CN114430504B - 一种媒体内容的推荐方法以及相关装置 - Google Patents
一种媒体内容的推荐方法以及相关装置 Download PDFInfo
- Publication number
- CN114430504B CN114430504B CN202210109086.6A CN202210109086A CN114430504B CN 114430504 B CN114430504 B CN 114430504B CN 202210109086 A CN202210109086 A CN 202210109086A CN 114430504 B CN114430504 B CN 114430504B
- Authority
- CN
- China
- Prior art keywords
- content
- action
- target
- recommendation
- estimated value
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/81—Monomedia components thereof
- H04N21/812—Monomedia components thereof involving advertisement data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种媒体内容的推荐方法以及相关装置。通过响应于推荐请求的发起获取待推荐内容集合；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定一系列动作的预估值；进而基于预估值进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种媒体内容的推荐方法以及相关装置。
背景技术
随着互联网技术的迅速发展，人们对媒体内容的要求越来越高。广告即为一种常见的媒体内容，特别是在广告推荐系统中，每当用户请求到来时，广告推荐系统需从候选广告集中召回合适的广告投放给目标对象。
一般，可以通过对广告动作的收集进行特征整理，以便于将广告与对象特征进行关联，进而进行针对性的广告推荐。
但是，在复杂的广告场景中，存在一些数据稀疏且存在延迟的动作，容易造成特征构建的不准确，影响广告推荐的准确性。
发明内容
有鉴于此，本申请提供一种媒体内容的推荐方法，可以有效避免人工进行内容的逐一添加带来的更新效率的影响，提高互动视频的内容扩展的效率。
本申请第一方面提供一种媒体内容的推荐方法，可以应用于终端设备中包含媒体内容的推荐功能的系统或程序中，具体包括：
响应于推荐请求的发起获取待推荐内容集合，所述待推荐内容集合中包含多个候选推荐内容，所述推荐请求对应于目标对象；
提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征；
将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，所述目标推荐模型包含第一子网络、第二子网络以及第三子网络，所述第一子网络用于基于所述对象特征与所述内容特征确定所述第一预估值，所述第二子网络用于基于所述第一预估值、所述对象特征与所述内容特征确定所述第二动作预估值，所述第三子网络用于基于所述第二动作预估值、所述对象特征与所述内容特征确定所述第三动作预估值，所述第一动作为所述第二动作的前序动作，所述第二动作为所述第三动作的前序动作；
基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征，包括：
基于预设类别提取所述目标对象对应的对象特征，所述对象特征对应于目标维度；
获取所述候选推荐内容对应的描述特征，所述描述特征基于语义、图像和上下文进行确定；
将所述描述特征映射到所述目标维度上，以得到所述内容特征。
可选的，在本申请一些可能的实现方式中，所述基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容，包括：
确定所述待推荐内容集合中所述候选推荐内容的内容推荐目标；
基于所述内容推荐目标调用对应的计算方式；
根据所述计算方式对所述第一预估值、所述第二预估值以及所述第三预估值进行计算，以得到目标预估值；
基于所述目标预估值对所述候选推荐内容进行排序，以确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述基于所述内容推荐目标调用对应的计算方式，包括：
若所述内容推荐目标指示的目标数量大于预设值，则比较所述第一预估值与所述第二预估值的大小关系；
根据所述一预估值与所述第二预估值的大小关系确定对应的所述计算方式。
可选的，在本申请一些可能的实现方式中，所述基于所述目标预估值对所述候选推荐内容进行排序，以确定所述目标推荐内容，包括：
基于所述目标预估值对所述候选推荐内容进行排序，以确定第一序列；
获取目标对象对应的推荐历史信息；
基于所述推荐历史信息确定推荐规则；
根据所述推荐规则对所述第一序列进行调整，以得到第二序列；
从所述第二序列中确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
获取执行过所述第一动作的第一训练样本、执行过所述第二动作的第二训练样本以及执行过所述第三动作的第三训练样本；
基于所述第一训练样本与所述第一预估值配置第一损失函数，所述第一损失函数作用于所述第一子网络；
基于所述第二训练样本、所述第一预估值与所述第二预估值配置第二损失函数，所述第二损失函数作用于所述第二子网络；
基于所述第三训练样本、所述第二预估值与所述第三预估值配置第三损失函数，所述第三损失函数作用于所述第三子网络；
对所述第一损失函数、所述第二损失函数以及所述第三损失函数进行加权，以得到目标损失函数；
基于所述目标损失函数对所述目标推荐模型进行训练。
可选的，在本申请一些可能的实现方式中，所述媒体内容为广告，所述待推荐内容集合为广告库，所述候选推荐内容为候选广告，所述响应于推荐请求的发起获取待推荐内容集合，包括：
响应于针对所述目标对象发起的推荐请求，从广告库中召回候选广告；
所述将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，包括：
将所述对象特征与所述内容特征输入所述目标推荐模型，以确定点击动作对应的点击率、浅层动作对应的浅层转化率以及深层动作对应的深层转化率，所述浅层动作包括下载、激活、注册，所述深层动作包括付费、次日留存。
本申请第二方面提供一种媒体内容的推荐装置，包括：
获取单元，用于响应于推荐请求的发起获取待推荐内容集合，所述待推荐内容集合中包含多个候选推荐内容，所述推荐请求对应于目标对象；
提取单元，用于提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征；
确定单元，用于将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，所述目标推荐模型包含第一子网络、第二子网络以及第三子网络，所述第一子网络用于基于所述对象特征与所述内容特征确定所述第一预估值，所述第二子网络用于基于所述第一预估值、所述对象特征与所述内容特征确定所述第二动作预估值，所述第三子网络用于基于所述第二动作预估值、所述对象特征与所述内容特征确定所述第三动作预估值，所述第一动作为所述第二动作的前序动作，所述第二动作为所述第三动作的前序动作；
推荐单元，用于基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述提取单元，具体用于基于预设类别提取所述目标对象对应的对象特征，所述对象特征对应于目标维度；
所述提取单元，具体用于获取所述候选推荐内容对应的描述特征，所述描述特征基于语义、图像和上下文进行确定；
所述提取单元，具体用于将所述描述特征映射到所述目标维度上，以得到所述内容特征。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述待推荐内容集合中所述候选推荐内容的内容推荐目标；
所述确定单元，具体用于基于所述内容推荐目标调用对应的计算方式；
所述确定单元，具体用于根据所述计算方式对所述第一预估值、所述第二预估值以及所述第三预估值进行计算，以得到目标预估值；
所述确定单元，具体用于基于所述目标预估值对所述候选推荐内容进行排序，以确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于若所述内容推荐目标指示的目标数量大于预设值，则比较所述第一预估值与所述第二预估值的大小关系；
所述确定单元，具体用于根据所述一预估值与所述第二预估值的大小关系确定对应的所述计算方式。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于基于所述目标预估值对所述候选推荐内容进行排序，以确定第一序列；
所述确定单元，具体用于获取目标对象对应的推荐历史信息；
所述确定单元，具体用于基于所述推荐历史信息确定推荐规则；
所述确定单元，具体用于根据所述推荐规则对所述第一序列进行调整，以得到第二序列；
所述确定单元，具体用于从所述第二序列中确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于获取执行过所述第一动作的第一训练样本、执行过所述第二动作的第二训练样本以及执行过所述第三动作的第三训练样本；
所述确定单元，具体用于基于所述第一训练样本与所述第一预估值配置第一损失函数，所述第一损失函数作用于所述第一子网络；
所述确定单元，具体用于基于所述第二训练样本、所述第一预估值与所述第二预估值配置第二损失函数，所述第二损失函数作用于所述第二子网络；
所述确定单元，具体用于基于所述第三训练样本、所述第二预估值与所述第三预估值配置第三损失函数，所述第三损失函数作用于所述第三子网络；
所述确定单元，具体用于对所述第一损失函数、所述第二损失函数以及所述第三损失函数进行加权，以得到目标损失函数；
所述确定单元，具体用于基于所述目标损失函数对所述目标推荐模型进行训练。
可选的，在本申请一些可能的实现方式中，所述媒体内容为广告，所述待推荐内容集合为广告库，所述候选推荐内容为候选广告，所述获取单元，具体用于响应于针对所述目标对象发起的推荐请求，从广告库中召回候选广告；
所述确定单元，具体用于将所述对象特征与所述内容特征输入所述目标推荐模型，以确定点击动作对应的点击率、浅层动作对应的浅层转化率以及深层动作对应的深层转化率，所述浅层动作包括下载、激活、注册，所述深层动作包括付费、次日留存。
本申请第三方面提供一种计算机设备，包括：存储器、处理器以及总线系统；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述第一方面或第一方面任一项所述的媒体内容的推荐方法。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一项所述的媒体内容的推荐方法。
根据本申请的一个方面，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第一方面或者第一方面的各种可选实现方式中提供的媒体内容的推荐方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
通过响应于推荐请求的发起获取待推荐内容集合，该待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，目标推荐模型包含第一子网络、第二子网络以及第三子网络，第一子网络用于基于对象特征与内容特征确定第一预估值，第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作；进而基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为媒体内容的推荐系统运行的网络架构图；
图2为本申请实施例提供的一种媒体内容的推荐的流程架构图；
图3为本申请实施例提供的一种媒体内容的推荐方法的流程图；
图4为本申请实施例提供的一种媒体内容的推荐方法的场景示意图；
图5为本申请实施例提供的另一种媒体内容的推荐方法的场景示意图；
图6为本申请实施例提供的另一种媒体内容的推荐方法的流程图；
图7为本申请实施例提供的一种媒体内容的推荐装置的结构示意图；
图8为本申请实施例提供的一种终端设备的结构示意图；
图9为本申请实施例提供的一种服务器的结构示意图。
具体实施方式
本申请实施例提供了一种媒体内容的推荐方法以及相关装置，可以应用于终端设备中包含媒体内容的推荐功能的系统或程序中，通过响应于推荐请求的发起获取待推荐内容集合，该待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，目标推荐模型包含第一子网络、第二子网络以及第三子网络，第一子网络用于基于对象特征与内容特征确定第一预估值，第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作；进而基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，对本申请实施例中可能出现的一些名词进行解释。
广告曝光：用户观察到曝光的产品。
广告点击：用户对曝光的点击行为。
广告浅层转化：用户点击之后对物品的浅层转化行为，比如APP下载、APP激活、表单注册等行为。
广告深层转化：用户点击之后对物品的深层转化行为，比如付费、APP次日留存等行为。
CTR：从广告曝光到广告点击的比例。
CVR1：从广告点击到广告浅层转化的比例。
CVR2：从广告点击到广告深层转化的比例。
浅层目标广告：指的是广告出价目标只有一个，一般都是浅层目标比如注册、激活等，一般单目标广告需要预估点击率和转化率。
深度目标广告：广告同时包括浅层目标出价和深层目标出价。而深度目标出价指的是在原来单一出价的基础上针对深度指标再次出价的一种出价模式，深度指标可以是付费或者存留指标。
ecpm：指的是每一千次展示可以获得的广告收益。
应理解，本申请提供的媒体内容的推荐方法可以应用于终端设备中包含媒体内容的推荐功能的系统或程序中，例如广告推荐，具体的，媒体内容的推荐系统可以运行于如图1所示的网络架构中，如图1所示，是媒体内容的推荐系统运行的网络架构图，如图可知，媒体内容的推荐系统可以提供与多个信息源的媒体内容的推荐过程，即通过终端侧的推荐操作对服务器下发推荐指令，以使得服务器根据对象特征以及内容特征进行内容的推荐；可以理解的是，图1中示出了多种终端设备，终端设备可以为计算机设备，在实际场景中可以有更多或更少种类的终端设备参与到媒体内容的推荐的过程中，具体数量和种类因实际场景而定，此处不做限定，另外，图1中示出了一个服务器，但在实际场景中，也可以有多个服务器的参与，特别是在多模型训练交互的场景中，具体服务器数量因实际场景而定。
本实施例中，服务器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、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。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能语音交互设备、智能家电、车载终端等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，终端以及服务器可以连接组成区块链网络，本申请在此不做限制。
可以理解的是，上述媒体内容的推荐系统可以运行于个人移动终端，例如：作为广告推荐这样的应用，也可以运行于服务器，还可以作为运行于第三方设备以提供媒体内容的推荐，以得到信息源的媒体内容的推荐处理结果；具体的媒体内容的推荐系统可以是以一种程序的形式在上述设备中运行，也可以作为上述设备中的系统部件进行运行，还可以作为云端服务程序的一种，本实施例可应用于云技术、自动驾驶等场景，具体运作模式因实际场景而定，此处不做限定。
随着互联网技术的迅速发展，人们对媒体内容的要求越来越高。广告即为一种常见的媒体内容，特别是在广告推荐系统中，每当用户请求到来时，广告推荐系统需从候选广告集中召回合适的广告投放给目标对象。
一般，可以通过对广告动作的收集进行特征整理，以便于将广告与对象特征进行关联，进而进行针对性的广告推荐。
但是，在复杂的广告场景中，存在一些数据稀疏且存在延迟的动作，容易造成特征构建的不准确，影响广告推荐的准确性。
在一种可能的场景中，广告推荐系统则会根据该用户对各个候选广告的点击率和转化率预估结果进行广告的排序和自动出价，如针对APP下载类广告其中涉及不同阶段转化行为，主要包括浅层转化目标如：下载、安装、激活等，深层的转化目标如：付费、次日留存。作为投放的考核指标时，往往会遇到深度转化行为高稀疏、高延迟的情况，从而导致模型转化率预估结果偏差非常大。例如对于浅层转化行为激活，其转化率相对深度转化行为较高，并且广告主转化数据当天能够完成回传；而对于深层转化行为如付费，其转化率非常低，并且广告主最新数据回传延迟很久，通常需要一周以上。因此，面向高稀疏、高延迟场景的转化率预估问题，是一项极具挑战但蕴含巨大应用潜力的工作。当前预测广告深度目标转化率的通常做法是使用深度学习模型分别训练点击率预估模型和转化率预估模型，每当有请求到来时分别预估点击率、浅层转化率和深层转化率。但是这种做法会使得转化率预估的偏差很大，因为浅层转化率模型训练时是使用的点击到浅层转化的样本，深层转化率模型训练时是使用的浅层转化到深层转化的样本。而浅层转化率模型和深层转化率模型模型在每条请求到来并做预估的时，该过程是针对每条曝光样本进行预估，因而会导致转化率预估模型的训练样本和预测样本分布不一致。
为了解决上述问题，本申请提出了一种媒体内容的推荐方法，该方法应用于图2所示的媒体内容的推荐的流程框架中，如图2所示，为本申请实施例提供的一种媒体内容的推荐的流程架构图，通过终端的推荐操作触发服务器进行广告的召回，并进行模型预测得到推荐序列，然后进行序列的优化，从而得到用于展示给用户的媒体内容。
可以理解的是，本实施例中媒体内容可以是广告，即用于广告推荐领域，对海量的广告进行排序。主要面向广告、对象画像等重要业务场景，通过对广告召回和排序，避免重复推荐相似的广告，从而提升广告推荐系统的用户体验。
具体使用多任务神经网络模型建模，通过不同的目标预估概率对广告进行排序，是对广告不同目标进行排序的过程，且除了使用广告点击率对广告进行排序还使用了广告不同目标的转化率对广告进行排序。
可以理解的是，在本申请的具体实施方式中，涉及到用户信息、动作信息、媒体内容等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
可以理解的是，本申请所提供的方法可以为一种程序的写入，以作为硬件系统中的一种处理逻辑，也可以作为一种媒体内容的推荐装置，采用集成或外接的方式实现上述处理逻辑。作为一种实现方式，该媒体内容的推荐装置通过响应于推荐请求的发起获取待推荐内容集合，该待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，目标推荐模型包含第一子网络、第二子网络以及第三子网络，第一子网络用于基于对象特征与内容特征确定第一预估值，第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作；进而基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
本申请实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明：
结合上述流程架构，下面将对本申请中媒体内容的推荐方法进行介绍，请参阅图3，图3为本申请实施例提供的一种媒体内容的推荐方法的流程图，该管理方法可以是由服务器或终端执行的，本申请实施例至少包括以下步骤：
301、响应于推荐请求的发起获取待推荐内容集合。
本实施例中，待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；即需要根据具有的目标对象进行适宜的内容配置，从待推荐内容集合中选取目标对象感兴趣的内容。其中，目标对象可以是用户、终端或其他操作实体，此处不作限定。
可以理解的是，媒体内容可以是图像、音乐或视频等内容形式，具体可以是以广告的形式进行推送，具体的推送形式因实际场景而定，此处不作限定。
302、提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征。
本实施例中，由于需要对目标对象于相应的内容进行匹配，故需要从中提取具有代表性的特征，即构造用户侧输入特征和广告侧特征。
具体的，对象特征可以包括用户的基础属性、行为兴趣特征，而广告特征(内容特征)主要包括广告的id、广告主id、广告类目、广告文本语义特征、广告图像特征等、用户请求的上下文特征。
在一种可能的场景中，为了便于后续特征的匹配，可以将对象特征与内容特征进行维度的匹配，即首先基于预设类别提取目标对象对应的对象特征，对象特征对应于目标维度，该预设类别包括用户的基础属性、行为兴趣特征等；然后获取候选推荐内容对应的描述特征，描述特征基于语义、图像和上下文进行确定；进而将描述特征映射到目标维度上，以得到内容特征。例如对于广告id类高纬度特征，使用embedding把高维特征映射到低维特征上。
另外，还可以对每个广告id通过hash函数转换，将hash(id)作为key，对应的embedding值作为value存储到embedding table(查询表)中，以便于内容特征的调用。
303、将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值。
本实施例中，目标推荐模型为一种多任务模型，其模型结构如图4所示，图4为本申请实施例提供的一种媒体内容的推荐方法的场景示意图；图中示出了目标推荐模型包含第一子网络、第二子网络以及第三子网络，其中，第一子网络用于基于对象特征与内容特征确定第一预估值，而第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值。
可以理解的是，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作，例如第一动作为点击，第二动作为下载，第三动作为付费，即在用户与广告的交互过程中，需要先进行点击操作(第一动作)后才能下载(第二动作)广告中的对应内容，进而可以进行对应内容的付费操作(第三动作)；其对应的第一预估值即为点击率，第二预估值为下载率，第三预估值为付费率。
具体的，第二动作也可以是其他用户在点击进入广告内容后第一时间的操作动作，例如激活、登录、注册等，可以称之为浅层动作；第三动作则可以是其他用户在进行第二动作之后可能执行的动作，例如付费、次日留存，可以称之为深层动作，具体的动作形式因实际场景而定，此处不做限定。
在一种可能的场景中，本实施例提供了一种通过构建多任务模型，该将点击率和浅层转化率预估、深层转化率预估三个训练任务整合到一个模型中，具体如图5所示，图5为本申请实施例提供的另一种媒体内容的推荐方法的场景示意图；图中示出的模型包括三个任务(子网络)，一个是点击率预估任务ectr、一个是浅层转化率预估任务ecvr1，一个是深层转化率预估任务ecvr2。其中每个任务底层可以共享相同的embedding table，这种共享机制就可以让浅层转化率预估任务ecvr1与深层转化率预估ecvr2任务共享点击率预估任务ectr的底层参数，这样缓解了转化率预估任务的训练数据稀疏问题，相当于把点击预估的训练样本共享给了转化率预估模型，把浅层转化样本共享给了深层转化率预估模型。
可选的，对于输入特征的处理，由于对象特征的丰富性，比如基础属性特征性别、年龄等等，对于该特征需要多个embedding table，广告特征(内容特征)也是如此。具体的，在对象特征中，根据输入特征得到多个等长的embedding(假设对象特征和广告特征的embedding长度为都为n)，然后对用户embedding和广告embedding分别做element-wise的相加操作，就是对应维度相加得到一个长度为n的embedding，最终就得到了两个长度为n的embedding了。然后再把用户embedding和广告embedding做拼接操作(concatenate)，得到一个长度为2n的embedding，即为各个子网络的输入特征。
进一步的，该模型中还包括全连接层，全连接层把上一层的输出作为输入，然后经过多层感知机后通过sigmoid或者soft-max分别得到点击率目标ectr，并将ectr拼接到浅层转化率预估任务的最后一层，得到浅层转化率预估值ecvr1，再将ecvr1拼接到深层转化率预估任务的最后一层，得到浅层转化率预估值ecvr2。
具体的，在每条请求到来时，将对象特征和每个广告特征分别输入模型，计算当前用户对广告的点击率预估值ectr、浅层转化率预估值ecvr1和深层转化率预估值ecvr2，具体预估过程的公式如下：
ectr＝f(xi；θCTR)
其中，ectr为点击率预估值(第一预估值)、ecvr1为浅层转化率预估值(第二预估值)、ecvr2为深层转化率预估值(第三预估值)、θCTR为预估点击率模型参数、
为预估浅层转化率模型参数、
为预估深层转化率模型参数。
下面对目标推荐模型的训练过程进行说明，由于上述模型由三个子网络组成，左边的子网络用来拟合ctr，中间的子网络用来拟合cvr1，右边的子网络用来拟合cvr2。因此，该网络结构共有三个子任务，分别用于输出e_ctr、ecvr1和ecvr2。
具体的训练过程即为各个子网络配置对应的损失函数，即首先获取执行过第一动作的第一训练样本、执行过第二动作的第二训练样本以及执行过第三动作的第三训练样本；对于训练样本的构建及特征提取的过程，即构造用户侧输入特征和广告侧特征。用户侧特征主要包括用户的基础属性、行为兴趣特征，广告侧特征主要包括广告的id、广告主id、广告类目、广告文本语义特征、广告图像特征等、用户请求的上下文特征。而对于广告id类高纬度特征，使用embedding把高维特征映射到低维特征上。每个广告id通过hash函数转换，将hash(id)作为key，对应的embedding值作为value存储到embedding table(查询表)中。在模型训练前初始化所有的embedding值，模型训练中会根据反向梯度更新embeddingtable中的值，从而提高样本构建的效率。
接下来基于第一训练样本与第一预估值配置第一损失函数，第一损失函数作用于第一子网络，第一损失函数为：
然后基于第二训练样本、第一预估值与第二预估值配置第二损失函数，第二损失函数作用于第二子网络，第二损失函数为：
并基于第三训练样本、第二预估值与第三预估值配置第三损失函数，第三损失函数作用于第三子网络；第三损失函数为：
其中，θCTR为预估点击率模型参数。
为预估浅层转化率模型参数。
为预估深层转化率模型参数。f(xi；θCTR)为模型的点击率预估值ectr。
为模型的浅层转化率预估值ecvr1。
为模型的深层转化率预估值ecvr2。y1为发生过点击行为的样本。y2为发生过浅层转化行为的样本。y3为发生过深层转化行为的样本。
进而对第一损失函数、第二损失函数以及第三损失函数进行加权，以得到目标损失函数；即总的损失函数主要包括e_ctr、ecvr1和ecvr2三个任务的损失，设置不同的损失函数权重，总的损失函数如下：
其中，w1w2w3分别为三个损失函数的权重。
进而基于目标损失函数对目标推荐模型进行训练。
本实施例中的目标推荐模型同时训练点击率ctr目标训练浅层转化率目标cvr1和深层转化率目标cvr2。使得转化率预估模型可以充分利用曝光到点击的样本，纠正转化率预估的偏差。
304、基于第一预估值、第二预估值以及第三预估值在待推荐内容集合中进行内容选择，以确定目标推荐内容。
本实施例中，通过基于第一预估值、第二预估值以及第三预估值的计算，对待推荐内容集合中的内容进行数值排序，即可得到目标推荐内容。
具体的，由于不同类型的广告可以对应于不同的计算方式，故确定目标推荐内容的过程可以首先确定待推荐内容集合中候选推荐内容的内容推荐目标；然后基于内容推荐目标调用对应的计算方式；进而根据计算方式对第一预估值、第二预估值以及第三预估值进行计算，以得到目标预估值；并基于目标预估值对候选推荐内容进行排序，以确定目标推荐内容。
例如对于普通广告，一般只需要考虑点击率、浅层转化率以及浅层出价系数：
ecpm＝ectr*ecvr1*bid
而对于多目标推荐的广告，可能需要考虑到出价系数的选择，例如若内容推荐目标指示的目标数量大于预设值，则比较第一预估值与第二预估值的大小关系；然后根据一预估值与第二预估值的大小关系确定对应的计算方式。
在一种可能的场景中，对于多目标广告
当ecvr1>ecvr2时：
ecpm＝ectr*ecvr1*bid1
否则：
ecpm＝ectr*ecvr2*bid2
其中，ectr为多目标广告预估的点击概率；ecvr1为多目标广告预估的浅层转化概率；ecvr2为多目标广告预估的深层转化概率；bid1为多目标广告的浅层出价；bid2为多目标广告的深层出价。
在另一种可能的场景中，考虑到同一用户可能推送的内容趋同，可以进行相应策略的二次排序，即首先基于目标预估值对候选推荐内容进行排序，以确定第一序列；然后获取目标对象对应的推荐历史信息；并基于推荐历史信息确定推荐规则；进而根据推荐规则对第一序列进行调整，以得到第二序列；从而从第二序列中确定目标推荐内容。例如根据排序阶段输出的广告，根据广告ecpm得分再结合多样性、频控、类别控制、特定结果提权等排序策略对广告进行重新排序，并取得分最高的广告，然后广告系统将最终返回的广告在媒体上曝光给用户。
结合上述实施例可知，通过响应于推荐请求的发起获取待推荐内容集合，该待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，目标推荐模型包含第一子网络、第二子网络以及第三子网络，第一子网络用于基于对象特征与内容特征确定第一预估值，第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作；进而基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
下面结合广告场景对本申请进行说明。请参阅图6，图6为本申请实施例提供的另一种媒体内容的推荐方法的流程图，本申请实施例至少包括以下步骤：
601、终端发起请求。
本实施例中，终端发起请求可以是在用户进入应用时的弹屏广告，也可以是视频中的插入广告，还可以是游戏中的植入广告，具体的广告形式因实际场景而定。
602、服务器从广告库中检索召回广告。
本实施例中，服务器响应于针对目标对象发起的推荐请求，从广告库中召回候选广告；从而将对象特征与内容特征输入目标推荐模型，以确定点击动作对应的点击率、浅层动作对应的浅层转化率以及深层动作对应的深层转化率，浅层动作包括下载、激活、注册，深层动作包括付费、次日留存。
603、服务器中模型预估广告的点击率、浅层转化率和深层转化率。
本实施例中，服务器中模型预估广告的点击率、浅层转化率和深层转化率的过程可参考图3所示实施例步骤303中目标推荐模型输出第一预估值、第二预估值以及第三预估值的过程，此处不作赘述。
604、服务器计算普通广告和多目标广告的收益信息。
本实施例中，服务器根据不同广告的推送目标进行收益信息ecpm的计算，具体计算过程如图3所示实施例步骤304所示，此处不作赘述。
605、服务器根据广告多样性、频控、类别控制等策略对广告进行重新排序。
本实施例中，对于推荐至用户的次数超过预设值的广告进行排序延后，从而提高用户的点击率。
606、终端展示排名第一的广告。
本实施例中，终端接收服务器推送的广告，并在相应的请求发起界面进行展示，从而达到广告的智能推荐过程。
为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关装置。请参阅图7，图7为本申请实施例提供的一种媒体内容的推荐装置的结构示意图，媒体内容的推荐装置700包括：
获取单元701，用于响应于推荐请求的发起获取待推荐内容集合，所述待推荐内容集合中包含多个候选推荐内容，所述推荐请求对应于目标对象；
提取单元702，用于提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征；
确定单元703，用于将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，所述目标推荐模型包含第一子网络、第二子网络以及第三子网络，所述第一子网络用于基于所述对象特征与所述内容特征确定所述第一预估值，所述第二子网络用于基于所述第一预估值、所述对象特征与所述内容特征确定所述第二动作预估值，所述第三子网络用于基于所述第二动作预估值、所述对象特征与所述内容特征确定所述第三动作预估值，所述第一动作为所述第二动作的前序动作，所述第二动作为所述第三动作的前序动作；
推荐单元704，用于基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述提取单元702，具体用于基于预设类别提取所述目标对象对应的对象特征，所述对象特征对应于目标维度；
所述提取单元702，具体用于获取所述候选推荐内容对应的描述特征，所述描述特征基于语义、图像和上下文进行确定；
所述提取单元702，具体用于将所述描述特征映射到所述目标维度上，以得到所述内容特征。
可选的，在本申请一些可能的实现方式中，所述确定单元703，具体用于确定所述待推荐内容集合中所述候选推荐内容的内容推荐目标；
所述确定单元703，具体用于基于所述内容推荐目标调用对应的计算方式；
所述确定单元703，具体用于根据所述计算方式对所述第一预估值、所述第二预估值以及所述第三预估值进行计算，以得到目标预估值；
所述确定单元703，具体用于基于所述目标预估值对所述候选推荐内容进行排序，以确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述确定单元703，具体用于若所述内容推荐目标指示的目标数量大于预设值，则比较所述第一预估值与所述第二预估值的大小关系；
所述确定单元703，具体用于根据所述一预估值与所述第二预估值的大小关系确定对应的所述计算方式。
可选的，在本申请一些可能的实现方式中，所述确定单元703，具体用于基于所述目标预估值对所述候选推荐内容进行排序，以确定第一序列；
所述确定单元703，具体用于获取目标对象对应的推荐历史信息；
所述确定单元703，具体用于基于所述推荐历史信息确定推荐规则；
所述确定单元703，具体用于根据所述推荐规则对所述第一序列进行调整，以得到第二序列；
所述确定单元703，具体用于从所述第二序列中确定所述目标推荐内容。
可选的，在本申请一些可能的实现方式中，所述确定单元703，具体用于获取执行过所述第一动作的第一训练样本、执行过所述第二动作的第二训练样本以及执行过所述第三动作的第三训练样本；
所述确定单元703，具体用于基于所述第一训练样本与所述第一预估值配置第一损失函数，所述第一损失函数作用于所述第一子网络；
所述确定单元703，具体用于基于所述第二训练样本、所述第一预估值与所述第二预估值配置第二损失函数，所述第二损失函数作用于所述第二子网络；
所述确定单元703，具体用于基于所述第三训练样本、所述第二预估值与所述第三预估值配置第三损失函数，所述第三损失函数作用于所述第三子网络；
所述确定单元703，具体用于对所述第一损失函数、所述第二损失函数以及所述第三损失函数进行加权，以得到目标损失函数；
所述确定单元703，具体用于基于所述目标损失函数对所述目标推荐模型进行训练。
可选的，在本申请一些可能的实现方式中，所述媒体内容为广告，所述待推荐内容集合为广告库，所述候选推荐内容为候选广告，所述获取单元701，具体用于响应于针对所述目标对象发起的推荐请求，从广告库中召回候选广告；
所述确定单元703，具体用于将所述对象特征与所述内容特征输入所述目标推荐模型，以确定点击动作对应的点击率、浅层动作对应的浅层转化率以及深层动作对应的深层转化率，所述浅层动作包括下载、激活、注册，所述深层动作包括付费、次日留存。
通过响应于推荐请求的发起获取待推荐内容集合，该待推荐内容集合中包含多个候选推荐内容，推荐请求对应于目标对象；然后提取目标对象对应的对象特征以及每个候选推荐内容对应的内容特征；并将对象特征与内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，目标推荐模型包含第一子网络、第二子网络以及第三子网络，第一子网络用于基于对象特征与内容特征确定第一预估值，第二子网络用于基于第一预估值、对象特征与内容特征确定第二动作预估值，第三子网络用于基于第二动作预估值、对象特征与内容特征确定第三动作预估值，第一动作为第二动作的前序动作，第二动作为第三动作的前序动作；进而基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容。从而实现智能的媒体内容的推荐过程，由于在对于媒体内容的特征动作之间采用参数传递的方式将前序动作的预估值输入后序动作的预测之中，避免了后序动作由于数据稀疏或延迟造成预估的不准确，提高了媒体内容推荐的准确性。
本申请实施例还提供了一种终端设备，如图8所示，是本申请实施例提供的另一种终端设备的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(personal digital assistant，PDA)、销售终端(point of sales，POS)、车载电脑等任意终端设备，以终端为手机为例：
图8示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图8，手机包括：射频(radio frequency，RF)电路810、存储器820、输入单元830、显示单元840、传感器850、音频电路860、无线保真(wireless fidelity，WiFi)模块870、处理器880、以及电源890等部件。本领域技术人员可以理解，图8中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图8对手机的各个构成部件进行具体的介绍：
RF电路810可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器880处理；另外，将设计上行的数据发送给基站。通常，RF电路810包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier，LNA)、双工器等。此外，RF电路810还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(globalsystem of mobile communication，GSM)、通用分组无线服务(general packet radioservice，GPRS)、码分多址(code division multiple access，CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution，LTE)、电子邮件、短消息服务(short messaging service，SMS)等。
存储器820可用于存储软件程序以及模块，处理器880通过运行存储在存储器820的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器820可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元830可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元830可包括触控面板831以及其他输入设备832。触控面板831，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板831上或在触控面板831附近的操作，以及在触控面板831上一定范围内的隔空触控操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板831可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器880，并能接收处理器880发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板831。除了触控面板831，输入单元830还可以包括其他输入设备832。具体地，其他输入设备832可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元840可包括显示面板841，可选的，可以采用液晶显示器(liquid crystaldisplay，LCD)、有机发光二极管(organic light-emitting diode，OLED)等形式来配置显示面板841。进一步的，触控面板831可覆盖显示面板841，当触控面板831检测到在其上或附近的触摸操作后，传送给处理器880以确定触摸事件的类型，随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图8中，触控面板831与显示面板841是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板831与显示面板841集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器850，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板841的亮度，接近传感器可在手机移动到耳边时，关闭显示面板841和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路860、扬声器861，传声器862可提供用户与手机之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号，传输到扬声器861，由扬声器861转换为声音信号输出；另一方面，传声器862将收集的声音信号转换为电信号，由音频电路860接收后转换为音频数据，再将音频数据输出处理器880处理后，经RF电路810以发送给比如另一手机，或者将音频数据输出至存储器820以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块870可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块870，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器820内的软件程序和/或模块，以及调用存储在存储器820内的数据，执行手机的各种功能和处理数据。可选的，处理器880可包括一个或多个处理单元；可选的，处理器880可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器880中。
手机还包括给各个部件供电的电源890(比如电池)，可选的，电源可以通过电源管理系统与处理器880逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该终端所包括的处理器880还具有执行如上述页面处理方法的各个步骤的功能。
本申请实施例还提供了一种服务器，请参阅图9，图9是本申请实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器922可以设置为与存储介质930通信，在服务器900上执行存储介质930中的一系列指令操作。
服务器900还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，和/或，一个或一个以上操作系统941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由管理装置所执行的步骤可以基于该图9所示的服务器结构。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有媒体内容的推荐指令，当其在计算机上运行时，使得计算机执行如前述图3至图6所示实施例描述的方法中媒体内容的推荐装置所执行的步骤。
本申请实施例中还提供一种包括媒体内容的推荐指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图6所示实施例描述的方法中媒体内容的推荐装置所执行的步骤。
本申请实施例还提供了一种媒体内容的推荐系统，所述媒体内容的推荐系统可以包含图7所描述实施例中的媒体内容的推荐装置，或图8所描述实施例中的终端设备，或者图9所描述的服务器。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，媒体内容的推荐装置，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种媒体内容的推荐方法，其特征在于，包括：
响应于推荐请求的发起获取待推荐内容集合，所述待推荐内容集合中包含多个候选推荐内容，所述推荐请求对应于目标对象；
提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征；
将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，所述目标推荐模型包含第一子网络、第二子网络以及第三子网络，所述第一子网络用于基于所述对象特征与所述内容特征确定所述第一预估值，所述第二子网络用于基于所述第一预估值、所述对象特征与所述内容特征确定所述第二预估值，所述第三子网络用于基于所述第二预估值、所述对象特征与所述内容特征确定所述第三预估值，所述第一动作为所述第二动作的前序动作，所述第二动作为所述第三动作的前序动作，所述第一子网络、第二子网络以及第三子网络共享相同的底层参数；
确定所述待推荐内容集合中所述候选推荐内容的内容推荐目标；
若所述内容推荐目标指示的目标数量大于预设值，则比较所述第一预估值与所述第二预估值的大小关系；
根据所述第一预估值与所述第二预估值的大小关系确定对应的计算方式；
根据所述计算方式对所述第一预估值、所述第二预估值以及所述第三预估值进行计算，以得到目标预估值；
基于所述目标预估值对所述候选推荐内容进行排序，以确定目标推荐内容。
2.根据权利要求1所述的方法，其特征在于，所述提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征，包括：
基于预设类别提取所述目标对象对应的对象特征，所述对象特征对应于目标维度；
获取所述候选推荐内容对应的描述特征，所述描述特征基于语义、图像和上下文进行确定；
将所述描述特征映射到所述目标维度上，以得到所述内容特征。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标预估值对所述候选推荐内容进行排序，以确定所述目标推荐内容，包括：
基于所述目标预估值对所述候选推荐内容进行排序，以确定第一序列；
获取目标对象对应的推荐历史信息；
基于所述推荐历史信息确定推荐规则；
根据所述推荐规则对所述第一序列进行调整，以得到第二序列；
从所述第二序列中确定所述目标推荐内容。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
获取执行过所述第一动作的第一训练样本、执行过所述第二动作的第二训练样本以及执行过所述第三动作的第三训练样本；
基于所述第一训练样本与所述第一预估值配置第一损失函数，所述第一损失函数作用于所述第一子网络；
基于所述第二训练样本、所述第一预估值与所述第二预估值配置第二损失函数，所述第二损失函数作用于所述第二子网络；
基于所述第三训练样本、所述第二预估值与所述第三预估值配置第三损失函数，所述第三损失函数作用于所述第三子网络；
对所述第一损失函数、所述第二损失函数以及所述第三损失函数进行加权，以得到目标损失函数；
基于所述目标损失函数对所述目标推荐模型进行训练。
5.根据权利要求1所述的方法，其特征在于，所述媒体内容为广告，所述待推荐内容集合为广告库，所述候选推荐内容为候选广告，所述响应于推荐请求的发起获取待推荐内容集合，包括：
响应于针对所述目标对象发起的推荐请求，从广告库中召回候选广告；
所述将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，包括：
将所述对象特征与所述内容特征输入所述目标推荐模型，以确定点击动作对应的点击率、浅层动作对应的浅层转化率以及深层动作对应的深层转化率，所述浅层动作包括下载、激活、注册，所述深层动作包括付费、次日留存。
6.一种媒体内容的推荐装置，其特征在于，包括：
获取单元，用于响应于推荐请求的发起获取待推荐内容集合，所述待推荐内容集合中包含多个候选推荐内容，所述推荐请求对应于目标对象；
提取单元，用于提取所述目标对象对应的对象特征以及每个所述候选推荐内容对应的内容特征；
确定单元，用于将所述对象特征与所述内容特征输入目标推荐模型，以确定第一动作对应的第一预估值、第二动作对应的第二预估值以及第三动作对应的第三预估值，所述目标推荐模型包含第一子网络、第二子网络以及第三子网络，所述第一子网络用于基于所述对象特征与所述内容特征确定所述第一预估值，所述第二子网络用于基于所述第一预估值、所述对象特征与所述内容特征确定所述第二预估值，所述第三子网络用于基于所述第二预估值、所述对象特征与所述内容特征确定所述第三预估值，所述第一动作为所述第二动作的前序动作，所述第二动作为所述第三动作的前序动作，所述第一子网络、第二子网络以及第三子网络共享相同的底层参数；
推荐单元，用于基于所述第一预估值、所述第二预估值以及所述第三预估值在所述待推荐内容集合中进行内容选择，以确定目标推荐内容；
所述推荐单元具体用于，确定所述待推荐内容集合中所述候选推荐内容的内容推荐目标；若所述内容推荐目标指示的目标数量大于预设值，则比较所述第一预估值与所述第二预估值的大小关系；根据所述第一预估值与所述第二预估值的大小关系确定对应的计算方式；根据所述计算方式对所述第一预估值、所述第二预估值以及所述第三预估值进行计算，以得到目标预估值；基于所述目标预估值对所述候选推荐内容进行排序，以确定目标推荐内容。
7.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：
所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行权利要求1至5任一项所述的媒体内容的推荐方法。
8.一种计算机可读存储介质，包括计算机程序/指令，所述计算机程序/指令存储于计算机可读存储介质，其特征在于，所述计算机可读存储介质中的所述计算机程序/指令被处理器执行时实现上述权利要求1至5任一项所述的媒体内容的推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109086.6A CN114430504B (zh) | 2022-01-28 | 2022-01-28 | 一种媒体内容的推荐方法以及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109086.6A CN114430504B (zh) | 2022-01-28 | 2022-01-28 | 一种媒体内容的推荐方法以及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114430504A CN114430504A (zh) | 2022-05-03 |
| CN114430504B true CN114430504B (zh) | 2023-03-10 |
Family
ID=81313294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210109086.6A Active CN114430504B (zh) | 2022-01-28 | 2022-01-28 | 一种媒体内容的推荐方法以及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114430504B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936781A (zh) * | 2022-11-30 | 2023-04-07 | 北京创智汇聚科技有限公司 | 一种在cpa投放中基于广告深度转化事件进行广告排序的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
| CN112699305A (zh) * | 2021-01-08 | 2021-04-23 | 网易传媒科技（北京）有限公司 | 多目标推荐方法、装置、计算设备以及介质 |
| CN113516522A (zh) * | 2021-09-14 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 媒体资源推荐方法、多目标融合模型的训练方法及装置 |
| CN113610582A (zh) * | 2021-08-16 | 2021-11-05 | 脸萌有限公司 | 广告推荐方法、装置、存储介质及电子设备 |
| WO2021233015A1 (zh) * | 2020-05-19 | 2021-11-25 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
| CN113781149A (zh) * | 2021-01-22 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 信息推荐方法、装置、计算机可读存储介质及电子设备 |
| CN113761348A (zh) * | 2021-02-26 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
-
2022
- 2022-01-28 CN CN202210109086.6A patent/CN114430504B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021233015A1 (zh) * | 2020-05-19 | 2021-11-25 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
| CN112699305A (zh) * | 2021-01-08 | 2021-04-23 | 网易传媒科技（北京）有限公司 | 多目标推荐方法、装置、计算设备以及介质 |
| CN113610582A (zh) * | 2021-08-16 | 2021-11-05 | 脸萌有限公司 | 广告推荐方法、装置、存储介质及电子设备 |
| CN113516522A (zh) * | 2021-09-14 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 媒体资源推荐方法、多目标融合模型的训练方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114430504A (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10411945B2 (en) | Time-distributed and real-time processing in information recommendation system, method and apparatus | |
| WO2018086462A1 (zh) | 一种业务数据的加载、推送、交互信息的生成方法和装置 | |
| US20230196441A1 (en) | Neural contextual bandit based computational recommendation method and apparatus | |
| CN105493057B (zh) | 利用精确性控制的内容选择 | |
| CN107437189B (zh) | 一种推广信息的投放方法、装置及系统 | |
| CN110956505B (zh) | 一种广告库存的预估方法以及相关装置 | |
| CN104899315A (zh) | 推送用户信息的方法和装置 | |
| CN113609392B (zh) | 一种内容推荐方法、待推荐内容确定方法和相关装置 | |
| CN112597361B (zh) | 一种排序处理方法、装置、电子设备及存储介质 | |
| CN112307240B (zh) | 页面展示方法、装置、存储介质及电子设备 | |
| CN111125523A (zh) | 搜索方法、装置、终端设备及存储介质 | |
| KR102239616B1 (ko) | 메시지 통지 방법 및 단말기 | |
| CN114430504B (zh) | 一种媒体内容的推荐方法以及相关装置 | |
| CN117453933A (zh) | 一种多媒体数据推荐方法、装置、电子设备及存储介质 | |
| CN109544241B (zh) | 一种点击率预估模型的构建方法、点击率预估方法和装置 | |
| CN113869964B (zh) | 一种数据处理方法和相关装置 | |
| CN112925878A (zh) | 数据处理方法和装置 | |
| CN110929882A (zh) | 一种基于人工智能的特征向量计算方法和相关装置 | |
| CN111625737B (zh) | 一种标签展示方法、装置、设备和存储介质 | |
| CN112131482B (zh) | 一种时效确定方法和相关装置 | |
| CN111988407B (zh) | 一种内容推送方法和相关装置 | |
| CN108897774B (zh) | 一种获取新闻热点的方法、设备及存储介质 | |
| CN114969493A (zh) | 一种内容推荐方法和相关装置 | |
| CN110322039B (zh) | 一种点击率预估方法、服务器及计算机可读存储介质 | |
| CN115080840A (zh) | 一种内容推送方法、装置及存储介质 |
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 |