Content recommendation based on user interest

Abstract

The present disclosure proposes a method, apparatus and computer program product for content recommendation for a target application. A topic description corresponding to a topic associated with an information set may be generated, the information set being one of a plurality of information sets of the target application. An information set embedding of the information set may be generated based on the topic description. A set of historical items of a target user may be obtained. A user embedding of the target user may be generated based on the set of historical items. A similarity score between the information set embedding and the user embedding may be calculated. The information set may be loaded in a user interface of the target application based at least on the similarity score.

Description

CONTENT RECOMMENDATION BASED ON USER INTERESTBACKGROUND

[0001] With the development of network technology and the growth of network information, recommendation systems are playing an increasingly important role in many online services. These recommendation systems can usually perform personalized recommendations for target users. Herein, a target user refers to a user for whom content recommendation is performed. For example, a recommendation system can capture user interests of a target user, predict content that the target user is interested in based on the user interests, and recommend the content to the target user.SUMMARY

[0002] This Summary is provided to introduce a selection of concepts that are further described below in the Detailed Description. It is not intended to identify key features or essential features of the claimed subject matter, nor is it intended to be used to limit the scope of the claimed subject matter.

[0003] Embodiments of the present disclosure propose a method, apparatus and computer-readable medium for content recommendation for a target application. A topic description corresponding to a topic associated with an information set may be generated, the information set being one of a plurality of information sets of the target application. An information set embedding of the information set may be generated based on the topic description. A set of historical items of a target user may be obtained. A user embedding of the target user may be generated based on the set of historical items. A similarity score between the information set embedding and the user embedding may be calculated. The information set may be loaded in a user interface of the target application based at least on the similarity score.

[0004] It should be noted that the above one or more aspects comprise the features hereinafter fully described and particularly pointed out in the claims. The following description and the drawings set forth in detail certain illustrative features of the one or more aspects. These features are only indicative of the various ways in which the principles of various aspects may be employed, and this disclosure is intended to include all such aspects and their equivalents.BRIEF DESCRIPTION OF THE DRAWINGS

[0005] The disclosed aspects will hereinafter be described in connection with the appended drawings that are provided to illustrate and not to limit the disclosed aspects.

[0006] FIG. 1 illustrates an exemplary user interface of a target application according to an embodiment of the present disclosure.

[0007] FIG. 2 illustrates an exemplary process for content recommendation for a target application according to an embodiment of the present disclosure.

[0008] FIG. 3 illustrates an exemplary process for generating a topic description corresponding to a topic according to an embodiment of the present disclosure.

[0009] FIG. 4 illustrates an exemplary process for generating a user embedding of a target user according to an embodiment of the present disclosure.

[0010] FIG. 5A illustrates an exemplary process for loading an information set in a user interface of a target application according to an embodiment of the present disclosure.

[0011] FIG. 5B illustrates another exemplary process for loading an information set in a user interface of a target application according to an embodiment of the present disclosure.

[0012] FIG. 6 is a flowchart of an exemplary method for content recommendation for a target application according to an embodiment of the present disclosure.

[0013] FIG. 7 illustrates an exemplary apparatus for content recommendation for a target application according to an embodiment of the present disclosure.

[0014] FIG. 8 illustrates another exemplary apparatus for content recommendation for a target application according to an embodiment of the present disclosure.DETAILED DESCRIPTION

[0015] The present disclosure will now be discussed with reference to several example implementations. It is to be understood that these implementations are discussed only for enabling those skilled in the art to better understand and thus implement the embodiments of the present disclosure, rather than suggesting any limitations on the scope of the present disclosure.

[0016] Content to be recommended may be associated with different topics, such as sports, finance, entertainment, weather, etc. Content with different topics can be organized into different information sets. Herein, an information set refers to a  collection of information with a predetermined topic. For example, there are sports information set, finance information set, entertainment information set, weather information set, etc. In addition, a plurality pieces of current important news may be organized into an information set with a topic of TopStories. Also, a single pieces of news may be organized into an information set with a topic of news. Preferably, such news may be personalized news for a target user. These information sets can be presented in a predefined structure in a user interface of a target application. Herein, a target application refers to an application through which recommended content is presented to users. Depending on an application to which it belongs or its structure, an information set may also be referred to as a card, a widget, a tab, etc. Users can browse these information sets to learn about information of related topics, and click on a certain information set to access richer content corresponding to the information set. The plurality of information sets may be presented in a certain layout in the user interface of the target application. It is desirable to place information sets that the target user is more interested in at a more prominent position in the user interface.

[0017] Embodiments of the present disclosure propose content recommendation based on user interest. Content to be recommended may be a plurality of information sets of a target application. Different information sets may be associated with different topics. For each information set, a topic description corresponding to a topic associated with the information set may be generated. The topic description corresponding to the topic may include a set of content categories under the topic. As an example, a topic description corresponding to a topic “finance” may be “investment advice, stock market trends, personal finance, economic indicators” . The topic description may be generated through a deep learning model, such as a large language model (LLM) . The LLM may be a deep learning model trained with a large amount of training data that can understand the meaning of natural language, generate natural language texts, or perform other natural language tasks. An information set embedding of the information set may be generated based on the topic description. A similarity score between the information set embedding and a user embedding of a target user may be calculated. The information set may then be loaded in a user interface of the target application based at least on the similarity score. In the above process, the topic of the information set is expanded as the topic description which includes a set of content categories under the topic. This approach transforms scattered information about the information set into a  semantically coherent text description and expands the semantic information of the information set, which facilitates to enable better identification of information sets that match user interests of the target user and improve the diversity of the content recommendation.

[0018] The user embedding of the target user may be generated based on a set of historical items clicked by the target user. The set of historical items may be items that the target user has clicked on in the target application or applications other than the target application. These items may be, e.g., news from news websites, product information from shopping websites, books from e-book readers, etc. A set of item embeddings corresponding to the set of historical items may be generated. For each historical item, the click number by the target user on the historical item may be obtained. The user embedding may be generated based on the set of item embeddings and a set of click numbers corresponding to the set of historical items. For example, the click number for a historical item may be considered as a weighting coefficient for an item embedding of the historical item, and the set of item embeddings may be weighted and summed to generate the user embedding. Using the historical items of the target user from various applications to generate the user embedding of the target user can mitigate the cold-start issue in content recommendation. Furthermore, the click number by the target user on an historical item can reflect the level of interest of the target user in the historical item. Considering the click number for the historical item as a weighting coefficient when generating the user embedding of the target user can facilitate the generated user embedding to more accurately indicate the points of interest of the target user.

[0019] The similarity score between the information set embedding and the user embedding of the target user may be calculated. The information set may then be loaded in the user interface of the target application based at least on the similarity score. The information set may be loaded in the user interface through several implementations. In an implementation, a comprehensive score of the information set may be calculated based on a click-through rate (CTR) score and the similarity score of the information set. A ranking of the information set among the plurality of information sets of the target application may be determined based on the comprehensive score. The information set may then be loaded in the user interface based on the ranking. In another implementation, an initial ranking of the information set among the plurality of  information sets may be determined based on the CTR score of the information set. Next, if the similarity score of the information set is greater than a score threshold, a ranking of the information set may be boosted from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking. The information set may then be loaded in the user interface based on the predetermined ranking. The similarity score between the information set embedding of the information set and the user embedding of the target user can indicate the degree of matching between the information set and user interests of the target user. The embodiments of the present disclosure propose to rank the information sets directly based on their similarity scores. The greater the similarity score of the information set is, the more likely it is to be ranked high. In this way, an information set that is more relevant to the user interests of the target user can be placed at a more prominent position in the user interface, making it easier for the target user to access.

[0020] Various embodiments of the present disclosure will hereinafter be described in connection with the appended drawings.

[0021] FIG. 1 illustrates an exemplary user interface 100 of a target application according to an embodiment of the present disclosure.

[0022] The target application has a plurality of information sets. Each information set may be associated with a predetermined topic, and have a predetermined structure. For example, in the user interface 100, a weather information set 102, a traffic information set 104, a finance information set 106, a TopStories information set 108, and news information sets 110 and 112 are illustrated.

[0023] The weather information set 102 includes weather information of a specified city. The specified city may be a city where a target user resides. The traffic information set 104 includes road condition information for a specified road. The specified road may be a road specified by the target user, or a road that the target user frequently drives on.The finance information set 106 include change trends of a stock specified by the target user. The TopStories information set 108 includes a plurality pieces of current important news. The news information sets 110 and 112 each include a piece of news, which may be personalized news for the target user.

[0024] It should be appreciated that the user interface 100 illustrated in FIG. 1 is merely an example of the user interface of the target application. Depending on actual application requirements, the target application may comprise more or fewer  information sets, and may have any other layout.

[0025] FIG. 2 illustrates an exemplary process 200 for content recommendation for a target application according to an embodiment of the present disclosure.

[0026] At 202, a topic description corresponding to a topic associated with an information set may be generated. The information set is one of a plurality of information sets of a target application. The topic description may be generated through a deep learning model, such as a LLM. The LLM may generate the topic description of the information set by using its general knowledge about the information set, logical reasoning ability and language expression ability. The topic description may include a set of content categories under the topic. An exemplary process for generating the topic description will be described later in conjunction with FIG. 3.

[0027] At 204, an information set embedding of the information set may be generated based on the topic description. The information set embedding may be generated through a LLM. For example, a prompt may be created through aggregating the set of content categories under the topic. The prompt may be input into a LLM. The information set embedding may be generated based on the prompt through the LLM.

[0028] At 206, a set of historical items of a target user may be obtained. The set of historical items may be items that the target user has clicked on in the target application or applications other than the target application. These items may be, e.g., news from news websites, product information from shopping websites, books from e-book readers, etc.

[0029] At 208, a user embedding of the target user may be generated based on the set of historical items. For example, a set of item embeddings corresponding to the set of historical items may be generated through a LLM. For each historical item, the click number by the target user on the historical item may be obtained. The user embedding may be generated based on the set of item embeddings and a set of click numbers corresponding to the set of historical items. An exemplary process for generating the user embedding will be described later in conjunction with FIG. 4.

[0030] At 210, a similarity score between the information set embedding and the user embedding may be calculated. Since both the information set embedding and the user embedding are generated through the LLM, the information set embedding and the user embedding are in the same vector space. As an example, the similarity score between the information set embedding and the user embedding may be calculated  using the following equation: similarity score = user_embedding . *information set_embedding  (1)

[0031] where . *denotes an inner product operation. It should be appreciated that the above equation is merely exemplary. The similarity score between the information set embedding and the user embedding may also be calculated using other equation.

[0032] At 212, the information set may be loaded in a user interface of the target application based at least on the similarity score. The embodiments of the present disclosure propose several implementations for loading the information set. Exemplary processes for loading the information set based on the similarity score will be described later in conjunction with FIG. 5A and FIG. 5B. The information set may be loaded in the user interface in a predefined structure corresponding to the topic associated with the information set. Referring to FIG. 1, the weather information set 102 and the traffic information set 104 are presented with different structures. The structure of the weather information set 102 corresponds to the topic of weather information set 102, i.e., weather. The structure of the traffic information set 104 corresponds to the topic of the traffic information set 104, i.e., traffic.

[0033] It should be appreciated that the process 200 in FIG. 2 is merely an example of the process for content recommendation for the target application. Depending on actual application requirements, the steps in the process for content recommendation may be replaced or modified in any manner, and the process may comprise more or fewer steps. In addition, the specific order or hierarchy of the steps in the process 200 is merely exemplary, and the process for content recommendation may be performed in an order different from the described order.

[0034] FIG. 3 illustrates an exemplary process 300 for generating a topic description corresponding to a topic according to an embodiment of the present disclosure. The process 300 may correspond to the step 202 in FIG. 2.

[0035] The process 300 may be performed on an information set 302. The information set 302 may be any of a plurality of information sets of a target application. The information set 302 has an associated topic 304, e.g., sports, finance, weather, news, TopStories, etc.

[0036] A prompt template 306 corresponding to the topic 304 may be obtained. The prompt template 306 may be created manually. Preferably, topics of information sets may be divided into different categories, and different prompt templates may be created  for different categories. An example of the prompt template may be “Assuming that you are an expert in the field of ‘Widget Topic’ , please provide the most popular ‘Widget Topic’ globally and the ‘Widget Topic’ that users commonly enjoy in their daily lives. ” In this template, “Widget Topic” may be a placeholder which may be replaced with the specific topic.

[0037] Next, a prompt 312 may be created based on the topic 304 and the prompt template 306 through a prompt creation module 310. For example, the prompt 312 may be created through replacing the placeholder in the prompt template 306 with the topic 304.

[0038] Subsequently, a topic description 322 may be generated based on the prompt 312 through a LLM 320. The LLM 320 may generate the topic description 322 by using its general knowledge about the information set, logical reasoning ability and language expression ability. The topic description 322 may include a set of content categories under the topic 304. As an example, a topic description corresponding to a topic “finance” may be “investment advice, stock market trends, personal finance, economic indicators” . As another example, a topic description corresponding to a topic “traffic” may be “local transportation news, road safety tips, public transit updates” . As yet another example, a topic description corresponding to a topic “TopStories” may be “important current news, social dynamics, economic development, global perspective” .

[0039] In the process 300, the topic 304 of the information set 302 is expanded as the topic description 322 which includes a set of content categories under the topic 304. This approach transforms scattered information about the information set into a semantically coherent text description and expands the semantic information of the information set, which facilitates to enable better identification of information sets that match user interests of the target user and improve the diversity of the content recommendation.

[0040] It should be appreciated that the process 300 in FIG. 3 is merely an example of the process for generating the topic description corresponding to the topic. Depending on actual application requirements, the steps in the process for generating the topic description may be replaced or modified in any manner, and the process may comprise more or fewer steps.

[0041] FIG. 4 illustrates an exemplary process 400 for generating a user embedding of a target user according to an embodiment of the present disclosure. The process 400  may correspond to the step 208 in FIG. 2.

[0042] A set of historical items 402 may be items previously clicked by a target user in a target application or applications other than the target application. These items may be, e.g., news from news websites, product information from shopping websites, books from e-book readers, etc. The set of historical items 402 include a historical item 402-1, a historical item 402-2, …, a historical item 402-M, wherein M is the number of historical items in the set of historical items 402.

[0043] A set of item embeddings 412 corresponding to the set of historical items 402 may be generated through a LLM 410. The set of item embeddings 412 include an item embedding 412-1, an item embedding 412-2, …, an item embedding 412-M. For each historical item 402-m (1≤m≤M) in the set of historical items 402, an item embedding 412-m of the historical item 402-m may be an Ada embedding which is generated based on a title, a body, etc. of the historical item 402-m.

[0044] For each historical item 402-m in the set of historical items 402, the click number 404-m by the target user on the historical item 402-m may be obtained. The click number may be obtained from, e.g., a log for the target. A set of click numbers 404 corresponding to the set of historical items 402 may be obtained, including a click number 404-1, a click number 404-2, …, a click number 404-M.

[0045] Subsequently, a user embedding 422 may be generated based on the set of item embeddings 412 and the set of click numbers 404 through an aggregation module 420. For example, the click number 404-m for the historical item 402-m may be considered as a weighting coefficient for the item embedding 412-m of the historical item 402-m, and the set of item embeddings 412 may be weighted and summed to generate the user embedding 422. The user embedding 422 may be generated using the following equation: user_embedding = SUM (click_number m *item_embedding m)  (2)

[0046] It should be appreciated that the above equation is merely exemplary. The user embedding may also be generated through other aggregation operations.

[0047] In the process 400, the historical items of the target user from various applications are used to generate the user embedding of the target user, which can mitigate the cold-start issue in content recommendation. Furthermore, the click number by the target user on an historical item can reflect the level of interest of the target user in the historical item. Considering the click number for the historical item as a  weighting coefficient when generating the user embedding of the target user can facilitate the generated user embedding to more accurately indicate the points of interest of the target user.

[0048] It should be appreciated that the process 400 in FIG. 4 is merely an example of the process for generating the user embedding of the target user. Depending on actual application requirements, the steps in the process for generating the user embedding may be replaced or modified in any manner, and the process may comprise more or fewer steps. For example, in the process 400, the item embedding is generated through the LLM, the embodiments of the present disclosure are not limited thereto. Depending on actual application requirements, the item embedding may be generated through other models. In addition, the specific order or hierarchy of the steps in the process 400 is merely exemplary, and the process for generating the user embedding may be performed in an order different from the described order.

[0049] FIG. 5A illustrates an exemplary process 500a for loading an information set in a user interface of a target application according to an embodiment of the present disclosure. The process 500a may correspond to an implementation of the step 212 in FIG. 2.

[0050] At 502, a CTR score of an information set of a target application may be calculated through a CTR prediction model. The CTR prediction model may be a decision tree-based machine learning model, which is trained by using a set of training samples, each of which includes an information set and a label indicating whether the information set has been clicked.

[0051] At 504, a comprehensive score of the information set may be calculated based on the CTR score and a similarity score of the information set. The similarity score is a score calculated based on an information set embedding of the information set and a user embedding of a target user, as described above. For example, the comprehensive score may be calculated using the following equation: comprehensive score =α *CTR score + β *similarity score  (3)

[0052] where α and β are coefficients for the CTR score and the similarity score, respectively. It should be appreciated that the above equation is merely exemplary. The comprehensive score may also be calculated using other equation.

[0053] At 506, a ranking of the information set among a plurality of information sets of the target application may be determined based on the comprehensive score. For  example, the steps 502 and 504 may be performed for each information set in the plurality of information sets, to obtain a plurality of comprehensive scores corresponding to the plurality of information sets. Subsequently, the plurality of information sets may be ranked based on the plurality of comprehensive scores. Accordingly, the ranking of each information set may be determined.

[0054] At 508, the information set may be loaded in the user interface of the target application based on the ranking of the information set.

[0055] FIG. 5B illustrates another exemplary process 500b for loading an information set in a user interface of a target application according to an embodiment of the present disclosure. The process 500b may correspond to another implementation of the step 212 in FIG. 2.

[0056] At 552, a CTR score of an information set of a target application may be calculated through a CTR prediction model. The CTR prediction model may be a decision tree-based machine learning model, which is trained by using a set of training samples, each of which includes an information set and a label indicating whether the information set has been clicked.

[0057] At 554, an initial ranking of the information set among a plurality of information sets of the target application may be determined based on the CTR score. For example, the step 552 may be performed for each information set in the plurality of information sets, to obtain a plurality of CTR scores corresponding to the plurality of information sets. Subsequently, the plurality of information sets may be ranked based on the plurality of CTR scores. Accordingly, the initial ranking of each information set may be determined.

[0058] At 556, it may be determined whether a similarity score of the information set is greater than a score threshold. The similarity score is a score calculated based on an information set embedding of the information set and a user embedding of a target user, as described above.

[0059] If it is determined that the similarity score is greater than the score threshold, the process 500b may proceed to a step 558. At 558, a ranking of the information set may be boosted from the initial ranking to a predetermined ranking. The predetermined ranking is higher than the initial ranking. For example, based on the system design, a ranking of a weather information set may be always the first place. In this case, the predetermined ranking of the information set with the similarity score greater than the  score threshold may be boosted to the second place. At 560, the information set may be loaded in the user interface based on the predetermined ranking.

[0060] If it is determined that the similarity score is not greater than the score threshold, the process 500b may proceed to a step 562. At 562, the initial ranking of the information set may be maintained. At 564, the information set may be loaded in the user interface based on the initial ranking.

[0061] The similarity score between the information set embedding of the information set and the user embedding of the target user can indicate the degree of matching between the information set and user interests of the target user. In the process 500a and the process 500b, the information sets are ranked directly based on their similarity scores. The greater the similarity score of the information set is, the more likely it is to be ranked high. In this way, an information set that is more relevant to the user interests of the target user can be placed at a more prominent position in the user interface, making it easier for the target user to access.

[0062] It should be appreciated that the process 500a and the process 500b in FIG. 5A and FIG. 5B are merely examples of the process for loading the information set in the user interface of the target application. Depending on actual application requirements, the steps in the process for loading the information set may be replaced or modified in any manner, and the process may comprise more or fewer steps. In addition, the specific order or hierarchy of the steps in the process 500a or the process 500b is merely exemplary, and the process for loading the information set may be performed in an order different from the described order.

[0063] FIG. 6 is a flowchart of an exemplary method 600 for content recommendation for a target application according to an embodiment of the present disclosure.

[0064] At 610, a topic description corresponding to a topic associated with an information set may be generated, the information set being one of a plurality of information sets of the target application.

[0065] At 620, an information set embedding of the information set may be generated based on the topic description.

[0066] At 630, a set of historical items of a target user may be obtained.

[0067] At 640, a user embedding of the target user may be generated based on the set of historical items.

[0068] At 650, a similarity score between the information set embedding and the user embedding may be calculated.

[0069] At 660, the information set may be loaded in a user interface of the target application based at least on the similarity score.

[0070] In an implementation, the generating a topic description corresponding to a topic associated with an information set may comprise: obtaining a prompt template corresponding to the topic; creating a prompt based on the topic and the prompt template; and generating the topic description based on the prompt through a LLM.

[0071] In an implementation, the topic description may include a set of content categories under the topic.

[0072] The generating an information set embedding of the information set based on the topic description may comprise: creating a prompt through aggregating the set of content categories; and generating the information set embedding based on the prompt through a LLM.

[0073] In an implementation, the set of historical items may be items previously clicked by a target user. The generating a user embedding of the target user based on the set of historical items may comprise: generating a set of item embeddings corresponding to the set of historical items; for each historical item in the set of historical items, obtaining the click number by the target user on the historical item, to obtain a set of click numbers corresponding to the set of historical items; and generating the user embedding based on the set of item embeddings and the set of click numbers.

[0074] In an implementation, the loading the information set in a user interface of the target application based at least on the similarity score may comprise: calculating a CTR score of the information set through a CTR prediction model; calculating a comprehensive score of the information set based on the CTR score and the similarity score; determining a ranking of the information set among the plurality of information sets based on the comprehensive score; and loading the information set in the user interface based on the ranking.

[0075] In an implementation, the loading the information set in a user interface of the target application based at least on the similarity score may comprise: calculating a CTR score of the information set through a CTR prediction model; determining an initial ranking of the information set among the plurality of information sets based on the CTR score; determining whether the similarity score is greater than a score  threshold; in response to determining that the similarity score is greater than the score threshold, boosting a ranking of the information set from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking; and loading the information set in the user interface based on the predetermined ranking.

[0076] In an implementation, the information set may be loaded in the user interface in a predefined structure corresponding to the topic associated with the information set.

[0077] It should be appreciated that the method 600 may further comprise any other steps / processes for content recommendation for a target application according to the embodiments of the present disclosure as mentioned above.

[0078] FIG. 7 illustrates an exemplary apparatus 700 for content recommendation for a target application according to an embodiment of the present disclosure.

[0079] The apparatus 700 may comprise: a topic description generating module 710, for generating a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application; an information set embedding generating module 720, for generating an information set embedding of the information set based on the topic description; historical item obtaining module 730, for obtaining a set of historical items of a target user; a user embedding generating module 740, for generating a user embedding of the target user based on the set of historical items; a similarity score calculating module 750, for calculating a similarity score between the information set embedding and the user embedding; and an information set loading module 760, for loading the information set in a user interface of the target application based at least on the similarity score. Furthermore, the apparatus 700 may further comprise any other modules configured for content recommendation for a target application according to the embodiments of the present disclosure as mentioned above.

[0080] FIG. 8 illustrates another exemplary apparatus 800 for content recommendation for a target application according to an embodiment of the present disclosure.

[0081] The apparatus 800 may comprise: a processor 810; and a memory 820 storing computer-executable instructions. The computer-executable instructions, when executed, may cause the processor 810 to: generate a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application, generate an information set embedding of  the information set based on the topic description, obtain a set of historical items of a target user, generate a user embedding of the target user based on the set of historical items, calculate a similarity score between the information set embedding and the user embedding, and load the information set in a user interface of the target application based at least on the similarity score.

[0082] In an implementation, the generating a topic description corresponding to a topic associated with an information set may comprise: obtaining a prompt template corresponding to the topic; creating a prompt based on the topic and the prompt template; and generating the topic description based on the prompt through a LLM.

[0083] In an implementation, the topic description may include a set of content categories under the topic.

[0084] The generating an information set embedding of the information set based on the topic description may comprise: creating a prompt through aggregating the set of content categories; and generating the information set embedding based on the prompt through a LLM.

[0085] In an implementation, the set of historical items may be item previously clicked by a target user. The generating a user embedding of the target user based on the set of historical items may comprise: generating a set of item embeddings corresponding to the set of historical items; for each historical item in the set of historical items, obtaining the click number by the target user on the historical item, to obtain a set of click numbers corresponding to the set of historical items; and generating the user embedding based on the set of item embeddings and the set of click numbers.

[0086] In an implementation, the loading the information set in a user interface of the target application based at least on the similarity score may comprise: calculating a CTR score of the information set through a CTR prediction model; calculating a comprehensive score of the information set based on the CTR score and the similarity score; determining a ranking of the information set among the plurality of information sets based on the comprehensive score; and loading the information set in the user interface based on the ranking.

[0087] In an implementation, the loading the information set in a user interface of the target application based at least on the similarity score may comprise: calculating a CTR score of the information set through a CTR prediction model; determining an initial ranking of the information set among the plurality of information sets based on  the CTR score; determining whether the similarity score is greater than a score threshold; in response to determining that the similarity score is greater than the score threshold, boosting a ranking of the information set from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking; and loading the information set in the user interface based on the predetermined ranking.

[0088] In an implementation, the information set may be loaded in the user interface in a predefined structure corresponding to the topic associated with the information set.

[0089] It should be appreciated that the processor 910 may further perform any other steps / processes of the method for content recommendation for a target application according to the embodiments of the present disclosure as mentioned above.

[0090] The embodiments of the present disclosure propose a computer program product for content recommendation for a target application, comprising a computer program that is executed by a processor for: generate a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application; generate an information set embedding of the information set based on the topic description; obtain a set of historical items of a target user; generate a user embedding of the target user based on the set of historical items; calculate a similarity score between the information set embedding and the user embedding; and load the information set in a user interface of the target application based at least on the similarity score. Furthermore, the computer program may be further executed for implementing any other steps / processes of the method for content recommendation for a target application according to the embodiments of the present disclosure as mentioned above.

[0091] The embodiments of the present disclosure may be embodied in a computer-readable medium. The computer-readable medium may comprise instructions that, when executed, cause a processor to perform any operations of the method for content recommendation for a target application according to the embodiments of the present disclosure as mentioned above.

[0092] It should be appreciated that all the operations in the methods described above are merely exemplary, and the present disclosure is not limited to any operations in the methods or sequence orders of these operations, and should cover all other equivalents under the same or similar concepts. In addition, the articles “a” and “an” as used in this specification and the appended claims should generally be construed to  mean “one” or “one or more” unless specified otherwise or clear from the context to be directed to a singular form.

[0093] It should also be appreciated that all the modules in the apparatuses described above may be implemented in various approaches. These modules may be implemented as hardware, software, or a combination thereof. Moreover, any of these modules may be further functionally divided into sub-modules or combined together.

[0094] Processors have been described in connection with various apparatuses and methods. These processors may be implemented using electronic hardware, computer software, or any combination thereof. Whether such processors are implemented as hardware or software will depend upon the particular application and overall design constraints imposed on the system. By way of example, a processor, any portion of a processor, or any combination of processors presented in the present disclosure may be implemented with a microprocessor, microcontroller, digital signal processor (DSP) , a field-programmable gate array (FPGA) , a programmable logic device (PLD) , a state machine, gated logic, discrete hardware circuits, and other suitable processing components configured for performing the various functions described throughout the present disclosure. The functionality of a processor, any portion of a processor, or any combination of processors presented in the present disclosure may be implemented with software being executed by a microprocessor, microcontroller, DSP, or other suitable platform.

[0095] Software shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, threads of execution, procedures, functions, etc. The software may reside on a computer-readable medium. A computer-readable medium may include, by way of example, memory such as a magnetic storage device (e.g., hard disk, floppy disk, magnetic strip) , an optical disk, a smart card, a flash memory device, random access memory (RAM) , read only memory (ROM) , programmable ROM (PROM) , erasable PROM (EPROM) , electrically erasable PROM (EEPROM) , a register, or a removable disk. Although memory is shown separate from the processors in the various aspects presented throughout the present disclosure, the memory may be internal to the processors, e.g., cache or register.

[0096] The previous description is provided to enable any person skilled in the art  to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not intended to be limited to the aspects shown herein. All structural and functional equivalents to the elements of the various aspects described throughout the present disclosure that are known or later come to be known to those of ordinary skilled in the art are expressly incorporated herein and intended to be encompassed by the claims.

Claims

1.A method for content recommendation for a target application, comprising:generating a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application;generating an information set embedding of the information set based on the topic description;obtaining a set of historical items of a target user;generating a user embedding of the target user based on the set of historical items;calculating a similarity score between the information set embedding and the user embedding; andloading the information set in a user interface of the target application based at least on the similarity score.2.The method of claim 1, wherein the generating a topic description corresponding to a topic associated with an information set comprises:obtaining a prompt template corresponding to the topic;creating a prompt based on the topic and the prompt template; andgenerating the topic description based on the prompt through a large language model (LLM) .3.The method of claim 1, wherein the topic description includes a set of content categories under the topic.4.The method of claim 3, wherein the generating an information set embedding of the information set based on the topic description comprises:creating a prompt through aggregating the set of content categories; andgenerating the information set embedding based on the prompt through a LLM.5.The method of claim 1, wherein the set of historical items are items previously clicked by a target user, and the generating a user embedding of the target user based on the set of historical items comprises:generating a set of item embeddings corresponding to the set of historical items;for each historical item in the set of historical items, obtaining the click number by the target user on the historical item, to obtain a set of click numbers corresponding to the set of historical items; andgenerating the user embedding based on the set of item embeddings and the set of click numbers.6.The method of claim 1, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a click-through rate (CTR) score of the information set through a CTR prediction model;calculating a comprehensive score of the information set based on the CTR score and the similarity score;determining a ranking of the information set among the plurality of information sets based on the comprehensive score; andloading the information set in the user interface based on the ranking.7.The method of claim 1, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a CTR score of the information set through a CTR prediction model;determining an initial ranking of the information set among the plurality of information sets based on the CTR score;determining whether the similarity score is greater than a score threshold;in response to determining that the similarity score is greater than the score threshold, boosting a ranking of the information set from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking; andloading the information set in the user interface based on the predetermined ranking.8.The method of claim 1, wherein the information set is loaded in the user interface in a predefined structure corresponding to the topic associated with the information set.9.An apparatus for content recommendation for a target application, comprising:a processor; anda memory storing computer-executable instructions that, when executed, cause the processor to:generate a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application,generate an information set embedding of the information set based on the topic description,obtain a set of historical items of a target user,generate a user embedding of the target user based on the set of historical items,calculate a similarity score between the information set embedding and the user embedding, andload the information set in a user interface of the target application based at least on the similarity score.10.The apparatus of claim 9, wherein the generating a topic description corresponding to a topic associated with an information set comprises:obtaining a prompt template corresponding to the topic;creating a prompt based on the topic and the prompt template; andgenerating the topic description based on the prompt through a LLM.11.The apparatus of claim 9, wherein the topic description includes a set of content categories under the topic.12.The apparatus of claim 11, wherein the generating an information set embedding of the information set based on the topic description comprises:creating a prompt through aggregating the set of content categories; andgenerating the information set embedding based on the prompt through a LLM.13.The apparatus of claim 9, wherein the set of historical items are items  previously clicked by a target user, and the generating a user embedding of the target user based on the set of historical items comprises:generating a set of item embeddings corresponding to the set of historical items;for each historical item in the set of historical items, obtaining the click number by the target user on the historical item, to obtain a set of click numbers corresponding to the set of historical items; andgenerating the user embedding based on the set of item embeddings and the set of click numbers.14.The apparatus of claim 9, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a CTR score of the information set through a CTR prediction model;calculating a comprehensive score of the information set based on the CTR score and the similarity score;determining a ranking of the information set among the plurality of information sets based on the comprehensive score; andloading the information set in the user interface based on the ranking.15.The apparatus of claim 9, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a CTR score of the information set through a CTR prediction model;determining an initial ranking of the information set among the plurality of information sets based on the CTR score;determining whether the similarity score is greater than a score threshold;in response to determining that the similarity score is greater than the score threshold, boosting a ranking of the information set from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking; andloading the information set in the user interface based on the predetermined ranking.16.The apparatus of claim 9, wherein the information set is loaded in the user interface in a predefined structure corresponding to the topic associated with the  information set.17.A computer-readable medium for content recommendation for a target application, comprising instructions that, when executed, cause a processor to:generate a topic description corresponding to a topic associated with an information set, the information set being one of a plurality of information sets of the target application;generate an information set embedding of the information set based on the topic description;obtain a set of historical items of a target user;generate a user embedding of the target user based on the set of historical items;calculate a similarity score between the information set embedding and the user embedding; andload the information set in a user interface of the target application based at least on the similarity score.18.The computer-readable medium of claim 17, wherein the set of historical items are items previously clicked by a target user, and the generating a user embedding of the target user based on the set of historical items comprises:generating a set of item embeddings corresponding to the set of historical items;for each historical item in the set of historical items, obtaining the click number by the target user on the historical item, to obtain a set of click numbers corresponding to the set of historical items; andgenerating the user embedding based on the set of item embeddings and the set of click numbers.19.The computer-readable medium of claim 17, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a CTR score of the information set through a CTR prediction model;calculating a comprehensive score of the information set based on the CTR score and the similarity score;determining a ranking of the information set among the plurality of information sets based on the comprehensive score; andloading the information set in the user interface based on the ranking.20.The computer-readable medium of claim 17, wherein the loading the information set in a user interface of the target application based at least on the similarity score comprises:calculating a CTR score of the information set through a CTR prediction model;determining an initial ranking of the information set among the plurality of information sets based on the CTR score;determining whether the similarity score is greater than a score threshold;in response to determining that the similarity score is greater than the score threshold, boosting a ranking of the information set from the initial ranking to a predetermined ranking, the predetermined ranking being higher than the initial ranking; andloading the information set in the user interface based on the predetermined ranking.

Images