一种内容推荐方法、装置、电子设备和存储介质与流程

1.本发明涉及内容推荐技术领域，特别是涉及一种内容推荐方法、一种内容推荐装置、一种电子设备和一种计算机可读存储介质。


背景技术：

2.随着互联网的发展，使用互联网的用户数量急速增多，为用户提供内容服务的互联网网站数量也越来越多，为了更好地运营互联网网站以及服务互联网网站的用户，基于用户喜好的个性化内容推荐技术应运而生。
3.在目前的内容推荐领域中，内容推荐算法是推荐系统中最为核心的部分。通常会采用流处理平台如flink，spark，streaming技术(流技术)，在用户使用产品时，根据用户点击行为，为用户实时推荐喜好内容至推荐系统中，由推荐系统完成实时推送，以实现实时推荐的效果，但是这种推荐方法随着用户使用量增长，会出现的待分析的数据量越多，从而导致计算量增大，计算效率下降，实时性能降低，硬件投入成本高的问题。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例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一种内容推荐方法、一种内容推荐装置、一种电子设备和一种计算机可读存储介质。
5.为了解决上述问题，本发明实施例公开了一种内容推荐方法，所述方法包括：
6.获取用户基础数据和用户行为数据，并根据所述用户基础数据和所述用户行为数据，生成用户行为清单；
7.根据所述用户行为清单，生成用户使用时段特征和用户喜好特征；
8.获取内容数据，并根据所述内容数据生成内容清单；
9.根据所述内容清单，生成内容时段特征和内容特征；
10.根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，生成时段内容预测清单；
11.将所述时段内容预测清单推送至推荐系统，以生成推荐内容。
12.可选地，所述根据用户基础数据和用户行为数据，生成用户行为清单，包括：
13.对所述用户基础数据和所述用户行为数据进行预处理；所述预处理包括数据清洗、修复、关联和汇总中的至少一种操作；
14.采用经过预处理之后的所述用户基础数据和所述用户行为数据，生成所述用户行为清单。
15.可选地，所述根据所述用户行为清单，生成用户使用时段特征和用户喜好特征，包括：
16.根据所述用户行为清单，执行用户使用时段算法，生成所述用户使用时段特征；
17.根据所述用户行为清单，执行用户喜好算法，生成所述用户喜好特征。
18.可选地，所述根据所述内容清单，生成内容时段特征和内容特征，包括：
19.根据所述内容清单，执行内容时段特征算法，生成所述内容时段特征；
20.根据所述内容清单，执行内容分析算法，生成所述内容特征。
21.可选地，所述根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，生成时段内容预测清单，包括：
22.根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，执行用户喜好时段的内容预测算法，生成所述时段内容预测清单。
23.可选地，所述根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，执行用户喜好时段的内容预测算法，生成所述时段内容预测清单，包括：
24.根据所述用户使用时段和所述内容时段特征，预测用户下次使用时段；
25.根据所述用户喜好特征和所述内容特征，预测用户喜好内容；
26.根据所述用户下次使用时段和所述用户喜好内容，确定内容清单的各个内容的推荐度；
27.基于所述用户下次使用时段和所述用户喜好内容，生成所述时段内容预测清单。
28.可选地，所述将所述时段内容预测清单推送至推荐系统，以生成推荐内容，包括：
29.将所述时段内容预测清单按照预设推送周期提前推送至所述推荐系统，以使推荐系统根据用户访问时段向用户推荐内容。
30.本发明实施例还公开了一种内容推荐装置，所述装置包括：
31.行为清单生成模块，用于获取用户基础数据和用户行为数据，并根据所述用户基础数据和所述用户行为数据，生成用户行为清单；
32.针对用户特征生成模块，用于根据所述用户行为清单，生成用户使用时段特征和用户喜好特征；
33.内容清单生成模块，用于获取内容数据，并根据所述内容数据生成内容清单；
34.针对内容特征生成模块，用于根据所述内容清单，生成内容时段特征和内容特征；
35.预测清单生成模块，用于根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，生成时段内容预测清单；
36.推荐内容生成模块，用于将所述时段内容预测清单推送至推荐系统，以生成推荐内容。
37.可选地，所述行为清单生成模块包括：
38.数据预处理子模块，用于对所述用户基础数据和所述用户行为数据进行预处理；所述预处理包括数据清洗、修复、关联和汇总中的至少一种操作；
39.行为清单生成子模块，用于采用经过预处理之后的所述用户基础数据和所述用户行为数据，生成所述用户行为清单。
40.可选地，所述针对用户特征生成模块包括：
41.用户时段特征生成子模块，用于根据所述用户行为清单，执行用户使用时段算法，生成所述用户使用时段特征；
42.用户喜好特征生成子模块，用于根据所述用户行为清单，执行用户喜好算法，生成所述用户喜好特征。
43.可选地，所述针对内容特征生成模块包括：
44.内容时段特征生成子模块，用于根据所述内容清单，执行内容时段特征算法，生成所述内容时段特征；
45.内容特征生成子模块，用于根据所述内容清单，执行内容分析算法，生成所述内容特征。
46.可选地，所述预测清单生成模块包括：
47.内容预测算法执行子模块，用于根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，执行用户喜好时段的内容预测算法，生成所述时段内容预测清单。
48.可选地，所述内容预测算法执行子模块包括：
49.用户使用时段预测单元，用于根据所述用户使用时段和所述内容时段特征，预测用户下次使用时段；
50.用户喜好内容预测单元，用于根据所述用户喜好特征和所述内容特征，预测用户喜好内容；
51.内容推荐度确定单元，用于根据所述用户下次使用时段和所述用户喜好内容，确定内容清单的各个内容的推荐度；
52.内容预测清单生成单元，用于基于所述用户下次使用时段和所述用户喜好内容，生成所述时段内容预测清单。
53.可选地，所述推荐内容生成模块包括：
54.推荐内容推送子模块，用于将所述时段内容预测清单按照预设推送周期提前推送至所述推荐系统，以使推荐系统根据用户访问时段向用户推荐内容。
55.本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
56.所述存储器，用于存放计算机程序；
57.所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。
58.本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的方法。
59.本发明实施例包括以下优点：
60.在本发明实施例中，根据获取的用户基础数据和用户行为数据，生成用户行为清单，根据用户行为清单，生成用户使用时段特征和用户喜好特征；获取内容数据，并根据内容数据生成内容清单；根据内容清单，生成内容时段特征和内容特征；根据用户使用时段特征、用户喜好特征、内容时段特征和内容特征，生成时段内容预测清单；将时段内容预测清单推送至推荐系统，以生成推荐内容。在本发明实施例中可以通过获取的用户行为清单和内容清单，生成用户使用时段特征、用户喜好特征、内容时段特征和内容特征，以得到时段内容预测清单，并提前推送至推荐系统，从而只需将用户使用时段与推荐内容时段进行匹配，实时生成每个用户最新内容推荐清单，减少了推荐系统中推荐数据的关联，绕过流处理平台复杂的实时计算过程，提高了推荐内容实时性，实现了高效率低成本地解决推送内容实时性问题。
附图说明
61.图1是本发明实施例提供的一种内容推荐方法的步骤流程图；
62.图2是本发明实施例提供的一种针对用户特征计算的流程图；
63.图3是本发明实施例提供的一种基础数据处理的流程图；
64.图4是本发明实施例提供的一种针对内容特征计算的流程图；
65.图5是本发明实施例提供的一种内容预测推荐计算的流程图；
66.图6是本发明实施例提供的一种内容预测推荐应用流程图；
67.图7是本发明实施例提供的一种内容推荐装置的结构框图。
具体实施方式
68.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
69.目前，通常会采用流处理平台技术，来实现内容的推荐，例如，在用户使用产品时，根据用户的点击行为来实时计算用户喜好特征，再根据喜好特征来推荐喜好的内容，从而推送至推荐系统，达到实时推荐的效果，但是，这种方法在实际使用中，会因为用户的使用量的增长，导致需要分享计算的数据量越来越大，从而导致实时推荐的性能降低，硬件投入成本高的问题。
70.本发明实施例的核心构思之一在于，通过获取的用户行为清单和内容清单，生成用户使用时段特征、用户喜好特征、内容时段特征和内容特征，以得到时段内容预测清单，并提前推送至推荐系统，从而只需将用户使用时段与推荐内容进行匹配，减少了推荐系统中推荐数据的关联，实时生成每个用户最新内容推荐清单，绕过流处理平台复杂的实时计算过程，提高了推荐内容实时性，实现了高效率低成本地解决推送内容实时性问题。
71.参照图1，示出了本发明实施例提供的一种内容推荐方法的步骤流程图，所述方法具体可以包括如下步骤：
72.步骤101，获取用户基础数据和用户行为数据，并根据所述用户基础数据和所述用户行为数据，生成用户行为清单；
73.示例性地，用户基础数据可以包括用户id、用户姓名、年龄、名族、性别、生日、职业、地址、电话、移动产品账号、宽带产品账号、itv(中国电信宽带互联网视听业务：interactive television)账号等。
74.用户行为数据可以包括用户的缴费行为、itv点播内容信息、互联网内容信息、客户已点播内容、点播时段、点播次数、点播时长等。
75.在本发明实施例中，获取用户基础数据和用户行为数据，并根据用户基础数据和用户行为数据，生成用户行为清单；
76.示例性地，用户行为清单可以包括周期时段使用清单、喜好行为汇总清单、已点播清单等，周期时段使用清单可以包括用户一段周期内每小时的行为数据；喜好行为汇总清单可以包括一段周期内喜好行为汇总数据，包含客户id，喜好类型、次数、时长、费用等；已点播清单可以包括用户一段周期内已点播的数据；
77.在一种可选的实施例中，所述步骤101可以包括以下子步骤s11-s12：
78.子步骤s11，对所述用户基础数据和所述用户行为数据进行预处理；所述预处理包
括数据清洗、修复、关联和汇总中的至少一种操作；
79.子步骤s12，采用经过预处理之后的所述用户基础数据和所述用户行为数据，生成所述用户行为清单。
80.在本发明实施例中，可以对用户基础数据和用户行为数据进行预处理，并采用预处理后的用户基础数据和用户行为数据，生成用户行为清单，其中，预处理可以包括数据清洗、修复、关联和汇总中的至少一种操作；
81.示例性地，数据清洗的操作可以为通过匹配互联网网址类型，过滤无效网址访问信息，提取出客户喜好网址类型；例如：音乐、游戏、视频、商务、政府、购物、图书、旅游、综合等；
82.数据修复的操作可以为通过用户访问信息进行修复；
83.数据关联的操作可以为将客户名下所有产品信息进行关联，包括基础信息、移动产品、宽带产品、itv产品、互联网信息等；
84.数据汇总的操作可以为将用户的行为信息进行汇总。
85.步骤102，根据所述用户行为清单，生成用户使用时段特征和用户喜好特征；
86.在一种可选的实施例中，所述步骤102可以包括以下子步骤s21-s22：
87.子步骤s21，根据所述用户行为清单，执行用户使用时段算法，生成所述用户使用时段特征；
88.子步骤s22，根据所述用户行为清单，执行用户喜好算法，生成所述用户喜好特征。
89.示例性地，用户使用时段算法可以用于通过分析用户办理的电信产品类型、各产品使用时间、点播时段需求等，来计算出用户使用时段特征；用户使用时段特征可以用于表示用户的使用时段。
90.用户喜好算法可以用于根据用户喜好的播放内容，获取用户喜好特征；用户喜好特征可以用于表征用户的长期喜好、短期喜好、喜好次数和热度内容等。具体地，使用何种方式生成用户使用时段算法和用户喜好算法，本领域技术人员可以根据实际情况而定，本发明在此不做限定。
91.在本发明实施例中，可以根据用户行为清单分别执行用户使用时段算法和用户喜好算法，对应生成用户使用时段特征和用户喜好特征。
92.在一种示例中，参考图2，示出了本发明实施例提供的一种针对用户特征计算的流程图；
93.步骤1，用户行为清单的接入；
94.步骤2，分别执行用户使用时段算法和用户喜好算法；用户使用时段算法用于通过分析用户办理的电信产品类型、各产品使用时间、点播时段需求等，来计算出用户使用时段特征；用户喜好算法用于根据用户喜好的播放内容，获取用户喜好特征；用户喜好特征可以用于表征用户的长期喜好、短期喜好、喜好次数和热度内容等。
95.步骤3，分别生成用户使用时段特征和用户喜好特征。
96.步骤103，获取内容数据，并根据所述内容数据生成内容清单；
97.在本发明实施例中，获取的内容数据，并对内容数据进行数据处理，可以生成内容清单；其中，内容数据可以包括内容库分类信息、互联网内容分类信息、采购信息和点播付费信息等；数据处理可以包括数据清洗、数据修复、数据关联和数据汇总等操作，具体地，如
何对内容数据进行数据处理，本领域技术人员可以根据实际情况而定，本发明在此不做限定。
98.在一种示例中，参考图3，示出了本发明实施例提供的一种基础数据处理的流程图；
99.步骤1，分别获取用户基础数据、用户行为数据和内容数据；
100.步骤2，分别对用户基础数据、用户行为数据和内容数据进行数据清洗；
101.步骤3，分别对用户基础数据、用户行为数据和内容数据进行数据修复；
102.步骤4，分别对用户基础数据、用户行为数据和内容数据进行数据关联和汇总；
103.步骤5，基于数据处理后的用户基础数据和用户行为数据，生成用户行为清单；基于数据处理后的内容数据，生成内容清单。
104.步骤104，根据所述内容清单，生成内容时段特征和内容特征；
105.在一种可选的实施例中，所述步骤104可以包括以下子步骤s31-s32：
106.子步骤s31，根据所述内容清单，执行内容时段特征算法，生成所述内容时段特征；
107.子步骤s32，根据所述内容清单，执行内容分析算法，生成所述内容特征。
108.示例性地，内容时段特征算法可以用于根据内容清单中内容播放的时段，生成内容时段特征；内容时段特征可以用于表征内容的播放时段；内容时段特征还可以包括内容名称、内容分类特征、内容质量特征、内容时效性特征、内容价值特征等。
109.内容分析算法可以用于根据内容清单中记载的内容生成内容特征；内容特征可以用于表征内容库的数据和互联网上的内容数据。具体地，使用何种方式生成内容时段特征算法和内容分析算法，本领域技术人员可以根据实际情况而定，本发明在此不做限定。
110.在本发明实施例中，根据内容清单执行内容时段特征算法，生成内容时段特征；根据内容清单，执行内容分析算法，生成内容特征。
111.在一种示例中，参考图4，示出了本发明实施例提供的一种针对内容特征计算的流程图；
112.步骤1，内容清单的接入；
113.步骤2，分别执行内容时段特征算法和内容分析算法；内容时段特征算法用于根据内容清单中内容播放的时段，生成内容时段特征；内容时段特征用于表征内容的播放时段；内容分析算法用于根据内容清单中记载的内容生成内容特征；内容特征可以用于表征内容库的数据和互联网上的内容数据。
114.步骤3，分别生成内容时段特征和内容特征。根据内容清单执行内容时段特征算法，生成内容时段特征；根据内容清单，执行内容分析算法，生成内容特征。
115.步骤105，根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，生成时段内容预测清单；
116.在一种可选的实施例中，所述步骤105可以包括以下子步骤s41：
117.子步骤s41，根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，执行用户喜好时段的内容预测算法，生成所述时段内容预测清单。
118.在本发明实施例中，根据用户使用时段特征、用户喜好特征、内容时段特征和内容特征，执行用户喜好时段的内容预测算法，生成时段内容预测清单。示例性地，用户喜好时段的内容预测算法可以用于根据用户喜好内容和使用周期，预测用户下次使用周期时段和
间隔周期喜好内容类型，生成时段内容预测清单；时段内容预测清单可以包括周期类型、预测时段、推荐时段、客户id、内容名称、内容质量、内容价值、有效周期、推荐度等。具体地，使用何种方式生成用户喜好时段的内容预测算法，本领域技术人员可以根据实际情况而定，本发明在此不做限定。
119.在一种可选的实施例中，所述子步骤s41可以包括：根据所述用户使用时段和所述内容时段特征，预测用户下次使用时段；
120.根据所述用户喜好特征和所述内容特征，预测用户喜好内容；
121.根据所述用户下次使用时段和所述用户喜好内容，确定内容清单的各个内容的推荐度；
122.基于所述用户下次使用时段和所述用户喜好内容，生成所述时段内容预测清单。
123.在本发明实施例中，根据用户使用时段和内容时段特征，预测用户下次使用时段；根据用户喜好特征和内容特征，预测用户喜好内容；根据用户下次使用时段和用户喜好内容，确定内容清单的各个内容的推荐度；具体地，各个内容的推荐度可以与用户喜好内容成正相关。
124.通过用户下次使用时段和用户喜好内容，可以生成时段内容预测清单，其中，时段内容预测清单可以包括针对各个内容的推荐度。
125.在一种示例中，参考图5，示出了本发明实施例提供的一种内容预测推荐计算的流程图；
126.步骤1，获取用户使用时段特征、用户喜好特征、内容时段特征和内容特征；用户使用时段特征可以用于表示用户的使用时段；用户喜好特征可以用于表征用户的长期喜好、短期喜好、喜好次数和热度内容等；内容时段特征可以用于表征内容的播放时段；内容特征可以用于表征内容库的数据和互联网上的内容数据。
127.步骤2，执行用户喜好时段的内容预测算法；用户喜好时段的内容预测算法可以用于根据用户喜好内容和使用周期，预测用户下次使用周期时段和间隔周期喜好内容类型，生成时段内容预测清单。
128.步骤3，生成时段内容预测清单。
129.步骤106，将所述时段内容预测清单推送至推荐系统，以生成推荐内容。
130.在一种可选的实施例中，所述步骤106可以包括以下子步骤s51：
131.子步骤s51，将所述时段内容预测清单按照预设推送周期提前推送至所述推荐系统，以使推荐系统根据用户访问时段向用户推荐内容。
132.在本发明实施例中，可以将时段内容预测清单按照预设推送周期提前推送至推荐系统，基于时段内容预测清单，推荐系统可以根据用户访问时段与用户预测时段匹配，为各个用户生成推荐内容，从而使得用户在实际使用推荐系统时段进行匹配，实时生成每个用户最新内容推荐清单，减少了推荐系统中推荐数据的关联，提高了推荐内容实时性。
133.示例性地，预设推送周期可以为提前一天，或者可以根据用户使用周期频率进行推送。
134.推荐内容可以为在播内容推荐、待播内容推荐或者喜好排行推荐等等。
135.在一种示例中，参考图6，示出了本发明实施例提供的一种内容预测推荐应用流程图；
136.步骤1，将时段内容预测清单按照预设推送周期提前推送至推荐系统；
137.步骤2，推荐系统根据用户访问时段与用户预测时段匹配，为各个用户生成推荐内容；
138.步骤3，将推荐内容推送至各个用户；
139.在本发明实施例中，根据获取的用户基础数据和用户行为数据，生成用户行为清单，根据用户行为清单，生成用户使用时段特征和用户喜好特征；获取内容数据，并根据内容数据生成内容清单；根据内容清单，生成内容时段特征和内容特征；根据用户使用时段特征、用户喜好特征、内容时段特征和内容特征，生成时段内容预测清单；将时段内容预测清单推送至推荐系统，以生成推荐内容。在本发明实施例中可以通过获取的用户行为清单和内容清单，生成用户使用时段特征、用户喜好特征、内容时段特征和内容特征，以得到时段内容预测清单，并提前推送至推荐系统，从而只需将用户使用时段与推荐内容时段进行匹配，实时生成每个用户最新内容推荐清单，减少了推荐系统中推荐数据的关联，绕过流处理平台复杂的实时计算过程，提高了推荐内容实时性，实现了高效率低成本地解决推送内容实时性问题。
140.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
141.参照图7，示出了本发明实施例提供的一种内容推荐装置的结构框图，具体可以包括如下模块：
142.行为清单生成模块701，用于获取用户基础数据和用户行为数据，并根据所述用户基础数据和所述用户行为数据，生成用户行为清单；
143.针对用户特征生成模块702，用于根据所述用户行为清单，生成用户使用时段特征和用户喜好特征；
144.内容清单生成模块703，用于获取内容数据，并根据所述内容数据生成内容清单；
145.针对内容特征生成模块704，用于根据所述内容清单，生成内容时段特征和内容特征；
146.预测清单生成模块705，用于根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，生成时段内容预测清单；
147.推荐内容生成模块706，用于将所述时段内容预测清单推送至推荐系统，以生成推荐内容。
148.在一种实施例中，所述行为清单生成模块包括：数据预处理子模块，用于对所述用户基础数据和所述用户行为数据进行预处理；所述预处理包括数据清洗、修复、关联和汇总中的至少一种操作；
149.行为清单生成子模块，用于采用经过预处理之后的所述用户基础数据和所述用户行为数据，生成所述用户行为清单。
150.在一种实施例中，所述针对用户特征生成模块包括：
151.用户时段特征生成子模块，用于根据所述用户行为清单，执行用户使用时段算法，
生成所述用户使用时段特征；
152.用户喜好特征生成子模块，用于根据所述用户行为清单，执行用户喜好算法，生成所述用户喜好特征。
153.在一种实施例中，所述针对内容特征生成模块包括：
154.内容时段特征生成子模块，用于根据所述内容清单，执行内容时段特征算法，生成所述内容时段特征；
155.内容特征生成子模块，用于根据所述内容清单，执行内容分析算法，生成所述内容特征。
156.在一种实施例中，所述预测清单生成模块包括：
157.内容预测算法执行子模块，用于根据所述用户使用时段特征、所述用户喜好特征、所述内容时段特征和所述内容特征，执行用户喜好时段的内容预测算法，生成所述时段内容预测清单。
158.在一种实施例中，所述内容预测算法执行子模块包括：
159.用户使用时段预测单元，用于根据所述用户使用时段和所述内容时段特征，预测用户下次使用时段；
160.用户喜好内容预测单元，用于根据所述用户喜好特征和所述内容特征，预测用户喜好内容；
161.内容推荐度确定单元，用于根据所述用户下次使用时段和所述用户喜好内容，确定内容清单的各个内容的推荐度；
162.内容预测清单生成单元，用于基于所述用户下次使用时段和所述用户喜好内容，生成所述时段内容预测清单。
163.在一种实施例中，所述推荐内容生成模块包括：
164.推荐内容推送子模块，用于将所述时段内容预测清单按照预设推送周期提前推送至所述推荐系统，以使推荐系统根据用户访问时段向用户推荐内容。
165.在本发明实施例中，根据获取的用户基础数据和用户行为数据，生成用户行为清单，根据用户行为清单，生成用户使用时段特征和用户喜好特征；获取内容数据，并根据内容数据生成内容清单；根据内容清单，生成内容时段特征和内容特征；根据用户使用时段特征、用户喜好特征、内容时段特征和内容特征，生成时段内容预测清单；将时段内容预测清单推送至推荐系统，以生成推荐内容。在本发明实施例中可以通过获取的用户行为清单和内容清单，生成用户使用时段特征、用户喜好特征、内容时段特征和内容特征，以得到时段内容预测清单，并提前推送至推荐系统，从而只需将用户使用时段与推荐内容时段进行匹配，实时生成每个用户最新内容推荐清单，减少了推荐系统中推荐数据的关联，绕过流处理平台复杂的实时计算过程，提高了推荐内容实时性，实现了高效率低成本地解决推送内容实时性问题。
166.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
167.本发明实施例还提供了一种电子设备，包括：
168.包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述内容推荐方法实施例的各个过程，且能达到
相同的技术效果，为避免重复，这里不再赘述。
169.本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述内容推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
170.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
171.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
172.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
173.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
174.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
175.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
176.最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
177.以上对本发明所提供的一种内容推荐方法、一种内容推荐装置、一种电子设备和一种计算机可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同
时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。