兴趣预测模型的训练方法、内容推荐方法及装置与流程

1.本技术涉及计算机技术领域，尤其涉及一种兴趣预测模型的训练方法、内容推荐方法及装置。


背景技术：

2.在实际应用中，用户会根据个人喜好选择感兴趣的剧集进行追剧，但是，不同用户娱乐可支配时间不同，或者，由于不同剧集因题材、制作、卡司等因素影响存在差异，导致不同用户对同一个剧集满意程度不同等，进而可能会导致用户弃剧的情况。
3.然而，不同用户的弃剧原因不同，平台如果采用相同的处理方式可能会给用户带来不便，如：若用户对剧集不感兴趣，此时如果平台继续提醒用户观看剧集，或者仍然将该剧集展示在比较显眼的位置，可能会对用户造成打扰，并且不利于用户发现其它剧集，给用户带来不便。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种兴趣预测模型的训练方法、内容推荐方法及装置。
5.第一方面，本技术提供了一种兴趣预测模型的训练方法，包括：
6.获取样本用户针对样本内容合集的历史交互记录；
7.基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征；
8.基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度；
9.利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
10.可选地，所述样本用户对所述样本内容合集的交互特征包括：所述样本用户针对所述样本内容合集的浏览时长、浏览进度、以及所述样本用户对非样本内容合集的浏览时长、浏览进度和所述样本用户的用户画像。
11.可选地，所述方法还包括：
12.基于所述交互特征，利用分类器获取所述样本用户对所述样本内容合集的交互程度参数；
13.若所述交互程度参数满足预设条件，执行基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度的步骤。
14.可选地，所述若所述交互程度参数满足预设条件，执行基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度的步骤，包括：
15.从所述交互程度参数中提取软件的使用时长和/或使用频率；
16.确定所述软件的使用时长是否超过预设第一阈值和/或使用频率是否超过预设第二阈值；
17.若所述软件的使用时长超过预设第一阈值和/或使用频率超过预设第二阈值，确定所述交互程度参数满足预设条件。
18.可选地，所述历史交互记录的采集周期为距离当前时刻最近的预设时间周期内。
19.可选地，基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度，包括：
20.若预设时间周期内，所述样本用户对目标内容合集的浏览时长小于第一预设值，且对非目标内容合集的浏览时长大于第二预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第一兴趣类型；
21.或者，若预设时间周期内，所述样本用户对所述目标内容合集的浏览时长小于第三预设值，且上次对所述目标内容合集的浏览时长大于第四预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第二兴趣类型；
22.或者，若预设时间周期内，所述样本用户对所述目标内容合集的浏览时长大于第五预设值，确定所述样本用户针对所述样本内容合集的兴趣度第三兴趣类型；
23.或者，预设时间周期内，所述样本用户对所述样本内容合集的浏览时长小于第六预设值且上次对所述样本内容合集的浏览时长小于第七预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第四兴趣类型；
24.或者，预设时间周期内，所述样本用户对所述样本内容合集的浏览时长大于第八预设值且已完成观看所述样本内容合集中最新内容，确定所述样本用户针对所述样本内容合集的兴趣度为第五兴趣类型。
25.第二方面，本技术提供了一种内容推荐方法，包括：
26.针对目标用户，利用如第一方面所述的兴趣预测模型确定所述目标用户针对目标内容合集的兴趣度；
27.基于所述兴趣度，确定向目标用户推荐目标内容合集的推荐策略；
28.按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息。
29.可选地，按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息，包括：
30.在所述目标内容合集更新时，向所述目标用户对应的客户端设备发送所述目标内容合集的推荐信息；
31.或者，
32.响应于所述目标内容合集的关联页面的访问指令，向所述目标用户对应的客户端设备发送所述目标内容合集的推荐信息。
33.第三方面，本技术提供了一种兴趣预测模型的训练装置，包括：
34.第一获取模块，用于获取样本用户针对样本内容合集的历史交互记录；
35.第二获取模块，用于基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征；
36.输出模块，用于基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度；
37.验证模块，用于利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
38.第四方面，本技术提供了一种内容推荐装置，包括：
39.第一确定模块，用于针对目标用户，利用如权利要求8所述的兴趣预测模型的训练装置确定所述目标用户针对目标内容合集的兴趣度；
40.第二确定模块，用于基于所述兴趣度，确定向目标用户推荐目标内容合集的推荐策略；
41.推送模块，用于按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息。
42.第五方面，本技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
43.存储器，用于存放计算机程序；
44.处理器，用于执行存储器上所存放的程序时，实现第一方面所述的兴趣预测模型的训练方法或者如第二方面所述的内容推荐方法。
45.第六方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有兴趣预测模型的训练方法，所述兴趣预测模型的训练方法被处理器执行时实现第一方面所述的兴趣预测模型的训练方法的步骤；或者，所述计算机可读存储介质上存储有内容推荐方法的程序，所述内容推荐方法的程序被处理器执行时如第二方面所述的内容推荐方法的步骤。
46.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
47.本发明实施例通过首先获取样本用户针对样本内容合集的历史交互记录，然后基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征，再基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度，最后可以利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
48.本发明实施例利用样本用户的历史交互记录中的交互特征对兴趣预测模型进行训练，并利用训练标签对兴趣预测模型输出的兴趣度进行验证，在验证通过时，得到兴趣预测模型，进而便于对用户进行内容推荐时，根据用户针对不同内容合集的兴趣度分别推送不同推荐内容，实现有针对性的精准推荐内容，便于用户使用。
附图说明
49.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
51.图1为本技术实施例提供的一种兴趣预测模型的训练方法的流程图；
52.图2为本技术实施例提供的一种归因模型的原理示意图；
53.图3为本技术实施例提供的一种实际应用中的兴趣预测模型的训练方法的原理示意图；
54.图4为本技术实施例提供的一种内容推荐方法的流程图；
55.图5为本技术实施例提供的一种兴趣预测模型的训练装置的结构图；
56.图6为本技术实施例提供的一种内容推荐装置的流程图；
57.图7为本技术实施例提供的一种电子设备的结构图。
具体实施方式
58.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
59.由于不同用户的弃剧原因不同，平台如果采用相同的处理方式可能会给用户带来不便，如：若用户对剧集不感兴趣，此时如果平台继续提醒用户观看剧集，或者仍然将该剧集展示在比较显眼的位置，可能会对用户造成打扰，并且不利于用户发现其它剧集，给用户带来不便。为此，本发明实施例提供了一种兴趣预测模型的训练方法、内容推荐方法及装置，该用户分类方法可以应用于服务端中，以通过。
60.如图1所示，本发明实施例提供的一种兴趣预测模型的训练方法，该方法可以包括以下步骤：
61.步骤s101，获取样本用户针对样本内容合集的历史交互记录；
62.本发明实施例中，样本用户可以指用于训练兴趣预测模型的用户，样本内容合集可以指用于训练兴趣预测模型的影视剧集(视频)、有声小说集(音频)、期刊类作品(图文)等按周期更新的作品合集。
63.所述历史交互记录的采集周期为距离当前时刻最近的预设时间周期内，如：近n日内，n大于0。历史交互记录可以包括：用户画像信息、观剧行为信息、剧集属性信息及排播信息等；观剧行为信息包括：观看目标剧集的本剧观看行为信息及观看非目标剧集的其它观看行为信息等，另外，历史交互记录中不局限于浏览信息，或可能进一步包含浏览过程中的其他交互方式，比如评论，收藏、分享等信息。
64.其中，用户画像信息包括：用户使用的平台、用户的性别和用户的年龄等；剧集属性信息包括：会员/非会员每日更新集数、累计更新集数、正片更新集时长、是否自制剧、是否独播和总集数等；排播信息：播出日期、时间等；本剧观看行为信息包括：观看正片集数、观看片花/预告片占比、观看完成率、观看时长等；其它观看行为信息：电视剧频道观看时长、全频道观看时长等。
65.示例性的，可以获取剧集对应的热播期内样本用户的历史交互记录，具体而言，热播期可以指剧集上线日期至剧集完结后第14天的时间段(例如：2019年6月1日至2019年10月31日期间)内有观剧行为的样本用户，样本用户对应的历史交互记录来源于客户端播放行为日志以及用户画像数据等。
66.实际应用中，样本用户针对样本内容合集的历史交互记录可以通过客户端采集，然后上传至服务端保存，进而可以在训练兴趣预测模型是获取使用。
67.步骤s102，基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征；
68.所述样本用户对所述样本内容合集的交互特征包括：所述样本用户针对所述样本
内容合集的浏览时长、浏览进度、以及所述样本用户对非样本内容合集的浏览时长、浏览进度和所述样本用户的用户画像等。
69.在该步骤中，可以对历史交互记录进行分析处理，得到样本用户对所述样本内容合集的交互特征。
70.为了使交互特征更加完整、准确，可以对交互特征进行预处理，预处理指缺失值填充处理、离散化处理、四则运算处理和去除异常值处理等，然后基于预处理后的交互特征构建特征矩阵。
71.步骤s103，基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度；
72.在该步骤中，可以将交互特征输入归因模型，归因模型输出样本用户针对所述样本内容合集的兴趣度。
73.本发明实施例中，归因模型可以用于根据样本用户对样本内容合集的交互特征，分析归纳不同样本用户对样本内容合集的兴趣度。
74.如图2所示，归因模型可以对不同用户的交互特征进行分析，得到以下交互行为类别：“近n日未观看目标剧集且平台播放时长增加”、“近n日未观看目标剧集且上次完整观看目标剧集”、“近n日未观看目标剧集且上次未完整观看目标剧集”和“近n日有观看目标剧集及已观看最新目标剧集”等；用户对样本内容合集的兴趣度包括：“被其他内容吸引”、“忘记观看/屯剧”、“对该剧兴趣不大”、“对该剧较感兴趣”和“已观看至最新集”等。
75.实际应用中，在归因模型可以基于交互特征分析得到交互行为类别后，示例性的，可以将不同交互行为类别设置为对应不同的兴趣度，如：“近n日未观看目标剧集且平台播放时长增加”的交互行为类别与“被其他内容吸引”对应；“近n日未观看目标剧集且上次完整观看目标剧集”的交互行为类别与“忘记观看/屯剧”对应；“近n日未观看目标剧集且上次未完整观看目标剧集”的交互行为类别与“对该剧兴趣不大”对应；“近n日有观看目标剧集”的交互行为类别与“对该剧较感兴趣”对应；“已观看最新目标剧集”的交互行为类别与“已观看至最新集”对应。
76.基于以上，本发明实施例中，步骤s103基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度，包括：
77.若预设时间周期内，所述样本用户对目标内容合集的浏览时长小于第一预设值，且对非目标内容合集的浏览时长大于第二预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第一兴趣类型，第一兴趣类型可以指“被其他内容吸引”；
78.或者，若预设时间周期内，所述样本用户对所述目标内容合集的浏览时长小于第三预设值，且上次对所述目标内容合集的浏览时长大于第四预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第二兴趣类型，第二兴趣类型可以指“忘记观看/屯剧”；
79.或者，若预设时间周期内，所述样本用户对所述目标内容合集的浏览时长大于第五预设值，确定所述样本用户针对所述样本内容合集的兴趣度第三兴趣类型，第三兴趣类型可以指“对该剧兴趣不大”；
80.或者，预设时间周期内，所述样本用户对所述样本内容合集的浏览时长小于第六预设值且上次对所述样本内容合集的浏览时长小于第七预设值，确定所述样本用户针对所述样本内容合集的兴趣度为第四兴趣类型，第四兴趣类型可以指“对该剧较感兴趣”；
81.或者，预设时间周期内，所述样本用户对所述样本内容合集的浏览时长大于第八预设值且已完成观看所述样本内容合集中最新内容，确定所述样本用户针对所述样本内容合集的兴趣度为第五兴趣类型，第五兴趣类型可以指“已观看至最新集”。
82.步骤s104，利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
83.与所述样本内容合集对应的训练标签即实际准确的样本用户针对样本内容合集的兴趣度，将准确的兴趣度作为兴趣预测模型的训练标签，将训练标签与兴趣度对比，若二者相似度超过预设阈值，则可以确定验证通过，进而，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
84.本发明实施例通过首先获取样本用户针对样本内容合集的历史交互记录，然后基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征，再基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度，最后可以利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
85.本发明实施例利用样本用户的历史交互记录中的交互特征对兴趣预测模型进行训练，并利用训练标签对兴趣预测模型输出的兴趣度进行验证，在验证通过时，得到兴趣预测模型，进而便于对用户进行内容推荐时，根据用户针对不同内容合集的兴趣度分别推送不同推荐内容，实现有针对性的精准推荐内容，便于用户使用。
86.在本发明的又一实施例中，所述方法还包括：
87.201，基于所述交互特征，利用分类器获取所述样本用户对所述样本内容合集的交互程度参数；
88.本发明实施例中，分类器用于基于交互特征，获取样本用户对所述样本内容合集的交互程度参数，交互程度参数可以包括非轻度和轻度等。
89.本发明实施例的分类器可以预先通过以下方式进行训练：
90.首先，获取具有不同交互特征的多个样本用户及每个样本用户的交互程度参数标签，实际应用中，可以预先针对具有不同交互特征的样本用户，预先添加交互程度参数标签，如：轻度对应的交互程度参数为1，非轻度对应的交互程度参数为0。
91.然后，将多个用户的交互特征输入所述分类器，以使所述分类器预测每个所述样本用户对应的预测交互程度参数；本发明实施例中，可以采用五折交叉验证的方式，对分类器进行训练。
92.再基于每个样本用户对应的预测交互程度参数及交互程度参数标签调整所述分类器的模型参数，直至所述分类器收敛，得到训练完毕的分类器。
93.真实数据集下，此分类器预测交互程度参数的效果如下表1所示：
94.表1
95.96.召回率体现了分类器对正样本(即非轻度)的识别能力，召回率越高，说明模型对正样本的识别能力越强，精确度体现了模型对负样本的区分能力，精确度越高，说明模型对负样本的区分能力越强。
97.f1分数是精确度和召回率的综合，f1分数越高，说明分类器越稳健。
98.本发明实施例能够自动训练并得到分类器，便于后续利用分类器准确预测用户的交互程度参数。
99.202，若所述交互程度参数满足预设条件，执行基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度的步骤。
100.本发明实施例中，若交互程度参数为非轻度，则可以确定交互程度参数满足预设条件，执行基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度的步骤。
101.若交互程度参数不满足预设条件，则可以将该样本用户的用户分类标签标记为轻度用户。
102.本发明实施例能够利用分类器自动预测用户的追剧类别，便于在多个用户中，选择有更高的可能性观看完样本内容合集的所有内容的样本用户。
103.在本发明的又一实施例中，所述若所述交互程度参数满足预设条件，执行基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度的步骤，包括：
104.301，从所述交互程度参数中提取软件的使用时长和/或使用频率；
105.302，确定所述软件的使用时长是否超过预设第一阈值和/或使用频率是否超过预设第二阈值；
106.303，若所述软件的使用时长超过预设第一阈值和/或使用频率超过预设第二阈值，确定所述交互程度参数满足预设条件。
107.示例性的，软件的使用时长对应热播期内正片观看集数，若热播期内正片观看集数《＝总集数的10％，确定交互程度参数不满足预设条件；若热播期内正片观看集数》总集数的10％，从而确定交互程度参数满足预设条件。
108.综上，在实际应用中，如图3所示，为了便于理解，本发明实施例可以首先获取样本用户的历史交互记录，将历史交互记录进行特征工程处理，即预处理(缺失值填充处理、离散化处理、四则运算处理和去除异常值处理等)，将预处理后得到的交互特征输入轻度用户预测模型(即分类器)，得到分类器输出的交互程度参数：轻度或者非轻度，在样本用户的交互程度参数为非轻度时，利用归因模型确定样本用户的交互行为类别，进而根据交互行为类别确定样本用户的兴趣度，即“被其他内容吸引、忘记观看/屯剧、对该剧兴趣不大、对该剧较感兴趣和已观看至最新集”中的一个。
109.在本发明的又一实施例中，还提供一种内容推荐方法，如图4所示，包括：
110.步骤s401，针对目标用户，利用如前述任一方法实施例所述的兴趣预测模型确定所述目标用户针对目标内容合集的兴趣度；
111.在该步骤中，可以首先获取目标用户的历史交互记录，然后基于目标用户的历史交互记录，获取该目标用户对目标内容合集的交互特征，将该交互特征输入兴趣预测模型中，得到目标用户针对目标内容合集的兴趣度。
112.在实际应用中，在将交互特征输入至兴趣预测模型之前，还可以利用分类器获取目标用户对目标内容合集的交互程度参数，在交互程度参数满足预设条件时，再将交互特征输入至兴趣预测模型；在交互程度参数不满足预设条件时，可以确定目标用户的用户分类标签设置为轻度用户。
113.步骤s402，基于所述兴趣度，确定向目标用户推荐目标内容合集的推荐策略；
114.实际应用中，在确定目标用户的兴趣度后，还可以基于分类器和归因模型得到的预测结果进行叠加，即可得到目标用户的用户分类标签，即“a.轻度用户；b.非轻度-被其它内容吸引；c.非轻度-屯剧/忘记观看；d.非轻度-对内容不满意；e.非轻度-感兴趣且看完可能性大；f.非轻度-已追至最新”中的一个。最后根据实际的运营需要，对不同目标用户的用户分类标签进行针对性的运营，即指定不同的推荐策略，整体上提升整个用户群体的观剧程度。
115.步骤s403，按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息。
116.在本发明实施例中，按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息，包括：
117.在所述目标内容合集更新时，向所述目标用户对应的客户端设备发送所述目标内容合集的推荐信息；或者，响应于所述目标内容合集的关联页面的访问指令，向所述目标用户对应的客户端设备发送所述目标内容合集的推荐信息。
118.本发明实施例通过确定目标用户的兴趣度，进而基于目标用户对目标内容合集的兴趣度分别推送不同推荐内容，实现有针对性的精准推荐内容，便于用户使用。
119.在本发明的又一实施例中，还提供一种兴趣预测模型的训练装置，如图5所示，包括：
120.第一获取模块11，用于获取样本用户针对样本内容合集的历史交互记录；
121.第二获取模块12，用于基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征；
122.输出模块13，用于基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度；
123.验证模块14，用于利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
124.在本发明的又一实施例中，还提供一种内容推荐装置，如图6所示，包括：
125.第一确定模块21，用于针对目标用户，利用如前述实施例所述的兴趣预测模型的训练装置确定所述目标用户针对目标内容合集的兴趣度；
126.第二确定模块22，用于基于所述兴趣度，确定向目标用户推荐目标内容合集的推荐策略；
127.推送模块23，用于按照所述推荐策略向所述目标用户推送针对所述目标内容合集的内容推荐信息。
128.在本发明的又一实施例中，还提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
129.存储器，用于存放计算机程序；
130.处理器，用于执行存储器上所存放的程序时，实现前述任一方法实施例所述的兴趣预测模型的训练方法或者如前述任一方法实施例所述的内容推荐方法。
131.本发明实施例提供的电子设备，处理器通过执行存储器上所存放的程序实现了首先获取样本用户针对样本内容合集的历史交互记录，然后基于所述历史交互记录，获取所述样本用户对所述样本内容合集的交互特征，再基于对所述交互特征的运算处理，输出所述样本用户针对所述样本内容合集的兴趣度，最后可以利用与所述样本内容合集对应的训练标签对所述兴趣度进行验证，若验证通过，确定所述兴趣预测模型收敛，得到训练完成的兴趣预测模型。
132.本发明实施例利用样本用户的历史交互记录中的交互特征对兴趣预测模型进行训练，并利用训练标签对兴趣预测模型输出的兴趣度进行验证，在验证通过时，得到兴趣预测模型，进而便于对用户进行内容推荐时，根据用户针对不同内容合集的兴趣度分别推送不同推荐内容，实现有针对性的精准推荐内容，便于用户使用。
133.上述电子设备提到的通信总线1140可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
134.通信接口1120用于上述电子设备与其他设备之间的通信。
135.存储器1130可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
136.上述的处理器1110可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field-programmablegatearray，简称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。
137.在本发明的又一实施例中，还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有兴趣预测模型的训练方法，所述兴趣预测模型的训练方法被处理器执行时实现前述任一方法实施例所述的兴趣预测模型的训练方法的步骤；或者，所述计算机可读存储介质上存储有内容推荐方法的程序，所述内容推荐方法的程序被处理器执行时如前述任一方法实施例所述的内容推荐方法的步骤。
138.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。
139.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。