[发明专利]内容推荐方法、装置与计算机可读存储介质

说明书

本发明提供了一种内容推荐方法、装置与计算机可读存储介质，通过对内容项提取标签，形成内容标签关联矩阵，实现内容项的特征化；通过收集用户的操作行为数据，并将这些操作行为数据转变成用户的标签，形成用户标签兴趣度矩阵，实现用户特征化；根据内容项的特征(容标签关联矩阵)与用户的特征(用户标签兴趣度矩阵)，采用隐语义模型(LFM)得到用户内容兴趣度矩阵，并获取用户对所述推荐内容集中的各个内容项的兴趣度，在终端上向用户推荐其感兴趣的内容项，能够精准定位用户感兴趣的内容，提高内容推荐的效率和转化率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种内容推荐方法、装置与计算机可读存储介质。

背景技术

随着互联网技术的发展，人们可以通过互联网进行越来越多的活动，例如获取新闻消息、收发邮件、在线上平台购物等等。为了提升为用户提供内容的效率，在用户通过互联网访问网络资源的时候，网站或平台可以向用户推荐用户可能感兴趣的内容。

现有的内容推荐方法通常会根据用户的历史浏览记录、搜索记录等网络行为数据来甄别用户可能感兴趣的内容类型，进而向用户推荐对应类型的内容。然而这种方法仅能够确定推荐的内容的类型，无法进一步判断该类型的内容中是否包含用户感兴趣的内容，用户需要在被推荐的该类型的内容中进一步进行筛选或浏览其他类型的内容。因此，现有的内容推荐方法无法精准定位用户感兴趣的内容，内容推荐的效率和转化率有待提升。

发明内容

本发明的目的是提出一种内容推荐方法、装置与计算机可读存储介质，能够精准定位用户感兴趣的内容，提高内容推荐的效率和转化率。

为了达到上述的目的，本发明实施例一方面提供了一种内容推荐方法，包括：

响应于获取到用户的操作行为，根据用户的操作行为获取用户标签兴趣度矩阵；所述用户标签兴趣度矩阵的矩阵值为用户对标签集中的各个标签的兴趣度；

将所述用户标签兴趣度矩阵与预先配置的内容标签权重矩阵输入到隐语义模型，得到用户内容兴趣度矩阵；所述内容标签权重矩阵的矩阵值为所述标签集中的各个标签在推荐内容集中的不同内容项中的权重；

根据所述用户内容兴趣度矩阵获取用户对所述推荐内容集中的各个内容项的兴趣度；

根据用户对所述推荐内容集中的各个内容项的兴趣度向用户推荐所述推荐内容集中的若干个内容项。

优选地，所述响应于获取到用户的操作行为，根据用户的操作行为获取用户标签兴趣度矩阵，包括：

响应于获取到用户的操作行为，根据用户的操作行为获取与用户的操作行为相关的行为关键词以及用户对每个行为关键词的兴趣度；

将所述行为关键词输入到预先配置的同类词模型，得到每个所述行为关键词的行为同类词及每个行为同类词的兴趣度模型值；

将每个行为同类词的兴趣度模型值乘以与所述行为同类词相对应的行为关键词的兴趣度，得到用户对每个行为同类词的兴趣度；

根据用户对每个所述行为关键词的兴趣度以及对每个所述行为同类词的兴趣度，更新用户对所述标签集中各个标签的兴趣度；

根据用户对标签集中的各个标签的兴趣度构建用户标签兴趣度矩阵。

优选地，所述根据用户对标签集中的各个标签的兴趣度构建用户标签兴趣度矩阵，包括：

将用户对所述标签集中各个标签的兴趣度与各个标签的兴趣度更新持续时长输入到时间梯度衰减模型，得到用户对所述标签集中各个标签的实际兴趣度；所述兴趣度更新持续时长为用户对所述标签的兴趣度更新的时间到当前时间的时间差；

对所述标签集中的所有标签根据所述实际兴趣度从大到小进行排序，将前N个标签作为用户行为标签并将所述标签集中的其他标签作为非用户行为标签，将所述非用户行为标签的实际兴趣度配置为0；