CN114491093A - 多媒体资源推荐、对象表征网络的生成方法及装置 - Google Patents
多媒体资源推荐、对象表征网络的生成方法及装置 Download PDFInfo
- Publication number
- CN114491093A CN114491093A CN202111579243.1A CN202111579243A CN114491093A CN 114491093 A CN114491093 A CN 114491093A CN 202111579243 A CN202111579243 A CN 202111579243A CN 114491093 A CN114491093 A CN 114491093A
- Authority
- CN
- China
- Prior art keywords
- target
- resource
- information
- multimedia
- sample
- 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.)
- Granted
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
- G06F16/43—Querying
- G06F16/438—Presentation of query results
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资源推荐、对象表征网络的生成方法及装置,该多媒体资源推荐方法包括响应于目标对象的多媒体资源获取请求,获取目标对象属性、目标数量个历史操作序列信息、目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息;将目标对象属性、目历史操作序列信息和目标资源类别信息输入对象表征网络进行对象表征,得到目标数量个目标资源类别信息对应的目标数量个第一对象特征信息;根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源;基于目标多媒体资源,向目标对象进行资源推荐。利用本公开实施例可以提升推荐精准性和推荐效果,减少系统资源浪费,提升系统性能。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种多媒体资源推荐方法及装置。
背景技术
随着互联网技术的发展,大量网络平台也在不断的升级,除了可以发布一些图文信息之外,也可以供用户随时分享日常的短视频等多媒体资源,而如何精准的推送这些多媒体资源是大量推荐系统遇到的挑战。
相关技术中,在多媒体资源推荐过程中,常常会结合双塔模型中被推荐对象对应的对象塔和待推荐多媒体资源对应的资源塔,来分别提取被推荐对象的对象特征信息和待推荐多媒体资源的资源特征信息,接着,将待推荐多媒体资源的资源特征信息与对象特征信息进行点积计算,得到待推荐多媒体资源推荐给被推荐对象的预估概率,并结合该预估概率,进行多媒体资源的推荐。但上述相关技术中,对象塔和资源塔分别只能使用对象侧和多媒体资源侧的信息,导致推荐过程中分开考虑了被推荐对象和待推荐多媒体资相对静态的信息,无法较好地捕捉到的对象兴趣偏好,进而造成推荐系统中推荐精准性和效果较差,且无效的多媒体资源推荐,也造成推荐系统的系统资源浪费和系统性能下降等问题。
发明内容
本公开提供一种多媒体资源推荐方法及装置,以至少解决相关技术中无法较好地捕捉到的对象兴趣偏好,推荐系统中推荐精准性和效果较差,且无效的多媒体资源推荐,也造成推荐系统的系统资源浪费和系统性能下降等问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种多媒体资源推荐方法,包括:
响应于目标对象的多媒体资源获取请求,获取所述目标对象的目标对象属性、目标数量个历史操作序列信息、所述目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息,所述目标数量个历史操作序列信息为历史时间段内推荐给所述目标对象的历史多媒体资源中,属于所述目标数量个目标资源类别信息的多媒体资源对应的操作关联信息;
将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息;
根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源;
基于所述目标多媒体资源,向所述目标对象进行资源推荐。
在一个可选的实施例中,所述对象表征网络包括:对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络;
所述将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息包括:
基于所述对象特征提取网络,对所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息进行特征提取处理,得到所述目标数量个序列特征信息和所述目标数量个类别对象特征信息,所述目标数量个类别对象特征信息为所述目标对象属性分别与所述目标数量个目标资源类别信息对应的特征信息;
基于所述特征交叉处理网络,对所述目标数量个序列特征信息和所述目标数量个类别对象特征信息进行特征交叉处理,得到所述目标数量个交叉特征信息;
基于所述拼接网络对所述目标数量个交叉特征信息和所述目标数量个类别对象特征信息进行拼接处理,得到所述目标数量个拼接特征信息;
基于所述特征融合网络对所述目标数量个拼接特征信息分别进行融合处理,得到所述目标数量个第一对象特征信息。
在一个可选的实施例中,所述对象特征提取网络包括第一特征提取网络和第二特征提取网络;
所述基于所述对象特征提取网络,对所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息进行特征提取处理,得到所述目标数量个序列特征信息和所述目标数量个类别对象特征信息包括:
将所述目标对象属性分别与所述目标数量个目标资源类别信息输入所述第一特征提取网络进行特征提取处理,得到所述目标数量个类别对象特征信息;
将所述目标数量个历史操作序列信息输入所述第二特征提取网络进行特征提取处理,得到所述目标数量个序列特征信息。
在一个可选的实施例中,所述根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源包括:
确定所述待推荐多媒体资源的资源类别信息;
将资源类别信息包含在所述目标数量个目标资源类别信息中的待推荐多媒体资源,作为初选多媒体资源;
根据所述初选多媒体资源的资源特征信息和所述初选多媒体资源的资源类别信息对应的第一对象特征信息,确定所述初选多媒体资源的资源推荐指标;
基于所述资源推荐指标,从所述初选多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述对象表征网络包括基础对象表征网络;所述方法还包括:
将所述目标对象属性输入所述基础对象表征网络进行对象表征,得到第二对象特征信息;
所述根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源包括:
根据所述目标数量个第一对象特征信息、所述第二对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述待推荐多媒体资源包括多个多媒体资源;所述根据所述目标数量个第一对象特征信息、所述第二对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定所述目标多媒体资源包括:
确定所述多个多媒体资源的资源类别信息;
在任一多媒体资源的资源类别信息包含在所述目标数量个目标资源类别信息的情况下,根据第一多媒体资源的资源特征信息和所述第一多媒体资源的资源类别信息对应的第一对象特征信息,确定所述第一多媒体资源的资源推荐指标;所述第一多媒体资源为所述待推荐多媒体资中资源类别信息包含在所述目标数量个目标资源类别信息的多媒体资源;
在任一多媒体资源的资源类别信息未包含在所述目标数量个目标资源类别信息的情况下,根据第二多媒体资源的资源特征信息和所述第二对象特征信息,确定所述第二多媒体资源的资源推荐指标;所述第二多媒体资源为所述待推荐多媒体资中资源类别信息未包含在所述目标数量个目标资源类别信息的多媒体资源;
基于所述第一多媒体资源的资源推荐指标和所述第二多媒体资源的资源推荐指标,从所述待推荐多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述目标数量个历史操作序列信息包括采用下述方式获取:
确定所述历史多媒体资源所属的预设数量个资源类别信息和所述预设数量个资源类别信息对应的资源数量;
基于所述资源数量,从预设数量个资源类别信息中,确定所述目标数量个目标资源类别信息;
基于所述历史多媒体资源中,所述目标数量个目标资源类别信息对应多媒体资源的操作关联信息,生成所述目标数量个历史操作序列信息。
在一个可选的实施例中,所述待推荐多媒体资源的资源特征信息包括采用下述方式获取:
获取待推荐多媒体资源的目标资源属性;
将所述目标资源属性输入资源表征网络进行资源表征,得到所述待推荐多媒体资源的资源特征信息。
在一个可选的实施例中,所述响应于目标对象的多媒体资源获取请求包括:
在接收到所述多媒体资源获取请求的情况下,并行触发所述待推荐多媒体资源对应的召回指令和所述目标对象对应的对象表征指令;
其中,所述召回指令用于指示召回所述待推荐多媒体资源,所述对象表征指令用于指示执行所述目标对象对应的对象表征处理。
根据本公开实施例的第二方面,提供一种对象表征网络的生成方法,包括:
获取样本对象的样本对象属性、目标数量个样本操作序列信息、所述目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息,所述目标数量个样本操作序列信息为样本时间段内推荐给所述样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;
将所述样本对象属性、所述目标数量个样本操作序列信息和所述目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到所述目标数量个样本资源类别信息对应的所述目标数量个样本对象特征信息;
根据所述目标数量个样本对象特征信息和所述样本资源特征信息,确定样本资源推荐指标;
基于所述资源推荐指标,训练所述待训练对象表征网络,得到对象表征网络。
在一个可选的实施例中,所述样本多媒体资源的样本资源特征信息包括采用下述方式获取:
获取样本多媒体资源的样本资源属性;
将所述样本资源属性输入待训练资源表征网络进行资源表征,得到所述样本资源特征信息;
所述基于所述资源推荐指标,训练所述待训练对象表征网络,得到对象表征网络包括:
基于所述资源推荐指标,训练所述待训练对象表征网络和所述待训练资源表征网络,得到所述对象表征网络和资源表征网络。
根据本公开实施例的第三方面,提供一种多媒体资源推荐装置,包括:
数据获取模块,被配置为执行响应于目标对象的多媒体资源获取请求,获取所述目标对象的目标对象属性、目标数量个历史操作序列信息、所述目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息,所述目标数量个历史操作序列信息为历史时间段内推荐给所述目标对象的历史多媒体资源中,属于所述目标数量个目标资源类别信息的多媒体资源对应的操作关联信息;
第一对象表征模块,被配置为执行将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息;
目标多媒体资源确定模块,被配置为执行根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源;
资源推荐模块,被配置为执行基于所述目标多媒体资源,向所述目标对象进行资源推荐。
在一个可选的实施例中,所述对象表征网络包括:对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络;
所述第一对象表征模块包括:
特征提取处理单元,被配置为执行基于所述对象特征提取网络,对所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息进行特征提取处理,得到所述目标数量个序列特征信息和所述目标数量个类别对象特征信息,所述目标数量个类别对象特征信息为所述目标对象属性分别与所述目标数量个目标资源类别信息对应的特征信息;
特征交叉处理单元,被配置为执行基于所述特征交叉处理网络,对所述目标数量个序列特征信息和所述目标数量个类别对象特征信息进行特征交叉处理,得到所述目标数量个交叉特征信息;
拼接处理单元,被配置为执行基于所述拼接网络对所述目标数量个交叉特征信息和所述目标数量个类别对象特征信息进行拼接处理,得到所述目标数量个拼接特征信息;
融合处理单元,被配置为执行基于所述特征融合网络对所述目标数量个拼接特征信息分别进行融合处理,得到所述目标数量个第一对象特征信息。
在一个可选的实施例中,所述对象特征提取网络包括第一特征提取网络和第二特征提取网络;
所述特征提取处理单元包括:
第一特征提取处理子单元,被配置为执行将所述目标对象属性分别与所述目标数量个目标资源类别信息输入所述第一特征提取网络进行特征提取处理,得到所述目标数量个类别对象特征信息;
第二特征提取处理子单元,被配置为执行将所述目标数量个历史操作序列信息输入所述第二特征提取网络进行特征提取处理,得到所述目标数量个序列特征信息。
在一个可选的实施例中,所述目标多媒体资源确定模块包括:
第一资源类别信息确定单元,被配置为执行确定所述待推荐多媒体资源的资源类别信息;
初选多媒体资源确定单元,被配置为执行将资源类别信息包含在所述目标数量个目标资源类别信息中的待推荐多媒体资源,作为初选多媒体资源;
第一资源推荐指标确定单元,被配置为执行根据所述初选多媒体资源的资源特征信息和所述初选多媒体资源的资源类别信息对应的第一对象特征信息,确定所述初选多媒体资源的资源推荐指标;
第一目标多媒体资源确定单元,被配置为执行基于所述资源推荐指标,从所述初选多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述对象表征网络包括基础对象表征网络;所述装置还包括:
第二对象表征网络,被配置为执行将所述目标对象属性输入所述基础对象表征网络进行对象表征,得到第二对象特征信息;
所述目标多媒体资源确定模块还被配置为执行:根据所述目标数量个第一对象特征信息、所述第二对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述待推荐多媒体资源包括多个多媒体资源;所述目标多媒体资源确定模块包括:
第二资源类别信息确定单元,被配置为执行确定所述多个多媒体资源的资源类别信息;
第二资源推荐指标确定单元,被配置为执行在任一多媒体资源的资源类别信息包含在所述目标数量个目标资源类别信息的情况下,根据第一多媒体资源的资源特征信息和所述第一多媒体资源的资源类别信息对应的第一对象特征信息,确定所述第一多媒体资源的资源推荐指标;所述第一多媒体资源为所述待推荐多媒体资中资源类别信息包含在所述目标数量个目标资源类别信息的多媒体资源;
第三资源推荐指标确定单元,被配置为执行在任一多媒体资源的资源类别信息未包含在所述目标数量个目标资源类别信息的情况下,根据第二多媒体资源的资源特征信息和所述第二对象特征信息,确定所述第二多媒体资源的资源推荐指标;所述第二多媒体资源为所述待推荐多媒体资中资源类别信息未包含在所述目标数量个目标资源类别信息的多媒体资源;
第二目标多媒体资源确定单元,被配置为执行基于所述第一多媒体资源的资源推荐指标和所述第二多媒体资源的资源推荐指标,从所述待推荐多媒体资源中,确定所述目标多媒体资源。
在一个可选的实施例中,所述数据获取模块包括:
资源数据获取单元,被配置为执行确定所述历史多媒体资源所属的预设数量个资源类别信息和所述预设数量个资源类别信息对应的资源数量;
目标资源类别信息确定单元,被配置为执行基于所述资源数量,从预设数量个资源类别信息中,确定所述目标数量个目标资源类别信息;
历史操作序列信息生成单元,被配置为执行基于所述历史多媒体资源中,所述目标数量个目标资源类别信息对应多媒体资源的操作关联信息,生成所述目标数量个历史操作序列信息。
在一个可选的实施例中,所述数据获取模块包括:
目标资源属性获取单元,被配置为执行获取待推荐多媒体资源的目标资源属性;
资源表征单元,被配置为执行将所述目标资源属性输入资源表征网络进行资源表征,得到所述待推荐多媒体资源的资源特征信息。
在一个可选的实施例中,所述数据获取模块还被配置为执行:在接收到所述多媒体资源获取请求的情况下,并行触发所述待推荐多媒体资源对应的召回指令和所述目标对象对应的对象表征指令;
其中,所述召回指令用于指示召回所述待推荐多媒体资源,所述对象表征指令用于指示执行所述目标对象对应的对象表征处理。
根据本公开实施例的第四方面,提供一种对象表征网络的生成装置,包括:
样本数据获取模块,被配置为执行获取样本对象的样本对象属性、目标数量个样本操作序列信息、所述目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息,所述目标数量个样本操作序列信息为样本时间段内推荐给所述样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;
第三对象表征模块,被配置为执行将所述样本对象属性、所述目标数量个样本操作序列信息和所述目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到所述目标数量个样本资源类别信息对应的所述目标数量个样本对象特征信息;
样本资源推荐指标确定模块,被配置为执行根据所述目标数量个样本对象特征信息和所述样本资源特征信息,确定样本资源推荐指标;
网络训练模块,被配置为执行基于所述资源推荐指标,训练所述待训练对象表征网络,得到对象表征网络。
在一个可选的实施例中,所述样本数据获取模块包括:
样本资源属性获取单元,被配置为执行获取样本多媒体资源的样本资源属性;
资源表征单元,被配置为执行将所述样本资源属性输入待训练资源表征网络进行资源表征,得到所述样本资源特征信息;
所述网络训练模块还被配置为执行:基于所述资源推荐指标,训练所述待训练对象表征网络和所述待训练资源表征网络,得到所述对象表征网络和资源表征网络。
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,以实现如上述第一方面,或第二方面中任一项所述的方法。
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,或第二方面中任一项所述方法。
根据本公开实施例的第七方面,提供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的第一方面,或第二方面中任一项所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
在接收到目标对象的多媒体资源获取请求后,结合目标对象的目标对象属性和历史时间段内推荐给目标对象的历史多媒体资源中,属于目标数量个目标资源类别信息的多媒体资源对应的历史操作序列信息,来进行对象表征,可以更好的提升得到的对象特征信息对目标对象兴趣喜好的表征精准性,且由于历史操作序列信息是结合目标数量个对象偏好的目标资源类别信息从对象历史操作关联信息中提取的,可以使得对象特征粒度归约到了资源类别,将引入历史操作序列信息后的对象表征处理的运算次数简化到了类别次数,可以有效保证对象表征处理的处理效率;且结合待推荐多媒体资源的资源特征信息和目标数量个能够表征对象行为喜好的第一对象特征信息,从待推荐多媒体资源中,确定用于进行推荐处理的目标多媒体资源,可以更好的捕捉到对象兴趣偏好,提升推荐系统中推荐精准性和推荐效果,减少无效多媒体资源推荐带来的系统资源浪费,提升系统性能。
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多媒体资源推荐方法的流程图;
图3是根据一示例性实施例示出的一种获取目标数量个历史操作序列信息的流程图;
图4是根据一示例性实施例示出的一种将目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到目标数量个目标资源类别信息对应的目标数量个第一对象特征信息的流程图;
图5是根据一示例性实施例示出的一种根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源的流程图;
图6是根据一示例性实施例示出的一种根据目标数量个第一对象特征信息、第二对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源的流程图;
图7是根据一示例性实施例提供的一种对象表征网络和资源表征网络的示意图;
图8是根据一示例性实施例示出的一种对象表征网络的生成方法的流程图;
图9是根据一示例性实施例提供的一种推荐系统的示意图;
图10是根据一示例性实施例示出的一种多媒体资源推荐装置框图;
图11是根据一示例性实施例示出的一种多媒体资源推荐装置框图;
图12是根据一示例性实施例示出的一种用于多媒体资源推荐的电子设备的框图;
图13是根据一示例性实施例示出的一种用于多媒体资源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。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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100和终端200。
在一个可选的实施例中,服务器100可以用于训练对象表征网络和资源表征网络。可选的,服务器100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200可以用于面向任一用户提供多媒体资源推荐服务。可选的,可以结合服务器100训练好的对象表征网络和资源表征网络进行多媒体资源推荐。具体的,终端200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(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备,也可以为运行于上述电子设备的软体,例如应用程序等。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一种应用环境,在实际应用中,还可以包括其他应用环境,例如可以包括更多的终端。
本说明书实施例中,上述服务器100和终端200可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
图2是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图,如图2所示,该多媒体资源推荐方法用于终端、服务器等电子设备中,包括以下步骤。
在步骤S201中,响应于目标对象的多媒体资源获取请求,获取目标对象的目标对象属性、目标数量个历史操作序列信息、目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息。
在一个具体的实施例中,上述目标对象可以为待推荐多媒体资源的推荐对象;具体的,目标对象可以为推荐系统中任一用户账号,目标对象的目标对象属性可以为能够表征目标对象的兴趣偏好的属性信息。在一个具体的实施例中,目标对象属性可以包括但不限于用户性别、年龄、学历、地域、以及推荐给目标对象的多媒体资源的相关信息,推荐多媒体资源给目标对象时的上下文信息(例如推荐时间、所使用的网络信息、地址位置等推荐背景)以及目标对象对推荐的多媒体资源的反馈信息(如播放时长、是否点赞、分享等)等表征目标对象的兴趣偏好的信息。
在一个具体的实施例中,上述目标数量个历史操作序列信息可以为历史时间段内推荐给目标对象的历史多媒体资源中,属于目标数量个目标资源类别信息的多媒体资源对应的操作关联信息。具体的,历史时间段可以结合实际应用进行设置,操作关联信息可以为推荐历史多媒体资源给目标对象过程中的信息。具体的,操作关联信息可以包括多媒体资源的资源标识、多媒体资源的发布方的标识信息、浏览时长,多媒体资源对应的展示时长、多媒体资源的资源类别信息等。
在一个具体的实施例中,资源类别信息可以表征多媒体资源的主题内容。在实际应用中,可以预先对推荐系统中可推荐的多媒体资源进行聚类,以确定推荐系统中可推荐的多媒体资源对应的多种资源类别信息。具体的,多媒体资源的类别划分可以结合实际应用进行配置。可选的,多媒体资源的资源类别信息可以包括体育类、美食类、旅游类等。目标数量可以结合实际应用进行设置。可选的,目标数量个目标资源类别信息可以为目标对象偏好的至少一种多媒体资源的类别信息。
在一个具体的实施例中,待推荐多媒体资源可以为推荐系统中的多媒体资源。可选的,多媒体资源可以包括文本、图像等静态资源,也可以包括短视频等动态资源。可选的,待推荐多媒体资源可以为结合预设召回规则从推荐系统中召回的可推荐给目标对象的多媒体资源。
在一个可选的实施例中,如图3所示,上述目标数量个历史操作序列信息包括采用下步骤获取:
在步骤S301中,确定历史多媒体资源所属的预设数量个资源类别信息和预设数量个资源类别信息对应的资源数量;
在步骤S303中,基于资源数量,从预设数量个资源类别信息中,确定目标数量个目标资源类别信息;
在步骤S305中,基于历史多媒体资源中,目标数量个目标资源类别信息对应多媒体资源的操作关联信息,生成目标数量个历史操作序列信息。
在一个具体的实施例中,历史时间段内推荐给目标对象的历史多媒体资源中往往可以包括多个多媒体资源。具体的,可以确定每个多媒体资源所属的资源类别信息。预设数量可以为历史多媒体资源中多媒体资源的资源类别数量。
在一个可选的实施例中,可以根据每个多媒体资源所属的资源类别信息进行分组统计,选出资源数量最多的前目标数量个目标资源类别信息,并选取目标数量个目标资源类别信息对应多媒体资源的操作关联信息,来作为上述目标数量个历史操作序列信息。具体的,任一目标资源类别信息对应多媒体资源的操作关联信息,可以生成该目标资源类别信息对应的历史操作序列信息。
上述实施例中,结合历史时间段内推荐给目标对象的多种历史多媒体资源的数量统计,可以筛选出目标对象偏好的目标数量种多媒体资源的类别信息,进而选取目标对象偏好的目标数量个目标资源类别信息对应多媒体资源的操作关联信息,来生成目标对象的历史操作序列信息,可以有效提升筛选出的历史操作序列信息对目标对象兴趣偏好的表征精准性,进而提升后续的推荐效果。
在一个可选的实施例中,上述待推荐多媒体资源的资源特征信息包括采用下述方式获取:
获取待推荐多媒体资源的目标资源属性;
将目标资源属性输入资源表征网络进行资源表征,得到待推荐多媒体资源的资源特征信息。
在一个具体的实施例中,目标资源属性可以为用于描述多媒体资源的信息,以多媒体资源为视频为例,资源特征信息可以包括待推荐多媒体资源的发布者信息、资源标识、发布日期、视频帧图像、音频信息、播放时长、标题信息等可以描述待推荐多媒体资源的信息。相应的,资源特征信息可以为目标资源属性的特征表征。
在一个具体的实施例中,资源表征网络可以为预先训练好的可以进行资源特征表征的机器学习网络。具体的,资源表征网络的具体结构可以结合实际应用进行配置。
上述实施例中,结合资源表征网络进行资源表征,可以更好的提取待推荐多媒体资源的特征信息,提升对待推荐多媒体资源的表征精准性,进而提升推荐系统中推荐精准性和推荐效果。
在步骤S203中,将目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到目标数量个目标资源类别信息对应的目标数量个第一对象特征信息;
在一个具体的实施例中,对象表征网络可以为预先训练好的可以进行对象特征表征的机器学习网络。具体的,对象表征网络的具体结构可以结合实际应用进行配置。
在一个可选的实施例中,上述对象表征网络可以包括:对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络;可选的,如图4所示,上述将目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到目标数量个目标资源类别信息对应的目标数量个第一对象特征信息可以包括以下步骤:
在步骤S401中,基于对象特征提取网络,对目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息进行特征提取处理,得到目标数量个序列特征信息和目标数量个类别对象特征信息;
在一个具体的实施例中,上述目标数量个类别对象特征信息可以为目标对象属性分别与目标数量个目标资源类别信息对应的特征信息。
在一个可选的实施例中,上述对象特征提取网络可以包括第一特征提取网络和第二特征提取网络;相应的,上述基于对象特征提取网络,对目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息进行特征提取处理,得到目标数量个序列特征信息和目标数量个类别对象特征信息可以包括:
将目标对象属性分别与目标数量个目标资源类别信息输入第一特征提取网络进行特征提取处理,得到目标数量个类别对象特征信息;
将目标数量个历史操作序列信息输入第二特征提取网络进行特征提取处理,得到目标数量个序列特征信息。
在一个具体的实施例中,第一特征提取网络和第二特征提取网络的具体网络结构,可以结合实际应用需求进行设置。
在一个具体的实施例中,可以依次将每一历史操作序列信息输入第二特征提取网络进行特征提取处理,得到该历史操作序列信息对应的序列特征信息;同时,将该历史操作序列信息对应的目标资源类别信息和目标对象属性输入第一特征提取网络进行特征提取处理,得到类别对象特征信息。
上述实施例中,结合第一特征提取网络和第二特征提取网络,分别提取类别对象特征信息和序列特征信息,可以使用不同的特征提取网络,更有针对性的提取不同信息的特征,进而提升提取的类别对象特征信息和序列特征信息的精准性和有效性。
在步骤S403中,基于特征交叉处理网络,对目标数量个序列特征信息和目标数量个类别对象特征信息进行特征交叉处理,得到目标数量个交叉特征信息。
在一个具体的实施例中,特征交叉处理网络可以用于结合类别对象特征信息,将目标对象的序列特征信息,表征成一个高维度稠密特征信息。
在一个具体的实施例中,特征交叉处理网络的具体网络结构,可以结合实际应用进行设置,例如多头注意力网络、深度兴趣网络、长短期兴趣网络和门控循环网络等。
在一个具体的实施例中,可以将每一序列特征信息和该序列特征信息对应的类别对象特征信息输入特征交叉处理网络进行特征交叉处理,得到该序列特征信息对应的交叉特征信息。
在步骤S405中,基于拼接网络对目标数量个交叉特征信息和目标数量个类别对象特征信息进行拼接处理,得到目标数量个拼接特征信息。
在一个具体的实施例中,可以将每一交叉特征信息和对应的类别对象特征信息输入拼接网络进行拼接处理,得到对应的拼接特征信息。
在一个具体的实施例中,拼接网络的具体网络结构,可以结合实际应用进行设置。
在步骤S407中,基于特征融合网络对目标数量个拼接特征信息分别进行融合处理,得到目标数量个第一对象特征信息。
在一个具体的实施例中,可以将每一拼接特征信息输入特征融合网络进行融合处理,得到对应的第一对象特征信息。
在一个具体的实施例中,特征融合网络的具体网络结构,可以结合实际应用进行设置。
上述实施例中,在结合对象特征提取网络提取序列特征信息和类别对象特征信息之后,结合特征交叉处理网络将目标对象的序列特征信息,表征成一个高维度稠密特征信息,可以大大提升对目标对象的操作序列的表征精度,进而可以更好的捕捉到对象兴趣偏好,提升推荐系统中推荐精准性和推荐效果,减少无效多媒体资源推荐带来的系统资源浪费,提升系统性能。
在步骤S205中,根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源;
在一个可选的实施例中,如图5所示,上述根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源可以包括以下步骤:
在步骤S501中,确定待推荐多媒体资源的资源类别信息;
在步骤S503中,将资源类别信息包含在目标数量个目标资源类别信息中的待推荐多媒体资源,作为初选多媒体资源;
在步骤S505中,根据初选多媒体资源的资源特征信息和初选多媒体资源的资源类别信息对应的第一对象特征信息,确定初选多媒体资源的资源推荐指标;
在步骤S507中,基于资源推荐指标,从初选多媒体资源中,确定目标多媒体资源。
在一个具体的实施例中,待推荐多媒体资源可以包括多个多媒体资源,相应的,可以结合待推荐多媒体资源的资源类别信息,将资源类别信息属于目标对象偏好的目标数量个目标资源类别信息的多媒体资源,作为初选多媒体资源,并过滤掉非对象兴趣偏好的多媒体资源。接着,结合初选多媒体资源的资源特征信息和初选多媒体资源的资源类别信息对应的第一对象特征信息,确定初选多媒体资源的资源推荐指标。具体的,任一多媒体资源的资源推荐指标可以表征该多媒体资源被推荐给目标对象的概率。具体的,概率越高,可以表征目标对象对多媒体资源的喜好程度越高。
在一个具体的实施例中,可以将资源特征信息和对应的第一对象特征信息进行点积处理,得到对应的资源推荐指标。
在一个具体的实施例中,初选多媒体资源可以包括多个待推荐的多媒体资源;可选的,上述基于资源推荐指标,从初选多媒体资源中,确定目标多媒体资源可以包括结合资源推荐指标对初选多媒体资源中的多个多媒体资源进行降序排序,并选取排序前第一预设数量个多媒体资源作为目标多媒体资源。具体的,第一预设数量可以结合实际应用进行设置,可选的,第一预设数量可以大于等于一。
在一个可选的实施例中,基于资源推荐指标,从初选多媒体资源中,确定目标多媒体资源可以包括:将初选多媒体资源中,资源推荐指标大于等于第一预设指标阈值的多媒体资源作为目标多媒体资源。具体的,第一预设指标阈值可以结合实际应用进行设置。
上述实施例中,结合待推荐多媒体资源的资源类别信息,过滤掉非对象偏好的目标资源类别信息对应的多媒体资源,并结合过滤后的初选多媒体资源的资源特征信息和该初选多媒体资源的资源类别信息对应的第一对象特征信息,来生成资源推荐指标,可以更准确的反映目标对象对多媒体资源的喜好情况,进而可以基于该资源推荐指标精准的筛选出目标对象喜好的目标多媒体资源,提升对对象兴趣偏好捕捉的精准性。
在一个可选的实施例中,上述对象表征网络包括基础对象表征网络;相应的,上述方法还可以包括:
将目标对象属性输入基础对象表征网络进行对象表征,得到第二对象特征信息;
在一个具体的实施例中,基础对象表征网络可以包括第一特征提取网络、拼接网络和特征融合网络。相应的,上述将目标对象属性输入基础对象表征网络进行对象表征,得到第二对象特征信息可以包括:将目标对象属性输入第一特征提取网络进行特征提取处理,得到初始对象特征信息;将初始对象特征信息输入拼接网络进行拼接处理,得到对象拼接特征信息(即将目标对象属性中不同属性对应的特征信息进行拼接处理);接着,将对象拼接特征信息输入特征融合网络进行融合处理,得到第二对象特征信息。
相应的,上述根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源可以包括:
根据目标数量个第一对象特征信息、第二对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源。
上述实施例中,结合目标对象属性来进行目标对象的表征,可以在能够表征对象行为喜好的第一对象特征信息的基础上,引入表征对象个性化的长尾兴趣的第二对象特征信息,进而可以更全面精准来表征对象的兴趣偏好,提升推荐系统中推荐精准性和推荐效果,减少无效多媒体资源推荐带来的系统资源浪费,提升系统性能。
在一个可选的实施例中,上述待推荐多媒体资源包括多个多媒体资源;相应的,如图6所示,上述根据目标数量个第一对象特征信息、第二对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源可以包括以下步骤:
在步骤S601中,确定多个多媒体资源的资源类别信息;
在步骤S603中,在任一多媒体资源的资源类别信息包含在目标数量个目标资源类别信息的情况下,根据第一多媒体资源的资源特征信息和第一多媒体资源的资源类别信息对应的第一对象特征信息,确定第一多媒体资源的资源推荐指标。
在一个具体的实施例中,上述第一多媒体资源可以为待推荐多媒体资中资源类别信息包含在目标数量个目标资源类别信息的多媒体资源;具体的,可以将资源特征信息和对应的第一对象特征信息进行点积处理,得到对应的资源推荐指标。
在步骤S605中,在任一多媒体资源的资源类别信息未包含在目标数量个目标资源类别信息的情况下,根据第二多媒体资源的资源特征信息和第二对象特征信息,确定第二多媒体资源的资源推荐指标。
在一个具体的实施例中,上述第二多媒体资源可以为待推荐多媒体资中资源类别信息未包含在目标数量个目标资源类别信息的多媒体资源。具体的,可以将资源特征信息和第二对象特征信息进行点积处理,得到第二多媒体资源的资源推荐指标。
在步骤S607中,基于第一多媒体资源的资源推荐指标和第二多媒体资源的资源推荐指标,从待推荐多媒体资源中,确定目标多媒体资源。
在一个具体的实施例中,第一多媒体资源和第二多媒体资源均可以包括至少一个多媒体资源。可选的,上述基于第一多媒体资源的资源推荐指标和第二多媒体资源的资源推荐指标,从待推荐多媒体资源中,确定目标多媒体资源可以包括:结合资源推荐指标对第一多媒体资源和第二多媒体资源进行降序排序,并选取排序前第二预设数量个多媒体资源作为目标多媒体资源。具体的,第二预设数量可以结合实际应用进行设置,可选的,第二预设数量可以大于等于一。
在一个可选的实施例中,上述基于第一多媒体资源的资源推荐指标和第二多媒体资源的资源推荐指标,从待推荐多媒体资源中,确定目标多媒体资源可以包括:将第一多媒体资源和第二多媒体资源中,资源推荐指标大于等于第二预设指标阈值的多媒体资源作为目标多媒体资源。具体的,第二预设指标阈值可以结合实际应用进行设置。
上述实施例中,结合待推荐多媒体资源的资源类别信息,确定出资源类别信息属于对象偏好的目标资源类别信息的第一多媒体资源,以及资源类别信息不属于对象偏好的目标资源类别信息的第二多媒体资源;且针对第一多媒体资源,结合第一多媒体资源的资源特征信息和第一多媒体资源的资源类别信息对应的第一对象特征信息,来生成资源推荐指标;针对第二多媒体资源,结合第二多媒体资源的资源特征信息和第二对象特征信息,来生成资源推荐指标,可以更全面反映目标对象对多媒体资源的喜好情况,进而可以基于该资源推荐指标精准的筛选出更全面、更符合目标对象喜好的目标多媒体资源。
在一个具体的实施例中,如图7所示,图7是根据一示例性实施例提供的一种对象表征网络和资源表征网络的示意图。具体的,结合图7,对象表征网络可以包括对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络,其中,对象表征网络中的对象特征提取网络可以包括第一特征提取网络和第二特征提取网络。资源表征网络可以包括资源特征提取网络、拼接网络和特征融合网络。具体的,可以将目标数量个历史操作序列信息、目标数量个目标资源类别信息与目标对象属性分目标数量输入对象表征网络进行对象表征处理,得到目标数量个第一对象特征信息;以及将目标对象属性输入对象表征网络进行对象表征处理,得到第二对象特征信息;另外,可以将待推荐多媒体资源的目标资源属性输入资源表征网络进行资源表征,得到资源特征信息;接着,基于目标数量个第一对象特征信息、第二对象特征信息和资源特征信息,确定待推荐多媒体资源的资源推荐指标。
在步骤S207中,基于目标多媒体资源,向目标对象进行资源推荐。
在一个可选的实施例中,基于目标多媒体资源,向目标对象进行资源推荐可以包括将目标多媒体资源推荐给目标对象。
在另一个可选的实施例中,推荐系统一般可以分为召回、预排序(粗排)、精排、重排四个阶段。可选的,目标多媒体资源可以作为预排序阶段的输出;相应的,可以将目标多媒体资源传输至精排阶段对应的处理模块,以进一步进行多媒体资源的筛选。
由以上本说明书实施例提供的技术方案可见,本说明书中,在接收到目标对象的多媒体资源获取请求后,结合目标对象的目标对象属性和历史时间段内推荐给目标对象的历史多媒体资源中,属于目标数量个目标资源类别信息的多媒体资源对应的历史操作序列信息,来进行对象表征,可以更好的提升得到的对象特征信息对目标对象兴趣喜好的表征精准性,且由于历史操作序列信息是结合目标数量个对象偏好的目标资源类别信息从对象历史操作关联信息中提取的,可以使得对象特征粒度归约到了资源类别,将引入历史操作序列信息后的对象表征处理的运算次数简化到了类别次数,可以有效保证对象表征处理的处理效率;且结合待推荐多媒体资源的资源特征信息和目标数量个能够表征对象行为喜好的第一对象特征信息,从待推荐多媒体资源中,确定用于进行推荐处理的目标多媒体资源,可以更好的捕捉到对象兴趣偏好,提升推荐系统中推荐精准性和推荐效果,减少无效多媒体资源推荐带来的系统资源浪费,提升系统性能。
图8是根据一示例性实施例示出的一种对象表征网络的生成方法的流程图,如图8所示,该对象表征网络用于终端、服务器等电子设备中,包括以下步骤。
在步骤S801中,获取样本对象的样本对象属性、目标数量个样本操作序列信息、目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息。
在步骤S803中,将样本对象属性、目标数量个样本操作序列信息和目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到目标数量个样本资源类别信息对应的目标数量个样本对象特征信息;
在步骤S805中,根据目标数量个样本对象特征信息和样本资源特征信息,确定样本资源推荐指标;
在步骤S807中,基于资源推荐指标,训练待训练对象表征网络,得到对象表征网络。
在一个具体的实施例中,样本对象可以为推荐系统中对多媒体资源执行过预设操作的用户账号。目标数量个样本操作序列信息为样本时间段内推荐给样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;目标数量个样本资源类别信息可以为样本对象偏好的至少一种多媒体资源的类别信息。
在一个具体的实施例中,上述步骤S801至S805的具体步骤细化,可以参见上述步骤S201至S205的具体细化,在此不再赘述。
在一个具体的实施例中,上述基于资源推荐指标,训练待训练对象表征网络,得到对象表征网络可以包括根据资源推荐指标生成第一损失信息;基于第一损失信息更新待训练对象表征网络的网络参数,基于更新后的待训练对象表征网络重复上述对象表征、确定样本资源推荐指标、生成第一损失信息,以及更新网络参数的训练迭代步骤,直至满足第一预设收敛条件,并将满足第一预设收敛条件时对应的待训练对象表征网络作为对象表征网络。
在一个具体的实施例中,资源推荐指标可以包括至少一种任务对应的推荐指标,具体可以结合实际应用需求的不同为不同,例如资源推荐指标可以包括目标对象对多媒体资源的浏览时长,相应的,该浏览时长越长,多媒体资源推荐给目标对象的概率越高;可选的,资源推荐指标可以包括目标对象是否会对多媒体资源执行预设操作(例如点击、点赞等)。相应的,在根据资源推荐指标生成第一损失信息可以的过程中,可以结合业务需求和预设的损失函数确定至少一种任务对应的损失信息。
在一个可选的实施例中,上述满足第一预设收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的,满足第一预设收敛条件也可以为第一损失信息小于指定阈值。本说明书实施例中,预设训练次数和指定阈值可以结合实际应用中对网络的训练速度和精准度预先设置。
在一个可选的实施例中,上述样本多媒体资源的样本资源特征信息包括采用下述方式获取:
获取样本多媒体资源的样本资源属性;
将样本资源属性输入待训练资源表征网络进行资源表征,得到样本资源特征信息;
相应的,上述基于资源推荐指标,训练待训练对象表征网络,得到对象表征网络可以包括:
基于资源推荐指标,训练待训练对象表征网络和待训练资源表征网络,得到对象表征网络和资源表征网络。
在一个具体的实施例中,上述基于资源推荐指标,训练待训练对象表征网络和待训练资源表征网络,得到对象表征网络和资源表征网络可以包括根据资源推荐指标生成第二损失信息;基于第二损失信息更新待训练对象表征网络和待训练资源表征网络的网络参数,基于更新后的待训练对象表征网络和待训练资源表征网络重复上述对象表征、资源表征、确定样本资源推荐指标、生成第二损失信息,以及更新网络参数的训练迭代步骤,直至满足第二预设收敛条件,并将满足第二预设收敛条件时对应的待训练对象表征网络作为对象表征网络,以及将和第二预设收敛条件时对应的待训练资源表征网络作为资源表征网络。
在一个可选的实施例中,上述满足第二预设收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的,满足预设收敛条件也可以为第二损失信息小于指定阈值。本说明书实施例中,预设训练次数和指定阈值可以结合实际应用中对网络的训练速度和精准度预先设置。
上述实施例中,将对象表征网络和资源表征网络联合训练,可以更好的提升训练得到的对象表征网络和资源表征网络各自的特征表征精度,进而可以更好的提升推荐系统中推荐精准性和推荐效果。
本说明书实施例中,在对象表征网络训练过程中,结合样本对象的样本对象属性和与目标数量个样本资源类别信息对应的样本操作序列信息,来进行样本对象表征,可以更好的提升样本对象特征信息对目标对象兴趣偏好的表征精准性,且由于样本操作序列信息是目标数量个样本对象偏好的样本资源类别信息从对象历史操作关联信息中提取的,可以使得训练过程中的对象特征粒度归约到了资源类别,将引入样本操作序列信息后的对象表征处理的运算次数简化到了类别次数,可以有效提升训练过程中对象表征处理的处理效率,进而在提升训练的对象表征网络的表征精度的基础上,大大提升训练效率,提升系统性能。
在一个具体的实施例中,如图9所示,图9是根据一示例性实施例提供的一种推荐系统的示意图。具体的,结合图9,推荐系统可以包括召回模块、粗排模块、资源类别确定模块、历史操作序列存储模块、对象表征服务器、资源推荐预测模块、资源表征服务器和网络存储服务器。具体的,为了提升推荐效率,可以在召回模块进行待推荐多媒体资源召回的同时,进行对象表征处理。具体的,资源类别确定模块可以结合历史操作序列中存储的对象历史操作关联信息,来确定目标对象喜好的目标数量个目标资源类别信息;对象表征服务器结合目标数量个目标资源类别信息对应的历史操作序列信息和网络存储服务器存储的对象表征网络进行对象表征,得到对象特征信息;召回模块可以将召回的待推荐多媒体资源和对象特征信息传输给粗排模块;接着,粗排模块可以调用资源预测模块进行资源推荐指标的预测,具体的,资源表征服务器可以按照预设频率,结合网络存储服务器存储的资源表征网络,不断更新推荐系统中多媒体资源的资源特征信息;相应的,资源预测模块可以从资源表征服务器获取待推荐多媒体资源的资源特征信息;可选的,为了提升系统性能,资源表征服务器可以将待推荐多媒体资源的资源特征信息,通过消息队列传输给资源推荐预测模块;进一步的,资源推荐预测模块可以结合待推荐多媒体资源的资源特征信息和对象特征信息,确定资源推荐指标,并结合资源推荐指标确出目标多媒体资源。
相应的,上述响应于目标对象的多媒体资源获取请求包括:
在接收到多媒体资源获取请求的情况下,并行触发待推荐多媒体资源对应的召回指令和目标对象对应的对象表征指令;
在一个具体的实施例中,上述召回指令可以用于指示召回待推荐多媒体资源,上述对象表征指令可以用于指示执行目标对象对应的对象表征处理。
上述实施例中,在接收到多媒体资源获取请求的情况下,并行执行多待推荐媒体资源的召回操作和对象表征处理的操作,可以大大降低推荐处理耗时,提升推荐处理的效率。
图10是根据一示例性实施例示出的一种多媒体资源推荐装置框图。参照图10,该装置包括:
数据获取模块1010,被配置为执行响应于目标对象的多媒体资源获取请求,获取目标对象的目标对象属性、目标数量个历史操作序列信息、目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息,目标数量个历史操作序列信息为历史时间段内推荐给目标对象的历史多媒体资源中,属于目标数量个目标资源类别信息的多媒体资源对应的操作关联信息;
第一对象表征模块1020,被配置为执行将目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到目标数量个目标资源类别信息对应的目标数量个第一对象特征信息;
目标多媒体资源确定模块1030,被配置为执行根据目标数量个第一对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源;
资源推荐模块1040,被配置为执行基于目标多媒体资源,向目标对象进行资源推荐。
在一个可选的实施例中,对象表征网络包括:对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络;
第一对象表征模块1020包括:
特征提取处理单元,被配置为执行基于对象特征提取网络,对目标对象属性、目标数量个历史操作序列信息和目标数量个目标资源类别信息进行特征提取处理,得到目标数量个序列特征信息和目标数量个类别对象特征信息,目标数量个类别对象特征信息为目标对象属性分别与目标数量个目标资源类别信息对应的特征信息;
特征交叉处理单元,被配置为执行基于特征交叉处理网络,对目标数量个序列特征信息和目标数量个类别对象特征信息进行特征交叉处理,得到目标数量个交叉特征信息;
拼接处理单元,被配置为执行基于拼接网络对目标数量个交叉特征信息和目标数量个类别对象特征信息进行拼接处理,得到目标数量个拼接特征信息;
融合处理单元,被配置为执行基于特征融合网络对目标数量个拼接特征信息分别进行融合处理,得到目标数量个第一对象特征信息。
在一个可选的实施例中,对象特征提取网络包括第一特征提取网络和第二特征提取网络;
特征提取处理单元包括:
第一特征提取处理子单元,被配置为执行将目标对象属性分别与目标数量个目标资源类别信息输入第一特征提取网络进行特征提取处理,得到目标数量个类别对象特征信息;
第二特征提取处理子单元,被配置为执行将目标数量个历史操作序列信息输入第二特征提取网络进行特征提取处理,得到目标数量个序列特征信息。
在一个可选的实施例中,目标多媒体资源确定模块1030包括:
第一资源类别信息确定单元,被配置为执行确定待推荐多媒体资源的资源类别信息;
初选多媒体资源确定单元,被配置为执行将资源类别信息包含在目标数量个目标资源类别信息中的待推荐多媒体资源,作为初选多媒体资源;
第一资源推荐指标确定单元,被配置为执行根据初选多媒体资源的资源特征信息和初选多媒体资源的资源类别信息对应的第一对象特征信息,确定初选多媒体资源的资源推荐指标;
第一目标多媒体资源确定单元,被配置为执行基于资源推荐指标,从初选多媒体资源中,确定目标多媒体资源。
在一个可选的实施例中,对象表征网络包括基础对象表征网络;上述装置还包括:
第二对象表征网络,被配置为执行将目标对象属性输入基础对象表征网络进行对象表征,得到第二对象特征信息;
目标多媒体资源确定模块1030还被配置为执行:根据目标数量个第一对象特征信息、第二对象特征信息和资源特征信息,从待推荐多媒体资源中,确定目标多媒体资源。
在一个可选的实施例中,待推荐多媒体资源包括多个多媒体资源;目标多媒体资源确定模块1030包括:
第二资源类别信息确定单元,被配置为执行确定多个多媒体资源的资源类别信息;
第二资源推荐指标确定单元,被配置为执行在任一多媒体资源的资源类别信息包含在目标数量个目标资源类别信息的情况下,根据第一多媒体资源的资源特征信息和第一多媒体资源的资源类别信息对应的第一对象特征信息,确定第一多媒体资源的资源推荐指标;第一多媒体资源为待推荐多媒体资中资源类别信息包含在目标数量个目标资源类别信息的多媒体资源;
第三资源推荐指标确定单元,被配置为执行在任一多媒体资源的资源类别信息未包含在目标数量个目标资源类别信息的情况下,根据第二多媒体资源的资源特征信息和第二对象特征信息,确定第二多媒体资源的资源推荐指标;第二多媒体资源为待推荐多媒体资中资源类别信息未包含在目标数量个目标资源类别信息的多媒体资源;
第二目标多媒体资源确定单元,被配置为执行基于第一多媒体资源的资源推荐指标和第二多媒体资源的资源推荐指标,从待推荐多媒体资源中,确定目标多媒体资源。
在一个可选的实施例中,数据获取模块1010包括:
资源数据获取单元,被配置为执行确定历史多媒体资源所属的预设数量个资源类别信息和预设数量个资源类别信息对应的资源数量;
目标资源类别信息确定单元,被配置为执行基于资源数量,从预设数量个资源类别信息中,确定目标数量个目标资源类别信息;
历史操作序列信息生成单元,被配置为执行基于历史多媒体资源中,目标数量个目标资源类别信息对应多媒体资源的操作关联信息,生成目标数量个历史操作序列信息。
在一个可选的实施例中,数据获取模块1010包括:
目标资源属性获取单元,被配置为执行获取待推荐多媒体资源的目标资源属性;
资源表征单元,被配置为执行将目标资源属性输入资源表征网络进行资源表征,得到待推荐多媒体资源的资源特征信息。
在一个可选的实施例中,数据获取模块1010还被配置为执行:并行触发待推荐多媒体资源对应的召回指令和目标对象对应的对象表征指令;
其中,召回指令用于指示召回待推荐多媒体资源,对象表征指令用于指示执行目标对象对应的对象表征处理。
图11是根据一示例性实施例示出的一种对象表征网络的生成装置框图。参照图11,该装置包括:
样本数据获取模块1110,被配置为执行获取样本对象的样本对象属性、目标数量个样本操作序列信息、目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息,目标数量个样本操作序列信息为样本时间段内推荐给样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;
第三对象表征模块1120,被配置为执行将样本对象属性、目标数量个样本操作序列信息和目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到目标数量个样本资源类别信息对应的目标数量个样本对象特征信息;
样本资源推荐指标确定模块1130,被配置为执行根据目标数量个样本对象特征信息和样本资源特征信息,确定样本资源推荐指标;
网络训练模块1140,被配置为执行基于资源推荐指标,训练待训练对象表征网络,得到对象表征网络。
在一个可选的实施例中,样本数据获取模块1110包括:
样本资源属性获取单元,被配置为执行获取样本多媒体资源的样本资源属性;
资源表征单元,被配置为执行将样本资源属性输入待训练资源表征网络进行资源表征,得到样本资源特征信息;
网络训练模块还被配置为执行:基于资源推荐指标,训练待训练对象表征网络和待训练资源表征网络,得到对象表征网络和资源表征网络。
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12是根据一示例性实施例示出的一种用于多媒体资源推荐或对象表征网络的生成的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图12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资源推荐方法或对象表征网络的生成方法。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。
图13是根据一示例性实施例示出的一种用于多媒体资源推荐或对象表征网络的生成的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图13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对象表征网络的生成方法。
本领域技术人员可以理解,图12或图13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资源推荐方法或对象表征网络的生成方法。
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资源推荐方法或对象表征网络的生成方法。
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资源推荐方法或对象表征网络的生成方法。
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 (10)
1.一种多媒体资源推荐方法,其特征在于,包括:
响应于目标对象的多媒体资源获取请求,获取所述目标对象的目标对象属性、目标数量个历史操作序列信息、所述目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息,所述目标数量个历史操作序列信息为历史时间段内推荐给所述目标对象的历史多媒体资源中,属于所述目标数量个目标资源类别信息的多媒体资源对应的操作关联信息;
将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息;
根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源;
基于所述目标多媒体资源,向所述目标对象进行资源推荐。
2.根据权利要求1所述的多媒体资源推荐方法,其特征在于,所述对象表征网络包括:对象特征提取网络、特征交叉处理网络、拼接网络和特征融合网络;
所述将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息包括:
基于所述对象特征提取网络,对所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息进行特征提取处理,得到所述目标数量个序列特征信息和所述目标数量个类别对象特征信息,所述目标数量个类别对象特征信息为所述目标对象属性分别与所述目标数量个目标资源类别信息对应的特征信息;
基于所述特征交叉处理网络,对所述目标数量个序列特征信息和所述目标数量个类别对象特征信息进行特征交叉处理,得到所述目标数量个交叉特征信息;
基于所述拼接网络对所述目标数量个交叉特征信息和所述目标数量个类别对象特征信息进行拼接处理,得到所述目标数量个拼接特征信息;
基于所述特征融合网络对所述目标数量个拼接特征信息分别进行融合处理,得到所述目标数量个第一对象特征信息。
3.根据权利要求2所述的多媒体资源推荐方法,其特征在于,所述对象特征提取网络包括第一特征提取网络和第二特征提取网络;
所述基于所述对象特征提取网络,对所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息进行特征提取处理,得到所述目标数量个序列特征信息和所述目标数量个类别对象特征信息包括:
将所述目标对象属性分别与所述目标数量个目标资源类别信息输入所述第一特征提取网络进行特征提取处理,得到所述目标数量个类别对象特征信息;
将所述目标数量个历史操作序列信息输入所述第二特征提取网络进行特征提取处理,得到所述目标数量个序列特征信息。
4.根据权利要求1至3任一所述的多媒体资源推荐方法,其特征在于,所述根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源包括:
确定所述待推荐多媒体资源的资源类别信息;
将资源类别信息包含在所述目标数量个目标资源类别信息中的待推荐多媒体资源,作为初选多媒体资源;
根据所述初选多媒体资源的资源特征信息和所述初选多媒体资源的资源类别信息对应的第一对象特征信息,确定所述初选多媒体资源的资源推荐指标;
基于所述资源推荐指标,从所述初选多媒体资源中,确定所述目标多媒体资源。
5.一种对象表征网络的生成方法,其特征在于,所述方法还包括:
获取样本对象的样本对象属性、目标数量个样本操作序列信息、所述目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息,所述目标数量个样本操作序列信息为样本时间段内推荐给所述样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;
将所述样本对象属性、所述目标数量个样本操作序列信息和所述目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到所述目标数量个样本资源类别信息对应的所述目标数量个样本对象特征信息;
根据所述目标数量个样本对象特征信息和所述样本资源特征信息,确定样本资源推荐指标;
基于所述资源推荐指标,训练所述待训练对象表征网络,得到对象表征网络。
6.一种多媒体资源推荐装置,其特征在于,包括:
数据获取模块,被配置为执行响应于目标对象的多媒体资源获取请求,获取所述目标对象的目标对象属性、目标数量个历史操作序列信息、所述目标数量个目标资源类别信息和待推荐多媒体资源的资源特征信息,所述目标数量个历史操作序列信息为历史时间段内推荐给所述目标对象的历史多媒体资源中,属于所述目标数量个目标资源类别信息的多媒体资源对应的操作关联信息;
第一对象表征模块,被配置为执行将所述目标对象属性、所述目标数量个历史操作序列信息和所述目标数量个目标资源类别信息输入对象表征网络进行对象表征,得到所述目标数量个目标资源类别信息对应的所述目标数量个第一对象特征信息;
目标多媒体资源确定模块,被配置为执行根据所述目标数量个第一对象特征信息和所述资源特征信息,从所述待推荐多媒体资源中,确定目标多媒体资源;
资源推荐模块,被配置为执行基于所述目标多媒体资源,向所述目标对象进行资源推荐。
7.一种对象表征网络的生成装置,其特征在于,所述装置还包括:
样本数据获取模块,被配置为执行获取样本对象的样本对象属性、目标数量个样本操作序列信息、所述目标数量个样本资源类别信息和样本多媒体资源的样本资源特征信息,所述目标数量个样本操作序列信息为样本时间段内推荐给所述样本对象的多媒体资源中,属于所述目标数量个样本资源类别信息的多媒体资源对应的操作关联信息;
第三对象表征模块,被配置为执行将所述样本对象属性、所述目标数量个样本操作序列信息和所述目标数量个样本资源类别信息输入待训练对象表征网络进行对象表征,得到所述目标数量个样本资源类别信息对应的所述目标数量个样本对象特征信息;
样本资源推荐指标确定模块,被配置为执行根据所述目标数量个样本对象特征信息和所述样本资源特征信息,确定样本资源推荐指标;
网络训练模块,被配置为执行基于所述资源推荐指标,训练所述待训练对象表征网络,得到对象表征网络。
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资源推荐方法或如权利要求5所述的对象表征网络的生成方法。
9.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至4中任一项所述的多媒体资源推荐方法或如权利要求5所述的对象表征网络的生成方法。
10.一种计算机程序产品,包括计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至4中任一项所述的多媒体资源推荐方法或如权利要求5所述的对象表征网络的生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579243.1A CN114491093B (zh) | 2021-12-22 | 2021-12-22 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
PCT/CN2022/111130 WO2023115974A1 (zh) | 2021-12-22 | 2022-08-09 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579243.1A CN114491093B (zh) | 2021-12-22 | 2021-12-22 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491093A true CN114491093A (zh) | 2022-05-13 |
CN114491093B CN114491093B (zh) | 2023-03-28 |
Family
ID=81493494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111579243.1A Active CN114491093B (zh) | 2021-12-22 | 2021-12-22 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114491093B (zh) |
WO (1) | WO2023115974A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023115974A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020056000A1 (en) * | 2000-11-08 | 2002-05-09 | Albert Coussement Stefaan Valere | Personal interaction interface for communication-center customers |
CN113420203A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113626719A (zh) * | 2021-10-12 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备、存储介质及计算机程序产品 |
CN113704511A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 多媒体资源的推荐方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843953A (zh) * | 2016-04-12 | 2016-08-10 | 乐视控股(北京)有限公司 | 多媒体推荐方法及装置 |
CN106484777B (zh) * | 2016-09-12 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 一种多媒体数据处理方法以及装置 |
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 |
CN113704509B (zh) * | 2021-07-30 | 2024-01-09 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
CN114491093B (zh) * | 2021-12-22 | 2023-03-28 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
-
2021
- 2021-12-22 CN CN202111579243.1A patent/CN114491093B/zh active Active
-
2022
- 2022-08-09 WO PCT/CN2022/111130 patent/WO2023115974A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020056000A1 (en) * | 2000-11-08 | 2002-05-09 | Albert Coussement Stefaan Valere | Personal interaction interface for communication-center customers |
CN113420203A (zh) * | 2021-05-18 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113704511A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 多媒体资源的推荐方法、装置、电子设备及存储介质 |
CN113626719A (zh) * | 2021-10-12 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备、存储介质及计算机程序产品 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023115974A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐、对象表征网络的生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023115974A1 (zh) | 2023-06-29 |
CN114491093B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9934515B1 (en) | Content recommendation system using a neural network language model | |
CN112330685B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN110139162B (zh) | 媒体内容的共享方法和装置、存储介质、电子装置 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN110233879A (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
CN112883257B (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
CN114461871B (zh) | 推荐模型训练方法、对象推荐方法、装置及存储介质 | |
CN113918738B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114461869B (zh) | 业务特征数据处理方法、装置、电子设备及存储介质 | |
CN115329131A (zh) | 素材标签推荐方法、装置、电子设备及存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN113420203B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN112989179A (zh) | 模型训练、多媒体内容推荐方法和装置 | |
CN114139046B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN116956204A (zh) | 多任务模型的网络结构确定方法、数据预测方法及装置 | |
CN115756821A (zh) | 在线任务处理模型训练、任务处理方法及装置 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN112883256B (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
CN114741540A (zh) | 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质 | |
CN115186173A (zh) | 多媒体资源推送、智能体网络生成方法及装置 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN113868516A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN114021739B (zh) | 业务处理、业务处理模型训练方法、装置及电子设备 | |
CN114048392B (zh) | 多媒体资源推送方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |