内容推荐方法、装置、电子设备及计算机可读存储介质与流程

1.本技术涉及数据推荐技术领域，具体而言，本技术涉及一种内容推荐方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.信息流推荐排序是对用户和内容间的点击率或浏览时长等指标进行建模，并选用特定的模型进行优化的技术。在现有的推荐场景中，为兼顾精度和性能，主流的推荐系统的实现通常是两层的技术结构，即召回层和排序层。其中，召回层的目的在于缩小用户可能感兴趣的内容的范围，排序层的目的在于对召回层的输出候选集集合进行排序，继而选出用户最感兴趣的部分内容进行推荐。
3.排序模型是排序层的核心技术，深度排序模型是目前主流的技术方案。现有的深度排序模型通过人工的特征工程，将数据之间的关系定义为模型中的特征，但这种定义依赖额外的人工特征工程工作，降低了模型优化的效率，并且难以挖掘相对复杂的模式，在数据缺失的情况下无法保证排序结果的准确性，从而影响最终的推荐结果。


技术实现要素：

4.本技术实施例提供了一种内容推荐方法、装置、电子设备及计算机可读存储介质，用于解决现有技术中对推荐内容进行排序的方法效率较低、准确率较低，从而影响推荐内容的技术问题。
5.根据本技术实施例的一个方面，提供了一种内容推荐的方法，该方法包括：
6.获取目标用户的用户数据和初始推荐内容；
7.将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果；
8.其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
9.可选地，用户数据包括实体数据；实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。
10.可选地，基于用户数据从预设关联图中获取目标用户的关联数据，包括：
11.基于用户数据中的实体数据，从预设关联图中获取与目标用户的实体数据存在关联关系的其他用户的实体数据，作为目标用户的关联数据。
12.可选地，预设关联图的构建生成步骤，包括：
13.获取不同用户的用户数据中的实体数据，筛选满足第一预设条件的实体数据；
14.获取实体数据之间的关联关系信息，筛选满足第二预设条件的目标关联关系信息；
15.以实体数据为顶点，目标关联关系信息指示的关联关系为边构建生成预设关联图。
16.可选地，用户数据还包括行为数据；行为数据包括点击数据、点赞数据和评论数据中的至少一项。
17.可选地，基于用户数据和关联数据生成初始推荐内容对应的推荐分数，包括：
18.基于用户数据中的行为数据和关联数据，生成初始推荐内容对应的点击率分数、点赞率分数和评论率分数；
19.对点击率分数、点赞率分数和评论率分数进行加权计算，得到初始推荐内容对应的推荐分数。
20.可选地，预设处理器的训练步骤包括：
21.获取训练数据；
22.将训练数据输入至初始处理器，得到初始推荐结果；初始处理器包括第一初始处理器和第二初始处理器；
23.根据初始推荐结果对初始处理器进行反向优化，得到优化后的处理器，直至得到满足预设精确度要求的预设处理器。
24.可选地，第二处理器的训练步骤包括：
25.获取第一初始处理器输出的初始关联数据；
26.根据训练数据中的训练用户数据、训练内容数据、训练环境数据和初始关联数据生成推荐日志；
27.将训练数据中的用户反馈日志和推荐日志进行拼接，生成拼接日志；
28.根据拼接日志对第二初始处理器进行正向和反向优化，得到优化后的处理器，直至得到满足预设精确度要求的第二处理器。
29.可选地，获取第一初始处理器输出的初始关联数据，包括：
30.根据预设关联图中的实体数据和实体数据之间的关联关系信息，构建生成近邻查询服务；
31.调用近邻查询服务，获取第一初始处理器输出的初始关联数据。
32.根据本技术实施例的另一个方面，提供了一种内容推荐装置，该装置包括：
33.获取模块，用于获取目标用户的用户数据和初始推荐内容；
34.推荐模块，用于将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果；
35.其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
36.可选地，用户数据包括实体数据；实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。
37.可选地，推荐模块包括：
38.查询模块，用于基于用户数据中的实体数据，从预设关联图中获取与目标用户的
实体数据存在关联关系的其他用户的实体数据，作为目标用户的关联数据。
39.可选地，该装置还包括第一构建模块，第一构建模块包括：
40.第一筛选模块，用于获取不同用户的用户数据中的实体数据，筛选满足第一预设条件的实体数据；
41.第二筛选模块，用于获取实体数据之间的关联关系信息，筛选满足第二预设条件的目标关联关系信息；
42.第一构建子模块，用于以实体数据为顶点，目标关联关系信息指示的关联关系为边构建生成预设关联图。
43.可选地，用户数据还包括行为数据；行为数据包括点击数据、点赞数据和评论数据中的至少一项。
44.可选地，推荐模块还包括：
45.第一生成模块，用于基于用户数据中的行为数据和关联数据，生成初始推荐内容对应的点击率分数、点赞率分数和评论率分数；
46.计算模块，用于对点击率分数、点赞率分数和评论率分数进行加权计算，得到初始推荐内容对应的推荐分数。
47.可选地，该装置还包括训练模块，训练模块包括：
48.第一获取模块，用于获取训练数据；
49.第一推荐模块，用于将训练数据输入至初始处理器，得到初始推荐结果；初始处理器包括第一初始处理器和第二初始处理器；
50.第一优化模块，用于根据初始推荐结果对初始处理器进行反向优化，得到优化后的处理器，直至得到满足预设精确度要求的预设处理器。
51.可选地，训练模块还包括：
52.第二获取模块，用于获取第一初始处理器输出的初始关联数据；
53.第二生成模块，用于根据训练数据中的训练用户数据、训练内容数据、训练环境数据和初始关联数据生成推荐日志；
54.拼接模块，用于将训练数据中的用户反馈日志和推荐日志进行拼接，生成拼接日志；
55.第二优化模块，用于根据拼接日志对第二初始处理器进行正向和反向优化，得到优化后的处理器，直至得到满足预设精确度要求的第二处理器。
56.可选地，第二获取模块包括：
57.第二构建模块，用于根据预设关联图中的实体数据和实体数据之间的关联关系信息，构建生成近邻查询服务；
58.调用模块，用于调用近邻查询服务，获取第一初始处理器输出的初始关联数据。
59.根据本技术实施例的另一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，处理器执行计算机程序以实现上述任一个方面的内容推荐方法的步骤。
60.根据本技术实施例的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一个方面的内容推荐方法的步骤。
61.本技术实施例提供的技术方案带来的有益效果是：
62.通过将预设关联图引入预设处理器中的第一处理器中，提升第一处理器获取的关联数据的准确性，然后通过引入预设关联图的第一处理器对第二处理器进行优化，并采用优化后的第二处理器基于关联数据对推荐内容进行打分和排序，从而在整体上优化预设处理器，使得预设处理器向用户推荐更感兴趣的推荐内容，提升用户的体验。
附图说明
63.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
64.图1为本技术实施例提供的一种内容推荐方法的流程示意图之一；
65.图2为本技术实施例提供的预设关联图的构建生成的流程示意图；
66.图3为本技术实施例提供的基于用户数据和关联数据生成初始推荐内容对应的推荐分数的流程示意图；
67.图4为本技术实施例提供的预设处理器的训练的流程示意图；
68.图5为本技术实施例提供的第二处理器的训练的流程示意图；
69.图6为本技术实施例提供的获取第一初始处理器输出的初始关联数据的流程示意图；
70.图7为本技术实施例提供的一种内容推荐装置的结构示意图；
71.图8为本技术实施例提供的一种内容推荐的电子设备的结构示意图。
具体实施方式
72.下面结合本技术中的附图描述本技术的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本技术实施例的技术方案的示例性描述，对本技术实施例的技术方案不构成限制。
73.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“a和/或b”指示实现为“a”，或者实现为“a”，或者实现为“a和b”。
74.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
75.下面通过对几个示例性实施方式的描述，对本技术实施例的技术方案以及本技术的技术方案产生的技术效果进行说明。需要指出的是，下述实施方式之间可以相互参考、借鉴或结合，对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等，不再重复描述。
76.本技术实施例中提供了一种内容推荐的方法，如图1所示，该方法包括：
77.步骤s101，获取目标用户的用户数据和初始推荐内容。
78.针对特定的目标用户，获取目标用户的用户数据和初始推荐内容。其中，用户数据可以理解为具有用户本身特征属性的数据，初始推荐内容可以理解为计划推荐给目标用户的一般推荐内容，初始推荐内容中包括多个具体的推荐内容。
79.用户数据可以是在公开社交平台基于用户填写或关注的信息获取得到的，初始推荐内容可以是在相应的内容数据库中直接搜索得到的，也可以是通过预设的推荐模型计算得到的。需要说明的是，上述获取方式仅作为获取用户数据和初始推荐内容的可能的实现方式，本技术实施例对用户数据和初始推荐内容的来源以及相应的获取方式不做限制。
80.例如，用户使用电脑、手机等终端设备访问公开社交平台，触发获取推荐内容的请求。此时，根据用户请求获取该目标用户的用户数据和初始推荐内容。目标用户的用户数据和初始推荐内容形成特定的《用户，内容》特征对，以下简称为特征对。
81.步骤s102，将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果。
82.其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
83.将目标用户包括用户数据和初始推荐内容的特征对输入至预设处理器，通过预设处理器进行相关处理，得到筛选和排序后的推荐内容，将其作为目标用户最终的推荐结果，展示给目标用户。
84.其中，预设处理器主要由第一处理器和第二处理器构成。第一处理器基于输入的特征对中的用户数据，从预设关联图中获取对应的关联数据。预设关联图为预先设置的以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的。
85.本技术一种优选实施例中，用户数据包括实体数据；实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。
86.具体而言，预设关联图为以不同用户的实体数据为顶点，不同用户的实体数据之间的关联关系为边构建生成的。以职场类型的公开社交平台为例，实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。
87.相应的，不同用户的实体数据之间的关联关系可以包括用户和用户之间的好友关系、用户和公司之间的从属关系、用户和职位之间的对应关系、用户和职业技能之间的对应关系等。除此之外，公司、行业和行业方向之间也存在从属关系。不同的实体数据之间的关联关系可以是基于用户填写或选择的信息确定的，也可以是预设处理器中的第一处理器经过学习和训练得到的。
88.多个用户的实体数据和实体数据之间的关联关系构成了预设关联图，多样化的数据形成了预设关联图的异构图结构。第一处理器基于用户数据中的实体数据从预设关联图中获取目标用户的关联数据。
89.本技术一种优选实施例中，预设关联图的构建生成步骤，如图2所示，包括：
90.步骤1021，获取不同用户的用户数据中的实体数据，筛选满足第一预设条件的实
体数据。
91.获取不同用户的用户数据中的实体数据，其中，实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。实体数据可以基于用户在公开社交平台填写或选择的信息直接获取得到。
92.针对获取的实体数据进行筛选处理，其中，第一预设条件可以由管理人员自行设定，从而满足不同情况下的内容推荐需求。例如，筛选一段时间内登录过的用户的实体数据，筛选特定行业的用户的实体数据，筛选一段时间内存在好友结成行为的用户的实体数据等。
93.步骤s1022，获取实体数据之间的关联关系信息，筛选满足第二预设条件的目标关联关系信息。
94.针对筛选后的满足第一预设条件的实体数据，获取实体数据之间的关联关系信息，对关联关系信息进行筛选处理，第二预设条件也可以由管理人员自行设定。例如，筛选一段时间内的好友结成关系信息，筛选用户最近的一段工作经历对应的关联关系信息等。
95.步骤s1023，以实体数据为顶点，目标关联关系信息指示的关联关系为边构建生成预设关联图。
96.将满足第一预设条件的实体数据作为顶点，满足第二预设条件的目标关联关系指示的关联关系作为边，构建生成预设关联图。
97.本技术一种优选实施例中，基于用户数据从预设关联图中获取目标用户的关联数据，包括：
98.基于用户数据中的实体数据，从预设关联图中获取与目标用户的实体数据存在关联关系的其他用户的实体数据，作为目标用户的关联数据。
99.第一处理器调用预设关联图对应的近邻查询服务，获取与目标用户的实体数据存在关联关系的其他用户的实体数据，作为目标用户的关联数据。近邻查询服务可以为预设的grpc服务支持的在线图近邻查询服务。近邻查询服务可以同时使用多个字段进行多路并发查询。
100.例如，使用用户id进行近邻用户查询：
101.输入：用户id、请求实体数据类型、请求近邻个数。如{user_id:1234，search_field:
‘
user’，top_n＝5}，其表示返回用户1234的5个近邻用户。
102.输出：近邻用户列表。如{results:[
‘
用户a’,
‘
用户b’,
‘
用户c’,
‘
用户d’,
‘
用户e’]}。
[0103]
其中，用户id为目标用户的实体数据，近邻用户列表为与目标用户的实体数据存在关联关系的其他用户的实体数据。
[0104]
使用用户id进行近邻公司查询：
[0105]
输入：用户id、请求实体数据类型、请求近邻个数。如{user_id:1234，search_field:
‘
company’，top_n＝5}，其表示返回用户1234的5个近邻公司。
[0106]
输出：近邻公司列表。如{results:[
‘
公司a’,
‘
公司b’,
‘
公司c’,
‘
公司d’,
‘
公司e’]}。
[0107]
其中，用户id为目标用户的实体数据，近邻公司列表为与目标用户的实体数据存在关联关系的其他用户的实体数据。
[0108]
使用公司进行近邻职位查询：
[0109]
输入：公司信息、请求实体数据类型、请求近邻个数。如{company_id:a，search_field:
‘
job’，top_n＝5}，其表示返回公司a的5个近邻职位。
[0110]
输出：近邻职位列表。如{results:[
‘
后端研发’,
‘
前端开发’,
‘
物流配送’,
‘
人工智能’,
‘
电商运营’]}。
[0111]
其中，公司信息为目标用户的实体数据，近邻职位列表为与目标用户的实体数据存在关联关系的其他用户的实体数据。
[0112]
将同时使用多个字段进行多路并发查询得到的多个近邻查询结果进行聚合，对近邻查询结果进行校准，得到最终的关联数据。
[0113]
通过近邻查询服务，基于用户数据从预设关联图中获取目标用户的关联数据，在目标用户的部分实体数据缺失的情况下，同样可以获取范围较广、数量较多的关联数据，避免出现因目标用户的用户数据不全面，造成推荐内容不准确的问题。
[0114]
本技术一种优选实施例中，用户数据还包括行为数据；行为数据包括点击数据、点赞数据和评论数据中的至少一项。
[0115]
用户数据包括实体数据和行为数据。其中，行为数据包括点击数据、点赞数据和评论数据中的至少一项。行为数据可以理解为用户在公开社交平台做出的历史行为操作对应的数据。例如，用户点击观看一条内容，这一历史行为操作对应的数据就可以作为该用户的行为数据。
[0116]
第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数，具体而言，第二处理器基于用户数据中的行为数据，和关联数据生成初始推荐内容对应的推荐分数。第二处理器可以使用tensorflow serving框架来实现。
[0117]
本技术一种优选实施例中，基于用户数据和关联数据生成初始推荐内容对应的推荐分数，如图3所示，包括：
[0118]
步骤s1024，基于用户数据中的行为数据和关联数据，生成初始推荐内容对应的点击率分数、点赞率分数和评论率分数。
[0119]
根据行为数据可以确定对应的行为分数。一般而言，用户针对内容的点击数据、点赞数据和评论数据可以概括用户对该内容的感兴趣的程度。
[0120]
第二处理器基于用户数据中的行为数据，和第一处理器输出的关联数据，对初始推荐内容进行三个目标分数的预估，生成初始推荐内容对应的点击率分数、点赞率分数和评论率分数。
[0121]
其中，点击率分数、点赞率分数和评论率分数是第二处理器在大量的学习和训练后，对初始推荐内容进行预估生成的。
[0122]
步骤s1025，对点击率分数、点赞率分数和评论率分数进行加权计算，得到初始推荐内容对应的推荐分数。
[0123]
点击率分数、点赞率分数和评论率分数分别从三个方面表示目标用户对初始推荐内容的感兴趣的程度。实际应用中，用户点击观看一条内容，要比点赞一条内容和评论一条内容频繁得多。因此，对点击率分数、点赞率分数和评论率分数进行加权计算，点击率分数、点赞率分数和评论率分数所占的权重由低到高，能够更准确地表示目标用户对初始推荐内容的感兴趣的程度。
[0124]
对点击率分数、点赞率分数和评论率分数进行加权计算，得到初始推荐内容对应的推荐分数。基于推荐分数对初始推荐内容进行排序，得到最终的推荐结果，将推荐结果展示给目标用户。
[0125]
其中，对初始推荐内容进行排序后，还可以进行可选的后置处理，例如，针对推荐分数过低的推荐内容，进行过滤处理，避免向用户推荐低品质内容；针对高推荐分数的多个推荐内容进行多样化重排处理，避免向用户推荐的内容风格过于单调。
[0126]
例如，初始推荐内容包括10条具体的推荐内容，预设处理器基于初始推荐内容对应的推荐分数，对这10条推荐内容进行降序排列，筛选前5条推荐内容作为最终的推荐结果。需要说明的是，以上初始推荐内容对应的推荐内容的数量，和推荐结果对应的推荐内容的数量仅作示例，具体数量可以由管理人员或用户自行设定。
[0127]
本技术一种优选实施例中，如图4所示，预设处理器的训练步骤，包括：
[0128]
步骤s401，获取训练数据。
[0129]
训练数据包括训练用户数据和对应的初始推荐内容。采集大量用户的用户数据和初始推荐内容，形成特定的《用户，内容》特征对。对特征对进行筛选，将筛选后的特征对作为训练数据，训练数据用于对初始处理器进行训练。
[0130]
步骤s402，将训练数据输入至初始处理器，得到初始推荐结果；初始处理器包括第一初始处理器和第二初始处理器。
[0131]
初始处理器包括第一初始处理器和第二初始处理器。第一初始处理器的输出数据是第二初始处理器的输入数据的组成部分。初始处理器对第一初始处理器和第二初始处理器的输出数据做进一步处理，得到初始推荐结果。
[0132]
其中，第一初始处理器可以通过star2vec技术来实现，第一初始处理器对预设关联图进行表征学习，生成对应的向量特征，并基于faiss框架构建在线的向量索引，使用grpc服务支持在线图近邻查询服务，也就是基于预设关联图实现的近邻查询服务。
[0133]
第一初始处理器包括近邻查询服务的调用模块。通过预设关联图进行各类异构的实体数据之间的相关性比较，基于预设关联图对第一初始处理器进行优化，提升第一初始处理器的处理效率和处理准确率。
[0134]
本技术实施例还可以构建自动更新流水线，通过离线的方式对第一初始处理器应用到的各类数据的更新速度和更新效果进行评估，在预设时间周期内对第一初始处理器应用到的各类数据进行更新，从而保持训练数据的时效性。
[0135]
第二初始处理器可以通过tensorflow serving框架来构建在线的模型预估服务，第二初始处理器包括模型预估服务的调用模块。通过调用模型预估服务对训练数据对应的初始推荐内容进行打分，生成初始推荐分数。进一步，初始处理器根据初始推荐分数对训练数据中的初始推荐内容进行排序，得到初始推荐结果。
[0136]
步骤s403，根据初始推荐结果对初始处理器进行反向优化，得到优化后的处理器，直至得到满足预设精确度要求的预设处理器。
[0137]
根据初始处理器输出的初始推荐结果，对初始处理器进行反向优化。通过训练数据和训练数据对应的初始推荐结果对初始处理器进行不断优化和改进，最终得到满足预设精确度要求的预设处理器。
[0138]
本技术一种优选实施例中，如图5所示，第二处理器的训练步骤包括：
[0139]
步骤s501，获取第一初始处理器输出的初始关联数据。
[0140]
第一初始处理器基于训练数据中的训练用户数据从预设关联图中获取对应的初始关联数据。将第一初始处理器输出的初始关联数据作为第二初始处理器的输入数据的组成部分。
[0141]
本技术一种优选实施例中，如图6所示，获取第一初始处理器输出的初始关联数据，包括：
[0142]
步骤s5011，根据预设关联图中的实体数据和实体数据之间的关联关系信息，构建生成近邻查询服务。
[0143]
根据预设关联图中的实体数据和实体数据之间的关联关系信息，构建生成近邻查询服务。近邻查询服务可以为grpc服务支持的在线图近邻查询服务。近邻查询服务可以同时使用多个字段进行多路并发查询。
[0144]
步骤s5012，调用近邻查询服务，获取第一初始处理器输出的初始关联数据。
[0145]
第一初始处理器包括近邻查询服务的调用模块。第一初始处理器调用近邻查询服务，将训练用户数据中的训练实体数据输入第一初始处理器，获取输出的初始关联数据。
[0146]
步骤s502，根据训练数据中的训练用户数据、训练内容数据、训练环境数据和初始关联数据生成推荐日志。
[0147]
训练数据包括训练用户数据、训练内容数据和训练环境数据。第一初始处理器基于训练用户数据从预设关联图中获取初始关联数据。
[0148]
其中，训练用户数据可以理解为用户的基础数据，例如用户id、年龄、性别、所在地区、所在公司、职位、职业技能、所在行业、所在行业方向，以及最近的浏览记录和点击记录等基础数据。
[0149]
训练内容数据可以理解为内容的基础数据，例如内容作者、内容长度、内容关键词、内容召回方式、内容类型标签，以及内容作者所在公司和内容作者所在行业方向等基础数据。
[0150]
训练环境数据可以理解为用户访问公开社交平台时提供的相关硬件数据，例如访问硬件类型、机型、访问时间等数据。
[0151]
将训练用户数据、训练内容数据、训练环境数据和初始关联数据进行聚合，生成推荐日志。
[0152]
步骤s503，将训练数据中的用户反馈日志和推荐日志进行拼接，生成拼接日志。
[0153]
训练数据还包括用户反馈日志，其中，用户反馈日志为根据用户的历史行为操作反馈的数据生成的。用户反馈日志包括用户的点击数据、点赞数据、评论数据、针对一条内容的停留时长数据等。
[0154]
根据预设规则对推荐日志进行清洗操作，筛选出有利于优化第二初始处理器的推荐日志，将筛选后的推荐日志与用户反馈日志进行拼接，生成拼接日志。具体而言，预设规则可以由管理人员根据不同的应用场景来进行设定，本技术实施例对此不做限制。
[0155]
步骤s504，根据拼接日志对第二初始处理器进行正向和反向优化，得到优化后的处理器，直至得到满足预设精确度要求的第二处理器。
[0156]
第二初始处理器将拼接日志转化为训练框架支持的特定格式的训练样本，即《用户，内容》特征对，并对不同的训练特征对进行分类。针对拼接日志，本技术实施例还可以基
于时间信息进行简单的数据过滤操作，得到其中具备时效性的拼接日志，再转换为训练样本。
[0157]
例如，当一位用户针对一条内容的点击次数大于0次，且停留时长大于x秒时，认定这样的一次训练特征对为一次长点击样本，将所有的长点击样本的集合定义为第一样本集。
[0158]
当一位用户针对一条内容的点赞次数大于0次，认定这样的一次训练特征对为一次点赞样本，将所有的点赞样本的集合定义为第二样本集。
[0159]
当一位用户针对一条内容的评论次数大于0次，认定这样的一次训练特征对为一次评论样本，将所有的评论样本的集合定义为第三样本集。
[0160]
当一位用户针对一条内容无上述长点击、点赞、评论行为时，认定这样的一次训练特征对为一次简单浏览样本，将所有的简单浏览样本的集合定义为第四样本集。
[0161]
其中第一样本集、第二样本集和第三样本集组成了训练第二初始处理器的正样本集合，第四样本集为训练第二初始处理器的负样本集合。正样本集合和负样本集合共同构成了第二初始处理器的训练样本集合。根据拼接日志对应的训练样本集合，对第二初始处理器进行正向和反向优化，得到优化后的处理器，直至得到满足预设精确度要求的第二处理器。
[0162]
例如，第一样本集、第二样本集和第三样本集，分别对应训练第二初始处理器预估点击率分数、点赞率分数和评论率分数。从上述三个方面同时对第二初始处理器进行训练优化，使用多目标学习方案，对第二初始处理器进行正向和反向的优化。
[0163]
具体而言，分别提取拼接日志包括的训练用户数据、训练内容数据、训练环境数据和初始关联数据中的用户特征、内容特征、环境特征和关联特征。基于这四类特征，在上述四类样本集的基础上，通过迭代的方式从预估点击率分数、点赞率分数和评论率分数三个方面进行参数训练。
[0164]
本技术实施例还可以构建自动更新流水线，通过离线的方式对第二初始处理器应用到的各类数据的更新速度和更新效果进行评估，在预设时间周期内对第二初始处理器应用到的各类数据进行更新，从而保持训练数据的时效性。
[0165]
应用本技术实施例提供的一种内容推荐方法，获取目标用户的用户数据和初始推荐内容；将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果；其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
[0166]
本技术实施例通过将预设关联图引入预设处理器中的第一处理器中，提升第一处理器获取的关联数据的准确性，然后通过引入预设关联图的第一处理器对第二处理器进行优化，并采用优化后的第二处理器基于关联数据对推荐内容进行打分和排序，从而在整体上优化预设处理器，使得预设处理器向用户推荐更感兴趣的推荐内容，提升用户的体验。
[0167]
本技术实施例提供了一种内容推荐装置，如图7所示，该内容推荐装置70可以包括：
[0168]
获取模块701，用于获取目标用户的用户数据和初始推荐内容；
[0169]
推荐模块702，用于将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果；
[0170]
其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
[0171]
本技术一种优选实施例中，用户数据包括实体数据；实体数据包括用户身份标识号id、公司信息、职位信息、职业技能信息、行业信息以及行业方向信息中的至少一项。
[0172]
本技术一种优选实施例中，推荐模块702包括：
[0173]
查询模块，用于基于用户数据中的实体数据，从预设关联图中获取与目标用户的实体数据存在关联关系的其他用户的实体数据，作为目标用户的关联数据。
[0174]
本技术一种优选实施例中，该装置还包括第一构建模块，第一构建模块包括：
[0175]
第一筛选模块，用于获取不同用户的用户数据中的实体数据，筛选满足第一预设条件的实体数据；
[0176]
第二筛选模块，用于获取实体数据之间的关联关系信息，筛选满足第二预设条件的目标关联关系信息；
[0177]
第一构建子模块，用于以实体数据为顶点，目标关联关系信息指示的关联关系为边构建生成预设关联图。
[0178]
本技术一种优选实施例中，用户数据还包括行为数据；行为数据包括点击数据、点赞数据和评论数据中的至少一项。
[0179]
本技术一种优选实施例中，推荐模块702还包括：
[0180]
第一生成模块，用于基于用户数据中的行为数据和关联数据，生成初始推荐内容对应的点击率分数、点赞率分数和评论率分数；
[0181]
计算模块，用于对点击率分数、点赞率分数和评论率分数进行加权计算，得到初始推荐内容对应的推荐分数。
[0182]
本技术一种优选实施例中，该装置还包括训练模块，训练模块包括：
[0183]
第一获取模块，用于获取训练数据；
[0184]
第一推荐模块，用于将训练数据输入至初始处理器，得到初始推荐结果；初始处理器包括第一初始处理器和第二初始处理器；
[0185]
第一优化模块，用于根据初始推荐结果对初始处理器进行反向优化，得到优化后的处理器，直至得到满足预设精确度要求的预设处理器。
[0186]
本技术一种优选实施例中，训练模块还包括：
[0187]
第二获取模块，用于获取第一初始处理器输出的初始关联数据；
[0188]
第二生成模块，用于根据训练数据中的训练用户数据、训练内容数据、训练环境数据和初始关联数据生成推荐日志；
[0189]
拼接模块，用于将训练数据中的用户反馈日志和推荐日志进行拼接，生成拼接日志；
[0190]
第二优化模块，用于根据拼接日志对第二初始处理器进行正向和反向优化，得到
优化后的处理器，直至得到满足预设精确度要求的第二处理器。
[0191]
本技术一种优选实施例中，第二获取模块包括：
[0192]
第二构建模块，用于根据预设关联图中的实体数据和实体数据之间的关联关系信息，构建生成近邻查询服务；
[0193]
调用模块，用于调用近邻查询服务，获取第一初始处理器输出的初始关联数据。
[0194]
应用本技术实施例提供的一种内容推荐装置，获取目标用户的用户数据和初始推荐内容；将用户数据和初始推荐内容输入至预设处理器，得到目标用户的推荐结果；其中，预设处理器包括第一处理器和第二处理器；第一处理器基于用户数据从预设关联图中获取目标用户的关联数据，预设关联图为以不同用户的用户数据为顶点，不同用户的用户数据之间的关联关系为边构建生成的；第二处理器基于用户数据和关联数据生成初始推荐内容对应的推荐分数；推荐结果为基于推荐分数对初始推荐内容进行排序得到的。
[0195]
本技术实施例通过将预设关联图引入预设处理器中的第一处理器中，提升第一处理器获取的关联数据的准确性，然后通过引入预设关联图的第一处理器对第二处理器进行优化，并采用优化后的第二处理器基于关联数据对推荐内容进行打分和排序，从而在整体上优化预设处理器，使得预设处理器向用户推荐更感兴趣的推荐内容，提升用户的体验。
[0196]
本技术实施例中提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现内容推荐方法的步骤，与现有技术相比可实现：通过将预设关联图引入预设处理器中的第一处理器中，提升第一处理器获取的关联数据的准确性，然后通过引入预设关联图的第一处理器对第二处理器进行优化，并采用优化后的第二处理器基于关联数据对推荐内容进行打分和排序，从而在整体上优化预设处理器，使得预设处理器向用户推荐更感兴趣的推荐内容，提升用户的体验。
[0197]
在一个可选实施例中提供了一种电子设备，如图8所示，图8所示的电子设备8000包括：处理器8001和存储器8003。其中，处理器8001和存储器8003相连，如通过总线8002相连。可选地，电子设备8000还可以包括收发器8004，收发器8004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器8004不限于一个，该电子设备8000的结构并不构成对本技术实施例的限定。
[0198]
处理器8001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器8001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
[0199]
总线8002可包括一通路，在上述组件之间传送信息。总线8002可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线8002可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0200]
存储器8003可以是rom(read only memory，只读存储器)或可存储静态信息和指
令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
[0201]
存储器8003用于存储执行本技术实施例的计算机程序，并由处理器8001来控制执行。处理器8001用于执行存储器8003中存储的计算机程序，以实现前述方法实施例所示的步骤。
[0202]
本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
[0203]
应该理解的是，虽然本技术实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本技术实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本技术实施例对此不限制。
[0204]
以上所述仅是本技术部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术的方案技术构思的前提下，采用基于本技术技术思想的其他类似实施手段，同样属于本技术实施例的保护范畴。