CN113254679B - 多媒体资源推荐方法、装置、电子设备以及存储介质 - Google Patents
多媒体资源推荐方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113254679B CN113254679B CN202110720271.4A CN202110720271A CN113254679B CN 113254679 B CN113254679 B CN 113254679B CN 202110720271 A CN202110720271 A CN 202110720271A CN 113254679 B CN113254679 B CN 113254679B
- Authority
- CN
- China
- Prior art keywords
- interaction
- predicted
- multimedia resource
- user
- recommendation information
- 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
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
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
Abstract
本公开关于一种多媒体资源推荐方法、装置、电子设备以及存储介质,属于互联网技术领域,该方法包括:在向目标用户推荐多媒体资源时,先根据任意多媒体资源的历史预测互动特征以及对应的历史互动行为,对待推荐的多媒体资源的预测互动特征进行变换,以得到互动行为参数,进一步地,结合目标用户的互动偏好,来判断是否需要向目标用户推荐该多媒体资源。采用这种方法得到的多媒体资源的互动行为参数的准确率较高,并且能够有针对性地向目标用户推荐想要的多媒体资源,进而有效改善了多媒体资源的推荐效果。
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资源推荐方法、装置、电子设备以及存储介质。
背景技术
随着互联网的快速发展和广泛普及,在一些业务场景中,业务目标与数值类特征之间存在关联关系,通过该关联关系,能够得到业务目标的预测结果,从而根据该预测结果为用户推荐多媒体资源。例如,在视频推荐场景下,视频的预测观看时长为业务目标,视频的预估点击率和预估收藏率为数值类特征,通过建立业务目标与数值类特征之间的关联关系,能够得到任意视频的预测观看时长,从而将预测观看时长较长的视频推荐给用户。
相关技术中,通过建立线性回归模型来对业务目标进行预测,具体地,以一种线性加权的方式,对业务目标的各个数值类特征进行组合,得到业务目标与各个数值类特征之间的线性回归方程,从而根据该线性回归方程得到业务目标的预测结果。
然而,业务目标与数值类特征之间往往存在复杂的非线性关系,在这种情况下,采用上述方法得到的业务目标的预测结果准确率较低,基于该预测结果推荐给用户的多媒体资源并不一定是用户想要的,导致多媒体资源的推荐效果不佳。
发明内容
本公开提供一种多媒体资源推荐方法、装置、电子设备以及存储介质,能够改善多媒体资源的推荐效果。本公开的技术方案如下。
根据本公开实施例的第一方面,提供一种多媒体资源推荐方法,该方法包括:
基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,该预测互动特征用于指示基于预测得到的该多媒体资源的互动情况,其中,该变换参数基于历史预测互动特征以及对应的历史互动行为确定;
基于该至少一个互动行为参数和目标用户的用户互动特征,获取该多媒体资源的预测推荐信息,该用户互动特征用于指示该目标用户的互动偏好,该预测推荐信息用于指示向该目标用户推荐该多媒体资源的概率;
响应于该预测推荐信息符合目标推荐条件,向该目标用户推荐该多媒体资源。
在本公开实施例提供的方案中,在向目标用户推荐多媒体资源时,先根据任意多媒体资源的历史预测互动特征以及对应的历史互动行为,对待推荐的多媒体资源的预测互动特征进行变换,以得到互动行为参数,进一步地,结合目标用户的互动偏好,来判断是否需要向目标用户推荐该多媒体资源。采用这种方法得到的多媒体资源的互动行为参数的准确率较高,并且能够有针对性地向目标用户推荐想要的多媒体资源,进而有效改善了多媒体资源的推荐效果。
在一些实施例中,该对多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,包括:
对于该至少一个预测互动特征中的任一预测互动特征,基于多个线性单调函数,对该预测互动特征进行多次线性变换,得到该预测互动特征对应的多个第一互动特征;
基于多个非线性单调函数,对该多个第一互动特征分别进行非线性变换,得到该预测互动特征对应的多个第二互动特征;
对该多个第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数;
其中,该多个线性单调函数和该多个非线性单调函数的单调性一致。
通过多个单调性一致的单调函数来对预测互动特征进行变换,能够确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致。其中,服务器对预测互动特征进行了多次线性变换,以适应后续非线性变换,避免最终得到互动行为参数的特征分布情况与实际情况相差较大,从而提高互动行为参数的准确率。进一步地,基于多个非线性单调函数,得到了多个第二互动特征,也即对多个预测互动特征各种可能的分布进行了拟合,从而提高了后续互动行为参数的准确性。
在一些实施例中,该对该多个第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数,包括:
获取多个非线性变换权重,该非线性变换权重基于该非线性变换对该互动行为参数的重要性确定;
基于该多个非线性变换权重,对该第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数。
通过这一可选实施方式,利用非线性变换权重来对第二互动特征进行加权求和,尤其,该非线性变换权重是根据非线性变换对互动行为参数的重要性来确定的,充分考虑了不同的非线性变换对互动行为参数的影响,能够有针对性地对第二互动特征进行整合,从而提高了互动行为参数的准确性。
在一些实施例中,该基于该至少一个互动行为参数和目标用户的用户互动特征,获取该多媒体资源的预测推荐信息,包括:
基于该至少一个互动行为参数和该用户互动特征,获取该多媒体资源的第一推荐信息,该第一推荐信息用于指示该目标用户对该多媒体资源的感兴趣程度;
基于该至少一个互动行为参数,获取该多媒体资源的第二推荐信息,该第二推荐信息用于指示任意用户对该多媒体资源的感兴趣程度;
基于该第一推荐信息和该第二推荐信息,得到该预测推荐信息。
通过上述可选地实施方式,对于多个待推荐的多媒体资源中的任意一个多媒体资源,该多媒体资源的预测推荐信息是通过两种推荐信息得到的,其中,一种用于指示目标用户对该多媒体资源的感兴趣程度,即利用了目标用户的互动偏好,来为其推荐感兴趣的多媒体资源;另一种用于指示任意用户对该多媒体资源的感兴趣程度,即利用了全局信息,从大量多媒体资源中探索目标用户可能感兴趣的多媒体资源,权衡了用户的个性化偏好与任意待推荐的多媒体资源在大量多媒体资源中的受欢迎程度,极大地改善了多媒体资源的推荐效果。
在一些实施例中,该基于该至少一个互动行为参数和该用户互动特征,获取该多媒体资源的第一推荐信息,包括:
基于该用户互动特征,获取至少一个第一权重,该第一权重用于指示该目标用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第一权重,对该至少一个互动行为参数进行加权求和,得到该第一推荐信息。
通过用户互动特征来获取至少一个第一权重,利用了目标用户的互动偏好,来为其推荐感兴趣的多媒体资源,能够充分考虑用户的个性化需求,从而提高多媒体资源推荐的准确性。
在一些实施例中,该基于该用户互动特征,获取至少一个第一权重,包括:
基于该至少一个互动行为参数对应的互动方式,从该用户互动特征中确定对应的至少一个数值,将该至少一个数值作为该至少一个第一权重。
通过将用户互动特征中的至少一个数值作为至少一个第一权重,利用了用户互动特征是一种向量形式的特征这一特性,使得整个多媒体资源的推荐过程具有良好的可解释性,进而提高了预测推荐信息的准确率,也即改善了多媒体资源的推荐效果。
在一些实施例中,该基于该至少一个互动行为参数,获取该多媒体资源的第二推荐信息,包括:
获取至少一个第二权重,该第二权重用于指示任意用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第二权重,对该至少一个互动行为参数进行加权求和,得到该第二推荐信息。
通过至少一个第二权重来获取多媒体资源的第二推荐信息,利用了全局信息,从大量多媒体资源中探索目标用户可能感兴趣的多媒体资源,权衡了任意待推荐的多媒体资源在大量多媒体资源中的受欢迎程度,极大地改善了多媒体资源的推荐效果。
根据本公开实施例的第二方面,提供一种多媒体资源推荐装置,该装置包括:
变换模块,被配置为执行基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,该预测互动特征用于指示基于预测得到的该多媒体资源的互动情况,其中,该变换参数基于历史预测互动特征以及对应的历史互动行为确定;
获取模块,被配置为执行基于该至少一个互动行为参数和目标用户的用户互动特征,获取该多媒体资源的预测推荐信息,该用户互动特征用于指示该目标用户的互动偏好,该预测推荐信息用于指示向该目标用户推荐该多媒体资源的概率;
推荐模块,被配置为执行响应于该预测推荐信息符合目标推荐条件,向该目标用户推荐该多媒体资源。
在一些实施例中,该变换模块包括:
线性变换单元,被配置为执行对于该至少一个预测互动特征中的任一预测互动特征,基于多个线性单调函数,对该预测互动特征进行多次线性变换,得到该预测互动特征对应的多个第一互动特征;
非线性变换单元,被配置为执行基于多个非线性单调函数,对该多个第一互动特征分别进行非线性变换,得到该预测互动特征对应的多个第二互动特征;
加权求和单元,被配置为执行对该多个第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数;
其中,该多个线性单调函数和该多个非线性单调函数的单调性一致。
在一些实施例中,该加权求和单元被配置为执行:
获取多个非线性变换权重,该非线性变换权重基于该非线性变换对该互动行为参数的重要性确定;
基于该多个非线性变换权重,对该第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数。
在一些实施例中,该获取模块包括:
第一获取单元,被配置为执行基于该至少一个互动行为参数和该用户互动特征,获取该多媒体资源的第一推荐信息,该第一推荐信息用于指示该目标用户对该多媒体资源的感兴趣程度;
第二获取单元,被配置为执行基于该至少一个互动行为参数,获取该多媒体资源的第二推荐信息,该第二推荐信息用于指示任意用户对该多媒体资源的感兴趣程度;
第三获取单元,被配置为执行基于该第一推荐信息和该第二推荐信息,得到该预测推荐信息。
在一些实施例中,该第一获取单元被配置为执行:
基于该用户互动特征,获取至少一个第一权重,该第一权重用于指示该目标用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第一权重,对该至少一个互动行为参数进行加权求和,得到该第一推荐信息。
在一些实施例中,该第一获取单元被配置为执行:
基于该至少一个互动行为参数对应的互动方式,从该用户互动特征中确定对应的至少一个数值,将该至少一个数值作为该至少一个第一权重。
在一些实施例中,该第二获取单元被配置为执行:
获取至少一个第二权重,该第二权重用于指示任意用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第二权重,对该至少一个互动行为参数进行加权求和,得到该第二推荐信息。
根据本公开实施例的第三方面,提供一种电子设备,该电子设备包括:
一个或多个处理器;
用于存储该处理器可执行程序代码的存储器;
其中,该处理器被配置为执行该程序代码,以实现上述的多媒体资源推荐方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,该计算机可读存储介质包括:当该计算机可读存储介质中的程序代码由电子设备的处理器执行时,使得电子设备能够执行上述的多媒体资源推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的多媒体资源推荐方法。
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多媒体资源推荐方法的实施环境示意图;
图2是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图;
图3是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图;
图4是根据一示例性实施例示出的一种目标变换模型的示意图;
图5是根据一示例性实施例示出的一种多媒体资源推荐方法的示意图;
图6是根据一示例性实施例示出的一种多媒体资源推荐装置的框图;
图7是根据一示例性实施例示出的一种服务器的框图。
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。
本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
图1是本公开实施例提供的一种多媒体资源推荐方法的实施环境示意图,参见图1,该实施环境中包括:终端101和服务器102。
终端101可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种,终端101具有通信功能,可以接入互联网,终端101可以泛指多个终端中的一个,本实施例仅以终端101来举例说明。本领域技术人员可以知晓,上述终端的数量可以更多或更少。终端101可以运行有各种不同类型的应用程序,如视频类应用程序、音乐类应用程序等。示意性地,终端101是用户使用的终端,终端101中运行的应用程序内登录有用户的用户账号。
服务器102可以为独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式文件系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。在本申请实施例中,服务器102也可称之为多媒体资源推荐系统。服务器102与终端101可以通过有线或无线通信方式进行直接或间接的连接,本申请实施例对此不作限定。可选地,上述服务器102的数量可以更多或更少,本申请实施例对此不加以限定。当然,服务器102还可以包括其他功能服务器,以便提供更全面且多样化的服务。
图2是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图,如图2所示,下面以该方法用于图1所示的服务器102为例,对本公开实施例提供的多媒体资源推荐方法进行说明,包括以下步骤201至步骤203。
在步骤201中,服务器基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,该预测互动特征用于指示基于预测得到的该多媒体资源的互动情况,其中,该变换参数基于历史预测互动特征以及对应的历史互动行为确定。
在本公开实施例中,多媒体资源是指待推荐给用户的多媒体资源。在一些实施例中,多媒体资源为图片、视频、音频、新闻或商品等,本公开实施例对于多媒体资源的类型不作限定。
该预测互动特征基于多媒体资源进行预测得到。多媒体资源与用户之间通过至少一种互动方式来实现互动。以多媒体资源为视频为例,上述互动方式包括但不限于点击、点赞以及收藏等,基于视频的视频特征进行预测,能够得到对应的预测互动特征,例如点击率、点赞率以及收藏率等,本公开实施例对于上述互动方式以及预测互动特征的类型不作限定。
互动行为参数用于指示该多媒体资源被推荐给用户后的预测互动效果,也可以理解为多媒体资源的业务目标。其中,互动行为参数和预测互动特征均为数值类特征,两者之间存在关联关系,通过对预测互动特征进行变换,能够得到对应的互动行为参数,该关联关系通过上述变换参数得到。例如,以多媒体资源为视频为例,多媒体资源的预测互动效果通过用户的预测观看时长来体现,则服务器对任一视频的至少一个预测互动特征进行变换,得到至少一个互动行为参数,该互动行为参数用于指示该视频被推荐给任意用户时的预测观看时长,本公开实施例对于预测互动效果的类型不作限定。
另外,历史预测互动特征是指任意多媒体资源历史被推荐给任意用户时的预测互动特征,历史互动行为是指任意多媒体资源历史被推荐给任意用户时的真实互动行为。其中,历史互动行为根据多媒体资源的预测互动效果确定。例如,以多媒体资源为视频为例,预测互动效果是用户的预测观看时长,则历史互动行为为任意视频历史被推荐给任意用户时的实际观看时长,本公开实施例对此不作限定。
需要说明的是,在本公开实施例中,预测互动特征是指基于机器学习或深度学习模型处理所得到的互动特征。在一些实施例中,预测互动特征为多媒体资源的历史互动结果。例如,以多媒体资源为视频为例,将该视频的历史点击率作为该视频的预测互动特征。又例如,以多媒体资源为待出售房源的视频广告为例,将该房源的最低出售价格作为该视频广告的预测互动特征,本公开实施例对此不作限定。在另一些实施例中,预测互动特征为基于多媒体资源的历史互动结果进行预测得到的互动特征。例如,以多媒体资源为视频为例,将该视频在历史目标时间段内的平均点击率作为该视频的预测互动特征,本公开实施例对此不作限定。
在步骤202中,服务器基于该至少一个互动行为参数和目标用户的用户互动特征,获取该多媒体资源的预测推荐信息,该用户互动特征用于指示该目标用户的互动偏好,该预测推荐信息用于指示向该目标用户推荐该多媒体资源的概率。
在本公开实施例中,目标用户是指待推荐多媒体资源的用户。目标用户的互动偏好是指目标用户对任意多媒体资源的互动偏好,也即是目标用户在浏览多媒体资源时倾向于采用的互动方式。示意性地,以多媒体资源为视频为例,目标用户的互动偏好为喜好点赞,很少关注等,本公开实施例对此不作限定。
在步骤203中,服务器响应于该预测推荐信息符合目标推荐条件,向该目标用户推荐该多媒体资源。
本公开实施例提供了一种多媒体资源推荐方法,在向目标用户推荐多媒体资源时,先根据任意多媒体资源的历史预测互动特征以及对应的历史互动行为,对待推荐的多媒体资源的预测互动特征进行变换,以得到互动行为参数,进一步地,结合目标用户的互动偏好,来判断是否需要向目标用户推荐该多媒体资源。采用这种方法得到的多媒体资源的互动行为参数的准确率较高,并且能够有针对性地向目标用户推荐想要的多媒体资源,进而有效改善了多媒体资源的推荐效果。
上述图2所示仅为本公开的基本流程,下面基于一种具体实施方式,来对本公开提供的方案进行进一步阐述,图3是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图,参见图3,该方法的交互主体为图1中所示的终端101和服务器102,该方法包括以下步骤301至步骤310。
在步骤301中,终端响应于目标用户在多媒体资源展示页面上的操作,向服务器发送资源获取请求。
在本公开实施例中,终端为目标用户使用的终端,终端上运行的目标应用程序提供多媒体资源的推荐和展示功能,终端响应于目标用户对目标应用程序的启动操作,显示多媒体资源展示页面,目标用户通过在该多媒体资源展示页面上进行点击、滑动等操作来浏览多媒体资源,终端响应于目标用户的操作,向服务器发送资源获取请求。示意性地,目标应用程序中登录有目标用户的用户账号,该目标应用程序为视频类应用程序、音乐类应用程序、新闻类应用程序以及电商类应用程序等等,本公开实施例对此不作限定。
在一些实施例中,该多媒体资源展示页面为多媒体资源的选择页面。示意性地,终端上显示该选择页面,目标用户在该选择页面中输入想要浏览的多媒体资源的关键词,或者,目标用户在该选择页面中点击想要浏览的多媒体资源的资源类型,终端响应于目标用户的输入操作或点击操作,向服务器发送相应的资源获取请求。
在一些实施例中,该多媒体资源展示页面为个性化展示页面。示意性地,终端上显示该个性化展示页面,目标用户在终端上进行操作,以触发终端显示该个性化展示页面,终端响应于目标用户的触发操作,向服务器发送资源获取请求,并显示该个性化展示页面。
需要说明的是,目标用户通过在任一页面中通过任一种操作方式,来触发终端向服务器发送资源获取请求,本公开实施例对此不作限定。
在步骤302中,服务器响应于该资源获取请求,获取多媒体资源的至少一个预测互动特征,该预测互动特征用于指示基于预测得到的该多媒体资源的互动情况。
在本公开实施例中,服务器响应于该资源获取请求,确定多个待推荐的多媒体资源,对于多个待推荐的多媒体资源中的任意一个多媒体资源,获取该多媒体资源的至少一个预测互动特征。
在一些实施例中,资源获取请求携带多媒体资源的类型标识,该类型标识用于指示某一类型的多媒体资源。服务器响应于该资源获取请求,从多媒体资源库中选取与该类型标识对应的多媒体资源,将这些多媒体资源作为待推荐的多媒体资源。示意性地,以多媒体资源为视频为例,例如,该类型标识用于指示美食类视频,则服务器响应于该资源获取请求,从视频库中选取美食类视频作为待推荐的视频;又例如,该类型标识用于指示同城视频,则服务器响应于该资源获取请求,从视频库中选取与目标用户的定位处于相同城市的视频作为待推荐的视频,本公开实施例对此不作限定。
下面以任意一个待推荐的多媒体资源为例,对服务器获取该多媒体资源的至少一个预测互动特征的方式进行说明,包括但不限于如下几种。
第一种、服务器调用互动特征预测模型,对该多媒体资源的互动情况进行预测,得到该多媒体资源的至少一个预测互动特征。
示意性地,该互动特征预测模型为基于深度学习的神经网络模型,该互动特征预测模型用于根据多媒体资源的资源内容、发布时间以及资源发布者的基础信息等,对多媒体资源进行处理,得到该多媒体资源的预测互动特征。例如,以多媒体资源为视频为例,该互动特征预测模型用于根据视频的视频内容、视频时长以及视频发布者的粉丝量等信息,对该多媒体资源进行处理,得到该多媒体资源的预测点击率。
在一些实施例中,该多媒体资源的至少一个预测互动特征通过同一个互动特征预测模型得到,也即是,服务器调用同一个互动特征预测模型,对多媒体资源进行预测,并行得到该多媒体资源的至少一个预测互动特征。
在另一些实施例中,该多媒体资源的每个预测互动特征通过不同的互动特征预测模型得到,也即是,服务器调用不同的互动特征预测模型,分别对多媒体资源进行预测。例如,以多媒体资源为视频为例,视频的互动方式包括点击、点赞、关注等,其中,一种互动方式对应一种互动特征预测模型,服务器分别调用多个互动特征预测模型对多媒体资源进行预测,得到该多媒体资源的预测点击率、预测点赞率以及预测关注率,本公开实施例对此不作限定。
第二种、服务器响应于该资源获取请求,基于获取到的多媒体资源,在数据库中进行查询,得到该多媒体资源的至少一个预测互动特征。
在一些实施例中,服务器预先调用互动特征预测模型,对多媒体资源库中的多媒体资源进行处理,得到每个多媒体资源的至少一个预测互动特征,并将该至少一个预测互动特征存储到数据库中,当服务器接收到终端发送的资源获取请求后,响应于该资源获取请求,基于获取到的多媒体资源,在数据库中进行查询,得到该多媒体资源的至少一个预测互动特征。
在另一些实施例中,服务器基于该多媒体资源的历史互动结果得到该至少一个预测互动特征。例如,服务器将该多媒体资源的历史互动结果作为预测互动特征,又例如,服务器基于该多媒体资源的历史互动结果进行预测,将预测结果作为预测互动特征,本公开实施例对此不作限定。
需要说明的是,上述互动特征预测模型并不局限于上述类型,其他凡是基于机器学习或深度学习且为了得到多媒体资源的预测互动特征的模型,均可以作为本公开实施例的互动特征预测模型。
在步骤303中,服务器基于变换参数对该至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,其中,该变换参数基于历史预测互动特征以及对应的历史互动行为确定。
在本公开实施例中,对于多个待推荐的多媒体资源中的任意一个多媒体资源,服务器调用多个单调函数,对该多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,也即是,一个预测互动特征对应一个互动行为参数。其中,该多个单调函数的单调性一致。
通过多个单调性一致的单调函数来对预测互动特征进行变换,能够确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致。示意性地,以两个多媒体资源为视频A和视频B为例,假定预测互动特征为预测点击率,互动行为参数为预测观看时长,视频A的预测点击率为0.5,视频B的预测点击率为0.4,经过本步骤303进行变换后,得到视频A的预测观看时长为0.7,视频B的预测观看时长为0.6,也即是,理论上来讲,点击率越高的视频,其预测观看时长也应该越长。
在一些实施例中,该多个单调函数的参数基于历史预测互动特征以及对应的历史互动行为确定。例如,服务器基于历史预测互动特征以及对应的历史互动行为之间的误差值,拟合得到多个单调函数的参数,本公开实施例对此不作限定。
下面以至少一个预测互动特征中的任一预测互动特征为例,对本步骤303的具体实施方式进行说明,包括但不限于如下步骤3031至步骤3033。
在步骤3031中,服务器基于多个线性单调函数,对该预测互动特征进行多次线性变换,得到该预测互动特征对应的多个第一互动特征。
其中,对于任一个预测互动特征,服务器调用多个线性单调函数,对该预测互动特征分别进行多次线性变换,并行得到该预测互动特征对应的多个第一互动特征。在一些实施例中,该多个线性单调函数相同。在另一些实施例中,该多个线性单调函数存在不同的函数,本公开实施例对此不作限定。
示意性地,假定该预测互动特征为x=0.5,服务器调用4个线性单调函数,分别为:=2x-0.7;=x+0.3;=x-0.3以及=2x,经过4次线性变换后,得到4个第一互动特征,分别为: =0.3,=0.8,=0.2以及=1。需要说明的是,此处仅为示意性说明,该多个线性单调函数具有其他表现形式,本公开实施例对此不作限定。
通过本步骤3031,服务器对预测互动特征进行了多次线性变换,以适应后续步骤3032中的非线性变换,避免最终得到互动行为参数的特征分布情况与实际情况相差较大,从而提高互动行为参数的准确率。
在步骤3032中,服务器基于多个非线性单调函数,对该多个第一互动特征分别进行非线性变换,得到该预测互动特征对应的多个第二互动特征。
其中,服务器调用多个非线性单调函数,对多个第一互动特征分别进行非线性变换,得到该预测互动特征对应的多个第二互动特征,该多个非线性单调函数的单调性与上述多个线性单调函数的单调性一致。在一些实施例中,该多个非线性单调函数相同。在另一些实施例中,该多个非线性单调函数中存在不相同的函数,本公开实施例对此不作限定。
示意性地,假定4个第一互动特征分别为: =0.3,=0.8,=0.2以及=1,服务器调用4个非线性单调函数,分别为:;;以及,经过4次非线性变换后,得到4个第二互动特征,分别为:=0.027,=0.8,=0.44以及=1。需要说明的是,此处仅为示意性说明,该多个非线性单调函数具有其他表现形式,本公开实施例对此不作限定。
在步骤3033中,服务器对该多个第二互动特征进行加权求和,得到该预测互动特征对应的互动行为参数。
其中,服务器按照多个非线性变换权重,对多个第二互动特征进行加权求和,得到互动行为参数。在一些实施例中,该多个非线性变换权重大于等于0,以确保多个多媒体资源的预测互动特征的单调性与加权求和后得到的多个互动行为参数的单调性保持一致。
下面对本步骤3033的实施方式进行介绍,包括下述两个步骤。
步骤一、服务器获取多个非线性变换权重,该非线性变换权重基于该非线性变换对该互动行为参数的重要性确定。
在一些实施例中,该多个非线性变换权重为预设权重。示意性地,基于各种非线性变换对互动行为参数的重要性来设置。例如,当各种非线性变换对互动行为参数的重要性不同时,将各个非线性变换权重按照各自的重要性设置为不同的权重,则服务器基于每个第二互动特征对应的非线性变换权重,对多个第二互动特征进行加权求和,得到互动行为参数。又例如,当各种非线性变换对互动行为参数的重要性相同时,将各个非线性变换权重设置为相同的权重,则服务器基于该非线性变换权重,对多个第二互动特征进行加权求和,得到互动行为参数,本公开实施例对此不作限定。
在一些实施例中,该多个非线性变换权重基于机器学习或深度学习得到。示意性地,基于机器学习或深度学习,确定各个非线性变换对互动行为参数的重要性,以得到相应的非线性变换权重,本公开实施例对此不作限定。
步骤二、服务器基于该多个非线性变换权重,对该第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数。
在上述步骤中,利用非线性变换权重来对第二互动特征进行加权求和,尤其,该非线性变换权重是根据非线性变换对互动行为参数的重要性来确定的,充分考虑了不同的非线性变换对互动行为参数的影响,能够有针对性地对第二互动特征进行整合,从而提高了互动行为参数的准确性。
在一些实施例中,本步骤303通过目标变换模型来实现,该目标变换模型基于历史预测互动特征以及对应的历史互动行为训练得到。示意性地,该目标变换模型为基于深度学习的神经网络模型,例如,该目标变换模型为卷积神经网络,本公开实施例对此不作限定。下面参考图4,以服务器调用目标变换模型来得到多媒体资源的至少一个互动行为参数为例,对本步骤303进行说明。
图4是根据一示例性实施例示出的一种目标变换模型的示意图。如图4所示,该目标变换模型包括标准化层401,线性变换层402、非线性变换层403、变换融合层404以及输出层405。示意性地,以预测互动特征的数量大于1为例,上述步骤303包括如下步骤1至步骤5。
在步骤1中,将多个预测互动特征输入标准化层,经过标准化层对各个预测互动特征进行标准化,得到标准化后的多个预测互动特征。
其中,标准化层作为目标变换模型的输入层,能够通过标准化函数,对多个预测互动特征分别进行标准化,得到标准化后的多个预测互动特征。
在一些实施例中,该标准化函数如下述公式(1)所示:
式中,为预测互动特征,i为正整数;为的经验均值,该经验均值为目标变换模型的所有训练样本的预测互动特征的平均值;为的经验标准差,该经验标准差为目标变换模型的所有训练样本的预测互动特征的标准差;为标准化后的预测互动特征。
应理解,目标变换模型的所有训练样本即为任意多媒体资源的历史预测互动特征以及对应的历史互动行为。另外,上述标准化函数仅为示意性说明,该标准化函数还可以具有其他表现形式,本公开实施例对此不作限定。
在步骤2中,基于线性变换层,对标准化后的各个预测互动特征分别进行多次线性变换,得到各个预测互动特征对应的多个第一互动特征。
其中,线性变换层通过多个线性变换单元,对标准化后的各个预测互动特征分别进行多次线性变换,得到各个预测互动特征对应的多个第一互动特征,即,一个线性变换单元处理一个预测互动特征,确保各个预测互动特征之间相互独立。在一些实施例中,在线性变换过程中,将预测互动特征的系数约束为非负数,以确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致。
下面以标准化后的某一个预测互动特征为例,对本步骤进行说明:示意性地,线性变换层中的某一个线性变换单元对为进行m次线性变换(m为正整数),得到m个第一互动特征,分别为:。具体地,,,…,。其中,,为目标变换模型的模型参数,通过对所有训练样本进行学习得到。需要说明的是,在上述线性变换过程中,的系数为,即,将的系数约束为非负数,能够确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致性。
通过步骤2对标准化后的各个预测互动特征分别进行多次线性变换,也即对每个预测互动特征进行了缩放和平移,以适应后续步骤3中的非线性变换。
在步骤3中,基于非线性变换层,对各个预测互动特征对应的多个第一互动特征分别进行非线性变换,得到各个预测互动特征对应的多个第二互动特征。
其中,非线性变换层通过多个预先设置的非线性单调函数,对各个预测互动特征对应的多个第一互动特征分别进行非线性变换,得到各个预测互动特征对应的多个第二互动特征,即,一个第一互动特征对应一个第二互动特征。在一些实施例中,多个非线性单调函数均为单调递增函数,以确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致。
下面继续以标准化后的某一个预测互动特征为例,对本步骤进行说明:示意性地,经过上述步骤2后得到m个第一互动特征,分别为:。非线性变换层通过m个预先设置的非线性单调函数,对m个第一互动特征进行非线性变换,得到m个第二互动特征,分别为:。具体地,,,…,。在一些实施例中,非线性单调函数为x 3,sigmoid(x),x以及等。在另一些实施例中,开发人员能够根据需求自定义非线性单调函数,本公开实施例对于非线性单调函数的具体形式不作限定。
通过步骤3对各个预测互动特征对应的多个第一互动特征分别进行非线性变换,也即对多个预测互动特征各种可能的分布进行了拟合,提高了后续互动行为参数的准确性。
在步骤4中,基于变换融合层,对各个预测互动特征对应的多个第二互动特征进行加权求和,得到多个互动行为参数。
其中,变换融合层为门层(gate层),通过多个非线性变换权重,对各个预测互动特征对应的多个第二互动特征进行加权求和,得到多个互动行为参数,即,以一个预测互动特征为例,对该预测互动特征的多个第二互动特征进行加权求和,得到该预测互动特征的互动行为参数。其中,多个非线性变换权重为目标变换模型的gate参数,通过对所有训练样本进行学习得到。
下面继续以标准化后的某一个预测互动特征为例,对本步骤进行说明:示意性地,经过上述步骤2和步骤3后,得到m个第二互动特征,分别为:。变换融合层通过m个非线性变换权重,对m个第二互动特征进行加权求和,得到互动行为参数。具体地,。
通过步骤4对各个预测互动特征对应的多个第二互动特征进行加权求和,也即对同一个预测互动特征的多种不同的非线性变换结果进行了自动组合,从而根据单个预测互动特征得到该预测互动特征的互动行为参数,为后续获取预测推荐信息提供基础。
在步骤5中,输出层输出多个互动行为参数。
其中,多个互动行为参数的维度与多个预测互动特征的维度相同,即,一个预测互动特征对应一个互动行为参数。例如,服务器输入某一个多媒体资源的2个预测互动特征为[value1,value2],最终输出2个互动行为参数,本公开实施例对于互动特征的表现形式不作限定。
需要说明的是,在上述步骤1至步骤5中,线性变换层、非线性变换层以及变换融合层也可称为一致性变换层,换言之,服务器通过该一致性变换层,对多个预测互动特征各种可能的分布进行拟合,以得到多个预测互动特征与互动行为参数之间的非线性关系。进一步地,在上述过程中,一个计算节点独立处理一个预测互动特征,也即是,每个预测互动特征独享一套变换参数,从而确保多个多媒体资源的预测互动特征的单调性与互动行为参数的单调性保持一致。例如,以3个多媒体资源为视频A、视频B以及视频C为例,假定预测互动特征为预测点击率,互动行为参数为预测观看时长,视频A的预测点击率为0.5,视频B的预测点击率为0.4,视频C的预测点击率为0.7,经过上述步骤进行变换后,得到视频A的预测观看时长为0.7,视频B的预测观看时长为0.6,视频C的预测观看时长为0.9,也即是,在变换前后,并未改变两两之间的单调性,预测点击率越高的视频,其预测观看时长越长。
在一些实施例中,上述一致性变换层的层数大于1,也即是,在图4所示的目标变换模型的基础上,纵向叠加至少一层一致性变换层,从而对多个预测互动特征各种可能的分布进行更加复杂地拟合,以提高互动行为参数的准确性。
进一步地,上述目标变换模型是通过对单个预测互动特征与互动行为参数之间的关联关系进行学习得到的,充分考虑了预测互动特征与互动行为参数之间的非线性关系,而且该模型具有良好的可解释性。
另外,上述目标变换模型并不局限于上述类型,其他凡是基于机器学习或深度学习且为了对预测互动特征进行变换以得到互动行为参数的模型,均可以作为本公开实施例的目标变换模型。
在步骤304中,服务器获取目标用户的用户互动特征,该用户互动特征用于指示目标用户的互动偏好。
在本公开实施例中,服务器基于目标用户的用户标识,获取目标用户的用户互动特征。其中,该用户互动特征是通过服务器调用用户互动特征模型,对目标用户的互动信息进行处理得到的。在一些实施例中,目标用户的用户互动特征的维度与上述步骤303中多媒体资源的至少一个互动行为参数的个数相同,例如,以多媒体资源为视频A为例,该视频A对应2个互动行为参数,分别基于预测点击率和预测点赞率变换得到,相应地,该目标用户的用户互动特征从2个维度分别指示该目标用户对于点击和点赞的喜好程度,本公开实施例对此不作限定。
在一些实施例中,上述互动信息包括目标用户的基础信息、历史互动信息以及上下文信息等。例如,基础信息包括目标用户的年龄、性别、城市等;历史互动信息包括目标用户最近一周的点赞次数和关注次数等;上下文信息包括当前时间、当前日期等,本公开实施例对于互动信息的具体内容不作限定。
在一些实施例中,服务器基于目标用户的用户标识,获取该目标用户的互动信息,调用用户互动特征模型,对目标用户的互动信息进行处理,得到该目标用户的用户互动特征。即,服务器实时获取目标用户的互动信息,并对互动信息进行处理,以得到目标用户的用户互动特征。在另一些实施例中,服务器预先调用用户互动特征模型,对指定范围内的用户的互动信息进行处理,得到多个用户的用户互动特征,并将多个用户的用户互动特征存储到数据库中,当服务器接收到终端发送的资源获取请求后,基于目标用户的用户标识,在数据库中进行查询,得到对应的用户互动特征,本公开实施例对此不作限定。
示意性地,上述用户互动特征模型为基于深度学习的神经网络模型,例如,该用户互动特征模型为多层前馈神经网络、卷积神经网络、循环神经网络或者其他变种神经网络等等,本公开实施例对此不作限定。
需要说明的是,在本公开实施例中,服务器是在执行步骤303之后执行步骤304的。在一些实施例中,服务器先执行步骤304,再执行步骤303。在另一些实施例中,服务器同步执行上述步骤303和步骤304,本公开实施例对此不作限定。
在步骤305中,服务器基于该用户互动特征,获取至少一个第一权重,该第一权重用于指示该目标用户对该互动行为参数对应的互动方式的感兴趣程度。
在本公开实施例中,服务器基于至少一个互动行为参数对应的互动方式,从该用户互动特征中确定对应的至少一个数值,将对应的数值作为互动行为参数所对应的第一权重。
在一些实施例中,用户互动特征为向量形式,该向量中每一个维度的值即为第一权重,用于指示该目标用户对对应的互动行为参数的互动方式的感兴趣程度。例如,以多媒体资源为视频A为例,该视频A对应3种互动方式,分别为点击、点赞以及关注,经过上述步骤303,服务器获取到该视频A的3个互动行为参数分别基于预测点击率、预测点赞率以及预测关注率变换得到,经过上述步骤304,服务器获取到目标用户的用户互动特征为[0.2,0.5,0.3],表示该目标用户对任意视频的点击率为0.2,点赞率为0.5,关注率为0.3。通过将用户互动特征中的至少一个数值作为至少一个第一权重,利用了用户互动特征是一种向量形式的特征这一特性,使得整个多媒体资源的推荐过程具有良好的可解释性,进而提高了预测推荐信息的准确率,也即改善了多媒体资源的推荐效果。
在一些实施例中,用户互动特征的维度与互动行为参数的个数相同,且用户互动特征中各个数值对应的互动方式与互动行为参数对应的互动方式一一对应,则服务器将该用户互动特征中的至少一个数值作为至少一个第一权重。在另一些实施例中,用户互动特征的维度与互动行为参数的个数相同,但用户互动特征中各个数值对应的互动方式与互动行为参数对应的互动方式不一致,则服务器基于互动行为参数对应的互动方式的标识,从用户互动特征中确定对应的第一权重,本公开实施例对此不作限定。
另外,在另一些实施例中,用户互动特征的维度大于互动行为参数的个数,则服务器基于各个互动行为参数对应的互动方式,从该用户互动特征中的多个数值中选出对应的数值,得到至少一个第一权重,本公开实施例对此不作限定。
在步骤306中,服务器基于至少一个第一权重,对至少一个互动行为参数进行加权求和,得到第一推荐信息,该第一推荐信息用于指示该目标用户对该多媒体资源的感兴趣程度。
在本公开实施例中,服务器计算每个第一权重与对应的互动行为参数之间的乘积值,并对得到的乘积值进行求和,得到第一推荐信息。例如,以多媒体资源为视频A为例,该视频A对应3种互动方式,分别为点击、点赞以及关注,服务器获取到目标用户的用户互动特征为[0.2,0.5,0.3],互动行为参数为0.7、0.2以及 0.1,分别基于预测点击率、预测点赞率以及预测关注率变换得到,则第一推荐信息为0.54,可以理解为该目标用户有54%的概率对该视频A感兴趣。当然,该第一推荐信息的表现形式还包括其他类型,例如,以整数的形式表示为54,本公开实施例对此不作限定。
在步骤307中,服务器获取至少一个第二权重,该第二权重用于指示任意用户对该互动行为参数对应的互动方式的感兴趣程度。
在本公开实施例中,至少一个第二权重为预设权重。在一些实施例中,服务器预先为各个互动行为参数分别设置对应的第二权重。在另一些实施例中,至少一个第二权重是基于指定模型对历史互动行为参数进行学习得到,本公开实施例对于该指定模型的类型不作限定。
在步骤308中,服务器基于至少一个第二权重,对至少一个互动行为参数进行加权求和,得到第二推荐信息,该第二推荐信息用于指示任意用户对该多媒体资源的感兴趣程度。
在本公开实施例中,服务器计算每个第二权重与对应的互动行为参数之间的乘积值,并对得到的乘积值进行求和,得到第二推荐信息。例如,以多媒体资源为视频A为例,该视频A对应3种互动方式,分别为点击、点赞以及关注,服务器获取到至少一个第二权重分别为0.2,0.4,0.5,互动行为参数为0.7、0.2以及 0.1,分别基于预测点击率、预测点赞率以及预测关注率变换得到,则第二推荐信息为0.72,可以理解为任意用户有72%的概率对该视频A感兴趣,也可以理解为视频A在指定范围内的多个视频中的受欢迎程度。当然,该第二推荐信息的表现形式还包括其他类型,例如,以整数的形式表示为72,本公开实施例对此不作限定。
通过至少一个第二权重来获取多媒体资源的第二推荐信息,利用了全局信息,从大量多媒体资源中探索目标用户可能感兴趣的多媒体资源,权衡了任意待推荐的多媒体资源在大量多媒体资源中的受欢迎程度,极大地改善了多媒体资源的推荐效果。
需要说明的是,在本公开实施例中,服务器是按照步骤305至步骤308来执行的。在一些实施例中,服务器先执行步骤307和步骤308,再执行步骤305和步骤306。在另一些实施例中,服务器在执行步骤305和步骤306的同时,执行步骤307和步骤308,本公开实施例对此不作限定。
在步骤309中,服务器基于第一推荐信息和第二推荐信息,得到该多媒体资源的预测推荐信息,该预测推荐信息用于指示向该目标用户推荐该多媒体资源的概率。
在本公开实施例中,服务器将第一推荐信息和第二推荐信息进行融合,得到该多媒体资源的预测推荐信息。在一些实施例中,服务器将第一推荐信息和第二推荐信息相加,得到预测推荐信息。在另一些实施例中,服务器按照预设权重,对第一推荐信息和第二推荐信息进行加权求和,得到预测推荐信息,本公开实施例对此不作限定。
在步骤310中,服务器响应于该预测推荐信息符合目标推荐条件,向该目标用户推荐该多媒体资源。
在本公开实施例中,服务器响应于该预测推荐信息符合目标推荐条件,向目标用户的终端推荐相应的多媒体资源。在一些实施例中,目标推荐条件为预测推荐信息满足目标阈值。例如,服务器响应于该预测推荐信息大于或等于目标阈值,向该目标用户推荐该多媒体资源。在另一些实施例中,该目标推荐条件为该预测推荐信息满足目标排序。应理解,经过上述步骤301至步骤310,服务器获取到多个待推荐的多媒体资源的预测推荐信息,在本步骤310中,服务器对多个预测推荐信息进行排序,将排序在前N位的预测推荐信息对应的多媒体资源推荐给目标用户,N为正整数,本公开实施例对此不作限定。
另外,在上述多媒体资源的推荐过程中,对于多个待推荐的多媒体资源中的任意一个多媒体资源,该多媒体资源的预测推荐信息是通过两种推荐信息得到的,其中,一种用于指示目标用户对该多媒体资源的感兴趣程度,即利用了目标用户的互动偏好,来为其推荐感兴趣的多媒体资源;另一种用于指示任意用户对该多媒体资源的感兴趣程度,即利用了全局信息,从大量多媒体资源中探索目标用户可能感兴趣的多媒体资源,权衡了用户的个性化偏好与任意待推荐的多媒体资源在大量多媒体资源中的受欢迎程度,极大地改善了多媒体资源的推荐效果。
进一步地,在上述多媒体资源的推荐过程中,服务器可以通过用户互动特征模型来得到目标用户的个性化偏好,还可以通过目标变换模型来得到预测互动特征与互动目标之间的非线性关系,并通过加权求和的方式得到预测推荐信息,使得整个多媒体资源的推荐过程具有良好的可解释性,进而提高了预测推荐信息的准确率,也即改善了多媒体资源的推荐效果。
以上通过图3和图4,对本公开实施例提供的多媒体资源推荐方法进行了详细说明,下面参考图5,以任意一个待推荐的多媒体资源为例,对上述步骤303至步骤309进行举例说明。图5是根据一示例性实施例示出的一种多媒体资源推荐方法的示意图。如图5所示,该多媒体资源对应2个预测互动特征a和b,该多媒体资源推荐方法通过以下5部分来实现。
第一部分、一致性变换。
其中,服务器对该多媒体资源的2个预测互动特征a和b进行变换,得到2个互动行为参数a′和b′。应理解,这部分的具体实施方式参考上述步骤303,本公开实施例在此不再赘述。
第二部分、个性化权重。
其中,服务器调用用户互动特征模型,对目标用户的互动信息进行处理,得到目标用户的用户互动特征。应理解,这部分的具体实施方式参考上述步骤304,本公开实施例在此不再赘述。
第三部分、目标权重。
其中,目标权重包括用户个性化权重和全局非个性化权重。应理解,用户个性化权重即为上述步骤305中的至少一个第一权重;全局非个性化权重即为上述步骤307中的至少一个第二权重,本公开实施例在此不再赘述。
第四部分、目标分数。
其中,目标分数包括个性化分数和非个性化分数。应理解,个性化分数即为上述步骤306中的第一推荐信息;非个性化分数即为上述步骤308中的第二推荐信息,具体计算得到个性化分数和非个性化分数的方式参考上述步骤305至步骤308,本公开实施例在此不再赘述。
第五部分、最终分数。
其中,最终分数也即上述步骤309中的预测推荐信息,本公开实施例在此不再赘述。
服务器在向目标用户推荐多媒体资源时,通过上述5个部分,计算得到最终分数,并根据目标推荐条件,判断是否向目标用户推荐该多媒体资源,能够极大改善多媒体资源的推荐效果。
综上,在本公开实施例提供的多媒体资源推荐方法中,在向目标用户推荐多媒体资源时,先根据任意多媒体资源的历史预测互动特征以及对应的历史互动行为,对待推荐的多媒体资源的预测互动特征进行变换,以得到互动行为参数,进一步地,结合目标用户的互动偏好,来判断是否需要向目标用户推荐该多媒体资源。采用这种方法得到的多媒体资源的互动行为参数的准确率较高,并且能够有针对性地向目标用户推荐想要的多媒体资源,进而有效改善了多媒体资源的推荐效果。
图6是根据一示例性实施例示出的一种多媒体资源推荐装置的框图。参照图6,该装置包括变换模块601、获取模块602以及推荐模块603。
变换模块601,被配置为执行基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到该多媒体资源的至少一个互动行为参数,该预测互动特征用于指示基于预测得到的该多媒体资源的互动情况,其中,该变换参数基于历史预测互动特征以及对应的历史互动行为确定;
获取模块602,被配置为执行基于该至少一个互动行为参数和目标用户的用户互动特征,获取该多媒体资源的预测推荐信息,该用户互动特征用于指示该目标用户的互动偏好,该预测推荐信息用于指示向该目标用户推荐该多媒体资源的概率;
推荐模块603,被配置为执行响应于该预测推荐信息符合目标推荐条件,向该目标用户推荐该多媒体资源。
在一些实施例中,该变换模块601包括:
线性变换单元,被配置为执行对于该至少一个预测互动特征中的任一预测互动特征,基于多个线性单调函数,对该预测互动特征进行多次线性变换,得到该预测互动特征对应的多个第一互动特征;
非线性变换单元,被配置为执行基于多个非线性单调函数,对该多个第一互动特征分别进行非线性变换,得到该预测互动特征对应的多个第二互动特征;
加权求和单元,被配置为执行对该多个第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数;
其中,该多个线性单调函数和该多个非线性单调函数的单调性一致。
在一些实施例中,该加权求和单元被配置为执行:
获取多个非线性变换权重,该非线性变换权重基于该非线性变换对该互动行为参数的重要性确定;
基于该多个非线性变换权重,对该第二互动特征进行加权求和,得到该预测互动特征对应的该互动行为参数。
在一些实施例中,该获取模块602包括:
第一获取单元,被配置为执行基于该至少一个互动行为参数和该用户互动特征,获取该多媒体资源的第一推荐信息,该第一推荐信息用于指示该目标用户对该多媒体资源的感兴趣程度;
第二获取单元,被配置为执行基于该至少一个互动行为参数,获取该多媒体资源的第二推荐信息,该第二推荐信息用于指示任意用户对该多媒体资源的感兴趣程度;
第三获取单元,被配置为执行基于该第一推荐信息和该第二推荐信息,得到该预测推荐信息。
在一些实施例中,该第一获取单元被配置为执行:
基于该用户互动特征,获取至少一个第一权重,该第一权重用于指示该目标用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第一权重,对该至少一个互动行为参数进行加权求和,得到该第一推荐信息。
在一些实施例中,该第一获取单元被配置为执行:
基于该至少一个互动行为参数对应的互动方式,从该用户互动特征中确定对应的至少一个数值,将该至少一个数值作为该至少一个第一权重。
在一些实施例中,该第二获取单元被配置为执行:
获取至少一个第二权重,该第二权重用于指示任意用户对该互动行为参数对应的互动方式的感兴趣程度;
基于该至少一个第二权重,对该至少一个互动行为参数进行加权求和,得到该第二推荐信息。
在本公开实施例提供的多媒体资源推荐装置中,在向目标用户推荐多媒体资源时,先根据任意多媒体资源的历史预测互动特征以及对应的历史互动行为,对待推荐的多媒体资源的预测互动特征进行变换,以得到互动行为参数,进一步地,结合目标用户的互动偏好,来判断是否需要向目标用户推荐该多媒体资源。采用这种装置得到的多媒体资源的互动行为参数的准确率较高,并且能够有针对性地向目标用户推荐想要的多媒体资源,进而有效改善了多媒体资源的推荐效果。
需要说明的是:上述实施例提供的多媒体资源推荐装置在推荐多媒体资源时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的多媒体资源推荐装置与多媒体资源推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本公开实施例还提供了一种电子设备,该电子设备包括:一个或多个处理器;用于存储该处理器可执行程序代码的存储器;其中,该处理器被配置为执行该程序代码,以实现上述各个方法实施例提供的多媒体资源推荐方法中服务器执行的过程。
在一些实施例中,本申请实施例所涉及的程序代码可被部署在一个电子设备上执行,或者在位于一个地点的多个电子设备上执行,分布在多个地点且通过有线网络或无线网络互连的多个电子设备可以组成区块链系统。
以电子设备为服务器为例,图7是根据一示例性实施例示出的一种服务器的框图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)701和一个或多个的存储器702,其中,该一个或多个存储器702中存储有至少一条程序代码,该至少一条程序代码由该一个或多个处理器701加载并执行以实现上述各个方法实施例提供的多媒体资源推荐方法中服务器执行的过程。当然,该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器700还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括程序代码的计算机可读存储介质,例如包括程序代码的存储器702,上述程序代码可由服务器700的处理器701执行以完成上述多媒体资源推荐方法。在一些实施例中,计算机可读存储介质可以是只读内存(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact-DiscRead-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的多媒体资源推荐方法。
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。
Claims (16)
1.一种多媒体资源推荐方法,其特征在于,所述方法包括:
基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到所述多媒体资源的至少一个互动行为参数,所述预测互动特征用于指示基于互动特征预测模型预测得到的所述多媒体资源的互动情况,所述互动行为参数用于指示所述多媒体资源被推荐给任意用户后的预测互动效果,其中,所述变换参数基于历史预测互动特征以及对应的历史互动行为确定;
基于所述至少一个互动行为参数和目标用户的用户互动特征,获取所述多媒体资源的预测推荐信息,所述用户互动特征用于指示所述目标用户的互动偏好,所述预测推荐信息用于指示向所述目标用户推荐所述多媒体资源的概率;
响应于所述预测推荐信息符合目标推荐条件,向所述目标用户推荐所述多媒体资源。
2.根据权利要求1所述的方法,其特征在于,所述基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到所述多媒体资源的至少一个互动行为参数,包括:
对于所述至少一个预测互动特征中的任一预测互动特征,基于多个线性单调函数,对所述预测互动特征进行多次线性变换,得到所述预测互动特征对应的多个第一互动特征;
基于多个非线性单调函数,对所述多个第一互动特征分别进行非线性变换,得到所述预测互动特征对应的多个第二互动特征;
对所述多个第二互动特征进行加权求和,得到所述预测互动特征对应的所述互动行为参数;
其中,所述多个线性单调函数和所述多个非线性单调函数的单调性一致。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个第二互动特征进行加权求和,得到所述预测互动特征对应的所述互动行为参数,包括:
获取多个非线性变换权重,所述非线性变换权重基于所述非线性变换对所述互动行为参数的重要性确定;
基于所述多个非线性变换权重,对所述第二互动特征进行加权求和,得到所述预测互动特征对应的所述互动行为参数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述至少一个互动行为参数和目标用户的用户互动特征,获取所述多媒体资源的预测推荐信息,包括:
基于所述至少一个互动行为参数和所述用户互动特征,获取所述多媒体资源的第一推荐信息,所述第一推荐信息用于指示所述目标用户对所述多媒体资源的感兴趣程度;
基于所述至少一个互动行为参数,获取所述多媒体资源的第二推荐信息,所述第二推荐信息用于指示任意用户对所述多媒体资源的感兴趣程度;
基于所述第一推荐信息和所述第二推荐信息,得到所述预测推荐信息。
5.根据权利要求4所述的方法,其特征在于,所述基于所述至少一个互动行为参数和所述用户互动特征,获取所述多媒体资源的第一推荐信息,包括:
基于所述用户互动特征,获取至少一个第一权重,所述第一权重用于指示所述目标用户对所述互动行为参数对应的互动方式的感兴趣程度;
基于所述至少一个第一权重,对所述至少一个互动行为参数进行加权求和,得到所述第一推荐信息。
6.根据权利要求5所述的方法,其特征在于,所述基于所述用户互动特征,获取至少一个第一权重,包括:
基于所述至少一个互动行为参数对应的互动方式,从所述用户互动特征中确定对应的至少一个数值,将所述至少一个数值作为所述至少一个第一权重。
7.根据权利要求4所述的方法,其特征在于,所述基于所述至少一个互动行为参数,获取所述多媒体资源的第二推荐信息,包括:
获取至少一个第二权重,所述第二权重用于指示任意用户对所述互动行为参数对应的互动方式的感兴趣程度;
基于所述至少一个第二权重,对所述至少一个互动行为参数进行加权求和,得到所述第二推荐信息。
8.一种多媒体资源推荐装置,其特征在于,所述装置包括:
变换模块,被配置为执行基于变换参数对多媒体资源的至少一个预测互动特征进行变换,得到所述多媒体资源的至少一个互动行为参数,所述预测互动特征用于指示基于互动特征预测模型预测得到的所述多媒体资源的互动情况,所述互动行为参数用于指示所述多媒体资源被推荐给任意用户后的预测互动效果,其中,所述变换参数基于历史预测互动特征以及对应的历史互动行为确定;
获取模块,被配置为执行基于所述至少一个互动行为参数和目标用户的用户互动特征,获取所述多媒体资源的预测推荐信息,所述用户互动特征用于指示所述目标用户的互动偏好,所述预测推荐信息用于指示向所述目标用户推荐所述多媒体资源的概率;
推荐模块,被配置为执行响应于所述预测推荐信息符合目标推荐条件,向所述目标用户推荐所述多媒体资源。
9.根据权利要求8所述的装置,其特征在于,所述变换模块包括:
线性变换单元,被配置为执行对于所述至少一个预测互动特征中的任一预测互动特征,基于多个线性单调函数,对所述预测互动特征进行多次线性变换,得到所述预测互动特征对应的多个第一互动特征;
非线性变换单元,被配置为执行基于多个非线性单调函数,对所述多个第一互动特征分别进行非线性变换,得到所述预测互动特征对应的多个第二互动特征;
加权求和单元,被配置为执行对所述多个第二互动特征进行加权求和,得到所述预测互动特征对应的所述互动行为参数;
其中,所述多个线性单调函数和所述多个非线性单调函数的单调性一致。
10.根据权利要求9所述的装置,其特征在于,所述加权求和单元被配置为执行:
获取多个非线性变换权重,所述非线性变换权重基于所述非线性变换对所述互动行为参数的重要性确定;
基于所述多个非线性变换权重,对所述第二互动特征进行加权求和,得到所述预测互动特征对应的所述互动行为参数。
11.根据权利要求8所述的装置,其特征在于,所述获取模块包括:
第一获取单元,被配置为执行基于所述至少一个互动行为参数和所述用户互动特征,获取所述多媒体资源的第一推荐信息,所述第一推荐信息用于指示所述目标用户对所述多媒体资源的感兴趣程度;
第二获取单元,被配置为执行基于所述至少一个互动行为参数,获取所述多媒体资源的第二推荐信息,所述第二推荐信息用于指示任意用户对所述多媒体资源的感兴趣程度;
第三获取单元,被配置为执行基于所述第一推荐信息和所述第二推荐信息,得到所述预测推荐信息。
12.根据权利要求11所述的装置,其特征在于,所述第一获取单元被配置为执行:
基于所述用户互动特征,获取至少一个第一权重,所述第一权重用于指示所述目标用户对所述互动行为参数对应的互动方式的感兴趣程度;
基于所述至少一个第一权重,对所述至少一个互动行为参数进行加权求和,得到所述第一推荐信息。
13.根据权利要求12所述的装置,其特征在于,所述第一获取单元被配置为执行:
基于所述至少一个互动行为参数对应的互动方式,从所述用户互动特征中确定对应的至少一个数值,将所述至少一个数值作为所述至少一个第一权重。
14.根据权利要求11所述的装置,其特征在于,所述第二获取单元被配置为执行:
获取至少一个第二权重,所述第二权重用于指示任意用户对所述互动行为参数对应的互动方式的感兴趣程度;
基于所述至少一个第二权重,对所述至少一个互动行为参数进行加权求和,得到所述第二推荐信息。
15.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
用于存储所述处理器可执行程序代码的存储器;
其中,所述处理器被配置为执行所述程序代码,以实现如权利要求1至7中任一项所述的多媒体资源推荐方法。
16.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的程序代码由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的多媒体资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720271.4A CN113254679B (zh) | 2021-06-28 | 2021-06-28 | 多媒体资源推荐方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720271.4A CN113254679B (zh) | 2021-06-28 | 2021-06-28 | 多媒体资源推荐方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254679A CN113254679A (zh) | 2021-08-13 |
CN113254679B true CN113254679B (zh) | 2021-09-28 |
Family
ID=77189908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720271.4A Active CN113254679B (zh) | 2021-06-28 | 2021-06-28 | 多媒体资源推荐方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254679B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742600B (zh) * | 2021-11-05 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及介质 |
CN113779419B (zh) * | 2021-11-15 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN114996487B (zh) * | 2022-05-24 | 2023-04-07 | 北京达佳互联信息技术有限公司 | 媒体资源推荐方法、装置、电子设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828393A (zh) * | 2007-08-24 | 2010-09-08 | 谷歌公司 | 基于媒体的推荐 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109543112A (zh) * | 2018-11-30 | 2019-03-29 | 苏州大学 | 一种基于循环卷积神经网络的序列推荐方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206276A1 (en) * | 2016-01-14 | 2017-07-20 | Iddo Gill | Large Scale Recommendation Engine Based on User Tastes |
CN110149540B (zh) * | 2018-04-27 | 2021-08-24 | 腾讯科技(深圳)有限公司 | 多媒体资源的推荐处理方法、装置、终端及可读介质 |
CN112328814B (zh) * | 2021-01-05 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置及存储介质 |
-
2021
- 2021-06-28 CN CN202110720271.4A patent/CN113254679B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828393A (zh) * | 2007-08-24 | 2010-09-08 | 谷歌公司 | 基于媒体的推荐 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109543112A (zh) * | 2018-11-30 | 2019-03-29 | 苏州大学 | 一种基于循环卷积神经网络的序列推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113254679A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN113254679B (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
US10354184B1 (en) | Joint modeling of user behavior | |
EP3893154A1 (en) | Recommendation model training method and related apparatus | |
CN110162701B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
US9838743B2 (en) | Techniques for context aware video recommendation | |
US20210056458A1 (en) | Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content | |
CN110020188A (zh) | 基于隐式交互和简档数据的全局向量推荐 | |
EP4258132A1 (en) | Recommendation method, recommendation network, and related device | |
CN112364203B (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN113379449A (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN112269943B (zh) | 一种信息推荐系统及方法 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
US11049041B2 (en) | Online training and update of factorization machines using alternating least squares optimization | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN113935251B (zh) | 用户行为预测模型的生成方法、用户行为预测方法及装置 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN115482021A (zh) | 多媒体信息推荐方法、装置、电子设备及存储介质 | |
CN112035740A (zh) | 项目使用时长预测方法、装置、设备及存储介质 | |
CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 | |
CN114266622A (zh) | 资源推荐方法、装置、电子设备以及存储介质 |
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 |