CN113254707B - 模型确定、关联媒体资源确定方法和装置 - Google Patents

Abstract

本公开关于模型确定、关联媒体资源确定方法和装置，所述模型确定方法包括：确定第三媒体资源；确定第一媒体资源以及第二媒体资源和第三媒体资源之间的关联操作信息；根据关联操作信息确定第一媒体资源和第二媒体资源的目标关联度；以第一媒体资源和第二媒体资源作为节点构建图；在图中确定正样本和构成训练样本集；基于训练样本集对初始模型进行训练，以得到目标模型。根据本公开，确定的目标关联度并不仅仅考虑了第一媒体资源和第二媒体资源，还考虑了与两者都存在关联的第三媒体资源，使得确定目标关联度的依据更为全面，有利于准确地确定媒体资源之间的关联度。

Description

模型确定、关联媒体资源确定方法和装置

技术领域

本公开涉及媒体资源关联关系确定领域，尤其涉及模型确定方法、关联媒体资源确定方法、模型确定装置、关联媒体资源确定装置、电子设备、存储介质和计算机程序产品。

背景技术

为了提高用户的使用体验，在用户进行浏览视频的操作时，可以确定用户可能感兴趣的视频，并推荐给用户，其中为用户推荐视频的操作，可以依次包括召回、粗排、精排等串行的步骤，其中召回确定的视频最多，粗排在召回确定的视频中进行筛选，精排再对粗排确定的视频进行筛选，而这些步骤的初始动作就是召回。

针对召回而言，相关技术中可以以视频作为节点构建图（或者称作图结构），进而基于图确定视频之间的关联，从而针对每个视频确定预期相关的视频作为召回结果。

但是目前构建图的过程，一般会根据视频的固有属性，例如作者、类型等信息确定视频之间的关联度，这忽视了用户针对视频的个性化操作，导致确定的关联度准确性不高，进而基于图中节点构建训练样本集后，基于训练样本集训练得到的模型对视频之间的关联度进行预测，准确性也会相对较低。

发明内容

本公开提供了模型确定方法、关联媒体资源确定方法、模型确定装置、关联媒体资源确定装置、电子设备、存储介质和计算机程序产品，以至少解决相关技术中的技术问题。本公开的技术方案如下：

根据本公开的第一方面，提出一种模型确定方法，包括：

确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源；确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

以所述第一媒体资源和所述第二媒体资源作为节点构建图；其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征；

在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

可选地，所述根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度包括：

根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；

根据所述第一关联度和所述第二关联度确定所述目标关联度。

可选地，所述根据所述第一关联度和所述第二关联度确定所述目标关联度包括：确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

可选地，所述根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度包括：在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；根据所述最小关联度和所述相关媒体资源数量确定所述目标关联度；其中，所述目标关联度与所述最小关联度正相关。

可选地，存在多个所述第三媒体资源，所述根据所述最小关联度和所述相关媒体资源数量确定所述目标关联度包括：以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

可选地，所述第一关联操作信息包括以下至少之一：所述第一媒体资源和所述第三媒体资源的第一观看间隔信息、所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率；

和/或所述第二关联操作信息包括以下至少之一：所述第二媒体资源和所述第三媒体资源的第二观看间隔信息、所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

可选地，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度包括：在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；

和/或所述根据所述第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度包括：在所述第二时间差值为正的情况下，根据所述第二关联操作信息确定所述第二关联度。

可选地，所述第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量中至少之一正相关，所述第一关联度与所述第一观看间隔信息负相关；和/或所述第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量中至少之一正相关，所述第二关联度与所述第二观看间隔信息负相关。

可选地，所述根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征包括：

在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；

根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

根据本公开实施例的第二方面，提出一种关联媒体资源确定方法，包括：将全量媒体资源输入根据所述模型确定方法得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

可选地，所述目标模型用于获取所述全量媒体资源中每个媒体资源的属性特征的嵌入式表示；并将每两个媒体资源对应的嵌入式表示作为所述目标模型的输入，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

可选地，所述方法还包括：在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；针对所述至少一个历史媒体资源中的每个历史媒体资源确定关联媒体资源；将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

根据本公开实施例的第三方面，提出一种模型确定装置，包括：

关联度确定模块，被配置为执行确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源；确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

图构建模块，被配置为执行以所述第一媒体资源和所述第二媒体资源作为节点构建图，其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

采样模块，被配置为根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征；

样本集确定模块，被配置为执行在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

模型训练模块，被配置为执行通过目标训练算法基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

可选地，所述关联度确定模块，被配置为根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；根据所述第一关联度和所述第二关联度确定所述目标关联度。

可选地，所述关联度确定模块，被配置为执行确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

可选地，所述关联度确定模块，被配置为执行在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；根据所述最小关联度和所述相关媒体资源数量所述目标关联度；其中，所述目标关联度与所述最小关联度正相关。

可选地，存在多个所述第三媒体资源，所述关联度确定模块，被配置为执行以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

可选地，所述第一关联操作信息包括以下至少之一：所述第一媒体资源和所述第三媒体资源的第一观看间隔信息、所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率；

和/或所述第二关联操作信息包括以下至少之一：所述第二媒体资源和所述第三媒体资源的第二观看间隔信息、所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

可选地，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述关联度确定模块，被配置为执行在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；和/或在所述第二时间差值为正的情况下，根据所述第二关联操作信息确定所述第二关联度。

可选地，所述第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量中至少之一正相关，所述第一关联度与所述第一观看间隔信息负相关；和/或所述第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量中至少之一正相关，所述第二关联度与所述第二观看间隔信息负相关。

可选地，所述采样模块，被配置为执行在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

根据本公开实施例的第四方面，提出一种关联媒体资源确定装置，包括：

关联确定模块，被配置为执行将全量媒体资源输入根据所述模型确定装置得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

可选地，所述目标模型用于获取所述全量媒体资源中每个媒体资源的属性特征的嵌入式表示；并将每两个媒体资源对应的嵌入式表示作为所述目标模型的输入，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

可选地，所述装置还包括：历史确定模块，被配置为执行在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；其中，关联确定模块，被配置为执行针对所述至少一个历史媒体资源中的每个所述历史媒体资源确定关联媒体资源；将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

根据本公开实施例的第五方面，提出一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述模型确定方法，和/或上述关联媒体资源确定方法。

根据本公开实施例的第六方面，提出一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述模型确定方法，和/或上述关联媒体资源确定方法。

根据本公开实施例的第七方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述模型确定方法，和/或上述关联媒体资源确定方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

根据本公开的实施例，可以根据第一关联操作信息和第二关联操作信息确定第一媒体资源和第二媒体资源之间的目标关联度，而第一关联操作信息和第二关联操作信息则是根据第一媒体资源和第二媒体资源本身，和与这两个媒体资源被共同观看的第三媒体资源的关联操作信息确定的，因此确定的目标关联度并不仅仅考虑了第一媒体资源和第二媒体资源，还考虑了与两者都存在关联的第三媒体资源，使得确定目标关联度的依据更为全面，有利于准确地确定媒体资源之间的关联度。

进而基于第一媒体资源和第二媒体资源作为节点构建图，由于图中节点之间的边可以通过节点之间的目标关联度表示，那么基于图进一步确定的样本训练集，就可以准确表达媒体资源之间的关联度。进而基于该样本训练集训练得到的目标，也就可以准确地对资源之间是否存在关联进行准确地预测。

并且，相关技术中的在针对节点进行邻居采样时，一般采用的方式是随机采样，但是随机采样并不能体现节点之间的关系。

本实施例可以基于被采样的邻居节点与节点之间边的权重，对节点进行邻居采样。具体可以根据所述节点的邻居节点与所述节点之间边的权重作为采样权重，对所述邻居节点进行采样，有利于确保采样过程能够基于节点之间的关系进行，与节点关联度越大的邻居节点越大概率被采样到。

进而可以根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，并根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征，从而使得节点的属性特征，既包含节点自身的属性特征，又在一定程度上包含所采样的邻居节点的属性特征。据此，避免邻居节点的属性特征在采样过程中丢失，有利于确保节点相对全面地体现图结构中大部分与其相关节点的属性特征，以便后续训练过程中，可以更为准确的预测节点之间是否存在边。

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是根据本公开的实施例示出的一种模型确定方法的示意流程图。

图2是根据本公开的实施例示出的另一种模型确定方法的示意流程图。

图3是根据本公开的实施例示出的又一种模型确定方法的示意流程图。

图4是根据本公开的实施例示出的又一种模型确定方法的示意流程图。

图5是根据本公开的实施例示出的又一种模型确定方法的示意流程图。

图6是根据本公开的实施例示出的节点所在图的部分示意图。

图7是针对节点进行邻居采样的示意图。

图8是根据本公开的实施例示出的一种关联媒体资源确定方法的示意流程图。

图9是根据本公开的实施例示出的另一种关联媒体资源确定方法的示意流程图。

图10是根据本公开的实施例示出的一种模型确定装置的示意框图。

图11是根据本公开的实施例示出的一种关联媒体资源确定装置的示意框图。

图12是根据本公开的实施例示出的另一种媒体资源关联关系确定装置的示意框图。

图13是根据本公开的实施例示出的一种电子设备的示意框图。

具体实施方式

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

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据本公开的实施例示出的一种模型确定方法的示意流程图。本实施例所示的方法可以适用于服务器、终端等电子设备。本实施例所示的方法可以适用于确定模型，所述模型可以根据需要选择适用场景，例如可以适用于确定媒体资源之间的关联度，还可以进一步确定如何召回媒体资源，媒体资源包括但不限于视频、短视频、动图、图片。

如图1所示，所述媒体资源关联关系确定方法可以包括以下步骤：

在步骤S101中，确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源，确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

在步骤S102中，以所述第一媒体资源和所述第二媒体资源作为节点构建图，其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

在步骤S103中，根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征；

在步骤S104中，在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

在步骤S105中，通过目标训练算法基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

在一个实施例中，针对第一媒体资源和第二媒体资源这两个媒体资源而言，可以根据与这两个媒体资源分别被共同观看的第三媒体资源来确定这两个媒体资源之间的关联度，例如可以根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度。其中，被共同观看是指，第一媒体资源和第三媒体资源被同一个用户共同观看，第二媒体资源和第三媒体资源被同一个用户（与第一媒体资源和第三媒体资源被共同观看给的用户可以相同或不同）共同观看。

其中，第三媒体资源可以是任意媒体资源，也可以是与第一媒体资源和第二媒体资源分别存在一定关联的媒体资源，例如与第一媒体资源具有部分相同属性信息，与第二媒体资源也具有部分相同属性，具体确定第三媒体资源的方式本公开的实施例不作限制。

针对第一媒体资源和第三媒体资源而言，可以将其作为一个媒体资源对，例如称作第一媒体资源对，然后针对第一媒体资源对确定第一关联操作信息，第一关联操作信息主要包括两部分，一部分是观看率信息，称作第一观看率信息，也即第一媒体资源和第三媒体资源被相同用户观看的观看率信息，另一部分是针对第一媒体资源对的观看间隔信息，称作第一观看间隔信息。

在一个实施例中，所述第一观看率信息包括以下至少之一：所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率。

所述第一媒体资源和所述第三媒体资源的第一共同曝光用户量，是指第一媒体资源对的曝光用户量，也即第一媒体资源和第三媒体资源曝光给相同用户的数量，例如第一媒体资源曝光给用户A，第三媒体资源也曝光给用户A，那么可以算作一次第一共同曝光用户量；

所述第一媒体资源和所述第三媒体资源的第一共同观看用户量，是指第一媒体资源对的观看用户量，也即既观看了第一媒体资源，又观看了第三媒体资源的用户量；

所述第一媒体资源和所述第三媒体资源的第一共同观看率，是指第一媒体资源对的观看率，观看率可以根据上述共同观看用户量和共同曝光用户量计算，例如将第一共同观看用户量和第一共同曝光用户量作商。

针对第二媒体资源和第三媒体资源而言，可以将其作为一个媒体资源对，例如称作第二媒体资源对，然后针对第二媒体资源对确定第二关联操作信息，第二关联操作信息主要包括两部分，一部分是观看率信息，称作第二观看率信息，也即第二媒体资源和第三媒体资源被相同用户观看的观看率信息，另一部分是针对第二媒体资源对的观看间隔信息，称作第二观看间隔信息。

在一个实施例中，所述第二观看率信息包括以下至少之一：所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

所述第二媒体资源和所述第三媒体资源的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源的第二共同观看率。其中第二共同曝光用户量、第二共同观看用户量、第二共同观看率的含义与上述第一共同曝光用户量、第一共同观看用户量、第一共同观看率的解释类似，在此不再赘述。

在一个实施例中，可以以第一媒体资源和第二媒体资源作为节点构建图（也可以称作图结构），其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边。

进一步可以根据目标关联度确定图中节点之间边的权重，以及根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征。

在一个实施例中，可以在构建的图中确定两者之间存在边的节点对为正样本，以及在图中确定两者之间不存在边的节点对为负样本，进而基于正样本和负样本构成训练样本集，并且节点对中的节点关联自身的属性特征。

由于正样本和负样本对应的节点对中的节点关联自身的属性特征，例如节点对A和B中，节点A关联节点A的属性特征，节点B关联节点B的属性特征，因此构成的训练样本集中，每个正样本和负样本都对应两个节点对的属性特征，以便在训练过程中使用。其中，所述属性特征包括但不限于上述实施例中的观看率信息、观看间隔信息。

在模型训练过程中，首先可以确定初始模型，初始模型的输入可以是训练样本集中样本对应的两个节点的属性特征，初始模型的输出可以是对输入的两个节点之间是否存在边的预测结果。例如初始模型可以对这两个节点进行处理（例如处理节点的属性特征），得到（例如经由初始模型中的全连接层输出）每个节点的嵌入式（embedding）表示，其中，嵌入式表示可以理解为节点的多维特征向量。

进而目标模型可以基于两个节点的嵌入式表示预测这两个节点之间是否存在边，例如具体可以预测这两个节点之间存在边的概率，例如预测结果可以通过百分比表示，概率大于概率阈值时可以大于输入模型的两个节点之间存在边。进而可以根据输入模型的两个节点之间是否存在边来判断预测结果是否准确，若输入模型的两个节点之间存在边，预测结果也是这节点之间存在边，那么预测结果准确，若输入模型的两个节点之间存在边，预测结果也是这节点之间不存在边，那么预测结果不准确，进而可以统计预测结果的准确率（例如一段时间内预测准确的次数/全部预测次数）。

训练所用到的目标训练算法包括但不限于GraphSage算法。可以将样本训练集中的正样本和负样本输入到初始模型中，并基于监督学习的方式逐步调整初始模型，使得调整后的初始模型得到的预测结果越来越准确，直至准确率达到准确率阈值（可以根据需要进行设置），可以停止训练，并将训练得到的模型作为目标模型。

根据本公开的实施例，可以根据第一关联操作信息和第二关联操作信息确定第一媒体资源和第二媒体资源之间的目标关联度，而第一关联操作信息和第二关联操作信息则是根据第一媒体资源和第二媒体资源本身，和与这两个媒体资源被共同观看的第三媒体资源确定的，因此确定的目标关联度并不仅仅考虑了第一媒体资源和第二媒体资源，还考虑了与两者都存在关联的第三媒体资源，使得确定目标关联度的依据更为全面，有利于准确地确定媒体资源之间的关联度。

进而基于第一媒体资源和第二媒体资源作为节点构建图，由于图中节点之间的边可以通过节点之间的目标关联度表示，那么基于图进一步确定的样本训练集，就可以准确表达媒体资源之间的关联度。进而基于该样本训练集训练得到的目标，也就可以准确地对资源之间是否存在关联（图中节点之间是否存在边）进行准确地预测。

并且，相关技术中的在针对节点进行邻居采样时，一般采用的方式是随机采样，但是随机采样并不能体现节点之间的关系。

本实施例可以基于被采样的邻居节点与节点之间边的权重，对节点进行邻居采样。具体可以根据所述节点的邻居节点与所述节点之间边的权重作为采样权重，对所述邻居节点进行采样，有利于确保采样过程能够基于节点之间的关系进行，与节点关联度越大的邻居节点越大概率被采样到。

进而可以根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，并根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征，从而使得节点的属性特征，既包含节点自身的属性特征，又在一定程度上包含所采样的邻居节点的属性特征。据此，避免邻居节点的属性特征在采样过程中丢失，有利于确保节点相对全面地体现图结构中大部分与其相关节点的属性特征，以便后续训练过程中，可以更为准确的预测节点之间是否存在边。

在一个实施例中，所述根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度包括：

根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；

根据所述第一关联度和所述第二关联度确定所述第一媒体资源和所述第二媒体资源的目标关联度。

在一个实施例中，由于第一关联操作信息和第二关联操作信息与目标关联度并非直接相关。其中，第一关联操作信息是与第一媒体资源和第三媒体资源直接相关的，也即与第一媒体资源和第三媒体资源之间的第一关联度直接相关；第一关联操作信息则是与第二媒体资源和第三媒体资源直接相关的，也即与第二媒体资源和第三媒体资源之间的第二关联度直接相关。

因此，可以先根据所述第一关联操作信息确定直接相关的第一关联度，以及根据第二关联操作信息确定直接相关的第二媒体资源和所述第三媒体资源的第二关联度，可以相对准确地计算出第一关联度和第二关联度，进而再根据第一关联度和第二关联度计算目标关联度，相比于直接根据第一关联操作信息和第二关联操作信息直接计算目标关联度，有利于准确计算目标关联度。

在一个实施例中，由于两个媒体资源的观看率信息的值越大，说明这两个媒体资源之间的关联度越高，两个媒体资源的观看间隔信息的值越大，说明这两个媒体资源之间的关联度越低。因此，可以设置第一媒体资源和第三媒体资源的第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量正相关，所述第一关联度与所述第一观看间隔信息负相关；还可以设置第二媒体资源和第三媒体资源的第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量正相关，所述第二关联度与所述第二观看间隔信息负相关。

需要说明是的是，上述第一观看间隔信息和第一观看间隔信息所对应的操作，可以仅包含相同的操作，还可以包含不同的操作。例如针对第一观看间隔信息，以包含不同的操作为例，针对第一媒体资源的操作为保存，操作的时间为T1，针对第三媒体资源的操作为点击观看，操作的时间为T3，那么第一观看间隔信息可以是T1和T3的差值，或者是T3和T1的差值，具体可以根据需要设置。

图2是根据本公开的实施例示出的另一种媒体资源关联关系确定方法的示意流程图。如图2所示，本公开的一些实施例中，所述根据所述第一关联度和所述第二关联度确定所述目标关联度包括：

在步骤S201中，确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；

在步骤S202中，根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；

其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

在一个实施例中，在确定媒体资源之间的关联度时，可能会受到热门媒体资源的影响，由于热门媒体资源被所有用户整体观看次数较多，若某个媒体资源为热门媒体资源，那么其与大量媒体资源都会存在一定关系，那么在根据观看率信息确定媒体资源之间的关联度时，往往会为热门媒体资源确定较大的关联度，但是可能用户对热门媒体资源并不感兴趣。

为了避免热门媒体资源的上述影响，本实施例针对第三媒体资源，可以确定第三媒体资源的相关媒体资源数量，也即与所述第三媒体资源被相同用户观看的媒体资源的数量，然后根据第一关联度和第二关联度以及相关媒体资源数量确定所述目标关联度，并且目标关联度与第一关联度和第二关联度正相关，与相关媒体资源数量负相关，那么在第三媒体资源相关媒体资源数量越多时，其越有可能是热门媒体资源，那么通过该热门媒体资源建立关联的第一媒体资源和第二媒体资源之间的关联度也就越低。

在一个实施例中，为了确定第三媒体资源的相关媒体资源数量，可以以媒体资源作为节点构建图，然后针对第三媒体资源对应的节点，确定其度数，可以理解为与第三媒体资源的节点相连的边的数量，其度数越大，相关媒体资源数量就越多。

图3是根据本公开的实施例示出的又一种媒体资源关联关系确定方法的示意流程图。如图3所示，本公开的一些实施例中，所述根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度包括：

在步骤S301中，在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；

在步骤S302中，根据所述最小关联度和所述相关媒体资源数量所述目标关联度；

其中，所述目标关联度与所述最小关联度正相关。

在一个实施例中，由于第一媒体资源和第二媒体资源之间的目标关联度，是根据第一媒体资源与第三媒体资源的第一关联度，和第三媒体资源与第二媒体资源的第二关联度间接确定的，那么第一关联度可以理解为第一媒体资源和第三媒体资源之间的水管粗细，第二关联度可以理解为第二媒体资源和第三媒体资源之间的水管粗细，那么两个水管连起来，其中的水流量可以理解为是目标关联度，但是两个水管的水流量一般不取决于粗的水管，而是取决于细的水管，也即第一关联度和第二关联度中的最小关联度，因此可以根据第一关联度和第二关联度中第三媒体资源对应的最小关联度确定目标关联度。

例如第一观看率信息包括第一媒体资源和第三媒体资源的共同观看用户量click_user_cnt_1，第一媒体资源和第三媒体资源的共同观看率pair_uctr_1，第一观看间隔信息为click_med_gap_1，表示对第三媒体资源操作的时间与对第一媒体资源操作的时间之间的间隔。

那么在一个实施例中，第一关联度f(x, z)可以基于下式计算：

f(a, b)=(log10(click_user_cnt_α)*pair_uctr_1/ (1/(1+exp(-log10(click_med_gap_α+1) *r+p))+q)；

其中，x表示第一媒体资源，z表示第三媒体资源，r、p、q为与具体应用相关的参数，可以根据需要进行设置。在将x作为a，z作为b代入f(a, b)计算f(x, z)时，click_user_cnt_α为click_user_cnt_1，click_med_gap_α为click_med_gap_1。

类似地，第二观看率信息包括第二媒体资源和第三媒体资源的共同观看用户量click_user_cnt_2，第二媒体资源和第三媒体资源的共同观看率pair_uctr_2，第二观看间隔信息为click_med_gap_2，表示对第三媒体资源操作的时间与对第二媒体资源操作的时间之间的间隔。

那么在一个实施例中，第二关联度f(y, z)可以基于下式计算：

f(a, b)=(log10(click_user_cnt_α) *pair_uctr_2/ (1/(1+exp(-log10(click_med_gap_α+1)*r+p))+q)；

其中，y表示第二媒体资源，z表示第三媒体资源，在将y作为a，z作为b代入f(a, b)计算f(y, z)时，click_user_cnt_α为click_user_cnt_2，click_med_gap_α为click_med_gap_2。

那么目标关联度s_xy 可以基于下式计算：

s_xy = min(f(x,z), f(y,z))/log(k(z))；

其中，min(f(x,z), f(y,z))表示取f(x,z), f(y,z)和中的最小关联度，k(z)为第三媒体资源对应节点的度数。

图4是根据本公开的实施例示出的又一种媒体资源关联关系确定方法的示意流程图。如图4所示，本公开的一些实施例中，存在多个所述第三媒体资源，所述根据所述最小关联度和所述相关媒体资源数量确定所述目标关联度包括：

在步骤S401中，以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

在一个实施例中，可以存在多个第三媒体资源，针对每个第三媒体资源而言，都可以按照上述实施例确定目标关联度。那么针对全部第三媒体资源而言，可以将目标关联度加和，也即以最小关联度作为权值对第三媒体资源对应的相关媒体资源数量加权求和，求和结果作为总的目标关联度表示第一媒体资源和第二媒体资源之间的关联度。

例如基于上述实施例，某个第三媒体资源对应的目标关联度为：

s_xy = min(f(x,z), f(y,z))/log(k(z))；

那么针对所有第三媒体资源，总的目标关联度为：

s_xy = sum_{z∈N(x)∩N(y)} {min(f(x,z), f(y,z))/log(k(z))}；

sum表示加和，也即针对所有与第一媒体资源x和第二媒体资源y相关联的第三媒体资源z，通过最小关联度min(f(x,z), f(y,z))对相关媒体资源数量log(k(z))加权求和，基于min(f(x,z), f(y,z))/log(k(z))计算关联度，进而再将针对每个第三媒体资源z计算的关联度加和，作为第一媒体资源x和第二媒体资源y的目标关联度，从而确保在存在多个第三媒体资源的情况下，也能够合理地计算目标关联度。

图5是根据本公开的实施例示出的又一种媒体资源关联关系确定方法的示意流程图。如图5所示，在本公开的一些实施例中，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度包括：

在步骤S501中，在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；和/或所述根据所述第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度包括：在所述第二时间差值为正的情况下，根据所述第二关联操作信息确定所述第二关联度。

在一个实施例中，可以根据需要对第一观看间隔信息进行限制，例如在第一时间差值为正的情况下，根据第一关联操作信息确定第一媒体资源和第三媒体资源的第一关联度，而在第一时间差值为0或负的情况下，不根据第一关联操作信息确定第一媒体资源和第三媒体资源的第一关联度，或者将第一关联度设置为0。例如第一时间差值表示上述T1和T3的差值，那么在T1和T3的差值为正的情况下，才根据第一关联操作信息确定第一媒体资源和第三媒体资源的第一关联度。

类似地，也可以根据需要对第二观看间隔信息进行限制，例如在在第二时间差值为正的情况下，根据第二关联操作信息确定第二媒体资源和第三媒体资源的第二关联度，而在第二时间差值为0或负的情况下，不根据第二关联操作信息确定第二媒体资源和第三媒体资源的第二关联度，或者将第二关联度设置为0。

在一个实施例中，所述根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征包括：

根据所述目标关联度确定所述第一媒体资源对应节点和所述第二媒体资源对应节点之间边的权重；

在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；

根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

相关技术中的在针对节点进行邻居采样时，一般采用的方式是随机采样，但是随机采样并不能体现节点之间的关系。

本实施例可以基于被采样的邻居节点与节点之间边的权重作为采样权重，对节点进行邻居采样，具体可以根据所述节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样，有利于确保采样过程能够基于节点之间的关系，与节点之间关联度越大的邻居节点越大概率被采样到。

进而可以根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，以得到所述节点的属性特征，从而使得邻居采样后的节点的属性特征，既包含节点自身的属性特征，又在一定程度上包含所采样的邻居节点的属性特征。据此，避免邻居节点的属性特征在采样过程中丢失，有利于确保节点相对全面地体现图结构中大部分与其相关节点的属性特征，以便后续训练过程中，可以更为准确的判断节点之间是否存在边。

图6是根据本公开的实施例示出的节点所在图的部分示意图。图7是针对节点进行邻居采样的示意图。

在一个实施例中，进行的邻居采样可以是一跳邻居采样，也可以是多跳邻居采样，例如针对如图6所示的节点A而言，若进行一跳邻居采样，那么采用对象就是与A直接相邻的节点B、C和D，若进行两跳邻居采样，那么采样对象不仅包括节点B、C和D，还包括节点B、C和D的邻居节点，例如图7所示，包括节点B的邻居节点A和C，节点C的邻居节点A、B、E和F，节点D的邻居节点A。

进而可以根据节点A和C与节点B之间边的权重，分别对应节点A和C的属性特征进行采样，再对采样到的特征进行加权求和，然后根据加权求和结果与节点B原有的属性特征确定节点B的属性特征；类似得，可以确定节点C和D的属性特征；进而可以根据节点B、C和D与节点A之间边的权重，分别对应节点B、C和D的属性特征进行采样，再对采样到的特征进行加权求和，然后根据加权求和结果与节点A原有的属性特征确定节点A的属性特征。

图8是根据本公开的实施例示出的一种关联媒体资源确定方法的示意流程图。本实施例所示的关联媒体资源确定方法可以适用于服务器、终端等电子设备。本实施例所示的方法可以适用于预测媒体资源之间的关联关系，进而确定与某个媒体资源存在关联的其他媒体资源。媒体资源包括但不限于视频、短视频、动图、图片。

如图8所示，所述关联媒体资源确定方法可以包括以下步骤：

在步骤S801中，将全量媒体资源输入根据上述任一实施例所述方法得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

在一个实施例中，全量媒体资源可以是当前存储的全部媒体资源，或者当前时刻之前预设时间段的媒体资源。所述目标模型可以获取所述全量媒体资源中每个媒体资源的嵌入式表示；并基于获取的嵌入式表示确定所述全量媒体资源中每两个媒体资源的相似度；以及根据所述相似度确定所述全量媒体资源中的每个媒体资源的关联媒体资源。

在一个实施例中，在得到目标模型后，可以通过目标模型对预测媒体资源之间是否相关，例如可以将两个媒体资源输入目标模型，具体可以将两个媒体资源的属性特征输入目标模型。目标模型可以对这两个媒体资源进行处理（例如经由目标模型中的全连接层输出），得到每个媒体资源的嵌入式表示，其中，嵌入式表示可以理解为媒体资源的多维特征向量。

进而目标模型可以基于两个媒体资源的嵌入式表示确定这两个媒体资源之间是否存在边，例如具体可以确定两个媒体资源之间的相似度，其中，可以对着两个资源的嵌入式表示做内积，基于相似度即可确定全量媒体资源中的关联媒体资源，例如确定相似度大于相似阈值的两个媒体资源之间存在边，可以确定这两个媒体资源互为关联媒体资源，这两个关联媒体资源可以作为I2I数据存储。

图9是根据本公开的实施例示出的另一种关联媒体资源方法的示意流程图。如图9所示，本公开的一些实施例中，所述方法还包括：

在步骤S901中，在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；

在步骤S902中，针对所述至少一个历史媒体资源中的每个历史媒体资源确定关联媒体资源；

在步骤S903中，将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

在一个实施例中，当用户浏览媒体资源时，可以确定该用户浏览过的至少一个历史媒体资源，这些历史媒体资源一般是用户较为感兴趣的媒体资源，那么可以基于这些媒体资源做召回，进一步确定用户更多可能感兴趣的媒体资源，也即针对每个历史媒体资源都可以在图8所示实施例得到的关联媒体资源中，确定历史媒体资源的关联媒体资源作为召回结果。

例如用户浏览过的至少一个历史媒体资源的数量m，每个历史媒体资源的关联媒体资源的数量为n，则可以得到m×n个关联媒体资源作为召回结果。

后续可以针对召回结果中的媒体资源进一步进行粗排、精排等操作，得到最终推荐给用户的媒体资源，具体操作可以根据需要进行选择，本公开实施例不作限制。

与前述媒体资源关联关系确定方法的实施例相对应地，本公开还提出了媒体资源关联关系确定装置的实施例。

图10是根据本公开的实施例示出的一种模型确定装置的示意框图。本实施例所示的装置可以适用于服务器、终端等电子设备。本实施例所示的装置可以适用于确定媒体资源之间的关联度，还可以进一步确定如何召回媒体资源。

如图10所示，所述模型确定装置可以包括：

关联度确定模块1001，被配置为执行确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源，确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

图构建模块1002，被配置为执行以所述第一媒体资源和所述第二媒体资源作为节点构建图，其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

采样模块1003，被配置为根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征确定所述节点的属性特征；

样本集确定模块1004，被配置为执行在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

模型训练模块1005，被配置为执行通过目标训练算法基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

在一个实施例中，所述关联度确定模块，被配置为根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；根据所述第一关联度和所述第二关联度确定所述目标关联度。

在一个实施例中，所述关联度确定模块，被配置为执行确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；

其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

在一个实施例中，所述关联度确定模块，被配置为执行在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；根据所述最小关联度和所述相关媒体资源数量所述目标关联度；

其中，所述目标关联度与所述最小关联度正相关。

在一个实施例中，存在多个所述第三媒体资源，所述关联度确定模块，被配置为执行以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

在一个实施例中，所述第一关联操作信息包括以下至少之一：所述第一媒体资源和所述第三媒体资源的第一观看间隔信息、所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率；

在一个实施例中，所述第二关联操作信息包括以下至少之一：所述第二媒体资源和所述第三媒体资源的第二观看间隔信息、所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

在一个实施例中，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述关联度确定模块，被配置为执行在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；和/或在所述第二时间差值为正的情况下，根据所所述第二关联操作信息确定所述第二关联度。

在一个实施例中，所述第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量中至少之一正相关，所述第一关联度与所述第一观看间隔信息负相关；和/或所述第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量中至少之一正相关，所述第二关联度与所述第二观看间隔信息负相关。

在一个实施例中，所述采样模块，被配置为执行在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

图11是根据本公开的实施例示出的一种关联媒体资源确定装置的示意框图。本实施例所示的关联媒体资源确定装置可以适用于服务器、终端等电子设备。本实施例所示的装置可以适用于预测媒体资源之间的关联关系，进而确定与某个媒体资源存在关联的其他媒体资源。媒体资源包括但不限于视频、短视频、动图、图片。

如图11所示，所述关联媒体资源确定装置可以包括：

关联确定模块1101，被配置为执行将全量媒体资源输入根据上述任一实施例所述装置得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

在一个实施例中，所述目标模型用于获取所述全量媒体资源中每个媒体资源的属性特征的嵌入式表示；并将每两个媒体资源对应的嵌入式表示作为所述目标模型的输入，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

图12是根据本公开的实施例示出的又一种媒体资源关联关系确定装置的示意框图。如图12所示，所述装置还包括：

历史确定模块1201，被配置为执行在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；

其中，关联确定模块1101，被配置为执行针对所述至少一个历史媒体资源中的每个所述历史媒体资源确定关联媒体资源；将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

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相关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。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本公开的实施例还提出一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器;其中，所述处理器被配置为执行所述指令，以实现如上述任一实施例所述的模型确定方法和/或关联媒体资源确定方法。

本公开的实施例还提出一种一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一实施例所述的模型确定方法和/或关联媒体资源确定方法。

本公开的实施例还提出一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述任一实施例所述的模型确定方法和/或关联媒体资源确定方法。

图13是根据本公开的实施例示出的一种电子设备的示意框图。例如，电子设备1300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13，电子设备1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。

处理组件1302通常控制电子设备1300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1302可以包括一个或多个处理器1320来执行指令，以完成上述XX方法的全部或部分步骤。此外，处理组件1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。

存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300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，媒体资源等。存储器1304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1306为电子设备1300的各种组件提供电力。电源组件1306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1300生成、管理和分配电力相关联的组件。

多媒体组件1308包括在电子设备1300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1308包括一个前置摄像头和/或后置摄像头。当电子设备1300处于操作模式，如拍摄模 式或媒体资源模式时，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1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当电子设备1300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1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。

I/O接口1312为处理组件1302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1314包括一个或多个传感器，用于为电子设备1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300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1300的显示器和小键盘，传感器组件1314还可以检测电子设备1300或电子设备1300一个组件的位置改变，用户与电子设备1300接触的存在或不存在，电子设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314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1314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1314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1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300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1316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1316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。

在本公开一实施例中，电子设备1300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XX方法。

在本公开一实施例中，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1304，上述指令可由电子设备1300的处理器1320执行以完成上述XX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。

本领域技术人员在考虑说明书及实践这里公开的公开后，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。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本公开实施例所提供的方法和装置进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。

Claims (26)

1.一种模型确定方法，其特征在于，包括：

确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源，确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

以所述第一媒体资源和所述第二媒体资源作为节点构建图，其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征和采样后的邻居节点与所述节点之间边的权重以及所述节点原有的属性特征，确定所述节点的属性特征；

在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度包括：

根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；

根据所述第一关联度和所述第二关联度确定所述目标关联度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一关联度和所述第二关联度确定所述目标关联度包括：

确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；

根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；

其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度包括：

在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；

根据所述最小关联度和所述相关媒体资源数量确定所述目标关联度；

其中，所述目标关联度与所述最小关联度正相关。

5.根据权利要求4所述的方法，其特征在于，存在多个所述第三媒体资源，所述根据所述最小关联度和所述相关媒体资源数量确定所述目标关联度包括：

以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

6.根据权利要求2所述的方法，其特征在于，所述第一关联操作信息包括以下至少之一：

所述第一媒体资源和所述第三媒体资源的第一观看间隔信息、所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率；

和/或所述第二关联操作信息包括以下至少之一：

所述第二媒体资源和所述第三媒体资源的第二观看间隔信息、所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

7.根据权利要求6所述的方法，其特征在于，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度包括：

在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；

和/或所述根据所述第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度包括：

在所述第二时间差值为正的情况下，根据所述第二关联操作信息确定所述第二关联度。

8.根据权利要求6所述的方法，其特征在于，所述第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量中至少之一正相关，所述第一关联度与所述第一观看间隔信息负相关；和/或所述第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量中至少之一正相关，所述第二关联度与所述第二观看间隔信息负相关。

9.根据权利要求1至8中任一项所述的方法，其特征在于，所述根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征和采样后的邻居节点与所述节点之间边的权重以及所述节点原有的属性特征，确定所述节点的属性特征包括：

在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；

根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

10.一种关联媒体资源确定方法，其特征在于，包括：

将全量媒体资源输入根据权利要求1至9中任一项所述方法得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

11.根据权利要求10所述的方法，其特征在于，所述目标模型用于获取所述全量媒体资源中每个媒体资源的属性特征的嵌入式表示；并将每两个媒体资源对应的嵌入式表示作为所述目标模型的输入，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

12.根据权利要求11所述的方法，其特征在于，所述方法还包括：

在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；

针对所述至少一个历史媒体资源中的每个历史媒体资源确定关联媒体资源；

将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

13.一种模型确定装置，其特征在于，包括：

关联度确定模块，被配置为执行确定与第一媒体资源被共同观看且与第二媒体资源被共同观看的第三媒体资源，确定所述第一媒体资源和所述第三媒体资源的第一关联操作信息，以及所述第二媒体资源和所述第三媒体资源的第二关联操作信息；根据所述第一关联操作信息和所述第二关联操作信息确定所述第一媒体资源和所述第二媒体资源的目标关联度；

图构建模块，被配置为执行以所述第一媒体资源和所述第二媒体资源作为节点构建图，其中，具有相同的被共同观看的第三媒体资源的第一媒体资源和第二媒体资源对应的节点之间存在边，根据所述目标关联度确定所述节点之间边的权重；

采样模块，被配置为根据所述节点与邻居节点之间边的权重，对所述邻居节点进行采样，根据采样得到的邻居节点的属性特征和采样后的邻居节点与所述节点之间边的权重以及所述节点原有的属性特征，确定所述节点的属性特征；

样本集确定模块，被配置为执行在所述图中确定至少一个正样本和至少一个负样本构成训练样本集，其中，所述正样本为所述图中两者之间存在边的节点对，所述负样本为所述图中两者之间不存在边的节点对，所述节点对中的节点关联自身的属性特征；

模型训练模块，被配置为执行基于所述训练样本集对初始模型进行训练，所述初始模型的输入为所述训练样本集中样本对应的两个节点的属性特征，所述初始模型的输出为对所述样本对应的两个节点之间是否存在边的预测结果，在所述预测结果的准确率达到准确率阈值时，训练得到目标模型。

14.根据权利要求13所述的装置，其特征在于，所述关联度确定模块，被配置为根据所述第一关联操作信息确定所述第一媒体资源和所述第三媒体资源的第一关联度，根据第二关联操作信息确定所述第二媒体资源和所述第三媒体资源的第二关联度；根据所述第一关联度和所述第二关联度确定所述目标关联度。

15.根据权利要求14所述的装置，其特征在于，所述关联度确定模块，被配置为执行确定与所述第三媒体资源被相同用户观看的相关媒体资源数量；根据所述第一关联度和所述第二关联度以及所述相关媒体资源数量确定所述目标关联度；

其中，所述目标关联度与所述第一关联度和所述第二关联度正相关，与所述相关媒体资源数量负相关。

16.根据权利要求15所述的装置，其特征在于，所述关联度确定模块，被配置为执行在所述第一关联度和所述第二关联度中确定所述第三媒体资源对应的最小关联度；根据所述最小关联度和所述相关媒体资源数量所述目标关联度；

其中，所述目标关联度与所述最小关联度正相关。

17.根据权利要求16所述的装置，其特征在于，存在多个所述第三媒体资源，所述关联度确定模块，被配置为执行以所述第三媒体资源对应的最小关联度作为权值，对所述第三媒体资源对应的相关媒体资源数量加权求和，以得到所述目标关联度。

18.根据权利要求14所述的装置，其特征在于，所述第一关联操作信息包括以下至少之一：

所述第一媒体资源和所述第三媒体资源的第一观看间隔信息、所述第一媒体资源和所述第三媒体资源被曝光给相同用户的第一共同曝光用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看用户量、所述第一媒体资源和所述第三媒体资源被相同用户观看的第一共同观看率；

和/或所述第二关联操作信息包括以下至少之一：

所述第二媒体资源和所述第三媒体资源的第二观看间隔信息、所述第二媒体资源和所述第三媒体资源被曝光给相同用户的第二共同曝光用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看用户量、所述第二媒体资源和所述第三媒体资源被相同用户观看的第二共同观看率。

19.根据权利要求18所述的装置，其特征在于，所述第一观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第一媒体资源操作的操作时间的第一时间差值，和/或所述第二观看间隔信息为对所述第三媒体资源操作的操作时间到对所述第二媒体资源操作的操作时间的第二时间差值；

所述关联度确定模块，被配置为执行在所述第一时间差值为正的情况下，根据所述第一关联操作信息确定所述第一关联度；和/或在所述第二时间差值为正的情况下，根据所述第二关联操作信息确定所述第二关联度。

20.根据权利要求18所述的装置，其特征在于，所述第一关联度与所述第一观看间隔信息、第一共同曝光用户量、第一共同观看用户量中至少之一正相关，所述第一关联度与所述第一观看间隔信息负相关；和/或所述第二关联度与所述第二观看间隔信息、第二共同曝光用户量、第二共同观看用户量中至少之一正相关，所述第二关联度与所述第二观看间隔信息负相关。

21.根据权利要求13至20中任一项所述的装置，其特征在于，所述采样模块，被配置为执行在所述图中随机确定边作为标签边，根据所述标签边两端的节点的邻居节点与所述节点之间边的权重，对所述邻居节点进行采样；根据采样后的邻居节点与所述节点之间边的权重，对所述采样后的邻居节点的属性特征进行加权求和，根据加权求和结果与所述节点原有的属性特征确定所述节点的属性特征。

22.一种关联媒体资源确定装置，其特征在于，包括：

关联确定模块，被配置为执行将全量媒体资源输入根据权利要求13至21中任一项所述装置得到的目标模型，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

23.根据权利要求22所述的装置，其特征在于，所述目标模型用于获取所述全量媒体资源中每个媒体资源的属性特征的嵌入式表示；并将每两个媒体资源对应的嵌入式表示作为所述目标模型的输入，以针对所述全量媒体资源中的每个媒体资源确定与其存在边的关联媒体资源。

24.根据权利要求22所述的装置，其特征在于，所述装置还包括：

历史确定模块，被配置为执行在接收到用户浏览媒体资源的操作时，确定所述用户浏览过的至少一个历史媒体资源，其中，所述历史媒体资源属于所述全量媒体资源；

其中，所述关联确定模块，被配置为执行针对所述至少一个历史媒体资源中的每个所述历史媒体资源确定关联媒体资源；将所述至少一个历史媒体资源以及每个历史媒体资源的关联媒体资源作为召回结果。

25.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器;

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至9中任一项所述的模型确定方法，和/或权利要求10至12中任一项所述的关联媒体资源确定方法。

26.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至9中任一项所述的模型确定方法，和/或权利要求10至12中任一项所述的关联媒体资源确定方法。

Images