内容项推荐方法、装置、服务器及存储介质制造方法及图纸

本公开提供了一种内容项推荐方法、装置、服务器及存储介质，属于互联网技术领域。所述方法包括：获取目标用户的流行度偏好分数和每个候选内容项的流行度分数；根据流行度偏好分数和每个候选内容项的流行度分数，确定每个候选内容项的流行度偏好匹配分数；根据每个候选内容项的初始排序分数和流行度偏好匹配分数，确定每个候选内容项的最终排序分数；基于多个候选内容项的最终排序分数所确定的推荐顺序，向目标用户推荐多个候选内容项。本公开结合了用户对流行内容项的偏好以及每个内容项的流行程度，充分考虑了流行度在不同方面对推荐结果产生的影响，相比单纯地依赖流行度或用户的偏好，推荐结果较佳。推荐结果较佳。推荐结果较佳。

【技术实现步骤摘要】
内容项推荐方法、装置、服务器及存储介质


[0001]本公开涉及互联网
，特别涉及一种内容项推荐方法、装置、服务器及存储介质。

技术介绍

[0002]在互联网
，流行度偏差是指热门内容项能够获得较多的推荐机会，变得越来越流行，长尾内容项只能获得较少的推荐机会，变得越来越不流行的现象。流行度偏差作为推荐系统普遍存在的问题，不仅损害了用户的个性化体验，而且不利于推荐平台的健康发展。
[0003]为了消除流行度偏差对推荐结果产生的影响，相关技术在模型训练阶段，基于流行度隐式表征向量和兴趣隐式表征向量，训练内容项推荐模型，在内容项推荐阶段，只基于用户的兴趣隐式表征向量进行候选内容项的推荐。
[0004]然而，将推荐过程与流行度解耦，虽然达到了消除流行度偏差的目的，但是完全忽视了流行度对用户选择的关键性作用，尤其是，在冷启动阶段，热门内容项对许多新用户有着很好的引导作用，相关技术完全消除流行度偏差并不能获得较佳的推荐效果。因此，为了提高内容项的推荐效果，亟需提供一种新的内容项推荐方法。

技术实现思路

[0005]本公开实施例提供了一种内容项推荐方法、装置、服务器及存储介质，能够提高内容项的推荐效果。所述技术方案如下：
[0006]第一方面，提供了一种内容项的推荐方法，所述方法包括：
[0007]响应于目标用户的内容项获取请求，获取多个候选内容项，每个候选内容项对应一个初始排序分数；
[0008]获取所述目标用户的流行度偏好分数和每个候选内容项的流行度分数；/>[0009]根据所述流行度偏好分数和每个候选内容项的流行度分数，确定每个候选内容项的流行度偏好匹配分数，所述流行度偏好匹配分数用于表征候选内容项与所述目标用户偏好的流行内容项之间的匹配程度；
[0010]根据每个候选内容项的初始排序分数和流行度偏好匹配分数，确定每个候选内容项的最终排序分数；
[0011]基于所述多个候选内容项的最终排序分数所确定的推荐顺序，向所述目标用户推荐所述多个候选内容项。
[0012]在本公开的另一个实施例中，所述获取所述目标用户的流行度偏好分数，包括：
[0013]当所述目标用户为冷启动用户，将预设流行度偏好分数确定为所述流行度偏好分数。
[0014]在本公开的另一个实施例中，所述获取所述目标用户的流行度偏好分数，包括：
[0015]当所述目标用户为非冷启动用户，获取所述目标用户的正反馈流行内容项序列、
负反馈流行内容项序列及所述目标用户的用户画像，所述正反馈流行内容项序列包括所述目标用户实施过正向操作的多个流行内容项，所述负反馈内容项序列包括所述目标用户实施过负向操作的多个流行内容项；
[0016]从所述正反馈流行内容项序列、所述负反馈流行内容项序列及所述用户画像中分别提取正反馈流行内容项特征、负反馈流行内容项特征及用户特征；
[0017]基于所述正反馈流行内容项特征、所述负反馈流行内容项特征及所述用户特征，生成所述目标用户的流行度偏好特征向量；
[0018]调用用户流行度偏好模型，对所述流行度偏好特征向量进行处理，得到所述目标用户的流行度偏好分数，所述用户流行度偏好模型用于确定出任一用户的流行度偏好分数。
[0019]在本公开的另一个实施例中，所述用户流行度偏好模型的训练过程为：
[0020]获取多个样本用户的样本正反馈流行内容项序列、样本负反馈流行内容项序列及所述多个样本用户的样本用户画像，所述样本正反馈流行内容项序列包括样本用户实施过正向操作的多个流行内容项，所述样本负反馈内容项序列包括样本用户实施过负向操作的多个流行内容项；
[0021]从每个样本用户的样本正反馈流行内容项序列、样本负反馈流行内容项序列及样本用户画像中分别提取样本正反馈流行内容项特征、样本负反馈流行内容项特征及样本用户特征；
[0022]基于每个样本用户的样本正反馈流行内容项特征、样本负反馈流行内容项特征及样本用户特征，生成每个样本用户的流行度偏好特征向量；
[0023]基于所述多个样本用户的样本流行度偏好特征向量，对初始用户流行度偏好模型进行训练，得到所述用户流行度偏好模型。
[0024]在本公开的另一个实施例中，所述获取每个候选内容项的流行度分数，包括：
[0025]获取每个候选内容项的内容信息和展示信息；
[0026]从每个候选内容项的内容信息和展示信息中分别提取内容特征和展示特征；
[0027]基于每个候选内容项的内容特征和展示特征，生成每个候选内容项的流行度特征向量；
[0028]调用流行度预估模型，对每个候选内容项的流行度特征向量进行处理，得到每个候选内容项的流行度分数，所述流行度预估模型用于确定出任一内容项的流行度分数。
[0029]在本公开的另一个实施例中，所述流行度预估模型的训练过程为：
[0030]获取多个样本流行内容项，每个样本流行内容项包括样本内容信息和样本展示信息；
[0031]从每个样本流行内容项的样本内容信息和样本展示信息中分别提取样本内容特征和样本展示特征；
[0032]基于每个样本流行内容项的样本内容特征和样本展示特征，生成每个样本流行内容项的样本流行度特征向量；
[0033]基于所述多个样本流行内容项的样本流行度特征向量，对初始流行度预估模型进行训练，得到所述流行度预估模型。
[0034]在本公开的另一个实施例中，所述根据所述流行度偏好分数和每个候选内容项的
流行度分数，确定每个候选内容项的流行度偏好匹配分数，包括：
[0035]基于所述流行度偏好分数和每个候选内容项的流行度分数，计算流行度偏好匹配函数的函数值，作为每个候选内容项的流行度偏好匹配分数，所述流行度偏好匹配函数用于表征用户的流行度偏好分数、内容项的流行度分数与内容项的流行度偏好匹配分数之间的对应关系。
[0036]在本公开的另一个实施例中，所述流行度偏好分数包括所述目标用户对不同类型的流行内容项的流行度偏好分数，所述根据所述流行度偏好分数和每个候选内容项的流行度分数，确定每个候选内容项的流行度偏好匹配分数，包括：
[0037]根据每个候选内容项所属的类型，从所述流行度偏好分数中，获取每个候选内容项对应的同类型的流行度偏好分数；
[0038]基于每个候选内容项的流行度分数和同类型的流行度偏好分数，计算流行度偏好匹配函数的函数值，作为每个候选内容项的流行度偏好匹配分数，所述流行度偏好匹配函数用于表征用户的流行度偏好分数、内容项的流行度分数与内容项的流行度偏好匹配分数之间的对应关系。
[0039]在本公开的另一个实施例中，所述根据每个候选内容项的初始排序分数和流行度偏好匹配分数，确定每个候选内容项的最终排序分数，包括：
[0040]将每个候选内容项对应的初始排序分数和流行度偏好匹配分数相加，作为每个候选内容项的最终排序分数；或者，
[0041]将每个候选内容项对应的初始排本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种内容项推荐方法，其特征在于，所述方法包括：响应于目标用户的内容项获取请求，获取多个候选内容项，每个候选内容项对应一个初始排序分数；获取所述目标用户的流行度偏好分数和每个候选内容项的流行度分数；根据所述流行度偏好分数和每个候选内容项的流行度分数，确定每个候选内容项的流行度偏好匹配分数，所述流行度偏好匹配分数用于表征候选内容项与所述目标用户偏好的流行内容项之间的匹配程度；根据每个候选内容项的初始排序分数和流行度偏好匹配分数，确定每个候选内容项的最终排序分数；基于所述多个候选内容项的最终排序分数所确定的推荐顺序，向所述目标用户推荐所述多个候选内容项。2.根据权利要求1所述的方法，其特征在于，所述获取所述目标用户的流行度偏好分数，包括：当所述目标用户为冷启动用户，将预设流行度偏好分数确定为所述流行度偏好分数。3.根据权利要求1所述的方法，其特征在于，所述获取所述目标用户的流行度偏好分数，包括：当所述目标用户为非冷启动用户，获取所述目标用户的正反馈流行内容项序列、负反馈流行内容项序列及所述目标用户的用户画像，所述正反馈流行内容项序列包括所述目标用户实施过正向操作的多个流行内容项，所述负反馈内容项序列包括所述目标用户实施过负向操作的多个流行内容项；从所述正反馈流行内容项序列、所述负反馈流行内容项序列及所述用户画像中分别提取正反馈流行内容项特征、负反馈流行内容项特征及用户特征；基于所述正反馈流行内容项特征、所述负反馈流行内容项特征及所述用户特征，生成所述目标用户的流行度偏好特征向量；调用用户流行度偏好模型，对所述流行度偏好特征向量进行处理，得到所述目标用户的流行度偏好分数，所述用户流行度偏好模型用于确定出任一用户的流行度偏好分数。4.根据权利要求3所述的方法，其特征在于，所述用户流行度偏好模型的训练过程为：获取多个样本用户的样本正反馈流行内容项序列、样本负反馈流行内容项序列及所述多个样本用户的样本用户画像，所述样本正反馈流行内容项序列包括样本用户实施过正向操作的多个流行内容项，所述样本负反馈内容项序列包括样本用户实施过负向操作的多个流行内容项；从每个样本用户的样本正反馈流行内容项序列、样本负反馈流行内容项序列及样本用户画像中分别提取样本正反馈流行内容项特征、样本负反馈流行内容项特征及样本用户特征；基于每个样本用户的样本正反馈流行内容项特征、样本负反馈流行内容项特征及样本用户特征，生成每个样本用户的流行度偏好特征向量；基于所述多个样本用户的样本流行度偏好特征向量，对初始用户流行度偏好模型进行训练，得到所述用户流行度偏好模型。5.根据权利要求1所述的方法，其特征在于，所述获取每个候选内容项的流行度分数，
包括：获取每个候选内容项的内容信息和展示信息；从每个候选内容项的内容信息和展示信息中分别提取内容特征和展示特征；基于每个候选内容项的内容特征和展示特征，生成每个候选内容项的流行度特征向量；调用流行度预估模型，对每个候选内容项的流行度特征向量进行处理，得到每个候选内容项的流行度分数，所述流行度预估模型用于确定出任一内容项的流行度分数。6.根据权利要求5所述的方法，其特征在于，所述流行度预估模型的训练过程为：获取多个样本流行内容项，每个样本流行内容项包括样本内容信息和样本展示信息；从每个样本流行内容项的样本内容信息和样本展示信息中分别提取样本内容特征和样本展...

【专利技术属性】
技术研发人员：梅寒，
申请(专利权)人：广州世音联软件科技有限公司，
类型：发明
国别省市：