CN110750658B

CN110750658B - 一种媒体资源的推荐方法、服务器及计算机可读存储介质

Info

Publication number: CN110750658B
Application number: CN201910880846.1A
Authority: CN
Inventors: 乐志能
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2019-09-18
Filing date: 2019-09-18
Publication date: 2022-12-09
Anticipated expiration: 2039-09-18
Also published as: CN110750658A

Abstract

本申请适用于人工智能技术领域，提供了一种媒体资源的推荐方法、服务器及计算机可读存储介质，包括：接收终端发送的媒体资源获取请求；基于媒体资源获取请求携带的目标用户的身份标识信息确定目标用户的属性向量，并基于目标用户的属性向量及媒体资源获取请求携带的各个预设场景参数的实际值确定目标用户在其当前所处的场景下的目标特征向量；基于预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定目标特征向量对应的目标媒体资源置信度向量；获取目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将目标媒体资源发送至终端，从而能够为目标用户推荐适宜其当前所处场景的媒体资源，提高了媒体资源的转换率。

Description

一种媒体资源的推荐方法、服务器及计算机可读存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种媒体资源的推荐方法、服务器及计算机可读存储介质。

背景技术

随着终端技术的快速发展，手机、电脑等日常使用较频繁的终端设备已成为进行广告推荐的重要工具。现有的广告推荐方法在通过终端设备向用户推荐广告时，通常是基于广告主的要求进行广告投放的，例如，基于广告主要求，在预设时段内向使用预设应用的指定人群推荐指定的广告，或者直接基于用户的属性向用户进行个性化广告推荐，但用户在不同场景下的兴趣点不同，而现有的上述广告推荐方法无法为用户推荐其在当前场景下真正感兴趣的广告，从而会降低广告的转化率。

发明内容

有鉴于此，本申请实施例提供了一种媒体资源的推荐方法、服务器及计算机可读存储介质，以解决现有的广告推荐方法无法为用户推荐其在当前场景下真正感兴趣的广告，从而所导致的广告转化率低的问题。

本申请实施例的第一方面提供了一种媒体资源的推荐方法，包括：

接收终端发送的媒体资源获取请求；所述媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值，所述预设场景参数的实际值用于描述所述目标用户当前所处的场景；

基于所述目标用户的身份标识信息确定所述目标用户的属性向量，并基于所述目标用户的属性向量及各个所述预设场景参数的实际值确定所述目标用户在其当前所处的场景下的目标特征向量；

基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量；所述目标媒体资源置信度向量中的每个元素的值用于表征所述目标用户相对于该元素对应的预设媒体资源的得分值；

获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端。

本发明实施例的第二方面提供了一种服务器，包括：

第一接收单元，接收终端发送的媒体资源获取请求；所述媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值，所述预设场景参数的实际值用于描述所述目标用户当前所处的场景；

第一确定单元，用于基于所述目标用户的身份标识信息确定所述目标用户的属性向量，并基于所述目标用户的属性向量及各个所述预设场景参数的实际值确定所述目标用户在其当前所处的场景下的目标特征向量；

第二确定单元，用于基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量；所述目标媒体资源置信度向量中的每个元素的值用于表征所述目标用户相对于该元素对应的预设媒体资源的得分值；

第一发送单元，用于获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端。

本发明实施例的第三方面提供了一种服务器，包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述一种媒体资源的推荐方法的步骤。

本发明实施例的第四方面提供了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程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述一种媒体资源的推荐方法的步骤。

本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的媒体资源的推荐方法。

实施本发明实施例提供的一种媒体资源的推荐方法、服务器及计算机可读存储介质具有以下有益效果：

本发明提供的一种媒体资源推荐方法通过接收终端发送的媒体资源获取请求，媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值；基于目标用户的身份标识信息确定目标用户的属性向量，并基于目标用户的属性向量及各个预设场景参数的实际值确定目标用户的目标特征向量；由于预设场景参数的实际值用于描述目标用户当前所处的场景，且属性向量用于描述目标用户的属性，因此，基于目标用户的属性向量及各个预设场景参数的实际值确定出的特征向量既能够描述目标用户的属性，又能够描述目标用户当前所处的场景，因此，基于目标用户的目标特征向量确定出的目标媒体资源置信度向量中各个元素的值能够表征用户在其当前所处场景下相对于各个元素对应的预设媒体资源的得分值，那么，基于目标媒体资源置信度向量为目标用户推荐的目标媒体资源与目标用户当前所处的场景匹配度较高，从而能够提高媒体资源的转换率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种媒体资源的推荐方法的实现流程图；

图2是本申请实施例提供的一种媒体资源的推荐方法中S102的具体实现流程图；

图3是本申请实施例提供的一种媒体资源的推荐方法中S104的具体实现流程图；

图4是本申请另一实施例提供的一种媒体资源的推荐方法的实现流程图；

图5是本申请再一实施例提供的一种媒体资源的推荐方法的实现流程图；

图6是本申请又一实施例提供的一种媒体资源的推荐方法的实现流程图；

图7是本申请实施例提供的一种媒体资源的推荐装置的结构框图；

图8是本申请实施例提供的一种服务器的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

请参阅图1，图1是本申请实施例提供的一种媒体资源的推荐方法的实现流程图。本实施例中，媒体资源的推荐方法的执行主体为服务器，服务器包括但不限于智能手机、平板电脑或台式电脑。如图1所示的一种媒体资源的推荐方法包括以下步骤：

在S101中，接收终端发送的媒体资源获取请求；所述媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值，所述预设场景参数的实际值用于描述所述目标用户当前所处的场景。

本申请实施例中，终端检测到用户触发媒体资源展示请求时，获取目标用户的身份标识信息，并确定当前时刻各个预设场景参数的实际值。其中，目标用户指触发媒体资源展示请求的用户。当前时刻指检测到用户触发媒体资源展示请求的时刻。目标用户的身份标识信息可以是目标用户的手机号码或身份证号码，也可以是目标用户当前使用的终端的设备识别码等，此处不做限制。预设场景参数的实际值用于描述用户当前时刻所处的场景，示例性的，预设场景参数可以包括但不限于：时间、用户所在城市、用户查看的内容所属的类型及股市行情等。预设场景参数的实际值指预设场景参数在用户当前所处的场景下的实际取值，示例性的，若当前时刻为13:00，则时间这一预设场景参数的实际值为13:00；若用户所在城市为A城市，则用户所在城市这一预设场景参数的实际值为A城市。

在实际应用中，终端检测到目标用户触发媒体资源展示请求可以是：检测到目标用户打开预设APP或者检测到目标用户在预设APP内触发预设操。其中，预设操作可以根据实际需求进行确定，此处不做限制。示例性的，预设操作可以为点击预设控件，即终端若检测到目标用户点击预设APP内的预设控件，则认为触发了预设操作，即认为检测到目标用户触发媒体资源展示请求。

终端设备获取到目标用户的身份标识信息及各个预设场景参数的实际值之后，基于目标用户的身份标识信息及各个预设场景参数的实际值生成媒体资源获取请求，并将媒体资源获取请求发送至服务器。其中，媒体资源获取请求用于请求从服务器中获取媒体资源，媒体资源可以是待展示的广告信息。

服务器接收到终端设备发送的媒体资源获取请求后，从媒体资源获取请求中提取目标用户的身份标识信息及各个预设场景参数的实际值。

在S102中，基于所述目标用户的身份标识信息确定所述目标用户的属性向量，并基于所述目标用户的属性向量及各个所述预设场景参数的实际值确定所述目标用户在其当前所处的场景下的目标特征向量。

本申请实施例中，服务器从媒体资源获取请求中提取出目标用户的身份标识信息及各个预设场景参数的实际值后，基于目标用户的身份标识信息，从预先构建的用户信息表中获取目标用户的属性向量。其中，用户信息表用于存储用户的身份标识信息与用户的属性向量之间的对应关系，属性向量中的各个元素的值用于描述各个预设用户属性包含的各个预设分类的逻辑值，逻辑值的取值为0或1。预设用户属性包括但不限于：性别、年龄、婚育状况、消费水平及理财状况等。每一预设用户属性包含的各个预设分类可以根据实际需求设置，示例性的，性别这一预设用户属性可以包含男性和女性这两个预设分类，婚育状况这一预设用户属性可以包含未育、已育、未婚及已婚这四个预设分类。

服务器获取到目标用户的属性向量后，基于目标用户的属性向量及各个预设场景参数的实际值确定目标用户的目标特征向量。其中，目标特征向量用于描述目标用户的属性及其当前时刻所处的场景。

作为本申请一实施例，S102可以通过如图2所示的S1021～S1022实现，详述如下：

在S1021中，基于各个所述预设场景参数的实际值确定各个所述预设场景参数包含的各个预设分类的逻辑值，按预设顺序将所有所述预设分类的逻辑值进行排序，得到所述目标用户当前所处的场景对应的场景向量。

本实施例中，服务器确定了目标用户的属性向量后，基于每个预设场景参数的实际值确定每个预设场景参数包含的各个预设分类的逻辑值。其中，每个预设场景参数可以包括至少一个预设分类，每个预设场景参数的每个预设分类的逻辑值可以是0或1。具体的，服务器可以确定每个预设场景参数的实际值在该预设场景参数下所属的预设分类，将每个预设场景参数的实际值在每一预设场景参数下所属的预设分类的逻辑值设为1，将每一预设场景参数下的其他预设分类的逻辑值设为0。示例性的，假如时间这一预设场景参数的实际值为13:00，时间这一场景参数包含：0:00～6:00，6:00～12:00，12:00～18:00及18:00～24:00这四个预设分类，由于13:00属于12:00～18:00这一预设分类，因此，12:00～18:00这个预设分类的逻辑值为1，其余预设分类的逻辑值为0。当某一预设场景参数的某一预设分类的逻辑值的取值为0时，说明目标用户当前没有处于该预设分类对应的场景，当某一预设场景参数的某一预设分类的逻辑值的取值为1时，说明目标用户当前处于该预设分类对应的场景。例如，当时间参数中的12:00～18:00这一预设分类的逻辑值为1时，即表示目标用户当前所处的场景的时间参数在12:00～18:00之间。

服务器确定了各个预设场景参数包含的各个预设分类的逻辑值后，按照预设顺序将所有预设场景参数包含的所有预设分类的逻辑值进行组合，得到目标用户在其当前所处的场景下的场景向量。其中，预设顺序可以根据实际需求设置，此处不做限制。

在S1022中，将所述属性向量与所述目标用户当前所处的场景对应的场景向量进行组合，得到所述目标用户的目标特征向量。

在本实施例中，服务器得到目标用户当前所处的场景对应的场景向量后，将目标用户的属性向量与目标用户当前所处的场景对应的场景向量进行组合，进而得到目标用户的目标特征向量。其中，属性向量与场景向量的组合方式可以根据实际需求进行确定，此处不做限制。示例性的，服务器可以按照属性向量在前场景向量在后的组合方式，将目标用户的属性向量与目标用户当前所处的场景对应的场景向量进行组合，例如，若目标用户的属性向量为X1，目标用户当前所处的场景对应的场景向量为X2，则按照属性向量在前场景向量在后的组合方式组合得到的目标特征向量为[X1,X2]。当然，服务器还可以按照场景向量在前属性向量在后的组合方式，将目标用户的属性向量与目标用户当前所处的场景对应的场景向量进行组合，此种情况得到的目标特征向量为[X2,X1]。

在S103中，基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量；所述目标媒体资源置信度向量中的每个元素的值用于表征所述目标用户相对于该元素对应的预设媒体资源的得分值。

本申请实施例中，服务器确定了目标用户的目标特征向量后，基于各个预设特征向量与媒体资源置信度向量之间的对应关系，确定与目标特征向量相同的预设特征向量对应的媒体资源置信度向量，将与目标特征向量相同的预设特征向量对应的媒体资源置信度向量确定为目标媒体资源置信度向量。

其中，各个预设特征向量与媒体资源置信度向量之间的对应关系可以通过机器学习算法预先学习得到。媒体资源置信度向量中的每个元素对应一预设媒体资源，媒体资源置信度向量中的各个元素的值用于描述用户相对于该元素对应的预设媒体资源的得分值。示例性的，若媒体资源置信度向量为[A,B,C,D]，元素A、元素B、元素C及元素D分别对应预设媒体资源1、预设媒体资源2、预设媒体资源3及预设媒体资源4，那么，元素A的取值用于表征用户相对于预设媒体资源1的得分值，元素B的取值用于表征用户相对于预设媒体资源2的得分值，元素C的取值用于表征用户相对于预设媒体资源3的得分值，元素D的取值用于表征用户相对于预设媒体资源4的得分值。

在S104中，获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端。

本申请实施例中，目标媒体资源可以为预设媒体资源中的一个或多个。

在实际应用中，预设条件可以根据实际需求进行设置，此处不做限制。

作为本申请一实施例，预设条件可以是：取值最高，即将目标媒体资源置信度向量中取值最高的元素对应的预设媒体资源确定为目标媒体资源。

作为本申请另一实施例，预设条件还可以是：取值大于预设得分值阈值，即将目标媒体资源置信度向量中取值大于预设得分值阈值的元素对应的预设媒体资源确定为目标媒体资源。其中，预设得分值阈值可以根据实际需求设置。基于此，S104具体可以通过如图3所示的S1041～S1042实现，详述如下：

在S1041中，获取所述目标媒体资源置信度向量中取值大于预设得分值阈值的元素对应的目标媒体资源。

本实施例中，服务器可以将目标媒体资源置信度向量中各个元素的值与预设得分值阈值进行对比，从目标媒体资源置信度向量中确定取值大于预设得分值阈值的目标元素，将目标元素对应的媒体资源确定为目标媒体资源。示例性的，若目标媒体资源置信度向量[A,B,C,D]的取值为[10,50,70,80]，预设得分值阈值为60，由于元素C和元素D的值大于60，因此，将元素C和元素D分别对应的媒体资源3和媒体资源4确定为目标媒体资源。

在S1042中，将所述目标媒体资源按照其各自对应的元素的取值由大到小的顺序依次发送至所述终端。

本实施例中，服务器确定了目标媒体资源后，将目标媒体资源按照其各自对应的元素的取值由大到小的顺序依次发送至终端。示例性的，结合S1041，由于目标媒体资源D的得分值大于目标媒体资源C的得分值，因此，服务器先将目标媒体资源D发送至终端，再将目标媒体资源C发送至终端。

终端接收到目标媒体资源后，可以依次对目标媒体资源进行显示。

以上可以看出，本申请实施例提供的一种媒体资源的推荐方法通过接收终端发送的媒体资源获取请求，媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值；基于目标用户的身份标识信息确定目标用户的属性向量，并基于目标用户的属性向量及各个预设场景参数的实际值确定目标用户的目标特征向量；由于预设场景参数的实际值用于描述目标用户当前所处的场景，且属性向量用于描述目标用户的属性，因此，基于目标用户的属性向量及各个预设场景参数的实际值确定出的特征向量既能够描述目标用户的属性，又能够描述目标用户当前所处的场景，因此，基于目标用户的目标特征向量确定出的目标媒体资源置信度向量中各个元素的值能够表征用户在其当前所处场景下相对于各个元素对应的预设媒体资源的得分值，那么，基于目标媒体资源置信度向量为目标用户推荐的目标媒体资源与目标用户当前所处的场景匹配度较高，从而能够提高媒体资源的转换率。

请参阅图4，图4是本申请另一实施例提供的一种媒体资源的推荐方法的实现流程图。相对于图1对应的实施例，本实施例中的一种媒体资源的推荐方法在S103之前，还可以包括S01～S03，详述如下：

在S01中，基于预设样本集对预先建立的逻辑回归模型进行训练，确定所述逻辑回归模型包含的各个回归方程中的各个特征参量的权重；所述预设样本集中的每条数据均由一历史用户的历史特征向量及该历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值构成。

本实施例中，预先建立的逻辑回归模型由多个回归方程构成，每一回归方程对应一预设媒体资源，即逻辑回归模型包含的回归方程的个数与预设媒体资源的个数相等，每一回归方程用于表征一预设媒体资源与各个特征参量之间的对应关系，每一回归方程中的多个特征参量分别与特征向量包含的多个元素相对应。示例性的，假设待展示的预设媒体资源包含m个，用户的特征向量中包含n个元素，则逻辑回归模型包括m个回归方程，可以分别如下：

y₁＝a₁₁x₁+a₁₂x₂+…+a_1nx_n；

y₂＝a₂₁x₁+a₂₂x₂+…+a_2nx_n；

……

y_m＝a_m1x₁+a_m2x₂+…+a_mnx_n。

其中，y₁～y_m分别表示用户对第1至第n个预设媒体资源的历史得分值，x₁～x_n分别表示n个特征参量，a_m1～a_mn分别表示第m个预设媒体资源对应的n个特征参量的权重。

预设样本集中的每条样本数据均包含一历史用户的历史特征向量及该历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值。其中，历史用户指触发过媒体资源获取请求，且服务器向其推荐过预设媒体资源的用户。

在通过预设样本集对逻辑回归模型进行训练时，将每条样本数据包含的历史用户的历史特征向量作为逻辑回归模型的输入，将每条样本数据包含的历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值作为逻辑回归模型的输出，在样本数据充足的情况下，即可学习得到各个预设媒体资源分别对应的各个回归方程中的各个特征参量的权重。服务器得到各个回归方程中的各个特征参量的权重后，即完成对逻辑回归模型的训练。

在实际应用中，某历史用户在某历史场景下相对于各个预设媒体资源的历史得分值可以通过该历史用户在该历史场景下相对于各个预设媒体资源的历史点击率确定，例如，可以将某历史用户在某历史场景下相对于各个预设媒体资源的历史点击率确定为该历史用户在该历史场景下相对于各个预设媒体资源的历史得分值。某历史用户在某历史场景下相对于各个预设媒体资源的历史得分值也可以通过该历史用户在该历史场景下相对于各个预设媒体资源的历史转化率确定，例如，可以将某历史用户在某历史场景下相对于各个预设媒体资源的历史转化率确定为该历史用户在该历史场景下相对于各个预设媒体资源的历史得分值。或者某历史用户在某历史场景下相对于各个预设媒体资源的历史得分值还可以通过该历史用户在该历史场景下相对于各个预设媒体资源的历史点击率及历史转化率来综合确定，例如，可以将某历史用户在某历史场景下相对于各个预设媒体资源的历史点击率及历史转化率的加权和确定为该历史用户在该历史场景下相对于各个预设媒体资源的历史得分值。

在S02中，确定各个预设用户在各个预设场景下的预设特征向量，将各个所述预设特征向量输入至训练好的所述逻辑回归模型中，得到各个所述预设特征向量分别对应的媒体资源置信度向量。

本实施例中，预设用户指理论上可能存在的用户，即对所有预设用户属性的各个预设分类的逻辑值的取值进行排列组合得到的不同预设属性向量分别对应的用户。在实际应用中，由于每一预设用户均可能在各个可能的场景下触发媒体资源展示请求，因此，在完成对逻辑回归模型的训练后，可以通过训练好的逻辑回归模型计算出每一预设用户在各个可能的场景下的媒体资源置信度向量。本实施例中的预设场景即包括所有可能的场景，不同预设场景对应的场景向量不同，用户在不同预设场景下对应不同的预设特征向量。

具体的，服务器可以通过将各个预设场景参数包含的各个预设分类的逻辑值的取值进行排列组合，得到各个预设场景对应的场景向量，再将各个预设用户属性的各个预设分类的逻辑值的取值进行排列组合，得到各个预设用户的属性向量，将每一预设用户的属性向量分别与各个预设场景对应的场景向量进行组合，得到各个预设用户分别在各个预设场景下的预设特征向量。每一预设用户所包含的预设特征向量的数量与预设场景的数量相等。

服务器得到各个预设用户在各个预设场景下的预设特征向量后，将每一预设用户的所有预设特征向量分别输入至训练好的逻辑回归模型，即得到各个预设特征向量对应的媒体资源置信度向量。

在S03中，将各个所述预设特征向量与其对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量与媒体资源置信度向量之间的对应关系。本实施例中，服务器得到各个预设用户的各个预设特征向量分别对应的媒体资源置信度向量后，将各个预设用户的每一预设特征向量与该预设特征向量对应的媒体资源置信度向量进行关联存储，即得到各个预设特征向量与媒体资源置信度向量之间的对应关系。

以上可以看出，本申请实施例提供的一种媒体资源的推荐方法，通过预先确定各个预设特征向量与媒体资源置信度向量之间的对应关系，使得在向用户推荐媒体资源时，能够直接基于目标用户的目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系确定得到待推荐的目标媒体资源，从而提高了媒体资源的推荐效率。

请参阅图5，图5是本申请再一实施例提供的一种媒体资源的推荐方法的实现流程图。相对于图4对应的实施例，本实施例中的一种媒体资源的推荐方法在S01之前，还可以包括S001～S003，详述如下：

在S001中，获取各个历史用户的属性向量以及每一所述历史用户所处的各个历史场景对应的场景向量，将每一所述历史用户的属性向量分别与其所处的各个历史场景对应的场景向量进行组合，得到每一所述历史用户在每一所述历史场景下的历史特征向量。

服务器在基于预设样本集对预先建立的逻辑回归模型进行训练之前，需要先获取预设样本集。

本实施例中，服务器可以基于各个预设媒体资源的历史展示记录，确定每条历史展示记录所针对的历史用户的标识信息，基于各条历史展示记录所针对的各个历史用户的标识信息确定各个历史用户的属性向量，以及基于各条历史展示记录确定各个预设媒体资源被展示时历史用户所处的各个历史场景下的各个预设场景参数的实际值，基于各个预设媒体资源被展示时历史用户所处的各个历史场景下的各个预设场景参数的实际值，确定预设媒体资源被展示时历史用户所处的各个历史场景对应的场景向量，将每一历史用户的属性向量分别与其所处的各个历史场景对应的场景向量进行组合，得到每一历史用户在每一历史场景下的历史特征向量。

在S002中，获取各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史点击率及历史转化率，基于所述历史点击率及所述历史转化率，确定各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史得分值。

本实施例中，服务器得到每一历史用户在每一历史场景下的历史特征向量后，获取每一历史用户在其所处的各个历史场景下相对于各个预设媒体资源的历史点击率及历史转化率。其中，某历史用户在某历史场景下相对于某预设媒体资源的历史点击率指：该预设媒体资源在该历史场景下被该历史用户点击的次数与该预设媒体资源在该历史场景下被展示次数的比值。某历史用户在某历史场景下相对于某预设媒体资源的历史转化率指：该预设媒体资源在该历史场景下被该历史用户转化的次数与该预设媒体资源在该历史场景下被展示次数的比值。

具体的，服务器可以获取预设时段内各个历史用户在各个历史场景下相对于各个预设媒体资源的历史点击率及历史转化率。其中，预设时段可以根据实际需求确定，示例性的，预设时段可以是当前时刻之前的任一时间段。

本实施例中，服务器在获取到各个历史用户在各个历史场景下相对于各个预设媒体资源的历史点击率及历史转化率后，基于各个历史用户在各个历史场景下相对于各个预设媒体资源的历史点击率及历史转化率确定各个历史用户在各个历史场景下相对于各个预设媒体资源的历史得分值。

作为本申请一实施例，服务器可以通过如下步骤确定各个所述历史用户在各个所述历史场景下相对于各个所述预设媒体资源的历史得分值：

将各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史点击率及历史转化率导入预设得分值计算公式，计算各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史得分值；所述预设得分值计算公式为：

其中，Score_ij为用户在第i个历史场景下相对于第j个预设媒体资源的历史得分值，ClickRate_ij为用户在第i个历史场景下相对于第j个预设媒体资源的历史点击率，ConversionRate_ij为用户第i个历史场景下相对于第j个预设媒体资源的历史转化率，a为大于1的整数。

在S003中，将每一所述历史用户的每一所述历史特征向量与该历史用户在该历史特征向量对应的历史场景下相对于各个所述预设媒体资源的历史得分值进行关联作为一条样本数据，将所有所述样本数据构成的数据集确定为所述预设样本集。

本实施例中，服务器得到每一历史用户的多个历史特征向量后，将每一历史用户的每一历史特征向量与该历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值进行关联作为一条样本数据，并将所有样本数据构成的数据集确定为预设样本集。

以上可以看出，本实施例提供的一种媒体资源的推荐方法，通过历史用户在各个历史场景下相对于各个预设媒体资源的历史点击率及历史转化率确定该历史用户在各个历史场景下相对于各个预设媒体资源的历史得分值，使得历史得分值能够更加准确地反映用户对各个预设媒体资源的喜好程度，从而能够提高媒体资源推荐的准确性。

请参阅图6，图6是本申请又一实施例提供的一种媒体资源的推荐方法的具体实现流程图。如图6所示，相对于图4对应的实施例，本实施例中的S03具体可以通过S031～S032实现，详述如下：

在S031中，通过数据摘要算法计算各个所述预设特征向量的摘要。

本实施例中，服务器得到各个预设特征向量分别对应的媒体资源置信度向量后，通过数据摘要算法计算各个预设特征向量的摘要。

其中，数据摘要算法用于将任意长度的字节串转换为一固定长度的十六进制数字串。本实施例计算各个特征向量的摘要的目的是为了提高数据的安全性以及节省数据存储空间。

在实际应用中，数据摘要算法可以是数据摘要算法第五版(Message DigestAlgorithm，MD5)，也可以是安全哈希算法(Secure Hash Algorithm，SHA1)等，具体根据实际需求确定，此次不做限制。

在S032中，将每一所述预设特征向量的摘要与该预设特征向量对应的媒体资源置信度向量进行关联存储，得到各个所述预设特征向量的摘要与媒体资源置信度向量之间的对应关系。

本实施例中，服务器得到各个预设特征向量的摘要后，将每一预设特征向量的摘要与该预设特征向量对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量的摘要与媒体资源置信度向量之间的对应关系。

基于此，S103具体可以包括以下步骤：

通过所述数据摘要算法计算所述目标特征向量的摘要；

基于所述目标特征向量的摘要、各个所述预设特征向量的摘要与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量。

本实施例中，服务器在确定目标特征向量对应的目标媒体资源置信度向量时，可以先通过数据摘要算法计算出目标特征向量的摘要，再基于各个预设特征向量的摘要与媒体资源置信度向量之间的对应关系，确定目标特征向量对应的目标媒体资源置信度向量。

以上可以看出，本实施例提供的一种媒体资源的推荐方法，通过数据摘要算法计算各个预设特征向量的摘要；将每一所述预设特征向量的摘要与该预设特征向量对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量的摘要与媒体资源置信度向量之间的对应关系，既节省了存储空间又提高了数据的安全性。

请参阅图7，图7是本申请实施例提供的一种服务器的结构框图。本实施例中的服务器可以是智能手机、平板电脑等终端设备。该服务器包括的各单元用于执行图1至图6对应的实施例中的各步骤。具体请参阅图1至图6以及图1至图6所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，服务器700包括：第一接收单元71、第一确定单元72、第二确定单元73及第一发送单元74。其中：

第一接收单元71用于接收终端发送的媒体资源获取请求；所述媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值，所述预设场景参数的实际值用于描述所述目标用户当前所处的场景。

第一确定单元72用于基于所述目标用户的身份标识信息确定所述目标用户的属性向量，并基于所述目标用户的属性向量及各个所述预设场景参数的实际值确定所述目标用户在其当前所处的场景下的目标特征向量。

第二确定单元73用于基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量；所述目标媒体资源置信度向量中的每个元素的值用于表征所述目标用户相对于该元素对应的预设媒体资源的得分值。

第一发送单元74用于获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端。

作为本申请一实施例，第一确定单元72具体包括：排序单元和组合单元。

其中：

排序单元用于基于各个所述预设场景参数的实际值确定各个所述预设场景参数包含的各个预设分类的逻辑值，按预设顺序将所有所述预设分类的逻辑值进行排序，得到所述目标用户当前所处的场景对应的场景向量。

组合单元用于将所述属性向量与所述目标用户当前所处的场景对应的场景向量进行组合，得到所述目标用户的目标特征向量。

作为本申请一实施例，服务器700还包括：训练单元、第一获取单元及第一存储单元。其中：

训练单元用于基于预设样本集对预先建立的逻辑回归模型进行训练，确定所述逻辑回归模型包含的各个回归方程中的各个特征参量的权重；所述预设样本集中的每条数据均由一历史用户的历史特征向量及该历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值构成。

第一获取单元用于确定确定各个预设用户在各个预设场景下的预设特征向量，将各个所述预设特征向量输入至训练好的所述逻辑回归模型中，得到各个所述预设特征向量分别对应的媒体资源置信度向量。

第一存储单元用于将各个所述预设特征向量与其对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量与媒体资源置信度向量之间的对应关系。

作为本申请一实施例，训练单元具体包括：历史组合单元、历史确定单元及历史存储单元。其中：

历史组合单元用于获取各个历史用户的属性向量以及每一所述历史用户所处的各个历史场景对应的场景向量，将每一所述历史用户的属性向量分别与其所处的各个历史场景对应的场景向量进行组合，得到每一所述历史用户在每一所述历史场景下的历史特征向量。

历史确定单元用于获取各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史点击率及历史转化率，基于所述历史点击率及所述历史转化率，确定各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史得分值。

历史存储单元用于将每一所述历史用户的每一所述历史特征向量与该历史用户在该历史特征向量对应的历史场景下相对于各个所述预设媒体资源的历史得分值进行关联作为一条样本数据，将所有所述样本数据构成的数据集确定为所述预设样本集。

作为本申请一实施例，历史确定单元具体用于：

作为本申请一实施例，第一存储单元具体包括：计算单元和关系存储单元。

其中：

计算单元用于通过数据摘要算法计算各个所述预设特征向量的摘要。

关系存储单元用于将每一所述预设特征向量的摘要与该预设特征向量对应的媒体资源置信度向量进行关联存储，得到各个所述预设特征向量的摘要与媒体资源置信度向量之间的对应关系。

第二确定单元73具体包括：摘要确定单元和置信度向量确定单元。其中：

摘要确定单元用于通过所述数据摘要算法计算所述目标特征向量的摘要。

置信度向量确定单元用于基于所述目标特征向量的摘要、各个所述预设特征向量的摘要与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量。

作为本申请一实施例，第一发送单元74具体包括：第二获取单元和资源发送单元。其中：

第二获取单元用于获取所述目标媒体资源置信度向量中取值大于预设得分值阈值的元素对应的目标媒体资源。

资源发送单元用于将所述目标媒体资源按照其各自对应的元素的取值由大到小的顺序依次发送至所述终端。

以上可以看出，本申请提供的一种服务器通过接收终端发送的媒体资源获取请求，媒体资源获取请求中携带目标用户的身份标识信息及各个预设场景参数的实际值；基于目标用户的身份标识信息确定目标用户的属性向量，并基于目标用户的属性向量及各个预设场景参数的实际值确定目标用户的目标特征向量；由于预设场景参数的实际值用于描述目标用户当前所处的场景，且属性向量用于描述目标用户的属性，因此，基于目标用户的属性向量及各个预设场景参数的实际值确定出的特征向量既能够描述目标用户的属性，又能够描述目标用户当前所处的场景，因此，基于目标用户的目标特征向量确定出的目标媒体资源置信度向量中各个元素的值能够表征用户在其当前所处的场景下相对于各个元素对应的预设媒体资源的得分值，那么，基于目标媒体资源置信度向量为目标用户推荐的目标媒体资源与目标用户当前所处的场景匹配度较高，从而能够提高媒体资源的转换率。

图8是本申请实施例提供的一种服务器的结构框图。如图8所示，该实施例的服务器8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如一种媒体资源的推荐方法的程序。处理器80执行计算机程序82时实现上述一种媒体资源的推荐方法各实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器80执行所述计算机程序82时实现上述图7对应的实施例中各单元的功能，例如，图7所示的单元71至74的功能，具体请参阅图7对应的实施例中的相关描述，此处不赘述。

示例性的，所述计算机程序82可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述服务器8中的执行过程。例如，所述计算机程序82可以被分割成第一接收单元、第一确定单元、第二确定单元及第一发送单元，各单元具体功能如上所述。

所述服务器可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是服务器8的示例，并不构成对服务器8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述服务器8的内部存储单元，例如服务器8的硬盘或内存。所述存储器81也可以是所述服务器8的外部存储设备，例如所述服务器8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述服务器7的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种媒体资源的推荐方法，其特征在于，包括：

获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端；

所述基于所述目标用户的属性向量及各个所述预设场景参数的实际值确定所述目标用户在其当前所处的场景下的目标特征向量，包括：

基于各个所述预设场景参数的实际值确定各个所述预设场景参数包含的各个预设分类的逻辑值，按预设顺序将所有所述预设分类的逻辑值进行排序，得到所述目标用户当前所处的场景对应的场景向量；

将所述属性向量与所述目标用户当前所处的场景对应的场景向量进行组合，得到所述目标用户的目标特征向量。

2.根据权利要求1所述的媒体资源的推荐方法，其特征在于，所述基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量之前，所述媒体资源的推荐方法还包括：

基于预设样本集对预先建立的逻辑回归模型进行训练，确定所述逻辑回归模型包含的各个回归方程中的各个特征参量的权重；所述预设样本集中的每条数据均由一历史用户的历史特征向量及该历史用户在该历史特征向量对应的历史场景下相对于各个预设媒体资源的历史得分值构成；

确定各个预设用户在各个预设场景下的预设特征向量，将各个所述预设特征向量输入至训练好的所述逻辑回归模型中，得到各个所述预设特征向量分别对应的媒体资源置信度向量；

将各个所述预设特征向量与其对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量与媒体资源置信度向量之间的对应关系。

3.根据权利要求2所述的媒体资源的推荐方法，其特征在于，所述基于预设样本集对预先建立的逻辑回归模型进行训练，确定所述逻辑回归模型包含的各个回归方程中的各个特征参量的权重之前，所述媒体资源的推荐方法还包括：

获取各个历史用户的属性向量以及每一所述历史用户所处的各个历史场景对应的场景向量，将每一所述历史用户的属性向量分别与其所处的各个历史场景对应的场景向量进行组合，得到每一所述历史用户在每一所述历史场景下的历史特征向量；

获取各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史点击率及历史转化率，基于所述历史点击率及所述历史转化率，确定各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史得分值；

将每一所述历史用户的每一所述历史特征向量与该历史用户在该历史特征向量对应的历史场景下相对于各个所述预设媒体资源的历史得分值进行关联作为一条样本数据，将所有所述样本数据构成的数据集确定为所述预设样本集。

4.根据权利要求3所述的媒体资源的推荐方法，其特征在于，所述基于所述历史点击率及所述历史转化率，确定各个所述历史用户在其所处的各个历史场景下相对于各个所述预设媒体资源的历史得分值，包括：

5.根据权利要求2所述的媒体资源的推荐方法，其特征在于，所述将各个所述预设特征向量与其对应的媒体资源置信度向量进行关联存储，得到各个预设特征向量与媒体资源置信度向量之间的对应关系，包括：

通过数据摘要算法计算各个所述预设特征向量的摘要；

将每一所述预设特征向量的摘要与该预设特征向量对应的媒体资源置信度向量进行关联存储，得到各个所述预设特征向量的摘要与媒体资源置信度向量之间的对应关系；

所述基于所述目标特征向量、预先确定的各个预设特征向量与媒体资源置信度向量之间的对应关系，确定所述目标特征向量对应的目标媒体资源置信度向量，包括：

通过所述数据摘要算法计算所述目标特征向量的摘要；

6.根据权利要求1至5任一项所述的媒体资源的推荐方法，其特征在于，所述获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端，包括：

获取所述目标媒体资源置信度向量中取值大于预设得分值阈值的元素对应的目标媒体资源；

将所述目标媒体资源按照其各自对应的元素的取值由大到小的顺序依次发送至所述终端。

7.一种服务器，其特征在于，包括：

第一发送单元，用于获取所述目标媒体资源置信度向量中满足预设条件的元素对应的目标媒体资源，将所述目标媒体资源发送至所述终端；

所述第一确定单元包括：

排序单元，用于基于各个所述预设场景参数的实际值确定各个所述预设场景参数包含的各个预设分类的逻辑值，按预设顺序将所有所述预设分类的逻辑值进行排序，得到所述目标用户当前所处的场景对应的场景向量；

组合单元，用于将所述属性向量与所述目标用户当前所处的场景对应的场景向量进行组合，得到所述目标用户的目标特征向量。

8.一种服务器，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。

9.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。