CN111737575A - 内容分发方法、装置、可读介质及电子设备 - Google Patents
内容分发方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN111737575A CN111737575A CN202010567940.4A CN202010567940A CN111737575A CN 111737575 A CN111737575 A CN 111737575A CN 202010567940 A CN202010567940 A CN 202010567940A CN 111737575 A CN111737575 A CN 111737575A
- Authority
- CN
- China
- Prior art keywords
- generalization
- target
- content
- index
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 14
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种内容分发方法、装置、可读介质及电子设备，包括获取目标内容的特征信息；根据特征信息确定目标内容对应的目标用户泛化指标的指标值，目标用户泛化指标表征目标内容的目标用户泛化程度；在目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对目标内容进行分发。这样就能够根据目标内容的特征信息来确定该目标内容的目标用户泛化程度，并只对该目标用户泛化程度满足预设条件的目标内容进行分发，从而能够提高获取到更加泛化的目标用户的可能性，继而提高目标内容的分发效果，避免由于人为因素而导致根据某一特定用户群体所确定的目标内容在该用户群体中和/或在其他用户群体中的分发转化率不高，影响分发效果的问题。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种内容分发方法、装置、可读介质及电子设备。
背景技术
内容的分发常常是根据目标人群来进行的，待分发内容所包括的信息以及内容分发的方式都会根据分发的目标人群来确定。然而，人群的分类包含了很多人为因素，判断某一类目标人群可能会感兴趣的信息也包含了很多人为因素，从而，内容分发的分发转化率可能出现较低的情况，内容分发的效果可能会因为这些人为因素而得不到保证。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种内容分发方法，所述方法包括：
获取目标内容的特征信息；
根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
第二方面，本公开提供一种内容分发装置，所述装置包括：
获取模块，用于获取目标内容的特征信息；
预估模块，用于根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
分发模块，用于在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
通过上述技术方案，能够根据目标内容的特征信息来确定该目标内容的目标用户泛化程度，并只对该目标用户泛化程度满足预设条件的目标内容进行分发，从而能够提高获取到更加泛化的目标用户的可能性，继而提高目标内容的分发效果，避免由于人为因素而导致根据某一特定用户群体所确定的目标内容在该用户群体中的分发转化率不高，在其他用户群体中的分发转化率也不高，影响分发效果的问题。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
在附图中：
图1是根据本公开一示例性实施例示出的一种内容分发方法的流程图。
图2是根据本公开又一示例性实施例示出的一种内容分发方法的流程图。
图3是根据本公开一示例性实施例示出的一种泛化指标预估模型的训练方法的流程图。
图4是根据本公开又一示例性实施例示出的一种泛化指标预估模型的训练方法的流程图。
图5是根据本公开又一示例性实施例示出的一种内容分发方法的流程图。
图6是根据本公开一示例性实施例示出的一种内容分发装置的结构框图。
图7是根据本公开又一示例性实施例示出的一种内容分发装置的结构框图。
图8示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开一示例性实施例示出的一种内容分发方法的流程图。如图1所示，所述方法包括步骤101至步骤103。
在步骤101中，获取目标内容的特征信息。
该目标内容可以为例如媒体信息，包括图片、视频、音频、文本信息等任意一者或多者。该特征信息可以是预设的特征提取模型将该目标内容转化得到的固定大小的低维的特征向量，该特征向量可以作为该目标内容的特征表示。由于经过同一个特征提取模型提取的特征向量处在相同的特征空间中，因此语义上相近的目标内容在该特征空间中的特征向量也是相临近的。
在步骤102中，根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度。
泛化指的是获取更加宽泛的用户，区别于获取单一群体的用户，目标用户泛化程度即该目标内容能够获取到更加宽泛的用户的概率。其中，单一群体的用户可以是例如对仅仅只对摄影感兴趣的用户，或者是仅仅只对极限运动感兴趣的用户，或者是不对任何运动项目感兴趣的用户，而更加宽泛的用户可以是指例如对摄影或极限运动感兴趣的用户，或对除运动外其他项目感兴趣的用户，也即该用户并不是某个单一群体的用户。
在获取到该目标内容的特征信息之后，便可以根据该特征信息确定该目标内容的目标用户泛化指标的指标值。确定方法可以有多种，例如可以根据已分发内容实际产生的分发数据中，实际对应的目标用户泛化指标的指标值，来对该目标内容的目标用户泛化指标的指标值进行预估。具体的，可以通过比较该目标内容的特征信息与已分发内容的特征信息，从而根据已分发内容中实际对应的目标用户泛化指标的指标值对该目标内容的目标用户泛化指标的指标值进行表征。
在步骤103中，在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
该目标用户泛化指标的指标值可以是根据该目标内容分发后所产生的分发数据来确定的，该指标值越高，表征该目标内容的目标用户泛化程度越高。因此，若根据该目标内容的特征信息所确定的目标用户泛化指标的指标值越大，也即该目标内容获取到更泛化的目标用户的可能性更大，在该目标用户泛化指标的指标值高于该预设泛化指标阈值的情况下，表示该目标内容可能获取到的目标用户的泛化程度满足预设条件，进而对该目标内容进行分发。
通过上述技术方案，能够根据目标内容的特征信息来确定该目标内容的目标用户泛化程度，并只对该目标用户泛化程度满足预设条件的目标内容进行分发，从而能够提高获取到更加泛化的目标用户的可能性，继而提高目标内容的分发效果，避免由于人为因素而导致根据某一特定用户群体所确定的目标内容在该用户群体中的分发转化率不高，在其他用户群体中的分发转化率也不高，影响分发效果的问题。
图2是根据本公开又一示例性实施例示出的一种内容分发方法的流程图。如图2所示，所述方法除了包括图1中所示的步骤101和步骤103，还包括步骤201。
在步骤201中，将所述特征信息输入泛化指标预估模型中，以得到所述目标内容对应的所述目标用户泛化指标的指标值。
该泛化指标预估模型可以是通过如图3所示的模型训练方法预先训练得到的，如图3所示，包括步骤301至步骤303。
在步骤301中，获取多个已分发内容的实际内容分发数据。该实际内容分发数据可以包括，例如该已分发内容所获取到的所有有效用户数，该已分发内容所获取到的带有泛化用户标识的有效用户数，该已分发内容的内容曝光数，该已分发内容的实际成本等。
其中，该有效用户数为该已分发内容成功转化的用户数量，也即该已分发内容真正获取到的用户数量，例如，若该已分发内容中对某一应用软件进行了推广，则该已分发内容的有效用户数可以是在接收到该已分发内容的用户中，真正对该应用软件进行下载安装的用户数量。
该泛化用户标识可以是预先标记好的。例如，可以预先根据每个用户的用户特征判断该用户是否满足该泛化用户标识的条件，并对满足该泛化用户标识的条件的用户标记该泛化用户标识。满足该泛化用户标识的条件可以为例如对不止一项活动感兴趣的用户，或者，对某一项通常是低龄用户感兴趣的活动感兴趣的高龄用户等等。若根据用户的用户特征判断该用户满足任一或多个预设的泛化用户标识的条件，则可以将该用户标记为带有泛化用户标识的用户。
该已分发内容的内容曝光数为查看到该已分发内容的用户数量。
在步骤302中，获取每个所述已分发内容的特征信息，并根据所述实际内容分发数据确定与每个所述已分发内容对应的实际目标用户泛化指标的指标值。
获取该已分发内容的特征信息的方式可以与上述获取该目标内容的特征信息的方式相同。
根据该实际内容分发数据所确定的与每个已分发内容对应的该实际目标用户泛化指标可以为第一泛化指标、第二泛化指标、第三泛化指标中的任意一者，其中，所述第一泛化指标为所述已分发内容获取到的有效用户数中，带有泛化用户标识的有效用户数的比例，如以下公式(1)所示；所述第二泛化指标为所述已分发内容的内容曝光数中，带有泛化用户标识的有效用户数的比例，如以下公式(2)所示；所述第三泛化指标为所述已分发内容的泛化成本的倒数，如以下公式(3)所示，所述泛化成本为所述第一泛化指标与所述已分发内容的实际成本之比。
hl_score＝sum(L34)/sum(L1234) (1)
hl_cvr＝sum(L34)/sum(impressions) (2)
hlcpa_score＝hl_score/cpa (3)
hl_score即为该第一泛化指标，sum(L34)即为该已分发内容所获取到的带有泛化用户标识的有效用户数，sum(L1234)即为该已分发内容所获取到的所有有效用户数，hl_cvr即为该第二泛化指标，sum(impressions)即为该已分发内容的内容曝光数，hlcpa_score即为该第三泛化指标，cpa即为该已分发内容的实际成本。
在步骤303中，将每个所述已分发内容的特征信息和每个所述已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，以对所述泛化指标预估模型进行训练。
在将该第一泛化指标作为该实际目标用户泛化指标的情况下，训练得到的该泛化指标预估模型能够根据输入的该目标内容的特征信息，确定该目标内容在被分发之后，可能获取到的有效用户数中，带有泛化用户标识的有效用户数的比例。该目标内容可能获取到的有效用户数中，带有泛化用户标识的有效用户数的比例越高，便可表示该目标内容的目标用户泛化程度越高，目标内容的分发效果越好。
在将该第二泛化指标作为该实际目标用户泛化指标的情况下，训练得到的该泛化指标预估模型就能够根据输入的该目标内容的特征信息，确定该目标内容在被分发之后，该目标内容的内容曝光数中，带有泛化用户标识的有效用户数的比例。该目标内容的内容曝光数中，带有泛化用户标识的有效用户数的比例越高，也可表示该目标内容的目标用户泛化程度越高，目标内容的分发效果越好。
在将该第三泛化指标作为该实际目标用户泛化指标的情况下，训练得到的该泛化指标预估模型就能够根据输入的该目标内容的特征信息，确定该目标内容在被分发之后，该目标内容对应的泛化成本的倒数。由于目标内容的泛化成本越低，表示该目标内容的泛化效果越高，因此该泛化成本的倒数越大，越表示该目标内容的泛化效果越好。
其中，在使用该第三泛化指标作为该实际目标泛化指标的情况下，由于考虑到了该目标内容对应的泛化成本，从而，根据该第三泛化指标所训练得到的该泛化指标预估模型，在确定该目标内容对应的目标用户泛化指标的指标值时，也会考虑到该目标内容的泛化成本，从而能够从泛化成本的角度来控制对该目标内容的分发，尽可能保证该目标用户泛化指标的指标值高于该预设泛化指标阈值的目标内容所对应的泛化成本也能够得到有效的控制。
该泛化指标预估模型可以为前馈神经网络，在将该训练样本中的已分发内容的特征信息输入该前馈神经网络之后，可以得到一个预测值，根据该预测值与该特征信息对应的已分发内容的实际目标用户泛化指标的指标值之间的均方误差计算损失值，并使用Adam优化器根据该损失值优化模型参数，使得模型参数向着损失值梯度减小的方向优化，经过多轮迭代，当模型的测试误差小于预设误差阈值时停止迭代，最终得到训练好的泛化指标预估模型。
图4是根据本公开又一示例性实施例示出的一种泛化指标预估模型的训练方法的流程图。如图4所示，所述方法包括步骤401至步骤404。
在步骤401中，将获取到的有效用户数大于预设有效用户数阈值的候选已分发内容确定为目标已分发内容。
在步骤402中，获取所述目标已分发内容的实际内容分发数据。
在步骤403中，获取每个所述目标已分发内容的特征信息，并根据所述实际内容分发数据确定与每个所述目标已分发内容对应的实际目标用户泛化指标的指标值。
在步骤404中，将每个所述目标已分发内容的特征信息和每个所述目标已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，以对所述泛化指标预估模型进行训练。其中，该目标已分发内容对应的实际目标用户泛化指标也可以为如上所述的第一泛化指标、第二泛化指标和第三泛化指标中的任意一者。
其中，该泛化指标预估模型可以为例如前馈神经网络。在通过步骤404得到多组训练样本后，将该训练样本按照预设的比例会被随机分配到一个训练集、一个验证集和一个测试集中来实现对该泛化指标预估模型的训练。其中，该训练集中的训练样本的特征向量被输入至该泛化指标预估模型中，并得到一个预测值，根据该预测值与被输入至该泛化指标预估模型中的训练样本中携带的真实值之间根据计算出一个损失值，该泛化指标预估模型的参数则会向着该损失值梯度减小的方向优化，经过多轮迭代，当该验证集中的训练样本经过该泛化指标预估模型后得到的预测值的测试误差小于预设阈值时停止迭代，从而完成对该泛化指标预估模型的训练。
由于每个已分发内容所获取到的有效用户数是不确定的，而根据获取到的有效用户数过少的已分发内容所对应的实际内容分发数据所确定的实际目标用户泛化指标的指标值置信度较低。因此，在对该已分发内容的实际内容分发数据进行获取之前，先根据该已分发内容获取到的有效用户数进行筛选，只有获取到的有效用户数大于该预设有效用户数阈值的候选已分发内容才会被确定为该目标已分发内容。这样，能够保证根据该目标已分发内容的实际内容分发数据所确定的实际目标用户泛化指标的指标值的置信度较高，从而提高该泛化指标预估模型的效果。
图5是根据本公开又一示例性实施例示出的一种内容分发方法的流程图。如图5所示，所述方法除了包括如图2所示的步骤101、步骤201、步骤103之外，还包括步骤501。
在步骤501中，根据所述泛化指标预估模型的训练样本中的所述实际目标用户泛化指标，确定所述预设泛化指标阈值。
由于该泛化指标预估模型可以上述第一泛化指标、第二泛化指标、第三泛化指标中的任意一者来训练，因此，在使用该泛化指标预估模型时，可以根据该泛化指标预估模型训练时所使用的训练样本中的该实际目标用户泛化指标，来确定与该泛化指标预估模型训练时所使用的训练样本中的该实际目标用户泛化指标对应的预设泛化指标阈值。例如，在该泛化指标预估模型训练时所使用的训练样本中的该实际目标用户泛化指标为该第一泛化指标时，将该预设泛化指标阈值确定为与该第一泛化指标对应的预设泛化指标阈值等。
在一种可能的实施方式中，所述目标内容包括目标图像和目标视频，所述特征信息包括图像特征信息和视频特征信息。其中，所述获取目标内容的特征信息包括：通过预设图片分类模型和所述目标图像获取所述图像特征信息；从所述目标视频中选取预设数量的视频帧图像，并通过预设动作识别模型根据所述视频帧图像获取所述视频特征信息。
该目标图像和该目标视频通常是通过高维向量来表示，以图像为例，图像一般由RGB三个颜色通道的一个二维像素值表示，比如，一个1024x1024像素大小的图片可以用一个3x1024x1024大小的高维向量表示。因此，从该目标图像和该目标视频中获取得到的该图像特征信息和该视频特征信息可以为用于表征该目标图像和该目标视频的低维特征向量。
该预设图片分类模型和该预设动作识别模型可以是在ImageNet数据集上训练得到，例如该预设图片分类模型可以为Inception-resnet-v2网络模型，该预设动作识别模型可以为ResNeXt-101网络模型。该预设图片分类模型和该预设动作识别模型去掉softmax分类器之后得到的卷积神经网络模型的输出即可以为该目标图像和该目标视频的低维特征向量。例如，将该目标图像输入该预设图片分类模型例如Inception-resnet-v2网络模型中之后，提取该预设图片分类模型中的倒数第二层平均池化层的1536维输出即可以作为该目标图像的低维特征向量，也即该图像特征信息；将该目标视频中提取得到的预设数量的视频帧图像输入该预设动作识别模型例如ResNeXt-101网络模型中之后，提取该预设动作识别模型中的倒数第二层平均池化层的2048维输出该目标视频的低维特征向量，也即该视频特征信息。
其中，该泛化指标预估模型可以为一个三层的全连接神经网络模型，根据上述第一预设图片分类模型和第二预设图片分类模型所获取得到的与该目标图像和目标视频分别对应的低维特征向量可以作为该全连接神经网络模型第一层的输入，该全连接神经网络模型的第三层输出即可以为与该目标内容对应的目标用户泛化指标的指标值。
图6是根据本公开一示例性实施例示出的一种内容分发装置100的结构框图。如图6所示，所述装置100包括：获取模块10，用于获取目标内容的特征信息；预估模块20，用于根据所述特征信息确定所述目标内容的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；分发模块30，用于在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
在一种可能的实施方式中，所述预估模块20还用于：将所述特征信息输入泛化指标预估模型中，以得到所述目标内容的所述目标用户泛化指标的指标值。
在一种可能的实施方式中，所述泛化指标预估模型通过以下方式进行训练：获取多个已分发内容的实际内容分发数据；获取每个所述已分发内容的特征信息，并根据所述实际内容分发数据确定与每个所述已分发内容对应的实际目标用户泛化指标的指标值；将每个所述已分发内容的特征信息和每个所述已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，以对所述泛化指标预估模型进行训练。
在一种可能的实施方式中，所述获取多个已分发内容的实际内容分发数据包括：将获取到的有效用户数大于预设有效用户数阈值的候选已分发内容确定为目标已分发内容；获取所述目标已分发内容的实际内容分发数据。所述获取每个所述已分发内容的特征信息，并根据所述实际内容分发数据确定与每个所述已分发内容对应的实际目标用户泛化指标的指标值；将每个所述已分发内容的特征信息和每个所述已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，以对所述泛化指标预估模型进行训练包括：获取每个所述目标已分发内容的特征信息，并根据所述实际内容分发数据确定与每个所述目标已分发内容对应的实际目标用户泛化指标的指标值；将每个所述目标已分发内容的特征信息和每个所述目标已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，以对所述泛化指标预估模型进行训练。
在一种可能的实施方式中，所述实际目标用户泛化指标为第一泛化指标、第二泛化指标、第三泛化指标中的任意一者；所述第一泛化指标为所述已分发内容获取到的有效用户数中，带有泛化用户标识的有效用户数的比例；所述第二泛化指标为所述已分发内容的内容曝光数中，带有泛化用户标识的有效用户数的比例；所述第三泛化指标为所述已分发内容的泛化成本的倒数，所述泛化成本为所述第一泛化指标与所述已分发内容的实际成本之比。
图7是根据本公开又一示例性实施例示出的一种内容分发装置100的结构框图。如图7所示，所述装置还包括阈值确定模块40，用于根据所述泛化指标预估模型的训练样本中的所述实际目标用户泛化指标，确定所述预设泛化指标阈值。
在一种可能的实施方式中，所述目标内容包括目标图像和目标视频，所述特征信息包括图像特征信息和视频特征信息，所述获取模块10包括：第一获取子模块101，用于根据第一预设图片分类模型和所述目标图像获取所述图像特征信息；第二获取子模块102，用于从所述目标视频中选取预设数量的视频帧图像，并根据第二预设图片分类模型和所述视频帧图像获取所述视频特征信息。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，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8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上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，其包括承载在非暂态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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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该电子设备执行时，使得该电子设备：获取目标内容的特征信息；根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取目标内容的特征信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种内容分发方法，所述方法包括：
获取目标内容的特征信息；
根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述特征信息确定所述目标内容对应的目标用户泛化指标包括：
将所述特征信息输入泛化指标预估模型中，以得到所述目标内容的所述目标用户泛化指标的指标值。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，
所述目标内容包括目标图像和目标视频，所述特征信息包括所述目标视频的图像特征向量和视频特征向量，所述获取目标内容的特征信息包括：
通过预设图片分类模型根据所述目标图像获取所述图像特征信息；以及
从所述目标视频中选取预设数量的视频帧图像，并通过预设动作识别模型根据所述视频帧图像获取所述视频特征信息。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，
所述泛化指标预估模型通过以下方式进行训练：
获取多个已分发内容的实际分发数据；
针对各所述已分发内容，获取所述已分发内容的特征信息，并根据所述已分发内容实际分发数据确定所述已分发内容对应的实际目标用户泛化指标的指标值；
分别将所述已分发内容的特征信息和所述已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，对所述泛化指标预估模型进行训练。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述实际目标用户泛化指标包括第一泛化指标、第二泛化指标、第三泛化指标中的至少一个；
所述第一泛化指标为所述已分发内容获取到的有效用户数中，带有泛化用户标识的有效用户数的比例，所述有效用户数为所述已分发内容成功转化的用户数量；
所述第二泛化指标为所述已分发内容的内容曝光数中，带有泛化用户标识的有效用户数的比例，所述内容曝光数为查看到所述已分发内容的用户数量；
所述第三泛化指标为所述已分发内容的泛化成本的倒数，所述泛化成本为所述第一泛化指标与所述已分发内容的实际成本之比。
根据本公开的一个或多个实施例，示例6提供了示例4或示例5的方法，所述获取多个已分发内容的实际内容分发数据包括：
将获取到的有效用户数大于预设有效用户数阈值的候选已分发内容确定为所述已分发内容。
根据本公开的一个或多个实施例，示例7提供了示例4或示例5的方法，在对所述目标内容进行分发之前，所述方法还包括：
根据所述泛化指标预估模型的训练样本中的所述实际目标用户泛化指标，确定所述预设泛化指标阈值。
根据本公开的一个或多个实施例，示例8提供了一种内容分发装置，所述装置包括：
获取模块，用于获取目标内容的特征信息；
预估模块，用于根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
分发模块，用于在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。
Claims (10)
1.一种内容分发方法，其特征在于，所述方法包括：
获取目标内容的特征信息；
根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
2.根据权利要求1所述的方法，其特征在于，所述根据所述特征信息确定所述目标内容对应的目标用户泛化指标包括：
将所述特征信息输入预先训练的泛化指标预估模型中，以得到所述目标内容对应的所述目标用户泛化指标的指标值。
3.根据权利要求1所述的方法，其特征在于，所述目标内容包括目标图像和目标视频，所述特征信息包括所述目标视频的图像特征向量和视频特征向量，所述获取目标内容的特征信息包括：
通过预设图片分类模型、根据所述目标图像获取所述图像特征信息；以及
从所述目标视频中选取预设数量的视频帧图像，并通过预设动作识别模型、根据所述视频帧图像获取所述视频特征信息。
4.根据权利要求2所述的方法，其特征在于，所述泛化指标预估模型通过以下方式进行训练：
获取多个已分发内容的实际分发数据；
针对各所述已分发内容，获取所述已分发内容的特征信息，并根据所述已分发内容实际分发数据确定所述已分发内容对应的实际目标用户泛化指标的指标值；
分别将所述已分发内容的特征信息和所述已分发内容对应的实际目标用户泛化指标的指标值作为一组训练样本，对所述泛化指标预估模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述实际目标用户泛化指标包括第一泛化指标、第二泛化指标、第三泛化指标中的至少一个；
所述第一泛化指标为所述已分发内容获取到的有效用户数中，带有泛化用户标识的有效用户数的比例，所述有效用户数为所述已分发内容成功转化的用户数量；
所述第二泛化指标为所述已分发内容的内容曝光数中，带有泛化用户标识的有效用户数的比例，所述内容曝光数为查看到所述已分发内容的用户数量；
所述第三泛化指标为所述已分发内容的泛化成本的倒数，所述泛化成本为所述第一泛化指标与所述已分发内容的实际成本之比。
6.根据权利要求4或5所述的方法，其特征在于，所述获取多个已分发内容的实际内容分发数据包括：
将获取到的有效用户数大于预设有效用户数阈值的候选已分发内容确定为所述已分发内容。
7.根据权利要求4或5所述的方法，其特征在于，在对所述目标内容进行分发之前，所述方法还包括：
根据所述泛化指标预估模型的训练样本中的所述实际目标用户泛化指标，确定所述预设泛化指标阈值。
8.一种内容分发装置，其特征在于，所述装置包括：
获取模块，用于获取目标内容的特征信息；
预估模块，用于根据所述特征信息确定所述目标内容对应的目标用户泛化指标的指标值，所述目标用户泛化指标表征所述目标内容的目标用户泛化程度；
分发模块，用于在所述目标用户泛化指标的指标值高于预设泛化指标阈值的情况下，对所述目标内容进行分发。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010567940.4A CN111737575B (zh) | 2020-06-19 | 2020-06-19 | 内容分发方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010567940.4A CN111737575B (zh) | 2020-06-19 | 2020-06-19 | 内容分发方法、装置、可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111737575A true CN111737575A (zh) | 2020-10-02 |
| CN111737575B CN111737575B (zh) | 2023-11-14 |
Family
ID=72651840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010567940.4A Active CN111737575B (zh) | 2020-06-19 | 2020-06-19 | 内容分发方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737575B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177174A (zh) * | 2021-05-21 | 2021-07-27 | 脸萌有限公司 | 特征构建方法、内容显示方法及相关装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2530671C1 (ru) * | 2013-07-24 | 2014-10-10 | Общество С Ограниченной Ответственностью "Балакам" | Способ проверки веб-страниц на содержание в них целевого аудио и/или видео (av) контента реального времени |
| CN107292654A (zh) * | 2016-04-13 | 2017-10-24 | 北京京东尚科信息技术有限公司 | 用于调整针对用户的消息推送的资源投入的方法和装置 |
| CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 |
| CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
| CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
| CN109710845A (zh) * | 2018-12-25 | 2019-05-03 | 百度在线网络技术（北京）有限公司 | 资讯推荐方法、装置、计算机设备和可读存储介质 |
| CN110147389A (zh) * | 2019-03-14 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 帐号处理方法和装置、存储介质及电子装置 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN110263959A (zh) * | 2018-05-21 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 点击率预估方法、装置、机器设备和计算机可读存储介质 |
| CN110688528A (zh) * | 2019-09-26 | 2020-01-14 | 北京字节跳动网络技术有限公司 | 生成视频的分类信息的方法、装置、电子设备和介质 |
| CN110737783A (zh) * | 2019-10-08 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 一种推荐多媒体内容的方法、装置及计算设备 |
| CN110991373A (zh) * | 2019-12-09 | 2020-04-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及介质 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111026971A (zh) * | 2019-12-25 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 内容的推送方法及装置、计算机存储介质 |
| CN111131359A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
-
2020
- 2020-06-19 CN CN202010567940.4A patent/CN111737575B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2530671C1 (ru) * | 2013-07-24 | 2014-10-10 | Общество С Ограниченной Ответственностью "Балакам" | Способ проверки веб-страниц на содержание в них целевого аудио и/или видео (av) контента реального времени |
| CN107292654A (zh) * | 2016-04-13 | 2017-10-24 | 北京京东尚科信息技术有限公司 | 用于调整针对用户的消息推送的资源投入的方法和装置 |
| CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
| CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 |
| CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
| CN110263959A (zh) * | 2018-05-21 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 点击率预估方法、装置、机器设备和计算机可读存储介质 |
| CN111131359A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109710845A (zh) * | 2018-12-25 | 2019-05-03 | 百度在线网络技术（北京）有限公司 | 资讯推荐方法、装置、计算机设备和可读存储介质 |
| CN110147389A (zh) * | 2019-03-14 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 帐号处理方法和装置、存储介质及电子装置 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN110688528A (zh) * | 2019-09-26 | 2020-01-14 | 北京字节跳动网络技术有限公司 | 生成视频的分类信息的方法、装置、电子设备和介质 |
| CN110737783A (zh) * | 2019-10-08 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 一种推荐多媒体内容的方法、装置及计算设备 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN110991373A (zh) * | 2019-12-09 | 2020-04-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及介质 |
| CN111026971A (zh) * | 2019-12-25 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 内容的推送方法及装置、计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 孟园;王洪伟;: "基于文本内容特征选择的评论质量检测", 现代图书情报技术, no. 04, pages 40 - 47 * |
| 蒋宗礼;康亚如;: "基于User Profile的微博用户推荐", 计算机与现代化, no. 10, pages 76 - 80 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177174A (zh) * | 2021-05-21 | 2021-07-27 | 脸萌有限公司 | 特征构建方法、内容显示方法及相关装置 |
| CN113177174B (zh) * | 2021-05-21 | 2024-02-06 | 脸萌有限公司 | 特征构建方法、内容显示方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111737575B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
| CN111275721A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN110991373A (zh) | 图像处理方法、装置、电子设备及介质 | |
| CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
| CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
| CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
| CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN110399802B (zh) | 处理面部图像眼睛亮度的方法、装置、介质和电子设备 | |
| CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN113705386A (zh) | 视频分类方法、装置、可读介质和电子设备 | |
| CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
| CN114972876A (zh) | 基于知识蒸馏技术的图像处理方法、装置、设备及介质 | |
| CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |