CN110442790B - 推荐多媒体数据的方法、装置、服务器和存储介质 - Google Patents
推荐多媒体数据的方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN110442790B CN110442790B CN201910724729.6A CN201910724729A CN110442790B CN 110442790 B CN110442790 B CN 110442790B CN 201910724729 A CN201910724729 A CN 201910724729A CN 110442790 B CN110442790 B CN 110442790B
- Authority
- CN
- China
- Prior art keywords
- multimedia data
- account
- sample
- behavior
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 272
- 238000012549 training Methods 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000004927 fusion Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种推荐多媒体数据的方法、装置、服务器和存储介质，属于互联网技术领域。所述方法包括：获取目标账户的账户信息，获取多个多媒体数据的属性信息；对于每个多媒体数据，将多媒体数据的属性信息和账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出目标账户对多媒体数据的不同行为类型的行为发生概率，将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度；按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；向目标账户登陆的终端发送目标多媒体数据。采用本公开，可以提高推荐有效性。
Description
技术领域
本公开是关于互联网技术领域，尤其是关于一种推荐多媒体数据的方法、装置、服务器和存储介质。
背景技术
服务器可以通过终端向用户推荐新闻、短视频等多媒体数据，如果用户对任一多媒体数据感兴趣，用户则很可能会对该多媒体数据产生不同行为。例如，用户会点击查看该多媒体数据，进一步还可能会评论、点赞或分享该多媒体数据。
服务器通常会向用户推荐热门多媒体数据，热门多媒体数据可以是点击量较高的多媒体数据。
在实现本公开的过程中，发明人发现至少存在以下问题：
上述推荐多媒体数据的方式没有针对性，在推荐过程中，某些用户可能对热门多媒体数据感兴趣，某些用户可能对热门多媒体数据并不感兴趣，推荐有效性较差。
发明内容
为了克服相关技术中存在的问题，本公开提供了以下技术方案：
根据本公开实施例的第一方面，提供一种推荐多媒体数据的方法，所述方法包括：
获取目标账户的账户信息，获取多个多媒体数据的属性信息；
对于每个多媒体数据，将所述多媒体数据的属性信息和所述账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度；
按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；
向所述目标账户登陆的终端发送所述目标多媒体数据。
可选地，所述将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度，包括：
将所述账户信息、以及所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度。
可选地，在将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型之前，所述方法还包括：
确定样本账户对样本多媒体数据的偏好信息，作为模型训练监督样本，其中，所述偏好信息用于指示所述样本账户是否偏好于所述样本多媒体数据；
基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，所述确定样本账户对样本多媒体数据的偏好信息，包括：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
如果所述至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户偏好于所述样本多媒体数据；
如果所述至少一个样本行为数据中不存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户不偏好于所述样本多媒体数据。
可选地，在将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型之前，所述方法还包括：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
确定预设行为集合中与所述至少一个样本行为数据相匹配的行为数据；
基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为模型训练监督样本；
基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，在基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为模型训练监督样本之前，所述方法还包括：
基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整。
根据本公开实施例的第二方面，提供一种推荐多媒体数据的装置，所述装置包括：
获取模块，用于获取目标账户的账户信息，获取多个多媒体数据的属性信息；
确定模块，用于对于每个多媒体数据，将所述多媒体数据的属性信息和所述账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度；
排序模块，用于按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；
发送模块，用于向所述目标账户登陆的终端发送所述目标多媒体数据。
可选地，所述确定模块，用于：
将所述账户信息、以及所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度。
可选地，所述确定模块，还用于确定样本账户对样本多媒体数据的偏好信息，作为模型训练监督样本，其中，所述偏好信息用于指示所述样本账户是否偏好于所述样本多媒体数据；
所述装置还包括训练模块：
所述训练模块，用于基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，所述确定模块，用于：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
如果所述至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户偏好于所述样本多媒体数据；
如果所述至少一个样本行为数据中不存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户不偏好于所述样本多媒体数据。
可选地，所述确定模块，还用于确定样本账户对样本多媒体数据的至少一个样本行为数据；确定预设行为集合中与所述至少一个样本行为数据相匹配的行为数据；基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为模型训练监督样本；
所述训练模块，还用于基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，所述装置还包括：
调整模块，用于基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整。
根据本公开实施例的第三方面，提供一种服务器，所述服务器包括处理器、通信接口、存储器和通信总线，其中：
所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，以实现上述推荐多媒体数据的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述推荐多媒体数据的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过本公开实施例提供的方法，可以基于目标账户的账户信息，在多个多媒体数据中，寻找目标账户的兴趣度最高的预设数目个目标多媒体数据，将针对目标账户选出的目标多媒体数据推荐给目标账户，推荐多媒体数据的方式比较有针对性，目标账户对推荐的目标多媒体数据可能感兴趣的概率较大，进而推荐有效性较高。同时，在本公开实施例中，可以将目标账户对多媒体数据的不同行为类型的行为发生概率进行融合，确定目标账户对任一多媒体数据的兴趣度，确定出的兴趣度的可靠性更高，继而基于兴趣度进行多媒体数据的推荐的有效性更高。
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，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。在附图中：
图1是根据一示例性实施例示出的一种推荐多媒体数据的系统的结构示意图；
图2是根据一示例性实施例示出的一种推荐多媒体数据的方法的流程示意图；
图3是根据一示例性实施例示出的一种兴趣度评价网络模型的结构示意图；
图4是根据一示例性实施例示出的一种推荐多媒体数据的方法的流程示意图；
图5是根据一示例性实施例示出的一种账户对多媒体数据不感兴趣的原因示意图；
图6是根据一示例性实施例示出的一种账户对多媒体数据的分享示意图；
图7是根据一示例性实施例示出的一种推荐多媒体数据的方法的流程示意图；
图8是根据一示例性实施例示出的一种推荐多媒体数据的装置的结构示意图；
图9是根据一示例性实施例示出的一种服务器的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本公开涉及人工智能(Artificial Intelligence,AI)技术领域，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术(Computer Vision,CV)、语音处理技术(Speech Technology)、自然语言处理技术(Nature Language processing,NLP)以及机器学习(Machine Learning,ML)/深度学习等几大方向。
本公开实施例涉及人工智能中的机器学习方向。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例提供的一种推荐多媒体数据的方法涉及人工智能的机器学习等技术，可以通过机器学习技术训练本公开实施例中的账户行为预测网络模型和兴趣度评价网络模型，使用训练后的账户行为预测网络模型和兴趣度评价网络模型对信息进行处理，具体通过如下实施例进行说明。
本公开实施例提供了一种推荐多媒体数据的方法，如图1所示，该方法可以由一种推荐多媒体数据的系统实现，该系统可以包括服务器和终端。其中，终端可以是手机、平板电脑、台式计算机、笔记本计算机等。
本公开一示例性实施例提供了一种推荐多媒体数据的方法，如图2所示，该方法的处理流程可以包括如下的步骤：
步骤S201，获取目标账户的账户信息，获取多个多媒体数据的属性信息。
其中，多媒体数据可以包括新闻数据、短视频数据、音频数据、视频数据、图像数据等。
在实施中，本公开实施例提供的方法主要可以由服务器执行。服务器可以采集不同账户的日志，基于日志确定账户信息。日志可以包括账户浏览过、点击过、转发过、点赞过、评论过的多媒体数据、账户对多媒体数据的行为数据、用户画像信息等。账户信息可以包括账户的性别、年龄、学历等个人信息，还可以包括账户关注的多媒体数据的内容类别等。
服务器可以针对不同账户，分析不同账户可能比较感兴趣的多媒体数据是什么，选取任一账户最为可能感兴趣的多媒体数据推荐给该账户，这种推荐方式比较有针对性，满足不同用户的个性化需求，达到千人千面。账户信息记录了不同账户的个性化信息，因此可以基于账户信息进行多媒体数据的推荐处理。
服务器除了可以获取目标账户的账户信息之外，还可以获取不同多媒体数据的属性信息。服务器首先可以接收大量终端上传的多媒体数据，将大量的多媒体数据存储到数据库中。服务器还可以对每个多媒体数据进行分析，得到其属性信息，并将属性信息和多媒体数据对应存储到数据库中。属性信息可以包括多媒体数据的点击量、转发量、点赞量、评论量、内容类别、名称、摘要等。服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，获取多个多媒体数据的属性信息。
步骤S202，对于每个多媒体数据，将多媒体数据的属性信息和账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出目标账户对多媒体数据的不同行为类型的行为发生概率，将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度。
在实施中，服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，接着服务器可以一一对每个确定出的多媒体数据进行评价。
对于每个多媒体数据，服务器可以将其属性信息和账户信息一起输入到预先训练的多个行为类型对应的账户行为预测网络模型中。该账户行为预测网络模型可以是一个也可以是多个，如果该账户行为预测网络模型是一个模型，则将多媒体数据的属性信息和账户信息一起输入到其中之后，可以输出多个行为类型分别对应的行为发生概率，如果该账户行为预测网络模型是多个模型，则将多媒体数据的属性信息和账户信息一起输入到每个账户行为预测网络模型之后，每个账户行为预测网络模型分别可以输出一个行为类型对应的行为发生概率。
不同行为类型可以包括账户对多媒体数据进行点击的行为、进行转发的行为、进行点赞的行为、进行评论的行为、进行收藏的行为等。在将多媒体数据的属性信息和账户信息一起输入到预先训练的多个行为类型对应的账户行为预测网络模型之后，对应每种行为类型，该模型可以输出不同行为类型分别对应的行为发生概率。行为发生概率可以表示目标账户存在多大的可能性会对多媒体数据产生任一行为类型的行为。例如，目标账户看过目标多媒体数据的名称之后，存在90％的概率会点击该多媒体数据、存在17％的概率会转发该多媒体数据、存在68％的概率会点赞该多媒体数据、存在49％的概率会评论该多媒体数据。账户行为预测网络模型可以对目标账户对目标多媒体数据的不同行为类型的行为发生概率，进行预测，输出相应的预估值。
在获取到目标账户对多媒体数据的不同行为类型的行为发生概率之后，服务器可以将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度。目标账户对多媒体数据的不同行为类型的行为发生概率，可以反映目标账户对多媒体数据的兴趣度，具体目标账户对多媒体数据的兴趣度是多少，可以通过兴趣度评价网络模型进行计算。兴趣度评价网络模型可以对不同行为类型的行为发生概率进行融合，最终输出目标账户对多媒体数据的兴趣度。本公开实施例提供的方法利用了网络模型(深度神经网络模型)能够拟合任意复杂函数的特点，能够隐式建模多个行为类型的行为间的交互关系，获取最优的融合结果。
可选地，步骤S202的步骤可以包括：将账户信息、以及目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度。
在实施中，如图3所示，除了可以将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型之外，还可以同时将目标账户的账户信息输入到兴趣度评价网络模型中，这样兴趣度评价网络模型不仅可以对目标账户对多媒体数据的不同行为类型的行为发生概率进行融合之外，还可以将目标账户的账户信息纳入到兴趣度的计算范围之内，将目标账户对多媒体数据的不同行为类型的行为发生概率、目标账户的账户信息一起进行融合，输出符合目标账户个性化的对不同多媒体数据的兴趣度，输出的目标账户对不同多媒体数据的兴趣度更加准确，能够真实反映目标账户实际对多媒体数据是否感兴趣。该目标账户的账户信息可以包括用户画像信息等，具体可以包括账户的性别、年龄、学历等个人信息，还可以包括账户关注的多媒体数据的内容类别等。
步骤S203，按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据。
在实施中，服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，接着服务器可以一一确定目标账户对每个多媒体数据的兴趣度。接着，服务器可以按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的N个目标多媒体数据。
步骤S204，向目标账户登陆的终端发送目标多媒体数据。
在实施中，服务器可以确定目标账户登陆的终端，向终端发送目标多媒体数据。可选地，服务器还可以生成目标多媒体数据的排序信息，将排序信息和目标多媒体数据共同发送到终端，以使终端根据排序信息对目标多媒体信息进行排序，展示排序后的目标多媒体信息。
通过本公开实施例提供的方法，可以基于目标账户的账户信息，在多个多媒体数据中，寻找目标账户的兴趣度最高的预设数目个目标多媒体数据，将针对目标账户选出的目标多媒体数据推荐给目标账户，推荐多媒体数据的方式比较有针对性，目标账户对推荐的目标多媒体数据可能感兴趣的概率较大，进而推荐有效性较高。同时，在本公开实施例中，可以将目标账户对多媒体数据的不同行为类型的行为发生概率进行融合，确定目标账户对任一多媒体数据的兴趣度，确定出的兴趣度的可靠性更高，继而基于兴趣度进行多媒体数据的推荐的有效性更高。
本公开一示例性实施例提供了一种推荐多媒体数据的方法，如图4所示，该方法的处理流程可以包括如下的步骤：
步骤S401，获取目标账户的账户信息，获取多个多媒体数据的属性信息。
其中，多媒体数据可以包括新闻数据、短视频数据、音频数据、视频数据、图像数据等。
在实施中，服务器可以采集不同账户的日志，基于日志确定账户信息。日志可以包括账户浏览过、点击过、转发过、点赞过、评论过的多媒体数据、账户对多媒体数据的行为数据、用户画像信息等。账户信息可以包括账户的性别、年龄、学历等个人信息，还可以包括账户关注的多媒体数据的内容类别等。
如图5所示，在用户浏览不同多媒体账户的摘要时，如果对某一多媒体数据不感兴趣，可以点击关闭按键，此时终端可以弹出提示，询问用户对某一多媒体数据不感兴趣的原因，不感兴趣的原因可以包括看过了/过时、内容太差、标题党、屏蔽此公众号、虚假内容等，可以将采集到的用户对某一多媒体数据不感兴趣的原因作为该用户的日志的内容进行记录。如图6所示，对于一个多媒体数据，在该多媒体数据的内容详情页面可以展示有该多媒体数据的阅读量、点赞量、留言，同时还可以在检测到用户点击分享按键时，触发显示分享控件，分享控件可以包括发送给朋友、分享到朋友圈、收藏等。
服务器可以针对不同账户，分析不同账户可能比较感兴趣的多媒体数据是什么，选取任一账户最为可能感兴趣的多媒体数据推荐给该账户，这种推荐方式比较有针对性，满足不同用户的个性化需求。账户信息记录了不同账户的个性化信息，因此可以基于账户信息进行多媒体数据的推荐处理。
服务器除了可以获取目标账户的账户信息之外，还可以获取不同多媒体数据的属性信息。服务器首先可以接收大量终端上传的多媒体数据，将大量的多媒体数据存储到数据库中。服务器还可以对每个多媒体数据进行分析，得到其属性信息，并将属性信息和多媒体数据对应存储到数据库中。属性信息可以包括多媒体数据的点击量、转发量、点赞量、评论量、内容类别、名称、摘要等。服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，获取多个多媒体数据的属性信息。
步骤S402，确定样本账户对样本多媒体数据的偏好信息，作为模型训练监督样本。
其中，偏好信息用于指示样本账户是否偏好于样本多媒体数据。
在实施中，在本公开实施例提供的方法中，可以通过网络模型，对目标账户对目标多媒体数据的不同行为类型的行为发生概率进行预测，同时，还可以通过网络模型，计算目标账户对多媒体数据的兴趣度。在通过网络模型进行上述处理之前，可以先对网络模型进行训练，通过训练使得网络模型能够实现不同功能。本公开实施例提供的方法涉及到两个网络模型，包括账户行为预测网络模型和兴趣度评价网络模型。在训练这两个模型之前，可以先获取训练过程中需要使用的模型训练监督样本。
对于兴趣度评价网络模型，可以将样本账户对样本多媒体数据的偏好信息，作为模型训练监督样本。
可选地，步骤S402的步骤可以包括：确定样本账户对样本多媒体数据的至少一个样本行为数据；如果至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定偏好信息为样本账户偏好于样本多媒体数据；如果至少一个样本行为数据中不存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定偏好信息为样本账户不偏好于样本多媒体数据。
在实施中，预设行为集合中的行为数据可以包括点击行为、转发行为、点赞行为、评论行为、收藏行为等。当样本账户对样本多媒体数据的至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据时，可以认为该样本账户对该样本多媒体数据在相匹配的样本行为数据下是正样本，否则为负样本。可以对正样本取“或”操作，即当至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据时，可以确定偏好信息为样本账户偏好于样本多媒体数据，否则为样本账户不偏好于样本多媒体数据。
当样本账户对样本多媒体数据存在点击行为、转发行为、点赞行为、评论行为、收藏行为中的一种时，可以认为样本账户对样本多媒体数据是感兴趣的，样本账户是偏好于样本多媒体数据的。可以将样本账户对样本多媒体数据的偏好信息记为lable，当lable为1时，表示样本账户偏好于样本多媒体数据，当lable为0时，表示样本账户不偏好于样本多媒体数据。可以通过下述公式表示lable。
lable＝(y(task1)|y(task2)|...|y(taskn)) (公式1)
其中，n表示task的数目，task表示预设行为集合中的行为数据的行为类型，当样本账户对样本多媒体数据存在与预设行为集合中的某一行为数据相匹配的样本行为数据时，将对应的y(taski)记为1，当样本账户对样本多媒体数据不存在与预设行为集合中的某一行为数据相匹配的样本行为数据时，将对应的y(taski)记为0。例如，以分享为例，y(taski)＝1表示用户分享了样本多媒体数据，y(taski)＝0为用户没有分享样本多媒体数据。y(taski)＝1为正样本，y(taski)＝0为负样本。
在获取到大量的样本账户对大量的样本多媒体数据分别对应的样本行为数据之后，可以通过上述方式计算每一组样本账户对样本多媒体数据的lable，将lable作为后续训练兴趣度评价网络模型的模型训练监督样本。
步骤S403，基于模型训练监督样本，对兴趣度评价网络模型进行训练。
在实施中，可以将样本账户对样本多媒体数据的偏好信息作为模型训练监督样本，对兴趣度评价网络模型进行训练。
步骤S404，确定样本账户对样本多媒体数据的至少一个样本行为数据。
在实施中，除了可以将样本账户对样本多媒体数据的偏好信息作为模型训练监督样本，对兴趣度评价网络模型进行训练之外，还可以通过其他模型训练监督样本，对兴趣度评价网络模型进行训练。由于样本账户对样本多媒体数据的偏好信息可以反映样本账户是否偏好于样本多媒体数据，但是其不能反映在样本账户偏好于样本多媒体数据的情况，样本账户对样本多媒体数据的偏好度。因此，可以引入新的模型训练监督样本，反映在样本账户偏好于样本多媒体数据的情况，样本账户对样本多媒体数据的偏好度。可以基于样本账户对样本多媒体数据的至少一个样本行为数据，确定新的模型训练监督样本。
步骤S405，确定预设行为集合中与至少一个样本行为数据相匹配的行为数据。
在实施中，预设行为集合中的行为数据可以包括点击行为、转发行为、点赞行为、评论行为、收藏行为等。当预设行为集合中与至少一个样本行为数据相匹配的行为数据数目较多时，可以确定样本账户对样本多媒体数据的偏好度较高。可以将预设行为集合中与至少一个样本行为数据相匹配的行为数据挑出。
步骤S406，基于预先存储的行为数据与权重参数的对应关系，确定相匹配的行为数据对应的权重参数的和值，作为模型训练监督样本。
在实施中，可以为预设行为集合中的每个行为数据分配对应的权重参数，形成行为数据与权重参数的对应关系。继而可以基于行为数据与权重参数的对应关系，确定预设行为集合中与至少一个样本行为数据相匹配的行为数据分别对应的权重参数，计算这些权重参数的和值，该和值即可作为模型训练监督样本。可以将权重参数的和值记为weight，weight可以通过下述公式进行表示。
其中，n为预设行为集合中的行为数据的行为类型的数目，i为预设行为集合中第i个行为类型的行为数据。y(taski)为1时，样本账户对样本多媒体数据存在与预设行为集合中的第i个行为数据相匹配的样本行为数据，y(taski)为0时，样本账户对样本多媒体数据不存在与预设行为集合中的第i个行为数据相匹配的样本行为数据。wi为预设行为集合中的第i个行为数据对应的权重参数。
可选地，在执行步骤S406之前，本公开实施例提供的方法还可以包括：基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整。
在实施中，可以预先给定预设行为集合中的每个行为数据分别对应的权重参数，由于该权重参数不一定能够真实反映出样本账户在产生预设行为集合中的某一行为数据时，样本账户对多媒体数据的偏好度，因此可以根据该权重参数在线上的表现，通过粒子滤波参数采样算法，对权重参数进行调整。用调整后的权重参数替换掉对应关系中对应的调整前的权重参数，形成新的行为数据与权重参数的对应关系。
粒子滤波参数采样算法是一种基于蒙特卡洛重要性采样思想的最优化问题的求解算法。该算法每次迭代时，在当前最优参数附近抽样一组新的参数，实验新参数的线上效果，以线上效果归一化作为重要性对参数采样，生成下一次迭代的最优参数解。该算法每次在当前最优解基础上迭代，相比于网格搜索调参算法，能够大大提高参数搜索效率。
具体计算label与weight的示例可以见表1。
表1
步骤S407，基于模型训练监督样本，对兴趣度评价网络模型进行训练。
在实施中，可以将权重参数的和值作为模型训练监督样本，对兴趣度评价网络模型进行训练。
可以只执行步骤S402-步骤S403，跳过步骤S404-步骤S406，也可以只执行步骤S404-步骤S406，跳过步骤S402-步骤S403，还可以执行步骤S402-步骤S406中的所有步骤，对此本公开实施例不作限定。
步骤S408，对于每个多媒体数据，将多媒体数据和账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出目标账户对多媒体数据的不同行为类型的行为发生概率，将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度。
在实施中，服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，接着服务器可以一一对每个确定出的多媒体数据进行评价。
对于每个多媒体数据，服务器可以将其属性信息和账户信息一起输入到预先训练的多个行为类型对应的账户行为预测网络模型中。该账户行为预测网络模型可以是一个也可以是多个，如果该账户行为预测网络模型是一个模型，则将多媒体数据的属性信息和账户信息一起输入到其中之后，可以输出多个行为类型分别对应的行为发生概率，如果该账户行为预测网络模型是多个模型，则将多媒体数据的属性信息和账户信息一起输入到每个账户行为预测网络模型之后，每个账户行为预测网络模型分别可以输出一个行为类型对应的行为发生概率。
不同行为类型可以包括账户对多媒体数据进行点击的行为、进行转发的行为、进行点赞的行为、进行评论的行为、进行收藏的行为等。在将多媒体数据的属性信息和账户信息一起输入到预先训练的多个行为类型对应的账户行为预测网络模型之后，对应每种行为类型，该模型可以输出不同行为类型分别对应的行为发生概率。行为发生概率可以表示目标账户存在多大的可能性会对多媒体数据产生任一行为类型的行为。例如，目标账户看过目标多媒体数据的名称之后，存在90％的概率会点击该多媒体数据、存在17％的概率会转发该多媒体数据、存在68％的概率会点赞该多媒体数据、存在49％的概率会评论该多媒体数据。账户行为预测网络模型可以对目标账户对目标多媒体数据的不同行为类型的行为发生概率，进行预测，输出相应的预估值。
在获取到目标账户对多媒体数据的不同行为类型的行为发生概率之后，服务器可以将目标账户对多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出目标账户对多媒体数据的兴趣度。目标账户对多媒体数据的不同行为类型的行为发生概率，可以反映目标账户对多媒体数据的兴趣度，具体目标账户对多媒体数据的兴趣度是多少，可以通过兴趣度评价网络模型进行计算。兴趣度评价网络模型可以对不同行为类型的行为发生概率进行融合，最终输出目标账户对多媒体数据的兴趣度。
步骤S409，按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据。
在实施中，服务器可以在数据库中确定可能作为推荐到终端的多个多媒体数据，接着服务器可以一一确定目标账户对每个多媒体数据的兴趣度。接着，服务器可以按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的N个目标多媒体数据。
步骤S410，向目标账户登陆的终端发送目标多媒体数据。
在实施中，服务器可以确定目标账户登陆的终端，向终端发送目标多媒体数据。可选地，服务器还可以生成目标多媒体数据的排序信息，将排序信息和目标多媒体数据共同发送到终端，以使终端根据排序信息对目标多媒体信息进行排序，展示排序后的目标多媒体信息。
如图7所示，在本公开实施例中，可以包括两部分方法，第一部分为线下(offline)、第二部分为线上(online)。在线下部分，首先可以采集用户日志，接着可以制作训练网络模型时使用的样本。在制作样本的过程中，可以采集样本特征和多目标标签，样本特征可以包括用户画像信息、item信息(多媒体数据的属性信息)、上下文信息等。样本制作是将用户行为日志进行加工，经过数据过滤、清洗等过程，按照标准化格式加工成可用于训练网络模型的文件。在本公开实施例中这个过程包含了两个子流程，其一是制作多目标预估模型的训练样本，其二是制作目标融合模型的训练样本。其中，目标融合模型的样本中的weight，即根据业务对各维度指标的重要程度对各行为类型的行为对应的正负标签进行加权获得。
在制作完毕样本之后，可以基于样本进行模型训练。在该过程中，可以包括对多目标预估模型(账户行为预测网络模型)进行训练，对目标融合的权重参数进行调整，对目标融合模型(兴趣度评价网络模型)进行训练。在对目标融合的权重参数进行调整的过程中，可以通过设置几组种子权重参数进行在线ABTEST测试，根据线上结果使用粒子滤波参数采样算法搜索调优各个行为类型的行为的权重，从而达到最优效果。
目标融合模型能够根据业务场景中不同行为类型的行为的重要性，学习将各个行为类型的行为的行为发生概率进行融合，以得到最优结果。目标融合模型属于轻量级的神经网络，修改目标业务权重占比的重训代价小，具有迭代效率高，调参快速的优势。
在线上部分，可以获取候选集(包括多个多媒体数据)，接着可以将多个多媒体数据的属性信息和目标账户对应的样本特征(包括用户画像信息、item信息、上下文信息等)输入到多目标Model(模型)、目标融合Model(模型)中，最终输出目标账户对每个多媒体数据的兴趣度。最后基于兴趣度对多个多媒体数据进行排序，得到排序结果。
通过本公开实施例提供的方法，可以基于目标账户的账户信息，在多个多媒体数据中，寻找目标账户的兴趣度最高的预设数目个目标多媒体数据，将针对目标账户选出的目标多媒体数据推荐给目标账户，推荐多媒体数据的方式比较有针对性，目标账户对推荐的目标多媒体数据可能感兴趣的概率较大，进而推荐有效性较高。同时，在本公开实施例中，可以将目标账户对多媒体数据的不同行为类型的行为发生概率进行融合，确定目标账户对任一多媒体数据的兴趣度，确定出的兴趣度的可靠性更高，继而基于兴趣度进行多媒体数据的推荐的有效性更高。
本公开又一示例性实施例提供了一种推荐多媒体数据的装置，如图8所示，该装置包括：
获取模块810，用于获取目标账户的账户信息，获取多个多媒体数据的属性信息；
确定模块820，用于对于每个多媒体数据，将所述多媒体数据的属性信息和所述账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度；
排序模块830，用于按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；
发送模块840，用于向所述目标账户登陆的终端发送所述目标多媒体数据。
可选地，所述确定模块820，用于：
将所述账户信息、以及所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度。
可选地，所述确定模块820，还用于确定样本账户对样本多媒体数据的偏好信息，作为模型训练监督样本，其中，所述偏好信息用于指示所述样本账户是否偏好于所述样本多媒体数据；
所述装置还包括训练模块：
所述训练模块，用于基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，所述确定模块820，用于：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
如果所述至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户偏好于所述样本多媒体数据；
如果所述至少一个样本行为数据中不存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户不偏好于所述样本多媒体数据。
可选地，所述确定模块820，还用于确定样本账户对样本多媒体数据的至少一个样本行为数据；确定预设行为集合中与所述至少一个样本行为数据相匹配的行为数据；基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为模型训练监督样本；
所述训练模块，还用于基于所述模型训练监督样本，对兴趣度评价网络模型进行训练。
可选地，所述装置还包括：
调整模块，用于基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
通过本公开实施例提供的装置，可以基于目标账户的账户信息，在多个多媒体数据中，寻找目标账户的兴趣度最高的预设数目个目标多媒体数据，将针对目标账户选出的目标多媒体数据推荐给目标账户，推荐多媒体数据的方式比较有针对性，目标账户对推荐的目标多媒体数据可能感兴趣的概率较大，进而推荐有效性较高。同时，在本公开实施例中，可以将目标账户对多媒体数据的不同行为类型的行为发生概率进行融合，确定目标账户对任一多媒体数据的兴趣度，确定出的兴趣度的可靠性更高，继而基于兴趣度进行多媒体数据的推荐的有效性更高。
需要说明的是：上述实施例提供的推荐多媒体数据的装置在推荐多媒体数据时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐多媒体数据的装置与推荐多媒体数据的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图9示出了本公开一个示例性实施例提供的服务器1900的结构示意图。该服务器1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)1910和一个或一个以上的存储器1920。其中，所述存储器1920中存储有至少一条指令，所述至少一条指令由所述处理器1910加载并执行以实现上述实施例所述的推荐多媒体数据的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种推荐多媒体数据的方法，其特征在于，所述方法包括：
获取目标账户的账户信息，获取多个多媒体数据的属性信息；所述目标账户的账户信息基于日志确定，所述日志包括账户浏览过、点击过、转发过、点赞过、评论过的多媒体数据、账户对多媒体数据的行为数据、用户画像信息；所述多媒体数据的属性信息包括多媒体数据的点击量、转发量、点赞量、评论量、内容类别、名称、摘要；
对于每个多媒体数据，将所述多媒体数据的属性信息和所述账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度；
按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；
向所述目标账户登陆的终端发送所述目标多媒体数据；
所述在将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型之前，所述方法还包括：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
确定预设行为集合中与所述至少一个样本行为数据相匹配的行为数据；
基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整；
基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为第一模型训练监督样本；
确定样本账户对样本多媒体数据的偏好信息，作为第二模型训练监督样本，其中，所述偏好信息用于指示所述样本账户是否偏好于所述样本多媒体数据；基于所述第一模型训练监督样本和所述第二模型训练监督样本，对兴趣度评价网络模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度，包括：
将所述账户信息、以及所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度。
3.根据权利要求1所述的方法，其特征在于，所述确定样本账户对样本多媒体数据的偏好信息，包括：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
如果所述至少一个样本行为数据中存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户偏好于所述样本多媒体数据；
如果所述至少一个样本行为数据中不存在与预设行为集合中的任一行为数据相匹配的样本行为数据，则确定所述偏好信息为所述样本账户不偏好于所述样本多媒体数据。
4.一种推荐多媒体数据的装置，其特征在于，所述装置包括：
获取模块，用于获取目标账户的账户信息，获取多个多媒体数据的属性信息；所述目标账户的账户信息基于日志确定，所述日志包括账户浏览过、点击过、转发过、点赞过、评论过的多媒体数据、账户对多媒体数据的行为数据、用户画像信息；所述多媒体数据的属性信息包括多媒体数据的点击量、转发量、点赞量、评论量、内容类别、名称、摘要；
确定模块，用于对于每个多媒体数据，将所述多媒体数据的属性信息和所述账户信息输入到预先训练的多个行为类型对应的账户行为预测网络模型中，输出所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，将所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度；
排序模块，用于按照兴趣度由高到低的顺序对各多媒体数据进行排序，确定排序在前的预设数目个目标多媒体数据；
发送模块，用于向所述目标账户登陆的终端发送所述目标多媒体数据；
所述确定模块，用于：
确定样本账户对样本多媒体数据的至少一个样本行为数据；
确定预设行为集合中与所述至少一个样本行为数据相匹配的行为数据；
基于粒子滤波参数采样算法，对预先存储的行为数据与权重参数的对应关系中的权重参数进行调整；
基于预先存储的行为数据与权重参数的对应关系，确定所述相匹配的行为数据对应的权重参数的和值，作为第一模型训练监督样本；
确定样本账户对样本多媒体数据的偏好信息，作为第二模型训练监督样本，其中，所述偏好信息用于指示所述样本账户是否偏好于所述样本多媒体数据；
基于所述第一模型训练监督样本和所述第二模型训练监督样本，对兴趣度评价网络模型进行训练。
5.根据权利要求4所述的装置，其特征在于，所述确定模块，用于：
将所述账户信息、以及所述目标账户对所述多媒体数据的不同行为类型的行为发生概率，输入到预先训练的兴趣度评价网络模型中，输出所述目标账户对所述多媒体数据的兴趣度。
6.一种服务器，其特征在于，所述服务器包括处理器、通信接口、存储器和通信总线，其中：
所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，以实现权利要求1-3任一所述的方法步骤。
7.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910724729.6A CN110442790B (zh) | 2019-08-07 | 2019-08-07 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910724729.6A CN110442790B (zh) | 2019-08-07 | 2019-08-07 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110442790A CN110442790A (zh) | 2019-11-12 |
| CN110442790B true CN110442790B (zh) | 2024-05-10 |
Family
ID=68433670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910724729.6A Active CN110442790B (zh) | 2019-08-07 | 2019-08-07 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110442790B (zh) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862513A (zh) * | 2019-11-28 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种网络媒介信息投放方法、装置、服务器及存储介质 |
| CN110990600B (zh) * | 2019-12-04 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 多媒体文件推荐、参数调整方法、装置、介质及电子设备 |
| CN112925924B (zh) * | 2019-12-05 | 2024-07-09 | 北京达佳互联信息技术有限公司 | 多媒体文件的推荐方法、装置、电子设备及存储介质 |
| CN110825975B (zh) * | 2019-12-10 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111209476B (zh) * | 2019-12-31 | 2023-09-01 | 广州市百果园信息技术有限公司 | 推荐方法、模型生成方法、装置、介质及设备 |
| CN111309940A (zh) * | 2020-02-14 | 2020-06-19 | 北京达佳互联信息技术有限公司 | 一种信息展示方法、系统、装置、电子设备及存储介质 |
| CN113495996B (zh) * | 2020-03-18 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
| CN113495966B (zh) * | 2020-03-18 | 2023-06-23 | 北京达佳互联信息技术有限公司 | 交互操作信息的确定方法、装置及视频的推荐系统 |
| CN113535991B (zh) * | 2020-04-14 | 2024-01-26 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
| CN111582448B (zh) * | 2020-04-30 | 2023-06-23 | 广州市百果园信息技术有限公司 | 一种权重训练方法、装置、计算机设备和存储介质 |
| CN111552835B (zh) * | 2020-05-08 | 2024-01-09 | 北京达佳互联信息技术有限公司 | 文件推荐方法、装置及服务器 |
| CN111639972A (zh) * | 2020-05-29 | 2020-09-08 | 中国联合网络通信集团有限公司 | 多媒体数据投放方法及设备 |
| CN113935388A (zh) * | 2020-06-29 | 2022-01-14 | 北京达佳互联信息技术有限公司 | 匹配模型训练方法、装置、电子设备及存储介质 |
| CN112749332B (zh) * | 2020-07-10 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置以及计算机可读介质 |
| CN114154050A (zh) * | 2020-09-07 | 2022-03-08 | 北京达佳互联信息技术有限公司 | 推荐方法、特征生成网络的训练方法、装置、电子设备 |
| CN112364184B (zh) * | 2020-11-12 | 2024-04-30 | 北京达佳互联信息技术有限公司 | 多媒体数据的排序方法、装置、服务器及存储介质 |
| CN113821715A (zh) * | 2020-11-17 | 2021-12-21 | 北京京东尚科信息技术有限公司 | 一种确定推送信息的方法和装置 |
| CN112269943B (zh) * | 2020-12-03 | 2021-04-02 | 北京达佳互联信息技术有限公司 | 一种信息推荐系统及方法 |
| CN112685578B (zh) * | 2020-12-25 | 2024-06-28 | 刘亚虹 | 一种多媒体信息内容提供方法及装置 |
| CN112732953B (zh) * | 2020-12-30 | 2024-04-12 | 上海众源网络有限公司 | 推荐方法、样本分析方法、装置、电子设备和存储介质 |
| CN112818142B (zh) * | 2021-01-29 | 2023-12-08 | 北京达佳互联信息技术有限公司 | 帐户行为信息的处理方法、装置、电子设备及存储介质 |
| CN113194360B (zh) * | 2021-04-25 | 2022-06-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、服务器及存储介质 |
| CN113362109B (zh) * | 2021-05-31 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 媒介资源的推荐方法、装置、电子设备、存储介质 |
| CN113423019B (zh) * | 2021-06-23 | 2023-04-07 | 北京字跳网络技术有限公司 | 一种控件显示方法、装置、设备及存储介质 |
| CN113761364B (zh) * | 2021-08-17 | 2024-02-09 | 武汉卓尔数字传媒科技有限公司 | 多媒体数据推送方法及装置 |
| CN114201626B (zh) * | 2021-11-18 | 2023-03-28 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
| CN114328993B (zh) * | 2021-12-15 | 2024-09-13 | 腾讯科技（深圳）有限公司 | 一种模型处理方法及相关产品 |
| CN114519112A (zh) * | 2022-01-28 | 2022-05-20 | 北京卓越乐享网络科技有限公司 | 多媒体对象的预测方法、装置、设备、介质和程序产品 |
| CN116340643B (zh) * | 2023-05-29 | 2023-08-15 | 苏州浪潮智能科技有限公司 | 对象推荐的调整方法及装置、存储介质、电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| WO2017177643A1 (zh) * | 2016-04-12 | 2017-10-19 | 乐视控股（北京）有限公司 | 多媒体推荐方法及装置 |
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
-
2019
- 2019-08-07 CN CN201910724729.6A patent/CN110442790B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017177643A1 (zh) * | 2016-04-12 | 2017-10-19 | 乐视控股（北京）有限公司 | 多媒体推荐方法及装置 |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110442790A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442790B (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
| CN110162703B (zh) | 内容推荐方法、训练方法、装置、设备及存储介质 | |
| CN110543598B (zh) | 信息推荐方法、装置及终端 | |
| CN112214670B (zh) | 一种在线课程推荐方法、装置、电子设备及存储介质 | |
| CN111382361B (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
| CN107862022B (zh) | 文化资源推荐系统 | |
| CN112347367B (zh) | 信息服务提供方法、装置、电子设备和存储介质 | |
| CN107784010B (zh) | 一种用于确定新闻主题的热度信息的方法与设备 | |
| CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
| CN110647678B (zh) | 一种基于用户性格标签的推荐方法 | |
| CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
| CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
| CN112883265A (zh) | 信息推荐方法、装置、服务器及计算机可读存储介质 | |
| CN112989179B (zh) | 模型训练、多媒体内容推荐方法和装置 | |
| CN111159559A (zh) | 根据用户需求和用户行为构建推荐引擎的方法 | |
| CN114707068A (zh) | 一种智库知识推荐的方法、装置、设备及介质 | |
| CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN112115354B (zh) | 信息处理方法、装置、服务器及存储介质 | |
| CN117851563A (zh) | 自动问答方法、装置、电子设备及可读存储介质 | |
| CN111966885B (zh) | 一种用户画像的构建方法和装置 | |
| CN112464106A (zh) | 对象推荐方法及装置 | |
| CN117057855A (zh) | 一种数据处理方法及相关装置 | |
| CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
| CN116204709A (zh) | 一种数据处理方法及相关装置 | |
| CN116308640A (zh) | 一种推荐方法及相关装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221124 Address after: 1402, Floor 14, Block A, Haina Baichuan Headquarters Building, No. 6, Baoxing Road, Haibin Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518133 Applicant after: Shenzhen Yayue Technology Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |