CN109543069B - 视频推荐方法、装置和计算机可读存储介质 - Google Patents

视频推荐方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN109543069B
CN109543069B CN201811289384.8A CN201811289384A CN109543069B CN 109543069 B CN109543069 B CN 109543069B CN 201811289384 A CN201811289384 A CN 201811289384A CN 109543069 B CN109543069 B CN 109543069B
Authority
CN
China
Prior art keywords
video
rate
user
sample
neural network
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.)
Active
Application number
CN201811289384.8A
Other languages
English (en)
Other versions
CN109543069A (zh
Inventor
蔡锦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201811289384.8A priority Critical patent/CN109543069B/zh
Publication of CN109543069A publication Critical patent/CN109543069A/zh
Application granted granted Critical
Publication of CN109543069B publication Critical patent/CN109543069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Analysis (AREA)

Abstract

本申请是关于一种视频推荐方法、装置和计算机存储介质。该视频推荐方法包括：获取样本用户的用户特征和样本视频的视频特征；分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。在该视频推荐方法中，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。设计的神经网络算法能够同时预估用户对视频的点击率、点赞率和关注率，极大地提高了视频推荐的效率。

Description

视频推荐方法、装置和计算机可读存储介质
技术领域
本申请属于计算机软件应用领域，尤其是视频推荐方法和装置。
背景技术
随着科技的日益进步和互联网的普及,越来越多的人通过视频来传输信息和分享生活,海量个性化的视频推荐显得日益重要。目前应用比较广泛的是通过机器学习的方法来预估用户对视频的点击率等目标。
相关技术中，基于大规模离散深度学习的视频推荐技术，是通过将用户侧网络和视频侧网络进行分离，在用户侧网络和视频侧网络分别对用户特征和视频特征进行变换，然后通过最小化损失函数来学习神经网络中的参数，从而预估用户对视频的点击率等目标。
基于大规模离散深度学习的视频推荐技术，用户特征和视频特征不共享，导致某些出现次数比较少的视频的视频特征学习的不够充分，从而降低了对这部分视频的预估用户对视频的点击率等目标的准确率。使用欧式距离和余弦距离来预估用户对视频的点击率等目标，欧式距离和余弦距离不适合视频推荐场景，从而进一步降低了预估用户对视频的点击率等目标的准确率。使用的深度学习算法一次只能够对一个目标模型进行预估，这降低了预估用户对视频的点击率等目标的效率。
发明内容
为克服相关技术中存在的问题，本申请公开一种视频推荐方法和装置，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，以实现准确和高效的视频推荐。
根据本申请实施例的第一方面，提供一种视频推荐方法，包括：
获取样本用户的用户特征和样本视频的视频特征；
分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的；
根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
可选地，所述用户特征和所述视频特征的部分特征是共享的。
可选地，所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征。
可选地，所述用户的动态特征包括以下特征中的至少之一：用户点击历史特征、用户点赞历史特征和用户关注列表特征。
可选地，所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。
可选地，所述用户点击历史特征和所述用户点赞历史特征中记录的视频的ID与所述视频的ID特征中记录的视频的ID共享。
可选地，所述用户关注列表特征中记录的视频作者的ID与所述视频作者的ID特征中记录的视频作者的ID共享。
可选地，所述分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习的步骤，包括：
基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型；
分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习；
分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，包括：
将所述用户特征输入所述用户侧神经网络；
在所述用户侧神经网络将所述用户特征由下而上逐层进行变换，得到用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：
将所述视频特征输入所述视频侧神经网络；
在所述视频侧神经网络将所述视频特征由下而上逐层进行变换，得到视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：
分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的步骤，还包括：
分别将所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离转换为点击率的概率、点赞率的概率和关注率的概率。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，包括：
根据所述点击率模型的点击率的概率和样本标签，计算所述点击率模型的损失函数；
根据所述点赞率模型的点赞率的概率和样本标签，计算所述点赞率模型的损失函数；以及
根据所述关注率模型的关注率的概率和样本标签，计算所述关注率模型的损失函数。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：
采用随机梯度下降法最小化所述点击率模型的损失函数；
求解所述点击率模型的损失函数的梯度；
分别由上而下逐层更新所述用户侧的点击率模型的网络参数和所述视频侧的点击率模型的网络参数；以及
分别跟新所述用户侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数和所述视频侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：
采用随机梯度下降法最小化所述点赞率模型的损失函数；
求解所述点赞率模型的损失函数的梯度；
分别由上而下逐层更新所述用户侧的点赞率模型的网络参数和所述视频侧的点赞率模型的网络参数；以及
分别跟新所述用户侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数和所述视频侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数。
可选地，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的步骤，还包括：
采用随机梯度下降法最小化所述关注率模型的损失函数；
求解所述关注率模型的损失函数的梯度；
分别由上而下逐层更新所述用户侧的关注率模型的网络参数和所述视频侧的关注率模型的网络参数；以及
分别跟新所述用户侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数和所述视频侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数。
可选地，所述获取样本用户的用户特征和样本视频的视频特征的步骤之前，还包括：获取样本用户和样本视频，并且为所述样本视频标注样本标签。
可选地，在所述点击率模型中，若所述样本用户点击了操作页面展示的所述样本视频，则将所述样本视频标注为正样本，若所述样本用户没有点击操作页面展示的所述样本视频，则将所述样本视频标注为负样本；
在所述点赞率模型中，若所述样本用户点击并点赞了所述样本视频，则将所述样本视频标注为正样本，若所述样本用户点击但没有点赞所述样本视频，则将所述样本视频标注为负样本；
在所述关注率模型中，若所述样本用户点击了所述样本视频并关注了所述样本视频的视频作者，则将所述样本视频标注为正样本，若所述样本用户点击了所述样本视频但没有关注所述样本视频的视频作者，则将所述样本视频标注为负样本。
可选地，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：
接收目标用户的视频获取请求；
获取所述目标用户的视频特征和用户特征；
在用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；
在视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；
分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；
根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。
可选地，视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
根据本申请实施例的第二方面，提供一种视频推荐装置，包括：
特征提取单元：被配置为获取样本用户的用户特征和样本视频的视频特征；
联合学习单元：被配置为分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习；
线上视频推荐单元：被配置为根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
可选地，所述视频推荐装置，还包括：
样本采集单元：被配置为获取样本用户和样本视频，并且为所述样本视频标注样本标签。
可选地，所述特征提取单元还被配置为定期获取所述样本视频的视频特征；
所述联合学习单元还被配置为视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
根据本发明实施例的第三方面，提供一种视频推荐装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述任意一项所述的视频推荐方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述视频推荐方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
在该视频推荐方法中，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。设计的神经网络算法能够同时预估用户对视频的点击率、点赞率和关注率，极大地提高了视频推荐的效率。
在该视频推荐方法中，获取样本用户的用户特征和样本视频的视频特征；所述用户特征和所述视频特征的部分特征是共享的。避免对某些出现次数比较少的视频的视频特征学习的不够充分，从而提高了视频推荐的准确率。
在该视频推荐方法中，针对视频推荐的场景设计合适的内积距离来表征用户对视频的点击率、点赞率和关注率，设计合适的损失函数来分别逐层更新所述点击率模型、所述点赞率模型和所述关注率模型的神经网络算法的所述网络参数，从而进一步提高了视频推荐的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1是根据一示例性实施例示出的视频推荐方法的流程图。
图2是根据一示例性实施例示出的视频推荐方法的流程图。
图3是根据一示例性实施例示出的视频推荐方法的流程图。
图4是根据一示例性实施例示出的视频推荐方法的流程图。
图5是根据一示例性实施例示出的视频推荐装置的示意图。
图6是根据一示例性实施例示出的一种执行视频推荐方法的装置的框图。
图7是根据一示例性实施例示出的一种执行视频推荐方法的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的视频推荐方法的流程图，具体包括以下步骤：
在步骤S101中，获取样本用户的用户特征和样本视频的视频特征。
在步骤S102中，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的。
在步骤S103中，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
在本申请的一个实施例中，首先，获取样本用户的用户特征和样本视频的视频特征。然后，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的。最后，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
根据本申请实施例，分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。设计的神经网络算法能够同时预估用户对视频的点击率、点赞率和关注率，极大地提高了视频推荐的效率。
图2是根据一示例性实施例示出的视频推荐方法的流程图，具体包括以下步骤：
在步骤S201中，获取样本用户和样本视频，并且为所述样本视频标注样本标签。
在步骤S202中，获取样本用户的用户特征和样本视频的视频特征。
在步骤S203中，基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型。
在步骤S204中，分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习。
在步骤S205中，分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。
在步骤S206中，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
在本申请的一个实施例中，首先，获取样本用户和样本视频，并且为所述样本视频标注样本标签。然后，获取样本用户的用户特征和样本视频的视频特征。其次，基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型。再次，分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习。再次，分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。最后，根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
根据本申请实施例，基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型。分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习和反向学习。设计的神经网络算法能够分别在用户侧和视频侧同时预估用户对视频的点击率、点赞率和关注率，极大地提高了视频推荐的效率。
在一个可选的实施例中，所述用户特征和所述视频特征的部分特征是共享的。所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征。所述用户的动态特征包括以下特征中的至少之一：用户点击历史特征、用户点赞历史特征和用户关注列表特征。所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。所述用户点击历史特征和所述用户点赞历史特征中记录的视频的ID与所述视频的ID特征中记录的视频的ID共享。所述用户关注列表特征中记录的视频作者的ID与所述视频作者的ID特征中记录的视频作者的ID共享。
根据本实施例，获取样本用户的用户特征和样本视频的视频特征；所述用户特征和所述视频特征的部分特征是共享的。避免对某些出现次数比较少的视频的视频特征学习的不够充分，从而提高了视频推荐的准确率。
在一个可选的实施例中，在所述点击率模型中，若所述样本用户点击了操作页面展示的所述样本视频，则将所述样本视频标注为正样本；若所述样本用户没有点击操作页面展示的所述样本视频，则将所述样本视频标注为负样本。在一个实施例中，将所述正样本的样本标签标注为1，将所述负样本的样本标签标注为0。
在所述点赞率模型中，若所述样本用户点击并点赞了所述样本视频，则将所述样本视频标注为正样本；若所述样本用户点击但没有点赞所述样本视频，则将所述样本视频标注为负样本。在一个实施例中，将所述正样本的样本标签标注为1，将所述负样本的样本标签标注为0。
在所述关注率模型中，若所述样本用户点击了所述样本视频并关注了所述样本视频的视频作者，则将所述样本视频标注为正样本；若所述样本用户点击了所述样本视频但没有关注所述样本视频的视频作者，则将所述样本视频标注为负样本。在一个实施例中，将所述正样本的样本标签标注为1，将所述负样本的样本标签标注为0。
在一个可选的实施例中，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：接收目标用户的视频获取请求；获取所述目标用户的视频特征和用户特征；根据用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；根据视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离越小，则所述目标用户对所述目标视频点击、点赞和关注的概率越大。在线上视频推荐时，采用一个排序公式对视频进行排序。
在一个可选的实施例中，视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。当接收目标用户的视频获取请求后，获取所述目标用户的用户特征；根据用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量。分别计算所述用户侧的点击率的顶层向量和定期计算的视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和定期计算的视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和定期计算的视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述视频的推荐列表。
根据本实施例，视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。在线上视频推荐时，所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量不依赖于所述目标用户，可以提前计算，节省算法计算时间，提高了视频推荐的效率。
图3是根据一示例性实施例示出的视频推荐方法的流程图，具体是所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习的方法的流程图，具体包括以下步骤：
在步骤S301中，将所述用户特征输入所述用户侧神经网络；将所述视频特征输入所述视频侧神经网络。
在步骤S302中，在所述用户侧神经网络将所述用户特征逐层进行变换，得到用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在所述视频侧神经网络将所述视频特征逐层进行变换，得到视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
在步骤S303中，分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离。
在步骤S304中，分别将所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离转换为点击率的概率、点赞率的概率和关注率的概率。
在本申请的一个实施例中，所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习。首先，将所述用户特征输入所述用户侧神经网络；将所述视频特征输入所述视频侧神经网络。然后，在所述用户侧神经网络将所述用户特征逐层进行变换，得到用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在所述视频侧神经网络将所述视频特征逐层进行变换，得到视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。其次，分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离。最后，分别将所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离转换为点击率的概率、点赞率的概率和关注率的概率。
根据本申请实施例，分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离。针对视频推荐的场景设计合适的内积距离来表征用户对视频的点击率、点赞率和关注率，从而进一步提高了视频推荐的准确率。
所述内积距离的计算公式为：
Figure GDA0001899244870000121
其中，A,B∈Rd，Ai为用户侧的顶层向量，Bi为视频侧的顶层向量。
在一个实施例中，所述用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量分别为A1、A2和A3；所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量分别为B1、B2和B3；所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离分别为distance(A1,B1)、distance(A2,B2)、distance(A3,B3)。
在一个可选的实施例中，分别将所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离转换为点击率的概率、点赞率的概率和关注率的概率的计算公式为sigmoid函数：
Figure GDA0001899244870000122
其中，a为所述内积距离，σ(a)为内积距离a的相应概率，取值范围是(0,1)。
图4是根据一示例性实施例示出的视频推荐方法的流程图，具体是所述分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习的方法的流程图，具体包括以下步骤：
在步骤S401中，根据所述点击率模型的点击率的概率和样本标签，计算所述点击率模型的损失函数；根据所述点赞率模型的点赞率的概率和样本标签，计算所述点赞率模型的损失函数；以及根据所述关注率模型的关注率的概率和样本标签，计算所述关注率模型的损失函数。
在步骤S402中，采用随机梯度下降法最小化所述点击率模型的损失函数；采用随机梯度下降法最小化所述点赞率模型的损失函数；采用随机梯度下降法最小化所述关注率模型的损失函数。
在步骤S403中，求解所述点击率模型的损失函数的梯度；求解所述点赞率模型的损失函数的梯度；求解所述关注率模型的损失函数的梯度。
在步骤S404中，逐层更新所述用户侧的点击率模型的网络参数和所述视频侧的点击率模型的网络参数；逐层更新所述用户侧的点赞率模型的网络参数和所述视频侧的点赞率模型的网络参数；逐层更新所述用户侧的关注率模型的网络参数和所述视频侧的关注率模型的网络参数。
在步骤S405中，分别在所述点击率模型、所述点赞率模型和所述关注率模型中跟新所述用户侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数和所述视频侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数。
在本申请的一个实施例中，首先，根据所述点击率模型的点击率的概率和样本标签，计算所述点击率模型的损失函数；根据所述点赞率模型的点赞率的概率和样本标签，计算所述点赞率模型的损失函数；以及根据所述关注率模型的关注率的概率和样本标签，计算所述关注率模型的损失函数。然后，采用随机梯度下降法最小化所述点击率模型的损失函数；采用随机梯度下降法最小化所述点赞率模型的损失函数；采用随机梯度下降法最小化所述关注率模型的损失函数。其次，求解所述点击率模型的损失函数的梯度；求解所述点赞率模型的损失函数的梯度；求解所述关注率模型的损失函数的梯度。再次，逐层更新所述用户侧的点击率模型的网络参数和所述视频侧的点击率模型的网络参数；逐层更新所述用户侧的点赞率模型的网络参数和所述视频侧的点赞率模型的网络参数；逐层更新所述用户侧的关注率模型的网络参数和所述视频侧的关注率模型的网络参数。最后，分别在所述点击率模型、所述点赞率模型和所述关注率模型中跟新所述用户侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数和所述视频侧神经网络的所述视频的ID特征和所述视频作者的ID特征对应的网络参数。
根据本申请实施例，采用随机梯度下降法最小化所述点击率模型、所述点赞率模型和所述关注率模型的损失函数，分别求解所述点击率模型、所述点赞率模型和所述关注率模型的所述损失函数的梯度，分别逐层更新所述点击率模型、所述点赞率模型和所述关注率模型的神经网络算法的所述网络参数。针对视频推荐的场景设计合适的损失函数来分别逐层更新所述点击率模型、所述点赞率模型和所述关注率模型的神经网络算法的所述网络参数，从而进一步提高了视频推荐的准确率。
在一个可选的实施例中，所述根据所述点击率模型的点击率的概率和样本标签，计算所述点击率模型的损失函数；根据所述点赞率模型的点赞率的概率和样本标签，计算所述点赞率模型的损失函数；以及根据所述关注率模型的关注率的概率和样本标签，计算所述关注率模型的损失函数。所述损失函数(Log Loss)的计算公式为：
lt(At,Bt)＝-yt log pt-(1-yt)lo g(1-pt) (3)
其中，At,Bt∈Rd，At为用户侧的顶层向量，Bt为视频侧的顶层向量,pt＝σ(At·Bt)为预估的所述点击率的概率、点赞率的概率和关注率的概率，σ是sigmoid函数，yt∈{0,1}为样本标签。
图5是根据一示例性实施例示出的视频推荐装置的示意图。如图5所示，该装置50包括：特征提取单元501、联合学习单元502、线上视频推荐单元503和样本采集单元504。
特征提取单元501：被配置为获取样本用户的用户特征和样本视频的视频特征。
联合学习单元502：被配置为分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习。
线上视频推荐单元503：被配置为根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表。
样本采集单元504：被配置为获取样本用户和样本视频，并且为所述样本视频标注样本标签
在一个可选的实施例中，所述特征提取单元还被配置为定期获取所述样本视频的视频特征；所述联合学习单元还被配置为视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
图6是根据一示例性实施例示出的一种执行视频推荐方法的装置1200的框图。例如，交互装置1200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电源组件1206，多媒体组件1208，音频组件1210，输入/输出(I/O)的接口1212，传感器组件1214，以及通信组件1216。
处理组件1202通常控制装置1200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1202可以包括一个或多个模块，便于处理组件1202和其他组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理系统，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1208包括一个前置摄像头和/或后置摄像头。当设备1200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个麦克风(MIC)，当装置1200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。
I/O接口1212为处理组件1202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1214包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1214可以检测到设备1200的打开/关闭状态，组件的相对定位，例如所述组件为装置1200的显示器和小键盘，传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件1216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1216还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1204，上述指令可由装置1200的处理器1220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的一种执行视频推荐方法的装置1300的框图。例如，装置1300可以被提供为一服务器。参照图7，装置1300包括处理组件1322，其进一步包括一个或多个处理器，以及由存储器1332所代表的存储器资源，用于存储可由处理组件1322的执行的指令，例如应用程序。存储器1332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1322被配置为执行指令，以执行上述信息列表显示方法。
装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理，一个有线或无线网络接口1350被配置为将装置1300连接到网络，和一个输入输出(I/O)接口1358。装置1300可以操作基于存储在存储器1332的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (9)

1.一种视频推荐方法，其特征在于，包括：
获取样本用户的用户特征和样本视频的视频特征；
分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的；
根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：
接收目标用户的视频获取请求；获取所述目标用户的视频特征和用户特征；在用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。
2.根据权利要求1所述的视频推荐方法，其特征在于，
所述用户特征包括以下特征中的至少之一：用户的ID特征、用户的静态特征和用户的动态特征；
所述视频特征包括以下特征中的至少之一：视频的ID特征、视频作者的ID特征、视频标签特征和视频的统计特征。
3.根据权利要求2所述的视频推荐方法，其特征在于，所述分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习的步骤，包括：
基于神经网络算法分别在用户侧神经网络和视频侧神经网络建立点击率模型、点赞率模型和关注率模型；
分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行前向学习；
分别在用户侧神经网络和视频侧神经网络对所述点击率模型、点赞率模型和关注率模型进行反向学习。
4.根据权利要求3所述的视频推荐方法，其特征在于，所述获取样本用户的用户特征和样本视频的视频特征的步骤之前，还包括：获取样本用户和样本视频，并且为所述样本视频标注样本标签；
在所述点击率模型中，若所述样本用户点击了操作页面展示的所述样本视频，则将所述样本视频标注为正样本，若所述样本用户没有点击操作页面展示的所述样本视频，则将所述样本视频标注为负样本；
在所述点赞率模型中，若所述样本用户点击并点赞了所述样本视频，则将所述样本视频标注为正样本，若所述样本用户点击但没有点赞所述样本视频，则将所述样本视频标注为负样本；
在所述关注率模型中，若所述样本用户点击了所述样本视频并关注了所述样本视频的视频作者，则将所述样本视频标注为正样本，若所述样本用户点击了所述样本视频但没有关注所述样本视频的视频作者，则将所述样本视频标注为负样本。
5.一种视频推荐装置，其特征在于，包括：
特征提取单元：被配置为获取样本用户的用户特征和样本视频的视频特征；
联合学习单元：被配置为分别在用户侧神经网络和视频侧神经网络对点击率、点赞率和关注率进行联合学习，所述用户特征和所述视频特征的部分特征是共享的；
线上视频推荐单元：被配置为根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表，所述根据联合学习获得的神经网络算法的网络参数，得到视频的推荐列表的步骤，包括：
接收目标用户的视频获取请求；获取所述目标用户的视频特征和用户特征；在用户侧神经网络计算用户侧的点击率的顶层向量、用户侧的点赞率的顶层向量和用户侧的关注率的顶层向量；在视频侧神经网络计算视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量；分别计算所述用户侧的点击率的顶层向量和视频侧的点击率的顶层向量的内积距离、所述用户侧的点赞率的顶层向量和视频侧的点赞率的顶层向量的内积距离和所述用户侧的关注率的顶层向量和视频侧的关注率的顶层向量的内积距离；根据所述点击率的内积距离、所述点赞率的内积距离和所述关注率的内积距离对目标视频进行排序，得到所述目标视频的推荐列表。
6.根据权利要求5所述的视频推荐装置，其特征在于，还包括：
样本采集单元：被配置为获取样本用户和样本视频，并且为所述样本视频标注样本标签。
7.根据权利要求5所述的视频推荐装置，其特征在于，所述特征提取单元还被配置为定期获取所述样本视频的视频特征；
所述联合学习单元还被配置为视频侧神经网络定期计算所述视频侧的点击率的顶层向量、视频侧的点赞率的顶层向量和视频侧的关注率的顶层向量。
8.一种视频推荐装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述权利要求1至4任意一项所述的视频推荐方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至4任一项所述的视频推荐方法。
CN201811289384.8A 2018-10-31 2018-10-31 视频推荐方法、装置和计算机可读存储介质 Active CN109543069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811289384.8A CN109543069B (zh) 2018-10-31 2018-10-31 视频推荐方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811289384.8A CN109543069B (zh) 2018-10-31 2018-10-31 视频推荐方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109543069A CN109543069A (zh) 2019-03-29
CN109543069B true CN109543069B (zh) 2021-07-13

Family

ID=65845758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811289384.8A Active CN109543069B (zh) 2018-10-31 2018-10-31 视频推荐方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109543069B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795134B (zh) * 2019-10-30 2021-10-15 中南大学 基于开源软件包依赖特征的标签推荐方法、装置及系统
CN112925972B (zh) * 2019-12-06 2024-03-08 北京达佳互联信息技术有限公司 信息推送方法、装置、电子设备和存储介质
CN113158020A (zh) * 2020-01-22 2021-07-23 北京达佳互联信息技术有限公司 视频的推荐方法及装置
CN112307344B (zh) * 2020-11-05 2022-05-06 完美世界(北京)软件科技发展有限公司 对象推荐模型、对象推荐方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235893A (zh) * 2013-05-06 2013-08-07 重庆大学 一种用户-商品点击率自适应预测装置和预测方法
CN105701191A (zh) * 2016-01-08 2016-06-22 腾讯科技（深圳）有限公司 一种推送信息点击率估计方法和装置
CN108416625A (zh) * 2018-02-28 2018-08-17 阿里巴巴集团控股有限公司 营销产品的推荐方法和装置
CN108537624A (zh) * 2018-03-09 2018-09-14 西北大学 一种基于深度学习的旅游服务推荐方法
CN108573032A (zh) * 2018-03-27 2018-09-25 麒麟合盛网络技术股份有限公司 视频推荐方法及装置
CN108664658A (zh) * 2018-05-21 2018-10-16 南京大学 一种考虑用户偏好动态变化的协同过滤视频推荐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105446970A (zh) * 2014-06-10 2016-03-30 华为技术有限公司 推荐项目的方法和装置
US10719509B2 (en) * 2016-10-11 2020-07-21 Google Llc Hierarchical quantization for fast inner product search
US10643120B2 (en) * 2016-11-15 2020-05-05 International Business Machines Corporation Joint learning of local and global features for entity linking via neural networks
US20180204113A1 (en) * 2017-01-13 2018-07-19 Ebay Inc. Interaction analysis and prediction based neural networking
CN108182621A (zh) * 2017-12-07 2018-06-19 合肥美的智能科技有限公司 商品推荐方法及商品推荐装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235893A (zh) * 2013-05-06 2013-08-07 重庆大学 一种用户-商品点击率自适应预测装置和预测方法
CN105701191A (zh) * 2016-01-08 2016-06-22 腾讯科技（深圳）有限公司 一种推送信息点击率估计方法和装置
CN108416625A (zh) * 2018-02-28 2018-08-17 阿里巴巴集团控股有限公司 营销产品的推荐方法和装置
CN108537624A (zh) * 2018-03-09 2018-09-14 西北大学 一种基于深度学习的旅游服务推荐方法
CN108573032A (zh) * 2018-03-27 2018-09-25 麒麟合盛网络技术股份有限公司 视频推荐方法及装置
CN108664658A (zh) * 2018-05-21 2018-10-16 南京大学 一种考虑用户偏好动态变化的协同过滤视频推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Deep Learning-Based Recommendation: Current Issues and Challenges";Rim Fakhfakh 等;《(IJACSA) International Journal of Advanced Computer Science and Applications》;20170131;第8卷(第12期);59-68 *
"基于深度神经网络的视频个性化推荐系统研究";高睿;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第7期);I140-75 *

Also Published As

Publication number Publication date
CN109543069A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109543066B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109800325B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109858524B (zh) 手势识别方法、装置、电子设备及存储介质
CN109871896B (zh) 数据分类方法、装置、电子设备及存储介质
CN109543069B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109961094B (zh) 样本获取方法、装置、电子设备及可读存储介质
CN109670632B (zh) 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质
CN110781323A (zh) 多媒体资源的标签确定方法、装置、电子设备及存储介质
CN107454204B (zh) 用户信息标注方法及装置
CN109886211B (zh) 数据标注方法、装置、电子设备及存储介质
US20220277204A1 (en) Model training method and apparatus for information recommendation, electronic device and medium
CN110941727A (zh) 一种资源推荐方法、装置、电子设备及存储介质
CN109842688B (zh) 一种内容推荐方法、装置、电子设备及存储介质
CN112784151A (zh) 一种确定推荐信息的方法及相关装置
CN112308588A (zh) 广告的投放方法、装置及存储介质
CN110659726B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111949808B (zh) 一种多媒体内容相似度确定方法、装置、电子设备及存储介质
CN113870195A (zh) 目标贴图检测模型的训练、贴图检测方法及装置
CN112434714A (zh) 多媒体识别的方法、装置、存储介质及电子设备
CN108154092B (zh) 人脸特征预测方法及装置
CN107992893B (zh) 压缩图像特征空间的方法及装置
CN110929055A (zh) 多媒体质量检测方法、装置、电子设备及存储介质
CN113190725B (zh) 对象的推荐及模型训练方法和装置、设备、介质和产品
CN110929771A (zh) 图像样本分类方法及装置、电子设备、可读存储介质

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