CN113343006A - 图片推荐方法、装置、设备及存储介质 - Google Patents

图片推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113343006A
CN113343006A CN202110717605.2A CN202110717605A CN113343006A CN 113343006 A CN113343006 A CN 113343006A CN 202110717605 A CN202110717605 A CN 202110717605A CN 113343006 A CN113343006 A CN 113343006A
Authority
CN
China
Prior art keywords
picture
behavior
information
user account
exposure
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.)
Withdrawn
Application number
CN202110717605.2A
Other languages
English (en)
Inventor
彭冲
程兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110717605.2A priority Critical patent/CN113343006A/zh
Publication of CN113343006A publication Critical patent/CN113343006A/zh
Withdrawn legal-status Critical Current

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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种图片推荐方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：确定待推荐用户帐号对应的参考图片；通过特征提取网络提取参考图片的第一语义向量，特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的；获取多个候选图片的第二语义向量，第二语义向量是通过特征提取网络对候选图片提取得到的；在多个候选图片的第二语义向量中，确定与第一语义向量匹配的目标第二语义向量，并将目标第二语义向量对应的候选图片确定为推荐图片。在训练用于提取语义向量的模型的过程中，无需人工进行样本标注，而是基于已有的历史行为数据训练模型，因此能够提升推荐图片的效率。

Description

图片推荐方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种图片推荐方法、装置、设备及存储介质。
背景技术
具有推荐功能的客户端能够向用户推荐感兴趣的图片。
在进行推荐的过程中，服务器需要通过分类模型确定用户过去感兴趣(点击、点赞等)的图片的分类，并将其作为用户的标签。当需要为用户推荐图片时，服务器会向用户推荐与该用户的标签匹配的图片，从而实现向用户推荐用户感兴趣的图片。
在训练上述分类模型的过程中，需要人工标注样本图片的分类。并且，训练模型需要使用大量的样本，因此需要耗费较多的人力来标注分类，存在效率较低的问题。
发明内容
本申请提供了一种图片推荐方法、装置、设备及存储介质，可以提升推荐图片的效率。所述技术方案如下：
根据本申请的一方面，提供了一种图片推荐方法，所述方法包括：
确定待推荐用户帐号对应的参考图片，所述参考图片包括与所述待推荐用户帐号产生过交互行为的图片，以及与所述待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种；
通过特征提取网络提取所述参考图片的第一语义向量，所述特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，所述曝光图片是被推荐给所述样本用户帐号的图片，所述历史行为信息用于反映所述样本用户帐号与所述曝光图片产生过交互行为；
获取多个候选图片的第二语义向量，所述第二语义向量是通过所述特征提取网络对所述候选图片提取得到的；
在所述多个候选图片的第二语义向量中，确定与所述第一语义向量匹配的目标第二语义向量，并将所述目标第二语义向量对应的候选图片确定为推荐图片，所述推荐图片被用于推荐给所述待推荐用户帐号。
根据本申请的另一方面，提供了一种图片推荐装置，所述装置包括：
确定模块，用于确定待推荐用户帐号对应的参考图片，所述参考图片包括与所述待推荐用户帐号产生过交互行为的图片，以及与所述待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种；
提取模块，用于通过特征提取网络提取所述参考图片的第一语义向量，所述特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，所述曝光图片是被推荐给所述样本用户帐号的图片，所述历史行为信息用于反映所述样本用户帐号与所述曝光图片产生过交互行为；
获取模块，用于获取多个候选图片的第二语义向量，所述第二语义向量是通过所述特征提取网络对所述候选图片提取得到的；
所述确定模块，还用于在所述多个候选图片的第二语义向量中，确定与所述第一语义向量匹配的目标第二语义向量，并将所述目标第二语义向量对应的候选图片确定为推荐图片，所述推荐图片被用于推荐给所述待推荐用户帐号。
在一个可选的设计中，所述特征提取网络属于机器学习模型，所述机器学习模型还包括与所述特征提取网络级联的行为预测网络；所述装置还包括训练模块，所述训练模块，用于：
获取所述曝光图片以及所述历史行为信息；
根据所述历史行为信息，确定所述曝光图片的行为标签，所述行为标签用于反映所述曝光图片对应的交互行为；
通过所述特征提取网络提取所述曝光图片的第三语义向量；
通过所述行为预测网络根据所述第三语义向量预测所述曝光图片的预测行为标签；
根据所述行为标签与所述预测行为标签之间的差异，训练所述机器学习模型。
在一个可选的设计中，所述训练模块，用于：
根据n种不同的交互行为产生的历史行为信息中的至少一种，确定所述曝光图片的行为标签，其中，n为大于等于2的正整数。
在一个可选的设计中，所述历史行为信息包括点击信息、点赞信息、分享信息、收藏信息和评论信息中的至少一种；所述训练模块，用于：
根据所述点击信息、所述点赞信息、所述分享信息、所述收藏信息和所述评论信息中的至少一种，确定交互行为比例；
根据所述交互行为比例确定所述曝光图片的所述行为标签。
在一个可选的设计中，所述训练模块，用于：
响应于所述交互行为比例中存在至少两种比例，将所述至少两种比例进行加权求和，并根据加权求和的结果确定所述行为标签。
在一个可选的设计中，所述训练模块，用于：
根据所述点击信息，将所述样本用户帐号集合中点击所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的点击率。
在一个可选的设计中，所述训练模块，用于：
根据所述点赞信息，将所述样本用户帐号集合中点赞所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的点赞率。
在一个可选的设计中，所述训练模块，用于：
根据所述分享信息，将所述样本用户帐号集合中分享所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的分享率。
在一个可选的设计中，所述训练模块，用于：
根据所述收藏信息，将所述样本用户帐号集合中收藏所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的收藏率。
在一个可选的设计中，所述训练模块，用于：
根据所述评论信息，将所述样本用户帐号集合中评论所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的评论率。
在一个可选的设计中，所述装置还包括：
剔除模块，用于剔除所述曝光图片中曝光次数小于次数阈值的图片；
其中，所述曝光次数是根据所述曝光图片被推荐给所述样本用户帐号的次数确定的。
在一个可选的设计中，所述确定模块，用于：
响应于所述曝光图片的点击率不随所述曝光次数产生变化，将不影响所述点击率的曝光次数的取值范围内的最小值，确定为所述次数阈值；
其中，所述点击率是根据点击所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值确定的，所述点击所述曝光图片的样本用户帐号的数量，是根据所述历史行为信息中的点击信息确定的。
根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的图片推荐方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的图片推荐方法。
根据本申请的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的图片推荐方法。
本申请提供的技术方案带来的有益效果至少包括：
通过提取参考图片的第一语义向量，能够实现基于第一语义向量选择出与参考图片的特征匹配的推荐图片来向用户进行推荐，实现向用户推荐感兴趣的图片。在训练用于提取语义向量的模型的过程中，无需人工进行样本标注，而是基于已有的历史行为数据训练模型，因此能够提升推荐图片的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的推荐图片的过程的示意图；
图2是本申请一个示例性实施例提供的图片推荐方法的流程示意图；
图3是本申请一个示例性实施例提供的图片推荐方法的流程示意图；
图4是本申请一个示例性实施例提供的推荐图片的示意图；
图5是本申请一个示例性实施例提供的图片推荐装置的结构示意图；
图6是本申请另一个示例性实施例提供的图片推荐装置的结构示意图；
图7是本申请又一个示例性实施例提供的图片推荐装置的结构示意图；
图8是本申请一个示例性实施例提供的计算机设备的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请一个示例性实施例提供的推荐图片的过程的示意图。如图1所示，计算机设备获取待推荐用户帐号对应的参考图片101，并将参考图片101输入完成训练的机器学习模型102的特征提取网络1021，从而得到参考图片101的第一语义向量104。在得到第一语义向量104后，计算机设备能够在多个候选图片的第二语义向量中，确定与第一语义向量104匹配的第二语义向量，从而在多个候选图片中确定出推荐图片105。该将推荐图片105被用于推荐给待推荐用户帐号。该参考图片101是待推荐用户帐号过去感兴趣的图片，包括与待推荐用户帐号产生过交互行为的图片，以及与待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种。由于参考图片101是登录待推荐用户帐号的用户感兴趣的图片，因此与参考图片101的特征匹配的推荐图片105也为该用户感兴趣的图片，因此能够实现向用户推荐感兴趣的图片。
需要说明的是，该机器学习模型102还包括与特征提取网络1021级联的行为预测网络1022。该行为预测网络1022能够根据第一语义向量104预测参考图片101的预测行为标签103。该预测行为标签103用于反映待推荐用户帐号与参考图片101产生交互的可能性，该预测行为标签103能够包括点击率标签、点赞率标签、分享率标签、收藏率标签以及回复率标签中的至少一种。该机器学习模型102是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，该曝光图片是被推荐给样本用户帐号的图片，该历史行为信息用于反映样本用户帐号与曝光图片产生过交互行为。计算机设备能够根据历史行为信息确定曝光图片的行为标签，并基于行为标签与预测行为标签之间的差异训练机器学习模型102，该预测行为标签是通过行为预测网络1022预测得到的。
通过提取参考图片的第一语义向量，能够实现基于第一语义向量选择出与参考图片的特征匹配的推荐图片来向用户进行推荐，实现向用户推荐感兴趣的图片。在训练用于提取语义向量的模型的过程中，无需人工进行样本标注，而是基于已有的历史行为数据确定出训练时使用的图片的标签，因此能够提升推荐图片的效率。并且，通过上述方式训练模型，能够使模型学习到图片的特征与用户对该图片感兴趣的可能性之间的关系，因此能够提取出图片中与用户兴趣相关的特征，有助于提升推荐图片时的准确度。
图2是本申请一个示例性实施例提供的图片推荐方法的流程示意图。该方法可以用于计算机设备。如图2所示，该方法包括：
步骤202：确定待推荐用户帐号对应的参考图片。
该待推荐用户帐号是计算机设备中需要进行图片推荐的用户帐号。该参考图片是待推荐用户帐号过去感兴趣的图片，具体包括与待推荐用户帐号产生过交互行为的图片，以及与待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种。该交互行为包括点击、点赞、分享、收藏和评论中的至少一种。与待推荐用户帐号的特征匹配的用户帐号，包括行为特征与待推荐用户帐号相似的用户帐号，以及属性特征与待推荐用户帐号相似的用户帐号。例如待推荐用户帐号近一周点赞的图片中，有80％的图片也被另一用户帐号点赞，则计算机设备会确定该两个用户帐号特征匹配。
步骤204：通过特征提取网络提取参考图片的第一语义向量。
该第一语义向量能够反映参考图片的特征。可选地，该特征提取网络属于机器学习模型，该机器学习模型能够基于卷积神经网络(Convolutional Neural Networks，CNN)，例如为轻量级网络(MobileNet)。该特征提取网络能够为机器学习模型的隐藏层(HiddenLayer)。
该特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的。其中，曝光图片是被推荐给样本用户帐号的图片，历史行为信息用于反映样本用户帐号与曝光图片产生过交互行为。可选地，该特征提取网络属于机器学习模型，该机器学习模型还包括行为预测网络。计算机设备能够根据历史行为信息确定曝光图片的行为标签，并通过行为预测网络预测曝光图片的预测行为标签。之后根据行为标签与预测行为标签之间的差异训练机器学习模型，从而实现训练特征提取网络。
需要说明的是，被计算机设备推荐给样本用户帐号的图片，包括在计算机设备对应的，样本用户帐号登录的客户端中显示过的图片。其中，该客户端与计算机设备对应，该客户端具有向用户推荐图片的功能，例如该客户端能够为本地生活服务客户端。计算机设备能够为服务器，该服务器为一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心中的虚拟服务器等。
步骤206：获取多个候选图片的第二语义向量。
该第二语义向量能够反映候选图片的特征。该第二语义向量是通过特征提取网络对候选图片提取得到的。
步骤208：在多个候选图片的第二语义向量中，确定与第一语义向量匹配的目标第二语义向量，并将目标第二语义向量对应的候选图片确定为推荐图片。
该推荐图片被用于推荐给待推荐用户帐号。由于参考图片是待推荐用户帐号感兴趣的图片，推荐图片的第二语义向量与参考图片的第一语义向量匹配，因此推荐图片与参考图片的特征相似，则推荐图片也可能为待推荐用户帐号感兴趣的图片。
可选地，计算机设备通过计算第一语义向量与第二语义向量之间的相似度(或距离)，能够按照相似度(或距离)的顺序在多个第二语义向量中筛选出该目标第二语义向量，从而确定出推荐图片。
综上所述，本实施例提供的方法，通过提取参考图片的第一语义向量，能够实现基于第一语义向量选择出与参考图片的特征匹配的推荐图片来向用户进行推荐，实现向用户推荐感兴趣的图片。在训练用于提取语义向量的模型的过程中，无需人工进行样本标注，而是基于已有的历史行为数据训练模型，因此能够提升推荐图片的效率。
图3是本申请一个另示例性实施例提供的图片推荐方法的流程示意图。该方法可以用于计算机设备。如图3所示，该方法包括：
步骤302：获取曝光图片以及历史行为信息。
该曝光图片是被推荐给样本用户帐号的图片，计算机设备在将曝光图片发送给样本用户帐号后，样本用户帐号登录的客户端会显示该曝光图片。该历史行为信息用于反映样本用户帐号与曝光图片产生过交互行为，当样本用户帐号与曝光图片产生交互行为时，会生成该历史行为信息。可选地，该交互行为包括点击、点赞、分享、收藏和评论中的至少一种。示例地，该历史行为信息能够反映样本用户帐号在进行交互的时刻，点击了曝光图片并且还分享了该曝光图片。
步骤304：剔除曝光图片中曝光次数小于次数阈值的图片。
该曝光次数是根据曝光图片被推荐给样本用户帐号的次数确定的。包括曝光图片被推荐给同一个样本用户帐号的次数以及曝光图片被推荐给不同样本用户帐号的次数。当曝光图片的曝光次数较少时，可能其对应的历史行为信息不够准确，因此需要剔除曝光图片中曝光次数小于次数阈值的图片。被剔除的曝光图片不再参与模型的训练过程。该次数阈值是计算机设备确定的。
可选地，响应于曝光图片的点击率不随曝光次数产生变化，将不影响点击率的曝光次数的取值范围内的最小值，确定为次数阈值。可选地，计算机设备根据曝光图片中的任意一个，确定该次数阈值。计算机设备还能够根据曝光图片中的多个确定出多个次数阈值，并基于多个次数阈值来确定最终的次数阈值，例如将多个次数阈值的平均值确定为最终的次数阈值。该点击率是根据点击曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值确定的。点击曝光图片的样本用户帐号的数量，是根据历史行为信息中的点击信息确定的。计算机设备能够根据曝光图片的曝光次数与点击信息，确定点击率与曝光次数之间的变化关系，从而确定该次数阈值。
步骤306：根据历史行为信息，确定曝光图片的行为标签。
该行为标签用于反映曝光图片对应的交互行为。例如，该行为标签能够反映样本用户帐号与曝光图片之间存在哪些交互行为，或者，该行为标签能够反映样本用户帐号与曝光图片之间存在哪些交互行为以及交互行为的次数，或者，该行为标签能够反映样本用户帐号与曝光图片之间存在哪些交互行为，以及产生交互行为的样本用户帐号的数量与样本用户帐号的总数量的比值。
可选地，计算机设备能够根据n种不同的交互行为产生的历史行为信息中的至少一种，确定曝光图片的行为标签。其中，n为大于等于2的正整数。例如，n种不同的交互行为包括点击、点赞、分享、收藏和评论。计算机设备根据点击和点赞的行为产生的历史行为信息，来确定曝光图片的行为标签。
可选地，历史行为信息包括点击信息(由点击行为产生)、点赞信息(由点赞行为产生)、分享信息(由分享行为产生)、收藏信息(由收藏行为产生)和评论信息(由评论行为产生)中的至少一种。计算机设备根据点击信息、点赞信息、分享信息、收藏信息和评论信息中的至少一种，能够确定交互行为比例，并根据交互行为比例确定曝光图片的行为标签。该交互行为比例能够反映样本用户帐号集合中，与曝光图片存在某种交互行为的样本用户帐号所占的比例。
当用于确定交互行为比例的信息中包括点击信息时，计算机设备会根据点击信息，将样本用户帐号集合中点击曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的点击率。
当用于确定交互行为比例的信息中包括点赞信息时，计算机设备会根据点赞信息，将样本用户帐号集合中点赞曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的点赞率。
当用于确定交互行为比例的信息中包括分享信息时，计算机设备会根据分享信息，将样本用户帐号集合中分享曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的分享率。
当用于确定交互行为比例的信息中包括收藏信息时，计算机设备会根据收藏信息，将样本用户帐号集合中收藏曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的收藏率。
当用于确定交互行为比例的信息中包括评论信息时，计算机设备会根据评论信息，将样本用户帐号集合中评论曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的评论率。
当计算机设备确定的交互行为比例中存在一种或多种比例时，计算机设备会将该一种或多种比例共同确定为行为标签。例如，计算机设备确定的交互行为比例包括“点击率50％”和“点赞率15％”，则计算机设备会将这两个比例共同确定为行为标签。另外，响应于交互行为比例中存在至少两种比例，计算机设备还能够将至少两种比例进行加权求和，并根据加权求和的结果确定行为标签。在加权求和的过程中，不同的比例对应的权重是计算机设备确定的。例如点击率的权重为0.6，点赞率的权重为0.1，分享率的权重为0.1，收藏率的权重为0.1，评论率的权重为0.1。交互行为比例包括“点击率50％”、“点赞率15％”和“评论率5％”，则计算机设备对三种比例进行加权求和的结果为(50％*0.6+15％*0.1+5％*0.1)*100＝32，计算机设备会将32确定为行为标签。此时该行为标签是根据交互行为比例对样本用户帐号进行打分所得到的标签。
步骤308：通过特征提取网络提取曝光图片的第三语义向量。
该第三语义向量能够反映曝光图片的特征。可选地，该特征提取网络属于机器学习模型，该机器学习模型能够基于CNN，该机器学习模型能够为MobileNet。该特征提取网络能够为机器学习模型中的隐藏层，在将曝光图片输入机器学习模型后，机器学习模型的隐藏层输出的向量即为该第三语义向量。
步骤310：通过行为预测网络根据第三语义向量预测曝光图片的预测行为标签。
上述机器学习模型还包括行为预测网络，该行为预测网络与特征提取网络级联。该行为预测网络能够为机器学习模型的输出层，用于输出机器学习模型的预测结果。行为预测网络根据曝光图片的特征，能够预测曝光图片与样本用户帐号产生不同的交互行为的可能性。例如预测行为标签为“点击概率50％”和“收藏概率15％”。该预测行为标签与上述行为标签的内容存在对应关系。
可选地，机器学习模型通过一个特征提取网络以及行为预测网络，能够实现确定图片的语义向量以及预测行为标签。机器学习模型还能够包括多个行为预测网络，其中特征提取网络与每个行为预测网络级联，能够提取一个图片的语义向量，每个行为预测网络根据语义向量预测一种行为标签。例如第一子行为预测网络用于预测点击概率，第二子行为预测网络用于预测评论概率。
步骤312：根据行为标签与预测行为标签之间的差异，训练机器学习模型。
计算机设备基于行为标签以及预测行为标签，通过误差损失函数，能够确定行为标签与预测行为标签之间的误差损失，之后通过该误差损失基于反向传播能够训练该机器学习模型。
可选地，计算机设备还会定期更新曝光图片以及历史行为信息，并根据更新后的数据训练机器学习模型，使得机器学习模型对新数据产生准确的预测结果。
步骤314：确定待推荐用户帐号对应的参考图片。
该参考图片包括与待推荐用户帐号产生过交互行为的图片，以及与待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种。该参考图片是待推荐用户帐号过去感兴趣的图片。与待推荐用户帐号的特征匹配的用户帐号即为与待推荐用户帐号具有相似的特征的用户帐号。
步骤316：通过特征提取网络提取参考图片的第一语义向量。
该第一语义向量能够反映参考图片的特征。该特征提取网络属于机器学习模型，该机器学习模型是通过上述步骤302至步骤312训练得到的。
步骤318：获取多个候选图片的第二语义向量。
该候选图片包括存储在计算机设备中，能够被用于推荐给用户帐号的图片。该第二语义向量能够反映候选图片的特征。该第二语义向量是通过特征提取网络对候选图片提取得到的。
步骤320：在多个候选图片的第二语义向量中，确定与第一语义向量匹配的目标第二语义向量，并将目标第二语义向量对应的候选图片确定为推荐图片。
该推荐图片被用于推荐给待推荐用户帐号。由于参考图片是待推荐用户帐号感兴趣的图片，推荐图片的第二语义向量与参考图片的第一语义向量匹配，因此推荐图片与参考图片的特征相似，则推荐图片也可能为待推荐用户帐号感兴趣的图片。另外，计算机设备还能够通过行为预测网络预测候选图片的预测行为标签，并根据预测行为标签对推荐图片进行排序。例如按照预测行为标签中的点击概率进行排序，并对推荐图片进行筛选，之后基于筛选的结果为待推荐用户帐号推荐图片。
可选地，计算机设备通过计算第一语义向量与第二语义向量之间的相似度(或距离)，能够按照相似度(或距离)的顺序在多个第二语义向量中筛选出该目标第二语义向量，从而确定出推荐图片。例如，计算机设备计算第一语义向量与第二语义向量之间的欧式距离，并按照欧式距离对第二语义向量进行排序，之后筛选前n个作为目标第二语义向量。
在一个具体的例子中，图4是本申请一个示例性实施例提供的推荐图片的示意图。如图4所示，计算机设备通过特征提取网络提取参考图片一401的语义向量一，并从候选图片中确定出语义向量与语义向量一匹配的推荐图片一402。其中，参考图片一401和推荐推荐图片一402均为女生的照片。计算机设备通过特征提取网络提取参考图片二403的语义向量二，并从候选图片中确定出语义向量与语义向量二匹配的推荐图片二404。其中，参考图片二403和推荐推荐图片二404均为手指的照片。计算机设备通过特征提取网络提取参考图片三405的语义向量三，并从候选图片中确定出语义向量与语义向量三匹配的推荐图片三406。其中，参考图片三405和推荐推荐图片三406均为猫的照片。由上述内容可知，计算机设备通过提取参考图片的语义向量，能够根据该语义向量准确确定出与参考图片的特征相似的推荐图片。参考图片为用户感兴趣的图片，则推荐图片也为用户感兴趣的图片。
综上所述，本实施例提供的方法，通过提取参考图片的第一语义向量，能够实现基于第一语义向量选择出与参考图片的特征匹配的推荐图片来向用户进行推荐，实现向用户推荐感兴趣的图片。在训练用于提取语义向量的模型的过程中，无需人工进行样本标注，而是基于已有的历史行为数据训练模型，因此能够提升推荐图片的效率。
另外，基于通过历史行为数据确定行为标签，以及通过行为预测网络预测的预测行为标签，来训练机器学习模型，提供了一种根据历史行为信息自动训练模型的方式。能够提升模型训练的效率，从而能够提升推荐图片的效率。通过上述方式训练模型，能够使模型学习到图片的特征与用户对该图片感兴趣的可能性之间的关系，因此能够提取出图片中与用户兴趣相关的特征，有助于提升推荐图片时的准确度。通过不同类型的交互行为产生的历史行为信息，来确定行为标签，能够丰富行为标签的维度，从而使模型学习到不同交互行为的出现与图片的特征之间的关系。根据曝光次数阈值对曝光图片进行预处理，能够提升训练数据的准确度，从而提升模型预测的准确度。
需要说明的是，本申请实施例提供的方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
图5是本申请一个示例性实施例提供的图片推荐装置的结构示意图。该装置可以用于计算机设备。如图5所示，该装置50包括：
确定模块501，用于确定待推荐用户帐号对应的参考图片，参考图片包括与待推荐用户帐号产生过交互行为的图片，以及与待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种。
提取模块502，用于通过特征提取网络提取参考图片的第一语义向量，特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，曝光图片是被推荐给样本用户帐号的图片，历史行为信息用于反映样本用户帐号与曝光图片产生过交互行为。
获取模块503，用于获取多个候选图片的第二语义向量，第二语义向量是通过特征提取网络对候选图片提取得到的。
确定模块501，还用于在多个候选图片的第二语义向量中，确定与第一语义向量匹配的目标第二语义向量，并将目标第二语义向量对应的候选图片确定为推荐图片，推荐图片被用于推荐给待推荐用户帐号。
在一个可选的设计中，特征提取网络属于机器学习模型，机器学习模型还包括与特征提取网络级联的行为预测网络。如图6所示，装置50还包括训练模块504。训练模块504，用于：
获取曝光图片以及历史行为信息。根据历史行为信息，确定曝光图片的行为标签，行为标签用于反映曝光图片对应的交互行为。通过特征提取网络提取曝光图片的第三语义向量。通过行为预测网络根据第三语义向量预测曝光图片的预测行为标签。根据行为标签与预测行为标签之间的差异，训练机器学习模型。
在一个可选的设计中，训练模块504，用于：
根据n种不同的交互行为产生的历史行为信息中的至少一种，确定曝光图片的行为标签，其中，n为大于等于2的正整数。
在一个可选的设计中，历史行为信息包括点击信息、点赞信息、分享信息、收藏信息和评论信息中的至少一种。训练模块504，用于：
根据点击信息、点赞信息、分享信息、收藏信息和评论信息中的至少一种，确定交互行为比例。根据交互行为比例确定曝光图片的行为标签。
在一个可选的设计中，训练模块504，用于：
响应于交互行为比例中存在至少两种比例，将至少两种比例进行加权求和，并根据加权求和的结果确定行为标签。
在一个可选的设计中，训练模块504，用于：
根据点击信息，将样本用户帐号集合中点击曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的点击率。
在一个可选的设计中，训练模块504，用于：
根据点赞信息，将样本用户帐号集合中点赞曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的点赞率。
在一个可选的设计中，训练模块504，用于：
根据分享信息，将样本用户帐号集合中分享曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的分享率。
在一个可选的设计中，训练模块504，用于：
根据收藏信息，将样本用户帐号集合中收藏曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的收藏率。
在一个可选的设计中，训练模块504，用于：
根据评论信息，将样本用户帐号集合中评论曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值，确定为交互行为比例中的评论率。
在一个可选的设计中，如图7所示，装置50还包括：
剔除模块505，用于剔除曝光图片中曝光次数小于次数阈值的图片。其中，曝光次数是根据曝光图片被推荐给样本用户帐号的次数确定的。
在一个可选的设计中，确定模块501，用于：
响应于曝光图片的点击率不随曝光次数产生变化，将不影响点击率的曝光次数的取值范围内的最小值，确定为次数阈值。其中，点击率是根据点击曝光图片的样本用户帐号的数量，与样本用户帐号的总数量的比值确定的，点击曝光图片的样本用户帐号的数量，是根据历史行为信息中的点击信息确定的。
需要说明的是：上述实施例提供的图片推荐装置，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，上述实施例提供的图片推荐装置与图片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。
本申请的实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的图片推荐方法。
可选地，该计算机设备为服务器。示例地，图8是本申请一个示例性实施例提供的计算机设备的结构示意图。
所述计算机设备800包括中央处理单元(Central Processing Unit，CPU)801、包括随机存取存储器(Random Access Memory，RAM)802和只读存储器(Read-Only Memory，ROM)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。所述计算机设备800还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统，I/O系统)806，和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
所述基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中所述显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。所述基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。所述大容量存储设备807及其相关联的计算机可读存储介质为计算机设备800提供非易失性存储。也就是说，所述大容量存储设备807可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读存储介质(未示出)。
不失一般性，所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read OnlyMemory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-Only Memory，EEPROM)、闪存或其他固态存储设备，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元801执行，一个或多个程序包含用于实现上述方法实施例的指令，中央处理单元801执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例，所述计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即计算机设备800可以通过连接在所述系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机设备系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由计算机设备所执行的步骤。
本申请实施例中还提供了一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，当该至少一条指令、至少一段程序、代码集或指令集由计算机设备的处理器加载并执行时，实现上述各方法实施例提供的图片推荐方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例提供的图片推荐方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的可读存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同切换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种图片推荐方法，其特征在于，所述方法包括：
确定待推荐用户帐号对应的参考图片，所述参考图片包括与所述待推荐用户帐号产生过交互行为的图片，以及与所述待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种；
通过特征提取网络提取所述参考图片的第一语义向量，所述特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，所述曝光图片是被推荐给所述样本用户帐号的图片，所述历史行为信息用于反映所述样本用户帐号与所述曝光图片产生过交互行为；
获取多个候选图片的第二语义向量，所述第二语义向量是通过所述特征提取网络对所述候选图片提取得到的；
在所述多个候选图片的第二语义向量中，确定与所述第一语义向量匹配的目标第二语义向量，并将所述目标第二语义向量对应的候选图片确定为推荐图片，所述推荐图片被用于推荐给所述待推荐用户帐号。
2.根据权利要求1所述的方法，其特征在于，所述特征提取网络属于机器学习模型，所述机器学习模型还包括与所述特征提取网络级联的行为预测网络；
所述机器学习模型是采用如下方式训练得到的：
获取所述曝光图片以及所述历史行为信息；
根据所述历史行为信息，确定所述曝光图片的行为标签，所述行为标签用于反映所述曝光图片对应的交互行为；
通过所述特征提取网络提取所述曝光图片的第三语义向量；
通过所述行为预测网络根据所述第三语义向量预测所述曝光图片的预测行为标签；
根据所述行为标签与所述预测行为标签之间的差异，训练所述机器学习模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史行为信息，确定所述曝光图片的行为标签，包括：
根据n种不同的交互行为产生的历史行为信息中的至少一种，确定所述曝光图片的行为标签，其中，n为大于等于2的正整数。
4.根据权利要求3所述的方法，其特征在于，所述历史行为信息包括点击信息、点赞信息、分享信息、收藏信息和评论信息中的至少一种；
所述根据n种不同的交互行为产生的历史行为信息中的至少一种，确定所述曝光图片的行为标签，包括：
根据所述点击信息、所述点赞信息、所述分享信息、所述收藏信息和所述评论信息中的至少一种，确定交互行为比例；
根据所述交互行为比例确定所述曝光图片的所述行为标签。
5.根据权利要求4所述的方法，其特征在于，所述根据所述交互行为比例确定所述曝光图片的所述行为标签，包括：
响应于所述交互行为比例中存在至少两种比例，将所述至少两种比例进行加权求和，并根据加权求和的结果确定所述行为标签。
6.根据权利要求4或5所述的方法，其特征在于，所述根据所述点击信息，确定交互行为比例，包括：
根据所述点击信息，将所述样本用户帐号集合中点击所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的点击率。
7.根据权利要求4或5所述的方法，其特征在于，所述根据所述点赞信息，确定交互行为比例，包括：
根据所述点赞信息，将所述样本用户帐号集合中点赞所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的点赞率。
8.根据权利要求4或5所述的方法，其特征在于，所述根据所述分享信息，确定交互行为比例，包括：
根据所述分享信息，将所述样本用户帐号集合中分享所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的分享率。
9.根据权利要求4或5所述的方法，其特征在于，所述根据所述收藏信息，确定交互行为比例，包括：
根据所述收藏信息，将所述样本用户帐号集合中收藏所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的收藏率。
10.根据权利要求4或5所述的方法，其特征在于，所述根据所述评论信息，确定交互行为比例，包括：
根据所述评论信息，将所述样本用户帐号集合中评论所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值，确定为所述交互行为比例中的评论率。
11.根据权利要求2至5任一所述的方法，其特征在于，所述方法还包括：
剔除所述曝光图片中曝光次数小于次数阈值的图片；
其中，所述曝光次数是根据所述曝光图片被推荐给所述样本用户帐号的次数确定的。
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：
响应于所述曝光图片的点击率不随所述曝光次数产生变化，将不影响所述点击率的曝光次数的取值范围内的最小值，确定为所述次数阈值；
其中，所述点击率是根据点击所述曝光图片的样本用户帐号的数量，与所述样本用户帐号的总数量的比值确定的，所述点击所述曝光图片的样本用户帐号的数量，是根据所述历史行为信息中的点击信息确定的。
13.一种图片推荐装置，其特征在于，所述装置包括：
确定模块，用于确定待推荐用户帐号对应的参考图片，所述参考图片包括与所述待推荐用户帐号产生过交互行为的图片，以及与所述待推荐用户帐号的特征匹配的用户帐号产生过交互行为的图片中的至少一种；
提取模块，用于通过特征提取网络提取所述参考图片的第一语义向量，所述特征提取网络是通过曝光图片以及样本用户帐号集合中的样本用户帐号的历史行为信息训练得到的，所述曝光图片是被推荐给所述样本用户帐号的图片，所述历史行为信息用于反映所述样本用户帐号与所述曝光图片产生过交互行为；
获取模块，用于获取多个候选图片的第二语义向量，所述第二语义向量是通过所述特征提取网络对所述候选图片提取得到的；
所述确定模块，还用于在所述多个候选图片的第二语义向量中，确定与所述第一语义向量匹配的目标第二语义向量，并将所述目标第二语义向量对应的候选图片确定为推荐图片，所述推荐图片被用于推荐给所述待推荐用户帐号。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至12任一所述的图片推荐方法。
15.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至12任一所述的图片推荐方法。
CN202110717605.2A 2021-06-28 2021-06-28 图片推荐方法、装置、设备及存储介质 Withdrawn CN113343006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110717605.2A CN113343006A (zh) 2021-06-28 2021-06-28 图片推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110717605.2A CN113343006A (zh) 2021-06-28 2021-06-28 图片推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113343006A true CN113343006A (zh) 2021-09-03

Family

ID=77479019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110717605.2A Withdrawn CN113343006A (zh) 2021-06-28 2021-06-28 图片推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113343006A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562845A (zh) * 2017-08-25 2018-01-09 北京京东尚科信息技术有限公司 推送方法、系统及电子设备
CN110162701A (zh) * 2019-05-10 2019-08-23 腾讯科技（深圳）有限公司 内容推送方法、装置、计算机设备和存储介质
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111581510A (zh) * 2020-05-07 2020-08-25 腾讯科技（深圳）有限公司 分享内容处理方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562845A (zh) * 2017-08-25 2018-01-09 北京京东尚科信息技术有限公司 推送方法、系统及电子设备
CN110162701A (zh) * 2019-05-10 2019-08-23 腾讯科技（深圳）有限公司 内容推送方法、装置、计算机设备和存储介质
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111581510A (zh) * 2020-05-07 2020-08-25 腾讯科技（深圳）有限公司 分享内容处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US10127522B2 (en) Automatic profiling of social media users
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN111046275B (zh) 基于人工智能的用户标签确定方法及装置、存储介质
CN107613022A (zh) 内容推送方法、装置及计算机设备
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN108062377A (zh) 标签图片集的建立、标签的确定方法、装置、设备及介质
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN112995690B (zh) 直播内容品类识别方法、装置、电子设备和可读存储介质
CN113515690A (zh) 内容召回模型的训练方法、内容召回方法、装置及设备
CN112749330A (zh) 信息推送方法、装置、计算机设备和存储介质
CN113761253A (zh) 视频标签确定方法、装置、设备及存储介质
CN112883265A (zh) 信息推荐方法、装置、服务器及计算机可读存储介质
CN109933793B (zh) 文本极性识别方法、装置、设备及可读存储介质
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN113947131A (zh) 模型训练方法、装置、设备及存储介质
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN113032676A (zh) 基于微反馈的推荐方法和系统
CN116955591A (zh) 用于内容推荐的推荐语生成方法、相关装置和介质
WO2022148108A1 (en) Systems, devices and methods for distributed hierarchical video analysis
CN115114462A (zh) 模型训练方法、装置、多媒体推荐方法、设备及存储介质
CN113343006A (zh) 图片推荐方法、装置、设备及存储介质
CN114357242A (zh) 基于召回模型的训练评估方法及装置、设备、存储介质
GB2608112A (en) System and method for providing media content
CN113672820B (zh) 特征提取网络的训练方法、信息推荐方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210903