CN114625779B - 智慧大屏应用于内容智能推荐的方法、系统和电子设备 - Google Patents

智慧大屏应用于内容智能推荐的方法、系统和电子设备 Download PDF

Info

Publication number
CN114625779B
CN114625779B CN202210215811.8A CN202210215811A CN114625779B CN 114625779 B CN114625779 B CN 114625779B CN 202210215811 A CN202210215811 A CN 202210215811A CN 114625779 B CN114625779 B CN 114625779B
Authority
CN
China
Prior art keywords
vector
similarity
preference
vectors
sequence
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
Application number
CN202210215811.8A
Other languages
English (en)
Other versions
CN114625779A (zh
Inventor
车柯
卢姿萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hezhi Information Technology Co ltd
Original Assignee
Shanghai Hezhi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Hezhi Information Technology Co ltd filed Critical Shanghai Hezhi Information Technology Co ltd
Priority to CN202210215811.8A priority Critical patent/CN114625779B/zh
Publication of CN114625779A publication Critical patent/CN114625779A/zh
Application granted granted Critical
Publication of CN114625779B publication Critical patent/CN114625779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种智慧大屏应用于内容智能推荐的方法、系统和电子设备。所述方法使用基于上下文的编码器模型分别对智慧屏与智能设备的交互数据、智慧屏与用户的交互数据以及推荐主题进行基于全局的高维语义编码。然后，通过分别将所述交互数据作为内容，将所述推荐标签作为主题，可以基于内容特征与主题特征之间的相似性来计算偏好因数，从而以所述主题为中介有效地融合两方面的交互数据，提高了所述交互数据在高维特征层面上的融合性。并且，进一步基于偏好因数来计算响应性指数，可以有效地表示所述两方面的交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。这样，能够提高广告或视频内容的推荐的精准度和有效性。

Description

智慧大屏应用于内容智能推荐的方法、系统和电子设备
技术领域
本发明涉及智能家居领域中的智慧大屏，且更为具体地，涉及一种智慧大屏应用于内容智能推荐的方法、系统和电子设备。
背景技术
智慧屏也叫智屏，区别于传统电视产品，智慧屏将承担家庭中的更多角色，不仅是家庭的影音娱乐中心，更是信息共享中心、控制管理中心和多设备交互中心；作为家庭的多设备交互中心，为用户联控家居、联接家人。
相较于传统的屏幕，智慧大屏具有更多的功能，智慧大屏不仅能够与各种智能设备进行交互，还能够直接与用户直接进行交互。因此，基于智慧大屏所采集的数据来进行广告或视频内容的智能推荐有利于提高广告或视频内容的推荐的精准度和有效性。因此，期望一种智慧大屏应用于内容智能推荐的方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧大屏应用于内容智能推荐的方法、系统和电子设备，其使用基于上下文的编码器模型分别对智慧屏与智能设备的交互数据、智慧屏与用户的交互数据以及推荐主题进行基于全局的高维语义编码。然后，通过分别将所述交互数据作为内容，将所述推荐标签作为主题，可以基于内容特征与主题特征之间的相似性来计算偏好因数，从而以所述主题为中介有效地融合两方面的交互数据，提高了所述交互数据在高维特征层面上的融合性。并且，进一步基于偏好因数来计算响应性指数，可以有效地表示所述两方面的交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。这样，能够提高广告或视频内容的推荐的精准度和有效性。
根据本申请的一个方面，提供了一种智慧大屏应用于内容智能推荐的方法，其包括：
获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；
将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；
将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；
对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；
对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；
计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；
计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；
将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量；
将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及
基于所述分类结果对所述智慧屏进行内容推送。
在上述智慧大屏应用于内容智能推荐的方法中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量，包括：使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；将与所述多个第一交互数据对应的多个所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；将与所述多个第二交互数据对应的多个所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
在上述智慧大屏应用于内容智能推荐的方法中，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列，包括：对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的欧式距离或余弦距离以作为所述第一特征向量与所述第三特征向量之间的相似性；其中，对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列，包括：对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间欧式距离或余弦距离作为所述第二特征向量和所述第三特征向量之间的相似性。
在上述智慧大屏应用于内容智能推荐的方法中，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，包括：以如下公式计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的所述第一偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在上述智慧大屏应用于内容智能推荐的方法中，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，包括：以如下公式计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的所述第二偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在上述智慧大屏应用于内容智能推荐的方法中，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量，包括：以如下公式计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的所述第一偏好响应性值；其中，所述公式为：
其中，表示所述第一偏好因数；以如下公式计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的所述第二偏好响应性值；其中，所述公式为：
其中，表示所述第二偏好因数。
在上述智慧大屏应用于内容智能推荐的方法中，将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果，包括：所述分类器以如下公式对所述分类向量进行处理以生成所述分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类向量。
根据本申请的另一方面，提供了一种智慧大屏应用于内容智能推荐的系统，其包括：
交互数据获取单元，用于获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；
第一编码单元，用于将所述交互数据获取单元获得的所述多个第一交互数据和所述交互数据获取单元获得的所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；
第二编码单元，用于将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；
第一相似性向量计算单元，用于对于所述第一编码单元获得的所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述第二编码单元获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；
第二相似性向量计算单元，用于对于所述第一编码单元获得的所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述第二编码单元获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；
偏好因数计算单元，用于计算所述第一相似性向量计算单元获得的所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量计算单元获得的所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；
响应性值计算单元，用于计算所述偏好因数计算单元获得的所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述偏好因数计算单元获得的所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；
分类向量生成单元，用于将所述响应性值计算单元获得的所述第一偏好响应性向量和所述响应性值计算单元获得的所述第二偏好响应性向量进行级联以获得分类向量；
分类单元，用于将所述分类向量生成单元获得的所述分类向量通过以每个所述第二编码单元获得的所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及
推送单元，用于基于所述分类单元获得的所述分类结果对所述智慧屏进行内容推送。
在上述智慧大屏应用于内容智能推荐的系统中，所述第一编码单元，包括：第一嵌入子单元，用于使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；第一转化子单元，用于将与所述多个第一交互数据对应的多个所述第一嵌入子单元获得的所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；第二嵌入子单元，用于使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；第二转化子单元，用于将与所述多个第二交互数据对应的多个所述第二嵌入子单元获得的所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
在上述智慧大屏应用于内容智能推荐的系统中，所述第一相似性向量计算单元，进一步用于：对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的欧式距离或余弦距离以作为所述第一特征向量与所述第三特征向量之间的相似性；所述第二相似性向量计算单元，进一步用于：对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间欧式距离或余弦距离作为所述第二特征向量和所述第三特征向量之间的相似性。
在上述智慧大屏应用于内容智能推荐的系统中，所述偏好因数计算单元，进一步用于：以如下公式计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的所述第一偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在上述智慧大屏应用于内容智能推荐的系统中，所述偏好因数计算单元，进一步用于：以如下公式计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的所述第二偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在上述智慧大屏应用于内容智能推荐的系统中，所述响应性值计算单元，进一步用于：以如下公式计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的所述第一偏好响应性值；
其中，所述公式为：
其中，表示所述第一偏好因数；
以如下公式计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的所述第二偏好响应性值；
其中，所述公式为：
其中，表示所述第二偏好因数。
在上述智慧大屏应用于内容智能推荐的系统中，所述分类单元，进一步用于：所述分类器以如下公式对所述分类向量进行处理以生成所述分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类向量。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智慧大屏应用于内容智能推荐的方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智慧大屏应用于内容智能推荐的方法。
与现有技术相比，本申请提供的智慧大屏应用于内容智能推荐的方法、系统和电子设备，其通过基于上下文的编码器模型分别对智慧屏与智能设备的交互数据，智慧屏与用户的交互数据以及推荐主题进行全局性的高维关联特征提取。这样通过分别将所述交互数据作为内容，将所述推荐标签作为主题，可以基于内容特征与主题特征之间的相似性来计算偏好因数，从而以所述主题为中介有效地融合两方面的交互数据，提高了所述交互数据在高维特征层面上的融合性。并且，进一步基于偏好因数来计算响应性指数，可以有效地表示所述两方面的交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。这样，能够提高广告或视频内容的推荐的精准度和有效性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智慧大屏应用于内容智能推荐的方法的应用场景图；
图2为根据本申请实施例的智慧大屏应用于内容智能推荐的方法的流程图；
图3为根据本申请实施例的智慧大屏应用于内容智能推荐的方法的系统架构示意图；
图4为根据本申请实施例的智慧大屏应用于内容智能推荐的方法中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量的流程图；
图5为根据本申请实施例的智慧大屏应用于内容智能推荐的系统的框图；
图6为根据本申请实施例的智慧大屏应用于内容智能推荐的系统中第一编码单元的框图；
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，相较于传统的屏幕，智慧大屏具有更多的功能，智慧大屏不仅能够与各种智能设备进行交互，还能够直接与用户直接进行交互。因此，基于智慧大屏所采集的数据来进行广告或视频内容的智能推荐有利于提高广告或视频内容的推荐的精准度和有效性。因此，期望一种智慧大屏应用于内容智能推荐的方法。
应可以理解，在本申请的技术方案中，考虑到在使用智慧屏与智能设备的交互数据以及智慧屏与用户的交互数据进行内容推荐时，需要计算以上数据与主题标签之间的相似性，并融合计算结果来获得最终的推荐主题。
基于此，在本申请的技术方案中，首先获取智慧屏与智能设备的每条第一交互数据，该第一交互数据包含交互时间、交互事件（例如投屏事件）、智能设备ID等，将该第一交互数据通过基于上下文的编码器并级联，以获得与多个第一交互数据对应的多个第一特征向量。同样，获得智慧屏与用户的每条第二交互数据，并将该第二交互数据通过基于上下文的编码器并级联，以获得与多个第二交互数据对应的多个第二特征向量。并且，将所有推荐主题输入基于上下文的编码器获得多个第三特征向量。
对于某个第一特征向量，计算其与该多个第三特征向量中的每个第三特征向量的相似性，得到第一相似性特征向量，例如记为，其中/>表示分别与/>个第三特征向量的相似性。同样地，对于某个第二特征向量，计算其与该多个第三特征向量中的每个第三特征向量的相似性，得到第二相似性特征向量，例如记为/>。这样，就可以基于内容特征与主题特征之间的相似性来计算偏好因数，表示为：
其中表示向量的一范数。
然后，对于所有第一特征向量和第二特征向量，例如个第一特征向量和/>个第二特征向量，分别计算上述偏好因数/>，并进一步计算偏好响应性，表示为：
从而得到第一和第二偏好响应性向量和/>，然后再将第一和第二偏好响应性向量级联得到分类向量，并通过以每个第三特征向量作为标签的分类器得到归属于每个标签的分类结果。
应可以理解，通过分别将交互数据作为内容，将推荐标签作为主题，可以基于内容特征与主题特征之间的相似性来计算偏好因数，从而以主题为中介有效地融合两方面的交互数据，提高了交互数据在高维特征层面上的融合性。
并且，进一步基于偏好因数来计算响应性指数，可以有效地表示两方面的交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。
基于此，本申请提出了一种智慧大屏应用于内容智能推荐的方法，其包括：获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量；将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及，基于所述分类结果对所述智慧屏进行内容推送。
图1图示了根据本申请实施例的智慧大屏应用于内容智能推荐的方法的应用场景图。如图1所示，在该应用场景中，首先，从智慧屏芯片（例如，如图1中所示意的H）中获取智慧屏与智能设备（例如，如图1中所示意的T）的多条第一交互数据，以及，所述智慧屏与用户（例如，如图1中所示意的P）的多条第二交互数据，并且获取所有推荐主题。这里，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID，所述智能设备包括但不局限于智能电视、智能电脑等。然后，将获得的所述第一交互数据、所述第二交互数据以及所述所有推荐主题输入至部署有智慧大屏应用于内容智能推荐的算法的服务器中（例如，如图1中所示意的S），其中，所述服务器能够以智慧大屏应用于内容智能推荐的算法对所述第一交互数据、所述第二交互数据以及所述所有推荐主题进行处理，以生成所述分类向量归属于每个标签的分类结果。进而，再基于所述分类结果对所述智慧屏进行内容推送。具体地，基于所述分类结果中的最大值所对应的标签为推送的内容。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了智慧大屏应用于内容智能推荐的方法的流程图。如图2所示，根据本申请实施例的智慧大屏应用于内容智能推荐的方法，包括：S110，获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；S120，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；S130，将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；S140，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；S150，对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；S160，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；S170，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；S180，将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量；S190，将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及，S200，基于所述分类结果对所述智慧屏进行内容推送。
图3图示了根据本申请实施例的智慧大屏应用于内容智能推荐的方法的架构示意图。如图3所示，在所述智慧大屏应用于内容智能推荐的方法的网络架构中，首先，将获得的所述多个第一交互数据（例如，如图3中所示意的P1）和所述多条第二交互数据（例如，如图3中所示意的P2）分别通过包含嵌入层的基于上下文的编码器模型（例如，如图3中所示意的E）以获得与所述多条第一交互数据对应的多个第一特征向量（例如，如图3中所示意的VF1）和与所述多条第二交互数据对应的多个第二特征向量（例如，如图3中所示意的VF2）；接着，将获取的所有推荐主题（例如，如图3中所示意的Q）通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量（例如，如图3中所示意的VF3）；然后，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列（例如，如图3中所示意的V1）；接着，对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列（例如，如图3中所示意的V2）；然后，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列（例如，如图3中所示意的PF1），以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列（例如，如图3中所示意的PF2）；接着，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量（例如，如图3中所示意的VR1），以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量（例如，如图3中所示意的VR2）；然后，将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量（例如，如图3中所示意的VC）；接着，将所述分类向量通过以每个所述第三特征向量作为标签的分类器（例如，如图3中所示意的圈S）以获得所述分类向量归属于每个标签的分类结果；以及，最后，基于所述分类结果对所述智慧屏进行内容推送。
在步骤S110和步骤S120中，获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID，并将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量。如前所述，为了基于智慧屏所采集的数据来进行广告或视频内容的智能推荐，以提高所述广告或视频内容的推荐的精准度和有效性。因此，在本申请的技术方案中，需要在使用智慧屏与智能设备的交互数据以及智慧屏与用户的交互数据进行内容推荐时，计算以上数据与主题标签之间的相似性，并融合计算结果来获得最终的推荐主题。
也就是，具体地，在本申请的技术方案中，首先，从智慧屏芯片中获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据。这里，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID，所述智能设备包括但不局限于智能电视、智能电脑等。然后，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得具有全局性关联信息的多个第一特征向量和多个第二特征向量。
具体地，在本申请实施例中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量的过程，包括：首先，使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量。这样，就能够将所述输入数据转换为便于编码的嵌入向量，再进一步将所述嵌入向量进行级联整合，以便于后续的编码处理。接着，将与所述多个第一交互数据对应的多个所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码。应可以理解，由于基于上下文的编码器模型能够基于上下文对所述输入向量进行编码处理，因此所获得的所述第一特征向量具有全局性的关联信息。然后，使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量。最后，将与所述多个第二交互数据对应的多个所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
图4图示了根据本申请实施例的智慧大屏应用于内容智能推荐的方法中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量的流程图。如图4所示，在本申请实施例中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量，包括：S210，使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；S220，将与所述多个第一交互数据对应的多个所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；S230，使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；S240，将与所述多个第二交互数据对应的多个所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
在步骤S130中，将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量。应可以理解，在本申请的技术方案中，考虑到在使用智慧屏与智能设备的交互数据以及智慧屏与用户的交互数据进行内容推荐时，需要计算以上数据与主题标签之间的相似性，并融合计算结果来获得最终的推荐主题。因此，在本申请的技术方案中，还需要获取所有的推荐主题，并把获得的所述所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得具有全局关联信息的与所述所有推荐主题对应的多个第三特征向量。
在步骤S140和步骤S150中，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列，并对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列。也就是，在本申请的技术方案中，为了使用智慧屏与智能设备的交互数据以及智慧屏与用户的交互数据进行内容准确有效地推荐，进一步对于某个所述第一特征向量，计算其与该所述多个第三特征向量中的每个第三特征向量的相似性，得到第一相似性特征向量，例如记为，其中/>表示分别与/>个所述第三特征向量的相似性。同样地，对于某个所述第二特征向量，计算其与该所述多个第三特征向量中的每个第三特征向量的相似性，得到第二相似性特征向量，例如记为/>。
具体地，在本申请实施例中，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列的过程，包括：对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的欧式距离或余弦距离以作为所述第一特征向量与所述第三特征向量之间的相似性。对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列的过程，包括：对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间欧式距离或余弦距离作为所述第二特征向量和所述第三特征向量之间的相似性。
在步骤S160中，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积。
应可以理解，为了基于智慧屏所采集的数据来进行广告或视频内容的智能推荐，以提高广告或视频内容的推荐的精准度和有效性。在本申请的技术方案中，不仅需要分别计算所述智慧屏与所述智能设备的交互数据以及所述智慧屏与用户的交互数据和主题标签之间的相似性，还需要基于所述内容特征与所述主题特征之间的相似性来计算偏好因数。这样，通过分别将所述交互数据作为内容，将所述推荐标签作为主题，可以基于所述内容特征与所述主题特征之间的相似性来计算偏好因数，从而以所述主题为中介有效地融合两方面的交互数据，提高了所述交互数据在高维特征层面上的融合性。
具体地，在本申请实施例中，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列的过程，包括：以如下公式计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的所述第一偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。/>
同样地，在本申请实施例中，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列的过程，包括：以如下公式计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的所述第二偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在步骤S170中，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量。也就是，在本申请的技术方案中，在得到所述第一偏好因数的序列和所述第二偏好因数的序列后，接着对于所有所述第一特征向量和所述第二特征向量，例如个所述第一特征向量和/>个所述第二特征向量，分别计算所述偏好因数，并进一步计算偏好响应性，从而得到第一和第二偏好响应性向量/>和/>。应可以理解，这样，进一步基于所述偏好因数来计算所述响应性指数，可以有效地表示两方面的所述交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。
具体地，在本申请实施例中，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量的过程，包括：首先，以如下公式计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的所述第一偏好响应性值；其中，所述公式为：
其中，表示所述第一偏好因数。然后，以如下公式计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的所述第二偏好响应性值；其中，所述公式为：
其中，表示所述第二偏好因数。/>
在步骤S180、步骤S190和步骤S200中，将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量，并将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果，再基于所述分类结果对所述智慧屏进行内容推送。也就是，在本申请的技术方案中，进一步将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量。应可以理解，这样可以整合这两方面的所述交互数据特征相对于彼此的响应性特征，从而提高两方面的特征在分类应用中的可协调性，以提高分类的准确性。然后，再将所述分类向量通过以每个所述第三特征向量作为标签的分类器中进行处理，以获得所述分类向量归属于每个标签的分类结果。最后，基于所述分类结果对所述智慧屏进行内容推送。具体地，选择所述分类结果中的最大值所对应的标签为推送的内容。
具体地，在本申请实施例中，将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果的过程，包括：所述分类器以如下公式对所述分类向量进行处理以生成所述分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类向量。
综上，本申请实施例的智慧大屏应用于内容智能推荐的方法被阐明，其通过基于上下文的编码器模型分别对智慧屏与智能设备的交互数据，智慧屏与用户的交互数据以及推荐主题进行全局性的高维关联特征提取。这样通过分别将所述交互数据作为内容，将所述推荐标签作为主题，可以基于内容特征与主题特征之间的相似性来计算偏好因数，从而以所述主题为中介有效地融合两方面的交互数据，提高了所述交互数据在高维特征层面上的融合性。并且，进一步基于偏好因数来计算响应性指数，可以有效地表示所述两方面的交互数据特征相对于彼此的响应性特征，以提高两方面的特征在分类应用中的可协调性。这样，能够提高广告或视频内容的推荐的精准度和有效性。
示例性系统
图5图示了根据本申请实施例的智慧大屏应用于内容智能推荐的系统的框图。如图5所示，根据本申请实施例的智慧大屏应用于内容智能推荐的系统500，包括：交互数据获取单元 510，用于获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；第一编码单元 520，用于将所述交互数据获取单元 510获得的所述多个第一交互数据和所述交互数据获取单元 510获得的所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；第二编码单元 530，用于将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；第一相似性向量计算单元540，用于对于所述第一编码单元 520获得的所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述第二编码单元 530获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；第二相似性向量计算单元 550，用于对于所述第一编码单元 520获得的所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述第二编码单元 530获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；偏好因数计算单元 560，用于计算所述第一相似性向量计算单元 540获得的所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量计算单元 550获得的所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；响应性值计算单元 570，用于计算所述偏好因数计算单元 560获得的所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述偏好因数计算单元 560获得的所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；分类向量生成单元 580，用于将所述响应性值计算单元 570获得的所述第一偏好响应性向量和所述响应性值计算单元 570获得的所述第二偏好响应性向量进行级联以获得分类向量；分类单元 590，用于将所述分类向量生成单元 580获得的所述分类向量通过以每个所述第二编码单元 530获得的所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及，推送单元 600，用于基于所述分类单元 590获得的所述分类结果对所述智慧屏进行内容推送。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述第一编码单元 520，包括：第一嵌入子单元 521，用于使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；第一转化子单元 522，用于将与所述多个第一交互数据对应的多个所述第一嵌入子单元521获得的所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；第二嵌入子单元523，用于使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；第二转化子单元 524，用于将与所述多个第二交互数据对应的多个所述第二嵌入子单元 523获得的所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述第一相似性向量计算单元 540，进一步用于：对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的欧式距离或余弦距离以作为所述第一特征向量与所述第三特征向量之间的相似性；所述第二相似性向量计算单元 550，进一步用于：对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间欧式距离或余弦距离作为所述第二特征向量和所述第三特征向量之间的相似性。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述偏好因数计算单元 560，进一步用于：以如下公式计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的所述第一偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述偏好因数计算单元 560，进一步用于：以如下公式计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的所述第二偏好因数，其中，所述公式为：
其中表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述响应性值计算单元 570，进一步用于：以如下公式计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的所述第一偏好响应性值；
其中，所述公式为：
其中，表示所述第一偏好因数；
以如下公式计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的所述第二偏好响应性值；
其中，所述公式为：
其中，表示所述第二偏好因数。
在一个示例中，在上述智慧大屏应用于内容智能推荐的系统 500中，所述分类单元 590，进一步用于：所述分类器以如下公式对所述分类向量进行处理以生成所述分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到/>为偏置向量，/>为分类向量。
这里，本领域技术人员可以理解，上述智慧大屏应用于内容智能推荐的系统 500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的智慧大屏应用于内容智能推荐的方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的智慧大屏应用于内容智能推荐的系统 500可以实现在各种终端设备中，例如智慧大屏应用于内容智能推荐的算法的服务器等。在一个示例中，根据本申请实施例的智慧大屏应用于内容智能推荐的系统 500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智慧大屏应用于内容智能推荐的系统 500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智慧大屏应用于内容智能推荐的系统 500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智慧大屏应用于内容智能推荐的系统 500与该终端设备也可以是分立的设备，并且该智慧大屏应用于内容智能推荐的系统 500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智慧大屏应用于内容智能推荐的方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一相似性向量、第一偏好因数等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果、推送内容等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智慧大屏应用于内容智能推荐的方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的智慧大屏应用于内容智能推荐的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种智慧大屏应用于内容智能推荐的方法，其特征在于，包括：
获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；
将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；
将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；
对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；
对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；
计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；
计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；
将所述第一偏好响应性向量和所述第二偏好响应性向量进行级联以获得分类向量；
将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及
基于所述分类结果对所述智慧屏进行内容推送；
其中，将所述多个第一交互数据和所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量，包括：
使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；
将与所述多个第一交互数据对应的多个所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；
使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；
将与所述多个第二交互数据对应的多个所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码；
其中，对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列，包括：对于所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述多个第三特征向量中每个第三特征向量之间的欧式距离或余弦距离以作为所述第一特征向量与所述第三特征向量之间的相似性；
其中，对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列，包括：对于所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述多个第三特征向量中每个第三特征向量之间欧式距离或余弦距离作为所述第二特征向量和所述第三特征向量之间的相似性。
2.根据权利要求1所述的智慧大屏应用于内容智能推荐的方法，其中，计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，包括：
以如下公式计算所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量的序列中各个第二相似性向量的所述第一偏好因数，其中，所述公式为：
其中/>表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
3.根据权利要求2所述的智慧大屏应用于内容智能推荐的方法，其中，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，包括：
以如下公式计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的所述第二偏好因数，其中，所述公式为：
其中/>表示向量的一范数，/>表示所述第一相似性向量，/>表示所述第二相似性向量。
4.根据权利要求3所述的智慧大屏应用于内容智能推荐的方法，其中，计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量，包括：
以如下公式计算所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的所述第一偏好响应性值；
其中，所述公式为：
其中，/>表示所述第一偏好因数；
以如下公式计算所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的所述第二偏好响应性值；
其中，所述公式为：
其中，/>表示所述第二偏好因数。
5.根据权利要求4所述的智慧大屏应用于内容智能推荐的方法，其中，将所述分类向量通过以每个所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果，包括：
所述分类器以如下公式对所述分类向量进行处理以生成所述分类结果，其中，所述公式为：，其中，/>到/>为权重矩阵，/>到为偏置向量，/>为分类向量。
6.一种智慧大屏应用于内容智能推荐的系统，用于实现如权利要求1所述的智慧大屏应用于内容智能推荐的方法，其特征在于，包括：
交互数据获取单元，用于获取智慧屏与智能设备的多条第一交互数据，以及，所述智慧屏与用户的多条第二交互数据，其中，所述第一交互数据包括交互时间、交互事件和智能设备ID，所述第二交互数据包括交互时间、交互事件和用户ID；
第一编码单元，用于将所述交互数据获取单元获得的所述多个第一交互数据和所述交互数据获取单元获得的所述多条第二交互数据分别通过包含嵌入层的基于上下文的编码器模型以获得与所述多条第一交互数据对应的多个第一特征向量和与所述多条第二交互数据对应的多个第二特征向量；
第二编码单元，用于将获取的所有推荐主题通过所述包含嵌入层的基于上下文的编码器模型以获得与所述所有推荐主题对应的多个第三特征向量；
第一相似性向量计算单元，用于对于所述第一编码单元获得的所述多个第一特征向量，分别计算所述多个第一特征向量中各个第一特征向量相对于所述第二编码单元获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第一特征向量的第一相似性向量，以获得对应于所述多个第一特征向量的第一相似性向量的序列；
第二相似性向量计算单元，用于对于所述第一编码单元获得的所述多个第二特征向量，分别计算所述多个第二特征向量中各个第二特征向量相对于所述第二编码单元获得的所述多个第三特征向量中每个第三特征向量之间的相似性以获得对应于各个所述第二特征向量的第二相似性向量，以获得对应于所述多个第二特征向量的第二相似性向量的序列；
偏好因数计算单元，用于计算所述第一相似性向量计算单元获得的所述第一相似性向量的序列中各个第一相似性向量相对于所述第二相似性向量计算单元获得的所述第二相似性向量的序列中各个第二相似性向量的第一偏好因数以获得第一偏好因数的序列，以及，计算所述第二相似性向量的序列中各个第二相似性向量相对于所述第一相似性向量的序列中各个第一相似性向量的第二偏好因数以获得第二偏好因数的序列，其中，所述第一偏好因数为所述第一相似性向量与所述第二相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积，所述第二偏好因数为所述第二相似性向量与所述第一相似性向量的转置的乘积除以所述第一相似性向量的一范数与所述第二相似性向量的一范数的乘积；
响应性值计算单元，用于计算所述偏好因数计算单元获得的所述第一偏好因数的序列中各个第一偏好因数相对于所述第一偏好因数的序列的整体的第一偏好响应性值以获得由多个所述第一偏好响应性值组成的第一偏好响应性向量，以及，计算所述偏好因数计算单元获得的所述第二偏好因数的序列中各个第二偏好因数相对于所述第二偏好因数的序列的整体的第二偏好响应性值以获得由多个所述第二偏好响应性值组成的第二偏好响应性向量；
分类向量生成单元，用于将所述响应性值计算单元获得的所述第一偏好响应性向量和所述响应性值计算单元获得的所述第二偏好响应性向量进行级联以获得分类向量；
分类单元，用于将所述分类向量生成单元获得的所述分类向量通过以每个所述第二编码单元获得的所述第三特征向量作为标签的分类器以获得所述分类向量归属于每个标签的分类结果；以及
推送单元，用于基于所述分类单元获得的所述分类结果对所述智慧屏进行内容推送。
7.根据权利要求6所述的智慧大屏应用于内容智能推荐的系统，其中，所述第一编码单元，包括：
第一嵌入子单元，用于使用所述编码器模型的嵌入层分别将所述第一交互数据中各个数据项转化为第一嵌入向量以获得多个第一嵌入向量，并将所述多个第一嵌入向量进行级联以获得对应于各个所述第一交互数据的第一输入向量；
第一转化子单元，用于将与所述多个第一交互数据对应的多个所述第一嵌入子单元获得的所述第一输入向量通过所述编码器模型的转化器以获得所述多个第一特征向量，其中，所述转化器用于对多个所述第一输入向量进行基于全局的上下文语义编码；
第二嵌入子单元，用于使用所述编码器模型的嵌入层分别将所述第二交互数据中各个数据项转化为第二嵌入向量以获得多个第二嵌入向量，并将所述多个第二嵌入向量进行级联以获得对应于各个所述第二交互数据的第二输入向量；
第二转化子单元，用于将与所述多个第二交互数据对应的多个所述第二嵌入子单元获得的所述第二输入向量通过所述编码器模型的转化器以获得所述多个第二特征向量，其中，所述转化器用于对多个所述第二输入向量进行基于全局的上下文语义编码。
8.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的智慧大屏应用于内容智能推荐的方法。
CN202210215811.8A 2022-03-07 2022-03-07 智慧大屏应用于内容智能推荐的方法、系统和电子设备 Active CN114625779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210215811.8A CN114625779B (zh) 2022-03-07 2022-03-07 智慧大屏应用于内容智能推荐的方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210215811.8A CN114625779B (zh) 2022-03-07 2022-03-07 智慧大屏应用于内容智能推荐的方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN114625779A CN114625779A (zh) 2022-06-14
CN114625779B true CN114625779B (zh) 2024-04-26

Family

ID=81900897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210215811.8A Active CN114625779B (zh) 2022-03-07 2022-03-07 智慧大屏应用于内容智能推荐的方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN114625779B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522474A (zh) * 2018-10-19 2019-03-26 上海交通大学 基于交互序列数据挖掘深度用户相似性的推荐方法
CN110555135A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN112685637A (zh) * 2020-12-30 2021-04-20 青岛海信智慧生活科技股份有限公司 一种智能设备的智能交互方法及智能设备
CN112861012A (zh) * 2021-03-09 2021-05-28 河南工业大学 基于上下文和用户长短期偏好自适应学习的推荐方法及装置
CN114118216A (zh) * 2021-10-28 2022-03-01 上海玉契通讯有限公司 智能调节接收条件的数据接收方法、系统和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11948095B2 (en) * 2019-11-21 2024-04-02 Adobe Inc. Method and system for recommending digital content
US11615714B2 (en) * 2020-04-30 2023-03-28 Kyndryl, Inc. Adaptive learning in smart products based on context and learner preference modes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555135A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN109522474A (zh) * 2018-10-19 2019-03-26 上海交通大学 基于交互序列数据挖掘深度用户相似性的推荐方法
CN112685637A (zh) * 2020-12-30 2021-04-20 青岛海信智慧生活科技股份有限公司 一种智能设备的智能交互方法及智能设备
CN112861012A (zh) * 2021-03-09 2021-05-28 河南工业大学 基于上下文和用户长短期偏好自适应学习的推荐方法及装置
CN114118216A (zh) * 2021-10-28 2022-03-01 上海玉契通讯有限公司 智能调节接收条件的数据接收方法、系统和电子设备

Also Published As

Publication number Publication date
CN114625779A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN113762322B (zh) 基于多模态表示的视频分类方法、装置和设备及存储介质
CN110956018B (zh) 文本处理模型的训练方法、文本处理方法、装置及存储介质
CN114647198B (zh) 基于物联网的智能家居控制方法、系统和电子设备
CN113627447B (zh) 标签识别方法、装置、计算机设备、存储介质及程序产品
JP2023545543A (ja) 情報生成方法、装置、コンピュータ機器、記憶媒体及びコンピュータプログラム
CN114677185B (zh) 智慧大屏广告智能推荐系统及其推荐方法
CN109660865B (zh) 为视频自动打视频标签的方法及装置、介质和电子设备
WO2023159763A1 (zh) 模型的训练方法和装置、文本摘要生成方法和装置、设备
CN114676234A (zh) 一种模型训练方法及相关设备
JP7337172B2 (ja) 音声パケット推薦方法、装置、電子機器およびプログラム
CN116050496A (zh) 图片描述信息生成模型的确定方法及装置、介质、设备
CN116246213B (zh) 数据处理方法、装置、设备以及介质
CN114339450A (zh) 视频评论生成方法、系统、设备及存储介质
CN117635275B (zh) 基于大数据的智能电商运营商品管理平台及方法
CN112800339B (zh) 信息流搜索方法、装置及设备
CN117234369B (zh) 数字人交互方法及系统、计算机可读存储介质、数字人设备
CN114625779B (zh) 智慧大屏应用于内容智能推荐的方法、系统和电子设备
CN113065027A (zh) 视频推荐的方法、装置、电子设备和存储介质
Agughalam et al. Bidirectional LSTM approach to image captioning with scene features
CN113297452A (zh) 多级检索方法、多级检索装置及电子设备
CN114726870A (zh) 基于可视化拖拽的混合云资源编排方法、系统和电子设备
US10910014B2 (en) Method and apparatus for generating video
CN113722475A (zh) 基于云存储的文件操作方法、系统和电子设备
TWI817921B (zh) 模型建模指令生成方法及其系統
CN110909541A (zh) 指令生成方法、系统、设备和介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220829

Address after: Room C12, North District, Building 8, No. 619, Longchang Road, Huangpu District, Shanghai, 200000

Applicant after: SHANGHAI HEZHI INFORMATION TECHNOLOGY CO.,LTD.

Address before: 518000 room 1206, tefa information technology building, No. 3, Qiongyu Road, Yuehai street, Nanshan District, Shenzhen, Guangdong Province

Applicant before: Shenzhen hurui Technology Co.,Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: Room C12, North District, Building 8, No. 619, Longchang Road, Yangpu District, Shanghai, 200000

Applicant after: SHANGHAI HEZHI INFORMATION TECHNOLOGY CO.,LTD.

Address before: Room C12, North District, Building 8, No. 619, Longchang Road, Huangpu District, Shanghai, 200000

Applicant before: SHANGHAI HEZHI INFORMATION TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant