直播间推荐方法、内容推荐方法、终端及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种直播间推荐方法、内容推荐方法、终端及存储介质。


背景技术：

2.随着直播行业的快速发展，直播社区的活用用户逐渐增多。为了提高用户的粘性和体验，需要基于用户的兴趣点，为用户推荐匹配的直播间。
3.目前，常用的直播间推荐算法，基于观看直播间的用户的标签，确定对该直播间感兴趣用户的标签，如“年轻女性”、“学生”等，通过标签匹配的方式，为各个用户推荐人气较高的直播间。上述推荐算法侧重于直播间的特征，即实际是为直播间匹配用户的算法，导致直播间推荐的精确度较低，用户体验欠佳。


技术实现要素：

4.本技术提供一种直播间推荐方法、内容推荐方法、终端及存储介质，结合用户的交互记录以及正在直播的候选直播间的直播数据，为用户推荐直播间，提高了直播间推荐的精准度。
5.第一方面，本技术提供一种直播间推荐方法，包括：
6.获取目标用户关于产品和/或直播间的交互记录；
7.获取各个候选直播间当前直播对应的直播数据，其中，候选直播间为直播至少一种产品的直播间；
8.根据所述交互记录、所述直播数据以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度，以根据所述匹配度将至少部分候选直播间推荐给所述目标用户。
9.第二方面，本技术提供一种内容推荐方法，包括：
10.获取目标用户关于项目和/或项目供应方的交互记录；
11.获取各个所述候选项目供应方的项目数据，其中，候选项目供应方对应至少一个项目；
12.根据所述交互记录、所述项目数据以及预先训练的推荐模型，计算各个候选项目供应方相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选项目供应方推荐给所述目标用户。
13.第三方面，本技术提供一种直播间推荐装置，包括：
14.交互记录获取模块，用于获取目标用户关于产品和/或直播间的交互记录；
15.直播数据获取模块，用于获取各个候选直播间当前直播对应的直播数据，其中，候选直播间为直播至少一种产品的直播间；
16.匹配度确定模块，用于根据所述交互记录、所述直播数据以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度，以根据所述匹配度将至少部分候选直
播间推荐给所述目标用户。
17.第四方面，本技术提供一种内容推荐装置，包括：
18.记录获取模块，用于获取目标用户关于项目和/或项目供应方的交互记录；
19.数据获取模块，获取各个所述候选项目供应方的项目数据，其中，候选项目供应方对应至少一个项目；
20.推荐模块，用于根据所述交互记录、所述项目数据以及预先训练的推荐模型，计算各个候选项目供应方相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选项目供应方推荐给所述目标用户。
21.第五方面，本技术提供一种推荐终端，包括：
22.至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
23.其中，所述存储器存储有计算机执行指令；
24.所述至少一个处理器执行所述存储器存储的计算机执行指令，以实现本技术第一方面或第二方面提供的方法。
25.第六方面，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本技术第一方面或第二方面提供的方法。
26.第七方面，本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本技术第一方面或第二方面提供的方法。
27.本技术提供的直播间推荐方法、内容推荐方法、终端及存储介质，基于用户侧即时的动态特征，即交互记录对应的特征，以及直播间侧即时的动态特征，即直播数据对应的特征，以及预先训练的推荐模型，计算各个候选直播间相对于用户的匹配度，从而基于匹配度进行候选直播间的推荐，使得所推荐的直播间更符合用户当前的需求或兴趣，提高了直播间推荐的准确度，提升了直播软件的用户体验。
附图说明
28.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。
29.图1为本技术实施例提供的一种直播间推荐方法交互过程的示意图；
30.图2为本技术实施例提供的一种直播间推荐方法的流程示意图；
31.图3为本技术图2所示实施例中推荐模型的结构示意图；
32.图4为本技术图2所示实施例中步骤s203的流程示意图；
33.图5为本技术图4所示实施例中步骤s403和步骤s404的流程图；
34.图6为本技术另一个实施例提供的直播间推荐方法的流程示意图；
35.图7为本技术图6所示实施例中步骤s603的一种可能实现方式的流程图；
36.图8为本技术图6所示实施例中步骤s603的另一种可能实现方式的流程图；
37.图9为本技术另一个实施例提供的推荐模型的结构示意图；
38.图10为本技术图9所示实施例中另一种第三匹配度计算方法的示意图；
39.图11为本技术一个实施例提供的内容推荐方法的流程图；
40.图12为本技术实施例提供的一种推荐终端的结构示意图。
41.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
42.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。
43.在电商直播场景，当用户开启用户终端的直播应用程序或者刷新直播应用程序的推荐页面时，生成直播间推荐请求，直播应用程序的推荐服务器在接收到该直播间推荐请求时，基于一定的推荐规则，从该直播应用程序的直播服务器中选择一个或多个在播的直播间，推荐给该用户，用户可以点击所推荐的直播间进行观看。直播服务器用于记录在播的各个直播间的信息。
44.在相关技术中，在为用户推荐直播间时，通常基于观看直播间的用户的标签，确定对该直播间感兴趣的用户标签，从而将该直播间推荐给用户标签匹配的用户。上述推荐方式，实际是为直播间推荐用户，侧重于直播间的特征，忽视了用户的需求，导致所推荐的直播间不符合用户的需求，直播间推荐精准度较低。
45.在直播带货应用场景下，在为用户推荐带货直播间时，往往沿用商品推荐的算法或模型，基于算法或模型，确定用户感兴趣的产品，从而将售卖该产品的直播间推荐给用户，即仅考虑产品和用户两方面的因素，忽略了直播间的因素，导致带货直播间推荐的精准度较低，推荐效果较差。
46.为了提高直播间推荐的精准度，本技术提供一种直播间推荐方法，其主要过程如图1所示，图1为本技术实施例提供的一种直播间推荐方法交互过程的示意图，如图1所示，在本技术中，当推荐服务器104接收到来自用户终端102的直播间推荐请求时，推荐服务器104按照一定规则确定该用户终端102对应的正在直播的多个候选直播间，从直播服务器106中获取各个候选直播间的直播数据，以及从用户服务器108中获取该用户终端102对应的用户的关于直播间和/或产品的交互记录，进而基于推荐服务器104中的推荐模型、交互记录以及直播数据，确定推荐给该用户终端102对应的用户的直播间，用户可以点击所推荐的直播间进行观看，如图1中直播间01至直播间03。
47.本技术提供的直播推荐方法，针对直播带货的应用场景，实现了基于用户的交互记录以及在播的候选直播间本次直播时的直播数据，进行候选直播间匹配度的计算，从而基于匹配度进行候选直播间的推荐，提高了所推荐直播间与用户当下的兴趣的匹配程度。
48.可选的，交互记录这一动态特征可以包括用户在过去一段时间的直播间流量历史和商品浏览历史，其中，直播间浏览历史包括用户对直播间的浏览时长、购买量等信息，商品浏览历史包括用户对商品的浏览次数、购买量等信息。其中，动态特征为时间序列。
49.可选的，直播数据这一动态特征可以包括直播间自开播以来的各种直播商品序列，包括本次直播或当前直播的商品序列。
50.进一步地，还可以获取用户的静态特征，如年龄、性别、地域、购买力等，以及候选
直播间的静态特征，如直播间的在播时长、开播频率、所属分类、直播的主播的年龄等。进而通过推荐模型，基于用户的静态特征和动态特征，以及候选直播间的静态特征和动态特征，确定候选直播间的匹配度，基于匹配度，确定推荐给用户的候选直播间或直播间。
51.具体的，可以先通过基于点乘的神经网络(pnn)对用户的静态特征和候选直播间的静态特征进行交互，将静态特征输入pnn的点乘层，得到用户的特征表达(用户特征)以及候选直播间的特征表达(直播间特征)；基于pnn的全连接层，基于用户的特征表达以及候选直播间的特征表达，计算第一个匹配度；基于双向交互网络，对用户和直播间的商品序列进行交互，计算第二个匹配度；基于din，对用户的直播间浏览历史和候选直播间进行交互，计算第三个匹配度；通过上述三个匹配度，输出候选直播间最终的匹配度。
52.在第二个匹配度计算时，为了减少计算量，可以通过协同过滤对第二匹配度的计算进行简化，主要思路为，基于商品类型，得到用户和直播间两侧共同关注的商品，进而过滤掉非共同关注的商品，从而减少所需处理的商品的数量，从而加快第二个匹配度计算的速度。
53.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。
54.图2为本技术实施例提供的一种直播间推荐方法的流程示意图，该直播间推荐方法针对带货直播间推荐的应用场景，可以由推荐终端执行，该推荐终端可以为任意具备数据处理功能的终端，如上述推荐服务器104。
55.如图2所示，该直播间推荐方法包括以下步骤：
56.步骤s201，获取目标用户关于产品和/或直播间的交互记录。
57.其中，目标用户为开启预设应用程序或网页的直播推荐界面的任意一个用户。
58.其中，交互记录可以包括目标用户在设定时间段内浏览的产品和/或直播间，还可以包括浏览次数、浏览时长等。交互记录还可以包括目标用户对所浏览的产品和/或直播间的交互操作，如观看、点赞、送礼物、购买等。
59.具体的，可以根据目标用户的用户标识，从记录服务器中查找该目标用户关于产品和/或直播间的交互记录。
60.具体的，当用户通过用户终端，对产品或直播间进行交互操作时，记录服务器记录该交互操作的交互时间、操作对象和交互内容，从而生成一条交互记录。
61.当目标用户首次进入直播推荐界面或刷新直播推荐界面，或者当目标用户发起直播间推荐请求时，获取该目标用户最新的关于产品和/直播间的交互记录，如获取目标用户最新浏览的10个产品和5个直播间，如获取目标用户最近一周浏览的产品，如获取目标用户最近3天浏览的直播间。
62.在一个实施例中，可以在接收到目标用户的用户终端发送的直播间推荐请求之后，基于该直播间推荐请求，进行交互记录、直播数据的获取。
63.具体的，交互记录可以包括产品交互记录和直播间交互记录。产品交互记录包括目标用户在第一设定时间段内(如过去10天、过去3天等)产品的浏览历史，产品的浏览历史包括浏览的产品，还可以包括产品的浏览次数、浏览时长和对所浏览产品的交互操作等。直播间交互记录则包括目标用户在第二设定时间段内(如过去5天、过去7天等)直播间的浏览
历史，直播间的浏览历史包括浏览的直播间，还可以包括直播间的浏览次数、浏览时长和对所浏览直播间的交互操作等。
64.其中，对产品的交互操作可以包括收藏、分享、购买等操作，还可以包括分享次数、购买数量等，对直播间的交互操作可以包括观看、点赞、分享、送礼物等，还可以包括观看时长、分享次数、送礼物数量、送礼物价格等。
65.步骤s202，获取各个候选直播间当前直播对应的直播数据。
66.其中，候选直播间为直播至少一种产品的直播间，即为带货直播间，如衣服、化妆品、零食、旅游套餐、游戏等。候选直播间为正在直播的直播间。
67.其中，候选直播间当前直播对应的直播数据可以包括候选直播间当前在售的产品，还可以包括正在直播的主播，正在讲解的产品，各在售产品的销量、价格，候选直播间的观看人数、人气值等中的一项或多项。
68.在一个实施例中，目标用户的交互记录包括目标用户在历史时间浏览或购买的交互产品，以及目标用户在历史时间浏览的直播间；候选直播间的直播数据包括候选直播间当前直播时对应的直播产品。直播间直播时对应的直播产品，可以为直播间售卖或介绍的产品。
69.在一个实施例中，直播数据可以包括候选直播间每次直播时对应的产品列表。
70.具体的，可以根据候选直播间的直播间标识，从直播服务器中，获取候选直播间每次直播对应的产品列表。其中，产品列表中包括候选直播间在本次直播时售卖或介绍的各个产品、产品的价格、产品的介绍文本等。
71.具体的，可以根据直播间标识，从服务器中，获取候选直播间的音视频数据、交互数据以及产品列表，进而基于音视频数据，确定候选直播间的观看人数、在播主播、主播当前讲解的产品以及主播讲解的关键字；基于交互数据，确定候选直播间的礼物流水、点赞数据等信息，基于礼物流水、点赞数据和观看人数，确定候选直播间的人气值或热度。其中，礼物流水包括收到的各种类型的礼物及其数量。
72.进一步地，可以从正在直播的直播间中，确定多个候选直播间。
73.具体的，可以根据目标用户的用户基本信息，从正在直播的直播间中，确定多个候选直播间。其中，用户基本信息可以包括年龄、性别、职业、偏好设置、用户标签等静态特征。
74.进一步地，可以根据目标用户历史浏览的产品以及用户基本信息，从正在直播的直播间中，确定多个候选直播间，其中，候选直播间对应的产品列表中包括至少一种用户历史浏览的产品。候选直播间对应的产品列表由候选直播间正在售卖或介绍的产品组成。
75.在一个实施例中，候选直播间的数量可以位于20至2000之间。
76.本技术不限定步骤s201和步骤s202的执行顺序，可以先执行步骤s201再执行步骤s202，或者先执行步骤s202再执行步骤s201，或者并行执行步骤s201和步骤s202。
77.步骤s203，根据所述交互记录、所述直播数据以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度，以根据所述匹配度将至少部分候选直播间推荐给所述目标用户。
78.其中，匹配度可以用于表征用户对直播间的感兴趣程度，或者用户观看直播间的可能性或概率。候选直播间与目标用户的匹配度，又可以简称为候选直播间的匹配度。
79.具体的，针对每个候选直播间，可以将目标用户的交互记录和该候选直播间对应
的直播数据输入预先训练的推荐模型，从而基于该推荐模型，得到该候选直播间与目标用户的匹配度。
80.具体的，可以先对交互记录和直播数据进行预处理，如数据清洗、数值化处理、归一化处理、缺失值处理等；进而将预处理后的交互记录和预处理后的直播数据输入预先训练的推荐模型中，基于该推荐模型得到候选直播间的匹配度。
81.进一步地，可以对交互记录和候选直播间的直播数据进行特征提取，得到特征向量，将该特征向量输入预先训练的推荐模型，从而得到候选直播间与目标用户的匹配度。
82.进一步地，可以由基于推荐模型的输入嵌入层(embedding)，对交互记录和直播数据进行特征提取，得到特征向量或输入向量。
83.其中，特征向量由用户输入向量和直播间输入向量组成。对交互记录进行特征提取，得到用户输入向量，对直播数据进行特征提取，得到直播间输入向量。
84.在一个实施例中，用户输入向量中的特征和直播间输入向量中的特征均为动态特征，即为时间序列。用户输入向量可以包括用户先后浏览的各个直播间的特征，还可以包括用户先后浏览的各个商品的特征。直播间输入向量可以包括直播间本次直播时先后讲解的各个产品的特征，还可以包括直播间各次直播时对应的产品列表。
85.进一步地，在得到各个候选直播间的匹配度之后，基于匹配度对各个候选直播间进行排序，基于排序结果，将排名靠前的一个或多个候选直播间推荐给目标用户。
86.具体的，可以将排名位于前预设次序的各个候选直播间推荐给目标用户。
87.示例性的，可以将排名前20、前50或者其他数量的候选直播间，推荐给目标用户。
88.具体的，可以根据目标用户平均每次观看直播的时长，确定推荐给目标用户的直播间的数量，即上述预设次序。目标用户平均每次观看直播的时长越长，则预设次序越大。
89.本实施例提供的直播间推荐方法，基于用户侧即时的动态特征，即交互记录对应的特征，以及直播间侧即时的动态特征，即直播数据对应的特征，以及预先训练的推荐模型，计算各个候选直播间相对于用户的匹配度，从而基于匹配度进行候选直播间的推荐，使得所推荐的直播间更符合用户当前的需求或兴趣，提高了直播间推荐的准确度，提升了直播软件的用户体验。
90.在本技术一个或多个实施例中，可选的，每一候选直播间与所述目标用户的匹配度通过下述方式确定：
91.基于预先训练的推荐模型中的特征表达层，分别提取所述交互记录和所述候选直播间的直播数据的特征，得到交互行为特征和所述候选直播间的直播行为特征，其中，所述特征表达层为点乘层或因子分解机层；基于预先训练的推荐模型的匹配度确定层，根据所述交互行为特征和所述候选直播间的直播行为特征，确定所述候选直播间的匹配度。
92.其中，点乘层为基于点乘的神经网络中的点乘层，通过该点乘层或因子分解机层可以得到交互记录、直播数据中二阶甚至更高阶的特征，从而使得交互行为特征和直播行为特征中包括较多维度的特征。
93.通过点乘层或因子分解机层进行输入特征的特征表达，从而可以得到输入特征及其高阶特征，通过更多维度的特征进行匹配度的计算，提高了匹配度计算的准确度。
94.具体的，匹配度确定层可以包括隐藏层和输出层，基于隐藏层分别对交互行为特征和直播行为特征进行处理，得到交互行为特征对应的第一隐藏序列以及直播行为特征对
应的第二隐藏序列；基于输出层，根据所述第一隐藏序列和所述第二隐藏序列，确定各个所述候选直播间的匹配度。
95.具体的额，可以基于循环神经网络层，分别对交互行为特征和直播行为特征进行处理，得到第一隐藏序列以及第二隐藏序列。
96.示例性，图3为本技术图2所示实施例中推荐模型的结构示意图，如图3所示，该推荐模型包括特征表达层、循环神经网络层、双向交互层和输出层。针对每个候选直播间，可以基于特征表达层，对交互记录或预处理后的交互记录进行特征提取，得到交互行为特征，以及对该候选直播间的直播数据或预处理后的直播数据进行特征提取，得到该候选直播间的直播行为特征；基于循环神经网络(rnn)层，分别对交互行为特征和直播行为特征进行处理，得到第一隐藏序列和该候选直播间对应的第二隐藏序列；进而基于推荐模型的双向交互层，对第一隐藏序列和该候选直播间对应的第二隐藏序列特征进行双向交互，得到该候选直播间的权重向量，基于输出层，根据该候选直播间的权重向量，得到候选直播间的匹配度。
97.在一个实施例中，可以基于该双向交互层，对第一隐藏序列和第二隐藏序列中的各个值进行前向计算和后向计算，从而得到权重向量。其中，前向计算和后向计算的计算方向相反。
98.该双向交互层可以包括一个前向连接层和后向全连接层，基于前向全连接层，采用前向计算的方式，根据第一隐藏序列和第二隐藏序列中的每个值，计算第一权重向量；基于后向全连接层，采用后向计算的方式，根据第一隐藏序列和第二隐藏序列中的每个值，计算第二权重向量，进而基于第一权重向量和第二权重向量，得到上述权重向量。
99.示例性的，权重向量可以为第一权重向量和第二权重向量之和，或者可以将第一权重向量和第二向量进行拼接，如将第一权重向量中第i个元素与第二权重向量中第l+l-i个元素进行拼接，其中，i为正整数，取值范围为[1，l]，l为第一权重向量或第二权重向量中元素的总数。
[0100]
通过双向交互的方式，进行候选直播间与用户的匹配度的计算，提高了匹配度计算的准确度。
[0101]
可选的，图4为本技术图2所示实施例中步骤s203的流程图，如图4所示，步骤s203可以包括基于预先训练的推荐模型执行以下步骤：
[0102]
步骤s401，基于预先训练的推荐模型中的特征表达层，分别提取所述交互记录和所述候选直播间的直播数据的特征，得到交互行为特征和所述候选直播间的直播行为特征。
[0103]
步骤s402，基于预先训练的推荐模型的隐藏层，分别对所述交互行为特征和所述直播行为特征进行处理，得到所述交互行为特征对应的第一隐藏序列以及所述候选直播间的直播行为特征对应的第二隐藏序列。
[0104]
步骤s403，基于预先训练的推荐模型的隐藏层，将所述第一隐藏序列和所述候选直播间对应的第二隐藏序列拼接为拼接隐藏序列。
[0105]
步骤s404，基于预先训练的推荐模型的匹配度确定层中的全连接层，根据所述拼接隐藏序列，确定所述候选直播间的匹配度。
[0106]
具体的，可以将第二隐藏序列拼接至第一隐藏序列的末尾，得到拼接隐藏序列。进
而通过匹配度确定层的全连接层，计算拼接隐藏序列中各个元素与其他元素对应的权重，得到权重向量，使得所得到的权重向量中包括第一隐藏序列中的元素相对于第二隐藏序列中的元素的权重，以及包括第二隐藏序列中的元素相对于第一隐藏序列中的元素的权重，实现双向交互。
[0107]
示例性的，拼接隐藏序列h
ua
的表达式为：
[0108]hua
＝[hu，ha]
[0109][0110][0111]
其中，hu为第一隐藏序列；ha为第二隐藏序列；为第一隐藏序列中的第i个元素，i∈[1，n]；为第二隐藏序列中的第j个元素，j∈[1，m]；i、j、n和m均为正整数。
[0112]
隐藏序列中的每个元素对应一个产品，第一隐藏序列中的元素对应目标用户浏览或交互的产品的隐藏值，如后续的交互产品的隐藏值，第二隐藏序列中的元素则对应候选直播间的产品的隐藏值，如后续的直播产品的隐藏值。
[0113]
通过双向交互的方式，得到双方交互的特征对应双向的权重，相对于传统的单向交互，得以采用更多的特征对应的权重进行匹配度的计算，提高了匹配度的准确度。
[0114]
在本技术一个或多个实施例中，可选的，第一隐藏序列包括目标用户交互的至少一个交互产品对应的隐藏特征，第二序列包括候选直播间当前直播时的直播产品对应的隐藏特征，其中，交互产品为目标用户交互记录中的产品，如目标用户浏览或购买的产品，直播产品为候选直播间直播时上架、售卖或介绍的产品，如候选直播间购物车中的产品。图5为本技术图4所示实施例中步骤s403和步骤s404的流程图，如图5所示，步骤s403和步骤s404包括以下步骤：
[0115]
步骤s501，基于产品类型，从所述候选直播间的直播产品中，确定所述至少一个交互产品中每个交互产品对应的直播产品。
[0116]
其中，交互产品对应的直播产品可以为与交互产品的产品类型匹配的直播产品。
[0117]
示例性的，交互产品对应的直播产品可以包括与交互产品属于同一产品类型的直播产品，还可以包括与交互产品的产品类型相似的直播产品。
[0118]
示例性的，以交互产品为“高跟鞋”为例，直播产品可以为产品类型为鞋子的任意一种产品，如运动鞋、高跟鞋等，或者直播产品可以为产品类型为高跟鞋的产品。
[0119]
步骤s502，针对所述至少一个交互产品中每个交互产品，将所述交互产品对应的隐藏特征与所述交互产品对应的直播产品对应的隐藏特征进行拼接，得到所述交互产品对应的拼接隐藏序列。
[0120]
具体的，针对交互记录中的每个交互产品，将该交互产品对应的隐藏特征，与该交互产品对应的一个或多个直播产品的隐藏特征进行拼接，得到该交互产品对应的隐藏特征。
[0121]
示例性的，用户浏览的第i个交互产品对应的隐藏特征为该交互产品对应两个直播产品，这两个直播产品对应的隐藏特征分别为和则该交互产品对应的拼接隐藏序列为
[0122]
若直播产品中不存在其中一个交互产品对应的直播产品，则可以将该直播产品的拼接隐藏序列设置为空或0。
[0123]
步骤s503，基于所述匹配度确定层中的全连接层，根据所述至少一个交互产品中每个交互产品对应的拼接隐藏序列，确定所述候选直播间的匹配度。
[0124]
具体的，在得到各个交互产品对应的拼接隐藏序列之后，通过匹配度确定层中的全连接层，分别对每个交互产品对应的拼接隐藏序列进行处理，得到该交互产品对应的权重向量，基于各个交互产品对应的权重向量，确定候选直播间的匹配度。
[0125]
通过基于用户交互的产品对直播侧的产品的隐藏特征进行筛选，大大减少了匹配度确定层处理的数据量，提高了匹配度确定的效率。
[0126]
在一个实施例中，可以在获取交互记录和直播数据之后，在对直播数据进行特征提取时，基于产品类型，从直播数据中的直播产品中，确定交互记录中的交互产品对应的直播产品，仅提取各个交互产品对应的直播产品对应的数据的特征，得到与交互产品相关的直播行为特征，进而分别对交互行为特征和直播行为特征进行处理，得到第一隐藏序列和第二隐藏序列，并根据第一隐藏序列和第二隐藏序列，确定匹配度，将从而减少特征提取及后续步骤的任务量，实现协同过滤，提高匹配度确定的效率。
[0127]
可选的，根据所述交互记录、所述直播数据以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度，以根据所述匹配度将至少部分候选直播间推荐给所述目标用户，包括：基于预先训练的推荐模型，分别提取所述交互记录和所述直播数据的特征，得到交互行为特征和直播行为特征；根据所述交互行为特征和所述直播行为特征，确定各个候选直播间的匹配度。
[0128]
其中，交互行为特征包括目标用户交互的各个历史直播间的直播间特征以及各个交互产品的产品特征；根据所述交互行为特征和所述直播行为特征，确定各个候选直播间的第二匹配度，包括：针对每个候选直播间，根据各个交互产品的产品特征以及所述候选直播间的直播行为特征，确定各个候选直播间的第三匹配度；针对每个候选直播间，根据各个所述历史直播间的直播间特征以及所述候选直播间的直播间特征，计算所述候选直播间的第四匹配度；根据所述第三匹配度和所述第四匹配度，确定各个候选直播间的匹配度。
[0129]
其中，目标用户交互的各个历史直播间，可以为目标用户在设定时间段浏览、交互的各个直播间。
[0130]
具体的，可以确定候选直播间的匹配度为该候选直播间对应的第三匹配度和第四匹配度两者的平均值、和值或加权平均值。
[0131]
图6为本技术另一个实施例提供的直播间推荐方法的流程示意图，本实施例是在图2所示实施例中的基础上，在步骤s203之前增加用户基本信息和直播间基本信息获取的步骤，以及对步骤s203的进一步细化，如图6所示，本实施例提供的直播间推荐方法可以包括以下步骤：
[0132]
步骤s601，获取目标用户的用户基本信息，以及目标用户关于产品和/或直播间的交互记录。
[0133]
其中，用户基本信息为用户的静态特征，即较长时间不会改变的特征，如用户的年龄、性别、职业、所在地域、购买力等用于构建用户画像的信息。
[0134]
具体的，可以通过问卷调查或者用户信息配置界面，获取目标用户的年龄、性别、
职业、所在地域等信息，可以根据目标用户历史购买的产品以及用户所在的职业，确定用户的购买力。目标用户所在地域还可以基于目标用户的用户终端的定位信息确定。
[0135]
步骤s602，获取各个候选直播间的直播间基本信息以及各个候选直播间当前直播对应的直播数据。
[0136]
其中，直播间基本信息为直播间的静态特征，可以包括直播间的标题、所属分类、开播频率、在播时长、直播间当前直播的主播的年龄等信息。直播间所属的分类可以根据直播间售卖或介绍的产品确定，如美妆分类、零食分类、时装分类等。直播间的在播时长可以为直播间自创立至今直播的时长。
[0137]
本技术不限定步骤s601和步骤s602的执行顺序，可以先执行步骤s601再执行步骤s602，或者先执行步骤s602再执行步骤s601，或者并行执行步骤s601和步骤s602。
[0138]
步骤s603，根据所述交互记录、所述直播数据、所述用户基本信息、所述直播间基本信息以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度。
[0139]
具体的，可以将交互记录、直播数据、用户基本信息和直播间基本信息输入推荐模型，基于推荐模型，分别对交互记录、直播数据、用户基本信息和直播间基本信息进行特征提取，得到交互行为特征、直播行为特征、用户特征和直播间特征，以及基于互行为特征、直播行为特征、用户特征和直播间特征，计算各个候选直播间与目标用户的匹配度。
[0140]
进一步地，在将交互记录、直播数据、用户基本信息和直播间基本信息输入推荐模型之前，可以对交互记录、直播数据、用户基本信息和直播间基本信息进行预处理。
[0141]
在本实施例中，增加了用户基本信息和直播间基本信息对应的特征，进行候选直播间的匹配度的计算，通过多维度特征的表达，提高了匹配度计算的准确度，进而提高了所推荐的直播间的准确度，使得所推荐的直播间更符合用户的需求或兴趣，提高了用户的使用体验，从而提高了用户在直播间购买商品的概率，提高了直播间以及直播平台的收益。
[0142]
可选的，图7为本技术图6所示实施例中步骤s603的一种可能实现方式的流程图，如图7所示，步骤s603可以包括基于预先训练的推荐模型对每个候选直播间执行以下步骤，从而得到每个候选者直播间的匹配度：
[0143]
步骤s701，基于预先训练的推荐模型中的特征表达层，分别提取所述用户基本信息、所述交互记录、所述候选直播间的直播间基本信息和所述候选直播间的直播数据的特征，得到用户特征、交互行为特征、所述候选直播间的直播间特征和所述候选直播间的直播行为特征。
[0144]
在一个实施例中，可以基于推荐模型中的因子分解机(factorization machines，fm)层或基于点乘的神经网络(pnn)的点乘层，对用户基本信息、交互记录、直播间基本信息和直播数据进行特征提取，分别得到用户特征、交互行为特征、直播间特征和直播行为特征。
[0145]
步骤s702，基于预选训练的推荐模型的匹配度确定层，根据所述用户特征和所述直播间特征，确定各个候选直播间的第一匹配度。
[0146]
具体的，可以通过计算用户特征对应的向量和直播间特征对应的向量的距离，如欧式距离，确定第一匹配度。
[0147]
具体的，可以经由推荐模型中的基于点乘的神经网络(pnn，product-based neural network)的点乘层，对用户基本信息和直播间基本信息进行特征提取，得到用户特
征和直播间特征，以及基于pnn的全连接层，根据用户特征和直播间特征，确定候选直播间的第一匹配度。
[0148]
基于点乘的神经网络包括一个输入嵌入层(embedding、layer)，用于对用户基本信息和直播间基本信息进行特征提取，得到用户特征和直播间特征；一个点乘层(product layer)，用于捕获用户特征和直播间特征的二阶甚至更高阶的特征；一个或多个全连接层，用于根据点乘层输出的各个特征，得到隐藏特征序列；和一个输出层，用于基于隐藏特征序列，计算第一匹配度。
[0149]
pnn通过引入点乘层，提高了神经网络特征相关性学习的能力，进而提高了第一匹配度计算的准确度。
[0150]
步骤s703，基于预选训练的推荐模型的匹配度确定层，根据所述交互行为特征和所述直播行为特征，确定各个候选直播间的第二匹配度。
[0151]
在一个实施例中，可以基于双向交互层，根据所述交互行为特征和所述直播行为特征，确定各个候选直播间的第二匹配度。
[0152]
具体的，分别对所述交互行为特征和所述直播行为特征进行处理，得到所述交互行为特征对应的第一隐藏序列以及所述直播行为特征对应的第二隐藏序列，根据所述第一隐藏序列和所述第二隐藏序列，确定各个所述候选直播间的第二匹配度。
[0153]
可以基于图2、图4或图5对应的实施例提供的匹配度确定的方式，进行第二匹配度的计算或确定，在此不再赘述。
[0154]
本技术不限定步骤s702和步骤s703的执行顺序，可以先执行步骤s702再执行步骤s703，或者先执行步骤s703再执行步骤s702，或者并行执行步骤s702和步骤s703。
[0155]
步骤s704，基于预选训练的推荐模型的输出层，根据所述第一匹配度和所述第二匹配度，确定各个候选直播间的匹配度。
[0156]
具体的，可以根据第一匹配度和第二匹配度的和值、平均值或者加权平均值，确定各个候选直播间的匹配度。
[0157]
具体的，可以将第一匹配度和第二匹配度输入推荐模型的输出层，由该输出层输出匹配度。
[0158]
示例性的，推荐模型的输出层可以采用agg函数(聚合函数)，根据第一匹配度和第二匹配度，计算最终输出的匹配度。
[0159]
通过增加直播间和用户静态特征对应的第一匹配度，结合基于直播间和用户交互相关的第二匹配度，进行直播间最终匹配度的计算，综合考虑了动静两种类型的特征，提高了匹配度计算的准确度，从而使得所推荐的直播间符合用户长期和短期的兴趣。
[0160]
可选的，图8为本技术图6所示实施例中步骤s603的另一种可能实现方式的流程图，如图8所示，步骤s603可以包括基于预先训练的推荐模型对每个候选直播间执行以下步骤，从而得到每个候选者直播间的匹配度：
[0161]
步骤s801，基于预先训练的推荐模型中的特征表达层，分别提取所述用户基本信息、所述交互记录、所述候选直播间的直播间基本信息和所述候选直播间的直播数据的特征，得到用户特征、交互行为特征、所述候选直播间的直播间特征和所述候选直播间的直播行为特征。
[0162]
步骤s802，基于预选训练的推荐模型的匹配度确定层，根据所述用户特征和所述
直播间特征，确定所述候选直播间的第一匹配度。
[0163]
步骤s803，基于预选训练的推荐模型的匹配度确定层，根据各个交互产品的产品特征以及所述候选直播间的直播行为特征，确定所述候选直播间的第三匹配度。
[0164]
具体的，分别对各个交互产品的产品特征和该候选直播间的直播行为特征进行处理，得到各个交互产品对应的隐藏序列以及该候选直播间的直播行为特征对应的第二隐藏序列，根据各个交互产品对应的隐藏序列和该候选直播间的直播行为特征对应的第二隐藏序列，确定该候选直播间的第三匹配度。
[0165]
可以基于图2、图4或图5对应的实施例提供的匹配度确定的方式，进行第三匹配度的计算或确定，仅将第一隐藏序列替换为各个交互产品对应的隐藏序列，以及结果由匹配度替换为第三匹配度即可，在此不再赘述。
[0166]
进一步地，可以基于预选训练的推荐模型的匹配度确定层，根据目标用户的用户特征、候选直播间的直播间特征、各个交互产品的产品特征以及候选直播间的直播行为特征，确定候选直播间的第三匹配度。
[0167]
步骤s804，基于预选训练的推荐模型的匹配度确定层，根据各个所述历史直播间的直播间特征以及所述候选直播间的直播间特征，计算所述候选直播间的第四匹配度。
[0168]
具体的，可以分别计算候选直播间的直播间特征对应的向量和各个历史直播间的直播间特征对应的向量的第一距离，进而基于各个第一距离，计算第四匹配度。或者基于各个第一距离中较大的一个或多个，如3个、5个等，计算第四匹配度。
[0169]
具体的，可以基于推荐模型中的深度兴趣网络(deep interest network，din)，根据各个历史直播间的直播间特征以及候选直播间的直播间特征，计算第四匹配度。
[0170]
本技术不限定步骤s802、s803和s804的执行顺序，可以顺序执行，也可以并行执行，图8以并行执行为例。
[0171]
进一步地，可以基于预选训练的推荐模型的匹配度确定层，根据目标用户的用户特征、候选直播间的直播间特征、历史直播间的直播间特征以及候选直播间的直播间特征，计算候选直播间的第四匹配度。
[0172]
步骤s805，基于预选训练的推荐模型的输出层，根据所述第一匹配度、所述第三匹配度和所述第四匹配度，确定所述候选直播间的匹配度。
[0173]
具体的，推荐模型最终输出的匹配度可以为第一匹配度、第三匹配度和第四匹配度的平均值、加权平均值或和值。
[0174]
具体的，可以基于推荐模型的输出层，根据第一匹配度、第三匹配度和第四匹配度，确定最终输出的匹配度。
[0175]
示例性的，该输出层可以采用agg函数(聚合函数)，根据第一匹配度、第三匹配度和第四匹配度，计算最终输出的匹配度。
[0176]
在一个实施例中，在计算最终输出的匹配度时，第三匹配度的权重高于第四匹配度和第一匹配度的权重。
[0177]
通过将上述第二匹配度拆分为动态特征中的产品特征对应的第三匹配度以及动态特征中的直播间特征对应的第四匹配度，基于第一匹配度、第三匹配度和第四匹配度三种匹配度进行最终候选直播间的确定，进一步提高了匹配度确定的准确度，进而提高了所推荐直播间的精准度。
[0178]
在本技术一个或多个实施例中，可选的，所述交互记录包括所述目标用户在历史时间浏览或购买的交互产品，以及所述目标用户在历史时间浏览的直播间，还包括所述目标用户在历史时间浏览的主播；
[0179]
所述直播数据包括候选直播间当前直播时对应的直播产品以及所述直播间当前的主播。
[0180]
在实际应用中，直播间和主播可能不是绑定的，例如，某一品牌的直播间，可以在不同的时段请不同的主播进行直播，因此，可以将主播也作为一个维度，辅助实现直播间的推荐。
[0181]
可选的，可以通过图像识别等方式，确定直播间当前的主播。主播的信息可以作为模型的一个输入。可选的，主播的信息可以包括主播的基本信息、参与的直播间信息等。模型可以采用神经网络模型等来实现。
[0182]
在前述各实施例提供的模型中，对主播的处理方法可以参考对产品或者直播间的处理方法，例如，可以先提取特征，再进行匹配，或者，也可以采用其他的模型结构。
[0183]
通过将直播间的直播也作为模型的输入，能够从直播间、主播、用户、产品四个维度实现直播间的推荐，使得最终推荐的直播间的主播更加符合用户的兴趣，进一步提升推荐效果，提高用户体验度。
[0184]
图9为本技术另一个实施例提供的推荐模型的结构示意图，如图9所示，该推荐模型包括特征表达层、循环神经网络层(rnn层)、匹配度确定层和输出层。特征表达层可以为多个，如直播间特征表达层，以基于直播间特征得到对应直播间的特征表达；用户特征表达层，以基于用户特征得到对应用户的特征表达；产品特征表达层，以基于产品(交互产品或直播产品)的特征得到对应产品的特征表达。
[0185]
可以通过特征表达层，接收用户基本信息或输入特征，如并输出用户特征或用户的特征表达，如接收候选直播间以及历史直播间的直播间基本信息或输入特征，如并输出候选直播间以及历史直播间的直播间特征或直播间的特征表达，如历史直播间特征与候选直播间的直播间特征组成相同，图9中未示出，图9中以3个历史直播间为例，候选直播间为其中一个历史直播间，即对应的历史直播间；接收各产品(交互产品或直播产品)的信息或输入特征，图9中以3个交互产品(运动鞋、口红和高跟鞋)为例，运动鞋的输入特征为口红的输入特征为高跟鞋的输入特征为图9中以3个直播产品(无袖连衣裙、板鞋和短袖连衣裙)为例，无袖连衣裙的输入特征为板鞋的输入特征为短袖连衣裙的输入特征为输出各产品的特征表达，如3个交互产品的特征表达依次为3个直播产品的特征表达或特征依次为：该特征表达层可以fm层或pnn层对特征进行处理。其中，用户基本信息和交互记录均为用户侧的数据，直播间基本信息和直播数据为主播侧的数据。交互行为特征包括各交互产品的特征和历史直播间的直播间特征，直播行为特征包括各直播产品的特征。
[0186]
基于循环神经网络层对各个产品(交互产品或直播产品)的特征表达进行处理，得
到各个产品对应的隐藏特征，如图9中的
[0187]
通过匹配度确定层，基于候选直播间的直播间特征表达和目标用户的用户特征表达计算第一匹配度；基于各个交互产品和直播产品的特征表达，计算第三匹配度；以及基于各个历史直播间和候选直播间的特征表达，计算第四匹配度。通过输出层，基于第一匹配度、第三匹配度和第四匹配度，得到候选直播间和目标用户的匹配度
[0188]
进一步地，图10为本技术图9所示实施例中另一种第三匹配度计算方法的示意图，为了提高匹配度的计算效率，在计算第三匹配度时还可以基于交互产品的产品类型，对直播产品进行过滤，从而仅基于交互产品(高跟鞋和运动鞋)以及与该交互产品的产品类型一致的直播产品(板鞋)的特征表达对应的隐藏值，如计算第三匹配度。
[0189]
在一个实施例中，匹配度确定层可以包括双向交互层、din和全连接层。
[0190]
在一个实施例中，如图9所示，匹配度确定层可以不进行第一匹配度的计算，而直接将候选直播间的直播间特征表达和目标用户的用户特征表达传输至输出层，从而由输出层基于直播间特征表达和目标用户的用户特征表达，如向量距离，计算第一匹配度；进而基于第一匹配度、第三匹配度和第四匹配度，计算并输出最终的匹配度。
[0191]
本技术实施例提供上述推荐模型的训练方法，包括：获取训练样本集，该训练样本集中包括正样本集和负样本集，其中，正样本集中的直播间为推荐后被用户观看的直播间，即用户感兴趣的直播间，负样本集中的直播间为推荐后未被用户观看的直播间，通过该正样本集和负样本集对该推荐模型进行训练，直至满足训练退出条件，如推荐模型输出的匹配度的误差小于预设值，从而得到训练好的或预先训练的推荐模型，计算候选直播间的匹配度。
[0192]
可选的，图11为本技术一个实施例提供的内容推荐方法的流程图，如图11所示，该内容推荐方法包括：
[0193]
步骤s1101，获取目标用户关于项目和/或项目供应方的交互记录。
[0194]
步骤s1102，获取各个所述候选项目供应方的项目数据，其中，候选项目供应方对应至少一个项目。
[0195]
步骤s1103，根据所述交互记录、所述项目数据以及预先训练的推荐模型，计算各个候选项目供应方相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选项目供应方推荐给所述目标用户。
[0196]
其中，项目可以为歌曲、游戏、商品、服务、信息等，信息可以为多媒体信息，如视频、文本、图片、图文等，项目供应方可以为歌单、博主、直播间、网店等，如游戏直播间、带货直播间等。交互记录可以包括用户浏览的项目和/或项目供应方，还可以包括浏览时间。一个项目供应方对应一个或多个项目，交互记录还可以包括用户对所浏览的项目和/或项目供应方的交互操作，如播放、购买、收藏、点赞、评论等。多媒体数据可以包括歌曲、图文作品、视频、商品等的数据。
[0197]
示例性的，项目数据可以为游戏直播间在直播时的直播数据，包括直播标题，主播玩的游戏、游戏中的角色、战绩等。还可以包括直播间的交互数据。
[0198]
示例性的，以项目供应方为网店为例，项目数据可以包括该网店在售的商品、商品的上架时间、价格、销量、优惠活动等。
[0199]
可以基于上述任一实施例提供的直播间推荐方法的思路进行项目供应方的推荐，仅需将对象进行适应性调整即可，如将“产品”替换为“项目”，将“直播间”替换为“项目供应方”，将“直播数据”替换为“项目数据”。
[0200]
上述内容推荐方法可以适用于多种应用场景，如直播间、歌单、博主、网店等的推荐。
[0201]
在歌单推荐场景下，歌单中包括多个歌曲，歌单可以由用户或系统创建，用户首次进入歌单推荐页面或刷新歌单页面时，可以通过运行本技术提供的推荐方法，为用户推荐一个或多个歌单。
[0202]
在歌单推荐场景下，本技术提供一种歌单推荐方法，该方法包括：
[0203]
获取目标用户关于歌曲和/或歌单的交互记录；获取各个所述候选歌单的歌曲数据；根据所述交互记录、所述歌曲数据以及预先训练的推荐模型，计算各个候选歌单相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选歌单推荐给所述目标用户。
[0204]
其中，交互记录可以包括用户在设定时间段内浏览的歌曲和/或歌单，还可以包括对所浏览的歌曲产品和/或歌单进行的交互操作，如播放、点赞、收藏、评论等。歌曲数据可以包括歌单内的歌曲、歌曲的添加时间等信息，还可以包括歌曲的评论、播放量等数据。
[0205]
在网店推荐场景下，网店内可以设置有多个售卖的产品，产品可以为商品或服务，当用户首次进入网店推荐页面或刷新网店推荐页面时，可以通过运行本技术提供的推荐方法，为用户推荐一个或多个网店。
[0206]
在网店推荐场景下，本技术提供一种网店推荐方法，该方法包括：
[0207]
获取目标用户关于网店和/或产品的交互记录；获取各个所述候选网店的产品数据；根据所述交互记录、所述产品数据以及预先训练的推荐模型，计算各个候选网店相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选网店推荐给所述目标用户。
[0208]
其中，交互记录可以包括用户在设定时间段内浏览的产品和/或网店，以及对所浏览的产品和/或网店进行的交互操作，如加入购物车、购买、收藏等。候选网店的产品数据可以包括网店在售的产品，以及各产品的上架时间、销售量等数据。
[0209]
在博主推荐场景下，每一位博主在平台发布有多条作品，如图文作品、短视频等，当用户首次进入博主推荐页面或刷博主推荐页面时，可以通过运行本技术提供的推荐方法，为用户推荐一位或多位博主。
[0210]
在博主推荐场景下，本技术提供一种博主推荐方法，该方法包括：
[0211]
获取目标用户关于博主和/或作品的交互记录；获取各个所述候选博主发布的至少一条作品的作品数据；根据所述交互记录、所述作品数据以及预先训练的推荐模型，计算各个候选博主相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选博主推荐给所述目标用户。
[0212]
其中，交互记录可以包括用户浏览的博主和/或作品，以及对博主和/或作品的交互操作，如关注、私信、收藏、转发、评论、点赞等。作品数据可以包括所发布的作品的内容，还可以包括作品的发布时间、发布频率、引用的话题、转发量、点赞量、评论等数据。
[0213]
本技术的技术方案中，所涉及的用户数据等信息，如上述交互记录、用户基本信息、直播间基本信息等，其收集、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。
[0214]
本技术实施例提供一种直播间推荐装置，包括：
[0215]
交互记录获取模块，用于获取目标用户关于产品和/或直播间的交互记录；直播数据获取模块，用于获取各个候选直播间当前直播对应的直播数据，其中，候选直播间为直播至少一种产品的直播间；匹配度确定模块，用于根据所述交互记录、所述直播数据以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度，以根据所述匹配度将至少部分候选直播间推荐给所述目标用户。
[0216]
可选的，匹配度确定模块，包括：
[0217]
第一特征表达单元，用于基于预先训练的推荐模型中的特征表达层，分别提取所述交互记录和所述候选直播间的直播数据的特征，得到交互行为特征和所述候选直播间的直播行为特征，其中，所述特征表达层为点乘层或因子分解机层；匹配确定单元，用于基于预先训练的推荐模型的匹配度确定层，根据所述交互行为特征和所述候选直播间的直播行为特征，确定所述候选直播间的匹配度。
[0218]
可选的，匹配确定单元，包括：
[0219]
隐藏序列获取子单元，用于基于预先训练的推荐模型的隐藏层，分别对所述交互行为特征和所述候选直播间的直播行为特征进行处理，得到第一隐藏序列和所述候选直播间对应的第二隐藏序列；拼接子单元，用于基于预先训练的推荐模型的隐藏层将所述第一隐藏序列和所述候选直播间对应的第二隐藏序列，拼接为拼接隐藏序列；匹配度确定子单元，用于基于预先训练的推荐模型的匹配度确定层，根据所述拼接隐藏序列，确定所述候选直播间的匹配度。
[0220]
可选的，所述第一隐藏序列包括所述目标用户交互的至少一个交互产品对应的隐藏特征，所述第二序列包括候选直播间当前直播时的直播产品对应的隐藏特征；拼接子单元，具体用于：
[0221]
基于产品类型，从所述候选直播间的直播产品中，确定所述至少一个交互产品中每个交互产品对应的直播产品；针对所述至少一个交互产品中每个交互产品，将所述交互产品对应的隐藏特征与所述交互产品对应的直播产品对应的隐藏特征进行拼接，得到所述交互产品对应的拼接隐藏序列。
[0222]
相应的，匹配度确定子单元，具体用于：
[0223]
基于所述匹配度确定层，根据所述至少一个交互产品中每个交互产品对应的拼接隐藏序列，确定所述候选直播间的匹配度。
[0224]
可选的，所述装置还包括：
[0225]
静态信息获取模块，获取所述目标用户的用户基本信息以及获取各个候选直播间的直播间基本信息。
[0226]
相应的，匹配度确定模块，具体用于：
[0227]
根据所述交互记录、所述直播数据、所述用户基本信息、所述直播间基本信息以及预先训练的推荐模型，确定各个候选直播间与所述目标用户的匹配度。
[0228]
可选的，匹配度确定模块，包括：
[0229]
第二特征表达单元，用于基于预先训练的推荐模型中的特征表达层，分别提取所述用户基本信息、所述交互记录、所述候选直播间的直播间基本信息和所述候选直播间的直播数据的特征，得到用户特征、交互行为特征、所述候选直播间的直播间特征和所述候选
直播间的直播行为特征，其中，所述特征表达层为点乘层或因子分解机层；第一匹配度确定单元，用于基于预选训练的推荐模型的匹配度确定层，根据所述用户特征和所述候选直播间的直播间特征，确定所述候选直播间的第一匹配度；第二匹配度确定单元，用于基于预选训练的推荐模型的匹配度确定层，根据所述交互行为特征和所述候选直播间的直播行为特征，确定所述候选直播间的第二匹配度；输出单元，用于基于预选训练的推荐模型的输出层，根据所述第一匹配度和所述第二匹配度，确定并输出所述候选直播间的匹配度。
[0230]
可选的，第二匹配度确定单元，用于：
[0231]
根据各个交互产品的产品特征以及所述候选直播间的直播行为特征，确定所述候选直播间的第三匹配度；根据各个所述历史直播间的直播间特征以及所述候选直播间的直播间特征，计算所述候选直播间的第四匹配度。
[0232]
输出单元，具体用于：
[0233]
基于预选训练的推荐模型的输出层，根据所述第一匹配度、所述第三匹配度和所述第四匹配度，确定并输出所述候选直播间的匹配度。
[0234]
本技术实施例提供的直播间推荐装置，可用于执行上述图2、图4至图8对应的任意实施例提供的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
[0235]
本技术实施例提供一种内容推荐装置，包括：
[0236]
记录获取模块，用于获取目标用户关于项目和/或项目供应方的交互记录；数据获取模块，获取各个所述候选项目供应方的项目数据，其中，候选项目供应方对应至少一个项目；推荐模块，用于根据所述交互记录、所述项目数据以及预先训练的推荐模型，计算各个候选项目供应方相对于所述目标用户的匹配度，以根据所述匹配度将至少部分候选项目供应方推荐给所述目标用户。
[0237]
本技术实施例提供的内容间推荐装置，可用于执行上述图11对应的任意实施例提供的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
[0238]
图12为本技术实施例提供的一种推荐终端的结构示意图，如图12所示，本实施例的提供的推荐终端包括：
[0239]
至少一个处理器1210；以及与所述至少一个处理器1210通信连接的存储器1220；其中，所述存储器1220存储有计算机执行指令；所述至少一个处理器1210执行所述存储器1220存储的计算机执行指令，以使所述推荐终端执行如前述任一实施例提供的方法。
[0240]
可选地，存储器1220既可以是独立的，也可以跟处理器1210集成在一起。
[0241]
本实施例提供的推荐终端的实现原理和技术效果可以参见前述各实施例，此处不再赘述。
[0242]
本技术实施例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中存储有计算机执行指令，当所述计算机执行指令被处理器执行时，可以实现前述任一实施例提供的方法。
[0243]
本技术实施例还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前述任一实施例提供的方法。
[0244]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者
可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0245]
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器执行本技术各个实施例所述方法的部分步骤。
[0246]
应理解，上述处理器可以是中央处理单元(central processing unit，简称cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)等。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。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
[0247]
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0248]
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
[0249]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0250]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0251]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例提供的方法。
[0252]
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下面的权利要求书指出。
[0253]
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。