个性化推荐方法、个性化推荐装置及电子设备

摘要

公开了一种个性化推荐方法、个性化推荐装置和电子设备。该个性化推荐方法包括：获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据；以及，使用所述用户类型特征数据确定个性化推荐结果。这样，实现了符合用户需求的个性化推荐。

说明书

技术领域

本申请涉及数据定制化处理技术领域，且更为具体地，涉及一种个性化推荐方法、个性化推荐装置、用于个性化推荐的用户交互方法、装置和电子设备。

背景技术

目前，随着技术的不断迭代，交互方式的升级，具有互动性的互动媒体内容也在媒体内容领域中逐渐兴起。用户在观看互动媒体内容的过程中，可以通过互动操作解锁剧情或者推进剧情发展，用户不再仅是媒体内容的观看者而是参与者，因此，互动媒体内容对于用户而言能够激发用户的好奇心与探索力，吸引用户观看。

例如，互动媒体内容的常见的互动形式是分支剧情，其又被称为AB剧，形式也比较简单，即在媒体内容的某个节点设置分支剧情的选项，根据用户选择播放相应的分支剧情，分支剧情可以是完全相互独立的，比如，独立的故事线和独立的结局，当然，分支剧情也可以只是剧情的中间过程，分支剧情结束时又回归了剧情主线。

由于互动媒体内容会出现从剧情主线向不同分支剧情发展，或者，从不同分支剧情回归剧情主线的需求，因此，互动媒体内容一般由多个媒体内容片段(或者媒体内容区间)组成，比如剧情主线为一个媒体内容片段，每个分支剧情对应一个媒体内容片段。此外，互动媒体内容还包括互动组件，例如用于向用户呈现互动选项的互动组件，用于接收用户对于互动选项的操作的互动组件等。

因此，在用户对于不同的互动选项进行选择时，会生成大量用户选择数据，从而期望提供能够利用这些用户选择数据的方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种个性化推荐方法、个性化推荐装置和电子设备，其通过使用用户对于互动媒体内容的互动选项的选择数据来对用户进行分类，并基于用户分类向用户进行个性化推荐，以实现符合用户需求的个性化推荐。

根据本申请的一方面，提供了一种个性化推荐方法，包括：获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据；以及，使用所述用户类型特征数据确定个性化推荐结果。

在上述个性化推荐方法中，获取用户选择特征数据包括：获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、选择时间、当前时间、是否跳过选择的至少其中之一。

在上述个性化推荐方法中，获取用户原始选择数据包括：累积预定时间段内的用户原始选择数据。

在上述个性化推荐方法中，用户类型特征数据包括用户类型属于多个预设用户类型之一及所述用户类型与所属的预设用户类型之间的相似度。

在上述个性化推荐方法中，所述预设用户类型包括用户的年龄、地域、性别、喜好中的至少一个。

在上述个性化推荐方法中，使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据包括：获取从服务器下发的用户分类模型；以及，使用所述用户选择特征数据以所述用户分类模型获得所述用户类型特征数据。

在上述个性化推荐方法中，使用所述用户类型特征数据确定个性化推荐结果包括：获取从服务器下发的个性化推荐决策模型；以及，使用所述用户类型特征数据以所述个性化推荐决策模型确定所述个性化推荐结果。

在上述个性化推荐方法中，在使用所述用户类型特征数据以所述个性化推荐决策模型确定所述个性化推荐结果之后进一步包括：基于所述个性化推荐结果向服务器发送推荐内容请求；从所述服务器的推荐内容资源库获取要推荐的内容；以及，展示所述要推荐的内容。

在上述个性化推荐方法中，所述要推荐的内容包括向用户推荐的广告。

在上述个性化推荐方法中，在展示所述要推荐的内容之后进一步包括：获取用户对于所述要推荐的内容的操作；以及，基于所述操作优化所述下发的个性化推荐决策模型。

根据本申请的另一方面，提供了一种个性化推荐方法，包括：从终端获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；使用用户分类模型基于所述用户选择特征数据对用户进行分类以获得用户类型特征数据；使用个性化推荐决策模型从所述用户类型特征数据确定个性化推荐结果；基于所述个性化推荐结果从推荐内容资源库获取要推荐的内容；以及，将所述要推荐的内容发送到所述终端。

在上述个性化推荐方法中，从终端获取用户选择特征数据包括：从终端获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、选择时间、当前时间、是否跳过选择的至少其中之一。

在上述个性化推荐方法中，从终端获取用户原始选择数据包括：累积预定时间段内的从所述终端获取的所述用户原始选择数据。

在上述个性化推荐方法中，进一步包括：基于所述用户分类模型和所述个性化推荐决策模型的至少一个优化互动选项；使用优化后的互动选项编辑互动脚本；以及，将编辑好的互动脚本发送到所述终端。

根据本申请的再一方面，提供了一种用于个性化推荐的用户交互方法，包括：接收用户对于互动媒体内容的互动选项的选择操作以获得用户原始选择数据；从所述用户原始选择数据提取用户选择特征数据，所述用户选择特征数据表示用户对于所述互动选项的选择；将所述用户选择特征数据发送到服务器；以及，从所述服务器接收基于所述用户选择特征数据的个性化推荐结果。

在上述用于个性化推荐的用户交互方法中，所述用户对于互动媒体内容的互动选项的选择操作包括所述用户通过手势、语音、传感器、相机中的至少一个做出的对于互动媒体内容的互动选项的选择操作。

根据本申请的又一方面，提供了一种个性化推荐装置，包括：数据获取单元，用于获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；用户分类单元，用于使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据；以及，个性化推荐单元，用于使用所述用户类型特征数据获得个性化推荐结果。

根据本申请的再一方面，提供了一种个性化推荐装置，包括：终端接收单元，用于从终端获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；分类模型单元，用于使用用户分类模型基于所述用户选择特征数据对用户进行分类以获得用户类型特征数据；推荐模型单元，用于使用个性化推荐决策模型从所述用户类型特征数据获得个性化推荐结果；内容检索单元，用于基于所述个性化推荐结果从推荐内容资源库获取要推荐的内容；以及，内容发送单元，用于将所述要推荐的内容发送到所述终端。

根据本申请的又一方面，提供了一种用于个性化推荐的用户交互装置，包括：操作接收单元，用于接收用户对于互动媒体内容的互动选项的选择操作以获得用户原始选择数据；特征提取单元，用于从所述用户原始选择数据提取用户选择特征数据，所述用户选择特征数据表示用户对于所述互动选项的选择；特征发送单元，用于将所述用户选择特征数据发送到服务器；以及，推荐接收单元，用于从所述服务器接收基于所述用户选择特征数据的个性化推荐结果。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的个性化推荐方法和用于个性化推荐的用户交互方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的个性化推荐方法和用于个性化推荐的用户交互方法。

本申请提供的个性化推荐方法、个性化推荐装置、用于个性化推荐的用户交互方法、装置和电子设备，通过使用用户对于互动媒体内容的互动选项的选择数据来对用户进行分类，并基于用户分类向用户进行个性化推荐，以实现符合用户需求的个性化推荐。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的个性化推荐方法的应用场景的示意图。

图2图示了根据本申请实施例的个性化推荐方法的第一示例的流程图。

图3图示了根据本申请实施例的个性化推荐方法的第二示例的流程图。

图4图示了根据本申请实施例的用于个性化推荐的用户交互方法的流程图。

图5图示了根据本申请实施例的个性化推荐方法的应用示例的示意性流程。

图6图示了根据本申请实施例的个性化推荐方法的应用示例的示意性系统架构。

图7图示了根据本申请实施例的个性化推荐装置的第一示例的框图。

图8图示了根据本申请实施例的个性化推荐装置的第二示例的框图。

图9图示了根据本申请实施例的用于个性化推荐的用户交互装置的框图。

图10图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

图1图示了根据本申请实施例的个性化推荐方法的应用场景的示意图。

如图1所示，在互动媒体内容播放端，比如用户的终端设备T，例如智能手机等的显示界面上播放互动媒体内容。如上所述，互动媒体内容包含向用户呈现的不同互动选项，这样，终端设备T通过从用户U接收选择互动选项之一的选择操作，就获得了用户选择数据。

在本申请实施例中，用户选择数据中包含能够反映用户特征的一些关键数据，因此，如图1所示，在获得用户选择数据之后，提取用户选择特征数据，并输入至用户分类模型。

用户分类模型基于用户选择特征数据进行用户分类，以获得用户类型特征数据。如图1所示，用户类型特征数据被输入到个性化推荐决策模型，从而获得基于用户类型个性化的个性化推荐结果。

进一步地，如图1所示，服务器端S基于个性化推荐结果检索推荐内容资源库L，并将获取的要推荐的内容发送到终端设备T，并在终端设备T上向用户进行展示。

在本申请实施例中，用户分类模型和个性化推荐决策模型中的至少一个可以设置在终端设备T，这将在下文中进一步详细说明。

下面，将参考附图来进一步说明根据本申请实施例的示例性的个性化推荐方法。

图2图示了根据本申请实施例的个性化推荐方法的第一示例的流程图。

如图2所示，根据本申请实施例的个性化推荐方法的第一示例应用于如上所述的终端设备T，其包括如下步骤。

步骤S110，获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择。如上所述，当互动媒体内容播放到互动节点时，会向用户呈现不同的互动选项，用户可以基于对于互动选项的选择来进入不同的互动分支。通过这些用户选择，可以在一定程度上反映用户的喜好，从而作为向用户进行个性化推荐的基础。也就是，通过用户的选择数据，可以为用户进行用户画像，从而以数字化形式将用户反映出来。

但是，并不是所有的数据都可以作为有效的用户画像的参考数据，需要经过初步的筛选，才能够获得可以用于描述用户行为特征的数据。这些用于描述用户行为特征的数据可以包括用户选择的选项，用户进行选择的速度，用户进行选择所用的时间，比如2秒、5秒、10秒等，以及用户是否跳过选择等。

此外，用户选择特征数据还包括用户做出选择的时间维度，即用户做出选择是在早上、中午或者晚上。因此，用户选择特征数据还包括当前时间。

也就是，在本申请实施例中，获取用户选择特征数据包括：获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、选择时间、当前时间、是否跳过选择的至少其中之一。

另外，单独的用户选择也无法作为有效的用户画像的参考数据，需要累积足够的用户选择数据。并且，所累积的用户选择数据之间会有一定关联度，从而可以用于准确地判断用户喜好的选择。所以，在本申请实施例中，获取用户原始选择数据包括：累积预定时间段内的用户原始选择数据。

步骤S120，使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据。也就是，根据所述用户选择特征数据，可以使用用户分类模型来对用户进行分类，从而获得用户类型特征数据。这里，所述用户分类模型例如可以类似于互动视频的结局判断模型，或者可以类似于娱乐用的用户性格判断模型。

在用户分类模型中，可以预设多个用户类型，并通过用户分类来确定用户类型属于所述多个预设用户类型中的哪一个。这里，预设用户类型可以包括用户的年龄、地域、性别、喜好中的至少一个。并且，模型还可能给出用户类型与所属的预设用户类型之间的相似度。也就是，所述用户类型特征数据包括用户类型属于多个预设用户类型之一及所述用户类型与所属的预设用户类型之间的相似度。

步骤S130，使用所述用户类型特征数据确定个性化推荐结果。也就是，通过将上述用户类型特征数据输入个性化推荐决策模型，就可以确定给该用户的个性化推荐结果。这里，所述个性化推荐决策模型可以是个性推荐内容判断算法模型，也可以是其他个性化推荐算法模型。

另外，个性化推荐决策模型可能不仅使用如上所述的用户类型特征数据，还可以根据场景需要，使用额外的输入参数，并根据实际使用场景的不同进行个性化推荐。并且，推荐的内容包括但不限于游戏、互动剧、视频、广告等。

在根据本申请实施例的个性化推荐方法的第一示例中，所述用户分配模型和所述个性化推荐决策模型均设置在终端设备，例如如图1所示的终端设备T。这样，通过在终端设备本地进行用户类型和个性化推荐的推理运算，可以具有更高的实时性。

在这种情况下，所述用户分类模型和所述个性化推荐决策模型可以是预先安装在所述终端设备中的，也可以是从服务器端，例如如图1所示的服务器端S下发到终端设备中的。

也就是，在根据本申请实施例的个性化推荐方法中，使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据包括：获取从服务器下发的用户分类模型；以及，使用所述用户选择特征数据以所述用户分类模型获得所述用户类型特征数据。

并且，在根据本申请实施例的个性化推荐方法中，使用所述用户类型特征数据确定个性化推荐结果包括：获取从服务器下发的个性化推荐决策模型；以及，使用所述用户类型特征数据以所述个性化推荐决策模型确定个性化推荐结果。

并且，在获得所述个性化推荐结果之后，所述终端设备需要基于所述个性化推荐结果向服务器发送推荐内容请求，并从所述服务器的推荐内容资源库获取要推荐的内容，例如推荐的游戏、互动剧、视频、广告等。

然后，终端设备通过输出单元，例如显示屏、扬声器等向用户展示所述要推荐的内容。例如，终端设备可以预先设置推荐内容的推广位，作为推荐内容的展示位置，用于自动播放推荐的内容。

并且，终端设备可以进一步在展示所述要推荐的内容之后，获取用户对于所述要推荐的内容的操作，例如对于推荐的广告的点击操作，并基于所述操作优化所述下发的个性化推荐决策模型。

也就是，在本申请实施例中，通过将个性化推荐决策模型设置在终端设备一侧，除了减轻服务器端的压力以外，可以根据用户的实时行为来做出较快的响应，从而进一步改进算法模型，完善基于互动媒体内容的播放的智能化个性化推荐。

图3图示了根据本申请实施例的个性化推荐方法的第二示例的流程图。

如图3所示，根据本申请实施例的个性化推荐方法的第二示例应用于如上所述的服务器S，其包括如下步骤。

步骤S210，从终端获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；步骤S220，使用用户分类模型从所述用户选择特征数据获得用户类型特征数据；步骤S230，使用个性化推荐决策模型从所述用户类型特征数据获得个性化推荐结果；步骤S240，基于所述个性化推荐结果从推荐内容资源库获取要推荐的内容；以及，步骤S250，将所述要推荐的内容发送到所述终端。

也就是，在根据本申请实施例的个性化推荐方法的第二示例中，用户分类模型和个性化推荐决策模型设置在服务器端，例如如图1所示的服务器S一侧，从而使用从终端获取的用户选择数据来进行个性化推荐。

在一个示例中，在上述个性化推荐方法中，从终端获取用户选择特征数据包括：从终端获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、是否跳过选择的至少其中之一。

也就是，在根据本申请实施例的个性化推荐方法的第二示例中，可以直接从终端获取用户原始选择数据，然后在服务器端进行用户选择特征数据的提取。

并且，如上所述，可以实时地从终端获取用户原始选择数据，并在服务器端累积预定时间段内的从所述终端获取的所述用户原始选择数据。

因此，在一个示例中，在上述个性化推荐方法中，从终端获取用户原始选择数据包括：累积预定时间段内的从所述终端获取的所述用户原始选择数据。

并且，在根据本申请实施例的个性化推荐方法的第二示例中，可以基于所述用户分类模型和所述个性化推荐决策模型的至少一个优化用于用户选择的互动选项。这里，因为有目的的选项设计更容易生成判断结果，并且不是所有的选择与结果都可以用来对用户进行画像，所以为了对用户进行更准确的用户画像，需要优化互动选项选择的设计。例如，可以参考一些专业测评，比如心理测评、职业测评等，或者娱乐性质的测试选择，来对选项进行包装，使得更容易达到判定用户类型的目的。

并且，在优化互动选项之后，需要使用优化后的互动选项编辑互动脚本，并将将编辑好的互动脚本发送到终端。

此外，如果用户分类模型和个性化推荐决策模型设置在终端设备一侧，则也可以基于用户分类模型和个性化推荐决策模型在终端设备侧或者服务器侧优化互动选项，并基于优化后的互动选项来在服务器侧编辑互动脚本。

这里，本领域技术人员可以理解，根据本申请实施例的个性化推荐方法的第二示例的其它方面与如上在“示例性方法一”部分中描述的根据本申请实施例的个性化推荐方法的第一示例的相应部分完全相同，这里为了避免冗余便不再赘述。

示例性方法三

图4图示了根据本申请实施例的用于个性化推荐的用户交互方法的流程图。

如图4所示，根据本申请实施例的用于个性化推荐的用户交互方法包括：S310，接收用户对于互动媒体内容的互动选项的选择操作以获得用户原始选择数据；S320，从所述用户原始选择数据提取用户选择特征数据，所述用户选择特征数据表示用户对于所述互动选项的选择；S330，将所述用户选择特征数据发送到服务器；以及，S340，从所述服务器接收基于所述用户选择特征数据的个性化推荐结果。

如图1所示，终端设备T从用户U接收用户的选择操作，以从选择操作获得用户原始选择数据。这里，用户的选择操作可以以多种形式，例如手势、语音等，另外，用户的选择操作可以通过多种方式获取，比如传感器、相机等。

因此，在根据本申请实施例的用于个性化推荐的用户交互方法，其中，所述用户对于互动媒体内容的互动选项的选择操作包括所述用户通过手势、语音、传感器、相机中的至少一个做出的对于互动媒体内容的互动选项的选择操作。

在接收到所述用户的选择操作之后，可以按照如之前“示例性方法一”部分中描述的过程，提取用户选择特征数据，并将所述用户选择特征数据发送到服务器，由服务器使用用户分类模型和个性化推荐决策模型来生成个性化推荐结果。

图5图示了根据本申请实施例的个性化推荐方法的应用示例的示意性流程。

如图5所示，根据本申请实施例的个性化推荐方法应用于基于用户对互动视频的选择来向用户推荐推广内容。

首先，用户在互动视频的观看过程中会有各种不同形式的选择，可以触发不同的选择结果。接下来，通过累积单独的用户选择，获得足够的用户选择数据。例如，用户选择数据可以包括选择选项、选择消耗时间、是否跳过播放等数据。

之后，通过初步的筛选提取可以用于描述用户行为特征的用户特征原始数据，作为用户分类模型的输入参数。用户分类模型根据用户特征原始数据，通过预定的算法模型，判断出用户属于何种类型，并输出用户类型特征关键数据。用户类型特征关键数据用于描述用户类型及相似度，其可以由多个既定用户类型及其相似度组成。

接下来，用户类型特征关键数据作为个性推荐内容决策模型的输入参数，个性推荐内容决策模型根据用户类型特征关键数据判断给该用户的个性推荐内容。这里，个性推荐内容决策模型的输入参数不仅限于用户类型特征关键数据，还可以根据场景需要包括额外的运算参数。并且，个性推荐内容决策模型也可以根据实际使用场景的不同推荐内容。

这里，该个性推荐内容包括但不限于游戏、互动剧、视频、广告等。最后，进行推广位内容展示，即通过个性推荐内容的展示位置来自动播放推广内容。

这样，可以基于互动视频的分支选择来分析判断用户喜好，从而进行个性化推荐。

图6图示了根据本申请实施例的个性化推荐方法的应用示例的示意性系统架构。

如图6所示，在该系统架构内，在服务器端进行互动脚本下发以及推理算法模型下发，这里，推理算法模型可以包括用户分类模型和推荐内容决策模型。并且，在服务器端包括推广内容资源库，用于根据决策的推荐内容将所推荐的推广内容下发给客户端。另外，在服务器端还可以进行基础互动播放配置和用户资产上报。

另外，在客户端，进行用户选择数据采集，并基于用户选择数据使用用户分类模型和推荐内容决策模型决策推荐内容。并且，客户端基于服务器端下发的推广内容，进行推广内容展示。另外，在客户端还可以进行基础互动播放、基础互动播放上报和互动播放数据采集。

通过如上系统架构，可以在服务器端根据视频内容来进行互动视频的分支选项的引导设计，从而更易于判断用户类型。

并且，在客户端基于动态下发的决策模型进行推理实现，可以根据推荐内容的反馈信息，比如曝光点击数据进一步改进算法，完善基于互动播放的智能化个性化推荐。

图7图示了根据本申请实施例的个性化推荐装置的第一示例的框图。

如图7所示，根据本申请实施例的第一示例的个性化推荐装置400包括：数据获取单元410，用于获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；用户分类单元420，用于使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据；以及，个性化推荐单元430，用于使用所述用户类型特征数据确定个性化推荐结果。

在一个示例中，在上述个性化推荐装置400中，所述数据获取单元410用于：获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、选择时间、当前时间、是否跳过选择的至少其中之一。

在一个示例中，在上述个性化推荐装置400中，所述数据获取单元410获取用户原始选择数据包括：累积预定时间段内的用户原始选择数据。

在一个示例中，在上述个性化推荐装置400中，用户类型特征数据包括用户类型属于多个预设用户类型之一及所述用户类型与所属的预设用户类型之间的相似度。

在一个示例中，在上述个性化推荐装置400中，所述预设用户类型包括用户的年龄、地域、性别、喜好中的至少一个。

在一个示例中，在上述个性化推荐装置400中，所述用户分类单元420用于：获取从服务器下发的用户分类模型；以及，使用所述用户选择特征数据以所述用户分类模型获得所述用户类型特征数据。

在一个示例中，在上述个性化推荐装置400中，所述个性化推荐单元430用于：获取从服务器下发的个性化推荐决策模型；以及，使用所述用户类型特征数据以所述个性化推荐决策模型确定所述个性化推荐结果。

在一个示例中，在上述个性化推荐装置400中，进一步包括：内容请求单元，用于基于所述个性化推荐结果向服务器发送推荐内容请求；内容获取单元，用于从所述服务器的推荐内容资源库获取要推荐的内容；以及，内容展示单元，用于展示所述要推荐的内容。

在一个示例中，在上述个性化推荐装置400中，所述要推荐的内容包括向用户推荐的广告。

在一个示例中，在上述个性化推荐装置400中，进一步包括：操作接收单元，用于获取用户对于所述要推荐的内容的操作；以及，模型优化单元，用于基于所述操作优化所述下发的个性化推荐决策模型。

这里，本领域技术人员可以理解，上述个性化推荐装置400中的各个单元和模块的具体功能和操作已经在上面参考图2的个性化推荐方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的个性化推荐装置400可以实现在各种终端设备中，例如用户的智能手机等。在一个示例中，根据本申请实施例的个性化推荐装置400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该个性化推荐装置400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该个性化推荐装置400同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该个性化推荐装置400与该终端设备也可以是分立的设备，并且该个性化推荐装置400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图8图示了根据本申请实施例的个性化推荐装置的第二示例的框图。

如图8所示，根据本申请实施例的第二示例的个性化推荐装置500包括：终端接收单元510，用于从终端获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；感知模型单元520，用于使用用户分类模型从所述用户选择特征数据获得用户类型特征数据；推荐模型单元530，用于使用个性化推荐决策模型从所述用户类型特征数据确定个性化推荐结果；内容检索单元540，用于基于所述个性化推荐结果从推荐内容资源库获取要推荐的内容；以及，内容发送单元550，用于将所述要推荐的内容发送到所述终端。

在一个示例中，在上述个性化推荐装置500中，所述终端接收单元510用于：从终端获取用户原始选择数据；以及，从所述用户原始选择数据提取所述用户选择特征数据，所述用户选择特征数据包括选择选项、选择速度、选择时间、当前时间、是否跳过选择的至少其中之一。

在一个示例中，在上述个性化推荐装置500中，所述终端接收单元510从终端获取用户原始选择数据包括：累积预定时间段内的从所述终端获取的所述用户原始选择数据。

在一个示例中，在上述个性化推荐装置500中，进一步包括：选项优化单元，用于基于所述用户分类模型和所述个性化推荐决策模型的至少一个优化互动选项；脚本编辑单元，用于使用优化后的互动选项编辑互动脚本；以及，脚本发送单元，用于将编辑好的互动脚本发送到所述终端。

这里，本领域技术人员可以理解，上述个性化推荐装置500中的各个单元和模块的具体功能和操作已经在上面参考图3的个性化推荐方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的个性化推荐装置500可以实现在各种服务器设备中，例如视频服务提供商的服务器等。在一个示例中，根据本申请实施例的个性化推荐装置500可以作为一个软件模块和/或硬件模块而集成到服务器设备中。例如，该个性化推荐装置500可以是该服务器设备的操作系统中的一个软件模块，或者可以是针对于该服务器设备所开发的一个应用程序；当然，该个性化推荐装置500同样可以是该服务器设备的众多硬件模块之一。

替换地，在另一示例中，该个性化推荐装置500与该服务器设备也可以是分立的设备，并且该个性化推荐装置500可以通过有线和/或无线网络连接到该服务器设备，并且按照约定的数据格式来传输交互信息。

示例性装置三

图9图示了根据本申请实施例的用于个性化推荐的用户交互装置的框图。

如图9所示，根据本申请实施例的用于个性化推荐的用户交互装置600包括：操作接收单元610，用于接收用户对于互动媒体内容的互动选项的选择操作以获得用户原始选择数据；特征提取单元620，用于从所述用户原始选择数据提取用户选择特征数据，所述用户选择特征数据表示用户对于所述互动选项的选择；特征发送单元630，用于将所述用户选择特征数据发送到服务器；以及，推荐接收单元640，用于从所述服务器接收基于所述用户选择特征数据的个性化推荐结果。

在一个示例中，在上述用于个性化推荐的用户交互装置600中，所述用户对于互动媒体内容的互动选项的选择操作包括所述用户通过手势、语音、传感器、相机中的至少一个做出的对于互动媒体内容的互动选项的选择操作。

这里，本领域技术人员可以理解，上述用于个性化推荐的用户交互装置600中的各个单元和模块的具体功能和操作已经在上面参考图4的用于个性化推荐的用户交互方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于个性化推荐的用户交互装置600可以实现在各种终端设备中，例如用户的智能手机等。在一个示例中，根据本申请实施例的用于个性化推荐的用户交互装置600可以作为一个软件模块和/或硬件模块而集成到服务器设备中。例如，该用于个性化推荐的用户交互装置600可以是该服务器设备的操作系统中的一个软件模块，或者可以是针对于该服务器设备所开发的一个应用程序；当然，该用于个性化推荐的用户交互装置600同样可以是该服务器设备的众多硬件模块之一。

替换地，在另一示例中，该用于个性化推荐的用户交互装置600与该服务器设备也可以是分立的设备，并且该用于个性化推荐的用户交互装置600可以通过有线和/或无线网络连接到该服务器设备，并且按照约定的数据格式来传输交互信息。

下面，参考图10来描述根据本申请实施例的电子设备。

图10图示了根据本申请实施例的电子设备的框图。

如图10所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的个性化推荐方法和用于个性化推荐的用户交互方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如用户分类模型、个性化推荐决策模型等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括个性化推荐结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图10中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的个性化推荐方法和用于个性化推荐的用户交互方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在第一用户计算设备上执行、部分地在第一用户设备上执行、作为一个独立的软件包执行、部分在第一用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的个性化推荐方法和用于个性化推荐的用户交互方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。