多媒体内容推荐方法、装置、设备和存储介质与流程

1.本技术涉及信息处理技术，特别是涉及一种多媒体内容推荐方法、装置、设备和存储介质。


背景技术：

2.对于推荐系统而言，常会针对用户点击通过率(ctr，click-through-rate)或转化率(cvr，conversion rate)来进行内容推荐，进而来相应提升点击通过率或转化率。但是，现有推荐方式并未能提升用户留存，而推荐系统的核心目标是通过用户留存来提升日活跃用户数量，但现有推荐系统并未解决这一问题。


技术实现要素：

3.为解决上述问题，本发明提出了一种多媒体内容推荐方法、装置、设备和存储介质，如此，实现了基于预估留存率进行多媒体内容的推荐，为提升留存率奠定了基础。
4.第一方面，本技术实施例提供一种多媒体内容推荐方法，包括：
5.检测到用户对应用程序中第一多媒体内容的浏览行为；
6.基于历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到所述用户再次访问所述应用程序的预估留存率；其中，所述预估留存率与所述第一多媒体内容的内容特征相关联；
7.至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容。
8.在本技术的一具体示例中，所述基于历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到所述用户再次访问所述应用程序的预估留存率，包括：
9.基于所述历史访问记录得到所述用户在历史时间访问的已访问多媒体内容的历史浏览行为以及在所述历史时间的下一时间的留存行为，确定出表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征；
10.基于所述留存价值特征以及所述第一多媒体内容的内容特征，确定出所述用户浏览所述第一多媒体内容后再次访问所述应用程序的预估留存率。
11.在本技术的一具体示例中，所述确定出表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征，包括：
12.确定所述用户对应的历史浏览行为与所述历史时间的下一时间的留存行为之间的映射关系，将所述映射关系输入至预估模型，得到表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征。
13.在本技术的一具体示例中，所述至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容，包括：
14.获取所述用户对应的预估推荐指标，所述预设推荐指标为除预估留存率之前的其他推荐指标；
15.将所述预估留存率与获取到的所述预估推荐指标进行加权处理，并基于加权处理
后得到的推荐指标确定待推荐至所述用户的多媒体内容。
16.在本技术的一具体示例中，所述至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容，包括：
17.当存在多个第一多媒体内容，对多个所述第一多媒体内容对应的预估留存率进行排序处理，并基于排序处理结果确定待推荐至所述用户的多媒体内容。
18.在本技术的一具体示例中，所述方法还包括：
19.检测到所述用户再次访问所述应用程序后，将待推荐所述用户的多媒体内容推荐至所述用户。
20.第二方面，本技术实施例提供一种多媒体内容推荐装置，包括：
21.检测单元，用于检测到用户对应用程序中第一多媒体内容的浏览行为；
22.预估单元，用于基于历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到所述用户再次访问所述应用程序的预估留存率；其中，所述预估留存率与所述第一多媒体内容的内容特征相关联；
23.推荐单元，用于至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容。
24.在本技术的一具体示例中，所述预估单元，还用于：
25.基于所述历史访问记录得到所述用户在历史时间访问的已访问多媒体内容的历史浏览行为以及在所述历史时间的下一时间的留存行为，确定出表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征；
26.基于所述留存价值特征以及所述第一多媒体内容的内容特征，确定出所述用户浏览所述第一多媒体内容后再次访问所述应用程序的预估留存率。
27.在本技术的一具体示例中，所述预估单元，还用于：
28.确定所述用户对应的历史浏览行为与所述历史时间的下一时间的留存行为之间的映射关系，将所述映射关系输入至预估模型，得到表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征。
29.在本技术的一具体示例中，所述推荐单元，还用于：
30.获取所述用户对应的预估推荐指标，所述预设推荐指标为除预估留存率之前的其他推荐指标；
31.将所述预估留存率与获取到的所述预估推荐指标进行加权处理，并基于加权处理后得到的推荐指标确定待推荐至所述用户的多媒体内容。
32.在本技术的一具体示例中，所述推荐单元，还用于：
33.当存在多个第一多媒体内容，对多个所述第一多媒体内容对应的预估留存率进行排序处理，并基于排序处理结果确定待推荐至所述用户的多媒体内容。
34.在本技术的一具体示例中，所述推荐单元，还用于：
35.检测到所述用户再次访问所述应用程序后，将待推荐所述用户的多媒体内容推荐至所述用户。
36.第三方面，本技术实施例提供一种多媒体内容推荐设备，包括：
37.一个或多个处理器；
38.与所述一个或多个处理器通信连接的存储器；
39.一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被
配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行以上所述的方法。
40.第四方面，本技术实施例提供一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现以上所述的方法。
41.这样，给出了确定预估留存率的完整方案，且该预估留存率针对的是访问第一多媒体内容后再次访问应用程序的概率，因此，为有效提高留存率奠定了基础。同时，实现了基于留存率来进行推荐。
附图说明
42.图1为本发明实施例多媒体内容推荐方法的实现流程示意图；
43.图2为本技术实施例留存曲线示意图；
44.图3为本技术实施例应用场景示意图；
45.图4为本发明实施例多媒体内容推荐方法在具体应用场景中的实现流程示意图；
46.图5为本发明实施例多媒体内容推荐装置的结构示意图；
47.图6本发明实施例多媒体内容推荐设备的结构示意图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.在本技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
50.在工业界的系统(比如推荐系统)中，留存率是一个产品最核心的指标，标志着产品对于用户的吸引力，而且，产品迭代改进绝大多也是在优化留存率这个指标。但是，由于工业界系统的复杂性和技术发展的限制，目前暂未有针对留存指标(也即留存率)直接建模优化的先例。而通常都是针对推荐系统的某些重要场景建模，比如针对feed(即持续更新并呈现给用户内容的信息流)推荐场景下点击通过率和转化率建模，来提升点击通过率和转化率，从而间接提升留存率。但是，仅仅提升点击通过率和转化率，存在信息挖掘不充分的问题，而且，由于留存率与点击通过率和转化率并非完成一致，仅提升点击通过率和转化率并非能有效提升留存率。
51.基于此，本技术实施例提供了一种多媒体内容推荐方法、装置、设备和存储介质；具体地，图1为本发明实施例多媒体内容推荐方法的实现流程示意图，如图1所示，所述方法包括：
52.步骤101：多媒体内容推荐装置检测到用户对应用程序中第一多媒体内容的浏览行为。
53.步骤102：多媒体内容推荐装置基于历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到所述用户再次访问所述应用程序的预估留存率；其中，所述预估留存率与所述第一多媒体内容的内容特征相关联。
54.步骤103：多媒体内容推荐装置至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容。
55.如图2所示，留存率的趋势，也即留存曲线(如图2中的左图)通常遵循幂函数，任何留存率的趋势图均为一个幂函数f(x)＝axb，(x＝1，2，3...)，其中，a和b为常数。
56.这里，实际应用中，确定出的所述预估留存率与所述第一多媒体内容相关联，可以具体包括：确定出的所述预估留存率与所述第一多媒体内容的内容特征相关联。如此，在确定出与所述第一多媒体内容相关联的预估留存率后，所述多媒体内容推荐装置确定是否继续为所述用户推荐与所述第一多媒体内容的内容特征相关联的多媒体内容，进而，来提升用户在应用程序中的留存率。
57.本方案中，由于能够在检测到用户浏览应用程序中第一多媒体内容后，利用历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到该用户再次访问所述应用程序的预估留存率，也即预估出该用户再次访问所述应用程序的预估留存率，如此，给出了确定预估留存率的完整方案，且该预估留存率针对的是访问第一多媒体内容后再次访问应用程序的概率，因此，能够为有效提高留存率奠定基础。同时，实现了基于留存率来进行推荐。
58.实际应用中，所述第一多媒体内容可以具体为应用程序为该用户推荐的多媒体内容，此时，利用本技术方案能够预估出在该用户浏览应用程序为其推荐的第一多媒体内容后，该用户再次访问该应用程序的概率(也即预估留存率)，如此，为有效、且直接地提升留存率奠定了基础。进一步地，实际场景中，所述第一多媒体内容不仅可以是本技术方案基于留存率而推荐的多媒体内容，还可以是基于其他推荐指标，比如，点击通过率或转化率而推荐的多媒体内容。
59.在本技术的一具体示例中，可以采用如下方式来得到预估留存率，包括：基于所述历史访问记录得到所述用户在历史时间访问的已访问多媒体内容的历史浏览行为以及在所述历史时间的下一时间的留存行为，确定出表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征；基于所述留存价值特征以及所述第一多媒体内容的内容特征，确定出所述用户浏览所述第一多媒体内容后再次访问所述应用程序的预估留存率。
60.这里，留存行为可以具体包括：该用户在历史时间访问了应用程序中的特定多媒体内容后，下一时间又访问了该应用程序的多媒体内容，或者，该用户在历史时间访问了应用程序中的特定多媒体内容后，下一时间未访问该应用程序的多媒体内容；
61.实际应用中，所述历史时间可以为历史访问记录中针对该用户所记载的任意时间，比如为任意自然日，此时，下一时间，可以为该自然日的下一日；当然，实际应用中，所述历史时间的下一时间的确定方式与统计留存率的方式有关联，可根据实际统计方式而设定，本技术方案对此不作限制。
62.这样，由于能够基于留存价值特征得到预估留存率，且该留存价值特征能够表征所述已访问多媒体内容的内容特征对留存行为的贡献程度，所以，为有效提高留存率奠定了基础。
63.在本技术的一具体示例中，还可以采用预估模型来得到留存价值特征，具体包括：确定所述用户对应的历史浏览行为与所述历史时间的下一时间的留存行为之间的映射关系，将所述映射关系输入至预估模型，得到表征所述已访问多媒体内容的内容特征对留存
行为的贡献程度的留存价值特征。
64.这样，利用预先训练完成的预估模型来得到留存价值特征，如此，提升预估留存率的精确度，为有效提高留存率奠定了基础。
65.在一示例中，所述映射关系可以具体为历史浏览行为对应的已访问多媒体内容的内容特征与留存行为之间的映射关系。
66.在本技术的一具体示例中，在确定推荐内容时，不仅可以参考预估留存率指标，还可以参考其他推荐指标，比如，获取所述用户对应的预估推荐指标，这里，所述预设推荐指标为除预估留存率之前的其他推荐指标；进而将所述预估留存率与获取到的所述预估推荐指标进行加权处理，并基于加权处理后得到的推荐指标确定待推荐至所述用户的多媒体内容。如此，通过灵活配置不同预估推荐指标的权重，来灵活适配应用场景，提升了本技术方案的综合价值，同时，也为提升用户体验奠定了基础。
67.在本技术的一具体示例中，当存在多个第一多媒体内容，此时，可以得到多个预估留存率，对得到的多个所述预估留存率进行排序处理，并基于排序处理结果确定待推荐至所述用户的多媒体内容，比如，降序排序，并将排序靠前的预设数量的推荐内容作为最终推荐内容推荐至所述用户，如此，来提升留存率。
68.在本技术的一具体示例中，可以采用如下两种方式进行推荐：将待推荐至所述用户的多媒体内容直接推荐至所述用户，比如，直接推荐至所述用户所使用的终端；或者，检测到所述用户再次访问所述应用程序后，将待推荐至所述用户的多媒体内容推荐至所述用户，由于推荐至用户的多媒体内容是基于预估留存率来推荐的，而预估留存率又是基于历史浏览行为而得到的，所以，能够有效提升留存率，同时，提升用户体验。
69.这样，给出了确定预估留存率的完整方案，且该预估留存率针对的是访问第一多媒体内容后再次访问应用程序的概率，因此，为有效提高留存率奠定了基础。同时，实现了基于留存率来进行推荐。
70.以下结合具体示例，对本方案做进一步详细说明，具体地，该示例将本技术方案中应用于推荐系统或搜索系统，此时，基于用户在系统内的历史行为数据(也即历史访问记录)，比如某日在系统内的访问、搜索等行为数据，预测客户在未来设定时间段内的留存率，从而获得哪些推荐行为对于用户的留存是有益的，哪些推荐行为对于用户的留存是有害的，最后，将得到的留存率进行排序后，基于排序结果进行推荐，可有效提升系统用户的留存，提升系统内的用户体验。而且，通过留存率的提升，也间接提升了点击通过率和转化率。
71.实际场景中，本技术方案应用于推荐系统或搜索系统的集群上，举例来说，如图3所示，本技术方案运行于服务端的集群侧，并在服务端确定出推荐的多媒体内容后，将多媒体内容发送至终端侧(比如笔记本电脑，kindle，手机等)
72.本示例的留存率为次日留存率，相应地，预估次日留存率即可。当然，实际应用中，不同的系统可能存在不同的留存率定义，比如，需要预估第n-m日的留存率等，本技术对此不作限制，仅以次日留存率为示例进行解释说明。
73.具体地，如图4所示，本示例主要步骤包括：首先数据采集单元根据用户的历史行为数据进行数据采集，获得用户的第一日访问行为和第二日留存行为的对应关系，即获得样本数据，然后将样本数据通过数据流单元传输给模型预估单元，这里，模型预估单元可以为在线预估，比如，采用离散特征进行在线预估，或者采用深度学习模型进行在线预估；利
用模型预估单元获得用户当前访问的多媒体内容所对应的留存预估分值(也即预估留存率)，该留存预估分值可以表征该当前访问的多媒体内容对应类目对于留存行为的价值(也即留存价值特征)，进而得到预估留存率；当然，实际场景中，系统还可以把预估留存率和其他的比如点击和转化等场景的预估推荐指标进行融合和计算，比如对各指标进行加权处理，其中各指标权重可基于具体场景而设置；经过融合和计算后对综合预估推荐指标进行排序，将排序后的所有的推荐类目反馈至终端，或者，将排序后的所有推荐类目对应的多媒体内容反馈至终端。当然，也可以仅将排序后满足特定条件的类目作为推荐类型，本技术方案对此不作限制。相应地，上述步骤可以通过下述五个单元来实现，具体地，
74.数据采集单元，由于留存的数据具有滞后性，因为次日留存的数据只有等到第三日才能知道用户是否留存，所以数据采集单元需要能够在第三日查询出用户第一日的浏览行为和该浏览行为后第二日是否留存。举例来说，用户在第一日看了系统推荐的某个视频，对应的第二日有没有在系统里留存，此时，数据采集单元能够采集到上述浏览行为和留存行为的对应关系。
75.数据流单元，数据采集单元采集后的数据要想给预估模型来预估的话，需要有一个数据流单元把采集出来的数据传输给模型预估单元。
76.模型预估单元，利用在线实时预估模型，针对每一次用户的访问行为，提取出用户特征，比如性别、年龄、爱好、过去7天内看过的视频或文章等多媒体内容及其内容特征，并针对这些特征使用预估模型进行计算，比deepfm(deep factorization-machine)模型，该模型具有较高的准确性和效率；或者，其他的深度学习模型算法。通过在线实时预估模型来对用户当前的访问行为进行留存率预估，这样，即可提前获得用户浏览某一多媒体内容后的留存率，比如用户看了某一个视频后，明日的预估留存率是多少。
77.统一排序单元，模型预估单元只是系统内部的一个模块，获得的留存率可以进行排序后将得到的预估留存率较高的类目就可以被采纳，较低的就不被采纳，比如，在推荐场景下，只给用户推荐一些留存率较高的文章和视频。当然，该统一排序单元还可以把预估留存率和其他的比如点击和转化等场景的预估推荐指标进行融合和计算后再排序。
78.这样，经过这种留存优化过程，留存率，点击通过率，转化率等指标均能够得到有效提高，最终提升用户体验。
79.在一些场景中，比如电商推荐场景，采用本技术方案能够基于用户在电商的feed流中的行为，比如第一日在该feed流里看了某些文章或视频，对第二日的留存进行预估。具体地，首先采集用户第一日在feed流的浏览行为和第二日的留存行为，将浏览行为和留存行为作为样本数据，采取din(deep interest network)模型来进行留存率的预估，针对预估留存率排序获得前n个文章或者视频推荐给用户，以获得电商的gmv(gross merchandise volume)和点击通过率的提升。
80.在一些场景中，比如资讯信息流的推荐场景，采用本技术方案能够基于用户在资讯信息流场景的行为，比如第一日在该feed流里看了某些文章或者视频，对第二日的留存进行预估。具体地，首先采集用户第一日在资讯信息流的浏览行为和第二日的留存行为，将浏览行为和留存行为作为样本数据，然后传输给模型预估单元进行留存率预估，针对预估留存率排序获得前n个文章或者视频推荐给用户，以获得资讯信息流的用户市场和用户体验的提升。
81.在一些场景中，也可以采取其他的模型，比如xgboost即梯度提升决策树模型，对于具有离散特征的数据进行预估，得到预估留存率。其中，梯度提升决策树模型能够表征历史行为数据与未来设定时间段内的留存率之间的对应关系。
82.在一些场景中，预估模型的数据流还可以采取流式计算，从而实现在线的数据流产出。比如，通过流式计算对在线的留存进行数据处理，处理后的数据即可直接应用于在线实时预估模型。
83.本技术实施例还提供了一种多媒体内容推荐装置，如图5所示，所述装置包括：
84.检测单元51，用于检测到用户对应用程序中第一多媒体内容的浏览行为；
85.预估单元52，用于基于历史访问记录所指示的已访问多媒体内容的历史浏览行为，得到所述用户再次访问所述应用程序的预估留存率；其中，所述预估留存率与所述第一多媒体内容的内容特征相关联；
86.推荐单元53，用于至少基于所述预估留存率，确定待推荐至所述用户的多媒体内容。
87.在本技术的一具体示例中，所述预估单元52，还用于：
88.基于所述历史访问记录得到所述用户在历史时间访问的已访问多媒体内容的历史浏览行为以及在所述历史时间的下一时间的留存行为，确定出表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征；
89.基于所述留存价值特征以及所述第一多媒体内容的内容特征，确定出所述用户浏览所述第一多媒体内容后再次访问所述应用程序的预估留存率。
90.在本技术的一具体示例中，所述预估单元52，还用于：
91.确定所述用户对应的历史浏览行为与所述历史时间的下一时间的留存行为之间的映射关系，将所述映射关系输入至预估模型，得到表征所述已访问多媒体内容的内容特征对留存行为的贡献程度的留存价值特征。
92.在本技术的一具体示例中，所述推荐单元53，还用于：
93.获取所述用户对应的预估推荐指标，所述预设推荐指标为除预估留存率之前的其他推荐指标；
94.将所述预估留存率与获取到的所述预估推荐指标进行加权处理，并基于加权处理后得到的推荐指标确定待推荐至所述用户的多媒体内容。
95.在本技术的一具体示例中，所述推荐单元53，还用于：
96.当存在多个第一多媒体内容，对多个所述第一多媒体内容对应的预估留存率进行排序处理，并基于排序处理结果确定待推荐至所述用户的多媒体内容。
97.在本技术的一具体示例中，所述推荐单元53，还用于：
98.检测到所述用户再次访问所述应用程序后，将待推荐所述用户的多媒体内容推荐至所述用户。
99.这里需要指出的是：以上装置实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本发明装置实施例中未披露的技术细节，本领域的技术人员请参照本发明方法实施例的描述而理解，为节约篇幅，这里不再赘述。
100.本技术实施例还提供了一种多媒体内容推荐设备，包括：一个或多个处理器；与所述一个或多个处理器通信连接的存储器；一个或多个应用程序；其中，所述一个或多个应用
程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行以上所述的方法。
101.在一具体示例中，本技术实施例所述的多媒体内容推荐设备可具体为如图6所示的结构，所述多媒体内容推荐设备至少包括处理器61、存储介质62以及至少一个外部通信接口63；所述处理器61、存储介质62以及外部通信接口63均通过总线64连接。所述处理器61可为微处理器、中央处理器、数字信号处理器或可编程逻辑阵列等具有处理功能的电子元器件。所述存储介质中存储有计算机可执行代码，所述计算机可执行代码能够执行以上任一实施例所述的方法。在实际应用中，所述检测单元51、预估单元52以及推荐单元53均可以通过所述处理器61实现。
102.这里需要指出的是：以上多媒体内容推荐设备实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本发明多媒体内容推荐设备实施例中未披露的技术细节，本领域的技术人员请参照本发明方法实施例的描述而理解，为节约篇幅，这里不再赘述。
103.本技术实施例还提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现以上所述的方法。
104.这里，计算机可读存储介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
105.应当理解，本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
106.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
107.上述所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。