CN114201626B - 多媒体推荐方法、装置、电子设备及存储介质 - Google Patents
多媒体推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114201626B CN114201626B CN202111371703.1A CN202111371703A CN114201626B CN 114201626 B CN114201626 B CN 114201626B CN 202111371703 A CN202111371703 A CN 202111371703A CN 114201626 B CN114201626 B CN 114201626B
- Authority
- CN
- China
- Prior art keywords
- multimedia
- sequence
- information
- index
- recommendation
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种多媒体推荐方法、装置、电子设备及存储介质。该方法包括:响应于目标终端发送的多媒体推荐请求,获取与目标终端匹配的待推荐多媒体、待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;该目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息确定的,该序列指标统计信息是对历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的;基于目标权重和多个推荐指标信息,从待推荐多媒体中确定与多媒体推荐请求匹配的目标多媒体序列;将目标多媒体序列发送至目标终端。根据本公开提供的技术方案,可以提升目标多媒体序列的序列整体推荐效果。
Description
技术领域
本公开涉及互联网应用技术领域,尤其涉及一种多媒体推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网应用的发展,应用中的推荐业务也更加丰富,为了精准挖掘用户兴趣以提升多媒体推荐效果,一般会从多个维度去衡量多媒体,即进行多任务(多指标)推荐。相关技术中,会针对单个多媒体在多指标上的表现确定推荐的多个多媒体,或者会选择多任务学习模型进行多任务预测以进行多媒体推荐。但是前者会导致多个指标此消彼长的现象,不能够兼容各指标的推荐效果,多指标的整体推荐效果较差;后者需要庞大的机器设备、人力来优化,资源消耗较大,并且当多指标间的相关度不高时,多指标的优化很难融合。
发明内容
本公开提供一种多媒体推荐方法、装置、电子设备及存储介质,以提升目标多媒体序列的序列整体推荐效果。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种多媒体推荐方法,包括:
响应于目标终端发送的多媒体推荐请求,获取与所述目标终端匹配的待推荐多媒体、所述待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;所述目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息确定的,所述序列指标统计信息是对所述历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;
基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列;
将所述目标多媒体序列发送至所述目标终端。
在一种可能的实现方式中,所述方法还包括:
响应于样本终端发送的多媒体推荐请求,获取与所述样本终端匹配的多个样本多媒体、所述多个样本多媒体的多个预测推荐指标信息、以及所述多个推荐指标对应的当前权重,所述多个预测推荐指标信息与所述多个推荐指标对应;
基于所述多个预测推荐指标信息和当前权重,从所述多个样本多媒体中确定与所述样本终端匹配的样本多媒体序列;
将所述样本多媒体序列推荐至所述样本终端;
基于所述样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列的多个序列指标信息,每个样本多媒体序列的多个序列指标信息是基于每个样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;
对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息;
基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重,重复上述步骤,直至各序列指标的序列指标统计信息为收敛状态,将所述收敛状态时的当前权重作为所述目标权重。
在一种可能的实现方式中,所述约束项为各序列指标的差值阈值,所述优先级信息高的序列指标对应的差值阈值低于所述优先级信息低的序列指标对应的差值阈值;所述基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重,包括:
基于所述序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
基于所述优先级信息,获取所述多个序列指标各自对应的预设权重范围,其中,所述优先级信息与所述预设权重范围中的预设权重正相关;
在各序列指标的预设权重范围内,基于所述样本指标差值和对应的差值阈值,更新所述多个推荐指标对应的当前权重。
在一种可能的实现方式中,所述多个序列指标包括核心序列指标,所述核心序列指标包括序列展示时长指标和序列展示占比指标;
其中,所述序列展示时长指标表征一个多媒体序列中的全部多媒体对应展示时长的总和,所述序列展示占比指标表征一个多媒体序列中被展示的多媒体占全部多媒体的比例。
在一种可能的实现方式中,还包括:
响应于优先级信息调整请求,对所述多个序列指标的优先级信息进行调整。
在一种可能的实现方式中,所述待推荐多媒体包括多个多媒体,所述基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列,包括:
根据所述多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
确定与所述排序信息对应的推荐参数信息,所述推荐参数信息与所述排序信息负相关;
基于所述目标权重和所述推荐参数信息,确定每个多媒体的排序加权信息。
根据所述排序加权信息,从所述多个多媒体中确定所述目标多媒体序列。
在一种可能的实现方式中,所述获取所述待推荐多媒体的多个推荐指标信息,包括:
获取所述多个推荐指标分别对应的多个推荐指标预测模型、所述目标终端对应用户账号的用户特征信息、以及所述多个多媒体各自的多媒体特征信息;
将所述用户特征信息和所述多媒体特征信息分别输入所述多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
根据本公开实施例的第二方面,提供一种多媒体推荐装置,包括:
第一获取模块,被配置为执行响应于目标终端发送的多媒体推荐请求,获取与所述目标终端匹配的待推荐多媒体、所述待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;所述目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息确定的,所述序列指标统计信息是对所述历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;
目标多媒体序列确定模块,被配置为执行基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列;
第一推荐模块,被配置为执行将所述目标多媒体序列发送至所述目标终端。
在一种可能的实现方式中,所述装置还包括:
第二获取模块,被配置为执行响应于样本终端发送的多媒体推荐请求,获取与所述样本终端匹配的多个样本多媒体、所述多个样本多媒体在所述多个推荐指标下的多个预测推荐指标信息、以及所述多个推荐指标对应的当前权重;
样本多媒体序列确定模块,被配置为执行基于所述多个预测推荐指标信息和当前权重,从所述多个样本多媒体中确定与所述样本终端匹配的样本多媒体序列;
第二推荐模块,被配置为执行将所述样本多媒体序列推荐至所述样本终端;
序列指标信息获取模块,被配置为执行在当前权重下推荐的样本终端的数量达到预定数量时,基于所述预定数量的样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列在多个序列指标下的多个序列指标信息,每个样本多媒体序列的多个序列指标信息是基于每个样本多媒体序列中各样本多媒体在所述多个推荐指标下的多个实际推荐指标信息得到的;
统计模块,被配置为执行对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息;
迭代模块,被配置为执行基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重,重复上述步骤,直至各序列指标的序列指标统计信息为收敛状态,将所述收敛状态时的当前权重作为所述目标权重。
在一种可能的实现方式中,所述约束项为各序列指标的差值阈值,所述优先级信息高的序列指标对应的差值阈值低于所述优先级信息低的序列指标对应的差值阈值;所述迭代模块包括:
样本指标差值确定单元,被配置为执行基于所述序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
预设权重范围确定单元,被配置为执行基于所述优先级信息,获取所述多个序列指标各自对应的预设权重范围,其中,所述优先级信息与所述预设权重范围中的预设权重正相关;
权重更新单元,被配置为执行在各序列指标的预设权重范围内,基于所述样本指标差值和对应的差值阈值,更新所述多个推荐指标对应的当前权重。
在一种可能的实现方式中,所述多个序列指标包括核心序列指标,所述核心序列指标包括序列展示时长指标和序列展示占比指标;
其中,所述序列展示时长指标表征一个多媒体序列中的全部多媒体对应展示时长的总和,所述序列展示占比指标表征一个多媒体序列中被展示的多媒体占全部多媒体的比例。
在一种可能的实现方式中,还包括:
优先级调整模块,被配置为执行响应于优先级信息调整请求,对所述多个序列指标的优先级信息进行调整。
在一种可能的实现方式中,所述待推荐多媒体包括多个多媒体,所述目标多媒体序列确定模块,包括:
排序信息确定单元,被配置为执行根据所述多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
推荐参数信息确定单元,被配置为执行确定与所述排序信息对应的推荐参数信息,所述推荐参数信息与所述排序信息负相关;
排序加权信息确定单元,被配置为执行基于所述目标权重和所述推荐参数信息,确定每个多媒体的排序加权信息。
目标多媒体序列确定单元,被配置为执行根据所述排序加权信息,从所述多个多媒体中确定所述目标多媒体序列。
在一种可能的实现方式中,所述第一获取模块包括:
第一获取单元,被配置为执行获取所述多个推荐指标分别对应的多个推荐指标预测模型、所述目标终端对应用户账号的用户特征信息、以及所述多个多媒体各自的多媒体特征信息;
第二获取单元,被配置为执行将所述用户特征信息和所述多媒体特征信息分别输入所述多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
根据本公开实施例的第三方面,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,以实现如上述第一方面中任一项所述的方法。
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,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本公开实施例的第一方面中任一所述的方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时,使得计算机执行本公开实施例的第一方面中任一项所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过设置推荐指标和序列指标,并基于对序列指标的统计处理以得到多个推荐指标对应的目标权重,使得基于该目标权重进行的多媒体推荐的目标多媒体序列在实际推荐场景中的序列整体表现较优,避免多个推荐指标此消彼长的现象,实现了单次请求的多媒体序列整体优化和多个推荐指标的有效融合;并且不需要多任务学习,可以降低资源压力,减少成本。
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应用环境的示意图。
图2是根据一示例性实施例示出的一种设置目标权重的方法流程图。
图3是根据一示例性实施例示出的一种基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重的方法流程图。
图4是根据一示例性实施例示出的一种多媒体推荐方法的流程图。
图5是根据一示例性实施例示出的一种基于目标权重和多个推荐指标信息,从待推荐多媒体中确定与多媒体推荐请求匹配的目标多媒体序列的方法流程图。
图6是根据一示例性实施例示出的一种获取待推荐多媒体在多个推荐指标下的多个推荐指标信息的方法流程图。
图7是根据一示例性实施例示出的一种多媒体推荐装置框图。
图8是根据一示例性实施例示出的一种用于多媒体推荐的电子设备的框图。
图9是根据一示例性实施例示出的另一种用于多媒体推荐的电子设备的框图。
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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及机器学习/深度学习等技术,具体通过如下实施例进行说明:
请参阅图1,图1是根据一示例性实施例示出的一种应用环境的示意图,如图1所示,该应用环境可以包括服务器01和终端02。
在一个可选的实施例中,服务器01可以用于多媒体推荐处理以及目标权重的配置。具体的,服务器01可以是独立的物理服务器,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、CDN(Content Delivery Network,内容分发网络)、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。
在一个可选的实施例中,终端02用于多媒体推荐的请求以及展示目标多媒体序列和样本多媒体序列。具体的,终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtualreality,VR)设备、智能可穿戴设备等类型的电子设备。可选的,电子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、windows等。
此外,需要说明的是,图1所示的仅仅是本公开提供的多媒体推荐方法的一种应用环境。
本说明书实施例中,上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
需要说明的是,以下图中示出的是一种可能的步骤顺序,实际上并不限定必须严格按照此顺序。有些步骤可以在互不依赖的情况下并行执行。本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户行为信息等)和数据(包括但不限于用于展示的数据、训练的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
在介绍本发明的具体步骤之前,先介绍一下本方案对多个推荐指标各自对应的权重的优化思路。考虑到在得到目标权重后,是基于下面公式(1)确定与目标终端匹配的目标多媒体序列(与目标终端对应用户账号匹配的目标多媒体序列),这里的目标终端可以是发送多媒体推荐请求的终端。为了提升推荐效果,即为了使目标多媒体推荐给目标终端后,目标终端的用户与目标多媒体序列的交互能够在多个序列指标下表现较好,而序列指标下的表现是基于多媒体序列中全部多媒体在多个推荐指标下的表现确定的,基于此,选择对多个推荐指标对应的多个权重进行优化,以实现基于公式(1)确定的目标多媒体序列的序列整体表现较优。
其中,推荐指标是针对一个多媒体而言的,序列指标是针对一个多媒体序列而言的,基于此,序列指标和推荐指标是对应的,比如,推荐指标包括展示时长,相应地,序列指标可以包括序列展示时长,以多媒体1~8以及多媒体序列1为例,其中,多媒体序列1可以包括8个多媒体:多媒体1~多媒体8。多媒体序列1的序列展示时长可以是1+1.5+1.5+2+1.2+1.3+1.5+1=11分钟。其中,1、1.5、1.5、2、1.2、1.3、1.5、1分钟可以是多媒体1~多媒体8依次对应的展示时长(实际推荐指标信息)。
需要说明的是,下面的实际推荐指标信息和预测推荐指标信息均是推荐指标下的,即均是与推荐指标对应的。预测推荐指标信息是推荐前,对多媒体在推荐指标下进行预测得到的;实际推荐指标信息是多媒体推荐至终端后,基于终端侧的用户对多媒体的交互操作进行实际统计得到的、在各推荐指标下的指标信息。序列指标信息和序列指标统计信息是在序列指标下的,与序列指标对应。另外,推荐指标、序列指标和权重(当前权重、目标权重)三者之间是对应的。可选地,权重可以服从多元高斯分布,本公开对此不作限定。
图2是根据一示例性实施例示出的一种设置目标权重的方法流程图。如图2所示,目标权重的设置可以包括以下步骤:
在步骤S201中,响应于样本终端发送的多媒体推荐请求,获取与样本终端匹配的多个样本多媒体、多个样本多媒体的多个预测推荐指标信息、以及多个推荐指标对应的当前权重。其中,多个预测推荐指标信息与多个推荐指标对应,即多个预测推荐指标信息可以是多个推荐指标下的预测推荐指标信息。
实际应用中,目标权重是多次迭代后得到的,当前权重可以是指当前迭代周期使用的权重,在第一个迭代周期时,当前权重可以是指初始权重。这里的样本终端和样本多媒体是相对于目标权重而言的,即样本终端可以是指目标权重确定前多媒体应用中的任一用户账号对应的终端,样本多媒体可以是指目标权重确定前多媒体应用中的任一多媒体。基于此,下面的目标终端可以是样本终端中的一个,也可以是目标权重确定后多媒体应用中新增用户账号对应的终端。其中,与样本终端匹配的多个样本多媒体可以是指与样本终端对应用户账号匹配的多个样本多媒体。
本说明书实施例中,目标权重的确定过程是在实际的多媒体推荐过程中进行的,基于此,需要进行实际的多媒体推荐过程。例如,响应于样本终端发送的多媒体推荐请求,可以获取与样本终端匹配的多个样本多媒体,例如通过预设召回方式,从多媒体应用中的海量多媒体中,获取与样本终端匹配的多个样本多媒体,本公开对预设召回方式不作限定。
进一步地,还可以获取多个推荐指标对应的当前权重,以及获取多个样本多媒体在多个推荐指标下的多个预测推荐指标信息。这里的多个推荐指标可以包括时长、长播、短播、点赞、关注、转发、评论、下载以及负反馈等推荐指标中的多个,本公开对此不作限定。从而可以预测每个样本多媒体在每个推荐指标下的预测推荐指标信息。在一个示例中,可以基于各推荐指标对应的预设机器学习模型,得到预测推荐指标信息。比如,时长预测模型,可以将样本终端对应样本用户账号的样本用户特征信息和样本多媒体的样本多媒体特征信息输入时长预测模型,得到样本用户账号对样本多媒体的展示预测时长。具体可以参见下面步骤S701~S703,在此不再赘述。
在步骤S203中,基于多个预测推荐指标信息和当前权重,从多个样本多媒体中确定与样本终端匹配的样本多媒体序列。
实际应用中,可以基于多个预测推荐指标信息和当前权重,确定指标加权信息。从而可以基于指标加权信息对多个样本多媒体进行排序,并基于该排序,从多个样本多媒体中确定与样本终端匹配的至少一个样本多媒体作为样本多媒体序列。作为一个示例,样本多媒体序列中在序列靠前位置的样本多媒体的指标加权信息高于序列靠后位置的样本多媒体的指标加权信息。
在一种可能的实现方式中,还可以根据多个预测推荐指标信息,确定每个样本多媒体在各推荐指标下的样本排序信息;并可以基于样本排序信息和当前权重,确定每个样本多媒体的样本排序加权信息;根据样本排序加权信息,从多个样本多媒体中确定样本多媒体序列。其中,基于样本排序信息和当前权重,确定每个样本多媒体的样本排序加权信息,可以包括:确定与样本排序信息对应的样本推荐参数信息,样本推荐参数信息与样本排序信息负相关,例如可以将样本排序信息的倒数作为样本推荐参数信息;并可以基于当前权重和样本推荐参数信息,确定每个样本多媒体的样本排序加权信息。
可选地,还可以设置超参数(温度系数):T,ε,其中,T可以为0~1之间的数值,比如0.6,ε可以为0~1之间的数值,比如0.8,本公开对此不作限定。基于此,样本排序加权信息可以基于以下公式(1)确定:
其中,Scorej为第j个样本多媒体的样本排序加权信息;m为推荐指标的数量;wi为第i个推荐指标的当前权重;ranki,j为第j个样本多媒体在第i个推荐指标下的样本排序信息,比如排序序号。
在步骤S205中,将样本多媒体序列推荐至样本终端;比如,可以将样本多媒体序列发送至样本终端。
在步骤S207中,基于样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列的多个序列指标信息。
其中,每个样本多媒体序列的多个序列指标信息可以是指每个样本多媒体序列在多个序列指标下的多个序列指标信息;多个序列指标可以与多个推荐指标对应,每个样本多媒体序列的多个序列指标信息可以是基于每个样本多媒体序列中各样本多媒体在多个推荐指标下的多个实际推荐指标信息得到的。
本说明书实施例中,样本终端与匹配的样本多媒体序列之间的交互信息可以是一个迭代周期内样本终端与匹配的样本多媒体序列之间的交互信息。其中,一个迭代周期中使用的当前权重是一样的(相同的)。在一个示例中,该一个迭代周期可以是指预设时长的周期。
在另一个示例中,为了保证交互信息的准确性,一个迭代周期可以是指在相同的当前权重下,向预定数量的样本终端进行样本多媒体序列的推荐,即一个迭代周期中的当前权重对应有预定数量的样本多媒体序列,该预定数量可以是100万,本公开对此不作限定。基于此,可选地,可以在当前权重下推荐的样本终端的数量达到预定数量时,基于预定数量的样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列的多个序列指标信息。
本说明书实施例中,可以在每个迭代周期的开始时间点,比如在当前权重被更新的时间点可以看作是新的迭代周期的开始时间点,此时,可以对该新的迭代周期中推荐的样本终端的数量(样本多媒体序列的数量)进行监测,起始数量可以为0,每监测到向一个样本终端推荐一个样本多媒体序列,可以将计数加1。基于此,在监测过程中,若在同一个当前权重下,计数达到预定数量,即已经向100万个样本终端推荐了样本多媒体序列,也即已经推荐了100万个样本多媒体序列,可以认为一个迭代周期结束。此时,可以获取预定数量的样本终端与匹配的样本多媒体序列之间的交互信息,若预定数量为100万,这里的交互信息可以是100万个交互信息。
在一种可能的实现方式中,可以基于预定数量的交互信息,获取每个样本多媒体序列中各样本多媒体在多个推荐指标下的多个实际推荐指标信息;从而可以基于实际推荐指标信息,得到每个样本多媒体序列在多个序列指标下的多个序列指标信息。例如一个样本多媒体序列H中包括8个样本多媒体:多媒体1~多媒体8,以展示推荐指标和序列展示占比指标为例,多媒体1~多媒体8对应的展示推荐指标下的实际推荐指标信息依次为:展示、展示、展示、未展示、未展示、未展示、未展示、未展示;从而可以基于该8个实际推荐指标信息,得到样本多媒体序列H在序列展示占比指标下的序列展示占比指标信息(序列指标信息)为:3/8。其它序列指标信息,可以按照类似的方式获取,在此不再赘述。
其中,序列指标可以是针对样本多媒体序列的整体而言的,可以与推荐指标对应,作为一个示例,该对应关系可以如下表1:
表1
可选地,在当前权重下推荐的样本终端的数量未达到预定数量时,可以重复上述步骤S201~S205,直至计数达到预设数量,以保证一个迭代周期对应的当前权重可以具有预定数量的反馈。
在步骤S209中,对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息。
以序列展示时长、预定数量为100万为例,可以将100万个样本终端反馈的100万个序列展示时长进行均值处理,得到序列展示时长的序列展示时长统计信息。基于该相同的方式,可以得到每个序列指标的序列指标统计信息。
在步骤S211中,基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重复上述步骤S201~S209,直至各序列指标的序列指标统计信息为收敛状态,将收敛状态时的当前权重作为目标权重。
本说明书实施例中,一个序列指标的约束项可以用于在该一个序列指标的序列指标统计信息下降至对应约束限值时,对该一个序列指标对应的当前权重进行惩罚,以实现对当前权重的矫正。多个序列指标的优先级信息可以用于指示多个序列指标对应的多个当前权重的大小关系,例如,优先级信息较高的序列指标对应的当前权重高于优先级信息较低的序列指标对应的当前权重。在对当前权重进行更新时,要受优先级信息的约束,始终保持优先级信息较高的序列指标对应的当前权重高于优先级信息较低的序列指标对应的当前权重。
基于上述的介绍,可以获取上一迭代周期的历史序列指标统计信息,这样可以确定当前迭代周期的序列指标统计信息与历史序列指标统计信息的差值,比如历史序列展示时长统计信息为10分钟、当前迭代周期的序列展示时长统计信息为7分钟,说明当前迭代周期的当前权重导致序列展示时长指标有明显的下降,若序列展示时长指标对应的约束限值为-2分钟(减少2分钟),该当前迭代周期的7-10=-3分钟,超过了-2分钟,需要对序列展示时长指标对应的当前权重进行惩罚,比如当前迭代周期中序列展示时长指标的当前权重相对于上一迭代周期中序列展示时长指标的历史权重是减小的,这个惩罚则可以是将当前权重调整为较大值。相应地,如果当前迭代周期在序列展示时长指标的表现优于上一迭代周期在序列展示时长指标的表现,比如当前迭代周期的序列展示时长统计信息为12分钟,这样可以对当前权重进行奖励。也就是说,这个当前权重的更新可以类似于强化学习,可以基于当前迭代周期在各序列指标的表现是否优于上一迭代周期在各序列指标的表现,进行奖励或惩罚,以此来指导当前权重的调整方向。直至各序列指标的序列指标统计信息为收敛状态,将收敛状态时的当前权重作为目标权重。其中,收敛状态可以是指各序列指标的序列指标统计信息的变化在一定时长内持续处于预设范围内,本公开对该一定时长不作限定。
可选地,如果当前权重是初始权重,即当前迭代周期是第一个迭代周期,则没有上一迭代周期进行比较,在这种情况下,可以将优先级信息较高对应的当前权重调高、将优先级信息较低对应的当前权重调低,具体调整方式不作限定,只要各当前权重在对应预设权重范围内即可。
通过设置推荐指标和序列指标,并在实际的多媒体推荐过程,统计样本多媒体序列的序列指标上的表现,由于设置序列指标能够表征样本多媒体序列的序列整体表现,通过多次迭代推荐和统计,可以确定出在序列整体表现上较优的一组目标权重,使得目标权重更加适应实际推荐场景;从而基于该组目标权重进行的多媒体推荐,可以使得推荐的目标多媒体序列在实际推荐场景中的序列整体表现上较优,实现了单次请求的多媒体序列整体优化和多个推荐指标的有效融合。
图3是根据一示例性实施例示出的一种基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重的方法流程图。在一种可能的实现方式中,约束项为各序列指标的差值阈值,优先级信息高的序列指标对应的差值阈值低于优先级信息低的序列指标对应的差值阈值,即对于优先级较高的序列指标的约束较严格。作为一个示例,各序列指标、优先级信息、约束项之间的对应关系可以如表2所示:
表2
序列指标 | 优先级信息 | 约束项 |
序列展示时长指标 | 1.5 | -0.1 |
序列展示占比指标 | 1.3 | -0.1 |
点赞占比指标 | 1.2 | -1.1 |
分享占比指标 | 1.1 | -1.2 |
关注占比指标 | 1.0 | -1.3 |
在表1的示例中,优先级较高的序列指标可以为核心序列指标,核心序列指标可以包括表1中的序列展示时长指标和序列展示占比指标;优先级较高的序列指标可以为非核心序列指标,例如表1中的点赞占比指标、分享占比指标和关注占比指标。其中,序列展示时长指标可以表征一个多媒体序列中的全部多媒体对应展示时长的总和,序列展示占比指标可以表征一个样本多媒体序列中被展示的样本多媒体占全部样本多媒体的比例。通过核心序列指标的设置,使得推荐时能够在核心序列指标上得到突出效果,例如能够大大提升多媒体序列整体的展示时长和多媒体序列中多媒体被展示的比例,并且保证非核心序列指标不会被拉低;另外,通过设置核心序列指标包括两个序列指标,且两个序列指标是序列展示时长指标和序列展示占比指标的结合,能够有效识别由于样本多媒体序列中靠前的某个样本多媒体的展示时长较长使得序列展示时长较长的情况,结合序列展示占比指标的均衡,从而可以避免这种序列展示时长导致的权重更新不精准的问题;并且,由于核心序列指标能够保证多媒体序列中有较高比例的多媒体得到展示、且整体展示时长较长,在此基础上,可以有效协助非核心序列指标,比如点赞、关注、分享的提升。从而可以进一步提升多推荐指标的有效融合。
如图3所示,上述步骤S211可以包括:
在步骤S301中,基于序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
在步骤S303中,基于优先级信息,获取多个序列指标各自对应的预设权重范围,其中,优先级信息与所述预设权重范围中的预设权重正相关,即优先级信息较高的序列指标对应的预设权重范围中的预设权重较高;
在一个示例中,优先级信息与预设权重范围的对应关系可以是预先设置的,具体可以如表3所示。
表3
优先级信息 | 预设权重范围 |
1.5 | 2~3 |
1.3 | 1~1.5 |
1.2 | 0.5~0.8 |
1.1 | 0.3~0.5 |
1.0 | 0~0.3 |
在步骤S305中,在各序列指标的预设权重范围内,基于样本指标差值和对应的差值阈值,更新多个推荐指标对应的当前权重。
以序列展示时长指标为例,若序列展示时长指标在上一迭代周期的历史序列展示时长指标统计信息为10分钟、当前迭代周期的序列展示时长指标统计信息为9分钟,可以确定序列展示时长指标对应的样本指标差值为9-10=-1。
进一步地,可以基于表2确定序列展示时长指标对应的优先级信息,从而可以基于优先级信息,从表3中确定序列展示时长指标对应的预设权重范围是:2~3,也就是说序列展示时长指标对应的展示时长推荐指标的权重要在2~3之间,从而可以用于约束展示时长推荐指标的权重调整范围。基于此,可以2~3内,由于序列展示时长指标对应的差值阈值为“-0.1”,而样本指标差值为“-1”。可见,样本指标差值超过了差值阈值,对应权重的调整时,需要进行惩罚。比如上一迭代周期的历史权重为2.4,当前周期的当前权重为2.3,则说明从2.4降低至2.3的调整方向是不合理的,基于此,可以更新当前权重至(2.4,3]的范围内,比如更新当前权重为2.5。
通过与上一迭代周期的历史序列指标统计信息进行比较,并且在各序列指标的预设权重范围内,基于样本指标差值和对应的差值阈值,更新多个推荐指标对应的当前权重,使得当前权重的调整是基于实际反馈的多媒体序列的整体表现而不断迭代得到的,保证了当前权重的更新与实际序列推荐效果的匹配度,进而使得基于该更新得到的目标权重在实际推荐应用中能够有效适应实际推荐场景,在实际推荐场景中的推荐效果较佳。
可选地,在一种可能的实现方式中,可以对多个序列指标的优先级信息进行动态调整,作为一个示例,可以响应于优先级信息调整请求,对多个序列指标的优先级信息进行调整。这里的优先级信息调整请求可以是终端侧触发的,也可以是服务器基于预设周期进行周期性触发的,或者也可以是基于业务需求调整的。比如业务需求需要突出分享序列指标,可以将分享序列指标调整为核心指标,其它序列指标调整为非核心指标。这种优先级信息可以被动态调整的方式,实现了核心指标和非核心指标的动态配置,能够灵活适应业务的实时需求以及用户的需求。
图4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4所示,该方法可以包括:
在步骤S401中,响应于目标终端发送的多媒体推荐请求,获取与目标终端匹配的待推荐多媒体、待推荐多媒体的多个推荐指标信息(在多个推荐指标下的多个推荐指标信息)、以及多个推荐指标对应的目标权重;
其中,与目标终端匹配的待推荐多媒体可以是指与目标终端对应用户账号匹配的待推荐多媒体。目标权重可以是基于历史推荐中得到的多个序列指标的序列指标统计信息确定的,序列指标统计信息是对历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的。
在步骤S403中,基于目标权重和多个推荐指标信息,从待推荐多媒体中确定与多媒体推荐请求匹配的(与目标终端对应用户账号匹配的)目标多媒体序列;
在步骤S405中,将目标多媒体序列发送至目标终端。
本说明书实施例中,步骤S401~S405的实现方式可以参见上述步骤S201~S205,在此不再赘述。
通过设置推荐指标和序列指标,并基于对序列指标的统计处理以得到多个推荐指标对应的目标权重,使得基于该目标权重进行的多媒体推荐的目标多媒体序列在实际推荐场景中的序列整体表现较优,避免多个推荐指标此消彼长的现象,实现了单次请求的多媒体序列整体优化和多个推荐指标的有效融合;并且不需要多任务学习,可以降低资源压力,减少成本。
图5是根据一示例性实施例示出的一种基于目标权重和多个推荐指标信息,从待推荐多媒体中确定与多媒体推荐请求匹配的目标多媒体序列的方法流程图。在一种可能的实现方式中,待推荐多媒体包括多个多媒体。相应地,上述S403可以包括:
在步骤S501中,根据多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
在步骤S503中,确定与排序信息对应的推荐参数信息,推荐参数信息与排序信息负相关;
在步骤S505中,基于目标权重和推荐参数信息,确定每个多媒体的排序加权信息。
在步骤S507中,根据排序加权信息,从多个多媒体中确定目标多媒体序列。
上述步骤均可以参见步骤S203的实现方式,在此不再赘述。
通过多媒体在各推荐指标下的排序信息以及目标权重,实现对多个推荐指标的有效融合,使得排序加权信息能够有效表达序列指标,进而使得基于排序加权信息确定的目标多媒体序列更加精准,提升推荐的多媒体序列的整体收益。
图6是根据一示例性实施例示出的一种获取待推荐多媒体在多个推荐指标下的多个推荐指标信息的方法流程图。在一种可能的实现方式中,如图6所示,上述S401可以包括:
在步骤S601中,获取多个推荐指标分别对应的多个推荐指标预测模型、目标终端对应用户账号的用户特征信息、以及多个多媒体各自的多媒体特征信息;
在步骤S603中,将用户特征信息和多媒体特征信息分别输入多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
本说明书实施例中,用户特征信息可以包括用户属性特征信息和/或用户交互特征信息;多媒体特征信息可以包括多媒体属性特征信息和/或多媒体在各推荐指标下的交互信息。本公开对此不作限定。该用户属性特征信息可以包括用户账号的标识信息、用户性别、用户年龄等,用户交互特征信息可以包括用户活跃度信息、用户执行过交互行为的多媒体内容类别、用户执行过交互行为的主播等,这里的交互行为可以包括点赞、关注等。多媒体属性特征信息可以包括多媒体内容类别和多媒体标识信息等,多媒体在各推荐指标下的交互信息可以包括多媒体被转发的次数、被关注的次数、被点赞的次数等。本公开对此也均不作限定。
其中,多个推荐指标预测模型可以预先基于样本数据对预设机器学习模型进行分别训练得到的,本公开对此不作限定。
通过多个推荐指标分别对应的多个推荐指标预测模型预测每个多媒体对应的多个推荐指标信息,可以提升推荐指标信息的预测效率和精度。
图7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7,该装置可以包括:
第一获取模块701,被配置为执行响应于目标终端发送的多媒体推荐请求,获取与所述目标终端匹配的待推荐多媒体、所述待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;所述目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息确定的,所述序列指标统计信息是对所述历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;
目标多媒体序列确定模块703,被配置为执行基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列;
第一推荐模块705,被配置为执行将所述目标多媒体序列发送至所述目标终端。
通过设置推荐指标和序列指标,并基于对序列指标的统计处理以得到多个推荐指标对应的目标权重,使得基于该目标权重进行的多媒体推荐的目标多媒体序列在实际推荐场景中的序列整体表现较优,避免多个推荐指标此消彼长的现象,实现了单次请求的多媒体序列整体优化和多个推荐指标的有效融合;并且不需要多任务学习,可以降低资源压力,减少成本。
在一种可能的实现方式中,所述装置还可以包括:
第二获取模块,被配置为执行响应于样本终端发送的多媒体推荐请求,获取与所述样本终端匹配的多个样本多媒体、所述多个样本多媒体在所述多个推荐指标下的多个预测推荐指标信息、以及所述多个推荐指标对应的当前权重;
样本多媒体序列确定模块,被配置为执行基于所述多个预测推荐指标信息和当前权重,从所述多个样本多媒体中确定与所述样本终端匹配的样本多媒体序列;
第二推荐模块,被配置为执行将所述样本多媒体序列推荐至所述样本终端;
序列指标信息获取模块,被配置为执行在当前权重下推荐的样本终端的数量达到预定数量时,基于所述预定数量的样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列在多个序列指标下的多个序列指标信息,每个样本多媒体序列的多个序列指标信息是基于每个样本多媒体序列中各样本多媒体在所述多个推荐指标下的多个实际推荐指标信息得到的;
统计模块,被配置为执行对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息;
迭代模块,被配置为执行基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重,重复上述步骤,直至各序列指标的序列指标统计信息为收敛状态,将所述收敛状态时的当前权重作为所述目标权重。
在一种可能的实现方式中,所述约束项为各序列指标的差值阈值,所述优先级信息高的序列指标对应的差值阈值低于所述优先级信息低的序列指标对应的差值阈值;所述迭代模块可以包括:
样本指标差值确定单元,被配置为执行基于所述序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
预设权重范围确定单元,被配置为执行基于所述优先级信息,获取所述多个序列指标各自对应的预设权重范围,其中,所述优先级信息与所述预设权重范围中的预设权重正相关;
权重更新单元,被配置为执行在各序列指标的预设权重范围内,基于所述样本指标差值和对应的差值阈值,更新所述多个推荐指标对应的当前权重。
在一种可能的实现方式中,所述多个序列指标包括核心序列指标,所述核心序列指标包括序列展示时长指标和序列展示占比指标;
其中,所述序列展示时长指标表征一个多媒体序列中的全部多媒体对应展示时长的总和,所述序列展示占比指标表征一个多媒体序列中被展示的多媒体占全部多媒体的比例。
在一种可能的实现方式中,该装置还可以包括:
优先级调整模块,被配置为执行响应于优先级信息调整请求,对所述多个序列指标的优先级信息进行调整。
在一种可能的实现方式中,所述待推荐多媒体包括多个多媒体,所述目标多媒体序列确定模块,包括:
排序信息确定单元,被配置为执行根据所述多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
推荐参数信息确定单元,被配置为执行确定与所述排序信息对应的推荐参数信息,所述推荐参数信息与所述排序信息负相关;
排序加权信息确定单元,被配置为执行基于所述目标权重和所述推荐参数信息,确定每个多媒体的排序加权信息。
目标多媒体序列确定单元,被配置为执行根据所述排序加权信息,从所述多个多媒体中确定所述目标多媒体序列。
在一种可能的实现方式中,所述第一获取模块701可以包括:
第一获取单元,被配置为执行获取所述多个推荐指标分别对应的多个推荐指标预测模型、所述目标终端对应用户账号的用户特征信息、以及所述多个多媒体各自的多媒体特征信息;
第二获取单元,被配置为执行将所述用户特征信息和所述多媒体特征信息分别输入所述多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
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8是根据一示例性实施例示出的一种用于多媒体推荐的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。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推荐的方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8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。
图9是根据一示例性实施例示出的另一种用于多媒体推荐的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图9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推荐的方法。
本领域技术人员可以理解,图9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,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的多媒体推荐方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该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,使得电子设备能够执行本公开实施例中的多媒体推荐方法。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,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例中的多媒体推荐的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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 (16)
1.一种多媒体推荐方法,其特征在于,包括:
响应于目标终端发送的多媒体推荐请求,获取与所述目标终端匹配的待推荐多媒体、所述待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;所述目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息,对初始权重进行迭代更新确定的;所述序列指标统计信息是对所述历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;所述序列指标与所述推荐指标对应,用于表征所述样本多媒体序列的整体的推荐指标;
基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列;其中,所述目标多媒体序列是基于所述多个推荐指标信息的指标加权信息对所述待推荐多媒体进行排序得到的,所述指标加权信息是指基于所述目标权重和所述多个推荐指标信息得到的;
将所述目标多媒体序列发送至所述目标终端。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于样本终端发送的多媒体推荐请求,获取与所述样本终端匹配的多个样本多媒体、所述多个样本多媒体的多个预测推荐指标信息、以及所述多个推荐指标对应的当前权重,所述多个预测推荐指标信息与所述多个推荐指标对应;
基于所述多个预测推荐指标信息和当前权重,从所述多个样本多媒体中确定与所述样本终端匹配的样本多媒体序列;
将所述样本多媒体序列推荐至所述样本终端;
基于所述样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列的多个序列指标信息,每个样本多媒体序列的多个序列指标信息是基于每个样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;
对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息;
基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重,重复上述步骤,直至各序列指标的序列指标统计信息为收敛状态,将所述收敛状态时的当前权重作为所述目标权重。
3.根据权利要求2所述的方法,其特征在于,所述约束项为各序列指标的差值阈值,所述优先级信息高的序列指标对应的差值阈值低于所述优先级信息低的序列指标对应的差值阈值;所述基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重,包括:
基于所述序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
基于所述优先级信息,获取所述多个序列指标各自对应的预设权重范围,其中,所述优先级信息与所述预设权重范围中的预设权重正相关;
在各序列指标的预设权重范围内,基于所述样本指标差值和对应的差值阈值,更新所述多个推荐指标对应的当前权重。
4.根据权利要求3所述的方法,其特征在于,所述多个序列指标包括核心序列指标,所述核心序列指标包括序列展示时长指标和序列展示占比指标;
其中,所述序列展示时长指标表征一个多媒体序列中的全部多媒体对应展示时长的总和,所述序列展示占比指标表征一个多媒体序列中被展示的多媒体占全部多媒体的比例。
5.根据权利要求3或4所述的方法,其特征在于,还包括:
响应于优先级信息调整请求,对所述多个序列指标的优先级信息进行调整。
6.根据权利要求1所述的方法,其特征在于,所述待推荐多媒体包括多个多媒体,所述基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列,包括:
根据所述多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
确定与所述排序信息对应的推荐参数信息,所述推荐参数信息与所述排序信息负相关;
基于所述目标权重和所述推荐参数信息,确定每个多媒体的排序加权信息;
根据所述排序加权信息,从所述多个多媒体中确定所述目标多媒体序列。
7.根据权利要求1所述的方法,其特征在于,所述待推荐多媒体包括多个多媒体,所述获取所述待推荐多媒体的多个推荐指标信息,包括:
获取所述多个推荐指标分别对应的多个推荐指标预测模型、所述目标终端对应用户账号的用户特征信息、以及所述多个多媒体各自的多媒体特征信息;
将所述用户特征信息和所述多媒体特征信息分别输入所述多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
8.一种多媒体推荐装置,其特征在于,包括:
第一获取模块,被配置为执行响应于目标终端发送的多媒体推荐请求,获取与所述目标终端匹配的待推荐多媒体、所述待推荐多媒体的多个推荐指标信息、以及多个推荐指标对应的目标权重;所述目标权重是基于历史推荐中得到的多个序列指标的序列指标统计信息,对初始权重进行迭代更新确定的,所述序列指标统计信息是对所述历史推荐中的样本多媒体序列的序列指标信息进行统计处理得到的,所述序列指标信息是基于所述样本多媒体序列中各样本多媒体的多个实际推荐指标信息得到的;所述序列指标与所述推荐指标对应,用于表征所述样本多媒体序列的整体的推荐指标;
目标多媒体序列确定模块,被配置为执行基于所述目标权重和所述多个推荐指标信息,从所述待推荐多媒体中确定与所述多媒体推荐请求匹配的目标多媒体序列;其中,所述目标多媒体序列是基于所述多个推荐指标信息的指标加权信息对所述待推荐多媒体进行排序得到的,所述指标加权信息是指基于所述目标权重和所述多个推荐指标信息得到的;
第一推荐模块,被配置为执行将所述目标多媒体序列发送至所述目标终端。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二获取模块,被配置为执行响应于样本终端发送的多媒体推荐请求,获取与所述样本终端匹配的多个样本多媒体、所述多个样本多媒体在所述多个推荐指标下的多个预测推荐指标信息、以及所述多个推荐指标对应的当前权重;
样本多媒体序列确定模块,被配置为执行基于所述多个预测推荐指标信息和当前权重,从所述多个样本多媒体中确定与所述样本终端匹配的样本多媒体序列;
第二推荐模块,被配置为执行将所述样本多媒体序列推荐至所述样本终端;
序列指标信息获取模块,被配置为执行在当前权重下推荐的样本终端的数量达到预定数量时,基于所述预定数量的样本终端与匹配的样本多媒体序列之间的交互信息,得到每个样本多媒体序列在多个序列指标下的多个序列指标信息,每个样本多媒体序列的多个序列指标信息是基于每个样本多媒体序列中各样本多媒体在所述多个推荐指标下的多个实际推荐指标信息得到的;
统计模块,被配置为执行对同一序列指标下的序列指标信息进行统计处理,得到每个序列指标的序列指标统计信息;
迭代模块,被配置为执行基于各序列指标的序列指标统计信息、各序列指标的约束项、多个序列指标的优先级信息,更新当前权重;基于更新后的当前权重,重复上述步骤,直至各序列指标的序列指标统计信息为收敛状态,将所述收敛状态时的当前权重作为所述目标权重。
10.根据权利要求9所述的装置,其特征在于,所述约束项为各序列指标的差值阈值,所述优先级信息高的序列指标对应的差值阈值低于所述优先级信息低的序列指标对应的差值阈值;所述迭代模块包括:
样本指标差值确定单元,被配置为执行基于所述序列指标统计信息和上一迭代周期的历史序列指标统计信息,确定各序列指标对应的样本指标差值;
预设权重范围确定单元,被配置为执行基于所述优先级信息,获取所述多个序列指标各自对应的预设权重范围,其中,所述优先级信息与所述预设权重范围中的预设权重正相关;
权重更新单元,被配置为执行在各序列指标的预设权重范围内,基于所述样本指标差值和对应的差值阈值,更新所述多个推荐指标对应的当前权重。
11.根据权利要求10所述的装置,其特征在于,所述多个序列指标包括核心序列指标,所述核心序列指标包括序列展示时长指标和序列展示占比指标;
其中,所述序列展示时长指标表征一个多媒体序列中的全部多媒体对应展示时长的总和,所述序列展示占比指标表征一个多媒体序列中被展示的多媒体占全部多媒体的比例。
12.根据权利要求10或11所述的装置,其特征在于,还包括:
优先级调整模块,被配置为执行响应于优先级信息调整请求,对所述多个序列指标的优先级信息进行调整。
13.根据权利要求8所述的装置,其特征在于,所述待推荐多媒体包括多个多媒体,所述目标多媒体序列确定模块,包括:
排序信息确定单元,被配置为执行根据所述多个推荐指标信息,确定每个多媒体在各推荐指标下的排序信息;
推荐参数信息确定单元,被配置为执行确定与所述排序信息对应的推荐参数信息,所述推荐参数信息与所述排序信息负相关;
排序加权信息确定单元,被配置为执行基于所述目标权重和所述推荐参数信息,确定每个多媒体的排序加权信息;
目标多媒体序列确定单元,被配置为执行根据所述排序加权信息,从所述多个多媒体中确定所述目标多媒体序列。
14.根据权利要求8所述的装置,其特征在于,所述待推荐多媒体包括多个多媒体,所述第一获取模块包括:
第一获取单元,被配置为执行获取所述多个推荐指标分别对应的多个推荐指标预测模型、所述目标终端对应用户账号的用户特征信息、以及所述多个多媒体各自的多媒体特征信息;
第二获取单元,被配置为执行将所述用户特征信息和所述多媒体特征信息分别输入所述多个推荐指标预测模型,进行推荐指标预测处理,得到每个多媒体对应的多个推荐指标信息。
15.一种电子设备,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7中任一项所述的多媒体推荐方法。
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7中任一项所述的多媒体推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371703.1A CN114201626B (zh) | 2021-11-18 | 2021-11-18 | 多媒体推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371703.1A CN114201626B (zh) | 2021-11-18 | 2021-11-18 | 多媒体推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114201626A CN114201626A (zh) | 2022-03-18 |
CN114201626B true CN114201626B (zh) | 2023-03-28 |
Family
ID=80648041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371703.1A Active CN114201626B (zh) | 2021-11-18 | 2021-11-18 | 多媒体推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201626B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662006B (zh) * | 2022-05-23 | 2022-09-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
CN117745147B (zh) * | 2024-02-05 | 2024-05-10 | 江苏金寓信息科技有限公司 | 基于数字孪生平台的多媒体筛选系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024670A1 (zh) * | 2017-08-03 | 2019-02-07 | 优酷信息技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN111914178A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
CN112328814A (zh) * | 2021-01-05 | 2021-02-05 | 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 |
CN112925926A (zh) * | 2021-01-28 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体推荐模型的训练方法、装置、服务器以及存储介质 |
CN113569126A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 多媒体文件推荐方法、装置及服务器 |
CN113641835A (zh) * | 2021-08-27 | 2021-11-12 | 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、电子设备及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7757250B1 (en) * | 2001-04-04 | 2010-07-13 | Microsoft Corporation | Time-centric training, inference and user interface for personalized media program guides |
CN106168980B (zh) * | 2016-07-26 | 2020-07-28 | 阿里巴巴(中国)有限公司 | 多媒体资源推荐排序方法及装置 |
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 |
CN109189951B (zh) * | 2018-07-03 | 2021-09-03 | 南京尚网网络科技有限公司 | 一种多媒体资源推荐方法、设备及存储介质 |
CN112784142A (zh) * | 2019-10-24 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种信息推荐方法及装置 |
CN112148899A (zh) * | 2020-10-15 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 多媒体推荐方法、装置、设备及存储介质 |
CN113536105A (zh) * | 2020-11-05 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法和装置 |
CN113157951A (zh) * | 2021-03-26 | 2021-07-23 | 北京达佳互联信息技术有限公司 | 一种多媒体资源的处理方法、装置、服务器及存储介质 |
-
2021
- 2021-11-18 CN CN202111371703.1A patent/CN114201626B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024670A1 (zh) * | 2017-08-03 | 2019-02-07 | 优酷信息技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN113569126A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 多媒体文件推荐方法、装置及服务器 |
CN111914178A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
CN112328814A (zh) * | 2021-01-05 | 2021-02-05 | 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 |
CN112925926A (zh) * | 2021-01-28 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体推荐模型的训练方法、装置、服务器以及存储介质 |
CN113641835A (zh) * | 2021-08-27 | 2021-11-12 | 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、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114201626A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3819821B1 (en) | User feature generating method, device, and apparatus, and computer-readable storage medium | |
CN114201626B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN108021673A (zh) | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN111178983B (zh) | 用户性别预测方法、装置、设备及存储介质 | |
CN114461871B (zh) | 推荐模型训练方法、对象推荐方法、装置及存储介质 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN113343024B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN112884529B (zh) | 一种广告竞价方法、装置、设备及介质 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN111651666A (zh) | 用户主题推荐方法、装置、计算机设备及存储介质 | |
CN111340540A (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
CN112839063A (zh) | 消息推送方法、消息显示方法、存储介质和计算机设备 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN115186173A (zh) | 多媒体资源推送、智能体网络生成方法及装置 | |
CN113610215B (zh) | 任务处理网络生成、任务处理方法、装置及电子设备 | |
CN109242690A (zh) | 理财产品推荐方法、装置、计算机设备及可读存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN109885504B (zh) | 推荐系统的测试方法、装置、介质及电子设备 | |
CN113850416A (zh) | 广告推广合作对象确定方法和装置 | |
CN114139046A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN112925723A (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |