[发明专利]内容推荐方法、装置、存储介质及电子设备

说明书

本公开涉及计算机技术领域，具体涉及一种内容推荐方法、内容推荐装置、存储介质及电子设备。该内容推荐方法包括：将待推荐内容输入预先训练的跨模态模型，以获取所述待推荐内容中各模态的第一模态特征向量；将所述第一模态特征向量以及所述待推荐内容的标签输入预先训练的内容表征模型，以获取所述待推荐内容的第一内容特征向量；若确定所述第一内容特征向量满足预设条件，则将所述待推荐内容推荐给用户。本公开能够提高推荐结果的准确性。

技术领域

本公开涉及计算机技术领域，尤其涉及一种内容推荐方法、内容推荐装置、存储介质及电子设备。

背景技术

随着互联网技术和应用的发展，互联网用户规模日趋庞大，每天在各类平台生产大量新内容，且内容形式越来越趋于多模态的特点。如何利用推荐系统更加精准快速地将这些新内容分发给潜在的用户群体，对于内容分发平台的用户体验和生态建设尤为重要，也即内容冷启动方法要解决的问题。

现有技术中，常用的内容冷启动方案是使用Bandit算法。Bandit算法的核心思想为，对于一个进入推荐系统的新内容，通过尝试一定的策略将内容推荐给不同的用户，通过用户反馈来判断可能感兴趣的人群。常见的bandit算法有epsilon-greedy以及LinUCB等。

epsilon-greedy算法每次以epsilon的概率推荐当前推荐池中平均收益最高的内容，以1-epsilon的概率随机选择一个内容做推荐。但是，epsilon-greedy算法在做内容推荐时，并未考虑内容的特征。而LinUCB算法在做内容推荐时，会获取内容的特征，构建内容的特征向量，并根据内容的特征向量对内容做推荐。但是，LinUCB算法在获取内容的特征向量时，并没有没有融合内容的多模态特征，因此，LinUCB算法获取的内容的特征向量对内容特征的表达不完整，进而使得推荐结果不够准确。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种内容推荐方法、装置、存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的推荐结果不够准确的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种内容推荐方法，包括：

将待推荐内容输入预先训练的跨模态模型，以获取所述待推荐内容中各模态的第一模态特征向量；

将所述第一模态特征向量以及所述待推荐内容的标签输入预先训练的内容表征模型，以获取所述待推荐内容的第一内容特征向量；

若确定所述第一内容特征向量满足预设条件，则将所述待推荐内容推荐给用户。

在本公开的一种示例性实施例中，所述确定所述第一内容特征向量满足预设条件包括：

在所述第一内容特征向量与第一用户特征向量的相似度大于或者等于预设相似度阈值时，确定所述第一内容特征向量满足预设条件。

在本公开的一种示例性实施例中，所述将所述待推荐内容推荐给用户前，所述方法还包括：

获取用户标识信息以及用户画像数据；

将所述用户标识信息以及用户画像数据输入所述内容表征模型，以获取所述第一用户特征向量。

在本公开的一种示例性实施例中，所述确定所述第一内容特征向量满足预设条件包括：

在所述第一内容特征向量与用户历史浏览的目标内容的第二内容特征向量的相似度大于或者等于预设相似度阈值时，确定所述内容特征向量满足预设条件。