内容推送方法、装置、计算设备和计算机可读存储介质制造方法及图纸

本发明专利技术涉及内容推送方法、内容推送装置、计算设备和计算机可读存储介质。内容推送方法包括：获取潜在用户的个性化数据和社交关系数据；基于所获取的个性化数据和社交关系数据，构建与所述潜在用户相关联的输入数据；将所述输入数据输入到至少一个机器学习分类器，其中所述至少一个机器学习分类器中的每一个均被配置成基于所述输入数据生成指示所述潜在用户的偏好是否与目标内容相匹配的输出数据；以及取决于所述至少一个机器学习分类器生成的输出数据，选择性地发起向所述潜在用户的客户端推送所述目标内容。该方法可以提高推送内容与受众偏好之间的匹配度，从而使得内容递送更有针对性和更高效。

Content Push Method, Device, Computing Equipment and Computer Readable Storage Media

【技术实现步骤摘要】
内容推送方法、装置、计算设备和计算机可读存储介质
本专利技术涉及机器学习
，具体来说涉及一种内容推送方法、内容推送装置、计算设备和计算机可读存储介质。
技术介绍
基于用户属性的内容推送已经在互联网行业中得到广泛应用。例如，一些网站提供了被称为“猜你喜欢”的服务，其中当用户在应用程序（“APP”）或浏览器的页面上点击到一项内容（例如，新闻、视频、商品）的链接之后，除了该项内容的页面被呈现之外，到与该项内容类似的其他内容的链接也被呈现。这样的服务通常基于机器学习技术，其中计算机根据大数据了解用户的偏好并且预测可能的结果。然而，现有的内容推送方法在准确率和有效性方面存在问题，使得被推送到用户的内容可能并不是该用户喜欢的。这导致较低的信息递送效率。
技术实现思路
有利的是，提供一种可以提高对于用户对目标内容的偏好的识别率并且因此提高内容推送的针对性和准确率的机制。根据本专利技术的一方面，提供了一种内容推送方法，包括：获取潜在用户的个性化数据和社交关系数据；基于所获取的个性化数据和社交关系数据，构建与所述潜在用户相关联的输入数据；将所述输入数据输入到至少一个机器学习分类器，其中所述至少一个机器学习分类器中的每一个均被配置成基于所述输入数据生成指示所述潜在用户的偏好是否与目标内容相匹配的输出数据；以及取决于所述至少一个机器学习分类器生成的输出数据，选择性地发起向所述潜在用户的客户端推送所述目标内容。在一些实施例中，所述选择性地发起向所述潜在用户的客户端推送所述目标内容包括：响应于所述至少一个机器学习分类器中的每一个生成的输出数据均指示所述潜在用户的偏好与所述目标内容相匹配，向所述潜在用户的客户端推送所述目标内容；以及响应于所述至少一个机器学习分类器中的任一个生成的输出数据指示所述潜在用户的偏好与所述目标内容不匹配，不向所述潜在用户的客户端推送所述目标内容。在一些实施例中，所述至少一个机器学习分类器中的每一个均通过以下步骤被训练得到：获取多个已知用户各自的个性化数据和社交关系数据；基于所获取的各自的个性化数据和社交关系数据，构建分别与所述多个已知用户相关联的相应输入数据；提供与所述多个已知用户相关联的相应目标输出数据，其中与每个已知用户相关联的目标输出数据指示该已知用户的偏好是否与所述目标内容相匹配；以及将所述相应输入数据和所述相应目标输出数据输入每一个机器学习分类器以用于训练。在一些实施例中，所述构建分别与所述多个已知用户相关联的相应输入数据包括：对于每个已知用户：基于该已知用户的个性化数据生成第一矩阵；基于该已知用户的个性化数据和社交关系数据生成第二矩阵，其中所述第二矩阵描述该已知用户的多个朋友与该已知用户之间在个人属性方面各自的相似度以及所述多个朋友与该已知用户之间在对于n个内容的个人偏好方面各自的相似度，n为自然数，并且其中所述n个内容不同于所述目标内容；将所述第一矩阵和所述第二矩阵进行物理合并，以形成第三矩阵；以及降低所述第三矩阵的维度，以得到第四矩阵作为与该已知用户相关联的输入数据。在一些实施例中，每个已知用户的个性化数据包括：描述该已知用户的m个属性中的相应属性的m个属性数值；和指示该已知用户的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值，m为自然数。每个已知用户的社交关系数据包括该已知用户的多个朋友各自的个性化数据，每个朋友的个性化数据包括：描述该朋友的m个属性中的相应属性的m个属性数值；和指示该朋友的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值。在一些实施例中，所述基于该已知用户的个性化数据生成第一矩阵包括：将该已知用户的个性化数据的m个属性数值向量化为行向量作为所述第一矩阵。在一些实施例中，所述基于该已知用户的个性化数据和社交关系数据生成第二矩阵包括：从所述多个朋友各自的个性化数据的相应m个属性数值和该已知用户的个性化数据的m个属性数值，导出所述多个朋友与该已知用户之间在个人属性方面各自的相似度；从所述多个朋友各自的个性化数据的相应n个偏好数值和该已知用户的个性化数据的n个偏好数值，导出所述多个朋友与该已知用户之间在对于所述n个内容中的每个内容的个人偏好方面各自的相似度；将所导出的所述多个朋友与该已知用户之间在个人属性方面各自的相似度向量化为第一列向量；将所导出的所述多个朋友与该已知用户之间在对于所述n个内容中的每个内容的个人偏好方面各自的相似度向量化为一个相应的第二列向量；以及将所述第一列向量和各所述第二列向量在行方向上进行串接以形成所述第二矩阵。在一些实施例中，所述导出所述多个朋友与该已知用户之间在个人属性方面各自的相似度包括：将每个朋友的个性化数据的m个属性数值与该已知用户的个性化数据的m个属性数值中的对应数值进行比较；对指示相等的比较结果的数目进行计数；以及确定所述数目与m的比值为该朋友与该已知用户之间在个人属性方面的相似度。在一些实施例中，所述导出所述多个朋友与该已知用户之间在对于所述n个内容中的每个内容的个人偏好方面各自的相似度包括：将每个朋友的个性化数据的n个偏好数值与该已知用户的个性化数据的n个偏好数值中的对应数值进行比较；响应于所述比较指示该朋友和该已知用户具有针对所述n个内容中的同一内容的相同偏好，将该朋友与该已知用户之间在对于该内容的个人偏好方面的相似度设定为预定数值；以及响应于所述比较指示该朋友和该已知用户具有针对所述n个内容中的同一内容的不同偏好，将该朋友与该已知用户之间在对于该内容的个人偏好方面的相似度设定为零。在一些实施例中，所述将所述第一矩阵和所述第二矩阵进行物理合并包括：在行方向上将所述第一矩阵和所述第二矩阵进行串接以形成所述第三矩阵。在一些实施例中，所述降低所述第三矩阵的维度包括：对所述第三矩阵进行主成分分析。在一些实施例中，每个已知用户的目标输出数据包括指示该已知用户的偏好是否与所述目标内容相匹配的数值。在一些实施例中，所述构建与所述潜在用户相关联的输入数据包括：基于该潜在用户的个性化数据生成第一矩阵；基于该潜在用户的个性化数据和社交关系数据生成第二矩阵，其中所述第二矩阵描述该潜在用户的多个朋友与该潜在用户之间在个人属性方面各自的相似度以及所述多个朋友与该潜在用户之间在对于n个内容的个人偏好方面各自的相似度，n为自然数，并且其中所述n个内容不同于所述目标内容；将所述第一矩阵和所述第二矩阵进行物理合并，以形成第三矩阵；以及降低所述第三矩阵的维度，以得到第四矩阵作为与该潜在用户相关联的输入数据。在一些实施例中，潜在用户的个性化数据包括：描述该潜在用户的m个属性中的相应属性的m个属性数值；和指示该潜在用户的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值，m为自然数。潜在用户的社交关系数据包括该潜在用户的多个朋友各自的个性化数据，每个朋友的个性化数据包括：描述该朋友的m个属性中的相应属性的m个属性数值；和指示该朋友的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值。在一些实施例中，所述基于该潜在用户的个性化数据生成第一矩阵包括：将该潜在用户的个性化数据的m个属性数值向量化为行向量作为所述第一矩阵。在一些实施例中，所述基于该潜在用户的个性化数据和社交关系数据生成第二矩阵包括：从所述多个朋友各自的个性化数据的相应m个属性数值和该本文档来自技高网...

【技术保护点】
1.一种内容推送方法，包括：获取潜在用户的个性化数据和社交关系数据；基于所获取的个性化数据和社交关系数据，构建与所述潜在用户相关联的输入数据；将所述输入数据输入到至少一个机器学习分类器，其中所述至少一个机器学习分类器中的每一个均被配置成基于所述输入数据生成指示所述潜在用户的偏好是否与目标内容相匹配的输出数据；以及取决于所述至少一个机器学习分类器生成的输出数据，选择性地发起向所述潜在用户的客户端推送所述目标内容。

【技术特征摘要】
1.一种内容推送方法，包括：获取潜在用户的个性化数据和社交关系数据；基于所获取的个性化数据和社交关系数据，构建与所述潜在用户相关联的输入数据；将所述输入数据输入到至少一个机器学习分类器，其中所述至少一个机器学习分类器中的每一个均被配置成基于所述输入数据生成指示所述潜在用户的偏好是否与目标内容相匹配的输出数据；以及取决于所述至少一个机器学习分类器生成的输出数据，选择性地发起向所述潜在用户的客户端推送所述目标内容。2.如权利要求1所述的方法，其中所述选择性地发起向所述潜在用户的客户端推送所述目标内容包括：响应于所述至少一个机器学习分类器中的每一个生成的输出数据均指示所述潜在用户的偏好与所述目标内容相匹配，向所述潜在用户的客户端推送所述目标内容；以及响应于所述至少一个机器学习分类器中的任一个生成的输出数据指示所述潜在用户的偏好与所述目标内容不匹配，不向所述潜在用户的客户端推送所述目标内容。3.如权利要求1所述的方法，其中所述至少一个机器学习分类器中的每一个均通过以下步骤被训练得到：获取多个已知用户各自的个性化数据和社交关系数据；基于所获取的各自的个性化数据和社交关系数据，构建分别与所述多个已知用户相关联的相应输入数据；提供与所述多个已知用户相关联的相应目标输出数据，其中与每个已知用户相关联的目标输出数据指示该已知用户的偏好是否与所述目标内容相匹配；以及将所述相应输入数据和所述相应目标输出数据输入每一个机器学习分类器以用于训练。4.如权利要求3所述的方法，其中所述构建分别与所述多个已知用户相关联的相应输入数据包括：对于每个已知用户：基于该已知用户的个性化数据生成第一矩阵；基于该已知用户的个性化数据和社交关系数据生成第二矩阵，其中所述第二矩阵描述该已知用户的多个朋友与该已知用户之间在个人属性方面各自的相似度以及所述多个朋友与该已知用户之间在对于n个内容的个人偏好方面各自的相似度，n为自然数，并且其中所述n个内容不同于所述目标内容；将所述第一矩阵和所述第二矩阵进行物理合并，以形成第三矩阵；以及降低所述第三矩阵的维度，以得到第四矩阵作为与该已知用户相关联的输入数据。5.如权利要求4所述的方法，其中每个已知用户的个性化数据包括：描述该已知用户的m个属性中的相应属性的m个属性数值；和指示该已知用户的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值，m为自然数，并且其中每个已知用户的社交关系数据包括该已知用户的多个朋友各自的个性化数据，每个朋友的个性化数据包括：描述该朋友的m个属性中的相应属性的m个属性数值；和指示该朋友的偏好是否与所述n个内容中的相应内容相匹配的n个偏好数值。6.如权利要求5所述的方法，其中所述基于该已知用户的个性化数据生成第一矩阵包括：将该已知用户的个性化数据的m个属性数值向量化为行向量作为所述第一矩阵。7.如权利要求5所述的方法，其中所述基于该已知用户的个性化数据和社交关系数据生成第二矩阵包括：从所述多个朋友各自的个性化数据的相应m个属性数值和该已知用户的个性化数据的m个属性数值，导出所述多个朋友与该已知用户之间在个人属性方面各自的相似度；从所述多个朋友各自的个性化数据的相应n个偏好数值和该已知用户的个性化数据的n个偏好数值，导出所述多个朋友与该已知用户之间在对于所述n个内容中的每个内容的个人偏好方面...

【专利技术属性】
技术研发人员：叶娃，邹晓东，肖峥，刘智鹏，黎国鹏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44