内容推荐方法、装置、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、存储介质和计算机设备，所述内容推荐方法包括：获取目标用户数据和多个推荐内容；所述多个推荐内容所属类别多于一种；结合所述目标用户数据生成各所述推荐内容相应的联合特征；基于各所述联合特征获得相应推荐内容的预测推荐收益值；根据所述多个推荐内容各自的预测推荐收益值，确定所述多个推荐内容的推荐排序；在所述推荐排序下属于不同类别的推荐内容交叉排列；按照所述推荐排序从所述多个推荐内容中挑选推荐内容进行推荐。本申请提供的方案实现用户对多样性需求的个性化。

Content recommendation methods, devices, storage media and computer equipment

【技术实现步骤摘要】
内容推荐方法、装置、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、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，在处理完后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等。然而，目前的内容推荐方式主要是依赖于人工筛选的方式来为目标用户选择内容进行推荐，人工筛选则主要依赖于认为的主观判断，不同的人对于不同用户的选择策略有所不同，未能实现用户对多样性需求的个性化。
技术实现思路
基于此，有必要针对目前的内容推荐方式未能实现用户对多样性需求的个性化的技术问题，提供一种内容推荐方法、装置、存储介质和计算机设备。一种内容推荐方法，包括：获取目标用户数据和多个推荐内容；所述多个推荐内容所属类别多于一种；结合所述目标用户数据生成各所述推荐内容相应的联合特征；基于各所述联合特征获得相应推荐内容的预测推荐收益值；根据所述多个推荐内容各自的预测推荐收益值，确定所述多个推荐内容的推荐排序；在所述推荐排序下属于不同类别的推荐内容交叉排列；按照所述推荐排序从所述多个推荐内容中挑选推荐内容进行推荐。一种内容推荐装置，包括：获取模块，用于获取目标用户数据和多个推荐内容；所述多个推荐内容所属类别多于一种；生成模块，用于结合所述目标用户数据生成各所述推荐内容相应的联合特征；处理模块，用于基于各所述联合特征获得相应推荐内容的预测推荐收益值；确定模块，用于根据所述多个推荐内容各自的预测推荐收益值，确定所述多个推荐内容的推荐排序；在所述推荐排序下属于不同类别的推荐内容交叉排列；推荐模块，用于按照所述推荐排序从所述多个推荐内容中挑选推荐内容进行推荐。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，在进行推荐内容推荐时，推荐的是多种不同类别的推荐内容；而且，对于各推荐内容，均是联合了目标用户的用户数据来生成各自针对目标用户的个性化特征，继而可以根据各推荐内容的个性化特征更准确地获得相应推荐内容的预测推荐收益值，从而依据这些推荐内容各自的预测推荐收益值来进行推荐排序。其中，在推荐排序下属于不同类别的推荐内容是交叉进行排列的，这样使得在进行推荐内容推荐时既实现了推荐的多样性需求，又大大地提高了推荐的准确性。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为一个实施例中进入推荐内容展示页面之前的界面示意图；图4为一个实施例中推荐内容展示页面的界面示意图；图5为一个实施例中推荐内容展示页面滑动前后的对比示意图；图6为另一个实施例中推荐内容展示页面滑动前后的对比示意图；图7为一个实施例中训练预测模型的原理示意图；图8为一个实施例中分别使用初步训练得到的预测模型和二次训练得到的预测模型在预测推荐排序上的对比示意图；图9为一个实施例中强化学习的原理示意图；图10为一个实施例中多样性收益函数的示意图；图11为一个实施例中产生多样性收益的示意图；图12为一个实施例中模型训练方法和内容推荐方法结合的流程示意图；图13为一个实施例中内容推荐装置的结构框图；图14为另一个实施例中内容推荐装置的结构框图；图15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。需要说明的是，本申请实施例是应用于推荐场景下解决多样性推荐问题的技术方案。推荐场景下的多样性推荐问题，是指如何实现将不同类别的推荐内容按照合理的顺序推荐的问题。可以理解，在将不同类别的推荐内容按照不同的顺序推荐时，用户在浏览推荐内容时可能会产生不同的浏览行为数据。比如，在新闻推荐的场景下，首先推荐了3篇IT类新闻和1篇社会类新闻，用户点击了其中1篇IT类新闻，接着又推荐了2篇IT类新闻，此时由于IT类新闻过多大概率会导致用户厌倦，只点击其中1篇或者不再点击。假设，接着推荐的是1篇金融类新闻和1篇娱乐类新闻，类别的多样性增加给了用户惊喜导致用户都发生了点击。这样，明显可以看出，后一种推荐顺序的推荐收益要高于前一种推荐顺序的推荐收益。另外，后一种推荐顺序中用户点击的新闻的类别比后一种推荐顺序中用户点击的新闻的类别更具多样性。需要说明的是，本申请实施例中所涉及的多样性是指推荐内容所属类别的多样化，以及在进行推荐内容推荐时类别分布的多样化。具体地，本申请实施例中，根据各推荐内容的联合特征来获得相应的预测推荐收益值，以根据预测推荐收益值来进行推荐排序，在该推荐排序下属于不同类别的推荐内容交叉排列，从而实现进行推荐内容推荐时类别分布的多样化。在一个实施例中，具体可通过模型来根据各推荐内容的联合特征确定各推荐内容各自的预测推荐收益值。其中，模型在训练时，训练标签的设计兼顾点击参数和点击内容所属类别，能够很好地训练出对点击率与多样性协同预测的模型。举例说明，在对目标用户进行新闻推荐时，推荐娱乐类、金融类、体育类以及社会类等多种类别的新闻；而且在推荐顺序上可推荐几条娱乐新闻后，推荐体育新闻，然后再推荐社会新闻，以将多种不同类别的文章穿插推荐。在一个实施例中，在模型训练时，在训练数据量足够丰富、且用户覆盖度足够广的条件下，迭代的次数足够多，可以一次即训练到模型收敛的稳定状态，此时模型学习到的是较好的预测策略，也就是说，通过该模型可以确定不同类别的推荐内容的合理推荐顺序。在迭代的次数不够时，可以先对模型进行初步训练，此时，模型学习到的可能不是较好的预测策略；再使用该初步训练得到的模型进行一段时间的测试推荐，得到新的可用于训练模型的数据后，对模型进行进一步训练，以学习到更优的预测策略。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，获取目标用户数据和多个推荐内容；多个推荐内容所属类别多于一种。其中，目标用户数据包括目标用户的用户基础数据和/或用户行为数据等。用户基础数据是反映用户基础属性的数据。用户基础数据比如用户的年龄、性别、所在地理位置、学历和喜好等特征。用户行为数据是反映用户行为特征的数据。用户行为数据比如目标用户本文档来自技高网...

【技术保护点】
1.一种内容推荐方法，包括：获取目标用户数据和多个推荐内容；所述多个推荐内容所属类别多于一种；结合所述目标用户数据生成各所述推荐内容相应的联合特征；基于各所述联合特征获得相应推荐内容的预测推荐收益值；根据所述多个推荐内容各自的预测推荐收益值，确定所述多个推荐内容的推荐排序；在所述推荐排序下属于不同类别的推荐内容交叉排列；按照所述推荐排序从所述多个推荐内容中挑选推荐内容进行推荐。

【技术特征摘要】
1.一种内容推荐方法，包括：获取目标用户数据和多个推荐内容；所述多个推荐内容所属类别多于一种；结合所述目标用户数据生成各所述推荐内容相应的联合特征；基于各所述联合特征获得相应推荐内容的预测推荐收益值；根据所述多个推荐内容各自的预测推荐收益值，确定所述多个推荐内容的推荐排序；在所述推荐排序下属于不同类别的推荐内容交叉排列；按照所述推荐排序从所述多个推荐内容中挑选推荐内容进行推荐。2.根据权利要求1所述的方法，其特征在于，所述获取目标用户数据和多个推荐内容，包括：当接收到目标终端在开启推荐内容展示页面时发起的推荐请求时，则从与所述目标终端对应的用户数据库中，获取与所述目标终端对应的用户基础数据和历史的推荐内容浏览数据；从推荐内容库中获取多个类别下的多个推荐内容。3.根据权利要求2所述的方法，其特征在于，所述多个推荐内容的推荐排序为第一推荐排序；所述方法还包括：当接收到所述目标终端在产生页面滑动指令时发起的推荐请求时，则获取自上次发起推荐请求的时间节点至当前时间节点新增的推荐内容浏览数据；结合新增的推荐内容浏览数据重新生成剩余的推荐内容相应的联合特征：所述剩余的推荐内容，包括所述多个推荐内容中尚未在所述推荐内容展示页面中展示的推荐内容；基于重新生成的各所述联合特征获得相应推荐内容的预测推荐收益值；根据所述剩余的推荐内容各自的预测推荐收益值，确定所述剩余的推荐内容的第二推荐排序；所述第二推荐排序异于所述第一推荐排序；按照所述第二推荐排序从所述剩余的推荐内容中挑选推荐内容进行推荐。4.根据权利要求1所述的方法，其特征在于，所述按照所述推荐排序从所述多个推荐内容中挑选推荐内容推荐至目标终端，包括：获取所述目标用户数据相应目标终端所对应的推荐数量；从所述推荐排序下的推荐内容中的首个推荐内容起，按照所述推荐排序挑选所述推荐数量的推荐内容推荐至所述目标终端。5.根据权利要求1所述的方法，其特征在于，所述基于各所述联合特征获得相应推荐内容的预测推荐收益值，包括：将各所述联合特征输入预测模型，得到相应推荐内容的预测推荐收益值；所述预测模型的训练样本为连续推荐的历史推荐内容的联合特征；所述训练样本的训练标签与所述连续推荐的历史推荐内容的点击参数及所属的类别相关。6.根据权利要求5所述的方法，其特征在于，所述预测模型的训练步骤包括：获取按照历史推荐顺序排列的历史推荐内容序列；结合各所述历史推荐内容相应用户标识所对应的用户数据，生成各所述历史推荐内容相应的联合特征；按照所述历史推荐顺序依次将所述历史推荐内容序列中的历史推荐内容作为当前历史推荐内容，并将所述当前历史推荐内容和所述当前历史推荐内容后连续多个历史推荐内容的联合特征，共同作为预测模型的训练样本；根据所述当前历史推荐内容和所述当前历史推荐内容后连续多个历史推荐内容各自的点击参数、及各自所属的类别，得到所述训练样本相应的训练标签；根据各所述训练样本和相应的训练标签训练所述预测模型。7.根据权利要求6所述的方法，其特征在于，所述训练样本为初步训练样本；所述根据各所述训练样本和相应的训练标签训练所述预测模型，包括：将所述初步训练样本输入初始的预测模型，得到所述初步训练样本的训练预测推荐收益值；按照所述初步训练样本的训练预测推荐收益值与训练标签的差异，调整所述预测模型的模型参数并继续训练，直至满足初步训练停止条件时结束训练。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：采用初步训练得到的预测模型进行推荐测试，得到测试推荐内容序列，以及对应所述测试推荐内容序列产生的测试推荐内容浏览数...

【专利技术属性】
技术研发人员：何磊，王瑞，夏锋，林乐宇，杜立寰，
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