CN106921749A - 用于推送信息的方法和装置 - Google Patents

Abstract

本申请公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：获取用户当前播放的多媒体信息的关键信息，其中，关键信息用于描述多媒体信息的内容；提取关键信息的关键词集合；将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别，其中，多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；将目标待推送多媒体信息插入多媒体信息中，并推送给用户。该实施方式实现了富于针对性的信息推送。

Description

用于推送信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于推送信息的方法和装置。

背景技术

信息推送，又称为“网络广播”，通常是通过一定的技术标准或协议，在互联网上通过推送用户需要的信息来减少信息过载的一项技术。信息推送技术通过主动推送信息给用户，可以减少用户在网络上搜索所花的时间。

然而，现有的信息推送方式通常是在用户当前播放的多媒体信息中上直接加载各种推送多媒体信息，这些推送多媒体信息与用户当前播放的多媒体信息的内容有明显的差异，从而导致信息推送缺乏针对性。

发明内容

本申请的目的在于提出一种改进的用于推送信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于推送信息的方法，该方法包括：获取用户当前播放的多媒体信息的关键信息，其中，关键信息用于描述多媒体信息的内容；提取关键信息的关键词集合；将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别，其中，多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；将目标待推送多媒体信息插入多媒体信息中，并推送给用户。

在一些实施例中，该方法还包括建立多媒体信息分类模型的步骤，建立多媒体信息分类模型的步骤包括：获取样本多媒体信息集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别；对于样本多媒体信息集合中的每一个样本多媒体信息，获取样本多媒体信息的样本关键信息，提取样本关键信息的样本关键词集合；利用人工神经网络，基于与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

在一些实施例中，获取样本多媒体信息的样本关键信息，包括：获取样本多媒体信息的样本描述信息作为第一样本关键信息；从样本多媒体信息中提取样本关键信息作为第二样本关键信息；将第一样本关键信息和第二样本关键信息合并，生成样本多媒体信息的样本关键信息。

在一些实施例中，从样本多媒体信息中提取样本关键信息作为第二样本关键信息，包括：对样本多媒体信息进行语音识别，获取与样本多媒体信息相匹配的文字信息作为第二样本关键信息。

在一些实施例中，从样本多媒体信息中提取样本关键信息作为第二样本关键信息，包括：将样本多媒体信息划分成第一预设数目个样本多媒体信息片段；从所划分出的样本多媒体信息片段中选取出第二预设数目个样本多媒体信息片段；对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

在一些实施例中，提取样本关键信息的样本关键词集合，包括：基于循环神经网络的分词技术，对样本关键信息进行分词，获取样本关键信息的样本关键词集合。

第二方面，本申请实施例提供了一种用于推送信息的装置，该装置包括：获取单元，配置用于获取用户当前播放的多媒体信息的关键信息，其中，关键信息用于描述多媒体信息的内容；提取单元，配置用于提取关键信息的关键词集合；分类单元，配置用于将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别，其中，多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；选取单元，配置用于从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；插入单元，配置用于将目标待推送多媒体信息插入多媒体信息中，并推送给用户。

在一些实施例中，该装置还包括：多媒体信息分类模型建立单元，配置用于建立多媒体信息分类模型，包括：获取子单元，配置用于获取样本多媒体信息集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别；提取子单元，配置用于对于样本多媒体信息集合中的每一个样本多媒体信息，获取样本多媒体信息的样本关键信息，提取样本关键信息的样本关键词集合；训练子单元，配置用于利用人工神经网络，基于与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

在一些实施例中，提取子单元包括：获取模块，配置用于获取样本多媒体信息的样本描述信息作为第一样本关键信息；提取模块，配置用于从样本多媒体信息中提取样本关键信息作为第二样本关键信息；合并模块，配置用于将第一样本关键信息和第二样本关键信息合并，生成样本多媒体信息的样本关键信息。

在一些实施例中，提取模块进一步配置用于：对样本多媒体信息进行语音识别，获取与样本多媒体信息相匹配的文字信息作为第二样本关键信息。

在一些实施例中，提取模块进一步配置用于：将样本多媒体信息划分成第一预设数目个样本多媒体信息片段；从所划分出的样本多媒体信息片段中选取出第二预设数目个样本多媒体信息片段；对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

在一些实施例中，提取子单元还包括：分词模块，配置用于基于循环神经网络的分词技术，对样本关键信息进行分词，获取样本关键信息的样本关键词集合。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于推送信息的方法和装置，通过提取用户当前播放的多媒体信息的关键信息的关键词集合；而后将所提取出的关键词集合导入预先训练的多媒体信息分类模型进行分类，得到该多媒体信息所属的类别；最后从预先存储的待推送多媒体信息集合中，选取出与该多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息，并将其插入该多媒体信息中推送给用户。通过多媒体信息分类模型对与多媒体信息相对应的关键词集合进行分类，得到该多媒体信息所属的类别，从而可以选取出与该多媒体信息的类别相匹配的待推送多媒体信息推送给用户，实现了富于针对性的信息推送。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于推送信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于推送信息的方法的一个应用场景的时序图；

图4是根据本申请的建立多媒体信息分类模型的方法的一个实施例的流程图；

图5是对图4的流程图中的获取样本多媒体信息的样本关键信息的步骤的分解流程图；

图6是对图5的流程图中的从样本多媒体信息中提取样本关键信息作为第二样本关键信息的步骤的分解流程图；

图7是根据本申请的用于推送信息的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、音乐类应用、网页浏览器应用、搜索类应用等等。

终端设备101、102、103可以是支持多媒体信息播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上播放的多媒体信息提供支持的后台多媒体服务器。后台多媒体服务器可以对终端设备101、102、103上播放的多媒体信息进行分析等处理并将处理结果(例如插入待推送多媒体信息的多媒体信息)反馈给终端设备101、102、103。

需要说明的是，本申请实施例所提供的用于推送信息的方法一般由服务器105执行，相应地，用于推送信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，获取用户当前播放的多媒体信息的关键信息。

在本实施例中，用于推送信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以获取用户的客户端(例如图1所示的终端设备101、102、103)上当前播放的多媒体信息的关键信息。其中，多媒体信息可以是视频信息或音频信息。关键信息可以用于描述多媒体信息的内容，包括但不限于多媒体信息的标题、类型、内容简介或内容详介等。

通常，电子设备可以持续监测用户在客户端上的操作。当电子设备监测到用户对一段多媒体信息的播放按键操作时，电子设备确定用户当前正在播放该多媒体信息，并获取该多媒体信息的关键信息。其中，多媒体信息的播放按键可以包括但不限于实体播放按键、虚拟播放按键等等。

需要说明的是，电子设备可以从本地、用户的客户端或与其通信连接的其他服务器获取多媒体信息的关键信息，本实施例对多媒体信息的关键信息的具体存储位置不进行限定。

步骤202，提取关键信息的关键词集合。

在本实施例中，基于步骤201中获取到的关键信息，电子设备可以对关键信息进行内容分析，从而提取出该关键信息的关键词集合。其中，关键词集合可以包括至少一个关键词。

在本实施例的一些可选的实现方式中，电子设备对关键信息的内容分析方式可以是统计分析方式。作为示例，电子设备可以对关键信息的内容中存在的各个词语的出现频率进行统计和排序，之后再选取出现频率排序靠前的一个或多个词语生成关键词集合。

在本实施例的一些可选的实现方式中，电子设备对关键信息的内容分析方式可以是语义分析方式。作为示例，电子设备可以对关键信息的内容进行全切分方法等处理，把内容分割成词；之后对所得到的词进行重要性计算(例如采用TF-IDF(Term Frequency-Inverse Document Frequency，词频-逆向文件频率方法))；最后基于重要性计算的结果选取关键词集合。

在本实施例的一些可选的实现方式中，电子设备对关键信息的内容分析方式可以是基于RNN(Recurrent Neural Network，循环神经网络)的分词方式。作为示例，电子设备可以采用预先训练的Keras模型将关键信息的内容划分成词语序列以生成关键词集合。其中，Keras是一个高度模块化的深度学习框架，使用python(一种面向对象的解释型计算机程序设计语言)编写，封装了大量的函数接口，可支持CPU(Central Processing Unit，中央处理器)和GPU(Graphics Processing Unit，图形处理器)训练。Keras提供了一系列模块，包括但不限于Optimizers(优化函数模块)、Objectives(目标函数模块)、Activations(激活函数模块)、Layers(网络层模块)等等。在进行Keras模型训练时，只需调用相应的模块就可以完成模型搭建。需要说明的是，训练Keras模型的方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别。

在本实施例中，基于步骤202中提取出的关键词集合，电子设备可以将关键词集合导入预先训练的多媒体信息分类模型，多媒体信息分类模型会按照预先训练好的对应关系，为关键词集合找到与其对应的类别，并将该类别作为多媒体信息所属的类别。其中，多媒体信息分类模型可以用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系。

在本实施例中，电子设备可以首先将关键词集合导入预先训练的多媒体信息分类模型得到包含匹配度的至少一个类别。其中，匹配度可以用于表征根据关键词集合确定多媒体信息所属的类别的准确性，匹配度可以用多种形式表示，包括但不限于百分比形式或数值大小的形式等。然后按匹配度结果，从至少一个类别中选取出类别作为多媒体信息的类别。例如，电子设备可以选取出匹配度最高的类别作为多媒体信息所属的类别。

在本实施例中，电子设备可以通过各种方式建立多媒体信息分类模型。作为示例，对于样本多媒体信息集合中的每一个样本多媒体信息，首先可以通过人工识别方式得到与该样本多媒体信息相对应的样本关键词集合和该样本多媒体信息所属的类别；然后电子设备可以利用人工神经网络，基于与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

步骤204，从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息。

在本实施例中，基于步骤203中得到的多媒体信息所属的类别，电子设备可以从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息。其中，待推送多媒体信息集合中的每一个待推送多媒体信息都有其所属的类别。目标待推送多媒体信息可以是待推送多媒体信息集合中与该多媒体信息所属的类别相同或相近的待推送多媒体信息。

在本实施例的一些可选的实现方式中，若待推送多媒体信息集合中存在多条与该多媒体信息所属的类别相匹配的待推送多媒体信息，电子设备可以从中随机选取出预定数目条待推送多媒体信息作为目标待推送信息。

在本实施例的一些可选的实现方式中，若待推送多媒体信息集合中存在多条与该多媒体信息所属的类别相匹配的待推送多媒体信息，电子设备可以按照预先为待推送多媒体信息集合中的每一条待推送多媒体信息设定的优先级从中选取出预定数目条待推送多媒体信息作为目标待推送信息。

需要说明的是，待推送多媒体信息集合中的每一个待推送多媒体信息所属的类别可以是通过人工识别方式得到的，也可以是通过预先训练的多媒体信息分类模型得到的，本实施例中对此不进行具体的限定。

步骤205，将目标待推送多媒体信息插入多媒体信息中，并推送给用户。

在本实施例中，基于步骤204中选取出的目标待推送多媒体信息，电子设备可以将目标待推送多媒体信息插入多媒体信息中，以实现在用户播放多媒体信息期间，目标待推送多媒体信息也可以呈现给用户。

需要说明的是，目标待推送多媒体信息可以插入在多媒体信息的开始部位，也可以插入在多媒体信息的结束部位，还可以插入在多媒体信息的中间部位，本实施例对目标待推送多媒体信息在多媒体信息中的具体插入位置不进行限定。

继续参见图3，图3是根据本申请实施例的用于推送信息的方法的一个应用场景的时序300。在图3的应用场景中，如301所示，服务器监测到客户端当前正在播放纪录片A；如302所示，服务器从客户端获取记录片A的关键信息，例如，该关键信息为：“抗美援朝战争开始以后，全体中国人民上下齐心开展了一场声势浩大的抗美援朝后方支前运动，表现出空前的爱国热情”；如303所示，服务器提取关键信息的关键词集合，例如，该关键词集合为：“抗美援朝、战争、中国人民、抗美援朝后方支前运动、爱国热情”；如304所示，服务器将关键词集合导入预先训练的多媒体信息分类模型进行分类得到纪录片A所属的类别，例如，纪录片A所属的类别为“战争”类别；如305所示，服务器从预先存储的待推送多媒体信息集合中选取出待推送多媒体视频B，其中，待推送多媒体视频B与纪录片A所属的类别相匹配，例如，待推送多媒体视频B可以是反对战争的公益广告；如306所示，服务器将待推送多媒体视频B插入到记录片A的片尾处；如307所示，服务器将插入待推送多媒体视频B的记录片A发送至用户的客户端，当用户的客户端上的记录片A播放结束后就会播放待推送多媒体视频B。

本申请实施例提供的用于推送信息的方法通过提取用户当前播放的多媒体信息的关键信息的关键词集合；而后将所提取出的关键词集合导入预先训练的多媒体信息分类模型进行分类得到该多媒体信息所属的类别；最后从预先存储的待推送多媒体信息集合中选取出与该多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息，并将其插入该多媒体信息中推送给用户。通过多媒体信息分类模型对与多媒体信息相对应的关键词集合进行分类得到该多媒体信息所属的类别，从而可以选取出与该多媒体信息的类别相匹配的待推送多媒体信息推送给用户，实现了富于针对性的信息推送。

进一步参考图4，其示出了根据本申请的建立多媒体信息分类模型的方法的一个实施例的流程400。该流程400包括以下步骤：

步骤401，获取样本多媒体信息集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别。

在本实施例中，电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的其他服务器获取样本多媒体信息集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别。

需要说明的是，样本多媒体信息集合中的每一个样本多媒体信息所属的类别可以是通过人工识别方式得到的，也可以是通过其他多媒体信息分类模型得到的，本实施例中对此不进行具体的限定。

步骤402，对于样本多媒体信息集合中的每一个样本多媒体信息，获取样本多媒体信息的样本关键信息，提取样本关键信息的样本关键词集合。

在本实施例中，基于步骤401中获取到的样本多媒体信息集合中的每一个样本多媒体信息，电子设备可以首先获取该样本多媒体信息的样本关键信息；然后对该样本关键信息进行内容分析，从而提取出该样本关键信息的样本关键词集合。其中，样本关键信息可以用于描述该样本多媒体信息的内容。

在本实施例的一些可选的实现方式中，电子设备对该样本关键信息的内容分析方式可以是统计分析方式。作为示例，电子设备可以对该样本关键信息的内容中存在的各个词语的出现频率进行统计和排序，之后再选取出现频率排序靠前的一个或多个词语生成样本关键词集合。

在本实施例的一些可选的实现方式中，电子设备对该样本关键信息的内容分析方式可以是语义分析方式。作为示例，电子设备可以对该样本关键信息的内容进行全切分方法等处理，把内容分割成词；之后对所得到的词进行重要性计算(例如采用TF-IDF)；最后基于重要性计算的结果选取样本关键词集合。

在本实施例的一些可选的实现方式中，电子设备对该样本关键信息的内容分析方式可以是基于RNN的分词方式。具体地，电子设备可以基于RNN的分词技术，对该样本关键信息进行分词，获取该样本关键信息的样本关键词集合。作为示例，电子设备可以采用预先训练的Keras模型将该样本关键信息的内容划分成词语序列以生成样本关键词集合。

步骤403，利用人工神经网络，基于与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

在本实施例中，基于步骤402中提取出的与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合，以及基于步骤401中获取到的样本多媒体信息集合中的每一个样本多媒体信息所属的类别，电子设备可以利用人工神经网络，通过与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别对多媒体信息分类模型进行训练，得到能够建立与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别之间准确对应关系的训练后的多媒体信息分类模型。

本申请实施例提供的建立多媒体信息分类模型的方法通过与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别对多媒体信息分类模型进行训练，从而使建立的多媒体信息分类模型能够准确地表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系。

进一步参考图5，其是对图4的流程图中的获取样本多媒体信息的样本关键信息的步骤的分解流程500。该流程500包括以下步骤：

步骤501，获取样本多媒体信息的样本描述信息作为第一样本关键信息。

在本实施例中，电子设备(如图1中所示的服务器105)可以获取样本多媒体信息的样本描述信息作为第一样本关键信息。其中，样本描述信息可以包括但不限于以下至少一项：标题、类型和内容简介等等。

步骤502，从样本多媒体信息中提取样本关键信息作为第二样本关键信息。

在本实施例中，电子设备可以从样本多媒体信息中提取样本关键信息作为第二样本关键信息。作为示例，若样本多媒体信息是视频信息，电子设备可以首先提取样本多媒体信息中的音频信息，并对所提取的音频信息进行语音识别以获取样本关键信息；然后提取样本多媒体中的图像信息，并对所提取的图像信息进行图像识别以获取样本关键信息；然后将所获取到的样本关键信息进行合并以生成第二样本关键信息。

在本实施例的一些可选的实现方式中，电子设备可以对样本多媒体信息进行语音识别，获取与样本多媒体信息相匹配的文字信息作为第二样本关键信息。具体地，若样本多媒体信息是音频信息，电子设备可以直接对样本多媒体信息进行语音识别以获取第二样本关键信息。若样本多媒体信息是视频信息，电子设备可以首先提取样本多媒体信息中的音频信息，然后对所提取的音频信息进行语音识别以获取第二样本关键信息。

步骤503，将第一样本关键信息和第二样本关键信息合并，生成样本多媒体信息的样本关键信息。

在本实施例中，基于步骤501中获取到的第一样本关键信息和步骤502中获取到的第二样本关键信息，电子设备可以将第一样本关键信息和第二样本关键信息合并，以生成样本多媒体信息的样本关键信息。

需要说明的是，本实施例中第一样本关键信息和第二样本关键信息的合并方式可以是直接合并，也可以是去除第一样本关键信息和第二样本关键信息中的重复样本关键信息后再合并，本实施例对具体的合并方式不进行限定。

本申请实施例提供的获取样本多媒体信息的样本关键信息的方法通过获取第一样本关键信息和第二样本关键信息以生成样本关键信息，从而使生成的样本关键信息可以全面的描述样本多媒体信息的内容。

进一步参考图6，其是对图5的流程图中的从样本多媒体信息中提取样本关键信息作为第二样本关键信息的步骤的分解流程600。该流程600包括以下步骤：

步骤601，将样本多媒体信息划分成第一预设数目个样本多媒体信息片段。

在本实施例中，电子设备(如图1中所示的服务器105)可以将样本多媒体信息划分成第一预设数目个样本多媒体信息片段。其中，每个样本多媒体信息片段的大小可以相同也可以不同。作为示例，若样本多媒体信息是视频信息，且样本多媒体信息的时长为60min，则电子设备可以将样本多媒体信息划分成12个5min时长的样本多媒体信息片段。

步骤602，从所划分出的样本多媒体信息片段中选取出第二预设数目个样本多媒体信息片段。

在本实施例中，基于步骤601中划分出的样本多媒体信息片段，电子设备可以从中选取出第二预设数目个样本多媒体信息片段。其中，选取方式可以是随机选取，也可以是基于预设方法进行选取。作为示例，对于被划分成12个5min时长的样本多媒体信息片段，电子设备可以每隔3个样本多媒体信息片段选取出一个样本多媒体信息片段。

步骤603，对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

在本实施例中，基于步骤602中选取出的样本多媒体信息片段，电子设备可以对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

本申请实施例提供的提取第二样本关键信息的方法通过将样本多媒体信息划分成若干个样本多媒体信息片段；然后从中选取出部分样本多媒体信息片段；最后对选取出的部分样本多媒体信息片段进行语音识别，从而减小了语音识别的工作量。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所示的用于推送信息的装置700包括：获取单元701、提取单元702、分类单元703、选取单元704和插入单元705。其中，获取单元701，配置用于获取用户当前播放的多媒体信息的关键信息，其中，关键信息用于描述多媒体信息的内容；提取单元702，配置用于提取关键信息的关键词集合；分类单元703，配置用于将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别，其中，多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；选取单元704，配置用于从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；插入单元705，配置用于将目标待推送多媒体信息插入多媒体信息中，并推送给用户。

在本实施例中，用于推送信息的装置700中：获取单元701、提取单元702、分类单元703、选取单元704和插入单元705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，用于推送信息的装置700还包括：多媒体信息分类模型建立单元(图中未示出)，配置用于建立多媒体信息分类模型，包括：获取子单元(图中未示出)，配置用于获取样本多媒体信息集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别；提取子单元(图中未示出)，配置用于对于样本多媒体信息集合中的每一个样本多媒体信息，获取样本多媒体信息的样本关键信息，提取样本关键信息的样本关键词集合；训练子单元(图中未示出)，配置用于利用人工神经网络，基于与样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

在本实施例的一些可选的实现方式中，提取子单元(图中未示出)包括：获取模块(图中未示出)，配置用于获取样本多媒体信息的样本描述信息作为第一样本关键信息；提取模块(图中未示出)，配置用于从样本多媒体信息中提取样本关键信息作为第二样本关键信息；合并模块(图中未示出)，配置用于将第一样本关键信息和第二样本关键信息合并，生成样本多媒体信息的样本关键信息。

在本实施例的一些可选的实现方式中，提取模块(图中未示出)进一步配置用于：对样本多媒体信息进行语音识别，获取与样本多媒体信息相匹配的文字信息作为第二样本关键信息。

在本实施例的一些可选的实现方式中，提取模块(图中未示出)进一步配置用于：将样本多媒体信息划分成第一预设数目个样本多媒体信息片段；从所划分出的样本多媒体信息片段中选取出第二预设数目个样本多媒体信息片段；对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

在本实施例的一些可选的实现方式中，提取子单元(图中未示出)还包括：分词模块(图中未示出)，配置用于基于循环神经网络的分词技术，对样本关键信息进行分词，获取样本关键信息的样本关键词集合。

下面参考图8，其示出了适于用来实现本申请实施例的服务器的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、分类单元、选取单元和插入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用户当前播放的多媒体信息的关键信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取用户当前播放的多媒体信息的关键信息，其中，关键信息用于描述多媒体信息的内容；提取关键信息的关键词集合；将关键词集合导入预先训练的多媒体信息分类模型进行分类得到多媒体信息所属的类别，其中，多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；从预先存储的待推送多媒体信息集合中选取出与多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；将目标待推送多媒体信息插入多媒体信息中，并推送给用户。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于推送信息的方法，其特征在于，所述方法包括：

获取用户当前播放的多媒体信息的关键信息，其中，所述关键信息用于描述所述多媒体信息的内容；

提取所述关键信息的关键词集合；

将所述关键词集合导入预先训练的多媒体信息分类模型进行分类得到所述多媒体信息所属的类别，其中，所述多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；

从预先存储的待推送多媒体信息集合中选取出与所述多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；

将所述目标待推送多媒体信息插入所述多媒体信息中，并推送给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立多媒体信息分类模型的步骤，所述建立多媒体信息分类模型的步骤包括：

获取样本多媒体信息集合和所述样本多媒体信息集合中的每一个样本多媒体信息所属的类别；

对于所述样本多媒体信息集合中的每一个样本多媒体信息，获取所述样本多媒体信息的样本关键信息，提取所述样本关键信息的样本关键词集合；

利用人工神经网络，基于与所述样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和所述样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

3.根据权利要求2所述的方法，其特征在于，所述获取所述样本多媒体信息的样本关键信息，包括：

获取所述样本多媒体信息的样本描述信息作为第一样本关键信息；

从所述样本多媒体信息中提取样本关键信息作为第二样本关键信息；

将所述第一样本关键信息和所述第二样本关键信息合并，生成所述样本多媒体信息的样本关键信息。

4.根据权利要求3所述的方法，其特征在于，所述从所述样本多媒体信息中提取样本关键信息作为第二样本关键信息，包括：

对所述样本多媒体信息进行语音识别，获取与所述样本多媒体信息相匹配的文字信息作为第二样本关键信息。

5.根据权利要求3所述的方法，其特征在于，所述从所述样本多媒体信息中提取样本关键信息作为第二样本关键信息，包括：

将所述样本多媒体信息划分成第一预设数目个样本多媒体信息片段；

从所划分出的样本多媒体信息片段中选取出第二预设数目个样本多媒体信息片段；

对所选取出的样本多媒体信息片段进行语音识别，获取与所选取出的样本多媒体信息片段相匹配的文字信息作为第二样本关键信息。

6.根据权利要求2-5之一所述的方法，其特征在于，所述提取所述样本关键信息的样本关键词集合，包括：

基于循环神经网络的分词技术，对所述样本关键信息进行分词，获取所述样本关键信息的样本关键词集合。

7.一种用于推送信息的装置，其特征在于，所述装置包括：

获取单元，配置用于获取用户当前播放的多媒体信息的关键信息，其中，所述关键信息用于描述所述多媒体信息的内容；

提取单元，配置用于提取所述关键信息的关键词集合；

分类单元，配置用于将所述关键词集合导入预先训练的多媒体信息分类模型进行分类得到所述多媒体信息所属的类别，其中，所述多媒体信息分类模型用于表征与多媒体信息相对应关键词集合和多媒体信息所属的类别的对应关系；

选取单元，配置用于从预先存储的待推送多媒体信息集合中选取出与所述多媒体信息所属的类别相匹配的待推送多媒体信息作为目标待推送多媒体信息；

插入单元，配置用于将所述目标待推送多媒体信息插入所述多媒体信息中，并推送给所述用户。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：多媒体信息分类模型建立单元，配置用于建立多媒体信息分类模型，包括：

获取子单元，配置用于获取样本多媒体信息集合和所述样本多媒体信息集合中的每一个样本多媒体信息所属的类别；

提取子单元，配置用于对于所述样本多媒体信息集合中的每一个样本多媒体信息，获取所述样本多媒体信息的样本关键信息，提取所述样本关键信息的样本关键词集合；

训练子单元，配置用于利用人工神经网络，基于与所述样本多媒体信息集合中的每一个样本多媒体信息相对应的样本关键词集合和所述样本多媒体信息集合中的每一个样本多媒体信息所属的类别，训练得到多媒体信息分类模型。

9.一种服务器，其特征在于，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。