CN114201625A - 一种多媒体推荐方法、装置、电子设备和存储介质 - Google Patents
一种多媒体推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114201625A CN114201625A CN202111370491.5A CN202111370491A CN114201625A CN 114201625 A CN114201625 A CN 114201625A CN 202111370491 A CN202111370491 A CN 202111370491A CN 114201625 A CN114201625 A CN 114201625A
- Authority
- CN
- China
- Prior art keywords
- information
- resource
- multimedia
- feature
- interest
- 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.)
- Pending
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本公开关于一种多媒体推荐方法、装置、电子设备和存储介质,该方法包括:将待处理对象对应的历史操作资源信息输入到对象兴趣识别模型中,基于对象兴趣识别模型中的多媒体知识结构,对历史操作资源信息进行至少一次兴趣资源扩展,得到待处理对象对应的至少一个对象兴趣表征信息,基于至少一个对象兴趣表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源,并向待处理对象推荐目标多媒体资源。该方法基于历史操作资源信息进行兴趣资源扩展,可以缓解信息茧房,获取潜在的用户兴趣对应的多媒体资源,从而提高用户兴趣的多样性和泛化性,提高多媒体资源推荐的有效性。
Description
技术领域
本公开涉及信息推荐技术领域,尤其涉及一种多媒体推荐方法、装置、电子设备和存储介质。
背景技术
根据用户在浏览多媒体资源时的偏好,确定不同用户对应的个性化推荐方案,可以向不同用户推荐对应的多媒体资源,而在相关技术中,对用户进行个性化推荐时,容易收敛到用户的某几个兴趣点,导致用户兴趣的多样性低,使得向用户推荐的多媒体资源不能引起用户兴趣,从而降低多媒体资源推荐的有效性。
发明内容
本公开提供一种多媒体推荐方法、装置、电子设备和存储介质,以至少解决相关技术中用户兴趣的多样性低,且多媒体资源推荐的有效性低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种多媒体推荐方法,该方法包括:
将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息,所述历史操作资源信息表征所述待处理对象在预设历史时间段内执行过预设操作的多媒体资源,所述多媒体知识结构为以预设多媒体资源的多媒体资源信息和所述预设多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
基于所述至少一个对象兴趣表征信息,从待推荐多媒体资源中确定所述待处理对象对应的目标兴趣多媒体资源;
向所述待处理对象推荐所述目标兴趣多媒体资源。
作为一个可选的实施例,所述对象兴趣识别模型包括特征提取层、特征扩展层和特征融合层,所述将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息包括:
将所述历史操作资源信息和所述多媒体知识结构输入到所述特征提取层中进行特征提取,得到所述历史操作资源信息的历史资源特征信息和所述多媒体知识结构对应的结构特征信息;
将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,基于所述结构特征信息对所述历史资源特征信息进行至少一次特征扩展,得到所述历史资源特征信息在所述至少一次特征扩展下对应的关联标签特征信息和所述历史资源特征信息在所述至少一次特征扩展下对应的关联资源特征信息;
将所述关联标签特征信息和所述关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
作为一个可选的实施例,所述将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,基于所述结构特征信息对所述历史资源特征信息进行至少一次特征扩展,得到所述历史资源特征信息在所述至少一次特征扩展下对应的关联标签特征信息和所述历史资源特征信息在所述至少一次特征扩展下对应的关联资源特征信息包括:
将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,在所述结构特征信息中,以所述历史资源特征信息为中心节点进行至少一次特征扩展,得到任意一次特征扩展时与所述中心节点关联的关联节点;所述任意一次特征扩展时的起始节点为上一次特征扩展得到的关联节点中的资源特征信息,所述任意一次特征扩展中初次特征扩展时的起始节点为所述历史资源特征信息;
将所述至少一次的特征扩展对应的关联节点中的标签特征信息作为所述关联标签特征信息,并将所述至少一次的特征扩展对应的关联节点中的资源特征信息作为所述关联资源特征信息。
作为一个可选的实施例,所述将所述关联标签特征信息和所述关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息包括:
将每一次特征扩展对应的关联标签特征信息和每一次特征扩展对应的关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
作为一个可选的实施例,所述基于所述至少一个对象兴趣表征信息,从所述待推荐多媒体资源中确定所述待处理对象对应的目标兴趣多媒体资源包括:
获取所述待推荐多媒体资源对应的资源特征信息;
基于所述对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息,确定所述待推荐多媒体资源对应的资源兴趣指标;
基于所述资源兴趣指标,从所述待推荐多媒体资源中确定所述目标兴趣多媒体资源。
作为一个可选的实施例,所述预设多媒体资源包括多个多媒体资源,所述方法还包括:
获取每个多媒体资源对应的画像信息;
根据所述画像信息,得到每个所述多媒体资源的多媒体资源信息和每个所述多媒体资源对应的至少一个内容标签信息;
以多个所述多媒体资源的多媒体资源信息和多个所述多媒体资源对应的内容标签信息为节点,并构建每个多媒体资源的多媒体资源信息对应节点与每个所述多媒体资源的内容标签信息对应节点间的边,得到所述多媒体知识结构。
根据本公开实施例的第二方面,提供一种对象兴趣识别模型训练方法,所述方法包括:
获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,所述正样本操作资源信息表征所述样本对象在预设样本时间段内执行过预设操作的多媒体资源,所述负样本操作资源信息表征所述样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与所述正样本操作资源信息相似的样本多媒体资源、所述样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;所述多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和所述待推荐多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
将所述多媒体知识结构、所述正样本操作资源信息和所述负样本操作资源信息输入到待训练模型,在所述待训练模型中基于所述多媒体知识结构,对所述正样本操作资源信息和所述负样本操作资源信息进行至少一次兴趣扩展,得到所述样本对象对应的至少一个对象兴趣表征信息和所述多媒体知识结构的结构特征信息;
获取所述正样本操作资源信息对应的第一样本资源特征信息和所述负样本操作资源信息对应的第二样本资源特征信息;
基于所述结构特征信息、所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,确定目标损失信息;
基于所述目标损失信息,对所述待训练模型进行训练,得到对象兴趣识别模型。
作为一个可选的实施例,所述方法还包括:
对所述样本对象在预设历史时间段内未执行过预设操作的多媒体资源进行采样,得到第一负样本操作资源信息;
将与所述正样本操作资源信息相似的多媒体资源作为第二负样本操作资源信息;
所述样本对象在所述预设历史时间段内执行过负反馈操作的多媒体资源作为第三负样本操作资源信息;
将所述第一负样本操作资源信息、所述第二负样本操作资源信息和所述第三负样本操作资源信息中的一种或多种作为所述负样本操作资源信息。
作为一个可选的实施例,所述方法还包括:
在当前训练轮次为非第一训练轮次的情况下,获取所述当前训练轮次的上一训练轮次对应的对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息;
基于所述对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息,确定所述待推荐多媒体资源对应的资源兴趣指标;
基于所述资源兴趣指标,从所述待推荐多媒体资源中确定第四负样本操作资源信息;
所述将所述第一负样本操作资源信息、所述第二负样本操作资源信息和所述第三负样本操作资源信息中的一种或多种作为所述负样本操作资源信息包括:
将所述第一负样本操作资源信息、所述第二负样本操作资源信息、所述第三负样本操作资源信息和所述第四负样本操作资源信息中的一种或多种作为所述负样本操作资源信息。
作为一个可选的实施例,所述基于所述结构特征信息、所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,确定目标损失信息包括:
基于所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,得到兴趣损失信息;
基于所述结构特征信息,得到节点关系损失信息;
基于所述至少一个对象兴趣表征信息,得到表征损失信息;
基于所述结构特征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,得到正则损失信息;
根据所述兴趣损失信息、所述节点关系损失信息、所述表征损失信息和所述正则损失信息,确定所述目标损失信息。
根据本公开实施例的第三方面,提供一种多媒体推荐装置,该装置包括:
特征扩展模块,被配置为执行将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息,所述历史操作资源信息表征所述待处理对象在预设历史时间段内执行过预设操作的多媒体资源,所述多媒体知识结构为以预设多媒体资源的多媒体资源信息和所述预设多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
目标兴趣资源确定模块,被配置为执行基于所述至少一个对象兴趣表征信息,从待推荐多媒体资源中确定所述待处理对象对应的目标兴趣多媒体资源;
目标兴趣资源推荐模块,被配置为执行向所述待处理对象推荐所述目标兴趣多媒体资源。
作为一个可选的实施例,所述对象兴趣识别模型包括特征提取层、特征扩展层和特征融合层,所述特征扩展模块包括:
特征提取单元,被配置为执行将所述历史操作资源信息和所述多媒体知识结构输入到所述特征提取层中进行特征提取,得到所述历史操作资源信息的历史资源特征信息和所述多媒体知识结构对应的结构特征信息;
特征扩展单元,被配置为执行将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,基于所述结构特征信息对所述历史资源特征信息进行至少一次特征扩展,得到所述历史资源特征信息在所述至少一次特征扩展下对应的关联标签特征信息和所述历史资源特征信息在所述至少一次特征扩展下对应的关联资源特征信息;
特征融合单元,被配置为执行将所述关联标签特征信息和所述关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
作为一个可选的实施例,所述特征扩展单元包括:
关联节点确定单元,被配置为执行将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,在所述结构特征信息中,以所述历史资源特征信息为中心节点进行至少一次特征扩展,得到任意一次特征扩展时与所述中心节点关联的关联节点;所述任意一次特征扩展时的起始节点为上一次特征扩展得到的关联节点中的资源特征信息,所述任意一次特征扩展中初次特征扩展时的起始节点为所述历史资源特征信息;
关联信息获取单元,被配置为执行将所述至少一次的特征扩展对应的关联节点中的标签特征信息作为所述关联标签特征信息,并将所述至少一次的特征扩展对应的关联节点中的资源特征信息作为所述关联资源特征信息。
作为一个可选的实施例,所述特征融合单元包括:
多层特征融合单元,被配置为执行将每一次特征扩展对应的关联标签特征信息和每一次特征扩展对应的关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
作为一个可选的实施例,所述目标兴趣资源确定模块包括:
资源特征获取单元,被配置为执行获取所述待推荐多媒体资源对应的资源特征信息;
资源兴趣指标确定单元,被配置为执行基于所述对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息,确定所述待推荐多媒体资源对应的资源兴趣指标;
目标多媒体资源确定单元,被配置为执行基于所述资源兴趣指标,从所述待推荐多媒体资源中确定所述目标兴趣多媒体资源。
作为一个可选的实施例,所述预设多媒体资源包括多个多媒体资源,所述装置还包括:
画像信息获取模块,被配置为执行获取每个多媒体资源对应的画像信息;
图谱节点获取模块,被配置为执行根据所述画像信息,得到每个所述多媒体资源的多媒体资源信息和每个所述多媒体资源对应的至少一个内容标签信息;
图谱构建模块,被配置为执行以多个所述多媒体资源的多媒体资源信息和多个所述多媒体资源对应的内容标签信息为节点,并构建每个多媒体资源的多媒体资源信息对应节点与每个所述多媒体资源的内容标签信息对应节点间的边,得到所述多媒体知识结构。
根据本公开实施例的第四方面,提供一种对象兴趣识别模型训练装置,所述装置包括:
信息获取模块,被配置为执行获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,所述正样本操作资源信息表征所述样本对象在预设样本时间段内执行过预设操作的多媒体资源,所述负样本操作资源信息表征所述样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与所述正样本操作资源信息相似的样本多媒体资源、所述样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;所述多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和所述待推荐多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
训练兴趣扩展模块,被配置为执行将所述多媒体知识结构、所述正样本操作资源信息和所述负样本操作资源信息输入到待训练模型,在所述待训练模型中基于所述多媒体知识结构,对所述正样本操作资源信息和所述负样本操作资源信息进行至少一次兴趣扩展,得到所述样本对象对应的至少一个对象兴趣表征信息和所述多媒体知识结构的结构特征信息;
样本资源特征获取模块,被配置为执行获取所述正样本操作资源信息对应的第一样本资源特征信息和所述负样本操作资源信息对应的第二样本资源特征信息;
目标损失信息确定模块,被配置为执行基于所述结构特征信息、所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,确定目标损失信息;
模型训练模块,被配置为执行基于所述目标损失信息,对所述待训练模型进行训练,得到对象兴趣识别模型。
作为一个可选的实施例,所述装置还包括:
第一负样本资源模块,被配置为执行对所述样本对象在预设历史时间段内未执行过预设操作的多媒体资源进行采样,得到第一负样本操作资源信息;
第二负样本资源模块,被配置为执行将与所述正样本操作资源信息相似的多媒体资源作为第二负样本操作资源信息;
第三负样本资源模块,被配置为执行所述样本对象在所述预设历史时间段内执行过负反馈操作的多媒体资源作为第三负样本操作资源信息;
负样本操作资源获取模块,被配置为执行将所述第一负样本操作资源信息、所述第二负样本操作资源信息和所述第三负样本操作资源信息中的一种或多种作为所述负样本操作资源信息。
作为一个可选的实施例,所述装置还包括:
上一训练信息获取模块,被配置为执行在当前训练轮次为非第一训练轮次的情况下,获取所述当前训练轮次的上一训练轮次对应的对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息;
训练兴趣指标获取模块,被配置为执行基于所述对象兴趣表征信息和所述待推荐多媒体资源对应的资源特征信息,确定所述待推荐多媒体资源对应的资源兴趣指标;
第四负样本资源获取模块,被配置为执行基于所述资源兴趣指标,从所述待推荐多媒体资源中确定第四负样本操作资源信息;
所述负样本操作资源获取模块包括:
负样本操作资源获取单元,被配置为执行将所述第一负样本操作资源信息、所述第二负样本操作资源信息、所述第三负样本操作资源信息和所述第四负样本操作资源信息中的一种或多种作为所述负样本操作资源信息。
作为一个可选的实施例,所述目标损失信息确定模块包括:
兴趣损失信息确定单元,被配置为执行基于所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,得到兴趣损失信息;
节点关系损失信息确定单元,被配置为执行基于所述结构特征信息,得到节点关系损失信息;
表征损失信息确定单元,被配置为执行基于所述至少一个对象兴趣表征信息,得到表征损失信息;
正则损失信息确定单元,被配置为执行基于所述结构特征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,得到正则损失信息;
目标损失信息确定单元,被配置为执行根据所述兴趣损失信息、所述节点关系损失信息、所述表征损失信息和所述正则损失信息,确定所述目标损失信息。
根据本公开实施例的第五方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述所述的多媒体推荐方法或上述所述的对象兴趣识别模型训练方法。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,当所述计算机可读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上述所述的多媒体推荐方法或上述所述的对象兴趣识别模型训练方法。
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所述多媒体推荐方或上述所述的对象兴趣识别模型训练方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
将待处理对象对应的历史操作资源信息输入到对象兴趣识别模型中,基于对象兴趣识别模型中的多媒体知识结构,对历史操作资源信息进行至少一次兴趣资源扩展,得到待处理对象对应的至少一个对象兴趣表征信息,基于至少一个对象兴趣表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源,并向待处理对象推荐目标多媒体资源。该方法基于历史操作资源信息进行兴趣资源扩展,可以缓解信息茧房,获取潜在的用户兴趣对应的多媒体资源,从而提高用户兴趣的多样性和泛化性,提高多媒体资源推荐的有效性。
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推荐方法的应用场景示意图。
图2是根据一示例性实施例示出的一种多媒体推荐方法的流程图。
图3是根据一示例性实施例示出的一种多媒体推荐方法中构建多媒体知识结构的流程图。
图4是根据一示例性实施例示出的一种多媒体推荐方法中多媒体知识结构的示意图。
图5是根据一示例性实施例示出的一种多媒体推荐方法中进行兴趣扩展的流程图。
图6是根据一示例性实施例示出的一种多媒体推荐方法中在特征扩展层中进行特征扩展的流程图。
图7是根据一示例性实施例示出的一种多媒体推荐方法中首尾相连的三元组的示意图。
图8是根据一示例性实施例示出的一种多媒体推荐方法中获取对象兴趣多表征信息的示意图。
图9是根据一示例性实施例示出的一种多媒体推荐方法中得到目标多媒体资源的流程图。
图10是根据一示例性实施例示出的一种多媒体推荐方法中进行线上召回的示意图。
图11是根据一示例性实施例示出的一种对象兴趣识别模型训练方法的流程图。
图12是根据一示例性实施例示出的一种对象兴趣识别模型训练方法中构建负样本操作资源信息的流程图。
图13是根据一示例性实施例示出的一种对象兴趣识别模型训练方法中确定第四负样本操作资源信息的流程图。
图14是根据一示例性实施例示出的一种对象兴趣识别模型训练方法中确定目标损失信息的流程图。
图15是根据一示例性实施例示出的一种对象兴趣识别模型训练方法中计算点击预期结果的示意图。
图16是根据一示例性实施例示出的一种多媒体推荐装置的框图。
图17是根据一示例性实施例示出的一种对象兴趣识别模型训练装置的框图。
图18是根据一示例性实施例示出的一种服务器侧电子设备的框图。
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。
图1是根据一示例性实施例示出的一种多媒体推荐方法的应用场景示意图,如图1所示,该应用场景包括客户端110和服务器120,服务器120中预先存储有对应每个用户的至少一个对象兴趣表征信息,该对象兴趣表征信息可以在对象兴趣识别模型,基于多媒体知识结构,对每个用户对应的历史操作资源信息进行兴趣资源扩展得到。响应于客户端110发送的多媒体推荐请求,服务器120基于待推荐多媒体资源的资源特征信息与对象兴趣表征信息间的兴趣推荐指标,召回对应的目标多媒体资源,将目标多媒体资源发送到客户端110中。
在本公开实施例中,客户端110包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。本申请实施例中实体设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、Unix、windows等。客户端110包括UI(User Interface,用户界面)层,客户端110通过所述UI层对外提供目标多媒体资源的显示,另外,基于API(ApplicationProgramming Interface,应用程序接口)将多媒体推荐请求发送给服务器120。
在本公开实施例中,服务器120可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器120可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器120可以基于多媒体知识结构,对每个用户对应的历史操作资源信息进行兴趣资源扩展,以及召回目标多媒体资源。
图2是根据一示例性实施例示出的一种多媒体推荐方法的流程图,如图2所示,该方法用服务器中,包括以下步骤。
S210.将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在对象兴趣识别模型中基于多媒体知识结构,对历史操作资源信息进行至少一次兴趣扩展,得到待处理对象对应的至少一个对象兴趣表征信息,历史操作资源信息表征待处理对象在预设历史时间段内执行过预设操作的多媒体资源,多媒体知识结构为以预设多媒体资源的多媒体资源信息和预设多媒体资源对应的内容标签信息为节点,以多媒体资源信息与内容标签信息间的关联关系为边构成的图谱;
作为一种可选的实施例,历史操作资源信息对应的预设操作包括点击操作和正反馈操作,其中,正反馈操作用于表示用户偏好,可以包括点赞操作、收藏操作、打赏操作等。
对象兴趣识别模型为基于水波推荐模型构建的模型,在对历史操作资源信息进行至少一次特征扩展时,在对历史操作资源信息进行第一次特征扩展之后,可以对每一次特征扩展的上一次特征扩展后得到的关联标签特征信息和关联资源特征信息再次进行特征扩展。在特征扩展的次数达到预设次数时,将每一次特征扩展后得到的关联标签特征信息和关联资源特征信息作为对象兴趣表征信息。
作为一个可选的实施例,请参见图3,如图3所示,预设多媒体资源包括多个多媒体资源,构建多媒体知识结构的方法包括:
S310.获取每个多媒体资源对应的画像信息;
S320.根据画像信息,得到每个多媒体资源的多媒体资源信息和每个多媒体资源对应的至少一个内容标签信息;
S330.以多个多媒体资源的多媒体资源信息和多个多媒体资源对应的内容标签信息为节点,并构建每个多媒体资源的多媒体资源信息对应节点与每个多媒体资源的内容标签信息对应节点间的边,得到多媒体知识结构。
作为一个可选的实施例,在构建多媒体知识结构时,可以获取预设多媒体资源中每个多媒体资源对应的画像信息,对画像信息进行特征提取,可以得到每个多媒体资源的多媒体资源信息和每个多媒体资源对应的至少一个内容标签信息。
关联具有相同的内容标签信息的两两多媒体资源信息,直到处理完预设多媒体资源中的每个多媒体资源对应的多媒体资源信息和内容标签信息,可以得到多媒体知识结构。在多媒体知识结构中,每个多媒体资源信息都基于至少一个内容标签信息,与另一个多媒体资源信息关联,即任两个相关联的多媒体资源间具有一个或一个以上相同的内容标签信息。在多媒体知识结构中,同一内容标签信息可以关联两个或两个以上的多媒体资源信息。
作为一个可选的实施例,以视频资源为例,对视频资源的画像信息进行特征提取,可以得到视频音乐、视频中的人物、视频风格、视频类别、视频文本特征等多种内容标签信息以及视频资源,将具有相同视频音乐的视频资源基于该音乐标签关联,将具有相同人物的视频资源基于该人物标签关联,将相同视频风格的视频资源基于该视频风格标签关联,将相同视频类别的视频资源基于该类别标签关联或将相同视频文本的视频资源基于该文本标签关联,可以得到视频资源对应的多媒体知识结构。
作为一个可选的实施例,请参见图4,多媒体知识结构为多个节点连接形成的网状结构,多媒体知识结构包括两种类型的节点,其中预设多媒体资源中每个多媒体资源对应的内容标签信息为第一类型节点,将每个多媒体资源的多媒体资源信息为第二类型节点。构建第一类型节点和第二类型节点之间的边,得到多媒体知识结构。
如图4所示,预设多媒体资源中的多媒体资源X、多媒体资源Y、多媒体资源Z和多媒体资源W分别为第二类型节点X、第二类型节点Y、第二类型节点Z、第二类型节点W。多媒体资源X对应的a、b、c三个标签信息分别为第一类型节点a、第一类型节点b和第一类型节点c,多媒体资源Y对应的b、d、e三个特征信息分别为第一类型节点b、第一类型节点d和第一类型节点e,多媒体资源Z对应的a、c、f三个标签信息分别为第一类型节点a、第一类型节点c和第一类型节点f,多媒体资源W对应的b、g、h三个特征信息分别为第一类型节点b、第一类型节点g和第一类型节点h,则在多媒体知识结构中,第二类型节点X连接第一类型节点c和第一类型节点a,第一类型节点c和第一类型节点a均连接第二类型节点Z,第二类型节点Z还连接第一类型节点f。第二类型节点X连接第一类型节点b,第一类型节点b连接第二类型节点Y和第二类型节点W,第二类型节点Y还连接第一类型节点d和第一类型节点e,第二类型节点Z还连接第一类型节点g和第一类型节点h。
通过相同的内容标签信息,对两两多媒体资源进行关联,构建多媒体知识结构,从而可以得到不同多媒体资源间潜在的相关性,提高了多媒体资源间关联的可视性,便于后续对用户潜在的兴趣进行扩展。
作为一个可选的实施例,对象兴趣识别模型包括特征提取层、特征扩展层和特征融合层,请参见图5,将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在对象兴趣识别模型中基于多媒体知识结构,对历史操作资源信息进行至少一次兴趣扩展,得到待处理对象对应的至少一个对象兴趣表征信息包括:
S510.将历史操作资源信息和多媒体知识结构输入到特征提取层中进行特征提取,得到历史操作资源信息的历史资源特征信息和多媒体知识结构对应的结构特征信息;
S520.将历史资源特征信息和结构特征信息输入到特征扩展层中,基于结构特征信息对历史资源特征信息进行至少一次特征扩展,得到历史资源特征信息在至少一次特征扩展下对应的关联标签特征信息和历史资源特征信息在至少一次特征扩展下对应的关联资源特征信息;
S530.将关联标签特征信息和关联资源特征信息输入到特征融合层中进行特征融合,得到至少一个对象兴趣表征信息。
作为一个可选的实施例,历史操作资源信息包括用户在预设的历史时间中点击的多媒体资源和用户在预设的历史时间中进行了正反馈的多媒体资源。将历史操作资源信息和多媒体知识结构输入到特征提取层中进行特征提取,可以得到历史操作资源信息的历史资源特征信息和多媒体知识结构对应的结构特征信息,例如历史操作资源信息对应为某一影视作品的标题名称,则历史资源特征信息可以为该标题名称对应的文本特征信息。
在进行特征扩展时,是以历史资源特征信息为中心进行特征扩展的。基于结构特征信息,可以对历史资源特征信息进行至少一次特征扩展,得到每一次特征扩展后,历史资源特征信息对应的关联标签特征信息和历史资源特征信息对应的关联资源特征信息。在第一次特征扩展后,可以基于第一次特征扩展时得到的关联标签特征信息和关联资源特征信息进行第二次特征扩展,以此类推,在除第一次特征扩展外的每一次特征扩展时,可以基于上一次特征扩展时得到的关联标签特征信息和关联资源特征信息进行特征扩展。
在多媒体知识结构上,两两多媒体资源间相同的内容标签信息可以表达多媒体资源潜在的相似性,因此通过特征扩展的方式,对历史操作资源信息进行兴趣资源扩展,可以挖掘用户的潜在兴趣,提高兴趣资源扩展的有效性和泛化性。
作为一个可选的实施例,请参见图6,将历史资源特征信息和结构特征信息输入到特征扩展层中,基于结构特征信息对历史资源特征信息进行至少一次特征扩展,得到历史资源特征信息在至少一次特征扩展下对应的关联标签特征信息和历史资源特征信息在至少一次特征扩展下对应的关联资源特征信息包括:
S610.将历史资源特征信息和结构特征信息输入到特征扩展层中,在结构特征信息中,以历史资源特征信息为中心节点进行至少一次特征扩展,得到任意一次特征扩展时与中心节点关联的关联节点;任意一次特征扩展时的起始节点为上一次特征扩展得到的关联节点中的资源特征信息,任意一次特征扩展中初次特征扩展时的起始节点为历史资源特征信息;
S620.将至少一次的特征扩展对应的关联节点中的标签特征信息作为关联标签特征信息,并将至少一次的特征扩展对应的关联节点中的资源特征信息作为关联资源特征信息。
作为一个可选的实施例,在结构特征信息中,确定历史资源特征信息对应的节点,将该节点作为中心节点进行至少一次特征扩展。在每一次特征扩展时,特征扩展的起始节点可以进行更新,但是中心节点不会更新,在特征扩展后得到的所有关联节点均为与中心节点有关联关系的节点。
在第一次特征扩展时,以中心节点为起始节点进行特征扩展,可以得到第一次特征扩展对应的关联节点,该关联节点包括标签特征信息和资源特征信息,由于中心节点为历史资源特征信息,因此在第一次特征扩展时,会先扩展得到与历史资源特征信息对应的标签特征信息,再基于与历史资源特征信息对应的标签特征信息,扩展得到与该标签特征信息对应的资源特征信息,也就是先得到一圈历史资源特征信息对应的标签特征信息,再得到一圈标签特征信息对应的资源特征信息。
在第二次特征扩展时,以第一次特征扩展得到的最外圈的关联节点,也就是资源特征信息的关联节点作为起始节点进行特征扩展,得到第二次特征扩展对应的关联节点,这些关联节点同样包括标签特征信息和资源特征信息,也同样是会先扩展得到与第一次特征扩展得到的资源特征信息对应的标签特征信息,再基于这些对应的标签特征信息,扩展得到与该标签特征信息对应的资源特征信息。
在第三次特征扩展时,则可以将第二次特征扩展得到的最外圈的关联节点,也就是资源特征信息对应的关联节点作为起始节点进行特征扩展,得到第三次特征扩展对应的关联节点。以此类推,直到特征扩展的次数满足预设次数。
在特征扩展的过程中,至少一次的特征扩展得到的关联节点为与中心节点直接关联或间接关联的节点。将至少一次的特征扩展对应的关联节点中的标签特征信息作为关联标签特征信息,并将至少一次的特征扩展对应的关联节点中的资源特征信息作为关联资源特征信息。
作为一个可选的实施例,每个多媒体资源可以对应内容标签信息和该内容标签信息对应的扩展多媒体资源,如图7所示,将多媒体资源的资源特征信息、内容标签信息的标签特征信息和扩展多媒体资源的资源特征信息可以构成三元组,从第一次特征扩展时的历史资源特征信息开始,将历史资源特征信息、历史资源特征信息对应的标签特征信息和该标签特征信息对应的第一次特征扩展的资源特征信息作为一组三元组,将第一次特征扩展的资源特征信息、该资源特征信息对应的标签特征信息和该标签特征信息对应的第二次特征扩展的资源特征信息作为一组三元组,以此类推,从而将上一次特征扩展对应的三元组和下一次特征扩展对应的三元组相连,生成首尾相连的一系列三元组。
在特征扩展时,同时进行多媒体资源的和内容标签信息的扩展,基于扩展后的多媒体资源发掘更多的内容标签信息,基于更多的内容标签信息进行进一步地发掘更多的多媒体资源,从而提高了特征扩展的有效性和效率。
作为一个可选的实施例,将关联标签特征信息和关联资源特征信息输入到特征融合层中进行特征融合,得到至少一个对象兴趣表征信息包括:
将每一次特征扩展对应的关联标签特征信息和每一次特征扩展对应的关联资源特征信息输入到特征融合层中进行特征融合,得到至少一个对象兴趣表征信息。
作为一个可选的实施例,将每一次特征扩展对应关联标签特征信息和每一次特征扩展对应的关联资源特征信息可以输入到特征融合层中进行特征融合,得到每一次特征扩展对应的对象兴趣表征信息。对象兴趣表征信息的数目与特征扩展的次数相同。
在特征融合层中,通过se模块(Squeeze-and-Excitationblock,se-block)和最大值池化(sum pool),对每一次特征扩展对应关联标签特征信息和每一次特征扩展对应的关联资源特征信息进行融合处理,得到对象兴趣表征信息。
作为一种可选的实施例,请参见图8,可以将待处理对象标识输入到对象兴趣识别模型中,并对点击操作对应的历史操作资源信息进行特征处理,得到点击历史特征信息,点击历史特征信息可以描述短期内的用户点击偏好。对点击操作对应的历史操作资源信息进行的特征处理可以通过se模块(Squeeze-and-Excitationblock,se-block)和最大值池化(sum pool)进行。
在特征融合层中,还可以将对象兴趣表征信息与待处理对象标识、以及点击历史特征信息进行融合,得到与待处理对象对应的对象兴趣多表征信息。可以基于连接操作(concat)组合待处理对象标识、对象兴趣多表征信息和点击历史特征信息,并将组合后的特征信息通过一个全连接层(Dense),得到对象兴趣多表征信息,再基于对象兴趣多表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源。
对每一次进行特征扩展得到的关联标签特征信息和关联资源特征信息进行融合,可以得到多层次的对象兴趣表征信息,使得对象兴趣表征信息中同时包括内容标签信息和多媒体资源信息,从而提高了对象兴趣表征信息的丰富度。
S220.基于至少一个对象兴趣表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源;
作为一种可选的实施例,在线上排序并召回的步骤中,对对象兴趣表征信息进行排序,得到待推荐多媒体序列,再基于待推荐多媒体序列进行多媒体资源的召回,可以得到待处理对象对应的目标多媒体资源。
作为一个可选的实施例,请参见图9,对对象兴趣表征信息进行多媒体筛选,得到待处理对象对应的目标多媒体资源包括:
S910.获取待推荐多媒体资源对应的资源特征信息;
S920.基于对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息,确定待推荐多媒体资源对应的资源兴趣指标;
S930.基于资源兴趣指标,从待推荐多媒体资源中确定目标兴趣多媒体资源。
作为一个可选的实施例,确定对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息间资源兴趣指标时,可以计算对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息间的点积,得到资源兴趣指标。若基于对象兴趣表征信息、待处理对象标识和点击历史特征信息组合得到对象兴趣多表征信息,可以计算对象兴趣多表征信息和待推荐多媒体资源对应的资源特征信息间的内积,得到资源兴趣指标。
根据资源兴趣指标的大小,从大到小对待推荐多媒体资源进行排序,得到待推荐多媒体序列。从待推荐多媒体序列中,获取前预设数目个多媒体资源作为目标多媒体资源,或者获取资源兴趣指标大于等于预设阈值的对象兴趣表征信息作为目标多媒体资源。
作为一个可选的实施例,请参见图10,如图10所示,在线上召回的部分,将线下得到的待推荐多媒体资源的资源特征信息输入到特征存储模块中,响应于待处理对象的多媒体推荐请求,对对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息进行内积计算,得到资源兴趣指标,基于资源兴趣指标的大小,从小到大对待推荐多媒体资源进行排序,得到待推荐多媒体序列,再根据待推荐多媒体序列,从待推荐多媒体资源集中确定目标多媒体资源,可以将对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息输入到在线的人工神经网络(Artificial Neural Network,ANN)服务中,在待推荐多媒体资源中确定目标多媒体资源,将目标多媒体资源反馈到多媒体推荐请求对应的客户端。
其中,多媒体推荐请求可以为基于待处理对象输入的指令信息,客户端发送的多媒体推荐请求,即服务器根据待处理对象的主动请求进行多媒体资源推荐,或,待处理对象在启动应用软件或应用软件中的某一功能时客户端发送的多媒体推荐请求。即服务器主动向待处理对象进行多媒体推荐。
根据对象兴趣表征信息和资源特征信息计算得到的资源兴趣指标,从待推荐多媒体资源中召回目标多媒体资源,可以将用户更感兴趣的信息显示在推荐信息的前列,从而提高目标多媒体资源推荐的准确性,并提高了用户体验。
S230.向待处理对象推荐目标兴趣多媒体资源。
作为一个可选的实施例,请参见图11,该模型训练方法包括:
S1110.获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,正样本操作资源信息表征样本对象在预设样本时间段内执行过预设操作的多媒体资源,负样本操作资源信息表征样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与正样本操作资源信息相似的样本多媒体资源、样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和待推荐多媒体资源对应的内容标签信息为节点,以多媒体资源信息与内容标签信息间的关联关系为边构成的图谱;
S1120.将多媒体知识结构、正样本操作资源信息和负样本操作资源信息输入到待训练模型,在待训练模型中基于多媒体知识结构,对正样本操作资源信息和负样本操作资源信息进行至少一次兴趣扩展,得到样本对象对应的至少一个对象兴趣表征信息和多媒体知识结构的结构特征信息;
S1130.获取正样本操作资源信息对应的第一样本资源特征信息和负样本操作资源信息对应的第二样本资源特征信息;
S1140.基于结构特征信息、至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,确定目标损失信息;
S1150.基于目标损失信息,对待训练模型进行训练,得到对象兴趣识别模型。
作为一个可选的实施例,获取样本对象对应的正样本操作资源信息和负样本操作资源信息,其中负样本操作资源信息可以由一种或多种负样本操作资源信息构建得到。正样本操作资源信息表征样本对象在预设历史时间段内执行过预设操作的多媒体资源,预设操作可以为点击操作,即正样本操作资源信息为用户点击过的多媒体资源。负样本操作资源信息表征样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与正样本操作资源信息相似的样本多媒体资源、样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种,即负样本操作资源信息为显示了用户不同程度得到负向偏好的多媒体资源。
将多媒体知识结构、正样本操作资源信息和负样本操作资源信息输入到待训练模型,在待训练模型中,基于多媒体知识结构,对正样本操作资源信息和负样本操作资源信息进行至少一次特征扩展,得到样本对象对应的至少一个对象兴趣表征信息,并输出在待训练模型的特征提取层中提取到的多媒体知识结构的结构特征信息。对正样本操作资源信息和负样本操作资源信息进行特征提取,得到正样本操作资源信息对应的第一样本资源特征信息和负样本操作资源信息对应的第二样本资源特征信息。基于结构特征信息、至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,确定目标损失信息,基于目标损失信息,对待训练模型进行训练,得到对象兴趣识别模型。
基于正负样本操作资源和目标损失信息,对待训练模型进行训练,得到对象兴趣识别模型,可以提高模型训练的准确性。
作为一个可选的实施例,请参见图12,获取样本对象对应的负样本操作资源信息包括:
S1210.对样本对象在预设历史时间段内未执行过预设操作的多媒体资源进行采样,得到第一负样本操作资源信息;
S1220.将与正样本操作资源信息相似的多媒体资源作为第二负样本操作资源信息;
S1230.样本对象在预设历史时间段内执行过负反馈操作的多媒体资源作为第三负样本操作资源信息;
S1240.将第一负样本操作资源信息、第二负样本操作资源信息和第三负样本操作资源信息中的一种或多种作为负样本操作资源信息。
作为一个可选的实施例,负样本操作资源信息可以通过多种方式进行构建。其中,第一负样本操作资源信息为对样本对象在预设历史时间段内未执行过目标操作的多媒体资源进行采样得到的,第一负样本操作资源信息可以使得待训练模型具有对对象兴趣表征信息进行粗筛选的能力。
第二负样本操作资源信息为将未执行过目标操作的多媒体资源中,与正样本操作资源信息相似的多媒体资源,例如用户点击过演员A主演的电影1,但未点击过演员A主演的电影2,则可以将演员A主演过的电影1作为正样本操作资源信息,演员A主演过的电影2作为第二负样本操作资源信息,第二负样本操作资源信息可以使得待训练模型具有从相似的样本多媒体资源中识别对象兴趣表征信息的能力。
第三负样本操作资源信息为样本对象在预设历史时间段内执行过负反馈操作的多媒体资源,第三负样本操作资源信息具有用户的负向反馈,例如,用户反馈视频3为不感兴趣的视频,则可以将视频3作为第三负样本操作资源信息,或用户点踩了视频4,则可以将视频4也作为第四负样本操作资源信息。第三负样本操作资源信息具有使得待训练模型具有过滤非对象兴趣表征信息的能力。
基于不同的负样本操作资源信息,可以对待训练模型识别对象兴趣表征信息的能力进行不同侧重的训练,提高了待训练模型区分对象兴趣表征信息和非对象兴趣表征信息的能力,从而提高了模型训练的全面性和有效性。
作为一个可选的实施例,请参见图13,获取负样本资源的方法还包括:
S1310.在当前训练轮次为非第一训练轮次的情况下,获取当前训练轮次的上一训练轮次对应的对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息;
S1320.基于对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息,确定待推荐多媒体资源对应的资源兴趣指标;
S1330.基于资源兴趣指标,从待推荐多媒体资源中确定第四负样本操作资源信息;
将第一负样本操作资源信息、第二负样本操作资源信息和第三负样本操作资源信息中的一种或多种作为负样本操作资源信息包括:
S1340.将第一负样本操作资源信息、第二负样本操作资源信息、第三负样本操作资源信息和第四负样本操作资源信息中的一种或多种作为负样本操作资源信息。
作为一个可选的实施例,第四负样本操作资源信息为在每一次训练时更新的负样本操作资源信息。第四负样本操作资源信息在第二轮训练开始时才可以进行获取。第四负样本操作资源信息可以为每一次训练的上一次训练对应训练多媒体序列中,资源兴趣指标小于预设阈值的多媒体资源,或序列中的后预设数目个多媒体资源,即第四样本操作资源信息为上一次训练中得到的,与对象兴趣表征信息间的相关度低的样本多媒体资源。例如,在第一次训练中,按照资源兴趣指标的大小,由大到小对待推荐多媒体资源进行排序,得到了待推荐多媒体序列,可以将后300个待推荐多媒体资源作为第二次训练时的第四样本操作资源信息。第四样本操作资源信息可以使得待训练模型具有待推荐多媒体资源的排列次序的能力。
作为一个可选的实施例,设置第一负样本操作资源信息对应第一识别难度,第二负样本操作资源信息对应的第二识别难度,第四负样本操作资源信息对应第三识别难度,第三负样本操作资源信息为真实负样本操作资源信息。识别难度为识别出对象兴趣表征信息的难度,其中,由于第一负样本操作资源信息是用户未点击的多媒体资源,第二负样本操作资源信息是用户未点击且与正样本操作资源信息相似的多媒体资源,第四负样本操作资源信息为训练对象兴趣资源中与样本对象间的相关度低的多媒体资源,从第一负样本操作资源信息到第二负样本操作资源信息,再到第四负样本操作资源信息,与正样本操作资源信息的距离在逐渐缩小,因此,第三识别难度大于第二识别难度,第二识别难度大于第一识别难度。按照预设权重信息,对不同识别难度的负样本操作资源信息和真实负样本操作资源信息进行组合,可以得到应用在模型训练中的负样本操作资源信息。其中,第一负样本操作资源信息、第二负样本操作资源信息、第四负样本操作资源信息和第三负样本操作资源信息间的预设权重信息可以为5:2:2:1。
基于不同识别难度的负样本操作资源信息和真实负样本操作资源信息,构建多层次的负样本操作资源信息用于对待训练模型进行训练,可以提高对象兴趣识别模型对对象兴趣表征信息的识别能力,从而提高目标多媒体资源的准确率和透出率。
作为一个可选的实施例,请参见图14,基于结构特征信息、至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,确定目标损失信息包括:
S1410.基于至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,得到兴趣损失信息;
S1420.基于结构特征信息,得到节点关系损失信息;
S1430.基于至少一个对象兴趣表征信息,得到表征损失信息;
S1440.基于结构特征信息、第一样本资源特征信息和第二样本资源特征信息,得到正则损失信息;
S1450.根据兴趣损失信息、节点关系损失信息、表征损失信息和正则损失信息,确定目标损失信息。
作为一个可选的实施例,请参见图15,如图15所示,在得到至少一个对象兴趣表征信息后,将对象兴趣表征信息与待处理对象标识、以及点击历史特征信息进行融合,可以得到与样本对象对应的对象兴趣多表征信息。对对象兴趣多表征信息进行注意力计算和加权求和后,可以得到目标兴趣表征信息。基于目标兴趣表征信息和待推荐多媒体资源对应的资源特征信息,对待推荐多媒体资源的点击概率进行确定,得到待推荐多媒体资源的点击预期结果。
在计算损失数据时,根据多媒体知识结构对应的结构特征信息中的节点特征信息,以及节点之间的连接关系特征信息,可以确定节点关系损失信息。根据结构特征信息中的节点特征和连接关系特征信息,以及第一样本资源特征信息和第二样本资源特征信息,可以确定正则损失信息,该正则损失信息可以为L2正则损失信息。根据第一样本资源特征信息和第二样本资源特征信息,可以确定样本对象对样本多媒体资源是否进行点击,即确定样本对象对样本多媒体资源的点击概率,得到点击预期结果,点击预期结果可以为点击通过率(Click-Through-Rate,CTR),在样本资源特征信息为第一样本资源特征信息的情况下,对应正样本操作资源信息,可以确定点击预期结果为进行点击。在样本资源特征信息为第二样本资源特征信息的情况下,对应负样本操作资源信息,可以确定点击预期结果为不进行点击。基于点击预期结果、目标兴趣表征信息和点击预期结果对应的样本资源特征信息,可以计算得到推荐点击交叉熵,即兴趣损失信息。基于至少一个对象兴趣表征信息,计算每个对象兴趣表征信息和每个对象兴趣表征信息相邻的对象兴趣表征信息间的KL散度损失,可以得到表征损失信息,表征损失信息用于衡量两个相邻的对象兴趣表征信息间的距离。
作为一个可选的实施例,计算节点关系损失信息、表征损失信息、正则损失信息和兴趣损失信息的公式如下:
其中,kge_loss为节点关系损失信息,Ir表示单位矩阵,E表示多媒体知识结构中节点对应的特征向量,R表示多媒体知识结构中节点之间的连接关系对应的特征向量,ET表示节点对应的转置矩阵。kl_loss为表征损失信息,其中,uenum表示对象兴趣表征信息的数目,ue表示至少一个对象兴趣表征信息,计算对象兴趣表征信息中相邻的两个多媒对象兴趣表征信息uea和ueb间距离的第二范数的累加和值。l2_loss表示正则损失信息,其中,v表示第一样本资源特征信息和第二样本资源特征信息,分别计算v、E和R的第二范数。base_loss表示兴趣损失数据,其中,yuv表示样本对象是否对待推荐多媒体资源进行点击,若点击则为1,若未点击则为0,u为目标兴趣表征信息,uT为目标训练兴趣信息对应的转置矩阵,σ(uTv)表示目标兴趣表征信息与第一样本资源特征信息,或目标兴趣表征信息与第二样本资源特征信息间计算得到的概率分布。
基于表征损失信息维持训练对象兴趣资源的多样性,基于正则损失信息和节点关系损失信息对多媒体知识结构进行约束,基于兴趣损失信息,确定点击预期结果对应的损失信息,提高了待训练模型对训练对象兴趣资源的识别能力,从而提高了对象兴趣识别模型的准确性和有效性。
本公开实施例提出了一种多媒体推荐方法,该方法包括:将待处理对象对应的历史操作资源信息输入到对象兴趣识别模型中,基于对象兴趣识别模型中的多媒体知识结构,对历史操作资源信息进行至少一次兴趣资源扩展,得到待处理对象对应的至少一个对象兴趣表征信息,基于至少一个对象兴趣表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源,并向待处理对象推荐目标多媒体资源。该方法基于历史操作资源信息进行兴趣资源扩展,可以缓解信息茧房,获取潜在的用户兴趣对应的多媒体资源,从而提高用户兴趣的多样性和泛化性,提高多媒体资源推荐的有效性。
图16是根据一示例性实施例示出的一种多媒体推荐装置框图。参照图16,该装置包括:
特征扩展模块1610,被配置为执行将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在对象兴趣识别模型中基于多媒体知识结构,对历史操作资源信息进行至少一次兴趣扩展,得到待处理对象对应的至少一个对象兴趣表征信息,历史操作资源信息表征待处理对象在预设历史时间段内执行过预设操作的多媒体资源,多媒体知识结构为以预设多媒体资源的多媒体资源信息和预设多媒体资源对应的内容标签信息为节点,以多媒体资源信息与内容标签信息间的关联关系为边构成的图谱;
目标兴趣资源确定模块1620,被配置为执行基于至少一个对象兴趣表征信息,从待推荐多媒体资源中确定待处理对象对应的目标兴趣多媒体资源;
目标兴趣资源推荐模块1630,被配置为执行向待处理对象推荐目标兴趣多媒体资源。
作为一个可选的实施例,对象兴趣识别模型包括特征提取层、特征扩展层和特征融合层,特征扩展模块包括:
特征提取单元,被配置为执行将历史操作资源信息和多媒体知识结构输入到特征提取层中进行特征提取,得到历史操作资源信息的历史资源特征信息和多媒体知识结构对应的结构特征信息;
特征扩展单元,被配置为执行将历史资源特征信息和结构特征信息输入到特征扩展层中,基于结构特征信息对历史资源特征信息进行至少一次特征扩展,得到历史资源特征信息在至少一次特征扩展下对应的关联标签特征信息和历史资源特征信息在至少一次特征扩展下对应的关联资源特征信息;
特征融合单元,被配置为执行将关联标签特征信息和关联资源特征信息输入到特征融合层中进行特征融合,得到至少一个对象兴趣表征信息。
作为一个可选的实施例,特征扩展单元包括:
关联节点确定单元,被配置为执行将历史资源特征信息和结构特征信息输入到特征扩展层中,在结构特征信息中,以历史资源特征信息为中心节点进行至少一次特征扩展,得到任意一次特征扩展时与中心节点关联的关联节点;任意一次特征扩展时的起始节点为上一次特征扩展得到的关联节点中的资源特征信息,任意一次特征扩展中初次特征扩展时的起始节点为历史资源特征信息;
关联信息获取单元,被配置为执行将至少一次的特征扩展对应的关联节点中的标签特征信息作为关联标签特征信息,并将至少一次的特征扩展对应的关联节点中的资源特征信息作为关联资源特征信息。
作为一个可选的实施例,特征融合单元包括:
多层特征融合单元,被配置为执行将每一次特征扩展对应的关联标签特征信息和每一次特征扩展对应的关联资源特征信息输入到特征融合层中进行特征融合,得到至少一个对象兴趣表征信息。
作为一个可选的实施例,目标兴趣资源确定模块包括:
资源特征获取单元,被配置为执行获取待推荐多媒体资源对应的资源特征信息;
资源兴趣指标确定单元,被配置为执行基于对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息,确定待推荐多媒体资源对应的资源兴趣指标;
目标多媒体资源确定单元,被配置为执行基于资源兴趣指标,从待推荐多媒体资源中确定目标兴趣多媒体资源。
作为一个可选的实施例,预设多媒体资源包括多个多媒体资源,装置还包括:
画像信息获取模块,被配置为执行获取每个多媒体资源对应的画像信息;
图谱节点获取模块,被配置为执行根据画像信息,得到每个多媒体资源的多媒体资源信息和每个多媒体资源对应的至少一个内容标签信息;
图谱构建模块,被配置为执行以多个多媒体资源的多媒体资源信息和多个多媒体资源对应的内容标签信息为节点,并构建每个多媒体资源的多媒体资源信息对应节点与每个多媒体资源的内容标签信息对应节点间的边,得到多媒体知识结构。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图17是根据一示例性实施例示出的一种对象兴趣识别模型训练装置的框图。参照图17,该装置包括:
信息获取模块1710,被配置为执行获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,正样本操作资源信息表征样本对象在预设样本时间段内执行过预设操作的多媒体资源,负样本操作资源信息表征样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与正样本操作资源信息相似的样本多媒体资源、样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和待推荐多媒体资源对应的内容标签信息为节点,以多媒体资源信息与内容标签信息间的关联关系为边构成的图谱;
训练兴趣扩展模块1720,被配置为执行将多媒体知识结构、正样本操作资源信息和负样本操作资源信息输入到待训练模型,在待训练模型中基于多媒体知识结构,对正样本操作资源信息和负样本操作资源信息进行至少一次兴趣扩展,得到样本对象对应的至少一个对象兴趣表征信息和多媒体知识结构的结构特征信息;
样本资源特征获取模块1730,被配置为执行获取正样本操作资源信息对应的第一样本资源特征信息和负样本操作资源信息对应的第二样本资源特征信息;
目标损失信息确定模块1740,被配置为执行基于结构特征信息、至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,确定目标损失信息;
模型训练模块,被配置为执行基于目标损失信息,对待训练模型进行训练,得到对象兴趣识别模型。
作为一个可选的实施例,装置还包括:
第一负样本资源模块,被配置为执行对样本对象在预设历史时间段内未执行过预设操作的多媒体资源进行采样,得到第一负样本操作资源信息;
第二负样本资源模块,被配置为执行将与正样本操作资源信息相似的多媒体资源作为第二负样本操作资源信息;
第三负样本资源模块,被配置为执行样本对象在预设历史时间段内执行过负反馈操作的多媒体资源作为第三负样本操作资源信息;
负样本操作资源获取模块,被配置为执行将第一负样本操作资源信息、第二负样本操作资源信息和第三负样本操作资源信息中的一种或多种作为负样本操作资源信息。
作为一个可选的实施例,装置还包括:
上一训练信息获取模块,被配置为执行在当前训练轮次为非第一训练轮次的情况下,获取当前训练轮次的上一训练轮次对应的对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息;
训练兴趣指标获取模块,被配置为执行基于对象兴趣表征信息和待推荐多媒体资源对应的资源特征信息,确定待推荐多媒体资源对应的资源兴趣指标;
第四负样本资源获取模块,被配置为执行基于资源兴趣指标,从待推荐多媒体资源中确定第四负样本操作资源信息;
负样本操作资源获取模块包括:
负样本操作资源获取单元,被配置为执行将第一负样本操作资源信息、第二负样本操作资源信息、第三负样本操作资源信息和第四负样本操作资源信息中的一种或多种作为负样本操作资源信息。
作为一个可选的实施例,目标损失信息确定模块包括:
兴趣损失信息确定单元,被配置为执行基于至少一个对象兴趣表征信息、第一样本资源特征信息和第二样本资源特征信息,得到兴趣损失信息;
节点关系损失信息确定单元,被配置为执行基于结构特征信息,得到节点关系损失信息;
表征损失信息确定单元,被配置为执行基于至少一个对象兴趣表征信息,得到表征损失信息;
正则损失信息确定单元,被配置为执行基于结构特征信息、第一样本资源特征信息和第二样本资源特征信息,得到正则损失信息;
目标损失信息确定单元,被配置为执行根据兴趣损失信息、节点关系损失信息、表征损失信息和正则损失信息,确定目标损失信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图18是根据一示例性实施例示出的一种用于多媒体推荐或对象兴趣识别模型训练的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图18所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体资源推荐方法或一种对象兴趣识别模型训练方法。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器1804,上述指令可由电子设备1800的处理器1820执行以完成上述方法。可选地,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。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现上述所述多媒体推荐方法或对象兴趣识别模型训练方法。
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。本申请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 (10)
1.一种多媒体推荐方法,其特征在于,所述方法包括:
将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息,所述历史操作资源信息表征所述待处理对象在预设历史时间段内执行过预设操作的多媒体资源,所述多媒体知识结构为以预设多媒体资源的多媒体资源信息和所述预设多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
基于所述至少一个对象兴趣表征信息,从待推荐多媒体资源中确定所述待处理对象对应的目标兴趣多媒体资源;
向所述待处理对象推荐所述目标兴趣多媒体资源。
2.根据权利要求1所述的多媒体推荐方法,其特征在于,所述对象兴趣识别模型包括特征提取层、特征扩展层和特征融合层,所述将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息包括:
将所述历史操作资源信息和所述多媒体知识结构输入到所述特征提取层中进行特征提取,得到所述历史操作资源信息的历史资源特征信息和所述多媒体知识结构对应的结构特征信息;
将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,基于所述结构特征信息对所述历史资源特征信息进行至少一次特征扩展,得到所述历史资源特征信息在所述至少一次特征扩展下对应的关联标签特征信息和所述历史资源特征信息在所述至少一次特征扩展下对应的关联资源特征信息;
将所述关联标签特征信息和所述关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
3.根据权利要求2所述的多媒体推荐方法,其特征在于,所述将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,基于所述结构特征信息对所述历史资源特征信息进行至少一次特征扩展,得到所述历史资源特征信息在所述至少一次特征扩展下对应的关联标签特征信息和所述历史资源特征信息在所述至少一次特征扩展下对应的关联资源特征信息包括:
将所述历史资源特征信息和所述结构特征信息输入到所述特征扩展层中,在所述结构特征信息中,以所述历史资源特征信息为中心节点进行至少一次特征扩展,得到任意一次特征扩展时与所述中心节点关联的关联节点;所述任意一次特征扩展时的起始节点为上一次特征扩展得到的关联节点中的资源特征信息,所述任意一次特征扩展中初次特征扩展时的起始节点为所述历史资源特征信息;
将所述至少一次的特征扩展对应的关联节点中的标签特征信息作为所述关联标签特征信息,并将所述至少一次的特征扩展对应的关联节点中的资源特征信息作为所述关联资源特征信息。
4.根据权利要求2所述的多媒体推荐方法,其特征在于,所述将所述关联标签特征信息和所述关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息包括:
将每一次特征扩展对应的关联标签特征信息和每一次特征扩展对应的关联资源特征信息输入到所述特征融合层中进行特征融合,得到所述至少一个对象兴趣表征信息。
5.一种对象兴趣识别模型训练方法,其特征在于,所述方法包括:
获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,所述正样本操作资源信息表征所述样本对象在预设样本时间段内执行过预设操作的多媒体资源,所述负样本操作资源信息表征所述样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与所述正样本操作资源信息相似的样本多媒体资源、所述样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;所述多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和所述待推荐多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
将所述多媒体知识结构、所述正样本操作资源信息和所述负样本操作资源信息输入到待训练模型,在所述待训练模型中基于所述多媒体知识结构,对所述正样本操作资源信息和所述负样本操作资源信息进行至少一次兴趣扩展,得到所述样本对象对应的至少一个对象兴趣表征信息和所述多媒体知识结构的结构特征信息;
获取所述正样本操作资源信息对应的第一样本资源特征信息和所述负样本操作资源信息对应的第二样本资源特征信息;
基于所述结构特征信息、所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,确定目标损失信息;
基于所述目标损失信息,对所述待训练模型进行训练,得到对象兴趣识别模型。
6.一种多媒体推荐装置,其特征在于,所述装置包括:
特征扩展模块,被配置为执行将待处理对象对应的历史操作资源信息和多媒体知识结构输入到对象兴趣识别模型,在所述对象兴趣识别模型中基于所述多媒体知识结构,对所述历史操作资源信息进行至少一次兴趣扩展,得到所述待处理对象对应的至少一个对象兴趣表征信息,所述历史操作资源信息表征所述待处理对象在预设历史时间段内执行过预设操作的多媒体资源,所述多媒体知识结构为以预设多媒体资源的多媒体资源信息和所述预设多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
目标兴趣资源确定模块,被配置为执行基于所述至少一个对象兴趣表征信息,从待推荐多媒体资源中确定所述待处理对象对应的目标兴趣多媒体资源;
目标兴趣资源推荐模块,被配置为执行向所述待处理对象推荐所述目标兴趣多媒体资源。
7.一种对象兴趣识别模型训练装置,其特征在于,所述装置包括:
信息获取模块,被配置为执行获取多媒体知识结构、样本对象对应的正样本操作资源信息和负样本操作资源信息,所述正样本操作资源信息表征所述样本对象在预设样本时间段内执行过预设操作的多媒体资源,所述负样本操作资源信息表征所述样本对象在预设样本时间段内未执行过预设操作的多媒体资源、与所述正样本操作资源信息相似的样本多媒体资源、所述样本对象对应的资源兴趣指标满足预设条件的多媒体资源、执行过负反馈操作的多媒体资源中的至少一种;所述多媒体知识结构为以待推荐多媒体资源的多媒体资源信息和所述待推荐多媒体资源对应的内容标签信息为节点,以所述多媒体资源信息与所述内容标签信息间的关联关系为边构成的图谱;
训练兴趣扩展模块,被配置为执行将所述多媒体知识结构、所述正样本操作资源信息和所述负样本操作资源信息输入到待训练模型,在所述待训练模型中基于所述多媒体知识结构,对所述正样本操作资源信息和所述负样本操作资源信息进行至少一次兴趣扩展,得到所述样本对象对应的至少一个对象兴趣表征信息和所述多媒体知识结构的结构特征信息;
样本资源特征获取模块,被配置为执行获取所述正样本操作资源信息对应的第一样本资源特征信息和所述负样本操作资源信息对应的第二样本资源特征信息;
目标损失信息确定模块,被配置为执行基于所述结构特征信息、所述至少一个对象兴趣表征信息、所述第一样本资源特征信息和所述第二样本资源特征信息,确定目标损失信息;
模型训练模块,被配置为执行基于所述目标损失信息,对所述待训练模型进行训练,得到对象兴趣识别模型。
8.一种电子设备,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4中任一项所述的多媒体推荐方法或权利要求5中所述的对象兴趣识别模型训练方法。
9.一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4中任一项所述的多媒体推荐方法或权利要求5所述的对象兴趣识别模型训练方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的多媒体推荐方法或权利要求5所述的对象兴趣识别模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370491.5A CN114201625A (zh) | 2021-11-18 | 2021-11-18 | 一种多媒体推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370491.5A CN114201625A (zh) | 2021-11-18 | 2021-11-18 | 一种多媒体推荐方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201625A true CN114201625A (zh) | 2022-03-18 |
Family
ID=80648168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111370491.5A Pending CN114201625A (zh) | 2021-11-18 | 2021-11-18 | 一种多媒体推荐方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780843A (zh) * | 2022-04-20 | 2022-07-22 | 北京字节跳动网络技术有限公司 | 模型训练方法、媒资推荐方法、装置、介质及设备 |
-
2021
- 2021-11-18 CN CN202111370491.5A patent/CN114201625A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780843A (zh) * | 2022-04-20 | 2022-07-22 | 北京字节跳动网络技术有限公司 | 模型训练方法、媒资推荐方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
US10949000B2 (en) | Sticker recommendation method and apparatus | |
CN110941740A (zh) | 视频推荐方法及计算机可读存储介质 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
CN110348362B (zh) | 标签生成、视频处理方法、装置、电子设备及存储介质 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN109168047B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
CN112100489A (zh) | 对象推荐的方法、装置和计算机存储介质 | |
CN111400586A (zh) | 群组展示方法、终端、服务器、系统及存储介质 | |
CN111382283A (zh) | 资源类别标签标注方法、装置、计算机设备和存储介质 | |
CN112883265A (zh) | 信息推荐方法、装置、服务器及计算机可读存储介质 | |
CN113127778B (zh) | 一种信息展示方法、装置、服务器及存储介质 | |
CN114201625A (zh) | 一种多媒体推荐方法、装置、电子设备和存储介质 | |
CN110781377A (zh) | 一种文章推荐方法、装置 | |
CN111667018A (zh) | 一种对象聚类的方法、装置、计算机可读介质及电子设备 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
WO2021204039A1 (zh) | 用于推送信息的方法和装置 | |
CN111597444B (zh) | 一种搜索方法、装置、服务器、存储介质 | |
CN114298767A (zh) | 直播平台信息推送方法及其装置、设备、介质、产品 | |
CN114528474A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
CN113986989A (zh) | 表单项推荐方法、装置、计算机设备和存储介质 | |
CN113901244A (zh) | 多媒体资源的标签构建方法、装置、电子设备和存储介质 | |
CN113360693A (zh) | 确定图像标签的方法及其装置、电子设备以及存储介质 | |
CN113111273A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |