个类别。其中，历史推荐内容是指已经进行过推荐且收集到用户反馈的推荐内容。对历史本文档来自技高网...

【技术保护点】
1.一种内容推荐方法，包括：获取目标推荐内容的第一特征；所述第一特征根据所述目标推荐内容的种子用户的用户特征数据得到；根据所述第一特征确定所述目标推荐内容在类别集合中所属的目标类别；所述类别集合中的类别，根据历史推荐内容的第二特征对所述历史推荐内容聚类得到；所述第二特征根据所述历史推荐内容的点击用户的用户特征数据得到；确定所述目标类别下的推荐预测模型；所述推荐预测模型根据所述目标类别下的历史推荐内容的第二特征训练得到；根据候选用户集合中各候选用户的用户特征数据，通过所述推荐预测模型从所述候选用户集合中筛选目标用户，推荐所述目标推荐内容。

【技术特征摘要】
1.一种内容推荐方法，包括：获取目标推荐内容的第一特征；所述第一特征根据所述目标推荐内容的种子用户的用户特征数据得到；根据所述第一特征确定所述目标推荐内容在类别集合中所属的目标类别；所述类别集合中的类别，根据历史推荐内容的第二特征对所述历史推荐内容聚类得到；所述第二特征根据所述历史推荐内容的点击用户的用户特征数据得到；确定所述目标类别下的推荐预测模型；所述推荐预测模型根据所述目标类别下的历史推荐内容的第二特征训练得到；根据候选用户集合中各候选用户的用户特征数据，通过所述推荐预测模型从所述候选用户集合中筛选目标用户，推荐所述目标推荐内容。2.根据权利要求1所述的方法，其特征在于，所述获取目标推荐内容的第一特征，包括：确定目标推荐内容和为所述目标推荐内容挑选的种子用户；将各种子用户的用户特征数据向量化，得到各种子用户的特征向量；根据各所述特征向量计算得到所述目标推荐内容的第一特征。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征确定所述目标推荐内容在类别集合中所属的目标类别，包括：将所述第一特征输入类别预测模型；所述类别预测模型以历史推荐内容的第一特征为模型输入、以所述历史推荐内容所属的类别为训练标签训练得到；所述历史推荐内容所属的类别根据所述历史内容的第二特征得到；通过所述类别预测模型对所述第一特征进行处理，得到所述目标推荐内容在类别集合中所属的目标类别。4.根据权利要求3所述的方法，其特征在于，所述类别预测模型的训练步骤包括：获取历史推荐内容集合；根据所述历史推荐内容集合中各历史推荐内容的第二特征，对所述历史推荐内容集合中的历史推荐内容进行聚类，得到多个类别；所述类别集合为所述多个类别的集合；将各所述历史推荐内容的第一特征作为训练样本，并将各所述历史推荐内容在聚类后所属的类别作为相应的训练标签；根据所述训练样本和相应的训练标签，训练得到类别预测模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述历史推荐内容集合中各历史推荐内容的第二特征，对所述历史推荐内容集合中的历史推荐内容进行聚类，得到多个类别，包括：确定所述历史推荐内容集合中各历史推荐内容的点击用户；将各点击用户的用户特征数据向量化，得到各点击用户的特征向量；由各历史推荐内容的点击用户的特征向量得到各历史推荐内容的第二特征；根据各历史推荐内容的第二特征，对所述历史推荐内容集合中的历史推荐内容进行聚类，得到多个类别；每个类别至少包括一个历史推荐内容。6.根据权利要求1所述的方法，其特征在于，所述确定所述目标类别下的推荐预测模型，包括：查询属于所述目标类别的历史推荐内容；确定查询到的所述历史推荐内容所对应的推荐预测模型；其中，所述查询到的所述历史推荐内容所对应的推荐预测模型，根据查询到的所述历史推荐内容的浏览用户和点击用户的用户特征数据训练得到。7.根据权利要求6所述的方法，其特征在于，所述历史推荐内容所对应的推荐预测模型的训练步骤包括：确定所述历史推荐内容的浏览用户和点击用户；将所述浏览用户的用户特征数据作为负训练样本，并将所述点击用户的用户特征数据作为正训练样本；根据所述负训练样本和所...

【专利技术属性】
技术研发人员：宋重钢，廖君，张功源，陈虹钊，凌国惠，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44