用户生成内容的推荐方法、系统、设备和介质与流程

1.本发明涉及机器学习技术领域，特别涉及用户生成内容的推荐方法、系统、设备和介质。


背景技术：

2.目前，网络社区中用户发布的内容普遍参差不齐，低质量、非真诚分享的内容与高质量的ugc(user generated content，用户生成内容)用户生成内容混在一起。这就造成在推荐页面或搜索结果页面给用户推送内容时，无法筛选推送高质量的内容。
3.针对此问题，常用的方法是进行垃圾识别和谣言检测等基于发布内容特征的识别和检测，来判断用户发布的内容的质量，以进行过滤和推荐。然而，即使使用了这种基于内容的识别和检测方法，推荐的内容仍然良莠不齐，且这种方法计算量大，模型的训练数据需要人工标注。因此，目前急需一套计算量低而无需人工标注模型的训练数据的内容推荐方案。


技术实现要素：

4.本发明的目的在于提供用户生成内容的推荐方法、系统、设备和介质，能够根据用户的行为数据以及用户类别来训练用于确定用户的推荐分的模型，并使用该模型对用户生成内容进行推荐，计算量小、无需人工标注训练数据。解决现有方法推荐质量低、计算量大、以及模型的训练数据标注成本高的技术问题。
5.本发明的实施方式公开了一种用户生成内容的推荐方法，用于电子设备，该方法包括：
6.基于用户识别模型确定用户的推荐值，以及
7.基于该用户的推荐值大小对用户生成内容进行推荐；
8.其中，该用户识别模型通过基于弱监督的训练方法获得，该训练方法包括：
9.获取用户信息，该用户信息包括用户的类别以及用户的行为数据；
10.基于用户的类别确定用户的推荐值，该推荐值包括多个离散数值；
11.基于用户的行为数据，构建用户的用户特征；
12.将用户的推荐值和用户特征组成样本集，其中，以每个用户的用户特征为样本特征、推荐值为样本标签组成一个样本；
13.使用该样本集训练该用户识别模型。
14.可选地，基于用户的推荐值大小对该用户生成内容进行推荐，包括：
15.降低推荐值低于阈值的用户生成内容的推荐权重。
16.可选地，基于用户的推荐值大小对该用户生成内容进行推荐，包括：
17.根据推荐值的大小，确定用户生成内容的推荐权重。
18.可选地，基于用户的类别确定用户的推荐值，该推荐值包括多个离散数值包括：
19.确定被标为不合规的用户的推荐值为第一数值，确定新用户的推荐值为第二数
值，确定其他用户的推荐值为第三数值，其中，第一数值＜第二数值＜第三数值。
20.可选地，用户识别模型为预测值在第一数值和第三数值之间的回归模型。
21.可选地，行为数据包括发布数据、消费数据和活跃数据，其中，发布数据包括过去一周发布的内容的数量、发布的内容是否为搬运的内容和发布的内容是否带货，活跃数据包括过去一周的活跃时长和搜索频率。
22.本发明的实施方式公开了一种用户生成内容的推荐系统，包括
23.确定模块，用于基于用户识别模型确定用户的推荐值，以及
24.推荐模块，用于基于用户的推荐值大小对用户生成内容进行推荐；
25.训练模块，用于基于弱监督的训练方法训练获得用户识别模型，该训练模块包括：
26.获取单元，用于获取用户信息，该用户信息包括用户的类别以及用户的行为数据；
27.确定单元，用于基于用户的类别确定用户的推荐值，推荐值包括多个离散数值；
28.构建单元，用于基于用户的行为数据，构建用户的用户特征；
29.组成单元，用于将用户的推荐值和用户特征组成样本集，其中，以每个用户的用户特征为样本特征、推荐值为样本标签组成一个样本；
30.训练单元，用于使用组成单元组成的样本集训练用户识别模型。
31.本发明的实施方式公开了一种用户生成内容的推荐设备，该设备包括存储有计算机可执行指令的存储器和处理器，当该指令被该处理器执行时，使得该设备实施以上任一用户生成内容的推荐方法。
32.本发明的实施方式公开了一种计算机存储介质，在该计算机存储介质上存储有指令，当该指令在计算机上运行时，使得该计算机执行以上任一用户生成内容的推荐方法。
33.本发明实施方式与现有技术相比，主要区别及其效果在于：
34.在本发明中，基于用户识别模型确定用户的推荐值，以及基于该用户的推荐值大小对用户生成内容进行推荐。基于用户进行推荐，而不是基于用户发布的内容进行推荐。基于发布的内容进行推荐计算量大，而且准确度低。基于用户进行推荐则模型复杂度低、准确度高。
35.在本发明中，基于用户的类别确定用户的推荐值，该推荐值包括多个离散数值；基于用户的行为数据，构建用户的用户特征；将用户的推荐值和用户特征组成样本集，其中，以每个用户的用户特征为样本特征、推荐值为样本标签组成一个样本；使用该样本集训练该用户识别模型。采用弱监督的方法训练模型，通过识别出用户的不同级别推荐度得到训练数据的标签，而无需人工标注训练数据。根据用户的行为数据构建训练数据特征，训练出的模型能够直接根据用户的特征预测用户的推荐分。
36.在本发明中，确定被标为不合规的用户的推荐值为第一数值，确定新用户的推荐值为第二数值，确定其他用户的推荐值为第三数值，其中，第一数值＜第二数值＜第三数值。可以根据用户的类别，能够较为准确地识别出用户的三个级别的推荐分作为训练数据的标签，用于在没有人工标注训练样本的情况下，以弱监督的方式训练出可靠的用户识别模型。
附图说明
37.图1示出根据本技术的实施例的用户生成内容的推荐方法的实施场景的示意图。
38.图2a示出根据本技术的实施例的用户生成内容的推荐方法的流程图。
39.图2b示出根据本技术的实施例的用户识别模型的训练方法的流程图。
40.图3a示出根据本技术的实施例的用户分类器和用户识别模型的示意图。
41.图3b示出根据本技术的实施例的用户识别模型的示意图。
42.图4示出根据本技术的实施例的用户生成内容的推荐系统的框图。
43.图5示出根据本技术的实施例的用户生成内容的推荐设备的框图。
具体实施方式
44.下面结合具体实施例和附图对本技术做进一步说明。可以理解的是，此处描述的具体实施例仅仅是为了解释本技术，而非对本技术的限定。此外，为了便于描述，附图中仅示出了与本技术相关的部分而非全部的结构或过程。应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项。
45.应当理解的是，虽然在本文中可能使用了术语“第一”、“第二”等等来描述各个特征，但是这些特征不应当受这些术语限制。使用这些术语仅仅是为了进行区分，而不能理解为指示或暗示相对重要性。举例来说，在不背离示例性实施例的范围的情况下，第一特征可以被称为第二特征，并且类似地第二特征可以被称为第一特征。
46.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实施例中的具体含义。
47.本技术的说明性实施例包括但不限于用户生成内容的推荐方法、系统、设备和介质。
48.将使用本领域技术人员通常采用的术语来描述说明性实施例的各个方面，以将他们工作的实质传达给本领域其他技术人员。然而，对于本领域技术人员来说，使用部分所描述的特征来施行一些替代性实施例是显而易见的。出于解释的目的，阐述了具体的数字和配置，以便对说明性实施例进行更加透彻的理解。然而，对于本领域技术人员来说显而易见的是，可以在没有具体细节的情况下实施替代实施例。在一些其他情况下，本文省略或简化了一些众所周知的特征，以避免使本技术的说明性实施例模糊不清。
49.此外，各种操作将以最有助于理解说明性实施例的方式被描述为多个彼此分离的操作；然而，描述的顺序不应被解释为暗示这些操作必须依赖描述的顺序，其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序也可以被重新安排。当所描述的操作完成时，所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
50.说明书中对“一个实施例”、“实施例”、“说明性实施例”等的引用表示所描述的实施例可以包括特定特征、结构或性质，但是每个实施例也可能或不是必需包括特定的特征、结构或性质。而且，这些短语不一定是针对同一实施例。此外，当结合具体实施例描述特定特征，本领域技术人员的知识能够影响到这些特征与其他实施例的结合，无论这些实施例是否被明确描述。
51.除非上下文另有规定，否则术语“包含”、“具有”和“包括”是同义词。短语“a和/或b”表示“(a)、(b)或(a和b)”。
52.如本文所使用的，术语“模块”可以指代，作为其中的一部分，或者包括：用于运行一个或多个软件或固件程序的存储器(共享、专用或组)、专用集成电路(asic)、电子电路和/或处理器(共享、专用或组)、组合逻辑电路、和/或提供所述功能的其他合适组件。
53.在附图中，可能以特定布置和/或顺序示出了一些结构或方法特征。然而，应当理解的是，这样的特定布置和/或排序不是必需的。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来进行说明。另外，特定附图中所包含得结构或方法特征并不意味着所有实施例都需要包含这样的特征，在一些实施例中，可以不包含这些特征或者可以与将这些特征与其他特征进行组合。
54.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的实施方式作进一步地详细描述。
55.图1示出根据本技术的实施例的用户生成内容的推荐方法的实施场景的示意图。
56.如图1所示，场景包括终端103，终端103可以是台式终端或移动终端，移动终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等。终端103可以安装有可以进行访问远程服务的应用，例如浏览器或者客户端，并通过该浏览器或者客户端在远程服务注册账号、浏览和发布内容等。本技术实施例涉及的应用可以是软件客户端，也可以是网页、小程序等客户端，若应用为网页、小程序等客户端时，后台服务器则是与软件或是网页、小程序等相对应的后台服务器，不限制客户端的具体类型。
57.场景还包括服务器101，服务器101可以为终端103上安装的应用所对应的后台服务器，例如，可以是提供网络社区服务的服务器，并且，例如可以是独立的物理服务器或者是多个服务器组成的服务器集群或分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。
58.终端103和服务器101之间通过网络105连接，网络105包括一个或多个，并且可以包括各种连接类型，例如有线、无线通信链路、云或者光纤电缆等等，上述的网络具体实例可包括终端103的通信供应商提供的互联网。
59.在网络社区中，用户发布的内容质量参差不齐，例如，有的内容发布是真诚的有的内容发布是不真诚的，例如，用户发布内容所使用的素材来自自己的经验或创造，这样的内容发布行为可以认为是真诚的；相反，如果用户发布内容时借鉴了未经授权的他人的素材、或转载了内容却没有获得原作者的同意或没有注明出处，则这样的内容发布行为可以认为是非真诚的。非真诚的内容发布行为还可以包括：分享和创造过程中受到商家的赞助或便利，却在发布时没有申明利益相关；发布的内容实际上是为了炫耀远超常人的消费能力；发布的是未经科学论证的内容(特别在健康建议和商业宣传等方面发布了伪科学的内容)；发布过渡裸露或性暗示的内容；冒充他人；利用个人影响力进行指控或发布煽动性内容；使用夸张、猎奇手段吸引用户；在没有资质的情况下给人医疗和投资建议；发布其他不尊重他人权利的内容。
60.对于网络社区运营商，推荐搜索等公域流量是体现价值观的重要场景，为了保证和提升社区价值观，就有必要在搜索和推荐场景下对低质量的(例如，低真诚的)发布内容
的曝光进行降权。对此，可选的方法是在用户发布内容时人工审核该发布内容，对该内容的质量进行评估。然后在给其他用户推荐内容的时候，根据内容的质量调整曝光度。这样可以达到上述目标，然而在网络社区规模、用户数量、发布数量都很大的情境中，对每个用户的每次发布都进行人工审核的成本将非常高，甚至是不可能完成的。
61.针对以上问题，本技术的实施例提供了一种用户生成内容的推荐方法，用于电子设备，通过机器学习模型来对用户生成内容进行推荐。作为一种可选方案，可以人工判断用户发布的内容的质量，给内容打推荐值标签，然后提取内容的特征，将该推荐值标签与该特征组成训练样本，来训练机器学习模型。然后，该机器学习模型就可以基于用户发布的内容的特征来预测该内容的推荐值，以便根据内容的推荐值大小对内容进行推荐。然而，该方案需要人工标注训练样本，成本高、效率低，并且，由于发布内容的特征较为复杂等原因，该方案对发布内容的推荐值的预测准确度有限。本技术的实施例针对此问题进一步作了改进，图2a示出根据本技术的实施例的用户生成内容的推荐方法的流程图，图2b示出根据本技术的实施例的用户识别模型的训练方法的流程图。
62.如图2a所示，用户生成内容的推荐方法200包括：
63.步骤202，基于用户识别模型确定用户的推荐值，以及
64.步骤204，基于该用户的推荐值大小对用户生成内容进行推荐；
65.其中，该用户识别模型通过基于弱监督的训练方法获得，该训练方法包括：
66.步骤206，获取用户信息，该用户信息包括用户的类别以及用户的行为数据；
67.步骤208，基于用户的类别确定用户的推荐值，该推荐值包括多个离散数值；
68.步骤210，基于用户的行为数据，构建用户的用户特征；
69.步骤212，将用户的推荐值和用户特征组成样本集，其中，以每个用户的用户特征为样本特征、推荐值为样本标签组成一个样本；
70.步骤214，使用该样本集训练该用户识别模型。
71.根据本技术的一些实施例，基于用户的推荐值大小对该用户生成内容进行推荐，包括：
72.根据推荐值的大小，确定用户生成内容的推荐权重。
73.根据本技术的一些实施例，基于用户的推荐值大小对该用户生成内容进行推荐包括：降低推荐值低于阈值的用户生成内容的推荐权重。
74.根据本技术的一些实施例，基于用户的类别确定用户的推荐值，该推荐值包括多个离散数值包括：
75.确定被标为不合规的用户的推荐值为第一数值，确定新用户的推荐值为第二数值，确定其他用户的推荐值为第三数值，其中，第一数值＜第二数值＜第三数值。
76.根据本技术的一些实施例，行为数据包括发布数据、消费数据和活跃数据，其中，发布数据包括过去一周发布的内容的数量、发布的内容是否为搬运的内容和发布的内容是否带货，活跃数据包括过去一周的活跃时长和搜索频率。
77.图3a示出根据本技术的实施例的用户分类器和用户识别模型的示意图，图3b示出根据本技术的实施例的用户识别模型的示意图。下面结合图3a和3b说明上述用户生成内容的推荐方法的一个示例。
78.前文提到，在网络社区中，用户发布的内容质量参差不齐，例如，有的内容发布是
真诚的有的内容发布是不真诚的。相应地，真诚发布行为占所有发布行为的比例较高的用户或做出不真诚发布行为概率较高的用户，可以认为真诚度较高，相反，真诚发布行为占所有发布行为的比例较低的用户或做出不真诚发布行为概率较低的用户，可以认为真诚度较低。基于此，可以训练机器学习模型，以基于用户的特征来预测用户的真诚度，并基于用户的真诚度进行对用户生成内容进行推荐。
79.通常，为了训练机器学习模型，需要经过标注的训练集，然而，在规模较大的网络社区中，用户的信息数据和发布数据的量都非常大，如果人工采集和标注训练集，成本将非常高。因此，如图3a所示，本技术的实施例使用用户分类器301来为采集的样本打上标签，用作训练集。这里将用户分为三类来打标签，第一类是历史上统计分级被分为0级的用户，也就是被人工标为不合规的用户，例如，多次发布违反网络社区规定的内容而被封禁的用户。可以认为这些用户大概率不真诚，都打上-100分，为低真诚；第二类是新用户，例如，新注册的用户或没有过任何发布行为的用户，由于无法判断这些用户是否真诚，因此打上0分，为中真诚，第三类是有发布的ugc用户，可以认为这部分用户是真诚的，打上100分，为高真诚，实际上，由于可以认为网络社区里大部分用户是真诚的，所以除了第一类和第二类以外的其他用户都可以认为是ugc用户。例如，如表1中所示，给用户1-n打上三类标签中的一类。
80.表1
[0081][0082][0083]
在用户分类器302给样本用户打上标签之后，可以根据用户的行为数据，例如，发布数据、消费数据和活跃数据，来构建这些用户的特征。发布数据包括过去一周发布的内容(例如，笔记)的数量、发布的内容是否为搬运的内容和发布的内容是否带货，活跃数据包括过去一周的活跃时长(例如，过去一周在推荐版块中所用时间)和搜索频率等。用户1-n的行为数据的示例如表2所示。
[0084]
表2
[0085][0086]
当样本有了以上特征和标签后，样本就可以作为训练集来训练用于预测用户的真诚分的用户识别模型302了。经过训练的用户识别模型302实现以下功能：输入用户特征，相应输出该用户的真诚分(作为推荐值)，输出的真诚分的为[-100,100]范围内的连续值。例如，如图3b所示，输入用户的用户特征，用户识别模型302输出27分。
[0087]
在通过上述方法训练得到用户识别模型302后，就可以预测网络社区中用户的真
诚分，并根据用户的真诚分高低，调整该用户生成和发布的内容在搜索和推荐场景下曝光的权重。
[0088]
本领域技术人员可以理解，上述示例以真诚分作为推荐值，但在本技术中不限于此，也可以从其他任何与用户生成内容推荐度相关的用户评估维度来确定推荐值。上述示例将用户分为三类，并分别为低真诚用户打上-100分、为中真诚用户打上0分、为高真诚用户打上100分，但在本技术中不限于此，可以根据不同的用户评估维度将用户分为任意多类，并给每类用户打上任意能够区分用户类别的合适的标签或数值。
[0089]
在本技术中，基于用户的特征进行推荐，而不是基于用户发布的内容的特征进行推荐。基于发布的内容的特征进行推荐计算量大，而且准确度低。而基于用户的特征进行推荐则模型复杂度低、准确度高。
[0090]
在本技术中，采用弱监督的方法训练模型，通过识别出用户的不同级别推荐度得到训练数据的标签，而无需人工标注训练数据。根据用户的行为数据构建训练数据特征，训练出的模型能够直接根据用户的特征预测用户的推荐分。
[0091]
根据本技术的一些实施例，用户识别模型为预测值在第一数值和第三数值之间的回归模型。例如，用户识别模型可以是gradient boosting regressor模型，这是一种用多个较弱分类器组合构成的强分类器。在没有人工标注训练数据的情况下，采用弱监督的方法也能训练出预测准确连续值的用户识别模型。
[0092]
现在参考图4，所示为根据本技术的实施例的用户生成内容的推荐系统的框图。
[0093]
如图4所示，用户生成内容的推荐系统400包括：
[0094]
确定模块402，用于基于用户识别模型确定用户的推荐值，以及
[0095]
推荐模块404，用于基于用户的推荐值大小对用户生成内容进行推荐；
[0096]
训练模块406，用于基于弱监督的训练方法训练获得用户识别模型，该训练模块406包括：
[0097]
获取单元406a，用于获取用户信息，该用户信息包括用户的类别以及用户的行为数据；
[0098]
确定单元406b，用于基于用户的类别确定用户的推荐值，推荐值包括多个离散数值；
[0099]
构建单元406c，用于基于用户的行为数据，构建用户的用户特征；
[0100]
组成单元406d，用于将用户的推荐值和用户特征组成样本集，其中，以每个用户的用户特征为样本特征、推荐值为样本标签组成一个样本；
[0101]
训练单元406e，用于使用组成单元406d组成的样本集训练用户识别模型。
[0102]
第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0103]
现在参考图5，所示为根据本技术的一个实施例用户生成内容的推荐设备500的框图。设备500可以包括一个或多个处理器502，与处理器502中的至少一个连接的系统控制逻辑508，与系统控制逻辑508连接的系统内存504，与系统控制逻辑508连接的非易失性存储器(nvm)506，以及与系统控制逻辑508连接的网络接口510。
[0104]
处理器502可以包括一个或多个单核或多核处理器。处理器502可以包括通用处理器和专用处理器(例如，图形处理器，应用处理器，基带处理器等)的任何组合。在本文的实施例中，处理器502可以被配置为执行根据如图2a-3b所示的各种实施例的一个或多个实施例。
[0105]
在一些实施例中，系统控制逻辑508可以包括任意合适的接口控制器，以向处理器502中的至少一个和/或与系统控制逻辑508通信的任意合适的设备或组件提供任意合适的接口。
[0106]
在一些实施例中，系统控制逻辑508可以包括一个或多个存储器控制器，以提供连接到系统内存504的接口。系统内存504可以用于加载以及存储数据和/或指令。在一些实施例中设备500的内存504可以包括任意合适的易失性存储器，例如合适的动态随机存取存储器(dram)。
[0107]
nvm/存储器506可以包括用于存储数据和/或指令的一个或多个有形的、非暂时性的计算机可读介质。在一些实施例中，nvm/存储器506可以包括闪存等任意合适的非易失性存储器和/或任意合适的非易失性存储设备，例如hdd(hard disk drive，硬盘驱动器)，cd(compact disc，光盘)驱动器，dvd(digital versatile disc，数字通用光盘)驱动器中的至少一个。
[0108]
nvm/存储器506可以包括安装在设备500的装置上的一部分存储资源，或者它可以由设备访问，但不一定是设备的一部分。例如，可以经由网络接口510通过网络访问nvm/存储506。
[0109]
特别地，系统内存504和nvm/存储器506可以分别包括：指令520的暂时副本和永久副本。指令520可以包括：由处理器502中的至少一个执行时导致设备500实施如图2a-3b所示的方法的指令。在一些实施例中，指令520、硬件、固件和/或其软件组件可另外地/替代地置于系统控制逻辑508，网络接口510和/或处理器502中。
[0110]
网络接口510可以包括收发器，用于为设备500提供无线电接口，进而通过一个或多个网络与任意其他合适的设备(如前端模块，天线等)进行通信。在一些实施例中，网络接口510可以集成于设备500的其他组件。例如，网络接口510可以集成于处理器502的，系统内存504，nvm/存储器506，和具有指令的固件设备(未示出)中的至少一种，当处理器502中的至少一个执行所述指令时，设备500实现图2a-3b所示的各种实施例的一个或多个实施例。通信模块
[0111]
网络接口510可以进一步包括任意合适的硬件和/或固件，以提供多输入多输出无线电接口。例如，网络接口510可以是网络适配器，无线网络适配器，电话调制解调器和/或无线调制解调器。
[0112]
在一个实施例中，处理器502中的至少一个可以与用于系统控制逻辑508的一个或多个控制器的逻辑封装在一起，以形成系统封装(sip)。在一个实施例中，处理器502中的至少一个可以与用于系统控制逻辑508的一个或多个控制器的逻辑集成在同一管芯上，以形成片上系统(soc)。
[0113]
设备500可以进一步包括：输入/输出(i/o)设备512。i/o设备512可以包括用户界面，使得用户能够与设备500进行交互；外围组件接口的设计使得外围组件也能够与设备500交互。在一些实施例中，设备500还包括传感器，用于确定与设备500相关的环境条件和
位置信息的至少一种。
[0114]
在一些实施例中，用户界面可包括但不限于显示器(例如，液晶显示器，触摸屏显示器等)，扬声器，麦克风，一个或多个相机(例如，静止图像照相机和/或摄像机)，手电筒(例如，发光二极管闪光灯)和键盘。
[0115]
在一些实施例中，外围组件接口可以包括但不限于非易失性存储器端口、音频插孔和电源接口。
[0116]
在一些实施例中，传感器可包括但不限于陀螺仪传感器，加速度计，近程传感器，环境光线传感器和定位单元。定位单元还可以是网络接口510的一部分或与网络接口510交互，以与定位网络的组件(例如，全球定位系统(gps)卫星)进行通信。
[0117]
可以理解的是，本发明实施例示意的结构并不构成对用户生成内容的推荐设备500的具体限定。在本技术另一些实施例中，用户生成内容的推荐设备500可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
[0118]
可将程序代码应用于输入指令，以执行本文描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本技术的目的，处理系统包括具有诸如例如数字信号处理器(dsp)、微控制器、专用集成电路(asic)或微处理器之类的处理器的任何系统。
[0119]
程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本文中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。
[0120]
至少一个实施例的一个或多个方面可以由存储在计算机可读存储介质上的表示性指令来实现，指令表示处理器中的各种逻辑，指令在被机器读取时使得该机器制作用于执行本文所述的技术的逻辑。被称为“ip核”的这些表示可以被存储在有形的计算机可读存储介质上，并被提供给多个客户或生产设施以加载到实际制造该逻辑或处理器的制造机器中。
[0121]
根据本技术的一些实施例，公开了一种计算机存储介质，在该计算机存储介质上存储有指令，当该指令在计算机上运行时，使得该计算机执行如本技术任一实施例的用户生成内容的推荐方法。
[0122]
第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0123]
根据本技术的一些实施例，公开了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本技术任一实施例的用户生成内容的推荐方法的步骤。
[0124]
第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0125]
在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合形式来实现。所公开的实施例还可以以承载或储存在一个或多个瞬态或非瞬态的机器可读(例如，计算机可读)存储介质上的指令或程序形式实现，其可以由一个或多个处理器等读取和执行。当指令或程序被机器运行时，机器可以执行前述的各种方法。例如，指令可以通过网络或其他计算机可读介质分发。因此，机器可读介质可以包括但不限于，用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制，例如，软盘，光盘，光盘只读存储器(cd-roms)，磁光盘，只读存储器(rom)，随机存取存储器(ram)，可擦除可编程只读存储器(eprom)，电子式可清除程序化只读存储器(eeprom)，磁卡或光卡，或者用于通过电、光、声或其他形式信号(例如，载波、红外信号、数字信号等)传输网络信息的闪存或有形的机器可读存储器。因此，机器可读介质包括任何形式的适合于存储或传输电子指令或机器(例如，计算机)可读信息的机器可读介质。
[0126]
上面结合附图对本技术的实施例做了详细说明，但本技术技术方案的使用不仅仅局限于本专利实施例中提及的各种应用，各种结构和变型都可以参考本技术技术方案轻易地实施，以达到本文中提及的各种有益效果。在本领域普通技术人员所具备的知识范围内，在不脱离本技术宗旨的前提下做出的各种变化，均应归属于本技术专利涵盖范围。