CN108614845A - 基于媒体文件的行为预估方法和装置 - Google Patents
基于媒体文件的行为预估方法和装置 Download PDFInfo
- Publication number
- CN108614845A CN108614845A CN201611159336.8A CN201611159336A CN108614845A CN 108614845 A CN108614845 A CN 108614845A CN 201611159336 A CN201611159336 A CN 201611159336A CN 108614845 A CN108614845 A CN 108614845A
- Authority
- CN
- China
- Prior art keywords
- behavior
- sample
- data
- media file
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0243—Comparative campaigns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于媒体文件的行为预估方法和装置。其中,该方法包括:获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。本发明解决了相关技术媒体文件的行为预估复杂的问题的技术问题。
Description
技术领域
本发明涉及媒体文件领域,具体而言,涉及一种基于媒体文件的行为预估方法和装置。
背景技术
目前,在媒体文件的营销领域,通常需要预估用户在一定场景下点击媒体文件链接的概率、进入媒体文件详情页的概率,也即,点击率(Click Through Rate)预估,简称PCTR。传统应对这种复杂多行为PCTR预估的方法是,对每个行为单独建立模型进行PCTR预估,设其中某个行为的样本量为N的训练数据集合是其中为样本i的特征向量,yi∈{0,1}为对应的目标,0表示曝光,1表示点击。这样当有N种行为时,就需要建立N个模型,并且每个模型都需要单独调参优化,因而媒体文件的预估复杂,存在需要大量人力、时间和机器资源的问题,另外,在线上预估PCTR的时候,由于每个模型预估一种行为,还存在耗时大的问题。
在一般场景中,只需要针对媒体文件的详情链接的行为预估,而社交空间中的媒体文件比较特殊,不仅需要针对媒体文件的详情链接的行为预估,而且包括媒体文件的多种不同媒体文件类型的点击行为预估,另外媒体文件的多种行为之间存在一定相关性,各种行为的真实点击率差异巨大,导致彼此之间存在一定相关性的多种行为的预估比传统的行为预估更复杂。
针对上述的媒体文件的行为预估复杂的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于媒体文件的行为预估方法和装置,以至少解决相关技术媒体文件的行为预估复杂的问题的技术问题。
根据本发明实施例的一个方面,提供了一种基于媒体文件的行为预估方法。该媒体文件的行为预估方法包括:获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
根据本发明实施例的另一方面,还提供了一种基于媒体文件的行为预估装置。基于媒体文件的行为预估装置包括:第一获取单元,用于获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;转化单元,用于在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;处理单元,用于通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
在本发明实施例中,通过获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况;在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据,进而达到了对多种目标行为进行预估的目的,从而实现了降低媒体文件的行为预估复杂性的技术效果,进而解决了相关技术媒体文件的行为预估复杂的问题的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于媒体文件的行为预估方法的硬件环境的示意图;
图2是根据本发明实施例的一种基于媒体文件的行为预估方法的流程图;
图3是根据本发明实施例的另一种基于媒体文件的行为预估方法的流程图;
图4是根据本发明实施例的一种通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理的方法的流程图;
图5是根据本发明实施例的另一种基于媒体文件的行为预估方法的流程图;
图6是根据本发明实施例的一种获取与媒体文件的类型相对应的行为样本的方法的流程图;
图7是根据本发明实施例的一种DNN信号前向传递的示意图;
图8是根据本发明实施例的一种DNN误差反向传播示意图;
图9是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图;
图10是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图;
图11是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图;
图12是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图;以及
图13是根据本发明实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种基于媒体文件的行为预估方法的实施例。
可选地,在本实施例中,上述基于媒体文件的行为预估方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中。图1是根据本发明实施例的一种基于媒体文件的行为预估方法的硬件环境的示意图。如图1所示,服务器102通过网络与终端104进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端104并不限定于PC、手机、平板电脑等。本发明实施例的基于媒体文件的行为预估方法可以由服务器102来执行,也可以由终端104来执行,还可以是由服务器102和终端104共同执行。其中,终端104执行本发明实施例的基于媒体文件的行为预估方法也可以是由安装在其上的客户端来执行。
图2是根据本发明实施例的一种基于媒体文件的行为预估方法的流程图。如图2所示,该基于媒体文件的行为预估方法可以包括以下步骤:
步骤S202,获取与媒体文件的类型相对应的行为样本。
在本发明上述步骤S202提供的技术方案中,获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为。
多种目标行为包括具有预设关系的行为,也即,多种目标行为包括彼此之间存在一定相关性的行为,比如,点击进入媒体文件的详情页,可以具有“点赞”行为、“评论”行为,则点击进入媒体文件的详情页的概率会影响到“点赞”行为、“评论行为”,“点赞”行为和“评论行为”之间也会影响彼此的点击率,因而点击进入媒体文件的详情页、“点赞”行为和“评论”行为之间具有相关性。行为样本用于表示上述多种目标行为的执行情况,该多种目标行为的执行情况通过神经网络中的训练数据进行表示,比如,用“1”表示点击行为,“0”表示曝光,“-1”表示不处理。
可选地,在社交空间中,用户通过终端发表文字和图片,也可以通过其它客户端将文章或者音乐等分享到社交空间中。用户通过终端可以对好友发表的内容进行“评论”、“点赞”等,处于同一社交空间的其它好友可以看到关于好友发表的内容的“评论”、“点赞”。社交空间中存在媒体文件,需要预估用户在预设场景下点击媒体文件的链接,进入媒体文件的详情页的概率(PCTR),还包括对社交空间的头像、名称、关注、分享、点击不感兴趣等互动行为进行PCTR预估。对于图文媒体文件,需要预估用户点击图片的PCTR,对于视频媒体文件,需要预估用户对短视频点击和长视频点击行为的PCTR,以及全屏播放等行为的PCTR,上述在社交空间中的行为为需要预估的目标行为,彼此之间存在一定的相关性。
在获取与媒体文件的类型相对应的行为样本时,可以通过各个目标行为的历史点击率进行采样,可以根据各个目标行为之间的历史点击率的差距对各个目标行为的采样量进行调整,使得每种行为的正负比例保持在一定的范围之内,从而提高数据处理的准确性。
需要说明的是,本发明实施例对服务器投放的媒体文件的类型不做具体限定,服务器投放的媒体文件可以是视频文件、音频文件、图片文件或者文本文件等,也可以是这几种文件的任意组合,例如,文本文件和图片文件的组合,视频文件和文本文件的组合。具体的产品形态可以是例如视频广告、原生广告、搜索广告等。
步骤S204,在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量。
在本发明上述步骤S204提供的技术方案中,在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况。
行为样本用于表示多种目标行为的执行情况,该行为样本具有特征向量,其中,特征向量为行为样本在通过矩阵表示时的特征向量,也即,存在非零向量,使行为样本对应的矩阵与该非零向量之积等于一个数与该非零向量之积,则该非零向量为矩阵的特征向量。在获取与媒体文件的类型相对应的行为样本之后,在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,也即,将多种目标行为的执行情况通过向量表示。该目标向量的长度与多种目标行为的数量相同,也即,该目标向量的维度与多种目标行为的数量相同,将每种行为的执行情况通过目标向量的每维分量进行表示,从而将多种目标行为的训练数据合并在一起参与神经网络的模型训练。
举例而言,有三种目标行为,该三种目标行为分别是点击图片行为、点击视频行为和点击头像行为。当媒体文件为图文媒体文件时,对于图文媒体文件的图片点击样本,点击图片行为的执行情况为执行,用“1”表示,点击视频行为的执行情况为不处理,用“-1”表示,点击头像行为的执行情况为不处理,用“-1”表示。则对于上述图文媒体文件的图片点击样本,目标向量用于表示属于点击图片行为的正样本,不属于点击视频行为和点击头像行为,实现了将图片点击样本下的行为的训练数据的合并。
可选地,对于图文媒体文件的曝光样本,点击图片行为的执行情况为曝光,用“0”表示,点击视频行为的执行情况为不执行,用“-1”表示,点击图像行为的执行情况为曝光,用于“0”表示。则对于上述图文媒体文件的曝光样本,其目标向量表示它属于点击图片行为和点击头像行为的负样本,但不属于点击视频行为,实现了将曝光样本下的行为的训练数据的合并。
该实施例通过获取与媒体文件的类型相对应的行为样本,在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,实现了对目标行为在神经网络模型中进行训练的预处理。
步骤S206,通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
在本发明上述步骤S206提供的技术方案中,通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
深层神经网络(Deep Neural Networks,简称为DNN)是一种机器学习算法,它可以包含多个非线性变换的隐藏层来对底层特征进行高层抽象的计算。在将行为样本转化为目标向量之后,通过预设深层神经网络对行为样本的特征向量和目标向量进行处理。该实施例的预设深层神经网络具有多层,其顶层对多种具有预设关系的目标行为进行预估。由于传统的Softmax多目标预估函数用于多种互斥目标的预估,不能在深层神经网络中用于多种具有预设关系的目标行为的预估,因而,将深层神经网络的顶层中的Softmax多目标预估函数替换为用于对多种具有预设关系的目标行为进行预估的函数。
预设深层神经网络包括底层输入层、中间隐藏层和顶层输出层。其中底层输入层用于输入行为样本的特征向量,也即,将特征向量作为原始特征输入,中间层用于从原始特征中提取出高级特征,该高级特征为比原始特征更加具体的特征,比如,该高级特征为维度比原始特征的维度更小的抽象特征,顶层输出层是用于根据高级特征和目标向量输出各个目标行为的预估值的输出层,也即,该顶层输出层为比中间隐藏层更高级的层。
该实施例通过预设深层神经网络对通过将多种目标行为合并在一起得到的目标向量进行模型训练,避免了对每种行为的执行情况所对应的数据单独建立模型所导致的行为预估复杂的问题,达到了降低行为预估的复杂性的效果,不需要对每个模型单独调参优化,从而节约了大量人力、时间和机器资源。
在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,根据预估数据对多种目标行为进行预估,从而通过多种目标行为的执行概率确定多种目标行为发生的可能性,达到了在媒体文件营销领域中,商家快速做出应对决策的目的。
通过上述步骤S202至步骤S206,通过获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据,解决了相关技术媒体文件的行为预估复杂的问题的技术问题,进而达到降低媒体文件的行为预估复杂性的技术效果。
作为一种可选的实施例,与媒体文件的类型相对应的行为样本包括与多种媒体文件的类型相对应的多个行为样本,将多个行为样本转化为多个目标向量,通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据。
图3是根据本发明实施例的另一种基于媒体文件的行为预估方法的流程图。如图3所示,该基于媒体文件的行为预估方法包括以下步骤:
步骤S301,获取与多种媒体文件的类型相对应的多个行为样本。
在本发明上述步骤S301提供的技术方案中,获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示多种目标行为的执行情况。
该实施例的多个行为样本包括与图文媒体文件对应的图片点击样本和曝光样本,与视频媒体文件对应的视频点击样本和曝光样本,与所有媒体文件对应的点击头像样本和曝光样本等,此处不做限定。
可选地,获取与图文媒体文件相对应的图片点击样本和曝光样本,该图片点击样本和曝光样本用于表示点击图片行为、点击视频行为和点击头像行为的执行情况;获取与视频媒体文件对应的视频点击样本和曝光样本,该视频点击样本和曝光样本用于表示点击图片行为、点击视频行为和点击头像行为的执行情况;获取与所有媒体文件相对应的点击头像样本和曝光样本,该击头像样本和曝光样本用于表示点击图片行为、点击视频行为和点击头像行为的执行情况。
可选地,在获取与多个媒体文件的类型相对应的多个行为样本时,可以通过各个媒体文件类型对应的各个目标行为的历史点击率进行采样,可以根据各个媒体文件类型对应的各个目标行为之间的历史点击率的差距对各个媒体文件类型对应的各个目标行为的采样量进行调整,使得每种行为的正负比例保持在一定的范围之内,从而提高数据处理的准确性。
步骤S302,在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量。
在本发明上述步骤S302提供的技术方案中,在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,其中,每个目标向量的长度与多种目标行为的数量相同,每个目标向量的每维分量用于表示每种目标行为的执行情况。
每个行为样本用于表示多种目标行为的执行情况,多个行为样本包括多个特征向量。在获取与多种媒体文件的类型相对应的多个行为样本之后,在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,也即,将多个行为样本下的多种目标行为的执行情况通过向量表示。每个目标向量的长度与多种目标行为的数量相同,也即,该每个目标向量的维度与多种目标行为的数量相同,将每种行为的执行情况通过每个目标向量的每维分量进行表示,从而将多个行为样本下的多种目标行为的训练数据合并在一起参与神经网络的模型训练。
举例而言,有三种目标行为,该三种目标行为分别是点击图片行为、点击视频行为和点击头像行为。当媒体文件为图文媒体文件时,对于图文媒体文件的图片点击样本,点击图片行为的执行情况为执行,用“1”表示,点击视频行为的执行情况为不处理,用“-1”表示,点击头像行为的执行情况为不处理,用“-1”表示。则对于上述图文媒体文件的图片点击样本,目标向量用于表示属于点击图片的正样本,不属于点击视频行为和点击头像行为,实现了将图片点击样本下的行为的训练数据的合并。
对于图文媒体文件的曝光样本,点击图片行为的执行情况为曝光,用“0”表示,点击视频行为的执行情况为不执行,用“-1”表示,点击图像行为的执行情况为曝光,用于“0”表示。则对于上述图文媒体文件的曝光样本,其目标向量表示它属于点击图片和点击头像行为的负样本,但不属于点击视频行为,实现了将曝光样本下的行为的训练数据的合并。
当媒体文件为视频媒体文件时,对于视频媒体文件的视频点击样本,点击图片行为的执行情况为不执行,用“-1”表示,点击视频行为的执行情况为处理,用“1”表示,点击头像行为的执行情况为不处理,用“-1”表示。则对于上述视频媒体文件的图片点击样本,目标向量用于表示属于点击视频行为的正样本,但不属于点击图片行为和点击头像行为,实现了将视频点击样本下的行为的训练数据的合并。
对于视频媒体文件的曝光样本,点击图片行为的执行情况为不处理,用“-1”表示,点击视频行为的执行情况为曝光,用“0”表示,点击图像行为的执行情况为曝光,用于“0”表示。则对于上述视频媒体文件的曝光样本,其目标向量表示它属于点击视频行为和点击头像行为的负样本,但不属于点击图片行为,实现了将曝光样本下的行为的训练数据的合并。
可选地,按照上述方法将不同类型媒体文件下的行为的数据合并成一个样本集合,比如,其中,为行为样本的特征向量,为目标向量,表示总共有K个目标行为,实现了将多种行为的训练数据合并在一起参与神经网络的模型训练。
步骤S303,通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据。
在本发明上述步骤S303提供的技术方案中,通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据。
由于传统的Softmax多目标预估函数用于多种互斥目标的预估,不能在深层神经网络中用于多种具有预设关系的目标行为的预估,因而,该实施例将深层神经网络的顶层中的Softmax多目标预估函数替换为用于对多种具有预设关系的目标行为进行预估的函数。在将多个行为样本转化为多个目标向量之后,向预设深层神经网络的底层输入层输入多个行为样本的多个特征向量,也即,将多个特征向量作为预设深层神经网络的原始特征输入,中间层用于从原始特征中提取出高级特征,通过预设神经网络的顶层输出层根据高级特征和目标向量输出各个目标行为的预估值。
可选地,根据所述多种媒体文件下的所述多种目标行为的预估数据对所述目标行为进行预估。
在通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据之后,根据所述多种媒体文件下的所述多种目标行为的预估数据对所述目标行为进行预估,从而通过多种目标行为的执行概率确定多种目标行为发生的可能性,达到了在媒体文件营销领域中,商家快速做出应对决策的目的。
该实施例通过获取与多种媒体文件的类型相对应的多个行为样本;通过在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,每个目标向量的长度与多种目标行为的数量相同,每个目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据;通过根据所述多种媒体文件下的所述多种目标行为的预估数据对所述目标行为进行预估,解决了相关技术媒体文件的行为预估复杂的问题的技术问题,进而达到降低媒体文件的行为预估复杂性的技术效果。
作为一种可选的实施例,步骤S206,通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据包括:从预设深层神经网络的多个初级原始特征中提取预设数据维度的高级特征,再根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
图4是根据本发明实施例的一种通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理的方法的流程图。如图4所示,该通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理的方法包括以下步骤:
步骤S401,将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征。
在本发明上述步骤S401提供的技术方案中,将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征。
在将行为样本转化为目标向量之后,获取多个行为样本的特征向量,将多个行为样本的特征向量向预设深层神经网络的底层输入,作为预设深层神经网络的多个初级原始特征。比如,该初级原始特征为图片的像素等基本特征。
步骤S402,从多个初级原始特征中提取预设数据维度的高级特征。
在本发明上述步骤S402提供的技术方案中,从多个初级原始特征中提取预设数据维度的高级特征。
在将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征之后,通过预设深层神经网络的中间隐藏层从多个初级原始特征中提取预设数据维度的高级特征,该高级特征为比初级原始特征更为具体的抽象特征,预设数据维度比初级原始特征的数据维度更小,比如,原始特征的数据维度为1000000维,而预设数据维度为100维。将中间隐藏层提取出的高级特征作为预设深层神经网络的顶层的输入,也即,输入到预设深层神经网络顶层的特征是所有目标行为共同作用的结果,这对样本较小的目标行为起到一种迁移学习的效果。
步骤S403,根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
在本发明上述步骤S403提供的技术方案中,根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
在从多个初级原始特征中提取预设数据维度的高级特征之后,通过预设深层神经网络的顶层根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。可选地,该实施例中的预设深层神经网络将传统深层神经网络中的Softmax函数替换成为多个Sigmoid函数,每个Sigmoid函数可以预估一个目标行为,多个目标行为在预估时彼此之间相互独立,避免了通过Softmax函数只能对互斥目标行为进行预估。由于多种目标行为是具有预设关系的行为,彼此之间存在一定的联系,某一目标行为的预估结果会受其它目标行为的影响,因而该实施例采用每个Sigmoid函数并行预估对应的目标行为,使得多个目标行为独立但不互斥,在对某一目标行为进行预估时,将其它目标行为对应的高级特征、目标向量也作为对该目标行为在行为预估时的输入数据,从而使该目标行为的最终预估结果也受其它目标行为的影响。可选地,其它的目标行为的预估结果与上述方法相同,因而预设深层神经网络的顶层的输入是所有目标行为共同作用的结果。通过某一目标行为的高级特征、目标向量参与到对其它目标行为的预估中,这样在对样本量较小的目标行为进行预估时,通过其它目标行为就可以对该目标行为的训练起到了一种迁移学习的效果,比传统对单目标行为进行预估带来更好的效果。
可选地,该实施例的预设深层神经网络在对目标行为进行训练的过程中,包括信号前向传递的步骤和误差反向传播的步骤。其中,信号前向传递部分可以和传统的反向传输神经网络(Back Propagation,简称为BP)一致,根据预设深层神经网络输出当前模型权重下的对多目标行为的预估值。在误差反向传播部分,多个目标向量为输入数据,获取目标行为的实际执行数据和预估值之间的误差,当目标向量中的分量表示的执行情况为曝光行为或执行行为时,触发顶层节点,从预设深层神经网络的顶层反向传输该误差相对于各个层中权重的梯度,更新该节点和中间隐藏层之间的权重,当目标向量中的分量表示的执行情况为不执行时,则表示该行为样本不属于目标行为的样本,则不需要触发预设深度神经网络的顶层节点,也不需要反向传输该误差相对于各个层中权重的梯度,从而通过不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,得到多种目标行为的预估数据,以达到训练的目的。
该实施例通过预设深层神经网络对通过将多种目标行为合并在一起得到的目标向量进行模型训练,避免了对每种行为的执行情况所对应的数据单独建立模型所导致的行为预估复杂的问题,达到了降低行为预估的复杂性,不需要对每个模型单独调参优化,节约了大量人力、时间和机器资源。
该实施例通过将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征;从多个初级原始特征中提取预设数据维度的高级特征;根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据,实现了预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据的目的,降低了对目标行为的预估的复杂性。
作为一种可选的实施例,多种目标行为之间具有预设关系,根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据包括:采用以下方式获取预估数据,其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为预设深层神经网络的顶层输入的预设数据维度,K为多种目标行为的数量,WT为W的转置。
作为一种可选的实施例,在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的预估数据与实际执行数据的数据差;通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重。
图5是根据本发明实施例的另一种基于媒体文件的行为预估方法的流程图。如图5所示该基于媒体文件的行为预估方法还包括以下步骤:
步骤S501,获取多种目标行为的实际执行数据。
在本发明上述步骤S501提供的技术方案中,获取多种目标行为的实际执行数据。
在对媒体文件实际执行的过程中,会产生目标行为实际执行的数据,也即,真实目标行为的数据,比如,对媒体文件的真实点击率。在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的实际执行数据。
步骤S502,获取多种目标行为的预估数据与实际执行数据的数据差。
在本发明上述步骤S502提供的技术方案中,获取多种目标行为的预估数据与实际执行数据的数据差。
在获取多种目标行为的实际执行数据之后,获取多种目标行为的预估数据与实际执行数据的数据差,该数据差为实际执行数据偏离预估数据的误差。
步骤S503,在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差。
在本发明上述步骤S503提供的技术方案中,在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重。
在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差。该预设条件可以为目标向量对应的目标行为为执行或者为曝光的条件,反向传播的是该误差相对各个层中权重的梯度。
可选地,由于这里K维多目标是向量,其中任意分量y(k)∈{-1,0,1},对于某样本而言,如果y(k)={0}或{1},则表示是该样本是目标k的曝光或者点击,需要触发预设深层神经网络的顶层节点k,将其误差进行反向传播,更新该节点和中间隐藏层之间的权重,以及中间层和输入层的所有权重;如果y(k)=-1,则表示是该样本不属于目标k的行为,则不要触发顶层节点k,也不需要进行误差反向传播。
该实施例通过在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的实际执行数据;获取多种目标行为的预估数据与实际执行数据的数据差;在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重,实现了对深层神经神经网络权重的更新。
作为一种可选的实施例,步骤S202,获取与媒体文件的类型相对应的行为样本包括:对多种目标行为的历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,使得更新采样数据中的多种目标行为的正样本与负样本比例保持在预设阈值内,并将更新采样数据作为与媒体文件的类型相对应的行为样本。
图6是根据本发明实施例的一种获取与媒体文件的类型相对应的行为样本的方法的流程图。如图6所示,该获取与媒体文件的类型相对应的行为样本的方法包括以下步骤:
步骤S601,获取多种目标行为的历史执行数据。
在本发明上述步骤S601提供的技术方案中,获取多种目标行为的历史执行数据。
在基于媒体文件的行为预估中,由于各个目标行为的实际执行数据差异较大,比如,对图片的曝光率远远大于对图片的点击率,这样正负样本不平衡会影响预设深层神经网络的模型训练结果的准确性,因而需要通过调整多种目标行为的采样率以调整正负样本的比例。获取多种目标行为的历史执行数据,比如,获取多种目标行为对媒体文件的历史点击率。
步骤S602,对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据。
在本发明上述步骤S602提供的技术方案中,对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,更新采样数据中的多种目标行为的正样本与负样本比例在预设阈值内。
在获取多种目标行为的历史执行数据之后,获取历史执行数据中各个目标行为的执行率,从各个目标行为的执行率中确定执行率最低的目标行为,对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,该更新采样数据为在通过增加采样量后得到的采样数据。
步骤S603,将更新采样数据作为与媒体文件的类型相对应的行为样本。
在本发明上述步骤S603提供的技术方案中,将更新采样数据作为与媒体文件的类型相对应的行为样本。
在对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据之后,将更新采样数据作为与媒体文件的类型相对应的行为样本,从而使得每种目标行为的正负样本比例保持在一定的范围之内,提高了预设深层神经网络模型训练的准确性。
该实施例通过获取多种目标行为的历史执行数据;对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,更新采样数据中的多种目标行为的正样本与负样本比例在预设阈值内;将更新采样数据作为与媒体文件的类型相对应的行为样本,实现了获取与媒体文件的类型相对应的行为样本的目的,提高了预设深层神经网络模型训练的准确性。
实施例2
下面结合优选的实施例对本发明的技术方案进行说明。
该实施例以社交空间为例,该社交空间为即时通讯应用上的一个社交功能,用户可以通过社交空间发表文字和图片,同时还可以通过其它客户端将文章或者音乐分享到社交空间中。用户通过社交空间可以对好友新发表的照片进行“评论”或者“赞”,用户只能看到相同好友的“评论”或者“赞”。
该实施例的媒体文件为社交空间中的媒体文件。比如,在社交空间下的信息流媒体文件。该社交空间的媒体文件也可以由文字数据、图片数据、视频数据和详情链接组成。可以通过媒体文件下方的查看详情链接跳转到媒体文件的原始链接页。可选地,在媒体文件信息的预设位置处有推广标志,用户通过推广标识可以点击不感兴趣按钮来屏蔽媒体文件信息。
在一般场景下,只需要用户对媒体文件的详情链接的PCTR,而社交空间中的媒体文件比较特殊,它不仅需要预估媒体文件的详情链接的PCTR,同时还需要预估包括社交空间的媒体文件的头像、名称、关注、分享等行为的PCTR,此外,还需要预估用户对媒体文件的“点赞”和“评论”,以及点击不感兴趣等行为的预估。可选地,社交空间中的不同类型的媒体文件的目标行为包括多种,并且彼此之间存在一定的相关性,对于图文媒体文件,需要预估用户点击图片的PCTR,对于视频媒体文件,需要预估用户点击短视频的PCTR和点击长视频的PCTR,以及全屏播放等行为的PCTR。由于各种目标行为的真实点击率差异较大,导致社交空间的媒体文件场景的PCTR比传统媒体文件要复杂。
下面对预处理DNN的训练数据进行介绍。
该实施例的DNN的多行为预估会将多种目种行为的训练数据合并在一起参与模型训练,这里以图文媒体文件的点击图片行为、视频媒体文件的点击短视频行为,以及所有媒体文件都有的头像点击行为为例,说明如何将三种不同行为的训练数据合并一起让DNN模型学习。
首先,由于各个目标行为的真实点击率差异巨大,正样本和负样本采样的不平衡会影响模型训练效果的准确性,所以需要根据各个目标行为的历史点击率,对点击率较低的点击行为进行增采样,从而使得每种目标行为的正样本和负样本比例保持在一定的范围之内,得到行为样本。
其次,行为样本的特征向量保持不变,将目标行为yi进行向量化处理,得到目标向量该目标向量的长度等于目标行为的个数,每维分量表示对应的目标行为是否发生。可选地,“1”表示点击行为,“0”表示曝光,“-1”表示不处理,具体如表1所示。
表1训练数据预处理举例说明
如表1所示,媒体文件包括图文广告、视频广告和所有广告。假设仅有三种目标行为,分别是点击目标图片行为,点击视频行为和点击头像行为,则对于一个图文媒体文件的图片点击样本,其目标向量表示它属于点击图片行为的正样本,不属于点击视频和点击头像行为;对于一个图文广告的曝光样本,则其目标向量表示它属于点击图片行为和点击头像行为的负样本,但不属于点击视频行为;对于一个视频广告的视频点击样本,则其目标向量它表示属于点击视频行为的正样本,不属于点击图片行为和点击图像行为;对于一个视频广告的曝光样本,则其目标向量表示它属于点击视频行为和点击头像行为的负样本,不属于点击图片行为;对于所有广告的点击头像样本,则其目标向量表示它属于一个点击头像行为的正样本,不属于点击图片行为和点击视频行为;对于所有广告的曝光样本,则其目标向量它属于点击图片行为、点击视频行为和点击头像行为的负样本。
至此,不同类型广告下的多行为的训练数据合并成一个样本集合其中,为样本的特征向量,也即,存在非零向量,使行为样本对应的矩阵与该非零向量之积等于一个数与该非零向量之积,则该非零向量为矩阵的特征向量,i表示第i个样本,N为样本量,K表示总共有K个目标行为。
下面对基于DNN多行为模型训练和预测的方法进行介绍。
DNN是一种多层神经网络模型,其核心优势是从初级原始特征中提取出高级抽象特征,然后供顶层预估输出预估值。DNN基本结构包括底层输入层,中间多层隐藏层和顶层输出层。其中,底层输入层是原始特征输入层,中间多层隐藏层从原始特征中抽取出抽象高级特征,顶层输出层是目标输出层。传统的预估多目标的DNN模型,使用顶层为Softmax函数预测多个互斥的目标,而社交空间的多种行为彼此之间存在一定联系,并且可以同时发生,无法直接使用,需要将DNN进行改造,以适用本场景进行多种目标并行预估。
该实施例将Softmax层替换成K个Sigmoid函数,每个Sigmoid函数可以预估一个目标行为,彼此之间相互独立,但顶层的输入是所有目标共同作用的结果,也即,DNN抽取出的高级特征是所有目标共同作用的结果,这对样本较小的目标达到一种迁移学习的效果,比传统单目标预估带来更好的效果。Softmax函数如下所示:
其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为深层神经网络的顶层输入的数据维度,K为多种行为的数量,WT为W的转置。
Sigmoid函数公式如下所示:
其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为预设深层神经网络的顶层输入的预设数据维度,K为多种目标行为的数量,WT为W的转置。
DNN模型训练步骤包括信号前向传递和误差反向传播两部分。其中,信号前向传递部分和传统BP神经网络一致,根据图7中的DNN结构输出当前模型权重下的多目标的预估值s。其中,图7是根据本发明实施例的一种DNN信号前向传递的示意图。该DNN结构包括底层输入层、中间多层隐藏层和顶层输出层。其中,底层输入层输入特征向量x,是原始特征输入层,中间多层隐藏层从原始特征中抽取出抽象高级特征,顶层是目标输出层,输出各个目标的PCTR。
误差反向传播部分则略有不同。图8是根据本发明实施例的一种DNN误差反向传播示意图。如图8所示,从顶层输出层输入目标y向量,首先将误差定义为真实目标和预估值之间的差异y-s。反向传播的是该误差相对各个层中权重的梯度,由于这里K维多目标是向量,其中任意分量y(k)∈{-1,0,1},对于某样本而言,如果y(k)={0},则表示是该样本是目标k的曝光,如果y(k)={1},则表示是该样本是目标k的点击,需要触发顶层节点k,将其误差进行反向传播,并在误差传播的过程中更新该节点和中间隐藏层之间的权重,以及中间层和输入层的所有权重,如图8中实线所示;如果y(k)=-1,则表示是该样本不属于目标k的行为,则不要触发顶层节点k,也不需要进行误差反向传播,如图8所示的顶层和中间多层隐藏层之间的虚线;通过不断调节网络权重值,使得网络的最终输出与期望输出尽可能接近,以达到训练的目的。
该实施例的DNN多行为预估将多种目标行为的训练数据合并成目标向量参与模型训练,实现了基于DNN的复杂多行为PCTR预估的目的,同时通过DNN顶层使用多个独立的Sigmoid并行训练和预估各自行为,从而实现了降低媒体文件的行为预估复杂性的技术效果,进而解决了相关技术媒体文件的行为预估复杂的问题,并且避免了每个模型都需要单独调参优化、每个模型预估一种行为存在的耗时大的问题,达到了节约人力、时间和机器资源的效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例3
根据本发明实施例,还提供了一种用于实施上述基于媒体文件的行为预估方法的基于媒体文件的行为预估装置。图9是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图。如图9所示,该装置可以包括:第一获取单元10、转化单元20和处理单元30。
第一获取单元10,用于获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为。
转化单元20,用于在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况。
处理单元30,用于通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
可选地,第一获取单元10用于获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示多种目标行为的执行情况;转化单元20用于在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,其中,每个目标向量的长度与多种目标行为的数量相同,每个目标向量的每维分量用于表示每种目标行为的执行情况。
可选地,处理单元30用于通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据。
图10是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图。如图10所示,该装置可以包括:第一获取单元10、转化单元20和处理单元30。其中,处理单元30包括:确定模块31、提取模块32和第一获取模块33。
需要说明的是,该实施例的第一获取单元10、转化单元20和处理单元30与图9所示实施例的基于媒体文件的行为预估装置中的作用相同,此处不再赘述。
确定模块31,用于将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征。
提取模块32,用于从多个初级原始特征中提取预设数据维度的高级特征。
第一获取模块33,用于根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
可选地,多种目标行为之间具有预设关系,第一获取模块33用于采用以下方式获取预估数据:其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为预设深层神经网络的顶层输入的预设数据维度,K为多种目标行为的数量,WT为W的转置。
图11是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图。如图11所示,该装置可以包括:第一获取单元10、转化单元20和处理单元30。该基于媒体文件的行为预估装置还包括:第二获取单元40、第三获取单元50和传输单元60。
需要说明的是,该实施例的第一获取单元10、转化单元20和处理单元30与图9所示实施例的基于媒体文件的行为预估装置中的作用相同,此处不再赘述。
第二获取单元40,用于在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的实际执行数据。
第三获取单元50,用于获取多种目标行为的预估数据与实际执行数据的数据差。
传输单元60,用于在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重。
图12是根据本发明实施例的一种基于媒体文件的行为预估装置的示意图。如图12所示,该装置可以包括:第一获取单元10、转化单元20和处理单元30。其中,第一获取单元10包括:第二获取模块11、增加模块12和确定模块13。
需要说明的是,该实施例的第一获取单元10、转化单元20和处理单元30与图9所示实施例的基于媒体文件的行为预估装置中的作用相同,此处不再赘述。
第二获取模块11,用于获取多种目标行为的历史执行数据。
增加模块12,用于对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,更新采样数据中的多种目标行为的正样本与负样本比例在预设阈值内。
确定模块13,用于将更新采样数据作为与媒体文件的类型相对应的行为样本。
需要说明的是,该实施例中的第一获取单元10可以用于执行本申请实施例1中的步骤S202,该实施例中的转化单元20可以用于执行本申请实施例1中的步骤S204,该实施例中的处理单元30可以用于执行本申请实施例1中的步骤S206。
此处需要说明的是,上述单元和模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
该实施例通过第一获取单元10获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为,通过转化单元20在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况,处理单元30通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据,进而根据预估数据对多种目标行为进行预估,达到了对多种目标行为进行预估的目的,从而实现了降低媒体文件的行为预估复杂性的技术效果,进而解决了相关技术媒体文件的行为预估复杂的问题的技术问题。
实施例4
根据本发明实施例,还提供了一种用于实施上述基于媒体文件的行为预估方法的服务器或终端。
图13是根据本发明实施例的一种终端的结构框图。如图13所示,该终端可以包括:一个或多个(图中仅示出一个)处理器131、存储器133、以及传输装置135,如图13所示,该终端还可以包括输入输出设备137。
其中,存储器133可用于存储软件程序以及模块,如本发明实施例中的基于媒体文件的行为预估方法和装置对应的程序指令/模块,处理器131通过运行存储在存储器133内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的基于媒体文件的行为预估方法。存储器133可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器133可进一步包括相对于处理器131远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置135用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置135包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置135为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器133用于存储应用程序。
处理器131可以通过传输装置135调用存储器133存储的应用程序,以执行下述步骤:
获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;
在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;
通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
处理器131还用于执行下述步骤:获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示多种目标行为的执行情况;在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,其中,每个目标向量的长度与多种目标行为的数量相同,每个目标向量的每维分量用于表示每种目标行为的执行情况。
处理器131还用于执行下述步骤:通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据;根据多种媒体文件下的多种目标行为的预估数据对目标行为进行预估。
处理器131还用于执行下述步骤:将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征;从多个初级原始特征中提取预设数据维度的高级特征;根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
处理器131还用于执行下述步骤:采用以下方式获取预估数据,其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为预设深层神经网络的顶层输入的预设数据维度,K为多种目标行为的数量,WT为W的转置。
处理器131还用于执行下述步骤:在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的实际执行数据;获取多种目标行为的预估数据与实际执行数据的数据差;在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重。
处理器131还用于执行下述步骤:获取多种目标行为的历史执行数据;对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,更新采样数据中的多种目标行为的正样本与负样本比例在预设阈值内;将更新采样数据作为与媒体文件的类型相对应的行为样本。
采用本发明实施例,提供了一种基于媒体文件的行为预估方案。通过获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据,达到了对多种目标行为进行预估的目的,从而实现了降低媒体文件的行为预估复杂性的技术效果,进而解决了相关技术媒体文件的行为预估复杂的问题的技术问题。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图13所示的结构仅为示意,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices,MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如,终端还可包括比图13中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图13所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例5
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行基于媒体文件的行为预估方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取与媒体文件的类型相对应的行为样本,其中,行为样本用于表示多种目标行为的执行情况,多种目标行为包括具有预设关系的行为;
在行为样本的特征向量保持不变的情况下,将行为样本转化为目标向量,其中,目标向量的长度与多种目标行为的数量相同,目标向量的每维分量用于表示每种目标行为的执行情况;
通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示多种目标行为的执行情况;在多个行为样本的特征向量保持不变的情况下,将多个行为样本转化为多个目标向量,其中,每个目标向量的长度与多种目标行为的数量相同,每个目标向量的每维分量用于表示每种目标行为的执行情况。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:通过预设深层神经网络分别对多个行为样本的特征向量和多个目标向量进行处理,得到多种媒体文件下的多种目标行为的预估数据;根据多种媒体文件下的多种目标行为的预估数据对目标行为进行预估。
存储介质被设置为存储用于执行以下步骤的程序代码:将多个行为样本的特征向量确定为预设深层神经网络的多个初级原始特征;从多个初级原始特征中提取预设数据维度的高级特征;根据高级特征和多个目标向量获得多种媒体文件下的多种目标行为的预估数据。
存储介质被设置为存储用于执行以下步骤的程序代码:采用以下方式获取预估数据,其中,p用于表示预估数据,y用于表示多个目标向量中的第k个目标向量,x为第k个目标向量对应的特征向量,W∈RM×K为预设深层神经网络的参数,M为预设深层神经网络的顶层输入的预设数据维度,K为多种目标行为的数量,WT为W的转置。
存储介质被设置为存储用于执行以下步骤的程序代码:在通过预设深层神经网络对行为样本的特征向量和目标向量进行处理,得到用于表示多种目标行为执行于媒体文件的执行概率的预估数据之后,获取多种目标行为的实际执行数据;获取多种目标行为的预估数据与实际执行数据的数据差;在目标向量符合预设条件的情况下,通过预设深层神经网络反向传输数据差,其中,在反向传输的过程中利用数据差更新预设深层神经网络的权重。
存储介质被设置为存储用于执行以下步骤的程序代码:获取多种目标行为的历史执行数据;对历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,更新采样数据中的多种目标行为的正样本与负样本比例在预设阈值内;将更新采样数据作为与媒体文件的类型相对应的行为样本。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种基于媒体文件的行为预估方法,其特征在于,包括:
获取与媒体文件的类型相对应的行为样本,其中,所述行为样本用于表示多种目标行为的执行情况,所述多种目标行为包括具有预设关系的行为;
在所述行为样本的特征向量保持不变的情况下,将所述行为样本转化为目标向量,其中,所述目标向量的长度与所述多种目标行为的数量相同,所述目标向量的每维分量用于表示每种目标行为的执行情况;
通过预设深层神经网络对所述行为样本的特征向量和所述目标向量进行处理,得到用于表示所述多种目标行为执行于所述媒体文件的执行概率的预估数据。
2.根据权利要求1所述的方法,其特征在于,
获取与媒体文件的类型相对应的行为样本包括:获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示所述预设关系的所述多种目标行为的执行情况;
在所述行为样本的特征向量保持不变的情况下,将所述行为样本转化为目标向量包括:在所述多个行为样本的特征向量保持不变的情况下,将所述多个行为样本转化为多个目标向量,其中,每个目标向量的长度与所述多种目标行为的数量相同,所述每个目标向量的每维分量用于表示每种目标行为的执行情况。
3.根据权利要求2所述的方法,其特征在于,
通过预设深层神经网络对所述特征向量和所述目标向量进行处理,得到用于表示所述多种目标行为的执行概率的预估数据包括:通过所述预设深层神经网络分别对所述多个行为样本的特征向量和所述多个目标向量进行处理,得到所述多种媒体文件下的所述多种目标行为的预估数据。
4.根据权利要求3所述的方法,其特征在于,通过所述预设深层神经网络分别对所述多个行为样本的特征向量和所述多个目标向量进行处理,得到所述多种媒体文件下的所述多种目标行为的预估数据包括:
将所述多个行为样本的特征向量确定为所述预设深层神经网络的多个初级原始特征;
从所述多个初级原始特征中提取预设数据维度的高级特征;
根据所述高级特征和所述多个目标向量获得所述多种媒体文件下的所述多种目标行为的预估数据。
5.根据权利要求4所述的方法,其特征在于,根据所述高级特征和所述多个目标向量获得所述多种媒体文件下的所述多种目标行为的预估数据包括:采用以下方式获取所述预估数据,
其中,所述p用于表示所述预估数据,所述y用于表示所述多个目标向量中的第k个目标向量,所述x为所述第k个目标向量对应的特征向量,所述W∈RM×K为所述预设深层神经网络的参数,所述M为所述预设深层神经网络的顶层输入的所述预设数据维度,所述K为所述多种目标行为的数量,所述WT为所述W的转置。
6.根据权利要求1所述的方法,其特征在于,在通过预设深层神经网络对所述行为样本的特征向量和所述目标向量进行处理,得到用于表示所述多种目标行为的执行概率的预估数据之后,所述方法还包括:
获取所述多种目标行为的实际执行数据;
获取所述多种目标行为的预估数据与所述实际执行数据的数据差;
在所述目标向量符合预设条件的情况下,通过所述预设深层神经网络反向传输所述数据差,其中,在所述反向传输的过程中利用所述数据差更新所述预设深层神经网络的权重。
7.根据权利要求1所述的方法,其特征在于,获取与媒体文件的类型相对应的行为样本包括:
获取所述多种目标行为的历史执行数据;
对所述历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,所述更新采样数据中的所述多种目标行为的正样本与负样本比例在预设阈值内;
将所述更新采样数据作为与所述媒体文件的类型相对应的所述行为样本。
8.一种基于媒体文件的行为预估装置,其特征在于,包括:
第一获取单元,用于获取与媒体文件的类型相对应的行为样本,其中,所述行为样本用于表示多种目标行为的执行情况,所述多种目标行为包括具有预设关系的行为;
转化单元,用于在所述行为样本的特征向量保持不变的情况下,将所述行为样本转化为目标向量,其中,所述目标向量的长度与所述多种目标行为的数量相同,所述目标向量的每维分量用于表示每种目标行为的执行情况;
处理单元,用于通过预设深层神经网络对所述行为样本的特征向量和所述目标向量进行处理,得到用于表示所述多种目标行为执行于所述媒体文件的执行概率的预估数据。
9.根据权利要求8所述的装置,其特征在于,
所述第一获取单元用于获取与多种媒体文件的类型相对应的多个行为样本,其中,每个行为样本用于表示所述预设关系的所述多种目标行为的执行情况;
所述转化单元用于在所述多个行为样本的特征向量保持不变的情况下,将所述多个行为样本转化为多个目标向量,其中,每个目标向量的长度与所述多种目标行为的数量相同,所述每个目标向量的每维分量用于表示每种目标行为的执行情况。
10.根据权利要求9所述的装置,其特征在于,所述处理单元用于通过所述预设深层神经网络分别对所述多个行为样本的特征向量和所述多个目标向量进行处理,得到所述多种媒体文件下的所述多种目标行为的预估数据。
11.根据权利要求10所述的装置,其特征在于,所述处理单元包括:
确定模块,用于将所述多个行为样本的特征向量确定为所述预设深层神经网络的多个初级原始特征;
提取模块,用于从所述多个初级原始特征中提取预设数据维度的高级特征;
第一获取模块,用于根据所述高级特征和所述多个目标向量获得所述多种媒体文件下的所述多种目标行为的预估数据。
12.根据权利要求11所述的装置,其特征在于,所述多种目标行为之间具有预设关系,所述第一获取模块用于采用以下方式获取所述预估数据:
其中,所述p用于表示所述预估数据,所述y用于表示所述多个目标向量中的第k个目标向量,所述x为所述第k个目标向量对应的特征向量,所述W∈RM×K为所述预设深层神经网络的参数,所述M为所述预设深层神经网络的顶层输入的所述预设数据维度,所述K为所述多种目标行为的数量,所述WT为所述W的转置。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于在通过预设深层神经网络对所述行为样本的特征向量和所述目标向量进行处理,得到用于表示所述多种目标行为的执行概率的预估数据之后,获取所述多种目标行为的实际执行数据;
第三获取单元,用于获取所述多种目标行为的预估数据与所述实际执行数据的数据差;
传输单元,用于在所述目标向量符合预设条件的情况下,通过所述预设深层神经网络反向传输所述数据差,其中,在所述反向传输的过程中利用所述数据差更新所述预设深层神经网络的权重。
14.根据权利要求8所述的装置,其特征在于,所述第一获取单元包括:
第二获取模块,用于获取所述多种目标行为的历史执行数据;
增加模块,用于对所述历史执行数据中执行率最低的目标行为增加采样量,得到更新采样数据,其中,所述更新采样数据中的所述多种目标行为的正样本与负样本比例在预设阈值内;
确定模块,用于将所述更新采样数据作为与所述媒体文件的类型相对应的所述行为样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159336.8A CN108614845B (zh) | 2016-12-13 | 2016-12-13 | 基于媒体文件的行为预估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611159336.8A CN108614845B (zh) | 2016-12-13 | 2016-12-13 | 基于媒体文件的行为预估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108614845A true CN108614845A (zh) | 2018-10-02 |
CN108614845B CN108614845B (zh) | 2020-08-18 |
Family
ID=63658254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611159336.8A Active CN108614845B (zh) | 2016-12-13 | 2016-12-13 | 基于媒体文件的行为预估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108614845B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110515904A (zh) * | 2019-08-13 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 媒体文件的质量预测模型训练方法、质量预测方法及装置 |
CN112700277A (zh) * | 2020-12-30 | 2021-04-23 | 北京爱笔科技有限公司 | 用户行为数据的处理方法和多行为序列转化模型训练方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013169241A1 (en) * | 2012-05-09 | 2013-11-14 | Bp Corporation North America Inc. | Predictive corrosion coupons from data mining |
US8719298B2 (en) * | 2009-05-21 | 2014-05-06 | Microsoft Corporation | Click-through prediction for news queries |
CN105069041A (zh) * | 2015-07-23 | 2015-11-18 | 合一信息技术(北京)有限公司 | 基于视频用户性别分类的广告投放方法 |
CN105095964A (zh) * | 2015-08-17 | 2015-11-25 | 杭州朗和科技有限公司 | 一种数据处理方法和装置 |
CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种预测访问内容点击率的方法及装置 |
-
2016
- 2016-12-13 CN CN201611159336.8A patent/CN108614845B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719298B2 (en) * | 2009-05-21 | 2014-05-06 | Microsoft Corporation | Click-through prediction for news queries |
WO2013169241A1 (en) * | 2012-05-09 | 2013-11-14 | Bp Corporation North America Inc. | Predictive corrosion coupons from data mining |
CN105069041A (zh) * | 2015-07-23 | 2015-11-18 | 合一信息技术(北京)有限公司 | 基于视频用户性别分类的广告投放方法 |
CN105095964A (zh) * | 2015-08-17 | 2015-11-25 | 杭州朗和科技有限公司 | 一种数据处理方法和装置 |
CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种预测访问内容点击率的方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110515904A (zh) * | 2019-08-13 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 媒体文件的质量预测模型训练方法、质量预测方法及装置 |
CN112700277A (zh) * | 2020-12-30 | 2021-04-23 | 北京爱笔科技有限公司 | 用户行为数据的处理方法和多行为序列转化模型训练方法 |
CN112700277B (zh) * | 2020-12-30 | 2024-05-28 | 北京爱笔科技有限公司 | 用户行为数据的处理方法和多行为序列转化模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108614845B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046515B (zh) | 广告排序方法及装置 | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110266745B (zh) | 基于深度网络的信息流推荐方法、装置、设备及存储介质 | |
CN110232183A (zh) | 关键词提取模型训练方法、关键词提取方法、装置及存储介质 | |
CN108604222A (zh) | 用于部署定制机器学习服务的系统和方法 | |
CN110245301A (zh) | 一种推荐方法、装置及存储介质 | |
CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
CN110832533A (zh) | 用于生成用户偏好内容的对抗式方法和系统 | |
CN111861569A (zh) | 产品信息推荐方法及装置 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
JP7208595B2 (ja) | 映画成功指数の予測 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
US10726087B2 (en) | Machine learning system and method to identify and connect like-minded users | |
CN111798244B (zh) | 交易欺诈行为监测方法及装置 | |
CN109670847A (zh) | 资源的分配方法和装置 | |
CN111414842B (zh) | 一种视频对比方法、装置、计算机设备和存储介质 | |
CN108614845A (zh) | 基于媒体文件的行为预估方法和装置 | |
CN110008999A (zh) | 目标帐号的确定方法、装置、存储介质及电子装置 | |
CN114064627A (zh) | 一种针对多重关系的知识图谱链接补全方法及系统 | |
CN115034836B (zh) | 一种模型训练方法及相关装置 | |
CN109819002A (zh) | 数据推送方法和装置、存储介质及电子装置 | |
CN108734186A (zh) | 自动退出即时通信会话群的方法、装置和系统 | |
CN113011886B (zh) | 帐号类型的确定方法和装置及电子设备 | |
CN112053184B (zh) | 推广信息投放方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |