CN115438203A - 多媒体资源的推荐方法及装置 - Google Patents
多媒体资源的推荐方法及装置 Download PDFInfo
- Publication number
- CN115438203A CN115438203A CN202211241611.6A CN202211241611A CN115438203A CN 115438203 A CN115438203 A CN 115438203A CN 202211241611 A CN202211241611 A CN 202211241611A CN 115438203 A CN115438203 A CN 115438203A
- Authority
- CN
- China
- Prior art keywords
- account
- multimedia resource
- resource
- similarity
- target multimedia
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种多媒体资源的推荐方法及装置。该多媒体资源的推荐方法包括:获取至少一个目标多媒体资源,其中,至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件;从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;将待推荐的多媒体资源,推荐给当前账户。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种多媒体资源的推荐方法及装置。
背景技术
随着推荐技术、人工智能技术的兴起,针对多媒体资源(如短视频,资讯等)的推荐越来越普遍。目前,多媒体资源的投放量非常大,所以在投放过程中会有部分多媒体资源在推荐过程中推送效率较差,导致这部分多媒体资源的利用率较低。
发明内容
本公开提供一种多媒体资源的推荐方法及装置,以至少解决相关技术中部分多媒体资源在推荐过程中推送效率较差,导致这部分多媒体资源的利用率较低的问题。
根据本公开实施例的第一方面,提供一种多媒体资源的推荐方法,包括:获取至少一个目标多媒体资源,其中,至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件;从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;将待推荐的多媒体资源,推荐给当前账户。
可选地,从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源,包括:获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度;基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。
可选地,在获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度之前,还包括:将当前账户加入预定账户集合,其中,预定账户集合中所有账户均与预定账户相关联,预定账户是多媒体资源的发布者的账户;获取当前账户的账户信息,其中,当前账户的账户信息包括预定账户的账户信息。
可选地,获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度,包括:将当前账户的账户信息和至少一个目标多媒体资源的资源信息输入到深度神经网络模型中,得到当前账户对应的第一嵌入向量和至少一个目标多媒体资源对应的至少一个第二嵌入向量;获取第一嵌入向量分别与每个第二嵌入向量的相似度,作为当前账户的账户信息分别与至少一个目标多媒体资源的资源信息的相似度。
可选地,深度神经网络模型通过如下方式进行训练:获取正样本和负样本,其中,正样本包括样本账户的账户信息、与样本账户有过交互的一个多媒体资源的资源信息,负样本包括样本账户的账户信息、与样本账户没有交互的一个多媒体资源的资源信息;将正样本和负样本分别输入到深度神经网络模型中,得到正样本中样本账户对应的第一嵌入向量和与样本账户有过交互的一个多媒体资源对应的第二嵌入向量、负样本中样本账户对应的第一嵌入向量和与样本账户没有交互的一个多媒体资源对应的第二嵌入向量;获取正样本对应的第一嵌入向量和第二嵌入向量之间的第一相似度,负样本对应的第一嵌入向量和第二嵌入向量之间的第二相似度;通过最大化第一相似度、最小化第二相似度的方式,调整深度神经网络模型的参数,对深度神经网络模型进行训练。
可选地,基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源,包括:将至少一个目标多媒体资源中相似度大小靠前的第一预定个数的目标多媒体资源,确定为与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。
可选地,从与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源,包括:基于多媒体资源的回报资源,确定被推荐次数满足第二预设次数条件的多媒体资源中每个多媒体资源的回报参数,其中,回报参数用于指示每个多媒体资源对各自发布者的重要程度,回报资源基于每个多媒体资源各自的被推荐次数确定;基于多媒体资源的回报资源和增值系数,确定与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源中每个多媒体资源的回报参数;将与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中,回报参数大小靠前的第二预定个数的多媒体资源,作为待推荐的多媒体资源。
可选地,针对至少一个目标多媒体资源,调整第一预定个数和/或增值系数,重新选择出待推荐的多媒体资源并将待推荐的多媒体资源推荐给当前账户,直至至少一个目标多媒体资源的数量小于预设值。
根据本公开实施例的第二方面,提供一种多媒体资源的推荐装置,包括:第一获取单元,被配置为获取至少一个目标多媒体资源,其中,至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件;第二获取单元,被配置为从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;选择单元,被配置为从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;推荐单元,被配置为将待推荐的多媒体资源,推荐给当前账户。
可选地,第二获取单元,还被配置为获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度;基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足所述预设条件的目标多媒体资源。
可选地,第二获取单元,还被配置为在获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度之前,将当前账户加入预定账户集合,其中,预定账户集合中所有账户均与预定账户相关联,预定账户是多媒体资源的发布者的账户;获取当前账户的账户信息,其中,当前账户的账户信息包括预定账户的账户信息。
可选地,第二获取单元,还被配置为将当前账户的账户信息和至少一个目标多媒体资源的资源信息输入到深度神经网络模型中,得到当前账户对应的第一嵌入向量和至少一个目标多媒体资源对应的至少一个第二嵌入向量;获取第一嵌入向量分别与每个第二嵌入向量的相似度,作为当前账户的账户信息分别与至少一个目标多媒体资源的资源信息的相似度。
可选地,深度神经网络模型通过如下方式进行训练:获取正样本和负样本,其中,正样本包括样本账户的账户信息、与样本账户有过交互的一个多媒体资源的资源信息,负样本包括样本账户的账户信息、与样本账户没有交互的一个多媒体资源的资源信息;将正样本和负样本分别输入到深度神经网络模型中,得到正样本中样本账户对应的第一嵌入向量和与样本账户有过交互的一个多媒体资源对应的第二嵌入向量、负样本中样本账户对应的第一嵌入向量和与样本账户没有交互的一个多媒体资源对应的第二嵌入向量;获取正样本对应的第一嵌入向量和第二嵌入向量之间的第一相似度,负样本对应的第一嵌入向量和第二嵌入向量之间的第二相似度;通过最大化第一相似度、最小化第二相似度的方式,调整深度神经网络模型的参数,对深度神经网络模型进行训练。
可选地,第二获取单元,还被配置为将至少一个目标多媒体资源中相似度大小靠前的第一预定个数的目标多媒体资源,确定为与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。
可选地,选择单元,还被配置为基于多媒体资源的回报资源,确定被推荐次数满足第二预设次数条件的多媒体资源中每个多媒体资源的回报参数,其中,回报参数用于指示每个多媒体资源对各自发布者的重要程度,回报资源基于每个多媒体资源各自的被推荐次数确定;基于多媒体资源的回报资源和增值系数,确定与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源中每个多媒体资源的回报参数;将与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中,回报参数大小靠前的第二预定个数的多媒体资源,作为待推荐的多媒体资源。
可选地,上述装置还包括:调整单元,被配置针对至少一个目标多媒体资源,调整第一预定个数和/或增值系数,重新选择出待推荐的多媒体资源并将待推荐的多媒体资源推荐给当前账户,直至至少一个目标多媒体资源的数量小于预设值。
根据本公开实施例的第三方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现根据本公开的多媒体资源的推荐方法。
根据本公开实施例的第四方面,提供了一种计算机可读存储介质,当计算机可读存储介质中的指令被至少一个处理器运行时,促使至少一个处理器执行如上根据本公开的多媒体资源的推荐方法。
根据本公开实施例的第五方面,提供了一种计算机程序产品,包括计算机指令,计算机指令被处理器执行时实现根据本公开的多媒体资源的推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
根据本公开的多媒体资源的推荐方法及装置,针对在预定时间内的被推荐次数均满足第一预设次数条件的多媒体资源(如推荐概率较低的多媒体资源),也即目标多媒体资源,在用户使用或者查看多媒体资源时,会从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源,也即选择与用户(即当前账户)相关目标多媒体资源;从与当前账户的账户信息的相似程度满足预设条件的所述目标多媒体资源和预先获取的被推荐次数满足第二预设次数的条件的多媒体资源中,选择出待推荐的多媒体资源,相当于将这部分目标多媒体资源与预先获取的被推荐次数满足第二预设次数条件的多媒体资源一起作为待推荐给用户的候选者,提高目标多媒体资源的推荐效率,增加目标多媒体资源的利用率。因此,本公开解决了相关技术中部分多媒体资源在推荐过程中推送的效果较差,导致这部分多媒体资源的利用率较低的问题。
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是示出根据本公开的示例性实施例的多媒体资源的推荐方法的实施场景示意图;
图2是根据一示例性实施例示出的一种多媒体资源的推荐方法的流程图;
图3是根据一示例性实施例示出的一种三层神经网络模型的示意图;
图4是根据一示例性实施例示出的一种多媒体资源冷启动流程的示意图;
图5是根据一示例性实施例示出的一种多媒体资源的推荐装置的框图;
图6是根据本公开实施例的一种电子设备的框图。
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。
在此需要说明的是,在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况:(1)包括A;(2)包括B;(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”,即表示如下三种并列的情况:(1)执行步骤一;(2)执行步骤二;(3)执行步骤一和步骤二。
在整个多媒体资源投放链路中,多媒体资源的冷启动阶段非常重要,若多媒体资源在冷启动中推送效率较差(下面将这部分多媒体资源称为冷启动多媒体资源),不仅导致该多媒体资源的利用率较低,还增加了设备的损耗。
针对上述问题,本公开提供了一种多媒体资源的推荐方法,能够提高冷启动多媒体资源的推荐效率,下面仍以多媒体资源冷启动的场景为例进行说明。
图1是示出根据本公开的示例性实施例的多媒体资源的推荐方法的实施场景示意图,如图1所述,该实施场景包括服务器100、用户终端110和用户终端120,其中,用户终端不限于2个,包括并不限于手机、个人计算机等设备,用户终端可以安装有浏览多媒体资源的应用程序,服务器可以是一个服务器,也可以是若干个服务器组成服务器集群,还可以是云计算平台或虚拟化中心。
首先,在本实施例中,可以定义冷启动多媒体资源为预定时间内被推荐次数小于预设值的多媒体资源,需要说明的是,对于冷启动多媒体资源的定义,本公开并不进行限定。当一个账户通过用户终端110或用户终端120登录应用程序浏览多媒体资源时,用户终端110或用户终端120会先确定出至少一个冷启动多媒体资源(相当于本公开的目标多媒体资源),从至少一个冷启动多媒体资源中,获取与当前账户相关的冷启动多媒体资源,与此同时,召回模型还会为当前账户召回一批多媒体资源,简称为召回多媒体资源(召回多媒体资源一般为非冷启动多媒体资源,但也不排除存在冷启动多媒体资源,相当于本公开预先获取的被推荐次数满足第二预设次数的条件的多媒体资源),然后,将与当前账户相关的冷启动多媒体资源和召回多媒体资源合并在一起,从中选择出待推荐的多媒体资源,并将待推荐的多媒体资源通过用户终端110或用户终端120推荐给当前账户。
下面,将参照附图详细描述根据本公开的示例性实施例的多媒体资源的推荐方法及装置。
图2是根据一示例性实施例示出的一种多媒体资源的推荐方法的流程图,如图2所示,多媒体资源的推荐方法包括以下步骤:
在步骤S201中,获取至少一个目标多媒体资源,其中,至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件。上述第一预设次数条件可以是被推荐次数小于第一预设值,上述预定时间内可以是创建时间后预定时间内,例如,此时可以定义创建时间后预定时间内的多媒体资源为创建了三天的多媒体资源,第一预设次数条件可以是被推荐次数小于预先设定的预设值,对此本公开并不进行限定。一般情况下,本步骤是在账户观看或者浏览多媒体资源时进行,也即,当账户观看或者浏览多媒体资源时,会确定截止当前时间的至少一个目标多媒体资源。
在步骤S202中,从至少一个目标多媒体资源中,获取与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。由于当前账户一般不会对至少一个目标多媒体资源中所有多媒体资源感兴趣,因此,可以选择出与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源,也即与当前账户相关的目标多媒体资源,以和其他多媒体资源(如召回模型召回的多媒体资源)一起作为待推荐给用户的候选者。需要说明的是,一般情况下,在多媒体资源的投放链路中,存在定向召回的召回模型,通过该召回模型可以召回一批多媒体资源,但是这一批多媒体资源多数都不是目标多媒体资源,而是被推荐次数都不错的多媒体资源,也就是本公开中的预先获取的被推荐次数满足第二预设次数条件的多媒体资源,因此,通过召回模型很难召回目标多媒体资源,导致目标多媒体资源得不到较好的推荐效率,本公开可以专门增加一路召回节点,用来召回目标多媒体资源,也即用来从至少一个目标多媒体资源中,获取与当前账户相关的目标多媒体资源。
根据本公开的示例性实施例,可以通过如下方式从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源:获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度;基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。根据本实施例,通过账户信息和每个目标多媒体资源的资源信息之间的相似度,可以从多个目标多媒体资源中选择出与账户密切相关的目标多媒体资源,提高满足条件的目标多媒体资源与其他多媒体资源一起作为待推荐给用户的候选者时被推荐的推荐效率。
上述新增的召回节点可以计算上述账户信息和每个冷启动多媒体资源的资源信息之间的相似度,基于相似度从至少一个冷启动多媒体资源中,选择出与当前账户相关的冷启动多媒体资源。
根据本公开的示例性实施例,在获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度之前,还可以将当前账户加入预定账户集合,其中,预定账户集合中所有账户均与预定账户相关联,预定账户是多媒体资源的发布者的账户;获取当前账户的账户信息,其中,当前账户的账户信息包括预定账户的账户信息。根据本实施例,设定与同一多媒体资源的发布者相关联的预定账户集合,使得里面每个账户的账户信息都包含了预定账户的账户信息,丰富了账户信息,从而可以增加与多媒体资源的相似度的准确性。
例如,仍以多媒体资源冷启动场景为例,多媒体资源发布者可以针对历史发布的多媒体资源的被推荐情况,将一部分账户作为预定账户放在一个组中(也即预定账户集合),并将这一组关联上多媒体资源发布者对应的相关信息。
根据本公开的示例性实施例,可以通过如下方式获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度:将当前账户的账户信息和至少一个目标多媒体资源的资源信息输入到深度神经网络模型中,得到当前账户对应的第一嵌入向量和至少一个目标多媒体资源对应的至少一个第二嵌入向量;获取第一嵌入向量分别与每个第二嵌入向量的相似度,作为当前账户的账户信息分别与至少一个目标多媒体资源的资源信息的相似度。根据本实施例,通过深度学习技术,获取第一嵌入向量和第二嵌入向量,通过该向量可以得到相对准确的相似度,从而可以从多个目标多媒体资源中选择出与当前账户满足预设相关度的目标多媒体资源。
例如,仍以多媒体资源冷启动场景为例,将上述当前账户的账户信息和每个冷启动多媒体资源的资源信息输入到深度神经网络模型中,即可得到当前账户的嵌入向量和每个冷启动多媒体资源的嵌入向量,然后可以利用近似近邻检索方法计算当前账户的嵌入向量和每个冷启动多媒体资源的嵌入向量相似度。需要说明的是,上述当前账户的账户信息和每个冷启动多媒体资源的资源信息在输入到深度神经网络模型之前,可以将其都处理成离散变量,再将离散变量使用初始化随机向量表示,然后作为深度神经网络模型的输入。另外,上述深度神经网络模型可以是三层神经网络模型,如图3所示,但是本公开对此并不进行限定。
根据本公开的示例性实施例,深度神经网络模型通过如下方式进行训练:获取正样本和负样本,其中,正样本包括样本账户的账户信息、与样本账户有过交互的一个多媒体资源的资源信息,负样本包括样本账户的账户信息、与样本账户没有交互的一个多媒体资源的资源信息;将正样本和负样本分别输入到深度神经网络模型中,得到正样本中样本账户对应的第一嵌入向量和与样本账户有过交互的一个多媒体资源对应的第二嵌入向量、负样本中样本账户对应的第一嵌入向量和与样本账户没有交互的一个多媒体资源对应的第二嵌入向量;获取正样本对应的第一嵌入向量和第二嵌入向量之间的第一相似度,负样本对应的第一嵌入向量和第二嵌入向量之间的第二相似度;通过最大化第一相似度、最小化第二相似度的方式,调整深度神经网络模型的参数,对深度神经网络模型进行训练。根据本实施例,通过正负两个样本对深度神经网络模型进行训练,可以训练出相对较好的模型。
根据本公开的示例性实施例,基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源,包括:将至少一个目标多媒体资源中相似度大小靠前的第一预定个数的目标多媒体资源,作为与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。根据本实施例,通过选择相似度较大的目标多媒体资源,可以方便、快速的选出与当前账户较好相关的目标多媒体资源。
例如,仍以多媒体资源冷启动场景为例,在多媒体资源投放链路中,一般存在具有目标的定向的召回模块,本公开可以增加一路召回节点,用来召回冷启动多媒体资源,如每次召回预定数量的冷启动多媒体资源。当一个用户的页面访问请求来临时,计算该用户和所有的冷启动多媒体资源(如随机截断的一定数量的冷启动多媒体资源)的嵌入向量的相似度,选出相似度排在前预定名次的冷启动多媒体资源合并进入召回队列。需要说明的是,这里可以将相似进行排序,从而选择相似度排在前预定名次的冷启动多媒体资源,还可以是设置一个预设阈值,然后选择相似度大于预定阈值的冷启动多媒体资源,此时,冷启动多媒体资源不一定是预定数量,但本公开对此并不进行限定。
返回图2,在步骤S203中,从与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源。如步骤S202所述一般情况下,在多媒体资源的投放链路中,存在定向召回的召回模型,通过该召回模型可以召回一批多媒体资源(也即本公开的预先获取的被推荐次数满足第二预设次数条件的多媒体资源),本公开专门增加了一路召回节点,用来召回目标多媒体资源,这样在选择待推荐的多媒体资源时,是从与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和通过召回模型召回的多媒体资源中选择,不在单一的从召回模型召回的多媒体资源中选择,增加了目标多媒体资源被选择的可能性。
根据本公开的示例性实施例,可以通过如下方式从与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源:基于多媒体资源的回报资源,确定被推荐次数满足第二预设次数条件的多媒体资源中每个多媒体资源的回报参数,其中,回报参数用于指示每个多媒体资源对各自发布者的重要程度,回报资源基于每个多媒体资源各自的被推荐次数确定;基于多媒体资源的回报资源和增值系数,确定与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源中每个多媒体资源的回报参数;将与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中回报参数大小靠前的第二预定个数的多媒体资源,作为待推荐的多媒体资源。根据本实施例,通过增值系数为目标多媒体资源增加一定的重要程度,可以提高与召回模型召回的多媒体资源一起作为待推荐给用户的候选者时被选中的概率。
例如,仍以多媒体资源冷启动场景为例,上述回报参数根据不同业务可以设定不同的含义,如可以设定为多媒体资源每被推荐一次所增加的推荐效率,具体地,回报参数为被推荐次数与作为候选者的预估次数的比值,上述作为候选者的预估次数为多媒体资源达到该被推荐次数需要作为候选者的次数,需要说明的是,对于回报参数、回报资源,本公开并不进行限定。与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源中每个多媒体资源,为了提高一起作为待推荐给用户的候选者时被推荐的推荐效率,可以在回报参数的基础上增加一定的值,如上述实施例中增值系数,该增值系数可以是固定值,也可以是基于多媒体资源的被推荐的推荐效率确定,对此,本公开并不进行限定。然后将与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和通过召回模型召回的多媒体资源(即本公开的被推荐次数满足第二预设次数条件的多媒体资源)的回报参数进行排序,获取排在前一定数量的多媒体资源,作为待推荐的多媒体资源;当然,也可以设置一个预设值,选择回报参数大于该预设值的多媒体资源作为待推荐的多媒体资源,对此,本公开并不进行限定。
在步骤S204中,将待推荐的多媒体资源,推荐给当前账户。例如,当前账户正在浏览网页,则将待推荐的多媒体资源显示在网页上以推荐给当前账户。
根据本公开的示例性实施例,针对至少一个目标多媒体资源,调整第一预定个数和/或增值系数,重新选择出待推荐的多媒体资源并将待推荐的多媒体资源推荐给当前账户,直至至少一个目标多媒体资源的数量小于预设值。根据本实施例,调整第一预定个数和增值系数,直到冷启动成功率达到一定程度,将此时的第一预定个数和增值系数作为最终的取值,用来冷启动,从而可以保证较好的冷启动效果。
例如,仍以多媒体资源冷启动场景为例,可以使用同一批冷启动多媒体资源,反复调整第一预定个数和增值系数进行实验,在这个过程中也可以适应性的调整模型结构,但是该过程并不是必须的,也就是说模型结构也可以不调整,每次调整后都重新计算冷启动成功率变化,额外的还可以一并计算其他核心指标变化,对此本公开并不进行限定,以得到冷启动效果较好的第一预定个数和增值系数。
为了方便理解上述实施例,下面仍以多媒体资源冷启动场景为例,结合图4进行系统的说明,图4是根据一示例性实施例示出的一种多媒体资源冷启动流程的示意图,如图4所示,冷启动多媒体资源(即本公开的目标多媒体资源)的定义仍然可以如上,即冷启动多媒体资源为预定时间内被推荐次数小于预设值的多媒体资源。多媒体资源发布者会针对历史发布的多媒体资源的被推荐情况,将一部分账户作为预定账户放在一个组中(也即预定账户集合),并将这一组关联上多媒体资源发布者对应的相关信息。可以记录该预定账户中每个账户对冷启动多媒体资源的行为,也即用户与多媒体资源的交互特征,作为每个冷启动多媒体资源的资源信息,从每个冷启动多媒体资源的信息和预定账户中每个账户的账户信息中获取正样本和负样本,对三层神经网络模型进行训练。在训练好模型后,当预定账户中任一个账户浏览页面,此时标识有一个页面访问请求来临,将任一账户的账户信息和所有冷启动多媒体资源的资源信息输入到训练好的模型中,得到任一账户的嵌入向量和所有冷启动多媒体资源的嵌入向量的相似度,选出M个的多媒体资源,作为冷启动多媒体资源。同时,定向召回模型还会召回一部分非冷启动多媒体资源,如N个非冷启动多媒体资源。然后,基于各个多媒体资源的回报参数,对这M+N个多媒体资源进行排序选出预估的被推荐的推荐效率较好的多媒体资源,其中,针对M个冷启动多媒体资源,还可以增加一定的值(如本公开的增值系数),增加冷启动多媒体资源的推荐效率,基于此再选出预估的被推荐的推荐效率较好的多媒体资源,将该多媒体资源推荐给任一账户浏览的页面。
需要说明的是,针对另一个多媒体资源发布者也会进行相同的操作,从而所有冷启动多媒体资源的推荐效率都会被提高,也即上面实施例中的多媒体资源发布者的预定账户中没被推荐的冷启动多媒体资源,可能在另一个多媒体资源发布者的预定账户中被推荐。
综上,上述实施例提出一种基于深度学习的定向账户冷启动策略,不但利用预定账户的账户信息,探索完成对多媒体资源的冷启动,还利用深度学习技术,实时训练用户的账户和多媒体资源的嵌入向量,以及利用近似近邻检索方法检索计算相似度,帮助冷启动多媒体资源排序,另外,还可以使用同一批冷启动多媒体资源,反复调整第一预定个数和增值系数进行实验,有效提高冷启动成功率,大大提高多媒体资源投放生命周期和效率。因此,上述策略可以解决在整个多媒体资源投放链路中,多媒体资源的冷启动问题,延长多媒体资源投放的生命周期,提高多媒体资源投放效果。
需要说明的是,本公开所涉及的账户的账户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于推荐的数据、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。
图5是根据一示例性实施例示出的一种多媒体资源的推荐装置的框图。参照图5,该装置包括第一获取单元50、第二获取单元52、选择单元54和推荐单元56。
第一获取单元50,被配置为获取至少一个目标多媒体资源,其中,至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件;第二获取单元52,被配置为从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;选择单元54,被配置为从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;推荐单元56,被配置为将待推荐的多媒体资源,推荐给当前账户。
根据本公开的示例性实施例,第二获取单元52,还被配置为获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度;基于相似度,从至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足所述预设条件的目标多媒体资源。
根据本公开的示例性实施例,第二获取单元52,还被配置为在获取当前账户的账户信息分别与至少一个目标多媒体资源的资源信息之间的相似度之前,将当前账户加入预定账户集合,其中,预定账户集合中所有账户均与预定账户相关联,预定账户是多媒体资源的发布者的账户;获取当前账户的账户信息,其中,当前账户的账户信息包括预定账户的账户信息。
根据本公开的示例性实施例,第二获取单元52,还被配置为将当前账户的账户信息和至少一个目标多媒体资源的资源信息输入到深度神经网络模型中,得到当前账户对应的第一嵌入向量和至少一个目标多媒体资源对应的至少一个第二嵌入向量;获取第一嵌入向量分别与每个第二嵌入向量的相似度,作为当前账户的账户信息分别与至少一个目标多媒体资源的资源信息的相似度。
根据本公开的示例性实施例,深度神经网络模型通过如下方式进行训练:获取正样本和负样本,其中,正样本包括样本账户的账户信息、与样本账户有过交互的一个多媒体资源的资源信息,负样本包括样本账户的账户信息、与样本账户没有交互的一个多媒体资源的资源信息;将正样本和负样本分别输入到深度神经网络模型中,得到正样本中样本账户对应的第一嵌入向量和与样本账户有过交互的一个多媒体资源对应的第二嵌入向量、负样本中样本账户对应的第一嵌入向量和与样本账户没有交互的一个多媒体资源对应的第二嵌入向量;获取正样本对应的第一嵌入向量和第二嵌入向量之间的第一相似度,负样本对应的第一嵌入向量和第二嵌入向量之间的第二相似度;通过最大化第一相似度、最小化第二相似度的方式,调整深度神经网络模型的参数,对深度神经网络模型进行训练。
根据本公开的示例性实施例,第二获取单元52,还被配置为将至少一个目标多媒体资源中相似度大小靠前的第一预定个数的目标多媒体资源,作为与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源。
根据本公开的示例性实施例,选择单元54,还被配置为基于多媒体资源的回报资源,确定被推荐次数满足第二预设次数条件多媒体资源中每个多媒体资源的回报参数,其中,回报参数用于指示每个多媒体资源对各自发布者的重要程度;基于多媒体资源的回报资源和增值系数,确定与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源中每个多媒体资源的回报参数;将与当前账户的账户信息的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中,回报参数大小靠前的第二预定个数的多媒体资源,作为待推荐的多媒体资源。
可选地,上述装置还包括:调整单元58,被配置为针对至少一个目标多媒体资源,调整第一预定个数和/或增值系数,重新选择出待推荐的多媒体资源并将待推荐的多媒体资源推荐给当前账户,直至至少一个目标多媒体资源的数量小于预设值。
根据本公开的实施例,可提供一种电子设备。图6是根据本公开实施例的一种电子设备的框图,该电子设备包括至少一个存储器601和至少一个处理器602,所述至少一个存储器中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器执行时,执行根据本公开实施例的多媒体资源的推荐方法。
作为示例,电子设备600可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里,电子设备1000并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备600还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在电子设备600中,处理器602可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器602还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器602可运行存储在存储器中的指令或代码,其中,存储器601还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器601可与处理器602集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器601可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器601和处理器602可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器602能够读取存储在存储器601中的文件。
此外,电子设备600还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备的所有组件可经由总线和/或网络而彼此连接。
根据本公开的实施例,还可提供一种计算机可读存储介质,其中,当计算机可读存储介质中的指令被至少一个处理器运行时,促使至少一个处理器执行本公开实施例的多媒体资源的推荐方法。这里的计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,此外,在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开实施例,提供了一种计算机程序产品,包括计算机指令,计算机指令被处理器执行时实现本公开实施例的多媒体资源的推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开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 (11)
1.一种多媒体资源的推荐方法,其特征在于,包括:
获取至少一个目标多媒体资源,其中,所述至少一个目标多媒体资源在预定时间内的被推荐次数均满足第一预设次数条件;
从所述至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;
从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;
将所述待推荐的多媒体资源,推荐给所述当前账户。
2.如权利要求1所述的推荐方法,其特征在于,所述从所述至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源,包括:
获取所述当前账户的账户信息分别与所述至少一个目标多媒体资源的资源信息之间的相似度;
基于所述相似度,从所述至少一个目标多媒体资源中,获取与所述当前账户的账户信息之间的相似程度满足所述预设条件的目标多媒体资源。
3.如权利要求2所述的推荐方法,其特征在于,在获取所述当前账户的账户信息分别与所述至少一个目标多媒体资源的资源信息之间的相似度之前,还包括:
将所述当前账户加入预定账户集合,其中,所述预定账户集合中所有账户均与预定账户相关联,所述预定账户是多媒体资源的发布者的账户;
获取所述当前账户的账户信息,其中,所述当前账户的账户信息包括所述预定账户的账户信息。
4.如权利要求2所述的推荐方法,其特征在于,所述获取所述当前账户的账户信息分别与所述至少一个目标多媒体资源的资源信息之间的相似度,包括:
将所述当前账户的账户信息和所述至少一个目标多媒体资源的资源信息输入到深度神经网络模型中,得到所述当前账户对应的第一嵌入向量和所述至少一个目标多媒体资源对应的至少一个第二嵌入向量;
获取所述第一嵌入向量分别与每个第二嵌入向量的相似度,作为所述当前账户的账户信息分别与所述至少一个目标多媒体资源的资源信息的相似度。
5.如权利要求4所述的推荐方法,其特征在于,所述深度神经网络模型通过如下方式进行训练:
获取正样本和负样本,其中,所述正样本包括样本账户的账户信息、与所述样本账户有过交互的一个多媒体资源的资源信息,所述负样本包括所述样本账户的账户信息、与所述样本账户没有交互的一个多媒体资源的资源信息;
将所述正样本和所述负样本分别输入到所述深度神经网络模型中,得到所述正样本中样本账户对应的第一嵌入向量和与所述样本账户有过交互的一个多媒体资源对应的第二嵌入向量、所述负样本中所述样本账户对应的第一嵌入向量和与所述样本账户没有交互的一个多媒体资源对应的第二嵌入向量;
获取所述正样本对应的第一嵌入向量和第二嵌入向量之间的第一相似度,所述负样本对应的第一嵌入向量和第二嵌入向量之间的第二相似度;
通过最大化所述第一相似度、最小化所述第二相似度的方式,调整所述深度神经网络模型的参数,对所述深度神经网络模型进行训练。
6.如权利要求2所述的推荐方法,其特征在于,所述基于所述相似度,从所述至少一个目标多媒体资源中,获取与所述当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源,包括:
将所述至少一个目标多媒体资源中所述相似度大小靠前的第一预定个数的目标多媒体资源,确定为与所述当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源。
7.如权利要求1所述的推荐方法,其特征在于,所述从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和预先获取的被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源,包括:
基于多媒体资源的回报资源,确定被推荐次数满足第二预设次数条件的多媒体资源中每个多媒体资源的回报参数,其中,所述回报参数用于指示每个多媒体资源对各自发布者的重要程度,所述回报资源基于每个多媒体资源各自的被推荐次数确定;
基于多媒体资源的回报资源和增值系数,确定与所述当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源中每个多媒体资源的回报参数;
将与所述当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中,所述回报参数大小靠前的第二预定个数的多媒体资源,作为待推荐的多媒体资源。
8.如权利要求6或7所述的推荐方法,其特征在于,还包括:
针对所述至少一个目标多媒体资源,调整第一预定个数和/或增值系数,重新选择出所述待推荐的多媒体资源并将所述待推荐的多媒体资源推荐给所述当前账户,直至所述至少一个目标多媒体资源的数量小于预设值。
9.一种多媒体资源的推荐装置,其特征在于,包括:
第一获取单元,被配置为获取至少一个目标多媒体资源,其中,所述至少一个目标多媒体资源在预定时间内的被推荐次数小于第一预设值;
第二获取单元,被配置为从所述至少一个目标多媒体资源中,获取与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源;
选择单元,被配置为从与当前账户的账户信息之间的相似程度满足预设条件的目标多媒体资源和被推荐次数满足第二预设次数条件的多媒体资源中,选择出待推荐的多媒体资源;
推荐单元,被配置为将所述待推荐的多媒体资源推荐给所述当前账户。
10.一种电子设备,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8中任一项所述的多媒体资源的推荐方法。
11.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令被至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1至8中任一项所述的多媒体资源的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241611.6A CN115438203A (zh) | 2022-10-11 | 2022-10-11 | 多媒体资源的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241611.6A CN115438203A (zh) | 2022-10-11 | 2022-10-11 | 多媒体资源的推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438203A true CN115438203A (zh) | 2022-12-06 |
Family
ID=84250545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211241611.6A Pending CN115438203A (zh) | 2022-10-11 | 2022-10-11 | 多媒体资源的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438203A (zh) |
-
2022
- 2022-10-11 CN CN202211241611.6A patent/CN115438203A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
US20200374589A1 (en) | User feature generation method and apparatus, device, and computer-readable storage medium | |
CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
US10902077B2 (en) | Search result aggregation method and apparatus based on artificial intelligence and search engine | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN111552884B (zh) | 用于内容推荐的方法和设备 | |
US11875377B2 (en) | Generating and distributing digital surveys based on predicting survey responses to digital survey questions | |
WO2017173063A1 (en) | Updating messaging data structures to include predicted attribute values associated with recipient entities | |
CN112989179B (zh) | 模型训练、多媒体内容推荐方法和装置 | |
US11397786B2 (en) | Method and system of personalized blending for content recommendation | |
CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN112100511A (zh) | 一种偏好程度数据获得方法、装置以及电子设备 | |
CN112749296A (zh) | 一种视频推荐方法、装置、服务器及存储介质 | |
CN112231546B (zh) | 异构文档的排序方法、异构文档排序模型训练方法及装置 | |
CN115438203A (zh) | 多媒体资源的推荐方法及装置 | |
CN112650931B (zh) | 一种内容推荐方法 | |
CN114254151A (zh) | 搜索词推荐模型的训练方法、搜索词推荐方法和装置 | |
CN115080856A (zh) | 推荐方法及装置、推荐模型的训练方法及装置 | |
CN114996507A (zh) | 视频推荐方法及装置 | |
CN114547116A (zh) | 一种数据推送方法、装置、设备和介质 | |
CN113223017A (zh) | 目标分割模型的训练方法、目标分割方法及设备 | |
CN107315780B (zh) | 应用软件推送方法及装置 |
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 |