CN110737783A - 一种推荐多媒体内容的方法、装置及计算设备 - Google Patents

Abstract

本申请公开了一种推荐多媒体内容的方法、装置及计算设备，用于提高对多媒体内容进行推荐的准确性和有效性，进而提高推荐系统的推荐性能。所述方法包括：获得推荐请求；在获得推荐请求后，响应该推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据所述待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，所述标题诱惑度表明所述待推荐多媒体内容的文本标题对用户的吸引程度，所述图片诱惑度表明所述待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；根据候选多媒体内容进行多媒体内容的推荐。

Description

一种推荐多媒体内容的方法、装置及计算设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种推荐多媒体内容的方法、装置及计算设备。

背景技术

目前，各种推荐系统较多，例如资讯推荐系统、短视频推荐系统等，在利用推荐系统向用户推荐多媒体内容的过程中，为了提高页面的展示效率，在一个页面中一般是同时展示推荐的多个多媒体内容，所以一般是将多媒体内容的标题和部分图片在展示页面一并进行展示，用户在一个页面可以同时查看到多个多媒体内容的大致信息，进而根据自己的观看喜好点击其中的一些进行查看。

基于目前的展示方式，为了提高用户的点击率和查看率，需要对推荐系统的推荐性能进行优化，所以如何提高推荐系统的推荐性能是值得思考的问题。

发明内容

本申请实施例提供一种推荐多媒体内容的方法、装置及计算设备，用于提高推荐系统推荐多媒体内容的准确性和有效性，进而提高推荐系统的推荐性能。

一方面，提供一种推荐多媒体内容的方法，所述方法包括：

获得推荐请求；

响应所述推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据所述待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，所述标题诱惑度表明所述待推荐多媒体内容的文本标题对用户的吸引程度，所述图片诱惑度表明所述待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；

根据所述候选多媒体内容进行多媒体内容的推荐。

一方面，提供一种推荐多媒体内容的装置，所述装置包括：

获得模块，用于获得推荐请求；

确定模块，用于响应所述推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据所述待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，所述标题诱惑度表明所述待推荐多媒体内容的文本标题对的吸引程度，所述图片诱惑度表明所述待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；

推荐模块，用于根据所述候选多媒体内容进行多媒体内容的推荐。

可选的，所述确定模块用于：

对所述文本标题进行分词处理以得到多个分词，并确定每个分词对应的词向量；

根据得到的所有词向量和预先训练好的诱惑度预测模型，确定所述文本标题对应的语义特征，并根据所述语义特征确定所述文本标题对应的语义诱惑度；其中，所述诱惑度预测模型是根据多个标注了语义诱惑度的文本训练样本训练得到的；

根据所述文本标题对应的语义诱惑度，确定所述标题诱惑度。

可选的，所述确定模块用于：

确定所述文本标题包括的预设强诱惑度内容；其中，所述预设强诱惑度内容包括预设的热门关键词、预设的相互矛盾的多个关键词、特定句式结构、特定标点符号组合中的至少一种；

根据包括的预设强诱惑度内容，确定所述文本标题对应的字面诱惑度；

根据所述语义诱惑度和所述字面诱惑度，确定所述标题诱惑度。

可选的，所述确定模块用于：

从所述至少一张摘要图片中确定目标摘要图片；

对所述目标摘要图片进行特征提取，以得到所述目标摘要图片对应的图像特征信息；

将所述目标摘要图片对应的图像特征信息输入到预设的多个图像分类模型，以得到所述目标摘要图片对应的多个分类概率；其中，所述多个图像分类模型用于分别从多个图像描述维度对图片进行分类描述；

根据所述目标摘要图片对应的多个分类概率和预设的分类融合模型，确定所述目标摘要图片对应的图像级诱惑度；

根据所述目标图片对应的图像级诱惑度，确定所述图片诱惑度。

可选的，所述确定模块用于：

确定所述目标摘要图片所属的图片类型；

按照预设的图片类型与图像分类模型组的对应关系，确定与所述目标摘要图片的图片类型对应的图像分类模型组；

将所述目标摘要图片对应的图像特征信息输入到对应的图像分类模型组中的每个图像分类模型。

可选的，所述确定模块用于：

根据所述用户查看其它多媒体内容的历史查看信息，确定所述用户对所述其它多媒体内容的文本标题和对应的摘要图片的观看程度之间的比值；

对所述标题诱惑度和所述图片诱惑进行与所述比值对应的正相关的比例处理，以获得所述综合诱惑度。

可选的，所述确定模块用于：

将所述标题诱惑度与第一诱惑度阈值进行比较，以及将所述图片诱惑度与第二诱惑度阈值进行比较；

若所述标题诱惑度和所述图片诱惑度中的至少一个大于或等于对应的诱惑度阈值，则按照预设计算策略，根据所述标题诱惑度和所述图片诱惑度确定所述综合诱惑度；

若所述标题诱惑度和所述图片诱惑度均小于对应的诱惑度阈值，则将所述标题诱惑度和所述图片诱惑度输入预先训练的诱惑度融合模型，以得到所述综合诱惑度；其中，所述诱惑度融合模型是根据多个标注了标题诱惑度和图片诱惑度的多媒体内容训练样本训练得到的。

一方面，提供一种计算设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的推荐多媒体内容的方法包括的步骤。

一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的推荐多媒体内容的方法包括的步骤。

一方面，提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行上述各种可能的实现方式中所描述的推荐多媒体内容的方法。

本申请实施例中，引入了“诱惑度”这个指标来衡量推荐系统的推荐性能，“诱惑度”是指对用户的吸引程度。具体来说，对于多媒体内容，分别从文本标题和摘要图片这两个维度来分别计算对应的标题诱惑度和图片诱惑度，这是考虑在现有中有些用户是对文本标题更感兴趣，有些用户是对摘要图片更感兴趣，所以综合这两个维度计算得到的多媒体内容的综合诱惑度是从大多数用户的观看喜好角度出发来进行整体考量，例如综合诱惑度高的多媒体内容优先向用户推荐，而综合诱惑度越高就表明对用户的吸引程度越大，那么吸引用户点击并查看该多媒体内容的概率也就越大，这样可以在一定程度上提高多媒体内容推荐的准确性和有效性，并且泛化性也较好，从而提高推荐系统的推荐性能。

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

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例中进行资讯展示的示意图；

图2为申请实施例中进行短视频展示的示意图；

图3为本申请实施例适用的一种应用场景的示意图；

图4为本申请实施例中的计算多媒体内容的综合诱惑度的流程图；

图5为本申请实施例中的计算多媒体内容的综合诱惑度的另一流程图；

图6为本申请实施例中的利用诱惑度预测模型计算标题诱惑度的方法的示意图；

图7为本申请实施例中的计算图片诱惑度的方法的流程图；

图8为本申请实施例中的用于提取摘要图片的图像特征信息的网络的结构示意图；

图9为本申请实施例中的推荐多媒体内容的方法的流程图；

图10为本申请实施例中的推荐多媒体内容的装置的示意图；

图11为本申请实施例中的计算设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于申请保护的范围。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任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

以下对本文中涉及的部分用语进行说明，以便于本领域技术人员理解。

1、多媒体内容，是指组合两种或两种以上媒体的一种人机交互式信息交流和传播媒体的内容，使用的媒体可以包括文字、图片、照片、声音(包含音乐、语音旁白、特殊音效)、动画和影片，等等，具体来说，多媒体内容可以包括短视频、资讯、文章或其它类型的内容。

短视频，是一种互联网内容传播方式，一般是在互联网新媒体上传播的时长在5分钟以内(例如几秒到几分钟不等)的视频传播内容，是适合在移动状态和短时休闲状态下观看的、高频推送的视频内容。随着生活节奏加快，短视频目前成为了争夺用户碎片化时间的热点领域。

资讯，是能够表达特定事件的信息，可以这样理解，资讯是用户因为及时地获得它并利用它而能够在相对短的时间内给自己带来价值的信息，通过查看资讯，用户可以获知每天发生的一些新闻事件，资讯可以具有一定的时效性，通常来说，用户希望查看的是最近时间段内发生的新闻事件。

2、文本标题，由于多媒体内容的标题一般是文字表示的，本申请实施例中将多媒体内容的以文字表示的标题称作文本标题，文本标题可以大致体现多媒体内容的内容。

请参见图1所示的资讯的展示界面，图1中按照从上到下的顺序展示了三条资讯，以第1条资讯为例，其文本标题为“MM明星小时候真的很丑吗？然而真相是……”，第3条资讯的文本标题为“XX公司的旗舰机型YYY发布，惊艳背后还有刺痛：中国厂商真的被骗了吗？”。通过资讯的文本标题，可以大致反映出资讯的内容，用户可以通过资讯的文本标题估计出资讯的大致内容，进而判断出是否是自己感兴趣的内容，若是感兴趣的内容，则可能会点击查看，所以资讯的文本标题是在一定程度上吸引用户点击查看资讯的重要因素。

再参见图2所示的短视频的展示界面，图2中展开了两个短视频，图2中的短视频的文本标题是覆盖在短视频的缩略图上之上的，可见，上方的短视频的文本标题是“相差20岁的母女街拍火了，你更新欢哪种style？”，下方的短视频的文本标题是“必须试一试的网红牛肉吃法”。通过短视频的文本标题，用户能够大致知晓对应短视频的视频内容，文本标题对短视频也有概要介绍的作用。在具体实施过程中，短视频的文本标题还可以以其它形式呈现，本申请实施例不做限制。

3、摘要图片，是指对多媒体内容进行概要介绍的图片，可以这样理解，多媒体内容的摘要图片相当于是对多媒体内容进行大致浓缩介绍的图像。摘要图片例如可以是资讯内容所包括的多张图片中的图片，或者也可以是短视频的视频缩略图，多媒体内容的摘要图片可以是一张或多张。

请参见图1所示的，第1条资讯只包括位于其文本标题的右侧的一张摘要图片，第2条资讯包括位于其文本标题的下方的三张摘要图片，第1条资讯和第2条资讯的摘要图片均是静态图片，第1条资讯和第2条资讯的摘要图片均是资讯内容中的部分图片。而第3条资讯的摘要图片是视频缩略图，此时可以理解的是，第3条资讯的资讯内容中至少包括一段视频，该视频是该条资讯的核心内容。通过图1可见，资讯的文本标题和摘要图片可以具有多种显示布局方式，以及，不同的资讯可以包括一张或多张摘要图片，且，资讯的摘要图片可以是静态图片或者视频缩略图。

再参见图2所示的，短视频的摘要图片即为短视频的缩略图，在摘要图片上还可以显示有视频播放控件，当用户需要查看视频时，可以点击视频播放控件即可以控制短视频进行播放。

4、诱惑度，本申请实施例中的诱惑度可以理解为多媒体内容对用户的吸引程度，例如资讯或短视频对用户的吸引程度，具体来说，例如可以理解为用户点击查看资讯或视频的概率或可能性，诱惑度可以通过具体的数值体现，例如划分1-100的数值，即诱惑度打分，诱惑度打分越高即表明对用户的吸引越大，那么用户点击查看相应的资讯或者短视频的概率也就越大。

如前所述的，推荐系统在推荐多媒体内容时，为了提高推荐内容的转换，即提高点击率和查看率，推荐系统向用户推荐的内容应该是能够尽量对用户具有吸引力的，因为用户一般只会对自己具有一定吸引程度的内容感兴趣，进而点击查看。

相关技术中，在进行资源内容推荐时，一般采用以下几种方法：

1)基于标题。大部分是采用“标题党”概念来对标题打标签，通过一些规则或者是简单的分类模型来判断是否标题党，是否具有诱惑性。然而，基于标题的方式，只是通过一些规则或者是简单的分类模型来判断是否标题党，是否具有吸引性。由于“标题党”的定义过于宽泛，实际应用的意义受限。

2)基于图片。通常的资讯类文章中大多是通过模型对图片进行一些分类任务，比如是否是娱乐、体育图片等，通过这些信息来判断是否对用户有诱惑性。基于图片的推荐方式，通过抽取图片的类别信息(比如食物、篮球等)作为“诱惑度”度量，在用户推荐上灵活性不够。

3)基于文章整体。现有的方案中是通过对文章各个维度进行打分，来最终确定文章质量分，通过质量分来对用户进行个性化的推荐。基于文章整体的工作主要是通过对文章各个维度进行打分(格式、文字数、图片数、图片质量等)作为文章诱惑度，这种方式在准确和泛化性上效果差强人意。

相关技术中，要么只是以标题提取关键词的方式进行粗略的推荐，或者只是将图片进行简单的标签分类，进行根据分类与用户的标签进行对应推荐，可见，推荐资源内容的推荐方式比较粗糙，灵活性不够，泛化能力较差，所以推荐的准确性和有效性较低。

5、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，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、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

6、机器学习(Machine Learning，ML)，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。

7、长短期记忆模型(Long Short-Term Memory，LSTM)，它是对循环层单元进行改造，避免用公式直接计算隐含层状态值。LSTM是一种长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM可以理解为是一种循环神经网络，而双向的LSTM简称为BLSTM或BiLSTM或Bi-LSTM。

8、注意力(Attention)机制，即人工神经网络领域所使用的注意力模型。注意力机制的本质来自于人类视觉注意力机制，人们视觉在感知东西的时候一般不会是一个场景从到头看到尾每次全部都看，而往往是根据需求观察注意特定的一部分，而且当人们发现一个场景经常在某部分出现自己想观察的东西时，人们会进行学习在将来再出现类似场景时把注意力放到该部分上。因此，注意力机制实质上是从大量信息中筛选出高价值信息的手段，在大量信息中，不同信息对于结果的重要性是不同的，这种重要性可以通过赋予不同大小的注意力权值来体现，换言之，注意力机制可以理解成对多个来源进行合成时分配权重的一种规则。

9、词向量，或称Embedding特征或词向量特征，用于描述文本数据所包括的词之间的语义关系，词向量的描述思想是通过将自然语言表示的单词转换为计算机能够理解的稠密向量(Dense Vector)或矩阵形式，词向量即是文本在机器中数值化的体现。词向量特征的提取可以通过深度学习模型进行提取，例如可以采用卷积神经网络(ConvolutionalNeural Networks，CNN)模型、LSTM模型、RNN或者词语到向量(Word2Vec，Word to Vector，)模型等进行提取，当然，也可以采用其它可能的深度学习模型进行提取。

10、Word2Vec模型，作为Google的开源词向量工具，其可以利用词语间的语义关系将词语转化为词向量，还可以利用词向量之间的语义距离关系识别出词语。

如前所述的，如何提高推荐系统的推荐性能是目前需要考虑的问题，鉴于此，本申请实施例提供一种推荐多媒体内容的方法，例如用于推荐资讯或者推荐短视频，在推荐过程中，是根据待推荐多媒体内容的文本标题和摘要图片分别计算对应的标题诱惑度和图片诱惑度，然后再根据标题诱惑度和图片诱惑度确定出待推荐多媒体内容的综合诱惑度，进而根据预设诱惑度条件和各个待推荐多媒体内容各自的综合诱惑度，筛选出满足预设诱惑度条件的待推荐多媒体内容作为候选多媒体内容，最后再根据候选多媒体内容对用户进行相应的推荐。

也就是说，在进行资源推荐时，本申请实施例中引入了“诱惑度”这种度量方式，并且是结合多媒体内容的文本标题和摘要图片这两部分来综合衡量多媒体内容对用户的吸引程度，由于在实际中，有的用户是对标题更感兴趣，有的用户是对摘要图片更感兴趣，有的用户则是对两者都比较感兴趣，并且，文本标题和摘要图片这两者都是用来表明多媒体内容的大致内容，所以，通过文本标题的标题诱惑度和摘要图片的图片诱惑度这两个维度来综合反映多媒体内容对用户的整体吸引程度，更能够准确地反映出用户的实际观看需求，进而可以在一定程度上提高点击率、浏览时长、浏览深度等推荐指标，从而提高多媒体内容推荐的准确性和有效性，提高推荐系统的推荐性能。

为更好地理解本申请实施例提供的技术方案，下面对本申请实施例提供的技术方案适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

请参见图3，图3为本申请实施例中的推荐多媒体内容的方案适用的一种应用场景，在该应用场景中包括多个终端设备(例如第一终端设备301、第二终端设备302、第三终端设备303)和服务器304，其中的服务器304可以是服务于多媒体推荐平台的服务器，例如是资讯推荐服务器、短视频推荐服务器，等等。每个终端设备可以对应一个用户，以第二终端设备302及短视频推荐场景为例，第二终端设备302对应用户2，用户2可以操作第二终端设备302向服务器304发送短视频推荐请求，进一步地，服务器304可以采用本申请实施例中的推荐多媒体内容的方法向第二终端设备302推荐短视频以便用户2观看。需要说明的是，图3中的每个终端设备既可以作为多媒体内容(例如资讯或者短视频)请求端向服务器304请求多媒体内容资源，同时也可以上传多媒体内容以通过服务器304发布，即同时也可以是多媒体内容发布端。

图3中的每个终端设备可以是手机、平板电脑、掌上电脑(Personal DigitalAssistant，PDA)，笔记本电脑、智能穿戴式设备(例如智能手表和智能头盔)、个人计算机，等等。以及，图3中的服务器304可以是个人计算机、大中型计算机、计算机集群，等等。

为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可按照实施例或者附图所示的方法顺序执行或者并行执行。

如前所述的，本申请实施例是从文本标题和摘要图片两个维度来计算多媒体内容的综合诱惑度，进而根据多媒体内容的综合诱惑度作为推荐依据进行资源推荐，以提高推荐系统的推荐性能。以下结合图4和图5对本申请实施例中的计算多媒体内容的综合诱惑度的具体实施方式进行介绍说明。

请参见图4所示，图4示出了多媒体内容的综合诱惑度的大致流程，即：针对文本标题，可以通过策略快速识别和模型语义计算两部分来计算得到文本标题的标题诱惑度；针对摘要图片，先进行图像特征提取，再利用多个子模型从图片的多个维度来进行诱惑度计算，最后将各个子模型的计算结果进行融合，以得到摘要图片的图片诱惑度；最后将标题和图片两个维度的诱惑度结果进行融合处理，以得到多媒体内容最终的综合诱惑度，而多媒体内容的综合诱惑度则可以作为推荐系统的推荐依据向用户进行多媒体内容的推荐。

再参见图5所示，图5是在图4的基础上进一步地详细的实施方式说明，以下对图5所示的流程进行介绍。

步骤501：针对待推荐多媒体内容，确定该待推荐多媒体内容的文本标题和至少一张摘要图片。

需要说明的是，多媒体内容推荐池中包括多种类型的待推荐多媒体内容，例如：仅包括文本标题、仅包括摘要图片(例如视频缩略图)、包括文本标题和一张摘要图片、包括文本标题和多张摘要图片。而本申请实施例主要是针对同时包括文本标题和摘要图片(一张或多张)的多媒体内容进行推荐说明，也就是说，采用本申请实施例中的计算综合诱惑度的方法是针对同时包括文本标题和摘要图片的多媒体内容，而对于仅包括文本标题的多媒体内容，可以采用本申请实施例后文介绍的计算文本标题的标题诱惑度的方式计算其标题诱惑度，进而将标题诱惑度直接作为多媒体内容的整体诱惑度，以及，对于仅包括摘要图片的多媒体内容，可以采用本申请实施例后文介绍的计算摘要图片的图片诱惑度的方式计算其图片诱惑度，进而将图片诱惑度直接作为多媒体内容的整体诱惑度。

所以，针对同时包括文本标题和摘要图片的待推荐多媒体内容，则可以先确定该待推荐多媒体内容的文本标题和至少一张摘要图片，例如图1中的第一条资讯的文本标题为“MM明星小时候真的很丑吗？然而真相是……”以及对应的一张摘要图片，又例如图2中的第二条短视频的文本标题为“必须试一试的网红牛肉吃法”以及对应的一张摘要图片(视频缩略图)。

步骤502：确定待推荐多媒体内容的文本标题对应的标题诱惑度。

本申请实施例中，可以采用诱惑度预测模型来确定文本标题对应的标题诱惑度，也就是说，针对一个文本标题，可以采用机器模型来计算对应的标题诱惑度。以下先对诱惑度预测模型的训练过程进行说明。

第一步，获得用于训练诱惑度预测模型的训练样本，例如将这些训练样本称作文本训练样本，根据多媒体内容的文本标题的类型，例如这些文本训练样本是一些句子样式。每个文本训练样本可以预先标注了语义诱惑度，语义诱惑度是指文本训练样本的文本语义对用户的吸引程度，在具体实施过程中，为了提高泛化性，可以采集大量的文本训练样本，这些文本训练样本可以是不同用户根据自己对文本的感兴趣程度进行标注的，或者，同一个文本训练样本可以同时被多个用户标注，也就是说，一个文本训练样本可能会被同时标注多个语义诱惑度，那么一个文本训练样本与对应的一个语义诱惑度则可以单独作为一个训练样本，例如某个文本训练样本被标注了93、88、90这三个语义诱惑度，例如是三个用户对该文本的诱惑度打分，那么则可以将该文本训练样本衍生得到三个不同语义诱惑度的文本训练样本。而每个语义诱惑度表明一个用户对该文本训练样本的语义所表达的内容感兴趣的程度，可知的是，用户感兴趣的程度越高，即文本训练样本对用户的吸引程度越大，则表明用户可能点击该文本训练样本的可能性越大，即点击概率和查看概率越大，同时查看时长(即观看深度)也可能越大。

第二步，在获得大量被标注了语义诱惑度的文本训练样本之后，则可以根据这些文本训练样本和初始的预测模型进行模型训练，例如对各个文本训练样本先进行预处理，例如去掉一些例如“·”之类的特殊符号，以及去掉例如“的”之类的语气助词，等等，经过预处理之后，可以使得保留下来的文本内容是能够真正体现文本含义的内容，进而可以使得后续进行文本处理的数据量更小，同时也可以避免这些被清除的数据对文本本身内容所造成的干扰，以尽量提高分词处理的准确性和处理效率。进而再进行分词处理以得到各个分词的词向量表示，最后将这些词向量和对应的语义诱惑度输入到初始的预测模型进行模型训练，进而得到训练好的诱惑度预测模型，对于模型训练的具体方式，例如可以采用常规通用的模型训练方法进行模型训练。本申请实施例中的诱惑度预测模型例如是BLSTM模型、TEXT-CNN、BERT(Bidirectional Encoder Representation from Transformers)等深度学习模型，本申请实施例不做限制。

在通过上述介绍得到训练的诱惑度预测模型之后，针对每个待检测诱惑度的文本标题(即一个文本序列)，要通过该诱惑度预测模型来预测该文本标题对用户的吸引程度，即预测其语义诱惑度，可以先对该文本标题进行如上所述的预处理，然后再利用NPL技术对文本标题进行分词处理进而得到各个分词对应的词向量，最后利用上述训练得到的诱惑度预测模型根据得到的这些词向量进行该文本标题对应的语义诱惑度的计算，通过诱惑度预测模型的计算，可以得到每个文本标题的语义诱惑度，以图1中的第一个文本标题为例，例如计算得到的语义诱惑度为89，若诱惑度取值范围为0-100，其中，诱惑度值越大表明对用户的吸引程度越高，所以可见89分的语义诱惑度也算是比较高的打分，即表明图1中的第一个文本标题对广大用户的吸引程度是较高的，所以用户可能点击该文本标题进而查看对应的内容的概率也是较大的。

对于诱惑度预测模型对于语义的理解，在其中还可以融合注意力机制(Attention)，以使得对于较长的标题能够更为准确地理解上下文语义，使得对于文本标题的语义理解的准确性更高，即能够更为准确地识别出文本标题的真实语义。

请参见图6所示的利用诱惑度预测模型计算标题诱惑度的示意图，首先利用词向量模型Word2Vec利用大规模的语料样本预先训练好单词的语义向量，对于需要计算标题诱惑度的文本标题，先对其进行分词处理以得到单词x₁、x₂、x₃、x₄、……、x_n，进而利用训练好的Word2Vec模型得到这些单词的词向量表示，然后将得到的词向量输入BLSTM模型中进行语义特征抽取，将抽取的语义特征输入到Softmax分类器，得到最终的诱惑度结果。其中的语义特征抽取模块为BLSTM，双向的LSTM单元可以捕获较远距离上下文特征，从而获得更精准的语义表达，提高语义识别的准确性。

本申请实施例中，通过诱惑度预测模型计算得到的文本标题语义层面的语义诱惑度，可以从文本标题的实际语义层面来衡量其对用户的吸引程度，进而可以在一定程度上提高对文本标题的诱惑度的准确性。

在一种可能的实施方式中，在获得文本标题的语义诱惑度之后，可以将该语义诱惑度直接作为该文本标题对应的标题诱惑度，即直接从标题的语义层面来体现文本标题对用户的吸引程度。

在另一种可能的实施方式中，在获得文本标题的语义诱惑度的同时，还可以再计算该文本标题对应的字面诱惑度，其中的字面诱惑度是指从文本标题的字面结构上对用户的吸引程度，例如文本标题中包括的一些吸引用户的关键词或者吸引用户的句式结构，等等。字面诱惑度表明的是文本标题字面直接的吸引力，而语义诱惑度表明的是文本标题内涵间接的吸引力，通过这两个维度可以更为准确地体现出整个文本标题对于不同用户的客观上的吸引程度，可以提高确定文本标题的标题优诱惑度的准确性，同时也可以适用于更多的用户，增强方案的泛化性和普适性。在同时获得文本标题的语义诱惑度和字面诱惑度之后，可以基于这两者则可以进一步地得到文本标题对应的标题诱惑度，在具体实施过程中，可以采用一些特定的计算策略来计算，例如可以将这两者的平均值作为标题诱惑度，或者直接将两者中的较大者作为标题诱惑度，或者可以分别为语义诱惑度和字面诱惑度设置一个权重，以语义诱惑度和字面诱惑度分别乘以对应的权重后得到的加权后的两者之和作为最终的标题诱惑度，等等，对于具体的计算策略本申请实施例不做限制。

文本标题的字面诱惑度，即文本标题字面的内容所直接体现的吸引力，文本标题中能够直接吸引用用户的一般是一些具有强吸引力的内容，本申请实施例中将这些具有强吸引力的内容称作强诱惑度内容，强诱惑度内容例如可以包括预设的热门关键词、预设的相互矛盾的多个关键词、特定句式结构、特定标点符号组合中的至少一种。其中，热门关键词是指当前比较吸引大众的一些关键词，比如某个受大众喜爱的公司新发布了一款性价比超高的旗舰机型，很多用户对此都比较感兴趣，那么该旗舰机型的名称即可理解为是一种热门关键词，大多数用户对包含该热门关键词的文本标题可能都是感兴趣的；预设的相互矛盾的多个关键词，可以是指语义相互矛盾的关键词，基于用户的好奇心理，当看到自相矛盾的文本标题时则对此感兴趣的可能较大；特定句式结构，例如“……真的是这样吗”或者“……真的很……，然而真相是……”或者“……自爆……内幕”等等，这些特定句式结构都是较为吸引用户注意力的句式结构，基于用户的好奇心理，所以这些特定句式结构对用户的吸引力都是较大的；特定标点符合组合，标点符号可以从侧面体现文本标题的大致语义，例如同时包括问号“？”和感叹号“！”的句子一般表达了比较强烈的语气，例如难以置信、震惊、惊奇、不可思议等情绪，而这些对于一般用户来说的吸引程度也是较大的，所以当包括特定标点符号组合的文本对用户一般来说也是具有一定吸引程度的。基于文本标题中所包括的强诱惑度内容，由于是从标题的字面本身来吸引用户，这在一定程度上可以将这类文本标题理解为是“标题党”。

在提取出文本标题中所包括的强诱惑度内容之后，则可以所包括的强诱惑度内容的具体类型和数量来综合确定文本标题的字面诱惑度，例如既包括相互矛盾的关键又包括特定标点符号组合的字面诱惑度一般要大于仅包括特定标点符号组合的字面诱惑度，也就是说，文本标题所命中的强诱惑度内容的类型和数量越多，则可以从多方面去吸引用户的注意力，所以可以认为这类文本标题的字面诱惑度越大。

步骤503：确定待推荐多媒体内容的目标摘要图片对应的图片诱惑度。

如前所述的，一条多媒体内容可能包括一张或多张摘要图片，而本申请实施例中的图片诱惑度可以是针对多媒体内容的所有摘要图片对应的整体的图片诱惑度，可以先计算每张摘要图片的诱惑度，然后再根据所有摘要图片的诱惑度来计算多媒体内容对应的整体的图片诱惑度。或者，本申请实施例中的图片诱惑度可以是针对多媒体内容的一张或部分摘要图片对应的图片诱惑度。所以，可以先从待推荐多媒体内容的所有摘要图片中确定出需要计算诱惑度的目标摘要图片，确定出的目标摘要图片可以是所有的摘要图片，或者可以是其中的一张摘要图片，例如可以是包括颜色数最多即图像内容最为丰富的一张，或者也可以是其中的多张(非全部)摘要图片。进而，可以通过目标摘要图片的诱惑度来表示所有的摘要图片的诱惑度。

本申请实施例中，当选取的目标摘要图片包括多张时，可以采用相同的方法计算每张目标摘要图片的诱惑度，以下结合图7对一张目标摘要图片的诱惑度计算过程进行说明，对于其它目标摘要图片的诱惑度的计算可以按照相同的方式理解。

步骤701：对目标摘要图片进行特征提取，以得到目标摘要图片的图像特征信息。

可以利用图像特征抽取工具来得到目标摘要图片的图像信息，例如，可以将标摘要图片输入Inception-v3网络(或其它能够提取图像特征信息的网络)进行图像特征的提取，以得到目标摘要图片中的内容特征。

其中，Inception-v3属于深度卷积神经网络，能够抽取图片内容中的抽象语义表达，Inception-v3的具体网络结构如8所示，其中“A”是整体的模型结构图，模型中含有三个部分，分别记为Inception B(图8右侧的“B”部分)、Inception C(图8右侧的“C”部分)、Inception D(图8右侧的“D”部分)，通常的深度卷积神经网络包含以下部分：

1)输入层：图像大小为width*height*channel，其中width为图像宽度、height为图像高度、channel为图像通道数，对于彩色图来说是三通道图，即R、G、B这三个通道，进而将图像的R、G、B像素压缩成一维进行输入。

2)卷积层：由卷积核的权值和偏置项构成。在一个卷积层中，上一层的输出(又称特征映射图)被一个卷积核进行卷积，并通过一个激活函数得到输出的特征映射图，每一个特征映射图是组合卷积多个输入特征图的值。

3)池化层：对卷积得到的特征图进行降采样，典型的池化包含最大池化、求和池化和平均池化。

4)全连接层：上一层的所有网络节点都和下一层的各个网络节点有权值相连接。

5)最后使用softmax进行多分类处理，得到图片分类信息，即分类概率值，进而可以根据分类概率值计算诱惑度得分。

步骤702：将提取得到的图像特征信息输入到预设的多个图像分类模型，以得到目标摘要图片对应的多个分类概率。

其中，每个图像分类模型是从一个图像描述维度来对图片进行分类描述，例如可以包括性别、美感、性感、表情、色彩、动作等子模型，图像分类模型是预先就训练好的，以动作这个图像描述维度为例，与动作对应的图像分类模型在训练的过程中，可以通过大量人或动物或其它对象的包括各种动作的图片来进行模型训练，通过训练好的该图像分类模型可以识别出图片中对象(人或者动物等)的动作，例如针对某张图片，确定出处于“平躺”的概率是20％，处于“奔跑”的概率是93％，处于“慢走”的概率是78％，根据取概率最大值的原则，可以确定该图片在“动作”这个分类子模型下的分类概率是93％。

由于图片可能是表示各种不同主题的，例如是人物、风景、美食、宠物，等等，而对于不同类型的图片，衡量其对用户的吸引的图片描述维度一般也是不一样的，例如对于人物，用户关注的维度可能包括具体是哪个人物(即人物识别)、性别、美感、肌肉程度、性感、服装、配饰等等，也就是说，不同类型的图片可以对应具有匹配的图像分类模型组，这样在对每张图片利用图像分类模型进行描述时，可以选择与其对应的图像分类模型组来进行相关计算，这样可以在一定程度上减少计算量，可以提高计算效率，同时根据图片所属的图片类型进行针对性的描述衡量和处理，可以提高有效性。

步骤703：利用预设的分类融合模型对多个分类概率进行融合，以得到目标摘要图片的图像级诱惑度。

在通过步骤702介绍的方式得到目标摘要图片在多个图像分类模型下对应的多个分类概率之后，进一步地可以采用预设的分类融合模型来对得到的多个分类概率进行融合计算，以最终得到目标摘要图片的图像级诱惑度。预设的分类融合模型，是从图像的多个图像描述维度出发，根据多个维度的组合来体现图片整体的诱惑度评价，例如，女性+美感较高+性感类型的图片的图像级的诱惑度较高。

若目标摘要图片是一张摘要图片，则可以将这一张目标摘要图片的图像级诱惑度作为所有摘要图片的整体的诱惑度，即所有摘要图片对应的图片诱惑度；若目标摘要图片包括多张摘要图片，可以选取其中图像级诱惑度最高的一张作为所有摘要图片对应的图片诱惑度，因为一般来说，只要有一张摘要图片能够吸引用户的话，用户都会点击查看，即一张高诱惑度的图片就能够吸引用户，或者可以将多张目标摘要图片对应的多个图像级诱惑度的平均值作为所有摘要图片对应的图片诱惑度，等等。

在通过步骤502和步骤503分别得到待推荐多媒体内容的文本标题的标题诱惑度以及摘要图片的图片诱惑度之后，则可以根据得到的标题诱惑度和图片诱惑度，进而得到该待推荐多媒体内容的综合诱惑度，对于计算综合诱惑度的方式，大致可以采用策略和模型融合两种方式，以下举例说明。

第一种方式

预先设定针对文本标题的第一诱惑度阈值，以及针对摘要图片的第二诱惑度阈值，在得到某条待推荐多媒体内容的标题诱惑度和图片诱惑度之后，则可以执行如步骤504所示的将标题诱惑度与第一诱惑度阈值进行大小比较，以及执行如步骤505所示的将图片标题与第二诱惑度阈值进行大小比较。需要说明的是，第一诱惑度阈值和第二诱惑度阈值可以不具有必然的大小关系，换言之，本申请实施例对于第一诱惑度阈值和第二诱惑度阈值的大小关系并不限定。

若标题诱惑度和图片诱惑度均大于或等于对应的诱惑度阈值，即标题诱惑度大于或等于第一诱惑度阈值，以及同时图片诱惑度也大于或等于第二诱惑度阈值，或者，若标题诱惑度和图片诱惑度中存在任意一个大于或等于对应的诱惑度阈值，例如标题诱惑度大于或等于第一诱惑度阈值而图片诱惑度小于第二诱惑度阈值，或者例如标题诱惑度小于第一诱惑度阈值但图片诱惑度大于或等于第二诱惑度阈值，则可以按照步骤506所示的方式来确定待推荐多媒体内容的综合诱惑度。

步骤506：:按照预设计算策略，根据标题诱惑度和图片诱惑度确定待推荐多媒体内容的综合诱惑度。

也就是说，在标题诱惑度和图片诱惑度中的至少一个大于或等于对应的诱惑度阈值时，可以按照前述的预设计算策略来计算得到最终的综合诱惑度，而对于预设计算策略，以下列举几种可能的实现方式。

例如，在标题诱惑度和图片诱惑度均大于对应的诱惑度阈值时，可以随机选择其中的一个作为综合诱惑度，或者可以选择其中的较大者作为综合诱惑度，或者可以取两者的平均值作为综合诱惑度，或者可以在两者的差值较小时(例如差值小于另外一个阈值时)取平均值作为综合诱惑度，或者可以在两者的差值较大时(例如差值大于前述的另外一个阈值)选择其中的较大者作为综合诱惑度，等等。

第二种方式

通过上述第一诱惑度阈值和第二诱惑度阈值的比较，若标题诱惑度和图片诱惑度均小于对应的诱惑度阈值，则可以认为文本标题和摘要图片对用户的吸引程度都较低，此时可以采用如步骤507所示的模型融合的方式来计算得到两者的综合诱惑度。

步骤507：将标题诱惑度和图片诱惑度输入预先训练的诱惑度融合模型，以得到待推荐多媒体内容的综合诱惑度。

诱惑度融合模型是根据多个标注了标题诱惑度和图片诱惑度的多媒体内容训练样本训练得到的，诱惑度融合模型通过机器学习的方式，可以学习到多媒体内容训练样本的综合诱惑度与其对应的标题诱惑度和图片诱惑度之间的依赖关系，由于是通过大量训练样本学习得到这种依赖关系的，所以当将这种依赖关系运用到其它需要计算综合诱惑度的多媒体内容中时，是可以较为准确地计算出对应的综合诱惑度的。

在第二种方式中，通过模型融合以利用标题和图片的信息来共同决策综合诱惑度，通过机器学习的方式能够确保综合诱惑度的准确，且得到的结果的泛化性较好，并且利用模型进行计算的计算效率较高，可以提高多媒体内容的最终诱惑度评价的确定效率。

第三种方式

通过上述第一诱惑度阈值和第二诱惑度阈值的比较，若标题诱惑度和图片诱惑度均小于对应的诱惑度阈值，则可以认为文本标题和摘要图片对用户的吸引程度都较低，此时可以采用如步骤508所示的另外一种计算策略来计算得到两者的综合诱惑度。

步骤508：根据用户查看其它多媒体内容的历史查看信息，确定该用户对其它文本标题和对应的其它摘要图片的观看程度之间的比值，并对上述计算得到的标题诱惑度和图片诱惑度进行与该比值对应的正相关的比例计算，以得到待推荐多媒体内容的综合诱惑度。

例如，对对用户A，根据其历史查看信息可知，用户A在查看多媒体内容时，对于多媒体内容中的图片每次都或多次点击查看且每次查看的时间都较长，而对于整个多媒体内容的页面内容(即大部分是文字)的整体阅读时间较短，则说明用户A对图片的观看程度比对文本的观看程度要大，例如可以根据各自的阅读时长来大致确定出用户A对文本和图片的观看程度之间的比值，并将该比值近似作为用户A对文本标题和摘要图片的观看程度之间的比值。例如计算的出的比值是50％，即表明用户A对摘要图片的关注程度大概是文本标题的关注程度的2倍，即用户A对图片的关注程度要更大一些。

进一步地，将计算得到的标题诱惑度和图片诱惑度进行与上述比值(即)50％)对应的正相关的比例计算，这里所说的正相关的比例计算可以是指按照上述比值直接进行比例计算，或者可以是指按照上述比值所体现的大小关系进行正相关的计算，例如50％表明对文本标题的关注程度要小于对摘要图片的关注程度，那么在后续根据计算得到的标题诱惑度和图片诱惑度时，可以为标题诱惑度设置较小的权重，以及为图片诱惑度设置较大的权重，例如标题诱惑度和图片诱惑度的权重比值是1:2，或者可以是1:3，或者可以是2:3，等等，然后通过分别设置的权重和对应的两个诱惑度来计算最终的综合诱惑度。例如，确定出的标题诱惑度是80，确定出的图片诱惑度是88，且设置的标题诱惑度和图片诱惑度的权重比值是1:2，那么综合诱惑度可以按照80*1/3+88*2/3的计算公式来进行计算，计算结果为92。

需要说明的是，上述只是通过简单的例子来说明第三种方式的实施原理，在具体实施过程中，基于上述的计算原理还可以采用其它的计算方式来进行综合诱惑度的计算，本申请实施例不做限制。

进一步地，可以将上述计算多媒体内容的综合诱惑度的方式应用到多种推荐场景中，例如向用户推荐综合诱惑度较高的资讯，或者向用户推荐综合诱惑度较高的短视频，等等，以下集、结合图9对本申请实施例中的推荐多媒体内容的方法进行介绍。

步骤901：获得用户的推荐请求。

步骤902：响应推荐请求，从多媒体内容推荐池包括的待推荐多媒体内容中，确定综合诱惑度满足预设诱惑度条件的候选多媒体内容。

步骤903：按照预设推荐策略，根据候选多媒体内容对用户进行推荐。

对于多媒体内容推荐池中的待推荐多媒体内容，可以按照上述介绍的计算多媒体内容的综合诱惑度的方式，即从文本标题和摘要图片这两个维度，分别计算与文本标题对应的标题诱惑度以及与摘要图片对应的图片诱惑度，再根据这两个维度的诱惑度来计算得到待推荐多媒体内容的综合诱惑度，以此得到各个待推荐多媒体内容的综合诱惑度。

其中的预设诱惑度条件例如是综合诱惑度需要大于某个阈值，例如需要大于80，或者按照诱惑度高低选择预定数量(例如50)的多媒体内容进行推荐，等等，进而得到满足预设诱惑度条件的待推荐多媒体内容作为候选多媒体内容，进一步地将这些候选多媒体内容进行推荐，例如按照一定数量进行分批次推荐，或者按照诱惑度高低依次分批次推荐，等等，从而实现基于诱惑度的多媒体内容的推荐，以使得推荐的多媒体内容能够对大多数用户形成一定程度的吸引，以提高推荐的准确性和有效性，可以提高用户的点击率和查看了，进而提高推荐系统的推荐性能。

本申请实施例提出的诱惑度评估算法相比现有的技术方案，可以更灵活的识别出多媒体内容的诱惑度，具有更好的准确率和泛化能力。通过对标题和图片单独建模来得到多媒体内容整体的诱惑度评分。在标题上采用策略+模型的方式进行判定；在图片上采用多维度、多模型的判定方式；在多媒体内容整体上采用策略+模型融合文本和图片维度的特征，进而得到多媒体内容整体的综合诱惑度得分。

将本申请实施例提供的计算多媒体内容的综合诱惑度的方式运用在各种推荐系统中，在识别多媒体内容的准确率和召回率都有明显的提升，提升了用户的点击率和浏览时长，增强了用户的使用体验，。

基于同一发明构思，本申请实施例提供一种推荐多媒体内容的装置，该推荐多媒体内容的装置可以是硬件结构、软件模块、或硬件结构加软件模块。该推荐多媒体内容的装置例如是前述图3中的服务器304本身，或者可以是设置于服务器304内的功能装置，该推荐多媒体内容的装置可以由芯片系统实现，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。请参见图10所示，本申请实施例中的推荐多媒体内容的装置包括获得模块1001、确定模块1002和推荐模块1003，其中：

获得模块1001，用于获得推荐请求；

确定模块1002，用于响应推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，标题诱惑度表明待推荐多媒体内容的文本标题对的吸引程度，图片诱惑度表明待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；

推荐模块1003，用于根据候选多媒体内容进行多媒体内容的推荐。

在一种可能的实施方式中，确定模块1002用于：

对文本标题进行分词处理以得到多个分词，并确定每个分词对应的词向量；

根据得到的所有词向量和预先训练好的诱惑度预测模型，确定文本标题对应的语义特征，并根据语义特征确定文本标题对应的语义诱惑度；其中，诱惑度预测模型是根据多个标注了语义诱惑度的文本训练样本训练得到的；

根据文本标题对应的语义诱惑度，确定标题诱惑度。

在一种可能的实施方式中，确定模块1002用于：

确定文本标题包括的预设强诱惑度内容；其中，预设强诱惑度内容包括预设的热门关键词、预设的相互矛盾的多个关键词、特定句式结构、特定标点符号组合中的至少一种；

根据包括的预设强诱惑度内容，确定文本标题对应的字面诱惑度；

根据语义诱惑度和字面诱惑度，确定标题诱惑度。

在一种可能的实施方式中，确定模块1002用于：

从至少一张摘要图片中确定目标摘要图片；

对目标摘要图片进行特征提取，以得到目标摘要图片对应的图像特征信息；

将目标摘要图片对应的图像特征信息输入到预设的多个图像分类模型，以得到目标摘要图片对应的多个分类概率；其中，多个图像分类模型用于分别从多个图像描述维度对图片进行分类描述；

根据目标摘要图片对应的多个分类概率和预设的分类融合模型，确定目标摘要图片对应的图像级诱惑度；

根据目标图片对应的图像级诱惑度，确定图片诱惑度。

在一种可能的实施方式中，确定模块1002用于：

确定目标摘要图片所属的图片类型；

按照预设的图片类型与图像分类模型组的对应关系，确定与目标摘要图片的图片类型对应的图像分类模型组；

将目标摘要图片对应的图像特征信息输入到对应的图像分类模型组中的每个图像分类模型。

在一种可能的实施方式中，确定模块1002用于：

根据用户查看其它多媒体内容的历史查看信息，确定用户对其它多媒体内容的文本标题和对应的摘要图片的观看程度之间的比值；

对标题诱惑度和图片诱惑进行与比值对应的正相关的比例处理，以获得综合诱惑度。

在一种可能的实施方式中，确定模块1002用于：

将标题诱惑度与第一诱惑度阈值进行比较，以及将图片诱惑度与第二诱惑度阈值进行比较；

若标题诱惑度和图片诱惑度中的至少一个大于或等于对应的诱惑度阈值，则按照预设计算策略，根据标题诱惑度和图片诱惑度确定综合诱惑度；

若标题诱惑度和图片诱惑度均小于对应的诱惑度阈值，则将标题诱惑度和图片诱惑度输入预先训练的诱惑度融合模型，以得到综合诱惑度；其中，诱惑度融合模型是根据多个标注了标题诱惑度和图片诱惑度的多媒体内容训练样本训练得到的。

前述的推荐多媒体内容的方法的实施例中涉及的各步骤的所有相关内容均可以援引到本申请施例中的推荐多媒体内容的装置所对应的功能模块的功能描述，在此不再赘述。

本申请实施例中对模块的划分是示意性的，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，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

基于同一发明构思，本申请实施例提供一种计算设备，该计算设备例如是前述图3中的服务器304，如图11所示，本申请实施例中的计算设备包括至少一个处理器1101，以及与至少一个处理器1101连接的存储器1102和通信接口1103，本申请实施例中不限定处理器1101与存储器1102之间的具体连接介质，图11中是以处理器1101和存储器1102之间通过总线1100连接为例，总线1100在图11中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1100可以分为地址总线、数据总线、控制总线等，为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，存储器1102存储有可被至少一个处理器1101执行的指令，至少一个处理器1101通过执行存储器1102存储的指令，可以执行前述的全链路性能测试方法中所包括的步骤。

其中，处理器1101是计算设备的控制中心，可以利用各种接口和线路连接整个计算设备的各个部分，通过运行或执行存储在存储器1102内的指令以及调用存储在存储器1102内的数据，计算设备的各种功能和处理数据，从而对计算设备进行整体监控。可选的，处理器1101可包括一个或多个处理模块，处理器1101可集成应用处理器和调制解调处理器，其中，处理器1101主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。在一些实施例中，处理器1101和存储器1102可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器1101可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器1102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1102可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1102还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

通信接口1103是能够用于进行通信的传输接口，可以通过通信接口1103接收数据或者发送数据，例如可以通过通信接口1103与其它设备进行数据交互以实现通信的目的。

进一步地，该计算设备还包括帮助计算设备内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1104、用于存储操作系统1105、应用程序1106和其他程序模块1107的大容量存储设备1108。

基本输入/输出系统1104包括有用于显示信息的显示器1109和用于用户输入信息的诸如鼠标、键盘之类的输入设备1110。其中显示器1109和输入设备1110都通过连接到系统总线1100的基本输入/输出系统1104连接到处理器1101。所述基本输入/输出系统1104还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备1108通过连接到系统总线1100的大容量存储控制器(未示出)连接到处理器1101。所述大容量存储设备1108及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说，大容量存储设备1108可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

根据本申请的各种实施例，该计算设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该计算设备可以通过连接在所述系统总线1100上的通信接口1103连接到网络1111，或者说，也可以使用通信接口1103来连接到其他类型的网络或远程计算机系统(未示出)。

基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质可以是计算机可读存储介质，该存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的推荐多媒体内容的方法的步骤。

基于同一发明构思，本申请实施例还提供一种芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现如前述的推荐多媒体内容的方法的步骤。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。

在一些可能的实施方式中，本申请实施例提供的推荐多媒体内容的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机上运行时，所述程序代码用于使所述计算机执行前文所描述的根据本申请各种示例性实施方式的推荐多媒体内容的方法中的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种推荐多媒体内容的方法，其特征在于，所述方法包括：

获得推荐请求；

响应所述推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据所述待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，所述标题诱惑度表明所述待推荐多媒体内容的文本标题对用户的吸引程度，所述图片诱惑度表明所述待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；

根据所述候选多媒体内容进行多媒体内容的推荐。

2.如权利要求1所述的方法，其特征在于，确定所述待推荐多媒体内容的文本标题对应的标题诱惑度，包括：

对所述文本标题进行分词处理以得到多个分词，并确定每个分词对应的词向量；

根据得到的所有词向量和预先训练好的诱惑度预测模型，确定所述文本标题对应的语义特征，并根据所述语义特征确定所述文本标题对应的语义诱惑度；其中，所述诱惑度预测模型是根据多个标注了语义诱惑度的文本训练样本训练得到的；

根据所述文本标题对应的语义诱惑度，确定所述标题诱惑度。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

确定所述文本标题包括的预设强诱惑度内容；其中，所述预设强诱惑度内容包括预设的热门关键词、预设的相互矛盾的多个关键词、特定句式结构、特定标点符号组合中的至少一种；

根据包括的预设强诱惑度内容，确定所述文本标题对应的字面诱惑度；

则，根据所述文本标题对应的语义诱惑度，确定所述标题诱惑度，包括：

根据所述语义诱惑度和所述字面诱惑度，确定所述标题诱惑度。

4.如权利要求1所述的方法，其特征在于，确定所述待推荐多媒体内容的至少一张摘要图片对应的图片诱惑度，包括：

从所述至少一张摘要图片中确定目标摘要图片；

对所述目标摘要图片进行特征提取，以得到所述目标摘要图片对应的图像特征信息；

将所述目标摘要图片对应的图像特征信息输入到预设的多个图像分类模型，以得到所述目标摘要图片对应的多个分类概率；其中，所述多个图像分类模型用于分别从多个图像描述维度对图片进行分类描述；

根据所述目标摘要图片对应的多个分类概率和预设的分类融合模型，确定所述目标摘要图片对应的图像级诱惑度；

根据所述目标图片对应的图像级诱惑度，确定所述图片诱惑度。

5.如权利要求4所述的方法，其特征在于，将所述目标摘要图片对应的图像特征信息输入到预设的多个图像分类模型，包括：

确定所述目标摘要图片所属的图片类型；

按照预设的图片类型与图像分类模型组的对应关系，确定与所述目标摘要图片的图片类型对应的图像分类模型组；

将所述目标摘要图片对应的图像特征信息输入到对应的图像分类模型组中的每个图像分类模型。

6.如权利要求1-5任一所述的方法，其特征在于，根据所述标题诱惑度和所述图片诱惑度，确定所述待推荐多媒体内容的综合诱惑度，包括：

根据所述用户查看其它多媒体内容的历史查看信息，确定所述用户对所述其它多媒体内容的文本标题和对应的摘要图片的观看程度之间的比值；

对所述标题诱惑度和所述图片诱惑进行与所述比值对应的正相关的比例处理，以获得所述综合诱惑度。

7.如权利要求1-5任一所述的方法，其特征在于，根据所述标题诱惑度和所述图片诱惑度，确定所述待推荐内容的综合诱惑度，包括：

将所述标题诱惑度与第一诱惑度阈值进行比较，以及将所述图片诱惑度与第二诱惑度阈值进行比较；

若所述标题诱惑度和所述图片诱惑度中的至少一个大于或等于对应的诱惑度阈值，则按照预设计算策略，根据所述标题诱惑度和所述图片诱惑度确定所述综合诱惑度；

若所述标题诱惑度和所述图片诱惑度均小于对应的诱惑度阈值，则将所述标题诱惑度和所述图片诱惑度输入预先训练的诱惑度融合模型，以得到所述综合诱惑度；其中，所述诱惑度融合模型是根据多个标注了标题诱惑度和图片诱惑度的多媒体内容训练样本训练得到的。

8.一种推荐多媒体内容的装置，其特征在于，所述装置包括：

获得模块，用于获得推荐请求；

确定模块，用于响应所述推荐请求，从多媒体内容推荐池中确定综合诱惑度满足预设诱惑度条件的候选多媒体内容；其中，待推荐多媒体内容的综合诱惑度是根据所述待推荐多媒体内容对应的标题诱惑度和图片诱惑度确定的，所述标题诱惑度表明所述待推荐多媒体内容的文本标题对的吸引程度，所述图片诱惑度表明所述待推荐多媒体内容的至少一张摘要图片对用户的吸引程度；

推荐模块，用于根据所述候选多媒体内容进行多媒体内容的推荐。

9.一种计算设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的方法包括的步骤。

10.一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可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任一所述的方法包括的步骤。

Images