内容推荐方法、装置、介质及电子设备

技术领域

本公开涉及人工智能技术领域，具体地，涉及一种内容推荐方法、装置、介质及电子设备。

背景技术

移动互联网的高速发展，短视频和图片消费量井喷式爆发，信息流的内容过滤和推荐发挥着越来越重要的角色。通常内容推荐平台每天需要进行千亿规模的内容推荐，其中，如何更精准地向用户推荐其喜欢的内容，是内容推荐平台需要不断优化的核心指标。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种内容推荐方法，包括：获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

可选地，在所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征的步骤之前，所述方法还包括：确定每一所述历史点击内容的第二内容属性信息；将每一所述第二内容属性信息按照不同属性进行合并，得到所述目标用户的行为特征；所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：提取所述第一内容属性信息、所述匹配特征以及所述行为特征之间的第一关联特征。

可选地，所述根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，包括：确定每一所述历史点击内容的第二内容属性信息；针对所述第一内容属性信息中的每一属性值，确定所述第二内容属性信息中包含该属性值的历史点击内容的数量；将每一所述数量确定为所述目标用户与所述待推荐内容的匹配特征。

可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容，包括：根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度；根据所述匹配度，确定是否推送所述待推荐内容。

可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：将所述第一关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

可选地，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：提取所述用户属性信息和所述第一内容属性信息之间的第二关联特征；将所述第一关联特征、所述第二关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

可选地，所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：采用第一因子分解机模型至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征。

第二方面，本公开提供一种内容推荐装置，包括：获取模块，用于获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；第一确定模块，用于根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；提取模块，用于至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；第二确定模块，用于根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；推送模块，用于若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述内容推荐方法的步骤。

第四方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述内容推荐方法的步骤。

在上述技术方案中，首先根据待推荐内容的第一内容属性信息和目标用户的历史点击内容，确定目标用户与待推荐内容的匹配特征；然后，至少提取第一内容属性信息和匹配特征之间的第一关联特征；接下来，根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容；若确定推送待推荐内容，则向目标用户推送待推荐内容。通过提取待推荐内容的内容属性与匹配特征的关联特征，能够增强用户与内容的特征组合逻辑，特征组合表达更加充分细致，提升了底层特征的组合交互的灵活性，从而能够更加精准地向用户推送其喜欢的内容。另外，即使待推荐内容的内容属性有所更新，也能够很好地让新的内容属性有特征组合的能力，让特征的组合表达更充分，从而提升了内容属性的可扩展性。此外，基于内容属性确定关联特征，增强了特征表达的可解释性，可以使得各种特征的重要性，落实到具体内容属性特征的重要性上，从而增强内容推荐平台的可解释性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

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图。

图2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图。

图3是根据一示例性实施例示出的一种内容推荐方法的过程示意图。

图4是根据一示例性实施例示出的一种内容推荐装置的框图。

图5是根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

正如背景技术中论述的那样，如何更精准地向用户推荐其喜欢的内容，是内容推荐平台需要不断优化的核心指标。现阶段，内容推荐平台通常采用因子分解机(Factorization Machine，FM)对待推荐内容的内容属性特征与用户用户属性特征进行交互运算，得到二者的关联特征；之后，根据内容属性特征、用户用户属性特征以及关联特征，通过深度神经网络模型得到用户与待推荐内容的匹配度，以根据匹配度确定是否向用户推送相应内容。其中，内容属性特征与用户用户属性特征进行交互运算时，是先人为枚举待进行关联特征计算的特征组；然后，通过FM计算每一特征组的关联特征。但由于枚举的特征组是有限的，降低了底层特征的组合交互的灵活性，并且，由于待推荐内容的内容属性特征通常较少，一种内容属性特征可能在不同特征组中多次重复使用，没能充分挖掘单种内容属性特征的特征信息，这样，将会影响匹配度的计算准确度，难以保证推荐内容的精准度。另外，人为枚举特征组，不利于新的内容属性的添加，可拓展性不佳。

鉴于此，本公开提供一种内容推荐方法、装置、介质及电子设备。

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

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图。如图1所示，该方法可以包括以下S101～S104。

在S101中，获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息。

在本公开中，目标用户为待进行内容推荐的任意用户，用户属性信息为用户的基础属性信息。历史点击内容可以包括用户在预设历史时段(例如，最近一个月)内的内容点击记录。

待推荐内容可以为内容推荐平台待推荐给目标用户的内容，待推荐内容的第一内容属性信息可以包括能够表征待推荐内容的主题的信息，第一内容属性信息可以包括但不限于内容ID、关键词、分类标签(例如，新闻类、萌宠类、体育类等)、内容题材类型(例如，视频、音频、文章等)。其中，第一内容属信息中的每个内容属性会有不同的维度，比如，关键词可以包括标题关键词、语音关键词、光学字符识别(Optical Character Recognition，OCR)关键词等。

上述内容推荐平台可以为媒体内容推荐平台，可以包括但不限于新闻推荐平台、音乐推荐平台和视频推荐平台。

在S102中，根据第一内容属性信息和历史点击内容，确定目标用户与待推荐内容的匹配特征。

在本公开中，目标用户与待推荐内容的匹配特征用于表征目标用户的历史点击内容与待推荐内容的内容属性匹配情况。

在S103中，至少提取第一内容属性信息和匹配特征之间的第一关联特征。

在S104中，根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容。

在S105中，若确定推送待推荐内容，则向目标用户推送待推荐内容。

在上述技术方案中，首先根据待推荐内容的第一内容属性信息和目标用户的历史点击内容，确定目标用户与待推荐内容的匹配特征；然后，至少提取第一内容属性信息和匹配特征之间的第一关联特征；接下来，根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容；若确定推送待推荐内容，则向目标用户推送待推荐内容。通过提取待推荐内容的内容属性与匹配特征的关联特征，能够增强用户与内容的特征组合逻辑，特征组合表达更加充分细致，提升了底层特征的组合交互的灵活性，从而能够更加精准地向用户推送其喜欢的内容。另外，即使待推荐内容的内容属性有所更新，也能够很好地让新的内容属性有特征组合的能力，让特征的组合表达更充分，从而提升了内容属性的可扩展性。此外，基于内容属性确定关联特征，增强了特征表达的可解释性，可以使得各种特征的重要性，落实到具体内容属性特征的重要性上，从而增强内容推荐平台的可解释性。

下面针对上述S102中的根据第一内容属性信息和历史点击内容，确定目标用户与待推荐内容的匹配特征的具体实施方式进行详细说明。具体来说，可以通过以下步骤[1]～步骤[3]来实现：

步骤[1]：确定每一历史点击内容的第二内容属性信息。

其中，历史点击内容的第二内容属性信息可以包括能够表征历史点击内容的主题的信息，第二内容属性信息可以包括但不限于内容ID、关键词、分类标签、内容题材类型，其中，每一内容属性每个内容属性会有不同的维度。

步骤[2]：针对第一内容属性信息中的每一属性值，确定第二内容属性信息中包含该属性值的历史点击内容的数量。

示例地，目标用户的历史点击内容有100条，针对第一内容属性信息中的“标签”内容属性，其属性值为萌宠类，100条历史点击内容中包含标签为萌宠类的历史点击内容为11条，则第二内容属性信息中包含属性值“萌宠类”的历史点击内容的数量为11条。

步骤[3]：将每一数量确定为目标用户与待推荐内容的匹配特征。

下面针对上述S103中的至少提取第一内容属性信息和匹配特征之间的第一关联特征的具体实施方式进行详细说明。

在一种实施方式中，提取第一内容属性信息和匹配特征之间的第一关联特征。

具体来说，可以采用第一因子分解机模型提取第一内容属性信息和匹配特征之间的第一关联特征，此时，第一关联特征可以为第一内容属性信息和匹配特征的交叉点积特征。

示例地，可以针对第一内容属性信息中的每一内容属性，通过以下等式(1)来计算该内容属性与相应匹配特征的关联特征：

其中，

在另一种实施方式中，如图2所示，在上述S103之前，上述方法还可以包括以下S106和S107。

在S106中，确定每一历史点击内容的第二内容属性信息。

在S107中，将每一第二内容属性信息按照不同属性进行合并，得到目标用户的行为特征。

在本公开中，将各第二内容属性信息按照不同属性进行合并，是指针对第二内容属性信息中的每一内容属性，计算各第二内容属性信息中该内容属性的属性值的并集。

此时，S103可以包括：提取第一内容属性信息、匹配特征以及行为特征之间的第一关联特征。具体来说，可以采用第一因子分解机模型提取第一内容属性信息、匹配特征以及行为特征之间的第一关联特征，此时，第一关联特征可以为第一内容属性信息、匹配特征以及行为特征的交叉点积特征。

示例地，可以针对第一内容属性信息的每一内容属性，通过以下等式(2)来计算该内容属性、该内容属性对应的匹配特征以及该内容属性对应的行为特征的关联特征：

其中，

下面针对上述S104中的根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)和步骤(2)来实现：

步骤(1)：根据第一关联特征、用户属性信息以及第一内容属性信息，确定待推荐内容与目标用户的匹配度。

在一种实施方中，可以将第一关联特征、用户属性信息以及第一内容属性信息输入到深度神经网络模型中，得到待推荐内容与目标用户的匹配度。

在另一种实施方式中，如图3所示，可以先提取目标用户的用户属性信息和第一内容属性信息之间的第二关联特征，然后，将第一关联特征、第二关联特征、用户属性信息以及第一内容属性信息输入到深度神经网络模型中，得到待推荐内容与目标用户的匹配度。

步骤(2)：根据待推荐内容与目标用户的匹配度，确定是否推送待推荐内容。

具体来说，若待推荐内容与目标用户的匹配度大于或等于预设匹配度阈值，则确定推送待推荐内容；若待推荐内容与目标用户的匹配度小于预设匹配度阈值，则确定不推送待推荐内容。

下面针对上述提取目标用户的用户属性信息和第一内容属性信息之间的第二关联特征的具体实施方式进行详细说明。具体来说，可以采用第二因子分解机模型提取目标用户的用户属性信息和第一内容属性信息之间的第二关联特征(如图3所示)，其中，第二关联特征可以为目标用户的用户属性信息和第一内容属性信息的交叉点积特征。其中，第二因子分解机模型在提取第二关联特征之前，先人为枚举待进行第二关联特征计算的特征组，即从目标用户的用户属性信息中选取至少一个用户属性，并从第一内容属性信息中选取至少一个内容属性，构成一个特征组；然后，计算每一特征组的关联特征。

示例地，可以针对人为枚举的待进行第二关联特征计算的特征组中每一特征组，通过以下等式(3)来计算该特征组的关联特征：

FM_r＝(∑

其中，FM_r为人为枚举的待进行第二关联特征计算的特征组中的第r个特征组的关联特征；User

图4是根据一示例性实施例示出的一种内容推荐装置的框图。如图4所示，该装置400包括：获取模块401，用于获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；第一确定模块402，用于根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；提取模块403，用于至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；第二确定模块404，用于根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；推送模块405，用于若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

在上述技术方案中，首先根据待推荐内容的第一内容属性信息和目标用户的历史点击内容，确定目标用户与待推荐内容的匹配特征；然后，至少提取第一内容属性信息和匹配特征之间的第一关联特征；接下来，根据第一关联特征、用户属性信息以及第一内容属性信息，确定是否推送待推荐内容；若确定推送待推荐内容，则向目标用户推送待推荐内容。通过提取待推荐内容的内容属性与匹配特征的关联特征，能够增强用户与内容的特征组合逻辑，特征组合表达更加充分细致，提升了底层特征的组合交互的灵活性，从而能够更加精准地向用户推送其喜欢的内容。另外，即使待推荐内容的内容属性有所更新，也能够很好地让新的内容属性有特征组合的能力，让特征的组合表达更充分，从而提升了内容属性的可扩展性。此外，基于内容属性确定关联特征，增强了特征表达的可解释性，可以使得各种特征的重要性，落实到具体内容属性特征的重要性上，从而增强内容推荐平台的可解释性。

可选地，所述装置400还包括：第三确定模块，用于在所述提取模块403至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征之前，确定每一所述历史点击内容的第二内容属性信息；合并模块，用于将每一所述第二内容属性信息按照不同属性进行合并，得到所述目标用户的行为特征；所述提取模块403用于提取所述第一内容属性信息、所述匹配特征以及所述行为特征之间的第一关联特征。

可选地，所述第一确定模块402包括：第一确定子模块，用于确定每一所述历史点击内容的第二内容属性信息；第二确定子模块，用于针对所述第一内容属性信息中的每一属性值，确定所述第二内容属性信息中包含该属性值的历史点击内容的数量；第三确定子模块，用于将每一所述数量确定为所述目标用户与所述待推荐内容的匹配特征。

可选地，所述第二确定模块404包括：第四确定子模块，用于根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度；第五确定子模块，用于根据所述匹配度，确定是否推送所述待推荐内容。

可选地，所述第四确定子模块用于将所述第一关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

可选地，所述第四确定子模块包括：提取子模块，用于提取所述用户属性信息和所述第一内容属性信息之间的第二关联特征；匹配度计算子模块，用于将所述第一关联特征、所述第二关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

可选地，所述提取模块403用于采用第一因子分解机模型至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征。

本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述内容推荐方法的步骤。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一确定模块还可以被描述为“根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种内容推荐方法，包括：获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，在所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征的步骤之前，所述方法还包括：确定每一所述历史点击内容的第二内容属性信息；将每一所述第二内容属性信息按照不同属性进行合并，得到所述目标用户的行为特征；所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：提取所述第一内容属性信息、所述匹配特征以及所述行为特征之间的第一关联特征。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，包括：确定每一所述历史点击内容的第二内容属性信息；针对所述第一内容属性信息中的每一属性值，确定所述第二内容属性信息中包含该属性值的历史点击内容的数量；将每一所述数量确定为所述目标用户与所述待推荐内容的匹配特征。

根据本公开的一个或多个实施例，示例4提供了示例1-示例3任一项所述的方法，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容，包括：根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度；根据所述匹配度，确定是否推送所述待推荐内容。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：将所述第一关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

根据本公开的一个或多个实施例，示例6提供了示例4的方法，所述根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定所述待推荐内容与所述目标用户的匹配度，包括：提取所述用户属性信息和所述第一内容属性信息之间的第二关联特征；将所述第一关联特征、所述第二关联特征、所述用户属性信息以及所述第一内容属性信息输入到深度神经网络模型中，得到所述待推荐内容与所述目标用户的匹配度。

根据本公开的一个或多个实施例，示例7提供了示例1-示例3中任一项所述的方法，所述至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征，包括：采用第一因子分解机模型至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征。

根据本公开的一个或多个实施例，示例8提供了一种内容推荐装置，包括：获取模块，用于获取目标用户的用户属性信息和历史点击内容，以及待推荐内容的第一内容属性信息；第一确定模块，用于根据所述第一内容属性信息和所述历史点击内容，确定所述目标用户与所述待推荐内容的匹配特征，其中，所述匹配特征用于表征所述历史点击内容与所述待推荐内容的内容属性匹配情况；提取模块，用于至少提取所述第一内容属性信息和所述匹配特征之间的第一关联特征；第二确定模块，用于根据所述第一关联特征、所述用户属性信息以及所述第一内容属性信息，确定是否推送所述待推荐内容；推送模块，用于若确定推送所述待推荐内容，则向所述目标用户推送所述待推荐内容。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。