CN111143609A - 兴趣标签的确定方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种兴趣标签的确定方法、装置、电子设备及存储介质。通过本公开，在存在多种兴趣标签的情况下，不需要分别训练每一种兴趣标签分别对应的二分类模型，可以训练一个多任务模型即可，基于多任务模型就可以分别确定用户的至少两个兴趣标签，且，由于不需要分别训练每一种兴趣标签分别对应的二分类模型，如此也不需要分别为训练不同的二分类模型搜集各自的样本数据，只需要训练一个多任务模型即可，训练多任务模型中的各个预测网络时可以共享同一份样本数据，因此，为训练多任务模型搜集一份样本数即可，不需要分别为训练不同的二分类模型搜集各自的样本数据，因此，相比于相关技术，从而可以降低训练工作量以及降低系统复杂度。

Description

兴趣标签的确定方法、装置、电子设备及存储介质

技术领域

本公开涉及互联网技术，尤其涉及一种兴趣标签的确定方法、装置、电子设备及存储介质。

背景技术

随着网络用户的逐渐增多，越来越多的人通过网络来进行各种事项，如获取信息、浏览视频及购物等。为了更好的向用户提供服务，以增加用户的粘性，可以根据用户的观看历史和/或搜索历史向用户推荐其感兴趣的内容，推荐的内容包括文章、视频、广告及商品等。

在相关技术中，向用户推荐其感兴趣的内容时，可以分析用户的喜好，然后根据用户的喜好向用户推荐其感兴趣的内容。相关技术中，在分析用户的喜好时，可以确定用户具备的兴趣标签，然后根据用户具备的兴趣标签确定用户的喜好。

其中，事先可以设置多种兴趣标签，然后对于任意一种兴趣标签，可以训练该兴趣标签对应的二分类模型，通过该二分类模型可以确定用户是否具备该兴趣标签。对于其他每一种兴趣标签，同样执行上述操作。如此，可以确定出用户具备的所有兴趣标签。

然而，在相关技术中，有几种兴趣标签，就需要训练几种二分类模型，训练工作量较大，在二分类模型较多的情况，会导致系统复杂度较高。

发明内容

本公开提供一种兴趣标签的确定方法、装置、电子设备及存储介质，以至少解决相关技术中系统复杂度较高的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种兴趣标签的确定方法，包括：

获取用户的固有属性特征；

获取所述用户在历史过程中交互过的视频的第一特征；

基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

在一个可选的实现方式中，所述获取所述用户在历史过程中交互过的视频的第一特征，包括：

至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

在一个可选的实现方式中，所述至少将所述标识、所述主题类别以及所述简介融合为所述第一特征，包括：

将所述标识编码为标识向量；

将所述主题类别编码为类别向量；

将所述简介编码为简介向量；

将所述标识向量、所述类别向量和所述简介向量拼接，得到所述第一特征。

在一个可选的实现方式中，所述用户在历史过程中交互过的视频为多个；

所述基于注意力模型对固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度，包括：

将每一个视频的第一特征分别输入不同的注意力模型中，并将所述固有属性特征输入每一个注意力模型中，得到不同的注意力模型分别输出的所述用户对不同的视频的喜欢程度。

在一个可选的实现方式中，所述注意力模型的训练方式包括：

获取样本用户的样本固有属性特征；

获取样本视频的第一样本特征；

获取所述样本用户对所述样本视频的标注喜欢程度；

基于所述样本固有属性特征、所述第一样本特征以及所述标注喜欢程度对模型训练，得到所述注意力模型。

在一个可选的实现方式中，所述多任务模型的训练方式包括：

基于所述注意力模型对所述样本固有属性特征和所述第一样本特征处理，得到所述样本用户对所述样本视频的样本喜欢程度；

根据所述样本喜欢程度和所述第一样本特征获取所述视频的第二样本特征；

获取所述样本用户的至少两个标注兴趣标签；

基于所述样本固有属性特征、所述第二样本特征以及所述至少两个标注兴趣标签对模型训练，得到所述多任务模型。

根据本公开实施例的第二方面，提供一种兴趣标签的确定装置，包括

第一获取模块，被配置为获取用户的固有属性特征；

第二获取模块，被配置为获取所述用户在历史过程中交互过的视频的第一特征；

第一处理模块，被配置为基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

第三获取模块，被配置为根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

第二处理模块，被配置为基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

在一个可选的实现方式中，所述第二获取模块包括：

获取单元，被配置为至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

融合单元，被配置为至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

在一个可选的实现方式中，所述融合单元包括：

第一编码单元，被配置为将所述标识编码为标识向量；

第二编码单元，被配置为将所述主题类别编码为类别向量；

第三编码单元，被配置为将所述简介编码为简介向量；

拼接单元，被配置为将所述标识向量、所述类别向量和所述简介向量拼接，得到所述第一特征。

在一个可选的实现方式中，所述用户在历史过程中交互过的视频为多个；

所述第一处理模块具体用于：将每一个视频的第一特征分别输入不同的注意力模型中，并将所述固有属性特征输入每一个注意力模型中，得到不同的注意力模型分别输出的所述用户对不同的视频的喜欢程度。

在一个可选的实现方式中，所述装置还包括：

第四获取模块，被配置为获取样本用户的样本固有属性特征；

第五获取模块，被配置为获取样本视频的第一样本特征；

第六获取模块，被配置为获取所述样本用户对所述样本视频的标注喜欢程度；

第一训练模块，被配置为基于所述样本固有属性特征、所述第一样本特征以及所述标注喜欢程度对模型训练，得到所述注意力模型。

在一个可选的实现方式中，所述装置还包括：

第三处理模块，被配置为基于所述注意力模型对所述样本固有属性特征和所述第一样本特征处理，得到所述样本用户对所述样本视频的样本喜欢程度；

第七获取模块，被配置为根据所述样本喜欢程度和所述第一样本特征获取所述视频的第二样本特征；

第八获取模块，被配置为获取所述样本用户的至少两个标注兴趣标签；

第二训练模块，被配置为基于所述样本固有属性特征、所述第二样本特征以及所述至少两个标注兴趣标签对模型训练，得到所述多任务模型。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述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所述指令，以实现如第一方面所述的兴趣标签的确定方法。

根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的兴趣标签的确定方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机执行指令，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的兴趣标签的确定方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

在本公开中，获取用户的固有属性特征；获取用户在历史过程中交互过的视频的第一特征；基于注意力模型对用户固有属性特征和第一特征处理，得到用户对交互过的视频的喜欢程度；根据用户对交互过的视频的喜欢程度和第一特征获取交互过的视频的第二特征；基于多任务模型中的至少两个预测网络分别对第二特征和用户的固有属性特征处理，得到各个预测网络分别预测的用户的至少两个兴趣标签。

通过本公开，在存在多种兴趣标签的情况下，不需要分别训练每一种兴趣标签分别对应的二分类模型，可以训练一个多任务模型即可，基于多任务模型就可以分别确定用户的至少两个兴趣标签。如此，相比于使用多个二分类模型，本公开仅使用一个多任务模型。且，由于不需要分别训练每一种兴趣标签分别对应的二分类模型，如此也不需要分别为训练不同的二分类模型搜集各自的样本数据。由于只需要训练一个多任务模型即可，训练多任务模型中的各个预测网络时可以共享同一份样本数据，因此，为训练多任务模型搜集一份样本数即可，不需要分别为训练不同的二分类模型搜集各自的样本数据。所以，相比于相关技术，从而可以降低训练工作量以及降低系统复杂度。

在相关技术中，当搜集的用于训练有些二分类模型时的训练样本数据较多时，训练出的这些二分类模型的泛化程度较高。然而，有时候搜集的用于训练有些二分类模型时的训练样本数据较少时，会导致训练出的这些二分类模型的泛化程度较低，进而导致根据这些二分类模型确定出的兴趣标签的精准度较低。

而在本公开中，只需要训练一个多任务模型即可，因此，可以仅仅搜集一份训练数据，训练多任务模型中的各个预测网络时可以共享同一份样本数据，在搜集的样本数据较多时，就会使得可以使用的较多的样本数据训练多任务模型中的各个预测网络，进而可以使得训练出的多任务模型中的各个预测网络的泛化程度均较高，从而可以提高基于多任务模型中的各个预测网络确定出的兴趣标签的精准度。

其次，本公开引入了注意力模型，注意力模型可以根据实际情况来使用户对交互过的不同的视频进行特征聚焦，从而确定出用户对交互过的不同的视频的喜欢程度，结合用户对交互过的不同的视频的喜欢程度可以更加准确地确定出用户具备的兴趣标签。

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，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种兴趣标签的确定方法的流程图。

图2是根据一示例性实施例示出的一种兴趣标签的确定方法的流程图。

图3是根据一示例性实施例示出的一种兴趣标签的确定装置的框图。

图4是根据一示例性实施例示出的一种兴趣标签的确定装置的框图。

图5是根据一示例性实施例示出的一种兴趣标签的确定装置的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

图1是根据一示例性实施例示出的一种兴趣标签的确定方法的流程图，如图1所示，该方法用于电子设备中，其中，电子设备包括云端等后台服务端或者用户使用前端设备等，该方法包括以下步骤。

在步骤S101中，获取用户的固有属性特征；

在本申请，可以获取用户自己本身具备的特征等，例如，包括用户的年龄、用户的性别、用户所处的地域、用户每天上网的时间段以及用户的职业等。

用户自己本身具备的特征存储在用户的用户账户中，在用户使用事先注册的用户账号登录电子设备之后，电子设备基于用户的用户账号就可以在用户的用户账户中查找自己本身具备的特征。

然后对于用户自己本身具备的任意一个特征，可以获取该特征对应的向量，例如，获取该特征的独热码(one hot)，然而，独热码的维度较高且稀疏性较高，因此，为了降低维度以及稀疏性，可以对该独热码进行向量化(embedding)，得到该特征对应的向量。对于用户自己本身具备的其他每一个特征，同样执行上述操作。

如此，得到用户自己本身具备的每一个特征对应的向量，之后可以将用户自己本身具备的每一个特征对应的向量拼接(concat)，得到用户的固有属性特征。

在步骤S102中，获取用户在历史过程中交互过的视频的第一特征；

本步骤可以通过如下流程实现，包括：

1021、至少获取用户在历史过程中交互过的视频的标识、该视频所属的主题类别以及该视频的简介；

在本公开中，视频的标识包括视频的名称等，有时候视频的名称可以体现视频的一些特征等，视频所属的主题类别包括篮球、足球、购物、游戏、电视剧以及电影等等。

对于任意一个视频，事先可以将该视频的编号与该视频的标识组成对应表项，并存储在视频的编号与视频的标识之间的第一对应关系中。将该视频的编号与该视频所属的主题类别组成对应表项，并存储在视频的编号与视频所属的主题类别之间的第二对应关系中。将该视频的编号与该视频的简介组成对应表项，并存储在视频的编号与视频的简介之间的对应关系中。

对于其他每一个视频，同样执行上述操作。其中，不同的视频的视频编号不同。

另外，每当一个用户交互过一个视频，就可以将该视频的编号存储在该用户的用户账户中。其中，交互的动作包括点击、播放、下载、评论、分享以及收藏等。

如此，在本步骤中，可以在用户的用户账户中获取用户交互过的所有视频的编号，然后对于用户交互过的任意一个视频，可以在视频的编号与视频的标识之间的第一对应关系中，查找与该视频的编号相对应的视频的标识，在视频的编号与视频所属的主题类别之间的第二对应关系中，查找与该视频的编号相对应的视频所属的主题类别，以及在视频的编号与视频的简介之间的对应关系中，查找与该视频的编号相对应的视频的简介。

1022、至少将该视频的标识、该视频所属的主题类别以及该视频的简介融合为第一特征；

在本公开中，可以将该视频的标识编码为标识向量，例如，获取该视频的标识的独热码，然而，独热码的维度较高且稀疏性较高，因此，为了降低维度以及稀疏性，可以对独热码进行向量化，得到标识向量。可以将该视频所属的主题类别编码为类别向量，例如，获取该视频所属的主题类别的独热码，然而，独热码的维度较高且稀疏性较高，因此，为了降低维度以及稀疏性，可以对该独热码进行向量化，得到类别向量。可以将该视频的简介编码为简介向量，例如，获取该视频的简介的独热码，然而，独热码的维度较高且稀疏性较高，因此，为了降低维度以及稀疏性，可以对该独热码进行向量化，得到简介向量。之后可以将该标识向量、该类别向量以及该简介向量拼接，得到第一特征。

在步骤S103中，基于注意力模型对用户固有属性特征和第一特征处理，得到用户对交互过的视频的喜欢程度；

在本公开，事先可以训练注意力模型，注意力模型的训练方式包括：

可以获取样本用户的样本固有属性特征，获取样本视频的第一样本特征，以及获取样本用户对样本视频的标注喜欢程度，然后基于样本固有属性特征、第一样本特征以及标注喜欢程度对模型训练，得到注意力模型。

如此，在本公开中，可以基于注意力模型对固有属性特征和第一特征处理，得到用户对视频的喜欢程度。然而，有时候，用户在历史过程中交互过的视频为多个，在这种情况下，可以将每一个视频的第一特征分别输入不同的注意力模型中，并将固有属性特征分别输入每一个注意力模型中，得到不同的注意力模型分别输出的用户对不同的视频的喜欢程度。

在步骤S104中，根据用户对交互过的视频的喜欢程度和第一特征获取交互过的视频的第二特征；

在本公开中，喜欢程度包括权重等，是一个数值，可以位于数值0～1之间。

其中，可以将该数值与第一特征相乘，得到该视频的第二特征。

如果用户对该视频的喜欢程度越高，则第二特征在后续在确定用户的兴趣标签的过程中的比重越大，如果用户对该视频的喜欢程度越低，则第二特征在后续在确定用户的兴趣标签的过程中的比重越小。

在步骤S105中，基于多任务模型中的至少两个预测网络分别对第二特征和用户的固有属性特征处理，得到各个预测网络分别预测的用户的至少两个兴趣标签。

在本公开中，事先可以训练多任务模型，多任务模型的训练方式包括：基于注意力模型对固有属性特征和第一特征处理，得到样本用户对样本视频的样本喜欢程度；根据样本喜欢程度和第一样本特征获取视频的第二样本特征；获取样本用户的至少两个标注兴趣标签；基于样本固有属性特征、第二样本特征以及至少两个标注兴趣标签对模型训练，得到多任务模型。多任务模型中包括两个预测网络。

其中，在用户在历史过程中交互过的视频为多个的情况下，可以将多个第二特征输入求和池化层(SUM pooling)中，在求和池化层中，对多个第二特征求和，得到求和特征，然后将求和特征与用户的固有属性特征拼接，得到拼接特征，再将拼接特征输入DNN(DeepNeural Networks，深度神经网络)中，经由DNN对拼接特征处理之后，可以对拼接特征降维，得到降维特征，例如，降维特征可以为64维的向量等，然后将降维特征分别输入多任务模型中的至少两个预测网络中，得到每一个预测网络分别输出的兴趣标签，并作为用户具备的至少两个兴趣标签。

在本公开中，获取用户的固有属性特征；获取用户在历史过程中交互过的视频的第一特征；基于注意力模型对用户固有属性特征和第一特征处理，得到用户对交互过的视频的喜欢程度；根据用户对交互过的视频的喜欢程度和第一特征获取交互过的视频的第二特征；基于多任务模型中的至少两个预测网络分别对第二特征和用户的固有属性特征处理，得到各个预测网络分别预测的用户的至少两个兴趣标签。

通过本公开，在存在多种兴趣标签的情况下，不需要分别训练每一种兴趣标签分别对应的二分类模型，可以训练一个多任务模型即可，基于多任务模型就可以分别确定用户的至少两个兴趣标签。如此，相比于使用多个二分类模型，本公开仅使用一个多任务模型。且，由于不需要分别训练每一种兴趣标签分别对应的二分类模型，如此也不需要分别为训练不同的二分类模型搜集各自的样本数据。由于只需要训练一个多任务模型即可，训练多任务模型中的各个预测网络时可以共享同一份样本数据，因此，为训练多任务模型搜集一份样本数即可，不需要分别为训练不同的二分类模型搜集各自的样本数据。所以，相比于相关技术，从而可以降低训练工作量以及降低系统复杂度。

在相关技术中，当搜集的用于训练有些二分类模型时的训练样本数据较多时，训练出的这些二分类模型的泛化程度较高。然而，有时候搜集的用于训练有些二分类模型时的训练样本数据较少时，会导致训练出的这些二分类模型的泛化程度较低，进而导致根据这些二分类模型确定出的兴趣标签的精准度较低。

而在本公开中，只需要训练一个多任务模型即可，因此，可以仅仅搜集一份训练数据，训练多任务模型中的各个预测网络时可以共享同一份样本数据，在搜集的样本数据较多时，就会使得可以使用的较多的样本数据训练多任务模型中的各个预测网络，进而可以使得训练出的多任务模型中的各个预测网络的泛化程度均较高，从而可以提高基于多任务模型中的各个预测网络确定出的兴趣标签的精准度。

其次，本公开引入了注意力模型，注意力模型可以根据实际情况来使用户对交互过的不同的视频进行特征聚焦，从而确定出用户对交互过的不同的视频的喜欢程度，结合用户对交互过的不同的视频的喜欢程度可以更加准确地确定出用户具备的兴趣标签。

例如，参见图2，以一个例子对本公开的方案进行举例说明，假设用户在历史过程中交互过的视频为n个，分别为x1～xn，获取n个视频中的每一个视频的标识、该视频所属的主题类别以及该视频的简介，将各个视频的标识、所属的主题类别以及简介融合为第一特征，得到第一特征1～第一特征n。

然后可以获取用户的年龄、用户的性别、用户所处的地域、用户每天上网的时间段以及用户的职业等信息，根据用户的年龄、用户的性别、用户所处的地域以及用户的职业等信息获取用户的固有属性特征。

由于用户在历史过程中交互过的视频为n个，因此，可以准备n个注意力模型。分别为注意力模型1～注意力模型n，n个注意力模型可以相同等，然后将第一特征1输入注意力模型1，将第一特征2输入注意力模型2......以及将第一特征n输入注意力模型n中。

另外，将用户的固有属性特征分别出入到每一个注意力模型中。

注意力模型1根据第一特征1以及用户的固有属性特征确定用户对视频x1的喜欢程度1，注意力模型2根据第一特征2以及用户的固有属性特征确定用户对视频x2的喜欢程度2......注意力模型n根据第一特征n以及用户的固有属性特征确定用户对视频xn的喜欢程度n。

再根据用户对视频x1的喜欢程度1以及第一特征1确定视频x1的第二特征1，再根据用户对视频x2的喜欢程度2以及第一特征2确定视频x2的第二特征2......再根据用户对视频xn的喜欢程度n以及第一特征n确定视频xn的第二特征n。

之后将第二特征1～第二特征n求和，得到求和特征，然后将求和特征与用户的固有属性特征拼接，得到拼接特征，然后将拼接特征降维，得到降维特征，然后将降维特征分别输入基于多任务模型中的至少两个预测网络中，得到每一个预测网络分别输出的兴趣标签，并作为用户具备的至少两个兴趣标签。

图3是根据一示例性实施例示出的一种兴趣标签的确定装置的框图。参照图3，该装置包括第一获取模块11，第二获取模块12，第一处理模块13，第三获取模块14以及第二处理模块15。

第一获取模块11，被配置为获取用户的固有属性特征；

第二获取模块12，被配置为获取所述用户在历史过程中交互过的视频的第一特征；

第一处理模块13，被配置为基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

第三获取模块14，被配置为根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

第二处理模块15，被配置为基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

在一个可选的实现方式中，所述第二获取模块12包括：

获取单元，被配置为至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

融合单元，被配置为至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

在一个可选的实现方式中，所述融合单元包括：

第一编码单元，被配置为将所述标识编码为标识向量；

第二编码单元，被配置为将所述主题类别编码为类别向量；

第三编码单元，被配置为将所述简介编码为简介向量；

拼接单元，被配置为将所述标识向量、所述类别向量和所述简介向量拼接，得到所述第一特征。

在一个可选的实现方式中，所述用户在历史过程中交互过的视频为多个；

所述第一处理模块13具体用于：将每一个视频的第一特征分别输入不同的注意力模型中，并将所述固有属性特征输入每一个注意力模型中，得到不同的注意力模型分别输出的所述用户对不同的视频的喜欢程度。

在一个可选的实现方式中，所述装置还包括：

第四获取模块，被配置为获取样本用户的样本固有属性特征；

第五获取模块，被配置为获取样本视频的第一样本特征；

第六获取模块，被配置为获取所述样本用户对所述样本视频的标注喜欢程度；

第一训练模块，被配置为基于所述样本固有属性特征、所述第一样本特征以及所述标注喜欢程度对模型训练，得到所述注意力模型。

在一个可选的实现方式中，所述装置还包括：

第三处理模块，被配置为基于所述注意力模型对所述样本固有属性特征和所述第一样本特征处理，得到所述样本用户对所述样本视频的样本喜欢程度；

第七获取模块，被配置为根据所述样本喜欢程度和所述第一样本特征获取所述视频的第二样本特征；

第八获取模块，被配置为获取所述样本用户的至少两个标注兴趣标签；

第二训练模块，被配置为基于所述样本固有属性特征、所述第二样本特征以及所述至少

在本公开中，获取用户的固有属性特征；获取用户在历史过程中交互过的视频的第一特征；基于注意力模型对用户固有属性特征和第一特征处理，得到用户对交互过的视频的喜欢程度；根据用户对交互过的视频的喜欢程度和第一特征获取交互过的视频的第二特征；基于多任务模型中的至少两个预测网络分别对第二特征和用户的固有属性特征处理，得到各个预测网络分别预测的用户的至少两个兴趣标签。

通过本公开，在存在多种兴趣标签的情况下，不需要分别训练每一种兴趣标签分别对应的二分类模型，可以训练一个多任务模型即可，基于多任务模型就可以分别确定用户的至少两个兴趣标签。如此，相比于使用多个二分类模型，本公开仅使用一个多任务模型。且，由于不需要分别训练每一种兴趣标签分别对应的二分类模型，如此也不需要分别为训练不同的二分类模型搜集各自的样本数据。由于只需要训练一个多任务模型即可，训练多任务模型中的各个预测网络时可以共享同一份样本数据，因此，为训练多任务模型搜集一份样本数即可，不需要分别为训练不同的二分类模型搜集各自的样本数据。所以，相比于相关技术，从而可以降低训练工作量以及降低系统复杂度。

在相关技术中，当搜集的用于训练有些二分类模型时的训练样本数据较多时，训练出的这些二分类模型的泛化程度较高。然而，有时候搜集的用于训练有些二分类模型时的训练样本数据较少时，会导致训练出的这些二分类模型的泛化程度较低，进而导致根据这些二分类模型确定出的兴趣标签的精准度较低。

而在本公开中，只需要训练一个多任务模型即可，因此，可以仅仅搜集一份训练数据，训练多任务模型中的各个预测网络时可以共享同一份样本数据，在搜集的样本数据较多时，就会使得可以使用的较多的样本数据训练多任务模型中的各个预测网络，进而可以使得训练出的多任务模型中的各个预测网络的泛化程度均较高，从而可以提高基于多任务模型中的各个预测网络确定出的兴趣标签的精准度。

其次，本公开引入了注意力模型，注意力模型可以根据实际情况来使用户对交互过的不同的视频进行特征聚焦，从而确定出用户对交互过的不同的视频的喜欢程度，结合用户对交互过的不同的视频的喜欢程度可以更加准确地确定出用户具备的兴趣标签。

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。

图4是根据一示例性实施例示出的一种用于兴趣标签的确定装置800的框图。例如，装置800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4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800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804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806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802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814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，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5是根据一示例性实施例示出的一种用于兴趣标签的确定装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932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1922被配置为执行指令，以执行上述兴趣标签的确定方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932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，将容易想到本公开的其它实施方案。本公开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。

A7、一种兴趣标签的确定装置，包括

第一获取模块，被配置为获取用户的固有属性特征；

第二获取模块，被配置为获取所述用户在历史过程中交互过的视频的第一特征；

第一处理模块，被配置为基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

第三获取模块，被配置为根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

第二处理模块，被配置为基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

A8、根据A7所述的装置，所述第二获取模块包括：

获取单元，被配置为至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

融合单元，被配置为至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

A9、根据A8所述的装置，所述融合单元包括：

第一编码单元，被配置为将所述标识编码为标识向量；

第二编码单元，被配置为将所述主题类别编码为类别向量；

第三编码单元，被配置为将所述简介编码为简介向量；

拼接单元，被配置为将所述标识向量、所述类别向量和所述简介向量拼接，得到所述第一特征。

A10、根据A7所述的装置，所述用户在历史过程中交互过的视频为多个；

所述第一处理模块具体用于：将每一个视频的第一特征分别输入不同的注意力模型中，并将所述固有属性特征输入每一个注意力模型中，得到不同的注意力模型分别输出的所述用户对不同的视频的喜欢程度。

A11、根据A7所述的装置，所述装置还包括：

第四获取模块，被配置为获取样本用户的样本固有属性特征；

第五获取模块，被配置为获取样本视频的第一样本特征；

第六获取模块，被配置为获取所述样本用户对所述样本视频的标注喜欢程度；

第一训练模块，被配置为基于所述样本固有属性特征、所述第一样本特征以及所述标注喜欢程度对模型训练，得到所述注意力模型。

A12、根据A11所述的装置，所述装置还包括：

第三处理模块，被配置为基于所述注意力模型对所述样本固有属性特征和所述第一样本特征处理，得到所述样本用户对所述样本视频的样本喜欢程度；

第七获取模块，被配置为根据所述样本喜欢程度和所述第一样本特征获取所述视频的第二样本特征；

第八获取模块，被配置为获取所述样本用户的至少两个标注兴趣标签；

第二训练模块，被配置为基于所述样本固有属性特征、所述第二样本特征以及所述至少两个标注兴趣标签对模型训练，得到所述多任务模型。

Claims (10)

1.一种兴趣标签的确定方法，其特征在于，包括

获取用户的固有属性特征；

获取所述用户在历史过程中交互过的视频的第一特征；

基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

2.根据权利要求1所述的方法，其特征在于，所述获取所述用户在历史过程中交互过的视频的第一特征，包括：

至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

3.根据权利要求2所述的方法，其特征在于，所述至少将所述标识、所述主题类别以及所述简介融合为所述第一特征，包括：

将所述标识编码为标识向量；

将所述主题类别编码为类别向量；

将所述简介编码为简介向量；

将所述标识向量、所述类别向量和所述简介向量拼接，得到所述第一特征。

4.根据权利要求1所述的方法，其特征在于，所述用户在历史过程中交互过的视频为多个；

所述基于注意力模型对固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度，包括：

将每一个视频的第一特征分别输入不同的注意力模型中，并将所述固有属性特征输入每一个注意力模型中，得到不同的注意力模型分别输出的所述用户对不同的视频的喜欢程度。

5.根据权利要求1所述的方法，其特征在于，所述注意力模型的训练方式包括：

获取样本用户的样本固有属性特征；

获取样本视频的第一样本特征；

获取所述样本用户对所述样本视频的标注喜欢程度；

基于所述样本固有属性特征、所述第一样本特征以及所述标注喜欢程度对模型训练，得到所述注意力模型。

6.根据权利要求5所述的方法，其特征在于，所述多任务模型的训练方式包括：

基于所述注意力模型对所述样本固有属性特征和所述第一样本特征处理，得到所述样本用户对所述样本视频的样本喜欢程度；

根据所述样本喜欢程度和所述第一样本特征获取所述视频的第二样本特征；

获取所述样本用户的至少两个标注兴趣标签；

基于所述样本固有属性特征、所述第二样本特征以及所述至少两个标注兴趣标签对模型训练，得到所述多任务模型。

7.一种兴趣标签的确定装置，其特征在于，包括

第一获取模块，被配置为获取用户的固有属性特征；

第二获取模块，被配置为获取所述用户在历史过程中交互过的视频的第一特征；

第一处理模块，被配置为基于注意力模型对所述固有属性特征和所述第一特征处理，得到所述用户对所述视频的喜欢程度；

第三获取模块，被配置为根据所述喜欢程度和所述第一特征获取所述视频的第二特征；

第二处理模块，被配置为基于多任务模型中的至少两个预测网络分别对所述第二特征和所述固有属性特征处理，得到各个预测网络分别预测的所述用户的至少两个兴趣标签。

8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：

获取单元，被配置为至少获取所述视频的标识、所述视频所属的主题类别以及所述视频的简介；

融合单元，被配置为至少将所述标识、所述主题类别以及所述简介融合为所述第一特征。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述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所述指令，以实现如权利要求1至6中任一项所述的兴趣标签的确定方法。

10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至6中任一项所述的兴趣标签的确定方法。

Images