内容推荐方法、装置、电子设备及存储介质与流程

1.本公开涉及内容推荐的技术领域，尤其涉及一种内容推荐方法、装置、电子设备、存储介质及计算机程序产品。


背景技术：

2.在推荐系统中，为了避免出现信息茧房的弊端，一般会引入人工干预对机器学习算法生成的内容进行重排序，以调节内容的多样性、时效性等特性，达到满足运营需求、提升用户体验的目的。
3.目前，常用的打散算法一般是当某一类别的内容在当前窗口下的出现次数超过规则限制时，该内容的分数上就会被叠乘一个小于1的衰减项，通过对分数进行降序排列，来达到使该内容的曝光位置后移的目的。然而，当打散规则较多时，一条内容会命中多条打散规则，叠乘多个衰减项，使得最终透出的结果往往是命中规则条数最少的内容，由此造成实际应用中“打散规则打不散”和“优质内容透不出”的问题。


技术实现要素：

4.本公开提供一种内容推荐方法、装置、电子设备、存储介质及计算机程序产品，以至少解决相关技术中通过打散算法得到的结果往往是命中规则条数最少的内容，由此造成实际应用中“打散规则打不散”和“优质内容透不出”的的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种内容推荐方法，包括：
6.获取多个推荐结果约束信息，以及通过机器学习排序后的内容序列；所述内容序列中包含多个待选内容；
7.确定各所述待选内容与所述多个推荐结果约束信息之间的关联结果信息，以及确定所述多个待选内容中的当前待选内容集合，所述当前待选内容集合包括所述多个待选内容中未被选取过的待选内容；
8.根据所述多个推荐结果约束信息的预设优先级顺序，以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容的推荐优先级；
9.基于所述当前待选内容集合中各所述待选内容的推荐优先级，从所述当前待选内容集合中选取出目标推荐内容；
10.更新所述目标推荐内容所关联的推荐结果约束信息，以及更新各所述待选内容对应的关联结果信息，并返回执行确定所述多个待选内容中的当前待选内容集合的步骤，直至所述当前待选内容集合为空或者所述多个推荐结果约束信息被满足时，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
11.在一示例性实施例中，所述根据所述多个推荐结果约束信息的预设优先级顺序，以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容的推荐优先级，包括：
12.根据所述预设优先级顺序，以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容命中的目标推荐结果约束信息；
13.根据所述预设优先级顺序，确定各所述目标推荐结果约束信息的推荐优先级，作为所述当前待选内容集合中各所述待选内容的推荐优先级。
14.在一示例性实施例中，所述根据所述预设优先级顺序以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容命中的目标推荐结果约束信息，包括：
15.基于所述当前待选内容集合中各所述待选内容对应的关联结果信息，分别确定各所述待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目；
16.根据各所述待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目以及已选取的目标推荐内容，确定各所述待选内容命中的推荐结果约束信息；
17.根据所述预设优先级顺序，从各所述待选内容命中的推荐结果约束信息中，分别确定出各所述待选内容命中的目标推荐结果约束信息。
18.在一示例性实施例中，在确定所述当前待选内容集合中各所述待选内容命中的目标推荐结果约束信息之前，还包括：
19.将所述当前待选内容集合中各所述待选内容划分为关联有所述推荐结果约束信息的第一类待选内容和未关联所述推荐结果约束信息的第二类待选内容；
20.所述确定当前待选内容集合中各所述待选内容命中的目标推荐结果约束信息，包括：
21.确定所述当前待选内容集合中属于所述第一类待选内容的各待选内容命中的目标推荐结果约束信息。
22.在一示例性实施例中，所述根据所述预设优先级顺序，确定各所述目标推荐结果约束信息的推荐优先级，作为所述当前待选内容集合中各所述待选内容的推荐优先级，包括：
23.当所述当前待选内容集合中的多个待选内容命中相同的目标推荐结果约束信息时，根据所述多个待选内容在所述内容序列中的排列顺序，确定所述多个待选内容的推荐优先级。
24.在一示例性实施例中，所述将每次选取出的目标推荐内容形成目标推荐内容序列，包括：
25.获取各所述目标推荐内容的选取顺序；
26.根据所述选取顺序，将每次选取出的所述目标推荐内容形成所述目标推荐内容序列。
27.根据本公开实施例的第二方面，提供一种内容推荐装置，包括：
28.获取单元，被配置为执行获取多个推荐结果约束信息，以及通过机器学习排序后的内容序列；所述内容序列中包含多个待选内容；
29.信息确定单元，被配置为执行确定各所述待选内容与所述多个推荐结果约束信息之间的关联结果信息，以及确定所述多个待选内容中的当前待选内容集合，所述当前待选内容集合包括所述多个待选内容中未被选取过的待选内容；
30.优先级确定单元，被配置为执行根据所述多个推荐结果约束信息的预设优先级顺序，以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容的推荐优先级；
31.内容确定单元，被配置为执行基于所述当前待选内容集合中各所述待选内容的推荐优先级，从所述当前待选内容集合中选取出目标推荐内容；
32.推送单元，被配置为执行更新所述目标推荐内容所关联的推荐结果约束信息，以及更新各所述待选内容对应的关联结果信息，并返回执行确定所述多个待选内容中的当前待选内容集合的步骤，直至所述当前待选内容集合为空或者所述多个推荐结果约束信息被满足时，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
33.在一示例性实施例中，所述优先级确定单元，还被配置为执行根据所述预设优先级顺序，以及所述当前待选内容集合中各所述待选内容对应的关联结果信息，确定所述当前待选内容集合中各所述待选内容命中的目标推荐结果约束信息；根据所述预设优先级顺序，确定各所述目标推荐结果约束信息的推荐优先级，作为所述当前待选内容集合中各所述待选内容的推荐优先级。
34.在一示例性实施例中，所述优先级确定单元，还被配置为执行基于所述当前待选内容集合中各所述待选内容对应的关联结果信息，分别确定各所述待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目；根据各所述待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目以及已选取的目标推荐内容，确定各所述待选内容命中的推荐结果约束信息；根据所述预设优先级顺序，从各所述待选内容命中的推荐结果约束信息中，分别确定出各所述待选内容命中的目标推荐结果约束信息。
35.在一示例性实施例中，所述装置还包括分类单元，被配置为执行将所述当前待选内容集合中各所述待选内容划分为关联有所述推荐结果约束信息的第一类待选内容和未关联所述推荐结果约束信息的第二类待选内容；
36.所述优先级确定单元，还被配置为执行确定所述当前待选内容集合中属于所述第一类待选内容的各待选内容命中的目标推荐结果约束信息。
37.在一示例性实施例中，所述优先级确定单元，还被配置为执行当所述当前待选内容集合中的多个待选内容命中相同的目标推荐结果约束信息时，根据所述多个待选内容在所述内容序列中的排列顺序，确定所述多个待选内容的推荐优先级。
38.在一示例性实施例中，所述推送单元，还被配置为执行获取各所述目标推荐内容的选取顺序；根据所述选取顺序，将每次选取出的所述目标推荐内容形成所述目标推荐内容序列。
39.根据本公开实施例的第三方面，提供一种电子设备，包括：
40.处理器；
41.用于存储所述处理器可执行指令的存储器；
42.其中，所述处理器被配置为执行所述指令，以实现如上任一项所述的方法。
43.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上任一项所述的方法。
44.根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品
中包括指令，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如上任一项所述的方法。
45.本公开的实施例提供的技术方案至少带来以下有益效果：
46.在通过推荐结果约束信息对机器学习排序后的内容序列进行重排序时，先确定内容序列中的各个待选内容对推荐结果约束信息的关联结果信息，以及确定多个待选内容中未被选取过的待选内容，组成当前待选内容集合，然后根据预设优先级顺序和当前待选内容集合中各个待选内容对应的关联结果信息，确定各个待选内容的优先级顺序，基于各个待选内容的优先级顺序，确定出本次选取的目标推荐内容，最后将每次选取出的目标推荐内容组成人工干预后的目标推荐内容序列，推送给对应的帐户，该方法在人工干预机器学习排序后的内容序列时，通过为各个推荐结果约束信息设置优先级顺序，基于优先级顺序确定目标推荐内容，一方面解决了不同推荐结果约束信息间的冲突，保证了重要的推荐结果约束信息被优先满足，另一方面平衡了机器学习算法和推荐结果约束信息两者在推荐系统中的作用比重，在人工调控的同时也保证了优质内容的透出。
47.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
48.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
49.图1是根据一示例性实施例示出的一种内容推荐方法的流程示意图。
50.图2是根据一示例性实施例示出的目标推荐结果约束信息确定步骤的流程示意图。
51.图3是根据另一示例性实施例示出的一种内容推荐方法的流程示意图。
52.图4是根据一示例性实施例示出的一种人工干预系统的结构示意图。
53.图5是根据一示例性实施例示出的一种内容推荐装置的结构框图。
54.图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
55.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
56.需要说明的是，以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
57.图1是根据一示例性实施例示出的一种内容推荐方法的流程示意图，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器
集群来实现。本实施例中，该方法包括以下步骤：
58.在步骤s110中，获取多个推荐结果约束信息，以及通过机器学习排序后的内容序列；内容序列中包含多个待选内容。
59.其中，推荐结果约束信息可以理解为人工设置的用于约束推荐内容的排序结果的信息，推荐结果约束信息可包括：推荐结果约束信息所调整的内容类型、所作用的窗口类型、所作用的窗口大小和所约束内容的数目等信息。
60.其中，推荐结果约束信息所调整的内容类型可以为图片类内容、财经类内容等。
61.其中，窗口类型用于表征推荐结果约束信息在内容序列中所调整的内容的位置，窗口类型可分为顶部窗口和滑动窗口，顶部窗口作用于内容序列的前几条内容，滑动窗口作用于内容序列中的每连续几条内容。
62.其中，窗口大小表征推荐结果约束信息在内容序列中所作用的内容的数目。
63.其中，所约束内容的数目表示推荐结果约束信息在窗口中所调整的内容的数量。
64.例如，对于推荐结果约束信息“本次推荐结果中的前3条内容中需要有1条图片类内容”，所对应的窗口类型为顶部窗口，所调整的内容类型为图片类内容，所作用的窗口大小为3，所约束内容的数目为1。对于推荐结果约束信息“本次推荐结果中每连续6条内容中最多出2条财经类内容”，所对应的窗口类型为滑动窗口，所调整的内容类型为财经类内容，所作用的窗口大小为6，所约束内容的数目为2。
65.具体实现中，可先通过机器学习得到排序后的内容序列，然后获取多个推荐结果约束信息，以便于进一步通过推荐结果约束信息对机器学习排序后的内容序列进行重排序。
66.在步骤s120中，确定各待选内容与多个推荐结果约束信息之间的关联结果信息，以及确定多个待选内容中的当前待选内容集合，当前待选内容集合包括多个待选内容中未被选取过的待选内容。
67.其中，关联结果信息可分为关联有1个推荐结果约束信息、关联有多个推荐结果约束信息和没有关联的推荐结果约束信息，即关联的推荐结果约束信息为零等三种结果。
68.具体实现中，待选内容可能关联一个推荐结果约束信息，也可能关联多个推荐结果约束信息，还可能未关联任一个推荐结果约束信息，因此，需要针对每一个待选内容，将该待选内容依次与各个推荐结果约束信息进行匹配，确认该待选内容是否符合各个推荐结果约束的条件，由此，确定出各个待选内容与多个推荐结果约束信息之间的关联结果信息。例如，若推荐结果约束信息为“本次推荐结果中每连续6条内容中最多出2条财经类内容”，内容序列为：财经内容1、图片内容2、科技内容3、生活内容4、财经内容5、财经内容6，该推荐结果约束信息涉及的为财经类内容，因此内容序列中的财经内容1、5、6均关联上该推荐结果约束信息。
69.由于通过机器学习排序后的内容序列中各个待选内容会逐个被选取出来，则待选取的待选内容会随之减少，而已经被选取过的待选内容也无需参与后续的选取流程，因此，可以将内容序列的多个待选内容中未被选取过的待选内容，构成当前的待选内容集合，每次选取出一个待选内容后，对应更新待选内容集合，从而可避免对已经选取过的待选内容的重复选取。
70.在步骤s130中，根据多个推荐结果约束信息的预设优先级顺序，以及当前待选内
容集合中各个待选内容对应的关联结果信息，确定当前待选内容集合中各个待选内容的推荐优先级。
71.具体实现中，各个待选内容的推荐优先级由其所关联的推荐结果约束信息决定，而由于一个待选内容可能关联多个推荐结果约束信息，在这种情况下，则需要从待选内容关联的多个推荐结果约束信息中确定出一个目标推荐结果约束信息，根据该目标推荐结果约束信息进行各个待选内容推荐优先级的确定。更具体地，可根据推荐结果约束信息的优先级顺序，从待选内容所关联的多个推荐结果约束信息中确定出一个目标推荐结果约束信息，然后再次按照推荐结果约束信息的优先级顺序，将各个待选内容对应的目标推荐结果约束信息进行排序，由此确定当前待选内容集合中各待选内容的推荐优先级。
72.可以理解的是，当待选内容只关联有一个推荐结果约束信息时，则这个推荐结果约束信息便是该待选内容关联的目标推荐结果约束信息。
73.例如，设有待选内容为a、b、c，其中，待选内容a关联的推荐结果约束信息为1、2、3，待选内容b关联的推荐结果约束信息为4，待选内容c关联的推荐结果约束信息为2、5，各推荐结果约束信息的优先级顺序为：1》2》3》4》5，则按照该优先级顺序可以确定待选内容a、b、c关联的目标推荐结果约束信息分别为：待选内容a-目标推荐结果约束信息1，待选内容b-目标推荐结果约束信息4，待选内容c-目标推荐结果约束信息2，将各个目标推荐结果约束信息按照优先级顺序进行排序得到：目标推荐结果约束信息1》目标推荐结果约束信息2》目标推荐结果约束信息4，则对应可得到待选内容a、b、c的优先级顺序为：待选内容a》待选内容c》待选内容b。
74.在步骤s140中，基于当前待选内容集合中各个待选内容的推荐优先级，从当前待选内容集合中选取出目标推荐内容。
75.具体实现中，在确定当前待选内容集合中各个待选内容的推荐优先级后，可从各个待选内容中选取出推荐优先级最高的待选内容，作为目标推荐内容。
76.例如，若当前待选内容集合中待选内容a、b、c的优先级顺序为：待选内容a》待选内容c》待选内容b，则将推荐优先级最高的待选内容a，作为目标推荐内容。
77.在步骤s150中，更新目标推荐内容所关联的推荐结果约束信息，以及更新各待选内容对应的关联结果信息，并返回执行确定多个待选内容中的当前待选内容集合的步骤，直至当前待选内容集合为空或者多个推荐结果约束信息被满足时，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
78.具体实现中，在选取出目标推荐内容后，目标推荐内容关联的推荐结果约束信息将会随之发生变化，因此，需要更新目标推荐内容所关联的推荐结果约束信息，具体来说是更新目标推荐内容被选取出来所依据的推荐结果约束信息，即更新目标推荐内容所关联的目标推荐结果约束信息，该目标推荐结果约束信息为目标推荐内容所关联的推荐结果约束信息中优先级最高的推荐结果约束信息。在目标推荐内容所关联的目标推荐结果约束信息被更新后，与该目标推荐结果约束信息关联的推荐内容的约束信息也会随之改变，因此，还需要根据更新后的推荐结果约束信息，更新各待选内容对应的关联结果信息。
79.进一步地，目标推荐内容被选取出来后，当前待选内容集合也需要进行更新，即在选取出目标推荐内容后，返回上述步骤s120中确定多个待选内容中的当前待选内容集合的步骤，将选取出的目标推荐内容从当前待选内容集合中剔除，得到新的待选内容集合，基于
新的待选内容集合，再次执行步骤s130至步骤s150，直至当前待选内容集合为空或者多个推荐结果约束信息被满足时，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
80.本步骤中，更新目标推荐内容所关联的推荐结果约束信息可以为更新所关联的推荐结果约束信息的状态信息。具体可以包括：
①
将关联的推荐结果约束信息的状态信息更改为已满足状态，例如，在选取出目标推荐内容后，该目标推荐内容关联的推荐结果约束信息被满足，则可将该关联的推荐结果约束信息的状态信息更改为已满足状态；
②
更新该关联的推荐结果约束信息中所约束的内容的数目，例如，本次选取出的目标推荐内容为图片类内容，目标推荐内容所关联的推荐结果约束信息为需要选择2条生活类内容，那么该推荐结果约束信息对应的所约束的内容的数目需要更改为1，通过在选出一次目标推荐内容后，及时更新目标推荐内容所关联的推荐结果约束信息，以便于保证后续根据更新后的推荐结果约束信息，确定的下一次的目标推荐内容的准确性。
81.上述内容推荐方法中，在通过推荐结果约束信息对机器学习排序后的内容序列进行重排序时，先确定内容序列中的各个待选内容对推荐结果约束信息的关联结果信息，以及确定多个待选内容中未被选取过的待选内容，组成当前待选内容集合，然后根据预设优先级顺序和当前待选内容集合中各个待选内容对应的关联结果信息，确定各个待选内容的优先级顺序，基于各个待选内容的优先级顺序，确定出本次选取的目标推荐内容，最后将每次选取出的目标推荐内容组成人工干预后的目标推荐内容序列，推送给对应的帐户，该方法在人工干预机器学习排序后的内容序列时，通过为各个推荐结果约束信息设置优先级顺序，基于优先级顺序确定目标推荐内容，一方面解决了不同推荐结果约束信息间的冲突，保证了重要的推荐结果约束信息被优先满足，另一方面平衡了机器学习算法和推荐结果约束信息两者在推荐系统中的作用比重，在人工调控的同时也保证了优质内容的透出。
82.在一示例性实施例中，上述步骤s130具体通过以下步骤实现：
83.步骤s130a，根据预设优先级顺序，以及当前待选内容集合中各待选内容对应的关联结果信息，确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息；
84.步骤s130b，根据预设优先级顺序，确定各目标推荐结果约束信息的推荐优先级，作为当前待选内容集合中各待选内容的推荐优先级。
85.具体实现中，每个推荐结果约束信息还可设置有对应的标识，在确定出各个待选内容与多个推荐结果约束信息之间的关联结果信息后，针对当前待选内容集合中的每一个待选内容，基于该待选内容所关联的推荐结果约束信息及对应的标识，按照各个推荐结果约束信息的预设优先级从高到低的顺序，确定出该待选内容所命中的最高优先级的推荐结果约束，作为目标推荐结果约束信息。在确定出当前待选内容集合中每个待选内容所命中的目标推荐结果约束信息后，将各个目标推荐结果约束信息再次按照上述预设优先级从高到低的顺序进行排序，得到各个目标推荐结果约束信息的优先级顺序，作为当前待选内容集合中与各个目标推荐结果约束信息对应的待选内容的优先级顺序。
86.本实施例中，依据贪心算法的思想，先根据推荐结果约束信息的优先级顺序，从各个待选内容关联的推荐结果约束信息中确定出一个优先级最高的目标推荐结果约束信息，再根据预设优先级顺序，确定各个目标推荐结果约束信息的优先级顺序，作为各个待选内容的优先级顺序，从而可以从中选取出优先级最高的内容，剩余的内容仍作为待选内容参
与之后的选取，由此保证了多个不同的目标推荐结果约束信息冲突时，重要的推荐结果约束信息可以被优先满足，从而可保证最后所得到的人工约束后的内容序列的质量。
87.在一示例性实施例中，如图上述步骤s130a中，根据预设优先级顺序，以及当前待选内容集合中各待选内容对应的关联结果信息，确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息，具体可以通过下述方式实现：
88.步骤s210，基于当前待选内容集合中各待选内容对应的关联结果信息，分别确定各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目；
89.步骤s220，根据各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目以及已选取的目标推荐内容，确定各待选内容命中的推荐结果约束信息；
90.步骤s230，根据预设优先级顺序，从各待选内容命中的推荐结果约束信息中，分别确定出各待选内容命中的目标推荐结果约束信息。
91.其中，信息类型包括第一类信息和第二类信息，第一类信息用于将某内容的前置以增加其曝光机会，第二类信息用于将某内容后移以降低同类内容曝光密度。
92.其中，所约束内容的数目表示推荐结果约束信息在所作用窗口中调整的内容的数量，例如，对于推荐结果约束信息“本次推荐结果中每连续6条内容中最多出2条财经类内容”，所约束内容的数目为2。
93.具体实现中，由于推荐结果约束信息具有不同的信息类型，不同的信息类型之间的优先级排序方式也不同，因此，在确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息前，需要先根据当前待选内容集合中各待选内容对应的关联结果信息，分别确定各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目。进一步基于各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目，判定待选内容是否符合推荐结果约束信息所约束内容的数目的要求，由此确定待选内容是否命中推荐结果约束信息。若待选内容命中有多个推荐结果约束信息，则可根据推荐结果约束信息的优先级顺序，从各个待选内容命中的推荐结果约束信息中，确定出所命中的优先级最高的推荐结果约束信息，作为目标推荐结果约束信息。
94.更具体地，若推荐结果约束的信息类型为第二类信息，则当在该第二类信息所作用的窗口大小内，当前待选内容所属内容类型的内容的出现次数已大于或等于第二类信息所约束内容的数目时，确定当前待选内容命中该第二类信息；若推荐结果约束的信息类型为第一类信息，则在只有选出与当前待选内容所属内容类型的内容后，才能满足第一类信息所约束内容的数目时，确定当前待选内容命中第一类信息。
95.例如，对于第二类信息“本次推荐结果中每连续6条内容中最多出2条财经类内容”，若当前已选出的内容为：财经内容1、图片内容2、科技内容3、生活内容4、财经内容5、娱乐内容6，连续6条内容中的财经类内容数量为2，已经等于该第二类信息所指定的约束内容的数目2，因此财经类的待选内容将会命中该第二类信息。
96.又例如，对于第一类信息“本次推荐结果中的前3条内容中需要有1条图片类内容”，若当前已选出的内容为：财经内容1、生活内容2，该内容序列的前两条内容中不存在图片类内容，只有本次选出图片类的待选内容后，才能满足前3条内容中需要有1条图片类内容的要求，因此，图片类的待选内容将会命中该第一类信息。
97.本实施例中，通过确定推荐结果约束的信息类型和所约束内容的数目，按照不同
的信息类型采用对应的识别策略来判定各个待选内容的信息命中信息，可以提高所确定的信息命中信息的准确性和效率。
98.在一示例性实施例中，在步骤s130a中，确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息的步骤之前，还包括：将当前待选内容集合中各个待选内容划分为关联有推荐结果约束信息的第一类待选内容和未关联推荐结果约束信息的第二类待选内容；
99.上述步骤s130a还包括：确定当前待选内容集合中属于第一类待选内容的各个待选内容命中的目标推荐结果约束信息。
100.具体实现中，在得到各个待选内容对应的关联结果信息后，可先按照该关联结果信息对各个待选内容进行分类，将关联有推荐结果约束信息的待选内容，作为第一类待选内容，将未关联任何推荐结果约束信息的待选内容，作为第二类待选内容，之后在确定各个待选内容关联的目标推荐结果约束信息时，只需对当前待选内容集合中属于第一类待选内容的待选内容进行目标推荐结果约束信息的确定。
101.进一步地，推荐结果约束信息的预设优先级顺序可以设置为：第一类信息》第二类信息，对应的待选内容的优先级顺序可以为：关联的目标推荐结果约束信息为第一类信息的待选内容》未关联推荐结果约束信息的内容》关联的目标推荐结果约束信息为第二类信息的内容。
102.本实施例中，考虑到在确定待选内容对推荐结果约束信息的关联结果信息时，也可能出现待选内容未关联任何推荐结果约束信息的情况，因此，提出了将待选内容划分为关联有推荐结果约束信息的第一类待选内容和未关联推荐结果约束信息的第二类待选内容的方案，后续只需对当前待选内容集合中属于第一类待选内容的待选内容进行目标推荐结果约束信息的确定，以减少计算资源的浪费。
103.在一示例性实施例中，上述步骤s130b中，根据预设优先级顺序，确定各目标推荐结果约束信息的推荐优先级，作为当前待选内容集合中各待选内容的推荐优先级的步骤，还包括：当当前待选内容集合中的多个待选内容命中相同的目标推荐结果约束信息时，根据多个待选内容在内容序列中的排列顺序，确定多个待选内容的推荐优先级。
104.例如，机器学习排序后的内容序列中有待选内容a、b、c，三个待选内容均命中了目标推荐结果约束信息2，则在确定待选内容a、b、c的推荐优先级时，可按照这三个待选内容在机器学习排序后的内容序列中的顺序，确定推荐优先级顺，例如，这三个待选内容在机器学习排序后的内容序列中的顺序为：待选内容b、待选内容a、待选内容c，则这三个待选内容的优先级顺序对应为：待选内容b》待选内容a》待选内容c。
105.本实施例中，当多个待选内容命中相同的目标推荐结果约束信息时，则按照这几个待选内容在机器学习排序后的内容序列中的最初顺序进行排序选取，更好地尊重了机器学习算法的排序结果，平衡了机器学习算法和推荐结果约束信息两者的作用比重，在人工调控的同时也保证了优质内容的透出。
106.在一示例性实施例中，上述步骤s150中将每次选取出的目标推荐内容形成目标推荐内容序列的步骤，可以通过下述方式实现，包括：获取各目标推荐内容的选取顺序；根据选取顺序，将每次选取出的目标推荐内容形成目标推荐内容序列。
107.具体实现中，在得到各个目标推荐内容的选取顺序后，按照从先到后的选取顺序，
对各个目标推荐内容进行排序，得到目标推荐内容序列。
108.例如，从第一次到第n次选取的目标推荐内容依次为：待选内容c、待选内容e、待选内容a、待选内容b
…
待选内容s，则排序后得到的目标推荐内容序列对应为：待选内容c、待选内容e、待选内容a、待选内容b
…
待选内容s。
109.本实施例中，通过按照目标推荐内容的选取顺序，组成目标推荐内容序列，推荐给对应的帐户，该序列平衡了机器学习算法和推荐结果约束信息的作用比重、解决了不同推荐结果约束信息冲突后得到的全局最优解，可以达到提升推荐系统的内容质量的目的。
110.在另一示例性实施例中，如图3所示，是根据一示例性实施例示出的另一种内容推荐方法的流程图，本实施例中，该方法包括以下步骤：
111.步骤s310，获取多个推荐结果约束信息，以及通过机器学习排序后的内容序列；内容序列中包含多个待选内容；
112.步骤s320，确定各待选内容与多个推荐结果约束信息之间的关联结果信息，以及确定多个待选内容中的当前待选内容集合，当前待选内容集合包括多个待选内容中未被选取过的待选内容；
113.步骤s330，根据预设优先级顺序，以及当前待选内容集合中各待选内容对应的关联结果信息，确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息；
114.步骤s340，根据预设优先级顺序，确定各目标推荐结果约束信息的推荐优先级，作为当前待选内容集合中各待选内容的推荐优先级；
115.步骤s350，基于当前待选内容集合中各待选内容的推荐优先级，从当前待选内容集合中选取出目标推荐内容；
116.步骤s360，更新目标推荐内容所关联的推荐结果约束信息，以及更新各待选内容对应的关联结果信息，并返回执行确定多个待选内容中的当前待选内容集合的步骤，直至当前待选内容集合为空或者多个推荐结果约束信息被满足；
117.步骤s370，根据各目标推荐内容的选取顺序，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
118.本实施例提供的内容推荐方法，一方面解决了不同推荐结果约束信息间的彼此冲突，保证了重要的推荐结果约束信息被优先满足，另一方面平衡了机器学习算法和推荐结果约束信息两者在推荐系统中的作用，在人工调控的同时也保证了优质内容的透出。
119.在一个实施例中，为了便于本领域技术人员理解本技术实施例，以下将结合附图的具体示例进行说明。参考图4，为一个应用实例中人工干预系统的结构示意图。
120.通常，企业级推荐系统的完整链路包含召回、粗排、精排、重排四种阶段，粗精排由机器学习算法完成，本公开提出的人工干预系统位于重排阶段。系统的输入是机器学习排序后的内容序列和人工制定的规则(即推荐结果约束信息)，输出是人工干预后的内容序列。系统设置了参数slot_num，算法会保证系统输出序列的前slot_num个结果是机器学习算法和人工规则干预综合得出的全局最优解。如图4所示，该系统分为3个模块，依照执行顺序分别为“规则配置模块”、“规则和内容关联模块”和“人工干预执行模块”。
121.1.规则配置模块
122.在人工干预系统的实际实现中，打散规则(相当于推荐结果约束信息中的第二类信息)和强插规则(相当于推荐结果约束信息中的第一类信息)由rule类承载，rule类包含
下列可配置属性：【rule_id】用工与唯一标定一条规则，在之后的模块会使用rule_id来执行规则和内容的关联以及规则状态的更新。【window_size】表示该规则的作用窗口大小。【window_type】表示该规则的窗口类型，取值有顶部窗口(top)和滑动窗口(slide)两种。其中，顶部窗口规则仅作用于序列的前window_size条内容，滑动窗口规则作用于序列中每连续window_size条内容。【min】在强插规则中使用，可配置一个窗口中最少出现m个某类型内容。【max】在打散规则中使用，可配置一个窗口中最多出现m个某类型内容。【priority】表示规则优先级，具体可配置priority个优先级，0～(priority-1)中值越小优先级越高。在规则冲突时，人工干预系统会使用贪心算法保证高优先级规则被满足，起到对不同优化目标的规则进行统一管理的作用。
123.例如，在实际使用时可进行如下配置：当希望“本次推荐结果中的前三条内容中需要有一条图片类内容”时，该规则需配置为window_type＝top，window_size＝3，min＝1，并将序列中属于图片类的内容关联上该条规则的rule_id；当希望“本次推荐结果中每连续6条内容中最多出2条财经类内容”时，该规则需配置为window_type＝slide，window_size＝6，max＝2，并将序列中属于财经类的内容关联上该条规则的rule_id。
124.2.规则和内容关联模块
125.对输入序列中的所有内容标记与其相关的规则。对每个内容建立一个map结构，map中的key是与该内容相关的规则的rule_id，value为数组结构，存放该内容与该规则相关的一些取值。例如，在文章推荐场景中，每一篇文章都标注了多个关键词，当我们制定“连续的4篇文章中不能出现相同关键词”的打散规则时，该规则对应的value中会存放当前文章所有的关键词。
126.3.人工干预执行模块
127.如图4所示，人工干预执行模块包含“检测各内容的规则关联情况”、“选出最优解”、“规则状态更新”三个部分。每执行1次，可以在待选内容中选出1个最优内容，重复执行slot_num次后，将选出的slot_num个人工干预内容置于序列头部，人工干预流程结束，具体步骤如下：
128.s1：检测各内容的规则命中情况。基于当前已选出的人工干预内容的情况和各待选内容侧存储的与规则关联的map结构，按规则优先级从高到底的顺序，检测各个待选内容命中的最高优先级规则(其中，当同一个内容命中多条规则时，以其中优先级最高的规则为准)。对于打散规则，“命中”的含义为，在规则规定的窗口大小内，当前待选内容所属类型的内容出现次数已经大于等于规则所指定的max值。对于强插规则，“命中”的含义为，本次必须选出当前待选内容所属类型的内容，才能保证强插规则指定的min值被满足。
129.s2：贪心算法选出最优解。根据各个内容的规则命中情况，将内容区分为不同优先级，在规则配置模块中，各类规则的优先级分为0～(priority-1)，值越小，规则优先级越高。而在人工干预执行模块中，由于规则类型有强插规则和打散规则，因此，内容的优先级分为0～2*priority，值越小，内容优先级越高。当内容未命中任何规则时，内容的优先级处于中等，被设为priority。当命中了优先级为priority的打散规则时，内容会被放置在较低优先级2*priority-priority。当命中了优先级为priority的强插规则时，内容会被放置在较高优先级priority。最终根据优先级从高到低的顺序对内容进行排序，依据贪心算法的思想，选取出当前优先级最高的内容，作为本次执行时的最优解。例如，在某次执行中，内容
1和内容2是待选内容，内容1命中了最高优先级规则，内容2命中了次高优先级规则，则人工干预执行模块本次会将内容1选出，内容2仍作为待选内容等待之后的选取。这使得在最终的内容序列中，内容1会比内容2的位置更靠前。因此，贪心算法保证了多个不同目标的规则冲突时，重要的规则可以被优先满足。同时，当最高优先级下有多个内容时，则按照进入人工干预系统时的最初顺序进行排序选取，这更好地尊重了机器学习算法的排序结果，平衡了机器学习算法和人工规则干预两者的作用比重，在人工调控的同时也保证了优质内容的透出。
130.s3：规则状态更新。选取到当次的最优解后，需要更新与该最优解相关的规则的状态，以便进行下一次的规则命中检测。例如第一次选出的最优解是图片类内容，那么“前三条内容中强插一条图片类内容”的强插规则需要设置为已满足状态。将s1、s2、s3重复执行slot_num次，再将选出的slot_num个人工干预内容置于序列头部，作为人工规则干预系统的输出。该输出的序列平衡了机器学习算法和人工规则干预的作用比重、解决了不同规则冲突后得到的全局最优解，从而可以达到提升推荐系统的内容质量的目的。
131.本实施例提出的推荐系统重排阶段的人工干预系统，该系统将不同优化目标的规则统一管理，通过将规则划分为多个优先级，使用贪心算法保证重要规则被优先满足，保证人工干预后的结果是全局最优解而非局部最优解，以达到提升推荐系统的内容质量的目的。并且在执行人工干预时更好地尊重了机器学习算法的排序结果，规避了因人工规则过多导致的干预结果不可控，平衡了机器学习算法和人工规则干预两者的作用比重，在人工调控的同时也保证了优质内容的透出。在该系统应用到企业级推荐系统后，获得了内容多样性提升、用户正向互动数提升、留存提升等多种正向收益，反应了其在提高推荐系统内容质量和提升用户体验上的有益效果。
132.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
133.可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。
134.图5是根据一示例性实施例示出的一种内容推荐装置的结构框图。参照图5，该装置包括：获取单元510、信息确定单元520、优先级确定单元530、内容确定单元540和推送单元550，其中，
135.获取单元510，被配置为执行获取多个推荐结果约束信息，以及通过机器学习排序后的内容序列；内容序列中包含多个待选内容；
136.信息确定单元520，被配置为执行确定各待选内容与多个推荐结果约束信息之间的关联结果信息，以及确定多个待选内容中的当前待选内容集合，当前待选内容集合包括多个待选内容中未被选取过的待选内容；
137.优先级确定单元530，被配置为执行根据多个推荐结果约束信息的预设优先级顺序，以及当前待选内容集合中各待选内容对应的关联结果信息，确定当前待选内容集合中各待选内容的推荐优先级；
138.内容确定单元540，被配置为执行基于当前待选内容集合中各待选内容的推荐优先级，从当前待选内容集合中选取出目标推荐内容；
139.推送单元550，被配置为执行更新目标推荐内容所关联的推荐结果约束信息，以及更新各待选内容对应的关联结果信息，并返回执行确定多个待选内容中的当前待选内容集合的步骤，直至当前待选内容集合为空或者多个推荐结果约束信息被满足时，将每次选取出的目标推荐内容形成目标推荐内容序列，推送给对应的帐户。
140.在一示例性实施例中，优先级确定单元530，还被配置为执行根据预设优先级顺序，以及当前待选内容集合中各待选内容对应的关联结果信息，确定当前待选内容集合中各待选内容命中的目标推荐结果约束信息；根据预设优先级顺序，确定各目标推荐结果约束信息的推荐优先级，作为当前待选内容集合中各待选内容的推荐优先级。
141.在一示例性实施例中，优先级确定单元530，还被配置为执行基于当前待选内容集合中各待选内容对应的关联结果信息，分别确定各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目；根据各待选内容所关联的推荐结果约束信息的信息类型和所约束内容的数目以及已选取的目标推荐内容，确定各待选内容命中的推荐结果约束信息；根据预设优先级顺序，从各待选内容命中的推荐结果约束信息中，分别确定出各待选内容命中的目标推荐结果约束信息。
142.在一示例性实施例中，上述装置还包括分类单元，被配置为执行将当前待选内容集合中各待选内容划分为关联有推荐结果约束信息的第一类待选内容和未关联推荐结果约束信息的第二类待选内容；优先级确定单元530，还被配置为执行确定当前待选内容集合中属于第一类待选内容的各待选内容命中的目标推荐结果约束信息。
143.在一示例性实施例中，优先级确定单元530，还被配置为执行当当前待选内容集合中的多个待选内容命中相同的目标推荐结果约束信息时，根据多个待选内容在内容序列中的排列顺序，确定多个待选内容的推荐优先级。。
144.在一示例性实施例中，推送单元550，还被配置为执行获取各目标推荐内容的选取顺序；根据选取顺序，将每次选取出的目标推荐内容形成目标推荐内容序列。
145.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
146.图6是根据一示例性实施例示出的一种用于实现内容推荐方法的电子设备600的框图。例如，电子设备600可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
147.参照图6，电子设备600可以包括以下一个或多个组件：处理组件602、存储器604、电源组件606、多媒体组件608、音频组件610、输入/输出(i/o)的接口612、传感器组件614以及通信组件616。
148.处理组件602通常控制电子设备600的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模
块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
149.存储器604被配置为存储各种类型的数据以支持在电子设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)、电可擦除可编程只读存储器(eeprom)、可擦除可编程只读存储器(eprom)、可编程只读存储器(prom)、只读存储器(rom)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。
150.电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
151.多媒体组件608包括在所述电子设备600和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括前置摄像头和/或后置摄像头。当电子设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。
152.音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括麦克风(mic)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括扬声器，用于输出音频信号。
153.i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
154.传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到电子设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600组件的位置改变，用户与电子设备600接触的存在或不存在，设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
155.通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或6g)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
156.在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
157.在一示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
158.在一示例性实施例中，还提供了一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备600的处理器620执行以完成上述方法。
159.需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
160.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
161.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。