CN111949808A - 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 - Google Patents
一种多媒体内容相似度确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111949808A CN111949808A CN201910357595.9A CN201910357595A CN111949808A CN 111949808 A CN111949808 A CN 111949808A CN 201910357595 A CN201910357595 A CN 201910357595A CN 111949808 A CN111949808 A CN 111949808A
- Authority
- CN
- China
- Prior art keywords
- content
- target
- behavior
- similarity
- contents
- 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 37
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 43
- 238000010586 diagram Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material 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
- 230000003068 static effect Effects 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- 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
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种多媒体内容相似度确定方法、装置、电子设备及存储介质,具体为首先获取多个目标多媒体内容;然后针对用户历史上行为过的多个目标内容构建拓扑图,拓扑图中的边用于连接用户对其有过共同行为的目标内容;将拓扑图中的目标内容的参数输入到词向量模型进行计算,得到每个目标内容的向量值;根据向量值计算目标内容之间的相似度。本申请的技术方案在确定多媒体内容之间的相似度时,所依据的向量值是利用词向量模型根据多媒体内容的内容特征和用户的行为特征进计算得到的,该计算依据的数据更为全面,因此最终得到的相似度相比现有技术要更为准确,也就能够在此基础上找出真正相似的多媒体内容。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种多媒体内容相似度确定方法、装置、电子设备及存储介质。
背景技术
对于提供视频或其他内容的内容平台来说,当用户登入时向其及时推送其感兴趣的内容可以有效提高用户的使用体验,而较高的使用体验可以增加用户的黏性。
一般来说,向用户推荐的感兴趣内容至少为一个,但越多的推荐内容会起到更好的效果。在推送多个感兴趣内容时,在已经确定用户的兴趣点的前提下,需要确定现有多媒体之间的相似度,以便将相似度靠近且与用户的兴趣点相匹配的多媒体内容推荐给用户,而目前的相似度确定方案因为所依据的信息较少,导致相似度的准确性较差,进而使得无法找出真正相似的多媒体内容。。
发明内容
为了确定多媒体内容之间的相似度,本公开提供一种多媒体内容相似度确定方法、装置、电子设备及存储介质。
第一方面,提供一种多媒体内容相似度确定方法,包括:
获取多个目标多媒体内容;
基于所述目标多媒体内容的内容特征和用户历史上对所述目标多媒体内容的行为特征构建网络拓扑图,所述网络拓扑图包括多个点和用于连接所述多个点的多个边,所述点包含所述内容特征,所述边包含所述行为特征;
将所述网络拓扑图中的所述目标多媒体内容的内容特征和与所述目标多媒体内容对应的所述行为特征输入到预先训练的词向量模型进行计算,得到每个所述目标多媒体的向量值;
根据所述向量值计算所述目标多媒体内容之间的相似度。
可选的,所述边的参数包括对所述目标内容有共同行为的所有用户的用户ID、所述共同行为的行为类型和所述共同行为的行为次数中的部分或全部。
可选的,所述词向量模型为卷积神经网络模型。
可选的,还包括:
利用历史用户的行为数据构建训练图,所述训练图中包括历史时间点之后的时段内的用户的行为数据;
并利用所述训练图的数据进行求解,得到模型参数;
利用所述模型参数构建所述词向量模型。
第二方面,提供一种多媒体内容相似度确定装置,包括:
数据获取模块,被配置为获取多个目标多媒体内容;
拓扑图构建模块,被配置为基于所述目标多媒体内容的内容特征和用户历史上对所述目标多媒体内容的行为特征构建网络拓扑图,所述网络拓扑图包括多个点和用于连接所述多个点的多个边,所述点包含所述内容特征,所述边包含所述行为特征;
词向量技术模块,被配置为将所述网络拓扑图中的所述目标多媒体内容的内容特征和与所述目标多媒体内容对应的所述行为特征输入到预先训练的词向量模型进行计算,得到每个所述目标多媒体的向量值;
相似度计算模块,被配置为根据所述向量值计算所述目标多媒体内容之间的相似度。
可选的,所述边的参数包括对所述目标内容有共同行为的所有用户的用户ID、所述共同行为的行为类型和所述共同行为的行为次数中的部分或全部。
可选的,所述词向量模型为卷积神经网络模型。
可选的,还包括:
训练图构建模块,被配置为利用历史用户的行为数据构建训练图,所述训练图中包括历史时间点之后的时段内的用户的行为数据;
参数求解模块,被配置为并利用所述训练图的数据进行求解,得到模型参数;
模型构建模块,被配置为利用所述模型参数构建所述词向量模型。
第三方面,提供一种电子设备,包括:
处理器;
用于存储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如第一方面所述的多媒体内容相似度确定方法。
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移动终端的处理器执行时,使得移动终端能够执行如第一方面所述的多媒体内容相似度确定方法。
第五方面,提供一种计算机程序产品,包括第一方面所述的多媒体内容相似度确定方法。
本公开的实施例提供的技术方案可以包括以下有益效果:本申请的技术方案在确定多媒体内容之间的相似度时,所依据的向量值是利用词向量模型根据多媒体内容的内容特征和用户的行为特征进计算得到的,该计算依据的数据更为全面,因此最终得到的相似度相比现有技术要更为准确,也就能够在此基础上找出真正相似的多媒体内容。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种多媒体内容相似度确定方法的流程图;
图2是根据一示例性实施例示出的另一种多媒体内容相似度确定方法的流程图;
图3是根据一示例性实施例示出的一种多媒体内容相似度确定装置的框图;
图4是跟据一示例性实施例示出的另一种多媒体内容相似度确定装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图;
图6是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明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、本发明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多媒体内容相似度确定方法的流程图。
如图1所示,本实施例提供的多媒体内容相似度确定方法应用于内容平台的服务器中,用于向客户端推送内容,这些内容为基于相应客户的兴趣点的多个相似内容,如视频,该方法包括以下步骤。
S1、获取多个目标多媒体内容。
为了实现对多媒体内容之间相似度的计算,这里首先获取待处理的多个多媒体内容。获取方法可以是通过数据总线发出请求并通过该总线接收相应的多媒体内容,这里的多媒体内容包括视频内容、音频内容或者音视频内容,其中还可以包括相应的图片等内容。
S2、针对用户历史上行为过的多个目标内容构建拓扑图。
鉴于世界上的许多事物都可以描述为图,即包括节点和连接的拓扑图,因此本申请针对需要计算的目标内容构建相应的拓扑图,以便于根据该拓扑图进行计算。
这里针对多个目标内容所构建的拓扑图中包括若干节点,节点之间通过边相连接。这里的节点即是相应的目标内容,所谓目标内用可以看做相应内容平台中待推荐的视频内容。每个节点的参数包括相应属性,比如:目标内容的作者信息,作品类型,以便能够充分利用这些额外信息帮助更好找到相似内容;
用于连接目标内容的边用于连接用户对其有过共同行为的目标内容,例如当一个用户对两个目标内容都有过点击、点赞行为时,即可根据该共同行为连接这两个目标内容,从而产生用于连接这两个目标内容的边。
另外,该边的参数不仅包括对共同行为的描述信息,还包括对目标内容有过共同行为的所有用户的用户ID,共同行为的行为类型和共同行为的行为次数。行为类型是指行为的性质,如点播或者点赞等,共同行为的次数则可以理解为点播或点赞的次数。
这里的目标内容可以看做是内容平台向客户端推送的多媒体内容,如电影、电视剧或者短视频等内容。
S3、利用词向量模型对拓扑图中的参数进行计算。
通过对拓扑图的参数进行计算,可以得到所有目标内容的向量值。这里所输入到词向量模型进行计算的参数不仅包括目标内容的参数,还包括与该目标内容连接的边的参数。
这里的点乘方法也区别于现有技术中的softmax方法,能够节省计算量,并且更符合目标内容相似计算的应用场景和数据。
word2vec模型可以在百万数量级的词典和上亿的数据集上进行高效地训练,并得到的训练结果——词向量,词向量可以很好地度量词与词之间的相似性。word2vec模型所用到的算法的背后是一个浅层神经网络。一般而言, word2vec算法或模型指的是其背后用于计算word vector的CBoW模型和 Skip-gram模型。
S4、根据向量值计算目标内容之间的相似度。
在得到所有目标内容的向量值后,即可向量值计算目标内容之间的相似度,例如可以计算任意两个目标内容的向量值之间的差值,可以将该差值确定为两者的相似度。还可以根据相应的相似度与某个预设阈值之间的比例或绝对值判定两者是否相似,以便在向用户推荐内容时将相似的内容一并推送。
从上述技术方案可以看出,本实施例提供了一种多媒体内容相似度确定方法,具体为首先获取多个目标多媒体内容;然后针对用户历史上行为过的多个目标内容构建拓扑图,拓扑图中的边用于连接用户对其有过共同行为的目标内容;将拓扑图中的目标内容的参数输入到词向量模型进行计算,得到每个目标内容的向量值;根据向量值计算目标内容之间的相似度。本申请的技术方案在确定多媒体内容之间的相似度时,所依据的向量值是利用词向量模型根据多媒体内容的内容特征和用户的行为特征进计算得到的,该计算依据的数据更为全面,因此最终得到的相似度相比现有技术要更为准确,也就能够在此基础上找出真正相似的多媒体内容。。
图2是根据一示例性实施例示出的另一种多媒体内容相似度确定方法的流程图。本申请中所利用的词向量模型为卷积神经网络模型,例如可选用 word2vec模型或者利用基于该word2vec模型的变种模型。本实施例中的具体通过如下方法建模:
其中Q在现有技术中为权重系数,这里我们沿用权重系数这一说法,但已经不具有权重的意义,这里的权重系数包括目标内容之间的边的属性,如用户ID及点击次数、行为类型等,Q=U(user向量)*w,Qh的矩阵乘法变成对应元素相乘。这样一来,能够把共同点击的其他用户也建入该模型,使得模型刻画更精确。
如图2所示,本实施例提供的多媒体内容相似度确定方法在上一实施例的基础上,还包括以下步骤,以下步骤用于计算上面所提到的词向量模型。
S01、利用历史用户的行为数据构建训练图。
这里的训练图是指用于模型训练所需的拓扑图,该训练图中历史时间点后的某个时段内的用户的行为数据,例如以历史时间点计算的将来一天或多天中,用户共同点击的内容对,所谓内容对是指被两个用户共同操作的内容,如两个用户共同点播或点赞,
S02、利用训练图的数据进行求解。
通过对训练图的数据的求解,得到相应的模型参会。这里对训练图的数据的求解是指将训练图的数据、如练图中历史时间点后的某个时段内的用户的行为数据作为训练样本输入到神经网络中进行训练,从而得到该神经网络的参数。
S03、根据模型参数构建词向量模型。
在得到上述的模型参数后,即可根据该模型参数构建该词向量模型。具体为根据该模型参数对神经网络进行赋值,从而得到训练后得到的词向量模型,如word2vec模型或者其变种模型。
相比上一实施例来说,本实施例通过构建训练数据所得到的词向量模型能够把时间因素也考虑入模型,比如:过去被频繁共同点击,未来也被共同频繁点击的才会是真的比较相似。
图3是根据一示例性实施例示出的一种多媒体内容相似度确定装置的框图。
如图3所示,本实施例提供的多媒体内容相似度确定装置应用于内容平台的服务器中,用于向客户端推送内容,这些内容为基于相应客户的兴趣点的多个相似内容,如视频,该装置具体包括数据获取模块10、拓扑图构建模块20、词向量计算模块30和相似度计算模块40。
数据获取模块用于获取多个目标多媒体内容。
为了实现对多媒体内容之间相似度的计算,这里首先获取待处理的多个多媒体内容。获取方法可以是通过数据总线发出请求并通过该总线接收相应的多媒体内容,这里的多媒体内容包括视频内容、音频内容或者音视频内容,其中还可以包括相应的图片等内容。
拓扑图构建模块被配置为针对用户历史上行为过的多个目标内容构建拓扑图。
鉴于世界上的许多事物都可以描述为图,即包括节点和连接的拓扑图,因此本申请针对需要计算的目标内容构建相应的拓扑图,以便于根据该拓扑图进行计算。
这里针对多个目标内容所构建的拓扑图中包括若干节点,节点之间通过边相连接。这里的节点即是相应的目标内容,所谓目标内用可以看做相应内容平台中待推荐的视频内容。每个节点的参数包括相应属性,比如:目标内容的作者信息,作品类型,以便能够充分利用这些额外信息帮助更好找到相似内容;
用于连接目标内容的边用于连接用户对其有过共同行为的目标内容,例如当一个用户对两个目标内容都有过点击、点赞行为时,即可根据该共同行为连接这两个目标内容,从而产生用于连接这两个目标内容的边。
另外,该边的参数不仅包括对共同行为的描述信息,还包括对目标内容有过共同行为的所有用户的用户ID,共同行为的行为类型和共同行为的行为次数。行为类型是指行为的性质,如点播或者点赞等,共同行为的次数则可以理解为点播或点赞的次数。
词向量计算模被配置为利用词向量模型对拓扑图中的参数进行计算。
通过对拓扑图的参数进行计算,可以得到所有目标内容的向量值。这里所输入到词向量模型进行计算的参数不仅包括目标内容的参数,还包括与该目标内容连接的边的参数。
相似度计算模块被配置为根据向量值计算目标内容之间的相似度。
在得到所有目标内容的向量值后,即可向量值计算目标内容之间的相似度,例如可以计算任意两个目标内容的向量值之间的差值,可以将该差值确定为两者的相似度。还可以根据相应的相似度与某个预设阈值之间的比例或绝对值判定两者是否相似,以便在向用户推荐内容时将相似的内容一并推送。
从上述技术方案可以看出,本实施例提供了一种多媒体内容相似度确定装置,具体为首先获取多个目标多媒体内容,然后针对用户历史上行为过的多个目标内容构建拓扑图,拓扑图中的边用于连接用户对其有过共同行为的目标内容;将拓扑图中的目标内容的参数输入到词向量模型进行计算,得到每个目标内容的向量值;根据向量值计算目标内容之间的相似度。本申请的技术方案在确定多媒体内容之间的相似度时,所依据的向量值是利用词向量模型根据多媒体内容的内容特征和用户的行为特征进计算得到的,该计算依据的数据更为全面,因此最终得到的相似度相比现有技术要更为准确,也就能够在此基础上找出真正相似的多媒体内容。
另外,如图4所示,本实施例还包括训练图构建模块50、参数求解模块 60和模型构建模块70。
训练图构建模块被配置为利用历史用户的行为数据构建训练图。
这里的训练图是指用于模型训练所需的拓扑图,该训练图中历史时间点后的某个时段内的用户的行为数据,例如以历史时间点计算的将来一天或多天中,用户共同点击的内容对,所谓内容对是指被两个用户共同操作的内容,如两个用户共同点播或点赞,
参数求解模块被配置为利用训练图的数据进行求解。
通过对训练图的数据的求解,得到相应的模型参会。这里对训练图的数据的求解是指将训练图的数据、如练图中历史时间点后的某个时段内的用户的行为数据作为训练样本输入到神经网络中进行训练,从而得到该神经网络的参数。
模型构建模块被配置为根据模型参数构建词向量模型。
在得到上述的模型参数后,即可根据该模型参数构建该词向量模型。具体为根据该模型参数对神经网络进行赋值,从而得到训练后得到的词向量模型,如word2vec模型或者其变种模型。
相比于上一实施例来说,本实施例通过构建训练数据所得到的词向量模型能够把时间因素也考虑入模型,比如:过去被频繁共同点击,未来也被共同频繁点击的才会是真的比较相似。
本实施例提供了一种计算机程序产品,该计算机程序产品包括如图1或图2所示的多媒体内容相似度确定方法。
图5是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备500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,个人数字助理等移动设备。
参照图5,电子设备500可以包括以下一个或多个组件:处理组件502,存储器504,电力组件506,多媒体组件509,音频组件510,输入/输出(I/ O)的接口512,传感器组件514,以及通信组件516。
处理组件502通常控制电子设备500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502可以包括一个或多个处理器520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502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理组件502可以包括多媒体模块,以方便多媒体组件509和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在电子设备500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504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506为电子设备500的各种组件提供电力。电源组件506可以包括电源管理系统,一个或多个电源,及其他与为电子设备500生成、管理和分配电力相关联的组件。
多媒体组件509包括在所述电子设备500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509包括一个前置摄像头和/或后置摄像头。当设备500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510被配置为输出和/或输入音频信号。例如,音频组件510 包括一个麦克风(MIC),当电子设备500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504或经由通信组件516发送。在一些实施例中,音频组件510还包括一个扬声器,用于输出音频信号。
I/O接口512为处理组件502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514包括一个或多个传感器,用于为电子设备500提供各个方面的状态评估。例如,传感器组件514可以检测到设备500的打开/关闭状态,组件的相对定位,例如所述组件为电子设备500的显示器和小键盘,传感器组件514还可以检测电子设备500或电子设备500一个组件的位置改变,用户与电子设备500接触的存在或不存在,电子设备500方位或加速/减速和电子设备500的温度变化。传感器组件514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514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514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516被配置为便于电子设备500和其他设备之间有线或无线方式的通信。电子设备500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516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516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,电子设备500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,用于执行如图1或图2所示的多媒体内容相似度确定方法。
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504,上述指令可由电子设备500的处理器520 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。
图6是根据一示例性实施例示出的另一种电子设备的框图。例如,电子设备600可以被提供为一服务器。
参照图6,电子设备600包括处理组件622,其进一步包括一个或多个处理器,以及由存储器632所代表的存储器资源,用于存储可由处理组件622 的执行的指令,例如应用程序。存储器632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622被配置为执行指令,以执行如图1或图2所示的多媒体内容相似度确定方法。
电子设备600还可以包括一个电源组件626被配置为执行电子设备600 的电源管理,一个有线或无线网络接口650被配置为将电子设备600连接到网络,和一个输入输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统,例如WindowsServerTM,Mac OS 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,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明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。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种多媒体内容相似度确定方法,其特征在于,包括:
获取多个目标多媒体内容;
基于所述目标多媒体内容的内容特征和用户历史上对所述目标多媒体内容的行为特征构建网络拓扑图,所述网络拓扑图包括多个点和用于连接所述多个点的多个边,所述点包含所述内容特征,所述边包含所述行为特征;
将所述网络拓扑图中的所述目标多媒体内容的内容特征和与所述目标多媒体内容对应的所述行为特征输入到预先训练的词向量模型进行计算,得到每个所述目标多媒体的向量值;
根据所述向量值计算所述目标多媒体内容之间的相似度。
2.如权利要求1所述的多媒体内容相似度确定方法,其特征在于,所述边的参数包括对所述目标内容有共同行为的所有用户的用户ID、所述共同行为的行为类型和所述共同行为的行为次数中的部分或全部。
3.如权利要求1所述的多媒体内容相似度确定方法,其特征在于,所述词向量模型为卷积神经网络模型。
4.如权利要求1~3任一项所述的多媒体内容相似度确定方法,其特征在于,还包括:
利用历史用户的行为数据构建训练图,所述训练图中包括历史时间点之后的时段内的用户的行为数据;
并利用所述训练图的数据进行求解,得到模型参数;
利用所述模型参数构建所述词向量模型。
5.一种多媒体内容相似度确定装置,其特征在于,包括:
数据获取模块,被配置为获取多个目标多媒体内容;
拓扑图构建模块,被配置为基于所述目标多媒体内容的内容特征和用户历史上对所述目标多媒体内容的行为特征构建网络拓扑图,所述网络拓扑图包括多个点和用于连接所述多个点的多个边,所述点包含所述内容特征,所述边包含所述行为特征;
词向量技术模块,被配置为将所述网络拓扑图中的所述目标多媒体内容的内容特征和与所述目标多媒体内容对应的所述行为特征输入到预先训练的词向量模型进行计算,得到每个所述目标多媒体的向量值;
相似度计算模块,被配置为根据所述向量值计算所述目标多媒体内容之间的相似度。
6.如权利要求5所述的多媒体内容相似度确定装置,其特征在于,所述边的参数包括对所述目标内容有共同行为的所有用户的用户ID、所述共同行为的行为类型和所述共同行为的行为次数中的部分或全部。
7.如权利要求5所述的多媒体内容相似度确定装置,其特征在于,所述词向量模型为卷积神经网络模型。
8.如权利要求5~7任一项所述的多媒体内容相似度确定装置,其特征在于,还包括:
训练图构建模块,被配置为利用历史用户的行为数据构建训练图,所述训练图中包括历史时间点之后的时段内的用户的行为数据;
参数求解模块,被配置为并利用所述训练图的数据进行求解,得到模型参数;
模型构建模块,被配置为利用所述模型参数构建所述词向量模型。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储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如权利要求1~4任一项所述的多媒体内容相似度确定方法。
10.一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移动终端的处理器执行时,使得移动终端能够执行如权利要求1~4任一项所述的多媒体内容相似度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357595.9A CN111949808B (zh) | 2019-04-29 | 2019-04-29 | 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357595.9A CN111949808B (zh) | 2019-04-29 | 2019-04-29 | 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949808A true CN111949808A (zh) | 2020-11-17 |
CN111949808B CN111949808B (zh) | 2024-01-02 |
Family
ID=73335442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910357595.9A Active CN111949808B (zh) | 2019-04-29 | 2019-04-29 | 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949808B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338587A (zh) * | 2021-12-24 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 一种多媒体数据处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109446171A (zh) * | 2017-08-30 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和装置 |
CN109684454A (zh) * | 2018-12-26 | 2019-04-26 | 北京壹捌零数字技术有限公司 | 一种社交网络用户影响力计算方法及装置 |
-
2019
- 2019-04-29 CN CN201910357595.9A patent/CN111949808B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446171A (zh) * | 2017-08-30 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和装置 |
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109684454A (zh) * | 2018-12-26 | 2019-04-26 | 北京壹捌零数字技术有限公司 | 一种社交网络用户影响力计算方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338587A (zh) * | 2021-12-24 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 一种多媒体数据处理方法、装置、电子设备及存储介质 |
CN114338587B (zh) * | 2021-12-24 | 2024-03-12 | 北京达佳互联信息技术有限公司 | 一种多媒体数据处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111949808B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543066B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
RU2640632C2 (ru) | Способ и устройство для доставки информации | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109670632B (zh) | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111898018B (zh) | 一种虚拟资源的发送方法、装置、电子设备及存储介质 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN110941727B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN115203543A (zh) | 内容推荐方法、内容推荐模型的训练方法及装置 | |
CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
CN111949808B (zh) | 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 | |
CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117453933A (zh) | 一种多媒体数据推荐方法、装置、电子设备及存储介质 | |
CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
CN112308588A (zh) | 广告的投放方法、装置及存储介质 | |
CN115994266A (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
CN106126104B (zh) | 键盘模拟方法和装置 | |
CN109962841B (zh) | 信息交互方法、装置、服务端、电子设备及存储介质 | |
CN113870195A (zh) | 目标贴图检测模型的训练、贴图检测方法及装置 | |
CN112884813A (zh) | 图像处理方法、装置及存储介质 | |
CN107992893B (zh) | 压缩图像特征空间的方法及装置 |
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 |