内容推荐方法、装置、设备、存储介质及计算机程序产品制造方法及图纸

本申请公开了一种内容推荐方法、装置、设备、存储介质及计算机程序产品，涉及互联网技术领域。该方法包括：获取样本数据集中的历史帐号与历史推荐内容作为样本数据，两者之间标注有互动数据；将样本数据输入概率预测模型，输出得到概率预测结果；通过数据分类模型提取样本数据的数据特征；将样本数据输入时长预测模型，输出得到时长预测结果；基于互动数据确定概率预测损失和时长预测损失，融合得到预测损失；基于预测损失对概率预测模型进行训练，得到目标预测模型。即，通过时长预测模型辅助训练概率预测模型，最终得到目标预测模型的方式提高了目标预测模型中概率预测的准确度。本申请实施例可应用于云技术、人工智能、智慧交通等各种场景。通等各种场景。通等各种场景。

【技术实现步骤摘要】
内容推荐方法、装置、设备、存储介质及计算机程序产品


[0001]本申请涉及互联网
，特别涉及一种内容推荐方法、装置、设备、存储介质及计算机程序产品。

技术介绍

[0002]随着互联网技术的不断发展，信息传播速度大幅加快，用户通过使用终端运行应用程序的过程中，终端界面上常显示一些推荐内容，如广告、宣传画报等，便于用户快速了解和掌握推荐内容中相关资讯或者产品，因此，内容推荐为一些厂家或者商家提升宣传力度的关键手段。
[0003]相关技术中，以广告内容推荐为例，通常采用通过用户对广告的历史点击率对广告进行点击率预测，判断该广告通过互联网向用户进行推荐展示时，用户点击该广告进行浏览的概率，基于概率预测结果对其进行推荐价值排序，将排序靠前的广告向用户进行内容推荐。
[0004]然而在上述方法中，仅依靠历史点击率对广告进行触发概率预测分析，会存在用户只是误触到该广告，并非是想点击该广告进行浏览情况，从而使得概率预测结果的准确度较低，推广效果差。

技术实现思路

[0005]本申请实施例提供了一种内容推荐方法、装置、设备、存储介质及计算机程序产品，能够提高目标预测模型的测量准确度。所述技术方案如下。
[0006]一方面，提供了一种内容推荐方法，所述方法包括：
[0007]获取样本数据集，所述样本数据集中包括历史帐号与历史推荐内容作为样本数据，其中，所述历史帐号与所述历史推荐内容之间标注有互动数据；
[0008]将所述样本数据输入概率预测模型，输出得到概率预测结果，所述概率预测结果用于指示所述历史帐号对所述历史推荐内容进行触发的预测概率；
[0009]将所述样本数据输入时长预测模型，输出得到时长预测结果，所述时长预测结果用于指示所述历史帐号对所述历史推荐内容进行浏览的预测时长；
[0010]基于所述历史帐号与所述历史推荐内容之间的互动数据，确定所述概率预测结果对应的概率预测损失和所述时长预测结果对应的时长预测损失，融合得到预测损失；
[0011]基于所述预测损失对所述概率预测模型进行训练，得到目标预测模型，所述目标预测模型用于预测向目标帐号推荐目标内容的推荐概率。
[0012]另一方面，提供了一种内容推荐装置，所述装置包括：
[0013]获取模块，用于获取样本数据集，所述样本数据集中包括历史帐号与历史推荐内容作为样本数据，其中，所述历史帐号与所述历史推荐内容之间标注有互动数据；
[0014]输出模块，用于将所述样本数据输入概率预测模型，输出得到概率预测结果，所述概率预测结果用于指示所述历史帐号对所述历史推荐内容进行触发的预测概率；
[0015]所述输出模块，还用于将所述样本数据输入时长预测模型，输出得到时长预测结果，所述时长预测结果用于指示所述历史帐号对所述历史推荐内容进行浏览的预测时长；
[0016]确定模块，用于基于所述历史帐号与所述历史推荐内容之间的互动数据，确定所述概率预测结果对应的概率预测损失和所述时长预测结果对应的时长预测损失，融合得到预测损失；
[0017]训练模块，用于基于所述预测损失对所述概率预测模型进行训练，得到目标预测模型，所述目标预测模型用于预测向目标帐号推荐目标内容的推荐概率。
[0018]另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述本申请实施例中任一所述内容推荐方法。
[0019]另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述本申请实施例中任一所述的内容推荐方法。
[0020]另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的内容推荐方法。
[0021]本申请实施例提供的技术方案带来的有益效果至少包括：
[0022]对目标预测模型进行训练的过程中，在概率预测模型的基础上加入了时长预测模型对其进行联合训练，其中，将时长预测模型辅助训练概率预测模型的过程中，将样本数据集中的历史帐号和历史推荐内容作为样本数据分别输入时长预测模型和概率预测模型，得到对应的时长预测结果和概率预测结果，基于两者结果确定时长预测损失和概率预测损失，将时长预测损失与概率预测损失进行融合得到的预测损失对概率预测模型进行训练，利用时长预测模型辅助训练概率预测模型达到联合训练的目的，最终获取目标预测模型的方式，能够提高模型中概率预测结果的预测准确度，从而在进行内容推广过程中向用户推荐更适配的内容，提高推荐适配度，最终使推荐的内容宣传效果得到提升。
附图说明
[0023]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本申请一个示例性实施例提供的基于帐号信息确定广告推荐内容示意图；
[0025]图2是本申请一个示例性实施例提供的实施环境示意图；
[0026]图3是本申请一个示例性实施例提供的内容推荐方法流程图；
[0027]图4是本申请另一个示例性实施例提供的内容推荐方法流程图；
[0028]图5是本申请另一个示例性实施例提供的内容推荐方法流程图；
[0029]图6是本申请另一个示例性实施例提供的概率预测模型和时长预测模型联合训练
过程示意图；
[0030]图7是本申请一个示例性实施例提供的浏览时长数据分布对比图；
[0031]图8是本申请一个示例性实施例提供的内容推荐方法流程图；
[0032]图9是本申请另一个示例性实施例提供的历史浏览时长、点击率和预估点击率分布示意图；
[0033]图10是本申请一个示例性实施例提供的内容推荐装置的结构框图；
[0034]图11是本申请另一个示例性实施例提供的内容推荐装置的结构框图；
[0035]图12是本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
[0036]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0037]首先，针对本申请实施例中涉及的名词进行简单介绍。
[0038]人工智能(Artificial Intelligence，AI)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳本文档来自技高网...

【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，所述方法包括：获取样本数据集，所述样本数据集中包括历史帐号与历史推荐内容作为样本数据，其中，所述历史帐号与所述历史推荐内容之间标注有互动数据；将所述样本数据输入概率预测模型，输出得到概率预测结果，所述概率预测结果用于指示所述历史帐号对所述历史推荐内容进行触发的预测概率；将所述样本数据输入时长预测模型，输出得到时长预测结果，所述时长预测结果用于指示所述历史帐号对所述历史推荐内容进行浏览的预测时长；基于所述历史帐号与所述历史推荐内容之间的互动数据，确定所述概率预测结果对应的概率预测损失和所述时长预测结果对应的时长预测损失，融合得到预测损失；基于所述预测损失对所述概率预测模型进行训练，得到目标预测模型，所述目标预测模型用于预测向目标帐号推荐目标内容的推荐概率。2.根据权利要求1所述的方法，其特征在于，所述历史帐号与所述历史推荐内容之间的互动数据中包括所述历史帐号与所述历史推荐内容之间的历史触发关系，以及所述历史帐号对所述历史推荐内容的历史浏览时长；所述基于所述历史帐号与所述历史推荐内容之间的互动数据，确定所述概率预测结果对应的概率预测损失和所述时长预测结果对应的时长预测损失，包括：基于所述概率预测结果与所述历史触发关系，确定所述概率预测损失；基于所述时长预测结果与所述历史浏览时长，确定所述时长预测损失；确定所述概率预测损失和所述时长预测损失的加权和，得到所述预测损失。3.根据权利要求2所述的方法，其特征在于，所述确定所述概率预测损失和所述时长预测损失的加权和，得到所述预测损失，包括：确定所述概率预测损失与概率权重参数之积，得到第一权重部分；确定所述时长预测损失与时长权重参数之积，得到第二权重部分；将所述第一权重部分与所述第二权重部分之和确定为所述预测损失，其中，所述概率权重参数与所述时长权重参数为预设参数。4.根据权利要求2所述的方法，其特征在于，所述基于所述概率预测结果与所述历史触发关系，确定所述概率预测损失，包括：基于所述概率预测结果与所述历史触发关系之间的距离确定所述概率预测损失。5.根据权利要求2所述的方法，其特征在于，所述基于所述时长预测结果与所述历史浏览时长，确定所述时长预测损失，包括：基于所述时长预测结果与所述历史浏览时长之间的距离确定所述时长预测损失。6.根据权利要求1至5任一所述的方法，其特征在于，所述将所述样本数据输入概率预测模型之前，还包括：提取所述历史推荐内容对应的语义特征、所述历史帐号对应的帐号属性特征以及所述历史推荐内容对应的历史互动特征；将所述语义特征、所述帐号属性特征和所述历史互动特征作为所述概率预测模型和所述时长预测模型的输入特征。7.根据权利要求1至5任一所述的方法，其特征在于，所述基于所述预测损失对所述概率预测模型进行训练，得到目标预测模型，包括：
基于所述预测损失对所述概率预测模型的模型参数进行梯度调整，得到所述目标预测模型。8....

【专利技术属性】
技术研发人员：徐华鹏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：