内容推荐方法、系统、终端设备、介质及产品与流程

1.本技术涉及推荐系统领域，尤其涉及一种内容推荐方法、系统、终端设备、介质及产品。


背景技术：

2.随着互联网技术的发展和社会的进步，终端设备的各种app上基本都设置有推荐系统，在用户打开app进行浏览时，推荐系统可以向用户推荐各种内容。
3.现有的推荐系统主要利用大数据分析或者深度学习的方式向用户推荐相关内容，即获取用户之前一段时间内的历史浏览数据，并对历史浏览数据进行大数据分析，或者利用机器学习算法进行深度学习，从而对用户可能会进行浏览的内容进行预测。当用户再次打开app进行浏览时，推荐系统会根据预测向用户推荐相关内容。但是，通过大数据分析或者深度学习的方式推荐的内容可能并不准确，导致用户对推荐的内容并不满意。
4.因此，需要一种推荐准确性更高的内容推荐方案。


技术实现要素：

5.本技术提供一种内容推荐方法、系统、终端设备、介质及产品，用以解决现有的内容推荐系统推荐准确性低的技术问题。
6.第一方面，本技术提供一种内容推荐方法，包括：
7.在接收到待推荐内容之后，对每一所述待推荐内容进行识别，以获取每一所述待推荐内容对应的内容信息和标签信息，并获取目标用户对应的用户信息和历史行为信息；
8.根据所述目标用户对应的用户信息和历史行为信息，以及每一所述待推荐内容对应的内容信息和标签信息生成推荐数据集；
9.根据所述推荐数据集确定所述目标用户对应的规则图谱；
10.根据所述规则图谱确定所述目标用户对每一所述待推荐内容的点击概率，并向所述目标用户输出最大点击概率对应的目标推荐内容。
11.在一种可能的实施方式中，所述根据所述推荐数据集确定所述目标用户对应的规则图谱，具体包括：
12.利用规则学习算法构造所述目标用户的历史行为信息对应的推荐规则，所述推荐规则包括条件信息和结果信息；
13.对每一所述推荐规则进行模型拟合，以确定每一所述推荐规则对应的规则权重，所述规则权重包括召回率、精确率和准确率中的一种或多种；
14.根据所述目标用户的用户信息、待推荐内容的内容信息、每一所述内容信息对应的标签信息、所述目标用户对应的推荐规则以及所述推荐规则对应的规则权重，确定所述目标用户对应的规则图谱。
15.在一种可能的实施方式中，所述根据所述目标用户的用户信息、待推荐内容的内容信息、每一所述内容信息对应的标签信息、所述目标用户对应的推荐规则以及所述推荐
规则对应的规则权重，确定所述目标用户对应的规则图谱，具体包括：
16.根据所述目标用户的用户信息，构建用户实体，所述用户实体包括与每一用户信息对应的用户属性；
17.根据所述待推荐内容的内容信息，构建内容实体，所述内容实体包括与每一内容信息对应的内容属性；
18.根据所述内容信息对应的标签信息，构建标签实体；
19.根据所述目标用户对应的推荐规则以及所述推荐规则对应的规则权重，构建规则实体；
20.根据所述规则实体对应的推荐规则的条件信息或结果信息，分别构建所述用户实体与所述规则实体之间的第一关系，所述内容实体与所述规则实体之间的第二关系，以及所述标签实体与所述规则实体之间的第三关系；
21.根据预设的内容信息与标签信息之间的对应关系，构建所述内容实体与所述标签实体之间的第四关系；
22.根据所述用户实体、内容实体、标签实体、规则实体、第一关系、第二关系、第三关系和第四关系，确定所述目标用户对应的规则图谱。
23.在一种可能的实施方式中，所述根据所述规则实体对应的推荐规则的条件信息或结果信息，分别构建所述用户实体与所述规则实体之间的第一关系，所述内容实体与所述规则实体之间的第二关系，以及所述标签实体与所述规则实体之间的第三关系，具体包括：
24.判断所述用户实体中是否存在满足所述规则实体对应的推荐规则的条件信息的用户属性，若是，则生成所述用户实体与所述规则实体之间的第一关系；
25.判断所述内容实体中是否存在满足所述规则实体对应的推荐规则的结果信息的内容属性，若是，则生成所述内容实体与所述规则实体之间的第二关系；
26.判断所述标签实体是否满足所述规则实体对应的推荐规则的结果信息，若是，则生成所述标签实体与所述规则实体之间的第三关系。
27.在一种可能的实施方式中，所述根据所述规则图谱确定所述目标用户对每一所述待推荐内容的点击概率，具体包括：
28.确定所述规则图谱中与所述用户实体对应的用户实体向量、与所述内容实体对应的内容实体向量、与所述标签实体对应的标签实体向量、与所述规则实体对应的规则实体向量，以及与各关系对应的关系向量，所述规则实体向量为所述规则实体中的推荐规则对应的规则权重；
29.获取与每一用户实体向量之间存在关系的第一规则实体向量，并将所述用户实体向量、第一规则实体向量，以及所述用户实体向量与所述第一规则实体向量之间的关系向量进行拼接，以生成用户规则向量；
30.获取与每一内容实体向量或者标签实体向量之间存在关系的第二规则实体向量，并将所述内容实体向量或者标签实体向量、第二规则实体向量，以及所述内容实体向量或者标签实体向量与所述第二规则实体向量之间的关系向量进行拼接，以生成内容规则向量；
31.对所述用户规则向量和所述内容规则向量进行随机拼接，以生成拼接向量；
32.将所述拼接向量输入训练好的神经网络模型中，以确定所述目标用户对每一所述
待推荐内容的点击概率。
33.在一种可能的实施方式中，所述向所述目标用户输出最大点击概率对应的目标推荐内容，具体包括：
34.确定所述点击概率中的最大点击概率，以及所述最大点击概率对应的目标推荐内容；
35.确定所述最大点击概率对应的推荐规则，以及所述推荐规则的结果信息；
36.根据所述结果信息生成所述目标推荐内容对应的推荐理由；
37.向所述目标用户输出目标推荐内容，以及所述目标推荐内容对应的推荐理由。
38.在一种可能的实施方式中，在所述根据所述推荐数据集确定所述目标用户对应的规则图谱之前，还包括：
39.对所述推荐数据集进行预处理，以将所述推荐数据集整理成机器学习可用的数据；
40.相应地，所述根据所述推荐数据集确定所述目标用户对应的规则图谱，包括：
41.根据预处理之后的推荐数据集，确定所述目标用户对应的规则图谱。
42.第二方面，本技术提供一种内容推荐系统，包括：
43.收发模块，用于在接收到待推荐内容之后，对每一所述待推荐内容进行识别，以获取每一所述待推荐内容对应的内容信息和标签信息，并获取目标用户对应的用户信息和历史行为信息；
44.处理模块，用于根据所述目标用户对应的用户信息和历史行为信息，以及每一所述待推荐内容对应的内容信息和标签信息生成推荐数据集；根据所述推荐数据集确定所述目标用户对应的规则图谱；根据所述规则图谱确定所述目标用户对每一所述待推荐内容的点击概率，并向所述目标用户输出最大点击概率对应的目标推荐内容。
45.第三方面，本技术提供一种终端设备，包括：处理器，以及与所述处理器通信连接的存储器；
46.所述存储器存储计算机执行指令；
47.所述处理器执行所述存储器存储的计算机执行指令，以实现上述的方法。
48.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的方法。
49.第五方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。
50.本技术提供的内容推荐方法、系统、终端设备、介质及产品，可以在接收到待推荐内容之后，对每一待推荐内容进行识别，以获取每一待推荐内容对应的内容信息和标签信息，并获取目标用户对应的用户信息和历史行为信息；根据目标用户对应的用户信息和历史行为信息，以及每一待推荐内容对应的内容信息和标签信息生成推荐数据集；根据推荐数据集确定目标用户对应的规则图谱；根据规则图谱确定目标用户对每一待推荐内容的点击概率，并向目标用户输出最大点击概率对应的目标推荐内容。本技术的方法，可以首先利用含有目标用户对应的历史行为信息的推荐数据集生成规则图谱，结合规则学习和知识图谱构建规则图谱，使得规则图谱含有符合用户行为的规则。进一步的，在得到具备规则的规则图谱之后，根据规则图谱即可确定目标用户对推荐数据集中每一待推荐内容的点击概
率，并向目标用户输出最大点击概率对应的目标推荐内容。通过这样的设置，使得最大点击概率对应的目标推荐内容，是通过学习该目标用户对应的规则并据此进行预测得到的，从而使推荐结果具备可解释和可理解的特性，提高了推荐结果的准确性和可信性，更能引起用户的关注，提升了用户使用体验。
附图说明
51.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
52.图1为本技术一实施例的内容推荐方法的流程图；
53.图2为本技术另一实施例的内容推荐方法的流程图；
54.图3为本技术一实施例的规则图谱的示意图；
55.图4为本技术一实施例的内容推荐系统的结构示意图；
56.图5为本技术一实施例的终端设备的结构示意图。
57.附图标记：41、收发模块；42、处理模块。
58.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
59.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
60.本技术的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
61.需要说明的是，本技术的内容推荐方法、系统、终端设备、介质及产品可用于金融领域，也可用于除金融领域以外的任意领域。本技术的内容推荐方法、系统、终端设备、介质及产品的应用领域并不作限定。
62.随着互联网技术的发展和社会的进步，终端设备的各种app上基本都设置有推荐系统，在用户打开app进行浏览时，推荐系统可以向用户推荐各种内容。例如，某银行的app中设置有“资讯”栏，当用户点击进入“资讯”栏之后，该app的推荐系统会向用户推荐包括金融、理财等内容的信息。
63.现有的推荐系统主要利用大数据分析或者深度学习的方式向用户推荐相关内容，即获取用户之前一段时间内的历史浏览数据，并对历史浏览数据进行大数据分析，或者利用机器学习算法进行深度学习，从而对用户可能会进行浏览的内容进行预测。当用户再次打开app进行浏览时，推荐系统会根据预测向用户推荐相关内容，以提高用户对内容的点击概率。
64.但是，通过大数据分析或者深度学习的方式推荐的内容可能并不准确，导致用户对推荐的内容并不满意，认为app推荐的内容并不是自身所需要的，使得用户不再信任该
app，也不愿意接受该app推荐的内容。
65.基于该技术问题，本技术的发明构思在于：如何提供一种推荐准确性更高的内容推荐方法。
66.本技术提供的内容推荐方法，旨在解决现有技术的如上技术问题。该方法可以首先利用含有目标用户对应的历史行为信息的推荐数据集生成规则图谱，结合规则学习和知识图谱构建规则图谱，使得规则图谱含有符合用户行为的规则。进一步的，在得到具备规则的规则图谱之后，根据规则图谱即可确定目标用户对推荐数据集中每一待推荐内容的点击概率，并向目标用户输出最大点击概率对应的目标推荐内容。通过这样的设置，使得最大点击概率对应的目标推荐内容，是通过学习该目标用户对应的规则并据此进行预测得到的，从而使推荐结果具备可解释和可理解的特性，提高了推荐结果的准确性和可信性，更能引起用户的关注，提升了用户使用体验。
67.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
68.实施例一
69.图1是本技术一实施例提供的内容推荐方法的流程图，本技术实施例提供的内容推荐方法的执行主体可以是终端设备，也可以是终端设备中的内容推荐系统，本实施例以执行主体为终端设备对该内容推荐方法进行说明。如图1所示，该内容推荐方法可以包括以下步骤：
70.s101：在接收到待推荐内容之后，对每一待推荐内容进行识别，以获取每一待推荐内容对应的内容信息和标签信息，并获取目标用户对应的用户信息和历史行为信息。
71.在本实施例中，终端设备包括但不限于：手机、电脑、平板、智能手表等设备，在此不做任何限制。
72.在本实施例中，服务器可以每隔一段时间将待推荐内容发送至终端设备，终端设备在接收到服务器发送的待推荐内容之后，可以对每一待推荐内容进行识别，以获取每一待推荐内容对应的内容信息和标签信息。示例性的，终端设备可以利用图像识别技术、ocr识别技术等对每一待推荐内容进行识别，上述识别技术均可以采用现有技术中的识别技术，在此不做赘述。
73.在本实施例中，内容信息指的是待推荐内容具体的相关内容；标签信息指的是，待推荐内容具体是哪方面的内容，例如财经、新闻、房地产、娱乐等。本领域技术人员可以事先设置内容信息和标签信息之间的对应关系，当终端设备获取到待推荐内容对应的内容信息之后，即可根据预设的对应关系确定待推荐内容对应的标签信息。具体的标签信息，以及内容信息和标签信息之间的对应关系，本领域技术人员可以灵活设置，在此不做任何限制。
74.在本实施例中，用户信息指的是，用户名、手机号、姓名、性别、年龄等用户基本信息；历史行为信息指的是，用户在终端设备中的app进行相关操作时，保留并记录的历史痕迹，例如浏览记录等。
75.在本实施例中，用户进入终端设备中的app进行相关操作时，通常需要利用用户名、手机号等用户信息进行登录，并且登录之后进行的相关操作也会作为历史行为进行保留。因此，目标用户登录终端设备中的app，即确定目标用户之后，即可确定目标用户对应的
用户信息和历史行为信息。
76.s102：根据目标用户对应的用户信息和历史行为信息，以及每一待推荐内容对应的内容信息和标签信息生成推荐数据集。
77.s103：根据推荐数据集确定目标用户对应的规则图谱。
78.在本实施例中，上述步骤s103根据推荐数据集确定目标用户对应的规则图谱的具体实施方式请详见实施例二。
79.在一个可能的实施方式中，在上述步骤s103根据推荐数据集确定目标用户对应的规则图谱之前，还可以包括：对推荐数据集进行预处理，以将推荐数据集整理成机器学习可用的数据。
80.相应地，上述步骤s103根据推荐数据集确定目标用户对应的规则图谱，可以包括：根据预处理之后的推荐数据集，确定目标用户对应的规则图谱。
81.在本实施方式中，终端设备获取到的推荐数据集可能存在数据缺失、数据重复、或者格式不统一等问题，导致机器学习无法直接利用推荐数据集。因此，在获取到推荐数据集之后，可以首先对推荐数据集进行预处理，例如进行数据填充、数据删除、或者格式统一等相关处理，将推荐数据集整理成机器学习可用的数据。通过这样的设置，可以避免推荐数据集不可用导致后续的机器学习无法进行，提高规则图谱确定的准确性。
82.s104：根据规则图谱确定目标用户对每一待推荐内容的点击概率，并向目标用户输出最大点击概率对应的目标推荐内容。
83.在本实施例中，根据规则图谱可以确定目标用户对每一待推荐内容的点击概率，其中最大点击概率对应的目标推荐内容就是终端设备要向目标用户输出的内容。
84.在一个可能的实施方式中，上述步骤s104中的根据规则图谱确定目标用户对每一待推荐内容的点击概率，可以包括：
85.s1041：确定规则图谱中与用户实体对应的用户实体向量、与内容实体对应的内容实体向量、与标签实体对应的标签实体向量、与规则实体对应的规则实体向量，以及与各关系对应的关系向量，规则实体向量为规则实体中的推荐规则对应的规则权重。
86.s1042：获取与每一用户实体向量之间存在关系的第一规则实体向量，并将用户实体向量、第一规则实体向量，以及用户实体向量与第一规则实体向量之间的关系向量进行拼接，以生成用户规则向量。
87.s1043：获取与每一内容实体向量或者标签实体向量之间存在关系的第二规则实体向量，并将内容实体向量或者标签实体向量、第二规则实体向量，以及内容实体向量或者标签实体向量与第二规则实体向量之间的关系向量进行拼接，以生成内容规则向量。
88.s1044：对用户规则向量和内容规则向量进行随机拼接，以生成拼接向量。
89.s1045：将拼接向量输入训练好的神经网络模型中，以确定目标用户对每一待推荐内容的点击概率。
90.在本实施方式中，规则图谱包括用户实体、内容实体、标签实体、规则实体，以及任意两个实体之间的关系。计算向量时，可以将规则实体中的推荐规则对应的规则权重作为与规则实体对应的规则实体向量。此外，还可以利用现有的知识表示学习算法，例如，transe算法对规则图谱进行特征向量化，计算得到与用户实体对应的用户实体向量、与内容实体对应的内容实体向量、与标签实体对应的标签实体向量，以及与各关系对应的关系
向量。利用知识表示学习算法对规则图谱进行特征向量化，可以采用现有技术中的计算方式，在此不做赘述。
91.在本实施方式中，用户规则向量指的是与用户信息存在关系的所有向量的拼接，包括用户实体向量、与每一用户实体向量之间存在关系的第一规则实体向量，以及二者之间的关系向量。类似的，内容规则向量指的是与内容信息存在关系的所有向量的拼接，包括内容实体向量或者标签实体向量、与每一内容实体向量或者标签实体向量之间存在关系的第二规则实体向量，以及二者之间的关系向量。由于内容实体与标签实体对应，因此，计算内容规则向量时，可以仅以内容实体向量为基础进行拼接，或者仅以标签实体向量为基础进行拼接。
92.在本实施方式中，用户规则向量和内容规则向量在进行拼接时，可以进行多对多的随机拼接，以随机生成多个拼接向量，以提高点击概率的准确性。训练好的神经网络模型可以是lstm神经网络模型，也可以是其他神经网络模型，在此不作限制。训练神经网络模型时，可以将目标用户的历史行为信息对应的向量输入初始的神经网络模型中进行训练，以得到能够对推荐内容进行分类的神经网络模型，推荐内容的分类概率即为其对应的点击概率。
93.在本实施方式中，用户规则向量包括了与一个用户实体向量有关系的所有规则实体向量，每一个内容规则向量也均包括了与一个内容实体向量或者标签实体向量有关系的所有规则实体向量。因此，在对用户规则向量和内容规则向量进行多对多的随机拼接之后，生成的拼接向量也包括了用户侧信息和内容侧信息的所有组合方式。再将拼接向量输入训练好的神经网络模型中之后，神经网络模型即可对拼接向量进行分类，以得到拼接向量对应的待推荐内容的分类概率，即用户对待推荐内容的点击概率。通过这样的设置，即可简单而又准确地预测用户对待推荐内容的点击概率，也提高待推荐内容的点击概率的准确性。
94.在一个可能的实施方式中，上述步骤s104中的向目标用户输出最大点击概率对应的目标推荐内容，可以包括：确定点击概率中的最大点击概率，以及最大点击概率对应的目标推荐内容；确定最大点击概率对应的推荐规则，以及推荐规则的结果信息；根据结果信息生成目标推荐内容对应的推荐理由；向目标用户输出目标推荐内容，以及目标推荐内容对应的推荐理由。
95.在本实施方式中，推荐规则的表现形式为“if
……
then
……”
，“then
……”
对应的内容为结果信息，可以利用结果信息生成目标推荐内容对应的推荐理由。示例性的，若推荐规则为“if用户年龄在25岁到35岁之间then用户关注房地产相关的内容”，则对应的推荐理由可以为“您近日关注了房地产相关的内容”。
96.在本实施方式中，在确定最大点击概率，以及最大点击概率对应的目标推荐内容之后，为了提高推荐的可信性，使得用户信任推荐系统推荐的内容，还可以在向目标用户输出目标推荐内容的同时，输出目标推荐内容对应的推荐理由，进一步提高推荐的准确性和可信性。
97.本技术的方法，可以首先利用含有目标用户对应的历史行为信息的推荐数据集生成规则图谱，结合规则学习和知识图谱构建规则图谱，使得规则图谱含有符合用户行为的规则。进一步的，在得到具备规则的规则图谱之后，根据规则图谱即可确定目标用户对推荐数据集中每一待推荐内容的点击概率，并向目标用户输出最大点击概率对应的目标推荐内
容。通过这样的设置，使得最大点击概率对应的目标推荐内容，是通过学习该目标用户对应的规则并据此进行预测得到的，从而使推荐结果具备可解释和可理解的特性，提高了推荐结果的准确性和可信性，更能引起用户的关注，提升了用户使用体验。
98.下面以实施例二对上述实施例一的步骤s103根据推荐数据集确定目标用户对应的规则图谱的具体实施方式，进行详细的阐述。
99.实施例二
100.图2是本技术另一实施例提供的内容推荐方法的流程图，本技术实施例提供的内容推荐方法的执行主体可以是终端设备，也可以是终端设备中的内容推荐系统，本实施例以执行主体为终端设备对该内容推荐方法进行说明。
101.如图2所示，该内容推荐方法可以包括以下步骤：
102.s201：利用规则学习算法构造目标用户的历史行为信息对应的推荐规则，推荐规则包括条件信息和结果信息。
103.在本实施例中，可以利用规则学习算法构造目标用户的历史行为信息对应的推荐规则，从而从目标用户的历史行为信息中学习到易于理解的推荐规则。示例性的，推荐规则可以为年龄在25岁到50岁的用户更加关注财经信息；年龄在25岁到35岁的用户更加关注房地产信息；平时关注科技类内容的用户同时也关注科技公司的股市信息等。
104.在本实施例中，推荐规则可以采用现有技术中的规则学习算法进行构造，例如随机分解决策树，从树的根节点出发到叶子节点结束即为一条完整的规则，具体的构造方式可以采用现有技术，在此不做赘述。推荐规则的表现形式为“if
……
then
……”
，“if
……”
对应的内容为条件信息，“then
……”
对应的内容为结果信息。
105.s202：对每一推荐规则进行模型拟合，以确定每一推荐规则对应的规则权重，规则权重包括召回率、精确率和准确率中的一种或多种。
106.在本实施例中，对推荐规则进行模型拟合的过程可以采用现有技术中的模型拟合方式，在此不做赘述。对推荐规则进行模型拟合之后，即可计算规则的召回率、精确率或者准确率等指标，该指标即可作为推荐规则的规则权重。
107.s203：根据目标用户的用户信息、待推荐内容的内容信息、每一内容信息对应的标签信息、目标用户对应的推荐规则以及推荐规则对应的规则权重，确定目标用户对应的规则图谱。
108.在本实施例中，规则图谱是一种结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系，即为“实体-关系-实体”的三元组，实现知识的快速响应和推理。示例性的，规则图谱kg可以表示为用户实体u、内容实体i、标签实体l、规则实体r，以及实体之间的关系r，即kg{eε(u，i，l，r)，rε(r1，r2，r3，r4)}。
109.在一个可能的实施方式中，上述步骤s203根据目标用户的用户信息、待推荐内容的内容信息、每一内容信息对应的标签信息、目标用户对应的推荐规则以及推荐规则对应的规则权重，确定目标用户对应的规则图谱，可以包括：
110.s2031：根据目标用户的用户信息，构建用户实体，用户实体包括与每一用户信息对应的用户属性。
111.s2032：根据待推荐内容的内容信息，构建内容实体，内容实体包括与每一内容信息对应的内容属性。
112.s2033：根据内容信息对应的标签信息，构建标签实体。
113.s2034：根据目标用户对应的推荐规则以及推荐规则对应的规则权重，构建规则实体。
114.s2035：根据规则实体对应的推荐规则的条件信息或结果信息，分别构建用户实体与规则实体之间的第一关系，内容实体与规则实体之间的第二关系，以及标签实体与规则实体之间的第三关系。
115.s2036：根据预设的内容信息与标签信息之间的对应关系，构建内容实体与标签实体之间的第四关系。
116.s2037：根据用户实体、内容实体、标签实体、规则实体、第一关系、第二关系、第三关系和第四关系，确定目标用户对应的规则图谱。
117.在本实施方式中，用户属性与上述实施例一中的用户信息一一对应；内容属性与上述实施例一中的内容信息一一对应。
118.在本实施方式中，在得到推荐规则之后，需要根据推荐规则建立基于规则的知识图谱，即规则图谱，也就是确定用户实体、内容实体和标签实体分别与规则实体之间的关系。对于一个规则实体而言，根据该规则实体对应的推荐规则的条件信息或结果信息，即可简单而又准确地确定用户实体、内容实体和标签实体分别与规则实体之间的关系。此外，由于内容和标签是对应的，因此根据内容信息与标签信息之间的对应关系，即可确定内容实体与标签实体之间的关系。通过这样的设置，即可简单而又准确地确定目标用户对应的规则图谱。
119.在一个可能的实施方式中，上述步骤s2035根据规则实体对应的推荐规则的条件信息或结果信息，分别构建用户实体与规则实体之间的第一关系，内容实体与规则实体之间的第二关系，以及标签实体与规则实体之间的第三关系，可以包括：判断用户实体中是否存在满足规则实体对应的推荐规则的条件信息的用户属性，若是，则生成用户实体与规则实体之间的第一关系；判断内容实体中是否存在满足规则实体对应的推荐规则的结果信息的内容属性，若是，则生成内容实体与规则实体之间的第二关系；判断标签实体是否满足规则实体对应的推荐规则的结果信息，若是，则生成标签实体与规则实体之间的第三关系。
120.在本实施方式中，若用户实体中不存在满足规则实体对应的推荐规则的条件信息的用户属性，则不生成用户实体与规则实体之间的关系。同样的，若内容实体中不存在满足推荐规则的结果信息的内容属性，则不生成内容实体与规则实体之间的关系；若标签实体不满足推荐规则的结果信息，则不生成标签实体与规则实体之间的关系。
121.在本实施方式中，用户实体中的用户属性与推荐规则的条件信息相关，即用户实体是否满足推荐规则的条件；而内容实体中的内容属性和标签实体分别与推荐规则的结果信息相关，即内容实体和标签实体是否满足推荐规则的结果。因此，若用户实体中存在满足推荐规则的条件信息的用户属性，即可生成用户实体与规则实体之间的第一关系；若内容实体中存在满足推荐规则的结果信息的内容属性，即可生成内容实体与规则实体之间的第二关系；若标签实体满足推荐规则的结果信息，即可生成标签实体与规则实体之间的第三关系。通过这样的设置，即可简单而又准确地构建用户实体与规则实体之间的第一关系，内容实体与规则实体之间的第二关系，以及标签实体与规则实体之间的第三关系。
122.示例性的，图3为本技术一实施例的规则图谱的示意图，如图3所示，u表示用户实
体，i表示内容实体，l表示标签实体，r表示规则实体；r1表示用户实体u与规则实体r之间的第一关系，r2表示内容实体i与规则实体r之间的第二关系，r3表示标签实体l与规则实体r之间的第三关系，r4表示内容实体i与标签实体l之间的第四关系。
123.在本实施例中，可以利用规则学习算法构造目标用户的历史行为信息对应的推荐规则，从而从目标用户的历史行为信息中学习到易于理解的推荐规则。之后，可以对推荐规则进行模型拟合，以确定推荐规则对应的规则权重，从而提高推荐结果的准确性和可信性。在得到推荐规则及规则权重之后，即可根据推荐规则以及用户信息、内容信息、标签信息建立基于规则的知识图谱，即规则图谱。通过这样的设置，可以结合规则学习和知识图谱构建规则图谱，使得规则图谱含有符合用户行为的规则，以便于后续根据规则图谱确定目标用户对推荐数据集中每一待推荐内容的点击概率，从而进一步提高推荐结果的准确性和可信性。
124.下面以一个具体的实施例对本技术的内容推荐方法进行阐述。
125.实施例三
126.在一个具体的实施例中，用户登录某银行app进行相关业务的操作，该银行app的内容推荐系统会在该银行app的显示界面上的内容推荐栏进行内容推荐，具体的内容推荐过程如下：
127.第一步，内容推荐系统在接收到服务器发送的待推荐内容之后，对每一待推荐内容进行识别，以获取每一待推荐内容对应的内容信息和标签信息；内容推荐系统还在该用户登录该银行app之后，获取目标用户对应的用户信息和历史行为信息。
128.第二步，内容推荐系统利用规则学习算法构造目标用户的历史行为信息对应的推荐规则。
129.第三步，内容推荐系统对每一推荐规则进行模型拟合，以确定每一推荐规则对应的规则权重。
130.第四步，内容推荐系统根据目标用户的用户信息、待推荐内容的内容信息、每一内容信息对应的标签信息、目标用户对应的推荐规则以及推荐规则对应的规则权重，确定目标用户对应的规则图谱。
131.第五步，内容推荐系统根据规则图谱确定目标用户对每一待推荐内容的点击概率，并确定点击概率中的最大点击概率，以及最大点击概率对应的目标推荐内容。
132.第六步，内容推荐系统确定最大点击概率对应的推荐规则，以及推荐规则的结果信息，并根据结果信息生成目标推荐内容对应的推荐理由。
133.第七步，内容推荐系统向目标用户输出目标推荐内容，以及目标推荐内容对应的推荐理由。
134.图4为本技术一实施例的内容推荐系统的结构示意图，如图4所示，该内容推荐系统包括：收发模块41，用于在接收到待推荐内容之后，对每一待推荐内容进行识别，以获取每一待推荐内容对应的内容信息和标签信息，并获取目标用户对应的用户信息和历史行为信息；处理模块42，用于根据目标用户对应的用户信息和历史行为信息，以及每一待推荐内容对应的内容信息和标签信息生成推荐数据集；根据推荐数据集确定目标用户对应的规则图谱；根据规则图谱确定目标用户对每一待推荐内容的点击概率，并向目标用户输出最大点击概率对应的目标推荐内容。一个实施方式中，内容推荐系统具体实现功能的描述可以
参见实施例一中的步骤s101-s104以及实施例二中的步骤s201-s203，在此不做赘述。
135.图5为本技术一实施例的终端设备的结构示意图，如图5所示，该终端设备包括：处理器101，以及与处理器101通信连接的存储器102；存储器102存储计算机执行指令；处理器101执行存储器102存储的计算机执行指令，实现上述各方法实施例中内容推荐方法的步骤。
136.在上述终端设备中，存储器102和处理器101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以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器102中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器102中的软件功能模块，处理器101通过运行存储在存储器102内的软件程序以及模块，从而执行各种功能应用以及数据处理。
137.存储器102可以是，但不限于，随机存取存储器(random access memory，简称：ram)，只读存储器(read only memory，简称：rom)，可编程只读存储器(programmableread-only memory，简称：prom)，可擦除只读存储器(erasable programmable read-onlymemory，简称：eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称：eeprom)等。其中，存储器102用于存储程序，处理器101在接收到执行指令后，执行程序。进一步地，上述存储器102内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
138.处理器101可以是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(central processing unit，简称：cpu)、网络处理器(network processor，简称：np)等。可以实现或者执行本技术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。
139.本技术的一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中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本技术各方法实施例的步骤。
140.本技术的一实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本技术各方法实施例的步骤。
141.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由所附的权利要求书指出。
142.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。