内容推荐方法、装置、介质及电子设备制造方法及图纸

本公开涉及一种内容推荐方法、装置、介质及电子设备。方法包括：根据待推荐内容的第一内容属性信息和目标用户的历史点击内容，确定目标用户与待推荐内容的匹配特征；至少提取第一内容属性信息和匹配特征之间的第一关联特征；若根据第一关联特征、目标用户的用户属性信息及第一内容属性信息，确定推送待推荐内容，则向目标用户推送待推荐内容。通过提取待推荐内容的内容属性与匹配特征的关联特征，能增强用户与内容的特征组合逻辑，特征组合表达更加充分细致，提升底层特征的组合交互的灵活性，以更加精准地向用户推送其喜欢的内容。即使内容属性有所更新，也能让新的内容属性有特征组合的能力，特征的组合表达更充分，提升内容属性的可扩展性。容属性的可扩展性。容属性的可扩展性。

【技术实现步骤摘要】
内容推荐方法、装置、介质及电子设备


[0001]本公开涉及人工智能
，具体地，涉及一种内容推荐方法、装置、介质及电子设备。

技术介绍

[0002]移动互联网的高速发展，短视频和图片消费量井喷式爆发，信息流的内容过滤和推荐发挥着越来越重要的角色。通常内容推荐平台每天需要进行千亿规模的内容推荐，其中，如何更精准地向用户推荐其喜欢的内容，是内容推荐平台需要不断优化的核心指标。

技术实现思路

[0003]提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0004]第一方面，本公开提供一种内容推荐方法，包括：获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。
[0005]可选地，在所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征的步骤之前，所述方法还包括：确定每一所述历史点击内容的第二内容属性信息；将每一所述第二内容属性信息按照不同属性进行合并，得到所述目标用户的行为特征；所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：提取所述第一内容属性信息、所述匹配特征以及所述行为特征之间的第一关联特征。
[0006]可选地，所述根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，包括：确定每一所述历史点击内容的第二内容属性信息；针对所述第一内容属性信息中的每一属性值，确定所述第二内容属性信息中包含该属性值的历史点击内容的数量；将每一所述数量确定为所述目标用户与所述待推荐内容的匹配特征。
[0007]可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容，包括：根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度；根据所述匹配度，确定是否推送所述待推荐内容。
[0008]可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：将所述第一关联特征、所述用
户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。
[0009]可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：提取所述用户属性信息和所述第一内容属性信息之间的第二关联特征；将所述第一关联特征、所述第二关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。
[0010]可选地，所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：采用第一因子分解机模型至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征。
[0011]第二方面，本公开提供一种内容推荐装置，包括：获取模块，用于获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；第一确定模块，用于根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；提取模块，用于至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；第二确定模块，用于根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；推送模块，用于若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。
[0012]第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述内容推荐方法的步骤。
[0013]第四方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述内容推荐方法的步骤。
[0014]在上述技术方案中，首先根据待推荐内容的第一内容属性信息和目标用户的历史点击内容，确定目标用户与待推荐内容的匹配特征；然后，至少提取第一内容属性信息和匹配特征之间的第一关联特征；接下来，根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容；若确定推送待推荐内容，则向目标用户推送待推荐内容。通过提取待推荐内容的内容属性与匹配特征的关联特征，能够增强用户与内容的特征组合逻辑，特征组合表达更加充分细致，提升了底层特征的组合交互的灵活性，从而能够更加精准地向用户推送其喜欢的内容。另外，即使待推荐内容的内容属性有所更新，也能够很好地让新的内容属性有特征组合的能力，让特征的组合表达更充分，从而提升了内容属性的可扩展性。此外，基于内容属性确定关联特征，增强了特征表达的可解释性，可以使得各种特征的重要性，落实到具体内容属性特征的重要性上，从而增强内容推荐平台的可解释性。
[0015]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0016]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
[0017]图1是根据一示例性实施例示出的一种内容推荐方法的流程图。
[0018]图2是根据另一示例性实施例示出的一种内容推荐方法的流程图。
[0019]图3是根据一示例性实施例示出的一种内容推荐方法的过程示意图。
[0020]图4是根据一示例性实施例示出的一种内容推荐装置的框图。
[0021]图5是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
[0022]正如
技术介绍
中论述的那样，如何更精准地向用户推荐其喜欢的内容，是内容推荐平台需要不断优化的核心指标。现阶段，内容推荐平台通常采用因子分解机(Factorization Machine，FM)对待推荐内容的内容属性特征与用户用户属性特征进行交互运算，得到二者的关联特征；之后，根据内容属性特征、用户用户属性特征以及关联特征，通过深度神经网络模型得到用户与待推荐内容的匹配度，以根据匹配度确定是否向用户推送相应内容。其中，内容属性特征与用户用户属性特征进行交互运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种内容推荐方法，其特征在于，包括：获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。2.根据权利要求1所述的方法，其特征在于，在所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征的步骤之前，所述方法还包括：确定每一所述历史点击内容的第二内容属性信息；将每一所述第二内容属性信息按照不同属性进行合并，得到所述目标用户的行为特征；所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：提取所述第一内容属性信息、所述匹配特征以及所述行为特征之间的第一关联特征。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，包括：确定每一所述历史点击内容的第二内容属性信息；针对所述第一内容属性信息中的每一属性值，确定所述第二内容属性信息中包含该属性值的历史点击内容的数量；将每一所述数量确定为所述目标用户与所述待推荐内容的匹配特征。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容，包括：根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度；根据所述匹配度，确定是否推送所述待推荐内容。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容...

【专利技术属性】
技术研发人员：刘瑾莱，袁泽寰，
申请(专利权)人：北京有竹居网络技术有限公司，
类型：发明
国别省市：