技术摘要：
本申请公开了内容推荐方法、装置、设备及存储介质，属于人工智能技术领域。方法包括：获取目标对象对应的通道偏好特征、内容偏好特征和候选内容集；基于通道偏好特征和候选内容集对应的候选通道集，获取目标通道序列，候选通道集包括候选内容集中各个候选内容对应的候  全部
背景技术：
随着人工智能技术的快速发展，越来越多的应用场景利用人工智能技术为用户推 荐个性化的内容(视频、新闻、文章等)，以提高用户的交互体验。在许多应用场景中，待推荐 的内容可以来源于多个通道，例如，视频通道、新闻通道、文章通道等。 相关技术在为用户推荐内容的过程中，首先预测各个候选内容的点击率，然后根 据预测的点击率对候选内容进行排序，将排序靠前的内容推荐给用户。在此种推荐内容的 过程中，直接对各个候选内容进行排序，仅考虑内容层面的信息，考虑的信息较局限，内容 推荐的效果较差，推荐的内容的点击率较低，用户的交互体验不佳。
技术实现要素：
本申请实施例提供了一种内容推荐方法、装置、设备及存储介质，可用于提高内容 推荐的效果。所述技术方案如下： 一方面，本申请实施例提供了一种内容推荐方法，所述方法包括： 获取目标对象对应的通道偏好特征、内容偏好特征和候选内容集，所述候选内容 集包括至少一个候选内容，任一候选内容对应一个候选通道； 基于所述通道偏好特征和所述候选内容集对应的候选通道集，获取目标通道序 列，所述候选通道集包括所述候选内容集中各个候选内容对应的候选通道； 基于所述内容偏好特征和所述候选内容集，获取与所述目标通道序列对应的目标 内容序列； 将所述目标内容序列推荐给所述目标对象。 在一种可能实现方式中，所述调用第二目标推荐模型对所述内容偏好特征进行推 荐处理，得到内容推荐结果，包括： 将所述内容偏好特征输入第二目标推荐模型，得到所述第二目标推荐模型输出的 第一个内容推荐子结果； 基于所述第一个内容推荐子结果获取更新后的内容偏好特征，将更新后的内容偏 好特征输入所述第二目标推荐模型，得到所述第二目标推荐模型输出的第二个内容推荐子 结果； 基于所述第二个内容推荐子结果继续获取内容推荐子结果； 响应于内容推荐子结果的数量等于数量阈值，将按照获取顺序依次排列的各个内 容推荐子结果作为所述内容推荐结果。 还提供了一种内容推荐方法，所述方法包括： 获取目标分层推荐模型，所述目标分层推荐模型包括第一目标推荐模型和第二目 6 CN 111552888 A 说　明　书 2/38 页 标推荐模型； 调用所述第一目标推荐模型对目标对象对应的通道偏好特征进行推荐处理，得到 通道推荐结果；基于所述通道推荐结果和所述目标对象对应的候选通道集，获取目标通道 序列； 调用所述第二目标推荐模型对所述目标对象对应的内容偏好特征进行推荐处理， 得到内容推荐结果；基于所述内容推荐结果和所述目标对象对应的候选内容集，获取与所 述目标通道序列对应的目标内容序列； 将所述目标内容序列推荐给所述目标对象。 另一方面，提供了一种内容推荐装置，所述装置包括： 第一获取单元，用于获取目标对象对应的通道偏好特征、内容偏好特征和候选内 容集，所述候选内容集包括至少一个候选内容，任一候选内容对应一个候选通道； 第二获取单元，用于基于所述通道偏好特征和所述候选内容集对应的候选通道 集，获取目标通道序列，所述候选通道集包括所述候选内容集中各个候选内容对应的候选 通道； 第三获取单元，用于基于所述内容偏好特征和所述候选内容集，获取与所述目标 通道序列对应的目标内容序列； 推荐单元，用于将所述目标内容序列推荐给所述目标对象。 在一种可能实现方式中，所述第二获取单元，用于调用第一目标推荐模型对所述 通道偏好特征进行推荐处理，得到通道推荐结果，所述通道推荐结果由至少一个通道推荐 子结果构成；对于任一通道推荐子结果，在所述候选通道集中获取与所述任一通道推荐子 结果匹配的目标通道；基于与各个通道推荐子结果分别匹配的目标通道，得到目标通道序 列。 在一种可能实现方式中，所述第三获取单元，用于调用第二目标推荐模型对所述 内容偏好特征进行推荐处理，得到内容推荐结果，所述内容推荐结果由至少一个内容推荐 子结果构成；对于任一内容推荐子结果，在目标候选内容集中获取与所述任一内容推荐子 结果匹配的目标内容，所述目标候选内容集由所述候选内容集中满足条件的候选内容构 成，所述满足条件的候选内容包括对应的候选通道为指定通道的候选内容，所述指定通道 包括在所述目标通道序列中的排列位置和所述任一内容推荐子结果在所述内容推荐结果 中的排列位置一致的目标通道；基于与各个内容推荐子结果分别匹配的目标内容，得到与 所述目标通道序列对应的目标内容序列。 在一种可能实现方式中，所述第二获取单元，还用于将所述通道偏好特征输入第 一目标推荐模型，得到所述第一目标推荐模型输出的第一个通道推荐子结果；基于所述第 一个通道推荐子结果获取更新后的通道偏好特征，将更新后的通道偏好特征输入所述第一 目标推荐模型，得到所述第一目标推荐模型输出的第二个通道推荐子结果；基于所述第二 个通道推荐子结果继续获取通道推荐子结果；响应于获取的通道推荐子结果的数量等于数 量阈值，将按照获取顺序依次排列的各个通道推荐子结果作为所述通道推荐结果。 在一种可能实现方式中，所述第三获取单元，还用于将所述内容偏好特征输入第 二目标推荐模型，得到所述第二目标推荐模型输出的第一个内容推荐子结果；基于所述第 一个内容推荐子结果获取更新后的内容偏好特征，将更新后的内容偏好特征输入所述第二 7 CN 111552888 A 说　明　书 3/38 页 目标推荐模型，得到所述第二目标推荐模型输出的第二个内容推荐子结果；基于所述第二 个内容推荐子结果继续获取内容推荐子结果；响应于内容推荐子结果的数量等于数量阈 值，将按照获取顺序依次排列的各个内容推荐子结果作为所述内容推荐结果。 在一种可能实现方式中，所述第一获取单元，用于获取目标对象对应的历史推荐 内容序列；基于所述历史推荐内容序列，获取待处理通道特征序列和待处理内容特征序列； 调用第一处理模型对所述待处理通道特征序列进行处理，得到所述目标对象对应的通道偏 好特征；调用第二处理模型对所述待处理内容特征序列进行处理，得到所述目标对象对应 的内容偏好特征。 在一种可能实现方式中，所述历史推荐内容序列由至少一个历史推荐内容依次排 列构成；所述第一获取单元，还用于对于任一历史推荐内容，获取所述任一历史推荐内容对 应的基础信息、待处理通道信息和待处理内容信息，所述基础信息包括用户画像信息和环 境信息中的至少一个，所述待处理通道信息包括通道信息和累积通道信息中的至少一个， 所述待处理内容信息包括内容信息和累积内容信息中的至少一个；对所述任一历史推荐内 容对应的基础信息和待处理通道信息进行融合处理，得到所述任一历史推荐内容对应的待 处理通道特征；对所述任一历史推荐内容对应的基础信息和待处理内容信息进行融合处 理，得到所述任一历史推荐内容对应的待处理内容特征；将与各个历史推荐内容分别对应 的待处理通道特征按照各个历史推荐内容在所述历史推荐内容序列中的排列顺序进行排 列，得到待处理通道特征序列；将与各个历史推荐内容分别对应的待处理内容特征按照各 个历史推荐内容在所述历史推荐内容序列中的排列顺序进行排列，得到待处理内容特征序 列。 还提供了一种内容推荐装置，所述装置包括： 第一获取单元，用于获取目标分层推荐模型，所述目标分层推荐模型包括第一目 标推荐模型和第二目标推荐模型； 第二获取单元，用于调用所述第一目标推荐模型对目标对象对应的通道偏好特征 进行推荐处理，得到通道推荐结果；基于所述通道推荐结果和所述目标对象对应的候选通 道集，获取目标通道序列； 第三获取单元，用于调用所述第二目标推荐模型对所述目标对象对应的内容偏好 特征进行推荐处理，得到内容推荐结果；基于所述内容推荐结果和所述目标对象对应的候 选内容集，获取与所述目标通道序列对应的目标内容序列； 推荐单元，用于将所述目标内容序列推荐给所述目标对象。 在一种可能实现方式中，所述装置还包括： 第四获取单元，用于获取训练样本集，所述训练样本集包括至少一个训练样本，任 一训练样本包括样本通道特征、样本内容特征和样本推荐内容序列对应的反馈信息； 训练单元，用于基于训练样本中的样本通道特征、样本内容特征和样本推荐内容 序列对应的反馈信息，对初始分层推荐模型中的第一初始推荐模型和第二初始推荐模型进 行训练，得到目标分层推荐模型。 在一种可能实现方式中，所述第一初始推荐模型包括第一初始推荐子模型和第一 初始评估子模型，所述第二初始推荐模型包括第二初始推荐子模型和第二初始评估子模 型；所述训练单元，用于基于训练样本中的样本推荐内容序列对应的反馈信息，获取第一增 8 CN 111552888 A 说　明　书 4/38 页 强值集和第二增强值集；将训练样本中的样本通道特征输入所述第一初始推荐模型，得到 所述第一初始推荐子模型输出的初始通道推荐结果和所述第一初始评估子模型输出的针 对所述初始通道推荐结果的第一评估值集；将训练样本中的样本内容特征输入所述第二初 始推荐模型，得到所述第二初始推荐子模型输出的初始内容推荐结果和所述第二初始评估 子模型输出的针对所述初始内容推荐结果的第二评估值集；基于所述第一评估值集更新所 述第一初始推荐子模型的参数；基于所述第二评估值集更新所述第二初始推荐子模型的参 数；基于所述第一增强值集和所述第一评估值集，获取通道损失函数；基于所述第二增强值 集和所述第二评估值集，获取内容损失函数；基于所述通道损失函数和所述内容损失函数， 计算目标损失函数；基于所述目标损失函数更新所述第一初始评估子模型和所述第二初始 评估子模型的参数。 在一种可能实现方式中，所述训练样本还包括样本推荐内容序列；所述训练单元， 还用于基于所述初始内容推荐结果和所述训练样本中的样本推荐内容序列，获取点击率损 失函数和相似度损失函数中的至少一个；基于所述点击率损失函数和相似度损失函数中的 至少一个，以及所述通道损失函数和所述内容损失函数，计算目标损失函数。 在一种可能实现方式中，所述训练单元，还用于基于训练样本中的反馈信息，获取 样本推荐内容序列中的任一样本推荐内容的阅读时长信息、多样性信息和新颖性信息中的 至少一个以及所述任一样本推荐内容的点击信息；基于所述任一样本推荐内容的点击信 息，获取所述任一样本推荐内容对应的第一增强值；基于所述任一样本推荐内容的阅读时 长信息、多样性信息和新颖性信息中的至少一个以及所述任一推荐内容的点击信息，获取 所述任一样本推荐内容对应的第二增强值；将各个样本推荐内容对应的第一增强值的集合 作为第一增强值集；将各个样本推荐内容对应的第二增强值的集合作为第二增强值集。 另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存 储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实 现上述任一所述的内容推荐方法。 另一方面，还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中存储 有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现上述任一所述 的内容推荐方法。 本申请实施例提供的技术方案至少带来如下有益效果： 先基于通道偏好特征获取目标通道序列，然后再基于内容偏好特征获取与目标通 道序列对应的目标内容序列，进而将目标内容序列推荐给目标对象。在此种内容推荐的过 程中，通道偏好特征体现通道方面的信息，内容偏好特征体现内容方面的信息，内容推荐的 过程既考虑通道方面的信息，又考虑内容方面的信息，考虑的信息较全面，有利于提高内容 推荐的效果，推荐的内容的点击率较高，用户的交互体验较好。 附图说明 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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 的附图。 9 CN 111552888 A 说　明　书 5/38 页 图1是本申请实施例提供的一种强化学习的过程示意图； 图2是本申请实施例提供的一种内容推荐方法的实施环境的示意图； 图3是本申请实施例提供的一种内容推荐方法的流程图； 图4是本申请实施例提供的一种将推荐页面显示在终端屏幕上的过程示意图； 图5是本申请实施例提供的一种获取目标内容序列的过程示意图； 图6是本申请实施例提供的一种内容推荐方法的流程图； 图7是本申请实施例提供的一种对初始分层推荐模型中的第一初始推荐模型和第 二初始推荐模型进行训练的方法的流程图； 图8是本申请实施例提供的一种内容推荐装置的示意图； 图9是本申请实施例提供的一种内容推荐装置的示意图； 图10是本申请实施例提供的一种内容推荐装置的示意图； 图11是本申请实施例提供的一种服务器的结构示意图； 图12是本申请实施例提供的一种终端的结构示意图。