CN111858970B - 多媒体内容推荐方法、装置、电子设备及可读存储介质 - Google Patents
多媒体内容推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111858970B CN111858970B CN201910362344.XA CN201910362344A CN111858970B CN 111858970 B CN111858970 B CN 111858970B CN 201910362344 A CN201910362344 A CN 201910362344A CN 111858970 B CN111858970 B CN 111858970B
- Authority
- CN
- China
- Prior art keywords
- multimedia
- recommendation
- content
- recommended
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
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)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供了一种多媒体内容推荐方法、装置、电子设备及可读存储介质，应用于互联网技术领域，所述方法包括：响应用户访问多媒体内容的请求，获取针对用户请求的多个多媒体推荐内容，生成待选推荐内容集；步骤A，将待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到每个多媒体推荐内容对应的推荐值；步骤B，选择推荐值最大的多媒体推荐内容，将推荐值最大的多媒体推荐内容从待选推荐内容集中移至用户未消费的多媒体推荐内容中；返回步骤A，直至所选择的多媒体推荐内容的个数达到预设数量；按照选择的顺序，将预设数量个多媒体推荐内容推荐给用户。本公开实施例可提高推荐的准确性和效率。
Description
技术领域
本公开涉及互联网技术领域，特别是涉及一种多媒体内容推荐方法、装置、电子设备及可读存储介质。
背景技术
在新闻流和短视频推荐场景中，客户端每次向服务端发送请求时，服务端可以返回多个推荐结果，并将多个推荐结果存储在客户端的缓存供用户消费。为了减少卡顿，客户端通常采用“双缓存”策略，即同时在客户端缓存两组对服务端请求的推荐结果。其中，双缓存包括“主缓存”和“副缓存”。每当主缓存的内容被用户消费完，客户端向服务端发送新的请求，并且用户可以继续消费副缓存的内容，此时，副缓存作为主缓存，返回的新的请求结果作为副缓存。
在“双缓存”策略中，客户端每次在发送新的请求时，副缓存的内容还没有被用户消费，因此，没有用户反馈；推荐的内容之间相互影响，前面的内容会影响到用户在后面内容上的体验和反馈。现有的推荐方法中，通过已有的用户信息预测用户在推荐内容上的点击率和观看时长等多种指标，然后通过预设公式对推荐内容进行排序，最后通过预设规则对推荐结果进行处理，例如使推荐内容相邻的条目属于不同类别等。可见，该方法没有考虑副缓存的内容，也没有考虑到推荐内容之间的影响，因此，推荐结果的准确性较低。同时，该方法依赖人工调整的参数和规则，调整时间长、耗费人力多、难以维护。
发明内容
本公开实施例的目的在于提供一种多媒体内容推荐方法、装置、电子设备及可读存储介质，以提高推荐的准确性和效率。具体技术方案如下：
根据本公开实施例的第一方面，提供一种多媒体内容推荐方法，所述方法包括：
响应用户访问多媒体内容的请求，获取针对所述用户请求的多个多媒体推荐内容，生成待选推荐内容集；
步骤A，将所述待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到所述每个多媒体推荐内容对应的推荐值；
所述推荐状态包括：所述用户的信息、所述用户未消费的多媒体推荐内容和所述多媒体推荐内容；所述用户未消费的多媒体推荐内容包括：所述用户的缓存中的历史多媒体内容；所述神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的；
步骤B，选择推荐值最大的多媒体推荐内容，将所述推荐值最大的多媒体推荐内容从所述待选推荐内容集中移至所述用户未消费的多媒体推荐内容中；返回步骤A，直至所选择的多媒体推荐内容的个数达到预设数量；
按照选择的顺序，将所述预设数量个多媒体推荐内容推荐给所述用户。
可选的，所述缓存包括：主缓存和副缓存，所述历史多媒体内容位于所述副缓存；
所述将所述预设数量个多媒体推荐内容推荐给所述用户，包括：
将所述副缓存切换为主缓存，将所述主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；
将所述预设数量个推荐内容存储至切换后的副缓存中。
可选的，在所述将所述预设数量个多媒体推荐内容推荐给所述用户之后，所述方法还包括：
在确定所述用户消费完所述切换后的主缓存中的历史多媒体内容后，响应所述用户发送下一个访问多媒体内容的请求。
可选的，所述神经网络模型的建立方法包括：
获取所述训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求所述多媒体推荐内容的用户对所述多媒体推荐内容的反馈确定的；
建立各推荐状态和各推荐值的对应关系，根据所述各推荐状态和所述各推荐值的对应关系进行神经网络训练，得到所述神经网络模型。
根据本公开实施例的第二方面，提供一种多媒体内容推荐装置，所述装置包括：
待选集确定模块，被配置为执行响应用户访问多媒体内容的请求，获取针对所述用户请求的多个多媒体推荐内容，生成待选推荐内容集；
推荐值计算模块，被配置为执行步骤A，将所述待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到所述每个多媒体推荐内容对应的推荐值；
所述推荐状态包括：所述用户的信息、所述用户未消费的多媒体推荐内容和所述多媒体推荐内容；所述用户未消费的多媒体推荐内容包括：所述用户的缓存中的历史多媒体内容；所述神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的；
选择模块，被配置为执行步骤B，选择推荐值最大的多媒体推荐内容，将所述推荐值最大的多媒体推荐内容从所述待选推荐内容集中移至所述用户未消费的多媒体推荐内容中；返回所述推荐值计算模块，直至所选择的多媒体推荐内容的个数达到预设数量；
推荐模块，被配置为执行按照选择的顺序，将所述预设数量个多媒体推荐内容推荐给所述用户。
可选的，所述缓存包括：主缓存和副缓存，所述历史多媒体内容位于所述副缓存；
所述推荐模块，具体被配置为执行将所述副缓存切换为主缓存，将所述主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；将所述预设数量个推荐内容存储至切换后的副缓存中。
可选的，本公开实施例的多媒体内容推荐装置，还包括：
下个请求模块，被配置为执行在确定所述用户消费完所述切换后的主缓存中的历史多媒体内容后，响应所述用户发送下一个访问多媒体内容的请求。
可选的，本公开实施例的多媒体内容推荐装置，还包括：
神经网络模型建立模块，被配置为执行获取所述训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求所述多媒体推荐内容的用户对所述多媒体推荐内容的反馈确定的；
建立各推荐状态和各推荐值的对应关系，根据所述各推荐状态和所述各推荐值的对应关系进行神经网络训练，得到所述神经网络模型。
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，以实现上述第一方面任一所述的多媒体内容推荐方法的步骤。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述第一方面任一所述的多媒体内容推荐方法的步骤。
根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品在处理器上被执行时，实现上述第一方面任一所述的多媒体内容推荐方法的步骤。
本公开实施例提供的技术方案至少带来以下有益效果：由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。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为本公开实施例的多媒体内容推荐方法的一种流程图；
图2为本公开实施例的多媒体内容推荐装置的一种结构图；
图3为本公开实施例的电子设备的第一种示意图；
图4为本公开实施例的电子设备的第二种示意图；
图5为本公开实施例的电子设备的第三种示意图。
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。
为了解决在向用户推荐多媒体内容时准确性和效率较低的问题，本公开实施例提供了一种多媒体内容推荐方法、装置、电子设备及可读存储介质，以提高多媒体内容推荐的准确性和效率。
下面首先对本公开实施例所提供的多媒体内容推荐方法进行详细介绍，本公开实施例的多媒体内容推荐方法可以根据强化学习中的马尔可夫决策过程为用户进行推荐。推荐系统通过收集用户对多媒体推荐内容的反馈，学习用户的偏好，调整推荐算法，从而优化用户体验，马尔可夫决策过程包含以下要素：
1)状态：包含用户的推荐状态。
2)动作：推荐系统从待选推荐内容集中挑选一个多媒体推荐内容推荐给用户，称为一个动作。
3)推荐值：一个动作的推荐值。
4)状态转移：在时刻t，推荐系统根据当前状态，作出动作。此时进入时刻t+1，用户消费多媒体推荐内容后给出推荐值，并将状态更新为下一状态，如此循环。
参见图1，图1为本公开实施例的多媒体内容推荐方法的一种流程图，包括以下步骤：
S101，响应用户访问多媒体内容的请求，获取针对用户请求的多个多媒体推荐内容，生成待选推荐内容集。
本公开实施例中，在用户向服务端发送访问多媒体内容的请求之后，服务端可以返回多个多媒体推荐内容，多媒体推荐内容可以是视频、图像或文本等。本公开可以从多个多媒体推荐内容中选择预设数量个多媒体推荐内容供用户消费，因此，可以将多个多媒体推荐内容作为待选推荐内容集，从该待选推荐内容集中选择多媒体推荐内容。
S102，将待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到每个多媒体推荐内容对应的推荐值。
具体的，用户每选择一个多媒体推荐内容即可产生一个推荐状态。推荐状态包括：用户的信息、用户未消费的多媒体推荐内容和该多媒体推荐内容；用户的信息包括：用户性别、地域、手机型号等用户属性和用户历史上对多媒体推荐内容的反馈等。用户未消费的多媒体推荐内容包括：用户的缓存中的历史多媒体内容，历史多媒体内容也是历史为用户推荐的多媒体内容。对于不同的多媒体推荐内容，所对应的推荐状态也是不同的。预先建立的神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的。神经网络模型包括：推荐状态和推荐值的对应关系，那么，将每个多媒体推荐内容对应的推荐状态输入该神经网络模型，即可得到多媒体推荐内容对应的推荐值。神经网络模型的建立方法将在下文进行详细描述，在此不再详述。
S103，选择推荐值最大的多媒体推荐内容，将推荐值最大的多媒体推荐内容从待选推荐内容集中移至用户未消费的多媒体推荐内容中。
具体的，推荐值表示用户在每个多媒体推荐内容上的反馈，或者预先定义在多媒体推荐内容上的指标，作为选择该多媒体推荐内容的反馈值。例如，在一个视频推荐系统中，每个推荐的视频对应的反馈值可以根据用户观看该视频的时长(例如观看该视频时长不小于10s时反馈值为1，观看该视频时长小于10s时反馈值为0)、用户是否点赞(例如，点赞时反馈值为1，未点赞时反馈值为0)等进行定义，推荐值可以是这些反馈值的加权平均值等。多媒体推荐内容的推荐值越大，表示该多媒体推荐内容越值得推荐。因此，可以选择推荐值最大的多媒体推荐内容推荐给用户。本公开实施例中，给用户推荐的多媒体推荐内容的个数可以有多个，因此，在选择推荐值最大的多媒体推荐内容之后，可以将推荐值最大的多媒体推荐内容移至用户未消费的多媒体推荐内容中，进行下一轮的选择。
这样，在进行下一轮选择时，从待选推荐内容集的其他剩余的多媒体推荐内容中选择推荐值最大的多媒体推荐内容。对于第二次选择，用户未消费的推荐内容为用户的缓存中的历史多媒体内容和第一次选择的推荐值最大的多媒体推荐内容。以此类推，可以看出，对于每次选择，推荐状态的转移是上一次选择的多媒体推荐内容加入到用户未消费的多媒体推荐内容中。
S104，判断所选择的多媒体推荐内容的个数是否达到预设数量。
本公开实施例中，预设数量的大小可以为3个或5个等，在此不做限定。那么，在判断选择的多媒体推荐内容的个数没有达到预设数量时，返回S102，进行下一轮的选择。在判断选择的多媒体推荐内容的个数达到预设数量时，执行S105。
S105，按照选择的顺序，将预设数量个多媒体推荐内容推荐给用户。
在依次选择完多媒体推荐内容之后，可以按照上述选择的顺序，将预设数量个多媒体推荐内容推荐给用户。也就是，第一次选择的多媒体推荐内容放置在推荐列表的最前面，第二次选择的多媒体推荐内容放置在推荐列表中第一次选择的多媒体推荐内容的后面，以此类推。
可见，本公开实施例的多媒体内容推荐方法，由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。
本公开的一种实现方式中，缓存包括：主缓存和副缓存，历史多媒体内容位于副缓存；那么，图1实施例S104中，将预设数量个推荐内容推荐给用户，包括：将副缓存切换为主缓存，将主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；将预设数量个推荐内容存储至切换后的副缓存中。
具体的，推荐系统在向用户推荐多媒体推荐内容时，将副缓存切换为主缓存，将主缓存切换为副缓存，用户可以消费切换后的主缓存中的历史多媒体内容。在选择出预设数量个多媒体推荐内容之后，将预设数量个多媒体推荐内容存储至切换后的副缓存中。可选的，在确定用户消费完切换后的主缓存中的历史多媒体内容后，可以响应用户发送下一个访问多媒体内容的请求。将副缓存重新切换为主缓存，将主缓存重新切换为副缓存，将针对下一个访问多媒体内容的请求所选择的预设数量个多媒体推荐内容存储至副缓存中，以此类推。
表1
举例而言，对于表1，用户第一状态为用户未选择状态，用户第二状态指的是，用户从待选推荐内容集中选择了V97。用户第三状态指用户消费完副缓存的缓存内容，即选择了V32之后，发送新的请求，得到待选推荐内容集V87、V31和V29等，同时V32出现在点击历史中。并且，在选择V32时，V32和V45作为主缓存中的缓存内容供用户消费，V97作为副缓存中的缓存内容。
本公开的一种实现方式中，在图1实施例S102中神经网络模型的建立方法包括以下步骤：
首先，获取训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求多媒体推荐内容的用户对多媒体推荐内容的反馈确定的。
本公开实施例中的训练集是，每个用户请求的各多媒体推荐内容对应的推荐状态以及各多媒体推荐内容对应的推荐值，其中，各多媒体推荐内容对应的推荐状态是可以直接获取的，而各多媒体推荐内容对应的推荐值可以根据用户的反馈进行确定。例如，用户在某个时刻选择一个多媒体推荐内容，该多媒体推荐内容的推荐状态包括：用户的信息、用户未消费的多媒体推荐内容和该多媒体推荐内容，用户可以对该多媒体推荐内容进行评价，得到该多媒体推荐内容的推荐值。这样，针对每个用户所选择的每个多媒体推荐内容，可以得到每个多媒体推荐内容的推荐状态和推荐值。
其次，建立各推荐状态和各推荐值的对应关系，根据各推荐状态和各推荐值的对应关系进行神经网络训练，得到神经网络模型。
本公开实施例中，针对每个多媒体推荐内容，可以建立推荐状态和推荐值的对应关系。这样，根据各推荐状态和各推荐值的对应关系进行神经网络训练，可以得到神经网络模型。其中，在进行神经网络训练时，可以通过损失函数对神经网络模型进行优化。
可见，将用户未消费的多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，在建立神经网络模型之后，通过神经网络模型得到每个多媒体推荐内容的推荐值，可以提高推荐的准确性及效率。
相应于上述方法实施例，本公开实施例提供了一种多媒体内容推荐装置，参见图2，图2为本公开实施例的多媒体内容推荐装置的一种结构图，包括：
待选集确定模块201，被配置为执行响应用户访问多媒体内容的请求，获取针对用户请求的多个多媒体推荐内容，生成待选推荐内容集；
推荐值计算模块202，被配置为执行步骤A，将待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到每个多媒体推荐内容对应的推荐值；
推荐状态包括：用户的信息、用户未消费的多媒体推荐内容和多媒体推荐内容；用户未消费的多媒体推荐内容包括：用户的缓存中的历史多媒体内容；神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的；
选择模块203，被配置为执行步骤B，选择推荐值最大的多媒体推荐内容，将推荐值最大的多媒体推荐内容从待选推荐内容集中移至用户未消费的多媒体推荐内容中；返回推荐值计算模块，直至所选择的多媒体推荐内容的个数达到预设数量；
推荐模块204，被配置为执行按照选择的顺序，将预设数量个多媒体推荐内容推荐给用户。
本公开实施例的多媒体内容推荐装置，由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。
可选的，缓存包括：主缓存和副缓存，历史多媒体内容位于副缓存；
推荐模块，具体被配置为执行将副缓存切换为主缓存，将主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；将预设数量个推荐内容存储至切换后的副缓存中。
可选的，本公开实施例的多媒体内容推荐装置，还包括：
下个请求模块，被配置为执行在确定用户消费完切换后的主缓存中的历史多媒体内容后，响应用户发送下一个访问多媒体内容的请求。
可选的，本公开实施例的多媒体内容推荐装置，还包括：
神经网络模型建立模块，被配置为执行获取训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求多媒体推荐内容的用户对多媒体推荐内容的反馈确定的；
建立各推荐状态和各推荐值的对应关系，根据各推荐状态和各推荐值的对应关系进行神经网络训练，得到神经网络模型。
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。
本公开实施例提供了一种电子设备，参见图3，图3为本公开实施例的电子设备的第一种示意图，包括：
处理器301；
用于存储处理器301可执行指令的存储器302；
其中，处理器301被配置为执行指令，以实现上述任一多媒体内容推荐方法的步骤。
本公开实施例的电子设备中，由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。
可选的，本公开实施例的电子设备可以为如图4所示的装置400，例如，装置400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400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在装置400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404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406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400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408包括一个前置摄像头和/或后置摄像头。当设备400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410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400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404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402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414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414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414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414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416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400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416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416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400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非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。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。
可选的，本公开实施例的电子设备可以为如图5所示的装置500。例如，装置500可以被提供为一服务器。参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532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522被配置为执行指令，以执行上述方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本公开实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述任一多媒体内容推荐方法的步骤。
本公开实施例的计算机可读存储介质中存储的指令在移动终端上运行时，由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。
本公开实施例提供了一种计算机程序产品，计算机程序产品在处理器上被执行时，实现上述任一多媒体内容推荐方法的步骤。
本公开实施例的计算机程序产品，当其在处理器上运行时，由于已经推荐但是用户还没有反馈的历史多媒体内容可以影响当前请求中多媒体推荐内容的选择，因此，将用户的缓存中的历史多媒体内容和当前请求中已经选择的多媒体推荐内容加入神经网络模型，可以提高推荐的准确性。并且，本公开可以根据神经网络模型自动选择出多媒体推荐内容以及多媒体推荐内容的顺序，减少了对人工调参和设置规则的依赖，在更短的时间内达到比人工调整更好的效果，同时降低了推荐系统的维护成本。
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)
1.一种多媒体内容推荐方法，其特征在于，所述方法包括：
响应用户访问多媒体内容的请求，获取针对所述用户请求的多个多媒体推荐内容，生成待选推荐内容集；
步骤A，将所述待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到所述每个多媒体推荐内容对应的推荐值；
所述推荐状态包括：所述用户的信息、所述用户未消费的多媒体推荐内容和所述多媒体推荐内容；所述用户未消费的多媒体推荐内容包括：所述用户的缓存中的历史多媒体内容；所述神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的；
步骤B，选择推荐值最大的多媒体推荐内容，将所述推荐值最大的多媒体推荐内容从所述待选推荐内容集中移至所述用户未消费的多媒体推荐内容中；返回步骤A，直至所选择的多媒体推荐内容的个数达到预设数量；
按照选择的顺序，将所述预设数量个多媒体推荐内容推荐给所述用户。
2.根据权利要求1所述的多媒体内容推荐方法，其特征在于，所述缓存包括：主缓存和副缓存，所述历史多媒体内容位于所述副缓存；
所述将所述预设数量个多媒体推荐内容推荐给所述用户，包括：
将所述副缓存切换为主缓存，将所述主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；
将所述预设数量个多媒体推荐内容存储至切换后的副缓存中。
3.根据权利要求2所述的多媒体内容推荐方法，其特征在于，在所述将所述预设数量个多媒体推荐内容推荐给所述用户之后，所述方法还包括：
在确定所述用户消费完所述切换后的主缓存中的历史多媒体内容后，响应所述用户发送下一个访问多媒体内容的请求。
4.根据权利要求1所述的多媒体内容推荐方法，其特征在于，所述神经网络模型的建立方法包括：
获取所述训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求所述多媒体推荐内容的用户对所述多媒体推荐内容的反馈确定的；
建立各推荐状态和各推荐值的对应关系，根据所述各推荐状态和所述各推荐值的对应关系进行神经网络训练，得到所述神经网络模型。
5.一种多媒体内容推荐装置，其特征在于，所述装置包括：
待选集确定模块，被配置为执行响应用户访问多媒体内容的请求，获取针对所述用户请求的多个多媒体推荐内容，生成待选推荐内容集；
推荐值计算模块，被配置为执行步骤A，将所述待选推荐内容集中的每个多媒体推荐内容对应的推荐状态，输入预先建立的神经网络模型，得到所述每个多媒体推荐内容对应的推荐值；
所述推荐状态包括：所述用户的信息、所述用户未消费的多媒体推荐内容和所述多媒体推荐内容；所述用户未消费的多媒体推荐内容包括：所述用户的缓存中的历史多媒体内容；所述神经网络模型是根据训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值进行神经网络训练得到的；
选择模块，被配置为执行步骤B，选择推荐值最大的多媒体推荐内容，将所述推荐值最大的多媒体推荐内容从所述待选推荐内容集中移至所述用户未消费的多媒体推荐内容中；返回所述推荐值计算模块，直至所选择的多媒体推荐内容的个数达到预设数量；
推荐模块，被配置为执行按照选择的顺序，将所述预设数量个多媒体推荐内容推荐给所述用户。
6.根据权利要求5所述的多媒体内容推荐装置，其特征在于，所述缓存包括：主缓存和副缓存，所述历史多媒体内容位于所述副缓存；
所述推荐模块，具体被配置为执行将所述副缓存切换为主缓存，将所述主缓存切换为副缓存，切换后的主缓存中的历史多媒体内容为用户待消费的多媒体内容；将所述预设数量个推荐内容存储至切换后的副缓存中。
7.根据权利要求6所述的多媒体内容推荐装置，其特征在于，所述装置还包括：
下个请求模块，被配置为执行在确定所述用户消费完所述切换后的主缓存中的历史多媒体内容后，响应所述用户发送下一个访问多媒体内容的请求。
8.根据权利要求5所述的多媒体内容推荐装置，其特征在于，所述装置还包括：
神经网络模型建立模块，被配置为执行获取所述训练集中各用户请求的多媒体推荐内容对应的推荐状态以及推荐值，每个多媒体推荐内容对应的推荐值是根据请求所述多媒体推荐内容的用户对所述多媒体推荐内容的反馈确定的；
建立各推荐状态和各推荐值的对应关系，根据所述各推荐状态和所述各推荐值的对应关系进行神经网络训练，得到所述神经网络模型。
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，以实现如执行权利要求1～4任一所述的多媒体内容推荐方法的步骤。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行权利要求1～4任一所述的多媒体内容推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362344.XA CN111858970B (zh) | 2019-04-30 | 2019-04-30 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362344.XA CN111858970B (zh) | 2019-04-30 | 2019-04-30 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111858970A CN111858970A (zh) | 2020-10-30 |
| CN111858970B true CN111858970B (zh) | 2024-01-02 |
Family
ID=72965774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910362344.XA Active CN111858970B (zh) | 2019-04-30 | 2019-04-30 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111858970B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113365148B (zh) * | 2021-06-11 | 2022-11-11 | 北京百度网讯科技有限公司 | 分数调整方法、装置、电子设备、存储介质和程序产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201338541A (zh) * | 2012-03-02 | 2013-09-16 | Ind Tech Res Inst | 多媒體內容推薦系統以及方法 |
| CN105608117A (zh) * | 2015-12-14 | 2016-05-25 | 微梦创科网络科技（中国）有限公司 | 一种信息推荐方法及装置 |
| CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109104620A (zh) * | 2018-07-26 | 2018-12-28 | 腾讯科技（深圳）有限公司 | 一种短视频推荐方法、装置和可读介质 |
| CN109165302A (zh) * | 2018-07-27 | 2019-01-08 | 腾讯科技（深圳）有限公司 | 多媒体文件推荐方法及装置 |
| CN109417645A (zh) * | 2016-06-29 | 2019-03-01 | 乐威指南公司 | 用于警告用户关于未消费内容的可用性的方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2242259A1 (en) * | 2009-04-16 | 2010-10-20 | Panasonic Corporation | Content recommendation |
-
2019
- 2019-04-30 CN CN201910362344.XA patent/CN111858970B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201338541A (zh) * | 2012-03-02 | 2013-09-16 | Ind Tech Res Inst | 多媒體內容推薦系統以及方法 |
| CN105608117A (zh) * | 2015-12-14 | 2016-05-25 | 微梦创科网络科技（中国）有限公司 | 一种信息推荐方法及装置 |
| CN106028071A (zh) * | 2016-05-17 | 2016-10-12 | Tcl集团股份有限公司 | 一种视频推荐方法及系统 |
| CN109417645A (zh) * | 2016-06-29 | 2019-03-01 | 乐威指南公司 | 用于警告用户关于未消费内容的可用性的方法和系统 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109104620A (zh) * | 2018-07-26 | 2018-12-28 | 腾讯科技（深圳）有限公司 | 一种短视频推荐方法、装置和可读介质 |
| CN109165302A (zh) * | 2018-07-27 | 2019-01-08 | 腾讯科技（深圳）有限公司 | 多媒体文件推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111858970A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105517112B (zh) | 显示WiFi网络信息的方法和装置 | |
| US11523170B2 (en) | Method for displaying videos, and storage medium and electronic device thereof | |
| CN110827253A (zh) | 一种目标检测模型的训练方法、装置及电子设备 | |
| CN107229411B (zh) | 控制分屏状态的方法及装置 | |
| CN110691268B (zh) | 一种消息发送方法、装置、服务器、移动终端及存储介质 | |
| CN111859129B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN110730954A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
| CN112051949A (zh) | 内容分享方法、装置及电子设备 | |
| CN112131466A (zh) | 群组展示方法、装置、系统和存储介质 | |
| CN111858970B (zh) | 多媒体内容推荐方法、装置、电子设备及可读存储介质 | |
| CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN109739415B (zh) | 会话切换方法及装置 | |
| US20220329580A1 (en) | Methods for establishing social relationship and terminal | |
| CN114442792A (zh) | 处理器的运行频率调整方法、装置及存储介质 | |
| CN111898019B (zh) | 信息推送方法及装置 | |
| CN111291268B (zh) | 信息处理方法、信息处理装置及存储介质 | |
| CN110798721B (zh) | 一种剧集管理方法、装置及电子设备 | |
| CN109714247B (zh) | 群聊信息处理方法、装置、电子设备及存储介质 | |
| CN113259995A (zh) | 信息处理方法、装置及存储介质 | |
| CN107870931B (zh) | 一种优化用户词库的方法、装置及电子设备 | |
| CN113360051A (zh) | 搜索提示方法、装置、移动终端及存储介质 | |
| CN111753182B (zh) | 多媒体信息推荐方法、装置、电子设备及可读存储介质 | |
| CN114785852B (zh) | 一种推送内容确定方法、装置、电子设备及存储介质 | |
| CN115484471B (zh) | 主播推荐方法及装置 | |
| CN114357294B (zh) | 内容推荐方法、装置、电子设备及存储介质 |
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 |