推荐内容的推送方法和系统、电子设备及存储介质技术方案

本发明专利技术公开了推荐内容的推送方法和系统、电子设备及存储介质，其中，方法包括：获取目标用户的第一历史操作行为，并根据第一历史操作行为生成第一时序行为数据；将第一时序行为数据输入到预先训练好的用户意向预测模型，得到目标用户的第一用户意向；根据第一用户意向在预先构建的推荐内容库中确定多个待推荐内容以及对应的兴趣度标识，兴趣度标识包括多个历史用户对待推荐内容的兴趣度；根据兴趣度标识以及目标用户与历史用户的用户相似度确定各待推荐内容的推荐度，进而根据推荐度确定目标推荐内容，并将目标推荐内容推送至目标用户。本发明专利技术提高了媒体内容推送的准确性以及用户的浏览体验，可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。

【技术实现步骤摘要】
推荐内容的推送方法和系统、电子设备及存储介质


[0001]本专利技术涉及计算机
，尤其是一种推荐内容的推送方法和系统、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的迅速发展，各式各样的媒体内容出现在人们生活中，如广告、新闻、视频彩铃等等。现有技术中，对于媒体内容的推荐采用随机推送或基于用户的历史浏览记录来推送相同/相关的媒体内容，这些推送方法一方面不能准确判断目标用户的用户意向，从而导致推送的媒体内容无法引起目标用户的兴趣，或者长时间推送相同的媒体内容造成目标用户厌烦，另一方面没有考虑用户群体对媒体内容的兴趣反馈，从而无法筛选出优质、合适的媒体内容推送给目标用户，影响了媒体内容推送的准确性以及用户的浏览体验。

技术实现思路

[0003]本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
[0004]为此，本专利技术实施例的一个目的在于提供一种推荐内容的推送方法，该方法提高了媒体内容推送的准确性以及用户的浏览体验。
[0005]本专利技术实施例的另一个目的在于提供一种推荐内容的推送系统。
[0006]为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：
[0007]第一方面，本专利技术实施例提供了一种推荐内容的推送方法，包括以下步骤：
[0008]获取目标用户的第一历史操作行为，并根据所述第一历史操作行为生成第一时序行为数据；
[0009]将所述第一时序行为数据输入到预先训练好的用户意向预测模型，得到所述目标用户的第一用户意向；
[0010]根据所述第一用户意向在预先构建的推荐内容库中确定多个待推荐内容以及对应的兴趣度标识，所述兴趣度标识包括多个历史用户对所述待推荐内容的兴趣度；
[0011]根据所述兴趣度标识以及所述目标用户与所述历史用户的用户相似度确定各所述待推荐内容的推荐度，进而根据所述推荐度确定目标推荐内容，并将所述目标推荐内容推送至所述目标用户；
[0012]其中，所述用户意向预测模型通过正向时间卷积网络和逆向时间卷积网络联合训练得到。
[0013]进一步地，在本专利技术的一个实施例中，所述获取目标用户的第一历史操作行为，并根据所述第一历史操作行为生成第一时序行为数据这一步骤，其具体包括：
[0014]获取所述目标用户的历史操作记录，并根据所述历史操作记录确定所述第一历史操作行为以及对应的操作时间；
[0015]根据所述操作时间对所述第一历史操作行为进行数据清洗和数据切片处理，得到
用户行为数据；
[0016]根据所述操作时间对所述用户行为数据进行排序，得到所述第一时序行为数据。
[0017]进一步地，在本专利技术的一个实施例中，所述推送方法还包括训练所述用户意向预测模型的步骤，其具体包括：
[0018]构建用户意向预测模型，所述用户意向预测模型包括输入层、正向时间卷积网络、逆向时间卷积网络以及全连接层；
[0019]获取所述历史用户的第二历史操作行为，并根据所述第二历史操作行为确定第二时序行为数据和对应的用户意向标签；
[0020]根据所述第二时序行为数据和对应的所述用户意向标签构建训练样本集；
[0021]将所述训练样本集输入到所述用户意向预测模型进行训练，对所述用户意向预测模型的模型参数进行优化，得到训练好的所述用户意向预测模型。
[0022]进一步地，在本专利技术的一个实施例中，所述将所述训练样本集输入到所述用户意向预测模型进行训练，对所述用户意向预测模型的模型参数进行优化，得到训练好的所述用户意向预测模型这一步骤，其具体包括：
[0023]将所述第二时序行为数据输入到所述输入层，并通过所述正向时间卷积网络进行卷积计算得到第一时序特征向量；
[0024]将所述第二时序行为数据逆序输入到所述输入层，并通过所述逆向时间卷积网络进行卷积计算得到第二时序特征向量；
[0025]对所述第二时序特征向量进行逆序处理得到第三时序特征向量，并将所述第一时序特征向量和所述第三时序特征向量进行拼接处理得到第四时序特征向量；
[0026]将所述第四时序特征向量输入到所述全连接层，输出得到用户意向预测结果；
[0027]根据所述用户意向预测结果和所述用户意向标签确定所述用户意向预测模型的损失值；
[0028]根据所述损失值更新所述用户意向预测模型的模型参数，并返回将所述第二时序行为数据输入到所述输入层这一步骤；
[0029]当所述损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的所述用户意向预测模型。
[0030]进一步地，在本专利技术的一个实施例中，所述推送方法还包括构建所述推荐内容库的步骤，其具体包括：
[0031]获取所述历史用户的历史浏览内容和对应的浏览时长；
[0032]确定浏览时长大于等于预设的第三阈值的所述历史浏览内容为第一推荐内容，并确定所述第一推荐内容的内容类型和内容丰富程度；
[0033]根据所述浏览时长和所述内容丰富程度确定所述历史用户对所述第一推荐内容的兴趣度，并根据各所述历史用户对所述第一推荐内容的所述兴趣度确定所述第一推荐内容的兴趣度标识；
[0034]根据所述内容类型确定所述第一推荐内容的推荐意向索引值，并建立所述推荐意向索引值与所述第一推荐内容的第一映射关系；
[0035]根据所述第一推荐内容、所述兴趣度标识、所述推荐意向索引值以及所述第一映射关系生成所述推荐内容库。
[0036]进一步地，在本专利技术的一个实施例中，所述根据所述第一用户意向在预先构建的推荐内容库中确定多个待推荐内容以及对应的兴趣度标识这一步骤，其具体包括：
[0037]根据所述第一用户意向在所述推荐内容库中进行遍历匹配得到对应的所述推荐意向索引值；
[0038]根据匹配到的所述推荐意向索引值和所述第一映射关系在所述推荐内容库中索引得到多个所述第一推荐内容作为所述待推荐内容，并确定各所述待推荐内容的兴趣度标识。
[0039]进一步地，在本专利技术的一个实施例中，所述根据所述兴趣度标识以及所述目标用户与所述历史用户的用户相似度确定各所述待推荐内容的推荐度，进而根据所述推荐度确定目标推荐内容这一步骤，其具体包括：
[0040]获取所述目标用户的第一用户画像和所述历史用户的第二用户画像，并根据所述第一用户画像确定第一用户特征向量，根据所述第二用户画像确定第二用户特征向量；
[0041]根据所述第一用户特征向量与所述第二用户特征向量的余弦相似度确定所述目标用户与所述历史用户的用户相似度；
[0042]根据所述兴趣度标识确定各所述历史用户对所述待推荐内容的兴趣度，并将所述用户相似度作为权值对各所述历史用户对应的所述兴趣度进行加权求和，得到第一加权和；
[0043]对各所述历史用户对应的所述用户相似度进行求和得到第一和值，将所述第一加权和除以所述第一和值得到所述待推荐内容的推荐度；
[0044]确定推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐内容的推送方法，其特征在于，包括以下步骤：获取目标用户的第一历史操作行为，并根据所述第一历史操作行为生成第一时序行为数据；将所述第一时序行为数据输入到预先训练好的用户意向预测模型，得到所述目标用户的第一用户意向；根据所述第一用户意向在预先构建的推荐内容库中确定多个待推荐内容以及对应的兴趣度标识，所述兴趣度标识包括多个历史用户对所述待推荐内容的兴趣度；根据所述兴趣度标识以及所述目标用户与所述历史用户的用户相似度确定各所述待推荐内容的推荐度，进而根据所述推荐度确定目标推荐内容，并将所述目标推荐内容推送至所述目标用户；其中，所述用户意向预测模型通过正向时间卷积网络和逆向时间卷积网络联合训练得到。2.根据权利要求1所述的一种推荐内容的推送方法，其特征在于，所述获取目标用户的第一历史操作行为，并根据所述第一历史操作行为生成第一时序行为数据这一步骤，其具体包括：获取所述目标用户的历史操作记录，并根据所述历史操作记录确定所述第一历史操作行为以及对应的操作时间；根据所述操作时间对所述第一历史操作行为进行数据清洗和数据切片处理，得到用户行为数据；根据所述操作时间对所述用户行为数据进行排序，得到所述第一时序行为数据。3.根据权利要求1所述的一种推荐内容的推送方法，其特征在于，所述推送方法还包括训练所述用户意向预测模型的步骤，其具体包括：构建用户意向预测模型，所述用户意向预测模型包括输入层、正向时间卷积网络、逆向时间卷积网络以及全连接层；获取所述历史用户的第二历史操作行为，并根据所述第二历史操作行为确定第二时序行为数据和对应的用户意向标签；根据所述第二时序行为数据和对应的所述用户意向标签构建训练样本集；将所述训练样本集输入到所述用户意向预测模型进行训练，对所述用户意向预测模型的模型参数进行优化，得到训练好的所述用户意向预测模型。4.根据权利要求3所述的一种推荐内容的推送方法，其特征在于，所述将所述训练样本集输入到所述用户意向预测模型进行训练，对所述用户意向预测模型的模型参数进行优化，得到训练好的所述用户意向预测模型这一步骤，其具体包括：将所述第二时序行为数据输入到所述输入层，并通过所述正向时间卷积网络进行卷积计算得到第一时序特征向量；将所述第二时序行为数据逆序输入到所述输入层，并通过所述逆向时间卷积网络进行卷积计算得到第二时序特征向量；对所述第二时序特征向量进行逆序处理得到第三时序特征向量，并将所述第一时序特征向量和所述第三时序特征向量进行拼接处理得到第四时序特征向量；将所述第四时序特征向量输入到所述全连接层，输出得到用户意向预测结果；
根据所述用户意向预测结果和所述用户意向标签确定所述用户意向预测模型的损失值；根据所述损失值更新所述用户意向预测模型的模型参数，并返回将所述第二时序行为数据输入到所述输入层这一步骤；当所述损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的所述用户意向预测模型。5.根据权利要求1所述的一种推荐内容的推送方法，其特征在于，所述推送方法还包括构建所述推荐内容库的步骤，其具体包括：获取所述历史用户的历史浏览内容和对应的浏览时长；确定浏览时长大于等于预设的第三阈值的所述历史浏览内容为第一推荐内容，并确定所述第一推荐内容的内容类型和内容丰富程度；根据所述浏览时长和所述内容丰富程度确定所述历史用户对...

【专利技术属性】
技术研发人员：李勇，王勇，顾沛峰，
申请(专利权)人：谷元上海文化科技有限责任公司，
类型：发明
国别省市：