[發(fā)明專利]內(nèi)容推送方法及存儲介質(zhì)、計算機設(shè)備

有效

• 申請?zhí)枺?/td>: 201811497834.2
• 申請日: 2018-12-07
• 公開（公告）號: CN109359247B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計）人: 聶照昌
• 申請（專利權(quán)）人: 廣州市百果園信息技術(shù)有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 北京市立方律師事務(wù)所 11330
• 代理人: 劉延喜

本發(fā)明提供一種內(nèi)容推送方法及存儲介質(zhì)、計算機設(shè)備，所述方法包括：提取待推送內(nèi)容的多個相關(guān)特征；將所述多個相關(guān)特征輸入基于特征組合的點擊率預(yù)估模型，得到所述待推送內(nèi)容的預(yù)估點擊率；其中，所述基于特征組合的點擊率預(yù)估模型用于將所述多個相關(guān)特征進(jìn)行組合，根據(jù)組合后的所述相關(guān)特征的關(guān)聯(lián)性，確定出所述待推送內(nèi)容的預(yù)估點擊率；根據(jù)所述待推送內(nèi)容的預(yù)估點擊率，向用戶推送內(nèi)容。該方法可提高向用戶推送內(nèi)容的精準(zhǔn)度。并且，該方法無需進(jìn)行人工篩選組合特征，可減少人工量。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體而言，本發(fā)明涉及一種內(nèi)容推送方法及存儲介質(zhì)、計算機設(shè)備。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，人類進(jìn)入了大數(shù)據(jù)時代。這給互聯(lián)網(wǎng)用戶和互聯(lián)網(wǎng)平臺帶來了新的挑戰(zhàn)。對于用戶而言，從大量信息中獲取自己感興趣的信息的難度逐漸增加。對于平臺而言，如何給每位用戶推薦個性化的信息/廣告并以此獲取收益也逐漸變成了平臺的關(guān)鍵任務(wù)之一。因此，個性化推薦技術(shù)受到了越來越多的關(guān)注。點擊率(Click-through Rate，CTR)預(yù)估是個性化推薦中的一項核心關(guān)鍵技術(shù)，通過機器學(xué)習(xí)方法建立模型，用于預(yù)測“如果給一位用戶推薦某個信息/廣告，該用戶會點擊的概率”。一個好的點擊率預(yù)估模型可以大大提升互聯(lián)網(wǎng)平臺的收益。

業(yè)界CTR預(yù)估的場景中，采集的特征往往都是大規(guī)模離散稀疏化的。比如在淘寶的場景中，商品的數(shù)量成千上萬，每一個商品會有對應(yīng)的id，假設(shè)模型需要使用到商品某個特征，則需要用一個成千上萬維的向量去表示商品的該特征。而CTR預(yù)估場景中特征之間可能存在比較強的相關(guān)性，比如衣服和性別，這兩個特征明顯存在一個很強的關(guān)聯(lián)關(guān)系。當(dāng)衣服具體表現(xiàn)為“裙子”，性別為“女”時，用戶點擊的概率會提高。目前在工業(yè)界，絕大多數(shù)推薦系統(tǒng)工程師需要挖掘出強相關(guān)的特征組合。但是挖掘有效的特征組合，需要大量的人工工作，也需要一定的跨領(lǐng)域知識，并且需要不斷地嘗試，對于推薦系統(tǒng)工程師來說是一個很繁重的任務(wù)。

發(fā)明內(nèi)容

本發(fā)明提出一種內(nèi)容推送方法及存儲介質(zhì)、計算機設(shè)備，實現(xiàn)自動化挖掘內(nèi)容推送的關(guān)聯(lián)特征以向用戶進(jìn)行內(nèi)容推送，提高內(nèi)容推送的精準(zhǔn)度，并減少人工量。

本發(fā)明提供以下方案：

一種內(nèi)容推送方法，包括：提取待推送內(nèi)容的多個相關(guān)特征；將所述多個相關(guān)特征輸入基于特征組合的點擊率預(yù)估模型，得到所述待推送內(nèi)容的預(yù)估點擊率；其中，所述基于特征組合的點擊率預(yù)估模型用于將所述多個相關(guān)特征進(jìn)行組合，根據(jù)組合后的所述相關(guān)特征的關(guān)聯(lián)性，確定出所述待推送內(nèi)容的預(yù)估點擊率；根據(jù)所述待推送內(nèi)容的預(yù)估點擊率，向用戶推送內(nèi)容。

在一實施例中，所述待推送內(nèi)容包括待推送的短視頻內(nèi)容；所述提取待推送內(nèi)容的多個相關(guān)特征，包括：提取所述待推送的短視頻內(nèi)容的多個用戶特征以及多個短視頻內(nèi)容特征；所述將所述多個相關(guān)特征輸入基于特征組合的點擊率預(yù)估模型，得到所述待推送內(nèi)容的預(yù)估點擊率，包括：將所述多個用戶特征以及所述多個短視頻內(nèi)容特征輸入所述基于特征組合的點擊率預(yù)估模型，得到所述待推送的短視頻內(nèi)容的預(yù)估點擊率；所述根據(jù)所述待推送內(nèi)容的預(yù)估點擊率，向用戶推送內(nèi)容，包括：根據(jù)所述待推送的短視頻內(nèi)容的預(yù)估點擊率，向用戶推送短視頻內(nèi)容。

在一實施例中，所述基于特征組合的點擊率預(yù)估模型包括：輸入層，用于對所述多個相關(guān)特征進(jìn)行獨熱編碼，得到獨熱向量；邏輯回歸組件，用于對所述輸入層輸出的所述獨熱向量進(jìn)行邏輯回歸運算，得到第一運算值；嵌套模塊，用于將所述獨熱向量的高維度稀疏離散化特征轉(zhuǎn)換成低維度連續(xù)值特征，得到低維度連續(xù)值向量；內(nèi)積組件，用于將所述嵌套模塊輸出的所述低維度連續(xù)值向量進(jìn)行向量內(nèi)積，得到第二運算值；拼接模塊，用于將所述嵌套模塊輸出的所述低維度連續(xù)值向量進(jìn)行向量拼接，得到拼接向量；隱藏層模塊，用于將所述拼接模塊輸出的所述拼接向量輸入深度神經(jīng)網(wǎng)絡(luò)隱藏層，得到第三運算值；預(yù)估點擊率運算模塊，用于根據(jù)所述第一運算值、所述第二運算值及所述第三運算值計算出所述待推送內(nèi)容的預(yù)估點擊率。