内容推荐方法、装置、设备、存储介质及计算机程序产品与流程

1.本技术实施例涉及数据推荐技术领域，尤其涉及一种内容推荐方法、装置、设备、存储介质及计算机程序产品。


背景技术：

2.在应用程序客户端上，向用户推荐用户感兴趣的内容是提高用户使用体验的重要手段，因此，如何获取用户感兴趣的内存推荐给用户至关重要。
3.目前，基于用户协同过滤的内容推荐方法中，当需要向目标用户推荐某一推荐场景的内容时，仅仅是基于目标用户对该推荐场景的内容的行为数据来计算与目标用户的相似用户，将相似用户浏览过的或者感兴趣的、该推荐场景的内容推荐给目标用户。
4.现有基于用户协同过滤的内容推荐方法中，当目标用户对某一推荐场景的内容的历史行为稀疏时，难以获取到目标用户的相似用户，导致无法召回该推荐场景的内容推荐给目标用户。


技术实现要素：

5.本技术实施例提供一种内容推荐方法、装置、设备、存储介质及计算机程序产品，以解决现有基于用户协同过滤的内容推荐方法在用户行为稀疏时难以获得相似用户，导致推荐失败的问题。
6.第一方面，本技术实施例提供了一种内容推荐方法，包括：
7.接收目标用户通过客户端发送的内容推荐请求，所述内容推荐请求中包括所请求的内容的目标推荐场景；
8.获取所述目标用户的第一表征向量、第二表征向量以及第三表征向量，其中，所述第一表征向量为表征目标用户对多种推荐场景的内容的行为的向量，所述第二表征向量为表征所述目标用户对多种推荐场景的内容的偏好的向量，所述第三表征向量为表征所述目标用户对多种推荐场景的内容的作者的行为的向量；
9.根据所述第一表征向量、第二表征向量以及第三表征向量确定所述目标用户的相似用户；
10.从所述相似用户的历史行为数据中提取属于所述目标推荐场景的内容作为候选内容；
11.从所述候选内容中筛选出目标内容推荐到所述客户端。
12.第二方面，本技术实施例提供了一种内容推荐装置，包括：
13.请求接收模块，用于接收目标用户通过客户端发送的内容推荐请求，所述内容推荐请求中包括所请求的内容的目标推荐场景；
14.向量获取模块，用于获取所述目标用户的第一表征向量、第二表征向量以及第三表征向量，其中，所述第一表征向量为表征目标用户对多种推荐场景的内容的行为的向量，所述第二表征向量为表征所述目标用户对多种推荐场景的内容的偏好的向量，所述第三表
征向量为表征所述目标用户对多种推荐场景的内容的作者的行为的向量；
15.相似用户确定模块，用于根据所述第一表征向量、第二表征向量以及第三表征向量确定所述目标用户的相似用户；
16.候选内容获取模块，用于从所述相似用户的历史行为数据中提取属于所述目标推荐场景的内容作为候选内容；
17.内容推荐模块，用于从所述候选内容中筛选出目标内容推荐到所述客户端。
18.第三方面，本技术实施例提供了一种内容推荐设备，所述内容推荐设备包括：
19.一个或多个处理器；
20.存储装置，用于存储一个或多个计算机程序，
21.当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本技术第一方面所述的内容推荐方法。
22.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术第一方面和第二方面任一项所述的内容推荐方法。
23.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品中的指令被处理器执行时实现如第一方面所述的内容推荐方法
24.本技术实施例在接收到针对目标推荐场景的内容推荐请求时，获取用于表征目标用户对多种推荐场景的内容的行为的第一表征向量、用于表征目标用户对多种推荐场景的内容的偏好的第二表征向量、以及用于表征目标用户对多种推荐场景的内容的作者的行为的第三表征向量，并通过第一表征向量、第二表征向量以及第三表征向量确定目标用户的相似用户，进一步从相似用户的历史行为数据中提取属于目标推荐场景的内容作为候选内容，从候选内容中筛选出目标内容推荐到客户端，通过目标用户在不同推荐场景的第一表征向量、第二表征向量以及第三表征向量，可以从多推荐场景的内容、用户对内容的行为数据、用户与用户之间的行为来确定目标用户的相似用户，避免了目标用户对目标场景下的内容的历史行为数据稀疏时无法召回相似用户，导致推荐内容失败的问题，能够在目标用户对目标推荐场景的内容的行为数据稀疏时，向目标用户推荐目标推荐场景相关的、感兴趣的内容。
附图说明
25.图1是本技术实施例一提供的一种内容推荐方法的流程图；
26.图2a是本技术实施例二提供的一种内容推荐方法的流程图；
27.图2b是本技术实施例中异构图的示意图；
28.图2c是本技术实施例中内容推荐的一个示例的示意图；
29.图3是本技术实施例三提供的一种内容推荐装置的结构框图；
30.图4是本技术实施例四提供的一种内容推荐设备的结构框图。
具体实施方式
31.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，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结构。
32.内容推荐可以是在客户端页面向目标用户推荐内容，内容可以是各种推荐场景下需要推荐的数据，示例性地，在视频客户端中，推荐场景可以包括推荐直播间的场景、推荐帖子的场景、推荐视频的场景，则内容可以分别是直播间、帖子、短视频。
33.在现有基于用户协同过滤的内容推荐方法中，当需要向目标用户(内容推荐的对象)推荐目标推荐场景的内容时，例如，在推荐视频场景中向目标用户推荐视频时，通常是获取该目标用户观看的历史视频以及对历史视频的点赞、分享等行为数据，然后通过历史视频以及行为数据计算该目标用户与其他用户的相似度来确定相似用户，获取相似用户观看过的视频推荐给目标用户，当目标用户为新用户、或者目标用户观看过的视频较少甚至未观看过视频造成历史视频数据和行为数据稀疏时，导致无法计算该目标用户的相似用户，最终无法召回视频推荐给目标用户，为解决上述问题，本技术实施例提供了以下内容推荐方法。
34.实施例一
35.图1为本技术实施例一提供的一种内容推荐方法的流程图，本技术实施例可适用于向用户推荐某一推荐场景的内容的情况，该方法可以由本技术实施的内容推荐装置来执行，该内容推荐装置可以由硬件或软件来实现，并集成在本技术实施例所提供的内容推荐设备中，如集成在与客户端通信的服务器上，具体地，如图1所示，本技术实施例的内容推荐方法可以包括如下步骤：
36.s101、接收目标用户通过客户端发送的内容推荐请求，内容推荐请求中包括所请求的内容的目标推荐场景。
37.客户端可以是以视频作为主要数据的客户端，例如可以是视频客户端，该客户端可以包括多个业务模块，每个业务模块可以对应一个推荐场景，例如，客户端可以包括直播业务模块、贴吧业务模块、短视频业务模块等，相对应的，直播业务模块的推荐场景为推荐直播间，贴吧业务模块的推荐场景为推荐帖子(例如推荐图像、文字、视频等)，短视频业务模块的推荐场景为推荐视频。
38.当客户端检测到推荐事件时，生成内容推荐请求发送到服务器，示例性地，当目标用户登录客户端之后默认进入直播业务模块，可以生成包含目标用户的用户id和表示推荐场景为推荐直播间的内容推荐请求。
39.当然，在实际应用中，目标推荐场景与客户端上的业务模块相关而不仅仅限于直播间，例如，当用户浏览贴吧业务模块的页面时，目标推荐场景为推荐帖子，当用户浏览短视频业务模块的页面时，目标推荐场景为推荐短视频，本技术实施例对推荐场景不作限制。
40.s102、获取目标用户的第一表征向量、第二表征向量以及第三表征向量。
41.本技术实施例中，可以预先为系统中的每个用户生成第一表征向量、第二表征向量以及第三表征向量，并将上述表征向量存储在数据库中，并定时更新。服务器在接收到客户端发送的内容推荐请求时，在数据库中查找与目标用户匹配的第一表征向量、第二表征向量以及第三表征向量，示例性地，可以查找与目标用户的用户id匹配的第一表征向量、第二表征向量以及第三表征向量。
42.当然，在实际应用中，服务器也可以在接收到内容推荐请求时，获取目标用户的历史行为数据以及其他用户的历史行为数据，历史行为数据可以是用户对多个推荐场景的内
容的交互的内容行为数据，以及用户对用户的用户行为数据，其中，内容行为数据为用户针对对内容的行为所生成的数据，如对内容点赞、分享等行为所生成的数据，用户行为数据可以是用户对用户的行为所生成的数据，如用户对用户的关注行为所生成的数据，通过目标用户的历史行为数据和其他用户的历史行为数据计算出目标用户的第一表征向量、第二表征向量以及第三表征向量。
43.在本技术实施例中，第一表征向量为表征用户对多种推荐场景的内容的行为的向量，例如，该第一表征向量的每个分量表示目标用户对某一种推荐场景的内容的行为的向量，每个分量的下标可以是各个推荐场景的内容的内容id，分量的值为目标用户对内容的行为对应的分值，例如，目标用户对内容id为1001的视频点赞，则分量表示为a
1001
，a
1001
的值为点赞行为对应的预设分值。
44.第二表征向量为表征目标用户对多种推荐场景的内容的偏好的向量，第二表征向量可以通过预先训练的用户向量提取模型来预测，该用户向量提取模型用于预测用户对内容的偏好程度，示例性地，将目标用户的用户信息、每种推荐场景的内容、目标用户对内容的内容行为数据输入该用户向量提取模型中，该用户向量提取模型的隐藏层输出的向量即为第二表征向量。
45.第三表征向量为表征目标用户对多种推荐场景的内容的作者的行为的向量，在一个可选实施例中，内容的作者也是用户，用户之间可以相互关注，可以将第一表征向量中内容的内容id替换为内容的作者的用户id，对于对应的分量值，如果目标用户关注了内容的作者，则给予预设的分值，否则不打分或者给予其他分值，由此得到第三表征向量。
46.当然，在实际应用中，也可以列出除了目标用户之外的用户的用户id，如果目标用户关注了对应的用户则给相应用户id给予分值作为向量值，以得到第三表征向量。
47.s103、根据第一表征向量、第二表征向量以及第三表征向量确定目标用户的相似用户。
48.在一个可选实施例中，系统为每个用户生成第一表征向量、第二表征向量以及第三表征向量，则可以根据目标用户与其他用户的第一表征向量、第二表征向量以及第三表征向量计算两个相似用户的相似度，将相似度在前的n个用户确定为目标用户的相似用户，例如，可以计算目标用户与其他用户的第一表征向量的第一距离、计算目标用户与其他用户的第二表征向量的第二距离、计算目标用户与其他用户的第三表征向量的第三距离，对第一距离、第二距离以及第三距离加权求和之后作为目标用户与其他用户的相似度，当然，也可以通过近邻引擎来求向量内积作为用户之间的相似度，本技术实施例对通过向量计算用户之间的相似度的方式不做限制。
49.s104、从相似用户的历史行为数据中提取属于目标推荐场景的内容作为候选内容。
50.相似用户有可能在多个推荐场景具有历史行为数据，例如，相似用户在推荐视频场景浏览、点赞过视频，在推荐贴吧场景有点赞、分享过帖子，在推荐直播间场景有打赏过直播间，则可以获取相似用户与目标推荐场景相关的内容作为候选内容，例如，目标推荐场景为推荐视频，则可以获取相似用户历史观看过、点赞、分享过的视频作为候选内容。
51.s105、从候选内容中筛选出目标内容推荐到客户端。
52.在一个可选实施例中，可以通过预设的打分机制对每个候选内容进行打分得到分
数后，按照分数从高到低对候选内容进行排序，将排序在前的k个候选内容推送到客户端，从而实现内容推荐。
53.本技术实施例在接收到针对目标推荐场景的内容推荐请求时，获取用于表征目标用户对多种推荐场景的内容的行为的第一表征向量、用于表征目标用户对多种推荐场景的内容的偏好的第二表征向量、以及用于表征目标用户对多种推荐场景的内容的其他用户的行为的第三表征向量，并通过第一表征向量、第二表征向量以及第三表征向量确定目标用户的相似用户，进一步从相似用户的历史行为数据中提取属于目标推荐场景的内容作为候选内容，从候选内容中筛选出目标内容推荐到客户端，通过目标用户在不同推荐场景的第一表征向量、第二表征向量以及第三表征向量，可以从多推荐场景的内容、用户对内容的行为数据、用户与用户之间的行为来确定目标用户的相似用户，避免了目标用户对目标场景下的内容的历史行为数据稀疏时无法召回相似用户导致推荐内容失败的问题，能够在目标用户对目标推荐场景的内容的行为数据稀疏时，向目标用户推荐目标推荐场景相关的、感兴趣的内容。
54.实施例二
55.图2a为本技术实施例二提供的一种内容推荐方法的流程图，本技术实施例在前述实施例一的基础上进行优化，具体地，如图2a所示，本技术实施例的内容推荐方法可以包括如下步骤：
56.s201、接收目标用户通过客户端发送的内容推荐请求，内容推荐请求中包括所请求的内容的目标推荐场景。
57.本技术实施例为了方便说明，以目标推荐场景为推荐视频作为示例，当然，目标推荐场景也可以是推荐帖子、直播间等场景。
58.客户端可以在用户进入视频业务模块页面时，生成包含目标用户的用户id以及推荐视频场景的信息的内容推荐请求发送到服务器，服务器可以接收到该内容推荐请求，并从内容推荐请求中获取到目标用户的用户id。
59.s202、针对每种推荐场景，获取目标用户在推荐场景的初始第一表征向量、初始第二表征向量以及初始第三表征向量。
60.在一个示例中，针对每种推荐场景，获取目标用户的用户信息、目标用户对推荐场景的内容的内容行为数据以及目标用户对其他用户的用户行为数据，采用内容行为数据生成目标用户在每种推荐场景的初始第一表征向量，将用户信息和每种推荐场景的内容的内容行为数据输入预先训练的表征向量提取模型中得到目标用户在每种推荐场景的初始第二表征向量，采用初始第一表征向量、内容行为数据以及目标用户对其他用户的用户行为数据生成目标用户在每种推荐场景的初始第三表征向量。
61.示例性地，如图2b所示，可以根据每一个用户的历史行为，为每个用户构建异构图，然后根据该异构图获取用户在每种推荐场景的内容的内容行为数据、对其他用户的用户行为数据等。该异构图中包含用户节点、各个推荐场景的内容节点，节点与节点之间的边为行为，如图2b，以用户a作为示例，该用户a关注了用户b，订阅了直播间1，以及观看了视频1，同时，用户b订阅了直播间1以及观看了视频2和视频3，在该异构图中包括推荐视频场景的内容：视频1、视频2以及视频3，还包括推荐直播间场景的内容：直播间1。通过该异构图可以获取每个用户对各种推荐场景的内容的内容行为数据，如用户对某一条内容的点赞、分
享等内容行为数据，以及获取目标用户对其他用户的用户行为数据，如用户a关注了用户b。
62.具体地，对于初始第一表征向量，可以针对每种推荐场景下的每条内容，确定内容的内容id以及目标用户对内容的行为，将内容id作为向量分量的下标、目标用户对内容的行为的分值作为向量分量的向量值，以生成目标用户在每种推荐场景的初始第一表征向量。
63.示例性地，以系统中推荐场景包括推荐视频和推荐直播间作为示例，当然还可以包括推荐其他内容，为了获取目标用户的初始第一表征向量，可以获取目标用户观看过的视频的视频id、直播间的直播间id，则可以生成目标用户在推荐视频场景的初始第一表征向量为an，其中，n为视频id，a是向量值，可以根据目标用户对内容的行为赋予预设的分值，例如，点赞视频n为0.3，分享视频n为0.6等，同理，生成目标用户在推荐直播间场景的初始第一表征向量为bm，其中，m为直播间id，b为向量值，如打赏直播间主播b的向量值为0.8，在直播间发弹幕向量值为0.2等。
64.对于初始第二表征向量，可以预先训练表征向量提取模型，在训练时，可以获取每种推荐场景的、已推送给用户的内容，并根据已推送过给用户的内容是否被用户浏览过来标注相应的标签，以用户的用户信息、内容的信息以及用户对内容的内容行为数据作为输入来预测用户浏览该内容的概率，根据该概率和标签调整表征向量提取模型，使得该表征向量提取模型学习到预测用户对内容的偏好程度。
65.具体地，初始化表征向量提取模型，该表征向量提取模型包括输入层、隐藏层和输出层，其中，输入层包括第一输入通道和第二输入通道，隐藏层包括第一隐藏层通道和第二隐藏层通道，第一隐藏层通道的输入和输出分别与第一输入通道的输出和输出层的输入连接，第二隐藏层通道的输入和输出分别与第二输入通道的输出和输出层的输入连接，第一隐藏层通道用于在第一输入通道输入用户信息时提取用户向量，第二隐藏层通道用于在输入内容、用户对内容的内容行为数据时输出内容向量，输出层在输入用户向量和内容向量后输出用户对内容的感兴趣分数。
66.在初始化表征向量提取模型之后，假设视频a推送过给用户1、用户2、用户3、用户4，用户1和用户4浏览了视频a，则得到第一训练数据为{用户1的用户信息；视频a(内容)的信息和行为数据；标签1}，以此类推获得多条训练数据来训练表征向量提取模型，其中，用户信息可以是用户的年龄、性别、用户id、历史点击率、访问次数等，内容信息可以是内容id、内容作者、内容的类型、内容被点击次数、点赞次数等，当将目标用户的用户信息、各种推荐场景的内容、目标用户对内容的内容行为数据输入训练好的表征向量提取模型之后，得到目标用户对该推荐场景的某种类型的内容的偏好程度，取表征向量提取模型中第一隐藏层通道所输出的用户向量为初始第二表征向量，该初始第二表征向量表征目标用户对推荐场景下各种类型的内容的偏好程度，例如，对于推荐视频场景，初始第二表征向量表征目标用户对动漫类视频的偏好程度、对竞技游戏类视频的偏好程度等，以此类推得到目标用户在直播间推荐场景下的初始第二表征向量。
67.对于初始第三表征向量，可以将初始第一表征向量中各个分量的下标替换为内容的作者的用户id，从用户行为数据中确定出目标用户所关注的用户的用户id，采用预设分值更新第一表征向量中下标为各个用户id的分量的值，得到目标用户在每种推荐场景的初始第三表征向量，其中，预设分值为关注行为对应的值。示例性地，对于推荐视频场景下的
初始第一表征向量中的每个分量an，可以将下标n的视频id替换为该视频的作者的用户id，然后根据目标用户对该视频的作者的行为更新该分量的值，例如，如果目标用户关注了该视频的作者，则向量值更新为1，反之更新为0，由此得到目标用户在推荐视频场景的初始第三表征向量，同理可以得到目标用户在推荐直播间的初始第三表征向量。
68.通过上述过程之后，可以得到目标用户在每种推荐场景下的初始第一表征向量、初始第二表征向量以及初始第三表征向量，以分别表征目标用户对每种推荐场景的内容的行为、对每种推荐场景的内容的偏好以及对每种推荐场景的内容的作者的行为。
69.s203、将初始第一表征向量、初始第二表征向量以及初始第三表征向量处理为统一尺度下的向量，得到中间第一表征向量、中间第二表征向量以及中间第三表征向量。
70.按照以下公式将初始第一表征向量、初始第二表征向量以及初始第三表征向量处理为统一尺度下的向量：
[0071][0072]
其中，vi表示初始第i个表征向量，ai表示初始第i个表征向量的预设权重，aj表示初始第i个表征向量的预设权重，表示初始第i个表征向量统一尺度之后的中间表征向量。
[0073]
由于在每种推荐场景下，目标用户包括初始第一表征向量v1、初始第二表征向量v2以及初始第三表征向量v3，通过上述公式统一尺度处理后得到目标用户在每种推荐场景下的中间第一表征向量中间第二表征向量中间第三表征向量
[0074]
s204、将目标用户在每种推荐场景下的中间第一表征向量、中间第二表征向量、中间第三表征向量分别拼接，得到目标用户在多种推荐场景下的第一表征向量、第二表征向量以及第三表征向量。
[0075]
以推荐场景包括推荐视频场景和推荐直播间场景作为示例，目标用户在推荐视频场景的中间第一表征向量中间第二表征向量中间第三表征向量目标用户在推荐直播间场景的中间第一表征向量中间第二表征向量中间第三表征向量则目标用户在推荐视频场景和推荐直播场景的的第一表征向量第二表征向量第三表征向量
[0076]
上述仅仅是以推荐视频场景和推荐直播间场景说明了确定目标用户在推荐视频场景和推荐直播间场景两种场景下的第一表征向量、第二表征向量以及第三表征向量，当有2种以上的推荐场景时，可以参考上述s202-s204获得目标用户在多推荐场景下的第一表征向量、第二表征向量以及第三表征向量，以分别表征目标用户对多种推荐场景的内容的行为、表征目标用户对多种推荐场景的内容的偏好、表征目标用户对多种推荐场景的内容的作者的行为。
[0077]
s205、获取其他用户的第一表征向量、第二表征向量以及第三表征向量。
[0078]
对于其他用户，可以参考上述s202-s204获取到用户在多场景下的第一表征向量、第二表征向量以及第三表征向量，并将用户的用户id和上述三个向量关联存储在数据中，以在数据库中查找与用户id匹配的第一表征向量、第二表征向量以及第三表征向量。
[0079]
s206、分别计算目标用户与其他用户的第一表征向量的距离、第二表征向量的距离以及第三表征向量的距离，得到第一距离、第二距离以及第三距离。
[0080]
在一个示例中，计算两个向量之间的距离可以是计算两个向量的l1距离、l2距离等，本技术实施例对计算两个向量之间的距离的方式不做限制。
[0081]
具体地，可以计算目标用户的第一表征向量与其他用户的第一表征向量的距离得到第一距离，计算目标用户的第二表征向量与其他用户的第二表征向量的距离得到第二距离，计算目标用户的第三表征向量与其他用户的第三表征向量的距离得到第三距离。
[0082]
s207、采用预设权重对第一距离、第二距离以及第三距离进行加权求和得到目标用户与其他用户的相似度。
[0083]
在一个可选实施例中，可以分别为第一表征向量、第二表征向量、第三表征向量设置权重，在计算得到相应的第一距离、第二距离以及第三距离后，通过权重计算距离的加权和作为目标用户与其他用户的相似度。
[0084]
在另一个示例中，可以通过召回引擎建立近邻索引来计算用户之间的相似度，例如，通过基于hnswlib引擎来分别建立基于第一表征向量的近邻索引、基于第二表征向量的近邻索引、基于第二表征向量的近邻索引，通过近邻索引的方式计算用户之间的相似度，具体地，hnswlib引擎存储有各个用户的第一表征向量、第二表征向量以及第三表征向量，将目标用户的第一表征向量、第二表征向量以及第三表征向量发送到hnswlib引擎之后，hnswlib引擎将目标用户的上述表征向量与其他用户的表征向量做内积，将该内积作为目标用户与其他用户的相似度，解决了现有基于用户协同过滤的内容推荐中需要通过用户行为数据计算用户对用户的相似度矩阵数据量巨大导致内容推荐时效性低的问题，提高了确定相似用户的效率，能够快速地确定相似用户，提高后续内容推荐的实时性。
[0085]
当然，召回引擎还可以是faiss、annoy等引擎，本技术实施例对召回引擎不作限制。
[0086]
s208、将相似度最高的前m个用户确定为目标用户的相似用户。
[0087]
在计算目标用户与其他用户的相似度之后，可以将相似度最高的m个用户确定为目标用户的相似用户，m可以根据实际情况确定。
[0088]
s209、从相似用户的历史行为数据中提取属于目标推荐场景的内容作为候选内容。
[0089]
内容推荐请求为针对目标推荐场景的内容推荐请求，可以获取相似用户最近交互过的属于目标推荐场景的内容作为候选内容，以目标推荐场景为推荐视频作为示例，可以获取n个相似用户观看过的历史视频，从多个历史视频中确定出指定日期之后观看过的历史视频作为候选视频。
[0090]
s210、将候选内容输入预先训练好的表征向量提取模型中的到候选内容的分数，分数表示目标用户对候选内容的感兴趣程度。
[0091]
如前s202所述，预先训练的表征向量提取模型可以预测用户对内容的偏好程度，可以将每一条候选内容依次输入该表征向量提取模型的第二输入通道层中得到候选内容的内容向量，并且由于前述已经将目标用户的用户信息输入到第一输入通道中，以在第一隐藏层输出用户的用户向量，候选内容的内容向量以及目标用户的用户向量输入输出层之后输出该候选内容的分数，该分数表示目标用户对该候选内容的感兴趣程度，亦即目标用
户会浏览该候选内容的概率。
[0092]
当然，在实际应用中，也可以根据候选内容的点击率、访问次数等行为数据来计算候选内容的分数，本技术实施例对技术候选内容的分数的方式不做限制。
[0093]
s211、在分数在前的k条候选内容确定为目标内容。
[0094]
在一个可选实施例中，可以按照候选内容的分数进行正序排序，在分数最高的k条候选内容确定为目标内容，其中，k为自然数，可以根据实际情况进行设置。
[0095]
s212、将目标内容推荐到客户端。
[0096]
如图2c所示，目标用户订阅了直播间1和观看了视频2，其他用户订阅了直播间1以及观看了视频1、视频3和视频4，没有其他用户观看过视频2，现有基于用户的协同过滤的视频推荐方法向目标用户推荐视频时，由于仅仅是通过目标用户观看过的视频2来召回观看过视频2的其他用户来作为相似用户，但是视频2并没有被其他用户观看过，导致无法为目标用户召回相似用户，结果无法向目标用户推荐视频。应用本技术实施例的内容推荐方法之后，不再局限与目标用户观看过的视频2来召回相似用户，还基于目标用户订阅了直播间1，召回观看过视频3和视频4的其他用户作为相似用户，从而可以向目标用户推荐视频3和视频4，同时，如果目标用户关注了观看了视频1的其他用户，还可以将视频1推荐给目标用户。
[0097]
本技术实施例通过目标用户在不同推荐场景的第一表征向量、第二表征向量以及第三表征向量，可以从多推荐场景的内容、用户对内容的行为数据、用户与用户之间的行为来确定目标用户的相似用户，避免了目标用户对目标场景下的内容的历史行为数据稀疏时无法召回相似用户导致推荐内容失败的问题，能够在目标用户对目标推荐场景的内容的行为数据稀疏时，向目标用户推荐目标推荐场景相关的、感兴趣的内容。
[0098]
实施例三
[0099]
图3是本技术实施例三提供的一种内容推荐装置的结构框图，如图3所示，本技术实施例的内容推荐装置具体可以包括如下模块：
[0100]
请求接收模块301，用于接收目标用户通过客户端发送的内容推荐请求，所述内容推荐请求中包括所请求的内容的目标推荐场景；
[0101]
向量获取模块302，用于获取所述目标用户的第一表征向量、第二表征向量以及第三表征向量，其中，所述第一表征向量为表征目标用户对多种推荐场景的内容的行为的向量，所述第二表征向量为表征所述目标用户对多种推荐场景的内容的偏好的向量，所述第三表征向量为表征所述目标用户对多种推荐场景的内容的作者的行为的向量；
[0102]
相似用户确定模块303，用于根据所述第一表征向量、第二表征向量以及第三表征向量确定所述目标用户的相似用户；
[0103]
候选内容获取模块304，用于从所述相似用户的历史行为数据中提取属于所述目标推荐场景的内容作为候选内容；
[0104]
内容推荐模块305，用于从所述候选内容中筛选出目标内容推荐到所述客户端。
[0105]
本技术实施例所提供的内容推荐装置可执行本技术实施例一、实施例二所提供的内容推荐方法，具备执行方法相应的功能模块和有益效果。
[0106]
实施例四
[0107]
参照图4，示出了本技术一个示例中的一种内容推荐设备的结构示意图。如图4所
示，该内容推荐设备具体可以包括：处理器400、存储器401、具有触摸功能的显示屏402、输入装置403、输出装置404以及通信装置405。该内容推荐设备中处理器400的数量可以是一个或者多个，图4中以一个处理器400为例。该内容推荐设备的处理器400、存储器401、显示屏402、输入装置403、输出装置404以及通信装置405可以通过总线或者其他方式连接，图400中以通过总线连接为例。本技术实施例的内容推荐设备用于执行如本技术实施例提供的内容推荐方法。
[0108]
实施例五
[0109]
本技术实施例还提供一种计算机可读存储介质，所述存储介质中的指令由设备的处理器执行时，使得设备能够执行如上述方法实施例所述的内容推荐方法。
[0110]
实施例六
[0111]
本技术实施例提供一种计算机程序产品，计算机程序产品中的指令被处理器执行时实现上述方法实施例所述的内容推荐方法。
[0112]
就本技术而言，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，以及便携式光盘只读存储器(cdrom)。另外，计算机可读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。计算机程序产品可以是包含计算机可读存储介质的产品，使得计算机可读存储介质中的指令被处理器执行时实现上述方法实施例所述的内容推荐方法。
[0113]
需要说明的是，对于装置、设备、存储介质、计算机程序产品实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。