技术摘要：
本发明公开了一种内容推荐方法，适于在计算设备中执行，计算设备与数据存储装置相连接，数据存储装置中存储有用户标识与推荐内容的第一关联关系和用户分类标识与推荐内容的第二关联关系，该方法包括：接收用户的访问请求时，获取用户的的用户标识；根据用户标识查找第  全部
背景技术：
随着互联网的迅速发展，网络应用中关于同一内容的相关信息越来越多，这让用 户面对众多的信息无所适从，不能准确搜索出匹配自己目标内容的信息，浪费用户的精力。 因此，需要对大量的网络信息进行分类，将精选分类后的内容推送给用户，尤其对于一些专 业内容的推送，这一工作需要利用专业人员的领域经验完成，因为需要持续输出精选内容， 同时筛选工作琐碎且重复，限于专业人员精力的持续消耗，精选内容的质量容易起伏不定， 无法持续稳定输出，同时，由于专业人员精力有限，无法大规模的产生精选内容，精选内容 也不能做到针对多用户的精准化，只能做到有限的分类。也从而产生了利用深度学习的方 法学习用户和网络信息之间的内在联系，建立推荐模型，通过调整模型参数，给不同用户推 送不同内容，虽然该方式推荐效果较好，但是深度学习方法的模型需要专业的机器学习、统 计学知识，需要对Tensorflow等框架的熟练应用，如果没有一定的基础，学习路径较为陡 峭，开发难度较大，研发周期较长；通过深度学习得到的推荐模型参数较多，很多参数为模 型自动生成，没有很好的解释性，对人类不友好，不能很好的进行调整。
技术实现要素：
为此，本发明提供了一种内容推荐方法、计算设备及可读存储介质，以力图解决或 者至少缓解上面存在的问题。 根据本发明的第一个方面，提供一种内容推荐方法，适于在计算设备中执行，计算 设备与数据存储装置相连接，数据存储装置中存储有用户标识与推荐内容的第一关联关系 和用户分类标识与推荐内容的第二关联关系，方法包括：接收用户的访问请求时，获取用户 的的用户标识；根据用户标识查找第一关联关系，判断是否存在对应用户的推荐内容；若 是，获取对应用户的推荐内容并输出给用户；若否，确定用户的用户分类标识，根据用户分 类标识查找第二关联关系，获取对应用户分类标识的推荐内容并输出给用户。 可选的，在根据本发明的内容推荐方法中，确定用户的用户分类包括：获取用户的 用户属性信息；根据用户属性信息对用户进行分类得到用户分类标识。 可选的，在根据本发明的内容推荐方法中，根据用户属性信息对用户进行分类得 到用户分类是通过分类算法完成的。 可选的，在根据本发明的内容推荐方法中，用户属性包括用户所属地理位置信息， 用户设备信息。 可选的，在根据本发明的内容推荐方法中，方法还包括第一关联关系的计算步骤， 步骤包括：获取用户的用户浏览历史；根据用户浏览历史计算用户的用户偏好关键词；根据 用户偏好关键词计算用户的用户推荐内容；将用户推荐内容与用户的用户标识的对应关系 4 CN 111581492 A 说　明　书 2/16 页 存储到第一关联关系中。 可选的，在根据本发明的内容推荐方法中，根据用户浏览历史计算用户的用户偏 好关键词的步骤包括：根据用户浏览历史中的浏览内容查找内容-关键词数据表，获取用户 浏览历史中的每一项浏览内容对应的关键词；读取内容热度数据表，获取用户浏览历史中 的所有浏览内容的内容热度，将包含同一关键词的用户浏览历史中的浏览内容的内容热度 求和，并作为用户对该关键词的偏好；计算用户对所有关键词的偏好；将用户对所有关键词 的偏好降序排列，取排列在前的预定数量的关键词作为用户偏好关键词。 可选的，在根据本发明的内容推荐方法中，根据用户偏好关键词计算用户推荐内 容的步骤包括：根据用户偏好关键词查找关键词-内容排行数据表，获取所有热门内容；对 所有热门内容按照内容热度降序排列，取排列在前的预定数量的热门内容作为用户推荐内 容。 可选的，在根据本发明的内容推荐方法中，方法还包括第二关联关系的计算步骤， 步骤包括：根据用户分类标识计算对应该用户分类标识的用户分类的偏好关键词；根据用 户分类偏好关键词计算用户分类推荐内容；将用户分类推荐内容与用户分类标识的对应关 系存储到第二关联关系中。 可选的，在根据本发明的内容推荐方法中，根据用户分类标识计算用户分类偏好 关键词包括：根据用户分类标识查找该用户分类标识对应用户分类包含用户的浏览历史； 根据用户分类包含用户的浏览历史中的浏览内容查找内容-关键词数据表，获取用户分类 包含用户的浏览历史中的每一项浏览内容对应的关键词；读取内容热度数据表，获取用户 分类包含用户的浏览历史中的所有浏览内容的内容热度，将包含同一个关键词的用户分类 包含用户的浏览历史中的浏览内容的内容热度求和，并作为用户分类对该关键词的偏好； 计算用户分类对所有关键词的偏好；将用户分类对所有关键词的偏好降序排列，取排列在 前的预定数量的关键词作为用户分类偏好关键词。 可选的，在根据本发明的内容推荐方法中，根据用户分类偏好关键词计算用户分 类推荐内容，包括：根据用户分类偏好关键词查找关键词-内容排行数据表，获取所有热门 内容；对所有热门内容根据内容热度降序排列，取排列在前的预定数量的热门内容作为用 户分类推荐内容。 根据本发明的第二个方面，提供一种推荐内容的计算方法，适于在计算设备中执 行，计算设备与数据存储装置连接，数据存储装置存储有用户的浏览历史，计算方法包括： 获取用户的用户浏览历史；根据用户浏览历史计算用户的用户偏好关键词；根据用户偏好 关键词计算用户的用户推荐内容。 可选的，在根据本发明的内容推荐方法中，根据用户浏览历史计算用户的用户偏 好关键词的步骤包括：根据用户浏览历史中的浏览内容查找内容-关键词数据表，获取用户 浏览历史中的每一项浏览内容对应的关键词；读取内容热度数据表，获取用户浏览历史中 的所有浏览内容的内容热度，将包含同一关键词的用户浏览历史中的浏览内容的内容热度 求和，并作为用户对该关键词的偏好；计算用户对所有关键词的偏好；将用户对所有关键词 的偏好降序排列，取排列在前的预定数量的关键词作为用户偏好关键词。 可选的，在根据本发明的内容推荐方法中，内容-关键词数据表的创建步骤包括： 从内容资源池获取待处理内容；移除待处理内容中的无用词和停用词；使用关键词算法提 5 CN 111581492 A 说　明　书 3/16 页 取待处理内容的关键词，将关键词和待处理内容存储到内容-关键词数据表；将关键词单独 存储到关键词数据表。 可选的，在根据本发明的内容推荐方法中，内容热度数据表的创建过程包括：获取 内容资源池中的每一项内容的阅读日志；统计阅读日志中的唯一访问用户数，浏览次数，用 户在该内容的停留时长；根据统计的唯一访问用户数，浏览次数，用户在该内容的停留时长 及热度计算公式计算内容热度；将所得内容热度与对应内容保存至内容热度数据表。 可选的，在根据本发明的内容推荐方法中，热度计算公式为，hot＝sigmoid(log (uv)×0.5 sigmoid(log(duration)))×0.3 pv/uv×0.2， 其中，hot为内容热度，uv是唯一访问用户数，pv是内容浏览次数，duration是用户 在该内容的停留时长。 可选的，在根据本发明的内容推荐方法中，根据用户偏好关键词计算用户推荐内 容的步骤包括：根据用户偏好关键词查找关键词-内容排行数据表，获取所有内容；对所有 热门内容按照内容热度降序排列，取排列在前的预定数量的热门内容作为用户推荐内容。 可选的，在根据本发明的内容推荐方法中，关键词-内容排行数据表的创建步骤包 括：读取关键词数据表；根据关键词查找内容-关键词数据表，获取每一个关键词下的所有 内容；根据内容热度数据表，对某一关键词下的所有内容按照内容热度进行排列，取排列在 前的预定数量的内容作为该关键词下的热门内容；将该关键词和对应的该关键词下的热门 内容存储到关键词-内容排行数据表。 根据本发明的第三个方面，提供一种推荐内容的计算方法，适于在计算设备中执 行，计算设备与数据存储装置连接，数据存储装置存储有用户的浏览历史，计算方法包括： 根据用户属性信息对用户进行分类得到用户分类及对应用户分类的用户分类标识；根据用 户分类计算用户分类偏好关键词；根据用户分类偏好关键词计算用户分类推荐内容；将用 户分类推荐内容与用户分类标识的对应关系存储到第二关联关系。 可选的，在根据本发明的内容推荐方法中，根据用户分类计算用户分类偏好关键 词包括：根据用户分类查找该用户分类包含用户的浏览历史；根据用户分类包含用户的浏 览历史中的浏览内容查找内容-关键词数据表，获取用户分类包含用户的浏览历史中的每 一项浏览内容对应的关键词；读取内容热度数据表，获取用户分类包含用户的浏览历史中 的所有浏览内容的内容热度，将包含同一个关键词的用户分类包含用户的浏览历史中的浏 览内容的内容热度求和，并作为用户分类对该关键词的偏好；计算用户分类对所有关键词 的偏好；将用户分类对所有关键词的偏好降序排列，取排列在前的预定数量的关键词作为 用户分类偏好关键词。 可选的，在根据本发明的内容推荐方法中，内容-关键词数据表的创建步骤包括： 从内容资源池获取待处理内容；移除待处理内容中的无用词和停用词；使用关键词算法提 取待处理内容的关键词，将关键词和待处理内容存储到内容-关键词数据表；将关键词单独 存储到关键词数据表。 可选的，在根据本发明的内容推荐方法中，内容热度数据表的创建过程包括：获取 内容资源池中的每一项内容的阅读日志；统计阅读日志中的唯一访问用户数，浏览次数，用 户在该内容的停留时长；根据统计的唯一访问用户数，浏览次数，用户在该内容的停留时长 及热度计算公式计算内容热度；将所得内容热度与对应内容保存至内容热度数据表。 6 CN 111581492 A 说　明　书 4/16 页 可选的，在根据本发明的内容推荐方法中，热度计算公式为，hot＝sigmoid(log (uv)×0.5 sigmoid(log(duration)))×0.3 pv/uv×0.2 其中，hot为内容热度，uv是唯一访问用户数，pv是页面阅读次数，duration是用户 在内容的停留时长。 可选的，在根据本发明的内容推荐方法中，根据用户分类偏好关键词计算用户分 类推荐内容，包括：根据用户分类偏好关键词查找关键词-内容排行数据表，获取所有热门 内容；对所有热门内容按照内容热度降序排列，取排列在前的预定数量的热门内容作为用 户分类推荐内容。 可选的，在根据本发明的内容推荐方法中，关键词-内容排行数据表的创建步骤包 括：读取关键词数据表；根据关键词查找内容-关键词数据表，获取每一个关键词下的所有 内容；根据内容热度数据表，对某一关键词下的所有内容按照内容热度进行排列，取排列在 前的预定数量的内容作为该关键词下的热门内容；将该关键词和对应的该关键词下的热门 内容存储到关键词-内容排行数据表。 可选的，在根据本发明的内容推荐方法中，根据用户属性信息对用户进行分类得 到用户分类的步骤是通过KNN算法完成的。 根据本发明的第四各方面，提供一种计算设备，包括：至少一个处理器；以及存储 器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括 用于执行如上所述的内容推荐方法的指令。 根据本发明的第五个方面，提供一种存储有程序指令的可读存储介质，当程序指 令被计算设备读取并执行时，使得计算设备执行如上所述的内容推荐方法。 根据本发明的内容推荐方法，对于有访问历史的用户来说，根据用户浏览历史提 取出用户偏好关键词，根据用户偏好关键词及内容热度来确定对应用户的推荐内容，对于 新用户来说，则根据用户的属性信息进行分类，根据分类用户的浏览历史确定这一用户类 别的偏好关键词，进而确定该用户分类的推荐内容。这样，无论对于新用户、还是老用户都 能准确的给用户推荐符合用户目标内容的内容。同时，本发明的内容推荐方法相对于深度 学习等复杂分类方法实现起来比较简单，而且更容易理解。 同时，对于一些需要专业分类的内容来说，需要利用专业编辑完成内容的选定，根 据本发明的内容推荐方法，能够节省相当的人力资源，并且能够保证推荐内容的稳定性。 附图说明 为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方 面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面 旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述 以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的 部件或元素。 图1示出了根据本发明一个实施例的内容推荐系统100的示意图； 图2示出了根据跟发明一个实施例的计算设备200的结构框图； 图3示出了根据本发明一个实施例的推荐内容的计算方法300的流程图。 图4示出了根据本发明一个实施例的推荐内容的计算方法400的流程图。 7 CN 111581492 A 说　明　书 5/16 页 图5示出了根据本发明一个实施例的内容推荐方法500的流程图。