一种内容组合推荐方法、装置及可读存储介质与流程

本发明涉及互联网技术领域，具体而言，涉及一种内容组合推荐方法、装置及可读存储介质。

背景技术：

目前，在浏览器推荐系统中，浏览器主界面仅可以展示部分内容，能展示的内容仅有几条，为了能在主界面上吸引更多的用户消费内容，就需要在很多的内容当中选择最合适用户、最能吸引该具体用户的内容，而现有技术单纯通过单条内容的推荐算法排序后得到推荐内容组合，缺乏内容间特征的多样性等，不能够全面地吸引用户。

技术实现要素：

为了克服上述现有技术中的不足，本发明提供一种内容推荐方法及装置，用于改善上述问题。

为了实现上述目的，本发明实施例所提供的技术方案如下所示：

第一方面，本发明实施例提供一种内容推荐方法及装置，包括：获取预备推荐内容集及预设的推荐内容数目；根据所述预备推荐内容集及推荐内容数目计算得到多个内容组合；其中，每个所述内容组合中包含所述推荐内容数目的内容；在所述多个内容组合确定出推荐内容组合；推送所述推荐内容组合。

结合第一方面，在一些可能的实现方式中，所述获取预备推荐内容集，包括：采用至少两种内容采集方式采集预设数据库中的内容，得到与每种内容采集方式对应的内容集；通过预设规则在每种内容采集方式对应的所述内容集中抽取内容，得到所述预备推荐内容集。

结合第一方面，在一些可能的实现方式中，所述采用至少两种内容采集方式采集预设数据库中的内容，得到与每种内容采集方式对应的内容集，包括：采用与所述至少两种内容采集方式分别对应的采集规则，对所述数据库中的内容进行相关度排序，得到与每种内容采集方式对应的按照相关度排序的内容集；对应的，所述通过预设规则在每种内容采集方式对应的所述内容集中抽取内容，得到所述预备推荐内容集，包括：采集每个所述内容集中相关度最高的预设选择数目的内容，得到所述预备推荐内容集。

结合第一方面，在一些可能的实现方式中，所述根据所述预备推荐内容集及推荐内容数目计算得到多个内容组合，包括：以所述推荐内容数目为每个内容组合的数目，随机组合所述预备推荐内容集中的每一条内容得到多个内容组合。

结合第一方面，在一些可能的实现方式中，在所述随机组合所述预备推荐内容集中的每一条内容得到多个内容组合之前，所述方法还包括：去除所述预备推荐内容集中相同的内容。

结合第一方面，在一些可能的实现方式中，所述在所述多个内容组合确定出推荐内容组合，包括：获取每个所述内容组合中每一条内容的预设内容特征集；合并每个所述内容组合中的每一条内容的所述预设内容特征集，得到每个所述内容组合的组合特征集；获取用户的判定特征集，所述组合特征集包含的特征的种类与所述判定特征集包含的特征的种类均包括：文章相关特征、用户习惯特征和用户场景特征中的至少一种特征或多种特征的组合；比对所述判定特征集与每个所述组合特征集，确定所述多个内容组合中的所述推荐内容组合。

结合第一方面，在一些可能的实现方式中，所述获取用户的判定特征集，包括：获取对用户展示过的历史内容组合；根据所述历史内容组合，确定用户选择的历史内容组合为正例判定集，确定用户未选择的历史内容为负例判定集；所述判定特征集包括所述正例判定集和所述负例判定集。

结合第一方面，在一些可能的实现方式中，所述比对所述判定特征集与每个所述组合特征集，确定所述多个内容组合中的所述推荐内容组合，包括：收集所述正例判定集中所述内容组合的特征集作为正相关特征集，收集所述负例判定集中所述内容组合的特征集作为负相关特征集；根据所述正相关特征集及所述负相关特征集对预设的初始关联关系模型进行训练，生成关联关系模型；根据所述关联关系模型及所述多个内容组合对应的组合特征集，确定所述多个内容组合中的所述推荐内容组合。

第二方面，本发明实施例还提供一种内容组合推荐装置，装置包括：获取单元、处理单元及发送单元。获取单元用于获取预备推荐内容集及预设的推荐内容数目；处理单元用于根据所述预备推荐内容集及推荐内容数目计算得到多个内容组合，并在所述多个内容组合确定出推荐内容组合；所述发送单元用于向用户推送所述推荐内容组合。

第三方面，本发明实施例还提供一种可读存储介质，可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行第一方面或者第一方面中任一实施例所述的内容组合推荐方法。

本发明的有益效果包括：

通过得到预备推荐内容集，再将预备内容集中的内容进行组合得到多个内容组合，再从多个内容组合中获得推荐内容组合，相比与现在单一的内容比较排序，能够选择出更好的内容组合策略，从而使得推荐的内容组合更加吸引用户。

为使本发明的上述目的、特征和有点能更明显易懂，下文举出本发明实施例，并配合所附附图，作详细说明。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例1提供的一种内容组合推荐方法的流程示意图；

图2为本发明实施例1提供的获取预备推荐内容集的一种实现的流程示意图；

图3为本发明实施例1提供的确定推荐内容组合的流程示意图；

图4为本发明实施例2提供的一种内容组合推荐装置的功能框图；

图5为本发明实施例3提供的一种电子设备的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，指示方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1

请参考图1，图1为本发明实施例提出的组合内容推荐方法的流程示意图。所述内容推荐算法包括：

步骤s101：获取预备推荐内容集及预设的推荐内容数目；

步骤s102：根据所述预备推荐内容集及推荐内容数目计算得到多个内容组合；

步骤s103：在所述多个内容组合确定出推荐内容组合；

步骤s104：推送所述推荐内容组合。

需要说明的是，目前终端存在电脑端和手机端两种形式，由于二者的尺寸完全不同，在用户使用不同的终端浏览页面或者停留在应用主界面时，可以根据用户使用的终端预设相对应的合适的推荐内容数目，进而使得每个内容组合中包含合适数目的内容。

通过得到预备推荐内容集，再将预备内容集中的内容进行组合得到多个内容组合，再从所获得的一定数量组合策略中获得推荐内容组合，相比与现在单一的内容比较排序，能够选择出更好的内容组合策略，能够选择从而使得推荐的内容组合更加吸引用户。

以下将详细介绍本发明实施例提出的组合内容推荐方法的各步骤的实现过程。

请参考图2，图2为本发明实施例1提供的获取预备推荐内容集的一种实现的流程示意图。

可选地，步骤s101包括：

步骤s201：采用至少两种内容采集方式采集预设数据库中的内容，得到与每种内容采集方式对应的内容集；

步骤s202：通过预设规则在每种内容采集方式对应的所述内容集中抽取内容，得到所述预备推荐内容集。

在本实施例中，采用基于用户的协同过滤、主题模型及关联规则三种召回方式作为内容采集方式，三种内容采集方式的采集算法不同，如：基于用户的协同过滤是将以具体用户为主题，关注的是该用户的社会属性，也就是更加强调把和该用户有相似爱好的其他用户喜欢的内容推荐给该用户；而主题模型的算法关注每一篇文章内容的主题，针对具体用户喜欢的主题进行分类选择；由于三种方式都是本领域技术人员所熟知的内容，所以本实施例对此不再赘述。分别采用三种内容采集方式，从预设的推荐内容的数据库中按照每种采集方式关注的特征进行内容分类或抽取一定量的内容作为一个内容集，从而得到三个不完全相同的经过排序的内容集。在其他实施例中，也可以采用如基于内容的协同过滤算法等，本发明实施例对此不做限制。

而本发明还提出在步骤s201采集预设数据库中的内容的过程中，将内容排序以便于在步骤s202中，抽取不同的内容集得到预备推荐内容集。

可选地，步骤s201包括：采用与所述至少两种内容采集方式分别对应的采集规则，对所述数据库中的内容进行相关度排序，得到与每种内容采集方式对应的按照相关度排序的内容集；

对应的，在获取所述内容集后，步骤s202包括：采集每个所述内容集中相关度最高的预设选择数目的内容，得到所述预备推荐内容集。

需要说明的是，在多个内容采集方式中，采集内容的过程可以理解为是一次相关度计算比较的过程，在利用如关键词等的方式计算得到相关度较高的内容时，利用计算后的相关度排序，即可以得到在每种采集方式中，根据相关度排序后的结果抽取内容，需要说明的是，在本实施例中，选择每种采集方式下获取的相关度最高的两篇文章，在其他实施例中，也可以选择相关度最高的一篇或三篇以上的文章等，本实施例对此不做限制。

在本实施例中，采用多种内容采集方式得到关注特征不同的内容集后，再结合每种内容采集方式采集到的相关度高的内容，形成预备推荐内容集。在其他实施例中，还可以先进行内容分类，再根据用户选择的类别，将用户多个爱好类别下的内容作为内容集，进而得到不同的内容集。

在获取到预备推荐内容集后，执行步骤s102，即将预备推荐内容集中的内容组合起来得到多个内容组合。

可选地，步骤s102包括：以所述推荐内容数目为每个内容组合的数目，随机组合所述预备推荐内容集中的每一条内容得到多个内容组合。

举例说明所述随机组合：假设通过三种内容采集方式采集得到三个内容集a、b和c，从每个内容集中抽取3条内容得到所述预备推荐内容集：

[a1，a2，a3，b1，b2，b3，c1，c2，c3]

将上述九条内容做c9³的随机组合，即得到最多可能性的内容组合，从而能为用户确定出更加适合、用户更加喜欢的推荐内容组合。

在每种内容采集方式中，由于预设的是同样的内容数据库，尽管每种内容采集方式的特征关注不同，但每个内容集可能选择到相同的内容，例如：内容a1与内容b1的内容特征完全相同或者为同一篇文章。

因此，在随机组合所述预备推荐内容集中的每一条内容得到多个内容组合：去除所述预备推荐内容集中相同的内容，再随机组合所述预备推荐内容集中的每一条内容得到多个内容组合。

将上述得到的预备推荐内容集做排重处理，去掉内容相同或者为同一篇文章等的内容去除，防止出现推荐的内容组合中出现两条相同的内容。

请参考图3，图3为本发明实施例1提供的确定推荐内容组合的流程示意图。进一步地，得到多个内容组合后，需要根据一定规则确定出推荐内容组合。

可选地，步骤s103包括：

步骤s301：获取每个所述内容组合中每一条内容的预设内容特征集；

步骤s302：合并每个所述内容组合中的每一条内容的所述预设内容特征集，得到每个所述内容组合的组合特征集；

步骤s303：获取用户的判定特征集，所述预设内容特征集包含的特征的种类与所述判定特征集包含的特征的种类相同；

步骤s304：比对所述判定特征集与每个所述组合特征集，确定计算得到所述推荐内容组合。

在现有的机器学习中，排序打分的算法模型有：lr模型(logisticregression，逻辑回归模型)、gbdt模型(gradientboostingdecisiontree，梯度提升决策树模型)等，在本实施例中，采用gbdt模型对每个内容组合进行打分，而在gbdt模型中，选择用户的判定特征集中的用户的判定特征作为每个打分节点，再将每个内容组合的组合特征集导入模型进行打分排序，从而得到所述的推荐内容组合。

需要说明的是，所述特征的种类包括内容方面、用户方面、情景方面及设备方面等，如：内容方面包括文章类型：教育、医疗等，用户方面包括：性别、爱好、职业等，情景方面包括：当前时间、工作日或者节假日等；设备方面包括：安卓或者苹果、电脑端或者手机端等，多种特征可以结合使用，本实施例对此不做限制。

进一步地，在本实施例中，用户判定特征集的获取方式，即步骤s303包括:

获取对用户展示过的历史内容组合；根据所述历史内容组合，确定用户选择的历史内容组合为正例判定集，确定用户未选择的历史内容为负例判定集；所述判定特征集包括所述正例判定集和所述负例判定集。

通过获取过去为用户展示过的历史内容组合，将其作为gbdt模型的训练集，采取正负例共同判断的方式，将多个内容组合从两方面筛选，也避免选择出令用户反感的内容，提高用户的体验。在其他实施例中，也可以单独采用正例或者负例进行判断，本实施例对此不做限制。

需要说明的是，如果仅采集具体某一用户的历史信息得到判定特征集，往往训练集内容过少，在其他实施例中，还可以采集该用户关注或喜欢的用户的特征集，将该特征集纳入gbdt模型的训练集，扩大训练集，进一步地，在其他实施例中，还可以利用其它方式扩大训练集，本实施例对此不做具体限制。

在确定了具体的判定特征集后，需要将每个内容组合的组合特征集代入gbdt模型进行打分排序，得到推荐内容组合。

可选地，步骤s304包括：

收集所述正例判定集中所述内容组合的特征集作为正相关特征集，收集所述负例判定集中所述内容组合的特征集作为负相关特征集；根据所述正相关特征集及所述负相关特征集对预设的初始关联关系模型进行训练，生成关联关系模型；根据所述关联关系模型及所述多个内容组合对应的组合特征集，确定所述多个内容组合中的所述推荐内容组合。

利用正、负相关特征集对初始的gbdt模型进行训练集训练，其中，以所述正、负为gbdt模型的输出量，以所述正、负相关特征集中的特征作为gbdt模型的输入量，优化gbdt模型对多个内容组合中的组合特征集的选择，从而得到最优的内容组合推荐。

可选的，步骤s304的第一种实现方式为：收集所述正例判定集中所述内容组合的特征作为正相关特征，判定所述每一内容组合的组合特征集中的每一项特征与每一项所述正相关特征是否相同，在为是时，所述内容组合得到第一分数。所述正直分数收集所述负例判定集中所述内容组合的特征作为负相关特征，判定所述每一内容组合的组合特征集中的每一项特征与每一项所述负相关特征是否相同，在为是时，所述内容组合得到第二分数。根据每一个所述内容组合的所述第一分数和所述第二分数计算对应内容组合的最终分值；确定最终分值对应的内容组合为推荐内容组合。

可选的，步骤s304的第二种实现方式为：收集所述正例判定集中所述内容组合的特征集作为正相关特征集，并比对每个所述内容组合的组合特征集与所述正相关特征集，获取所述组合特征集与所述正相关特征集的第一相似度；根据正相关特征集的第一预设用户点击概率与所述第一相似度得到该内容组合的第一用户点击概率；

收集所述负例判定集中所述内容组合的特征集作为负相关特征集，并比对每个所述内容组合的组合特征集与所述负相关特征集，获取所述组合特征集与所述负相关特征集的第一相似度；根据负相关特征集的第二预设用户点击概率，可以理解的是，第二预设用户点击概率低于所述第一预设用户点击概率，根据所述第二相似度及负相关集的第二预设用户点击概率得到该内容组合的第二用户点击概率；

结合第一用户点击概率和第二用户点击概率，例如采用第一用户点击概率和第二用户点概率相加的方式得到该内容组合的用户点击概率，进而比对每个内容组合的用户点击概率，得到推荐内容组合。

在其他实施方式中，步骤s304还可以根据所述第一相似度和所述第二相似度采用其他方式得到推荐内容组合，这些都是对内容组合的特征组合策略与样本进行比对得到推荐内容组合，本实施例对此不做限制。

在本实施例中，比较正、负相关特征与组合特征集中的每一项特征是否相同，进而根据比较结果，每一节点为该内容组合打分，最终将每一节点的打分结果代数相加，得到最终的分值。需要说明的是，在其他实施例中，也可以使用同语义判断的方式，将相似的特征归为一类做判断，本实施例对此不做限制。

进一步地，在本实施例中，与正相关特征相同，即得到一分，与负相关特征相同，则得到负一分；在其他实施例中，还可以根据两个特征之间的相关度给出相关的分值，本实施例对此不做限制。

举一种可能的情况对本发明实施例1的工作原理进行说明：假设采用协同过滤、主题模型及关联规则三种内容召回策略作为本发明中所述的内容采集方式，得到内容集a、内容集b和内容集c，根据基于用户的协同过滤的打分排序算法如欧几里得度量得到用户间内容的相似度权重，进而得到内容集a中的推荐排序，同理根据主题模型及关联规则中的打分排序算法得到内容集b和内容集c中的推荐排序。

进而假设本实施例中的取内容集中排序靠前的前三条内容收入预备推荐内容集，如此一来，预备推荐内容集中包含9条内容。然后对预备推荐内容集中的内容进行排重，去除9条内容中相同的内容后，得到6条内容，假设推荐内容组合包括3条内容；因此在得到预备推荐内容集后，将预备推荐内容集中的预备推荐内容进行随机组合后，即根据c6³得到20个内容组合。

再获取每一条预备推荐内容自身的预设内容特征集，从而每个组合内容的三条内容的预设内容特征集合并组成该组合内容的组合特征集，在本实施例中，获取具体用户的爱好特征、使用习惯特征以及用户此时使用的场景特征作为判定特征集，具体用户的爱好特征包括：喜爱的文章类别、浏览文章的时间等，用户使用习惯特征包括：上网时常使用的网络类型、在页面近一周的平均停留时长等，用户此时使用的场景特征包括：用户终端上的当前时间及日期等。并进一步地，从预设的该用户的数据库中，根据之前为该用户展示的历史内容组合，判断出判定特征集中每个判定特征为正相关特征还是负相关特征。

在本实施例中，采用gbdt模型为每一组合进行打分排序：将判定特征集中的每一项特征作为gbdt模型中的每一节点得到gbdt模型的决策树，将每一组合内容的组合特征集通过与每一节点中的特征比对而为每一组合内容进行打分，例如：当某一节点的特征为：美食，而一个组合内容的组合特征集包括美食这一特征，该组合内容得到1分，而另一个组合内容的组合特征集不包含美食这一特征，则不得分，当组合特征集遍历所述的所有节点后，将每一组合内容在每一节点的得分情况综合，得到每一组合内容的最终分数，进而排序得到最高分数对应的组合内容，将该组合内容作为推荐组合内容，进而推送至用户终端界面，吸引用户选择推荐组合内容。

通过按照三种采集方式得到的针对三个关注特征的内容集，从三个内容集中选择在该关注特征下最佳的两条内容，做随机组合后得到多个内容组合，将多个组合的组合特征按照用户历史数据进行排序打分得到最佳推荐组合；通过将组合特征做打分排序，相比现有的单一关注属性排序，关注的是内容间特征的配合，能够保证内容推荐的全面性，减小现有推荐算法下出现的内容隔离。

实施例2

请参考图4，图4为本发明实施例2提供的一种内容组合推荐装置40的功能框图。

所述内容组合推荐装置40包括：获取单元401、处理单元402及发送单元403。获取单元401用于获取预备推荐内容集及预设的推荐内容数目；处理单元402用于根据所述预备推荐内容集及推荐内容数目计算得到多个内容组合，并在所述多个内容组合确定出推荐内容组合；发送单元403用于向用户推送所述推荐内容组合。

可选地，获取单元401还用于采用至少两种内容采集方式采集预设数据库中的内容，得到与每种内容采集方式对应的内容集；并通过预设规则在每种内容采集方式对应的所述内容集中抽取内容，得到所述预备推荐内容集。

可选地，处理单元402还用于采用与所述至少两种内容采集方式分别对应的采集规则，对所述数据库中的内容进行相关度排序，得到与每种内容采集方式对应的按照相关度排序的内容集；

对应的，获取单元401还用于获取预设选择数目，进而处理单元402采集每个所述内容集中相关度最高的预设选择数目的内容，得到所述预备推荐内容集。

可选地，处理单元402还用于以所述推荐内容数目为每个内容组合的数目，随机组合所述预备推荐内容集中的每一条内容得到多个内容组合。

可选地，处理单元402还用于去除所述预备推荐内容集中相同的内容，再随机组合所述预备推荐内容集中的每一条内容得到多个内容组合。

可选地，获取单元401还用于获取每个所述内容组合中每一条内容的预设内容特征集，并获取用户的判定特征集，需要说明的是，预设内容特征集与所述判定特征集包含的特征种类相同。

对应的，处理单元402还用于合并每个所述内容组合中的每一条内容的所述预设内容特征集，得到每个所述内容组合的组合特征集，进而比对所述判定特征集与每个所述组合特征集，确定计算得到所述推荐内容组合。

可选地，获取单元401还用于获取对用户展示过的历史内容组合；对应的，处理单元402根据所述历史内容组合，确定用户选择的历史内容组合为正例判定集，确定用户未选择的历史内容为负例判定集，需要说明的是，正例判定集与所述负例判定集组成判定特征集。

进一步地，处理单元402收集所述正例判定集中所述内容组合的特征作为正相关特征，判定所述每一内容组合的组合特征集中的每一项特征与每一项所述正相关特征是否相同，在为是时，所述内容组合得到第一分数；

与此同时，判定所述每一内容组合的组合特征集中的每一项特征与每一项所述负相关特征是否相同，在为是时，所述内容组合得到第二分数，第一分数高于第二分数；并根据每一个所述内容组合的所述第一分数和所述第二分数计算每一内容组合最终得到的分值；

最终确定最高分值对应的内容组合为推荐内容组合，进而发送单元403向用户推送推荐内容组合。

本实施例中的内容组合推荐装置40与前述图1所示的内容组合推荐方法是基于同一构思下的发明，通过前述对内容组合推荐方法及其各种变化形式的详细描述，本领域技术人员可以清楚的了解本实施例内容组合推荐装置40的实施过程，所以为了说明书的简洁，在此不再赘述。

实施例3

请参考图5，图5为本发明实施例3提供的一种电子设备50的结构框图。所述电子设备50包括：存储器51和处理器52。

所述存储器51和处理器52相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述预设数据库包括至少一个可以软件或固件(firmware)的形式存储于所述存储器51中或固化在所述电子设备50的操作系统(operatingsystem，os)中的软件功能模块。所述处理器52用于执行存储器51中存储的可执行模块。

其中，存储器51可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器51用于存储程序，所述处理器52在接收到执行指令后，执行所述程序，后述本发明实施例任一实施例揭示的流程定义的电子设备50所执行的方法可以应用于处理器52中，或者由处理器52实现。

处理器52可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

实施例4

本发明实施例4提供一种可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行实施例1中所述的内容组合推荐方法。本发明对此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。