有效提高媒体曝光率，智能推荐为什么是“最大的计算系统之一”？

本文主要是介绍有效提高媒体曝光率，智能推荐为什么是“最大的计算系统之一”？，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

导语：我认为很少有人意识到，推荐系统是世界上构想过的最大的计算系统之一。——Jensen Huang

在信息过载的时代背景下，智能推荐系统已广泛应用于电子商务、社交媒体、新闻资讯、视频音乐、旅游出行等领域，为用户提供更加精准和高效的信息获取途径。

一、引言

智能推荐，简而言之，是一种利用机器学习和数据挖掘技术，对推荐的内容或物品进行分析和描述，根据用户的浏览历史、点击记录、购买行为、搜索关键词等历史数据和行为模式来构建用户画像，进而自动向用户推荐个性化、相关度高的产品、服务或内容的人工智能技术。

对于新闻媒体行业来说，智能推荐系统可以实时跟踪新闻动态，根据用户的兴趣变化及时、精准地更新推荐内容，有助于提高新闻的覆盖率和传播效果，增强用户对新闻平台的满意度和留存率，带来更多的策略优化、商业变现机会。

二、媒体行业案例

随着 OTT 等新兴模式崛起，IPTV 的传统市场地位受到严重冲击，面临资源整合、内容服务创新、用户娱乐方式转变等难题。

1.案例背景

某品牌 IPTV 在业务稳步发展、用户体量逐渐增加之际，发现传统单一的人工运营模式难以满足日益扩大的差异化需求，在全媒体生产、多终端传播、海量内容开发、媒体数字化迭代及运营能力精细化等方面，均提出了更为严格的要求，亟需借助推荐算法进一步提高内容推送的精准度和时效性。

2.战略合作

为了构建更加先进的融合传播技术支撑体系，某品牌 IPTV 与百度智能云一念达成战略合作，依托云智一体媒体核心技术，建立以智能推荐系统为核心的智能推荐体系。

百度智能云一念·智能推荐平台，是基于百度大模型能力打造的搜推一体化智能推荐平台，为企业级客户提供个性化推送，用于图文资讯、商品购买、视频推荐等多种业务场景，帮助企业提高用户经营能力，提升用户活跃度、留存率和产品付费转化。智能推荐平台于 2022 年上线服务了金融、媒体、汽车等行业多个头部客户，并受中国信息通信研究院邀请，核心参编《智能推荐平台技术要求和测试方法》。

关键技术：

- 协同过滤：基于用户行为或兴趣相似性的推荐原理。
- 内容基推荐：依据物品内容特征与用户偏好的匹配度进行推荐。
- 混合推荐：结合多种推荐策略，提升推荐效果。
- 深度学习在推荐中的应用：介绍深度学习如何增强推荐系统的个性化与精准度。

3.合作效果

某 IPTV 和百度智能云一念的智能推荐引擎合作，把 AI 应用于媒体业务全流程，通过智能媒资管理、智能内容生产和智能媒体经营三个方面的支持，满足媒体智能化在不同场景下的需求。动态自学习算法能力全面升级了智能推荐的能力和效果，将大屏智能推荐和运营指标深度融合，推动了人工运营转向智能自动化运营，不仅解放了人力资源，还精细化了运营能力和各项运营指标。

数据显示，本次合作让媒体工作者摆脱大量的重复性工作，建立起了媒体和用户之间的信任感，激发了编辑人员的创作热情和精细程度。此外，促使某品牌 IPTV 的曝光点击率环比提升 50%以上、付费订阅提升 20%以上，搭建了数据驱动、人机协同、跨界融合、共创分享的生产范式。

三、实操步骤分享

1.数据准备

Step 1 物料数据 schema 规范

Step 2 行为数据 schema 规范

Step 3 用户数据 schema 规范（非必传）

2.创建应用

在应用管理页，单击顶部【创建应用】按钮，进入创建应用页面，依次填写应用各项参数，选择图文推荐。

点击【创建】按钮，进入创建应用提示页面，进入应用配置页面。

3.接入数据

进入应用配置页面，在数据接入选项卡下，点击数据 API 卡片右上角的【启用服务】按钮，一键开启 3 个数据接入服务。

点击【刷新状态】按钮，直到三个服务的状态都显示为“服务中”时，即可根据生成的请求地址接入数据。

（1）了解使用 SDK 方式接入数据的流程

第1步：下载代码模版，下载并解压代码模板（python 文件），请仔细阅读 readme.md 文件。

第2步：下载并替换鉴权信息，点击下载鉴权信息，并参考代码模板中 readme.md 文件进行修改。

第3步：接入数据，返回'success':true 即表明接入成功，刷新数据状态，接入必传数据即可。

（2）分别接入三类数据

Step 1 接入 csv 中的物料数据

注意：本案例脚本代码与 sdk 提供的存在差异仅供参考，需要根据实际业务使用 sdk 中的代码或者开发代码。

"""
从csv中发送物料数据给cms
"""
import os
import time
import requests
import json
import pandas as pddef post_m(dic):ctx = json.dumps(dic, ensure_ascii=False)ctx = ctx.encode("utf-8")rex = requests.post(url, ctx, headers=headers)return rexurl = "http://airec.baidu.com/airec/api/1-s6r5gitg/omni/cms/batch-sync"
ak = "f5695cc1c9544ccd9088b29b417d395b"headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}
cmsdata = pd.read_csv('/Users/wangxuecong01/Desktop/1产品管理/1智能推荐引擎/演示数据/CMSdemo.csv')for idx, data in cmsdata.iterrows():demo_cms= [{"nid": str(data['nid']),"site_name":data['site_name'],"title":data['title'],"content":data['content'],"mthid":str(data['mthid']),"publish_time":data['publish_time'],"att":[data['att']],"status":data['status'],"ts":data['ts']}]begin = time.time()rex = post_m(demo_cms)end = time.time()print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))

Step 2 接入 csv 中的用户数据

"""
发送用户数据给ums
"""import os
import time
import requests
import json
import pandas as pddef post_m(dic):ctx = json.dumps(dic, ensure_ascii=False)ctx = ctx.encode("utf-8")rex = requests.post(url, ctx, headers=headers)return rexurl = "http://airec.baidu.com/airec/api/1-fd8wpxd0/omni/ums/batch-sync"
ak = "f5695cc1c9544ccd9088b29b417d395b"headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}umsdata = pd.read_csv('/Users/文件路径/演示数据/UMSdemo.csv')
for idx, data in umsdata.iterrows():demo_ums = [{"uid":str(data['uid'])}]begin = time.time()rex = post_m(demo_ums)end = time.time()print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))

Step 3 接入 csv 中的用户数据

"""发送用户数据给ums"""import osimport timeimport requestsimport jsonimport pandas as pddef post_m(dic):ctx = json.dumps(dic, ensure_ascii=False)ctx = ctx.encode("utf-8")rex = requests.post(url, ctx, headers=headers)return rexurl = "http://airec.baidu.com/airec/api/1-fd8wpxd0/omni/ims/batch-sync"ak = "f5695cc1c9544ccd9088b29b417d395b"headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}imsdata = pd.read_csv('/文件路径演示数据/IMSdemo.csv')for idx, data in imsdata.iterrows():demo_ims = [{"nid":str(data['nid']),"uid":str(data['uid']),"event":data['event'],"ts":data['ts']}]begin = time.time()rex = post_m(demo_ims)end = time.time()print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text)

（3）验证是否成功接入数据

在配置应用页面基础信息卡片查看数据接入条数是否符合预期。

4.服务调用

Step 1 启用服务

进入智能推荐引擎配置页面，在服务调用选项卡下点击推荐 API 卡片【启用】按钮，开启需要调用的服务。

点击【刷新状态】按钮，直到服务的状态都显示为“服务中”时，即可根据生成的请求地址调用接口。

Step 2 了解调用流程

第1步：下载代码模版，下载并解压代码模板（python 文件），请仔细阅读 readme.md 文件。

第2步：下载并替换鉴权信息，点击下载鉴权信息，并参考代码模板中 readme.md 文件进行修改。

第3步：调用服务，获取返回的推荐结果。

第4步：验证结果，正确返回值类似, status 值应为 200。

Step 3 开始调用接口

调用个性化接口

"""个性化推荐接口"""import osimport timeimport requestsimport jsondef post_m(dic):rex = requests.get(url, dic, headers=headers)return rexurl = "http://10.137.16.168:8081/airec/api/3-zo179t-l/rec/p_rec"ak = "f5695cc1c9544ccd9088b29b417d395b"headers = {"Content-Type": "application/json", "X-Gw-Ak": ak}body = {"uid": "uid_1","req_cnt": 20}begin = time.time()rex = post_m(body)end = time.time()print("using time: {}, status {}, ret content: {}".format(round(end - begin, 6), rex.status_code, rex.text))