CN115495598A - 一种对多媒体资源的推荐方法、装置、设备及存储介质 - Google Patents

一种对多媒体资源的推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115495598A
CN115495598A CN202111680341.4A CN202111680341A CN115495598A CN 115495598 A CN115495598 A CN 115495598A CN 202111680341 A CN202111680341 A CN 202111680341A CN 115495598 A CN115495598 A CN 115495598A
Authority
CN
China
Prior art keywords
target object
relationship
representation
information
multimedia resource
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
Application number
CN202111680341.4A
Other languages
English (en)
Inventor
陈昊
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to PCT/CN2022/097098 priority Critical patent/WO2022262603A1/zh
Priority to JP2023555640A priority patent/JP2024509966A/ja
Publication of CN115495598A publication Critical patent/CN115495598A/zh
Priority to US18/315,200 priority patent/US20230273951A1/en
Pending legal-status Critical Current

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
    • G06F16/45—Clustering; Classification
    • 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
    • G06F16/48—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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种对多媒体资源的推荐方法、装置、设备及存储介质。其中方法包括：获取目标对象的表示向量和相邻对象表示向量集合，根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息，表示特征信息是根据目标对象与相邻对象的K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的，获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。可见，通过目标对象与目标对象的相邻对象的关系类型，来挖掘目标对象的兴趣点，进而较好地提高推荐准确度。

Description

一种对多媒体资源的推荐方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种对多媒体资源的推荐方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，网络中涌现出来海量的多媒体资源。目前，大多数多媒体资源的推荐算法完成的诸如多媒体推荐等操作都不够准确，匹配度较低。
发明内容
本发明实施例提供了一种对多媒体资源的推荐方法、装置、设备及存储介质，能够较好地提高推荐准确度。
一方面，本申请实施例提供了一种对多媒体资源的推荐方法，包括：
获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；
获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
一方面，本申请实施例还提供了一种对多媒体资源的推荐装置，包括：
获取单元，用于获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
处理单元，用于根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；以及用于获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
在一个实施例中，所述处理单元，具体用于：
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息；
通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息。
在一个实施例中，所述处理单元，具体用于：
获取所述K个第一关系类型中第h个第一关系类型的特征参数集合，所述特征参数集合包括所述第h个第一关系类型的权重矩阵和所述第h个第一关系类型的偏置向量；
通过所述第h个第一关系类型的特征参数集合，计算所述目标对象在所述第h个第一关系类型下的目标对象中间特征，并计算所述目标对象的各个第一相邻对象的在所述第h个第一关系类型下的相邻对象中间特征；
根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息。
在一个实施例中，所述第h个第一关系类型的关系特征信息是所述第h个第一关系类型在第T次迭代时的关系特征信息，T为正整数；所述处理单元，具体用于：
获取所述目标对象的各个第一相邻对象在第t次迭代时，被划分为所述第h个第一关系类型的目标概率，t为正整数，且t小于T；
根据所述目标概率和各个相邻对象中间特征，计算所述目标对象的第一相邻对象的聚合特征；
对所述目标对象中间特征和所述目标对象的第一相邻对象的聚合特征进行运算处理，得到所述第h个第一关系类型在第t+1次迭代时的关系特征信息。
在一个实施例中，所述处理单元，具体用于：
获取所述目标对象的第一相邻对象的第一特征信息集合，和所述目标对象的第二相邻对象的第二特征信息集合，所述第一特征信息集合包括：所述目标对象的第一相邻对象的多个第二关系类型中，每个第二关系类型对应的关系特征信息，所述第二特征信息集合包括：所述目标对象的第二相邻对象的多个第三关系类型中，每个第三关系类型对应的关系特征信息；
将所述目标对象的K个第一关系类型对应的关系特征信息、所述第一特征信息集合以及所述第二特征信息集合作为关系预测模型的输入，得到所述关系预测模型输出的预测结果，所述关系预测模型包括L层图卷积网络层，L为正整数；
对所述预测结果进行过拟合处理，得到所述目标对象的表示特征信息；
其中，所述关系预测模型中，第g层图卷积网络层的输入数据包括：对第g-1层图卷积网络层的输出数据进行过拟合处理后得到的数据。
在一个实施例中，所述处理单元，具体用于：
获取第二多媒体资源的查看信息，所述查看信息中包括查看过所述第二多媒体资源的Q个对象的对象标识，Q为正整数；
根据所述Q个对象的对象标识，获取所述Q个对象的表示向量；
对所述Q个对象的表示向量进行融合处理，并对融合处理的结果进行均值池化处理，得到所述第二多媒体资源的资源特征信息；
所述多媒体资源集合中包括所述第二多媒体资源的资源特征信息。
在一个实施例中，所述处理单元，具体用于：
根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度；
向所述目标对象推荐第一多媒体资源，所述第一多媒体资源是所述多媒体资源集合中与所述目标对象匹配度最高的多媒体资源。
在一个实施例中，所述处理单元，具体用于：
将所述多媒体资源集合中所述第二多媒体资源的资源特征信息与所述目标对象的表示特征信息进行拼接，得到拼接特征集合；
采用多层感知机对所述拼接特征集合中的各个拼接特征进行处理，得到所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量；
根据每个第一关系类型与所述第二多媒体资源的关系向量，计算该第一关系类型对应的权重；
根据所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量，以及每个第一关系类型对应的权重，得到所述目标对象与所述第二多媒体资源的匹配度。
在一个实施例中，所述处理单元还用于：
获取关联关系信息集合，所述关联关系信息集合包括对象信息集合和关系信息集合；
根据所述对象信息集合生成N个网络节点，所述N个网络节点中每个网络节点对应一个对象，且每个网络节点中携带有与该网络节点所对应对象的对象信息，N为正整数；
若所述关系信息集合指示所述N个网络节点中的第一网络节点对应的对象和第二网络节点的对象存在交互行为，则根据所述交互行为生成所述第一网络节点和所述第二网络节点的连边信息，得到关联信息网络图；
根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量。
在一个实施例中，述第一网络节点和所述第二网络节点的连边信息中的连边权重包括：根据所述第一网络节点和所述第二网络节点之间的关联度确定的权重，所述连边权重与所述关联度成正比，所述关联度是根据所述第一网络节点和所述第二网络节点在目标时间段内的交互信息确定的，所述交互信息包括：累积交互次数、累积交互时长、交互频率、交互内容中的至少一项确定的。
在一个实施例中，所述处理单元，具体用于：
以所述目标对象对应的目标网络节点为起点在所述关联信息网络图中进行随机游走，得到M条轨迹，每条轨迹的步长为P；其中，M，P均为正整数；
根据所述M条轨迹中携带的对象信息，得到所述目标对象的表示向量；
其中，从第i个网络节点游走至第j个网络节点的概率与目标连边权重成正比，所述目标连边权重是所述第i个网络节点和所述第j个网络节点的连边信息中的连边权重，i，j均为正整数，i不等于j，且i，j均小于等于N。
相应地，本发明实施例还提供了一种智能设备，包括：存储装置和处理器；所述存储装置中存储有计算机程序；处理器，执行计算机程序，实现上述的对多媒体资源的推荐方法。
相应地，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，上述的对多媒体资源的推荐方法被实现。
相应地，本申请提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的对多媒体资源的推荐方法。
本申请实施例中，获取目标对象的表示向量和相邻对象表示向量集合，根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息，表示特征信息是根据目标对象与相邻对象的K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的，获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。可见，通过目标对象与目标对象的相邻对象的关系类型，来挖掘目标对象的兴趣点，进而较好地提高推荐准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种多媒体资源的推荐场景图；
图2为本申请实施例提供的一种对多媒体资源的推荐方法的流程示意图；
图3为本申请实施例提供的另一种对多媒体资源的推荐方法的流程示意图；
图4a为本申请实施例提供的一种对象关联信息网络图的示意图；
图4b为本申请实施例提供的一种基于关联信息网络图的图卷积模型的示意图；
图5为本申请实施例提供的一种对多媒体资源的推荐装置的结构示意图；
图6为本申请实施例提供的一种智能设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例涉及人工智能(Artificial Intelligence，AI)及机器学习(Machine Learning，ML)。其中，AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术；其主要通过了解智能的实质，生产出一种新的能以人类智能相似的方式做出反应的智能设备，使得智能设备具有感知、推理与决策等多种功能。本申请实施例提供的智能设备，能够基于目标对象与目标对象的相邻对象的关系类型，来向目标对象进行多媒体资源推荐。
AI技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大应用程序的处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请实施例在构建关联信息网络图的过程中，在将对象间的交互行为转换为连边信息时，会涉及上述一种或多种人工智能软件技术；例如，在提取对象间发送的(短)视频的特征时，会涉及计算机视觉技术；在提取对象间发送的语音的特征时，会涉及语音处理技术；在提取对象间发送的文本信息的特征时，会涉及自然语言处理技术。
其中，计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(Optical Character Recognition，OCR)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
语音技术(Speech Technology)的关键技术有自动语音识别技术(AutomaticSpeech Recognition，ASR)和语音合成技术(Text To Speech，TTS)以及声纹识别技术。让计算机能听、能看、能说、能感觉，是未来人机交互的发展方向，其中语音成为未来最被看好的人机交互方式之一。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是AI的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习/深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例在根据关联信息网络图训练关系预测模型的过程中，会涉及机器学习的相关技术。
此外，本申请实施例还可以涉及人工智能云服务和区块链(Blockchain)。所谓人工智能云服务，一般也被称作是AIaaS(AI as a Service，中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。本申请实施例主要涉及通过多媒体推荐平台(即人工智能云服务)向对象进行多媒体资源推荐。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。其本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。在本申请实施例中，智能设备可以从区块链网络中获取对象的关联关系，进而基于可靠的关联关系向目标对象推荐多媒体资源；也可以将分析得到的对象的表示特征信息和多媒体资源的资源特征信息上传至区块链，以便于后续使用(例如，在一个时间段内某个多媒体资源的资源特征信息可能需要与多个对象的表示特征信息进行匹配，将多媒体资源的资源特征信息上传至区块链，可以方便其他协助进行多媒体资源推荐的网络节点在进行多媒体资源推荐时直接使用)。
请参见图1，图1为本申请实施例提供的一种多媒体资源的推荐场景图。如图1所示，多媒体资源的推荐场景中包括了终端设备101和服务器102。其中，终端设备101为目标对象所使用的设备，终端设备101可以包括但不限于：智能手机(如Android手机、iOS手机等)、平板电脑、便携式个人计算机、移动互联网设备(Mobile Internet Devices，MID)等设备；终端设备配置有显示装置，显示装置也可为显示器、显示屏、触摸屏等等，触摸屏也可为触控屏、触控面板等等，本申请实施例不做限定。
服务器102是指能够对根据终端设备101发送的目标对象的标识提供的个性化多媒体资源推荐的后台设备，在根据终端设备101发送的目标对象的标识确定向目标对象推荐的第一多媒体资源后，服务器102可以向终端设备101返回该第一多媒体资源，页面103为本申请提供的一种终端设备101根据服务器102发送的第一多媒体资源进行显示的页面示意图。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。此外，还可以将多个服务器组成为一个区块链网络，每个服务器为区块链网络中的一个节点。终端设备101和服务器102之间可以通过有线通信或者无线通信方式进行直接或间接地连接，本申请在此不做限制。
需要说明的是，图1所示的多媒体资源的推荐场景中终端设备和服务器的数量仅为举例，例如，终端设备和服务器的数量可以为多个，本申请并不对终端设备和服务器的数量进行限定。
可选的，多媒体资源的推荐场景中也可以只包括搭载有多媒体资源的推荐装置的终端设备101，终端设备101在对象打开多媒体平台后，通过搭载的多媒体资源的推荐装置向目标对象进行多媒体资源推荐(如在界面103中显示推荐的多媒体资源)。
可以理解的是，在本申请的具体实施方式中，涉及到对象信息、多媒体信息、对象的交互行为等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得对象许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
图1所示的多媒体资源的推荐场景中，多媒体资源的推荐流程主要包括以下步骤：
(1)服务器102获取目标对象的表示向量和相邻对象表示向量集合，在一个实施例中，服务器102基于关联信息网络图获取目标对象的表示向量和相邻对象表示向量集合，关联信息网络图是基于社交平台上各个对象的交互行为构建的；相邻对象表示向量集合中包括目标对象的第一相邻对象的表示向量，所谓第一相邻对象，是指与目标对象存在交互行为的对象，同理，所谓第二相邻对象是指与目标对象的第一相邻对象存在交互行为，且与目标对象不存在交互行为的对象；进一步地，目标对象与第一相邻对象之间被划分为K个第一关系类型，K为正整数。
(2)服务器102根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息，表示特征信息是根据目标对象在K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；在一个实施例中，服务器102根据目标对象的表示向量和相邻对象表示向量集合，得到K个第一关系类型中，每个第一关系类型对应的关系特征信息(即通过目标对象的表示向量和相邻对象表示向量，计算第一关系类型对应的关系特征信息)；通过K个第一关系类型分别对应的K个关系特征信息对目标对象进行表示，得到目标对象的表示特征信息，也就是说目标对象的表示特征信息是由K个第一关系类型分别对应的K个关系特征信息共同表示的(即目标对象的表示特征信息是基于目标对象与目标对象的相邻对象的关系类型得到的)。
(3)服务器102获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源(多媒体资源集合中与目标对象的表示特征信息匹配度高于匹配度阈值的一个或多个多媒体资源，即目标对象最可能感兴趣的多媒体资源)；在一个实施例中，多媒体资源集合中的每个多媒体资源的资源特征信息，是通过点击过该多媒体资源的对象的表示向量得到的。
本申请实施例中，获取目标对象的表示向量和相邻对象表示向量集合，根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息，表示特征信息是根据目标对象与相邻对象的K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的，获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。可见，通过目标对象与目标对象的相邻对象的关系类型，来挖掘目标对象的兴趣点，进而较好地提高推荐准确度。
请参阅图2，图2为本申请实施例提供的一种对多媒体资源的推荐方法的流程示意图。本申请实施例的所述方法应用于智能设备，该智能设备例如可以是上述提及的某些对象所使用的终端设备，也可以是某些具有特殊功能的服务器。所述方法包括如下步骤。
S201：获取目标对象的表示向量和相邻对象表示向量集合。相邻对象表示向量集合中包括目标对象的第一相邻对象的表示向量，相邻对象表示向量集合中包括目标对象的第一相邻对象的表示向量，所谓第一相邻对象，是指与目标对象存在交互行为的对象，同理，所谓第二相邻对象是指与目标对象的第一相邻对象存在交互行为，且与目标对象不存在交互行为的对象。
在一种实施方式中，服务器基于关联信息网络图获取目标对象的表示向量和相邻对象表示向量集合，该关联信息网络图是基于社交平台上各个对象的交互行为构建的。目标对象与第一相邻对象之间被划分为K个第一关系类型，K为正整数。需要说明的是，K个第一关系类型的划分可以根据实际需求进行设定；例如，K个第一关系类型可以是根据关联关系来划分的，也可以是根据交互行为的累计时长来划分的，还可以是根据目标对象与第一相邻对象第一次交互行为的时间来划分的，等等。
S202：根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息。表示特征信息是根据目标对象在K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的。
目标对象的表示向量用于表示目标对象的特征，在一个实施例中，目标对象的表示向量可以是基于自身携带的对象特征信息得到的，也可以是基于目标对象的第一相邻对象的表示向量得到的，还可以是基于目标对象的第一相邻对象至第S相邻对象的表示向量得到的，S为正整数；可以理解的是，S与目标对象的表示向量中携带的对象特征信息量成正比。类似地，相邻对象表示向量集合中，各个目标对象的第一相邻对象的表示向量，可以是基于自身携带的对象特征信息得到的，也可以是基于该第一相邻对象的第一相邻对象的表示向量得到的，还可以是基于该第一相邻对象的第一相邻对象至第S相邻对象的表示向量得到的。
目标对象的表示特征信息具体可以是一个特征向量，也可以是一个特征矩阵，目标对象的表示特征信息中携带有该目标对象的对象特征信息。在一种实施方式中，服务器根据目标对象的表示向量和相邻对象表示向量集合，得到K个第一关系类型中，每个第一关系类型对应的关系特征信息(如通过目标对象的表示向量和相邻对象表示向量，计算第一关系类型对应的关系特征信息)；在得到K个第一关系类型中，每个第一关系类型对应的关系特征信息后，服务器通过K个第一关系类型分别对应的K个关系特征信息对目标对象进行表示，得到目标对象的表示特征信息，也就是说目标对象的表示特征信息是由K个第一关系类型分别对应的K个关系特征信息共同表示的(即目标对象的表示特征信息是基于目标对象与目标对象的相邻对象的关系类型得到的)。
S203：获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。多媒体资源集合可以是预设的，也可以是多媒体资源平台根据数据库中的多媒体资源实时更新得到的。
在一种实施方式中，多媒体资源集合中的每个多媒体资源的资源特征信息，是通过查看该多媒体资源的对象的表示向量得到的。服务器根据目标对象的表示特征信息和多媒体资源集合中各个多媒体资源的资源特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源，第一多媒体资源是多媒体资源集合中与目标对象的表示特征信息匹配度高于匹配度阈值的一个或多个多媒体资源，即目标对象最可能感兴趣的多媒体资源。
本申请实施例中，获取目标对象的表示向量和相邻对象表示向量集合，根据目标对象的表示向量和相邻对象表示向量集合，得到目标对象的表示特征信息，表示特征信息是根据目标对象与相邻对象的K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的，获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。可见，通过目标对象与目标对象的相邻对象的关系类型，来挖掘目标对象的兴趣点，进而较好地提高推荐准确度。
请参阅图3，图3为本申请实施例提供的另一种对多媒体资源的推荐方法的流程示意图。本申请实施例的所述方法应用于智能设备，该智能设备例如可以是上述提及的某些对象所使用的终端设备，也可以是某些具有特殊功能的服务器。所述方法包括如下步骤。
S301：获取关联关系信息集合，并根据关联关系信息集合生成关联信息网络图。关联关系信息集合包括对象信息集合和关系信息集合。
在一种实施方式中，智能设备根据对象信息集合生成N个网络节点，N个网络节点中每个网络节点对应一个对象，且每个网络节点中携带有与该网络节点所对应对象的对象信息，N为正整数；各个网络节点之间的连边是根据各个网络节点对应的对象之间的交互行为确定的。若关系信息集合指示N个网络节点中的第一网络节点对应的对象和第二网络节点的对象存在交互行为，则根据交互行为生成第一网络节点和第二网络节点的连边信息，得到关联信息网络图。
进一步地，智能设备可以根据关系信息集合确定关联信息网络图中各个连边的权重。具体地，第一网络节点和第二网络节点的连边信息中的连边权重包括：根据第一网络节点和第二网络节点之间的关联度确定的权重，连边权重与关联度成正比，关联度是根据第一网络节点和第二网络节点在目标时间段内的交互信息确定的，所述交互信息包括：累积交互次数、累积交互时长、交互频率中的至少一项确定的。
在一个实施例中，首先定义对象关联信息网络图G＝(A,X)。全体对象数量为N，A是对象关联矩阵，X是对象特征信息。通常来说对象关联矩阵A需要包含多种信息如：对象聊天数量，对象聊天频率，互动频率等行为特征。智能设备基于对象历史行为，将各个对象对应网络节点连接成对象关联信息网络图，对象间的连边由对象关联程度决定。如果两个对象间有较多交互行为，则两个对象连线权重较高，如果两个对象间交互行为较少，则两个对象连线权重较低。如果两个对象间没有交互行为，则两个对象间没有连线。其中衡量对象交互行为可以通过对象交互行为次数，交互行为累计时长，交互频率排序，目标时间段内交互天数等变量共同决定。
图4a为本申请实施例提供的一种对象关联信息网络图的示意图。如图4a所示，设网络节点u1和u2对应的对象的交互次数较多，网络节点u1和u3对应的对象的交互次数较少，则网络节点u1和u2之间的连线权重比网络节点u1和u3之间的连线权重高。设网络节点u1对应的对象与除网络节点u2和u3对应的对象外的其他对象无交互，则u1与其他网络节点无连线。此外，为了更好地描述对象i和对象j之间的关联程度，可以将两个对象的交互次数记为cij,则对象i和对象j之间的关系可以表示为：log(1+cij)。也就是说，在对象关联矩阵A中，Aij＝log(1+cij)。
更进一步地，在得到关联信息网络图后，智能设备根据关联信息网络图，得到N个网络节点对应的N个对象的表示向量(即通过向量来描述每一个对象)。其目的在于通过向量来描述对象的交互行为，使得关联关系亲近的对象的向量表示较为相近；相应地，关联关系疏远的对象，向量表示差异较大。具体地，基于关联信息网络图，以目标对象对应的目标网络节点为起点在关联信息网络图中进行随机游走，得到M条轨迹，每条轨迹的步长为P；其中，M，P均为正整数；根据M条轨迹中携带的对象信息，得到目标对象的表示向量；其中，从第i个网络节点游走至第j个网络节点的概率与目标连边权重成正比，目标连边权重是第i个网络节点和第j个网络节点的连边信息中的连边权重，i，j均为正整数，i不等于j，且i，j均小于等于N。也就是说，Aij越大，则从网络节点i游走至网络节点j的概率越大。
在一个实施例中，智能设备通过向量化嵌入等方法对对象进行表示，常用的向量化嵌入方法包括Node2Vec节点嵌入等无监督对象嵌入方法。以Node2Vec节点嵌入方法为例，基于关联信息网络图，从图中的目标网络节点出发，随机游走多条轨迹；随后，将全部游走出的轨迹作为语料库输入到word2vec词向量嵌入算法模型。通过word2vec词向量嵌入算法模型对语料库进行处理，得到目标网络节点对应的目标对象的表示向量。由于图中不同对象对应网络节点之间的连线权重不同，因此在进行向量化嵌入的过程中可以考虑到权重的影响使用带权随机游走(即从网络节点i游走至网络节点j的概率与Aij成正比)。同理，按照上述方法智能设备可以得到关联信息网络图中所有节点对应的对象的表示向量构成的矩阵，记为X，X＝{x1,x2,…,xN}。其中，xi表示第i个对象的表示向量。
S302：获取目标对象的表示向量和相邻对象表示向量集合。
在一种实施方式中，在得到关联信息网络图中所有节点对应的对象的表示向量构成的矩阵X后，智能设备可以从矩阵X获取目标对象的表示向量和相邻对象表示向量集合。
S303：根据目标对象的表示向量和相邻对象表示向量集合，得到K个第一关系类型中，每个第一关系类型对应的关系特征信息。
图4b为本申请实施例提供的一种基于关联信息网络图的图卷积模型的示意图。如图4b所示，V0为目标对象对应的目标网络节点，V1-V8为目标对象的第一相邻对象对应的网络节点。在一种实施方式中，V1-V8有相同的聚合权重，以及相同的映射函数，简单来说，也就是不考虑V1-V8与V0的关联程度，认为V1-V8对V0的影响力相同。
在另一种实施方式中，由于V1-V8是V0通过不同方式建立关联关系的对象，对对象的影响力不相同(如交互频率越高的相邻对象对目标对象影响力更高)，因此不能简单认为V1-V8对V0的影响力相同。对此，需要对不同对象进行分类(如将对象按照建立连接的原因、关系类型、建立关联关系的累积时长、交互频率等因素分成多类)。实践发现，在实际应用中往往难以直接获取关联关系形成的原因。
在一个实施例中，智能设备按照预设规则将目标对象的第一相邻对象划分为K个第一关系类型，获取K个第一关系类型中第h个第一关系类型的特征参数集合，特征参数集合包括第h个第一关系类型的权重矩阵和第h个第一关系类型的偏置向量(如按照预设规则初始化第h个第一关系类型的权重矩阵Wh和第h个第一关系类型的偏置向量bh)；例如，对第h个第一关系类型的权重矩阵Wh和第h个第一关系类型的偏置向量bh进行随机初始化，并在训练过程中通过梯度下降法对第h个第一关系类型的权重矩阵Wh和第h个第一关系类型的偏置向量bh进行更新，最终得到第h个第一关系类型更新后的权重矩阵Wh和第h个第一关系类型的偏置向量bh；同理，智能设备可以基于上述方法得到各个第一关系类型的权重矩阵和偏置向量。
进一步地，通过第h个第一关系类型的特征参数集合，计算目标对象在第h个第一关系类型下的目标对象中间特征(即目标对象的隐表示)，并计算目标对象的各个第一相邻对象的在第h个第一关系类型下的相邻对象中间特征(即第一相邻对象的隐表示)。对象i在第h个第一关系类型中的隐表示zi,h可以表示为：
Figure BDA0003446976210000141
其中，||x||2表示计算x的模长，除以模长的操作是为了拜托向量长度对分类的影响；σ(x)为激活函数(如sigmoid函数、tanh函数、Relu函数等)，
Figure BDA0003446976210000142
为第h个第一关系类型的权重矩阵Wh的转置矩阵，xi为对象i的表示向量(从步骤S301中的矩阵X中可以得到)，bh为第h个第一关系类型的偏置向量。基于上述公式1，智能设备可以计算得到目标对象和目标对象的第一相邻对象的隐表示。
在一个实施例中，在计算得到目标对象的隐表示和目标对象的第一相邻对象的隐表示后，智能设备根据目标对象的隐表示和目标对象的第一相邻对象的隐表示，得到第h个第一关系类型的关系特征信息ch，具体可以表示为：
Figure BDA0003446976210000151
其中，网络节点u对应图4b中的V0(即目标对象对应的网络节点)，(v|(u,v)∈G)对应图4b中的V1-V8(即目标对象的第一相邻对象对应的网络节点)，pv,h用于表示对象v被分配到第h个第一关系类型的概率，pv,h≥0，且
Figure BDA0003446976210000152
zu,h为目标对象在第h个第一关系类型中的隐表示，zv,h为目标对象的第一相邻对象在第h个第一关系类型中的隐表示。pv,h的值是根据第一关系类型的数量决定的；在一种具体实施方式中
Figure BDA0003446976210000153
例如，设对象A的第一关系类型的数量为5(即对象A的关联关系被划分为5类)，则
Figure BDA0003446976210000154
基于上述公式2，智能设备可以计算得到K个第一关系类型的关系特征信息。
在另一个实施例中，第h个第一关系类型的关系特征信息是第h个第一关系类型在第T次迭代时的关系特征信息，T为正整数。智能设备获取目标对象的各个第一相邻对象在第t次迭代时，被划分为第h个第一关系类型的目标概率
Figure BDA0003446976210000155
t为正整数，且t小于T；然后智能设备根据目标概率
Figure BDA0003446976210000156
和目标对象的各个相邻对象中间特征(即第一相邻对象的隐表示(zv,h))，计算目标对象的第一相邻对象的聚合特征
Figure BDA0003446976210000157
对目标对象中间特征(即目标对象的隐表示(zu,h))和目标对象的第一相邻对象的聚合特征进行运算处理，得到第h个第一关系类型在第t+1次迭代时的关系特征信息。具体地：
Figure BDA0003446976210000158
其中，指数函数exp(x)表示计算x的指数，
Figure BDA0003446976210000159
为zv,h的转置矩阵，
Figure BDA00034469762100001510
表示在第t次迭代时，第h个第一关系类型的关系特征信息。进一步地，
Figure BDA00034469762100001511
可以表示为：
Figure BDA0003446976210000161
其中，网络节点u对应图4b中的V0(即目标对象对应的网络节点)，(v|(u,v)∈G)对应图4b中的V1-V8(即目标对象的第一相邻对象对应的网络节点)，
Figure BDA0003446976210000162
用于表示在第t-1次迭代时，对象v被分配到第h个第一关系类型的概率，zu,h为目标对象在第h个第一关系类型中的隐表示，zv,h为目标对象的第一相邻对象在第h个第一关系类型中的隐表示。其中，对象v被分配到第h个第一关系类型的概率的初始值
Figure BDA0003446976210000163
是根据第一关系类型的数量决定的；在一种具体实施方式中
Figure BDA0003446976210000164
例如，设对象A的第一关系类型的数量为5(即对象A的关联关系被划分为5类)，则
Figure BDA0003446976210000165
基于上述公式3和公式4进行迭代运算，智能设备可以计算得到K个第一关系类型的关系特征信息(每个第一关系类型在第T次迭代时的关系特征信息)。实践发现，通过T次迭代对对象v被分配到第h个第一关系类型的概率进行优化，可以区分不同第一关系类型对于对象v的影响，能较好地提高多媒体资源推荐的准确率。
S304：通过K个第一关系类型分别对应的K个关系特征信息对目标对象进行表示，得到目标对象的表示特征信息。
在一种实施方式中，智能设备将每个第一关系类型在第T次迭代时的关系特征信息，确定为该第一关系类型的关系特征信息(如
Figure BDA0003446976210000166
)，进而得到目标对象的表示特征信息yu＝[c1,c2,…,cK]。
在另一种实施方式中，智能设备获取目标对象的第一相邻对象的第一特征信息集合，和目标对象的第二相邻对象的第二特征信息集合，第一特征信息集合包括目标对象的第一相邻对象的多个第二关系类型中，每个第二关系类型对应的关系特征信息(如[c′1,c′2,…,c′R])，第二特征信息集合包括目标对象的第二相邻对象的多个第三关系类型中，每个第三关系类型对应的关系特征信息(如[c″1,c″2,…,c″S])；R，S为正整数，且R，S，K可以相同也可以不同(相同时每个对象与该对象的第一相邻对象之间均被划分为K个第一关系类型，不同时每个对象与该对象的第一相邻对象之间被划分为不同数量个第一关系类型)。智能设备获取与步骤目标对象的第一相邻对象的第一特征信息集合，和目标对象的第二相邻对象的第二特征信息集合的具体实施方式可参考步骤S301-步骤S303，在此不再赘述。通过第一特征信息集合可以得到目标对象的第一相邻对象的表示特征信息
Figure BDA00034469762100001710
同理，通过第二特征信息集合可以得到目标对象的第二相邻对象的表示特征信息
Figure BDA00034469762100001711
通过第L特征信息集合可以得到目标对象的第L相邻对象的表示特征信息
Figure BDA0003446976210000171
将目标对象的K个第一关系类型对应的关系特征信息、第一特征信息集合至第L特征信息集合作为关系预测模型的输入，得到关系预测模型输出的预测结果，关系预测模型包括L层图卷积网络层，L为正整数；对预测结果进行过拟合处理，得到目标对象的表示特征信息；其中，关系预测模型中，第g层图卷积网络层的输入数据包括：对第g-1层图卷积网络层的输出数据进行过拟合处理后得到的数据。
具体地，关系预测模型第l层的输入为目标对象在第l-1层的处理结果
Figure BDA0003446976210000172
以及目标对象的第一相邻对象在第l-1层的处理结果集合
Figure BDA0003446976210000173
l为正整数，且l小于等于L，采用关系预测模型的第l层对输入数据进行处理可以表示为：
Figure BDA0003446976210000174
进一步地，对关系预测模型的第l层的输出数据进行过拟合处理，得到目标对象在第l层的处理结果
Figure BDA0003446976210000175
Figure BDA0003446976210000176
其中，f(l)(x)表示通过关系预测模型的第l层对x进行处理，dropout(x)表示对x进行过拟合处理，
Figure BDA0003446976210000177
的值被初始化为xu。目标对象在第L层的处理结果
Figure BDA0003446976210000178
可以表示为：
Figure BDA0003446976210000179
需要说明的是，Uu与yu的区别在于，yu是通过目标对象的表示向量和目标对象的第一相邻对象的表示向量得到的，Uu是通过目标对象的表示向量和目标对象的第一相邻对象的表示向量至第L相邻对象的表示向量得到的(相对于yu涵盖了更多的特征信息)。
S305：获取多媒体资源集合，并根据目标对象的表示特征信息，向目标对象推荐多媒体资源集合中的第一多媒体资源。
在一种实施方式中，多媒体资源集合中包括第二多媒体资源的资源特征信息。智能设备获取第二多媒体资源的查看信息，查看信息中包括查看过第二多媒体资源的Q个对象的对象标识，Q为正整数；根据Q个对象的对象标识，获取Q个对象的表示向量(如从步骤S301中的矩阵X中获取)；对Q个对象的表示向量进行融合处理(如对Q个对象的表示向量进行叠加)，并对融合处理的结果进行均值池化(mean pooling)处理，得到第二多媒体资源的资源特征信息；具体地，假设查看第二多媒体资源的对象列表为(u1,u2,u3,u4,…uH)，其中H是查看过该视频的所有对象的总量。若第二多媒体资源的资源特征信息表示为im，则：
Figure BDA0003446976210000181
其中，
Figure BDA0003446976210000182
为对象uh的表示向量。类似地，智能设备可以基于上述公式8，得到多媒体资源集合中所有多媒体资源的资源特征信息，这些资源特征信息可以记录在矩阵I中，I＝{i1,i2,…,iN}。
进一步地，智能设备根据目标对象的表示特征信息，和多媒体资源集合中各个多媒体资源的资源特征信息，计算目标对象与多媒体资源集合中各个多媒体资源的匹配度。
在一种实施方式中，智能设备可以通过多层感知机(Muti-Layer Percetron，MLP)预测每个第一关系类型与多媒体资源i的关系，然后通过注意力机制综合考虑不同第一关系类型的偏好最终得到目标对象u和多媒体资源i的预测结果。
智能设备将多媒体资源集合中第二多媒体资源的资源特征信息与目标对象的表示特征信息进行拼接，得到拼接特征集合(即将第二多媒体资源的资源特征信息，与[cu,1,cu,2,…,cu,K]中的每个第一关系类型对应的关系特征信息进行拼接，得到K个拼接特征)，并采用多层感知机对拼接特征集合中的各个拼接特征进行处理，得到K个第一关系类型中，每个第一关系类型与第二多媒体资源的关系向量；目标对象的第k个第一关系类型与多媒体资源i的关系向量可以表示为：
ru,i,k＝MLP1(cu,k||Ii) 公式9
其中，x||y表示对向量x和向量y进行拼接，MLP1(x)表示采用第一多层感知机对x进行处理。基于上述公式9，智能设备可以通过第一多层感知机对拼接特征集合中的各个拼接特征进行处理，得到各个第一关系类型与各个多媒体资源的关系向量。
在得到各个第一关系类型与第二多媒体资源的关系向量后，智能设备根据每个第一关系类型与第二多媒体资源的关系向量，计算该第一关系类型对应的权重；目标对象的第k个第一关系类型与多媒体资源i的权重可以表示为：
Figure BDA0003446976210000191
其中，指数函数exp(x)表示计算x的指数，σ(x)为激活函数(如sigmoid函数)，aT为注意力向量，aTru,i,k表示将关系向量与注意力向量进行点乘运算。基于上述公式10，智能设备可以计算得到目标对象的各个第一关系类型与各个多媒体资源间的权重。
在得到目标对象的每个第一关系类型与第二多媒体资源间的权重后，智能设备根据K个第一关系类型中，每个第一关系类型与第二多媒体资源的关系向量，以及每个第一关系类型对应的权重，得到目标对象与第二多媒体资源的匹配度；目标对象与多媒体资源i的匹配度可以表示为：
Figure BDA0003446976210000192
其中，MLP2(x)表示采用第二多层感知机对x进行处理。基于上述公式11，智能设备可以通过第二多层感知机，得到目标对象与多媒体资源集合中各个多媒体资源的匹配度。
进一步地，智能设备按照匹配度由高至低的顺序对多媒体资源集合中的多媒体资源进行排序，并将排列在目标位置前的(一个或多个)多媒体资源确定为第一多媒体资源。然后向目标对象推荐第一多媒体资源。在一个实施例中，第一多媒体资源是多媒体资源集合中与目标对象匹配度最高的多媒体资源。
在另一种实施方式中，在进行多媒体资源推荐之前，智能设备可以采用训练数据对公式1-公式11中的参数进行优化(即将标注数据与通过公式1-公式11计算得到的预测数据进行比对，并通过损失函数调整公式1-公式11中的参数，以降低标注数据和预测数据间的差异，直至损失函数收敛)。在训练完成后，智能设备获取到全部对象的表示向量，当检测到目标对象u的多媒体资源获取请求时，通过执行上述步骤S301-步骤S305比较目标对象u与多媒体资源集合中各个多媒体资源的相似度，随后向目标对象推荐满足推荐条件的多媒体资源。
本申请实施例在图2实施例的基础上，通过关联关系信息集合构建关联信息网络图，进而得到目标对象的表示向量和相邻对象表示向量集合；通过目标对象和目标对象的第一相邻对象的隐表示，得到第一关系类型中，每个第一关系类型对应的关系特征信息，进而得到目标对象的表示特征信息；通过观看过多媒体资源的对象的表示向量，得到多媒体资源的资源特征信息，进而基于目标对象的表示特征信息和多媒体资源的资源特征信息向目标对象推荐多媒体资源。可见，通过目标对象与目标对象的相邻对象的关系类型，来挖掘目标对象的兴趣点，进而较好地提高推荐准确度。
上述详细阐述了本申请实施例的方法，为了便于更好地实施本申请实施例的上述方案，相应地，下面提供了本申请实施例的装置。
请参见图5，图5为本申请实施例提供的一种对多媒体资源的推荐装置的结构示意图，对多媒体资源的推荐装置500包括获取单元501和处理单元502，该装置可以搭载在智能设备上，智能设备可以包括终端设备、服务器。图5所示的对多媒体资源的推荐装置可以用于执行上述图2和图3所描述的方法实施例中的部分或全部功能。其中，各个单元的详细描述如下：
获取单元501，用于获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
处理单元502，用于根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；以及用于获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
在一个实施例中，所述处理单元502，具体用于：
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息；
通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息。
在一个实施例中，所述处理单元502，具体用于：
获取所述K个第一关系类型中第h个第一关系类型的特征参数集合，所述特征参数集合包括所述第h个第一关系类型的权重矩阵和所述第h个第一关系类型的偏置向量；
通过所述第h个第一关系类型的特征参数集合，计算所述目标对象在所述第h个第一关系类型下的目标对象中间特征，并计算所述目标对象的各个第一相邻对象的在所述第h个第一关系类型下的相邻对象中间特征；
根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息。
在一个实施例中，所述第h个第一关系类型的关系特征信息是所述第h个第一关系类型在第T次迭代时的关系特征信息，T为正整数；所述处理单元502，具体用于：
获取所述目标对象的各个第一相邻对象在第t次迭代时，被划分为所述第h个第一关系类型的目标概率，t为正整数，且t小于T；
根据所述目标概率和各个相邻对象中间特征，计算所述目标对象的第一相邻对象的聚合特征；
对所述目标对象中间特征和所述目标对象的第一相邻对象的聚合特征进行运算处理，得到所述第h个第一关系类型在第t+1次迭代时的关系特征信息。
在一个实施例中，所述处理单元502，具体用于：
获取所述目标对象的第一相邻对象的第一特征信息集合，和所述目标对象的第二相邻对象的第二特征信息集合，所述第一特征信息集合包括：所述目标对象的第一相邻对象的多个第二关系类型中，每个第二关系类型对应的关系特征信息，所述第二特征信息集合包括：所述目标对象的第二相邻对象的多个第三关系类型中，每个第三关系类型对应的关系特征信息；
将所述目标对象的K个第一关系类型对应的关系特征信息、所述第一特征信息集合以及所述第二特征信息集合作为关系预测模型的输入，得到所述关系预测模型输出的预测结果，所述关系预测模型包括L层图卷积网络层，L为正整数；
对所述预测结果进行过拟合处理，得到所述目标对象的表示特征信息；
其中，所述关系预测模型中，第g层图卷积网络层的输入数据包括：对第g-1层图卷积网络层的输出数据进行过拟合处理后得到的数据。
在一个实施例中，所述处理单元502，具体用于：
获取第二多媒体资源的查看信息，所述查看信息中包括查看过所述第二多媒体资源的Q个对象的对象标识，Q为正整数；
根据所述Q个对象的对象标识，获取所述Q个对象的表示向量；
对所述Q个对象的表示向量进行融合处理，并对融合处理的结果进行均值池化处理，得到所述第二多媒体资源的资源特征信息；
所述多媒体资源集合中包括所述第二多媒体资源的资源特征信息。
在一个实施例中，所述处理单元502，具体用于：
根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度；
向所述目标对象推荐第一多媒体资源，所述第一多媒体资源是所述多媒体资源集合中与所述目标对象匹配度最高的多媒体资源。
在一个实施例中，所述处理单元502，具体用于：
将所述多媒体资源集合中所述第二多媒体资源的资源特征信息与所述目标对象的表示特征信息进行拼接，得到拼接特征集合；
采用多层感知机对所述拼接特征集合中的各个拼接特征进行处理，得到所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量；
根据每个第一关系类型与所述第二多媒体资源的关系向量，计算该第一关系类型对应的权重；
根据所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量，以及每个第一关系类型对应的权重，得到所述目标对象与所述第二多媒体资源的匹配度。
在一个实施例中，所述处理单元502还用于：
获取关联关系信息集合，所述关联关系信息集合包括对象信息集合和关系信息集合；
根据所述对象信息集合生成N个网络节点，所述N个网络节点中每个网络节点对应一个对象，且每个网络节点中携带有与该网络节点所对应对象的对象信息，N为正整数；
若所述关系信息集合指示所述N个网络节点中的第一网络节点对应的对象和第二网络节点的对象存在交互行为，则根据所述交互行为生成所述第一网络节点和所述第二网络节点的连边信息，得到关联信息网络图；
根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量。
在一个实施例中，述第一网络节点和所述第二网络节点的连边信息中的连边权重包括：根据所述第一网络节点和所述第二网络节点之间的关联度确定的权重，所述连边权重与所述关联度成正比，所述关联度是根据所述第一网络节点和所述第二网络节点在目标时间段内的交互信息确定的，所述交互信息包括：累积交互次数、累积交互时长、交互频率、交互内容中的至少一项确定的。
在一个实施例中，所述处理单元502，具体用于：
以所述目标对象对应的目标网络节点为起点在所述关联信息网络图中进行随机游走，得到M条轨迹，每条轨迹的步长为P；其中，M，P均为正整数；
根据所述M条轨迹中携带的对象信息，得到所述目标对象的表示向量；
其中，从第i个网络节点游走至第j个网络节点的概率与目标连边权重成正比，所述目标连边权重是所述第i个网络节点和所述第j个网络节点的连边信息中的连边权重，i，j均为正整数，i不等于j，且i，j均小于等于N。
根据本申请的一个实施例，图2和图3所示的对多媒体资源的推荐方法所涉及的部分步骤可由图5所示的对多媒体资源的推荐装置中的各个单元来执行。例如，图2中所示的步骤S201可由图5所示的获取单元501执行，步骤S202和步骤S203可由图5所示的处理单元502执行。图3中所示的步骤S301和步骤S302可由图5所示的获取单元501执行，步骤S303-步骤S305可由图5所示的处理单元502执行。图5所示的对多媒体资源的推荐装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本申请的其它实施例中，对多媒体资源的推荐装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本申请的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算装置上运行能够执行如图2和图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图5中所示的对多媒体资源的推荐装置，以及来实现本申请实施例的对多媒体资源的推荐方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算装置中，并在其中运行。
基于同一发明构思，本申请实施例中提供的对多媒体资源的推荐装置解决问题的原理与有益效果与本申请方法实施例中对多媒体资源的推荐装置解决问题的原理和有益效果相似，可以参见方法的实施的原理和有益效果，为简洁描述，在这里不再赘述。
请参阅图6，图6为本申请实施例提供的一种智能设备的结构示意图，所述智能设备600至少包括处理器601、通信接口602和存储器603。其中，处理器601、通信接口602和存储器603可通过总线或其他方式连接。其中，处理器601(或称中央处理器(CentralProcessing Unit，CPU))是终端的计算核心以及控制核心，其可以解析终端内的各类指令以及处理终端的各类数据，例如：CPU可以用于解析对象向终端所发送的开关机指令，并控制终端进行开关机操作；再如：CPU可以在终端内部结构之间传输各类交互数据，等等。通信接口602可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)，受处理器601的控制可以用于收发数据；通信接口602还可以用于终端内部数据的传输以及交互。存储器603(Memory)是终端中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器603既可以包括终端的内置存储器，当然也可以包括终端所支持的扩展存储器。存储器603提供存储空间，该存储空间存储了终端的操作系统，可包括但不限于：Android系统、iOS系统、Windows Phone系统等等，本申请对此并不作限定。
在本申请实施例中，处理器601通过运行存储器603中的可执行程序代码，用于执行如下操作：
通过通信接口602获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；
获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
作为一种可选的实施例，处理器601根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息的具体实施例为：
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息；
通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息。
作为一种可选的实施例，处理器601根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息的具体实施例为：
获取所述K个第一关系类型中第h个第一关系类型的特征参数集合，所述特征参数集合包括所述第h个第一关系类型的权重矩阵和所述第h个第一关系类型的偏置向量；
通过所述第h个第一关系类型的特征参数集合，计算所述目标对象在所述第h个第一关系类型下的目标对象中间特征，并计算所述目标对象的各个第一相邻对象的在所述第h个第一关系类型下的相邻对象中间特征；
根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息。
作为一种可选的实施例，所述第h个第一关系类型的关系特征信息是所述第h个第一关系类型在第T次迭代时的关系特征信息，T为正整数；处理器601根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息的具体实施例为：
获取所述目标对象的各个第一相邻对象在第t次迭代时，被划分为所述第h个第一关系类型的目标概率，t为正整数，且t小于T；
根据所述目标概率和各个相邻对象中间特征，计算所述目标对象的第一相邻对象的聚合特征；
对所述目标对象中间特征和所述目标对象的第一相邻对象的聚合特征进行运算处理，得到所述第h个第一关系类型在第t+1次迭代时的关系特征信息。
作为一种可选的实施例，处理器601通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息的具体实施例为：
获取所述目标对象的第一相邻对象的第一特征信息集合，和所述目标对象的第二相邻对象的第二特征信息集合，所述第一特征信息集合包括：所述目标对象的第一相邻对象的多个第二关系类型中，每个第二关系类型对应的关系特征信息，所述第二特征信息集合包括：所述目标对象的第二相邻对象的多个第三关系类型中，每个第三关系类型对应的关系特征信息；
将所述目标对象的K个第一关系类型对应的关系特征信息、所述第一特征信息集合以及所述第二特征信息集合作为关系预测模型的输入，得到所述关系预测模型输出的预测结果，所述关系预测模型包括L层图卷积网络层，L为正整数；
对所述预测结果进行过拟合处理，得到所述目标对象的表示特征信息；
其中，所述关系预测模型中，第g层图卷积网络层的输入数据包括：对第g-1层图卷积网络层的输出数据进行过拟合处理后得到的数据。
作为一种可选的实施例，处理器601获取多媒体资源集合的具体实施例为：
获取第二多媒体资源的查看信息，所述查看信息中包括查看过所述第二多媒体资源的Q个对象的对象标识，Q为正整数；
根据所述Q个对象的对象标识，获取所述Q个对象的表示向量；
对所述Q个对象的表示向量进行融合处理，并对融合处理的结果进行均值池化处理，得到所述第二多媒体资源的资源特征信息；
所述多媒体资源集合中包括所述第二多媒体资源的资源特征信息。
作为一种可选的实施例，处理器601根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源的具体实施例为：
根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度；
向所述目标对象推荐第一多媒体资源，所述第一多媒体资源是所述多媒体资源集合中与所述目标对象匹配度最高的多媒体资源。
作为一种可选的实施例，处理器601根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度的具体实施例为：
将所述多媒体资源集合中所述第二多媒体资源的资源特征信息与所述目标对象的表示特征信息进行拼接，得到拼接特征集合；
采用多层感知机对所述拼接特征集合中的各个拼接特征进行处理，得到所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量；
根据每个第一关系类型与所述第二多媒体资源的关系向量，计算该第一关系类型对应的权重；
根据所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量，以及每个第一关系类型对应的权重，得到所述目标对象与所述第二多媒体资源的匹配度。
作为一种可选的实施例，处理器601通过运行存储器603中的可执行程序代码，还执行如下操作：
获取关联关系信息集合，所述关联关系信息集合包括对象信息集合和关系信息集合；
根据所述对象信息集合生成N个网络节点，所述N个网络节点中每个网络节点对应一个对象，且每个网络节点中携带有与该网络节点所对应对象的对象信息，N为正整数；
若所述关系信息集合指示所述N个网络节点中的第一网络节点对应的对象和第二网络节点的对象存在交互行为，则根据所述交互行为生成所述第一网络节点和所述第二网络节点的连边信息，得到关联信息网络图；
根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量。
作为一种可选的实施例，所述第一网络节点和所述第二网络节点的连边信息中的连边权重包括：根据所述第一网络节点和所述第二网络节点之间的关联度确定的权重，所述连边权重与所述关联度成正比，所述关联度是根据所述第一网络节点和所述第二网络节点在目标时间段内的交互信息确定的，所述交互信息包括：累积交互次数、累积交互时长、交互频率、交互内容中的至少一项确定的。
作为一种可选的实施例，处理器601根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量的具体实施例为：
以所述目标对象对应的目标网络节点为起点在所述关联信息网络图中进行随机游走，得到M条轨迹，每条轨迹的步长为P；其中，M，P均为正整数；
根据所述M条轨迹中携带的对象信息，得到所述目标对象的表示向量；
其中，从第i个网络节点游走至第j个网络节点的概率与目标连边权重成正比，所述目标连边权重是所述第i个网络节点和所述第j个网络节点的连边信息中的连边权重，i，j均为正整数，i不等于j，且i，j均小于等于N。
基于同一发明构思，本申请实施例中提供的智能设备解决问题的原理与有益效果与本申请方法实施例中对多媒体资源的推荐方法解决问题的原理和有益效果相似，可以参见方法的实施的原理和有益效果，为简洁描述，在这里不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行上述方法实施例所述的对多媒体资源的推荐方法。
本申请实施例还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，使得计算机执行上述方法实施例所述的对多媒体资源的推荐方法。
本申请实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述对多媒体资源的推荐的方法。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，可读存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (14)

1.一种对多媒体资源的推荐方法，其特征在于，包括：
获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；
获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
2.如权利要求1所述的方法，其特征在于，所述根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，包括：
根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息；
通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息。
3.如权利要求2所述的方法，其特征在于，所述根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述K个第一关系类型中，每个第一关系类型对应的关系特征信息，包括：
获取所述K个第一关系类型中第h个第一关系类型的特征参数集合，所述特征参数集合包括所述第h个第一关系类型的权重矩阵和所述第h个第一关系类型的偏置向量；
通过所述第h个第一关系类型的特征参数集合，计算所述目标对象在所述第h个第一关系类型下的目标对象中间特征，并计算所述目标对象的各个第一相邻对象的在所述第h个第一关系类型下的相邻对象中间特征；
根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息。
4.如权利要求3所述的方法，其特征在于，所述第h个第一关系类型的关系特征信息是所述第h个第一关系类型在第T次迭代时的关系特征信息，T为正整数；所述根据所述目标对象中间特征和各个相邻对象中间特征，得到所述第h个第一关系类型的关系特征信息，包括：
获取所述目标对象的各个第一相邻对象在第t次迭代时，被划分为所述第h个第一关系类型的目标概率，t为正整数，且t小于T；
根据所述目标概率和各个相邻对象中间特征，计算所述目标对象的第一相邻对象的聚合特征；
对所述目标对象中间特征和所述目标对象的第一相邻对象的聚合特征进行运算处理，得到所述第h个第一关系类型在第t+1次迭代时的关系特征信息。
5.如权利要求2所述的方法，其特征在于，所述通过所述K个第一关系类型分别对应的K个关系特征信息对所述目标对象进行特征分析，得到所述目标对象的表示特征信息，包括：
获取所述目标对象的第一相邻对象的第一特征信息集合，和所述目标对象的第二相邻对象的第二特征信息集合，所述第一特征信息集合包括：所述目标对象的第一相邻对象的多个第二关系类型中，每个第二关系类型对应的关系特征信息，所述第二特征信息集合包括：所述目标对象的第二相邻对象的多个第三关系类型中，每个第三关系类型对应的关系特征信息；
将所述目标对象的K个第一关系类型对应的关系特征信息、所述第一特征信息集合以及所述第二特征信息集合作为关系预测模型的输入，得到所述关系预测模型输出的预测结果，所述关系预测模型包括L层图卷积网络层，L为正整数；
对所述预测结果进行过拟合处理，得到所述目标对象的表示特征信息；
其中，所述关系预测模型中，第g层图卷积网络层的输入数据包括：对第g-1层图卷积网络层的输出数据进行过拟合处理后得到的数据。
6.如权利要求1所述的方法，其特征在于，所述获取多媒体资源集合，包括：
获取第二多媒体资源的查看信息，所述查看信息中包括查看过所述第二多媒体资源的Q个对象的对象标识，Q为正整数；
根据所述Q个对象的对象标识，获取所述Q个对象的表示向量；
对所述Q个对象的表示向量进行融合处理，并对融合处理的结果进行均值池化处理，得到所述第二多媒体资源的资源特征信息；
所述多媒体资源集合中包括所述第二多媒体资源的资源特征信息。
7.如权利要求6所述的方法，其特征在于，所述根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源，包括：
根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度；
向所述目标对象推荐第一多媒体资源，所述第一多媒体资源是所述多媒体资源集合中与所述目标对象匹配度最高的多媒体资源。
8.如权利要求7所述的方法，其特征在于，所述根据所述目标对象的表示特征信息，和所述多媒体资源集合中各个多媒体资源的资源特征信息，计算所述目标对象与所述多媒体资源集合中各个多媒体资源的匹配度，包括：
将所述多媒体资源集合中所述第二多媒体资源的资源特征信息与所述目标对象的表示特征信息进行拼接，得到拼接特征集合；
采用多层感知机对所述拼接特征集合中的各个拼接特征进行处理，得到所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量；
根据每个第一关系类型与所述第二多媒体资源的关系向量，计算该第一关系类型对应的权重；
根据所述K个第一关系类型中，每个第一关系类型与所述第二多媒体资源的关系向量，以及每个第一关系类型对应的权重，得到所述目标对象与所述第二多媒体资源的匹配度。
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取关联关系信息集合，所述关联关系信息集合包括对象信息集合和关系信息集合；
根据所述对象信息集合生成N个网络节点，所述N个网络节点中每个网络节点对应一个对象，且每个网络节点中携带有与该网络节点所对应对象的对象信息，N为正整数；
若所述关系信息集合指示所述N个网络节点中的第一网络节点对应的对象和第二网络节点的对象存在交互行为，则根据所述交互行为生成所述第一网络节点和所述第二网络节点的连边信息，得到关联信息网络图；
根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量。
10.如权利要求9所述的方法，其特征在于，所述第一网络节点和所述第二网络节点的连边信息中的连边权重包括：根据所述第一网络节点和所述第二网络节点之间的关联度确定的权重，所述连边权重与所述关联度成正比，所述关联度是根据所述第一网络节点和所述第二网络节点在目标时间段内的交互信息确定的，所述交互信息包括：累积交互次数、累积交互时长、交互频率、交互内容中的至少一项确定的。
11.如权利要求10所述的方法，其特征在于，所述根据所述关联信息网络图，得到所述N个网络节点对应的N个对象的表示向量，包括：
以所述目标对象对应的目标网络节点为起点在所述关联信息网络图中进行随机游走，得到M条轨迹，每条轨迹的步长为P；其中，M，P均为正整数；
根据所述M条轨迹中携带的对象信息，得到所述目标对象的表示向量；
其中，从第i个网络节点游走至第j个网络节点的概率与目标连边权重成正比，所述目标连边权重是所述第i个网络节点和所述第j个网络节点的连边信息中的连边权重，i，j均为正整数，i不等于j，且i，j均小于等于N。
12.一种对多媒体资源的推荐装置，其特征在于，包括：
获取单元，用于获取目标对象的表示向量和相邻对象表示向量集合，所述相邻对象表示向量集合中包括所述目标对象的第一相邻对象的表示向量，所述目标对象与所述第一相邻对象之间被划分为K个第一关系类型，K为正整数；
处理单元，用于根据所述目标对象的表示向量和所述相邻对象表示向量集合，得到所述目标对象的表示特征信息，所述表示特征信息是根据所述目标对象在所述K个第一关系类型中，各个第一关系类型对应的关系特征信息确定的；以及用于获取多媒体资源集合，并根据所述目标对象的表示特征信息，向所述目标对象推荐所述多媒体资源集合中的第一多媒体资源。
13.一种智能设备，其特征在于，包括：存储装置和处理器；
所述存储装置中存储有计算机程序；
处理器，执行计算机程序，实现如权利要求1-11任一项所述的对多媒体资源的推荐方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，如权利要求1-11任一项所述的对多媒体资源的推荐方法被实现。
CN202111680341.4A 2021-06-17 2021-12-30 一种对多媒体资源的推荐方法、装置、设备及存储介质 Pending CN115495598A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/CN2022/097098 WO2022262603A1 (zh) 2021-06-17 2022-06-06 多媒体资源的推荐方法、装置、设备、存储介质及计算机程序产品
JP2023555640A JP2024509966A (ja) 2021-06-17 2022-06-06 マルチメディアリソースの推薦方法、装置、機器、及びコンピュータプログラム
US18/315,200 US20230273951A1 (en) 2021-06-17 2023-05-10 Multimedia resource recommendation method and apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021106753936 2021-06-17
CN202110675393 2021-06-17

Publications (1)

Publication Number Publication Date
CN115495598A true CN115495598A (zh) 2022-12-20

Family

ID=84464909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111680341.4A Pending CN115495598A (zh) 2021-06-17 2021-12-30 一种对多媒体资源的推荐方法、装置、设备及存储介质

Country Status (4)

Country Link
US (1) US20230273951A1 (zh)
JP (1) JP2024509966A (zh)
CN (1) CN115495598A (zh)
WO (2) WO2022262561A1 (zh)

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130097056A1 (en) * 2011-10-13 2013-04-18 Xerox Corporation Methods and systems for recommending services based on an electronic social media trust model
CN105653535B (zh) * 2014-11-13 2019-07-02 中国科学院沈阳计算技术研究所有限公司 一种媒体资源推荐方法
CN105468723B (zh) * 2015-11-20 2019-08-20 小米科技有限责任公司 信息推荐方法及装置
CN106022938A (zh) * 2016-06-02 2016-10-12 北京奇艺世纪科技有限公司 社交网络的用户社团划分方法和装置
CN108280458B (zh) * 2017-01-05 2022-01-14 腾讯科技（深圳）有限公司 群体关系类型识别方法及装置
US10846593B2 (en) * 2018-04-27 2020-11-24 Qualcomm Technologies Inc. System and method for siamese instance search tracker with a recurrent neural network
CN109544396B (zh) * 2019-01-10 2022-07-12 腾讯科技（深圳）有限公司 账号推荐方法、装置、服务器、终端及存储介质
CN110175245A (zh) * 2019-06-05 2019-08-27 腾讯科技（深圳）有限公司 多媒体推荐方法、装置、设备及存储介质
CN110569437B (zh) * 2019-09-05 2022-03-04 腾讯科技（深圳）有限公司 点击概率预测、页面内容推荐方法和装置
CN110781389A (zh) * 2019-10-18 2020-02-11 支付宝(杭州)信息技术有限公司 用于为用户生成推荐的方法和系统
CN110837598B (zh) * 2019-11-11 2021-03-19 腾讯科技（深圳）有限公司 信息推荐方法、装置、设备及存储介质
CN111104599B (zh) * 2019-12-23 2023-08-18 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN111400514A (zh) * 2020-03-13 2020-07-10 南京领行科技股份有限公司 一种信息推荐方法、装置和系统
CN111652451B (zh) * 2020-08-06 2020-12-01 腾讯科技（深圳）有限公司 社交关系的获取方法和装置及存储介质
CN112084428B (zh) * 2020-09-17 2024-02-02 辽宁工程技术大学 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法
CN112395435A (zh) * 2020-11-17 2021-02-23 华北电力大学扬中智能电气研究中心 一种多媒体资源推荐方法、装置、设备及介质

Also Published As

Publication number Publication date
JP2024509966A (ja) 2024-03-05
WO2022262561A1 (zh) 2022-12-22
US20230273951A1 (en) 2023-08-31
WO2022262603A1 (zh) 2022-12-22

Similar Documents

Publication Publication Date Title
CN110659723B (zh) 基于人工智能的数据处理方法、装置、介质及电子设备
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN113139628B (zh) 样本图像的识别方法、装置、设备及可读存储介质
CN113627447B (zh) 标签识别方法、装置、计算机设备、存储介质及程序产品
CN113254785B (zh) 推荐模型训练方法、推荐方法和相关设备
CN113761153B (zh) 基于图片的问答处理方法、装置、可读介质及电子设备
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN111783903B (zh) 文本处理方法、文本模型的处理方法及装置、计算机设备
CN110795944A (zh) 推荐内容处理方法及装置、情感属性确定方法及装置
CN115050064A (zh) 人脸活体检测方法、装置、设备及介质
CN112819024B (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN114611720A (zh) 联邦学习模型训练方法、电子设备及存储介质
CN115238909A (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN114707589A (zh) 对抗样本的生成方法、装置、存储介质、设备及程序产品
CN116152938A (zh) 身份识别模型训练和电子资源转移方法、装置及设备
CN112069412B (zh) 信息推荐方法、装置、计算机设备及存储介质
WO2023231753A1 (zh) 一种神经网络的训练方法、数据的处理方法以及设备
CN115495598A (zh) 一种对多媒体资源的推荐方法、装置、设备及存储介质
CN113643283A (zh) 一种人体衰老状况的检测方法、装置、设备及存储介质
CN113822291A (zh) 一种图像处理方法、装置、设备及存储介质
CN113010772A (zh) 一种数据处理方法、相关设备及计算机可读存储介质
CN114004265A (zh) 一种模型训练方法及节点设备
CN117711001B (zh) 图像处理方法、装置、设备和介质
CN118013060B (zh) 数据处理方法、装置、设备、存储介质及产品

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