[发明专利]一种内容推荐方法、计算设备以及存储介质

说明书

本发明公开了一种内容推荐方法、计算设备以及存储介质。方法包括：获取内容集合中每个内容的当前和历史点击次数、当前和历史展示次数，将当前点击次数与历史点击次数求和，得到第一统计值，将当前展示次数与历史展示次数求和后再减去第一统计值，得到第二统计值；基于第一统计值和第二统计值生成贝塔分布，基于贝塔分布生成随机数，作为内容的第一分值；接收到请求时，按照预定召回策略从内容集合中获取候选集合；对于候选内容集合中的每个内容，基于用户特征与内容特征估计用户对内容的点击概率，作为内容的第二分值；将内容的第一分值与第二分值进行加权求和，得到内容的推荐分值，基于推荐分值从候选集合中选出预定数目个内容，作为推荐内容。

技术领域

本发明涉及互联网领域，具体涉及一种内容推荐方法、计算设备以及存储介质。

背景技术

随着信息技术和互联网技术的飞速发展，越来越多的用户通过各种计算机设备(例如phone、pad、pc等)获取网络咨讯，另外网络上的各种信息资源也呈爆炸式地增长，人们逐渐从信息匮乏的时代走入了信息过载的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。

鉴于此，推荐系统(Recommender System)，尤其是个性化推荐应运而生。它可以根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。但是，每时每刻都有大量的新的信息资源产生，如何将新的资源推荐给可能对它感兴趣的用户成为了推荐系统的一个重点面对的问题，即所谓的资源冷启动(cold start)问题。

一个好的推荐系统，不仅要解决上面提到的新资源的冷启动问题，而且要考虑老用户的满意度(即推荐的内容包含用户真正感兴趣的内容)，这就是推荐系统所面临的两难问题，利用与探索(ExploitationExploration，EE)策略正是解决此两难问题的应对策略。Exploitation，指的是利用历史数据作出最佳决策，考虑的是短期利益；Exploration，指的是探索未知的领域，兼顾长期利益。

推荐系统中，上置信界(Upper Confidence Bound，UCB)方法是一种经典的EE策略，其使用概率分布(仅置信区间上界)来量化不确定性，是一种确定性的选择策略，具体地，是以资源的点击率(Click-Through-Rate，CTR)的置信上限作为其CTR的预估值。主要思想是：当我们对某个资源尝试的次数越多，对该资源CTR预估的置信区间越窄，所以其估计的不确定性降低，这样均值越大的资源越优先被选择，这达到了“利用(Exploitation)”的作用；当对我们对某个资源的尝试次数越少，对该资源CTR预估的置信区间就越宽，所以其估计的不确定性较高，这样置信区间较宽的资源有可能被多次选择，这达到了“探索(Exploration)”的作用。

但是，UCB是一种确定性的选择策略，有可能会导致每次返回给用户的资源相同，用户满意度可能较差。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的内容推荐方法、计算设备以及存储介质。

根据本发明的一个方面，提供一种内容推荐方法，在计算设备中执行，所述方法包括：

获取内容集合中每个内容在当前投放过程中的当前点击次数和当前展示次数，以及在历史投放过程中的历史点击次数和历史展示次数，并将每个内容的当前点击次数与历史点击次数求和，得到第一统计值，将每个内容的当前展示次数与历史展示次数求和后再减去第一统计值，得到第二统计值；

至少基于内容的第一统计值和第二统计值生成贝塔分布，并基于所述贝塔分布生成随机数，作为所述内容的第一分值；

接收到用户操作客户端所发送的网络请求时，按照预定召回策略从所述内容集合中获取多个内容作为候选集合；