CN110990600A - 多媒体文件推荐、参数调整方法、装置、介质及电子设备 - Google Patents

Abstract

本公开提供一种多媒体文件推荐方法、多媒体文件推荐装置、参数调整方法、参数调整装置、电子设备以及计算机可读存储介质；涉及数据处理技术领域。所述多媒体文件推荐方法包括：获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；向所述目标客户端推送所述目标多媒体文件序列。本公开既能够将属性特征作为推荐依据，同时也不会造成多媒体特征数据丢失的问题，提升了多媒体文件推荐的准确性。

Description

多媒体文件推荐、参数调整方法、装置、介质及电子设备

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种多媒体文件推荐方法、多媒体文件推荐装置、参数调整方法、参数调整装置、电子设备以及计算机可读存储介质。

背景技术

多媒体文件推荐的目的是基于用户的属性和历史记录等，为用户推荐可能感兴趣的多媒体文件，以帮助用户快速找到感兴趣的多媒体文件。

在传统的多媒体推荐中，通常采用将多媒体文件序列中各个多媒体文件的属性序列显式或隐式的融入至对应的各多媒体文件的特征数据中，进而将属性序列作为多媒体文件对应的特征数据的一部分进行推荐的方式。然而，在这种方式中，由于多媒体文件的属性序列可能出现与多媒体文件的特征数据不匹配的情况，因此可能会造成多媒体文件的部分特征数据丢失，进而影响多媒体文件推荐的准确性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种多媒体文件推荐方法、多媒体文件推荐装置、参数调整方法、参数调整装置、电子设备以及计算机可读存储介质，进而在一定程度上提升多媒体文件推荐的准确性。

根据本公开的一个方面，提供一种多媒体文件推荐方法，包括：

获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；

使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；

使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；其中，所述第一解码网络为与所述第一编码网络匹配的解码网络；

向所述目标客户端推送所述目标多媒体文件序列。

可选的，所述基于所述属性特征数据对所述多媒体特征数据进行解码处理，包括：

确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，得到中间特征数据；

对所述中间特征数据进行解码得到目标多媒体文件序列。

可选的，确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，包括：

使用预设多重注意力网络确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理。

可选的，获取所述多媒体文件序列对应的属性特征数据，包括：

提取所述多媒体文件序列中各多媒体文件对应的属性数据，以生成与所述多媒体文件序列对应的属性序列；

使用预先训练的第二编码网络对所述属性序列进行编码得到属性特征数据。

可选的，所述获取目标客户端包括的多媒体文件序列，包括：

根据预设分割方法对目标客户端包含的多媒体文件列表进行分割，以获取至少一个多媒体文件序列。

根据本公开的一个方面，提供一种参数调整方法，包括：

对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征数据；

根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据；

使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列；

根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数；

根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。

根据本公开的一个方面，提供一种多媒体文件推荐装置，包括：

数据获取模块，用于获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；

第一数据编码模块，用于使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；

第一数据解码模块，用于使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；其中，所述第一解码网络为与所述第一编码网络匹配的解码网络；

数据推荐模块，用于向所述目标客户端推送所述目标多媒体文件序列。

根据本公开的一个方面，提供一种参数调整装置，包括：

序列分割模块，用于对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征序列；

第二数据编码模块，用于根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据；

第二数据解码模块，用于使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列；

损失计算模块，用于根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数；

参数调整模块，用于根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任一项所述的多媒体文件推荐方法和参数调整方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的多媒体文件推荐方法和参数调整方法。

本公开示例性实施例可以具有以下部分或全部有益效果：

在本公开的一示例实施方式所提供的多媒体文件推荐方法中，将多媒体文件序列对应的属性特征数据从多媒体文件序列中抽离出来，然后通过预先训练的第一编码网络对多媒体文件序列进编码，得到多媒体特征数据，进而通过预先训练的第二编码网络基于属性特征数据对多媒体特征数据进行解码，能够得到目标多媒体文件序列，并将其推送给目标客户端。在本公开的技术方案中，由于属性特征数据为单独抽离出来的，并且可以基于属性特征数据对多媒体特征数据进行解码，因此在进行多媒体文件推荐时，既能够将属性特征作为推荐依据，同时也不会造成多媒体特征数据丢失的问题，提升了多媒体文件推荐的准确性。

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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了可以应用本公开实施例的一种多媒体文件推荐方法及装置和参数调整方法及装置的示例性系统架构的示意图；

图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图；

图3示意性示出了根据本公开的一个实施例的多媒体文件推荐方法的流程图；

图4示意性示出了根据本公开的一个实施例的获取多媒体文件序列对应的属性特征数据的方法的流程图；

图5示意性示出了根据本公开的一个实施例的基于属性特征数据对多媒体特征数据进行解码处理的方法的流程图；

图6示意性示出了根据本公开的一个实施例的参数调整方法的流程图；

图7示意性示出了根据本公开的一个实施例的以歌手样本序列对歌手第二编码网络进行训练的示意图；

图8示意性示出了根据本公开的一个实施例的参数调整方法的示意图；

图9示意性示出了根据本公开的一个实施例的多媒体文件推荐装置的框图；

图10示意性示出了根据本公开的一个实施例的参数调整装置的框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本公开实施例的一种多媒体文件推荐方法及装置，参数调整方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本公开实施例所提供的多媒体文件推荐方法、参数调整方法一般由服务器105执行，相应地，多媒体文件推荐装置、参数调整装置一般设置于服务器105中。但本领域技术人员容易理解的是，本公开实施例所提供的多媒体文件推荐方法、参数调整方法也可以由终端设备101、102、103执行，相应的，多媒体文件推荐装置、参数调整装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，可以是服务器105收集终端设备101、102、103中目标客户端包括的多媒体文件序列，并根据本公开实施例所提供的多媒体文件推荐方法得到目标多媒体文件序列，并将目标多媒体序列推送至终端设备101、102、103中的目标客户端等。

图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，计算机系统200还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3～图6所示的各个步骤等。

本公开实施例提供了一种多媒体文件推荐方法和参数调整方法，方法是基于机器学习实现的，机器学习属于人工智能的一种，人工智能(Artificial Intelligence,AI)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、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。

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。

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。

下面，参考图3所示对本示例性实施例中的多媒体文件推荐方法的各个步骤进行更详细的说明：

在步骤S310中，获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据。

本示例实施方式中，多媒体文件可以包括目标客户端包括的音频、视频等形式的文件，对应的多媒体文件序列可以包括目标客户端上某一用户历史收听的音乐序列，或者历史观看的视频序列。需要说明的是，为了保证多媒体序列与用户对应，因此每个多媒体文件可以附有用户属性信息，以便于确定多媒体文件序列中多媒体文件与用户的对应关系。

本示例实施方式中，获取目标客户端包括的多媒体文件序列，可以包括：根据预设分割方法对目标客户端包含的多媒体文件列表进行分割，以获取至少一个多媒体文件序列。

本示例实施方式中，多媒体文件列表是指用户历史上浏览过的多媒体文件的列表。由于目标客户端对应的某一用户针对多媒体文件可能有多种喜好，因此可以根据预设分割方法预先对目标客户端包含的多媒体文件列表进行分割，以获取至少一个多媒体文件序列，进而以每个多媒体文件序列为基础，向目标客户端进行推荐。具体的，预设分割方法可以包括按照预设数量进行分割，按照预设时间分割，也可以根据歌曲类型得到的聚类簇进行分割，本公开对此不做特殊限定。

本示例实施方式中，多媒体文件序列对应的属性特征数据包括多媒体文件序列中每个多媒体文件对应的属性特征数据。具体的，参照图4所示，获取多媒体文件序列对应的属性特征数据可以包括如下步骤S410至S420：

步骤S410，提取所述多媒体文件序列中各多媒体文件对应的属性数据，以生成与所述多媒体文件序列对应的属性序列。

本示例实施方式中，可以先提取多媒体文件序列中每个多媒体文件对应的属性数据，然后根据属性数据与多媒体文件序列的对应关系将属性数据构建为与多媒体文件序列对应的属性序列。同时，由于多媒体文件的种类不同，对应的属性数据也可以为不同的数据。例如，在多媒体文件为歌曲音频时，对应的属性数据可以包括歌曲对应的歌手、发布该歌曲的专辑以及包括该歌曲的歌单等属性数据；再如，在多媒体文件为视频文件时，对应的属性数据可以包括视频对应的主角、发布该视频的网站等属性数据。此外，为了保证属性数据与用户对应，因此可以对每个属性数据附上用户属性信息，以便于确定属性数据与用户的对应关系。

需要说明的是，属性数据的数量可以进行自定义设置，可以为1个、3个甚至更多，本公开对此不做特殊限定。对应的，在属性数据的数量为2个及2个以上时，生成的属性序列也为多个。例如，在多媒体文件为歌曲，属性数据为歌手、专辑时，可以分别生成与多媒体文件序列对应的歌手序列和专辑序列。

步骤S420，使用预先训练的第二编码网络对所述属性序列进行编码得到属性特征数据。

本示例实施方式中，可以使用预先训练的第二编码网络对属性序列进行编码，得到对应的属性特征数据。其中，第二编码网络可以是用于处理序列的编码网络，对应的属性特征数据则为编码网络对属性序列的编码结果。例如，第一编码网络可以是Sequence-to-sequence(从序列到序列)神经网络(以下简称为seq2seq模型)中的编码网络，对应的属性特征数据可以是seq2seq中编码网络对属性序列进行编码得到的语义向量。

需要说明的是，在属性数据为2个及2个以上时，可以针对每个属性数据对应的属性序列训练对应的第二编码网络，以得到各个属性序列对应的属性特征数据。例如，在上例中，可以使用针对歌手序列的第二编码网络对歌手序列进行编码得到对应的歌手特征数据，使用针对专辑序列的第二编码网络对专辑序列进行编码得到对应的专辑特征数据。

在步骤S320中，使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据。

本示例实施方式中，可以使用预先训练的第一编码网络对多媒体文件序列进行编码，得到对应的多媒体特征数据。其中，第一编码网络可以是用于处理序列的编码网络，对应的属性特征数据则为编码网络对属性序列的编码结果。例如，第一编码网络可以是seq2seq模型中的编码网络，对应的属性特征数据可以是seq2seq中编码网络对多媒体文件序列进行编码得到的语义向量。

在步骤S330中，使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列。

本示例实施方式中，第一解码网络为与第一编码网络相互匹配的解码网络，可以将多媒体特征数据解码得到对应的目标多媒体文件序列。其中，第一解码网络可以是用于对第一编码网络处理得到的编码结果进行解码的解码网络。例如，在第一编码网络为seq2seq模型中的编码网络时，对应的第一解码网络可以是该seq2seq模型中的解码网络，可以对语义向量进行解码得到目标多媒体文件序列。

通过基于属性特征数据对多媒体特征数据进行解码，够将属性特征数据和多媒体特征数据同时作为推荐的依据进行推荐，有效的提高了多媒体文件推荐的准确性；同时，由于并不需要将属性序列直接作为多媒体文件的特征数据的一部分，因此也不会造成多媒体文件的特征数据丢失的问题。

本示例实施方式中，参照图5所示，基于所述属性特征数据对所述多媒体特征数据进行解码处理，可以包括如下步骤S510至S520：

在步骤S510中，确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，得到中间特征数据。

在步骤S520中，对所述中间特征数据进行解码得到目标多媒体文件序列。

本示例实施方式中，根据不同多媒体文件的推荐要求，可以对属性特征数据和多媒体特征数据设置对应的权重，根据权重对两者进行加权处理，得到对应的中间特征数据，进而对该中间特征数据进行解码，得到目标多媒体文件序列。通过设置属性特征数据和多媒体特征数据的权重，能够根据权重对属性特征数据和多媒体特征数据进行加权处理，得到有侧重的中间特征数据，在考虑属性特征数据和多媒体特征数据的同时，避免直接将属性序列与多媒体特征数据融合造成的多媒体特征数据丢失的问题。

本示例实施方式中，确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，得到中间特征数据的过程可以通过多重注意力网络实现。具体的，包括以下步骤：使用预设多重注意力网络确定属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理。

本示例实施方式中，多重注意力网络是指可以对两个或两个以上因素对应的特征数据进行注意力分配的注意力网络，可以选择预设多重注意力网络对属性特征数据和多媒体特征数据进行注意力分配，以实现对属性特征数据和多媒体特征数据的加权处理。举例而言，在第一编码网络和第一解码网络为seq2seq模型的前提下，在仅有多媒体特征数据的注意力网络中，可以对输出预测序列第t个多媒体文件时，计算多媒体特征数据中每个多媒体文件对应的多媒体特征数据的权重。而在具有多媒体特征数据和属性特征数据对应的双重注意力网络中，需要对输出预测序列第t个多媒体文件时，计算多媒体特征数据中每个多媒体文件对应的多媒体特征数据的权重和属性特征数据中每个多媒体文件对应的属性特征数据的权重，进而根据多媒体特征数据的权重和属性特征数据的权重进行加权处理，得到中间特征数据。

例如，在具有多媒体特征数据和属性特征数据对应的双重注意力网络中，在输出预测序列第t个多媒体文件时，多媒体特征数据h(s)包括{h(s1)，h(s2)，…，h(s5)}，属性特征数据h(a)包括{h(a1)，h(a2)，…，h(a5)}，多重注意力网络需要分别计算h(s1)，h(s2)，…，h(s5)以及h(a1)，h(a2)，…，h(a5)对应的权重。

需要说明的是，由于h(s1)和h(a1)，h(s2)和h(a2)，h(s3)和h(a3)，h(s4)和h(a4)，h(s5)和h(a5)分别对应于同一多媒体文件，因此在预测序列第t个多媒体文件时，h(s1)在h(s1)，h(s2)，…，h(s5)中的注意力分配和h(a1)在h(a1)，h(a2)，…，h(a5)应当相匹配。举例而言，可以针对多媒体特征数据中h(s1)，h(s2)，…，h(s5)分别配置0.5、0.1、0.2、0.1、0.1的权重，对应的，针对属性特征数据h(a1)，h(a2)，…，h(a5)也应配置0.5、0.1、0.2、0.1、0.1的权重。同时，由于多媒体本身的多媒体特征数据在推荐过程中更为重要，因此可以配置多媒体特征数据和属性特征数据的权重为0.8和0.2。此时，各个特征数据对应的权重如下：h(s1)，h(s2)，…，h(s5)对应的权重分别为0.4、0.08、0.16、0.08、0.08；h(a1)，h(a2)，…，h(a5)对应的权重分别为0.1、0.02、0.04、0.02、0.02。

此外，在属性数据为多个类型的属性时，对应的属性序列也为多个，因此对属性序列进行编码时得到的属性特征数据也为多个类型的属性特征数据。此时，可以将多个类型的属性特征数据中对应于同一多媒体文件的属性特征数据进行拼接得到完整的一个属性特征数据，进而计算该属性特征数据权重。例如，第一类属性特征数据为h(a1)，h(a2)，…，h(a5)，第二类属性特征数据为h(b1)，h(b2)，…，h(b5)，对两者进行拼接得到完整的属性特征数据为h(ab1)，h(ab2)，…，h(ab5)。通过对多个类型的属性特征数据进行拼接，能够减少多重注意力网络中计算权重时的计算量。

在步骤S340中，向所述目标客户端推送所述目标多媒体文件序列。

本示例实施方式中，通过上述步骤得到目标多媒体文件序列后，可以将多媒体文件序列推送至目标客户端，以使用户能够在目标客户端中看到推荐的多媒体文件序列。

此外，本公开实施例还提供了一种参数调整方法，用于对上述多媒体文件推荐方法中的第一编码网络和第一解码网络进行参数调整。具体的，参照图6所示，包括如下步骤S610至S650：

在步骤S610中，对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征数据。

本示例实施方式中，由于获取到的多媒体文件序列本身可以代表用户的喜好，因此可以对获取到的多媒体文件序列进行分割，得到样本序列和标识序列。同时，为了考虑到样本序列的属性，需要获取样本序列对应的属性特征数据。

需要说明的是，属性特征数据可以是根据上述多媒体文件推荐方法中的预先训练的第二编码网络编码得到的，具体的过程与上述多媒体文件推荐方法中一致。

在步骤S620中，根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据。

本示例实施方式中，为了考虑到多媒体文件本身，需要根据待调整第一编码网络对样本序列进行编码，得到样本序列对应的多媒体特征数据。

在步骤S630中，使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列。

本示例实施方式中，通过待调整第一解码网络基于属性特征数据对多媒体特征数据进行解码，可以得到预测序列。需要说明的是，在通过待调整第一解码网络进行解码时，可以参考多媒体文件推荐方法中，使用多重注意力网络确定属性特征数据和多媒体特征数据的权重，进而完成解码的过程。具体使用多重注意力网络的过程与多媒体文件推荐方法中的使用过程一致。

在步骤S640中，根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数。

本示例实施方式中，以步骤S610中分割得到的标识序列为标准，基于预测序列可以计算得到待调整第一编码网络和待调整第一解码网络共同对应的损失函数。

在步骤S650中，根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。

本示例实施方式中，为了使得预测序列能够尽可能靠近标识序列，可以根据损失函数对待调整第一编码网络和待调整第一解码网络进行参数调整，直至该损失函数小于预设阈值，即待调整第一编码网络和待调整第一解码网络收敛。

以下以音乐为多媒体文件，以第一编码网络和第一解码网络分别为seq2seq模型中的编码网络和解码网络，第二编码网络为seq2seq模型中的编码网络为例，对本公开实施例的多媒体文件推荐方法和参数调整方法的实现细节进行详细阐述：

在进行音乐推荐之前，需要先对第一编码网络、第一解码网络以及第二编码网络进行训练。

1、对第二编码网络进行训练

对音乐序列进行分割得到样本序列{song1，song2，…，song5}和标识序列{song6，song7，…，song10}，提取样本序列对应的歌手、专辑数据，并生成对应的歌手样本序列{a1，a2，…，a5}、歌手标识序列{a6，a7，…，a10}和专辑样本序列{b1，b2，…，b5}、专辑标识序列{b6，b7，…，b10}。

为了保证属性数据与用户对应，因此可以对每个属性数据均附有用户属性信息uc，以便于确定属性数据与用户的对应关系。参照图7所示，以歌手样本序列为例，以歌手样本序列{a1，a2，…，a5}为输入，歌手标识序列{a6，a7，…，a10}为目标，对歌手seq2seq模型700进行训练，并将训练后的歌手seq2seq模型中的编码网络710作为歌手第二编码网络；同理，以专辑样本序列为输入，专辑标识序列为目标，对专辑seq2seq模型进行训练，并将训练后的专辑seq2seq模型中的编码网络作为专辑第二编码网络。

2、参数调整方法

参照图8所示，将样本序列{song1，song2，…，song5}输入第一编码网络810中，具体形式与图7中编码网络的形式相同。第一编码网络810可以对样本序列进行编码得到对应的多媒体特征数据h(s)；同时，将样本序列对应的歌手样本序列和专辑样本序列输入训练后的歌手第二编码网络830和训练后的专辑第二编码网络840，得到对应的歌手属性特征h(a)和专辑属性特征h(b)，通过第一解码网络820基于h(a)和h(b)对h(s)进行解码得到预测序列。基于预测序列和标识序列{song6，song7，…，song10}计算seq2seq模型的损失函数，并根据损失函数对第一编码网络810和第一解码网络820进行参数调整，直至损失函数小于预设阈值，即seq2seq模型收敛。

具体的，在基于h(a)和h(b)对h(s)进行解码时，以输出预测序列中第t个歌曲为例，可以先将h(a)和h(b)进行拼接得到h(ab)，然后根据多重注意力网络计算在输出预测序列中第t个歌曲时，针对h(ab)和h(s)的权重，进行根据权重进行加权处理，得到中间特征向量h(t)。需要说明的是，由于h(ab)包括{h(ab1)，h(ab2)，…，h(ab5)}，即每首歌曲对应的歌手和专辑分别对应一个属性特征数据。因此，多种注意力网络计算在输出预测序列中第t个歌曲时，针对h(ab)和h(s)的权重，需要计算的是其中每首歌曲对应的多媒体特征数据和属性特征数据对应的权重。

3、多媒体文件推荐方法

对目标客户端包含的多媒体列表按照预设分割方法进行分割，以获取至少一个多媒体序列。针对每个多媒体序列，将其输入第二编码网络得到对应的属性特征数据；同时，将多媒体序列输入第一编码网络中，得到对应的多媒体特征数据；在第一解码网络中，使用多重注意力网络对属性特征数据和多媒体特征数据进行加权处理得到中间特征数据，并对中间特征数据进行解码，得到最终的目标多媒体序列。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中，还提供了一种多媒体文件推荐装置。该多媒体文件推荐装置可以应用于一服务器或终端设备。参考图9所示，该多媒体文件推荐装置900可以包括数据获取模块910、第一数据编码模块920、第一数据解码模块930以及数据推荐模块940。其中：

数据获取模块910，用于获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；第一数据编码模块920，用于使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；第一数据解码模块930，用于使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；其中，所述第一解码网络为与所述第一编码网络匹配的解码网络；数据推荐模块940，用于向所述目标客户端推送所述目标多媒体文件序列。

在本公开的一种示例性实施例中，所述第一数据解码模块930包括：加权处理单元，用于确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，得到中间特征数据；解码处理单元，用于对所述中间特征数据进行解码得到目标多媒体文件序列。

在本公开的一种示例性实施例中，所述加权处理单元通过下述步骤对属性特征数据和多媒体特征数据进行加权处理：使用预设多重注意力网络确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理。

在本公开的一种示例性实施例中，所述数据获取模块910包括：序列生成单元，用于提取所述多媒体文件序列中各多媒体文件对应的属性数据，以生成与所述多媒体文件序列对应的属性序列；属性编码单元，用于使用预先训练的第二编码网络对所述属性序列进行编码得到属性特征数据。

在本公开的一种示例性实施例中，所述数据获取模块910通过以下步骤获取目标客户端包括的多媒体文件序列：根据预设分割方法对目标客户端包含的多媒体文件列表进行分割，以获取至少一个多媒体文件序列。

此外，本示例实施方式中，还提供了一种参数调整装置，该参数调整装置可以应用于一服务器或终端设备。参考图10所示，该参数调整1000可以包括序列分割模块1010、第二数据编码模块1020、第二数据解码模块1030、损失计算模块1040以及参数调整模块1050。其中：

序列分割模块1010，用于对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征序列；第二数据编码模块1020，用于根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据；第二数据解码模块1030，用于使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列；损失计算模块1040，用于根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数；参数调整模块1050，用于根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。。

上述多媒体文件推荐装置和参数调整装置中各模块或单元的具体细节已经在对应的多媒体文件推荐方法和参数调整方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

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下面的权利要求指出。

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 (10)

1.一种多媒体文件推荐方法，其特征在于，包括

获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；

使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；

使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；其中，所述第一解码网络为与所述第一编码网络匹配的解码网络；

向所述目标客户端推送所述目标多媒体文件序列。

2.根据权利要求1所述的方法，所述基于所述属性特征数据对所述多媒体特征数据进行解码处理，包括：

确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，得到中间特征数据；

对所述中间特征数据进行解码得到目标多媒体文件序列。

3.根据权利要求2所述的方法，确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理，包括：

使用预设多重注意力网络确定所述属性特征数据和所述多媒体特征数据对应的权重，并根据所述权重对所述属性特征数据和所述多媒体特征数据进行加权处理。

4.根据权利要求1所述的方法，其特征在于，获取所述多媒体文件序列对应的属性特征数据，包括：

提取所述多媒体文件序列中各多媒体文件对应的属性数据，以生成与所述多媒体文件序列对应的属性序列；

使用预先训练的第二编码网络对所述属性序列进行编码得到属性特征数据。

5.根据权利要求1所述的方法，其特征在于，所述获取目标客户端包括的多媒体文件序列，包括：

根据预设分割方法对目标客户端包含的多媒体文件列表进行分割，以获取至少一个多媒体文件序列。

6.一种参数调整方法，其特征在于，包括：

对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征数据；

根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据；

使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列；

根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数；

根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。

7.一种多媒体文件推荐装置，其特征在于，包括：

数据获取模块，用于获取目标客户端包括的多媒体文件序列和所述多媒体文件序列对应的属性特征数据；

第一数据编码模块，用于使用预先训练的第一编码网络对所述多媒体文件序列进行编码以获取多媒体特征数据；

第一数据解码模块，用于使用预先训练的第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码处理，得到目标多媒体文件序列；其中，所述第一解码网络为与所述第一编码网络匹配的解码网络；

数据推荐模块，用于向所述目标客户端推送所述目标多媒体文件序列。

8.一种参数调整装置，其特征在于，包括：

序列分割模块，用于对获取到的多媒体文件序列进行分割得到样本序列和标识序列，并获取所述样本序列对应的属性特征序列；

第二数据编码模块，用于根据待调整第一编码网络对所述样本序列进行编码得到对应的多媒体特征数据；

第二数据解码模块，用于使用待调整第一解码网络基于所述属性特征数据对所述多媒体特征数据进行解码得到预测序列；

损失计算模块，用于根据所述预测序列和所述标识序列计算所述待调整第一编码网络和所述待调整第一解码网络的损失函数；

参数调整模块，用于根据所述损失函数对所述待调整第一编码网络和所述待调整第一解码网络进行参数调整，直至所述损失函数小于预设阈值。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的多媒体文件推荐方法或权利要求6所述的参数调整方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的多媒体文件推荐方法或权利要求6所述的参数调整方法。

Images